CN115134407A - 活跃区域确定方法、装置、计算机设备及存储介质 - Google Patents
活跃区域确定方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN115134407A CN115134407A CN202210744868.7A CN202210744868A CN115134407A CN 115134407 A CN115134407 A CN 115134407A CN 202210744868 A CN202210744868 A CN 202210744868A CN 115134407 A CN115134407 A CN 115134407A
- Authority
- CN
- China
- Prior art keywords
- user
- positioning data
- area
- preset
- active region
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 239000000203 mixture Substances 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical group [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
- H04L69/22—Parsing or analysis of headers
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Navigation (AREA)
Abstract
本发明实施例公开了活跃区域确定方法、装置、计算机设备及存储介质，所述活跃区域确定方法包括：获取应用程序上报的定位数据，以及所述定位数据的采集时间；根据所述采集时间，确定所述定位数据的所属时间段；解析所述定位数据，得到用户的所在区域；基于所述所在区域和所述所属时间段，归类所述定位数据至预设用户位置分组；将所述用户位置分组输入至预设模型，得到用户的活跃区域。通过预设模型输出用户的活跃区域，提高了对用户的所在地理区域定位准确性。同时，得到的用户的活跃区域有效保留了定位数据的信息量，进而能够有效反映用户在不同区域不同时间段的活跃位置。
Description
技术领域
本发明涉及定位领域，尤其涉及一种活跃区域确定方法、装置、计算机设备及存储介质。
背景技术
用户的所在地理区域是一项重要的用户基础属性，是业务风控场景中具有重要价值的衡量指标。可通过用户的所在地理区域监测异常情况，具体地，可通过所在地理区域判断用户处于管辖区内还是管辖区外、是否存在常驻城市、交易业务地址是否与特定的区域重合、上报的地址是否真实有效等。
当前的业务风控场景中，通常根据用户的IP(Internet Protocol，网际互连协议)地址获取用户的所在地理区域。通过IP地址定位用户的所在地理区域的方式，不能有效保障地址位置信息的准确性，同时，地址位置信息的精确度只能达到城市级。当前的营销场景中，通过的用户填写的地址定义用户的所在地理区域。然而，定义的所在地理区域同样存在准确性和时效差的问题。
发明内容
有鉴于此，本发明的目的是为了克服现有技术中的不足，提供一种活跃区域确定方法、装置、计算机设备及存储介质，以解决定位的用户的所在地理区域准确性差的问题。
第一方面，本申请提供一种活跃区域确定方法，所述方法包括：
获取应用程序上报的定位数据，以及所述定位数据的采集时间；
根据所述采集时间，确定所述定位数据的所属时间段；
解析所述定位数据，得到用户的所在区域；
基于所述所在区域和所述所属时间段，归类所述定位数据至预设用户位置分组；
将所述用户位置分组输入至预设模型，得到用户的活跃区域，其中，所述所在区域包括所述活跃区域。
结合第一方面，在第一种可能的实现方式中，所述将所述用户位置分组输入至预设模型，得到用户的活跃区域，包括：
将所述用户位置分组输入至预设模型，得到包括第一数量的预设图形的图形集；
基于所述图形集中每个预设图形的权重，得到用户的活跃区域。
结合第一方面，在第二种可能的实现方式中，所述解析所述定位数据，得到用户的所在区域，包括：
将所述定位数据转换为预设格式的经纬度坐标系；
计算所述经纬度坐标系的哈希值，并基于预设哈希值表，查询所述哈希值对应的所在区域。
结合第一方面，在第三种可能的实现方式中，所述预设模型为高斯混合模型。
结合第一方面，在第四种可能的实现方式中，所述基于所述所在区域和所述所属时间段，归类所述定位数据至预设用户位置分组，包括：
基于所述所在区域、所述所属时间段及获取到用户的标识信息，归类所述定位数据至预设用户位置分组。
结合第一方面，在第五种可能的实现方式中，所述基于所述所在区域和所述所属时间段，归类所述定位数据至预设用户位置分组之后，还包括：
判断所述用户位置分组中包括的定位数据的数量是否超过第一阈值；
若所述用户位置分组中包括的定位数据的数量超过第一阈值，则滤除异常的定位数据后，执行将所述用户位置分组输入至预设模型，得到用户的活跃区域的步骤；
若所述用户位置分组中包括的定位数据的数量不超过第一阈值，则执行将所述用户位置分组输入至预设模型，得到用户的活跃区域。
结合第一方面，在第六种可能的实现方式中，所述将所述用户位置分组输入至预设模型，得到用户的活跃区域之后，还包括：
获取待验证的地址位置散点，并判断所述待验证的地址位置散点是否处于所述活跃区域；
若所述待验证的地址位置散点不处于所述活跃区域，则将所述待验证的地址位置散点标记为异常位置散点。
第二方面，本申请提供一种活跃区域确定装置，所述装置包括：
定位数据获取模块，用于获取应用程序上报的定位数据，以及所述定位数据的采集时间；
时间段确定模块，用于根据所述采集时间，确定所述定位数据的所属时间段；
数据解析模块，用于解析所述定位数据，得到用户的所在区域；
数据归类模块，用于基于所述所在区域和所述所属时间段，归类所述定位数据至预设用户位置分组；
活跃区域得到模块，用于将所述用户位置分组输入至预设模型，得到用户的活跃区域，其中，所述所在区域包括所述活跃区域。
第三方面，本申请提供一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器存储有计算机程序，所述计算机程序在所述处理器执行时，实现如第一方面所述的活跃区域确定方法。
第四方面，本申请提供一种计算机可读存储介质，所述计算机可读存储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，实现如第一方面所述的活跃区域确定方法。
本申请提供了一种活跃区域确定方法，所述方法包括：获取应用程序上报的定位数据，以及所述定位数据的采集时间；根据所述采集时间，确定所述定位数据的所属时间段；解析所述定位数据，得到用户的所在区域；基于所述所在区域和所述所属时间段，归类所述定位数据至预设用户位置分组；将所述用户位置分组输入至预设模型，得到用户的活跃区域。通过预设模型输出用户的活跃区域，提高了对用户的所在地理区域定位准确性。同时，得到的用户的活跃区域有效保留了定位数据的信息量，进而能够有效反映用户在不同区域不同时间段的活跃位置。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对本发明保护范围的限定。在各个附图中，类似的构成部分采用类似的编号。
图1示出了本发明实施例提供的活跃区域确定方法的流程图；
图2示出了本发明实施例提供的第一种活跃区域的示例图；
图3示出了本发明实施例提供的第二种活跃区域的示例图；
图4示出了本发明实施例提供的活跃区域确定装置的结构示意图。
具体实施方式
下面将结合本发明实施例中附图，对本发明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发明一部分实施例，而不是全部的实施例。
通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
在下文中，可在本发明的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本发明的各种实施例中被清楚地限定。
实施例1
请参阅图1，图1示出了本发明实施例提供的活跃区域确定方法的流程图。图1中的活跃区域确定方法包括以下步骤：
步骤110，获取应用程序上报的定位数据，以及所述定位数据的采集时间。
应用程序(Application，App)在运行过程中会实时采集用户的当前位置，其中，定位数据可以是GPS(Global Positioning System，全球定位系统)数据等用于表示用户实时位置的数据，在此不做限定。采集时间即应用程序实时采集到用户位置时对于的时间。获取应用程序上报的定位数据，以及定位数据的采集时间。定位数据是业务风控场景中具有重要价值的衡量指标，能够有效反映用户的位置信息是否存在异常。需要理解的是，可同时获取多个不同种类的应用程序上报的定位数据，以提供定位数据的真实性。获取定位数据之后，还需过滤存在异常的定位数据，在此不做赘述。
步骤120，根据所述采集时间，确定所述定位数据的所属时间段。
预设划分多个时间段，具体地，可以划分出工作日时间段与周末时间段，也可以划分出白天时间段与夜晚时间段，还可以将一天平均划分成多个时间段。每个时间段是根据实际需求设置的，在此不做限定。根据定位数据的采集时间，确定定位数据的所属时间段。具体地，假设预先划分出工作日时间段与周末时间段。当定位数据的采集时间为周一时，则确定定位数据的所属时间段为工作日时间段。当定位数据的采集时间为周六时，则确定定位数据的所属时间段为周末时间段。可通过定位数据的所属时间段，将定位数据归类至不同的分组。
步骤130，解析所述定位数据，得到用户的所在区域。
通常应用程序上报的定位数据是一个具体的用户位置散点，解析应用程序上报的定位数据，得到用户的所在区域。具体地，当解析的定位数据，确定用户位置处于区域A内，则确定用户的所在区域为区域A。可通过用户的所在区域，将定位数据归类至不同的分组。
需要理解的是，所在区域的范围精度可以城市级别，也可以区县级别，所在区域的范围精度是根据实际需求设置的，在此不做限定。
作为一个示例，所述解析所述定位数据，得到用户的所在区域，包括：
将所述定位数据转换为预设格式的经纬度坐标系；
计算所述经纬度坐标系的哈希值，并基于预设哈希值表，查询所述哈希值对应的所在区域。
为提高对用户位置的定位准确性，通常需要解析大量的定位数据。举例而言，获取到各类的应用程序上报的7亿条定位数据，采用LBS(Location Based Services，基于移动位置服务)接口解析定位数据，需要消耗超过3个月的时间，导致解析得到数据时效性较差。
本实施例中，采用哈希算法解析定位数据，得到用户的所在区域。具体地，基于经纬度将地理的地理环境递归分解成多个子块，每个子块范围内的经纬度具有唯一的编码ID(Identity document，身份标识号)。将反应用户位置散点的定位数据转换为索引结构进行匹配查询，得到用户的所在区域。采用哈希算法解析应用程序上报定位数据，将解析数据的时间缩短至20分钟，解析得到数据时效性得到显著提升。
表1
请参阅表1，表1示出了本发明实施例提供的预设哈希值表。将各类应用程序上报不同格式的定位数据转换为预设格式的经纬度坐标系。需要理解的是，预设格式是根据实际需求选择的，在此不做限定。本实施例中，预设格式的经纬度坐标系为高德坐标系。计算经纬度坐标系的哈希值，并基于预设哈希值表，查询哈希值对应的所在区域。
举例而言，假设得到经纬度为114.212288，30.624025，解析经纬度得到哈希值为8840a680b9fffff。基于预设哈希值表，查询哈希值对应的所在区域，得到用户的所在区域为湖北省武汉市硚口区。以吉林省通化市辉南县为例，构建预设哈希值表时，将每个区域递归分解成多个子块，且每个子块范围内的经纬度具有唯一的编码ID。计算经纬度坐标系的哈希值时，多个哈希值对应的区域都为吉林省通化市辉南县，表1中不具体示出所有的哈希值及区域。
步骤140，基于所述所在区域和所述所属时间段，归类所述定位数据至预设用户位置分组。
预先构建每个所在区域和每个所属时间段对应的预设用户位置分组，举例而言，预先构建区域A第一时间段的用户位置分组、区域A第二时间段的用户位置分组、区域B第一时间段的用户位置分组、区域B第二时间段的用户位置分组。基于每个定位数据的所在区域和所属时间段，归类定位数据至预设用户位置分组。每个预设用户位置分组最大程度保留了定位数据的原始信息量，反映了用户在特定区域特定时间段的位置散点密度等信息。
作为一个示例，所述基于所述所在区域和所述所属时间段，归类所述定位数据至预设用户位置分组，包括：
基于所述所在区域、所述所属时间段及获取到用户的标识信息，归类所述定位数据至预设用户位置分组。
由于应用程序会上报不同用户的定位数据，基于所在区域、所属时间段及获取到用户的标识信息，归类定位数据至预设用户位置分组。对应每个用户提供多个预设用户位置分组，以通过预设用户位置分组中的定位数据，得到用户在不同区域不同时间段的位置信息。
需要理解的是，用户的标识信息可以是用户的姓名、证据号码、移动终端号码等任意用于标识用户身份的信息，在此不做限定。
步骤150，将所述用户位置分组输入至预设模型，得到用户的活跃区域。
将用户位置分组作为输入变量输入至预设模型，得到预设模型输出的输出变量，基于结构化的输出变量得到用户的活跃区域。由于输入的每个用户位置分组对应用户在一个所在区域的所属时间段的位置信息，预设模型的输出结果有效保留了原始的定位数据的信息量，有效反映出了用户的在每个所属时间段内、每个所在区域内的活跃位置。需要理解的是，活跃区域为具有高密度的用户位置散点的区域。所在区域包括活跃区域，即活跃区域为用户的所在区域的其中一个区域，每个用户的所在区域中可包括多个活跃区域，在此不做赘述。
请一并参阅图2，图2示出了本发明实施例提供的第一种活跃区域的示例图。作为一个示例，所述将所述用户位置分组输入至预设模型，得到用户的活跃区域，包括：
将所述用户位置分组输入至预设模型，得到包括第一数量的预设图形的图形集；
基于所述图形集中每个预设图形的权重，得到用户的活跃区域。
本实施例中，预设图形为椭圆图形。将包括定位数据的用户位置分组输入至预设模型，得到预设模型输出的包括第一数量的椭圆图形的图形集，其中，第一数量是根据预设模型输出发生变化的，在此不做限定。定位数据表征了用户位置散点，根据用户位置散点的密度，以及每个椭圆图形的密度中心点、长轴、短轴、逆时针旋转夹角，得到每个椭圆图形的权重。基于图形集中每个椭圆图形的权重，得到用户在所在区域和所属时间段内的活跃区域。如图所示，预设模型输出了包括第一数量的椭圆图形的图像集，可将图像集等效为地形图中的等高线。通过图像集，确定用户在所在区域和所属时间段内的两个活跃区域。
作为一个示例，所述预设模型为高斯混合模型。
高斯混合模型(Gaussian Mixture Model，GMM)通常输出的是圆形或椭圆形的图像集。相对于KNN(K-NearestNeighbor，邻近算法)模型、Kmeans(k-means clusteringalgorithm，k均值聚类算法)模型、DBSCAN(Density-Based Spatial Clustering ofApplications with Noise)模型等其他聚类模型，高斯混合模型的输出结果保留了更多的信息量，得到用户的活跃区域能够准确反映用户的活动规律，能够适用于更多的场景。相对于不规则的多边形结果，高斯混合模型的输出的椭圆形图形，降低了数据的存储成本和使用成本。规则的椭圆图形相对于不规则的多边形，计算一个点是否在多边形内以及区域重叠等地理几何问题时，降低了计算复杂度。
请一并参阅图3，图3示出了本发明实施例提供的第二种活跃区域的示例图。可设置用户的活跃区域的置信区间，其中，置信区间的范围是根据实际需求设置的，在此不做限定。本实施例中，分别设置了90％、95％及99％三个置信区间。通过设置用户的活跃区域的置信区间，调整得到的用户的活跃区域的有效等级，使得到活跃区域能够进一步反映用户的活动规律，进而适用于更多的场景，满足了多样性的需求。
作为一个示例，所述基于所述所在区域和所述所属时间段，归类所述定位数据至预设用户位置分组之后，还包括：
判断所述用户位置分组中包括的定位数据的数量是否超过第一阈值；
若所述用户位置分组中包括的定位数据的数量超过第一阈值，则滤除异常的定位数据后，执行步骤150，将所述用户位置分组输入至预设模型，得到用户的活跃区；
若所述用户位置分组中包括的定位数据的数量不超过第一阈值，则执行步骤150，将所述用户位置分组输入至预设模型，得到用户的活跃区。
若用户所在区域中存在用户的活跃区域，则周期时间内将获取到应用程序上报的大量的定位数据。若用户位置分组中包括的定位数据的数量不超过第一阈值，将用户位置分组输入至预设模型，得到用户的活跃区，其中，第一阈值的大小是根据实际需求设置的，在此不做限定。若用户位置分组中包括的定位数据的数量超过第一阈值，根据定位时间的采集时间、应用程序上报定位数据的时间，滤除异常的定位数据，以提高得到的用户的活跃区域的准确性。将滤除异常的定位数据后的用户位置分组输入至预设模型，得到用户的活跃区域。
需要理解的是，还可设置第二阈值。若用户位置分组中包括的定位数据的数量不超过第二阈值，则确定用户位置分组中的定位数据的数量不足，保留用户位置分组中的定位数据，不将用户位置分组输入至预设模型。此外，还可将定位数据的数量不超过第二阈值的用户位置分组，标记为异常分组，并确定用户信息是否被突破窃取等异常情况。第一阈值和第二阈值是根据实际需求设置的，在此不做限定。本实施例中，第一阈值为180，第二阈值为2。
作为一个示例，所述将所述用户位置分组输入至预设模型，得到用户的活跃区域之后，还包括：
获取待验证的地址位置散点，并判断所述待验证的地址位置散点是否处于所述活跃区域；
若所述待验证的地址位置散点不处于所述活跃区域，则将所述待验证的地址位置散点标记为异常位置散点。
得到用户的活跃区域之后，若获取到用户填写的待验证的地址位置散点，判断待验证的地址位置散点是否处于活跃区域内。若待验证的地址位置散点不处于活跃区域，则将待验证的地址位置散点标记为可信位置散点。若待验证的地址位置散点不处于活跃区域，则将待验证的地址位置散点标记为异常位置散点，计算异常位置散点的可信度。
需要理解的是，可通过用户活跃区域判断用户填写的待验证的地址位置散点是否真实可信，还可将得到的用户活跃位置应用于其他场景，如用户处于管辖区内还是管辖区外、是否存在常驻城市、交易业务地址是否与特定的区域重合等场景，在此不做赘述。
本申请提供了一种活跃区域确定方法，所述方法包括：获取应用程序上报的定位数据，以及所述定位数据的采集时间；根据所述采集时间，确定所述定位数据的所属时间段；解析所述定位数据，得到用户的所在区域；基于所述所在区域和所述所属时间段，归类所述定位数据至预设用户位置分组；将所述用户位置分组输入至预设模型，得到用户的活跃区域。通过预设模型输出用户的活跃区域，提高了对用户的所在地理区域定位准确性。同时，得到的用户的活跃区域有效保留了定位数据的信息量，进而能够有效反映用户在不同区域不同时间段的活跃位置。
实施例2
请参阅图4，图4示出了本发明实施例提供的活跃区域确定装置的结构示意图。图4中的活跃区域确定装置200包括：
定位数据获取模块210，用于获取应用程序上报的定位数据，以及所述定位数据的采集时间；
时间段确定模块220，用于根据所述采集时间，确定所述定位数据的所属时间段；
数据解析模块230，用于解析所述定位数据，得到用户的所在区域；
数据归类模块240，用于基于所述所在区域和所述所属时间段，归类所述定位数据至预设用户位置分组；
活跃区域得到模块250，用于将所述用户位置分组输入至预设模型，得到用户的活跃区域，其中，所述所在区域包括所述活跃区域。
作为一个示例，所述活跃区域得到模块250，包括：
图形集得到子模块，用于将所述用户位置分组输入至预设模型，得到包括第一数量的预设图形的图形集；
活跃区域子模块，用于基于所述图形集中每个预设图形的权重，得到用户的活跃区域。
作为一个示例，数据解析模块230，包括：
经纬度子模块，用于将所述定位数据转换为预设格式的经纬度坐标系；
所在区域确定子模块，用于计算所述经纬度坐标系的哈希值，并基于预设哈希值表，查询所述哈希值对应的所在区域。
作为一个示例，所述预设模型为高斯混合模型。
作为一个示例，数据归类模块240，还用于基于所述所在区域、所述所属时间段及获取到用户的标识信息，归类所述定位数据至预设用户位置分组。
作为一个示例，活跃区域确定装置200，还包括：
数量判断模块，用于判断所述用户位置分组中包括的定位数据的数量是否超过第一阈值；
活跃区域得到模块250，还用于若所述用户位置分组中包括的定位数据的数量超过第一阈值，则滤除异常的定位数据后，执行将所述用户位置分组输入至预设模型，得到用户的活跃区域的步骤；
活跃区域得到模块250，还用于若所述用户位置分组中包括的定位数据的数量不超过第一阈值，则执行将所述用户位置分组输入至预设模型，得到用户的活跃区域的步骤。
作为一个示例，活跃区域确定装置200，还包括：获取待验证的地址位置散点，并判断所述待验证的地址位置散点是否处于所述活跃区域；
异常位置标记模块，用于若所述待验证的地址位置散点不处于所述活跃区域，则将所述待验证的地址位置散点标记为异常位置散点。
活跃区域确定装置200用于执行上述的活跃区域确定方法中的对应步骤，各个功能的具体实施，在此不再一一描述。此外，实施例1中可选示例也同样适用于实施例2的活跃区域确定装置200。
本申请实施例还提供一种计算机设备，所述计算机设备还包括处理器和存储器，所述存储器上存储有程序或指令，所述程序或指令被所述处理器执行时实现如实施例1所述的活跃区域确定方法的步骤。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有程序或指令，所述程序或指令被处理器执行时实现如实施例1所述的活跃区域确定方法的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和结构图显示了根据本发明的多个实施例的装置、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，所述模块、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，在作为替换的实现方式中，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，两个连续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，结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合，可以用执行规定的功能或动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。
另外，在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或更多个模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种活跃区域确定方法，其特征在于，所述方法包括：
获取应用程序上报的定位数据，以及所述定位数据的采集时间；
根据所述采集时间，确定所述定位数据的所属时间段；
解析所述定位数据，得到用户的所在区域；
基于所述所在区域和所述所属时间段，归类所述定位数据至预设用户位置分组；
将所述用户位置分组输入至预设模型，得到用户的活跃区域，其中，所述所在区域包括所述活跃区域。
2.根据权利要求1所述的活跃区域确定方法，其特征在于，所述将所述用户位置分组输入至预设模型，得到用户的活跃区域，包括：
将所述用户位置分组输入至预设模型，得到包括第一数量的预设图形的图形集；
基于所述图形集中每个预设图形的权重，得到用户的活跃区域。
3.根据权利要求1所述的活跃区域确定方法，其特征在于，所述解析所述定位数据，得到用户的所在区域，包括：
将所述定位数据转换为预设格式的经纬度坐标系；
计算所述经纬度坐标系的哈希值，并基于预设哈希值表，查询所述哈希值对应的所在区域。
4.根据权利要求1所述的活跃区域确定方法，其特征在于，所述预设模型为高斯混合模型。
5.根据权利要求1所述的活跃区域确定方法，其特征在于，所述基于所述所在区域和所述所属时间段，归类所述定位数据至预设用户位置分组，包括：
基于所述所在区域、所述所属时间段及获取到用户的标识信息，归类所述定位数据至预设用户位置分组。
6.根据权利要求1所述的活跃区域确定方法，其特征在于，所述基于所述所在区域和所述所属时间段，归类所述定位数据至预设用户位置分组之后，还包括：
判断所述用户位置分组中包括的定位数据的数量是否超过第一阈值；
若所述用户位置分组中包括的定位数据的数量超过第一阈值，则滤除异常的定位数据后，执行将所述用户位置分组输入至预设模型，得到用户的活跃区域的步骤；
若所述用户位置分组中包括的定位数据的数量不超过第一阈值，则执行将所述用户位置分组输入至预设模型，得到用户的活跃区域的步骤。
7.根据权利要求1所述的活跃区域确定方法，其特征在于，所述将所述用户位置分组输入至预设模型，得到用户的活跃区域之后，还包括：
获取待验证的地址位置散点，并判断所述待验证的地址位置散点是否处于所述活跃区域；
若所述待验证的地址位置散点不处于所述活跃区域，则将所述待验证的地址位置散点标记为异常位置散点。
8.一种活跃区域确定装置，其特征在于，所述装置包括：
定位数据获取模块，用于获取应用程序上报的定位数据，以及所述定位数据的采集时间；
时间段确定模块，用于根据所述采集时间，确定所述定位数据的所属时间段；
数据解析模块，用于解析所述定位数据，得到用户的所在区域；
数据归类模块，用于基于所述所在区域和所述所属时间段，归类所述定位数据至预设用户位置分组；
活跃区域得到模块，用于将所述用户位置分组输入至预设模型，得到用户的活跃区域，其中，所述所在区域包括所述活跃区域。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器及处理器，所述存储器存储有计算机程序，所述计算机程序在所述处理器执行时，实现如权利要求1至7中任一项所述的活跃区域确定方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现如权利要求1至7中任一项所述的活跃区域确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210744868.7A CN115134407B (zh) | 2022-06-27 | 2022-06-27 | 活跃区域确定方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210744868.7A CN115134407B (zh) | 2022-06-27 | 2022-06-27 | 活跃区域确定方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115134407A true CN115134407A (zh) | 2022-09-30 |
| CN115134407B CN115134407B (zh) | 2024-04-26 |
Family
ID=83380609
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210744868.7A Active CN115134407B (zh) | 2022-06-27 | 2022-06-27 | 活跃区域确定方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115134407B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105631538A (zh) * | 2015-12-23 | 2016-06-01 | 北京奇虎科技有限公司 | 一种用户活跃度的预测方法、装置及其应用方法和系统 |
| CN107491474A (zh) * | 2017-06-26 | 2017-12-19 | 北京三快在线科技有限公司 | 信息推荐方法和装置 |
| 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 |
| US20180014151A1 (en) * | 2016-07-10 | 2018-01-11 | Kratz Jacker Llc | Method and system for radiolocation asset tracking via a mesh network |
| CN107689022A (zh) * | 2017-08-25 | 2018-02-13 | 腾云天宇科技（北京）有限公司 | 分析用户移动特性、城市人口流动特性的方法及计算设备 |
| US20180174189A1 (en) * | 2016-12-19 | 2018-06-21 | Groupon, Inc. | Methods and systems for detecting geographic areas having elevated supply and demand levels |
| WO2019191914A1 (en) * | 2018-04-04 | 2019-10-10 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for on-demand services |
| CN112417273A (zh) * | 2020-11-17 | 2021-02-26 | 平安科技（深圳）有限公司 | 区域画像图生成方法、装置、计算机设备及存储介质 |
| WO2021135105A1 (zh) * | 2020-01-02 | 2021-07-08 | 平安科技（深圳）有限公司 | 基于大数据的对象识别方法、装置、设备及存储介质 |
-
2022
- 2022-06-27 CN CN202210744868.7A patent/CN115134407B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105631538A (zh) * | 2015-12-23 | 2016-06-01 | 北京奇虎科技有限公司 | 一种用户活跃度的预测方法、装置及其应用方法和系统 |
| US20180014151A1 (en) * | 2016-07-10 | 2018-01-11 | Kratz Jacker Llc | Method and system for radiolocation asset tracking via a mesh network |
| US20180174189A1 (en) * | 2016-12-19 | 2018-06-21 | Groupon, Inc. | Methods and systems for detecting geographic areas having elevated supply and demand levels |
| CN107491474A (zh) * | 2017-06-26 | 2017-12-19 | 北京三快在线科技有限公司 | 信息推荐方法和装置 |
| 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 |
| CN107689022A (zh) * | 2017-08-25 | 2018-02-13 | 腾云天宇科技（北京）有限公司 | 分析用户移动特性、城市人口流动特性的方法及计算设备 |
| WO2019191914A1 (en) * | 2018-04-04 | 2019-10-10 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for on-demand services |
| WO2021135105A1 (zh) * | 2020-01-02 | 2021-07-08 | 平安科技（深圳）有限公司 | 基于大数据的对象识别方法、装置、设备及存储介质 |
| CN112417273A (zh) * | 2020-11-17 | 2021-02-26 | 平安科技（深圳）有限公司 | 区域画像图生成方法、装置、计算机设备及存储介质 |
| WO2022105111A1 (zh) * | 2020-11-17 | 2022-05-27 | 平安科技（深圳）有限公司 | 区域画像图生成方法、装置、计算机设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 武艳娜;赵泽茂;: "基于连续位置服务请求的位置匿名方法的研究", 信息网络安全, no. 01, 10 January 2015 (2015-01-10) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115134407B (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108446281B (zh) | 确定用户亲密度的方法、装置及存储介质 | |
| CN109992633B (zh) | 基于用户位置的地理围栏确定方法、装置、电子设备 | |
| CN110166991B (zh) | 用于定位电子设备的方法、设备、装置以及存储介质 | |
| CN110706376B (zh) | 一种人流量统计方法和装置 | |
| CN109168195B (zh) | 一种定位信息提取方法及服务平台 | |
| CN111107556B (zh) | 一种移动通信网络的信号覆盖质量评估方法和装置 | |
| WO2020165649A2 (en) | System and method for processing geolocation event data for low-latency | |
| CN110888866B (zh) | 数据扩充方法、装置、数据处理设备及存储介质 | |
| CN114070760B (zh) | 一种网络空间资产的测绘方法及相关装置 | |
| CN112039861B (zh) | 风险识别方法、装置、电子设备和计算机可读存储介质 | |
| CN111787075A (zh) | 一种设备定位方法及装置 | |
| CN111479321B (zh) | 一种网格构建方法、装置、电子设备和存储介质 | |
| US20210350160A1 (en) | System And Method For An Activity Based Intelligence Contextualizer | |
| CN109918048B (zh) | 目标对象提取方法、装置、系统及计算机可读存储介质 | |
| CN112085588B (zh) | 规则模型的安全性的确定方法、装置和数据处理方法 | |
| CN115134407B (zh) | 活跃区域确定方法、装置、计算机设备及存储介质 | |
| CN110363648B (zh) | 一种基于同一地理类型多维度属性校验方法、装置和电子设备 | |
| CN111949696A (zh) | 一种全要素关联分析方法及装置 | |
| CN111143639A (zh) | 用户亲密度计算方法、装置、设备及介质 | |
| CN115098799A (zh) | 轨迹相似度确定、风险评估、风险溯源方法及装置 | |
| CN113327336B (zh) | 人车关系的识别方法、装置和电子设备 | |
| CN115391317A (zh) | 信息处理方法、装置、设备、系统及存储介质 | |
| CN114025375A (zh) | 基于蜂窝分布识别技术的5g跟踪区异常检测方法及其系统 | |
| CN111181809A (zh) | 网络rtk中心解算软件中基准站的监测方法及装置 | |
| US20170169454A1 (en) | Identifying business online social presence with name and address using spatial filters |
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 |