CN102629297B - 一种基于行程识别的出行者活动规律分析方法 - Google Patents

Abstract

本发明公开了一种基于行程识别的出行者活动规律分析方法，对n天的经行程识别的停留点进行分析，当停留点符合第一距离阈值条件时，将其合并为一个候选居住地，在所有的候选居住地中，累计停留时长最大的候选居住地的累计停留时长达到第一时间阈值，则将此候选居住地作为居住地。上述过程实现了对出行者居住地的准确判断。在居住地判断的基础上，利用本发明的分析方法，还可以进一步研究出行者的日平均休息时长、作息规律评价指标、主要出行位置、日平均出行距离等，从而实现对出行者的活动规律的掌握。本发明针对GPS定位轨迹数据或手机定位轨迹数据进行分析，均可以获得准确的分析结果。本发明尤其适用于装备GPS的出租车驾驶员的活动规律分析。

Description

一种基于行程识别的出行者活动规律分析方法

技术领域

本发明涉及一种基于行程识别的出行者活动规律分析方法。

背景技术

目前，城市活动对象的轨迹采集主要有GPS定位和手机网络定位两种方式。因此，针对轨迹数据的研究也主要是以这两种数据来源为基础进行展开的。

定位技术获取的轨迹数据只是包含每一轨迹点的经纬度及其对应的时刻信息，通过数据本身无法直接得到活动行为的特征信息，如出行时间、出行方式、出行目的，以及更深层次的活动规律等。进行以上这些信息统计分析工作的基础，就是识别出出行者的两种活动类型，即活动的停留阶段和移动阶段。因此，出行识别的任务就是将无法直接理解的轨迹转化为能够认知的停留位置和在各个停留位置之间的移动。

如图1所示，行程识别就是将在空间上离散的轨迹点划分成停留活动点和移动活动点两大类。通过停留活动点获取人进行停留活动时的位置或位置范围，通过移动活动点生成人的移动路径。这样，有关停留时长、停留活动目的等信息可以由停留位置信息进行挖掘分析，出行方式、出行时间、出行距离等信息则可以从移动路径中提取。因此，可以在行程识别的基础上进一步研究出行者的活动规律。

发明内容

本发明设计开发了一种基于行程识别的出行者活动规律分析方法。对n天的经行程识别的停留点进行分析，当停留点符合第一距离阈值条件时，将其合并为一个候选居住地，在所有的候选居住地中，累计停留时长最大的候选居住地的累计停留时长达到第一时间阈值，则将此候选居住地作为居住地。上述过程实现了对出行者居住地的准确判断。在居住地判断的基础上，利用本发明的分析方法，还可以进一步研究出行者的日平均休息时长、作息规律评价指标、主要出行位置、日平均出行距离等，从而实现对出行者的活动规律的充分了解。

本发明提供的技术方案为：

一种基于行程识别的出行者活动规律分析方法，包括以下步骤：

步骤一、获取n天经行程识别确定的停留点；

步骤二、当多个停留点的中心与所述多个停留点中任一个停留点之间的距离小于第一距离阈值时，则所述多个停留点的中心判定为出行者的候选居住地，所述多个停留点的停留时长之和为所述候选居住地的累计停留时长；

步骤三、当所述累计停留时长最大的候选居住地的累计停留时长大于第一时间阈值时，所述累计停留时长最大的候选居住地判定为出行者的居住地。

优选的是，所述的基于行程识别的出行者活动规律分析方法中，所述步骤二是通过以下方式实现的，

(1)将所有待判定的停留点中的一个停留点作为一个聚类，其中，所述停留点为聚类的中心，

(2)当所有待判定的停留点中的一个停留点到所述聚类的距离小于第一距离阈值时，则将所述停留点放入所述聚类，重新确定所述聚类的中心，

(3)重复(2)，直到所有待判定的停留点到所述聚类的距离均大于第一距离阈值，

(4)所述聚类的中心判定为出行者的候选居住地，所述聚类中的停留点的停留时长之和为所述候选居住地的累计停留时长。

优选的是，所述的基于行程识别的出行者活动规律分析方法，还包括：

(5)重复(1)，直到所有停留点均为经过判定的停留点，

(6)所述多个聚类的中心判定为出行者的多个候选居住地。

优选的是，所述的基于行程识别的出行者活动规律分析方法中，所述(2)中，所述聚类的中心是通过以下方式实现的，

计算所有待判定的停留点中的一个停留点(Sq_i.x，Sq_i.y)的停留时长Sq_i.Δt与所述聚类中的停留点的停留时长之和r_j.Δt之间的比值wight_i，

所述聚类的中心坐标(r_j.x，r_j.y)为：

r_j.x＝wight_i·Sq_i.x+(1-wight_i)·r_j.x，

r_j.y＝wight_i·Sq_i.y+(1-wight_i)·r_j.y。

优选的是，所述的基于行程识别的出行者活动规律分析方法，还包括：

步骤四、所述n天经行程识别确定的停留点中，n天中停留时长大于20分钟的停留点的停留时长之和与天数n的比值为出行者的日平均休息时长；

步骤五、与居住地对应的聚类中的停留点中，属于同一天的停留点的停留时长之和为出行者在同一天在居住地的停留时长，且出行者在同一天在居住地的停留时长所发生的时间区间为休息区间，则n天中任意两天的休息区间的重叠百分比的平均值为出行者的作息规律评价指标；

步骤六、获取n天经行程识别确定的移动点，其中，一天内的移动点中两两移动点之间的距离之和与天数n的比值为出行者的日平均出行距离，覆盖一天内的轨迹点的半径最小的圆的半径之和与天数n的比值为出行者的日出行空间半径，n天内的移动点的平均坐标为出行者的主要出行位置。

优选的是，所述的基于行程识别的出行者活动规律分析方法中，所述步骤一中获取n天经行程识别的停留点，其中，一天内经行程识别确定的停留点是通过以下方式实现的，

(1)计算一天内的轨迹点的速度，

(2)将多个相邻的速度均在速度阈值以下的轨迹点合并为一个候选停留位置，其中，所述候选停留位置的停留时长为所述多个轨迹点中第一个轨迹点到最后一个轨迹点之间的时间间隔，

(3)当多个候选停留位置的中心与所述多个候选停留位置中任一个候选停留位置之间的距离小于第二距离阈值时，并且，当所述多个候选停留位置中第一个候选停留位置的停留时长的开始时刻到最后一个候选停留位置的停留时长的结束时刻之间的时间间隔大于第二时间阈值时，则将所述多个候选停留位置的中心判定为停留点，

(4)所述多个候选停留位置中第一个候选停留位置的停留时长的开始时刻到最后一个候选停留位置的停留时长的结束时刻之间的时间间隔为在所述停留点的停留时长。

优选的是，所述的基于行程识别的出行者活动规律分析方法中，所述(3)是通过以下方式实现的，

(a)将所有待判定候选停留位置中的第一个候选停留位置作为停留序列，其中，所述第一个候选停留位置为停留序列的中心，

(b)当位于所述停留序列的后方的第一个候选停留位置到达所述停留序列的中心的距离小于第二距离阈值时，将所述位于所述停留序列的后方的第一个候选停留位置放入所述停留序列，重新确定所述停留序列的中心，

(c)重复(b)，直到位于所述停留序列后方的第一个候选停留位置到达所述停留序列的中心的距离大于第二距离阈值时，当所述停留序列中第一个候选停留位置的停留时长的开始时刻到最后一个候选停留位置的停留时长的结束时刻之间的时间间隔大于第二时间阈值时，则(b)中所述停留序列的中心为停留点。

优选的是，所述的基于行程识别的出行者活动规律分析方法中，所述(2)中，所述多个相邻的速度均在速度阈值以下的轨迹点合并为一个候选停留位置，是通过以下方式实现的，

依次计算所述候选停留位置中两个相邻轨迹点的平均坐标(X_(i，i+1)，y_(i，i+1))，

依次计算所述两个相邻轨迹点之间的时间间隔Δt_(i，i+1)、与所述候选停留位置的停留时长Stay′.Δt之间的比值wight_(i，i+1)，

计算所述候选停留位置的坐标(Stay’.x，Stay’.y)： ${\mathrm{Stay}}^{\′}.x=\frac{1}{n-1}\underset{1}{\overset{n-1}{\mathrm{\Σ}}}{\mathrm{wight}}_{(i,i+1)}\·x_{(i,i+1)},$ ${\mathrm{Stay}}^{\′}.y=\frac{1}{n-1}\underset{1}{\overset{n-1}{\mathrm{\Σ}}}{\mathrm{wight}}_{(i,i+1)}\·y_{(i,i+1)}.$

优选的是，所述的基于行程识别的出行者活动规律分析方法中，所述(3)中，(b)中所述停留序列的中心是通过以下方式实现的，

计算位于所述停留序列的后方的第一个候选停留位置的停留时长Stay’_i.Δt与所述停留序列中第一个候选停留位置的停留时长的开始时刻到最后一个候选停留位置的停留时长的结束时刻之间的时间间隔Sq.Δt之间的比值wight_i，

计算所述停留序列的中心坐标(Sq.x，Sq.y)：

Sq.x＝wight_i·Stay′_i.x+(1-wight_i)·Sq.x，

Sq.y＝wight_i·Stay′_i.y+(1-wight_i)·Sq.y。

优选的是，所述的基于行程识别的出行者活动规律分析方法，还包括：

(5)所述(3)中，(c)中位于所述停留序列后方的第一个候选停留位置到达所述停留序列的中心的距离大于第二距离阈值时，当所述停留序列中第一个候选停留位置的停留时长的开始时刻到最后一个候选停留位置的停留时长的结束时刻之间的时间间隔小于第二时间阈值时，则(b)中所述停留序列中第一个候选停留位置的停留时长的开始时刻到最后一个候选停留位置的停留时长的结束时刻之间的所有的轨迹点均判定为移动点，以及所述停留序列中最后一个候选停留位置的停留时长的结束时刻到所述停留序列后方的第一个候选停留位置的停留时长的开始时刻之间的所有的轨迹点均判定为移动点。

优选的是，所述的基于行程识别的出行者活动规律分析方法中，所述第二时间阈值为300秒，所述第二距离阈值为200米。

优选的是，所述的基于行程识别的出行者活动规律分析方法中，所述第一距离阈值为200米，所述第一时间阈值为6小时。

本发明所述的一种基于行程识别的出行者活动规律分析方法，对n天的经行程识别的停留点进行分析，当停留点符合第一距离阈值条件时，将其合并为一个候选居住地，在所有的候选居住地中，累计停留时长最大的候选居住地的累计停留时长达到第一时间阈值，则将此候选居住地作为居住地。上述过程实现了对出行者居住地的准确判断。在居住地判断的基础上，利用本发明的分析方法，还可以进一步研究出行者的日平均休息时长、作息规律评价指标、主要出行位置、日平均出行距离等，从而实现对出行者的活动规律的充分了解。

此外，本发明可以针对GPS定位轨迹数据进行分析，也可以针对手机定位轨迹数据进行分析。在对上述两种数据进行分析时，仅需要调整第一距离阈值、第一时间阈值、第二距离阈值、第二时间阈值等参数，均可以获得准确的分析结果。

本发明尤其适用于出租车驾驶员的活动规律分析。

附图说明

图1为行程识别示意图；

图2为本发明所述的基于行程识别的出行者活动规律分析方法的流程图；

图3为轨迹点的速度计算示意图；

图4为轨迹点中候选停留点合并为候选停留位置的示意图；

图5为停留点识别算法流程图；

图6为某一出租者驾驶员的居住地的挖掘结果的可视化显示；

图7为样本中出租车驾驶员的居住地分布图；

图8为样本中出租车驾驶员的日平均休息时长统计图；

图9为样本中一天中各时段运营的出租车分布曲线；

图10(a)为样本中某一出租车驾驶员在一天的停留点信息，图10(b)为停留点信息转化后的作息时间序列；

图11为样本中出租车驾驶员的作息规律评价指标的分布图；

图12为样本中具有代表性的驾驶员的出行轨迹，其中，图12(a)为作息规律评价指标在0.9～1之间的驾驶员的出行轨迹，图12(b)为作息规律评价指标在0.8～0.9之间的驾驶员的出行轨迹，图12(c)为作息规律评价指标在0.7～0.8之间的驾驶员的出行轨迹，图12(d)为作息规律评价指标在0.6～0.7之间的驾驶员的出行轨迹；

图13为样本中出租车驾驶员的日平均行驶距离的分布图；

图14为样本中某一出租车驾驶员的日平均运营空间的示意图；

图15为样本中出租车驾驶员的日平均运营空间的分布图；

图16(a)为样本中出租车驾驶员的主要运营位置的分布图，图16(b)为图16(a)中A部的局部放大图；

图17为样本中出租车驾驶员的通勤直线距离的分布图。

具体实施方式

下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

如图1所示，本发明提供一种基于行程识别的出行者活动规律分析方法，包括以下步骤：

步骤一、获取n天经行程识别确定的停留点；

步骤二、当多个停留点的中心与所述多个停留点中任一个停留点之间的距离小于第一距离阈值时，则所述多个停留点的中心判定为出行者的候选居住地，所述多个停留点的停留时长之和为所述候选居住地的累计停留时长；

步骤三、当所述累计停留时长最大的候选居住地的累计停留时长大于第一时间阈值时，所述累计停留时长最大的候选居住地判定为出行者的居住地。

所述的基于行程识别的出行者活动规律分析方法中，所述步骤二是通过以下方式实现的，

(1)将所有待判定的停留点中的一个停留点作为一个聚类，其中，所述停留点为聚类的中心，

(2)当所有待判定的停留点中的一个停留点到所述聚类的距离小于第一距离阈值时，则将所述停留点放入所述聚类，重新确定所述聚类的中心，

(3)重复(2)，直到所有待判定的停留点到所述聚类的距离均大于第一距离阈值，

(4)所述聚类的中心判定为出行者的候选居住地，所述聚类中的停留点的停留时长之和为所述候选居住地的累计停留时长。

优选的是，所述的基于行程识别的出行者活动规律分析方法，还包括：

(5)重复(1)，直到所有停留点均为经过判定的停留点，

(6)所述多个聚类的中心判定为出行者的多个候选居住地。

所述的基于行程识别的出行者活动规律分析方法中，所述(2)中，所述聚类的中心是通过以下方式实现的，

计算所有待判定的停留点中的一个停留点(Sq_i.x，Sq_i.y)的停留时长Sq_i.Δt与所述聚类中的停留点的停留时长之和r_j.Δt之间的比值wight_i，

所述聚类的中心坐标(r_j.x，r_j.y)为：

r_j.x＝wight_i·Sq_i.x+(1-wight_i)·r_j.x，

r_j.y＝wight_i·Sq_i.y+(1-wight_i)·r_j.y。

所述的基于行程识别的出行者活动规律分析方法，还包括：

步骤四、所述n天经行程识别确定的停留点中，n天中停留时长大于20分钟的停留点的停留时长之和与天数n的比值为出行者的日平均休息时长；

步骤五、与居住地对应的聚类中的停留点中，属于同一天的停留点的停留时长之和为出行者在同一天在居住地的停留时长，且出行者在同一天在居住地的停留时长所发生的时间区间为休息区间，则n天中任意两天的休息区间的重叠百分比的平均值为出行者的作息规律评价指标；

步骤六、获取n天经行程识别确定的移动点，其中，一天内的移动点中两两移动点之间的距离之和与天数n的比值为出行者的日平均出行距离，覆盖一天内的轨迹点的半径最小的圆的半径之和与天数n的比值为出行者的日出行空间半径，n天内的移动点的平均坐标为出行者的主要出行位置。

所述的基于行程识别的出行者活动规律分析方法中，所述步骤一中获取n天经行程识别的停留点，其中，一天内经行程识别确定的停留点是通过以下方式实现的，

(1)计算一天内的轨迹点的速度，

(2)将多个相邻的速度均在速度阈值以下的轨迹点合并为一个候选停留位置，其中，所述候选停留位置的停留时长为所述多个轨迹点中第一个轨迹点到最后一个轨迹点之间的时间间隔，

(3)当多个候选停留位置的中心与所述多个候选停留位置中任一个候选停留位置之间的距离小于第二距离阈值时，并且，当所述多个候选停留位置中第一个候选停留位置的停留时长的开始时刻到最后一个候选停留位置的停留时长的结束时刻之间的时间间隔大于第二时间阈值时，则将所述多个候选停留位置的中心判定为停留点，

(4)所述多个候选停留位置中第一个候选停留位置的停留时长的开始时刻到最后一个候选停留位置的停留时长的结束时刻之间的时间间隔为在所述停留点的停留时长。

所述的基于行程识别的出行者活动规律分析方法中，所述(3)是通过以下方式实现的，

(a)将所有待判定候选停留位置中的第一个候选停留位置作为停留序列，其中，所述第一个候选停留位置为停留序列的中心，

(b)当位于所述停留序列的后方的第一个候选停留位置到达所述停留序列的中心的距离小于第二距离阈值时，将所述位于所述停留序列的后方的第一个候选停留位置放入所述停留序列，重新确定所述停留序列的中心，

(c)重复(b)，直到位于所述停留序列后方的第一个候选停留位置到达所述停留序列的中心的距离大于第二距离阈值时，当所述停留序列中第一个候选停留位置的停留时长的开始时刻到最后一个候选停留位置的停留时长的结束时刻之间的时间间隔大于第二时间阈值时，则(b)中所述停留序列的中心为停留点。

所述的基于行程识别的出行者活动规律分析方法中，所述(2)中，所述多个相邻的速度均在速度阈值以下的轨迹点合并为一个候选停留位置，是通过以下方式实现的，

依次计算所述候选停留位置中两个相邻轨迹点的平均坐标(X_(i，i+1)，y_(i，i+1))，

依次计算所述两个相邻轨迹点之间的时间间隔Δt_(i，i+1)、与所述候选停留位置的停留时长Stay′.Δt之间的比值wight_(i，i+1)，

计算所述候选停留位置的坐标(Stay’.x，Stay’.y)： ${\mathrm{Stay}}^{\′}.x=\frac{1}{n-1}\underset{1}{\overset{n-1}{\mathrm{\Σ}}}{\mathrm{wight}}_{(i,i+1)}\·x_{(i,i+1)},$ ${\mathrm{Stay}}^{\′}.y=\frac{1}{n-1}\underset{1}{\overset{n-1}{\mathrm{\Σ}}}{\mathrm{wight}}_{(i,i+1)}\·y_{(i,i+1)}.$

所述的基于行程识别的出行者活动规律分析方法中，所述(3)中，(b)中所述停留序列的中心是通过以下方式实现的，

计算位于所述停留序列的后方的第一个候选停留位置的停留时长Stay’_i.Δt与所述停留序列中第一个候选停留位置的停留时长的开始时刻到最后一个候选停留位置的停留时长的结束时刻之间的时间间隔Sq.Δt之间的比值wight_i，

计算所述停留序列的中心坐标(Sq.x，Sq.y)：

Sq.x＝wight_i·Stay′_i.x+(1-wight_i)·Sq.x，

Sq.y＝wight_i·Stay′_i.y+(1-wight_i)·Sq.y。

所述的基于行程识别的出行者活动规律分析方法，还包括：

(5)所述(3)中，(c)中位于所述停留序列后方的第一个候选停留位置到达所述停留序列的中心的距离大于第二距离阈值时，当所述停留序列中第一个候选停留位置的停留时长的开始时刻到最后一个候选停留位置的停留时长的结束时刻之间的时间间隔小于第二时间阈值时，则(b)中所述停留序列中第一个候选停留位置的停留时长的开始时刻到最后一个候选停留位置的停留时长的结束时刻之间的所有的轨迹点均判定为移动点，以及所述停留序列中最后一个候选停留位置的停留时长的结束时刻到所述停留序列后方的第一个候选停留位置的停留时长的开始时刻之间的所有的轨迹点均判定为移动点。

所述的基于行程识别的出行者活动规律分析方法中，所述第二时间阈值为300秒，所述第二距离阈值为200米。

所述的基于行程识别的出行者活动规律分析方法中，所述第一距离阈值为200米，所述第一时间阈值为6小时。

以出租车驾驶员为例，出租车驾驶员因工作性质的特殊性，作息时间并不严格固定，上路运营的时间也比较灵活，如白天出车、夜间出车、凌晨收工等。因此，一般人群的居住地挖掘方法不适用于该群体。

通过观察出租车轨迹发现，出租车驾驶员与一般人群不同，没有固定的工作地点，居住地成为他们一天之中停留时长最长的停留点，累积的停留时长远远大于其他停留点，并且考察的轨迹数量越多该特征越明显。以此为基础，利用停留的时间特征作为出租车驾驶员居住地挖掘的主要依据。本发明的基于行程识别的出行者活动规律分析方法中对出租车驾驶员的居住地的挖掘的流程见图2。主要步骤如下：

步骤1、获取n天经行程识别得到的停留点。

步骤2、将第一个停留点作为一个聚类r₁，该停留点的坐标设置为r₁的聚类中心坐标，该停留点的停留时长设置为r₁的停留时长。

步骤3、判断是否还有未处理的停留点，如果有，读取一个停留点，转到步骤3；如果否，结束聚类过程，转到步骤7。

步骤4、计算停留点与各聚类r_m之间的距离d_m，判断距离最小值d_j是否小于200米(第一距离阈值)，如果是，转到步骤5；如果否，转到步骤6。

步骤5、停留点加入对应的聚类r_j中，用时间加权的方法重新计算r_j的聚类中心坐标，将停留点的停留时长累加到r_j的停留时长，转到步骤3。

步骤6、停留点作为新的一个聚类r_m+1，停留点的坐标设置为r_m+1的聚类中心坐标，停留点的停留时长设置为r_m+1的停留时长，转到步骤3。

步骤7、遍历各聚类，找出停留时长最长的聚类r_n，判断其停留时长是否超过6个小时(第一时间阈值)，如果是，将该聚类的聚类中心作为出行者的居住地位置，中心坐标作为居住地的坐标；如果否，则居住地挖掘失败。

步骤5中使用时间加权方法重新计算r_j聚类中心的公式如下：

${\mathrm{wight}}_i=\frac{{\mathrm{Sq}}_i.\mathrm{\Δt}}{r_j.\mathrm{\Δt}}$

r_j.x＝wight_i·Sq_i.x+(1-wight_i)·r_j.x

r_j.y＝wight_i·Sq_i.y+(1-wight_i)·r_j.y

式中，wight_i——停留点的权重值；

Sq_i.Δt——停留点的停留时长；

r_j.Δt——聚类r_j的停留时长；

r_j.x——r_j聚类中心经度坐标；

r_j.y——r_j聚类中心纬度坐标；

Sq_i.x——停留点经度坐标；

Sq_i.y——停留点纬度坐标。

上述居住地挖掘过程中，如果是采用GPS定位轨迹数据，则第一距离阈值为200米，第一时间阈值为6小时；如果是采用手机定位轨迹数据，则第一时间阈值为200米，第一时间阈值为6小时。

本发明采用GPS定位轨迹数据，利用本发明所述的方法进行出行者的出行规律分析时，首先需要对上述轨迹数据进行行程识别，即在所有的轨迹点中识别出停留点和移动点，从而形成出行者的出行轨迹。轨迹点对应的轨迹数据包括经度、纬度以及发生记录的时间信息。

GPS定位轨迹数据为从相关单位获取的浮动车位置数据，数据采集的时间间隔为1分钟，总共获得12255人6天的定位轨迹数据，并以此作为分析样本。获取的原始文本数据主要包括位置记录关键字、浮动车编号、日期时间、经度、纬度、方向等主要信息。

轨迹点的行程识别方法可分为三个部分：(1)速度计算；(2)候选停留位置生成；(3)停留点识别。

一、速度计算

获得的原始轨迹数据中不包含速度信息，因此首先需要根据轨迹点记录的经度、纬度和时间信息计算出行者在各轨迹点的速度。严格意义的瞬时速度计算比较困难和复杂，因此考虑用轨迹点所在的一段轨迹上的平均速度来代替。

对GPS定位轨迹数据而言，其定位精度较高，不易出现长距离的漂移，轨迹点的速度由该轨迹点和与之相连的前后两个轨迹点组成的路径上的平均速度代替，如图3中的轨迹点p₃，其速度计算公式如下：

$p_3.v=\frac{D_{\left(\mathrm{2,3}\right)}+D_{\left(\mathrm{3,4}\right)}}{{\mathrm{\Δt}}_{\left(\mathrm{2,3}\right)}+{\mathrm{\Δt}}_{\left(\mathrm{3,4}\right)}}$

式中，p₃.v——轨迹点p₃速度；

D_(i，j)——轨迹点p_i与轨迹点p_j间的距离；

Δt_(2，3)——轨迹点p_i与轨迹点p_j间的时间间隔。

对于手机定位轨迹数据，其定位精度和漂移特征有赖于移动基站的分布密度，在远离市中心的区域漂移的距离较大，有时可能出现一、二公里的定位漂移和抖动。针对以上问题，本文尝试采用轨迹点间的直线距离代替轨迹路径距离参与速度计算。如图3所示，在计算轨迹点p₃的速度时，不再计算轨迹点p₁、p₂、p₃、p₄、p₅之间相邻距离之和，直接计算轨迹点p₁、p₅间的直线距离作为出行者在t₁、t₅时刻间经过的路径长度。计算公式如下：

$p_3.v=\frac{D_{\left(\mathrm{1,5}\right)}}{{\mathrm{\Δt}}_{\left(\mathrm{1,2}\right)}+{\mathrm{\Δt}}_{\left(\mathrm{2,3}\right)}+{\mathrm{\Δt}}_{\left(\mathrm{3,4}\right)}+{\mathrm{\Δt}}_{\left(\mathrm{4,5}\right)}}$

将计算结果与出行实际情况对比，使用该方法计算出的速度特征与实际出行活动发生的移动速度比较一致，并能很好的改善定位抖动对速度计算结果的影响。

二、候选停留位置生成

根据计算得到的速度，将轨迹点分成候选停留点和候选移动点两类，并将连续的候选停留点合并为候选停留位置，以进行下一步的停留判断。具体包括两方面的工作：候选停留点的合并和候选停留位置坐标的计算。

(1)候选停留点合并

候选停留点和候选移动点的划分主要依靠设定的速度阈值，速度阈值一般取居民出行方式中的最低速度下限，即步行方式的速度下限。正常人的步行速度一般在3-6千米/小时之间，也就是说步行方式的最慢速度约为0.8米/秒。考虑速度计算误差的影响，以及前期试验的基础之上，本发明取1米/秒作为速度阈值将轨迹点进行分类，分为候选停留点和候选移动点两类。之后，将两个以上连续的候选停留点ps合并为候选停留位置Stay′，候选停留位置是出行者有可能发生停留活动的位置，是否确定为停留点需要后续工作做进一步处理。该过程示意如图4。

(2)候选停留位置的坐标计算

合并为候选停留位置的候选停留点在空间上不能完全重叠，需要根据这些候选停留点的坐标计算出可以代表各候选停留位置的停留中心，也就是候选停留位置的坐标。在轨迹数据等时间间隔记录的前提下，可以通过计算各候选停留点的平均坐标得到停留中心的坐标，但在实际中会发生数据缺失的情况，对计算结果造成影响。因此，本发明采用时间加权的方式计算候选停留位置的坐标。

首先，依次计算连续两候选停留点ps_i、ps_i+1的平均坐标(X_(i，i+1)，y_(i，i+1))：

$x_{(i,i+1)}=\frac{{\mathrm{ps}}_i.x+{\mathrm{ps}}_{i+1}.x}{2}$

$y_{(i,i+1)}=\frac{{\mathrm{ps}}_i.y+{\mathrm{ps}}_{i+1}.y}{2}$

式中，ps_i.x——候选停留点ps_i经度坐标；

ps_i.y——候选停留点ps_i纬度坐标；

之后，将两候选停留点间的时间间隔Δt_(i，i+1)与整个候选停留位置的停留时长Stay′.Δt的比值作为该平均坐标的权重wight_(i，i+1)：

${\mathrm{wight}}_{(i,i+1)}=\frac{{\mathrm{\Δt}}_{(i,i+1)}}{{\mathrm{Stay}}^{\′}.\mathrm{\Δt}}$

最后，计算候选停留位置的坐标：

${\mathrm{Stay}}^{\′}.x=\frac{1}{n-1}\underset{1}{\overset{n-1}{\mathrm{\Σ}}}{\mathrm{wight}}_{(i,i+1)}\·x_{(i,i+1)}$

${\mathrm{Stay}}^{\′}.y=\frac{1}{n-1}\underset{1}{\overset{n-1}{\mathrm{\Σ}}}{\mathrm{wight}}_{(i,i+1)}\·y_{(i,i+1)}$

式中，Stay′.x——候选停留位置Stay′的经度坐标；

Stay′.y——候选停留位置Stay′的纬度坐标。

三、停留点识别

将候选停留点合并成候选停留位置后，需要做进一步分析，才能得到出行者发生活动的停留点。主要通过考察距离和时间两个因素对候选停留位置进行取舍和合并，算法流程图见图5，算法步骤具体描述如下：

步骤1、读取第一个候选停留位置Stay′₁，将其放入停留序列Sq，将Stay′₁的坐标作为停留序列Sq的中心坐标。

步骤2、判断是否还有未改取的候选停留位置，如果是，读取下一个候选停留位置Stay′_i，计算Stay′_i的中心坐标与Sq中心坐标的距离D_(i，Sq)，转到步骤3；如果否，转到步骤4。

步骤3、D_(i，Sq)是否小于设定的第二距离阈值Td，如果是，将Stay′_i放入停留序列Sq，重新计算停留序列Sq的中心坐标，转到步骤2；如果否，转到步骤4。

步骤4、计算Sq的停留开始时刻Sq.st和停留结束时刻Sq.et的时间间隔Sq.Δt，此处的时间间隔Sq.Δt是停留序列中第一个候选停留位置的停留时长的开始时刻到最后一个候选停留位置的停留时长的结束时刻之间的时间间隔。

步骤5、Sq.Δt是否大于设定的第二时间阈值Tt，如果是，Sq中的候选停留位置合并为停留点：(1)将包含在Sq的时刻Sq.st和时刻Sq.et之间的轨迹点删除(2)将时刻Sq.st和时刻Sq.et之间所有的轨迹点的坐标均用Sq的中心坐标替换，转到步骤6；如果否，Sq中的候选停留位置不构成停留点，则时刻Sq.st和时刻Sq.et之间所有的轨迹点均判定为移动点，判断Sq中是否包含最后一个候选停留位置，如果是，结束本次停留点判断，如果否，转到步骤6。

-步骤6.清空Sq中的候选停留位置，将Stay′_i放入Sq，将Stay′_i的停留中心坐标作为停留序列Sq的中心坐标，转到步骤2。当Sq中没有包含最后一个候选停留位置，则还要继续后面的停留点的识别，那么在Stay′_i-1与Stay′_i之间的候选移动点也被判定为移动点。

上述步骤2中重新计算停留序列Sq的中心坐标时，采用时间加权的方法，计算公式如下：

${\mathrm{wight}}_i=\frac{{\mathrm{Stay}}_i^{\′}\·\mathrm{\Δt}}{\mathrm{Sq}.\mathrm{et}-\mathrm{Sq}.\mathrm{st}}$

Sq.x＝wight_i·Stay′_i.x+(1-wight_i)·Sq.x

Sq.y＝wight_i·Stay′_i.y+(1-wight_i)·Sq.y

式中，wight_i——候选停留位置Stay′_i的权重值；

Sq.st——停留序列Sq的停留开始时间(第一个候选停留位置的停留时长的开始时刻)；

Sq.et——停留序列Sq的停留结束时间(最后一个候选停留位置的停留时长的结束时刻)。

Sq.x——停留序列Sq中心点经度坐标；

Sq.y——停留序列Sq中心点纬度坐标。

行程识别过程中，如果是采用GPS定位轨迹数据，则第二距离阈值为200米，第二时间阈值为300秒。如果是采用手机定位轨迹数据，则第二距离阈值为1100米，第二时间阈值为300秒。

在本发明中，选取6天的轨迹数据用来对居住地进行判断。每位出租车驾驶员各取6天的轨迹数据进行居住地挖掘，得到的居住地经纬度坐标信息保存到数据库中。在居民出行轨迹可视化分析挖掘原型系统中，将挖掘的居住地信息与出租车的出行轨迹同时显示在三维场景中，如图6所示。其中，纵向的时空路径为同一出租车驾驶员6天的出行轨迹，黑色圆点为挖掘出的出租车驾驶员的居住地位置。

图7为样本中出租车驾驶员居住地分布图。从图中可以看出，大部分驾驶员居住在北京中心区域，如东城区、西城区、海淀区、朝阳区，以及丰台区、石景山区。居住在外部区县的驾驶员数量明显较少，并且也都在靠向市中心的位置，南部的房山区、大兴区和通州区的驾驶员数量也比北部的几个区域要多。这反映出北京市中心仍旧是经济文化活动频繁的地区，产生大量的出行活动。驾驶员居住在这些位置可以得到更多的乘坐机会，并减少空载返回居住地时耗费的成本。

传统的出租车驾驶员工作信息以人工调查的获取方法为主，具有参与程度不高、回收率低、瞒报漏报等问题，不能真实反映出租车驾驶员的作息规律和特点。采用GPS定位技术获取的出租车轨迹数据记录了驾驶员真实的行驶行为，在行程识别的基础之上，可以从中挖掘个体的作息规律信息，为出租车驾驶员行为研究以及管理引导提供帮助。

从行程识别出的停留点中提取停留时长超过20分钟的数据，认为是出租车驾驶员发生休息活动，统计6天的休息活动时长，分析得到同一出租车驾驶员的日平均运营时长为12.3小时，日平均休息时长为11.7小时。

进一步分析则可以统计出样本中每位驾驶员的日平均休息时长，图8为不同的日平均休息时长的驾驶员所占的比例。可以看出只有20％的驾驶员休息时长超过14小时，即运营时间小于8小时，51％的驾驶员休息时长少于12小时，也就是说超过全天一半的时间在驾车营运。

图9为统计得到的全天各个时段运营出租车数量占出租车总数的比例。从图中可以看出，在2:00到5:00之间上路运营的出租车数量最少，反映出驾驶员在这段时间内进行休息活动的集中程度最高。10:00到21:00之间，运营出租车数量维持在一个较高水平，占出租车总数的80％，21:00之后数量开始逐步下降。运营数量最多的时段出现在中午11:00到13:00之间和下午16:00到17:00之间，主要为上午和下午两次下班时间，说明这两个时间对出租车的需求量最大，是出租车驾驶员最为集中的工作时间。

驾驶员日平均休息时长只能反映驾驶员休息时间是否达到合理水平，无法说明其作息活动的规律性。作息活动的规律性主要以出行轨迹的相似程度作为评价标准，需要在对轨迹数据处理的基础之上选择合适的相似性度量方法。

出租车驾驶员的出行轨迹包含了时间和空间信息，对作息规律的研究偏重于休息活动发生的时间顺序和长度，需要对出行轨迹进行处理，形成一个表达休息活动的时间序列。考虑到在非居住地发生休息活动的效果不高，本发明主要考察出租车驾驶员在居住地发生的休息活动。

以10分钟为一个区间，将全天时间划分为144个区间，提取驾驶员一天的出行轨迹，结合行程识别结果和居住地挖掘得到的居住地位置，判断每个区间驾驶员是否在居住地发生停留活动，如果发生停留则将该区间标记为1，否则标记为0。这样，就将出行轨迹转化为反映休息活动的作息时间序列(w-rsequence)，如图10所示。图10(a)为某一驾驶员一天的停留点信息，其中“SMODE”字段中的“athome”值表示该停留活动发生在居住地。图10(b)为根据停留点信息转化得到的作息时间序列。驾驶员在居住地的停留时长所发生的时间区间也就是休息区间，不同作息时间序列的休息区间由被标记为“1”的区间组成。

参考于线性图形相似性计算方法，结合特征集合观中的比率模型，本发明使用休息时间比的方法来计算作息时间序列间的相似程度。

按顺序读取需要比较的作息时间序列R_Seq₁和R_Seq₂的各个区间，如果序列的某一区间值为1，则各自的休息区间的区间个数R_Count₁、R_Count₂加1，如果对应区间的区间值均为1，则共有休息区间的区间个数R_Count_(1，2)加1。如果以共有的休息区间的区间个数作为两个序列R_Seq₁、R_Seq₂的相似特征，以不共有休息区间的区间个数作为R_Seq₁和R_Seq₂的不同特征，序列R_Seq₁和R_Seq₂的相似度sim_(1，2)可以用以下公式计算：

${\mathrm{sim}}_{\left(\mathrm{1,2}\right)}=\frac{R\_{\mathrm{Count}}_{\left(\mathrm{1,2}\right)}}{R\_{\mathrm{Count}}_1+R\_{\mathrm{Count}}_2-R\_{\mathrm{Count}}_{\left(\mathrm{1,2}\right)}}$

由该公式得到的作息时间序列相似度的取值范围在0到1之间，如果两个序列的作息时间完全相同，则有R_Count₁＝R_Count₂＝R_Count_(1，2)，相似度即为1。如果两个序列的作息时间完全不同，则R_Count_(1，2)＝0，相似度即为0。

确定了两个序列间的相似度计算公式后，计算同一驾驶员多天作息时间序列两两之间的相似度，以其平均值作为该驾驶员多天作息序列的总相似度SIM，用总相似度评价作息活动的规律性，即总相似度越高，作息活动的规律性越强，总相似度越低，作息活动越不规律。以总相似度作为出行者的作息规律评价指标，总相似度计算公式如下：

$\mathrm{SIM}=\frac{1}{n}\underset{i=1,j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{sim}}_{(i,j)},i\≠j$

考虑到出租车行业运营时间比较灵活，以及突发事件的影响，本发明不将同一驾驶员全部6天的序列参与到总相似度计算中，首先从6天中取出4天的序列组成一个总相似度计算组合，这样共有15种组合方式。之后依次计算每种组合中作息序列的总相似度，将最大的组合总相似度作为该驾驶员的总相似度。也就是说，如果驾驶员6天中有4天的作息规律性较高，则认为该驾驶员的作息活动比较有规律。

采用上述方法计算每个驾驶员的作息序列总相似度，其统计分布如图11所示。从图中可以看出序列总相似度在0.6～1之间的驾驶员数量较多，占到了总数的73.75％。从0.9-1，0.8-0.9，0.7-0.8，0.6-0.7这四个区间中各随机选取20位驾驶员，将他们多天的出行轨迹在原型系统中显示，观察作息规律情况。图12为各个区间中选择的代表性驾驶员出行轨迹，图12(a)、图12(b)、图12(c)、图12(d)所代表的区间分别为0.9～1、0.8～0.9、0.7～0.8、0.6～0.7。

通过对代表性出行轨迹观察，总相似度在0.8～1之间的驾驶员作息活动规律性较强，总相似度在0.6～0.8之间的作息活动规律性开始减弱。因此，认为总相似度在0.8以上的驾驶员具有较好的作息习惯和作息规律，该部分驾驶员数量占到总数的40.87％，也就是说仍有大部分驾驶员休息时间和工作时间不规律，需要加强引导和建立健全完善的排班制度。

出行者活动的空间特征主要有活动距离、活动区域的空间位置、活动位置的变化等，这些特征可以反映出行者出行活动的活跃程度、出行活动的空间分布规律和空间变化规律。对出租车驾驶员而言，可以从运营上路的行驶距离、运营空间范围和主要运营位置三个方面考察他们的工作活动的空间特征。

与作息时间的统计方法类似，出租车的行驶距离通过计算行程识别得到的移动点间的距离获得。经分析得到样本中出租车的日平均行驶距离为255.72公里，驾驶员的日平均行驶距离统计见图13。从图中可以看出，日平均行驶距离在100～400公里之间的驾驶员数量最多，占到总数的93.54％。上述日平均行驶距离就是日平均出行距离。

出租车的运营空间是一个区域范围，本发明用能包含出租车一天全部轨迹点的最小圆来表示出租车的运营空间，以圆的半径作为空间范围的度量指标，即运营空间半径，取同一驾驶员多天运营空间半径的平均值得到日平均运营空间半径。日平均运营空间半径越大，反映出租车驾驶员日常行车覆盖区域的范围越大。如图14所示，其中的灰色圆形区域为该驾驶员的日平均运营空间，空间半径为102.65公里。上述运营空间也就是出行者的出行空间，相对应地，日平均运营空间半径为出行者的日平均出行空间半径。

对收集的所有驾驶员的出行轨迹统计分析后得到每位驾驶员的日平均运营空间和日平均运营空间半径，不同平均运营空间半径的驾驶员数量统计如图15所示。从图中可以看出，如日平均运营空间半径在50～100公里的驾驶员数量最多，占到57.14％，其次是100～150公里的驾驶员，两者总共占到全体驾驶员数量的93.29％。

运营空间只表示了驾驶员行车活动可能覆盖的范围，其出行轨迹中的各个轨迹点在运营空间中不是均匀分布的，会在某个区域相对集中，如图14中的出行轨迹偏重在日平均运营空间的东南一侧。将这一出行轨迹集中区域作为驾驶员的主要运营位置，反映出驾驶员大部分运营活动在空间上的分布规律。为便于分析计算，本发明以一个点代表驾驶员的主要运营位置，点的坐标通过计算行程识别中所有移动点坐标的平均值获得。

图16(a)为对样本中所有驾驶员出行轨迹分析计算后得到的主要运营位置空间分布图，深色点为主要运营位置。同时将挖掘出的驾驶员居住地位置也叠加到图中，以浅色点表示。图16(b)为图16(a)中A部的局部放大图。从图16(a)中可以看出，相较于居住地分布，驾驶员主要运营位置的分布向北京市区中心集中的更加明显，进一步证明了市中心对交通需求的紧要程度。此外，居住地较主要运营位置分布在市中心以外，也说明了在夜间进城出租车的数量较少和拒载率较高的原因。

具体到每个出租车驾驶员，通过居住地位置坐标和主要运营位置坐标可以计算出通勤直线距离，距离的统计图如图17所示。从图中可以看出，大部分驾驶员的通勤直线距离在20公里以下，占到总数的75.42％。居住地到运营位置距离过大会造成运营成本的增加，因此随着通勤距离的增加，驾驶员的数量呈逐步下降的趋势。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (9)

1.一种基于行程识别的出行者活动规律分析方法，其特征在于，包括以下步骤：

步骤一、获取n天经行程识别确定的停留点，所述步骤一中获取n天经行程识别的停留点，其中，一天内经行程识别确定的停留点是通过以下方式实现的，

(1)计算一天内的轨迹点的速度，

(2)将多个相邻的速度均在速度阈值以下的轨迹点合并为一个候选停留位置，其中，所述候选停留位置的停留时长为所述多个轨迹点中第一个轨迹点到最后一个轨迹点之间的时间间隔，

(3)当多个候选停留位置的中心与所述多个候选停留位置中任一个候选停留位置之间的距离小于第二距离阈值时，并且，当所述多个候选停留位置中第一个候选停留位置的停留时长的开始时刻到最后一个候选停留位置的停留时长的结束时刻之间的时间间隔大于第二时间阈值时，则将所述多个候选停留位置的中心判定为停留点，

(4)所述多个候选停留位置中第一个候选停留位置的停留时长的开始时刻到最后一个候选停留位置的停留时长的结束时刻之间的时间间隔为在所述停留点的停留时长；

步骤二、当多个停留点的中心与所述多个停留点中任一个停留点之间的距离小于第一距离阈值时，则所述多个停留点的中心判定为出行者的候选居住地，所述多个停留点的停留时长之和为所述候选居住地的累计停留时长；

步骤三、当所述累计停留时长最大的候选居住地的累计停留时长大于第一时间阈值时，所述累计停留时长最大的候选居住地判定为出行者的居住地。

2.如权利要求1所述的基于行程识别的出行者活动规律分析方法，其特征在于，所述步骤二是通过以下方式实现的，

(1)将所有待判定的停留点中的一个停留点作为一个聚类，其中，所述停留点为聚类的中心，

(2)当所有待判定的停留点中的一个停留点到所述聚类的距离小于第一距离阈值时，则将所述停留点放入所述聚类，重新确定所述聚类的中心，

(3)重复(2)，直到所有待判定的停留点到所述聚类的距离均大于第一距离阈值，

(4)所述聚类的中心判定为出行者的候选居住地，所述聚类中的停留点的停留时长之和为所述候选居住地的累计停留时长。

3.如权利要求2所述的基于行程识别的出行者活动规律分析方法，其特征在于，所述步骤二还包括：

(5)重复(1)，直到所有停留点均为经过判定的停留点，

(6)所述多个聚类的中心判定为出行者的多个候选居住地。

4.如权利要求3所述的基于行程识别的出行者活动规律分析方法，其特征在于，所述步骤二的(2)中，所述聚类的中心是通过以下方式实现的，

计算所有待判定的停留点中的一个停留点(Sq_i.x，Sq_i.y)的停留时长Sq_i.Δt与所述聚类中的停留点的停留时长之和r_j.Δt之间的比值wight_i，

所述聚类的中心坐标(r_j.x，r_j.y)为：

r_j.x＝wight_i·Sq_i.x+(1-wight_i)·r_j.x，

r_j.y＝wight_i·Sq_i.y+(1-wight_i)·r_j.y。

5.如权利要求4所述的基于行程识别的出行者活动规律分析方法，其特征在于，还包括：

步骤四、所述n天经行程识别确定的停留点中，n天中停留时长大于20分钟的停留点的停留时长之和与天数n的比值为出行者的日平均休息时长；

步骤五、与居住地对应的聚类中的停留点中，属于同一天的停留点的停留时长之和为出行者在同一天在居住地的停留时长，且出行者在同一天在居住地的停留时长所发生的时间区间为休息区间，则n天中任意两天的休息区间的重叠百分比的平均值为出行者的作息规律评价指标；

步骤六、获取n天经行程识别确定的移动点，其中，一天内的移动点中两两移动点之间的距离之和与天数n的比值为出行者的日平均出行距离，覆盖一天内的轨迹点的半径最小的圆的半径之和与天数n的比值为出行者的日出行空间半径，n天内的移动点的平均坐标为出行者的主要出行位置。

6.如权利要求1-5中任一项所述的基于行程识别的出行者活动规律分析方法，其特征在于，所述步骤一的(3)是通过以下方式实现的，

(a)将所有待判定候选停留位置中的第一个候选停留位置作为停留序列，其中，所述第一个候选停留位置为停留序列的中心，

(b)当位于所述停留序列的后方的第一个候选停留位置到达所述停留序列的中心的距离小于第二距离阈值时，将所述位于所述停留序列的后方的第一个候选停留位置放入所述停留序列，重新确定所述停留序列的中心，

(c)重复(b)，直到位于所述停留序列后方的第一个候选停留位置到达所述停留序列的中心的距离大于第二距离阈值时，当所述停留序列中第一个候选停留位置的停留时长的开始时刻到最后一个候选停留位置的停留时长的结束时刻之间的时间间隔大于第二时间阈值时，则(b)中所述停留序列的中心为停留点。

7.如权利要求6所述的基于行程识别的出行者活动规律分析方法，其特征在于，所述步骤一的(2)中，所述多个相邻的速度均在速度阈值以下的轨迹点合并为一个候选停留位置，是通过以下方式实现的，

依次计算所述候选停留位置中两个相邻轨迹点的平均坐标(x_(i，i+1)，y_(i，i+1))，

依次计算所述两个相邻轨迹点之间的时间间隔Δt_(i，i+1)、与所述候选停留位置的停留时长Stay′.Δt之间的比值wight_(i，i+1)，

计算所述候选停留位置的坐标(Stay’.x，Stay’.y)： ${\mathrm{Stay}}^{\′}.x=\frac{1}{n-1}\underset{1}{\overset{n-1}{\Σ}}{\mathrm{wight}}_{(i,i+1)}\·x_{(i,i+1)},$ ${\mathrm{Stay}}^{\′}.y=\frac{1}{n-1}\underset{1}{\overset{n-1}{\Σ}}{\mathrm{wight}}_{(i,i+1)}\·y_{(i,i+1)}.$

8.如权利要求6所述的基于行程识别的出行者活动规律分析方法，其特征在于，所述步骤一的(3)中，(b)中所述停留序列的中心是通过以下方式实现的，

计算位于所述停留序列的后方的第一个候选停留位置的停留时长Stay’_i.Δt与所述停留序列中第一个候选停留位置的停留时长的开始时刻到最后一个候选停留位置的停留时长的结束时刻之间的时间间隔Sq.Δt之间的比值wight_i，

计算所述停留序列的中心坐标(Sq.x，Sq.y)：

Sq.x＝wight_i·Stay′_i.x+(1-wight_i)·Sq.x，

Sq.y＝wight_i·Stay′_i.y+(1-wight_i)·Sq.y。

9.如权利要求6所述的基于行程识别的出行者活动规律分析方法，其特征在于，所述步骤一还包括：

(5)所述(3)中，(c)中位于所述停留序列后方的第一个候选停留位置到达所述停留序列的中心的距离大于第二距离阈值时，当所述停留序列中第一个候选停留位置的停留时长的开始时刻到最后一个候选停留位置的停留时长的结束时刻之间的时间间隔小于第二时间阈值时，则(b)中所述停留序列中第一个候选停留位置的停留时长的开始时刻到最后一个候选停留位置的停留时长的结束时刻之间的所有的轨迹点均判定为移动点，以及所述停留序列中最后一个候选停留位置的停留时长的结束时刻到所述停留序列后方的第一个候选停留位置的停留时长的开始时刻之间的所有的轨迹点均判定为移动点。