CN110196891B - 街区类型的确定方法、装置、存储介质及电子装置 - Google Patents
街区类型的确定方法、装置、存储介质及电子装置 Download PDFInfo
- Publication number
- CN110196891B CN110196891B CN201811361868.9A CN201811361868A CN110196891B CN 110196891 B CN110196891 B CN 110196891B CN 201811361868 A CN201811361868 A CN 201811361868A CN 110196891 B CN110196891 B CN 110196891B
- Authority
- CN
- China
- Prior art keywords
- type
- block
- target
- account
- time period
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 230000033001 locomotion Effects 0.000 claims abstract description 55
- 239000013598 vector Substances 0.000 claims description 85
- 230000006870 function Effects 0.000 claims description 41
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000006399 behavior Effects 0.000 description 22
- 230000000737 periodic effect Effects 0.000 description 16
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000012512 characterization method Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000003203 everyday effect Effects 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 235000008694 Humulus lupulus Nutrition 0.000 description 2
- 230000004308 accommodation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Information Transfer Between Computers (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种街区类型的确定方法、装置、存储介质及电子装置。其中，该方法包括：在客户端上获取到第一请求，其中，第一请求用于请求获取目标街区的类型；响应第一请求获取目标街区的类型，其中，目标街区的类型根据街区之间已产生的帐号轨迹数据产生，帐号轨迹数据包括：具有关联关系的帐号、帐号产生的运动轨迹、运动轨迹经过的街区和运动轨迹产生的时间，街区包括目标街区；在客户端上显示目标街区的类型。本发明解决了相关技术对街区类型进行识别的准确性较低的技术问题。
Description
技术领域
本发明涉及互联网领域，具体而言，涉及一种街区类型的确定方法、装置、存储介质及电子装置。
背景技术
一座城市由众多大大小小的街区组成，每个街区都有一定的功能，我们称之为街区的语义。街区语义的推断往往依赖街区内分布的PoI类型，但是准确的PoI数据在很多应用场景下难以获得。现有的技术方案主要基于文本主题模型对街区语义进行推断。
现有技术方案主要采用将城市区域的PoI分布数据类比为文章中的关键词和单词，然后应用LDA、PLSA等主题模型的方法，提取城市区域在隐空间中的表征向量从而建模其对应的语义。此类方法只能获得城市区域的静态表征向量，并且依赖较难获取的高质量PoI分布数据。该方案由于依赖于高质量POI分布数据，从而大大降低了应用场景的普遍性。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种街区类型的确定方法、装置、存储介质及电子装置，以至少解决相关技术对街区类型进行识别的准确性较低的技术问题。
根据本发明实施例的一个方面，提供了一种街区类型的确定方法，包括：在客户端上获取到第一请求，其中，所述第一请求用于请求获取目标街区的类型；响应所述第一请求获取所述目标街区的类型，其中，所述目标街区的类型根据街区之间已产生的帐号轨迹数据产生，所述帐号轨迹数据包括：具有关联关系的帐号、所述帐号产生的运动轨迹、所述运动轨迹经过的所述街区和所述运动轨迹产生的时间，所述街区包括所述目标街区；在所述客户端上显示所述目标街区的类型。
根据本发明实施例的另一方面，还提供了一种街区类型的确定装置，包括：第一获取模块，在客户端上获取到第一请求，其中，所述第一请求用于请求获取目标街区的类型；第二获取模块，用于响应所述第一请求获取所述目标街区的类型，其中，所述目标街区的类型根据街区之间已产生的帐号轨迹数据产生，所述帐号轨迹数据包括：具有关联关系的帐号、所述帐号产生的运动轨迹、所述运动轨迹经过的所述街区和所述运动轨迹产生的时间，所述街区包括所述目标街区；显示模块，用于在所述客户端上显示所述目标街区的类型。
根据本发明实施例的另一方面，还提供了一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项中所述的方法。
根据本发明实施例的另一方面，还提供了一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行上述任一项中所述的方法。
在本发明实施例中，采用在客户端上获取到第一请求，其中，第一请求用于请求获取目标街区的类型；响应第一请求获取目标街区的类型，其中，目标街区的类型根据街区之间已产生的帐号轨迹数据产生，帐号轨迹数据包括：具有关联关系的帐号、帐号产生的运动轨迹、运动轨迹经过的街区和运动轨迹产生的时间，街区包括目标街区；在客户端上显示目标街区的类型的方式，当在客户端上获取到用于请求获取目标街区的类型的第一请求时，响应该第一请求获取目标街区的类型显示在客户端上，从而为用户提供目标街区的类型，由于该目标街区的类型是根据街区之间已产生的帐号轨迹数据产生的，其仅利用了帐号在街区之间移动的动态数据生成街区类型，因此没有对高质量POI分布数据的依赖，从而大大提高了应用场景的普遍性，利用帐号的轨技数据确定街区的类型，能够获得用户在各个街区的真实行为，从而准确划定城市街区功能，进而提高了对街区类型进行识别的准确性，进而解决了相关技术对街区类型进行识别的准确性较低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种可选的街区类型的确定方法的应用环境示意图；
图2是根据本发明实施例的一种可选的街区类型的确定方法的示意图；
图3是根据本发明可选的实施方式的一种可选的街区类型的确定方法的示意图；
图4是根据本发明可选的实施方式的另一种可选的街区类型的确定方法的示意图；
图5是根据本发明可选的实施方式的另一种可选的街区类型的确定方法的示意图；
图6是根据本发明可选的实施方式的另一种可选的街区类型的确定方法的示意图；
图7是根据本发明可选的实施方式的另一种可选的街区类型的确定方法的示意图；
图8是根据本发明实施例的一种可选的街区类型的确定装置的示意图；
图9是根据本发明实施例的一种可选的街区类型的确定方法的应用场景示意图；以及
图10是根据本发明实施例的一种可选的电子装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例的一个方面，提供了一种街区类型的确定方法，该街区类型的确定方法可以应用于如图1所示的客户端102和服务器104所构成的硬件环境中。如图1所示，客户端102获取到的第一请求，其中，第一请求用于请求获取目标街区的类型；客户端102响应第一请求从服务器104获取目标街区的类型，其中，目标街区的类型根据街区之间已产生的帐号轨迹数据产生，帐号轨迹数据包括：具有关联关系的帐号、帐号产生的运动轨迹、运动轨迹经过的街区和运动轨迹产生的时间，上述街区包括目标街区；在客户端202上显示目标街区的类型。
在一个可选的实施方式中，该街区类型的确定方法可以但不限于应用于对街区类型进行确定的场景中。其中，上述客户端可以但不限于为各种类型的应用，例如，地图导航应用、即时通讯应用、生活推荐应用、游戏应用、购物应用、浏览器应用、金融应用等。具体的，可以但不限于应用于在上述地图导航应用中确定街区类型的场景中，以提高确定街区类型的准确性。上述仅是一种示例，本实施例中对此不做任何限定。用户的终端设备上安装了地图导航应用，点击启动该地图导航应用，地图导航应用的界面上显示该用户当前所在位置周围一定范围内的区域的地图，用户点击了确定街区类型功能的图标，地图导航应用进入确定街区类型功能的界面，界面上显示了当前位置周围有9个街区，用户点击其中一个街区，地图导航应用获取到用于请求获取该街区的类型的第一请求，地图导航应用响应该第一请求获取该街区的类型，并在地图导航应用上显示该街区的类型。街区的类型是根据街区之间已产生的帐号轨迹数据产生的，这些帐号轨迹数据包括：具有关联关系的帐号、帐号产生的运动轨迹、运动轨迹经过的街区和运动轨迹产生的时间等等信息。从而为用户提供更加准确的街区类型的查询服务。
图2是根据本发明实施例的一种可选的街区类型的确定方法的示意图，如图2所示，该方法包括：
S202，在客户端上获取到第一请求，其中，第一请求用于请求获取目标街区的类型；
S204，响应第一请求获取目标街区的类型，其中，目标街区的类型根据街区之间已产生的帐号轨迹数据产生，帐号轨迹数据包括：具有关联关系的帐号、帐号产生的运动轨迹、运动轨迹经过的街区和运动轨迹产生的时间，街区包括目标街区；
S206，在客户端上显示目标街区的类型。
可选地，在本实施例中，上述街区类型的确定方法可以但不限于由客户端执行，或者还可以由客户端和服务器交互执行。例如：如果由客户端执行，则客户端获取到第一请求，响应该第一请求从客户端存储的数据中获取目标街区的类型，并将目标街区的类型显示在客户端的显示界面上。如果由客户端和服务器交互执行，则客户端获取到第一请求，响应该第一请求将其发送给服务器，服务器响应该第一请求从服务器上存储的数据中获取目标街区的类型，并将目标街区的类型发送该客户端，客户端将从服务器获取到的目标街区的类型显示在显示界面上。
可选地，在本实施例中，街区可以是一个地理概念，比如城市街区、村镇街区等等，这种划分方式可以是在城镇规划时按照城镇的道路划分出的。街区也可以是根据收集到的用户在区域内的活动数据自动识别的，比如：通过人工智能模型将一个区域划分成多个不同功能的街区。
可选地，在本实施例中，街区的类型可以但不限于用于指示街区的功能，比如：传统的划分方式中的城市街区被划分为住宅区、商业区、办公区、学区等等。或者，街区的功能可以但不限于由街区中人群的运动轨迹和运动时间来确定。比如：大量的人群在周一到周五的早上从A街区和B街区移动到C街区和D街区，在周一到周五的晚上从C街区和D街区移动到A街区和B街区，在周六和周日的早上从A街区和B街区移动到E街区和F街区，那么，A街区和B街区的功能可能是相似的，A街区和B街区可能属于同一类型的街区，C街区和D街区的功能可能是相似的，C街区和D街区可能属于同一类型的街区，E街区和F街区的功能可能是相似的，E街区和F街区可能属于同一类型的街区，而A街区和B街区所属的街区类型、C街区和D街区所属的街区类型与E街区和F街区所属的街区类型可能各不相同。一个街区可以但不限于具有一种或者多种功能。上述街区的类型仅是一种示例，本实施例中对此不做任何限定。
可选地，在本实施例中，上述第一请求可以但不限于包括以下功能的请求：请求为店铺选址、请求快速了解城市地块、请求地点推荐等等。
对于店铺选址的请求，通过街区之间已产生的帐号轨迹数据可以准确识别出各街区语义信息，如公司、住宅、购物中心等，在店铺选址时，可考虑所选地址的功能是否符合店铺需求，从而更精确地进行店铺选址推荐。
对于快速了解城市地块，当用户进入未知城市后，如旅游、出差等，用户可通过根据街区之间已产生的帐号轨迹数据产生的街区类型迅速了解该城市的功能区分布情况，从而为其住宿、吃饭、旅游等地址选择提供一定指导。
对于地点推荐，利用帐号轨迹数据可以学习出街区的动态语义，因此可以做到基于用户使用记录和用户所处地的实时POI访问频率进行地点的推荐，由于考虑到实时的访问信息，因此可以更准确地推荐用户所需的POI。
可选地，在本实施例中，上述帐号可以但不限于包括用户在各种各样的应用程序或者网站上注册的帐号，同一个用户在不同应用上注册的帐号可以建立关联关系，比如：即时通讯应用的帐号可以与多媒体应用帐号、游戏帐号、导航应用帐号进行绑定，这些不同应用上的帐号可以看做是同一个帐号标识下的帐号，可以用即时通讯应用的帐号来代表。
可选地，在本实施例中，帐号轨迹数据记录了帐号产生的运动轨迹、该帐号的运动轨迹经过的街区、该帐号的运动轨迹产生的时间等信息。即可根据这些信息动态分析出街区在各个时间所具有的类型，从而更加精确的表示出街区的语义。
可选地，在本实施例中，帐号产生的运动轨迹可以但不限于包括用户在使用各种应用时应用对该用户进行定位时记录的帐号的定位位置，运动轨迹产生的时间则可以但不限于为定位记录产生的时间。比如：用户A早上7点在家中打开了即时通讯应用，上午9点半在办公室里又打开了该即时通讯应用，中午12点在饭店打开了新闻推动应用，晚上18点40分在家中打开了视频应用，该用户的家在街区A、办公室在街区B，中午去的饭店在街区C，那么，可以记录该用户的帐号产生的运动轨迹可以记录为：街区A～街区B～街区C，运动轨迹产生的时间可以记录为：7:00～9:30～18:40。
可选地，在本实施例中，帐号轨迹数据可以但不限于是通过各种关联的应用、软件、客户端收集到的。比如：用户在即时通讯软件上使用共享位置功能，则可以对该用户所使用的即时通讯帐号进行定位，从而收集到帐号的定位信息，进而根据帐号每一次的定位信息生成帐号轨迹数据。
可见，通过上述步骤，当在客户端上获取到用于请求获取目标街区的类型的第一请求时，响应该第一请求获取目标街区的类型显示在客户端上，从而为用户提供目标街区的类型，由于该目标街区的类型是根据街区之间已产生的帐号轨迹数据产生的，其仅利用了帐号在街区之间移动的动态数据生成街区类型，因此没有对高质量POI分布数据的依赖，从而大大提高了应用场景的普遍性，利用帐号的轨技数据确定街区的类型，能够获得用户在各个街区的真实行为，从而准确划定城市街区功能，进而提高了对街区类型进行识别的准确性，进而解决了相关技术对街区类型进行识别的准确性较低的技术问题。
作为一种可选的方案，响应第一请求获取目标街区的类型包括：
S1，确定第一请求所请求获取的目标街区的类型的第一时间段，其中，目标街区的类型包括具有对应关系的第二时间段和街区类型，第二时间段包括第一时间段；
S2，从具有对应关系的第二时间段和街区类型中获取第一时间段所对应的目标街区类型作为目标街区的类型。
可选地，在本实施例中，目标街区可以但不限于在不同的时间段具有相同或者不同的类型，不同的类型可以用来表示街区所具有的功能，也就是说，街区可以在不同的时间具有不同的功能，在确定目标街区的类型之前，可以对时间段进行划分，并确定目标街区在每个时间段上的类型，将时间段和类型之间的对应关系记录下来。例如：在从具有对应关系的第二时间段和街区类型中获取第一时间段所对应的目标街区类型作为目标街区的类型之前，可以确定第二时间段，并确定目标街区在第二时间段中的每个时间段时的街区类型，其中，目标街区在每个时间段时的街区类型用于指示目标街区在每个时间段时所具有的功能，记录具有对应关系的第二时间段和街区类型。
可选地，在本实施例中，一天的时间可以但不限于被划分为第二时间段，目标街区的类型可以但不限于为该目标街区在各个第二时间段的类型。客户端获取到的第一请求可以但不限于指示了请求确定目标街区类型的具体时间段，即第一时间段，可以将第一时间段对应的目标街区的类型作为第一请求的反馈显示在客户端上。
可选地，在本实施例中，客户端所接收到的第一请求所请求获取的街区的类型可以但不限于是在第二时间段中跨时间段的，比如：第二时间段包括：7点到11点、11点到13点、13点到18点、18点到19点、19点到22点、22点到次日7点，第一请求可以请求9点到12点间目标街区的类型，那么，可以将目标街区在7点到11点对应的类型以及11点到13点对应的类型均作为第一请求的反馈信息反馈给客户端。该反馈信息可以但不限于是时间段与类型的对应关系，例如：目标街区在9点到11点的类型为类型1，在11点到12点的类型为类型2，在这种情况下，可以将第一时间段的时间节点和第二时间段的时间节点结合，反馈给客户端，或者还可以直接将第二时间段和类型的对应关系反馈给客户端，比如：目标街区在7点到11点的类型为类型1，在11点到13点的类型为类型2。
可选地，在本实施例中，可以但不限于通过以下方式获取第一时间段所对应的目标街区类型：从第二时间段中确定第一时间段所在的目标时间段，其中，目标时间段包括一个或者多个时间段，并从具有对应关系的第二时间段和街区类型中获取目标时间段所对应的一个或者多个街区类型，将一个或者多个街区类型确定为目标街区类型作为目标街区的类型。
可选地，在本实施例中，街区在不同的时间段可以被划分为不同的类型，比如：用户想要开一家饭店，第一请求用于请求推荐饭店的选址，则第一请求可以指示获取中午11点到下午2点、晚上5点到晚上10点的街区的类型。用户想要开一家便利店，第一请求用于请求推荐便利店的选址，则第一请求可以指示获取上午9点到中午12点、下午2点到晚上7点的街区的类型。
作为一种可选的方案，在响应第一请求获取目标街区的类型之前，还包括：
S1，获取街区之间已产生的帐号轨迹数据；
S2，根据街区之间已产生的帐号轨迹数据确定每个街区的类型。
可选地，在本实施例中，根据收集到的帐号的定位信息、停留时间等数据可以获取到街区之间已产生的帐号轨迹数据。例如：帐号1在前一天晚上10点至当天早上9点定位在A街区，当天早上9点到上午10点移动到B街区，上午10点到中午12点停留在B街区，则可以根据以上信息获取到帐号1的一条帐号轨迹数据A街区(10PM-9AM)→B街区(10AM-12AM)。
需要说明的是，上述获取帐号轨迹数据的方式只是一种示例，其他能够获取到帐号轨迹信息的方式与此类似，在此不再赘述。
可选地，在本实施例中，由于帐号的轨迹数据中包含噪声，如GPS定位的偏移(bias)、短时间的停留可能是暂时经过而并非进行功能性行为等，故在提取驻留点时需要消除噪声影响，从帐号轨迹数据中筛选出在300米范围内停留超过15分钟的移动记录，并将这些移动记录合并成驻留点，帐号轨迹数据表示为驻留点间的跳转，如图3所示，p3，p4，p5是由于GPS定位的偏移导致在轨迹数据中存在三个点，但是其实可以认为成一个驻留点，故合并成s1。
作为一种可选的方案，根据街区之间已产生的帐号轨迹数据确定每个街区的类型包括：
S1，根据帐号轨迹数据构建帐号移动网络，其中，帐号移动网络用于表示每个目标时间段上的各个街区之间的相似关系，帐号移动网络以每个目标时间段上的各个街区为节点，以帐号在节点之间的运动关系和节点之间的地理位置关系为边；
S2，根据帐号移动网络对表征节点的向量进行训练，得到节点对应的目标向量；
S3，将目标向量确定为每个街区在每个目标时间段所对应的类型。
可选地，在本实施例中，街区之间的相似关系可以但不限于指街区之间功能上的相似，比如：在一天的同一个时间段内均有大量用户停留在街区A和街区B上，那么，街区A和街区B在该时间段上的功能可能是相同的，举一个简单的例子来说，在中午11点到12点之间，有大量帐号进入街区A的记录，同时也有大量帐号进入街区B的记录，那么街区A和街区B的功能可能是类似的，可以认为它们属于相同的街区的类型，可能都是用餐区。
可选地，在本实施例中，构建的帐号移动网络可以通过构建各个街区在各个时间段上的连接关系来表示每个目标时间段上的各个街区之间的相似关系。
可选地，在本实施例中，上述帐号移动网络的节点为各个时间段上的街区。例如：一个区域上有6个街区，将一天24个小时划分为6个时间段：7点到11点、11点到13点、13点到18点、18点到19点、19点到22点、22点到次日7点，那么每个时间段上的该区域可以看做是一个时间片，该时间段上的这6个街区可以看做该时间片上的6个节点，也就是说，有6个这样的时间片，每个时间片上有6个节点，一共有36个节点。
可选地，在本实施例中，帐号移动网络中的边用来表示帐号在节点之间的运动关系和节点之间的地理位置关系。比如：帐号在7点到13点出现在街区A，在13点到18点出现在街区B，街区A在7点到11点的节点为节点A1，街区A在11点到13点的节点为节点A2，街区B在13点到18点的节点为节点B3，则可以构建出连接节点A1和节点A2的边，以及连接节点A2和节点B3的边。街区B在7点到11点的节点为节点B1，街区B在11点到13点的节点为节点B2，如果街区A和街区B之间的距离小于预设的距离值，则还可以构建连接节点A1和节点B1的边，以及连接节点A2和节点B2的边，以此类推。
可选地，在本实施例中，在构建帐号移动网络时，将空间离散为街区，时间离散为一小时的时间片。将街区和时间片构成的时空点作为移动网络中的节点(也可以称为时空点)，目标是学习网络中每个时空点的目标向量。根据用户的移动轨迹，提取出连接时空点的边。可以将用户的移动行为抽象为同义边、转义边两种边。同义边描述了用户长时间停留、周期性访问和区域空间临近等关系，同义边连接的节点具有相似的语义。转义边描述了用户在时空点上跳转的行为，转义边的二阶邻居(即具有相同上一跳和下一跳的节点)具有相似语义。
可选地，在本实施例中，对于构建出的帐号移动网络，可以基于概率模型进行学习训练，得到每个节点对应的目标向量来表示该节点的街区类型。
作为一种可选的方案，根据帐号移动网络对表征节点的向量进行训练，得到节点对应的目标向量包括：
S1，重复执行以下步骤，直至每次采样到的边所连接的两个节点当前所对应的向量使得目标函数收敛；
S11，对帐号移动网络的边进行采样，并获取采样到的边所连接的两个节点当前所对应的向量；
S12，根据采样到的边的边类型对两个节点当前所对应的向量进行更新。
可选地，在本实施例中，向量的训练过程可以采用表征学习算法的方式。目标向量的训练过程可以但不限于是一个采样更新优化的过程，对帐号移动网络中的边进行采样，再根据采样到的边的类型对该边所连接的两个节点的向量进行优化更新，使得更新后的向量能够使得目标优化函数达到最小化。
作为一种可选的方案，节点所对应的向量为2d维的向量，其中，d为正整数，2d维的向量的前d维用于表征节点所具有的第一类型的边，2d维的向量的后d维用于表征节点所具有的第二类型的边，第一类型的边所连接的节点具有相似的类型，第二类型的边为从第一源节点连接到第一目的节点的边，第一源节点与第二目的节点具有相似的类型，第一目的节点具有从第一目的节点连接到第二目的节点的边，
根据采样到的边的边类型对两个节点当前所对应的向量进行更新包括：
S1，在采样到的边的边类型为第一类型的情况下，对两个节点当前所对应的向量进行更新，以使得两个节点当前所对应的向量的相似度高于目标相似度；
S2，在采样到的边的边类型为第二类型的情况下，对采样到的边的目的节点当前所对应的向量的后d维和采样到的边的源节点当前所对应的向量的前d维进行更新，以使得采样到的边的目的节点当前所对应的向量的后d维和采样到的边的源节点当前所对应的向量的前d维的相似度高于目标相似度。
可选地，在本实施例中，将帐号移动网络中连接节点的边分为两种类型，第一类型的边和第二类型的边，第一类型的边可以被称为同义边，用来描述帐号在节点间的长时间停留、周期性访问和节点之间区域空间临近三种关系。第二类型的边可以被称为转义边，用来描述帐号的跳转行为。
可选地，在本实施例中，帐号移动网络中的每个边均具有权重，该权重为存在该边所表示的帐号的运动轨迹的帐号数量。
可选地，在本实施例中，在构建帐号移动网络的过程中可以根据帐号轨迹数据构建上述两种类型的边来连接各个节点形成网络。
例如：用于描述帐号停留的同义边构建可以但不限于采用以下方式：在生活中，如果一个区域在两个相邻的时间片上，有许多用户静止不动，则对应的时空点应该有相似的语义，如住宅区0～6点，大量用户处于睡眠，这些区域应为住宅区，具有相似的语义。基于以上假设，帐号如果在一个街区停留超过一个时间片，则在该区域用户停留时间片对应的时空点间构建用户停留边。边的权重可以为产生停留行为的用户数。如图4所示，当一个区域的帐号在两个相邻时间片中都出现，则可以认为他在此处停留，并构建第一类型的用户停留边。
用于描述帐号周期访问的同义边构建可以但不限于采用以下方式：在生活中，用户周期性访问的时空点应该有相似的语义，如每天重复的工作作息。基于以上假设，可以认为帐号如果在24小时后访问同一个街区，则对应的两个时空点间应该有同义边，边的权重与周期访问的人数相等。如图5所示，当一个用户在24小时后访问同一街区时，可以认为他对此处周期访问，并构建周期访问边。
用于描述街区间位置临近的同义边构建可以但不限于采用以下方式：在生活中，由于城市功能在空间上具有连续性，若两区域相隔较近，一般情况下差异不会很大，而且往往具有很强的相似性，因此，若两街区物理位置相近，则在他们对应的相隔的时空点之间构建一个同义边。边的权重与距离呈负相关。如图6所示，相邻区域构建同义边。
用于描述帐号跳转行为的转义边构建可以但不限于采用以下方式：在生活中，有相似跳转上下文的时空点有相似语意，如中午时间用户从公司到不同餐馆吃饭，之后再返回公司，则不同餐馆尽管在不同位置，但是具有相同的语义。因此，如果帐号在从一个时空点跳转到了另一个时空点，则在两个时空点间建一个转移边，边的权重与跳转人数相同。如图7所示，帐号从同一位置出发，到达不同位置，最后再回到同一位置，为此构建转义边。
可选地，在本实施例中，可以但不限于使用节点具有的边构成的向量来表示节点。每个节点的向量由两个部分构成，前d维由同义边表示，后d维由转义边表示。
可选地，在本实施例中，如果采样到第一类型的边，即同义边，由于具有同义边的节点可能具有更加相似的语义，则可以将该边所连接的两个节点的向量更新的更加相似。
可选地，在本实施例中，如果采样到第二类型的边，即转义边，由于具有转义边的源节点和该转义边的目的节点的下一跳节点可能具有更加相似的语义，则可以将该边的目的节点当前所对应的向量的后d维和该边的源节点当前所对应的向量的前d维更新得更加相似。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
根据本发明实施例的另一个方面，还提供了一种用于实施上述街区类型的确定方法的街区类型的确定装置，如图8所示，该装置包括：
第一获取模块82，在客户端上获取到第一请求，其中，第一请求用于请求获取目标街区的类型；
第二获取模块84，用于响应第一请求获取目标街区的类型，其中，目标街区的类型根据街区之间已产生的帐号轨迹数据产生，帐号轨迹数据包括：具有关联关系的帐号、帐号产生的运动轨迹、运动轨迹经过的街区和运动轨迹产生的时间，街区包括目标街区；
显示模块86，用于在客户端上显示目标街区的类型。
可选地，在本实施例中，上述街区类型的确定装置可以但不限于应用于对街区类型进行确定的场景中。其中，上述客户端可以但不限于为各种类型的应用，例如，地图导航应用、即时通讯应用、生活推荐应用、游戏应用、购物应用、浏览器应用、金融应用等。具体的，可以但不限于应用于在上述地图导航应用中确定街区类型的场景中，或还可以但不限于应用于在上述生活推荐应用中确定街区类型的场景中，以提高确定街区类型的准确性。上述仅是一种示例，本实施例中对此不做任何限定。
可选地，在本实施例中，街区可以是一个地理概念，比如城市街区、村镇街区等等，这种划分方式可以是在城镇规划时按照城镇的道路划分出的。街区也可以是根据收集到的用户在区域内的活动数据自动识别的，比如：通过人工智能模型将一个区域划分成多个不同功能的街区。
可选地，在本实施例中，街区的类型可以但不限于用于指示街区的功能，比如：传统的划分方式中的城市街区被划分为住宅区、商业区、办公区、学区等等。或者，街区的功能可以但不限于由街区中人群的运动轨迹和运动时间来确定。比如：大量的人群在周一到周五的早上从A街区和B街区移动到C街区和D街区，在周一到周五的晚上从C街区和D街区移动到A街区和B街区，在周六和周日的早上从A街区和B街区移动到E街区和F街区，那么，A街区和B街区的功能可能是相似的，A街区和B街区可能属于同一类型的街区，C街区和D街区的功能可能是相似的，C街区和D街区可能属于同一类型的街区，E街区和F街区的功能可能是相似的，E街区和F街区可能属于同一类型的街区，而A街区和B街区所属的街区类型、C街区和D街区所属的街区类型与E街区和F街区所属的街区类型可能各不相同。一个街区可以但不限于具有一种或者多种功能。上述街区的类型仅是一种示例，本实施例中对此不做任何限定。
可选地，在本实施例中，上述第一请求可以但不限于包括以下功能的请求：请求为店铺选址、请求快速了解城市地块、请求地点推荐等等。
对于店铺选址的请求，通过街区之间已产生的帐号轨迹数据可以准确识别出各街区语义信息，如公司、住宅、购物中心等，在店铺选址时，可考虑所选地址的功能是否符合店铺需求，从而更精确地进行店铺选址推荐。
对于快速了解城市地块，当用户进入未知城市后，如旅游、出差等，用户可通过根据街区之间已产生的帐号轨迹数据产生的街区类型迅速了解该城市的功能区分布情况，从而为其住宿、吃饭、旅游等地址选择提供一定指导。
对于地点推荐，利用帐号轨迹数据可以学习出街区的动态语义，因此可以做到基于用户使用记录和用户所处地的实时POI访问频率进行地点的推荐，由于考虑到实时的访问信息，因此可以更准确地推荐用户所需的POI。
可选地，在本实施例中，上述帐号可以但不限于包括用户在各种各样的应用程序或者网站上注册的帐号，同一个用户在不同应用上注册的帐号可以建立关联关系，比如：即时通讯应用的帐号可以与多媒体应用帐号、游戏帐号、导航应用帐号进行绑定，这些不同应用上的帐号可以看做是同一个帐号标识下的帐号，可以用即时通讯应用的帐号来代表。
可选地，在本实施例中，帐号轨迹数据记录了帐号产生的运动轨迹、该帐号的运动轨迹经过的街区、该帐号的运动轨迹产生的时间等信息。即可根据这些信息动态分析出街区在各个时间所具有的类型，从而更加精确的表示出街区的语义。
可选地，在本实施例中，帐号产生的运动轨迹可以但不限于包括用户在使用各种应用时应用对该用户进行定位时记录的帐号的定位位置，运动轨迹产生的时间则可以但不限于为定位记录产生的时间。比如：用户A早上7点在家中打开了即时通讯应用，上午9点半在办公室里又打开了该即时通讯应用，中午12点在饭店打开了新闻推动应用，晚上18点40分在家中打开了视频应用，该用户的家在街区A、办公室在街区B，中午去的饭店在街区C，那么，可以记录该用户的帐号产生的运动轨迹可以记录为：街区A～街区B～街区C，运动轨迹产生的时间可以记录为：7:00～9:30～18:40。
可选地，在本实施例中，帐号轨迹数据可以但不限于是通过各种关联的应用、软件、客户端收集到的。比如：用户在即时通讯软件上使用共享位置功能，则可以对该用户所使用的即时通讯帐号进行定位，从而收集到帐号的定位信息，进而根据帐号每一次的定位信息生成帐号轨迹数据。
可见，通过上述装置，当在客户端上获取到用于请求获取目标街区的类型的第一请求时，响应该第一请求获取目标街区的类型显示在客户端上，从而为用户提供目标街区的类型，由于该目标街区的类型是根据街区之间已产生的帐号轨迹数据产生的，其仅利用了帐号在街区之间移动的动态数据生成街区类型，因此没有对高质量POI分布数据的依赖，从而大大提高了应用场景的普遍性，利用帐号的轨技数据确定街区的类型，能够获得用户在各个街区的真实行为，从而准确划定城市街区功能，进而提高了对街区类型进行识别的准确性，进而解决了相关技术对街区类型进行识别的准确性较低的技术问题。
作为一种可选的方案，第二获取模块包括：
第一确定单元，用于确定第一请求所请求获取的目标街区的类型的第一时间段，其中，目标街区的类型包括具有对应关系的第二时间段和街区类型，第二时间段包括第一时间段；
获取单元，用于从具有对应关系的第二时间段和街区类型中获取第一时间段所对应的目标街区类型作为目标街区的类型。
可选地，在本实施例中，上述装置还可以用于：在从具有对应关系的第二时间段和街区类型中获取第一时间段所对应的目标街区类型作为目标街区的类型之前，确定第二时间段；确定目标街区在第二时间段中的每个时间段时的街区类型，其中，目标街区在每个时间段时的街区类型用于指示目标街区在每个时间段时所具有的功能；记录具有对应关系的第二时间段和街区类型。
可选地，在本实施例中，目标街区可以但不限于在不同的时间段具有相同或者不同的类型，不同的类型可以用来表示街区所具有的功能，也就是说，街区可以在不同的时间具有不同的功能，在确定目标街区的类型之前，可以对时间段进行划分，并确定目标街区在每个时间段上的类型，将时间段和类型之间的对应关系记录下来。
可选地，在本实施例中，一天的时间可以但不限于被划分为第二时间段，目标街区的类型可以但不限于为该目标街区在各个第二时间段的类型。客户端获取到的第一请求可以但不限于指示了请求确定目标街区类型的具体时间段，即第一时间段，可以将第一时间段对应的目标街区的类型作为第一请求的反馈显示在客户端上。
可选地，在本实施例中，获取单元用于：从所述第二时间段中确定所述第一时间段所在的目标时间段，其中，所述目标时间段包括一个或者多个时间段；从具有对应关系的第二时间段和街区类型中获取所述目标时间段所对应的一个或者多个街区类型；将所述一个或者多个街区类型确定为所述目标街区类型作为所述目标街区的类型。
可选地，在本实施例中，客户端所接收到的第一请求所请求获取的街区的类型可以但不限于是在第二时间段中跨时间段的，比如：第二时间段包括：7点到11点、11点到13点、13点到18点、18点到19点、19点到22点、22点到次日7点，第一请求可以请求9点到12点间目标街区的类型，那么，可以将目标街区在7点到11点对应的类型以及11点到13点对应的类型均作为第一请求的反馈信息反馈给客户端。该反馈信息可以但不限于是时间段与类型的对应关系，例如：目标街区在9点到11点的类型为类型1，在11点到12点的类型为类型2，在这种情况下，可以将第一时间段的时间节点和第二时间段的时间节点结合，反馈给客户端，或者还可以直接将第二时间段和类型的对应关系反馈给客户端，比如：目标街区在7点到11点的类型为类型1，在11点到13点的类型为类型2。
可选地，在本实施例中，街区在不同的时间段可以被划分为不同的类型，比如：用户想要开一家饭店，第一请求用于请求推荐饭店的选址，则第一请求可以指示获取中午11点到下午2点、晚上5点到晚上10点的街区的类型。用户想要开一家便利店，第一请求用于请求推荐便利店的选址，则第一请求可以指示获取上午9点到中午12点、下午2点到晚上7点的街区的类型。
作为一种可选的方案，上述装置还包括：
第三获取模块，用于获取街区之间已产生的帐号轨迹数据；
确定模块，用于根据街区之间已产生的帐号轨迹数据确定每个街区的类型。
可选地，在本实施例中，根据收集到的帐号的定位信息、停留时间等数据可以获取到街区之间已产生的帐号轨迹数据。例如：帐号1在前一天晚上10点至当天早上9点定位在A街区，当天早上9点到上午10点移动到B街区，上午10点到中午12点停留在B街区，则可以根据以上信息获取到帐号1的一条帐号轨迹数据A街区(10PM-9AM)→B街区(10AM-12AM)。
需要说明的是，上述获取帐号轨迹数据的方式只是一种示例，其他能够获取到帐号轨迹信息的方式与此类似，在此不再赘述。
可选地，在本实施例中，由于帐号的轨迹数据中包含噪声，如GPS定位的偏移(bias)、短时间的停留可能是暂时经过而并非进行功能性行为等，故在提取驻留点时需要消除噪声影响，从帐号轨迹数据中筛选出在300米范围内停留超过15分钟的移动记录，并将这些移动记录合并成驻留点，帐号轨迹数据表示为驻留点间的跳转，如图3所示，p3，p4，p5是由于GPS定位的偏移导致在轨迹数据中存在三个点，但是其实可以认为成一个驻留点，故合并成s1。
作为一种可选的方案，确定模块包括：
构建单元，用于根据帐号轨迹数据构建帐号移动网络，其中，帐号移动网络用于表示每个目标时间段上的各个街区之间的相似关系，帐号移动网络以每个目标时间段上的各个街区为节点，以帐号在节点之间的运动关系和节点之间的地理位置关系为边；
训练单元，用于根据帐号移动网络对表征节点的向量进行训练，得到节点对应的目标向量；
第二确定单元，用于将目标向量确定为每个街区在每个目标时间段所对应的类型。
可选地，在本实施例中，街区之间的相似关系可以但不限于指街区之间功能上的相似，比如：在一天的同一个时间段内均有大量用户停留在街区A和街区B上，那么，街区A和街区B在该时间段上的功能可能是相同的，举一个简单的例子来说，在中午11点到12点之间，有大量帐号进入街区A的记录，同时也有大量帐号进入街区B的记录，那么街区A和街区B的功能可能是类似的，可以认为它们属于相同的街区的类型，可能都是用餐区。
可选地，在本实施例中，构建的帐号移动网络可以通过构建各个街区在各个时间段上的连接关系来表示每个目标时间段上的各个街区之间的相似关系。
可选地，在本实施例中，上述帐号移动网络的节点为各个时间段上的街区。例如：一个区域上有6个街区，将一天24个小时划分为6个时间段：7点到11点、11点到13点、13点到18点、18点到19点、19点到22点、22点到次日7点，那么每个时间段上的该区域可以看做是一个时间片，该时间段上的这6个街区可以看做该时间片上的6个节点，也就是说，有6个这样的时间片，每个时间片上有6个节点，一共有36个节点。
可选地，在本实施例中，帐号移动网络中的边用来表示帐号在节点之间的运动关系和节点之间的地理位置关系。比如：帐号在7点到13点出现在街区A，在13点到18点出现在街区B，街区A在7点到11点的节点为节点A1，街区A在11点到13点的节点为节点A2，街区B在13点到18点的节点为节点B3，则可以构建出连接节点A1和节点A2的边，以及连接节点A2和节点B3的边。街区B在7点到11点的节点为节点B1，街区B在11点到13点的节点为节点B2，如果街区A和街区B之间的距离小于预设的距离值，则还可以构建连接节点A1和节点B1的边，以及连接节点A2和节点B2的边，以此类推。
可选地，在本实施例中，在构建帐号移动网络时，将空间离散为街区，时间离散为一小时的时间片。将街区和时间片构成的时空点作为移动网络中的节点(也可以称为时空点)，目标是学习网络中每个时空点的目标向量。根据用户的移动轨迹，提取出连接时空点的边。可以将用户的移动行为抽象为同义边、转义边两种边。同义边描述了用户长时间停留、周期性访问和区域空间临近等关系，同义边连接的节点具有相似的语义。转义边描述了用户在时空点上跳转的行为，转义边的二阶邻居(即具有相同上一跳和下一跳的节点)具有相似语义。
可选地，在本实施例中，对于构建出的帐号移动网络，可以基于概率模型进行学习训练，得到每个节点对应的目标向量来表示该节点的街区类型。
作为一种可选的方案，训练单元包括：
执行子单元，用于重复执行以下步骤，直至每次采样到的边所连接的两个节点当前所对应的向量使得目标函数收敛：
对帐号移动网络的边进行采样，并获取采样到的边所连接的两个节点当前所对应的向量；
根据采样到的边的边类型对两个节点当前所对应的向量进行更新。
可选地，在本实施例中，向量的训练过程可以采用表征学习算法的方式。目标向量的训练过程可以但不限于是一个采样更新优化的过程，对帐号移动网络中的边进行采样，再根据采样到的边的类型对该边所连接的两个节点的向量进行优化更新，使得更新后的向量能够使得目标优化函数达到最小化。
作为一种可选的方案，节点所对应的向量为2d维的向量，其中，d为正整数，2d维的向量的前d维用于表征节点所具有的第一类型的边，2d维的向量的后d维用于表征节点所具有的第二类型的边，第一类型的边所连接的节点具有相似的类型，第二类型的边为从第一源节点连接到第一目的节点的边，第一源节点与第二目的节点具有相似的类型，第一目的节点具有从第一目的节点连接到第二目的节点的边，
执行子单元，用于：
在采样到的边的边类型为第一类型的情况下，对两个节点当前所对应的向量进行更新，以使得两个节点当前所对应的向量的相似度高于目标相似度；
在采样到的边的边类型为第二类型的情况下，对采样到的边的目的节点当前所对应的向量的后d维和采样到的边的源节点当前所对应的向量的前d维进行更新，以使得采样到的边的目的节点当前所对应的向量的后d维和采样到的边的源节点当前所对应的向量的前d维的相似度高于目标相似度。
可选地，在本实施例中，将帐号移动网络中连接节点的边分为两种类型，第一类型的边和第二类型的边，第一类型的边可以被称为同义边，用来描述帐号在节点间的长时间停留、周期性访问和节点之间区域空间临近三种关系。第二类型的边可以被称为转义边，用来描述帐号的跳转行为。
可选地，在本实施例中，帐号移动网络中的每个边均具有权重，该权重为存在该边所表示的帐号的运动轨迹的帐号数量。
可选地，在本实施例中，在构建帐号移动网络的过程中可以根据帐号轨迹数据构建上述两种类型的边来连接各个节点形成网络。
例如：用于描述帐号停留的同义边构建可以但不限于采用以下方式：在生活中，如果一个区域在两个相邻的时间片上，有许多用户静止不动，则对应的时空点应该有相似的语义，如住宅区0～6点，大量用户处于睡眠，这些区域应为住宅区，具有相似的语义。基于以上假设，帐号如果在一个街区停留超过一个时间片，则在该区域用户停留时间片对应的时空点间构建用户停留边。边的权重可以为产生停留行为的用户数。如图4所示，当一个区域的帐号在两个相邻时间片中都出现，则可以认为他在此处停留，并构建第一类型的用户停留边。
用于描述帐号周期访问的同义边构建可以但不限于采用以下方式：在生活中，用户周期性访问的时空点应该有相似的语义，如每天重复的工作作息。基于以上假设，可以认为帐号如果在24小时后访问同一个街区，则对应的两个时空点间应该有同义边，边的权重与周期访问的人数相等。如图5所示，当一个用户在24小时后访问同一街区时，可以认为他对此处周期访问，并构建周期访问边。
用于描述街区间位置临近的同义边构建可以但不限于采用以下方式：在生活中，由于城市功能在空间上具有连续性，若两区域相隔较近，一般情况下差异不会很大，而且往往具有很强的相似性，因此，若两街区物理位置相近，则在他们对应的相隔的时空点之间构建一个同义边。边的权重与距离呈负相关。如图6所示，相邻区域构建同义边。
用于描述帐号跳转行为的转义边构建可以但不限于采用以下方式：在生活中，有相似跳转上下文的时空点有相似语意，如中午时间用户从公司到不同餐馆吃饭，之后再返回公司，则不同餐馆尽管在不同位置，但是具有相同的语义。因此，如果帐号在从一个时空点跳转到了另一个时空点，则在两个时空点间建一个转移边，边的权重与跳转人数相同。如图7所示，帐号从同一位置出发，到达不同位置，最后再回到同一位置，为此构建转义边。
可选地，在本实施例中，可以但不限于使用节点具有的边构成的向量来表示节点。每个节点的向量由两个部分构成，前d维由同义边表示，后d维由转义边表示。
可选地，在本实施例中，如果采样到第一类型的边，即同义边，由于具有同义边的节点可能具有更加相似的语义，则可以将该边所连接的两个节点的向量更新的更加相似。
可选地，在本实施例中，如果采样到第二类型的边，即转义边，由于具有转义边的源节点和该转义边的目的节点的下一跳节点可能具有更加相似的语义，则可以将该边的目的节点当前所对应的向量的后d维和该边的源节点当前所对应的向量的前d维更新得更加相似。
本发明实施例的应用环境可以但不限于参照上述实施例中的应用环境，本实施例中对此不再赘述。本发明实施例提供了用于实施上述实时通信的连接方法的一种可选的具体应用示例。
作为一种可选的实施例，上述街区类型的确定方法可以但不限于应用于如图9所示的确定街区的类型的场景中。在本场景中，提出了一种基于表征学习的街区语义识别算法，其核心思想利用帐号的停留行为、周期访问行为和跳转行为及位置的临近来构建帐号移动网络结构并对其基于概率模型进行学习，采用随机梯度下降法进行优化，从而得出不同街区在移动网络中的语义。在本场景中定义了两大类的边，分别是同义边和转义边。事实上，如果一个区域在两个相邻的时间片上，有许多用户静止不动，则对应的时空点应该有相似的语义；用户周期性访问的时空点应该有相似的语义；若两区域相隔较近，一般情况下差异不会很大，而且往往具有很强的相似性；有相似跳转上下文的时空点有相似语意。同义边描述了上文中提到的用户长时间停留、周期性访问和区域空间临近三种关系，转义边描述了用户在不同区域间的跳转行为。
在本实施例中，提出了一个基于大规模无标注的用户轨迹数据的街区语义识别模型，基于表征学习的方法获得各街区各时间的表征向量，从而可以根据各向量的相似程度识别出街区的语义。
本技术方案在模型的构建上分为移动网络生成和表征学习算法。下面分别介绍两部分的具体实现：
在帐号移动网络生成的过程中，分为提取驻留点、同义边构建和转移边构建三个部分。在构建网络时，将空间离散为三级街区，时间离散为一小时的时间片。将街区和时间片构成的时空点作为移动网络中的节点，目标是学习网络中每个时空点的场景表示。根据用户的移动轨迹，提取出连接时空点的边。将用户的移动行为抽象为同义边、转义边两种边。同义边描述了用户长时间停留、周期性访问和区域空间临近三种关系，同义边连接的节点应用相似的语义。转义边描述了用户在时空点上跳转的行为，转义边的二阶邻居应该有相似语义。
在提取驻留点的过程中，由于用户的轨迹数据中包含噪声，如GPS定位的偏移(bias)、短时间的停留可能是暂时经过而并非进行功能性行为等，故在提取驻留点时需要注意消除噪声影响，我们从用户轨迹数据中筛选出在300米范围内停留超过15分钟的移动记录，并将这些移动记录合并成驻留点，用户的轨迹表示为驻留点间的跳转，如图3所示，p3，p4，p5是由于GPS定位的偏移导致在轨迹数据中存在三个点，但是其实可以认为成一个驻留点，故合并成s1。
同义边描述了用户长时间停留、周期性访问和区域空间临近三种关系，此部分就三种情况分别介绍同义边的构建方法。
用户停留的同义边构建：在生活中，如果一个区域在两个相邻的时间片上，有许多用户静止不动，则对应的时空点应该有相似的语义，如住宅区0～6点,大量用户处于睡眠，这些区域应为住宅区，具有相似的语义。基于以上假设，我们认为，用户如果在一个街区停留超过一个时间片，则在该区域用户停留时间片对应的时空点间构建用户停留边。边的权重为产生停留行为的用户数。如图4所示，当一个区域的用户在两个相邻时间片中都出现，我们认为他在此处停留，并构建用户停留边。
周期访问的同义边构建：在生活中，用户周期性访问的时空点应该有相似的语义，如每天重复的工作作息。基于以上假设，我们认为，用户如果在24小时后访问同一个街区，则对应的两个时空点间应该有同义边，边的权重与周期访问的人数相等。如图5所示，当一个用户在24小时后访问同一街区时，我们认为他对此处周期访问，并构建周期访问边。
位置临近的同义边构建：在生活中，由于城市功能在空间上具有连续性，若两区域相隔较近，一般情况下差异不会很大，而且往往具有很强的相似性，因此，若两街区物理位置相近，则在他们对应的相隔的时空点之间构建一个同义边。边的权重与距离呈负相关。如图6所示，相邻区域构建同义边。
跳转行为的转义边构建：在生活中，有相似跳转上下文的时空点有相似语意，如中午时间用户从公司到不同餐馆吃饭，之后再返回公司，则不同餐馆尽管在不同位置，但是具有相同的语义。因此，我们认为，，如果用户在从一个时空点跳转到了另一个时空点，则在两个时空点间建一个转移边，边的权重与跳转人数相同。如图7所示，用户从同一位置出发，到达不同位置，最后再回到同一位置，为此构建转义边。
对于上文构建出的移动网络，我们基于概率模型进行学习，将网络抽象为G＝{V,E}的集合，其中V＝{vi}是节点集合，E＝{ei}是边的集合。对于节点vi使用向量ui∈R2d来表示，2d为表征向量的维数，其前d维表征同义边，后d维表征转义边，如图9所示。
对于节点vi和vj，表示实际生成概率，p(vj|vi)表示估计生成概率，其表达式如下；
最小化目标函数：O＝OWW+OLL+OTT+OWL+OWT+OLT
其中，
根据本发明实施例的又一个方面，还提供了一种用于实施上述街区类型的确定的电子装置，如图10所示，该电子装置包括：一个或多个(图中仅示出一个)处理器1002、存储器1004、传感器1006、编码器1008以及传输装置1010，该存储器中存储有计算机程序，该处理器被设置为通过计算机程序执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述电子装置可以位于计算机网络的多个网络设备中的至少一个网络设备。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，在客户端上获取到第一请求，其中，第一请求用于请求获取目标街区的类型；
S2，响应第一请求获取目标街区的类型，其中，目标街区的类型根据街区之间已产生的帐号轨迹数据产生，帐号轨迹数据包括：具有关联关系的帐号、帐号产生的运动轨迹、运动轨迹经过的街区和运动轨迹产生的时间，街区包括目标街区；
S3，在客户端上显示目标街区的类型。
可选地，本领域普通技术人员可以理解，图10所示的结构仅为示意，电子装置也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices，MID)、PAD等终端设备。图10其并不对上述电子装置的结构造成限定。例如，电子装置还可包括比图10中所示更多或者更少的组件(如网络接口、显示装置等)，或者具有与图10所示不同的配置。
其中，存储器1002可用于存储软件程序以及模块，如本发明实施例中的街区类型的确定方法和装置对应的程序指令/模块，处理器1004通过运行存储在存储器1002内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，即实现上述的目标组件的控制方法。存储器1002可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器1002可进一步包括相对于处理器1004远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
上述的传输装置1010用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中，传输装置1010包括一个网络适配器(NetworkInterface Controller，NIC)，其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中，传输装置1010为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
其中，具体地，存储器1002用于存储应用程序。
本发明的实施例还提供了一种存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
S1，在客户端上获取到第一请求，其中，第一请求用于请求获取目标街区的类型；
S2，响应第一请求获取目标街区的类型，其中，目标街区的类型根据街区之间已产生的帐号轨迹数据产生，帐号轨迹数据包括：具有关联关系的帐号、帐号产生的运动轨迹、运动轨迹经过的街区和运动轨迹产生的时间，街区包括目标街区；
S3，在客户端上显示目标街区的类型。
可选地，存储介质还被设置为存储用于执行上述实施例中的方法中所包括的步骤的计算机程序，本实施例中对此不再赘述。
可选地，在本实施例中，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是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(RandomAccess Memory，RAM)、磁盘或光盘等。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (14)
1.一种街区类型的确定方法，其特征在于，包括：
在客户端上获取到第一请求，其中，所述第一请求用于请求获取目标街区的类型；
响应所述第一请求获取所述目标街区的类型，其中，所述目标街区的类型根据街区之间已产生的帐号轨迹数据所构建的帐号移动网络产生，所述帐号轨迹数据包括：具有关联关系的帐号、所述帐号产生的运动轨迹、所述运动轨迹经过的所述街区和所述运动轨迹产生的时间，所述街区包括所述目标街区，所述帐号移动网络用于表示每个目标时间段上的各个所述街区之间的相似关系，所述帐号移动网络以所述每个目标时间段上的各个所述街区为节点，以所述帐号在所述节点之间的运动关系和所述节点之间的地理位置关系为边；
在所述客户端上显示所述目标街区的类型。
2.根据权利要求1所述的方法，其特征在于，响应所述第一请求获取所述目标街区的类型包括：
确定所述第一请求所请求获取的所述目标街区的类型的第一时间段，其中，所述目标街区的类型包括具有对应关系的第二时间段和街区类型，所述第二时间段包括所述第一时间段；
从具有对应关系的第二时间段和街区类型中获取所述第一时间段所对应的目标街区类型作为所述目标街区的类型。
3.根据权利要求2所述的方法，其特征在于，在从具有对应关系的第二时间段和街区类型中获取所述第一时间段所对应的目标街区类型作为所述目标街区的类型之前，所述方法还包括：
确定所述第二时间段；
确定所述目标街区在所述第二时间段中的每个时间段时的街区类型，其中，所述目标街区在所述每个时间段时的街区类型用于指示所述目标街区在所述每个时间段时所具有的功能；
记录具有对应关系的第二时间段和街区类型。
4.根据权利要求2所述的方法，其特征在于，从具有对应关系的第二时间段和街区类型中获取所述第一时间段所对应的目标街区类型作为所述目标街区的类型包括：
从所述第二时间段中确定所述第一时间段所在的目标时间段，其中，所述目标时间段包括一个或者多个时间段；
从具有对应关系的第二时间段和街区类型中获取所述目标时间段所对应的一个或者多个街区类型；
将所述一个或者多个街区类型确定为所述目标街区类型作为所述目标街区的类型。
5.根据权利要求1所述的方法，其特征在于，在响应所述第一请求获取所述目标街区的类型之前，所述方法还包括：
获取所述街区之间已产生的所述帐号轨迹数据；
根据所述街区之间已产生的所述帐号轨迹数据确定每个所述街区的类型。
6.根据权利要求5所述的方法，其特征在于，根据所述街区之间已产生的所述帐号轨迹数据确定每个所述街区的类型包括：
根据所述帐号轨迹数据构建所述帐号移动网络；
根据所述帐号移动网络对表征所述节点的向量进行训练，得到所述节点对应的目标向量；
将所述目标向量确定为每个所述街区在每个所述目标时间段所对应的类型。
7.根据权利要求6所述的方法，其特征在于，根据所述帐号移动网络对表征所述节点的向量进行训练，得到所述节点对应的目标向量包括：
重复执行以下步骤，直至每次采样到的边所连接的两个节点当前所对应的向量使得目标函数收敛：
对所述帐号移动网络的边进行采样，并获取所述采样到的边所连接的两个节点当前所对应的向量；
根据所述采样到的边的边类型对所述两个节点当前所对应的向量进行更新。
8.根据权利要求7所述的方法，其特征在于，节点所对应的向量为2d维的向量，其中，d为正整数，所述2d维的向量的前d维用于表征所述节点所具有的第一类型的边，所述2d维的向量的后d维用于表征所述节点所具有的第二类型的边，所述第一类型的边所连接的节点具有相似的类型，所述第二类型的边为从第一源节点连接到第一目的节点的边，所述第一源节点与第二目的节点具有相似的类型，所述第一目的节点具有从所述第一目的节点连接到所述第二目的节点的边，
根据所述采样到的边的边类型对所述两个节点当前所对应的向量进行更新包括：
在所述采样到的边的边类型为所述第一类型的情况下，对所述两个节点当前所对应的向量进行更新，以使得所述两个节点当前所对应的向量的相似度高于目标相似度；
在所述采样到的边的边类型为所述第二类型的情况下，对所述所述采样到的边的目的节点当前所对应的向量的后d维和所述采样到的边的源节点当前所对应的向量的前d维进行更新，以使得所述所述采样到的边的目的节点当前所对应的向量的后d维和所述采样到的边的源节点当前所对应的向量的前d维的相似度高于所述目标相似度。
9.一种街区类型的确定装置，其特征在于，包括：
第一获取模块，在客户端上获取到第一请求，其中，所述第一请求用于请求获取目标街区的类型；
第二获取模块，用于响应所述第一请求获取所述目标街区的类型，其中，所述目标街区的类型根据街区之间已产生的帐号轨迹数据所构建的帐号移动网络产生，所述帐号轨迹数据包括：具有关联关系的帐号、所述帐号产生的运动轨迹、所述运动轨迹经过的所述街区和所述运动轨迹产生的时间，所述街区包括所述目标街区，所述帐号移动网络用于表示每个目标时间段上的各个所述街区之间的相似关系，所述帐号移动网络以所述每个目标时间段上的各个所述街区为节点，以所述帐号在所述节点之间的运动关系和所述节点之间的地理位置关系为边；
显示模块，用于在所述客户端上显示所述目标街区的类型。
10.根据权利要求9所述的装置，其特征在于，所述第二获取模块包括：
第一确定单元，用于确定所述第一请求所请求获取的所述目标街区的类型的第一时间段，其中，所述目标街区的类型包括具有对应关系的第二时间段和街区类型，所述第二时间段包括所述第一时间段；
获取单元，用于从具有对应关系的第二时间段和街区类型中获取所述第一时间段所对应的目标街区类型作为所述目标街区的类型。
11.根据权利要求9所述的装置，其特征在于，所述装置还包括：
第三获取模块，用于获取所述街区之间已产生的所述帐号轨迹数据；
确定模块，用于根据所述街区之间已产生的所述帐号轨迹数据确定每个所述街区的类型。
12.根据权利要求11所述的装置，其特征在于，所述确定模块包括：
构建单元，用于根据所述帐号轨迹数据构建所述帐号移动网络；
训练单元，用于根据所述帐号移动网络对表征所述节点的向量进行训练，得到所述节点对应的目标向量；
第二确定单元，用于将所述目标向量确定为每个所述街区在每个所述目标时间段所对应的类型。
13.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至8任一项中所述的方法。
14.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行所述权利要求1至8任一项中所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811361868.9A CN110196891B (zh) | 2018-11-15 | 2018-11-15 | 街区类型的确定方法、装置、存储介质及电子装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811361868.9A CN110196891B (zh) | 2018-11-15 | 2018-11-15 | 街区类型的确定方法、装置、存储介质及电子装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110196891A CN110196891A (zh) | 2019-09-03 |
| CN110196891B true CN110196891B (zh) | 2024-03-15 |
Family
ID=67751123
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811361868.9A Active CN110196891B (zh) | 2018-11-15 | 2018-11-15 | 街区类型的确定方法、装置、存储介质及电子装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110196891B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111242493B (zh) * | 2020-01-17 | 2020-11-24 | 广州市城市规划勘测设计研究院 | 一种街道品质评价方法、装置、系统及存储介质 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104750751A (zh) * | 2013-12-31 | 2015-07-01 | 华为技术有限公司 | 轨迹数据标注方法及装置 |
| JP2015166983A (ja) * | 2014-03-04 | 2015-09-24 | 日本電信電話株式会社 | 移動軌跡解析装置及び方法 |
| CN105872054A (zh) * | 2016-03-30 | 2016-08-17 | 江苏大学 | 一种基于兴趣热点的移动社交网络资源发现方法 |
| CN105893574A (zh) * | 2016-03-31 | 2016-08-24 | 联想(北京)有限公司 | 一种数据处理方法及电子设备 |
| CN106066180A (zh) * | 2015-04-21 | 2016-11-02 | 国际商业机器公司 | 关于目的地标识停车位置 |
| US9603158B1 (en) * | 2015-12-08 | 2017-03-21 | Uber Technologies, Inc. | Optimizing communication for automated vehicles |
| CN106570764A (zh) * | 2016-11-09 | 2017-04-19 | 广州杰赛科技股份有限公司 | 一种用户关系预测方法及装置 |
| CN107463940A (zh) * | 2017-06-29 | 2017-12-12 | 清华大学 | 基于手机数据的车辆类型识别方法和设备 |
| CN107798346A (zh) * | 2017-10-23 | 2018-03-13 | 中国人民解放军国防科技大学 | 一种基于Fréchet距离阈值的轨迹相似性快速匹配方法 |
| CN108256914A (zh) * | 2018-01-17 | 2018-07-06 | 华东师范大学 | 一种基于张量分解模型的兴趣点种类预测方法 |
| CN108335008A (zh) * | 2017-12-13 | 2018-07-27 | 腾讯科技（深圳）有限公司 | 网络信息处理方法和装置、存储介质及电子装置 |
| CN108427679A (zh) * | 2017-02-13 | 2018-08-21 | 腾讯科技（深圳）有限公司 | 一种人流分布处理方法及其设备 |
| CN108537241A (zh) * | 2017-03-02 | 2018-09-14 | 镇江雅迅软件有限责任公司 | 一种楼宇运动物体轨迹相似性度量方法 |
| CN108629978A (zh) * | 2018-06-07 | 2018-10-09 | 重庆邮电大学 | 一种基于高维路网和循环神经网络的交通轨迹预测方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11144578B2 (en) * | 2015-10-28 | 2021-10-12 | International Business Machines Corporation | High performance and efficient multi-scale trajectory retrieval |
| US10928211B2 (en) * | 2015-11-23 | 2021-02-23 | Here Global B.V. | Method and apparatus for selectively qualifying trajectories in regards to a determination of travel time for a maneuver |
| US20180260481A1 (en) * | 2018-04-01 | 2018-09-13 | Yogesh Rathod | Displaying search result associated identified or extracted unique identity associated structured contents or structured website |
-
2018
- 2018-11-15 CN CN201811361868.9A patent/CN110196891B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104750751A (zh) * | 2013-12-31 | 2015-07-01 | 华为技术有限公司 | 轨迹数据标注方法及装置 |
| JP2015166983A (ja) * | 2014-03-04 | 2015-09-24 | 日本電信電話株式会社 | 移動軌跡解析装置及び方法 |
| CN106066180A (zh) * | 2015-04-21 | 2016-11-02 | 国际商业机器公司 | 关于目的地标识停车位置 |
| US9603158B1 (en) * | 2015-12-08 | 2017-03-21 | Uber Technologies, Inc. | Optimizing communication for automated vehicles |
| CN105872054A (zh) * | 2016-03-30 | 2016-08-17 | 江苏大学 | 一种基于兴趣热点的移动社交网络资源发现方法 |
| CN105893574A (zh) * | 2016-03-31 | 2016-08-24 | 联想(北京)有限公司 | 一种数据处理方法及电子设备 |
| CN106570764A (zh) * | 2016-11-09 | 2017-04-19 | 广州杰赛科技股份有限公司 | 一种用户关系预测方法及装置 |
| CN108427679A (zh) * | 2017-02-13 | 2018-08-21 | 腾讯科技（深圳）有限公司 | 一种人流分布处理方法及其设备 |
| CN108537241A (zh) * | 2017-03-02 | 2018-09-14 | 镇江雅迅软件有限责任公司 | 一种楼宇运动物体轨迹相似性度量方法 |
| CN107463940A (zh) * | 2017-06-29 | 2017-12-12 | 清华大学 | 基于手机数据的车辆类型识别方法和设备 |
| CN107798346A (zh) * | 2017-10-23 | 2018-03-13 | 中国人民解放军国防科技大学 | 一种基于Fréchet距离阈值的轨迹相似性快速匹配方法 |
| CN108335008A (zh) * | 2017-12-13 | 2018-07-27 | 腾讯科技（深圳）有限公司 | 网络信息处理方法和装置、存储介质及电子装置 |
| CN108256914A (zh) * | 2018-01-17 | 2018-07-06 | 华东师范大学 | 一种基于张量分解模型的兴趣点种类预测方法 |
| CN108629978A (zh) * | 2018-06-07 | 2018-10-09 | 重庆邮电大学 | 一种基于高维路网和循环神经网络的交通轨迹预测方法 |
Non-Patent Citations (4)
| Title |
|---|
| 基于随机森林的流动摊贩分布模型;戴若颖;党雪薇;冯兆;李海霞;柳林;;中山大学学报(自然科学版);20180115(01);82-88 * |
| 移动自组网中节点兴趣导向的人类运动模型;陈家旭;唐亚哲;宁京宣;王桂娟;;西安交通大学学报;20130922(12);116-121 * |
| 考虑通道规划的城市中压配电网络规划;李瑶;潘江蒙;姚李孝;柯丽芳;;电网与清洁能源;20100325(03);64-68 * |
| 面向关联攻击的轨迹匿名方法;张磊;马春光;杨松涛;李增鹏;;网络与信息安全学报;20170615(06);12-24 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110196891A (zh) | 2019-09-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110929162B (zh) | 基于兴趣点的推荐方法、装置、计算机设备和存储介质 | |
| CN105532030B (zh) | 用于分析目标实体的移动的装置、系统和方法 | |
| CN108875007B (zh) | 兴趣点的确定方法和装置、存储介质、电子装置 | |
| US8612134B2 (en) | Mining correlation between locations using location history | |
| JP5815936B2 (ja) | 文脈情報からユーザに対する行動種別を決定する推論モデルを生成するプログラム | |
| JP6276106B2 (ja) | 意思決定支援システムおよび意思決定支援方法 | |
| Bin et al. | A travel route recommendation system based on smart phones and IoT environment | |
| WO2015184431A1 (en) | System and process for location-based informationretrieval | |
| CN107798552B (zh) | 活动信息推送方法、系统、服务器和介质 | |
| CN110119475A (zh) | 一种poi推荐方法及推荐系统 | |
| US11521238B2 (en) | Method and system for determining fact of visit of user to point of interest | |
| KR101206577B1 (ko) | Ｓｎｓ에 기반한 전문가 시스템 | |
| CN110196891B (zh) | 街区类型的确定方法、装置、存储介质及电子装置 | |
| CN104182486A (zh) | 电子地图展现方法和装置 | |
| Richter | Identifying Landmark Candidates Beyond Toy Examples: A Critical Discussion and Some Way Forward | |
| CN111949859A (zh) | 用户画像更新方法、装置、计算机设备及存储介质 | |
| Smirnov et al. | Smart space-based intelligent mobile tourist guide: Service-based implementation | |
| Mrazovic et al. | Mobics: Mobile platform for combining crowdsourcing and participatory sensing | |
| CN106611100B (zh) | 一种用户行为分析方法和装置 | |
| JP6617941B1 (ja) | 突合処理システム及び突合処理方法 | |
| Machado et al. | Pervasive forwarding mechanism for mobile social networks | |
| Mariescu-Istodor | Detecting user actions in MOPSI | |
| KR102054513B1 (ko) | 오프라인 및 온라인 연동 보물찾기 서비스 제공 방법 | |
| Namiot et al. | Social streams based on network proximity | |
| JP2019128611A (ja) | 生成装置、生成方法及び生成プログラム |
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 |