CN106682239B - 一种基于运动特征关联的室内位置预测方法、装置及系统 - Google Patents

一种基于运动特征关联的室内位置预测方法、装置及系统 Download PDF

Info

Publication number
CN106682239B
CN106682239B CN201710065615.6A CN201710065615A CN106682239B CN 106682239 B CN106682239 B CN 106682239B CN 201710065615 A CN201710065615 A CN 201710065615A CN 106682239 B CN106682239 B CN 106682239B
Authority
CN
China
Prior art keywords
user
predicted
association
time point
motion state
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
Application number
CN201710065615.6A
Other languages
English (en)
Other versions
CN106682239A (zh
Inventor
邓中亮
张森杰
刘雯
林乐轩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN201710065615.6A priority Critical patent/CN106682239B/zh
Publication of CN106682239A publication Critical patent/CN106682239A/zh
Application granted granted Critical
Publication of CN106682239B publication Critical patent/CN106682239B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • H04W4/029—Location-based management or tracking services

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供了一种基于运动特征关联的室内位置预测方法、装置及系统，方法包括：建立以待预测用户为中心的圆域模型；比较圆域模型中的待预测用户的运动状态与关联用户的运动状态，获得第一关联用户、待预测用户与各个第一关联用户的第一相似度；利用用户运动状态历史数据中，第一时间点之前的第一预设时间段内，待预测用户与各个第一关联用户是否在同一圆域内的记录数值，获得待预测用户与各个第一关联用户的第二相似度；利用第一相似度、第二相似度，及用户运动状态历史数据中第一关联用户的运动状态历史数据中，与第一时间点对应的同一时间点之后的第二预设时间段内，各个第一关联用户的圆域的关系，获得待预测用户的预测的位置坐标。

Description

一种基于运动特征关联的室内位置预测方法、装置及系统
技术领域
本发明涉及位置服务领域，特别是涉及一种基于运动特征关联的室内位置预测方法、装置及系统。
背景技术
随着传感器技术和定位技术的发展，位置服务在人们的生活中占据着越来越重要的地位。相关研究指出，人类的流动性具有高度周期性和可预测性。对用户历史位置数据的挖掘，获取用户位置移动的规律性，预测用户未来时间的移动位置，能够提供基于预测位置的多种位置服务，如能够根据用户的运行轨迹提供精准的信息推送，尤其是商场、机场、车站等人流量较大的室内区域。比如在商场中对用户将要访问的商家的预测，以帮助商家提前推送商品信息及优惠信息等；或者针对人流量极大的区域如各种大型室内活动，提前预测用户路径并对可能经过的高密度人群地区提前发出警告，避免踩踏等事故发生等。
根据位置具有空间性和时间性这两大特性，位置预测的切入点一般分为基于时间序列的状态转移和基于空间区域的关联匹配。如现有的基于空间区域的关联匹配的RCH(Regularity and Conformity and employing Heterogeneous，关联匹配分析)模型，该模型首先通过一致性模块将用户的移动特征按照时间点划分，其次通过规律性模块来构建每个用户对位置区域的定期访问，获得用户对位置区域的访问次数，然后利用一致性模块找到对位置区域的访问次数相似的用户，最后将相似用户对位置区域的访问次数的规律性，如相似用户对位置区域A的访问频次最高，或者相似用户先访问位置区域A再访问位置区域B等，关联到目标用户的位置预测中，完成对目标用户的位置预测。该模型主要考虑用户在时间序列上的、跨越一定地理位置幅度的区域的转移概率情况，通过匹配历史访问区域，以及关联其他用户的历史访问区域对用户位置进行预测。该模型主要适用于室外区域转移的预测分析。
而室内位置预测具有以下特点：室内区域面积相对较小，要求室内定位精度较高。而且与室外位置预测不同，室内位置预测在考虑用户从一个区域会去哪些区域的同时，更关注用户具体的运动状态变化及用户位置变化的连续性，而使用现有的RCH模型的、通过跨越一定地理位置幅度的区域历史访问记录，来分析转移概率的方式，对室内位置预测的准确性较低。
发明内容
本发明实施例的目的在于提供一种基于运动特征关联的室内位置预测方法、装置及系统，能够提高室内位置预测的准确性。具体技术方案如下：
本发明实施例公开了一种基于运动特征关联的室内位置预测方法，包括：
获取并根据第一时间点待预测用户的位置坐标、预设的圆域半径及用户运动状态历史数据，建立以所述待预测用户为中心的圆域模型，所述圆域模型包括，用户运动状态历史数据中的待预测用户的运动状态、关联用户的运动状态，其中，所述关联用户为待预测用户的圆域内的其他用户；
比较所述圆域模型中的所述待预测用户的运动状态，与所述关联用户的运动状态，计算获得所述待预测用户与各个关联用户的运动状态的第一差值；
根据所述第一差值，获得满足判定条件的第一关联用户，并获得所述待预测用户与各个第一关联用户的第一相似度；
利用所述用户运动状态历史数据中，所述第一时间点之前的第一预设时间段内，所述待预测用户与各个第一关联用户是否在同一圆域内的记录数值，获得所述待预测用户与各个第一关联用户的第二相似度；
利用所述第一相似度、所述第二相似度，及所述用户运动状态历史数据中第一关联用户的运动状态历史数据中，与所述第一时间点对应的同一时间点之后的第二预设时间段内，各个第一关联用户的圆域的关系，获得待预测用户的预测的位置坐标。
可选的，所述获取并根据第一时间点待预测用户的位置坐标、预设的圆域半径及用户运动状态历史数据，建立以所述待预测用户为中心的圆域模型，包括：
根据所述第一时间点待预测用户的位置坐标、预设的含有位置坐标与网格关系的区域网格模型，获得待预测用户的网格编号；
在所述用户运动状态历史数据中，获取待预测用户的历史数据、与待预测用户同一网格编号的其他用户的历史数据；
根据以所述待预测用户的位置坐标为圆心、以所述预设的圆域半径为半径的待预测用户的圆域，在所述与待预测用户同一网格编号的其他用户的历史数据中，获取关联用户的历史数据，所述关联用户为所述待预测用户的圆域内的其他用户，所述历史数据包括位置坐标、转入速度、转出速度、转入角度、转出角度、获取位置坐标的时间点、网格编号；
根据所述待预测用户的历史数据及所述关联用户的历史数据，在所述待预测用户的圆域基础上，建立以所述待预测用户为中心的圆域模型。
可选的，所述根据所述待预测用户的历史数据及所述关联用户的历史数据，在所述待预测用户的圆域基础上，建立以所述待预测用户为中心的圆域模型，包括：
根据所述待预测用户的历史数据，获取待预测用户的运动状态，根据所述关联用户的历史数据，获取关联用户的运动状态；
根据所述待预测用户的运动状态、所述关联用户的运动状态及预设的圆域半径，建立以所述待预测用户为中心的圆域模型，为：
其中，所述为所述以所述待预测用户为中心的圆域模型，所述为所述待预测用户的运动状态，所述所述Uij为所述关联用户的运动状态的集合，所述Uij＝{P1j，P2j，……，Pkj}，所述Pkj为第k个关联用户的运动状态，所述k为关联用户数目，所述R为所述预设的圆域半径，所述xij,yij为所述第一时间点待预测用户的位置坐标，所述为所述转入速度，所述为所述转出速度，所述θ(in)为所述转入角度，所述θ(out)为所述转出角度，所述t为所述第一时间点，所述block为所述网格编号。
可选的，所述根据所述待预测用户的历史数据，获取待预测用户的运动状态，包括：
根据所述待预测用户的历史数据中，第一时间点的上一时间点之前的相邻时间点的位置坐标、第一时间点的上一时间点的位置坐标之间的距离，与两个相邻时间点之间的预设时间间隔的比值，获得待预测用户的转入速度，并获得转入速度的角度为转入角度，
根据所述待预测用户的历史数据中，第一时间点的位置坐标、所述第一时间点的上一时间点的位置坐标之间的距离，与所述预设时间间隔的比值，获得待预测用户的转出速度，并获得转出速度的角度为转出角度；
根据所述第一时间点待预测用户的位置坐标、待预测用户的转入速度、待预测用户的转出速度、待预测用户的转入角度、待预测用户的转出角度、第一时间点、待预测用户的网格编号，构成待预测用户的运动状态；
相应的，所述根据所述关联用户的历史数据，获取关联用户的运动状态，包括：
根据所述关联用户的历史数据中，第一时间点的上一时间点之前的相邻时间点的位置坐标、第一时间点的上一时间点的位置坐标之间的距离，与所述预设时间间隔的比值，获得关联用户的转入速度，并获得转入速度的角度为转入角度，
根据所述关联用户的历史数据中，第一时间点的位置坐标、第一时间点的上一时间点的位置坐标之间的距离，与所述预设时间间隔的比值，获得关联用户的转出速度，并获得转出速度的角度为转出角度；
根据第一时间点关联用户的位置坐标、关联用户的转入速度、关联用户的转出速度、关联用户的转入角度、关联用户的转出角度、第一时间点、关联用户的网格编号，构成关联用户的运动状态。
可选的，所述比较所述圆域模型中的所述待预测用户的运动状态，与所述关联用户的运动状态，计算获得所述待预测用户与各个关联用户的运动状态的第一差值，包括：
比较所述圆域模型中的所述待预测用户的运动状态，与所述关联用户的运动状态中的转入速度、转出速度、转入角度、转出角度，计算获得转入速度差值、转出速度差值、转入角度差值、转出角度差值；
根据所述转入速度差值、所述转出速度差值、所述转入角度差值、所述转出角度差值之和，计算获得所述待预测用户与各个关联用户的运动状态的第一差值。
可选的，所述根据所述第一差值，获得满足判定条件的第一关联用户，并获得所述待预测用户与各个第一关联用户的第一相似度，包括：
根据判定条件V1<Vth且V2<Vth，θ1<θth且θ2<θth，获得满足所述判定条件的第一差值对应的关联用户，作为所述待预测用户的第一关联用户，其中，所述V1为所述转入速度差值，所述V2为所述转出速度差值，所述Vth为预设的速度差值阈值，所述θ1为所述转入角度差值，所述θ2为所述转出角度差值，所述θth为预设的角度差值阈值；
将第一关联用户的第一差值中的最小值，与各个第一关联用户的第一差值的比值，作为各个第一关联用户对应的第一相似度。
可选的，所述利用所述用户运动状态历史数据中，所述第一时间点之前的第一预设时间段内，所述待预测用户与各个第一关联用户是否在同一圆域内的记录数值，获得所述待预测用户与各个第一关联用户的第二相似度，包括：
获取所述用户运动状态历史数据中，所述第一时间点之前的第一预设时间段内，所述待预测用户和各个第一关联用户是否在同一圆域内的记录数值，并利用预设的倒推权值，获得所述待预测用户和各个第一关联用户的第二相似度为：
其中，所述ωi为待预测用户和第i个第一关联用户的第二相似度，所述n为所述第一预设时间段，所述n大于30秒，所述It为所述用户运动状态历史数据中，所述第一时间点之前的第一预设时间段内的第t时间点，待预测用户与第i个第一关联用户是否在同一圆域的记录数值，其中，It的取值为待预测用户和第i个第一关联用户在同一圆域内的记录数值的第一数值，或者待预测用户和第i个第一关联用户未在同一圆域内的记录数值的第二数值，第一数值和第二数值不同，所述δt为所述预设的倒推权值。
本发明实施例还公开了一种基于运动特征关联的室内位置预测装置，包括：
圆域模型建立模块，用于获取并根据第一时间点待预测用户的位置坐标、预设的圆域半径及用户运动状态历史数据，建立以所述待预测用户为中心的圆域模型，所述圆域模型包括，用户运动状态历史数据中的待预测用户的运动状态、关联用户的运动状态，其中，所述关联用户为待预测用户的圆域内的其他用户；
运动状态比较模块，用于比较所述圆域模型中的所述待预测用户的运动状态，与所述关联用户的运动状态，计算获得所述待预测用户与各个关联用户的运动状态的第一差值；
第一相似度获取模块，用于根据所述第一差值，获得满足判定条件的第一关联用户，并获得所述待预测用户与各个第一关联用户的第一相似度；
第二相似度获取模块，用于利用所述用户运动状态历史数据中，所述第一时间点之前的第一预设时间段内，所述待预测用户与各个第一关联用户是否在同一圆域内的记录数值，获得所述待预测用户与各个第一关联用户的第二相似度；
位置坐标预测模块，用于利用所述第一相似度、所述第二相似度，及所述用户运动状态历史数据中第一关联用户的运动状态历史数据中，与所述第一时间点对应的同一时间点之后的第二预设时间段内，各个第一关联用户的圆域的关系，获得待预测用户的预测的位置坐标。
本发明实施例还公开了一种基于运动特征关联的室内位置预测系统，包括：
数据采集器，用于依据预设时间间隔，采集待预测用户的位置坐标；
处理器，用于获取并根据第一时间点待预测用户的位置坐标、预设的圆域半径及用户运动状态历史数据，建立以所述待预测用户为中心的圆域模型，所述圆域模型包括，用户运动状态历史数据中的待预测用户的运动状态、关联用户的运动状态，其中，所述关联用户为待预测用户的圆域内的其他用户；比较所述圆域模型中的所述待预测用户的运动状态，与所述关联用户的运动状态，计算获得所述待预测用户与各个关联用户的运动状态的第一差值；根据所述第一差值，获得满足判定条件的第一关联用户，并获得所述待预测用户与各个第一关联用户的第一相似度；利用所述用户运动状态历史数据中，所述第一时间点之前的第一预设时间段内，所述待预测用户与各个第一关联用户是否在同一圆域内的记录数值，获得所述待预测用户与各个第一关联用户的第二相似度；利用所述第一相似度、所述第二相似度，及所述用户运动状态历史数据中第一关联用户的运动状态历史数据中，与所述第一时间点对应的同一时间点之后的第二预设时间段内，各个第一关联用户的圆域的关系，获得待预测用户的预测的位置坐标。
本发明实施例提供的基于运动特征关联的室内位置预测方法、装置及系统，首先，获取并根据第一时间点待预测用户的位置坐标、预设的圆域半径及用户运动状态历史数据，建立以所述待预测用户为中心的圆域模型。其次，比较所述圆域模型中的所述待预测用户的运动状态，与所述关联用户的运动状态，计算获得所述待预测用户与各个关联用户的运动状态的第一差值。再次，根据所述第一差值，获得满足判定条件的第一关联用户，并获得所述待预测用户与各个第一关联用户的第一相似度。然后，利用所述用户运动状态历史数据中，所述第一时间点之前的第一预设时间段内，所述待预测用户与各个第一关联用户是否在同一圆域内的记录数值，获得所述待预测用户与各个第一关联用户的第二相似度。最后，利用所述第一相似度、所述第二相似度，及所述用户运动状态历史数据中第一关联用户的运动状态历史数据中，与所述第一时间点对应的同一时间点之后的第二预设时间段内，各个第一关联用户的圆域的关系，获得待预测用户的预测的位置坐标。
本发明实施例不仅考虑了时间序列上用户的位置转移情况，还加入了用户的运动状态的具体分析，由于运动状态中含有精确的位置坐标、速度、角度等信息，能够满足室内位置预测对短距离及高定位精度的要求，本发明实施例通过含有丰富、细致信息的运动状态，来获取待预测用户的相似用户，能够提高相似用户获取的准确性，之后本发明实施例通过用户运动状态历史数据中，第一时间点之前待预测用户与相似用户圆域的关联关系，及与所述第一时间点对应的同一时间点之后相似用户之间圆域的关联关系，获得待预测用户的预测的位置坐标。充分考量了待预测用户、相似用户之间的运动状态的关联性，因此本发明实施例能够提高室内位置预测的准确性。当然，实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的基于运动特征关联的室内位置预测方法的一种流程图；
图2为本发明实施例的基于运动特征关联的室内位置预测方法的另一种流程图；
图3为本发明实施例的基于运动特征关联的室内位置预测装置的一种结构图；
图4为本发明实施例的基于运动特征关联的室内位置预测系统的一种结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例公开了一种基于运动特征关联的室内位置预测方法、装置及系统，能够提高室内位置预测的准确性。
参见图1，图1为本发明实施例的基于运动特征关联的室内位置预测方法的一种流程图，包括如下步骤：
步骤101，获取并根据第一时间点待预测用户的位置坐标、预设的圆域半径及用户运动状态历史数据，建立以待预测用户为中心的圆域模型。
本发明实施例由处理器执行。处理器可以为计算机、具有计算功能的服务器、或设置在服务器中的软件等。
第一时间点待预测用户的位置坐标由数据采集器采集，并发送给处理器。数据采集器为能够进行数据采集的器件，如传感器等。
第一时间点可以为过去时间的任一时间点，也可以为当前时间点。
待预测用户为，需要进行位置坐标预测的用户。
位置坐标为用户的物理坐标，包括X、Y两个坐标分量。
预设的圆域半径为根据工业需求设置或人工设置的圆半径数值，如3米等。
用户运动状态历史数据为用户在过去时间的运动状态的数据，运动状态包括用户运动的位置变化、运动的快慢等，运动状态的数据包括位置坐标、速度等。
圆域模型为以待预测用户为中心，以预设的圆域半径为半径的，含有运动状态的数据的圆的模型。圆域模型包括，用户运动状态历史数据中的待预测用户的运动状态、关联用户的运动状态，其中，关联用户为待预测用户的圆域内的其他用户。需要说明的是，关联用户并不是在第一时间点实际存在于待预测用户圆域中的用户，而是在历史时间点中一个与第一时间点对应的同一时间点，存在于待预测用户圆域中的用户。例如，第一时间点为今天的中午11:00，建立该第一时间点的待预测用户A的圆域，该圆域中的关联用户，可能为昨天中午11:00出现于该圆域的其他用户B、C、D。
待预测用户的圆域中包含了关联用户的运动状态，由于关联用户与待预测用户距离较近，关联用户对待预测用户的位置预测具有较大的参考价值。如果待预测用户与一个关联用户之间的运动状态具有较大相似度，则两者的后续运动路径具有一致性的可能性也比较大。以上述示例说明，如果待预测用户A与关联用户B、C、D的运动状态相似度较高，如在一室内商场，他们在各个时间点到达的位置、行走的速度等相似度高，则有可能A与B、C、D的位置访问，如选择店铺的类型、及运动习惯，如行走速度等相似，则根据B、C、D后续的位置及运动情况，预测A未来的位置及运动情况是可行的。因此，本发明实施例将待预测用户的圆域中的关联用户，作为待预测用户的相似用户是合理且有效的。
步骤102，比较圆域模型中的待预测用户的运动状态，与关联用户的运动状态，计算获得待预测用户与各个关联用户的运动状态的第一差值。
第一差值为，待预测用户与待预测用户圆域内的各个关联用户的运动状态的差值。
通过比较待预测用户与关联用户的运动状态，获得运动状态的差值，能够以运动状态的差值为基础数据，在后续步骤获得待预测用户与关联用户的相似程度。
本发明实施例通过比较运动状态，衡量待预测用户与关联用户的相似程度，由于运动状态包含位置变化、速度等多个运动状态的数据，相比于现有技术仅通过位置转移情况，衡量待预测用户与关联用户的相似程度，本发明实施例更适合位置变化距离较小、运动状态多变的室内位置预测。
步骤103，根据第一差值，获得满足判定条件的第一关联用户，并获得待预测用户与各个第一关联用户的第一相似度。
判定条件为，预设的用于判断第一差值的条件，判定条件可以为第一差值和预设的阈值的比较关系，如第一差值小于预设的阈值等。
本发明实施例中，根据判定条件从所有第一差值中，筛选出多个第一差值对应的关联用户作为第一关联用户，第一关联用户作为待预测用户的相似用户，比关联用户作为待预测用户的相似用户，缩小了相似用户的范围。能够提高后续位置预测的效率和准确性。
根据待预测用户与各个第一关联用户的第一差值，获得待预测用户与各个第一关联用户的运动状态的相似程度，作为第一相似度。其中，根据待预测用户与各个第一关联用户的第一差值，获取第一相似度的方法包括多种方法，如直接将待预测用户与各个第一关联用户的第一差值作为第一相似度，或者将待预测用户与各个第一关联用户的第一差值与预设的数值相乘，作为第一相似度等。
步骤104，利用用户运动状态历史数据中，第一时间点之前的第一预设时间段内，待预测用户与各个第一关联用户是否在同一圆域内的记录数值，获得待预测用户与各个第一关联用户的第二相似度。
第一预设时间段为预设的时间段，如30秒、60秒等。
如果待预测用户与一个第一关联用户，在第一时间点之前的第一预设时间段内都处于同一个圆域，则第一时间点之后两者仍处于同一圆域的可能性也比较大。以上述示例说明，第一时间点为今天中午11:00的，待预测用户A的圆域模型中，关联用户B、C、D通过步骤102、步骤103，获得待预测用户A的第一关联用户为B、C。以第一预设时间段为60秒，查看用户运动状态历史数据中，B、C在昨天中午11:00之前的60秒内的位置坐标，是否在今天中午11:00之前的60秒内A对应的圆域中。如果B、C与A在11:00之前的60秒内在同一个圆域内，说明11:00之前的过去时间，B、C与A有相似的位置访问及运动习惯，那么11:00之后他们会有一致的位置访问及运动习惯的可能性也较大。因此，本发明实施例，通过第一时间点之前的第一预设时间段内，待预测用户与各个第一关联用户的圆域的关联情况，即圆域的重合、交叉等情况，获得待预测用户与各个第一关联用户的圆域的相似程度，作为第二相似度。
步骤105，利用第一相似度、第二相似度，及用户运动状态历史数据中第一关联用户的运动状态历史数据中，与第一时间点对应的同一时间点之后的第二预设时间段内，各个第一关联用户的圆域的关系，获得待预测用户的预测的位置坐标。
第二预设时间段为预设的时间段，如30秒、60秒等。
如果第一关联用户的运动状态历史数据中，多个第一关联用户在第一时间点对应的同一时间点之后具有一致性的运动路径，也就是在同一个圆域内，则很大程度上，是由该多个第一关联用户的具体圆域的时空特性导致了这种一致性，而在第一时间点与该多个第一关联用户在同一个圆域内的待预测用户也具有这种一致性的可能性会比较大。因此，通过历史数据中第一关联用户的运动状态历史数据中，与第一时间点对应的同一时间点之后的第二预设时间段内，各个第一关联用户的圆域的关系，获得待预测用户的预测的位置坐标是合理且有效的。以上述示例说明，要预测A在今天中午11:00之后的位置坐标，由于A的第一关联用户B、C与A在今天中午11:00、11:00之前都在同一个圆域，那么B、C的圆域与A的圆域的一致性及关联性较高，圆域后续变化的一致性也较高，因此利用B、C在昨天中午11:00之后的圆域的关联情况获得A的圆域的位置，是合理且有效的。
