CN116842123B - 搬迁位置预测方法、地图更新方法、装置及设备 - Google Patents

搬迁位置预测方法、地图更新方法、装置及设备 Download PDF

Info

Publication number
CN116842123B
CN116842123B CN202311083320.3A CN202311083320A CN116842123B CN 116842123 B CN116842123 B CN 116842123B CN 202311083320 A CN202311083320 A CN 202311083320A CN 116842123 B CN116842123 B CN 116842123B
Authority
CN
China
Prior art keywords
relocation
target
candidate
interest
location
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
Application number
CN202311083320.3A
Other languages
English (en)
Other versions
CN116842123A (zh
Inventor
姚欣
冉博
董庆洲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Gaodeyunxin Technology Co ltd
Original Assignee
Beijing Gaodeyunxin Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Gaodeyunxin Technology Co ltd filed Critical Beijing Gaodeyunxin Technology Co ltd
Priority to CN202311083320.3A priority Critical patent/CN116842123B/zh
Publication of CN116842123A publication Critical patent/CN116842123A/zh
Application granted granted Critical
Publication of CN116842123B publication Critical patent/CN116842123B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3807—Creation or updating of map data characterised by the type of data
    • G01C21/3811—Point data, e.g. Point of Interest [POI]
    • 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
    • G06F16/23—Updating
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供一种搬迁位置预测方法、地图更新方法、装置及设备，该搬迁位置预测方法包括：基于目标兴趣点的关联用户的定位信息，确定所述目标兴趣点的至少一个搬迁候选位置；获取所述关联用户在所述目标兴趣点的原位置出现的目标时段，以及获取所述关联用户在各所述搬迁候选位置出现的候选时段，所述原位置为所述目标兴趣点在电子地图中位置更新之前的位置；根据所述目标时段以及所述候选时段，从所述至少一个搬迁候选位置中，预测所述目标兴趣点的搬迁位置。实现了基于用户定位以及活动序列的搬迁位置预测，预测准确度高。

