CN110213711A - 一种常驻点的估计方法、装置、设备和介质 - Google Patents
一种常驻点的估计方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN110213711A CN110213711A CN201910323612.7A CN201910323612A CN110213711A CN 110213711 A CN110213711 A CN 110213711A CN 201910323612 A CN201910323612 A CN 201910323612A CN 110213711 A CN110213711 A CN 110213711A
- Authority
- CN
- China
- Prior art keywords
- coordinate
- group
- coordinate points
- points
- density
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- 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
- H04W4/02—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
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例公开了一种常驻点的估计方法、装置、设备和介质，本申请实施例公开的该估计方法包括，获取活动体在设定时间段内的坐标数据，并针对坐标数据中包含的各坐标点的坐标进行聚类分析，将各坐标点的坐标划分为多个坐标族群；根据各坐标点的坐标时间，分别对每一坐标族群的族群规模进行衰减处理，获得相应的族群有效规模；根据族群有效规模最大的最优族群的各坐标点的坐标分布密度，估计活动体的常驻点。本申请实施例提高了常驻点估计的精确度，降低了常驻点估计的时滞性。
Description
技术领域
本申请涉及地理信息技术领域，尤其涉及一种常驻点的估计方法、装置、设备和介质。
背景技术
随着定位技术在智能终端的广泛应用，通过用户的终端可以采集用户在一段时间内的坐标数据，进而可以根据用户的坐标数据，确定用户的常驻点(如，居住地以及公司住址等)，同样，也可以获得其他活动体的常驻点。通过常驻点可以为各类基于位置服务(Location Based Service，LBS)的相关业务提供支撑。
现有技术下，针对活动体的坐标数据，通常采用人为设定规则或者聚类分析的方式确定活动体的常驻点。
但是，采用上述方式，获得的常驻点的准确度不高，并且时间滞后性强。因此，亟待需要一种时滞性小并且准确度高的常驻点估计方案。
发明内容
本申请实施例提供一种常驻点的估计方法、装置、设备和介质，用以在估计常驻点时，降低时滞性以及提高准确度。
一方面，提供一种常驻点的估计方法，包括：
获取活动体在设定时间段内的坐标数据，坐标数据包括各坐标点的坐标以及相应的坐标时间；
对坐标数据中包含的各坐标进行聚类分析，确定各聚类中心，并分别以每一聚类中心，获得包含聚类中心的设定范围内分布的一或多个坐标族群，坐标族群由多个坐标组成；
根据各坐标点的坐标时间，分别将每一坐标族群的族群规模进行时序衰减处理，获得各坐标族群的族群有效规模，族群规模是通过坐标点的数量获得的，族群有效规模与各坐标时间呈正相关；
在各坐标族群中，筛选出族群有效规模最大的最优族群，并采用预设的密度分布算法，分别确定最优族群中每一坐标点的坐标分布密度；
根据各坐标点的坐标分布密度，估计活动体的常驻点。
一方面，提供一种常驻点的估计装置，包括：
获取单元，用于获取活动体在设定时间段内的坐标数据，坐标数据包括各坐标点的坐标以及相应的坐标时间；
聚类单元，用于对坐标数据中包含的各坐标进行聚类分析，确定各聚类中心，并分别以每一聚类中心，获得包含聚类中心的设定范围内分布的一或多个坐标族群，坐标族群由多个坐标组成；
衰减单元，用于根据各坐标点的坐标时间，分别将每一坐标族群的族群规模进行时序衰减处理，获得各坐标族群的族群有效规模，族群规模是通过坐标点的数量获得的，族群有效规模与各坐标时间呈正相关；
筛选单元，用于在各坐标族群中，筛选出族群有效规模最大的最优族群，并采用预设的密度分布算法，分别确定最优族群中每一坐标点的坐标分布密度；
估计单元，用于根据各坐标点的坐标分布密度，估计活动体的常驻点。
一方面，提供一种控制设备，包括处理器及储存计算机程序的存储器，处理器执行计算机程序时执行上述任一种常驻点的估计方法的步骤。
一方面，提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一种常驻点的估计方法的步骤。
本申请实施例提供的一种常驻点的估计方法、装置、设备和介质中，获取活动体在设定时间段内的坐标数据，并针对坐标数据中包含的各坐标点的坐标进行聚类分析，将各坐标点的坐标划分为多个坐标族群；根据各坐标点的坐标时间，分别对每一坐标族群的族群规模进行衰减处理，获得相应的族群有效规模；根据族群有效规模最大的最优族群的各坐标点的坐标分布密度，估计活动体的常驻点。这样，通过坐标点的数量以及坐标点的坐标时间，评估各坐标族群的族群有效规模，降低了常驻点估计的时滞性，通过聚类分析将各坐标进行初步划分，以及采用密度分布算法确定的坐标分布密度，确定常驻点，提高了常驻点估计的精确度。
本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1a为本申请实施方式中一种常驻点估计的应用场景示意图。
图1b为本申请实施方式中一种常驻点的估计方法的实施流程图；
图2a为本申请实施方式中一种坐标数据的空间分布示例图；
图2b为本申请实施方式中一种坐标族群划分的示例图；
图2c为本申请实施方式中一种时序衰减效果示例图；
图2d为本申请实施方式中一种现有技术下族群分布示例图；
图2e为本申请实施方式中一种本申请实施方式中族群有效分布示例图；
图2f为本申请实施方式中一种最优族群的分布示例图一；
图2g为本申请实施方式中一种最优族群的分布示例图二；
图2h为本申请实施方式中一种最优族群的分布示例图三；
图2i为本申请实施方式中一种最优族群的分布示例图四；
图2j为本申请实施方式中一种常驻点局部示例图；
图2k为本申请实施方式中一种常驻点整体示例图；
图3为本申请实施方式中一种常驻点的估计方法的详细实施流程图；
图4a为一种现有技术下常驻点估计的示例图；
图4b为一种本申请实施方式中常驻点估计的示例图；
图4c为本申请实施方式中一种城市分布示例图；
图4d为本申请实施方式中一种店铺选址分析业务示例图；
图4e为本申请实施方式中一种人群热力分布示意图；
图5为本申请实施方式中一种常驻点的估计装置的结构示意图；
图6为本申请实施方式中一种控制设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
首先，对本申请实施例中涉及的部分用语进行说明，以便于本领域技术人员理解。
活动体：具有活动能力的物体，比如带有可定位终端的用户，或者设置有导航装置的车辆，可定位终端例如手机以及手环等，运输车辆例如汽车等。
常驻点：活动体在一段时间内停留时间以及停留次数较多的地点。
坐标族群：包含聚类中心的设定范围内分布的各坐标点的坐标的集合。
族群规模：表示坐标族群中包含的坐标点的规模，坐标族群中包含的坐标点的数量呈正相关。
族群有效规模：根据坐标族群中各坐标点的坐标时间，对族群规模进行衰减处理获得的，与每一坐标时间呈正相关。
坐标分布密度：坐标点的分布密度，是采用密度分布算法，根据该坐标点以及设定周边范围内的坐标点的分布确定的，可选的，密度分布算法可以采用高斯混合密度分布算法。
问卷法：通过人工问卷调查的方式，估计用户的常驻点。
公交记录法：采集用户的公交乘车记录信息，通过用户乘车时的上车站点以及下车站点，估计用户的常驻点。
半衰期原指放射性元素的原子核有半数发生衰变时所需要的时间。预设半衰期：基于与半衰期相似的原理，按照预设半衰期对坐标族群的族群规模进行衰减运算。
下面介绍本申请实施例的设计思想。
随着定位技术在智能终端的广泛应用，通过用户的终端可以采集用户在一段时间内的坐标数据，进而可以根据用户的坐标数据，确定用户的常驻点(如，居住地以及公司住址等)，同样，也可以获得其他活动体的常驻点。通过常驻点可以为各类基于LBS的相关业务提供支撑。
以估计用户的常驻点为例进行说明，传统技术中，估计用户的常驻点时，最早的问卷法和根据公交记录进行估计的方法的精确度都较低，效率也都比较差。后续随着通信技术的发展，出现了通过用户的终端所连接的通信基站以及小区来估计用户的常驻点范围，但这种方式，常驻点的定位精度取决于小区范围，定位精度较低。再之后根据用户终端的信令数据，采用人为设定规则，估计用户的常驻点的技术，需要大量的数据支撑，并且由于人为设定规则不够灵活，定位精度以及准确度较低。
目前较常采用聚类分析算法对用户的各坐标点的坐标进行聚类分析，估计用户的常驻点。但是没有考虑时间因素，当用户存在迁徙状况时，无法估计准确的常驻点，具有一定的时间滞后性。同样问题也存在于其他活动体的常住地估计中。
鉴于此，申请人考虑到可以将用户的坐标点的坐标以及相应的坐标时间相结合，以降低常驻点估计的时滞性和精确度。
由此，本申请实施例提供了一种常驻点的估计方案，该方案中，通过聚类分析，将用户的各坐标点的坐标划分为多个坐标族群，并分别针对每一坐标族群，根据该坐标族群中各坐标对应的坐标时间，对该坐标族群的族群规模进行衰减，获得相应的族群有效规模，进而在族群有效规模最大的最优族群包含的各坐标中，根据各坐标点的坐标分布密度，筛选出最优坐标，作为用户的常驻点。
进一步地，本申请实施例提供的一种常驻点的估计方案，可以应用于对各种活动体(如，用户以及汽车等)的常驻点(如，用户的居住地和公司地址)的估计，再此不再进行赘述。
为进一步说明本申请实施例提供的技术方案，下面结合附图以及具体实施方式对此进行详细的说明。虽然本申请实施例提供了如下述实施例或附图所示的方法操作步骤，但基于常规或者无需创造性的劳动在所述方法中可以包括更多或者更少的操作步骤。在逻辑上不存在必要因果关系的步骤中，这些步骤的执行顺序不限于本申请实施例提供的执行顺序。所述方法在实际的处理过程中或者装置执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行。
表1.
| 名称 | 版本 | 描述 |
| Python | 3.6 | 算法实现语言 |
| Apache Hadoop | 2.7.2 | Hadoop分布式文件系统 |
| Apache Spark | 2.3.1 | 分布式计算框架 |
| Intellij IDEA | 2016.2.5 | 集成开发环境 |
本申请实施例主要应用于控制设备(如，计算机以及服务器等)。参阅表1所示，为一种开发环境统计示例表，在实施一种常驻点的估计方法的流程之前，控制设备可以按照表1所示搭建运行环境。
参阅图1a所示，为一种常驻点估计的应用场景示意图。图1a中包括：定位终端10，控制设备11以及应用设备12。
定位终端10：用于采集活动体的原始坐标数据，并将原始坐标数据上报至控制设备11，可以为智能终端以及手环等。
控制设备11：用于根据原始坐标数据，获得坐标数据，通过聚类分析，将各坐标点的坐标划分为多个坐标族群，并分别针对每一坐标族群，根据该坐标族群中各坐标对应的坐标时间，对该坐标族群的族群规模进行衰减，获得相应的族群有效规模，进而在族群有效规模最大的最优族群包含的各坐标中，根据各坐标点的坐标分布密度，筛选出最优坐标，作为常驻点。
应用设备12：用于根据确定出的常驻点，执行指定的LBS相关业务。
定位终端10将采集的活动体的原始坐标数据上报至控制设备11。控制设备11根据原始坐标数据估计常驻点，并将获得的常驻点发送至应用设备12。应用设备12根据接收的常驻点，执行指定的LBS相关业务。
这样，控制设备在搭建运行环境后，就可以进行常驻点的估计了。进一步地，仅以表1所示搭建运行环境为例进行说明，实际应用中，还可以采用其它方式进行运行环境的搭建，在此不再赘述。
参阅图1b所示，为本申请实施例提供的一种常驻点的估计方法的实施流程图。该方法的具体流程如下：
步骤100：控制设备对活动体在设定时间段内的原始坐标数据进行预处理，获得活动体在设定时间段内的坐标数据。
具体的，原始坐标数据包括经度坐标、纬度坐标以及相应的上报时间。坐标数据至少包括各坐标点的坐标以及相应的坐标时间。活动体为待常驻点估计的用户或者设备等。其中，若活动体为用户，则用户通过终端将原始坐标数据上报至控制设备。
由于原始坐标数据通常为通过传感器等设备进行采集的，因此原始坐标数据通常容易数据传输，但是，不便于常驻点估计时的数据处理以及用户的直观读取。
为便于后续的数据读取和处理，本申请实施例中，通过预处理将原始坐标数据解析为便于控制设备处理以及用户理解的坐标数据。可选的，预处理可以包括坐标转换以及时间解析等。控制设备通将经度坐标和纬度坐标进行坐标转换，获得相应的坐标，并对上报时间进行时间解析，获得相应的坐标时间。
参阅表2所示，为一种原始坐标数据的示例表。如表2所示，原始坐标数据包括用于唯一标识一个用户的用户标识(Identification，ID)、上报时间、经度坐标以及纬度坐标。其中，上报时间可以为用户上报原始坐标数据的时间戳。
表2.
| 字段名称 | 说明 | 示例 |
| Uin | 用户ID，唯一标识一个用户 | 112456977 |
| Oper_time | 上报时间 | 1542765715 |
| Latitude | 维度坐标(坐标系GCJ02) | 38.801951 |
| Longitude | 经度坐标(坐标系GCJ02) | 121.276488 |
参阅图2a所示，为一种坐标数据的空间分布示例图。图2a中，横轴为经度，纵轴为纬度，坐标系以采用国家测量局02号标准(GCJ02)为例进行说明，各黑色的点为坐标数据中包含的各坐标点。可见，各坐标点的空间分布较为零散，并且有多个聚集地。
这样，控制设备就可以将原始坐标数据转化为便于数据处理并且用户便于直观理解的坐标数据。
步骤101：控制设备根据坐标数据中包含的各坐标进行聚类分析，确定各聚类中心，并分别根据每一聚类中心，获得包含该聚类中心的设定范围内分布的坐标组成的坐标族群。
具体的，控制设备通过预设的聚类算法，对坐标数据中的各坐标进行聚类分析，获得各坐标族群。设定范围可以根据实际应用场景进行相应的设定，可选的，设定范围可以为1公里。分别根据每一聚类中心，可以获得包含该聚类中心的设定范围内分布的一个或多个坐标族群。坐标族群由多个坐标组成。
可选的，聚类算法可以采用density peak算法。density peak算法是基于峰值密度和相对距离对各坐标点的坐标进行聚类，即将密度较高且相对距离较远的点位作为聚类中心，并根据聚类中心对各坐标点的坐标进行划分，获得各坐标族群。本申请实施例中，也可以采用其它聚类算法，例如，具有噪声的基于密度的聚类算法(Density-Based SpatialClustering of Applications with Noise，DBSCAN)，获得各坐标族群，在此不再赘述。
参阅图2b所示，为一种坐标族群划分的示例图。图2b中，每一圆形框中包含的各坐标点为一个坐标族群。横轴为经度，纵坐标为纬度。其中。图2b中的圆圈仅用于标出部分坐标族群以进行图片示例说明，实际应用中，圆圈的范围即坐标族群的范围可以根据实际应用场景进行相应的设定。
这样，就可以将坐标数据进行初步聚类划分，将各坐标点划分为多个坐标族群。
步骤102：控制设备根据各坐标点的坐标时间，分别将每一坐标族群的族群规模进行时序衰减处理，获得各坐标族群的族群有效规模。
具体的，执行步骤102时，控制设备可以分别针对每一坐标族群，执行以下步骤：
S1021：根据该坐标族群中包含的各坐标点的数量，确定该坐标族群的族群规模。
其中，族群规模与包含的坐标点的总数呈正相关。例如，可以直接将包含的各坐标点的总数确定为族群规模。
S1022：分别针对每一坐标点的设定坐标点规模，采用基于该坐标点的坐标时间确定的衰减权重进行衰减，获得相应的坐标点规模。
具体的，假设每一坐标点的原始坐标规模均为设定坐标点规模，则分别确定该坐标族群中每一坐标时间与当前时间的时间差值，并分别根据每一时间差值与预设半衰期之间的比值，确定相应的衰减权重，以及分别针对每一坐标点，根据设定坐标点规模以及该坐标点的衰减权重，确定该坐标点的坐标点规模。
其中，半衰期原指放射性元素的原子核有半数发生衰变时所需要的时间。预设半衰期：基于与半衰期相似的原理，按照预设半衰期对坐标族群的族群规模进行衰减，预设半衰期可以根据实际应用场景进行设定，例如，预设半衰期可以为1个半月。坐标点规模与衰减权重呈正相关。
可选的，分别根据每一时间差值与预设半衰期之间的比值，确定衰减权重时，可以采用以下公式：
S＝ab；
其中，S为衰减权重，a为指定常数，如0.5，b为时间差值与预设半衰期之间的比值。
例如，设定坐标点规模为1，a为0.5，时间差值为1.5个月，预设半衰期为1个月，则确定b为1.5，S为0.35。显然，该坐标点由于上报时间即坐标时间已经过去了一个半月，因此，坐标点规模为0.35。
S1023：根据该坐标族群中各坐标点的坐标点规模，确定该坐标族群的族群有效规模。
具体的，将该坐标族群中各坐标点的坐标点规模的加和，确定为该坐标族群的族群有效规模。
其中，坐标族群的族群有效规模与该坐标族群中的各坐标点的坐标时间呈正相关。
参阅图2c所示，为一种时序衰减效果示例图。图2c为根据各族群有效规模获得的各坐标族群的示例图，图2c的右下方为针对局部a部分进行了放大的局部a的放大图。
这样，就可以将坐标点的坐标时间与坐标点的数量相结合，综合确定坐标族群的有效规模，考虑了时间因素对常驻点估计的影响，可以降低常驻点估计的时滞性。
例如，用户从重庆迁移到成都工作，并定居在成都。图2d为一种现有技术下族群分布示例图，针对该用户的原始坐标数据，采用现有技术进行常驻点估计时，根据各坐标族群的规模，获得图2d所示的族群分布，主要聚集分布于图2d右侧位置，即重庆位置。其中，图2d的左下方为针对图2d右上侧的局部放大图。
图2e为一种本申请实施方式中族群有效分布示例图。采用本申请实施例中提供的常驻点估计方法，根据各族群有效规模，获得图2e所示的族群分布，分别主要聚集分布于图2e中的左上方位置和右上方位置，即成都位置和重庆位置。其中，图2e的左下方为针对图2e左上侧的局部放大图。
显然，传统技术下没有考虑到时间因素对族群规模的影响，因此，确定的坐标族群的族群分布具有一定的时滞性，定位结果具有较大的偏移，而采用本申请实施例中的常驻点的估计方法降低了时滞性，可以较快的更新用户的最新族群分布。
本申请实施例中，仅以确定一个坐标族群的族群有效规模为例进行说明，其它坐标族群均可以采用相同的原理确定相应的族群有效规模，在此不再赘述。
步骤103：控制设备在各坐标族群中，筛选出族群有效规模最大的最优族群。
这样，就可以根据各坐标群的族群有效规模，即综合考虑坐标族群中包含的坐标点的数量以及每一坐标点的坐标时间，确定最优族群。
步骤104：控制设备分别确定最优族群中每一坐标点的坐标分布密度，并根据各坐标点的坐标分布密度，估计活动体的常驻点。
具体的，若最优族群中的各坐标分布密度符合预设终止条件，则根据各坐标点的坐标分布密度，估计活动体的常驻点。
若最优族群中的各坐标分布密度不符合预设终止条件，则控制设备按照预设筛选条件对最优族群中的各坐标点进行迭代筛选，获得筛选后的最优族群，直到筛选后的最优族群符合预设终止条件，则根据筛选后的最优族群中的各坐标点的坐标分布密度，估计活动体的常驻点。
其中，确定最优族群中的各坐标分布密度符合预设终止条件时，可以采用以下两种方式的组合：
第一种方式为：若各坐标点的坐标分布密度均低于密度阈值，确定最优族群中的各坐标分布密度符合预设终止条件。
第二种方式为若各坐标点的坐标分布密度均不低于密度阈值，并且各坐标点与最优族群的聚类中心之间的距离均低于预设距离，则确定最优族群中的各坐标分布密度符合预设终止条件。
其中，预设终止条件是根据若各坐标点的坐标分布密度，以及各坐标点与最优族群的聚类中心之间的距离设定的。
具体的，执行步骤104时，控制设备可以采用以下步骤：
S1041：分别针对最优族群中每一坐标点，采用预设的密度分布算法，确定该坐标点的坐标分布密度。
其中，一个坐标的坐标分布密度是根据该坐标点以及设定周边范围内的坐标点的分布确定的。
可选的，密度分布算法可以采用高斯混合密度分布或其他可用聚类算法。
S1042：筛选出各坐标分布密度中的最大坐标分布密度，并根据该最大坐标分布密度，以及预设密度权重，确定密度阈值。
其中，预设密度权重可以根据实际应用场景进行相应的设定，例如，预设密度权重为0.5。
其中，密度阈值与最大坐标分布密度以及预设密度权重均呈正相关。
这样，就可以根据最大坐标分布密度，调整密度阈值的大小。
S1043：若各坐标点的坐标分布密度均低于密度阈值，则将最大坐标分布密度以及对应的坐标点，确定为常驻点。
例如，假设密度权重为0.5，最大坐标分布密度为c，最优族群中每一坐标点的坐标分布密度均低于密度阈值为0.5c，则将最大坐标分布密度对应的坐标(x1，y1)确定为常驻点。
这样，就可以在最优族群中各坐标点分布较为零散时，将坐标分布密度最大的坐标确定常驻点。
S1044：若各坐标点的坐标分布密度均不低于密度阈值，并且各坐标点与最优族群的聚类中心之间的距离均低于预设距离，则将最优族群的聚类中心，确定为常驻点。
其中，预设距离可以根据实际应用场景进行相应设定，如，预设距离可以为100米。
例如，假设密度权重为0.5，最大坐标分布密度为c，预设距离为100米，最优族群中每一坐标点的坐标分布密度均高于密度阈值为0.5c，并且与最优族群的聚类中心(x2，y2)之间的距离均低于100米，则将聚类中心(x2，y2)确定为常驻点。
这样，就可以在最优族群中各坐标点分布较为密集时，将聚类中心确定为常驻点。
1045：若存在低于密度阈值的坐标分布密度或最优族群中存在坐标点与最优族群的聚类中心之间的距离不低于预设距离，并且各坐标分布密度中同时存在不低于密度阈值的坐标分布密度，则按照预设筛选条件对最优族群中的各坐标点进行筛选，获得筛选后的最优族群，并执行S1041。
其中，S1043-S1045执行顺序不做限定，可以同时执行，也可以依次执行，在此不再赘述。
其中，按照预设筛选条件对最优族群中的各坐标点进行筛选，获得筛选后的最优族群时，可以采用以下步骤：
在最优族群中去除坐标分布密度最小的坐标点，并去除坐标分布密度低于密度阈值的各坐标点，获得筛选后的最优族群。
例如，假设密度权重为0.5，最大坐标分布密度为c1，预设距离为100米，最优族群的聚类中心(x2，y2)。
最优族群中的坐标点D的坐标分布密度为0.3低于密度阈值为0.5c1，与聚类中心(x2，y2)之间的距离50低于预设距离100米；
最优族群中坐标点E的坐标分布密度0.6高于密度阈值为0.5c1，与聚类中心(x2，y2)之间的距离70低于预设距离100米；
最优族群中坐标点F的坐标分布密度0.7高于密度阈值为0.5c1，与聚类中心(x2，y2)之间的距离30低于预设距离100米；则在最优族群中去除坐标点D，获得包含坐标点E和坐标点F的最优族群。
接着，采用密度分布算法，再次确定坐标点E和坐标点F的坐标分布密度分别为0.7和0.8，最大坐标分布密度为c2，最优族群的聚类中心(x3，y3)则确定坐标点E和坐标点F的坐标分布密度均高于0.5c2，并将最优族群的聚类中心(x3，y3)确定为常驻点。
这样，就可以在最优族群既不符合S1043的条件，也不符合S1044的条件时，最优族群中的各坐标点进行筛选，并基于筛选后的最优族群执行S1041，从而继续迭代，直至满足S1043或S1044的条件终止。
图2f为一种最优族群的分布示例图一，图2g为一种最优族群的分布示例图二，图2h为一种最优族群的分布示例图三，图2i为一种最优族群的分布示例图四，图2j为一种常驻点局部示例图，图2k为一种常驻点整体示例图。
图2f-图2i示出了对最优族群依次进行迭代的坐标点分布示例，随着最优族群的不断迭代，最优族群中包含的坐标点不断减少，包含的范围也不断缩小，图2f-图2i的经度和纬度的坐标精度不断增大。直到确定最优族群符合预设终止条件，获得图2j中五角星位置所示的常驻点，进一步地，将图2j的精度降低，可以看到常驻点位于图2k中的五角星所在的位置。
参阅图3所示，为本申请实施例提供的一种常驻点的估计方法的详细实施流程图。该方法的具体流程如下：
步骤300：控制设备获取活动体在设定时间段内的原始坐标数据。
步骤301：控制设备对原始坐标数据进行预处理，获得活动体的坐标数据。
具体的，执行步骤301时，详细步骤参见上述步骤100。
步骤302：控制设备根据坐标数据中包含的各坐标进行聚类分析，获得各坐标族群。
具体的，执行步骤302时，详细步骤参见上述步骤101。
步骤303：控制设备根据各坐标点的坐标时间，分别将每一坐标族群的族群规模进行时序衰减处理，获得各坐标族群的族群有效规模。
具体的，执行步骤303时，详细步骤参见上述步骤102。
步骤304：控制设备在各坐标族群中，筛选出族群有效规模最大的最优族群。
步骤305：控制设备采用密度分布算法，分别确定最优族群中每一坐标点的坐标分布密度。
具体的，执行步骤305时，详细步骤参见上述步骤S1041。
步骤306：控制设备判断最优族群中的各坐标分布密度是否符合预设终止条件，若是，则执行步骤307，否则，执行步骤308。
步骤307：控制设备根据各坐标点的坐标分布密度，估计活动体的常驻点。
具体的，执行步骤307时，详细步骤参见上述S1043和S1044。
步骤308：控制设备按照预设筛选条件对最优族群中的各坐标点进行筛选，获得筛选后的最优族群，执行步骤305。
例如，参阅图4a所示，为一种现有技术下常驻点估计的示例图，参阅图4b所示为一种本申请实施方式中常驻点估计的示例图。用户从重庆迁移到成都工作，并定居在成都。针对该用户原始坐标数据，采用现有技术进行常驻点估计，获得的常驻点位于如图4a所示的五角星位置即重庆地点A。而采用本申请实施例中提供的常驻点估计方法，获得的常驻点位于图4b所示的五角星位置即成都地点B。
显然，传统技术下没有考虑到时间因素对族群规模的影响，因此，估计的常驻点具有一定的时滞性，定位结果具有较大的偏移，而采用本申请实施例中的常驻点的估计方法降低了时滞性，可以较快的更新用户的常驻点。
本申请实施例中，将坐标数据进行聚类分析，获得各坐标族群，并根据坐标族群的坐标点的数量以及相应的坐标时间，对坐标族群的族群规模进行衰减处理，获得族群有效规模，以及采用密度分布算法确定族群有效规模最大的最优族群的各坐标点的坐标分布密度，进而确定用户的常驻点，将坐标点的数量以及坐标时间相结合，综合评估各坐标族群的族群有效规模，降低了时滞性，进一步地，分别通过聚类分析以及密度分布算法，提高了常驻点估计的精确度，定位准确。
进一步地，本申请实施例提供的一种常驻点估计方法，可以为各类LBS相关业务提供支撑。如，城市功能分区划分业务、店铺选址分析业务以及商圈分析业务。
例如，参阅图4c所示，为一种城市分布示例图。图4c中示出了多个区域(如，西乡和科技园)。需要说明的是，由于图4c仅用于通过圆圈部分说明城市包含多个区域，因此，图4c中其余的背景部分线条以及文字即便不清晰也对本申请实施例的说明没有影响。LBS相关业务为：对城市的出发-终止(Origin-Destination，OD)通勤状况进行分析，以优化市政功能分区，是政府类相关业务。具体的，控制设备对采集的城市中大量居民的常驻点，并根据各居民出发时间以及终止时间，将常驻点划分为居住常驻点以及公司常驻点。以西乡和科技园为例，对各居民的居住常驻点和公司常驻点进行分析，分析结果为大部分居民主要居住在西乡，并在科技园工作，则将西乡划分为居住功能区域，将科技园划分为公司功能区域。
又例如，参阅图4d所示，为一种店铺选址分析业务示例图。LBS相关业务为：估计达到商场的各顾客的常驻点，进而根据各顾客的常驻点，确定该商场的辐射范围，进而通过辐射范围，进行店铺选址分析。图4d中三角形位置为指定的商场，包含三角形位置的八边形为确定的辐射范围，需要说明的是，图4d仅用于通过三角形示例说明商场位置，并通过八边形示例说明商场的辐射范围，其余背景的线条以及文字等即便不清晰，也不影响本申请实施例的说明。控制设备采集商场的各顾客的原始坐标数据，并根据原始坐标数据，估计各顾客的常驻点，以及根据各顾客的常驻点确定商场的辐射范围，进而根据辐射范围，进行店铺选址分析。
又例如，参阅图4e所示，为一种人群热力分布示意图。LBS相关业务为：通过分析指定区域的人群的常驻点，确定指定区域的人群热力分布，进而可以根据人群热力分布进行商圈分析。图4e中的三角形区域和两个六边形区域为人群热力分布最密集的三个区域，这样，就可以通过三角形区域和两个六边形区域分析商圈。需要说明的是，图4e中仅用于通过三角形区域和两个六边形示例说明人群分布密集的区域，其它背景区域的文字以及线条的清晰度不影响本申请实施例的清楚性。
基于同一发明构思，本申请实施例中还提供了一种常驻点的估计装置，由于上述装置及设备解决问题的原理与一种常驻点的估计方法相似，因此，上述装置的实施可以参见方法的实施，重复之处不再赘述。
如图5示，其为本申请实施例提供的一种常驻点的估计装置的结构示意图。一种常驻点的估计装置包括：
获取单元510，用于获取活动体在设定时间段内的坐标数据，坐标数据包括各坐标点的坐标以及相应的坐标时间；
聚类单元511，用于对坐标数据中包含的各坐标进行聚类分析，确定各聚类中心，并分别以每一聚类中心，获得包含该聚类中心的设定范围内分布的坐标组成的坐标族群；
衰减单元512，用于根据各坐标点的坐标时间，分别将每一坐标族群的族群规模进行时序衰减处理，获得各坐标族群的族群有效规模，族群规模是通过坐标点的数量获得的，族群有效规模与各坐标时间呈正相关；
筛选单元513，用于在各坐标族群中，筛选出族群有效规模最大的最优族群，并分别确定最优族群中每一坐标点的坐标分布密度；
估计单元514，用于根据各坐标点的坐标分布密度，估计活动体的常驻点。
较佳的，衰减单元512用于：
分别确定每一坐标时间与当前时间之间的时间差值；
分别根据每一时间差值与预设半衰期之间的比值，确定相应的衰减权重；
分别针对每一坐标点，根据设定坐标点规模以及该坐标点的衰减权重，确定该坐标点的坐标点规模；
分别针对每一坐标族群，根据该坐标族群中各坐标点的坐标点规模，确定该坐标族群的族群有效规模。
较佳的，筛选单元513用于：
分别针对最优族群中每一坐标点，采用预设的密度分布算法，确定该坐标点的坐标分布密度；
其中，一个坐标点的坐标分布密度是根据该坐标点以及设定周边范围内的坐标点的分布确定的。
较佳的，估计单元514用于：
筛选出各坐标分布密度中的最大坐标分布密度，并根据最大坐标分布密度以及预设密度权重，确定密度阈值；
若各坐标点的坐标分布密度均低于密度阈值，则将最大坐标分布密度对应的坐标点，确定为常驻点；
若各坐标点的坐标分布密度均不低于密度阈值，并且各坐标点与最优族群的聚类中心之间的距离均低于预设距离，则将最优族群的聚类中心，确定为常驻点。
较佳的，估计单元514用于：
若存在低于密度阈值的坐标分布密度或最优族群中存在坐标点与最优族群的聚类中心之间的距离不低于预设距离，并且各坐标分布密度中同时存在不低于密度阈值的坐标分布密度，则按照预设筛选条件对最优族群中的各坐标点进行筛选，获得筛选后的最优族群；
执行分别确定最优族群中每一坐标点的坐标分布密度的步骤。
本申请实施例提供的一种常驻点的估计方法、装置、设备和介质中，获取活动体在设定时间段内的坐标数据，并针对坐标数据中包含的各坐标点的坐标进行聚类分析，将各坐标点的坐标划分为多个坐标族群；根据各坐标点的坐标时间，分别对每一坐标族群的族群规模进行衰减处理，获得相应的族群有效规模；根据族群有效规模最大的最优族群的各坐标点的坐标分布密度，估计活动体的常驻点。这样，通过坐标点的数量以及坐标点的坐标时间，评估各坐标族群的族群有效规模，降低了常驻点估计的时滞性，通过聚类分析将各坐标进行初步划分，以及采用密度分布算法确定的坐标分布密度，确定常驻点，提高了常驻点估计的精确度。
参阅图6所示，为一种控制设备的结构示意图。基于同一技术构思，本申请实施例还提供了一种控制设备，可以包括存储器601和处理器602。
所述存储器601，用于存储处理器602执行的计算机程序。存储器601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等；存储数据区可存储根据区块链节点的使用所创建的数据等。处理器602，可以是一个中央处理单元(central processing unit，CPU)，或者为数字处理单元等。本申请实施例中不限定上述存储器601和处理器602之间的具体连接介质。本申请实施例在图6中以存储器601和处理器602之间通过总线603连接，总线603在图6中以粗线表示，其它部件之间的连接方式，仅是进行示意性说明，并不引以为限。所述总线603可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器601可以是易失性存储器(volatile memory)，例如随机存取存储器(random-access memory，RAM)；存储器601也可以是非易失性存储器(non-volatilememory)，例如只读存储器，快闪存储器(flash memory)，硬盘(hard disk drive，HDD)或固态硬盘(solid-state drive，SSD)、或者存储器601是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器601可以是上述存储器的组合。
处理器602，用于调用所述存储器601中存储的计算机程序时执行如图1b或图3中所示的实施例提供的常驻点的估计方法。
本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任意方法实施例中的常驻点的估计方法。
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各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对相关技术做出贡献的部分可以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台控制设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种常驻点的估计方法，其特征在于，包括：
获取活动体在设定时间段内的坐标数据，所述坐标数据包括各坐标点的坐标以及相应的坐标时间；
对所述坐标数据中包含的各坐标进行聚类分析，确定各聚类中心，并分别以每一聚类中心，获得包含所述聚类中心的设定范围内分布的一或多个坐标族群，所述坐标族群由多个坐标组成；
根据各坐标点的坐标时间，分别将每一坐标族群的族群规模进行时序衰减处理，获得各坐标族群的族群有效规模，所述族群规模是通过坐标点的数量获得的，所述族群有效规模与各坐标时间呈正相关；
在各坐标族群中，筛选出族群有效规模最大的最优族群，并采用预设的密度分布算法，分别确定所述最优族群中每一坐标点的坐标分布密度；
根据各坐标点的坐标分布密度，估计所述活动体的常驻点。
2.如权利要求1所述的方法，其特征在于，根据各坐标点的坐标时间，分别将每一坐标族群的族群规模进行时序衰减处理，获得各坐标族群的族群有效规模，包括：
分别确定每一坐标时间与当前时间之间的时间差值；
分别根据每一时间差值与预设半衰期之间的比值，确定相应的衰减权重；
分别针对每一坐标点，根据设定坐标点规模以及该坐标点的衰减权重，确定该坐标点的坐标点规模；
分别针对每一坐标族群，根据该坐标族群中各坐标点的坐标点规模，确定该坐标族群的族群有效规模。
3.如权利要求1或2所述的方法，其特征在于，根据各坐标点的坐标分布密度，估计所述活动体的常驻点，包括：
筛选出各坐标分布密度中的最大坐标分布密度，并根据所述最大坐标分布密度以及预设密度权重，确定密度阈值；
若各坐标点的坐标分布密度均低于所述密度阈值，则将所述最大坐标分布密度对应的坐标点，确定为常驻点；
若各坐标点的坐标分布密度均不低于所述密度阈值，并且各坐标点与所述最优族群的聚类中心之间的距离均低于预设距离，则将所述最优族群的聚类中心，确定为常驻点。
4.如权利要求3所述的方法，其特征在于，根据各坐标点的坐标分布密度，估计所述活动体的常驻点，包括：
若存在低于所述密度阈值的坐标分布密度或所述最优族群中存在坐标点与所述最优族群的聚类中心之间的距离不低于所述预设距离，并且各坐标分布密度中同时存在不低于所述密度阈值的坐标分布密度，则按照预设筛选条件对所述最优族群中的各坐标点进行筛选，获得筛选后的最优族群；
执行所述分别确定所述最优族群中每一坐标点的坐标分布密度的步骤。
5.一种常驻点的估计装置，其特征在于，包括：
获取单元，用于获取活动体在设定时间段内的坐标数据，所述坐标数据包括各坐标点的坐标以及相应的坐标时间；
聚类单元，用于对所述坐标数据中包含的各坐标进行聚类分析，确定各聚类中心，并分别以每一聚类中心，获得包含所述聚类中心的设定范围内分布的一或多个坐标族群，所述坐标族群由多个坐标组成；
衰减单元，用于根据各坐标点的坐标时间，分别将每一坐标族群的族群规模进行时序衰减处理，获得各坐标族群的族群有效规模，所述族群规模是通过坐标点的数量获得的，所述族群有效规模与各坐标时间呈正相关；
筛选单元，用于在各坐标族群中，筛选出族群有效规模最大的最优族群，并采用预设的密度分布算法，分别确定所述最优族群中每一坐标点的坐标分布密度；
估计单元，用于根据各坐标点的坐标分布密度，估计所述活动体的常驻点。
6.如权利要求5所述的装置，其特征在于，所述衰减单元用于：
分别确定每一坐标时间与当前时间之间的时间差值；
分别根据每一时间差值与预设半衰期之间的比值，确定相应的衰减权重；
分别针对每一坐标点，根据设定坐标点规模以及该坐标点的衰减权重，确定该坐标点的坐标点规模；
分别针对每一坐标族群，根据该坐标族群中各坐标点的坐标点规模，确定该坐标族群的族群有效规模。
7.如权利要求5或6所述的装置，其特征在于，所述估计单元用于：
筛选出各坐标分布密度中的最大坐标分布密度，并根据所述最大坐标分布密度以及预设密度权重，确定密度阈值；
若各坐标点的坐标分布密度均低于所述密度阈值，则将所述最大坐标分布密度对应的坐标点，确定为常驻点；
若各坐标点的坐标分布密度均不低于所述密度阈值，并且各坐标点与所述最优族群的聚类中心之间的距离均低于预设距离，则将所述最优族群的聚类中心，确定为常驻点。
8.如权利要求7所述的装置，其特征在于，所述估计单元用于：
若存在低于所述密度阈值的坐标分布密度或所述最优族群中存在坐标点与所述最优族群的聚类中心之间的距离不低于所述预设距离，并且各坐标分布密度中同时存在不低于所述密度阈值的坐标分布密度，则按照预设筛选条件对所述最优族群中的各坐标点进行筛选，获得筛选后的最优族群；
执行所述分别确定所述最优族群中每一坐标点的坐标分布密度的步骤。
9.一种控制设备，包括处理器及储存计算机程序的存储器，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-4任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1～4任一所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910323612.7A CN110213711B (zh) | 2019-04-22 | 2019-04-22 | 一种常驻点的估计方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910323612.7A CN110213711B (zh) | 2019-04-22 | 2019-04-22 | 一种常驻点的估计方法、装置、设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110213711A true CN110213711A (zh) | 2019-09-06 |
| CN110213711B CN110213711B (zh) | 2021-06-18 |
Family
ID=67786212
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910323612.7A Expired - Fee Related CN110213711B (zh) | 2019-04-22 | 2019-04-22 | 一种常驻点的估计方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110213711B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111400618A (zh) * | 2020-02-14 | 2020-07-10 | 口口相传(北京)网络技术有限公司 | 一种数据搜索方法以及装置 |
| CN112785233A (zh) * | 2021-01-28 | 2021-05-11 | 湖南汽车工程职业学院 | 一种基于区块链技术的汽车零部件分配中心选址方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102006552A (zh) * | 2010-11-22 | 2011-04-06 | 上海合合信息科技发展有限公司 | 基于地理位置信息建立联系人群组的方法 |
| CN104089620A (zh) * | 2014-04-04 | 2014-10-08 | 北京乐投信息技术有限公司 | 一种基于数据分析的自动路线规划方法及其系统 |
| CN104156489A (zh) * | 2014-08-29 | 2014-11-19 | 北京嘀嘀无限科技发展有限公司 | 基于司机轨迹进行司机常驻点挖掘的方法 |
| WO2017172698A1 (en) * | 2016-03-31 | 2017-10-05 | Takeda Vaccines, Inc. | Live, attenuated alphavirus constructs and methods and uses thereof |
| EP3358509A1 (en) * | 2015-09-30 | 2018-08-08 | Baidu Online Network Technology (Beijing) Co., Ltd | Method, apparatus and device for acquiring area where demands do not match transport capacity in vehicle usage service, and non-volatile computer storage medium |
-
2019
- 2019-04-22 CN CN201910323612.7A patent/CN110213711B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102006552A (zh) * | 2010-11-22 | 2011-04-06 | 上海合合信息科技发展有限公司 | 基于地理位置信息建立联系人群组的方法 |
| CN104089620A (zh) * | 2014-04-04 | 2014-10-08 | 北京乐投信息技术有限公司 | 一种基于数据分析的自动路线规划方法及其系统 |
| CN104156489A (zh) * | 2014-08-29 | 2014-11-19 | 北京嘀嘀无限科技发展有限公司 | 基于司机轨迹进行司机常驻点挖掘的方法 |
| EP3358509A1 (en) * | 2015-09-30 | 2018-08-08 | Baidu Online Network Technology (Beijing) Co., Ltd | Method, apparatus and device for acquiring area where demands do not match transport capacity in vehicle usage service, and non-volatile computer storage medium |
| WO2017172698A1 (en) * | 2016-03-31 | 2017-10-05 | Takeda Vaccines, Inc. | Live, attenuated alphavirus constructs and methods and uses thereof |
Non-Patent Citations (2)
| Title |
|---|
| DAN LIU: "The Research of the Fuzzy Cluster Algorithm for", 《IEEE数据库》 * |
| 谢树明等: "GPS坐标时间序列共模误差空间特性分析", 《地理空间信息》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111400618A (zh) * | 2020-02-14 | 2020-07-10 | 口口相传(北京)网络技术有限公司 | 一种数据搜索方法以及装置 |
| CN112785233A (zh) * | 2021-01-28 | 2021-05-11 | 湖南汽车工程职业学院 | 一种基于区块链技术的汽车零部件分配中心选址方法 |
| CN112785233B (zh) * | 2021-01-28 | 2023-08-22 | 湖南汽车工程职业学院 | 一种基于区块链技术的汽车零部件分配中心选址方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110213711B (zh) | 2021-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lin et al. | The analysis of catchment areas of metro stations using trajectory data generated by dockless shared bikes | |
| Alexander et al. | Origin–destination trips by purpose and time of day inferred from mobile phone data | |
| Malleson et al. | Spatio-temporal crime hotspots and the ambient population | |
| Jiang et al. | Activity-based human mobility patterns inferred from mobile phone data: A case study of Singapore | |
| Iqbal et al. | Development of origin–destination matrices using mobile phone call data | |
| US11755675B2 (en) | Method and apparatus for managing region tag | |
| Ikanovic et al. | An alternative approach to the limits of predictability in human mobility | |
| CN106203505B (zh) | 一种利用手机定位数据判断用户移动与停留状态的方法 | |
| Demissie et al. | Exploring cellular network handover information for urban mobility analysis | |
| CN105893537B (zh) | 地理信息点的确定方法和装置 | |
| JP6634511B2 (ja) | 人口推定装置、プログラム及び人口推定方法 | |
| Wismans et al. | Improving a priori demand estimates transport models using mobile phone data: a Rotterdam-region case | |
| Holleczek et al. | Detecting weak public transport connections from cellphone and public transport data | |
| CN110213711A (zh) | 一种常驻点的估计方法、装置、设备和介质 | |
| Kanasugi et al. | Spatiotemporal route estimation consistent with human mobility using cellular network data | |
| Lokanathan et al. | The potential of mobile network big data as a tool in Colombo’s transportation and urban planning | |
| CN105072591A (zh) | 一种基于移动终端的个性化信息推送方法及系统 | |
| JP6618981B2 (ja) | ユーザ移動プロファイリング | |
| EP2822325A1 (en) | Method, system and computer-readable storage mediums for estimating a route | |
| Cho et al. | Big data pre-processing methods with vehicle driving data using MapReduce techniques | |
| Brdar et al. | Big data processing, analysis and applications in mobile cellular networks | |
| US10959041B1 (en) | Traffic analysis of mobile phones partitioned by geohash | |
| US20170280106A1 (en) | Pubic safety camera identification and monitoring system and method | |
| de Regt et al. | Investigating potential transit ridership by fusing smartcard and global system for mobile communications data | |
| Woods et al. | Exploring methods for mapping seasonal population changes using mobile phone data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40008926 Country of ref document: HK |
|
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210618 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |