CN110489148B - 一种基于强特征app判断移动终端用户属性的服务器 - Google Patents

Abstract

本发明涉及一种基于强特征APP判断移动终端用户属性的服务器，所述服务器执行以下方法：步骤100，获取移动终端UMT的移动终端数据UD＝[UD₁,UD₂,…,UD_n]^T，其中，UD_i是移动终端UMT第i个特征的特征值，且n个特征至少包括：移动终端UMT在时间段T＝[t₁,t₂]内的APP安装情况和APP活跃情况；步骤200，基于移动终端数据UD和移动终端用户属性判断模型，获取移动终端UMT的用户属性判断值；步骤300，如果用户属性判断值大于属性判断阈值，则输出移动终端UMT的用户属性的取值为预设属性值；进一步，训练所述移动终端用户属性判断模型的正样本为安装有强特征APP的移动终端MT₁,MT₂,…,MT_m的移动终端数据MD₁,MD₂,…,MD_m，移动终端MT₁,MT₂,…,MT_m是通过自动识别是否安装有强特征APP确定的。

Description

一种基于强特征APP判断移动终端用户属性的服务器

技术领域

本发明涉及信息处理技术，尤其涉及一种移动终端信息的处理系统。

背景技术

基于识别模型对已采集的用户数据进行类型判断，以为所述用户提供新的服务数据、消息等，是目前常用的一种有针对性的数据服务方法。在现有技术中，也常采用人工标记的方式来获取用于训练所述识别模型的正负样本数据。但是，用于训练所述识别模型的正负样本少则几百、几千，甚至会更多，因此，通过人工的方式(例如通过用户调查问卷来获取正样本数据或负样本数据)来标记或统计相关样本数据，会使得样本标记消耗的时间长、标记效率低。

发明内容

为解决上述技术问题，本发明公开了一种基于强特征APP判断移动终端用户属性的服务器，所述服务器进一步包括处理器和存储有计算机程序的非瞬时性计算机可读存储介质，当所述计算机程序被所述处理器执行时，实现以下基于强特征APP判断移动终端用户属性的方法：步骤100，获取移动终端UMT的移动终端数据UD＝[UD₁,UD₂,…,UD_n]^T，其中，UD_i是移动终端UMT第i个特征的特征值，且n个特征至少包括：移动终端UMT在时间段T＝[t₁,t₂]内的APP安装情况和APP活跃情况，1≤i≤n，t₁＜t₂；步骤200，基于移动终端数据UD和移动终端用户属性判断模型，获取移动终端UMT的用户属性判断值；步骤300，如果用户属性判断值大于属性判断阈值，则输出移动终端UMT的用户属性的取值为预设属性值；进一步，训练所述移动终端用户属性判断模型的正样本为安装有强特征APP的移动终端MT₁,MT₂,…,MT_m的移动终端数据MD₁,MD₂,…,MD_m，移动终端MT₁,MT₂,…,MT_m是通过自动识别是否安装有强特征APP确定的，移动终端MT_j的移动终端数据MD_j＝[MD_j1,MD_j2,…,MD_jn]^T，MD_jk是移动终端MT_j第k个特征的特征值，且n个特征至少包括：移动终端MT_j在时间段T_j＝[t_j1,t_j2]内的APP安装情况和APP活跃情况，1≤j≤m，1≤k≤n，t_j2-t_j1＝t₂-t₁。

附图说明

图1是本发明基于强特征APP判断移动终端用户属性的方法流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，将结合附图对本发明作进一步地详细描述。这种描述是通过示例而非限制的方式介绍了与本发明的原理相一致的具体实施方式，这些实施方式的描述是足够详细的，以使得本领域技术人员能够实践本发明，在不脱离本发明的范围和精神的情况下可以使用其他实施方式并且可以改变和/或替换各要素的结构。因此，不应当从限制性意义上来理解以下的详细描述。

本发明公开了一种基于强特征APP判断移动终端用户属性的服务器，其中，本领域技术人员可以理解，所述移动终端可以为手机、PAD等智能终端。所述服务器可以是现有技术中的任一或多个计算机设备和/或服务器设备，且本领域技术人员可以了解，所述服务器的品牌、规格等参数不影响本发明的保护范围。

根据本发明，所述移动终端用户属性可自定义设置，一个实施例中，所述移动终端用户属性可定义为第一爱好类和非第一爱好类，另一个实施例中，所述移动终端用户属性可定义为第一职业类和非第一职业类，例如货车司机职业和非货车司机职业，且本领域技术人员可知，以上所举例子仅为示范性例子，不作为限定本发明权利要求保护范围的唯一示例。

根据本发明，所述强特征APP为当移动终端安装有该强特征APP和/或指定时间段内该强特征APP在移动终端中活跃过时，即可判断出移动终端的用户属性的APP。示例性的，当移动终端安装有货车帮司机版APP和/或指定时间段内该货车帮司机版APP在移动终端中活跃过，则可认为该移动终端用户为货车司机，此时，所述货车帮司机版APP即为一强特征APP。且本领域技术人员可知，以上所举例子仅为示范性例子，不作为限定本发明权利要求保护范围的唯一示例。根据本发明，所述强特征APP可以是自定义的一个或多个APP，其可以按照数据表格等方式保存在服务器端，例如，所述强特征APP为货车帮司机版APP以及和该货车帮司机版APP同类型的多个其他APP。

本发明公开了一种基于强特征APP判断移动终端用户属性的服务器，所述服务器进一步包括处理器和存储有计算机程序的非瞬时性计算机可读存储介质，当所述计算机程序被所述处理器执行时，实现以下基于强特征APP判断移动终端用户属性的方法，如图1所示：

步骤100，获取移动终端UMT的移动终端数据UD＝[UD₁,UD₂,…,UD_n]^T，其中，UD_i是移动终端UMT第i个特征的特征值，且n个特征至少包括：移动终端UMT在时间段T＝[t₁,t₂]内的APP安装情况和APP活跃情况，1≤i≤n，t₁＜t₂。

根据本发明，APP安装情况为移动终端是否安装有预设APP，其中，所述预设APP可采用本领域中常用的方式(例如表格等)保存在服务器端。在本发明的一个实施例中，所述预设APP可以是人工预设的至少一个APP；在本发明的另一个实施例中，所述预设APP可根据APP(APP也可以称为应用程序或软件)在应用下载市场中的下载量来获取，具体可包括：

步骤1001，获取应用下载市场中N个不同应用类别的所有APP下载数据(APP_1,1,APP-D_1,1)、(APP_1,2,APP-D_1,2)、…、(APP_1,x(1),APP-D_1,x(1))、…、(APP_N,1,APP-D_N,1)、(APP_N,2,APP-D_N,2)、…、(APP_N,x(N),APP-D_N,x(N))，其中APP_c,d为应用下载市场中第c个应用类别中的第d个APP的唯一标识信息，APP-D _c,d为应用下载市场中第c个应用类别中的第d个APP的下载总量，1≤c≤N,1≤d≤x(c)。根据本发明，所述应用下载市场包括现有技术中的全部应用下载市场，例如苹果应用市场、华为软件市场等。根据本发明，可将不同应用下载市场中相似的类别划分为同一个类别以确定N的取值，例如一个应用下载市场中的即时通讯类和另一个应用下载市场中社交类相似，则可将所述即时通讯类和社交类划分为同一个类别，以此类推，以获取N的取值。

步骤1002，如果APP-D_c,d>判断阈值TS_c，则所述APP_c,d包含在所述预设APP中。在本发明中，判断阈值TS_c可自定义设置，以降低下载量少的应用程序对移动终端用户属性判断造成的干扰。

根据本发明，移动终端UMT在时间段T＝[t₁,t₂]内的APP安装情况的特征值的获取方式包括：

步骤1000，获取移动终端UMT在多个单位时间片段UT₁＝[ut₁₁,ut₁₂]、UT₂＝[ut₂₁,ut₂₂]、…、UT_s＝[ut_s1,ut_s2]内的应用程序列表APP-LIST₁、APP-LIST₂、…、APP-LIST_s，其中，

APP-LIST_x为移动终端UMT在单位时间片段UT_x内的应用程序列表。在本发明中，可由移动终端UMT的操作系统或内置于移动终端UMT的sdk按照预设的应用程序列表采样时间间隔Δt采集移动终端UMT在采样时刻的应用程序列表，所述预设的应用程序列表采样时间间隔Δt≤ut_x2-ut_x1。且当任意一个单位时间片段UT_x中采集到多个应用程序列表时，应用程序列表APP-LIST_x为所述多个应用程序列表中的最后一个，具体可以根据采样时间戳来获取所述多个应用程序列表中的最后一个。

步骤2000，分别获取预设APP中APP₁,APP₂,…,APP_q在应用程序列表APP-LIST₁、APP-LIST₂、…、APP-LIST_s中的状态数据IN₁,IN₂,…,IN_q，其中，APP_y是所述预设APP包含的第y个APP，q是所述预设APP包含的APP总数，IN_y＝[IN_y1,IN_y2,…,IN_ys]，且如果APP_y包含在APP-LIST_x中，则IN_yx＝1，否则IN_yx＝0。

步骤3000，基于IN₁,IN₂,…,IN_q获取所述移动终端UMT在时间段T＝[t₁,t₂]内的APP安装情况的特征值＝[INR₁,INR₂,…,INR_q]^T，其中，

SUM(IN_y)表示向量IN_y中的全部元素的和。具体的，在本发明中，如果所述预设APP包括微信和货车帮司机版两个软件，当移动终端UMT在时间段T＝[t₁,t₂]内安装有货车帮司机版没有安装微信，则该移动终端UMT的APP安装情况的特征值为：[0,1]^T。且本领域技术人员可知，可按照预设的APP和APP数值化表或者预设编码方式将所述APP安装情况数值化。本领域技术人员可以理解，移动终端MT₁,MT₂,…,MT_m的APP安装情况也可以按照上述相似的方法得到。

根据本发明，APP活跃情况为所述预设APP在移动终端中的活跃次数和活跃时间，具体地，在本发明中，移动终端UMT在时间段T＝[t₁,t₂]内的APP活跃情况的特征值获取方式包括：

步骤4001，获取预设APP中APP_y在时间段T＝[t₁,t₂]内的应用程序操作数值对(O_y,1,C_y,1)、(O_y,2,C_y,2)、…、(O_y，f(y),C_y,f(y))，其中，APP_y是所述预设APP包含的第y个APP，1≤y≤q，q是所述预设APP包含的APP总数，O_y,g为APP_y在时间段T＝[t₁,t₂]内的第g次被打开的时间，与O_y,g相邻且在O_y,g之后的C_y,g为APP_y在时间段T＝[t₁,t₂]内的第g次被关闭的时间。根据本发明，O_y,g和C_y,g均按照24小时制记录APP_y被打开或关闭的小时和分钟。具体地，在本发明中，可以通过获取移动终端UMT的移动终端活动日志(例如操作系统日志文件、应用程序日志文件等)来获取应用程序操作数值对(O_y,1,C_y,1)、(O_y,2,C_y,2)、…、(O_y，f(y),C_y,f(y))。本领域技术人员可以理解，移动终端通常将移动终端发生的事件记录在移动终端活动日志中，以便于使用移动终端活动日志中的数据，所述事件例如是应用程序的打开或关闭事件，也可以是锁屏、解屏等事件。

步骤4002，基于预设的APP活跃第一时间区间、APP活跃第二时间区间以及应用程序操作数值对(O_y,1,C_y,1)、(O_y,2,C_y,2)、…、(O_y，f(y),C_y,f(y))，获取APP_y在时间段T＝[t₁,t₂]内活跃次数M_y＝f(y)、APP第一累计活跃时间总数

APP第二累计活跃时间总数

其中，

活跃第一时间区间，

根据本发明，所述APP活跃第一时间区间和APP活跃第二时间区间是人工预设的APP活跃时间区间，例如，APP活跃第一时间区间＝[07:00,20:00]，APP活跃第一时间区间＝[20:00,02:00]。且本领域技术人员可以理解，以上举例仅为示范性举例，不作为限制本发明保护范围的唯一示例。

步骤4003，基于APP_y在时间段T＝[t₁,t₂]内活跃次数M_y、APP第一累计活跃时间总数LT_y1和APP第二累计活跃时间总数LT_y2，获取移动终端UMT在时间段T＝[t₁,t₂]内的APP活跃情况的特征值＝[M₁,LTN₁,M₂,LTN₂,…,M_q,LTN_q]^T，其中，如果LT_y1≥LT_y2，则LTN_y＝1，否则LTN_y＝0。示例性的，当预设APP包括：微信、QQ、麻将、货车帮司机版，且APP活跃第一时间区间＝[07:00,20:00]，APP活跃第二时间区间＝[20:00,02:00]时，如果一个移动终端在时间段T＝[t₁,t₂]内只打开过10次货车帮司机版和20次微信，没有打开QQ和麻将，且微信和货车帮司机版的活跃时间为活跃当天的[07:00,20:00]，则该移动终端的APP活跃情况的特征值为：[20,1,0,0,0,0,10,1]^T。且本领域技术人员可知，可按照预设的APP和APP数值化表或者预设编码方式将所述APP活跃情况数值化。

根据本发明，所述时间段T的取值范围(即t₂-t₁的取值范围)可自定义设置，优选为[4周，24周]，更优选为12周。

步骤200，基于移动终端数据UD和移动终端用户属性判断模型，获取移动终端UMT的用户属性判断值。

根据本发明，训练所述移动终端用户属性判断模型的正样本为安装有强特征APP的移动终端MT₁,MT₂,…,MT_m的移动终端数据MD₁,MD₂,…,MD_m，移动终端数据MD₁,MD₂,…,MD_m通过自动识别移动终端MT₁,MT₂,…,MT_m是否安装有强特征APP得到，移动终端MT_j的移动终端数据MD_j＝[MD_j1,MD_j2,…,MD_jn]^T，MD_jk是移动终端MT_j第k个特征的特征值，且n个特征至少包括：移动终端MT_j在时间段T_j＝[t_j1,t_j2]内的APP安装情况和APP活跃情况，1≤j≤m，1≤k≤n，t_j2-t_j1＝t₂-t₁。

具体的，在本发明中，可以采用内置于移动终端软件中的第三方sdk按照预设频率采集并上传移动终端MT_j在时间段T_j＝[t_j1,t_j2]内的APP安装情况和APP活跃情况。且本领域技术人员可以理解，所述上传的移动终端在时间段T_j＝[t_j1,t_j2]内的APP安装情况和APP活跃情况可以保存在服务器端的第一表格中，该第一表格以所述移动终端的唯一标识作为主键，以便于查找该移动终端的相关数据。

根据本发明，可根据移动终端的应用程序列表判断所述移动终端是否安装有所述强特征APP。根据本发明，移动终端MT₁,MT₂,…,MT_m是通过自动识别是否安装有强特征APP确定的，包括：

步骤201，获取候选移动终端CT₁,CT₂,…,CT_h的当前应用程序列表app_list₁,app_list₂,…,app_list_h，其中，当前应用程序列表app_list_j为当前采样时刻获取的移动终端CT_j安装的全部APP的列表,1≤j≤h。具体的，在本发明中，所述h>m，以使得通过能够CT₁,CT₂,…,CT_h获取目标移动终端MT₁,MT₂,…,MT_m。

步骤202，判断app_list₁,app_list₂,…,app_list_h中的每一个是否包括所述强特征APP，当存在至少一个当前应用程序列表包括强特征APP时，将包括有强特征APP的当前应用程序列表app_list_j对应的移动终端CT_j标记为正样本属性值P，并保存移动终端CT_j和正样本属性值P。在本发明的一个实施例中，所述移动终端CT_j和正样本属性值P一一对应地保存在服务器中，在本发明优选的实施例中，所述移动终端CT_j和正样本属性值P以键值对方式保存在服务器中。

步骤203，获取与正样本属性值P对应的全部移动终端MT₁,MT₂,…,MT_m。

根据本发明，使用MD₁,MD₂,…,MD_m和随机获取的与MD₁,MD₂,…,MD_m属于不同用户属性值的样本数据，通过训练逻辑回归、神经网络或SVM来得到所述移动终端用户属性判断模型。此时，将所述移动终端UMT的移动终端数据UD输入到所述移动终端用户属性判断模型中，可以得到关于所述移动终端UMT(也即所述移动终端UMT的移动终端用户)的属性判断值。

步骤300，如果用户属性判断值大于属性判断阈值，则输出移动终端UMT的用户属性的取值为预设属性值。根据本发明，所述属性判断阈值的取值范围为[0.7,0.82]。根据本发明，所述预设属性值可以自定义设置，例如可以为数值化的0或1，也可以是字符等。

综合上述内容可知，本发明利用强特征APP和移动终端用户属性之间的强关联性，通过自动判断移动终端中是否安装有所述强特征APP来自动化获取训练移动终端用户属性模型的正样本数据，大大减少了人工标记消耗的时间，提高了样本标记的效率。

根据本发明的一个实施方式，n个特征还可以包括：移动终端在时间段TP₁＝[tp₁₁,tp₁₂]内的停驻点数量、时间段TP₂＝[tp₂₁,tp₂₂]内的最大活动距离,tp₁₁<tp₁₂，tp₂₁<tp₂₂。

具体的，在本发明中，移动终端在时间段TP₁＝[tp₁₁,tp₁₂]内的停驻点数量的获取方式包括：

步骤10，获取移动终端在时间段TP₁内的停驻点数据(NS₁,NSD₁),(NS₂,NSD₂),…,(NS_p,NSD_p)，其中NS_h为移动终端在时间段TP₁内的第h个停驻点的唯一标识，NSD_h为移动终端在时间段TP₁内到访第h个停驻点NS_h的次数，1≤h≤p。根据本发明，可以结合LBS技术(例如移动终端的移动网络、GPS技术或者是连接的Wi-Fi等)获取移动终端的停驻点数据(NS₁,NSD₁),(NS₂,NSD₂),…,(NS_p,NSD_p)。

根据本发明，移动终端在时间段TP₁内的第h个停驻点的唯一标识NS_h，在本发明的一个实施例中，其可以使用位置信息来表示，例如POI，在本发明优选的实施例中，其可以是对地球表面进行网格划分后的网格坐标，其中，所述网格可以是具有预设边长的正方形网格，也可以是本领域中常用的其他形状的网格，示例性的，所述预设边长的取值范围为[100米,1000米]。根据本发明，所述时间段TP₁的取值范围为[4周，24周]，优选为12周。根据本发明，可以采用sdk按照预设的位置采样频率来采集移动终端的位置信息，并将所述位置信息保存在服务器端的第二数据表格中，且该数据表格以所述移动终端的唯一标识作为主键值，以便于从该第二数据表格中获取相关数据。

步骤20，基于(NS₁,NSD₁),(NS₂,NSD₂),…,(NS_p,NSD_p)和停驻点判断阈值，获取移动终端的停驻点数量

在本发明中，所述停驻点判断阈值可自定义设置，以滤除移动终端用户偶然到访过的位置信息，具体地，可设置所述停驻点判断阈值为所述预设的位置采样频率的函数。

根据本发明，移动终端在时间段TP₂＝[tp₂₁,tp₂₂]内内的最大活动距离的获取方式包括：

步骤1，获取移动终端在时间段TP₂内的单位最大活动距离数据R₁,R₂,…,R_q，其中R_v为单位时间片段TPU_v＝[TPU_v1,TPU_v2]内的单位最大活动距离，

根据本发明，所述时间段TP₂的取值范围为[12周，48周]，优选地，所述时间段TP₂的取值和时间段TP₁的取值相同。在本发明中，可以基于获取的移动终端在单位时间片段TPU_v内的原始停驻点数据来计算R_v，例如，当采用网格坐标的方式来表示移动终端到访的原始停驻点时，通过计算单位时间片段TPU_v内任意两个原始停驻点之间的距离来获取其中的单位最大活动距离R_v。

步骤2，基于单位最大活动距离数据R₁,R₂,…,R_q获取移动终端在时间段TP₂内的最大活动距离。根据本发明的一个实施例，最大活动距离为R₁,R₂,…,R_q的平均值，在本发明的另一个实施例中，还可以为R₁,R₂,…,R_q的中位值。且本领域技术人员可以理解，最大活动距离还可以为R₁,R₂,…,R_q的其他计算结果。

通过上述内容可知，通过增加移动终端在时间段TP₁内的停驻点数量、时间段TP₂内的最大活动距离，可进一步提高对活动范围以及停驻点数量敏感的等用户属性(例如货车司机)类的正确识别率。

根据本发明的另一个实施方式，步骤100和步骤200之间还包括步骤101，判断移动终端UMT是否安装有所述强特征APP，如果有则执行步骤102，输出移动终端UMT的用户属性的取值为预设属性值，方法结束；如果没有，则执行步骤200。通过直接判断移动终端是否安装有强特征APP可以进一步提高用户属性的正确识别率。

此外，根据公开的本发明的说明书，本发明的其他实现对于本领域的技术人员是明显的。实施方式和/或实施方式的各个方面可以单独或者以任何组合用于本发明的系统和方法中。说明书和其中的示例应该是仅仅看作示例性，本发明的实际范围和精神由所附权利要求书表示。

Claims (10)

1.一种基于强特征APP判断移动终端用户属性的服务器，其特征在于，所述服务器进一步包括处理器和存储有计算机程序的非瞬时性计算机可读存储介质，当所述计算机程序被所述处理器执行时，实现以下基于强特征APP判断移动终端用户属性的方法：

步骤100，获取移动终端UMT的移动终端数据UD＝[UD₁,UD₂,…,UD_n]^T，其中，UD_i是移动终端UMT第i个特征的特征值，且n个特征至少包括：移动终端UMT在时间段T＝[t₁,t₂]内的APP安装情况和APP活跃情况，1≤i≤n，t₁＜t₂；

步骤200，基于移动终端数据UD和移动终端用户属性判断模型，获取移动终端UMT的用户属性判断值；

步骤300，如果用户属性判断值大于属性判断阈值，则输出移动终端UMT的用户属性的取值为预设属性值；

进一步，训练所述移动终端用户属性判断模型的正样本为安装有强特征APP的移动终端MT₁,MT₂,…,MT_m的移动终端数据MD₁,MD₂,…,MD_m，移动终端MT₁,MT₂,…,MT_m是通过自动识别是否安装有强特征APP确定的，移动终端MT_j的移动终端数据MD_j＝[MD_j1,MD_j2,…,MD_jn]^T，MD_jk是移动终端MT_j第k个特征的特征值，且n个特征至少包括：移动终端MT_j在时间段T_j＝[t_j1,t_j2]内的APP安装情况和APP活跃情况，t_j2-t_j1＝t₂-t₁，1≤j≤m，1≤k≤n。

2.根据权利要求1所述的服务器，其特征在于，步骤100和步骤200之间还包括步骤101，判断移动终端UMT是否安装有所述强特征APP，如果有则执行步骤102，输出移动终端UMT的用户属性的取值为预设属性值，方法结束；如果没有，则执行步骤200。

3.根据权利要求1所述的服务器，其特征在于，移动终端MT₁,MT₂,…,MT_m是通过自动识别是否安装有强特征APP确定的，包括：

步骤201，获取候选移动终端CT₁,CT₂,…,CT_h的当前应用程序列表app_list₁,app_list₂,…,app_list_h，其中，当前应用程序列表app_list_j为当前采样时刻获取的移动终端CT_j安装的全部APP的列表,1≤j≤h；

步骤202，判断app_list₁,app_list₂,…,app_list_h中的每一个是否包括所述强特征APP，当存在至少一个当前应用程序列表包括强特征APP时，将包括有强特征APP的当前应用程序列表app_list_j对应的移动终端标记为正样本属性值P，并保存移动终端CT_j和正样本属性值P；

步骤203，获取与正样本属性值P对应的全部移动终端MT₁,MT₂,…,MT_m。

4.根据权利要求1所述的服务器，其特征在于，APP安装情况为移动终端是否安装有预设APP。

5.根据权利要求1所述的服务器，其特征在于，APP活跃情况为预设APP在移动终端中的活跃次数和活跃时间。

6.根据权利要求1所述的服务器，其特征在于，n个特征还可以包括：移动终端在时间段TP₁＝[tp₁₁,tp₁₂]内的停驻点数量、时间段TP₂＝[tp₂₁,tp₂₂]内的最大活动距离,tp₁₁<tp₁₂，tp₂₁<tp₂₂。

7.根据权利要求6所述的服务器，其特征在于，移动终端在时间段TP₁＝[tp₁₁,tp₁₂]内的停驻点数量的获取方式包括：

步骤10，获取移动终端在时间段TP₁内的停驻点数据(NS₁,NSD₁),(NS₂,NSD₂),…,(NS_p,NSD_p)，其中NS_h为移动终端在时间段TP₁内的第h个停驻点的唯一标识，NSD_h为移动终端在时间段TP₁内到访第h个停驻点NS_h的次数，1≤h≤p；

步骤20，基于(NS₁,NSD₁),(NS₂,NSD₂),…,(NS_p,NSD_p)和停驻点判断阈值，获取移动终端的停驻点数量

8.根据权利要求6所述的服务器，其特征在于，移动终端在时间段TP₂＝[tp₂₁,tp₂₂]内的最大活动距离的获取方式包括：

步骤1，获取移动终端在时间段TP₂内的单位最大活动距离数据R₁,R₂,…,R_q，其中，R_v为单位时间片段TPU_v＝[TPU_v1,TPU_v2]内的单位最大活动距离，

步骤2，基于单位最大活动距离数据R₁,R₂,…,R_q获取移动终端在时间段TP₂内的最大活动距离。

9.根据权利要求1所述的服务器，其特征在于，所述属性判断阈值的取值范围为[0.7,0.82]。

10.根据权利要求6所述的服务器，其特征在于，所述时间段TP₁的取值范围为[4周，24周]，时间段TP₂的取值范围为[12周，48周]。

Images