CN105589939B - 识别群体运动轨迹方法和装置 - Google Patents
识别群体运动轨迹方法和装置 Download PDFInfo
- Publication number
- CN105589939B CN105589939B CN201510937356.2A CN201510937356A CN105589939B CN 105589939 B CN105589939 B CN 105589939B CN 201510937356 A CN201510937356 A CN 201510937356A CN 105589939 B CN105589939 B CN 105589939B
- Authority
- CN
- China
- Prior art keywords
- motion
- group
- trail
- motion trail
- similarity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/025—Services making use of location information using location based information parameters
Abstract
本申请公开了一种识别群体运动轨迹的方法和装置。所述方法的一具体实施方式包括:获取多个终端用户的运动轨迹;将所述多个终端用户的运动轨迹进行一致性对比;基于对比结果,将具有一致性的至少一个终端用户的运动轨迹加入群体轨迹集合,并将所述群体轨迹集合所描绘的运动轨迹识别为群体运动轨迹,其中,具有一致性的终端用户的运动轨迹之间满足下列至少一个条件:在超过预设时间段内相对距离小于预设距离阈值、在超过预设路程内所述相对距离小于所述预设距离阈值,所述相对距离表示在同一个时间点时运动轨迹所表示的位置点之间的距离。该实施方式可以提高识别群体运动轨迹的有效性。
Description
技术领域
本申请涉及计算机技术领域,具体涉及互联网技术领域,尤其涉及一种识别群体运动轨迹的方法和装置。
背景技术
随着智能移动终端的发展,终端设备的位置信息变得容易获取。通过终端设备的位置点推知持有终端设备的终端用户的位置点,进而将终端用户的位置点按照时间顺序连接,便可得到终端用户的运动轨迹。现有技术中对终端用户的运动轨迹进行识别的技术逐渐增多,例如通过对终端用户的历史运动轨迹和当前运动轨迹进行分析,进而对用户行为做出预测,并应用于商业、交通等多个领域。
然而,现有的运动轨迹的识别技术,往往局限于单个运动轨迹的识别和分析,虽然也对多个运动轨迹进行了统计,但缺乏对多个运动轨迹之间的内在联系的研究,例如具有一致性运动轨迹的终端用户组成的群体可能乘坐同一交通工具。因此,现有的运动轨迹识别技术,存在着终端数据利用不足,识别群体运动轨迹的有效性不高的问题。
发明内容
本申请的目的在于提出一种改进的识别群体运动轨迹方法和装置,来解决以上背景技术部分提到的技术问题。
一方面,本申请提供了一种识别群体运动轨迹方法,所述方法包括:获取多个终端用户的运动轨迹;将所述多个终端用户的运动轨迹进行一致性对比;基于对比结果,将具有一致性的至少一个终端用户的运动轨迹加入群体轨迹集合,并将所述群体轨迹集合所描绘的运动轨迹识别为群体运动轨迹,其中,具有一致性的终端用户的运动轨迹之间满足下列至少一个条件:在超过预设时间段内相对距离小于预设距离阈值、在超过预设路程内所述相对距离小于所述预设距离阈值,所述相对距离表示在同一个时间点时运动轨迹所表示的位置点之间的距离。
在一些实施例中,所述方法还包括:将所述群体运动轨迹与已知的公共交通线路进行匹配,其中,所述公共交通线路包括路线和站点;将匹配到的群体运动轨迹确定为所述公共交通线路对应的公共交通工具的运动轨迹。
在一些实施例中,所述将所述群体运动轨迹与已知的公共交通线路进行匹配包括:计算所述群体运动轨迹与所述公共交通线路的相似度;如果所述相似度大于预设的置信阈值,确定所述群体运动轨迹与所述公共交通线路匹配。
在一些实施例中,所述相似度通过以下公式计算得到:
其中,i表示所述群体轨迹集合中的第i个运动轨迹,U表示所述群体运动轨迹,li表示第i个运动轨迹与所述公共交通线路的路线相似的长度,si表示第i个运动轨迹在所述公共交通线路上经过的站点数量,α和β分别表示路线相似度的权重和站点相似度的权重。
在一些实施例中,所述将所述群体运动轨迹与已知的公共交通线路进行匹配包括:判断所述群体运动轨迹与所述线路是否一致;以及,判断在所述站点处所述群体轨迹集合所描绘的运动轨迹是否包括减速运动轨迹。
在一些实施例中,所述方法还包括:判断所述群体轨迹集合中的单个终端用户的运动轨迹在所述公共交通线路的站点处离开所述公共交通线路的距离是否超过预定距离;若是,将所述单个终端用户的运动轨迹从所述群体轨迹集合中筛除。
第二方面,本申请提供了一种识别群体运动轨迹装置,所述装置包括:获取模块,配置用于获取多个终端用户的运动轨迹;对比模块,配置用于将所述多个终端用户的运动轨迹进行一致性对比;识别模块,配置用于基于对比结果,将具有一致性的至少一个终端用户的运动轨迹加入群体轨迹集合,并将所述群体轨迹集合所描绘的运动轨迹识别为群体运动轨迹,其中,具有一致性的终端用户的运动轨迹之间满足下列至少一个条件:在超过预设时间段内相对距离小于预设距离阈值、在超过预设路程内所述相对距离小于所述预设距离阈值,所述相对距离表示在同一个时间点时运动轨迹所表示的位置点之间的距离。
在一些实施例中,所述装置还包括:匹配模块,配置用于将所述群体运动轨迹与已知的公共交通线路进行匹配,其中,所述公共交通线路包括路线和站点;确定模块,配置用于将匹配到的群体运动轨迹确定为所述公共交通线路对应的公共交通工具的运动轨迹。
在一些实施例中,所述匹配模块包括:计算单元,配置用于计算所述群体运动轨迹与所述公共交通线路的相似度;以及,确定单元,配置用于如果所述相似度大于预设的置信阈值,确定所述群体运动轨迹与所述公共交通线路匹配。
在一些实施例中,所述相似度通过以下公式计算得到:
其中,i表示所述群体轨迹集合中的第i个运动轨迹,U表示所述群体运动轨迹,li表示第i个运动轨迹与所述公共交通线路的路线相似的长度,si表示第i个运动轨迹在所述公共交通线路上经过的站点数量,α和β分别表示路线相似度的权重和站点相似度的权重。
在一些实施例中,所述匹配模块包括:线路匹配单元,配置用于判断所述群体运动轨迹与所述线路是否一致;以及,站点匹配单元,配置用于判断在所述站点处所述群体轨迹集合所描绘的运动轨迹是否包括减速运动轨迹。
在一些实施例中,所述装置还包括筛除模块,配置用于:判断所述群体轨迹集合中的单个终端用户的运动轨迹在所述公共交通线路的站点处离开所述公共交通线路的距离是否超过预定距离;若是,将所述单个终端用户的运动轨迹从所述群体轨迹集合中筛除。
本申请提供的识别群体运动轨迹方法和装置,通过获取多个终端用户的运动轨迹,然后将多个终端用户的运动轨迹进行一致性对比,接着基于对比结果,将具有一致性的至少一个终端用户的运动轨迹加入群体轨迹集合,并将群体轨迹集合所描绘的运动轨迹识别为群体运动轨迹,其中,具有一致性的终端用户的运动轨迹之间满足下列至少一个条件:在超过预设时间段内相对距离小于预设距离阈值、在超过预设路程内相对距离小于预设距离阈值,相对距离表示在同一个时间点时运动轨迹所表示的位置点之间的距离。这种识别群体运动轨迹的方法和装置充分利用终端数据,提高了识别群体运动轨迹的有效性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1示出了可以应用本申请实施例的示例性系统架构;
图2是根据本申请的识别群体运动轨迹方法的一个实施例的流程图;
图3是两个终端用户的运动轨迹的示意图;
图4是根据本申请的识别群体运动轨迹方法的又一个实施例的流程图;
图5是根据本申请的识别群体运动轨迹装置的一个实施例的结构示意图;
图6是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请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申请。
图1示出了可以应用本申请实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、网络103和服务器104。网络103用以在终端设备101、102和服务器104之间提供通信链路的介质。网络103可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
终端设备101、102可以通过网络103与服务器104交互,以接收或发送消息等。终端设备101、102上可以安装有各种通讯客户端应用,例如定位类应用、地图类应用、交通或路况分析类应用、浏览器应用、理财类应用、搜索类应用、购物类应用、社交平台应用、邮箱客户端、即时通信工具等等。
终端设备101、102可以是支持定位类应用、地图类应用、交通或路况分析类应用等安装于其上的各种电子设备,包括但不限于智能手机、智能手表、平板电脑、个人数字助理、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器104可以是提供各种服务的服务器。例如服务器104可以是对终端设备101、102的定位类应用、地图类应用或者交通或路况分析类应用等提供支持的后台服务器等。服务器可以对接收到的数据进行存储、生成等处理,并将处理结果反馈给终端设备。
需要说明的是,本申请实施例所提供的识别群体运动轨迹的方法可以通过服务器104执行。例如,服务器104可以从终端设备101、102获取终端用户的运动轨迹,或者通过终端设备101、102上安装的定位类应用、地图类应用等采集终端用户的位置信息,形成终端用户的运动轨迹,然后将多个终端用户的运动轨迹进行一致性对比,接着基于对比结果,将具有一致性的至少一个终端用户的运动轨迹加入群体轨迹集合,并将群体轨迹集合的运动轨迹识别为群体运动轨迹,再将群体运动轨迹进行处理后反馈至终端设备101、102上的地图类应用或者交通或路况分析类应用等。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
请参考图2,其示出了识别群体运动轨迹的方法的一个实施例的流程200。本实施例主要以该方法应用于有一定运算能力的电子设备中来举例说明,该电子设备可以是终端设备或服务器,例如可以是进行交通或路况分析的任意终端设备,也可以是为交通或路况分析类应用等提供支持的后台服务器(如图1示出的服务器104等),本申请对此不做限定。该识别群体运动轨迹的方法,包括以下步骤:
步骤201,获取多个终端用户的运动轨迹。
在本实施例中,电子设备可以获取多个终端用户的运动轨迹。其中,运动轨迹可以用于表示物体(例如终端用户)从某个时间点开始或者从某个位置开始按照时间发展所经过的位置连线形成的线路特征。运动轨迹可以由运动轨迹方向(如移动方向)、运动轨迹形式(如直线轨迹)表示。
本领域技术人员可以理解,终端用户的运动轨迹可以通过该用户持有的终端设备的运动轨迹来表征。在本实施例中,可以先采集用户持有的终端设备在不同时间点所在的位置点,终端用户的运动轨迹可以通过这些位置点的连线来表示。实践中,每个终端设备都可以具有一个身份码,例如智能手机的移动设备国际身份码(International MobileEquipment Identity,IMEI)。电子设备可以将该身份码作为终端设备的身份标识号码,用以区分不同的终端设备。其中,终端设备的位置点可以通过终端设备内置的定位单元获取。该定位单元可以通过硬件实现,例如可以是终端设备所集成的定位器(如全球卫星定位系统GPS终端);也可以通过软件实现,例如可以是定位应用(如可以运行在安卓操作系统的51定位终端);还可以通过软件、硬件结合实现。当终端的位置信息的获取通过定位应用实现时,定位应用可以根据终端接入网络(如WIFI网络、移动数据蜂窝网络等)的IP地址(Internet Protocol Address,网际协议地址)自动查找相应的基站从而获取终端的当前位置,也可以通过GPS定位数据获取终端设备的当前位置。实践中,终端设备的位置点可以通过经纬度坐标、映射到地图上的地图坐标等来表示。
