兴趣点状态确定方法、装置及电子设备与流程

1.本公开实施例涉及地理信息技术领域，具体涉及一种兴趣点状态确定方法、装置及电子设备。


背景技术：

2.随着互联网和数据技术的发展，越来越多的用户通过互联网平台寻找、查询某一个地点，但在实际应用中，某一地点的状态变化率是比较高的，而且地点的状态变化难以及时通知到每一个用户，比如，某一餐馆关闭、搬迁、拆迁或更名后即使能够通知到该餐馆的会员，但却无法及时告知不是该餐馆会员但想要去该餐馆用餐的用户，这就为用户的查询带来了极大的不便，甚至还会为慕名前去的用户带来时间和路程上的损失。为了解决地点状态变化无法及时通知用户的问题，现有技术对于地点的状态变化进行挖掘，但是现有技术对于地点状态变化的挖掘速度较低，难以提升互联网平台的服务质量，也无法保障用户的使用体验。


技术实现要素：

3.本公开实施例提供一种兴趣点状态确定方法、装置、电子设备及计算机可读存储介质。
4.第一方面，本公开实施例中提供了一种兴趣点状态确定方法。
5.具体的，所述兴趣点状态确定方法，包括：
6.获取目标兴趣点在第一预设历史时间段内的第一特征数据；
7.将所述第一特征数据输入预先训练得到的兴趣点状态确定模型，预测所述目标兴趣点在所述第一预设历史时间段内的状态概率分布；
8.将所述第一预设历史时间段内预设时间点在所述状态概率分布中对应的状态概率与预设概率阈值进行比较，以确定所述目标兴趣点在所述预设时间点的状态。
9.结合第一方面，本公开实施例在第一方面的第一种实现方式中，所述方法还包括：
10.获取样本兴趣点确定为所述过期状态的过期状态时间和所述样本兴趣点在过期状态时间之前的第二预设历史时间段内的第二特征数据；
11.基于所述过期状态时间和第二特征数据，预估样本兴趣点的时间状态序列，得到所述样本兴趣点的预估时间状态序列；
12.确定初始兴趣点状态确定模型，基于所述第二特征数据和所述预估时间状态序列，对于所述初始兴趣点状态确定模型进行训练，得到所述兴趣点状态确定模型。
13.结合第一方面和第一方面的第一种实现方式，本公开实施例在第一方面的第二种实现方式中，所述基于所述过期状态时间和第二特征数据，预估样本兴趣点的时间状态序列，包括：
14.计算所述样本兴趣点在所述第二预设历史时间段内的累积特征数据分布；
15.获取所述累积特征数据为第一设定值时对应的时间点；
16.将所述时间点之前的时间段内，样本兴趣点状态为过期状态的概率设置为第一设定值；
17.将所述过期状态时间对应的样本兴趣点状态为过期状态的概率设置为第二设定值；
18.对于所述累积特征数据为第一设定值时对应时间点与所述过期状态时间之间的第三预设历史时间段，以第一设定值和第二设定值为端点概率值进行插值，得到所述第三预设历史时间段内样本兴趣点状态为过期状态的概率，使得所述第三预设历史时间段内样本兴趣点状态为过期状态的概率呈现单调上升趋势，进而得到样本兴趣点的状态概率值随时间分布的概率序列，即样本兴趣点的预估时间状态序列。
19.结合第一方面和第一方面的第一种实现方式和第一方面的第二种实现方式，本公开实施例在第一方面的第三种实现方式中，所述基于所述第二特征数据和所述预估时间状态序列，对于所述初始兴趣点状态确定模型进行训练，包括：
20.获取训练数据集合，其中，所述训练数据集合包括对于所述第二特征数据和所述预估时间状态序列分别进行滑动切分得到的第二特征训练数据和与所述第二特征训练数据对应的预估时间状态训练序列；
21.对于所述第二特征训练数据进行特征提取，得到与所述第二特征训练数据对应的第三特征训练数据；
22.以所述第二特征训练数据和第三特征训练数据作为输入，以对应的预估时间状态训练序列作为输出，训练所述初始兴趣点状态确定模型，得到兴趣点状态确定模型。
23.结合第一方面、第一方面的第一种实现方式、第一方面的第二种实现方式和第一方面的第三种实现方式，本公开在第一方面的第四种实现方式中，所述对于所述第二特征训练数据进行特征提取，得到与所述第二特征训练数据对应的第三特征训练数据，包括：
24.提取所述第二特征训练数据的局部特征；
25.提取所述第二特征训练数据的全局特征；
26.对于所述第二特征训练数据的局部特征和全局特征进行组合，将所述局部特征、全局特征、以及得到的组合特征组成与所述第二特征训练数据对应的第三特征训练数据。
27.第二方面，本公开实施例中提供了一种兴趣点状态确定装置。
28.具体的，所述兴趣点状态确定装置，包括：
29.获取模块，被配置为获取目标兴趣点在第一预设历史时间段内的第一特征数据；
30.预测模块，被配置为将所述第一特征数据输入预先训练得到的兴趣点状态确定模型，预测所述目标兴趣点在所述第一预设历史时间段内的状态概率分布；
31.确定模块，被配置为将所述第一预设历史时间段内预设时间点在所述状态概率分布中对应的状态概率与预设概率阈值进行比较，以确定所述目标兴趣点在所述预设时间点的状态。
32.结合第二方面，本公开实施例在第二方面的第一种实现方式中，所述装置还包括训练模块，其中，所述训练模块被配置为：
33.获取样本兴趣点确定为所述过期状态的过期状态时间和所述样本兴趣点在过期状态时间之前的第二预设历史时间段内的第二特征数据；
34.基于所述过期状态时间和第二特征数据，预估样本兴趣点的时间状态序列，得到
所述样本兴趣点的预估时间状态序列；
35.确定初始兴趣点状态确定模型，基于所述第二特征数据和所述预估时间状态序列，对于所述初始兴趣点状态确定模型进行训练，得到所述兴趣点状态确定模型。
36.结合第二方面和第二方面的第一种实现方式，本公开实施例在第二方面的第二种实现方式中，其中，所述基于所述过期状态时间和第二特征数据，预估样本兴趣点的时间状态序列的部分，被配置为：
37.计算所述样本兴趣点在所述第二预设历史时间段内的累积特征数据分布；
38.获取所述累积特征数据为第一设定值时对应的时间点；
39.将所述时间点之前的时间段内，样本兴趣点状态为过期状态的概率设置为第一设定值；
40.将所述过期状态时间对应的样本兴趣点状态为过期状态的概率设置为第二设定值；
41.对于所述累积特征数据为第一设定值时对应时间点与所述过期状态时间之间的第三预设历史时间段，以第一设定值和第二设定值为端点概率值进行插值，得到所述第三预设历史时间段内样本兴趣点状态为过期状态的概率，使得所述第三预设历史时间段内样本兴趣点状态为过期状态的概率呈现单调上升趋势，进而得到样本兴趣点的状态概率值随时间分布的概率序列，即样本兴趣点的预估时间状态序列。
42.结合第二方面、第二方面的第一种实现方式和第二方面的第二种实现方式，本公开在第二方面的第三种实现方式中，其中，所述基于所述第二特征数据和所述预估时间状态序列，对于所述初始兴趣点状态确定模型进行训练的部分，被配置为：
43.获取训练数据集合，其中，所述训练数据集合包括对于所述第二特征数据和所述预估时间状态序列分别进行滑动切分得到的第二特征训练数据和与所述第二特征训练数据对应的预估时间状态训练序列；
44.对于所述第二特征训练数据进行特征提取，得到与所述第二特征训练数据对应的第三特征训练数据；
45.以所述第二特征训练数据和第三特征训练数据作为输入，以对应的预估时间状态训练序列作为输出，训练所述初始兴趣点状态确定模型，得到兴趣点状态确定模型。
46.第三方面，本公开实施例提供了一种电子设备，包括存储器和处理器，所述存储器用于存储一条或多条支持兴趣点状态确定装置执行上述兴趣点状态确定方法的计算机指令，所述处理器被配置为用于执行所述存储器中存储的计算机指令。所述兴趣点状态确定装置还可以包括通信接口，用于兴趣点状态确定装置与其他设备或通信网络通信。
47.第四方面，本公开实施例提供了一种计算机可读存储介质，用于存储兴趣点状态确定装置所用的计算机指令，其包含用于执行上述兴趣点状态确定方法为兴趣点状态确定装置所涉及的计算机指令。
48.本公开实施例提供的技术方案可包括以下有益效果：
49.上述技术方案基于目标兴趣点的特征数据对于目标兴趣点的状态概率进行预测，以基于目标兴趣点特征与目标兴趣点状态可能性之间的关系及时确定目标兴趣点的状态。该技术方案能够快速预测得到目标兴趣点的状态，从而能够及时通知用户，进而能够有效提升互联网平台的服务质量，保障用户的使用体验，避免出现用户时间和路程上的损失。
50.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开实施例。
附图说明
51.结合附图，通过以下非限制性实施方式的详细描述，本公开实施例的其它特征、目的和优点将变得更加明显。在附图中：
52.图1示出根据本公开一实施方式的兴趣点状态确定方法的流程图；
53.图2示出根据本公开一实施方式的兴趣点状态确定方法的整体流程图；
54.图3示出根据本公开一实施方式的兴趣点状态确定装置的结构框图；
55.图4示出根据本公开一实施方式的电子设备的结构框图；
56.图5是适于用来实现根据本公开一实施方式的兴趣点状态确定方法的计算机系统的结构示意图。
具体实施方式
57.下文中，将参考附图详细描述本公开实施例的示例性实施方式，以使本领域技术人员可容易地实现它们。此外，为了清楚起见，在附图中省略了与描述示例性实施方式无关的部分。
58.在本公开实施例中，应理解，诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在，并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。
59.另外还需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开实施例。
60.本公开实施例提供的技术方案基于目标兴趣点的特征数据对于目标兴趣点的状态概率进行预测，以基于目标兴趣点特征与目标兴趣点状态之间的关系及时确定目标兴趣点的状态。该技术方案能够快速预测得到目标兴趣点的状态，从而能够及时通知用户，进而能够有效提升互联网平台的服务质量，保障用户的使用体验，避免出现用户时间和路程上的损失。
61.图1示出根据本公开一实施方式的兴趣点状态确定方法的流程图，如图1所示，所述兴趣点状态确定方法包括以下步骤s101-s103：
62.在步骤s101中，获取目标兴趣点在第一预设历史时间段内的第一特征数据；
63.在步骤s102中，将所述第一特征数据输入预先训练得到的兴趣点状态确定模型，预测所述目标兴趣点在所述第一预设历史时间段内的状态概率分布；
64.在步骤s103中，将所述第一预设历史时间段内预设时间点在所述状态概率分布中对应的状态概率与预设概率阈值进行比较，以确定所述目标兴趣点在所述预设时间点的状态。
65.上文提及，随着互联网和数据技术的发展，越来越多的用户通过互联网平台寻找、查询某一个地点，但在实际应用中，某一地点的状态变化率是比较高的，而且地点的状态变化难以及时通知到每一个用户，比如，某一餐馆关闭、搬迁、拆迁或更名后即使能够通知到该餐馆的会员，但却无法及时告知不是该餐馆会员但想要去该餐馆用餐的用户，这就为用
户的查询带来了极大的不便，甚至还会为慕名前去的用户带来时间和路程上的损失。为了解决地点状态变化无法及时通知用户的问题，现有技术对于地点的状态变化进行挖掘，但是现有技术对于地点状态变化的挖掘速度较低，难以提升互联网平台的服务质量，也无法保障用户的使用体验。
66.考虑到上述问题，在该实施方式中，提出一种兴趣点状态确定方法，该方法基于目标兴趣点的特征数据对于目标兴趣点的状态概率进行预测，以基于目标兴趣点特征与目标兴趣点状态之间的关系及时确定目标兴趣点的状态。该技术方案能够快速预测得到目标兴趣点的状态，从而能够及时通知用户，进而能够有效提升互联网平台的服务质量，保障用户的使用体验，避免出现用户时间和路程上的损失。
67.在本公开一实施方式中，所述兴趣点状态确定方法可适用于可执行兴趣点状态确定处理的终端计算机、计算设备、电子设备、服务器、服务集群等。
68.在本公开一实施方式中，所述兴趣点指的是地图上可以抽象为兴趣点(point of interest，poi)、有可能会被用户查询、作为导航目的地的地理实体，比如医院、公园、商店、餐馆等等。
69.在本公开一实施方式中，所述目标兴趣点指的是需对其状态进行确定的兴趣点。
70.在本公开一实施方式中，所述第一预设历史时间段指的是当前时间之前的一时间段，本领域技术人员可根据实际应用的需要对于所述第一预设历史时间段的具体取值进行设置，本公开对其不作特别限定，所述第一预设历史时间段比如可以为一年、两年等等。
71.在本公开一实施方式中，所述目标兴趣点的第一特征数据指的是用于表征所述目标兴趣点状态的特征数据，比如，与所述目标兴趣点相关的对象的行为数据等等。例如，若所述目标兴趣点为某一餐馆，则所述目标兴趣点的第一特征数据可以为该餐馆的用户支付时间数据序列等等。
72.在本公开一实施方式中，所述兴趣点状态确定模型指的是预先训练得到的、用于确定兴趣点状态的模型，所述兴趣点状态确定模型的输入为所述目标兴趣点在第一预设历史时间段内的第一特征数据，输出为所述目标兴趣点在所述第一预设历史时间段内的状态概率分布，即所述目标兴趣点在所述第一预设历史时间段内每个时间点的状态的概率值，其中，可设置当所述目标兴趣点的状态为过期状态时，其概率为第二设定值，比如1，当所述目标兴趣点的状态为未过期状态时，其概率为第一设定值，比如0。
73.在本公开一实施方式中，所述兴趣点状态可分为两种状态：过期状态和未过期状态，其中，所述过期状态指的是所述兴趣点处于异常的过期状态，比如，关闭、停业、搬迁、拆迁、更名等状态；所述未过期状态指的是所述兴趣点处于正常的未过期状态，比如，正常营业等状态。
74.在上述实施方式中，首先获取需要进行状态确定的目标兴趣点在第一预设历史时间段内的第一特征数据；将所述第一特征数据输入至预先训练得到的兴趣点状态确定模型，即可预测得到所述目标兴趣点在所述第一预设历史时间段内的状态概率分布；对于所述第一预设历史时间段内的某一预设时间点来说，可将其在所述状态概率分布中对应的状态概率与预设概率阈值进行比较，来确定所述目标兴趣点在所述预设时间点的状态，比如，若该预设时间点在所述状态概率分布中对应的状态概率大于预设概率阈值，可确定所述目标兴趣点在所述预设时间点的状态为过期状态，若该预设时间点在所述状态概率分布中对
应的状态概率小于等于所述预设概率阈值，可确定所述目标兴趣点在所述预设时间点的状态为未过期状态。其中，所述预设概率阈值的值可根据实际应用的需要进行设置，比如，若所述目标兴趣点的状态概率为处于(0，1)的值，则所述预设概率阈值可设置为0.5、0.6、0.7等等。
75.在本公开一实施方式中，所述方法还可包括以下步骤：
76.训练所述兴趣点状态确定模型。
77.在本公开一实施方式中，所述训练所述兴趣点状态确定模型的步骤，可包括以下步骤：
78.获取样本兴趣点确定为所述过期状态的过期状态时间和所述样本兴趣点在过期状态时间之前的第二预设历史时间段内的第二特征数据；
79.基于所述过期状态时间和第二特征数据，预估样本兴趣点的时间状态序列，得到所述样本兴趣点的预估时间状态序列；
80.确定初始兴趣点状态确定模型，基于所述第二特征数据和所述预估时间状态序列，对于所述初始兴趣点状态确定模型进行训练，得到所述兴趣点状态确定模型。
81.在该实施方式中，在训练所述兴趣点状态确定模型时，首先确定样本兴趣点，获取将样本兴趣点的状态确定为所述过期状态的过期状态时间，以及所述样本兴趣点在所述过期状态时间之前的第二预设历史时间段内的第二特征数据，其中，所述样本兴趣点指的是其状态已确定的、可作为样本的兴趣点；所述过期状态时间指的是基于用户反馈或其他确定方法能够确定所述样本兴趣点的状态为过期状态的时间；所述第二预设历史时间段指的是所述过期状态时间之前的一时间段，本领域技术人员可根据实际应用的需要对于所述第二预设历史时间段的具体取值进行设置，本公开对其不作特别限定，与所述第一预设历史时间段类似，所述第二预设历史时间段比如也可以为一年、两年等等；与所述第一特征数据类似，所述第二特征数据也用于表征所述样本兴趣点状态的特征数据，比如，与所述样本兴趣点相关的对象的行为数据等等，例如，若所述样本兴趣点为某一餐馆，则所述样本兴趣点的第二特征数据可以为该餐馆的用户支付时间数据序列等等。然后基于所述过期状态时间和第二特征数据，粗略预估得到所述样本兴趣点的时间状态序列，即所述样本兴趣点的预估时间状态序列，其中，所述时间状态序列指的是所述样本兴趣点的状态概率值随时间分布的概率序列，也即，所述样本兴趣点在不同时间点上为过期状态的可能性，所述预估时间状态序列后续可作为训练所述兴趣点状态确定模型时的标签数据，以实现监督学习的效果，有利于提升兴趣点状态变化挖掘的准确率；然后确定初始兴趣点状态确定模型，基于所述第二特征数据和所述预估时间状态序列，对于所述初始兴趣点状态确定模型进行训练，训练完成后即可得到可用于确定某一兴趣点状态的兴趣点状态确定模型，其中，所述初始兴趣点状态确定模型比如可以为递归rnn神经网络模型、门循环单元(gated recurrent unit，gru)网络模型等等。
82.在本公开一实施方式中，所述基于所述过期状态时间和第二特征数据，预估样本兴趣点的时间状态序列的步骤，可包括以下步骤：
83.计算所述样本兴趣点在所述第二预设历史时间段内的累积特征数据分布；
84.获取所述累积特征数据为第一设定值时对应的时间点；
85.将所述时间点之前的时间段内，样本兴趣点状态为过期状态的概率设置为第一设
定值；
86.将所述过期状态时间对应的样本兴趣点状态为过期状态的概率设置为第二设定值；
87.对于所述累积特征数据为第一设定值时对应时间点与所述过期状态时间之间的第三预设历史时间段，以第一设定值和第二设定值为端点概率值进行插值，得到所述第三预设历史时间段内样本兴趣点状态为过期状态的概率，使得所述第三预设历史时间段内样本兴趣点状态为过期状态的概率呈现单调上升趋势，进而得到样本兴趣点的状态概率值随时间分布的概率序列，即样本兴趣点的预估时间状态序列。
88.在该实施方式中，在预估样本兴趣点的时间状态序列时，首先计算所述样本兴趣点在所述第二预设历史时间段内的累积特征数据分布，比如，可基于泊松累积分布函数计算得到所述样本兴趣点在所述第二预设历史时间段内的每个时间点上的累积特征数据；考虑到当累积特征数据不为第一设定值时，所述样本兴趣点应当处于正常或未过期状态，因此可将所述第二预设历史时间段中，累积特征数据为第一设定值时所对应的时间点之前的时间段内，所述样本兴趣点的状态为过期状态的概率值设置为第一设定值；考虑到在所述过期状态时间时，所述样本兴趣点的状态已被确定为过期状态，因此可将所述过期状态时间对应的样本兴趣点的状态为过期状态的概率值设置为第二设定值；对于剩下的时间段，即所述累积特征数据为第一设定值时所对应的时间点与所述过期状态时间之间的第三预设历史时间段，可基于第一设定值和第二设定值这两个端点概率值进行插值处理，并考虑时间衰减性因素，得到所述第三预设历史时间段内样本兴趣点状态为过期状态的概率，使得所述第三预设历史时间段内，所述样本兴趣点的状态为过期状态的概率呈现单调上升的趋势，这样基于所述第三预设历史时间段内样本兴趣点状态为过期状态的概率，就可以得到样本兴趣点的状态概率值随时间分布的概率序列，即样本兴趣点的预估时间状态序列。
89.在本公开一实施方式中，所述基于所述第二特征数据和所述预估时间状态序列，对于所述初始兴趣点状态确定模型进行训练的步骤，可包括以下步骤：
90.获取训练数据集合，其中，所述训练数据集合包括对于所述第二特征数据和所述预估时间状态序列分别进行滑动切分得到的第二特征训练数据和与所述第二特征训练数据对应的预估时间状态训练序列；
91.对于所述第二特征训练数据进行特征提取，得到与所述第二特征训练数据对应的第三特征训练数据；
92.以所述第二特征训练数据和第三特征训练数据作为输入，以对应的预估时间状态训练序列作为输出，训练所述初始兴趣点状态确定模型，得到兴趣点状态确定模型。
93.在该实施方式中，在基于所述第二特征数据和所述预估时间状态序列，对于所述初始兴趣点状态确定模型进行训练时，可首先确定训练数据集合，其中，所述训练数据集合包括对于所述第二特征数据和所述预估时间状态序列分别进行滑动切分得到的第二特征训练数据和与所述第二特征训练数据对应的预估时间状态训练序列，其中，所述滑动切分指的是利用具有特定长度和特定滑动步长的滑动时间窗口进行的数据切分，比如，若所述第二预设历史时间段为一年，则所述第二特征数据和所述预估时间状态序列均为维度为365*1的序列，假设所述滑动时间窗口的长度为1个月，即60天，滑动步长为1天，则利用所述滑动时间窗口对于所述第二特征数据和所述预估时间状态序列进行滑动切分后可得到306
对维度为60*1的序列对，即306个维度为60*1的第二特征训练数据和与所述第二特征训练数据对应的306个维度为60*1的预估时间状态训练序列。然后对于所述第二特征训练数据进行特征提取，得到与所述第二特征训练数据对应的第三特征训练数据；最后将所述第二特征训练数据和第三特征训练数据均作为输入，以对应的预估时间状态训练序列作为输出，训练所述初始兴趣点状态确定模型，训练完成后即可得到所述兴趣点状态确定模型，也就建立了目标兴趣点特征与目标兴趣点状态可能性之间的关系，学习到了尽可能接近目标兴趣点真正状态变化时间的特征数据变化趋势，这样就可以及时地捕捉到目标兴趣点的状态变化。其中，可设置一损失函数来衡量所述兴趣点状态确定模型的输出与作为标签数据的所述预估时间状态训练序列之间的差别，并根据所述损失函数的值调节所述兴趣点状态确定模型的模型参数，当所述损失函数达到最小时，可认为所述兴趣点状态确定模型训练完成，达到收敛状态。
94.在本公开一实施方式中，所述对于所述第二特征训练数据进行特征提取，得到与所述第二特征训练数据对应的第三特征训练数据的步骤，可包括以下步骤：
95.提取所述第二特征训练数据的局部特征；
96.提取所述第二特征训练数据的全局特征；
97.对于所述第二特征训练数据的局部特征和全局特征进行组合，将所述局部特征、全局特征、以及得到的组合特征组成与所述第二特征训练数据对应的第三特征训练数据。
98.在该实施方式中，在对于所述第二特征训练数据进行特征提取时，首先提取所述第二特征训练数据的局部特征，以获取所述第二特征训练数据在小时间尺度上的变化趋势，比如局部上升还是下降，局部平稳还是波动等等；然后提取所述第二特征训练数据的全局特征，以获取所述第二特征训练数据在整体时间尺度上的变化趋势，比如整体上升还是下降，整体平稳还是波动等等；最后对于所述第二特征训练数据的局部特征和全局特征进行组合，将所述局部特征、全局特征、以及得到的组合特征组合起来，即可得到与所述第二特征训练数据对应的第三特征训练数据，从而丰富了特征数据的变化趋势信息，实现了所述兴趣点状态确定模型的多粒度特征提取，进而减少了噪声的干扰，进一步提高了兴趣点状态变化挖掘的准确率。若所述第二特征训练数据的维度为60*1，则所述第二特征训练数据局部特征和全局特征的维度为均60*1，而所述第三特征训练数据的维度为60*2。其中，对于局部特征和全局特征的提取可借助门循环单元网络模型来实现。
99.在本公开一实施方式中，所述方法还可包括以下步骤：
100.当所述目标兴趣点的状态为过期状态时，执行预设操作。
101.在该实施方式中，在得到所述目标兴趣点的状态之后，就可以根据所述目标兴趣点的状态执行相应的预设操作，比如当确定所述目标兴趣点的状态为异常或过期的过期状态时，为了避免出现用户时间和路程上的损失，有效提升互联网平台的服务质量，保障用户的使用体验，可在地图应用中、生活类应用中、交通类应用中或借助其他渠道对于所述目标兴趣点的状态进行通知，等等。
102.图2示出根据本公开一实施方式的兴趣点状态确定方法的整体流程图，如图2所示，首先利用样本兴趣点在确定为过期状态的过期状态时间之前的第二预设历史时间段内的第二特征数据，预估样本兴趣点的时间状态序列，得到预估时间状态序列；然后分别提取所述第二特征数据的局部特征和全局特征，对局部特征和全局特征进行组合得到组合特
征，将局部特征、全局特征和组合特征组合起来，得到第三特征数据；然后将所述第二特征数据、第三特征数据和所述预估时间状态序列作为训练数据，训练得到兴趣点状态确定模型，在训练时，可设置一损失函数来衡量所述兴趣点状态确定模型的输出即预测时间状态序列与作为训练标签数据的所述预估时间状态训练序列之间的差别，以调节所述兴趣点状态确定模型的模型参数，以最终使得所述损失函数达到最小，所述兴趣点状态确定模型也达到收敛状态。在应用时，可先获取目标兴趣点在第一预设历史时间段内的第一特征数据，将所述第一特征数据输入至训练完成的兴趣点状态确定模型中，预测得到所述目标兴趣点在所述第一预设历史时间段内的状态概率分布，对于所述第一预设历史时间段内的某一时间点，若其在所述状态概率分布中对应的状态概率大于预设概率阈值，则可确定所述目标兴趣点此时为过期状态，若小于等于所述预设概率阈值，可确定所述目标兴趣点此时为未过期状态。
103.下述为本公开装置实施例，可以用于执行本公开方法实施例。
104.图3示出根据本公开一实施方式的兴趣点状态确定装置的结构框图，该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图3所示，所述兴趣点状态确定装置包括：
105.获取模块301，被配置为获取目标兴趣点在第一预设历史时间段内的第一特征数据；
106.预测模块302，被配置为将所述第一特征数据输入预先训练得到的兴趣点状态确定模型，预测所述目标兴趣点在所述第一预设历史时间段内的状态概率分布；
107.确定模块303，被配置为将所述第一预设历史时间段内预设时间点在所述状态概率分布中对应的状态概率与预设概率阈值进行比较，以确定所述目标兴趣点在所述预设时间点的状态。
108.上文提及，随着互联网和数据技术的发展，越来越多的用户通过互联网平台寻找、查询某一个地点，但在实际应用中，某一地点的状态变化率是比较高的，而且地点的状态变化难以及时通知到每一个用户，比如，某一餐馆关闭、搬迁、拆迁或更名后即使能够通知到该餐馆的会员，但却无法及时告知不是该餐馆会员但想要去该餐馆用餐的用户，这就为用户的查询带来了极大的不便，甚至还会为慕名前去的用户带来时间和路程上的损失。为了解决地点状态变化无法及时通知用户的问题，现有技术对于地点的状态变化进行挖掘，但是现有技术对于地点状态变化的挖掘速度较低，难以提升互联网平台的服务质量，也无法保障用户的使用体验。
109.考虑到上述问题，在该实施方式中，提出一种兴趣点状态确定装置，该装置基于目标兴趣点的特征数据对于目标兴趣点的状态概率进行预测，以基于目标兴趣点特征与目标兴趣点状态之间的关系及时确定目标兴趣点的状态。该技术方案能够快速预测得到目标兴趣点的状态，从而能够及时通知用户，进而能够有效提升互联网平台的服务质量，保障用户的使用体验，避免出现用户时间和路程上的损失。
110.在本公开一实施方式中，所述兴趣点状态确定装置可实现为可执行兴趣点状态确定处理的终端计算机、计算设备、电子设备、服务器、服务集群等。
111.在本公开一实施方式中，所述兴趣点指的是地图上可以抽象为兴趣点(point of interest，poi)、有可能会被用户查询、作为导航目的地的地理实体，比如医院、公园、商店、
餐馆等等。
112.在本公开一实施方式中，所述目标兴趣点指的是需对其状态进行确定的兴趣点。
113.在本公开一实施方式中，所述第一预设历史时间段指的是当前时间之前的一时间段，本领域技术人员可根据实际应用的需要对于所述第一预设历史时间段的具体取值进行设置，本公开对其不作特别限定，所述第一预设历史时间段比如可以为一年、两年等等。
114.在本公开一实施方式中，所述目标兴趣点的第一特征数据指的是用于表征所述目标兴趣点状态的特征数据，比如，与所述目标兴趣点相关的对象的行为数据等等。例如，若所述目标兴趣点为某一餐馆，则所述目标兴趣点的第一特征数据可以为该餐馆的用户支付时间数据序列等等。
115.在本公开一实施方式中，所述兴趣点状态确定模型指的是预先训练得到的、用于确定兴趣点状态的模型，所述兴趣点状态确定模型的输入为所述目标兴趣点在第一预设历史时间段内的第一特征数据，输出为所述目标兴趣点在所述第一预设历史时间段内的状态概率分布，即所述目标兴趣点在所述第一预设历史时间段内每个时间点的状态的概率值，其中，可设置当所述目标兴趣点的状态为过期状态时，其概率为第二设定值，比如1，当所述目标兴趣点的状态为未过期状态时，其概率为第一设定值，比如0。
116.在本公开一实施方式中，所述兴趣点状态可分为两种状态：过期状态和未过期状态，其中，所述过期状态指的是所述兴趣点处于异常的过期状态，比如，关闭、停业、搬迁、拆迁、更名等状态；所述未过期状态指的是所述兴趣点处于正常的未过期状态，比如，正常营业等状态。
117.在上述实施方式中，首先获取需要进行状态确定的目标兴趣点在第一预设历史时间段内的第一特征数据；将所述第一特征数据输入至预先训练得到的兴趣点状态确定模型，即可预测得到所述目标兴趣点在所述第一预设历史时间段内的状态概率分布；对于所述第一预设历史时间段内的某一预设时间点来说，可将其在所述状态概率分布中对应的状态概率与预设概率阈值进行比较，来确定所述目标兴趣点在所述预设时间点的状态，比如，若该预设时间点在所述状态概率分布中对应的状态概率大于预设概率阈值，可确定所述目标兴趣点在所述预设时间点的状态为过期状态，若该预设时间点在所述状态概率分布中对应的状态概率小于等于所述预设概率阈值，可确定所述目标兴趣点在所述预设时间点的状态为未过期状态。其中，所述预设概率阈值的值可根据实际应用的需要进行设置，比如，若所述目标兴趣点的状态概率为处于(0，1)的值，则所述预设概率阈值可设置为0.5、0.6、0.7等等。
118.在本公开一实施方式中，所述装置还可包括：
119.训练模块，被配置为训练所述兴趣点状态确定模型。
120.在本公开一实施方式中，所述训练模块被配置为：
121.获取样本兴趣点确定为所述过期状态的过期状态时间和所述样本兴趣点在过期状态时间之前的第二预设历史时间段内的第二特征数据；
122.基于所述过期状态时间和第二特征数据，预估样本兴趣点的时间状态序列，得到所述样本兴趣点的预估时间状态序列；
123.确定初始兴趣点状态确定模型，基于所述第二特征数据和所述预估时间状态序列，对于所述初始兴趣点状态确定模型进行训练，得到所述兴趣点状态确定模型。
124.在该实施方式中，在训练所述兴趣点状态确定模型时，首先确定样本兴趣点，获取将样本兴趣点的状态确定为所述过期状态的过期状态时间，以及所述样本兴趣点在所述过期状态时间之前的第二预设历史时间段内的第二特征数据，其中，所述样本兴趣点指的是其状态已确定的、可作为样本的兴趣点；所述过期状态时间指的是基于用户反馈或其他确定方法能够确定所述样本兴趣点的状态为过期状态的时间；所述第二预设历史时间段指的是所述过期状态时间之前的一时间段，本领域技术人员可根据实际应用的需要对于所述第二预设历史时间段的具体取值进行设置，本公开对其不作特别限定，与所述第一预设历史时间段类似，所述第二预设历史时间段比如也可以为一年、两年等等；与所述第一特征数据类似，所述第二特征数据也用于表征所述样本兴趣点状态的特征数据，比如，与所述样本兴趣点相关的对象的行为数据等等，例如，若所述样本兴趣点为某一餐馆，则所述样本兴趣点的第二特征数据可以为该餐馆的用户支付时间数据序列等等。然后基于所述过期状态时间和第二特征数据，粗略预估得到所述样本兴趣点的时间状态序列，即所述样本兴趣点的预估时间状态序列，其中，所述时间状态序列指的是所述样本兴趣点的状态概率值随时间分布的概率序列，也即，所述样本兴趣点在不同时间点上为过期状态的可能性，所述预估时间状态序列后续可作为训练所述兴趣点状态确定模型时的标签数据，以实现监督学习的效果，有利于提升兴趣点状态变化挖掘的准确率；然后确定初始兴趣点状态确定模型，基于所述第二特征数据和所述预估时间状态序列，对于所述初始兴趣点状态确定模型进行训练，训练完成后即可得到可用于确定某一兴趣点状态的兴趣点状态确定模型，其中，所述初始兴趣点状态确定模型比如可以为递归rnn神经网络模型、门循环单元(gated recurrent unit，gru)网络模型等等。
125.在本公开一实施方式中，所述基于所述过期状态时间和第二特征数据，预估样本兴趣点的时间状态序列的部分，可被配置为：
126.计算所述样本兴趣点在所述第二预设历史时间段内的累积特征数据分布；
127.获取所述累积特征数据为第一设定值时对应的时间点；
128.将所述时间点之前的时间段内，样本兴趣点状态为过期状态的概率设置为第一设定值；
129.将所述过期状态时间对应的样本兴趣点状态为过期状态的概率设置为第二设定值；
130.对于所述累积特征数据为第一设定值时对应时间点与所述过期状态时间之间的第三预设历史时间段，以第一设定值和第二设定值为端点概率值进行插值，得到所述第三预设历史时间段内样本兴趣点状态为过期状态的概率，使得所述第三预设历史时间段内样本兴趣点状态为过期状态的概率呈现单调上升趋势，进而得到样本兴趣点的状态概率值随时间分布的概率序列，即样本兴趣点的预估时间状态序列。
131.在该实施方式中，在预估样本兴趣点的时间状态序列时，首先计算所述样本兴趣点在所述第二预设历史时间段内的累积特征数据分布，比如，可基于泊松累积分布函数计算得到所述样本兴趣点在所述第二预设历史时间段内的每个时间点上的累积特征数据；考虑到当累积特征数据不为第一设定值时，所述样本兴趣点应当处于正常或未过期状态，因此可将所述第二预设历史时间段中，累积特征数据为第一设定值时所对应的时间点之前的时间段内，所述样本兴趣点的状态为过期状态的概率值设置为第一设定值；考虑到在所述
过期状态时间时，所述样本兴趣点的状态已被确定为过期状态，因此可将所述过期状态时间对应的样本兴趣点的状态为过期状态的概率值设置为第二设定值；对于剩下的时间段，即所述累积特征数据为第一设定值时所对应的时间点与所述过期状态时间之间的第三预设历史时间段，可基于第一设定值和第二设定值这两个端点概率值进行插值处理，并考虑时间衰减性因素，得到所述第三预设历史时间段内样本兴趣点状态为过期状态的概率，使得所述第三预设历史时间段内，所述样本兴趣点的状态为过期状态的概率呈现单调上升的趋势，这样基于所述第三预设历史时间段内样本兴趣点状态为过期状态的概率，就可以得到样本兴趣点的状态概率值随时间分布的概率序列，即样本兴趣点的预估时间状态序列。
132.在本公开一实施方式中，所述基于所述第二特征数据和所述预估时间状态序列，对于所述初始兴趣点状态确定模型进行训练的部分，可被配置为：
133.获取训练数据集合，其中，所述训练数据集合包括对于所述第二特征数据和所述预估时间状态序列分别进行滑动切分得到的第二特征训练数据和与所述第二特征训练数据对应的预估时间状态训练序列；
134.对于所述第二特征训练数据进行特征提取，得到与所述第二特征训练数据对应的第三特征训练数据；
135.以所述第二特征训练数据和第三特征训练数据作为输入，以对应的预估时间状态训练序列作为输出，训练所述初始兴趣点状态确定模型，得到兴趣点状态确定模型。
136.在该实施方式中，在基于所述第二特征数据和所述预估时间状态序列，对于所述初始兴趣点状态确定模型进行训练时，可首先确定训练数据集合，其中，所述训练数据集合包括对于所述第二特征数据和所述预估时间状态序列分别进行滑动切分得到的第二特征训练数据和与所述第二特征训练数据对应的预估时间状态训练序列，其中，所述滑动切分指的是利用具有特定长度和特定滑动步长的滑动时间窗口进行的数据切分，比如，若所述第二预设历史时间段为一年，则所述第二特征数据和所述预估时间状态序列均为维度为365*1的序列，假设所述滑动时间窗口的长度为1个月，即60天，滑动步长为1天，则利用所述滑动时间窗口对于所述第二特征数据和所述预估时间状态序列进行滑动切分后可得到306对维度为60*1的序列对，即306个维度为60*1的第二特征训练数据和与所述第二特征训练数据对应的306个维度为60*1的预估时间状态训练序列。然后对于所述第二特征训练数据进行特征提取，得到与所述第二特征训练数据对应的第三特征训练数据；最后将所述第二特征训练数据和第三特征训练数据均作为输入，以对应的预估时间状态训练序列作为输出，训练所述初始兴趣点状态确定模型，训练完成后即可得到所述兴趣点状态确定模型，也就建立了目标兴趣点特征与目标兴趣点状态可能性之间的关系，学习到了尽可能接近目标兴趣点真正状态变化时间的特征数据变化趋势，这样就可以及时地捕捉到目标兴趣点的状态变化。其中，可设置一损失函数来衡量所述兴趣点状态确定模型的输出与作为标签数据的所述预估时间状态训练序列之间的差别，并根据所述损失函数的值调节所述兴趣点状态确定模型的模型参数，当所述损失函数达到最小时，可认为所述兴趣点状态确定模型训练完成，达到收敛状态。
137.在本公开一实施方式中，所述对于所述第二特征训练数据进行二次特征提取，得到与所述第二特征训练数据对应的第三特征训练数据的部分，可被配置为：
138.提取所述第二特征训练数据的局部特征；
139.提取所述第二特征训练数据的全局特征；
140.对于所述第二特征训练数据的局部特征和全局特征进行组合，将所述局部特征、全局特征、以及得到的组合特征组成与所述第二特征训练数据对应的第三特征训练数据。
141.在该实施方式中，在对于所述第二特征训练数据进行特征提取时，首先提取所述第二特征训练数据的局部特征，以获取所述第二特征训练数据在小时间尺度上的变化趋势，比如局部上升还是下降，局部平稳还是波动等等；然后提取所述第二特征训练数据的全局特征，以获取所述第二特征训练数据在整体时间尺度上的变化趋势，比如整体上升还是下降，整体平稳还是波动等等；最后对于所述第二特征训练数据的局部特征和全局特征进行组合，将所述局部特征、全局特征、以及得到的组合特征组合起来，即可得到与所述第二特征训练数据对应的第三特征训练数据，从而丰富了特征数据的变化趋势信息，实现了所述兴趣点状态确定模型的多粒度特征提取，进而减少了噪声的干扰，进一步提高了兴趣点状态变化挖掘的准确率。若所述第二特征训练数据的维度为60*1，则所述第二特征训练数据局部特征和全局特征的维度为均60*1，而所述第三特征训练数据的维度为60*2。其中，对于局部特征和全局特征的提取可借助门循环单元网络模型来实现。
142.在本公开一实施方式中，所述装置还可包括：
143.执行模块，被配置为当所述目标兴趣点的状态为过期状态时，执行预设操作。
144.在该实施方式中，在得到所述目标兴趣点的状态之后，就可以根据所述目标兴趣点的状态执行相应的预设操作，比如当确定所述目标兴趣点的状态为异常或过期的过期状态时，为了避免出现用户时间和路程上的损失，有效提升互联网平台的服务质量，保障用户的使用体验，可在地图应用中、生活类应用中、交通类应用中或借助其他渠道对于所述目标兴趣点的状态进行通知，等等。
145.本公开还公开了一种电子设备，图4示出根据本公开一实施方式的电子设备的结构框图，如图4所示，所述电子设备400包括存储器401和处理器402；其中，
146.所述存储器401用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器402执行以实现上述方法步骤。
147.图5是适于用来实现根据本公开一实施方式的兴趣点状态确定方法的计算机系统的结构示意图。
148.如图5所示，计算机系统500包括处理单元501，其可以根据存储在只读存储器(rom)502中的程序或者从存储部分508加载到随机访问存储器(ram)503中的程序而执行上述实施方式中的各种处理。在ram503中，还存储有系统500操作所需的各种程序和数据。处理单元501、rom502以及ram503通过总线504彼此相连。输入/输出(i/o)接口505也连接至总线504。
149.以下部件连接至i/o接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至i/o接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。其中，所述处理单元501可实现为cpu、gpu、tpu、fpga、npu等处理单元。
150.特别地，根据本公开的实施方式，上文描述的方法可以被实现为计算机软件程序。例如，本公开的实施方式包括一种计算机程序产品，其包括有形地包含在及其可读介质上的计算机程序，所述计算机程序包含用于执行所述畅通信息确定方法的程序代码。在这样的实施方式中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。
151.附图中的流程图和框图，图示了按照本公开各种实施方式的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，路程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
152.描述于本公开实施方式中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
153.作为另一方面，本公开实施例还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施方式中所述装置中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本公开实施例的方法。
154.以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

技术特征：
1.一种兴趣点状态确定方法，其中，包括：获取目标兴趣点在第一预设历史时间段内的第一特征数据；将所述第一特征数据输入预先训练得到的兴趣点状态确定模型，预测所述目标兴趣点在所述第一预设历史时间段内的状态概率分布；将所述第一预设历史时间段内预设时间点在所述状态概率分布中对应的状态概率与预设概率阈值进行比较，以确定所述目标兴趣点在所述预设时间点的状态。2.根据权利要求1所述的方法，其中，所述方法还包括：获取样本兴趣点确定为所述过期状态的过期状态时间和所述样本兴趣点在过期状态时间之前的第二预设历史时间段内的第二特征数据；基于所述过期状态时间和第二特征数据，预估样本兴趣点的时间状态序列，得到所述样本兴趣点的预估时间状态序列；确定初始兴趣点状态确定模型，基于所述第二特征数据和所述预估时间状态序列，对于所述初始兴趣点状态确定模型进行训练，得到所述兴趣点状态确定模型。3.根据权利要求2所述的方法，其中，所述基于所述过期状态时间和第二特征数据，预估样本兴趣点的时间状态序列，包括：计算所述样本兴趣点在所述第二预设历史时间段内的累积特征数据分布；获取所述累积特征数据为第一设定值时对应的时间点；将所述时间点之前的时间段内，样本兴趣点状态为过期状态的概率设置为第一设定值；将所述过期状态时间对应的样本兴趣点状态为过期状态的概率设置为第二设定值；对于所述累积特征数据为第一设定值时对应时间点与所述过期状态时间之间的第三预设历史时间段，以第一设定值和第二设定值为端点概率值进行插值，得到所述第三预设历史时间段内样本兴趣点状态为过期状态的概率，使得所述第三预设历史时间段内样本兴趣点状态为过期状态的概率呈现单调上升趋势，进而得到样本兴趣点的状态概率值随时间分布的概率序列，即样本兴趣点的预估时间状态序列。4.根据权利要求2或3所述的方法，其中，所述基于所述第二特征数据和所述预估时间状态序列，对于所述初始兴趣点状态确定模型进行训练，包括：获取训练数据集合，其中，所述训练数据集合包括对于所述第二特征数据和所述预估时间状态序列分别进行滑动切分得到的第二特征训练数据和与所述第二特征训练数据对应的预估时间状态训练序列；对于所述第二特征训练数据进行特征提取，得到与所述第二特征训练数据对应的第三特征训练数据；以所述第二特征训练数据和第三特征训练数据作为输入，以对应的预估时间状态训练序列作为输出，训练所述初始兴趣点状态确定模型，得到兴趣点状态确定模型。5.根据权利要求4所述的方法，其中，所述对于所述第二特征训练数据进行特征提取，得到与所述第二特征训练数据对应的第三特征训练数据，包括：提取所述第二特征训练数据的局部特征；提取所述第二特征训练数据的全局特征；对于所述第二特征训练数据的局部特征和全局特征进行组合，将所述局部特征、全局
特征、以及得到的组合特征组成与所述第二特征训练数据对应的第三特征训练数据。6.一种兴趣点状态确定装置，包括：获取模块，被配置为获取目标兴趣点在第一预设历史时间段内的第一特征数据；预测模块，被配置为将所述第一特征数据输入预先训练得到的兴趣点状态确定模型，预测所述目标兴趣点在所述第一预设历史时间段内的状态概率分布；确定模块，被配置为将所述第一预设历史时间段内预设时间点在所述状态概率分布中对应的状态概率与预设概率阈值进行比较，以确定所述目标兴趣点在所述预设时间点的状态。7.根据权利要求6所述的装置，所述装置还包括训练模块，其中，所述训练模块被配置为：获取样本兴趣点确定为所述过期状态的过期状态时间和所述样本兴趣点在过期状态时间之前的第二预设历史时间段内的第二特征数据；基于所述过期状态时间和第二特征数据，预估样本兴趣点的时间状态序列，得到所述样本兴趣点的预估时间状态序列；确定初始兴趣点状态确定模型，基于所述第二特征数据和所述预估时间状态序列，对于所述初始兴趣点状态确定模型进行训练，得到所述兴趣点状态确定模型。8.根据权利要求7所述的装置，其中，所述基于所述过期状态时间和第二特征数据，预估样本兴趣点的时间状态序列的部分，被配置为：计算所述样本兴趣点在所述第二预设历史时间段内的累积特征数据分布；获取所述累积特征数据为第一设定值时对应的时间点；将所述时间点之前的时间段内，样本兴趣点状态为过期状态的概率设置为第一设定值；将所述过期状态时间对应的样本兴趣点状态为过期状态的概率设置为第二设定值；对于所述累积特征数据为第一设定值时对应时间点与所述过期状态时间之间的第三预设历史时间段，以第一设定值和第二设定值为端点概率值进行插值，得到所述第三预设历史时间段内样本兴趣点状态为过期状态的概率，使得所述第三预设历史时间段内样本兴趣点状态为过期状态的概率呈现单调上升趋势，进而得到样本兴趣点的状态概率值随时间分布的概率序列，即样本兴趣点的预估时间状态序列。9.根据权利要求7或8所述的装置，其中，所述基于所述第二特征数据和所述预估时间状态序列，对于所述初始兴趣点状态确定模型进行训练的部分，被配置为：获取训练数据集合，其中，所述训练数据集合包括对于所述第二特征数据和所述预估时间状态序列分别进行滑动切分得到的第二特征训练数据和与所述第二特征训练数据对应的预估时间状态训练序列；对于所述第二特征训练数据进行特征提取，得到与所述第二特征训练数据对应的第三特征训练数据；以所述第二特征训练数据和第三特征训练数据作为输入，以对应的预估时间状态训练序列作为输出，训练所述初始兴趣点状态确定模型，得到兴趣点状态确定模型。10.一种电子设备，其特征在于，包括存储器和至少一个处理器；其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述至少一个处理器执
行以实现权利要求1-5任一项所述的方法步骤。

技术总结
本公开实施例公开了一种兴趣点状态确定方法、装置及电子设备，所述方法包括：获取目标兴趣点在第一预设历史时间段内的第一特征数据；将所述第一特征数据输入预先训练得到的兴趣点状态确定模型，预测所述目标兴趣点在所述第一预设历史时间段内的状态概率分布；将所述第一预设历史时间段内预设时间点在所述状态概率分布中对应的状态概率与预设概率阈值进行比较，以确定所述目标兴趣点在所述预设时间点的状态。该技术方案能够快速预测得到目标兴趣点的状态，从而能够及时通知用户，进而能够有效提升互联网平台的服务质量，保障用户的使用体验，避免出现用户时间和路程上的损失。避免出现用户时间和路程上的损失。避免出现用户时间和路程上的损失。


技术研发人员：姚欣 尚小兵
受保护的技术使用者：高德软件有限公司
技术研发日：2022.03.07
技术公布日：2023/9/20