CN114007186A - 定位方法及相关产品 - Google Patents
定位方法及相关产品 Download PDFInfo
- Publication number
- CN114007186A CN114007186A CN202111227960.8A CN202111227960A CN114007186A CN 114007186 A CN114007186 A CN 114007186A CN 202111227960 A CN202111227960 A CN 202111227960A CN 114007186 A CN114007186 A CN 114007186A
- Authority
- CN
- China
- Prior art keywords
- positioning
- historical
- places
- attribute
- request
- 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
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
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- H04W4/024—Guidance services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Navigation (AREA)
Abstract
本申请属于计算机技术领域,具体涉及一种定位方法、定位装置、计算机可读介质以及电子设备,可以应用于地图、交通、自动驾驶领域或者车载应用场景。该定位方法包括:响应于定位请求方发起的定位请求,获取所述定位请求中携带的接入点信息,所述接入点信息包括用于接入通信网络的网络接入点的属性信息;在所述定位请求方的频繁访问地点中查找与所述网络接入点匹配度最高的目标地点,所述频繁访问地点是对所述定位请求方的历史定位地点进行聚类得到聚类簇的聚类中心;根据所述接入点信息识别所述目标地点是否为所述定位请求方的当前访问地点。该方法能够准确地定位出定位请求方的当前访问地点,提高定位准确性。
Description
技术领域
本申请属于计算机技术领域,具体涉及一种定位方法、定位装置、计算机可读介质以及电子设备,可以应用于地图、交通、自动驾驶领域或者车载应用场景。
背景技术
卫星导航定位技术是常用的定位方案,但是当定位对象处于室内或者其他容易遮挡卫星信号的场景时,往往难以获得准确的定位数据。
发明内容
本申请的目的在于提供一种定位方法、定位装置、计算机可读介质以及电子设备,至少在一定程度上克服相关技术中存在的定位准确性差的技术问题。
本申请的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本申请的实践而习得。
根据本申请实施例的一个方面,提供一种定位方法,该方法包括:响应于定位请求方发起的定位请求,获取所述定位请求中携带的接入点信息,所述接入点信息包括用于接入通信网络的网络接入点的属性信息;在所述定位请求方的频繁访问地点中查找与所述网络接入点匹配度最高的目标地点,所述频繁访问地点是对所述定位请求方的历史定位地点进行聚类得到聚类簇的聚类中心;根据所述接入点信息识别所述目标地点是否为所述定位请求方的当前访问地点。
根据本申请实施例的一个方面,提供一种定位装置,该装置包括:获取模块,被配置为响应于定位请求方发起的定位请求,获取所述定位请求中携带的接入点信息,所述接入点信息包括用于接入通信网络的网络接入点的属性信息;查找模块,被配置为在所述定位请求方的频繁访问地点中查找与所述网络接入点匹配度最高的目标地点,所述频繁访问地点是对所述定位请求方的历史定位地点进行聚类得到聚类簇的聚类中心;识别模块,被配置为根据所述接入点信息识别所述目标地点是否为所述定位请求方的当前访问地点。
在本申请的一些实施例中,基于以上技术方案,查找模块包括:指纹库获取模块,被配置为获取所述定位请求方的网络接入指纹库,所述网络接入指纹库用于保存与所述定位请求方的频繁访问地点相对应的各个网络接入点的统计信息;指纹库匹配模块,被配置为将所述接入点信息与所述网络接入指纹库中的各个频繁访问地点进行匹配检测,得到匹配度最高的目标地点。
在本申请的一些实施例中,基于以上技术方案,指纹库获取模块包括:地点获取模块,被配置为获取所述定位请求方的历史定位请求以及与所述历史定位请求相对应的频繁访问地点,所述历史定位请求是所述定位请求方在历史时间段发起的定位请求;信息获取模块,被配置为获取所述历史定位请求携带的历史接入点信息,所述历史接入点信息用于表示网络接入点在历史时间段的属性信息;信息关联模块,被配置为统计所述频繁访问地点所在聚类簇范围内的网络接入点,并将所述网络接入点的统计信息与所述频繁访问地点进行关联处理,得到所述定位请求方的网络接入指纹库。
在本申请的一些实施例中,基于以上技术方案,所述定位装置还包括:地点获取模块,被配置为获取所述定位请求方的历史定位请求以及与所述历史定位请求相对应的历史定位地点,所述历史定位请求是所述定位请求方在历史时间段发起的定位请求;地点排序模块,被配置为按照时间顺序对所述历史定位地点进行排序,组成所述定位请求方的历史定位轨迹;地点聚类模块,被配置为对所述历史定位轨迹中的历史定位地点进行聚类处理,得到所述定位请求方的频繁访问地点。
在本申请的一些实施例中,基于以上技术方案,地点聚类模块包括:序列筛选模块,被配置为从所述历史定位轨迹中筛选移动距离小于距离阈值且移动时长大于时长阈值的轨迹点序列,所述移动距离包括相邻轨迹点的定位距离以及序列端点的定位距离,所述移动时长包括所述序列端点的定位时间差;停留地点选取模块,被配置为选取位于所述轨迹点序列中心的历史定位地点作为所述定位请求方的停留地点;停留地点聚类模块,被配置为对所述停留地点进行聚类处理,得到所述定位请求方的频繁访问地点。
在本申请的一些实施例中,基于以上技术方案,序列筛选模块包括:第一获取模块,被配置为获取所述历史定位轨迹中任意两个相邻轨迹点之间的第一定位距离;标记模块,被配置为将所述第一定位距离小于第一距离阈值的轨迹点标记为候选轨迹点;序列组成模块,被配置为将轨迹连续的候选轨迹点组成候选轨迹点序列;第二获取模块,被配置为获取所述候选轨迹点序列中的序列起点与序列终点的第二定位距离和定位时间差;筛选模块,被配置为从所述候选轨迹点序列中筛选第二定位距离小于第二距离阈值并且定位时间差大于时长阈值的轨迹点序列。
在本申请的一些实施例中,基于以上技术方案,停留地点聚类模块包括:聚类簇获取模块,被配置为对所述停留地点进行聚类处理,得到由多个停留地点组成的聚类簇;聚类簇筛选模块,被配置为在所述聚类簇中筛选定位频次大于频次阈值的目标聚类簇;聚类中心获取模块,被配置为获取所述目标聚类簇的聚类中心,并根据所述目标聚类簇的聚类中心确定所述定位请求方的频繁访问地点。
在本申请的一些实施例中,基于以上技术方案,聚类簇筛选模块包括:第一统计模块,被配置为统计归属于所述聚类簇的历史定位地点,并获取与所述历史定位地点相关的历史定位请求;第一频次确定模块,被配置为根据所述历史定位请求的请求数量确定所述聚类簇的定位频次;第一筛选模块,被配置为筛选所述定位频次大于频次阈值的目标聚类簇。
在本申请的一些实施例中,基于以上技术方案,聚类簇筛选模块包括:第二统计模块,被配置为统计归属于所述聚类簇的历史定位地点,并获取与所述历史定位地点相关的历史定位请求;请求分类模块,被配置为根据所述历史定位请求的请求时间对所述历史定位请求进行分类处理,得到各个所述历史定位请求所在的时间区间;第二频次确定模块,被配置为根据分布有所述历史定位请求的时间区间的区间数量确定所述聚类簇的定位频次;第二筛选模块,被配置为筛选所述定位频次大于频次阈值的目标聚类簇。
在本申请的一些实施例中,基于以上技术方案,所述定位装置还包括:场景识别模块,被配置为对所述历史定位地点进行场景识别,得到属于非访问场景的历史定位地点;异常检测模块,被配置为对所述历史定位地点进行定位异常检测,得到定位数据异常的历史定位地点;地点移除模块,被配置为移除所述属于非访问场景的历史定位地点以及所述定位数据异常的历史定位地点。
在本申请的一些实施例中,基于以上技术方案,所述定位装置还包括:地域获取模块,被配置为获取所述定位请求方的频繁访问地点所在的地域,并获取所述地域的地域属性信息;权重分配模块,被配置为根据所述地域属性信息为所述频繁访问地点分配对应于多个属性维度和多个时间区间的地域属性权重;地点统计模块,被配置为统计归属于所述频繁访问地点所在聚类簇的历史定位地点,并获取与所述历史定位地点相关的历史定位请求;数量统计模块,被配置为分别统计所述历史定位请求在各个所述时间区间内的分布数量;数量加权模块,被配置为根据所述地域属性权重对所述分布数量进行加权求和,得到所述频繁访问地点在各个属性维度上的属性评分;标签分配模块,被配置为根据所述属性评分为所述频繁访问地点分配地域属性标签。
在本申请的一些实施例中,基于以上技术方案,所述定位装置还包括:时间获取模块,被配置为获取与所述频繁访问地点相关的历史定位请求的请求时间;第一占比统计模块,被配置为统计所述请求时间在一个或者多个时间维度上的分布占比,并根据所述分布占比确定所述频繁访问地点的一个或者多个评分调整权重;第一评分调整模块,被配置为根据所述评分调整权重对所述属性评分进行加权处理,得到调整后的属性评分。
在本申请的一些实施例中,基于以上技术方案,所述定位装置还包括:请求解析模块,被配置为解析与所述频繁访问地点相关的历史定位请求,以确定所述历史定位请求中是否携带有卫星定位数据;第二占比统计模块,被配置为统计所述历史定位请求中未携带卫星定位数据的请求占比,并根据所述请求占比确定所述频繁访问地点的评分调整权重;第二评分调整模块,被配置为根据所述评分调整权重对所述属性评分进行加权处理,得到调整后的属性评分。
在本申请的一些实施例中,基于以上技术方案,标签分配模块包括:排序模块,被配置为分别按照各个属性维度上的属性评分对所述频繁访问地点进行排序;分配模块,被配置为根据地点排序结果,为属性评分最高的一个或者多个频繁访问地点分配与所述属性维度相对应的地域属性标签。
在本申请的一些实施例中,基于以上技术方案,所述定位装置还包括:标签获取模块,被配置为当识别所述目标地点为所述定位请求方的当前访问地点时,获取所述目标地点的地域属性标签;消息推送模块,被配置为向所述定位请求方发送与所述地域属性标签相对应的推送消息。
根据本申请实施例的一个方面,提供一种计算机可读介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如以上技术方案中的定位方法。
根据本申请实施例的一个方面,提供一种电子设备,该电子设备包括: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,所述处理器被配置为经由执行所述可执行指令来执行如以上技术方案中的定位方法。
根据本申请实施例的一个方面,提供一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行如以上技术方案中的定位方法。
在本申请实施例提供的技术方案中,通过对定位请求方的历史定位地点进行聚类处理,可以得到定位请求方的频繁访问地点,进一步利用网络接入点的接入点信息对频繁访问地点进行匹配检测和到访识别,能够准确地定位出定位请求方的当前访问地点,提高定位准确性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。显而易见地,下面描述中的附图仅仅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的前提下,还可以根据这些附图获得其他的附图。
图1示出了应用本申请技术方案的示例性系统架构框图。
图2示出了本申请一个实施例中的定位方法的步骤流程图。
图3示出了本申请一个实施例中获取定位请求方的频繁访问地点的发方法步骤流程图。
图4示出了本申请一个实施例中基于聚类处理获得定位请求方的频繁访问地点的方法步骤流程图。
图5示出了本申请一个实施例中对停留地点进行聚类处理的方法步骤流程图。
图6示出了本申请一个实施例中识别频繁访问地点的步骤流程图。
图7示出了本申请一个实施例中基于离线模型构建提供在线服务的定位方法流程图。
图8示出了本申请实施例在一应用场景中识别停留点的过程示意图。
图9示出了本申请实施例提供的定位装置的结构框图。
图10示出了适于用来实现本申请实施例的电子设备的计算机系统结构框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本申请将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本申请的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本申请的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
图1示意性地示出了应用本申请技术方案的示例性系统架构框图。
如图1所示,系统架构100可以包括终端设备110、网络120和服务器130。终端设备110可以包括智能手机、电脑、智能语音交互设备、智能家电、车载终端等各种电子设备。服务器130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,还可以是提供云计算服务的云服务器。网络120可以是能够在终端设备110和服务器130之间提供通信链路的各种连接类型的通信介质,例如可以是有线通信链路或者无线通信链路。
根据实现需要,本申请实施例中的系统架构可以具有任意数目的终端设备、网络和服务器。例如,服务器130可以是由多个服务器设备组成的服务器群组。另外,本申请实施例提供的技术方案可以应用于终端设备110,也可以应用于服务器130,或者可以由终端设备110和服务器130共同实施,本申请对此不做特殊限定。
本申请实施例可应用于云技术、人工智能、智慧交通、自动驾驶、辅助驾驶等各种场景。下面对本申请提供的定位方法、定位装置、计算机可读介质以及电子设备做出详细说明。
图2示出了本申请一个实施例中的定位方法的步骤流程图,该定位方法可以由图1所示的终端设备或者服务器执行,本申请实施例以终端设备执行的定位方法为例进行说明。如图2所示,本申请实施例中的定位方法可以包括如下的步骤S210至步骤S230。
步骤S210:响应于定位请求方发起的定位请求,获取定位请求中携带的接入点信息,接入点信息包括用于接入通信网络的网络接入点的属性信息。
定位请求是由定位请求方发起的用于实时获取定位请求方所在地理位置的业务请求。定位请求可以是定位请求方在使用手机、电脑或者车载终端等电子设备的过程中主动触发的业务请求,例如用户在使用地图应用或者导航应用时,可以主动触发定位请求以用于实时获取用户的地理位置;定位请求也可以是相关电子设备为实现其他业务需要而自动触发的业务请求,例如用户在进行网络购物、线上交易或者使用社交应用、多媒体播放应用或者其他任意的应用程序时,为了更好地向用户提供应用服务,相关应用程序可以根据自身业务需要而生成相应的定位需求,并在用户授权的情况下生成相应的定位请求。
网络接入点是用于将终端设备接入通信网络的节点设备;网络接入点包括用于接入无线通信网络的Wi-Fi节点和用于接入移动通信网络的网络基站,另外还可以包括用于接入短距离无线电网络的蓝牙设备。其中,Wi-Fi节点例如可以包括无线路由器或者无线交换机,网络基站例如可以包括4G基站或者5G基站,蓝牙设备可以包括支持蓝牙功能的手机、电脑或者其他任意的终端设备。
定位请求方可以通过终端设备扫描识别一定距离范围内的网络接入点,并采集各个网络接入点的属性信息。网络接入点的属性信息可以包括节点设备的设备名称、账号、物理地址、网络地址、信号强度等信息中的至少一种。
在本申请的一个实施例中,接入点信息包括对至少两种不同类型的网络接入点进行信息采集得到的属性信息,例如同时包括Wi-Fi节点的属性信息和网络基站的属性信息。
在本申请的一个实施例中,定位请求中还携带有卫星定位数据,例如包括通过GPS全球卫星定位系统或者北斗卫星导航系统获得定位请求方的卫星定位数据,将卫星定位数据与接入点信息相结合可以提高定位请求方所在地点的定位精度。
步骤S220:在定位请求方的频繁访问地点中查找与网络接入点匹配度最高的目标地点,频繁访问地点是对定位请求方的历史定位地点进行聚类得到聚类簇的聚类中心。
根据定位请求方在历史时间段内发起的历史定位请求,可以确定定位请求方的多个历史定位地点,对这些历史定位地点进行聚类处理可以得到多个聚类簇,每个聚类簇中均包括有多个位置相近的历史定位地点。基于每个聚类簇中各个历史定位地点的位置数据可以确定一个聚类中心,该聚类中心即代表一个定位请求方的频繁访问地点。频繁访问地点例如可以是用户的居住地点、工作地点或者其他访问频率较高的地点。
在历史定位地点所在的地域范围内分布有一个或者多个网络接入点,将这些网络接入点分别与对应的频繁访问地点进行关联后,可以根据关联数据为每个频繁访问地点配置与网络接入点相关的网络接入指纹库,网络接入指纹库用于保存与定位请求方的频繁访问地点相对应的各个网络接入点的统计信息。该统计信息可以包括频繁访问地点所在聚类簇的地域范围内能够扫描识别到的各个网络接入点的属性信息,例如可以包括Wi-Fi的名称、MAC地址、IP地址等数据,另外该统计信息还可以包括Wi-Fi在定位请求中出现的请求占比、用户占比、信号强度分布等数据。
将定位请求中携带的接入点信息与网络接入指纹库中的各个频繁访问地点进行匹配检测,可以得到网络接入点匹配度最高的目标地点。频繁访问地点与接入点信息进行匹配检测的方法可以包括将接入点信息对应的网络接入点与频繁访问地点对应的网络接入点进行匹配检测。例如,本申请实施例可以将接入点信息对应的各个网络接入点在网络接入指纹库中进行检索,由此可以获得每个频繁访问地点对应的网络接入点的召回数量,召回数量最高的频繁访问地点即为匹配度最高的目标地点。
步骤S230:根据接入点信息识别目标地点是否为定位请求方的当前访问地点。
经过步骤S220可以查找到一个或者多个目标地点,根据定位请求中携带的接入点信息可以进一步识别各个目标地点是否为定位请求方的当前访问地点。
在本申请的一个实施例中,针对定位请求方的每个频繁访问地点,可以训练一个与之对应的到访识别模型,利用到访识别模型对接入点信息进行特征提取后得到定位请求方所在地域的特征向量,再对特征向量进行映射处理后,得到到访识别模型输出的识别结果,该识别结果即用于指示目标地点是否为定位请求方的当前访问地点。
到访识别模型可以是利用定位请求方的历史定位数据训练得到的分类模型,例如可以是逻辑回归模型(LR)、随机森林模型、xgboost模型等任何可以用于分类的模型。
在本申请实施例提供的定位方法中,通过对定位请求方的历史定位地点进行聚类处理,可以得到定位请求方的频繁访问地点,进一步利用网络接入点的接入点信息对频繁访问地点进行匹配检测和到访识别,能够准确地定位出定位请求方的当前访问地点,提高定位准确性。
在本申请的一个实施例中,获取定位请求方的网络接入指纹库的方法可以包括:获取定位请求方的历史定位请求以及与历史定位请求相对应的频繁访问地点,历史定位请求是定位请求方在历史时间段发起的定位请求;获取历史定位请求携带的历史接入点信息,历史接入点信息用于表示网络接入点在历史时间段的属性信息;统计频繁访问地点所在聚类簇范围内的网络接入点,并将网络接入点的统计信息与频繁访问地点进行关联处理,得到定位请求方的网络接入指纹库。
图3示出了本申请一个实施例中获取定位请求方的频繁访问地点的发方法步骤流程图,如图3所示,获得定位请求方的频繁访问地点的方法可以包括如下的步骤S310至步骤S330。
步骤S310:获取定位请求方的历史定位请求以及与历史定位请求相对应的历史定位地点,历史定位请求是定位请求方在历史时间段发起的定位请求。
历史时间段是在当前时间点之前的具有指定时间长度的时间范围,例如可以是在当前时间点之前的一个月。在本申请的一个实施例中,可以利用一个以当前时间点为端点的滑动窗口截取历史时间段,从而获取最近一段时间的历史定位请求。
历史定位地点是根据历史定位请求进行定位后得到的定位请求方的地理位置,历史定位地点可以包括物理地址和经纬度坐标。其中,物理地址可以精确到街道、小区或者楼层。
步骤S320:按照时间顺序对历史定位地点进行排序,组成定位请求方的历史定位轨迹。
历史定位轨迹是由历史定位地点组成的地点序列,其中每一个轨迹点对应于一次历史定位请求。在本申请的一个实施例中,历史定位地点是以经纬度坐标和高度坐标作为位置标识的地点,以经纬度和高度作为三个维度建立三维空间坐标系,历史定位轨迹是在该三维空间坐标系中进行地点标注而形成坐标点序列。基于三维空间坐标进行地点标注,能够区分用户在不同楼层的分布,从而定位出用户所在地点的精确位置。
在本申请的一个实施例中,为了提高定位精度,避免噪声干扰,在按照时间顺序对历史定位地点进行排序之前还可以对其进行筛选去噪。对历史定位地点进行筛选去噪的方法例如可以包括:对历史定位地点进行场景识别,得到属于非访问场景的历史定位地点;对历史定位地点进行定位异常检测,得到定位数据异常的历史定位地点;移除属于非访问场景的历史定位地点以及定位数据异常的历史定位地点。非访问场景指的是能够确定用户未在指定地点停留的场景,例如用户在户外乘坐交通工具而持续移动的场景。定位数据异常指的是历史定位地点的定位数据不可信,例如在两个相近的定位时间点上,用户的两个定位地点却相差很远,超出正常速度下的移动空间范围,则表明两个定位地点中至少有一个地点存在定位错误,因此可以将其视为异常数据。
步骤S330:对历史定位轨迹中的历史定位地点进行聚类处理,得到定位请求方的频繁访问地点。
图4示出了本申请一个实施例中基于聚类处理获得定位请求方的频繁访问地点的方法步骤流程图。如图4所示,在以上实施例的基础上,步骤S330可以进一步包括如下的步骤S410至步骤S430。
步骤S410:从历史定位轨迹中筛选移动距离小于距离阈值且移动时长大于时长阈值的轨迹点序列,移动距离包括相邻轨迹点的定位距离以及序列端点的定位距离,移动时长包括序列端点的定位时间差。
轨迹点序列是由历史定位轨迹中的一部分连续分布的轨迹点组成的序列,基于移动距离和移动时长对历史定位轨迹中的轨迹点进行筛选后,可以得到多个满足条件的轨迹点序列。其中,移动距离包括每两个相邻的轨迹点之间的定位距离,同时也包括了轨迹点序列中两个序列端点之间的定位距离;移动时长包括轨迹点序列中两个序列端点之间的定位时间差。
在本申请的一个实施例中,筛选轨迹点序列的方法可以包括:获取历史定位轨迹中任意两个相邻轨迹点之间的第一定位距离;将第一定位距离小于第一距离阈值的轨迹点标记为候选轨迹点;将轨迹连续的候选轨迹点组成候选轨迹点序列;获取候选轨迹点序列中的序列起点与序列终点的第二定位距离和定位时间差;从候选轨迹点序列中筛选第二定位距离小于第二距离阈值并且定位时间差大于时长阈值的轨迹点序列。
举例而言,在历史定位轨迹中,以任意两个轨迹点pi和pj作为端点可以截取一个轨迹点序列(pi→…→pj),如果该序列内的所有相邻点的距离小于阈值α,并且边缘点pi和pj之间的距离小于阈值β,则这些轨迹点即组成候选轨迹点序列,取连续分布的最长轨迹子串可形成最长候选轨迹点序列,如果序列的终点与起点的时间差t大于阈值td,则此序列即为满足条件的轨迹点序列。
步骤S420:选取位于轨迹点序列中心的历史定位地点作为定位请求方的停留地点。
由步骤S410筛选得到的轨迹点序列表示定位请求方在一个较小的区域范围内短距离移动,且定位请求方在该区域范围内停留时间较长,因此可以选取该轨迹点序列中心的轨迹点作为定位请求方的停留地点。
在本申请的一个实施例中,轨迹点序列的中心指的是数量中心,例如轨迹点序列中包括有2N个轨迹点,则第N个或者第N+1个轨迹点即为序列中心;又例如轨迹节点序列中包括有2N+1个轨迹点,则第N+1个轨迹点即为序列中心。
在本申请的一个实施例中,轨迹点序列的中心指的是位置中心,例如轨迹点序列中包括有N个轨迹点,对N个轨迹点的位置坐标取平均值后,可以得到一个位置中心点,该位置中心点即为序列中心。
步骤S430:对停留地点进行聚类处理,得到定位请求方的频繁访问地点。
在历史定位轨迹中筛选得到多个轨迹点序列,其中每个轨迹点序列可以确定一个停留地点,对所有的停留地点进行聚类处理,可以得到定位请求方的频繁访问地点。频繁访问地点表示定位请求方在不同的时间点以较高的频率访问处于同一地域范围内的多个停留地点。例如,用户每天都会在居住地点或者工作地点做长时间停留,用户的居住地点和工作地点即为频繁访问地点。
图5示出了本申请一个实施例中对停留地点进行聚类处理的方法步骤流程图。如图5所示,在以上实施例的基础上,步骤S430中的对停留地点进行聚类处理,得到定位请求方的频繁访问地点,可以包括如下的步骤S510至步骤S530。
步骤S510:对停留地点进行聚类处理,得到由多个停留地点组成的聚类簇。
本申请实施例可以采用基于密度的聚类算法对停留地点进行聚类处理,例如DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法。DBSCAN能够将足够高密度的区域划分成簇,并能在具有噪声的空间数据库中发现任意形状的簇,其核心思想是从某个核心点出发,不断向密度可达的区域扩张,从而得到一个包含核心点和边界点的最大化区域,区域中任意两点密度相连。
步骤S520:在聚类簇中筛选定位频次大于频次阈值的目标聚类簇。
聚类簇的定位频次可以用历史定位请求的请求数量或者时间分布状态来表示。
在本申请的一个实施例中,首先统计归属于聚类簇的历史定位地点,并获取与历史定位地点相关的历史定位请求;然后根据历史定位请求的请求数量确定聚类簇的定位频次;最后筛选定位频次大于频次阈值的目标聚类簇。
在本申请的一个实施例中,在获取到与历史定位地点相关的历史定位请求之后,可以根据历史定位请求的请求时间对历史定位请求进行分类处理,得到各个历史定位请求所在的时间区间;然后根据分布有历史定位请求的时间区间的区间数量确定聚类簇的定位频次;最后筛选定位频次大于频次阈值的目标聚类簇。例如,本申请实施例可以使用小时、天或者周等具有不同时间长度的时间区间对历史定位请求进行时间区间的划分,如果定位请求方在一天时间内有若干个小时的历史定位请求分布在同一个聚类簇中,则该聚类簇可以筛选为目标聚类簇。
步骤S530:获取目标聚类簇的聚类中心,并根据目标聚类簇的聚类中心确定定位请求方的频繁访问地点。
在本申请的一个实施例中,可以根据目标聚类簇中各个历史定位地点的位置坐标计算得到坐标平均值,并以坐标平均值作为聚类中心的坐标值。
在本申请的一个实施例中,还可以采用Mean-Shift算法或者其他方法计算聚类簇的聚类中心。Mean-Shift算法又称为均值漂移算法,Mean-Shift算法定义了核函数,并增加了权重系数。核函数的定义使得偏移值对偏移向量的贡献随之样本与被偏移点的距离的不同而不同,权重系数使得不同样本的权重不同。Mean-Shift算法是一个迭代的步骤,即先算出当前点的偏移均值,将该点移动到此偏移均值,然后以此为新的起始点,继续移动,直到满足最终的条件。
为了准确标识定位请求方的定位地点,本申请实施例还可以对定位请求方的频繁访问地点分配地域属性标签,例如可以标记用户的居住地点、工作地点或者其他频繁访问的地点。
图6示出了本申请一个实施例中识别频繁访问地点的步骤流程图。如图6所示,在以上实施例的基础上,识别定位请求方的频繁访问地点并为其分配地域属性标签的方法,可以包括如下的步骤S610至步骤S660。
步骤S610:获取定位请求方的频繁访问地点所在的地域,并获取地域的地域属性信息。
地域属性信息指的是地域建筑的类型,例如可以包括居住小区、商务楼宇、景点、公园等等。
步骤S620:根据地域属性信息为频繁访问地点分配对应于多个属性维度和多个时间区间的地域属性权重。
属性维度是与地域属性信息相关的用于表示地域特征的维度,例如可以包括工作属性、居住属性等多种维度。时间区间是对一个时间周期进行划分得到的具有相同时间长度的时间片段,以一天24小时作为一个时间周期,每1个小时作为一个时间区间,即可得到24个时间区间。
针对不同的属性维度,可以分别为每个时间区间分配相应的地域属性权重;对于同一时间区间而言,其工作属性权重小于居住属性权重;同样地,以商务楼宇为例,对于同一时间区间而言,其工作属性权重大于居住属性权重。针对相同的属性维度,其不同时间区间的地域属性权重也不相同,例如针对工作属性维度,工作日的上班时段具有比其他时段更高的工作属性权重。
步骤S630:统计归属于频繁访问地点所在聚类簇的历史定位地点,并获取与历史定位地点相关的历史定位请求。
对于一个频繁访问地点,其所在聚类簇内包括有多个历史定位地点,每个历史定位地点对应于一个或者多个历史定位请求。
步骤S640:分别统计历史定位请求在各个时间区间内的分布数量。
根据历史定位请求的请求发起时间或者定位时间,可以统计历史定位请求在各个时间区间内的分布数量,该分布数量表示每个时间区间内包含的历史定位请求的数量。
步骤S650:根据地域属性权重对分布数量进行加权求和,得到频繁访问地点在各个属性维度上的属性评分。
按照不同时间区间对应的地域属性权重对相应的分布数量进行加权求和,可以得到频繁访问地点在各个属性维度上的属性评分。例如,基于工作属性权重对各个时间区间的分布数量进行加权求和,可以得到频繁访问地点的工作属性评分;基于居住属性权重对各个时间区间的分布数量进行加权求和,可以得到频繁访问地点的居住属性评分。
在本申请的一些实施例中,在得到频繁访问地点在各个属性维度上的属性评分之后,可以根据频繁访问地点的其他属性特点对属性评分进行调整。
在本申请的一个实施例中,基于频繁访问地点的时间属性特点调整属性评分的方法可以包括:获取与频繁访问地点相关的历史定位请求的请求时间;统计请求时间在一个或者多个时间维度上的分布占比,并根据分布占比确定频繁访问地点的一个或者多个评分调整权重;根据评分调整权重对属性评分进行加权处理,得到调整后的属性评分。
其中,时间维度上的分布占比例如可以包括定位天数占比和定位小时数占比,以m天作为统计周期,若其中n天分布有历史定位请求,则可以确定定位天数占比为n/m;又例如,以p小时作为统计周期,若其中q小时分布有历史定位请求,则可以确定定位小时数占比为q/p。
在本申请的一个实施例中,基于频繁访问地点的空间属性特点调整属性评分的方法可以包括:解析与频繁访问地点相关的历史定位请求,以确定历史定位请求中是否携带有卫星定位数据;统计历史定位请求中未携带卫星定位数据的请求占比,并根据请求占比确定频繁访问地点的评分调整权重;根据评分调整权重对属性评分进行加权处理,得到调整后的属性评分。
卫星定位数据表示定位请求方在发起定位请求时,通过GPS全球卫星定位系统或者北斗卫星导航系统等卫星定位技术获得的卫星定位数据。若历史定位请求中未携带卫星定位数据,则表明定位请求方可能处于室内空间而无法获得卫星信号,室内空间对应的定位地点相比于室外空间更能反映定位请求方的停留状态,因此可以根据历史定位请求中未携带卫星定位数据的请求占比调整属性评分,该请求占比越高时,调整后的属性评分越高。
步骤S660:根据属性评分为频繁访问地点分配地域属性标签。
在本申请的一个实施例中,向频繁访问地点分配地域属性标签的方法可以包括:分别按照各个属性维度上的属性评分对频繁访问地点进行排序;根据地点排序结果,为属性评分最高的一个或者多个频繁访问地点分配与属性维度相对应的地域属性标签。例如,按照工作属性评分对各个频繁访问地点进行排序,工作属性评分最高的一个或者多个频繁访问地点可以分配工作属性标签;按照居住属性评分对各个频繁访问地点进行排序时,居住属性评分最高的一个或者多个频繁访问地点可以分配居住属性标签。对于其他频繁访问地点,若无法明确其地域属性,则可以分配用于标记常用访问地的地域属性标签。
在本申请的一个实施例中,当识别目标地点为定位请求方的当前访问地点时,可以获取目标地点的地域属性标签,然后向定位请求方发送与地域属性标签相对应的推送消息。例如,当识别到定位请求方所在的目标地点为居住地点,可以向用户推送与居住地点相关的消息,例如在中午时间可以推送外卖服务提醒或者功能菜单,又例如在工作日的早上可以向用户推送上班路线以及路况相关建议等等。
本申请实施例通过历史定位日志数据的分析和清洗,通过聚类的方式识别出用户的工作地、居住地以及其他常访地,并根据定位请求构建对应的网络接入指纹库,进而提供在线的到访判别服务。图7示出了本申请一个实施例中基于离线模型构建提供在线服务的定位方法流程图。如图7所示,该定位方法的整体流程分为离线构建和在线服务两大部分,下面分别对两部分的执行过程做示例说明。
步骤S710:对历史定位请求的日志数据进行轨迹清洗和停留点识别。
将定位信息按照用户ID作为关键词key进行汇集,然后过滤掉其中非职住常场景的定位点以及一些异常的定位点,比如户外GPS运动的点以及定位可信度较低的点。然后进行停留点检测,停留点检测是基于时间和距离条件来实现的,算法过程为在一个轨迹中,如果两个点间的轨迹(pi→…→pj)之间所有相邻点的距离小于阈值α,边缘点pi,pj的距离小于阈值β,则这些点即为候选停留点序列,取满足条件的最长轨迹子串可形成最长候选停留点序列,如果序列的终点与起点的时间差t>td,则此序列为停留点序列,最终以轨迹序列的中心点pk代表整个序列,序列点数作为停留点权重weight,并记录起始时间timestart和终止时间timeend,最终停留点表示为(pk,weight,timestart,timeend)。
图8示出了本申请实施例在一应用场景中识别停留点的过程示意图。如图8所示,对于轨迹(p1→…→p7),按照相邻点距离最小阈值α、边缘点最小距离阈值β,作为阈值条件进行筛选。在阈值限定下,可以得到(p1→…→p6)满足候选停留条件,由于β6和p7之间的距离大于α,轨迹(p1→…→p6)为最长候选停留轨迹序列,当p6的时间与p1的时间差大于时间阈值td时,此序列为停留点序列,选取其中心点p4作为停留点,轨迹点的数量6作为停留点的权重,p1的时间作为起始时间,p6的时间作为终止时间,最终停留点表示为(p4,6,timep1,timep6)。
步骤S720:根据停留点数据识别用户的频繁访问地点。
首先是对用户的长周期的停留点数据进行聚类操作,本申请实施例可以使用DBSCAN进行聚类,实际实现时也可以选择其他聚类方法(如K-means聚类)。得到聚类簇后,计算聚类簇的中心点作为候选常访地点,代表对应的聚类簇。本申请实施例使用的是Mean-Shift算法计算中心点,实际实现可以选择其他的方法,比如计算均值中心点等。
由于绝大多数用户的工作集中在白天的工作时段,晚上时段在家休息,因此可以将每天24小时划分不同的工作权重与居住权重。利用聚类结果与带有居住小区和商务楼宇的轮廓数据匹配,以工作日小时定位点的分布可以作为对应的工作权重Weighthome和居住权重Weightwork。定位天数可以体现用户的访问频率,可以引入定位天数占比作为天数权重wday。由于用户定位覆盖的天数以及在一天内用户定位覆盖的时段也能体现用户的常驻和驻留,因此可以将定位小时占比可以作为一个附加权重whour。类似地,由于在连接Wi-Fi且无GPS信号时,极有可能是在室内停留,此类定位点比其他定位点更能反映用户的驻留状态,因此可以将此类点赋予更高的权重,同时将此Wi-Fi也记录下来,得到对应类簇的连接Wi-Fi。最终,可以对每个聚类计算工作属性得分Swork和居住属性得分Shome,如下公式:
其中,POScount,k表示第k小时内分布的请求数量。
每个类簇通过比较工作属性得分Swork和居住属性得分Shome可以得到类簇的职住属性,然后在对工作属性和居住属性的类簇分布进行得分的排序,选择得分最高的为工作地和居住地,其他聚类簇为常访地。本申请实施例也可以设置一个类簇的最低定位天数或者定位次数的阈值作为常访地的最低条件。
步骤S730:利用历史定位请求中的Wi-Fi信息建立指纹库。
通过历史定位请求得到用户的工作地、居住地以及常访地,可以利用对应请求中的Wi-Fi信息建立指纹库。在定位请求中会包含用户当前扫描到的Wi-Fi、基站、蓝牙等信息。在本申请实施例中,可以仅使用Wi-Fi信息,进而建立相应的Wi-Fi指纹库。本申请实施例的指纹库中记录了每个频繁访问地点出现过的Wi-Fi的统计信息,包括该Wi-Fi出现的请求占比、用户占比、信号强度分布等信息。在实际实施中,用户也可以记录更多的特征信息。
步骤S740:利用历史定位数据训练到访识别模型。
首先对历史定位数据进行筛选和分类得到训练样本,例如可以将对应类簇的连接Wi-Fi的连接状态的请求作为正样本,将此类簇附近距离200m以上或者扫描Wi-Fi列表中无上述类簇连接Wi-Fi的请求作为负样本。基于请求中Wi-Fi的信号强度分布特征以及每个Wi-Fi在指纹库里的信息等分布特征,训练一个分类模型,该模型可以是逻辑回归模型(LR)、随机森林模型、xgboost等任何可以用于分类的模型。模型对每个样本进行预测判断其是否存在于频繁访问地点的数据库中,并且能输出一个分数。如果分类模型返回结果为是,即表示到访,否则为未到访。
步骤S750:根据定位请求中携带的扫描或者连接的Wi-Fi信息访问指纹库,得到具有最多召回的目标地点。
步骤S760:利用定位请求携带的数据以及指纹库中的信息生成特征向量,利用训练好的到访模型判别是否到访,并输出最终结果。
本申请实施例能够进行用户工作地、居住地、常访地的离线挖掘和实时到访判别,赋予定位结果更多的语义,帮助提升导航起点吸附准确率,场景化功能的用户体验以及用户个性化推荐能等功能。
以应用于导航起点选取为例:用户所处的工作地、居住地以及经常到访的地点往往是室内场景;在室内场景下,由于遮挡导致GPS信号缺失,传统的网络定位不能准确的定位到用户真实位置,通过本申请实施例的到访服务,可以覆盖用户在常访地位置发起的定位问题,为用户提供更好的导航体验。
以个性化服务提供为例:例如中午时间识别到用户在家,可以推送外卖服务的提醒或者功能菜单给到用户,在早上或者下午上下班时间如果识别到用户在家或者在公司可以推送上下班路线以及路况相关信息与建议,提升用户体验。
应当注意,尽管在附图中以特定顺序描述了本申请中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
以下介绍本申请的装置实施例,可以用于执行本申请上述实施例中的定位方法。图9示出了本申请实施例提供的定位装置的结构框图。如图9所示,定位装置900包括:获取模块910,被配置为响应于定位请求方发起的定位请求,获取所述定位请求中携带的接入点信息,所述接入点信息包括用于接入通信网络的网络接入点的属性信息;查找模块920,被配置为在所述定位请求方的频繁访问地点中查找与所述网络接入点匹配度最高的目标地点,所述频繁访问地点是对所述定位请求方的历史定位地点进行聚类得到聚类簇的聚类中心;识别模块930,被配置为根据所述接入点信息识别所述目标地点是否为所述定位请求方的当前访问地点。
在本申请的一些实施例中,基于以上各实施例,查找模块920包括:指纹库获取模块,被配置为获取所述定位请求方的网络接入指纹库,所述网络接入指纹库用于保存与所述定位请求方的频繁访问地点相对应的各个网络接入点的统计信息;指纹库匹配模块,被配置为将所述接入点信息与所述网络接入指纹库中的各个频繁访问地点进行匹配检测,得到匹配度最高的目标地点。
在本申请的一些实施例中,基于以上各实施例,指纹库获取模块包括:地点获取模块,被配置为获取所述定位请求方的历史定位请求以及与所述历史定位请求相对应的频繁访问地点,所述历史定位请求是所述定位请求方在历史时间段发起的定位请求;信息获取模块,被配置为获取所述历史定位请求携带的历史接入点信息,所述历史接入点信息用于表示网络接入点在历史时间段的属性信息;信息关联模块,被配置为统计所述频繁访问地点所在聚类簇范围内的网络接入点,并将所述网络接入点的统计信息与所述频繁访问地点进行关联处理,得到所述定位请求方的网络接入指纹库。
在本申请的一些实施例中,基于以上各实施例,所述定位装置900还包括:地点获取模块,被配置为获取所述定位请求方的历史定位请求以及与所述历史定位请求相对应的历史定位地点,所述历史定位请求是所述定位请求方在历史时间段发起的定位请求;地点排序模块,被配置为按照时间顺序对所述历史定位地点进行排序,组成所述定位请求方的历史定位轨迹;地点聚类模块,被配置为对所述历史定位轨迹中的历史定位地点进行聚类处理,得到所述定位请求方的频繁访问地点。
在本申请的一些实施例中,基于以上各实施例,地点聚类模块包括:序列筛选模块,被配置为从所述历史定位轨迹中筛选移动距离小于距离阈值且移动时长大于时长阈值的轨迹点序列,所述移动距离包括相邻轨迹点的定位距离以及序列端点的定位距离,所述移动时长包括所述序列端点的定位时间差;停留地点选取模块,被配置为选取位于所述轨迹点序列中心的历史定位地点作为所述定位请求方的停留地点;停留地点聚类模块,被配置为对所述停留地点进行聚类处理,得到所述定位请求方的频繁访问地点。
在本申请的一些实施例中,基于以上各实施例,序列筛选模块包括:第一获取模块,被配置为获取所述历史定位轨迹中任意两个相邻轨迹点之间的第一定位距离;标记模块,被配置为将所述第一定位距离小于第一距离阈值的轨迹点标记为候选轨迹点;序列组成模块,被配置为将轨迹连续的候选轨迹点组成候选轨迹点序列;第二获取模块,被配置为获取所述候选轨迹点序列中的序列起点与序列终点的第二定位距离和定位时间差;筛选模块,被配置为从所述候选轨迹点序列中筛选第二定位距离小于第二距离阈值并且定位时间差大于时长阈值的轨迹点序列。
在本申请的一些实施例中,基于以上各实施例,停留地点聚类模块包括:聚类簇获取模块,被配置为对所述停留地点进行聚类处理,得到由多个停留地点组成的聚类簇;聚类簇筛选模块,被配置为在所述聚类簇中筛选定位频次大于频次阈值的目标聚类簇;聚类中心获取模块,被配置为获取所述目标聚类簇的聚类中心,并根据所述目标聚类簇的聚类中心确定所述定位请求方的频繁访问地点。
在本申请的一些实施例中,基于以上各实施例,聚类簇筛选模块包括:第一统计模块,被配置为统计归属于所述聚类簇的历史定位地点,并获取与所述历史定位地点相关的历史定位请求;第一频次确定模块,被配置为根据所述历史定位请求的请求数量确定所述聚类簇的定位频次;第一筛选模块,被配置为筛选所述定位频次大于频次阈值的目标聚类簇。
在本申请的一些实施例中,基于以上各实施例,聚类簇筛选模块包括:第二统计模块,被配置为统计归属于所述聚类簇的历史定位地点,并获取与所述历史定位地点相关的历史定位请求;请求分类模块,被配置为根据所述历史定位请求的请求时间对所述历史定位请求进行分类处理,得到各个所述历史定位请求所在的时间区间;第二频次确定模块,被配置为根据分布有所述历史定位请求的时间区间的区间数量确定所述聚类簇的定位频次;第二筛选模块,被配置为筛选所述定位频次大于频次阈值的目标聚类簇。
在本申请的一些实施例中,基于以上各实施例,所述定位装置900还包括:场景识别模块,被配置为对所述历史定位地点进行场景识别,得到属于非访问场景的历史定位地点;异常检测模块,被配置为对所述历史定位地点进行定位异常检测,得到定位数据异常的历史定位地点;地点移除模块,被配置为移除所述属于非访问场景的历史定位地点以及所述定位数据异常的历史定位地点。
在本申请的一些实施例中,基于以上各实施例,所述定位装置900还包括:地域获取模块,被配置为获取所述定位请求方的频繁访问地点所在的地域,并获取所述地域的地域属性信息;权重分配模块,被配置为根据所述地域属性信息为所述频繁访问地点分配对应于多个属性维度和多个时间区间的地域属性权重;地点统计模块,被配置为统计归属于所述频繁访问地点所在聚类簇的历史定位地点,并获取与所述历史定位地点相关的历史定位请求;数量统计模块,被配置为分别统计所述历史定位请求在各个所述时间区间内的分布数量;数量加权模块,被配置为根据所述地域属性权重对所述分布数量进行加权求和,得到所述频繁访问地点在各个属性维度上的属性评分;标签分配模块,被配置为根据所述属性评分为所述频繁访问地点分配地域属性标签。
在本申请的一些实施例中,基于以上各实施例,所述定位装置900还包括:时间获取模块,被配置为获取与所述频繁访问地点相关的历史定位请求的请求时间;第一占比统计模块,被配置为统计所述请求时间在一个或者多个时间维度上的分布占比,并根据所述分布占比确定所述频繁访问地点的一个或者多个评分调整权重;第一评分调整模块,被配置为根据所述评分调整权重对所述属性评分进行加权处理,得到调整后的属性评分。
在本申请的一些实施例中,基于以上各实施例,所述定位装置900还包括:请求解析模块,被配置为解析与所述频繁访问地点相关的历史定位请求,以确定所述历史定位请求中是否携带有卫星定位数据;第二占比统计模块,被配置为统计所述历史定位请求中未携带卫星定位数据的请求占比,并根据所述请求占比确定所述频繁访问地点的评分调整权重;第二评分调整模块,被配置为根据所述评分调整权重对所述属性评分进行加权处理,得到调整后的属性评分。
在本申请的一些实施例中,基于以上各实施例,标签分配模块包括:排序模块,被配置为分别按照各个属性维度上的属性评分对所述频繁访问地点进行排序;分配模块,被配置为根据地点排序结果,为属性评分最高的一个或者多个频繁访问地点分配与所述属性维度相对应的地域属性标签。
在本申请的一些实施例中,基于以上各实施例,所述定位装置还包括:标签获取模块,被配置为当识别所述目标地点为所述定位请求方的当前访问地点时,获取所述目标地点的地域属性标签;消息推送模块,被配置为向所述定位请求方发送与所述地域属性标签相对应的推送消息。
本申请各实施例中提供的定位装置的具体细节已经在对应的方法实施例中进行了详细的描述,此处不再赘述。
图10示意性地示出了用于实现本申请实施例的电子设备的计算机系统结构框图。
需要说明的是,图10示出的电子设备的计算机系统1000仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图10所示,计算机系统1000包括中央处理器1001(Central Processing Unit,CPU),其可以根据存储在只读存储器1002(Read-Only Memory,ROM)中的程序或者从存储部分1008加载到随机访问存储器1003(Random Access Memory,RAM)中的程序而执行各种适当的动作和处理。在随机访问存储器1003中,还存储有系统操作所需的各种程序和数据。中央处理器1001、在只读存储器1002以及随机访问存储器1003通过总线1004彼此相连。输入/输出接口1005(Input/Output接口,即I/O接口)也连接至总线1004。
以下部件连接至输入/输出接口1005:包括键盘、鼠标等的输入部分1006;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分1007;包括硬盘等的存储部分1008;以及包括诸如局域网卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至输入/输出接口1005。可拆卸介质1011,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1010上,以便于从其上读出的计算机程序根据需要被安装入存储部分1008。
特别地,根据本申请的实施例,各个方法流程图中所描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分1009从网络上被下载和安装,和/或从可拆卸介质1011被安装。在该计算机程序被中央处理器1001执行时,执行本申请的系统中限定的各种功能。
需要说明的是,本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本申请实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本申请实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (19)
1.一种定位方法,其特征在于,包括:
响应于定位请求方发起的定位请求,获取所述定位请求中携带的接入点信息,所述接入点信息包括用于接入通信网络的网络接入点的属性信息;
在所述定位请求方的频繁访问地点中查找与所述网络接入点匹配度最高的目标地点,所述频繁访问地点是对所述定位请求方的历史定位地点进行聚类得到聚类簇的聚类中心;
根据所述接入点信息识别所述目标地点是否为所述定位请求方的当前访问地点。
2.根据权利要求1所述的定位方法,其特征在于,在所述定位请求方的频繁访问地点中查找与所述网络接入点匹配度最高的目标地点,包括:
获取所述定位请求方的网络接入指纹库,所述网络接入指纹库用于保存与所述定位请求方的频繁访问地点相对应的各个网络接入点的统计信息;
将所述接入点信息与所述网络接入指纹库中的各个频繁访问地点进行匹配检测,得到匹配度最高的目标地点。
3.根据权利要求2所述的定位方法,其特征在于,获取所述定位请求方的网络接入指纹库,包括:
获取所述定位请求方的历史定位请求以及与所述历史定位请求相对应的频繁访问地点,所述历史定位请求是所述定位请求方在历史时间段发起的定位请求;
获取所述历史定位请求携带的历史接入点信息,所述历史接入点信息用于表示网络接入点在历史时间段的属性信息;
统计所述频繁访问地点所在聚类簇范围内的网络接入点,并将所述网络接入点的统计信息与所述频繁访问地点进行关联处理,得到所述定位请求方的网络接入指纹库。
4.根据权利要求1所述的定位方法,其特征在于,在所述定位请求方的频繁访问地点中查找与所述网络接入点匹配度最高的目标地点之前,所述方法还包括:
获取所述定位请求方的历史定位请求以及与所述历史定位请求相对应的历史定位地点,所述历史定位请求是所述定位请求方在历史时间段发起的定位请求;
按照时间顺序对所述历史定位地点进行排序,组成所述定位请求方的历史定位轨迹;
对所述历史定位轨迹中的历史定位地点进行聚类处理,得到所述定位请求方的频繁访问地点。
5.根据权利要求4所述的定位方法,其特征在于,对所述历史定位轨迹中的历史定位地点进行聚类处理,得到所述定位请求方的频繁访问地点,包括:
从所述历史定位轨迹中筛选移动距离小于距离阈值且移动时长大于时长阈值的轨迹点序列,所述移动距离包括相邻轨迹点的定位距离以及序列端点的定位距离,所述移动时长包括所述序列端点的定位时间差;
选取位于所述轨迹点序列中心的历史定位地点作为所述定位请求方的停留地点;
对所述停留地点进行聚类处理,得到所述定位请求方的频繁访问地点。
6.根据权利要求5所述的定位方法,其特征在于,从所述历史定位轨迹中筛选移动距离小于距离阈值且移动时长大于时长阈值的轨迹点序列,包括:
获取所述历史定位轨迹中任意两个相邻轨迹点之间的第一定位距离;
将所述第一定位距离小于第一距离阈值的轨迹点标记为候选轨迹点;
将轨迹连续的候选轨迹点组成候选轨迹点序列;
获取所述候选轨迹点序列中的序列起点与序列终点的第二定位距离和定位时间差;
从所述候选轨迹点序列中筛选第二定位距离小于第二距离阈值并且定位时间差大于时长阈值的轨迹点序列。
7.根据权利要求5所述的定位方法,其特征在于,对所述停留地点进行聚类处理,得到所述定位请求方的频繁访问地点,包括:
对所述停留地点进行聚类处理,得到由多个停留地点组成的聚类簇;
在所述聚类簇中筛选定位频次大于频次阈值的目标聚类簇;
获取所述目标聚类簇的聚类中心,并根据所述目标聚类簇的聚类中心确定所述定位请求方的频繁访问地点。
8.根据权利要求7所述的定位方法,其特征在于,在所述聚类簇中筛选定位频次大于频次阈值的目标聚类簇,包括:
统计归属于所述聚类簇的历史定位地点,并获取与所述历史定位地点相关的历史定位请求;
根据所述历史定位请求的请求数量确定所述聚类簇的定位频次;
筛选所述定位频次大于频次阈值的目标聚类簇。
9.根据权利要求7所述的定位方法,其特征在于,在所述聚类簇中筛选定位频次大于频次阈值的目标聚类簇,包括:
统计归属于所述聚类簇的历史定位地点,并获取与所述历史定位地点相关的历史定位请求;
根据所述历史定位请求的请求时间对所述历史定位请求进行分类处理,得到各个所述历史定位请求所在的时间区间;
根据分布有所述历史定位请求的时间区间的区间数量确定所述聚类簇的定位频次;
筛选所述定位频次大于频次阈值的目标聚类簇。
10.根据权利要求4所述的定位方法,其特征在于,在按照时间顺序对所述历史定位地点进行排序之前,所述方法还包括:
对所述历史定位地点进行场景识别,得到属于非访问场景的历史定位地点;
对所述历史定位地点进行定位异常检测,得到定位数据异常的历史定位地点;
移除所述属于非访问场景的历史定位地点以及所述定位数据异常的历史定位地点。
11.根据权利要求1至10中任意一项所述的定位方法,其特征在于,所述方法还包括:
获取所述定位请求方的频繁访问地点所在的地域,并获取所述地域的地域属性信息;
根据所述地域属性信息为所述频繁访问地点分配对应于多个属性维度和多个时间区间的地域属性权重;
统计归属于所述频繁访问地点所在聚类簇的历史定位地点,并获取与所述历史定位地点相关的历史定位请求;
分别统计所述历史定位请求在各个所述时间区间内的分布数量;
根据所述地域属性权重对所述分布数量进行加权求和,得到所述频繁访问地点在各个属性维度上的属性评分;
根据所述属性评分为所述频繁访问地点分配地域属性标签。
12.根据权利要求11所述的定位方法,其特征在于,在得到所述频繁访问地点在各个属性维度上的属性评分之后,所述方法还包括:
获取与所述频繁访问地点相关的历史定位请求的请求时间;
统计所述请求时间在一个或者多个时间维度上的分布占比,并根据所述分布占比确定所述频繁访问地点的一个或者多个评分调整权重;
根据所述评分调整权重对所述属性评分进行加权处理,得到调整后的属性评分。
13.根据权利要求11所述的定位方法,其特征在于,在得到所述频繁访问地点在各个属性维度上的属性评分之后,所述方法还包括:
解析与所述频繁访问地点相关的历史定位请求,以确定所述历史定位请求中是否携带有卫星定位数据;
统计所述历史定位请求中未携带卫星定位数据的请求占比,并根据所述请求占比确定所述频繁访问地点的评分调整权重;
根据所述评分调整权重对所述属性评分进行加权处理,得到调整后的属性评分。
14.根据权利要求11所述的定位方法,其特征在于,根据所述属性评分为所述频繁访问地点分配地域属性标签,包括:
分别按照各个属性维度上的属性评分对所述频繁访问地点进行排序;
根据地点排序结果,为属性评分最高的一个或者多个频繁访问地点分配与所述属性维度相对应的地域属性标签。
15.根据权利要求11所述的定位方法,其特征在于,所述方法还包括:
当识别所述目标地点为所述定位请求方的当前访问地点时,获取所述目标地点的地域属性标签;
向所述定位请求方发送与所述地域属性标签相对应的推送消息。
16.一种定位装置,其特征在于,包括:
获取模块,被配置为响应于定位请求方发起的定位请求,获取所述定位请求中携带的接入点信息,所述接入点信息包括用于接入通信网络的网络接入点的属性信息;
查找模块,被配置为在所述定位请求方的频繁访问地点中查找与所述网络接入点匹配度最高的目标地点,所述频繁访问地点是对所述定位请求方的历史定位地点进行聚类得到聚类簇的聚类中心;
识别模块,被配置为根据所述接入点信息识别所述目标地点是否为所述定位请求方的当前访问地点。
17.一种计算机可读介质,其特征在于,所述计算机可读介质上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至15中任意一项所述的定位方法。
18.一种电子设备,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使得所述电子设备执行权利要求1至15中任意一项所述的定位方法。
19.一种计算机程序产品,包括计算机程序,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15中任意一项所述的定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111227960.8A CN114007186B (zh) | 2021-10-21 | 2021-10-21 | 定位方法及相关产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111227960.8A CN114007186B (zh) | 2021-10-21 | 2021-10-21 | 定位方法及相关产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114007186A true CN114007186A (zh) | 2022-02-01 |
CN114007186B CN114007186B (zh) | 2022-12-09 |
Family
ID=79923502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111227960.8A Active CN114007186B (zh) | 2021-10-21 | 2021-10-21 | 定位方法及相关产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114007186B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115002789A (zh) * | 2022-05-24 | 2022-09-02 | 北京邮电大学 | 一种基于动态性通信资源的机动通信组网部署择优方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090005987A1 (en) * | 2007-04-27 | 2009-01-01 | Vengroff Darren E | Determining locations of interest based on user visits |
US20110208425A1 (en) * | 2010-02-23 | 2011-08-25 | Microsoft Corporation | Mining Correlation Between Locations Using Location History |
US20130173636A1 (en) * | 2012-01-04 | 2013-07-04 | International Business Machines Corporation | Determining a score for a product based on a location of the product |
CN104717744A (zh) * | 2014-12-19 | 2015-06-17 | 浙江大学城市学院 | 一种基于无线局域网及分层聚类的室内定位方法 |
US20150319575A1 (en) * | 2014-04-30 | 2015-11-05 | International Business Machines Corporation | Tagging geographical areas |
US20170180493A1 (en) * | 2015-12-16 | 2017-06-22 | Facebook, Inc. | Systems and methods to determine location recommendations |
CN107305551A (zh) * | 2016-04-18 | 2017-10-31 | 百度在线网络技术(北京)有限公司 | 推送信息的方法和装置 |
CN109041218A (zh) * | 2018-09-25 | 2018-12-18 | 广东小天才科技有限公司 | 一种预测用户位置的方法和智能硬件 |
CN110677815A (zh) * | 2019-08-07 | 2020-01-10 | 北京百度网讯科技有限公司 | 停留点识别方法、装置、计算机设备及存储介质 |
CN111757284A (zh) * | 2019-08-28 | 2020-10-09 | 广东小天才科技有限公司 | 一种室内入口定位方法及电子设备 |
CN112566043A (zh) * | 2021-02-22 | 2021-03-26 | 腾讯科技(深圳)有限公司 | Mac地址的识别方法和装置、存储介质及电子设备 |
-
2021
- 2021-10-21 CN CN202111227960.8A patent/CN114007186B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090005987A1 (en) * | 2007-04-27 | 2009-01-01 | Vengroff Darren E | Determining locations of interest based on user visits |
US20110208425A1 (en) * | 2010-02-23 | 2011-08-25 | Microsoft Corporation | Mining Correlation Between Locations Using Location History |
US20130173636A1 (en) * | 2012-01-04 | 2013-07-04 | International Business Machines Corporation | Determining a score for a product based on a location of the product |
US20150319575A1 (en) * | 2014-04-30 | 2015-11-05 | International Business Machines Corporation | Tagging geographical areas |
CN104717744A (zh) * | 2014-12-19 | 2015-06-17 | 浙江大学城市学院 | 一种基于无线局域网及分层聚类的室内定位方法 |
US20170180493A1 (en) * | 2015-12-16 | 2017-06-22 | Facebook, Inc. | Systems and methods to determine location recommendations |
CN107305551A (zh) * | 2016-04-18 | 2017-10-31 | 百度在线网络技术(北京)有限公司 | 推送信息的方法和装置 |
CN109041218A (zh) * | 2018-09-25 | 2018-12-18 | 广东小天才科技有限公司 | 一种预测用户位置的方法和智能硬件 |
CN110677815A (zh) * | 2019-08-07 | 2020-01-10 | 北京百度网讯科技有限公司 | 停留点识别方法、装置、计算机设备及存储介质 |
CN111757284A (zh) * | 2019-08-28 | 2020-10-09 | 广东小天才科技有限公司 | 一种室内入口定位方法及电子设备 |
CN112566043A (zh) * | 2021-02-22 | 2021-03-26 | 腾讯科技(深圳)有限公司 | Mac地址的识别方法和装置、存储介质及电子设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115002789A (zh) * | 2022-05-24 | 2022-09-02 | 北京邮电大学 | 一种基于动态性通信资源的机动通信组网部署择优方法 |
CN115002789B (zh) * | 2022-05-24 | 2023-11-28 | 北京邮电大学 | 一种基于动态性通信资源的机动通信组网部署择优方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114007186B (zh) | 2022-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11669864B2 (en) | Determining locations of interest based on user visits | |
CN109191896B (zh) | 个性化停车位推荐方法和系统 | |
CN108170793B (zh) | 基于车辆语义轨迹数据的停留点分析方法及其系统 | |
CN106875066B (zh) | 用车出行行为的预测方法、装置、服务器以及存储介质 | |
US9904932B2 (en) | Analyzing semantic places and related data from a plurality of location data reports | |
CN105701123B (zh) | 人车关系的识别方法及装置 | |
CN109446186B (zh) | 一种基于移动轨迹的社会关系判断方法 | |
CN111212383B (zh) | 区域常住人口数量的确定方法、装置、服务器和介质 | |
AU2017399729A1 (en) | Trajectory analysis with mode of transport analysis | |
CN105307121B (zh) | 一种信息处理方法及装置 | |
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 | |
CN111380530A (zh) | 导航方法及相关产品 | |
CN114007186B (zh) | 定位方法及相关产品 | |
CN116437291A (zh) | 一种基于手机信令的文化圈规划方法和系统 | |
CN111209487A (zh) | 用户数据分析方法、服务器及计算机可读存储介质 | |
CN114547386A (zh) | 基于Wi-Fi信号的定位方法、装置,以及电子设备 | |
CN115759660A (zh) | 一种无人驾驶车辆的调度方法、装置、设备和介质 | |
CN112380443B (zh) | 导乘推荐方法、装置、计算机设备和存储介质 | |
CN111861526B (zh) | 一种分析对象来源的方法和装置 | |
CN111445309B (zh) | 基于社会网络的旅游服务推荐方法 | |
CN116842123B (zh) | 搬迁位置预测方法、地图更新方法、装置及设备 | |
CN117493981B (zh) | 游客分类方法、装置及电子设备 | |
CN117194391B (zh) | 数据处理方法、装置、设备及计算机可读存储介质 | |
Salnikov et al. | The geography and carbon footprint of mobile phone use in Côte d’Ivoire | |
CN113722614B (zh) | 上车位置的确定方法、装置和服务器 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40065641 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |