一种目标区域内人数确定方法、装置、设备及存储介质转让专利
申请号 : CN202010506553.X
文献号 : CN111629336B
文献日 : 2021-04-27
发明人 : 许迅腾 , 李一非
申请人 : 腾讯科技(深圳)有限公司
摘要 :
权利要求 :
1.一种目标区域内人数确定方法,其特征在于,包括:获取发起定位请求的各用户设备的定位数据;
根据目标区域的区域标识和所述各用户设备的定位数据确定目标状态;其中,所述目标状态用于表征在当前时刻下所述目标区域的人群聚集状态,所述人群聚集状态包括人群未聚集状态、人群已聚集状态和人群散去状态;
根据所述目标状态和第一映射关系确定目标定位模型;其中,所述第一映射关系包括人群未聚集状态与第一模型的对应关系、人群已聚集状态与第二模型的对应关系以及人群散去状态与第三模型的对应关系;所述目标定位模型用于确定在当前时刻下各用户设备是否定位至目标区域内;
根据所述目标定位模型和所述各用户设备的定位数据从关注设备集中确定目标设备集;其中,所述目标设备集用于记录在当前时刻下位于目标区域内的各用户设备的设备标识,所述关注设备集用于记录各关注设备的设备标识,关注设备为在预设时间段内定位值目标区域内的用户设备,所述预设时间段包括当前时刻及位于当前时刻之间的历史时间段;
根据所述目标设备集确定目标区域内人数。
2.根据权利要求1所述的方法,其特征在于,所述根据所述目标定位模型和所述各用户设备的定位数据确定目标设备集,具体为:根据所述目标区域的区域标识和所述各用户设备的定位数据确定关注设备集;
基于所述各用户设备的定位数据,利用所述目标定位模型从所述关注设备集中确定出目标设备集。
3.根据权利要求2所述的方法,其特征在于,当所述目标定位模型为第一模型时,所述基于所述各用户设备的定位数据,利用所述目标定位模型从所述关注设备集中确定出目标设备集,具体为:
根据所述关注设备集和所述各用户设备的定位数据确定出关注信息集;其中,所述关注信息集用于记录各关注设备的定位信息;
将所述关注信息集输入至所述第一模型,得到所述第一模型输出的第一结果集;其中,所述第一结果集用于记录在当前时刻下各关注设备是否位于目标区域内;所述第一模型用于将所述定位信息满足第一条件的关注设备的定位结果确定为位于目标区域内,并将所述定位信息不满足第一条件的关注设备的定位结果确定为位于目标区域外;所述第一条件包括所述定位信息表征所述关注设备在当前时刻下的实际定位点位于目标区域内,或者所述定位信息表征所述关注设备的最近一次定位请求的发起时间与当前时刻的时间差小于预设时长且所述关注设备在距离当前时刻最近一次定位过程确定的历史定位结果为位于目标区域内;
从所述第一结果集中确定所述目标设备集。
4.根据权利要求2所述的方法,其特征在于,当所述目标定位模型为第二模型时,所述基于所述各用户设备的定位数据,利用所述目标定位模型从所述关注设备集中确定出目标设备集,具体为:
获取历史定位结果集;其中,所述历史定位结果集用于记录所述关注设备集中至少一个关注设备在距离当前时刻最近一次定位过程确定的历史定位结果;
根据所述关注设备集和所述各用户设备的定位数据确定更新信息集;其中,所述更新信息集用于记录在当前时刻下发起定位请求的各关注设备的定位更新信息;
将所述更新信息集和所述历史定位结果集输入所述第二模型,得到所述第二模型输出的第二结果集;其中,所述第二结果集用于记录在当前时刻下各关注设备是否位于目标区域内;所述第二模型用于将所述定位更新信息及所述历史定位结果满足第二条件的关注设备的定位结果确定为位于目标区域内,并将所述定位更新信息及所述历史定位结果不满足第二条件的关注设备的定位结果确定为位于目标区域外;所述第二条件包括所述定位更新信息表征所述关注设备在当前时刻下的实际定位点位于目标区域内,或者所述定位更新信息表征所述关注设备在当前时刻下未发起定位请求且所述历史定位结果表征所述关注设备在距离当前时刻最近一次定位过程定位至目标区域内;
从所述第二结果集中确定所述目标设备集。
5.根据权利要求2所述的方法,其特征在于,当所述目标定位模型为第三模型时,所述基于所述各用户设备的定位数据,利用所述目标定位模型从所述关注设备集中确定出目标设备集,具体为:
根据所述关注设备集和所述各用户设备的定位数据确定目标信息集;其中,所述目标信息集用于记录在当前时刻下实际定位至目标区域内的各关注设备的设备标识;
将所述目标信息集和所述关注设备集输入所述第三模型,得到所述第三模型输出的第三结果集;其中,所述第三结果集用于记录在当前时刻下各关注设备是否位于目标区域内;
所述第三模型用于将所述设备标识属于所述目标信息集与所述关注设备集交集的关注设备的定位结果确定为位于目标区域内,并将所述设备标识不属于所述目标信息集与所述关注设备集交集的关注设备的定位结果确定为位于目标区域外;
从所述第三结果集中确定所述目标设备集。
6.根据权利要求1所述的方法,其特征在于,所述根据所述目标设备集确定目标区域内人数,具体为:
将所述目标设备集中的用户设备个数确定为初始人数;
根据所述初始人数与第二映射关系确定目标系数;其中,所述第二映射关系用于记录各人数区间与各扩样系数之间的对应关系;
将所述初始人数和所述目标系数的乘积确定为目标区域内人数。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:将所述目标区域人数发送至显示设备,以使所述显示设备按照预设显示方式对所述目标区域人数进行显示。
8.一种目标区域内人数确定装置,其特征在于,包括:获取单元,用于获取发起定位请求的各用户设备的定位数据;
第一确定单元,用于根据目标区域的区域标识和所述各用户设备的定位数据确定目标状态;其中,所述目标状态用于表征在当前时刻下所述目标区域的人群聚集状态,所述人群聚集状态包括人群未聚集状态、人群已聚集状态和人群散去状态;
第二确定单元,用于根据所述目标状态和第一映射关系确定目标定位模型;其中,所述第一映射关系包括人群未聚集状态与第一模型的对应关系、人群已聚集状态与第二模型的对应关系以及人群散去状态与第三模型的对应关系;所述目标定位模型用于确定在当前时刻下各用户设备是否定位至目标区域内;
第三确定单元,用于根据所述目标定位模型和所述各用户设备的定位数据从关注设备集中确定目标设备集;其中,所述目标设备集用于记录在当前时刻下位于目标区域内的各用户设备的设备标识,所述关注设备集用于记录各关注设备的设备标识,关注设备为在预设时间段内定位值目标区域内的用户设备,所述预设时间段包括当前时刻及位于当前时刻之间的历史时间段;
第四确定单元,用于根据所述目标设备集确定目标区域内人数。
9.一种设备,其特征在于,所述设备包括处理器以及存储器:所述存储器用于存储计算机程序;
所述处理器用于根据所述计算机程序执行权利要求1‑7中任一项所述的方法。
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用于存储计算机程序,所述计算机程序用于执行权利要求1‑7中任一项所述的方法。
说明书 :
一种目标区域内人数确定方法、装置、设备及存储介质
技术领域
背景技术
用户在终端设备上使用这些应用程序时能够触发定位服务,此时定位服务提供方能够获知
用户的当前位置。
目标区域内人数。然而,因用户在终端设备上触发定位请求的时间不确定,导致基于目标区
域内发起定位服务的终端设备数量确定的目标区域内人数与位于目标区域内的实际人数
差距较大,从而导致上述提供的目标区域内人数确定方法的准确性较低。
发明内容
前时刻下各用户设备是否定位至目标区域内;
模型用于确定在当前时刻下各用户设备是否定位至目标区域内;
设备标识;
根据目标状态和第一映射关系确定目标定位模型,并根据目标定位模型和各用户设备的定
位数据确定目标设备集,以便根据目标设备集确定目标区域内人数。其中,目标状态用于表
征在当前时刻下目标区域的人群聚集状态;第一映射关系用于记录各人群聚集状态与各定
位模型之间的对应关系;目标定位模型用于确定在当前时刻下各用户设备是否定位至目标
区域内;目标设备集用于记录在当前时刻下位于目标区域内的各用户设备的设备标识。可
见,如此实现了基于定位数据确定目标区域人数的目的。还因目标定位模型是基于目标区
域在当前时刻下的人群聚集状态确定的,使得利用该目标定位模型确定出的目标设备集中
的用户设备更接近于在当前时刻下实际位于目标区域的用户设备,从而使得基于该目标设
备集确定的目标区域人数准确性较高。
附图说明
具体实施方式
申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在
没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在
这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,
意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设
备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过
程、方法、产品或设备固有的其它步骤或单元。
将目标区域内发起定位服务的用户设备数量确定为该目标区域内人数。但是,因用户在用
户设备上触发定位请求的时间不确定,导致基于目标区域内发起定位服务的用户设备数量
确定的目标区域内人数与位于目标区域内的实际人数差距较大,从而导致上述提供的目标
区域内人数确定方法的准确性较低。
于图1使用均值滤波后的平滑分布曲线示意图。需要说明的是,在图1所示的示意图和图2所
示的示意图中,横轴表示的是时间time(时间为24小时制,精确到分钟,每个大格表示10分
钟,每个小格表示5分钟);纵轴表示的是这一天中的每个时刻对应的体育馆内出现发起定
位请求的用户设备数量user。
30的球赛,使得该球赛引起了一场大约从18:30开始,直到21:33左右结束的人群聚集事件;
而且,在该近3个小时的球赛期间,大多数观众都没有离场。可见,在19:30至21:30期间体育
馆中的实际人数变化趋势应该是先大幅度增长然后保持不变,其与图1所示的用户设备数
量的变化趋势存在差距,而且,该差距产生的原因是:因在正式比赛期间大多数观众都在专
心关注比赛,导致只有较少的观众使用手机,从而导致只有较少的用户设备发起定位请求,
故导致在正式比赛期间发起定位请求的用户设备数量较少;还因在20:25左右发生了球赛
中场休息,使得大部分观众频繁使用用户设备来消磨时间,从而使得较大概率的用户设备
发起定位请求,故导致在20:25左右发起定位请求的用户设备数量较大。基于此分析可知,
直接将目标区域内发起定位服务的用户设备数量确定为该目标区域内人数是不准确的。
用户数据先进行累加,然后对累加后的数据取平均值或中位数,进而得到一个较为平滑稳
定的分布曲线。例如,如图2所示的对图1中示出的分布曲线进行了30分钟窗口的均值滤波
后得到的平滑分布曲线。基于图2所示的分布曲线可知,曲线平滑后,比较容易获得一个稳
定的阈值作为判定人群聚集事件的起止时间,但由于图1中的分布曲线显示的是21:45左右
观众大多已经离场,而图2中的平滑分布曲线显示的是需要到22:20左右才有事件结束的趋
势,因此,引入了较大的延时,导致计算出的目标区域内人数的明显晚于真实值的发生时
间,具有很高的误判率。
准确且实时地确定出目标区域内人数。
(ML,Machine Learning)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算
法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的
知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的
核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度
学习通常包括人工神经网络、置信网络、强化学习、迁移学习和归纳学习等技术。本发明实
施例通过机器学习技术可对发起定位请求的大量的用户设备的定位数据进行分析处理,以
确定位于目标区域内的实时人数,在定位服务方面的应用中具有非常高的应用价值。
确定目标状态;再根据目标状态和第一映射关系确定目标定位模型,并根据目标定位模型
和各用户设备的定位数据确定目标设备集,以便根据目标设备集确定目标区域内人数。其
中,目标状态用于表征在当前时刻下目标区域的人群聚集状态;第一映射关系用于记录各
人群聚集状态与各定位模型之间的对应关系;目标定位模型用于确定在当前时刻下各用户
设备是否定位至目标区域内;目标设备集用于记录在当前时刻下位于目标区域内的各用户
设备的设备标识。
标设备集中的用户设备更接近于在当前时刻下实际位于目标区域的用户设备,从而使得基
于该目标设备集确定的目标区域人数准确性较高。
(Personal Digital Assitant,PDA)、平板电脑等;服务器具体可以为应用服务器,也可以
为Web服务器,在实际部署时,该服务器可以为独立服务器,也可以为集群服务器或者云服
务器。
能够将该目标区域内人数进行显示。若本申请实施例提供的目标区域内人数确定方法由服
务器执行时,则服务器可以先基于获取到的发起定位请求的各用户设备的定位数据确定目
标区域内人数,再将该目标区域内人数发送给终端设备进行显示。
用的应用场景进行示例性介绍。
301用于执行本申请实施例提供的目标区域内人数确定方法得到目标区域内人数,并将该
目标区域内人数发送至终端设备进行显示。用户设备是指用户使用的终端设备,而且用户
可以借助用户设备向服务器301发起定位请求。
据,并将该定位数据反馈给该用户设备,以使该用户设备能够使用该定位数据执行相应的
定位服务。基于此可知,服务器301能够实时地获取发起定位请求的各用户设备的定位数
据,而且服务器301还能够先根据目标区域的区域标识和获取到的各用户设备的定位数据
确定目标状态,并根据目标状态和第一映射关系确定目标定位模型;再根据目标定位模型
和各用户设备的定位数据确定目标设备集,并根据目标设备集确定目标区域内人数,以便
服务器301将该目标区域内人数发送给终端设备302进行显示,如此使得监控人员(例如,交
警等)能够在终端设备302上准确地获知到目标区域中的人数。
数据之后,该终端设备先根据目标区域的区域标识和获取到的各用户设备的定位数据确定
目标状态,并根据目标状态和第一映射关系确定目标定位模型;再根据目标定位模型和各
用户设备的定位数据确定目标设备集,并根据目标设备集确定并显示目标区域内人数,以
使相关人员(例如,交警等)能够在该终端设备上准确地获知到目标区域中的人数。
对本申请实施例提供的目标区域内人数确定方法做任何限定。
进行介绍。如图4所示,该目标区域内人数确定方法包括S401‑S405:
位置信息调用需求的应用程序(如地图软件、打车软件、聊天软件、资讯软件等应用程序)。
识、用户所处位置的经纬度坐标、定位精度、速度等信息。另外,本申请实施例不限定设备标
识,例如设备标识可以为手机号码、国际移动设备识别码(International Mobile
Equipment Identity,IMEI)、MAC(Media Access Control)地址,或任何能区分不同用户设
备的脱敏后的号码串。
务的服务器能够确定对应于该定位请求的定位数据,并将该定位数据发送给用户设备,以
使该用户设备能够基于该定位数据执行相应的定位服务。另外,该提供定位服务的服务器
还将该定位数据发送给执行目标区域内人数确定方法的服务器,以使该执行目标区域内人
数确定方法的服务器能够基于该定位数据来确定目标区域内人数。
区域内人数确定方法的服务器可以是同一个服务器,也可以是不同的服务器。
的场所。
供的目标区域内人数确定方法应用于图1所示的应用场景时,上述监控人员可以在终端设
备302上输入或选择目标区域的区域标识,以使该终端设备302将该目标区域的区域标识发
送给服务器301,以便该服务器301能够确定该目标区域内人数。
聚集状态和人群散去状态。
的第一时长之后的时间段内。例如,人群未聚集状态通常发生在图5所示的普通时段。
图。另外,图5中曲线“merge”为利用基于定位点位于目标区域内的用户设备数量确定的目
标区域内人数的变化曲线;曲线“inAoi”为定位点位于目标区域内的用户设备数量的变化
曲线。
人群已聚集状态通常发生在图5所示的进行中时段。
的各用户设备数量小于2倍以往该时刻的正常值时结束。
人群聚集事件的处理方法来确定在当前时刻下目标区域是否发生人群聚集事件,再基于该
确定结果来确定目标区域的人群聚集状态。
体为:先利用目标区域的区域标识和所述各用户设备的定位数据来确定目标区域在当前时
刻下是否发生人群聚集事件,再基于该确定结果来确定目标区域的人群聚集状态,作为目
标状态。
关系,例如,当人群聚集状态包括人群未聚集状态、人群已聚集状态和人群散去状态,且定
位模型包括第一模型、第二模型和第三模型时,则第一映射关系可以包括人群未聚集状态
与第一模型的对应关系、人群已聚集状态与第二模型的对应关系、人群散去状态与第三模
型的对应关系。
型用于确定在当前时刻下各用户设备是否定位至目标区域内。
确定为目标定位模型,其过程具体为:当第一映射关系包括人群未聚集状态与第一模型的
对应关系、人群已聚集状态与第二模型的对应关系、人群散去状态与第三模型的对应关系
时,若目标状态表征在当前时刻下目标区域处于人群未聚集状态,则将第一模型确定为目
标定位模型;若目标状态表征在当前时刻下目标区域处于人群已聚集状态,则将第二模型
确定为目标定位模型;若目标状态表征在当前时刻下目标区域处于人群散去状态,则将第
三模型确定为目标定位模型。
设备的设备标识。
于此,本申请实施例还提供了S404的一种实施方式,在该实施方式中,S404具体可以包括
S4041和S4042:
史时间点到当前时刻之间的时间段。例如,假设当前时刻为2020年1月1日18:00,且第一历
史时间点为2020年1月1日0:00。基于该假设可知,预设时间段可以为2020年1月1日0:00‑
18:00。
确定关注列表的表示集合的任一实施方式进行实施。
内经过目标区域的各用户设备的集合确定为关注设备集,以便后续能够基于这些关注设备
集来确定在当前时刻下位于目标区域中的用户设备。
映射关系包括人群未聚集状态与第一模型的对应关系、人群已聚集状态与第二模型的对应
关系、人群散去状态与第三模型的对应关系)的基础上还提供了S4042的多种可能实施方
式,下面分别进行介绍。
步骤13:
位时间戳和关注设备的最近一次定位的定位结果。其中,关注设备的最近一次定位时间戳
用于表征关注设备在距离当前时刻最近一次发起定位请求的时间点。关注设备的最近一次
定位的定位结果用于表征对应于关注设备在距离当前时刻最近一次发起定位请求的定位
数据所表示定位地址(也就是,关注设备在距离当前时刻最近一次发起定位请求时关注设
备所处的实际经纬度坐标地址)。
行数据分析,确定出各关注设备的定位信息,最后,将各关注设备的定位信息的集合确定为
关注信息集,以便后续能够基于该关注信息集确定各关注设备在当前时刻下的定位结果。
预设时长且关注设备在距离当前时刻最近一次定位过程确定的历史定位结果为位于目标
区域内。可见,满足第一条件是指满足以下两个条件中的任一条件,该两个条件具体为:定
位信息表征关注设备在当前时刻下的实际定位点位于目标区域内,或者定位信息表征关注
设备的最近一次定位请求的发起时间与当前时刻的时间差小于预设时长且关注设备在距
离当前时刻最近一次定位过程确定的历史定位结果为位于目标区域内。
程确定的历史定位结果”是指对应于关注设备发起的最近一次定位请求的定位数据所显示
出的关注设备所处的定位地址。
为:当对应于该关注设备在当前时刻下发起的定位请求的定位数据显示出关注设备位于目
标区域内(也就是,该关注设备的实际定位点位于目标区域内)时,则确定该关注设备位于
目标区域内;当对应于该关注设备在当前时刻下发起的定位请求的定位数据显示出关注设
备位于目标区域外(也就是,该关注设备的实际定位点位于目标区域外)时,则确定该关注
设备位于目标区域外,也就是,该关注设备不位于目标区域内。
该确定过程具体为:当该关注设备的最近一次定位请求的发起时间与当前时刻的时间差小
于预设时长(也就是,图6中的MIN_STAY),而且该关注设备在距离当前时刻最近一次定位过
程确定的历史定位结果为位于目标区域内时,则确定该关注设备位于目标区域内;当该关
注设备的最近一次定位请求的发起时间与当前时刻的时间差大于或等于预设时长(也就
是,图6中的MIN_STAY),或者该关注设备在距离当前时刻最近一次定位过程确定的历史定
位结果为位于目标区域外时,则确定该关注设备位于目标区域外,也就是,该关注设备不位
于目标区域内。
时刻下的定位结果,并输出包括各关注设备在当前时刻下的定位结果的第一结果集,以便
后续能够从该第一结果集中确定出只包括在当前时刻下位于目标区域内的关注设备的目
标设备集。
标设备集,以使目标设备集中能够记录有在当前时刻下位于目标区域内的各关注设备的设
备标识。
确定过程具体为:先确定各关注设备的定位信息,再根据该定位信息,并由第一模型按照上
述介绍的判断原则来确定各关注设备在当前时刻下的定位结果,以便可以基于第一模型确
定的各关注设备在当前时刻下的定位结果来确定目标设备集。如此能够提高目标设备集的
准确性,从而有利于提高目标区域内人数的准确性。
步骤24:
结果集记录有上述位于当前时刻之前的历史时间段内定位至目标区域内的用户设备在距
离当前时刻最近一次定位过程确定的历史定位结果。
设备标识,从而使得在当前时刻下存在新经过目标区域的用户设备时,该新经过目标区域
的用户设备不存在历史定位结果,故使得历史定位结果集不包括该新经过目标区域的用户
设备的历史定位结果。
限定定位更新信息,在一种可能的实施方式中,定位更新信息可以包括关注设备的设备标
识、关注设备的最近一次定位时间戳(也就是,当前时刻)和关注设备的最近一次定位的定
位结果(也就是,当前时刻下的定位数据)。
的每一关注设备来说,可以利用该关注设备的定位数据来确定该关注设备是否在当前时刻
下发起定位请求,并在确定该关注设备在当前时刻下发起定位请求时,生成该关注设备的
定位更新信息并该关注设备的定位更新信息添加至更新信息集。
备的定位结果确定为位于目标区域外。
征关注设备在距离当前时刻最近一次定位过程定位至目标区域内。可见,满足第二条件是
指满足以下两个条件中的任一条件,该两个条件具体为:定位更新信息表征关注设备在当
前时刻下的实际定位点位于目标区域内,或者定位更新信息表征关注设备在当前时刻下未
发起定位请求且历史定位结果表征关注设备在距离当前时刻最近一次定位过程定位至目
标区域内。
为:当对应于该关注设备在当前时刻下发起的定位请求的定位数据显示出关注设备位于目
标区域内(也就是,该关注设备的实际定位点位于目标区域内)时,则确定该关注设备位于
目标区域内;当对应于该关注设备在当前时刻下发起的定位请求的定位数据显示出关注设
备位于目标区域外(也就是,该关注设备的实际定位点位于目标区域外)时,则确定该关注
设备位于目标区域外,也就是,该关注设备不位于目标区域内。
该确定过程具体为:当该关注设备在距离当前时刻最近一次定位过程定位至目标区域内
时,则确定该关注设备位于目标区域内;当该关注设备在距离当前时刻最近一次定位过程
定位至目标区域外时,则确定该关注设备位于目标区域外,也就是,该关注设备不位于目标
区域内。
上述判断原则来确定各关注设备在当前时刻下的定位结果,并输出包括各关注设备在当前
时刻下的定位结果的第二结果集,以便后续能够从该第二结果集中确定出只包括在当前时
刻下位于目标区域内的关注设备的目标设备集。
确定过程具体为:先确定更新信息集和历史定位结果集,再根据更新信息集和历史定位结
果集,并由第二模型按照上述介绍的判断原则来确定各关注设备在当前时刻下的定位结
果,以便可以基于第二模型确定的各关注设备在当前时刻下的定位结果来确定目标设备
集。如此能够提高目标设备集的准确性,从而有利于提高目标区域内人数的准确性。
骤33:
备的定位结果确定为位于目标区域外。
前时刻下发起的定位请求的定位数据显示出该关注设备位于目标区域内(也就是,该关注
设备的实际定位点位于目标区域内)时,才会确定该关注设备位于目标区域内。然而,对于
处于其他情况的关注设备来说,均确定为该关注设备位于目标区域外,也就是,该关注设备
不位于目标区域内。
注设备在当前时刻下的定位结果,并输出包括各关注设备在当前时刻下的定位结果的第三
结果集,以便后续能够从该第三结果集中确定出只包括在当前时刻下位于目标区域内的关
注设备的目标设备集。
定过程具体为:先确定目标信息集,再根据该目标信息集,并由第三模型按照上述介绍的判
断原则来确定各关注设备在当前时刻下的定位结果,以便可以基于第三模型确定的各关注
设备在当前时刻下的定位结果来确定目标设备集。如此能够提高目标设备集的准确性,从
而有利于提高目标区域内人数的准确性。
设备集能够准确地记录有在当前时刻下位于目标区域内的各用户设备的设备标识,以便后
续能够基于该目标设备集进行目标区域内人数的确定。
集中的用户设备个数与预设倍数的乘积确定为目标区域内人数。
的实施方式,其具体可以包括S4051‑S4053:
间与各扩样系数之间的对应关系,并基于该对应关系生成第二映射关系。
三扩样系数r2之间的对应关系。基于上述假设可知,当一条历史数据中记录有目标区域在
目标时刻下的实际人数为x,且利用目标区域内人数确定方法确定的目标区域内人数为y,
则上述区间参数(也就是TH0、TH1和TH2)与扩样系数(也就是r0、r1和r2)可以利用公式(1)至
(3)确定。
判断目标设备集中的用户设备个数所属的人数区间(如采用图9所示的判断流程进行判
断),再从第二映射关系中查找对应于目标设备集中的用户设备个数所属的人数区间的扩
样系数,作为目标系数;最后将目标设备集中的用户设备个数和目标系数的乘积确定为目
标区域内人数。如此能够有效地提高目标区域内人数的准确性。
段2的扩样系数是指上文的第一扩样系数r2。,例如,在图10所示的目标区域内人数变化趋
势图中,“无活动的UV范围”就是指上文的阶段0;“活动开始之前和结束之后的过渡期的UV
范围”就是指上文的阶段1;“活动进行中的UV范围”就是指上文的阶段2。
有效地表征出在当前时刻下目标区域内的实际人数。
此,本申请实施例还提供了目标区域内人数确定方法的一种实施方式,在该实施方式中,目
标区域内人数确定方法除了包括上述步骤S401‑S405以外,还包括S406:
(如图12所示)。
用户设备的定位数据确定目标状态;再根据目标状态和第一映射关系确定目标定位模型,
并根据目标定位模型和各用户设备的定位数据确定目标设备集,以便根据目标设备集确定
目标区域内人数。其中,目标状态用于表征在当前时刻下目标区域的人群聚集状态;第一映
射关系用于记录各人群聚集状态与各定位模型之间的对应关系;目标定位模型用于确定在
当前时刻下各用户设备是否定位至目标区域内;目标设备集用于记录在当前时刻下位于目
标区域内的各用户设备的设备标识。
标设备集中的用户设备更接近于在当前时刻下实际位于目标区域的用户设备,从而使得基
于该目标设备集确定的目标区域人数准确性较高。
的技术详情请参照方法实施例中的相关内容。
图13为本申请实施例提供的用于确定目标区域内人数的系统示意图;图14为本申请实施例
提供的图13所示系统确定目标区域内人数的流程图。
的Event Detect模块)、区域内人数确定模块(也就是图13中的Stay UV Estimate模块)和
区域内停留人群信息存储模块(也就是,图13中的Stay Map模块)。
标区域内人数确定方法的周期,例如,Update_Time可以为10分钟、1分钟、10秒钟等),并基
于该Realtime_Traffic确定用于记录在当前时刻下发起定位请求并实际定位至目标区域
内的用户设备集合In_ID_map(也就是上文的目标信息集)、用于记录在当前时刻下发起定
位请求并实际定位至目标区域内的用户设备数量inAoi_UV、以及用于记录在当前时刻下发
起定位请求并实际定位至目标区域内的各关注设备定位信息的集合Update_ID_list。需要
说明的是,定位信息更新模块可以通过执行上述S401来进行实施。
当于申请号为201910898268.4,发明名称为“一种人群聚集事件的处理方法、装置及电子设
备”中提供的事件检测模块。需要说明的是,人群聚集状态检测模块可以通过执行上述S402
来进行实施。
于将确定出的Est_Stay_ID_list反馈给区域内人数确定模块,以使区域内人数确定模块利
用该接收的Est_Stay_ID_list进行下一轮目标区域内人数的确定过程。也就是,区域内停
留人群信息存储模块用于向区域内人数确定模块提供Est_Stay_ID_list(t‑1),以使区域
内人数确定模块基于给Est_Stay_ID_list(t‑1)确定Est_Stay_ID_list(t)。其中,Est_
Stay_ID_list(t‑1)表示在第t‑1时刻下的确定出的目标设备集中各用户设备定位信息集
合;Est_Stay_ID_list(t)表示在第t时刻下的确定出的目标设备集中各用户设备定位信息
集合。
成用于记录在当前时刻下目标设备集中各用户设备定位信息集合Est_Stay_ID_list(t)、
用于记录定位结果显示出在当前时刻下定位至目标区域内的用户设备的设备标识集合
Est_In_ID_map;用于记录定位结果显示出在当前时刻下定位至目标区域外的用户设备的
设备标识集合Est_Out_ID_map。需要说明的是,区域内人数确定模块可以通过执行上述
S403至S405来进行实施。
Out_ID_map和Est_In_ID_map。
送给Stay UV Estimate模块。
Out_ID_map。
Estimate模块,以便Stay UV Estimate模块基于该Est_Stay_ID_list(t)确定下一时刻的
Est_Stay_ID_list(t+1)。
实时人数。
应用和实现。
标定位模型用于确定在当前时刻下各用户设备是否定位至目标区域内;
备的设备标识;
位至所述目标区域内的用户设备;所述预设时间段包括当前时刻及位于当前时刻之前的历
史时间段;
设备的定位数据确定出关注信息集;其中,所述关注信息集用于记录各关注设备的定位信
息;
模型用于将所述定位信息满足第一条件的关注设备的定位结果确定为位于目标区域内,并
将所述定位信息不满足第一条件的关注设备的定位结果确定为位于目标区域外;所述第一
条件包括所述定位信息表征所述关注设备在当前时刻下的实际定位点位于目标区域内,或
者所述定位信息表征所述关注设备的最近一次定位请求的发起时间与当前时刻的时间差
小于预设时长且所述关注设备在距离当前时刻最近一次定位过程确定的历史定位结果为
位于目标区域内;
史定位结果集用于记录所述关注设备集中至少一个关注设备在距离当前时刻最近一次定
位过程确定的历史定位结果;
标区域内;所述第二模型用于将所述定位更新信息及所述历史定位结果满足第二条件的关
注设备的定位结果确定为位于目标区域内,并将所述定位更新信息及所述历史定位结果不
满足第二条件的关注设备的定位结果确定为位于目标区域外;所述第二条件包括所述定位
更新信息表征所述关注设备在当前时刻下的实际定位点位于目标区域内,或者所述定位更
新信息表征所述关注设备在当前时刻下未发起定位请求且所述历史定位结果表征所述关
注设备在距离当前时刻最近一次定位过程定位至目标区域内;
设备的定位数据确定目标信息集;其中,所述目标信息集用于记录在当前时刻下实际定位
至目标区域内的各关注设备的设备标识;
域内;所述第三模型用于将所述设备标识属于所述目标信息集与所述关注设备集交集的关
注设备的定位结果确定为位于目标区域内,并将所述设备标识不属于所述目标信息集与所
述关注设备集交集的关注设备的定位结果确定为位于目标区域外;
设备的定位数据确定目标状态;再根据目标状态和第一映射关系确定目标定位模型,并根
据目标定位模型和各用户设备的定位数据确定目标设备集,以便根据目标设备集确定目标
区域内人数。其中,目标状态用于表征在当前时刻下目标区域的人群聚集状态;第一映射关
系用于记录各人群聚集状态与各定位模型之间的对应关系;目标定位模型用于确定在当前
时刻下各用户设备是否定位至目标区域内;目标设备集用于记录在当前时刻下位于目标区
域内的各用户设备的设备标识。可见,如此实现了基于定位数据确定目标区域人数的目的。
还因目标定位模型是基于目标区域在当前时刻下的人群聚集状态确定的,使得利用该目标
定位模型确定出的目标设备集中的用户设备更接近于在当前时刻下实际位于目标区域的
用户设备,从而使得基于该目标设备集确定的目标区域人数准确性较高。
务器进行介绍。
分。该终端可以为包括手机、平板电脑、个人数字助理(英文全称:Personal Digital
Assistant,英文缩写:PDA)、销售终端(英文全称:Point of Sales,英文缩写:POS)、车载电
脑等任意终端设备,以终端为平板电脑为例:
1720、输入单元1730、显示单元1740、传感器1750、音频电路1760、无线保真(英文全称:
wireless fidelity,英文缩写:WiFi)模块1770、处理器1780、以及电源1790等部件。本领域
技术人员可以理解,图17中示出的平板电脑结构并不构成对平板电脑的限定,可以包括比
图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
可主要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
需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据平板电脑
的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器1720可以包括高速随机存
取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易
失性固态存储器件。
器1720内的数据,执行平板电脑的各种功能和处理数据,从而对平板电脑进行整体监控。可
选的,处理器1780可包括一个或多个处理单元;优选的,处理器1780可集成应用处理器和调
制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处
理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器1780
中。
前时刻下各用户设备是否定位至目标区域内;
以上中央处理器(central processing units,CPU)1822(例如,一个或一个以上处理器)和
存储器1832,一个或一个以上存储应用程序1842或数据1844的存储介质1830(例如一个或
一个以上海量存储设备)。其中,存储器1832和存储介质1830可以是短暂存储或持久存储。
存储在存储介质1830的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包
括对服务器中的一系列指令操作。更进一步地,中央处理器1822可以设置为与存储介质
1830通信,在服务器1800上执行存储介质1830中的一系列指令操作。
如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
前时刻下各用户设备是否定位至目标区域内;
式。
方式。
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,例如多个单元或组件
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。另一点,所显示或
讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦
合或通信连接,可以是电性,机械或其它的形式。
网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目
的。
元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
或者说对现有技术做出贡献的部分或者该技术方案的全部或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(可以是个人计算机,服务器,或者网络设备等)执行本申请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(英文全称:Read‑Only
Memory,英文缩写:ROM)、随机存取存储器(英文全称:Random Access Memory,英文缩写:
RAM)、磁碟或者光盘等各种可以存储计算机程序的介质。
述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些
修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。