CN111680102A - 基于人工智能的定位数据处理方法及相关设备 - Google Patents
基于人工智能的定位数据处理方法及相关设备 Download PDFInfo
- Publication number
- CN111680102A CN111680102A CN202010438159.7A CN202010438159A CN111680102A CN 111680102 A CN111680102 A CN 111680102A CN 202010438159 A CN202010438159 A CN 202010438159A CN 111680102 A CN111680102 A CN 111680102A
- Authority
- CN
- China
- Prior art keywords
- points
- positioning
- point
- stop
- candidate
- 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.)
- Granted
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 30
- 238000003672 processing method Methods 0.000 title claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 71
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000007635 classification algorithm Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000004590 computer program Methods 0.000 claims description 12
- 230000002123 temporal effect Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 6
- 230000004807 localization Effects 0.000 claims 1
- 238000010276 construction Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 8
- 238000005457 optimization Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000006073 displacement reaction Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Remote Sensing (AREA)
- Computing Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及人工智能技术领域,提供一种基于人工智能的定位数据处理方法,包括:获取用户终端记录的表示用户出行的多个定位数据;对定位数据进行预处理,获得处理数据;采用聚类算法DBSCAN和K最邻近分类算法KNN,在空间层上对处理数据进行处理,获得包括多个类别的候选区域,其中,每个候选区域包括属于同一类别的多个候选停留点;针对每个类别的候选区域,根据候选区域对应的多个定位点的簇标识,在时间层上对多个候选停留点进行细分处理,获得停留点集合,其中,停留点集合包括用户出行的最终停留点,将停留点集合上传至区块链。本申请可应用于智慧交通场景中,从而推动智慧城市的建设。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于人工智能的定位数据处理方法及相关设备。
背景技术
交通出行量OD分析是为获取用户日常交通出行数据,通过数据分析可挖掘出用户对整个城市交通及其他城市功能需求的特征与分布情况,可对城市交通规划、建设提供信息与决策支持。其中,OD矩阵是一个很关键的分析数据。
OD矩阵即起讫点矩阵,需要知道该市用户在这个时间段内所有交通出行的起点和讫点,即出行停留点。在用户的出行定位数据中存在很多个定位点,如何根据这些定位点来识别用户的出行停留点是一个亟待解决的技术问题。
发明内容
鉴于以上内容,有必要提供一种基于人工智能的定位数据处理方法及相关设备,能够根据定位点来识别用户的出行停留点。
本发明的第一方面提供一种基于人工智能的定位数据处理方法,所述基于人工智能的定位数据处理方法包括:
获取用户终端记录的表示用户出行的多个定位数据;
对所述定位数据进行预处理,获得处理数据;
采用聚类算法DBSCAN和K最邻近分类算法KNN,在空间层上对所述处理数据进行处理,获得包括多个类别的候选区域,其中,每个所述候选区域包括属于同一类别的多个候选停留点;
针对每个类别的所述候选区域,根据所述候选区域对应的多个定位点的簇标识,在时间层上对所述多个候选停留点进行细分处理,获得停留点集合,其中,所述停留点集合包括所述用户出行的最终停留点;
将所述停留点集合上传至区块链。
在一种可能的实现方式中,所述采用聚类算法DBSCAN和K最邻近分类算法KNN,在空间层上对所述处理数据进行处理,获得包括多个类别的候选区域包括:
采用DBSCAN算法,在空间层上对所述处理数据进行处理,获得所述用户出行的多个第一停留点;
采用KNN算法,对所述多个第一停留点进行分类,获得多个类别的第一停留点;
根据属于同一类别的第一停留点,构建候选区域。
在一种可能的实现方式中,所述采用DBSCAN算法,在空间层上对所述处理数据进行处理,获得所述用户出行的多个第一停留点包括:
采用DBSCAN算法,在空间层上,针对所述处理数据中的任一定位点,构建以所述任一定位点为中心,半径为预设的停留点判别距离阈值的邻域;
判断所述邻域内的定位点的数量是否大于或等于预设的停留点判别时间阈值,其中,每个定位点在时间维度上的长度均为一个单位时间;
若所述邻域内的定位点的数量大于或等于预设的停留点判别时间阈值,计算所述邻域内的所有定位点的几何中心点,并将所述几何中心点确定为所述用户出行的第一停留点。
在一种可能的实现方式中,所述采用KNN算法,对所述多个第一停留点进行分类,获得多个类别的第一停留点之后,所述基于人工智能的定位数据处理方法还包括:
判断所述多个类别中是否包括漂移点的类别;
若所述多个类别中包括漂移点的类别,将包括漂移点的类别删除;
所述根据属于同一类别的第一停留点,构建候选区域包括:
针对删除包括漂移点的类别后的其他类别的第一停留点,根据属于同一类别的第一停留点,构建候选区域。
在一种可能的实现方式中,所述采用KNN算法,对所述多个第一停留点进行分类,获得多个类别的第一停留点包括:
针对每个所述第一停留点,获取所述第一停留点对应的多个定位点集合;
采用KNN算法,对所述多个定位点集合中的任一定位点的簇标识进行变更;
将变更后具有相同的簇标识的定位点所对应的第一停留点划分为同一类别。
在一种可能的实现方式中,所述根据所述候选区域对应的多个定位点的簇标识,在时间层上对所述多个候选停留点进行细分处理,获得停留点集合包括:
依次读取所述候选区域对应的任一定位点的第一簇标识;
判断所述第一簇标识是否等于初始化的簇标识,其中,所述初始化的簇标识为到达时间最早的定位点的簇标识;
若所述第一簇标识等于初始化的簇标识,将所述第一簇标识添加至新簇中,直至当前读取的定位点的第一簇标识不等于初始化的簇标识时,判断所述新簇中的定位点的数量是否大于或等于预设的停留点判别时间阈值;
若所述新簇中的定位点的数量大于或等于预设的停留点判别时间阈值,获取当前之前已读取的所有定位点对应的目标候选停留点,并将所述目标候选停留点添加至停留点集合中。
在一种可能的实现方式中,所述基于人工智能的定位数据处理方法还包括:
若当前读取的定位点不是最后一个定位点,设置所述初始化的簇标识为当前读取的定位点的簇标识并进行迭代。
在一种可能的实现方式中,所述基于人工智能的定位数据处理方法还包括:
若所述新簇中的定位点的数量小于预设的停留点判别时间阈值,且当前读取的定位点不是最后一个定位点,设置所述初始化的簇标识为当前读取的定位点的簇标识并进行迭代。
本发明的第二方面提供一种定位数据处理装置,所述定位数据处理装置包括:
获取模块,用于获取用户终端记录的表示用户出行的多个定位数据;
第一处理模块,用于对所述定位数据进行预处理,获得处理数据;
第二处理模块,用于采用聚类算法DBSCAN和K最邻近分类算法KNN,在空间层上对所述处理数据进行处理,获得包括多个类别的候选区域,其中,每个所述候选区域包括属于同一类别的多个候选停留点;
第三处理模块,用于针对每个类别的所述候选区域,根据所述候选区域对应的多个定位点的簇标识,在时间层上对所述多个候选停留点进行细分处理,获得停留点集合,其中,所述停留点集合包括所述用户出行的最终停留点;
上传模块,用于将所述停留点集合上传至区块链。
本发明的第三方面提供一种电子设备,所述电子设备包括处理器和存储器,所述处理器用于执行所述存储器中存储的计算机程序时实现所述的基于人工智能的定位数据处理方法。
本发明的第四方面提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现所述的基于人工智能的定位数据处理方法。
在上述技术方案中,利用DBSCAN算法和KNN算法对定位点在空间层上进行聚类并优化聚类结果,再在时间层上对候选停留点进行划分和取舍,实现了空间-时间的双层聚类,可以有效的对停留点进行识别,同时,去除了部分定位的漂移点,也提高了停留点的识别精度。
附图说明
图1是本发明公开的一种基于人工智能的定位数据处理方法的较佳实施例的流程图。
图2是本发明公开的一种定位数据处理装置的较佳实施例的功能模块图。
图3是本发明实现基于人工智能的定位数据处理方法的较佳实施例的电子设备的结构示意图。
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用以解释本发明,并不用于限定本发明。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。
本申请的说明书和权利要求书中的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
所述电子设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、嵌入式设备等。所述电子设备还可包括网络设备和/或用户设备。其中,所述网络设备包括但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(Cloud Computing)的由大量主机或网络服务器构成的云。所述用户设备包括但不限于任何一种可与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理PDA等。
请参见图1,图1是本发明公开的一种基于人工智能的定位数据处理方法的较佳实施例的流程图。其中,根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
S11、获取用户终端记录的表示用户出行的多个定位数据。
其中,定位数据包括定位点所处的地理位置以及每个定位点的到达时间。
S12、对所述定位数据进行预处理,获得处理数据。
具体的,所述对所述定位数据进行预处理,获得处理数据包括:
对所述定位数据进行等时间间隔化处理,获得中间数据;
对所述中间数据中的漂移数据进行删除,获得处理数据。
其中,预处理可以包括等时间间隔化处理,比如将一段时间的定位数据按照预设的时间间隔(如10min)进行划分,预处理还包括对漂移数据的删除处理,其中,漂移数据包括漂移点,通常,移动速度大于城市交通最大速度的定位点通常是漂移点。漂移点的存在会极大地影响停留点的识别效果,因此需要删除。
S13、采用聚类算法DBSCAN和K最邻近分类算法KNN,在空间层上对所述处理数据进行处理,获得包括多个类别的候选区域,其中,每个所述候选区域包括属于同一类别的多个候选停留点。
其中,DBSCAN(Density-Based Spatial Clustering of Applications withNoise)是一个比较有代表性的基于密度的聚类算法。它的目的是将低密度部分过滤掉,将高密度样本点识别出来,该聚类算法不仅可以识别出任意形状和大小的簇、而且具有较高的抗干扰性。DBSCAN聚类算法的主要思想是:从样本点集合D中选取一个未经处理的样本点P,检测点P的Eps.邻域内的样本点来搜索满足要求的簇,如果点P的Eps.邻域内的点数大于等于MinPts,则判定点P属于核心点,并根据该核心点P创建一个新簇C,然后从样本点集合D中搜索所有从核心点P出发直接密度可达的点,当所有点均处理完毕后聚类结束。
本发明实施例中,用户在某个地点停留时间的长短就可以由定位点在空间上的密度的高低得到,因此,可以利用基于密度的DBSCAN算法对定位点在空间层上聚类,初步实现用户出行候选停留点的获取。
其中,邻近算法或K最近邻(k-NearestNeighbor,kNN)分类算法是数据挖掘分类技术中最简单的方法之一。KNN的主要思想是:对于一个给定的样本,如果与此样本相距最近的K个实例中大部分属于某个类别,则判定此样本同样属于这个类别。
本发明实施例中,由于用户终端的定位数据是非等时、不均匀采集的,并且连续两条定位数据采集的时间间隔有时候较大,这使得即使某个定位点与前一定位点之间的位移速度小于城市交通最大速度,但该定位点仍然可能是漂移点,因此仅仅根据两个定位点之间的位移速度无法识别出全部的定位漂移点,而这些定位漂移点的存在会极大地影响停留点的识别效果,它们的存在可能会将一个长时停留点划分为多个短时停留点,甚至可能会导致一部分停留点根本无法被识别出来。因此,为了更精确地识别出用户出行的停留点,需要利用KNN算法的思想对聚类结果进行优化。
具体的,所述采用聚类算法DBSCAN和K最邻近分类算法KNN,在空间层上对所述处理数据进行处理,获得包括多个类别的候选区域包括:
采用DBSCAN算法,在空间层上对所述处理数据进行处理,获得所述用户出行的多个第一停留点;
采用KNN算法,对所述多个第一停留点进行分类,获得多个类别的第一停留点;
根据属于同一类别的第一停留点,构建候选区域。
其中,采用DBSCAN算法,获得是初步识别的多个第一停留点,由于处理数据中难免还存在漂移点,还需要采用KNN算法,对所述多个第一停留点进行进一步的优化分类。
具体的,所述采用DBSCAN算法,在空间层上对所述处理数据进行处理,获得所述用户出行的多个第一停留点包括:
采用DBSCAN算法,在空间层上,针对所述处理数据中的任一定位点,构建以所述任一定位点为中心,半径为预设的停留点判别距离阈值的邻域;
判断所述邻域内的定位点的数量是否大于或等于预设的停留点判别时间阈值,其中,每个定位点在时间维度上的长度均为一个单位时间;
若所述邻域内的定位点的数量大于或等于预设的停留点判别时间阈值,计算所述邻域内的所有定位点的几何中心点,并将所述几何中心点确定为所述用户出行的第一停留点。
由于用户终端定位存在一定程度的误差,即使用户的位置不动其定位结果也会出现一定程度的改变;而根据交通对出行的界定,出行是指交乘坐通工具行驶超出500米或者步行耗时超出5分钟的活动,因此,从定位数据上反映出来的小范围内用户的位置移动并不意味着用户进行了一次出行。基于以上考虑,可以设置停留点判别距离阈值为500米,停留点判别时间阈值为5分钟。
可以定义用户的停留点为:对于任一定位点P,如果以点P为中心、半径为R(停留点判别距离阈值)的邻域内的定位点的数量N大于或等于停留点判别时间阈值,则称R.邻域内所有的定位点的几何中心点为停留点,到达该停留点的时间为R.邻域中的第一个定位点的到达时间,停留时长为N(单位时间)。其中,每个定位点在时间维度上的长度相同,都为一个单位时间,点P的R.邻域内的定位点的数量N也就是该停留点的停留时长。
可选的,所述采用KNN算法,对所述多个第一停留点进行分类,获得多个类别的第一停留点之后,所述方法还包括:
判断所述多个类别中是否包括漂移点的类别;
若所述多个类别中包括漂移点的类别,将包括漂移点的类别删除;
所述根据属于同一类别的第一停留点,构建候选区域包括:
针对删除包括漂移点的类别后的其他类别的第一停留点,根据属于同一类别的第一停留点,构建候选区域。
其中,采用KNN算法,对所述多个第一停留点进行分类,可以将包括漂移点的划分为一类,为了降低漂移点对停留点的识别效果,可以将包括漂移点的类别删除之后,在针对剩余的类别,来进一步优化。
具体的,所述采用KNN算法,对所述多个第一停留点进行分类,获得多个类别的第一停留点包括:
针对每个所述第一停留点,获取所述第一停留点对应的多个定位点集合;
采用KNN算法,对所述多个定位点集合中的任一定位点的簇标识进行变更;
将变更后具有相同的簇标识的定位点所对应的第一停留点划分为同一类别。
其中,基于KNN算法思想对聚类结果进行优化的具体步骤如下:
1)令集合D={p1,p2,…,pn}表示空间层聚类后的定位点集合,初始化KNN算法中的参数K为4,初始化i=3;
2)选取定位点pi进行优化处理:检查点pi前、后各K/2个定位点的簇标识ID,如果某个簇ID出现的次数超过K/2,则将点pi的簇ID变更为该簇ID,将点pi的经纬度值更改为簇ID簇的簇中心的经纬度值,否则,点pi的簇ID保持不变;
3)i=i+1,若i=n-2则优化结束,否则转入步骤2)。
其中,每个定位点数据中都包含一个簇ID字段,通过上述步骤,可以将具有相同的簇ID的定位点所对应的第一停留点划分为同一类别,实现了对DBSCAN算法的聚类结果的进一步优化。
S14、针对每个类别的所述候选区域,根据所述候选区域对应的多个定位点的簇标识,在时间层上对所述多个候选停留点进行细分处理,获得停留点集合,其中,所述停留点集合包括所述用户出行的最终停留点。
其中,对用户出行定位点进行聚类并优化后,从用户终端的定位数据中提取出了用户出行的候选停留点。由于在空间维度上相近的定位点在时间维度上可能相距较远,例如某用户上午在地点A工作,中午离开地点A吃午饭,下午继续回到地点A工作,仅在空间层上对该用户的轨迹点聚类会将其上午和下午的工作地点A聚为同一个簇,即只能识别出一个候选停留点,但实际上该用户在地点A停留了两次,从理论上来说应该有两个停留点,因此需要在时间维度上对候选停留点经过进一步地处理,才能得到用户出行的最终停留点。
本发明实施例中,在空间层聚类并优化后所提取出的候选停留点的基础上,在时间层上聚类以对候选停留点进行划分和取舍。
具体的,所述根据所述候选区域对应的多个定位点的簇标识,在时间层上对所述多个候选停留点进行细分处理,获得停留点集合包括:
依次读取所述候选区域对应的任一定位点的第一簇标识;
判断所述第一簇标识是否等于初始化的簇标识,其中,所述初始化的簇标识为到达时间最早的定位点的簇标识;
若所述第一簇标识等于初始化的簇标识,将所述第一簇标识添加至新簇中,直至当前读取的定位点的第一簇标识不等于初始化的簇标识时,判断所述新簇中的定位点的数量是否大于或等于预设的停留点判别时间阈值;
若所述新簇中的定位点的数量大于或等于预设的停留点判别时间阈值,获取当前之前已读取的所有定位点对应的目标候选停留点,并将所述目标候选停留点添加至停留点集合中。
可选的,所述方法还包括:
若当前读取的定位点不是最后一个定位点,设置所述初始化的簇标识为当前读取的定位点的簇标识并进行迭代。
可选的,所述方法还包括:
若所述新簇中的定位点的数量小于预设的停留点判别时间阈值,且当前读取的定位点不是最后一个定位点,设置所述初始化的簇标识为当前读取的定位点的簇标识并进行迭代。
其中,针对每个候选区域,在时间层上的具体实现步骤如下:
1)初始化参数i=0、j=i、num=0,初始化簇标识cid,令cid表示第一个定位点(即到达时间最早的定位点)的簇ID,停留点集合SP初始为空集;
2)创建一个新簇C;
3)令i=i+1,读取一条定位数据pi,判断pi的簇ID是否等于cid。如果相等,则将点pi加入簇C中,转入步骤3);如果不等,转入步骤4);
4)如果新簇C中的定位点的数量N大于等于停留点判别时间阈值,获取当前之前已读取的所有定位点对应的目标候选停留点,即预先已经计算得到的定位点{pj,pj+1,…,pi-1}的几何中心点,其中,目标候选停留点的到达时间为pi的定位时间,停留时长为N(分钟),将该目标候选停留点添加到停留点集合SP中,然后转入步骤5);如果新簇C中的定位点的数量N小于停留点判别时间阈值,则直接转入步骤5);
5)如果pi不是最后一个点,则令cid=pi的簇ID,j=i,然后转入步骤2);否则,时间层聚类结束。
可选的,所述方法还包括:
按照所述停留点集合包括的最终停留点的到达时间先后顺序,对所述最终停留点进行连接,获得所述用户出行的出行链。
其中,上述步骤1)-5)是按照定位点的到达时间的升序进行迭代,因此,获得的停留点集合SP中的最终停留点也是按照时间升序进行排列的,可以直接对所述停留点集合包括的最终停留点进行连接,获得所述用户出行的出行链。
S15、将所述停留点集合上传至区块链。
其中,最后获得的停留点集合可以上传至区块链,通过区块链来保存停留点集合中的数据,可以确保数据的私密性和安全性。
在图1所描述的方法流程中,利用DBSCAN算法和KNN算法对定位点在空间层上进行聚类并优化聚类结果,再在时间层上对候选停留点进行划分和取舍,实现了空间-时间的双层聚类,可以有效的对停留点进行识别,同时,去除了部分定位的漂移点,也提高了停留点的识别精度。
以上所述,仅是本发明的具体实施方式,但本发明的保护范围并不局限于此,对于本领域的普通技术人员来说,在不脱离本发明创造构思的前提下,还可以做出改进,但这些均属于本发明的保护范围。
请参见图2,图2是本发明公开的一种定位数据处理装置的较佳实施例的功能模块图。
在一些实施例中,所述定位数据处理装置运行于电子设备中。所述定位数据处理装置可以包括多个由程序代码段所组成的功能模块。所述定位数据处理装置中的各个程序段的程序代码可以存储于存储器中,并由至少一个处理器所执行,以执行图1所描述的基于人工智能的定位数据处理方法中的部分或全部步骤。
本实施例中,所述定位数据处理装置根据其所执行的功能,可以被划分为多个功能模块。所述功能模块可以包括:获取模块201、第一处理模块202、第二处理模块203、第三处理模块204及上传模块205。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段,其存储在存储器中。在一些实施例中,关于各模块的功能将在本实施例中详述。
获取模块201,用于获取用户终端记录的表示用户出行的多个定位数据。
其中,定位数据包括定位点所处的地理位置以及每个定位点的到达时间。
第一处理模块202,用于对所述定位数据进行预处理,获得处理数据。
具体的,所述对所述定位数据进行预处理,获得处理数据包括:
对所述定位数据进行等时间间隔化处理,获得中间数据;
对所述中间数据中的漂移数据进行删除,获得处理数据。
其中,预处理可以包括等时间间隔化处理,比如将一段时间的定位数据按照预设的时间间隔(如10min)进行划分,预处理还包括对漂移数据的删除处理,其中,漂移数据包括漂移点,通常,移动速度大于城市交通最大速度的定位点通常是漂移点。漂移点的存在会极大地影响停留点的识别效果,因此需要删除。
第二处理模块203,用于采用聚类算法DBSCAN和K最邻近分类算法KNN,在空间层上对所述处理数据进行处理,获得包括多个类别的候选区域,其中,每个所述候选区域包括属于同一类别的多个候选停留点。
其中,DBSCAN(Density-Based Spatial Clustering of Applications withNoise)是一个比较有代表性的基于密度的聚类算法。它的目的是将低密度部分过滤掉,将高密度样本点识别出来,该聚类算法不仅可以识别出任意形状和大小的簇、而且具有较高的抗干扰性。DBSCAN聚类算法的主要思想是:从样本点集合D中选取一个未经处理的样本点P,检测点P的Eps.邻域内的样本点来搜索满足要求的簇,如果点P的Eps.邻域内的点数大于等于MinPts,则判定点P属于核心点,并根据该核心点P创建一个新簇C,然后从样本点集合D中搜索所有从核心点P出发直接密度可达的点,当所有点均处理完毕后聚类结束。
本发明实施例中,用户在某个地点停留时间的长短就可以由定位点在空间上的密度的高低得到,因此,可以利用基于密度的DBSCAN算法对定位点在空间层上聚类,初步实现用户出行候选停留点的获取。
其中,邻近算法或K最近邻(k-NearestNeighbor,kNN)分类算法是数据挖掘分类技术中最简单的方法之一。KNN的主要思想是:对于一个给定的样本,如果与此样本相距最近的K个实例中大部分属于某个类别,则判定此样本同样属于这个类别。
本发明实施例中,由于用户终端的定位数据是非等时、不均匀采集的,并且连续两条定位数据采集的时间间隔有时候较大,这使得即使某个定位点与前一定位点之间的位移速度小于城市交通最大速度,但该定位点仍然可能是漂移点,因此仅仅根据两个定位点之间的位移速度无法识别出全部的定位漂移点,而这些定位漂移点的存在会极大地影响停留点的识别效果,它们的存在可能会将一个长时停留点划分为多个短时停留点,甚至可能会导致一部分停留点根本无法被识别出来。因此,为了更精确地识别出用户出行的停留点,需要利用KNN算法的思想对聚类结果进行优化。
具体的,所述采用聚类算法DBSCAN和K最邻近分类算法KNN,在空间层上对所述处理数据进行处理,获得包括多个类别的候选区域包括:
采用DBSCAN算法,在空间层上对所述处理数据进行处理,获得所述用户出行的多个第一停留点;
采用KNN算法,对所述多个第一停留点进行分类,获得多个类别的第一停留点;
根据属于同一类别的第一停留点,构建候选区域。
其中,采用DBSCAN算法,获得是初步识别的多个第一停留点,由于处理数据中难免还存在漂移点,还需要采用KNN算法,对所述多个第一停留点进行进一步的优化分类。
具体的,所述采用DBSCAN算法,在空间层上对所述处理数据进行处理,获得所述用户出行的多个第一停留点包括:
采用DBSCAN算法,在空间层上,针对所述处理数据中的任一定位点,构建以所述任一定位点为中心,半径为预设的停留点判别距离阈值的邻域;
判断所述邻域内的定位点的数量是否大于或等于预设的停留点判别时间阈值,其中,每个定位点在时间维度上的长度均为一个单位时间;
若所述邻域内的定位点的数量大于或等于预设的停留点判别时间阈值,计算所述邻域内的所有定位点的几何中心点,并将所述几何中心点确定为所述用户出行的第一停留点。
由于用户终端定位存在一定程度的误差,即使用户的位置不动其定位结果也会出现一定程度的改变;而根据交通对出行的界定,出行是指交乘坐通工具行驶超出500米或者步行耗时超出5分钟的活动,因此,从定位数据上反映出来的小范围内用户的位置移动并不意味着用户进行了一次出行。基于以上考虑,可以设置停留点判别距离阈值为500米,停留点判别时间阈值为5分钟。
可以定义用户的停留点为:对于任一定位点P,如果以点P为中心、半径为R(停留点判别距离阈值)的邻域内的定位点的数量N大于或等于停留点判别时间阈值,则称R.邻域内所有的定位点的几何中心点为停留点,到达该停留点的时间为R.邻域中的第一个定位点的到达时间,停留时长为N(单位时间)。其中,每个定位点在时间维度上的长度相同,都为一个单位时间,点P的R.邻域内的定位点的数量N也就是该停留点的停留时长。
其中,采用KNN算法,对所述多个第一停留点进行分类,可以将包括漂移点的划分为一类,为了降低漂移点对停留点的识别效果,可以将包括漂移点的类别删除之后,在针对剩余的类别,来进一步优化。
具体的,所述采用KNN算法,对所述多个第一停留点进行分类,获得多个类别的第一停留点包括:
针对每个所述第一停留点,获取所述第一停留点对应的多个定位点集合;
采用KNN算法,对所述多个定位点集合中的任一定位点的簇标识进行变更;
将变更后具有相同的簇标识的定位点所对应的第一停留点划分为同一类别。
其中,基于KNN算法思想对聚类结果进行优化的具体步骤如下:
1)令集合D={p1,p2,…,pn}表示空间层聚类后的定位点集合,初始化KNN算法中的参数K为4,初始化i=3;
2)选取定位点pi进行优化处理:检查点pi前、后各K/2个定位点的簇标识ID,如果某个簇ID出现的次数超过K/2,则将点pi的簇ID变更为该簇ID,将点pi的经纬度值更改为簇ID簇的簇中心的经纬度值,否则,点pi的簇ID保持不变;
3)i=i+1,若i=n-2则优化结束,否则转入步骤2)。
其中,每个定位点数据中都包含一个簇ID字段,通过上述步骤,可以将具有相同的簇ID的定位点所对应的第一停留点划分为同一类别,实现了对DBSCAN算法的聚类结果的进一步优化。
第三处理模块204,用于针对每个类别的所述候选区域,根据所述候选区域对应的多个定位点的簇标识,在时间层上对所述多个候选停留点进行细分处理,获得停留点集合,其中,所述停留点集合包括所述用户出行的最终停留点。
其中,对用户出行定位点进行聚类并优化后,从用户终端的定位数据中提取出了用户出行的候选停留点。由于在空间维度上相近的定位点在时间维度上可能相距较远,例如某用户上午在地点A工作,中午离开地点A吃午饭,下午继续回到地点A工作,仅在空间层上对该用户的轨迹点聚类会将其上午和下午的工作地点A聚为同一个簇,即只能识别出一个候选停留点,但实际上该用户在地点A停留了两次,从理论上来说应该有两个停留点,因此需要在时间维度上对候选停留点经过进一步地处理,才能得到用户出行的最终停留点。
本发明实施例中,在空间层聚类并优化后所提取出的候选停留点的基础上,在时间层上聚类以对候选停留点进行划分和取舍。
具体的,所述根据所述候选区域对应的多个定位点的簇标识,在时间层上对所述多个候选停留点进行细分处理,获得停留点集合包括:
依次读取所述候选区域对应的任一定位点的第一簇标识;
判断所述第一簇标识是否等于初始化的簇标识,其中,所述初始化的簇标识为到达时间最早的定位点的簇标识;
若所述第一簇标识等于初始化的簇标识,将所述第一簇标识添加至新簇中,直至当前读取的定位点的第一簇标识不等于初始化的簇标识时,判断所述新簇中的定位点的数量是否大于或等于预设的停留点判别时间阈值;
若所述新簇中的定位点的数量大于或等于预设的停留点判别时间阈值,获取当前之前已读取的所有定位点对应的目标候选停留点,并将所述目标候选停留点添加至停留点集合中。
上传模块205,用于将所述停留点集合上传至区块链。
在图2所描述的定位数据处理装置中,利用DBSCAN算法和KNN算法对定位点在空间层上进行聚类并优化聚类结果,再在时间层上对候选停留点进行划分和取舍,实现了空间-时间的双层聚类,可以有效的对停留点进行识别,同时,去除了部分定位的漂移点,也提高了停留点的识别精度。
如图3所示,图3是本发明实现基于人工智能的定位数据处理方法的较佳实施例的电子设备的结构示意图。所述电子设备3包括存储器31、至少一个处理器32、存储在所述存储器31中并可在所述至少一个处理器32上运行的计算机程序33及至少一条通讯总线34。
本领域技术人员可以理解,图3所示的示意图仅仅是所述电子设备3的示例,并不构成对所述电子设备3的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述电子设备3还可以包括输入输出设备、网络接入设备等。
所述至少一个处理器32可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。该处理器32可以是微处理器或者该处理器32也可以是任何常规的处理器等,所述处理器32是所述电子设备3的控制中心,利用各种接口和线路连接整个电子设备3的各个部分。
所述存储器31可用于存储所述计算机程序33和/或模块/单元,所述处理器32通过运行或执行存储在所述存储器31内的计算机程序和/或模块/单元,以及调用存储在存储器31内的数据,实现所述电子设备3的各种功能。所述存储器31可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备3的使用所创建的数据(比如音频数据)等。此外,存储器31可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
