位置预测方法、装置、电子设备及可读存储介质制造方法及图纸

本公开的实施例提供了一种位置预测方法、装置、电子设备及可读存储介质，所述方法包括：获取目标时间和目标对象；根据目标时间生成目标时间特征向量；将目标时间特征向量输入至针对目标对象的位置得分预测模型得到目标位置得分；位置得分预测模型为使用数据样本集训练的机器学习模型；样本数据集包括样本时间特征向量以及指示目标对象是否位于预设位置的样本位置得分；根据目标位置得分确定目标对象是否在预设位置。能够根据目标时间和模型自动预测位置得分，自动确定目标对象是否位于预设位置，将本方案提供的方法应用商家拜访的场景中，可以很好的预测拜访的目标(商家的负责人)在目标时间是否在店(预设位置)内，有助于提高拜访成功率。

【技术实现步骤摘要】
位置预测方法、装置、电子设备及可读存储介质
本公开的实施例涉及机器预测
，尤其涉及一种位置预测方法、装置、电子设备及可读存储介质。
技术介绍
商家的商品在销售过程中往往依赖于销售人员，而销售人员会经常目标商家。然而，销售人员在拜访时经常会出现商家负责人不在店内的情况，导致销售人员无法及时获取商品或其他商品信息，最终影响商品的销售。从而可知，预先确认商家负责人是否在商家门店内有助于提高商品的销售量。现有技术中，销售人员需要根据经验确定商家负责人是否在商家门店内。例如，在之前的拜访过程中，商家负责人经常在12点至14点之间外出就餐，或商家负责人在14点至15点之间有会议，无法接待。此外，销售人员还可以通过电话、短信或其他通信方式预约拜访。对于上述方案，根据经验确定商家负责人是否在商家门店内的准确度较低，特别是对于新的销售人员，累积经验较少，准确度更低；预约拜访会存在预约失败的情况，导致拜访成功率较低。
技术实现思路
本公开的实施例提供一种位置预测方法、装置、电子设备及可读存储介质。根据本公开的实施例的第一方面，提供了一种位置预测方法，所述方法包括：获取目标时间和目标对象；根据所述目标时间生成目标时间特征向量；将所述目标时间特征向量输入至针对所述目标对象预先训练的位置得分预测模型中，得到目标位置得分；所述位置得分预测模型为使用数据样本集训练的机器学习模型；所述样本数据集包括样本时间特征向量以及对应的样本位置得分；所述样本位置得分用于指示所述目标对象是否位于预设位置；根据所述目标位置得分确定所述目标对象是否在所述预设位置。根据本公开的实施例的第二方面，提供了一种位置预测装置，所述装置包括：信息获取模块，用于获取目标时间和目标对象；时间特征向量生成模块，用于根据所述目标时间生成目标时间特征向量；位置得分预测模块，用于将所述目标时间特征向量输入至针对所述目标对象预先训练的位置得分预测模型中，得到目标位置得分；所述位置得分预测模型为使用数据样本集训练的机器学习模型；所述样本数据集包括样本时间特征向量以及对应的样本位置得分；所述样本位置得分用于指示所述目标对象是否位于预设位置；位置确定模块，用于根据所述目标位置得分确定所述目标对象是否在所述预设位置。根据本公开的实施例的第三方面，提供了一种电子设备，包括：处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现前述位置预测方法。根据本公开的实施例的第四方面，提供了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行前述位置预测方法。本公开的实施例提供了一种位置预测方法、装置、电子设备及可读存储介质，所述方法包括：获取目标时间和目标对象；根据所述目标时间生成目标时间特征向量；将所述目标时间特征向量输入至针对所述目标对象预先训练的位置得分预测模型中，得到目标位置得分；所述位置得分预测模型为使用数据样本集训练的机器学习模型；所述样本数据集包括样本时间特征向量以及对应的样本位置得分；所述样本位置得分用于指示所述目标对象是否位于预设位置；根据所述目标位置得分确定所述目标对象是否在所述预设位置。能够根据目标时间和模型自动预测位置得分，自动确定目标对象是否位于预设位置，将本方案提供的方法应用商家拜访的场景中，可以很好的预测拜访的目标(商家的负责人)在目标时间是否在店(预设位置)内，有助于提高拜访成功率。附图说明为了更清楚地说明本公开的实施例的技术方案，下面将对本公开的实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的实施例的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1示出了在本公开的一个实施例中的位置预测方法的步骤流程图；图2示出了在本公开的另一个实施例中的位置预测方法的步骤流程图；图3示出了在本公开的一个实施例中的位置预测装置的结构图；图4示出了在本公开的另一个实施例中的位置预测装置的结构图；图5示出了本公开的一个实施例提供的电子设备的结构图。具体实施方式下面将结合本公开的实施例中的附图，对本公开的实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开的实施例一部分实施例，而不是全部的实施例。基于本公开的实施例中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开的实施例保护的范围。实施例一参照图1，其示出了在本公开的一个实施例中的位置预测方法的步骤流程图，包括：步骤101，获取目标时间和目标对象。其中，目标时间和目标对象可以通过指定应用获取。当然，获取目标时间和目标对象不限制用户必须安装指定应用，在实际应用中，还可以将获取界面集成在其他应用中。可以理解，指定应用与后台服务器可以通过无线网络或有线网络通信连接。在本公开的实施例中，以该后台服务器侧进行详细说明。结合应用场景，目标时间可以为销售人员欲拜访商家负责人的时间，目标对象为销售人员欲拜访商家的负责人。步骤102，根据所述目标时间生成目标时间特征向量。在实际应用中，时间通常通过年月日小时分钟秒的形式表示，例如，2018年10月19日14：20：00。在机器学习和运算时，需要将时间转换为机器便于识别的形式。具体地，首先，从时间中提取一个或多个时间元素；然后，对该时间元素进行编码；最后，将编码之后的时间元素拼接为时间特征向量。步骤103，将所述目标时间特征向量输入至针对所述目标对象预先训练的位置得分预测模型中，得到目标位置得分；所述位置得分预测模型为使用数据样本集训练的机器学习模型；所述样本数据集包括样本时间特征向量以及对应的样本位置得分；所述样本位置得分用于指示所述目标对象是否位于预设位置。其中，预设位置可以根据实际应用场景设定，本专利技术实施例对其不加以限制。位置得分预测模型的输入为目标时间特征向量，输出为目标位置得分。需要说明，位置得分预测模型针对不同对象而不同，从而在训练时针对每个对象训练得到位置得分预测模型，例如，针对不同商家的负责人，分别训练得到位置得分预测模型。位置得分预测模型集成于步骤101中所说的后台服务器，方便该后台服务器调用该位置得分预测模型。可以理解，位置得分可以在0至1之间取值，位置得分越高，目标对象在该目标时间内处于预设位置的可能性越高；位置得分越低，目标对象在该目标时间内处于预设位置的可能性越低。步骤104，根据所述目标位置得分确定所述目标对象是否在所述预设位置。具体地，可以将位置得分与一个标准值进行比较，确定目标对象是否在预设位置。当位置得分大于该标准值时，确定目标对象在预设位置；当位置得分小于或等于该标准值时，确定目标对象不在预设位置。结合实际应用场景，例如，当负责人商家门店的时候，销售人员可以去商家门店拜访负责人；当负责人不商家门店的时候，销售人员可以避免拜访失败。综上所述，本公开的实施例提供了一种位置预测方法，所述方法包括：获取目标时间和目标对象；根据所述目标时间生成目标时间特征向量；将所述目标时间特征向量输入至针对所述目标对象预先训练的位置得分预测模型中，得到目标位置得分；所述位置得分预测模型为使用数据样本集训练的机器学习模型；所述样本数据集本文档来自技高网...

【技术保护点】
1.一种位置预测方法，其特征在于，所述方法包括：获取目标时间和目标对象；根据所述目标时间生成目标时间特征向量；将所述目标时间特征向量输入至针对所述目标对象预先训练的位置得分预测模型中，得到目标位置得分；所述位置得分预测模型为使用数据样本集训练的机器学习模型；所述样本数据集包括样本时间特征向量以及对应的样本位置得分；所述样本位置得分用于指示所述目标对象是否位于预设位置；根据所述目标位置得分确定所述目标对象是否在所述预设位置。

【技术特征摘要】
1.一种位置预测方法，其特征在于，所述方法包括：获取目标时间和目标对象；根据所述目标时间生成目标时间特征向量；将所述目标时间特征向量输入至针对所述目标对象预先训练的位置得分预测模型中，得到目标位置得分；所述位置得分预测模型为使用数据样本集训练的机器学习模型；所述样本数据集包括样本时间特征向量以及对应的样本位置得分；所述样本位置得分用于指示所述目标对象是否位于预设位置；根据所述目标位置得分确定所述目标对象是否在所述预设位置。2.根据权利要求1所述的方法，其特征在于，所述根据所述目标时间生成目标时间特征向量的步骤，包括：从所述目标时间中提取不同时间周期对应的时间信息；对所述时间信息进行编码得到时间特征；将所述时间特征拼接为目标时间特征向量。3.根据权利要求1所述的方法，其特征在于，所述根据所述目标位置得分确定所述目标对象是否在所述预设位置的步骤，包括：在所述目标位置得分大于或等于预设位置得分阈值的情况下，确定所述目标对象在所述预设位置；在所述目标位置得分小于预设位置得分阈值的情况下，确定所述目标对象不在所述预设位置。4.根据权利要求2所述的方法，其特征在于，所述对所述时间信息进行编码得到时间特征的步骤，包括：对所述时间信息进行独热编码得到时间特征。5.根据权利要求1所述的方法，其特征在于，所述位置得分预测模型通过如下步骤训练：生成针对目标对象的数据样本集；通过逻辑回归模型对所述数据样本集进行训练，得到针对所述目标对象的位置得分预测模型。6.根据权利要求5所述的方法，其特征在于，所述数据样本集包括样本时间特征向量和样本位置得分，所述生成针对目标商家的数据样本集的步骤，包括：采集目标对象上传的第一数据样本，以及针对所述目标对象的第二数据样本，所述数据样本包括样本上传时间、目标对象位置、预设位置，所述第二数据样本包括真实时间、真实位置得分；分别根据所述样本上传时间、所述真实时间生成第一时间特征向量、第二时间特征向量；根据所述目标对象位置和预设位置确定第一位置得分；分别将所述第一时间特征向量、对应的第一位置得分作为样本时间特征向量...

【专利技术属性】
技术研发人员：魏宇浩，张宁，梁琦，
申请(专利权)人：北京三快在线科技有限公司，
类型：发明
国别省市：北京,11