CN111131999B - 一种基于位置轨迹预测目的地的方法及装置 - Google Patents
一种基于位置轨迹预测目的地的方法及装置 Download PDFInfo
- Publication number
- CN111131999B CN111131999B CN201811194932.9A CN201811194932A CN111131999B CN 111131999 B CN111131999 B CN 111131999B CN 201811194932 A CN201811194932 A CN 201811194932A CN 111131999 B CN111131999 B CN 111131999B
- Authority
- CN
- China
- Prior art keywords
- target
- target user
- signaling
- destination
- preset
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L5/00—Arrangements affording multiple use of the transmission path
- H04L5/003—Arrangements for allocating sub-channels of the transmission path
- H04L5/0053—Allocation of signaling, i.e. of overhead other than pilot signals
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
Abstract
本发明的实施例公开了一种基于位置轨迹预测目的地的方法及装置,该方法在监测到目标用户的位置发生变化后,即开始根据目标用户的实时位置对目标用户将要到达的目的地进行预测。预测过程中,根据目标用户对应的目标位置信令的数量选择不同的预测算法进行预测,当目标位置信令的数量不充足时,参考公共位置信令对目标用户的目的地进行预测,避免了由于目标位置信令不充足造成的预测不准确。另一方面,相比于采用统一的预测方法对用户的目的地进行预测的方法,该方法的简化了预测的计算过程,且该方法能够根据用户实时位置对用户将要到达的目的地进行预测,充分考虑了预测的时效性。
Description
技术领域
本发明涉及移动通信定位技术领域,尤其是涉及一种基于位置轨迹预测目的地的方法及装置。
背景技术
根据用户位置轨迹进行目的地预报主要用在通过用户目前已有的行动轨迹来推测用户在未来一段时间可能前往的目的地,这样可以帮助我们在用户到达目的地之前,提前做好准备,以便合理应对,还可以用在诸如客流预警等公共领域。
目前历史轨迹目的地预测的方法包括了基于传统统计分析的目的地预测模型,这是基于条件概率进行计算,过程计算量大,边界条件苛刻,不具有很好的实用意义;还有基于贝叶斯统计的目的地预测模型,克服了传统统计分析的一些弱点,但同时也面临着统计样本的问题和计算量方面的问题;还有将用户的位置运动过程视作马尔科夫过程,为了处理问题的方便,人为地增加了无后效性的假设,一定程度上将问题进行了过于理想的假设。例如,基于无后效性假设对用户的目的地进行预测,引入过大的系统性误差;预测过程中由于计算的延时偏高,使得预报的结果失去意义,因为可能预报计算出来的时候,用户的真实结果已经发生了;采用较少的用户位置轨迹进行目的地的预测,导致预测结果偏离事实程度较大。
在实现本发明实施例的过程中,发明人发现现有的对目的地进行预测的方法中,对用于预测的数据充分性要求低,且由于计算过程复杂,延时较高,预测结果不准确。。
发明内容
本发明所要解决的技术问题是如何解决现有的对目的地进行预测的方法中,对用于预测的数据充分性要求低,且由于计算过程复杂,延时较高,预测结果不准确的问题。
针对以上技术问题,本发明的实施例提供了一种基于位置轨迹预测目的地的方法,包括:
若监测到目标用户的位置发生改变,则判断预先存储的对应于所述目标用户的目标位置信令的数量是否满足预设数量要求;
若所述目标位置信令的数量满足所述预设数量要求,则根据所述目标位置信令和所述目标用户的位置变化预测所述目标用户欲到达的目的地;
若所述目标位置信令的数量不满足所述预设数量要求,则根据预先存储的公共位置信令和所述目标用户的位置变化预测所述目标用户欲到达的目的地;
其中,每一目标位置信令均表示了所述目标用户在不同时刻的位置,每一公共位置信令均表示了不同用户在不同时刻的位置。
本实施例提供了一种基于位置轨迹预测目的地的装置,包括:
判断模块,用于若监测到目标用户的位置发生改变,则判断预先存储的对应于所述目标用户的目标位置信令的数量是否满足预设数量要求;
第一预测模块,用于若所述目标位置信令的数量满足所述预设数量要求,则根据所述目标位置信令和所述目标用户的位置变化预测所述目标用户欲到达的目的地;
第二预测模块,用于若所述目标位置信令的数量不满足所述预设数量要求,则根据预先存储的公共位置信令和所述目标用户的位置变化预测所述目标用户欲到达的目的地;
其中,每一目标位置信令均表示了所述目标用户在不同时刻的位置,每一公共位置信令均表示了不同用户在不同时刻的位置。
本实施例提供了一种电子设备,包括:
至少一个处理器、至少一个存储器、通信接口和总线;其中,
所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述通信接口用于该电子设备和终端的通信设备之间的信息传输;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行以上所述的方法。
本实施例提供了一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行以上所述的方法。
本发明的实施例提供了一种基于位置轨迹预测目的地的方法及装置,该方法在监测到目标用户的位置发生变化后,即开始根据目标用户的实时位置对目标用户将要到达的目的地进行预测。预测过程中,根据目标用户对应的目标位置信令的数量选择不同的预测算法进行预测,当目标位置信令的数量不充足时,参考公共位置信令对目标用户的目的地进行预测,避免了由于目标位置信令不充足造成的预测不准确。另一方面,相比于采用统一的预测方法对用户的目的地进行预测的方法,该方法的简化了预测的计算过程,且该方法能够根据用户实时位置对用户将要到达的目的地进行预测,充分考虑了预测的时效性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一个实施例提供的基于位置轨迹预测目的地的方法的流程示意图;
图2是本发明另一个实施例提供的实现基于位置轨迹预测目的地的方法的硬件结构示意图;
图3是本发明另一个实施例提供的基于位置轨迹预测目的地的方法的具体的实现流程示意图;
图4是本发明另一个实施例提供的beta分布概率密度曲线;
图5是本发明另一个实施例提供的流处理的原理示意图;
图6是本发明另一个实施例提供的用户经过的节点的示意图;
图7是本发明另一个实施例提供的原有节点扩展前和扩展后的对比示意图;
图8是本发明另一个实施例提供的每条原始数据变成了若干条子数据的示意图;
图9是本发明另一个实施例提供的从某一节点到其它节点的次数示意图;
图10是本发明另一个实施例提供的在某个景点的数据中,从一个结点到达其他结点的次数示意图;
图11是本发明另一个实施例提供的对目的地进行预报的示意图;
图12是本发明另一个实施例提供的基于位置轨迹预测目的地的装置的结构框图;
图13是本发明另一个实施例提供的电子设备的结构框图。
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。
图1是本实施例提供的基于位置轨迹预测目的地的方法的流程示意图。参见图1,该方法包括:
101:若监测到目标用户的位置发生改变,则判断预先存储的对应于所述目标用户的目标位置信令的数量是否满足预设数量要求;
102:若所述目标位置信令的数量满足所述预设数量要求,则根据所述目标位置信令和所述目标用户的位置变化预测所述目标用户欲到达的目的地;
103:若所述目标位置信令的数量不满足所述预设数量要求,则根据预先存储的公共位置信令和所述目标用户的位置变化预测所述目标用户欲到达的目的地;
其中,每一目标位置信令均表示了所述目标用户在不同时刻的位置,每一公共位置信令均表示了不同用户在不同时刻的位置。
需要说明的是,本实施例提供的方法通常由服务器执行。对任一用户,一旦监测到该用户的位置发生改变,即可根据该用户之前的位置信令或者根据公众的公共位置信令中的位置信息对该用户想要到达的目的地进行预测,以在该用户到达该目的地之前做好准备工作或者依据预测的目的地提供相应的服务。例如,各个旅游景点可以根据预测的目的地提前知晓各景区的客流量,以便提前根据客流量对景点设施或者景点服务进行调整。
对应于目标用户的终端会将目标用户的位置实时上报至服务器,以便服务器能够实时对目标用户的位置进行监控,同时,上报的位置还可以作为该目标用户的位置信令进行存储,以用于后续根据存储的位置信令对该目标用户欲到达的目的地进行预测。目标位置信令和公共位置信令作为表示不同时刻对应的位置的信令,通常包括时间和该时间对应的位置的经纬度。目标位置信令的数量满足预设数量要求,则说明目标位置信令的数量充足,可以直接通过目标位置信令预测目标用户的目的地。目标位置信令的数量不满足预设数量要求,则说明目标位置信令的数量不充足,这种情况通过公共位置信令预测目标用户的目的地。
本实施例提供了一种基于位置轨迹预测目的地的方法,该方法在监测到目标用户的位置发生变化后,即开始根据目标用户的实时位置对目标用户将要到达的目的地进行预测。预测过程中,根据目标用户对应的目标位置信令的数量选择不同的预测算法进行预测,当目标位置信令的数量不充足时,参考公共位置信令对目标用户的目的地进行预测,避免了由于目标位置信令不充足造成的预测不准确。另一方面,相比于采用统一的预测方法对用户的目的地进行预测的方法,该方法的简化了预测的计算过程,且该方法能够根据用户实时位置对用户将要到达的目的地进行预测,充分考虑了预测的时效性。
实际上,用户的位置信令数据可以反映出用户某一时刻所处的位置,将这些位置信息连起来就形成了用户的位置轨迹。人们前往某个地方总是带有某种目的,而用户目的能够反映出用户的需求,将这样的数据存储到数据仓库中可以挖掘出很多重要的信息。运动轨迹的数据积累多了,就可以使用大数据的方法进行处理了,就可以看出用户的行为习惯,根据这些行为习惯就可以对用户接下来的目的地进行预推断。具体来说,对历史轨迹进行分析,先要解决信令的搜集与存储的问题,图2示出了实现基于位置轨迹预测目的地的方法的硬件结构示意图,参见图2,用户的手机信令是分散的,需要通过位置信令采集设备完成信令的采集,从各处采集上来的信令通过位置信令管理设备(例如,该位置信令管理设备为kafka)进行信令格式的统一,生成实时消息队列,然后在送入到位置信令处理设备(例如,位置信令处理设备为spark计算引擎)这样的大数据科学进行处理。
图3为基于位置轨迹预测目的地的方法的具体的实现流程示意图,参见图3,上述方法可以描述为:
在预处理模块,对数据先进行清洗,由于位置信令中存在字段缺失,乱序等情况,在这个模块中,将会逐个进行处理,从而保证数据在这个模块出来后是很整齐的。
在数据缓存模块,会根据用户将数据分别缓存下来,每个用户都有其自己的位置序列,可以供进一步处理。
在模式选择模块,会根据用户数据已经缓存的多少,选择合适的后续处理模块,对于数据比较少的情况,会选择适用于数据稀疏情况的处理方法;当有了较充足的数据之后,会自动选择另一种适合数据充足情况的方法。
在数据充足情况的处理模块,这个模块包含了用于临时缓存数据的子模块,以及基于这些数据的筛选,对于筛选出的数据将代入beta分布,进行计算后,得到各个目的地的转移概率,从而完成对未来行为轨迹的预测。
在数据缺乏情况的处理模块,这个模块包含了用于临时缓存数据的子模块,以及用于计算马尔科夫转移矩阵的子模块,以马尔科夫转移矩阵为基础,就可以一步步推导出整个马尔科夫链,从而完成对未来行为轨迹的预测。
在预报模块,会根据前面模块的处理结果,给出相应的预报结果,实时对手机用户下一步的位置给出相应的预判。
在评估模块,会对各个预报结果进行综合的评估,给出模型运行的状态。
整个信令处理过程基于成熟的大数据处理平台storm与spark结合进行,各个模块分布于整个集群的不同主机之上,能够完成并行计算,对于计算密集型的模块,可以进行水平扩展,从而消除计算中的短板,保证了整个系统具有很高的实时性。
进一步地,在上述实施例的基础上,所述若监测到目标用户的位置发生改变,则判断预先存储的对应于所述目标用户的目标位置信令的数量是否满足预设数量要求,包括:
若监测到目标用户的位置发生改变,获取在第一预设时间段内生成的对应于所述目标用户的目标位置信令的第一数量,若所述第一数量大于第一预设数量,则对应于所述目标用户的目标位置信令的数量满足所述预设数量要求;
若所述第一数量小于或者等于所述第一预设数量,则获取在第二预设时间段生成的对应于所述目标用户的目标位置信令的第二数量,若所述第二数量大于第二预设数量,则对应于所述目标用户的目标位置信令的数量满足所述预设数量要求;
若所述第二数量小于或者等于所述第二预设数量,则判断是否存在第三预设时间段,在所述第三预设时间段内生成的对应于所述目标用户的目标位置信令的第三数量大于第三预设数量,若存在,则对应于所述目标用户的目标位置信令的数量满足所述预设数量要求,否则,对应于所述目标用户的目标位置信令的数量不满足所述预设数量要求;
其中,所述第一预设时间段的时长大于所述第二预设时间段的时长,所述第二预设时间段的时长大于所述第三预设时间段的时长。
例如,第一预设时间段为自当前时间向前的一个月,第二预设时间段为自当前时间向前的一个周,第三预设时间段为自当前时间向前的3天内的每一天。第一预设数量、第二预设数量和第三预设数量均为预先设定的数量,其中,第一预设数量大于第二预设数量,第二预设数量大于第三预设数量。若自当前时间向前的一个月生成的目标位置信令的数量小于或者等于第一预设数量,则判断自当前时间向前的一个周生成的目标位置信令的数量是否大于第二预设数量。若自当前时间向前的一个月生成的目标位置信令的条数小于或者等于第一预设数量小于或者等于第二预设数量,则判断自当前时间向前的三天内,是否存在某一天生成的目标位置信令的数量大于第三预设数量,若是,则目标位置信令的数量满足预设数量要求,否则,目标位置信令的数量不满足预设数量要求。
本实施例提供了一种基于位置轨迹预测目的地的方法,通过设定的各时间段和预设数量实现了对目标位置信令是否充足的判断,能够快速通过该判断采取哪一种算法对目标用户的目的地进行预测。
进一步地,在上述各实施例的基础上,所述若所述目标位置信令的数量满足所述预设数量要求,则根据所述目标位置信令和所述目标用户的位置变化预测所述目标用户欲到达的目的地,包括:
若所述目标位置信令的数量满足所述预设数量要求,则获取在第四预设时间段内生成的对应于所述目标用户的目标位置信令,由获取的目标位置信令确定所述目标用户的位置轨迹,并获取生成的位置轨迹中的目的终点;
获取所述目标用户所在的当前位置,根据确定的位置轨迹计算所述目标用户由所述当前位置到达各目的终点的概率,将最大的概率对应的目的终点作为所述目标用户欲到达的目的地。
进一步地,若所述第一数量大于第一预设数量,则所述第四预设时间段与所述第一预设时间段相同;若所述第二数量大于第二预设数量,则所述第四预设时间段与所述第二预设时间段相同;若所述第三数量大于第三预设数量,则所述第四预设时间段与所述第三预设时间段相同。
进一步,所述若所述目标位置信令的数量满足所述预设数量要求,则获取在第四预设时间段内生成的对应于所述目标用户的目标位置信令,由获取的目标位置信令确定所述目标用户的位置轨迹,并获取生成的位置轨迹中的目的终点,包括:
若所述目标位置信令的数量满足所述预设数量要求,则获取在第四预设时间段内生成的对应于所述目标用户的目标位置信令,对获取的目标位置信令进行格式统一后,由目标位置信令确定所述目标用户的位置轨迹,并获取生成的位置轨迹中的目的终点。
其中,位置信令可以均统一为如表一所示的格式,不同用户对应的位置信令可以按照表二所示的形式进行存储。
表一 位置信令的格式
timestamp | 信令的时间戳 |
longitude | 经度 |
latitude | 纬度 |
表二 位置信令的存储
用户1 | 信令存储单元 |
用户2 | 信令存储单元 |
用户3 | 信令存储单元 |
… | … |
需要说明的是,根据所述目标位置信令,若在某一预设时间段内,所述目标用户在某一位置停留的时长超过预设时长,则该位置作为一个目的终点。将用户在不同的时间在不同的目的终点的状态表示为位置轨迹,例如,某一段时间内,目标用户的运动轨迹表示为其中,a、b和c为不同的目的终点。
根据目标位置信令生成一条条的位置轨迹后,对位置轨迹中所有的目的终点,均根据当前位置计算出目标用户到达该目的终点的概率,概率最高的目的终点即为预测的目标用户欲到达的目的地。
本实施例提供了一种基于位置轨迹预测目的地的方法,根据位置信令生成位置轨迹,根据位置轨迹计算目标用户到达各个目的终点的概率,计算过程简单,结算结果从统计上反应了用户的行为。
进一步地,在上述各实施例的基础上,所述获取所述目标用户所在的当前位置,根据确定的位置轨迹计算所述目标用户由所述当前位置到达各目的终点的概率,包括:
设置时间窗口,获取出现在时间窗口中的位置,作为所述目标用户所在的当前位置,针对每一目的终点,计算由当前位置到达该目的终点的位置轨迹占根据目标位置信令确定的所有位置轨迹的第一比值,作为所述目标用户由所述当前位置到达该目的终点的概率。
通过时间窗口计算概率为一种流处理技术,时间窗口实际上是每隔一定的时间即对目标用户的实时位置进行采集。在计算机计算各目的终点的概率的过程中,通过这种流处理技术能够大大提高计算效率。
本实施例提供了一种基于位置轨迹预测目的地的方法,引入了流处理的技术方案,从数据采集到数据传输整理运算,都以数据流的形式完成,极大地缩短了由于运算延时带来的结果有效期过短的问题,从而增加了本装置的实用性。
以下具体分析依据位置信令生成位置轨迹,依据位置轨迹进行各目的终点预测的可行性,具体分析如下:
(1)问题的描述
基于历史的位置信令反应的运动轨迹推断,通常可以归结为如下一般化描述。
(2)用户状态的定义
(3)问题的描述
假设用户的备选目的地集合为{dest1,dest2,…,destN},则满足如下关系:
当用户进一步运动到d时
从信息熵的角度去观察以上两组表达式,
由于
所以
可见,随着用户运动的不断进行,用户去往目的地的信息是一个不确定性逐渐下降的过程。
假设有abcd四个目的地,时刻1用户到达各个目的地的概率为:
P(A|State1),P(B|State1),P(C|State1),P(D|State1)
时刻2用户到达各个目的地的概率为:
P(A|State2),P(B|State2),P(C|State2),P(D|State2)
以此类推,时刻N用户到达各个目的地的概率为:
P(A|StateN),P(B|StateN),P(C|StateN),P(D|StateN)
写成矩阵的形式便得到了用户的转移概率矩阵,这个矩阵是列数固定,行数不定的,这个矩阵其实是一个向量时间序列的矩阵写法,如下式:
基于上述方法,在装置的实现中,用户将在图形界面上看到实时的可视化图形,对用户去各个目的地的概率进行展示。在装置上,可以查到某一用户的概率分布图。例如,当用户刚经过基站a时,计算出到达a,b,c的概率分别为20%,40%,40%(在装置中可以查询到用表示各目的地对应的概率的柱形图);当用户刚再经过基站b时,计算出到达a,b,c的概率分别为15%,35%,50%;当用户刚再经过基站c时,计算出到达a,b,c的概率分别为10%,20%,70%;当用户刚再经过基站d时,计算出到达a,b,c的概率分别为0%,0%,100%。
在目标位置信令的数据量充足的情况下,计算各个目的终点的概率的实现原理可以进行如下阐述:
当用户从基站a到基站b时,从历史数据中找到符合从基站a到基站b的所有数据,假设共有n条,这n条中,有k条最终到达了目的地a,根据伯努利大数定律:
假设概率的真值为p,将n个样本作为n重伯努利试验的结果,其中去了目的地A的有k次,根据二项分布:
这个式子表达了在实际概率为p的时候,我们观察到n重伯努利试验中恰好出现k次的概率。概率p可以看作是随机变量。
根据贝叶斯假设,p的先验分布为均匀分布
P(k)=∫pP(k|p)P(p)dp (3)
将(1)(2)(3)代入(4)后,得到
求解此式后,结果恰好为参数(k+1,n-k+1)的贝塔分布。为了更形象地说明,接下来举个例子,当历史数据中看到如表三所示的三组数据时,画出的beta分布概率密度曲线如图4所示,可见,虽然比值都是0.3,但样本数的不同会出现不同的误差,历史数据越充分,估计误差会越小。当历史数据趋于无穷时,估计区间的上下界会收缩到一起,从而得到大数定律中描述的结果。
表三历史数据
符合目前轨迹的历史数据条数 | 去目的地A的条数 |
10 | 3 |
100 | 30 |
1000 | 300 |
基于上述分析,在历史数据量充足时,计算各目的终点的方法可以采用流处理实现。图5为流处理的原理示意图,参见图5,流处理是一种基于窗口的操作(window-basedoperation),随着数据流中不断地出现元组,将不断地触发相关的操作。在实际中,当收到一条用户的信令时,就会触发一次操作,将用户的信令追加到队列的尾部,然后对队列进行扫描,形成用户当前的路径状态,以上理论中的 都可以认为是用户目前已具有的状态。
采用了流处理技术,就可以设定一个合理的窗口大小,从而基于这个窗口大小来作为状态匹配的边界,也就是说以最近发生的窗口范围大小的轨迹点作为状态。这样,有了用户已具有的路径状态后,到历史数据中进行搜索,找到符合这个路径的历史数据,然后分别进行计数,得到对应的n与k,然后将参数k与(n-k)代入R语言的beta分布函数中,通过以下代码进行求解。
pHat<-k/(n-k)
pHatCeiling<-k/(n-k)*(1+10%)
pHatFloor<-k/(n-k)*(1-10%)
probCeiling<-pbeta(pHatCeiling,k,(n-k))
probFloor<-pbeta(pHatFloor,k,(n-k))
delta<-probCeiling–probFloor
通过sparkR对R语言的代码进行调用。
进一步地,在上述各实施例的基础上,所述若所述目标位置信令的数量不满足所述预设数量要求,则根据预先存储的公共位置信令和所述目标用户的位置变化预测所述目标用户欲到达的目的地,包括:
若所述目标位置信令的数量不满足所述预设数量要求,由预先存储的公共位置信令生成位置轨迹,并生成的位置轨迹中的目的终点;
获取所述目标用户所在的当前位置,对每一目的终点,计算由当前位置到达该目的终点的位置轨迹占根据公共位置信令确定的所有位置轨迹的第二比值,将最大的第二比值对应的目的终点作为所述目标用户欲到达的目的地。
根据公共位置信令生成位置轨迹的方法与根据目标位置信令生成位置轨迹的方法相同,在此不再赘述。
本实施例提供了一种基于位置轨迹预测目的地的方法,在目标位置信令的数据量不充足的情况下,通过公共位置信令对用户欲到达的目的地进行预测,避免了因数据量不充足造成的预测结果的不准确。
以下对数据稀疏或缺乏的情况下,预测目标用户的目的地进行分析:
从上面的分析可以看出,历史样本量越大,分析的效果越好,但事实上,经常会遇到历史样本不足,甚至没有历史样本可以参考的情况,这时我们就要想一些其他的办法了,比如参考其他人的历史样本来对此用户的运动轨迹进行估计。以下对参考其他人的位置信令预测目标用户的目的地的方法是否合理进行分析:每个用户都有一个属于自己的分布,中心极限定理告诉我们,任意随机变量序列部分和分布渐近于正态分布,当随机变量的个数趋于无穷时,会出现依概率收敛。换句话说,由于用户间的个性会相互抵消,用所有用户的数学期望作为该用户的估计,将是一个无偏估计。
地图上的很多信息对于我们这个问题是没有什么意义的,因此我们需要将数据进一步抽象,只保留和我们这个问题相关的数据,会得到图6所示的用户经过的节点。图6反映了客户运行经过了那些结点。将一条条这样的历史轨迹拼合在一起,就会为我们展现出客户群在各个结点会做出怎样的集体性选择,为了表示这种集体性选择,我们将各个结点作为markov-chain的一个状态,通过统计轨迹的计数,我们会得到对应的一步转移概率矩阵:
在行驶轨迹中,往往会出现一类很常见的现象,这就是同样是到达了某个结点,但有时是路过这个结点,有时是以此结点作为最终的目的地,这就要求模型必须能够区分出这两类不同的结点,从而才能给出更合理的结论。
假设模型原有n个结点,为了能够在模型中区分这两种情况,将模型进一步扩展为2n个结点,扩充的方法是原有的每个结点都分裂出一个镜像结点,这样一来,原有的一个结点既表示瞬态又表示吸收态的情况得到了改观,变成了原结点表示瞬态结点,镜像结点表示吸收态结点,图7示出了原有节点扩展前和扩展后的对比,图7的左边为扩展前的节点,右边为扩展后的节点。这一次扩展,相当于从功能上,将一个结点人为地看成两个结点了,因此转移矩阵也随之相应的需要进行扩充,前n维表示瞬态结点,后n维表示吸收结点,于是转移矩阵就可以进一步的写成分块矩阵。
吸收结点的定义,容易得出以下这个结论:(1)吸收结点转移到瞬态结点的概率为0;(2)吸收结点转移到自己的概率为1;(3)吸收结点转移到其他吸收结点的概率为0。有了这个结论容易推出以下两个推论:(1)左下的分块是一个0矩阵;(2)右下的分块是一个单位矩阵。于是原矩阵可以进一步写为
对于目标位置信令数据稀疏或者缺乏的情况,在进行目标用户的目的地的预测时,在目的地区域逗留超过5小时的手机信令用户,当天的位置信令时间序列筛选出来,存到类似如表四所示的二维表中。
表四 位置信令各目的终点的存储形式
原始轨迹是一条链式数据,我们按照经历的路口情况,对其进行碎片化处理,分割为若干个子轨迹,这样每条原始数据变成了若干条子数据,如图8所示。
在存储上原始数据我们表示为Di,碎片化后的数据我们表示为集合{Di1,Din}。有了碎片化的数据后,我们就可以统计出从某个结点到达其他结点的次数。图9示出了从某一节点到其它节点的次数,图10示出了在某个景点的数据中,从一个结点到达其他结点的次数。
从图9和图10中可以看出,如果发现到了C1点,去各个景点的概率如表五所示。
表五
根据全概率公式
PA=PC1P(A|C1)+PC2P(A|C2)+…+PCnP(A|Cn)
PA=∑PCnP(A|Cn)
简化公式
从而可以得出各个结点的一步转移概率。
图11为对目的地进行预报的示意图,参见图11,用户目前的行车轨迹记作T,根据贝叶斯定理,概率为
历史轨迹库中有N条轨迹
以A为目的地的条数为nA,其中覆盖了路径T的为mA;以B为目的地的条数为nB,其中覆盖了路径T的为mB;以C为目的地的条数为nC,其中覆盖了路径T的为mC;
N=nA+nB+nC
于是先验概率我们有
似然函数为
后验概率为
计算得出
同理得出
进一步地,在上述各实施例的基础上,还包括:
获取所述目标用户实际到达的实际目的地,根据所述实际目的地评估预测的所述目标用户欲到达的目的地的准确性。
具体来说,为了增加系统的实用性,评估指标设计成针对具体目的地的指标,而不是系统的平均指标,针对各个目的地,分别计算误报率和漏报率。
误报率为误报数与总数的比值
漏报率为漏报数与总数的比值
综上,本实施例提供的基于位置轨迹预测目的地的方法,改进原有的基于马尔科夫模型的位置预报方案,以大数定律和中心极限定理作为基础,在沿用原有马尔科夫模型位置预报方案的基础上,进行改良,通过对误差区间的精细化测量,引入基于beta分布的区间估计,在承认运动轨迹后效性的基础上给出了合理的估计;引入了流处理的技术方案,从数据采集到数据传输整理运算,都以数据流的形式完成,极大地缩短了由于运算延时带来的结果有效期过短的问题,从而增加了本装置的实用性;采用了视历史数据充足情况而动态选择算法的策略,突破了传统上从头到尾使用一种算法的方式,从而实现了动态自适应的智能方式进行科学计算;将效果评估引入到整个系统的运行过程中,这样可以随时对模型进行检验与调整,可以更好地实现对模型细致的调整,能够更好地完成整个生命周期的处理。
如图12所示,本发明的实施例提供了一种基于位置轨迹预测目的地的装置,包括判断模块1201、第一预测模块1202和第二预测模块1203,其中,
判断模块1201,用于若监测到目标用户的位置发生改变,则判断预先存储的对应于所述目标用户的目标位置信令的数量是否满足预设数量要求;
第一预测模块1202,用于若所述目标位置信令的数量满足所述预设数量要求,则根据所述目标位置信令和所述目标用户的位置变化预测所述目标用户欲到达的目的地;
第二预测模块1203,用于若所述目标位置信令的数量不满足所述预设数量要求,则根据预先存储的公共位置信令和所述目标用户的位置变化预测所述目标用户欲到达的目的地;
其中,每一目标位置信令均表示了所述目标用户在不同时刻的位置,每一公共位置信令均表示了不同用户在不同时刻的位置。
本实施例提供的基于位置轨迹预测目的地的装置适用于上述实施例中的基于位置轨迹预测目的地的方法,在此不再赘述。
本发明的实施例提供了一种基于位置轨迹预测目的地的装置,该装置在监测到目标用户的位置发生变化后,即开始根据目标用户的实时位置对目标用户将要到达的目的地进行预测。预测过程中,根据目标用户对应的目标位置信令的数量选择不同的预测算法进行预测,当目标位置信令的数量不充足时,参考公共位置信令对目标用户的目的地进行预测,避免了由于目标位置信令不充足造成的预测不准确。另一方面,相比于采用统一的预测方法对用户的目的地进行预测的方法,该装置的简化了预测的计算过程,且该装置能够根据用户实时位置对用户将要到达的目的地进行预测,充分考虑了预测的时效性。
图13是示出本实施例提供的电子设备的结构框图。
参照图13,所述电子设备包括:处理器(processor)1301、存储器(memory)1302、通信接口(Communications Interface)1303和总线1304;
其中,
所述处理器1301、存储器1302、通信接口1303通过所述总线1304完成相互间的通信;
所述通信接口1303用于该电子设备和终端的通信设备之间的信息传输;
所述处理器1301用于调用所述存储器1302中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:若监测到目标用户的位置发生改变,则判断预先存储的对应于所述目标用户的目标位置信令的数量是否满足预设数量要求;若所述目标位置信令的数量满足所述预设数量要求,则根据所述目标位置信令和所述目标用户的位置变化预测所述目标用户欲到达的目的地;若所述目标位置信令的数量不满足所述预设数量要求,则根据预先存储的公共位置信令和所述目标用户的位置变化预测所述目标用户欲到达的目的地;其中,每一目标位置信令均表示了所述目标用户在不同时刻的位置,每一公共位置信令均表示了不同用户在不同时刻的位置。
第四方面,本实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:若监测到目标用户的位置发生改变,则判断预先存储的对应于所述目标用户的目标位置信令的数量是否满足预设数量要求;若所述目标位置信令的数量满足所述预设数量要求,则根据所述目标位置信令和所述目标用户的位置变化预测所述目标用户欲到达的目的地;若所述目标位置信令的数量不满足所述预设数量要求,则根据预先存储的公共位置信令和所述目标用户的位置变化预测所述目标用户欲到达的目的地;其中,每一目标位置信令均表示了所述目标用户在不同时刻的位置,每一公共位置信令均表示了不同用户在不同时刻的位置。
本实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如,包括:若监测到目标用户的位置发生改变,则判断预先存储的对应于所述目标用户的目标位置信令的数量是否满足预设数量要求;若所述目标位置信令的数量满足所述预设数量要求,则根据所述目标位置信令和所述目标用户的位置变化预测所述目标用户欲到达的目的地;若所述目标位置信令的数量不满足所述预设数量要求,则根据预先存储的公共位置信令和所述目标用户的位置变化预测所述目标用户欲到达的目的地;其中,每一目标位置信令均表示了所述目标用户在不同时刻的位置,每一公共位置信令均表示了不同用户在不同时刻的位置。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的电子设备等实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上各实施例仅用以说明本发明的实施例的技术方案,而非对其限制;尽管参照前述各实施例对本发明的实施例进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部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的实施例各实施例技术方案的范围。
Claims (9)
1.一种基于位置轨迹预测目的地的方法,其特征在于,包括:
若监测到目标用户的位置发生改变,则判断预先存储的对应于所述目标用户的目标位置信令的数量是否满足预设数量要求;
若所述目标位置信令的数量满足所述预设数量要求,则根据所述目标位置信令和所述目标用户的位置变化预测所述目标用户欲到达的目的地;
若所述目标位置信令的数量不满足所述预设数量要求,则根据预先存储的公共位置信令和所述目标用户的位置变化预测所述目标用户欲到达的目的地;
其中,每一目标位置信令均表示了所述目标用户在不同时刻的位置,每一公共位置信令均表示了不同用户在不同时刻的位置;
所述若所述目标位置信令的数量满足所述预设数量要求,则根据所述目标位置信令和所述目标用户的位置变化预测所述目标用户欲到达的目的地,包括:
若所述目标位置信令的数量满足所述预设数量要求,则获取在第四预设时间段内生成的对应于所述目标用户的目标位置信令,由获取的目标位置信令确定所述目标用户的位置轨迹,并获取生成的位置轨迹中的目的终点;
获取所述目标用户所在的当前位置,根据确定的位置轨迹计算所述目标用户由所述当前位置到达各目的终点的概率,将最大的概率对应的目的终点作为所述目标用户欲到达的目的地。
2.根据权利要求1所述的方法,其特征在于,所述若监测到目标用户的位置发生改变,则判断预先存储的对应于所述目标用户的目标位置信令的数量是否满足预设数量要求,包括:
若监测到目标用户的位置发生改变,获取在第一预设时间段内生成的对应于所述目标用户的目标位置信令的第一数量,若所述第一数量大于第一预设数量,则对应于所述目标用户的目标位置信令的数量满足所述预设数量要求;
若所述第一数量小于或者等于所述第一预设数量,则获取在第二预设时间段生成的对应于所述目标用户的目标位置信令的第二数量,若所述第二数量大于第二预设数量,则对应于所述目标用户的目标位置信令的数量满足所述预设数量要求;
若所述第二数量小于或者等于所述第二预设数量,则判断是否存在第三预设时间段,在所述第三预设时间段内生成的对应于所述目标用户的目标位置信令的第三数量大于第三预设数量,若存在,则对应于所述目标用户的目标位置信令的数量满足所述预设数量要求,否则,对应于所述目标用户的目标位置信令的数量不满足所述预设数量要求;
