CN110267206B - 用户位置预测方法及装置 - Google Patents

用户位置预测方法及装置 Download PDF

Info

Publication number
CN110267206B
CN110267206B CN201910425683.8A CN201910425683A CN110267206B CN 110267206 B CN110267206 B CN 110267206B CN 201910425683 A CN201910425683 A CN 201910425683A CN 110267206 B CN110267206 B CN 110267206B
Authority
CN
China
Prior art keywords
user terminal
activity
base station
target
user
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910425683.8A
Other languages
English (en)
Other versions
CN110267206A (zh
Inventor
樊学宝
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China United Network Communications Group Co Ltd
Original Assignee
China United Network Communications Group Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China United Network Communications Group Co Ltd filed Critical China United Network Communications Group Co Ltd
Priority to CN201910425683.8A priority Critical patent/CN110267206B/zh
Publication of CN110267206A publication Critical patent/CN110267206A/zh
Application granted granted Critical
Publication of CN110267206B publication Critical patent/CN110267206B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/22—Traffic simulation tools or models
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • 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)
  • Telephonic Communication Services (AREA)

Abstract

本申请提供了一种用户位置预测方法及装置，涉及通信领域，能够通过用户终端所在活动地点的停留时间及目标概率完成对用户位置预测的问题，提高用户位置预测的准确性，提升用户体验。该方法包括：获取至少一个用户终端的活动轨迹；根据至少一个用户终端的活动轨迹以及目标概率，生成初始贝叶斯网络模型；确定待识别用户终端的有效位置；获取待识别用户终端在预设时间段内的活动轨迹；根据待识别用户终端在预设时间段内的活动轨迹，对初始贝叶斯网络模型中有效位置对应的原始置信度和原始支持度进行更新，生成目标贝叶斯网络模型；根据目标贝叶斯网络模型，输出第一预测结果。本发明用于进行用户位置预测。

Description

用户位置预测方法及装置
技术领域
本申请涉及通信领域，尤其涉及一种用户位置预测方法及装置。
背景技术
目前，为了向用户提供个性化服务，现有技术通过首先采集用户的活动轨迹，然后根据活动轨迹预测用户的行为，进而根据预测结果向用户提供服务。
但上述现有技术采用的用户行为预测的方法，通常存在准确性低、运算量大的问题。
发明内容
本申请实施例提供一种用户位置预测方法及装置，能够通过用户终端所在活动地点的停留时间及目标概率完成对用户位置预测的问题，提高用户位置预测的准确性，提升用户体验。
为达到上述目的，本申请采用如下技术方案：
第一方面，本申请提供了一种用户位置预测方法，该方法包括：获取至少一个用户终端的活动轨迹；其中，至少一个用户终端的活动轨迹中的每条活动轨迹分别包括：预设用户终端依次经过的至少一个活动地点；预设用户终端为至少一个用户终端中的一个；活动地点包括具有预设功能的地点；根据至少一个用户终端的活动轨迹以及目标概率，生成初始贝叶斯网络模型；其中，目标概率包括：在至少一个用户终端的活动轨迹中，至少一个用户终端中各用户终端出现在至少一个活动地点中各活动地点的概率；确定待识别用户终端的有效位置；有效位置为待识别用户终端最近出现的停留时间大于等于第一时间阈值的预设地点；其中，预设地点包括：至少一个活动地点中的一个活动地点；获取待识别用户终端在预设时间段内的活动轨迹；根据待识别用户终端在预设时间段内的活动轨迹，计算有效位置对应的置信度和支持度；根据计算出的置信度和支持度，对初始贝叶斯网络模型中有效位置对应的原始置信度和原始支持度进行更新，生成目标贝叶斯网络模型；根据目标贝叶斯网络模型，输出第一预测结果；其中，第一预测结果包括：对待识别用户终端将要前往的活动地点进行预测的结果。
第二方面，本申请提供了一种用户位置预测装置，该装置包括：获取模块，用于获取至少一个用户终端的活动轨迹；其中，至少一个用户终端的活动轨迹中的每条活动轨迹分别包括：预设用户终端依次经过的至少一个活动地点；预设用户终端为至少一个用户终端中的一个；活动地点包括具有预设功能的地点；模型生成模块，用于根据至少一个用户终端的活动轨迹以及目标概率，生成初始贝叶斯网络模型；其中，目标概率包括：在至少一个用户终端的活动轨迹中，至少一个用户终端中各用户终端出现在至少一个活动地点中各活动地点的概率；处理模块，用于确定待识别用户终端的有效位置；有效位置为待识别用户终端最近出现的停留时间大于等于第一时间阈值的预设地点；其中，预设地点包括：至少一个活动地点中的一个活动地点；获取模块，还用于获取待识别用户终端在预设时间段内的活动轨迹；处理模块，还用于根据待识别用户终端在预设时间段内的活动轨迹，计算有效位置对应的置信度和支持度；模型生成模块，还用于根据计算出的置信度和支持度，对初始贝叶斯网络模型中有效位置对应的原始置信度和原始支持度进行更新，生成目标贝叶斯网络模型；结果生成模块，用于根据目标贝叶斯网络模型，输出第一预测结果；其中，第一预测结果包括：对待识别用户终端将要前往的活动地点进行预测的结果。
第三方面，本申请提供了一种用户位置预测装置，该装置包括：处理器、通信接口和存储器；其中，存储器用于存储一个或多个程序，该一个或多个程序包括计算机执行指令，当该用户位置预测装置运行时，处理器执行该存储器存储的该计算机执行指令，以使该用户位置预测装置执行上述第一方面及其任意一种实现方式所述的用户位置预测方法。
第四方面，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得所述计算机执行上述第一方面及其任意一种实现方式所述的用户位置预测方法。
第五方面，本申请提供了一种包含指令的计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机执行上述第一方面及其任意一种实现方式所述用户位置预测方法。
本申请实施例提供的用户位置预测方法，能够通过用户终端所在活动地点的停留时间及目标概率完成对用户位置预测的问题，提高用户位置预测的准确性，提升用户体验。
附图说明
图1为本申请实施例提供的一种用户位置预测方法的流程图；
图2为本申请实施例提供的一种用户位置预测方法的活动轨迹示意图；
图3为本发明实施例提供的一种用户位置预测方法的初始贝叶斯网络模型示意图；
图4为本发明实施例提供的一种用户位置预测方法的目标贝叶斯网络模型示意图；
图5为本申请实施例提供的一种用户位置预测装置的结构示意图；
图6为本申请实施例提供的另一种用户位置预测装置的结构示意图。
具体实施方式
下面将结合附图对本申请提供的用户位置预测方法及装置进行详细的描述。
本申请的说明书以及附图中的术语“第一”和“第二”等是用于区别不同的对象，而不是用于描述对象的特定顺序。
此外，本申请的描述中所提到的术语“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、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括其他没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
需要说明的是，本申请实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
本申请中所述“和/或”，包括用两种方法中的任意一种或者同时使用两种方法。
在本申请的描述中，除非另有说明，“多个”的含义是指两个或两个以上。
贝叶斯网络，又称信念网络或有向无环图模型，是贝叶斯分析方法的拓展。是目前不确定知识表达和推理领域最有效的理论模型之一。贝叶斯方法是将关于未知参数的先验信息与样本信息综合，再根据贝叶斯公式，得到后验信息，然后根据后验信息去推断未知参数的方法。贝叶斯网络本身是一种不定性因果关联模型，是将多元知识图解可视化的一种概率知识表达与推理模型，用条件概率表达各个信息要素之间的相关关系，能在有限的、不完整的、不确定的信息条件下进行学习和推理。
语义位置，是对地理环境的定性描述。从实际应用的角度来看，语义位置具有很大的价值。人们能够直接理解语义位置所表达的含义，能够方便地在传统数据库表中进行查询和检索。语义位置表达的不仅仅是位置本身的特征信息，而且将与位置相关的信息都进行了描述，是一种连续的表达。同时语义位置还具有一定的模糊性，能够很方便地应用于情景计算中。定位并不仅仅只是为了求解坐标，作为定位服务的结果，位置是位置服务的基础，从语义的监督挖掘位置内在知识可以为智能化的自适应位置应用服务提供有价值的信息。
兴趣点(point of interest，POI)数据库，在地理信息系统中，一个POI可以是一栋房子、一个商铺、一个公交站等。每个POI包含四方面信息，名称、类别、坐标、分类，全面的POI讯息是丰富导航地图的必备资讯，及时的POI兴趣点能提醒用户路况的分支及周边建筑的详尽信息，也能方便导航中查到你所需要的各个地方，选择最为便捷和通畅的道路来进行路径规划，因此，导航地图POI多少状况直接影响到导航的好用程度。
