CN109035787B - 一种利用移动通信数据识别交通工具类别的方法 - Google Patents

一种利用移动通信数据识别交通工具类别的方法 Download PDF

Info

Publication number
CN109035787B
CN109035787B CN201811048538.4A CN201811048538A CN109035787B CN 109035787 B CN109035787 B CN 109035787B CN 201811048538 A CN201811048538 A CN 201811048538A CN 109035787 B CN109035787 B CN 109035787B
Authority
CN
China
Prior art keywords
track
vehicle
time
space
rule
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
CN201811048538.4A
Other languages
English (en)
Other versions
CN109035787A (zh
Inventor
杨灿
张凌
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201811048538.4A priority Critical patent/CN109035787B/zh
Publication of CN109035787A publication Critical patent/CN109035787A/zh
Application granted granted Critical
Publication of CN109035787B publication Critical patent/CN109035787B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/015—Detecting movement of traffic to be counted or controlled with provision for distinguishing between two or more types of vehicles, e.g. between motor-cars and cycles
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本发明公开了一种利用移动通信数据识别交通工具类别的方法，步骤如下：获取原始的基站定位数据，并划分轨迹片段；基于轨迹片段之间的时空匹配度，计算轨迹片段之间的匹配关系，构建匹配关系的拓扑结构图；利用轨迹的特征、预先定义的规则集以及匹配关系的拓扑结构图识别出轨迹片段所对应的交通工具类别。本发明无需安装额外的传感器和视频监控设备，不依赖车辆的各类参数信息，仅利用基站地址信息，从中提取出用户的移动轨迹，采用一系列预定义的规则，即可较为准确地识别交通工具的类别。本发明具有计算量小，识别效率高以及充分利用现有基站设备的优势。

Description

一种利用移动通信数据识别交通工具类别的方法
技术领域
本发明涉及计算机技术领域，具体涉及一种利用移动通信数据识别交通工具类别的方法。
背景技术
交通是一座城市乃至一个国家的命脉。得益于国民经济的增长以及科学技术的革新进步，人们的出行方式日渐丰富，“智能交通”的概念也应运而生。交通工具类别的识别，是“智能交通”中的一个重要课题，对于道路交通的部署和优化，有着深远的指导意义。目前主流的交通工具识别技术，主要有传感器技术和数字图像处理技术两大类。传感器技术即在道路上设置传感器以采集和记录交通工具的速度，重量，体积等信息，从而识别交通工具的类别，这类方法需要铺设大量的设备，前期建设与后期维护的成本较高，难以实现全面覆盖；数字图像处理技术，则利用监控摄像装置拍摄到的车辆的图像，提取其中的车辆标志，车辆形状等特征，对交通工具的类别作出判断，然而，这种方法对拍摄到的图像质量有较高的要求，若拍摄的画面分辨率较低，或是在雨雪雾天等恶劣天气条件下，识别的准确率会大幅下降。
专利CN 104835320 A公开了一种基于移动通信数据的交通流估算方法，其通过筛选出指定路段的基站地址序列，计算相邻蜂窝中用户数量差值绝对值的加权平均值，以估算某一时间段内的交通流量。但是，目前尚未有一种基于移动通信数据对用户所乘坐的交通工具类别进行判断的有效方法。
发明内容
本发明的目的是为了解决现有技术中的上述缺陷，提供一种利用移动通信数据识别交通工具类别的方法，该方法基于移动设备与基站通信时产生的状态信息，通过移动设备在不同时间所处的基站位置的变化，形成一系列轨迹片段，对这些轨迹片段进行特征提取，利用提取出的特征识别出轨迹片段的交通工具类别。
本发明的目的可以通过采取如下技术方案达到：
一种利用移动通信数据识别交通工具类别的方法，包含以下步骤：
步骤S1、获取原始数据。从蜂窝式移动通信网络的通信数据中获取移动设备用户所在基站的状态信息数据，记作时空点四元组集合A＝<userID,timestamp,longitude,latitude>,其中userID表示能够区分不同用户的信息字段(如移动设备ID、网卡mac地址或手机号码)，timestamp为时间戳，即该位置信息产生的时间点，longitude与latitude分别表示基站的经度和纬度，记用户总数为Nu。
步骤S2、从用户的时空点序列中划分轨迹片段。利用步骤S1中获取的数据，得到各个移动用户所历经的时空点序列，通过计算用户在各个位置的停留时间长度，判断出用户每次移动的起点与终点。用户在某一时间段内，进行一次移动所产生的时空点序列，即为一条轨迹片段。如此可将一个用户的所有时空点序列，划分为一系列轨迹片段。
步骤S2的具体实施方法如下：
步骤S201、在步骤S1所提取到的时空四元组集合中，将相同userID的记录构成该用户的轨迹时空点序列，记作
ai,j＝<userIDi,timestampi,j,longitudei,j,latitudei,j>。
步骤S202、将每一用户的数据点按照timestamp升序排列，得到按时间变化的数据点序列，记为
Figure GDA0002448094820000031
步骤S203、剔除步骤S202每一用户的序列Si中的异常点，将Si更新为：
Figure GDA0002448094820000032
步骤S204、将经过步骤S203处理后的每一用户的全体时空序列点Qi，分割成一系列轨迹片段。
步骤S205、将步骤S204得到的所有用户的轨迹片段进行汇总，记作
Figure GDA0002448094820000033
Figure GDA0002448094820000034
其中nti表示用户i的轨迹总数，
Figure GDA0002448094820000035
表示用户i的第η条轨迹片段。
步骤S3、计算步骤S2中的不同用户轨迹片段之间的匹配关系，并构建匹配关系的拓扑结构图。
步骤S3的具体实施步骤如下：
步骤S301、对每一个满足
Figure GDA0002448094820000036
(其中×表示集合的笛卡尔积),的轨迹片段对
Figure GDA0002448094820000037
计算其时空匹配度
Figure GDA0002448094820000038
若
Figure GDA0002448094820000039
(Mb为预先设定的匹配度的阈值，其值应当接近于1)，则轨迹片段
Figure GDA00024480948200000310
匹配轨迹片段
Figure GDA00024480948200000311
记为
Figure GDA00024480948200000312
若
Figure GDA00024480948200000313
则轨迹片段
Figure GDA00024480948200000314
存在一个子片段，与轨迹片段
Figure GDA00024480948200000315
与在时间与空间上高度匹配，可以认为用户q在该段时间内与用户p乘坐同一辆交通工具。若
Figure GDA00024480948200000316
则说明轨迹片段
Figure GDA00024480948200000317
不匹配轨迹片段
Figure GDA00024480948200000318
记为
Figure GDA00024480948200000319
至此，得出匹配关系。
步骤S302、构建全体轨迹片段间，匹配关系的拓扑结构图。匹配关系的拓扑结构图记为G＝{V,E}，V为顶点的集合，全体轨迹片段集合∏all与图顶点集合V为一一对应关系，将轨迹片段
Figure GDA00024480948200000320
在图中所对应的顶点记为
Figure GDA00024480948200000321
Figure GDA00024480948200000322
为图中有向边的集合(
Figure GDA0002448094820000041
表示从顶点
Figure GDA0002448094820000042
指向顶点
Figure GDA0002448094820000043
的边)。
步骤S4、定义轨迹片段的各类属性特征以及基于这些判别交通工具类别的规则集，用于识别交通工具的类别。
其中，轨迹片段
Figure GDA0002448094820000044
的各类属性特征如下：
额定行驶速度，即交通工具正常行驶时所能达到的速度，记为
Figure GDA0002448094820000045
额定行驶加速度，即交通工具正常行驶中加、减速时，所能达到的加速度，记为
Figure GDA0002448094820000046
位移，即轨迹片段起点到终点的直接距离，记为
Figure GDA0002448094820000047
标准速度与标准加速度，即交通工具所能达到的速度与加速度；
行驶路程，记为
Figure GDA0002448094820000048
聚集系数，即轨迹片段
Figure GDA0002448094820000049
在同一时间段乘坐同一交通工具的人数，记为
Figure GDA00024480948200000410
频数，即该用户存在历经相似位置的轨迹片段数量，记为
Figure GDA00024480948200000411
步骤S5、按以下方法识别所有轨迹片段的交通工具类别：从交通工具类别未知的轨迹片段中，按一定规则寻找出一条匹配轨迹数较多的轨迹片段，运用步骤S4中的规则集识别该驾驶人轨迹片段的交通工具类别；之后利用步骤S3中构建的拓扑结构图，寻找出该轨迹片段匹配的所有轨迹片段，并将它们的交通工具类别标记为与该轨迹片段相同的类别；之后再从交通工具类别未知的轨迹片段中，按规则寻找出驾驶人轨迹片段，如此循环往复，直至所有轨迹片段的交通工具类别均已识别完成。
步骤S5的具体实施步骤如下：
步骤S501、令kS5＝1；
步骤S502、按照一定的规则，从交通工具类别未知的轨迹片段中，选取一条匹配轨迹数较多的轨迹片段
Figure GDA00024480948200000412
步骤S503、利用步骤S4中构建的规则集，识别
Figure GDA0002448094820000051
的交通工具类别；
步骤S504、记
Figure GDA0002448094820000052
匹配的轨迹片段集合为
Figure GDA0002448094820000053
其中，E为图G的边集，将
Figure GDA0002448094820000054
中，所有轨迹片段的交通工具类别标记为与
Figure GDA0002448094820000055
相同的类别；
步骤S505、令
Figure GDA0002448094820000056
从图G的顶点集合V中删去集合
Figure GDA0002448094820000057
中所有轨迹片段所对应的顶点，并从图G的边集E中，删去所有包含有被删去的顶点的边；
步骤S506、若图G中的顶点数大于0，则依然存在交通工具类别未知的轨迹片段，令kS5＝1，转步骤S502；若顶点数等于0，则所有轨迹片段的交通工具类别均已确定，整个识别过程全部完成。
进一步地，所述的步骤S203中，剔除异常点的具体过程如下：计算相邻两点ai,j到ai,j+1间的用户移动速度
Figure GDA0002448094820000058
判断该速度是否大于预先设定的阈值vmax，若否，则保留点aij；若是，则从序列中删除点ai,j+1并更新j＝j+1,重复该步骤至j＝n结束。由此将Si更新为：
Figure GDA0002448094820000059
进一步地，所述的步骤S204中，将每一用户的全体时空序列点Qi，分割成一系列轨迹片段的具体步骤为：
步骤S20401、令kS204＝1,J＝1
步骤S20402、创建新的轨迹片段序列
Figure GDA00024480948200000510
记
Figure GDA00024480948200000511
为当前轨迹片段的起点；
步骤S20403、计算数据点
Figure GDA00024480948200000512
与
Figure GDA00024480948200000513
的时间差
Figure GDA00024480948200000514
Figure GDA00024480948200000515
判断
Figure GDA00024480948200000516
是否大于预先设定的阈值Tborder，若是，则
Figure GDA00024480948200000517
为当前的轨迹片段的终点，相应地，
Figure GDA0002448094820000061
为下一条轨迹片段的起点，令kS204＝kS204+1,J＝J+1，转步骤S20402；若否，则在现有轨迹片段LJ的末尾添加点
Figure GDA0002448094820000062
转步骤S20404；
步骤S20404、若kS204＝mi-1，则结束执行，否则令kS204＝kS204+1，转步骤S20403。
进一步地，所述的步骤S301中，计算时空匹配度
Figure GDA0002448094820000063
的过程如下：
步骤S30101、选定时间间隔
Figure GDA0002448094820000064
其中len(·)表示轨迹片段的长度，即时空点的个数，时间窗口大小tw为轨迹片段
Figure GDA0002448094820000065
中相邻时空点的最小时间差与轨迹片段
Figure GDA0002448094820000066
中相邻时空点的最小时间差的较小者；
步骤S30102、记
Figure GDA0002448094820000067
Figure GDA0002448094820000068
其中
Figure GDA0002448094820000069
和
Figure GDA00024480948200000610
分别表示轨迹片段
Figure GDA00024480948200000611
的起点时间戳，
Figure GDA00024480948200000612
和
Figure GDA00024480948200000613
分别表示轨迹片段
Figure GDA00024480948200000614
的终点时间戳。将时间区间[tbegin,tend]以tw为间隔划分为
Figure GDA00024480948200000615
个不重叠的时间窗口，各时间窗口分别记为：
Tw1＝[tbegin,tbegin+tw)
Tw2＝[tbegin+tw,tbegin+2tw)
Figure GDA00024480948200000616
Twn-1＝[tbegin+(nw-2)tw,tbegin+(nw-1)tw)
Twnw＝[tbegin+(nw-1)tw,tend]
步骤S30103、记Sp,λ(k),Sq,μ(k)分别为
Figure GDA00024480948200000617
与
Figure GDA00024480948200000618
中，时间戳落在时间窗口Twk内的时空点集合，易知每一个Sp,λ(k)与Sq,μ(k)中至多只有一个元素，计算
Figure GDA0002448094820000071
与
Figure GDA0002448094820000072
匹配的点数
Figure GDA0002448094820000073
计算公式如下:
Figure GDA0002448094820000074
其中，
Figure GDA0002448094820000075
表示时空点
Figure GDA0002448094820000076
与时空点
Figure GDA0002448094820000077
在空间位置上的距离，
Figure GDA0002448094820000078
smin为预先设定的阈值。
步骤S30104、计算
Figure GDA0002448094820000079
对于
Figure GDA00024480948200000710
的匹配度Mr，计算公式如下:
Figure GDA00024480948200000711
进一步地，所述的步骤S4中额定行驶速度
Figure GDA00024480948200000712
的计算方式如下：
轨迹片段
Figure GDA00024480948200000713
通过相邻两个时空点
Figure GDA00024480948200000714
的速度记作
Figure GDA00024480948200000715
Figure GDA00024480948200000716
表示时空点
Figure GDA00024480948200000717
与时空点
Figure GDA00024480948200000718
在空间位置上的距离，将上述速度值序列
Figure GDA00024480948200000719
按照值从大到小排序，则
Figure GDA00024480948200000720
的值取为排序后的速度值的前top％的平均值，其中top为预先设定的参数。
进一步地，所述的步骤S4中额定行驶加速度
Figure GDA00024480948200000721
的计算方式如下：将轨迹片段
Figure GDA00024480948200000722
通过相邻三个时空点
Figure GDA00024480948200000723
的瞬时加速度记作
Figure GDA00024480948200000724
将上述加速度值序列
Figure GDA00024480948200000725
按照值从大到小排序，则
Figure GDA00024480948200000726
的值取为排序后的速度值的前top％的平均值。
进一步地，所述的步骤S4中行驶路程
Figure GDA0002448094820000081
的计算公式如下：
Figure GDA0002448094820000082
进一步地，所述的步骤S4中聚集系数
Figure GDA0002448094820000083
取
Figure GDA0002448094820000084
匹配的轨迹数，即
Figure GDA0002448094820000085
在拓扑结构图G中对应的顶点
Figure GDA0002448094820000086
的出度。
进一步地，所述的步骤S4中频数
Figure GDA0002448094820000087
的计算步骤如下：
a、令l＝1，
Figure GDA0002448094820000088
b、计算
Figure GDA0002448094820000089
与
Figure GDA00024480948200000810
的最长公共子序列，其计算方式如下：记
Figure GDA00024480948200000811
为轨迹片段
Figure GDA00024480948200000812
的前l1个时空点与轨迹片段
Figure GDA00024480948200000813
的前l2个位置的最长公共子序列的长度，其计算公式如下：
Figure GDA00024480948200000814
c、若
Figure GDA00024480948200000815
其中，Fb为预先设定好的阈值，其值接近于1，len(·)表示轨迹片段的长度，则令
Figure GDA00024480948200000816
Figure GDA00024480948200000817
d、若l＝Ep，其中，Ep为用户p的轨迹片段总数，则
Figure GDA00024480948200000818
计算完成，否则令l＝l+1，转到步骤b。
进一步地，所述的步骤S4中判别交通工具类别的规则集定义如下：
规则S401、根据
Figure GDA00024480948200000819
的取值，按如下技术方案对交通工具类别进行判别：
若
Figure GDA00024480948200000820
所属区间为[0,vwalk)，则交通工具类别为无交通工具，即步行；
若
Figure GDA0002448094820000091
所属区间为[vbike,vlow)，则交通工具类别为低速机动车，并转至使用规则S402作进一步判别；
若
Figure GDA0002448094820000092
所属区间为[vlow,vmid1)，则交通工具类别为摩托车；
若
Figure GDA0002448094820000093
所属区间为[vmid1,vmid2)，则交通工具类别为各类汽车、地铁或普快列车，并转至使用规则S403作进一步判别；
若
Figure GDA0002448094820000094
所属区间为[vmid2,vhigh)，则交通工具类别为动车；
若
Figure GDA0002448094820000095
则交通工具类别为高铁；
其中，vwalk,vbike,vlow,vmid1,vmid2,vhigh均为预先设定的参数，其取值应满足vwalk<vbike<vlow<vmid1<vmid2<vhigh；
规则S402、就路程与位移的比值
Figure GDA0002448094820000096
以及聚集系数两个特征做进一步判别。若
Figure GDA0002448094820000097
(其中rateroad为预先设定的参数)，则轨迹
Figure GDA0002448094820000098
的交通工具类别为在公路上行驶的低速机动车，否则交通工具类别应当为在非公路上行驶的低速机动车。若
Figure GDA0002448094820000099
(其中clutour为预先设定的参数)，则轨迹
Figure GDA00024480948200000910
的交通工具类别为载客低速机动车，为非载客低速机动车。
规则S403、根据
Figure GDA00024480948200000911
与
Figure GDA00024480948200000912
的取值，按以下技术方案对交通工具类别进行判别：
若
Figure GDA00024480948200000913
则交通工具类别为货车或小轿车，并按规则S404作进一步判别，
若
Figure GDA00024480948200000914
且
Figure GDA00024480948200000915
则交通工具类别为短途客运机动车，并按规则S405作进一步判别，
若
Figure GDA00024480948200000916
且
Figure GDA00024480948200000917
则交通工具类别为长途客运机动车，并按规则S406作进一步判别，
其中，dislong,clucoach均为预先设定的参数；
规则S404、若若
Figure GDA0002448094820000101
其中accar为预先设定的参数，则轨迹
Figure GDA0002448094820000102
的交通工具类别为货车，反之标记为小轿车；
规则S405、若
Figure GDA0002448094820000103
其中clusub为预先设定的参数，且取值远大于clucoach，则轨迹
Figure GDA0002448094820000104
的交通工具类别为市内轨道交通工具，若
Figure GDA0002448094820000105
且
Figure GDA0002448094820000106
其中freqbus为预先设定的参数，则轨迹
Figure GDA0002448094820000107
的交通工具类别为公共汽车，若
Figure GDA0002448094820000108
且
Figure GDA0002448094820000109
则标记轨迹
Figure GDA00024480948200001010
的交通工具类别为非公共汽车的其他客车。
规则S406、若
Figure GDA00024480948200001011
其中clutrain为预先设定的参数，且取值远大于clucoach，则标记轨迹
Figure GDA00024480948200001012
的交通工具类别为普快列车，反之标记轨迹
Figure GDA00024480948200001013
的交通工具类别为长途客车。
进一步地，所述的步骤S502中，选取轨迹片段
Figure GDA00024480948200001014
所按照的规则为：
规则(1)：
Figure GDA00024480948200001015
在图G中的对应顶点
Figure GDA00024480948200001016
的出度最多，即匹配的轨迹数最多，
若满足规则(1)的轨迹片段不唯一，则
Figure GDA00024480948200001017
应满足规则(2)：
Figure GDA00024480948200001018
为满足规则(1)的所有轨迹片段中，行驶路程最长的；
若满足规则(2)的轨迹片段仍然不唯一，则
Figure GDA00024480948200001019
可以为满足规则(2)的轨迹片段中的任意一个。
本发明相对于现有技术具有如下的优点及效果：
本发明所提出的一种利用移动通信数据识别交通工具类别的方法，无需安装额外的传感器和视频监控设备，不依赖车辆的各类参数信息，仅通过精确度较低的基站定位信息，即可较为准确地识别交通工具的类别。
附图说明
图1是本发明实施例中利用移动通信数据的识别交通工具的总体流程图；
图2是本发明实施例中划分轨迹片段的流程图；
图3是本发明实施例中计算匹配关系的流程图；
图4是本发明实施例中判别交通工具类别的规则集示意图；
图5是本发明实施例中识别所有轨迹片段交通工具类别的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
实施例
如附图1所示，一种利用移动通信数据识别交通工具类别的方法，主要包含如下步骤：
步骤S1、获取原始数据。从蜂窝式移动通信网络的通信数据中获取移动设备用户所在基站的状态信息数据，记作时空点四元组集合(A＝<userID,timestamp,longitude,latitude>),其中userID表示能够区分不同用户的信息字段(如移动设备ID、网卡mac地址或手机号码)，timestamp为时间戳，即该位置信息产生的时间点，longitude与latitude分别表示基站的经度和纬度。记用户总数为Nu。
步骤S2、从用户的时空点序列中划分轨迹片段。利用步骤S1中获取的数据，得到各个移动用户所历经的时空点序列，通过计算用户在各个位置的停留时间长度，判断出用户每次移动的起点与终点。用户在某一时间段内，进行一次移动所产生的时空点序列，即为一条轨迹片段。如此可将一个用户的所有时空点序列，划分为一系列轨迹片段。
步骤S3、计算步骤S2中的不同用户轨迹片段之间的匹配关系，并构建匹配关系的拓扑结构图。
步骤S4、定义轨迹片段的各类属性特征以及基于这些特征进行判别的规则集，用于识别交通工具的类别。
步骤S5、按以下方法识别所有轨迹片段的交通工具类别。从交通工具类别未知的轨迹片段中，按一定规则寻找出一条匹配轨迹数较多的轨迹片段，运用步骤S4中的规则集识别该驾驶人轨迹片段的交通工具类别；之后利用步骤S3中构建的拓扑结构图，寻找出该轨迹片段匹配的所有轨迹片段，并将它们的交通工具类别标记为与该轨迹片段相同的类别；之后再从交通工具类别未知的轨迹片段中，按规则寻找出驾驶人轨迹片段，如此循环往复，直至所有轨迹片段的交通工具类别均已识别完成。
如附图2所示，步骤S2的具体实施方法如下：
步骤S201、将步骤S1中提取到的时空四元组集合，将相同userID的记录构成该用户的轨迹时空点序列，并将每一用户的时空点序列按照timestamp升序排列。用户i的第j个时空点记作：
ai,j＝<userIDi,timestampi,j,longitudei,j,latitudei,j>。
用户i的全体时空点序列记为
Figure GDA0002448094820000121
其中，ni为用户i的时空点个数。
步骤S202、剔除步骤S201每一用户的序列Si中的异常点：计算相邻两点ai,j到ai,j+1间的用户移动速度
Figure GDA0002448094820000122
其中，dist(·,·)表示两个时空点基站之间的距离。判断vij是否大于预先设定的阈值vmax(本实施例中，vmax取600km/h)，若否，则保留点aij；若是，则从序列中删除点ai,j+1并更新j＝j+1，重复该步骤至j＝n结束。由此将Si更新为：
Figure GDA0002448094820000131
其中，mi为剔除异常点之后，用户i剩余的时空点个数，满足mi≤ni。
步骤S203、将经过步骤S202处理后的各个用户的时空序列点Qi，分割为一系列轨迹片段，具体步骤如下：
步骤S20301、令kS203＝1,r＝1,J＝1；
步骤S20302、记
Figure GDA0002448094820000132
创建新的轨迹片段序列
Figure GDA0002448094820000133
记
Figure GDA0002448094820000134
为当前轨迹片段的起点；
步骤S20303、设定Tborder为20分钟，计算数据点ai,k+1与ai,k的时间差
Figure GDA0002448094820000135
判断
Figure GDA0002448094820000136
是否大于预先设定的阈值Tborder，若是，则
Figure GDA0002448094820000137
为当前的轨迹片段的终点，相应地，ai,k+1为下一条轨迹片段的起点，令k＝k+1,J＝J+1,r＝1，转步骤S20302；若否，则记
Figure GDA0002448094820000138
在现有轨迹片段LJ的末尾添加点
Figure GDA0002448094820000139
转步骤S20304。
步骤S20304、若k＝m-1，则结束执行，否则令k＝k+1，r＝r+1，转步骤S20303。
步骤S204、将步骤S203得到的所有用户的轨迹片段进行汇总，记作：
Figure GDA00024480948200001310
其中nti表示用户i的轨迹片段总数。
步骤S3的具体实施步骤如下：
步骤S301、对每一个满足
Figure GDA00024480948200001311
的轨迹片段对
Figure GDA00024480948200001312
其中×表示集合的笛卡尔积，如附图3所示，按如下方式计算匹配关系：
步骤S30101、选定时间间隔
Figure GDA0002448094820000141
其中len(·)表示轨迹片段的长度，即时空点的个数。tw为轨迹片段
Figure GDA0002448094820000142
中相邻时空点的最小时间差与轨迹片段
Figure GDA0002448094820000143
中相邻时空点的最小时间差的较小者。
步骤S30102、记
Figure GDA0002448094820000144
Figure GDA0002448094820000145
其中
Figure GDA0002448094820000146
和
Figure GDA0002448094820000147
分别表示轨迹片段
Figure GDA0002448094820000148
的起点时间戳；
Figure GDA0002448094820000149
和
Figure GDA00024480948200001410
分别表示轨迹片段
Figure GDA00024480948200001411
的终点时间戳。将时间区间[tbegin,tend]以tw为间隔划分为
Figure GDA00024480948200001412
个不重叠的时间窗口，各时间窗口分别记为：
Tw1＝[tbegin,tbegin+tw)
Tw2＝[tbegin+tw,tbegin+2tw)
Figure GDA00024480948200001413
Twn-1＝[tbegin+(nw-2)tw,tbegin+(nw-1)tw)
Twnw＝[tbegin+(nw-1)tw,tend]
步骤S30103、记Sp,λ(k),Sq,μ(k)分别为
Figure GDA00024480948200001414
与
Figure GDA00024480948200001415
中，时间戳落在时间窗口Twk内的时空点集合，易知每一个Sp,λ(k)与Sq,μ(k)中至多只有一个元素，计算
Figure GDA00024480948200001416
与
Figure GDA00024480948200001417
匹配的点数
Figure GDA00024480948200001418
计算公式如下:
Figure GDA00024480948200001419
其中，
Figure GDA00024480948200001420
表示时空点
Figure GDA00024480948200001421
与时空点
Figure GDA00024480948200001422
在空间位置上的距离，
Figure GDA00024480948200001423
smin预先设定为50米。
步骤S30104、计算
Figure GDA00024480948200001424
对于
Figure GDA00024480948200001425
的匹配度Mr，计算公式如下:
Figure GDA0002448094820000151
若
Figure GDA0002448094820000152
(Mb设定为0.9)，则轨迹片段
Figure GDA0002448094820000153
匹配轨迹片段
Figure GDA0002448094820000154
记为
Figure GDA0002448094820000155
若
Figure GDA0002448094820000156
则轨迹片段
Figure GDA0002448094820000157
存在一个子片段，与轨迹片段
Figure GDA0002448094820000158
与在时间与空间上高度匹配，可以认为用户q在该段时间内与用户p乘坐同一辆交通工具。若
Figure GDA0002448094820000159
则说明轨迹片段
Figure GDA00024480948200001510
不匹配轨迹片段
Figure GDA00024480948200001511
记为
Figure GDA00024480948200001512
至此，得出匹配关系。
步骤S302、构建全体轨迹片段间，匹配关系的拓扑结构图。匹配关系的拓扑结构图记为G＝{V,E}，V为顶点的集合，全体轨迹片段集合Πall与图顶点集合V为一一对应关系，将轨迹片段
Figure GDA00024480948200001513
在图中所对应的顶点记为
Figure GDA00024480948200001514
Figure GDA00024480948200001515
为图中有向边的集合
Figure GDA00024480948200001516
Figure GDA00024480948200001517
表示从顶点
Figure GDA00024480948200001518
指向顶点
Figure GDA00024480948200001519
的边)。
步骤S4的具体实施步骤如下：定义轨迹片段
Figure GDA00024480948200001520
的各类属性特征及其计算方式如下：
1.额定速度，即交通工具正常行驶时所能达到的速度，记为
Figure GDA00024480948200001521
其计算方式如下：将轨迹片段
Figure GDA00024480948200001522
通过相邻两个时空点
Figure GDA00024480948200001523
的瞬时速度记作
Figure GDA00024480948200001524
将上述瞬时速度值序列
Figure GDA00024480948200001525
按照值从大到小排序，则
Figure GDA00024480948200001526
的值取为排序后的速度值的前top％的平均值，其中top设定为20。
2.额定加速度，即交通工具正常行驶中加(减)速时，所能达到的加速度，记作
Figure GDA00024480948200001527
其计算方式如下：将轨迹片段
Figure GDA00024480948200001528
通过相邻三个时空点
Figure GDA0002448094820000161
的瞬时加速度记作
Figure GDA0002448094820000162
Figure GDA0002448094820000163
将上述瞬时加速度值序列
Figure GDA0002448094820000164
按照值从大到小排序，则
Figure GDA0002448094820000165
的值取为排序后的速度值的前top％的平均值。
3.位移，即轨迹片段起点到终点的直接距离(忽略所有中间点的路程)。记为
Figure GDA0002448094820000166
其计算公式为：
Figure GDA0002448094820000167
Figure GDA0002448094820000168
4.行驶路程，记为
Figure GDA0002448094820000169
其计算公式为：
Figure GDA00024480948200001610
5.聚集系数，即轨迹片段
Figure GDA00024480948200001611
在同一时间段乘坐同一交通工具的人数，记为
Figure GDA00024480948200001612
Figure GDA00024480948200001613
取
Figure GDA00024480948200001614
匹配的轨迹数，即
Figure GDA00024480948200001615
在拓扑结构图G中对应的顶点
Figure GDA00024480948200001616
的出度。
6.频数，即该用户存在历经相似位置的轨迹片段数量，记为
Figure GDA00024480948200001617
其计算步骤如下：
步骤a、令l＝1，
Figure GDA00024480948200001618
步骤b、计算
Figure GDA00024480948200001619
与
Figure GDA00024480948200001620
的最长公共子序列，其计算方式如下：记
Figure GDA00024480948200001621
为轨迹片段
Figure GDA00024480948200001622
的前l1个时空点与轨迹片段
Figure GDA00024480948200001623
的前l2个位置的最长公共子序列的长度，其计算公式如下：
Figure GDA00024480948200001624
Figure GDA0002448094820000171
步骤c、若
Figure GDA0002448094820000172
(Fb设定为0.9；len(·)表示轨迹片段的长度)，则令
Figure GDA0002448094820000173
步骤d、若l＝Ep(Ep为用户p的轨迹片段总数)，则
Figure GDA0002448094820000174
计算完成，否则令l＝l+1，转到步骤b。
如附图4所示，基于上述特征，定义判别交通工具类别的规则集如下：
规则S401、根据
Figure GDA0002448094820000175
的取值，按下述方案对交通工具类别进行判别：
Figure GDA0002448094820000176
vwalk,vbike,vlow,vmid1,vmid2,vhigh分别设定为6km/h,20km/h,30km/h,40km/h,140km/h,200km/h。
规则S402、就路程与位移的比值
Figure GDA0002448094820000177
以及聚集系数两个特征做进一步判别。若
Figure GDA0002448094820000178
(rateroad的数值设定为3)，则轨迹
Figure GDA0002448094820000181
的交通工具类别为在公路上行驶的低速机动车(电动自行车)，否则交通工具类别应当为在非公路上行驶的低速机动车。若
Figure GDA0002448094820000182
(clutour的数值设定为10)，则轨迹
Figure GDA0002448094820000183
的交通工具类别为载客低速机动车(景区观光车)，为非载客低速机动车(电动巡逻车)。
规则S403、根据
Figure GDA0002448094820000184
与
Figure GDA0002448094820000185
的取值，按下述方案对交通工具类别进行判别：
Figure GDA0002448094820000186
其中，设定dislong为30km,设定clucoach为10。
规则S404、若
Figure GDA0002448094820000187
(stdacccar设为5m/s2)，则轨迹
Figure GDA0002448094820000188
的交通工具类别为货车，反之标记为小轿车。
规则S405、若
Figure GDA0002448094820000189
(clusub设定为100)，则轨迹
Figure GDA00024480948200001810
的交通工具类别为市内轨道交通工具(地铁，轻轨)，若
Figure GDA00024480948200001811
且
Figure GDA00024480948200001812
(其中freqbus的数值，设定为数据集天数跨度的5倍)。则轨迹
Figure GDA00024480948200001813
的交通工具类别为公共汽车，若
Figure GDA00024480948200001814
且
Figure GDA00024480948200001815
则标记轨迹
Figure GDA00024480948200001816
的交通工具类别为非公共汽车的客车(校车，单位班车，旅游大巴)。
规则S406、若
Figure GDA00024480948200001817
(clutrain设定为100)，则标记轨迹
Figure GDA00024480948200001818
的交通工具类别为普快列车，反之标记轨迹
Figure GDA00024480948200001819
的交通工具类别为长途客车。
步骤S5的具体实施步骤如下：
步骤S501、令kS5＝1。
步骤S502、按以下规则，从交通工具类别未知的轨迹片段中，选取一条轨迹片段
Figure GDA0002448094820000191
规则(1)：
Figure GDA0002448094820000192
在图G中的对应顶点
Figure GDA0002448094820000193
的出度最多，即匹配的轨迹数最多。
若满足规则(1)的轨迹片段不唯一，则
Figure GDA0002448094820000194
应满足规则(2)：
Figure GDA0002448094820000195
为满足规则(1)的所有轨迹片段中，行驶路程最长的。
若满足规则(2)的轨迹片段仍然不唯一，则
Figure GDA0002448094820000196
可以为满足规则(2)的轨迹片段中的任意一个。
步骤S503、利用步骤S4中构建的规则集，识别
Figure GDA0002448094820000197
的交通工具类别。
步骤S504、记
Figure GDA0002448094820000198
匹配的轨迹片段集合为
Figure GDA0002448094820000199
其中，E为图G的边集。将
Figure GDA00024480948200001910
中，所有轨迹片段的交通工具类别标记为与
Figure GDA00024480948200001911
相同的类别。
步骤S505、令
Figure GDA00024480948200001912
从图G的顶点集合V中删去集合
Figure GDA00024480948200001913
中所有轨迹片段所对应的顶点，并从图G的边集E中，删去所有包含有被删去的顶点的边。
步骤S506、若图G中的顶点数大于0，则依然存在交通工具类别未知的轨迹片段，令kS5＝1，转步骤S502。若顶点数等于0，则所有轨迹片段的交通工具类别均已确定，整个过程全部完成。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (7)

1.一种利用移动通信数据识别交通工具类别的方法，其特征在于，所述的方法包括下列步骤：
S1、获取原始数据，从蜂窝式移动通信网络的通信数据中获取移动设备用户所在基站的状态信息数据，记作时空点四元组集合A＝<userID,timestamp,longitude,latitude>,其中userID表示能够区分不同用户的信息字段，timestamp为时间戳，即该位置信息产生的时间点，longitude与latitude分别表示基站的经度和纬度，记用户总数为Nu；
S2、从用户的时空点序列中划分轨迹片段，利用步骤S1中获取的数据，得到各个移动用户所历经的时空点序列，通过计算用户在各个位置的停留时间长度，判断出用户每次移动的起点与终点，用户在某一时间段内，进行一次移动所产生的时空点序列，即为一条轨迹片段，如此重复，将一个用户的所有时空点序列，划分为一系列轨迹片段；
步骤S2过程如下：
S201、在步骤S1所提取到的时空四元组集合中，将相同userID的记录构成该用户的轨迹时空点序列，记作
ai,j＝<userIDi,timestampi,j,longitudei,j,latitudei,j>；
S202、将每一用户的数据点按照timestamp升序排列，得到按时间变化的数据点序列，记为
Figure FDA0002448094810000011
S203、剔除步骤S202每一用户的序列Si中的异常点，将Si更新为：
Figure FDA0002448094810000012
Figure FDA0002448094810000013
S204、将经过步骤S203处理后的每一用户的全体时空序列点Qi，分割成一系列轨迹片段；
S205、将步骤S204得到的所有用户的轨迹片段进行汇总，记作
Figure FDA0002448094810000021
其中nti表示用户i的轨迹总数，
Figure FDA0002448094810000022
表示用户i的第η条轨迹片段；
S3、计算步骤S2中的不同用户轨迹片段之间的匹配关系，并构建匹配关系的拓扑结构图；
步骤S3过程如下：
S301、对每一个满足
Figure FDA0002448094810000023
的轨迹片段对
Figure FDA0002448094810000024
计算其时空匹配度
Figure FDA0002448094810000025
其中×表示集合的笛卡尔积，若
Figure FDA0002448094810000026
Mb为预先设定的匹配度的阈值，其值接近于1，则轨迹片段
Figure FDA0002448094810000027
匹配轨迹片段
Figure FDA0002448094810000028
记为
Figure FDA0002448094810000029
若
Figure FDA00024480948100000210
则轨迹片段
Figure FDA00024480948100000211
存在一个子片段，与轨迹片段
Figure FDA00024480948100000212
与在时间与空间上高度匹配，认为用户q在该段时间内与用户p乘坐同一辆交通工具，若
Figure FDA00024480948100000213
则说明轨迹片段
Figure FDA00024480948100000214
不匹配轨迹片段
Figure FDA00024480948100000215
记为
Figure FDA00024480948100000216
S302、构建全体轨迹片段间，匹配关系的拓扑结构图，记为G＝{V,E}，V为顶点的集合，全体轨迹片段集合∏all与图顶点集合V为一一对应关系，将轨迹片段
Figure FDA00024480948100000217
在拓扑结构图中所对应的顶点记为
Figure FDA00024480948100000218
Figure FDA00024480948100000219
Figure FDA00024480948100000220
为拓扑结构图中有向边的集合,
Figure FDA00024480948100000221
Figure FDA00024480948100000222
表示从顶点
Figure FDA00024480948100000223
指向顶点
Figure FDA00024480948100000224
的边；
S4、定义轨迹片段的各类属性特征以及基于判别交通工具类别的规则集，用于识别交通工具的类别；
其中，轨迹片段
Figure FDA00024480948100000225
的各类属性特征如下：
额定行驶速度，即交通工具正常行驶时所能达到的速度，记为
Figure FDA00024480948100000226
额定行驶加速度，即交通工具正常行驶中加、减速时，所能达到的加速度，记为
Figure FDA0002448094810000031
位移，即轨迹片段起点到终点的直接距离，记为
Figure FDA0002448094810000032
标准速度与标准加速度，即交通工具所能达到的速度与加速度；
行驶路程，记为
Figure FDA0002448094810000033
聚集系数，即轨迹片段
Figure FDA0002448094810000034
在同一时间段乘坐同一交通工具的人数，记为
Figure FDA0002448094810000035
频数，即该用户存在历经相似位置的轨迹片段数量，记为
Figure FDA0002448094810000036
所述的判别交通工具类别的规则集定义如下：
规则S401、根据
Figure FDA0002448094810000037
的取值，按如下方案对交通工具类别进行判别：
若
Figure FDA0002448094810000038
所属区间为[0,vwalk)，则交通工具类别为无交通工具，即步行；
若
Figure FDA0002448094810000039
所属区间为[vbike,vlow)，则交通工具类别为低速机动车，并转至使用规则S402作进一步判别；
若
Figure FDA00024480948100000310
所属区间为[vlow,vmid1)，则交通工具类别为摩托车；
若
Figure FDA00024480948100000311
所属区间为[vmid1,vmid2)，则交通工具类别为各类汽车、地铁或普快列车，并转至使用规则S403作进一步判别；
若
Figure FDA00024480948100000312
所属区间为[vmid2,vhigh)，则交通工具类别为动车；
若
Figure FDA00024480948100000313
则交通工具类别为高铁；
其中，vwalk,vbike,vlow,vmid1,vmid2,vhigh均为预先设定的参数，其取值应满足vwalk<vbike<vlow<vmid1<vmid2<vhigh；
规则S402、将路程与位移的比值
Figure FDA00024480948100000314
以及聚集系数两个特征做进一步判别，若
Figure FDA0002448094810000041
其中rateroad为预先设定的参数，则轨迹
Figure FDA0002448094810000042
的交通工具类别为在公路上行驶的低速机动车，否则交通工具类别应当为在非公路上行驶的低速机动车；
若
Figure FDA0002448094810000043
其中clutour为预先设定的参数，则轨迹
Figure FDA0002448094810000044
的交通工具类别为载客低速机动车，为非载客低速机动车；
规则S403、根据
Figure FDA0002448094810000045
与
Figure FDA0002448094810000046
的取值，按以下技术方案对交通工具类别进行判别：
若
Figure FDA0002448094810000047
则交通工具类别为货车或小轿车，并按规则S404作进一步判别，
若
Figure FDA0002448094810000048
且
Figure FDA0002448094810000049
则交通工具类别为短途客运机动车，并按规则S405作进一步判别，
若
Figure FDA00024480948100000410
且
Figure FDA00024480948100000411
则交通工具类别为长途客运机动车，并按规则S406作进一步判别，
其中，dislong,clucoach均为预先设定的参数；
规则S404、若
Figure FDA00024480948100000412
其中stdacccar为预先设定的参数，则轨迹
Figure FDA00024480948100000413
的交通工具类别为货车，反之标记为小轿车；
规则S405、若
Figure FDA00024480948100000414
其中clusub为预先设定的参数，且取值大于clucoach，则轨迹
Figure FDA00024480948100000415
的交通工具类别为市内轨道交通工具，若
Figure FDA00024480948100000416
且
Figure FDA00024480948100000417
其中freqbus为预先设定的参数，则轨迹
Figure FDA00024480948100000418
的交通工具类别为公共汽车，若
Figure FDA00024480948100000419
且
Figure FDA00024480948100000420
则标记轨迹
Figure FDA00024480948100000421
的交通工具类别为非公共汽车的其他客车；
规则S406、若
Figure FDA00024480948100000422
其中clutrain为预先设定的参数，且取值大于clucoach，则标记轨迹
Figure FDA0002448094810000051
的交通工具类别为普快列车，反之标记轨迹
Figure FDA0002448094810000052
的交通工具类别为长途客车；
S5、按以下步骤识别所有轨迹片段的交通工具类别：
S501、令kS5＝1；
S502、按照一定的规则，从交通工具类别未知的轨迹片段中，选取一条匹配轨迹数较多的轨迹片段
Figure FDA0002448094810000053
S503、利用步骤S4中构建的规则集，识别
Figure FDA0002448094810000054
的交通工具类别；
S504、记
Figure FDA0002448094810000055
匹配的轨迹片段集合为
Figure FDA0002448094810000056
其中，E为图G的边集，将
Figure FDA0002448094810000057
中，所有轨迹片段的交通工具类别标记为与
Figure FDA0002448094810000058
相同的类别；
S505、令
Figure FDA0002448094810000059
从图G的顶点集合V中删去集合
Figure FDA00024480948100000510
中所有轨迹片段所对应的顶点，并从图G的边集E中，删去所有包含有被删去的顶点的边；
S506、若图G中的顶点数大于0，则依然存在交通工具类别未知的轨迹片段，令kS5＝1，转步骤S502；若顶点数等于0，则所有轨迹片段的交通工具类别均已确定，整个识别过程全部完成。
2.根据权利要求1所述的一种利用移动通信数据识别交通工具类别的方法，其特征在于，所述的步骤S203中，剔除异常点的过程如下：
计算相邻两点ai,j到ai,j+1间的用户移动速度
Figure FDA00024480948100000511
Figure FDA00024480948100000512
其中，dist(·,·)表示两个时空点基站之间的距离；判断该速度是否大于预先设定的阈值vmax，若否，则保留点aij；若是，则从序列中删除点ai,j+1并更新j＝j+1，重复以上过程至j＝n结束，由此将Si更新为：
Figure FDA00024480948100000513
3.根据权利要求1所述的一种利用移动通信数据识别交通工具类别的方法，其特征在于，所述的步骤S204中，将每一用户的全体时空序列点Qi，分割成一系列轨迹片段的过程如下：
S20401、令kS204＝1,J＝1；
S20402、创建新的轨迹片段序列
Figure FDA0002448094810000061
记
Figure FDA0002448094810000062
为当前轨迹片段的起点；
S20403、计算数据点
Figure FDA0002448094810000063
与
Figure FDA0002448094810000064
的时间差
Figure FDA0002448094810000065
Figure FDA0002448094810000066
判断
Figure FDA0002448094810000067
是否大于预先设定的阈值Tborder，若是，则
Figure FDA0002448094810000068
为当前的轨迹片段的终点，相应地，
Figure FDA0002448094810000069
为下一条轨迹片段的起点，令kS204＝kS204+1,J＝J+1，转步骤S20402；若否，则在现有轨迹片段L J的末尾添加点
Figure FDA00024480948100000610
转步骤S20404；
S20404、若kS204＝mi-1，则结束执行，否则令kS204＝kS204+1，转步骤S20403。
4.根据权利要求1所述的一种利用移动通信数据识别交通工具类别的方法，其特征在于，所述的步骤S301中，计算时空匹配度
Figure FDA00024480948100000611
的过程如下：
S30101、选定时间窗口大小
Figure FDA00024480948100000612
其中len(·)表示轨迹片段的长度，即时空点的个数，时间窗口大小tw为轨迹片段
Figure FDA00024480948100000613
中相邻时空点的最小时间差与轨迹片段
Figure FDA00024480948100000614
中相邻时空点的最小时间差的较小者；
S30102、记
Figure FDA00024480948100000615
Figure FDA00024480948100000616
其中
Figure FDA0002448094810000071
和
Figure FDA0002448094810000072
分别表示轨迹片段
Figure FDA0002448094810000073
的起点时间戳，
Figure FDA0002448094810000074
和
Figure FDA0002448094810000075
分别表示轨迹片段
Figure FDA0002448094810000076
的终点时间戳，将时间区间[tbegin,tend]以tw为间隔划分为
Figure FDA0002448094810000077
个不重叠的时间窗口，各时间窗口分别记为：
Figure FDA0002448094810000078
S30103、记Sp,λ(k),Sq,μ(k)分别为
Figure FDA0002448094810000079
与
Figure FDA00024480948100000710
中，时间戳落在时间窗口Twk内的时空点集合，每一个Sp,λ(k)与Sq,μ(k)中至多只有一个元素，计算
Figure FDA00024480948100000711
与
Figure FDA00024480948100000712
匹配的点数
Figure FDA00024480948100000713
计算公式如下:
Figure FDA00024480948100000714
其中，
Figure FDA00024480948100000715
表示时空点
Figure FDA00024480948100000716
与时空点
Figure FDA00024480948100000717
在空间位置上的距离，
Figure FDA00024480948100000718
smin为预先设定的阈值；
步骤S30104、计算
Figure FDA00024480948100000719
对于
Figure FDA00024480948100000720
的匹配度Mr，计算公式如下:
Figure FDA00024480948100000721
5.根据权利要求1所述的一种利用移动通信数据识别交通工具类别的方法，其特征在于，所述的步骤S4中额定行驶速度
Figure FDA00024480948100000722
的计算方式如下：
轨迹片段
Figure FDA00024480948100000723
通过相邻两个时空点
Figure FDA00024480948100000724
的瞬时速度记作
Figure FDA00024480948100000725
Figure FDA00024480948100000726
表示时空点
Figure FDA00024480948100000727
与时空点
Figure FDA00024480948100000728
在空间位置上的距离，将上述速度值序列
Figure FDA0002448094810000081
按照值从大到小排序，则
Figure FDA0002448094810000082
的值取为排序后的速度值的前top％的平均值，其中top为预先设定的参数；
所述的步骤S4中额定行驶加速度
Figure FDA0002448094810000083
的计算方式如下：
将轨迹片段
Figure FDA0002448094810000084
通过相邻三个时空点
Figure FDA0002448094810000085
的瞬时加速度记作
Figure FDA0002448094810000086
将上述加速度值序列
Figure FDA0002448094810000087
按照值从大到小排序，则
Figure FDA0002448094810000088
的值取为排序后的速度值的前top％的平均值；
所述的步骤S4中行驶路程
Figure FDA0002448094810000089
的计算公式如下：
Figure FDA00024480948100000810
Figure FDA00024480948100000811
表示时空点
Figure FDA00024480948100000812
与时空点
Figure FDA00024480948100000813
在空间位置上的距离，所述的步骤S4中聚集系数
Figure FDA00024480948100000814
取
Figure FDA00024480948100000815
匹配的轨迹数，即
Figure FDA00024480948100000816
在拓扑结构图G中对应的顶点
Figure FDA00024480948100000817
的出度。
6.根据权利要求1所述的一种利用移动通信数据识别交通工具类别的方法，其特征在于，所述的步骤S4中频数
Figure FDA00024480948100000818
的计算步骤如下：
a、令l＝1，
Figure FDA00024480948100000819
b、计算
Figure FDA00024480948100000820
与
Figure FDA00024480948100000821
的最长公共子序列，其计算方式如下：记
Figure FDA00024480948100000822
为轨迹片段
Figure FDA00024480948100000823
的前l1个时空点与轨迹片段
Figure FDA00024480948100000824
的前l2个位置的最长公共子序列的长度，其计算公式如下：
Figure FDA00024480948100000825
c、若
Figure FDA0002448094810000091
其中，Fb为预先设定好的阈值，其值接近于1，len(·)表示轨迹片段的长度，则令
Figure FDA0002448094810000092
Figure FDA0002448094810000093
d、若l＝Ep，其中，Ep为用户p的轨迹片段总数，则
Figure FDA0002448094810000094
计算完成，否则令l＝l+1，转到步骤b。
7.根据权利要求1所述的一种利用移动通信数据识别交通工具类别的方法，其特征在于，所述的步骤S502中，选取轨迹片段
Figure FDA0002448094810000095
所按照的规则为：
规则(1)：
Figure FDA0002448094810000096
在图G中的对应顶点
Figure FDA0002448094810000097
的出度最多，即匹配的轨迹数最多，
若满足规则(1)的轨迹片段不唯一，则
Figure FDA0002448094810000098
应满足规则(2)：
Figure FDA0002448094810000099
为满足规则(1)的所有轨迹片段中，行驶路程最长的；
若满足规则(2)的轨迹片段仍然不唯一，则
Figure FDA00024480948100000910
为满足规则(2)的轨迹片段中的任意一个。
CN201811048538.4A 2018-09-10 2018-09-10 一种利用移动通信数据识别交通工具类别的方法 Active CN109035787B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811048538.4A CN109035787B (zh) 2018-09-10 2018-09-10 一种利用移动通信数据识别交通工具类别的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811048538.4A CN109035787B (zh) 2018-09-10 2018-09-10 一种利用移动通信数据识别交通工具类别的方法

Publications (2)

Publication Number Publication Date
CN109035787A CN109035787A (zh) 2018-12-18
CN109035787B true CN109035787B (zh) 2020-07-28

Family

ID=64620580

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811048538.4A Active CN109035787B (zh) 2018-09-10 2018-09-10 一种利用移动通信数据识别交通工具类别的方法

Country Status (1)

Country Link
CN (1) CN109035787B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111723835A (zh) * 2019-03-21 2020-09-29 北京嘀嘀无限科技发展有限公司 车辆移动轨迹区分方法、装置和电子设备
CN111310070B (zh) * 2019-12-20 2024-03-08 东软集团股份有限公司 确定频繁行程的方法、装置、存储介质和电子设备
CN111192452B (zh) * 2019-12-27 2021-06-18 东软集团股份有限公司 行程数据分段方法、装置、存储介质和电子设备
CN112530166B (zh) * 2020-12-01 2021-11-05 江苏欣网视讯软件技术有限公司 基于信令数据与大数据分析识别公交出行上下车站点的方法与系统
CN112818173B (zh) * 2021-01-21 2023-07-28 浙江大华技术股份有限公司 关联对象的识别方法、装置及计算机可读存储介质
CN115022810A (zh) * 2021-03-05 2022-09-06 中国移动通信集团江苏有限公司 基于手机信令数据识别出行方式的方法、装置及电子设备

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002300632A (ja) * 2001-03-29 2002-10-11 Denso Corp 携帯型無線通信装置
CN102611985A (zh) * 2011-01-24 2012-07-25 国际商业机器公司 一种用于提供出行信息的方法和设备
CN102708680A (zh) * 2012-06-06 2012-10-03 北京交通大学 基于agps技术的交通出行方式识别方法
CN105608505A (zh) * 2015-12-22 2016-05-25 重庆邮电大学 一种基于手机信令数据的居民轨道交通出行方式识别方法
CN106197458A (zh) * 2016-08-10 2016-12-07 重庆邮电大学 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
CN106446208A (zh) * 2016-09-30 2017-02-22 东南大学 一种考虑路网契合度的智能手机出行方式识别方法
US9641639B2 (en) * 2014-06-24 2017-05-02 Google Inc. Dynamic caching during travel
CN107241512A (zh) * 2017-06-30 2017-10-10 清华大学 基于手机数据的城际交通出行方式判断方法和设备
CN107845260A (zh) * 2017-10-26 2018-03-27 杭州东信北邮信息技术有限公司 一种用户公交出行方式的识别方法
CN108171973A (zh) * 2017-12-27 2018-06-15 东南大学 一种基于手机网格数据的交通出行模式识别方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002300632A (ja) * 2001-03-29 2002-10-11 Denso Corp 携帯型無線通信装置
CN102611985A (zh) * 2011-01-24 2012-07-25 国际商业机器公司 一种用于提供出行信息的方法和设备
CN102708680A (zh) * 2012-06-06 2012-10-03 北京交通大学 基于agps技术的交通出行方式识别方法
US9641639B2 (en) * 2014-06-24 2017-05-02 Google Inc. Dynamic caching during travel
CN105608505A (zh) * 2015-12-22 2016-05-25 重庆邮电大学 一种基于手机信令数据的居民轨道交通出行方式识别方法
CN106197458A (zh) * 2016-08-10 2016-12-07 重庆邮电大学 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
CN106446208A (zh) * 2016-09-30 2017-02-22 东南大学 一种考虑路网契合度的智能手机出行方式识别方法
CN107241512A (zh) * 2017-06-30 2017-10-10 清华大学 基于手机数据的城际交通出行方式判断方法和设备
CN107845260A (zh) * 2017-10-26 2018-03-27 杭州东信北邮信息技术有限公司 一种用户公交出行方式的识别方法
CN108171973A (zh) * 2017-12-27 2018-06-15 东南大学 一种基于手机网格数据的交通出行模式识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于GPS轨迹的移动用户特征挖掘算法;方英兰 等;《电脑知识与技术》;20170131;第13卷(第1期);第211-214页 *

Also Published As

Publication number Publication date
CN109035787A (zh) 2018-12-18

Similar Documents

Publication Publication Date Title
CN109035787B (zh) 一种利用移动通信数据识别交通工具类别的方法
CN111681421B (zh) 基于手机信令数据的对外客运枢纽集疏空间分布分析方法
CN104508719B (zh) 驾驶辅助系统以及驾驶辅助方法
CN104778274B (zh) 基于稀疏出租车gps数据的大范围城市路网旅行时间估计方法
US10373494B1 (en) Method and apparatus for estimating a parking event based on device signal observations
CN108848460B (zh) 基于rfid和gps数据的人车关联方法
US11710073B2 (en) Method for providing corridor metrics for a corridor of a road network
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
CN106935027A (zh) 一种基于行驶数据的交通信息预测方法及装置
CN107490384B (zh) 一种基于城市路网的最优静态路径选择方法
CN102737510A (zh) 一种基于移动智能终端的实时交通路况采集方法
CN101989381B (zh) 基于浮动车技术的道路单向限行与通行状态识别方法
WO2021082464A1 (zh) 预测车辆的目的地的方法和装置
CN110310477B (zh) 基于公交gps与手机信令数据的公交客流检测方法
CN110807926B (zh) 一种基于混合交通的道路阻抗预测方法及装置
CN106931981A (zh) 一种导航剩余时间的生成方法及装置
CN115630988B (zh) 陆路综合交通可达性测算方法和装置
CN107403550A (zh) 公交路网数据采集方法、装置和终端设备
CN111554085A (zh) 一种公共交通一体化出行智能服务装置及其应用方法
CN115761920A (zh) 一种基于etc门架数据的车辆轨迹可信提取方法及系统
CN106548628A (zh) 一种基于视觉空间转换网格化的路况分析方法
CN102956105A (zh) 一种浮动车样本点数据插值的方法
CN108304470B (zh) 一种基于ArcGIS的城市地铁路径规划方法
CN116933958B (zh) 一种基于刷卡数据的地铁换乘站换乘客流估计方法
CN114091581A (zh) 一种基于稀疏轨迹的车辆运营行为类型识别方法

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
GR01 Patent grant
GR01 Patent grant