Description

搬迁位置预测方法、地图更新方法、装置及设备
技术领域
本申请涉及地图信息采集技术领域，尤其涉及一种搬迁位置预测方法、地图更新方法、装置及设备。
背景技术
兴趣点（Point of Interest，POI）为电子地图中各式各样的地点，如商店、加油站、医院、银行、学校、超市等。由于自身经营、外部环境等原因，如店铺到期、店铺扩张、城市规划等，兴趣点存在位置变更的问题，即存在兴趣点位置搬迁的现象。针对位置搬迁的兴趣点，需及时发现和更新，以免造成用户出行的困扰。
在相关技术中，往往基于运单地址挖掘兴趣点的搬迁位置。运单为用户下发的物流订单，需提供兴趣点及其地址。若用户针对同一兴趣点的不同运单中填写了不同的地址，则确定该兴趣点的位置发生了变更。上述方法依赖用户输入地址的规范性，当用户输入的地址不规范时，将导致挖掘的兴趣点的搬迁位置准确度较低，无法满足需求。
因此，亟需提供一种准确度高的兴趣点搬迁位置的挖掘方案。
发明内容
本申请提供一种搬迁位置预测方法、地图更新方法、装置及设备，实现了基于用户定位以及活动情况确定兴趣点搬迁位置的方案，提高了搬迁位置挖掘的准确度。
第一方面，本申请提供一种搬迁位置预测方法，包括：
基于目标兴趣点的关联用户的定位信息，确定所述目标兴趣点的至少一个搬迁候选位置；
获取所述关联用户在所述目标兴趣点的原位置出现的目标时段，以及获取所述关联用户在各所述搬迁候选位置出现的候选时段，所述原位置为所述目标兴趣点在电子地图中位置更新之前的位置；
根据所述目标时段以及所述候选时段，从所述至少一个搬迁候选位置中，预测所述目标兴趣点的搬迁位置。
第二方面，本申请提供一种地图更新方法，包括：
在检测到兴趣点的搬迁位置后，将地图上所述兴趣点的位置更新为所述搬迁位置；
其中，所述搬迁位置为基于本申请第一方面提供的方法得到的。
第三方面，本申请提供一种搬迁位置预测装置，包括：
候选位置确定模块，用于基于目标兴趣点的关联用户的定位信息，确定所述目标兴趣点的至少一个搬迁候选位置；
时段获取模块，用于获取所述关联用户在所述目标兴趣点的原位置出现的目标时段，以及获取所述关联用户在各所述搬迁候选位置出现的候选时段，所述原位置为所述目标兴趣点在电子地图中位置更新之前的位置；
搬迁位置预测模块，用于根据所述目标时段以及所述候选时段，从所述搬迁候选位置中，预测所述目标兴趣点的搬迁位置。
第四方面，本申请提供一种电子设备，包括：
处理器，以及与所述处理器通信连接的存储器；所述存储器存储计算机执行指令；所述处理器执行所述存储器存储的计算机执行指令，以实现本申请第一方面或第二方面提供的方法。
第五方面，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中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现本申请第一方面或第二方面提供的方法。
第六方面，本申请提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现本申请第一方面或第二方面提供的方法。
本申请提供的搬迁位置预测方法、地图更新方法、装置及设备，针对电子地图中兴趣点位置变更挖掘的应用场景，若电子地图中的兴趣点搬迁或者可能搬迁，以该兴趣点为其中一个目标兴趣点，基于目标兴趣点对应的关联用户（如公司员工、店员等）的定位信息，得到一个或多个搬迁候选位置，搬迁候选位置为目标兴趣点可能搬迁的位置，以关联用户为对象确定搬迁候选位置，大大减少了搜索范围，提高了搬迁位置挖掘的效率；为了自动从搬迁候选位置中预测目标兴趣点的搬迁位置，提供了基于用户活动情况的搬迁位置预测，具体为结合关联用户在搬迁候选位置和在目标兴趣点原位置出现的时间段，从搬迁候选位置中预测目标兴趣点的搬迁位置，通过关联用户在原位置点和新的位置点出现的时间段，预测兴趣点的搬迁位置，预测准确度高，且不依赖于用户主动上报的信息，兴趣点搬迁位置预测的自动化程度高。
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。
图1为本申请实施例提供的一种兴趣点位置更新过程的示意图；
图2为本申请实施例提供的一种搬迁位置预测方法的流程示意图；
图3为本申请实施例提供的另一种搬迁位置预测方法的流程示意图；
图4为本申请图3所示实施例中对常驻位置进行聚类过程的示意图；
图5为本申请图4所示实施例中描述信息的示意图；
图6为本申请图3所示实施例中预测的搬迁位置优化的示意图；
图7为本申请实施例提供的又一种搬迁位置预测方法的流程示意图；
图8为本申请实施例提供的另一种搬迁位置预测方法的流程示意图；
图9为本申请实施例提供的一种搬迁位置预测装置的结构示意图；
图10为本申请实施例提供的一种电子设备的结构示意图。
通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
电子地图中存在大量的兴趣点，如医院、商场、超市、饭店、酒店等，兴趣点，兴趣点在电子地图中有着十分重要的地位。兴趣点的丰富度和位置准确度，会直接影响用户使用地图导航类应用软件的体验。
由于各种原因，如店铺扩张、拆迁等，电子地图中的兴趣点会存在位置搬迁的现象。因此，需要及时感知电子地图中兴趣点的位置搬迁，以及，及时更新电子地图中兴趣点的位置。
在相关技术中，提出了基于运单地址的搬迁位置挖掘方式，具体为基于同一用户关于同一兴趣点的运单中填写的不同地址实现搬迁地址挖掘。运单为用户下发的物流订单，电子地图的服务端通过接收大量运单，读取运单中涉及的兴趣点和地址，当检测到同一兴趣点在不同的运单中的地址不同时，则确定该兴趣点位置发生了搬迁，基于时间较晚的运单中该兴趣点的地址得到该兴趣点的搬迁位置。
图1为相关技术提供的一种兴趣点搬迁位置挖掘过程的示意图，如图1所示，在电子地图的使用过程中，在兴趣点POI1发生搬迁之前，用户下发一个目的地为至兴趣点POI1的运单1，并在运单1中填写有兴趣点POI1搬迁之前的地址即原地址，如A市B区C街道108号；在兴趣点POI1发生搬迁之后，该用户下发了一个目的地为兴趣点POI1的运单2，在运单2中填写了兴趣点POI1搬迁之后的地址即新地址，如A市D区E街道52号，则在兴趣点POI1的搬迁位置挖掘时，可以通过检测到运单1和运单2，以及比较运单1和运单2中的地址的方式进行，确定兴趣点POI1发生了位置搬迁，且搬迁位置为A市D区E街道52号或者对应的经纬度。
然而，上述方式依赖于人工输入地址的规范性，当用户手动输入的地址不规范时，将导致兴趣点搬迁位置判断有误，搬迁位置挖掘准确度较低。
基于此，本申请提供了一种搬迁位置预测方法，实现了基于兴趣点关联用户定位以及活动情况的搬迁位置挖掘，具体方案为，针对可能发生搬迁或发生搬迁的兴趣点，先基于兴趣点关联用户的定位信息，确定一个或多个搬迁候选位置，即可能的搬迁位置，进而结合关联用户在搬迁候选位置和兴趣点原位置出现的时间段，从搬迁候选位置中，预测出兴趣点的搬迁位置，提高了搬迁位置预测的准确度，且相较于街景拍摄的方式，节省了人力、挖掘效率高。
图2为本申请实施例提供的一种搬迁位置预测方法的流程示意图，该搬迁位置预测方法可以由具备相应数据处理能力的电子设备执行，如搬迁位置预测设备，该搬迁位置预测设备可以为服务器、电脑或者其他设备。
如图2所示，该搬迁位置预测方法包括以下步骤：
步骤S201，基于目标兴趣点的关联用户的定位信息，确定所述目标兴趣点的至少一个搬迁候选位置。
目标兴趣点可以为电子地图上任意一个兴趣点，还可以为指定的兴趣点，如确定或可能发生地址搬迁的兴趣点。定位信息为用户使用电子地图提供的服务时授权的位置坐标。兴趣点的关联用户可以为常驻于兴趣点的用户，如店铺的店长、店员，公司的员工等。
可以预先存储各兴趣点及其关联用户的对应关系，针对各目标兴趣点，从该对应关系中确定目标兴趣点的各关联用户。还可以基于用户出现在兴趣点的时长、频率等，确定兴趣点的关联用户。
可以基于用户的搬迁反馈信息，确定目标兴趣点，搬迁反馈信息由用户主动上传，以指示兴趣点的位置发生搬迁。具体为，确定搬迁反馈信息指示的发生位置搬迁的兴趣点为目标兴趣点。
示例性的，若用户使用电子地图导航至兴趣点，发现导航的目的地并非该兴趣点，则用户上传搬迁反馈信息至地图服务器或搬迁位置预测设备，以反馈兴趣点位置不匹配或兴趣点发生搬迁，则地图服务器或搬迁位置预测设备将该兴趣点确定为其中一个目标兴趣点。
还可以主动感知可能发生位置搬迁的兴趣点，并将感知的可能发生位置搬迁的兴趣点作为目标兴趣点。
具体的，可以基于兴趣点关联用户的定位信息，判断兴趣点是否发生位置搬迁，若是，则确定兴趣点为目标兴趣点。
可以基于兴趣点关联用户的定位信息，确定关联用户的常驻位置，基于同一兴趣点的各关联用户的常驻位置，判断该兴趣点是否发生位置搬迁。
具体的，可以对同一兴趣点的常驻位置进行聚类，基于聚类结果判断该兴趣点是否发生位置搬迁，若是，则确定该兴趣点为目标兴趣点。
通过对同一兴趣点的常驻位置进行聚类，实现对常驻位置的分类，聚类结果可以为各常驻位置的分类结果，聚类结果也可以仅包括包含常驻位置较多的类别的常驻位置。
若聚类结果中包含常驻位置最多的一类常驻位置，与兴趣点所在的位置（或原位置）不匹配，则确定该兴趣点发生位置搬迁。原位置为兴趣点的位置更新之前的位置或者兴趣点搬迁之前的位置。
若聚类结果中不存在与电子地图中兴趣点所在的位置（或原位置）匹配的一类常驻位置，则确定该兴趣点发生位置搬迁。
