时光梳理·每日行程梳理
This skill should be used when a user wants to reconstruct their day-by-day city / location timeline across multiple years from payment and travel records (bills from WeChat Pay / Alipay / UnionPay / bank & credit-card statements, flight and train tickets, navigation / ride-hailing GPS, OTA bookings, Google Maps Timeline, and photo EXIF GPS). It turns noisy consumption locations into a verified per-day geography, correcting merchant-HQ and product-origin mislabels with travel legs, on-site evidence, photo GPS, and safety gates. Works for both mainland-China users (省/市 naming, WeChat/Alipay sources) and international users (country/city naming, bank statements, Google Timeline). Trigger phrases: 梳理我的行程, 还原每日所在城市, 跨多年每日所在地, 微信支付宝账单 还原 我在哪, 行程地点记录, 把多年账单整理成我在哪, 照片GPS还原轨迹, daily location timeline, reconstruct where I was, location history from bank statements.
跨多年每日所在地点梳理(Daily Location Timeline)
把几年甚至十几年的支付账单、机票/火车票、导航/打车 GPS、OTA 订单、照片 EXIF GPS,还原成一份 **「每一年、每一天我大概在哪个城市」**的可信逐日地理轨迹。适用于个人时间线归档、报销/居住佐证、 「我到底去过哪些地方」的记忆还原。
完整操作规范见
references/sop.md;出行腿字段定义见references/travel_legs_schema.md; 照片GPS方法与实战教训见references/photo_gps_method.md。本文件是给执行智能体的精简行动指南, 遇到细节分歧以references/sop.md为准。
何时使用
- 用户有多年支付账单(微信/支付宝/云闪付,或银行/信用卡月结单),想还原逐日所在地。
- 账单缺失或滞后的时段(如今年账单未出),但有大量带 GPS 的照片/视频。
- 用户要证明某段时间在某地(报销/税务/居住证明/签证记录/个人时间线归档)。
- 用户想把自己的「消费地」清单整理成「真实所在地」清单。
核心认知(贯穿全程)
- 支付地点 ≠ 你本人在哪。 商户注册地(订票平台总部/分公司)、商品产地、连锁门店分支地、 线上商户都会把错误城市塞进账单——国内典型如「订票平台注册在天津」,海外典型如 「Uber 账单显示 San Francisco 总部而人在 London」。所有「城市」都必须经证据校验。
- GPS 类证据比消费更硬。 导航/打车轨迹、App 签到、照片 EXIF GPS 直接锚定物理位置, 作为 L0 级证据优先采信。
- 判定要「时间感知」。 一天可能跨多个城市(早晨在 A 出发、傍晚到 B), 有效的判定是:每日有效时段(07:00–24:00,排除睡眠段)内停留最久的城市为主城市, 在途时间不计入任何城市。这是 v2.0 相对早期「到达优先」判定的关键改进。
地区适配(先确认用户所在地区,其余流程完全一致)
核心方法论全球通用,仅「数据源」与「城市命名」按地区取用:
| 环节 | 中国大陆用户 | 海外用户 |
|---|---|---|
| 支付账单 | 微信/支付宝/云闪付导出 Excel | 银行/信用卡月结单 PDF→CSV(Chase/Amex/Wise/Revolut 等) |
| 出行票务 | 12306、航旅纵横/航司 App | 航司 App、Trainline/Amtrak/Eurostar/Rail Europe |
| 导航/打车 GPS | 高德/百度、滴滴/曹操、哈啰 | Google Maps Timeline、Uber/Lyft/Bolt/Grab 行程记录 |
| 实地订单 | 美团/携程/华住 | Booking/Agoda/Airbnb/酒店会员体系 |
| 照片 EXIF GPS | 相册照片(同一全球标准) | 相同(Photos/iCloud/Google Photos 导出均可) |
| 城市命名 | 省/市 短格式(如 新疆/阜康) | 国家/城市(如 Thailand/Bangkok),同两级结构 |
| 高频误判源 | 商户注册地、菜系名、商品产地 | 商户总部所在地、清关地、免税店注册地、跨时区日期漂移 |
| 币种线索 | — | 账单币种突变(USD→THB)可辅助定位出境日 |
表达习惯跟随用户:国内用户用中文交流与中文表头;海外用户可用英文/当地语言。 交付表格列名建议与用户日常语言一致(脚本默认中文列名,可在配置中改)。
数据源分级(按可靠性 × 获取难易度)
- 一级(必须):支付账单(国内:微信/支付宝/云闪付;海外:银行/信用卡账单); 票务(12306/航旅,或 Trainline/航司)。低难度、主干证据。
- 二级(强烈建议):带 GPS 的记录——导航/打车/骑行(高德/滴滴,或 Google Timeline/Uber)、 照片 EXIF GPS。纠偏最强,账单缺失时的主力。
- 三级(按需):OTA/酒店/门票等「线上买线下用」订单(美团/携程,或 Booking/Agoda)。
- 记忆(随时):相册、日记、工作地变迁,逐日核对时调用;模糊日期直接问用户。
原则:先一级打底 → 二级纠偏 → 三级填空。不必一次集齐;账单缺什么就用照片 GPS 补什么。
处理流水线(8 阶段)
- 账单导出与合并:各平台导出表格,对齐字段,标注「消费性质 / 判定层级」,去重, 输出合并明细表。海外用户:PDF 账单先转 CSV,字段映射到「时间/对方/商品(描述)/金额/城市」。
- 字段标准化与城市归一化:统一成
region/city两级短格式。国内「浙江省/杭州市」→浙江/杭州; 海外自由文本城市(如账单 merchant 字段)→国家/城市。同一城市因写法不同被拆行是大坑。 - 消费地逐日梳理(梳理版):按日分组,写「当日全部城市」与主城市。 铁律:城市只从「商品/描述」字段提取,绝不从「交易对方/merchant」提取(防注册地误判)。
- 出行腿结构化(travel_legs.json):把票务变成机器可读的「出行腿」——最硬的位置证据。
结构见
references/travel_legs_schema.md。要点:- 跨夜腿:
arr_date写到达日,中间天标为到达城市(在途); - 经停站用
stops记入到达日;同日多段靠dep_min排序; - 时刻用当地时间记录(海外跨时区航班:出发写起飞地时间、到达写落地地时间的分钟数);
- 缺订单的行程(朋友代订/现金票/口述)标
status: 用户口述补腿。
- 跨夜腿:
- 实地证据提取:筛选「酒店/民宿/门票/景区」类订单,升级为与票务同权重硬证据。 排除:酒店用品(=网购)、外卖/买菜、菜系名误判(「淄博烧烤」「Sichuan Cuisine」是风味不是城市)、 公司注册名(含 Ltd/Inc/股份 等字样)。
- 照片 EXIF GPS 判定(账单缺失时段的主力,见
references/photo_gps_method.md):exiftool批量提取 →photo_gps_judge.py反向地理编码 + 时间感知聚合。 三道保险:距离审计(匹配>0.3°≈33km 需复核,防城市库缺目的地——实战教训:缺「阜康」, 天池两天被错配到 40km 外省会)、单点飞地检测(当天仅 1-2 点且远离邻日 → 不可直接采信)、 时区口径(EXIF 时间为拍摄设备本地时间,与票务口径一致)。 - 每日城市推算与整合(最终整合版):跑
scripts/rebuild_final.py,时间感知合成每天主城市: 物理轨迹(时间感知)> 实地(onsite) > 消费层 > 兜底。安全机制:- chain-gap 双闸:链不断(前腿到达==后腿出发)且
1<=gap<=MAX_GAP;超长空档回落消费层; - transit_leg 跟踪:只接受当前在途腿的到达事件,过滤陈旧到达污染;
- 中转城市约束、特殊滞留时期(封城等)、用户核实
CORRECTIONS——均为可选配置,默认关闭。
- chain-gap 双闸:链不断(前腿到达==后腿出发)且
- 校验与纠错迭代:自查清单(首末城市符合记忆、邻日连续、中转段≤2天、⚠️备注冲突日);
导出→用户逐日核对→改配置/补腿/加 CORRECTIONS→重跑(先备份)。模糊日期列清单直接问用户,
口述结果标注
[用户确认]写入备注。
打包脚本(核心资产)
scripts/rebuild_final.py:整合+纠错脚本(时间感知引擎)。读「梳理版消费层」+「合并明细」+travel_legs.json,产出 6 表整合版 xlsx 与逐日明细 csv。顶部是个人常量配置块 (文件名 / HOME_CITIES / MAX_GAP / TRANSIT_CITIES / LOCKDOWN / MERCHANT_CITY_BLACKLIST / CORRECTIONS / CITY_HINT_RULES / CITY_ALIAS),换人只改这一块。scripts/photo_gps_judge.py:照片 GPS 逐日判定(反查+时间感知+距离审计+飞地检测)。 附scripts/city_coords.json坐标库模板(国内+海外示例,按到访地扩充)。scripts/travel_legs.json:出行腿示例模板(含国内跨夜经停/口述/自驾 + 海外航段/铁路)。
运行方式:脚本读取「与脚本同目录」的输入文件。把 scripts/ 下脚本与你的输入 xlsx/json 放进同一个干净工作目录运行(依赖
openpyxl:pip install openpyxl;exiftool 需单独安装)。
关键坑(高频,详见 references/sop.md 附录 C)
- 商户注册地/总部误当所在地 → 城市只从「商品/描述」提(国内同程→天津;海外 Uber→SF)。
- 菜系/风味名误判城市(「淄博烧烤」「Sichuan Cuisine」)→ 排除菜系词。
- 大环线/长途缺腿 → 中间天被标回老家 → 补中间腿 + 调大 MAX_GAP(但绝不无限顺延)。
- 跨夜出行腿中间天漏标 → 在途天标为到达城市。
- 城市反查库缺目的地 → GPS 被就近匹配到错误城市(实战:天池→40km 外省会)→ 距离审计 + 扩充坐标库。
- 单点飞地 → 孤立 GPS 点(他人照片/水印定位)→ 飞地检测,不直接采信。
- 海外跨时区 → 红眼航班日期漂移、EXIF 时区口径 → 出行腿用当地时间、按设备时区归日。
参考资料
references/sop.md:完整 SOP(准备、8 阶段、地区适配、交付物、附录 A–D)。references/travel_legs_schema.md:travel_legs.json字段定义、国内外写法示例、常见错误。references/photo_gps_method.md:照片 GPS 判定方法、exiftool 用法、实战教训(阜康案例)。scripts/:三个可复用脚本 + 坐标库/出行腿模板。
- Downloads
- Security audit
- Review
- Last updated
- 3w ago
- Current version
- v2.0.1
- License
- MIT-0
