CN114339606B - 确定用户位置的方法、装置、存储介质和电子设备 - Google Patents
确定用户位置的方法、装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN114339606B CN114339606B CN202011034496.6A CN202011034496A CN114339606B CN 114339606 B CN114339606 B CN 114339606B CN 202011034496 A CN202011034496 A CN 202011034496A CN 114339606 B CN114339606 B CN 114339606B
- Authority
- CN
- China
- Prior art keywords
- geohash
- target
- network sequence
- network
- positioning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000012549 training Methods 0.000 claims abstract description 95
- 238000013507 mapping Methods 0.000 claims description 62
- 230000002159 abnormal effect Effects 0.000 claims description 36
- 230000006399 behavior Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 8
- 238000012216 screening Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
Landscapes
- Mobile Radio Communication Systems (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本公开涉及一种确定用户位置的方法、装置、存储介质和电子设备,该方法包括:确定用户采集到的网络序列对应的包含多个geohash区域的区域集,该网络序列包括多个无线网络;通过预先训练后的位置预测模型,从该区域集中确定该用户采集到该网络序列时所处的geohash区域;该位置预测模型为通过多个训练样本集对预设的预测模型进行训练所生成的,每个训练样本集为通过网络序列样本、网络序列样本对应的多个历史geohash区域以及每个历史geohash区域对应的用于表征该历史geohash区域是否为实际的geohash区域的定位标签,构建的训练样本集。能够根据无线网络序列和geohash区域的对应关系,确定网络序列所处的位置,在节省定位设备成本的基础上,保证用户定位的准确度。
Description
技术领域
本公开涉及信息管理领域,具体地,涉及一种确定用户位置的方法、装置、存储介质和电子设备。
背景技术
随着移动互联网的普及,越来越到的人选择通过网络购买生活用品和外卖食品等实体物品。在通过网络购买实体物品的交易过程中,会涉及通过邮寄和人工运输的方式进行货物运输的过程。这就需要提供实体物品或者邮寄和人工运输等业务的一方对货物的运送者(快递员或外卖员)或者接受物品的顾客的地理位置进行监测和管理。
发明内容
本公开的主要目的是提供一种确定用户位置的方法、装置、存储介质和电子设备,以解决相关技术中定位设备成本高并且定位不准确的技术问题。
为了实现上述目的,本公开第一方面提供一种确定用户位置的方法,所述方法包括:
根据预先确定的位置映射关系,确定目标用户采集到的目标网络序列对应的包含多个geohash区域的区域集,所述目标网络序列包括多个目标无线网络,所述位置映射关系用于表征无线网络和geohash区域的对应关系;
通过预先训练后的位置预测模型,从所述区域集中确定所述目标用户采集到所述目标网络序列时所处的目标geohash区域;
其中,所述位置预测模型为通过多个训练样本集对预设的预测模型进行训练所生成的,每个所述训练样本集对应于网络序列,所述训练样本集为通过所述网络序列样本、所述网络序列样本对应的多个历史geohash区域以及每个所述历史geohash区域对应的定位标签,构建的训练样本集,所述历史geohash区域为所述网络序列样本中包含的无线网络曾出现过的geohash区域,所述定位标签用于表征所述历史geohash区域是否为用户采集到所述网络序列时实际所处的geohash区域。
可选的,在所述根据预先确定的位置映射关系,确定目标用户采集到的目标网络序列对应的包含多个geohash区域的区域集之前,所述方法还包括:
根据获取到的n个目标履约信息,确定所述位置映射关系,所述履约信息包括:所述网络序列样本、所述网络序列样本中包含的无线网络的信号强度信息以及采集到所述网络序列样本时的定位信息,其中,n大于1;
根据所述位置映射关系、所述定位标签和所述信号强度信息,构建所述n个目标履约信息中包含的每个所述网络序列样本对应的训练样本集;
通过n个所述训练样本集对所述预测模型进行训练,以获取所述位置预测模型。
可选的,在所述根据获取到的n个目标履约信息,确定所述位置映射关系之前,所述方法还包括:
从不同用户采集到的m个履约信息中确定所述n个目标履约信息,其中,m大于1,且n小于或等于m,所述履约信息包括:用户行为信息、网络序列、所述网络序列中包含的无线网络的信号强度信息、采集到所述网络序列时的定位信息以及所述定位信息的定位来源信息和定位精确度。
可选的,所述根据所述m个目标履约信息,确定所述位置映射关系,包括:
获取所述n个目标履约信息中包含的n个所述网络序列样本中的每个无线网络;
将所述每个无线网络对应的多个定位信息转换为多个候选geohash区域,所述定位信息为所述无线网络所属的网络序列样本对应的定位信息;
针对所述每个无线网络,根据所述多个候选geohash区域之间的位置关系,从所述多个候选geohash区域中确定异常geohash区域;
从所述多个候选geohash区域中删除所述异常geohash区域,以获取所述每个无线网络对应的一个或多个geohash区域,作为所述位置映射关系。
可选的,所述根据所述位置映射关系、所述定位标签和所述信号强度信息,构建所述n个目标履约信息中包含的每个所述网络序列样本对应的训练样本集,包括:
根据所述位置映射关系,获取第一网络序列样本中包含的每个无线网络对应的一个或多个geohash区域,以将获取到的多个geohash区域作为所述第一网络序列样本对应的多个历史geohash区域,所述第一网络序列样本为所述n个目标履约信息中包含的n个网络序列样本中的任一网络序列样本;
获取所述第一网络序列样本的序列特征,所述序列特征,包括:所述第一网络序列样本中包含的无线网络的数量以及所述第一网络序列样本中包含的每个无线网络的信号强度;
获取每个所述历史geohash区域的区域特征,所述区域特征用于表征所述n个网络序列样本中包含的所有无线网络在所述历史geohash区域中的分布状况,以及所述第一网络序列样本中包含的所有无线网络在所述历史geohash区域中的分布状况;
通过所述序列特征、所述区域特征以及每个所述历史geohash区域对应的定位标签,构建每个所述历史geohash区域对应的训练样本;
通过多个所述训练样本构建所述第一网络序列样本对应的训练样本集。
可选的,所述从不同用户采集到的m个履约信息中确定所述n个目标履约信息,包括:
根据所述定位来源信息、所述定位精确度和所述用户行为信息,从所述m个履约信息中确定n个第一履约信息;
根据所述信号强度信息,将每个所述第一履约信息中包含的网络序列转换为不包含异常无线网络的网络序列样本,以生成所述n个目标履约信息,所述异常无线网络为信号强度低于预设信号强度的无线网络。
可选的,所述用户行为信息包括:用户采集到所述无线网络信息时的行驶速度和采集时间,以及采集到所述无线网络信息的用户的用户标识,所述根据所述定位来源信息、所述定位精确度、所述采集时间、所述用户标识和所述用户速度,从所述多个履约信息中确定多个第一履约信息,包括:
根据所述定位来源信息和所述定位精确度,从所述多个履约信息中确定包含异常定位信息的第二履约信息,所述异常定位信息为定位来源异常或者定位精确度小于预设精确度的定位信息;
从所述多个履约信息中确定第三履约信息,所述第三履约信息包含的行驶速度大于预设速度阈值;
根据所述采集时间和所述用户标识,从所述多个履约信息中确定包含缓存网络序列的第四履约信息;
将所述多个履约信息中除所述第二履约信息、所述第三履约信息和所述第四履约信息之外的其他履约信息作为所述第一履约信息。
可选的,所述根据预先确定的位置映射关系,确定目标用户采集到的目标网络序列对应的包含多个geohash区域的区域集,包括:
提取所述目标网络序列中包含的多个目标无线网络;
根据所述位置映射关系,获取每个所述目标无线网络对应的一个或多个geohash区域;
获取由每个所述目标无线网络对应的一个或多个geohash区域组成的所述区域集。
可选的,所述通过预先训练后的位置预测模型,从所述区域集中确定所述目标用户采集到所述目标网络序列时所处的目标geohash区域,包括:
将所述目标网络序列和所述区域集作为所述位置预测模型的输入,以获取所述位置预测模型输出的所述区域集中的每个geohash区域对应的预测概率;
将所述区域集中具备最高预测概率的geohash区域作为所述目标geohash区域。
本公开第二方面提供一种确定用户位置的装置,所述装置包括:
区域集确定模块,被配置成用于根据预先确定的位置映射关系,确定目标用户采集到的目标网络序列对应的包含多个geohash区域的区域集,所述目标网络序列包括多个目标无线网络,所述位置映射关系用于表征无线网络和geohash区域的对应关系;
区域确定模块,被配置成用于通过预先训练后的位置预测模型,从所述区域集中确定所述目标用户采集到所述目标网络序列时所处的目标geohash区域;
其中,所述位置预测模型为通过多个训练样本集对预设的预测模型进行训练所生成的,每个所述训练样本集对应于网络序列,所述训练样本集为通过所述网络序列样本、所述网络序列样本对应的多个历史geohash区域以及每个所述历史geohash区域对应的定位标签,构建的训练样本集,所述历史geohash区域为所述网络序列样本中包含的无线网络曾出现过的geohash区域,所述定位标签用于表征所述历史geohash区域是否为用户采集到所述网络序列时实际所处的geohash区域。
可选的,所述装置还包括:
关系确定模块,被配置成用于根据获取到的n个目标履约信息,确定所述位置映射关系,所述履约信息包括:所述网络序列样本、所述网络序列样本中包含的无线网络的信号强度信息以及采集到所述网络序列样本时的定位信息,其中,n大于1;
样本集构建模块,被配置成用于根据所述位置映射关系、所述定位标签和所述信号强度信息,构建所述n个目标履约信息中包含的每个所述网络序列样本对应的训练样本集;
模型训练模块,被配置成用于通过n个所述训练样本集对所述预测模型进行训练,以获取所述位置预测模型。
可选的,所述装置还包括:
信息筛选模块,被配置成用于从不同用户采集到的m个履约信息中确定所述n个目标履约信息,其中,m大于1,且n小于或等于m,所述履约信息包括:用户行为信息、网络序列、所述网络序列中包含的无线网络的信号强度信息、采集到所述网络序列时的定位信息以及所述定位信息的定位来源信息和定位精确度。
可选的,所述关系确定模块,被配置成用于:
获取所述n个目标履约信息中包含的n个所述网络序列样本中的每个无线网络;
将所述每个无线网络对应的多个定位信息转换为多个候选geohash区域,所述定位信息为所述无线网络所属的网络序列样本对应的定位信息;
针对所述每个无线网络,根据所述多个候选geohash区域之间的位置关系,从所述多个候选geohash区域中确定异常geohash区域;
从所述多个候选geohash区域中删除所述异常geohash区域,以获取所述每个无线网络对应的一个或多个geohash区域,作为所述位置映射关系。
可选的,所述样本集构建模块,被配置成用于:
根据所述位置映射关系,获取第一网络序列样本中包含的每个无线网络对应的一个或多个geohash区域,以将获取到的多个geohash区域作为所述第一网络序列样本对应的多个历史geohash区域,所述第一网络序列样本为所述n个目标履约信息中包含的n个网络序列样本中的任一网络序列样本;
获取所述第一网络序列样本的序列特征,所述序列特征,包括:所述第一网络序列样本中包含的无线网络的数量以及所述第一网络序列样本中包含的每个无线网络的信号强度;
获取每个所述历史geohash区域的区域特征,所述区域特征用于表征所述n个网络序列样本中包含的所有无线网络在所述历史geohash区域中的分布状况,以及所述第一网络序列样本中包含的所有无线网络在所述历史geohash区域中的分布状况;
通过所述序列特征、所述区域特征以及每个所述历史geohash区域对应的定位标签,构建每个所述历史geohash区域对应的训练样本;
通过多个所述训练样本构建所述第一网络序列样本对应的训练样本集。
可选的,所述信息筛选模块,被配置成用于:
根据所述定位来源信息、所述定位精确度和所述用户行为信息,从所述m个履约信息中确定n个第一履约信息;
根据所述信号强度信息,将每个所述第一履约信息中包含的网络序列转换为不包含异常无线网络的网络序列样本,以生成所述n个目标履约信息,所述异常无线网络为信号强度低于预设信号强度的无线网络。
可选的,所述用户行为信息包括:用户采集到所述无线网络信息时的行驶速度和采集时间,以及采集到所述无线网络信息的用户的用户标识,所述信息筛选模块,被配置成用于:
根据所述定位来源信息和所述定位精确度,从所述多个履约信息中确定包含异常定位信息的第二履约信息,所述异常定位信息为定位来源异常或者定位精确度小于预设精确度的定位信息;
从所述多个履约信息中确定第三履约信息,所述第三履约信息包含的行驶速度大于预设速度阈值;
根据所述采集时间和所述用户标识,从所述多个履约信息中确定包含缓存网络序列的第四履约信息;
将所述多个履约信息中除所述第二履约信息、所述第三履约信息和所述第四履约信息之外的其他履约信息作为所述第一履约信息。
可选的,所述区域集确定模块,被配置成用于:
提取所述目标网络序列中包含的多个目标无线网络;
根据所述位置映射关系,获取每个所述目标无线网络对应的一个或多个geohash区域;
获取由每个所述目标无线网络对应的一个或多个geohash区域组成的所述区域集。
可选的,所述区域确定模块,被配置成用于:
将所述目标网络序列和所述区域集作为所述位置预测模型的输入,以获取所述位置预测模型输出的所述区域集中的每个geohash区域对应的预测概率;
将所述区域集中具备最高预测概率的geohash区域作为所述目标geohash区域。
本公开第三方面提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现第一方面所述的确定用户位置的方法的步骤。
本公开第四方面提供一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现第一方面所述的确定用户位置的方法的步骤。
采用本公开提供的技术方案,至少可以达到如下技术效果:
根据预先确定的位置映射关系,确定目标用户采集到的目标网络序列对应的包含多个geohash区域的区域集,该目标网络序列包括多个目标无线网络,该位置映射关系用于表征无线网络和geohash区域的对应关系;通过预先训练后的位置预测模型,从该区域集中确定该目标用户采集到该目标网络序列时所处的目标geohash区域;其中,该位置预测模型为通过多个训练样本集对预设的预测模型进行训练所生成的,每个该训练样本集对应于网络序列,该训练样本集为通过该网络序列样本、该网络序列样本对应的多个历史geohash区域以及每个该历史geohash区域对应的定位标签,构建的训练样本集,该历史geohash区域为该网络序列样本中包含的无线网络曾出现过的geohash区域,该定位标签用于表征该历史geohash区域是否为用户采集到该网络序列时实际所处的geohash区域。能够根据无线网络序列和geohash区域的对应关系,确定网络序列所处的位置,在节省定位设备成本的基础上,保证用户定位的准确度。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是根据一示例性实施例示出的一种确定用户位置的方法的流程图;
图2是根据图1示出的另一种确定用户位置的方法的流程图;
图3是根据图1示出的又一种确定用户位置的方法的流程图;
图4是根据图3示出的一种确定位置映射关系的方法的流程图;
图5是根据图3示出的一种构建训练样本集的方法的流程图;
图6是根据图3示出的一种筛选履约信息的方法的流程图;
图7是根据图3示出的一种获取区域集的方法的流程图;
图8是根据图3示出的一种确定目标geohash区域的方法的流程图;
图9是根据一示例性实施例示出的一种确定用户位置的装置的框图;
图10是根据图9示出的另一种确定用户位置的装置的框图;
图11是根据图9示出的又一种确定用户位置的装置的框图;
图12是根据一示例性实施例示出的一种电子设备的结构示意图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
在用户定位的相关技术中,最常用的技术手段为通过现有的卫星定位系统,例如,GPS(Global Positioning System,全球定位系统)、伽利略卫星导航系统和北斗卫星导航系统等,获取用户电子设备的定位信息。但是,由于这些卫星定位系统发出的定位信号很难穿透建筑物,在密度较大的楼宇群中间定位效果并不理想,定位漂移较为严重,不能满足任意位置的用户定位需求。另一方面,目前虚拟定位软件也较为成熟,使用户能够在系统的定位采集过程中随意修改定位信息,这些不真实的定位信息显然也难以作为后续的相关业务的依据。所以,除了卫星定位之外,需要一种篡改成本高,且在楼宇群中定位精度高的定位方式来解决以上两个问题。在现有技术中,为了解决上述两个技术问题,其中一种方式为采用超声波定位、激光定位、磁条定位或惯性定位等方式,但这些方式需要提前在已知位置布置好锚节点和桥节点,不仅设备成本较高,也无法很好的适用于移动终端。或者,在另一种方式中,直接采集地理位置和Wi-Fi的映射关系,并根据用户移动终端采集的单一Wi-Fi查找其对应的地理位置,但基于单一Wi-Fi的映射关系通常是极不稳定的,因此此种方式的定位精度不高。
发明人注意到这一问题,提出了一种确定用户位置的方法,具体如下:
图1是根据一示例性实施例示出的一种确定用户位置的方法的流程图,如图1所示,该方法包括以下步骤:
步骤101,根据预先确定的位置映射关系,确定目标用户采集到的目标网络序列对应的包含多个geohash区域的区域集。
其中,该目标网络序列包括多个目标无线网络,该位置映射关系用于表征无线网络和geohash区域的对应关系。
示例地,该目标网络序列为用户携带的移动终端搜索到的无线网络序列,该无线网络序列为多个无线网络(例如,Wi-Fi信号)组成的列表,其中,每个无线网络由发出Wi-Fi信号的路由器的MAC地址(Media Access Control Address,媒体存取控制位址)唯一标识。该位置映射关系反映的是无线网络对应的一个或多个geohash区域。其中,geohash算法是空间索引的一种方式,其基本原理是将地球理解为一个二维平面,将平面递归分解成更小的子块(也称geohash区域),每个子块在一定经纬度范围内拥有相同的编码。
需要说明的是,在本公开实施例中,关于“无线网络和geohash区域的对应关系”、“无线网络对应的geohash区域”以及“无线网络曾出现过的geohash区域”等表述,实际包含两层含义,其一为,该无线网络曾经被某个用户的移动终端搜索到,其二为搜索到包含该无线网络的网络序列时该用户所处的geohash区域。具体来说,在不同用户在该步骤101开启之前的大量历史履约过程,例如,外卖配送过程中,用户的移动终端被设置为不断地搜索的网络序列以及采集搜索到的该网络序列时的GPS定位。将GPS定位转换成geohash区域,则可以确定曾经在该geohash区域中搜索到了该网络序列中包含的所有无线网络。
示例地,在步骤101开启之前,需要对用户在历史履约过程中采集的大量履约信息进行分析和统计,以获取每条履约信息中包含的无线网络和geohash区域的对应关系,并对这些对应关系进行统一保存,作为该位置映射关系。在步骤101中,在接收到该目标用户上传的目标网络序列后,将目标网络序列中包含的所有无线网络拆分出来,对照该位置映射关系查找出每个无线网络对应的geohash区域,再将所有无线网络对应的所有geohash区域组成一个集合,即为该区域集。需要说明的是,Wi-Fi信号的覆盖范围可以很大,因此,同一个无线网络可能在不同的geohash区域被搜索到,因此,每个无线网络对应于一个或多个geohash区域。
步骤102,通过预先训练后的位置预测模型,从该区域集中确定该目标用户采集到该目标网络序列时所处的目标geohash区域。
其中,该位置预测模型为通过多个训练样本集对预设的预测模型进行训练所生成的,每个该训练样本集对应于网络序列,该训练样本集为通过该网络序列样本、该网络序列样本对应的多个历史geohash区域以及每个该历史geohash区域对应的定位标签,构建的训练样本集,该历史geohash区域为该网络序列样本中包含的无线网络曾出现过的geohash区域,该定位标签用于表征该历史geohash区域是否为用户采集到该网络序列样本时实际所处的geohash区域。该定位标签可以是人工对根据网络序列样本和历史geohash区域确定的样本特征进行筛选和标注所生成的标签,可以认为是对网络序列样本所处的geohash区域的完全正确的判断。
示例地,该预测模型可以为二分类的xgboost模型或其他神经网络模型,以xgboost模型为例,可以根据训练数据的规模和训练数据中的不同特征的构造形式预先设置xgboost模型中的树的深度以及树的棵树和学习率,再通过上述的训练样本集进行模型训练。可以理解的是,实际预测过程输入模型的数据为二元组形式,该二元组能够表征目标网络序列和多个geohash区域两者之间的关联关系,而对模型进行训练所需的训练样本集为三元组形式,该三元组能够表征网络序列样本、多个历史geohash区域和每个历史geohash区域对应的定位标签三者之间的关联关系。将目标网络序列和该目标网络序列对应的区域集作为该位置预测模型的输入,可以确定该目标geohash区域。在本公开的另一实施例中,可以将该目标geohash区域,以及随该目标网络序列一同上报的GPS定位信息对应的geohash区域进行对比。若该目标geohash区域和上报的geohash区域不附,则可以认定根据GPS定位信息上报的geohash区域为定位信号出现漂移的区域,进而确定在后续的用户定位过程中对这一geohash区域内上报的定位信息不予采纳。
综上所述,本公开的实施例所提供的技术方案,能够根据预先确定的位置映射关系,确定目标用户采集到的目标网络序列对应的包含多个geohash区域的区域集,该目标网络序列包括多个目标无线网络,该位置映射关系用于表征无线网络和geohash区域的对应关系;通过预先训练后的位置预测模型,从该区域集中确定该目标用户采集到该目标网络序列时所处的目标geohash区域;其中,该位置预测模型为通过多个训练样本集对预设的预测模型进行训练所生成的,每个该训练样本集对应于网络序列,该训练样本集为通过该网络序列样本、该网络序列样本对应的多个历史geohash区域以及每个该历史geohash区域对应的定位标签,构建的训练样本集,该历史geohash区域为该网络序列样本中包含的无线网络曾出现过的geohash区域,该定位标签用于表征该历史geohash区域是否为用户采集到该网络序列时实际所处的geohash区域。能够根据无线网络序列和geohash区域的对应关系,确定网络序列所处的位置,在节省定位设备成本的基础上,保证用户定位的准确度。
图2是根据图1示出的另一种确定用户位置的方法的流程图,如图2所示,该方法还包括:
步骤103,根据获取到的n个目标履约信息,确定该位置映射关系。
其中,该履约信息包括:该网络序列样本、该网络序列样本中包含的无线网络的信号强度信息以及采集到该网络序列样本时的定位信息,n大于1。
示例地,该定位信息为经纬度信息,上述n个目标履约信息中包含网络序列样本与定位信息的对应关系、以及每个无线网络的信号强度。可以理解的是,网络序列样本的定位信息,也就是网络序列样本中包含的无线网络的定位信息。在随机获取的n个目标履约信息中,由于无线网络跨区域覆盖的特性,并且相同的无线网络可能出现在不同的网络序列样本中,而不同的网络序列样本可能对应于不同的定位信息。因此,每个无线网络对应的定位信息并不唯一,这也就意味着,在该位置映射关系中,每个无线网络对应有一个或多个geohash区域。
步骤104,根据该位置映射关系、该定位标签和该信号强度信息,构建上述n个目标履约信息中包含的每个该网络序列样本对应的训练样本集。
步骤105,通过n个该训练样本集对该预测模型进行训练,以获取该位置预测模型。
图3是根据图1示出的又一种确定用户位置的方法的流程图,如图3所示,该方法还包括:
步骤106,从不同用户采集到的m个履约信息中确定上述n个目标履约信息。
其中,m大于1,且n小于或等于m,该履约信息包括:用户行为信息、网络序列、该网络序列中包含的无线网络的信号强度信息、采集到该网络序列时的定位信息以及该定位信息的定位来源信息和定位精确度。
示例地,随机采集到的履约信息可能会包含来源不可靠或定位精度差的定位信息、缓存网络序列等异常履约信息。将这些异常履约信息作为信息源所生成的训练样本集有很大可能存在偏差。而通过存在偏差的训练样本集进行模型训练会影响训练出的位置预测模型的准确度。因此,在接收到不同用户采集到的大量履约信息后,需要对这些履约信息进行清洗,保证训练样本集的信息源的准确性。
图4是根据图3示出的一种确定位置映射关系的方法的流程图,如图4所示,该步骤103包括:
步骤1031,获取上述n个目标履约信息中包含的n个该网络序列样本中的每个无线网络。
步骤1032,将上述每个无线网络对应的多个定位信息转换为多个候选geohash区域。
其中,该定位信息为该无线网络所属的网络序列样本对应的定位信息。
步骤1033,针对上述每个无线网络,根据上述多个候选geohash区域之间的位置关系,从上述多个候选geohash区域中确定异常geohash区域。
步骤1034,从上述多个候选geohash区域中删除该异常geohash区域,以获取上述每个无线网络对应的一个或多个geohash区域,作为该位置映射关系。
示例地,每个无线网络对应有多个候选geohash区域,这些候选geohash区域中可能存在异常的geohash区域,再形成该位置映射关系之前,需要剔除这一部分异常geohash区域,以保证该位置映射关系的准确性。具体地,该步骤1033可以包括:通过上述多个候选geohash区域之间的位置关系,从所述多个候选geohash区域中获取离群点,该离群点为上述多个候选geohash区域中与大多数候选geohash区域距离过远的候选geohash区域。可以直接通过预设的异常点检测算法,例如,孤立森林算法,过滤多个候选geohash区域中的离群点。另外,在此过程中,若发现某个无线网络的上述多个候选geohash区域分布广泛且平均,每两个候选geohash区域之间的距离过大,可以直接认定该无线网络为公共Wi-Fi或移动Wi-Fi,并直接将该无线网络过滤掉,使其不出现在该位置映射关系中。
图5是根据图3示出的一种构建训练样本集的方法的流程图,如图5所示,该步骤104包括:
步骤1041,根据该位置映射关系,获取第一网络序列样本中包含的每个无线网络对应的一个或多个geohash区域,以将获取到的多个geohash区域作为该第一网络序列样本对应的多个历史geohash区域。
其中,该第一网络序列样本为上述n个目标履约信息中包含的n个网络序列样本中的任一网络序列样本,
步骤1042,获取该第一网络序列样本的序列特征。
其中,该序列特征,包括:该第一网络序列样本中包含的无线网络的数量以及该第一网络序列样本中包含的每个无线网络的信号强度。
示例地,该序列特征还可以包括:该第一网络序列样本中在整个目标履约信息中出现次数最多的预设数量的,例如,5个,无线网络;每个无线网络在每个geohash区域内出现的次数等。
步骤1043,获取每个该历史geohash区域的区域特征。
其中,该区域特征用于表征上述n个网络序列样本中包含的所有无线网络在该历史geohash区域中的分布状况,以及该第一网络序列样本中包含的所有无线网络在该历史geohash区域中的分布状况。
示例地,该区域特征可以包括:geohash区域特征,以及geohash区域和该第一网络序列样本的交叉特征。其中,geohash区域特征用于表征上述n个网络序列样本中包含的所有无线网络在该历史geohash区域中的分布状况,可以包括:该历史geohash区域中出现的无线网络的数量;在该历史geohash区域中出现次数最多的预设数量的(例如,5个)无线网络中每个无线网络的出现次数;上述5个无线网络中每个无线网络在该历史geohash区域中出现次数的出现次数与该历史geohash区域内出现无线网络的总次数的比值等。上述的交叉特征可以包括:该第一网络序列样本和该历史geohash区域上出现过的无线网络的交集中包含的无线网络的数量;该第一网络序列样本和该历史geohash区域上出现过的无线网络的并集中包含的无线网络的数量;该第一网络序列样本和上述交集的差集中包含的无线网络的数量;该历史geohash区域内出现过的无线网络与上述交集的差集;上述交集中包含的无线网络的数量与上述并集中包含的无线网络的数量之比;该第一网络序列样本中信号强度最强的预设数量的(例如,5个)无线网络是否在该历史geohash区域上出现过等。
步骤1044,通过该序列特征、该区域特征以及每个该历史geohash区域对应的定位标签,构建每个该历史geohash区域对应的训练样本。
步骤1045,通过多个该训练样本构建该第一网络序列样本对应的训练样本集。
示例地,可以理解的是,该第一网络序列样本对应的有h个历史geohash区域,则该第一网络序列样本对应的训练样本集中包含h个训练样本,每个训练样本对应于一个定位标签。例如,该第一网络序列样本(下称序列A)对应的geohash-1、geohash-2和geohash-3这3个历史geohash区域。则该序列A对应的训练样本集可以如下列表1所示:
表1
图6是根据图3示出的一种筛选履约信息的方法的流程图,如图6所示,该步骤106包括:
步骤1061,根据该定位来源信息、该定位精确度和该用户行为信息,从上述m个履约信息中确定n个第一履约信息。
示例地,该用户行为信息包括:用户采集到该无线网络信息时的行驶速度和采集时间,以及采集到该无线网络信息的用户的用户标识,该步骤1061,包括:下列步骤a、b、c和d。
其中,步骤a包括:根据该定位来源信息和该定位精确度,从上述多个履约信息中确定包含异常定位信息的第二履约信息,该异常定位信息为定位来源异常或者定位精确度小于预设精确度的定位信息。
示例地,该定位信息的来源通常为GPS、伽利略定位系统和北斗定位系统中获取到的定位信息,但是,不能排除用户的电子设备由于业务设置的原因直接从某个业务网站上下载定位信息的情况,因此,在该步骤a中,需要确定包含异常定位信息的第二履约信息。其中,在本公开实施例中,可以将不来源于GPS、伽利略定位系统和北斗定位系统的定位信息均认定为定位来源异常的定位信息。
步骤b,从上述多个履约信息中确定第三履约信息,该第三履约信息包含的行驶速度大于预设速度阈值。
示例地,若用户的行驶速度过快,可能出现用户还未将某区域的网络序列采集完全就离开了该区域的情况,进而造成采集到的网络序列存在缺失,无法完全表征该区域的无线网络接入情况。因此,需要从上述多个履约信息中确定包含过快的行驶速度的第三履约信息。
步骤c,根据该采集时间和该用户标识,从上述多个履约信息中确定包含缓存网络序列的第四履约信息。
示例地,若用户设置了缓存网络序列,该缓存网络序列中的无线网络就会一直存在于电子设备的实时网络序列中。这些缓存网络不因用户位置的变化而变化,对于基于网络序列进行定位的过程是完全无用的,因此需要从从上述多个履约信息中确定包含缓存网络序列的第四履约信息。具体地,可以获取同一用户标识下的多个履约信息,若根据履约信息中的采集时间确定该履约信息中的网络序列长时间未发生变化,则认定未发生变化的网络序列为缓存网络序列,而该履约信息则为该第四履约信息。
步骤d,将上述多个履约信息中除该第二履约信息、该第三履约信息和该第四履约信息之外的其他履约信息作为该第一履约信息。
步骤1062,根据该信号强度信息,将每个该第一履约信息中包含的网络序列转换为不包含异常无线网络的网络序列样本,以生成上述n个目标履约信息。
其中,该异常无线网络为信号强度低于预设信号强度的无线网络。
示例地,可以理解的是,在上述步骤1061中,删除上述的第二履约信息、第三履约信息和第四履约信息,则完成对上述m个履约信息的初步筛选,其中会影响后续生成的训练样本集的准确性的履约信息被清洗。而在步骤1062中,不在整条地删除履约信息,而是对已经删选出的履约信息中的网络序列进行优化,去除信号强度过低(意味着距离很远)的无线网络。在本公开实施例中,此步骤优化前的网络序列被表述为“网络序列”,此步骤优化后的网络序列被表述为“网络序列样本”。
图7是根据图3示出的一种获取区域集的方法的流程图,如图7所示,该步骤101包括:
步骤1011,提取该目标网络序列中包含的多个目标无线网络。
步骤1012,根据该位置映射关系,获取每个该目标无线网络对应的一个或多个geohash区域。
步骤1013,获取由每个该目标无线网络对应的一个或多个geohash区域组成的该区域集。
图8是根据图3示出的一种确定目标geohash区域的方法的流程图,如图8所示,该步骤102包括:
步骤1021,将该目标网络序列和该区域集作为该位置预测模型的输入,以获取该位置预测模型输出的该区域集中的每个geohash区域对应的预测概率。
步骤1022,将该区域集中具备最高预测概率的geohash区域作为该目标geohash区域。
示例地,在将目标网络序列和区域集组成的二元组输入该位置预测模型后,该位置预测模型输出的为该区域集中的每个geohash区域对应的预测概率,该预测概率用于表征该目标网络序列处于相应的geohash区域的概率。因此,可以直接将该区域集中具备最高预测概率的geohash区域作为该目标geohash区域。或者,在本公开另一实施例中,可以根据预测概率对多个geohash区域进行排序,再获取排序前w的w个geohash区域输出至业务人员,以使业务人员根据这w个geohash区域对目标用户的位置进行分析。W优选为5。
综上所述,本公开的实施例所提供的技术方案,能够根据预先确定的位置映射关系,确定目标用户采集到的目标网络序列对应的包含多个geohash区域的区域集,该目标网络序列包括多个目标无线网络,该位置映射关系用于表征无线网络和geohash区域的对应关系;通过预先训练后的位置预测模型,从该区域集中确定该目标用户采集到该目标网络序列时所处的目标geohash区域;其中,该位置预测模型为通过多个训练样本集对预设的预测模型进行训练所生成的,每个该训练样本集对应于网络序列,该训练样本集为通过该网络序列样本、该网络序列样本对应的多个历史geohash区域以及每个该历史geohash区域对应的定位标签,构建的训练样本集,该历史geohash区域为该网络序列样本中包含的无线网络曾出现过的geohash区域,该定位标签用于表征该历史geohash区域是否为用户采集到该网络序列时实际所处的geohash区域。能够根据无线网络序列和geohash区域的对应关系,确定网络序列所处的位置,在节省定位设备成本的基础上,保证用户定位的准确度。
图9是根据一示例性实施例示出的一种确定用户位置的装置的框图,如图9所示,该装置200包括:
区域集确定模块210,被配置成用于根据预先确定的位置映射关系,确定目标用户采集到的目标网络序列对应的包含多个geohash区域的区域集,该目标网络序列包括多个目标无线网络,该位置映射关系用于表征无线网络和geohash区域的对应关系;
区域确定模块220,被配置成用于通过预先训练后的位置预测模型,从该区域集中确定该目标用户采集到该目标网络序列时所处的目标geohash区域;
其中,该位置预测模型为通过多个训练样本集对预设的预测模型进行训练所生成的,每个该训练样本集对应于网络序列,该训练样本集为通过该网络序列样本、该网络序列样本对应的多个历史geohash区域以及每个该历史geohash区域对应的定位标签,构建的训练样本集,该历史geohash区域为该网络序列样本中包含的无线网络曾出现过的geohash区域,该定位标签用于表征该历史geohash区域是否为用户采集到该网络序列时实际所处的geohash区域。
图10是根据图9示出的另一种确定用户位置的装置的框图,如图10所示,该装置200还包括:
关系确定模块230,被配置成用于根据获取到的n个目标履约信息,确定该位置映射关系,该履约信息包括:该网络序列样本、该网络序列样本中包含的无线网络的信号强度信息以及采集到该网络序列样本时的定位信息,其中,n大于1;
样本集构建模块240,被配置成用于根据该位置映射关系、该定位标签和该信号强度信息,构建上述n个目标履约信息中包含的每个该网络序列样本对应的训练样本集;
模型训练模块250,被配置成用于通过n个该训练样本集对该预测模型进行训练,以获取该位置预测模型。
图11是根据图9示出的又一种确定用户位置的装置的框图,如图11所示,该装置200还包括:
信息筛选模块260,被配置成用于从不同用户采集到的m个履约信息中确定上述n个目标履约信息,其中,m大于1,且n小于或等于m,该履约信息包括:用户行为信息、网络序列、该网络序列中包含的无线网络的信号强度信息、采集到该网络序列时的定位信息以及该定位信息的定位来源信息和定位精确度。
可选的,该关系确定模块230,被配置成用于:
获取上述n个目标履约信息中包含的n个该网络序列样本中的每个无线网络;
将上述每个无线网络对应的多个定位信息转换为多个候选geohash区域,该定位信息为该无线网络所属的网络序列样本对应的定位信息;
针对上述每个无线网络,根据上述多个候选geohash区域之间的位置关系,从上述多个候选geohash区域中确定异常geohash区域;
从上述多个候选geohash区域中删除该异常geohash区域,以获取上述每个无线网络对应的一个或多个geohash区域,作为该位置映射关系。
可选的,该样本集构建模块240,被配置成用于:
根据该位置映射关系,获取第一网络序列样本中包含的每个无线网络对应的一个或多个geohash区域,以将获取到的多个geohash区域作为该第一网络序列样本对应的多个历史geohash区域,该第一网络序列样本为上述n个目标履约信息中包含的n个网络序列样本中的任一网络序列样本;
获取该第一网络序列样本的序列特征,该序列特征,包括:该第一网络序列样本中包含的无线网络的数量以及该第一网络序列样本中包含的每个无线网络的信号强度;
获取每个该历史geohash区域的区域特征,该区域特征用于表征上述n个网络序列样本中包含的所有无线网络在该历史geohash区域中的分布状况,以及该第一网络序列样本中包含的所有无线网络在该历史geohash区域中的分布状况;
通过该序列特征、该区域特征以及每个该历史geohash区域对应的定位标签,构建每个该历史geohash区域对应的训练样本;
通过多个该训练样本构建该第一网络序列样本对应的训练样本集。
可选的,该信息筛选模块260,被配置成用于:
根据该定位来源信息、该定位精确度和该用户行为信息,从上述m个履约信息中确定n个第一履约信息;
根据该信号强度信息,将每个该第一履约信息中包含的网络序列转换为不包含异常无线网络的网络序列样本,以生成上述n个目标履约信息,该异常无线网络为信号强度低于预设信号强度的无线网络。
可选的,该用户行为信息包括:用户采集到该无线网络信息时的行驶速度和采集时间,以及采集到该无线网络信息的用户的用户标识,该信息筛选模块260,被配置成用于:
根据该定位来源信息和该定位精确度,从上述多个履约信息中确定包含异常定位信息的第二履约信息,该异常定位信息为定位来源异常或者定位精确度小于预设精确度的定位信息;
从上述多个履约信息中确定第三履约信息,该第三履约信息包含的行驶速度大于预设速度阈值;
根据该采集时间和该用户标识,从上述多个履约信息中确定包含缓存网络序列的第四履约信息;
将上述多个履约信息中除该第二履约信息、该第三履约信息和该第四履约信息之外的其他履约信息作为该第一履约信息。
可选的,该区域集确定模块210,被配置成用于:
提取该目标网络序列中包含的多个目标无线网络;
根据该位置映射关系,获取每个该目标无线网络对应的一个或多个geohash区域;
获取由每个该目标无线网络对应的一个或多个geohash区域组成的该区域集。
可选的,该区域确定模块220,被配置成用于:
将该目标网络序列和该区域集作为该位置预测模型的输入,以获取该位置预测模型输出的该区域集中的每个geohash区域对应的预测概率;
将该区域集中具备最高预测概率的geohash区域作为该目标geohash区域。
综上所述,本公开的实施例所提供的技术方案,能够根据预先确定的位置映射关系,确定目标用户采集到的目标网络序列对应的包含多个geohash区域的区域集,该目标网络序列包括多个目标无线网络,该位置映射关系用于表征无线网络和geohash区域的对应关系;通过预先训练后的位置预测模型,从该区域集中确定该目标用户采集到该目标网络序列时所处的目标geohash区域;其中,该位置预测模型为通过多个训练样本集对预设的预测模型进行训练所生成的,每个该训练样本集对应于网络序列,该训练样本集为通过该网络序列样本、该网络序列样本对应的多个历史geohash区域以及每个该历史geohash区域对应的定位标签,构建的训练样本集,该历史geohash区域为该网络序列样本中包含的无线网络曾出现过的geohash区域,该定位标签用于表征该历史geohash区域是否为用户采集到该网络序列时实际所处的geohash区域。能够根据无线网络序列和geohash区域的对应关系,确定网络序列所处的位置,在节省定位设备成本的基础上,保证用户定位的准确度。
示例地,图3是根据一示例性实施例示出的一种电子设备300的框图。参照图3,电子设备300包括处理器301,其数量可以为一个或多个,以及存储器302,用于存储可由处理器301执行的计算机程序。存储器302中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理器301可以被配置为执行该计算机程序,以执行上述的确定用户位置的方法。
另外,电子设备300还可以包括电源组件303和通信组件304,该电源组件303可以被配置为执行电子设备300的电源管理,该通信组件304可以被配置为实现电子设备300的通信,例如,有线或无线通信。此外,该电子设备300还可以包括输入/输出(I/O)接口305。电子设备300可以操作基于存储在存储器302的操作系统,例如Windows ServerTM,Mac OSXTM,UnixTM,LinuxTM等等。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的确定用户位置的方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器302,上述程序指令可由电子设备300的处理器301执行以完成上述的确定用户位置的方法。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
Claims (8)
1.一种确定用户位置的方法,其特征在于,所述方法包括:根据预先确定的位置映射关系,确定目标用户采集到的目标网络序列对应的包含多个geohash区域的区域集,所述目标网络序列包括多个目标无线网络,所述位置映射关系用于表征无线网络和geohash区域的对应关系;通过预先训练后的位置预测模型,从所述区域集中确定所述目标用户采集到所述目标网络序列时所处的目标geohash区域;其中,所述位置预测模型为通过多个训练样本集对预设的预测模型进行训练所生成的,每个所述训练样本集对应于网络序列,所述训练样本集为通过网络序列样本、所述网络序列样本对应的多个历史geohash区域以及每个所述历史geohash区域对应的定位标签,构建的训练样本集,所述历史geohash区域为所述网络序列样本中包含的无线网络曾出现过的geohash区域,所述定位标签用于表征所述历史geohash区域是否为用户采集到所述网络序列时实际所处的geohash区域,
在所述根据预先确定的位置映射关系,确定目标用户采集到的目标网络序列对应的包含多个geohash区域的区域集之前,所述方法还包括:根据获取到的n个目标履约信息,确定所述位置映射关系,所述履约信息包括:所述网络序列样本、所述网络序列样本中包含的无线网络的信号强度信息以及采集到所述网络序列样本时的定位信息,其中,n大于1;根据所述位置映射关系、所述定位标签和所述信号强度信息,构建所述n个目标履约信息中包含的每个所述网络序列样本对应的训练样本集;通过n个所述训练样本集对所述预测模型进行训练,以获取所述位置预测模型。
2.根据权利要求1所述的方法,其特征在于,在所述根据获取到的n个目标履约信息,确定所述位置映射关系之前,所述方法还包括:从不同用户采集到的m个履约信息中确定所述n个目标履约信息,其中,m大于1,且n小于或等于m,所述履约信息包括:用户行为信息、网络序列、所述网络序列中包含的无线网络的信号强度信息、采集到所述网络序列时的定位信息以及所述定位信息的定位来源信息和定位精确度。
3.根据权利要求1所述的方法,其特征在于,所述根据所述位置映射关系、所述定位标签和所述信号强度信息,构建所述n个目标履约信息中包含的每个所述网络序列样本对应的训练样本集,包括:根据所述位置映射关系,获取第一网络序列样本中包含的每个无线网络对应的一个或多个geohash区域,以将获取到的多个geohash区域作为所述第一网络序列样本对应的多个历史geohash区域,所述第一网络序列样本为所述n个目标履约信息中包含的n个网络序列样本中的任一网络序列样本;获取所述第一网络序列样本的序列特征,所述序列特征,包括:所述第一网络序列样本中包含的无线网络的数量以及所述第一网络序列样本中包含的每个无线网络的信号强度;获取每个所述历史geohash区域的区域特征,所述区域特征用于表征所述n个网络序列样本中包含的所有无线网络在所述历史geohash区域中的分布状况,以及所述第一网络序列样本中包含的所有无线网络在所述历史geohash区域中的分布状况;通过所述序列特征、所述区域特征以及每个所述历史geohash区域对应的定位标签,构建每个所述历史geohash区域对应的训练样本;通过多个所述训练样本构建所述第一网络序列样本对应的训练样本集。
4.根据权利要求2所述的方法,其特征在于,所述从不同用户采集到的m个履约信息中确定所述n个目标履约信息,包括:根据所述定位来源信息、所述定位精确度和所述用户行为信息,从所述m个履约信息中确定n个第一履约信息;根据所述信号强度信息,将每个所述第一履约信息中包含的网络序列转换为不包含异常无线网络的网络序列样本,以生成所述n个目标履约信息,所述异常无线网络为信号强度低于预设信号强度的无线网络。
5.根据权利要求1所述的方法,其特征在于,所述根据预先确定的位置映射关系,确定目标用户采集到的目标网络序列对应的包含多个geohash区域的区域集,包括:提取所述目标网络序列中包含的多个目标无线网络;根据所述位置映射关系,获取每个所述目标无线网络对应的一个或多个geohash区域;获取由每个所述目标无线网络对应的一个或多个geohash区域组成的所述区域集。
6.根据权利要求1所述的方法,其特征在于,所述通过预先训练后的位置预测模型,从所述区域集中确定所述目标用户采集到所述目标网络序列时所处的目标geohash区域,包括:将所述目标网络序列和所述区域集作为所述位置预测模型的输入,以获取所述位置预测模型输出的所述区域集中的每个geohash区域对应的预测概率;将所述区域集中具备最高预测概率的geohash区域作为所述目标geohash区域。
7.一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,该程序被处理器执行时实现权利要求1至6中任一项所述的确定用户位置的方法的步骤。
8.一种电子设备,其特征在于,包括:存储器,其上存储有计算机程序;处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1至6中任一项所述的确定用户位置的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011034496.6A CN114339606B (zh) | 2020-09-27 | 2020-09-27 | 确定用户位置的方法、装置、存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011034496.6A CN114339606B (zh) | 2020-09-27 | 2020-09-27 | 确定用户位置的方法、装置、存储介质和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114339606A CN114339606A (zh) | 2022-04-12 |
CN114339606B true CN114339606B (zh) | 2023-10-27 |
Family
ID=81011247
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011034496.6A Active CN114339606B (zh) | 2020-09-27 | 2020-09-27 | 确定用户位置的方法、装置、存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114339606B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104918327A (zh) * | 2015-06-08 | 2015-09-16 | 浙江每日互动网络科技有限公司 | 一种实时探测移动终端地理位置的方法及系统 |
CN106470435A (zh) * | 2015-08-18 | 2017-03-01 | 腾讯科技(深圳)有限公司 | 识别WiFi群的方法及系统 |
CN106535113A (zh) * | 2016-09-23 | 2017-03-22 | 北京三快在线科技有限公司 | 确定可信wifi接入点的方法、装置及设备定位方法 |
CN108882174A (zh) * | 2018-07-03 | 2018-11-23 | 北京三快在线科技有限公司 | 移动终端定位方法、装置、电子设备及存储介质 |
CN110020221A (zh) * | 2017-12-11 | 2019-07-16 | 腾讯科技(深圳)有限公司 | 职住分布确认方法、装置、服务器及计算机可读存储介质 |
CN110782284A (zh) * | 2019-10-24 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 信息推送方法、装置以及可读存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9426620B2 (en) * | 2014-03-14 | 2016-08-23 | Twitter, Inc. | Dynamic geohash-based geofencing |
US10565279B2 (en) * | 2016-10-05 | 2020-02-18 | Uber Technologies, Inc. | Contextual search for location services |
-
2020
- 2020-09-27 CN CN202011034496.6A patent/CN114339606B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104918327A (zh) * | 2015-06-08 | 2015-09-16 | 浙江每日互动网络科技有限公司 | 一种实时探测移动终端地理位置的方法及系统 |
CN106470435A (zh) * | 2015-08-18 | 2017-03-01 | 腾讯科技(深圳)有限公司 | 识别WiFi群的方法及系统 |
CN106535113A (zh) * | 2016-09-23 | 2017-03-22 | 北京三快在线科技有限公司 | 确定可信wifi接入点的方法、装置及设备定位方法 |
CN110020221A (zh) * | 2017-12-11 | 2019-07-16 | 腾讯科技(深圳)有限公司 | 职住分布确认方法、装置、服务器及计算机可读存储介质 |
CN108882174A (zh) * | 2018-07-03 | 2018-11-23 | 北京三快在线科技有限公司 | 移动终端定位方法、装置、电子设备及存储介质 |
CN110782284A (zh) * | 2019-10-24 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 信息推送方法、装置以及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114339606A (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106462627B (zh) | 根据多个位置数据报告分析语义地点和相关数据 | |
Zheng | Trajectory data mining: an overview | |
CN108320501B (zh) | 基于用户手机信令的公交线路识别方法 | |
CN110166943B (zh) | 终端位置信息的处理方法 | |
CN104991924B (zh) | 用于确定新供应点的地址的方法和装置 | |
CN111212383B (zh) | 区域常住人口数量的确定方法、装置、服务器和介质 | |
CN111078818B (zh) | 地址分析方法、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 | |
CN108230040B (zh) | 到店预测方法及装置 | |
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 | |
CN114416900A (zh) | 一种轨迹停留点分析的方法和装置 | |
CN111475746B (zh) | 兴趣点位置挖掘方法、装置、计算机设备和存储介质 | |
Servizi et al. | Mining User Behaviour from Smartphone data: a literature review | |
CN112699201B (zh) | 导航数据处理方法、装置、计算机设备和存储介质 | |
George et al. | Spatio-temporal event detection using poisson model and quad-tree on geotagged social media | |
US20190200167A1 (en) | Entity tracking | |
CN111782980B (zh) | 地图兴趣点的挖掘方法、装置、设备及存储介质 | |
CN114339606B (zh) | 确定用户位置的方法、装置、存储介质和电子设备 | |
Dalla Torre et al. | A map-matching algorithm dealing with sparse cellular fingerprint observations | |
CN114007186B (zh) | 定位方法及相关产品 | |
Tiwari et al. | Modeling personalized recommendations of unvisited tourist places using genetic algorithms | |
WO2015084154A1 (en) | A system and method for locating a mobile device | |
Shad et al. | Precise location acquisition of mobility data using cell-id | |
CN114168838A (zh) | 兴趣点在线搜索排序方法与系统、以及云端搜索服务平台 | |
US10989786B2 (en) | Outdoor localization using hotspot labels |
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 |