进一步地，聚类结果可以包括聚类得到的各类别的常驻位置，以及各类别的常驻位置对应的关联用户的数量。若对应的关联用户的数量大于预设数量的类别的常驻位置均与电子地图中兴趣点所在的位置（或原位置）不匹配，则确定该兴趣点发生位置搬迁。
预设数量可以基于兴趣点的关联用户的总数量确定，如为总数量的30%、20%、10%或者其他百分比。
示例性的，以兴趣点对应10个关联用户、预设数量为3为例，该10个关联用户常驻位置的聚类结果包括3种类别的常驻位置，即类别p1、类别p2和类别p3，类别p1对应8个关联用户，类别p2对应5个关联用户，类别p3对应1个关联用户。则类别p1和类别p2中的常驻位置均与兴趣点的原位置不匹配，则确定该兴趣点发生搬迁。
针对各目标兴趣点，基于该目标兴趣点各关联用户的定位信息，得到各关联用户的常驻位置，基于该目标兴趣点各关联用户的常驻位置，确定至少一个搬迁候选位置。
示例性的，可以确定对应的关联用户的数量超过预设数量的常驻位置为搬迁候选位置。
在一些实施例中，还可以基于常驻位置的访问时长、访问频率以及对应的关联用户的数量等因素，从该目标兴趣点各关联用户的常驻位置中，确定至少一个搬迁候选位置。
访问时长为关联用户单位时间（如每天）内位于常驻位置的时长，访问频率为关联用户固定时间段内访问常驻位置的频次，如每周、每个月或者其他时间段内访问常驻位置的频次。
进一步地，还可以对同一目标兴趣点各关联用户的定位信息进行空间聚类，基于聚类结果得到至少一个搬迁候选位置。
在得到聚类结果之后，还可以对至少一个搬迁候选位置进行过滤，如过滤掉聚类结果中距离目标兴趣点原位置距离过远的常驻位置，如跨市、跨省的常驻位置，过滤掉非近期的常驻位置，即关联用户近期未访问的常驻位置，如3年、1年或其他时间间隔未访问的常驻位置。
可以设置搬迁候选位置的上限值，如5个、10个或者其他值，以减少数据处理量。
步骤S202，获取所述关联用户在所述目标兴趣点的原位置出现的目标时段，以及获取所述关联用户在各所述搬迁候选位置出现的候选时段。
其中，原位置为目标兴趣点在电子地图中位置更新之前的位置，或者为目标兴趣点搬迁之前的位置。
可以统计关联用户的定位信息，确定关联用户出现在目标兴趣点的原位置和各搬迁候选位置的时段，得到目标时段和候选时段。
当存在多个关联用户时，可以分别统计各关联用户出现在目标兴趣点的原位置和各搬迁候选位置的时段，得到各关联用户对应的目标时段和各关联用户对应的候选时段。
可以以天为单位，统计关联用户每天出现在目标兴趣点原位置的时段（即目标时段），得到目标时段的集合，以及统计关联用户每天出现在搬迁候选位置的时段（即候选时段），得到候选时段的集合。
以公司员工为例，工作日的9:00-17:00为上班时间，则工作日公司员工出现在目标兴趣点原位置的时段（即目标时段）可以为9:00-17:00、8:50-17:20、8:47-17:05或者其他时段。
步骤S203，根据所述目标时段以及所述候选时段，从所述至少一个搬迁候选位置中，预测所述目标兴趣点的搬迁位置。
可以基于目标时段的起始时间与候选时段的起始时间的偏差，以及目标时段的终止时间与候选时段的终止时间的偏差，从至少一个搬迁候选位置中，预测目标兴趣点的搬迁位置。如确定与目标时段的起始时间和终止时间的偏差均小于预设偏差的候选时段对应的搬迁候选位置，为目标兴趣点预测的搬迁位置。预设偏差可以为30min、15min或者其他值。或者确定偏差最小的候选时段对应的搬迁候选位置为目标兴趣点预测的搬迁位置。
在一些实施例中，为了便于计算，还可以将各时段，包括目标时段和候选时段，转换为数值，基于目标时段与候选时段对应的数值之间的差值，从至少一个搬迁候选位置中，预测目标兴趣点的搬迁位置。
可选的，根据所述目标时段以及所述候选时段，从所述至少一个搬迁候选位置中，预测所述目标兴趣点的搬迁位置，包括：
针对各所述搬迁候选位置，计算同一所述关联用户在所述原位置出现的原时段序列和在所述搬迁候选位置出现的候选时段序列的时序相似度；基于所述时序相似度，从所述至少一个搬迁候选位置中，预测所述目标兴趣点的搬迁位置；其中，所述原时段序列包括关联用户在所述原位置出现的多个所述目标时段，所述候选时段序列包括关联用户在搬迁候选位置出现的多个所述候选时段。
针对目标兴趣点的各关联用户，统计一段时间内该关联用户在目标兴趣点的原位置出现的多个目标时段，按照时间先后的顺序，对多个目标时段进行排列，得到该关联用户对应的原时段序列，原时段序列为一个时间序列，用于描述不同时间节点（如不同日期）关联用户出现在原位置的时段。针对各搬迁候选位置以及各关联用户，统计一段时间内该关联用户在该搬迁候选位置的出现的多个候选时段，按照时间先后的顺序，对多个候选时段进行排列，得到该搬迁候选位置下该关联用户对应的候选时段序列，候选时段序列为一个时间序列，用于描述不同时间节点关联用户出现在搬迁候选位置的时段。
针对各搬迁候选位置以及各关联用户，计算该关联用户对应的原时段序列和该搬迁候选位置下该关联用户对应的候选时段序列的时序相似度，得到该搬迁候选位置下该关联用户对应的时序相似度。基于同一搬迁候选位置下各关联用户对应的时序相似度，预测目标兴趣点的搬迁位置。
可以以同一搬迁候选位置下各关联用户对应的时序相似度的平均值、最大值、中值等数值中的一项或多项，表示该搬迁候选位置的匹配度，基于搬迁候选位置的匹配度，从至少一个搬迁候选位置中，预测目标兴趣点的搬迁位置。如确定匹配度最高的搬迁候选位置为预测的目标兴趣点的搬迁位置，或者若匹配度最高的搬迁候选位置的匹配度高于预设匹配度，如90%，则确定匹配度最高的搬迁候选位置为目标兴趣点预测的搬迁位置。
示例性的，以目标兴趣点为银行为例，工作日银行职工的工作时间为9点至17点，则在搬迁前后，银行职工在原位置和搬迁位置的活动的时间段应相近，即都应与时段9点至17点相似，如为8点50分至17点05分。
若不存在匹配度高于预设匹配度的搬迁候选位置，则预测目标兴趣点未搬迁，保留原位置的目标兴趣点。
通过关联用户在目标兴趣点原位置和搬迁候选位置上的活动序列（用户出现的时段组成的时间序列）的相似度，从有限数量的搬迁候选位置中预测兴趣点的搬迁位置，实现了基于关联用户常驻位置的搬迁位置预测，预测准确度高，且计算复杂度较低、易于实现。
可选的，基于所述时序相似度，从所述至少一个搬迁候选位置中，预测所述目标兴趣点的搬迁位置，包括：
将目标时序相似度对应的搬迁候选位置确定为所述目标兴趣点的搬迁位置，所述目标时序相似度为大于或等于预设阈值的时序相似度中的最大值。
示例性的，预设阈值可以为80%、90%、95%或者其他值。
若不存在目标时序相似，则预测目标兴趣点未搬迁，保留原位置的目标兴趣点。
采用上述方式从多个搬迁候选位置中预测兴趣点的搬迁位置，逻辑简单、预测效率高。
本申请提供的搬迁位置预测方法，针对电子地图中兴趣点位置变更挖掘的应用场景，若电子地图中的兴趣点搬迁或者可能搬迁，以该兴趣点为其中一个目标兴趣点，基于目标兴趣点对应的关联用户（如公司员工、店员等）的定位信息，得到一个或多个搬迁候选位置，搬迁候选位置为目标兴趣点可能搬迁的位置，以关联用户为对象确定搬迁候选位置，大大减少了搜索范围，提高了搬迁位置挖掘的效率；为了自动从搬迁候选位置中预测目标兴趣点的搬迁位置，提供了基于用户活动情况的搬迁位置预测，具体为结合关联用户在搬迁候选位置和在目标兴趣点原位置出现的时间段，从搬迁候选位置中预测目标兴趣点的搬迁位置，通过关联用户在原位置点和新的位置点出现的时间段，预测兴趣点的搬迁位置，预测准确度高，且不依赖于用户主动上报的信息，兴趣点搬迁位置预测的自动化程度高。
为了进一步提高搬迁位置预测的准确度，还可以考虑搬迁候选位置以及原位置的描述信息，结合描述信息以及时序相似度，从至少一个搬迁候选位置中，预测所述目标兴趣点的搬迁位置。
可选的，所述方法还包括：获取各所述搬迁候选位置的描述信息，所述描述信息包括位置名称、无线网络（WiFi）名称和位置图像中的一项或多项。相应的，基于所述时序相似度，从所述至少一个搬迁候选位置中，预测所述目标兴趣点的搬迁位置，包括：基于所述时序相似度以及各所述搬迁候选位置的描述信息，从所述至少一个搬迁候选位置中，预测所述目标兴趣点的搬迁位置。
搬迁候选位置的位置图像中包括搬迁候选位置的位置标识的一部分，位置标识可以为招牌、门牌、标志（Logo）等。
在一些实施例中，描述信息可以为文本信息，可以基于采集的位置图像提取得到描述信息，还可以由用户上传，该文本信息包括位置名称、无线网络名称等。
示例性的，位置名称可以通过位置图像中拍摄的兴趣点的招牌的图像提取得到。
原位置的描述信息可以基于记录的目标兴趣点的属性得到，即以目标兴趣点的位置名称、WiFi名称和位置图像为原位置的位置名称、WiFi名称和位置图像。
搬迁位置的描述信息中的位置图像，可以由采集车采集。如可以通过采集车采集的街景图像分割得到原位置或搬迁位置的位置图像。
搬迁位置的描述信息中的WiFi名称可以由目标兴趣点的关联用户上传，或者通过提取位置图像中WiFi名称对应的图像的方式得到。
具体的，可以基于时序相似度以及描述信息，对搬迁候选位置进行筛选，若筛选后的搬迁候选位置为一个，则确定该搬迁候选位置为预测的目标兴趣点的搬迁位置；若筛选后的搬迁候选位置为多个，则确定其中时序相似度最高的搬迁候选位置为预测的目标兴趣点的搬迁位置。
在一些实施例中，可以基于搬迁候选位置的描述信息中各项与原位置的描述信息中各项的相似度，确定搬迁候选位置的第一得分，基于搬迁候选位置下各关联用户对应的时序相似度，确定搬迁位置的第二得分；基于第一得分和第二得分，从至少一个搬迁候选位置中，预测目标兴趣点的搬迁位置。
示例性的，确定第一得分和第二得分的加权平均值最大的搬迁候选位置为目标兴趣点预测的搬迁位置。
可以先分别基于第一得分和第二得分，对搬迁候选位置进行筛选，以过滤第一得分和第二得分低于对应阈值的搬迁候选位置。对于筛选后的搬迁候选位置，计算该搬迁候选位置的第一得分和第二得分的加权平均值，确定加权平均值最高的搬迁候选位置为目标兴趣点预测的搬迁位置。
可选的，所述方法还包括：
若所述至少一个搬迁候选位置为所述原位置，或者，若预测的所述目标兴趣点的搬迁位置为空，则在电子地图上保留位于所述原位置的所述目标兴趣点。
至少一个搬迁候选位置为原位置，则表示关联用户的常驻位置未发生变更，则确定目标兴趣点未搬迁，在电子地图中保留该目标兴趣点，即无需更新该目标兴趣点在电子地图中的位置。
基于上述实施例提供的方法未预测出目标兴趣点的搬迁位置，或预测的搬迁位置为空，如各搬迁候选位置的时序相似度均较低，则可以为该目标兴趣点添加复核标签，先在电子地图中保留该目标兴趣点，由人工对添加复核标签的目标兴趣点进行线下复核，以判断该目标兴趣点是否搬迁，即由人工进行添加复核标签的目标兴趣点的搬迁位置挖掘。
通过前述搬迁位置预测方法，实现了大多数兴趣点搬迁位置的自动确定，为了确保搬迁位置挖掘的全面性，对于一些未能自动预测搬迁位置的兴趣点，通过添加特定标签的方式，由人工实现少量兴趣点搬迁位置的挖掘。
图3为本申请实施例提供的另一种搬迁位置预测方法的流程示意图，本实施例是在图2所示实施例的基础上，对步骤S201和S203进行进一步细化，以及在步骤S203之后增加预测的搬迁位置优化的步骤。
如图3所示，本实施例提供的搬迁位置预测方法可以包括以下步骤：
步骤S301，针对目标兴趣点的各关联用户，基于所述关联用户的定位信息，确定所述关联用户的常驻位置。
其中，常驻位置为用户长期活动的位置，如公司、小区等。
目标兴趣点对应多个关联用户，通过关联用户在使用电子地图时获取的关联用户的定位信息，统计各定位信息单位时间内的停留时间，基于停留的时间，确定关联用户的常驻位置。一个关联用户的常驻位置的数量可以为一个也可以为多个，如常驻位置可以包括公司的地址和家庭住址。
还可以基于为定位信息出现的频次以及停留时间，确定常驻位置。
可以先对同一关联用户的定位信息进行聚合，得到该关联用户对应的一个或多个聚合位置，基于各聚合位置中各定位信息停留时间的总和，从一个或多个聚合位置中确定该关联用户的常驻位置。
针对各关联用户，可以对该关联用户对应的距离较近（如小于预设距离阈值）的多个定位信息进行合并，得到该关联用户对应的多个合并位置，基于各合并位置中各定位信息停留时间的总和，从多个合并位置中确定关联用户的常驻位置。
步骤S302，对所述目标兴趣点的各关联用户的常驻位置进行聚类，得到至少一个搬迁候选位置。
可以采用任意一种聚类算法，对各关联用户的常驻位置进行空间聚类，本申请对此不进行限定，如可以采用DBSCAN（Density-Based Spatial Clustering ofApplications with Noise，基于密度的噪点空间聚类法）算法、OPTICS（Ordering Pointsto Identify the Clustering Structure，基于点排序的聚簇结构识别）算法等聚类算法。
对同一目标兴趣点的多个关联用户的常驻位置进行聚类，将距离较近的常驻位置聚集为一个位置簇，基于各位置簇中常驻位置的数量、对应的关联用户的数量、常驻位置的停留时间等因素，从多个位置簇中确定一个或多个目标位置簇，以目标位置簇对应的位置为搬迁候选位置。目标位置簇对应的位置可以为目标位置簇中各常驻位置的平均值，或者为目标位置簇中任意一个常驻位置。
示例性的，图4为本申请图3所示实施例中对常驻位置进行聚类过程的示意图，如图3所示，为了便于说明，图3以目标兴趣点对应5个关联用户为例，目标兴趣点的关联用户u41至关联用户u45均在城市A活动，关联用户u41的常驻位置为位置p41、位置p42和位置p43，关联用户u42的常驻位置为位置p42和位置p44，关联用户u43的常驻位置为位置p45和位置p46，关联用户u44的常驻位置为位置p41、位置p47和位置p48，关联用户u45的常驻位置为位置p43、位置p46和位置p49，位置p48为目标兴趣点的原位置。各常驻位置的分布情况如图4所示。对位置p41至位置p49进行空间聚类，将距离较近的常驻位置聚集在一起，如位置p41、p44和p49，得到两个位置簇，位置簇c1和位置簇c2。一个位置簇对应一个搬迁候选位置，如可以确定位置簇中对应关联用户数量最多的常驻位置，即位置p41和位置p43，为目标兴趣点的搬迁候选位置，还可以计算位置簇中各常驻位置的平均值，得到该位置簇对应的搬迁候选位置。
搬迁候选位置也可以对应电子地图上的一个兴趣点。
步骤S303，针对各所述搬迁候选位置，计算同一所述关联用户在所述原位置出现的原时段序列和在所述搬迁候选位置出现的候选时段序列的时序相似度。
其中，原时段序列包括关联用户在目标兴趣点原位置出现的多个时段（目标时段），候选时段序列包括关联用户在搬迁候选位置出现的多个时段（候选时段）。
原时段序列和候选时段序列均为时间序列，其中包括按照时间先后顺序排列的多个时段。
在目标兴趣点搬迁之前一段时间，如一个月、一周或者其他时间段，统计该段时间内每天目标兴趣点的各关联用户在目标兴趣点原位置出现的时段，得到多个目标时段，按照时间先后顺序对多个目标时段进行排序，得到原时段序列。采用类似的方式，得到候选时段序列。
针对目标兴趣点的各搬迁候选位置，遍历该目标兴趣点的各关联用户，计算关联用户对应的原时段序列与在该搬迁候选位置下该关联用户对应的候选时段序列的相似度，得到该搬迁候选位置下各关联用户对应的多个时序相似度。
针对两个时间序列，即原时段序列和候选时段序列，可以基于时序相似度计算模型，计算一组原时段序列和候选时段序列的相似度。
示例性的，该时序相似度计算模型可以为无监督的DTW（Dynamic Time Warping、动态时间规整）算法、有监督的RNN（Recurrent Neural Network，循环神经网络）模型等，本申请对时序相似度计算模型不进行限定。
步骤S304，获取各所述搬迁候选位置的描述信息，以及获取所述原位置的描述信息。
描述信息包括位置名称、WiFi名称、位置图像等信息。位置名称可以为对应的兴趣点的名称，如XX大学、XX医院、XX酒店等，也可以为用于描述位置的地址，如所在的街道以及门牌号。位置图像可以为消费者、关联用户等拍摄的目标兴趣点的图像，该位置图像中至少包括对应的兴趣点的标识信息的一部分。兴趣点的标识信息可以为目标兴趣点的名称、目标兴趣点的标志等。
示例性的，图5为本申请图4所示实施例中描述信息的示意图，如图5所示，兴趣点XX酒店的描述信息中的位置名称为A市B区C街104号，WiFi名称为XXjiudian2，位置图像中包括XX酒店的招牌的一部分，如“XX酒”。
步骤S305，计算各所述搬迁候选位置的描述信息与所述原位置的描述信息的信息相似度。
以下以描述信息包括位置名称、WiFi名称和位置图像为例进行本步骤说明，当描述信息中包括位置名称、WiFi名称和位置图像中的部分项时，可以通过省略缺少的项对应的步骤的方式实现。
对于搬迁候选位置或原位置，提取位置图像中的文字信息，如基于OCR（OpticalCharacter Recognition，光学字符识别）算法，提取位置图像中的文字信息，如位置图像中对应的兴趣点的挂牌名称、营业执照中的文字信息等；比较搬迁候选位置与原位置提取的位置图像中的文字信息、位置名称以及WiFi名称，得到搬迁候选位置与原位置描述信息的相似度。
可以通过语义匹配模型确定搬迁候选位置与原位置各项描述信息之间的相似度，综合三项描述信息（即提取的位置图像中的文字信息、位置名称和WiFi名称）的相似度，得到搬迁候选位置与原位置的信息相似度。如确定信息相似度为三项描述信息的相似度的最大值、平均值或中值。
示例性的，语义匹配模型可以为基于无监督的Jaccard相似系数（Jaccardsimilarity coefficient）的模型、有监督的Bert（Bidirectional EncoderRepresentations fromTransformers，基于Transformers的双向编码器表示）模型等。
在一些实施例中，还可以基于编辑距离确定搬迁候选位置与原位置各项描述信息之间的相似度。
若未提供搬迁候选位置的描述信息，则记录该搬迁候选位置的信息相似度缺省，优先确定计算得到时序相似度和信息相似度的搬迁候选位置为预测的搬迁位置，若计算得到时序相似度和信息相似度的搬迁候选位置中未能预测得到搬迁位置，即计算得到时序相似度和信息相似度的搬迁候选位置的时序相似度和信息相似度均不满足预设条件，预设条件可以为时序相似度大于第一预设阈值和信息相似度大于第二预设阈值，则判断信息相似度缺省的搬迁候选位置的时序相似度是否为搬迁候选位置的时序相似度中的最大值，且大于第三预设阈值，若是，则以该信息相似度缺省的搬迁候选位置为预测的搬迁位置，其中，第三预设阈值大于第一预设阈值。
示例性的，第一预设阈值可以为85%、90%、92%或者其他值，第三预设阈值可以为90%、95%、98%或者其他值。
步骤S306，基于所述时序相似度以及所述信息相似度，从所述至少一个搬迁候选位置中，预测所述目标兴趣点的搬迁位置。
时序相似度和信息相似度可以为位于0~1之间的小数或百分数。
在得到各搬迁候选位置的时序相似度以及信息相似度之后，可以直接确定时序相似度和信息相似度的加权平均值最大的搬迁候选位置为预测的目标兴趣点的搬迁位置。
在一些实施例中，可以基于时序相似度和信息相似度，对搬迁候选位置进行筛选，以过滤掉时序相似度或信息相似度低于对应的相似度阈值的搬迁候选位置。
时序相似度对应的相似度阈值大于信息相似度对应的相似度阈值。
示例性的，时序相似度对应的相似度阈值可以为0.8、0.85或者其他值，信息相似度对应的相似度阈值可以为0.6、0.75或者其他值。
若筛选后的搬迁候选位置的数量为多个，则可以确定时序相似度和信息相似度的加权平均值最大的搬迁候选位置为预测的目标兴趣点的搬迁位置。还可以直接确定筛选后的搬迁候选位置中时序相似度最大的搬迁候选位置为预测的目标兴趣点的搬迁位置。
若筛选后的搬迁候选位置的数量为1个，则可以直接确定该筛选后的搬迁候选位置为预测的目标兴趣点的搬迁位置。
若筛选后的搬迁候选位置的数量为0，则在电子地图上保留原位置的该目标兴趣点，并为目标兴趣点添加复核标签，以指示对该目标兴趣点的搬迁位置进行人工挖掘。
可选的，基于所述时序相似度以及所述信息相似度，从所述至少一个搬迁候选位置中，预测所述目标兴趣点的搬迁位置，包括：
基于所述时序相似度以及所述信息相似度，确定各所述搬迁候选位置的匹配度；若所述匹配度中最大值大于预设匹配度，则确定所述匹配度的最大值对应的搬迁候选位置为所述目标兴趣点的搬迁位置。
搬迁候选位置的匹配度可以为时序相似度和信息相似度的加权平均值。其中，时序相似度的权重大于信息相似度的权重。
示例性的，时序相似度的权重为0.8，信息相似度的权重为0.2。
匹配度可以为位于0~1之间的小数或百分数。示例性的，预设匹配度可以为90%、95%或者其他值。
步骤S307，当预测的所述搬迁位置对应的地理要素不为楼块时，将所述搬迁位置调整为与所述搬迁位置距离最近的楼块上。
在预测出目标兴趣点的搬迁位置之后，还需要对该搬迁位置进行优化，以使搬迁位置位于楼块上。楼块为电子地图上的建筑物的表示。
受到定位信息的精度的影响，预测的搬迁位置可能存在压路、压水体、压绿化带等问题。压路具体表现为预测的搬迁位置处的地理要素为道路，压水体具体表现为预测的搬迁位置处的地理要素为水体，如河流、湖泊等，压绿化带具体表现为预测的搬迁位置处的地理要素为绿化带。
在得到预测的搬迁位置之后，需先判断该预测的搬迁位置是否位于楼块上，若否，则将对搬迁位置进行优化，以将搬迁位置吸附或平移至距离最近的楼块上，即将搬迁位置调整为与搬迁位置距离最近的楼块上。
可以通过判断预测的搬迁位置处的地理要素是否为楼块的方式，判断该预测的搬迁位置是否位于楼块上。
示例性的，图6为本申请图3所示实施例中预测的搬迁位置优化的示意图，如图6所示，以2个目标兴趣点为例，预测的一个目标兴趣点（如饭店）的搬迁位置为p61，另一个目标兴趣点（如商店）的搬迁位置为p62。搬迁位置p62处对应楼块2，即搬迁位置p62对应的地理要素为楼块，则无需对搬迁位置p62进行优化。搬迁位置p61对应的地理要素为绿化带，则需要对搬迁位置p61进行优化，具体可以为平移至距离最近的楼块即楼块1上，优化后的搬迁位置为图6中位置p63。
在本实施例中，基于关联用户的常驻位置，聚类得到兴趣点可能搬迁的有限个搬迁候选位置，以关联用户的常驻位置为搜索范围进行搬迁候选位置的搜索，大大缩小了搜索范围，提高了搬迁候选位置搜索的效率，同时采用聚类方式，减少了部分定位信息偏移对候选搬迁位置的影响；为了从搬迁候选位置中精准地确定兴趣点的搬迁位置，提供了结合关联用户活动时间段的相似度以及位置描述信息的相似度，进行搬迁位置预测的方案，通过多维度信息进行搬迁位置预测，提高了预测的准确度；在得到预测的搬迁位置之后，还提供了非楼块搬迁位置的优化，以避免搬迁位置出现压路面、压水体等现象，进一步提高了搬迁位置预测的准确度。
可选的，在预测所述目标兴趣点的搬迁位置之后，该搬迁位置预测方法还包括：
在电子地图上删除位于所述原位置的目标兴趣点；在所述电子地图预测的所述搬迁位置上添加所述目标兴趣点，并继承位于所述原位置的目标兴趣点的属性信息，所述属性信息包括名称、类型和标签中的一项或多项。
图7为本申请实施例提供的又一种搬迁位置预测方法的流程示意图，本实施例是在图2所示实施例的基础上，对步骤S203的进一步细化，以及在步骤S203之后增加删除原位置的兴趣点以及添加预测的搬迁位置的兴趣点的步骤。
如图7所示，本实施例提供的搬迁位置预测方法可以包括以下步骤：
步骤S701，基于目标兴趣点的关联用户的定位信息，确定所述目标兴趣点的至少一个搬迁候选位置。
步骤S702，针对各所述搬迁候选位置，计算同一所述关联用户在所述原位置出现的原时段序列和在所述搬迁候选位置出现的候选时段序列的时序相似度。
步骤S703，基于所述时序相似度，对所述至少一个搬迁候选位置进行筛选，得到搬迁目标位置。
具体的，可以过滤掉时序相似度小于第一阈值的搬迁候选位置，即将时序相似度大于或等于第一阈值的搬迁候选位置确定为搬迁目标位置。
第一阈值可以为80%、90%或者其他值。
当关联用户为多个时，若在搬迁候选位置下任意一个关联用户对应的时序相似度小于第一阈值，则删除该搬迁候选位置。或者若搬迁候选位置下各联用户对应的时序相似度的平均值小于第一阈值，则删除该搬迁候选位置。还可以采用其他方式，基于时序相似度对搬迁候选位置进行筛选，本申请对此不进行限定。
步骤S704，获取所述搬迁目标位置的描述信息以及获取所述原位置的描述信息。
其中，描述信息包括位置名称、无线网络名称和位置图像中的一项或多项。
步骤S705，计算所述搬迁目标位置的描述信息与所述原位置的描述信息的信息相似度。
本步骤与步骤S305类似，仅将搬迁候选位置替换为搬迁目标位置即可，可参照步骤S305计算搬迁目标位置与原位置的描述信息的信息相似度，在此不再赘述。
步骤S706，基于所述信息相似度，从所述搬迁目标位置中，预测所述目标兴趣点的搬迁位置。
可以确定信息相似度最高的搬迁目标位置为预测的目标兴趣点的搬迁位置。
还可以确定信息相似度高于第二阈值的搬迁目标位置中，信息相似度最高的搬迁目标位置为预测的目标兴趣点的搬迁位置。
在一些实施例中，可以按照信息相似度由高到低的顺序，对搬迁目标位置进行排序，取排序结果中第一个搬迁目标位置，判断该搬迁目标位置的信息相似度是否大于第二阈值，若是，则确定该搬迁目标位置为预测的目标兴趣点的搬迁位置；若否，则预测的目标兴趣点的搬迁位置为空，在电子地图上保留原位置的目标兴趣点，并为目标兴趣点添加复核标签，以进行目标兴趣点搬迁位置的人工挖掘。
在为各目标兴趣点预测搬迁位置之后，还需要执行步骤S707和步骤S708以实现原位置的目标兴趣点的下线处理，以及在预测的搬迁位置添加目标兴趣点，以更新电子地图。
步骤S707，在电子地图上删除位于所述原位置的目标兴趣点。
步骤S708，在所述电子地图预测的所述搬迁位置上添加所述目标兴趣点，并继承位于所述原位置的目标兴趣点的属性信息。
目标兴趣点由原位置搬迁至预测的搬迁位置，需在电子地图上对原位置的目标兴趣点进行下线处理，如删除原位置的目标兴趣点或者将原位置的目标兴趣点的状态设置为已搬迁；同时，需在电子地图预测的搬迁位置处添加该目标兴趣点，并使搬迁位置处添加的目标兴趣点继承原位置的目标兴趣点的属性信息，以实现电子地图的更新。
其中，属性信息包括名称、类型和标签中的一项或多项。
在本实施例中，先基于关联用户的活动时段组成的时序的相似度，对搬迁候选位置筛选，减少了后续步骤需处理的位置的数量，从而减少了数据处理量；再结合描述信息的相似度从筛选后的搬迁候选位置中预测兴趣点的搬迁位置，结合了时序和描述信息两种类型的参数进行搬迁位置预测，提高了搬迁位置预测的准确度；在得到兴趣点的新位置（预测的搬迁位置）之后，自动进行原位置的兴趣点的下线以及新位置的兴趣点的添加，实现了搬迁兴趣点的自动感知和更新，大大减少了电子地图的人工维护的工作量。
图8为本申请实施例提供的另一种搬迁位置预测方法的流程示意图，如图8所示，该电子地图更新方法包括5个阶段：粗召阶段、第一精召阶段、第二精召阶段、排序/优化阶段以及输出/处理阶段；涉及电子地图更新设备的方法层和数据层。
在粗召阶段和第一精召阶段均依赖数据层提供的用户定位。在第二精召阶段则依赖数据层提供的WiFi名称、位置图像等数据。
在粗召阶段，基于POI（如目标兴趣点，图8中以兴趣点为咖啡馆为例）关联用户的定位，得到关联用户的常驻位置，对常驻位置进行空间聚类，并过滤掉与POI原位置距离过远的点，如跨市、跨省的常驻位置，以及过滤掉非近期出现的点，如关联用户很早之前的常驻位置，将得到的有限个聚类点作为搬迁候选位置，图8中以3个为例。
在第一精召阶段，关联用户各个时间采集的定位构成关联用户的活动时序，通过时序相似度模型计算关联用户在POI的原位置以及搬迁候选位置上的活动时序的相似度，即上述时序相似度。通过活动时序的相似度，对搬迁候选位置进行筛选。
可以基于关联用户的定位，统计关联用户在POI的原位置以及各候选搬迁出现定位的时段，图8中以天为单位，进行活动序列的采集，用户活动曲线坐标轴的纵轴为信号强度，横轴为时间，基于关联用户多条用户活动曲线可以得到关联用户的活动时序。
仅基于时序特征进行搬迁位置挖掘，无法克服由于员工离职导致的搬迁位置误判的问题，故而在第一精召阶段的基础上，引入了第二精召阶段。且第一精召阶段与粗召阶段所依赖的数据均为用户定位，数据维度较单一，当用户定位精准度较低时，将影响搬迁位置预测的准确度。
在第二精召阶段，为了弥补用户定位的不足，引入语义信息以增强搬迁候选位置的置信度。所引入的语义信息具体包括WiFi名称以及提取的位置图像中的挂牌文本。通过语义匹配模型，对原位置和搬迁候选位置的语义信息进行相似度计算，得到上述信息相似度。基于信息相似度确定搬迁候选位置的置信度，若存在置信度高于预设值的搬迁候选位置，则从置信度高于预设值的搬迁候选位置中确定POI的搬迁位置。
信息相似度越高，搬迁候选位置的置信度越高。
示例性的，设值可以为90%、95%或者其他值。
在排序/优化阶段，基于两个精召阶段计算的两个相似度，即时序相似度和信息相似度，对搬迁候选位置进行排序，排序第一位（rank1）且时序相似度和信息相似度均超过对应相似度阈值的搬迁候选位置为预测的搬迁位置。此外，考虑到预测的搬迁位置的坐标可能存在压路、压水体或绿化带等的问题，还需对预测的搬迁位置进行优化，具体为将预测的搬迁位置吸附或者平移到与预测的搬迁位置距离最近的楼块上。
可以基于电子地图中预测的搬迁位置处的地理要素，如楼块、水体、道路、绿化带等，判断预测的搬迁位置是否需要优化，若预测的搬迁位置处的地理要素不是楼块，则需要优化，将预测的搬迁位置调整至楼块内。
在输出/处理阶段，对原兴趣点（原位置的POI）进行下线处理，在预测的搬迁位置添加POI并继承原兴趣点的名称、类型等属性，实现过期POI的下线以及新位置POI的新增，一体化解决POI从过期到新增的问题。
本申请实施例还提供一种电子地图更新方法，该方法包括：
在检测到兴趣点的搬迁位置后，将地图上所述兴趣点的位置更新为所述搬迁位置；其中，所述搬迁位置为基于本申请任意实施例提供的搬迁位置预测方法得到的。
搬迁位置预测设备或装置，在为一个兴趣点预测搬迁位置之后，将该兴趣点预测的搬迁位置发送至电子地图更新设备，电子地图更新设备接收兴趣点预测的搬迁位置，并将地图上该兴趣点的位置更新为该预测的搬迁位置。
将地图上兴趣点的位置更新为搬迁位置，具体为：在电子地图上删除位于原位置的兴趣点；在电子地图该搬迁位置上添加该兴趣点，并继承位于原位置的兴趣点的属性信息。
图9为本申请实施例提供的一种搬迁位置预测装置的结构示意图，如图9所示，该搬迁位置预测装置包括：候选位置确定模块910、时段获取模块920和搬迁位置预测模块930。
候选位置确定模块910用于基于目标兴趣点的关联用户的定位信息，确定所述目标兴趣点的至少一个搬迁候选位置；时段获取模块920用于获取所述关联用户在所述目标兴趣点的原位置出现的目标时段，以及获取所述关联用户在各所述搬迁候选位置出现的候选时段，所述原位置为所述目标兴趣点在电子地图中位置更新之前的位置；搬迁位置预测模块930用于根据所述目标时段以及所述候选时段，从所述搬迁候选位置中，预测所述目标兴趣点的搬迁位置。
可选的，搬迁位置预测模块930，包括：
时序相似度计算单元，用于针对各所述搬迁候选位置，计算同一所述关联用户在所述原位置出现的原时段序列和在所述搬迁候选位置出现的候选时段序列的时序相似度；搬迁位置预测单元，用于基于所述时序相似度，从所述至少一个搬迁候选位置中，预测所述目标兴趣点的搬迁位置；其中，所述原时段序列包括关联用户在所述原位置出现的多个所述目标时段，所述候选时段序列包括关联用户在搬迁候选位置出现的多个所述候选时段。
可选的，搬迁位置预测单元，具体用于：
将目标时序相似度对应的搬迁候选位置确定为所述目标兴趣点的搬迁位置，所述目标时序相似度为大于或等于预设阈值的时序相似度中的最大值。
可选的，所述装置还包括：
描述信息获取单元，用于获取各所述搬迁候选位置的描述信息，所述描述信息包括位置名称、无线网络名称和位置图像中的一项或多项。
相应的，搬迁位置预测单元，具体用于：
基于所述时序相似度以及各所述搬迁候选位置的描述信息，从所述至少一个搬迁候选位置中，预测所述目标兴趣点的搬迁位置。
可选的，搬迁位置预测单元，包括：
信息获取子单元，用于获取所述原位置的描述信息；相似度计算子单元，用于计算各所述搬迁候选位置的描述信息与所述原位置的描述信息的信息相似度；搬迁位置预测子单元，用于基于所述时序相似度以及所述信息相似度，从所述至少一个搬迁候选位置中，预测所述目标兴趣点的搬迁位置。
可选的，搬迁位置预测子单元，具体用于：
基于所述时序相似度以及所述信息相似度，确定各所述搬迁候选位置的匹配度；若所述匹配度中最大值大于预设匹配度，则确定所述匹配度的最大值对应的搬迁候选位置为所述目标兴趣点的搬迁位置。
可选的，搬迁位置预测单元，具体用于：
基于所述时序相似度，对所述至少一个搬迁候选位置进行筛选，得到搬迁目标位置；获取所述搬迁目标位置的描述信息以及获取所述原位置的描述信息；计算所述搬迁目标位置的描述信息与所述原位置的描述信息的信息相似度；基于所述信息相似度，从所述搬迁目标位置中，预测所述目标兴趣点的搬迁位置。
可选的，候选位置确定模块910，具体用于：
针对所述目标兴趣点的各关联用户，基于所述关联用户的定位信息，确定所述关联用户的常驻位置；对所述目标兴趣点的各关联用户的常驻位置进行聚类，得到所述至少一个搬迁候选位置。
可选的，所述装置还包括：
预测位置优化模块，用于当预测的所述搬迁位置对应的地理要素不为楼块时，将所述搬迁位置调整为与所述搬迁位置距离最近的楼块上。
可选的，所述装置还包括：
兴趣点增减模块，用于在电子地图上删除位于所述原位置的目标兴趣点，以及在所述电子地图预测的所述搬迁位置上添加所述目标兴趣点，并继承位于所述原位置的目标兴趣点的属性信息，所述属性信息包括名称、类型和标签中的一项或多项。
可选的，所述装置还包括：
兴趣点保留模块，用于若所述至少一个搬迁候选位置为所述原位置，或者，若预测的所述目标兴趣点的搬迁位置为空，则在电子地图上保留位于所述原位置的所述目标兴趣点。
本申请实施例提供的搬迁位置预测装置，可用于执行本申请上述任意实施例提供的搬迁位置预测方法的技术方案，其实现原理和技术效果类似，本实施例此处不再赘述。
本申请实施例还提供一种地图更新装置，用于在检测到兴趣点的搬迁位置后，将地图上所述兴趣点的位置更新为所述搬迁位置；其中，所述搬迁位置为基于本申请上述任意实施例提供的搬迁位置预测方法得到的。
图10为本申请实施例提供的一种电子设备的结构示意图，如图10所示，本实施例的提供的电子设备1000包括：
至少一个处理器1010；以及与所述至少一个处理器通信连接的存储器1020；其中，所述存储器1020存储有计算机执行指令；所述至少一个处理器1010执行所述存储器存储的计算机执行指令，以使电子设备1000执行如前述任一实施例提供的方法。
可选的，存储器1020既可以是独立的，也可以跟处理器1010集成在一起。
本实施例提供的电子设备的实现原理和技术效果可以参见前述各实施例，此处不再赘述。
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中存储有计算机执行指令，当所述计算机执行指令被处理器执行时，可以实现前述任一实施例提供的方法。
本申请实施例还提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现前述任一实施例提供的方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块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（可以是个人计算机，服务器，或者网络设备等）或处理器执行本申请各个实施例所述方法的部分步骤。
应理解，上述处理器可以是中央处理单元（Central Processing Unit，简称CPU），还可以是其它通用处理器、数字信号处理器（Digital Signal Processor，简称DSP）、专用集成电路（Application Specific Integrated Circuit，简称ASIC）等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合申请所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。存储器可能包含高速存储器，也可能还包括非易失性存储器，例如至少一个磁盘存储器，还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器，电可擦除可编程只读存储器，可擦除可编程只读存储器，可编程只读存储器，只读存储器，磁存储器，快闪存储器，磁盘或光盘。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。
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专用集成电路中。当然，处理器和存储介质也可以作为分立组件存在于电子设备或搬迁位置预测设备中。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献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（如只读存储器、随机存取存储器、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，空调器，或者网络设备等）执行本申请各个实施例提供的方法。
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。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求书指出。
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书来限制。

Claims (13)

1.一种搬迁位置预测方法，其特征在于，包括：
基于目标兴趣点的关联用户的定位信息，确定所述目标兴趣点的至少一个搬迁候选位置；
获取所述关联用户在所述目标兴趣点的原位置出现的目标时段，以及获取所述关联用户在各所述搬迁候选位置出现的候选时段，所述原位置为所述目标兴趣点在电子地图中位置更新之前的位置；
根据所述目标时段以及所述候选时段，从所述至少一个搬迁候选位置中，预测所述目标兴趣点的搬迁位置；
其中，根据所述目标时段以及所述候选时段，从所述至少一个搬迁候选位置中，预测所述目标兴趣点的搬迁位置，包括：
根据所述目标时段与所述候选时段的相似度，从所述至少一个搬迁候选位置中，预测所述目标兴趣点的搬迁位置，所述目标时段与所述候选时段的相似度采用下述任意一项表示：所述目标时段与所述候选时段起始时间的偏差以及终止时间的偏差，所述目标时段与所述候选时段对应的数值的差值，多个所述目标时段组成的原时段序列与多个所述候选时段组成的候选时段序列的时序相似度。
2.根据权利要求1所述的方法，其特征在于，根据所述目标时段以及所述候选时段，从所述至少一个搬迁候选位置中，预测所述目标兴趣点的搬迁位置，包括：
针对各所述搬迁候选位置，计算同一所述关联用户在所述原位置出现的原时段序列和在所述搬迁候选位置出现的候选时段序列的时序相似度；
基于所述时序相似度，从所述至少一个搬迁候选位置中，预测所述目标兴趣点的搬迁位置；
其中，所述原时段序列包括关联用户在所述原位置出现的多个所述目标时段，所述候选时段序列包括关联用户在搬迁候选位置出现的多个所述候选时段。
3.根据权利要求2所述的方法，其特征在于，基于所述时序相似度，从所述至少一个搬迁候选位置中，预测所述目标兴趣点的搬迁位置，包括：
将目标时序相似度对应的搬迁候选位置确定为所述目标兴趣点的搬迁位置，所述目标时序相似度为大于或等于预设阈值的时序相似度中的最大值。
4.根据权利要求2所述的方法，其特征在于，所述方法还包括：
获取各所述搬迁候选位置的描述信息，所述描述信息包括位置名称、无线网络名称和位置图像中的一项或多项；
基于所述时序相似度，从所述至少一个搬迁候选位置中，预测所述目标兴趣点的搬迁位置，包括：
基于所述时序相似度以及各所述搬迁候选位置的描述信息，从所述至少一个搬迁候选位置中，预测所述目标兴趣点的搬迁位置。
5.根据权利要求4所述的方法，其特征在于，基于所述时序相似度以及各所述搬迁候选位置的描述信息，从所述至少一个搬迁候选位置中，预测所述目标兴趣点的搬迁位置，包括：
获取所述原位置的描述信息；
计算各所述搬迁候选位置的描述信息与所述原位置的描述信息的信息相似度；
基于所述时序相似度以及所述信息相似度，从所述至少一个搬迁候选位置中，预测所述目标兴趣点的搬迁位置。
6.根据权利要求2所述的方法，其特征在于，基于所述时序相似度，从所述至少一个搬迁候选位置中，预测所述目标兴趣点的搬迁位置，包括：
基于所述时序相似度，对所述至少一个搬迁候选位置进行筛选，得到搬迁目标位置；
获取所述搬迁目标位置的描述信息以及获取所述原位置的描述信息；
计算所述搬迁目标位置的描述信息与所述原位置的描述信息的信息相似度；
基于所述信息相似度，从所述搬迁目标位置中，预测所述目标兴趣点的搬迁位置。
7.根据权利要求1-6任一项所述的方法，其特征在于，基于目标兴趣点的关联用户的定位信息，确定所述目标兴趣点的至少一个搬迁候选位置，包括：
针对所述目标兴趣点的各关联用户，基于所述关联用户的定位信息，确定所述关联用户的常驻位置；
对所述目标兴趣点的各关联用户的常驻位置进行聚类，得到所述至少一个搬迁候选位置。
8.根据权利要求1-6任一项所述的方法，其特征在于，当预测的所述搬迁位置对应的地理要素不为楼块时，所述方法还包括：
将所述搬迁位置调整为与所述搬迁位置距离最近的楼块上。
9.根据权利要求1-6任一项所述的方法，其特征在于，所述方法还包括：
若所述至少一个搬迁候选位置为所述原位置，或者，若预测的所述目标兴趣点的搬迁位置为空，则在电子地图上保留位于所述原位置的所述目标兴趣点。
10.一种地图更新方法，其特征在于，包括：
在检测到兴趣点的预测搬迁位置后，将地图上所述兴趣点的位置更新为所述预测搬迁位置；
其中，所述预测搬迁位置为基于权利要求1-9任一项所述的方法得到的。
11.一种搬迁位置预测装置，其特征在于，包括：
候选位置确定模块，用于基于目标兴趣点的关联用户的定位信息，确定所述目标兴趣点的至少一个搬迁候选位置；
时段获取模块，用于获取所述关联用户在所述目标兴趣点的原位置出现的目标时段，以及获取所述关联用户在各所述搬迁候选位置出现的候选时段，所述原位置为所述目标兴趣点在电子地图中位置更新之前的位置；
搬迁位置预测模块，用于根据所述目标时段与所述候选时段的相似度，从所述搬迁候选位置中，预测所述目标兴趣点的搬迁位置，所述目标时段与所述候选时段的相似度采用下述任意一项表示：所述目标时段与所述候选时段的偏差，所述目标时段与所述候选时段对应的数值的差值，多个所述目标时段组成的原时段序列与多个所述候选时段组成的候选时段序列的时序相似度。
12.一种电子设备，其特征在于，包括：
处理器，以及与所述处理器通信连接的存储器；
所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，以实现如权利要求1-10任一项所述的方法。
13.一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中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求1-10任一项所述的方法。
CN202311083320.3A 2023-08-28 2023-08-28 搬迁位置预测方法、地图更新方法、装置及设备 Active CN116842123B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311083320.3A CN116842123B (zh) 2023-08-28 2023-08-28 搬迁位置预测方法、地图更新方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311083320.3A CN116842123B (zh) 2023-08-28 2023-08-28 搬迁位置预测方法、地图更新方法、装置及设备

Publications (2)

Publication Number Publication Date
CN116842123A CN116842123A (zh) 2023-10-03
CN116842123B true CN116842123B (zh) 2023-11-28

Family

ID=88162014

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311083320.3A Active CN116842123B (zh) 2023-08-28 2023-08-28 搬迁位置预测方法、地图更新方法、装置及设备

Country Status (1)

Country Link
CN (1) CN116842123B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102576064A (zh) * 2009-10-12 2012-07-11 高通股份有限公司 用于标识预定义区域内的兴趣点的方法和装置
CN107729459A (zh) * 2017-09-30 2018-02-23 百度在线网络技术（北京）有限公司 地图兴趣点失效挖掘方法、装置、设备和计算机可读存储介质
CN109522895A (zh) * 2018-11-15 2019-03-26 百度在线网络技术（北京）有限公司 兴趣点位置校验方法、装置、服务器和计算机可读介质
CN110276023A (zh) * 2019-06-20 2019-09-24 北京百度网讯科技有限公司 Poi变迁事件发现方法、装置、计算设备和介质
CN115525841A (zh) * 2022-10-14 2022-12-27 高德软件有限公司 兴趣点信息的获取方法、电子设备及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11493347B2 (en) * 2013-03-12 2022-11-08 Verizon Patent And Licensing Inc. Using historical location data to improve estimates of location
US10506373B2 (en) * 2016-06-10 2019-12-10 Apple Inc. Harvesting labels for significant locations based on candidate points of interest and contextual data

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102576064A (zh) * 2009-10-12 2012-07-11 高通股份有限公司 用于标识预定义区域内的兴趣点的方法和装置
CN107729459A (zh) * 2017-09-30 2018-02-23 百度在线网络技术（北京）有限公司 地图兴趣点失效挖掘方法、装置、设备和计算机可读存储介质
CN109522895A (zh) * 2018-11-15 2019-03-26 百度在线网络技术（北京）有限公司 兴趣点位置校验方法、装置、服务器和计算机可读介质
CN110276023A (zh) * 2019-06-20 2019-09-24 北京百度网讯科技有限公司 Poi变迁事件发现方法、装置、计算设备和介质
CN115525841A (zh) * 2022-10-14 2022-12-27 高德软件有限公司 兴趣点信息的获取方法、电子设备及存储介质

Also Published As

Publication number Publication date
CN116842123A (zh) 2023-10-03

Similar Documents

Publication Publication Date Title
Zhao et al. A trajectory clustering approach based on decision graph and data field for detecting hotspots
Liu et al. Automated identification and characterization of parcels with OpenStreetMap and points of interest
EP2581703B1 (en) Systems and methods for ranking points of interest
CN106462627B (zh) 根据多个位置数据报告分析语义地点和相关数据
US9355063B2 (en) Parking lot detection using probe data
CN109446186B (zh) 一种基于移动轨迹的社会关系判断方法
JP7210086B2 (ja) エリアの分割方法と装置、電子装置およびプログラム
CN104537027A (zh) 信息推荐方法及装置
Xu et al. DESTPRE: a data-driven approach to destination prediction for taxi rides
WO2022227303A1 (zh) 信息处理方法、装置、计算机设备及存储介质
CN111931077B (zh) 数据处理方法、装置、电子设备及存储介质
CN111782741A (zh) 兴趣点挖掘方法、装置、电子设备及存储介质
Chen et al. An analysis of movement patterns between zones using taxi GPS data
CN112015937B (zh) 一种图片地理定位方法及系统
CN113313307A (zh) 基于信令大数据的旅游路线挖掘方法
CN112364776A (zh) 一种城市功能区识别模型建立、分类方法及装置
CN116842123B (zh) 搬迁位置预测方法、地图更新方法、装置及设备
Zhu et al. Mining large-scale GPS streams for connectivity refinement of road maps
CN114007186B (zh) 定位方法及相关产品
CN114820960B (zh) 构建图谱的方法、装置、设备和介质
CN110633890A (zh) 一种土地利用效率判断方法和系统
CN113283542A (zh) 职住信息确定方法、装置、设备及存储介质
Zarbakhsh et al. Points-of-interest from mapillary street-level imagery: a dataset for neighborhood analytics
WO2016067460A1 (ja) 交通行動推定システム、交通シミュレーションシステム、交通行動推定方法
Deeksha et al. A spatial clustering approach for efficient landmark discovery using geo-tagged photos

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