电子设备可以从本地或远程地获取多个终端用户的运动轨迹。当电子设备是为终端设备内置的定位单元(如GPS终端、51定位终端等)提供支持的后台服务器时,其可以从本地获取多个终端用户的运动轨迹,否则,电子设备可以通过有线连接方式或者无线连接方式从终端设备内置的定位单元或为该定位单元提供支持的后台服务器远程地获取多个终端用户的运动轨迹。上述无线连接方式包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
值得说明的是,运动轨迹可以是从某个时间点或某个位置开始一直延续的,也可以是按照不同的时间段或地理位置分段的。例如,当终端设备为智能手机时,如果智能手机正常工作,其位置点可以被定位单元采集,而如果智能手机不能正常工作(如电源被关闭),其位置点不能被定位单元采集,从而造成通过该智能手机采集的运动轨迹是不连续的。
步骤202,将上述多个终端用户的运动轨迹进行一致性对比。
在本实施例中,电子设备可以进一步对上述多个终端用户的运动轨迹进行对比,分析它们相互间的一致性。
这里,终端用户的运动轨迹的一致性可以通过终端用户在预设时间段(如10分钟)内和/或预设路程(如2千米)内的运动轨迹的相似程度来表征。具体地,如果两个终端用户的运动轨迹满足以下条件中的至少一个,则确定它们在相应的时间和/或距离范围内具有一致性:在超过预设时间段内相对距离小于预设距离阈值;在超过预设路程内相对距离小于预设距离阈值。其中,这里的相对距离表示在同一个时间点时这两个终端用户的运动轨迹所表示的位置点之间的距离。请参考图3的示例,为了方便说明,图3中将两个终端用户的运动轨迹按照时间发展绘制,并用横坐标轴表示运动轨迹的经度坐标,纵坐标轴表示运动轨迹的纬度坐标。如图3所示,从t1时刻开始,终端用户A的运动轨迹通过连线31表示,终端用户B的运动轨迹通过连线32表示。在t1时刻,终端用户A的位置点311与终端用户B的位置点321之间的距离为终端用户A与终端用户B的相对距离。同样,在t2、t3时刻,位置点312与位置点322之间的距离、位置点313与位置点323之间的距离分别为终端用户A与终端用户B的相对距离。可以理解,图3仅为示例性说明,因此后续的时间点及位置点未一一标号,但每个时间点的位置点在图中都已以小黑点标示,读者可一一对应。假设在t1时刻,电子设备检测到终端用户A与终端用户B的相对距离(例如3米)小于预设的距离阈值(例如5米),则电子设备接着计算t2时刻、t3时刻……等终端用户A与终端用户B的相对距离,例如分别是2.5米、3.3米……,如果从t1时刻起超过10分钟的时间段内,或者超过2千米的距离中,终端用户A与终端用户B的相对距离始终小于预设的距离阈值(例如5米),则判断从t1时刻起终端用户A的运动轨迹与终端用户B的运动轨迹具有一致性。
值得说明的是,终端用户的运动轨迹的一致性可以是一直具有一致性,也可以是分段具有一致性,例如:终端用户A和终端用户B的运动轨迹从当天上午9:00到上午10:00具有一致性,而在当天上午9:00之前和当天上午10:00之后不具有一致性;同一个终端用户A的运动轨迹与自身的运动轨迹对比自始至终具有一致性。
在一些可选的实现方式中,电子设备还可以通过在检测到终端用户A与终端用户B的相对距离小于预设的距离阈值后,判断终端用户A与终端用户B的速度变化值是否小于预设的速度波动阈值,从而判断终端用户A与终端用户B的运动轨迹是否具有一致性。例如,如果在超过预设时间段的时间内或超过预设路程的距离中,终端用户A与终端用户B的速度变化值始终小于预设的速度波动阈值(如每秒0.5米),则确定终端用户A与终端用户B在该超过预设时间段的时间内或超过预设路程的距离中具有一致性。
步骤203,基于对比结果,将具有一致性的至少一个终端用户的运动轨迹加入群体轨迹集合,并将群体轨迹集合所描绘的运动轨迹识别为群体运动轨迹。
在本实施例中,电子设备可以基于对多个终端用户的运动轨迹的一致性对比结果,将具有一致性的至少一个终端用户的运动轨迹加入群体轨迹集合,同时,可以将该群体轨迹集合的运动轨迹识别为群体运动轨迹。
在这里,群体轨迹集合所描绘的运动轨迹可以通过群体轨迹集合内任一终端用户的运动轨迹来表示,也可以将群体轨迹集合所包括的运动轨迹按照相同时间点求位置点的中心点(其中,中心点的位置坐标可以为各位置点坐标的平均值),并将各中心点连线而形成,还可以通过其他任意合理的方法来表示,本申请对此不做限定。
其中,由于终端用户的运动轨迹与自身具有时时一致的特点,因此,如果没有其他终端用户的运动轨迹与其具有一致性时,可以将该终端用户的运动轨迹单独加入一个群体轨迹集合。另外,如前所述,终端用户的运动轨迹的一致性可以是分时间段或路程段的,因此,当两个以上(含本数)的终端用户的运动轨迹在某一时间段或路程段内具有一致性时,将他们共同加入一个群体轨迹集合。可以理解,在这样的一个群体轨迹集合内,如果在某个时间点,其中的部分终端用户的运动轨迹与其他终端用户的运动轨迹不再具有一致性时,这部分终端用户的运动轨迹从该群体轨迹集合中筛除并不影响其他终端用户的运动轨迹属于该群体轨迹集合。同样,如果在某个时间点,有新的终端用户的运动轨迹与该群体轨迹集合的运动轨迹或者群体轨迹集合中的终端用户的运动轨迹具有了一致性,其可以加入该群体轨迹集合。
本实施例的识别群体运动轨迹的方法的一个应用场景可以是交通或路况分析类应用。其中,交通或路况分析类应用可以安装于进行交通或路况分析的终端设备,该识别群体运动轨迹的方法可以由为交通或路况分析类应用提供支持的后台服务器执行。其中的一种执行流程可以为:后台服务器可以首先从本地或多个终端设备内置的定位单元获取多个终端用户的运动轨迹,接着将所获取的多个终端用户的运动轨迹进行一致性对比,然后将具有一致性的至少一个终端用户的运动轨迹加入群体轨迹集合,并将群体轨迹集合的运动轨迹识别为群体运动轨迹,接着,后台服务器可以将所得到的群体运动轨迹作为交通或路况分析的基础,得到交通或路况情况推送至运行交通或路况分析类应用的终端设备。例如,后台服务器可以根据所得到的群体运动轨迹确定相应的终端用户乘坐同一辆交通工具,如客车、公交车等,进而判断公交车的位置和行进状态,或者客车上的司乘人员数量等等;后台服务器还可以根据所得到的群体运动轨迹确定道路交通情况,例如可以先确定多少个人使用同一交通工具出行,进而得到某个道路段共有多少交通工具的信息等;后台服务器还可以将识别到的群体运动轨迹做其他应用,本申请对此不做限定。
本申请的上述实施例充分利用终端设备可定位的特性,获取相应终端用户的运动轨迹数据,应用于群体运动轨迹的识别和分析,提高了识别群体运动轨迹的有效性。
进一步参考图4,其示出了本申请的识别群体运动轨迹的方法的又一个实施例的流程400。该识别群体运动轨迹的方法400可以看作是将识别群体运动轨迹进一步应用于公共交通工具轨迹识别时的一个实施例,包括以下步骤:
步骤401,获取多个终端用户的运动轨迹。
在本实施例中,在本实施例中,电子设备可以获取多个终端用户的运动轨迹。其中,终端用户的运动轨迹可以通过该用户持有的终端设备的运动轨迹来表征。运动轨迹可以是从某个时间点或某个位置开始一直延续的,也可以是按照不同的时间段或地理位置分段的。
步骤402,将上述多个终端用户的运动轨迹进行一致性对比。
在本实施例中,电子设备可以进一步对上述多个终端用户的运动轨迹进行对比,分析它们相互间的一致性。在这里,如果两个终端用户的运动轨迹满足以下条件中的至少一个,则确定它们在相应的时间和/或距离范围内具有一致性:在超过预设时间段内相对距离小于预设距离阈值;在超过预设路程内相对距离小于预设距离阈值。其中,这里的相对距离表示在同一个时间点时这两个终端用户的运动轨迹所表示的位置点之间的距离。
值得说明的是,终端用户的运动轨迹的一致性可以是一直具有一致性,也可以是分段具有一致性。同一个终端用户的运动轨迹与自身的运动轨迹对比自始至终具有一致性。
步骤403,基于对比结果,将具有一致性的至少一个终端用户的运动轨迹加入群体轨迹集合,并将群体轨迹集合所描绘的运动轨迹识别为群体运动轨迹。
在本实施例中,电子设备可以基于对多个终端用户的运动轨迹的一致性对比结果,将具有一致性的至少一个终端用户的运动轨迹加入群体轨迹集合,同时,可以将该群体轨迹集合所描绘的运动轨迹识别为群体运动轨迹。在这里,群体轨迹集合的运动轨迹可以通过群体轨迹集合内任一终端用户的运动轨迹来表示,也可以将群体轨迹集合所包括的运动轨迹按照相同时间点求位置点的中心点(其中,中心点的位置坐标可以为各位置点坐标的平均值),并将各中心点连线而形成,还可以通过其他任意合理的方法来表示,本申请对此不做限定。对于没有其他终端用户的运动轨迹与其具有一致性的终端用户的运动轨迹,可以将其单独加入一个群体轨迹集合。
可以理解,在包括多个终端用户的运动轨迹的群体轨迹集合内,如果在某个时间点,其中的部分终端用户的运动轨迹与其他终端用户的运动轨迹不再具有一致性时,这部分终端用户的运动轨迹从该群体轨迹集合中筛除并不影响其他终端用户的运动轨迹属于该群体轨迹集合。同样,如果在某个时间点,有新的终端用户的运动轨迹与该群体轨迹集合的运动轨迹或者群体轨迹集合中的终端用户的运动轨迹具有了一致性,其可以加入该群体轨迹集合。
步骤404,将群体运动轨迹与已知的公共交通线路进行匹配。
在本实施例中,电子设备可以接着将所获取的群体运动轨迹与已知的公共交通线路进行匹配。例如,将在北京市区获取的群体运动轨迹与北京市区内的各路公交车线路进行匹配。这里,公交车线路可以包括公共交通线路上对应的公共交通工具行车的路线和供乘客上下车的站点。
群体运动轨迹与已知的公共交通线路的匹配可以通过多种方式实现。例如一种方式是,先判断所得到的群体运动轨迹与公共交通工具行车的路线是否一致,然后判断在前述站点处群体运动轨迹是否包括减速运动轨迹。其中,由于公共交通工具行车的路线相对较固定,因此判断群体运动轨迹与公共交通工具行车的路线是否一致可以是通过判断群体运动轨迹是否按照公共交通工具行车的路线延续来实现,如果是,则确定群体运动轨迹与公共交通工具行车的路线是一致的。这里,判断群体运动轨迹是否按照公共交通工具行车的路线延续的方法可以是:先根据群体运动轨迹的当前位置点,获取与前述路线上与该当前位置点最近的位置点,接着计算该当前位置点与前述路线上与该当前位置点最近的位置点之间的相对距离,然后判断该距离是否在预设误差距离(如3米)内,若是,判断群体运动轨迹按照公共交通工具行车的路线延续。可以理解,公共交通工具在站点处往往会停车以供乘客上下车,因此,当电子设备判断群体运动轨迹与上述线路一致后,还要进一步判断在上述站点处群体运动轨迹是否包括了减速运动轨迹。这里,减速运动轨迹可以表示物体进行减速运动时形成的运动轨迹。在一些实现中,如果群体运动轨迹与上述线路一致且在连续的预定个数(如5个)站点处包括减速运动轨迹,则电子设备可以将其判断为与该公共交通线路相匹配。
群体运动轨迹与已知的公共交通线路的匹配还可以根据其匹配程度进行量化,并通过所得到的量化的相似度数值来衡量。例如,电子设备可以计算群体运动轨迹与公共交通线路的相似度,如果相似度大于预设的置信阈值,确定群体运动轨迹与公共交通线路相匹配。其中,相似度的计算可以依赖于群体运动轨迹,也可以依赖于群体运动集合中所包含的终端用户的运动轨迹,本申请对此不做限定。
如果上述相似度的计算依赖于群体运动轨迹,则电子设备可以计算群体运动轨迹在与上述线路一致部分与上述线路的重合度(例如相重合部分的路程与相一致部分的路程的比率),以及群体运动轨迹所经过的该公共交通线路上的站点数,并加权求和得到相似度,例如:群体运动轨迹与公共交通线路的相似度=上述重合度×路线相似度的权重+群体运动轨迹所经过的该公共交通线路上的站点数×站点相似度的权重。
如果上述相似度的计算依赖于群体运动集合中所包含的终端用户的运动轨迹,则相似度可以与单个终端用户的运动轨迹与线路和站点的相似程度以及群体运动集合中所包含的终端用户的运动轨迹的个数相关。例如,此时,相似度可以通过以下公式计算得到:
其中,i表示群体轨迹集合中的第i个运动轨迹,U表示群体运动集合,li表示第i个运动轨迹与公共交通线路的路线相似的长度,si表示第i个运动轨迹在公共交通线路上经过的站点数量,α和β分别表示路线相似度的权重和站点相似度的权重。
其中,路线相似度的权重和站点相似度的权重可以通过人为设定,也可以根据每条公共交通线路上的公共交通工具具体行驶中与路线或站点重合的统计结果确定。举例而言,假如一条公共交通线路上的某段路程在上班高峰期(如上午7点至9点间)较拥堵,而这个时间段公共交通线路上的公共交通工具绕行一段路将会比较顺畅,则可以通过统计该时间段内公共交通工具绕行的概率,以及该段路程在总的公共交通线路路程中所占的比率,将上述概率与(1-上述比率)的乘积作为路线相似度的权重。同理,电子设备也可以统计公共交通线路上的公共交通工具在该公共交通线路上停留的站点数与总站点数的比率,并将该比率作为站点相似度的权重。可以理解,上述的路线相似度的权重和站点相似度的权重的确定方法仅为一种示例,本领域技术人员还可以通过其他方法确定路线相似度的权重和站点相似度的权重,例如,将上述方法确定的路线相似度的权重和站点相似度的权重作为权重系数进行归一化后的数值分别作为路线相似度的权重和站点相似度的权重,等等,本申请对此不做限定。
本领域技术人员可以理解,根据相似度的计算方法的区别,置信阈值的确定方法也不相同。该置信阈值可以通过人工设定,也可以通过机器学习获得。其中,该置信阈值通过机器学习获得的一种方法是:采集一定数量的公共交通工具形式样本数据,按照上述方法中的一种计算群体运动轨迹与已知的公共交通线路的相似度,取所得到的的相似度下限作为置信阈值。
值得说明的是,一条已知的公共交通线路可以同时与多个群体运动轨迹相匹配。
步骤405,将匹配到的群体运动轨迹确定为上述公共交通线路对应的公共交通工具的运动轨迹。
在本实施例中,电子设备可以进一步将在一条公共交通线路上匹配到的群体运动轨迹确定为该公共交通线路对应的公共交通工具的运动轨迹。
在本实施例的一些可选实现方式中,该识别群体运动轨迹方法还可以包括以下步骤:
判断群体轨迹集合中的单个终端用户的运动轨迹在公共交通线路的站点处离开公共交通线路的距离是否超过预定距离;
若是,将单个终端用户的运动轨迹从群体轨迹集合中筛除。
同理,如果在公共交通线路的站点处,某个终端用户的运动轨迹开始和上述群体轨迹集合所描绘的运动轨迹具有一致性,则将该终端用户的运动轨迹加入群体轨迹集合。
以上步骤可以动态改变群体轨迹集合中的终端用户的运动轨迹的个数,并使群体运动轨迹不受到单个终端用户的运动轨迹的改变的影响。
在本实施例中,上述实现流程中的步骤401、步骤402、步骤403分别与前述实施例中的步骤201、步骤202、步骤203基本相同,在此不再赘述。
从图4中可以看出,与图2对应的实施例不同的是,本实施例中的识别群体运动轨迹方法的流程400增加了步骤404、405。通过增加的步骤404、405,本实施例可以将识别的群体运动轨迹应用于公共交通工具(如公交车)的运动轨迹的识别,扩展了运动轨迹识别的应用范围。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种识别群体运动轨迹的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于电子设备中。
如图5所示,本实施例所述的识别群体运动轨迹的装置500包括:获取模块501、对比模块502和识别模块503。其中,获取模块501可以配置用于获取模块,配置用于获取多个终端用户的运动轨迹;对比模块502可以配置用于将上述多个终端用户的运动轨迹进行一致性对比;识别模块503可以配置用于基于对比结果,将具有一致性的至少一个终端用户的运动轨迹加入群体轨迹集合,并将群体轨迹集合所描绘的运动轨迹识别为群体运动轨迹,其中,具有一致性的终端用户的运动轨迹之间满足下列至少一个条件:在超过预设时间段内相对距离小于预设距离阈值、在超过预设路程内相对距离小于预设距离阈值,相对距离表示在同一个时间点时运动轨迹所表示的位置点之间的距离。
值得说明的是,识别群体运动轨迹的装置500中记载的诸模块或单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作和特征同样适用于识别群体运动轨迹的装置500及其中包含的模块或单元,在此不再赘述。
本领域技术人员可以理解,上述识别群体运动轨迹的装置500还包括一些其他公知结构,例如处理器、存储器等,为了不必要地模糊本公开的实施例,这些公知的结构在图5中未示出。
下面参考图6,其示出了适于用来实现本申请实施例的电子设备的计算机系统600的结构示意图。
如图6所示,计算机系统600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;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607;包括硬盘等的存储部分608;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609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,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610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608。
特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括有形地包含在机器可读介质上的计算机程序,所述计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。
