[发明专利]移动设备线下活动场景的识别方法和装置

说明书

一种移动设备线下活动场景的识别方法和识别装置，识别方法包括对初始坐标数据进行时间序列聚类优化，以获取优化后的坐标数据；利用ARIMA模型对所述优化后的坐标数据进行插补，补齐缺失的位置信息，以获取平稳时间序列的坐标数据；将所述平稳时间序列的坐标数据进行曲线拟合，以获得移动设备用户线下活动行为轨迹，使得能够构建准确的移动设备线下活动场景，进而更好地勾勒移动设备用户的线下特征画像，从而为企业提供更好的营销触达体验。

技术领域

本发明涉及大数据分析技术领域，具体涉及一种移动设备线下活动场景的识别方法和装置。

背景技术

现有技术中，对移动设备线下活动场景的识别方法通常是通过某种机制采集终端用户的位置信息，然后对位置信息进行数据去重，剔除异常值，再基于时间维度，将用户在具体时间段内的位置信息连接起来，勾勒出用户在特定场景下的一条行为轨迹，对获取到的移动终端位置信息是直接利用。但是，由于终端的激活状态等主客观因素，获取的位置信息往往是不完整的，会存在缺失，另外，由于移动设备位置采样的频次疏密程度不同，获取的位置信息也会存在不完整的现象，容易造成用户行为轨迹的缺失甚至错误，进而导致使用该活动场景的企业对客户线下活动情况的判断产生误差。

发明内容

本申请一方面提供一种移动设备线下活动场景的识别方法和装置，通过补齐缺失的位置信息，能够提供准确的移动设备线下活动轨迹。

根据第一方面，本申请提供一种移动设备线下活动场景的识别方法，包括以下步骤：对初始坐标数据进行时间序列聚类优化，以获取优化后的坐标数据；利用ARIMA模型对所述优化后的坐标数据进行插补，补齐缺失的位置信息，以获取平稳时间序列的坐标数据；对所述平稳时间序列的坐标数据进行曲线拟合，以获得移动设备用户线下活动行为轨迹。

根据本发明的一个实施例，所述对初始坐标数据进行时间序列聚类优化，以获取优化后的坐标数据的过程包括：对初始坐标数据进行同簇聚类，其中，所述同簇聚类为相邻两个坐标数据的时间间隔小于或等于预设阈值，且坐标距离小于或等于预设阈值；确定所述同簇聚类的中心坐标，并用所述同簇聚类的中心坐标对所述初始坐标数据进行时间序列聚类优化，以获取优化后的坐标数据。

根据本发明的一个实施例，所述利用ARIMA模型对所述优化后的坐标数据进行插补，以获取平稳时间序列的位置信息的过程包括：判断所述优化后的坐标数据变化是否平稳；将不平稳的坐标数据进行反复差分处理，直至所述坐标数据平稳；计算所述坐标数据的自相关函数和偏自相关函数；进行参数估计，确定所述坐标数据的差分次数、自回归项的阶数和移动平均项数的阶数；根据ARIMA模型的识别规则，选择模型类型；对所选模型类型进行回归诊断，判断所选模型类型是否合适；在所选模型类型合适时，利用所选模型对所述坐标数据进行插补，补齐缺失的坐标数据，以获取平稳时间序列的坐标数据。

根据本发明的一个实施例，所述根据ARIMA模型的识别规则，确定所述坐标数据的模型类型包括：如果平稳时间序列的坐标数据的偏相关函数截尾，且自相关函数拖尾，则坐标数据的时间序列为自回归模型；如果平稳时间序列的坐标数据的自相关函数截尾，且偏相关函数拖尾，则坐标数据的时间序列为移动平均模型；如果平稳时间序列的坐标数据的自相关函数和偏相关函数均拖尾，则坐标数据的时间序列为自回归移动平均模型。

根据本发明的一个实施例，移动设备线下活动场景的识别方法还包括：根据最小二乘法的多元曲线拟合方法将所述平稳时间序列的坐标数据进行曲线拟合，以获得移动设备用户线下活动行为轨迹。

根据本发明的一个实施例，所述时间序列的坐标数据具有马尔可夫性质。

根据本发明的一个实施例，移动设备线下活动场景的识别方法还包括：将原始位置信息进行预处理，以获取初始坐标数据。