CN106407519B - 一种人群移动规律的建模方法 - Google Patents

Abstract

本发明公开了一种人群移动规律的建模方法，包括以下步骤：(1)对每个用户的轨迹按照移动行为的动态变化进行划分，将轨迹划分为多个轨迹片段；(2)对步骤(1)中得到的轨迹片段集合进行特征抽取，获得用来刻画轨迹片段的特征向量；(3)将步骤(2)得到的所有用户的所有轨迹片段的特征向量进行聚类以将相似行为的轨迹片段组成一个移动行为模式；(4)计算每个轨迹片段和各移动行为模式的相似性，得到移动模式描述向量；(5)根据步骤(3)和步骤(4)计算得到的移动行为模式和移动模式描述向量，计算得到移动行为模式转移图；本发明可以在多个角度和尺度上分析轨迹数据，提供了分析群体移动规律的移动行为模式转移图。

Description

一种人群移动规律的建模方法

技术领域

本发明涉及城市人群建模技术领域，特别涉及一种人群移动规律的建模方法。

背景技术

近年来人类行为定量化分析，特别对行为模式的建模是当前复杂性学科的研究热点。人类行为的理解和探索对城市规划、交通流化和信息推荐等方面有至关重要的作用。城市计算的目标是使城市变得更加适宜居住，生活更加便捷。城市计算作为一个新兴领域，为社会各种复杂现象提供了新的视角。在城市规划、交通优化和流行病等领域中，了解和认识人类移动模式变得越来越重要。了解人们的目的地和出行工具反应了人类行为和周围建筑环境的关系，同时也为城市路线规划、灾害预防等提供了参考依据。

由于手机用户的爆发式增长，大量的高精度的手机基站数据使得人类移动行为建模变得更具可靠性，科研人员现在能够以前所未有的角度研究人类移动行为。同时也有越来越多的研究者关注数据驱动人类移动模式的发展。同样也有许多最新工作在研究轨迹数据的可视化分析，但是从城市数据中可视化挖掘移动行为模式仍具有挑战性。

目前基于手机数据的工作在探索人类行为和移动模式上有了巨大的进步。研究人员用了多种方法研究人类移动模式，包括统计力学，信息论，移动模型，数据挖掘。

上述的这些方法都具有一定的效果，但当前的研究都集中于挖掘大规模行动的统计规律，或者分析个体的移动轨迹数据，仍缺少同时对人群轨迹、统计人群运动规律和个体移动轨迹数据进行建模分析的方法。

发明内容

本发明提供了一种人群移动规律的建模方法，可以得到所有人的移动行为模式及其转移的视图，便于体现和观察不同时间点上的移动行为模式以及移动行为模式间转移的概率。

一种人群移动规律的建模方法，包括以下步骤：

(1)对每个用户的轨迹按照移动行为的动态变化进行划分，将轨迹划分为多个轨迹片段，每一个轨迹片段对应描述一种行为；

(2)对步骤(1)中得到的轨迹片段集合进行特征抽取，获得用来刻画轨迹片段的特征向量；

(3)将步骤(2)得到的所有用户的所有轨迹片段的特征向量进行聚类以将相似行为的轨迹片段组成一个移动行为模式；

(4)计算每个轨迹片段和各移动行为模式的相似性，得到描述轨迹片段属于各个移动行为模式概率的移动模式描述向量；

(5)根据步骤(3)和步骤(4)计算得到的移动行为模式和移动模式描述向量，计算得到刻画所有人的移动行为模式及其转移的移动行为模式转移图，图中的结点集合是不同时间点上的移动行为模式，边集合是移动行为模式间转移的概率。

