CN110929914A - 一种利用轨迹大数据预测的区域精准布控方法和系统 - Google Patents
一种利用轨迹大数据预测的区域精准布控方法和系统 Download PDFInfo
- Publication number
- CN110929914A CN110929914A CN201910960212.7A CN201910960212A CN110929914A CN 110929914 A CN110929914 A CN 110929914A CN 201910960212 A CN201910960212 A CN 201910960212A CN 110929914 A CN110929914 A CN 110929914A
- Authority
- CN
- China
- Prior art keywords
- track
- data unit
- track data
- time
- trajectory
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000004140 cleaning Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000008878 coupling Effects 0.000 claims description 5
- 238000010168 coupling process Methods 0.000 claims description 5
- 238000005859 coupling reaction Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
Images
Classifications
-
- 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"
-
- 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06F16/22—Indexing; Data structures therefor; Storage structures
-
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Remote Sensing (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种利用轨迹大数据预测的区域精准布控方法和系统,该方法包括:根据个体的移动过程,生成轨迹数据单元;对所述轨迹数据单元进行清洗,生成清洗后的轨迹数据单元;对所述清洗后的轨迹数据单元进行简化,生成简化后的轨迹数据单元;创建所述简化后的轨迹数据单元相对应的轨迹索引;根据所述简化后的轨迹数据单元与空间地理信息,创建所述轨迹数据单元的语义索引;根据所述轨迹索引与所述语义所索引,生成轨迹大数据;根据所述轨迹大数据,对个体的实时轨迹进行预测布控。该方法利用轨迹大数据,设置轨迹索引与语义索引,对轨迹数据单元可以快速提取,能够准确预测轨迹,实现对区域精准布控。
Description
技术领域
本发明涉及轨迹预测领域,具体是一种利用轨迹大数据预测的区域精准布控方法和系统。
背景技术
随着我国智慧城市建设飞速发展,智能交通系统的应用变得日趋普及和大众化,目前,各种交通信息采集技术已经被广泛地运用于高速公路、城市交通的路段和卡口,每天都收集海量的实时交通数据,同时,智能交通对交通信息的感知和收集能力有限,对于收集的海量的实时交通数据无法高效存储及运用、有效分析,缺乏对交通中移动个体轨迹的预测和研判能力,对公众的实时交通信息很难满足。
因此,如何对移动对象的轨迹进行准确、高效的分析处理及预测,对区域内的轨迹进行有效布控是本领域技术人员亟待解决的问题。
发明内容
鉴于上述问题,本发明的目的是为了解决现有的智能交通对海量的交通数据不能进行有效分析,缺乏对移动个体轨迹的预测能力,进而无法对区域内的轨迹进行布控的问题。
本发明实施例提供一种利用轨迹大数据预测的区域精准布控方法,包括:
根据个体的移动过程,生成轨迹数据单元;
对所述轨迹数据单元进行清洗,生成清洗后的轨迹数据单元;
对所述清洗后的轨迹数据单元进行简化,生成简化后的轨迹数据单元;
创建所述简化后的轨迹数据单元相对应的轨迹索引;
根据所述简化后的轨迹数据单元与空间地理信息,创建所述轨迹数据单元的语义索引;
根据所述轨迹索引与所述语义所索引,生成轨迹大数据;
根据所述轨迹大数据,对个体的实时轨迹进行预测与布控。
在一个实施例中,根据个体的移动过程,生成轨迹数据单元,包括:
所述轨迹数据单元的计算公式为:
L={<Pi-m(x,y),ti-m>,<Pi-m+1(x.y),ti-m+1>,……<Pi(x,y),ti>,……<Pi+m-1(x,y),ti+m-1>,<Pi+m(x,y),ti+m>}
其中,L表示轨迹数据单元;Pi(x,y)表示记录的个体空间坐标;ti表示记录时间。
在一个实施例中,对所述清洗后的轨迹数据单元进行简化,生成简化后的轨迹数据单元,包括:
设置简化时间窗,按照所述简化时间窗对所述清洗后的轨迹数据单元进行截取;其中,截取的轨迹数据单元中的时间位于简化时间窗内;
判断截取的轨迹数据单元中的空间坐标点是否符合预设的空间变化规则;
如果所述空间坐标点符合预设的空间变化规则,则将所述截取的轨迹数据单元简化为一个空间坐标点及时间;如果所述空间坐标点不符合预设的空间变化规则,则不对空间坐标点进行简化。
在一个实施例中,根据所述简化后的轨迹数据单元与空间地理信息,创建所述轨迹数据单元的语义索引,包括:
将简化后的轨迹数据单元与空间地理信息进行耦合,获取所述轨迹数据单元与空间地理信息中每个地理目标的关联度;
选取与所述轨迹数据单元关联度强的地理目标,将所述地理目标相对应的空间地理信息作为所述轨迹数据单元的语义索引。
在一个实施例中,根据所述轨迹大数据,对个体的实时轨迹进行预测与布控,包括:
根据所述轨迹大数据,查询与实时轨迹数据单元相同或接近的时间空间范围内的备选轨迹数据单元;
确定所述实时轨迹数据单元的轨迹索引与语义索引;
检索备选轨迹单元中与所述实时轨迹数据单元具有相同轨迹索引与语义索引的轨迹数据单元;
根据所述轨迹数据单元,对所述实时轨迹的空间坐标点与时间进行预测,并对所述实时轨迹所在区域进行布控。
第二方面,本发明还提供一种利用轨迹大数据预测的区域精准布控系统,包括:
轨迹数据单元生成模块,用于根据个体的移动过程,生成轨迹数据单元;
清洗模块,用于对所述轨迹数据单元进行清洗,生成清洗后的轨迹数据单元;
简化模块,用于对所述清洗后的轨迹数据单元进行简化,生成简化后的轨迹数据单元;
轨迹索引创建模块,用于创建所述简化后的轨迹数据单元相对应的轨迹索引;
语义索引创建模块,用于根据所述简化后的轨迹数据单元与空间地理信息,创建所述轨迹数据单元的语义索引;
轨迹大数据生成模块,用于根据所述轨迹索引与所述语义所索引,生成轨迹大数据;
预测布控模块,用于利用所述轨迹大数据,对个体的实时轨迹进行预测与布控。
在一个实施例中,所述轨迹数据单元生成模块,包括:
所述轨迹数据单元的计算公式为:
L={<Pi-m(x,y),ti-m>,<Pi-m+1(x.y),ti-m+1>,……<Pi(x,y),ti>,……<Pi+m-1(x,y),ti+m-1>,<Pi+m(x,y),ti+m>}
其中,L表示轨迹数据单元;Pi(x,y)表示记录的个体空间坐标;
ti表示记录时间。
在一个实施例中,所述简化模块,包括:
截取子模块,用于设置简化时间窗,按照所述简化时间窗对所述清洗后的轨迹数据单元进行截取;其中,截取的轨迹数据单元中的时间位于简化时间窗内;
判断子模块,用于判断截取的轨迹数据单元中的空间坐标点是否符合预设的空间变化规则;如果所述空间坐标点符合预设的空间变化规则,则将所述截取的轨迹数据单元简化为一个空间坐标点及时间;如果所述空间坐标点不符合预设的空间变化规则,则不对空间坐标点进行简化。
在一个实施例中,所述语义索引创建模块,包括:
获取子模块,用于将简化后的轨迹数据单元与空间地理信息进行耦合,获取所述轨迹数据单元与空间地理信息中每个地理目标的关联度;
选取子模块,用于选取与所述轨迹数据单元关联度强的地理目标,将所述地理目标相对应的空间地理信息作为所述轨迹数据单元的语义索引。
在一个实施例中所述预测布控模块,包括:
查询子模块,用于根据所述轨迹大数据,查询与实时轨迹数据单元相同或接近的时间空间范围内的备选轨迹数据单元;
确定子模块,用于确定所述实时轨迹数据单元的轨迹索引与语义索引;
检索子模块,用于检索备选轨迹单元中与所述实时轨迹数据单元具有相同轨迹索引与语义索引的轨迹数据单元;
预测布控子模块,用于根据所述轨迹数据单元,对所述实时轨迹的空间坐标点与时间进行预测,并对所述实时轨迹所在区域进行布控。
本发明实施例提供的上述技术方案的有益效果至少包括:
本发明实施例提供的一种利用轨迹大数据预测的区域精准布控方法,本方法对轨迹大数据进行分析处理,对每个轨迹数据单元进行清洗简化,可以减少数据量的冗余,进而提高分析处理的速率,并且设置轨迹索引与语义索引,有利于对轨迹数据单元进行快速的查询与提取,对个体的轨迹进行精准预测,进而对区域内的轨迹进行精准布控。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步地详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例提供的利用轨迹大数据预测的区域精准布控方法的流程图;
图2为本发明实施例提供的步骤S103流程图;
图3为本发明实施例提供的步骤S105流程图;
图4为本发明实施例提供的步骤S107流程图;
图5为本发明实施例提供的利用轨迹大数据预测的区域精准布控系统的框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
参照图1所示,本发明实施例提供的一种利用轨迹大数据预测的区域精准布控方法,该方法包括:步骤S101~S107;
S101、根据个体的移动过程,生成轨迹数据单元;
S102、对所述轨迹数据单元进行清洗,生成清洗后的轨迹数据单元;清洗的目的是消除轨迹数据单元中错误的、干扰性的坐标点及其记录时间;
S103、对所述清洗后的轨迹数据单元进行简化,生成简化后的轨迹数据单元;
S104、创建所述简化后的轨迹数据单元相对应的轨迹索引;
具体的,所述轨迹索引根据轨迹数据单元中空间坐标点的空间和时间分布的特征生成,描述了该轨迹数据单元的分布空间特征,分布时间特征,以及移动平均速度、移动长度等运动特征;
S105、根据所述简化后的轨迹数据单元与空间地理信息,创建所述轨迹数据单元的语义索引;
S106、根据所述轨迹索引与所述语义所索引,生成轨迹大数据;
S107、根据所述轨迹大数据,对个体的实时轨迹进行预测与布控。
本实施例中,对轨迹大数据进行分析处理,对每个轨迹数据单元进行清洗简化,可以减少数据量的冗余,进而提高分析处理的速率,并且设置轨迹索引与语义索引,有利于对轨迹数据单元进行快速的查询与提取,对个体的轨迹进行精准预测,进而对区域内的轨迹进行精准布控。
在步骤S101之前,通过便携设备(智能手机、车载导航仪等),将每一个个体在城市空间中的移动全过程作为轨迹数据记录下来,并将轨迹数据实时上传给后台的服务器;
其中,轨迹数据是由每一个个体的一系列连续的空间坐标和时间点组成的数据序列。
进一步的,步骤S101中,假设每一个个体在城市空间中的每一个移动过程都被记录为一个轨迹数据单元L(例如我们将该个体在12个小时内的移动视为一个移动过程,产生一个轨迹数据单元);
轨迹数据单元的计算公式为:
L={<Pi-m(x,y),ti-m>,<Pi-m+1(x.y),ti-m+1>,……<Pi(x,y),ti>,……<Pi+m-1(x,y),ti+m-1>,<Pi+m(x,y),ti+m>}
其中,L表示轨迹数据单元;Pi(x,y)表示记录的个体空间坐标;
ti表示记录时间。
在一个实施例中,参照图2所示,上述步骤S103中对所述清洗后的轨迹数据单元进行简化,生成简化后的轨迹数据单元,包括:
设置简化时间窗,按照所述简化时间窗对所述清洗后的轨迹数据单元进行截取;其中,截取的轨迹数据单元中的时间位于简化时间窗内;
判断截取的轨迹数据单元中的空间坐标点是否符合预设的空间变化规则;如果所述空间坐标点符合预设的空间变化规则,则将所述截取的轨迹数据单元简化为一个空间坐标点及时间;如果所述空间坐标点不符合预设的空间变化规则,则不对空间坐标点进行简化。
比如,每3分钟作为一个简化时间窗Tw,从下列公式当中按照简化时间窗进行截取:
L={<Pi-m(x,y),ti-m>,<Pi-m+1(x.y),ti-m+1>,……<Pi(x,y),ti>,……<Pi+m-1(x,y),ti+m-1>,<Pi+m(x,y),ti+m>}
截取<Pi-m(x,y),ti-m>、<Pi-m+1(x,y),ti-m+1>、<Pi-m+2(x,y),ti-m+2>、<Pi-m+3(x,y),ti-m+3>,其中ti-m、ti-m+1、ti-m+2、ti-m+3都位于一个简化时间窗Tw内;
判断Pi-m(x,y)、Pi-m+1(x,y)、Pi-m+2(x,y)、Pi-m+3(x,y)是否符合预设的空间变化规则(例如在同一条直线延伸,或者位于同一个坐标点),如果符合预设的空间变化规则,则将其简化为一个空间坐标点及时间,例如用位于最中间的空间坐标点及时间进行代符合预设的空间变化规则,则不对空间坐标点进行简化。
进一步的,对轨迹数据单元进行简化的方法也可以为:
设置空间窗口,按照上述空间窗口对所述清洗后的轨迹数据单元进行截取;其中,截取的轨迹数据单元中的空间坐标点位于空间窗口内;
判断截取的轨迹数据单元中的空间坐标点是否符合预设的空间变化规则;
如果所述空间坐标点符合预设的空间变化规则,则将所述截取的轨迹数据单元简化为一个空间坐标点及时间;如果所述空间坐标点不符合预设的空间变化规则,则不对空间坐标点进行简化。
比如,设置一个空间窗口Sw,从下列公式当中按照空间窗口进行截取:
L={<Pi-m(x,y),ti-m>,<Pi-m+1(x.y),ti-m+1>,……<Pi(x,y),ti>,……<Pi+m-1(x,y),ti+m-1>,<Pi+m(x,y),ti+m>}
截取<Pi-m(x,y),ti-m>、<Pi-m+1(x,y),ti-m+1>、<Pi-m+2(x,y),ti-m+2>、<Pi-m+3(x,y),ti-m+3>,其中,Pi-m(x,y)、Pi-m+1(x,y)、Pi-m+2(x,y)、Pi-m+3(x,y)都分布在空间窗口Sw的范围内;
判断Pi-m(x,y)、Pi-m+1(x,y)、Pi-m+2(x,y)、Pi-m+3(x,y)是否符合预设的空间变化规则(例如在同一条直线延伸,或者位于同一个坐标点),如果符合预设的空间变化规则,则将其简化为一个空间坐标点及时间,例如用位于最中间的空间坐标点及时间进行代符合预设的空间变化规则,则不对空间坐标点进行简化。
在本实施例中,由于轨迹数据单元L1、L2、……Ln、……对空间坐标点的记录的频率可能并不相同,例如L1每10秒钟记录一次,而Ln每分钟记录一次,利用同一大小的简化时间窗Tw或空间窗口Sw进行简化,使得轨迹数据单元L1、L2、……Ln、……的空间坐标点在时间上的分布趋于均一,并且进一步降低了需要分析的数据量,可以轨迹数据单元进行更加快速、准确的分析处理,提高了效率。
在一个实施例中,参照图3所示,上述步骤S105中根据所述简化后的轨迹数据单元与空间地理信息,创建所述轨迹数据单元的语义索引,包括:
S1051、将简化后的轨迹数据单元与空间地理信息进行耦合,获取所述轨迹数据单元与空间地理信息中每个地理目标的关联度;
具体的,所述空间地理信息即GIS,是在电子地图的基础上,对地图中的每个地理目标(例如每条街道、每栋建筑、每个街区都是一个地理目标)的相关地理信息进行了标注。
利用每个轨迹数据单元中的空间坐标点与地理目标的重叠程度(例如,与某个地理目标的空间范围重叠的空间坐标点在轨迹数据单元中全部空间坐标点的占比)和/或利用轨迹数据单元中时间点推算该轨迹在某个地理目标的空间范围内的滞留时间,获得该轨迹数据单元与每个地理目标的关联度。
S1052、选取与所述轨迹数据单元关联度强的地理目标,将所述地理目标相对应的空间地理信息作为所述轨迹数据单元的语义索引。
比如,对于轨迹数据单元L1,与其强相关的地理目标为一个公园、一个游乐场,则这可能是一条旅游者的轨迹,可以将该公园、游乐场的地理信息作为该轨迹数据单元L1的语义索引信息;同理,对于轨迹数据单元Ln,与其强相关的地理目标是一个写字楼、一个超市、一个住宅小区,则该轨迹可能是下班买东西然后回家的轨迹,将该写字楼、超市、小区的地理信息作为该轨迹数据单元Ln的语义索引信息。
本实施例中,通过创建轨迹索引与语义索引,有利于对同一区域的不同轨迹进行查询与精确提取。例如,上文中说的轨迹数据单元L1和轨迹数据单元Ln,如果该公园、一个游乐场和所述写字楼、超市、住宅小区在同一个街区,现有技术中单纯从时间和空间的角度来分析,这两条轨迹是难以区分的,但是从轨迹索引和语义索引就可以明显的把这两条轨迹的不同之处区分开来,有利于对轨迹数据单元进行精确查询与提取,检索更加具有针对性,速率更快。
在一个实施例中,参照图4所示,上述步骤S107中根据所述轨迹大数据,对个体的实时轨迹进行预测与布控,包括:
S1071、根据所述轨迹大数据,查询实时轨迹数据单元相同或接近的时间空间范围内的备选轨迹数据单元;
S1072、确定所述实时轨迹数据单元的轨迹索引与语义索引;
S1073、检索备选轨迹单元中与所述实时轨迹数据单元具有相同轨迹索引与语义索引的轨迹数据单元;
S1074、根据所述轨迹数据单元,对所述实时轨迹的空间坐标点与时间进行预测,并对所述实时轨迹所在区域进行布控。
本实施中,对于一条正在移动的轨迹(即实时轨迹),现有技术只能根据该轨迹的坐标点在时间和空间上的分布规律进行预测,而本申请中的服务器可以将海量的轨迹数据汇总,形成轨迹大数据,服务器通过对轨迹大数据进行分析,实现对轨迹大数据潜在规律的挖掘,并根据轨迹索引与语义索引,查询与实时轨迹相同的轨迹数据单元,根据轨迹数据单元对个体的实时轨迹进行精准预测,如果需要跟踪或拦截该实时轨迹,可以在预测的基础上对该实时轨迹进行区域内的精准布控,在城市人流管控、交通导航、资源调配当中发挥重要作用。
基于同一发明构思,本发明实施例还提供了一种利用轨迹大数据预测的区域精准布控系统,由于该装置所解决问题的原理与前述一种利用轨迹大数据预测的区域精准布控方法相似,因此该装置的实施可以参见前述方法的实施,重复之处不再赘述。
本发明实施例提供的一种利用轨迹大数据预测的区域精准布控系统,参照图5所示,包括:
轨迹数据单元生成模块51,用于根据个体的移动过程,生成轨迹数据单元;
清洗模块52,用于对所述轨迹数据单元进行清洗,生成清洗后的轨迹数据单元;
简化模块53,用于对所述清洗后的轨迹数据单元进行简化,生成简化后的轨迹数据单元;
轨迹索引创建模块54,用于创建所述简化后的轨迹数据单元相对应的轨迹索引;
语义索引创建模块55,用于根据所述简化后的轨迹数据单元与空间地理信息,创建所述轨迹数据单元的语义索引;
轨迹大数据生成模块56,用于根据所述轨迹索引与所述语义所索引,生成轨迹大数据;
预测布控模块57,用于利用所述轨迹大数据,对个体的实时轨迹进行预测与布控。
在一个实施例中,所述轨迹数据单元生成模块51,包括:
所述轨迹数据单元的计算公式为:
L={<Pi-m(x,y),ti-m>,<Pi-m+1(x.y),ti-m+1>,……<Pi(x,y),ti>,……<Pi+m-1(x,y),ti+m-1>,<Pi+m(x,y),ti+m>}
其中,L表示轨迹数据单元;Pi(x,y)表示记录的个体空间坐标;ti表示记录时间。
在一个实施例中,所述简化模块53,包括:
截取子模块531,用于设置简化时间窗,按照所述简化时间窗对所述清洗后的轨迹数据单元进行截取;其中,截取的轨迹数据单元中的时间位于简化时间窗内;
判断子模块532,用于判断截取的轨迹数据单元中的空间坐标点是否符合预设的空间变化规则;如果所述空间坐标点符合预设的空间变化规则,则将所述截取的轨迹数据单元简化为一个空间坐标点及时间;如果所述空间坐标点不符合预设的空间变化规则,则不对空间坐标点进行简化。
在一个实施例中,所述语义索引创建模块55,包括:
获取子模块551,用于将简化后的轨迹数据单元与空间地理信息进行耦合,获取所述轨迹数据单元与空间地理信息中每个地理目标的关联度;
选取子模块552,用于选取与所述轨迹数据单元关联度强的地理目标,将所述地理目标相对应的空间地理信息作为所述轨迹数据单元的语义索引。
在一个实施例中,所述预测布控模块57,包括:
查询子模块571,用于根据所述轨迹大数据,查询与实时轨迹数据单元相同或接近的时间空间范围内的备选轨迹数据单元;
确定子模块572,用于确定所述实时轨迹数据单元的轨迹索引与语义索引;
检索子模块573,用于检索备选轨迹单元中与所述实时轨迹数据单元具有相同轨迹索引与语义索引的轨迹数据单元;
预测布控子模块574,用于根据所述轨迹数据单元,对所述实时轨迹的空间坐标点与时间进行预测,并对所述实时轨迹所在区域进行布控。
具体的,轨迹数据单元生成模块51、清洗模块52、简化模块53、轨迹索引创建模块54、语义索引创建模块55、轨迹大数据生成模块56与预测布控模块57设置于服务器上;
上述服务器通过轨迹数据单元生成模块51与具有定位功能的便携设备相连接,服务器用于接收便携设备采集的个体的移动过程,并将个体的移动过程转换为轨迹数据单元,将海量的轨迹数据单元进行汇总,并进行分析计算。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种利用轨迹大数据预测的区域精准布控方法,其特征在于,包括:
根据个体的移动过程,生成轨迹数据单元;
对所述轨迹数据单元进行清洗,生成清洗后的轨迹数据单元;
对所述清洗后的轨迹数据单元进行简化,生成简化后的轨迹数据单元;
创建所述简化后的轨迹数据单元相对应的轨迹索引;
根据所述简化后的轨迹数据单元与空间地理信息,创建所述轨迹数据单元的语义索引;
根据所述轨迹索引与所述语义所索引,生成轨迹大数据;
根据所述轨迹大数据,对个体的实时轨迹进行预测与布控。
2.如权利要求1所述的一种利用轨迹大数据预测的区域精准布控方法,其特征在于,根据个体的移动过程,生成轨迹数据单元,包括:
所述轨迹数据单元的计算公式为:
L={<Pi-m(x,y),ti-m>,<Pi-m+1(x.y),ti-m+1>,……<Pi(x,y),ti>,……<Pi+m-1(x,y),ti+m-1>,<Pi+m(x,y),ti+m>}
其中,L表示轨迹数据单元;Pi(x,y)表示记录的个体空间坐标;
ti表示记录时间。
3.如权利要求1所述的一种利用轨迹大数据预测的区域精准布控方法,其特征在于,对所述清洗后的轨迹数据单元进行简化,生成简化后的轨迹数据单元,包括:
设置简化时间窗,按照所述简化时间窗对所述清洗后的轨迹数据单元进行截取;其中,截取的轨迹数据单元中的时间位于简化时间窗内;
判断截取的轨迹数据单元中的空间坐标点是否符合预设的空间变化规;如果所述空间坐标点符合预设的空间变化规则,则将所述截取的轨迹数据单元简化为一个空间坐标点及时间;如果所述空间坐标点不符合预设的空间变化规则,则不对空间坐标点进行简化。
4.如权利要求1所述的一种利用轨迹大数据预测的区域精准布控方法,其特征在于,根据所述简化后的轨迹数据单元与空间地理信息,创建所述轨迹数据单元的语义索引,包括:
将简化后的轨迹数据单元与空间地理信息进行耦合,获取所述轨迹数据单元与空间地理信息中每个地理目标的关联度;
选取与所述轨迹数据单元关联度强的地理目标,将所述地理目标相对应的空间地理信息作为所述轨迹数据单元的语义索引。
5.如权利要求1所述的一种利用轨迹大数据预测的区域精准布控方法,其特征在于,根据所述轨迹大数据,对个体的实时轨迹进行预测与布控,包括:
根据所述轨迹大数据,查询与实时轨迹数据单元相同或接近的时间空间范围内的备选轨迹数据单元;
确定所述实时轨迹数据单元的轨迹索引与语义索引;
检索备选轨迹单元中与所述实时轨迹数据单元具有相同轨迹索引与语义索引的轨迹数据单元;
根据所述轨迹数据单元,对所述实时轨迹的空间坐标点与时间进行预测,并对所述实时轨迹所在区域进行布控。
6.一种利用轨迹大数据预测的区域精准布控系统,其特征在于,包括:
轨迹数据单元生成模块,用于根据个体的移动过程,生成轨迹数据单元;
清洗模块,用于对所述轨迹数据单元进行清洗,生成清洗后的轨迹数据单元;
简化模块,用于对所述清洗后的轨迹数据单元进行简化,生成简化后的轨迹数据单元;
轨迹索引创建模块,用于创建所述简化后的轨迹数据单元相对应的轨迹索引;
语义索引创建模块,用于根据所述简化后的轨迹数据单元与空间地理信息,创建所述轨迹数据单元的语义索引;
轨迹大数据生成模块,用于根据所述轨迹索引与所述语义所索引,生成轨迹大数据;
预测布控模块,用于利用所述轨迹大数据,对个体的实时轨迹进行预测与布控。
7.如权利要求6所述的一种利用轨迹大数据预测的区域精准布控系统,其特征在于,所述轨迹数据单元生成模块,包括:
所述轨迹数据单元的计算公式为:
L={<Pi-m(x,y),ti-m>,<Pi-m+1(x.y),ti-m+1>,……<Pi(x,y),ti>,……<Pi+m-1(x,y),ti+m-1>,<Pi+m(x,y),ti+m>}
其中,L表示轨迹数据单元;Pi(x,y)表示记录的个体空间坐标;ti表示记录时间。
8.如权利要求6所述的一种利用轨迹大数据预测的区域精准布控系统,其特征在于,所述简化模块,包括:
截取子模块,用于设置简化时间窗,按照所述简化时间窗对所述清洗后的轨迹数据单元进行截取;其中,截取的轨迹数据单元中的时间位于简化时间窗内;
判断子模块,用于判断截取的轨迹数据单元中的空间坐标点是否符合预设的空间变化规则;如果所述空间坐标点符合预设的空间变化规则,则将所述截取的轨迹数据单元简化为一个空间坐标点及时间;如果所述空间坐标点不符合预设的空间变化规则,则不对空间坐标点进行简化。
9.如权利要求6所述的一种利用轨迹大数据预测的区域精准布控系统,其特征在于,所述语义索引创建模块,包括:
获取子模块,用于将简化后的轨迹数据单元与空间地理信息进行耦合,获取所述轨迹数据单元与空间地理信息中每个地理目标的关联度;
选取子模块,用于选取与所述轨迹数据单元关联度强的地理目标,将所述地理目标相对应的空间地理信息作为所述轨迹数据单元的语义索引。
10.如权利要求6所述的一种利用轨迹大数据预测的区域精准布控系统,其特征在于,所述预测布控模块,包括:
查询子模块,用于根据所述轨迹大数据,查询与实时轨迹数据单元相同或接近的时间空间范围内的备选轨迹数据单元;
确定子模块,用于确定所述实时轨迹数据单元的轨迹索引与语义索引;
检索子模块,用于检索备选轨迹单元中与所述实时轨迹数据单元具有相同轨迹索引与语义索引的轨迹数据单元;
预测布控子模块,用于根据所述轨迹数据单元,对所述实时轨迹的空间坐标点与时间进行预测,并对所述实时轨迹所在区域进行布控。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910960212.7A CN110929914A (zh) | 2019-10-10 | 2019-10-10 | 一种利用轨迹大数据预测的区域精准布控方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910960212.7A CN110929914A (zh) | 2019-10-10 | 2019-10-10 | 一种利用轨迹大数据预测的区域精准布控方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110929914A true CN110929914A (zh) | 2020-03-27 |
Family
ID=69848848
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910960212.7A Pending CN110929914A (zh) | 2019-10-10 | 2019-10-10 | 一种利用轨迹大数据预测的区域精准布控方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110929914A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268563A (zh) * | 2014-09-15 | 2015-01-07 | 合肥工业大学 | 一种基于异常行为检测的视频摘要方法 |
CN107018493A (zh) * | 2017-04-20 | 2017-08-04 | 北京工业大学 | 一种基于连续时序马尔科夫模型的地理位置预测方法 |
CN107273530A (zh) * | 2017-06-28 | 2017-10-20 | 南京理工大学 | 基于互联网信息的重要船只目标动态监测方法 |
CN108153867A (zh) * | 2017-12-25 | 2018-06-12 | 山东大学 | 基于时间规律性的用户轨迹预测方法和装置 |
WO2019038271A1 (en) * | 2017-08-21 | 2019-02-28 | Koninklijke Philips N.V. | PREDICTION, PREVENTION AND CONTROL OF INFECTIOUS TRANSMISSION IN A HEALTH CARE FACILITY USING A REAL-TIME LOCALIZATION SYSTEM AND A NEW GENERATION SEQUENCING |
US20190073293A1 (en) * | 2017-09-06 | 2019-03-07 | Mayank Mohan Sharma | System and method for automated software testing based on Machine Learning (ML) |
CN109885643A (zh) * | 2019-03-04 | 2019-06-14 | 上海图趣信息科技有限公司 | 一种基于语义轨迹的位置预测算法及存储介质 |
CN110072191A (zh) * | 2019-04-23 | 2019-07-30 | 安徽致远慧联电子科技有限公司 | 基于无线技术的学生校内轨迹分析系统及分析方法 |
-
2019
- 2019-10-10 CN CN201910960212.7A patent/CN110929914A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268563A (zh) * | 2014-09-15 | 2015-01-07 | 合肥工业大学 | 一种基于异常行为检测的视频摘要方法 |
CN107018493A (zh) * | 2017-04-20 | 2017-08-04 | 北京工业大学 | 一种基于连续时序马尔科夫模型的地理位置预测方法 |
CN107273530A (zh) * | 2017-06-28 | 2017-10-20 | 南京理工大学 | 基于互联网信息的重要船只目标动态监测方法 |
WO2019038271A1 (en) * | 2017-08-21 | 2019-02-28 | Koninklijke Philips N.V. | PREDICTION, PREVENTION AND CONTROL OF INFECTIOUS TRANSMISSION IN A HEALTH CARE FACILITY USING A REAL-TIME LOCALIZATION SYSTEM AND A NEW GENERATION SEQUENCING |
US20190073293A1 (en) * | 2017-09-06 | 2019-03-07 | Mayank Mohan Sharma | System and method for automated software testing based on Machine Learning (ML) |
CN108153867A (zh) * | 2017-12-25 | 2018-06-12 | 山东大学 | 基于时间规律性的用户轨迹预测方法和装置 |
CN109885643A (zh) * | 2019-03-04 | 2019-06-14 | 上海图趣信息科技有限公司 | 一种基于语义轨迹的位置预测算法及存储介质 |
CN110072191A (zh) * | 2019-04-23 | 2019-07-30 | 安徽致远慧联电子科技有限公司 | 基于无线技术的学生校内轨迹分析系统及分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9733094B2 (en) | Hybrid road network and grid based spatial-temporal indexing under missing road links | |
US10984652B2 (en) | Method and system for modeling and processing vehicular traffic data and information and applying thereof | |
CN102332210B (zh) | 基于手机定位数据的实时城市道路交通流数据提取方法 | |
CN105466435B (zh) | 一种导航系统的路线规划方法和装置 | |
US20180306594A1 (en) | Method and apparatus for acquiring route popularity in road networks | |
CN108133611A (zh) | 车辆行驶轨迹监测方法及系统 | |
CN109934265A (zh) | 一种常驻地址的确定方法和装置 | |
CN106662628A (zh) | 定位装置、方法、移动设备和计算机程序 | |
CN108320501A (zh) | 基于用户手机信令的公交线路识别方法 | |
CN106441327A (zh) | 移动装置以及用于向其发射数据的方法和系统 | |
CN106376032B (zh) | 热点区域自动识别方法和装置 | |
CN105491529A (zh) | 移动终端位置数据的内存映射处理方法及大数据平台 | |
CN108882152B (zh) | 一种基于路径选择上报的用户隐私保护方法 | |
Azizi et al. | Urban Pluvial Flood Risk Assessment: Challenges and Opportunities for Improvement Using a Community-Based Approach | |
Zou et al. | A novel taxi dispatch system for smart city | |
KR20210075680A (ko) | 위치 기반 경로 데이터베이스의 관리 방법 및 이를 수행하는 서버 | |
Lu et al. | Visual analysis of uncertainty in trajectories | |
CN110929914A (zh) | 一种利用轨迹大数据预测的区域精准布控方法和系统 | |
CN114007186B (zh) | 定位方法及相关产品 | |
Jensen et al. | Vehicle data activity quantification using spatio-temporal GIS on modelling smart cities | |
CN114140292A (zh) | 大数据驱动的城市绿地需求测算方法 | |
CN104657501B (zh) | 一种资源预勘方案的获取方法和装置 | |
AU2020103738A4 (en) | Parking lot data repair method and apparatus, device and storage medium | |
Romadhona et al. | Prifacounter: The innovation of traffic counter application for android OS | |
CN111552759A (zh) | 一种行动轨迹相关数据的获取方法、装置、设备及介质 |
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: 20200327 |
|
RJ01 | Rejection of invention patent application after publication |