CN113487163A - 基于地理位置信息进行业务预测的方法及装置 - Google Patents
基于地理位置信息进行业务预测的方法及装置 Download PDFInfo
- Publication number
- CN113487163A CN113487163A CN202110741178.1A CN202110741178A CN113487163A CN 113487163 A CN113487163 A CN 113487163A CN 202110741178 A CN202110741178 A CN 202110741178A CN 113487163 A CN113487163 A CN 113487163A
- Authority
- CN
- China
- Prior art keywords
- code
- feature vector
- target position
- current position
- sequence
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 239000013598 vector Substances 0.000 claims abstract description 104
- 238000003062 neural network model Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 23
- 230000006399 behavior Effects 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000000306 recurrent effect Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 239000013604 expression vector Substances 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 239000000758 substrate Substances 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Navigation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例提供一种基于地理位置信息进行业务预测的方法及装置,在进行业务预测的方法中,获取用户的当前位置。确定该当前位置在层次编码方式下的目标位置编码。之后,针对该目标位置编码,利用滑动窗口提取对应的编码片段序列。将编码片段序列输入基于时序的神经网络模型,得到对应的特征向量。最后,至少将该特征向量输入业务预测模型,得到业务预测结果。
Description
技术领域
本说明书一个或多个实施例涉及计算机技术领域,尤其涉及一种基于地理位置信息进行业务预测的方法及装置。
背景技术
多数情况下,地理位置可以表示为如下形式:geohash网格信息、兴趣点(Point ofInterest,poi)信息、信息面(area of interest,aoi)信息,或者经纬度信息等。
传统技术中,在基于地理位置信息进行业务预测时,在模型的训练阶段,通常会直接将地理位置的表示信息(简称地理位置信息)输入模型进行学习。然而这些地理位置的表示信息均存在相应的缺点。比如,在将地理位置表示为经纬度信息时,经度和纬度小数点后变化一点,实际位置就会偏离很远,这使得模型很难准确学习到有效的位置特征。
因此,希望能有改进的方案,可以使得模型能够有效地对位置特征进行学习,进而可以更准确地进行业务预测。
发明内容
本说明书一个或多个实施例描述了一种基于地理位置信息进行业务预测的方法及装置,先针对用户的当前位置进行嵌入处理,之后基于嵌入处理得到的特征向量进行业务预测,由此可以大大提升业务预测的准确性。
第一方面,提供了一种基于地理位置信息进行业务预测的方法,包括:
获取用户的当前位置;
将所述当前位置作为目标位置,对目标位置进行嵌入处理,得到所述当前位置的特征向量,所述嵌入处理包括:
确定所述目标位置在层次编码方式下的目标位置编码;所述目标位置编码中从高位到低位的码值,依次对应于地理范围从大到小或从小到大的地理区域的区域标号;
根据预定义的步长,将滑动窗口在所述目标位置编码上滑动,并提取滑动过程中所述滑动窗口内的编码片段,得到编码片段序列;
根据所述编码片段序列,确定所述当前位置的特征向量;
至少将所述当前位置的特征向量输入业务预测模型,得到业务预测结果。
第二方面,提供了一种获取地理位置信息的特征向量的方法,包括:
获取目标设备的当前位置;
确定所述目标位置在层次编码方式下的目标位置编码;所述目标位置编码中从高位到低位的码值,依次对应于地理范围从大到小或从小到大的地理区域的区域标号;
根据预定义的步长,将滑动窗口在所述目标位置编码上滑动,并提取滑动过程中所述滑动窗口内的编码片段,得到编码片段序列;
根据所述编码片段序列,确定所述当前位置的特征向量。
第三方面,提供了一种基于地理位置信息进行业务预测的装置,包括:
获取单元,用于获取用户的当前位置;
处理单元,用于将所述当前位置作为目标位置,对目标位置进行嵌入处理,得到所述当前位置的特征向量;所述处理单元包括:
确定模块,用于确定所述目标位置在层次编码方式下的目标位置编码;所述目标位置编码中从高位到低位的码值,依次对应于地理范围从大到小或从小到大的地理区域的区域标号;
提取模块,用于根据预定义的步长,将滑动窗口在所述目标位置编码上滑动,并提取滑动过程中所述滑动窗口内的编码片段,得到编码片段序列;
所述确定模块,还用于根据所述编码片段序列,确定所述当前位置的特征向量;
预测单元,用于至少将所述当前位置的特征向量输入业务预测模型,得到业务预测结果。
第四方面,提供了一种获取地理位置信息的特征向量的装置,包括:
获取单元,用于获取目标设备的当前位置;
确定单元,用于确定所述目标位置在层次编码方式下的目标位置编码;所述目标位置编码中从高位到低位的码值,依次对应于地理范围从大到小或从小到大的地理区域的区域标号;
提取单元,用于根据预定义的步长,将滑动窗口在所述目标位置编码上滑动,并提取滑动过程中所述滑动窗口内的编码片段,得到编码片段序列;所述确定单元,还用于根据所述编码片段序列,确定所述当前位置的特征向量。
第五方面,提供了一种计算机存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行第一方面或第二方面的方法。
第六方面,提供了一种计算设备,包括存储器和处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现第一方面或第二方面的方法。
本说明书一个或多个实施例提供的基于地理位置信息进行业务预测的方法及装置,获取用户的当前位置,并对其进行如下的嵌入处理:确定该当前位置在层次编码方式下的目标位置编码。之后,针对该目标位置编码,利用滑动窗口提取对应的编码片段序列,以及根据该编码片段序列,确定当前位置的特征向量。最后,基于嵌入处理得到的特征向量,利用业务预测模型,进行业务预测。也本方案中,先针对用户的当前位置进行嵌入处理,之后基于嵌入处理得到的特征向量进行业务预测,这相比于传统技术中直接基于地理位置信息进行业务预测,可以大大提升业务预测的准确性。
附图说明
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本说明书一个实施例提供的实施场景示意图;
图2为本说明书提供的获取地理位置信息的特征向量的方法流程图;
图3a-3c为本说明书提供的各层级的地理区域示意图;
图4为本说明书一个实施例提供的基于地理位置信息进行业务预测的方法流程图;
图5为本说明书提供的基于地理位置信息为用户推送服务信息的方法示意图;
图6为本说明书一个实施例提供的基于地理位置信息进行业务预测的装置示意图;
图7为本说明书一个实施例提供的获取地理位置信息的特征向量的装置示意图。
具体实施方式
下面结合附图,对本说明书提供的方案进行描述。
本申请的发明人考虑到多数的业务预测均和地理位置有关。比如,预测服务信息的类别,这里的服务信息可以包括以下中的至少一项:附近商圈信息、电子券以及推荐内容等。以服务信息为电子券为例来说,其通常可以包括公交地铁优惠卡、线下餐饮门店优惠券、盒马银泰等线下卖场的优惠券等。从理论上讲,将上述这些服务信息推送给相关地理位置的用户,那么该服务信息被使用的机率就会大一些。再比如,识别用户的终端设备是否存在异常。终端设备的位置与以往不同时,那么其存在异常的可能性较大。为此,本申请提出依据用户的当前位置,进行业务预测。具体地,通过将用户的当前位置输入业务预测模型,得到业务预测结果。
关于地理位置,传统技术中,通常使用geohash网格信息、兴趣点(Point ofInterest,poi)信息、信息面(area of interest,aoi)信息,或者经纬度信息来表示。但是这些方式都有自己的缺点:1.geohash网格信息或者poi信息虽然可以精确区分不同的位置,但是由于数量太大,在将其转换为特征向量(one-hot特征向量)输入模型进行学习时,会导致模型参数爆炸。另外,poi信息忽视了位置的远近关系信息,这样也不利于模型学习。2.aoi信息的数量在几百万左右不算很大,但是一个aoi的面积较大,不能精确覆盖公交地铁站点这种位置。另外aoi的覆盖率也不是很高。3.经纬度信息虽然避免了特征维度的问题,也保持了位置的远近关系,但是由于经度和纬度小数点后变化一点,实际位置就会偏离很远,模型很难学习使用这类特征。
鉴于上述位置编码方法均存在相应的缺陷,为此,本申请提出,使用层次编码方式下的位置编码。该层次编码方式下的位置编码中从高位到低位的码值,依次对应于地理范围从大到小或从小到大的地理区域的区域标号。
在得到当前位置的位置编码之后,可以使用滑动窗口,从位置编码中提取编码片段序列。然后将编码片段序列输入业务预测模型,进行业务预测。以下进行详细说明。
图1为本说明书一个实施例提供的实施场景示意图。图1中,获取用户的当前位置。确定该当前位置在层次编码方式下的目标位置编码。之后,针对该目标位置编码,利用滑动窗口提取对应的编码片段序列。将编码片段序列输入基于时序的神经网络模型,得到对应的特征向量。最后,至少将该特征向量输入业务预测模型,得到业务预测结果。
上述确定当前位置的特征向量的过程也可以称为针对当前位置进行嵌入处理的过程,后续对此进行详细说明。
此外,这里的业务预测可以包括但不限于预测服务信息的类别或识别用户的终端设备是否存在异常。其中,服务信息可以包括但不限于以下任一种:附近商圈信息、电子券以及推荐内容等。以服务信息为电子券为例来说,上述服务信息的类别例如可以为电子券的类别。其中不同类别的电子券可以包括公交地铁优惠卡、线下餐饮门店优惠券、盒马银泰等线下卖场的优惠券等。
以下对针对地理位置的嵌入处理过程进行说明。
图2为本说明书提供的获取地理位置信息的特征向量的方法流程图。所述方法的执行主体可以为具有处理能力的设备:服务器或者系统或者装置。如图2所示,所述方法具体可以包括:
步骤202,获取用户的当前位置。
这里,可以是通过获取用户的终端设备的位置,来确定用户的当前位置。其中的终端设备可以是指手机、ipad以及智能手表等。
在一个例子中,上述位置可以是指LBS信息,其通常可以表示为经纬度坐标。
步骤204,确定当前位置在层次编码方式下的目标位置编码。
这里的层次编码方式可以是指必应地图图片系统(Tile Map System)中使用的编码方式。该层次编码方式下的目标位置编码中从高位到低位的码值,依次对应于地理范围从大到小或从小到大的地理区域的区域标号。
上述确定目标位置在层次编码方式下的目标位置编码,具体可以包括:获取按照多个层级预先划分的地理区域,其中,从高层级到低层级的地理区域对应的地理范围由大变小。从高层级到低层级或从低层级到高层级,依次确定目标位置在各层级所属于的地理区域的区域标号,该多个层级分别对应的多个区域标号形成目标位置编码。
在一个示例中,上述按照多个层级预先划分的地理区域,通过按照多个层级递归地对全球地图进行划分得到。其中任意的第t层级的划分包括:获取第t-1层级的各地理区域,将第t-1层级的各地理区域依次作为当前区域进行区域划分。该区域划分包括:按照预定划分方式,对当前区域进行划分,得到按序排列的若干子区域,依次针对各子区域添加对应的区域标号。将各子区域作为第t层级的地理区域。
其中,当t=1时,获取初始地图(如,全球地图等),然后将初始地图作为当前区域进行第一层级的划分。
需要说明,上述针对全球地图划分的结束条件可以为最小区域满足预定精度。
以下结合图3a-3c对上述递归划分过程进行说明。
图3a为第一层级(也即最高层级)的各地理区域,其是针对初始地图进行第一层级的划分得到,也即针对初始地图进行4等分得到。其中的各地理区域的区域标号分别为:“0”、“1”、“2”和“3”。接着针对第一层级的各地理区域进行第二层级的划分,就可以得到图3b示出的第二层级(即中间层级)的各地理区域。图3b中,编号为“00”、“01”、“02”和“03”的各地理区域是在针对区域标号为“0”的地理区域进行4等分后得到。
需要说明,为了更直观地区分各地理区域,这里用编号来标识第二层级的各地理区域。这里的编号通过在第二层级的各地理区域的区域标号之前,增加共同的上层地理区域的区域标号“0”来得到。换句话说,第二层级的各地理区域的区域标号也表示为:“0”、“1”、“2”和“3”。类似地,编号为“10”、“11”、“12”和“13”的各地理区域是在针对区域标号为“1”的地理区域进行4等分后得到。编号为“20”、“21”、“22”和“23”的各地理区域是在针对区域标号为“2”的区域进行4等分后得到。编号为“30”、“31”、“32”和“33”的各地理区域是在针对区域标号为“3”的地理区域进行4等分后得到。
最后,针对图3b中示出的各地理区域分别进行第三层级的划分,就可以得到如图3c所示的第三层级(即最低层级)的各地理区域。
由上述编码方式可以得出,最高层级的地理区域对应的地理范围最大,最低层级的地理区域对应的地理范围最小。也就是说,从高层级到低层级的地理区域对应的地理范围由大变小。因此,当按照从高到低的顺序,依次确定目标位置在各层级所属于的地理区域的区域标号时,那么所形成的目标位置编码中从高位到低位的码值,依次对应于地理范围从大到小的地理区域的区域标号。而当按照从低到到的顺序,依次确定目标位置在各层级所属于的地理区域的区域标号时,那么所形成的目标位置编码中从高位到低位的码值,依次对应于地理范围从小到大的地理区域的区域标号。
在上述例子中,假设目标位置在各层级(从高层级到低层级)所属于的地理区域的区域标号分别为“3”、“3”和“0”,那么其对应的目标位置编码可以为:“330”。
应理解,随着层级的增加,划分得到的地理区域越来越小,从而位置编码越来越长。在一个例子中,位置编码的长度可以达到19,甚至更长。
步骤206,根据预定义的步长,将滑动窗口在目标位置编码上滑动,并提取滑动过程中滑动窗口内的编码片段,得到编码片段序列。
在一个例子中,假设目标位置编码为:“120220011012000332”,且预定义的步长为1,滑动窗口的大小为6,那么得到的编码片段序列可以如下:['120220','202200','022001','220011','200110','001101','011012','110120','101200','012000','120003','200033','000332']。
在该例子中,编码片段序列的单词量为4的6次方,即为4096。
以目标位置编码中从高位到低位的码值,依次对应于地理范围从大到小的地理区域的区域标号为例来说,上述序列中依次排列的各编码片段依次代表着从粗粒度到细粒度的位置信息。可以类比于从国家粒度,逐步精细到地区、省、市、县等。
此外,上述各编码片段通常还可以描述相对位置信息。还以上述目标位置编码为例来说,假设滑动窗口的大小为1,那么当某个编码片段分别为0、1、2或3时,表示所代表区域在西北、东北、西南或东南区域。当n取值变大,编码片段可以表示更复杂的相对位置信息。
本说明书实施例中,将目标位置编码表示为编码片段序列的方式,相比geohash网格信息的方式,大大减少了特征维度,从而方便模型训练。同时也能解决aoi信息覆盖度低的问题,因为LBS信息本身是全覆盖的。并且相比于poi信息和aoi信息不能刻画两个地点的远近关系,上述编码片段序列可以很好地刻画两个地点的远近关系。最后相比于经纬度信息,上述表示为编码片段序列的方式,可以避免由于经度和纬度小数点后变化一点,实际位置就会偏离很远,使得模型很难学习的问题。
步骤208,根据编码片段序列,确定当前位置的特征向量。
具体地,可以将编码片段序列输入基于时序的神经网络模型,得到当前位置的特征向量。其中,基于时序的神经网络模型可以包括以下中的任一项:长短期记忆网络(LongShort-Term Memory,LSTM),循环神经网络(Recurrent Neural Network,RNN)以及双向门控循环单元(Gated Recurrent Unit,GRU)等。
以上就是本说明书提供的针对地理位置的嵌入处理过程,以下对基于该嵌入处理得到的地理位置的特征向量所进行的业务预测进行说明。
图4为本说明书一个实施例提供的基于地理位置信息进行业务预测的方法流程图。所述方法的执行主体可以为具有处理能力的设备:服务器或者系统或者装置。如图4所示,所述方法具体可以包括:
步骤402,获取用户的当前位置。
这里,可以是通过获取用户的终端设备的位置,来确定用户的当前位置。其中的终端设备可以是指手机、ipad以及智能手表等。
在一个例子中,上述位置可以是指LBS信息,其通常可以表示为经纬度坐标。
步骤404,将当前位置作为目标位置,对目标位置进行嵌入处理,得到当前位置的特征向量。
这里的嵌入处理具体可以通过上述步骤202-步骤208来实现,本说明书在此不复赘述。
步骤406,至少将当前位置的特征向量输入业务预测模型,得到业务预测结果。
此外,还可以获取用户的与业务相关的历史行为序列。然后分别将历史行为序列中的各历史行为对应的历史位置作为目标位置,对目标位置进行如图2所示的嵌入处理,得到各历史位置的特征向量。
以业务预测为预测服务信息的类别,且服务信息为电子券为例来说,上述历史行为序列中的历史行为例如可以为领取行为或者核销行为等。
应理解,在得到各历史位置的特征向量之后,可以将当前位置的特征向量和各历史位置的特征向量输入业务预测模型,得到业务预测结果。
在一个示例中,上述业务预测模型可以包括基于Transformer的神经网络模型,上述将当前位置的特征向量和各历史位置的特征向量输入业务预测模型可以包括:将当前位置的特征向量和各历史位置的特征向量输入基于Transformer的神经网络模型,得到序列表示向量。根据序列表示向量,确定业务预测结果。
当然,在实际应用中,上述Transformer的神经网络模型也可以替换为LSTM或者卷积神经网络(Convolutional Neural Networks,CNN)等。
在一个具体例子中,上述基于Transformer的神经网络模型可以包括嵌入层和注意力层,上述将当前位置的特征向量和各历史位置的特征向量输入基于Transformer的神经网络模型可以包括:在嵌入层,基于各特征向量以及对应的顺序编号,得到各嵌入向量。在注意力层,对各嵌入向量加以不同的权重,得到序列表示向量。
当然,在实际应用中,还可以将与业务相关的特征(比如,服务信息的特征)也输入业务预测模型,本说明书对此不作限定。
还需要说明,本说明书实施例提供的方案,适用于针对多种业务进行预测,比如,识别用户的终端设备是否存在异常等。
以下结合图5对本说明书实施例提供的方案作进一步说明。
图5为本说明书提供的基于地理位置信息为用户推送服务信息的方法示意图。图5中,获取用户的当前位置以及用户的与服务信息相关的历史行为序列。分别确定当前位置以及各历史行为对应的各历史位置的目标位置编码。针对每个目标位置编码,利用滑动窗口,从中提取对应的编码片段序列。将当前位置以及各历史位置各自对应的编码片段序列输入基于时序的神经网络模型,得到各自的特征向量。之后,将各特征向量输入基于预测模型中的transformer的神经网络模型,得到序列表示向量。最后基于序列表示向量,预测向用户推送的服务信息的类别。
综合以上,本说明书实施例提供的方案,先针对用户的当前位置进行嵌入处理,之后基于嵌入处理得到的特征向量进行业务预测,这相比于传统技术中直接基于地理位置信息进行业务预测,可以大大提升业务预测的准确性。
与上述基于地理位置信息进行业务预测的方法对应地,本说明书一个实施例还提供的一种基于地理位置信息进行业务预测的装置,如图6所示,该装置可以包括:
获取单元602,用于获取用户的当前位置。
处理单元604,用于将当前位置作为目标位置,对目标位置进行嵌入处理,得到当前位置的特征向量。其中,处理单元604包括:
确定模块6042,用于确定目标位置在层次编码方式下的目标位置编码。该目标位置编码中从高位到低位的码值,依次对应于地理范围从大到小或从小到大的地理区域的区域标号。
确定模块6042具体用于:
获取按照多个层级预先划分的地理区域,从高层级到低层级对应于地理范围从大到小;
从高层级到低层级或从低层级到高层级,依次确定目标位置在各层级所属于的地理区域的区域标号,该多个层级分别对应的多个区域标号形成目标位置编码。
提取模块6044,用于根据预定义的步长,将滑动窗口在目标位置编码上滑动,并提取滑动过程中滑动窗口内的编码片段,得到编码片段序列。
确定模块6042,还用于根据编码片段序列,确定当前位置的特征向量。
确定模块6042具体用于:
将编码片段序列输入基于时序的神经网络模型,得到当前位置的特征向量。
基于时序的神经网络模型包括以下中的任一项:循环神经网络RNN,长短期记忆神经网络LSTM以及门控循环单元神经网络GRU。
预测单元606,用于至少将当前位置的特征向量输入业务预测模型,得到业务预测结果。
这里的业务预测模型可以用于预测服务信息的类别。该服务信息包括以下中的任一项:附近商圈信息、电子券以及推荐内容。或,该业务预测模型用于识别用户的终端设备是否存在异常等。
获取单元602,还用于获取用户的与业务相关的历史行为序列。
处理单元604,还用于分别将历史行为序列中的各历史行为对应的历史位置作为目标位置,对目标位置进行嵌入处理,得到各历史位置的特征向量。
预测单元606具体用于:
将当前位置的特征向量和各历史位置的特征向量输入所述业务预测模型,得到业务预测结果。
其中,预测模型包括,基于Transformer的神经网络模型,预测单元606还具体用于:
将当前位置的特征向量和各历史位置的特征向量输入基于Transformer的神经网络模型,得到序列表示向量;
根据序列表示向量,确定业务预测结果。
其中,基于Transformer的神经网络模型包括嵌入层和注意力层;
预测单元606还具体用于:
在嵌入层,基于各特征向量以及对应的顺序编号,得到各嵌入向量;
在注意力层,对各嵌入向量加以不同的权重,得到序列表示向量。
本说明书上述实施例装置的各功能模块的功能,可以通过上述方法实施例的各步骤来实现,因此,本说明书一个实施例提供的装置的具体工作过程,在此不复赘述。
本说明书一个实施例提供的基于地理位置信息进行业务预测的装置,可以提升业务预测的准确性。
与上述获取地理位置信息的特征向量的方法对应地,本说明书一个实施例还提供的一种获取地理位置信息的特征向量的装置,如图7所示,该装置可以包括:
获取单元702,用于获取目标设备的当前位置。
确定单元704,用于确定目标位置在层次编码方式下的目标位置编码。该目标位置编码中从高位到低位的码值,依次对应于地理范围从大到小或从小到大的地理区域的区域标号。
提取单元706,用于根据预定义的步长,将滑动窗口在所述目标位置编码上滑动,并提取滑动过程中滑动窗口内的编码片段,得到编码片段序列。
确定单元702,还用于根据编码片段序列,确定当前位置的特征向量。
本说明书上述实施例装置的各功能模块的功能,可以通过上述方法实施例的各步骤来实现,因此,本说明书一个实施例提供的装置的具体工作过程,在此不复赘述。
本说明书一个实施例提供的获取地理位置信息的特征向量的装置,所得到的地理位置的特征向量可以方便于模型进行学习。
根据另一方面的实施例,还提供一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行结合图2或图4所描述的方法。
根据再一方面的实施例,还提供一种计算设备,包括存储器和处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现结合图2或图4所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于设备实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
结合本说明书公开内容所描述的方法或者算法的步骤可以硬件的方式来实现,也可以是由处理器执行软件指令的方式来实现。软件指令可以由相应的软件模块组成,软件模块可以被存放于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动硬盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。另外,该ASIC可以位于服务器中。当然,处理器和存储介质也可以作为分立组件存在于服务器中。
本领域技术人员应该可以意识到,在上述一个或多个示例中,本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时,可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述的具体实施方式,对本说明书的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本说明书的具体实施方式而已,并不用于限定本说明书的保护范围,凡在本说明书的技术方案的基础之上,所做的任何修改、等同替换、改进等,均应包括在本说明书的保护范围之内。
Claims (20)
1.一种基于地理位置信息进行业务预测的方法,包括:
获取用户的当前位置;
将所述当前位置作为目标位置,对目标位置进行嵌入处理,得到所述当前位置的特征向量,所述嵌入处理包括:
确定所述目标位置在层次编码方式下的目标位置编码;所述目标位置编码中从高位到低位的码值,依次对应于地理范围从大到小或从小到大的地理区域的区域标号;
根据预定义的步长,将滑动窗口在所述目标位置编码上滑动,并提取滑动过程中所述滑动窗口内的编码片段,得到编码片段序列;
根据所述编码片段序列,确定所述当前位置的特征向量;
至少将所述当前位置的特征向量输入业务预测模型,得到业务预测结果。
2.根据权利要求1所述的方法,其中,所述根据所述编码片段序列,确定所述当前位置的特征向量,包括:
将所述编码片段序列输入基于时序的神经网络模型,得到所述当前位置的特征向量。
3.根据权利要求2所述的方法,其中,所述基于时序的神经网络模型包括以下中的任一项:循环神经网络RNN,长短期记忆神经网络LSTM以及门控循环单元神经网络GRU。
4.根据权利要求1所述的方法,其中,所述确定所述目标位置在层次编码方式下的目标位置编码,包括:
获取按照多个层级预先划分的地理区域,从高层级到低层级对应于地理范围从大到小;
从高层级到低层级或从低层级到高层级,依次确定所述目标位置在各层级所属于的地理区域的区域标号,所述多个层级分别对应的多个区域标号形成所述目标位置编码。
5.根据权利要求1所述的方法,还包括:
获取所述用户的与业务相关的历史行为序列;
分别将所述历史行为序列中的各历史行为对应的历史位置作为目标位置,对目标位置进行所述嵌入处理,得到各历史位置的特征向量;
所述至少将所述当前位置的特征向量输入业务预测模型,包括:
将所述当前位置的特征向量和所述各历史位置的特征向量输入所述业务预测模型,得到业务预测结果。
6.根据权利要求5所述的方法,其中,所述业务预测模型包括,基于Transformer的神经网络模型,所述至少将所述当前位置的特征向量输入业务预测模型,包括:
将当前位置的特征向量和所述各历史位置的特征向量输入所述基于Transformer的神经网络模型,得到序列表示向量;
根据所述序列表示向量,确定所述业务预测结果。
7.根据权利要求6所述的方法,其中,所述基于Transformer的神经网络模型包括嵌入层和注意力层;
所述将当前位置的特征向量和所述各历史位置的特征向量输入基于Transformer的神经网络模型,包括:
在所述嵌入层,基于各特征向量以及对应的顺序编号,得到各嵌入向量;
在所述注意力层,对所述各嵌入向量加以不同的权重,得到所述序列表示向量。
8.根据权利要求1至7中任一项所述的方法,其中,
所述业务预测模型用于预测服务信息的类别;所述服务信息包括以下中的任一项:附近商圈信息、电子券以及推荐内容;或,
所述业务预测模型用于识别所述用户的终端设备是否存在异常。
9.一种获取地理位置信息的特征向量的方法,包括:
获取目标设备的当前位置;
确定所述当前位置在层次编码方式下的目标位置编码;所述目标位置编码中从高位到低位的码值,依次对应于地理范围从大到小或从小到大的地理区域的区域标号;
根据预定义的步长,将滑动窗口在所述目标位置编码上滑动,并提取滑动过程中所述滑动窗口内的编码片段,得到编码片段序列;
根据所述编码片段序列,确定所述当前位置的特征向量。
10.一种基于地理位置信息进行业务预测的装置,包括:
获取单元,用于获取用户的当前位置;
处理单元,用于将所述当前位置作为目标位置,对目标位置进行嵌入处理,得到所述当前位置的特征向量;所述处理单元包括:
确定模块,用于确定所述目标位置在层次编码方式下的目标位置编码;所述目标位置编码中从高位到低位的码值,依次对应于地理范围从大到小或从小到大的地理区域的区域标号;
提取模块,用于根据预定义的步长,将滑动窗口在所述目标位置编码上滑动,并提取滑动过程中所述滑动窗口内的编码片段,得到编码片段序列;
所述确定模块,还用于根据所述编码片段序列,确定所述当前位置的特征向量;预测单元,用于至少将所述当前位置的特征向量输入业务预测模型,得到业务预测结果。
11.根据权利要求10所述的装置,所述确定模块具体用于:
将所述编码片段序列输入基于时序的神经网络模型,得到所述当前位置的特征向量。
12.根据权利要求11所述的装置,其中,所述基于时序的神经网络模型包括以下中的任一项:循环神经网络RNN,长短期记忆神经网络LSTM以及门控循环单元神经网络GRU。
13.根据权利要求10所述的装置,所述确定模块具体用于:
获取按照多个层级预先划分的地理区域,从高层级到低层级对应于地理范围从大到小;
从高层级到低层级或从低层级到高层级,依次确定所述目标位置在各层级所属于的地理区域的区域标号,所述多个层级分别对应的多个区域标号形成所述目标位置编码。
14.根据权利要求10所述的装置,
所述获取单元,还用于获取所述用户的与业务相关的历史行为序列;
所述处理单元,还用于分别将所述历史行为序列中的各历史行为对应的历史位置作为目标位置,对目标位置进行所述嵌入处理,得到各历史位置的特征向量;
所述预测单元具体用于:
将所述当前位置的特征向量和所述各历史位置的特征向量输入所述业务预测模型,得到业务预测结果。
15.根据权利要求14所述的装置,其中,所述预测模型包括,基于Transformer的神经网络模型,所述预测单元还具体用于:
将当前位置的特征向量和所述各历史位置的特征向量输入所述基于Transformer的神经网络模型,得到序列表示向量;
根据所述序列表示向量,确定所述业务预测结果。
16.根据权利要求15所述的装置,其中,所述基于Transformer的神经网络模型包括嵌入层和注意力层;
所述预测单元还具体用于:
在所述嵌入层,基于各特征向量以及对应的顺序编号,得到各嵌入向量;
在所述注意力层,对所述各嵌入向量加以不同的权重,得到所述序列表示向量。
17.根据权利要求10至16中任一项所述的装置,其中,
所述业务预测模型用于预测服务信息的类别;所述服务信息包括以下中的任一项:附近商圈信息、电子券以及推荐内容;或,
所述业务预测模型用于识别所述用户的终端设备是否存在异常。
18.一种获取地理位置信息的特征向量的装置,包括:
获取单元,用于获取目标设备的当前位置;
确定单元,用于确定所述目标位置在层次编码方式下的目标位置编码;所述目标位置编码中从高位到低位的码值,依次对应于地理范围从大到小或从小到大的地理区域的区域标号;
提取单元,用于根据预定义的步长,将滑动窗口在所述目标位置编码上滑动,并提取滑动过程中所述滑动窗口内的编码片段,得到编码片段序列;
所述确定单元,还用于根据所述编码片段序列,确定所述当前位置的特征向量。
19.一种计算机可读存储介质,其上存储有计算机程序,其中,当所述计算机程序在计算机中执行时,令计算机执行权利要求1-9中任一项所述的方法。
20.一种计算设备,包括存储器和处理器,其中,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现权利要求1-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110741178.1A CN113487163A (zh) | 2021-06-30 | 2021-06-30 | 基于地理位置信息进行业务预测的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110741178.1A CN113487163A (zh) | 2021-06-30 | 2021-06-30 | 基于地理位置信息进行业务预测的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113487163A true CN113487163A (zh) | 2021-10-08 |
Family
ID=77937187
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110741178.1A Pending CN113487163A (zh) | 2021-06-30 | 2021-06-30 | 基于地理位置信息进行业务预测的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113487163A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023096578A3 (en) * | 2021-11-24 | 2023-06-22 | Grabtaxi Holdings Pte. Ltd. | System and method for training machine learning model with geographical location |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102080963A (zh) * | 2009-11-27 | 2011-06-01 | 北京四维图新科技股份有限公司 | 建立兴趣点与对应兴趣点图像间的关联关系的方法和装置 |
WO2017031856A1 (zh) * | 2015-08-25 | 2017-03-02 | 百度在线网络技术(北京)有限公司 | 信息预测的方法和装置 |
CN109803222A (zh) * | 2018-12-13 | 2019-05-24 | 北京市天元网络技术股份有限公司 | 无线小区性能指标预测方法及装置 |
CN111506576A (zh) * | 2020-04-08 | 2020-08-07 | 华东师范大学 | 一种基于区域四叉树的地块编码方法及装置 |
CN111860879A (zh) * | 2020-02-17 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种消息的推送方法、装置、电子设备及可读存储介质 |
CN112241327A (zh) * | 2019-07-17 | 2021-01-19 | 腾讯科技(深圳)有限公司 | 分享信息处理方法、装置、存储介质与电子设备 |
WO2021012645A1 (zh) * | 2019-07-22 | 2021-01-28 | 创新先进技术有限公司 | 推送信息的生成方法及装置 |
CN112948674A (zh) * | 2021-02-26 | 2021-06-11 | 平安科技(深圳)有限公司 | 基于Redis的智能推送服务的方法、装置及计算机设备 |
-
2021
- 2021-06-30 CN CN202110741178.1A patent/CN113487163A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102080963A (zh) * | 2009-11-27 | 2011-06-01 | 北京四维图新科技股份有限公司 | 建立兴趣点与对应兴趣点图像间的关联关系的方法和装置 |
WO2017031856A1 (zh) * | 2015-08-25 | 2017-03-02 | 百度在线网络技术(北京)有限公司 | 信息预测的方法和装置 |
CN109803222A (zh) * | 2018-12-13 | 2019-05-24 | 北京市天元网络技术股份有限公司 | 无线小区性能指标预测方法及装置 |
CN112241327A (zh) * | 2019-07-17 | 2021-01-19 | 腾讯科技(深圳)有限公司 | 分享信息处理方法、装置、存储介质与电子设备 |
WO2021012645A1 (zh) * | 2019-07-22 | 2021-01-28 | 创新先进技术有限公司 | 推送信息的生成方法及装置 |
CN111860879A (zh) * | 2020-02-17 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种消息的推送方法、装置、电子设备及可读存储介质 |
CN111506576A (zh) * | 2020-04-08 | 2020-08-07 | 华东师范大学 | 一种基于区域四叉树的地块编码方法及装置 |
CN112948674A (zh) * | 2021-02-26 | 2021-06-11 | 平安科技(深圳)有限公司 | 基于Redis的智能推送服务的方法、装置及计算机设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023096578A3 (en) * | 2021-11-24 | 2023-06-22 | Grabtaxi Holdings Pte. Ltd. | System and method for training machine learning model with geographical location |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108875007B (zh) | 兴趣点的确定方法和装置、存储介质、电子装置 | |
CN110414732B (zh) | 一种出行未来轨迹预测方法、装置、储存介质及电子设备 | |
CN110968654B (zh) | 文本数据的地址类目确定方法、设备以及系统 | |
Choi et al. | Network-wide vehicle trajectory prediction in urban traffic networks using deep learning | |
CN109829020B (zh) | 地点资源数据推送方法、装置、计算机设备和存储介质 | |
Feng | Modeling dynamic urban land-use change with geographical cellular automata and generalized pattern search-optimized rules | |
CN106767835B (zh) | 定位方法和装置 | |
CN110598917B (zh) | 一种基于路径轨迹的目的地预测方法、系统及存储介质 | |
CN112214677B (zh) | 一种兴趣点推荐方法、装置、电子设备及存储介质 | |
CN111931077B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
Wong et al. | Long-term user location prediction using deep learning and periodic pattern mining | |
CN111695019A (zh) | 一种识别关联账号的方法及装置 | |
Song et al. | Hidden Markov model and driver path preference for floating car trajectory map matching | |
CN107798636A (zh) | 楼盘信息处理方法、装置、计算机设备及存储介质 | |
CN113487163A (zh) | 基于地理位置信息进行业务预测的方法及装置 | |
CN115203340A (zh) | 一种伴随关系确定方法、装置、设备和存储介质 | |
CN110674208B (zh) | 用于确定用户的职住地信息的方法和装置 | |
Sun et al. | Predicting future locations with semantic trajectories | |
CN112434228B (zh) | 一种移动目标轨迹位置预测方法 | |
CN112380443B (zh) | 导乘推荐方法、装置、计算机设备和存储介质 | |
CN114638308A (zh) | 一种获取对象关系的方法、装置、电子设备和存储介质 | |
CN114297235A (zh) | 风险地址识别方法、系统及电子设备 | |
CN114003674A (zh) | 双录地址确定方法、装置、设备及存储介质 | |
CN110070371B (zh) | 一种数据预测模型建立方法及其设备、存储介质、服务器 | |
CN114125813A (zh) | 基于手机信令的信号覆盖范围确定方法及相关装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |