CN111859177A - 一种定位方法和系统 - Google Patents

一种定位方法和系统 Download PDF

Info

Publication number
CN111859177A
CN111859177A CN202010280191.7A CN202010280191A CN111859177A CN 111859177 A CN111859177 A CN 111859177A CN 202010280191 A CN202010280191 A CN 202010280191A CN 111859177 A CN111859177 A CN 111859177A
Authority
CN
China
Prior art keywords
user
historical
network information
model
travel data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010280191.7A
Other languages
English (en)
Other versions
CN111859177B (zh
Inventor
尹卜一
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 Didi Infinity Technology and Development Co Ltd
Original Assignee
Beijing Didi Infinity Technology and Development 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 Didi Infinity Technology and Development Co Ltd filed Critical Beijing Didi Infinity Technology and Development Co Ltd
Priority to CN202010280191.7A priority Critical patent/CN111859177B/zh
Publication of CN111859177A publication Critical patent/CN111859177A/zh
Application granted granted Critical
Publication of CN111859177B publication Critical patent/CN111859177B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Navigation (AREA)

Abstract

本申请实施例公开了一种定位方法和系统。方法包括：接收用户终端当前发起的与位置相关的服务请求；接收用户当前发起的服务请求；获取所述服务请求中携带的所述用户的当前网络信息；获取所述用户的历史行经数据；根据所述当前网络信息和所述历史行经数据预测所述用户的当前位置。由于定位采用了用户历史行经数据和用户的当前网路信息，提高了定位的精准度，且使服务平台能够基于定位结果优化提供的相应服务。

Description

一种定位方法和系统
技术领域
本申请涉及定位领域，尤其涉及一种定位方法和系统。
背景技术
随着互联网的普及，现实生活中人们出行日益依赖网络定位技术。例如，网约车平台通过网络定位技术可以为用户提供更精准的与位置相关的服务(如，订单分配、订单计费等)。现有的网络定位技术中，大多是用户通过终端扫描周围的AP(Access Point，接入点)信息、基站信息、信号强度、缓存时间等网络信息来预测用户终端当前的位置，通过这种方式预测的用户位置与用户的实际位置可能存在较大差距，导致定位的精确度不理想，从而降低用户的使用体验。因此，目前亟需提供一种定位精确度较高的方法来预测用户的当前位置，提高网络定位的准确度。
发明内容
本申请实施例之一提供一种定位方法。所述定位方法包括：接收用户当前发起的服务请求；获取所述服务请求中携带的所述用户的当前网络信息；获取所述用户的历史行经数据；根据所述当前网络信息和所述历史行经数据预测所述用户的当前位置。
本申请实施例之一提供一种定位系统。所述系统包括：接收模块，用于接收用户当前发起的服务请求；第一获取模块，用于获取所述服务请求中携带的所述用户的当前网络信息；第二获取模块，用于获取所述用户的历史行经数据；预测模块，用于根据所述当前网络信息和所述历史行经数据预测所述用户的当前位置。
本申请实施例之一提供一种定位装置，所述装置包括处理器以及存储器；所述存储器用于存储指令，所述指令被所述处理器执行时，导致所述装置实现如所述的定位方法中一个或多个操作。
本申请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，计算机执行本申请任一实施例所述方法。
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是根据本申请一些实施例所示的定位系统的应用场景示意图；
图2是根据本申请一些实施例所示的示例性计算设备的示意图；
图3是根据本申请一些实施例所示的示例性移动设备的示例性硬件和/或软件组件的示意图；
图4是根据本申请一些实施例所示的一种定位系统的模块图；
图5是根据本申请一些实施例所示的一种定位方法的示例性流程图；
图6是根据本申请一些实施例所示的第一模型训练方法的示例性流程图；
图7是根据本申请一些实施例所示的第二模型训练方法的示例性流程图；以及
图8是根据本申请一些实施例所示的第三模型训练方法的示例性流程图。
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，本申请中所使用的“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。
如本申请和权利要求书中所示，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。
本申请中的实施例可以应用于不同的运输系统，例如，出租车、专车、顺风车、巴士、代驾等。本申请描述的“乘客”、“乘客端”、“用户终端”、“顾客”、“需求者”、“服务需求者”、“消费者”、“消费方”、“使用需求者”等是可以互换的，是指需要或者订购服务的一方，可以是个人，也可以是工具。同样地，本申请描述的“司机”、“司机端”、“提供者”、“供应者”、“服务提供者”、“服务者”、“服务方”等也是可以互换的，是指提供服务或者协助提供服务的个人、工具或者其他实体等。另外，本申请描述的“用户”可以是需要或者订购服务的一方，也可以是提供服务或者协助提供服务的一方。
图1是根据本申请一些实施例所示的定位系统的应用场景示意图。在一些实施例中，该定位系统100可以用于基于用户发起服务请求时所携带的当前网络信息和用户的历史行经数据，预测用户的当前位置。定位系统100可以是用于互联网或者其它网络的服务平台。例如，定位系统100可以是为交通运输提供服务的线上服务平台。在一些实施例中，定位系统100可以应用于网约车服务，例如出租车呼叫、快车呼叫、专车呼叫、小巴呼叫、拼车、公交服务、司机雇佣和接送服务等。在一些实施例中，定位系统100还可以应用于代驾、快递、外卖等。在另一些实施例中，定位系统100还可以应用于家政服务、出行(如旅游)服务、教育(如线下教育)服务等领域。如图1所示，定位系统100可以包括服务器110、网络120、服务请求者终端130、服务提供者终端140和存储设备150。
在一些实施例中，服务器110可以用于处理与定位相关联的信息和/或数据来执行本申请中揭示的一个或者多个功能。在一些实施例中，服务器110可以基于用户发起服务请求时携带的当前网络信息和用户的历史行经数据，预测用户的当前位置。例如，服务器110可以用于接收用户当前发起的服务请求。又例如，服务器110可以获取所述服务请求中携带的所述用户的当前网络信息。再例如，服务器110可以获取所述用户的历史行经数据。还例如，服务器110可以根据所述当前网络信息和所述历史行经数据预测所述用户的当前位置。在一些实施例中，服务器110可以包括一个或多个处理引擎(例如，单核心处理引擎或多核心处理器)。例如，服务器110可以包括处理引擎112。仅作为范例，服务器110可以包括中央处理器(中央处理器)、特定应用集成电路(ASIC)、专用指令集处理器(ASIP)、图像处理器(GPU)、物理运算处理单元(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编程逻辑装置(PLD)、控制器、微控制器单元、精简指令集计算机(RISC)、微处理器等中的一种或多种组合。在一些实施例中，服务器110可以在与本申请的图2或图3所示的计算设备上实现。例如，处理110可以在如图2所示的一个计算设备200上实现，包括计算设备200中的一个或多个部件。再例如，服务器110可以在如图3所示的一个移动设备300上实现，包括计算设备300中的一个或多个部件。
在一些实施例中，网络120可以促进信息和/或数据的交换。在一些实施例中，定位系统100的一个或者多个组件(例如服务器110、服务请求者终端130、服务提供者终端140和存储设备150)可以通过网络120传送信息至定位系统100的其他组件。例如，服务器110可以通过网络120从存储设备150中获取与定位相关联的信息和/或数据。在一些实施例中，网络120可以是任意形式的有线或者无线网络，或其任意组合。仅作为范例，网络120可以是有线网络、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可以包括一个或多个网络接入点。例如，网络120可能包括有线或无线网络接入点，如基站和/或互联网交换点120-1、120-2等等。通过接入点，定位系统100的一个或多个部件可能连接到网络120以交换数据和/或信息。
在一些实施例中，服务请求者终端130和/或服务提供者终端140可以是与服务请求直接相关的个人、工具或其他实体。用户可以是服务请求者和/或服务提供者。在本申请中，“用户”、“用户终端”可以互换使用。司机可以是服务提供者。在本申请中，“司机”、“司机终端”可以互换使用。在一些实施例中，服务请求者终端130可以包括移动设备130-1、平板电脑130-2、笔记本电脑130-3、以及机动车辆中的车载设备130-4等或其任意组合。在一些实施例中，移动设备130-1可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、增强现实设备等或其任意组合。在一些实施例中，智能家居设备可以包括智能照明设备、智能电器控制设备、智能监控设备、智能电视、智能摄像机、对讲机等或其任意组合。在一些实施例中，可穿戴设备可以包括智能手镯、智能鞋袜、智能眼镜、智能头盔、智能手表、智能穿着、智能背包、智能配件等或其任意组合。在一些实施例中，智能移动设备可以包括智能电话、个人数字助理(PDA)、游戏设备、导航设备、销售点(POS)等或其任意组合。在一些实施例中，虚拟现实设备和/或增强现实设备可以包括虚拟现实头盔、虚拟现实眼镜、虚拟现实眼罩、增强型虚拟现实头盔、增强现实眼镜、增强现实眼罩等或其任意组合。例如，虚拟现实设备和/或增强现实设备可以包括Google Glass、Oculus Rift、HoloLens或Gear VR等。在一些实施例中，机动车辆中的车载设备130-4可以包括车载计算机、车载电视等。在一些实施例中，服务请求者终端130可以是具有定位技术的设备，用于定位服务请求者和/或服务请求者终端130的位置。
在一些实施例中，服务提供者终端140可以与服务请求者终端130类似或相同的设备。在一些实施例中，服务提供者终端140可以是具有用于确定服务提供者或者服务提供者终端140位置的定位技术的装置。在一些实施例中，服务请求者终端130和/或服务提供者终端140可以与另一定位设备通信以确定服务请求者、服务请求者终端130、服务提供者和/或服务提供者终端140的位置。在一些实施例中，服务提供者终端140可以包括移动设备140-1、平板电脑140-2、笔记本电脑140-3、以及机动车辆中的车载设备140-4等或其任意组合。在一些实施例中，服务请求者终端130和/或服务提供者终端140可以将定位信息发送到服务器110。
存储设备150可以存储与服务请求相关的数据和/或指令。在一些实施例中，存储设备150可以存储从服务请求者终端130和/或服务提供者终端140获得/获取的数据。在一些实施例中，存储设备150可以存储服务器110用于执行或使用来完成本申请中描述的示例性方法的数据和/或指令。在一些实施例中，存储设备150可以包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量储存器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性的挥发性只读存储器可以包括随机存取内存(RAM)。示例性的RAM可包括动态RAM(DRAM)、双倍速率同步动态RAM(DDR SDRAM)、静态RAM(SRAM)、闸流体RAM(T-RAM)和零电容RAM(Z-RAM)等。示例性的ROM可以包括掩模ROM(MROM)、可编程ROM(PROM)、可擦除可编程ROM(PEROM)、电子可擦除可编程ROM(EEPROM)、光盘ROM(CD-ROM)和数字通用磁盘ROM等。在一些实施例中，所述存储设备150可以在云平台上实现。仅作为示例，所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
在一些实施例中，存储设备150可以连接到网络120以与定位系统100中的一个或以上组件(例如，服务器110、服务请求者终端130、服务提供者终端140)通信。定位系统100中的一个或以上组件可以通过网络120访问存储设备150中存储的数据或指令。在一些实施例中，存储设备150可以与定位系统100中的一个或以上组件(例如，服务器110、服务请求者终端130、服务提供者终端140等)直接连接或通信。在一些实施例中，存储设备150可以是服务器110的一部分。
图2是根据本申请一些实施例所示的示例性计算设备200的示意图。服务器110、服务请求者终端130、服务提供者终端140和/或存储设备150可以在计算设备200上实现。例如，处理引擎112可以在计算设备200上实现并被配置为实现本申请中所披露的功能。
计算设备200可以包括用来实现本申请所描述的系统的任意部件。例如，处理引擎112可以在计算设备200上通过其硬件、软件程序、固件或其组合实现。为了方便起见图中仅绘制了一台计算机，但是本申请所描述的与定位系统100相关的计算功能可以以分布的方式、由一组相似的平台所实施，以分散系统的处理负荷。
计算设备200可以包括与网络连接的通信端口250，用于实现数据通信。计算设备200可以包括一个处理器(例如，CPU)220，可以以一个或多个处理器的形式执行程序指令。示例性的电脑平台可以包括一个内部总线210、不同形式的程序存储器和数据存储器包括，例如，硬盘270、只读存储器(ROM)230或随机存取存储器(RAM)240，用于存储由计算机处理和/或传输的各种各样的数据文件。示例性的计算设备可以包括存储在只读存储器230、随机存取存储器240和/或其他类型的非暂时性存储介质中的由处理器220执行的程序指令。本申请的方法和/或流程可以以程序指令的方式实现。计算设备200也包括输入/输出部件260，用于支持电脑与其他部件之间的输入/输出。计算设备200也可以通过网络通讯接收本披露中的程序和数据。
为理解方便，图2中仅示例性绘制了一个处理器。然而，需要注意的是，本申请中的计算设备200可以包括多个处理器，因此本申请中描述的由一个处理器实现的操作和/或方法也可以共同地或独立地由多个处理器实现。例如，如果在本申请中，计算设备200的处理器执行步骤1和步骤2，应当理解的是，步骤1和步骤2也可以由计算设备200的两个不同的处理器共同地或独立地执行(例如，第一处理器执行步骤1，第二处理器执行步骤2，或者第一和第二处理器共同地执行步骤1和步骤2)。
图3是根据本申请一些实施例所示的可以在其上实现服务请求者终端130或服务提供者终端140的示例性移动设备300的示例性硬件和/或软件组件的示意图。如图3所示，移动设备300可以包括通信单元310、显示单元320、图形处理单元(GPU)330、中央处理单元(CPU)340、输入/输出350、内存360和存储器370。CPU 340可以包括接口电路和类似于处理器220的处理电路。在一些实施例中，任何其他合适的组件，包括但不限于系统总线或控制器(未示出)，也可包括在移动设备300内。在一些实施例中，移动操作系统362(例如，IOSTM、AndroidTM、Windows PhoneTM等)和一个或以上应用程序364可以从存储器370加载到内存360中，以便由CPU 340执行。应用程序364可以包括浏览器或任何其他合适的移动应用程序，用于从移动设备300上的基于位置的服务提供系统接收和呈现与服务请求或其他信息有关的信息。用户与信息流的交互可以通过输入/输出设备350实现，并通过网络120提供给处理引擎112和/或定位系统100的其他组件。
为了实现上述各种模块、单元及其功能，计算机硬件平台可以用作一个或以上元件(例如，图2中描述的服务器110的模块)的硬件平台。由于这些硬件元件、操作系统和程序语言是常见的，因此可以假设本领域技术人员熟悉这些技术并且他们能够根据本文中描述的技术提供路线规划中所需的信息。具有用户界面的计算机可以用作个人计算机(PC)或其他类型的工作站或终端设备。在正确编程之后，具有用户界面的计算机可以用作服务器。可以认为本领域技术人员也可以熟悉这种类型的计算机设备的这种结构、程序或一般操作。因此，没有针对附图描述额外的解释。
图4是根据本申请一些实施例所示的定位系统的示例性框图。如图4所示，定位系统400可以包括接收模块410、第一获取模块420、第二获取模块430和预测模块440。
接收模块410可以用于接收用户当前发起的服务请求。关于用户发起的服务请求和获取服务请求方式的更多细节可以参见图5及其相关描述，此处不再赘述。
第一获取模块420可以用于获取所述服务请求中携带的所述用户的当前网络信息。关于用户的当前网络信息和获取网络信息方式的更多细节可以参见图5及其相关描述，此处不再赘述。
第二获取模块430可以用于获取所述用户的历史行经数据。在一些实施例中，历史行经数据包括所述用户发起所述服务请求前的路网数据、所在位置、行经速度、行经方向中的至少一种。
预测模块440可以用于根据所述当前网络信息和所述历史行经数据预测所述用户的当前位置。在一些实施例中，可以用第一模型处理所述当前网络信息和所述历史行经数据，得到所述用户的当前位置。在一些实施例中，也可以用第二模型处理所述当前网络信息和所述历史行经数据，得到所述用户的初步位置；用第三模型处理所述当前网络信息和所述历史行经数据，得到所述用户的当前路网信息；根据所述当前路网信息修正所述用户的初步位置，得到所述用户的当前位置。关于第一模型、第二模型、第三模型的训练方法可以分别参见图6、图7、图8及其相关描述，在此不再赘述。
应该注意的是，上述关于定位系统400的描述仅出于说明性目的而提供，并不旨在限制本申请的范围。对于本领域的普通技术人员来说，可以根据本申请的描述，做出各种各样的修正和改变。然而，这些修正和改变不会背离本申请的范围。在一些实施例中，可以添加至少一个附加模块，或者可以将定位系统400的多个模块组合成一个模块。例如，预测模块440可以包括模型训练单元和预测单元，模型训练单元可以用于基于历史用户的网络信息、历史行经数据，以及对应的历史用户的位置训练第一模型、第二模型、第三模型；预测单元可以用于利用训练好的第一模型、第二模型、第三模型处理用户当前的网络信息和历史行经数据，预测用户的当前位置。
图5是根据本申请一些实施例所示的定位方法的示例性流程图。具体的，定位方法500可以由定位系统400执行。例如，定位方法500可以以程序或指令的形式存储在存储装置(如存储设备150、存储器220)中，当定位系统400执行该程序或指令时，可以实现定位方法500。如图5所示，定位方法500可以包括：
步骤510，接收用户当前发起的服务请求。具体的，步骤510可以由接收模块410执行。
在一些实施例中，用户发起的服务请求可以是打车类服务请求、订餐类服务请求、家政类服务请求等带有定位功能的服务请求。在一些实施例中，用户发起服务请求的终端(如服务请求者终端130、服务提供者终端140)中可以安装有提供与位置相关的服务的应用，例如，网约车应用、订餐类应用、地图类应用等。在一些实施例中，用户可以在服务请求者终端130和/或服务提供者终端140中通过语音输入、或文本输入等方式触发服务请求者终端130和/或服务提供者终端140发起服务请求。在一些实施例中，服务请求者终端130和/或服务提供者终端140也可以自动地发起服务请求，例如，按预先设定的时间间隔不断发起定位类服务请求。在一些实施例中，接收模块410可以通过网络120从服务请求者终端130、服务提供者终端140服务请求或存储设备150中接收用户发起的服务请求。
步骤520，获取所述服务请求中携带的所述用户的当前网络信息。具体的，步骤520可以由第一获取模块420执行。
在一些实施例中，服务请求中携带的用户的当前网络信息可以包括AP信息、基站信息、信号强度、缓存时间等或其任意组合。具体的，AP信息可以指与用户周围的AP(接入点)相关的信息，例如，用户周围的WiFi热点的Mac地址。基站信息可以指与用户周围的基站相关的信息，例如，基站的位置信息、基站的设备信息、基站的软件信息等或其任意组合。信号强度可以指服务请求者终端130和/或服务提供者终端140通过网络120接收到的网络信号(例如，基站信号、WiFi信号等)的强度。在一些实施例中，服务请求者终端130和/或服务提供者终端140在扫描和/或连接至周围的网络时会记录相关的网络信息。在一些实施例中，第一获取模块420可以通过网络120从服务请求者终端130和/或服务提供者终端140中获取其记录的网络信息。
步骤530，获取所述用户的历史行经数据。具体的，步骤530可以由第二获取模块430执行。
在一些实施例中，用户的历史行经数据可以包括用户发起所述服务请求前的路网数据、所在位置、行经速度、行经方向中的至少一种。具体的，路网信息可以包括路网的路段位置/名称、路段的坐标信息、路网的交通信号标志、道路的宽度和车道数、道路方向、道路名称、相对停止线的位置、路点、特征点、标志线、特定区域等或其任意组合。所在位置可以包括用户发起服务请求前所处的经纬度坐标。行经速度可以包括用户步行至上车点的速度、用户乘车后车辆的行驶速度等或其任意组合。行经方向可以包括用户步行至上车点的方向、用户乘车后车辆的行驶方向等或其任意组合。在一些实施例中，用户的历史行经数据可以是用户发起当前服务请求前一段时间内的行经数据，例如，用户发送服务请求前0.1秒、1秒、10秒、1小时等的行经数据。在一些实施例中，第二获取模块430可以通过网络120从服务请求者终端130、服务提供者终端140或存储设备150中获取用户的历史行经数据。在一些实施例中，第二获取模块430还可以通过网络120从服务请求者终端130、服务提供者终端140或存储设备150中获取用户当前的路网信息。
步骤540，根据所述当前网络信息和所述历史行经数据预测所述用户的当前位置。具体的，步骤540可以由预测模块440执行。
在出行情境下，人的运动规律通常满足：在一次行程中通常不会按历史轨迹折返。例如，按确定的路线从出发点行进至目的地，尤其是在道路上驾驶或乘坐交通工具时会按照道路规定的行驶方向行进。又如，出行时人很少会频繁地来回走动。基于上述规律，在一定程度上可以根据历史轨迹推断用户终端当前的位置，例如判断用户终端当前的位置在某些范围(这些范围与历史轨迹存在一定关系)内的可能性大小。因此，本申请在根据用户终端当前的网络信息进行定位时，还会参考能反映用户(终端)的历史轨迹的历史数据，能在一定程度上提高定位的精准度。
这里应当理解的是，上述运动规律的成立一定程度上依赖于历史轨迹对应的历史时间范围是合适的。例如，人在一天内行进的轨迹中可能包含重复的轨迹，比如上下班的轨迹。又如，在尝试行进一段路程后发现当前位置背离目的地后又原路返回。相应地，应保证用于定位的历史数据对应的历史时间范围是合适的，才有助于定位结果的可靠性。例如，用于定位的历史数据可以是在用户终端发起服务请求前0.1s、1s、10s、20s、40s、1min内记录的。
在一些实施例中，预测模块440可以基于服务请求者终端130和/或服务提供者终端140当前的网络信息和服务请求者终端130和/或服务提供者终端140的历史行经数据，利用第一模型处理所述当前网络信息和所述历史行经数据，得到用户的当前位置。在一些实施例中，第一模型可以包括深度神经网络(Deep Neural Networks，DNN)、支持向量机(Support Vector Machine，SVM)、朴素贝叶斯(Naive Bayes)、因子分解机(FactorizationMachine，FM)、自适应增强算法(Adaptive Boosting，AdaBoost)、关联规则算法(Apriori)等。关于第一模型的训练方法可以参见图6及其相关描述，在此不再赘述。
在一些实施例中，预测模块440也可以基于服务请求者终端130和/或服务提供者终端140当前的网络信息和服务请求者终端130和/或服务提供者终端140的历史行经数据，利用第二模型处理所述当前网络信息和所述历史行经数据，得到用户的初步位置。利用第三模型所述当前网络信息和所述历史行经数据，得到用户的当前路网信息。基于该用户的当前路网信息修正该用户的初步位置，从而得到用户的当前位置。在一些实施例中，第二模型、第三模型可以包括深度神经网络(Deep Neural Networks，DNN)、支持向量机(SupportVector Machine，SVM)、朴素贝叶斯(Naive Bayes)、因子分解机(Factorization Machine，FM)、自适应增强算法(Adaptive Boosting，AdaBoost)、关联规则算法(Apriori)等。关于第二模型、第三模型的训练方法可以参见图7、图8及其相关描述，在此不再赘述。
在一些实施例中，用户当前的路网信息可以根据用户的初步位置来确定。在一些实施例中，用户当前的路网信息可以通过训练好的第三模型获得，即将用户当前的网络信息和用户的历史行经数据输入所述训练好的第三模型中，得到用户当前的路网信息。特别地，当通过训练好的第二模型获得用户当前的初步位置，且通过训练好的第三模型获得所述用户当前的路网信息时，用户当前的位置可以通过将训练好的第二模型的输出和训练好的第三模型的输出融合来得到。在一些实施例中，输出融合的方式可以是诸如Stacking、Blending、Boosting等融合方式。
在一些实施例中，预测模块440还可以基于用户当前的路网信息、用户当前的网络信息和用户的历史行经数据，预测用户的当前位置。可以理解的是，基于用户当前的网络信息和用户的历史行经数据得到的用户的当前位置(即，定位结果)可能范围较大，例如，覆盖一个路口的多条道路、覆盖并行的道路、覆盖多个路段等等。因此，根据用户当前的路网信息可以将定位结果限制在用户行进的道路或该道路的特定位置上，从而进一步提高定位的精准度。
应当注意的是，以上关于流程500及其描述，仅出于说明的目的而提供，并非旨在限制本申请的范围。对于本领域的普通技术人员来说，可以根据本申请的描述，做出各种各样的修正和改变。然而，这些修正和改变不会背离本申请的范围。例如，步骤540可以包括两个子步骤，子步骤一可以用于训练第一模型，子步骤二可以利用第一模型处理所述当前网络信息和所述历史行经数据，从而预测所述用户的当前位置。
图6是根据本申请一些实施例所示的第一模型训练方法的示例性流程图。具体的，第一模型训练方法600可以由定位系统400执行。例如，第一模型训练方法600可以以程序或指令的形式存储在存储装置(如存储设备150、存储器220)中，当定位系统400执行该程序或指令时，可以实现第一模型训练方法600。如图6所示，第一模型训练方法600可以包括：
步骤610，获取多个第一样本对。
在一些实施例中，每个第一样本对可以包括历史用户的网络信息、历史行经数据，以及对应的历史用户的位置。关于网络信息、历史行经数据等内容的详细介绍可以参见图5及其相关描述，在此不再赘述。对应的历史用户的位置可以通过各种方式确定，例如，可以通过GPS定位技术确定；或者，可以根据历史行经数据得到历史用户的初步定位，再由人工根据网络信息对所述初步定位进行修正。在一些实施例中，多个第一样本对可以通过网络120从服务请求者终端130、服务提供者终端140、存储设备150中获取。
步骤620，用所述多个第一样本对训练模型，得到第一模型。
在一些实施例中，可以对所获取的每个样本对进行预处理，使其符合模型训练的要求。具体的，预处理方式可以包括格式转换、归一化、标识等。其中，每个第一样本对中对应的历史用户的位置可以作为训练标识。在一些实施例中，也可以将多个第一样本对进行随机划分，分为训练集、验证集、测试集，划分的比例可以为训练集80％，验证集15％，测试集5％。在一些实施例中，可以利用预处理后的多个第一样本对中的训练集数据训练初始模型，其中以历史用户的网络信息、历史行经数据为输入，以对应的历史用户的位置为正确标准，训练得到第一模型。在一些实施例中，可以用预处理后的多个第一样本对中的验证集数据优化或更新训练后的第一模型。将验证集数据输入到训练后的第一模型中进行计算，获得输出值。对比输出值与相应样本数据的标识，判断对比结果是否理想。若对比结果理想，则利用测试集数据对优化后的第一模型进行测试；若认为对比结果需要改进，则根据该结果调整第一模型的参数，并基于调整参数后的模型，再次进行优化、测试。当对比结果满足某一预设条件时，例如，模型的预测正确率大于某一预先设置的正确率阈值，或损失函数(Loss Function)的值小于某一预设值，训练过程将停止，即得到训练好的第一模型。
应当注意的是，以上关于流程600及其描述，仅出于说明的目的而提供，并非旨在限制本申请的范围。对于本领域的普通技术人员来说，可以根据本申请的描述，做出各种各样的修正和改变。然而，这些修正和改变不会背离本申请的范围。
图7是根据本申请一些实施例所示的第二模型训练方法的示例性流程图。具体的，第二模型训练方法700可以由定位系统400执行。例如，第二模型训练方法700可以以程序或指令的形式存储在存储装置(如存储设备150、存储器220)中，当定位系统400执行该程序或指令时，可以实现第二模型训练方法700。如图7所示，第二模型训练方法700可以包括：
步骤710，获取多个第二样本对。
在一些实施例中，每个第二样本对可以包括历史用户的网络信息、历史行经数据，以及对应的历史用户的初步位置。关于网络信息、历史行经数据等内容的详细介绍可以参见图5及其相关描述，在此不再赘述。对应的历史用户的初步位置可以通过其他网络定位方式确定，例如可以根据用户终端扫描到的AP信息(或基站信息)及对应的信号强度确定用户终端与所述AP(或基站)间的距离，从而实现初步定位。在一些实施例中，多个第二样本对的数量可以与多个第一样本对的数量相同，也可以少于多个第一样本对的数量。在一些实施例中，多个第二样本对可以通过网络120从服务请求者终端130、服务提供者终端140、存储设备150中获取。
步骤720，用所述多个第二样本对训练模型，得到第二模型。
在一些实施例中，可以对所获取的每个样本对进行预处理，使其符合模型训练的要求。具体的，预处理方式可以包括格式转换、归一化、标识等。其中，每个第二样本对中对应的历史用户的初步位置可以作为训练标识。在一些实施例中，也可以将多个第二样本对进行随机划分，分为训练集、验证集、测试集，划分的比例可以为训练集80％，验证集15％，测试集5％。在一些实施例中，可以利用预处理后的多个第二样本对中的训练集数据训练初始模型，其中以历史用户的网络信息、历史行经数据为输入，以对应的历史用户的初步位置为正确标准，训练得到第二模型。在一些实施例中，可以用预处理后的多个第二样本对中的验证集数据优化或更新训练后的第二模型。将验证集数据输入到训练后的第二模型中进行计算，获得输出值。对比输出值与相应样本数据的标识，判断对比结果是否理想。若对比结果理想，则利用测试集数据对优化后的第二模型进行测试；若认为对比结果需要改进，则根据该结果调整第二模型的参数，并基于调整参数后的模型，再次进行优化、测试。当对比结果满足某一预设条件时，例如，模型的预测正确率大于某一预先设置的正确率阈值，或损失函数(Loss Function)的值小于某一预设值，训练过程将停止，即得到训练好的第二模型。
应当注意的是，以上关于流程700及其描述，仅出于说明的目的而提供，并非旨在限制本申请的范围。对于本领域的普通技术人员来说，可以根据本申请的描述，做出各种各样的修正和改变。然而，这些修正和改变不会背离本申请的范围。
图8是根据本申请一些实施例所示的第三模型训练方法的示例性流程图。具体的，第三模型训练方法800可以由定位系统400执行。例如，第三模型训练方法800可以以程序或指令的形式存储在存储装置(如存储设备150、存储器220)中，当定位系统400执行该程序或指令时，可以实现第三模型训练方法800。如图8所示，第三模型训练方法800可以包括：
步骤810，获取多个第三样本对。
在一些实施例中，每个第三样本对可以包括历史用户的网络信息、历史行经数据，以及对应的历史用户的路网信息。关于网络信息、历史行经数据等内容的详细介绍可以参见图5及其相关描述，在此不再赘述。对应的历史用户的路网信息可以通过各种方式确定，例如可以先获取较大范围内的路网数据，再根据历史用户的网络信息得到历史用户的初步位置，然后从所述较大范围内的路网数据中提取出距离历史用户的初步位置设定阈值内的较小范围的路网数据作为对应的历史用户的路网信息。在一些实施例中，多个第三样本对的数量可以与多个第一样本对的数量相同，也可以少于多个第一样本对的数量。在一些实施例中，多个第三样本对可以通过网络120从服务请求者终端130、服务提供者终端140、存储设备150中获取。
步骤820，用所述多个第三样本对训练模型，得到第三模型。
在一些实施例中，可以对所获取的每个样本对进行预处理，使其符合模型训练的要求。具体的，预处理方式可以包括格式转换、归一化、标识等。其中，每个第三样本对中对应的历史用户的路网信息可以作为训练标识。在一些实施例中，也可以将多个第三样本对进行随机划分，分为训练集、验证集、测试集，划分的比例可以为训练集80％，验证集15％，测试集5％。在一些实施例中，可以利用预处理后的多个第三样本对中的训练集数据训练初始模型，其中以历史用户的网络信息、历史行经数据为输入，以对应的历史用户的路网信息为正确标准，训练得到第三模型。在一些实施例中，可以用预处理后的多个第三样本对中的验证集数据优化或更新训练后的第三模型。将验证集数据输入到训练后的第三模型中进行计算，获得输出值。对比输出值与相应样本数据的标识，判断对比结果是否理想。若对比结果理想，则利用测试集数据对优化后的第三模型进行测试；若认为对比结果需要改进，则根据该结果调整第三模型的参数，并基于调整参数后的模型，再次进行优化、测试。当对比结果满足某一预设条件时，例如，模型的预测正确率大于某一预先设置的正确率阈值，或损失函数(Loss Function)的值小于某一预设值，训练过程将停止，即得到训练好的第三模型。
应当注意的是，以上关于流程800及其描述，仅出于说明的目的而提供，并非旨在限制本申请的范围。对于本领域的普通技术人员来说，可以根据本申请的描述，做出各种各样的修正和改变。然而，这些修正和改变不会背离本申请的范围。
本申请实施例可能带来的有益效果包括但不限于：(1)定位采用了用户历史行经数据，提高了定位的精准度；(2)利用训练好的模型处理数据可以实现快速定位，使用户能够获知自身的精确位置；(3)使服务后台能够基于快速定位技术优化提供的相应服务。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，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请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，本申请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，本申请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，本申请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，本申请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。
本申请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，本申请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，并非用于限定本申请流程和方法的顺序。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申请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，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，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。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。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，说明书和权利要求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。尽管本申请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。
针对本申请引用的每个专利、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申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外，对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是，如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方，以本申请的描述、定义和/或术语的使用为准。
最后，应当理解的是，本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此，作为示例而非限制，本申请实施例的替代配置可视为与本申请的教导一致。相应地，本申请的实施例不仅限于本申请明确介绍和描述的实施例。

Claims (16)

1.一种定位方法，其特征在于，包括：
接收用户当前发起的服务请求；
获取所述服务请求中携带的所述用户的当前网络信息；
获取所述用户的历史行经数据；
根据所述当前网络信息和所述历史行经数据预测所述用户的当前位置。
2.根据权利要求1所述的定位方法，其特征在于，所述根据所述当前网络信息和所述历史行经数据预测所述用户的当前位置，包括：
用第一模型处理所述当前网络信息和所述历史行经数据，得到所述用户当前的位置。
3.根据权利要求2所述的定位方法，其特征在于，所述第一模型通过以下方式得到：
获取多个第一样本对，每个第一样本对包括历史用户的网络信息、历史行经数据，以及对应的历史用户的位置；
用所述多个第一样本对训练模型，其中以所述历史用户的网络信息、历史行经数据为输入，以所述对应的历史用户的位置为正确标准，得到所述第一模型。
4.根据权利要求2所述的定位方法，其特征在于，所述根据所述当前网络信息和所述历史行经数据预测所述用户的当前位置，包括：
用第二模型处理所述当前网络信息和所述历史行经数据，得到所述用户的初步位置；
用第三模型处理所述当前网络信息和所述历史行经数据，得到所述用户的当前路网信息；
根据所述当前路网信息修正所述用户的初步位置，得到所述用户的当前位置。
5.根据权利要求4所述的定位方法，其特征在于，所述第二模型通过以下方式得到：
获得多个第二样本对，每个第二样本对包括历史用户的网络信息和历史行经数据，以及对应的历史用户的初步位置；
用所述多个第二样本对训练模型，其中以所述历史用户的网络信息和历史行经数据为输入，以所述对应的历史用户的初步位置为正确标准，得到所述第二模型。
6.根据权利要求4所述的定位方法，其特征在于，所述第三模型通过以下方式得到：
获得多个第三样本对，每个第三样本对包括历史用户的网络信息和历史行经数据，以及对应的历史用户的路网信息；
用所述多个第三样本对训练模型，其中以所述历史用户的网络信息和历史行经数据为输入，以所述对应的历史用户的路网信息为正确标准，得到所述第三模型。
7.根据权利要求1至6中任一项所述的定位方法，所述历史行经数据包括所述用户发起所述服务请求前的路网数据、所在位置、行经速度、行经方向中的至少一种。
8.一种定位系统，其特征在于，包括：
接收模块，用于接收用户当前发起的服务请求；
第一获取模块，用于获取所述服务请求中携带的所述用户的当前网络信息；
第二获取模块，用于获取所述用户的历史行经数据；
预测模块，用于根据所述当前网络信息和所述历史行经数据预测所述用户的当前位置。
9.根据权利要求8所述的定位系统，其特征在于，所述预测模块进一步用于：
用第一模型处理所述当前网络信息和所述历史行经数据，得到所述用户当前的位置。
10.根据权利要求9所述的定位系统，其特征在于，所述第一模型通过以下方式得到：
获取多个第一样本对，每个第一样本对包括历史用户的网络信息、历史行经数据，以及对应的历史用户的位置；
用所述多个第一样本对训练模型，其中以所述历史用户的网络信息、历史行经数据为输入，以所述对应的历史用户的位置为正确标准，得到所述第一模型。
11.根据权利要求9所述的定位系统，其特征在于，所述预测模块进一步用于：
用第二模型处理所述当前网络信息和所述历史行经数据，得到所述用户的初步位置；
用第三模型处理所述当前网络信息和所述历史行经数据，得到所述用户的当前路网信息；
根据所述当前路网信息修正所述用户的初步位置，得到所述用户的当前位置。
12.根据权利要求11所述的定位系统，其特征在于，所述第二模型通过以下方式得到：
获得多个第二样本对，每个第二样本对包括历史用户的网络信息和历史行经数据，以及对应的历史用户的初步位置；
用所述多个第二样本对训练模型，其中以所述历史用户的网络信息和历史行经数据为输入，以所述对应的历史用户的初步位置为正确标准，得到所述第二模型。
13.根据权利要求11所述的定位系统，其特征在于，所述第三模型通过以下方式得到：
获得多个第三样本对，每个第三样本对包括历史用户的网络信息和历史行经数据，以及对应的历史用户的路网信息；
用所述多个第三样本对训练模型，其中以所述历史用户的网络信息和历史行经数据为输入，以所述对应的历史用户的路网信息为正确标准，得到所述第三模型。
14.根据权利要求8至13中任一项所述的定位系统，所述历史行经数据包括所述用户发起所述服务请求前的路网数据、所在位置、行经速度、行经方向中的至少一种。
15.一种定位装置，所述装置包括处理器以及存储器；所述存储器用于存储指令，所述指令被所述处理器执行时，导致所述装置实现如权利要求1至7中任一项所述定位方法对应的操作。
16.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中储存有定位程序，所述定位程序被处理器执行时实现如权利要求1至7中任一项所述的定位方法。
CN202010280191.7A 2020-04-10 2020-04-10 一种定位方法和系统 Active CN111859177B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010280191.7A CN111859177B (zh) 2020-04-10 2020-04-10 一种定位方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010280191.7A CN111859177B (zh) 2020-04-10 2020-04-10 一种定位方法和系统

Publications (2)

Publication Number Publication Date
CN111859177A true CN111859177A (zh) 2020-10-30
CN111859177B CN111859177B (zh) 2024-08-06

Family

ID=72984991

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010280191.7A Active CN111859177B (zh) 2020-04-10 2020-04-10 一种定位方法和系统

Country Status (1)

Country Link
CN (1) CN111859177B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113203376A (zh) * 2021-04-19 2021-08-03 深圳市安全守护科技有限公司 位置纠偏方法、装置、设备及计算机可读存储介质

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104796984A (zh) * 2015-04-29 2015-07-22 百度在线网络技术（北京）有限公司 基站定位方法和装置
CN106413089A (zh) * 2016-09-29 2017-02-15 广东小天才科技有限公司 一种定位的方法、装置及移动终端
CN106454722A (zh) * 2016-09-09 2017-02-22 华南理工大学 一种移动通信终端基于地图匹配的动态差分定位方法
CN106469205A (zh) * 2016-08-31 2017-03-01 百度在线网络技术（北京）有限公司 一种确定用户的地理位置信息的方法与装置
CN106851583A (zh) * 2017-04-07 2017-06-13 广东欧珀移动通信有限公司 移动终端的位置信息获取方法、装置及移动终端
KR20170071207A (ko) * 2015-12-15 2017-06-23 한양대학교 산학협력단 Gps, uwb 및 v2x를 접목하여 차량의 위치를 결정하는 자율 주행 방법 및 시스템
CN108495364A (zh) * 2018-02-09 2018-09-04 北京天元创新科技有限公司 移动终端的定位方法及装置
CN108828645A (zh) * 2018-06-28 2018-11-16 郑州云海信息技术有限公司 一种导航定位方法、系统、设备及计算机可读存储介质
CN108924737A (zh) * 2018-06-20 2018-11-30 北京三快在线科技有限公司 定位方法、装置、设备及计算机可读存储介质
CN109195093A (zh) * 2018-08-06 2019-01-11 北京优酷科技有限公司 一种信息的推送方法及服务器
US10349208B1 (en) * 2018-08-17 2019-07-09 xAd, Inc. Systems and methods for real-time prediction of mobile device locations
CN110809232A (zh) * 2019-10-22 2020-02-18 新华三信息安全技术有限公司 定位方法、装置、定位设备和计算机可读存储介质
CN110873888A (zh) * 2018-09-04 2020-03-10 腾讯大地通途（北京）科技有限公司 定位方法、定位装置、定位设备和计算机存储介质

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104796984A (zh) * 2015-04-29 2015-07-22 百度在线网络技术（北京）有限公司 基站定位方法和装置
KR20170071207A (ko) * 2015-12-15 2017-06-23 한양대학교 산학협력단 Gps, uwb 및 v2x를 접목하여 차량의 위치를 결정하는 자율 주행 방법 및 시스템
CN106469205A (zh) * 2016-08-31 2017-03-01 百度在线网络技术（北京）有限公司 一种确定用户的地理位置信息的方法与装置
CN106454722A (zh) * 2016-09-09 2017-02-22 华南理工大学 一种移动通信终端基于地图匹配的动态差分定位方法
CN106413089A (zh) * 2016-09-29 2017-02-15 广东小天才科技有限公司 一种定位的方法、装置及移动终端
CN106851583A (zh) * 2017-04-07 2017-06-13 广东欧珀移动通信有限公司 移动终端的位置信息获取方法、装置及移动终端
CN108495364A (zh) * 2018-02-09 2018-09-04 北京天元创新科技有限公司 移动终端的定位方法及装置
CN108924737A (zh) * 2018-06-20 2018-11-30 北京三快在线科技有限公司 定位方法、装置、设备及计算机可读存储介质
CN108828645A (zh) * 2018-06-28 2018-11-16 郑州云海信息技术有限公司 一种导航定位方法、系统、设备及计算机可读存储介质
CN109195093A (zh) * 2018-08-06 2019-01-11 北京优酷科技有限公司 一种信息的推送方法及服务器
US10349208B1 (en) * 2018-08-17 2019-07-09 xAd, Inc. Systems and methods for real-time prediction of mobile device locations
CN110873888A (zh) * 2018-09-04 2020-03-10 腾讯大地通途（北京）科技有限公司 定位方法、定位装置、定位设备和计算机存储介质
CN110809232A (zh) * 2019-10-22 2020-02-18 新华三信息安全技术有限公司 定位方法、装置、定位设备和计算机可读存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113203376A (zh) * 2021-04-19 2021-08-03 深圳市安全守护科技有限公司 位置纠偏方法、装置、设备及计算机可读存储介质
CN113203376B (zh) * 2021-04-19 2022-11-11 深圳市安全守护科技有限公司 位置纠偏方法、装置、设备及计算机可读存储介质

Also Published As

Publication number Publication date
CN111859177B (zh) 2024-08-06

Similar Documents

Publication Publication Date Title
CN109313846B (zh) 用于推荐上车点的系统和方法
US11946756B2 (en) Determining matches using dynamic provider eligibility model
WO2020237710A1 (en) Systems and methods for route planning
US20200112570A1 (en) Location-spoofing detection system for a network service
US10876847B2 (en) Systems and methods for route planning
US20190392390A1 (en) Systems and methods for allocating orders in an online on-demand service
JP2019016351A (ja) 歩行者安全メッセージに基づく人密度推定
CN111859178B (zh) 一种推荐上车点的方法和系统
CN111159317B (zh) 用于确定路径拓扑关系的系统和方法
WO2021052451A1 (zh) 一种确定预估到达时间的方法和系统
CN111861647A (zh) 一种推荐上车点的方法和系统
US11468536B2 (en) Systems and methods for recommending a personalized pick-up location
CN111881225B (zh) 一种修正上车点名称的方法和系统
CN110839346A (zh) 用于分配服务请求的系统和方法
US11290547B2 (en) Systems and methods for determining an optimal transportation service type in an online to offline service
WO2021129585A1 (zh) 一种为用户提供定位点推荐的方法和系统
CN111881368A (zh) 一种确定推荐上车点的方法和系统
TWI713922B (zh) 用於新道路確定的系統和方法
CN111882112B (zh) 一种预测到达时间的方法和系统
CN110832536B (zh) 推荐上车地点的系统和方法
CN111859177B (zh) 一种定位方法和系统
CN111881369A (zh) 一种推荐上车点名称准确性检测方法和系统
CN111881367A (zh) 一种推荐上车点方法及系统
CN111080047A (zh) 一种判定驾驶任务完成情况的方法、装置及计算机可读介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TG01 Patent term adjustment