其中,所述第一预设时间段的时长大于所述第二预设时间段的时长,所述第二预设时间段的时长大于所述第三预设时间段的时长。
3.根据权利要求1所述的方法,其特征在于,所述获取所述目标用户所在的当前位置,根据确定的位置轨迹计算所述目标用户由所述当前位置到达各目的终点的概率,包括:
设置时间窗口,获取出现在时间窗口中的位置,作为所述目标用户所在的当前位置,针对每一目的终点,计算由当前位置到达该目的终点的位置轨迹占根据目标位置信令确定的所有位置轨迹的第一比值,作为所述目标用户由所述当前位置到达该目的终点的概率。
4.根据权利要求1所述的方法,其特征在于,所述若所述目标位置信令的数量不满足所述预设数量要求,则根据预先存储的公共位置信令和所述目标用户的位置变化预测所述目标用户欲到达的目的地,包括:
若所述目标位置信令的数量不满足所述预设数量要求,由预先存储的公共位置信令生成位置轨迹,并生成的位置轨迹中的目的终点;
获取所述目标用户所在的当前位置,对每一目的终点,计算由当前位置到达该目的终点的位置轨迹占根据公共位置信令确定的所有位置轨迹的第二比值,将最大的第二比值对应的目的终点作为所述目标用户欲到达的目的地。
5.根据权利要求1所述的方法,其特征在于,还包括:
获取所述目标用户实际到达的实际目的地,根据所述实际目的地评估预测的所述目标用户欲到达的目的地的准确性。
6.一种基于位置轨迹预测目的地的装置,其特征在于,包括:
判断模块,用于若监测到目标用户的位置发生改变,则判断预先存储的对应于所述目标用户的目标位置信令的数量是否满足预设数量要求;
第一预测模块,用于若所述目标位置信令的数量满足所述预设数量要求,则根据所述目标位置信令和所述目标用户的位置变化预测所述目标用户欲到达的目的地;
第二预测模块,用于若所述目标位置信令的数量不满足所述预设数量要求,则根据预先存储的公共位置信令和所述目标用户的位置变化预测所述目标用户欲到达的目的地;
其中,每一目标位置信令均表示了所述目标用户在不同时刻的位置,每一公共位置信令均表示了不同用户在不同时刻的位置;
所述第一预测模块,具体用于若所述目标位置信令的数量满足所述预设数量要求,则获取在第四预设时间段内生成的对应于所述目标用户的目标位置信令,由获取的目标位置信令确定所述目标用户的位置轨迹,并获取生成的位置轨迹中的目的终点;
获取所述目标用户所在的当前位置,根据确定的位置轨迹计算所述目标用户由所述当前位置到达各目的终点的概率,将最大的概率对应的目的终点作为所述目标用户欲到达的目的地。
7.根据权利要求6所述的装置,其特征在于,所述判断模块还用于若监测到目标用户的位置发生改变,获取在第一预设时间段内生成的对应于所述目标用户的目标位置信令的第一数量,若所述第一数量大于第一预设数量,则对应于所述目标用户的目标位置信令的数量满足所述预设数量要求;若所述第一数量小于或者等于所述第一预设数量,则获取在第二预设时间段生成的对应于所述目标用户的目标位置信令的第二数量,若所述第二数量大于第二预设数量,则对应于所述目标用户的目标位置信令的数量满足所述预设数量要求;若所述第二数量小于或者等于所述第二预设数量,则判断是否存在第三预设时间段,在所述第三预设时间段内生成的对应于所述目标用户的目标位置信令的第三数量大于第三预设数量,若存在,则对应于所述目标用户的目标位置信令的数量满足所述预设数量要求,否则,对应于所述目标用户的目标位置信令的数量不满足所述预设数量要求;其中,所述第一预设时间段的时长大于所述第二预设时间段的时长,所述第二预设时间段的时长大于所述第三预设时间段的时长。
8.一种电子设备,其特征在于,包括:
至少一个处理器、至少一个存储器、通信接口和总线;其中,
所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述通信接口用于该电子设备和终端的通信设备之间的信息传输;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至5任一项所述的方法。
9.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811194932.9A CN111131999B (zh) | 2018-10-15 | 2018-10-15 | 一种基于位置轨迹预测目的地的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811194932.9A CN111131999B (zh) | 2018-10-15 | 2018-10-15 | 一种基于位置轨迹预测目的地的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111131999A CN111131999A (zh) | 2020-05-08 |
CN111131999B true CN111131999B (zh) | 2021-05-25 |
Family
ID=70483956
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811194932.9A Active CN111131999B (zh) | 2018-10-15 | 2018-10-15 | 一种基于位置轨迹预测目的地的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111131999B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111787491B (zh) * | 2020-06-29 | 2022-09-30 | 广东小天才科技有限公司 | 一种辅助定位、系统、可穿戴设备和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104520881A (zh) * | 2012-06-22 | 2015-04-15 | 谷歌公司 | 基于访问可能性对附近目的地排名以及从位置历史来预测对地点的未来访问 |
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 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7522995B2 (en) * | 2004-02-05 | 2009-04-21 | Nortrup Edward H | Method and system for providing travel time information |
US9134137B2 (en) * | 2010-12-17 | 2015-09-15 | Microsoft Technology Licensing, Llc | Mobile search based on predicted location |
-
2018
- 2018-10-15 CN CN201811194932.9A patent/CN111131999B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104520881A (zh) * | 2012-06-22 | 2015-04-15 | 谷歌公司 | 基于访问可能性对附近目的地排名以及从位置历史来预测对地点的未来访问 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN111131999A (zh) | 2020-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110058977A (zh) | 基于流式处理的监控指标异常检测方法、装置及设备 | |
CN111680830B (zh) | 一种基于聚集风险预警的疫情防范方法和装置 | |
CN111913859B (zh) | 一种异常行为检测方法和装置 | |
CN103747523A (zh) | 一种基于无线网络的用户位置预测系统和方法 | |
CN114039918B (zh) | 一种信息年龄优化方法、装置、计算机设备及存储介质 | |
EP3899758A1 (en) | Methods and systems for automatically selecting a model for time series prediction of a data stream | |
Aquino et al. | Characterization of vehicle behavior with information theory | |
Zhu et al. | Pova: Traffic light sensing with probe vehicles | |
Verhein et al. | Mining spatio-temporal patterns in object mobility databases | |
US11706114B2 (en) | Network flow measurement method, network measurement device, and control plane device | |
CN110874668A (zh) | 一种轨道交通od客流预测方法、系统及电子设备 | |
CN112688837B (zh) | 基于时间滑动窗口的网络测量方法与装置 | |
CN113379176A (zh) | 电信网络异常数据检测方法、装置、设备和可读存储介质 | |
CN112953738A (zh) | 根因告警的定位系统、方法、装置、计算机设备 | |
CN114882696A (zh) | 道路容量的确定方法、装置及存储介质 | |
CN111131999B (zh) | 一种基于位置轨迹预测目的地的方法及装置 | |
Blanc | Performance evaluation of polling systems by means of the power-series algorithm | |
Smolak et al. | The impact of human mobility data scales and processing on movement predictability | |
CN114141385B (zh) | 一种用于传染病的预警方法、系统和可读存储介质 | |
KR20160105151A (ko) | 셀 가치 추산을 이용한 범죄 예측 방법 및 범죄 예측 시스템 | |
Czachórski | Queueing Models for Performance Evaluation of Computer Networks—Transient State Analysis | |
CN114070718B (zh) | 一种告警方法、装置和存储介质 | |
Chandio et al. | Towards adaptable and tunable cloud-based map-matching strategy for GPS trajectories | |
US9262294B2 (en) | System and method for event detection and correlation from moving object sensor data | |
CN115412852A (zh) | 移动终端的运动轨迹确定方法及系统 |
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 |