CN107071719A - 一种基于室内移动对象轨迹分析的热点区域热度分析方法 - Google Patents
一种基于室内移动对象轨迹分析的热点区域热度分析方法 Download PDFInfo
- Publication number
- CN107071719A CN107071719A CN201611139823.8A CN201611139823A CN107071719A CN 107071719 A CN107071719 A CN 107071719A CN 201611139823 A CN201611139823 A CN 201611139823A CN 107071719 A CN107071719 A CN 107071719A
- Authority
- CN
- China
- Prior art keywords
- mobile object
- indoor
- time
- liveness
- track
- 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
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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
- H04W4/029—Location-based management or tracking services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Remote Sensing (AREA)
- Signal Processing (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开一种基于室内移动对象轨迹分析的热点区域热度分析方法,该方法通过室内定位设备获取移动对象的轨迹数据,进而根据不同时间段的数据进行移动对象特性分析以及室内热点区域的挖掘。本方法首先对室内定位设备得到的基于语义的历史数据进行预处理,获得室内移动对象的轨迹;在获得轨迹的基础上进行停留位置检测和停留轨迹检测,剪枝无意义但访问次数频繁的位置,统计停留位置的访问次数和停留时间;计算移动对象‑室内位置兴趣度关系矩阵,通过迭代计算移动对象活跃度和位置热度,通过聚类的方法对区域热度划分等级,从而得到热点区域。由于轨迹信息中包含时间戳信息,在时间维度上,该算法具有对不同时间范围内挖掘相应热点区域的能力。
Description
技术领域
本发明涉及室内移动对象的轨迹分析领域和室内热点区域挖掘领域,是一种基于室内移动对象轨迹分析的热点区域热度分析方法。
背景技术
近些年来,由于GPS定位技术的成熟,日常生活中大量的GPS轨迹数据被收集积累起来用于轨迹分析,基于位置的服务在室外空间的应用得到了迅猛的发展。由于GPS定位在室内空间的局限性,使其无法应用于室内环境。如今随着RFID、蓝牙、WLAN技术的发展以及移动设备的普及,使得获取室内移动对象的轨迹数据成为现实。由于室内空间不同于室外空间,移动对象轨迹数据的表达方式也不相同,过去应用于室外空间的轨迹分析技术无法适应室内空间,室内移动对象轨迹数据研究才刚刚起步。
现有的室内移动对象轨迹分析技术往往试图将室内定位设备产生的数据重建为移动对象的2/3D坐标,在根据坐标信息运用聚类的方法查询热点区域,该方案的缺点在于:室内定位设备受室内环境因素的影响较大,如墙体会严重衰减无线射频信号,定位精度有限,导致重建出的2/3D轨迹坐标会出现严重偏离真实轨迹的情况;聚类的方法无法剔除一些无意义坐标的干扰,导致挖掘出的热点区域并非人们真正感兴趣的区域。本发明所述的方法采用基于语义分析的方法,无需重建2/3D坐标,虽会丢失部分空间信息,但也避免错误信息的干扰;采用筛选停留位置的方法剔除无意义位置,使挖掘出的热点区域更接近真实感兴趣区域。
发明内容
本发明所要解决的技术问题是:提供一种基于室内移动对象轨迹分析的热点区域热度分析方法。
本发明的目的是通过以下技术手段实现的:一种基于室内移动对象轨迹分析的热点区域热度分析方法,该方法包括以下步骤:
步骤(1),获取室内定位设备的位置信息,并对室内定位设备进行编号;采集各个室内定位设备记录的基于语义的历史数据,并对历史数据进行预处理,按移动对象进行分类,获得室内移动对象的轨迹;
步骤(2),在获得轨迹的基础上进行停留位置检测和停留轨迹检测:把移动对象轨迹中的停留时间大于预设时间阈值的位置筛选出来,保存在停留位置集合中;对应的,剔除非停留位置后的移动对象轨迹称为移动对象的停留轨迹。
步骤(3),基于室内移动对象停留轨迹进行热点区域挖掘:计算移动对象-室内位置兴趣度关系矩阵,迭代计算移动对象活跃度和位置热度,通过聚类的方法对区域热度划分等级,从而得到热点区域;
进一步地,所述步骤(1)中,对室内定位设备记录的基于语义的历史数据进行预处理的方法,具体为:
(A1)通过室内定位设备,捕获室内所有移动对象的位置数据,并保存于数据库中。所述的室内定位设备应具有判别不同对象的能力,即能识别移动对象的身份标识,连续时间内自始至终,不同的定位设备对同一移动对象应给出唯一识别标签;所述的室内定位设备本身应有唯一的标签以区别不同的定位设备;所述的室内定位设备记录的数据应包含时间信息;
(A2)获取室内定位设备Wi-Fi、RFID等源产生的原始数据日志记录Di,其格式为<ObservationID,LocationID_FK,UserID_FK,ObsCreationTime>,分别表示日志编号、定位设备编号、移动对象编号、产生时间;
(A3)针对某一个移动对象,获取其在各个定位设备中的数据片段,并根据其时间戳进行排序,得到对应移动对象的轨迹,轨迹表示为该移动对象访问位置的时间序列,其格式为:<D,readerID,tagID,enterTime,leaveTime,moveTime>,分别表示日志编号、定位设备编号、移动对象编号、进入时间、离开时间、以及移动对象离开前一设备覆盖范围进入当前设备覆盖范围所经历的时间。
进一步地,所述步骤(2)中,停留位置检测和停留轨迹检测算法,具体为:
(B1)所述的停留位置是指:移动对象在定位设备覆盖范围的停留时间大于预设时间阈值Tthresold的位置;所述停留位置的数据格式包含定位设备编号,目标移动对象编号、进入室内定位设备覆盖范围时间戳、离开定位设备覆盖范围时间戳,其格式为:<tagID,readerID,enterTime,leaveTime>,即满足条件leaveTime-enterTime>Tthresold的位置即为停留位置;所有符合要求的停留位置保存在一个停留位置集合中;
(B2)所述的移动对象停留轨迹是指移动对象访问的停留位置在时间顺序上的序列。
4.根据权利要求1所述的方法,其特征在于,所述步骤(3)中,基于室内移动对象轨迹的热点区域挖掘方法,具体为:
(C1)根据步骤(2)中提取的停留位置,计算移动对象对室内位置的兴趣度ID:
移动对象Oi对停留位置SLj的兴趣度为:
其中表示室内移动对象Oi访问停留位置SLj的平均停留时间,计算方法为duration表示该移动对象对该停留位置的总访问时间,visit表示该移动对象对该停留位置的总访问次数;表示移动对象访问所有位置的平均停留时间之和;
(C2)构建所有移动对象对各个停留位置的兴趣度矩阵MID;
(C3)根据步骤C2获得的兴趣度矩阵,计算移动对象活跃度(LD)以及室内位置热度(HD),所述的移动对象活跃度以该移动对象访问的室内位置热度之和表示,所有移动对象的活跃度表示为一个行向量;所述的室内位置热度以访问过该位置的移动对象的活跃度之和表示,所有停留位置的热度表示为一个行向量;所述的室内位置热度向量Hot与移动对象活跃度向量Liveness是兴趣度矩阵MID的邻近矩阵,即
其中,为Hot向量中第SLj个元素,即代表了位置SLj的热度;为Liveness向量中第Oi个元素,即代表了移动对象Oi的活跃度。
若以Livenessk,Hotk表示经过k次迭代后的移动对象活跃度和室内位置热度矩阵,则通过迭代方式求解可以得到:
Hotk=MID T×MID×Hotk-1
Livenessk=MID×MID T×Livenessk-1
由此,可以利用快速迭代的方法计算出Livenessk和Hotk。
(C4)根据迭代得到的热度矩阵Hotk,即得到停留位置SLj的热度 值越大,停留位置SLj的热度越高。
本发明的有益效果在于:本发明通过室内定位设备获取移动对象的轨迹数据,可分别对不同时间段的数据进行室内热点区域挖掘。
附图说明
图1是本发明的部分室内位置空间关系图;
图2是本发明的室内热点区域挖掘示意图;
图3是本发明中MID矩阵关系示意图;
图4是本发明的数据预处理及停留位置检测流程图;
图5是本发明的热点区域挖掘算法流程图。
具体实施方式
下面结合具体实例对本发明做进一步详述,本实例中对某大楼进行了热点区域挖掘,采用的数据库为zenodo的Indoor Positioning Database,包括以下步骤:
步骤(1),获得室内定位设备的位置信息,部分室内位置空间关系如图1所示;对室内定位设备进行编号后,采集各个室内定位设备记录的基于语义的历史数据,并对历史数据进行预处理,按移动对象进行分类,获得室内移动对象的轨迹;具体为:
(A1)通过室内定位设备,捕获室内所有移动对象的位置数据,并保存于数据库中。所述的室内定位设备应具有判别不同对象的能力,即能识别移动对象的身份标识,连续时间内自始至终,不同的定位设备对同一移动对象应给出唯一识别标签;所述的室内定位设备本身应有唯一的标签以区别不同的定位设备;所述的室内定位设备记录的数据应包含时间信息;
(A2)获取室内定位设备Wi-Fi、RFID等源产生的原始数据日志记录Di,其格式为<ObservationID,LocationID_FK,UserID_FK,ObsCreationTime>,分别表示日志编号、定位设备编号、移动对象编号、产生时间;部分室内位置空间关系如图1所示,其在每个房间部署了一个室内定位设备(Wi-Fi),一共捕获了125374条定位数据日志,部分数据日志如表1所示:
表1:部分定位数据日志表
Observation_ID | Location_ID_FK | User_ID_FK | Obs_Creation_Time |
1 | 1 | 1 | 2012/10/17 15:31:48 |
2 | 1 | 1 | 2012/10/17 15:32:08 |
3 | 1 | 1 | 2012/10/17 15:32:27 |
4 | 1 | 1 | 2012/10/17 15:33:22 |
5 | 2 | 1 | 2012/10/17 15:24:48 |
6 | 2 | 1 | 2012/10/17 15:25:00 |
7 | 2 | 1 | 2012/10/17 15:25:10 |
8 | 2 | 1 | 2012/10/17 15:25:20 |
9 | 3 | 1 | 2012/10/17 16:12:33 |
10 | 3 | 1 | 2012/10/17 16:12:44 |
(A3)针对某一个移动对象,获取其在各个定位设备中的数据片段共712条,并根据其时间戳进行排序,得到对应移动对象的轨迹,轨迹表示为该移动对象访问位置的时间序列,其格式为:<D,readerID,tagID,enterTime,leaveTime,moveTime>,分别表示日志编号、定位设备编号、移动对象编号、进入时间、离开时间、以及移动对象离开前一设备覆盖范围进入当前设备覆盖范围所经历的时间。部分轨迹日志数据如表2所示:
表2:部分移动对象轨迹日志表
ID | tag_ID | reader_ID | enter_Time | leave_Time | move_Time |
1 | 1 | 22 | 2012/10/17 14:14:48 | 2012/10/17 14:15:16 | 0 |
2 | 1 | 26 | 2012/10/17 14:20:56 | 2012/10/17 14:21:35 | 221 |
3 | 1 | 9 | 2012/10/17 14:25:16 | 2012/10/17 14:25:47 | 205 |
4 | 1 | 20 | 2012/10/17 14:29:12 | 2012/10/17 14:29:49 | 138 |
5 | 1 | 21 | 2012/10/17 14:32:07 | 2012/10/17 14:32:44 | 153 |
6 | 1 | 23 | 2012/10/17 14:35:17 | 2012/10/17 14:35:45 | 349 |
7 | 1 | 24 | 2012/10/17 14:41:34 | 2012/10/17 14:42:39 | 109 |
8 | 1 | 25 | 2012/10/17 14:44:28 | 2012/10/17 14:46:12 | 164 |
9 | 1 | 19 | 2012/10/17 14:48:56 | 2012/10/17 14:50:35 | 143 |
10 | 1 | 35 | 2012/10/17 14:52:58 | 2012/10/17 14:54:30 | 306 |
步骤(2),在获得轨迹的基础上进行停留位置检测和停留轨迹检测:把移动对象轨迹中的停留时间大于预设时间阈值(60s)的位置筛选出来,共挖掘出32个停留位置,保存在停留位置集合中。其中
停留位置是指:移动对象在定位设备覆盖范围的停留时间大于预设时间阈值Tthresold的位置;所述停留位置的数据格式包含定位设备编号,目标移动对象编号、进入室内定位设备覆盖范围时间戳、离开定位设备覆盖范围时间戳,其格式为:<tagID,readerID,enterTime,leaveTime>,即满足条件leaveTime-enterTime>Tthresold的位置即为停留位置;所有符合要求的停留位置保存在一个停留位置集合中;
移动对象停留轨迹是指移动对象访问的停留位置在时间顺序上的序列。
步骤(3),基于室内移动对象停留轨迹进行热点区域挖掘:计算移动对象-室内位置兴趣度关系矩阵,迭代计算移动对象活跃度和位置热度,具体为:
(C1)根据步骤(2)中提取的停留位置,计算移动对象对室内位置的兴趣度ID:移动对象Oi对停留位置SLj的兴趣度为:
其中表示室内移动对象Oi访问停留位置SLj的平均停留时间,计算方法为duration表示该移动对象对该停留位置的总访问时间,visit表示该移动对象对该停留位置的总访问次数;表示移动对象访问所有位置的平均停留时间之和;
(C2)构建所有移动对象对各个停留位置的兴趣度矩阵MID,移动对象-室内位置兴趣度矩阵MID表如表3所示:
表3:移动对象-室内位置兴趣度矩阵MID表
1 | 6 | 7 | 8 | 9 | 11 | 13 | 15 | 18 | 19 | 20 | |
1 | 0.00087 | 0.00191 | 0.0003 | 0.00292 | 0.00257 | 0.00097 | 0.0001 | 0.00198 | 0 | 0.00181 | 0.25229 |
2 | 0.00346 | 0.00785 | 0.0012 | 0.01158 | 0.01018 | 0.00386 | 0.0004 | 0.00785 | 0 | 0.00718 | 1 |
3 | 0.00878 | 0.01269 | 0.00848 | 0.00504 | 0.0077 | 0.01516 | 0.00081 | 0.02348 | 0.08547 | 0.21532 | 0.15613 |