本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括获取模块、对比模块和识别模块。其中这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,获取模块还可以被描述为“配置用于获取多个终端用户的运动轨迹的模块”。
作为另一方面,本申请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例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,未装配入终端中的计算机可读存储介质。所述计算机可读存储介质存储有一个或者一个以上程序,当所述程序被一个或者一个以上的处理器执行时,使得所述设备:获取多个终端用户的运动轨迹;将所述多个终端用户的运动轨迹进行一致性对比;基于对比结果,将具有一致性的至少一个终端用户的运动轨迹加入群体轨迹集合,并将所述群体轨迹集合所描绘的运动轨迹识别为群体运动轨迹,其中,具有一致性的终端用户的运动轨迹之间满足下列至少一个条件:在超过预设时间段内相对距离小于预设距离阈值、在超过预设路程内所述相对距离小于所述预设距离阈值,所述相对距离表示在同一个时间点时运动轨迹所表示的位置点之间的距离。
以上描述仅为本申请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,本申请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。例如上述特征与本申请中公开的(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。
Claims (12)
1.一种识别群体运动轨迹的方法,其特征在于,所述方法包括:
获取多个终端用户的运动轨迹;
将所述多个终端用户的运动轨迹进行一致性对比;
基于对比结果,将具有一致性的至少一个终端用户的运动轨迹加入群体轨迹集合,并将所述群体轨迹集合所描绘的运动轨迹识别为群体运动轨迹,其中,具有一致性的终端用户的运动轨迹之间满足下列至少一个条件:在超过预设时间段内相对距离小于预设距离阈值、在超过预设路程内所述相对距离小于所述预设距离阈值,所述相对距离表示在同一个时间点时运动轨迹所表示的位置点之间的距离;
其中,所述方法还包括以下至少一项:
根据所述群体运动轨迹,确定所述多个终端用户中的两终端用户是否乘坐同一辆交通工具,以确定交通工具的位置、行进状态和司乘人员数量中的至少一项;
根据所述群体运动轨迹,确定道路交通情况。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将所述群体运动轨迹与已知的公共交通线路进行匹配,其中,所述公共交通线路包括路线和站点;
将匹配到的群体运动轨迹确定为所述公共交通线路对应的公共交通工具的运动轨迹。
3.根据权利要求2所述的方法,其特征在于,所述将所述群体运动轨迹与已知的公共交通线路进行匹配包括:
计算所述群体运动轨迹与所述公共交通线路的相似度;
如果所述相似度大于预设的置信阈值,确定所述群体运动轨迹与所述公共交通线路匹配。
4.根据权利要求3所述的方法,其特征在于,所述相似度通过以下公式计算得到:
其中,i表示所述群体轨迹集合中的第i个运动轨迹,U表示所述群体运动集合,li表示第i个运动轨迹与所述公共交通线路的路线相似的长度,si表示第i个运动轨迹在所述公共交通线路上经过的站点数量,α和β分别表示路线相似度的权重和站点相似度的权重。
5.根据权利要求2所述的方法,其特征在于,所述将所述群体运动轨迹与已知的公共交通线路进行匹配包括:
判断所述群体运动轨迹与所述线路是否一致;以及
判断在所述站点处所述群体运动轨迹是否包括减速运动轨迹。
6.根据权利要求2-5中任一所述的方法,其特征在于,所述方法还包括:
判断所述群体轨迹集合中的单个终端用户的运动轨迹在所述公共交通线路的站点处离开所述公共交通线路的距离是否超过预定距离;
若是,将所述单个终端用户的运动轨迹从所述群体轨迹集合中筛除。
7.一种识别群体运动轨迹的装置,其特征在于,所述装置包括:
获取模块,配置用于获取多个终端用户的运动轨迹;
对比模块,配置用于将所述多个终端用户的运动轨迹进行一致性对比;
识别模块,配置用于基于对比结果,将具有一致性的至少一个终端用户的运动轨迹加入群体轨迹集合,并将所述群体轨迹集合所描绘的运动轨迹识别为群体运动轨迹,其中,具有一致性的终端用户的运动轨迹之间满足下列至少一个条件:在超过预设时间段内相对距离小于预设距离阈值、在超过预设路程内所述相对距离小于所述预设距离阈值,所述相对距离表示在同一个时间点时运动轨迹所表示的位置点之间的距离;
其中,所述装置还包括以下至少一项:
第一确定模块,配置用于根据所述群体运动轨迹,确定所述多个终端用户中的两终端用户是否乘坐同一辆交通工具,以确定交通工具的位置、行进状态和司乘人员数量中的至少一项;
第二确定模块,配置用于根据所述群体运动轨迹,确定道路交通情况。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
匹配模块,配置用于将所述群体运动轨迹与已知的公共交通线路进行匹配,其中,所述公共交通线路包括路线和站点;
第三确定模块,配置用于将匹配到的群体运动轨迹确定为所述公共交通线路对应的公共交通工具的运动轨迹。
9.根据权利要求8所述的装置,其特征在于,所述匹配模块包括:
计算单元,配置用于计算所述群体运动轨迹与所述公共交通线路的相似度;以及
确定单元,配置用于如果所述相似度大于预设的置信阈值,确定所述群体运动轨迹与所述公共交通线路匹配。
11.根据权利要求8所述的装置,其特征在于,所述匹配模块包括:
线路匹配单元,配置用于判断所述群体运动轨迹与所述线路是否一致;以及
站点匹配单元,配置用于判断在所述站点处所述群体轨迹集合所描绘的运动轨迹是否包括减速运动轨迹。
12.根据权利要求8-11中任一所述的装置,其特征在于,所述装置还包括筛除模块,配置用于:
判断所述群体轨迹集合中的单个终端用户的运动轨迹在所述公共交通线路的站点处离开所述公共交通线路的距离是否超过预定距离;
若是,将所述单个终端用户的运动轨迹从所述群体轨迹集合中筛除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510937356.2A CN105589939B (zh) | 2015-12-15 | 2015-12-15 | 识别群体运动轨迹方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510937356.2A CN105589939B (zh) | 2015-12-15 | 2015-12-15 | 识别群体运动轨迹方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105589939A CN105589939A (zh) | 2016-05-18 |
CN105589939B true CN105589939B (zh) | 2020-02-11 |
Family
ID=55929518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510937356.2A Active CN105589939B (zh) | 2015-12-15 | 2015-12-15 | 识别群体运动轨迹方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105589939B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976637A (zh) * | 2016-06-30 | 2016-09-28 | 百度在线网络技术(北京)有限公司 | 公交车确定方法及装置 |
CN106781459B (zh) * | 2016-11-30 | 2019-05-28 | 贵州智通天下信息技术有限公司 | 一种拆分路线轨迹的方法 |
CN106980129B (zh) * | 2017-03-10 | 2019-12-24 | 西安交通大学 | 一种基于位置编码地图的运动轨迹比对方法 |
CN107508690B (zh) * | 2017-09-07 | 2021-02-05 | 咪咕互动娱乐有限公司 | 一种通信方法、装置及存储介质 |
CN107741849B (zh) * | 2017-09-12 | 2019-07-12 | 北京华航唯实机器人科技股份有限公司 | 运动时序显示方法、装置和计算机终端 |
CN108289279A (zh) * | 2018-01-30 | 2018-07-17 | 浙江省公众信息产业有限公司 | 定位信息的处理方法、装置和计算机可读存储介质 |
CN109192268A (zh) * | 2018-08-29 | 2019-01-11 | 奇酷互联网络科技(深圳)有限公司 | 运动互动的提示方法、装置、可读存储介质及移动终端 |
CN110958599B (zh) * | 2018-09-26 | 2022-05-24 | 北京融信数联科技有限公司 | 一种基于轨迹相似性的一机多卡用户判别方法 |
CN109754630B (zh) * | 2019-02-02 | 2020-06-19 | 武汉元光科技有限公司 | 确定车辆运营线路的方法和装置 |
CN111694875B (zh) * | 2019-03-14 | 2023-04-25 | 百度在线网络技术(北京)有限公司 | 用于输出信息的方法和装置 |
CN110139221B (zh) * | 2019-05-09 | 2020-02-14 | 特斯联(北京)科技有限公司 | 一种基于手机信号微卡口的人口集群动态监测方法与系统 |
DE112019007455T5 (de) * | 2019-07-19 | 2022-03-03 | Mitsubishi Electric Corporation | Anzeigeverarbeitungsvorrichtung, anzeigeverarbeitungsverfahren und programm |
CN110908874A (zh) * | 2019-11-20 | 2020-03-24 | 北京明略软件系统有限公司 | 事件轨迹展示方法及装置 |
CN111125522B (zh) * | 2019-12-16 | 2023-12-08 | 花瓣云科技有限公司 | 向用户推荐运动方案的方法、电子设备以及存储介质 |
CN111274287A (zh) * | 2020-01-16 | 2020-06-12 | 北京旷视科技有限公司 | 人员集合同行信息的挖掘方法、装置及电子设备 |
CN113468439A (zh) * | 2021-06-29 | 2021-10-01 | 北京市商汤科技开发有限公司 | 数据处理方法、装置、设备、存储介质及程序产品 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102902689A (zh) * | 2011-07-26 | 2013-01-30 | 肖昆 | 基于出行线路几何特征的匹配方法及系统在社交网络中的应用 |
CN103514251A (zh) * | 2012-06-27 | 2014-01-15 | 索尼公司 | 信息处理设备、信息处理方法、程序和信息处理系统 |
CN103942312A (zh) * | 2014-04-21 | 2014-07-23 | 北京百度网讯科技有限公司 | 公交换乘线路规划方法和装置 |
CN104796468A (zh) * | 2015-04-14 | 2015-07-22 | 蔡宏铭 | 实现同行人即时通讯及同行信息共享的方法和系统 |
-
2015
