CN110443287B - 一种基于稀疏轨迹数据的人群移动流绘制方法 - Google Patents

Abstract

本发明提出一种基于稀疏轨迹数据的人群移动流绘制方法，包括，步骤1，使用移动提取方法提取稀疏轨迹，按时间排序，连接轨迹序列当前位置前后的记录，每两条相邻记录作为一组，每组以前面记录的空间坐标为起点，后面记录的空间坐标为终点，得到一个局部的移动向量；步骤2，对步骤1的移动向量进行时空划分；步骤3，对步骤2的移动向量，先使用核密度估计方法进行平滑处理，然后进行聚合，得到局部空间内移动向量聚类；步骤4，对步骤2中的移动向量进行处理；步骤5，从步骤3中的所述移动向量聚类得到显著的全局移动流；步骤6，对于步骤5中的全局移动流进行循环展示，展示步骤4中得到的异常值和人群分布属性。

Description

一种基于稀疏轨迹数据的人群移动流绘制方法

技术领域

本发明涉及一种人群移动流绘制方法，尤其涉及一种基于稀疏轨迹数据的人群移动流绘制方法。

背景技术

近年来，随着GPS(Global Positioning System)定位技术、传感器等传感技术、社交媒体的不断发展，城市中产生了大量携带地理位置信息的数据，这使得人群移动的展示和映射成为近期研究热点并得到广泛应用。

城市中人群移动的研究具有重要的实际意义及应用价值，例如对交通优化、城市规划、安全管理等工作提供支持，对商业选址等决策任务提供基于数据的参考信息。

已有的研究方法大多针对于采样间隔比较小的稠密轨迹或者拥有确定OD信息的数据，而不支持时间间隔较大、采样时间不固定的数据，这类数据也没有固定的OD信息，我们称之为稀疏轨迹。

已有的研究中，存在着一些为稀疏轨迹可视化设计的技术。例如有研究学者针对城市中的稀疏轨迹提出了一种基于点的拥挤状态的可视化方法，用于显示交通量较大的所有交通单元的拥挤状态，该方法着重于城市交通拥挤情况的研究。该方法主要研究交通单元处的交通拥挤情况，而忽略了城市中移动的整体概况；并且可视化的结果与本身存在的交通单元的数量相关，若交通单元数量较多，则容易造成遮挡和杂乱，若交通单元数量较少，则会影响对于城市中交通拥挤情况的观测与分析。

发明内容

本发明提出一种基于稀疏轨迹数据的人群移动流绘制方法对稀疏轨迹进行可视化，进一步展示城市中人群移动的概况和规律，以实现对稀疏轨迹的可视分析，为城市分析相关用户提供可视化工具和分析手段。

本发明包括以下步骤：一种基于稀疏轨迹数据的人群移动流绘制方法，其特征在于，步骤1，使用移动提取方法提取稀疏轨迹，对提取的移动记录按时间排序，连接轨迹序列当前位置前后的记录，每两条相邻记录作为一组，每组记录中以前面记录的空间坐标为起点，后面记录的空间坐标为终点，得到一个局部的移动向量；

步骤2，对步骤1中得到的移动向量进行时空划分，在时间上，将移动向量划分至一个小时或多个小时的时间段，在空间上，将移动向量划分至500m*500m的网格之中；

步骤3，对步骤2中所述时空划分后的移动向量，先使用核密度估计方法进行平滑处理，然后进行聚合，得到局部空间内移动向量聚类；

步骤4，对步骤2中所述时空划分后的移动向量进行处理，在空间上，使用双向方差衡量空间单元内移动向量方向的分布特征，在时间上，采用计算极值的方法计算空间单元内的异常值；

步骤5，使用确定性纤维束跟踪方式从步骤3中的所述移动向量聚类得到显著的全局移动流；

步骤6，对于步骤5中的全局移动流进行循环展示，并使用热力图的方法展示步骤4中得到的异常值和人群分布属性。

附图说明

图1为本发明的整体流程图；

图2是移动流生成方法的流程图

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明提出一种基于稀疏轨迹数据的人群移动流绘制方法对稀疏轨迹进行可视化，进一步展示城市中人群移动的概况和规律，以实现对稀疏轨迹的可视分析，为城市分析相关用户提供可视化工具和分析手段。

包括以下步骤，步骤1，使用移动提取方法提取稀疏轨迹，对提取的移动记录按时间排序，连接轨迹序列当前位置前后的记录，每两条相邻记录作为一组，每组记录中以前面记录的空间坐标为起点，后面记录的空间坐标为终点，得到一个局部的移动向量；

步骤2，对步骤1中得到的移动向量进行时空划分，在时间上，将移动向量划分至一个小时或多个小时的时间段，在空间上，将移动向量划分至500m*500m的网格之中；

步骤3，对步骤2中所述时空划分后的移动向量，先使用核密度估计方法进行平滑处理，然后进行聚合，得到局部空间内移动向量聚类；

步骤4，对步骤2中所述时空划分后的移动向量进行处理，在空间上，使用双向方差衡量空间单元内移动向量方向的分布特征，在时间上，采用计算极值的方法计算空间单元内的异常值；

步骤5，使用确定性纤维束跟踪方式从步骤3中的所述移动向量聚类得到显著的全局移动流；

步骤6，对于步骤5中的全局移动流进行循环展示，并使用热力图的方法展示步骤4中得到的异常值和人群分布属性。

所述步骤1中的针对于稀疏轨迹的移动提取算法，实现如下：

步骤1-1，将单个设备的轨迹(设备id相同)按照时间戳进行排序，若相邻记录间的时间差大于ΔT，则在此处进行分割(例如，对记录序列r1r2r3r4,如果t3-t2>ΔT,则该序列分割为r1r2和r3r4)，得到多个密集测量的子轨迹；

步骤1-2，对于每个子轨迹的片段，若其所有记录间的距离差(用相邻记录空间坐标计算距离)都小于ΔS/3，并且这段记录的时间跨越度(该片段首记录和尾记录的时间差)不超过ΔT，则该片段为静止的片段(由静止的记录组成)；

步骤1-3，对于步骤1-2中剩下的记录(不属于任一静止片段)，若记录前后存在两个与该记录距离大于ΔS的记录，并且这两个记录的时间差小于ΔT，那么该记录为移动的记录。

所述步骤3中的核密度估计平滑方法，实现如下：

采用具有带宽参数的高斯核密度估计，网格中的每个向量被复制到周围的网格中，根据高斯核函数，权重随着距离衰减。最后，每个网格的局部移动向量可以通过公式(1)来计算

其中v₀(x_j)∈V₀(x_j),V₀(x_j)是网格j初始移动向量的集合,{v₀(x_j)，w}是加权向量，V(x_i)是使用KDE之后的向量集合。网格i会被其周围R范围之内的网格受到影响，其中h是KDE的带宽，它控制着向量平滑的程度。

所述步骤3中的聚合方法，方法名称为一维DBSCAN算法，具体实现如下：将基于DBSCAN应用于向量与其周围圆的交叉点上，交叉点可进一步转化为[0°,360°)中的一个角度值，每个移动向量被表示为[0°,360°)中的一个点。为了保证在0°和360°附近向量被聚为一类，将[0°,360°)上所有的点都复制在[360°,720°)的扩展轴中。一维DBSCAN算法以初始窗口[180°,181°)开始，只有当前窗口中的点密度超过邻域距离阈值∈(DBSCAN算法中的密度条件)，窗口才会在两个方向上沿轴线扩展。当窗口不能再扩展时，如果点的数量超过邻中样本个数阈值MinPts(DBSCAN中每一个聚类中最少的样本数)，则窗口中的所有点成为一类。然后，将这些点以及它们扩展轴上复制的点从轴上移除。下一个窗口从前一个窗口的右边框开始，检测剩余的向量方向，直到找不到新的类为止。每个检测到的类对应一个局部移动流，将其表示为f＝{v,w}，流的方向(v∈[0°,360°))为该类中所有向量方向的加权平均值，w为该类中移动向量的数量。一维DBSCAN算法的复杂度为O(n)，避免了网格数量较多、移动向量较多造成极长的计算时间。

所述步骤4中的双向方差计算方法，具体实现如下：

步骤4-1，将一个包含k个移动向量聚类的空间网格中的向量表示为：

V＝∪_{i＝{1，...，k}}{v_i，w_i} (2)

步骤4-2，计算空间单元内移动向量方向的平均值μ：

步骤4-3，随后，通过此均值以及该均值在圆内旋转180后得到的值，将该圆分为两个半圆，这两个值为b₁和b₂：

b₁(b₂)＝min(max)[u，(u+180)％360] (4)

步骤4-4，随后，在这两个半圆内分别计算各自的均值u₁和u₂：

步骤4-5，最后，计算最终的双向方差BiVar(V)：

其中||x||_a＝min(|x|，360-|x|)表示角距离，||v_i-u₁||、||v_i-u₂||分别代表每个流(v_i)与包含该流的半圆的平均角度值([b₁，b₂)范围内的均值u₁，[b₂，360)∪[0，b₁)范围内的均值u₂)的角距离。

所述步骤4中的异常计算方法，具体方法如下：

异常分数的计算公式为：

其中p为偏离正态分布的概率，计算公式为：

其中y_m为空间单元内的设备数与均值的标准化的马氏距离，计算公式为：

其中

m为样本个数。

所述步骤5中的全局移动流生成方法，具体方法如下

步骤5-1，选取种子流，包括三种方式，流量较大的向量、枢纽网格、主干道网格；

步骤5-2，根据种子流的方向，向前寻找满足搜索条件的向量，将向量与上一个向量连接，以新选取的向量继续向前寻找并连接，直到找不到满足搜索条件的向量。

搜索条件同时满足以下几个：

a.当前向量与下一个所选取向量之间的方向差应小于某阈值(默认为30°)；

b.下一个移动向量的流量应该大于种子向量流量的某个百分比阈值(默认为0.1)；

c.所有选择的向量相对于种子向量的累积曲率应小于某阈值(默认为90°)；

d.生成流的最大长度小于某阈值(默认情况下没有长度限制)；

用户可在可视分析系统中设置种子流选取方式和搜索条件中的阈值。

所述步骤6中的移动流动态循环展示方法，具体实现如下：

如图2所示为一个实施例的移动流生成方法的流程图。

“头部”是绘制的当前位置。首先，将头部置于轨迹开始的位置，然后根据当前位置的流动速度向前绘制一段距离，下一步，判断是否是第一遍绘制该移动流，如果是则采用透明度为0.1的接近底图颜色的线条覆盖先前绘制过移动流，若不是则覆盖整条轨迹流，下一步判断头部是否已到达轨迹末端位置，若是则将头部重新置于轨迹位置，若不是则从当前位置继续向前绘制一段距离。按照此过程不断循环绘制，形成动态的移动流。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (5)

1.一种基于稀疏轨迹数据的人群移动流绘制方法，其特征在于，包括以下步骤：

步骤1，使用移动提取方法提取稀疏轨迹，对提取的所述稀疏轨迹按时间排序，连接轨迹序列当前位置前后的记录，每两条相邻记录作为一组，每组记录中以前面记录的空间坐标为起点，后面记录的空间坐标为终点，得到一个局部的移动向量；

步骤2，对步骤1中得到的移动向量进行时空划分，在时间上，将移动向量划分至一个小时或多个小时的时间段，在空间上，将移动向量划分至500m*500m的网格之中，所述m的含义为米；

步骤3，对步骤2中所述时空划分后的移动向量，先使用核密度估计方法进行平滑处理，然后进行聚合，得到局部空间内移动向量聚类；

步骤4，对步骤2中所述时空划分后的移动向量进行处理，在空间上，使用双向方差衡量空间单元内移动向量方向的分布特征，在时间上，采用计算极值的方法计算空间单元内的异常值；

步骤5，使用确定性纤维束跟踪方式从步骤3中的所述移动向量聚类得到显著的全局移动流；

步骤6，对于步骤5中的全局移动流进行循环展示，并使用热力图的方法展示步骤4中得到的异常值和人群分布属性；所述步骤1中的使用移动提取方法提取稀疏轨迹，实现如下：

步骤1-1，将id相同设备的轨迹按照时间戳进行排序，若相邻记录间的时间差大于ΔT，则在此处进行分割，得到多个密集测量的子轨迹；

步骤1-2，对于每个子轨迹的片段，若其所有记录间的距离差都小于ΔS/3，所述距离差为用相邻记录空间坐标计算距离，并且这段记录的时间跨越度超过ΔT，则该片段由静止的记录组成，所述时间跨越度为该片段首记录和尾记录的时间差，所述ΔT和ΔS为正数，ΔT的含义为最小静止片段时间，ΔS的含义是最大静止片段距离；

步骤1-3，对于步骤1-2中不属于任一静止片段，若记录前后存在两个与该记录距离大于ΔS的记录，并且这两个记录的时间差小于ΔT，那么该记录为移动的记录；

所述步骤4中的双向方差计算方法，具体实现如下：

步骤4-1，{v_i,w_i}是加权向量，v_i为某一聚类向量，w_i为对应权重，将一个包含k个移动向量聚类的空间网格中的向量表示为：

V＝U_{i＝{1,…,k}}{v_i,w_i}

步骤4-2，计算空间单元内移动向量方向的平均值μ：

步骤4-3，随后，通过此均值以及该均值在圆内旋转180度后得到的值分别为b₁和b₂：

b₁＝min[μ,(μ+180)％360]

b₂＝max[μ,(μ+180)％360]

所述％为取余运算；

步骤4-4，分别计算各自的均值u₁和u₂：

步骤4-5，计算最终的双向方差BiVar(V)：

其中U的含义为并集，||x||_a＝min(|x|,360-|x|)表示角距离,x的含义为某个角度，||v_i-u₁||_a、||v_i-u₂||_a分别代表向量v_i与包含其半圆的平均角度值为[b₁,b₂)范围内的均值u₁、[b₂,360)∪[0,b₁)范围内的均值u₂的角距离。

2.如权利要求1所述的方法，其特征在于，所述步骤3中的核密度估计方法具体实现如下：

采用具有带宽参数的高斯核密度估计，网格中的每个向量被复制到周围的网格中，根据高斯核函数，权重随着距离衰减，最后，每个网格的局部移动向量可以通过如下公式来计算：

其中U的含义为并集，v₀(x_j)的含义为网格j中的某个初始移动向量，v₀(x_j)∈V₀(x_j),V₀(x_j)是网格j初始移动向量的集合,V(x_i)是使用核密度估计之后的初始向量集合，x_i、x_j为网格i、j移动向量集合，R为正数表示范围距离，其中h是核密度估计的带宽。

3.如权利要求2所述的方法，其特征在于，所述步骤4中的异常值计算的具体实现如下：

异常分数的计算公式为：

其中p为偏离正态分布的概率，计算公式为：

其中y_m为空间单元内的统计值x_l与均值μ的标准化的马氏距离，计算公式为：

其中

m为样本个数，x_l的含义为假定的第l个小时的统计值，Γ的含义为用来标准化的预期最高异常分数，σ的含义为假设的正态分布的方差。

4.如权利要求1所述的方法，其特征在于，所述步骤5中的全局移动流生成方法，具体方法如下

步骤5-1，选取种子流，所述种子流包括三种方式：流量较大的向量、枢纽网格、主干道网格；

步骤5-2，根据种子流的方向寻找满足搜索条件的向量，当前向量为p_i，将p_i与向量p_i+1连接，以新选取p_i+1继续寻找并连接，直到找不到满足搜索条件的向量，所述搜索条件同时满足以下几个：

a.p_i与所选取p_i+1之间的方向差小于设定的阈值30°；

b.p_i+1的流量大于种子向量流量的百分比阈值0.1；

c.所有选择的向量相对于种子向量的累积曲率应小于阈值90°；

d.生成流的最大长度小于设定的阈值；所述种子向量为种子流。

5.如权利要求1所述的方法，其特征在于，所述步骤6中的全局移动流循环展示方法，具体实现如下：

头部是绘制的当前位置，首先将头部置于轨迹开始的位置，然后根据当前位置的流动方向向前绘制，判断是否是第一遍绘制该移动流，如果是，则采用透明度为0.1的接近底图颜色的线条覆盖先前绘制过移动流，若不是，则覆盖整条轨迹流；然后判断头部是否已到达轨迹末端位置，若是，则将头部重新置于轨迹位置，若不是，则从当前位置继续向前绘制，形成动态的移动流。

Images