4 | 0.00346 | 0.00785 | 0.0012 | 0.01158 | 0.01018 | 0.00386 | 0.0004 | 0.00785 | 0 | 0.00718 | 1 |
21 | 22 | 23 | 24 | 25 | 26 | 35 | 36 | 37 | 38 | 39 | |
1 | 0.03479 | 0.05029 | 0.0336 | 0.01996 | 0.03501 | 0.6007 | 0.00319 | 0.09305 | 0.33879 | 0.85348 | 0.61886 |
2 | 0.00878 | 0.01269 | 0.00848 | 0.00504 | 0.0077 | 0.01516 | 0.00081 | 0.02348 | 0.08547 | 0.21532 | 0.15613 |
3 | 0.1868 | 0.06054 | 0.19436 | 0.0996 | 0.00918 | 0.00772 | 0.00958 | 0.08303 | 0.00027 | 0.18269 | 0.25229 |
4 | 0.00878 | 0.01269 | 0.00848 | 0.00504 | 0.0077 | 0.01516 | 0.00081 | 0.02348 | 0.08547 | 0.21532 | 0.15613 |
40 | 41 | 42 | 43 | 44 | 45 | 46 | 47 | 48 | 49 | ||
1 | 0.03199 | 0.01527 | 0.04904 | 0.02513 | 0.00232 | 0.00195 | 0.00242 | 0.02095 | 0.00007 | 0.04609 | |
2 | 0.00087 | 0.00191 | 0.0003 | 0.00292 | 0.00257 | 0.00097 | 0.0001 | 0.00198 | 0 | 0.00181 | |
3 | 0.1868 | 0.06054 | 0.19436 | 0.0996 | 0.00918 | 0.00772 | 0.00958 | 0.08303 | 0.00027 | 0.18269 | |
4 | 0.1868 | 0.06054 | 0.19436 | 0.0996 | 0.00918 | 0.00772 | 0.00958 | 0.08303 | 0.00027 | 0.18269 |
(C3)根据步骤C2获得的兴趣度矩阵,计算移动对象活跃度(LD)以及室内位置热度(HD),所述的移动对象活跃度以该移动对象访问的室内位置热度之和表示,所有移动对象的活跃度表示为一个行向量;所述的室内位置热度以访问过该位置的移动对象的活跃度之和表示,所有停留位置的热度表示为一个行向量;所述的室内位置热度向量Hot与移动对象活跃度向量Liveness是兴趣度矩阵MID的邻近矩阵,即
其中,为Hot向量中第SLj个元素,即代表了位置SLj的热度;为Liveness向量中第Oi个元素,即代表了移动对象Oi的活跃度。
若以Livenessk,Hotk表示经过k次迭代后的移动对象活跃度和室内位置热度矩阵,则通过迭代方式求解可以得到:
Hotk=MID T×MID×Hotk-1
Livenessk=MID×MID T×Livenessk-1
由此,可以利用快速迭代的方法计算出Livenessk和Hotk。结果如下:
表4:位置热度及分类结果表
Location | 1 | 6 | 7 | 8 | 9 | 11 | 13 | 15 | 18 | 19 | 20 |
hot | 0.00087 | 0.00191 | 0.0003 | 0.00292 | 0.00257 | 0.00097 | 0.0001 | 0.00198 | 0 | 0.00181 | 0.25229 |
聚类结果 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 |
Location | 21 | 22 | 23 | 24 | 25 | 26 | 35 | 36 | 37 | 38 | 39 |
hot | 0.00878 | 0.01269 | 0.00848 | 0.00504 | 0.0077 | 0.01516 | 0.00081 | 0.02348 | 0.08547 | 0.21532 | 0.15613 |
聚类结果 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 1 |
Location | 40 | 41 | 42 | 43 | 44 | 45 | 46 | 47 | 48 | 49 | |
hot | 0.03199 | 0.01527 | 0.04904 | 0.02513 | 0.00232 | 0.00195 | 0.00242 | 0.02095 | 0.00007 | 0.04609 | |
聚类结果 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
其中为1的类表示属于热点区域,为0表示为非热点区域,有上述结果对照停留位置可知,编号为20、38、39的区域为热点区域。热点区域平均热度为0.2079,非热点区域平均热度为0.0129。统计后的室内位置热度如图2所示。
通过与实际数据比对可知,本发明提出的热度分析方法真实可靠,符合实际情况,可为商场的热度提供有效的参考。
Claims (4)
1.一种基于室内移动对象轨迹分析的热点区域热度分析方法,其特征在于,该方法包括以下步骤:
步骤(1),获取室内定位设备的位置信息,并对室内定位设备进行编号;采集各个室内定位设备记录的基于语义的历史数据,并对历史数据进行预处理,按移动对象进行分类,获得室内移动对象的轨迹;
步骤(2),在获得轨迹的基础上进行停留位置检测和停留轨迹检测:把移动对象轨迹中的停留时间大于预设时间阈值的位置筛选出来,保存在停留位置集合中;对应的,剔除非停留位置后的移动对象轨迹称为移动对象的停留轨迹。
步骤(3),基于室内移动对象停留轨迹进行热点区域挖掘:计算移动对象-室内位置兴趣度关系矩阵,迭代计算移动对象活跃度和位置热度,通过聚类的方法对区域热度划分等级,从而得到热点区域。
2.根据权利要求1所述的方法,其特征在于,所述步骤(1)中,对室内定位设备记录的基于语义的历史数据进行预处理的方法,具体为:
(A1)通过室内定位设备,捕获室内所有移动对象的位置数据,并保存于数据库中。所述的室内定位设备应具有判别不同对象的能力,即能识别移动对象的身份标识,连续时间内自始至终,不同的定位设备对同一移动对象应给出唯一识别标签;所述的室内定位设备本身应有唯一的标签以区别不同的定位设备;所述的室内定位设备记录的数据应包含时间信息;
(A2)获取室内定位设备Wi-Fi、RFID等源产生的原始数据日志记录Di,其格式为<ObservationID,LocationID_FK,UserID_FK,ObsCreationTime>,分别表示日志编号、定位设备编号、移动对象编号、产生时间;
(A3)针对某一个移动对象,获取其在各个定位设备中的数据片段,并根据其时间戳进行排序,得到对应移动对象的轨迹,轨迹表示为该移动对象访问位置的时间序列,其格式为:<D,readerID,tagID,enterTime,leaveTime,moveTime>,分别表示日志编号、定位设备编号、移动对象编号、进入时间、离开时间、以及移动对象离开前一设备覆盖范围进入当前设备覆盖范围所经历的时间。
3.根据权利要求1所述的方法,其特征在于,所述步骤(2)中,停留位置检测和停留轨迹检测算法,具体为:
(B1)所述的停留位置是指:移动对象在定位设备覆盖范围的停留时间大于预设时间阈值Tthresold的位置;所述停留位置的数据格式包含定位设备编号,目标移动对象编号、进入室内定位设备覆盖范围时间戳、离开定位设备覆盖范围时间戳,其格式为:<tagID,readerID,enterTime,leaveTime>,即满足条件leaveTime-enterTime>Tthresold的位置即为停留位置;所有符合要求的停留位置保存在一个停留位置集合中;
(B2)所述的移动对象停留轨迹是指移动对象访问的停留位置在时间顺序上的序列。
4.根据权利要求1所述的方法,其特征在于,所述步骤(3)中,基于室内移动对象轨迹的热点区域挖掘方法,具体为:
(C1)根据步骤(2)中提取的停留位置,计算移动对象对室内位置的兴趣度ID:
移动对象Oi对停留位置SLj的兴趣度为:
其中表示室内移动对象Oi访问停留位置SLj的平均停留时间,计算方法为duration表示该移动对象对该停留位置的总访问时间,visit表示该移动对象对该停留位置的总访问次数;表示移动对象访问所有位置的平均停留时间之和;
(C2)构建所有移动对象对各个停留位置的兴趣度矩阵MID;
(C3)根据步骤C2获得的兴趣度矩阵,计算移动对象活跃度(LD)以及室内位置热度(HD),所述的移动对象活跃度以该移动对象访问的室内位置热度之和表示,所有移动对象的活跃度表示为一个行向量;所述的室内位置热度以访问过该位置的移动对象的活跃度之和表示,所有停留位置的热度表示为一个行向量;所述的室内位置热度向量Hot与移动对象活跃度向量Liveness是兴趣度矩阵MID的邻近矩阵,即
其中,为Hot向量中第SLj个元素,即代表了位置SLj的热度;为Liveness向量中第Oi个元素,即代表了移动对象Oi的活跃度。
若以Livenessk,Hotk表示经过k次迭代后的移动对象活跃度和室内位置热度矩阵,则通过迭代方式求解可以得到:
Hotk=MID T×MID×Hotk-1
Livenessk=MID×MID T×Livenessk-1
由此,可以利用快速迭代的方法计算出Livenessk和Hotk。
(C4)根据迭代得到的热度矩阵Hotk,即得到停留位置SLj的热度 值越大,停留位置SLj的热度越高。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611139823.8A CN107071719A (zh) | 2016-12-12 | 2016-12-12 | 一种基于室内移动对象轨迹分析的热点区域热度分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611139823.8A CN107071719A (zh) | 2016-12-12 | 2016-12-12 | 一种基于室内移动对象轨迹分析的热点区域热度分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107071719A true CN107071719A (zh) | 2017-08-18 |
Family
ID=59618807
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611139823.8A Pending CN107071719A (zh) | 2016-12-12 | 2016-12-12 | 一种基于室内移动对象轨迹分析的热点区域热度分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107071719A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108108749A (zh) * | 2017-12-12 | 2018-06-01 | 杭州电子科技大学 | 一种基于用户相似度的好友推荐方法 |
CN108966139A (zh) * | 2018-03-28 | 2018-12-07 | 厦门上特展示系统工程有限公司 | 位置信息采集分析装置及方法 |
CN109190656A (zh) * | 2018-07-16 | 2019-01-11 | 浙江大学 | 一种低采样定位环境下的室内语义轨迹标注和补全方法 |
CN109325379A (zh) * | 2018-09-04 | 2019-02-12 | 北京万物纵横科技有限公司 | 一种基于有限记忆的标签快速查询方法 |
CN109472433A (zh) * | 2018-05-31 | 2019-03-15 | 重庆大学 | 一种基于机动车电子标识数据的城市出行热点提取方法 |
CN109561391A (zh) * | 2019-01-23 | 2019-04-02 | 山东省交通规划设计院 | 基于蜂窝网和Wi-Fi数据的高速公路服务区人流量分析方法 |
CN109657700A (zh) * | 2018-11-22 | 2019-04-19 | 南京茶非氪信息科技有限公司 | 一种宏观区域连通道热度检测算法 |
CN109688532A (zh) * | 2017-10-16 | 2019-04-26 | 中移(苏州)软件技术有限公司 | 一种划分城市功能区域的方法及装置 |
CN109743689A (zh) * | 2019-01-09 | 2019-05-10 | 南京航空航天大学 | 一种基于稳定性值的室内轨迹停留区域发现方法 |
CN110609949A (zh) * | 2019-07-22 | 2019-12-24 | 浙江科技学院 | 一种自迭代学习的兴趣度评估方法及系统 |
CN110866559A (zh) * | 2019-11-14 | 2020-03-06 | 上海中信信息发展股份有限公司 | 一种家禽的行为分析方法及装置 |
CN110909037A (zh) * | 2019-10-09 | 2020-03-24 | 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 |
CN111046303A (zh) * | 2019-11-20 | 2020-04-21 | 北京文安智能技术股份有限公司 | 一种热点区域的自动检测方法、装置及系统 |
CN111405486A (zh) * | 2020-03-19 | 2020-07-10 | 杭州海康威视系统技术有限公司 | 一种轨迹分析方法、装置、电子设备及存储介质 |
CN113268770A (zh) * | 2021-05-26 | 2021-08-17 | 福建工程学院 | 基于用户活跃度的轨迹k匿名隐私保护方法 |
CN113763567A (zh) * | 2020-11-17 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 一种基于虚拟现实技术的数据展示方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750361A (zh) * | 2012-06-13 | 2012-10-24 | 中国矿业大学 | 基于局部多层网格的轨迹数据热点区域发现方法 |
CN103324706A (zh) * | 2013-06-17 | 2013-09-25 | 中国矿业大学 | 具有时间约束的轨迹数据热点区域的方法 |
CN105117424A (zh) * | 2015-07-31 | 2015-12-02 | 中国科学院软件研究所 | 一种基于停留时间的移动对象语义行为模式挖掘方法 |
WO2016068351A1 (ko) * | 2014-10-28 | 2016-05-06 | 김수현 | 핫존을 이용한 광고 관리 시스템 |
-
2016
- 2016-12-12 CN CN201611139823.8A patent/CN107071719A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750361A (zh) * | 2012-06-13 | 2012-10-24 | 中国矿业大学 | 基于局部多层网格的轨迹数据热点区域发现方法 |
CN103324706A (zh) * | 2013-06-17 | 2013-09-25 | 中国矿业大学 | 具有时间约束的轨迹数据热点区域的方法 |
WO2016068351A1 (ko) * | 2014-10-28 | 2016-05-06 | 김수현 | 핫존을 이용한 광고 관리 시스템 |
CN105117424A (zh) * | 2015-07-31 | 2015-12-02 | 中国科学院软件研究所 | 一种基于停留时间的移动对象语义行为模式挖掘方法 |
Non-Patent Citations (1)
Title |
---|
黄川林: "室内移动对象轨迹分析研究", 《中国优秀硕士学位论文全文数据库自然科学与工程技术类专辑》 * |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109688532A (zh) * | 2017-10-16 | 2019-04-26 | 中移(苏州)软件技术有限公司 | 一种划分城市功能区域的方法及装置 |
CN109688532B (zh) * | 2017-10-16 | 2020-11-24 | 中移(苏州)软件技术有限公司 | 一种划分城市功能区域的方法及装置 |
CN108108749A (zh) * | 2017-12-12 | 2018-06-01 | 杭州电子科技大学 | 一种基于用户相似度的好友推荐方法 |
CN108108749B (zh) * | 2017-12-12 | 2020-01-17 | 杭州电子科技大学 | 一种基于用户相似度的好友推荐方法 |
CN108966139A (zh) * | 2018-03-28 | 2018-12-07 | 厦门上特展示系统工程有限公司 | 位置信息采集分析装置及方法 |
CN109472433A (zh) * | 2018-05-31 | 2019-03-15 | 重庆大学 | 一种基于机动车电子标识数据的城市出行热点提取方法 |
CN109472433B (zh) * | 2018-05-31 | 2021-11-09 | 重庆大学 | 一种基于机动车电子标识数据的城市出行热点提取方法 |
CN109190656B (zh) * | 2018-07-16 | 2020-07-21 | 浙江大学 | 一种低采样定位环境下的室内语义轨迹标注和补全方法 |
CN109190656A (zh) * | 2018-07-16 | 2019-01-11 | 浙江大学 | 一种低采样定位环境下的室内语义轨迹标注和补全方法 |
CN109325379A (zh) * | 2018-09-04 | 2019-02-12 | 北京万物纵横科技有限公司 | 一种基于有限记忆的标签快速查询方法 |
CN109325379B (zh) * | 2018-09-04 | 2021-12-17 | 湖南华信达科技有限公司 | 一种基于有限记忆的标签快速查询方法 |
CN109657700A (zh) * | 2018-11-22 | 2019-04-19 | 南京茶非氪信息科技有限公司 | 一种宏观区域连通道热度检测算法 |
CN109657700B (zh) * | 2018-11-22 | 2022-11-11 | 南京茶非氪信息科技有限公司 | 一种宏观区域连通道热度检测方法 |
CN109743689A (zh) * | 2019-01-09 | 2019-05-10 | 南京航空航天大学 | 一种基于稳定性值的室内轨迹停留区域发现方法 |
CN109561391A (zh) * | 2019-01-23 | 2019-04-02 | 山东省交通规划设计院 | 基于蜂窝网和Wi-Fi数据的高速公路服务区人流量分析方法 |
CN109561391B (zh) * | 2019-01-23 | 2020-12-29 | 山东省交通规划设计院有限公司 | 基于蜂窝网和Wi-Fi数据的高速公路服务区人流量分析方法 |
CN110609949A (zh) * | 2019-07-22 | 2019-12-24 | 浙江科技学院 | 一种自迭代学习的兴趣度评估方法及系统 |
CN110609949B (zh) * | 2019-07-22 | 2022-02-11 | 浙江科技学院 | 一种自迭代学习的兴趣度评估方法及系统 |
CN110909037A (zh) * | 2019-10-09 | 2020-03-24 | 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 |
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 |
CN110866559A (zh) * | 2019-11-14 | 2020-03-06 | 上海中信信息发展股份有限公司 | 一种家禽的行为分析方法及装置 |
CN111046303A (zh) * | 2019-11-20 | 2020-04-21 | 北京文安智能技术股份有限公司 | 一种热点区域的自动检测方法、装置及系统 |
CN111405486B (zh) * | 2020-03-19 | 2021-11-26 | 杭州海康威视系统技术有限公司 | 一种轨迹分析方法、装置、电子设备及存储介质 |
CN111405486A (zh) * | 2020-03-19 | 2020-07-10 | 杭州海康威视系统技术有限公司 | 一种轨迹分析方法、装置、电子设备及存储介质 |
CN113763567A (zh) * | 2020-11-17 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 一种基于虚拟现实技术的数据展示方法和装置 |
CN113268770A (zh) * | 2021-05-26 | 2021-08-17 | 福建工程学院 | 基于用户活跃度的轨迹k匿名隐私保护方法 |
CN113268770B (zh) * | 2021-05-26 | 2023-03-03 | 福建工程学院 | 基于用户活跃度的轨迹k匿名隐私保护方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107071719A (zh) | 一种基于室内移动对象轨迹分析的热点区域热度分析方法 | |
US11599689B2 (en) | Methods and apparatus for automatically defining computer-aided design files using machine learning, image analytics, and/or computer vision | |
CN110324787B (zh) | 一种手机信令数据的职住地获取方法 | |
CN107194434B (zh) | 一种基于时空数据的移动对象相似度计算方法及系统 | |
CN104898660B (zh) | 一种提高机器人路径规划效率的室内地图构建方法 | |
CN107301254A (zh) | 一种路网热点区域挖掘方法 | |
CN107182036A (zh) | 基于多维特征融合的自适应位置指纹定位方法 | |
CN107133269A (zh) | 基于移动目标的频繁位置轨迹生成方法及装置 | |
CN105785411A (zh) | 一种基于区域划分的异常轨迹检测方法 | |
CN103392187A (zh) | 利用从物体轨迹数据获取的统计和语义特征的场景活动分析 | |
Wei et al. | A hybrid framework integrating physical model and convolutional neural network for regional landslide susceptibility mapping | |
CN111930868A (zh) | 一种基于多维数据采集的大数据行为轨迹分析方法 | |
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 | |
CN109190656B (zh) | 一种低采样定位环境下的室内语义轨迹标注和补全方法 | |
CN103914558A (zh) | 一种基于时空统计的气象要素时空聚集模式挖掘方法 | |
CN107944089B (zh) | 一种基于现状视廊的地块限高分析系统及其分析方法 | |
CN116308883A (zh) | 一种基于大数据的区域电网数据统筹管理系统 | |
Gao et al. | Quantifying animal trajectories using spatial aggregation and sequence analysis: a case study of differentiating trajectories of multiple species | |
CN114442623A (zh) | 一种基于时空图神经网络的农机作业轨迹田路分割方法 | |
CN105657653A (zh) | 一种基于指纹数据压缩的室内定位方法 | |
CN108462939A (zh) | 一种地磁时序分析的室内定位方法 | |
CN117009900A (zh) | 一种基于图神经网络的物联网信号异常检测方法和系统 | |
Lin et al. | Minimum spanning tree based spatial outlier mining and its applications | |
CN110909037A (zh) | 一种频繁轨迹模式的挖掘方法及装置 | |
Huang et al. | An efficient clustering mining algorithm for indoor moving target trajectory based on the improved AGNES |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170818 |
|
RJ01 | Rejection of invention patent application after publication |