结合图1,所述电子设备3中的所述存储器31存储多个指令以实现一种基于人工智能的定位数据处理方法,所述处理器32可执行所述多个指令从而实现:
获取用户终端记录的表示用户出行的多个定位数据;
对所述定位数据进行预处理,获得处理数据;
采用聚类算法DBSCAN和K最邻近分类算法KNN,在空间层上对所述处理数据进行处理,获得包括多个类别的候选区域,其中,每个所述候选区域包括属于同一类别的多个候选停留点;
针对每个类别的所述候选区域,根据所述候选区域对应的多个定位点的簇标识,在时间层上对所述多个候选停留点进行细分处理,获得停留点集合,其中,所述停留点集合包括所述用户出行的最终停留点;
将所述停留点集合上传至区块链。
具体地,所述处理器32对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
在图3所描述的电子设备3中,利用DBSCAN算法和KNN算法对定位点在空间层上进行聚类并优化聚类结果,再在时间层上对候选停留点进行划分和取舍,实现了空间-时间的双层聚类,可以有效的对停留点进行识别,同时,去除了部分定位的漂移点,也提高了停留点的识别精度。
所述电子设备3集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器以及只读存储器(ROM,Read-Only Memory)。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。系统权利要求中陈述的多个单元或装置也可以通过软件或者硬件来实现。
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限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于人工智能的定位数据处理方法,其特征在于,所述基于人工智能的定位数据处理方法包括:
获取用户终端记录的表示用户出行的多个定位数据;
对所述定位数据进行预处理,获得处理数据;
采用聚类算法DBSCAN和K最邻近分类算法KNN,在空间层上对所述处理数据进行处理,获得包括多个类别的候选区域,其中,每个所述候选区域包括属于同一类别的多个候选停留点;
针对每个类别的所述候选区域,根据所述候选区域对应的多个定位点的簇标识,在时间层上对所述多个候选停留点进行细分处理,获得停留点集合,其中,所述停留点集合包括所述用户出行的最终停留点;
将所述停留点集合上传至区块链。
2.根据权利要求1所述的基于人工智能的定位数据处理方法,其特征在于,所述采用聚类算法DBSCAN和K最邻近分类算法KNN,在空间层上对所述处理数据进行处理,获得包括多个类别的候选区域包括:
采用DBSCAN算法,在空间层上对所述处理数据进行处理,获得所述用户出行的多个第一停留点;
采用KNN算法,对所述多个第一停留点进行分类,获得多个类别的第一停留点;
根据属于同一类别的第一停留点,构建候选区域。
3.根据权利要求2所述的基于人工智能的定位数据处理方法,其特征在于,所述采用DBSCAN算法,在空间层上对所述处理数据进行处理,获得所述用户出行的多个第一停留点包括:
采用DBSCAN算法,在空间层上,针对所述处理数据中的任一定位点,构建以所述任一定位点为中心,半径为预设的停留点判别距离阈值的邻域;
判断所述邻域内的定位点的数量是否大于或等于预设的停留点判别时间阈值,其中,每个定位点在时间维度上的长度均为一个单位时间;
若所述邻域内的定位点的数量大于或等于预设的停留点判别时间阈值,计算所述邻域内的所有定位点的几何中心点,并将所述几何中心点确定为所述用户出行的第一停留点。
4.根据权利要求2所述的基于人工智能的定位数据处理方法,其特征在于,所述采用KNN算法,对所述多个第一停留点进行分类,获得多个类别的第一停留点之后,所述基于人工智能的定位数据处理方法还包括:
判断所述多个类别中是否包括漂移点的类别;
若所述多个类别中包括漂移点的类别,将包括漂移点的类别删除;
所述根据属于同一类别的第一停留点,构建候选区域包括:
针对删除包括漂移点的类别后的其他类别的第一停留点,根据属于同一类别的第一停留点,构建候选区域。
5.根据权利要求2所述的基于人工智能的定位数据处理方法,其特征在于,所述采用KNN算法,对所述多个第一停留点进行分类,获得多个类别的第一停留点包括:
针对每个所述第一停留点,获取所述第一停留点对应的多个定位点集合;
采用KNN算法,对所述多个定位点集合中的任一定位点的簇标识进行变更;
将变更后具有相同的簇标识的定位点所对应的第一停留点划分为同一类别。
6.根据权利要求1所述的基于人工智能的定位数据处理方法,其特征在于,所述根据所述候选区域对应的多个定位点的簇标识,在时间层上对所述多个候选停留点进行细分处理,获得停留点集合包括:
依次读取所述候选区域对应的任一定位点的第一簇标识;
判断所述第一簇标识是否等于初始化的簇标识,其中,所述初始化的簇标识为到达时间最早的定位点的簇标识;
若所述第一簇标识等于初始化的簇标识,将所述第一簇标识添加至新簇中,直至当前读取的定位点的第一簇标识不等于初始化的簇标识时,判断所述新簇中的定位点的数量是否大于或等于预设的停留点判别时间阈值;
若所述新簇中的定位点的数量大于或等于预设的停留点判别时间阈值,获取当前之前已读取的所有定位点对应的目标候选停留点,并将所述目标候选停留点添加至停留点集合中。
7.根据权利要求6所述的基于人工智能的定位数据处理方法,其特征在于,所述基于人工智能的定位数据处理方法还包括:
若当前读取的定位点不是最后一个定位点,设置所述初始化的簇标识为当前读取的定位点的簇标识并进行迭代。
8.一种定位数据处理装置,其特征在于,所述定位数据处理装置包括:
获取模块,用于获取用户终端记录的表示用户出行的多个定位数据;
第一处理模块,用于对所述定位数据进行预处理,获得处理数据;
第二处理模块,用于采用聚类算法DBSCAN和K最邻近分类算法KNN,在空间层上对所述处理数据进行处理,获得包括多个类别的候选区域,其中,每个所述候选区域包括属于同一类别的多个候选停留点;
第三处理模块,用于针对每个类别的所述候选区域,根据所述候选区域对应的多个定位点的簇标识,在时间层上对所述多个候选停留点进行细分处理,获得停留点集合,其中,所述停留点集合包括所述用户出行的最终停留点;
上传模块,用于将所述停留点集合上传至区块链。
9.一种电子设备,其特征在于,所述电子设备包括处理器和存储器,所述处理器用于执行存储器中存储的计算机程序以实现如权利要求1至7中任意一项所述的基于人工智能的定位数据处理方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有至少一个指令,所述至少一个指令被处理器执行时实现如权利要求1至7任意一项所述的基于人工智能的定位数据处理方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010438159.7A CN111680102B (zh) | 2020-05-21 | 2020-05-21 | 基于人工智能的定位数据处理方法及相关设备 |
PCT/CN2020/104604 WO2021232585A1 (zh) | 2020-05-21 | 2020-07-24 | 基于人工智能的定位数据处理方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010438159.7A CN111680102B (zh) | 2020-05-21 | 2020-05-21 | 基于人工智能的定位数据处理方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111680102A true CN111680102A (zh) | 2020-09-18 |
CN111680102B CN111680102B (zh) | 2023-12-26 |
Family
ID=72452901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010438159.7A Active CN111680102B (zh) | 2020-05-21 | 2020-05-21 | 基于人工智能的定位数据处理方法及相关设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111680102B (zh) |
WO (1) | WO2021232585A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112201047A (zh) * | 2020-10-10 | 2021-01-08 | 武汉中科通达高新技术股份有限公司 | 一种基于Flink框架的嫌疑车辆落脚点分析方法及装置 |
CN115103315A (zh) * | 2022-06-21 | 2022-09-23 | 智慧足迹数据科技有限公司 | 用户常驻地识别方法、装置、电子设备及可读存储介质 |
CN116738073A (zh) * | 2022-09-21 | 2023-09-12 | 荣耀终端有限公司 | 常驻地的识别方法、设备及存储介质 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114509076B (zh) * | 2022-02-16 | 2023-10-20 | 平安科技(深圳)有限公司 | 移动轨迹数据处理方法、装置、设备及存储介质 |
CN115424367A (zh) * | 2022-08-03 | 2022-12-02 | 洛阳智能农业装备研究院有限公司 | 基于gps的作业状态判断方法、装置、设备及可读存储介质 |
CN116027367B (zh) * | 2022-08-31 | 2023-10-20 | 荣耀终端有限公司 | 停留点识别方法、装置、设备及存储介质 |
CN115422480B (zh) * | 2022-10-31 | 2023-03-24 | 荣耀终端有限公司 | 事件发生地区域的确定方法、设备及存储介质 |
CN116434529B (zh) * | 2022-12-12 | 2023-10-24 | 交通运输部规划研究院 | 城际公路货运特征分析方法、装置和电子设备 |
CN115936817B (zh) * | 2022-12-30 | 2024-02-20 | 北京白驹易行科技有限公司 | 一种乘客订单起点聚合方法、装置及计算机设备 |
CN117992870B (zh) * | 2024-04-03 | 2024-06-25 | 山东铁鹰建设工程有限公司 | 一种用于智能化衬砌台车的偏压预警方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102749631A (zh) * | 2012-07-26 | 2012-10-24 | 海华电子企业(中国)有限公司 | 降低北斗卫星导航定位装置定位漂移的方法 |
CN107589435A (zh) * | 2017-09-05 | 2018-01-16 | 成都新橙北斗智联有限公司 | 一种北斗gps轨迹停留分析方法 |
CN108170793A (zh) * | 2017-12-27 | 2018-06-15 | 厦门市美亚柏科信息股份有限公司 | 基于车辆语义轨迹数据的停留点分析方法及其系统 |
US20180365534A1 (en) * | 2017-06-20 | 2018-12-20 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Artificial intelligence based method and apparatus for processing information |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106912015B (zh) * | 2017-01-10 | 2020-04-28 | 上海云砥信息科技有限公司 | 一种基于移动网络数据的人员出行链识别方法 |
CN109104694B (zh) * | 2018-06-26 | 2020-10-30 | 重庆市交通规划研究院 | 一种基于手机信令的用户停留位置发现方法及系统 |
US10691133B1 (en) * | 2019-11-26 | 2020-06-23 | Apex Artificial Intelligence Industries, Inc. | Adaptive and interchangeable neural networks |
-
2020
- 2020-05-21 CN CN202010438159.7A patent/CN111680102B/zh active Active
- 2020-07-24 WO PCT/CN2020/104604 patent/WO2021232585A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102749631A (zh) * | 2012-07-26 | 2012-10-24 | 海华电子企业(中国)有限公司 | 降低北斗卫星导航定位装置定位漂移的方法 |
US20180365534A1 (en) * | 2017-06-20 | 2018-12-20 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Artificial intelligence based method and apparatus for processing information |
CN107589435A (zh) * | 2017-09-05 | 2018-01-16 | 成都新橙北斗智联有限公司 | 一种北斗gps轨迹停留分析方法 |
CN108170793A (zh) * | 2017-12-27 | 2018-06-15 | 厦门市美亚柏科信息股份有限公司 | 基于车辆语义轨迹数据的停留点分析方法及其系统 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112201047A (zh) * | 2020-10-10 | 2021-01-08 | 武汉中科通达高新技术股份有限公司 | 一种基于Flink框架的嫌疑车辆落脚点分析方法及装置 |
CN112201047B (zh) * | 2020-10-10 | 2022-02-18 | 武汉中科通达高新技术股份有限公司 | 一种基于Flink框架的嫌疑车辆落脚点分析方法及装置 |
CN115103315A (zh) * | 2022-06-21 | 2022-09-23 | 智慧足迹数据科技有限公司 | 用户常驻地识别方法、装置、电子设备及可读存储介质 |
CN116738073A (zh) * | 2022-09-21 | 2023-09-12 | 荣耀终端有限公司 | 常驻地的识别方法、设备及存储介质 |
CN116738073B (zh) * | 2022-09-21 | 2024-03-22 | 荣耀终端有限公司 | 常驻地的识别方法、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2021232585A1 (zh) | 2021-11-25 |
CN111680102B (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111680102A (zh) | 基于人工智能的定位数据处理方法及相关设备 | |
CN110324787B (zh) | 一种手机信令数据的职住地获取方法 | |
CN108628811B (zh) | 地址文本的匹配方法和装置 | |
CN107977734B (zh) | 一种时空大数据下基于移动马尔可夫模型的预测方法 | |
US20140031060A1 (en) | Creating Context Slices of a Storyline from Mobile Device Data | |
CN110533055B (zh) | 一种点云数据的处理方法和装置 | |
CN111078818B (zh) | 地址分析方法、装置、电子设备及存储介质 | |
CN110298687B (zh) | 一种区域吸引力评估方法及设备 | |
Li et al. | A method based on an adaptive radius cylinder model for detecting pole-like objects in mobile laser scanning data | |
CN111597279B (zh) | 基于深度学习的信息预测方法及相关设备 | |
CN111931077A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN111475746B (zh) | 兴趣点位置挖掘方法、装置、计算机设备和存储介质 | |
CN117496073B (zh) | 一种多时相实景三维模型的构建方法及系统 | |
Zhang et al. | Automatic latent street type discovery from web open data | |
CN110990455A (zh) | 大数据识别房屋性质的方法与系统 | |
CN108391235B (zh) | 一种数据分析方法及装置 | |
CN112015937B (zh) | 一种图片地理定位方法及系统 | |
CN116127337B (zh) | 基于位置和图像的风险挖掘方法、装置、存储介质及设备 | |
CN104121917A (zh) | 一种自动发现新建桥梁的方法和装置 | |
CN113283542B (zh) | 职住信息确定方法、装置、设备及存储介质 | |
CN115878877A (zh) | 基于概念漂移的航空服务器访问爬虫的可视检测方法 | |
Xia et al. | Predicting human mobility using sina weibo check-in data | |
CN111368616B (zh) | 从车的识别方法、装置及设备 | |
Yan et al. | A new approach for identifying urban employment centers using mobile phone data: A case study of Shanghai | |
Ali Abbaspour et al. | A method for similarity measurement in spatial trajectories |
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 |