CN112506972A - 用户常驻区域定位方法、装置、电子设备以及存储介质 - Google Patents

用户常驻区域定位方法、装置、电子设备以及存储介质 Download PDF

Info

Publication number
CN112506972A
CN112506972A CN202011471525.5A CN202011471525A CN112506972A CN 112506972 A CN112506972 A CN 112506972A CN 202011471525 A CN202011471525 A CN 202011471525A CN 112506972 A CN112506972 A CN 112506972A
Authority
CN
China
Prior art keywords
aggregation
user
positioning
preset
resident
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
CN202011471525.5A
Other languages
English (en)
Other versions
CN112506972B (zh
Inventor
闵相儒
王天阳
刘军
张晖
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.)
China United Network Communications Group Co Ltd
Original Assignee
China United Network Communications Group 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 China United Network Communications Group Co Ltd filed Critical China United Network Communications Group Co Ltd
Priority to CN202011471525.5A priority Critical patent/CN112506972B/zh
Publication of CN112506972A publication Critical patent/CN112506972A/zh
Application granted granted Critical
Publication of CN112506972B publication Critical patent/CN112506972B/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
    • G06F16/20—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
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • 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
    • 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
    • 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
    • G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
    • 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
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Computational Linguistics (AREA)
  • Navigation (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本申请提供了一种用户常驻区域定位方法、装置、电子设备以及存储介质，通过获取定位数据；然后利用预设聚合模型，根据定位数据，确定用户的聚合位置，该聚合位置用于表示与所述用户在预设常驻时段内的真实常驻位置相对应的逻辑参考点；最后利用预设落点模型，根据聚合位置以及功能区数据，确定用户的常驻区域。解决了现有技术中定位精度不够导致常驻区域对应的用户类型判定不够精准的技术问题，达到了精确定位用户在不同时段的不同常驻区域，对用户在不同时段所属的用户类型进行精确分类，以精准推送商品或服务信息的技术效果。

Description

用户常驻区域定位方法、装置、电子设备以及存储介质
技术领域
本申请涉及移动通讯领域，尤其涉及一种用户常驻区域定位方法、装置、电子设备以及存储介质。
背景技术
智能信息推送是目前互联网智能应用的一个热门的发展方向。而实现智能推送的一个重要的前提条件，就是需要准确的知悉用户的类型。而用户类型其实是会随着时间地点的变化而发生改变的，如用户处于家庭所在的小区，则用户类型可以定义为生鲜商品客户，而用户处于商场所处的区域，则用户类型可以定义为服装商品客户等。
可见用户不同时间的不同常驻区域可以对应不同的用户类型。而现有技术一般是通过移动通讯基站小区的定位来确定用户的常驻区域，例如使用华为SEQ(Service&Experience Quality，服务和体验质量)平台和博瑞德用户位置信令数据进行处理分析，所得到的定位精度在300米左右。
但是现有技术300米的定位精度对于越来越高的精准多样的类型判定需求来说，存在定位精度不够导致常驻区域对应的用户类型判定不够精准的技术问题。
发明内容
本申请提供一种用户常驻区域定位方法、装置、电子设备以及存储介质，以解决现有技术中定位精度不够导致常驻区域对应的用户类型判定不够精准的技术问题。
第一个方面，本申请提供一种用户常驻区域定位方法，包括：
获取定位数据，所述定位数据为用户在预设周期时间内的地理位置数据；
利用预设聚合模型，根据所述定位数据，确定所述用户的聚合位置，所述聚合位置用于表示与所述用户在预设常驻时段内的真实常驻位置相对应的逻辑参考点；
利用预设落点模型，根据所述聚合位置以及功能区数据，确定所述用户的常驻区域，所述常驻区域为与所述聚合位置对应的功能区。
在一种可能的设计中，所述功能区数据包括：功能区范围图像，所述利用预设落点模型，根据所述聚合位置以及功能区数据，确定所述用户的常驻区域，包括：
根据所述聚合位置的经纬度坐标以及至少一个所述功能区范围图像进行落点判断，以确定落点结果；
若所述落点结果为所述经纬度坐标落入了所述功能区范围图像内，则将所述功能区范围图像对应的功能区确定为所述常驻区域；
若所述落点结果为所述经纬度坐标没落入任意一个所述功能区范围图像内，则根据最短距离模型以及所述经纬度坐标确定所述常驻区域。
在一种可能的设计中，所述功能区范围图像为连续封闭图形，所述根据所述聚合位置的经纬度坐标以及至少一个所述功能区范围图像进行落点判断，以确定落点结果，包括：
若所述连续封闭图形的边界线与所述经纬度坐标对应的经线和/或纬线存在交点，则判断所述交点的坐标是否包括所述经纬度坐标；
若是，则所述落点结果为所述经纬度坐标落入了所述功能区范围图像内；
若否，则根据所述经线和/或纬线将所述交点进行分组，若每个所述分组的交点数目为奇数，则所述落点结果为所述经纬度坐标落入了所述功能区范围图像内。
可选的，所述利用预设聚合模型，根据所述定位数据，确定所述用户的聚合位置，包括：
对预设区域进行地图栅格化处理，以确定各个定位栅格；
根据预设筛选条件、各个所述定位栅格以及所述定位数据，确定聚合栅格，所述聚合栅格包括至少一个所述定位栅格；
根据所述聚合栅格以及所述定位数据，确定所述聚合位置。
在一种可能的设计中，所述定位数据包括多个定位点，所述根据预设筛选条件、各个所述定位栅格以及所述定位数据，确定聚合栅格，包括：
根据所述定位数据以及各个所述定位栅格，确定包含最多所述定位点的中心栅格；
根据所述中心栅格以及预设聚合半径确定所述聚合栅格。
在一种可能的设计中，所述定位数据包括多个定位点，所述根据所述聚合栅格以及所述定位数据，确定所述聚合位置，包括：
利用预设聚合算法，根据所述聚合栅格中所有所述定位点，确定聚合点的坐标，所述聚合位置包括所述聚合点的坐标，所述预设聚合算法包括质心算法以及平均值算法。
可选的，在所述根据所述聚合位置的经纬度坐标以及至少一个所述功能区范围图像进行落点判断，以确定落点结果之前，还包括：
根据所述聚合位置以及宽带安装数据，确定所述聚合位置与每个宽带小区中心点的距离，所述宽带安装数据包括多个所述宽带小区；
若所述距离小于预设阈值则所述常驻区域为所述宽带小区，所述宽带小区包括：家庭宽带小区以及企业宽带小区。
第二个方面，本申请提供一种用户常驻区域定位装置，包括：
获取模块，用于获取定位数据，所述定位数据为用户在预设周期时间内的地理位置数据；
处理模块，用于利用预设聚合模型，根据所述定位数据，确定所述用户的聚合位置，所述聚合位置用于表示与所述用户在预设常驻时段内的真实常驻位置相对应的逻辑参考点；
所述处理模块，还用于利用预设落点模型，根据所述聚合位置以及功能区数据，确定所述用户的常驻区域，所述常驻区域为与所述聚合位置对应的功能区。
在一种可能的设计中，所述功能区数据包括：功能区范围图像，所述处理模块，还用于利用预设落点模型，根据所述聚合位置以及功能区数据，确定所述用户的常驻区域，包括：
所述处理模块，还用于根据所述聚合位置的经纬度坐标以及至少一个所述功能区范围图像进行落点判断，以确定落点结果；
所述处理模块，还用于若所述落点结果为所述经纬度坐标落入了所述功能区范围图像内，则将所述功能区范围图像对应的功能区确定为所述常驻区域；
所述处理模块，还用于若所述落点结果为所述经纬度坐标没落入任意一个所述功能区范围图像内，则根据最短距离模型以及所述经纬度坐标确定所述常驻区域。
在一种可能的设计中，所述功能区范围图像为连续封闭图形，所述处理模块，还用于根据所述聚合位置的经纬度坐标以及至少一个所述功能区范围图像进行落点判断，以确定落点结果，包括：
所述处理模块，还用于若所述连续封闭图形的边界线与所述经纬度坐标对应的经线和/或纬线存在交点，则判断所述交点的坐标是否包括所述经纬度坐标；
若是，则所述落点结果为所述经纬度坐标落入了所述功能区范围图像内；
若否，则根据所述经线和/或纬线将所述交点进行分组，若每个所述分组的交点数目为奇数，则所述落点结果为所述经纬度坐标落入了所述功能区范围图像内。
可选的，所述处理模块，用于利用预设聚合模型，根据所述定位数据，确定所述用户的聚合位置，包括：
所述处理模块，用于对预设区域进行地图栅格化处理，以确定各个定位栅格；
所述处理模块，还用于根据预设筛选条件、各个所述定位栅格以及所述定位数据，确定聚合栅格，所述聚合栅格包括至少一个所述定位栅格；
所述处理模块，还用于根据所述聚合栅格以及所述定位数据，确定所述聚合位置。
在一种可能的设计中，所述定位数据包括多个定位点，所述处理模块，还用于根据预设筛选条件、各个所述定位栅格以及所述定位数据，确定聚合栅格，包括：
所述处理模块，还用于根据所述定位数据以及各个所述定位栅格，确定包含最多所述定位点的中心栅格；
根据所述中心栅格以及预设聚合半径确定所述聚合栅格。
在一种可能的设计中，所述定位数据包括多个定位点，所述处理模块，还用于根据所述聚合栅格以及所述定位数据，确定所述聚合位置，包括：
所述处理模块，还用于利用预设聚合算法，根据所述聚合栅格中所有所述定位点，确定聚合点的坐标，所述聚合位置包括所述聚合点的坐标，所述预设聚合算法包括质心算法以及平均值算法。
可选的，在所述处理模块，还用于根据所述聚合位置的经纬度坐标以及至少一个所述功能区范围图像进行落点判断，以确定落点结果之前，还包括：
所述处理模块，还用于根据所述聚合位置以及宽带安装数据，确定所述聚合位置与每个宽带小区中心点的距离，所述宽带安装数据包括多个所述宽带小区；
所述处理模块，还用于若所述距离小于预设阈值则所述常驻区域为所述宽带小区，所述宽带小区包括：家庭宽带小区以及企业宽带小区。
第三个方面，本申请提供一种电子设备，包括：
存储器，用于存储程序指令；
处理器，用于调用并执行所述存储器中的程序指令，执行第一方面所提供的任意一种可能的用户常驻区域定位方法。
第四个方面，本申请提供一种存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序用于执行第一方面所提供的任意一种可能的用户常驻区域定位方法。
本申请提供了一种用户常驻区域定位方法、装置、电子设备以及存储介质，通过获取定位数据；然后利用预设聚合模型，根据定位数据，确定用户的聚合位置，该聚合位置用于表示与所述用户在预设常驻时段内的真实常驻位置相对应的逻辑参考点；最后利用预设落点模型，根据聚合位置以及功能区数据，确定用户的常驻区域。解决了现有技术中定位精度不够导致常驻区域对应的用户类型判定不够精准的技术问题，达到了精确定位用户在不同时段的不同常驻区域，对用户在不同时段所属的用户类型进行精确分类，以精准推送商品或服务信息的技术效果。
附图说明
为了更清楚地说明本申请或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请提供的用户常驻区域定位方法的应用场景示意图；
图2为申请提供的一种用户常驻区域定位方法的流程示意图；
图3a-3c为本申请实施例提供的栅格化地图的示意图；
图4为本申请实施例提供的另一种用户常驻区域定位方法的流程示意图；
图5为本申请实施例提供的一种聚合栅格的示意图；
图6a-6c为本申请实施例提供的聚合位置与功能区位置判断的示意图；
图7为本申请提供的一种用户常驻区域定位装置的结构示意图；
图8为本申请提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，包括但不限于对多个实施例的组合，都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)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，以便这里描述的本申请的实施例例如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。
下面对本申请实施例所涉及到的专业术语进行解释介绍。
MR(Measurement Report，测量报告)数据：是指信息在业务信道上每480ms(信令信道上470ms)发送一次数据。MR测量报告由MS(Mobile base Station移动站点)和BTS(Base Transceiver Station，基站收发台)完成，MS执行并上报GSM(Global System forMobile Communications，全球移动通信系统)小区下行电平强度、质量和TA(TimeAdvanced，时间提前量)，BTS执行并上报上行MS的接收电平强度和质量的测量。测量报告的处理通常在BSC(Base Station Controller，基站控制器)完成(当采用BTS的预处理方式时，测量报告处理可以下移至BTS完成)，提供基本的滤波、插值等功能，为后续的切换判决算法提供基本的输入，是切换判决算法和功率控制算法等的基础，在本申请中，利用MR数据来作为用户定位判定的基础数据之一。
XDR(External Data Representation，外部数据表示法)数据，是指基于全量数据进行处理后，生成的供应用系统使用的信令及业务的详细记录。
MDT(Minimization Drive Test，最小化路测)数据，其基本原理是基于商用终端的自动上报的测量报告，MDT需要R10版本的终端配套支持，终端需要具备无线环境测量(如RSRP(Reference Signal Receiving Power，参考信号接收功率)、RSRQ(Reference SignalReceiving Quality，参考信号接收质量)、PHR(Power Headroom Report，发射功率余量报告))、典型事件测量、位置信息测量的能力。MDT数据为运营商通过商用终端收集无线网络的动态波动过程提供可能，为网络优化、分析、诊断过程提供全面的参考视图，可部分替代人工路测。终端日志LOG上报提供MDT需要的信息包括：定位信息、空闲态信息、不在服务区的信息、服务小区信号低于门限报告、终端发射功率余量低于门限报告、接入失败报告、寻呼信道失败报告、广播信道失败报告、无线链路失败报告。
DT(Drive Test，路测)数据，是通过实地测量的方法获取在现有基站条件下的无线覆盖和网络运行情况。基站发出的早搏信号在空中传播过程中，由于地形、建筑物及其它环境因素的影响，或者由于实际建设时基站选址上的不确切性即网络运行中基站周围环境发生了较大的变化而造成的影响，使得系统实际建成后的覆盖情况发生变化。因此只有通过实地测量才能真正了解系统的实际覆盖状况。
商品和服务信息的精准推送是目前网络信息服务业务的一个重要的发展方向，而需要做到精准推送的前提就是必须将用户的类型进行精准划分，但是用户类型却是会随着一天中用户所处的不同常驻区域而发生变化的，如在家中、商场、学校、工作地点等会对应着不同的用户需求，即用户类型会发生变化。因此对于用户在不同时间段所处的常驻区域的精准定位就成为了亟待解决的问题。
移动用户常驻区域定位，通常是指用户在一个月内驻留天数最多、驻留时长最长的小区或工作场所区域。其中包括用户晚上的常驻区域，即生活区，和用户白天的常驻区域，即工作区。进一步的，还可以将常驻区域细分成不同的功能区域，并且将常驻时间的划分细化，从而得到更为精准的用户类型分类。如用户每周一和周三的下午2点到3点会固定出现在某个咖啡馆附近，则可以将用户类型确定为咖啡及相关商品消费用户。这样就可以更为精准地实现商品或服务信息的精准推送。
目前，移动用户的常驻区域判定主要是基于基站小区的定位，使用华为SEQ和博瑞德用户位置信令数据加工，定位精度在300米左右。但随着近些年来市场精准化商品和服务信息推送工作的深入发展，尤其是宽带业务的快速拓展，市场对用户的常驻区域更高精度的需要也越来越迫切。
本申请发明人在对多种全用户定位方法进行了比较后，最终确定了基于MR的指纹库定位，不仅算法最优，且精度可控制在50米-70米范围之内。以下为现有技术中基于基站小区定位和基于MR指纹库定位的对比情况：
(1)基站小区定位，数据源来自用户位置信令消息，定位精度300米。
(2)MR指纹库定位，数据源来自MR分析系统，定位精度50-70米。
由此可见MR定位精度更高。基于此，本申请提供了一种用户常驻区域定位方法，该方法利用到了基于MR+XDR的指纹库定位，向通过引入用户移动设备相关的日常的AGPRS/MDT数据，移动设备的应用程序APP数据以及对于移动设备所处的通讯小区的DT数据形成训练样本来训练指纹库。这就使得训练后的指纹库能够根据不同地区，或者不同用户群体进行自适应矫正，从而提高指纹库定位的MR数据采样点的位置准确性。
图1为本申请提供的用户常驻区域定位方法的应用场景示意图。如图1所示，功能区101表示用户在晚上24点～凌晨5点的常驻生活小区，功能区102表示用户在周六上午8点～12点的常驻购物区域，功能区103表示用户在工作日白天8点～16点的常驻工作区域。每个功能区的划分可以事先由大数据分析引擎来根据地图数据而生成。现有技术由于定位不准确，而造成无法将用户常驻区域准确对应落点到各个功能区当中，也就无法根据功能区的类型来划分用户的类型，从而导致了商品和/或服务消息推送不精准的问题。而本申请的用户常驻区域定位方法就可以解决上述问题。下面结合附图对该方法进行详细介绍。
图2为申请提供的一种用户常驻区域定位方法的流程示意图。如图2所示，本申请实施例提供的用户常驻区域定位方法，具体步骤包括：
S201、获取定位数据。
在本步骤中，定位数据为用户在预设周期时间内的地理位置数据。
具体的，首先，获取预设时长内所述用户终端上报的MR数据，每个所述MR数据对应一个采样点。
其次，将所述MR数据输入定位指纹库进行特征向量匹配，以确定所述定位数据，所述定位指纹库为经过用户日常的AGPRS/MDT数据、移动设备的应用程序APP数据以及对于移动设备所处的通讯小区的DT数据训练后的指纹库。
S202、利用预设聚合模型，根据定位数据，确定用户的聚合位置。
在本步骤中，聚合位置用于表示与用户在预设常驻时段内的真实常驻位置相对应的逻辑参考点。
需要说明的是，由于MR数据当中包括了同一个用户在一天中使用移动通讯而产生的所有位置信息，而由于信号飘移等原因，在同一时段内所采集到的位置信息并不一定完全一致，而为了使得最终能够以一个点作为用户真实常驻位置的代表点或者说是逻辑参考点，必须要对MR数据进行清洗整理以及聚合。聚合就是指为得到逻辑参考点所执行的操作过程。聚合后得到的逻辑参考点就是聚合位置，聚合位置包括：逻辑参考点的坐标，逻辑参考点所属的地图栅格、逻辑参考点所对应的时间点或者时间段等信息。
具体的，预设聚合模型可以先调取预设地理区域的地图数据，如一个市的地图数据，然后执行经纬度栅格化，或者是以地图中心点为极坐标的极点，进行极坐标栅格化。或者是其它的地图栅格化的手段，栅格化是为了简化数据处理的复杂度，而在本申请中，可以根据不同地区采取不同形状的栅格化方式，如在商业区密布的地区，采用极点栅格化，而对于生活区则采用纬度栅格化。
图3a-3c为本申请实施例提供的栅格化地图的示意图。图3a为经纬度栅格化，将预设地理区域划分成以200米为边长的正方形栅格。图3b为极坐标栅格化，将每个栅格以极径200米为步长进行增加，每个栅格是极径旋转5度～15度。图3c是以边长为50米的正六边形的栅格化方式的示意图。对不同地区可以采用不同的栅格化方式，以便于对MR数据在栅格中的归属做灵活的分配，以避免栅格中采样点分配不均，影响聚合位置坐标的计算。
在一种可能的设计中，聚合模型可以自动根据采样点的分布形态特征选择对应的栅格化方式。
栅格化后，可以选取采样点数目最多的栅格作为中心栅格，以中心栅格的中心位置为聚合位置。由此可知，聚合位置并不是用户真实的常驻位置，但是其对于将用户常驻区域的归属结合后续步骤进行相互配合就能够得到较为准确的常驻区域定位。因此聚合位置是一个逻辑参考点。
S203、利用预设落点模型，利用预设落点模型，根据聚合位置以及功能区数据，确定用户的常驻区域。
在本步骤中，常驻区域为与聚合位置对应的功能区。
具体的，在一种可能的实施方式中，可以根据聚合位置的经纬度坐标以及至少一个功能区范围图像进行落点判断，以确定落点结果；
若落点结果为经纬度坐标落入了功能区范围图像内，则将功能区范围图像对应的功能区确定为常驻区域；
若落点结果为经纬度坐标没落入任意一个功能区范围图像内，则根据最短距离模型以及经纬度坐标确定常驻区域。
在另一种可能的实施方式中，可以将聚合位置与每个功能区单独提取出来，为每个功能区域聚合位置形成一张落点判定图像，然后重新建立坐标系，或者通过神经网络图像识别模型对落点判断图像中聚合位置是否落入功能区所在范围进行判定。
需要说明的是预设落点模型的具体实现方式有多种，本实施例不对预设落点模型的具体实现方式进行限定，本领域技术人员可以根据实际情况选择具体的实现方式。
还需要说明的是，每种功能区都有其对应的聚合位置，比如功能区为夜晚住宿常驻区域，则对应的聚合位置为凌晨24时至早上5时的MR数据所得到的聚合位置。并且同一种功能区还可能在预设区域中对应多个功能区，如一个家居小区，由于小区分布在公路的两边，则可以将家居小区分成两个同种类的功能区。
本申请提供了一种用户常驻区域定位方法，通过获取定位数据；然后利用预设聚合模型，根据定位数据，确定用户的聚合位置，该聚合位置用于表示与所述用户在预设常驻时段内的真实常驻位置相对应的逻辑参考点；最后利用预设落点模型，根据聚合位置以及功能区数据，确定用户的常驻区域。解决了现有技术中定位精度不够导致常驻区域对应的用户类型判定不够精准的技术问题，达到了精确定位用户在不同时段的不同常驻区域，对用户在不同时段所属的用户类型进行精确分类，以精准推送商品或服务信息的技术效果。
图4为本申请实施例提供的另一种用户常驻区域定位方法的流程示意图。如图4所示，该定位方法的具体步骤包括：
S401、获取定位数据。
在本步骤中，定位数据为用户在预设周期时间内的地理位置数据。
具体的，首先，获取预设时长内所述用户终端上报的MR数据，每个所述MR数据对应一个采样点。
其次，将所述MR数据输入定位指纹库进行特征向量匹配，以确定所述定位数据，所述定位指纹库为经过用户日常的AGPRS/MDT数据、移动设备的应用程序APP数据以及对于移动设备所处的通讯小区的DT数据训练后的指纹库。
所述将所述MR数据输入定位指纹库进行特征向量匹配包括：
将MR电平值与指纹库的各个地理栅格中各个采样点的电平值进行对比，得到各个电平差值；
计算各个电平差值的最小欧式距离，以根据所述采样点得到所述定位数据。
S402、对预设区域进行地图栅格化处理，以确定各个定位栅格。
在本步骤中，预设区域包括：整个行政划分区域如一个市以及根据每个用户的MR数据中的采样点分布情况而截取出来的与单个用户或某类用户集体的常驻行为相关的区域。
在本实施例中，以经纬度栅格化的方式，将预设区域划分为以200米为边长的方格作为定位栅格。
S403、根据预设筛选条件、各个定位栅格以及定位数据，确定聚合栅格，聚合栅格包括至少一个定位栅格。
在本实施例中，具体包括：
根据定位数据以及各个定位栅格，确定包含最多定位点的中心栅格；
根据中心栅格以及预设聚合半径确定聚合栅格。
在一种可能的实施方式中，聚合半径为一个定位栅格的边长，则以中心栅格为中心的9个定位栅格组合形成了聚合栅格。
在另一种可能的实施方式中，聚合半径可以有多个，并且给每个聚合半径配置不同的权重值，聚合半径越小，权重值越高。如图5就是多个聚合半径所形成的聚合栅格的样例。
图5为本申请实施例提供的一种聚合栅格的示意图。如图5所示，与中心栅格501的边直接相邻的第一聚合栅格502具备第一权重，而聚合半径更大的第二聚合栅格503具备第二权重。聚合栅格就是中心栅格501、第一聚合栅格502以及第二聚合栅格503所组成的定位栅格集合。
S404、根据聚合栅格以及定位数据，确定聚合位置。
在本步骤中，一种可能的实施方式是：
利用预设聚合算法，根据聚合栅格中所有定位点，确定聚合点的坐标，聚合位置包括聚合点的坐标，预设聚合算法包括质心算法以及平均值算法。
例如，将聚合栅格中的所有定位点即MR数据的采样点的经纬度进行平均值运算，得到一个用户聚合坐标点即聚合位置。
在另一种可能的实施方式中：
利用加权平均算法，根据聚合栅格中的各个定位栅格的所有定位点以及各个定位栅格的权重值，确定聚合点的坐标。
需要说明的是，本申请发明人通过实验对比聚合位置与真实常驻位置，所得结果如表1所示。
Figure BDA0002836073680000121
表1
由此可见，采用本申请的方法所得到的聚合位置与真实常驻位置之间虽然存在偏离，但是其偏离值比现有技术中300米左右的偏差明显减小。并且这个偏离值在后续的落点模型中也会被综合考虑并加以结合利用，使得本方案整体的常驻区域定位准确性进一步提高。
S405、根据聚合位置的经纬度坐标以及至少一个功能区范围图像进行落点判断，以确定落点结果。
在本实施例中，功能区范围图像为连续封闭图形，具体步骤包括：
若连续封闭图形的边界线与经纬度坐标对应的经线和/或纬线存在交点，则判断交点的坐标是否包括经纬度坐标；
若是，则落点结果为经纬度坐标落入了功能区范围图像内；
若否，则根据经线和/或纬线将交点进行分组，若每个分组的交点数目为奇数，则落点结果为经纬度坐标落入了功能区范围图像内。
需要说明的是，连续封闭图形的意思是功能区不存在不相连的部分，或者功能区的不同区域不能仅有一个点相连。如一个小区被公路分为东西两部分，那么这两部分就不能作为一个功能区，而应该作为两个功能区看待。
为了便于理解，下面结合图6来进行落点判断的举例说明。
图6a-6c为本申请实施例提供的聚合位置与功能区位置判断的示意图。当聚合位置602的经纬度坐标中的经线和/或纬线与功能区601存在交点时，即直线604可以是经线也可以是纬线。交点603分别在聚合位置602的两边，即可以将交点603分为两组，第一交点6031以及第二交点6032，当聚合位置602在功能区601内部时，如图6a所示，第一交点6031与第二交点6032的交点数为奇数。当聚合位置602在功能区601外部时，如图6b所示，第一交点6031与第二交点6032的交点数为偶数。
需要说明的是，这种落点判断方法的好处在于，无需将聚合位置的坐标与功能区内所有点的坐标进行对比，节省了大量的计算资源，加快了落点判断速度。
进一步的，对于某些特殊形状的功能区，仅通过一个坐标即经线或者纬线，仍可能存在误判，如图6c所示，仅通过直线604与功能区601的两组交点603即第一交点6031和第二交点6032，所得到的交点数为奇数，但是聚合位置602却是落在功能区601的外部，此时可以通过引入直线606，直线606为聚合位置602的另一个坐标所在的直线，此时得到第三交点605，而第三交点605为偶数，则不满足“每个分组的交点数目为奇数”的要求，则认定聚合位置602在功能区601的外部，此时判断结果就是正确的。
S406、若落点结果为经纬度坐标落入了功能区范围图像内，则将功能区范围图像对应的功能区确定为常驻区域。
在本步骤中，如果聚合位置直接落入了功能区内，则认定该功能区为常驻区域。需要说明的是，如果存在多种功能区，则对于每个用户都需要对每一种功能区执行功能区判断分析。可以理解的是，不同的功能区对应的是用户在不同时间段的常驻区域。
S407、若落点结果为经纬度坐标没落入任意一个功能区范围图像内，则根据最短距离模型以及经纬度坐标确定常驻区域。
在本步骤中，由于聚合位置本身与用户真实的常驻位置是存在偏差的，因此，考虑到这种情况，对于没有落入功能区范围图像内的情况，就将与聚合位置最近的功能区确定为常驻区域。
在一种可能的实现方式中，最短距离模型为计算聚合位置到功能区边界的距离中最短的一个，确定为常驻区域。
在另一种可能的实现方式中，最短距离模型为计算聚合位置到功能区中心点的距离，选取其中的最短距离所对应的功能区，确定为常驻区域。
S408、根据常驻区域确定推送信息，并向用户发送推送信息。
在本实施例中，常驻区域对应着用户类型，用户类型用于表示用户的消费习惯或者需求，则可以根据用户类型来确定向用户推送的商品或服务，将商品或服务所对应的信息生成推送信息，发送给常驻区域对应的用户。
可选的，在步骤S405之前，还可以包括：
根据聚合位置以及宽带安装数据，确定聚合位置与每个宽带小区中心点的距离，宽带安装数据包括多个宽带小区；
若距离小于预设阈值则常驻区域为宽带小区，宽带小区包括：家庭宽带小区以及企业宽带小区。
例如，若距离在200米以内则认定宽带小区为常驻区域。
因为宽度安装数据中通常会有较为精准和详细的用户属性数据，可以避免如下两种情况导致用户常驻区域的误判：
1)用户真实常驻位置位于本功能区边上，由于聚合位置的经纬度有一定的偏差(平均70米左右)，可能在落点判断环节导致用户被落到本功能区外部。
2)用户的定位数据在聚合后的经纬度偏差较大(大于100米)，在落点判断环节导致聚合位置被落到本功能区外部。
需要说明的是，功能区至少包括：工作区和生活区。
利用本实施例所提供的用户常驻区域定位方法，还可以达到如下的效果：
1、拉动宽带增长：
根据MR定位的用户生活区所在小区，有针对性的向有需求的用户就地推广供应商的宽带业务，拉断宽带增长。同时也可以通过应用程序进行“移拉宽”和“宽拉宽”的任务派发，对存量单卡用户MR数据所在小区推广宽带捆绑；对移动通讯的融合套餐中不同手机用户的生活区所在小区不同的用户推广二部宽带。使得宽带业务的拓展成功率大幅提升。
2、营业厅引流：
根据用户常驻区域和营业厅的位置，通过计算距离来圈定营业厅周边的用户，以短信或者外呼的方式触达，为营业厅定期的业务活动宣传造势和引流。在某具体案例时，使得终端商品销量提升40％，自建厅高迁占比提升63％。
3、政企聚类市场、商务楼宇业务信息推送
通过政企提供的聚类市场和商务楼宇的边框，找到用户常驻区域归属为这些围栏边框的客户，结合企业或聚类市场特殊属性，有助于政企线业务的开发和营销。同时预设应用程序等精准营销任务也会根据政企MR工作区的归属进行派发和统计。
4、聚客引流：
通过预设应用程序中的店铺位置信息和用户常驻区域的结合，对店铺周边的MR常驻用户以智券、智呼、智讯的方式进行业务推广工作。
本申请提供了一种用户常驻区域定位方法，通过获取定位数据；然后利用预设聚合模型，根据定位数据，确定用户的聚合位置，该聚合位置用于表示与所述用户在预设常驻时段内的真实常驻位置相对应的逻辑参考点；最后利用预设落点模型，根据聚合位置以及功能区数据，确定用户的常驻区域。解决了现有技术中定位精度不够导致常驻区域对应的用户类型判定不够精准的技术问题，达到了精确定位用户在不同时段的不同常驻区域，对用户在不同时段所属的用户类型进行精确分类，以精准推送商品或服务信息的技术效果。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
图7为本申请提供的一种用户常驻区域定位装置的结构示意图。该定位装置可以通过软件、硬件或者两者的结合实现。
如图7所示，该用户常驻区域定位装置700包括：
获取模块701，用于获取定位数据，定位数据为用户在预设周期时间内的地理位置数据；
处理模块702，用于利用预设聚合模型，根据定位数据，确定用户的聚合位置，聚合位置用于表示与用户在预设常驻时段内的真实常驻位置相对应的逻辑参考点；
处理模块702，还用于利用预设落点模型，根据聚合位置以及功能区数据，确定用户的常驻区域，常驻区域为与聚合位置对应的功能区。
在一种可能的设计中，功能区数据包括：功能区范围图像，处理模块702，还用于利用预设落点模型，根据聚合位置以及功能区数据，确定用户的常驻区域，包括：
处理模块702，还用于根据聚合位置的经纬度坐标以及至少一个功能区范围图像进行落点判断，以确定落点结果；
处理模块702，还用于若落点结果为经纬度坐标落入了功能区范围图像内，则将功能区范围图像对应的功能区确定为常驻区域；
处理模块702，还用于若落点结果为经纬度坐标没落入任意一个功能区范围图像内，则根据最短距离模型以及经纬度坐标确定常驻区域。
在一种可能的设计中，功能区范围图像为连续封闭图形，处理模块702，还用于根据聚合位置的经纬度坐标以及至少一个功能区范围图像进行落点判断，以确定落点结果，包括：
处理模块702，还用于若连续封闭图形的边界线与经纬度坐标对应的经线和/或纬线存在交点，则判断交点的坐标是否包括经纬度坐标；
若是，则落点结果为经纬度坐标落入了功能区范围图像内；
若否，则根据经线和/或纬线将交点进行分组，若每个分组的交点数目为奇数，则落点结果为经纬度坐标落入了功能区范围图像内。
可选的，处理模块702，用于利用预设聚合模型，根据定位数据，确定用户的聚合位置，包括：
处理模块702，用于对预设区域进行地图栅格化处理，以确定各个定位栅格；
处理模块702，还用于根据预设筛选条件、各个定位栅格以及定位数据，确定聚合栅格，聚合栅格包括至少一个定位栅格；
处理模块702，还用于根据聚合栅格以及定位数据，确定聚合位置。
在一种可能的设计中，定位数据包括多个定位点，处理模块702，还用于根据预设筛选条件、各个定位栅格以及定位数据，确定聚合栅格，包括：
处理模块702，还用于根据定位数据以及各个定位栅格，确定包含最多定位点的中心栅格；
根据中心栅格以及预设聚合半径确定聚合栅格。
在一种可能的设计中，定位数据包括多个定位点，处理模块702，还用于根据聚合栅格以及定位数据，确定聚合位置，包括：
处理模块702，还用于利用预设聚合算法，根据聚合栅格中所有定位点，确定聚合点的坐标，聚合位置包括聚合点的坐标，预设聚合算法包括质心算法以及平均值算法。
可选的，在处理模块702，还用于根据聚合位置的经纬度坐标以及至少一个功能区范围图像进行落点判断，以确定落点结果之前，还包括：
处理模块702，还用于根据聚合位置以及宽带安装数据，确定聚合位置与每个宽带小区中心点的距离，宽带安装数据包括多个宽带小区；
处理模块702，还用于若距离小于预设阈值则常驻区域为宽带小区，宽带小区包括：家庭宽带小区以及企业宽带小区。
值得说明的是，图7所示实施例提供的用户常驻区域定位装置，可以执行上述任一方法实施例所提供的方法，其具体实现原理、技术特征、专业名词解释以及技术效果类似，在此不再赘述。
图8为本申请提供的一种电子设备的结构示意图。如图8所示，该电子设备800可以包括：至少一个处理器801和存储器802。图8示出的是以一个处理器为例的电子设备。
存储器802，用于存放程序。具体地，程序可以包括程序代码，程序代码包括计算机操作指令。
存储器802可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
处理器801用于执行存储器802存储的计算机执行指令，以实现以上各方法实施例所述的方法。
其中，处理器801可能是一个中央处理器(central processing unit，简称为CPU)，或者是特定集成电路(application specific integrated circuit，简称为ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路。
可选地，存储器802既可以是独立的，也可以跟处理器801集成在一起。当所述存储器802是独立于处理器801之外的器件时，所述电子设备800，还可以包括：
总线803，用于连接所述处理器801以及所述存储器802。总线可以是工业标准体系结构(industry standard architecture，简称为ISA)总线、外部设备互连(peripheralcomponent，PCI)总线或扩展工业标准体系结构(extended industry standardarchitecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器802和处理器801集成在一块芯片上实现，则存储器802和处理器801可以通过内部接口完成通信。
本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random accessmemory，RAM)、磁盘或者光盘等各种可以存储程序代码的介质，具体的，该计算机可读存储介质中存储有程序指令，程序指令用于上述各实施例中的定位方法。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (10)

1.一种用户常驻区域定位方法，其特征在于，包括：
获取定位数据，所述定位数据为用户在预设周期时间内的地理位置数据；
利用预设聚合模型，根据所述定位数据，确定所述用户的聚合位置，所述聚合位置用于表示与所述用户在预设常驻时段内的真实常驻位置相对应的逻辑参考点；
利用预设落点模型，利用预设落点模型，根据所述聚合位置以及功能区数据，确定所述用户的常驻区域，所述常驻区域为与所述聚合位置对应的功能区。
2.根据权利要求1所述的用户常驻区域定位方法，其特征在于，所述功能区数据包括：功能区范围图像，所述利用预设落点模型，根据所述聚合位置以及功能区数据，确定所述用户的常驻区域，包括：
根据所述聚合位置的经纬度坐标以及至少一个所述功能区范围图像进行落点判断，以确定落点结果；
若所述落点结果为所述经纬度坐标落入了所述功能区范围图像内，则将所述功能区范围图像对应的功能区确定为所述常驻区域；
若所述落点结果为所述经纬度坐标没落入任意一个所述功能区范围图像内，则根据最短距离模型以及所述经纬度坐标确定所述常驻区域。
3.根据权利要求2所述的用户常驻区域定位方法，其特征在于，所述功能区范围图像为连续封闭图形，所述根据所述聚合位置的经纬度坐标以及至少一个所述功能区范围图像进行落点判断，以确定落点结果，包括：
若所述连续封闭图形的边界线与所述经纬度坐标对应的经线和/或纬线存在交点，则判断所述交点的坐标是否包括所述经纬度坐标；
若是，则所述落点结果为所述经纬度坐标落入了所述功能区范围图像内；
若否，则根据所述经线和/或纬线将所述交点进行分组，若每个所述分组的交点数目为奇数，则所述落点结果为所述经纬度坐标落入了所述功能区范围图像内。
4.根据权利要求1-3中任意一项所述的用户常驻区域定位方法，其特征在于，所述利用预设聚合模型，根据所述定位数据，确定所述用户的聚合位置，包括：
对预设区域进行地图栅格化处理，以确定各个定位栅格；
根据预设筛选条件、各个所述定位栅格以及所述定位数据，确定聚合栅格，所述聚合栅格包括至少一个所述定位栅格；
根据所述聚合栅格以及所述定位数据，确定所述聚合位置。
5.根据权利要求4所述的用户常驻区域定位方法，其特征在于，所述定位数据包括多个定位点，所述根据预设筛选条件、各个所述定位栅格以及所述定位数据，确定聚合栅格，包括：
根据所述定位数据以及各个所述定位栅格，确定包含最多所述定位点的中心栅格；
根据所述中心栅格以及预设聚合半径确定所述聚合栅格。
6.根据权利要求4所述的用户常驻区域定位方法，其特征在于，所述定位数据包括多个定位点，所述根据所述聚合栅格以及所述定位数据，确定所述聚合位置，包括：
利用预设聚合算法，根据所述聚合栅格中所有所述定位点，确定聚合点的坐标，所述聚合位置包括所述聚合点的坐标，所述预设聚合算法包括质心算法以及平均值算法。
7.根据权利要求2或3所述的用户常驻区域定位方法，其特征在于，在所述根据所述聚合位置的经纬度坐标以及至少一个所述功能区范围图像进行落点判断，以确定落点结果之前，还包括：
根据所述聚合位置以及宽带安装数据，确定所述聚合位置与每个宽带小区中心点的距离，所述宽带安装数据包括多个所述宽带小区；
若所述距离小于预设阈值则所述常驻区域为所述宽带小区，所述宽带小区包括：家庭宽带小区以及企业宽带小区。
8.一种用户常驻区域定位装置，其特征在于，包括：
获取模块，用于获取定位数据，所述定位数据为用户在预设周期时间内的地理位置数据；
处理模块，用于利用预设聚合模型，根据所述定位数据，确定所述用户的聚合位置，所述聚合位置用于表示与所述用户在预设常驻时段内的真实常驻位置相对应的逻辑参考点；
所述处理模块，还用于利用预设落点模型，根据所述聚合位置以及功能区数据，确定所述用户的常驻区域，所述常驻区域为与所述聚合位置对应的功能区。
9.一种电子设备，其特征在于，包括：
处理器；以及，
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至7任一项所述的一种用户常驻区域定位方法。
10.一种计算机可读存储介质，其上存储有计算机程序，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7任一项所述的用户常驻区域定位方法。
CN202011471525.5A 2020-12-15 2020-12-15 用户常驻区域定位方法、装置、电子设备以及存储介质 Active CN112506972B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011471525.5A CN112506972B (zh) 2020-12-15 2020-12-15 用户常驻区域定位方法、装置、电子设备以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011471525.5A CN112506972B (zh) 2020-12-15 2020-12-15 用户常驻区域定位方法、装置、电子设备以及存储介质

Publications (2)

Publication Number Publication Date
CN112506972A true CN112506972A (zh) 2021-03-16
CN112506972B CN112506972B (zh) 2023-06-13

Family

ID=74973223

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011471525.5A Active CN112506972B (zh) 2020-12-15 2020-12-15 用户常驻区域定位方法、装置、电子设备以及存储介质

Country Status (1)

Country Link
CN (1) CN112506972B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113283542A (zh) * 2021-06-17 2021-08-20 北京红山信息科技研究院有限公司 职住信息确定方法、装置、设备及存储介质
CN114173318A (zh) * 2021-12-09 2022-03-11 中国联合网络通信集团有限公司 待优化区域识别方法、装置及设备
CN114363797A (zh) * 2021-05-26 2022-04-15 科大国创云网科技有限公司 基于mr常驻地与建筑物属性的用户群体分类方法及系统
CN114363823A (zh) * 2021-05-26 2022-04-15 科大国创云网科技有限公司 基于mr常驻地和建筑物轮廓的人口密度监测方法及系统
CN116304594A (zh) * 2023-05-11 2023-06-23 北京融信数联科技有限公司 一种基于通信数据的用户区域识别方法、系统及介质

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201144941A (en) * 2010-05-31 2011-12-16 Fujifilm Corp Polymerizable composition, cured film, color filter, method of producing color filter and solid-state image sensor
US20150005013A1 (en) * 2012-02-22 2015-01-01 Nokia Corporation Method and apparatus for determining significant places
US20150324998A1 (en) * 2014-05-06 2015-11-12 Nant Holdings Ip, Llc Image-based feature detection using edge vectors
CN105258704A (zh) * 2014-06-16 2016-01-20 中国科学院沈阳自动化研究所 基于快速路网建模的多尺度时空热点路径探测方法
CN106454747A (zh) * 2016-08-31 2017-02-22 重庆市志愿服务工作指导中心 手机终端的无线定位方法
CN107547633A (zh) * 2017-07-27 2018-01-05 腾讯科技（深圳）有限公司 一种用户常驻点的处理方法、装置和存储介质
CN108770057A (zh) * 2018-03-30 2018-11-06 博彦科技股份有限公司 预定指纹库的确定方法及指纹定位方法、装置、存储介质
DE102017208509A1 (de) * 2017-05-19 2018-11-22 Bayerische Motoren Werke Aktiengesellschaft Verfahren zum Erzeugen eines Straßenmodells während einer Fahrt eines Kraftfahrzeugs sowie Steuervorrichtung und Kraftfahrzeug
CN109246607A (zh) * 2018-10-23 2019-01-18 青岛禧泰房地产数据有限公司 一种基于地理区域方式展示落点位置的房地产应用方法
CN109459039A (zh) * 2019-01-08 2019-03-12 湖南大学 一种医药搬运机器人的激光定位导航系统及其方法
CN110019609A (zh) * 2017-11-20 2019-07-16 北京京东尚科信息技术有限公司 地图更新方法、装置以及计算机可读存储介质
CN110504860A (zh) * 2019-08-20 2019-11-26 西北工业大学 一种堆栈式旋转静电发电机
CN111221924A (zh) * 2018-11-23 2020-06-02 腾讯科技（深圳）有限公司 一种数据处理方法、装置、存储介质和网络设备

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201144941A (en) * 2010-05-31 2011-12-16 Fujifilm Corp Polymerizable composition, cured film, color filter, method of producing color filter and solid-state image sensor
US20150005013A1 (en) * 2012-02-22 2015-01-01 Nokia Corporation Method and apparatus for determining significant places
US20150324998A1 (en) * 2014-05-06 2015-11-12 Nant Holdings Ip, Llc Image-based feature detection using edge vectors
CN105258704A (zh) * 2014-06-16 2016-01-20 中国科学院沈阳自动化研究所 基于快速路网建模的多尺度时空热点路径探测方法
CN106454747A (zh) * 2016-08-31 2017-02-22 重庆市志愿服务工作指导中心 手机终端的无线定位方法
DE102017208509A1 (de) * 2017-05-19 2018-11-22 Bayerische Motoren Werke Aktiengesellschaft Verfahren zum Erzeugen eines Straßenmodells während einer Fahrt eines Kraftfahrzeugs sowie Steuervorrichtung und Kraftfahrzeug
CN107547633A (zh) * 2017-07-27 2018-01-05 腾讯科技（深圳）有限公司 一种用户常驻点的处理方法、装置和存储介质
CN110019609A (zh) * 2017-11-20 2019-07-16 北京京东尚科信息技术有限公司 地图更新方法、装置以及计算机可读存储介质
CN108770057A (zh) * 2018-03-30 2018-11-06 博彦科技股份有限公司 预定指纹库的确定方法及指纹定位方法、装置、存储介质
CN109246607A (zh) * 2018-10-23 2019-01-18 青岛禧泰房地产数据有限公司 一种基于地理区域方式展示落点位置的房地产应用方法
CN111221924A (zh) * 2018-11-23 2020-06-02 腾讯科技（深圳）有限公司 一种数据处理方法、装置、存储介质和网络设备
CN109459039A (zh) * 2019-01-08 2019-03-12 湖南大学 一种医药搬运机器人的激光定位导航系统及其方法
CN110504860A (zh) * 2019-08-20 2019-11-26 西北工业大学 一种堆栈式旋转静电发电机

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
K. KAEMARUNGSI等: "Modeling of indoor positioning systems based on location fingerprinting", 《IEEE INFOCOM 2004》, pages 1012 - 1022 *
李双富: "基于轨迹大数据的交通拥堵分析研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 12, pages 034 - 181 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114363797A (zh) * 2021-05-26 2022-04-15 科大国创云网科技有限公司 基于mr常驻地与建筑物属性的用户群体分类方法及系统
CN114363823A (zh) * 2021-05-26 2022-04-15 科大国创云网科技有限公司 基于mr常驻地和建筑物轮廓的人口密度监测方法及系统
CN114363823B (zh) * 2021-05-26 2023-09-19 科大国创云网科技有限公司 基于mr常驻地和建筑物轮廓的人口密度监测方法及系统
CN113283542A (zh) * 2021-06-17 2021-08-20 北京红山信息科技研究院有限公司 职住信息确定方法、装置、设备及存储介质
CN113283542B (zh) * 2021-06-17 2024-03-05 北京红山信息科技研究院有限公司 职住信息确定方法、装置、设备及存储介质
CN114173318A (zh) * 2021-12-09 2022-03-11 中国联合网络通信集团有限公司 待优化区域识别方法、装置及设备
CN114173318B (zh) * 2021-12-09 2023-05-12 中国联合网络通信集团有限公司 待优化区域识别方法、装置及设备
CN116304594A (zh) * 2023-05-11 2023-06-23 北京融信数联科技有限公司 一种基于通信数据的用户区域识别方法、系统及介质
CN116304594B (zh) * 2023-05-11 2023-09-08 北京融信数联科技有限公司 一种基于通信数据的用户区域识别方法、系统及介质

Also Published As

Publication number Publication date
CN112506972B (zh) 2023-06-13

Similar Documents

Publication Publication Date Title
CN112506972B (zh) 用户常驻区域定位方法、装置、电子设备以及存储介质
CN109548041B (zh) 一种无线覆盖分析方法及系统
US10708710B2 (en) System and method for determining a location area of a mobile user
CN109996186B (zh) 一种网络覆盖问题识别方法及装置、可读取存储介质
CN110677859B (zh) 弱覆盖区域的确定方法、装置和计算机可读存储介质
CN114173356B (zh) 网络质量的检测方法、装置、设备及存储介质
CN111901750B (zh) 一种定位方法、装置、电子设备以及存储介质
US8145237B2 (en) System and method for locating a mobile communication terminal in a geographical area
KR20190139130A (ko) 피셀 알고리즘을 이용하여 실시간 유동 인구 데이터의 제공이 가능한 유동인구 정보 분석 방법
EP3777253B1 (en) Wireless network service assessment
CN108124279B (zh) 网络覆盖质量的评估方法及装置
CN108181607A (zh) 基于指纹库的定位方法、装置及计算机可读存储介质
CN111475746B (zh) 兴趣点位置挖掘方法、装置、计算机设备和存储介质
CN115379464B (zh) 基站的规划方法、装置、设备及计算机可读存储介质
CN108307427B (zh) 一种lte网络覆盖分析、预测方法及系统
Bachir et al. Using mobile phone data analysis for the estimation of daily urban dynamics
CN105848104B (zh) 基于区域的人员流动状态监测方法及装置
CN113392903B (zh) 一种工地区域的识别方法、系统及装置
JP2004215265A (ja) 無線通信ネットワークのトラフィック割当てマップの作成方法及びそれを実施する情報処理システム
CN113133049B (zh) 确定主覆盖小区的方法、装置、设备及介质
CN117896772A (zh) 网络覆盖异常小区评估方法、系统、电子设备及存储介质
CN111787490A (zh) 伪基站轨迹识别方法、装置、设备和存储介质
CN111491255A (zh) 一种回填经纬度定位扩量方法、系统及存储介质
EP4343387A1 (en) Road user recognition method and device, storage medium, and electronic device
CN111182575A (zh) 一种基于ott大数据的道路质量评估方法

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