CN107506492A - 利用云端数据进行行为轨迹筛选以及提取特征数据的工作方法 - Google Patents
利用云端数据进行行为轨迹筛选以及提取特征数据的工作方法 Download PDFInfo
- Publication number
- CN107506492A CN107506492A CN201710885291.0A CN201710885291A CN107506492A CN 107506492 A CN107506492 A CN 107506492A CN 201710885291 A CN201710885291 A CN 201710885291A CN 107506492 A CN107506492 A CN 107506492A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- travel track
- msubsup
- data
- 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.)
- Withdrawn
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
- 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
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Navigation (AREA)
Abstract
本发明提出了一种利用云端数据进行行为轨迹筛选以及提取特征数据的工作方法，包括：获取用户行为轨迹需求信息，根据云端数据所提供的行为轨迹信息，确定最优的用户行为轨迹路线。
Description
技术领域
本发明涉及大数据智能行驶控制领域，尤其涉及一种利用云端数据进行行为轨迹筛选以及提取特征数据的工作方法。
背景技术
由于人口的老龄化逐渐凸显出来，其生活质量和健康状况需要得到社会的关心和照顾，而且行动不便的人员也希望吸收一些新鲜空气和与社会进行交互沟通，但是由于行动不便的原因，而不能够进行外出活动，从而应运而生了医疗运输装备，例如助力轮椅或者电动轮椅，以及手控平衡车等产品，虽然成品已经市场化。但是由于使用者对电子设备操控理解较慢，而不能够很好的进行人车交互，这就应运而生了自动驾驶轮椅，但是自动驾驶轮椅所产生的问题就是对于使用者行走的路线不能很好的规划判断，节省路径或者提高效率缩短驾驶时间。
发明内容
本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种利用云端数据进行行为轨迹筛选以及提取特征数据的工作方法。
为了实现本发明的上述目的，本发明提供了一种利用云端数据进行行为轨迹筛选以及提取特征数据的工作方法，包括：
获取用户行为轨迹需求信息，根据云端数据所提供的行为轨迹信息，确定最优的用户行为轨迹路线。
S1，对于云端海量数据进行初步筛选，根据用户导航信息确定该用户所处的地理位置，在该地理位置从海量数据中获取与地理位置数据类似的行进轨迹数据；
S2，对于行进轨迹数据通过如下公式进行筛选，根据所确定的地理位置信息采用均方误差乘积算法，
K(p)＝R(|r(p)2|)·n(p)·[|r(p)2|/q(p)]·[|r(p)2|·u(p)]
其中，r(p)2为行进轨迹数据的强度，p为地理位置信息，n(p)为位置p处形成轨迹前的强度，q(p)为位置p处形成轨迹后的强度，u(p)为位置p处形成前后总体轨迹的强度，R(|r(p)2|)为地理位置轨迹场景模型；
S3，通过乘积算法运算之后，进行收敛数据筛选，从行进轨迹数据中通过概率密度运算进行筛选，
其中，μp为地理位置累加参数，Tsi为第s个行进轨迹的第i个时间分量，为第s个行进轨迹的第i个兴趣点分量，c1和c2为兴趣因子，x1和x2为地理位置坐标的随机数，pgi为全部行进轨迹中第i个轨迹分量，usi为第s个行进轨迹的第i个地点分量，t≥0。
S4，提取每个行进轨迹的时间耗费值
其中，Eγ为行进轨迹的时间强度，η为待定参量，Γ(n)为行进轨迹中第n 条轨迹时间趋势的Γ分布，T(t)为行进轨迹在地理位置信息中时间耗费的纹理，t≥0；
S5，提取每个行进轨迹的时间耗费的预测值
Nj(t)＝2[Eγ(T(t)+T(t+1))-μp·T(t)]，
其中，μp为地理位置累加参数，T(t+1)为行进轨迹在地理位置信息中下一时间段的时间耗费的纹理，
S6，提取每个行进轨迹的风速判断值
其中，为风速冲击响应分量，为风速动态变化调整分量，为风速变化的干扰分量，为风速动态变化中的随机干扰分量，为风速动态变化的时间节点分量，为t时刻风速动态变化的周期分量，
S7，提取每个行进轨迹的气温的判断值
其中，为气温独立样本均值，I1(t)和I2(t)为气温独立样本，为I1(t) 和I2(t)气温独立样本的参考系数，Ihigh为气温最高值样本，I为行进轨迹中气温历史参考值；
S8，提取每个行进轨迹的降水量的判断值
其中，d1、d2、d3、d4和d5为行进轨迹中降水量的样本参数，σ为降水量的干扰系数，为降水量动态变化中的高斯分量，
S9，用户对行进轨迹数据进行抽样的代价函数计算为，
其中，Ni(t)为每个行进轨迹的时间耗费值，Nj(t)为每个行进轨迹的时间耗费的预测值，Nk(t)为每个行进轨迹的风速判断值，Nl(t)为每个行进轨迹的气温判断值，Nm(t)为每个行进轨迹的降水量判断值，M为统计行进轨迹内全部的轨迹数；P为全部行进轨迹信息向量。
S10，通过计算后进行行进轨迹数据展示，在抽样过程中经出行时间的行进轨迹数据，出行地点的行进轨迹数据，以及用户经常抵达的兴趣点行为轨迹数据进行预测，对于历史周期中用户获取的地点的风速数据、气温数据和降水量数据进行比较判断，计算行进轨迹相应的风速数据、气温数据和降水量数据的概率值；
通过对行进轨迹历史数据进行提取之后，能够从海量数据中提取更优的行进轨迹信息。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
通过上述方法实现了用户选择行进轨迹的模型估计，对于历史行进估计时间，降水量，风速以及气温变化等数据作为模型数据属性，确定行进轨迹时间，降水量，风速以及气温变化属性的总体函数运算，可以有效地提高医疗设备在复杂路况上的安全行驶概率。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明总体示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
如图1所示，本发明提供了一种利用云端数据进行行为轨迹筛选以及提取特征数据的工作方法，包括：
获取用户行为轨迹需求信息，根据云端数据所提供的行为轨迹信息，通过相应模型，确定最优的用户行为轨迹路线。
S1，对于云端海量数据进行初步筛选，根据用户导航信息确定该用户所处的地理位置，在该地理位置从海量数据中获取与地理位置数据类似的行进轨迹数据；
S2，对于行进轨迹数据通过如下公式进行筛选，根据所确定的地理位置信息采用均方误差乘积算法，
K(p)＝R(|r(p)2|)·n(p)·[|r(p)2|/q(p)]·[|r(p)2|·u(p)]
其中，r(p)2为行进轨迹数据的强度，p为地理位置信息，n(p)为位置p处形成轨迹前的强度，q(p)为位置p处形成轨迹后的强度，u(p)为位置p处形成前后总体轨迹的强度，R(|r(p)2|)为地理位置轨迹场景模型；
S3，通过乘积算法运算之后，进行收敛数据筛选，从行进轨迹数据中通过概率密度运算进行筛选，
其中，μp为地理位置累加参数，Tsi为第s个行进轨迹的第i个时间分量，为第s个行进轨迹的第i个兴趣点分量，c1和c2为兴趣因子，x1和x2为地理位置坐标的随机数，pgi为全部行进轨迹中第i个轨迹分量，usi为第s个行进轨迹的第i个地点分量，t≥0。
S4，提取每个行进轨迹的时间耗费值
其中，Eγ为行进轨迹的时间强度，η为待定参量，Γ(n)为行进轨迹中第n 条轨迹时间趋势的Γ分布，T(t)为行进轨迹在地理位置信息中时间耗费的纹理， t≥0；
S5，提取每个行进轨迹的时间耗费的预测值
Nj(t)＝2[Eγ(T(t)+T(t+1))-μp·T(t)]，
其中，μp为地理位置累加参数，T(t+1)为行进轨迹在地理位置信息中下一时间段的时间耗费的纹理，
S6，提取每个行进轨迹的风速判断值
其中，为风速冲击响应分量，为风速动态变化调整分量，为风速变化的干扰分量，为风速动态变化中的随机干扰分量，为风速动态变化的时间节点分量，为t时刻风速动态变化的周期分量，
S7，提取每个行进轨迹的气温的判断值
其中，为气温独立样本均值，I1(t)和I2(t)为气温独立样本，为I1(t) 和I2(t)气温独立样本的参考系数，Ihigh为气温最高值样本，I为行进轨迹中气温历史参考值；
S8，提取每个行进轨迹的降水量的判断值
其中，d1、d2、d3、d4和d5为行进轨迹中降水量的样本参数，σ为降水量的干扰系数，为降水量动态变化中的高斯分量，
S9，用户对行进轨迹数据进行抽样的代价函数计算为，
其中，Ni(t)为每个行进轨迹的时间耗费值，Nj(t)为每个行进轨迹的时间耗费的预测值，Nk(t)为每个行进轨迹的风速判断值，Nl(t)为每个行进轨迹的气温判断值，Nm(t)为每个行进轨迹的降水量判断值，M为统计行进轨迹内全部的轨迹数；P为全部行进轨迹信息向量。
S10，通过计算后进行行进轨迹数据展示，在抽样过程中经出行时间的行进轨迹数据，出行地点的行进轨迹数据，以及用户经常抵达的兴趣点行为轨迹数据进行预测，对于历史周期中用户获取的地点的风速数据、气温数据和降水量数据进行比较判断，计算行进轨迹相应的风速数据、气温数据和降水量数据的概率值；
通过对行进轨迹历史数据进行提取之后，能够从海量数据中提取更优的行进轨迹信息。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
Claims (1)
1.一种利用云端数据进行行为轨迹筛选以及提取特征数据的工作方法，其特征在于，包括：
获取用户行为轨迹需求信息，根据云端数据所提供的行为轨迹信息，确定最优的用户行为轨迹路线。
S1，对于云端海量数据进行初步筛选，根据用户导航信息确定该用户所处的地理位置，在该地理位置从海量数据中获取与地理位置数据类似的行进轨迹数据；
S2，对于行进轨迹数据通过如下公式进行筛选，根据所确定的地理位置信息采用均方误差乘积算法，
K(p)＝R(|r(p)2|)·n(p)·[|r(p)2|/q(p)]·[|r(p)2|·u(p)]
其中，r(p)2为行进轨迹数据的强度，p为地理位置信息，n(p)为位置p处形成轨迹前的强度，q(p)为位置p处形成轨迹后的强度，u(p)为位置p处形成前后总体轨迹的强度，R(|r(p)2|)为地理位置轨迹场景模型；
S3，通过乘积算法运算之后，进行收敛数据筛选，从行进轨迹数据中通过概率密度运算进行筛选，
<mrow>
<mi>M</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&mu;</mi>
<mi>p</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<msubsup>
<mi>&mu;</mi>
<mi>p</mi>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mrow>
<msubsup>
<mi>T</mi>
<mrow>
<mi>s</mi>
<mi>i</mi>
</mrow>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>L</mi>
<mrow>
<mi>s</mi>
<mi>i</mi>
</mrow>
<mi>t</mi>
</msubsup>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
<msub>
<mi>p</mi>
<mrow>
<mi>g</mi>
<mi>i</mi>
</mrow>
</msub>
<msubsup>
<mi>&mu;</mi>
<mi>p</mi>
<mi>t</mi>
</msubsup>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>2</mn>
</msub>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
<msub>
<mi>u</mi>
<mrow>
<mi>s</mi>
<mi>i</mi>
</mrow>
</msub>
<msubsup>
<mi>&mu;</mi>
<mi>p</mi>
<mi>t</mi>
</msubsup>
</mrow>
</mfrac>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>T</mi>
<mrow>
<mi>s</mi>
<mi>i</mi>
</mrow>
</msub>
<msub>
<mi>&mu;</mi>
<mi>p</mi>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
其中，μp为地理位置累加参数，Tsi为第s个行进轨迹的第i个时间分量，为第s个行进轨迹的第i个兴趣点分量，c1和c2为兴趣因子，x1和x2为地理位置坐标的随机数，pgi为全部行进轨迹中第i个轨迹分量，usi为第s个行进轨迹的第i个地点分量，t≥0。
S4，提取每个行进轨迹的时间耗费值
<mrow>
<msub>
<mi>N</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>E</mi>
<mi>&gamma;</mi>
</msub>
<mfrac>
<mrow>
<mn>4</mn>
<mrow>
<mo>(</mo>
<msqrt>
<mrow>
<mi>&eta;</mi>
<mi>n</mi>
</mrow>
</msqrt>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>&Gamma;</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>+</mo>
<msub>
<mi>E</mi>
<mi>&gamma;</mi>
</msub>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mi>&eta;</mi>
<mo>(</mo>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>T</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
其中，Eγ为行进轨迹的时间强度，η为待定参量，Γ(n)为行进轨迹中第n条轨迹时间趋势的Γ分布，T(t)为行进轨迹在地理位置信息中时间耗费的纹理，t≥0；
S5，提取每个行进轨迹的时间耗费的预测值
Nj(t)＝2[Eγ(T(t)+T(t+1))-μp·T(t)]，
其中，μp为地理位置累加参数，T(t+1)为行进轨迹在地理位置信息中下一时间段的时间耗费的纹理，
S6，提取每个行进轨迹的风速判断值
<mrow>
<msub>
<mi>N</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mi>C</mi>
<mi>k</mi>
<mn>1</mn>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>C</mi>
<mi>k</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<mfrac>
<mi>t</mi>
<msubsup>
<mi>C</mi>
<mi>k</mi>
<mn>3</mn>
</msubsup>
</mfrac>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mfrac>
<msup>
<mi>t</mi>
<mn>2</mn>
</msup>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>C</mi>
<mi>k</mi>
<mn>3</mn>
</msubsup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mfrac>
</mrow>
</msup>
<mo>+</mo>
<msubsup>
<mi>C</mi>
<mi>k</mi>
<mn>4</mn>
</msubsup>
<mo>&CenterDot;</mo>
<msub>
<mi>E</mi>
<mi>&gamma;</mi>
</msub>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>C</mi>
<mi>k</mi>
<mn>4</mn>
</msubsup>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
其中，为风速冲击响应分量，为风速动态变化调整分量，为风速变化的干扰分量，为风速动态变化中的随机干扰分量，为风速动态变化的时间节点分量，为t时刻风速动态变化的周期分量，
S7，提取每个行进轨迹的气温的判断值
其中，为气温独立样本均值，I1(t)和I2(t)为气温独立样本，为I1(t)和I2(t)气温独立样本的参考系数，Ihigh为气温最高值样本，I为行进轨迹中气温历史参考值；
S8，提取每个行进轨迹的降水量的判断值
<mrow>
<msub>
<mi>N</mi>
<mi>m</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>d</mi>
<mn>1</mn>
</msub>
<msup>
<mi>e</mi>
<mrow>
<mo>&lsqb;</mo>
<mfrac>
<mrow>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<msub>
<mi>d</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<msubsup>
<mi>d</mi>
<mn>3</mn>
<mn>2</mn>
</msubsup>
</mfrac>
<mo>&rsqb;</mo>
</mrow>
</msup>
<mo>+</mo>
<msub>
<mi>d</mi>
<mn>4</mn>
</msub>
<mi>&sigma;</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<msub>
<mi>d</mi>
<mn>5</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
其中，d1、d2、d3、d4和d5为行进轨迹中降水量的样本参数，σ为降水量的干扰系数，为降水量动态变化中的高斯分量，
S9，用户对行进轨迹数据进行抽样的代价函数计算为，
<mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>N</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>+</mo>
<msub>
<mi>N</mi>
<mi>j</mi>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>+</mo>
<msub>
<mi>N</mi>
<mi>k</mi>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>+</mo>
<msub>
<mi>N</mi>
<mi>l</mi>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>+</mo>
<msub>
<mi>N</mi>
<mi>m</mi>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mi>2</mi>
</msup>
<mo>-</mo>
<mi>P</mi>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
其中，Ni(t)为每个行进轨迹的时间耗费值，Nj(t)为每个行进轨迹的时间耗费的预测值，Nk(t)为每个行进轨迹的风速判断值，Nl(t)为每个行进轨迹的气温判断值，Nm(t)为每个行进轨迹的降水量判断值，M为统计行进轨迹内全部的轨迹数；P为全部行进轨迹信息向量。
S10，通过计算后进行行进轨迹数据展示，在抽样过程中经出行时间的行进轨迹数据，出行地点的行进轨迹数据，以及用户经常抵达的兴趣点行为轨迹数据进行预测，对于历史周期中用户获取的地点的风速数据、气温数据和降水量数据进行比较判断，计算行进轨迹相应的风速数据、气温数据和降水量数据的概率值；
通过对行进轨迹历史数据进行提取之后，能够从海量数据中提取更优的行进轨迹信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710885291.0A CN107506492A (zh) | 2017-09-26 | 2017-09-26 | 利用云端数据进行行为轨迹筛选以及提取特征数据的工作方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710885291.0A CN107506492A (zh) | 2017-09-26 | 2017-09-26 | 利用云端数据进行行为轨迹筛选以及提取特征数据的工作方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107506492A true CN107506492A (zh) | 2017-12-22 |
Family
ID=60698888
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710885291.0A Withdrawn CN107506492A (zh) | 2017-09-26 | 2017-09-26 | 利用云端数据进行行为轨迹筛选以及提取特征数据的工作方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107506492A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103808326A (zh) * | 2012-11-07 | 2014-05-21 | 腾讯科技（深圳）有限公司 | 导航方法和导航系统 |
| CN104038743A (zh) * | 2014-06-23 | 2014-09-10 | 浙江工业大学 | 一种融合位置跟踪的视频监控方法及其系统 |
| CN105342769A (zh) * | 2015-11-20 | 2016-02-24 | 宁波大业产品造型艺术设计有限公司 | 智能电动轮椅 |
| CN105455979A (zh) * | 2015-11-20 | 2016-04-06 | 合肥工业大学 | 一种智能轮椅的控制系统及控制方法 |
| CN105455976A (zh) * | 2015-11-20 | 2016-04-06 | 安宁 | 一种智能康复轮椅 |
| CN105528359A (zh) * | 2014-09-29 | 2016-04-27 | 国际商业机器公司 | 用于存储行进轨迹的方法和系统 |
-
2017
- 2017-09-26 CN CN201710885291.0A patent/CN107506492A/zh not_active Withdrawn
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103808326A (zh) * | 2012-11-07 | 2014-05-21 | 腾讯科技（深圳）有限公司 | 导航方法和导航系统 |
| CN104038743A (zh) * | 2014-06-23 | 2014-09-10 | 浙江工业大学 | 一种融合位置跟踪的视频监控方法及其系统 |
| CN105528359A (zh) * | 2014-09-29 | 2016-04-27 | 国际商业机器公司 | 用于存储行进轨迹的方法和系统 |
| CN105342769A (zh) * | 2015-11-20 | 2016-02-24 | 宁波大业产品造型艺术设计有限公司 | 智能电动轮椅 |
| CN105455979A (zh) * | 2015-11-20 | 2016-04-06 | 合肥工业大学 | 一种智能轮椅的控制系统及控制方法 |
| CN105455976A (zh) * | 2015-11-20 | 2016-04-06 | 安宁 | 一种智能康复轮椅 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106548645B (zh) | 基于深度学习的车辆路径寻优方法及系统 | |
| WO2021212866A1 (zh) | 一种车辆出行量预测模型构建方法及预测方法和系统 | |
| CN104183119B (zh) | 基于路段od反推的实时交通流分布预测方法 | |
| CN106023589B (zh) | 一种基于卡口数据的车辆轨迹重构方法 | |
| CN107273999A (zh) | 一种突发事件下城市轨道交通客流预测方法 | |
| CN107832882A (zh) | 一种基于马尔科夫决策过程的出租车寻客策略推荐方法 | |
| CN104008278B (zh) | 一种基于特征向量和最小二乘支持向量机的pm2.5浓度预测方法 | |
| CN105427605B (zh) | 一种考虑交通方式转移的公交专用道设置效益计算方法 | |
| CN103761589B (zh) | 一种城市轨道交通清分方法 | |
| CN110497943A (zh) | 一种基于强化学习的城轨列车节能运行策略在线优化方法 | |
| CN106710208A (zh) | 交通状态的获取方法及装置 | |
| CN109190507A (zh) | 一种基于轨道交通列车的客流拥挤度计算方法及装置 | |
| CN104570161B (zh) | 基于ec/jma全球格点预报资料的台风自动化预报方法 | |
| CN107607121A (zh) | 通过地理位置信息获取行进线路以及行进线路推荐工作方法 | |
| CN104900057B (zh) | 一种城市快速路主辅道的浮动车地图匹配方法 | |
| CN103714257B (zh) | 一种公共交通问题线路识别技术 | |
| CN103218240B (zh) | 一种基于浮动车轨迹的废弃道路识别方法 | |
| CN111582750A (zh) | 一种轨道交通反向乘客识别及乘车班次确定方法及系统 | |
| CN107274000A (zh) | 一种突发事件下城市轨道交通断面客流预测方法 | |
| CN109686091A (zh) | 一种基于多源数据融合的交通流量填补算法 | |
| CN108648444A (zh) | 一种基于网格模型的信号交叉口运行评价方法 | |
| CN106934229A (zh) | 考虑滞留乘客的城市轨道交通车站站台聚集人数计算方法 | |
| CN107424409A (zh) | 一种城市交通状态评价系统 | |
| CN109544967A (zh) | 一种基于低频avl数据的公交线网运行状态监控方法 | |
| CN107609710A (zh) | 基于大数据平台行为轨迹进行智能医疗设备运行路线优选规划方法 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20171222 |
|
| WW01 | Invention patent application withdrawn after publication |