Apriori算法，是一种挖掘关联规则的频繁项集算法。频繁项集是指支持度大于等于最小支持度的集合，其中支持度是指某个集合在所有事务中出现的概率。Apriori算法的基本思想是，首先找出所有的频繁项集，这些项集的频繁性应至少等于预设最小支持度。然后由频繁项集产生强关联规则，这些规则必须满足最小支持度和最小可信度。然后使用频发项集产生期望的规则，产生只包含集合的相的所有规则。一旦这些规则被生成，那么只有那些大于用户给定的最小可信度的规则才被留下来。
K-means算法，一般指K均值聚类算法，是先随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算，不断重复直到满足某个终止条件。终止条件可以是没有(或最小数目)对象重新分配给不同的聚类，没有(或最小数据)聚类中心再发生变化，误差平法和局部最小。
本发明的发明原理：本发明考虑到用户的行为具有一定的规律性，我们可以利用这种规律，对用户的行为进行预测。同时，通过增加用户终端在不同活动地点的停留时间，确定用户终端的有效位置，对于预测用户行为更加有利。而不同用户的行为具有相似性，我们也可以通过对相似用户的分析，解决用户无法通过自己的历史行为进行预测的问题。
基于上述发明原理，本发明实施例提供一种用户位置预测方法。如图1所所示，该方法包括S101-S113：
S101、获取n个用户终端中各用户终端出现在至少一个活动地点的概率。
S102、根据n个用户终端中各用户终端出现在至少一个活动地点的概率，对n个用户终端进行聚类，生成m个用户群组。
S103、确定至少一个用户终端。
其中，至少一个用户终端包含于m个用户群组中的同一个群组。
具体的，不同用户终端出现在同一活动地点的概率会有相似的情况。通过对相似用户终端进行聚类，把n个用户终端分成m个用户群组。如果至少一个用户终端处于m个用户群组中的同一个群组，那么至少一个用户终端的行为更加相似，提高了用户位置预测的准确性。
示例性的，假设所有的活动地点集合为{l1，l2，l3，…，ln}，某一个用户终端在每一个活动地点出现的概率向量分别为{p1，p2，p3，…，pn}，且
p1+p2+p3+…+pn＝1。再通过k-means算法对n个用户终端出现在所有的活动地点的概率进行聚类，得到m个用户群组。
需要说明的是，本发明的实施例中为了保证预测结果的准确性，因此在训练网络模型之前，先对用户进行了分群，以便利用同一群组的用户终端对网络模型进行训练。在一种实现方式中，可以不进行分群。当不进行分群时，本发明实施例所提供的方法，可以不执行S101-S103，而直接开始执行S104-S113：
S104、获取至少一个用户终端的活动轨迹。
其中，至少一个用户终端的活动轨迹中的每条活动轨迹分别包括：预设用户终端依次经过的至少一个活动地点；预设用户终端为至少一个用户终端中的一个；活动地点包括具有预设功能的地点。
在本申请的一种实现方式中，该方法包括，如图2所示，为用户终端A从家-学校-餐馆的一条活动轨迹示意图。用户终端A在这条活动轨迹上依次经过家，学校，餐馆，图中所示的活动地点包括住宅区(家)，学校，休闲餐饮区(餐馆)，以及公园。
具体的，预设终端可以为用户终端A，表1为用户终端A一段时间内的活动轨迹示例，表2为用户终端A可能出现的活动轨迹示例，以及每条活动轨迹所对应的支持度。由表1可得，用户终端A中具有预设功能的地点为，家、公司、公园、餐馆、商场。由表2可知用户终端A的活动轨迹中的每条活动轨迹分别为，<家>，<公司>，<餐馆>……<家，公司，餐馆，公园>。由于预设终端为至少一个用户终端中的一个，因此，预设用户终端的活动轨迹是包含在至少一个用户终端的活动轨迹的。根据预设用户终端的活动轨迹，可以得到至少一个用户终端的活动轨迹，至少一个用户终端的活动轨迹中包括，<家>，<公司>，<餐馆>……<家，公司，餐馆，公园>。同时，由表2还可以看出，用户终端A在一周内去<家，公司，餐馆，公园>的概率为1/7，也就是，一周内，用户终端A有一天会从家出发，先去公司，再去餐馆，最后去公园。
示例性的，本发明实施例提出的活动地点也可以表示为语义位置。
终端编号 活动轨迹
A <家,公司，餐馆，商场，家>
A <家,公司，餐馆，家>
A <家,公司，公园，餐馆，家>
A <家，餐馆，家>
A <家，商场，家>
A <家,公司，餐馆，商场，家>
A <家,公司，餐馆，家>
表1
活动轨迹编号 活动轨迹 支持度
1 <家> 1
2 <公司> 5/7
3 <餐馆> 6/7
4 <商场> 3/7
5 <家，公司> 5/7
6 <家，餐馆> 6/7
7 <家，商场> 3/7
8 <家，公园> 1/7
9 <家，公司，餐馆> 5/7
10 <家，公司，商场> 2/7
11 <家，公司，公园> 1/7
12 <家，餐馆，商场> 2/7
13 <家，餐馆，公园> 1/7
14 <家，商场，公园> 1/7
15 <家，公司，餐馆，商场> 2/7
16 <家，公司，餐馆，公园> 1/7
表2
在本实施例的一种实现方式中。获取至少一个用户终端的活动轨迹，包括步骤S104a-S104b：
S104a、获取至少一个用户终端的终端编号、至少一个用户终端所经过的至少一个基站的基站编号，以及至少一个用户终端经过至少一个基站的时间戳。
S104b、根据至少一个用户终端的终端编号、至少一个用户终端所经过的至少一个基站的基站编号，以及至少一个用户终端经过至少一个基站的时间戳，确定至少一个用户终端的活动轨迹。
其中，至少一个用户终端的活动轨迹，为支持度大于支持度阈值并且置信度大于置信度阈值的活动轨迹。
具体为，目前已经获取了至少一个用户终端的大量活动轨迹，需要从至少一个用户终端的大量活动轨迹中找出满足一定条件的活动轨迹。为了从至少一个用户终端的大量活动轨迹中找出满足一定条件的活动轨迹，在一种实现方式中，本发明采用从大量活动轨迹中选择支持度大于支持度阈值并且置信度大于置信度阈值的活动轨迹，从而保证用于网络训练的样本数据能够更加反应出用户的行为习惯。
示例性的，假设用户终端A为至少一个用户终端中的一个，如表2所示的用户终端A可能出现的活动轨迹示例。如果支持度阈值为3/7(假设表2中的所有活动轨迹均满足大于置信度阈值的条件)，那么满足大于支持度阈值的活动轨迹只有<家>，<公司>，<餐馆>，<家，公司>，<家，餐馆>，<家，公司，餐馆>。因此，我们将这些大于支持度阈值的活动轨迹作为用户终端A的活动轨迹。
具体可以通过Apriori算法，提取所述至少一个用户终端的活动地点，然后确定所述至少一个用户终端的活动轨迹。
在本发明实施例的一种实现方式中，根据至少一个用户终端的终端编号、至少一个用户终端所经过的至少一个基站的基站编号，以及至少一个用户终端经过至少一个基站的时间戳，确定至少一个用户终端的活动轨迹，具体包括步骤S104b1-S104b3:
