CN111372188B - 区域内热点轨迹确定方法和装置、存储介质及电子装置 - Google Patents

区域内热点轨迹确定方法和装置、存储介质及电子装置 Download PDF

Info

Publication number
CN111372188B
CN111372188B CN202010457924.XA CN202010457924A CN111372188B CN 111372188 B CN111372188 B CN 111372188B CN 202010457924 A CN202010457924 A CN 202010457924A CN 111372188 B CN111372188 B CN 111372188B
Authority
CN
China
Prior art keywords
target
track
determining
movement
tracks
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
CN202010457924.XA
Other languages
English (en)
Other versions
CN111372188A (zh
Inventor
陈毅臻
吴汉杰
鲁梦平
戴云峰
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.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen 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 Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202010457924.XA priority Critical patent/CN111372188B/zh
Publication of CN111372188A publication Critical patent/CN111372188A/zh
Application granted granted Critical
Publication of CN111372188B publication Critical patent/CN111372188B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • 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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2455—Query execution
    • G06F16/24553—Query execution of query operations
    • G06F16/24554—Unary operations; Data partitioning operations
    • G06F16/24556—Aggregation; Duplicate elimination
    • 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
    • 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
    • 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
    • H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Databases & Information Systems (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Remote Sensing (AREA)
  • Computational Linguistics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于云服务器的区域内热点轨迹确定方法和装置、存储介质及电子装置。其中，该方法包括：获取目标区域内的多个无线探测装置在第一时刻对目标对象探测到的一组目标距离，其中，每个目标距离为目标对象到无线探测装置的距离；根据一组目标距离从目标区域中确定出目标对象所在的目标位置；在确定出多个时刻目标对象分别所在的目标位置的情况下，利用多个目标位置的位置信息生成目标对象在目标区域内的移动轨迹，其中，多个时刻包括第一时刻及第一时刻之后的时刻；在获取到目标时间段内在目标区域中生成的多个移动轨迹的情况下，对多个移动轨迹进行聚合，以得到热点轨迹。本发明解决了相关技术中确定热点轨迹准确性低的技术问题。

Description

区域内热点轨迹确定方法和装置、存储介质及电子装置
技术领域
本发明涉及计算机云计算领域，具体而言，涉及一种区域内热点轨迹确定方法和装置、存储介质及电子装置。
背景技术
相关技术中，在商场等区域内，通常需要确定出顾客们常用的购物路线，从而可以在购物路线上进行商品的摆放与调整等。现有技术中提供的方法通常为根据摄像头获取拍下的顾客的行动轨迹，然后再对多个顾客的行动轨迹进行分析，得到可以代表多个顾客的行动轨迹的热点轨迹。
然而，若是采用上述方法，则由于摄像头只能拍摄一个区域的视频，无法得到一个顾客的行动轨迹，且摄像头拍摄的视频本身已经经过了扭曲，得到的行动轨迹并不准确。从而造成确定的热点轨迹的准确性低。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种区域内热点轨迹确定方法和装置、存储介质及电子装置，以至少解决相关技术中确定热点轨迹准确性低的技术问题。
根据本发明实施例的一个方面，提供了一种区域热点轨迹确定方法，包括：获取目标区域内的多个无线探测装置在第一时刻对目标对象探测到的一组目标距离，其中，每个上述目标距离为上述目标对象到上述无线探测装置的距离；根据上述一组目标距离从上述目标区域中确定出上述目标对象所在的目标位置；在确定出多个时刻上述目标对象分别所在的目标位置的情况下，利用多个上述目标位置的位置信息生成上述目标对象在上述目标区域内的移动轨迹，其中，上述多个时刻包括上述第一时刻及上述第一时刻之后的时刻；在获取到目标时间段内在上述目标区域中生成的多个移动轨迹的情况下，对上述多个移动轨迹进行聚合，以得到热点轨迹。
根据本发明实施例的另一方面，还提供了一种区域内热点轨迹确定装置，包括：获取单元，用于获取目标区域内的多个无线探测装置在第一时刻对目标对象探测到的一组目标距离，其中，每个上述目标距离为上述目标对象到上述无线探测装置的距离；确定单元，用于根据上述一组目标距离从上述目标区域中确定出上述目标对象所在的目标位置；生成单元，用于在确定出多个时刻上述目标对象分别所在的目标位置的情况下，利用多个上述目标位置的位置信息生成上述目标对象在上述目标区域内的移动轨迹，其中，上述多个时刻包括上述第一时刻及上述第一时刻之后的时刻；聚合单元，用于在获取到目标时间段内在上述目标区域中生成的多个移动轨迹的情况下，对上述多个移动轨迹进行聚合，以得到热点轨迹。
作为一种可选的示例，上述确定单元包括：划分模块，用于将上述目标区域划分为多个目标子区域；第一确定模块，用于根据上述一组目标距离与上述多个无线探测装置的位置，确定出上述目标对象在每一个上述目标子区域内的目标概率；第一获取模块，用于获取上述目标概率中的最大概率对应的上述目标子区域的中心点；第二确定模块，用于将上述中心点确定为上述目标对象在上述第一时刻的上述目标位置。
作为一种可选的示例，上述第一确定模块包括：第一执行子模块，用于将每一个上述目标子区域确定为当前子区域，执行以下步骤，直到遍历每一个上述目标子区域：获取上述当前子区域与每一个上述无线探测装置的关联概率，其中，上述关联概率根据上述当前子区域的位置与上述无线探测装置的位置和上述一组目标距离确定；将上述当前子区域的所有上述关联概率的乘积带入到预定公式中，确定出上述目标对象位于上述当前子区域的上述目标概率。
作为一种可选的示例，上述第一执行子模块还用于：将每一个上述无线探测装置确定为当前无线探测装置，执行以下步骤，直到遍历每一个上述无线探测装置：在上述当前子区域与上述当前无线探测装置的距离为与上述当前无线探测装置对应的上述目标距离的情况下，确定上述当前子区域与上述当前无线探测装置的关联概率为第一值，其中，上述第一值为距离上述当前无线探测装置的目标子区域的个数分之一；在上述当前子区域与上述当前无线探测装置的距离大于或者小于上述当前无线探测装置对应的上述目标距离的情况下，确定上述关联概率为零。
作为一种可选的示例，上述聚合单元包括：拆分模块，用于将上述多条移动轨迹分为多类移动轨迹；第四确定模块，用于为每一类上述移动轨迹确定出一个上述热点轨迹。
作为一种可选的示例，上述拆分模块包括：第一确定子模块，用于将每一个上述移动轨迹确定为一个移动轨迹簇；第二执行子模块，用于执行以下步骤，直到每两个上述移动轨迹簇的轨迹相似度大于或等于预定阈值：确定出每两个上述移动轨迹簇之间的上述轨迹相似度；将上述轨迹相似度最小的两个上述移动轨迹簇合并为一个新的上述轨迹簇；获取子模块，用于在执行完上述步骤后，得到多个第一移动轨迹簇；第二确定子模块，用于将每一个上述第一移动轨迹簇确定为一类上述移动轨迹。
作为一种可选的示例，上述第二执行子模块还用于：将两个上述移动轨迹簇中的一个移动轨迹簇确定为当前移动轨迹簇，另一个移动轨迹簇确定为目标移动轨迹簇，将上述当前移动轨迹簇中的每一个上述移动轨迹确定为当前移动轨迹，执行以下步骤，直到遍历上述当前移动轨迹簇：确定上述当前移动轨迹与上述目标移动轨迹簇中每一个上述移动轨迹的第一相似度；在完成上述遍历后，将多个上述第一相似度的平均值确定为上述轨迹相似度。
作为一种可选的示例，上述第四确定模块包括：第三执行子模块，用于在获取到一类上述移动轨迹后，将一类上述移动轨迹中的一条上述移动轨迹确定为当前移动轨迹，另一条上述移动轨迹确定为第一移动轨迹，执行以下步骤，直到遍历一类上述移动轨迹中的所有移动轨迹：获取上述当前移动轨迹与上述第一移动轨迹中每两个对应位置的中点，将上述中点的连线确定为新的上述当前移动轨迹，将一类上述移动轨迹中剩余的上述移动轨迹中的一条上述移动轨迹确定为上述第一移动轨迹，其中，上述对应位置为在同一时刻上述当前移动轨迹与上述第一移动轨迹上的位置；第三确定子模块，用于在完成上述遍历后，将最后确定出的一条上述当前移动轨迹确定为一类上述移动轨迹的上述热点轨迹。
作为一种可选的示例，上述聚合单元还包括：第五确定模块，用于在为每一类上述移动轨迹确定出一个上述热点轨迹之后，从一类上述移动轨迹中确定出两条第二移动轨迹；第二获取模块，用于在两条上述第二移动轨迹上的对应位置的间距小于第二阈值的情况下，获取两个上述对应位置的中点，其中，上述对应位置为在同一时刻上述两条第二移动轨迹上的位置；第六确定模块，用于在获取到多个上述中点之后，将上述中点的连线确定为一类上述轨迹的最长公共子轨迹。
根据本发明实施例的又一方面，还提供了一种计算机可读的存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述区域热点轨迹确定方法。
根据本发明实施例的又一方面，还提供了一种电子装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，上述处理器通过计算机程序执行上述的区域热点轨迹确定方法。
在本发明实施例中，采用了获取目标区域内的多个无线探测装置在第一时刻对目标对象探测到的一组目标距离，其中，每个上述目标距离为上述目标对象到上述无线探测装置的距离；根据上述一组目标距离从上述目标区域中确定出上述目标对象所在的目标位置；在确定出多个时刻上述目标对象分别所在的目标位置的情况下，利用多个上述目标位置的位置信息生成上述目标对象在上述目标区域内的移动轨迹，其中，上述多个时刻包括上述第一时刻及上述第一时刻之后的时刻；在获取到目标时间段内在上述目标区域中生成的多个移动轨迹的情况下，对上述多个移动轨迹进行聚合，以得到热点轨迹的方法，由于在上述方法中，在确定目标对象的轨迹的过程中，可以通过多个无线探测装置探测到目标对象距离无线探测装置的距离，从而可以确定出目标对象所在的位置，确定的目标对象的位置准确性高。进一步根据位置确定出目标对象的轨迹，并根据目标对象的轨迹确定热点轨迹，从而实现了提高热点轨迹确定准确度的效果，进而解决了相关技术中确定热点轨迹准确性低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种可选的区域热点轨迹确定方法的应用环境的示意图；
图2是根据本发明实施例的一种可选的区域热点轨迹确定方法的流程示意图；
图3是根据本发明实施例的一种可选的区域热点轨迹确定方法无线探测装置的位置布局的示意图；
图4是根据本发明实施例的一种可选的区域热点轨迹确定方法的目标区域划分示意图；
图5是根据本发明实施例的一种可选的区域热点轨迹确定方法的轨迹确定示意图；
图6是根据本发明实施例的一种可选的区域热点轨迹确定方法的关联概率确定示意图；
图7是根据本发明实施例的一种可选的区域热点轨迹确定方法的轨迹示意图；
图8是根据本发明实施例的一种可选的区域热点轨迹确定方法的轨迹聚合示意图；
图9是根据本发明实施例的一种可选的区域热点轨迹确定方法的流程示意图；
图10是根据本发明实施例的另一种可选的区域热点轨迹确定方法的流程示意图；
图11是根据本发明实施例的一种可选的区域热点轨迹确定方法的贝叶斯滤波算法示意图；
图12是根据本发明实施例的一种可选的区域热点轨迹确定方法的动态时间规整示意图；
图13是根据本发明实施例的一种可选的区域内热点轨迹确定装置的结构示意图；
图14是根据本发明实施例的一种可选的电子装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本方案涉及到云技术（Cloud technology），云技术是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来，实现数据的计算、储存、处理和共享的一种托管技术。
云技术基于云计算商业模式应用的网络技术、信息技术、整合技术、管理平台技术、应用技术等的总称，可以组成资源池，按需所用，灵活便利。云计算技术将变成重要支撑。技术网络系统的后台服务需要大量的计算、存储资源，如视频网站、图片类网站和更多的门户网站。伴随着互联网行业的高度发展和应用，将来每个物品都有可能存在自己的识别标志，都需要传输到后台系统进行逻辑处理，不同程度级别的数据将会分开处理，各类行业数据皆需要强大的系统后盾支撑，只能通过云计算来实现。
可选地，本方案涉及到云技术的云计算(cloud computing)，云计算是一种计算模式，它将计算任务分布在大量计算机构成的资源池上，使各种应用系统能够根据需要获取计算力、存储空间和信息服务。提供资源的网络被称为“云”。“云”中的资源在使用者看来是可以无限扩展的，并且可以随时获取，按需使用，随时扩展，按使用付费。
作为云计算的基础能力提供商，会建立云计算资源池(简称云平台，一般称为IaaS(Infrastructure as a Service，基础设施即服务)平台，在资源池中部署多种类型的虚拟资源，供外部客户选择使用。云计算资源池中主要包括：计算设备(为虚拟化机器，包含操作系统)、存储设备、网络设备。
按照逻辑功能划分,在IaaS（Infrastructure as a Service，基础设施即服务）层上可以部署PaaS(Platform as a Service,平台即服务)层，PaaS层之上再部署SaaS(Software as a Service,软件即服务)层，也可以直接将SaaS部署在IaaS上。PaaS为软件运行的平台，如数据库、web容器等。SaaS为各式各样的业务软件，如web门户网站、短信群发器等。一般来说，SaaS和PaaS相对于IaaS是上层。
根据本发明实施例的一个方面，提供了一种区域热点轨迹确定方法，可选地，作为一种可选的实施方式，上述区域热点轨迹确定方法可以但不限于应用于如图1所示的环境中。
图1中终端设备104可以检测附近的携带有无线终端的用户102。终端设备104中包含有探测装置106，用于探测无线终端、数据传输装置108，用于传输数据。终端设备104可以通过网络110与服务器112之间进行数据交互。终端设备104可以通过步骤S102 检测范围内的携带有无线终端的用户。
服务器112可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端设备104可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端设备104以及服务器112可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。
可选地，作为一种可选的实施方式，如图2所示，上述区域热点轨迹确定方法包括：
S202，获取目标区域内的多个无线探测装置在第一时刻对目标对象探测到的一组目标距离，其中，每个目标距离为目标对象到无线探测装置的距离；
S204，根据一组目标距离从目标区域中确定出目标对象所在的目标位置；
S206，在确定出多个时刻目标对象分别所在的目标位置的情况下，利用多个目标位置的位置信息生成目标对象在目标区域内的移动轨迹，其中，多个时刻包括第一时刻及第一时刻之后的时刻；
S208，在获取到目标时间段内在目标区域中生成的多个移动轨迹的情况下，对多个移动轨迹进行聚合，以得到热点轨迹。
可选地，上述区域热点轨迹确定方法可以但不限于应用于确定多个对象的热点轨迹的过程中。具体场景可以为超市获取热点轨迹规划商品摆放位置、景点获取热点轨迹推送旅游、游览、购物路线等。
以超市确定热点轨迹为例，本方案中可以在超市中设置多个无线探测装置，每一个无线探测装置都可以探测预定范围内的无线终端，无线终端由进入超市的顾客携带。由于一个无线终端对应一个MAC地址，因此，即使多个无线探测装置在不同时刻不同地点探测到无线终端，也可以将相同的无线终端关联起来，不会互相混淆。在第一时刻，多个无线探测装置可以探测到目标对象的一组目标距离，每一个目标距离为目标对象携带的无线终端到无线探测装置的距离。在获取到上述一组目标距离后，根据上述一组目标距离可以确定出顾客在超市（目标区域）中的具体位置。根据获取的多个时刻目标对象的目标位置，可以确定出目标对象在超市（目标区域）内的移动轨迹。
在获取到多个移动轨迹后，如获取到该超市昨天或上周所有的顾客的移动轨迹之后，可以根据该部分移动轨迹， 确定出热点轨迹，超时根据该热点轨迹可以规划商品的位置，或者在顾客进入超市时，推送热点轨迹作为购物轨迹。
通过本方案，通过上述方法，从而在确定目标对象的轨迹的过程中，可以通过多个无线探测装置探测到目标对象距离无线探测装置的距离，可以确定出目标对象所在的位置，确定的目标对象的位置准确性高。进一步根据位置确定出目标对象的轨迹，并根据目标对象的轨迹确定热点轨迹，实现了提高热点轨迹确定准确度的效果。
可选地，本方案中在获取目标时间段内目标区域中的多个移动轨迹时，移动轨迹可以为相同的目标对象产生的移动轨迹，如一个人多次进入目标区域并离开目标区域，也可以为多个目标对象产生的移动轨迹。目标时间段可以为任意时间段，如一小时，一天，一个星期，一个月等等。
可选地，本方案中在获取到一个移动轨迹的过程中，首先可以获取多个时刻一个目标对象的位置，然后将多个时刻目标对象的位置相连得到目标对象的移动轨迹。如每两秒获取一次目标对象的位置，然后将多个目标对象的位置相连，得到目标对象的移动轨迹。
可选地，本方案中在第一时刻确定目标对象的位置的过程中，可以通过预先布置的无线探测装置获取目标对象距离每一个无线探测装置的目标距离，然后通过目标距离确定目标对象的位置。
可选地，本方案中在目标区域内可以预先配置多个无线探测装置，而在第一时刻，可能多个无线探测装置中有0个或者1个或者多个或者全部无线探测装置探测到了目标对象，则第一时刻，使用探测到了目标对象的无线探测装置探测到的目标距离来确定目标对象的目标位置。
例如，目标区域内共布置有10个无线探测装置，在某一时刻，有3个无线探测装置探测到目标对象，则根据3个无线探测装置的位置与探测到的目标距离来确定目标对象在目标区域内的位置，若是在某一时刻，有5个无线探测装置探测到目标对象，则根据5个无线探测装置的位置与探测到的目标距离来确定目标对象在目标区域内的目标位置。
可选地，本方案中的无线探测装置可以为WIFI探针，WIFI探针是一种基于WIFI探测技术来自动识别附近已开启 WIFI的智能手机或者WIFI终端（笔记本，平板电脑等）的设备，可以获得临近终端的MAC地址、RSSI值等数据。
通过WIFI探针可以检测到距离WIFI探针一定范围内的用户携带的移动终端。将移动终端所在位置确定为用户的位置。
可选地，WIFI探针可以检测到用户携带的移动设备的信号强度，然后，WIFI探针获取到信号强度，与预先设置的转换表进行比对，将信号强度转换为第一距离。例如，信号强度越强，第一距离越近，或者，信号强度在某一个信号区间，对应距离为第一距离等。
例如如图3所示，图3为一种可选的目标区域内布置无线探测装置的平面示意图，图3中目标区域302内布置有无线探测装置304，无线探测装置304的位置可以随机设置或者自由设置或者均匀分布。
在多个无线探测装置探测到目标对象距离本无线探测装置的目标距离后，根据该多个目标距离确定目标对象的目标位置。
可选地，本方案中在确定目标对象的目标位置的过程中，可以将目标区域划分为多个目标子区域，然后确定目标对象在第一时刻位于每一个目标子区域的目标概率。如果确定出目标对象在第一时刻位于一个目标子区域中，则将目标子区域的中心点确定为目标对象在第一时刻所在的目标位置。将多个时刻的目标位置相连得到目标对象的移动轨迹。
例如，如图4所示，图4为一种可选的将目标区域402划分为9个目标子区域404的平面示意图，每一个目标子区域404的大小与形状是相同的。在第一时刻，可以通过多个无线探测装置探测出一组目标距离，根据一组目标距离计算出第一时刻目标对象的所在目标位置，如计算到第一时刻目标对象的位置位于图4中的位置406。
如图5所示，在目标区域502中，在多个时刻获取到多个目标位置504后，多个目标位置504连线组成目标对象的移动轨迹506。
可选地，确定目标位置时，需要确定目标对象在每一个目标子区域的目标概率。
可选地，在确定每一个目标子区域的目标概率的过程中，可以使用贝叶斯公式来确定目标概率。
贝叶斯滤波（Bayes Filter）贝叶斯定理（或贝叶斯公式）通过先验概率和似然性计算后验概率，即后验概率 = (似然性*先验概率)/标准化常量。公式如下：
Figure 850033DEST_PATH_IMAGE001
（1）
其中，上述公式1中的H为需要计算概率的假设，D为观测数据， p(H|D)为在观测到该数据的条件下H成立的概率，即后验概率，p(H)为在未考虑数据之前的概率，即先验概率，p(D|H)为在H假设的条件下观测到D的概率，即似然概率，p(D)为在任何条件下观测到D的概率，是一个标准化常量。
通过上述公式可以计算任何时刻目标对象所在的位置。
如计算一个目标子区域的目标概率，则需要该时刻目标子区域的先验概率与似然概率。如果将目标区域分为了10个目标子区域，则先验概率为1/10，似然概率是多个关联概率的乘积，每一个关联概率均需要计算得到。
结合图6说明，9个目标子区域602，每个目标子区域的先验概率为1/9，计算似然概率时，需要计算每一个目标子区域与每一个无线探测装置的关联概率。
无线探测装置604测到距离目标对象10米，则可以在10米范围处组成一个圆，或者类似圆的形状，该圆覆盖到了多个区域，多个区域是目标对象可能存在的区域，如图6中的四个黑色填充区域。而无填充区域为目标对象几乎不可能存在的区域。则，对于一个无线探测装置604，黑色填充区域包括了4个，若是一个目标子区域属于黑色填充区域中的一个，则该目标子区域与该无线探测装置604的关联概率为1/4，若是一个目标子区域不属于黑色填充区域中的一个，则该目标子区域与该无线探测装置604的关联概率为0。通过该方法，可以计算得到每一个目标子区域与每一个无线探测装置的关联概率，关联概率的乘积即为一个目标子区域的似然概率，将该似然概率与先验概率输入到贝叶斯公式中，计算出后验概率（目标概率）。
概率最大的目标子区域，即为目标对象最可能位于的目标子区域，将该目标子区域的中心点确定为目标对象在第一时刻的目标位置。
可选地，本方案中在使用贝叶斯公式计算每一个时刻目标对象所在的目标位置时，还可以使用贝叶斯公式计算第一个时刻的目标位置，然后，在计算下一个时刻的目标位置时，在计算每一个目标子区域的后验概率时，可以在公式中带入上一个时刻该目标子区域的后验概率，从而使每一个时刻计算出的目标对象的目标位置与上一个时刻关联，提高计算出的目标位置的准确度。
得到多个时刻的多个目标位置后，将多个时刻的多个目标位置相连，得到目标对象的移动轨迹。
通过上述方法可以获取到多条移动轨迹，如获取到一天内的多条移动轨迹，根据多条移动轨迹确定热点轨迹。
需要说明的是，本方案中的移动轨迹为在三维空间下的移动轨迹，无线测量装置可以携带有高度信息，如位于具体的楼层信息等，在确定出目标对象的位置后，可以和高度信息结合，得到目标对象的三维空间坐标。
可选地，在确定热点轨迹的过程中，可以先对多条移动轨迹进行分类，分为相似度较高的几类，然后为每一类移动轨迹确定出具有代表性的热点轨迹。
分类可以使用层次聚类（Hierarchical Clustering）：聚类算法的一种，通过计算不同类别数据点间的相似度来创建一棵有层次的嵌套聚类树。先将每个样本看成一个聚类簇，每次迭代时将两个距离最小的簇合并，得到聚类结果。簇间距离可以用不同簇间轨迹距离的最大值/最小值/平均值进行计算。
例如，如图7所示，图7中包括了三条移动轨迹，三条移动轨迹进行聚合操作等操作，可以分为两类，相似度高的移动轨迹被分为一类，例如，图7中702与704被分为一类，706被分为另一类。
在具体的分类过程中，可以首先，将每一个移动轨迹分为一个移动轨迹簇，然后进行移动轨迹簇的合并。合并过程中，需要计算每两个移动轨迹簇之间的轨迹相似度，然后将轨迹相似度最小的两个移动轨迹簇合并，得到新的移动轨迹簇。然后再次计算每两个移动轨迹簇之间的轨迹相似度，合并轨迹相似度最小的两个移动轨迹簇，直到剩余的每两个移动轨迹簇之间的轨迹相似度都大于了一个预定阈值，则认为剩余的移动轨迹簇不能在合并，将剩余的每一个移动轨迹簇确定为一类移动轨迹。
在计算轨迹相似度时，可以使用动态时间规整（Dynamic Time Wrapping，简称为DTW）的方法。计算一对长度可以不一样的时间序列之间相似度的算法。顾客在店内的行走速度不同，因此他们行动轨迹的时间序列长度也往往不一样，在衡量两个人的轨迹相似度时需要对时间进行规整。动态时间规整就是使用动态规划的方法将两个序列进行非线性的缩放来应对时间上的不均匀，同时计算相似度。
在计算两个移动轨迹簇的轨迹相似度的时候，需要计算两个移动轨迹簇的每两个移动轨迹之间的第一相似度。即，第一个移动轨迹簇有三个移动轨迹，第二个移动轨迹簇有四个移动轨迹，则第一相似度有3*4=12个，12个第一相似度的平均值为两个移动轨迹簇之间的轨迹相似度。
为多个移动轨迹分类后，每一类移动轨迹都可以确定出一个热点轨迹来代表该类移动轨迹。如图8所示，图8中从A点出发的多条移动轨迹802在经过聚合后，得到一条从A点出发的热点轨迹804，该热点轨迹804是经过计算出的轨迹，可能与多条移动轨迹802中的一条移动轨迹重合，也可能不与任何一条移动轨迹802重合。
在对一类移动轨迹进行聚合的过程中，首先获取一类移动轨迹中的两条移动轨迹，确定两条移动轨迹相同时刻的两个点的中点，确定出两条移动轨迹的所有中点后，将中点的连线确定为两条移动轨迹的平均轨迹，将平均轨迹与一类移动轨迹中的第三条移动轨迹的中点连线确定为三条移动轨迹的平均轨迹，在确定一类移动轨迹中的四条移动轨迹的平均轨迹， 直到确定出一类移动轨迹的平均轨迹，该平均轨迹即为该类移动轨迹的热点轨迹。
还可以将一类移动轨迹中的移动轨迹分为N/2份，N为一类移动轨迹中移动轨迹的个数，每份两个移动轨迹求平均轨迹，然后每两个平均轨迹再合并求平均轨迹，直到求得最后一个平均轨迹，即为热点轨迹。
可选地，本方案中还可以计算每一类移动轨迹的最长公共子轨迹。最长公共子序列（Longest Common Sub-Sequences，Longest Common Sub-Sequences，简称为LCSS）是两个序列间最长的公共子序列，可以衡量两个长度不同序列的相似度。在轨迹时间序列中，可以设定一个距离的阈值来判断两个点是否匹配。
在确定最长公共子轨迹的过程中，从一类移动轨迹中随机确定出两条轨迹，若是在同一时刻两条轨迹上的点的距离小于第二阈值，则将两个点的中点确定为最长公共子轨迹上的一个点，若是两个点的距离大于或者等于第二阈值，则该两个点的中点不作为最长公共子轨迹上的点。待遍历两条轨迹之后，得到最长公共子轨迹。
可选地，本方案中的热点轨迹与最长公共子轨迹可以投入到具体使用中，热点轨迹可以代表一类轨迹的热点路线，最长公共子轨迹可以代表一类轨迹中的详细的轨迹路线。在获取到热点轨迹与最长公共子轨迹之后，可以将两个轨迹应用到在目标区域内摆放商品位置的依据，或者应用在旅游、逛街、买卖等过程中调整商品位置的依据或者为游客、顾客等的推荐路线。如，为每一种热点路线设置标签，如热点路线1适合年轻人，热点路线2适合老年人，则在检测到目标对象1为年轻人的情况下，向该目标对象1推荐热点路线1，目标对象可以选择参考热点路线1在目标区域内移动。
本方案可以应用在商场内，可以基于WIFI探针来对顾客行动轨迹模式进行挖掘。当行人在商场内移动时，通过安装在商场内的WIFI探针识别到的手机信号，可以推算出行人的行动轨迹。当收集到足够多的顾客运动轨迹时，使用动态时间规整算法可以计算出它们之间的相似度，并通过层次聚类学习出若干相似的轨迹簇，在簇内计算平均轨迹得到行人的行动模式，并通过计算最长公共子序列得到店铺的热点路线。本方法通过挖掘用户在商场里的行动轨迹模式，识别出顾客在店内常见的动线和路径，从而协助商家进行更有效率的营销。
以下结合一个具体示例解释上述区域热点轨迹确定方法。如确定行人在商场中的热点轨迹。
行人在商场中的移动，其在不同位置时会被安装在布置在不同位置的WIFI探针探测到。由于同一个行人的终端的MAC地址通常不会改变，因此可以以各WIFI探针探测到的同一个MAC地址作为该行人的身份识别标识，再通过AP的位置布置信息，可以通过贝叶斯滤波方法推算出行人的行动轨迹。
如图9的步骤S902到步骤S910-2所示，首先采集信号数据得到目标距离，然后通过目标距离计算移动轨迹，接着确定任意两条移动轨迹的相似度，计算出相似度后，对多个移动轨迹进行分类，分成多个移动轨迹簇，最后，计算每个移动轨迹簇的平均轨迹与最长公共子轨迹。将平均轨迹确定为该移动轨迹簇的热点轨迹。需要说明的是，步骤S910-1与步骤S910-2的执行先后顺序并不做限定。
具体步骤可以如图10所示。
首先，通过步骤S1002通过WIFI探针收集终端在商场内的信号强度。本步骤需要在商场同一楼层的多个WIFI探针顾客的手机信号强度。本步骤可以通过设置的多个WIFI探针手机数据，多个WIFI探针可以设置在不同的楼层，每一个楼层的WIFI探针负责计算顾客在该层的位置。
然后，通过步骤S1004，以信号强度为依据，确定出终端与WIFI探针的距离。
通过步骤S1006，将确定出的多个距离，计算顾客位于商场内每一个位置的概率，将概率最大的位置确定为顾客当前所在的位置。
假设行人在一秒内方向是随机的，且最远不会超过2米，预测下一秒行人出行在各个位置的概率，根据下一秒的WIFI信号值，更新顾客在各个位置的后验概率，概率最高处即为他的定位位置。将各个时刻的位置连接起来得到行人在商场内的行动轨迹。过程中使用到贝叶斯滤波算法，贝叶斯滤波算法是一种迭代的算法，每一次迭代有两个基本的步骤。首先根据上一个时刻位置的后验概率作为当前时刻的先验值，并通过运动模型计算位置的预测值。这一过程被称为或者是预测prediction。第二步称为测量更新(measurementupdate)。贝叶斯滤波器用观测到测量结果的条件概率乘上预测值， 并做归一化处理，得到置信度当前时刻的位置的后验概率。
如图11所示，图11中通过预测步骤获取先验概率，然后通过测量更新步骤将观测到的测量结果带入，得到后验概率，后验概率作为下一个时刻的先验概率进行循环迭代。
S1008，确定出多个时刻顾客所在的位置，得到携带终端的用户的移动轨迹。
S1010，获取多个顾客在一个商场内的移动轨迹，每一个顾客对应一条移动轨迹。
步骤S1012，用动态时间规整方法计算轨迹相似度。动态时间规整算法可以计算两条不同长度的序列的相似度。首先，将两条移动轨迹的初始距离设置为零（第一个点重合），计算每一个时刻两个对应点的距离，并且计算1）序列A（移动轨迹A）当前点与序列B（移动轨迹B）下一个点之间距离，2）序列A下一个点与序列B当前点之间距离，3）序列A下一个点与序列B下一个点之间距离，三者取最小值加到动态时间规整距离上，并将这两个点设为当前的对应点。计算公式如下：
Figure 298332DEST_PATH_IMAGE002
（2）
其中，上述公式2中，Li与Lj分别为两条轨迹，m与n分别为轨迹的长度，ak i与bk j为在第k个时刻，对应的轨迹Li与轨迹Lj上的点，Rest(Li)为轨迹Li 在k时刻剩余的轨迹, Rest(Lj)为轨迹Lj 在k时刻剩余的轨迹。
如图12所示，图12为一种可选的两个移动轨迹上的点（白色点与黑色点为不同移动轨迹上的点）的动态时间规整，将两个长度不同的轨迹对齐为长度相同的轨迹，同时计算相似度。
S1014，计算每两条轨迹之间的动态时间规整距离，得到所有轨迹的距离矩阵。
S1016，用层次聚类方法将轨迹分类。首先，S1016-2，初始化令每条移动轨迹为一个簇，S1016-4，根据轨迹距离矩阵计算各个簇的距离，两个簇的距离等于簇A内各个轨迹与簇B内各个轨迹的距离的平均值，S1016-6，将簇间距离最小的两个簇合并。,重复上述步骤S1016-4与S1016-6，直到每两个簇之间的距离都大于或等于预定阈值。通过该步骤，可以得到多类移动轨迹，每一类移动轨迹中的多个移动轨迹相似。
S1018-2，计算簇内平均轨迹。
在计算动态时间规整距离时，得到了任意两条轨迹的对应点。将所有对应点的中点相连，得到两条轨迹经过动态时间规整后的平均轨迹。将上述平均距离推广到N条，即依次两条轨迹的平均轨迹，并与下一条轨迹求平均。对每个移动轨迹簇的轨迹求动态时间规整平均，得到各个簇的轨迹模式。
S1018-4，计算簇内最长公共子路径。最长公共子序列算法通过动态规划的方法计算两个轨迹之间的公共模式。首先初始化公共序列为空，公共序列长度为0，计算当前两个对应点之间的距离，若距离小于阈值
Figure 472875DEST_PATH_IMAGE003
，公共序列添加当前对应点，公共序列长度+1，若距离大于阈值
Figure 399243DEST_PATH_IMAGE003
，公共序列不变。计算公式如下：
Figure 620140DEST_PATH_IMAGE004
（3）
其中，上述公式3中，L（i，j）为最长公共子路径，xi、yj为在第k时刻的两条轨迹上的点，ε为距离阈值，i与j为大于零的参数，i小于轨迹Li上的点的个数，j小于轨迹Lj上的点的个数。
对各个簇内轨迹逐个求公共子序列，得到各个簇中相似轨迹的公共轨迹，作为店铺顾客在局部位置行动的模式。需要说明的是，步骤S1018-2与步骤S1018-4的执行先后顺序不做限定，也可以只执行其中的一个步骤。
作为一种可选的实施方案，根据一组目标距离从目标区域中确定出目标对象所在的目标位置包括：
S1，将目标区域划分为多个目标子区域；
S2，根据一组目标距离与多个无线探测装置的位置，确定出目标对象在每一个目标子区域内的目标概率；
S3，获取目标概率中的最大概率对应的目标子区域的中心点；
S4，将中心点确定为目标对象在第一时刻的目标位置。
通过本实施例，通过上述方法确定目标位置，实现了提高目标位置确定准确度的效果。
作为一种可选的实施方案，根据一组目标距离与多个无线探测装置的位置，确定出目标对象在每一个目标子区域内的目标概率包括：
S1，将每一个目标子区域确定为当前子区域，执行以下步骤，直到遍历每一个目标子区域：
S2，获取当前子区域与每一个无线探测装置的关联概率，其中，关联概率根据当前子区域的位置与无线探测装置的位置和一组目标距离确定；
S3，将当前子区域的所有关联概率的乘积带入到预定公式中，确定出目标对象位于当前子区域的目标概率。
通过本实施例，通过上述方法确定目标概率，实现了提高目标概率确定准确度的效果。
作为一种可选的实施方案，获取当前子区域与每一个无线探测装置的关联概率包括：
S1，将每一个无线探测装置确定为当前无线探测装置，执行以下步骤，直到遍历每一个无线探测装置：
S2，在当前子区域与当前无线探测装置的距离为与当前无线探测装置对应的目标距离的情况下，确定当前子区域与当前无线探测装置的关联概率为第一值，其中，第一值为距离当前无线探测装置的目标子区域的个数分之一；
S3，在当前子区域与当前无线探测装置的距离大于或者小于当前无线探测装置对应的目标距离的情况下，确定关联概率为零。
通过本实施例，通过上述方法确定关联概率，实现了提高关联概率确定准确度的效果。
作为一种可选的实施方案，获取目标区域内的多个无线探测装置在第一时刻对目标对象探测到的一组目标距离包括：
S1，将多个无线探测装置中每一个无线探测装置作为当前无线探测装置，执行以下步骤，直到遍历多个无线探测装置：
S2，在当前无线探测装置检测到目标对象所携带的硬件设备的目标信号的情况下，获取目标信号的信号强度；
S3，按照转换表中的信号与距离的转换关系，将目标信号转换为第一距离；
S4，将第一距离确定为目标对象与当前无线探测装置的目标距离。
通过本实施例，通过上述方法，从而可以准确测到目标对象距离无线探测装置的距离，实现了提高热点轨迹确定准确度的效果。
作为一种可选的实施方案，在获取到目标时间段内在目标区域中生成的多条移动轨迹的情况下，对多个移动轨迹进行聚合，以得到热点轨迹包括：
S1，将多条移动轨迹分为多类移动轨迹；
S2，为每一类移动轨迹确定出一个热点轨迹。
通过本实施例，通过上述方法，从而可以从每一个移动轨迹中确定出一个热点轨迹，实现了提高确定热点轨迹效率的效果。
作为一种可选的实施方案，将多条移动轨迹分为多类移动轨迹包括：
S1，将每一个移动轨迹确定为一个移动轨迹簇；
S2，执行以下步骤，直到每两个移动轨迹簇的轨迹相似度大于或等于预定阈值：确定出每两个移动轨迹簇之间的轨迹相似度；将轨迹相似度最小的两个移动轨迹簇合并为一个新的轨迹簇；
S3，在执行完上述步骤后，得到多个第一移动轨迹簇；
S4，将每一个第一移动轨迹簇确定为一类移动轨迹。
通过本实施例，通过上述方法，从而可以准确的将多个移动轨迹分为多类移动轨迹，实现了提高轨迹分类准确度的效果。
作为一种可选的实施方案，确定出每两个移动轨迹簇之间的轨迹相似度包括：
S1，将两个移动轨迹簇中的一个移动轨迹簇确定为当前移动轨迹簇，另一个移动轨迹簇确定为目标移动轨迹簇，将当前移动轨迹簇中的每一个移动轨迹确定为当前移动轨迹，执行以下步骤，直到遍历当前移动轨迹簇：确定当前移动轨迹与目标移动轨迹簇中每一个移动轨迹的第一相似度；
S2，在完成上述遍历后，将多个第一相似度的平均值确定为轨迹相似度。
通过本实施例，通过上述方法计算轨迹相似度，从而提高了确定轨迹相似度的准确性。
作为一种可选的实施方案，为每一类移动轨迹确定出一个热点轨迹包括：
S1，在获取到一类移动轨迹后，将一类移动轨迹中的一条移动轨迹确定为当前移动轨迹，另一条移动轨迹确定为第一移动轨迹，执行以下步骤，直到遍历一类移动轨迹中的所有移动轨迹：获取当前移动轨迹与第一移动轨迹中每两个对应位置的中点，将中点的连线确定为新的当前移动轨迹，将一类移动轨迹中剩余的移动轨迹中的一条移动轨迹确定为第一移动轨迹，其中，对应位置为在同一时刻当前移动轨迹与第一移动轨迹上的位置；
S2，在完成上述遍历后，将最后确定出的一条当前移动轨迹确定为一类移动轨迹的热点轨迹。
通过本实施例，通过上述方法确定热点轨迹，实现了提高热点轨迹确定准确度的效果。
作为一种可选的实施方案，在为每一类移动轨迹确定出一个热点轨迹之后，方法还包括：
S1，从一类移动轨迹中确定出两条第二移动轨迹；
S2，在两条第二移动轨迹上的对应位置的间距小于第二阈值的情况下，获取两个对应位置的中点，其中，对应位置为在同一时刻两条第二移动轨迹上的位置；
S3，在获取到多个中点之后，将中点的连线确定为一类轨迹的最长公共子轨迹。
通过本实施例，通过上述方法获取最长公共子轨迹，从而根据最长公共子轨迹规划商品的位置等。
需要说明的是，对于前述的各方法实施例，为了简单描述，故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他顺序或者同时进行。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。
根据本发明实施例的另一个方面，还提供了一种用于实施上述区域热点轨迹确定方法的区域内热点轨迹确定装置。如图12所示，该装置包括：
（1）获取单元1302，用于获取目标区域内的多个无线探测装置在第一时刻对目标对象探测到的一组目标距离，其中，每个目标距离为目标对象到无线探测装置的距离；
（2）确定单元1304，用于根据一组目标距离从目标区域中确定出目标对象所在的目标位置；
（3）生成单元1306，用于在确定出多个时刻目标对象分别所在的目标位置的情况下，利用多个目标位置的位置信息生成目标对象在目标区域内的移动轨迹，其中，多个时刻包括第一时刻及第一时刻之后的时刻；
（4）聚合单元1308，用于在获取到目标时间段内在目标区域中生成的多个移动轨迹的情况下，对多个移动轨迹进行聚合，以得到热点轨迹。
可选地，上述区域内热点轨迹确定装置可以但不限于应用于确定多个对象的热点轨迹的过程中。具体场景可以为超市获取热点轨迹规划商品摆放位置、景点获取热点轨迹推送旅游、游览、购物路线等。
以超市确定热点轨迹为例，本方案中可以在超市中设置多个无线探测装置，每一个无线探测装置都可以探测预定范围内的无线终端，无线终端由进入超市的顾客携带。由于一个无线终端对应一个MAC地址，因此，即使多个无线探测装置在不同时刻不同地点探测到无线终端，也可以将相同的无线终端关联起来，不会互相混淆。在第一时刻，多个无线探测装置可以探测到目标对象的一组目标距离，每一个目标距离为目标对象携带的无线终端到无线探测装置的距离。在获取到上述一组目标距离后，根据上述一组目标距离可以确定出顾客在超市（目标区域）中的具体位置。根据获取的多个时刻目标对象的目标位置，可以确定出目标对象在超市（目标区域）内的移动轨迹。
在获取到多个移动轨迹后，如获取到该超市昨天或上周所有的顾客的移动轨迹之后，可以根据该部分移动轨迹， 确定出热点轨迹，超时根据该热点轨迹可以规划商品的位置，或者在顾客进入超市时，推送热点轨迹作为购物轨迹。
通过本方案，通过上述方法，从而在确定目标对象的轨迹的过程中，可以通过多个无线探测装置探测到目标对象距离无线探测装置的距离，可以确定出目标对象所在的位置，确定的目标对象的位置准确性高。进一步根据位置确定出目标对象的轨迹，并根据目标对象的轨迹确定热点轨迹，实现了提高热点轨迹确定准确度的效果。
可选地，本方案中在获取目标时间段内目标区域中的多个移动轨迹时，移动轨迹可以为相同的目标对象产生的移动轨迹，如一个人多次进入目标区域并离开目标区域，也可以为多个目标对象产生的移动轨迹。目标时间段可以为任意时间段，如一小时，一天，一个星期，一个月等等。
可选地，本方案中在获取到一个移动轨迹的过程中，首先可以获取多个时刻一个目标对象的位置，然后将多个时刻目标对象的位置相连得到目标对象的移动轨迹。如每两秒获取一次目标对象的位置，然后将多个目标对象的位置相连，得到目标对象的移动轨迹。
可选地，本方案中在第一时刻确定目标对象的位置的过程中，可以通过预先布置的无线探测装置获取目标对象距离每一个无线探测装置的目标距离，然后通过目标距离确定目标对象的位置。
可选地，本方案中在目标区域内可以预先配置多个无线探测装置，而在第一时刻，可能多个无线探测装置中有0个或者1个或者多个或者全部无线探测装置探测到了目标对象，则第一时刻，使用探测到了目标对象的无线探测装置探测到的目标距离来确定目标对象的目标位置。
例如，目标区域内共布置有10个无线探测装置，在某一时刻，有3个无线探测装置探测到目标对象，则根据3个无线探测装置的位置与探测到的目标距离来确定目标对象在目标区域内的位置，若是在某一时刻，有5个无线探测装置探测到目标对象，则根据5个无线探测装置的位置与探测到的目标距离来确定目标对象在目标区域内的目标位置。
可选地，本方案中的无线探测装置可以为WIFI探针，WIFI探针是一种基于WIFI探测技术来自动识别附近已开启 WIFI的智能手机或者WIFI终端（笔记本，平板电脑等）的设备，可以获得临近终端的MAC地址、RSSI值等数据。
通过WIFI探针可以检测到距离WIFI探针一定范围内的用户携带的移动终端。将移动终端所在位置确定为用户的位置。
可选地，WIFI探针可以检测到用户携带的移动设备的信号强度，然后，WIFI探针获取到信号强度，与预先设置的转换表进行比对，将信号强度转换为第一距离。例如，信号强度越强，第一距离越近，或者，信号强度在某一个信号区间，对应距离为第一距离等。
例如如图3所示，图3为一种可选的目标区域内布置无线探测装置的平面示意图，图3中目标区域302内布置有无线探测装置304，无线探测装置304的位置可以随机设置或者自由设置或者均匀分布。
在多个无线探测装置探测到目标对象距离本无线探测装置的目标距离后，根据该多个目标距离确定目标对象的目标位置。
可选地，本方案中在确定目标对象的目标位置的过程中，可以将目标区域划分为多个目标子区域，然后确定目标对象在第一时刻位于每一个目标子区域的目标概率。如果确定出目标对象在第一时刻位于一个目标子区域中，则将目标子区域的中心点确定为目标对象在第一时刻所在的目标位置。将多个时刻的目标位置相连得到目标对象的移动轨迹。
例如，如图4所示，图4为一种可选的将目标区域402划分为9个目标子区域404的平面示意图，每一个目标子区域404的大小与形状是相同的。在第一时刻，可以通过多个无线探测装置探测出一组目标距离，根据一组目标距离计算出第一时刻目标对象的所在目标位置，如计算到第一时刻目标对象的位置位于图4中的位置406。
如图5所示，在目标区域502中，在多个时刻获取到多个目标位置504后，多个目标位置504连线组成目标对象的移动轨迹506。
可选地，确定目标位置时，需要确定目标对象在每一个目标子区域的目标概率。
可选地，在确定每一个目标子区域的目标概率的过程中，可以使用贝叶斯公式来确定目标概率。
贝叶斯滤波（Bayes Filter）贝叶斯定理（或贝叶斯公式）通过先验概率和似然性计算后验概率，即后验概率 = (似然性*先验概率)/标准化常量。公式如下：
Figure 177023DEST_PATH_IMAGE001
（4）
其中，上述公式1中的H为需要计算概率的假设，D为观测数据， p(H|D)为在观测到该数据的条件下H成立的概率，即后验概率，p(H)为在未考虑数据之前的概率，即先验概率，p(D|H)为在H假设的条件下观测到D的概率，即似然概率，p(D)为在任何条件下观测到D的概率，是一个标准化常量。
通过上述公式可以计算任何时刻目标对象所在的位置。
如计算一个目标子区域的目标概率，则需要该时刻目标子区域的先验概率与似然概率。如果将目标区域分为了10个目标子区域，则先验概率为1/10，似然概率是多个关联概率的乘积，每一个关联概率均需要计算得到。
结合图6说明，9个目标子区域602，每个目标子区域的先验概率为1/9，计算似然概率时，需要计算每一个目标子区域与每一个无线探测装置的关联概率。
无线探测装置604测到距离目标对象10米，则可以在10米范围处组成一个圆，或者类似圆的形状，该圆覆盖到了多个区域，多个区域是目标对象可能存在的区域，如图6中的四个黑色填充区域。而无填充区域为目标对象几乎不可能存在的区域。则，对于一个无线探测装置604，黑色填充区域包括了4个，若是一个目标子区域属于黑色填充区域中的一个，则该目标子区域与该无线探测装置604的关联概率为1/4，若是一个目标子区域不属于黑色填充区域中的一个，则该目标子区域与该无线探测装置604的关联概率为0。通过该方法，可以计算得到每一个目标子区域与每一个无线探测装置的关联概率，关联概率的乘积即为一个目标子区域的似然概率，将该似然概率与先验概率输入到贝叶斯公式中，计算出后验概率（目标概率）。
概率最大的目标子区域，即为目标对象最可能位于的目标子区域，将该目标子区域的中心点确定为目标对象在第一时刻的目标位置。
可选地，本方案中在使用贝叶斯公式计算每一个时刻目标对象所在的目标位置时，还可以使用贝叶斯公式计算第一个时刻的目标位置，然后，在计算下一个时刻的目标位置时，在计算每一个目标子区域的后验概率时，可以在公式中带入上一个时刻该目标子区域的后验概率，从而使每一个时刻计算出的目标对象的目标位置与上一个时刻关联，提高计算出的目标位置的准确度。
得到多个时刻的多个目标位置后，将多个时刻的多个目标位置相连，得到目标对象的移动轨迹。
通过上述方法可以获取到多条移动轨迹，如获取到一天内的多条移动轨迹，根据多条移动轨迹确定热点轨迹。
需要说明的是，本方案中的移动轨迹为在三维空间下的移动轨迹，无线测量装置可以携带有高度信息，如位于具体的楼层信息等，在确定出目标对象的位置后，可以和高度信息结合，得到目标对象的三维空间坐标。
可选地，在确定热点轨迹的过程中，可以先对多条移动轨迹进行分类，分为相似度较高的几类，然后为每一类移动轨迹确定出具有代表性的热点轨迹。
分类可以使用层次聚类（Hierarchical Clustering）：聚类算法的一种，通过计算不同类别数据点间的相似度来创建一棵有层次的嵌套聚类树。先将每个样本看成一个聚类簇，每次迭代时将两个距离最小的簇合并，得到聚类结果。簇间距离可以用不同簇间轨迹距离的最大值/最小值/平均值进行计算。
例如，如图7所示，图7中包括了三条移动轨迹，三条移动轨迹进行聚合操作等操作，可以分为两类，相似度高的移动轨迹被分为一类，例如，图7中702与704被分为一类，706被分为另一类。
在具体的分类过程中，可以首先，将每一个移动轨迹分为一个移动轨迹簇，然后进行移动轨迹簇的合并。合并过程中，需要计算每两个移动轨迹簇之间的轨迹相似度，然后将轨迹相似度最小的两个移动轨迹簇合并，得到新的移动轨迹簇。然后再次计算每两个移动轨迹簇之间的轨迹相似度，合并轨迹相似度最小的两个移动轨迹簇，直到剩余的每两个移动轨迹簇之间的轨迹相似度都大于了一个预定阈值，则认为剩余的移动轨迹簇不能在合并，将剩余的每一个移动轨迹簇确定为一类移动轨迹。
在计算轨迹相似度时，可以使用动态时间规整（Dynamic Time Wrapping，简称为DTW）的方法。计算一对长度可以不一样的时间序列之间相似度的算法。顾客在店内的行走速度不同，因此他们行动轨迹的时间序列长度也往往不一样，在衡量两个人的轨迹相似度时需要对时间进行规整。动态时间规整就是使用动态规划的方法将两个序列进行非线性的缩放来应对时间上的不均匀，同时计算相似度。
在计算两个移动轨迹簇的轨迹相似度的时候，需要计算两个移动轨迹簇的每两个移动轨迹之间的第一相似度。即，第一个移动轨迹簇有三个移动轨迹，第二个移动轨迹簇有四个移动轨迹，则第一相似度有3*4=12个，12个第一相似度的平均值为两个移动轨迹簇之间的轨迹相似度。
为多个移动轨迹分类后，每一类移动轨迹都可以确定出一个热点轨迹来代表该类移动轨迹。如图8所示，图8中从A点出发的多条移动轨迹802在经过聚合后，得到一条从A点出发的热点轨迹804，该热点轨迹804是经过计算出的轨迹，可能与多条移动轨迹802中的一条移动轨迹重合，也可能不与任何一条移动轨迹802重合。
在对一类移动轨迹进行聚合的过程中，首先获取一类移动轨迹中的两条移动轨迹，确定两条移动轨迹相同时刻的两个点的中点，确定出两条移动轨迹的所有中点后，将中点的连线确定为两条移动轨迹的平均轨迹，将平均轨迹与一类移动轨迹中的第三条移动轨迹的中点连线确定为三条移动轨迹的平均轨迹，在确定一类移动轨迹中的四条移动轨迹的平均轨迹， 直到确定出一类移动轨迹的平均轨迹，该平均轨迹即为该类移动轨迹的热点轨迹。
还可以将一类移动轨迹中的移动轨迹分为N/2份，N为一类移动轨迹中移动轨迹的个数，每份两个移动轨迹求平均轨迹，然后每两个平均轨迹再合并求平均轨迹，直到求得最后一个平均轨迹，即为热点轨迹。
可选地，本方案中还可以计算每一类移动轨迹的最长公共子轨迹。最长公共子序列（Longest Common Sub-Sequences，Longest Common Sub-Sequences，简称为LCSS）是两个序列间最长的公共子序列，可以衡量两个长度不同序列的相似度。在轨迹时间序列中，可以设定一个距离的阈值来判断两个点是否匹配。
在确定最长公共子轨迹的过程中，从一类移动轨迹中随机确定出两条轨迹，若是在同一时刻两条轨迹上的点的距离小于第二阈值，则将两个点的中点确定为最长公共子轨迹上的一个点，若是两个点的距离大于或者等于第二阈值，则该两个点的中点不作为最长公共子轨迹上的点。待遍历两条轨迹之后，得到最长公共子轨迹。
可选地，本方案中的热点轨迹与最长公共子轨迹可以投入到具体使用中，热点轨迹可以代表一类轨迹的热点路线，最长公共子轨迹可以代表一类轨迹中的详细的轨迹路线。在获取到热点轨迹与最长公共子轨迹之后，可以将两个轨迹应用到在目标区域内摆放商品位置的依据，或者应用在旅游、逛街、买卖等过程中调整商品位置的依据或者为游客、顾客等的推荐路线。如，为每一种热点路线设置标签，如热点路线1适合年轻人，热点路线2适合老年人，则在检测到目标对象1为年轻人的情况下，向该目标对象1推荐热点路线1，目标对象可以选择参考热点路线1在目标区域内移动。
本方案可以应用在商场内，可以基于WIFI探针来对顾客行动轨迹模式进行挖掘。当行人在商场内移动时，通过安装在商场内的WIFI探针识别到的手机信号，可以推算出行人的行动轨迹。当收集到足够多的顾客运动轨迹时，使用动态时间规整算法可以计算出它们之间的相似度，并通过层次聚类学习出若干相似的轨迹簇，在簇内计算平均轨迹得到行人的行动模式，并通过计算最长公共子序列得到店铺的热点路线。本方法通过挖掘用户在商场里的行动轨迹模式，识别出顾客在店内常见的动线和路径，从而协助商家进行更有效率的营销。
作为一种可选的实施方案，确定单元包括：
（1）划分模块，用于将目标区域划分为多个目标子区域；
（2）第一确定模块，用于根据一组目标距离与多个无线探测装置的位置，确定出目标对象在每一个目标子区域内的目标概率；
（3）第一获取模块，用于获取目标概率中的最大概率对应的目标子区域的中心点；
（4）第二确定模块，用于将中心点确定为目标对象在第一时刻的目标位置。
通过本实施例，通过上述方法确定目标位置，实现了提高目标位置确定准确度的效果。
作为一种可选的实施方案，第一确定模块包括：
（1）第一执行子模块，用于将每一个目标子区域确定为当前子区域，执行以下步骤，直到遍历每一个目标子区域：
S1，获取当前子区域与每一个无线探测装置的关联概率，其中，关联概率根据当前子区域的位置与无线探测装置的位置和一组目标距离确定；
S2，将当前子区域的所有关联概率的乘积带入到预定公式中，确定出目标对象位于当前子区域的目标概率。
通过本实施例，通过上述方法确定目标概率，实现了提高目标概率确定准确度的效果。
作为一种可选的实施方案，第一执行子模块还用于：
S1，将每一个无线探测装置确定为当前无线探测装置，执行以下步骤，直到遍历每一个无线探测装置：
S2，在当前子区域与当前无线探测装置的距离为与当前无线探测装置对应的目标距离的情况下，确定当前子区域与当前无线探测装置的关联概率为第一值，其中，第一值为距离当前无线探测装置的目标子区域的个数分之一；
S3，在当前子区域与当前无线探测装置的距离大于或者小于当前无线探测装置对应的目标距离的情况下，确定关联概率为零。
通过本实施例，通过上述方法确定关联概率，实现了提高关联概率确定准确度的效果。
作为一种可选的实施方案，获取单元包括：
（1）第三确定模块，用于将多个无线探测装置中每一个无线探测装置作为当前无线探测装置，执行以下步骤，直到遍历多个无线探测装置：
S1，在当前无线探测装置检测到目标对象所携带的硬件设备的目标信号的情况下，获取目标信号的信号强度；
S2，按照转换表中的信号与距离的转换关系，将目标信号转换为第一距离；
S3，将第一距离确定为目标对象与当前无线探测装置的目标距离。
通过本实施例，通过上述方法，从而可以准确测到目标对象距离无线探测装置的距离，实现了提高热点轨迹确定准确度的效果。
作为一种可选的实施方案，聚合单元包括：
（1）拆分模块，用于将多条移动轨迹分为多类移动轨迹；
（2）第四确定模块，用于为每一类移动轨迹确定出一个热点轨迹。
通过本实施例，通过上述方法，从而可以从每一个移动轨迹中确定出一个热点轨迹，实现了提高确定热点轨迹效率的效果。
作为一种可选的实施方案，拆分模块包括：
（1）第一确定子模块，用于将每一个移动轨迹确定为一个移动轨迹簇；
（2）第二执行子模块，用于执行以下步骤，直到每两个移动轨迹簇的轨迹相似度大于或等于预定阈值：确定出每两个移动轨迹簇之间的轨迹相似度；将轨迹相似度最小的两个移动轨迹簇合并为一个新的轨迹簇；
（3）获取子模块，用于在执行完上述步骤后，得到多个第一移动轨迹簇；
（4）第二确定子模块，用于将每一个第一移动轨迹簇确定为一类移动轨迹。
通过本实施例，通过上述方法，从而可以准确的将多个移动轨迹分为多类移动轨迹，实现了提高轨迹分类准确度的效果。
作为一种可选的实施方案，第二执行子模块还用于：
S1，将两个移动轨迹簇中的一个移动轨迹簇确定为当前移动轨迹簇，另一个移动轨迹簇确定为目标移动轨迹簇，将当前移动轨迹簇中的每一个移动轨迹确定为当前移动轨迹，执行以下步骤，直到遍历当前移动轨迹簇：确定当前移动轨迹与目标移动轨迹簇中每一个移动轨迹的第一相似度；
S2，在完成上述遍历后，将多个第一相似度的平均值确定为轨迹相似度。
通过本实施例，通过上述方法计算轨迹相似度，从而提高了确定轨迹相似度的准确性。
作为一种可选的实施方案，第四确定模块包括：
（1）第三执行子模块，用于在获取到一类移动轨迹后，将一类移动轨迹中的一条移动轨迹确定为当前移动轨迹，另一条移动轨迹确定为第一移动轨迹，执行以下步骤，直到遍历一类移动轨迹中的所有移动轨迹：获取当前移动轨迹与第一移动轨迹中每两个对应位置的中点，将中点的连线确定为新的当前移动轨迹，将一类移动轨迹中剩余的移动轨迹中的一条移动轨迹确定为第一移动轨迹，其中，对应位置为在同一时刻当前移动轨迹与第一移动轨迹上的位置；
（2）第三确定子模块，用于在完成上述遍历后，将最后确定出的一条当前移动轨迹确定为一类移动轨迹的热点轨迹。
通过本实施例，通过上述方法确定热点轨迹，实现了提高热点轨迹确定准确度的效果。
作为一种可选的实施方案，聚合单元还包括：
（1）第五确定模块，用于在为每一类移动轨迹确定出一个热点轨迹之后，从一类移动轨迹中确定出两条第二移动轨迹；
（2）第二获取模块，用于在两条第二移动轨迹上的对应位置的间距小于第二阈值的情况下，获取两个对应位置的中点，其中，对应位置为在同一时刻两条第二移动轨迹上的位置；
（3）第六确定模块，用于在获取到多个中点之后，将中点的连线确定为一类轨迹的最长公共子轨迹。
通过本实施例，通过上述方法获取最长公共子轨迹，从而根据最长公共子轨迹规划商品的位置等。
根据本发明实施例的又一个方面，还提供了一种用于实施上述区域热点轨迹确定方法的电子装置，如图14所示，该电子装置包括存储器1402和处理器1404，该存储器1402中存储有计算机程序，该处理器1404被设置为通过计算机程序执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述电子装置可以位于计算机网络的多个网络设备中的至少一个网络设备。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，获取目标区域内的多个无线探测装置在第一时刻对目标对象探测到的一组目标距离，其中，每个目标距离为目标对象到无线探测装置的距离；
S2，根据一组目标距离从目标区域中确定出目标对象所在的目标位置；
S3，在确定出多个时刻目标对象分别所在的目标位置的情况下，利用多个目标位置的位置信息生成目标对象在目标区域内的移动轨迹，其中，多个时刻包括第一时刻及第一时刻之后的时刻；
S4，在获取到目标时间段内在目标区域中生成的多个移动轨迹的情况下，对多个移动轨迹进行聚合，以得到热点轨迹。
可选地，本领域普通技术人员可以理解，图14所示的结构仅为示意，电子装置也可以是智能手机（如Android手机、iOS手机等）、平板电脑、掌上电脑以及移动互联网设备（Mobile Internet Devices，MID）、PAD等终端设备。图14其并不对上述电子装置的结构造成限定。例如，电子装置还可包括比图14中所示更多或者更少的组件（如网络接口等），或者具有与图14所示不同的配置。
其中，存储器1402可用于存储软件程序以及模块，如本发明实施例中的区域热点轨迹确定方法和装置对应的程序指令/模块，处理器1404通过运行存储在存储器1402内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的区域热点轨迹确定方法。存储器1402可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器1402可进一步包括相对于处理器1404远程设置的存储器，这些远程存储器可以通过网络连接至终端。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。其中，存储器1402具体可以但不限于用于存储目标距离、目标位置、移动轨迹等信息。作为一种示例，如图14所示，上述存储器1402中可以但不限于包括上述区域内热点轨迹确定装置中的获取单元1302、确定单元1304、生成单元1306及聚合单元1308。此外，还可以包括但不限于上述区域内热点轨迹确定装置中的其他模块单元，本示例中不再赘述。
可选地，上述的传输装置1406用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中，传输装置1406包括一个网络适配器（Network Interface Controller，NIC），其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中，传输装置1406为射频（Radio Frequency，RF）模块，其用于通过无线方式与互联网进行通讯。
此外，上述电子装置还包括：显示器1408，用于显示上述热点轨迹；和连接总线1410，用于连接上述电子装置中的各个模块部件。
根据本发明的实施例的又一方面，还提供了一种计算机可读的存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
S1，获取目标区域内的多个无线探测装置在第一时刻对目标对象探测到的一组目标距离，其中，每个目标距离为目标对象到无线探测装置的距离；
S2，根据一组目标距离从目标区域中确定出目标对象所在的目标位置；
S3，在确定出多个时刻目标对象分别所在的目标位置的情况下，利用多个目标位置的位置信息生成目标对象在目标区域内的移动轨迹，其中，多个时刻包括第一时刻及第一时刻之后的时刻；
S4，在获取到目标时间段内在目标区域中生成的多个移动轨迹的情况下，对多个移动轨迹进行聚合，以得到热点轨迹。
可选地，在本实施例中，本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器（Read-Only Memory，ROM）、随机存取器（Random Access Memory，RAM）、磁盘或光盘等。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备（可为个人计算机、服务器或者网络设备等）执行本发明各个实施例方法的全部或部分步骤。
在本发明的上述实施例中，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，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
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，也可以采用软件功能单元的形式实现。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (13)

1.一种区域热点轨迹确定方法，其特征在于，包括：
获取目标区域内的多个无线探测装置在第一时刻对目标对象探测到的一组目标距离，其中，每个所述目标距离为所述目标对象到所述无线探测装置的距离；
根据所述一组目标距离从所述目标区域中确定出所述目标对象所在的目标位置；
在确定出多个时刻所述目标对象分别所在的目标位置的情况下，利用多个所述目标位置的位置信息生成所述目标对象在所述目标区域内的移动轨迹，其中，所述多个时刻包括所述第一时刻及所述第一时刻之后的时刻；
在获取到多条移动轨迹后，将所述多条移动轨迹分为多类移动轨迹；
在获取到所述多类移动轨迹中的一类所述移动轨迹后，将一类所述移动轨迹中的一条所述移动轨迹确定为当前移动轨迹，另一条所述移动轨迹确定为第一移动轨迹，执行以下步骤，直到遍历一类所述移动轨迹中的所有移动轨迹：获取所述当前移动轨迹与所述第一移动轨迹中每两个对应位置的中点，将所述中点的连线确定为新的所述当前移动轨迹，将一类所述移动轨迹中剩余的所述移动轨迹中的一条所述移动轨迹确定为所述第一移动轨迹，其中，所述对应位置为在同一时刻所述当前移动轨迹与所述第一移动轨迹上的位置；
在完成上述遍历后，将一类所述移动轨迹中最后确定出的一条所述当前移动轨迹确定为一类所述移动轨迹的热点轨迹，以为所述多类移动轨迹的每一类所述移动轨迹确定出一条所述热点轨迹。
2.根据权利要求1所述的方法，其特征在于，所述根据所述一组目标距离从所述目标区域中确定出所述目标对象所在的目标位置包括：
将所述目标区域划分为多个目标子区域；
根据所述一组目标距离与所述多个无线探测装置的位置，确定出所述目标对象在每一个所述目标子区域内的目标概率；
获取所述目标概率中的最大概率对应的所述目标子区域的中心点；
将所述中心点确定为所述目标对象在所述第一时刻的所述目标位置。
3.根据权利要求2所述的方法，其特征在于，所述根据所述一组目标距离与所述多个无线探测装置的位置，确定出所述目标对象在每一个所述目标子区域内的目标概率包括：
将每一个所述目标子区域确定为当前子区域，执行以下步骤，直到遍历每一个所述目标子区域：
获取所述当前子区域与每一个所述无线探测装置的关联概率，其中，所述关联概率根据所述当前子区域的位置与所述无线探测装置的位置和所述一组目标距离确定；
将所述当前子区域的所有所述关联概率的乘积带入到预定公式中，确定出所述目标对象位于所述当前子区域的所述目标概率。
4.根据权利要求3所述的方法，其特征在于，所述获取所述当前子区域与每一个所述无线探测装置的关联概率包括：
将每一个所述无线探测装置确定为当前无线探测装置，执行以下步骤，直到遍历所述无线探测装置：
在所述当前子区域与所述当前无线探测装置的距离为与所述当前无线探测装置对应的所述目标距离的情况下，确定所述当前子区域与所述当前无线探测装置的关联概率为第一值，其中，所述第一值为距离所述当前无线探测装置的目标子区域的个数分之一；
在所述当前子区域与所述当前无线探测装置的距离大于或者小于所述当前无线探测装置对应的所述目标距离的情况下，确定所述关联概率为零。
5.根据权利要求1所述的方法，其特征在于，所述获取目标区域内的多个无线探测装置在第一时刻对目标对象探测到的一组目标距离包括：
将所述多个无线探测装置中每一个无线探测装置作为当前无线探测装置，执行以下步骤，直到遍历所述多个无线探测装置：
在所述当前无线探测装置检测到所述目标对象所携带的硬件设备的目标信号的情况下，获取所述目标信号的信号强度；
按照转换表中的信号与距离的转换关系，将所述目标信号转换为第一距离；
将所述第一距离确定为所述目标对象与所述当前无线探测装置的所述目标距离。
6.根据权利要求1所述的方法，其特征在于，所述将所述多条移动轨迹分为多类移动轨迹包括：
将每一个所述移动轨迹确定为一个移动轨迹簇；
执行以下步骤，直到每两个所述移动轨迹簇的轨迹相似度大于或等于预定阈值：确定出每两个所述移动轨迹簇之间的所述轨迹相似度；将所述轨迹相似度最小的两个所述移动轨迹簇合并为一个新的所述轨迹簇；
在执行完上述步骤后，得到多个第一移动轨迹簇；
将每一个所述第一移动轨迹簇确定为一类所述移动轨迹。
7.根据权利要求6所述的方法，其特征在于，所述确定出每两个所述移动轨迹簇之间的所述轨迹相似度包括：
将两个所述移动轨迹簇中的一个移动轨迹簇确定为当前移动轨迹簇，另一个移动轨迹簇确定为目标移动轨迹簇，将所述当前移动轨迹簇中的每一个所述移动轨迹确定为当前移动轨迹，执行以下步骤，直到遍历所述当前移动轨迹簇：确定所述当前移动轨迹与所述目标移动轨迹簇中每一个所述移动轨迹的第一相似度；
在完成上述遍历后，将多个所述第一相似度的平均值确定为所述轨迹相似度。
8.根据权利要求1所述的方法，其特征在于，在为每一类所述移动轨迹确定出一个所述热点轨迹之后，所述方法还包括：
从一类所述移动轨迹中确定出两条第二移动轨迹；
在两条所述第二移动轨迹上的对应位置的间距小于第二阈值的情况下，获取两个所述对应位置的中点，其中，所述对应位置为在同一时刻所述两条第二移动轨迹上的位置；
在获取到多个所述中点之后，将所述中点的连线确定为一类所述轨迹的最长公共子轨迹。
9.一种区域内热点轨迹确定装置，其特征在于，包括：
获取单元，用于获取目标区域内的多个无线探测装置在第一时刻对目标对象探测到的一组目标距离，其中，每个所述目标距离为所述目标对象到所述无线探测装置的距离；
确定单元，用于根据所述一组目标距离从所述目标区域中确定出所述目标对象所在的目标位置；
生成单元，用于在确定出多个时刻所述目标对象分别所在的目标位置的情况下，利用多个所述目标位置的位置信息生成所述目标对象在所述目标区域内的移动轨迹，其中，所述多个时刻包括所述第一时刻及所述第一时刻之后的时刻；
聚合单元，所述聚合单元包括拆分模块与第四确定模块，所述拆分模块用于在获取到多条移动轨迹后，将多条移动轨迹分为多类移动轨迹；所述第四确定模块包括：第三执行子模块，用于在获取到所述多类移动轨迹中的一类所述移动轨迹后，将一类所述移动轨迹中的一条所述移动轨迹确定为当前移动轨迹，另一条所述移动轨迹确定为第一移动轨迹，执行以下步骤，直到遍历一类所述移动轨迹中的所有移动轨迹：获取所述当前移动轨迹与所述第一移动轨迹中每两个对应位置的中点，将所述中点的连线确定为新的所述当前移动轨迹，将一类所述移动轨迹中剩余的所述移动轨迹中的一条所述移动轨迹确定为所述第一移动轨迹，其中，所述对应位置为在同一时刻所述当前移动轨迹与所述第一移动轨迹上的位置，第三确定子模块，用于在完成上述遍历后，将一类所述移动轨迹中最后确定出的一条所述当前移动轨迹确定为一类所述移动轨迹的热点轨迹，以为所述多类移动轨迹的每一类所述移动轨迹确定出一条所述热点轨迹。
10.根据权利要求9所述的装置，其特征在于，所述确定单元包括：
划分模块，用于将所述目标区域划分为多个目标子区域；
第一确定模块，用于根据所述一组目标距离与所述多个无线探测装置的位置，确定出所述目标对象在每一个所述目标子区域内的目标概率；
第一获取模块，用于获取所述目标概率中的最大概率对应的所述目标子区域的中心点；
第二确定模块，用于将所述中心点确定为所述目标对象在所述第一时刻的所述目标位置。
11.根据权利要求9所述的装置，其特征在于，所述获取单元包括：
第三确定模块，用于将所述多个无线探测装置中每一个无线探测装置作为当前无线探测装置，执行以下步骤，直到遍历所述多个无线探测装置：
在所述当前无线探测装置检测到所述目标对象所携带的硬件设备的目标信号的情况下，获取所述目标信号的信号强度；
按照转换表中的信号与距离的转换关系，将所述目标信号转换为第一距离；
将所述第一距离确定为所述目标对象与所述当前无线探测装置的所述目标距离。
12.一种计算机可读的存储介质，所述存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1至8任一项中所述的方法。
13.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现权利要求1至8任一项中所述的方法。
CN202010457924.XA 2020-05-27 2020-05-27 区域内热点轨迹确定方法和装置、存储介质及电子装置 Active CN111372188B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010457924.XA CN111372188B (zh) 2020-05-27 2020-05-27 区域内热点轨迹确定方法和装置、存储介质及电子装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010457924.XA CN111372188B (zh) 2020-05-27 2020-05-27 区域内热点轨迹确定方法和装置、存储介质及电子装置

Publications (2)

Publication Number Publication Date
CN111372188A CN111372188A (zh) 2020-07-03
CN111372188B true CN111372188B (zh) 2020-09-01

Family

ID=71209639

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010457924.XA Active CN111372188B (zh) 2020-05-27 2020-05-27 区域内热点轨迹确定方法和装置、存储介质及电子装置

Country Status (1)

Country Link
CN (1) CN111372188B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112379384B (zh) * 2020-11-10 2024-04-09 浙江华消科技有限公司 对象的位置确定方法及装置
CN112258128B (zh) * 2020-11-11 2021-10-26 拉扎斯网络科技（上海）有限公司 目标位置估计方法、装置、电子设备及计算机存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101509780B (zh) * 2009-03-16 2011-09-28 西安理工大学 一种智能盲人导航系统及导航方法
CN102196556B (zh) * 2010-03-18 2014-08-06 中国移动通信集团设计院有限公司 一种wifi网络的ap的位置、覆盖半径确定系统及方法
JP5535816B2 (ja) * 2010-08-04 2014-07-02 株式会社豊田中央研究所 移動物予測装置及びプログラム
US9279878B2 (en) * 2012-03-27 2016-03-08 Microsoft Technology Licensing, Llc Locating a mobile device
CN106407893B (zh) * 2016-08-29 2019-11-22 东软集团股份有限公司 一种检测车道线的方法、装置和设备
CN107301254B (zh) * 2017-08-24 2020-07-10 电子科技大学 一种路网热点区域挖掘方法
CN110390012B (zh) * 2018-04-13 2023-12-05 北京京东尚科信息技术有限公司 轨迹聚合方法、装置、存储介质及电子设备

Also Published As

Publication number Publication date
CN111372188A (zh) 2020-07-03

Similar Documents

Publication Publication Date Title
Dickinson et al. Indoor positioning of shoppers using a network of Bluetooth Low Energy beacons
Yaeli et al. Understanding customer behavior using indoor location analysis and visualization
CN108573428A (zh) 一种资源推荐方法和装置
US9679301B2 (en) Method, apparatus and computer program product for developing, aggregating, and utilizing user pattern profiles
CN111372188B (zh) 区域内热点轨迹确定方法和装置、存储介质及电子装置
US11200403B2 (en) Next location prediction
CN104335064A (zh) 改进的三边测量处理
Chen et al. Intelligent marketing in smart cities: Crowdsourced data for geo-conquesting
US11341650B2 (en) Method for accelerating three-dimensional object segmentation with point cloud simplifications
US11200704B2 (en) Method for scalable volumetric video coding
CN104320848B (zh) 基于云计算实现室内定位的系统及方法
Chatzimichail et al. RSSI fingerprinting techniques for indoor localization datasets
US20190102797A1 (en) Digital signage with instant checkout
Roy et al. Designing an ensemble of classifiers for smartphone-based indoor localization irrespective of device configuration
Gabellini et al. A large scale trajectory dataset for shopper behaviour understanding
Makita et al. Mixed reality navigation on a tablet computer for supporting machine maintenance in wide-area indoor environment
Sakr et al. Efficient Wi-Fi signal strength maps using sparse Gaussian process models
Tran et al. Fingerprint-based location tracking with Hodrick-Prescott filtering
Gao et al. Indoor map construction via mobile crowdsensing
Toyama et al. Implementation of control interfaces for moving omnidirectional access point robot
Kumrai et al. Automated construction of Wi-Fi-based indoor logical location predictor using crowd-sourced photos with Wi-Fi signals
Mitsugi et al. Optimal number of MOAP robots for WMNs using elbow theory
Balzano et al. FiDGP: a smart fingerprinting radiomap refinement method based on distance-geometry problem
Cai A retail application based on indoor location with grid estimations
Xu et al. Practical urban localization for mobile ar

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40025788

Country of ref document: HK