CN105491522A - 一种基于移动管道数据的用户移动轨迹定位方法 - Google Patents

Abstract

本发明涉及一种基于移动管道数据的用户移动轨迹定位方法。本发明通过采集运营商管道数据(主要包括S1-U口数据和GN口数据等)，并解析用户使用定位类APP中上报经纬度，并结合用户移动的小区序列，经过隐马尔科夫链计算用户实际行走轨迹及用户移动速度和用户当前位置，并可据此判断用户出行交通工具，为道路交通规划提供数据支持。

Description

一种基于移动管道数据的用户移动轨迹定位方法

技术领域

本发明具体涉及一种基于移动管道数据的用户移动轨迹定位方法。

背景技术

目前有很多的用户移动轨迹定位方法，但这些方法繁琐复杂，且效率不高。还没有出现根据运营商管道数据来确定用户轨迹的很好的解决办法。

发明内容

本发明通过采集运营商管道数据(主要包括S1-U口数据和GN口数据等)，并解析用户使用定位类APP中上报经纬度，并结合用户移动的小区序列，经过隐马尔科夫链计算用户实际行走轨迹及用户移动速度和用户当前位置，并可据此判断用户出行交通工具，为道路交通规划提供数据支持。

具体地，本发明提供一种基于移动管道数据的用户移动轨迹定位方法，所述方法包括如下步骤：

步骤一：采集运营商管道数据，从APP中解析用户经纬度；

步骤二：各APP获取经纬度进行均一化解密；

步骤三：根据APP中经纬度和小区的关系，构建小区覆盖图；

步骤四：构建隐马尔科夫链，经过隐马尔科夫链计算用户实际行走轨迹及用户移动速度和用户当前位置。

附图说明

图1为小区实际覆盖图。

图2为道路栅格化后的路测数据图。

图3为判断是否计算过的相同路径的原理示意图。

具体实施方式

下面结合附图和实施例对本发明进行详细的描述。

用户定位过程如下：

步骤一：从APP中解析用户经纬度；

目前随着智能手机的普及，用户使用数据业务越来越频繁，数据业务中涉及到定位的APP应用越来越多，据前期数据分析结果表明，平均每个智能手机用户，至少安装了一到连个涉及定位的APP应用。我们可以从地图类应用，包括百度地图，高德地图，搜狗地图，腾讯地图等；团购类应用，包括大众点评，美团，糯米等；打车类应用，包括滴滴打车，快的打车，51用车，滴滴顺风车等；旅游类应用，包括携程旅游，艺龙网，去呀等；外卖等应用，包括饿了吗，美团外卖等，以及其他猫眼电影，淘宝，京东等APP携带到用户位置信息。

步骤二：各APP获取经纬度进行均一化解密；

应国家测绘局要求，我国公开发行的地图均需要进行加密，从市场上主流的图商可知，百度地图采用的是百度自己的DB-09坐标系，该坐标系在国家测绘局发布的GCJ-02坐标系上，又进行了加密；腾讯地图使用国家测绘局发布的GCJ-02坐标系(火星坐标系)，谷歌地图采用的是国际通用的WGS-84坐标系，因此需要将从APP中获取到的经纬度进行均一化处理，系统中在实现过程中，统一转为国家测绘局发布的GCJ-02坐标系。

步骤三：根据APP中经纬度和小区的关系，构建小区覆盖图；

根据APP中获取到的经纬度与当前所在小区的对应关系，按小区进行汇总，即可获取到小区的实际覆盖范围，将小区实际覆盖范围与道路进行叠加，则可知道某段道路是哪个小区覆盖，进而得出道路的小区覆盖情况。小区实际覆盖图如图1所示。

步骤四：构建隐马尔科夫链；经过隐马尔科夫链计算用户实际行走轨迹及用户移动速度和用户当前位置。

在用户没有经纬度的时候，而有位置更新的小区序列时，利用隐马尔科夫链算法来推测用户的栅格道路序列。即：小区序列是明序列，栅格道路序列是暗序列，用明序列来推测暗序列。算法的具体过程分以下步骤：

4.1道路栅格化

首先将全网划分为50*50的栅格并对每个栅格进行编号，每个栅格取中心点经纬度作为该栅格的经纬度，栅格取左上和右下经纬度作为栅格范围。然后基于路测数据的经纬度放入到栅格中，若路测数据中有两个经纬度同时落在一个栅格中，则将其进行融合，并取栅格中心的经纬度作为道路的经纬度划分。道路栅格化也即是将路网数据每隔50米抽象成一个线段。并且在这里假设用户将要跳跃到的路段只和当前路段相关，与过去的路段无关。

考虑到实际的道路可以近似为一条线，每个路段必须用一个栅格来覆盖，才能在计算概率的时候不出现错误；我们需要在道路栅格化之前，首先需要对路测数据进行平滑处理，例如：对路测数据进行一次移动平均或者二次移动平均。

4.2构造转移概率矩阵A

构造转移概率矩阵即是构建路段之间的转移概率。由于步骤一中已经对道路进行了栅格化，即把每50米的路段抽象成一个线段，则计算路段之间的转移概率即是计算栅格之间的转移概率。一个栅格周围有8个栅格，如果有4个栅格中有路测数据的经纬度(十字路口)，则此栅格到这4个栅格的概率均为1/4；如果只有3个栅格有路测数据的经纬度(丁字路口)，则此栅格到这3个栅格的概率均为1/3；如果只有2个栅格有路测数据的经纬度(没有交叉口)，则此栅格到这2个栅格的概率均为1/2。例如：图2为道路栅格化后的路测数据图，其中已经标记的路段1,2,3,4,5,6(路段1代表一个栅格覆盖的路段)，1转移到2的概率为1/2,2转移到3的概率也为1/2，但是3转移到2,4,5,6的概率均为1/4。

4.3构造条件概率矩阵B

构造条件概率矩阵即是构建某条栅格路段属于某个小区的概率。如果一个栅格中接收的信号全是来自小区A的，则此栅格属于小区A的概率为1；如果一个栅格中接收的信号有小区A和小区B的，则根据接收信号中A小区所占的比例作为此栅格属于A小区的概率。

4.4建立马尔科夫模型并计算

设初始时刻用户所在小区为A，小区A所覆盖的道路栅格为1,2,3，则初始时刻用户在道路栅格1,2,3的概率均为1/3。根据转移概率矩阵和条件观测概率矩阵，可计算最佳路径概率δ_t(i)和最佳状态概率ψ_t(i)。为了使状态序列达到全局最优，我们使用动态规划的思想。首先将每个状态序列看作是一条路径，每个状态看作是路径上的一个节点。

设时刻t＝1ˉt’的最优状态序列为i1，i2，...it’，则在整个最优状态序列中一定包含上述部分最优序列，否则，设整体最优状态序列在时间1ˉt’的最优序列为i1，i2,...ik，则序列i1，i2,...ik比序列i1，i2，...it’更优与条件i1，i2，...it’是最优的是矛盾的，因而我们可以逐个时刻求解当前的最优状态序列，直到时刻T。

先定义在时刻t状态为i的所有单个路径状态i1，i2，...it中概率最大值为： ${\mathrm{\δ}}_t\left(i\right)=\underset{i_1,i_2,\mathrm{...},i_{t-1}}{\max }p(i_t=i,i_{t-1},\mathrm{...}{i}_1,o_t,o_{t-1},\mathrm{...}{o}_1|\mathrm{\λ})$

则在时刻t+1时：

$\begin{array}{c}{\mathrm{\δ}}_{t+1}\left(i\right)=\underset{i_1,i_2,\mathrm{...},i_t}{\max }p(i_{t+1}=i,i_{t-1},\mathrm{...}{i}_1,o_t,o_{t-1},\mathrm{...}{o}_1|\mathrm{\λ})\\ =\underset{1\≤j\≤N}{\max }\[{\mathrm{\δ}}_t\left(j\right)a_{ij}\]b_i\left(o_{t+1}\right)\end{array}$

通过上述递推公式可以计算出状态序列出现的概率，但是并没有得到相应的状态序列，于是我们需要使用下式来保存每步中的状态序列：

${\mathrm{\ψ}}_t\left(i\right)=\arg \underset{1\≤j\≤N}{\max }\[{\mathrm{\δ}}_{t-1}\left(j\right)a_{ji}\],i=1,2,\mathrm{...}N$

其中a_ij为栅格路段i到栅格路段j之间的转移概率，b(j)为栅格路段j属于用户经过的下一小区的概率。

例如：当用户的小区序列为ABCD的时候，推测该用户所走的轨迹。在计算时首先给用户一个初始的概率，即在属于A小区的路段中用户在各个路段的初始概率，然后再利用初始概率*路段的转移概率*转移后的路段在B小区的概率，依次求解；并且保留最大的概率。

4.5最优解计算

利用维特比算法计算最优解。当完成全部的概率计算时，就可利用维特比译码就行回溯，找出每时刻目标所处的路段。维特比算法的计算细节如下：

维特比算法过程如下：

3)初始化，在t＝1时，有：

δ₁(i)＝π_ib_i(o₁)

ψ₁(i)＝0

4)利用递推公式，t＝2,3,...,T,

${\mathrm{\δ}}_t\left(i\right)=\underset{1\≤j\≤N}{\max }\[{\mathrm{\δ}}_{t-1}\left(j\right)a_{ji}\]b_i\left(o_t\right)$

${\mathrm{\ψ}}_1\left(i\right)=\arg \underset{1\≤j\≤N}{\max }\[{\mathrm{\δ}}_{t-1}\left(j\right)a_{ji}\]$

5)得到概率最大的状态序列中的最后一个状态为：

$i_T^{\′}=\arg \underset{1\≤i\≤N}{\max }\[{\mathrm{\δ}}_T\left(i\right)\]$

6)依次回溯，得到最优状态路径：

i'_T＝ψ_t+1(i_t+1)

得到最优路径为：i1’，i2，...，iT’。

由于没有MR数据用户经过的小区序列可能是不连续的，并且前期在做用户的序列时，同一小区序列进行了融合；在进行最佳路径计算时会出现当用户转移到另外一个栅格时，还在初始小区A中，而没有转移到下一小区B；所以计算时直到转移的下一栅格出现了另一个小区时再乘以此栅格属于用户经过的下一小区B的概率。

如图3所示小区A覆盖的栅格路段为1,2,3,4，当用户的初始小区为A时，用户在栅格路段1,2,3,4的概率均为1/4。考虑到减少运算，而且从栅格路段2到栅格路段1再到栅格路段5，而从栅格路段1到栅格路段5我们已经计算过了，所以2->1->5这个路径就无需再计算了；即是每计算一次都要判断有没有计算过的相同的路径，如果有相同的则不需再考虑。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若对本发明的这些修改和变型属于本发明权利要求及其同等技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (7)

1.一种基于移动管道数据的用户移动轨迹定位方法，其特征在于：

所述方法包括如下步骤：

步骤一：采集运营商管道数据，从APP中解析用户经纬度；

步骤二：各APP获取经纬度进行均一化解密；

步骤三：根据APP中经纬度和小区的关系，构建小区覆盖图；

步骤四：构建隐马尔科夫链，经过隐马尔科夫链计算用户实际行走轨迹及用户移动速度和用户当前位置。

2.如权利要求1所述的基于移动管道数据的用户移动轨迹定位方法，其特征在于：

所述步骤四包括如下步骤：

(4.1)道路栅格化；

(4.2)构造转移概率矩阵A；

(4.3)构造条件概率矩阵B；

(4.4)建立马尔科夫模型并计算；

(4.5)最优解计算。

3.如权利要求2所述的基于移动管道数据的用户移动轨迹定位方法，其特征在于：

所述步骤(4.1)具体包括如下过程：

首先将全网划分为50*50的栅格并对每个栅格进行编号，每个栅格取中心点经纬度作为该栅格的经纬度，栅格取左上和右下经纬度作为栅格范围；然后基于路测数据的经纬度放入到栅格中，若路测数据中有两个经纬度同时落在一个栅格中，则将其进行融合，并取栅格中心的经纬度作为道路的经纬度划分。

4.如权利要求2所述的基于移动管道数据的用户移动轨迹定位方法，其特征在于：

所述步骤(4.2)中构造转移概率矩阵即是构建栅格之间的转移概率，构建方法如下：一个栅格周围有8个栅格，如果有4个栅格中有路测数据的经纬度，则此栅格到这4个栅格的概率均为1/4；如果只有3个栅格有路测数据的经纬度，则此栅格到这3个栅格的概率均为1/3；如果只有2个栅格有路测数据的经纬度，则此栅格到这2个栅格的概率均为1/2。

5.如权利要求2所述的基于移动管道数据的用户移动轨迹定位方法，其特征在于：

所述步骤(4.3)中构造条件概率矩阵即是构建某条栅格路段属于某个小区的概率；如果一个栅格中接收的信号全是来自小区A的，则此栅格属于小区A的概率为1；如果一个栅格中接收的信号有小区A和小区B的，则根据接收信号中A小区所占的比例作为此栅格属于A小区的概率。

6.如权利要求2所述的基于移动管道数据的用户移动轨迹定位方法，其特征在于：

所述步骤(4.4)具体包括如下过程：

设初始时刻用户所在小区为A，小区A所覆盖的道路栅格为1,2,3，则初始时刻用户在道路栅格1,2,3的概率均为1/3；根据转移概率矩阵和条件观测概率矩阵，可计算最佳路径概率δ_t(i)和最佳状态概率ψ_t(i)；首先将每个状态序列看作是一条路径，每个状态看作是路径上的一个节点；

设时刻t＝1-t’的最优状态序列为i1，i2，...it’，则在整个最优状态序列中一定包含上述部分最优序列，逐个时刻求解当前的最优状态序列，直到时刻T；

先定义在时刻t状态为i的所有单个路径状态i1，i2，...it中概率最大值为： ${\mathrm{\δ}}_t\left(i\right)=\underset{i_1,i_2,...,i_{t-1}}{max}p(i_t=i,i_{t-1},...i_1,o_t,o_{t-1},...o_1|\mathrm{\λ})$

则在时刻t+1时：

$\begin{array}{c}{\mathrm{\δ}}_{t+1}\left(i\right)=\underset{i_1,i_2,...,i_t}{max}p(i_{t+1}=i,i_{t-1},...i_1,o_t,o_{t-1},...o_1|\mathrm{\λ})\\ =\underset{1\≤j\≤N}{max}\[{\mathrm{\δ}}_t\left(j\right)a_{ji}\]b_i\left(o_{t+1}\right)\end{array}$

通过上述递推公式可以计算出状态序列出现的概率，使用下式来保存每步中的状态序列：

${\mathrm{\ψ}}_t\left(i\right)=\arg \underset{1\≤j\≤N}{max}\[{\mathrm{\δ}}_{t-1}\left(j\right)a_{ji}\],i=1,2,...N$

其中a_ij为栅格路段i到栅格路段j之间的转移概率，b(j)为栅格路段j属于用户经过的下一小区的概率。

7.如权利要求2所述的基于移动管道数据的用户移动轨迹定位方法，其特征在于：

所述步骤(4.5)具体包括如下过程：

利用维特比算法计算所述最优解；当完成全部的概率计算时，就可利用维特比译码就行回溯，找出每时刻目标所处的路段；所述维特比算法过程如下：

1)初始化，在t＝1时，有：

δ₁(i)＝π_ib_i(o₁)

ψ₁(i)＝0

2)利用递推公式，t＝2,3,...,T,

${\mathrm{\δ}}_t\left(i\right)=\underset{1\≤j\≤N}{max}\[{\mathrm{\δ}}_{t-1}\left(j\right)a_{ji}\]b_i\left(o_t\right)$

${\mathrm{\ψ}}_1\left(i\right)=\arg \underset{1\≤j\≤N}{max}\[{\mathrm{\δ}}_{t-1}\left(j\right)a_{ji}\]$

3)得到概率最大的状态序列中的最后一个状态为：

$i_T^{\′}=\arg \underset{1\≤j\≤N}{max}\[{\mathrm{\δ}}_T\left(i\right)\]$

4)依次回溯，得到最优状态路径：

i'_T＝ψ_t+1(i_t+1)

得到最优路径为：i1’，i2，...，iT’。