本发明涉及车联网技术领域，特别是指一种基于车辆聚点属性的确定用户的居住地和工作地的方法和装置。
背景技术：
随着网约车的发展，很多私家车都安装了司机端app(应用程序)，在上下班路上共享车辆资源，或在闲暇时间接单，也有些私家车做起了专职司机。
同时，有很多方式可以获取车辆的时空轨迹数据，如前装的车载tbox(telematicsbox)设备、后装的车载诊断系统(on-boarddiagnostic，简称obd)设备、智能手机app等，据此可以得到大量的时空轨迹数据。通过分析这些数据，可以得到一些有意义的信息，例如车辆的性能信息、速度信息。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：无法确定用户的居住地和工作地的位置。
技术实现要素：
有鉴于此，本发明的目的在于提出一种确定用户的居住地和工作地的方法和装置，以解决无法确定用户的居住地和工作地的位置的技术问题。
基于上述目的，在本发明的第一方面，本发明提供了一种确定用户的居住地和工作地的方法，所述方法包括：
获取车辆的行程数据，包括用户id、一段时间内的行程开始时间、行程结束时间、行程停留时间、行程起点、行程终点；
根据行程开始时间、行程结束时间，计算行程处于一周中的第几天、行程开始时所在的天、行程结束时所在的天、行程开始时的时辰和行程结束时的时辰；
根据行程开始时间和行程停留时间，找出每日首条行程、每日最终行程、每日首条停留时长大于时间阈值的行程；
确定用户的居住地和工作地。
在本发明的一些实施例中，根据行程开始时间和行程停留时间，找出每日首条行程、每日最终行程、每日首条停留时长大于时间阈值的行程，包括：
根据行程开始时间对一段时间内的行程进行排序；
根据行程开始时间，判断每条行程是否是某天的第一条行程，以及每条行程否是某天的最后一条行程；
找出每日首条停留时长大于时间阈值的行程。
在本发明的一些实施例中，确定用户的居住地，包括：
计算每个聚点的第一属性，所述第一属性包括：起点为该聚点的行程频次、每日首条行程起点为该聚点的次数、每日最终行程终点为该聚点的次数和用户在该聚点的日均停留时长；
根据聚点的第一属性，确定用户的居住地。
在本发明的一些实施例中，用户在该聚点的日均停留时长的计算方法包括：
对于每个聚点，筛选一段时间内行程终点等于该聚点的行程，统计这些行程的停留时间的总和，得到该聚点的停留时长总和；
根据行程结束时所在的天统计用户的活跃天数；
用该聚点的停留时长总和除以活跃天数，得到用户在该聚点的日均停留时长。
在本发明的一些实施例中，确定用户的工作地，包括：
计算每个聚点的第二属性，所述第二属性包括：起点为该聚点的行程频次、终点为该聚点的行程到达时段众数、用户在该聚点的日均停留时长和该聚点的日均到达次数；
根据聚点的第二属性，确定用户的工作地。
在本发明的第二方面，本发明提供了一种确定用户的居住地和工作地的装置，包括：
获取模块，用于获取车辆的行程数据，包括用户id、一段时间内的行程开始时间、行程结束时间、行程停留时间、行程起点、行程终点；
计算模块，用于根据行程开始时间、行程结束时间，计算行程处于一周中的第几天、行程开始时所在的天、行程结束时所在的天、行程开始时的时辰和行程结束时的时辰；
筛选模块，用于根据行程开始时间和行程停留时间，找出每日首条行程、每日最终行程、每日首条停留时长大于时间阈值的行程；
确定模块，用于确定用户的居住地和工作地。
在本发明的一些实施例中，所述筛选模块，用于：
根据行程开始时间对一段时间内的行程进行排序；
根据行程开始时间，判断每条行程是否是某天的第一条行程，以及每条行程否是某天的最后一条行程；
找出每日首条停留时长大于时间阈值的行程。
在本发明的一些实施例中，确定用户的居住地，包括：
计算每个聚点的第一属性，所述第一属性包括：起点为该聚点的行程频次、每日首条行程起点为该聚点的次数、每日最终行程终点为该聚点的次数和用户在该聚点的日均停留时长；
根据聚点的第一属性，确定用户的居住地。
在本发明的一些实施例中，用户在该聚点的日均停留时长的计算方法包括：
对于每个聚点，筛选一段时间内行程终点等于该聚点的行程，统计这些行程的停留时间的总和，得到该聚点的停留时长总和；
根据行程结束时所在的天统计用户的活跃天数；
用该聚点的停留时长总和除以活跃天数，得到用户在该聚点的日均停留时长。
在本发明的一些实施例中，确定用户的工作地，包括：
计算每个聚点的第二属性，所述第二属性包括：起点为该聚点的行程频次、终点为该聚点的行程到达时段众数、用户在该聚点的日均停留时长和该聚点的日均到达次数；
根据聚点的第二属性，确定用户的工作地。
在本发明的第三方面，本发明提供了一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述任一实施例所述的方法。
在本发明的第四方面，本发明提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现上述任一实施例所述的方法。
本发明实施例提供的确定用户的居住地和工作地的方法通过将一定范围以内的起点或终点聚合到一起视为一个聚点，在保持精度要求的前提下避免了将同一地点不同停车位置视为不同地点的问题，对居住地的判断采用乘积加权的方法，使得大部分车主都能找到居住地，将居住地和工作地的判断结合起来，避免错误地将居住地误判为公司。而且，本发明实施例提供的方法通过行程数据确定聚点的第一属性和第二属性，并进一步基于第一属性和第二属性确定用户的居住地和工作地。
附图说明
图1为本发明一个实施例中提供的确定用户的居住地和工作地的方法的流程图；
图2为本发明一个实施例中提供的确定用户的居住地和工作地的装置的结构示意图；
图3为根据本发明实施例的基于确定用户的居住地和工作地的方法的电子设备的硬件结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
参见图1，其为本发明一个实施例中提供的确定用户的居住地和工作地的方法的流程图。作为本发明的一个实施例，所述方法包括：
步骤101，获取车辆的行程数据，所述行程数据包括用户id、一段时间内的行程开始时间、行程结束时间、行程停留时间、行程起点、行程终点。
根据单条行程不足以确定用户的居住地和工作地，在本发明的一些实施例中，所述行程数据是指一段周期内的行程数据，例如一周、半个月、一个月、一个季度、半年或者一年内的行程数据。
以下以一个月内的行程数据为例，获取车辆的行程数据，所述行程数据包括：车辆的用户id、在一个月内的行程开始时间、行程结束时间、行程停留时间、行程起点、行程终点。
作为本发明的一个实施例，可以从ubi_dw_cluster_point(行程聚点表)中获取车辆的用户id、时间区间内的行程开始时间、行程结束时间、行程停留时间、行程起点、行程终点等，该表以行程为单位存储信息，即每条行程对应一条信息。
举例来说，针对一条行程，所述行程聚点表的字段信息包括：
表1
按照stat_date(日期字段，精确到月)提取一个月的行程。在本发明实施例提供的方法中，用到行程聚点表的字段信息包括用户id、行程开始时间、行程结束时间、行程起点、行程终点、行程停留时间，具体如下：
表2
关于行程停留时间，比如以一个月为统计时间段，这个月共有10条行程，第1条行程的停留时间＝第2条行程的开始时间－第1条行程的结束时间，第2条行程的停留时间＝第3条行程的开始时间－第2条行程的结束时间，而第10条行程的停留时间＝0。
作为本发明的又一个实施例，所述方法还包括：对所述行程起点和行程终点进行聚点编号。具体地，所述聚点编号的步骤是：对所有行程起点、行程终点的经纬度进行距离计算，把距离近的行程起点和行程终点聚在一起，算作一个聚点，定义一个相同的编号1；再把剩余的起点、终点中距离近的经纬度聚在一起，算作一个聚点，定义一个相同的聚点编号2，依次得到聚点编号3、4、5等。这样每个起点和终点不仅有经纬度，也有聚点编号。
进行聚点编号的工作有两个好处：1.把一些相近的点聚在一起，提高判断准确性；2.经纬度是二维的，也就是一个点要用经度、纬度两个值来表示，并且是带有很多位小数的，而聚点编号只用一个整数，便于将其用于判断步骤中。
在本发明中，聚点是起点和终点的总称。聚点比经纬度更笼统，更简洁，更有代表意义。例如，即便都是在家楼下，用户不可能每次都停在同一个位置分毫不差，而经纬度精度又很高，所以如果通过经纬度确定的话，每次的位置都不同，也就是相当于用户每开一次车就去了不同的地方，也就无法找到停的次数最多的位置了，这显然会影响判断结果。因此，本发明通过聚点，把一定范围以内的起点或终点聚合到一起视为一个聚点，就可以把家楼下的一小块范围都算作一个聚点，并对其进行编号，在保持精度要求的前提下避免了将同一地点不同停车位置视为不同地点的问题。因此，行程起点和行程终点不仅有经纬度，也有聚点编号。
该行程聚点表将1公里以内的起点或终点聚合到一起视为一个聚点，在保持精度要求的前提下避免了将同一地点不同停车位置视为不同地点的问题。需要指出的是，1公里以内只是本发明的一种实施方式，也可以将1.2公里以内的起点或终点聚合到一起视为一个聚点，也可以将2公里以内的起点或终点聚合到一起视为一个聚点，本发明对此不作限制。
由于行程的连续性，可以认为第n条行程的终点就是第n+1条行程的起点，但是第n条行程的终点的经纬度并不等于第n+1条行程的起点的经纬度，而是约等于。这是因为如表1的第4字段和第5字段所示，有两个行程开始时间：车辆点火时间和gps开始采集数据时间。需要指出的是，gps是在行程开始一段时间后才开始采集数据的，因此所得到的起点经纬度已经不等于上条行程终点的经纬度了。所以在得到居住地和工作地的聚点编号后，计算它们的位置时，采用的是行程终点为该聚点编号的经纬度的平均，以提高准确性。
步骤102，根据行程开始时间、行程结束时间，计算行程处于一周中的第几天、行程开始时所在的天、行程结束时所在的天、行程开始时的时辰和行程结束时的时辰。
需要指出的是，在行程聚点表中，1970.01.01是unix元年，行程聚点表中的时间数据以1970.01.01作为计时原点，即1970-01-0100:00:00到当前时间的秒数，在该步骤中，将行程聚点表中的时间数据换算成相应的“年、月、日、时、分、秒及星期几”。
在计算工作地时，有时只用到工作日的数据(周一到周五)，所以需要根据行程聚点表中的第5个字段——行程开始时间(actual_start)的时间信息得到它是周几(27.weekday)。
行程开始时间(actual_start)是指从1970-01-0100:00:00到当前时间(行程开始时间)的秒数。本发明所使用的编程语言为r语言，它带有一些现成的工具包和函数。具体的方法可以为：首先，利用as.posixlt函数把actual_start变为年月日时分秒的格式，再利用wday函数得到这一天是周几(27.weekday)。
根据行程开始时间(actual_start)和行程结束时间(s_end)，还可以分别计算行程开始时所在的天(28.start_adj)和结束时所在的天(29.end_adj)。
具体地，计算方法为：
start_adj＝(actual_start+8×3600)/60/60/24-4/24
end_adj＝(s_end+8×3600)/60/60/24-4/24
也就是用1970年1月1日0点0分到现在的秒数除以60得到分钟数，再除以60得到小时数，再除以24得到天数，其中多出来的8×3600是时差，因为北京是东八时区，所以时间差了8个小时，减去4/24是因为考虑到现在人们活动的越来越晚，可能加班到凌晨一两点或玩到凌晨一两点才回家，所以本发明没有将凌晨0点作为两天的分割点，而是将凌晨4点作为两天的分割点。
根据行程开始时间(actual_start)和行程结束时间(s_end)，还可以分别计算行程开始时的时辰(30.start_floor)和结束时的时辰(31.end_floor)。
具体地，计算方法为：
start_floor＝floor((a-floor(a))*24)
end_floor＝floor((b-floor(b))*24)
其中：
a＝(actual_start+8×3600)/60/60/24
b＝(s_end+8×3600)/60/60/24
floor是取整的意思，a-floor(a)是天数减去天数取整，得到天数的零头，(a-floor(a))*24是将天数的零头换算为小时，floor((a-floor(a))*24)是取小时的整数，这样得到的就是行程开始时的时辰，行程结束时的时辰同理可得。
综上，可以得到：
表3
需要说明的是，步骤102中的各统计项都是以行程为单位，即在计算过程中只需考虑当前行程。
步骤103，根据行程开始时间和行程停留时间，找出每日首条行程、每日最终行程、每日首条停留时长大于时间阈值的行程。
在该步骤中，行程按用户分组，统计某用户的各条行程以及行程属性(例如，是否是每日第一条行程)。也就是说，步骤103的计算是基于用户的，例如(32.is_first_st)是否是每日第一条行程，指的是这条行程是否是这个用户这一日的第一条行程，而不是所有行程这一日的第一条行程。
当行程数较少时难以判断居住地和工作地的位置，因此，筛选出行程数大于等于行程数量阈值的用户数据，并根据行程开始时间对每个用户一段时间内的行程进行排序。所述行程数量阈值可以是3、5、8或者10等等。进一步地，筛选出频次大于频次阈值的聚点。所述频次阈值可以是2、3或者4等。因此，汇总所有行程起点作为备选聚点，筛选出行程数量大于等于行程数量阈值的用户，且每个用户的行程中频次大于频次阈值的聚点，例如筛选出行程数量大于等于5的用户，且每个用户的行程中频次大于2的聚点。
举例来说，筛选出行程数量大于等于5的用户及其行程数据，并根据行程开始时间对每个用户一个月的行程进行排序。如果第n条行程的开始时间所在天比第n-1条行程开始时间所在天大1，即start_adj(n)-start_adj(n-1)＝1，则说明第n条行程是某天的第一条行程，第n-1条行程是前一天的最后一条行程，
如果某条行程被判断为是某天的第一条行程，那么这条行程的是否是每日第一条行程(32.is_first_st)字段置1，如果某条行程被判断为不是某天的第一条行程，那么这条行程的是否是每日第一条行程(32.is_first_st)字段置0。
如果某条行程被判断为是某天的最后一条行程，那么这条行程的是否是每日最后一条行程(33.is_last_st)字段置1，如果某条行程被判断为不是某天的最后一条行程，那么这条行程的是否是每日最后一条行程(33.is_last_st)字段置0。
如果某条行程的停留时长(22.dura2)大于2h，并且是某日的第一条行程(即32.is_first_st字段值为1)，那么该行程是该日首条停留时长大于2h的行程，34.is_first_long_trip的值置1，从而找出“每日首条停留时长大于2h的行程”。
需要指出的是，上述方法只判断了首条行程是否满足条件，如果首条行程不满足条件(停留时长不大于2h)，则继续判断第2条行程，直到找到“每日首条停留时长大于2h的行程”，并将34.is_first_long_trip的值置1。
还需要指出的是，停留时长阈值2h仅仅是示例性的，也可以是2.5h，3h或者3.8h等，可以预先设置时间阈值，从而找到每日首条停留时长大于时间阈值的行程。
综上，可以得到以下信息：
表4
步骤104，确定居住地和工作地所在的聚点。
在该步骤中，以聚点为单位，即：首先汇总每个用户的所有聚点，然后分别统计这些聚点的属性，例如，频次，停留时间等。
居住地和工作地应该在所有的行程的起终点中，因此根据所有行程的起点形成一个聚点列表，关于居住地的判定，如果某个聚点是居住地的话，那么它的频次会比较高，停留时间比较长，并且它应该是车辆的过夜点。换句话说，就是每日第一条行程的起点，每日最后一条行程的终点。
作为本发明的一个实施例，确定用户的居住地，包括：
计算每个聚点的第一属性，所述第一属性包括：起点为该聚点的行程频次、每日首条行程起点为该聚点的次数、每日最终行程终点为该聚点的次数和用户在该聚点的日均停留时长；
根据聚点的第一属性，确定用户的居住地。
因此，对于每个聚点，衡量的几个指标如下：
表5
需要说明的是，表1、2、4中的停留时长是指单次停留时长，而该聚点的停留时长是指一段时间内的该聚点的停留时长的总和。
各个指标的计算方法如下：
起点为该聚点的行程频次freq:
统计该月该用户所有行程的起点，计算各个点的频率，得到起点为该聚点的行程频次。
每日首条行程起点为该聚点的次数ft_st：
根据(32.is_first_st)筛选每日首条行程，统计筛选出的行程的起点，统计每个起点的频率，得到每日首条行程起点为该聚点的次数。
每日最终行程终点为该聚点的次数lt_en：
根据(33.is_last_st)筛选每日最终行程，统计筛选出的行程的终点，统计每个终点的频率，得到每日最终行程终点为该聚点的次数。
在该聚点的日均停留时长time_active_perday：
1)对于每个聚点，筛选该月行程终点等于该聚点的行程，统计该月这些行程的停留时间(22.dura2)的总和，即停留时长的总和，得到该聚点的停留时长总和。
2)根据行程结束时所在的天(29.end_adj)统计用户该月活跃天数：统计所有的(29.end_adj)字段，得到该用户所有行程所在的天，即所有活跃的天。先对所有活跃的天取整数，即把在第1.1天、第1.25天、第1.8天···都算为第1天，然后将重复的天去掉，最后统计活跃的天数。
3)上面计算得到了在该聚点的总停留时长及用户在该月的活跃天数，用该聚点的停留时长总和除以活跃天数，得到用户在该聚点的日均停留时长。
通常情况下，每个用户应该都有居住地，如果为上述指标采取硬性指标，阈值太小可能会有非居住地点被判断为居住地，阈值太大又可能因为用户某月行程较少而找不到居住地。因此，这里采用一个软阈值，即不分别对每项做要求，而是综合判断所有指标，选出最像的，所以根据上面四项计算每个聚点的分数，上面四项所占比例为：1：1.5：1.5：20，即
score＝freq+1.5*ft_st+1.5*lt_en+20*time_active_perday
最终，会得到每个聚点的分数，选出排名前二的聚点，当排名第二的聚点的分数>＝0.8倍的排名第一的聚点的分数时，取这两个聚点分别作为居住地1和居住地2，否则，选取排名第一的聚点作为居住地1。
与居住地的判定不同，因为不是所有用户都一定有固定的上班地点，也就是说有些车辆可能不是通勤车辆，因此不需要一定为每个用户判断到工作地，所以这里对于工作地的规则，采用了一些硬性的限制，并且统计时段仅仅包含工作日。
作为本发明的再一个实施例，确定用户的工作地，包括：
计算每个聚点的第二属性，所述第二属性包括：起点为该聚点的行程频次、终点为该聚点的行程到达时段众数、用户在该聚点的日均停留时长和该聚点的日均到达次数；
根据聚点的第二属性，确定用户的工作地。
举例来说，在工作日里，被标记为工作地的聚点标号为每日首条停留时长大于2h行程终点集合中数量排名前三的标号，终点为该聚点的行程到达时段众数在[7,15]之间，日均停留时长在[2/24,+∞)，日均到达次数在[4/22.75,+∞)。
具体信息分别如下：
表6
需要指出的是，一个人如果有固定的上班地点，那么他早晨第一件事就是上班，所以在该步骤中找出首条行程终点，但是他有可能先在路上买个早点，但他买早点的时间不会是2h以上，通过设定要求大于2h就不会将早点摊误认为是工作地。
以聚点为单位，具体计算方法如下：
起点为该聚点的行程频次freq：
统计该月该用户所有行程的起点，计算各个点的频率。
终点为该聚点的行程到达时段众数aarive_time_workday：
得到终点为该聚点的行程，再根据(27.weekday)字段筛选工作日行程，统计这些行程的到达时段，并进一步统计这些到达时段的频率，找到频率最大的到达时段，即为终点为该聚点的行程到达时段众数。
在该聚点的日均停留时长time_perworkday：
得到终点为该聚点的行程，再根据(27.weekday)字段筛选工作日行程，统计这些行程的停留时长之和，除以工作日在线天数，即得到了该聚点的日均停留时长time_perworkday。
该聚点的日均到达次数times_perworkday：
得到终点为该聚点的行程，再根据(27.weekday)字段筛选工作日行程，统计筛选的行程数，除以工作日在线天数，即得到了该聚点的日均到达次数times_perworkday。
除此之外，因为很多居住地也都满足上述条件，为了避免居住地被判断为工作地，所以增加一个条件：工作地的聚点不能是居住地的聚点，因为聚点之间的距离为1公里，大部分人的工作地和居住地都不在一个聚点内。
确定居住地和工作地所在聚点后，就可以计算每个聚点的位置信息。
可选地，采用到达该聚点的行程终点的经纬度的平均值作为该聚点的经纬度，并通过逆地理编码解算出该点的地址描述(如省市、街区等)。
由此可见，本发明实施例提供的确定用户的居住地和工作地的方法通过将一定范围以内的起点或终点聚合到一起视为一个聚点，在保持精度要求的前提下避免了将同一地点不同停车位置视为不同地点的问题，对居住地的判断采用乘积加权的方法，使得大部分车主都能找到居住地，将居住地和工作地的判断结合起来，避免错误地将居住地误判为公司。而且，本发明实施例提供的方法通过行程数据确定聚点的第一属性和第二属性，并进一步基于第一属性和第二属性确定用户的居住地和工作地。
本发明实施例还提供了一种确定用户的居住地和工作地的装置，包括：
获取模块，用于获取车辆的行程数据，包括用户id、一段时间内的行程开始时间、行程结束时间、行程停留时间、行程起点、行程终点；
计算模块，用于根据行程开始时间、行程结束时间，计算行程处于一周中的第几天、行程开始时所在的天、行程结束时所在的天、行程开始时的时辰和行程结束时的时辰；
筛选模块，用于根据行程开始时间和行程停留时间，找出每日首条行程、每日最终行程、每日首条停留时长大于时间阈值的行程；
确定模块，用于确定用户的居住地和工作地。
在本发明的一些实施例中，所述筛选模块，用于：
根据行程开始时间对一段时间内的行程进行排序；
根据行程开始时间，判断每条行程是否是某天的第一条行程，以及每条行程否是某天的最后一条行程；
找出每日首条停留时长大于时间阈值的行程。
在本发明的一些实施例中，确定用户的居住地，包括：
计算每个聚点的第一属性，所述第一属性包括：起点为该聚点的行程频次、每日首条行程起点为该聚点的次数、每日最终行程终点为该聚点的次数和用户在该聚点的日均停留时长；
根据聚点的第一属性，确定用户的居住地。
在本发明的一些实施例中，用户在该聚点的日均停留时长的计算方法包括：
对于每个聚点，筛选一段时间内行程终点等于该聚点的行程，统计这些行程的停留时间的总和，得到该聚点的停留时长总和；
根据行程结束时所在的天统计用户的活跃天数；
用该聚点的停留时长总和除以活跃天数，得到用户在该聚点的日均停留时长。
在本发明的一些实施例中，确定用户的工作地，包括：
计算每个聚点的第二属性，所述第二属性包括：起点为该聚点的行程频次、终点为该聚点的行程到达时段众数、用户在该聚点的日均停留时长和该聚点的日均到达次数；
根据聚点的第二属性，确定用户的工作地。
因此，本发明实施例提供的确定用户的居住地和工作地的装置通过将一定范围以内的起点或终点聚合到一起视为一个聚点，在保持精度要求的前提下避免了将同一地点不同停车位置视为不同地点的问题，对居住地的判断采用乘积加权的方法，使得大部分车主都能找到居住地，将居住地和工作地的判断结合起来，避免错误地将居住地误判为公司。而且，本发明实施例提供的装置通过行程数据确定聚点的第一属性和第二属性，并进一步基于第一属性和第二属性准确地确定用户的居住地和工作地。
根据本发明的实施例，本发明还提供了一种电子设备和一种计算机可读存储介质。
本发明的电子设备包括：至少一个处理器；以及，与该至少一个处理器通信连接的存储器；其中，该存储器存储有可被该一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器执行本发明所提供的确定用户的居住地和工作地的方法。
本发明实施例提供的计算机可读存储介质存储有计算机指令，该计算机指令用于使计算机执行本发明所提供的确定用户的居住地和工作地的方法。
图3是根据本发明实施例的基于确定用户的居住地和工作地的方法的电子设备的硬件结构示意图。如图3所示，该电子设备包括：一个或多个处理器301以及存储器302，图3中以一个处理器301为例。其中，存储器302即为本发明所提供的非暂态计算机可读存储介质。所述电子设备还可以包括：输入装置303和输出装置304。
处理器301、存储器302、输入装置303和输出装置304可以通过总线或者其他方式连接，图3中以通过总线连接为例。
存储器302作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序指令以及模块，如与本发明实施例中的确定用户的居住地和工作地的方法对应的程序指令——例如，图2所示的获取模块、计算模块、筛选模块和确定模块。处理器301通过运行存储在存储器302中的软件程序、指令以及模块，从而执行基于确定用户的居住地和工作地的方法的各种功能应用以及数据处理，即实现上述方法实施例中的确定用户的居住地和工作地的方法。
存储器302可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序。此外，存储器302可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器302可选包括相对于处理器301远程设置的存储器，这些远程存储器可以通过网络连接至该电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。输出装置304可包括显示屏等显示设备
所述一个或者多个模块存储在存储器302中，当被一个或者多个处理器301执行时，执行实现上述任意方法实施例中的确定用户的居住地和工作地的方法。
上述产品可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。因此，凡在本发明的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。