CN110647675A - 停留点识别及预测模型训练方法、装置及存储介质 - Google Patents

停留点识别及预测模型训练方法、装置及存储介质 Download PDF

Info

Publication number
CN110647675A
CN110647675A CN201910725078.2A CN201910725078A CN110647675A CN 110647675 A CN110647675 A CN 110647675A CN 201910725078 A CN201910725078 A CN 201910725078A CN 110647675 A CN110647675 A CN 110647675A
Authority
CN
China
Prior art keywords
point
identified
locating
positioning
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.)
Granted
Application number
CN201910725078.2A
Other languages
English (en)
Other versions
CN110647675B (zh
Inventor
李岩岩
段建国
熊辉
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201910725078.2A priority Critical patent/CN110647675B/zh
Publication of CN110647675A publication Critical patent/CN110647675A/zh
Priority to US16/823,214 priority patent/US11379741B2/en
Application granted granted Critical
Publication of CN110647675B publication Critical patent/CN110647675B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/55—Push-based network services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound

Abstract

本发明公开了停留点识别及预测模型训练方法、装置及存储介质，其中停留点识别方法可包括：针对待识别的定位点，分别获取待识别的定位点的N个预定维度的特征，N为大于一的正整数；根据获取到的特征生成待识别的定位点的特征向量；利用预先训练得到的预测模型，基于所述特征向量确定出待识别的定位点是否为停留点。应用本发明所述方案，可提高停留点识别的准确性和召回率等。

Description

停留点识别及预测模型训练方法、装置及存储介质
【技术领域】
本发明涉及计算机应用技术，特别涉及停留点识别及预测模型训练方法、装置及存储介质。
【背景技术】
实际应用中，可基于用户的行为模式向用户进行视频或feed流等的推送。用户的行为模式可分为停留和移动两种，不同的行为模式可对应不同的推送策略。
相应地，则需要对用户的定位点进行识别，以识别定位点为停留点还是移动点。目前，通常采用以下停留点识别方式：1)时空窗口方式，该算法假设用户的定位点是连续的轨迹点，将符合特定时间与空间阈值条件下的点判定为停留点；2)基于无线保真(wifi)连接的停留点识别方式，即若确定用户在定位点连接了固定兴趣点(POI，Point of Interest)的wifi，则可认为该定位点为停留点。
但是，上述两种方式在实际应用中均会存在一定的问题，如：方式1)对于轨迹点连续稠密的情况能够较好的处理，但对于其它情况则不能较好的处理，准确性和召回率均比较差；方式2)中，虽然连接了固定POI的wifi的定位点通常为停留点，但停留点不一定都连接了固定POI的wifi，比如，当用户处于无wifi覆盖的景点内时，则无法利用此方式来识别停留点，因此该方式的召回率比较低。
【发明内容】
有鉴于此，本发明提供了停留点识别及预测模型训练方法、装置及存储介质。
具体技术方案如下：
一种停留点识别方法，包括：
针对待识别的定位点，分别获取所述待识别的定位点的N个预定维度的特征，N为大于一的正整数；
根据获取到的特征生成所述待识别的定位点的特征向量；
利用预先训练得到的预测模型，基于所述特征向量确定出所述待识别的定位点是否为停留点。
根据本发明一优选实施例，所述N个预定维度的特征包括：所述待识别的定位点对应的用户的用户特征、所述待识别的定位点的上下文特征以及所述待识别的定位点的空间特征。
根据本发明一优选实施例，所述用户特征包括以下之一或任意组合：用户标识、用户常驻地、用户上下班时间；
所述待识别的定位点的上下文特征包括以下之一或任意组合：所述待识别的定位点是否连接了无线保真wifi、所连接的wifi对应的兴趣点类型、上一个定位点与所述待识别的定位点之间的空间距离和时间距离、下一个定位点与所述待识别的定位点之间的空间距离和时间距离、所述待识别的定位点的定位时间特征、所述待识别的定位点的定位位置特征；其中，所述上一个定位点为获取到的所述待识别的定位点对应的用户的上一个定位点，所述下一个定位点为获取到的所述待识别的定位点对应的用户的下一个定位点；
所述待识别的定位点的空间特征包括以下之一或任意组合：所述待识别的定位点所在的街区的历史停留点与历史移动点比例、所述待识别的定位点是否位于具有停留属性的兴趣面内、所述待识别的定位点周围预定范围内的兴趣点特征。
根据本发明一优选实施例，训练得到所述预测模型包括：
构建训练数据，每条训练数据分别对应一个定位点，每条训练数据中分别包括：对应的定位点的特征向量，以及所述对应的定位点是否为停留点的标签；其中，所述特征向量为根据获取到的所述对应的定位点的N个预定维度的特征生成的，N为大于一的正整数；
根据所构建的训练数据训练得到所述预测模型，
一种预测模型训练方法，包括：
构建训练数据，每条训练数据分别对应一个定位点，每条训练数据中分别包括：对应的定位点的特征向量，以及所述对应的定位点是否为停留点的标签；其中，所述特征向量为根据获取到的所述对应的定位点的N个预定维度的特征生成的，N为大于一的正整数；
根据所构建的训练数据训练得到预测模型，以便针对待识别的定位点，基于所述待识别的定位点的特征向量确定出所述待识别的定位点是否为停留点。
根据本发明一优选实施例，所述N个预定维度的特征包括：所述对应的定位点对应的用户的用户特征、所述对应的定位点的上下文特征以及所述对应的定位点的空间特征。
一种停留点识别装置，包括：获取单元、生成单元以及识别单元；
所述获取单元，用于针对待识别的定位点，分别获取所述待识别的定位点的N个预定维度的特征，N为大于一的正整数；
所述生成单元，用于根据获取到的特征生成所述待识别的定位点的特征向量；
所述识别单元，用于利用预先训练得到的预测模型，基于所述特征向量确定出所述待识别的定位点是否为停留点。
根据本发明一优选实施例，所述N个预定维度的特征包括：所述待识别的定位点对应的用户的用户特征、所述待识别的定位点的上下文特征以及所述待识别的定位点的空间特征。
根据本发明一优选实施例，所述用户特征包括以下之一或任意组合：用户标识、用户常驻地、用户上下班时间；
所述待识别的定位点的上下文特征包括以下之一或任意组合：所述待识别的定位点是否连接了无线保真wifi、所连接的wifi对应的兴趣点类型、上一个定位点与所述待识别的定位点之间的空间距离和时间距离、下一个定位点与所述待识别的定位点之间的空间距离和时间距离、所述待识别的定位点的定位时间特征、所述待识别的定位点的定位位置特征；其中，所述上一个定位点为获取到的所述待识别的定位点对应的用户的上一个定位点，所述下一个定位点为获取到的所述待识别的定位点对应的用户的下一个定位点；
所述待识别的定位点的空间特征包括以下之一或任意组合：所述待识别的定位点所在的街区的历史停留点与历史移动点比例、所述待识别的定位点是否位于具有停留属性的兴趣面内、所述待识别的定位点周围预定范围内的兴趣点特征。
根据本发明一优选实施例，所述装置中进一步包括：预处理单元；
所述预处理单元，用于构建训练数据，每条训练数据分别对应一个定位点，每条训练数据中分别包括：对应的定位点的特征向量，以及所述对应的定位点是否为停留点的标签；其中，所述特征向量为根据获取到的所述对应的定位点的N个预定维度的特征生成的，N为大于一的正整数；根据所构建的训练数据训练得到所述预测模型，
一种预测模型训练装置，包括：构建单元以及训练单元；
所述构建单元，用于构建训练数据，每条训练数据分别对应一个定位点，每条训练数据中分别包括：对应的定位点的特征向量，以及所述对应的定位点是否为停留点的标签；其中，所述特征向量为根据获取到的所述对应的定位点的N个预定维度的特征生成的，N为大于一的正整数；
所述训练单元，用于根据所构建的训练数据训练得到预测模型，以便针对待识别的定位点，基于所述待识别的定位点的特征向量确定出所述待识别的定位点是否为停留点。
根据本发明一优选实施例，所述N个预定维度的特征包括：所述对应的定位点对应的用户的用户特征、所述对应的定位点的上下文特征以及所述对应的定位点的空间特征。
一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如以上所述的方法。
一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如以上所述的方法。
基于上述介绍可以看出，采用本发明所述方案，可预先训练得到预测模型，当需要进行停留点识别时，针对待识别的定位点，可分别获取其多个预定维度的特征，并可根据获取到的特征生成特征向量，进而可利用预测模型，基于生成的特征向量确定出待识别的定位点是否为停留点，本发明所述方式可适用于各种情况，从而提高了停留点的召回率，并具有较高的准确性。
【附图说明】
图1为本发明所述停留点识别方法实施例的流程图。
图2为本发明所述预测模型训练方法实施例的流程图。
图3为本发明所述停留点识别装置实施例的组成结构示意图。
图4为本发明所述预测模型训练装置实施例的组成结构示意图。
图5示出了适于用来实现本发明实施方式的示例性计算机系统/服务器12的框图。
【具体实施方式】
为了使本发明的技术方案更加清楚、明白，以下参照附图并举实施例，对本发明所述方案进行进一步说明。
显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
另外，应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
图1为本发明所述停留点识别方法实施例的流程图。如图1所示，包括以下具体实现方式。
在101中，针对待识别的定位点，分别获取待识别的定位点的N个预定维度的特征，N为大于一的正整数。
在102中，根据获取到的特征生成待识别的定位点的特征向量。
在103中，利用预先训练得到的预测模型，基于生成的特征向量确定出待识别的定位点是否为停留点。
N的具体取值可根据实际需要而定。优选地，N个预定维度的特征可包括：待识别的定位点对应的用户的用户特征、待识别的定位点的上下文特征以及待识别的定位点的空间特征。
以下分别对上述三个维度的特征进行详细说明。
1)待识别的定位点对应的用户的用户特征
用户特征可包括但不限于以下之一或任意组合：用户标识、用户常驻地、用户上下班时间。
针对待识别的定位点，可获取到该定位点的用户标识、定位时间、定位位置以及所连接的wifi等信息，可从这些信息中抽取出用户标识信息。
用户常驻地可包括常驻城市、常驻区县及常驻街区等，可按照现有方式，通过对用户的历史行为数据进行统计分析得到。
用户上下班时间可以用时间范围来表示，如上班时间为早上7点～8点，该特征也可通过对用户的历史行为数据进行统计分析得到。
2)待识别的定位点的上下文特征
待识别的定位点的上下文特征可包括但不限于以下之一或任意组合：待识别的定位点是否连接了wifi、所连接的wifi对应的POI类型、上一个定位点与待识别的定位点之间的空间距离和时间距离、下一个定位点与待识别的定位点之间的空间距离和时间距离、待识别的定位点的定位时间特征、待识别的定位点的定位位置特征；其中，上一个定位点为获取到的待识别的定位点对应的用户的上一个定位点，下一个定位点为获取到的待识别的定位点对应的用户的下一个定位点。
如前所述，针对待识别的定位点，可获取到该定位点的用户标识、定位时间、定位位置以及所连接的wifi等信息，相应地，可获知在待识别的定位点是否连接了wifi及所连接的wifi对应的POI类型，如酒店等固定类型POI或公交巴士等移动类型POI。
本实施例所述方案可应用于离线处理场景，也可应用于在线实时处理场景。对于离线处理场景，可能会同时获取到待识别的定位点的上一个定位点及下一个定位点，这些定位点对应同一用户。对于在线实时处理场景，只能获取到待识别的定位点的上一个定位点，而不能获取到待识别的定位点的下一个定位点。若只获取到了上一个定位点，那么可获取上一个定位点与待识别的定位点之间的空间距离和时间距离，若获取到了上一个定位点及下一个定位点，那么可获取上一个定位点与待识别的定位点之间的空间距离和时间距离以及下一个定位点与待识别的定位点之间的空间距离和时间距离。
待识别的定位点的定位时间特征可包括处于哪个小时、是否处于早晚高峰、当天是否为节假日等。
待识别的定位点的定位位置特征可包括定位位置所在的城市、区县及街区等。
3)待识别的定位点的空间特征
待识别的定位点的空间特征可包括但不限于以下之一或任意组合：待识别的定位点所在的街区的历史停留点与历史移动点比例、待识别的定位点是否位于具有停留属性的兴趣面(AOI，Area of Interest)内、待识别的定位点周围预定范围内的POI特征。
待识别的定位点所在的街区的历史停留点和历史移动点比例，可以是指获取到的最近预定时长内的各用户的已知类型的历史定位点中、为停留点的定位点与为移动点的定位点的比例，已知类型的历史定位点可以是指可通过某种方式或规则确定出其为停留点还是移动点的历史定位点。
AOI面也可称为信息面，是指地图数据中的区域状的地理实体。如颐和园、故宫等POI均具有AOI面，且均为具有停留属性的AOI面，反之，如京新高速等则不具有停留属性。待识别的定位点是否位于具有停留属性的AOI内即指待识别的定位点是否位于某一具有停留属性的AOI面范围之内。
待识别的定位点周围预定范围内的POI特征可包括待识别的定位点周围预定范围内有多少POI、分别为何种类型等。周围预定范围可以是指周围100米范围等。
上述各特征仅为举例说明，并不用于限制本发明的技术方案，在实际应用中，具体获取待识别的定位点的哪些特征可根据实际需要而定。
在获取到待识别的定位点的特征后，可进一步根据获取到的特征生成待识别的定位点的特征向量。
如何根据特征生成特征向量不作限制，比如，可分别将每个特征按照预定规则/方式映射为一个值，作为特征向量中的一个元素，或者，也可分别将每个特征按照预定规则/方式映射为一个特征向量，然后将各特征向量首尾相连，得到最终所需的特征向量等。
之后，可利用预先训练得到的预测模型，基于待识别的定位点的特征向量确定出待识别的定位点是否为停留点。即可将待识别的定位点的特征向量输入预测模型，从而得到预测模型输出的是否为停留点的判别结果。
预测模型具体为何种模型不作限制，可为任意的机器学习模型，如可为神经网络模型、决策树模型、逻辑回归模型、支撑向量机(SVM，Support Vector Machine)模型、梯度提升决策树(GBDT，Gradient Boosting Decision Tree)模型等。
预测模型可为预先训练得到的，以下即对预测模型的训练过程进行说明。
图2为本发明所述预测模型训练方法实施例的流程图。如图2所示，包括以下具体实现方式。
在201中，构建训练数据，每条训练数据分别对应一个定位点，每条训练数据中分别包括：对应的定位点的特征向量，以及对应的定位点是否为停留点的标签；其中，特征向量为根据获取到的对应的定位点的N个预定维度的特征生成的，N为大于一的正整数。
在202中，根据所构建的训练数据训练得到预测模型，以便针对待识别的定位点，基于待识别的定位点的特征向量确定出待识别的定位点是否为停留点。
训练数据对应的定位点可为可通过某种方式或规则确定出其为停留点还是移动点的定位点。如人工标注为停留点还是移动点。或者，也可根据用户停留或移动的明显特征来确定定位点的停留状态等。
比如，对于某一用户的一个历史定位点，若用户在该定位点连接了固定POI的wifi，那么则可确定该定位点为停留点。再比如，对于某一用户的一个历史定位点，若通过某种途径获知用户处于该定位点的时长大于30分钟，那么则可确定该定位点为停留点。再比如，对于某一用户的一个历史定位点，若通过某种途径获知用户在该定位点产生了消费行为，那么则可确定该定位点为停留点。再比如，对于某一用户导航过程中获取到的定位点，则可确定为移动点等。
对于每条训练数据对应的定位点，可分别获取其N个预定维度的特征，N的具体取值可根据实际需要而定。优选地，N个预定维度的特征可包括：对应的定位点对应的用户的用户特征、对应的定位点的上下文特征以及对应的定位点的空间特征。每种维度的特征分别具体包括哪些特征可参照图1所示实施例中的相关说明，不再赘述。
对于每条训练数据对应的定位点，在获取到定位点的特征后，可进一步根据获取到的特征生成定位点的特征向量。如何根据特征生成特征向量不作限制。
根据所构建的训练数据，可进一步训练得到预测模型，这样，当后续需要利用预测模型进行停留点识别时，可针对待识别的定位点，基于待识别的定位点的特征向量确定出待识别的定位点是否为停留点。
预测模型可为任意的机器学习模型，如可为神经网络模型、决策树模型、逻辑回归模型、支撑向量机模型、梯度提升决策树模型等。
需要说明的是，对于前述的各方法实施例，为了简单描述，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它顺序或者同时进行。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。
在上述实施例中，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，可以参见其它实施例的相关描述。
总之，采用本发明方法实施例所述方案，可预先训练得到预测模型，当需要进行停留点识别时，针对待识别的定位点，可分别获取其多个预定维度的特征，并可根据获取到的特征生成特征向量，进而可利用预测模型，基于生成的特征向量确定出待识别的定位点是否为停留点，本发明所述方式可适用于各种情况，从而提高了停留点的召回率，并具有较高的准确性，而且，在获取定位点的特征时，充分考虑了用户特征、定位点上下文特征以及空间特征等各种维度特征，从而进一步提高了识别结果的准确性。
以上是关于方法实施例的介绍，以下通过装置实施例，对本发明所述方案进行进一步说明。
图3为本发明所述停留点识别装置实施例的组成结构示意图。如图3所示，包括：获取单元301、生成单元302以及识别单元303。
获取单元301，用于针对待识别的定位点，分别获取待识别的定位点的N个预定维度的特征，N为大于一的正整数。
生成单元302，用于根据获取到的特征生成待识别的定位点的特征向量。
识别单元303，用于利用预先训练得到的预测模型，基于生成的特征向量确定出待识别的定位点是否为停留点。
N的具体取值可根据实际需要而定。优选地，N个预定维度的特征可包括：待识别的定位点对应的用户的用户特征、待识别的定位点的上下文特征以及待识别的定位点的空间特征。
其中，用户特征可包括但不限于以下之一或任意组合：用户标识、用户常驻地、用户上下班时间。
待识别的定位点的上下文特征可包括但不限于以下之一或任意组合：待识别的定位点是否连接了wifi、所连接的wifi对应的POI类型、上一个定位点与待识别的定位点之间的空间距离和时间距离、下一个定位点与待识别的定位点之间的空间距离和时间距离、待识别的定位点的定位时间特征、待识别的定位点的定位位置特征；其中，上一个定位点为获取到的待识别的定位点对应的用户的上一个定位点，下一个定位点为获取到的待识别的定位点对应的用户的下一个定位点。
待识别的定位点的空间特征可包括但不限于以下之一或任意组合：待识别的定位点所在的街区的历史停留点与历史移动点比例、待识别的定位点是否位于具有停留属性的AOI面内、待识别的定位点周围预定范围内的POI特征。
生成单元302可根据获取到的特征生成待识别的定位点的特征向量，如何根据特征生成特征向量不作限制。
之后，识别单元303可利用预先训练得到的预测模型，基于生成的特征向量确定出待识别的定位点是否为停留点，即可将待识别的定位点的特征向量输入预测模型，从而得到预测模型输出的是否为停留点的判别结果。
相应地，图3所示装置中可进一步包括：预处理单元300，用于构建训练数据，每条训练数据分别对应一个定位点，每条训练数据中分别包括：对应的定位点的特征向量，以及对应的定位点是否为停留点的标签；其中，特征向量为根据获取到的对应的定位点的N个预定维度的特征生成的，N为大于一的正整数；根据所构建的训练数据训练得到预测模型。
图4为本发明所述预测模型训练装置实施例的组成结构示意图。如图4所示，包括：构建单元401以及训练单元402。
构建单元401，用于构建训练数据，每条训练数据分别对应一个定位点，每条训练数据中分别包括：对应的定位点的特征向量，以及对应的定位点是否为停留点的标签；其中，特征向量为根据获取到的对应的定位点的N个预定维度的特征生成的，N为大于一的正整数。
训练单元402，用于根据所构建的训练数据训练得到预测模型，以便针对待识别的定位点，基于待识别的定位点的特征向量确定出待识别的定位点是否为停留点。
训练数据对应的定位点可为可通过某种方式或规则确定出其为停留点还是移动点的定位点。如人工标注为停留点还是移动点。或者，也可根据用户停留或移动的明显特征来确定定位点的停留状态等。
对于每条训练数据对应的定位点，构建单元401可分别获取其N个预定维度的特征，N的具体取值可根据实际需要而定。优选地，N个预定维度的特征可包括：对应的定位点对应的用户的用户特征、对应的定位点的上下文特征以及对应的定位点的空间特征。
对于每条训练数据对应的定位点，构建单元401在获取到定位点的特征后，可进一步根据获取到的特征生成定位点的特征向量。如何根据特征生成特征向量不作限制。
根据所构建的训练数据，训练单元402可训练得到预测模型，这样，当后续需要利用预测模型进行停留点识别时，可针对待识别的定位点，基于待识别的定位点的特征向量确定出待识别的定位点是否为停留点。
预测模型可为任意的机器学习模型，如可为神经网络模型、决策树模型、逻辑回归模型、支撑向量机模型、梯度提升决策树模型等。
图3和图4所示装置实施例的具体工作流程请参照前述方法实施例中的相关说明，不再赘述。
图5示出了适于用来实现本发明实施方式的示例性计算机系统/服务器12的框图。图5显示的计算机系统/服务器12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，计算机系统/服务器12以通用计算设备的形式表现。计算机系统/服务器12的组件可以包括但不限于：一个或者多个处理器(处理单元)16，存储器28，连接不同系统组件(包括存储器28和处理器16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机系统/服务器12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机系统/服务器12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机系统/服务器12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机系统/服务器12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机系统/服务器12交互的设备通信，和/或与使得该计算机系统/服务器12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机系统/服务器12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图5所示，网络适配器20通过总线18与计算机系统/服务器12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机系统/服务器12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器16通过运行存储在存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现图1或图2所示实施例中的方法。
本发明同时公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时将实现如图1或图2所示实施例中的方法。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。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(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，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。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法等，可以通过其它的方式实现。例如，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。
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，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (14)

1.一种停留点识别方法，其特征在于，包括：
针对待识别的定位点，分别获取所述待识别的定位点的N个预定维度的特征，N为大于一的正整数；
根据获取到的特征生成所述待识别的定位点的特征向量；
利用预先训练得到的预测模型，基于所述特征向量确定出所述待识别的定位点是否为停留点。
2.根据权利要求1所述的方法，其特征在于，
所述N个预定维度的特征包括：所述待识别的定位点对应的用户的用户特征、所述待识别的定位点的上下文特征以及所述待识别的定位点的空间特征。
3.根据权利要求2所述的方法，其特征在于，
所述用户特征包括以下之一或任意组合：用户标识、用户常驻地、用户上下班时间；
所述待识别的定位点的上下文特征包括以下之一或任意组合：所述待识别的定位点是否连接了无线保真wifi、所连接的wifi对应的兴趣点类型、上一个定位点与所述待识别的定位点之间的空间距离和时间距离、下一个定位点与所述待识别的定位点之间的空间距离和时间距离、所述待识别的定位点的定位时间特征、所述待识别的定位点的定位位置特征；其中，所述上一个定位点为获取到的所述待识别的定位点对应的用户的上一个定位点，所述下一个定位点为获取到的所述待识别的定位点对应的用户的下一个定位点；
所述待识别的定位点的空间特征包括以下之一或任意组合：所述待识别的定位点所在的街区的历史停留点与历史移动点比例、所述待识别的定位点是否位于具有停留属性的兴趣面内、所述待识别的定位点周围预定范围内的兴趣点特征。
4.根据权利要求1所述的方法，其特征在于，
训练得到所述预测模型包括：
构建训练数据，每条训练数据分别对应一个定位点，每条训练数据中分别包括：对应的定位点的特征向量，以及所述对应的定位点是否为停留点的标签；其中，所述特征向量为根据获取到的所述对应的定位点的N个预定维度的特征生成的，N为大于一的正整数；
根据所构建的训练数据训练得到所述预测模型。
5.一种预测模型训练方法，其特征在于，包括：
构建训练数据，每条训练数据分别对应一个定位点，每条训练数据中分别包括：对应的定位点的特征向量，以及所述对应的定位点是否为停留点的标签；其中，所述特征向量为根据获取到的所述对应的定位点的N个预定维度的特征生成的，N为大于一的正整数；
根据所构建的训练数据训练得到预测模型，以便针对待识别的定位点，基于所述待识别的定位点的特征向量确定出所述待识别的定位点是否为停留点。
6.根据权利要求5所述的方法，其特征在于，
所述N个预定维度的特征包括：所述对应的定位点对应的用户的用户特征、所述对应的定位点的上下文特征以及所述对应的定位点的空间特征。
7.一种停留点识别装置，其特征在于，包括：获取单元、生成单元以及识别单元；
所述获取单元，用于针对待识别的定位点，分别获取所述待识别的定位点的N个预定维度的特征，N为大于一的正整数；
所述生成单元，用于根据获取到的特征生成所述待识别的定位点的特征向量；
所述识别单元，用于利用预先训练得到的预测模型，基于所述特征向量确定出所述待识别的定位点是否为停留点。
8.根据权利要求7所述的装置，其特征在于，
所述N个预定维度的特征包括：所述待识别的定位点对应的用户的用户特征、所述待识别的定位点的上下文特征以及所述待识别的定位点的空间特征。
9.根据权利要求8所述的装置，其特征在于，
所述用户特征包括以下之一或任意组合：用户标识、用户常驻地、用户上下班时间；
所述待识别的定位点的上下文特征包括以下之一或任意组合：所述待识别的定位点是否连接了无线保真wifi、所连接的wifi对应的兴趣点类型、上一个定位点与所述待识别的定位点之间的空间距离和时间距离、下一个定位点与所述待识别的定位点之间的空间距离和时间距离、所述待识别的定位点的定位时间特征、所述待识别的定位点的定位位置特征；其中，所述上一个定位点为获取到的所述待识别的定位点对应的用户的上一个定位点，所述下一个定位点为获取到的所述待识别的定位点对应的用户的下一个定位点；
所述待识别的定位点的空间特征包括以下之一或任意组合：所述待识别的定位点所在的街区的历史停留点与历史移动点比例、所述待识别的定位点是否位于具有停留属性的兴趣面内、所述待识别的定位点周围预定范围内的兴趣点特征。
10.根据权利要求7所述的装置，其特征在于，
所述装置中进一步包括：预处理单元；
所述预处理单元，用于构建训练数据，每条训练数据分别对应一个定位点，每条训练数据中分别包括：对应的定位点的特征向量，以及所述对应的定位点是否为停留点的标签；其中，所述特征向量为根据获取到的所述对应的定位点的N个预定维度的特征生成的，N为大于一的正整数；根据所构建的训练数据训练得到所述预测模型。
11.一种预测模型训练装置，其特征在于，包括：构建单元以及训练单元；
所述构建单元，用于构建训练数据，每条训练数据分别对应一个定位点，每条训练数据中分别包括：对应的定位点的特征向量，以及所述对应的定位点是否为停留点的标签；其中，所述特征向量为根据获取到的所述对应的定位点的N个预定维度的特征生成的，N为大于一的正整数；
所述训练单元，用于根据所构建的训练数据训练得到预测模型，以便针对待识别的定位点，基于所述待识别的定位点的特征向量确定出所述待识别的定位点是否为停留点。
12.根据权利要求11所述的装置，其特征在于，
所述N个预定维度的特征包括：所述对应的定位点对应的用户的用户特征、所述对应的定位点的上下文特征以及所述对应的定位点的空间特征。
13.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～6中任一项所述的方法。
14.一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，所述程序被处理器执行时实现如权利要求1～6中任一项所述的方法。
CN201910725078.2A 2019-08-07 2019-08-07 停留点识别及预测模型训练方法、装置及存储介质 Active CN110647675B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910725078.2A CN110647675B (zh) 2019-08-07 2019-08-07 停留点识别及预测模型训练方法、装置及存储介质
US16/823,214 US11379741B2 (en) 2019-08-07 2020-03-18 Method, apparatus and storage medium for stay point recognition and prediction model training

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910725078.2A CN110647675B (zh) 2019-08-07 2019-08-07 停留点识别及预测模型训练方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN110647675A true CN110647675A (zh) 2020-01-03
CN110647675B CN110647675B (zh) 2022-05-27

Family

ID=68990032

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910725078.2A Active CN110647675B (zh) 2019-08-07 2019-08-07 停留点识别及预测模型训练方法、装置及存储介质

Country Status (2)

Country Link
US (1) US11379741B2 (zh)
CN (1) CN110647675B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111340427A (zh) * 2020-03-02 2020-06-26 西南交通大学 一种基于轨迹数据的货车运行状态识别方法
CN114565057A (zh) * 2022-03-15 2022-05-31 中科三清科技有限公司 一种基于机器学习的均压场识别方法、装置、存储介质及终端
US11379741B2 (en) 2019-08-07 2022-07-05 Beijing Baidu Netcom Science And Technology Co., Ltd. Method, apparatus and storage medium for stay point recognition and prediction model training

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113918838B (zh) * 2021-11-12 2024-04-12 合众新能源汽车股份有限公司 基于停留数据的目标人群识别方法、系统和可读介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106951903A (zh) * 2016-10-31 2017-07-14 浙江大学 一种人群移动规律的可视化方法
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
CN108122012A (zh) * 2017-12-28 2018-06-05 百度在线网络技术（北京）有限公司 常驻点中心点的确定方法、装置、设备及存储介质
CN108168562A (zh) * 2018-01-31 2018-06-15 上海势航网络科技有限公司 一种定位轨迹停留点提取方法
CN108256590A (zh) * 2018-02-23 2018-07-06 长安大学 一种基于复合元路径的相似出行者识别方法
CN108804619A (zh) * 2018-05-31 2018-11-13 腾讯科技（深圳）有限公司 兴趣偏好预测方法、装置、计算机设备及存储介质
CN109635208A (zh) * 2018-10-25 2019-04-16 百度在线网络技术（北京）有限公司 用户到访推断模型建立方法、装置及存储介质
CN110096526A (zh) * 2019-04-30 2019-08-06 秒针信息技术有限公司 一种用户属性标签的预测方法及预测装置

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100211308A1 (en) * 2009-02-19 2010-08-19 Microsoft Corporation Identifying interesting locations
US20100306249A1 (en) * 2009-05-27 2010-12-02 James Hill Social network systems and methods
WO2012018131A1 (ja) * 2010-08-04 2012-02-09 日本電気株式会社 行動特徴抽出装置、行動特徴抽出システム、行動特徴抽出方法、及び行動特徴抽出プログラム
US9037485B2 (en) 2010-10-25 2015-05-19 Alohar Mobile Inc. Persistently determining and sharing user stays of a user of a mobile device
US10440503B2 (en) * 2014-07-16 2019-10-08 TUPL, Inc. Machine learning-based geolocation and hotspot area identification
JP6147242B2 (ja) 2014-12-19 2017-06-14 ヤフー株式会社 予測装置、予測方法及び予測プログラム
CN105809502A (zh) 2014-12-30 2016-07-27 阿里巴巴集团控股有限公司 交易风险检测方法和装置
CA2984311A1 (en) * 2015-05-05 2016-11-10 Retailmenot, Inc. Scalable complex event processing with probabilistic machine learning models to predict subsequent geolocations
KR20170105833A (ko) 2016-03-10 2017-09-20 한국전자통신연구원 관심점 관리 방법 및 시스템
CN106203505B (zh) 2016-07-10 2020-01-10 北京工业大学 一种利用手机定位数据判断用户移动与停留状态的方法
US20200251184A1 (en) * 2016-12-16 2020-08-06 Osaka University Classification analysis method, classification analysis device, and storage medium for classification analysis
CN106767835B (zh) 2017-02-08 2020-09-25 百度在线网络技术（北京）有限公司 定位方法和装置
CN109195219B (zh) 2018-09-17 2021-01-26 每日互动股份有限公司 服务器确定移动终端位置的方法
CN109068374B (zh) 2018-09-28 2021-07-13 Oppo广东移动通信有限公司 驻留poi确定方法、装置、终端及存储介质
CN110677815A (zh) 2019-08-07 2020-01-10 北京百度网讯科技有限公司 停留点识别方法、装置、计算机设备及存储介质
CN110647675B (zh) 2019-08-07 2022-05-27 北京百度网讯科技有限公司 停留点识别及预测模型训练方法、装置及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106951903A (zh) * 2016-10-31 2017-07-14 浙江大学 一种人群移动规律的可视化方法
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
CN108122012A (zh) * 2017-12-28 2018-06-05 百度在线网络技术（北京）有限公司 常驻点中心点的确定方法、装置、设备及存储介质
CN108168562A (zh) * 2018-01-31 2018-06-15 上海势航网络科技有限公司 一种定位轨迹停留点提取方法
CN108256590A (zh) * 2018-02-23 2018-07-06 长安大学 一种基于复合元路径的相似出行者识别方法
CN108804619A (zh) * 2018-05-31 2018-11-13 腾讯科技（深圳）有限公司 兴趣偏好预测方法、装置、计算机设备及存储介质
CN109635208A (zh) * 2018-10-25 2019-04-16 百度在线网络技术（北京）有限公司 用户到访推断模型建立方法、装置及存储介质
CN110096526A (zh) * 2019-04-30 2019-08-06 秒针信息技术有限公司 一种用户属性标签的预测方法及预测装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
冯锦海等: "基于多模式的室内兴趣点推荐系统设计与实现", 《计算机工程》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11379741B2 (en) 2019-08-07 2022-07-05 Beijing Baidu Netcom Science And Technology Co., Ltd. Method, apparatus and storage medium for stay point recognition and prediction model training
CN111340427A (zh) * 2020-03-02 2020-06-26 西南交通大学 一种基于轨迹数据的货车运行状态识别方法
CN114565057A (zh) * 2022-03-15 2022-05-31 中科三清科技有限公司 一种基于机器学习的均压场识别方法、装置、存储介质及终端

Also Published As

Publication number Publication date
US20210042641A1 (en) 2021-02-11
US11379741B2 (en) 2022-07-05
CN110647675B (zh) 2022-05-27

Similar Documents

Publication Publication Date Title
CN110647675B (zh) 停留点识别及预测模型训练方法、装置及存储介质
CN109117831B (zh) 物体检测网络的训练方法和装置
CN110363810B (zh) 建立图像检测模型的方法、装置、设备和计算机存储介质
US11418918B2 (en) Method, apparatus, computer device and storage medium for stay point recognition
CN105095617B (zh) 构建对象的目标运动轨迹的缺失部分的方法和设备
CN109783490B (zh) 数据融合方法、装置、计算机设备及存储介质
CN112860993B (zh) 兴趣点的分类方法、装置、设备、存储介质及程序产品
CN111291882A (zh) 一种模型转换的方法、装置、设备和计算机存储介质
CN114332977A (zh) 关键点检测方法、装置、电子设备及存储介质
CN114506343A (zh) 轨迹规划方法、装置、设备、存储介质及自动驾驶车辆
CN113298910A (zh) 生成交通标志线地图的方法、设备和存储介质
CN110363193B (zh) 车辆重识别方法、装置、设备和计算机存储介质
CN114186007A (zh) 高精地图生成方法、装置、电子设备和存储介质
CN110751853B (zh) 停车位数据的有效性识别方法和装置
CN114220163B (zh) 人体姿态估计方法、装置、电子设备及存储介质
CN114266876B (zh) 定位方法、视觉地图的生成方法及其装置
CN113361519B (zh) 目标处理方法、目标处理模型的训练方法及其装置
CN113762397B (zh) 检测模型训练、高精度地图更新方法、设备、介质及产品
CN115062240A (zh) 一种停车场排序方法、装置、电子设备和存储介质
CN114111813A (zh) 高精地图元素更新方法、装置、电子设备及存储介质
CN114548288A (zh) 模型训练、图像识别方法和装置
CN114674328A (zh) 地图生成方法、装置、电子设备、存储介质、及车辆
CN113654548A (zh) 定位方法、装置、电子设备及存储介质
CN110120075B (zh) 用于处理信息的方法和装置
CN113628272A (zh) 室内定位方法、装置、电子设备及存储介质

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