CN110446161B - 一种用户身份识别方法、装置、设备及存储介质 - Google Patents
一种用户身份识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110446161B CN110446161B CN201910628282.2A CN201910628282A CN110446161B CN 110446161 B CN110446161 B CN 110446161B CN 201910628282 A CN201910628282 A CN 201910628282A CN 110446161 B CN110446161 B CN 110446161B
- Authority
- CN
- China
- Prior art keywords
- user
- campus
- identification
- information
- identity
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Probability & Statistics with Applications (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Fuzzy Systems (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Remote Sensing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用户身份识别方法、装置、设备及存储介质。包括:根据本发明实施例,采集移动终端在预设时间周期内的多个位置指纹信息,基于多个位置指纹信息得到移动终端的多个位置区域信息;对多个位置区域信息编号;将与预设时间周期内的多个时间节点一一对应的编号后的多个位置区域信息顺序排列,得到移动终端对应的用户的身份识别向量;基于用户的身份识别向量,确定用户的身份信息。利用位置指纹技术进行位置定位,获取的用户所在位置区域,使用自动化的分类算法,高效精准的完成用户身份识别。
Description
技术领域
本发明属于数据业务技术领域,尤其涉及一种用户身份识别方法、装置、设备及计算机存储介质。
背景技术
在大数据时代,随着市场经济的迅猛发展,用户群组成复杂,待推送信息的数量庞大繁杂,接受信息的终端数量众多,现有信息推送系统存在的最主要问题是,信息推送的精度差,不能精确的推送至有需求的用户,所以,无法很好的满足日益发展的市场需求。
用户识别对于分析用户特征及消费习惯等方面起到尤为关键的作用。用户识别可以被用来发现不同的客户群,刻画不同的客户群的特征,用户识别是细分市场的有效工具,同时也可用于研究消费者行为,并作为多元分析的预处理。
相关技术方案中,用户身份识别方法计算成本大、效率低、且自动化程度较低。
发明内容
本发明实施例提供一种用户身份识别方法、装置、设备及存储介质,能够高效精准的识别用户身份。
一方面,本发明实施例提供一种用户身份识别方法,该方法包括:采集移动终端在预设时间周期内的多个位置指纹信息,基于多个位置指纹信息得到移动终端的多个位置区域信息;对多个位置区域信息编号;将与预设时间周期内的多个时间节点一一对应的编号后的多个位置区域信息顺序排列,得到移动终端对应的用户的身份识别向量;基于用户的身份识别向量,确定用户的身份信息。
在一种可能的实施例中,基于多个位置指纹信息得到移动终端的多个位置区域信息,包括:
将移动终端的多个位置指纹信息,与预先存储的数据库中的位置指纹信息进行比对,确定移动终端的多个位置区域信息。
由此,采用位置指纹技术获取位置信息定位精度高,可以充分利用现有设施,使用成本低。
在另一种可能的实施例中,该方法还包括:如果用户的身份识别向量中编号i出现的时间节点个数与用户的身份识别向量中所有时间节点个数的比值pi大于第一身份类别阈值,则用户属于第一身份类别。
由此,根据用户身份识别向量能简单的根据用户常处于的地理位置推测用户身份特征,从而对用户的身份进行分类。
在另一种可能的实施例中,该方法还包括:基于用户的身份识别向量的历史信息,统计用户在多个时间周期内的身份识别向量中所有时间节点个数作为用户的身份识别向量长度,如果用户的身份识别向量的长度大于第二身份类别阈值,则用户属于第二身份类别。
另一方面,本发明实施例提供一种校园用户身份识别方法,该方法包括:
采集移动终端在预设时间周期内的多个位置指纹信息,基于多个位置指纹信息得到移动终端的多个位置区域信息;
对多个位置区域信息编号;将与预设时间周期内的多个时间节点一一对应的编号后的多个位置区域信息顺序排列,得到移动终端对应的校园用户的身份识别向量;
基于校园用户的身份识别向量,识别校园用户的身份信息;其中,校园中的位置区域信息包括:食堂、教学楼和学生宿舍。
在一种可能的实施例中,该方法还包括:将移动终端的多个位置指纹信息,与预先采集的数据库中的位置指纹信息进行比对,确定移动终端的多个位置区域信息。
在另一种可能的实施例中,该方法还包括:职工宿舍的位置区域信息编号为i,统计校园用户的身份识别向量中编号i出现的时间节点个数与用户的身份识别向量中所有时间节点个数的比值pi,将比值pi与阈值ε职工比较,阈值ε职工与校园用户在职工宿舍的时长相关,如果比值pi大于ε职工,校园用户为职工。
在另一种可能的实施例中,该方法还包括:学生宿舍的位置区域信息编号为i,统计校园用户的身份识别向量中编号i出现的时间节点个数与用户的身份识别向量中所有时间节点个数的比值pi,将比值pi与阈值ε学生比较,阈值ε学生与校园用户在学生宿舍的时长相关,如果比值pi大于ε学生,校园用户为学生。
在另一种可能的实施例中,该方法还包括:教学楼的位置区域信息编号为i,统计校园用户的身份识别向量中编号i出现的时间节点个数与用户的身份识别向量中所有时间节点个数的比值pi,将比值pi与阈值ε教师比较,阈值ε教师与校园用户在教学楼的时长相关,如果比值pi大于ε教师,校园用户为教师。
在另一种可能的实施例中,该方法还包括:校园用户为学生,判断校园用户是否为新生,
基于校园用户的身份识别向量的历史信息,统计校园用户在多个时间周期内的身份识别向量中所有时间节点个数作为校园用户的身份识别向量长度,将长度与阈值K比较,如果长度小于阈值K,校园用户为新生。
另一方面,本发明实施例提供了一种用户识别装置,装置包括:用户定位模块,用于采集移动终端在预设时间周期内的多个位置指纹信息,基于多个位置指纹信息得到移动终端的多个用编号表示的位置区域信息;对多个位置区域信息编号;身份识别向量确定模块,用于将与预设时间周期内的多个时间节点一一对应的编号后的多个位置区域信息顺序排列,得到移动终端对应的用户的身份识别向量;用户识别模块,用于基于用户的身份识别向量,识别用户的身份信息。
另一方面,本发明实施例提供了一种校园用户识别装置,装置包括:校园用户定位模块,用于采集移动终端在预设时间周期内的多个位置指纹信息,基于多个位置指纹信息得到移动终端的多个用编号表示的位置区域信息;对多个位置区域信息编号;身份识别向量确定模块,用于将与预设时间周期内的多个时间节点一一对应的编号后的多个位置区域信息顺序排列,得到移动终端对应的校园用户的身份识别向量;
校园用户识别模块,用于基于校园用户的身份识别向量,识别校园用户的身份信息。
再一方面,本发明实施例提供了一种用户识别设备,设备包括:处理器以及存储有计算机程序指令的存储器;处理器执行计算机程序指令时实现如本发明实施例提供的用户身份识别方法或者如本发明实施例提供的校园用户身份识别方法。
再一方面,本发明实施例提供了一种计算机存储介质,计算机存储介质上存储有计算机程序指令,计算机程序指令被处理器执行时实现如本发明实施例提供的用户身份识别方法或者如本发明实施例提供的校园用户身份识别方法。
本发明实施例的用户身份识别方法、装置、设备及计算机存储介质,能够通过对校园用户在某一时刻的RSRP等LTE数据利用位置指纹技术进行位置定位,获取的用户所在位置区域,并累计统计用户在指定位置区域的出现时间,使用自动化的分类算法,高效精准的完成用户身份识别。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单的介绍,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的用户身份识别方法的流程示意图;
图2是本发明实施例提供的校园用户身份识别方法的流程示意图;
图3是本发明实施例提供的校园用户分类判断流程图;
图4是本发明实施例提供的技术流程示意图;
图5是本发明实施例提供的用户身份识别装置的结构示意图;
图6是本发明实施例提供的校园用户身份识别装置的结构示意图;
图7是本发明实施例提供的识别设备示意图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例,为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本发明进行进一步详细描述。应理解,此处所描述的具体实施例仅被配置为解释本发明,并不被配置为限定本发明。对于本领域技术人员来说,本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
为了解决现有技术问题,本发明实施例提供了一种用户身份识别方法、装置、设备及计算机存储介质。下面首先对本发明实施例所提供的用户身份识别方法进行介绍。
图1示出了本发明一个实施例提供的用户身份识别方法的流程示意图。如图1所示,该方法可以包括S101-S103,具体如下所示:
S101,采集移动终端在预设时间周期内的多个位置指纹信息,基于多个位置指纹信息得到移动终端的多个位置区域信息;对多个位置区域信息编号。
具体地,在另一种可能的实施例中,该方法还包括:所述基于所述多个位置指纹信息得到所述移动终端的多个位置区域信息,包括:
将所述移动终端的多个位置指纹信息,与预先存储的数据库中的位置指纹信息进行比对,确定所述移动终端的多个位置区域信息。
由此,采用位置指纹技术获取位置信息定位精度高,可以充分利用现有设施,使用成本低。
S102,将与预设时间周期内的多个时间节点一一对应的编号后的多个位置区域信息顺序排列,得到移动终端对应的用户的身份识别向量。
S103,基于用户的身份识别向量,确定用户的身份信息。
具体地,在另一种可能的实施例中,该方法还包括:如果用户的身份识别向量中编号i出现的时间节点个数与用户的身份识别向量中所有时间节点个数的比值pi大于第一身份类别阈值,则用户属于第一身份类别。
由此,根据用户身份识别向量能简单的根据用户常处于的地理位置推测用户身份特征,从而对用户的身份进行分类。
具体地,在另一种可能的实施例中,该方法还包括:基于用户的身份识别向量的历史信息,统计用户在多个时间周期内的身份识别向量中所有时间节点个数作为用户的身份识别向量长度,如果用户的身份识别向量的长度大于第二身份类别阈值,则用户属于第二身份类别。
本发明实施例提供的方法,利用位置指纹技术获取用户地理位置,进而获的用户的身份识别向量,高效准确的识别用户身份。解决了用户识别效率低精度差的问题,由此,减少了人工干预,提高了用户识别的效率和准确度。
图2示出了本发明一个实施例提供的校园用户身份识别方法的流程示意图。
如图2所示,该方法具体可以包括S201-S203,具体如下所示:
S201,采集移动终端在预设时间周期内的多个位置指纹信息,基于多个位置指纹信息得到移动终端的多个位置区域信息;对多个位置区域信息编号;
具体地,在一种可能的实施例中,根据本发明实施例的校园用户身份识别方法,所述该方法还包括:将所述移动终端的多个位置指纹信息,与预先采集的数据库中的位置指纹信息进行比对,确定所述移动终端的多个位置区域信息。
具体地,在一种可能的实施例中,校园中的所述位置区域信息包括:食堂、教学楼和学生宿舍。
S202,将与预设时间周期内的多个时间节点一一对应的编号后的多个位置区域信息顺序排列,得到移动终端对应的校园用户的身份识别向量;
S203,基于校园用户的身份识别向量,确定校园用户的身份信息。
具体地,在另一种可能的实施例中,该方法还包括:职工宿舍的位置区域信息编号为i,统计校园用户的身份识别向量中编号i出现的时间节点个数与用户的身份识别向量中所有时间节点个数的比值pi,将比值pi与阈值ε职工比较,阈值ε职工与校园用户在职工宿舍的时长相关,如果比值pi大于ε职工,校园用户为职工。
具体地,在另一种可能的实施例中,该方法还包括:学生宿舍的位置区域信息编号为i,统计校园用户的身份识别向量中编号i出现的时间节点个数与用户的身份识别向量中所有时间节点个数的比值pi,将比值pi与阈值ε学生比较,阈值ε学生与校园用户在学生宿舍的时长相关,如果比值pi大于ε学生,校园用户为学生。
具体地,在另一种可能的实施例中,该方法还包括:教学楼的位置区域信息编号为i,统计校园用户的身份识别向量中编号i出现的时间节点个数与用户的身份识别向量中所有时间节点个数的比值pi,将比值pi与阈值ε教师比较,阈值ε教师与校园用户在教学楼的时长相关,如果比值pi大于ε教师,校园用户为教师。
具体地,在另一种可能的实施例中,该方法还包括:校园用户为学生,判断校园用户是否为新生,
基于校园用户的身份识别向量的历史信息,统计校园用户在多个时间周期内的身份识别向量中所有时间节点个数作为校园用户的身份识别向量长度,将长度与阈值K比较,如果长度小于阈值K,校园用户为新生。
在一个实施例中,首先从现网数据库中提取出用户的原始LTE数据。为了有效地从数据中分析获取用户身份识别信息,同时降低输入数据维数,选择包含接入小区及临小区(E-UTRAN Cell Identifier,ECI)及对应信号强度信息(RSRP,Reference SignalReceived Power)的数组集合作为输入数据库。在获取到用户的原始LTE数据库后,利用用户接入小区的ECI及对应的RSRP信息,可以进行用户地理位置的估计。通过对用户在某一时刻的ECI及RSRP数据进行分析,利用位置指纹技术实现用户的定位。
下述计算公式中的参数说明如表1所示:
表1
步骤一:计算LTE信号中全部ECI的集合如公式(1)所示,设第i条数据中全部小区集合为{ECI}i,数据总条数为n,全部ECI的集合为
ECI={ECI}iU{ECI}2UL U{ECI}n
={ECI1,ECI2,L,ECIN} (1)
其中,N是不重复ECI总的个数。
步骤二:对第i条测量数据中的RSRP值进行以下处理,如公式(2)所示
其中,RSRPj是第i条测量数据中ECIj对应的RSRP值,rsrp是一个比全部测量数据中RSRP的最小值还要小几十dB的固定值。
步骤三:通过步骤二的处理过程,得到如公式(3)所示的RSRP矩阵
步骤四:构造LTE数据标签位置向量如公式(4)所示:
L=[l1 l2 L lm]T (4)
其中,li为第i条数据所在参考点位置,本专利中,li是经纬度信息。
步骤五:得到离线数据库Database如公式(5)所示:
D=[L P] (5)
步骤七:将用户所在位置估计值与GIS(Geographic Information System)地图进行比较,从而确认用户所在位置是在楼内还是楼外。如果是楼内,确定建筑物楼宇名称。这样,根据已知GIS楼宇信息,可以得出用户所在确切建筑物楼宇。
在一个实施例中,将一天分为若干时间点t=1,2,3...,n,并将区域内用户所处建筑物表示为z∈{-1,0,1,2,3...},其中0代表室外,-1代表校园范围外,正整数值代表各个建筑物编号。这样,用户的身份识别信息可以由如公式(7)所示的向量表示为:
在一个实施例中,本发明基于实际校园用户行为特征及LTE数据的特性,将时间点间隔设置为30分钟。一个典型的学生在一天里(0:00~24:00)的身份识别向量如公式(8)所示:
在一个实施例中,学生宿舍编号为1,食堂编号为3,两个不同的教学楼编号分别为4、5。接下来对由每个用户对应的身份识别向量进行分类,以根据不同的身份识别区分不同用户群体。
另外,上述位置区域信息编号可以是数字编号、字母编号等任何能区分位置区域信息特征的编号,本发明对编号类型不作限定。
在一个实施例中,在获取了用户位置信息后,将这些位置按照时间顺序进行时域串联,获取的这一系列对应一个用户的地理位置向量可以用来对用户身份进行识别。根据现网实际需求,将校园内用户分为若干类别。各类用户有着不同的身份识别,一个典型的校园用户群体可以分为如表2所示的若干类别:校园用户分类及行为特征
表2
在一个实施例中,根据对校园群落各类用户身份识别的分析得出,用户身份可大体分为学生、教师、职工及校外人员。图3是本发明实施例提供的校园用户分类判断流程图,如图3所示:
在一个实施例中,基于实际需求,由于对服务的需求区别较大,又将学生群体分为新生及普通学生两类。新生与普通学生的显著区别为新生为初次漫入校园区域,并无过往服务记录,此外两者并无区别,均经常出入于学生宿舍、教学建筑(图书馆、教学楼、实验室等)以及食堂。
在一个实施例中,教师与学生身份识别类似,但并不出入学生宿舍,且存在着清晨进入校园区域,尔后于傍晚离开校园区域的进入、离开记录;校内职工平时出入于校内各大建筑,但其特征为经常出入于职工宿舍;校外人员能够自由出入的校内建筑很少,且无法在校内长时间逗留。
依据以上分析,制定基于用户身份识别的用户分类方案:
首先,判断是否为职工。由于仅有职工具有进出职工宿舍的行为特征,因此首先进行这一层判断。根据上节中的用户身份识别模型,统计整个周期内用户处于职工宿舍建筑物内的频率,若其达到阈值则判定为“经常出入职工宿舍”。具体实现方法为:假设职工宿舍建筑编号为i,那么统计用户身份识别向量中值为i的比值pi,将其与阈值比较以做出判断,若pi>ε则判定该用户经常出入职工宿舍,反之进入下一步。pi的计算方法为:
在一个实施例中,Nk=i为用户身份识别序列中编号i出现的次数,N为身份识别序列长度,统计周期设为一周,按照每天24小时,每小时2次采样,每周7天时间,因此N=334(=24×2×7)。在阈值设定上,由于本步骤实际判定内容为用户是否在职工宿舍就寝,根据成人睡眠平均时间将此数值取为:
在一个实施例中,t为睡眠时间,T为一天的长度。接下来进行两数值之间的比较:
其次,判断是否为学生。由于除职工外仅学生经常进出学生宿舍,因此进行用户是否经常出入学生宿舍的判定,判定方法与上一步相同。若判定为学生则进一步判定其为新生抑或普通学生,否则进行判断其为教师或校外人员。
在一个实施例中,Nk=i为用户身份识别序列中编号i出现的次数,N为身份识别序列长度,统计周期设为一周,按照每天24小时,每小时2次采样,每周7天时间,因此N=334(=24×2×7)。在阈值设定上,由于本步骤实际判定内容为用户是否在学生宿舍就寝,根据成人睡眠平均时间将此数值取为:
阈值ε学生的值为:
判决过程为:
然后,若为学生,判断是否为新生。该过程需对用户身份识别向量历史信息纪录进行分析。用户的身份识别向量的历史信息是指该用户在某时间节点之前的历史时间段内累计产生的多个身份识别向量。由于新生进入校园前并无在校内的服务记录,因此其在校园区域内的身份识别向量的结果长度有限,固只需分析各学生用户的身份识别向量的长度Lz,判断其是否低于阈值K,若是,则判定该用户为新生,否则为普通学生。本专利将入学一个月内的学生视为新生,因此K值选取为K=30×24×2=1440。
最后,若既非职工又非学生,则判定是否为教师。在排除学生及职工这两种身份后,用户的剩余可能分类为教师或校外人员。教师与校外人员相比,会长时间位于教学建筑中。因此,判断剩余用户是否经常出入教学建筑,若是则判定为教师,否则归为校外人员。
在一个实施例中,统计用户身份识别向量中值为教学楼编号i的比值pi,将其与阈值比较以做出判断决,若pi>ε教师则判定该用户为教师,反之为校外人员。ε教师取值取决于教师每周平均授课学时,假设某学校教师平均周授课学时为15小时,则ε教师取值为:
判决过程为:
经过以上步骤,用户群体依据其身份识别被划分为五类,其分别为新生、普通学生、教师、职工、校外人员。
在一个实施例中,根据身份识别向量将办公场所内用户分为若干类别。各类用户有着不同的身份识别,一个典型的办公场所用户群体可以分为如表3所示的办公场所用户分类及行为特征的若干类别:
表3
根据对办公场所各类用户身份识别的分析得出,用户身份可大体分为普通职员、经常出差职员和外来访客。此外,基于实际需求,由于对服务的需求区别较大,又将职员分为普通职员及经常出差职员两类。经常出差职员与普通职员的显著区别为经常出差职员为不能持续在工作日出现在办公楼区域内,此外两者并无区别;外来访客一般只出现在办公楼某一楼层内,且会在办公楼内某一楼层短暂停留数小时。
依据以上分析,制定基于用户身份识别的用户分类方案:
首先,判断是否为职员,统计周期设为一天工作日时间,假设一天工作日时长为八小时。按照每天24小时,每小时2次采样,因此N=48(=24×2)。在阈值设定上,由于本步骤实际判断内容为是否在工作日的整天中持续出现在办公楼根据普遍上班工作时间,将此阈值的值取为t/T=8/24=0.33。其中t为工作时间,T为一天的长度。如果身份识别向量中编号i出现的时间节点个数与用户的身份识别向量中所有时间节点个数的比值pi大于等于0.33,则判定该用户为职员,如果比值不大于0.33,则判定该用户不是职员。
其中,上述判断过程为循环判断,在预设周期内,如果有一次判断结果为比值pi大于等于0.33,则判定该用户为职员。
当然,上述职员在工作日内出现在办公楼的时间可根据实际需求进行设定,本发明对此不作限定。
然后,判断是否为普通职员还是经常出差职员,该过程需对用户身份向量历史纪录进行分析,本实施例设定长期出差员工在一个月内工作日内日出现在办公楼的天数小于15天,按照每天工作时间8小时,每小时2次采样,因此N=240(=8×2×15)。
当然,上述长期出差员工在一个月内工作日内日出现在办公楼的天数可根据实际需求进行设定,本发明对此不作限定。
对用户在一个月内的身份识别向量历史纪录进行分析,采集到的身份识别向量长度大于阈值,则判定该用户为普通职员,如果用户身份向量长度小于等于阈值,则判定该用户为经常出差职员。
经过以上步骤,用户群体依据其身份识别被划分为三类,其分别为普通职员、经常出差职员和外来访客。
在一个实施例中,本发明提供了一种用户身份识别方法,其技术实现方案如图4所示。该方法技术实现流程主要包括两部分:
第一部分是用户定位,主要包括数据采集和数据分析;
数据采集,从大数据中获取行为预测相关字段,在一个实施例中,获取获取用户的原始LTE数据库;
数据分析,基于位置指纹技术并结合GIS地图信息,根据用户的位置指纹信息获得用户的地理位置信息,实现对用户所在位置区域的定位。
第二部分是对用户进行身份识别,主要包括用户分类和目标用户挖掘;
用户分类,在获取了用户位置信息后,将这些位置按照时间顺序进行时域串联,获取的这一系列对应一个用户的地理位置向量可以用来对用户身份进行识别。根据现网实际需求,将用户分为若干类别;
目标用户挖掘,对于新漫入用户群体,推送现有服务。在这一情况下,先对新用户群体依据用户聚类结果进行分类,参考新用户所属聚类对应的消费倾向来进行增值服务推送。对现有用户群体,推送新服务对用户群体各聚类进行样本抽查,以调查其对新服务的意向,随后根据抽查结果进行服务推送。
通过本发明的实施例,能够通过对校园用户在某一时刻的RSRP等LTE数据利用位置指纹技术进行位置定位,获取的一系列用户所在位置区域,并累计统计用户在指定位置区域的出现时间,使用自动化的分类算法,高效精准的完成用户身份识别。
综上,本发明实施例提供的方法,利用位置指纹技术获取用户地理位置,进而获的用户的身份识别向量,高效准确的识别用户身份。解决了用户识别效率低精度差的问题,由此,减少了人工干预,提高了用户识别的效率和准确度。图5所示为本发明实施例提供的处理装置的结构示意图。
如图5所示,该装置500具体包括510-530,具体如下所示:
用户定位模块510,用于采集移动终端在预设时间周期内的多个位置指纹信息,基于多个位置指纹信息得到移动终端的多个用编号表示的位置区域信息;对多个位置区域信息编号;
身份识别向量确定模块520,用于将与预设时间周期内的多个时间节点一一对应的编号后的多个位置区域信息顺序排列,得到移动终端对应的用户的身份识别向量;
用户识别模块530,用于基于用户的身份识别向量,识别用户的身份信息。
具体地,在一种可能的实施例中,本发明实施例中的用户定位模块510具体用于,将移动终端的多个位置指纹信息,与预先存储的数据库中的位置指纹信息进行比对,确定移动终端的多个位置区域信息。
由此,采用位置指纹技术获取位置信息定位精度高,可以充分利用现有设施,使用成本低。
具体地,在一种可能的实施例中,用户识别模块530,还用于如果用户的身份识别向量中编号i出现的时间节点个数与用户的身份识别向量中所有时间节点个数的比值pi大于第一身份类别阈值,则用户属于第一身份类别。
由此,根据用户身份识别向量能简单的根据用户常处于的地理位置推测用户身份特征,从而对用户的身份进行分类。
具体地,在一种可能的实施例中,用户识别模块530,还用于基于用户的身份识别向量的历史信息,统计用户在多个时间周期内的身份识别向量中所有时间节点个数作为用户的身份识别向量长度,如果用户的身份识别向量的长度大于第二身份类别阈值,则用户属于第二身份类别。图6所示为本发明实施例提供的处理装置的结构示意图。
如图6所示,该装置600具体包括610-630,具体如下所示:校园用户定位模块610,用于采集移动终端在预设时间周期内的多个位置指纹信息,基于多个位置指纹信息得到移动终端的多个用编号表示的位置区域信息;对多个位置区域信息编号;
具体地,在一种可能的实施例中,本发明实施例中的校园用户定位模块610具体用于,将所述移动终端的多个位置指纹信息,与预先采集的数据库中的位置指纹信息进行比对,确定所述移动终端的多个位置区域信息。
具体地,在一种可能的实施例中,校园中的所述位置区域信息包括:食堂、教学楼和学生宿舍。身份识别向量确定模块620,用于将与预设时间周期内的多个时间节点一一对应的编号后的多个位置区域信息顺序排列,得到移动终端对应的校园用户的身份识别向量;其中,位置区域信息包括:食堂、教学楼和学生宿舍;
校园用户识别模块630,用于基于校园用户的身份识别向量,识别校园用户的身份信息。
具体地,在一种可能的实施例中,校园用户识别模块630,还用于判断校园用户是否为职工,
职工宿舍的位置区域信息编号为i,统计校园用户的身份识别向量中编号i出现的时间节点个数与用户的身份识别向量中所有时间节点个数的比值pi,将比值pi与阈值ε职工比较,阈值ε职工与校园用户在职工宿舍的时长相关,如果比值pi大于ε职工,校园用户为职工。
具体地,在一种可能的实施例中,校园用户识别模块630,还用于判断校园用户是否为学生,
具体地,在一种可能的实施例中,校园用户识别模块630,还用于学生宿舍的位置区域信息编号为i,统计校园用户的身份识别向量中编号i出现的时间节点个数与用户的身份识别向量中所有时间节点个数的比值pi,将比值pi与阈值ε学生比较,阈值ε学生与校园用户在学生宿舍的时长相关,如果比值pi大于ε学生,校园用户为学生。
具体地,在一种可能的实施例中,校园用户识别模块630,还用于判断校园用户是否为教师,教学楼的位置区域信息编号为i,统计校园用户的身份识别向量中编号i出现的时间节点个数与用户的身份识别向量中所有时间节点个数的比值pi,将比值pi与阈值ε教师比较,阈值ε教师与校园用户在教学楼的时长相关,如果比值pi大于ε教师,校园用户为教师。
具体地,在一种可能的实施例中,校园用户识别模块630,还用于在校园用户为学生时,判断校园用户是否为新生,
基于校园用户的身份识别向量的历史信息,统计校园用户在多个时间周期内的身份识别向量中所有时间节点个数作为校园用户的身份识别向量长度,将长度与阈值K比较,如果长度小于阈值K,校园用户为新生。
图7示出了本发明实施例提供的用户识别的硬件结构示意图。
用户识别设备可以包括处理器701以及存储有计算机程序指令的存储器702。
具体地,上述处理器701可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本发明实施例的一个或多个集成电路。
存储器702可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器702可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器702可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器702可在综合网关容灾设备的内部或外部。在特定实施例中,存储器702是非易失性固态存储器。在特定实施例中,存储器702包括只读存储器(ROM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器701通过读取并执行存储器702中存储的计算机程序指令,以实现上述实施例中的任意一种用户身份识别方法。
在一个示例中,用户识别设备还可包括通信接口703和总线710。其中,如图7所示,处理器701、存储器702、通信接口703通过总线710连接并完成相互间的通信。
通信接口703,主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。
总线710包括硬件、软件或两者,将用户识别设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线710可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线,但本发明考虑任何合适的总线或互连。
该用户识别设备可以执行本发明实施例中的用户身份识别方法,从而实现结合图1和图5或者图2和图6描述的用户身份识别方法和装置。
另外,结合上述实施例中的用户身份识别方法,本发明实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种用户身份识别方法。
需要明确的是,本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本发明的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本发明的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本发明中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本发明不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
以上所述,仅为本发明的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块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。应理解,本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (12)
1.一种用户身份识别方法,其特征在于,包括:
采集移动终端在预设时间周期内的多个位置指纹信息,基于所述多个位置指纹信息得到所述移动终端的多个位置区域信息;
对所述多个位置区域信息编号;
将与所述预设时间周期内的多个时间节点一一对应的编号后的多个位置区域信息顺序排列,得到所述移动终端对应的用户的身份识别向量;
基于所述用户的身份识别向量中每个编号出现的时间节点个数,确定所述用户的身份信息;
其中,所述基于所述用户的身份识别向量中每个编号出现的时间节点个数,确定所述用户的身份信息,包括:
基于所述用户的身份识别向量的历史信息,统计所述用户在多个时间周期内的身份识别向量中所有时间节点个数作为所述用户的身份识别向量长度;
如果所述用户的身份识别向量的长度大于第二身份类别阈值,则所述用户属于所述第二身份类别。
2.根据权利要求1所述的方法,其特征在于,所述基于所述多个位置指纹信息得到所述移动终端的多个位置区域信息,包括:
将所述移动终端的多个位置指纹信息,与预先存储的数据库中的位置指纹信息进行比对,确定所述移动终端的多个位置区域信息。
3.根据权利要求1所述的方法,其特征在于,所述确定所述用户的身份信息,还包括:
若所述用户的身份识别向量中编号i出现的时间节点个数与所述用户的身份识别向量中所有时间节点个数的比值pi大于第一身份类别阈值,则所述用户属于所述第一身份类别。
4.一种校园用户身份识别方法,其特征在于,包括:
采集移动终端在预设时间周期内的多个位置指纹信息,基于所述多个位置指纹信息得到所述移动终端的多个位置区域信息;
对所述多个位置区域信息编号;
将与所述预设时间周期内的多个时间节点一一对应的编号后的多个位置区域信息顺序排列,得到所述移动终端对应的校园用户的身份识别向量;
基于所述校园用户的身份识别向量中每个编号出现的时间节点个数,确定所述校园用户的身份信息;
其中,校园中的所述位置区域信息包括:食堂、教学楼和学生宿舍;
若所述校园用户的身份信息为学生,判断所述校园用户是否为新生,
基于所述校园用户的身份识别向量的历史信息,统计所述校园用户在多个时间周期内的身份识别向量中所有时间节点个数作为所述校园用户的身份识别向量长度,将所述长度与阈值比较,如果所述长度小于阈值,所述校园用户为新生。
5.根据权利要求4所述的方法,其特征在于,所述基于所述多个位置指纹信息得到所述移动终端的多个位置区域信息,包括:
将所述移动终端的多个位置指纹信息,与预先采集的数据库中的位置指纹信息进行比对,确定所述移动终端的多个位置区域信息。
6.根据权利要求4所述的方法,其特征在于,所述确定 校园用户身份信息,包括:
职工宿舍的位置区域信息编号为i,统计所述校园用户的身份识别向量中编号i出现的时间节点个数与所述用户的身份识别向量中所有时间节点个数的比值pi,将所述比值pi与阈值ε职工比较,所述阈值ε职工与所述校园用户在职工宿舍的时长相关,如果所述比值pi大于ε职工,所述校园用户为职工。
7.根据权利要求4所述的方法,其特征在于,所述确定 校园用户身份信息,包括:
学生宿舍的位置区域信息编号为i,统计所述校园用户的身份识别向量中编号i出现的时间节点个数与所述用户的身份识别向量中所有时间节点个数的比值pi,将所述比值pi与阈值ε学生比较,所述阈值ε学生与所述校园用户在学生宿舍的时长相关,如果所述比值pi大于ε学生,所述校园用户为学生。
8.根据权利要求4所述的方法,其特征在于,所述确定 校园用户身份信息,包括:
教学楼的位置区域信息编号为i,统计所述校园用户的身份识别向量中编号i出现的时间节点个数与所述用户的身份识别向量中所有时间节点个数的比值pi,将所述比值pi与阈值ε教师比较,所述阈值ε教师与所述校园用户在教学楼的时长相关,如果所述比值pi大于ε教师,所述校园用户为教师。
9.一种用户身份识别装置,其特征在于,所述装置包括:
用户定位模块,用于采集移动终端在预设时间周期内的多个位置指纹信息,基于所述多个位置指纹信息得到所述移动终端的多个用编号表示的位置区域信息;对所述多个位置区域信息编号;
身份识别向量确定模块,用于将与所述预设时间周期内的多个时间节点一一对应的编号后的多个位置区域信息顺序排列,得到所述移动终端对应的用户的身份识别向量;
用户识别模块,用于基于所述用户的身份识别向量中每个编号出现的时间节点个数,确定所述用户的身份信息;
其中,所述用户识别模块,具体用于:
基于所述用户的身份识别向量的历史信息,统计所述用户在多个时间周期内的身份识别向量中所有时间节点个数作为所述用户的身份识别向量长度;
如果所述用户的身份识别向量的长度大于第二身份类别阈值,则所述用户属于所述第二身份类别。
10.一种校园用户身份识别装置,其特征在于,所述装置包括:
校园用户定位模块,用于采集移动终端在预设时间周期内的多个位置指纹信息,基于所述多个位置指纹信息得到所述移动终端的多个用编号表示的位置区域信息;对所述多个位置区域信息编号;
身份识别向量确定模块,用于将与所述预设时间周期内的多个时间节点一一对应的编号后的多个位置区域信息顺序排列,得到所述移动终端对应的校园用户的身份识别向量;
校园用户识别模块,用于基于所述校园用户的身份识别向量中每个编号出现的时间节点个数,确定所述校园用户的身份信息;
若所述校园用户的身份信息为学生,所述校园用户识别模块,具体用于:
判断所述校园用户是否为新生,
基于所述校园用户的身份识别向量的历史信息,统计所述校园用户在多个时间周期内的身份识别向量中所有时间节点个数作为所述校园用户的身份识别向量长度,将所述长度与阈值比较,如果所述长度小于阈值,所述校园用户为新生。
11.一种计算设备,其特征在于,所述设备包括:处理器以及存储有计算机程序指令的存储器;所述处理器执行所述计算机程序指令时实现如权利要求1-3任意一项所述的一种用户身份识别方法,或者如权利要求4-8任意一项所述的一种校园用户身份识别方法。
12.一种计算机存储介质,其特征在于,所述计算机存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如权利要求1-3任意一项所述的一种用户身份识别方法,或者如权利要求4-8任意一项一种所述的校园用户身份识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910628282.2A CN110446161B (zh) | 2019-07-12 | 2019-07-12 | 一种用户身份识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910628282.2A CN110446161B (zh) | 2019-07-12 | 2019-07-12 | 一种用户身份识别方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110446161A CN110446161A (zh) | 2019-11-12 |
CN110446161B true CN110446161B (zh) | 2022-05-13 |
Family
ID=68430251
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910628282.2A Active CN110446161B (zh) | 2019-07-12 | 2019-07-12 | 一种用户身份识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110446161B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114614997B (zh) * | 2020-11-23 | 2023-07-07 | 中国移动通信集团江西有限公司 | 一种身份识别方法、装置、计算机设备和存储介质 |
CN114979958A (zh) * | 2022-06-08 | 2022-08-30 | 中国联合网络通信集团有限公司 | 青少年用户识别方法、平台、计算机设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102047697A (zh) * | 2008-05-27 | 2011-05-04 | 高通股份有限公司 | 用于基于周期性位置锁定生成用户简档的方法和装置 |
WO2013117723A1 (en) * | 2012-02-09 | 2013-08-15 | Sita Information Networking Computing Usa, Inc. | Method for determining and comparing users' paths in a building |
CN103975356A (zh) * | 2011-12-05 | 2014-08-06 | 高通股份有限公司 | 基于位置移动模式简档向服务的客户选择性地展示广告 |
CN104541527A (zh) * | 2012-06-22 | 2015-04-22 | 谷歌公司 | 推断用户的兴趣 |
CN105284139A (zh) * | 2013-06-28 | 2016-01-27 | T移动美国公司 | 基于用户设备的历史位置的分类位置标识 |
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 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108304440B (zh) * | 2017-11-01 | 2021-08-31 | 腾讯科技(深圳)有限公司 | 游戏推送的方法、装置、计算机设备及存储介质 |
-
2019
- 2019-07-12 CN CN201910628282.2A patent/CN110446161B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102047697A (zh) * | 2008-05-27 | 2011-05-04 | 高通股份有限公司 | 用于基于周期性位置锁定生成用户简档的方法和装置 |
CN103975356A (zh) * | 2011-12-05 | 2014-08-06 | 高通股份有限公司 | 基于位置移动模式简档向服务的客户选择性地展示广告 |
WO2013117723A1 (en) * | 2012-02-09 | 2013-08-15 | Sita Information Networking Computing Usa, Inc. | Method for determining and comparing users' paths in a building |
CN104541527A (zh) * | 2012-06-22 | 2015-04-22 | 谷歌公司 | 推断用户的兴趣 |
CN105284139A (zh) * | 2013-06-28 | 2016-01-27 | T移动美国公司 | 基于用户设备的历史位置的分类位置标识 |
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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN110446161A (zh) | 2019-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dixon et al. | Real‐time OD estimation using automatic vehicle identification and traffic count data | |
KR20190139130A (ko) | 피셀 알고리즘을 이용하여 실시간 유동 인구 데이터의 제공이 가능한 유동인구 정보 분석 방법 | |
Allahviranloo et al. | Modeling the activity profiles of a population | |
CN110446161B (zh) | 一种用户身份识别方法、装置、设备及存储介质 | |
CN101482864A (zh) | 用于检验gis数据的正确性的方法和装置 | |
CN109992605B (zh) | 基于手机信令数据的人口识别方法及系统 | |
CN110807547A (zh) | 家庭人口结构的预测方法及系统 | |
CN112949784B (zh) | 一种居民出行链模型构建方法及居民出行链获取方法 | |
Hong et al. | Assigning passenger flows on a metro network based on automatic fare collection data and timetable | |
Demissie et al. | Modeling location choice of taxi drivers for passenger pickup using GPS data | |
CN111460044B (zh) | 地理位置数据处理方法及装置 | |
CN112243225B (zh) | 楼宇室内用户识别方法、装置、设备和存储介质 | |
JP2021033773A (ja) | 対象地域の不動産の稼働率を推定するプログラム、装置及び方法 | |
CN111343664A (zh) | 用户定位方法、装置、设备及介质 | |
CN110290490B (zh) | 一种室内混合指纹地图的构建方法 | |
CN115967906A (zh) | 用户常驻位置识别方法、终端、电子设备及存储介质 | |
CN109874170B (zh) | 地理坐标系盲检测方法、装置、设备及介质 | |
CN115310735A (zh) | 商圈边界识别的方法、装置、设备及存储介质 | |
CN113194426B (zh) | 一种指纹库的更新方法、装置、设备及计算机存储介质 | |
Qin et al. | A system of monitoring and analyzing human indoor mobility and air quality | |
Backman et al. | The influence of diversity on the formation, survival and growth of new firms | |
Miao et al. | The analysis of student grades based on collected data of their Wi-Fi behaviors on campus | |
CN114095947B (zh) | 一种网络覆盖评估方法、装置、电子设备及存储介质 | |
CN110363591B (zh) | 一种归属站点识别方法、装置、设备及可读存储介质 | |
Gabler et al. | Sampling in Theory |
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 |