CN110909106B - 一种轨迹预测方法和系统 - Google Patents

一种轨迹预测方法和系统 Download PDF

Info

Publication number
CN110909106B
CN110909106B CN201911172353.9A CN201911172353A CN110909106B CN 110909106 B CN110909106 B CN 110909106B CN 201911172353 A CN201911172353 A CN 201911172353A CN 110909106 B CN110909106 B CN 110909106B
Authority
CN
China
Prior art keywords
data
time
track
geohash
database
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
CN201911172353.9A
Other languages
English (en)
Other versions
CN110909106A (zh
Inventor
张静
丁敬安
宣鑫乐
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.)
Hangzhou Sanhui Digital Information Technology Co ltd
Original Assignee
Hangzhou Sanhui Digital Information Technology Co ltd
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 Hangzhou Sanhui Digital Information Technology Co ltd filed Critical Hangzhou Sanhui Digital Information Technology Co ltd
Priority to CN201911172353.9A priority Critical patent/CN110909106B/zh
Publication of CN110909106A publication Critical patent/CN110909106A/zh
Application granted granted Critical
Publication of CN110909106B publication Critical patent/CN110909106B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F16/29—Geographical information 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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • 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"
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Fuzzy Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Remote Sensing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Telephonic Communication Services (AREA)

Abstract

一种轨迹预测方法，通过对历史一段时间的基站轨迹数据对号码历史停留的geohash进行分析得到落脚点数据、位置转移概率矩阵数据和通勤轨迹数据；通过对寄递数据进行分析，得到兴趣点数据；对实时信令数据进行分析，得到号码实时轨迹，判断是否发生移动，若移动计算得到移动轨迹数据，将移动轨迹数据与通勤轨迹数据对比：若相似度高，则判断实时移动轨迹为通勤轨迹，计算并输出目的地的列表；若相似度不高，则判断移动方向，输出目的地列表；若未发生移动，计算静止点的geohash和时间，得到下一个时段最有可能出现的位置。本发明通过利用历史数据建立相应的对比数据库和位置转移概率矩阵数据库，同时每天对数据不断更新，进一步提高计算的准确率。

Description

一种轨迹预测方法和系统
技术领域
本发明属于大数据应用领域，具体涉及轨迹预测方法和系统。
背景技术
目前通过历史轨迹数据对目的地的预测模型有很多，例如运用统计学习中的贝叶斯预测模型，首先对历史轨迹数据进行整合得到各地点的先验概率和条件概率，再通过贝叶斯公式计算得到各地点的后验概率。
还如马尔科夫链模型来进行轨迹预测，并结合概率图模型对上述方法进行了扩展改进，如引入周末、季节和天气等等因素，以提高模型的预测准确率。但这些方法所得到的准确率提升都是基于特定的应用场景的，通用性不好。
发明内容
本发明所要解决的技术问题是：提供一种精准度更高的轨迹预测方法。
本发明为解决上述技术问题采用以下技术方案：
一种轨迹预测方法，包括以下步骤：
通过对历史一段时间的基站轨迹数据对号码历史停留的geohash进行分析，得到落脚点数据、位置转移概率矩阵数据和通勤轨迹数据；通过对寄递数据进行分析，得到兴趣点数据；存储上述数据为历史数据，定期对历史数据更新；
对实时信令数据进行分析，得到号码实时轨迹，判断是否发生移动，若移动则对信令数据进行统计得到移动轨迹数据；
将移动轨迹数据与通勤轨迹数据对比：若相似度高，则判断实时移动轨迹为通勤轨迹，根据落脚点数据和兴趣点数据输出目的地的列表；若相似度不高，则判断移动方向，根据方向判定落脚点位置再结合转移概率矩阵判断最有可能的目的地，输出目的地列表；
若未发生移动，计算静止点的geohash和时间，结合转移概率矩阵数据，得到下一个时段最有可能出现的位置，输出目的地列表。
其中，通过实时信令数据进行位移判断过程如下：
预设比对时间和比对距离；
比对时间内信令数据起始位置与最新位置距离超过比对距离，则认为发生移动，计算移动轨迹线；
比对时间内信令数据起始位置与最新位置距离未超过比对距离，则认为未发生移动，得到比对时间内信令位置的geohash，判断落脚点，同时对所在时间段进行提取。
可选的，落脚点数据计算方法：
通过基站轨迹数据对历史一段时间内的号码停留的geohash进行每天的停留时间的统计，求出geohash的总时间和平均停留时间；同时计算geohash的中心点经纬度和其九宫格包含的geohash；
使用DBSCAN聚类算法求出中心落脚点，得到早晚落脚点数据表；
通过基站轨迹数据对历史一段时间内的号码停留的geohash按照每天分时段进行落脚点分析，对每天每个时间段所在的geohash进行时间统计，计算每天每个时段停留时间总和以及每天每个时段停留时间最大的geohash，并计算该时段geohash下停留时间占该时段总时间的比率，得到每天每个时段的geohash数据，得到其他时间段常用落脚点数据表。
可选的，位置转移概率矩阵数据计算方法：
将当天和前一天最后时间段的数据整合，选出每个时段停留时间最多的geohash，通过每n个时段进行分析判断当天每个时段发生转移的概率，最后将所有过往数据根据周一到周日分组，分别判得出每天每个时段的的转移概率矩阵。
可选的，通勤轨迹数据计算方法：
通过基站轨迹数据用simhash算法得到指纹轨迹，对最近一段时间的轨迹指纹用DBSCAN 算法进行聚合得到聚合后的通勤指纹轨迹，再将聚合后的通勤轨迹展开，将聚合中心geohash 作为通勤轨迹经过的geohash。
可选的，采用移动轨迹数据的geohash九宫格与通勤轨迹数据的geohash九宫格进行匹配。
可选的，使用平滑滤波算法对移动轨迹线进行平滑处理。
一种轨迹预测系统，包括离线数据库、在线数据库、动态预测处理模块和静态预测处理模块；
所述离线数据库包括号码轨迹库、白天晚上落脚点数据库、每天每个时段落脚点数据库、通勤轨迹数据库、转移概率矩阵数据表、寄递地址库、兴趣点数据表；所述在线数据库包括实时信令数据库、移动信息数据库、未移动信息数据表；移动信息数据库和离线数据库输入所述动态预测数据库进行比对，得到动态目的地结果排序；未移动信息数据表和离线数据库输入所述静态预测处理模块，得到静态目的地结果排序。
轨迹预测系统还包括：
离线处理模块，所述处理模块通过所述号码轨迹库得到所述白天晚上落脚点数据库、每天每个时段落脚点数据库、通勤轨迹数据库和转移概率矩阵数据表；离线数据提取模块，通过对寄递地址库处理，得到兴趣点数据表；在线处理模块，通过对实时信令数据处理，得到移动信息数据表和为移动信息数据表；输出模块，用于输出静态目的地结果排序和动态目的地结果排序。
可选的，所述离线数据库存储在ADS。
与现有技术相比，本发明具有以下有益效果：
1、本发明通过历史寄递数据和历史基站轨迹数据得到兴趣点数据、早晚落脚点数据、其他常用落脚点数据和通勤轨迹数据以及位置转移概率矩阵数据，再对手机号实信令数据进行分析，判断是否发生移动，若移动则对轨迹进行平滑处理判断移动方向，再结合位置转移概率矩阵数据表和通勤轨迹表预测输出目的地列表；若未发生移动，则进行位置研判和时间判断，再结合位置转移矩阵数据表预测输出目的地列表。通过本方法预测的轨迹和目的地精准度非常高。
同时，通过利用历史数据建立相应的对比数据库和位置转移概率矩阵数据库，同时每天对数据不断更新，进一步提高算法的准确率。
2、采用geohash九宫格进行匹配，解决只用轨迹geohash对比会出现明明在通勤轨迹上但是匹配率低的情况，如图2，单个geohash元数据匹配时，元数据和对比数据为0，此时匹配率较低；图3中采用九宫格匹配方法，扩大了geohash的匹配范围使结果更加准确，此时的匹配率为42/50。
附图说明
图1是轨迹预测方法基本流程图；
图2是单个geohash元数据对比图；
图3是geohash九宫格元数据对比图；
图4是轨迹预测系统框图。
具体实施方式
下面结合附图对本发明的结构及工作过程作进一步说明。
本发明通过先通过历史寄递数据得到兴趣点数据表，通过历史基站轨迹数据得到白天晚上落脚点数据表、其他常用落脚点数据表和通勤轨迹数据表，同时对手机号进行经常出现的位置进行统计，得到相应的位置转移概率矩阵数据表，将所有离线结果数据存储到ADS。
并对实信令数据进行分析，判断是否发生移动，若移动则对轨迹进行平滑处理判断移动方向，再结合位置转移概率矩阵数据表和通勤轨迹表输出预测的目的地列表；若未发生移动，则进行位置研判和时间判断，再结合位置转移矩阵数据表输出预测的目的地列表。
通过对历史一段时间的基站轨迹数据(即手机信令在geohash留下的轨迹)对号码历史停留的geohash进行分析，得到落脚点数据(包括早晚落脚点数据表和其他时间段常用落脚点数据表)、位置转移概率矩阵数据和通勤轨迹数据。通过对寄递数据进行分析，得到兴趣点数据(包含地址名称、类别、坐标、分类)；存储上述数据到ADS为历史数据，定期对历史数据更新；
落脚点数据计算方法：通过基站轨迹数据对历史一段时间内的号码停留的geohash进行每天的停留时间的统计，求出geohash的总时间和平均停留时间；同时计算geohash的中心点经纬度和其九宫格包含的geohash；使用DBSCAN聚类算法求出中心落脚点，得到早晚落脚点数据表；
通过基站轨迹数据对历史一段时间内的号码停留的geohash按照每天分时段进行落脚点分析，对每天每个时间段所在的geohash进行时间统计，计算每天每个时段停留时间总和以及每天每个时段停留时间最大的geohash，并计算该时段geohash下停留时间占该时段总时间的比率，得到每天每个时段的geohash数据，得到其他时间段常用落脚点数据表。
兴趣点数据计算方法：将过往寄递数据根据证件号和地址进行排序，将匹配分数最高的地址筛选出来作为兴趣点，得到兴趣点数据表(通常为家庭住址或者工作地址)。
位置转移概率矩阵数据计算方法：将当天和前一天最后时间段的数据整合，选出每个时段停留时间最多的geohash，通过每n个时段进行分析判断当天每个时段发生转移的概率，最后将所有过往数据根据周一到周日分组，分别判得出每天每个时段的转移概率矩阵。
通勤轨迹数据计算方法：通过基站轨迹数据用simhash算法得到指纹轨迹，对最近一段时间的轨迹指纹用DBSCAN算法进行聚合得到聚合后的通勤指纹轨迹，再将聚合后的通勤轨迹展开，将聚合中心geohash作为通勤轨迹经过的geohash。
对实时信令数据进行分析，得到号码实时轨迹，判断是否发生移动，若移动则对信令数据进行统计得到移动轨迹数据；
将移动轨迹数据与通勤轨迹数据对比：若相似度高，则判断实时移动轨迹为通勤轨迹，根据落脚点数据和兴趣点数据输出目的地的列表；若相似度不高，则判断移动方向，根据方向判定落脚点位置再结合转移概率矩阵判断最有可能的目的地，输出目的地列表；
若未发生移动，计算静止点的geohash和时间，结合转移概率矩阵数据，得到下一个时段最有可能出现的位置，输出目的地列表。
geohash采用6位geohash数据，以下简称geohash6；比对时间采用1小时；比对距离采用3km；历史一段时间为过往90天；当天和前一天最后时间段为当天和前一天最后两个小时；n为3个时间段。以下为按照所述数据进行进一步的描述。
如图1，
(一)通过基站轨迹数据对手机号的过往90天的号码停留的geohash6进行每天停留时间的统计，求出geohash6的总时间和平均停留时间，同时求geohash6的中心点经纬度和其九宫格包含的geohash6，然后对平均时间停留不超过一定时间的geohash6剔除，最后使用DBSCAN聚类算法求出中心落脚点，得到每天的早晚落脚点数据表。
通过基站轨迹数据对手机号的过往90天的号码停留的geohash6按照每天一个小时作为时段进行落脚点分析，即将一天以一个小时为一个时间段分成24个时间段，对每个时间段所在的geohash6进行时间统计，同时对当天日期处在周几进行判断，即按照周一到周日分组。接着计算每天每个时段停留时间总和，再将每天每个时段的geohash6停留时间进行从大到小排序，然后得到停留时间最大的geohash6，并计算该时段geohash6下停留时间占该时段总时间的比率，得到每天每个时段的geohash6数据，得到其他时间段常用落脚点数据表。
将过往寄递数据根据证件号和地址进行排序，将匹配分数最高的地址筛选出来作为兴趣点，得到兴趣点数据表。
将当天二十四个小时和前一天最后两个小时的geohash6数据整合，然后选出每个时段停留时间最多的geohash6，接着通过每3个时段(即三个小时)进行分析判断当天每个时段发生转移的概率，最后将所有过往数据根据周一到周日分组，分别得出每天每个时段的的转移概率矩阵。
通过基站轨迹数据(即号码信令被记录基站的位置轨迹)对手机号的形成轨迹用simhash 算法得到指纹轨迹，对最近60天的轨迹指纹用DBSCAN算法进行聚合得到聚合后的通勤指纹轨，再将聚合后的通勤轨迹展开，将聚合中心geohash6作为通勤轨迹经过的geohash6。
(二)对号码实时信令数据进行分析得到号码实时轨迹，判断是否发生移动，判断条件： 1小时内，信令起始位置与最新位置距离超过3km，则判断发生了移动，对最近1小时的信令位置使用平滑滤波算法对轨迹线进行平滑处理，去除轨迹线上毛躁、往返等情况，使之更贴近实际。
1小时内，信令起始位置与最新位置距离未超过3km，则判断未发生移动，得到最近1小时的信令位置的geohash6，对比落脚点数据表、兴趣点数据表判断是为白天落脚点，晚上落脚点还是其他时间段常用落脚点，同时对其所在时间段进行提取。
(三)如图2和图3：将近1小时的移动轨迹数据和通勤轨迹数据进行对比，若移动轨迹数据和通勤轨迹数据相似度较高则预测其后续的目的地为通勤点，同时其轨迹预测为通勤轨迹，若未与通勤轨迹数据具有较高相似度，则通过近一小时移动轨迹的起点和终点连成的直线的方向判断其移动方向。根据移动方向判定其他时间段常用落脚点位置，再结合转移概率矩阵判断最有可能的目的地，输出目的地列表。这里采用移动轨迹数据的geohash九宫格与通勤轨迹数据的geohash九宫格进行匹配，使得匹配率更加的高和精准。
(四 )通过静止点的geohash6和时间段，再结合转移概率矩阵，得到其下一个时段最有可能出现的位置，输出目的地列表。
如图4：一种轨迹预测系统，包括离线数据库、在线数据库、动态预测处理模块和静态预测处理模块；
所述离线数据库包括号码轨迹库、白天晚上落脚点数据库、每天每个时段落脚点数据库、通勤轨迹数据库、转移概率矩阵数据表、寄递地址库、兴趣点数据表；所述在线数据库包括实时信令数据库、移动信息数据库、未移动信息数据表；移动信息数据库和离线数据库输入所述动态预测数据库进行比对，得到动态目的地结果排序；未移动信息数据表和离线数据库输入所述静态预测处理模块，得到静态目的地结果排序。
轨迹预测系统还包括：离线处理模块，所述处理模块通过所述号码轨迹库得到所述白天晚上落脚点数据库、每天每个时段落脚点数据库、通勤轨迹数据库和转移概率矩阵数据表；离线数据提取模块，通过对寄递地址库处理，得到兴趣点数据表；在线处理模块，通过对实时信令数据处理，得到移动信息数据表和为移动信息数据表；输出模块，用于输出静态目的地结果排序和动态目的地结果排序。
以上所述实施例仅表达了本发明的一种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (9)

1.一种轨迹预测方法，其特征在于，包括以下步骤：
通过对历史一段时间的基站轨迹数据对号码历史停留的geohash进行分析，得到落脚点数据、位置转移概率矩阵数据和通勤轨迹数据；通过对寄递数据进行分析，得到兴趣点数据；存储上述数据为历史数据，定期对历史数据更新；
对实时信令数据进行分析，得到号码实时轨迹，判断是否发生移动，若移动则对信令数据进行统计得到移动轨迹数据；
将移动轨迹数据与通勤轨迹数据对比：若相似度高，则判断实时移动轨迹为通勤轨迹，根据落脚点数据和兴趣点数据输出目的地的列表；若相似度不高，则判断移动方向，根据方向判定落脚点位置再结合转移概率矩阵判断最有可能的目的地，输出目的地列表；
若未发生移动，计算静止点的geohash和时间，结合转移概率矩阵数据，得到下一个时段最有可能出现的位置，输出目的地列表，
其中，位置转移概率矩阵数据计算方法包括：将当天和前一天最后时间段的数据整合，选出每个时段停留时间最多的geohash，通过每n个时段进行分析判断当天每个时段发生转移的概率，最后将所有过往数据根据周一到周日分组，分别判得出每天每个时段的转移概率矩阵。
2.根据权利要求1所述的轨迹预测方法，其特征在于，
通过实时信令数据进行位移判断过程如下：
预设比对时间和比对距离；
比对时间内信令数据起始位置与最新位置距离超过比对距离，则认为发生移动，计算移动轨迹线；
比对时间内信令数据起始位置与最新位置距离未超过比对距离，则认为未发生移动，得到比对时间内信令位置的geohash，判断落脚点，同时对所在时间段进行提取。
3.根据权利要求1所述的轨迹预测方法，其特征在于，落脚点数据计算方法：
通过基站轨迹数据对历史一段时间内的号码停留的geohash进行每天的停留时间的统计，求出geohash的总时间和平均停留时间；同时计算geohash的中心点经纬度和其九宫格包含的geohash；
使用DBSCAN聚类算法求出中心落脚点，得到早晚落脚点数据表；
通过基站轨迹数据对历史一段时间内的号码停留的geohash按照每天分时段进行落脚点分析，对每天每个时间段所在的geohash进行时间统计，计算每天每个时段停留时间总和以及每天每个时段停留时间最大的geohash，并计算该时段geohash下停留时间占该时段总时间的比率，得到每天每个时段的geohash数据，得到其他时间段常用落脚点数据表。
4.根据权利要求1所述的轨迹预测方法，其特征在于，通勤轨迹数据计算方法：
通过基站轨迹数据用simhash算法得到指纹轨迹，对最近一段时间的轨迹指纹用DBSCAN算法进行聚合得到聚合后的通勤指纹轨迹，再将聚合后的通勤轨迹展开，将聚合中心geohash作为通勤轨迹经过的geohash。
5.根据权利要求1所述的轨迹预测方法，其特征在于，采用移动轨迹数据的geohash九宫格与通勤轨迹数据的geohash九宫格进行匹配。
6.根据权利要求1或2所述的轨迹预测方法，其特征在于，使用平滑滤波算法对移动轨迹线进行平滑处理。
7.一种轨迹预测系统，其特征在于，用于实现权利要求1-6任一所述的一种轨迹预测方法，包括离线数据库、在线数据库、动态预测处理模块和静态预测处理模块；
所述离线数据库存储历史数据，包括号码轨迹库、白天晚上落脚点数据库、每天每个时段落脚点数据库、通勤轨迹数据库、转移概率矩阵数据表、寄递地址库、兴趣点数据表；
所述在线数据库包括实时信令数据库、移动信息数据库、未移动信息数据表；
移动信息数据库和离线数据库输入所述动态预测处理模块进行比对，得到动态目的地结果排序；
未移动信息数据表和离线数据库输入所述静态预测处理模块，得到静态目的地结果排序。
8.根据权利要求7所述的轨迹预测系统，其特征在于，还包括：
离线处理模块，所述处理模块通过所述号码轨迹库得到所述白天晚上落脚点数据库、每天每个时段落脚点数据库、通勤轨迹数据库和转移概率矩阵数据表；
离线数据提取模块，通过对寄递地址库处理，得到兴趣点数据表；
在线处理模块，通过对实时信令数据处理，得到移动信息数据表和未 移动信息数据表；
输出模块，用于输出静态目的地结果排序和动态目的地结果排序。
9.根据权利要求8所述的轨迹预测系统，其特征在于，所述离线数据库存储在ADS。
CN201911172353.9A 2019-11-26 2019-11-26 一种轨迹预测方法和系统 Active CN110909106B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911172353.9A CN110909106B (zh) 2019-11-26 2019-11-26 一种轨迹预测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911172353.9A CN110909106B (zh) 2019-11-26 2019-11-26 一种轨迹预测方法和系统

Publications (2)

Publication Number Publication Date
CN110909106A CN110909106A (zh) 2020-03-24
CN110909106B true CN110909106B (zh) 2022-08-12

Family

ID=69819461

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911172353.9A Active CN110909106B (zh) 2019-11-26 2019-11-26 一种轨迹预测方法和系统

Country Status (1)

Country Link
CN (1) CN110909106B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112015835B (zh) * 2020-08-13 2022-09-30 安徽师范大学 Geohash压缩的地图匹配方法
CN111914955B (zh) * 2020-10-13 2021-01-15 上海世脉信息科技有限公司 一种基于gps轨迹数据的公共交通线路识别方法
CN112689122A (zh) * 2020-11-30 2021-04-20 贵州力创科技发展有限公司 一种基于移动通信大数据的人群流动监控方法及系统
CN112711576B (zh) * 2020-12-11 2023-03-10 上海城市交通设计院有限公司 一种识别手机信令数据高铁、飞机城际出行方式的方法
CN113747382B (zh) * 2021-08-18 2022-08-19 北京九栖科技有限责任公司 基于多级滤波的移动信令轨迹去噪方法、介质和计算设备
CN116541727B (zh) * 2023-07-07 2023-09-12 中国兵工物资集团有限公司 一种轨迹相似度计算方法和系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103747523A (zh) * 2014-01-14 2014-04-23 上海河广信息科技有限公司 一种基于无线网络的用户位置预测系统和方法
CN104408203A (zh) * 2014-12-18 2015-03-11 西安电子科技大学宁波信息技术研究院 一种预测移动对象轨迹终点的方法
CN105760958A (zh) * 2016-02-24 2016-07-13 电子科技大学 一种基于车联网的车辆轨迹预测方法
CN106595665A (zh) * 2016-11-30 2017-04-26 耿生玲 一种障碍空间中移动对象时空轨迹的预测方法
CN106792517A (zh) * 2016-12-05 2017-05-31 武汉大学 基于手机位置时空转移概率的基站服务人数时序预测方法
CN106931974A (zh) * 2017-03-29 2017-07-07 清华大学 基于移动终端gps定位数据记录计算个人通勤距离的方法
CN107977734A (zh) * 2017-11-10 2018-05-01 河南城建学院 一种时空大数据下基于移动马尔可夫模型的预测方法
CN108108831A (zh) * 2016-11-24 2018-06-01 中国移动通信有限公司研究院 一种目的地预测方法及装置
CN108882172A (zh) * 2018-06-22 2018-11-23 电子科技大学 一种基于hmm模型的室内移动轨迹数据的预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108596202B (zh) * 2018-03-08 2020-04-03 清华大学 基于移动终端gps定位数据计算个人通勤时间的方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103747523A (zh) * 2014-01-14 2014-04-23 上海河广信息科技有限公司 一种基于无线网络的用户位置预测系统和方法
CN104408203A (zh) * 2014-12-18 2015-03-11 西安电子科技大学宁波信息技术研究院 一种预测移动对象轨迹终点的方法
CN105760958A (zh) * 2016-02-24 2016-07-13 电子科技大学 一种基于车联网的车辆轨迹预测方法
CN108108831A (zh) * 2016-11-24 2018-06-01 中国移动通信有限公司研究院 一种目的地预测方法及装置
CN106595665A (zh) * 2016-11-30 2017-04-26 耿生玲 一种障碍空间中移动对象时空轨迹的预测方法
CN106792517A (zh) * 2016-12-05 2017-05-31 武汉大学 基于手机位置时空转移概率的基站服务人数时序预测方法
CN106931974A (zh) * 2017-03-29 2017-07-07 清华大学 基于移动终端gps定位数据记录计算个人通勤距离的方法
CN107977734A (zh) * 2017-11-10 2018-05-01 河南城建学院 一种时空大数据下基于移动马尔可夫模型的预测方法
CN108882172A (zh) * 2018-06-22 2018-11-23 电子科技大学 一种基于hmm模型的室内移动轨迹数据的预测方法

Also Published As

Publication number Publication date
CN110909106A (zh) 2020-03-24

Similar Documents

Publication Publication Date Title
CN110909106B (zh) 一种轨迹预测方法和系统
CN107103754B (zh) 一种道路交通状况预测方法及系统
Rong et al. Du-parking: Spatio-temporal big data tells you realtime parking availability
CN110472999B (zh) 基于地铁和共享单车数据的客流模式分析方法及装置
US20160125307A1 (en) Air quality inference using multiple data sources
CN108986453A (zh) 一种基于情境信息的交通状况预测方法、系统及装置
Qi et al. Trajectory prediction of vessels based on data mining and machine learning
Liang et al. NetTraj: A network-based vehicle trajectory prediction model with directional representation and spatiotemporal attention mechanisms
CN111209261A (zh) 基于信令大数据的用户出行轨迹提取方法和系统
Zhu et al. Inferring taxi status using gps trajectories
CN110889444B (zh) 一种基于卷积神经网络的驾驶轨迹特征分类方法
CN114428828A (zh) 基于行驶轨迹挖掘新增道路方法、装置及电子设备
CN103731916A (zh) 一种基于无线网络的用户位置预测系统和方法
CN112949784B (zh) 一种居民出行链模型构建方法及居民出行链获取方法
CN110598917B (zh) 一种基于路径轨迹的目的地预测方法、系统及存储介质
CN114493191B (zh) 一种基于网约车数据的驾驶行为建模分析方法
CN113159403B (zh) 路口行人轨迹预测的方法及装置
CN112633349B (zh) 基于贝叶斯模型的共享单车目的地预测方法
CN112101132B (zh) 一种基于图嵌入模型和度量学习的交通状况预测方法
CN113436433A (zh) 一种高效的城市交通离群值检测方法
CN110021161B (zh) 一种交通流向的预测方法及系统
CN112884014A (zh) 一种基于路段拓扑结构分类的交通速度短时预测方法
CN111598333A (zh) 客流数据的预测方法及装置
CN112765120A (zh) 一种基于手机信令分析和提取用户移动轨迹的方法
CN110490365B (zh) 一种基于多源数据融合预测网约车订单量的方法

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
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A trajectory prediction method and system

Granted publication date: 20220812

Pledgee: Industrial and Commercial Bank of China Limited Hangzhou Qianjiang Branch

Pledgor: HANGZHOU SANHUI DIGITAL INFORMATION TECHNOLOGY Co.,Ltd.

Registration number: Y2024330000521

PE01 Entry into force of the registration of the contract for pledge of patent right