本发明实施例提供的基于运动特征关联的室内位置预测方法，建立以待预测用户为中心的圆域模型；比较圆域模型中的待预测用户的运动状态与关联用户的运动状态，获得第一关联用户、待预测用户与各个第一关联用户的第一相似度；利用用户运动状态历史数据中，第一时间点之前的第一预设时间段内，待预测用户与各个第一关联用户是否在同一圆域内的记录数值，获得待预测用户与各个第一关联用户的第二相似度；利用第一相似度、第二相似度，及用户运动状态历史数据中第一关联用户的运动状态历史数据中，与第一时间点对应的同一时间点之后的第二预设时间段内，各个第一关联用户的圆域的关系，获得待预测用户的预测的位置坐标。
本发明实施例不仅考虑了时间序列上用户的位置转移情况，还加入了用户的运动状态的具体分析，由于运动状态中含有精确的位置坐标、速度、角度等信息，能够满足室内位置预测对短距离及高定位精度的要求，本发明实施例通过含有丰富、细致信息的运动状态，来获取待预测用户的相似用户，能够提高相似用户获取的准确性，之后本发明实施例通过用户运动状态历史数据中，第一时间点之前待预测用户与相似用户圆域的关联关系，及与第一时间点对应的同一时间点之后相似用户之间圆域的关联关系，获得待预测用户的预测的位置坐标。充分考量了待预测用户、相似用户之间的运动状态的关联性，因此本发明实施例能够提高室内位置预测的准确性。
参见图2，图2为本发明实施例的基于运动特征关联的室内位置预测方法的另一种流程图，包括如下步骤：
步骤201，根据第一时间点待预测用户的位置坐标、预设的含有位置坐标与网格关系的区域网格模型，获得待预测用户的网格编号。
本发明实施例中，处理器以预设时间间隔，从数据采集器处，获取数据采集器采集的第一时间点待预测用户的位置坐标，及待预测用户的用户编号。预设时间间隔为预设的，两个相邻时间点之间的时间间隔，如2秒等。
本发明实施例中，预先将用户移动的平面区域划分为n*m的互相独立的网格，建立区域网格模型，区域网格模型中含有每个网格对应的网格编号，及网格的长度、宽度等。由于平面区域的长度、宽度已知，且网格划分的间隔距离已知，根据用户的位置坐标能够获取到用户所在网格的网格编号。本发明实施例将网格编号作为用户运动状态的基础数据。
步骤202，在用户运动状态历史数据中，获取待预测用户的历史数据、与待预测用户同一网格编号的其他用户的历史数据。
本发明实施例中，处理器储存每个时间点的用户运动状态数据，在储存的用户运动状态历史数据中，根据用户编号获取待预测用户的历史数据，根据待预测用户的网格编号获取，与待预测用户同一网格编号的其他用户的历史数据。使用与待预测用户同一网格编号的其他用户的历史数据，作为待预测用户的相似用户的搜索范围，能够避免在整个区域的所有用户中搜索相似用户，能够提高搜索效率，进而提高位置预测的效率。
步骤203，根据以待预测用户的位置坐标为圆心、以预设的圆域半径为半径的待预测用户的圆域，在与待预测用户同一网格编号的其他用户的历史数据中，获取关联用户的历史数据。
关联用户不再赘述，历史数据包括位置坐标、转入速度、转出速度、转入角度、转出角度、获取位置坐标的时间点、网格编号。
本发明实施例中，在作为相似用户的搜索范围的，与待预测用户同一网格编号的其他用户的历史数据中，获取该搜索范围中在待预测用户的圆域内的关联用户，将关联用户作为进一步的相似用户的搜索范围，缩小了相似用户的搜索范围，能够提高后续步骤的位置预测的效率和准确性。
步骤204，根据待预测用户的历史数据，获取待预测用户的运动状态，根据关联用户的历史数据，获取关联用户的运动状态。
根据待预测用户的历史数据中，第一时间点的上一时间点之前的相邻时间点的位置坐标、第一时间点的上一时间点的位置坐标之间的距离，与两个相邻时间点之间的预设时间间隔的比值，获得待预测用户的转入速度，并获得转入速度的角度为转入角度，根据待预测用户的历史数据中，第一时间点的位置坐标、第一时间点的上一时间点的位置坐标之间的距离，与预设时间间隔的比值，获得待预测用户的转出速度，并获得转出速度的角度为转出角度。
根据第一时间点待预测用户的位置坐标、待预测用户的转入速度、待预测用户的转出速度、待预测用户的转入角度、待预测用户的转出角度、第一时间点、待预测用户的网格编号，构成待预测用户的运动状态。
相应的，根据关联用户的历史数据中，第一时间点的上一时间点之前的相邻时间点的位置坐标、第一时间点的上一时间点的位置坐标之间的距离，与预设时间间隔的比值，获得关联用户的转入速度，并获得转入速度的角度为转入角度，根据关联用户的历史数据中，第一时间点的位置坐标、第一时间点的上一时间点的位置坐标之间的距离，与预设时间间隔的比值，获得关联用户的转出速度，并获得转出速度的角度为转出角度。
其中，转入角度为，计算转入速度的两个相邻时间点的位置坐标构成的矢量与水平轴的夹角，转出角度为，计算转出速度的两个相邻时间点的位置坐标构成的矢量与水平轴的夹角。
根据第一时间点关联用户的位置坐标、关联用户的转入速度、关联用户的转出速度、关联用户的转入角度、关联用户的转出角度、第一时间点、关联用户的网格编号，构成关联用户的运动状态。
步骤205，根据待预测用户的运动状态、关联用户的运动状态及预设的圆域半径，建立以待预测用户为中心的圆域模型。
以待预测用户为中心的圆域模型，为：
其中，为以待预测用户为中心的圆域模型，为待预测用户的运动状态，Uij为关联用户的运动状态的集合，Uij＝{P1j，P2j，……，Pkj}，Pkj为第k个关联用户的运动状态，k为关联用户数目，R为预设的圆域半径，xij,yij为第一时间点待预测用户的位置坐标，为转入速度，为转出速度，θ(in)为转入角度，θ(out)为转出角度，t为第一时间点，block为网格编号。
步骤206，比较圆域模型中的待预测用户的运动状态，与关联用户的运动状态中的转入速度、转出速度、转入角度、转出角度，计算获得转入速度差值、转出速度差值、转入角度差值、转出角度差值。
本发明实施例中，计算获得转入速度差值为V1，转出速度差值为V2，转入角度差值为θ1，转出角度差值为θ2。
步骤207，根据转入速度差值、转出速度差值、转入角度差值、转出角度差值之和，计算获得待预测用户与各个关联用户的运动状态的第一差值。
第一差值Pdiff为：
Pdiff＝V1+V2+θ1+θ2
步骤208，根据判定条件V1<Vth且V2<Vth，θ1<θth且θ2<θth，获得满足判定条件的第一差值对应的关联用户，作为待预测用户的第一关联用户。
其中，判定条件为：
V1<Vth且V2<Vth，θ1<θth且θ2<θth
Vth为预设的速度差值阈值，如1米/秒等，θth为预设的角度差值阈值，如90度等。
本发明实施例中，通过比较圆域模型中的待预测用户、关联用户的运动状态，利用运动状态的相似性，获取关联用户中的第一关联用户，作为待预测用户的相似用户的搜索范围，进一步缩小了相似用户的搜索范围，能够提高后续步骤的位置预测的效率。满足判定条件的第一关联用户用于后续步骤的FCT(feature circle transfer，特征圆转移)模型分度预测的评估。
步骤209，将第一关联用户的第一差值中的最小值，与各个第一关联用户的第一差值的比值，作为各个第一关联用户对应的第一相似度。
其中，λi为第i个第一关联用户对应的第一相似度，为第一关联用户的第一差值中的最小值，为待预测用户与第i个第一关联用户的第一差值。
步骤210，获取用户运动状态历史数据中，第一时间点之前的第一预设时间段内，待预测用户和各个第一关联用户是否在同一圆域内的记录数值，并利用预设的倒推权值，获得待预测用户和各个第一关联用户的第二相似度。
本发明实施例中，利用FCT模型的分度倒推，获取待预测用户和各个第一关联用户的第二相似度为：
其中，ωi为待预测用户和第i个第一关联用户的第二相似度，n为第一预设时间段，n大于30秒，It为用户运动状态历史数据中，第一时间点之前的第一预设时间段内的第t时间点，待预测用户与第i个第一关联用户是否在同一圆域的记录数值，其中，It的取值为待预测用户和第i个第一关联用户在同一圆域内的记录数值的第一数值，或者待预测用户和第i个第一关联用户未在同一圆域内的记录数值的第二数值，第一数值和第二数值不同，如第一数值为1、第二数值为0等，δt为预设的倒推权值，针对不同分度的倒推权值不同。
本发明实施例中，采用分度倒推获取待预测用户和各个第一关联用户的第二相似度。具体为，以30秒为一度，使用倒推一度+倒推二度获取待预测用户和各个第一关联用户的第二相似度，在倒推一度+倒推二度时，第一预设时间n＝60秒，δt分为第一时间点之前的0～30秒时的倒推一度权值，及第一时间点之前的30～60秒时的倒推二度权值，其中，倒推一度的权值大于倒推二度的权值，这是因为倒推一度内的时间点离第一时间点更接近，时效性更强，用于第一时间点之后的位置预测的可信度更高、位置预测的准确性更高。
需要说明的是，本发明实施例还可以根据情况采用倒推一度+倒推二度+倒推三度、倒推一度+倒推二度+倒推三度+倒推四度等获取待预测用户和各个第一关联用户的第二相似度。
步骤211，获取用户运动状态历史数据中第一关联用户的运动状态历史数据中，与第一时间点对应的同一时间点之后的第二预设时间段内，每个预设时间点，每个第一关联用户的圆域内的其余第一关联用户的数目，作为第一时间点数目，并将多个预设时间点的第一时间点数目累加，获得每个第一关联用户的关联用户计数。
FCT模型还包括了用户后续的圆域转移情况，如果待预测用户和多个第一关联用户的圆域一直处于互相包含的状态，则预测待预测用户的圆域，随着这些多个第一关联用户的圆域的转移的概率较大。本发明实施例利用第一关联用户的运动状态历史数据中，与第一时间点对应的同一时间点之后的第二预设时间段内各个第一关联用户的圆域的关系，获得待预测用户的预测的位置坐标。
以前文的示例举例说明，将第二预设时间段取值为30秒，以10秒为间隔设置3个预设时间点，在用户运动状态历史数据中第一关联用户B、C的运动状态历史数据中，与第一时间点为今天中午11:00对应的同一时间点，即昨天中午11:00之后的30秒内，首先，在昨天中午11:00之后第10秒时，查找第一关联用户B的圆域内其余第一关联用户的数目，作为10秒时的第一时间点数目，其次，在昨天中午11:00之后第20秒时，查找第一关联用户B的圆域内其余第一关联用户的数目，作为20秒时的第一时间点数目，然后，在昨天中午11:00之后第30秒时，查找第一关联用户B的圆域内其余第一关联用户的数目，作为30秒时的第一时间点数目，最后将10秒时的第一时间点数目、20秒时的第一时间点数目、30秒时的第一时间点数目相加，作为第一关联用户B的关联用户计数。
同理，可以获得第一关联用户C的关联用户计数，如果有更多的第一关联用户，可以获得每个第一关联用户的关联用户计数，如第一关联用户E、F、G等。
步骤212，根据每个第一关联用户的关联用户计数、第一相似度及第二相似度，根据概率公式，获取待预测用户进入到每个第一关联用户的圆域的概率。
概率公式为：
其中，PMi为待预测用户进入到第i个第一关联用户的圆域的概率，λi为待预测用户与第i个第一关联用户的第一相似度，ωi为待预测用户与第i个第一关联用户的第二相似度，hti为第一关联用户的历史数据中，与第一时间点对应的同一时间点之后的第二预设时间段内，第i个第一关联用户的关联用户计数，L为第一关联用户的数目，t为第一关联用户的历史数据中，与第一时间点对应的同一时间点之后的第二预设时间段内，不同的预设时间点，如t＝1为在第一时间点对应的同一时间点之后第10秒、t＝2为在第一时间点对应的同一时间点之后第20秒等。T为预设时间点的数目，如T＝3，为所有第一关联用户的关联用户计数之和。
步骤213，判断概率的数目是否大于预设数量个，若是，则将多个概率进行由大至小排序，获取排序在前的预设数量个概率对应的，第一关联用户的位置坐标的平均值，作为待预测用户的预测的位置坐标；若否，则获取所有概率对应的，第一关联用户的位置坐标的平均值，作为待预测用户的预测的位置坐标。
预设数量为根据工业需求设置或者人为设置的数值，如5等。
其中，获取所有概率对应的，第一关联用户的位置坐标的平均值，作为待预测用户的预测的位置坐标具体为：计算多个位置坐标的坐标分量X的平均值，作为待预测用户的预测的位置坐标X分量值、计算多个位置坐标的坐标分量Y的平均值，作为待预测用户的预测的位置坐标Y分量值。
可见，本发明实施例提供的基于运动特征关联的室内位置预测方法。建立以待预测用户为中心的圆域模型。比较圆域模型中的，待预测用户与关联用户的运动状态的转入速度、转出速度、转入角度、转出角度，获得第一关联用户、待预测用户与各个第一关联用户的第一相似度。利用用户运动状态历史数据中，第一时间点之前的第一预设时间段内，待预测用户与各个第一关联用户是否在同一圆域内的记录数值，利用分度倒推，获得待预测用户与各个第一关联用户的第二相似度。获取用户运动状态历史数据中第一关联用户的运动状态历史数据中，与第一时间点对应的同一时间点之后的第二预设时间段内，每个预设时间点，每个第一关联用户的圆域内的其余第一关联用户的第一时间点数目，并累积多个预设时间点的第一时间点数目获得每个第一关联用户的关联用户计数，利用第一相似度、第二相似度，及关联用户计数，根据概率公式获取待预测用户进入到每个第一关联用户的圆域的概率，获取高概率的第一关联用户的位置坐标的平均值，或者所有概率的第一关联用户的位置坐标的平均值，作为待预测用户的预测的位置坐标。
本发明实施例不仅考虑了时间序列上用户的位置转移情况，还加入了用户的运动状态的具体分析，由于运动状态中含有精确的位置坐标、速度、角度等信息，能够满足室内位置预测对短距离及定位精度的要求，本发明实施例通过含有丰富、细致信息的运动状态，判定条件来获取待预测用户对应的第一关联用户作为与待预测用户的相似用户，本发明实施例能够提高相似用户获取的准确性，之后本发明实施例通过用户运动状态历史数据中，第一时间点之前待预测用户与相似用户圆域的关联关系，及与第一时间点对应的同一时间点之后相似用户之间圆域的关联关系，获得待预测用户的预测的位置坐标。充分考量了待预测用户、相似用户之间的运动状态的关联性，因此本发明实施例能够提高室内位置预测的准确性。
参见图3，图3为本发明实施例的基于运动特征关联的室内位置预测装置的一种结构图，包括：
圆域模型建立模块301，用于获取并根据第一时间点待预测用户的位置坐标、预设的圆域半径及用户运动状态历史数据，建立以待预测用户为中心的圆域模型，圆域模型包括，用户运动状态历史数据中的待预测用户的运动状态、关联用户的运动状态，其中，关联用户为待预测用户的圆域内的其他用户。
运动状态比较模块302，用于比较圆域模型中的待预测用户的运动状态，与关联用户的运动状态，计算获得待预测用户与各个关联用户的运动状态的第一差值。
第一相似度获取模块303，用于根据第一差值，获得满足判定条件的第一关联用户，并获得待预测用户与各个第一关联用户的第一相似度。
第二相似度获取模块304，用于利用用户运动状态历史数据中，第一时间点之前的第一预设时间段内，待预测用户与各个第一关联用户是否在同一圆域内的记录数值，获得待预测用户与各个第一关联用户的第二相似度。
位置坐标预测模块305，用于利用第一相似度、第二相似度，及用户运动状态历史数据中第一关联用户的运动状态历史数据中，与第一时间点对应的同一时间点之后的第二预设时间段内，各个第一关联用户的圆域的关系，获得待预测用户的预测的位置坐标。
本发明实施例提供的基于运动特征关联的室内位置预测装置，建立以待预测用户为中心的圆域模型。比较圆域模型中的待预测用户的运动状态与关联用户的运动状态，获得第一关联用户、待预测用户与各个第一关联用户的第一相似度。利用用户运动状态历史数据中，第一时间点之前的第一预设时间段内，待预测用户与各个第一关联用户是否在同一圆域内的记录数值，获得待预测用户与各个第一关联用户的第二相似度。利用第一相似度、第二相似度，及用户运动状态历史数据中第一关联用户的运动状态历史数据中，与第一时间点对应的同一时间点之后的第二预设时间段内，各个第一关联用户的圆域的关系，获得待预测用户的预测的位置坐标。
本发明实施例不仅考虑了时间序列上用户的位置转移情况，还加入了用户的运动状态的具体分析，由于运动状态中含有精确的位置坐标、速度、角度等信息，能够满足室内位置预测对短距离及高定位精度的要求，本发明实施例通过含有丰富、细致信息的运动状态，来获取待预测用户的相似用户，能够提高相似用户获取的准确性，之后本发明实施例通过用户运动状态历史数据中，第一时间点之前待预测用户与相似用户圆域的关联关系，及与第一时间点对应的同一时间点之后相似用户之间圆域的关联关系，获得待预测用户的预测的位置坐标。充分考量了待预测用户、相似用户之间的运动状态的关联性，因此本发明实施例能够提高室内位置预测的准确性。
需要说明的是，本发明实施例的装置是应用上述基于运动特征关联的室内位置预测方法的装置，则上述应用基于运动特征关联的室内位置预测方法的所有实施例均适用于该装置，且均能达到相同或相似的有益效果。
在图3的基础上，作为一种优选的实施例，本发明实施例的基于运动特征关联的室内位置预测装置包括：
本发明实施例中，圆域模型建立模块301，包括：
网格编号获取子模块，用于根据第一时间点待预测用户的位置坐标、预设的含有位置坐标与网格关系的区域网格模型，获得待预测用户的网格编号。
第一历史数据获取子模块，用于在用户运动状态历史数据中，获取待预测用户的历史数据、与待预测用户同一网格编号的其他用户的历史数据。
第二历史数据获取子模块，用于根据以待预测用户的位置坐标为圆心、以预设的圆域半径为半径的待预测用户的圆域，在与待预测用户同一网格编号的其他用户的历史数据中，获取关联用户的历史数据，关联用户为待预测用户的圆域内的其他用户，历史数据包括位置坐标、转入速度、转出速度、转入角度、转出角度、获取位置坐标的时间点、网格编号。
圆域模型建立子模块，用于根据待预测用户的历史数据及关联用户的历史数据，在待预测用户的圆域基础上，建立以待预测用户为中心的圆域模型。
本发明实施例中，圆域模型建立子模块，包括：
运动状态获取单元，用于根据待预测用户的历史数据，获取待预测用户的运动状态，根据关联用户的历史数据，获取关联用户的运动状态。
圆域模型建立单元，用于根据待预测用户的运动状态、关联用户的运动状态及预设的圆域半径，建立以待预测用户为中心的圆域模型，为：
其中，为以待预测用户为中心的圆域模型，为待预测用户的运动状态，Uij为关联用户的运动状态的集合，Uij＝{P1j，P2j，……，Pkj}，Pkj为第k个关联用户的运动状态，k为关联用户数目，R为预设的圆域半径，xij,yij为第一时间点待预测用户的位置坐标，为转入速度，为转出速度，θ(in)为转入角度，θ(out)为转出角度，t为第一时间点，block为网格编号。
本发明实施例中，运动状态获取单元具体用于：
根据待预测用户的历史数据中，第一时间点的上一时间点之前的相邻时间点的位置坐标、第一时间点的上一时间点的位置坐标之间的距离，与两个相邻时间点之间的预设时间间隔的比值，获得待预测用户的转入速度，并获得转入速度的角度为转入角度，根据待预测用户的历史数据中，第一时间点的位置坐标、第一时间点的上一时间点的位置坐标之间的距离，与预设时间间隔的比值，获得待预测用户的转出速度，并获得转出速度的角度为转出角度。
根据第一时间点待预测用户的位置坐标、待预测用户的转入速度、待预测用户的转出速度、待预测用户的转入角度、待预测用户的转出角度、第一时间点、待预测用户的网格编号，构成待预测用户的运动状态。
本发明实施例中，相应的，运动状态获取单元具体用于：
根据关联用户的历史数据中，第一时间点的上一时间点之前的相邻时间点的位置坐标、第一时间点的上一时间点的位置坐标之间的距离，与预设时间间隔的比值，获得关联用户的转入速度，并获得转入速度的角度为转入角度，根据关联用户的历史数据中，第一时间点的位置坐标、第一时间点的上一时间点的位置坐标之间的距离，与预设时间间隔的比值，获得关联用户的转出速度，并获得转出速度的角度为转出角度。
根据第一时间点关联用户的位置坐标、关联用户的转入速度、关联用户的转出速度、关联用户的转入角度、关联用户的转出角度、第一时间点、关联用户的网格编号，构成关联用户的运动状态。
本发明实施例中，运动状态比较模块，包括：
差值计算子模块，用于比较圆域模型中的待预测用户的运动状态，与关联用户的运动状态中的转入速度、转出速度、转入角度、转出角度，计算获得转入速度差值、转出速度差值、转入角度差值、转出角度差值；
第一差值获取子模块，用于根据转入速度差值、转出速度差值、转入角度差值、转出角度差值之和，计算获得待预测用户与各个关联用户的运动状态的第一差值。
本发明实施例中，第一相似度获取模块，包括：
第一关联用户获取子模块，用于根据判定条件V1<Vth且V2<Vth，θ1<θth且θ2<θth，获得满足判定条件的第一差值对应的关联用户，作为待预测用户的第一关联用户，其中，V1为转入速度差值，V2为转出速度差值，Vth为预设的速度差值阈值，θ1为转入角度差值，θ2为转出角度差值，θth为预设的角度差值阈值。
第一相似度获取子模块，用于将第一关联用户的第一差值中的最小值，与各个第一关联用户的第一差值的比值，作为各个第一关联用户对应的第一相似度。
本发明实施例中，第二相似度获取模块，具体用于：
获取用户运动状态历史数据中，第一时间点之前的第一预设时间段内，待预测用户和各个第一关联用户是否在同一圆域内的记录数值，并利用预设的倒推权值，获得待预测用户和各个第一关联用户的第二相似度为：
其中，ωi为待预测用户和第i个第一关联用户的第二相似度，n为第一预设时间段，n大于30秒，It为用户运动状态历史数据中，第一时间点之前的第一预设时间段内的第t时间点，待预测用户与第i个第一关联用户是否在同一圆域的记录数值，其中，It的取值为待预测用户和第i个第一关联用户在同一圆域内的记录数值的第一数值，或者待预测用户和第i个第一关联用户未在同一圆域内的记录数值的第二数值，第一数值和第二数值不同，δt为预设的倒推权值。
本发明实施例中，位置坐标预测模块，包括：
关联用户计数获取子模块，用于获取用户运动状态历史数据中第一关联用户的运动状态历史数据中，与第一时间点对应的同一时间点之后的第二预设时间段内，每个预设时间点，每个第一关联用户的圆域内的其余第一关联用户的数目，作为第一时间点数目，并将多个预设时间点的第一时间点数目累加，获得每个第一关联用户的关联用户计数。
概率计算子模块，用于根据每个第一关联用户的关联用户计数、第一相似度及第二相似度，根据概率公式，获取待预测用户进入到每个第一关联用户的圆域的概率。
位置坐标获取子模块，用于判断概率的数目是否大于预设数量个，若是，则将多个概率进行由大至小排序，获取排序在前的预设数量个概率对应的，第一关联用户的位置坐标的平均值，作为待预测用户的预测的位置坐标；若否，则获取所有概率对应的，第一关联用户的位置坐标的平均值，作为待预测用户的预测的位置坐标。
其中，PMi为待预测用户进入到第i个第一关联用户的圆域的概率，λi为待预测用户与第i个第一关联用户的第一相似度，ωi为待预测用户与第i个第一关联用户的第二相似度，hti为第一关联用户的历史数据中，与第一时间点对应的同一时间点之后的第二预设时间段内，第i个第一关联用户的关联用户计数，L为第一关联用户的数目，t为第一关联用户的历史数据中，与第一时间点对应的同一时间点之后的第二预设时间段内，不同的预设时间点，T为预设时间点的数目。
可见，本发明实施例提供的基于运动特征关联的室内位置预测装置，建立以待预测用户为中心的圆域模型。比较圆域模型中的，待预测用户与关联用户的运动状态的转入速度、转出速度、转入角度、转出角度，获得第一关联用户、待预测用户与各个第一关联用户的第一相似度。利用用户运动状态历史数据中，第一时间点之前的第一预设时间段内，待预测用户与各个第一关联用户是否在同一圆域内的记录数值，利用分度倒推，获得待预测用户与各个第一关联用户的第二相似度。获取用户运动状态历史数据中第一关联用户的运动状态历史数据中，与第一时间点对应的同一时间点之后的第二预设时间段内，每个预设时间点，每个第一关联用户的圆域内的其余第一关联用户的第一时间点数目，并累积多个预设时间点的第一时间点数目获得每个第一关联用户的关联用户计数，利用第一相似度、第二相似度，及关联用户计数，根据概率公式获取待预测用户进入到每个第一关联用户的圆域的概率，获取高概率的第一关联用户的位置坐标的平均值，或者所有概率的第一关联用户的位置坐标的平均值，作为待预测用户的预测的位置坐标。
本发明实施例不仅考虑了时间序列上用户的位置转移情况，还加入了用户的运动状态的具体分析，由于运动状态中含有精确的位置坐标、速度、角度等信息，能够满足室内位置预测对短距离及定位精度的要求，本发明实施例通过含有丰富、细致信息的运动状态，判定条件来获取待预测用户对应的第一关联用户作为与待预测用户的相似用户，本发明实施例能够提高相似用户获取的准确性，之后本发明实施例通过用户运动状态历史数据中，第一时间点之前待预测用户与相似用户圆域的关联关系，及与第一时间点对应的同一时间点之后相似用户之间圆域的关联关系，获得待预测用户的预测的位置坐标。充分考量了待预测用户、相似用户之间的运动状态的关联性，因此本发明实施例能够提高室内位置预测的准确性。
参见图4，图4为本发明实施例的基于运动特征关联的室内位置预测系统的一种结构图，包括：
数据采集器，用于依据预设时间间隔，采集待预测用户的位置坐标。
数据采集器为能够进行数据采集的器件，如传感器等。本发明实施例中，采用定位精度较高的传感器，定位精度能够达到米级甚至亚米级。使用高定位精度的传感器有利于获取精确的位置坐标，能够提高室内位置预测的准确性。
处理器，用于获取并根据第一时间点待预测用户的位置坐标、预设的圆域半径及用户运动状态历史数据，建立以待预测用户为中心的圆域模型，圆域模型包括，用户运动状态历史数据中的待预测用户的运动状态、关联用户的运动状态，其中，关联用户为待预测用户的圆域内的其他用户；比较圆域模型中的待预测用户的运动状态，与关联用户的运动状态，计算获得待预测用户与各个关联用户的运动状态的第一差值；根据第一差值，获得满足判定条件的第一关联用户，并获得待预测用户与各个第一关联用户的第一相似度；利用用户运动状态历史数据中，第一时间点之前的第一预设时间段内，待预测用户与各个第一关联用户是否在同一圆域内的记录数值，获得待预测用户与各个第一关联用户的第二相似度；利用第一相似度、第二相似度，及用户运动状态历史数据中第一关联用户的运动状态历史数据中，与第一时间点对应的同一时间点之后的第二预设时间段内，各个第一关联用户的圆域的关系，获得待预测用户的预测的位置坐标。
可见，本发明实施例提供的基于运动特征关联的室内位置预测系统，由数据采集器依据预设时间间隔，采集待预测用户的位置坐标，发送给处理器。处理器建立以待预测用户为中心的圆域模型。比较圆域模型中的待预测用户的运动状态与关联用户的运动状态，获得第一关联用户、待预测用户与各个第一关联用户的第一相似度。利用用户运动状态历史数据中，第一时间点之前的第一预设时间段内，待预测用户与各个第一关联用户是否在同一圆域内的记录数值，获得待预测用户与各个第一关联用户的第二相似度。利用第一相似度、第二相似度，及用户运动状态历史数据中第一关联用户的运动状态历史数据中，与第一时间点对应的同一时间点之后的第二预设时间段内，各个第一关联用户的圆域的关系，获得待预测用户的预测的位置坐标。
本发明实施例不仅考虑了时间序列上用户的位置转移情况，还加入了用户的运动状态的具体分析，由于运动状态中含有精确的位置坐标、速度、角度等信息，能够满足室内位置预测对短距离及定位精度的要求，本发明实施例通过含有丰富、细致信息的运动状态，来获取待预测用户对应的关联用户作为与待预测用户的相似用户，本发明实施例能够提高相似用户获取的准确性，之后本发明实施例通过用户运动状态历史数据中，第一时间点之前待预测用户与相似用户圆域的关联关系，及与第一时间点对应的同一时间点之后相似用户之间圆域的关联关系，获得待预测用户的预测的位置坐标。充分考量了待预测用户、相似用户之间的运动状态的关联性，因此本发明实施例能够提高室内位置预测的准确性。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种基于运动特征关联的室内位置预测方法，其特征在于，包括：
获取并根据第一时间点待预测用户的位置坐标、预设的圆域半径及用户运动状态历史数据，建立以所述待预测用户为中心的圆域模型，所述圆域模型包括，用户运动状态历史数据中的待预测用户的运动状态、关联用户的运动状态，其中，所述关联用户为待预测用户的圆域内的其他用户，所述运动状态历史数据包括位置坐标、转入速度、转出速度、转入角度、转出角度、获取位置坐标的时间点、网格编号；
比较所述圆域模型中的所述待预测用户的运动状态，与所述关联用户的运动状态，计算获得所述待预测用户与各个关联用户的运动状态的第一差值；
根据所述第一差值，获得满足判定条件的第一关联用户，并获得所述待预测用户与各个第一关联用户的第一相似度；
利用所述用户运动状态历史数据中，所述第一时间点之前的第一预设时间段内，所述待预测用户与各个第一关联用户是否在同一圆域内的记录数值，获得所述待预测用户与各个第一关联用户的第二相似度；
利用所述第一相似度、所述第二相似度，及所述用户运动状态历史数据中第一关联用户的运动状态历史数据中，与所述第一时间点对应的同一时间点之后的第二预设时间段内，各个第一关联用户的圆域的关系，获得待预测用户的预测的位置坐标。
2.根据权利要求1所述的方法，其特征在于，所述获取并根据第一时间点待预测用户的位置坐标、预设的圆域半径及用户运动状态历史数据，建立以所述待预测用户为中心的圆域模型，包括：
根据所述第一时间点待预测用户的位置坐标、预设的含有位置坐标与网格关系的区域网格模型，获得待预测用户的网格编号；
在所述用户运动状态历史数据中，获取待预测用户的历史数据、与待预测用户同一网格编号的其他用户的历史数据；
根据以所述待预测用户的位置坐标为圆心、以所述预设的圆域半径为半径的待预测用户的圆域，在所述与待预测用户同一网格编号的其他用户的历史数据中，获取关联用户的历史数据，所述关联用户为所述待预测用户的圆域内的其他用户；
根据所述待预测用户的历史数据及所述关联用户的历史数据，在所述待预测用户的圆域基础上，建立以所述待预测用户为中心的圆域模型。
3.根据权利要求2所述的方法，其特征在于，所述根据所述待预测用户的历史数据及所述关联用户的历史数据，在所述待预测用户的圆域基础上，建立以所述待预测用户为中心的圆域模型，包括：
根据所述待预测用户的历史数据，获取待预测用户的运动状态，根据所述关联用户的历史数据，获取关联用户的运动状态；
根据所述待预测用户的运动状态、所述关联用户的运动状态及预设的圆域半径，建立以所述待预测用户为中心的圆域模型，为：
其中，所述为所述以所述待预测用户为中心的圆域模型，所述为所述待预测用户的运动状态，所述所述Uij为所述关联用户的运动状态的集合，所述Uij＝{P1j，P2j，……，Pkj}，所述Pkj为第k个关联用户的运动状态，所述k为关联用户数目，所述R为所述预设的圆域半径，所述xij,yij为所述第一时间点待预测用户的位置坐标，所述为所述转入速度，所述为所述转出速度，所述θ(in)为所述转入角度，所述θ(out)为所述转出角度，所述t为所述第一时间点，所述block为所述网格编号。
4.根据权利要求3所述的方法，其特征在于，所述根据所述待预测用户的历史数据，获取待预测用户的运动状态，包括：
根据所述待预测用户的历史数据中，第一时间点的上一时间点之前的相邻时间点的位置坐标、第一时间点的上一时间点的位置坐标之间的距离，与两个相邻时间点之间的预设时间间隔的比值，获得待预测用户的转入速度，并获得转入速度的角度为转入角度，
根据所述待预测用户的历史数据中，第一时间点的位置坐标、所述第一时间点的上一时间点的位置坐标之间的距离，与所述预设时间间隔的比值，获得待预测用户的转出速度，并获得转出速度的角度为转出角度；
根据所述第一时间点待预测用户的位置坐标、待预测用户的转入速度、待预测用户的转出速度、待预测用户的转入角度、待预测用户的转出角度、第一时间点、待预测用户的网格编号，构成待预测用户的运动状态；
相应的，所述根据所述关联用户的历史数据，获取关联用户的运动状态，包括：
根据所述关联用户的历史数据中，第一时间点的上一时间点之前的相邻时间点的位置坐标、第一时间点的上一时间点的位置坐标之间的距离，与所述预设时间间隔的比值，获得关联用户的转入速度，并获得转入速度的角度为转入角度，
根据所述关联用户的历史数据中，第一时间点的位置坐标、第一时间点的上一时间点的位置坐标之间的距离，与所述预设时间间隔的比值，获得关联用户的转出速度，并获得转出速度的角度为转出角度；
根据第一时间点关联用户的位置坐标、关联用户的转入速度、关联用户的转出速度、关联用户的转入角度、关联用户的转出角度、第一时间点、关联用户的网格编号，构成关联用户的运动状态。
5.根据权利要求1所述的方法，其特征在于，所述比较所述圆域模型中的所述待预测用户的运动状态，与所述关联用户的运动状态，计算获得所述待预测用户与各个关联用户的运动状态的第一差值，包括：
比较所述圆域模型中的所述待预测用户的运动状态，与所述关联用户的运动状态中的转入速度、转出速度、转入角度、转出角度，计算获得转入速度差值、转出速度差值、转入角度差值、转出角度差值；
根据所述转入速度差值、所述转出速度差值、所述转入角度差值、所述转出角度差值之和，计算获得所述待预测用户与各个关联用户的运动状态的第一差值。
6.根据权利要求5所述的方法，其特征在于，所述根据所述第一差值，获得满足判定条件的第一关联用户，并获得所述待预测用户与各个第一关联用户的第一相似度，包括：
根据判定条件V1<Vth且V2<Vth，θ1<θth且θ2<θth，获得满足所述判定条件的第一差值对应的关联用户，作为所述待预测用户的第一关联用户，其中，所述V1为所述转入速度差值，所述V2为所述转出速度差值，所述Vth为预设的速度差值阈值，所述θ1为所述转入角度差值，所述θ2为所述转出角度差值，所述θth为预设的角度差值阈值；
将第一关联用户的第一差值中的最小值，与各个第一关联用户的第一差值的比值，作为各个第一关联用户对应的第一相似度。
7.根据权利要求1所述的方法，其特征在于，所述利用所述用户运动状态历史数据中，所述第一时间点之前的第一预设时间段内，所述待预测用户与各个第一关联用户是否在同一圆域内的记录数值，获得所述待预测用户与各个第一关联用户的第二相似度，包括：
获取所述用户运动状态历史数据中，所述第一时间点之前的第一预设时间段内，所述待预测用户和各个第一关联用户是否在同一圆域内的记录数值，并利用预设的倒推权值，获得所述待预测用户和各个第一关联用户的第二相似度为：
其中，所述ωi为待预测用户和第i个第一关联用户的第二相似度，所述n为所述第一预设时间段，所述n大于30秒，所述It为所述用户运动状态历史数据中，所述第一时间点之前的第一预设时间段内的第t时间点，待预测用户与第i个第一关联用户是否在同一圆域的记录数值，其中，It的取值为待预测用户和第i个第一关联用户在同一圆域内的记录数值的第一数值，或者待预测用户和第i个第一关联用户未在同一圆域内的记录数值的第二数值，第一数值和第二数值不同，所述δt为所述预设的倒推权值。
8.根据权利要求1所述的方法，其特征在于，所述利用所述第一相似度、所述第二相似度，及所述用户运动状态历史数据中第一关联用户的运动状态历史数据中，与所述第一时间点对应的同一时间点之后的第二预设时间段内，各个第一关联用户的圆域的关系，获得待预测用户的预测的位置坐标，包括：
获取所述用户运动状态历史数据中第一关联用户的运动状态历史数据中，与所述第一时间点对应的同一时间点之后的第二预设时间段内，每个预设时间点，每个第一关联用户的圆域内的其余第一关联用户的数目，作为第一时间点数目，并将多个预设时间点的所述第一时间点数目累加，获得每个第一关联用户的关联用户计数；
根据每个第一关联用户的关联用户计数、所述第一相似度及所述第二相似度，根据概率公式，获取待预测用户进入到每个第一关联用户的圆域的概率；
判断所述概率的数目是否大于预设数量个，若是，则将多个所述概率进行由大至小排序，获取排序在前的预设数量个概率对应的，第一关联用户的位置坐标的平均值，作为待预测用户的预测的位置坐标；若否，则获取所有概率对应的，第一关联用户的位置坐标的平均值，作为待预测用户的预测的位置坐标；
其中，所述PMi为待预测用户进入到第i个第一关联用户的圆域的概率，所述λi为待预测用户与第i个第一关联用户的第一相似度，所述ωi为待预测用户与第i个第一关联用户的第二相似度，所述hti为所述第一关联用户的历史数据中，与所述第一时间点对应的同一时间点之后的第二预设时间段内，第i个第一关联用户的关联用户计数，所述L为第一关联用户的数目，所述t为所述第一关联用户的历史数据中，与所述第一时间点对应的同一时间点之后的第二预设时间段内，不同的预设时间点，所述T为预设时间点的数目。
9.一种基于运动特征关联的室内位置预测装置，其特征在于，包括：
圆域模型建立模块，用于获取并根据第一时间点待预测用户的位置坐标、预设的圆域半径及用户运动状态历史数据，建立以所述待预测用户为中心的圆域模型，所述圆域模型包括，用户运动状态历史数据中的待预测用户的运动状态、关联用户的运动状态，其中，所述关联用户为待预测用户的圆域内的其他用户，所述运动状态历史数据包括位置坐标、转入速度、转出速度、转入角度、转出角度、获取位置坐标的时间点、网格编号；
运动状态比较模块，用于比较所述圆域模型中的所述待预测用户的运动状态，与所述关联用户的运动状态，计算获得所述待预测用户与各个关联用户的运动状态的第一差值；
第一相似度获取模块，用于根据所述第一差值，获得满足判定条件的第一关联用户，并获得所述待预测用户与各个第一关联用户的第一相似度；
第二相似度获取模块，用于利用所述用户运动状态历史数据中，所述第一时间点之前的第一预设时间段内，所述待预测用户与各个第一关联用户是否在同一圆域内的记录数值，获得所述待预测用户与各个第一关联用户的第二相似度；
位置坐标预测模块，用于利用所述第一相似度、所述第二相似度，及所述用户运动状态历史数据中第一关联用户的运动状态历史数据中，与所述第一时间点对应的同一时间点之后的第二预设时间段内，各个第一关联用户的圆域的关系，获得待预测用户的预测的位置坐标。
10.一种基于运动特征关联的室内位置预测系统，其特征在于，包括：
数据采集器，用于依据预设时间间隔，采集待预测用户的位置坐标；
处理器，用于获取并根据第一时间点待预测用户的位置坐标、预设的圆域半径及用户运动状态历史数据，建立以所述待预测用户为中心的圆域模型，所述圆域模型包括，用户运动状态历史数据中的待预测用户的运动状态、关联用户的运动状态，其中，所述关联用户为待预测用户的圆域内的其他用户，所述运动状态历史数据包括位置坐标、转入速度、转出速度、转入角度、转出角度、获取位置坐标的时间点、网格编号；比较所述圆域模型中的所述待预测用户的运动状态，与所述关联用户的运动状态，计算获得所述待预测用户与各个关联用户的运动状态的第一差值；根据所述第一差值，获得满足判定条件的第一关联用户，并获得所述待预测用户与各个第一关联用户的第一相似度；利用所述用户运动状态历史数据中，所述第一时间点之前的第一预设时间段内，所述待预测用户与各个第一关联用户是否在同一圆域内的记录数值，获得所述待预测用户与各个第一关联用户的第二相似度；利用所述第一相似度、所述第二相似度，及所述用户运动状态历史数据中第一关联用户的运动状态历史数据中，与所述第一时间点对应的同一时间点之后的第二预设时间段内，各个第一关联用户的圆域的关系，获得待预测用户的预测的位置坐标。
CN201710065615.6A 2017-02-06 2017-02-06 一种基于运动特征关联的室内位置预测方法、装置及系统 Active CN106682239B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710065615.6A CN106682239B (zh) 2017-02-06 2017-02-06 一种基于运动特征关联的室内位置预测方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710065615.6A CN106682239B (zh) 2017-02-06 2017-02-06 一种基于运动特征关联的室内位置预测方法、装置及系统

Publications (2)

Publication Number Publication Date
CN106682239A CN106682239A (zh) 2017-05-17
CN106682239B true CN106682239B (zh) 2019-11-08

Family

ID=58860310

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710065615.6A Active CN106682239B (zh) 2017-02-06 2017-02-06 一种基于运动特征关联的室内位置预测方法、装置及系统

Country Status (1)

Country Link
CN (1) CN106682239B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4236320A3 (en) * 2018-12-06 2023-10-11 LG Electronics Inc. Method and device for processing video signal on basis of inter prediction
CN112071401B (zh) * 2020-09-05 2021-06-15 杭州康晟健康管理咨询有限公司 一种基于大数据的健康饮食管理系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103974410A (zh) * 2013-01-31 2014-08-06 西门子公司 用于定位的方法和装置
CN105910601A (zh) * 2016-05-31 2016-08-31 天津大学 一种基于隐马尔科夫模型的室内地磁定位方法
CN106289235A (zh) * 2016-08-12 2017-01-04 天津大学 基于建筑结构图的自主计算精度可控室内定位导航方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8588097B1 (en) * 2011-04-20 2013-11-19 Google Inc. Indoor localization of mobile devices
US9060282B2 (en) * 2012-12-04 2015-06-16 At&T Mobility Ii Llc Classification of indoor and outdoor telecommunications events of mobile telecommunications networks

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103974410A (zh) * 2013-01-31 2014-08-06 西门子公司 用于定位的方法和装置
CN105910601A (zh) * 2016-05-31 2016-08-31 天津大学 一种基于隐马尔科夫模型的室内地磁定位方法
CN106289235A (zh) * 2016-08-12 2017-01-04 天津大学 基于建筑结构图的自主计算精度可控室内定位导航方法

Also Published As

Publication number Publication date
CN106682239A (zh) 2017-05-17

Similar Documents

Publication Publication Date Title
Xu et al. Difference of urban development in China from the perspective of passenger transport around Spring Festival
Miller Time geography and space-time prism
Yin et al. A generative model of urban activities from cellular data
CN106096631B (zh) 一种基于手机大数据的流动人口分类识别分析方法
Orellana et al. Exploring visitor movement patterns in natural recreational areas
Abedi et al. Assessment of antenna characteristic effects on pedestrian and cyclists travel-time estimation based on Bluetooth and WiFi MAC addresses
Zheng et al. Detecting collective anomalies from multiple spatio-temporal datasets across different domains
Chen et al. Spatiotemporal data model for network time geographic analysis in the era of big data
Xing et al. Pedestrian stride length estimation from IMU measurements and ANN based algorithm
Noulas et al. Topological properties and temporal dynamics of place networks in urban environments
CN105532030A (zh) 用于分析目标实体的移动的装置、系统和方法
CN107392245A (zh) 一种出租车载客轨迹聚类算法Tr‑OPTICS
CN110213710A (zh) 一种基于随机森林的高性能室内定位方法、室内定位系统
CN106682239B (zh) 一种基于运动特征关联的室内位置预测方法、装置及系统
Jia et al. Measuring the vibrancy of urban neighborhoods using mobile phone data with an improved PageRank algorithm
Thériault et al. A spatio-temporal taxonomy for the representation of spatial set behaviours
CN108566620A (zh) 一种基于wifi的室内定位方法
Cao et al. Understanding metropolitan crowd mobility via mobile cellular accessing data
Alhazzani et al. Urban Attractors: Discovering patterns in regions of attraction in cities
Huang et al. Stpr: A personalized next point-of-interest recommendation model with spatio-temporal effects based on purpose ranking
Wu et al. A flood-discharge-based spatio-temporal diffusion method for multi-target traffic hotness construction from trajectory data
CN110309953B (zh) 采用目标流动性分布预测的城市安防监控布局系统及方法
Khetarpaul et al. Spatiotemporal social (STS) data model: correlating social networks and spatiotemporal data
Yu et al. RePiDeM: A refined POI demand modeling based on multi-source data
Wang Understanding activity location choice with mobile phone data

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant