一种基于用户位置预测用户行为偏好的方法及装置与流程

本发明涉及用户行为偏好预测技术领域，具体涉及一种基于用户位置预测用户行为偏好的方法及装置。

背景技术：

随着信息技术和移动互联网的高速发展，个性化服务作为精益服务的一个体现被越来越多的企业认知，因此越来越多的企业开始尝试通过各种途径获取客户更多的信息，对客户进行更加深入的研究，尝试预测客户未来的需求，推断客户的身份特征。对行为偏好和身份特征的预测是研究中的一个热点，特别是在数据挖掘，机器学习，人工智能，云计算炙手可热的今天更是明显。

现有的个人行为偏好与身份特征预测方法大多局限于在固定的垂直领域进行预测，预测的出发点是某个垂直领域所营造的场景，对某个需求的预测是基于场景做出的，所有的预测首先要有一个具体的场景，比如电商，在线阅读。在具体的实现算法上，以协同推荐为例，由于其预测基础是规模化的人群数据集，所以存在人群数据集是否高质量的问题。高质量不仅仅限于人群数据集的庞大与否，针对不同的具体实现还有额外的要求，比如数据的稀疏性，虽然人群基数足够大，但是其中产生行为的个体又很少，现实中大部分人群数据集都有这个特点，因此稀疏性也是这类算法广泛面临的问题。

技术实现要素：

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于用户位置预测用户行为偏好的方法及装置。

依据本发明的一个方面，提供了一种基于用户位置预测用户行为偏好的方法，包括：

获取与目标用户相对应的个人位置数据，根据个人位置数据中包含的各个位置点所对应的停留时长和/或停留频次，筛选与目标用户相对应的至少一个关键位置点；

获取与至少一个关键位置点相对应的目标gis数据以及与目标gis数据相对应的兴趣点；

根据与目标gis数据相对应的兴趣点，预测目标用户的用户行为偏好。

可选地，个人位置数据包括：分别与多个时间分片相对应的分片位置数据；

则根据个人位置数据中包含的各个位置点所对应的停留时长和/或停留频次，筛选与目标用户相对应的至少一个关键位置点包括：

确定每个分片位置数据中包含的各个位置点的停留时长，将停留时长大于预设的时长阈值的位置点筛选为该分片位置数据中的候选位置点；

根据各个候选位置点在各个分片位置数据中的出现次数，确定各个候选位置点的停留频次，将停留频次不小于预设的频次阈值的候选位置点筛选为关键位置点。

可选地，根据与目标gis数据相对应的兴趣点，预测目标用户的用户行为偏好包括：

当与目标gis数据相对应的兴趣点为多个时，判断各个兴趣点是否与预设的预测目标相匹配；

将与预设的预测目标相匹配的兴趣点确定为目标兴趣点，根据目标兴趣点预测目标用户的用户行为偏好。

可选地，根据与目标gis数据相对应的兴趣点，预测目标用户的用户行为偏好包括：

当与目标gis数据相对应的兴趣点为多个时，计算兴趣点与关键位置点的距离；

判断兴趣点与关键位置点的距离是否满足预设的距离匹配规则；

将满足预设的距离匹配规则的兴趣点确定为目标兴趣点，根据目标兴趣点预测目标用户的用户行为偏好。

可选地，根据与目标gis数据相对应的兴趣点，预测目标用户的用户行为偏好包括：

当与目标gis数据相对应的兴趣点为多个时，判断兴趣点的属性是否满足预设的常驻地属性规则；

若是，将兴趣点确定为目标兴趣点，根据目标兴趣点预测目标用户的用户行为偏好。

可选地，根据与目标gis数据相对应的兴趣点，预测目标用户的用户行为偏好包括：

当与目标gis数据相对应的兴趣点为多个时，判断兴趣点之间是否存在互悖逻辑；

若是，根据兴趣点与关键位置点的距离和兴趣点对应的权重筛选目标兴趣点，根据目标兴趣点预测目标用户的用户行为偏好。

可选地，当与目标gis数据相对应的兴趣点为多个时，在判断兴趣点之间是否存在互悖逻辑之前，进一步包括：

根据兴趣点对应的人流量和/或兴趣点与关键位置点的距离，预先设置与兴趣点相对应的权重。

依据本发明的一个方面，提供了一种基于用户位置预测用户行为偏好的装置，包括：

关键位置点筛选模块，适于获取与目标用户相对应的个人位置数据，根据个人位置数据中包含的各个位置点所对应的停留时长和/或停留频次，筛选与目标用户相对应的至少一个关键位置点；

gis数据及兴趣点获取模块，适于获取与至少一个关键位置点相对应的目标gis数据以及与目标gis数据相对应的兴趣点；

行为偏好预测模块，适于根据与目标gis数据相对应的兴趣点，预测目标用户的用户行为偏好。

可选地，个人位置数据包括：分别与多个时间分片相对应的分片位置数据；

则关键位置点筛选模块适于：

确定每个分片位置数据中包含的各个位置点的停留时长，将停留时长大于预设的时长阈值的位置点筛选为该分片位置数据中的候选位置点；

根据各个候选位置点在各个分片位置数据中的出现次数，确定各个候选位置点的停留频次，将停留频次不小于预设的频次阈值的候选位置点筛选为关键位置点。

可选地，行为偏好预测模块适于：

当与目标gis数据相对应的兴趣点为多个时，判断各个兴趣点是否与预设的预测目标相匹配；

将与预设的预测目标相匹配的兴趣点确定为目标兴趣点，根据目标兴趣点预测目标用户的用户行为偏好。

可选地，行为偏好预测模块适于：

当与目标gis数据相对应的兴趣点为多个时，计算兴趣点与关键位置点的距离；

判断兴趣点与关键位置点的距离是否满足预设的距离匹配规则；

将满足预设的距离匹配规则的兴趣点确定为目标兴趣点，根据目标兴趣点预测目标用户的用户行为偏好。

可选地，行为偏好预测模块适于：

当与目标gis数据相对应的兴趣点为多个时，判断兴趣点的属性是否满足预设的常驻地属性规则；

若是，将兴趣点确定为目标兴趣点，根据目标兴趣点预测目标用户的用户行为偏好。

可选地，行为偏好预测模块适于：

当与目标gis数据相对应的兴趣点为多个时，判断兴趣点之间是否存在互悖逻辑；

若是，根据兴趣点与关键位置点的距离和兴趣点对应的权重筛选目标兴趣点，根据目标兴趣点预测目标用户的用户行为偏好。

可选地，行为偏好预测模块适于：

根据兴趣点对应的人流量和/或兴趣点与关键位置点的距离，预先设置与兴趣点相对应的权重。

根据本发明的再一方面，提供了一种电子设备，包括：处理器、存储器、通信接口和通信总线，处理器、存储器和通信接口通过通信总线完成相互间的通信；

存储器用于存放至少一可执行指令，可执行指令使处理器执行上述基于用户位置预测用户行为偏好的方法对应的操作。

根据本发明的再一方面，提供了一种计算机存储介质，存储介质中存储有至少一可执行指令，可执行指令使处理器执行如上述基于用户位置预测用户行为偏好的方法对应的操作。

综上所述，本发明公开了一种基于用户位置预测用户行为偏好的方法及装置。首先，获取与目标用户相对应的个人位置数据，根据个人位置数据中包含的各个位置点所对应的停留时长和/或停留频次，筛选与目标用户相对应的至少一个关键位置点。然后，获取与至少一个关键位置点相对应的目标gis数据以及与目标gis数据相对应的兴趣点。最后，根据与目标gis数据相对应的兴趣点，预测目标用户的用户行为偏好。本发明能够结合个人位置数据和gis数据，充分利用gis数据进行多元化预测，不局限于某一特定的垂直领域，摆脱了对大规模人群数据集的依赖。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了依据实施例一的一种基于用户位置预测用户行为偏好的方法的流程图；

图2示出了依据实施例二的一种基于用户位置预测用户行为偏好的方法的流程图；

图3示出了依据实施例三的一种基于用户位置预测用户行为偏好的装置的结构图；

图4示出了根据本发明实施例的一种电子设备的结构示意图；

图5示出了用户位置轨迹抽象示意图；

图6示出了重合轨迹关键位置点提炼示意图；

图7示出了最短距离匹配示意图；

图8示出了互悖判定修正处理流程图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

实施例一

图1示出了依据实施例一的一种基于用户位置预测用户行为偏好的方法的流程图。如图1所示，该方法包括以下步骤：

步骤s110：获取与目标用户相对应的个人位置数据，根据个人位置数据中包含的各个位置点所对应的停留时长和/或停留频次，筛选与目标用户相对应的至少一个关键位置点。

其中，与目标用户相对应的个人位置数据是指目标用户所在的各个位置点的经度和纬度数据。

具体地，判断个人位置数据中包含的各个位置点所对应的停留时长是否大于预设的时长阈值，和/或判断个人位置数据中包含的各个位置点所对应的停留频次是否大于预设的频次阈值。若是，将上述个人位置数据中包含的位置点确定为与目标用户相对应的关键位置点。其中，上述关键位置点的数量至少一个。

步骤s120：获取与至少一个关键位置点相对应的目标gis数据以及与目标gis数据相对应的兴趣点。

其中，gis数据是指从地理信息系统中获取的某一位置点的数据。具体地，将关键位置点的经纬度数据与gis数据中的经纬度数据匹配，将经纬度数据匹配成功的gis数据确定为与关键位置点相对应的目标gis数据。其中，某一gis数据中包含至少一个兴趣点。根据与关键位置点相对应的目标gis数据，确定与目标gis数据相对应的兴趣点。兴趣点是指地理信息系统中某一位置点附近的地形地貌、行政划分、区域功能、商业服务区等。需要说明的是，经纬度数据匹配成功是指关键位置点的经纬度数据与gis数据中的经纬度数据的误差在预设误差范围内。

步骤s130：根据与目标gis数据相对应的兴趣点，预测目标用户的用户行为偏好。

具体地，根据与目标gis数据相对应的兴趣点的类型、上述兴趣点对应的停留时长和停留时段推测用户行为偏好。例如，上述兴趣点的类型为影院，兴趣点对应的停留时长为3小时，停留时段为周六下午，停留频次为一个月4次，可以推测目标用户为电影爱好者，习惯周末去影院看电影。其中，用户行为偏好用于描述用户的偏好、职业，身份等特征，凡是与用户行为相关的内容均可作为用户行为偏好。例如，本发明中的用户行为偏好具体包括：行为偏好以及身份特征(如职业等)。

综上所述，该方式结合个人位置数据和gis数据，充分利用gis数据进行多元化预测，不局限于某一特定的垂直领域，摆脱了对大规模人群数据集的依赖。

实施例二

图2示出了依据实施例二的一种基于用户位置预测用户行为偏好的方法的流程图。如图2所示，该方法包括以下步骤：

步骤s210：获取与目标用户相对应的个人位置数据，根据个人位置数据中包含的各个位置点所对应的停留时长和/或停留频次，筛选与目标用户相对应的至少一个关键位置点。

其中，与目标用户相对应的个人位置数据是指目标用户所在的各个位置点的经度和纬度数据。上述个人位置数据可以来自多种渠道，包括但不限于全球卫星定位系统(globalpositioningsystem，gps)，北斗卫星导航系统(beidounavigationsatellitesystem，bds)，运营商基站定位。

具体地，上述个人位置数据包括：分别与多个时间分片相对应的分片位置数据。例如，个人位置数据为目标用户10天内所在的各个位置点的位置信息，时间分片预先设置为1天，将上述个人位置数据划分为10个时间分片相对应的分片位置数据。比如，第1天的日期为2019年2月17日，2019年2月17日对应一个分片位置数据。

具体实施时，首先，确定每个分片位置数据中包含的各个位置点的停留时长，将停留时长大于预设的时长阈值的位置点筛选为该分片位置数据中的候选位置点。例如，图5示出了用户位置轨迹抽象示意图，如图5所示，2019年2月17日对应的分片位置数据中，预设的时长阈值为0.5小时。位置点a的停留时长分别为1小时和3.3小时，位置点b的停留时长分别为3小时和4小时，位置点c的停留时长为1.5小时，位置点d的停留时长为1小时。位置点a、b、c、d的停留时长于预设的时长阈值，将位置点a、b、c、d筛选为该分片位置数据中的候选位置点。进一步地，根据该分片位置数据中的候选位置点确定分片位置数据对应的时间分片下的用户位置轨迹。

然后，根据各个候选位置点在各个分片位置数据中的出现次数，确定各个候选位置点的停留频次，将停留频次不小于预设的频次阈值的候选位置点筛选为关键位置点。其中，上述筛选出的关键位置点至少一个。例如，预设的频次阈值为时间分片的数量，在10个时间分片对应的各个分片位置数据中，位置点a出现的次数为10，位置点b出现的次数为10，位置点c出现的次数为9，位置点d出现的次数为10。位置点a、b、d的停留频次不小于预设的频次阈值10次，将位置点a、b、d筛选为与目标用户相对应的关键位置点。进一步地，根据与目标用户相对应的关键位置点确定用户重合轨迹。

步骤s220：获取与至少一个关键位置点相对应的目标gis数据以及与目标gis数据相对应的兴趣点。

其中，由步骤s210确定的与目标用户相对应的关键位置点可以为一个，也可以为多个。gis数据是指从地理信息系统中获取的某一位置点的数据。

具体地，将关键位置点的经纬度数据与gis数据中的经纬度数据匹配，将经纬度数据匹配成功的gis数据确定为与关键位置点相对应的目标gis数据。其中，某一gis数据中包含至少一个兴趣点。根据与关键位置点相对应的目标gis数据，确定与目标gis数据相对应的兴趣点。兴趣点是指地理信息系统中某一位置点附近的地形地貌、行政划分、区域功能、商业服务区等。需要说明的是，经纬度数据匹配成功是指关键位置点的经纬度数据与gis数据中的经纬度数据的误差在预设误差范围内。

步骤s230：从与目标gis数据相对应的多个兴趣点中筛选目标兴趣点。

具体地，可采用以下四种方式中的至少一种筛选目标兴趣点：

第一种方式具体包括：当与某一目标gis数据相对应的兴趣点为多个时，判断各个兴趣点是否与预设的预测目标相匹配，将与预设的预测目标相匹配的兴趣点确定为目标兴趣点。例如，预设的预测目标是推测目标用户的职业、收入、爱好。在获取与某一目标gis数据相对应的多个兴趣点后，筛除与职业、收入、爱好无关联的兴趣点，例如公园类型兴趣点与与职业、收入、爱好无关联，可以筛除公园类型兴趣点。

第二种方式具体包括：当与某一目标gis数据相对应的兴趣点为多个时，计算上述兴趣点与关键位置点的距离，判断上述兴趣点与关键位置点的距离是否满足预设的距离匹配规则，将满足预设的距离匹配规则的兴趣点确定为目标兴趣点。具体实施时，当步骤s220中的关键位置点的经纬度数据与gis数据中的经纬度数据不能完全匹配，即关键位置点的经纬度数据与gis数据中的经纬度数据存在预设误差范围内的误差时，计算与目标gis数据相对应的兴趣点与关键位置点的距离。例如，预设的距离匹配规则为将与关键位置点的距离最短的兴趣点确定为目标兴趣点。图7示出了最短距离匹配示意图，如图7所示，计算兴趣点a、b、c、d、e与关键位置点的距离，选取与关键位置点距离最短的兴趣点，将该距离最短的兴趣点(即兴趣点a)确认为目标兴趣点。

第三种方式具体包括：判断兴趣点的属性是否满足预设的常驻地属性规则，若兴趣点的属性满足预设的常驻地属性规则，将上述兴趣点确定为目标兴趣点，其中，预设的常驻地属性规则具体包括：兴趣点对应的停留时长大于预设的常驻时长阈值，停留时段满足预设的常驻时段范围。具体实施时，上述预设的常驻时长阈值为7小时，上述预设的常驻时段范围为早上8点到晚上8点。例如，餐厅类型兴趣点a对应的停留时长为12小时，停留时段为早上9点到晚上9点，餐厅类型兴趣点a满足预设的常驻地属性规则，将餐厅类型兴趣点a确定为目标兴趣点，根据餐厅类型兴趣点a可以推测目标用户在餐厅工作。需要说明的，本实施例对常驻地属性规则的具体内涵不作限制，本领域技术人员可以采用其他方式确定常驻地属性规则的具体内涵。

第四种方式具体包括：当与某一目标gis数据相对应的兴趣点为多个时，判断上述兴趣点之间是否存在互悖逻辑，若存在，根据兴趣点与关键位置点的距离和兴趣点对应的权重筛选目标兴趣点。其中，当与某一目标gis数据相对应的兴趣点为多个时，预先设置与所述兴趣点相对应的权重。具体实施时，例如，兴趣点b的类型为高收入者，兴趣点c的类型为低收入者，某一目标gis数据相对应的兴趣点b和兴趣点c出现互悖逻辑。比较兴趣点b与关键位置点的距离和兴趣点c的与关键位置点的距离，剔除距离较远的兴趣点以消除互悖逻辑。若兴趣点b和兴趣点c与关键位置点的距离相同，比较兴趣点b和兴趣点c的权重，剔除权重较低的兴趣点以消除互悖逻辑。另外，当不同关键位置点对应的兴趣点出现互悖逻辑时，可以重复上述过程，剔除距离关键位置点较远和权重较轻的兴趣点，最终消除互悖逻辑。需要说明的是，本实施例对消除互悖逻辑的具体方法不作限制，本领域技术人员可以采用其他方法消除多个兴趣点之间的互悖逻辑。

步骤s240：根据上述目标兴趣点，预测目标用户的用户行为偏好。

具体地，根据目标兴趣点的类型、目标兴趣点对应的停留时长和停留时段推测用户行为偏好。例如，目标兴趣点的类型为影院，目标兴趣点对应的停留时长为3小时，停留时段为周六下午，停留频次为一个月4次，可以推测目标用户为电影爱好者，习惯周末去影院看电影。

综上所述，该方式结合个人位置数据和gis数据，从兴趣点与关键位置点的距离、兴趣点权重、目标用户停留时长等多个维度考虑，预测目标用户的用户行为偏好。该方式的优势在于不再依赖某个场景下的人群数据集作为预测基础，而充分利用gis数据进行多元化预测，避免了大规模人群数据集的数据质量问题。

下面以一个具体事例说明本发明的方法，具体步骤如下：

步骤一：个人位置数据清理。

整合同一个人在一段时间的位置行为，勾勒出个人的位置行为轨迹，位置行为轨迹的勾勒可以选择结合gis系统实现，亦可脱离gis系统，在这个阶段勾勒个人轨迹的目的是从海量的个人位置数据中提取有效的信息，清理掉位置数据中信息价值较低的数据，提炼出关键的位置数据供后续步骤使用。在勾勒个人位置行为轨迹的同时，对位置数据的处理附加上时间维度数据，如2019年2月17日9:00出现于经度lng1，纬度lat1的位置，停留6.5小时，2019年2月25日15:30出现于经度lng2，纬度lat2的位置，停留3小时。

如图5所示，图5示出了用户位置轨迹抽象示意图，以日作为周期观察某个人的位置行为轨迹为例，可以把个人位置数据抽象提炼为几个重要的固定点。其他多余的位置数据应该在个人位置数据清理这一步就清理掉，比如某人早上从家里去公司，一路上的位置变化数据对个人关键位置数据提炼并未有多大帮助，这类数据具有地理位置快速变化，单个位置停留时长短暂的特点。在清理多余的位置数据后，抽象出核心位置点a、b、c、d，记录每个核心位置的地理坐标，以及从其他关键位置变动到当前位置的时间，并持续监控之后目标在该关键位置的停留时长，最后根据一天里记录的数据，抽象出轨迹。

按上诉方法监控每日的位置行为数据，累计多日的轨迹数据后，检查重合程度，进一步提炼重复出现的关键位置点，如图6所示，图6示出了重合轨迹关键位置点提炼示意图。对于出现较少，重合程度较低的轨迹点予以剔除过滤，剔除过程中可给予一定的偏移阈值误差修正，只要在误差范围内均可认定为重合，避免需要绝对的位置匹配才算重合的过拟合现象，阈值可根据具体情况具体分析调整。根据具体情况，提取关键位置信息的累计时长，和轨迹周期可以灵活调整。

步骤二：gis数据清理。

gis数据清理主要包括三个主要任务：

①过滤与关键位置无关的gis数据。

gis数据中充满着无数的位置点，每个位置点可能又对应多个poi(兴趣点)，poi作为gis中的实体对象，是gis数据中一种可用于对行为偏好和身份特征做出预测的信息。如果每次从gis中去查询某个位置点的poi信息，然后又对这些poi信息进行处理，会导致效率低下，因此应该预处理gis数据，只考虑步骤一所涉及的位置点处的gis数据。在获得相关gis数据后，再根据预测目标对上述位置点处的poi进行过滤，与预测目标不相干的poi需要被剔除，进一步缩小数据量，例如：如果某人去了公园这个行为对既定的预测目标没有什么帮助，那么在处理后的gis数据里面就不应该出现“公园”这类poi。

②对同一位置具有多重poi的情况进行权重划分。

同一个位置有可能具有多重poi的属性，此时需要有一种权重划分的方法，对该位置反应出的poi属性进行排序，赋予合适的权重。一种比较直截了当的方式是按poi所提供服务的人流估计划分权重，即人流多的服务比人流少的服务会有更高的概率被使用，所以赋予更高的权重。

③提取poi背后的行为偏好与身份特征。

预测的目标是识别个人的行为偏好与身份特征，为此我们需要提取poi背后的意义。poi信息到行为偏好与身份特征的转换可以简单地采用人工标注，或采用自然语言处理方法从poi的相关数据中进行提炼。

完成gis数据的清理挖掘后，得到的是精简的，具有权重分配的，行为偏好与身份特征描述的gis数据。

步骤三：融合个人位置数据和gis数据进行判断预测。

在获得个人核心轨迹位置数据和清理挖掘的gis数据后，即可结合两者进行行为偏好与身份特征预测，经过上述两个步骤的准备，预测过程实际上被转化为了根据核心位置轨迹提取对应gis数据的过程，该过程需要解决的核心问题是位置数据不能直接和gis数据中的兴趣点对应的情况下，如何对该位置进行gis数据的分配。

一种简单易用的算法是采用距离计算，取gis数据中与目标位置有最短距离的兴趣点的特征作为该目标位置的特征，并把距离作为位置权重，带入输出结果中，以便在后续步骤中优化预测结果，如图7所示，图7示出了最短距离匹配示意图。

步骤四：预输出数据的修正处理。

对预输出数据修正处理可以分为两类：

①常驻地(工作地，居住地)逻辑修正处理。

依据轨迹数据，从时间，空间的角度预测个人常驻地(工作地，居住地)，从位置的停留时长，位置的出现时段，位置之间的偏移，gis上该位置体现的环境等多个因素综合起来从预输出数据中判断个人轨迹上的某个关键位置是否为常住地。对于这类数据，将以常驻地属性强于任何其他属性的方式处理。例如：个人经常出现在两点a和b，a和b分别被识别为工作地和居住地，a点是一家餐厅，那么对于位置a，应该优先考虑工作地的属性，预测目标具有“餐饮从业人士”的特质，而不应该识别为“喜欢这家餐厅”，同理，如果b点附近有一个高级住宅小区，有一个电影院，位置b应该优先考虑居住地的属性，匹配高级住宅小区，识别为“高收入人士”，而不应该识别为“电影爱好者”，即使在上一步的预输出数据中“电影爱好者”的权重大过“高收入人士”。

②悖论逻辑修正处理。

基于预输出数据做出目标的行为偏好，身份特征判定后，应该检查这些行为偏好以及特质之间是否有互悖的情况，如果存在互悖，则需要进行修正处理。最简单的方式是去除其中可能性更低的违背判定，从而消除悖论逻辑。但一种效果更好的做法是在两个行为偏好与身份特征判定出现矛盾时，优先选取预输出数据中位置权重较低(匹配度较低，距离较远)的位置进行修改，修改为gis数据中该位置上权重更低一级的行为偏好，身份特征属性(下一级poi)，然后再次检查互悖情况，如果互悖依旧存在，则再次重复上述行为，直至不再有悖论逻辑。

极端的情况是迭代完所有新的行为偏好与身份特征属性后，发现互悖依旧存在，此时可以尝试改为修改预输出数据中位置权重较高的位置，重复上述行为，如果经过此次尝试后还是无法解决互悖的问题，再对位置权重较低的位置特征数据做剔除处理，消除互悖逻辑。完成修正处理后得到最终的判定数据。具体实施过程如图8所示，图8示出了互悖判定修正处理流程图。其中，位置轨迹a是某一关键位置点，位置轨迹b是某一关键位置点。首先，比较位置轨迹a对应的poi兴趣点与位置轨迹a的距离和位置轨迹b对应的poi兴趣点与位置轨迹b的距离。位置轨迹a对应的poi兴趣点与位置轨迹a的距离较短，即位置轨迹a对应的poi兴趣点的位置权重低，修改位置轨迹a对应的poi兴趣点以消除互悖逻辑。然后，比较位置轨迹a对应的多个poi兴趣点的权重，按照poi兴趣点的权重由低到高依次修改，最终消除互悖逻辑。

由此可见，对个人行为偏好与身份特征的预测不是基于某个场景下的人群数据集做出，而是通过基于预测目标在gis系统中体现出的特征做出。这种方法做出预测的出发点是个人行为，通过结合gis数据做出行为偏好与身份特征的判定与预测，不再依赖某个场景下的人群数据集作为预测基础，预测也不再纠缠于特定领域的细节中，而是在一个更高的层次进行多元化预测。由于gis数据本身不局限于一个特定的垂直领域，本发明使行为偏好预测摆脱了传统上需要依托某个具体场景的局限性，同时由于不存在需要庞大的人群数据集作为基础，或数据集过于稀疏等问题，本发明避免了现有方法在数据规模和数据质量上面临的问题。总的来说，本发明与传统方法相比，摆脱了人群数据集为预测基础的束缚，同时在预测方向上具有多元化的特点。

实施例三

图3示出了依据实施例三的一种基于用户位置预测用户行为偏好的装置的结构图，上述装置包括：

关键位置点筛选模块31，适于获取与目标用户相对应的个人位置数据，根据个人位置数据中包含的各个位置点所对应的停留时长和/或停留频次，筛选与目标用户相对应的至少一个关键位置点；

gis数据及兴趣点获取模块32，适于获取与至少一个关键位置点相对应的目标gis数据以及与目标gis数据相对应的兴趣点；

行为偏好预测模块33，适于根据与目标gis数据相对应的兴趣点，预测目标用户的用户行为偏好。

可选地，个人位置数据包括：分别与多个时间分片相对应的分片位置数据；

则关键位置点筛选模块31适于：

确定每个分片位置数据中包含的各个位置点的停留时长，将停留时长大于预设的时长阈值的位置点筛选为该分片位置数据中的候选位置点；

根据各个候选位置点在各个分片位置数据中的出现次数，确定各个候选位置点的停留频次，将停留频次不小于预设的频次阈值的候选位置点筛选为关键位置点。

可选地，行为偏好预测模块33适于：

当与目标gis数据相对应的兴趣点为多个时，判断各个兴趣点是否与预设的预测目标相匹配；

将与预设的预测目标相匹配的兴趣点确定为目标兴趣点，根据目标兴趣点预测目标用户的用户行为偏好。

可选地，行为偏好预测模块33适于：

当与目标gis数据相对应的兴趣点为多个时，计算兴趣点与关键位置点的距离；

判断兴趣点与关键位置点的距离是否满足预设的距离匹配规则；

将满足预设的距离匹配规则的兴趣点确定为目标兴趣点，根据目标兴趣点预测目标用户的用户行为偏好。

可选地，行为偏好预测模块33适于：

当与目标gis数据相对应的兴趣点为多个时，判断兴趣点的属性是否满足预设的常驻地属性规则；

若是，将兴趣点确定为目标兴趣点，根据目标兴趣点预测目标用户的用户行为偏好。

可选地，行为偏好预测模块33适于：

当与目标gis数据相对应的兴趣点为多个时，判断兴趣点之间是否存在互悖逻辑；

若是，根据兴趣点与关键位置点的距离和兴趣点对应的权重筛选目标兴趣点，根据目标兴趣点预测目标用户的用户行为偏好。

可选地，行为偏好预测模块33适于：

根据兴趣点对应的人流量和/或兴趣点与关键位置点的距离，预先设置与兴趣点相对应的权重。

本申请实施例提供了一种非易失性计算机存储介质，计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的一种基于用户位置预测用户行为偏好的方法。

图4示出了根据本发明实施例的一种电子设备的结构示意图，本发明具体实施例并不对电子设备的具体实现做限定。

如图4所示，该电子设备可以包括：处理器(processor)402、通信接口(communicationsinterface)404、存储器(memory)406、以及通信总线408。

其中：

处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。

通信接口404，用于与其它设备比如客户端或其它服务器等的网元通信。

处理器402，用于执行程序410，具体可以执行上述基于多级网络节点的故障定位方法实施例中的相关步骤。

具体地，程序410可以包括程序代码，该程序代码包括计算机操作指令。

处理器402可能是中央处理器cpu，或者是特定集成电路asic(applicationspecificintegratedcircuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。电子设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个cpu；也可以是不同类型的处理器，如一个或多个cpu以及一个或多个asic。

存储器406，用于存放程序410。存储器406可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。

程序410具体可以用于使得处理器402执行上述方法实施例中的各项操作。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本发明实施例的系统中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者系统程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干系统的单元权利要求中，这些系统中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。