[發明專利]軌跡聚合方法、裝置、存儲介質及電子設備

在審

• 申請號: 201810330890.0
• 申請日: 2018-04-13
• 公開（公告）號: CN110390012A
• 公開（公告）日: 2019-10-29
• 發明（設計）人: 王路廣;李凡;武躍峰;雍興輝;張偉華
• 申請（專利權）人: 北京京東尚科信息技術有限公司;北京京東世紀貿易有限公司
• 主分類號: G06F16/35
• 分類號: G06F16/35
• 代理公司: 北京律智知識產權代理有限公司 11438
• 代理人: 闞梓瑄;王衛忠

本發明實施例提供一種軌跡聚合方法、裝置、存儲介質及電子設備，該方法包括：記錄預設時間段內的各時間點的各用戶的坐標點，以形成所述各用戶的用戶軌跡；將所述各用戶的用戶軌跡轉換為所述各用戶的軌跡向量；對所述各用戶的軌跡向量進行聚合，獲取最熱軌跡向量，根據所述最熱軌跡向量獲取所述最熱軌跡向量對應的標準最熱軌跡的技術手段，能夠精準的對用戶軌跡聚合，提升了獲取標準最熱軌跡的精確度。

技術領域

本發明涉及計算機技術領域，具體而言，涉及一種軌跡聚合方法、裝置、存儲介質及電子設備。

背景技術

聚類分析又稱群分析，它是研究(樣品或指標)分類問題的一種統計分析方法，同時也是數據挖掘的一個重要算法。在商業上，聚類可以幫助市場分析人員從消費者數據庫中區分出不同的消費群體來，并且概括出每一類消費者的消費模式或者說習慣。它作為數據挖掘中的一個模塊，可以作為一個單獨的工具以發現數據庫中分布的一些深層的信息，并且概括出每一類的特點，或者把注意力放在某一個特定的類上以作進一步的分析；并且，聚類分析也可以作為數據挖掘算法中其他分析算法的一個預處理步驟。

現有的聚類算法聚合行人路徑會聚合出一條“虛擬路徑”，并且現有的聚類算法，并不適用于聚合顧客的軌跡。如：K-means算法：在K-means算法中K是事先給定的，這個K值的選定是非常難以估計的；K-MEDOIDS算法不適合于大數據量的計算；Clara算法一般不太可能得到最佳的結果。

例如，若要從n條路徑中選最熱的5條路徑，如果直接通過聚類算法將n條路徑聚合為5個類簇，那么會聚合出“虛擬類簇”，因為n條路徑可能是互相獨立的類簇。

在實現本發明的過程中，發明人發現現有技術中的聚類算法誤差比較大，聚合的軌跡不精準。

因此需要一種軌跡聚合方法、裝置、存儲介質及電子設備。

在所述背景技術部分公開的上述信息僅用于加強對本發明的背景的理解，因此它可以包括不構成對本領域普通技術人員已知的現有技術的信息。

發明內容

有鑒于此，本發明提供一種軌跡聚合方法、裝置、存儲介質及電子設備，能夠精確的聚合軌跡。

本發明的其他特性和優點將通過下面的詳細描述變得顯然，或部分地通過本發明的實踐而習得。

根據本發明的第一方面，提供一種軌跡聚合方法，其中，所述方法包括：

記錄預設時間段內的各時間點的各用戶的坐標點，以形成所述各用戶的用戶軌跡；

將所述各用戶的用戶軌跡轉換為所述各用戶的軌跡向量；

對所述各用戶的軌跡向量進行聚合，獲取最熱軌跡向量；

根據所述最熱軌跡向量獲取所述最熱軌跡向量對應的標準最熱軌跡。

根據一些實施例，將所述各用戶的用戶軌跡轉換為所述各用戶的軌跡向量，包括：

將各用戶的用戶軌跡中的坐標點轉換為軌跡向量中的各分量，獲取與所述用戶軌跡中的坐標點數目相同的維數的向量。

根據一些實施例，通過以下公式將各用戶的用戶軌跡中的坐標點轉換為軌跡向量中的各分量：

V_i＝ceil(x_i/k)+(ceil(w/k)+1)*ceil(y_i/k)；

其中，w表示所述用戶軌跡中的坐標點所在的圖片的寬度，k表示設定的w的比例系數，k大于0且小于或等于w，x_i以及y_i表示用戶軌跡中的坐標點，V_i表示軌跡向量中第i個分量。

根據一些實施例，對所述各用戶的軌跡向量進行聚合，獲取最熱軌跡向量之前，所述方法還包括：