S104b1、从至少一个用户终端的终端编号、至少一个用户终端所经过的至少一个基站的基站编号，以及至少一个用户终端经过至少一个基站的时间戳中，确定目标用户终端的终端编号、与目标用户终端进行业务通信时的基站所对应的基站编号，以及目标用户终端进行业务通信时的时间戳。
S104b2、根据目标用户终端的终端编号、与目标用户终端进行业务通信时的基站所对应的基站编号，以及目标用户终端进行业务通信时的时间戳，确定所述目标用户终端在进行业务通信时连接的基站以及目标用户终端连接基站时的先后顺序。
在本步骤的一种实现方式中，可选的，根据目标用户终端的终端编号，与目标用户终端进行业务通信时的基站所对应的基站编号，确定目标用户终端在进行业务通信时连接的基站的基站位置。根据目标用户终端进行业务通信时的时间戳，确定目标用户终端连接不同基站时的先后顺序。
S104b3、按照预设方法，从目标用户终端在进行业务通信时连接的基站中选择目标基站；并将目标基站所对应的活动地点，作为所述目标用户终端的一条活动轨迹上的一个活动地点；其中，所述预设方法，包括：根据所述目标用户终端连接基站时的先后顺序，选择目标基站。
在本步骤的一种实现方式中，可选的，采用反向的地理编码服务将基站位置转化为地址信息，再利用POI数据库获取当前基站的语义位置。其中，当前基站的语义位置为目标基站对应的活动地点。
在本实施例的一种实现方式中，从至少一个用户终端中随机选取目标用户终端，在目标用户终端的活动轨迹中，目标用户终端会在不同的时间内经过不同的活动地点，而经过不同活动地点的信号传输是由基站完成的。因此，我们需要确定在目标用户终端的活动轨迹内的所有基站。信号传输的完成是可以通过目标用户终端进行业务通信时确定的。我们将目标用户终端进行业务通信时连接的基站，按照先后顺序选择目标基站，将目标基站所对应的活动地点，作为目标用户终端的一条轨迹上的一个活动地点。如表3所示，以活动地点“家”为例，目标用户终端的终端编号为1，目标用户终端1进行业务通信时的基站所对应的开始基站编号(假设将目标用户终端进行业务通信时的首个基站作为目标基站)为21656，目标用户终端1进行业务通信时的时间戳包括，开始日期20180801、开始时间210209、结束时间212034，则开始基站编号21656所对应的活动地点为家，家就是目标用户终端1的一个活动地点。同理，公司，商场也分别是目标用户终端1的一个活动地点。
终端编号 开始日期 开始时间 结束时间 开始基站编号 结束基站编号 活动地点
1 20180801 210209 212034 21656 20201 家
1 20180802 182342 182919 22301 20156 公司
1 … … … … … …
1 20180806 114635 115008 23101 21656 商场
表3
具体的，预设方法具体包括：根据目标用户终端在基站的停留时间，选择目标基站。目标基站为目标用户终端在进行业务通信时，停留时间大于等于第二时间阈值的首个基站。
在本实施例的一种实现方式中，从至少一个用户终端中随机选取目标用户终端，在目标用户终端的活动轨迹中，目标用户终端会在不同的时间内经过不同的活动地点，而经过不同活动地点的信号传输是由基站完成的。因此，我们需要确定在目标用户终端的活动轨迹内的所有基站。信号传输的完成是可以通过目标用户终端进行业务通信时确定的。我们对于目标用户终端进行业务通信时连接的基站，将停留时间大于等于第二时间阈值的首个基站确定为目标基站，将目标基站所对应的活动地点，作为目标用户终端的一条轨迹上的一个活动地点。如表4所示，在表3的基础上增加了停留时间一栏，该停留时间是指目标用户终端在进行业务通信时首个基站的停留时间。假设第二时间阈值为300，商场的停留时间为213，那么活动地点商场所对应的首个基站就不是目标用户终端1的目标基站，也就是说，商场就不能作为目标用户终端1的一条轨迹上的一个活动地点。而活动地点家以及公司所对应的首个基站，由于其停留时间均大于第二时间阈值，活动地点家以及活动地点公司所对应的基站就是目标用户终端1的目标基站，家以及公司就是目标用户终端1的一条轨迹上的一个活动地点。
Figure BDA0002067407580000091
表4
在S104b确定至少一个用户终端的活动轨迹之后，本发明实施例所提供的方法，还包括：
S105、根据至少一个用户终端的活动轨迹以及目标概率，生成初始贝叶斯网络模型。
其中，目标概率包括：在至少一个用户终端的活动轨迹中，至少一个用户终端中各用户终端出现在至少一个活动地点中各活动地点的概率。
在本发明的一种实施例中，该方法包括，假设用户终端的出行时空序列为：Tri＝{(L1,t1)，(L2,t2)，…，(Li,ti)，…，(Ln,tn)}，其中，(Li,ti)表示用户终端在某个时间内出现的基站位置，那么用户终端在不同时间的位置概率分布可以表示为：
P＝(Xt＝l|t∈[ti,ti+Δt] (1)
公式(1)表示，在特定的时间段内，用户终端在不同位置下的分布概率。
在本发明的一种实施例中，为了生成初始贝叶斯网络模型，需要计算至少一个用户终端中，每个用户终端出现在各个活动地点的概率，根据计算后的每个用户终端出现在各个活动地点的概率，以及每个用户终端的活动轨迹，确定初始的贝叶斯网络模型。图3为至少一个用户终端的初始贝叶斯网络模型，如图3所示，在至少一个用户终端的初始贝叶斯网络中，可以直接读取至少一个用户终端出现在图中任何一个活动地点的概率。例如，可以直接读出，用户终端1出现在公园的概率为32.3％，用户终端1为所述至少一个用户终端中的一个。
在本发明的一种实现方式中，本发明实施例中考虑到在利用至少一个用户终端的活动轨迹以及目标概率创建贝叶斯网络之后，即可根据生成的初始贝叶斯网络对用户终端当前出现在某处的概率进行预测。进而本发明在生成初始贝叶斯网络模型之后，该方法还包括S106-S108：
S106、在至少一个用户终端的活动轨迹中查询待预测用户终端的活动轨迹。
S107、从至少一个活动地点中选择待预测用户终端的活动轨迹中没有的活动地点，生成活动地点集合。
S108、输出第二预测结果。
其中第二预测结果包括：至少一个用户终端当前处于活动地点集合中的一个活动地点的概率。
具体的，首先从至少一个用户终端的大量的活动轨迹中查询待预测用户的活动轨迹，从至少一个用户终端的大量的活动地点中选择待预测用户终端的活动轨迹中没有出现的活动地点，生成一个待预测用户终端没有出现过得活动地点集合，输出至少一个用户终端处于待预测用户终端没有出现过的活动地点集合中的一个活动地点的概率。
示例性的，至少一个用户终端的活动轨迹为，家、家-公司，家-学校，家-公司-商场，而待预测用户终端的活动轨迹为，家，家-学校。因此，活动地点集合为{公司，商场}，通过初始贝叶斯网络模型可以直接读取待预测用户终端当前处于公司或者商场的概率，因此，输出第二预测结果，也就是至少一个用户终端当前处于公司或者商场的概率。其中，待预测用户终端可以为一个，也可以为多个，在此不做具体限定。通过对初始贝叶斯网络模型的建立，可以有效解决如何预测用户终端没有去过的活动地点的问题。初始贝叶斯网络模型是一个群体性质的网络模型，包含了不止待预测用户终端的活动轨迹。当待预测用户终端无法通过自己的历史数据进行预测时，通过初始贝叶斯网络模型可以实现。
在S105生成初始贝叶斯网络模型之后，本发明实施例所提供的方法，还包括：
S109、确定待识别用户终端的有效位置。
有效位置为待识别用户终端最近出现的停留时间大于等于第一时间阈值的预设地点；其中，预设地点包括：至少一个活动地点中的一个活动地点。
在本实施例的一种实现方式中，待识别用户终端可能会在不同的活动地点中出现，而出现时间的长短不一，短时间的停留可能预示着该地点的重要性比较低，因此，我们提出一个第一时间阈值，对待识别用户终端出现的停留时间大于等于第一时间阈值的活动地点进行筛选。同时，待识别用户终端出现的停留时间大于等于第一时间阈值的活动地点不是唯一的。我们选取最近出现的，也就是唯一的活动地点作为预设地点，将预设地点确定为有效位置。根据有效位置可以更有效的判断出待识别用户终端将要出现的活动地点。如待识别用户终端最近依次出现在A、B、C、D四个活动地点。活动地点A的停留时间为2小时，活动地点B的停留时间为3小时，活动地点C的停留时间为3小时，活动地点D的停留时间为1小时，第一时间阈值为2小时。A、B、C三个活动地点的停留时间均大于等于第一时间阈值，活动地点D由于小于第一时间阈值，同时，活动地点C是最近出现的活动地点。因此活动地点C是最近出现的预设地点，活动地点C就是所述待识别用户终端的有效位置。
在本实施例的一种实现方式中，获取待识别用户终端的有效位置，还包括步骤S109a-S109b：
S109a、从至少一个活动地点中，确定待识别用户终端最近出现的活动地点。
S109b、待识别用户终端最近出现的活动地点的停留时间小于第一时间阈值，则判断最近出现的活动地点的上一个活动地点的停留时间是否小于第一时间阈值，直至获取有效位置。
在本步骤的一种实现方式中，待识别用户终端最近出现的活动地点可能只是路过，或者停留时间较短，不足以作为待识别用户终端经常出现的活动地点。因此，判断最近出现的活动地点的停留时间是否小于第一时间阈值，若小于第一时间阈值，则判断最近出现的活动地点的上一个活动地点的停留时间是否小于第一时间阈值，直至获取有效位置。如，待识别用户终端最近依次出现在A、B、C、D四个活动地点，活动地点A的停留时间为2小时，活动地点B的停留时间为3小时，活动地点C的停留时间为1小时，活动地点D的停留时间为30分钟，第一时间阈值为2小时。待识别用户终端最近出现的活动地点为D，活动地点D的停留时间小于第一时间阈值，因此，需要判断活动地点D的上一个活动地点C，活动地点C的停留时间也小于第一时间阈值，然后需要判断活动地点B，活动地点B的停留时间处于大于等于第一时间阈值的范围内。尽管活动地点A的停留时间也不小于第一时间阈值，但是，由于活动地点B相对于活动地点A是最近出现的活动地点，因此，活动地点B就是待识别用户终端的有效位置。
S110、获取待识别用户终端在预设时间段内的活动轨迹。
在本实施例的一种实现方式中，首先，可以确定预设时间段，如7天，14天，30天等，可以根据所需的不同时间段的数据确定预设时间段，以待识别用户终端当前所处的时间点为基准，向前延伸。即当预设时间段为7天时，实际上是待识别用户最近的7天，因而获取的就是待识别用户最近7天内的活动轨迹。同时，本步骤获取的活动轨迹步骤与S104b获取的活动轨迹有所不同。S104b获取的活动轨迹为大量用户的长期的活动轨迹，而本步骤实施例获取的活动轨迹，首先应是待识别用户终端的，也就是一个用户终端的活动轨迹，然后是可以根据实际需求确定预设时间段的。通过对单个用户一定时间段内的活动轨迹，提取出用户行为的规律，对形成单个用户对应的贝叶斯网络有着积极的作用，以便更好地预测用户的出行选择。
S111、根据待识别用户终端在预设时间段内的活动轨迹，计算有效位置对应的置信度和支持度。
具体的，每一个活动地点都有其所对应的置信度和支持度，通过对待识别用户终端在预设时间段内的活动轨迹，计算有效位置这一活动地点对应的置信度和支持度。
S112、根据计算出的置信度和支持度，对初始贝叶斯网络模型中有效位置对应的原始置信度和原始支持度进行更新，生成目标贝叶斯网络模型。
具体的，初始贝叶斯网络模型是一个群体的网络模型，包含了至少一个用户终端的活动轨迹、活动地点、以及每一个活动地点出现的概率。如要对某一个用户的行为进行预测，必须得到这个用户终端的贝叶斯网络，也就是目标贝叶斯网络模型。通过对待识别用户终端有效位置置信度和支持度的更新，可以直接获得待识别用户终端的贝叶斯网络模型，也就是目标贝叶斯网络模型。另外，只有当输入待识别用户终端的有效位置时，通过更新有效位置对应的支持度和置信度，初始贝叶斯网络模型才会进行更新，无效的活动地点对于初始贝叶斯网络模型而言是没有变化的。图4为用户终端1的目标贝叶斯网络模型，如图4所示，当学校为有效位置时，根据用户终端1在固定时间内的活动轨迹对学校所对应的置信度和支持度进行计算，然后更新初始贝叶斯网络中学校对应的原始置信度和原始支持度。之后学校，商场以及公园在目标贝叶斯网络模型中的概率都会变化。也就是说，学校，商场以及公园出现的概率都会变化。同样的，可以直接从用户终端1的目标贝叶斯网络模型中直接读取用户终端1出现在某一个活动地点的概率。
S113、根据目标贝叶斯网络模型，输出第一预测结果。
其中，第一预测结果包括：对待识别用户终端将要前往的活动地点进行预测的结果。
具体的，可以直接从目标贝叶斯网络中输出第一预测结果。第一预测结果包括，待识别用户终端将要前往的活动地点，以及待识别用户终端将要前往的活动地点的概率。
示例性的，如图4所示，通过用户终端1的目标贝叶斯网络可以获取到，用户终端1将要前往的活动地点为商场的概率为57％。可以通过终端消息推送功能，向所述待识别用户终端推送商场的上新产品或者优惠活动。
本申请提供了一种用户位置预测装置，用于执行前述用户位置预测方法，如图5所示，为本发明实施例提供的用户位置预测装置的一种可能的结构示意图。其中，该装置包括：
获取模块501，用于获取至少一个用户终端的活动轨迹。其中，至少一个用户终端的活动轨迹中的每条活动轨迹分别包括：预设用户终端依次经过的至少一个活动地点。预设用户终端为至少一个用户终端中的一个，活动地点包括具有预设功能的地点。
模型生成模块503，用于根据至少一个用户终端的活动轨迹以及目标概率，生成初始贝叶斯网络模型。其中，目标概率包括：在至少一个用户终端的活动轨迹中，至少一个用户终端中各用户终端出现在至少一个活动地点中各活动地点的概率。
处理模块502，用于确定待识别用户终端的有效位置；有效位置为待识别用户终端最近出现的停留时间大于等于第一时间阈值的预设地点。其中，预设地点包括：至少一个活动地点中的一个活动地点。
获取模块501，还用于获取待识别用户终端在预设时间段内的活动轨迹。
处理模块502，还用于根据待识别用户终端在预设时间段内的活动轨迹，计算有效位置对应的置信度和支持度。
模型生成模块503，还用于根据计算出的置信度和支持度，对初始贝叶斯网络模型中有效位置对应的原始置信度和原始支持度进行更新，生成目标贝叶斯网络模型。
结果生成模块504，用于根据目标贝叶斯网络模型，输出第一预测结果。其中，第一预测结果包括：对待识别用户终端将要前往的活动地点进行预测的结果。
可选的，获取模块501具体包括：获取子模块5011、第一处理子模块5012。
获取子模块5011，用于获取至少一个用户终端的终端编号、至少一个用户终端所经过的至少一个基站的基站编号，以及至少一个用户终端经过至少一个基站的时间戳。第一处理子模块5012，用于根据至少一个用户终端的终端编号、至少一个用户终端所经过的至少一个基站的基站编号，以及至少一个用户终端经过至少一个基站的时间戳，确定至少一个用户终端的活动轨迹。其中，至少一个用户终端的活动轨迹，为支持度大于支持度阈值并且置信度大于置信度阈值的活动轨迹。
可选的，第一处理子模块5012，具体用于从至少一个用户终端的终端编号、至少一个用户终端所经过的至少一个基站的基站编号，以及至少一个用户终端经过至少一个基站的时间戳中，确定目标用户终端的终端编号、与所述目标用户终端进行业务通信时的基站所对应的基站编号，以及目标用户终端进行业务通信时的时间戳。第一处理子模块5012，具体还用于根据目标用户终端的终端编号、与目标用户终端进行业务通信时的基站所对应的基站编号，以及目标用户终端进行业务通信时的时间戳，确定目标用户终端在进行业务通信时连接的基站以及目标用户终端连接基站的先后顺序。第一处理子模块5012，具体还用于按照预设方法，从目标用户终端在进行业务通信时连接的基站中选择目标基站。并将目标基站所对应的活动地点，作为目标用户终端的一条活动轨迹上的一个活动地点。其中，预设方法，包括：根据目标用户终端连接基站时的先后顺序，选择目标基站。具体的，预设方法，具体包括：根据目标用户终端在基站的停留时间，选择目标基站。目标基站为目标用户终端在进行业务通信时，停留时间大于等于第二时间阈值的首个基站。
可选的，处理模块502具体包括：确定子模块5021、第二处理子模块5022。确定子模块5021，用于从至少一个活动地点中，确定待识别用户终端最近出现的活动地点。第二处理子模块5022，用于若待识别用户终端最近出现的活动地点的停留时间小于第一时间阈值，则判断最近出现的活动地点的上一个活动地点的停留时间是否小于第一时间阈值，直至获取有效位置。
可选的，处理模块502，还用于在至少一个用户终端的活动轨迹中查询待预测用户终端的活动轨迹。处理模块502，还用于从至少一个活动地点中选择待预测用户终端的活动轨迹中没有的活动地点，生成活动地点集合。结果生成模块504，还用于输出第二预测结果，其中第二预测结果包括：至少一个用户终端当前处于活动地点集合中的一个活动地点的概率。
可选的，获取模块501，还用于获取n个用户终端中各用户终端出现在至少一个活动地点的概率。处理模块502，还用于根据n个用户终端中各用户终端出现在至少一个活动地点的概率，对n个用户终端进行聚类，生成m个用户群组。处理模块502，还用于确定至少一个用户终端；其中，至少一个用户终端包含于m个用户群组中的同一个群组。
本申请实施例可以根据上述方法示例对网络优先级评估装置进行功能模块或者功能单元的划分，例如，可以对应各个功能划分各个功能模块或者功能单元，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块或者功能单元的形式实现。其中，本申请实施例中对模块或者单元的划分是示意性的，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。
图6示出了上述实施例中所涉及的用户位置预测装置的又一种可能的结构示意图。该用户位置预测装置包括：处理器602和通信接口603。处理器602用于对用户位置预测装置的动作进行控制管理，例如，执行上述S101-S113执行的步骤，和/或用于执行本文所描述的技术的其它过程。通信接口603用于支持用户位置预测装置与其他网络实体的通信。用户位置预测装置还可以包括存储器601和总线604，存储器601用于存储用户位置预测装置的程序代码和数据。
其中，存储器601可以是用户位置预测装置中的存储器等，该存储器可以包括易失性存储器，例如随机存取存储器。该存储器也可以包括非易失性存储器，例如只读存储器，快闪存储器，硬盘或固态硬盘。该存储器还可以包括上述种类的存储器的组合。
上述处理器602可以是实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。该处理器可以是中央处理器，通用处理器，数字信号处理器，专用集成电路，现场可编程门阵列或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。所述处理器也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线604可以是扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。总线604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。
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例提供一种包含指令的计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机执行上述方法实施例所述的用户位置预测方法。
本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得所述计算机执行上述方法实施例所示的方法流程中的用户位置预测方法。
其中，计算机可读存储介质，例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(Random Access Memory，RAM)、只读存储器(Read-Only Memory，ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、寄存器、硬盘、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合、或者本领域熟知的任何其它形式的计算机可读存储介质。一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于特定用途集成电路(Application Specific Integrated Circuit，ASIC)中。在本申请实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何在本申请揭露的技术范围内的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (16)

1.一种用户位置预测方法，其特征在于，所述方法包括：
获取至少一个用户终端的活动轨迹；其中，所述至少一个用户终端的活动轨迹中的每条活动轨迹分别包括：预设用户终端依次经过的至少一个活动地点；所述预设用户终端为所述至少一个用户终端中的一个；所述活动地点包括具有预设功能的地点；
根据所述至少一个用户终端的活动轨迹以及目标概率，生成初始贝叶斯网络模型；其中，所述目标概率包括：在所述至少一个用户终端的活动轨迹中，所述至少一个用户终端中各用户终端出现在所述至少一个活动地点中各活动地点的概率；
确定待识别用户终端的有效位置；所述有效位置为所述待识别用户终端最近出现的停留时间大于等于第一时间阈值的预设地点；其中，所述预设地点包括：所述至少一个活动地点中的一个活动地点；
获取所述待识别用户终端在预设时间段内的活动轨迹；
根据所述待识别用户终端在预设时间段内的活动轨迹，计算所述有效位置对应的置信度和支持度；
根据计算出的所述置信度和支持度，对所述初始贝叶斯网络模型中所述有效位置对应的原始置信度和原始支持度进行更新，生成目标贝叶斯网络模型；
根据所述目标贝叶斯网络模型，输出第一预测结果；其中，所述第一预测结果包括：对所述待识别用户终端将要前往的活动地点进行预测的结果。
2.根据权利要求1所述的用户位置预测方法，其特征在于，所述获取至少一个用户终端的活动轨迹；具体包括：
获取所述至少一个用户终端的终端编号、所述至少一个用户终端所经过的至少一个基站的基站编号，以及所述至少一个用户终端经过所述至少一个基站的时间戳；
根据所述至少一个用户终端的终端编号、所述至少一个用户终端所经过的至少一个基站的基站编号，以及所述至少一个用户终端经过所述至少一个基站的时间戳，确定所述至少一个用户终端的活动轨迹；其中，所述至少一个用户终端的活动轨迹，为支持度大于支持度阈值并且置信度大于置信度阈值的活动轨迹。
3.根据权利要求2所述的用户位置预测方法，其特征在于，所述根据所述至少一个用户终端的终端编号、所述至少一个用户终端所经过的至少一个基站的基站编号，以及所述至少一个用户终端经过所述至少一个基站的时间戳，确定所述至少一个用户终端的活动轨迹，包括：
从所述至少一个用户终端的终端编号、所述至少一个用户终端所经过的至少一个基站的基站编号，以及所述至少一个用户终端经过所述至少一个基站的时间戳中，确定目标用户终端的终端编号、与所述目标用户终端进行业务通信时的基站所对应的基站编号，以及所述目标用户终端进行业务通信时的时间戳；
根据所述目标用户终端的终端编号、与所述目标用户终端进行业务通信时的基站所对应的基站编号，以及所述目标用户终端进行业务通信时的时间戳，确定所述目标用户终端在进行业务通信时连接的基站以及所述目标用户终端连接基站的先后顺序；
按照预设方法，从所述目标用户终端在进行业务通信时连接的基站中选择目标基站；并将所述目标基站所对应的活动地点，作为所述目标用户终端的一条活动轨迹上的一个活动地点；其中，所述预设方法，包括：根据所述目标用户终端连接基站时的先后顺序，选择目标基站。
4.根据权利要求3所述的用户位置预测方法，其特征在于，
所述预设方法，具体包括：根据所述目标用户终端在基站的停留时间，选择目标基站；所述目标基站为所述目标用户终端在进行业务通信时，停留时间大于等于第二时间阈值的首个基站。
5.根据权利要求1所述的用户位置预测方法，其特征在于，所述确定待识别用户终端的有效位置；具体包括：
从所述至少一个活动地点中，确定所述待识别用户终端最近出现的活动地点；
若所述待识别用户终端最近出现的活动地点的停留时间小于第一时间阈值，则判断所述最近出现的活动地点的上一个活动地点的停留时间是否小于所述第一时间阈值，直至获取所述有效位置。
6.根据权利要求1所述的用户位置预测方法，其特征在于，在所述生成初始贝叶斯网络模型之后；所述方法还包括：
在所述至少一个用户终端的活动轨迹中查询待预测用户终端的活动轨迹；
从所述至少一个活动地点中选择所述待预测用户终端的活动轨迹中没有的活动地点，生成活动地点集合；
输出第二预测结果，其中所述第二预测结果包括：所述至少一个用户终端当前处于所述活动地点集合中的一个活动地点的概率。
7.根据权利要求1-6任一项所述的用户位置预测方法，其特征在于，在所述获取至少一个用户终端的活动轨迹之前，所述方法包括：
获取n个用户终端中各用户终端出现在所述至少一个活动地点的概率；
根据所述n个用户终端中各用户终端出现在所述至少一个活动地点的概率，对所述n个用户终端进行聚类，生成m个用户群组；
确定所述至少一个用户终端；其中，所述至少一个用户终端包含于所述m个用户群组中的同一个群组。
8.一种用户位置预测装置，其特征在于，所述装置包括：
获取模块，用于获取至少一个用户终端的活动轨迹；其中，所述至少一个用户终端的活动轨迹中的每条活动轨迹分别包括：预设用户终端依次经过的至少一个活动地点；所述预设用户终端为所述至少一个用户终端中的一个；所述活动地点包括具有预设功能的地点；
模型生成模块，用于在所述获取模块获取至少一个用户终端的活动轨迹之后，根据所述至少一个用户终端的活动轨迹以及目标概率，生成初始贝叶斯网络模型；其中，所述目标概率包括：在所述至少一个用户终端的活动轨迹中，所述至少一个用户终端中各用户终端出现在所述至少一个活动地点中各活动地点的概率；
处理模块，用于确定待识别用户终端的有效位置；所述有效位置为所述待识别用户终端最近出现的停留时间大于等于第一时间阈值的预设地点；其中，所述预设地点包括：所述至少一个活动地点中的一个活动地点；
所述获取模块，还用于获取所述待识别用户终端在预设时间段内的活动轨迹；
所述处理模块，还用于在所述获取模块获取所述待识别用户终端在预设时间段内的活动轨迹之后，根据所述待识别用户终端在预设时间段内的活动轨迹，计算所述有效位置对应的置信度和支持度；
所述模型生成模块，还用于在所述处理模块计算所述有效位置对应的置信度和支持度之后，根据计算出的所述置信度和支持度，对所述初始贝叶斯网络模型中所述有效位置对应的原始置信度和原始支持度进行更新，生成目标贝叶斯网络模型；
结果生成模块，在所述模型生成模块生成目标贝叶斯网络模型之后，用于根据所述目标贝叶斯网络模型，输出第一预测结果；其中，所述第一预测结果包括：对所述待识别用户终端将要前往的活动地点进行预测的结果。
9.根据权利要求8所述的用户位置预测装置，其特征在于，所述获取模块具体包括：获取子模块、第一处理子模块；
所述获取子模块，用于获取所述至少一个用户终端的终端编号、所述至少一个用户终端所经过的至少一个基站的基站编号，以及所述至少一个用户终端经过所述至少一个基站的时间戳；
所述第一处理子模块，用于根据所述至少一个用户终端的终端编号、所述至少一个用户终端所经过的至少一个基站的基站编号，以及所述至少一个用户终端经过所述至少一个基站的时间戳，确定所述至少一个用户终端的活动轨迹；其中，所述至少一个用户终端的活动轨迹，为支持度大于支持度阈值并且置信度大于置信度阈值的活动轨迹。
10.根据权利要求9所述的用户位置预测装置，其特征在于，
所述第一处理子模块，具体用于从所述至少一个用户终端的终端编号、所述至少一个用户终端所经过的至少一个基站的基站编号，以及所述至少一个用户终端经过所述至少一个基站的时间戳中，确定目标用户终端的终端编号、与所述目标用户终端进行业务通信时的基站所对应的基站编号，以及所述目标用户终端进行业务通信时的时间戳；
所述第一处理子模块，具体还用于根据所述目标用户终端的终端编号、与所述目标用户终端进行业务通信时的基站所对应的基站编号，以及所述目标用户终端进行业务通信时的时间戳，确定所述目标用户终端在进行业务通信时连接的基站以及所述目标用户终端连接基站的先后顺序；
所述第一处理子模块，具体还用于按照预设方法，从所述目标用户终端在进行业务通信时连接的基站中选择目标基站；并将所述目标基站所对应的活动地点，作为所述目标用户终端的一条活动轨迹上的一个活动地点；其中，所述预设方法，包括：根据所述目标用户终端连接基站时的先后顺序，选择目标基站。
11.根据权利要求10所述的用户位置预测装置，其特征在于，
所述预设方法，具体包括：根据所述目标用户终端在基站的停留时间，选择目标基站；所述目标基站为所述目标用户终端在进行业务通信时，停留时间大于等于第二时间阈值的首个基站。
12.根据权利要求8所述的用户位置预测装置，其特征在于，所述处理模块，包括：确定子模块以及第二处理子模块；
所述确定子模块，用于从所述至少一个活动地点中，确定所述待识别用户终端最近出现的活动地点；
所述第二处理子模块，用于若所述待识别用户终端最近出现的活动地点的停留时间小于第一时间阈值，则判断所述最近出现的活动地点的上一个活动地点的停留时间是否小于所述第一时间阈值，直至获取所述有效位置。
13.根据权利要求8所述的用户位置预测装置，其特征在于，
所述处理模块，还用于在所述至少一个用户终端的活动轨迹中查询待预测用户终端的活动轨迹；
所述处理模块，还用于从所述至少一个活动地点中选择所述待预测用户终端的活动轨迹中没有的活动地点，生成活动地点集合；
所述结果生成模块，还用于输出第二预测结果，其中所述第二预测结果包括：所述至少一个用户终端当前处于所述活动地点集合中的一个活动地点的概率。
14.根据权利要求8-13任一项所述的用户位置预测装置，其特征在于，
所述获取模块，还用于获取n个用户终端中各用户终端出现在所述至少一个活动地点的概率；
所述处理模块，还用于根据所述n个用户终端中各用户终端出现在所述至少一个活动地点的概率，对所述n个用户终端进行聚类，生成m个用户群组；
所述处理模块，还用于确定所述至少一个用户终端；其中，所述至少一个用户终端包含于所述m个用户群组中的同一个群组。
15.一种用户位置预测装置，其特征在于，所述用户位置预测包括：处理器、通信接口和存储器；其中，存储器用于存储一个或多个程序，该一个或多个程序包括计算机执行指令，当该用户位置预测装置运行时，处理器执行该存储器存储的该计算机执行指令，以使该用户位置预测装置执行权利要求1至7中任一项所述的用户位置预测方法。
16.一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，其特征在于，当所述指令在计算机上运行时，使得计算机执行如权利要求1至7中任一项所述的用户位置预测方法。
CN201910425683.8A 2019-05-21 2019-05-21 用户位置预测方法及装置 Active CN110267206B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910425683.8A CN110267206B (zh) 2019-05-21 2019-05-21 用户位置预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910425683.8A CN110267206B (zh) 2019-05-21 2019-05-21 用户位置预测方法及装置

Publications (2)

Publication Number Publication Date
CN110267206A CN110267206A (zh) 2019-09-20
CN110267206B true CN110267206B (zh) 2020-11-17

Family

ID=67915032

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910425683.8A Active CN110267206B (zh) 2019-05-21 2019-05-21 用户位置预测方法及装置

Country Status (1)

Country Link
CN (1) CN110267206B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110807068B (zh) * 2019-10-08 2022-09-23 北京百度网讯科技有限公司 换设备用户的识别方法、装置、计算机设备和存储介质
CN110726418B (zh) 2019-10-10 2021-08-03 北京百度网讯科技有限公司 兴趣点区域确定方法、装置、设备及存储介质
CN112954603A (zh) * 2019-11-26 2021-06-11 中国移动通信集团甘肃有限公司 一种特殊人群运动轨迹的预测方法及电子设备
CN111143639B (zh) * 2019-12-27 2021-05-07 同盾(广州)科技有限公司 用户亲密度计算方法、装置、设备及介质
CN111159583B (zh) * 2019-12-31 2023-08-04 中国联合网络通信集团有限公司 用户行为分析方法、装置、设备及存储介质
CN113139006A (zh) * 2020-01-19 2021-07-20 深圳云天励飞技术有限公司 固定场所挖掘方法、装置、终端设备及可读存储介质
CN111417067B (zh) * 2020-03-13 2021-05-07 智慧足迹数据科技有限公司 定位用户到访位置的方法和装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678804A (zh) * 2016-01-06 2016-06-15 北京理工大学 一种耦合目标检测与数据关联的实时在线多目标跟踪方法
CN107016126A (zh) * 2017-05-12 2017-08-04 西南交通大学 一种基于序列模式挖掘的多用户模型移动轨迹预测方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7970575B2 (en) * 2007-04-20 2011-06-28 Industrial Technology Research Institute Method and apparatus for determining accuracy of the estimated location for a target in a wireless system
CN104794733B (zh) * 2014-01-20 2018-05-08 株式会社理光 对象跟踪方法和装置
US9161175B1 (en) * 2014-05-31 2015-10-13 Apple Inc. Location transition determination
GB2528245A (en) * 2014-07-04 2016-01-20 Jaguar Land Rover Ltd Apparatus and method for determining an intended target
US10160448B2 (en) * 2016-11-08 2018-12-25 Ford Global Technologies, Llc Object tracking using sensor fusion within a probabilistic framework
CN108966148A (zh) * 2018-08-10 2018-12-07 深圳北斗应用技术研究院有限公司 出行信息的预测方法、服务器及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105678804A (zh) * 2016-01-06 2016-06-15 北京理工大学 一种耦合目标检测与数据关联的实时在线多目标跟踪方法
CN107016126A (zh) * 2017-05-12 2017-08-04 西南交通大学 一种基于序列模式挖掘的多用户模型移动轨迹预测方法

Also Published As

Publication number Publication date
CN110267206A (zh) 2019-09-20

Similar Documents

Publication Publication Date Title
CN110267206B (zh) 用户位置预测方法及装置
CN108875007B (zh) 兴趣点的确定方法和装置、存储介质、电子装置
CN107798557B (zh) 电子装置、基于lbs数据的服务场所推荐方法及存储介质
Lou et al. Map-matching for low-sampling-rate GPS trajectories
US10332019B2 (en) Ranking nearby destinations based on visit likelihoods and predicting future visits to places from location history
CN110414732B (zh) 一种出行未来轨迹预测方法、装置、储存介质及电子设备
Samaan et al. A mobility prediction architecture based on contextual knowledge and spatial conceptual maps
USRE44876E1 (en) Proximity search methods using tiles to represent geographical zones
US9904932B2 (en) Analyzing semantic places and related data from a plurality of location data reports
CN105532030B (zh) 用于分析目标实体的移动的装置、系统和方法
CN102762957B (zh) 历史交通数据压缩
CN109029446B (zh) 一种行人位置预测方法、装置及设备
US20110218992A1 (en) Relevancy ranking for map-related search
Li et al. Robust inferences of travel paths from GPS trajectories
WO2007040891A1 (en) Methods for predicting destinations from partial trajectories employing open-and closed-world modeling methods
US20150088766A1 (en) Automated-valuation-model training-data optimization systems and methods
Mohamed et al. Accurate and efficient map matching for challenging environments
Cesario et al. An approach for the discovery and validation of urban mobility patterns
US9167389B1 (en) Clustering location data to determine locations of interest
CN110598917A (zh) 一种基于路径轨迹的目的地预测方法、系统及存储介质
Cao et al. Understanding metropolitan crowd mobility via mobile cellular accessing data
CN113704378A (zh) 一种伴随信息的确定方法、装置、设备及存储介质
CN115408618A (zh) 一种基于社交关系融合位置动态流行度和地理特征的兴趣点推荐方法
Gupta et al. Study of fuzzy logic and particle swarm methods in map matching algorithm
Hussain et al. Incorporating weather updates for public transportation users of recommendation systems

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