CN111241225B - 常驻区域变更的判断方法、装置、设备及存储介质 - Google Patents

常驻区域变更的判断方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111241225B
CN111241225B CN202010027131.4A CN202010027131A CN111241225B CN 111241225 B CN111241225 B CN 111241225B CN 202010027131 A CN202010027131 A CN 202010027131A CN 111241225 B CN111241225 B CN 111241225B
Authority
CN
China
Prior art keywords
user
candidate
preset
resident
candidate 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.)
Active
Application number
CN202010027131.4A
Other languages
English (en)
Other versions
CN111241225A (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 CN202010027131.4A priority Critical patent/CN111241225B/zh
Publication of CN111241225A publication Critical patent/CN111241225A/zh
Priority to US17/022,269 priority patent/US20210192554A1/en
Application granted granted Critical
Publication of CN111241225B publication Critical patent/CN111241225B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06Q30/0204—Market segmentation
    • G06Q30/0205—Location or geographical consideration
    • 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
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Remote Sensing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例提供一种常驻区域变更的判断方法、装置、设备及存储介质，涉及计算机技术领域，通过确定至少一个候选用户对应的特征信息，其中，任意候选用户为常驻区域发生变化的概率大于第一预设概率阈值的用户。进一步地，通过将上述至少一个候选用户对应的特征信息输入预设分类模型，便可判断上述至少一个候选用户的目标常驻区域是否变更。可见，本申请实施例中通过将确定出的常驻区域可能发生变化的至少一个候选用户对应的特征信息输入训练好的预设分类模型，便可判断出上述至少一个候选用户的目标常驻区域是否变更，从而可以快速且准确地发现用户常驻区域的变更。

Description

常驻区域变更的判断方法、装置、设备及存储介质
技术领域
本申请涉及计算机技术领域，尤其涉及一种常驻区域变更的判断方法、装置、设备及存储介质。
背景技术
在移动互联网时代，用户常驻区域(例如家、公司等)作为描述用户线下行为的重要特征被广泛应用在各类个性化应用中。例如，信息流推送、在线广告推荐、视频推荐、出行地图推荐、用车推荐、外卖推荐等。如何能快速发现用户常驻区域的变更，对于个性化应用的推荐至关重要。
现有技术，通过特定周期内用户产生的大量定位点聚类来分析用户的常驻区域。通常情况下，现有方式需要足够数量的定位点才能分析出用户常驻区域的变更，从而现有方式需要较长时间才能分析出用户常驻区域的变更。
因此，现有技术的及时性和准备率较差。
发明内容
本申请实施例提供一种常驻区域变更的判断方法、装置、设备及存储介质，以解决现有技术的及时性和准备率较差的技术问题。
本申请实施例第一方面提供一种常驻区域变更的判断方法，包括：
确定至少一个候选用户对应的特征信息；其中，所述候选用户为常驻区域发生变化的概率大于第一预设概率阈值的用户，所述候选用户对应的特征信息包括：所述候选用户在第一预设时长内的第一访问行为特征信息、所述候选用户在第二预设时长内的第二访问行为特征信息，以及所述候选用户在所述第一预设时长内新访问区域的时空特征信息；
将所述至少一个候选用户对应的特征信息输入预设分类模型，判断所述至少一个候选用户的目标常驻区域是否变更。
本申请实施例中，通过确定至少一个候选用户对应的特征信息，其中，任意候选用户为常驻区域发生变化的概率大于第一预设概率阈值的用户，任意候选用户对应的特征信息可以包括但不限于：该候选用户在第一预设时长内的第一访问行为特征信息、该候选用户在第二预设时长内的第二访问行为特征信息，以及该候选用户在该第一预设时长内新访问区域的时空特征信息。进一步地，通过将上述至少一个候选用户对应的特征信息输入预设分类模型，便可判断上述至少一个候选用户的目标常驻区域是否变更。可见，本申请实施例中通过将确定出的常驻区域可能发生变化的至少一个候选用户对应的特征信息输入训练好的预设分类模型，便可判断出上述至少一个候选用户的目标常驻区域是否变更，从而可以快速且准确地发现用户常驻区域的变更。
可选地，所述确定至少一个候选用户对应的特征信息，包括：
针对任意所述候选用户，根据所述候选用户的位置定位信息确定所述第一访问行为特征信息和所述第二访问行为特征信息；
根据所述候选用户的位置定位信息、地图信息和人口统计信息确定所述时空特征信息。
可选地，所述确定至少一个候选用户对应的特征信息之前，还包括：
基于用户访问常驻区域的概率分布从初始集合中确定候选集合；其中，所述初始集合中包括：多个用户的用户信息和所述用户信息对应的至少一个常驻区域信息，所述候选集合中包括：所述至少一个候选用户的用户信息和所述用户信息对应的至少一个常驻区域信息。
可选地，所述基于用户访问常驻区域的概率分布从初始集合中确定候选集合，包括：
针对所述初始集合中的任意用户的任意常驻区域，根据所述用户访问所述常驻区域的概率分布和第二预设概率阈值，确定所述用户对应的预设时长阈值；
若所述用户在所述预设时长阈值内未访问所述用户对应的所述常驻区域，则将所述用户的用户信息和所述常驻区域对应的常驻区域信息存入所述候选集合。
本申请实施例中，通过基于用户访问常驻区域的概率分布，便可及时地从上述初始集合中确定出上述初始集合，以便于电子设备可以及时地判断上述初始集合中的上述至少一个候选用户的常驻区域是否变更，从而有利于上述电子设备可以快速且准确地发现用户常驻区域的变更。
可选地，所述将所述至少一个候选用户对应的特征信息输入预设分类模型，判断所述至少一个候选用户的常驻区域是否变更之前，所述方法还包括：
获取训练数据；其中，所述训练数据包括：多个预设用户对应的特征信息，以及所述预设用户对应的常驻区域是否变更的指示信息；
将所述训练数据输入到初始分类模型进行训练，得到所述预设分类模型。
本申请实施例中，上述电子设备通过获取训练数据，其中，上述训练数据可以包括但不限于：多个预设用户对应的特征信息，以及每个预设用户对应的常驻区域是否变更的指示信息。进一步地，上述电子设备将上述训练数据输入到初始分类模型进行训练，便可得到上述预设分类模型，以便于上述电子设备在确定出上述至少一个候选用户对应的特征信息时，可以将上述至少一个候选用户对应的特征信息输入训练好的上述预设分类模型判断上述至少一个候选用户的目标常驻区域是否变更。可见，本申请实施例可以有利于快速且准确地发现用户常驻区域的变更。
可选地，所述第一访问行为特征信息包括以下至少一项：所述候选用户在所述第一预设时长内的日均定位点数量、所述候选用户在所述第一预设时长内每个第一预设时间段的定位点数量、所述候选用户在所述第一预设时长内所访问的除所述目标常驻区域之外的其它常驻区域的频率，所述候选用户在所述第一预设时长内访问所述其它常驻区域的时间；和/或，
所述第二访问行为特征信息包括以下至少一项：所述候选用户在所述第二预设时长内的日均定位点数量、所述候选用户在所述第二预设时长内每个第二预设时间段的定位点数量、所述候选用户在所述第二预设时长内所访问的每个常驻区域的频率、所述候选用户在所述第二预设时长内访问每个所述常驻区域的时间；和/或，
所述时空特征信息包括以下至少一项：所述新访问区域的常驻人口数据、所述新访问区域的功能类别、兴趣点POI的数量、所述POI的类别分布。
本申请实施例第二方面提供一种常驻区域变更的判断装置，包括：
第一确定模块，用于确定至少一个候选用户对应的特征信息；其中，所述候选用户为常驻区域发生变化的概率大于第一预设概率阈值的用户，所述候选用户对应的特征信息包括：所述候选用户在第一预设时长内的第一访问行为特征信息、所述候选用户在第二预设时长内的第二访问行为特征信息，以及所述候选用户在所述第一预设时长内新访问区域的时空特征信息；
判断模块，用于将所述至少一个候选用户对应的特征信息输入预设分类模型，判断所述至少一个候选用户的目标常驻区域是否变更。
可选地，所述第一确定模块具体用于：
针对任意所述候选用户，根据所述候选用户的位置定位信息确定所述第一访问行为特征信息和所述第二访问行为特征信息；
根据所述候选用户的位置定位信息、地图信息和人口统计信息确定所述时空特征信息。
可选地，所述装置还包括：
第二确定模块，用于基于用户访问常驻区域的概率分布从初始集合中确定候选集合；其中，所述初始集合中包括：多个用户的用户信息和所述用户信息对应的至少一个常驻区域信息，所述候选集合中包括：所述至少一个候选用户的用户信息和所述用户信息对应的至少一个常驻区域信息。
可选地，所述第二确定模块具体用于：
针对所述初始集合中的任意用户的任意常驻区域，根据所述用户访问所述常驻区域的概率分布和第二预设概率阈值，确定所述用户对应的预设时长阈值；
若所述用户在所述预设时长阈值内未访问所述用户对应的所述常驻区域，则将所述用户的用户信息和所述常驻区域对应的常驻区域信息存入所述候选集合。
可选地，所述装置还包括：
获取模块，用于获取训练数据；其中，所述训练数据包括：多个预设用户对应的特征信息，以及所述预设用户对应的常驻区域是否变更的指示信息；
训练模块，用于将所述训练数据输入到初始分类模型进行训练，得到所述预设分类模型。
可选地，所述第一访问行为特征信息包括以下至少一项：所述候选用户在所述第一预设时长内的日均定位点数量、所述候选用户在所述第一预设时长内每个第一预设时间段的定位点数量、所述候选用户在所述第一预设时长内所访问的除所述目标常驻区域之外的其它常驻区域的频率，所述候选用户在所述第一预设时长内访问所述其它常驻区域的时间；和/或，
所述第二访问行为特征信息包括以下至少一项：所述候选用户在所述第二预设时长内的日均定位点数量、所述候选用户在所述第二预设时长内每个第二预设时间段的定位点数量、所述候选用户在所述第二预设时长内所访问的每个常驻区域的频率、所述候选用户在所述第二预设时长内访问每个所述常驻区域的时间；和/或，
所述时空特征信息包括以下至少一项：所述新访问区域的常驻人口数据、所述新访问区域的功能类别、兴趣点POI的数量、所述POI的类别分布。
本申请实施例第三方面提供一种电子设备，包括：
至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如前述第一方面任一项所述的方法。
本申请实施例第四方面提供一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使所述计算机执行如前述第一方面任一项所述的方法。
综上所述，本申请实施例相对于现有技术的有益效果：
本申请实施例提供的常驻区域变更的判断方法、装置、设备及存储介质，通过确定至少一个候选用户对应的特征信息，其中，任意候选用户为常驻区域发生变化的概率大于第一预设概率阈值的用户，任意候选用户对应的特征信息可以包括但不限于：该候选用户在第一预设时长内的第一访问行为特征信息、该候选用户在第二预设时长内的第二访问行为特征信息，以及该候选用户在该第一预设时长内新访问区域的时空特征信息。进一步地，通过将上述至少一个候选用户对应的特征信息输入预设分类模型，便可判断上述至少一个候选用户的目标常驻区域是否变更。可见，本申请实施例中通过将确定出的常驻区域可能发生变化的至少一个候选用户对应的特征信息输入训练好的预设分类模型，便可判断出上述至少一个候选用户的目标常驻区域是否变更，从而可以快速且准确地发现用户常驻区域的变更。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1为本申请实施例提供的应用场景的示意图；
图2为本申请实施例提供的区域划分的示意图；
图3为本申请实施例提供的任意区域的功能类别的示意图；
图4为本申请一实施例提供的常驻区域变更的判断方法的流程示意图；
图5为本申请另一实施例提供的常驻区域变更的判断方法的流程示意图；
图6为本申请实施例提供的用户第K天出现定位点概率分布质量函数的示意图；
图7为本申请另一实施例提供的常驻区域变更的判断方法的流程示意图；
图8为本申请实施例提供的常驻区域变更的判断装置的结构示意图
图9是用来实现本申请实施例的常驻区域变更的判断方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
首先，对本申请实施例的应用场景和所涉及的部分词汇进行解释说明。
图1为本申请实施例提供的应用场景的示意图。如图1所示，本申请实施例的应用场景中可以包括但不限于：至少一个移动终端(为了便于描述，图1中以移动终端1、移动终端2和移动终端3为例进行示出的)、服务器4和电子设备5。
本申请实施例提供的常驻区域变更的判断方法可以应用于电子设备。示例性地，电子设备可以包括：手机、平板电脑、笔记本电脑、台式电脑或者服务器；当然，还可以包括具有数据处理功能的其它设备，本申请实施例中对此并不做限定。
本申请实施例中涉及的移动终端可以包括：手机、平板电脑或笔记本电脑；当然，还可以包括具有上报位置定位信息功能的其它可移动设备，本申请实施例中对此并不做限定。
其中，上述移动终端1、移动终端2和移动终端3用于向上述服务器4上传各自的位置定位信息，以便于上述服务器4存储上述位置定位信息。
上述电子设备5用于从上述服务器4获取多个移动终端的位置定位信息，并对上述多个移动终端的位置定位信息进行分析，确定出至少一个候选用户的用户信息和该用户信息对应的至少一个常驻区域信息；进一步地，该电子设备5在确定出上述至少一个候选用户对应的特征信息时，可以将上述至少一个候选用户对应的特征信息输入预设分类模型判断上述至少一个候选用户的目标常驻区域是否变更，从而可以快速且准确地发现用户常驻区域的变更，解决了现有技术的及时性和准备率较差的技术问题。
本申请实施例所涉及的预设分类模型是指采用训练数据对初始分类模型进行训练所得到的分类模型，其中，该预设分类模型用于识别用户的常驻区域是否变更。
示例性地，该初始分类模型可以包括但不限于：支撑向量机模型、逻辑回归模型、决策树模型、神经网络模型，或梯度提升树(gradient boosting trees)模型。
本申请实施例中，上述电子设备5中预置有训练好的预设分类模型。应理解，若上述电子设备5为服务器，或者上述电子设备5为除服务器之外的数据处理能力非常强大的其它设备，则上述预设分类模型的训练过程可以由上述电子设备5执行；若上述电子设备5为除服务器之外的数据处理能力有限的其它设备，则上述预设分类模型的训练过程可以由与上述电子设备5连接的其它服务器(例如上述服务器4)执行，以便上述电子设备5从该服务器获取训练好的上述预设分类模型。
需要说明的是，本申请下述实施例中以上述电子设备5执行上述预设分类模型的训练过程为例，对上述预设分类模型的训练过程进行介绍。
本申请实施例中涉及的任意区域是指地理上的一个或多个相邻地点所组成的地理区域。图2为本申请实施例提供的区域划分的示意图，如图2所示，图2中包括多个区域，每个区域包括一个地点或者至少两个相邻地点组成。
本申请实施例中涉及的候选用户是指常驻区域发生变化的概率大于第一预设概率阈值的用户，即常驻区域可能发生变化的用户。
本申请实施例涉及的任意用户的常驻区域是指该用户经常驻留的区域，例如可以包括但不限于：家庭地址所属区域，或公司地址所属区域。
本申请实施例中涉及的任意用户信息可以包括但不限于：该用户的移动终端的标识信息，和/或该用户的标识信息。
本申请实施例中涉及的任意用户对应的常驻区域信息可以包括但不限于：该常驻区域的位置坐标，和/或该用户访问该常驻区域的时间信息。
本申请实施例中涉及的任意用户的位置定位信息可以包括但不限于：该用户的标识信息、该用户的移动终端的标识信息、该用户上传的至少一个位置信息(例如位置坐标)，以及每个位置信息对应的至少一个时间信息。
本申请实施例中涉及的任意用户的特征信息可以包括但不限于：该用户在第一预设时长内的第一访问行为特征信息、该用户在第二预设时长内的第二访问行为特征信息，以及该用户在该第一预设时长内新访问区域的时空特征信息。其中，该第一预设时长小于该第二预设时长，例如，该第一预设时长为20天，该第二预设时长为90天。
本申请实施例中涉及的上述用户在第一预设时长内的第一访问行为特征信息用于指示该用户的短期访问行为特征信息，可以包括但不限于以下至少一项：该用户在该第一预设时长内的日均定位点数量、该用户在该第一预设时长内每个第一预设时间段(例如24小时)的定位点数量、该用户在该第一预设时长内所访问的除目标常驻区域之外的其它常驻区域的频率，该用户在该第一预设时长内访问其它常驻区域的时间。
应理解，本申请实施例中涉及的任意候选用户的目标常驻区域是指该候选用户的至少一个常驻区域中可能发生变化的常驻区域(为了与其它常驻区域区分，所以称之为目标常驻区域)。
本申请实施例中涉及的上述用户在第二预设时长内的第二访问行为特征信息用于指示该用户的长期访问行为特征信息，可以包括但不限于以下至少一项：该用户在该第二预设时长内的日均定位点数量、该用户在该第二预设时长内每个第二预设时间段(例如24小时)的定位点数量、该用户在该第二预设时长内所访问的每个常驻区域的频率、该用户在该第二预设时长内访问每个常驻区域的时间(或者，该用户在该第二预设时长内每小时所访问的每个常驻区域的频率)。
本申请实施例中涉及的上述用户在该第一预设时长内新访问区域的时空特征信息，可以包括但不限于以下至少一项：该新访问区域的常驻人口数据、该新访问区域的功能类别、兴趣点(point of interest，POI)的数量、POI的类别分布。
图3为本申请实施例提供的任意区域的功能类别的示意图，如图3所示，本申请实施例中涉及的任意区域的功能类别可以包括但不限于以下至少一项：居住类型、行政办公类别、教育类别、风景名胜类别、商务类别、娱乐类别。
下面以具体地实施例对本申请的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。
图4为本申请一实施例提供的常驻区域变更的判断方法的流程示意图。本申请实施例的执行主体可以为上述电子设备5，或者上述电子设备5中的常驻区域变更的判断装置(为了便于描述，本实施例中以执行主体为上述电子设备5为例进行说明)。示例性地，上述常驻区域变更的判断装置可以通过软件和/或硬件实现。如图4所示，本实施例提供的常驻区域变更的判断方法可以包括：
步骤S401、确定至少一个候选用户对应的特征信息。
其中，任意候选用户为常驻区域发生变化的概率大于第一预设概率阈值的用户，即常驻区域可能发生变化的用户。
示例性地，任意候选用户对应的特征信息可以包括但不限于：该候选用户在第一预设时长内的第一访问行为特征信息、该候选用户在第二预设时长内的第二访问行为特征信息，以及该候选用户在该第一预设时长内新访问区域的时空特征信息。其中，该第一预设时长小于该第二预设时长，例如，该第一预设时长为20天，该第二预设时长为90天。
示例性地，上述候选用户在第一预设时长内的第一访问行为特征信息用于指示该用户的短期访问行为特征信息，可以包括但不限于以下至少一项：该候选用户在该第一预设时长内的日均定位点数量、该候选用户在该第一预设时长内每个第一预设时间段(例如24小时)的定位点数量、该候选用户在该第一预设时长内所访问的除目标常驻区域之外的其它常驻区域的频率，该候选用户在该第一预设时长内访问该其它常驻区域的时间。
示例性地，上述候选用户在第二预设时长内的第二访问行为特征信息用于指示该用户的长期访问行为特征信息，可以包括但不限于以下至少一项：该候选用户在该第二预设时长内的日均定位点数量、该候选用户在该第二预设时长内每个第二预设时间段(例如24小时)的定位点数量、该候选用户在该第二预设时长内所访问的每个常驻区域的频率、该候选用户在该第二预设时长内访问每个该常驻区域的时间(或者，该候选用户在该第二预设时长内每小时所访问的每个常驻区域的频率)。
示例性地，上述候选用户在该第一预设时长内新访问区域的时空特征信息，可以包括但不限于以下至少一项：该新访问区域的常驻人口数据、该新访问区域的功能类别、兴趣点POI的数量、该POI的类别分布。其中，如图3所示，该新访问区域的功能类别可以包括但不限于以下至少一项：居住类型、行政办公类别、教育类别、风景名胜类别、商务类别、娱乐类别。
本步骤中，针对任意候选用户，上述电子设备5可以对从上述服务器4获取到的该候选用户的位置定位信息进行统计分析，确定出该候选用户在第一预设时长内的第一访问行为特征信息和该候选用户在第二预设时长内的第二访问行为特征信息，其中，该候选用户的位置定位信息可以包括但不限于：该候选用户的标识信息、该候选用户的移动终端的标识信息、该候选用户上传的至少一个位置信息(例如位置坐标)，以及每个位置信息对应的至少一个时间信息。
应理解，该候选用户的位置定位信息中至少包括上述该候选用户或该候选用户的移动终端在上述第二预设时长内所上报的位置定位信息，以便于上述电子设备5可以确定出该候选用户在第一预设时长内的第一访问行为特征信息和该候选用户在第二预设时长内的第二访问行为特征信息。
进一步地，针对任意候选用户，上述电子设备5可以根据该候选用户的位置定位信息、地图信息和人口统计信息确定该候选用户在该第一预设时长内新访问区域的时空特征信息。
示例性地，上述电子设备5可以对该候选用户的位置定位信息进行统计分析确定出该候选用户在该第一预设时长内新访问区域，然后根据地图信息和人口统计信息进行统计分析，确定出该候选用户在该第一预设时长内新访问区域的时空特征信息。其中，上述地图信息可以包括但不限于：该新访问区域的功能类别、POI的数量和POI的类别分布；上述人口统计信息可以包括但不限于：该新访问区域的常驻人口数据。
示例性地，上述电子设备5可以通过上网查询获取到上述地图信息，或者可以从地图信息管理设备处获取上述地图信息；当然，还可以通过其它方式获取上述地图信息，本申请实施例中对此并不做限定。
示例性地，上述电子设备5可以通过上网查询获取到上述人口统计信息，或者可以从人口统计信息管理设备处获取上述人口统计信息；当然，还可以通过其它方式获取上述人口统计信息，本申请实施例中对此并不做限定。
当然，上述电子设备5还可以通过其它方式，确定上述至少一个候选用户对应的特征信息，本申请实施例中对此并不做限定。
步骤S402、将该至少一个候选用户对应的特征信息输入预设分类模型，判断该至少一个候选用户的目标常驻区域是否变更。
本申请实施例中，上述电子设备5中预置有训练好的预设分类模型。应理解，若上述电子设备5为服务器，或者上述电子设备5为除服务器之外的数据处理能力非常强大的其它设备，则上述预设分类模型的训练过程可以由上述电子设备5执行；若上述电子设备5为除服务器之外的数据处理能力有限的其它设备，则上述预设分类模型的训练过程可以由与上述电子设备5连接的其它服务器(例如上述服务器4)执行，以便上述电子设备5从该服务器获取训练好的上述预设分类模型。
本步骤中，上述电子设备5将上述步骤S401中所确定的上述至少一个候选用户对应的特征信息作为上述预设分类模型的输入信息，输入到该预设分类模型中，然后运行该预设分类模型便可得到该预设分类模型的输出信息，其中，该输出信息用于指示上述至少一个候选用户的目标常驻区域是否变更。
示例性地，上述电子设备5将上述至少一个候选用户中的第i个候选用户对应的特征信息xi作为上述预设分类模型的输入信息，输入到该预设分类模型f(xi,yi)中，然后运行该预设分类模型便可得到该预设分类模型的输出信息yi，其中，yi用于指示上述第i个候选用户的目标常驻区域是否变更，若yi等于0，则用于指示上述第i个候选用户的目标常驻区域发生了变更；若yi等于1，则用于指示上述第i个候选用户的目标常驻区域未发生变更；i取遍1，2，……，上述至少一个候选用户的总数M，M为大于2的整数。
应理解，上述第i个候选用户对应的特征信息xi可以为一维特征向量，该特征向量的每一列可以是上述第i个候选用户对应的特征信息中的某一项特征信息，例如，该第i个候选用户在第一预设时长内的第一访问行为特征信息中的某一项、该第i个候选用户在第二预设时长内的第二访问行为特征信息中的某一项，或者该第i个候选用户在该第一预设时长内新访问区域的时空特征信息中的某一项。
例如，假设上述至少一个候选用户对应的特征信息包括：候选用户1对应的特征信息x1、候选用户2对应的特征信息x2、……、候选用户M对应的特征信息xM，则上述电子设备5将上述至少一个候选用户对应的特征信息作为上述预设分类模型的输入信息(x1，x2，……，xM)输入到该预设分类模型f{(x1,y1),(x2,y2),……,(xM,yM)}中，然后运行该预设分类模型便可得到该预设分类模型的输出信息(y1，y2，……，yM)，其中，y1用于指示上述候选用户1的目标常驻区域是否变更，y2用于指示上述候选用户2的目标常驻区域是否变更，yM用于指示上述候选用户M的目标常驻区域是否变更。
综上所述，本申请实施例中，通过确定至少一个候选用户对应的特征信息，其中，任意候选用户为常驻区域发生变化的概率大于第一预设概率阈值的用户，任意候选用户对应的特征信息可以包括但不限于：该候选用户在第一预设时长内的第一访问行为特征信息、该候选用户在第二预设时长内的第二访问行为特征信息，以及该候选用户在该第一预设时长内新访问区域的时空特征信息。进一步地，通过将上述至少一个候选用户对应的特征信息输入预设分类模型，便可判断上述至少一个候选用户的目标常驻区域是否变更。可见，相对于现有技术中通过特定周期内用户产生的大量定位点聚类来分析用户的常驻区域的方式，本申请实施例中通过将确定出的常驻区域可能发生变化的至少一个候选用户对应的特征信息输入训练好的预设分类模型，便可判断出上述至少一个候选用户的目标常驻区域是否变更，从而可以快速且准确地发现用户常驻区域的变更。
图5为本申请另一实施例提供的常驻区域变更的判断方法的流程示意图。在上述实施例的基础上，本申请实施例中对上述电子设备5确定上述至少一个候选用户的可实现方式进行介绍。如图5所示，本实施例中上述电子设备5在执行上述步骤S401之前，还包括：
步骤S403、基于用户访问常驻区域的概率分布从初始集合中确定候选集合。
为了便于理解，本申请下述实施例对上述用户访问常驻区域的概率分布进行介绍：
本申请实施例中，上述电子设备可以从上述服务器4中获取多个移动终端的位置定位信息，其中，每个移动终端的位置定位信息可以包括但不限于：该移动终端的标识信息、该移动终端对应的用户的标识信息、该移动终端上传的至少一个位置信息(例如位置坐标)，以及每个位置信息对应的至少一个时间信息。
本申请实施例中，上述电子设备根据任意用户的上述位置信息与时间信息可以得到该用户的访问定位点序列其中，loc代表该用户的位置信息，tm代表时间信息，m取遍0，1，2，……,T′，T′为大于2的整数。
进一步地，上述电子设备根据上述用户的访问定位点序列可以得到该用户的访问区域序列其中，regionr代表该用户的访问区域r，r取遍1，2，……,R，R为大于2的整数。
进一步地，上述电子设备根据上述用户的访问区域序列便可以得到该用户访问每个常驻区域的序列。例如，上述电子设备根据上述用户的访问区域序列可以得到该用户访问某一常驻区域的时间序列(d0,d1,d2,……,dD)，其中，ds代表该用户访问该目标常驻区域的时间，s取遍0，1，2，……,D，D为大于2的整数。
进一步地，上述电子设备根据上述用户访问该常驻区域的时间序列可以得到该用户在统计周期内的每一天是否访问该常驻区域的序列。示例性地，上述电子设备5按照由前到后的顺序将上述用户访问该常驻区域的时间序列中的第二个元素与第一个元素相减、第三个元素与第二个元素相减、……、第D+1个元素与第D个元素相减，便可以得到该用户在上述统计周期内的每一天是否访问该常驻区域的序列，例如(0，1，0，0，1，1，1，……，1)，其中，1表示该用户在该天访问了该常驻区域，0表示该用户在该天未访问该常驻区域。
需要说明的是，本申请实施例中涉及的任意用户在统计周期内的每一天是否访问任意常驻区域的序列均符合几何分布(或者称之为用户访问常驻区域的概率分布，或者任意用户访问任意常驻区域的概率分布)。其中，任意用户访问任意常驻区域的概率分布可以理解为该用户直到第k次才第一次成功访问该常驻区域的概率分布：P(k)＝(1-p)k-1*p
其中，p用于表示该用户的定位点在该常驻区域出现的概率，p＝num/T，T用于表示统计周期，num用于表示在统计周期内该用户的定位点在该常驻区域出现的天数。
例如，图6为本申请实施例提供的用户第K天出现定位点概率分布质量函数的示意图，假设统计周期为90天，该用户的定位点在该常驻区域出现了45天，则p＝0.5，则该用户第K天在该常驻区域出现定位点的概率质量函数，如图6所示，该用户第2天在该常驻区域出现定位点的概率约为0.25，该用户第4天在该常驻区域出现定位点的概率约为0.06。
本步骤中，上述电子设备5基于上述用户访问常驻区域的概率分布从初始集合中确定出候选集合。其中，该初始集合中包括：多个用户的用户信息和该用户信息对应的至少一个常驻区域信息，该候选集合中包括：上述至少一个候选用户的用户信息和该用户信息对应的至少一个常驻区域信息。
应理解，上述任意候选用户的用户信息所对应的至少一个常驻区域信息中可以包括但不限于：该候选用户的目标常驻区域的位置坐标，和/或，该用户访问该目标常驻区域的时间信息。
应理解，上述电子设备5可以对从上述服务器4获取的多个移动终端的位置定位信息进行统计分析，便可及时地确定出上述初始集合，以便于上述电子设备5可以及时地判断上述初始集合中的上述至少一个候选用户的常驻区域是否变更。
示例性地，针对上述初始集合中的任意用户的任意常驻区域，上述电子设备5可以根据该用户访问该常驻区域的概率分布和第二预设概率阈值，确定该用户对应的预设时长阈值。进一步地，若该用户在该预设时长阈值内未访问该用户对应的该常驻区域，则上述电子设备5可以将该用户的用户信息和该常驻区域对应的常驻区域信息存入该候选集合。
本申请实施例中，针对上述初始集合中的任意用户的任意常驻区域，上述电子设备5可以通过该用户访问该常驻区域的概率分布P(k)小于第二预设概率阈值(例如0.1)的方式，确定出该用户对应的预设时长阈值(即最大的k值，例如10日)。
假设该用户上一次访问该常驻区域出现在2019.11.2日，若该用户在2019.11.2日+10日(例如2019.11.12日)内仍未访问该用户对应的该常驻区域，则上述电子设备5可以认为该用户的该常驻区域可能发生了变更，从而将该用户的用户信息和该常驻区域对应的常驻区域信息存入该候选集合。
当然，上述电子设备5基于上述用户访问常驻区域的概率分布还可以通过其它方式从初始集合中确定出候选集合，本申请实施例中对此并不做限定。
综上所述，本申请实施例中，上述电子设备5通过基于用户访问常驻区域的概率分布，便可及时地从上述初始集合中确定出上述初始集合，以便于上述电子设备5可以及时地判断上述初始集合中的上述至少一个候选用户的常驻区域是否变更，从而有利于上述电子设备5可以快速且准确地发现用户常驻区域的变更。
图7为本申请另一实施例提供的常驻区域变更的判断方法的流程示意图。在上述实施例的基础上，本申请实施例中对上述电子设备5训练上述预设分类模型的可实现方式进行介绍。如图7所示，本申请实施例提供的常驻区域变更的判断方法可以包括：
步骤S701、获取训练数据。
其中，上述训练数据可以包括但不限于：多个预设用户对应的特征信息，以及每个预设用户对应的常驻区域是否变更的指示信息。例如，上述训练数据可以包括{(x1,y1),(x2,y2),…,(xN,yN)}，其中，xj代表上述多个预设用户中的第j个预设用户对应的特征信息，yj代表上述第j个预设用户对应的常驻区域是否变更的指示信息，若yj等于0，则用于指示上述第j个预设用户对应的常驻区域发生了变更；若yj等于1，则用于指示上述第j个预设用户对应的常驻区域未发生变更；j取遍1，2，……，上述多个预设用户的总数N，N为大于2的整数。
应理解，第j个预设用户对应的特征信息xj可以为一维特征向量，该特征向量的每一列可以是上述第j个预设用户对应的特征信息中的某一项特征信息，例如，该第j个预设用户在第一预设时长内的第一访问行为特征信息中的某一项、该第j个预设用户在第二预设时长内的第二访问行为特征信息中的某一项，或者该第j个预设用户在该第一预设时长内新访问区域的时空特征信息中的某一项。
一种可能的实现方式，上述电子设备5可以通过人工标注、数据众包方式收集上述训练数据。
另一种可能的实现方式，上述电子设备5可以通过数据挖掘等方式收集上述训练数据。
当然，上述电子设备5还可以通过其它方式获取上述训练数据，本申请实施例中对此并做限定。
步骤S702、将该训练数据输入到初始分类模型进行训练，得到该预设分类模型。
本步骤中，上述电子设备5可以将上述步骤S701中所获取到的上述训练数据{(x1,y1),(x2,y2),…,(xN,yN)}，输入到初始分类模型进行训练，便可得到上述预设分类模型。
示例性地，上述初始分类模型可以包括但不限于：支撑向量机模型、逻辑回归模型、决策树模型、神经网络模型，或梯度提升树(gradient boosting trees)模型。
示例性地，上述电子设备5可以根据上述训练数据中的第j个预设用户对应的特征信息xj对上述初始分类模型进行训练，直到训练所得到的上述第j个预设用户对应的常驻区域是否变更的输出信息，与上述第j个预设用户对应的常驻区域是否变更的指示信息yj相匹配为止，从而得到上述预设分类模型。
应理解，上述电子设备5根据上述训练数据对上述初始分类模型进行训练时，无需每个预设用户对应的常驻区域是否变更的输出信息，与该预设用户对应的常驻区域是否变更的指示信息均相匹配才停止训练，也可以在满足一定数量比例的预设用户对应的常驻区域是否变更的输出信息，与该预设用户对应的常驻区域是否变更的指示信息相匹配即可。
本申请实施例中，上述电子设备5通过获取训练数据，其中，上述训练数据可以包括但不限于：多个预设用户对应的特征信息，以及每个预设用户对应的常驻区域是否变更的指示信息。进一步地，上述电子设备将上述训练数据输入到初始分类模型进行训练，便可得到上述预设分类模型，以便于上述电子设备5在确定出上述至少一个候选用户对应的特征信息时，可以将上述至少一个候选用户对应的特征信息输入训练好的上述预设分类模型判断上述至少一个候选用户的目标常驻区域是否变更。可见，本申请实施例可以有利于快速且准确地发现用户常驻区域的变更。
图8为本申请实施例提供的常驻区域变更的判断装置的结构示意图。如图8所示，本申请实施例提供的常驻区域变更的判断装置80可以包括：第一确定模块801和判断模块802。
其中，第一确定模块801，用于确定至少一个候选用户对应的特征信息；其中，所述候选用户为常驻区域发生变化的概率大于第一预设概率阈值的用户，所述候选用户对应的特征信息包括：所述候选用户在第一预设时长内的第一访问行为特征信息、所述候选用户在第二预设时长内的第二访问行为特征信息，以及所述候选用户在所述第一预设时长内新访问区域的时空特征信息；
判断模块802，用于将所述至少一个候选用户对应的特征信息输入预设分类模型，判断所述至少一个候选用户的目标常驻区域是否变更。
在一种可能的实现方式中，所述第一确定模块801具体用于：
针对任意所述候选用户，根据所述候选用户的位置定位信息确定所述第一访问行为特征信息和所述第二访问行为特征信息；
根据所述候选用户的位置定位信息、地图信息和人口统计信息确定所述时空特征信息。
在一种可能的实现方式中，所述装置80还包括：
第二确定模块，用于基于用户访问常驻区域的概率分布从初始集合中确定候选集合；其中，所述初始集合中包括：多个用户的用户信息和所述用户信息对应的至少一个常驻区域信息，所述候选集合中包括：所述至少一个候选用户的用户信息和所述用户信息对应的至少一个常驻区域信息。
在一种可能的实现方式中，所述第二确定模块具体用于：
针对所述初始集合中的任意用户的任意常驻区域，根据所述用户访问所述常驻区域的概率分布和第二预设概率阈值，确定所述用户对应的预设时长阈值；
若所述用户在所述预设时长阈值内未访问所述用户对应的所述常驻区域，则将所述用户的用户信息和所述常驻区域对应的常驻区域信息存入所述候选集合。
在一种可能的实现方式中，所述装置80还包括：
获取模块，用于获取训练数据；其中，所述训练数据包括：多个预设用户对应的特征信息，以及所述预设用户对应的常驻区域是否变更的指示信息；
训练模块，用于将所述训练数据输入到初始分类模型进行训练，得到所述预设分类模型。
在一种可能的实现方式中，所述第一访问行为特征信息包括以下至少一项：所述候选用户在所述第一预设时长内的日均定位点数量、所述候选用户在所述第一预设时长内每个第一预设时间段的定位点数量、所述候选用户在所述第一预设时长内所访问的除所述目标常驻区域之外的其它常驻区域的频率，所述候选用户在所述第一预设时长内访问所述其它常驻区域的时间；和/或，
所述第二访问行为特征信息包括以下至少一项：所述候选用户在所述第二预设时长内的日均定位点数量、所述候选用户在所述第二预设时长内每个第二预设时间段的定位点数量、所述候选用户在所述第二预设时长内所访问的每个常驻区域的频率、所述候选用户在所述第二预设时长内访问每个所述常驻区域的时间；和/或，
所述时空特征信息包括以下至少一项：所述新访问区域的常驻人口数据、所述新访问区域的功能类别、兴趣点POI的数量、所述POI的类别分布。
本实施例提供的常驻区域变更的判断装置80，用于执行本申请上述常驻区域变更的判断方法实施例中的技术方案，其技术原理和技术效果相似，此处不再赘述。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图9所示，是根据本申请实施例的常驻区域变更的判断方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图9所示，该电子设备包括：一个或多个处理器901、存储器902，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图9中以一个处理器901为例。
存储器902即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的常驻区域变更的判断方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的常驻区域变更的判断方法。
存储器902作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的常驻区域变更的判断方法对应的程序指令/模块(例如，附图8所示的第一确定模块801和判断模块802等)。处理器901通过运行存储在存储器902中的非瞬时软件程序、指令以及模块，从而执行各种功能应用以及数据处理，即实现上述方法实施例中的常驻区域变更的判断方法。
存储器902可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据上述电子设备的使用所创建的数据等。此外，存储器902可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器902可选包括相对于处理器901远程设置的存储器，这些远程存储器可以通过网络连接至上述电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
常驻区域变更的判断方法的电子设备还可以包括：输入装置903和输出装置904。处理器901、存储器902、输入装置903和输出装置904可以通过总线或者其他方式连接，图9中以通过总线连接为例。
输入装置903可接收输入的数字或字符信息，以及产生与上述电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置904可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案，通过确定至少一个候选用户对应的特征信息，其中，任意候选用户为常驻区域发生变化的概率大于第一预设概率阈值的用户，任意候选用户对应的特征信息可以包括但不限于：该候选用户在第一预设时长内的第一访问行为特征信息、该候选用户在第二预设时长内的第二访问行为特征信息，以及该候选用户在该第一预设时长内新访问区域的时空特征信息。进一步地，通过将上述至少一个候选用户对应的特征信息输入训练好的预设分类模型，便可判断上述至少一个候选用户的目标常驻区域是否变更。可见，本申请实施例中通过将确定出的常驻区域可能发生变化的至少一个候选用户对应的特征信息输入训练好的预设分类模型，便可判断出上述至少一个候选用户的目标常驻区域是否变更，从而可以快速且准确地发现用户常驻区域的变更。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (12)

1.一种常驻区域变更的判断方法，其特征在于，包括：
确定至少一个候选用户对应的特征信息；其中，所述候选用户为常驻区域发生变化的概率大于第一预设概率阈值的用户，所述候选用户对应的特征信息包括：所述候选用户在第一预设时长内的第一访问行为特征信息、所述候选用户在第二预设时长内的第二访问行为特征信息，以及所述候选用户在所述第一预设时长内新访问区域的时空特征信息；
将所述至少一个候选用户对应的特征信息输入预设分类模型，判断所述至少一个候选用户的目标常驻区域是否变更；
所述确定至少一个候选用户对应的特征信息之前，还包括：
基于用户访问常驻区域的概率分布从初始集合中确定候选集合；
所述基于用户访问常驻区域的概率分布从初始集合中确定候选集合，包括：
针对所述初始集合中的任意用户的任意常驻区域，根据所述用户访问所述常驻区域的概率分布和第二预设概率阈值，确定所述用户对应的预设时长阈值；
若所述用户在所述预设时长阈值内未访问所述用户对应的所述常驻区域，则将所述用户的用户信息和所述常驻区域对应的常驻区域信息存入所述候选集合。
2.根据权利要求1所述的方法，其特征在于，所述确定至少一个候选用户对应的特征信息，包括：
针对任意所述候选用户，根据所述候选用户的位置定位信息确定所述第一访问行为特征信息和所述第二访问行为特征信息；
根据所述候选用户的位置定位信息、地图信息和人口统计信息确定所述时空特征信息。
3.根据权利要求1所述的方法，其特征在于，所述初始集合中包括：多个用户的用户信息和所述用户信息对应的至少一个常驻区域信息，所述候选集合中包括：所述至少一个候选用户的用户信息和所述用户信息对应的至少一个常驻区域信息。
4.根据权利要求1-3中任一项所述的方法，其特征在于，所述将所述至少一个候选用户对应的特征信息输入预设分类模型，判断所述至少一个候选用户的常驻区域是否变更之前，所述方法还包括：
获取训练数据；其中，所述训练数据包括：多个预设用户对应的特征信息，以及所述预设用户对应的常驻区域是否变更的指示信息；
将所述训练数据输入到初始分类模型进行训练，得到所述预设分类模型。
5.根据权利要求1-3中任一项所述的方法，其特征在于，所述第一访问行为特征信息包括以下至少一项：所述候选用户在所述第一预设时长内的日均定位点数量、所述候选用户在所述第一预设时长内每个第一预设时间段的定位点数量、所述候选用户在所述第一预设时长内所访问的除所述目标常驻区域之外的其它常驻区域的频率，所述候选用户在所述第一预设时长内访问所述其它常驻区域的时间；和/或，
所述第二访问行为特征信息包括以下至少一项：所述候选用户在所述第二预设时长内的日均定位点数量、所述候选用户在所述第二预设时长内每个第二预设时间段的定位点数量、所述候选用户在所述第二预设时长内所访问的每个常驻区域的频率、所述候选用户在所述第二预设时长内访问每个所述常驻区域的时间；和/或，
所述时空特征信息包括以下至少一项：所述新访问区域的常驻人口数据、所述新访问区域的功能类别、兴趣点POI的数量、所述POI的类别分布。
6.一种常驻区域变更的判断装置，其特征在于，包括：
第一确定模块，用于确定至少一个候选用户对应的特征信息；其中，所述候选用户为常驻区域发生变化的概率大于第一预设概率阈值的用户，所述候选用户对应的特征信息包括：所述候选用户在第一预设时长内的第一访问行为特征信息、所述候选用户在第二预设时长内的第二访问行为特征信息，以及所述候选用户在所述第一预设时长内新访问区域的时空特征信息；
判断模块，用于将所述至少一个候选用户对应的特征信息输入预设分类模型，判断所述至少一个候选用户的目标常驻区域是否变更；
所述装置还包括：
第二确定模块，用于基于用户访问常驻区域的概率分布从初始集合中确定候选集合；
所述第二确定模块具体用于：
针对所述初始集合中的任意用户的任意常驻区域，根据所述用户访问所述常驻区域的概率分布和第二预设概率阈值，确定所述用户对应的预设时长阈值；
若所述用户在所述预设时长阈值内未访问所述用户对应的所述常驻区域，则将所述用户的用户信息和所述常驻区域对应的常驻区域信息存入所述候选集合。
7.根据权利要求6所述的装置，其特征在于，所述第一确定模块具体用于：
针对任意所述候选用户，根据所述候选用户的位置定位信息确定所述第一访问行为特征信息和所述第二访问行为特征信息；
根据所述候选用户的位置定位信息、地图信息和人口统计信息确定所述时空特征信息。
8.根据权利要求6所述的装置，其特征在于，其中，所述初始集合中包括：多个用户的用户信息和所述用户信息对应的至少一个常驻区域信息，所述候选集合中包括：所述至少一个候选用户的用户信息和所述用户信息对应的至少一个常驻区域信息。
9.根据权利要求6-8中任一项所述的装置，其特征在于，所述装置还包括：
获取模块，用于获取训练数据；其中，所述训练数据包括：多个预设用户对应的特征信息，以及所述预设用户对应的常驻区域是否变更的指示信息；
训练模块，用于将所述训练数据输入到初始分类模型进行训练，得到所述预设分类模型。
10.根据权利要求6-8中任一项所述的装置，其特征在于，所述第一访问行为特征信息包括以下至少一项：所述候选用户在所述第一预设时长内的日均定位点数量、所述候选用户在所述第一预设时长内每个第一预设时间段的定位点数量、所述候选用户在所述第一预设时长内所访问的除所述目标常驻区域之外的其它常驻区域的频率，所述候选用户在所述第一预设时长内访问所述其它常驻区域的时间；和/或，
所述第二访问行为特征信息包括以下至少一项：所述候选用户在所述第二预设时长内的日均定位点数量、所述候选用户在所述第二预设时长内每个第二预设时间段的定位点数量、所述候选用户在所述第二预设时长内所访问的每个常驻区域的频率、所述候选用户在所述第二预设时长内访问每个所述常驻区域的时间；和/或，
所述时空特征信息包括以下至少一项：所述新访问区域的常驻人口数据、所述新访问区域的功能类别、兴趣点POI的数量、所述POI的类别分布。
11.一种电子设备，其特征在于，包括：
至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1-5任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，计算机指令用于使所述计算机执行如权利要求1-5任一项所述的方法。
CN202010027131.4A 2020-01-10 2020-01-10 常驻区域变更的判断方法、装置、设备及存储介质 Active CN111241225B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010027131.4A CN111241225B (zh) 2020-01-10 2020-01-10 常驻区域变更的判断方法、装置、设备及存储介质
US17/022,269 US20210192554A1 (en) 2020-01-10 2020-09-16 Method, apparatus, device and storage medium for judging permanent area change

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010027131.4A CN111241225B (zh) 2020-01-10 2020-01-10 常驻区域变更的判断方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN111241225A CN111241225A (zh) 2020-06-05
CN111241225B true CN111241225B (zh) 2023-08-08

Family

ID=70865497

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010027131.4A Active CN111241225B (zh) 2020-01-10 2020-01-10 常驻区域变更的判断方法、装置、设备及存储介质

Country Status (2)

Country Link
US (1) US20210192554A1 (zh)
CN (1) CN111241225B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111694914B (zh) * 2020-06-08 2023-08-29 北京百度网讯科技有限公司 用户常驻区域确定方法及装置
CN113704640B (zh) * 2021-08-09 2023-04-07 北京三快在线科技有限公司 用户常驻地址的预测方法、装置、电子设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108446944A (zh) * 2018-02-05 2018-08-24 北京三快在线科技有限公司 一种常驻城市的确定方法、装置及电子设备
CN109711865A (zh) * 2018-12-07 2019-05-03 恒安嘉新（北京）科技股份公司 一种基于用户行为挖掘的移动通信网流量精细化预测的方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090124241A1 (en) * 2007-11-14 2009-05-14 Qualcomm Incorporated Method and system for user profile match indication in a mobile environment
US10235683B2 (en) * 2014-07-18 2019-03-19 PlaceIQ, Inc. Analyzing mobile-device location histories to characterize consumer behavior
US9432466B2 (en) * 2014-05-30 2016-08-30 Linkedin Corporation Member time zone inference
US10901573B2 (en) * 2016-02-05 2021-01-26 Airwatch Llc Generating predictive action buttons within a graphical user interface

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108446944A (zh) * 2018-02-05 2018-08-24 北京三快在线科技有限公司 一种常驻城市的确定方法、装置及电子设备
CN109711865A (zh) * 2018-12-07 2019-05-03 恒安嘉新（北京）科技股份公司 一种基于用户行为挖掘的移动通信网流量精细化预测的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
数据挖掘在渠道偏好用户识别中的应用 ——以某市移动网上营业厅为例;张淑云;《中国优秀硕士学位论文全文数据库》;全文 *

Also Published As

Publication number Publication date
US20210192554A1 (en) 2021-06-24
CN111241225A (zh) 2020-06-05

Similar Documents

Publication Publication Date Title
US11714816B2 (en) Information search method and apparatus, device and storage medium
CN111143686B (zh) 资源推荐方法及装置
CN112241764A (zh) 图像识别方法、装置、电子设备及存储介质
CN112559870B (zh) 多模型融合方法、装置、电子设备和存储介质
CN111241427B (zh) 查询自动补全的方法、装置、设备和计算机存储介质
CN112818224B (zh) 信息推荐方法、装置、电子设备及可读存储介质
CN111611990A (zh) 用于识别图像中表格的方法和装置
CN111241225B (zh) 常驻区域变更的判断方法、装置、设备及存储介质
CN111506803A (zh) 内容推荐方法、装置、电子设备及存储介质
CN110852780A (zh) 数据分析方法、装置、设备和计算机存储介质
CN111782785B (zh) 自动问答方法、装置、设备以及存储介质
CN110543558A (zh) 问题匹配方法、装置、设备和介质
CN112084150A (zh) 模型训练、数据检索方法，装置，设备以及存储介质
JP7298090B2 (ja) 地理位置点の空間関係を抽出する方法及び装置
CN111460292A (zh) 模型评估方法、装置、设备和介质
CN111915608A (zh) 建筑物提取方法、装置、设备和存储介质
CN112328896B (zh) 用于输出信息的方法、装置、电子设备和介质
CN111461306B (zh) 特征评估的方法及装置
US20220276067A1 (en) Method and apparatus for guiding voice-packet recording function, device and computer storage medium
CN111767990A (zh) 神经网络的处理方法和装置
CN112269928A (zh) 用户推荐方法及装置、电子设备、计算机可读介质
CN111582139A (zh) 一种排污口识别方法、装置、电子设备和存储介质
CN113449754B (zh) 标签的匹配模型训练和展示方法、装置、设备及介质
CN111625706B (zh) 信息检索方法、装置、设备及存储介质
CN111767988A (zh) 神经网络的融合方法和装置

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