轨迹片段可以分为停留轨迹片段和移动轨迹片段，为了方便计算，优选的，步骤(1)中，将轨迹划分为多个轨迹片段的具体过程如下：

定义用户的轨迹R＝{r₁,r₂,...,r_n}，定义r_i＝(x_i,y_i,t_i)是带有时间戳的位置记录；

检测R＝{r₁,r₂,...,r_n}中的停留轨迹片段，检测方法如下：

从第一个记录点向后扫描，当满足以下条件时一系列轨迹记录点构成停留轨迹片段条件为：

给定时间阈值τ和距离阈值δ，第一个记录点的时间到最后一个记录点的时间应当大于τ：第一个记录点到任意一个记录点的距离要小于δ；是最长的序列：

除了停留轨迹片段外其余属于移动轨迹片段。

为了使本发明方法得到的移动行为模式转移图体现出更丰富的人的移动特性，优选的，步骤(2)中，对于每个轨迹片段，提取以下特征中的至少一个，构成至少三维的特征向量；

特征1：时间无关熵，描述了在不同地点被观察到的概率，公式如下：

其中P(j)是用户出现在地点j的概率，I_j是一个指示函数，当记录点出现在地点j时，否则l是轨迹片段中记录点的总数；

特征2：时间相关熵，带有所停留的时间影响的用户出现在不同地点的概率，公式如下：

提取了记录点两端轨迹片段的平均时间作为当前记录点的停留时间

特征3：中心位置，是轨迹片段的地理中心经纬度坐标，公式如下：

特征4：回转半径，描述了用户移动轨迹的范围大小，公式如下：

特征5：家庭位置，是一个用户可能的家庭住址，通过用户在0:00am到6:00am的轨迹位置计算得到，公式如下：

特征6：活动半径，是用户离家的平均距离，公式如下：

其中dis(x,y)是x和y之间的欧式距离；

特征7：平均速度，是轨迹片段中用户移动的平均速度；

特征8：活动距离，是轨迹片段总体移动距离，公式如下：

为了便于计算和提高计算效率，优选的，将轨迹片段用移动行为模式描述向量来表达的具体步骤如下：

通过对所有用户的所有轨迹片段的特征向量的K-means聚类，得到K_m个聚类移动行为模式及他们的聚类中心

为了便于计算，提高计算效率和描述的准确性，优选的，计算每个轨迹片段和各移动行为模式的相似性，得到描述轨迹片段属于各个移动行为模式概率的移动模式描述向量的具体过程如下：

对于每个轨迹片段，计算和K_m个移动行为模式的相似性，得到描述轨迹片段属于各个移动行为模式概率的移动模式描述向量 其中f(x)是一个高斯权重函数，c是中心，w是高斯核的宽度。

为了更好地分析数据，优选的，步骤(5)中：计算得到移动行为模式转移图的具体过程如下：

图中的结点集合V是不同时间点上的移动行为模式，通过对轨迹片段的均匀重采样，可以得到在时间点t_i上属于第j个移动行为模式的轨迹片段的数目，作为结点的大小：

其中，是一个指示函数，当时间点t_i在轨迹片段F_k的时间间隔中且轨迹片段F_k属于第j个移动行为模式时，否则

利用动态贝叶斯网络对移动行为模式的转移进行建模，通过求解以下方程，得到任意时刻的转移概率，构成图中的边集合E:

其中d代表转移矩阵的第d行；

转移矩阵中的每一个元素代表结点中轨迹片段转移到结点中轨迹片段的概率；

L是总人数，L¹是每个人的轨迹片段数目；

λ是控制转移矩阵系数度的参数；

是权重系数：

其中h是高斯分布的方差。

使用动态贝叶斯网络从大规模轨迹数据中挖掘移动行为转移规律，解决了传统方法不能很好地分析大规模轨迹数据的问题。

本发明的有益效果：

本发明的人群移动规律的建模方法，可以在多个角度和尺度上分析轨迹数据，不仅提供了分析群体移动规律的移动行为模式转移图，同时还可以基于个人分析移动行为模式随时间的演化。

附图说明

图1为本发明的人群移动规律的建模方法的流程示意图。

具体实施方式

结合附图1，挖掘人群移动规律的建模方法，具体步骤如下：

1)对一个用户的轨迹R按照移动行为的动态变化进行划分，一条轨迹会被划分为多个轨迹片段：每一个轨迹片段描述了某种行为；

轨迹分割方法如下：

对一个用户的轨迹R＝{r₁,r₂,...,r_n},r_i＝(x_i,y_i,t_i)是一个有时间戳的位置记录。轨迹方法首先检测停留轨迹片段，其余属于移动轨迹片段。从第一个记录点向后扫描，当满足以下条件时一系列轨迹记录点构成停留轨迹片段给定时间阈值τ和距离阈值δ，第一个记录点到最后一个记录点的时间应当大于τ：第一个记录点到任意一个记录点的距离要小于δ； 是最长的序列：

2)在对轨迹片段聚类前，需要对轨迹片段集合进行自定义的特征抽取，获得一个用来刻画轨迹片段的特征向量F_i；

特征选择的方法如下：

对于轨迹片段提取以下8个特征构成10维特征向量：

2-1时间无关熵描述了在不同地点被观察到的概率：

其中P(j)是用户出现在地点j的概率，I_j是一个指示函数，当记录点出现在地点j时，否则l是轨迹片段中记录点的总数。

2-2类似于特征2-1，时间相关熵考虑到用户出现在地点j的概率与所停留的时间也有关：

2-3中心位置n是轨迹片段的地理中心经纬度坐标：

2-4回转半径描述了用户移动轨迹的范围大小：

2-5家庭位置是一个用户可能的家庭住址，通过用户在0:00am到6:00am的轨迹位置计算得到：

2-6活动半径是用户离家的平均距离：

其中dis(x,y)是x和y之间的欧式距离。

2-7平均速度是轨迹片段中用户移动的平均速度。

2-8活动距离是轨迹片段总体移动距离：

轨迹片段的特征向量F_i由上述8个特征组成：F_i＝(S^unc,S^tc,CL_x,CL_y,r_g,RL_x,CL_y,r_a,s_avg,m_a)。

3)利用K-means算法把所有用户的所有轨迹片段的特征向量进行聚类，把相似行为的轨迹片段组成一个移动行为模式，最终得到K_m个移动行为模式。通过计算每个轨迹片段和K_m个移动行为模式的相似性，得到描述轨迹片段属于各个移动行为模式概率的移动模式描述向量；

计算方法将轨迹片段用移动行为模式描述向量来表达：

通过对所有用户的所有轨迹片段的特征向量的K-means聚类，得到K_m个聚类移动行为模式及他们的聚类中心

对于每个轨迹片段，计算和K_m个移动行为模式的相似性，得到描述轨迹片段属于各个移动行为模式概率的移动模式描述向量 其中f(x)是一个高斯权重函数，c是中心，w是高斯核的宽度。

4)针对步骤3)中计算得到的移动行为模式和移动模式描述向量，可以采用一个移动行为模式转移图G＝(V,E)来刻画所有人的移动行为模式及其转移。移动行为模式转移图中的结点集合V是不同时间点上的移动行为模式，边集合E表示移动行为模式间转移的概率，通过动态贝叶斯网络计算得到转移概率；

构造移动行为模式转移图G＝(V,E)的方法：

移动行为模式转移图中的结点集合V是不同时间点上的移动行为模式，通过对轨迹片段的均匀重采样，可以得到在时间点t_i上属于第j个移动行为模式的轨迹片段的数目，作为结点的大小：

其中，是一个指示函数，当时间点t_i在轨迹片段F_k的时间间隔中且轨迹片段F_k属于第j个移动行为模式时，否则

利用动态贝叶斯网络对移动行为模式的转移进行建模，通过求解一下方程，得到任意时刻的转移概率，构成边集合E:

其中d代表转移矩阵的第d行，转移矩阵中的每一个元素代表结点中轨迹片段转移到结点中轨迹片段的概率，L是总人数，L¹是每个人的轨迹片段数目，λ是控制转移矩阵系数度的参数。是权重系数，当移动行为模式的转移发生的时间越靠近正在计算的时间t权重越高：

其中h是高斯分布的方差。

本实施例的人群移动规律的可视化方法，与传统轨迹数据研究方法相比具有两个主要优点：第一，首先使用聚类将轨迹抽象为数目较少易于理解的移动行为模式，然后使用动态贝叶斯网络从大规模轨迹数据中挖掘移动行为转移规律，解决了传统方法不能很好地分析大规模轨迹数据的问题。第二，本文所提出的方法可以在多个尺度上分析轨迹数据，不仅提供了分析群体移动规律的移动行为模式转移图，同时还可以基于个人分析移动行为模式随时间的演化。

Claims (3)

1.一种人群移动规律的建模方法，其特征在于，包括以下步骤：

(1)对每个用户的轨迹按照移动行为的动态变化进行划分，将轨迹划分为多个轨迹片段，每一个轨迹片段对应描述一种行为；

(2)对步骤(1)中得到的轨迹片段集合进行特征抽取，获得用来刻画轨迹片段的特征向量；

(3)将步骤(2)得到的所有用户的所有轨迹片段的特征向量进行聚类以将相似行为的轨迹片段组成一个移动行为模式；

步骤(3)中，将轨迹片段用移动行为模式描述向量来表达的具体步骤如下：

通过对所有用户的所有轨迹片段的特征向量的K-means聚类，得到K_m个聚类移动行为模式及他们的聚类中心

(4)计算每个轨迹片段和各移动行为模式的相似性，得到描述轨迹片段属于各个移动行为模式概率的移动模式描述向量；

步骤(4)中，计算每个轨迹片段和各移动行为模式的相似性，得到描述轨迹片段属于各个移动行为模式概率的移动模式描述向量的具体过程如下：

对于每个轨迹片段，计算和K_m个移动行为模式的相似性，得到描述轨迹片段的移动模式描述向量m(k)∝f(dis(F,FC_k)), 其中m(k)是m向量的第k个元素,dis是两个向量的距离，F是轨迹片段的特征向量，FC_k是第k个移动行为模式聚类中心的特征向量，f(x)是一个高斯权重函数，c是中心，w是高斯核的宽度，x是函数f(x)的自变量，代表dis(F,FC_k)的值；

(5)根据步骤(3)和步骤(4)计算得到的移动行为模式和移动模式描述向量，计算得到刻画所有人的移动行为模式及其转移的移动行为模式转移图，图中的结点集合是不同时间点上的移动行为模式，边集合是移动行为模式间转移的概率；

步骤(5)中：计算得到移动行为模式转移图的具体过程如下：

图中的结点集合V是不同时间点上的移动行为模式，通过对轨迹片段的均匀重采样，可以得到在时间点t_i上属于第j个移动行为模式的轨迹片段的数目，作为结点的大小：

其中，是一个指示函数，当时间点t_i在轨迹片段F_k的时间间隔中且轨迹片段F_k属于第j个移动行为模式时，否则

利用动态贝叶斯网络对移动行为模式的转移进行建模，通过求解以下方程，得到任意时刻的转移概率，构成图中的边集合E:

其中d代表转移矩阵的第d行；

转移矩阵中的每一个元素代表结点中轨迹片段转移到结点中轨迹片段的概率；

L是总人数，L^l是每个人的轨迹片段数目；

λ是控制转移矩阵系数度的参数；

是权重系数：

其中h是高斯分布的方差。

2.如权利要求1所述的人群移动规律的建模方法，其特征在于，步骤(1)中，将轨迹划分为多个轨迹片段的具体过程如下：

定义用户的轨迹R＝{r₁,r₂,...,r_n}，定义r_i＝(x_i,y_i,t_i)是带有时间戳的位置记录；

检测R＝{r₁,r₂,...,r_n}中的停留轨迹片段，检测方法如下：

从第一个记录点向后扫描，当满足以下条件时一系列轨迹记录点构成停留轨迹片段条件为：

给定时间阈值τ和距离阈值δ，第一个记录点的时间到最后一个记录点的时间应当大于τ：第一个记录点到任意一个记录点的距离要小于δ； 是最长的序列：

除了停留轨迹片段外其余属于移动轨迹片段。

3.如权利要求1所述的人群移动规律的建模方法，其特征在于，步骤(2)中，对于每个轨迹片段，提取以下特征中的至少一个，构成至少三维的特征向量；

特征1：时间无关熵，描述了在不同地点被观察到的概率，公式如下：

其中P(j)是用户出现在地点j的概率，I_j是一个指示函数，当记录点出现在地点j时，否则l是轨迹片段中记录点的总数；

特征2：时间相关熵，带有所停留的时间影响的用户出现在不同地点的概率，公式如下：

提取了记录点两端轨迹片段的平均时间作为当前记录点的停留时间

特征3：中心位置，是轨迹片段的地理中心经纬度坐标，公式如下：

特征4：回转半径，描述了用户移动轨迹的范围大小，公式如下：

特征5：家庭位置，是一个用户可能的家庭住址，通过用户在0:00am到6:00am的轨迹位置计算得到，公式如下：

特征6：活动半径，是用户离家的平均距离，公式如下：

其中dis(x,y)是x和y之间的欧式距离；

特征7：平均速度，是轨迹片段中用户移动的平均速度；

特征8：活动距离，是轨迹片段总体移动距离，公式如下：