CN107038168A - 一种用户通勤轨迹管理方法、装置及系统 - Google Patents
一种用户通勤轨迹管理方法、装置及系统 Download PDFInfo
- Publication number
- CN107038168A CN107038168A CN201610077984.2A CN201610077984A CN107038168A CN 107038168 A CN107038168 A CN 107038168A CN 201610077984 A CN201610077984 A CN 201610077984A CN 107038168 A CN107038168 A CN 107038168A
- Authority
- CN
- China
- Prior art keywords
- track
- commuting
- user
- guidance path
- regular
- 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.)
- Pending
Links
- 238000007726 management method Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000013459 approach Methods 0.000 claims description 39
- 238000012545 processing Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 238000013450 outlier detection Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000011835 investigation Methods 0.000 abstract description 10
- 238000011160 research Methods 0.000 abstract description 5
- 238000004891 communication Methods 0.000 abstract description 3
- 239000000284 extract Substances 0.000 description 12
- 238000001514 detection method Methods 0.000 description 4
- 230000011664 signaling Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- DMBHHRLKUKUOEG-UHFFFAOYSA-N diphenylamine Chemical compound C=1C=CC=CC=1NC1=CC=CC=C1 DMBHHRLKUKUOEG-UHFFFAOYSA-N 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000002650 habitual effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- 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
-
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种用户通勤轨迹管理方法、装置及系统，该方法包括：通过定位系统获取各用户的出行数据；出行数据包括停留点及各停留点对应的时间戳；根据各用户的出行数据计算各用户的用户规律性轨迹；输出各用户的用户规律性轨迹至通勤道路管理系统。通过本发明的实施，直接通过定位系统，如用户终端上的定位设备或者通信基站等获取用户的出行数据，根据用户出行数据计算用户规律性轨迹并输出，在该过程中，不用进行用户调研，增强了对用户通勤的管理力度，解决了现有用户出行规律采用宏观性的调查和研究导致不能对用户通勤进行全面了解和掌控的技术问题，增强了用户的使用体验。
Description
技术领域
本发明涉及用户通勤领域，尤其涉及一种用户通勤轨迹管理方法、装置及系统。
背景技术
上下班通勤是城市交通的重点，为了提高用户上下班的交通体验，提出了通勤交通这一概念，其连接家庭位置与工作位置，规律性强。现有城市居民通勤交通的出行规律通常是采用宏观性的调查和研究，如采用调查问卷，但时效性差，样本量不足，不能对用户通勤进行全面了解和掌控。
因此，本领域技术人员亟待提供一种用户通勤轨迹管理方法，以解决现有用户出行规律采用宏观调查和研究导致不能对用户通勤进行全面了解和掌控的技术问题。
发明内容
本发明提供了一种用户通勤轨迹管理方法、装置及系统，以解决现有用户出行规律采用宏观调查和研究导致不能对用户通勤进行全面了解和掌控的技术问题。
本发明提供了一种用户通勤轨迹管理方法，其包括：
通过定位系统获取各用户的出行数据；出行数据包括停留点及各停留点对应的时间戳；
根据各用户的出行数据计算各用户的用户规律性轨迹；
输出各用户的用户规律性轨迹至通勤道路管理系统。
进一步的，根据各用户的出行数据计算各用户的用户规律性轨迹包括：
根据出行数据计算通勤特征；通勤特征包括家庭位置、工作位置、通勤时段；
根据通勤特征的通勤时段、出行数据中的停留点及各停留点对应的时间戳，对不属于通勤时段的出行数据进行筛选去除，将筛选得到的停留点按照时间戳排序生成通勤轨迹；
计算通勤轨迹之间的轨迹相似度，将轨迹相似度大于第一阈值的通勤轨迹合并生成聚类簇，并确定聚类簇的代表通勤轨迹；
根据选择策略从聚类簇所有通勤轨迹的停留点中选择通勤轨迹频繁点，根据家庭位置、工作位置、通勤轨迹频繁点及对应的时间戳生成导航路径；
计算导航路径与代表通勤轨迹之间的轨迹相似度，若导航路径与代表通勤轨迹之间的轨迹相似度大于第二阈值，则将导航路径作为聚类簇的通勤规律性轨迹，根据聚类簇的通勤规律性轨迹生成用户规律性轨迹。
进一步的，通勤时段包括上班通勤时段及下班通勤时段，通勤轨迹包括上班通勤轨迹及下班通勤轨迹，根据家庭位置、工作位置、通勤轨迹频繁点及对应的时间戳生成导航路径包括：若聚类簇由上班通勤轨迹合并生成，则生成以用户家庭位置、工作位置为起止点、依次通过通勤轨迹频繁点的导航路径；若聚类簇由下班通勤轨迹合并生成，则生成以用户工作位置、家庭位置为起止点、依次通过通勤轨迹频繁点的导航路径。
进一步的，还包括：若导航路径与代表通勤轨迹之间的轨迹相似度小于第二阈值，则重新选择通勤轨迹频繁点并生成新导航路径，计算并判断新导航路径与代表通勤轨迹之间的轨迹相似度是否大于第二阈值，若是，则将新导航路径作为聚类簇的通勤规律性轨迹，若否，则循环执行重新计算聚类簇的通勤轨迹频繁点并生成新导航路径的步骤，至新导航路径与代表通勤轨迹之间的轨迹相似度大于第二阈值。
进一步的，还包括：计算导航路径的导航预估时长，在判断导航路径与代表通勤轨迹的轨迹相似度是否大于第二阈值的同时，判断导航路径的导航预估时长与代表通勤轨迹的时长差值是否小于第三阈值；若导航路径与代表通勤轨迹的轨迹相似度大于第二阈值、且导航路径的导航预估时长与代表通勤轨迹的时长差值小于第三阈值，则将导航路径作为聚类簇的通勤规律性轨迹。
进一步的，聚类簇为多个，根据聚类簇的通勤规律性轨迹生成用户规律性轨迹包括：计算各聚类簇的通勤轨迹数量占比，将各聚类簇的通勤轨迹数量占比作为其通勤规律性轨迹的权重，相加生成用户规律性轨迹；聚类簇为一个，根据聚类簇的通勤规律性轨迹生成用户规律性轨迹包括：将聚类簇的通勤规律性轨迹作为用户规律性轨迹。
进一步的，聚类簇为多个，方法还包括：若聚类簇的通勤轨迹数量占比小于第四阈值，则删除对应的聚类簇。
进一步的，确定聚类簇的代表通勤轨迹包括：逐一计算聚类簇中各通勤轨迹与其他通勤轨迹的轨迹相似度之和，将轨迹相似度之和最大的通勤轨迹作为代表通勤轨迹。
进一步的，计算轨迹之间的轨迹相似度包括：轨迹A途径a个地点，轨迹B途径b个地点，轨迹A与轨迹B的轨迹相似度为轨迹A途径的所有地点中，与轨迹B途径的点的距离最小值小于第五阈值的个数a’，轨迹B与轨迹A的轨迹相似度为轨迹B途径的所有地点中，与轨迹A途径的点的距离最小值小于第五阈值的个数b’，轨迹A与轨迹B之间的轨迹相似度为(a’+b’)/(a+b)。
进一步的，在生成通勤轨迹之后，还包括：通过离群点检测算法识别通勤轨迹中明显不同的通勤轨迹，删除识别出的通勤轨迹。
进一步的，在生成通勤轨迹之前，还包括：从所有用户中筛选出家庭位置、工作位置可识别的通勤用户，生成可识别的通勤用户的通勤轨迹。
进一步的，从所有用户中筛选出家庭位置、工作位置可识别的通勤用户包括：根据各用户的出行数据计算各用户的出行地点离散熵，将出行地点离散熵小于第六阈值的用户作为通勤用户；获取并根据各通勤用户的出行数据，识别各通勤用户的家庭位置、工作位置，若不可识别，则忽略对应通勤用户。
本发明提供了一种用户通勤轨迹管理装置，其包括：
获取模块，用于通过定位系统获取各用户的出行数据；出行数据包括停留点及各停留点对应的时间戳；
处理模块，用于根据各用户的出行数据计算各用户的用户规律性轨迹；
输出模块，用于输出各用户的用户规律性轨迹至通勤道路管理系统。
进一步的，处理模块包括：
通勤特征计算模块，用于根据出行数据计算通勤特征；通勤特征包括家庭位置、工作位置、通勤时段；
通勤轨迹生成模块，用于根据通勤特征的通勤时段、出行数据中的停留点及各停留点对应的时间戳，对不属于通勤时段的出行数据进行筛选去除，将筛选得到的停留点按照时间戳排序生成通勤轨迹；
通勤聚类管理模块，用于计算通勤轨迹之间的轨迹相似度，将轨迹相似度大于第一阈值的通勤轨迹合并生成聚类簇，并确定聚类簇的代表通勤轨迹；
导航路径生成模块，用于根据选择策略从聚类簇所有通勤轨迹的停留点中选择通勤轨迹频繁点，根据家庭位置、工作位置、通勤轨迹频繁点及对应的时间戳生成导航路径；
通勤规律轨迹模块，用于计算导航路径与代表通勤轨迹之间的轨迹相似度，若导航路径与代表通勤轨迹之间的轨迹相似度大于第二阈值，则将导航路径作为聚类簇的通勤规律性轨迹，根据聚类簇的通勤规律性轨迹生成用户规律性轨迹。
进一步的，通勤时段包括上班通勤时段及下班通勤时段，通勤轨迹包括上班通勤轨迹及下班通勤轨迹，导航路径生成模块用于，若聚类簇由上班通勤轨迹合并生成，则生成以用户家庭位置、工作位置为起止点、依次通过通勤轨迹频繁点的导航路径；若聚类簇由下班通勤轨迹合并生成，则生成以用户工作位置、家庭位置为起止点、依次通过通勤轨迹频繁点的导航路径。
进一步的，通勤规律轨迹模块还用于若导航路径与代表通勤轨迹之间的轨迹相似度小于第二阈值，则触发导航路径生成模块重新选择通勤轨迹频繁点并生成新导航路径，计算并判断新导航路径与代表通勤轨迹之间的轨迹相似度是否大于第二阈值，若是，则将新导航路径作为聚类簇的通勤规律性轨迹，若否，则循环执行重新计算聚类簇的通勤轨迹频繁点并生成新导航路径的步骤，至新导航路径与代表通勤轨迹之间的轨迹相似度大于第二阈值。
进一步的，导航路径生成模块还用于计算导航路径的导航预估时长，通勤规律轨迹模块还用于在判断导航路径与代表通勤轨迹的轨迹相似度是否大于第二阈值的同时，判断导航路径的导航预估时长与代表通勤轨迹的时长差值是否小于第三阈值；若导航路径与代表通勤轨迹的轨迹相似度大于第二阈值、且导航路径的导航预估时长与代表通勤轨迹的时长差值小于第三阈值，则将导航路径作为聚类簇的通勤规律性轨迹。
进一步的，聚类簇为多个，通勤规律轨迹模块用于计算各聚类簇的通勤轨迹数量占比，将各聚类簇的通勤轨迹数量占比作为其通勤规律性轨迹的权重，相加生成用户规律性轨迹；聚类簇为一个，通勤规律轨迹模块用于将聚类簇的通勤规律性轨迹作为用户规律性轨迹，根据用户规律性轨迹进行通勤路段管理。
进一步的，聚类簇为多个，通勤规律轨迹模块还用于若聚类簇的通勤轨迹数量占比小于第四阈值，则删除对应的聚类簇。
进一步的，通勤聚类管理模块用于逐一计算聚类簇中各通勤轨迹与其他通勤轨迹的轨迹相似度之和，将轨迹相似度之和最大的通勤轨迹作为代表通勤轨迹。
进一步的，处理模块还包括轨迹相似度计算模块，用于计算轨迹之间的轨迹相似度，具体用于，轨迹A途径a个地点，轨迹B途径b个地点，轨迹A与轨迹B的轨迹相似度为轨迹A途径的所有地点中，与轨迹B途径的点的距离最小值小于第五阈值的个数a’，轨迹B与轨迹A的轨迹相似度为轨迹B途径的所有地点中，与轨迹A途径的点的距离最小值小于第五阈值的个数b’，轨迹A与轨迹B之间的轨迹相似度为(a’+b’)/(a+b)。
进一步的，通勤轨迹生成模块在生成通勤轨迹之后，还用于通过离群点检测算法识别通勤轨迹中明显不同的通勤轨迹，删除识别出的通勤轨迹。
进一步的，通勤轨迹生成模块在生成通勤轨迹之前，还用于从所有用户中筛选出家庭位置、工作位置可识别的通勤用户，生成可识别的通勤用户的通勤轨迹。
进一步的，通勤轨迹生成模块用于根据各用户的出行数据计算各用户的出行地点离散熵，将出行地点离散熵小于第六阈值的用户作为通勤用户；获取并根据各通勤用户的出行数据，识别各通勤用户的家庭位置、工作位置，若不可识别，则忽略对应通勤用户。
本发明提供了一种用户通勤轨迹管理系统，其包括：定位系统、通勤道路管理系统、以及本发明提供的用户通勤轨迹管理装置；定位系统用于监听用户的出行数据，出行数据包括停留点及各停留点对应的时间戳；用户通勤轨迹管理装置用于通过定位系统获取各用户的出行数据，根据各用户的出行数据计算各用户的用户规律性轨迹，输出各用户的用户规律性轨迹至通勤道路管理系统；通勤道路管理装置用于根据用户规律性轨迹管理通勤道路。
本发明的有益效果：
本发明提供了一种用户通勤轨迹管理方法，直接通过定位系统，如用户终端上的定位设备或者通信基站等获取用户的出行数据，根据用户出行数据计算用户规律性轨迹并输出，在该过程中，不用进行用户调研，增强了对用户通勤的管理力度，解决了现有用户出行规律采用宏观性的调查和研究导致不能对用户通勤进行全面了解和掌控的技术问题，增强了用户的使用体验。
附图说明
图1为本发明第一实施例提供的用户通勤轨迹管理系统的结构示意图；
图2为本发明第一实施例中处理模块的结构示意图；
图3为本发明第二实施例提供的用户通勤轨迹管理方法的流程图；
图4为本发明第二实施例中处理出行数据这一步骤的流程图；
图5为本发明第三实施例提供的用户通勤轨迹管理方法的流程图；
图6为本发明第三实施例中轨迹相似度计算示意图。
具体实施方式
现通过具体实施方式结合附图的方式对本发明做出进一步的诠释说明。
第一实施例：
图1为本发明第一实施例提供的用户通勤轨迹管理系统的结构示意图，由图1可知，在本实施例中，本发明提供的用户通勤轨迹管理系统包括：本发明提供的用户通勤轨迹管理装置1、定位系统2、通勤道路管理系统3；其中，定位系统2用于监听用户的出行数据，出行数据包括停留点及各停留点对应的时间戳，在实际应用中，定位系统2包括常用的基站、GPS、北斗定位系统、基于WiFi/蓝牙的定位系统等；用户通勤轨迹管理装置1用于通过定位系统获取各用户的出行数据，根据各用户的出行数据计算各用户的用户规律性轨迹，输出各用户的用户规律性轨迹至通勤道路管理系统3；通勤道路管理装置3用于根据用户规律性轨迹管理通勤道路。
在一些实施例中，如图1所示，本发明提供的用户通勤轨迹管理装置1包括：
获取模块11，用于通过定位系统获取各用户的出行数据；出行数据包括停留点及各停留点对应的时间戳；
处理模块12，用于根据各用户的出行数据计算各用户的用户规律性轨迹；
输出模块13，用于输出各用户的用户规律性轨迹至通勤道路管理系统。
在一些实施例中，如图2所示，上述实施例中的处理模块12包括：
通勤特征计算模块121，用于根据出行数据计算通勤特征；通勤特征包括家庭位置、工作位置、通勤时段；
通勤轨迹生成模块122，用于根据通勤特征的通勤时段、出行数据中的停留点及各停留点对应的时间戳，对不属于通勤时段的出行数据进行筛选去除，将筛选得到的停留点按照时间戳排序生成通勤轨迹；
通勤聚类管理模块123，用于计算通勤轨迹之间的轨迹相似度，将轨迹相似度大于第一阈值的通勤轨迹合并生成聚类簇，并确定聚类簇的代表通勤轨迹；
导航路径生成模块124，用于根据选择策略从聚类簇所有通勤轨迹的停留点中选择通勤轨迹频繁点，根据家庭位置、工作位置、通勤轨迹频繁点及对应的时间戳生成导航路径；
通勤规律轨迹模块125，用于计算导航路径与代表通勤轨迹之间的轨迹相似度，若导航路径与代表通勤轨迹之间的轨迹相似度大于第二阈值，则将导航路径作为聚类簇的通勤规律性轨迹，根据聚类簇的通勤规律性轨迹生成用户规律性轨迹。
在一些实施例中，上述实施例中的通勤时段包括上班通勤时段及下班通勤时段，通勤轨迹包括上班通勤轨迹及下班通勤轨迹，导航路径生成模块124用于，若聚类簇由上班通勤轨迹合并生成，则生成以用户家庭位置、工作位置为起止点、依次通过通勤轨迹频繁点的导航路径；若聚类簇由下班通勤轨迹合并生成，则生成以用户工作位置、家庭位置为起止点、依次通过通勤轨迹频繁点的导航路径。
在一些实施例中，上述实施例中的通勤规律轨迹模块125还用于若导航路径与代表通勤轨迹之间的轨迹相似度小于第二阈值，则触发导航路径生成模块重新选择通勤轨迹频繁点并生成新导航路径，计算并判断新导航路径与代表通勤轨迹之间的轨迹相似度是否大于第二阈值，若是，则将新导航路径作为聚类簇的通勤规律性轨迹，若否，则循环执行重新计算聚类簇的通勤轨迹频繁点并生成新导航路径的步骤，至新导航路径与代表通勤轨迹之间的轨迹相似度大于第二阈值。
在一些实施例中，上述实施例中的导航路径生成模块124还用于计算导航路径的导航预估时长，通勤规律轨迹模块125还用于在判断导航路径与代表通勤轨迹的轨迹相似度是否大于第二阈值的同时，判断导航路径的导航预估时长与代表通勤轨迹的时长差值是否小于第三阈值；若导航路径与代表通勤轨迹的轨迹相似度大于第二阈值、且导航路径的导航预估时长与代表通勤轨迹的时长差值小于第三阈值，则将导航路径作为聚类簇的通勤规律性轨迹。
在一些实施例中，若上述实施例中的聚类簇为多个，通勤规律轨迹模块125用于计算各聚类簇的通勤轨迹数量占比，将各聚类簇的通勤轨迹数量占比作为其通勤规律性轨迹的权重，相加生成用户规律性轨迹；若聚类簇为一个，通勤规律轨迹模块125用于将聚类簇的通勤规律性轨迹作为用户规律性轨迹，根据用户规律性轨迹进行通勤路段管理。
在一些实施例中，上述实施例中的聚类簇为多个，通勤规律轨迹模块125还用于若聚类簇的通勤轨迹数量占比小于第四阈值，则删除对应的聚类簇。
在一些实施例中，上述实施例中的通勤聚类管理模块123用于逐一计算聚类簇中各通勤轨迹与其他通勤轨迹的轨迹相似度之和，将轨迹相似度之和最大的通勤轨迹作为代表通勤轨迹。
在一些实施例中，如图2所述，上述实施例中的处理模块12还包括轨迹相似度计算模块126，用于计算轨迹之间的轨迹相似度，具体用于，轨迹A途径a个地点，轨迹B途径b个地点，轨迹A与轨迹B的轨迹相似度为轨迹A途径的所有地点中，与轨迹B途径的点的距离最小值小于第五阈值的个数a’，轨迹B与轨迹A的轨迹相似度为轨迹B途径的所有地点中，与轨迹A途径的点的距离最小值小于第五阈值的个数b’，轨迹A与轨迹B之间的轨迹相似度为(a’+b’)/(a+b)。
在一些实施例中，上述实施例中的通勤轨迹生成模块121在生成通勤轨迹之后，还用于通过离群点检测算法识别通勤轨迹中明显不同的通勤轨迹，删除识别出的通勤轨迹。
在一些实施例中，上述实施例中的通勤轨迹生成模块121在生成通勤轨迹之前，还用于从所有用户中筛选出家庭位置、工作位置可识别的通勤用户，生成可识别的通勤用户的通勤轨迹。
在一些实施例中，上述实施例中的通勤轨迹生成模块121用于根据各用户的出行数据计算各用户的出行地点离散熵，将出行地点离散熵小于第六阈值的用户作为通勤用户；获取并根据各通勤用户的出行数据，识别各通勤用户的家庭位置、工作位置，若不可识别，则忽略对应通勤用户。
第二实施例：
图3为本发明第二实施例提供的用户通勤轨迹管理方法的流程图，由图3可知，在本实施例中，本发明提供的用户通勤轨迹管理方法包括：
S301：通过定位系统获取各用户的出行数据；出行数据包括停留点及各停留点对应的时间戳；
S302：根据各用户的出行数据计算各用户的用户规律性轨迹；
S303：输出各用户的用户规律性轨迹至通勤道路管理系统。
在一些实施例中，如图4所示，上述实施例中的根据各用户的出行数据计算各用户的用户规律性轨迹包括：
S401：根据出行数据计算通勤特征；通勤特征包括家庭位置、工作位置、通勤时段；
S402：根据通勤特征的通勤时段、出行数据中的停留点及各停留点对应的时间戳，对不属于通勤时段的出行数据进行筛选去除，将筛选得到的停留点按照时间戳排序生成通勤轨迹；
S403：计算通勤轨迹之间的轨迹相似度，将轨迹相似度大于第一阈值的通勤轨迹合并生成聚类簇，并确定聚类簇的代表通勤轨迹；
S404：根据选择策略从聚类簇所有通勤轨迹的停留点中选择通勤轨迹频繁点，根据家庭位置、工作位置、通勤轨迹频繁点及对应的时间戳生成导航路径；
S405：计算导航路径与代表通勤轨迹之间的轨迹相似度，若导航路径与代表通勤轨迹之间的轨迹相似度大于第二阈值，则将导航路径作为聚类簇的通勤规律性轨迹，根据聚类簇的通勤规律性轨迹生成用户规律性轨迹。
在一些实施例中，上述实施例中的通勤时段包括上班通勤时段及下班通勤时段，通勤轨迹包括上班通勤轨迹及下班通勤轨迹，步骤S404包括：若聚类簇由上班通勤轨迹合并生成，则生成以用户家庭位置、工作位置为起止点、依次通过通勤轨迹频繁点的导航路径；若聚类簇由下班通勤轨迹合并生成，则生成以用户工作位置、家庭位置为起止点、依次通过通勤轨迹频繁点的导航路径。
在一些实施例中，上述实施例中的步骤S405还包括：若导航路径与代表通勤轨迹之间的轨迹相似度小于第二阈值，则重新选择通勤轨迹频繁点并生成新导航路径，计算并判断新导航路径与代表通勤轨迹之间的轨迹相似度是否大于第二阈值，若是，则将新导航路径作为聚类簇的通勤规律性轨迹，若否，则循环执行重新计算聚类簇的通勤轨迹频繁点并生成新导航路径的步骤，至新导航路径与代表通勤轨迹之间的轨迹相似度大于第二阈值。
在一些实施例中，上述实施例中的方法还包括：计算导航路径的导航预估时长，在判断导航路径与代表通勤轨迹的轨迹相似度是否大于第二阈值的同时，判断导航路径的导航预估时长与代表通勤轨迹的时长差值是否小于第三阈值；若导航路径与代表通勤轨迹的轨迹相似度大于第二阈值、且导航路径的导航预估时长与代表通勤轨迹的时长差值小于第三阈值，则将导航路径作为聚类簇的通勤规律性轨迹。
在一些实施例中，上述实施例中的聚类簇为多个，根据聚类簇的通勤规律性轨迹生成用户规律性轨迹包括：计算各聚类簇的通勤轨迹数量占比，将各聚类簇的通勤轨迹数量占比作为其通勤规律性轨迹的权重，相加生成用户规律性轨迹；聚类簇为一个，根据聚类簇的通勤规律性轨迹生成用户规律性轨迹包括：将聚类簇的通勤规律性轨迹作为用户规律性轨迹。
在一些实施例中，上述实施例中的聚类簇为多个，方法还包括：若聚类簇的通勤轨迹数量占比小于第四阈值，则删除对应的聚类簇。
在一些实施例中，上述实施例中的确定聚类簇的代表通勤轨迹包括：逐一计算聚类簇中各通勤轨迹与其他通勤轨迹的轨迹相似度之和，将轨迹相似度之和最大的通勤轨迹作为代表通勤轨迹。
在一些实施例中，上述实施例中的计算轨迹之间的轨迹相似度包括：轨迹A途径a个地点，轨迹B途径b个地点，轨迹A与轨迹B的轨迹相似度为轨迹A途径的所有地点中，与轨迹B途径的点的距离最小值小于第五阈值的个数a’，轨迹B与轨迹A的轨迹相似度为轨迹B途径的所有地点中，与轨迹A途径的点的距离最小值小于第五阈值的个数b’，轨迹A与轨迹B之间的轨迹相似度为(a’+b’)/(a+b)。
在一些实施例中，上述实施例中的方法在生成通勤轨迹之后，还包括：通过离群点检测算法识别通勤轨迹中明显不同的通勤轨迹，删除识别出的通勤轨迹。
在一些实施例中，上述实施例中的方法在生成通勤轨迹之前，还包括：从所有用户中筛选出家庭位置、工作位置可识别的通勤用户，生成可识别的通勤用户的通勤轨迹。
在一些实施例中，上述实施例中的从所有用户中筛选出家庭位置、工作位置可识别的通勤用户包括：根据各用户的出行数据计算各用户的出行地点离散熵，将出行地点离散熵小于第六阈值的用户作为通勤用户；获取并根据各通勤用户的出行数据，识别各通勤用户的家庭位置、工作位置，若不可识别，则忽略对应通勤用户。
现结合具体应用场景对本发明做进一步的诠释说明。
第三实施例：
通勤调查，传统的方法是采用调查问卷，但时效性差，样本量不足，导致通勤统计效果很差。
本实施例提供了一种用户通勤轨迹管理系统，主要包括：存储装置(或分布式存储装置)、采集装置、定位系统、及本发明提供的用户通勤轨迹管理装置、通勤道路管理装置。
本申请所涉及的通过定位系统获取通勤信息包括：第一种，通过GPS/北斗/移动网络定位数据统计了通勤属性，如家庭位置、工作位置、通勤时长、回转半径等；第二种，通过公交和轨道交通I C卡数据获取居民通勤出行特征信息，如通勤出行时间、通勤出行距离和换乘特性等；第三种，通过监控摄像头直播早高峰和晚高峰时段关键路段路况。
具体的，采集装置采集GPS数据或者北斗数据或者移动网络位置信令数据或者通话话单数据，提取用户标识、时间戳、位置字段，对于位置字段，GPS数据和北斗数据是经纬度，对于移动网络位置信令数据或者通话话单数据是位置区编号和基站小区编号。对于每一条位置数据，是出行中经过的地点或停留点，下文统称停留点。对数据进行预处理，包括去隐私化处理把用户标识替换为无实际意义的标识符号，通过基站聚类把球面距离很近的基站进行合并。
存储装置(或分布式存储装置)存储各种数据，包括采集装置、用户通勤轨迹管理装置、通勤道路管理装置的各类数据和计算结果。
用户通勤轨迹管理装置首先计算离散熵，熵是混乱和无序的量度，熵越小(越接近0)，稳定性越高，可预测性越强；通过对每个用户的出行时空数据分析出行地点离散熵，计算每个用户一周7天每小时的离散熵，将计算结果保存到存储介质中。
本发明提出通勤用户概念，定义为在工作日的办公时段和夜间睡眠时段离散熵较小的典型上班族，这样的用户通常有稳定的家庭位置和工作位置，本专利针对这类用户计算其规律性通勤轨迹，然后对每一个通勤用户，计算每个用户的通勤特征，包括家庭位置、工作位置、上班通勤时段和时长、下班通勤时段和时长，将计算结果保存到存储介质中。
对于每个通勤用户，提取出其在工作日上班通勤时段内从家庭位置到工作位置的出行数据，同样地，提取出其在工作日下班通勤时段内从工作位置到家庭位置的出行数据。针对同一用户的带时间戳的出行数据就形成了通勤出行轨迹序列。
用户通勤轨迹管理装置再次针对每个通勤用户的通勤出行轨迹序列进行处理，上班通勤数据和下班通勤数据分别处理。
通过离群点检测算法把个别性的与该用户其他的出行轨迹数据明显不同的轨迹识别出来，作为非规律性异常数据丢弃这是通勤轨迹聚类的预处理步骤。经过上述非规律性轨迹检测模块得到的剩余通勤轨迹记为集合A，计算轨迹相似度并把相似度高的轨迹进行合并得到合并集合C，计算C中每一个聚类簇Ci的轨迹频繁点(并带上轨迹序号和小时标签)和每一个聚类簇的轨迹数量占比。对于每个聚类簇Ci，对于Ci中每条轨迹tr，计算与Ci中其他轨迹的轨迹相似度之和tr_dist，把tr_dist最大的那条轨迹设置为聚类簇Ci的代表轨迹Cij。
频繁点是指用户出行中经常经过和停留的位置，可以考虑频繁点的设置选择策略，比如频繁点数量等于该聚类簇轨迹停留点数量的平均值，比如频繁点是那些通勤轨迹数量占比超过0.2的停留点。轨迹频繁点的小时标签是指轨迹在该停留点的时间戳，精度保留到小时，若存在多个时间戳则取平均值且精度保留到小时。
根据C中每一个聚类簇Ci的轨迹频繁点序列，生成以家庭位置和工作位置为起止点，依次经过各频繁点的导航路径Di，提取导航路径Di途径点的GPS点坐标，并计算导航预估时长，计算聚类簇Ci的代表轨迹Cij和其对应的导航路径Di的轨迹相似度、时长差。若轨迹相似度较高且时长差较小，则导航路径Di为该用户的一条通勤规律性轨迹。因为合并轨迹集合C中有可能多个聚类簇，所以可能有多条导航路径，也就有多条通勤规律性轨迹。提取导航路径Di途径点的GPS点坐标，可以考虑一些提取策略，比如，提取点的数量为聚类簇Ci中轨迹停留点数量的平均值，提取的点是频繁点之间的有一定间隔的点。
公式表达为F＝f(x，y)，x是轨迹相似度，y是通勤时长之差，f(x，y)是关于这两个变量的函数，结果F是综合相似度。在两个变量中x对F的影响权重是最大的。若F在阈值范围内，则说明合并轨迹和其对应的导航路径重合度高，该导航路径为用户通勤规律性轨迹。若F不在阈值范围内，则说明合并轨迹和其对应的导航路径差异大，需要调整聚类簇的轨迹频繁点，重新生成导航路径，重新计算得到F；若该轨迹簇的通勤轨迹数量占比太小(比如小于0.1)也可以选择丢弃该聚类簇轨迹。
对于上述合并集合C中只有一个聚类，得到的该用户通勤规律性轨迹就是最终该用户的规律性轨迹；若上述合并集合C中有多个聚类时，最终该用户的规律性轨迹为上述通勤轨迹聚类模块生成的多条通勤规律性轨迹，并带有权重，权重为上述通勤轨迹聚类模块中的每一个聚类簇的通勤轨迹数量占比。
如图5所示，本发明还提出一种用户通勤轨迹管理方法，包括如下步骤：
S501：数据预处理。
该部分的目的是将原始的收集到的用户出行位置数据处理成需要的格式。以移动网络用户数据为例，首先是从原始数据中抽取需要的属性域，包括匿名处理后的用户标识、用户位置(基站小区编号需转换为基站位置的GPS坐标)、通话时间。原始的通话数据通常是海量且冗余的，通过预处理筛选出所需要的数据，可以有效减小数据量，提高后续处理的效率。对球面距离很近的基站进行合并，通过平滑处理有效抑制基站频繁切换，有效减少数据量，增强数据有效性。
S502：计算用户出行稳定性特征。
用离散熵衡量用户出行稳定性，定义如下：
其中p(Ri)为用户在位置Ri的经验概率，对于移动网络用户数据则Ri为基站号。离散熵越大，用户的运动规律性就越低。计算用户在工作日的出行位置离散熵，并按小时计算每个用户在工作日的出行位置离散熵。
S503：提取城市通勤时段。
首先计算用户出行地点特征。定义一种数据结构path-pattern＝<h_1,R_1><h_2,R_2>…<h_n,R_n>，其中h_i表示时间片(预设将一天的24个小时均等划分为24个时间片，每个时间片1个小时)，R_i表示位置，这样的数据结构可用于表示用户的移动轨迹。
采用二维数组Pattern[24][7]描述用户出行地点特征，表示以一周为周期每天24个小时每小时最频繁的停留地点，称为每小时停留地点数组。最频繁的停留地点的定义是该时段内停留时间最长的地点。
采用二维数组Pattern_go[24][7]描述用户停留地点的变化，当前小时较上一小时停留地点相同时该小时元素值为0，否则为1。分析该统计数据可以了解工作日是一个星期的哪几天，可以了解通勤时段，即早高峰和晚高峰通勤出行时段。具体地，统计Pattern_go[24][7]中工作日24小时数值，其分布呈现双峰，双峰分别对应早高峰和晚高峰通勤出行时段。早高峰和晚高峰通勤出行时段即是城市通勤时段。
S504：筛选通勤用户。
定义工作日出行位置离散熵较小的用户为通勤用户，具体地，指工作日离散熵小于阈值limit_weekday的用户。
S505：提取用户通勤特征。
用户通勤特征描述为{家庭位置，工作位置，上班路途占用时间，下班路途占用时间}的四元组。
针对上述S504筛选出的通勤用户计算通勤OD，通勤OD(家庭位置与工作位置)是最基础的出行模式，以通话话单数据为例，具体算法流程为：
输入：每个用户的通话数据T，T＝{<手机号，通话基站，通话时间>}，输出：每个用户的家庭位置和工作位置泊点，即OD泊点；处理流程包括：对每个用户将通话数据分为两个集合，Tday和Tnight，分别代表白天和夜晚的通话数据；分别对Tday和Tnight通话数据按照通话基站进行划分，每条通话记录都等同于一条定位记录；将基站按通话次数从大到小排列，然后进行空间合并，形成新的通话位置点；根据通话周期性，计算每个位置点的通话频繁度；对每个位置点进行筛选，删除通话稀疏的位置点；将Tday和Tnight数据中通话频繁度最大的位置点作为D和O，即工作位置和家庭位置；输出每个用户的通勤OD。
将通勤用户中家庭位置和工作位置无法识别的用户去掉，后续流程不再关注。
上班沿途占用时间，指从经过预处理后的数据里计算通勤用户在工作日上班通勤时段内从家庭位置到工作位置所占用时间的平均值。
同样地，计算下班沿途占用时间。
S506：非规律性轨迹检测。
针对同一个用户，在用户在上班通勤时段从家庭位置到工作位置的轨迹中检测并剔除那些少量的、非规律性的轨迹，具体算法流程如下：
输入：待测试的轨迹t；待比较的轨迹集合T；运行次数m；每次运行的样本数量ψ；
输出：主流的规律性轨迹集；
处理步骤包括：
初始化数组n[m]为0，用于统计每次运行得到的值；
for i＝1to m do；
T_←随机从T中挑选ψ个作为该次样本；
repeat；
n[i]++；
从t中随机选择位置p；
T_←T_中包含有p的轨迹集合；
until T_为空；
end for；
每个t的n[m]数组作为中间结果，再进行运算：
S＝2-E((n(t))/C(n)；
其中C(N)＝2H(N-1)-2(N-1)/N；
H(i)＝ln(i)+0.57721566，其中0.57721566为欧拉常数
经过此运算，S值越高的就表示越偏离于主流的轨迹。S也称为轨迹异常系数，凡是轨迹异常系数S超过阈值limit_exception的是异常轨迹，需要删除。
S507：通勤轨迹聚类。
经过上述非规律性轨迹检测模块得到的剩余通勤轨迹记为集合A，计算轨迹相似度并把相似度高的轨迹进行合并得到合并集合C，计算C中每一个聚类簇的轨迹频繁点、每一个聚类簇的轨迹数量占比。
其中，计算上班轨迹特征相似度的算法描述为：输入：轨迹序列A，轨迹序列B，A轨迹途经地点元素个数a(包含非相邻的相同地点)，B轨迹途经地点元素个数b(包含非相邻的相同地点)，距离阈值limit_len；A与B的轨迹相似度Tdis(A，B，limit_len)定义为：A途经的所有地点中，与B途经的点的欧氏距离最小值小于limit_len的个数，显然个数会小于等于A的元素个数；B与A的轨迹相似度Tdis(B，A，limit_len)定义为：B途经的所有地点中，与A途经的点的欧氏距离最小值小于limit_len的个数，同理，个数也会小于等于B的元素个数；AB之间的轨迹相似度即为：(dis(A，B，limit_len)+dis(B，A，limit_len))/(a+b)；轨迹相似度的取值范围在0和1之间。极端情况下，A、B轨迹重合或非常相似，轨迹相似度为1，这是最大值。
举例说明，如图6所示。轨迹A记为<a1,a2,a3,a4>，沿途经过4个地点；轨迹B记为<b1,b2,b3,b4,b5>，沿途经过5个地点，limit_len设置为2。a1距离轨迹B上的b1点距离最近，为1；a2距离轨迹B上的b2点距离最近，为2；a3距离轨迹B上的b3点距离最近，为3；a4距离轨迹B上的b3点距离最近，为2；那么Tdis(A,B)＝1+1+0+1＝3。b1距离轨迹A上的a1点距离最近，为1；b2距离轨迹A上的a1点距离最近，为1；b3距离轨迹A上的a4点距离最近，为2；b4距离轨迹A上的a4点距离最近，为8；b5距离轨迹A上的a4点距离最近，为3；那么Tdis(B,A)＝1+1+1+0+0＝3。AB之间的轨迹相似度为0.667。
S508：通勤轨迹地图匹配。
根据S507的C中每一个聚类簇的轨迹频繁点和家庭位置、工作位置生成导航路径，提取导航路径途径点的GPS坐标，并计算导航预估时长，计算合并轨迹和其对应的导航路径的轨迹相似度和时长差。若轨迹相似度较高且时长差较小，则导航路径为该用户通勤规律性轨迹；否则可以调整S507的C中聚类簇的轨迹频繁点，若该轨迹簇的通勤轨迹数量占比太小(比如小于0.1)也可以选择丢弃该聚类簇轨迹。
S509：用户规律性通勤轨迹生成。
对于上述合并集合C中只有一个聚类时，上述通勤轨迹聚类模块得到的该用户通勤规律性轨迹就是最终该用户的规律性轨迹；若上述合并集合C中有多个聚类时，最终该用户的规律性轨迹为上述通勤轨迹聚类模块生成的多条通勤规律性轨迹，并带有权重，权重为上述通勤轨迹聚类模块中的每一个聚类簇的轨迹数量占比。
现结合两个场景说明本发明的应用。
场景1、采集了移动网络位置信令数据(包括定期位置更新信令数据)，需要求解：家庭位置在A地、工作位置在B地的通勤用户中，上班的几条常见线路的客流量是多少？
本实施例提供了一种求解方案，该方案包括：计算用户通勤特征，筛选家庭位置为A，且工作位置为B的通勤用户集合users，计算得出用户数量；提取集合users中每个用户的通勤轨迹，上班通勤轨迹是上班途径的基站有序序列，通过基站小区编号和基站位置GPS坐标的映射关系得到用户位置GPS坐标；对集合users中每个用户，采用离群点检测算法检测出用户的非规律性通勤轨迹并剔除；对集合users中每个用户U i，对剩下的规律性通勤轨迹进行轨迹聚类和地图匹配，得到每个用户的带权重的1条或多条规律性轨迹Tra_i，该规律性轨迹集合记为Tra_users；按照上一步的方法，对Tra_users轨迹集合再一次进行轨迹聚类和地图匹配，得到带权重的1条或多条规律性轨迹Tra_users_j，其权重为对应聚类簇中轨迹的权重之和，该集合即是从A到B的线路集合CC，CC中的每一条线路CCi就是Tra_users_j，每条线路的客流量就是对应的Tra_users_j的权重。
场景2、采集了大量车辆的GPS数据，需要求解：上班经过某路段r的车辆，每小时车量占比，提取用户信息和规律性通勤信息，比如家庭位置分布是怎样的，工作位置分布是怎样的，通勤出行的习惯性线路是怎样的？r可能是某段高速路，可能是某大桥或是其他的一段连通路段。
本实施例提供了一种求解方案，该方案包括如下步骤：筛选与路段r相关的路段集合R，计算R的经纬度范围Region_R；计算用户通勤特征；提取用户通勤轨迹，增加小时时间标签，筛选上班通勤轨迹中包含Region_R的用户轨迹和用户，该用户轨迹集合记为T_R，该用户集合记为Users，对于Users中的每个用户Ui，记录符合条件的通勤轨迹的权重Ui_num，不在Users中的用户后续不再关注，用户集合Users中每个用户Ui的全部通勤轨迹记为T；经过统计即可得出每小时车量；提取Users中每个用户Ui的通勤特征则可得出需要的用户信息；而用户的规律性通勤信息可按照本专利所述来获取，在下面的子步骤中描述；对于用户集合Users和其通勤轨迹T，对于每一个Ui，检测用户Ui的非规律性通勤轨迹；用户通勤轨迹的轨迹聚类和地图匹配，得到用户带权重的1条或多条规律性轨迹。
综上可知，通过本发明的实施，至少存在以下有益效果：
本发明提供了一种用户通勤轨迹管理方法，直接通过定位系统，如用户终端上的定位设备或者通信基站等获取用户的出行数据，根据用户出行数据计算用户规律性轨迹并输出，在该过程中，不用进行用户调研，增强了对用户通勤的管理力度，解决了现有用户出行规律采用宏观性的调查和研究导致不能对用户通勤进行全面了解和掌控的技术问题，增强了用户的使用体验；
进一步的，本发明主要是通过采集用户出行位置数据，提取用户通勤轨迹，通过离群点检测算法检测出非规律性的通勤轨迹，然后对富有规律的通勤轨迹进行聚类和地图匹配，以实现用户规律性通勤轨迹计算系统和方法。有利于精细化的通勤路段管理，便于掌握一些关键性交通信息，比如通勤高峰时各路段的负荷水平，比如某路段封闭、管制、限行等将影响多少市民的出行，以及这些市民的分布情况等。
以上仅是本发明的具体实施方式而已，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施方式所做的任意简单修改、等同变化、结合或修饰，均仍属于本发明技术方案的保护范围。
Claims (25)
1.一种用户通勤轨迹管理方法，其特征在于，包括：
通过定位系统获取各用户的出行数据；所述出行数据包括停留点及各停留点对应的时间戳；
根据所述各用户的出行数据计算各用户的用户规律性轨迹；
输出所述各用户的用户规律性轨迹至通勤道路管理系统。
2.如权利要求1所述的用户通勤轨迹管理方法，其特征在于，所述根据所述各用户的出行数据计算各用户的用户规律性轨迹包括：
根据所述出行数据计算通勤特征；所述通勤特征包括家庭位置、工作位置、通勤时段；
根据所述通勤特征的通勤时段、所述出行数据中的停留点及各停留点对应的时间戳，对不属于所述通勤时段的所述出行数据进行筛选去除，将筛选得到的停留点按照时间戳排序生成通勤轨迹；
计算通勤轨迹之间的轨迹相似度，将轨迹相似度大于第一阈值的通勤轨迹合并生成聚类簇，并确定所述聚类簇的代表通勤轨迹；
根据选择策略从所述聚类簇所有通勤轨迹的停留点中选择通勤轨迹频繁点，根据家庭位置、工作位置、所述通勤轨迹频繁点及对应的时间戳生成导航路径；
计算所述导航路径与所述代表通勤轨迹之间的轨迹相似度，若所述导航路径与所述代表通勤轨迹之间的轨迹相似度大于第二阈值，则将所述导航路径作为所述聚类簇的通勤规律性轨迹，根据所述聚类簇的通勤规律性轨迹生成用户规律性轨迹。
3.如权利要求2所述的用户通勤轨迹管理方法，其特征在于，所述通勤时段包括上班通勤时段及下班通勤时段，所述通勤轨迹包括上班通勤轨迹及下班通勤轨迹，所述根据家庭位置、工作位置、所述通勤轨迹频繁点及对应的时间戳生成导航路径包括：若所述聚类簇由上班通勤轨迹合并生成，则生成以用户家庭位置、工作位置为起止点、依次通过所述通勤轨迹频繁点的导航路径；若所述聚类簇由下班通勤轨迹合并生成，则生成以用户工作位置、家庭位置为起止点、依次通过通勤轨迹频繁点的导航路径。
4.如权利要求2所述的用户通勤轨迹管理方法，其特征在于，还包括：若所述导航路径与所述代表通勤轨迹之间的轨迹相似度小于第二阈值，则重新选择所述通勤轨迹频繁点并生成新导航路径，计算并判断所述新导航路径与所述代表通勤轨迹之间的轨迹相似度是否大于所述第二阈值，若是，则将所述新导航路径作为所述聚类簇的通勤规律性轨迹，若否，则循环执行重新计算所述聚类簇的通勤轨迹频繁点并生成新导航路径的步骤，至新导航路径与所述代表通勤轨迹之间的轨迹相似度大于所述第二阈值。
5.如权利要求2所述的用户通勤轨迹管理方法，其特征在于，还包括：计算所述导航路径的导航预估时长，在判断所述导航路径与所述代表通勤轨迹的轨迹相似度是否大于所述第二阈值的同时，判断所述导航路径的导航预估时长与所述代表通勤轨迹的时长差值是否小于第三阈值；若所述导航路径与所述代表通勤轨迹的轨迹相似度大于第二阈值、且所述导航路径的导航预估时长与所述代表通勤轨迹的时长差值小于第三阈值，则将所述导航路径作为所述聚类簇的通勤规律性轨迹。
6.如权利要求2所述的用户通勤轨迹管理方法，其特征在于，所述聚类簇为多个，所述根据所述聚类簇的通勤规律性轨迹生成用户规律性轨迹包括：计算各聚类簇的通勤轨迹数量占比，将各聚类簇的通勤轨迹数量占比作为其通勤规律性轨迹的权重，相加生成用户规律性轨迹；所述聚类簇为一个，所述根据所述聚类簇的通勤规律性轨迹生成用户规律性轨迹包括：将所述聚类簇的通勤规律性轨迹作为用户规律性轨迹。
7.如权利要求6所述的用户通勤轨迹管理方法，其特征在于，所述聚类簇为多个，所述方法还包括：若聚类簇的通勤轨迹数量占比小于第四阈值，则删除对应的聚类簇。
8.如权利要求2所述的用户通勤轨迹管理方法，其特征在于，所述确定所述聚类簇的代表通勤轨迹包括：逐一计算所述聚类簇中各通勤轨迹与其他通勤轨迹的轨迹相似度之和，将轨迹相似度之和最大的通勤轨迹作为所述代表通勤轨迹。
9.如权利要求2所述的用户通勤轨迹管理方法，其特征在于，所述计算轨迹之间的轨迹相似度包括：轨迹A途径a个地点，轨迹B途径b个地点，轨迹A与轨迹B的轨迹相似度为轨迹A途径的所有地点中，与轨迹B途径的点的距离最小值小于第五阈值的个数a’，轨迹B与轨迹A的轨迹相似度为轨迹B途径的所有地点中，与轨迹A途径的点的距离最小值小于第五阈值的个数b’，轨迹A与轨迹B之间的轨迹相似度为(a’+b’)/(a+b)。
10.如权利要求2所述的用户通勤轨迹管理方法，其特征在于，在生成通勤轨迹之后，还包括：通过离群点检测算法识别所述通勤轨迹中明显不同的通勤轨迹，删除识别出的通勤轨迹。
11.如权利要求2至10任一项所述的用户通勤轨迹管理方法，其特征在于，在生成通勤轨迹之前，还包括：从所有用户中筛选出家庭位置、工作位置可识别的通勤用户，生成所述可识别的通勤用户的通勤轨迹。
12.如权利要求11所述的用户通勤轨迹管理方法，其特征在于，所述从所有用户中筛选出家庭位置、工作位置可识别的通勤用户包括：根据各用户的出行数据计算各用户的出行地点离散熵，将出行地点离散熵小于第六阈值的用户作为通勤用户；获取并根据各通勤用户的出行数据，识别各通勤用户的家庭位置、工作位置，若不可识别，则忽略对应通勤用户。
13.一种用户通勤轨迹管理装置，其特征在于，包括：
获取模块，用于通过定位系统获取各用户的出行数据；所述出行数据包括停留点及各停留点对应的时间戳；
处理模块，用于根据所述各用户的出行数据计算各用户的用户规律性轨迹；
输出模块，用于输出所述各用户的用户规律性轨迹至通勤道路管理系统。
14.如权利要求13所述的用户通勤轨迹管理装置，其特征在于，所述处理模块包括：
通勤特征计算模块，用于根据所述出行数据计算通勤特征；所述通勤特征包括家庭位置、工作位置、通勤时段；
通勤轨迹生成模块，用于根据所述通勤特征的通勤时段、所述出行数据中的停留点及各停留点对应的时间戳，对不属于所述通勤时段的所述出行数据进行筛选去除，将筛选得到的停留点按照时间戳排序生成通勤轨迹；
通勤聚类管理模块，用于计算通勤轨迹之间的轨迹相似度，将轨迹相似度大于第一阈值的通勤轨迹合并生成聚类簇，并确定所述聚类簇的代表通勤轨迹；
导航路径生成模块，用于根据选择策略从所述聚类簇所有通勤轨迹的停留点中选择通勤轨迹频繁点，根据家庭位置、工作位置、所述通勤轨迹频繁点及对应的时间戳生成导航路径；
通勤规律轨迹模块，用于计算所述导航路径与所述代表通勤轨迹之间的轨迹相似度，若所述导航路径与所述代表通勤轨迹之间的轨迹相似度大于第二阈值，则将所述导航路径作为所述聚类簇的通勤规律性轨迹，根据所述聚类簇的通勤规律性轨迹生成用户规律性轨迹。
15.如权利要求14所述的用户通勤轨迹管理装置，其特征在于，所述通勤时段包括上班通勤时段及下班通勤时段，所述通勤轨迹包括上班通勤轨迹及下班通勤轨迹，所述导航路径生成模块用于，若所述聚类簇由上班通勤轨迹合并生成，则生成以用户家庭位置、工作位置为起止点、依次通过所述通勤轨迹频繁点的导航路径；若所述聚类簇由下班通勤轨迹合并生成，则生成以用户工作位置、家庭位置为起止点、依次通过通勤轨迹频繁点的导航路径。
16.如权利要求14所述的用户通勤轨迹管理装置，其特征在于，所述通勤规律轨迹模块还用于若所述导航路径与所述代表通勤轨迹之间的轨迹相似度小于第二阈值，则触发所述导航路径生成模块重新选择所述通勤轨迹频繁点并生成新导航路径，计算并判断所述新导航路径与所述代表通勤轨迹之间的轨迹相似度是否大于所述第二阈值，若是，则将所述新导航路径作为所述聚类簇的通勤规律性轨迹，若否，则循环执行重新计算所述聚类簇的通勤轨迹频繁点并生成新导航路径的步骤，至新导航路径与所述代表通勤轨迹之间的轨迹相似度大于所述第二阈值。
17.如权利要求14所述的用户通勤轨迹管理装置，其特征在于，所述导航路径生成模块还用于计算所述导航路径的导航预估时长，所述通勤规律轨迹模块还用于在判断所述导航路径与所述代表通勤轨迹的轨迹相似度是否大于所述第二阈值的同时，判断所述导航路径的导航预估时长与所述代表通勤轨迹的时长差值是否小于第三阈值；若所述导航路径与所述代表通勤轨迹的轨迹相似度大于第二阈值、且所述导航路径的导航预估时长与所述代表通勤轨迹的时长差值小于第三阈值，则将所述导航路径作为所述聚类簇的通勤规律性轨迹。
18.如权利要求14所述的用户通勤轨迹管理装置，其特征在于，所述聚类簇为多个，所述通勤规律轨迹模块用于计算各聚类簇的通勤轨迹数量占比，将各聚类簇的通勤轨迹数量占比作为其通勤规律性轨迹的权重，相加生成用户规律性轨迹；所述聚类簇为一个，所述通勤规律轨迹模块用于将所述聚类簇的通勤规律性轨迹作为用户规律性轨迹，根据用户规律性轨迹进行通勤路段管理。
19.如权利要求18所述的用户通勤轨迹管理装置，其特征在于，所述聚类簇为多个，所述通勤规律轨迹模块还用于若聚类簇的通勤轨迹数量占比小于第四阈值，则删除对应的聚类簇。
20.如权利要求14所述的用户通勤轨迹管理装置，其特征在于，所述通勤聚类管理模块用于逐一计算所述聚类簇中各通勤轨迹与其他通勤轨迹的轨迹相似度之和，将轨迹相似度之和最大的通勤轨迹作为所述代表通勤轨迹。
21.如权利要求14所述的用户通勤轨迹管理装置，其特征在于，所述处理模块还包括轨迹相似度计算模块，用于计算轨迹之间的轨迹相似度，具体用于，轨迹A途径a个地点，轨迹B途径b个地点，轨迹A与轨迹B的轨迹相似度为轨迹A途径的所有地点中，与轨迹B途径的点的距离最小值小于第五阈值的个数a’，轨迹B与轨迹A的轨迹相似度为轨迹B途径的所有地点中，与轨迹A途径的点的距离最小值小于第五阈值的个数b’，轨迹A与轨迹B之间的轨迹相似度为(a’+b’)/(a+b)。
22.如权利要求14所述的用户通勤轨迹管理装置，其特征在于，所述通勤轨迹生成模块在生成通勤轨迹之后，还用于通过离群点检测算法识别所述通勤轨迹中明显不同的通勤轨迹，删除识别出的通勤轨迹。
23.如权利要求14至22任一项所述的用户通勤轨迹管理装置，其特征在于，所述通勤轨迹生成模块在生成通勤轨迹之前，还用于从所有用户中筛选出家庭位置、工作位置可识别的通勤用户，生成所述可识别的通勤用户的通勤轨迹。
24.如权利要求23所述的用户通勤轨迹管理装置，其特征在于，所述通勤轨迹生成模块用于根据各用户的出行数据计算各用户的出行地点离散熵，将出行地点离散熵小于第六阈值的用户作为通勤用户；获取并根据各通勤用户的出行数据，识别各通勤用户的家庭位置、工作位置，若不可识别，则忽略对应通勤用户。
25.一种用户通勤轨迹管理系统，其特征在于，包括：定位系统、通勤道路管理系统、以及如权利要求13至24任一项所述的用户通勤轨迹管理装置；所述定位系统用于监听用户的出行数据，所述出行数据包括停留点及各停留点对应的时间戳；所述用户通勤轨迹管理装置用于通过所述定位系统获取各用户的出行数据，根据所述各用户的出行数据计算各用户的用户规律性轨迹，输出所述各用户的用户规律性轨迹至所述通勤道路管理系统；所述通勤道路管理装置用于根据所述用户规律性轨迹管理通勤道路。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610077984.2A CN107038168A (zh) | 2016-02-03 | 2016-02-03 | 一种用户通勤轨迹管理方法、装置及系统 |
| PCT/CN2017/072697 WO2017133627A1 (zh) | 2016-02-03 | 2017-01-25 | 用户通勤轨迹管理方法、装置及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610077984.2A CN107038168A (zh) | 2016-02-03 | 2016-02-03 | 一种用户通勤轨迹管理方法、装置及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107038168A true CN107038168A (zh) | 2017-08-11 |
Family
ID=59499386
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610077984.2A Pending CN107038168A (zh) | 2016-02-03 | 2016-02-03 | 一种用户通勤轨迹管理方法、装置及系统 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN107038168A (zh) |
| WO (1) | WO2017133627A1 (zh) |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107121690A (zh) * | 2017-03-31 | 2017-09-01 | 景致惠通工程咨询（武汉）有限公司 | 一种基于多运动参数的停留点识别方法和装置 |
| CN107958031A (zh) * | 2017-11-20 | 2018-04-24 | 上海市城市建设设计研究总院（集团）有限公司 | 基于融合数据的居民出行od分布提取方法 |
| CN108256733A (zh) * | 2017-12-12 | 2018-07-06 | 北京荣之联科技股份有限公司 | 营运性车辆的判断方法和装置 |
| CN108647735A (zh) * | 2018-05-15 | 2018-10-12 | 广州杰赛科技股份有限公司 | 用户出行规律分析方法、装置、设备及存储介质 |
| CN109413587A (zh) * | 2018-09-20 | 2019-03-01 | 广州纳斯威尔信息技术有限公司 | 基于WiFi日志的用户轨迹预测方法 |
| CN109948070A (zh) * | 2019-03-13 | 2019-06-28 | 深圳市同行者科技有限公司 | 一种家和公司位置的分析确定方法、存储介质及终端 |
| CN110084308A (zh) * | 2019-04-30 | 2019-08-02 | 杭州远眺科技有限公司 | 一种基于车辆轨迹分析构建通勤路径的方法 |
| CN110751531A (zh) * | 2018-11-13 | 2020-02-04 | 北京嘀嘀无限科技发展有限公司 | 轨迹识别方法、装置及电子设备 |
| CN111310834A (zh) * | 2020-02-19 | 2020-06-19 | 深圳市商汤科技有限公司 | 数据处理方法及装置、处理器、电子设备、存储介质 |
| CN111341135A (zh) * | 2019-12-24 | 2020-06-26 | 中山大学 | 基于兴趣点及导航数据的手机信令数据出行方式识别方法 |
| CN111369787A (zh) * | 2018-12-26 | 2020-07-03 | 杭州海康威视系统技术有限公司 | 一种车辆轨迹预测方法、装置及电子设备 |
| CN111380541A (zh) * | 2018-12-29 | 2020-07-07 | 沈阳美行科技有限公司 | 兴趣点确定方法、装置、计算机设备和存储介质 |
| CN111380547A (zh) * | 2018-12-29 | 2020-07-07 | 沈阳美行科技有限公司 | 熟路轨迹确定方法、装置、计算机设备和存储介质 |
| CN111432344A (zh) * | 2020-03-27 | 2020-07-17 | 杭州华量软件有限公司 | 一种基于相邻船只的渔船时空轨迹修正方法及装置 |
| CN111640303A (zh) * | 2020-05-29 | 2020-09-08 | 青岛大学 | 城市通勤路径识别方法及设备 |
| CN112639764A (zh) * | 2020-03-31 | 2021-04-09 | 华为技术有限公司 | 汽车出行规律的分析方法、服务器及系统 |
| CN113190769A (zh) * | 2021-05-08 | 2021-07-30 | 北京百度网讯科技有限公司 | 通勤特征数据确定方法、装置、电子设备和存储介质 |
| CN113556698A (zh) * | 2021-07-21 | 2021-10-26 | 智慧足迹数据科技有限公司 | 基于手机信令的信息聚类方法、装置、设备及介质 |
| CN113724494A (zh) * | 2021-07-30 | 2021-11-30 | 东南大学 | 一种定制公交需求区域识别方法 |
| CN114117261A (zh) * | 2022-01-29 | 2022-03-01 | 腾讯科技（深圳）有限公司 | 轨迹检测方法、装置、电子设备及存储介质 |
| WO2022041262A1 (zh) * | 2020-08-31 | 2022-03-03 | 苏州大成电子科技有限公司 | 一种基于大数据的城市轨交用户锚点计算方法 |
| CN115440040A (zh) * | 2022-09-02 | 2022-12-06 | 重庆大学 | 一种基于高速公路通行数据的通勤车辆识别方法 |
| CN117332376A (zh) * | 2023-12-01 | 2024-01-02 | 北京航空航天大学 | 基于手机信令数据的通勤人员和方式的辨识方法及系统 |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109405840B (zh) * | 2017-08-18 | 2023-09-08 | 中兴通讯股份有限公司 | 地图数据更新方法、服务器及计算机可读存储介质 |
| FR3079309B1 (fr) * | 2018-03-21 | 2020-07-17 | Sigfox | Procede et systeme de geolocalisation de terminaux evoluant en groupe |
| CN111414437B (zh) * | 2019-01-08 | 2023-06-20 | 阿里巴巴集团控股有限公司 | 线路轨迹的生成方法及装置 |
| CN111859167B (zh) * | 2019-04-29 | 2024-04-30 | 北京四维图新科技股份有限公司 | 路径获取方法、装置、系统和存储介质 |
| CN110222873B (zh) * | 2019-05-14 | 2023-10-31 | 北京城建智控科技股份有限公司 | 一种基于大数据的地铁站客流量预测方法 |
| CN110909037B (zh) * | 2019-10-09 | 2024-02-13 | 中国人民解放军战略支援部队信息工程大学 | 一种频繁轨迹模式的挖掘方法及装置 |
| CN111143779B (zh) * | 2019-12-31 | 2023-07-25 | 斑马网络技术有限公司 | 获得通勤规律的方法、装置、电子设备及存储介质 |
| CN112541012A (zh) * | 2020-01-02 | 2021-03-23 | 北京融信数联科技有限公司 | 基于移动通信大数据和熵值的城市职住平衡人口统计方法 |
| CN111784742B (zh) * | 2020-06-29 | 2023-08-29 | 杭州海康威视数字技术股份有限公司 | 一种行人跨镜头追踪方法及装置 |
| CN113984077B (zh) * | 2021-10-26 | 2024-06-21 | 武汉大学 | 一种电力巡检导航路径的获取方法和系统 |
| CN114882066B (zh) * | 2022-07-11 | 2022-11-22 | 浙江大华技术股份有限公司 | 目标跟踪方法及相关装置、电子设备和存储介质 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101964148B (zh) * | 2009-07-24 | 2013-06-19 | 日立(中国)研究开发有限公司 | 道路交通信息记录服务器和gps用户终端 |
| CN102611985B (zh) * | 2011-01-24 | 2016-02-24 | 国际商业机器公司 | 一种用于提供出行信息的方法和设备 |
| CN102629297B (zh) * | 2012-03-06 | 2016-01-06 | 北京建筑工程学院 | 一种基于行程识别的出行者活动规律分析方法 |
| CN102595323B (zh) * | 2012-03-20 | 2014-05-07 | 北京交通发展研究中心 | 基于手机定位数据的居民出行特征参数的获取方法 |
| CN103279802B (zh) * | 2013-04-17 | 2016-01-13 | 吉林大学 | 通勤者日活动-出行时间预测方法 |
| CN104270714B (zh) * | 2014-09-11 | 2018-04-10 | 华为技术有限公司 | 确定用户行动轨迹的方法和装置 |
-
2016
- 2016-02-03 CN CN201610077984.2A patent/CN107038168A/zh active Pending
-
2017
- 2017-01-25 WO PCT/CN2017/072697 patent/WO2017133627A1/zh active Application Filing
Cited By (33)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107121690A (zh) * | 2017-03-31 | 2017-09-01 | 景致惠通工程咨询（武汉）有限公司 | 一种基于多运动参数的停留点识别方法和装置 |
| CN107121690B (zh) * | 2017-03-31 | 2019-05-28 | 景致惠通工程咨询（武汉）有限公司 | 一种基于多运动参数的停留点识别方法和装置 |
| CN107958031A (zh) * | 2017-11-20 | 2018-04-24 | 上海市城市建设设计研究总院（集团）有限公司 | 基于融合数据的居民出行od分布提取方法 |
| CN108256733A (zh) * | 2017-12-12 | 2018-07-06 | 北京荣之联科技股份有限公司 | 营运性车辆的判断方法和装置 |
| CN108647735A (zh) * | 2018-05-15 | 2018-10-12 | 广州杰赛科技股份有限公司 | 用户出行规律分析方法、装置、设备及存储介质 |
| CN108647735B (zh) * | 2018-05-15 | 2021-01-12 | 广州杰赛科技股份有限公司 | 用户出行规律分析方法、装置、设备及存储介质 |
| CN109413587A (zh) * | 2018-09-20 | 2019-03-01 | 广州纳斯威尔信息技术有限公司 | 基于WiFi日志的用户轨迹预测方法 |
| CN110751531A (zh) * | 2018-11-13 | 2020-02-04 | 北京嘀嘀无限科技发展有限公司 | 轨迹识别方法、装置及电子设备 |
| CN111369787A (zh) * | 2018-12-26 | 2020-07-03 | 杭州海康威视系统技术有限公司 | 一种车辆轨迹预测方法、装置及电子设备 |
| CN111380541A (zh) * | 2018-12-29 | 2020-07-07 | 沈阳美行科技有限公司 | 兴趣点确定方法、装置、计算机设备和存储介质 |
| CN111380547A (zh) * | 2018-12-29 | 2020-07-07 | 沈阳美行科技有限公司 | 熟路轨迹确定方法、装置、计算机设备和存储介质 |
| CN111380547B (zh) * | 2018-12-29 | 2022-05-17 | 沈阳美行科技股份有限公司 | 熟路轨迹确定方法、装置、计算机设备和存储介质 |
| CN109948070A (zh) * | 2019-03-13 | 2019-06-28 | 深圳市同行者科技有限公司 | 一种家和公司位置的分析确定方法、存储介质及终端 |
| CN110084308A (zh) * | 2019-04-30 | 2019-08-02 | 杭州远眺科技有限公司 | 一种基于车辆轨迹分析构建通勤路径的方法 |
| CN111341135A (zh) * | 2019-12-24 | 2020-06-26 | 中山大学 | 基于兴趣点及导航数据的手机信令数据出行方式识别方法 |
| CN111310834A (zh) * | 2020-02-19 | 2020-06-19 | 深圳市商汤科技有限公司 | 数据处理方法及装置、处理器、电子设备、存储介质 |
| CN111310834B (zh) * | 2020-02-19 | 2024-05-28 | 深圳市商汤科技有限公司 | 数据处理方法及装置、处理器、电子设备、存储介质 |
| CN111432344A (zh) * | 2020-03-27 | 2020-07-17 | 杭州华量软件有限公司 | 一种基于相邻船只的渔船时空轨迹修正方法及装置 |
| WO2021196049A1 (zh) * | 2020-03-31 | 2021-10-07 | 华为技术有限公司 | 汽车出行规律的分析方法、服务器及系统 |
| CN112639764A (zh) * | 2020-03-31 | 2021-04-09 | 华为技术有限公司 | 汽车出行规律的分析方法、服务器及系统 |
| LT6815B (lt) | 2020-05-29 | 2021-04-26 | Qingdao University | Vykimo į darbą ir atgal miesto maršruto atpažinimo būdas ir įrenginys |
| CN111640303A (zh) * | 2020-05-29 | 2020-09-08 | 青岛大学 | 城市通勤路径识别方法及设备 |
| WO2022041262A1 (zh) * | 2020-08-31 | 2022-03-03 | 苏州大成电子科技有限公司 | 一种基于大数据的城市轨交用户锚点计算方法 |
| CN113190769B (zh) * | 2021-05-08 | 2023-09-19 | 北京百度网讯科技有限公司 | 通勤特征数据确定方法、装置、电子设备和存储介质 |
| CN113190769A (zh) * | 2021-05-08 | 2021-07-30 | 北京百度网讯科技有限公司 | 通勤特征数据确定方法、装置、电子设备和存储介质 |
| CN113556698A (zh) * | 2021-07-21 | 2021-10-26 | 智慧足迹数据科技有限公司 | 基于手机信令的信息聚类方法、装置、设备及介质 |
| CN113724494A (zh) * | 2021-07-30 | 2021-11-30 | 东南大学 | 一种定制公交需求区域识别方法 |
| CN113724494B (zh) * | 2021-07-30 | 2022-06-07 | 东南大学 | 一种定制公交需求区域识别方法 |
| CN114117261A (zh) * | 2022-01-29 | 2022-03-01 | 腾讯科技（深圳）有限公司 | 轨迹检测方法、装置、电子设备及存储介质 |
| CN115440040A (zh) * | 2022-09-02 | 2022-12-06 | 重庆大学 | 一种基于高速公路通行数据的通勤车辆识别方法 |
| CN115440040B (zh) * | 2022-09-02 | 2023-09-22 | 重庆大学 | 一种基于高速公路通行数据的通勤车辆识别方法 |
| CN117332376A (zh) * | 2023-12-01 | 2024-01-02 | 北京航空航天大学 | 基于手机信令数据的通勤人员和方式的辨识方法及系统 |
| CN117332376B (zh) * | 2023-12-01 | 2024-02-27 | 北京航空航天大学 | 基于手机信令数据的通勤人员和方式的辨识方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2017133627A1 (zh) | 2017-08-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107038168A (zh) | 一种用户通勤轨迹管理方法、装置及系统 | |
| Li et al. | Studying the benefits of carpooling in an urban area using automatic vehicle identification data | |
| CN104050817B (zh) | 限速信息库生成、限速信息检测的方法和系统 | |
| CN107134142B (zh) | 一种基于多源数据融合的城市道路流量预测方法 | |
| CN101127158B (zh) | 预测交通信息生成方法、预测交通信息生成装置及交通信息显示终端 | |
| CN105513339B (zh) | 一种车辆轨迹分析方法和设备 | |
| CN105701123B (zh) | 人车关系的识别方法及装置 | |
| CN106197458A (zh) | 一种基于手机信令数据和导航路线数据的手机用户出行方式识别方法 | |
| Kim | Identifying the structure of cities by clustering using a new similarity measure based on smart card data | |
| CN106971544B (zh) | 一种直接利用静态图像来检测车辆拥堵的方法 | |
| CN103077604A (zh) | 交通传感器管理方法和系统 | |
| CN103702360B (zh) | 一种确定业务接入端口的数据流速的方法及装置 | |
| CN106323301A (zh) | 一种道路情报的获取方法及装置 | |
| CN104978858A (zh) | 一种基于手机信令的高速公路实时路况监测方法 | |
| CN108198438B (zh) | 一种基于上下游路口车流量的启发式缺失道路车流量推算方法 | |
| CN102968900A (zh) | 一种对rfid交通数据进行处理的方法 | |
| CN106651027A (zh) | 一种基于社交网络的互联网班车线路优化方法 | |
| CN105631551A (zh) | 一种最优路线的推荐方法及装置 | |
| CN106060920A (zh) | 热点区域确定方法和系统 | |
| CN105509758A (zh) | 一种基于移动终端的线路规划方法、系统及移动终端 | |
| CN112770265B (zh) | 一种行人身份信息获取方法、系统、服务器和存储介质 | |
| CN108882152B (zh) | 一种基于路径选择上报的用户隐私保护方法 | |
| CN116189436B (zh) | 一种基于大数据的多源数据融合算法 | |
| CN104298832A (zh) | 一种基于rfid技术的路网交通流分析方法 | |
| CN103888961A (zh) | 一种用户监控方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170811 |
|
| WD01 | Invention patent application deemed withdrawn after publication |