一种基于时空大数据的目标匹配方法及系统发明专利

专利名称：一种基于时空大数据的目标匹配方法及系统

专利类型：发明专利

专利申请号：CN202111188350.1

专利申请（专利权）人：湖北文理学院
权利人地址：湖北省襄阳市隆中路296号

专利发明（设计）人：王峰,李梦君,屈俊峰,黄小童,黄金洲,国冰磊

专利摘要：本发明公开了一种基于时空大数据的目标匹配方法及系统，首先通过目标对象携带的智能设备，采集目标对象的活动轨迹点数据；若目标对象属于相互关联的若干对象，则在采集之前，需确定主目标及从属目标，并在目标对象间的智能设备建立数据通信关联，确保目标对象间的关联关系；然后针对需要匹配的属性，按照预设规则，对采集的轨迹点数据进行筛选；最后根据目标匹配原则，进行目标匹配；若目标对象属于相互关联的若干对象，则将目标匹配结果推送给主目标。本发明在时空大数据环境下，针对特定场景下的特定活动对满足活动需求和条件的主目标和从属目标进行快速精准匹配，从而达成改善和提升精准匹配效率和推荐成功率的目标。

主权利要求：
1.一种基于时空大数据的目标匹配方法，其特征在于，包括以下步骤：步骤1：通过目标对象携带的智能设备，采集目标对象的活动轨迹点数据；若目标对象属于相互关联的若干对象，则在采集之前，需确定主目标及从属目标，并在目标对象间的智能设备建立数据通信关联，确保目标对象间的关联关系；
其中，当目标对象属于相互关联的若干对象时，设主目标集合为 从属目标集合为P＝{p|pj}，主目标与从属目标间存在以下隶属关系：其中，i表示主目标的家庭编号，k表示家庭i的家庭成员编号，j表示从属目标编号；
则具体实现包括以下步骤：
步骤A1：采集主目标与从属目标活动的位置坐标集合为L＝{lo,a|}，则采集到的主目标和从属目标的位置坐标集合为：k k
＝{(hi ,pj|lo,a)|hi←lo,a,pj←lo,a}；
步骤A2：定义筛选规则集合R＝{r|rs}，并对步骤A1中的位置坐标集合进行筛选出符合“”这一特征的候选位置坐标集合：其中，rs表示被选中的规则，Rt,l表示满足条件某时间t和某位置l的规则集合、C表示满足规则集合Rt,l的候选主目标H和从属目标P、c表示在规则rt,l,d下得到 的候选目标、rt,l,d表示满足条件某时间t、某位置l和某距离d的规则，d表示同一时间t、同一兴趣点位置l时，主目标和从属目标间地理位置坐标相隔的距离，因此筛选结果必须满足条件d≤σ；
步骤A3：筛选主目标和从属目标在某兴趣点的停留时长tstay，则进一步筛选候选位置坐标集合：其中， 表示满足在某位置l处停留时长tstay的规则集合、 表示满足在某位置l处停留时长tstay且距离为d的规则；
步骤A4：筛选从属目标在停留时长tstay下满足一定活动域ldomain的候选位置坐标集合：其中， 表示满足在某活动域ldomain的停留时长为tstay的规则集合、 表示满足在某活动域ldomain的停留时长为tstay且距离为d的规则；
步骤A5：结合兴趣点的类型进一步筛选候选位置坐标集合：
其中， 表示满足在某活动域ldomain的停留时长为tstay且兴趣点类别为POIcategory的规则集合、 表示满足在某活动域ldomain的停留时长为tstay、兴趣点类别为POIcategory且距离为d的规则；
步骤A6：统计候选位置坐标集合周边预设距离区域Re内，从属目标的轨迹活动点对数Num，将候选位置坐标集合推荐给区域Re内满足预设量Num的目标用户，若目标用户进入推荐活动区域的范围则认定为推荐成果，否则推荐失败；
步骤2：针对需要匹配的属性，按照预设规则，对步骤1中采集的轨迹点数据进行筛选；
步骤3：根据目标匹配原则，进行目标匹配；若目标对象属于相互关联的若干对象，则将目标匹配结果推送给主目标。
2.一种基于时空大数据的目标匹配系统，其特征在于，包括以下模块：模块1，用于通过目标对象携带的智能设备，采集目标对象的活动轨迹点数据；若目标对象属于相互关联的若干对象，则在采集之前，需确定主目标及从属目标，并在目标对象间的智能设备建立数据通信关联，确保目标对象间的关联关系；
其中，当目标对象属于相互关联的若干对象时，设主目标集合为 从属目标集合为P＝{p|pj}，主目标与从属目标间存在以下隶属关系：其中，i表示主目标的家庭编号，k表示家庭i的家庭成员编号，j表示从属目标编号；
则具体实现包括以下模块：
模块A1，用于采集主目标与从属目标活动的位置坐标集合为L＝{lo,a|}，则采集到的主目标和从属目标的位置坐标集合为：模块A2，用于定义筛选规则集合R＝{r|rs}，并对模块A1中的位置坐标集合进行筛选出符合“”这一特征的候选位置坐标集合：其中，rs表示被选中的规则，Rt,l表示满足条件某时间t和某位置l的规则集合、C表示满足规则集合Rt,l的候选主目标H和从属目标P、c表示在规则rt,l,d下得到 的候选目标、rt,l,d表示满足条件某时间t、某位置l和某距离d的规则，d表示同一时间t、同一兴趣点位置l时，主目标和从属目标间地理位置坐标相隔的距离，因此筛选结果必须满足条件d≤σ；
模块A3，用于筛选主目标和从属目标在某兴趣点的停留时长tstay，则进一步筛选候选位置坐标集合：其中， 表示满足在某位置l处停留时长tstay的规则集合、 表示满足在某位置l处停留时长tstay且距离为d的规则；
模块A4，用于筛选从属目标在停留时长tstay下满足一定活动域ldomain的候选位置坐标集合：其中， 表示满足在某活动域ldomain的停留时长为tstay的规则集合、 表示满足在某活动域ldomain的停留时长为tstay且距离为d的规则；
模块A5，用于结合兴趣点的类型进一步筛选候选位置坐标集合：
其中， 表示满足在某活动域ldomain的停留时长为tstay且兴趣点类别为POIcategory的规则集合、 表示满足在某活动域ldomain的停留时长为tstay、兴趣点类别为POIcategory且距离为d的规则；
模块A6，用于统计候选位置坐标集合周边预设距离区域Re内，从属目标的轨迹活动点对数Num，将候选位置坐标集合推荐给区域Re内满足预设量Num的目标用户，若目标用户 进入推荐活动区域的范围则认定为推荐成果，否则推荐失败；
模块2，用于针对需要匹配的属性，按照预设规则，对模块1中采集的轨迹点数据进行筛选；
模块3，用于根据目标匹配原则，进行目标匹配；若目标对象属于相互关联的若干对象，则将目标匹配结果推送给主目标。 说明书 : 一种基于时空大数据的目标匹配方法及系统技术领域[0001] 本发明属于大数据分析技术领域，涉及一种基于时空大数据的目标匹配方法及系统，具体涉及一种基于大数据和位置的社交网络领域中目标匹配方法及系统，可以应用到各个领域，例如广告精准投送，宠物社交活动中按宠物活动区域自动发起且智能推荐等。背景技术[0002] “活动域”一词，源于追踪智慧城市中人类的日常活动轨迹。通过研究人类活动轨迹数据，研究人员可以设计出各种算法和行为模式极大的方便人们的日常生活。[0003] 而基于目标对象日常活动轨迹的大数据分析，同样适用于各种有生命力的物体。以宠物的移动轨迹为例，通过研究发现，宠物的移动轨迹与特定养宠人群的移动轨迹具有强相关性，即宠物主人到哪里遛弯儿，通常身边会带一只宠物(狗)，而这只宠物身上通常会戴一只具有定位功能的宠物项圈。因此，这为本发明所提出的方法得以产业化应用提供了移动轨迹挖掘方面极大地便利。由于宠物项圈能够记录宠物日常活动的轨迹，所以用于人类移动轨迹挖掘的算法能够巧妙的移植并稍加改动后应用于宠物移动轨迹的挖掘，并可为宠物的日常社交活动带来特殊便利。[0004] 接下来，将详细剖析当前与移动轨迹挖掘相关的最新研究成果和相关背景技术。[0005] 1、移动轨迹相关研究。[0006] 当前，由于基于位置服务(Location‑basedService，LBS)的兴起为海量移动轨迹数据的积累提供了平台软硬件支撑。基于这些人类移动轨迹数据的分析，为一系列商业化管理和应用提供了便利，例如基于位置的推荐服务，匿名轨迹探测，恐怖歧视和流行病跟踪等。[0007] 基于轨迹模式的方法论用于预测人类未来的活动轨迹。一种基于用户到达和停留[1]时间的非线性时间序列分析方法主要用于预测用户最重要的访问位置 。JingYuan等[2]人 利用人类移动性和兴趣点数据用于发现城市中不同的功能性区域。他们利用基于主题的推断模型推断每个区域的功能，将每个区域看作一个文档，将函数看作一个主题，将兴趣[3]点的类别看作元数据。MiguelN′u nez‑del‑Prado‑Cortez等人 基于人类移动性模式和~时空聚类的思路，采用一种叫做移动性马尔科夫链的聚类算法来发现行政区域。Ya‑Jing[4]Xu 等人提出了一种区域活动熵模型用于发现隐藏在区域间的社交关系。FERNANDO等人基于多源异构数据提出了一种鲁棒性预测城市居民移动模式的方法，该方法的思路基于一个低分辨率的移动性数据集和利用日常水消耗数据。Meihan[6]Jin等人 提出了一种概念间模和数据管理方法用于表述和分析城市中的人类移动轨迹。为了考虑从移动性模式中展现出来的所有属性，该模型考虑空间、时间和语义等三个维度。[7]MinjieWang等人 基于区域中兴趣点的数量和类别提出了一种线性回归模型用于预测该[8]区域内流入和流出的人流量。ShuyangShi等人 通过整合功能域和用户的旅行意图，对城市里的人类移动性进行了预测研究。他们提出的模型能成功预测具有不同特征区域的人气，而人气是评估房地产开发和商业投资的重要因素。[0008] 2、兴趣点相关研究。[0009] 在城市或城市中的某个区域中，理解人类移动性和社会经济状况对于公共政策制[9]定、城市规划和市场战略的发展是至关重要的。DongLia等人 通过研究兴趣点相关的人类移动性和城市层面上的社会经济状态间的关系发现，位置类别的签到数和社会经济指标相关。为了进一步验证这种相关性，他们开发一种基于兴趣点相关的人类移动性多任务预[10]测框架用于预测社会经济指标。XinjiangLu等人 针对地理学数据和人类移动性数据如何预测兴趣点生命周期的问题展开研究，他们研发了一款利用数据挖掘方法的框架来解决该问题。他们将兴趣点生命周期预测问题转化成一系列子问题，这些子问题都是一个多分[11]类问题。兴趣点推荐的目标是推荐正确的兴趣点给正确的用户。YanchiLiu等人 针对如何利用人类移动性模式、地理数据和人口数据来识别区域性兴趣点需求。随着这个思路，他们提出了一种叫地域兴趣点需求识别的框架，用于从大规模移动性数据中针对兴趣点需求和日常需求识别的模型。研究过程中，城市空间通过本地社区被划分为空间差异性相邻的区域，而人们在城市中日常活动的模式从人类移动性数据中被抽取出来。[0010] ZijunYao等人[12]针对用户和兴趣点间的时间匹配问题，通过利用人类移动性模式构建一种兴趣点推荐模型。首先，签到数据存在数据稀疏性问题，即稀少的签到行为发生在冷清的时间和区域。因此，人类移动性数据与加强兴趣点推荐的签到行为高度相关。[13]XinjiangLu等人 针对地理学数据和人类移动性数据中的兴趣点生命周期状态推断问题，通过合并多任务学习框架，开发了一种数据驱动方法用于解决该问题。RenheJiang等人[14]试图通过融合人类移动性数据和兴趣点数据用于改善人类活动性预测的性能，他们提出了一种统一的兴趣点嵌入机制，即通过针对每个城市网格和以一种类似于短视频的方式，将每个轨迹片段充实为四维张量来生成人工兴趣点图片，借以集合区域性的兴趣点。然后，他们设计了一种同时联合CNN和LSTM的深度学习框架，用于从丰富的轨迹数据中捕获时[15]空信息。JingYang等人 针对适用于出租车起始点数据的移动模式构建一种分类模型。该模型由三部分构成，即：①以交叉路口作为限制条件，用于出租车起始点数据分析的联动单元；②通过增加标准化程序和时间窗口用于出租车时间序列数据的相似度特性；③利用改进的相似性评估计算连接指数，并基于该指数提出一种DBSCAN算法，用于对不同的移动模式进行时间序列分类。此外，他们在移动性模式和区域性功能特征间利用随机森林算法[16]用于构建关联模型。WeiZeng等人 展示了如何利用人类移动和活动分布间的关系，并通过有特征的兴趣点可视化这种关系。为了对这种关系有效的建模和可视化，他们提出了一种兴趣点‑移动性签名的两组件联合可视化表示的方法。其中，时间组件通过时间维度展示主要的人类移动信息；兴趣点组件用于在空间域中和感兴趣的领域上展示活动上下文信息。[0011] [1]SalvatoreScellato,MircoMusolesi,CeciliaMascolo,VitoLatora,andAndrewT.Campbell.2011.Nextplace:Aspatiotemporalpredictionframeworkforpervasivesystems.InProceedingsoftheInternationalConferenceonPervasiveComputing.Springer,152–169.[0012] [2]JingYuan,YuZheng,XingXie.DiscoveringRegionsofDifferentFunctionsinaCityUsing[0013] HumanMobilityandPOIs.ACM,2012:186.[0014] [3]Prado,AlatristaSalas,Hugo.AdministrativeRegionsDiscoveryBasedonHumanMobilityPatternsandSpatio‑TemporalClustering.2016.[0015] [4]XuYJ,XueC,LiGF,etal.DiscoveringSocialRelationshipbetweenCityRegionsusingHumanMobility[C]//201511thInternationalConferenceonHeterogeneousNetworkingforQuality,Reliability,SecurityandRobustness(QSHINE).IEEE,2015.[0016] [ 5 ] F E R N A N D O J U L I Oetal.HumanMobilityPredictionwithRegion‑basedFlowsandWaterConsumption[J].IEEEAccess,2021,(99):1‑1.[0017] [6]JinM,ClaramuntC.ASemanticModelforHumanMobilityinanUrbanRegion[J].JournalonDataSemantics,2018,7(3):171‑187.[0018] [7]WangM,SuY,YiS,etal.PredictingHumanMobilityfromRegionFunctions[C]//2016IEEEInternationalConferenceonInternetofThings(iThings)andIEEEGreenComputingandCommunications(GreenCom)andIEEECyber,PhysicalandSocialComputing(CPSCom)andIEEESmartData(SmartData).IEEE,2016.[0019] [8]ShuyangShi,LinWang,ShuangdieXuetal.PredictionofIntra‑urbanHumanMobilityby[0020] Integrating Regional Functionsand TripIntentions[J].IEEETRANSACTIONSONKNOWLEDGEANDDATAENGINEERING,(EarlyAccess).[0021] [9]DongLi,JimingLiu.Uncoveringtherelationshipbetweenpoint‑of‑interests‑relatedhumanmobilityandsocioeconomicstatus.TelematicsInformatics2019,39:49‑63.[0022] [10]XinjiangLu,ZhiwenYu,LeileiSun,ChuanrenLiu,HuiXiong,ChuGuan.Characterizingthelifecycleofpointofinterestsusinghumanmobilitypatterns.UbiComp2016:1052‑1063.[0023] [11]YanchiLiu,ChuanrenLiu,XinjiangLu,MingfeiTeng,HengshuZhu,HuiXiong.Point‑of‑InterestDemandModelingwithHumanMobilityPatterns.KDD2017:947‑955.[0024] [12]ZijunYao.ExploitingHumanMobilityPatternsforPoint‑of‑InterestRecommendation.WSDM2018:757‑758.[0025] [13]XinjiangLu,ZhiwenYu,ChuanrenLiu,YanchiLiu,HuiXiong,BinGuo.InferringLifetimeStatusofPoint‑of‑Interest:AMultitaskMulticlassApproach.ACMTrans.Knowl.Discov.Data14(1):10:1‑10:27(2020).[0026] [14]RenheJiang,XuanSong,ZipeiFan,TianqiXia,ZhaonanWang,QuanjunChen,ZekunCai,RyosukeShibasaki.TransferUrbanHumanMobilityviaPOIEmbeddingoverMultipleCities.Trans.DataSci.2(1):4:1‑4:26(2021).[0027] [15]JingYang,YizhongSun,BowenShang,LeiWang,JieZhu.UnderstandingCollectiveHumanMobilitySpatiotemporalPatternsonWeekdaysfromTaxiOrigin‑DestinationPointData.Sensors19(12):2812(2019).[0028] [16]WeiZeng,Chi‑WingFu,StefanMüllerArisona,SimonSchubiger,RemoBurkhard,Kwan‑LiuMa.VisualizingtheRelationshipBetweenHumanMobilityandPointsofInterest.IEEETrans.Intell.Transp.Syst.18(8):2271‑2284(2017).发明内容[0029] 本发明的目的在于提供一种基于大数据和位置的社交网络领域中目标匹配方法及系统，通过分析目标对象的活动数据，预测目标对象的各种需求，进而进行有针对性地匹配；本发明可以应用到各个领域，例如广告精准投送，宠物社交活动中按宠物活动区域自动发起且智能推荐等。[0030] 本发明提供的一种时空基于大数据的目标匹配方法，包括以下步骤：[0031] 步骤1：通过目标对象携带的智能设备，采集目标对象的活动轨迹点数据；若目标对象属于相互关联的若干对象，则在采集之前，需确定主目标及从属目标，并在目标对象间的智能设备建立数据通信关联，确保目标对象间的关联关系；[0032] 步骤2：针对需要匹配的属性，按照预设规则，对步骤1中采集的轨迹点数据进行筛选；[0033] 步骤3：根据目标匹配原则，进行目标匹配；若目标对象属于相互关联的若干对象，则将目标匹配结果推送给主目标。[0034] 本发明提供的一种时空基于大数据的目标匹配方法，当目标对象属于相互关联的若干对象时，设主目标集合为 从属目标集合为P＝{p|pj}，主目标与从属目标间存在以下隶属关系： 其中，i表示主目标的家庭编号，k表示家庭i的家庭成员编号，j表示从属目标编号；[0035] 则具体实现包括以下步骤：[0036] 步骤A1：采集主目标与从属目标活动的位置坐标集合为L＝{lo,a|＜lo,la＞}，则采集到的主目标和从属目标的位置坐标集合为：[0037][0038] 步骤A2：定义筛选规则集合R＝{r|rs}，并对步骤A1中的位置坐标集合进行筛选，出符合“[0039][0040] 其中，rs表示被选中的规则，Rt,l表示满足条件某时间t和某位置l的规则集合、C＜H,P＞表示满足规则集合Rt,l的候选主目标H和从属目标P、c表示在规则rt,l,d下得到的候选目标、rt,l,d表示满足条件某时间t、某位置l和某距离d的规则，d表示同一时间t、同一兴趣点位置l时，主目标和从属目标间地理位置坐标相隔的距离，因此筛选结果必须满足条件d≤σ；[0041] 步骤A3：筛选主目标和从属目标在某兴趣点的停留时长tstay，则进一步筛选候选位置坐标集合：[0042][0043] 其中， 表示满足在某位置l处停留时长tstay的规则集合、 表示满足在某位置l处停留时长tstay且距离为d的规则；[0044] 步骤A4：筛选从属目标在停留时长tstay下满足一定活动域ldomain的候选位置坐标集合：[0045][0046] 其中， 表示满足在某活动域ldomain的停留时长为tstay的规则集合、表示满足在某活动域ldomain的停留时长为tstay且距离为d的规则；[0047] 步骤A5：结合兴趣点的类型进一步筛选候选位置坐标集合：[0048][0049] 其中， 表示满足在某活动域ldomain的停留时长为tstay且兴趣点类别为POIcategory的规则集合、 表示满足在某活动域ldomain的停留时长为tstay、兴趣点类别为POIcategory且距离为d的规则；[0050] 步骤A6：统计候选位置坐标集合周边预设距离区域Re内，从属目标的轨迹活动点对数Num＜h,p＞，将候选位置坐标集合推荐给区域Re内满足预设量Num＜h,p＞的目标用户，若目标用户 进入推荐活动区域的范围则认定为推荐成果，否则推荐失败。[0051] 本发明提供的一种基于时空大数据的目标匹配系统，包括以下模块：[0052] 模块1，用于通过目标对象携带的智能设备，采集目标对象的活动轨迹点数据；若目标对象属于相互关联的若干对象，则在采集之前，需确定主目标及从属目标，并在目标对象间的智能设备建立数据通信关联，确保目标对象间的关联关系；[0053] 模块2，用于针对需要匹配的属性，按照预设规则，对模块1中采集的轨迹点数据进行筛选；[0054] 模块3，用于根据目标匹配原则，进行目标匹配；若目标对象属于相互关联的若干对象，则将目标匹配结果推送给主目标。[0055] 本发明提供的一种基于时空大数据的目标匹配系统，当目标对象属于相互关联的若干对象时，设主目标集合为 从属目标集合为P＝{p|pj}，主目标与从属目标间存在以下隶属关系： 其中，i表示主目标的家庭编号，k表示家庭i的家庭成员编号，j表示从属目标编号；[0056] 则具体实现包括以下模块：[0057] 模块A1，用于采集主目标与从属目标活动的位置坐标集合为L＝{lo,a|＜lo,la＞}，则采集到的主目标和从属目标的位置坐标集合为：[0058][0059] 模块A2，用于定义筛选规则集合R＝{r|rs}，并对模块A1中的位置坐标集合进行筛选，出符合“[0060][0061] 其中，rs表示被选中的规则，Rt,l表示满足条件某时间t和某位置l的规则集合、C＜H,P＞表示满足规则集合Rt,l的候选主目标H和从属目标P、c表示在规则rt,l,d下得到的候选目标、rt,l,d表示满足条件某时间t、某位置l和某距离d的规则，d表示同一时间t、同一兴趣点位置l时，主目标和从属目标间地理位置坐标相隔的距离，因此筛选结果必须满足条件d≤σ；[0062] 模块A3，用于筛选主目标和从属目标在某兴趣点的停留时长tstay，则进一步筛选候选位置坐标集合：[0063][0064] 其中， 表示满足在某位置l处停留时长tstay的规则集合、rtstay,l,d表示满足在某位置l处停留时长tstay且距离为d的规则；[0065] 模块A4，用于筛选从属目标在停留时长tstay下满足一定活动域ldomain的候选位置坐标集合：[0066][0067] 其中， 表示满足在某活动域ldomain的停留时长为tstay的规则集合、表示满足在某活动域ldomain的停留时长为tstay且距离为d的规则；[0068] 模块A5，用于结合兴趣点的类型进一步筛选候选位置坐标集合：[0069][0070] 其中， 表示满足在某活动域ldomain的停留时长为tstay且兴趣点类别为POIcategory的规则集合、 表示满足在某活动域ldomain的停留时长为tstay、兴趣点类别为POIcategory且距离为d的规则；[0071] 模块A6，用于统计候选位置坐标集合周边预设距离区域Re内，从属目标的轨迹活动点对数Num＜h,p＞，将候选位置坐标集合推荐给区域Re内满足预设量Num＜h,p＞的目标用户，若目标用户 进入推荐活动区域的范围则认定为推荐成果，否则推荐失败。[0072] 本发明适用于在时空大数据环境下，快速查找满足特定条件的主目标和从属目标，并将预置的需求和活动精准匹配并推送给这些满足条件的主目标及其从属目标，借此最终确定特定规则和条件下的目标匹配可快速精准的确定主从目标用户，从而达成目标匹配任务。例如，某主题餐厅要限时发起一场美食特惠活动，但对于餐厅而言，它可能并不知道限时活动发起时，目标用户(包括主目标：成人，从属目标：儿童)在哪里。此时，就需要借助本发明公开的算法所构建的特征规则库进行快速和精准匹配，匹配的规则类别涉及时间、位置、兴趣点类别、主从目标距离主题餐厅的距离，等等关键因素(因为关键因素会决定他们会不会来光顾餐厅)。[0073] 本发明在时空大数据环境下，针对特定场景下的特定活动对满足活动需求和条件的主目标和从属目标进行快速精准匹配，并做有效性的要素分析、推荐、需求反馈、强化学习和推荐性能优化，从而达成改善和提升精准匹配效率和推荐成功率的目标。附图说明[0074] 图1为本发明实施例(宠物社交活动推荐)的方法流程图。具体实施方式[0075] 为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。[0076] 针对当前的宠物社交活动偏少，几乎是以宠物主人的意志为转移的无目的性、无组织性的社交活动已逐渐成为宠物社交活动中的一种普遍现象，且宠物社交活动的发起和丰富与否跟养宠经验并无直接关联。即便是养宠届的大神，时常也为带宠物去何处兜圈而发愁。养宠爱好者虽然可以借助在线社交平台以广播通知的方式发布和组织具有一定影响力的宠物社交活动，但却属于一种人为参与的方式。这种方式最大的问题就是活动发起的随机性大，发起时间和地点偶然，影响力不大且参与活动的养宠爱好者可能因为地域导致参与活动的诸多不便。[0077] 针对上述问题，请见图1，本实施例提供了一种基于宠物活动域的宠物社交活动匹配方法。该方法的实现思路可概述为以下几点内容：[0078] (1)利用具有定位功能的人类可穿戴设备(例如，有定位功能的智能手表或智能手环)和宠物随身设备(例如，有定位功能的智能宠物项圈)采集主人和宠物的活动轨迹点数据；在采集之前，需确保主人的可穿戴设备与宠物的随身设备间需要建立数据通信关联，只有这样才能确保宠物与主人间的隶属关系。[0079] (2)按照一定的规则，对①中所述的轨迹点数据进行筛选。例如，可按时间将主人和宠物的定位数据进行筛选，出现在同一时间、同一兴趣点位置且相隔定位的地理位置坐标相隔很近，可认定主人正在遛宠物。[0080] (3)将(2)中满足要求的活动轨迹点绘制在地图上，并通过地图直观观察不同的主人遛宠物在同一兴趣点停留的时长，筛选出停留超过一定时间时长(如，0.5小时以上)的特定兴趣点。[0081] (4)基于兴趣点类别对(3)中的兴趣点做进一步筛选，筛查得出活动区域较宽阔(如1公里以上)的户外活动域，并将这些满足条件户外活动区域构建为候选活动集；[0082] (5)统计并观察主人的遛宠物行为与这些候选活动集之间的实时变化关系，计算统计结果；[0083] (6)根据候选活动集的周边设施和场景，适时发起具有一定影响力的宠物社交活动，并将活动消息推送给目标宠物的主人。在此，适时可理解为地图上具有一定量(如50对以上)的遛宠物行为轨迹活动点；目标宠物主人可理解为候选活动集中的某兴趣点周边一定地域内(如，5公里以内)的宠物主人。[0084] 本实施例设宠物主人集合为 宠物集合为P＝{p|pj}，宠物主人与宠物间存在以下隶属关系： 其中，i表示宠物主人的家庭编号，k表示家庭i的家庭成员编号，k表示宠物编号。由于一个家庭一般不止一个主人成员，且一个家庭可能不止一只宠物，因此可支持多个家庭成员对多个宠物的信息绑定。在进行宠物主人集合与宠物的信息绑定之后，可采用以下方法实现宠物社交活动的推荐过程。[0085] 本实施例的具体实现过程的步骤概述如下：[0086] 步骤1：设采集宠物主人与宠物活动的位置坐标集合为L＝{lo,a|＜lo,la＞}，可知采集到的宠物主人和宠物的位置坐标集合为：[0087][0088] 步骤2：定义筛选规则集合R＝{r|rs}，并对①中的位置坐标集合进行筛选。通过计算，筛选得出符合“”这一特征的候选位置坐标集合：[0089][0090] 其中，rs表示被选中的规则，Rt,l表示满足条件某时间t和某位置l的规则集合、C＜H,P＞表示满足规则集合Rt,l的候选主目标H和从属目标P、c表示在规则rt,l,d下得到的候选目标、rt,l,d表示满足条件某时间t、某位置l和某距离d的规则，d表示同一时间t、同一兴趣点位置l时，主目标和从属目标间地理位置坐标相隔的距离，因此筛选结果必须满足条件d≤σ；[0091] 步骤3：筛选宠物主人遛宠物在某兴趣点的停留时长tstay(本实施例tstay可调节，一般至少取0.5小时)。则进一步筛选候选位置坐标集合：[0092][0093] 其中， 表示满足在某位置l处停留时长tstay的规则集合、 表示满足在某位置l处停留时长tstay且距离为d的规则；[0094] 步骤4：筛选宠物在停留时长tstay下满足一定活动域ldomain的候选位置坐标集合：[0095][0096] 其中， 表示满足在某活动域ldomain的停留时长为tstay的规则集合、表示满足在某活动域ldomain的停留时长为tstay且距离为d的规则；[0097] 步骤5：结合兴趣点的类型进一步筛选候选位置坐标集合：[0098][0099] 其中， 表示满足在某活动域ldomain的停留时长为tstay且兴趣点类别为POIcategory的规则集合、 表示满足在某活动域ldomain的停留时长为tstay、兴趣点类别为POIcategory且距离为d的规则；[0100] 步骤6：候选位置坐标集合周边区域Re内，遛宠物行为的轨迹活动点对数Num＜h,p＞(本实施例一般设置为50对以上)，将候选位置坐标集合推荐给区域Re(本实施例一般为5公里以内)内满足一定量Num＜h,p＞的目标用户，若目标用户 进入推荐活动区域的范围则认定为推荐成果，否则推荐失败。[0101] 本发明可制成实现基于宠物活动域的宠物社交活动推荐的相关产品。例如，将该方法植入到宠物随身穿戴的智能宠物项圈和主人随身佩戴的智能手表、手环等可穿戴设备中，随时随地实时了解宠物社交活动动态，在实现丰富遛宠生活的同时，完美打造宠物社交活动圈。[0102] 应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

专利地区：湖北

专利申请日期：2021-10-12

专利公开日期：2024-07-26

专利公告号：CN114003822B