CN110674208B - 用于确定用户的职住地信息的方法和装置 - Google Patents
用于确定用户的职住地信息的方法和装置 Download PDFInfo
- Publication number
- CN110674208B CN110674208B CN201810720018.7A CN201810720018A CN110674208B CN 110674208 B CN110674208 B CN 110674208B CN 201810720018 A CN201810720018 A CN 201810720018A CN 110674208 B CN110674208 B CN 110674208B
- Authority
- CN
- China
- Prior art keywords
- user
- point
- interest
- track
- sample
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例公开了用于确定用户的职住地信息的方法和装置。该方法的一具体实施方式包括:基于已获取的用户的定位轨迹,确定出用户的驻留位置;提取用户的驻留位置的兴趣面特征和兴趣点特征;将用户的驻留位置的兴趣面特征和兴趣点特征输入已训练的用户职住地分类模型,得到用户的驻留位置对应的用户职住地信息。该实施方式提升了用户职住地信息挖掘的准确率。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及位置服务技术领域,尤其涉及用于确定用户的职住地信息的方法和装置。
背景技术
用户画像构建,是对用户的行为数据或属性特征进行数据挖掘,构建出用户的年龄、性别、喜好、习惯、职业等信息的技术。其中,基于位置服务的用户职住地挖掘,是用户画像构建的重要部分,通过用户职住地的挖掘可以精准定位用户的与居住和职业相关的属性特征,可以应用于为用户提供内容服务的各种应用中。
目前的用户职住地挖掘方法,通常是基于用户的定位轨迹,按照用户到访的时间或停留的时长对用户到访的地理位置点进行简单的聚类,例如可以对用户的轨迹点按照时间和位置进行聚类,得出用户连续一个月在晚上22点到次日7点停留在某一小区时,可以确定该小区为用户的居住地。
发明内容
本申请实施例提出了用于确定用户的职住地信息的方法和装置。
第一方面,本申请实施例提供了一种用于确定用户的职住地信息的方法,包括:基于已获取的用户的定位轨迹,确定出用户的驻留位置;提取用户的驻留位置的兴趣面特征和兴趣点特征;将用户的驻留位置的兴趣面特征和兴趣点特征输入已训练的用户职住地分类模型,得到用户的驻留位置对应的用户职住地信息。
在一些实施例中,上述基于已获取的用户的定位轨迹,确定出用户的驻留位置,包括:基于用户的定位轨迹,确定用户在轨迹点对应的地理位置的移动特征,移动特征包括移动速度和/或停留时间;
根据用户在轨迹点对应的地理位置的移动特征标记用户停留的轨迹点;对用户停留的轨迹点进行聚类,得到的聚类中心的地理位置作为用户的驻留位置。
在一些实施例中,上述根据用户在轨迹点对应的地理位置的移动特征标记用户停留的轨迹点,包括:将移动速度小于预设速度的地理位置和/或停留时间超过预设时间阈值的地理位置确定为用户停留的轨迹点。
在一些实施例中,上述提取用户的驻留位置的兴趣面特征和兴趣点特征,包括:获取用户的驻留位置所在兴趣面的功能类别特征,作为驻留位置的兴趣面特征;提取与用户的驻留位置的距离在预设范围内的兴趣点的主题特征,作为驻留位置的兴趣点特征,其中,兴趣点的主题特征为由已训练的主题生成模型确定的兴趣点主题集合中与兴趣点对应的主题。
在一些实施例中,上述兴趣点主题集合按照如下方式确定:对从预设的兴趣点字典中抽取出的兴趣点名称进行切词,得到兴趣点名称的切词结果;将兴趣点名称的切词结果输入文档主题生成模型,得到兴趣点主题集合。
在一些实施例中,上述方法还包括:将样本用户的职住地信息作为样本数据,训练用户职住地分类模型,包括:基于获取的样本用户的定位轨迹,标记出样本用户的驻留位置;提取样本用户的驻留位置的兴趣面特征和兴趣点特征;将样本用户的驻留位置的兴趣面特征和兴趣点特征与样本用户的职住地信息关联后,输入初始的用户职住地分类模型进行训练,得到已训练的用户职住地分类模型。
第二方面,本申请实施例提供了一种用于确定用户的职住地信息的装置,包括:确定单元,被配置成基于已获取的用户的定位轨迹,确定出用户的驻留位置;提取单元,被配置成提取用户的驻留位置的兴趣面特征和兴趣点特征;分类单元,被配置成将用户的驻留位置的兴趣面特征和兴趣点特征输入已训练的用户职住地分类模型,得到用户的驻留位置对应的用户职住地信息。
在一些实施例中,上述确定单元被配置成按基于已获取的用户的定位轨迹,按照如下方式确定出用户的驻留位置:基于用户的定位轨迹,确定用户在轨迹点对应的地理位置的移动特征,移动特征包括移动速度和/或停留时间;根据用户在轨迹点对应的地理位置的移动特征标记用户停留的轨迹点;对用户停留的轨迹点进行聚类,得到的聚类中心的地理位置作为用户的驻留位置。
在一些实施例中,上述确定单元进一步被配置成按照如下方式标记用户停留的轨迹点:将移动速度小于预设速度的地理位置和/或停留时间超过预设时间阈值的地理位置确定为用户停留的轨迹点。
在一些实施例中,上述提取单元被配置成按照如下方式提取用户的驻留位置的兴趣面特征和兴趣点特征:获取用户的驻留位置所在兴趣面的功能类别特征,作为驻留位置的兴趣面特征;提取与用户的驻留位置的距离在预设范围内的兴趣点的主题特征,作为驻留位置的兴趣点特征,其中,兴趣点的主题特征为由已训练的主题生成模型确定的兴趣点主题集合中与兴趣点对应的主题。
在一些实施例中,上述兴趣点主题集合是按照如下方式确定的:对从预设的兴趣点字典中抽取出的兴趣点名称进行切词,得到兴趣点名称的切词结果;将兴趣点名称的切词结果输入文档主题生成模型,得到兴趣点主题集合。
在一些实施例中,上述装置还包括:训练单元,被配置成将样本用户的职住地信息作为样本数据,训练用户职住地分类模型;训练单元被配置成:基于获取的样本用户的定位轨迹,标记出样本用户的驻留位置;提取样本用户的驻留位置的兴趣面特征和兴趣点特征;将样本用户的驻留位置的兴趣面特征和兴趣点特征与样本用户的职住地信息关联后,输入初始的用户职住地分类模型进行训练,得到已训练的用户职住地分类模型。
第三方面,本申请实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面提供的用于确定用户的职住地信息的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,其中,程序被处理器执行时实现第一方面提供的用于确定用户的职住地信息的方法。
本申请上述实施例的用于确定用户的职住地信息的方法和装置,通过基于已获取的用户的定位轨迹,确定出用户的驻留位置,提取用户的驻留位置的兴趣面特征和兴趣点特征,将用户的驻留位置的兴趣面特征和兴趣点特征输入已训练的用户职住地分类模型,得到用户的驻留位置对应的用户职住地信息,提升了用户职住地信息挖掘的准确率。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请实施例可以应用于其中的示例性系统架构图;
图2是根据本申请的用于确定用户的职住地信息的方法的一个实施例的流程图;
图3是根据本申请的用于确定用户的职住地信息的方法的另一个实施例的流程图;
图4是本申请的用于确定用户的职住地信息的装置的一个结构示意图;
图5是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于确定用户的职住地信息的方法或用于确定用户的职住地信息的装置的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104、以及服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户110可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种地理位置应用,例如地图服务客户端、导航客户端、叫车软件客户端等等。
终端设备101、102、103可以是具有显示器并支持互联网访问的各种电子设备,包括但不限于智能手机、平板电脑、智能手表、笔记本电脑、膝上便携型电脑、电子书阅读器等。
服务器105可以是提供位置服务的服务器,例如地图应用的服务器,服务器105可以响应于终端设备101、102、103发出的定位请求而执行对终端设备101、102、103的定位操作,并可以将定位数据返回给终端设备101、102、103或保存在服务器的存储器中。
需要说明的是,本申请实施例所提供的用于确定用户的职住地信息的方法可以由服务器105执行,相应地,用于确定用户的职住地信息的装置可以设置于服务器105中。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的终端设备、网络、服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络、服务器。
继续参考图2,其示出了根据本申请的用于确定用户的职住地信息的方法的一个实施例的流程200。该用于确定用户的职住地信息的方法,包括以下步骤:
步骤201,基于已获取的用户的定位轨迹,确定出用户的驻留位置。
在本实施例中,用于确定用户的职住地信息的方法的执行主体(例如图所示服务器)可以获取用户的定位轨迹。这里的用户可以是指定的用户,即待确定职住地信息的用户,可以具有特定的用户标识。用户的定位轨迹可以包括在多个采集时间采集的该用户标识对应的定位轨迹点。每个定位轨迹点可以包括定位时间和用户的位置坐标。
用户的定位轨迹点可以通过用户携带的移动终端设备(例如手机等)的定位数据来获取。上述执行主体可以响应于用户携带的移动终端设备的定位请求,通过GPS(GlobalPositioning System,全球定位系统)来确定用户的位置坐标,从而确定用户的定位轨迹点。而后可以将不同时间的定位轨迹点相连或集合为用户的定位轨迹。上述执行主体也可以通过向存储用户的定位轨迹的电子设备发送携带用户标识或用户的移动终端设备的标识的定位数据获取请求来获取该用户标识或移动终端设备的标识关联的用户的定位轨迹。例如在实际场景中,图1所示服务器105可以向地图服务器或用户的移动终端设备发出或包含用户标识的定位轨迹获取请求,地图服务器或用户的移动终端设备可以将用户标识对应的定位轨迹发送至上述服务器105。
在本实施例的一些可选的实现方式中,在获取用户的定位轨迹之后,可以对用户的定位轨迹中的轨迹点进行造成过滤,例如滤除只有定位开始时间戳、没有定位结束时间戳的轨迹点;过滤孤立的轨迹点,即过滤与其他轨迹点距离超过一定范围的轨迹点,等等。
在获取用户的定位轨迹后,可以将定位轨迹中散列的定位轨迹点,按照时序排列,并通过计算用户在定位轨迹点的停留特征来确定用户停留的地理位置,即用户的驻留位置。
具体地,在一种可选的实现方式中,可以首先根据各定位轨迹点之间的距离,判断定位轨迹点是否对应同一地理位置信息点。在这里,地理位置信息点可以是一个车站、一座写字楼、一个公园等覆盖了一定的区域范围且具有特定地理标识属性的位置点。举例来说,当两个定位轨迹点之间的距离小于设定的阈值且都落在一座写字楼的地理位置范围内时,可以确定这两个定位轨迹点对应同一座写字楼。这样,可以将定位轨迹点按照地理位置信息点进行聚合,之后计算一段预设时间内用户到访该地理位置信息点的频率,若到访频率超过预设的频率阈值,则可以确定该地理位置信息点为用户的驻留位置。
在本实施例的另一些可选的实现方式中,可以基于已获取的用户的定位轨迹,按照如下方式确定出用户的驻留位置:基于用户的定位轨迹,确定用户在轨迹点对应的地理位置的移动特征,移动特征包括移动速度和/或停留时间;根据用户在轨迹点对应的地理位置的移动特征标记用户停留的轨迹点;对用户停留的轨迹点进行聚类,得到的聚类中心的地理位置作为用户的驻留位置。
具体来说,在按照时序排列定位轨迹点之后,可以计算用户的移动速度和/或停留时间。在这里,可以设定相互间距离在预设距离范围内的定位轨迹点对应的地理位置为同一位置,用户在连续的一段时间内的多个轨迹点都对应同一地理位置时,可以确定在这段时间内用户停留在该地理位置,进而可以统计用户在该地理位置的停留时间。还可以计算出用户在不同位置的移动速度。例如按照时序排列的相邻轨迹点A、B之间的距离为L,定位时间间隔为t,则用户在轨迹点A、B对应的地理位置的移动速度为L/t。
随后,可以根据用户在轨迹点对应位置的移动速度和/或停留时间标记出用户停留的轨迹点。在一些可选的实现方式中,可以将移动速度小于预设速度的地理位置和/或停留时间超过预设时间阈值的地理位置确定为用户停留的轨迹点。在另一些可选的实现方式中,可以按照用户在轨迹点对应的地理位置的移动特征将用户的定位轨迹点标记为以下四类:不动点、慢速移动点、迂回点、快速移动点,其中,不动点可以是移动速度小于第一速度阈值的点或停留时间大于第一时长阈值的点,慢速移动点可以是移动速度在第一速度阈值和第二速度阈值之间的点,快速移动点可以是移动速度大于第二速度阈值的点或停留时长大于第二时长阈值的点,迂回点可以根据用户的移动轨迹是否具有折返特征或环绕特征来确定,可以根据速度的矢量特性,判断用户在某位置处用于表征速度方向的符号是否发生变化来判断。例如用户由东向西移动的速度为+|v1|,由西向东移动的速度为-|v2|,则用户在一段时间内的移动速度由+|v1|变化为-|v2|,再变化为+|v1|时,可以确定用户在这段时间内的定位轨迹点为迂回点。之后可以将不动点、慢速移动点、迂回点对应的地理位置标记为用户停留的轨迹点。
之后,可以基于位置对用户停留的轨迹点进行聚类,例如采用K-均值算法、DBSCAN(Density-Based Spatial Clustering of Applications with Noise,具有噪声的基于密度的聚类)等算法将轨迹点聚为多个类簇,得到的聚类中心可以被确定为用户的驻留位置。
步骤202,提取用户的驻留位置的兴趣面特征和兴趣点特征。
在本实施例中,上述用户的驻留位置可以采用位置坐标表示。可以获取该位置坐标对应的地理位置的AOI(Area of Interest,兴趣面)特征和POI(Point of Interest,兴趣点)特征。在这里,AOI特征可以是用户的驻留位置所属区域的地理实体的特征,包括但不限于用户的驻留位置区域的建筑物功能、人群分布、交通状况等特征。POI特征可以是用户的驻留位置所在的地理位置信息点的属性特征,或者用户的驻留位置附近的地理位置信息点的属性特征,例如用户的驻留位置的或用户的驻留位置附近的地理位置信息点的名称、类型、功能等特征。
上述执行主体可以根据用户的驻留位置的位置坐标,在已存储的地图信息中查找该位置坐标对应的AOI信息和POI信息,然后可以对查找到的AOI信息和POI信息进行特征提取,得到用户的驻留位置的AOI特征和POI特征。
在本实施例的一些可选的实现方式中,可以按照如下方式提取用户的驻留位置的兴趣面特征和兴趣点特征的步骤:获取用户的驻留位置所在AOI的功能类别特征,作为上述用户的驻留位置的AOI特征;提取与用户的驻留位置的距离在预设范围内的POI的主题特征,作为上述用户的驻留位置的POI特征,其中,POI的主题特征为由已训练的主题生成模型确定的POI主题集合中与用户的驻留位置的距离在预设范围内的POI对应的主题。
具体来说,对于AOI特征的提取,可以从已存储的AOI信息中查找到用户的驻留位置所在AOI的信息,然后提取AOI的信息中用于表征AOI的功能类别的特征,作为用户的驻留位置的AOI特征。AOI的功能类别可以包括但不限于:住宅、商业群落、公共设施、交通站点、旅游等。
对于POI特征的提取,可以首先查找出与用户的驻留位置的距离在预设范围内的POI,例如查找出用户的驻留位置附近1公里内的POI,或者查找与用户的驻留位置之间的距离排序在前N位(N为正整数)的POI,获取查找到的POI的主题特征,作为用户的驻留位置的POI特征。POI的主题特征是表征POI的功能主题或位置主题的特征,可以从POI名称或地理位置中提取。具体来说,POI的主题特征可以是按照如下方式确定的:在已训练的主题生成模型生成的POI主题集合中,选择与POI的名称和/或地理位置匹配度较高的主题,作为POI的主题特征。
在进一步的可选实现方式中,上述POI主体集合可以按照如下方式确定:对从预设的POI字典中抽取出的POI名称进行切词,得到POI名称的切词结果,例如可以基于中文词库和外文词库对POI名称进行切词,然后将兴趣点名称的切词结果输入文档主题生成模型,得到POI主题集合。文档主题生成模型可以例如LDA(Latent Dirichlet Allocation,潜在狄利克雷分布)模型等,可以将输入的词语划分为多个主题。
通过获取用户的驻留位置所在的AOI的功能类别特征以及用户的驻留位置附近的兴趣点的主题特征,能够提取出可准确表达用户的驻留位置的特性的特征,为后续基于用户驻留位置的AOI特征POI特征进行用户的职住地分类提供了准确的数据依据。
步骤203,将用户的驻留位置的兴趣面特征和兴趣点特征输入已训练的用户职住地分类模型,得到用户的驻留位置对应的用户职住地信息。
可以采用已训练的用户职住地分类模型,基于步骤202提取出的用户的驻留位置的AOI特征和POI特征预测用户的驻留位置对应的用户职住地信息。在这里,已训练的用户职住地分类模型可以是采用机器学习方法,利用样本数据集训练得出的。用户职住地分类模型可以根据输入的AOI特征和POI特征分析对应地理位置的功能属性,判断地理位置是否为工作地或居住地。
上述步骤201中可以确定出用户的多个驻留位置,步骤202中可以提取用户的多个驻留位置的AOI特征和POI特征,则在步骤203中,可以将多个驻留位置对应的AOI特征和POI特征输入用户职住地分类模型进行分类,用户职住地模型可以从用户的多个驻留位置中识别出用户的居住地位置和工作地位置。
上述用户职住地分类模型可以是基于决策树或回归树的模型,可以例如为GBDT(Gradient Boost Decision Tree,梯度提升决策树),GBRT(Gradient Boost RegressionTree,梯度提升回归树),XgBoost(eXtreme Gradient Boosting,极值梯度提升)等模型。用于职住地分类模型还可以是随机森林分类器、逻辑回归分类器等可以实现二分类或多分类的模型。
用户职住地分类模型可以输出用户的职住地信息,职住地信息可以包括职住地的地理位置信息,例如工作地的位置坐标,居住地的位置坐标,还可以包括职住地的建筑物标识,例如居住地的小区名称或地址、工作地的写字楼名称或地址等信息。可选地,职住地信息还可以包括职住地的周边地理环境信息,例如小区或写字楼周边的商场、超市、银行地址,交通站点信息等。
在本实施例的一些可选的实现方式中,在将用户的驻留点的AOI特征和POI特征输入已训练的用户职住地分类模型之后,可以得到用户的驻留点对应的至少一条候选职住地信息,以及各候选职住地信息对应的权重。在这里,候选职住地信息的权重可以为将该候选职住地确定为用户的职住地的概率,例如可以得到驻留位置A、B、C为用户的居住地的权重分别为γ1、γ2、γ3。之后可以权重大于预设权重值或者权重最大的候选职住地信息作为用户的驻留点对应的职住地信息。例如当γ1>γ2>γ3时,可以将上述驻留位置A、B、C中权重最大的驻留位置A确定为用户的居住地。
本申请上述实施例的用于确定用户的职住地信息的方法,基于已获取的用户的定位轨迹,确定出用户的驻留位置,提取用户的驻留位置的兴趣面特征和兴趣点特征,将用户的驻留位置的兴趣面特征和兴趣点特征输入已训练的用户职住地分类模型,得到用户的驻留位置对应的用户职住地信息,由于在挖掘用户的职住地信息的过程中不仅利用了用户的定位轨迹,还利用了相关的AOI特征和POI特征,能够提升用户职住地信息挖掘的准确率。
请参考图3,其示出了根据本申请的用于确定用户的职住地信息的方法的另一个实施例的流程图。如图3所示,本实施例的用于确定用户的职住地信息的方法的流程300,可以包括如下步骤:
步骤301,将样本用户的职住地信息作为样本数据,训练用户职住地分类模型。
在本实施例中,可以构建样本数据,并利用样本数据训练用户职住地分类模型。样本数据可以是基于已知职住地信息的样本用户的相关数据构建的。
具体来说,步骤301可以包括步骤3011、步骤3012和步骤3013。
在步骤3011中,基于获取的样本用户的定位轨迹,标记出样本用户的驻留位置。
首先可以从已知职住地信息的用户中抽取一些用户作为样本用户,获取样本用户的定位轨迹,并按照步骤201中描述的方法标记出样本用户的驻留位置。具体可以按照用户标识对样本用户的定位轨迹点按照时序排列,并通过计算样本用户在定位轨迹点的停留特征或移动特征在确定样本用户停留的地理位置,即样本用户的驻留位置。例如样本用户的多个连续的轨迹点在同一地理位置时,可以将该地理位置确定为样本用户的驻留位置。或者可以根据样本用户的移动速度是否超过预设的速度阈值来判断用户在对应的轨迹点的位置是否停留。
在步骤3012中,提取样本用户的驻留位置的兴趣面特征和兴趣点特征。
同样地,对于样本用户的驻留位置点的兴趣面特征和兴趣点特征,可以采用上述结合图2描述的实施例中步骤202中的兴趣面特征和兴趣点特征的提取方法。具体可以根据样本用户的驻留位置的位置坐标,在已存储的地图信息中查找该位置坐标对应的AOI信息和POI信息,然后可以对查找到的AOI信息和POI信息进行特征提取,得到样本用户的驻留位置的AOI特征和POI特征。或者,可以获取样本用户的驻留位置所在兴趣面的功能类别特征,作为样本用户的驻留位置的兴趣面特征;提取与样本用户的驻留位置的距离在预设范围内的兴趣点的主题特征,作为样本用户的驻留位置的兴趣点特征,其中,兴趣点的主题特征为由已训练的主题生成模型确定的兴趣点主题集合中与样本用户的驻留位置的距离在预设范围内的兴趣点对应的主题。
步骤3013中,将样本用户的驻留位置的兴趣面特征和兴趣点特征与样本用户的职住地信息关联后,输入初始的用户职住地分类模型进行训练,得到已训练的用户职住地分类模型。
在本实施例中,可以将样本用户的驻留位置的AOI特征和POI特征与已获取的样本用户的职住地信息相关联,即标记样本用户的驻留位置的AOI特征和POI特征与样本用户的职住地信息之间的对应关系。然后将样本用户的驻留位置的AOI特征和POI特征输入待训练的用户职住地分类模型的初始模型,在训练过程中通过反向传播等方式迭代修正用户职住地分类模型的参数,使得用户职住地分类模型对样本用户的职住地的分类结果与标记的样本用户的职住地信息之间的差异不断缩小,当二者差异满足一定的条件(例如小于设定的阈值)时可以停止迭代,固定用户职住地分类模型的参数,即得到已训练的用户职住地分类模型。
步骤302,基于已获取的用户的定位轨迹,确定出用户的驻留位置。
当接收到确定指定的目标用户确定职住地信息的请求或指令之后,用于确定用户的职住地信息的方法的执行主体可以获取指定的目标用户的定位轨迹,对用户的定位轨迹进行移动特征和停留特征的分析计算,确定出用户停留的位置,并对用户停留的位置进行聚类分析,从而确定出用户的驻留位置。
步骤303,提取用户的驻留位置的兴趣面特征和兴趣点特征。
可以根据用户的驻留位置的位置坐标,在已存储的地图信息中查找该位置坐标对应的AOI信息和POI信息,然后可以对查找到的AOI信息和POI信息进行特征提取,得到用户的驻留位置的AOI特征和POI特征。或者可以通过提取用户的驻留位置所在AOI的功能类别特征,并提取与用户的驻留位置的距离在预设范围内的POI的主题特征来确定用户的驻留位置的AOI特征和POI特征。
步骤304,将用户的驻留位置的兴趣面特征和兴趣点特征输入已训练的用户职住地分类模型,得到用户的驻留位置对应的用户职住地信息。
在这里,可以将步骤303提取出的用户的驻留位置的兴趣面特征和兴趣点特征输入步骤301训练得出的用户职住地分类模型对用户的驻留位置进行分类,确定用户的驻留位置是否为用户的居住地或工作地,并提供用户的居住地或工作地的地址、周边地理环境等相关信息。
上述步骤302、步骤303、步骤304的具体实现及相应的可选实现方式分别与前述实施例的步骤201、步骤202、步骤203相同,此处不再赘述。
从图3可以看出,本实施例的用于确定用户的职住地信息的方法,通过搜集已知职住地信息样本用户的定位轨迹,对样本用户的定位轨迹进行驻留位置分析、驻留位置的AOI特征和POI特征提取,得到的驻留位置的兴趣面特征和兴趣点特征作为输入待训练的用户职住地分类模型中进行训练,能够得较精确的用户职住地分类模型,从而使得基于用户职住地分类模型的用户职住地的预测结果较为准确。并且,用户职住地的分类模型的训练和预测过程中,对已知职住地信息的样本用户和待确定职住地信息的目标用户的定位轨迹进行相同的数据处理,保持了样本数据和预测中实际数据的一致性,进一步提升了用户的职住地信息的预测精确度。
进一步参考图4,作为对上述各图所示方法的实现,本申请提供了一种用于确定用户的职住地信息的装置的一个实施例,该装置实施例与图2和图3所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,本实施例的用于确定用户的职住地信息的装置400包括:确定单元401、提取单元402以及分类单元403。其中,确定单元401可以被配置成基于已获取的用户的定位轨迹,确定出用户的驻留位置;提取单元402可以被配置成提取用户的驻留位置的兴趣面特征和兴趣点特征;分类单元403可以被配置成将用户的驻留位置的兴趣面特征和兴趣点特征输入已训练的用户职住地分类模型,得到用户的驻留位置对应的用户职住地信息。
在本实施例中,确定单元401可以基于获取的用户的定位轨迹对用户的移动特征和停留特征进行分析计算,并根据移动特征和停留特筛选出用户停留的轨迹点。之后对用户停留的轨迹点进行聚类得到用户的驻留位置。
提取单元402可以获取用户的驻留位置所在AOI的信息和用户的驻留位置附近的POI信息,对获取的AOI信息和POI信息进行特征提取,得到用户的驻留位置的AOI特征和POI特征。
分类单元403可以利用已训练的用户职住地分类模型,基于用户的驻留位置的AOI特征和POI特征,对用户的驻留位置进行分类,从用户的驻留位置中确定出用户的居住地和工作地。
在一些实施例中,上述确定单元401可以被配置成按基于已获取的用户的定位轨迹,按照如下方式确定出用户的驻留位置:基于用户的定位轨迹,确定用户在轨迹点对应的地理位置的移动特征,移动特征包括移动速度和/或停留时间;根据用户在轨迹点对应的地理位置的移动特征标记用户停留的轨迹点;对用户停留的轨迹点进行聚类,得到的聚类中心的地理位置作为用户的驻留位置。
在一些实施例中,上述确定单元401可以进一步被配置成按照如下方式标记用户停留的轨迹点:将移动速度小于预设速度的地理位置和/或停留时间超过预设时间阈值的地理位置确定为用户停留的轨迹点。
在一些实施例中,上述提取单元402可以被配置成按照如下方式提取用户的驻留位置的兴趣面特征和兴趣点特征:获取用户的驻留位置所在兴趣面的功能类别特征,作为驻留位置的兴趣面特征;提取与用户的驻留位置的距离在预设范围内的兴趣点的主题特征,作为驻留位置的兴趣点特征,其中,兴趣点的主题特征为由已训练的主题生成模型确定的兴趣点主题集合中与兴趣点对应的主题。
在一些实施例中,上述兴趣点主题集合可以是按照如下方式确定的:对从预设的兴趣点字典中抽取出的兴趣点名称进行切词,得到兴趣点名称的切词结果;将兴趣点名称的切词结果输入文档主题生成模型,得到兴趣点主题集合。
在一些实施例中,上述装置400还可以包括:训练单元,被配置成将样本用户的职住地信息作为样本数据,训练用户职住地分类模型。训练单元可以被配置成:基于获取的样本用户的定位轨迹,标记出样本用户的驻留位置;提取样本用户的驻留位置的兴趣面特征和兴趣点特征;将样本用户的驻留位置的兴趣面特征和兴趣点特征与样本用户的职住地信息关联后,输入初始的用户职住地分类模型进行训练,得到已训练的用户职住地分类模型。
应当理解,装置400中记载的诸单元与参考图2和图3描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作和特征同样适用于装置400及其中包含的单元,在此不再赘述。
本申请上述实施例的用于确定用户的职住地信息的装置400,通过确定单元基于已获取的用户的定位轨迹,确定出用户的驻留位置,提取单元提取用户的驻留位置的兴趣面特征和兴趣点特征,分类单元将用户的驻留位置的兴趣面特征和兴趣点特征输入已训练的用户职住地分类模型,得到用户的驻留位置对应的用户职住地信息,提升了用户职住地信息挖掘的准确率。
下面参考图5,其示出了适于用来实现本申请实施例的电子设备的计算机系统500的结构示意图。图5示出的电子设备仅仅是一个示例,不应对本申请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500包括中央处理单元(CPU)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505:包括键盘、鼠标等的输入部分506;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请的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或者是上述两者的任意组合。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可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(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。在本申请中,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。而在本申请中,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申请的操作的计算机程序代码,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)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括确定单元、提取单元和分类单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,确定单元还可以被描述为“基于已获取的用户的定位轨迹,确定出用户的驻留位置的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:基于已获取的用户的定位轨迹,确定出用户的驻留位置;提取用户的驻留位置的兴趣面特征和兴趣点特征;将用户的驻留位置的兴趣面特征和兴趣点特征输入已训练的用户职住地分类模型,得到用户的驻留位置对应的用户职住地信息。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (12)
1.一种用于确定用户的职住地信息的方法,包括:
基于已获取的用户的定位轨迹,确定出用户的驻留位置,包括:对所述定位轨迹进行移动特征和停留特征的分析计算,基于计算结果确定出用户的驻留位置;
提取所述用户的驻留位置的兴趣面特征和兴趣点特征;
将所述用户的驻留位置的兴趣面特征和兴趣点特征输入已训练的用户职住地分类模型,得到所述用户的驻留位置对应的用户职住地信息;
其中,所述用户职住地分类模型通过以下步骤训练得到:
获取样本数据,其中,所述样本数据包括样本用户的职住地信息;
基于所述样本用户的定位轨迹提取所述样本用户的驻留位置的兴趣面特征和兴趣点特征;
将所述样本用户的驻留位置的兴趣面特征和兴趣点特征与所述样本用户的职住地信息关联后,输入初始的用户职住地分类模型进行训练,得到已训练的用户职住地分类模型;
其中,所述基于已获取的用户的定位轨迹,确定出用户的驻留位置,还包括:
基于所述用户的定位轨迹,确定用户在轨迹点对应的地理位置的移动特征,所述移动特征包括移动速度和/或停留时间;
根据所述用户在轨迹点对应的地理位置的移动特征标记用户停留的轨迹点,包括:按照所述用户在轨迹点对应的地理位置的移动特征将用户的定位轨迹点标记为以下四类:不动点、慢速移动点、迂回点、快速移动点,其中,所述不动点是移动速度小于第一速度阈值的点或停留时间大于第一时长阈值的点,所述慢速移动点是移动速度在第一速度阈值和第二速度阈值之间的点,所述快速移动点是移动速度大于第二速度阈值的点或停留时长大于第二时长阈值的点,所述迂回点根据用户的移动轨迹是否具有折返特征或环绕特征来确定;
对用户停留的轨迹点进行聚类,得到的聚类中心的地理位置作为所述用户的驻留位置。
2.根据权利要求1所述的方法,其中,所述根据所述用户在轨迹点对应的地理位置的移动特征标记用户停留的轨迹点,包括:
将移动速度小于预设速度的地理位置和/或停留时间超过预设时间阈值的地理位置确定为所述用户停留的轨迹点。
3.根据权利要求1所述的方法,其中,所述提取所述用户的驻留位置的兴趣面特征和兴趣点特征,包括:
获取所述用户的驻留位置所在兴趣面的功能类别特征,作为所述驻留位置的兴趣面特征;
提取与所述用户的驻留位置的距离在预设范围内的兴趣点的主题特征,作为所述驻留位置的兴趣点特征,其中,所述兴趣点的主题特征为由已训练的主题生成模型确定的兴趣点主题集合中与所述兴趣点对应的主题。
4.根据权利要求3所述的方法,其中,所述兴趣点主题集合按照如下方式确定:
对从预设的兴趣点字典中抽取出的兴趣点名称进行切词,得到兴趣点名称的切词结果;
将兴趣点名称的切词结果输入文档主题生成模型,得到所述兴趣点主题集合。
5.根据权利要求1-4任一项所述的方法,其中,所述基于所述样本用户的定位轨迹提取所述样本用户的驻留位置的兴趣面特征和兴趣点特征,包括:
基于获取的样本用户的定位轨迹,标记出样本用户的驻留位置;
提取所述样本用户的驻留位置的兴趣面特征和兴趣点特征。
6.一种用于确定用户的职住地信息的装置,包括:
确定单元,被配置成基于已获取的用户的定位轨迹,确定出用户的驻留位置,包括:对所述定位轨迹进行移动特征和停留特征的分析计算,基于计算结果确定出用户的驻留位置;
提取单元,被配置成提取所述用户的驻留位置的兴趣面特征和兴趣点特征;
分类单元,被配置成将所述用户的驻留位置的兴趣面特征和兴趣点特征输入已训练的用户职住地分类模型,得到所述用户的驻留位置对应的用户职住地信息;
其中,所述装置还包括用于训练用户职住地分类模型的训练单元,所述训练单元包括:
获取子单元,被配置成获取样本数据,其中,所述样本数据包括样本用户的职住地信息;
提取子单元,被配置成基于所述样本用户的定位轨迹提取所述样本用户的驻留位置的兴趣面特征和兴趣点特征;
训练子单元,被配置成将所述样本用户的驻留位置的兴趣面特征和兴趣点特征与所述样本用户的职住地信息关联后,输入初始的用户职住地分类模型进行训练,得到已训练的用户职住地分类模型;
其中,所述确定单元被配置成按基于已获取的用户的定位轨迹,按照如下方式确定出用户的驻留位置:
基于所述用户的定位轨迹,确定用户在轨迹点对应的地理位置的移动特征,所述移动特征包括移动速度和/或停留时间;
根据所述用户在轨迹点对应的地理位置的移动特征标记用户停留的轨迹点,包括:按照所述用户在轨迹点对应的地理位置的移动特征将用户的定位轨迹点标记为以下四类:不动点、慢速移动点、迂回点、快速移动点,其中,所述不动点是移动速度小于第一速度阈值的点或停留时间大于第一时长阈值的点,所述慢速移动点是移动速度在第一速度阈值和第二速度阈值之间的点,所述快速移动点是移动速度大于第二速度阈值的点或停留时长大于第二时长阈值的点,所述迂回点根据用户的移动轨迹是否具有折返特征或环绕特征来确定;
对用户停留的轨迹点进行聚类,得到的聚类中心的地理位置作为所述用户的驻留位置。
7.根据权利要求6所述的装置,其中,所述确定单元进一步被配置成按照如下方式标记用户停留的轨迹点:
将移动速度小于预设速度的地理位置和/或停留时间超过预设时间阈值的地理位置确定为所述用户停留的轨迹点。
8.根据权利要求6所述的装置,其中,所述提取单元被配置成按照如下方式提取所述用户的驻留位置的兴趣面特征和兴趣点特征:
获取所述用户的驻留位置所在兴趣面的功能类别特征,作为所述驻留位置的兴趣面特征;
提取与所述用户的驻留位置的距离在预设范围内的兴趣点的主题特征,作为所述驻留位置的兴趣点特征,其中,所述兴趣点的主题特征为由已训练的主题生成模型确定的兴趣点主题集合中与所述兴趣点对应的主题。
9.根据权利要求8所述的装置,其中,所述兴趣点主题集合是按照如下方式确定的:
对从预设的兴趣点字典中抽取出的兴趣点名称进行切词,得到兴趣点名称的切词结果;
将兴趣点名称的切词结果输入文档主题生成模型,得到所述兴趣点主题集合。
10.根据权利要求6-9任一项所述的装置,其中,所述提取子单元被配置成:
基于获取的样本用户的定位轨迹,标记出样本用户的驻留位置;
提取所述样本用户的驻留位置的兴趣面特征和兴趣点特征。
11.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种计算机可读存储介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810720018.7A CN110674208B (zh) | 2018-07-03 | 2018-07-03 | 用于确定用户的职住地信息的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810720018.7A CN110674208B (zh) | 2018-07-03 | 2018-07-03 | 用于确定用户的职住地信息的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110674208A CN110674208A (zh) | 2020-01-10 |
CN110674208B true CN110674208B (zh) | 2022-12-02 |
Family
ID=69065635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810720018.7A Active CN110674208B (zh) | 2018-07-03 | 2018-07-03 | 用于确定用户的职住地信息的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110674208B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111782741A (zh) * | 2020-06-04 | 2020-10-16 | 汉海信息技术(上海)有限公司 | 兴趣点挖掘方法、装置、电子设备及存储介质 |
CN112685659B (zh) * | 2021-03-19 | 2021-06-18 | 上海钐昆网络科技有限公司 | 目标地点确定方法、装置、电子设备及计算机存储介质 |
CN113393353B (zh) * | 2021-06-11 | 2022-03-22 | 中国测绘科学研究院 | 基于ic卡数据的建筑物通勤人口估算方法及其存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103609178A (zh) * | 2011-06-17 | 2014-02-26 | 微软公司 | 地点辅助的识别 |
CN106792514A (zh) * | 2016-11-30 | 2017-05-31 | 南京华苏科技有限公司 | 基于信令数据的用户职住地分析方法 |
CN107066572A (zh) * | 2017-04-10 | 2017-08-18 | 山东师范大学 | 基于众源地理数据空间聚类的地表覆盖分类方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140040761A1 (en) * | 2012-08-03 | 2014-02-06 | Google Inc. | Providing an update associated with a user-created point of interest |
-
2018
- 2018-07-03 CN CN201810720018.7A patent/CN110674208B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103609178A (zh) * | 2011-06-17 | 2014-02-26 | 微软公司 | 地点辅助的识别 |
CN106792514A (zh) * | 2016-11-30 | 2017-05-31 | 南京华苏科技有限公司 | 基于信令数据的用户职住地分析方法 |
CN107066572A (zh) * | 2017-04-10 | 2017-08-18 | 山东师范大学 | 基于众源地理数据空间聚类的地表覆盖分类方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110674208A (zh) | 2020-01-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106462627B (zh) | 根据多个位置数据报告分析语义地点和相关数据 | |
US11698261B2 (en) | Method, apparatus, computer device and storage medium for determining POI alias | |
CN111212383B (zh) | 区域常住人口数量的确定方法、装置、服务器和介质 | |
CN108182253B (zh) | 用于生成信息的方法和装置 | |
CN110674208B (zh) | 用于确定用户的职住地信息的方法和装置 | |
US20190147468A1 (en) | Location evaluation | |
CN112052848B (zh) | 街区标注中样本数据的获取方法及装置 | |
CN110968654A (zh) | 文本数据的地址类目确定方法、设备以及系统 | |
US11893073B2 (en) | Method and apparatus for displaying map points of interest, and electronic device | |
CN111522838A (zh) | 地址相似度计算方法及相关装置 | |
CN108182240B (zh) | 兴趣点新增率预测模型训练及预测方法、装置及存储介质 | |
CN110012426B (zh) | 消亡poi的确定方法、装置、计算机设备和存储介质 | |
CN110737820B (zh) | 用于生成事件信息的方法和装置 | |
CN110889029B (zh) | 城市目标推荐方法和装置 | |
CN117290561B (zh) | 业务状态信息反馈方法、装置、设备和计算机可读介质 | |
CN113327628A (zh) | 音频处理方法、装置、可读介质和电子设备 | |
US20230306602A1 (en) | Information generation method and apparatus, electronic device, and computer readable medium | |
RU2658876C1 (ru) | Способ и сервер для обработки данных датчика беспроводного устройства для создания вектора объекта, связанного с физическим положением | |
CN112380443B (zh) | 导乘推荐方法、装置、计算机设备和存储介质 | |
CN112015937B (zh) | 一种图片地理定位方法及系统 | |
CN113515687B (zh) | 物流信息的获取方法和装置 | |
CN114925680A (zh) | 物流兴趣点信息生成方法、装置、设备和计算机可读介质 | |
CN111125272B (zh) | 一种区域特征获取方法、装置、计算机设备及介质 | |
CN110781283B (zh) | 连锁品牌词库生成方法、装置以及电子设备 | |
CN114329236A (zh) | 一种数据处理方法及装置 |
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 |