- 2015-12-15 CN CN201510937356.2A patent/CN105589939B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102902689A (zh) * | 2011-07-26 | 2013-01-30 | 肖昆 | 基于出行线路几何特征的匹配方法及系统在社交网络中的应用 |
CN103514251A (zh) * | 2012-06-27 | 2014-01-15 | 索尼公司 | 信息处理设备、信息处理方法、程序和信息处理系统 |
CN103942312A (zh) * | 2014-04-21 | 2014-07-23 | 北京百度网讯科技有限公司 | 公交换乘线路规划方法和装置 |
CN104796468A (zh) * | 2015-04-14 | 2015-07-22 | 蔡宏铭 | 实现同行人即时通讯及同行信息共享的方法和系统 |
Non-Patent Citations (1)
Title |
---|
基于智能手机的交通模式判别系统的设计与实现;廖思静;《中国优秀硕士学位论文全文数据库》;20150415;C034-609 * |
Also Published As
Publication number | Publication date |
---|---|
CN105589939A (zh) | 2016-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105589939B (zh) | 识别群体运动轨迹方法和装置 | |
US10037503B2 (en) | System and method for managing supply of service | |
US10410519B2 (en) | Public transportation navigator | |
EP3073451A1 (en) | Bus station optimization evaluation method and system | |
Ganti et al. | Inferring human mobility patterns from taxicab location traces | |
JP2008146248A (ja) | プローブデータ解析システム | |
CN108537352A (zh) | 一种数据处理方法、装置和服务器 | |
EP3014491B1 (en) | Displaying demographic data | |
CN110545558A (zh) | 基于Wi-Fi数据的高速服务区人群密度估计系统 | |
US10489431B2 (en) | Digital location-based data methods and product | |
Zhou et al. | Urban traffic monitoring with the help of bus riders | |
CN110874668A (zh) | 一种轨道交通od客流预测方法、系统及电子设备 | |
Arab et al. | Magnopark-locating on-street parking spaces using magnetometer-based pedestrians' smartphones | |
CN115083161B (zh) | 车辆停留点的评估方法、装置、电子设备及可读存储介质 | |
Aung et al. | Naïve Bayes classifier based traffic prediction system on cloud infrastructure | |
CN113888857A (zh) | 基于车联网的公共交通管理系统、装置及方法 | |
WO2018151672A1 (en) | Trajectory analysis through fusion of multiple data sources | |
Rodrigues et al. | Impact of crowdsourced data quality on travel pattern estimation | |
Yan et al. | Detection and analysis of transfer time in urban rail transit system using WIFI data | |
Said et al. | A probabilistic approach for maximizing travel journey WiFi coverage using mobile crowdsourced services | |
US8818414B2 (en) | Mobile station, communication system, and communication method for collecting location information of a mobile station | |
Nair et al. | Mapping bus and stream travel time using machine learning approaches | |
US20220057809A1 (en) | Method and Apparatus for Predicting Demand for Personal Mobility Vehicle and Redistributing Personal Mobility Vehicle | |
Banik et al. | Mapping of bus travel time to traffic stream travel time using econometric modeling | |
CN115129769A (zh) | 一种居民出行调查扩样方法、装置及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |