基于位置流识别用户停留到访的常用算法及React Native/Expo实现

行业内通用的成熟方案是**停留点检测（Stay Point Detection）**算法体系，是各类LBS、出行、签到类应用跑了近十年的落地方案，完全可以基于你已经采集到的前后台连续位置流实现和iOS原生Visits Location Service等效的到访识别能力，不需要依赖RN/Expo生态的原生适配库。

这是工业界最通用的时空双阈值判定逻辑，和iOS原生Visits的底层判定逻辑基本一致：

• 先做脏数据过滤：拿到原始位置点先筛掉无效值，直接丢弃水平定位精度大于100米的漂移点，再计算相邻两个点的瞬时移动速度，速度超过200km/h的点判定为基站/IP定位漂移直接丢弃，这一步是所有判定准确的前提。
• 滑动窗口做空间聚类：从第一个有效点开始维护一个滑动窗口，持续计算窗口内所有点的经纬度质心，只要新进来的点到质心的距离落在你设定的空间阈值范围内（行业通用取值50-200米：门店级到访取50米，商圈级到访取200米），就把点加入窗口继续攒；如果新点超出空间阈值，就暂停攒点，计算当前窗口的时间跨度。
• 时间阈值判定有效到访：如果当前窗口的时间跨度（窗口内最后一个点的时间戳减第一个点的时间戳）大于你设定的停留阈值（通用取值3-10分钟，和iOS原生Visits默认的5分钟阈值对齐即可），就标记为一次有效到访，记录到访的质心经纬度、到达时间、离开时间；如果时间跨度不满足阈值，就把窗口起点移动到刚才超出阈值的新点，重新开始滑动统计。

基线逻辑跑通之后，可以加几个工业界通用的补全规则，准确率能拉到和原生服务90%以上的匹配度：

• 信号断档兼容：如果中间出现超过1分钟没有返回有效定位点的情况（比如用户进室内、进地下车库GPS丢信号），等信号恢复后，如果第一个有效点和断档前最后一个点的距离在空间阈值内，就把中间断档的时长算入当前停留时长，不要误判为用户离开。
• 小范围移动兼容：把固定半径滑窗替换为轻量DBSCAN密度聚类，参数eps和你设定的空间阈值保持一致，min_samples设为2-3，可以自动把用户在同一个区域内短距离挪动的点（比如在停车场找车位、园区内换楼栋）聚成同一个停留簇，避免把一次到访拆成多条记录，这个算法计算量极小，端侧JS就能直接跑，不需要后端算力支持。
• 通勤场景误判过滤：如果识别到的停留簇质心落在高速路、城市快速路主路范围内，直接过滤，这类停留基本是堵车、等红灯导致的，不属于有效到访。

你已经具备前后台连续位置采集能力的前提下，整套逻辑完全可以用纯JS实现，不需要额外引入原生依赖：每次拿到新的位置点做增量计算即可，不需要全量遍历历史点，位置点缓存到本地轻量存储里，端侧运行的性能消耗可以忽略。

内容的提问来源于stack exchange，提问作者Joey Bats