CN105357637A - 一种位置和行为信息预测系统及方法 - Google Patents
一种位置和行为信息预测系统及方法 Download PDFInfo
- Publication number
- CN105357637A CN105357637A CN201510714218.8A CN201510714218A CN105357637A CN 105357637 A CN105357637 A CN 105357637A CN 201510714218 A CN201510714218 A CN 201510714218A CN 105357637 A CN105357637 A CN 105357637A
- Authority
- CN
- China
- Prior art keywords
- behavioural information
- information
- module
- current location
- behavioural
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
一种位置和行为信息预测方法,先获取移动客户端的位置和行为信息并分类存储于数据存储结构;遍历数据存储结构,循环判断获得周期;根据周期预测客户位置和行为信息;一种用户位置和行为信息记录方法,用于记录和发送所述当前位置和行为信息;位置记录模块采集所述当前位置和行为信息;位置记录模块将采集到的当前位置和行为信息传送至信息发送模块;信息发送模块将当前位置和行为信息向外发送;一种移动客户端,用于采集和发送用户位置和行为信息;一种位置和行为信息预测服务器端用于预测位置和行为信息;一种位置和行为信息预测系统包括移动客户端以及位置和行为信息预测服务器端。
Description
技术领域
本发明涉及一种信息预测系统,特别是涉及一种位置和行为信息预测系统及方法。
背景技术
在LBSN(Location-basedSocialNetwork基于位置的社会网络)领域,用户行为模式的获取已经引起了广大学者的关注,并产生了较多的研究成果。其中,郑宇等科研人员基于用户行驶轨迹,通过挖掘用户的频繁移动序列,并建立概率转移模型,能够较好的预测用户下一个可能到达地点。总体来说,基于用户的行为模式能够有效提高预测用户未来到达地点的准确率,若用户的行为模式与推荐系统相结合,能够为用户提供更符合其生活习惯的推荐服务。
周期性行为是用户行为模式的一种,通过挖掘用户的周期性行为,能够有效的发现用户某一行为在时间上的规律性。目前,周期性行为的主要研究方向分为时间序列周期获取以及周期模式获取。前者通过相关算法获取时间序列中的潜在周期,时间序列周期获取的经典算法是周期图与自相关,在单独使用周期图时,其存在因谱泄漏问题导致周期获取不准确的情况,而单独使用自相关时,又存在因其它时间戳事件的发生,导致正确的周期不明显,一些科研人员使用周期图与自相关相结合的方法,能够有效的避免了在单独使用周期图时谱泄漏产生的周期获取不准确的问题。
综上,目前时间序列周期获取算法在获取时间序列多周期时均存在周期间互相干扰的情况,导致最终结果的不准确。而挖掘用户的周期性行为需要准确的获取用户在当前周期的哪个阶段发生改行为,自相关与周期图均不能挖掘该类信息。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种位置和行为信息预测系统及方法,用于解决现有技术中周期获取准确度低、周期图的谱泄漏、自相关的周期不明显等问题。
为实现上述目的及其他相关目的,本发明提供一种位置和行为信息预测系统及方法。
优选地,位置和行为信息预测方法,用于通过挖掘用户行为的周期,预测用户未来到达的位置;位置和行为信息预测方法主要包括以下步骤:
第一步、分别获取移动客户端的位置和行为信息;
第二步、对获取的位置和行为信息分类,分别形成位置信息序列和行为信息序列;
第三步、将不同类的位置和行为信息经过换算和处理后放在数据存储结构中,每个数据存储结构中的元素可随机访问;遍历所述数据存储结构,循环执行判断条件,选取多个不同的周期;
第四步、根据获得的周期,预测移动客户端的位置和行为信息。
优选地,第一步中还包括:确定一个特定时段;从接收到的位置和行为信息中选取特定时段中的位置和行为信息。
优选地,第二步中还包括:对特定时段中的位置和行为信息进行分类;将分类过程中产生的类别信息加入每条位置和行为信息中,按照时间顺序生成不同类的位置和行为信息序列。
优选地,第三步中还包括:设定的数据存储结构中位置和该位置元素之间的固定关系;按照固定关系求得元素值,随机遍历数据存储结构中各个元素;根据设定的判定关系筛选出准确的周期并保存。
优选地,一种用户位置和行为信息记录方法,用于记录用户的当前位置和行为信息并向其他接收端发送当前位置和行为信息;其特征在于,包括以下步骤:
第一步:位置记录模块采集当前位置和行为信息;
第二步:位置记录模块将采集到的当前位置和行为信息传送至信息发送模块;
第三步:信息发送模块将当前位置和行为信息向外发送。
优选地,位置记录模块采集用户当前位置和行为信息,并将采集的当前位置和行为信息传送至信息发送模块。
优选地,一种移动客户端,其特征在于,包括:
位置记录模块,采集用户的当前位置和行为信息,
信息发送模块,与位置记录模块通信;用于向外发送位置记录模块采集的当前位置和行为信息。
优选地,一种位置和行为信息预测服务器端包括:位置和行为信息处理模块.多周期获取模块和预测模块;
优选地,位置和行为信息处理模块,用于接收并存储用户的当前位置和行为信息,并从所有当前位置和行为信息中获取特定移动客户端的特定时段位置和行为信息的集合,形成时间序列信息;
优选地,多周期获取模块与位置和行为信息处理模块通信,用于找出时间序列信息中的所有周期;
优选地,预测模块与多周期获取模块通信,用于预测用户在未来时间点的位置和行为信息。
优选地,位置和行为信息处理模块包括
信息存储模块,用于存储移动客户端发送的当前位置和行为信息;
信息获取模块,该模块与信息存储模块通信,用于获取当前位置和行为信息;
位置分类模块,该模块与信息获取模块通信,用于获取当前位置和行为信息;
时序模块,该模块与位置分类模块通信,用于生成形成位置和行为信息序列。
优选地,多周期获取模块与位置和行为信息处理模块通信,接收位置和行为信息序列;多周期获取模块用于确定多个周期。
优选地,预测模块与多周期获取模块通信,根据周期预测移动客户端的位置。
优选地,一种位置和行为信息预测系统包括移动客户端以及位置和行为信息预测服务器端;
优选地,移动客户端为多个,每个移动客户端连续采集用户的当前位置和行为信息。
优选地,位置和行为信息预测服务器端用于从不同的时间点出发,对移动客户端未来时间点的位置和行为信息进行预测。
如上所述,本发明提供的一种位置和行为信息预测系统及方法,具有以下有益效果:
本发明提供的一种位置和行为信息预测系统及方法,与传统的使用周期图和自相关以及二者相结合的方法相比,本发明能有效规避如周期长短差异的不利影响以及随机起伏对获取周期精度的影响,同时降低了多周期获取过程中,不同周期之间的相互干扰作用,能够更加准确的获取时间序列中的多周期性行为,解决了传统方法中获得的周期不明显的问题;通过挖掘用户的周期性行为,能够有效的发现用户某一行为在时间上的规律性,可以与推荐系统结合产生技术效益。本发明提供的位置和行为信息预测方法不用通过寻找潜在周期或时间序列周期,而是通过数据存储结构的随机遍历和判断,筛选精度更高的周期信息,降低了因谱泄漏问题对周期获取进程的不利影响。本发明能够通过对数据结构的遍历与判断准确的获取用户在当前周期的哪个阶段发生改行为,并利用时间重复发生次数等参数确定每一步遍历过程的判断条件,从而挖掘出传统的自相关与周期图无法挖掘出的精确周期信息。本发明同时能获取周期性行为的发生时间点,解决了周期图与自相关无法预测用户周期性行为发生时间点的问题。
附图说明
图1显示为本发明的位置和行为信息预测系统示意图;
图2显示为本发明的位置和行为信息预测方法示意图;
图3显示为本发明的位置和行为信息处理模块示意图;
图4显示为本发明的多周期寻找步骤示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效。
请参阅图1至图4。须知,本说明书所附图式所绘示的结构,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容所能涵盖的范围内。同时,本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语,亦仅为便于叙述的明了,而非用以限定本发明可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当亦视为本发明可实施的范畴。
第一个实施例提供一种位置和行为信息预测方法,提供位置和行为信息预测服务器端;
如图2所示,位置和行为信息预测方法,用于通过挖掘用户行为的周期,预测用户未来到达的位置;位置和行为信息预测方法主要包括以下步骤:
第一步:获取用户携带的移动客户端的位置和行为信息;
第二步:对位置和行为信息进行分类,形成位置和行为信息序列;
第三步:将不同类的位置和行为信息放在不同的集合中,每个集合中的元素可随机访问;动态分配存储空间,不断更新集合中的位置和行为信息;执行判断条件,评估各位置和行为信息之间存在的周期性强弱,获得多个不同的周期;
第四步:根据获得的不同的周期,预测移动客户端在未来时间点到达的位置。
第一步中还包括:按照主码取出数据库中位置和行为信息后,选取特定时段中的位置和行为信息。
第二步中还包括:对所述特定时段中的位置和行为信息进行分类;将分类过程中产生的类别信息加入每条位置和行为信息中,得到不同类的位置和行为信息序列。
第三步中还包括:将位置和行为信息序列中,设定的数据存储结构中位置和该位置元素之间的固定关系;将位置和行为信息序列中位置和行为信息通过该固定关系求得对应元素,按位放置于数据存储结构中的各个位置中;设定元素值与周期可靠性的固定关系,遍历判断数据存储结构中的各个元素,以确定可靠性较大的周期并保存。
第三步中遍历数据存储结构的原理为:存在一个包含所有特定类别事件发生的所有不同的时间间隔的集合,时间序列中的周期存在于该集合中。本实施例中,数据存储结构选择矩阵,因为矩阵能够较好的保存这类信息,通过创建疑似周期矩阵,能够初步的去除错误周期,并且基于二维数组随机访问的特点,能够更有效的提高访问矩阵元素的效率。基于时间序列周期的特点以及矩阵存储的基本思想,构建动态更新矩阵多周期获取算法,通过进一步判断矩阵中的疑似周期的支持度是否大于所设的支持度阈值,如果当前疑似周期是真实周期,则动态修改矩阵中的元素以减少算法判断次数,提高算法的执行效率,最终获取该时间序列中的所有周期性行为。
根据周期性行为总是以相同的时间间隔发生的实际情况,以及矩阵随机存取的特性,首先建立如下所示的矩阵,其中第一行与第一列为该行为的发生时间戳。矩阵中的元素为列时间戳与行时间戳的差。
该矩阵为多周期性行为实际处理的矩阵,其中包含着真实周期性行为与非真实周期性行为,真实周期性行为其发生的支持度大于算法所设置的支持度阈值,如公式1。
其中reality_happened_time(x)代表该周期实际发生次数,theory_happened_time(x)代表理论发生次数。在矩阵中,每个元素的行号为第一次发生的时间戳,元素的值为该周期性行为的周期大小。因周期性行为以固定周期发生,则可由开始发生时间以及周期大小得到理论发生的时间戳,并统计其发生的次数。讲理论发生时间戳从小到大排序,若以其中连续的两个时间戳第一个为行且第二个为列能够在矩阵中命中,则记为实际发生,总的命中次数为实际发生次数,对应公式1中的reality_happened_time(x)。
如图4所示,本发明中的时间序列多周期获取过程主要包括下列步骤:
第一步:该法利用矩阵行列号逐渐递增的特性模拟同类(时间戳类别与行或者列的关系)时间序列中,状态发生的先后顺序;
第二步:又以行对应减列模拟任何时间戳之间的时间间隔;
第三步:当疑似周期矩阵中,得到包含所有时间间隔的集合后,开始对整个矩阵进行遍历,将大于零的元素的行号存储为疑似周期;
第四步:根据当前得到的疑似周期得出时间戳,得出理论发生次数;
第五步:将理论发生时间戳由大到小排序,若以其中连续的连个时间戳第一个为行且第二个为列能够在矩阵中命中,记为第一次实际发生,总命中次数为实际发生次数;
第六步:实际发生数(统计获得)比理论发生数,获得实际发生支持度,并与阈值比较,大于为真,小于循环再遍历;
第七步:遇真存储后,将该处归零,动态更新矩阵后,循环遍历更新过的矩阵;
第八步:输出所有筛选出的元素值为准确周期的大小和元素行号作为首次发生时间;
如图1所示,第二种实施例提供一种用户位置和行为信息记录方法,用于记录用户的当前位置和行为信息;并向其他接收端发送当前位置和行为信息;
用户位置记录方法包括以下步骤:
第一步:位置记录模块采集当前位置和行为信息;
第二步:位置记录模块将采集到的当前位置和行为信息传送至信息发送模块;
第三步:信息发送模块将当前位置和行为信息发送至接收端。
位置记录模块按照固定的时间间隔连续采集用户当前位置和行为信息,并将采集的当前位置和行为信息传送至信息发送模块。
第三种实施例提供一种移动客户端,每个移动客户端都有唯一编号,用于信息发送模块按移动客户端的唯一编号发送当前位置和行为信息。
如图1所示,移动客户端,至少包括:位置记录模块、信息发送模块;
位置记录模块采集用户的当前位置和行为信息,并将当前位置和行为信息传送至信息发送模块;信息发送模块用于向外发送当前位置和行为信息。
如图1所示,第四个实施例中提供一种位置和行为信息处理服务器端,至少包括:位置和
行为信息处理模块、多周期获取模块和预测模块;
位置和行为信息处理模块用于按各移动客户端编号,存储用户的当前位置和行为信息;并从所有当前位置和行为信息中获取特定移动客户端的特定时段位置和行为信息的集合,并将该集合中的元素分类排序,形成时间序列信息;
多周期获取模块与位置和行为信息处理模块连接,用于找出时间序列信息中的所有周期信息;
预测模块与所述多周期获取模块连接,用于处理各周期信息,以预测用户在未来时间点的位置和行为信息。
如图3所示,位置和行为信息处理模块包括信息处理模块、信息获取模块、位置分类模块和时序模块;信息存储模块按照编号,将每个移动客户端的位置和行为信息存储为一组;信息获取模块与信息存储模块连接,从信息存储模块中获得任一移动客户端的特定时段位置和行为信息;位置分类模块与信息获取模块连接,将特定时段位置和行为信息分类。时序模块与位置分类模块连接,按照固定的时间单位,在同类位置和行为信息按照时间顺序形成位置和行为信息序列。
多周期获取模块与位置和行为信息处理模块连接,用于接收位置和行为信息处理模块形成的位置和行为信息序列;多周期获取模块从各位置和行为信息序列中找出各位置和行为信息序列中的周期重现的位置和行为信息,确定周期信息。
预测模块与所述多周期获取模块连接,根据所述周期信息,从不同时间点预测移动客户端在未来时间点到达的各类位置。
第五种实施例提供一种位置和行为信息预测系统,至少包括:移动客户端和位置和行为信息预测服务器端;
移动客户端便于携带,用于采集移动客户端自身的当前位置和行为信息;
移动客户端用于将采集的当前位置和行为信息发送至位置和行为信息预测服务器端;
位置和行为信息预测服务器端,用于接收所述移动客户端发来的用户当前位置和行为信息,并将根据该当前位置和行为信息确认用户的各类行为活动周期;位置和行为信息预测服务器端用于根据当前位置和行为信息,对用户在未来的时间点到达的位置和发生的行为进行预测。
移动客户端数量不少于两个;每个移动客户端按照固定的时间间隔采集用户的当前位置和行为信息。
位置和行为信息预测服务器端用于从不同的时间点出发,根据不同的周期,对多个移动客户端未来时间点的位置和行为信息进行预测。
在第五个实施例中,本发明提供的位置和行为信息预测系统及方法(GPS坐标及)中,启动用户移动客户端的GPS采集模块作为后台进程运行(一般开机设为开机启动),以每5秒采集一次用户的当前GPS经纬度坐标,用户以手机号作为唯一标识(数据库中的主码),并讲经纬度坐标发送至位置和行为信息预测服务器端中位置和行为信息处理模块中的GPS坐标存储模块。(GPS)
GPS坐标存储模块接受客户端发送过来的经纬度坐标,并将其保存至MySQL数据库中。
启动位置和行为信息处理模块中的逗留点获取模块,对每一个用户分别获取逗留点,保存逗留点的进入时间以及离开时间,并将获取到的逗留点保存至逗留点表。通常以天级别的任务获取用户当天的逗留点。完成当天逗留点获取后激活逗留点聚类模块。
逗留点聚类模块读取每个用户过去8周的逗留点数据(包含当天的逗留点),并对这些逗留点使用OPTICS聚类算法进行聚类,聚类完成后给逗留点加上类别信息。激活周期获取模块。
周期获取模块依次读取某个用户的某个类别的逗留点,同时以天为时间粒度生成用户到达该类逗留点的时间序列,使用时间序列多周期获取算法获取用户到达该类逗留点的周期,将周期信息保存至数据库。激活用户周期性行为预测模块。
依次读取每个用户的周期性行为,并基于起始时间点、周期大小和逗留点类别预测用户到达该类别逗留点的下一个时间点。
第六个实施例中,本发明提供的位置和行为信息预测系统及方法中,启动用户移动客户端的行为采集模块作为后台进程运行(一般设置为开机启动),以每5秒采集一次用户的当前行为信息,建立行为因果连通图,确定当天行为信息在因果连通图中所在的行为节点,用户以手机号作为唯一标识,并将行为节点信息发送至行为信息预测服务器端中行为信息处理模块中的节点存储模块。
节点存储模块接受客户端发送过来的行为节点信息,并将其保存至MySQL数据库中。
启动行为信息处理模块中的节点获取模块,对每一个用户分别获取行为节点,保存行为节点的开始时间以及结束时间,并将获取到的行为节点保存至节点表。通常以天级别的任务获取用户当天的行为节点。完成当天所有行为节点获取后激活节点聚类模块。
节点聚类模块读取每个用户过去8周的行为节点数据(包含当天的行为节点),并对这些行为节点使用OPTICS聚类算法进行聚类,聚类完成后给行为节点加上类别信息。激活周期获取模块。
周期获取模块依次读取某个用户的某个类别的行为节点,同时以天为时间粒度生成用户的行为节点的时间序列,使用时间序列多周期获取算法获取该行为节点的周期,将周期信息保存至数据库。激活用户周期性行为预测模块。
依次读取每个用户的周期性行为,并基于起始时间点、周期大小和行为节点类别预测用户的行为因果连通图中同类行为节点出现的下一个时间点,即预测用户的行为。
现有技术中,周期性行为的主要研究方向分为时间序列周期获取以及周期模式获取。前者通过相关算法获取时间序列中的潜在周期,时间序列周期获取的经典算法是周期图与自相关,在单独使用周期图时,其存在因谱泄漏问题导致周期获取不准确的情况,而单独使用自相关时,又存在因其它时间戳事件的发生,导致正确的周期不明显,一些科研人员使用周期图与自相关相结合的方法,能够有效的避免了在单独使用周期图时谱泄漏产生的周期获取不准确的问题。
综上,目前时间序列周期获取算法在获取时间序列多周期时均存在周期间互相干扰的情况,导致最终结果的不准确。而挖掘用户的周期性行为需要准确的获取用户在当前周期的哪个阶段发生改行为,自相关与周期图均不能挖掘该类信息。本发明提供的位置和行为信息预测系统及方法,与传统的使用周期图和自相关以及二者相结合的方法相比,能有效规避如周期长短差异的不利影响以及随机起伏对获取周期精度的影响,同时降低了多周期获取过程中,不同周期之间的相互干扰作用,能够更加准确的获取时间序列中的多周期性行为,解决了传统方法中获得的周期不明显的问题;通过挖掘用户的周期性行为,能够有效的发现用户某一行为在时间上的规律性,可以与推荐系统结合产生技术效益;本发明不用通过寻找潜在周期或时间序列周期,而是通过数据存储结构的随机遍历和判断,筛选精度更高的周期信息,降低了因谱泄漏问题对周期获取进程的不利影响;本发明同时能获取周期性行为的发生时间点,解决了周期图与自相关无法预测用户周期性行为发生时间点的问题;本发明能够通过对数据结构的遍历与判断准确的获取用户在当前周期的哪个阶段发生改行为,并利用时间重复发生次数等参数确定每一步遍历过程的判断条件,从而挖掘出传统的自相关与周期图无法挖掘出的精确周期信息。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (14)
1.一种位置和行为信息预测方法,其特征在于:包括以下步骤:
第一步、分别获取一移动客户端的位置和行为信息;
第二步、对获取的所述位置和行为信息分类,分别形成位置信息序列和行为信息序列;
第三步、将不同类的位置和行为信息经过换算和处理后放在数据存储结构中,每个所述数据存储结构中的元素可随机访问;遍历所述数据存储结构,循环执行判断条件,选取多个不同的周期;
第四步、根据获得的周期,预测移动客户端的位置和行为信息。
2.根据权利要求2所述的位置和行为信息预测方法,其特征在于:第一步中还包括:确定一个特定时段;从接收到的位置和行为信息中选取特定时段中的位置和行为信息。
3.根据权利要求2所述的位置和行为信息预测方法,其特征在于:第二步中还包括:对所述特定时段中的位置和行为信息进行分类;将分类过程中产生的类别信息加入每条位置和行为信息中,按照时间顺序生成不同类的位置和行为信息序列。
4.根据权利要求3所述的位置和行为信息预测方法,其特征在于:第三步中还包括:设定的数据存储结构中位置和该位置元素之间的固定关系;按照所述固定关系求得元素值,随机遍历所述数据存储结构中各个元素;根据设定的判定关系筛选出准确的周期并保存。
5.一种用户位置和行为信息记录方法,用于记录用户的当前位置和行为信息并向其他接收端发送所述当前位置和行为信息;其特征在于,包括以下步骤:
第一步:所述位置记录模块采集所述当前位置和行为信息;
第二步:所述位置记录模块将采集到的当前位置和行为信息传送至所述信息发送模块;
第三步:所述信息发送模块将所述当前位置和行为信息向外发送。
6.根据权利要求5所述的用户位置和行为信息记录方法,其特征在于:所述位置记录模块采集用户当前位置和行为信息,并将采集的当前位置和行为信息传送至所述信息发送模块。
7.一种移动客户端,其特征在于,包括:
位置记录模块,采集用户的当前位置和行为信息,
信息发送模块,与所述位置记录模块通信;用于向外发送所述位置记录模块采集的当前位置和行为信息。
8.一种位置和行为信息预测服务器端,其特征在于,包括:位置和行为信息处理模块.多周期获取模块和预测模块;
位置和行为信息处理模块,用于接收并存储用户的当前位置和行为信息,并从所有当前位置和行为信息中获取特定移动客户端的特定时段位置和行为信息的集合,形成时间序列信息;
多周期获取模块,与所述位置和行为信息处理模块通信,用于找出所述时间序列信息中的所有周期;
预测模块,与所述多周期获取模块通信,用于预测用户在未来时间点的位置和行为信息。
9.根据权利要求8所述的位置和行为信息预测服务器端,其特征在于:所述位置和行为信息处理模块包括
信息存储模块,用于存储移动客户端发送的当前位置和行为信息;
信息获取模块,与所述信息存储模块通信,用于获取当前所述位置和行为信息;
位置分类模块,与所述信息获取模块通信,用于将当前所述位置和行为信息分类;
所述时序模块,与所述位置分类模块通信,用于生成形成位置和行为信息序列。
10.根据权利要求9所述的位置和行为信息预测服务器端,其特征在于:所述多周期获取模块与所述位置和行为信息处理模块通信,接收所述位置和行为信息序列;所述多周期获取模块用于确定多个周期。
11.根据权利要求10所述的位置和行为信息预测服务器端,其特征在于:所述预测模块与所述多周期获取模块通信,根据所述周期预测移动客户端的位置。
12.一种位置和行为信息预测系统,其特征在于:包括如权利要求7中所述的移动客户端以及如权利要求8至11中任一项所述的位置和行为信息预测服务器端。
13.根据权利要求12所述的位置和行为信息预测系统,其特征在于:所述移动客户端为多个,每个所述移动客户端连续采集用户的当前位置和行为信息。
14.根据权利要求13所述的位置和行为信息预测系统,其特征在于:所述位置和行为信息预测服务器端用于从不同的时间点出发,对所述移动客户端未来时间点的位置和行为信息进行预测。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510714218.8A CN105357637B (zh) | 2015-10-28 | 2015-10-28 | 一种位置和行为信息预测系统及方法 |
PCT/CN2016/070989 WO2017071124A1 (zh) | 2015-10-28 | 2016-01-15 | 一种位置和行为信息预测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510714218.8A CN105357637B (zh) | 2015-10-28 | 2015-10-28 | 一种位置和行为信息预测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105357637A true CN105357637A (zh) | 2016-02-24 |
CN105357637B CN105357637B (zh) | 2019-06-11 |
Family
ID=55333470
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510714218.8A Active CN105357637B (zh) | 2015-10-28 | 2015-10-28 | 一种位置和行为信息预测系统及方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN105357637B (zh) |
WO (1) | WO2017071124A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570722A (zh) * | 2016-10-31 | 2017-04-19 | 上海斐讯数据通信技术有限公司 | 一种智能推荐系统及智能推荐方法 |
CN109388684A (zh) * | 2018-10-23 | 2019-02-26 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
CN113255989A (zh) * | 2021-05-21 | 2021-08-13 | 国网经济技术研究院有限公司 | 路网环境下基于有限服务范围的持续性服务资源分配方法 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11773421B2 (en) | 2018-07-27 | 2023-10-03 | Global Bioenergies | Method for producing fructose-6-phosphate from dihydroxy acetone phosphate and glyceraldehyde-3-phosphate |
WO2021063958A1 (en) | 2019-09-30 | 2021-04-08 | Global Bioenergies | Improved means and methods for increasing the yield of acetyl-coa from glucose |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102017550A (zh) * | 2007-11-14 | 2011-04-13 | 高通股份有限公司 | 用于确定地理用户简档以基于所述简档确定有目标的内容消息的适宜性的方法和系统 |
CN102036163A (zh) * | 2009-10-02 | 2011-04-27 | 索尼公司 | 行为模式分析系统、移动终端、行为模式分析方法和程序 |
US20130072215A1 (en) * | 2010-06-03 | 2013-03-21 | Sony Ericsson Mobile Communications Ab | Method and apparatus for location prediction |
CN103593349A (zh) * | 2012-08-14 | 2014-02-19 | 中国科学院沈阳自动化研究所 | 感应网络环境下移动位置分析方法 |
CN104520881A (zh) * | 2012-06-22 | 2015-04-15 | 谷歌公司 | 基于访问可能性对附近目的地排名以及从位置历史来预测对地点的未来访问 |
CN104581622A (zh) * | 2013-10-28 | 2015-04-29 | 华为技术有限公司 | 移动用户位置预测方法及设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011118777A (ja) * | 2009-12-04 | 2011-06-16 | Sony Corp | 学習装置および学習方法、予測装置および予測方法、並びにプログラム |
JP5417273B2 (ja) * | 2010-07-14 | 2014-02-12 | 日本電信電話株式会社 | 行動予測装置及びそのプログラム |
CN103685208B (zh) * | 2012-09-25 | 2017-07-14 | 华为技术有限公司 | 用户数据标注方法、终端设备及服务器 |
CN102902810A (zh) * | 2012-10-19 | 2013-01-30 | 北京推博信息技术有限公司 | 一种发布、获知活动信息的方法、装置及系统 |
CN104680250B (zh) * | 2015-02-11 | 2018-04-17 | 北京邮电大学 | 一种位置预测系统 |
-
2015
- 2015-10-28 CN CN201510714218.8A patent/CN105357637B/zh active Active
-
2016
- 2016-01-15 WO PCT/CN2016/070989 patent/WO2017071124A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102017550A (zh) * | 2007-11-14 | 2011-04-13 | 高通股份有限公司 | 用于确定地理用户简档以基于所述简档确定有目标的内容消息的适宜性的方法和系统 |
CN102036163A (zh) * | 2009-10-02 | 2011-04-27 | 索尼公司 | 行为模式分析系统、移动终端、行为模式分析方法和程序 |
US20130072215A1 (en) * | 2010-06-03 | 2013-03-21 | Sony Ericsson Mobile Communications Ab | Method and apparatus for location prediction |
CN104520881A (zh) * | 2012-06-22 | 2015-04-15 | 谷歌公司 | 基于访问可能性对附近目的地排名以及从位置历史来预测对地点的未来访问 |
CN103593349A (zh) * | 2012-08-14 | 2014-02-19 | 中国科学院沈阳自动化研究所 | 感应网络环境下移动位置分析方法 |
CN104581622A (zh) * | 2013-10-28 | 2015-04-29 | 华为技术有限公司 | 移动用户位置预测方法及设备 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570722A (zh) * | 2016-10-31 | 2017-04-19 | 上海斐讯数据通信技术有限公司 | 一种智能推荐系统及智能推荐方法 |
CN109388684A (zh) * | 2018-10-23 | 2019-02-26 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
US10845485B2 (en) | 2018-10-23 | 2020-11-24 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for generating information |
CN113255989A (zh) * | 2021-05-21 | 2021-08-13 | 国网经济技术研究院有限公司 | 路网环境下基于有限服务范围的持续性服务资源分配方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2017071124A1 (zh) | 2017-05-04 |
CN105357637B (zh) | 2019-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105357637A (zh) | 一种位置和行为信息预测系统及方法 | |
US10579684B2 (en) | Computer-implemented method and apparatus for determining a relevance of a node in a network | |
US10572837B2 (en) | Automatic time interval metadata determination for business intelligence and predictive analytics | |
EP2669814A1 (en) | Method and system for obtaining earthquake parameter estimates, and earthquake search engine | |
CN103020302A (zh) | 基于复杂网络的学术核心作者挖掘及相关信息抽取方法和系统 | |
JP2019512764A (ja) | ユーザ地理的ロケーションのタイプを識別するための方法および装置 | |
Potter et al. | A catalogue of caldera unrest at Taupo Volcanic Centre, New Zealand, using the volcanic unrest index (VUI) | |
CN110363427A (zh) | 模型质量评估方法和装置 | |
CN111177220B (zh) | 基于大数据的数据分析方法、装置、设备及可读存储介质 | |
CN108345662B (zh) | 一种考虑用户分布区域差异的签到微博数据加权统计方法 | |
CN109145225B (zh) | 一种数据处理方法及装置 | |
WO2013182736A1 (en) | Determination of context-aware user preferences | |
Florido et al. | A novel tree-based algorithm to discover seismic patterns in earthquake catalogs | |
CN112330227A (zh) | 基于数字化城管业务构建的城市管理能力评价方法和系统 | |
CN112990111A (zh) | 臭氧生成高值区的识别方法、装置、存储介质及设备 | |
Stirling | The continued utility of probabilistic seismic-hazard assessment | |
CN115545103A (zh) | 异常数据识别、标签识别方法和异常数据识别装置 | |
Khoshnevis et al. | Prioritizing ground‐motion validation metrics using semisupervised and supervised learning | |
US10783440B2 (en) | Method and system for generating a knowledge library after analysis of a user data request | |
Spada et al. | Quantifying a potential bias in probabilistic seismic hazard assessment: seismotectonic zonation with fractal properties | |
AU2018100673A4 (en) | System and method for location and behavior information prediction | |
Takaffoli | Community evolution in dynamic social networks--challenges and problems | |
Bountzis et al. | Pseudo-prospective forecasting of large earthquakes full distribution in circum-Pacific belt incorporating non-stationary modeling | |
Rajadevi et al. | Prediction of crime occurrence using multinomial logistic regression | |
CN116719665B (zh) | 一种气象数值模式异常状态的智能判识方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |