CN111179042B - 确定用户消费地点的方法、系统及装置 - Google Patents

Abstract

本申请实施例公开了一种确定用户消费地点的方法、系统及装置。所述方法可以包括以下步骤：获取用户的交易数据，所述交易数据至少包括交易时间，以及交易门店标识；确定所述交易门店标识是否对应两个或以上候选门店位置；若是，则：获取与所述交易时间相关的用户轨迹序列；至少基于所述交易时间以及所述用户轨迹序列，利用位置预测模型从所述两个或以上候选门店位置中确定目标门店位置；其中，所述位置预测模型为机器学习模型；将所述目标门店位置作为所述用户消费地点。

Description

确定用户消费地点的方法、系统及装置

技术领域

本申请涉及数据处理领域，特别涉及一种确定用户消费地点、以及基于用户消费地点进行商场积分的方法和系统。

背景技术

近年来随着网络技术的发展，网络支付已成为用户进行消费时的主流支付方式。而用户在进行网络支付时所处的位置（也可以称为消费地点）则成为了一种较为重要的数据资源，其可以被用于，例如，预测用户的消费偏好（偏好于网络购物还是到店消费）、根据用户的消费地点进行门店/商场积分以增加用户与门店/商场之间的黏性等。因此，在任何情况下能够准确的获取用户在进行网络支付时的所处的位置则成为了一种需求。

发明内容

本说明书实施例之一提供一种确定用户消费地点方法。所述方法包括：获取用户的交易数据，所述交易数据至少包括交易时间，以及交易门店标识；确定所述交易门店标识是否对应两个或以上候选门店位置：若是，则：获取与所述交易时间相关的用户轨迹序列；至少基于所述交易时间以及所述用户轨迹序列，利用位置预测模型从所述两个或以上候选门店位置中确定目标门店位置；其中，所述位置预测模型为机器学习模型；将所述目标门店位置作为所述用户消费地点。

本说明书实施例之一提供一种基于用户消费地点进行商场积分方法。所述方法包括：获取交易数据，所述交易数据至少包括交易时间，以及交易门店标识；确定所述交易门店标识是否对应两个或以上候选门店位置：

若是，则：获取与所述交易时间相关的用户轨迹序列；至少基于所述交易时间以及所述用户轨迹序列，利用位置预测模型从所述两个或以上候选门店位置中确定目标门店位置；其中，所述位置预测模型为机器学习模型；或者，获取与所述交易数据相关的定位信息；若否，则将所述交易门店标识对应的门店位置确定为目标门店位置；确定所述目标门店位置或者所述定位信息是否与目标商场相匹配；若匹配，对所述用户在所述目标商场的商场账户进行积分。

本说明书实施例之一提供一种位置预测方法，所述方法包括：获取预测时间，以及两个或以上候选位置；获取待预测对象的与预测时间相关的轨迹序列；至少基于所述预测时间以及所述轨迹序列，利用位置预测模型从所述两个或以上候选位置中确定目标位置；其中，所述位置预测模型为机器学习模型；将所述目标位置作为所述待预测对象在所述预测时间的位置。

本说明书实施例之一提供一种确定用户消费地点系统，所述系统包括：获取用户数据模块用于获取用户的交易数据，所述交易数据至少包括交易时间，以及交易门店标识；确定门店信息模块用于确定所述交易门店标识是否对应两个或以上候选门店位置。若是，则获取用户数据模块还用于获取与所述交易时间的用户轨迹序列。确定门店信息模块还用于至少基于所述交易时间以及所述用户轨迹序列，利用位置预测模型从所述两个或以上候选门店位置中确定目标门店位置；其中，所述位置预测模型为机器学习模型。确定消费地点模块还用于将所述目标门店位置作为所述用户消费地点。

本说明书实施例之一提供一种基于用户消费地点进行商场积分系统，所述系统包括：获取数据模块用于获取交易数据，所述交易数据至少包括交易时间，以及交易门店标识。确定信息模块用于确定所述交易门店标识是否对应两个或以上候选门店位置。

若是，则获取数据模块还用于获取与所述交易时间相关的用户轨迹序列；确定信息模块还用于至少基于所述交易时间以及所述用户轨迹序列，利用位置预测模型从所述两个或以上候选门店位置中确定目标门店位置；其中，所述位置预测模型为机器学习模型。或者，获取数据模块还用于获取与所述交易数据相关的定位信息。若否，确定信息模块还用于将所述交易门店标识对应的门店位置确定为目标门店位置。确定信息模块还用于确定所述目标门店位置或者所述定位信息是否与目标商场相匹配。若匹配，积分模块用于对所述用户在所述目标商场的商场账户进行积分。

本说明书实施例之一提供一种位置预测系统。所述系统包括：获取模块用于获取预测时间，以及两个或以上候选位置。获取模块还用于获取待预测对象的与预测时间相关的轨迹序列。确定模块用于至少基于所述预测时间以及所述轨迹序列，利用位置预测模型从所述两个或以上候选位置中确定目标位置；其中，所述位置预测模型为机器学习模型。确定位置模块用于将所述目标位置作为所述待预测对象在所述预测时间的位置。

本说明书实施例之一提供一种确定用户消费地点装置，包括处理器，所述处理器用于执行确定用户消费地点方法。

本说明书实施例之一提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行确定用户消费地点方法。

附图说明

本申请将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：

图1是根据本说明书一些实施例所示的基于用户消费地点进行商场积分系统的应用场景示意图；

图2是根据本说明书一些实施例所示的基于用户消费地点进行商场积分方法的示例性流程图；

图3是根据本说明书一些实施例所示的确定用户消费地点方法的示例性流程图；

图4是根据本说明书一些实施例所示的确定离散门店方法的示例性流程图；

图5是根据本说明书一些实施例所示的用户历史轨迹的示例图；

图6是根据本说明书一些实施例所示的模型训练的示例性流程图；

图7是根据本说明书一些实施例所示的位置预测方法的示例性流程图；

图8是根据本说明书一些实施例所示的确定用户消费地点系统的模块图；

图9是根据本说明书一些实施例所示的基于用户消费地点进行商场积分系统的模块图；以及

图10是根据本说明书一些实施例所示的位置预测系统的模块图。

具体实施方式

为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。

应当理解，本文使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。

如本申请中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。

本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

目前，网络支付已经成为人们日常生活中支付的主要途径。例如，消费者不仅可以在网络上进行消费和支付，还可以在实体店消费并通过网络支付平台完成网络支付。用户（例如，消费者）和商家可以在网络支付平台上进行注册，同时提交各自的账号用以收付款。在一些应用场景下，一个商家旗下可能有多个门店（例如，连锁品牌下的多个连锁实体店），商家可以将每个门店的标识信息，例如，门店标号（如xxx第123号门店，或xxx南京东路店）、门店位置等，提交至网络支付平台，以对每个门店进行区分。这样，用户每在商家旗下的一个门店一次线下网络支付，该商家可以获知是在哪个门店发生了交易，同时网络支付平台也可以通过交易数据确定该笔交易发生于该商家的哪个门店。如此，则可以利用交易数据便捷准确的确定用户的消费地点而无需其他信息的辅助。然而，并非每个商家都会准确的提供旗下门店的标识信息（例如，不提供，随意提供，或所有的门店的标识信息是一样的），这导致了仅根据交易数据无法确定用户的消费地点，需要借助发生交易时用户的位置信息比如定位信息来做判定。当无法获取用户的位置信息时（如网络信号不佳无法获知定位信息或者用户未开启终端的定位功能时），准确的确定用户的消费地点将变得困难从而为基于用户的消费地点进行的后续操作，例如，对用户在商场消费时对商场的无感知积分，造成阻碍。本说明书所披露的用户消费地点确定方法，利用用户的历史轨迹数据构建的判定模型，在不依赖商家门店的标识信息以及发生交易时用户的位置信息的情况下依然能够确定用户的消费地点。

图1是根据本说明书一些实施例所示的用户消费地点确定系统的应用场景示意图。如图1所示，用户消费地点确定系统100可以包括处理设备110、网络120、用户终端130、门店终端140和存储设备150。

处理设备110可以实现于网络支付平台。例如，用户通过网络支付平台进行到店消费支付时，处理设备110可以根据用户的消费数据确定用户的位置（即为消费地点）。处理设备110也可以根据用户在进行消费时所获取的定位数据（例如，卫星定位数据、Wi-Fi定位数据、基站定位数据等）确定用户的位置。在一些实施例中，用户消费地点确定110可以基于用户的消费地点进行后续操作，例如，在网络支付平台上为用户在其消费门店的会员账户上，或消费门店所处的商场的会员账户上进行积分。在一些实施例中，处理设备110可以是网络支付平台的一部分。

在一些实施例中，处理设备110可以获取用户的交易数据，并基于交易数据中所包含的交易门店标识确定该标识是否对应与两个或以上候选门店位置。若是，处理设备110可以获取与交易数据中所包含的交易时间相关的用户轨迹序列，并利用位置预测模型基于交易时间以及用户轨迹序列从候选门店位置中确定一个目标门店位置。该目标门店位置将被用户消费地点确定系统指定为用户的消费地点。在一些实施例中，处理设备110还可以根据用户的消费地点，为用户在消费门店的账户，或用户在消费门店所处的商场的商场账户进行消费积分。例如，处理设备110可以在支付完毕后对用户在消费门店的账户进行积分。处理设备110还可以判定用户的消费地点是否处于目标商场内，若是，则可以对用户在目标商场的商场账户进行积分。在一些实施例中，处理设备110可以是独立的服务器或者服务器组。该服务器组可以是集中式的或者分布式的（如：处理设备110可以是分布系统）。在一些实施例中，处理设备110可直接与用户终端130、门店终端140、存储设备150直接连接以访问存储于其中的信息和/或资料。在一些实施例中，处理设备110可在云平台上执行。例如，该云平台可包括私有云、公共云、混合云、社区云、分散式云、内部云等中的一种或其任意组合。

在一些实施例中，处理设备110可包含处理设备。该处理设备可包含一个或多个处理单元（例如，单芯处理器或多核多芯处理器）。仅仅作为范例，处理设备可包含中央处理器（CPU）、专用集成电路（ASIC）、专用指令处理器（ASIP）、图形处理器（GPU）、物理处理器（PPU）、数字信号处理器（DSP）、现场可编程门阵列（FPGA）、可编辑逻辑电路（PLD）、控制器、微控制器单元、精简指令集电脑（RISC）、微处理器等或以上任意组合。

网络120可促进数据和/或信息的交换。数据和/或信息可以包括门店终端140发送给处理设备110的一个或多个交易数据。在一些实施例中，用户消费地点确定系统100中的一个或多个组件（例如，处理设备110、用户终端130、门店终端140、以及存储设备150）可通过网络120发送数据和/或信息至应用场景100中的其他组件。在一些实施例中，网络120可是任意类型的有线或无线网络。例如，网络120有线网络、光纤网络、远程通信网络、内部网络、互联网、局域网（LAN）、广域网（WAN）、无线局域网（WLAN）、城域网（MAN）、广域网（WAN）、公共交换电话网络（PSTN）、蓝牙网络、紫蜂网络、近场通讯（NFC）网络、全球移动通讯系统（GSM）网络、码分多址（CDMA）网络、时分多址（TDMA）网络、通用分组无线服务（GPRS）网络、增强数据速率GSM演进（EDGE）网络、宽带码分多址接入（WCDMA）网络、高速下行分组接入（HSDPA）网络、长期演进（LTE）网络、用户数据报协议（UDP）网络、传输控制协议/互联网协议（TCP/IP）网络、短讯息服务（SMS）网络、无线应用协议（WAP）网络、超宽带（UWB）网络、移动通信（1G、2G、3G、4G、5G）网络、Wi-Fi、Li-Fi、窄带物联网（NB-IoT）、红外通信等中的一种或多种组合。在一些实施例中，网络120可包括一个或多个网络接入点。例如，网络120可包含有线或无线网络进出点，如基站和/或网际网络交换点120-1、120-2、…，通过这些进出点，应用场景100中的一个或多个组件可连接到网络120上以交换数据和/或信息。

用户终端130可以包括各类具有信息接收和/或发送功能的设备，可包括智能手机130-1、平板电脑130-2、笔记本电脑130-3、智能手表130-4等中的一种或任意组合。上述示例仅用于说明设备范围的广泛性而非对其范围的限制。用户终端130上可以安装有多种应用程序，例如，电脑程序、移动应用程序（手机APP）等。用户终端130的使用者可以使用安装于其上的应用程序以达到各种目的，例如，通过运行网络支付平台的应用程序，用户终端130可以进行在线支付。而用户终端130的使用者则可以被称为“用户”。用户终端130在使用过程中可以将与交易相关的数据，例如交易时间、进行在线支付时需要提供的身份数据，通过网络120传输至处理设备110。在一些实施例中，用户终端130可以具有定位功能，并可以将自身所处的定位位置发送至处理设备110。

门店终端140安装于门店内，可以是具有数据处理功能的设备的终端，可包括扫码枪140-1、扫码机140-2等机具中的一种或任意组合。门店终端140可以对用户终端130所出示的在线支付的支付数据（例如，支付码）进行处理，以通过网络支付平台达成交易。一些实施例中，门店终端140还可以是具有数据发送功能的装置，且可以与安装门店的标识信息进行绑定。在用户进行在线支付时门店终端140可以将交易相关数据（例如，用户需支付的金额等、设备编码、与设备绑定的门店信息等）通过网络120发送给处理设备110。在一些实施例中，门店终端140可以具有定位功能，并可以将自身所处的定位位置发送至处理设备110。

存储设备150可以储存数据和/或指令。数据可以包括用户的历史交易数据、用户的历史轨迹序列、用户的历史交易位置等。在一些实施例中，存储设备140可以存储从用户终端130处获得的上述数据。在一些实施例中，存储设备150可存储供处理设备110执行或使用的信息和/或指令，以执行本申请中描述的示例性方法。在一些实施例中，存储设备150可包括大容量存储器、可移动存储器、挥发性读写存储器（例如，随机存取存储器RAM）、只读存储器（ROM）等或以上任意组合。在一些实施例中，存储设备150可在云平台上实现。例如，该云平台可包括私有云、公共云、混合云、社区云、分散式云、内部云等或以上任意组合。

在一些实施例中，存储设备150可与网络120连接以与应用场景100中的一个或多个组件（例如，处理设备110、用户终端130、门店终端140等）通讯。应用场景100中的一个或多个组件可通过网络120访问存储于存储设备150中的资料或指令。在一些实施例中，存储设备150可直接与数据采集系统100中的一个或多个组件（例如，处理设备110、用户终端130、门店终端140等）连接或通讯。在一些实施例中，存储设备150可以是处理设备110的一部分。

图2是根据本说明书一些实施例所示的基于用户消费地点进行商场积分方法的示例性流程图。在一些实施例中，流程200可以由处理设备110执行。例如，流程200可以以程序或指令的形式存储在存储装置（如处理设备的自带存储单元或外接存储设备）中，所述程序或指令在被执行时，可以实现流程200。在一些实施例中，流程200可以由位于处理设备上的用户消费积分系统900（如图9所示）执行，所述处理设备可以是网络支付平台的一部分。如图2所示，流程200可以包括以下操作。

步骤202，获取交易数据。步骤202可以由第二获取模块910执行。

在一些实施例中，所述交易数据可以是指线下网络支付（用户在线下实体店消费并在网上支付消费金额的简称）达成后所产生的与支付双方和/或交易物品相关的信息，例如，交易双方的账号、交易金额等等。所述交易数据还可以包括交易时间，以及交易门店标识等信息。所述交易时间可以是指交易完成时间，所述交易门店标识可以是指用于指示交易发生的门店的数据。作为示例，用户在商家A旗下的门店1中进行了消费，付款时用户可通过用户终端130向收款方（比如，门店1）出示付款码（该付款码可以由安装于用户终端130之上的用以实现网络支付功能的应用程序生成），收款方通过安装于店内且与门店绑定的收款设备（例如，门店终端140，包括的扫码枪140-1或扫码机140-2）扫描付款码后，双方（用户终端130以及门店终端140）将交易的相关信息（例如，交易双方收付款账户、交易金额、门店的标识信息比如门店1等）发送至网络支付平台。网络支付平台基于接收到的信息完成用户的网络支付操作。则在以上示例中，消费支付完成的时刻可以被称为所述交易时间。

同时结合本说明书之前的描述，门店的标识信息可以由商家在网络支付平台上进行注册时上传的，该标识信息可以用于区分商家旗下的多个门店。例如，某一商家是一个连锁品牌，旗下有多个实体门店，则门店的标识信息可以用于区分这些门店。比如，门店的标识信息可以指示该门店是第几家门店、其所在的位置等基于此，在以上示例中，所述交易门店标识可以是指门店1，其指示了门店1所处的位置，例如门店1处于某一大型商圈中。在本说明书中，可以使用门店ID来指代所述交易门店标识，门店ID以及交易门店标识在本说明书中可互换使用。当用户在某一门店完成线下网络支付时，该门店对应的门店终端140可以上传门店的标识信息。

在一些实施例中，当发生在线支付时，所述交易数据产生于网络支付平台中，例如，用户终端130和门店终端140分别将交易双方的识别信息、以及交易相关信息（比如交易金额、交易门店标识）发送至网络支付平台，网络支付平台基于收到的数据记录该次消费支付。第二获取模块910可以与网络支付平台进行通信以获取所述交易数据。当用户消费积分系统900是网络支付平台的一部分时，第二获取模块910可以直接获取所述交易数据。

步骤204，确定所述交易门店标识是否对应两个或以上候选门店位置。步骤204可以由第三处理模块920执行。

在一些实施例中，所述候选门店位置可以是指所述交易门店标识对应的门店的位置。可以理解，商家旗下的门店的位置是固定的，但门店的标识信息是由商家自行上传的。若某个商家旗下有多个门店，那么如果该商家准确的上传门店的标识信息，则在网络支付平台中一个门店ID将对应于一个门店，这种情况下所述交易门店标识将对应一个候选门店位置。如果该商家随意上传门店的标识信息（例如，5个门店对应2个门店ID），不上传门店的标识信息（例如，所有门店将被自动赋予同一门店ID），或出于管理的目的将所有门店的门店ID设置为同一个，这样将会出现一个门店ID对应于两个甚至多个门店的情况。这种情况下所述交易门店标识将对应两个或以上候选门店位置。在一些实施例中，交易门店标识与候选门店位置的对应关系可以是预先存储的。在一些实施例中，处理设备（例如，用户消费积分系统900的第四处理模块950）可以确定交易门店标识对应的不同用户的历史交易数据，并对这些历史交易数据中包含的定位信息（例如，交易完成时由用户终端130和/或门店终端140上传的卫星定位数据）进行聚类以确定聚类结果所对应的位置。该位置可以被认为是交易门店标识所对应的候选门店位置。关于确定交易门店标识对应的候选门店位置的描述，可以参考本说明书图4部分，在此不再赘述。

在一些实施例中，若所述交易门店标识对应两个或以上候选门店位置，则流程200可以行进至步骤206或步骤212。否则，流程200将行进至210。

步骤206，获取与所述交易时间相关的用户轨迹序列。步骤206可由第三处理模块920执行。

在一些实施例中，所述用户轨迹序列可以是指用于反映一段时间内用户的位置变化的多个有序的时间-位置数据对。例如，用户在一天之中的五个时刻（例如，t1至t5）所在的位置依次为住宅、a商场、b商场、医院、住宅，则关于该用户这一天的轨迹序列可以表示为[t1-住宅；t2-a商场；t3-b商场；t4-医院；t5-住宅]。用户的位置可以根据用户携带的用户终端130所上传的定位信息确定，例如，通过卫星定位、WI-FI定位、基站定位等技术手段确定。在一些实施例中，用户的位置可以由经纬度表示，也可以由该位置所在区域的区域标识表示。例如，用户所处的城市可以预先被划分为多个地块（任意划分，或按照预定规则比如沿道路划线进行划分），每个地块都被赋予一个ID。当用户的位置处于某一地块内，可以用该地块对应的ID来表示用户的位置。

参考图5，图5是根据本说明书一些实施例所示的用户轨迹序列的示例性示意图。如图5所述，所述用户轨迹序列被表示为表格，显示了用户在一天之内的每个整点所处的位置。该位置使用用户所处的地块的ID显示，如图中所示的a、b、c等。“空”则表示对应时刻无法获取用户的位置。

在一些实施例中，所述与所述交易时间相关的用户轨迹序列可以是指在所述交易时间之前的预设时间段（例如，一个季度、一个月、一个星期、一天等）内的用户轨迹序列。例如，某一用户在时间T进行了线下网络支付，则所述与所述交易时间相关的用户轨迹序列可以是该用户在时间T之前的一个月内的用户轨迹序列。在一些实施例中，所述用户轨迹序列可以是预先存储在存储装置（例如，处理设备的自带存储单元或外接存储设备比如存储设备150）中，并可以实时更新的。第三处理模块920可以与存储装置进行通信后，获取所述与所述交易时间相关的用户轨迹序列。

步骤208，至少基于所述交易时间以及所述用户轨迹序列，利用位置预测模型从所述两个或以上候选门店位置中确定目标门店位置。步骤208可由第三处理模块920执行。

在一些实施例中，所述目标门店位置可以是指在两个或以上候选门店位置中的达成线下网络支付的门店位置。可以理解的是，步骤204中确定的交易门店标识对应的候选门店位置，可以被分别认为是多个门店的具体门店位置（除去某一门店从未发生过线下网络交易这一情况）。因此，步骤208的目的则确定线下网络支付到底是发生在哪个门店，该门店的具体门店位置则是所述目标门店位置。

在一些实施例中，第三处理模块920可以将所述交易时间、所述用户轨迹序列、以及所述两个或多个候选门店位置中的一个输入至位置预测模型，判断所述交易是否发生在该候选门店中，依此，利用所述位置预测模型依次处理所述交易时间、所述用户轨迹序列、以及所述两个或多个候选门店位置中的每一个的组合，从所述两个或以上候选门店位置中确定目标门店位置。例如，所述位置预测模型可以对每个候选门店位置进行打分，或是对每个候选门店位置进行正负判定（例如，确定为1或者0）。基于分数高低确定所述目标门店位置，或将结果为1的候选门店位置确定为目标门店位置。在一些实施例中，所述位置预测模型可以是机器学习模型，包括但不限于线性模型、支持向量机、决策树、人工神经网络等。关于获取所述位置预测模型的描述可以参考本说明书图6部分，在此不再赘述。

在一些实施例中，在步骤204之后，流程200还可以行进至步骤212。可以理解，步骤206所在的分支与步骤212所在的分支可以是择一选择的。在一些实施例中，还可以先执行步骤212，当无法获取定位信息时，再执行步骤206。在步骤212中，第三处理模块920可以获取与所述交易数据相关的定位信息。所述定位信息可以包括达成线下网络支付双方的定位位置。例如，用户终端130的定位位置、门店终端140的定位位置。以上定位位置可以通过定位技术比如卫星定位技术、Wi-Fi定位技术、基站定位技术、蓝牙定位技术等获取。用户终端130/门店终端140在获取到自身的定位位置后可以通过网络传输至第三处理模块920。

步骤210，将所述交易门店标识对应的候选门店位置确定为目标门店位置。步骤210可由第三处理模块920执行。

在一些实施例中，当所述交易门店标识只对应一个候选门店位置，第二确定模块930可以直接将该交易门店标识对应的候选门店位置确定为所述目标门店位置。

步骤214，确定所述目标门店位置或者所述定位信息是否与目标商场相匹配。步骤214可由第二确定模块930执行。

可以知道的是，一个商场一般会有多个商家入驻。对于具有多个门店的商家，可以将其旗下的某一门店布设在商场中。用户（也可以成为消费者）可以在商场中的门店里进行消费，比如利用线下网络支付进行消费。用户也可以申请该商场的商场账户例如申请商场电子会员，并将商场账户与用户的网络支付账户绑定，或者商场与网络支付平台有合作将自动为用户创建商场账户。当用户在商场中的任一门店里使用网络支付成功消费后，可以为用户的商场账户进行积分。积分可以进行物品兑换，比如实物或是消费折扣。则，所述目标商场可以是指以上描述中商场。

从以上描述可知，实现对用户的商场账户进行积分的关键是判定所述目标门店位置或者所述定位信息中指示的定位位置是否处于所述目标商场范围内。因此，本说明书中与目标商场相匹配可以是指所述目标门店位置或者所述定位信息中指示的定位位置位于目标商场内部。例如，入驻目标商场并接受目标商场的日常管理的商户的门店。第二确定模块930可以预先构建目标商场的电子围栏，其后通过比较目标门店位置或者所述定位信息中指示的定位位置是否位于电子围栏内以判定以上位置是否与目标商场相匹配。若是，流程200将进行至步骤216。否则，第二确定模块930可以判定发生线下网络支付的门店不属于目标商场，无需进行积分。

步骤216，对所述用户在所述目标商场的商场账户进行积分。步骤216可以由积分模块940执行。

在一些实施例中，当所述目标门店位置或者所述定位信息与目标商场相匹配时，积分模块940可以对用户在所述目标商场的商场账户进行积分。积分过程是自动进行，若用户的网络支付账号已与目标商场的商场账户绑定，只要用户在目标商场内的门店进行了消费，无需任何其他操作就可以进行积分，方便快捷。

应当注意的是，上述有关流程200的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程200进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。例如，在各步骤之间添加其他步骤，比如，预处理步骤和存储步骤等。

较为一般的，本说明书还提供了一种确定用户消费地点的方法，如图3所示。在一些实施例中，流程300可以由处理设备110执行。例如，流程300可以以程序或指令的形式存储在存储装置（如处理设备的自带存储单元或外接存储设备）中，所述程序或指令在被执行时，可以实现流程300。在一些实施例中，流程300可以由位于处理设备上的用户消费地点确定系统800（如图8所示）执行，所述处理设备可以是网络支付平台的一部分。如图3所示，流程300可以包括以下操作。

步骤302，获取用户的交易数据。步骤302可由第一获取模块810执行。

在一些实施例中，用户可以是指在进行线下网络支付进行消费的消费者，例如，在商场某家服装店利用线下网络支付购买衣物的消费者。所述交易数据可以是指线下网络支付达成后所产生的与支付双方和/或交易物品相关的信息，例如，交易双方的账号、交易金额等等。所述交易数据可以至少包括交易时间，以及交易门店标识。步骤302的与流程200中步骤202相同或类似，详细说明可以参照步骤202的相关部分，在此不再赘述。

步骤304，确定所述交易门店标识是否对应两个或以上候选门店位置。步骤304可由第一处理模块820执行。

关于候选门店位置的详细说明可以参照流程200中步骤204的相关部分。

在一些实施例中，关于一个交易门店标识对应几个候选门店位置的信息可以是预先存储的。第一处理模块820可以与存储以上资料的存储装置通信，以确定所述交易门店标识是否对应两个或以上的候选门店位置。另，关于确定交易门店标识对应的候选门店位置的描述，可以参考本说明书图4部分，在此不再赘述。

在一些实施例中，若所述交易门店标识对应两个或以上候选门店位置，则流程300可以行进至步骤306。否则，流程300可结束，所述交易门店标识对应的唯一一个候选门店位置将被确定为用户消费地点。

步骤306，获取与所述交易时间相关的用户轨迹序列。步骤306可以由第一处理模块820执行。

关于用户轨迹序列的详细描述可以参照流程200中步骤206的相关描述。

在一些实施例中，用户轨迹序列可以是预先存储在存储装置（例如，处理设备的自带存储单元或外接存储设备比如存储设备150）中的。为了确定所述用户轨迹序列，处理设备（如用户消费地点确定系统800）可以首先获取所述交易时间之前的预设时间段内的多个历史时刻下用户的位置标识。所述预设时间段可以是一天、一星期、一个月、一个季度等。所述多个历史时刻可以随意选定，或根据规则确定比如整点时刻。所述用户的位置标识可以是用于指示所述历史时刻下用户具体位置的数据，其可以是经纬度，也可以是用户在历史时刻下所处的区域的标识。例如，用户所处的城市可以预先被划分为多个地块（任意划分，或按照预定规则比如沿道路划线进行划分），每个地块都被赋予一个ID。当用户的位置处于某一地块内，可以用该地块对应的ID来表示用户的具体位置。可以知道的是，用户的具体位置，其可以由用户终端130上传。

在一些实施例中，处理设备（如用户消费地点确定系统800）可以基于以上获取的数据，确定与所述交易时间相关的用户轨迹序列。与交易时间相关的用户轨迹序列可以理解为表示在所述交易时间前的预设时间段内用户位置信息的有序数据。例如，假定预设时间段内的历史时刻有10个，则与交易时间相关的用户轨迹序列可以以数组形式，如[t1，i1，t2，i2，…，t9，i9，t10，i10]表示。其中，t1至t10表示历史时刻，i1至i10表示历史时刻对应的用户位置标识。可以理解，与交易时间相关的用户轨迹序列也可以仅由用户位置标识表示，比如[i1，i2，i3，…，i9，i10]。

在一些实施例中，处理设备（如用户消费地点确定系统800）可以持续从用户终端130处获取用户的位置信息。例如，用户在用户终端130上安装支持网络支付的应用程序后，授权该程序向处理设备（如用户消费地点确定系统800）发送定位位置后，处理设备（如用户消费地点确定系统800）可以从该程序安装之日起便开始收集用户的位置信息并存储。当需要确定与所述交易时间相关的用户轨迹序列时，处理设备（如用户消费地点确定系统800）可以从收集到的用户的位置信息中截取相关数据并确定。

步骤308，至少基于所述交易时间以及所述用户轨迹序列，利用位置预测模型从所述两个或以上候选门店位置中确定目标门店位置。步骤308可以由第一处理模块820执行。

关于目标门店位置的详细描述可以参照流程200中步骤208的相关描述。

在一些实施例中，第一处理模块820可以将所述交易时间、所述用户轨迹序列、以及所述两个或多个候选门店位置输入至位置预测模型，利用所述位置预测模型从所述两个或以上候选门店位置中确定目标门店位置。例如，所述位置预测模型可以对每个候选门店位置进行打分，或是对每个候选门店位置进行正负判定（例如，确定为1或者0）。基于分数高低确定所述目标门店位置，或将结果为1的候选门店位置确定为目标门店位置。在一些实施例中，所述位置预测模型可以是机器学习模型，包括但不限于线性模型、支持向量机、决策树、人工神经网络等。关于获取所述位置预测模型的描述可以参考本说明书图6部分，在此不再赘述。

步骤310，将所述目标门店位置作为所述用户消费地点。步骤310可以由第一确定模块830执行。

在一些实施例中，第一确定模块830可以直接将所述目标门店位置作为所述用户消费地点。

应当注意的是，上述有关流程300的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程300进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。例如，在各步骤之间添加其他步骤，比如，预处理步骤和存储步骤等。

图4是根据本说明书一些实施例所示的确定与交易门店标识对应的候选门店位置的示例性流程图。在一些实施例中，流程400可以由处理设备110执行。例如，流程400可以以程序或指令的形式存储在存储装置（如处理设备的自带存储单元或外接存储设备）中，所述程序或指令在被执行时，可以实现流程400。在一些实施例中，流程400可以由位于处理设备上的用户消费积分系统900（例如，第四处理模块950，如图9所示）或用户消费地点确定系统800（例如，第二处理模块840，如图8所示）执行，所述处理设备可以是网络支付平台的一部分。如图4所示，流程400可以包括以下操作。

步骤402，获取不同用户的历史交易数据。

在一些实施例中，所述历史交易数据可以是指已发生的线下网络支付对应的交易数据，其与步骤202中的用户的交易数据类似或相同。用户的交易数据被存储至存储装置（如处理设备的自带存储单元或外接存储设备比如存储设备150）后，其可以被称为历史交易数据。因此，所述历史交易数据也可以包括交易门店标识。

步骤404，获取与历史交易数据相关的定位信息。

在一些实施例中，所述与历史交易数据相关的定位信息可以是指发生线下网络支付时用户的定位信息。该定位信息可以是由用户终端130和/或门店终端140发送至处理设备（用户消费积分系统900或用户消费地点确定系统800），随后可以被与对应的历史交易数据一起配对后存储。可以理解，在某一次线下网络支付时，系统100可能无法获取相关的定位信息，但是从更长远的历史时期来看，总有大量的线下网络支付可以获知交易的相关定位，因此从大量历史交易数据中获取其相关的定位信息是完全可能的。

步骤406，对历史交易数据中的任一个交易门店标识，确定具有该交易门店标识的历史交易数据。

可以理解，每一份对历史交易数据中都包含有一个交易门店标识，多份历史交易数据中所包含的交易门店标识可以有重复。因此，基于交易门店标识可以反选包含该交易门店标识的历史交易数据。而通过，例如，简单分类，可以达到以上目的。

步骤408，对具有该交易门店标识的历史交易数据相关的定位信息进行聚类。

在一些实施例中，处理设备（用户消费积分系统800或用户消费地点900）可以使用聚类算法，例如，K-MEANS算法、K-MEDOIDS算法、CLARANS算法、BIRCH算法、CURE算法、CHAMELEON算法、DBSCAN算法、OPTICS算法、DENCLUE算法、STING算法、CLIQUE算法、WAVE-CLUSTER算法等，对具有该交易门店标识的历史交易数据相关的定位信息进行聚类。例如，具有某一交易门店标识的30份历史交易数据的定位信息可以被聚类分组为3个，比如L1聚类、L2聚类以及L3聚类。

步骤410，当聚类结果包括两个或以上类时，确定该交易门店标识对应两个或以上候选门店位置，并基于所述两个或以上类确定所述两个或以上候选门店位置。

在一些实施例中，当聚类结果包括两个或以上类时，处理设备（用户消费积分系统900或用户消费地点确定系统800）可以确定该交易门店标识对应两个或以上候选门店位置。例如，步骤408中的示例得到的聚类为三类，则可以确定该交易门店标识对应三个候选门店位置。候选门店位置的位置数据可以基于每个聚类中的定位信息确定。例如，当聚类中的定位信息以经纬度表示时，可以选取多个经纬度的中值用以表示候选门店位置的位置数据。又例如，当聚类中的定位信息以地址表示时，可以选取多个地址中重复次数最多的用以表示候选门店位置的位置数据。

步骤412，存储该交易门店标识与其对应的两个或以上候选门店位置。

在一些实施例中，交易门店标识与其对应的两个或两个以上候选门店位置可以被存储于处理设备（用户消费积分系统900或用户消费地点确定系统800）自带的存储装置或外接存储装置例如存储设备150中。在一些实施例中，若交易门店标识只对应一个候选门店位置，该交易门店标识与其对应的唯一一个候选门店位置也可以被存储。

应当注意的是，上述有关流程400的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程400进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。例如，在各步骤之间添加其他步骤，比如，预处理步骤和存储步骤等。

图6是根据本说明书一些实施例所示的模型训练的示例性流程图。在一些实施例中，流程600可以由处理设备执行。例如，流程600可以以程序或指令的形式存储在存储装置（如处理设备的自带存储单元或外接存储设备）中，所述程序或指令在被执行时，可以实现流程600。在一些实施例中，流程600可以由位于处理设备上的训练模块850（如图8所示）执行，所述处理设备可以是网络支付平台的一部分。如图6所示，流程600可以包括以下操作。

步骤602，获取多个用户在多个门店进行的消费时的历史交易数据。

在一些实施例中，用户在门店进行消费时的历史交易数据可以是指用户在门店使用线下网络支付进行消费时产生的交易数据，该交易数据与步骤202中的用户的交易数据类似或相同。所述历史交易数据可以至少包括历史交易时间、以及历史实际交易位置。所述历史交易时间可以是指线下网络支付完成时的具体时刻。所述历史实际交易位置可以是指线下网络支付完成时用户的实际位置（如交易所在门店的实际位置或地址描述）。用户到店消费时，用户的位置可以是与门店的位置重合，则历史实际交易位置可以是消费时由用户终端130或门店终端140上传至处理设备。

在一些实施例中，历史交易数据可以是存储在存储装置（例如，处理设备的自带存储单元或外接存储设备比如存储设备150中），可以直接/间接的与存储装置进行通信以获取所述历史交易数据。

步骤604，对于每一份历史交易数据，确定与其历史交易时间相关的用户历史轨迹序列，以及与其历史实际交易位置相关的其他门店位置。

在一些实施例中，所述与历史交易时间相关的用户历史轨迹序列与流程200中步骤206或流程300中步骤306提及的与交易时间相关的用户轨迹序列相同或类似，其可以是历史交易时间之前的一个预设时间段内的反映一段时间内用户的位置的数据。可以参照步骤206或步骤306中的描述。与历史实际交易位置相关的其他门店位置，可以是与该历史实际交易位置对应的历史交易数据中的交易门店标识（门店ID）相同的其他门店的位置。例如，某一商户旗下有3家门店ID相同的门店A、B、C，一份历史交易数据发生在门店B的位置，则门店B为历史实际交易位置；门店A、C则为其他门店位置。在一些实施例中，也可以将历史实际交易位置附近（如在同一地块内）的其他任一门店位置确定为所述与历史实际交易位置相关的其他门店位置。

继续参考上述示例，假定一份历史交易数据显示线下网络支付发生在该商家的门店B的位置，发生该交易的时间为9月3日16:05。则处理设备（用户消费积分确定系统800或用户消费地点900）可以获取与历史交易时间t（9月3日16:05）相关的用户历史轨迹序列（例如，9月3日16:05分之前的一个月内的用户轨迹序列），同时确定历史实际交易位置为门店B的位置，与历史实际交易位置相关的其他门店位置为门店A以及门店C的位置。

步骤606，对于每一份历史交易数据：将历史交易时间、与该历史交易时间相关的用户历史轨迹序列以及历史实际交易位置作为正样本，将历史交易时间、与该历史交易时间相关的用户历史轨迹序列以及任一所述其他门店位置作为负样本。

在一些实施例中，处理设备（用户消费积分确定系统800或用户消费地点900）可以将历史交易时间、与该历史交易时间相关的用户历史轨迹序列以及历史实际交易位置作为样本的样本特征，并将样本的标签设置为正（例如，1）。而将历史交易时间、与该历史交易时间相关的用户历史轨迹序列以及任一其他门店位置进行组合作为另一样本的样本特征，但将该样本的标签设置为负（例如，0）。对于每一份历史交易数据，所构造的正样本的数量为一个，而负样本的数量根据其他门店位置的数量确定。

在一些实施例中，可以通过word2vec词袋模型等嵌入算法对正、负样本中的用户轨迹序列进行表征学习处理，以得到这些序列对应的向量表示，将这些序列对应的向量表示作为样本特征的一部分。这样处理一方面可以适应模型输入的格式要求，另一方面可以对轨迹序列中的位置信息进行表征学习，以获取位置信息的深度表达。

步骤608，使用各正样本与负样本训练初始机器学习模型以获取所述位置预测模型。

在一些实施例中，所述初始机器学习模型可以为训练前的神经网络模型，例如，AlexNet、VGG Net、GoogleNet、ResNet、ResNeXt、CNN、R-CNN、FCN、RNN、YOLO、SqueezeNet、SegNet、GAN等。处理设备（用户消费积分确定系统800或用户消费地点900）可以利用步骤606中所获得的正负样本对所述初始机器学习模型进行训练以获取所述位置预测模型。

在一些实施例中，所述初始机器学习模型的构建可以是根据用户的行为特征（或用户轨迹序列）进行的。例如，用户历史轨迹序列可以反映了用户的出行规律。以CNN为例，可以根据用户的行为特征选择卷积核的大小以及卷积层的层数。例如，用户的行为习惯通常以2小时、8小时、24小时（一天）、168小时（一周）或更大的时间周期为循环期，则构建CNN时可以基于用户行为特征反映出的不同循环周期选择2*2、8*8、24*24、168*168等不同大小的卷积核，进而构建至少包括4层不同卷积核的卷积层的机器学习模型，使得模型能够在一个大的时间周期里面去学习不同小的时间周期中的用户行为特征，这样训练得到的模型效果更好。

应当注意的是，上述有关流程600的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程600进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。例如，在各步骤之间添加其他步骤，比如，预处理步骤和存储步骤等。

更为一般的，本说明书一些实施例提供了一种位置预测方法的示例性流程图，如图7所示。在一些实施例中，流程700可以由处理设备执行。例如，流程700可以以程序或指令的形式存储在存储装置（如处理设备的自带存储单元或外接存储设备）中，所述程序或指令在被执行时，可以实现流程700。在一些实施例中，流程700可以由位于处理设备上的目标位置确定系统1000（如图10所示）执行。如图7所示，流程700可以包括以下操作。

步骤702，获取预测时间，以及两个或以上候选位置。步骤702可以由第三获取模块1010执行。

在一些实施例中，所述预测时间可以是指目标位置确定系统1000进行目标位置预测的时刻。例如，目标位置确定系统1000是持续运行的，任意时刻都可以实现流程700。则任意的一个时刻都可以被认为是预测时间。又例如，目标位置确定系统1000是定时运行的比如每隔1小时运行5分钟，在运行期间可以实现流程700。则在运行期间的任意时刻可以被认为是预测时间。在一些实施例中，预测时间可以是目标事件发生的时间。例如，目标位置确定系统1000可用于在无法获取定位信息的情况下确定可移动目标，例如，车辆、人等，在目标事件发生时的位置。仅作为示例，目标事件可以是某一次交通事故或者某一次线下网络支付交易。

在一些实施例中，所述候选位置可以是指目标位置确定系统1000所要进行位置预测的目标的可能在的位置。例如，目标位置确定系统1000需要确定某一用户进行在门店内进行线下网络支付消费时所处的位置，所述候选位置可以是指该门店所在的可能位置。比如该门店为连锁品牌旗下的一个门店，而目标位置确定系统1000所获取的交易数据无法清晰指显示该门店的标识信息（比如，门店标号、门店位置等），则该连锁品牌旗下的所有门店的位置都可以被认为是所述候选位置。又例如，候选位置可以是待预测对象曾经到达过的多个位置，所述候选位置可以基于该对象的历史定位数据获取。

步骤704，获取待预测对象的与预测时间相关的轨迹序列。步骤704可以由第三获取模块1010执行。

在一些实施例中，所述待预测对象可以是指目标位置确定系统1000需要进行位置预测的对象，例如，步骤702中的示例中所提到的车辆、用户等。所述与预测时间相关的轨迹序列可以是指在预测时间之前的一个时间段内指示所述待预测对象的位置变化的数据，可以包括该时间段内的多个时刻以及在多个时刻下待预测对象的位置信息。该位置信息可以由与待预测对象相关的具有位置获取功能的设备提供。例如，假定待预测对象是车辆，则该位置信息可以由车载定位系统提供。假定待预测对象的用户（或消费者），则该位置信息可以是由用户持有的具有位置获取功能的终端比如智能手机提供。所述位置信息可以由经纬度表示，也可以由位置信息指示的具体地点所处的区域的区域标识表示。例如，待预测对象所处的城市可被划分为多个地块（任意划分，或按照预定规则比如沿道路划线进行划分），每个地块都被赋予一个ID。当位置信息指示的具体地点处于某一地块内，可以用该地块对应的ID来表示位置信息。在一些实施例中，所述轨迹序列可以使用类似于有序数据对的形式表示，例如，所述轨迹序列可以表示为[t1-c1；t2-c2；t3-c3；t4-c4；t5-c5]。其中，t1至t5表示预测时间之前的一个时间段内的多个时刻，c1至c5表示每个时刻对应的待预测对象的位置信息。

在一些实施例中，与待预测对象相关的具有位置获取功能的设备可以实时地，或规律性地比如整点获取待预测对象的位置信息并传输至目标位置确定系统1000。目标位置确定系统1000可以在获取位置信息后结合其对应的时刻组成数据对以预先进行存储。当需要使用时，第三获取模块1010可以与进行数据存储的设备通信以获取所述轨迹序列。

步骤706，至少基于所述预测时间以及所述轨迹序列，利用位置预测模型从所述两个或以上候选位置中确定目标位置。步骤706可以由第五处理模块1020执行。

在一些实施例中，所述位置预测模型可以是训练好的神经网络模型，包括但不限于AlexNet、VGG Net、GoogleNet、ResNet、ResNeXt、CNN、R-CNN、FCN、RNN、YOLO、SqueezeNet、SegNet、GAN等。在构建所述位置预测模型时，可以根据待预测对象的行为特征进行。例如，假定待预测对象是人（比如消费者），其轨迹数据可以反映了消费者的出行规律。以CNN为例，可以根据消费者的行为特征选择卷积核的大小以及卷积层的层数。例如，消费者的行为习惯通常以2小时、8小时、24小时（一天）、168小时（一周）或更大的时间周期为循环期，则构建CNN时可以选择2*2、8*8、24*24、168*168的卷积核，相当于在一个大的时间周期里面去观察一些小的时间周期，这样训练得到的模型效果更好。

在一些实施例中，第三确定模块1020可以将预测时间、轨迹序列、以及两个或以上候选位置输入至所述位置预测模型，以输出对候选位置的预测结果。例如，所述预测结果可以对每个候选位置的打分，或是对每个候选位置的正负判定（例如，确定为1或者0）。第三确定模块1020可以基于预测结果确定目标位置。例如，对应最高分数的候选位置将被确定为所述目标位置，或将结果为1的候选位置确定为目标位置。

步骤708，将所述目标位置作为所述待预测对象在所述预测时间的位置。步骤708可以由第三确定模块1030执行。

在一些实施例中，第三确定模块1020在确定目标位置后，可以直接将目标位置作为待预测对象在预测时间的位置。

应当注意的是，上述有关流程700的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程700进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。例如，添加检验流程、修改流程等。

图8是根据本说明书一些实施例所示的用户消费地点确定系统的示例性模块图。如图8所示，该用户消费地点确定系统800可以包括第一获取模块810、第一处理模块820、第一确定模块830、第二处理模块840、以及训练模块850。

第一获取模块810可以用于获取用户的交易数据。用户可以是指在进行线下网络支付进行消费的消费者，例如，在商场某家服装店利用线下网络支付购买衣物的消费者。所述交易数据可以是指线下网络支付达成后所产生的与支付双方和/或交易物品相关的信息，例如，交易双方的账号、交易金额等等。所述交易数据可以至少包括交易时间，以及交易门店标识。

第一处理模块820可以用于确定所述交易门店标识是否对应两个或以上候选门店位置。关于一个交易门店标识对应几个候选门店位置的信息可以是预先存储的。第一处理模块820可以与存储以上资料的存储装置通信，以确定所述交易门店标识是否对应两个或以上的候选门店位置。

在一些实施例中，若所述交易门店对应于两个或以上候选门店位置，第一处理模块820可以用于获取与所述交易时间相关的用户轨迹序列，并至少基于所述交易时间以及所述用户轨迹序列，利用位置预测模型从所述两个或以上候选门店位置中确定目标门店位置。其中，所述位置预测模型为机器学习模型。

第一确定模块830可以将所述目标门店位置作为所述用户消费地点。在确定目标门店位置后，第一确定模块830可以直接将所述目标门店位置。

第二处理模块840可以用于确定与交易门店标识对应的候选门店位置。在一些实施例中，第二处理模块840可以获取不同用户的历史交易数据，所述历史交易数据可以至少包括交易门店标识。其后，第二处理模块840可以获取与历史交易数据相关的定位信息。对历史交易数据中的任一个交易门店标识，第二处理模块840可以确定具有该交易门店标识的历史交易数据，并对具有该交易门店标识的历史交易数据相关的定位信息进行聚类。当聚类结果包括两个或以上类时，第二处理模块840可以确定该交易门店标识对应两个或以上候选门店位置，并基于所述两个或以上类确定所述两个或以上候选门店位置。随后，第二处理模块840可以存储该交易门店标识与其对应的两个或以上候选门店位置。

训练模块850可以用于训练位置确定模型。在一些实施例中，训练模块850可以获取多个用户在多个门店进行的消费时的历史交易数据。对于每一份历史交易数据，训练模块850可以确定与其历史交易时间相关的用户历史轨迹序列，以及与其历史实际交易位置相关的其他门店位置。对于每一份历史交易数据，训练模块850可以将历史交易时间、与该历史交易时间相关的用户历史轨迹序列以及历史实际交易位置作为正样本，将历史交易时间、与该历史交易时间相关的用户历史轨迹序列以及任一所述其他门店位置作为负样本，并使用各正样本与负样本训练初始机器学习模型以获取所述位置预测模型。

图9是根据本说明书一些实施例所示的用户消费积分系统的模块图。如图9所示，用户消费积分系统900可以包括第二获取模块910、第三处理模块920、第二确定模块930、积分模块940以及第四处理模块950。

第二获取模块910可以用于获取交易数据。所述交易数据可以是指线下网络支付（用户在线下实体店消费并在网上支付消费金额的简称）达成后所产生的与支付双方和/或交易物品相关的信息，可以至少包括交易时间，以及交易门店标识。

第三处理模块920可以用于确定所述交易门店标识是否对应两个或以上候选门店位置。

若是，第三处理模块920可以用于获取与所述交易时间的用户轨迹序列，并至少基于所述交易时间以及所述用户轨迹序列，利用位置预测模型从所述两个或以上候选门店位置中确定目标门店位置。其中，所述位置预测模型为机器学习模型。

第二确定模块930确定所述目标门店位置或者所述定位信息是否与目标商场相匹配。第二确定模块930可以预先构建目标商场的电子围栏，其后通过比较目标门店位置或者所述定位信息中指示的定位位置是否位于电子围栏内以判定以上位置是否与目标商场相匹配。

积分模块940可以用于对所述用户在所述目标商场的商场账户进行积分。当所述目标门店位置或者所述定位信息与目标商场相匹配时，积分模块940可以对用户在所述目标商场的商场账户进行积分。

第四处理模块950可以用于确定与交易门店标识对应的候选门店位置。在一些实施例中，第四处理模块950可以获取不同用户的历史交易数据，所述历史交易数据可以至少包括交易门店标识。其后，第四处理模块950可以获取与历史交易数据相关的定位信息。对历史交易数据中的任一个交易门店标识，第四处理模块950可以确定具有该交易门店标识的历史交易数据，并对具有该交易门店标识的历史交易数据相关的定位信息进行聚类。当聚类结果包括两个或以上类时，第四处理模块950可以确定该交易门店标识对应两个或以上候选门店位置，并基于所述两个或以上类确定所述两个或以上候选门店位置。随后，第四处理模块950可以存储该交易门店标识与其对应的两个或以上候选门店位置。

图10是根据本说明书一些实施例所示的位置预测系统的模块图。如图10所示，该位置预测系统1000可以包括第三获取模块1010、第五确定模块1020、以及第三确定模块1030。

第三获取模块1010可以用于获取预测时间，以及两个或以上候选位置。所述预测时间可以是指目标位置确定系统1000进行目标位置预测的时刻。所述候选位置可以是指目标位置确定系统1000所要进行位置预测的目标的可能在的位置。

在一些实施例中，第三获取模块1010还可以用于获取待预测对象的与预测时间相关的轨迹序列。所述待预测对象可以是指目标位置确定系统1000需要进行位置预测的对象，所述与预测时间相关的轨迹序列可以是指在预测时间之前的一个时间段内指示所述待预测对象的位置变化的数据，可以包括该时间段内的多个时刻以及在多个时刻下待预测对象的位置信息。

第五处理模块1020可以用于至少基于所述预测时间以及所述轨迹序列，利用位置预测模型从所述两个或以上候选位置中确定目标位置。其中，所述位置预测模型为机器学习模型。

第三确定位置1030可以用于将所述目标位置作为所述待预测对象在所述预测时间的位置。

应当理解，图8至图10所示的系统及其模块可以利用各种方式来实现。例如，在一些实施例中，系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中，硬件部分可以利用专用逻辑来实现；软件部分则可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器（固件）的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本说明书的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用例如由各种类型的处理器所执行的软件实现，还可以由上述硬件电路和软件的结合（例如，固件）来实现。

需要注意的是，以上对于候选项显示、确定系统及其模块的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。例如，图8至图10中披露的获取多个模块可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。又例如，各个模块可以共用一个存储模块，各个模块也可以分别具有各自的存储模块。诸如此类的变形，均在本说明书的保护范围之内。在一些实施例中，图8至图10所披露的系统可以是同一个系统，可以用于位置预测，并基于预测的位置进行后续操作，例如，基于用户的消费地点确定是否对用户在商场的商场账户进行积分。

本说明书实施例可能带来的有益效果包括但不限于：针对无法获取位置信息情况下可通过至少基于历史轨迹序列构建的深度网络模型对位置进行精确判定。同时，模型的目的为判定多个位置中的可能地点，而非预测出一个地点，提高了模型的准确度。另外，模型的构造无需实时位置数据而只需少量重要时刻的位置数据，降低了数据需求。

需要说明的是，不同实施例可能产生的有益效果不同，在不同的实施例里，可能产生的有益效果可以是以上任意一种或几种的组合，也可以是其他任何可能获得的有益效果。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。

同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，本领域技术人员可以理解，本说明书的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本说明书的各个方面可以完全由硬件执行、可以完全由软件（包括固件、常驻软件、微码等）执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本说明书的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。

本说明书各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网（LAN）或广域网（WAN），或连接至外部计算机（例如通过因特网），或在云计算环境中，或作为服务使用如软件即服务（SaaS）。

此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地，在一些实施例中，说明书中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。

针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件（当前或之后附加于本说明书中的）也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。

最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (19)

1.一种确定用户消费地点方法，其中，所述方法包括：

获取用户的交易数据，所述交易数据至少包括交易时间，以及交易门店标识；

确定所述交易门店标识是否对应两个或大于两个候选门店位置：

若是，则：

获取与所述交易时间相关的用户轨迹序列；所述用户轨迹序列包括反映用户位置变化的多个时间-位置数据对；

利用位置预测模型依次处理所述交易时间、所述用户轨迹序列与所述两个或大于两个候选门店位置中的每一个的组合，从所述两个或大于两个候选门店位置中确定目标门店位置；其中，所述位置预测模型为机器学习模型；

将所述目标门店位置作为所述用户消费地点。

2.根据权利要求1所述的方法，其中，所述方法还包括：

获取不同用户的历史交易数据，所述历史交易数据至少包括交易门店标识；

获取与历史交易数据相关的定位信息；

对历史交易数据中的任一个交易门店标识：

确定具有该交易门店标识的历史交易数据；

对具有该交易门店标识的历史交易数据相关的定位信息进行聚类；

当聚类结果包括两个或大于两个类时，确定该交易门店标识对应两个或大于两个候选门店位置，并基于所述两个或大于两个类确定所述两个或大于两个候选门店位置；

存储该交易门店标识与其对应的两个或大于两个候选门店位置。

3.根据权利要求1所述的方法，其中，所述获取与所述交易时间相关的用户轨迹序列，包括：

获取所述交易时间之前的预设时间段内的多个历史时刻下，所述用户的位置标识，

基于多个历史时刻以及多个位置标识，确定所述与所述交易时间相关的用户轨迹序列。

4.根据权利要求1所述的方法，其中，

所述位置预测模型的获取方法，包括：

获取多个用户在多个门店进行消费时的历史交易数据，所述历史交易数据至少包括历史交易时间、以及历史实际交易位置；

对于每一份历史交易数据，确定与其历史交易时间相关的用户历史轨迹序列，以及与其历史实际交易位置相关的其他门店位置；

对于每一份历史交易数据：

将历史交易时间、与该历史交易时间相关的用户历史轨迹序列以及历史实际交易位置作为正样本，将历史交易时间、与该历史交易时间相关的用户历史轨迹序列以及任一所述其他门店位置作为负样本；

使用各正样本与负样本训练初始机器学习模型以获取所述位置预测模型；所述初始机器学习模型包括神经网络模型。

5.根据权利要求4所述的方法，其中，与历史实际交易位置相关的其他门店位置包括在历史交易数据中，与所述历史实际交易位置具有相同交易门店标识的其他门店的位置。

6.根据权利要求1所述的方法，其中，所述至少基于所述交易时间以及所述用户轨迹序列，利用位置预测模型从所述两个或大于两个候选门店位置中确定目标门店位置，包括：

对于所述两个或大于两个候选门店位置中的每一个：利用位置预测模型处理所述交易时间、所述用户轨迹序列以及该候选门店位置，以确定所述用户是否在该候选门店位置消费；

基于所述位置预测模型对所述两个或大于两个候选门店位置中的每一个的处理结果，确定所述目标门店位置。

7.一种基于用户消费地点进行商场积分方法，其中，所述方法包括：

获取交易数据，所述交易数据至少包括交易时间，以及交易门店标识；

确定所述交易门店标识是否对应两个或大于两个候选门店位置：

若是，则：

获取与所述交易时间相关的用户轨迹序列；所述用户轨迹序列包括反映用户位置变化的多个时间-位置数据对；

利用位置预测模型依次处理所述交易时间、所述用户轨迹序列与所述两个或大于两个候选门店位置中的每一个的组合，从所述两个或大于两个候选门店位置中确定目标门店位置；其中，所述位置预测模型为机器学习模型；

确定所述目标门店位置是否与目标商场相匹配；

若匹配，对所述用户在所述目标商场的商场账户进行积分。

8.一种位置预测方法，其中，所述方法包括：

获取预测时间，以及两个或大于两个候选位置；

获取待预测对象的与预测时间相关的轨迹序列；所述轨迹序列包括多个时刻下待预测对象的位置信息；

利用位置预测模型依次处理所述预测时间、所述轨迹序列与所述两个或大于两个候选位置中的每一个的组合，从所述两个或大于两个候选位置中确定目标位置；其中，所述位置预测模型为机器学习模型；

将所述目标位置作为所述待预测对象在所述预测时间的位置。

9.一种确定用户消费地点的系统，其中，所述系统包括：

第一获取模块，用于获取用户的交易数据，所述交易数据至少包括交易时间，以及交易门店标识；

第一处理模块，用于确定所述交易门店标识是否对应两个或大于两个候选门店位置：

若是，则：

获取与所述交易时间相关的用户轨迹序列；所述用户轨迹序列包括反映用户位置变化的多个时间-位置数据对；

利用位置预测模型依次处理所述交易时间、所述用户轨迹序列与所述两个或大于两个候选门店位置中的每一个的组合，从所述两个或大于两个候选门店位置中确定目标门店位置；其中，所述位置预测模型为机器学习模型；

第一确定模块，用于将所述目标门店位置作为所述用户消费地点。

10.根据权利要求9所述的系统，其中，还包括第二处理模块，用于：

获取不同用户的历史交易数据，所述历史交易数据至少包括交易门店标识；

获取与历史交易数据相关的定位信息；

对历史交易数据中的任一个交易门店标识：

确定具有该交易门店标识的历史交易数据；

对具有该交易门店标识的历史交易数据相关的定位信息进行聚类；

当聚类结果包括两个或大于两个类时，确定该交易门店标识对应两个或大于两个候选门店位置，并基于所述两个或大于两个类确定所述两个或大于两个候选门店位置；

存储该交易门店标识与其对应的两个或大于两个候选门店位置。

11.根据权利要求9所述的系统，其中，为了获取与所述交易时间相关的用户轨迹序列，所述第一处理模块还用于：

获取所述交易时间之前的预设时间段内的多个历史时刻下，所述用户的位置标识，

基于多个历史时刻以及多个位置标识，确定所述与所述交易时间相关的用户轨迹序列。

12.根据权利要求9所述的系统，其中，所述系统还包括训练模块，所述训练模块用于：

获取多个用户在多个门店进行的消费时的历史交易数据，所述历史交易数据至少包括历史交易时间、以及历史实际交易位置；

对于每一份历史交易数据，确定与其历史交易时间相关的用户历史轨迹序列，以及与其历史实际交易位置相关的其他门店位置；

对于每一份历史交易数据：

将历史交易时间、与该历史交易时间相关的用户历史轨迹序列以及历史实际交易位置作为正样本，将历史交易时间、与该历史交易时间相关的用户历史轨迹序列以及任一所述其他门店位置作为负样本；

使用各正样本与负样本训练初始机器学习模型以获取所述位置预测模型；所述初始机器学习模型包括神经网络模型。

13.根据权利要求12所述的系统，其中，与历史实际交易位置相关的其他门店位置包括在历史交易数据中，与所述历史实际交易位置具有相同交易门店标识的其他门店的位置。

14.根据权利要求9所述的系统，其中，为了至少基于所述交易时间以及所述用户轨迹序列，利用位置预测模型从所述两个或大于两个候选门店位置中确定目标门店位置，所述第一处理模块还用于：

对于所述两个或大于两个候选门店位置中的每一个：利用位置预测模型处理所述交易时间、所述用户轨迹序列以及该候选门店位置，以确定所述用户是否在该候选门店位置消费；

基于所述位置预测模型对所述两个或大于两个候选门店位置中的每一个的处理结果，确定所述目标门店位置。

15.一种基于用户消费地点进行商场积分系统，其中，所述系统包括：

第二获取模块，用于获取交易数据，所述交易数据至少包括交易时间，以及交易门店标识；

第三处理模块，用于确定所述交易门店标识是否对应两个或大于两个候选门店位置：

若是，则：

获取与所述交易时间相关的用户轨迹序列；所述用户轨迹序列包括反映用户位置变化的多个时间-位置数据对；

利用位置预测模型依次处理所述交易时间、所述用户轨迹序列与所述两个或大于两个候选门店位置中的每一个的组合，从所述两个或大于两个候选门店位置中确定目标门店位置；其中，所述位置预测模型为机器学习模型；

第二确定模块，用于确定所述目标门店位置是否与目标商场相匹配；

积分模块，用于在所述目标门店位置与目标商场匹配时，对所述用户在所述目标商场的商场账户进行积分。

16.一种位置预测系统，其中，所述系统包括：

第三获取模块，用于获取预测时间，以及两个或大于两个候选位置；以及用于获取待预测对象的与预测时间相关的轨迹序列；所述轨迹序列包括多个时刻下待预测对象的位置信息；

第五处理模块，用于利用位置预测模型依次处理所述预测时间、所述轨迹序列与所述两个或大于两个候选位置中的每一个的组合，从所述两个或大于两个候选位置中确定目标位置；其中，所述位置预测模型为机器学习模型；

以及，第三确定模块，用于将所述目标位置作为所述待预测对象在所述预测时间的位置。

17.一种确定用户消费地点确定装置，包括处理器，所述处理器用于执行如权利要求1-6中任一项所述的确定用户消费地点方法。

18.一种基于用户消费地点进行商场积分的装置，包括处理器，所述处理器用于执行如权利要求7所述的基于用户消费地点进行商场积分的方法。

19.一种位置预测装置，包括处理器，所述处理器用于执行如权利要求8所述的位置预测方法。

Images