CN106101224B - 识别用户所在地理位置的类别的方法及装置 - Google Patents

识别用户所在地理位置的类别的方法及装置 Download PDF

Info

Publication number
CN106101224B
CN106101224B CN201610410598.0A CN201610410598A CN106101224B CN 106101224 B CN106101224 B CN 106101224B CN 201610410598 A CN201610410598 A CN 201610410598A CN 106101224 B CN106101224 B CN 106101224B
Authority
CN
China
Prior art keywords
location
geographic position
location type
target geographic
preset
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.)
Active
Application number
CN201610410598.0A
Other languages
English (en)
Other versions
CN106101224A (zh
Inventor
刘志斌
段培
郑博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Cloud Computing Beijing Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN201610410598.0A priority Critical patent/CN106101224B/zh
Publication of CN106101224A publication Critical patent/CN106101224A/zh
Priority to JP2018542148A priority patent/JP6689515B2/ja
Priority to EP17812634.8A priority patent/EP3471374B1/en
Priority to KR1020187022746A priority patent/KR102121361B1/ko
Priority to PCT/CN2017/087721 priority patent/WO2017215523A1/zh
Priority to US15/981,978 priority patent/US11252534B2/en
Application granted granted Critical
Publication of CN106101224B publication Critical patent/CN106101224B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/51—Discovery or management thereof, e.g. service location protocol [SLP] or web services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/52—Network services specially adapted for the location of the user terminal
    • 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
    • H04W4/025—Services making use of location information using location based information parameters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
    • H04L51/52—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail for supporting social networking services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/55—Push-based network services
    • 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
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • 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
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/20—Services signaling; Auxiliary data signalling, i.e. transmitting data via a non-traffic channel
    • H04W4/21—Services signaling; Auxiliary data signalling, i.e. transmitting data via a non-traffic channel for social networking applications

Abstract

本发明实施例公开了一种识别用户所在地理位置的类别的方法及装置，其中方法包括：接收用户终端在即时通信应用或社交网络应用中传输数据时上传的目标地理位置以及相应的上传时间，且一个目标地理位置对应至少一个上传时间；获取预设的时间‑位置类型映射关系，时间‑位置类型映射关系中定义了与预设的时间区间对应的在各个预设的位置类型下的概率值；遍历预设的位置类型，计算目标地理位置的上传时间在遍历到的位置类型下对应的概率值之和，得到目标地理位置在各个预设的位置类型下的隶属度；根据目标地理位置在各个预设的位置类型下的隶属度识别目标地理位置的位置类型。采用本发明，可提高识别的准确度。

Description

识别用户所在地理位置的类别的方法及装置
技术领域
本发明涉及计算机技术领域，尤其涉及一种识别用户所在地理位置的类别的方法及装置。
背景技术
随着互联网技术的发展，基于LBS(基于位置的服务，Location Based Service)的互联网平台以及APP越来越多，在这些应用中，用户的手持设备上通常设置有GPS装置，手持设备通过GPS装备获取到用户所在的地理位置(通常为用户所在位置的经纬度信息)，然后上传至服务器，然后由服务器根据用户的地理位置提供相应的推送服务。为了使得推送的内容更广泛，服务器通常需要将用户的地理位置分类，例如，分为居所、工作地点、娱乐地点等类型，然后将用户的地理位置分类到相应的类型下，再根据类型进行内容推送。
然而，传统技术方案大多是基于规则来简单判断用户所在地理位置的类别，而人工制定的规则具有很大的任意性、不准确性和覆盖率低(很多情况可能没有被规则所涵盖)等缺点。因此，传统技术中识别用户所在地理位置的类别方法的准确度不高。
发明内容
基于此，为解决传统技术中传统技术中识别用户所在地理位置的类别方法的准确度不高的技术问题，特提出了一种识别用户所在地理位置的类别的方法。
一种识别用户所在地理位置的类别的方法，包括：
接收用户终端在即时通信应用或社交网络应用中传输数据时上传的目标地理位置以及相应的上传时间，且一个目标地理位置对应至少一个上传时间；
获取预设的时间-位置类型映射关系，所述时间-位置类型映射关系中定义了与预设的时间区间对应的在各个预设的位置类型下的概率值；
遍历所述预设的位置类型，计算目标地理位置的上传时间在遍历到的位置类型下对应的概率值之和，得到目标地理位置在各个预设的位置类型下的隶属度；
根据目标地理位置在各个预设的位置类型下的隶属度识别所述目标地理位置的位置类型。
可选的，在其中一个实施例中，所述接收用户终端在即时通信应用或社交网络应用中传输数据时上传的目标地理位置还包括：
接收用户终端在即时通信应用或社交网络应用中传输数据时上传的至少一个地理位置，将所述至少一个地理位置聚类得到目标地理位置，所述目标地理位置的上传时间为所述至少一个地理位置各自的上传时间。
可选的，在其中一个实施例中，所述获取预设的时间-位置类型映射关系还包括：
获取所述用户终端上在所述即时通信应用或社交网络应用上登录的用户账号的账号类型；
获取预设的与所述账号类型对应的时间-位置类型映射关系。
可选的，在其中一个实施例中，所述获取预设的时间-位置类型映射关系还包括：
获取所述上传时间对应的预设的时间段，获取预设的与所述上传时间对应的时间段对应的时间-位置类型映射关系。
可选的，在其中一个实施例中，所述预设的时间-位置类型映射关系中：
同一时间区间对应的在各个预设的位置类型下的概率值之和为1；
同一位置类型在各个时间区间对应的概率值之和不为1。
可选的，在其中一个实施例中，所述根据目标地理位置在各个预设的位置类型下的隶属度识别所述目标地理位置的位置类型包括：
在所述目标地理位置对应的上传时间的数量大于或等于阈值时，计算所述目标地理位置在各个预设的位置类型下的隶属度之和，计算所述目标地理位置在各个预设的位置类型下的隶属度与所述隶属度之和的比值，得到目标地理位置在各个预设的位置类型下的隶属概率，根据所述目标地理位置在各个预设的位置类型下的隶属概率识别所述目标地理位置的位置类型。
可选的，在其中一个实施例中，所述根据目标地理位置在各个预设的位置类型下的隶属度识别所述目标地理位置的位置类型包括：
在所述目标地理位置对应的上传时间的数量小于阈值时，在所述目标地理位置在各个预设的位置类型下的隶属度与各自位置类型下的概率总和的比值，根据所述比值识别所述目标地理位置的位置类型。
可选的，在其中一个实施例中，所述根据目标地理位置在各个预设的位置类型下的隶属度识别所述目标地理位置的位置类型之后还包括：
检测用户终端的地理位置，查找所述用户终端上传的地理位置的位置类型，选择与所述位置类型对应的数据内容向所述用户终端推送。
可选的，在其中一个实施例中，所述根据目标地理位置在各个预设的位置类型下的隶属度识别所述目标地理位置的位置类型之后还包括：
计算在所述预设的位置类型下的地理位置的分布；
获取所述用户终端上在所述即时通信应用或社交网络应用上登录的用户账号；
根据所述位置类型下的地理位置的分布确定所述用户账号的信用评级。
此外，为解决传统技术中传统技术中识别用户所在地理位置的类别方法的准确度不高的技术问题，特提出了一种识别用户所在地理位置的类别的装置。
一种识别用户所在地理位置的类别的装置，包括：
地理位置采集模块，用于接收用户终端在即时通信应用或社交网络应用中传输数据时上传的目标地理位置以及相应的上传时间，且一个目标地理位置对应至少一个上传时间；
映射关系获取模块，用于获取预设的时间-位置类型映射关系，所述时间-位置类型映射关系中定义了与预设的时间区间对应的在各个预设的位置类型下的概率值；
隶属度计算模块，用于遍历所述预设的位置类型，计算目标地理位置的上传时间在遍历到的位置类型下对应的概率值之和，得到目标地理位置在各个预设的位置类型下的隶属度；
类型识别模块，用于根据目标地理位置在各个预设的位置类型下的隶属度识别所述目标地理位置的位置类型。
可选的，在其中一个实施例中，所述地理位置采集模块还用于接收用户终端在即时通信应用或社交网络应用中传输数据时上传的至少一个地理位置，将所述至少一个地理位置聚类得到目标地理位置，所述目标地理位置的上传时间为所述至少一个地理位置各自的上传时间。
可选的，在其中一个实施例中，所述映射关系获取模块还用于获取所述用户终端上在所述即时通信应用或社交网络应用上登录的用户账号的账号类型；获取预设的与所述账号类型对应的时间-位置类型映射关系。
可选的，在其中一个实施例中，所述映射关系获取模块还用于获取所述上传时间对应的预设的时间段，获取预设的与所述上传时间对应的时间段对应的时间-位置类型映射关系。
可选的，在其中一个实施例中，所述预设的时间-位置类型映射关系中：同一时间区间对应的在各个预设的位置类型下的概率值之和为1；同一位置类型在各个时间区间对应的概率值之和不为1。
可选的，在其中一个实施例中，所述类型识别模块还用于在所述目标地理位置对应的上传时间的数量大于或等于阈值时，计算所述目标地理位置在各个预设的位置类型下的隶属度之和，计算所述目标地理位置在各个预设的位置类型下的隶属度与所述隶属度之和的比值，得到目标地理位置在各个预设的位置类型下的隶属概率，根据所述目标地理位置在各个预设的位置类型下的隶属概率识别所述目标地理位置的位置类型。
可选的，在其中一个实施例中，所述类型识别模块还用于在所述目标地理位置对应的上传时间的数量小于阈值时，在所述目标地理位置在各个预设的位置类型下的隶属度与各自位置类型下的概率总和的比值，根据所述比值识别所述目标地理位置的位置类型。
可选的，在其中一个实施例中，所述装置还包括内容推送模块，用于检测用户终端的地理位置，查找所述用户终端上传的地理位置的位置类型，选择与所述位置类型对应的数据内容向所述用户终端推送。
可选的，在其中一个实施例中，所述装置还包括信用评价模块，用于计算在所述预设的位置类型下的地理位置的分布；获取所述用户终端上在所述即时通信应用或社交网络应用上登录的用户账号；根据所述位置类型下的地理位置的分布确定所述用户账号的信用评级。
实施本发明实施例，将具有如下有益效果：
在上述识别用户所在地理位置的类别的方法及装置中，由于用户日常活动的规律性，用户在某个时间区间位于特定位置类别的地点的概率也具有一定的规律。因此，服务器上预设有时间-位置类型映射关系，且时间-位置类型映射关系中定义了与预设的时间区间对应的在各个预设的位置类型下的概率值。服务器可根据目标地理位置的上传时间，在上述映射关系中查找目标地理位置在各个位置类型下的概率值之和构成的隶属度，从而使得服务器可根据该隶属度识别出用户所在的地理位置的类别。以此种方式识别用户所在地理位置的类别，采用的依据为用户在使用即时通信应用或社交网络应用时被动产生的活动记录，因此不存在伪造的成分，且识别方式基于用户日常生活的客观规律，因此，识别的准确度较高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
其中：
图1为一个实施例中一种识别用户所在地理位置的类别的方法的流程示意图；
图2为一个实施例中地理位置的分布示意图；
图3为一个实施例中不恰当的时间-位置类别映射关系示意图；
图4为一个实施例中一种识别用户所在地理位置的类别的装置的结构示意图；
图5为一个实施例中运行前述识别用户所在地理位置的类别的方法的计算机设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为解决传统技术中通过简单规则识别用户所在地理位置的类别的方法存在识别准确度不足的技术问题，特提出了一种识别用户所在地理位置的类别的方法。该方法的实现可依赖于计算机程序，该计算机程序可运行于基于冯诺依曼体系的计算机系统之上，该计算机程序可以是提供LBS服务的即时通信应用、社交网络应用或O2O(online tooffline，线上到线下的服务)应用的服务器程序，执行上述方法的计算机系统可以是运行即时通信应用、社交网络应用或O2O应用的服务器程序的服务器设备。
在本方法的应用场景中，用户终端上可设置有GPS装置，从而可实时地检测到用户终端所在的地理位置。用户终端上还安装有即时通信应用、社交网络应用或O2O应用的客户端，这些应用都基于LBS服务。服务器上预先设置有多个位置类型，例如居所、工作点、休闲区域等，还设置有存储时间-位置类型映射关系的表，对于用户终端上传的地理位置，通过获取其上传时间，再通过查询该映射表即可对用户所在地理位置的类别进行识别。
具体的，如图1所示，该识别用户所在地理位置的类别的方法包括：
步骤S102：接收用户终端在即时通信应用或社交网络应用中传输数据时上传的目标地理位置以及相应的上传时间，且一个目标地理位置对应至少一个上传时间。
服务器采集用户的地理位置是通过检测用户终端在即时通信应用或社交网络应用中传输数据来获取的。用户终端可在用户上传用户生成内容(User Generate Content)时，上传自身的地理位置。例如，用户在使用用户终端向另一用户发送消息时，或者向服务器上传照片，上传视频时，用户终端可在上传数据中附加通过GPS芯片获取的地理位置。再例如，用户在使用移动终端进行支付时，移动终端可将用户的地理位置上传至服务器。
在本实施例中，当用户在小范围内长时间活动时，会多次上传地理位置，服务器则可接收用户终端在即时通信应用或社交网络应用中传输数据时上传的至少一个地理位置。服务器可将该至少一个地理位置聚类得到目标地理位置，目标地理位置的上传时间为所述至少一个地理位置各自的上传时间。
例如，若用户在某个公园中玩耍了一天，并拍照发布了多次内容，则用户在该公园中将上传多个地理位置到服务器，且每个地理位置对应有独立的上传时间，但对于服务器而言，往往不需要精确到一个经纬度坐标，而只需要精确到一块区域即可，因此，可对多个上传的地理位置进行聚类，例如，如图2所示，可根据上传的地理位置的密集程度进行聚类，聚类得到的位置区域即为目标地理位置。但聚类的每个上传时间仍然保留，即将对应每个上传的地理位置的上传时间均设置为该目标地理位置的上传时间，也就是说，目标地理位置与上传时间可以是一对多的关系，其物理意义即为用户在某一个区域待了足够长的时间，并且多次上传地理位置。
步骤S104：获取预设的时间-位置类型映射关系，时间-位置类型映射关系中定义了与预设的时间区间对应的在各个预设的位置类型下的概率值。
服务器上预先定义有多个位置类型，例如：居所、工作点、休闲区域；
服务器上还预先定义有多个时间区间，例如：0点至6点，6点至9点等。
每个时间区间在各个预设的位置类型下均设置有概率值。例如，0点至6点的时间区间在位置类型“居所”下的概率值可设置为A，在位置类型“工作点”下的概率值可设置为B，在位置类型“休闲区域”下的概率值可设置为C。
如表1所述，表1展示了一个实施例中，工作日情况下的时间-位置类型
映射关系的映射表。
表1
时间区间 居住地概率 工作点概率 休闲区域概率
0-6 0.7 0.1 0.2
6-9 0.35 0.35 0.3
9-12 0.2 0.7 0.1
12-14 0.2 0.2 0.6
14-18 0.2 0.7 0.1
18-21 0.2 0.2 0.6
21-24 0.6 0.1 0.3
需要说明的是，此表仅用于表示预设的时间段与各个预设的位置类型的映射关系及其映射的概率值，实际产品中，服务器并不需要与此完全相同的表格。该映射关系可存储于多种数据结构。
由表1可知，服务器上预存的时间-位置类型映射关系中，预先划分有多个时间区间，如表1中的0-6、6-9、9-12等时间区间，每个时间区间中，各个位置类型对应有概率值。如0-6时间区间中，居住地的概率为0.7，工作点的概率为0.1，休闲区域的概率为0.2，其物理含义为，在凌晨到早上6点这个时间区间内，用户有较大的可能性(70％的概率)在居住地休息，有较小的可能性在工作点加班(10％的概率)或在娱乐场所玩耍(20％)的概率。
需要说明的是，预设的时间-位置类型映射关系还需要满足以下条件：
1.同一时间区间对应的在各个预设的位置类型下的概率值之和为1，即：
P(用户在居住地|T＝t)+P(用户在工作地|T＝t)+P(用户在休闲区域|T＝t)＝1
其物理含义就是说，同一时间，用户只能存在于所有预设的位置类型中的一个，即用户要么在居所，要么在工作地，要么在休闲区域，不可能同时位于两个地点，也不可能凭空消失。
2.同一位置类型在各个时间区间对应的概率值之和不为1，即：
其物理含义就是说，用户不可能所有时间均处于同一个地点，此时也这个时间-位置类型映射关系就变得没有意义。
如图3所示，图3展示的即为一种设计失败的时间-位置类型映射关系。
可选的，服务器上存储的时间-位置类型映射关系可不唯一，可根据不同的用户预先设计不同的时间-位置类型映射关系，即服务器可获取所述用户终端上在所述即时通信应用或社交网络应用上登录的用户账号的账号类型；获取预设的与所述账号类型对应的时间-位置类型映射关系。
例如，上白班的用户(9至17点上班)和上夜班的用户(22点至次日凌晨6点上班)的作息时间不同，因此在设计时间-位置类型映射关系时，在0-6时间段，上白班的用户对应的时间-位置类型映射关系中，居所的概率较大，而上夜班的用户对应的时间-位置类型映射关系中，工作点的概率较大。这样才能体现出较真实的概率，从而使得识别更加准确。
另外，服务器还可获取所述上传时间对应的预设的时间段，获取预设的与所述上传时间对应的时间段对应的时间-位置类型映射关系。
例如，工作日和节假日时，用户的生活习惯不同，则在同一时间区间时，居所、工作点和休闲区域的概率应该设计为不同。参考表2所示，表2展示了一个实施例中，节假日情况下的时间-位置类型映射关系的映射表。
需要说明的是，此表仅用于表示预设的时间段与各个预设的位置类型的映射关系及其映射的概率值，实际产品中，服务器并不需要与此完全相同的表格。该映射关系可存储于多种数据结构。
表2
时间区间 居住地概率 工作地概率 休闲区域概率
0-9 0.68 0.02 0.3
9-12 0.5 0.1 0.4
12-14 0.4 0.05 0.55
14-18 0.3 0.1 0.6
18-21 0.4 0.02 0.58
21-24 0.5 0.05 0.45
对比表1和表2可看出，在14-18的时间区间中，工作日用户在工作地的概率较大(70％的概率)，而在节假日，用户则在休闲区域的概率较大(60％的概率)。
服务器针对不同时间段(例如工作日和节假日)采用不同的时间-位置类型映射关系，可使得在同一时间区间时，用户在位置类型的概率更加符合相应用户习惯，从而使得识别更加准确。
步骤S106：遍历所述预设的位置类型，计算目标地理位置的上传时间在遍历到的位置类型下对应的概率值之和，得到目标地理位置在各个预设的位置类型下的隶属度。
例如，在表2所示节假日的场景中，目标地理位置L在位置类型为居所下的隶属度即为：
目标地理位置L在位置类型为工作点下的隶属度即为：
目标地理位置L在位置类型为休闲区域下的隶属度即为：
其中，n为目标地理位置L的上传时间的总次数，j为上传时间的序号。
步骤S108：根据目标地理位置在各个预设的位置类型下的隶属度识别目标地理位置的位置类型。
在本实施例中，在样本充足的情况下，即目标地理位置对应的上传时间的数量大于或等于阈值时，可通过统计方法得到目标地理位置在各个预设的位置类型下的隶属概率，具体为：
在所述目标地理位置对应的上传时间的数量大于或等于阈值时，计算所述目标地理位置在各个预设的位置类型下的隶属度之和，计算所述目标地理位置在各个预设的位置类型下的隶属度与所述隶属度之和的比值，得到目标地理位置在各个预设的位置类型下的隶属概率，根据所述目标地理位置在各个预设的位置类型下的隶属概率识别所述目标地理位置的位置类型。
例如，目标地理位置L在位置类型为居所下的隶属概率即为：
目标地理位置L在位置类型为工作地下的隶属概率即为：
目标地理位置L在位置类型为休闲区域下的隶属概率即为：
此时，可在P(L为居所)、P(L为工作地)和P(L为休闲区域)中，选择概率较大的位置类型作为目标地理位置的位置类型。而若三者的概率大小相近，则可提示用户进行人工标注。
而在所述目标地理位置对应的上传时间的数量小于阈值时，由于样本较少，则上述统计方法可靠性不足，因此可通过在所述目标地理位置在各个预设的位置类型下的隶属度与各自位置类型下的概率总和的比值，根据所述比值识别所述目标地理位置的位置类型。
具体的，目标地理位置L在位置类型为居所下的隶属度与位置类型为居所下的概率总和的比值为：
其中，m为所有时间区间的个数，i为所有预设时间区间的序号，如表2中，即为“居住地概率”所在列的概率值的总和。
目标地理位置L在位置类型为工作地下的隶属度与位置类型为工作地下的概率总和的比值为：
目标地理位置L在位置类型为休闲区域下的隶属度与位置类型为休闲区域下的概率总和的比值为：
此时，可在R(L为居所)、R(L为工作地)和R(L为休闲区域)中，选择最大的且大于阈值的比例对应的位置类型作为目标地理位置的位置类型。而若三者的比例大小相近，及最大的比例值小于阈值，则可提示用户进行人工标注。
进一步的，在根据目标地理位置在各个预设的位置类型下的隶属度识别所述目标地理位置的位置类型之后，服务器还可检测用户终端的地理位置，查找所述用户终端上传的地理位置的位置类型，选择与所述位置类型对应的数据内容向所述用户终端推送。
例如，当目标地理位置L被是被为休闲区域之后，当用户位于目标地理位置L时，若服务器检测到用户当前的位置，则可识别出用户当前处于休闲区域中，此时，即可向用户推送适合此时此地的一些导购、优惠或广告信息。这样，服务器向用户推送的内容即可更加符合用户当前身处的环境，从而使得推送内容更加准确。
进一步的，在根据目标地理位置在各个预设的位置类型下的隶属度识别所述目标地理位置的位置类型之后，服务器还可计算在所述预设的位置类型下的地理位置的分布；获取所述用户终端上在所述即时通信应用或社交网络应用上登录的用户账号；根据所述位置类型下的地理位置的分布确定所述用户账号的信用评级。
例如，若目标地理位置L1为商业中心区，若被识别为某用户的居所，由于通过互联网抓取的数据分析此地房价较高，则征信系统的服务器可判断出该用户在商业中心区有房产，因此具有较高的信用评级；相应的，若有多个目标地理位置均被识别为某用户的居所，则征信系统的服务器可判断出该用户可能有多处房产，因此也可赋予该用户较高的信用评级。而若目标地理位置L1被识别为该用户的工作地，而位置偏远，周边房价较低的L2被识别为该用户的居所，则征信系统的服务器可判断出该用户仅仅为在商业中心区工作的员工，且居所的住房价值较低，因此仅赋予该用户较低的信用评级。
上述结合用户所在地理位置的类别为用户设置信用评级的方式，相当于传统技术中，主要基于银行流水及用户的过往信贷记录等数据，建立一个评分模型对用户的“信用度”赋予一个量化评分的征信系统而言，采用了用户被动的行为记录和活动记录来判别用户实际的经济实力，可防止用户在传统的征信系统中伪造数据(例如利用短时间大额资金的存入存出来制造较高的银行流水的假象)，从而可使得信用评级更加准确。
需要说明的是，上述方法可以实时处理不断获取到的地理位置数据流，当用C/C++、Java等编程语言写成单独的应用软件或大型软件系统中的专用模块后，可以运行于服务器端，将接收到的来自单个或众多用户移动客户端的、原始地理位置数据或经过处理的各级中间数据或最终结果，与服务器上的历史数据或结果，再次综合计算得到更新的结果，然后实时或非实时地输出给其他应用程序或模块使用，也可以写入服务器端数据库或文件进行存储。
上述方法还可以实现在多台服务器构成的分布式、并行计算平台上，搭载定制的、易于交互的Web界面或其他各类UI界面，形成供个人、群体或企业使用的“地理位置数据挖掘平台”。使用者可以将已有的数据包批量上传给此“地理位置数据挖掘平台”以获得类别判定结果，也可以将实时的数据流传输给此“地理位置数据挖掘平台”来实时计算和刷新类别识别结果。
此外，为解决传统技术中通过简单规则识别用户所在地理位置的类别的方法存在识别准确度不足的技术问题，在本实施例中还提出了一种识别用户所在地理位置的类别的装置，如图4所示，上述识别用户所在地理位置的类别的装置包括地理位置采集模块102、映射关系获取模块104、隶属度计算模块106以及类型识别模块108，其中：
地理位置采集模块102，用于接收用户终端在即时通信应用或社交网络应用中传输数据时上传的目标地理位置以及相应的上传时间，且一个目标地理位置对应至少一个上传时间；
映射关系获取模块104，用于获取预设的时间-位置类型映射关系，所述时间-位置类型映射关系中定义了与预设的时间区间对应的在各个预设的位置类型下的概率值；
隶属度计算模块106，用于遍历所述预设的位置类型，计算目标地理位置的上传时间在遍历到的位置类型下对应的概率值之和，得到目标地理位置在各个预设的位置类型下的隶属度；
类型识别模块108，用于根据目标地理位置在各个预设的位置类型下的隶属度识别所述目标地理位置的位置类型。
可选的，在一个实施例中，所述地理位置采集模块102还用于接收用户终端在即时通信应用或社交网络应用中传输数据时上传的至少一个地理位置，将所述至少一个地理位置聚类得到目标地理位置，所述目标地理位置的上传时间为所述至少一个地理位置各自的上传时间。
可选的，在一个实施例中，所述映射关系获取模块104还用于获取所述用户终端上在所述即时通信应用或社交网络应用上登录的用户账号的账号类型；获取预设的与所述账号类型对应的时间-位置类型映射关系。
可选的，在一个实施例中，所述映射关系获取模块104还用于获取所述上传时间对应的预设的时间段，获取预设的与所述上传时间对应的时间段对应的时间-位置类型映射关系。
可选的，在一个实施例中，所述预设的时间-位置类型映射关系中：同一时间区间对应的在各个预设的位置类型下的概率值之和为1；同一位置类型在各个时间区间对应的概率值之和不为1。
可选的，在一个实施例中，所述类型识别模块108还用于在所述目标地理位置对应的上传时间的数量大于或等于阈值时，计算所述目标地理位置在各个预设的位置类型下的隶属度之和，计算所述目标地理位置在各个预设的位置类型下的隶属度与所述隶属度之和的比值，得到目标地理位置在各个预设的位置类型下的隶属概率，根据所述目标地理位置在各个预设的位置类型下的隶属概率识别所述目标地理位置的位置类型。
可选的，在一个实施例中，所述类型识别模块108还用于在所述目标地理位置对应的上传时间的数量小于阈值时，在所述目标地理位置在各个预设的位置类型下的隶属度与各自位置类型下的概率总和的比值，根据所述比值识别所述目标地理位置的位置类型。
可选的，在一个实施例中，如图4所示，上述装置还包括内容推送模块110，用于检测用户终端的地理位置，查找所述用户终端上传的地理位置的位置类型，选择与所述位置类型对应的数据内容向所述用户终端推送。
可选的，在一个实施例中，如图4所示，上述装置还包括信用评价模块112，用于计算在所述预设的位置类型下的地理位置的分布；获取所述用户终端上在所述即时通信应用或社交网络应用上登录的用户账号；根据所述位置类型下的地理位置的分布确定所述用户账号的信用评级。
实施本发明实施例，将具有如下有益效果：
在上述识别用户所在地理位置的类别的方法及装置中，由于用户日常活动的规律性，用户在某个时间区间位于特定位置类别的地点的概率也具有一定的规律。因此，服务器上预设有时间-位置类型映射关系，且时间-位置类型映射关系中定义了与预设的时间区间对应的在各个预设的位置类型下的概率值。服务器可根据目标地理位置的上传时间，在上述映射关系中查找目标地理位置在各个位置类型下的概率值之和构成的隶属度，从而使得服务器可根据该隶属度识别出用户所在的地理位置的类别。以此种方式识别用户所在地理位置的类别，采用的依据为用户在使用即时通信应用或社交网络应用时被动产生的活动记录，因此不存在伪造的成分，且识别方式基于用户日常生活的客观规律，因此，识别的准确度较高。
在一个实施例中，如图5所示，图5展示了一种运行上述识别用户所在地理位置的类别的方法的基于冯诺依曼体系的计算机系统的终端10。该计算机系统可以是智能手机、平板电脑、掌上电脑，笔记本电脑或个人电脑等终端设备。具体的，可包括通过系统总线连接的外部输入接口1001、处理器1002、存储器1003和输出接口1004。其中，外部输入接口1001可选的可至少包括网络接口10012。存储器1003可包括外存储器10032(例如硬盘、光盘或软盘等)和内存储器10034。输出接口1004可至少包括显示屏10042等设备。
在本实施例中，本方法的运行基于计算机程序，该计算机程序的程序文件存储于前述基于冯诺依曼体系的计算机系统10的外存储器10032中，在运行时被加载到内存储器10034中，然后被编译为机器码之后传递至处理器1002中执行，从而使得基于冯诺依曼体系的计算机系统10中形成逻辑上的地理位置采集模块102、映射关系获取模块104、隶属度计算模块106以及类型识别模块108。且在上述识别用户所在地理位置的类别的方法执行过程中，输入的参数均通过外部输入接口1001接收，并传递至存储器1003中缓存，然后输入到处理器1002中进行处理，处理的结果数据或缓存于存储器1003中进行后续地处理，或被传递至输出接口1004进行输出。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (18)

1.一种识别用户所在地理位置的类别的方法，其特征在于，包括：
接收用户终端在即时通信应用或社交网络应用中传输数据时上传的目标地理位置以及相应的上传时间，且一个目标地理位置对应至少一个上传时间；
获取预设的时间-位置类型映射关系，所述时间-位置类型映射关系中定义了与预设的时间区间对应的在各个预设的位置类型下的概率值；
遍历所述预设的位置类型，计算目标地理位置的上传时间在遍历到的位置类型下对应的概率值之和，通过公式
得到目标地理位置在各个预设的位置类型下的隶属度；其中，n为目标地理位置L的上传时间的总次数，j为上传时间的序号；
根据目标地理位置在各个预设的位置类型下的隶属度识别所述目标地理位置的位置类型。
2.根据权利要求1所述的识别用户所在地理位置的类别的方法，其特征在于，所述接收用户终端在即时通信应用或社交网络应用中传输数据时上传的目标地理位置还包括：
接收用户终端在即时通信应用或社交网络应用中传输数据时上传的至少一个地理位置，将所述至少一个地理位置聚类得到目标地理位置，所述目标地理位置的上传时间为所述至少一个地理位置各自的上传时间。
3.根据权利要求1所述的识别用户所在地理位置的类别的方法，其特征在于，所述获取预设的时间-位置类型映射关系还包括：
获取所述用户终端上在所述即时通信应用或社交网络应用上登录的用户账号的账号类型；
获取预设的与所述账号类型对应的时间-位置类型映射关系。
4.根据权利要求1所述的识别用户所在地理位置的类别的方法，其特征在于，所述获取预设的时间-位置类型映射关系还包括：
获取所述上传时间对应的预设的时间段，获取预设的与所述上传时间对应的时间段对应的时间-位置类型映射关系。
5.根据权利要求1所述的识别用户所在地理位置的类别的方法，其特征在于，所述预设的时间-位置类型映射关系中：
同一时间区间对应的在各个预设的位置类型下的概率值之和为1；
同一位置类型在各个时间区间对应的概率值之和不为1。
6.根据权利要求1所述的识别用户所在地理位置的类别的方法，其特征在于，所述根据目标地理位置在各个预设的位置类型下的隶属度识别所述目标地理位置的位置类型包括：
在所述目标地理位置对应的上传时间的数量大于或等于阈值时，计算所述目标地理位置在各个预设的位置类型下的隶属度之和，计算所述目标地理位置在各个预设的位置类型下的隶属度与所述隶属度之和的比值，得到目标地理位置在各个预设的位置类型下的隶属概率，根据所述目标地理位置在各个预设的位置类型下的隶属概率识别所述目标地理位置的位置类型。
7.根据权利要求1所述的识别用户所在地理位置的类别的方法，其特征在于，所述根据目标地理位置在各个预设的位置类型下的隶属度识别所述目标地理位置的位置类型包括：
在所述目标地理位置对应的上传时间的数量小于阈值时，在所述目标地理位置在各个预设的位置类型下的隶属度与各自位置类型下的概率总和的比值，根据所述比值识别所述目标地理位置的位置类型。
8.根据权利要求1所述的识别用户所在地理位置的类别的方法，其特征在于，所述根据目标地理位置在各个预设的位置类型下的隶属度识别所述目标地理位置的位置类型之后还包括：
检测用户终端的地理位置，查找所述用户终端上传的地理位置的位置类型，选择与所述位置类型对应的数据内容向所述用户终端推送。
9.根据权利要求1所述的识别用户所在地理位置的类别的方法，其特征在于，所述根据目标地理位置在各个预设的位置类型下的隶属度识别所述目标地理位置的位置类型之后还包括：
计算在所述预设的位置类型下的地理位置的分布；
获取所述用户终端上在所述即时通信应用或社交网络应用上登录的用户账号；
根据所述位置类型下的地理位置的分布确定所述用户账号的信用评级。
10.一种识别用户所在地理位置的类别的装置，其特征在于，包括：
地理位置采集模块，用于接收用户终端在即时通信应用或社交网络应用中传输数据时上传的目标地理位置以及相应的上传时间，且一个目标地理位置对应至少一个上传时间；
映射关系获取模块，用于获取预设的时间-位置类型映射关系，所述时间-位置类型映射关系中定义了与预设的时间区间对应的在各个预设的位置类型下的概率值；
隶属度计算模块，用于遍历所述预设的位置类型，计算目标地理位置的上传时间在遍历到的位置类型下对应的概率值之和，通过公式
得到目标地理位置在各个预设的位置类型下的隶属度；其中，n为目标地理位置L的上传时间的总次数，j为上传时间的序号；
类型识别模块，用于根据目标地理位置在各个预设的位置类型下的隶属度识别所述目标地理位置的位置类型。
11.根据权利要求10所述的识别用户所在地理位置的类别的装置，其特征在于，所述地理位置采集模块还用于接收用户终端在即时通信应用或社交网络应用中传输数据时上传的至少一个地理位置，将所述至少一个地理位置聚类得到目标地理位置，所述目标地理位置的上传时间为所述至少一个地理位置各自的上传时间。
12.根据权利要求10所述的识别用户所在地理位置的类别的装置，其特征在于，所述映射关系获取模块还用于获取所述用户终端上在所述即时通信应用或社交网络应用上登录的用户账号的账号类型；获取预设的与所述账号类型对应的时间-位置类型映射关系。
13.根据权利要求10所述的识别用户所在地理位置的类别的装置，其特征在于，所述映射关系获取模块还用于获取所述上传时间对应的预设的时间段，获取预设的与所述上传时间对应的时间段对应的时间-位置类型映射关系。
14.根据权利要求10所述的识别用户所在地理位置的类别的装置，其特征在于，所述预设的时间-位置类型映射关系中：
同一时间区间对应的在各个预设的位置类型下的概率值之和为1；
同一位置类型在各个时间区间对应的概率值之和不为1。
15.根据权利要求10所述的识别用户所在地理位置的类别的装置，其特征在于，所述类型识别模块还用于在所述目标地理位置对应的上传时间的数量大于或等于阈值时，计算所述目标地理位置在各个预设的位置类型下的隶属度之和，计算所述目标地理位置在各个预设的位置类型下的隶属度与所述隶属度之和的比值，得到目标地理位置在各个预设的位置类型下的隶属概率，根据所述目标地理位置在各个预设的位置类型下的隶属概率识别所述目标地理位置的位置类型。
16.根据权利要求10所述的识别用户所在地理位置的类别的装置，其特征在于，所述类型识别模块还用于在所述目标地理位置对应的上传时间的数量小于阈值时，在所述目标地理位置在各个预设的位置类型下的隶属度与各自位置类型下的概率总和的比值，根据所述比值识别所述目标地理位置的位置类型。
17.根据权利要求10所述的识别用户所在地理位置的类别的装置，其特征在于，所述装置还包括内容推送模块，用于检测用户终端的地理位置，查找所述用户终端上传的地理位置的位置类型，选择与所述位置类型对应的数据内容向所述用户终端推送。
18.根据权利要求10所述的识别用户所在地理位置的类别的装置，其特征在于，所述装置还包括信用评价模块，用于计算在所述预设的位置类型下的地理位置的分布；获取所述用户终端上在所述即时通信应用或社交网络应用上登录的用户账号；根据所述位置类型下的地理位置的分布确定所述用户账号的信用评级。
CN201610410598.0A 2016-06-12 2016-06-12 识别用户所在地理位置的类别的方法及装置 Active CN106101224B (zh)

Priority Applications (6)

Application Number Priority Date Filing Date Title
CN201610410598.0A CN106101224B (zh) 2016-06-12 2016-06-12 识别用户所在地理位置的类别的方法及装置
JP2018542148A JP6689515B2 (ja) 2016-06-12 2017-06-09 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
EP17812634.8A EP3471374B1 (en) 2016-06-12 2017-06-09 Method and device for identifying type of geographic location at where user is located
KR1020187022746A KR102121361B1 (ko) 2016-06-12 2017-06-09 사용자가 위치되는 지리적 위치의 유형을 식별하기 위한 방법 및 디바이스
PCT/CN2017/087721 WO2017215523A1 (zh) 2016-06-12 2017-06-09 识别用户所在地理位置的类别的方法及装置
US15/981,978 US11252534B2 (en) 2016-06-12 2018-05-17 Method and apparatus for identifying types of user geographical locations

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610410598.0A CN106101224B (zh) 2016-06-12 2016-06-12 识别用户所在地理位置的类别的方法及装置

Publications (2)

Publication Number Publication Date
CN106101224A CN106101224A (zh) 2016-11-09
CN106101224B true CN106101224B (zh) 2018-07-17

Family

ID=57845145

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610410598.0A Active CN106101224B (zh) 2016-06-12 2016-06-12 识别用户所在地理位置的类别的方法及装置

Country Status (6)

Country Link
US (1) US11252534B2 (zh)
EP (1) EP3471374B1 (zh)
JP (1) JP6689515B2 (zh)
KR (1) KR102121361B1 (zh)
CN (1) CN106101224B (zh)
WO (1) WO2017215523A1 (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106101224B (zh) * 2016-06-12 2018-07-17 腾讯科技（深圳）有限公司 识别用户所在地理位置的类别的方法及装置
CN107103037B (zh) * 2017-03-22 2020-06-26 华为机器有限公司 一种地理区域的社会功能的识别方法与终端设备
CN108897757B (zh) * 2018-05-14 2023-08-22 平安科技（深圳）有限公司 一种照片存储方法、存储介质和服务器
CN109086323A (zh) * 2018-06-28 2018-12-25 上海中通吉网络技术有限公司 用户家庭和工作地址的确定方法和系统
CN109672715A (zh) * 2018-09-13 2019-04-23 深圳壹账通智能科技有限公司 用户常驻地判断方法、装置、设备及计算机可读存储介质
CN111105261B (zh) * 2018-10-29 2024-04-19 北京奇虎科技有限公司 一种用户识别方法、装置、电子设备和存储介质
CN111126120B (zh) * 2018-11-01 2024-02-23 百度在线网络技术（北京）有限公司 城市区域分类方法、装置、设备和介质
CN111222056B (zh) * 2018-11-26 2023-07-25 中国移动通信集团重庆有限公司 相关用户的匹配方法、装置、设备和介质
CN109889370B (zh) * 2019-01-10 2021-12-21 中国移动通信集团海南有限公司 一种网络设备位置确定方法、装置及计算机可读存储介质
CN110730207B (zh) * 2019-09-06 2022-03-29 平安科技（深圳）有限公司 基于位置服务的位置识别方法、装置、设备及存储介质
CN110717006B (zh) * 2019-10-12 2022-09-20 广东小天才科技有限公司 用户学校位置的分析方法、系统、存储介质及电子设备
CN112560910B (zh) * 2020-12-02 2024-03-01 中国联合网络通信集团有限公司 用户分类方法和装置
CN112883815B (zh) * 2021-01-26 2022-11-29 首都师范大学 一种农机具自动监管方法、系统及服务器

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103312755A (zh) * 2012-03-14 2013-09-18 腾讯科技（深圳）有限公司 基于地理位置的内容分享方法及装置
CN103905978A (zh) * 2012-12-27 2014-07-02 中国电信股份有限公司 基于位置的信息推送方法、推送装置和网络
CN103942853A (zh) * 2014-05-04 2014-07-23 青岛中瑞汽车服务有限公司 基于lbs数据库的汽车信息采集装置和风险分析方法
CN105357638A (zh) * 2015-11-06 2016-02-24 百度在线网络技术（北京）有限公司 预测预定时刻的用户位置的方法和装置

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8265611B2 (en) * 2006-05-19 2012-09-11 Alcatel Lucent Traffic-synchronized location measurement
US9525653B2 (en) 2006-05-22 2016-12-20 Bank Of America Corporation Enhanced wireless short message service
US10163113B2 (en) * 2008-05-27 2018-12-25 Qualcomm Incorporated Methods and apparatus for generating user profile based on periodic location fixes
JP5665767B2 (ja) * 2009-12-09 2015-02-04 泰 四尾 情報配信装置、情報配信システム、情報配信方法、及びプログラム
US20110167073A1 (en) * 2010-01-04 2011-07-07 Rosenberg Erel system and method for in-depth analysis of location and time based patterns in cellular networks
JP5433472B2 (ja) * 2010-03-23 2014-03-05 日本電信電話株式会社 行動予測装置、方法及びプログラム
US8521128B1 (en) * 2011-12-09 2013-08-27 Google Inc. Method, system, and computer program product for obtaining crowd-sourced location information
CN103729387A (zh) * 2012-10-16 2014-04-16 北京糯米网科技发展有限公司 数据推送方法及装置
US20140222570A1 (en) 2012-11-17 2014-08-07 Teoco Corporation System, Method, and Computer Program Product For Probabilistically Derived Predictive Location Based Targeted Promotion
US9094795B2 (en) * 2013-02-06 2015-07-28 Facebook, Inc. Routine estimation
CN103227821B (zh) * 2013-04-03 2015-07-01 腾讯科技（深圳）有限公司 一种目标用户位置数据的处理方法及装置
CN103248723B (zh) * 2013-04-10 2015-11-25 腾讯科技（深圳）有限公司 一种ip地址所在区域的确定方法及装置
JP6175346B2 (ja) 2013-10-21 2017-08-02 株式会社Ｎｔｔドコモ 滞留目的推定装置および滞留目的推定方法
US9443326B2 (en) * 2013-12-10 2016-09-13 Microsoft Technology Licensing, Llc Semantic place labels
CN104796858B (zh) * 2015-03-23 2017-12-15 电子科技大学 一种位置服务中基于假位置和几何学的位置隐私保护方法
WO2017025134A1 (en) * 2015-08-11 2017-02-16 Telecom Italia S.P.A. Method and system for computing an o-d matrix obtained through radio mobile network data
CN106101224B (zh) * 2016-06-12 2018-07-17 腾讯科技（深圳）有限公司 识别用户所在地理位置的类别的方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103312755A (zh) * 2012-03-14 2013-09-18 腾讯科技（深圳）有限公司 基于地理位置的内容分享方法及装置
CN103905978A (zh) * 2012-12-27 2014-07-02 中国电信股份有限公司 基于位置的信息推送方法、推送装置和网络
CN103942853A (zh) * 2014-05-04 2014-07-23 青岛中瑞汽车服务有限公司 基于lbs数据库的汽车信息采集装置和风险分析方法
CN105357638A (zh) * 2015-11-06 2016-02-24 百度在线网络技术（北京）有限公司 预测预定时刻的用户位置的方法和装置

Also Published As

Publication number Publication date
JP6689515B2 (ja) 2020-04-28
EP3471374B1 (en) 2020-07-22
WO2017215523A1 (zh) 2017-12-21
JP2019512764A (ja) 2019-05-16
EP3471374A1 (en) 2019-04-17
US20180270616A1 (en) 2018-09-20
EP3471374A4 (en) 2019-06-12
US11252534B2 (en) 2022-02-15
KR20180101472A (ko) 2018-09-12
CN106101224A (zh) 2016-11-09
KR102121361B1 (ko) 2020-06-10

Similar Documents

Publication Publication Date Title
CN106101224B (zh) 识别用户所在地理位置的类别的方法及装置
US10991248B2 (en) Parking identification and availability prediction
US20200285374A1 (en) Systems and methods for geospatial value subject analysis and management
Vu et al. Who leads the conversation on climate change?: A study of a global network of NGOs on Twitter
US10275530B2 (en) System and method for communal search
US10467311B2 (en) Communication system and method of generating geographic social networks in virtual space
JP6276106B2 (ja) 意思決定支援システムおよび意思決定支援方法
US20120284333A1 (en) Collection and analysis of location data from location-aware mobile devices on a network
CN104254865A (zh) 凭经验的专家确定和问题路由系统和方法
CN112861972B (zh) 一种展业区域的选址方法、装置、计算机设备和介质
WO2013039573A2 (en) System and method for providing internet and mobile based social/geo/promo link promotional and coupon data sets for end user display of interactive location-based advertising, location-based deals and offers and location-based services, ad links, promotions, mobile coupons, promotions and sale of consumer, business, government, sports, or educational related products, goods, gambling, or services, integrated with 3d spatial geomapping, mobile mapping, company and local information for selected worldwide locations and social shopping and social networking
Vivacqua et al. Collective intelligence for the design of emergency response
JP6590417B2 (ja) 判別装置、判別方法、判別プログラム、判別システム
CN102354284A (zh) 即时通信中用以设置地理对应信息的方法及系统
CN111723959A (zh) 区域的划分方法、装置、存储介质及电子装置
CN107038620A (zh) 基于用户打车偏好的信息推送及装置
US20080177794A1 (en) Street quality assessment method and system
Devkota et al. An exploratory study on the generation and distribution of geotagged tweets in Nepal
CN106487825A (zh) 信息关联方法及装置
Wang et al. Deployment optimization for camera network coupling with geographic environment
CN109509063B (zh) 一种无固定场所的虚拟实验室运营管理方法及其装置
Chen et al. FSLens: A Visual Analytics Approach to Evaluating and Optimizing the Spatial Layout of Fire Stations
Lafazani et al. Applying multiple and logistic regression models to investigate periurban processes in Thessaloniki, Greece
AL-Qutami et al. Personnel real time tracking in hazardous areas using wearable technologies and machine learning
CN109525664B (zh) 位置获取方法、装置和存储介质

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20180926

Address after: 101000 Beijing Haidian District Zhichun Road 49 No. 3 West 309

Patentee after: Tencent cloud computing (Beijing) limited liability company

Address before: 518000 East 403 room, Sai Ge science and Technology Park, Futian District Zhenxing Road, Shenzhen, Guangdong, China, 2

Patentee before: Tencent Technology (Shenzhen) Co., Ltd.