CN111274475A - 轨迹特征的提取方法、装置、存储介质及终端 - Google Patents
轨迹特征的提取方法、装置、存储介质及终端 Download PDFInfo
- Publication number
- CN111274475A CN111274475A CN202010047669.1A CN202010047669A CN111274475A CN 111274475 A CN111274475 A CN 111274475A CN 202010047669 A CN202010047669 A CN 202010047669A CN 111274475 A CN111274475 A CN 111274475A
- Authority
- CN
- China
- Prior art keywords
- time interval
- user
- center point
- density
- location data
- 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
- 238000000605 extraction Methods 0.000 title claims description 16
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 238000005065 mining Methods 0.000 abstract description 6
- 230000006399 behavior Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例公开了一种轨迹特征的提取方法、装置、存储介质及终端。所述方法包括：获取至少两个时间区间内的用户位置数据；针对各个时间区间，根据所述时间区间内的用户位置数据确定所述时间区间内的位置中心点及位置中心点密度；将各个时间区间内的位置中心点构造的轨迹点向量和各个时间区间内的位置中心点密度构造的轨迹密度向量作为用户轨迹特征。通过采用上述技术方案，能够将离散非结构化的用户位置数据转化为结构化、标准化的用户行为轨迹特征，从而准确地刻画出用户的日常行为轨迹，有利于后续轨迹数据的深度挖掘及应用。
Description
技术领域
本发明实施例涉及数据分析技术领域，尤其涉及轨迹特征的提取方法、装置、存储介质及终端。
背景技术
随着移动互联网的快速发展，基于用户位置的服务越来越多，如基于位置的个性化推荐服务或者基于位置信息的风控反欺诈服务。但是目前基于用户行为轨迹的服务比较少，目前除了地图、导航及打车等应用程序之外，其他应用程序获取的用户行为轨迹数据相对比较稀疏离散，非结构化，难以完美形成类似地图、导航及打车等应用程序构建的连续不中断的轨迹路线图，因此，针对稀疏离散的用户行为数据，难以提取用户的行为轨迹特征，进而会影响这一重要特征的业务应用。
发明内容
本发明实施例提供一种轨迹特征的提取方法、装置、存储介质及终端，以将离散非结构化的用户位置数据转化为结构化、标准化的用户行为轨迹特征。
第一方面，本发明实施例提供了一种轨迹特征的提取方法，该方法包括：
获取至少两个时间区间内的用户位置数据；
针对各个时间区间，根据所述时间区间内的用户位置数据确定所述时间区间内的位置中心点及位置中心点密度；
将各个时间区间内的位置中心点构造的轨迹点向量和各个时间区间内的位置中心点密度构造的轨迹密度向量作为用户轨迹特征。
第二方面，本发明实施例还提供了一种轨迹特征的提取装置，该装置包括：
用户位置数据获取模块，用于获取至少两个时间区间内的用户位置数据；
位置中心点及密度确定模块，用于针对各个时间区间，根据所述时间区间内的用户位置数据确定所述时间区间内的位置中心点及位置中心点密度；
用户轨迹特征提取模块，用于将各个时间区间内的位置中心点构造的轨迹点向量和各个时间区间内的位置中心点密度构造的轨迹密度向量作为用户轨迹特征。
第三方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例提供的轨迹特征的提取方法。
第四方面，本发明实施例提供了一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如本发明实施例提供的轨迹特征的提取方法。
本发明实施例中提供的轨迹特征的提取方法，获取至少两个时间区间内的用户位置数据，并针对各个时间区间，根据时间区间内的用户位置数据确定时间区间内的位置中心点及位置中心点密度，最后将各个时间区间内的位置中心点构造的轨迹点向量和各个时间区间内的位置中心点密度构造的轨迹密度向量作为用户轨迹特征。通过采用上述技术手段，能够将离散非结构化的用户位置数据转化为结构化、标准化的用户行为轨迹特征，从而准确地刻画出用户的日常行为轨迹，有利于后续轨迹数据的深度挖掘及应用。
附图说明
图1为本发明实施例提供的一种轨迹特征的提取方法的流程示意图；
图2为本发明实施例提供的基于各个时间区间内的位置中心点构造的用户轨迹示意图；
图3为本发明实施例提供的另一种轨迹特征的提取方法的流程示意图；
图4为本发明实施例提供的一种轨迹特征的提取装置的结构框图；
图5为本发明实施例提供的一种终端的结构框图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
图1为本发明实施例提供的一种轨迹特征的提取方法的流程示意图，该方法可以由轨迹特征的提取装置执行，其中该装置可由软件和/或硬件实现，一般可集成在终端设备中。如图1所示，该方法包括：
步骤101、获取至少两个时间区间内的用户位置数据。
示例性的，终端可以包括但不限于智能手机、平板电脑、笔记本电脑、掌上电脑等终端设备。其中，该终端的操作系统可以包括但不限于Android操作系统、IOS操作系统、Windows Phone8操作系统等。
在本发明实施例中，获取至少两个时间区间内的用户位置数据，其中，至少两个时间区间可以连续，也可以不连续，还可以部分连续。例如，获取8-12点，12-16点，16-20点这三个连续的时间区间内的用户位置数据；又如，获取8-12点，13-17点，18-22点这三个不连续的时间区间内的用户位置数据；再如，获取8-11点，13-16点，16-19点，20-23点这四个时间区间内的用户位置数据。另外，至少两个时间区间中的每个时间区间的长度可以相同，也可以不同，本发明实施例对此也不做限定。
示例性的，可以将用户使用的移动终端(如手机)中的定位模块获取的位置信息作为用户位置数据。其中，可对获取至少两个时间区间内大量的原始用户位置数据进行预处理，删除其中非有效的位置数据，如去除属性缺失的位置数据。
可选的，获取至少两个时间区间内的用户位置数据，包括：获取预设时间段内的用户位置数据集；获取按照预设时间划分规则确定的至少两个时间区间；从所述用户位置数据集中提取各个时间区间内的用户位置数据。
示例性的，获取预设时间段内的用户位置数据集，其中，用户位置数据集可以理解为大量的用户位置数据构成的集合，例如，收集用户在当前时间往前追溯60天内的用户位置数据。其中，本发明实施例可以根据需要对预设时间段进行调整，如预设时间段可以是1个月、3个月或6个月等等。获取按照预设时间划分规则确定的至少两个时间区间，例如，将每天24小时按小时划分为若干个时间区间，具体的，可以将一天的时间划分为0-4点，4-8点，8-12点，12-16点，16-20点，20-24点6个这样的时间区间。需要说明的是，本发明实施例对预设时间划分规则不做限定，可以将一天的时间按3小时或6小时一个时间区间长度进行划分。另外，由于0-5点这段时间通常为也用户休息的时间，用户的位置数据的数据量较少或几乎为零，因此，可以只对5-24点这段时间进行时间区间的划分。最后，在预设时间段内的用户位置数据集中，提取各个时间区间内的用户位置数据，也即将预设时间段内的用户位置数据划分到各个时间区间内，以此作为时间区间内对应的用户位置数据。
步骤302、针对各个时间区间，根据所述时间区间内的用户位置数据确定所述时间区间内的位置中心点及位置中心点密度。
可选的，根据所述时间区间内的用户位置数据确定所述时间区间内的位置中心点，包括：基于预先设定的聚类算法对所述时间区间内的用户位置数据进行聚类，根据聚类结果确定聚类中心点；将所述聚类中心点作为所述时间区间内的位置中心点。这样设置的好处在于，可以准确、快速地确定出各个时间区间内用户位置数据的位置中心点。
示例性的，分别对各个时间区间内的用户位置数据进行聚类分析，根据分析结果确定聚类中心点，并将聚类中心点作为时间区间内的位置中心点。可以理解的是，可以针对每个时间区间内的位置数据获取对应的位置中心点，因此，时间区间的数量与位置中心点的数量相同。需要说明的是，本发明是实施例对预先设定的聚类算法不做限定，可以是基于位置的聚类算法，如Kmeans，Kmedians，还可以是层次聚类算法，如agglomerative，还可以是基于模型的聚类，如GMM或基于神经网络的算法。
可选的，根据所述时间区间内的用户位置数据确定所述时间区间内的位置中心点密度，包括：针对各个位置中心点，从所述位置中心点对应的时间区间内的用户位置数据中确定与所述位置中心点的距离小于预设距离阈值的目标位置数据；根据所述目标位置数据以及所述时间区间内的用户位置数据计算位置中心点密度。
示例性的，在分别确定了各个时间区间内的位置中心点之后，针对各个位置中心点，从位置中心点对应的时间区间内的用户位置数据中确定与位置中心点的距离小于预设距离阈值的用户位置数据，将与位置中心点的距离小于预设距离阈值的用户位置数据作为目标位置数据。需要说明的是，本发明实施例对预设距离阈值的大小不做限定，例如，预设距离阈值可设定为1km。然后，针对各个时间区间，分别根据各个时间区间内的目标位置数据以及用户位置数据计算位置中心点密度。可选的，根据所述目标位置数据以及所述时间区间内的用户位置数据计算位置中心点密度，包括：确定目标位置数据出现的第一频次以及所述时间区间内的用户位置数据出现的第二频次；计算所述第一频次与第二频次的比值，并将所述比值作为位置中心点密度。示例性的，针对各个时间区间，确定时间区间内目标位置数据出现的第一频次，其中，第一频次可以理解为目标位置数据的数量和，并统计时间区间内所有用户位置数据出现的第二频次，其中，第二频次可以理解为时间区间内所有用户位置数据的数量总和。计算第一频次与第二频次的比值，并将该比值作为对应时间区间内的位置中心点密度。
步骤103、将各个时间区间内的位置中心点构造的轨迹点向量和各个时间区间内的位置中心点密度构造的轨迹密度向量作为用户轨迹特征。
示例性的，获取的至少两个时间区间内的用户位置数据为0-4点，4-8点，8-12点，12-16点，16-20点，20-24点这6个时间区间内的用户位置数据，对这6个时间区间进行编号，分别为1，2，3，4，5及6，且获取用户位置数据为用户a的位置数据。通过上述步骤102确定的各个时间区间的位置中心点及位置中心点密度如下表所示：
根据上表可知，各个时间区间的位置中心点分别为wwgqfcng0gbk，wwgqfcnfc1e5，wwgqfcng0p8f，wwgqfcng0su6，wwgqfcng42gb及wwgqfcng0xjq，则构造的轨迹点向量为[wwgqfcng0gbk，wwgqfcnfc1e5，wwgqfcng0p8f，wwgqfcng0su6，wwgqfcng42gb，wwgqfcng0xjq]，其中，各个时间区间内的位置中心点反映了用户在各个不同时间段内最可能出现的位置。通过上述步骤102确定的各个时间区间内的位置中心点密度分别为0.83，0.59，0.64，0.78，0.92及0.85，则构造的轨迹密度向量为[0.83，0.59，0.64，0.78，0.92，0.85]，其中，各个时间区间内的位置中心点密度反映了用户在各个时间段内出现在对应位置中心点的概率。
图2为本发明实施例提供的基于各个时间区间内的位置中心点构造的用户轨迹示意图。
本发明实施例中提供的轨迹特征的提取方法，获取至少两个时间区间内的用户位置数据，并针对各个时间区间，根据时间区间内的用户位置数据确定时间区间内的位置中心点及位置中心点密度，最后将各个时间区间内的位置中心点构造的轨迹点向量和各个时间区间内的位置中心点密度构造的轨迹密度向量作为用户轨迹特征。通过采用上述技术手段，能够将离散非结构化的用户位置数据转化为结构化、标准化的用户行为轨迹特征，从而准确地刻画出用户的日常行为轨迹，有利于后续轨迹数据的深度挖掘及应用。
图3为本发明实施例提供的另一种轨迹特征的提取方法的流程示意图，如图3所示，该方法包括如下步骤：
步骤301、获取预设时间段内的用户位置数据集。
步骤302、获取按照预设时间划分规则确定的至少两个时间区间。
其中，至少两个时间区间连续。
步骤303、从用户位置数据集中提取各个时间区间内的用户位置数据。
步骤304、针对各个时间区间，基于预先设定的聚类算法对时间区间内的用户位置数据进行聚类，根据聚类结果确定聚类中心点，并将聚类中心点作为时间区间内的位置中心点。
步骤305、针对各个位置中心点，从位置中心点对应的时间区间内的用户位置数据中确定与位置中心点的距离小于预设距离阈值的目标位置数据。
步骤306、确定目标位置数据出现的第一频次以及时间区间内的用户位置数据出现的第二频次。
步骤307、计算第一频次与第二频次的比值，并将比值作为位置中心点密度。
步骤308、将各个时间区间内的位置中心点构造的轨迹点向量和各个时间区间内的位置中心点密度构造的轨迹密度向量作为用户轨迹特征。
本发明实施例提供的轨迹特征的提取方法，能够将离散非结构化的用户位置数据转化为结构化、标准化的用户行为轨迹特征，从而准确地刻画出用户的日常行为轨迹，有利于后续用户位置信息的定量计算与应用，如用户轨迹相似度计算，用户轨迹异常判断，用户是否处于度假旅行中等深度用户画像标签的挖掘。
图4为本发明实施例提供的一种轨迹特征的提取装置的结构框图，该装置可由软件和/或硬件实现，一般集成在终端中，可通过执行轨迹特征的提取方法来进行轨迹特征的提取。如图4所示，该装置包括：
用户位置数据获取模块401，用于获取至少两个时间区间内的用户位置数据；
位置中心点及密度确定模块402，用于针对各个时间区间，根据所述时间区间内的用户位置数据确定所述时间区间内的位置中心点及位置中心点密度；
用户轨迹特征提取模块403，用于将各个时间区间内的位置中心点构造的轨迹点向量和各个时间区间内的位置中心点密度构造的轨迹密度向量作为用户轨迹特征。
本发明实施例中提供的轨迹特征的提取装置，获取至少两个时间区间内的用户位置数据，并针对各个时间区间，根据时间区间内的用户位置数据确定时间区间内的位置中心点及位置中心点密度，最后将各个时间区间内的位置中心点构造的轨迹点向量和各个时间区间内的位置中心点密度构造的轨迹密度向量作为用户轨迹特征。通过采用上述技术手段，能够将离散非结构化的用户位置数据转化为结构化、标准化的用户行为轨迹特征，从而准确地刻画出用户的日常行为轨迹，有利于后续轨迹数据的深度挖掘及应用。
可选的，所述用户位置数据获取模块，用于：
获取预设时间段内的用户位置数据集；
获取按照预设时间划分规则确定的至少两个时间区间；
从所述用户位置数据集中提取各个时间区间内的用户位置数据。
可选的，所述位置中心点及密度确定模块，用于：
基于预先设定的聚类算法对所述时间区间内的用户位置数据进行聚类，根据聚类结果确定聚类中心点；
将所述聚类中心点作为所述时间区间内的位置中心点。
可选的，所述位置中心点及密度确定模块，包括：
目标位置数据确定单元，用于针对各个位置中心点，从所述位置中心点对应的时间区间内的用户位置数据中确定与所述位置中心点的距离小于预设距离阈值的目标位置数据；
中心点密度计算单元，用于根据所述目标位置数据以及所述时间区间内的用户位置数据计算位置中心点密度。
可选的，所述中心点密度计算单元，用于：
确定目标位置数据出现的第一频次以及所述时间区间内的用户位置数据出现的第二频次；
计算所述第一频次与第二频次的比值，并将所述比值作为位置中心点密度。
可选的，所述至少两个时间区间连续。
本发明实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行轨迹特征的提取方法，该方法包括：
获取至少两个时间区间内的用户位置数据；
针对各个时间区间，根据所述时间区间内的用户位置数据确定所述时间区间内的位置中心点及位置中心点密度；
将各个时间区间内的位置中心点构造的轨迹点向量和各个时间区间内的位置中心点密度构造的轨迹密度向量作为用户轨迹特征。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDRRAM、SRAM、EDORAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的第一计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的轨迹特征的提取操作，还可以执行本发明任意实施例所提供的轨迹特征的提取方法中的相关操作。
本发明实施例提供了一种终端，该终端中可集成本发明实施例提供的轨迹特征的提取装置。图5为本发明实施例提供的一种终端的结构框图。终端500可以包括：存储器501，处理器502及存储在存储器501上并可在处理器运行的计算机程序，所述处理器502执行所述计算机程序时实现如本发明实施例所述的轨迹特征的提取方法。
本发明实施例中提供的终端，获取至少两个时间区间内的用户位置数据，并针对各个时间区间，根据时间区间内的用户位置数据确定时间区间内的位置中心点及位置中心点密度，最后将各个时间区间内的位置中心点构造的轨迹点向量和各个时间区间内的位置中心点密度构造的轨迹密度向量作为用户轨迹特征。通过采用上述技术手段，能够将离散非结构化的用户位置数据转化为结构化、标准化的用户行为轨迹特征，从而准确地刻画出用户的日常行为轨迹，有利于后续轨迹数据的深度挖掘及应用。
上述实施例中提供的轨迹特征的提取装置、存储介质及终端可执行本发明任意实施例所提供的轨迹特征的提取方法，具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的轨迹特征的提取方法。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种轨迹特征的提取方法，其特征在于，包括：
获取至少两个时间区间内的用户位置数据；
针对各个时间区间，根据所述时间区间内的用户位置数据确定所述时间区间内的位置中心点及位置中心点密度；
将各个时间区间内的位置中心点构造的轨迹点向量和各个时间区间内的位置中心点密度构造的轨迹密度向量作为用户轨迹特征。
2.根据权利要求1所述的方法，其特征在于，获取至少两个时间区间内的用户位置数据，包括：
获取预设时间段内的用户位置数据集；
获取按照预设时间划分规则确定的至少两个时间区间；
从所述用户位置数据集中提取各个时间区间内的用户位置数据。
3.根据权利要求1所述的方法，其特征在于，根据所述时间区间内的用户位置数据确定所述时间区间内的位置中心点，包括：
基于预先设定的聚类算法对所述时间区间内的用户位置数据进行聚类，根据聚类结果确定聚类中心点；
将所述聚类中心点作为所述时间区间内的位置中心点。
4.根据权利要求3所述的方法，其特征在于，根据所述时间区间内的用户位置数据确定所述时间区间内的位置中心点密度，包括：
针对各个位置中心点，从所述位置中心点对应的时间区间内的用户位置数据中确定与所述位置中心点的距离小于预设距离阈值的目标位置数据；
根据所述目标位置数据以及所述时间区间内的用户位置数据计算位置中心点密度。
5.根据权利要求4所述的方法，其特征在于，根据所述目标位置数据以及所述时间区间内的用户位置数据计算位置中心点密度，包括：
确定目标位置数据出现的第一频次以及所述时间区间内的用户位置数据出现的第二频次；
计算所述第一频次与第二频次的比值，并将所述比值作为位置中心点密度。
6.根据权利要求1-5任一所述的方法，其特征在于，所述至少两个时间区间连续。
7.一种轨迹特征的提取装置，其特征在于，包括：
用户位置数据获取模块，用于获取至少两个时间区间内的用户位置数据；
位置中心点及密度确定模块，用于针对各个时间区间，根据所述时间区间内的用户位置数据确定所述时间区间内的位置中心点及位置中心点密度；
用户轨迹特征提取模块，用于将各个时间区间内的位置中心点构造的轨迹点向量和各个时间区间内的位置中心点密度构造的轨迹密度向量作为用户轨迹特征。
8.根据权利要求7所述的装置，其特征在于，所述用户位置数据获取模块，用于：
获取预设时间段内的用户位置数据集；
获取按照预设时间划分规则确定的至少两个时间区间；
从所述用户位置数据集中提取各个时间区间内的用户位置数据。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6任一所述的轨迹特征的提取方法。
10.一种终端，其特征在于，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-6任一所述的轨迹特征的提取方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010047669.1A CN111274475A (zh) | 2020-01-16 | 2020-01-16 | 轨迹特征的提取方法、装置、存储介质及终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010047669.1A CN111274475A (zh) | 2020-01-16 | 2020-01-16 | 轨迹特征的提取方法、装置、存储介质及终端 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111274475A true CN111274475A (zh) | 2020-06-12 |
Family
ID=71003461
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010047669.1A Pending CN111274475A (zh) | 2020-01-16 | 2020-01-16 | 轨迹特征的提取方法、装置、存储介质及终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111274475A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105138779A (zh) * | 2015-08-31 | 2015-12-09 | 武汉大学 | 车载gps时空轨迹大数据优选方法及系统 |
| CN106506705A (zh) * | 2016-12-29 | 2017-03-15 | 平安科技（深圳）有限公司 | 基于位置服务的人群分类方法及装置 |
| CN107770744A (zh) * | 2017-09-18 | 2018-03-06 | 上海世脉信息科技有限公司 | 大数据环境下出行od节点识别和节点间路径提取方法 |
| CN109033011A (zh) * | 2018-06-19 | 2018-12-18 | 东软集团股份有限公司 | 计算轨迹频繁度的方法、装置、存储介质及电子设备 |
| CN109165527A (zh) * | 2018-08-28 | 2019-01-08 | 东北大学 | 支持个性化隐私的轨迹敏感数据保护方法 |
| CN110070565A (zh) * | 2019-03-12 | 2019-07-30 | 杭州电子科技大学 | 一种基于图像叠加的船舶轨迹预测方法 |
-
2020
- 2020-01-16 CN CN202010047669.1A patent/CN111274475A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105138779A (zh) * | 2015-08-31 | 2015-12-09 | 武汉大学 | 车载gps时空轨迹大数据优选方法及系统 |
| CN106506705A (zh) * | 2016-12-29 | 2017-03-15 | 平安科技（深圳）有限公司 | 基于位置服务的人群分类方法及装置 |
| CN107770744A (zh) * | 2017-09-18 | 2018-03-06 | 上海世脉信息科技有限公司 | 大数据环境下出行od节点识别和节点间路径提取方法 |
| CN109033011A (zh) * | 2018-06-19 | 2018-12-18 | 东软集团股份有限公司 | 计算轨迹频繁度的方法、装置、存储介质及电子设备 |
| CN109165527A (zh) * | 2018-08-28 | 2019-01-08 | 东北大学 | 支持个性化隐私的轨迹敏感数据保护方法 |
| CN110070565A (zh) * | 2019-03-12 | 2019-07-30 | 杭州电子科技大学 | 一种基于图像叠加的船舶轨迹预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US12073347B2 (en) | User objective assistance technologies | |
| Chen et al. | TrajCompressor: An online map-matching-based trajectory compression framework leveraging vehicle heading direction and change | |
| Dodge et al. | Movement similarity assessment using symbolic representation of trajectories | |
| Yuan et al. | Measuring similarity of mobile phone user trajectories–a Spatio-temporal Edit Distance method | |
| WO2017215370A1 (zh) | 构建决策模型的方法、装置、计算机设备及存储设备 | |
| US9646318B2 (en) | Updating point of interest data using georeferenced transaction data | |
| US20150006148A1 (en) | Automatically Creating Training Data For Language Identifiers | |
| WO2019061656A1 (zh) | 电子装置、基于lbs数据的服务场所推荐方法及存储介质 | |
| WO2021017290A1 (zh) | 基于知识图谱的实体识别数据增强方法及系统 | |
| CN108734022B (zh) | 基于三维网格划分的隐私保护轨迹数据发布方法 | |
| US9754015B2 (en) | Feature rich view of an entity subgraph | |
| CN108834077A (zh) | 基于用户移动特性的跟踪区划分方法、装置及电子设备 | |
| Xu et al. | Map matching based on conditional random fields and route preference mining for uncertain trajectories | |
| CN111291278B (zh) | 轨迹相似度的计算方法、装置、存储介质及终端 | |
| CN103077201A (zh) | 一种基于互联网主动迭代探测的未知位置估算方法 | |
| CN113360789B (zh) | 兴趣点数据处理方法、装置、电子设备及存储介质 | |
| EP4102391A1 (en) | Road data processing method and apparatus, and device and storage medium | |
| CN111274475A (zh) | 轨迹特征的提取方法、装置、存储介质及终端 | |
| CN115563522B (zh) | 交通数据的聚类方法、装置、设备及介质 | |
| WO2018099177A1 (zh) | 一种扩展潜在用户的方法及装置 | |
| CN116303901A (zh) | 一种基于文本聚类的环境公告信息提取方法和装置 | |
| CN111611337B (zh) | 终端数据处理系统 | |
| CN111859191B (zh) | Gis服务聚合方法、装置、计算机设备和存储介质 | |
| CN114779299A (zh) | 一种节点地震仪器精准定位方法 | |
| CN111611336B (zh) | 终端数据处理系统 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210421 Address after: 518000 room 602, building B, Kingdee Software Park, Keji South 12th Road, high tech Zone, Yuehai street, Nanshan District, Shenzhen City, Guangdong Province Applicant after: Shenzhen kaniu Technology Co.,Ltd. Address before: 518000 Guangdong city of Shenzhen province Qianhai Shenzhen Hong Kong cooperation zone before Bay Road No. 1 building 201 room A Applicant before: Shenzhen Qianhai handy Data Service Co.,Ltd. |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200612 |