CN107547633A - 一种用户常驻点的处理方法、装置和存储介质 - Google Patents
一种用户常驻点的处理方法、装置和存储介质 Download PDFInfo
- Publication number
- CN107547633A CN107547633A CN201710623015.7A CN201710623015A CN107547633A CN 107547633 A CN107547633 A CN 107547633A CN 201710623015 A CN201710623015 A CN 201710623015A CN 107547633 A CN107547633 A CN 107547633A
- Authority
- CN
- China
- Prior art keywords
- positional information
- user
- point
- active cell
- frequency
- 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
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明实施例公开了一种用户常驻点的处理方法、装置和存储介质;本发明实施例在获取到用户在预设时间内的多个活跃位置信息后,可以将属于同一预设区域内的活跃位置信息进行合并,并对合并得到的多个活跃小区进行聚类运算,以得到多个活跃区域,然后,从中选择满足预设条件的活跃区域作为该用户的常驻点;该方案可以节省计算资源和时间,提高处理效率。
Description
技术领域
本发明涉及通信技术领域,具体涉及一种用户常驻点的处理方法、装置和存储介质。
背景技术
随着智能移动终端(简称移动终端)的普及,人们的生活也越来越为便利,比如,当你到达某个地区时,系统会自动给你推送附近的美食,当你回到家时,会自动帮你开空调,等等,而这些,往往需要基于用户常驻点的发现。所谓用户常驻点(即用户的常驻点),指的用户在一段时间内出现频次超过一定阈值的地点。
在现有技术中,用户常驻点的发现,一般需要通过对用户上报的经纬度进行聚类来得到。例如,服务器可以获取用户所在移动终端的终端标识,比如国际移动设备识别码(IMEI,International Mobile Equipment Identity)等,然后,根据该终端标识确定该移动终端当前所在的经纬度,对该经纬度进行聚类,并基于聚类结果确定用户常驻点,等等。
在对现有技术的研究和实践过程中,本发明的发明人发现,在现有方案中,由于用户上报的数据量过大,且复杂度较高,因此,需要消耗较多的计算资源和时间,处理效率较低。
发明内容
本发明实施例提供一种用户常驻点的处理方法、装置和存储介质,可以节省计算资源和时间,提高处理效率。
本发明实施例提供一种用户常驻点的处理方法,包括:
获取用户在预设时间内的多个活跃位置信息,所述活跃位置信息为用户在所述预设时间内,出现频率大于预设值的位置信息;
将属于同一预设区域内的活跃位置信息进行合并,得到多个活跃小区;
对所述多个活跃小区进行聚类运算,得到多个活跃区域;
选择满足预设条件的活跃区域作为所述用户的常驻点。
相应的,本发明实施例还提供一种用户常驻点的处理装置,包括:
获取单元,用于获取用户在预设时间内的多个活跃位置信息,所述活跃位置信息为用户在所述预设时间内,出现频率大于预设值的位置信息;
合并单元,用于将属于同一预设区域内的活跃位置信息进行合并,得到多个活跃小区;
聚类单元,用于对所述多个活跃小区进行聚类运算,得到多个活跃区域;
筛选单元,用于选择满足预设条件的活跃区域作为所述用户的常驻点。
此外,本发明实施例还提供一种存储介质,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行本发明实施例所提供的任一种用户常驻点的处理方法中的步骤。
本发明实施例在获取到用户在预设时间内的多个活跃位置信息后,可以将属于同一预设区域内的活跃位置信息进行合并,并对合并得到的多个活跃小区进行聚类运算,以得到多个活跃区域,然后,从中选择满足预设条件的活跃区域作为该用户的常驻点;由于该方案获取的基础数据为活跃位置信息,即用户出现频率大于预设值的位置信息,而且,在进行聚类运算之前,已经对属于同一预设区域内的活跃位置信息进行了初始合并,所以,可以大大减少需要处理的数据量,以及降低计算的复杂度,相对于现有直接对大量数据进行聚类运算的方案而言,不仅可以减少计算资源的消耗,而且,可以大大减少计算时间,提高处理效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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。
图1a是本发明实施例提供的用户常驻点的处理方法的场景示意图;
图1b是本发明实施例提供的用户常驻点的处理方法的架构示意图;
图1c是本发明实施例提供的用户常驻点的处理方法的流程图;
图1d为活跃位置信息映射至网格后的示例图;
图1e为本发明实施例提供的用户常驻点的处理方法中初始合并的示例图;
图1f为本发明实施例提供的用户常驻点的处理方法中聚类的示例图;
图1g为本发明实施例提供的用户常驻点的处理方法中常驻点的示例图;
图2a是本发明实施例提供的用户常驻点的处理方法的另一流程图;
图2b是本发明实施例提供的用户常驻点的处理方法中的界面示例图;
图2c是本发明实施例提供的用户常驻点的处理方法中的另一界面示例图;
图3a是本发明实施例提供的用户常驻点的处理装置的结构示意图;
图3b是本发明实施例提供的用户常驻点的处理装置的另一结构示意图;
图4是本发明实施例提供的服务器的结构示意图。
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。
本发明实施例提供一种用户常驻点的处理方法、装置和存储介质。
该用户常驻点的处理装置具体可以集成在服务器等设备中。例如,以该用户常驻点的处理装置具体可以集成在服务器中为例,参见图1a,服务器可以获取用户在预设时间内的多个活跃位置信息,然后,将属于同一预设区域内的活跃位置信息进行合并,并对合并得到的多个活跃小区进行聚类运算,以得到多个活跃区域,此后,选择满足预设条件的活跃区域作为该用户的常驻点,以供其他业务使用。
其中,活跃位置信息指的是用户出现频率大于预设值的位置信息,该位置信息可以由终端进行采集,并提供给服务器。比如,如图1b所示,在数据采集方面,服务器可以通过识别用户周围的Wifi信号来获取用户的位置信息,然后,根据这些位置信息确定用户的活跃位置信息,并对活跃位置信息进行初始合并,得到多个活跃小区;此后,便可以对这些活跃小区(即中图的小圆点,不同的小圆点代表不同区域的活跃小区)进行聚类处理,使得每一个聚类代表一个活跃区域,其中,满足预设条件的活跃区域即为该用户的常驻点。可选的,可以根据用户出现在这些常驻点的时间规律来确定各个常驻点的类型,比如,是工作地、住所还是其他地点,等等;譬如,参见图1b,在进行数据输出时,可以将类型为“工作地”的常驻点标识为“公司”,将类型为“住所”的常驻点标识为“家庭”、还可以根据地理标识将类型为“其他地点”的常驻点标识为相应的名称,比如“商圈”和/或“公园”等。
以下将分别进行详细说明。需说明的是,以下实施例的序号不作为对实施例优选顺序的限定。
实施例一、
本实施例将从用户常驻点的处理装置的角度进行描述,该用户常驻点的处理装置具体可以集成在服务器等设备中。
一种用户常驻点的处理方法,包括:获取用户在预设时间内的多个活跃位置信息,将属于同一预设区域内的活跃位置信息进行合并,得到多个活跃小区;对该多个活跃小区进行聚类运算,得到多个活跃区域,选择满足预设条件的活跃区域作为该用户的常驻点。
如图1c所示,该用户常驻点的处理方法的具体流程可以如下:
101、获取用户在预设时间内的多个活跃位置信息。
例如,具体可以从本地(即用户常驻点的处理装置所在的设备)或其他存储设备中获取用户在预设时间内的多个活跃位置信息。
其中,该预设时间可以根据实际应用的需求进行设置,比如,可以设置为1周或一个月,等等。而该活跃位置信息则指的是用户在该预设时间内,出现频率大于预设值的位置信息。
其中,位置信息可以包括用户所在终端的终端标识、该位置的经纬度、该位置的地理标识、用户出现在该位置时的时间戳、和/或用户在该位置停留的时长等信息。该终端标识可以包括终端的国际移动设备识别码(IMEI,International Mobile EquipmentIdentity)或客户识别模块(SIM,Subscriber Identity Module)识别码等;该位置的经纬度可以包括该位置的经度信息和纬度信息;该位置的地理标识可以包括该位置的编号或名称等信息,比如该位置的地铁站名称、公交站名或标志性建筑名称等。
可选的,该活跃位置信息可以由该用户常驻点的处理装置预选进行采集,并保存在预设存储位置,比如本地(即用户常驻点的处理装置所在的设备)存储单元或其他存储设备中,在需要时,从该存储位置中获取。即可选的,在步骤“获取用户在预设时间内的多个活跃位置信息”之前,该用户常驻点的处理方法还可以包括:
对用户的位置信息进行实时采集,并统计该位置信息在预设期限内的出现频率,在该位置信息的出现频率大于预设值时,将该位置信息确定为活跃位置信息。
其中,该预设期限和预设值可以根据实际应用的需求进行设置,而用户位置信息的采集也可以有多种,比如,可以通过全球定位系统(GPS,Global Positioning System)来进行定位和采集,或者,也可以通过基站来进行定位和采集,又或者,还可以通过对用户周边无线保真(Wifi,Wireless Fidelity)信号的识别来进行定位和采集,等等。
例如,以通过对用户周边Wifi信号的识别来进行定位和采集为例,则步骤“对用户的位置信息进行实时采集”可以包括:
获取用户所在终端的Wifi列表和终端标识,查询该Wifi列表每个Wifi信号对应的地理位置坐标,计算查询到的地理位置坐标的均值,得到用户当前的地理位置坐标,根据用户当前的地理位置坐标获取相应的地理标识、用户出现在该位置时的时间戳、和/或用户在该位置停留的时长等信息,得到用户的位置信息。
其中,地理位置坐标具体可以为经纬度或其他可以标识地理位置的信息。需说明的是,为了描述描述方便,在本发明实施例中,将均以该地理位置坐标具体为经纬度为例进行说明。
此外,还需说明的是,Wifi列表的获取方式可以有多种,比如,可以由该用户常驻点的处理装置(比如服务器)向终端进行请求,或者,也可以由用户所在的终端自行进行上报,等等。
可选的,当由终端自行进行上报时,除了可以定时进行上报或由用户触发进行上报之外,为了节省信令流程和网络资源,可以在识别到Wifi列表发生变化时,才进行上报,即在用户打开Wifi开关的前提下,若在其活动范围之内,终端识别到的Wifi列表发生变化,则可以将增量变化的Wifi列表发送给该用户常驻点的处理装置,由用户常驻点的处理装置根据该增量变化的Wifi列表对原有的Wifi列表进行更新,然后,根据更新后的Wifi列表来确定用户的位置信息,等等,在此不再赘述。
102、将属于同一预设区域内的活跃位置信息进行合并,得到多个活跃小区。
其中,合并的方式可以有多种,例如,可以将预设经纬度范围内的活跃位置信息进行合并,或者,也可以根据某种编码方式将各个活跃位置信息的经纬度映射为某种编码,然后,基于这些编码对这些活跃位置信息进行合并,等等。
其中,该编码方式可以根据实际应用的需求而定,比如,可以采用地理散列算法(Geohash)将各个活跃位置信息的经纬度转换为字符串编码,等等。即步骤“将属于同一预设区域内的活跃位置信息进行合并,得到多个活跃小区”可以包括:
(1)从各个活跃位置信息中提取经纬度。
(2)对每个活跃位置信息的经纬度进行计算,得到每个活跃位置信息的网格哈希值。
例如,具体可以采用Geohash算法对每个活跃位置信息的经纬度进行计算,得到每个活跃位置信息的网格哈希值。比如,具体可以如下:
采用Geohash算法分别对每个活跃位置信息的纬度进行逼近编码,得到各个活跃位置信息对应的纬度编码;采用Geohash算法分别对每个活跃位置信息的经度进行逼近编码,得到各个活跃位置信息对应的经度编码;根据每个活跃位置信息的纬度编码和经度编码分别确定每个活跃位置信息的网格哈希值。
其中,根据每个活跃位置信息的纬度编码和经度编码分别确定每个活跃位置信息的网格哈希值的方式可以有多种。譬如,可以通过预设策略将每个活跃位置信息的纬度编码和经度编码进行合并,比如偶数位放置经度编码,奇数位放置纬度编码,或者,奇数位放置经度编码,偶数位放置纬度编码,或者,左边放置经度编码,右边放置纬度编码,又或者,右边放置经度编码,左边放置纬度编码,等等;然后,再对合并后的编码进行base32编码,以得到每个活跃位置信息的网格哈希值。
例如,以合并时,偶数位放置经度,奇数位放置纬度为例,若某活跃位置信息的纬度编码为10111 00011,经度编码为11010 01011,则可以将这两串编码合并为:1110011101 00100 01111。此后,可以将该11100 11101 00100 01111转换成十进制,再使用“0-9”和“b-z”(去掉a,i,l,o)这32个字母对转换后的十进制进行base32编码。比如,“11100”对应着十进制“28”,“11101”对应十进制“29”,“00100”对应十进制“4”,“01111”对应十进制“15”,而十进制“28”对应base32编码中的“w”,“29”对应base32编码中的“x”,“4”对应base32编码中的“4”,“15”对应base32编码中的“g”,因此,可以得到最终的编码为“wx4g”,该“wx4g”即为该活跃位置信息的网格哈希值。
其中,Geohash算法是一种用可以比较可以排序的字符串编码,近似地表示经度和纬度两个坐标的算法。该算法将地球的经纬度划分成若干个矩形,一个Geohash字符串编码(简称Geohash编码)就表示一个对应的矩形区域。若Geohash编码的长度越长,其表示的矩形区域范围就越小,反之,若Geohash编码的长度越短,其表示的矩形区域范围就越大。为了描述方便,在本发明实施例中,将这些矩形称为网格。也就是说,通过Geohash算法,可以将该多个活跃位置信息按照经纬度的大小映射在一个由地球经纬度划分而成的网格上,比如,根据每个活跃位置信息的网格哈希值在该网格上绘制定位点,使得每个定位点对应一个活跃位置信息,等等,从而得到一张记录有该多个活跃位置信息的网格地图,该记录有多个活跃位置信息的网格地图在本发明实施例中称为初始网格地图,比如,可参见图1d,该图为多个活跃位置信息映射至网格后的示例图。
(3)将预设精度内网格哈希值相同的活跃位置信息进行合并,得到多个活跃小区。
其中,该精度(即网格哈希值的精度)可以根据实际应用的需求而定。比如,以该精度为“6”位为例,若活跃位置信息1对应的实际网格哈希值为“wkpchcr”,活跃位置信息2对应的实际网格哈希值为“wkpchc4”,活跃位置信息3对应的实际网格哈希值为“wkpchcf”,则取精度“6”位后,活跃位置信息1对应的网格哈希值为“wkpchc”,活跃位置信息2对应的网格哈希值为“wkpchc”,活跃位置信息3对应的网格哈希值为“wkpchc”。可见,这三个活跃位置信息的网格哈希值本不同,但由于具有相同的一部分前缀“wkpchc”,因此,经过精度取舍后,可以使其网格哈希值相同,进而可以进行合并,得到相应的活跃小区(对应“wkpchc”)。
若初始网格地图的每个网格对应一个该预设精度的网格哈希值的话,则此时的合并操作可以理解为:将该初始网格地图中位于同一网格内的活跃位置信息进行合并,得到多个活跃小区。例如,参见图1e,可以将图1e左图每一个网格中的定位点合并为一个定位点,从而得到图1e右图;其中,图1e右图中的每一个定位点对应一个活跃小区,为了描述方便,在本发明实施例中,将该记录有多个活跃小区的网格地图称为合并层网格地图。
103、对该多个活跃小区进行聚类运算,得到多个活跃区域。
例如,参见图1f,可以通过聚类算法将该合并层网格地图中相邻网格的定位点合并为簇(参见图1f右图中的定位点),其中,每个簇对应一个活跃区域,为了描述方便,在本发明实施例中,将该记录有多个活跃区域的网格地图称为聚类层网格地图。
其中,聚类算法可以根据实际应用的需求进行设置,比如,以采用具有噪声的基于密度的聚类方法(DBSCAN,Density-Based Spatial Clustering of Applications withNoise)为例,该步骤“对该多个活跃小区进行聚类运算,得到多个活跃区域”具体可以如下:
(1)对每个活跃小区所对应的网格哈希值进行解析,得到解析后数据。
其中,解析方法与将活跃位置信息转换为网格哈希值的方法相匹配,比如,若在步骤102中,采用了Geohash算法将每个活跃位置信息的经纬度转换为网格哈希值,则此时,可以采用Geohash算法的逆行解码方式将每个活跃小区所对应的网格哈希值转换为经纬度。
需说明的是,由于活跃小区是由预设精度内网格哈希值相同的活跃位置信息合并而成的,因此,活跃小区所对应的网格哈希值指的就是该活跃小区所包括的活跃位置信息共同具有的预设精度内的网格哈希值,比如“wkpchc”,参见步骤102。
(2)根据该解析后数据,采用DBScan对活跃小区进行合并,得到多个活跃区域;例如,具体可以包括步骤a~e,如下:
a、根据各个活跃小区的解析后数据,分别确定各个活跃小区的经纬度、出现频次和频次分布信息。
例如,具体可以根据各个活跃小区的解析后数据分别确定各个活跃小区的中心经纬度、以及确定各个活跃小区所包括的活跃位置信息;将每个活跃小区的中心经纬度作为相应活跃小区的经纬度;计算每个活跃小区所包括活跃位置信息的数量,得到每个活跃小区的出现频次;以及,从每个活跃位置信息中提取时间戳,并根据每个活跃位置信息的时间戳,按照预设策略对每个活跃小区中活跃位置信息出现频次的分布进行统计,得到每个活跃小区的频次分布信息。
其中,该预设策略可以根据实际应用的需求进行设置,比如,可以将每个活跃位置信息的时间戳映射成区分工作日和节假日的24小时向量,并对属于同一活跃小区的该向量进行合并,形成该活跃小区中,用户在工作日和节假日里各个小时里出现的次数,从而得到该活跃小区的频次分布信息;即步骤“根据每个活跃位置信息的时间戳,按照预设策略对每个活跃小区中活跃位置信息出现频次的分布进行统计,得到每个活跃小区的频次分布信息”可以包括:
按照预设的工作日和节假日的划分,分别将每个活跃位置信息的时间戳映射为区分工作日和节假日的24小时向量,根据该24小时向量,统计在工作日和节假日的各个小时里,每个活跃小区中活跃位置信息所出现的次数,得到每个活跃小区的频次分布信息。
比如,某用户在“7月1日到7月7日”的一周内,出现在某活跃小区的次数共40次,其中,7月1日到7月5日为工作日,7月6日和7月7日为节假日;则此时,可以将用户每次出现在该活跃小区的时间戳映射为区分工作日和节假日的24小时向量,如用户在7月1日的19点出现在该活跃小区所在的位置,那么,可以在工作日的初始向量“0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0”中的第19个“0”的位置上加“1”,即更新为“0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0”;若用户在7月2日的19点和21点出现在该活跃小区所在的位置,那么,可以在“0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0”中的第19个“0”和第21个“0”的位置上分半加“1”,即更新为“0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,2,0,1,0,0,0”;以此类推,最终可得到用户在工作日的各个小时里,该活跃小区中活跃位置信息所出现的次数,如“0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,6,3,5,4,5,2,5”;同理,也可以统计出用户在节假日的各个小时里,该活跃小区中活跃位置信息所出现的次数,如“0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,2,3,2,1,2,0”;可见,工作日和节假日的次数之和为40次,也就是说,通过该操作,可以得到该活跃小区的频次分布信息。
b、根据各个活跃小区的经纬度分别确定每两个活跃小区之间的距离(GeoDistance)。
由于地球是一个近乎标准的椭球体,它的赤道半径为6378.140千米,极半径为6356.755千米,平均半径6371.004千米,因此,若假设地球是个标准的球体,那么该球体的半径就是地球的平均半径,比如记为R,而根据该平均半径R、以及地球表面任意两点的经纬度就可以计算出这两点间的地表距离(这里忽略地球表面地形对计算带来的误差)。即,设第一点A的经纬度为(LonA,LatA),第二点B的经纬度为(LonB,LatB),那么根据三角推导,可以使用以下公式来计算A点和B点(即活跃小区A和活跃小区B)之间的距离Distance:
Distance=R*Arccos(C)*Pi/180;
其中,C为A点和B点的夹角,C可以通过如下公式计算得到:
C=sin(LatA)*sin(LatB)*cos(LonA-LonB)+cos(LatA)*cos(LatB)。
c、获取预设的领域半径和密度参数。
DBScan中,需要二个参数:扫描半径(eps)和最小包含点数(minPts)其中,扫描半径也称为领域半径,而最小包含点数则称为密度参数,这两个参数的作用在于:
从目标数据对象D中任选一个未被访问(unvisited)的点开始,找出与其距离在领域半径之内的所有附近点。
如果附近点的数量大于等于密度参数,则当前点与其附近点形成一个簇,并且该出发点被标记为已访问(visited)。然后递归,以相同的方法处理该簇内所有未被标记为已访问(visited)的点,从而对簇进行扩展。
如果附近点的数量小于密度参数,则该当前点被标记作为噪声点。
如果簇充分地被扩展,即簇内的所有点被标记为已访问,则可以采用同样的算法去处理簇外其他未被访问的点,直至目标数据对象D中所有的点均处理完毕。
也就是说,通过该领域半径和密度参数,可以对目标数据对象D中各个零散的数据按照一定的规律合并在一起,形成多个簇;其中,该领域半径和密度参数的具体取值可以根据实际应用的需求进行设置,在此不再赘述。
d、将距离小于该领域半径的活跃小区确定为相邻活跃小区。
其中,一个活跃小区可以包括多个相应的相邻活跃小区,比如,若活跃小区1与活跃小区2互为相邻活跃小区,活跃小区1与活跃小区4互为相邻活跃小区,活跃小区2与活跃小区3互为相邻活跃小区,则,活跃小区1相应的相邻活跃小区可以包括活跃小区2和活跃小区4,而活跃小区2相应的相邻活跃小区可以包括活跃小区1和活跃小区3,以此类推,等等。
需说明的是,某个活跃小区X相应的相邻活跃小区指的就是该活跃小区X的领域,即如果把活跃小区X作为当前点的话,则活跃小区X相应的相邻活跃小区指的就是该当前点在领域半径之内的所有附近点(参见步骤c中的说明)。
e、根据该密度参数将相邻活跃小区合并为活跃区域。
例如,具体可以统计每个活跃小区对应的相邻活跃小区的个数,根据该个数将活跃小区分别标记为核心点、边界点和噪声点,然后,基于标记的核心点、边界点和噪声点建立簇,将每个簇的中心点对应的经纬度作为相应活跃区域的经纬度,以及计算每个簇内活跃小区的出现频次的和,得到相应活跃区域的出现频次,并对每个簇内活跃小区的频次分布信息进行统计,得到相应活跃区域的频次分布信息。
其中,步骤“根据该个数将活跃小区分别标记为核心点、边界点和噪声点”(即对核心点、边界点和噪声点的标记方法)具体可以包括:
将该个数大于等于该密度参数的活跃小区确定为核心点;将该个数小于该密度参数,且所对应的相邻活跃小区中存在核心点的活跃小区确定为边界点;将该个数小于该密度参数,且所对应的相邻活跃小区中不存在核心点的活跃小区确定为噪声点。
其中,步骤“基于标记的核心点、边界点和噪声点建立簇”(即簇的建立方法)可以包括:
删除噪声点,并确定当前需要处理的核心点,得到当前核心点,判断该当前核心点在该领域半径范围内,是否存在其他核心点,若存在,则将该当前核心点与该其他核心点进行合并,基于合并后的核心点建立簇;若不存在,则基于该当前核心点建立簇;在建立簇之后,可以返回执行“确定当前需要处理的核心点”的步骤,直至所有核心点处理完毕,此后,可以将边界点添加至与之关联的核心点的簇中。
其中,该“与之关联的核心点”指的是与边界点互为相邻活跃小区的核心点。比如,若点K为核心点S所在活跃小区的边界点,则核心点S可以称为与边界点K关联的核心点,即此时,可以将边界点K添加至核心点S的簇中,以此类推,等等。
需说明的是,若边界点存在多个“与之关联的核心点”,则可以按照预设策略选择其中一个核心点的簇进行加入,比如随机,或者按照点的序号进行选择,等等,具体可根据实际应用的需求进行设置。另外,若多个核心点具有共同的边界点,则这多个核心点的簇可以合并为一个簇,在此不再赘述。
此外,还需说明的是,在对活跃小区进行合并时,需要将活跃小区相关的所有数据,如出现频次何频次分布信息等进行合并;比如,若在步骤102中,已经计算出活跃小区的24小时向量,则此时,需要将各个活跃小区的24小时向量也进行合并,在此不再赘述。
104、选择满足预设条件的活跃区域作为该用户的常驻点。
其中,该预设条件可以根据实际应用的需求进行设置,比如,可以经纬度符合要求的活跃区域作为该用户的常驻点,或者,也可以选择出现频次大于预设阈值的活动区域作为该用户的常驻点,等等。为了描述方便,在本发明实施例中,将均以“出现频次大于预设阈值”作为该预设条件为例进行说明。即步骤“选择满足预设条件的活跃区域作为该用户的常驻点”可以包括:
将活跃区域的出现频次大于预设阈值的活动区域作为该用户的常驻点。
例如,具体可参见图1g,由于活跃区域S(参见图1g中的点S)的出现频次小于预设阈值,因此,不作为该用户的常驻点,而由于其他很活跃区域的出现频次均大于预设阈值,因此,可作为该用户的常驻点,所以,在输出的网格地图上,可以忽略活跃区域S,而保留其他的活跃区域。
可选的,为了方便后续使用,提高其灵活性,还可以根据活跃区域的特性来判断该常驻点的类型,比如是工作地、住所、还是商场,等等;即步骤“选择满足预设条件的活跃区域作为该用户的常驻点”之后,该用户常驻点的处理方法还可以包括:
获取该常驻点所对应的活跃区域的经纬度、出现频次和频次分布信息,根据获取到的活跃区域的经纬度、出现频次和频次分布信息确定该常驻点的类型。比如,具体可以如下:
(1)可以按照预设概率算法,根据获取到的活跃区域的经纬度、出现频次和频次分布信息分别计算该常驻点属于工作地、住所和其他地点的概率,得到工作地概率、住所概率和其他地点概率。
其中,该概率算法可以根据实际应用的需求进行设置。
(2)将该工作地概率乘以相应活跃区域的出现频次,得到工作地评分。
(3)将住所概率乘以相应活跃区域的出现频次,得到住所评分。
(4)将其他地点概率乘以相应活跃区域的出现频次,得到其他地点评分。
(5)若工作地评分高于住所评分和其他地点评分,则确定该常驻点为工作地。
(6)若住所评分高于工作地评分和其他地点评分,则确定该常驻点为住所。
(7)若其他地点评分高于工作地评分和住所评分,则确定该常驻点为其他地点。
可选的,在确定该常驻点的类型之后,还可以根据不同的类型执行不同的指令,比如,如果该常驻点为“住所”,则当检测到用户位于该常驻点时,可以生成并发送打开电视或空调的指令,而如果该常驻点为“工作地”,则当检测到用户位于该常驻点时,可以生成提醒用户工作日程的指令,等等。即,在步骤“根据获取到的活跃区域的经纬度、出现频次和频次分布信息确定该常驻点的类型”之后,该用户常驻点的处理方法还可以包括:
获取该用户当前的地理位置信息,根据该地理位置信息确定用户位于常驻点时,根据所在常驻点的类型执行预设指令。
其中,该常驻点的类型与预设指令的对应关系、以及预设指令的内容可以根据实际应用的需求、以及用户的喜好进行设置,在此不再赘述。
由上可知,本实施例在获取到用户在预设时间内的多个活跃位置信息后,可以将属于同一预设区域内的活跃位置信息进行合并,并对合并得到的多个活跃小区进行聚类运算,以得到多个活跃区域,然后,从中选择满足预设条件的活跃区域作为该用户的常驻点;由于该方案获取的基础数据为活跃位置信息,即用户出现频率大于预设值的位置信息,而且,在进行聚类运算之前,已经对属于同一预设区域内的活跃位置信息进行了初始合并,所以,可以大大减少需要处理的数据量,以及降低计算的复杂度,相对于现有直接对大量数据进行聚类运算的方案而言,不仅可以减少计算资源的消耗,而且,可以大大减少计算时间,提高处理效率。
实施例二、
根据实施例一所描述的方法,以下将举例作进一步详细说明。
在本实施例中,将以该用户常驻点的处理装置具体集成在服务器中为例进行说明。
如图2a所示,一种用户常驻点的处理方法,具体流程可以如下:
201、服务器对用户的位置信息进行实时采集。
其中,该位置信息可以包括该位置的经纬度、该位置的地理标识、用户出现在该位置时的时间戳、和/或用户在该位置停留的时长等信息。该终端标识可以包括终端的IMEI或SIM码等;该位置的经纬度可以包括该位置的经度信息和纬度信息;该位置的地理标识可以包括该位置的编号或名称等信息,比如该位置的地铁站名称、公交站名或标志性建筑名称等。
其中,该位置信息的采集也可以有多种,比如,可以通过GPS来进行定位和采集,或者,也可以通过基站来进行定位和采集,又或者,还可以通过对用户周边Wifi信号的识别来进行定位和采集,等等。
例如,以通过对用户周边Wifi信号的识别来进行定位和采集为例,则其采集方式具体可以如下:
服务器获取用户所在终端的Wifi列表和终端标识,查询该Wifi列表每个Wifi信号对应的地理位置坐标如经纬度,然后,计算查询到的地理位置坐标的均值,得到用户当前的地理位置坐标,并根据用户当前的地理位置坐标获取相应的地理标识、用户出现在该位置时的时间戳、和/或用户在该位置停留的时长等信息,得到用户的位置信息。
其中,Wifi列表的获取方式可以有多种,比如,可以由该服务器向终端进行请求,或者,也可以由用户所在的终端自行进行上报,等等。
可选的,当由终端自行进行上报时,除了可以定时进行上报或由用户触发进行上报之外,为了节省信令流程和网络资源,可以在识别到Wifi列表发生变化时,才进行上报,即在用户打开Wifi开关的前提下,若在其活动范围之内,终端识别到的Wifi列表发生变化,则可以将增量变化的Wifi列表发送给该服务器,由服务器根据该增量变化的Wifi列表对原有的Wifi列表进行更新,然后,根据更新后的Wifi列表来确定用户的位置信息,等等,在此不再赘述。
服务器在采集到该位置信息后,可以将该位置信息保存在日志中,该日志的格式具体可根据实际应用的需求而定,例如,可以如表一所示,如下:
表一:
202、服务器统计该位置信息在预设期限内的出现频率,在该位置信息的出现频率大于预设值时,将该位置信息确定为活跃位置信息。
其中,该预设期限和预设值可以根据实际应用的需求进行设置,比如,该期限可以设置为一周、一个月或两个月,等等。
步骤201和202为可选步骤。
203、服务器获取用户在预设时间内的多个活跃位置信息。
例如,服务器具体可以从本地(即服务器)或其他存储设备中获取用户在预设时间内的多个活跃位置信息。
其中,该预设时间可以根据实际应用的需求进行设置,比如,可以设置为1周或一个月,等等;比如,以一个月为例,其所获取到这个月中的活跃位置信息可以如表二所示。
表二:
IMEI | 时间戳 | 纬度 | 经度 | …… |
862576029883176 | 1492935693 | 23.1357 | 113.3500 | …… |
862576029883176 | 1492935752 | 23.1348 | 113.3532 | …… |
862576029883177 | 1492935694 | 23.1357 | 113.3500 | …… |
862576029883177 | 1492935773 | 22.9250 | 114.5476 | …… |
862576029883177 | 1492935803 | 22.9254 | 114.5476 | …… |
…… | …… | …… | …… | …… |
204、服务器从各个活跃位置信息中提取经纬度,并采用Geohash算法对每个活跃位置信息的经纬度进行计算,得到每个活跃位置信息的网格哈希值。例如,具体可以如下:
采用Geohash算法分别对每个活跃位置信息的纬度进行逼近编码,得到各个活跃位置信息对应的纬度编码;同理,采用Geohash算法分别对每个活跃位置信息的经度进行逼近编码,得到各个活跃位置信息对应的经度编码;然后,根据每个活跃位置信息的纬度编码和经度编码分别确定每个活跃位置信息的网格哈希值。
比如,以某个活跃位置信息,如点K为例,若点K的经纬度为(39.928167,116.389550),则其geohash计算流程可以如下:
(1)对纬度39.928167进行逼近编码:
由于地球纬度区间是[-90,90],因此,可以将区间[-90,90]二分为[-90,0)和[0,90],其中,[-90,0)称为左区间,[0,90]称为右区间,若纬度属于左区间,则标记为0,否则,若纬度属于右区间,则标记为1。由于可以确定39.928167属于右区间[0,90],因此,可以将其标记为1。
同理,可以将区间[0,90]二分为[0,45)和[45,90],进而确定39.928167属于左区间[0,45),所以,可以将其标记为0;递归上述过程,39.928167总是属于某个区间[a,b]。随着每次迭代,区间[a,b]总在缩小,并越来越逼近39.928167,最终产生一个序列,比如1011100011。其中,序列的长度跟给定的区间划分次数有关。
例如,对纬度的逼近编码流程具体可以如表三所示。
表三:
(2)对经度116.389550进行逼近编码:
与对纬度进行逼近编码类似,由于地球经度区间是[-180,180],因此,可以将区间[-180,180]二分为[-180,0)和[0,180],其中,[-180,0)称为左区间,[0,180]称为右区间,若经度属于左区间,则标记为0,否则,若经度属于右区间,则标记为1。由于可以确定116.389550属于右区间[0,180],因此,可以将其标记为1。
同理,可以将区间[0,180]二分为[0,90)和[90,180],进而确定116.389550属于右区间[90,180],所以,可以将其标记为1;递归上述过程,116.389550总是属于某个区间[a,b]。随着每次迭代,区间[a,b]总在缩小,并越来越逼近116.389550,最终产生一个序列,比如11010 01011。其中,序列的长度跟给定的区间划分次数有关。
例如,对经度116.389550的逼近编码流程具体可以如表四所示。
表四:
(3)根据纬度编码和经度编码分别确定点K的网格哈希值。
例如,可以通过预设策略将点K的纬度编码和经度编码进行合并,比如偶数位放置经度编码,奇数位放置纬度编码,或者,奇数位放置经度编码,偶数位放置纬度编码,或者,左边放置经度编码,右边放置纬度编码,又或者,右边放置经度编码,左边放置纬度编码,等等。
比如,以合并时,偶数位放置经度,奇数位放置纬度为例,由于通过上述计算,纬度产生的编码为10111 00011,经度产生的编码为11010 01011,因此,可以把2串编码组合生成新的字符串编码:11100 11101 00100 01111。
此后,可以对合并后的编码进行base32编码,进而得到点K的网格哈希值。比如,可以将该11100 11101 00100 01111转换成十进制,再使用“0-9”和“b-z”(去掉a,i,l,o)这32个字母对转换后的十进制进行base32编码。
其中,base32编码与十进制的对应关系可以参见表五。
表五:
由于“11100”对应着十进制“28”,“11101”对应十进制“29”,“00100”对应十进制“4”,“01111”对应十进制“15”,而根据表四可知,十进制“28”对应base32编码中的“w”,“29”对应base32编码中的“x”,“4”对应base32编码中的“4”,“15”对应base32编码中的“g”,因此,可以得到最终的编码为“wx4g”,该“wx4g”即为点K的网格哈希值。
根据上面的描述,以下将给出该Geohash算法的伪代码选段,如下:
需说明的是,上述伪代码仅为示例,应理解的是,还可以采用其他代码来实现上述步骤。
通过上述Geohash算法,最终可以得到各个活跃位置信息的网格哈希值,比如,以表二所示的活跃位置信息(步骤203)为例,其网格哈希值分别可以如表六所示,其中,该网格哈希值的精度以7为例。
表六:
IMEI | 时间戳 | 纬度 | 经度 | 网格哈希值 |
862576029883176 | 1492935693 | 23.1357 | 113.3500 | ws0ee7d |
862576029883176 | 1492935752 | 23.1348 | 113.3532 | ws0ee7t |
862576029883177 | 1492935694 | 23.1357 | 113.3500 | ws0ee7d |
862576029883177 | 1492935773 | 22.9250 | 114.5476 | wkpchcr |
862576029883177 | 1492935803 | 22.9254 | 114.5476 | wkpchcr |
…… | …… | …… | …… | …… |
205、服务器将预设精度内网格哈希值相同的活跃位置信息进行合并,得到多个活跃小区。
其中,该精度(即网格哈希值的精度)可以根据实际应用的需求而定。比如,以该精度为“6”位为例,参见表六,若活跃位置信息1对应的实际网格哈希值为“ws0ee7d”,活跃位置信息2对应的实际网格哈希值为“ws0ee7t”,则取精度“6”位后,活跃位置信息1对应的网格哈希值为“ws0ee7”,活跃位置信息2对应的网格哈希值也为“ws0ee7”。可见,这两个活跃位置信息的网格哈希值本不同,但由于具有相同的一部分前缀“ws0ee7”,因此,经过精度取舍后,可以使其网格哈希值相同,进而可以进行合并,得到相应的活跃小区“ws0ee7”。
若初始网格地图的每个网格对应一个该预设精度的网格哈希值的话,则此时的合并操作可以理解为:将该初始网格地图中位于同一网格内的活跃位置信息进行合并,得到多个活跃小区,例如,参见图1e。可以将每个活跃小区所在网格的中心经纬度作为该活跃小区的经纬度,并合并计算每个活跃小区内的活跃位置信息的数量,作为该活跃小区的出现频次。
206、服务器对每个活跃小区所对应的网格哈希值进行解析,得到解析后数据。
其中,解析方法与将活跃位置信息转换为网格哈希值的方法相匹配,比如,若在步骤205中,采用了Geohash算法将每个活跃位置信息的经纬度转换为网格哈希值,则此时,可以采用Geohash算法的逆行解码方式将每个活跃小区所对应的网格哈希值转换为经纬度。
比如,以网格哈希值“wx4g”为例,根据表四可知,base32编码中的“w”对应十进制“28”,base32编码中的“x”对应十进制“29”,base32编码中的“4”对应十进制“4”,base32编码中的“g”对应十进制“15”,而十进制“28”对应二进制“11100”,十进制“29”对应二进制“11101”,十进制“4”对应二进制“00100”,十进制“15”对应二进制“01111”,所以,可以得到字符串编码为“11100 11101 00100 01111”。根据规则“偶数位放置经度,奇数位放置纬度”可以推出,纬度编码为10111 00011,经度编码为11010 01011。此后,便可以纬度编码和经度编码通过Geohash算法逆向推出相应的纬度和经度,在此不再赘述。
207、服务器根据该解析后数据,采用DBScan对活跃小区进行合并,得到多个活跃区域;例如,具体可以如下:
(1)服务器根据各个活跃小区的解析后数据,分别确定各个活跃小区的经纬度、出现频次和频次分布信息。
例如,服务器具体可以根据各个活跃小区的解析后数据分别确定各个活跃小区的中心经纬度、以及确定各个活跃小区所包括的活跃位置信息;将每个活跃小区的中心经纬度作为相应活跃小区的经纬度;计算每个活跃小区所包括活跃位置信息的数量,得到每个活跃小区的出现频次;以及,从每个活跃位置信息中提取时间戳,并根据每个活跃位置信息的时间戳,按照预设策略对每个活跃小区中活跃位置信息出现频次的分布进行统计,得到每个活跃小区的频次分布信息。
其中,该预设策略可以根据实际应用的需求进行设置,比如,可以将每个活跃位置信息的时间戳映射成区分工作日和节假日的24小时向量,并对属于同一活跃小区的该向量进行合并,形成该活跃小区中,用户在工作日和节假日里各个小时里出现的次数,从而得到该活跃小区的频次分布信息。
比如,参见表七,该表为某个用户在工作日和节假日的各个小时里出现的频次的示例。
表七:
(2)服务器根据各个活跃小区的经纬度分别确定每两个活跃小区之间的距离(GeoDistance),其计算公式可以如下:
Distance=R*Arccos(C)*Pi/180;
其中,Distance为两个活跃小区A和B之间的距离,R为地球的平均半径,即6371.004千米,Pi约等于3.1415926,C为活跃小区A和B的夹角,C可以通过如下公式计算得到:
C=sin(LatA)*sin(LatB)*cos(LonA-LonB)+cos(LatA)*cos(LatB)。
其中,LatA为活跃小区A的纬度,LonA为活跃小区A的经度,LatB为活跃小区B的纬度,LonB为活跃小区B的经度。
具体可以通过如下伪代码来实现该步骤,例如,可以如下:
(3)服务器获取预设的领域半径(eps)和密度参数(minPts)。
通过该领域半径和密度参数,可以对某个数据对象D中各个零散的数据按照一定的规律合并在一起,形成多个簇;其中,该领域半径和密度参数的具体取值可以根据实际应用的需求进行设置,在此不再赘述。
(4)服务器将距离小于该领域半径的活跃小区确定为相邻活跃小区。
其中,一个活跃小区可以包括多个相应的相邻活跃小区,比如,若活跃小区1与活跃小区2互为相邻活跃小区,活跃小区1与活跃小区4互为相邻活跃小区,活跃小区2与活跃小区3互为相邻活跃小区,则,活跃小区1相应的相邻活跃小区可以包括活跃小区2和活跃小区4,而活跃小区2相应的相邻活跃小区可以包括活跃小区1和活跃小区3,以此类推,等等。
需说明的是,某个活跃小区X相应的相邻活跃小区指的就是该活跃小区X的领域,即如果把活跃小区X作为当前点的话,则活跃小区X相应的相邻活跃小区指的就是该当前点在领域半径之内的所有附近点(即其他的活跃小区)。
(5)服务器根据该密度参数将相邻活跃小区合并为活跃区域,例如,具体可以如下:
a、服务器统计每个活跃小区对应的相邻活跃小区的个数,根据该个数将活跃小区分别标记为核心点、边界点和噪声点;比如,具体可以如下:
将该个数大于等于该密度参数的活跃小区确定为核心点;
将该个数小于该密度参数,且所对应的相邻活跃小区中存在核心点的活跃小区确定为边界点;
将该个数小于该密度参数,且所对应的相邻活跃小区中不存在核心点的活跃小区确定为噪声点。
b、服务器基于标记的核心点、边界点和噪声点建立簇,例如,具体可以如下:
删除噪声点,并确定当前需要处理的核心点,得到当前核心点;
判断该当前核心点在该领域半径范围内,是否存在其他核心点;
若存在,则将该当前核心点与该其他核心点进行合并,基于合并后的核心点建立簇;
若不存在,则基于该当前核心点建立簇。
返回执行“确定当前需要处理的核心点”的步骤,直至所有核心点处理完毕;
将边界点添加至与之关联的核心点的簇中。
其中,该“与之关联的核心点”指的是与边界点互为相邻活跃小区的核心点。比如,若点K为核心点S所在活跃小区的边界点,则核心点S可以称为与边界点K关联的核心点,即此时,可以将边界点K添加至核心点S的簇中,以此类推,等等。
c、将每个簇的中心点对应的经纬度作为相应活跃区域的经纬度,以及计算每个簇内活跃小区的出现频次的和,得到相应活跃区域的出现频次,并对每个簇内活跃小区的频次分布信息进行统计,得到相应活跃区域的频次分布信息。
结合上述所描述的Geohash算法的逆行解码方式、活跃小区之间距离的计算、以及DBScan,该聚类运算步骤(即步骤207)的伪代码具体可以如下:
需说明的是,在对活跃小区进行合并时,需要将活跃小区相关的所有数据,如出现频次何频次分布信息等进行合并;比如,若已经计算出活跃小区的24小时向量,则此时,需要将各个活跃小区的24小时向量也进行合并。例如,具体可以将同一个簇(即活跃区域)内的所有活跃小区的工作日和节假日的24小时向量分别进行合并,譬如,可以如表八所示。
表八:
通过表八所记录的数据,可以获知各个簇(即活跃区域)所对应的经纬度、簇内所包含的活跃小区的数量(即活跃区域的出现频次),以及,每个簇内活跃小区的频次分布信息(即活跃区域的频次分布信息)。比如,以表八中第一行的数据为例,由表八所记录的数据可知,该活跃区域的纬度为“23.13500”,经度为“113.357744”,其出现频次为438次,其频次分布分别为:
工作日:0:00~1:00点之间共23次,1:00~2:00点之间共0次,2:00~3:00点之间共0次,3:00~4:00点之间共0次,4:00~5:00点之间共0次,5:00~6:00点之间共0次,6:00~7:00点之间共0次,7:00~8:00点之间共0次,8:00~9:00点之间共7次,9:00~10:00点之间共24次,10:00~11:00点之间共62次,11:00~12:00点之间共11次,12:00~13:00点之间共20次,13:00~14:00点之间共7次,14:00~15:00点之间共38次,15:00~16:00点之间共46次,16:00~17:00点之间共64次,17:00~18:00点之间共32次,18:00~19:00点之间共14次,119:00~20:00点之间共7次,20:00~21:00点之间共15次,21:00~22:00点之间共9次,22:00~23:00点之间共3次,23:00~00:00点之间共7次。
节假日:0:00~1:00点之间共0次,1:00~2:00点之间共0次,2:00~3:00点之间共0次,3:00~4:00点之间共0次,4:00~5:00点之间共0次,5:00~6:00点之间共0次,6:00~7:00点之间共0次,7:00~8:00点之间共0次,8:00~9:00点之间共0次,9:00~10:00点之间共0次,10:00~11:00点之间共0次,11:00~12:00点之间共7次,12:00~13:00点之间共2次,13:00~14:00点之间共6次,14:00~15:00点之间共1次,15:00~16:00点之间共4次,16:00~17:00点之间共10次,17:00~18:00点之间共3次,18:00~19:00点之间共1次,19:00~20:00点之间共7次,20:00~21:00点之间共8次,21:00~22:00点之间共0次,22:00~23:00点之间共0次,23:00~00:00点之间共0次。
以此类推,其他的活跃区域的信息与此类似,在此不再赘述。
208、服务器将活跃区域的出现频次大于预设阈值的活动区域作为该用户的常驻点。
其中,该预设阈值可以根据实际应用的需求进行设置,比如,以该预设阈值为10为例,则根据表八可知,经纬度为(23.13500,113.357744)、(23.17223,113.50059)、以及(23.13282,113.326410)的活跃区域的出现频次均大于10次,因此,可以作为IMEI为“862576029883176”的用户的常驻点;而由于经纬度为(23.17635,113.35625)的活跃区域的出现频次才5次,小于预设阈值“10次”,所以,不作为该用户的常驻点,在筛选用户常驻点时,可以忽略该活跃区域。
可选的,为了方便后续使用,提高其灵活性,还可以根据活跃区域的特性来判断该常驻点的类型,比如是工作地、住所、还是商场,等等;即该用户常驻点的处理方法还可以包括步骤209,如下:
209、服务器获取该常驻点所对应的活跃区域的经纬度、出现频次和频次分布信息,根据获取到的活跃区域的经纬度、出现频次和频次分布信息确定该常驻点的类型。比如,具体可以如下:
服务器按照预设概率算法,根据获取到的活跃区域的经纬度、出现频次和频次分布信息分别计算该常驻点属于工作地、住所和其他地点的概率,得到工作地概率、住所概率和其他地点概率。
其中,该概率算法可以根据实际应用的需求进行设置。例如,可以按照普通人的日常生活规律,将工作日的24小时分为工作时间段、住所(即家庭)时间段和其他时间段,以及将节假日的24小时分为住所(即家庭)时间段和其他时间段,比如,具体划分可以如表九所示。
表九:
此外,为了提高计算的准确性和灵活性,可以为各个时间段分别设置权重,并根据实际需求对各个权重进行灵活调整,比如,若需要提高“工作”和/或“住所”计算准确性,则可以增加“工作”和/或“住所”的权重,而其他时间段的权重保持不变,等等。
基于上述时间段类型的划分,可以采用如下公式来分别计算工作地概率、住所概率和其他地点概率,如下:
工作地概率:
住所概率:
其他地点概率:
Pother=1-Phome-Pwork
此后,可以将该工作地概率乘以相应活跃区域的出现频次,得到工作地评分Scorework,如下:
Scorework=Pwork*cluster_size
将住所概率乘以相应活跃区域的出现频次,得到住所评分Scorehome,如下:
Scorehome=Phome*cluster_size
将其他地点概率乘以相应活跃区域的出现频次,得到其他地点评分Scoreother,如下:
Scoreother=Pother*cluster_size
其中,cluster_size为活跃区域(此处即为常驻点)的出现频次。
若某个常驻点的工作地评分高于住所评分和其他地点评分,则确定该常驻点为工作地;若住所评分高于工作地评分和其他地点评分,则确定该常驻点为住所;若其他地点评分高于工作地评分和住所评分,则确定该常驻点为其他地点。
需说明的是,若出现多个类型的常驻点,比如出现多个工作地和住所(即家庭),则还可以通过对其地点评分的排序,来选择出该用户的第一工作地和第一住所,当然,还依次可以选择出第二工作地和第二住所,第三工作地和第三住所,依次类推,等等。
可选的,在确定该常驻点的类型之后,还可以根据不同的类型执行不同的指令,比如,如果该常驻点为“住所”,则当检测到用户位于该常驻点时,可以生成并发送打开电视或空调的指令,而如果该常驻点为“工作地”,则当检测到用户位于该常驻点时,可以生成提醒用户工作日程的指令,等等。即用户常驻点的处理方法还可以包括步骤210,如下:
210、服务器获取该用户当前的地理位置信息,并根据该地理位置信息确定用户位于常驻点时,根据所在常驻点的类型执行预设指令。
其中,该常驻点的类型与预设指令的对应关系、以及预设指令的内容可以根据实际应用的需求、以及用户的喜好进行设置,比如,以Wifi的管理为例,当用户当前所在的地理位置位于工作地或住所覆盖范围内时,可以生成相应的Wifi连接情况,并对用户进行提示。
比如,参见图2b,当用户位于住所所覆盖范围内时,服务器可以为用户终端连接该住所的Wifi,生成提示信息,并在终端上显示该提示信息:“欢迎回家,已帮您自动连接家庭Wifi”。
又比如,参见图2c,当用户位于工作地所覆盖范围内时,服务器可以为用户终端连接该工作地的Wifi,生成提示信息,并在终端上显示该提示信息:“要努力工作哦,已帮您自动连接公司Wifi”。
可选的,还可以执行其他的预设指令,在此不再列举。
由上可知,本实施例的服务器在获取到用户在预设时间内的多个活跃位置信息后,可以将属于同一预设区域内的活跃位置信息进行合并,并对合并得到的多个活跃小区进行聚类运算,以得到多个活跃区域,然后,从中选择满足预设条件的活跃区域作为该用户的常驻点;由于该方案获取的基础数据为活跃位置信息,即用户出现频率大于预设值的位置信息,而且,在进行聚类运算之前,已经对属于同一预设区域内的活跃位置信息进行了初始合并,所以,可以大大减少需要处理的数据量,以及降低计算的复杂度,相对于现有直接对大量数据进行聚类运算的方案而言,不仅可以减少计算资源的消耗,而且,可以大大减少计算时间,提高处理效率。
此外,该方案在得到用户常驻点之后,还可以判断各个常驻点的类型,并基于常驻点的类型自动执行预设指令,而无需人工干预,因此,相对于现有方案而言,可以大大提高终端操作的便利性和灵活性。
实施例三、
相应的,本发明实施例还提供一种用户常驻点的处理装置,该用户常驻点的处理装置具体可以集成在服务器等设备中。
例如,如图3a所示,该用户常驻点的处理装置可以包括获取单元301、合并单元302、聚类单元303和筛选单元304,如下:
(1)获取单元301;
获取单元301,用于获取用户在预设时间内的多个活跃位置信息。
例如,该获取单元301,具体可以用于从本地(即用户常驻点的处理装置所在的设备)或其他存储设备中获取用户在预设时间内的多个活跃位置信息。
其中,该预设时间可以根据实际应用的需求进行设置,比如,可以设置为1周或一个月,等等。而该活跃位置信息则指的是用户在该预设时间内,出现频率大于预设值的位置信息。
其中,位置信息可以包括用户所在终端的终端标识、该位置的经纬度、该位置的地理标识、用户出现在该位置时的时间戳、和/或用户在该位置停留的时长等信息。该终端标识可以包括终端的IMEI或SIM码等;该位置的经纬度可以包括该位置的经度信息和纬度信息;该位置的地理标识可以包括该位置的编号或名称等信息,比如该位置的地铁站名称、公交站名或标志性建筑名称等。
可选的,该活跃位置信息可以由该用户常驻点的处理装置预选进行采集,并保存在预设存储位置,在需要时,从该存储位置中获取。即可选的,如图3b所示,该用户常驻点的处理装置还可以包括采集单元305,如下:
该采集单元305,可以用于对用户的位置信息进行实时采集;统计该位置信息在预设期限内的出现频率;在该位置信息的出现频率大于预设值时,将该位置信息确定为活跃位置信息。
其中,该预设期限和预设值可以根据实际应用的需求进行设置,而用户位置信息的采集也可以有多种,比如,可以通过GPS来进行定位和采集,或者,也可以通过基站来进行定位和采集,又或者,还可以通过对用户周边Wifi信号的识别来进行定位和采集,等等,具体可参见前面的方法实施例,在此不再赘述。
(2)合并单元302;
合并单元302,用于将属于同一预设区域内的活跃位置信息进行合并,得到多个活跃小区。
例如,该合并单元302可以包括提取子单元、运算子单元和合并子单元,如下:
该提取子单元,用于从各个活跃位置信息中提取经纬度。
该运算子单元,用于对每个活跃位置信息的经纬度进行计算,得到每个活跃位置信息的网格哈希值。
该合并子单元,用于将预设精度内网格哈希值相同的活跃位置信息进行合并,得到多个活跃小区。
比如,该运算子单元,具体可以用于采用Geohash算法对每个活跃位置信息的经纬度进行计算,得到每个活跃位置信息的网格哈希值,如下:
采用Geohash算法分别对每个活跃位置信息的纬度进行逼近编码,得到各个活跃位置信息对应的纬度编码;采用Geohash算法分别对每个活跃位置信息的经度进行逼近编码,得到各个活跃位置信息对应的经度编码;根据每个活跃位置信息的纬度编码和经度编码分别确定每个活跃位置信息的网格哈希值。
其中,根据每个活跃位置信息的纬度编码和经度编码分别确定每个活跃位置信息的网格哈希值的方式可以有多种。譬如,运算子单元可以通过预设策略将每个活跃位置信息的纬度编码和经度编码进行合并,比如偶数位放置经度编码,奇数位放置纬度编码,或者,奇数位放置经度编码,偶数位放置纬度编码,或者,左边放置经度编码,右边放置纬度编码,又或者,右边放置经度编码,左边放置纬度编码,等等;然后,再对合并后的编码进行base32编码,以得到每个活跃位置信息的网格哈希值,具体可参见前面的方法实施例,在此不再赘述。
(3)聚类单元303;
聚类单元303,用于对该多个活跃小区进行聚类运算,得到多个活跃区域。
例如,该聚类单元303可以包括解析子单元和聚类子单元,如下:
该解析子单元,可以用于对每个活跃小区所对应的网格哈希值进行解析,得到解析后数据。
该聚类子单元,可以用于根据该解析后数据,采用DBSCAN对活跃小区进行合并,得到多个活跃区域。
比如,该聚类子单元,具体可以用于根据各个活跃小区的解析后数据,分别确定各个活跃小区的经纬度、出现频次和频次分布信息;根据各个活跃小区的经纬度分别确定每两个活跃小区之间的距离;获取预设的领域半径和密度参数;将距离小于该领域半径的活跃小区确定为相邻活跃小区;根据该密度参数将相邻活跃小区合并为活跃区域。
可选的,确定各个活跃小区的经纬度、出现频次和频次分布信息的方式可以有多种,比如,可以如下:
该聚类子单元,具体可以用于根据各个活跃小区的解析后数据分别确定各个活跃小区的中心经纬度、以及确定各个活跃小区所包括的活跃位置信息;将每个活跃小区的中心经纬度作为相应活跃小区的经纬度;计算每个活跃小区所包括活跃位置信息的数量,得到每个活跃小区的出现频次;从每个活跃位置信息中提取时间戳,并根据每个活跃位置信息的时间戳,按照预设策略对每个活跃小区中活跃位置信息出现频次的分布进行统计,得到每个活跃小区的频次分布信息。
其中,该预设策略可以根据实际应用的需求进行设置,比如,可以将每个活跃位置信息的时间戳映射成区分工作日和节假日的24小时向量,并对属于同一活跃小区的该向量进行合并,形成该活跃小区中,用户在工作日和节假日里各个小时里出现的次数,从而得到该活跃小区的频次分布信息,即:
该聚类子单元,具体可以用于按照预设的工作日和节假日的划分,分别将每个活跃位置信息的时间戳映射为区分工作日和节假日的24小时向量;根据该24小时向量,统计在工作日和节假日的各个小时里,每个活跃小区中活跃位置信息所出现的次数,得到每个活跃小区的频次分布信息。
可选的,根据该密度参数将相邻活跃小区合并为活跃区域的方式也可以有多种,比如,可以如下:
该聚类子单元,具体可以用于统计每个活跃小区对应的相邻活跃小区的个数;根据该个数将活跃小区分别标记为核心点、边界点和噪声点;基于标记的核心点、边界点和噪声点建立簇;将每个簇的中心点对应的经纬度作为相应活跃区域的经纬度;计算每个簇内活跃小区的出现频次的和,得到相应活跃区域的出现频次;对每个簇内活跃小区的频次分布信息进行统计,得到相应活跃区域的频次分布信息。
其中,对核心点、边界点和噪声点的标记方式可以有多种,比如,可以如下:
该聚类子单元,具体可以用于将该个数大于等于该密度参数的活跃小区确定为核心点;将该个数小于该密度参数,且所对应的相邻活跃小区中存在核心点的活跃小区确定为边界点;将该个数小于该密度参数,且所对应的相邻活跃小区中不存在核心点的活跃小区确定为噪声点。
其中,簇的建立方式也可以有多种,比如,可以如下:
该聚类子单元,具体可以用于:删除噪声点,并确定当前需要处理的核心点,得到当前核心点;判断该当前核心点在该领域半径范围内,是否存在其他核心点;若存在,则将该当前核心点与该其他核心点进行合并,基于合并后的核心点建立簇;若不存在,则基于该当前核心点建立簇;返回执行确定当前需要处理的核心点的步骤,直至所有核心点处理完毕;将边界点添加至与之关联的核心点的簇中,其中,该与之关联的核心点指的是与边界点互为相邻活跃小区的核心点。
(4)筛选单元304;
筛选单元304,用于选择满足预设条件的活跃区域作为该用户的常驻点。
例如,该筛选单元304,具体可以用于将活跃区域的出现频次大于预设阈值的活动区域作为该用户的常驻点。
可选的,为了方便后续使用,提高其灵活性,还可以根据活跃区域的特性来判断该常驻点的类型,比如是工作地、住所、还是商场,等等;即如图3b所示,该用户常驻点的处理装置还可以包括确定单元306,如下:
该确定单元306,可以用于获取该常驻点所对应的活跃区域的经纬度、出现频次和频次分布信息;根据获取到的活跃区域的经纬度、出现频次和频次分布信息确定该常驻点的类型。
比如,该确定单元306,具体可以用于按照预设概率算法,根据获取到的活跃区域的经纬度、出现频次和频次分布信息分别计算该常驻点属于工作地、住所和其他地点的概率,得到工作地概率、住所概率和其他地点概率;将该工作地概率乘以相应活跃区域的出现频次,得到工作地评分;将住所概率乘以相应活跃区域的出现频次,得到住所评分;将其他地点概率乘以相应活跃区域的出现频次,得到其他地点评分;若工作地评分高于住所评分和其他地点评分,则确定该常驻点为工作地;若住所评分高于工作地评分和其他地点评分,则确定该常驻点为住所;若其他地点评分高于工作地评分和住所评分,则确定该常驻点为其他地点。
可选的,在确定该常驻点的类型之后,还可以根据不同的类型执行不同的指令,比如,如果该常驻点为“住所”,则当检测到用户位于该常驻点时,可以生成并发送打开电视或空调的指令,而如果该常驻点为“工作地”,则当检测到用户位于该常驻点时,可以生成提醒用户工作日程的指令,等等。即如图3b所示,该用户常驻点的处理装置还可以包括执行单元307,如下:
该执行单元307,可以用于获取该用户当前的地理位置信息,根据该地理位置信息确定用户位于常驻点时,根据所在常驻点的类型执行预设指令。
其中,该常驻点的类型与预设指令的对应关系、以及预设指令的内容可以根据实际应用的需求、以及用户的喜好进行设置,在此不再赘述。
具体实施时,以上各个单元可以作为独立的实体来实现,也可以进行任意组合,作为同一或若干个实体来实现,以上各个单元的具体实施可参见前面的方法实施例,在此不再赘述。
由上可知,本实施例的用户常驻点的处理装置在获取到用户在预设时间内的多个活跃位置信息后,可以由合并单元302将属于同一预设区域内的活跃位置信息进行合并,并对由聚类单元303合并得到的多个活跃小区进行聚类运算,以得到多个活跃区域,然后,由筛选单元304从中选择满足预设条件的活跃区域作为该用户的常驻点;由于该方案获取的基础数据为活跃位置信息,即用户出现频率大于预设值的位置信息,而且,在进行聚类运算之前,已经对属于同一预设区域内的活跃位置信息进行了初始合并,所以,可以大大减少需要处理的数据量,以及降低计算的复杂度,相对于现有直接对大量数据进行聚类运算的方案而言,不仅可以减少计算资源的消耗,而且,可以大大减少计算时间,提高处理效率。
实施例四、
此外,本发明实施例还提供一种服务器,如图4所示,其示出了本发明实施例所涉及的服务器的结构示意图,具体来讲:
该服务器可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403和输入单元404等部件。本领域技术人员可以理解,图4中示出的服务器结构并不构成对服务器的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理器401是该服务器的控制中心,利用各种接口和线路连接整个服务器的各个部分,通过运行或执行存储在存储器402内的软件程序和/或模块,以及调用存储在存储器402内的数据,执行服务器的各种功能和处理数据,从而对服务器进行整体监控。可选的,处理器401可包括一个或多个处理核心;优选的,处理器401可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器401中。
存储器402可用于存储软件程序以及模块,处理器401通过运行存储在存储器402的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据服务器的使用所创建的数据等。此外,存储器402可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器402还可以包括存储器控制器,以提供处理器401对存储器402的访问。
服务器还包括给各个部件供电的电源403,优选的,电源403可以通过电源管理系统与处理器401逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该服务器还可包括输入单元404,该输入单元404可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出,服务器还可以包括显示单元等,在此不再赘述。具体在本实施例中,服务器中的处理器401会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中,并由处理器401来运行存储在存储器402中的应用程序,从而实现各种功能,如下:
获取用户在预设时间内的多个活跃位置信息,将属于同一预设区域内的活跃位置信息进行合并,得到多个活跃小区;对该多个活跃小区进行聚类运算,得到多个活跃区域,选择满足预设条件的活跃区域作为该用户的常驻点。
例如,具体可以从各个活跃位置信息中提取经纬度,然后,采用Geohash算法对每个活跃位置信息的经纬度进行计算,得到每个活跃位置信息的网格哈希值,将预设精度内网格哈希值相同的活跃位置信息进行合并,得到多个活跃小区。此后,可以对每个活跃小区所对应的网格哈希值进行解析,得到解析后数据,根据该解析后数据,采用DBScan对活跃小区进行合并,得到多个活跃区域,然后,将活跃区域的出现频次大于预设阈值的活动区域作为该用户的常驻点。
其中,该预设时间、预设精度和预设阈值均可以根据实际应用的需求进行设置。而该活跃位置信息则指的是用户在该预设时间内,出现频率大于预设值的位置信息。
其中,位置信息可以包括用户所在终端的终端标识、该位置的经纬度、该位置的地理标识、用户出现在该位置时的时间戳、和/或用户在该位置停留的时长等信息。该终端标识可以包括终端的IMEI或SIM码等;该位置的经纬度可以包括该位置的经度信息和纬度信息;该位置的地理标识可以包括该位置的编号或名称等信息,比如该位置的地铁站名称、公交站名或标志性建筑名称等。
该活跃位置信息可以由该服务器预选进行采集,并保存在预设存储位置,在需要时,从该存储位置中获取。即可选的,处理器401还可以运行存储在存储器402中的应用程序,从而实现以下功能:
对用户的位置信息进行实时采集,并统计该位置信息在预设期限内的出现频率,在该位置信息的出现频率大于预设值时,将该位置信息确定为活跃位置信息。
其中,该预设期限和预设值可以根据实际应用的需求进行设置,而用户位置信息的采集也可以有多种,比如,可以通过GPS来进行定位和采集,或者,也可以通过基站来进行定位和采集,又或者,还可以通过对用户周边Wifi信号的识别来进行定位和采集,等等,具体可参见前面的实施例,在此不再赘述。
可选的,为了方便后续使用,提高其灵活性,还可以根据活跃区域的特性来判断该常驻点的类型,比如是工作地、住所、还是商场,等等;即处理器401还可以运行存储在存储器402中的应用程序,从而实现以下功能:
获取该常驻点所对应的活跃区域的经纬度、出现频次和频次分布信息,根据获取到的活跃区域的经纬度、出现频次和频次分布信息确定该常驻点的类型。
可选的,在确定该常驻点的类型之后,还可以根据不同的类型执行不同的指令,比如,如果该常驻点为“住所”,则当检测到用户位于该常驻点时,可以生成并发送打开电视或空调的指令,而如果该常驻点为“工作地”,则当检测到用户位于该常驻点时,可以生成提醒用户工作日程的指令,等等。即处理器401还可以运行存储在存储器402中的应用程序,从而实现以下功能:
获取该用户当前的地理位置信息,根据该地理位置信息确定用户位于常驻点时,根据所在常驻点的类型执行预设指令。
其中,该常驻点的类型与预设指令的对应关系、以及预设指令的内容可以根据实际应用的需求、以及用户的喜好进行设置,在此不再赘述。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
由上可知,本实施例的服务器在获取到用户在预设时间内的多个活跃位置信息后,可以将属于同一预设区域内的活跃位置信息进行合并,并对合并得到的多个活跃小区进行聚类运算,以得到多个活跃区域,然后,从中选择满足预设条件的活跃区域作为该用户的常驻点;由于该方案获取的基础数据为活跃位置信息,即用户出现频率大于预设值的位置信息,而且,在进行聚类运算之前,已经对属于同一预设区域内的活跃位置信息进行了初始合并,所以,可以大大减少需要处理的数据量,以及降低计算的复杂度,相对于现有直接对大量数据进行聚类运算的方案而言,不仅可以减少计算资源的消耗,而且,可以大大减少计算时间,提高处理效率。
此外,该服务器在得到用户常驻点之后,还可以判断各个常驻点的类型,并基于常驻点的类型自动执行预设指令,而无需人工干预,因此,相对于现有方案而言,可以大大提高操作的便利性和灵活性。
实施例五、
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本发明实施例提供一种存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本发明实施例所提供的任一种用户常驻点的处理方法中的步骤。例如,该指令可以执行如下步骤:
获取用户在预设时间内的多个活跃位置信息,将属于同一预设区域内的活跃位置信息进行合并,得到多个活跃小区;对该多个活跃小区进行聚类运算,得到多个活跃区域,选择满足预设条件的活跃区域作为该用户的常驻点。
例如,具体可以从各个活跃位置信息中提取经纬度,然后,采用Geohash算法对每个活跃位置信息的经纬度进行计算,得到每个活跃位置信息的网格哈希值,将预设精度内网格哈希值相同的活跃位置信息进行合并,得到多个活跃小区。此后,可以对每个活跃小区所对应的网格哈希值进行解析,得到解析后数据,根据该解析后数据,采用DBScan对活跃小区进行合并,得到多个活跃区域,然后,将活跃区域的出现频次大于预设阈值的活动区域作为该用户的常驻点。
其中,该预设时间、预设精度和预设阈值均可以根据实际应用的需求进行设置。而该活跃位置信息则指的是用户在该预设时间内,出现频率大于预设值的位置信息。
可选的,该活跃位置信息可以由该服务器预选进行采集,并保存在预设存储位置,在需要时,从该存储位置中获取。即该指令还可以执行如下步骤:
对用户的位置信息进行实时采集,并统计该位置信息在预设期限内的出现频率,在该位置信息的出现频率大于预设值时,将该位置信息确定为活跃位置信息。
其中,该预设期限和预设值可以根据实际应用的需求进行设置,而用户位置信息的采集也可以有多种,比如,可以通过GPS来进行定位和采集,或者,也可以通过基站来进行定位和采集,又或者,还可以通过对用户周边Wifi信号的识别来进行定位和采集,等等,具体可参见前面的实施例,在此不再赘述。
可选的,为了方便后续使用,提高其灵活性,还可以根据活跃区域的特性来判断该常驻点的类型;即该指令还可以执行如下步骤:
获取该常驻点所对应的活跃区域的经纬度、出现频次和频次分布信息,根据获取到的活跃区域的经纬度、出现频次和频次分布信息确定该常驻点的类型。
可选的,在确定该常驻点的类型之后,还可以根据不同的类型执行不同的指令。即该指令还可以执行如下步骤:
获取该用户当前的地理位置信息,根据该地理位置信息确定用户位于常驻点时,根据所在常驻点的类型执行预设指令。
其中,该常驻点的类型与预设指令的对应关系、以及预设指令的内容可以根据实际应用的需求、以及用户的喜好进行设置,在此不再赘述。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
其中,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令,可以执行本发明实施例所提供的任一种用户常驻点的处理方法中的步骤,因此,可以实现本发明实施例所提供的任一种用户常驻点的处理方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上对本发明实施例所提供的一种用户常驻点的处理方法、装置和存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (18)
1.一种用户常驻点的处理方法,其特征在于,包括:
获取用户在预设时间内的多个活跃位置信息,所述活跃位置信息为用户在所述预设时间内,出现频率大于预设值的位置信息;
将属于同一预设区域内的活跃位置信息进行合并,得到多个活跃小区;
对所述多个活跃小区进行聚类运算,得到多个活跃区域;
选择满足预设条件的活跃区域作为所述用户的常驻点。
2.根据权利要求1所述的方法,其特征在于,所述将属于同一预设区域内的活跃位置信息进行合并,得到多个活跃小区,包括:
从各个活跃位置信息中提取经纬度;
对每个活跃位置信息的经纬度进行计算,得到每个活跃位置信息的网格哈希值;
将预设精度内网格哈希值相同的活跃位置信息进行合并,得到多个活跃小区。
3.根据权利要求2所述的方法,其特征在于,所述对每个活跃位置信息的经纬度进行计算,得到每个活跃位置信息网格哈希值,包括:
采用地理散列算法分别对每个活跃位置信息的纬度进行逼近编码,得到各个活跃位置信息对应的纬度编码;
采用地理散列算法分别对每个活跃位置信息的经度进行逼近编码,得到各个活跃位置信息对应的经度编码;
根据每个活跃位置信息的纬度编码和经度编码分别确定每个活跃位置信息的网格哈希值。
4.根据权利要求2所述的方法,其特征在于,所述对所述多个活跃小区进行聚类运算,得到多个活跃区域,包括:
对每个活跃小区所对应的网格哈希值进行解析,得到解析后数据;
根据所述解析后数据,采用具有噪声的基于密度的聚类方法对活跃小区进行合并,得到多个活跃区域。
5.根据权利要求4所述的方法,其特征在于,所述根据所述解析后数据,采用具有噪声的基于密度的聚类方法对活跃小区进行合并,得到多个活跃区域,包括:
根据各个活跃小区的解析后数据,分别确定各个活跃小区的经纬度、出现频次和频次分布信息;
根据各个活跃小区的经纬度分别确定每两个活跃小区之间的距离;
获取预设的领域半径和密度参数;
将距离小于所述领域半径的活跃小区确定为相邻活跃小区;
根据所述密度参数将相邻活跃小区合并为活跃区域。
6.根据权利要求5所述的方法,其特征在于,所述根据各个活跃小区的解析后数据,分别确定各个活跃小区的经纬度、出现频次和频次分布信息,包括:
根据各个活跃小区的解析后数据分别确定各个活跃小区的中心经纬度、以及确定各个活跃小区所包括的活跃位置信息;
将每个活跃小区的中心经纬度作为相应活跃小区的经纬度;
计算每个活跃小区所包括活跃位置信息的数量,得到每个活跃小区的出现频次;
从每个活跃位置信息中提取时间戳,并根据每个活跃位置信息的时间戳,按照预设策略对每个活跃小区中活跃位置信息出现频次的分布进行统计,得到每个活跃小区的频次分布信息。
7.根据权利要求5所述的方法,其特征在于,所述根据所述密度参数将相邻活跃小区合并为活跃区域,包括:
统计每个活跃小区对应的相邻活跃小区的个数;
根据所述个数将活跃小区分别标记为核心点、边界点和噪声点;
基于标记的核心点、边界点和噪声点建立簇;
将每个簇的中心点对应的经纬度作为相应活跃区域的经纬度;
计算每个簇内活跃小区的出现频次的和,得到相应活跃区域的出现频次;
对每个簇内活跃小区的频次分布信息进行统计,得到相应活跃区域的频次分布信息。
8.根据权利要求7所述的方法,其特征在于,所述选择满足预设条件的活跃区域作为所述用户的常驻点,包括:
将活跃区域的出现频次大于预设阈值的活动区域作为所述用户的常驻点。
9.根据权利要求1至8任一项所述的方法,其特征在于,所述选择满足预设条件的活跃区域作为所述用户的常驻点之后,还包括:
获取所述常驻点所对应的活跃区域的经纬度、出现频次和频次分布信息;
根据获取到的活跃区域的经纬度、出现频次和频次分布信息确定所述常驻点的类型。
10.根据权利要求9所述的方法,其特征在于,所述根据获取到的活跃区域的经纬度、出现频次和频次分布信息确定所述常驻点的类型之后,还包括:
获取所述用户当前的地理位置信息;
根据所述地理位置信息确定用户位于常驻点时,根据所在常驻点的类型执行预设指令。
11.根据权利要求1至8任一项所述的方法,其特征在于,所述获取用户在预设时间内的多个活跃位置信息之前,还包括:
对用户的位置信息进行实时采集;
统计所述位置信息在预设期限内的出现频率;
在所述位置信息的出现频率大于预设值时,将所述位置信息确定为活跃位置信息。
12.一种用户常驻点的处理装置,其特征在于,包括:
获取单元,用于获取用户在预设时间内的多个活跃位置信息,所述活跃位置信息为用户在所述预设时间内,出现频率大于预设值的位置信息;
合并单元,用于将属于同一预设区域内的活跃位置信息进行合并,得到多个活跃小区;
聚类单元,用于对所述多个活跃小区进行聚类运算,得到多个活跃区域;
筛选单元,用于选择满足预设条件的活跃区域作为所述用户的常驻点。
13.根据权利要求12所述的装置,其特征在于,所述合并单元包括提取子单元、运算子单元和合并子单元;
所述提取子单元,用于从各个活跃位置信息中提取经纬度;
所述运算子单元,用于对每个活跃位置信息的经纬度进行计算,得到每个活跃位置信息的网格哈希值;
所述合并子单元,用于将预设精度内网格哈希值相同的活跃位置信息进行合并,得到多个活跃小区。
14.根据权利要求13所述的装置,其特征在于,所述聚类单元包括解析子单元和聚类子单元;
所述解析子单元,用于对每个活跃小区所对应的网格哈希值进行解析,得到解析后数据;
所述聚类子单元,用于根据所述解析后数据,采用具有噪声的基于密度的聚类方法对活跃小区进行合并,得到多个活跃区域。
15.根据权利要求12至14任一项所述的装置,其特征在于,还包括确定单元;
所述确定单元,用于获取所述常驻点所对应的活跃区域的经纬度、出现频次和频次分布信息;根据获取到的活跃区域的经纬度、出现频次和频次分布信息确定所述常驻点的类型。
16.根据权利要求15所述的装置,其特征在于,还包括执行单元;
所述执行单元,用于获取所述用户当前的地理位置信息;根据所述地理位置信息确定用户位于常驻点时,根据所在常驻点的类型执行预设指令。
17.根据权利要求12至14任一项所述的装置,其特征在于,还包括采集单元;
所述采集单元,用于对用户的位置信息进行实时采集;统计所述位置信息在预设期限内的出现频率;在所述位置信息的出现频率大于预设值时,将所述位置信息确定为活跃位置信息。
18.一种存储介质,其特征在于,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行权利要求1至11任一项所述的用户常驻点的处理方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710623015.7A CN107547633B (zh) | 2017-07-27 | 2017-07-27 | 一种用户常驻点的处理方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710623015.7A CN107547633B (zh) | 2017-07-27 | 2017-07-27 | 一种用户常驻点的处理方法、装置和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107547633A true CN107547633A (zh) | 2018-01-05 |
CN107547633B CN107547633B (zh) | 2021-09-03 |
Family
ID=60971013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710623015.7A Active CN107547633B (zh) | 2017-07-27 | 2017-07-27 | 一种用户常驻点的处理方法、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107547633B (zh) |
Cited By (43)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108376155A (zh) * | 2018-02-07 | 2018-08-07 | 链家网(北京)科技有限公司 | 一种地理位置信息确定方法及装置 |
CN108446343A (zh) * | 2018-03-06 | 2018-08-24 | 北京三快在线科技有限公司 | 区域聚合的方法、装置及电子设备 |
CN108810818A (zh) * | 2018-05-24 | 2018-11-13 | 深圳市数字城市工程研究中心 | 一种居民生活圈的划分方法及装置 |
CN109256029A (zh) * | 2018-09-12 | 2019-01-22 | 广州小鹏汽车科技有限公司 | 一种地点属性的自动设置方法及装置 |
CN109297492A (zh) * | 2018-09-06 | 2019-02-01 | 中国电子科技集团公司电子科学研究院 | 一种移动轨迹驻停点的确定方法及装置 |
CN109299747A (zh) * | 2018-10-24 | 2019-02-01 | 北京字节跳动网络技术有限公司 | 一种类簇中心的确定方法、装置、计算机设备及存储介质 |
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 |
CN109815306A (zh) * | 2019-01-25 | 2019-05-28 | 上海钧正网络科技有限公司 | 一种车辆查询方法、装置、系统及服务器 |
CN109934265A (zh) * | 2019-02-15 | 2019-06-25 | 同盾控股有限公司 | 一种常驻地址的确定方法和装置 |
CN110213714A (zh) * | 2019-05-10 | 2019-09-06 | 中国联合网络通信集团有限公司 | 终端定位的方法及装置 |
CN110288000A (zh) * | 2019-05-28 | 2019-09-27 | 北京深演智能科技股份有限公司 | 活动范围的检测方法和装置 |
CN110309974A (zh) * | 2019-06-28 | 2019-10-08 | 江苏满运软件科技有限公司 | 物流运输目的地预测方法、装置、电子设备、存储介质 |
CN110351665A (zh) * | 2019-07-31 | 2019-10-18 | 中国联合网络通信集团有限公司 | 用户惯常地的识别方法、设备及计算机可读存储介质 |
CN110598131A (zh) * | 2019-08-20 | 2019-12-20 | 北京三快在线科技有限公司 | 确定用户常驻区域的方法、装置、存储介质和电子设备 |
CN110619087A (zh) * | 2019-05-23 | 2019-12-27 | 北京无限光场科技有限公司 | 用于处理信息的方法和装置 |
CN110619086A (zh) * | 2019-05-23 | 2019-12-27 | 北京无限光场科技有限公司 | 用于处理信息的方法和装置 |
CN110619088A (zh) * | 2019-05-23 | 2019-12-27 | 北京无限光场科技有限公司 | 用于处理信息的方法和装置 |
CN110674237A (zh) * | 2019-09-25 | 2020-01-10 | 福建榕基软件股份有限公司 | 一种提高二维区域定位准确性的方法及终端 |
CN110832513A (zh) * | 2018-04-04 | 2020-02-21 | 北京嘀嘀无限科技发展有限公司 | 用于按需服务的系统和方法 |
WO2020052338A1 (zh) * | 2018-09-12 | 2020-03-19 | 北京三快在线科技有限公司 | 地址标识及其经纬度挖掘 |
CN110968341A (zh) * | 2018-09-30 | 2020-04-07 | 上海汽车集团股份有限公司 | 一种设置空调参数的方法和装置 |
CN111083636A (zh) * | 2019-12-27 | 2020-04-28 | 中国联合网络通信集团有限公司 | 运动状态信息的处理方法及设备 |
CN111127065A (zh) * | 2018-11-01 | 2020-05-08 | 百度在线网络技术(北京)有限公司 | 用户职住地的获取方法和装置 |
CN111191021A (zh) * | 2018-11-14 | 2020-05-22 | 北京嘀嘀无限科技发展有限公司 | 职业预测方法、装置、设备及计算机可读存储介质 |
CN111221924A (zh) * | 2018-11-23 | 2020-06-02 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置、存储介质和网络设备 |
CN111242147A (zh) * | 2018-11-28 | 2020-06-05 | 中移(杭州)信息技术有限公司 | 一种亲密联系人和频繁活跃区域识别的方法及装置 |
CN111372196A (zh) * | 2020-02-20 | 2020-07-03 | 杭州海康威视系统技术有限公司 | 数据处理方法、装置、电子设备及机器可读存储介质 |
CN111400442A (zh) * | 2020-02-28 | 2020-07-10 | 深圳前海微众银行股份有限公司 | 常驻地址分析方法、装置、设备及可读存储介质 |
CN111667127A (zh) * | 2019-03-05 | 2020-09-15 | 杭州海康威视系统技术有限公司 | 一种智能监管方法、装置及电子设备 |
CN111694914A (zh) * | 2020-06-08 | 2020-09-22 | 北京百度网讯科技有限公司 | 用户常驻区域确定方法及装置 |
CN111797181A (zh) * | 2020-05-26 | 2020-10-20 | 北京城市象限科技有限公司 | 用户职住地的定位方法、装置、控制设备及存储介质 |
WO2020258951A1 (zh) * | 2019-06-24 | 2020-12-30 | 中兴通讯股份有限公司 | 用户常驻位置的获取方法、装置以及计算机可读存储介质 |
CN112364907A (zh) * | 2020-11-03 | 2021-02-12 | 北京红山信息科技研究院有限公司 | 待测用户常驻地普查方法、系统、服务器和存储介质 |
CN112417273A (zh) * | 2020-11-17 | 2021-02-26 | 平安科技(深圳)有限公司 | 区域画像图生成方法、装置、计算机设备及存储介质 |
CN112506972A (zh) * | 2020-12-15 | 2021-03-16 | 中国联合网络通信集团有限公司 | 用户常驻区域定位方法、装置、电子设备以及存储介质 |
CN112560910A (zh) * | 2020-12-02 | 2021-03-26 | 中国联合网络通信集团有限公司 | 用户分类方法和装置 |
CN112597262A (zh) * | 2020-12-30 | 2021-04-02 | 广州海格星航信息科技有限公司 | 一种基于空间网格的行业地址序号生成方法及装置 |
CN112699206A (zh) * | 2021-03-23 | 2021-04-23 | 上海迹寻科技有限公司 | 一种用户职、住地分析方法及装置 |
CN112989143A (zh) * | 2021-04-12 | 2021-06-18 | 上海交通大学 | 一种基于geohash地址编码的客群洞察方法 |
CN113688197A (zh) * | 2021-08-26 | 2021-11-23 | 沈阳美行科技有限公司 | 一种常驻点标签确定方法、装置、设备及存储介质 |
CN114640983A (zh) * | 2020-12-15 | 2022-06-17 | 中国移动通信集团山东有限公司 | 用户识别方法及装置、服务器、存储介质 |
CN115134407A (zh) * | 2022-06-27 | 2022-09-30 | 平安银行股份有限公司 | 活跃区域确定方法、装置、计算机设备及存储介质 |
CN115550843A (zh) * | 2022-04-19 | 2022-12-30 | 荣耀终端有限公司 | 一种定位方法及相关设备 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008053208A1 (en) * | 2006-10-31 | 2008-05-08 | Trisent Communications Ltd | Location detection |
EP2407219A2 (en) * | 2010-07-14 | 2012-01-18 | Adidas Ag | Location-aware fitness monitoring methods, systems, and program products, and applications thereof |
CN103116696A (zh) * | 2013-01-16 | 2013-05-22 | 上海美慧软件有限公司 | 基于稀疏采样的手机定位数据的人员常驻地点识别方法 |
CN103888493A (zh) * | 2012-12-20 | 2014-06-25 | 腾讯科技(深圳)有限公司 | 信息推送方法及装置 |
CN103944932A (zh) * | 2013-01-18 | 2014-07-23 | 阿里巴巴集团控股有限公司 | 搜索、确定活跃区域的方法与服务器 |
CN105142106A (zh) * | 2015-07-29 | 2015-12-09 | 西南交通大学 | 基于手机信令数据的出行者职住地识别与出行链刻画方法 |
CN105682025A (zh) * | 2016-01-05 | 2016-06-15 | 重庆邮电大学 | 基于移动信令数据的用户驻留地识别方法 |
CN105848099A (zh) * | 2015-01-16 | 2016-08-10 | 阿里巴巴集团控股有限公司 | 识别地理围栏的方法、系统、服务器及移动终端 |
WO2016131633A1 (en) * | 2015-02-18 | 2016-08-25 | Koninklijke Philips N.V. | Monitoring activities of daily living of a person with graphical elements |
CN105989024A (zh) * | 2015-01-30 | 2016-10-05 | 北京陌陌信息技术有限公司 | 确定用户所在的位置区域的方法和装置 |
CN106547894A (zh) * | 2016-11-03 | 2017-03-29 | 浙江夏农信息技术有限公司 | 基于移动通信信令大数据挖掘职住位置标签的系统及方法 |
CN106685809A (zh) * | 2017-02-24 | 2017-05-17 | 腾讯科技(深圳)有限公司 | 一种社交圈子的生成方法和装置 |
CN106792514A (zh) * | 2016-11-30 | 2017-05-31 | 南京华苏科技有限公司 | 基于信令数据的用户职住地分析方法 |
-
2017
- 2017-07-27 CN CN201710623015.7A patent/CN107547633B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008053208A1 (en) * | 2006-10-31 | 2008-05-08 | Trisent Communications Ltd | Location detection |
EP2407219A2 (en) * | 2010-07-14 | 2012-01-18 | Adidas Ag | Location-aware fitness monitoring methods, systems, and program products, and applications thereof |
CN103888493A (zh) * | 2012-12-20 | 2014-06-25 | 腾讯科技(深圳)有限公司 | 信息推送方法及装置 |
CN103116696A (zh) * | 2013-01-16 | 2013-05-22 | 上海美慧软件有限公司 | 基于稀疏采样的手机定位数据的人员常驻地点识别方法 |
CN103944932A (zh) * | 2013-01-18 | 2014-07-23 | 阿里巴巴集团控股有限公司 | 搜索、确定活跃区域的方法与服务器 |
CN105848099A (zh) * | 2015-01-16 | 2016-08-10 | 阿里巴巴集团控股有限公司 | 识别地理围栏的方法、系统、服务器及移动终端 |
CN105989024A (zh) * | 2015-01-30 | 2016-10-05 | 北京陌陌信息技术有限公司 | 确定用户所在的位置区域的方法和装置 |
WO2016131633A1 (en) * | 2015-02-18 | 2016-08-25 | Koninklijke Philips N.V. | Monitoring activities of daily living of a person with graphical elements |
CN105142106A (zh) * | 2015-07-29 | 2015-12-09 | 西南交通大学 | 基于手机信令数据的出行者职住地识别与出行链刻画方法 |
CN105682025A (zh) * | 2016-01-05 | 2016-06-15 | 重庆邮电大学 | 基于移动信令数据的用户驻留地识别方法 |
CN106547894A (zh) * | 2016-11-03 | 2017-03-29 | 浙江夏农信息技术有限公司 | 基于移动通信信令大数据挖掘职住位置标签的系统及方法 |
CN106792514A (zh) * | 2016-11-30 | 2017-05-31 | 南京华苏科技有限公司 | 基于信令数据的用户职住地分析方法 |
CN106685809A (zh) * | 2017-02-24 | 2017-05-17 | 腾讯科技(深圳)有限公司 | 一种社交圈子的生成方法和装置 |
Non-Patent Citations (1)
Title |
---|
陈少权: "基于改进LCSS移动用户轨迹相似性查询算法研究", 《移动通信》 * |
Cited By (69)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108376155A (zh) * | 2018-02-07 | 2018-08-07 | 链家网(北京)科技有限公司 | 一种地理位置信息确定方法及装置 |
CN108446343A (zh) * | 2018-03-06 | 2018-08-24 | 北京三快在线科技有限公司 | 区域聚合的方法、装置及电子设备 |
CN108446343B (zh) * | 2018-03-06 | 2021-07-30 | 北京三快在线科技有限公司 | 区域聚合的方法、装置及电子设备 |
CN110832513A (zh) * | 2018-04-04 | 2020-02-21 | 北京嘀嘀无限科技发展有限公司 | 用于按需服务的系统和方法 |
CN110832513B (zh) * | 2018-04-04 | 2023-09-19 | 北京嘀嘀无限科技发展有限公司 | 用于按需服务的系统和方法 |
CN108810818A (zh) * | 2018-05-24 | 2018-11-13 | 深圳市数字城市工程研究中心 | 一种居民生活圈的划分方法及装置 |
CN109297492A (zh) * | 2018-09-06 | 2019-02-01 | 中国电子科技集团公司电子科学研究院 | 一种移动轨迹驻停点的确定方法及装置 |
WO2020052338A1 (zh) * | 2018-09-12 | 2020-03-19 | 北京三快在线科技有限公司 | 地址标识及其经纬度挖掘 |
CN109256029A (zh) * | 2018-09-12 | 2019-01-22 | 广州小鹏汽车科技有限公司 | 一种地点属性的自动设置方法及装置 |
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 |
CN110968341A (zh) * | 2018-09-30 | 2020-04-07 | 上海汽车集团股份有限公司 | 一种设置空调参数的方法和装置 |
CN110968341B (zh) * | 2018-09-30 | 2024-01-19 | 上海汽车集团股份有限公司 | 一种设置空调参数的方法和装置 |
CN109299747B (zh) * | 2018-10-24 | 2020-12-15 | 北京字节跳动网络技术有限公司 | 一种类簇中心的确定方法、装置、计算机设备及存储介质 |
CN109299747A (zh) * | 2018-10-24 | 2019-02-01 | 北京字节跳动网络技术有限公司 | 一种类簇中心的确定方法、装置、计算机设备及存储介质 |
CN111127065A (zh) * | 2018-11-01 | 2020-05-08 | 百度在线网络技术(北京)有限公司 | 用户职住地的获取方法和装置 |
CN111191021A (zh) * | 2018-11-14 | 2020-05-22 | 北京嘀嘀无限科技发展有限公司 | 职业预测方法、装置、设备及计算机可读存储介质 |
CN111221924B (zh) * | 2018-11-23 | 2023-04-11 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置、存储介质和网络设备 |
CN111221924A (zh) * | 2018-11-23 | 2020-06-02 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置、存储介质和网络设备 |
CN111242147A (zh) * | 2018-11-28 | 2020-06-05 | 中移(杭州)信息技术有限公司 | 一种亲密联系人和频繁活跃区域识别的方法及装置 |
CN111242147B (zh) * | 2018-11-28 | 2023-07-07 | 中移(杭州)信息技术有限公司 | 一种亲密联系人和频繁活跃区域识别的方法及装置 |
CN109815306B (zh) * | 2019-01-25 | 2021-06-04 | 上海钧正网络科技有限公司 | 一种车辆查询方法、装置、系统及服务器 |
CN109815306A (zh) * | 2019-01-25 | 2019-05-28 | 上海钧正网络科技有限公司 | 一种车辆查询方法、装置、系统及服务器 |
CN109934265A (zh) * | 2019-02-15 | 2019-06-25 | 同盾控股有限公司 | 一种常驻地址的确定方法和装置 |
CN109934265B (zh) * | 2019-02-15 | 2021-06-11 | 同盾控股有限公司 | 一种常驻地址的确定方法和装置 |
CN111667127B (zh) * | 2019-03-05 | 2023-04-18 | 杭州海康威视系统技术有限公司 | 一种智能监管方法、装置及电子设备 |
CN111667127A (zh) * | 2019-03-05 | 2020-09-15 | 杭州海康威视系统技术有限公司 | 一种智能监管方法、装置及电子设备 |
CN110213714B (zh) * | 2019-05-10 | 2020-08-14 | 中国联合网络通信集团有限公司 | 终端定位的方法及装置 |
CN110213714A (zh) * | 2019-05-10 | 2019-09-06 | 中国联合网络通信集团有限公司 | 终端定位的方法及装置 |
CN110619088A (zh) * | 2019-05-23 | 2019-12-27 | 北京无限光场科技有限公司 | 用于处理信息的方法和装置 |
CN110619086A (zh) * | 2019-05-23 | 2019-12-27 | 北京无限光场科技有限公司 | 用于处理信息的方法和装置 |
CN110619087A (zh) * | 2019-05-23 | 2019-12-27 | 北京无限光场科技有限公司 | 用于处理信息的方法和装置 |
CN110288000A (zh) * | 2019-05-28 | 2019-09-27 | 北京深演智能科技股份有限公司 | 活动范围的检测方法和装置 |
CN110288000B (zh) * | 2019-05-28 | 2021-04-30 | 北京深演智能科技股份有限公司 | 活动范围的检测方法和装置 |
WO2020258951A1 (zh) * | 2019-06-24 | 2020-12-30 | 中兴通讯股份有限公司 | 用户常驻位置的获取方法、装置以及计算机可读存储介质 |
CN112218230A (zh) * | 2019-06-24 | 2021-01-12 | 中兴通讯股份有限公司 | 用户常驻位置的获取方法、装置以及计算机可读存储介质 |
CN112218230B (zh) * | 2019-06-24 | 2023-03-24 | 中兴通讯股份有限公司 | 用户常驻位置的获取方法、装置以及计算机可读存储介质 |
CN110309974B (zh) * | 2019-06-28 | 2022-08-09 | 江苏满运软件科技有限公司 | 物流运输目的地预测方法、装置、电子设备、存储介质 |
CN110309974A (zh) * | 2019-06-28 | 2019-10-08 | 江苏满运软件科技有限公司 | 物流运输目的地预测方法、装置、电子设备、存储介质 |
CN110351665B (zh) * | 2019-07-31 | 2020-10-30 | 中国联合网络通信集团有限公司 | 用户惯常地的识别方法、设备及计算机可读存储介质 |
CN110351665A (zh) * | 2019-07-31 | 2019-10-18 | 中国联合网络通信集团有限公司 | 用户惯常地的识别方法、设备及计算机可读存储介质 |
CN110598131A (zh) * | 2019-08-20 | 2019-12-20 | 北京三快在线科技有限公司 | 确定用户常驻区域的方法、装置、存储介质和电子设备 |
CN110674237B (zh) * | 2019-09-25 | 2022-06-28 | 福建榕基软件股份有限公司 | 一种提高二维区域定位准确性的方法及终端 |
CN110674237A (zh) * | 2019-09-25 | 2020-01-10 | 福建榕基软件股份有限公司 | 一种提高二维区域定位准确性的方法及终端 |
CN111083636A (zh) * | 2019-12-27 | 2020-04-28 | 中国联合网络通信集团有限公司 | 运动状态信息的处理方法及设备 |
CN111083636B (zh) * | 2019-12-27 | 2021-11-30 | 中国联合网络通信集团有限公司 | 运动状态信息的处理方法及设备 |
CN111372196A (zh) * | 2020-02-20 | 2020-07-03 | 杭州海康威视系统技术有限公司 | 数据处理方法、装置、电子设备及机器可读存储介质 |
CN111400442B (zh) * | 2020-02-28 | 2024-06-04 | 深圳前海微众银行股份有限公司 | 常驻地址分析方法、装置、设备及可读存储介质 |
CN111400442A (zh) * | 2020-02-28 | 2020-07-10 | 深圳前海微众银行股份有限公司 | 常驻地址分析方法、装置、设备及可读存储介质 |
CN111797181B (zh) * | 2020-05-26 | 2023-09-05 | 北京城市象限科技有限公司 | 用户职住地的定位方法、装置、控制设备及存储介质 |
CN111797181A (zh) * | 2020-05-26 | 2020-10-20 | 北京城市象限科技有限公司 | 用户职住地的定位方法、装置、控制设备及存储介质 |
CN111694914A (zh) * | 2020-06-08 | 2020-09-22 | 北京百度网讯科技有限公司 | 用户常驻区域确定方法及装置 |
CN111694914B (zh) * | 2020-06-08 | 2023-08-29 | 北京百度网讯科技有限公司 | 用户常驻区域确定方法及装置 |
CN112364907A (zh) * | 2020-11-03 | 2021-02-12 | 北京红山信息科技研究院有限公司 | 待测用户常驻地普查方法、系统、服务器和存储介质 |
CN112417273B (zh) * | 2020-11-17 | 2022-04-19 | 平安科技(深圳)有限公司 | 区域画像图生成方法、装置、计算机设备及存储介质 |
CN112417273A (zh) * | 2020-11-17 | 2021-02-26 | 平安科技(深圳)有限公司 | 区域画像图生成方法、装置、计算机设备及存储介质 |
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 |
CN112560910A (zh) * | 2020-12-02 | 2021-03-26 | 中国联合网络通信集团有限公司 | 用户分类方法和装置 |
CN114640983A (zh) * | 2020-12-15 | 2022-06-17 | 中国移动通信集团山东有限公司 | 用户识别方法及装置、服务器、存储介质 |
CN112506972B (zh) * | 2020-12-15 | 2023-06-13 | 中国联合网络通信集团有限公司 | 用户常驻区域定位方法、装置、电子设备以及存储介质 |
CN114640983B (zh) * | 2020-12-15 | 2024-05-24 | 中国移动通信集团山东有限公司 | 用户识别方法及装置、服务器、存储介质 |
CN112506972A (zh) * | 2020-12-15 | 2021-03-16 | 中国联合网络通信集团有限公司 | 用户常驻区域定位方法、装置、电子设备以及存储介质 |
CN112597262A (zh) * | 2020-12-30 | 2021-04-02 | 广州海格星航信息科技有限公司 | 一种基于空间网格的行业地址序号生成方法及装置 |
CN112699206A (zh) * | 2021-03-23 | 2021-04-23 | 上海迹寻科技有限公司 | 一种用户职、住地分析方法及装置 |
CN112989143A (zh) * | 2021-04-12 | 2021-06-18 | 上海交通大学 | 一种基于geohash地址编码的客群洞察方法 |
CN113688197A (zh) * | 2021-08-26 | 2021-11-23 | 沈阳美行科技有限公司 | 一种常驻点标签确定方法、装置、设备及存储介质 |
CN115550843A (zh) * | 2022-04-19 | 2022-12-30 | 荣耀终端有限公司 | 一种定位方法及相关设备 |
CN115550843B (zh) * | 2022-04-19 | 2023-10-20 | 荣耀终端有限公司 | 一种定位方法及相关设备 |
CN115134407A (zh) * | 2022-06-27 | 2022-09-30 | 平安银行股份有限公司 | 活跃区域确定方法、装置、计算机设备及存储介质 |
CN115134407B (zh) * | 2022-06-27 | 2024-04-26 | 平安银行股份有限公司 | 活跃区域确定方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107547633B (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107547633A (zh) | 一种用户常驻点的处理方法、装置和存储介质 | |
CN102238584B (zh) | 区域客流量监测装置、系统与方法 | |
US10034141B2 (en) | Systems and methods to identify home addresses of mobile devices | |
CN108322891B (zh) | 基于用户手机信令的交通区域拥堵识别方法 | |
CN109995852B (zh) | 一种基于移动物联网的智慧旅游系统 | |
CN103116696B (zh) | 基于稀疏采样的手机定位数据的人员常驻地点识别方法 | |
CN102804883B (zh) | 用于在无线通信系统中执行位置更新的方法和系统 | |
CN109688532B (zh) | 一种划分城市功能区域的方法及装置 | |
CN106912015A (zh) | 一种基于移动网络数据的人员出行链识别方法 | |
CN105206048A (zh) | 一种基于交通od数据的城市居民群体换乘模式发现系统及方法 | |
CN105282758A (zh) | WiFi室内定位系统指纹数据库自适应动态构建方法 | |
CN105718465A (zh) | 地理围栏生成方法及装置 | |
CN105741486A (zh) | 基于手机定位数据的城市公共空间踩踏事故实时预警方法 | |
CN110134865B (zh) | 一种基于城市公共交通出行大数据的通勤乘客社交推荐方法及平台 | |
CN103150156A (zh) | 基于地理模型和移动轨迹实时获取特征人群的方法及系统 | |
CN107872808A (zh) | 一种wlan站址预测分析方法及装置 | |
CN107580337A (zh) | 一种热点区域识别方法和装置 | |
CN104636611A (zh) | 城市道路/路段的车辆速度评估方法 | |
Xue et al. | Multi-source data-driven identification of urban functional areas: A case of Shenyang, China | |
CN105334493A (zh) | 一种基于wlan的室内定位方法 | |
CN102075850A (zh) | 确定移动用户职业信息的方法及其装置 | |
CN117473594A (zh) | 机房部署方法、装置、电子设备及存储介质 | |
CN114090621B (zh) | 一种地空一体化生态环境监测系统 | |
Dash et al. | From Mobile Phone Data to Transport Network--Gaining Insight about Human Mobility | |
CN103259881B (zh) | 一种属地服务接入地址的滞存保护系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |