CN112561948B - 基于时空轨迹的伴随轨迹识别方法、设备及存储介质 - Google Patents
基于时空轨迹的伴随轨迹识别方法、设备及存储介质 Download PDFInfo
- Publication number
- CN112561948B CN112561948B CN202011531017.1A CN202011531017A CN112561948B CN 112561948 B CN112561948 B CN 112561948B CN 202011531017 A CN202011531017 A CN 202011531017A CN 112561948 B CN112561948 B CN 112561948B
- Authority
- CN
- China
- Prior art keywords
- track
- time
- target
- track information
- information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims abstract description 209
- 238000004364 calculation method Methods 0.000 claims abstract description 31
- 230000011664 signaling Effects 0.000 claims description 31
- 230000002123 temporal effect Effects 0.000 claims description 22
- 238000007405 data analysis Methods 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 4
- 239000002699 waste material Substances 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 15
- 238000012545 processing Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 4
- 238000002360 preparation method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011840 criminal investigation Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种基于时空轨迹的伴随轨迹识别方法、设备及存储介质，方法包括：获取目标用户在预设的时间间隔内的第一轨迹信息，获取预存的各待测用户在所述时间间隔内的第二轨迹信息，并根据该第一轨迹信息以及第二轨迹信息，分别计算目标用户与各待测用户对应的时间距离矩阵以及空间距离矩阵，进而根据该时间距离矩阵以及空间距离矩阵，计算第一轨迹信息以及各第二轨迹信息之间的相似度，以便根据该相似度，从时间和空间两个方面度量轨迹间的差异，从而可以精准地确定伴随轨迹，有效解决了现有技术中轨迹确定不够精准，从而不能有效应用于现实场景中的技术问题。此外，采用该方法确定伴随轨迹，计算方式简单，避免了计算资源以及时间的浪费。
Description
技术领域
本公开实施例涉及信息技术领域，尤其涉及一种基于时空轨迹的伴随轨迹识别方法、设备及存储介质。
背景技术
随着科技的发展，使获取大量的移动物体的轨迹数据成为可能。该轨迹数据可以用于潜在伴随轨迹的挖掘，从而广泛应用于旅游营销、刑侦追查等场景。
现有技术中，主要通过将采集到的用户的经纬度数据进行坐标转换，转换至通用横轴墨卡托投影坐标系，再利用卡尔曼滤波算法对数据进行滤波处理，计算两条轨迹的空间距离，进而确定伴随轨迹。
但是，采用上述方式确定伴随轨迹，计算方式复杂，且仅考虑了轨迹的空间信息，不够精准，从而不能有效应用于现实场景中。
发明内容
本公开实施例提供一种基于时空轨迹的伴随轨迹识别方法、设备及存储介质，该方法解决了现有技术中确定伴随轨迹的计算方式复杂，轨迹确定不够精准，从而不能有效应用于现实场景中的技术问题。
第一方面，本公开实施例提供一种基于时空轨迹的伴随轨迹识别方法，包括：
获取目标用户在预设的时间间隔内的第一轨迹信息，所述第一轨迹信息中包括多个第一轨迹点，所述第一轨迹点中包括第一时间点，以及所述目标用户在所述第一时间点时所处的位置信息；
获取预存的各待测用户在所述时间间隔内的第二轨迹信息，所述第二轨迹信息中包括多个第二轨迹点，所述第二轨迹点中包括第二时间点，以及所述待测用户在所述第二时间点时所处的位置信息；
根据所述第一轨迹信息以及所述第二轨迹信息，分别计算所述目标用户与各所述待测用户对应的时间距离矩阵以及空间距离矩阵；
根据所述时间距离矩阵以及所述空间距离矩阵，计算所述第一轨迹信息以及各所述第二轨迹信息之间的相似度；
根据所述相似度，确定所述第一轨迹信息对应的伴随轨迹。
进一步地，如上所述的方法，所述根据所述第一轨迹信息以及所述第二轨迹信息，分别计算所述目标用户与各所述待测用户对应的时间距离矩阵以及空间距离矩阵，包括：
根据所述第一轨迹信息对应的多个第一时间点，以及所述第二轨迹信息对应的多个第二时间点，确定所述目标用户以及各所述待测用户对应的时间距离矩阵；
根据所述第一轨迹信息对应的多个位置信息，以及所述第二轨迹信息对应的多个位置信息，确定所述目标用户以及各所述待测用户对应的空间距离矩阵。
进一步地，如上所述的方法，所述根据所述第一轨迹信息对应的多个第一时间点，以及所述第二轨迹信息对应的多个第二时间点，确定所述目标用户以及各所述待测用户对应的时间距离矩阵，包括：
针对所述第一轨迹信息中的每一第一轨迹点，分别计算所述第一轨迹点中的第一时间点与所述第二轨迹信息对应的多个第二时间点之间的时间距离，获得各第一轨迹点对应的多个时间距离；
根据所述各第一轨迹点对应的多个时间距离，确定所述目标用户以及各所述待测用户对应的时间距离矩阵。
进一步地，如上所述的方法，所述根据所述第一轨迹信息对应的多个位置信息，以及所述第二轨迹信息对应的多个位置信息，确定所述目标用户以及各所述待测用户对应的空间距离矩阵，包括：
针对所述第一轨迹信息中的每一第一轨迹点，分别计算所述第一轨迹点中的位置信息与所述第二轨迹信息对应的多个位置信息之间的空间距离，获得各第一轨迹点对应的多个空间距离；
根据所述各第一轨迹点对应的多个空间距离，确定所述目标用户以及各所述待测用户对应的空间距离矩阵。
进一步地，如上所述的方法，所述根据所述时间距离矩阵以及所述空间距离矩阵，计算所述第一轨迹信息以及所述第二轨迹信息之间的相似度，包括：
根据所述时间距离矩阵、所述时间距离矩阵对应的第一权重，以及所述空间距离矩阵、所述空间距离矩阵对应的第二权重，确定时间轨迹矩阵；
根据所述时间轨迹矩阵计算所述第一轨迹信息以及所述第二轨迹信息之间的相似度。
进一步地，如上所述的方法，所述根据所述时间轨迹矩阵计算所述第一轨迹信息以及所述第二轨迹信息之间的相似度，包括：
针对所述时间轨迹矩阵中的目标行/列，确定所述目标行/列中的第一目标值，所述第一目标值为所述目标行/列中数值最小的数；
确定所述最小值在所述时间轨迹矩阵中所处的目标列号/行号；
在所述时间轨迹矩阵中所述目标行/列的下一行/列中，确定列号/行号大于所述目标列号/行号的行/列中的第二目标值，所述第二目标值为所述列号/行号大于所述目标列号/行号的行/列中的数值最小的数；
判断时间轨迹矩阵中，所述目标行/列的下一行/列之后，是否还包括其他的行/列，若是，则将所述其他的行/列作为所述目标行/列，返回执行所述针对所述时间轨迹矩阵中的目标行/列，确定所述目标行/列中的第一目标值，所述第一目标值为所述目标行/列中数值最小的数的步骤，直至所述目标行/列的下一行/列之后，不包括其他的行/列，获得多个目标值；
根据所述目标值以及预设的相似度计算公式，计算所述第一轨迹信息以及所述第二轨迹信息之间的相似度。
进一步地，如上所述的方法，所述获取目标用户在预设的时间间隔内的第一轨迹信息，包括：
获取数据分析请求，所述数据分析请求中包括目标用户标识以及所述预设的时间间隔；
根据所述目标用户标识，在预设的数据服务器中获取所述目标用户在预设的时间间隔内信令数据；
按照预设的时间间隔对所述信令数据进行采样操作，获得多个目标信令数据；
对所述多个目标信令数据中的时间信息以及位置信息进行提取，获得所述目标用户在预设的时间间隔内的第一轨迹信息。
第二方面，本公开实施例提供一种基于时空轨迹的伴随轨迹识别装置，包括：
获取模块，用于获取目标用户在预设的时间间隔内的第一轨迹信息，所述第一轨迹信息中包括多个第一轨迹点，所述第一轨迹点中包括第一时间点，以及所述目标用户在所述第一时间点时所处的位置信息；
所述获取模块还用于，获取预存的各待测用户在所述时间间隔内的第二轨迹信息，所述第二轨迹信息中包括多个第二轨迹点，所述第二轨迹点中包括第二时间点，以及所述待测用户在所述第二时间点时所处的位置信息；
计算模块，用于根据所述第一轨迹信息以及所述第二轨迹信息，分别计算所述目标用户与各所述待测用户对应的时间距离矩阵以及空间距离矩阵；
所述计算模块还用于，根据所述时间距离矩阵以及所述空间距离矩阵，计算所述第一轨迹信息以及各所述第二轨迹信息之间的相似度；
确定模块，用于根据所述相似度，确定所述第一轨迹信息对应的伴随轨迹。
第三方面，本公开实施例提供一种电子设备，包括：存储器，处理器；
存储器：用于存储所述处理器可执行指令的存储器；
其中，所述处理器用于调用所述存储器中的程序指令执行如第一方面所述的基于时空轨迹的伴随轨迹识别方法。
第四方面，本公开实施例提供一种存储介质，所述存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如第一方面所述的基于时空轨迹的伴随轨迹识别方法。
本公开实施例提供一种基于时空轨迹的伴随轨迹识别方法、设备及存储介质，通过获取目标用户在预设的时间间隔内的第一轨迹信息，获取预存的各待测用户在所述时间间隔内的第二轨迹信息，并根据该第一轨迹信息以及第二轨迹信息，分别计算目标用户与各待测用户对应的时间距离矩阵以及空间距离矩阵，进而根据该时间距离矩阵以及空间距离矩阵，计算第一轨迹信息以及各第二轨迹信息之间的相似度，以便根据该相似度，确定第一轨迹信息对应的伴随轨迹。即通过构造两条轨迹的时间距离矩阵以及空间距离矩阵，从时间和空间两个方面度量了轨迹间的相似度，从而可以更加精准地确定伴随轨迹，有效解决了现有技术中轨迹确定不够精准，从而不能有效应用于现实场景中的技术问题。此外，采用该方法确定伴随轨迹，计算方式简单，避免了计算资源以及时间的浪费。
应当理解，上述发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
为了更清楚地说明本公开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公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1a为本公开实施例所基于的一种应用场景的示意图；
图1b为本公开实施例所基于的又一种应用场景的示意图；
图1c为本公开实施例所基于的另一种应用场景的示意图；
图2为本公开实施例所基于的一种系统架构的示意图；
图3为本公开实施例一提供的基于时空轨迹的伴随轨迹识别方法的流程图；
图4为本公开实施例二提供的基于时空轨迹的伴随轨迹识别方法的流程图；
图5为本公开实施例三提供的基于时空轨迹的伴随轨迹识别方法的流程图；
图6为本公开实施例三提供的时间轨迹矩阵的示意图；
图7为本公开实施例四提供的基于时空轨迹的伴随轨迹识别方法的流程图；
图8为本公开实施例五提供的基于时空轨迹的伴随轨迹识别装置的结构示意图；
图9为本公开实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
本公开实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开实施例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，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。
随着卫星定位技术以及无线通信技术的发展，人们可以方便快捷的获取到大量的移动物体的轨迹数据。该轨迹数据可以用于潜在伴随轨迹的挖掘，从而广泛应用于旅游营销、刑侦追查等场景。现有技术中，主要通过将采集到的用户的经纬度数据进行坐标转换，转换至通用横轴墨卡托投影坐标系，再利用卡尔曼滤波算法对数据进行滤波处理，计算两条轨迹的空间距离，进而确定伴随轨迹。但是，这种确定伴随轨迹的方法，计算过程复杂，且仅考虑了轨迹的空间信息，不够精准，从而不能有效应用于现实场景中。
针对上述问题，发明人通过研究发现，可以通过构造两条轨迹的时间距离矩阵以及空间距离矩阵，从时间和空间两个方面度量轨迹间的相似度，从而可以更加精准地确定伴随轨迹，有效解决了现有技术中轨迹确定不够精准，从而不能有效应用于现实场景中的技术问题。此外，采用该方法确定伴随轨迹，计算方式简单，避免了计算资源以及时间的浪费。
图1a为本公开实施例所基于的一种应用场景的示意图，图1b为本公开实施例所基于的又一种应用场景的示意图，图1c为本公开实施例所基于的另一种应用场景的示意图，如图1a、图1b以及图1c所示，该图1a、图1b以及图1c所示应用场景具体可包括第一轨迹信息1以及伴随轨迹2。
其中，图1a中第一轨迹信息1与伴随轨迹2可以为两条时间与空间均无差异，相似度最大的轨迹。图1b中第一轨迹信息1与伴随轨迹2可以为两条空间上无差异，且时间差异最小，相似度最高的轨迹。图1c中第一轨迹信息1与伴随轨迹2可以为两条空间与时间均有差异，但相似度最高的轨迹。
图2为本公开实施例所基于的一种系统架构的示意图，如图2所示，该图2所示系统架构具体可包括用户终端1以及服务器2，其中服务器2中包括有数据服务器，以及设置有伴随轨迹识别装置的服务器。
其中，用户终端1具体可以为任意一个能够向伴随轨迹识别装置发送数据分析请求的硬件设备，其包括但不限于手机、台式电脑、智能家居设备、平板电脑等。
数据服务器具体可为包含有用于存储用户信令数据的数据库的服务器。
伴随轨迹识别装置具体可为搭载于服务器2中的装置，其具体可用于获取用户终端发送的数据分析请求，在数据服务器中提取用户信令数据中的轨迹信息，并根据该信息计算时间距离矩阵以及空间距离矩阵，进而计算轨迹信息之间的相似度，从而确定伴随轨迹。
实施例一
图3为本公开实施例一提供的基于时空轨迹的伴随轨迹识别方法的流程图，如图3所示，本实施例提供的基于时空轨迹的伴随轨迹识别方法包括以下几个步骤：
步骤101、获取目标用户在预设的时间间隔内的第一轨迹信息，所述第一轨迹信息中包括多个第一轨迹点，所述第一轨迹点中包括第一时间点，以及所述目标用户在所述第一时间点时所处的位置信息。
需要说明的是，本实施例提供的基于时空轨迹的伴随轨迹识别方法的执行主体为前述伴随轨迹识别装置，该伴随轨迹识别装置可耦合于服务器中。
在本实施方式中，由于伴随轨迹的确定，不仅要考虑目标用户与待测用户的轨迹在空间上的一致性，还要考虑目标用户与待测用户的轨迹在时间上的一致性。因此，为了确定伴随轨迹，需要通过计算时间距离矩阵以及空间距离矩阵，来确定轨迹间的相似度，进而确定伴随轨迹。因此为了计算时间距离矩阵以及空间距离矩阵，伴随轨迹识别装置首先可以获取目标用户在预设的时间间隔内的第一轨迹信息。具体地，该第一轨迹信息中可以包括多个第一轨迹点。相应地，该第一轨迹点中可以包括第一时间点，以及目标用户在第一时间点时所处的位置信息。
此外，该预设的时间间隔可以为十分钟、十五分钟或是其他任意合适的时间间隔，本公开实施例对此不作限制。
步骤102、获取预存的各待测用户在所述时间间隔内的第二轨迹信息，所述第二轨迹信息中包括多个第二轨迹点，所述第二轨迹点中包括第二时间点，以及所述待测用户在所述第二时间点时所处的位置信息。
在本实施方式中，为了通过计算时间距离矩阵以及空间距离矩阵，来确定轨迹间的相似度，进而确定目标用户的伴随轨迹。在伴随轨迹识别装置获取目标用户在预设的时间间隔内的第一轨迹信息之后，还可以获取预存的各待测用户在预设的时间间隔内的第二轨迹信息。具体地，该第二轨迹信息中可以包括多个第二轨迹点。相应地，该第二轨迹点中可以包括第二时间点，以及各待测用户在第二时间点时所处的位置信息。
需要说明的是，该预设的时间间隔，与上述获取目标用户在预设的时间间隔内的第一轨迹信息时的预设的时间间隔，为同一预设的时间间隔。
此外，该各待测用户可以为与目标用户同一省份或同一城市的所有用户，也可为其他任何合适的用户，本公开实施例对此不作限制。其在预设的时间间隔内的第二轨迹信息被预先存储在数据服务器中，用于对第一轨迹信息进行伴随轨迹的确定。相应地，针对上述的第一轨迹信息，在完成对该第一轨迹信息的伴随轨迹的确定之后，可以把该第一轨迹信息也存储到数据服务器中，作为第二轨迹信息，以便后续可以对其他的第一轨迹信息进行伴随轨迹的确定。
步骤103、根据所述第一轨迹信息以及所述第二轨迹信息，分别计算所述目标用户与各所述待测用户对应的时间距离矩阵以及空间距离矩阵。
在本实施方式中，由于第一轨迹信息中包括了目标用户的多个第一时间点，以及目标用户在第一时间点时所处的位置信息。第二轨迹信息中包括了各待测用户的多个第二时间点，以及各待测用户在第二时间点时所处的位置信息。因此在伴随轨迹识别装置获取到该第一轨迹信息以及第二轨迹信息之后，可以根据该第一轨迹信息以及第二轨迹信息，分别计算目标用户与各待测用户对应的时间距离矩阵以及空间距离矩阵。
具体地，该时间距离矩阵中可以包括多个时间距离，该空间距离矩阵中可以包括多个空间距离。
步骤104、根据所述时间距离矩阵以及所述空间距离矩阵，计算所述第一轨迹信息以及各所述第二轨迹信息之间的相似度。
在本实施方式中，由于第一轨迹信息对应的伴随轨迹为与第一轨迹信息相似度最高的第二轨迹信息。因此，为了确定第一轨迹信息对应的伴随轨迹，伴随轨迹识别装置可以根据该时间距离矩阵以及空间距离矩阵，计算第一轨迹信息以及各第二轨迹信息之间的相似度。具体地，该相似度可以为第一轨迹信息以及各第二轨迹信息之间时间与空间的距离度量。
步骤105、根据所述相似度，确定所述第一轨迹信息对应的伴随轨迹。
在本实施方式中，在伴随轨迹识别装置根据时间距离矩阵以及空间距离矩阵，计算出第一轨迹信息以及各第二轨迹信息之间的相似度之后，可以根据该相似度，在各第二轨迹信息中确定出第一轨迹信息对应的伴随轨迹。具体地，该第一轨迹信息对应的伴随轨迹可以为与第一轨迹信息之间的相似度最高，也即时间与空间的距离度量最小的第二轨迹信息。
在实际应用中，在确定第一轨迹信息对应的伴随轨迹之后，还可以确定该伴随轨迹相应的用户标识，进而可以应用于刑侦追查等场景。此外，该第一轨迹信息及其伴随轨迹还可应用于旅游营销等场景，商家可以以此判断用户的旅行偏好，将营销内容精准投放到特定人群的信息流中，从而激发新的消费需求和内容生产。
本实施例提供的基于时空轨迹的伴随轨迹识别方法，通过获取目标用户在预设的时间间隔内的第一轨迹信息，获取预存的各待测用户在所述时间间隔内的第二轨迹信息，并根据该第一轨迹信息以及第二轨迹信息，分别计算目标用户与各待测用户对应的时间距离矩阵以及空间距离矩阵，进而根据该时间距离矩阵以及空间距离矩阵，计算第一轨迹信息以及各第二轨迹信息之间的相似度，以便根据该相似度，确定第一轨迹信息对应的伴随轨迹。即通过构造两条轨迹的时间距离矩阵以及空间距离矩阵，从时间和空间两个方面度量了轨迹间的相似度，从而可以更加精准地确定伴随轨迹，有效解决了现有技术中轨迹确定不够精准，从而不能有效应用于现实场景中的技术问题。此外，采用该方法确定伴随轨迹，计算方式简单，避免了计算资源以及时间的浪费。
实施例二
图4为本公开实施例二提供的基于时空轨迹的伴随轨迹识别方法的流程图，如图4所示，本实施例提供的基于时空轨迹的伴随轨迹识别方法，是在本公开实施例一的基础上，对步骤103的进一步细化，则本实施例提供的基于时空轨迹的伴随轨迹识别方法包括以下步骤：
步骤201、根据所述第一轨迹信息对应的多个第一时间点，以及所述第二轨迹信息对应的多个第二时间点，确定所述目标用户以及各所述待测用户对应的时间距离矩阵。
在本实施方式中，为了得到第一轨迹信息与第二轨迹信息中各轨迹点间精确的时间距离，从而能够更加精准的确定第一轨迹信息对应的伴随轨迹。伴随轨迹识别装置可以根据该第一轨迹信息对应的多个第一时间点，以及第二轨迹信息对应的多个第二时间点，确定目标用户以及各待测用户对应的时间距离矩阵FSTi。具体地，该时间距离矩阵FSTi中可以包括第一轨迹信息与第二轨迹信息之间的多个时间距离。
步骤202、根据所述第一轨迹信息对应的多个位置信息，以及所述第二轨迹信息对应的多个位置信息，确定所述目标用户以及各所述待测用户对应的空间距离矩阵。
在本实施方式中，为了得到第一轨迹信息与第二轨迹信息中各轨迹点间精确的空间距离，从而能够更加精准的确定第一轨迹信息对应的伴随轨迹。伴随轨迹识别装置可以根据该第一轨迹信息对应的多个位置信息，以及第二轨迹信息对应的多个位置信息，确定目标用户以及各待测用户对应的空间距离矩阵ESTi。具体地，该空间距离矩阵ESTi中可以包括第一轨迹信息与第二轨迹信息之间的多个空间距离。
本实施例提供的基于时空轨迹的伴随轨迹识别方法，通过确定目标用户以及各待测用户对应的时间距离矩阵以及空间距离矩阵，从而得到了第一轨迹信息与第二轨迹信息中各轨迹点间精确的时间距离以及空间距离，从而可以更加精准地确定伴随轨迹。
在上述实施例二的基础上，为了进一步说明本公开的基于时空轨迹的伴随轨迹识别方法，所述根据所述第一轨迹信息对应的多个第一时间点，以及所述第二轨迹信息对应的多个第二时间点，确定所述目标用户以及各所述待测用户对应的时间距离矩阵，包括：针对所述第一轨迹信息中的每一第一轨迹点，分别计算所述第一轨迹点中的第一时间点与所述第二轨迹信息对应的多个第二时间点之间的时间距离，获得各第一轨迹点对应的多个时间距离；根据所述各第一轨迹点对应的多个时间距离，确定所述目标用户以及各所述待测用户对应的时间距离矩阵。
在本实施例中，为了确定目标用户以及各所述待测用户对应的时间距离矩阵，伴随轨迹识别装置可以针对第一轨迹信息中的每一第一轨迹点，分别计算第一轨迹点中的第一时间点与第二轨迹信息对应的多个第二时间点之间的时间距离，从而获得各第一轨迹点对应的多个时间距离，并根据该各第一轨迹点对应的多个时间距离，确定目标用户以及各待测用户对应的时间距离矩阵FSTi。也就是说，该目标用户以及各待测用户对应的时间距离矩阵FSTi中，可以包括各第一轨迹点对应的多个时间距离。具体地，该时间距离可以为第一时间点与第二时间点之间的时间差。
举例来说，如果第一轨迹信息中具有m个第一时间点，第二轨迹信息中具有n个第二时间点，则该时间距离矩阵FSTi的大小为m行，n列。其中，第i行第j列的元素为第i个第一时间点与第j个第二时间点之间的时间距离。
通过上述方式，可以精确的得到第一轨迹信息与第二轨迹信息中各轨迹点间的时间距离，从而在时间维度上为确定伴随轨迹做好了准备。
进一步地，在上述实施例二的基础上，所述根据所述第一轨迹信息对应的多个位置信息，以及所述第二轨迹信息对应的多个位置信息，确定所述目标用户以及各所述待测用户对应的空间距离矩阵，包括：针对所述第一轨迹信息中的每一第一轨迹点，分别计算所述第一轨迹点中的位置信息与所述第二轨迹信息对应的多个位置信息之间的空间距离，获得各第一轨迹点对应的多个空间距离；根据所述各第一轨迹点对应的多个空间距离，确定所述目标用户以及各所述待测用户对应的时间距离矩阵。
在本实施例中，为了在本实施例中，为了确定目标用户以及各所述待测用户对应的空间距离矩阵，伴随轨迹识别装置可以针对第一轨迹信息中的每一第一轨迹点，分别计算第一轨迹点中的位置信息与第二轨迹信息对应的多个位置信息之间的空间距离，从而获得各第一轨迹点对应的多个空间距离，并根据该各第一轨迹点对应的多个空间距离，确定目标用户以及各待测用户对应的空间距离矩阵ESTi。也就是说，该目标用户以及各待测用户对应的空间距离矩阵ESTi中，可以包括各第一轨迹点对应的多个空间距离。具体地，该空间距离可以为第一轨迹点中的位置信息与第二轨迹信息对应的多个位置信息之间的距离差值。
举例来说，如果第一轨迹信息中具有m个位置信息，第二轨迹信息中具有n个位置信息，则该空间距离矩阵ESTi的大小为m行，n列。其中，第i行第j列的元素为第i个第一轨迹点中的位置信息与第j个第二轨迹点中的位置信息之间的距离差值。
通过上述方式，可以精确的得到第一轨迹信息与第二轨迹信息中各轨迹点间的空间距离，从而在空间维度上为确定伴随轨迹做好了准备。
本实施例提供的基于时空轨迹的伴随轨迹识别方法，通过确定目标用户以及各待测用户对应的时间距离矩阵以及空间距离矩阵，从而得到了第一轨迹信息与第二轨迹信息中各轨迹点间精确的时间距离以及空间距离，从而在时间以及空间两个维度上为确定伴随轨迹做好了准备。
实施例三
图5为本公开实施例三提供的基于时空轨迹的伴随轨迹识别方法的流程图，如图5所示，本实施例提供的基于时空轨迹的伴随轨迹识别方法，是在本公开上述任一实施例的基础上，对步骤104的进一步细化，则本实施例提供的基于时空轨迹的伴随轨迹识别方法包括以下步骤：
步骤301、根据所述时间距离矩阵、所述时间距离矩阵对应的第一权重，以及所述空间距离矩阵、所述空间距离矩阵对应的第二权重，确定时间轨迹矩阵。
在本实施方式中，由于仅凭借时间距离矩阵与空间距离矩阵其中之一，不足以精准确定伴随轨迹。因此，需要构建包含有时间与空间两个维度信息的时间轨迹矩阵。因此，伴随轨迹识别装置可以根据时间距离矩阵、时间距离矩阵对应的第一权重，以及空间距离矩阵、空间距离矩阵对应的第二权重，确定时间轨迹矩阵。
具体地，为了将时间距离矩阵与空间距离矩阵的数值控制在同一量级数，据处理装置首先可以分别对时间距离矩阵与空间距离矩阵进行归一化处理。在此基础上加权合并时间距离矩阵与空间距离矩阵，进而可以得到时间轨迹矩阵DSTi＝α*ESTi+β*FSTi。
其中，α为空间距离矩阵对应的第二权重，β为时间距离矩阵对应的第一权重。
需要说明的是，该时间距离矩阵对应的第一权重与空间距离矩阵对应的第二权重的和为1。
此外，由于该时间轨迹矩阵由时间距离矩阵以及空间距离矩阵两部分构成。因此，在实际应用时，可以根据实际应用场景确定不同的时间距离矩阵对应的第一权重以及空间距离矩阵对应的第二权重。例如，如果不要求伴随轨迹在时间上的一致性，可以将时间距离矩阵对应的第一权重β设置为0，相应地，空间距离矩阵对应的第二权重α则设置为1。
步骤302、根据所述时间轨迹矩阵计算所述第一轨迹信息以及所述第二轨迹信息之间的相似度。
在本实施例中，在伴随轨迹识别装置确定了时间轨迹矩阵之后，为了确定伴随轨迹，伴随轨迹识别装置可以根据该时间轨迹矩阵计算第一轨迹信息以及所述第二轨迹信息之间的相似度。具体地，该相似度可以为第一轨迹信息以及所述第二轨迹信息之间的时间与空间的距离度量。
本实施例提供的基于时空轨迹的伴随轨迹识别方法，根据时间距离矩阵、时间距离矩阵对应的第一权重，以及空间距离矩阵、空间距离矩阵对应的第二权重，确定时间轨迹矩阵，并根据该时间轨迹矩阵计算第一轨迹信息以及第二轨迹信息之间的相似度。即可以根据实际应用场景设置不同的时间距离矩阵对应的第一权重以及空间距离矩阵对应的第二权重，进而构建时间轨迹矩阵计算相似度，从而保证了通过该方法确定的伴随轨迹能够贴合实际情况，应用更灵活，适用性更强。
在上述实施例三的基础上，为了进一步说明本公开的基于时空轨迹的伴随轨迹识别方法，所述根据所述时间轨迹矩阵计算所述第一轨迹信息以及所述第二轨迹信息之间的相似度，包括：针对所述时间轨迹矩阵中的目标行/列，确定所述目标行/列中的第一目标值，所述第一目标值为所述目标行/列中数值最小的数；确定所述最小值在所述时间轨迹矩阵中所处的目标列号/行号；在所述时间轨迹矩阵中所述目标行/列的下一行/列中，确定列号/行号大于所述目标列号/行号的行/列中的第二目标值，所述第二目标值为所述列号/行号大于所述目标列号/行号的行/列中的数值最小的数；判断时间轨迹矩阵中，所述目标行/列的下一行/列之后，是否还包括其他的行/列，若是，则将所述其他的行/列作为所述目标行/列，返回执行所述针对所述时间轨迹矩阵中的目标行/列，确定所述目标行/列中的第一目标值，所述第一目标值为所述目标行/列中数值最小的数的步骤，直至所述目标行/列的下一行/列之后，不包括其他的行/列，获得多个目标值；根据所述目标值以及预设的相似度计算公式，计算所述第一轨迹信息以及所述第二轨迹信息之间的相似度。
在本实施例中，为了确定第一轨迹信息以及第二轨迹信息之间的相似度，也即时间与空间距离度量，伴随轨迹识别装置首先可以针对时间轨迹矩阵中的目标行/列，确定目标行/列中的第一目标值。具体地，该第一目标值为目标行/列中数值最小的数。
接下来，为了保证时间轨迹矩阵中各轨迹点的时间方向性，伴随轨迹识别装置可以确定该最小值在时间轨迹矩阵中所处的目标列号/行号，并在时间轨迹矩阵中目标行/列的下一行/列中，确定列号/行号大于该目标列号/行号的行/列中的第二目标值。具体地，该第二目标值为列号/行号大于目标列号/行号的行/列中的数值最小的数。
举例来说，图6为本公开实施例三提供的时间轨迹矩阵的示意图，如图6所示，附图标记1对应的为时间轨迹矩阵中第一行的第一目标值，附图标记2对应的为第二行中用于确定第二目标值的行列范围。也就是说，如果伴随轨迹识别装置确定目标行中的第一目标值在第3列，则在该目标行的下一行中，从第4列开始确定该行中的第二目标值。
接下来，为了确定时间轨迹矩阵中全部的目标值，伴随轨迹识别装置可以判断时间轨迹矩阵中，目标行/列的下一行/列之后，是否还包括其他的行/列。如果包括，则将其他的行/列作为目标行/列，返回执行针对时间轨迹矩阵中的目标行/列，确定目标行/列中的第一目标值，第一目标值为所述目标行/列中数值最小的数的步骤。直至目标行/列的下一行/列之后，不包括其他的行/列。通过上述方式，可以获得多个目标值，该多个目标值即为时间轨迹矩阵中全部的目标值，其中，各目标行对应的目标值分别为a1,a2...,am，各目标列对应的目标值分别为b1,b2...,bni。
最后，伴随轨迹识别装置可以根据获得的多个目标值以及预设的相似度计算公式，计算第一轨迹信息以及第二轨迹信息之间的相似度。
其中，预设的相似度计算公式为：
其中，m为时间轨迹矩阵的行数，ni为时间轨迹矩阵的列数。
本实施例提供的基于时空轨迹的伴随轨迹识别方法，通过确定目标值在时间轨迹矩阵中所处的目标列号/行号的方式，确定时间轨迹矩阵中的全部目标值，并结合预设的相似度计算公式，计算第一轨迹信息以及第二轨迹信息之间的相似度。即在保证了时间轨迹矩阵中各轨迹点的时间方向性的前提下，计算第一轨迹信息以及第二轨迹信息之间的相似度，从而能够更加精准地确定伴随轨迹。
实施例四
图7为本公开实施例四提供的基于时空轨迹的伴随轨迹识别方法的流程图，如图7所示，本实施例提供的基于时空轨迹的伴随轨迹识别方法，是在本公开上述任一实施例的基础上，对步骤101的进一步细化，则本实施例提供的基于时空轨迹的伴随轨迹识别方法包括以下步骤：
步骤401、获取数据分析请求，所述数据分析请求中包括目标用户标识以及所述预设的时间间隔。
在本实施方式中，为了确定目标用户在预设的时间间隔内的第一轨迹信息对应的伴随轨迹，首先需要获得该目标用户在预设的时间间隔内的第一轨迹信息。因此，为了获得该目标用户在预设的时间间隔内的第一轨迹信息，伴随轨迹识别装置首先可以获取用户终端发送的数据分析请求。具体地，该数据分析请求中可以包括目标用户标识以及预设的时间间隔。
步骤402、根据所述目标用户标识，在预设的数据服务器中获取所述目标用户在预设的时间间隔内信令数据。
在本实施方式中，在伴随轨迹识别装置获取用户终端发送的数据分析请求之后，为了获得目标用户在预设的时间间隔内的第一轨迹信息，伴随轨迹识别装置可以根据该数据分析请求中的目标用户标识以及预设的时间间隔，在预设的数据服务器中获取该目标用户在预设的时间间隔内信令数据。具体地，该预设的数据服务器可以为用于存储多个用户的信令数据的数据服务器。
步骤403、按照预设的时间间隔对所述信令数据进行采样操作，获得多个目标信令数据。
在本实施方式中，在伴随轨迹识别装置在预设的数据服务器中获取该目标用户在预设的时间间隔内信令数据之后，可以按照预设的时间间隔对该信令数据进行采样操作，从而可以获得多个目标信令数据。
步骤404、对所述多个目标信令数据中的时间信息以及位置信息进行提取，获得所述目标用户在预设的时间间隔内的第一轨迹信息。
在本实施方式中，由于第一轨迹信息可以包括时间信息以及位置信息，因此，在伴随轨迹识别装置获得多个目标信令数据之后，可以对该多个目标信令数据中的时间信息以及位置信息进行提取，从而获得目标用户在预设的时间间隔内的第一轨迹信息。具体地，该第一轨迹信息中可以包括多个第一轨迹点。相应地，该第一轨迹点中可以包括第一时间点，以及目标用户在第一时间点时所处的位置信息。
本实施例提供的基于时空轨迹的伴随轨迹识别方法，通过获取包括目标用户标识以及所述预设的时间间隔数据分析请求，在预设的数据服务器中获取目标用户在预设的时间间隔内信令数据，并按照预设的时间间隔对信令数据进行采样操作，获得多个目标信令数据，进而对该多个目标信令数据中的时间信息以及位置信息进行提取，获得目标用户在预设的时间间隔内的第一轨迹信息。即根据数据分析请求，对目标用户的信令数据进行采样，获得目标信令数据，进而提取出目标用户在预设的时间间隔内的第一轨迹信息，从而可以为进一步确定第一轨迹信息对应的伴随轨迹做好数据准备。
实施例五
图8为本公开实施例五提供的基于时空轨迹的伴随轨迹识别装置的结构示意图，如图8所示，本实施例提供的基于时空轨迹的伴随轨迹识别装置包括：获取模块51、计算模块52以及确定模块53。其中，获取模块51，用于获取目标用户在预设的时间间隔内的第一轨迹信息，所述第一轨迹信息中包括多个第一轨迹点，所述第一轨迹点中包括第一时间点，以及所述目标用户在所述第一时间点时所处的位置信息。所述获取模块51还用于，获取预存的各待测用户在所述时间间隔内的第二轨迹信息，所述第二轨迹信息中包括多个第二轨迹点，所述第二轨迹点中包括第二时间点，以及所述待测用户在所述第二时间点时所处的位置信息。计算模块52，用于根据所述第一轨迹信息以及所述第二轨迹信息，分别计算所述目标用户与各所述待测用户对应的时间距离矩阵以及空间距离矩阵。所述计算模块52还用于，根据所述时间距离矩阵以及所述空间距离矩阵，计算所述第一轨迹信息以及各所述第二轨迹信息之间的相似度。确定模块53，用于根据所述相似度，确定所述第一轨迹信息对应的伴随轨迹。
本实施例提供的基于时空轨迹的伴随轨迹识别装置，通过获取目标用户在预设的时间间隔内的第一轨迹信息，获取预存的各待测用户在所述时间间隔内的第二轨迹信息，并根据该第一轨迹信息以及第二轨迹信息，分别计算目标用户与各待测用户对应的时间距离矩阵以及空间距离矩阵，进而根据该时间距离矩阵以及空间距离矩阵，计算第一轨迹信息以及各第二轨迹信息之间的相似度，以便根据该相似度，确定第一轨迹信息对应的伴随轨迹。即通过构造两条轨迹的时间距离矩阵以及空间距离矩阵，从时间和空间两个方面度量了轨迹间的相似度，从而可以更加精准地确定伴随轨迹，有效解决了现有技术中轨迹确定不够精准，从而不能有效应用于现实场景中的技术问题。此外，采用该装置确定伴随轨迹，计算方式简单，避免了计算资源以及时间的浪费。
可选实施方式中，所述计算模块52具体用于：根据所述第一轨迹信息对应的多个第一时间点，以及所述第二轨迹信息对应的多个第二时间点，确定所述目标用户以及各所述待测用户对应的时间距离矩阵。根据所述第一轨迹信息对应的多个位置信息，以及所述第二轨迹信息对应的多个位置信息，确定所述目标用户以及各所述待测用户对应的空间距离矩阵。
可选实施方式中，所述计算模块52具体用于：针对所述第一轨迹信息中的每一第一轨迹点，分别计算所述第一轨迹点中的第一时间点与所述第二轨迹信息对应的多个第二时间点之间的时间距离，获得各第一轨迹点对应的多个时间距离。根据所述各第一轨迹点对应的多个时间距离，确定所述目标用户以及各所述待测用户对应的时间距离矩阵。
可选实施方式中，所述计算模块52具体用于：针对所述第一轨迹信息中的每一第一轨迹点，分别计算所述第一轨迹点中的位置信息与所述第二轨迹信息对应的多个位置信息之间的空间距离，获得各第一轨迹点对应的多个空间距离。根据所述各第一轨迹点对应的多个空间距离，确定所述目标用户以及各所述待测用户对应的时间距离矩阵。
可选实施方式中，所述计算模块52还用于：根据所述时间距离矩阵、所述时间距离矩阵对应的第一权重，以及所述空间距离矩阵、所述空间距离矩阵对应的第二权重，确定时间轨迹矩阵。根据所述时间轨迹矩阵计算所述第一轨迹信息以及所述第二轨迹信息之间的相似度。
可选实施方式中，所述计算模块52具体用于：针对所述时间轨迹矩阵中的目标行/列，确定所述目标行/列中的第一目标值，所述第一目标值为所述目标行/列中数值最小的数。确定所述最小值在所述时间轨迹矩阵中所处的目标列号/行号。在所述时间轨迹矩阵中所述目标行/列的下一行/列中，确定列号/行号大于所述目标列号/行号的行/列中的第二目标值，所述第二目标值为所述列号/行号大于所述目标列号/行号的行/列中的数值最小的数。判断时间轨迹矩阵中，所述目标行/列的下一行/列之后，是否还包括其他的行/列，若是，则将所述其他的行/列作为所述目标行/列，返回执行所述针对所述时间轨迹矩阵中的目标行/列，确定所述目标行/列中的第一目标值，所述第一目标值为所述目标行/列中数值最小的数的步骤，直至所述目标行/列的下一行/列之后，不包括其他的行/列，获得多个目标值。根据所述目标值以及预设的相似度计算公式，计算所述第一轨迹信息以及所述第二轨迹信息之间的相似度。
可选实施方式中，所述获取模块51具体用于：获取数据分析请求，所述数据分析请求中包括目标用户标识以及所述预设的时间间隔。根据所述目标用户标识，在预设的数据服务器中获取所述目标用户在预设的时间间隔内信令数据。按照预设的时间间隔对所述信令数据进行采样操作，获得多个目标信令数据。对所述多个目标信令数据中的时间信息以及位置信息进行提取，获得所述目标用户在预设的时间间隔内的第一轨迹信息。
实施例六
图9为本公开实施例的电子设备的结构示意图，如图9所示，本公开还提供了一种电子设备600，包括：存储器601和处理器602。
存储器601，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机执行指令。存储器601可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
处理器602，用于执行存储器601存放的程序。
其中，计算机程序存储在存储器601中，并被配置为由处理器602执行以实现本公开任意一个实施例提供的基于时空轨迹的伴随轨迹识别方法。相关说明可以对应参见附图中的步骤所对应的相关描述和效果进行理解，此处不做过多赘述。
其中，本实施例中，存储器601和处理器602通过总线连接。所述总线可以是工业标准体系结构(Industry Standard Architecture，简称为ISA)总线、外部设备互连(Peripheral Component，简称为PCI)总线或扩展工业标准体系结构(Extended IndustryStandard Architecture，简称为EISA)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图9中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
实施例七
本公开实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行以实现本公开任意一个实施例提供的基于时空轨迹的伴随轨迹识别方法。
在本公开所提供的几个实施例中，应该理解到，所揭露的装置和方法，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，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，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
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模块，即可以位于一个地方，或者也可以分布到多个网络模块上。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，在本公开各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程伴随轨迹识别装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
此外，虽然采用特定次序描绘了各操作，但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行，或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地，在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (9)
1.一种基于时空轨迹的伴随轨迹识别方法，其特征在于，包括：
获取目标用户在预设的时间间隔内的第一轨迹信息，所述第一轨迹信息中包括多个第一轨迹点，所述第一轨迹点中包括第一时间点，以及所述目标用户在所述第一时间点时所处的位置信息；
获取预存的各待测用户在所述时间间隔内的第二轨迹信息，所述第二轨迹信息中包括多个第二轨迹点，所述第二轨迹点中包括第二时间点，以及所述待测用户在所述第二时间点时所处的位置信息；
根据所述第一轨迹信息以及所述第二轨迹信息，分别计算所述目标用户与各所述待测用户对应的时间距离矩阵以及空间距离矩阵；
根据所述时间距离矩阵以及所述空间距离矩阵，计算所述第一轨迹信息以及各所述第二轨迹信息之间的相似度；
根据所述相似度，确定所述第一轨迹信息对应的伴随轨迹；
所述根据所述时间距离矩阵以及所述空间距离矩阵，计算所述第一轨迹信息以及所述第二轨迹信息之间的相似度，包括：
根据所述时间距离矩阵、所述时间距离矩阵对应的第一权重，以及所述空间距离矩阵、所述空间距离矩阵对应的第二权重，确定时间轨迹矩阵；根据多个目标值以及预设的相似度计算公式，计算第一轨迹信息以及第二轨迹信息之间的相似度；
其中，预设的相似度计算公式为：
其中，m为时间轨迹矩阵的行数，ni为时间轨迹矩阵的列数；所述多个目标值为所述时间轨迹矩阵中全部的目标值，其中，各目标行对应的目标值分别为a1,a2...,am，各目标列对应的目标值分别为
2.根据权利要求1所述的方法，其特征在于，所述根据所述第一轨迹信息以及所述第二轨迹信息，分别计算所述目标用户与各所述待测用户对应的时间距离矩阵以及空间距离矩阵，包括：
根据所述第一轨迹信息对应的多个第一时间点，以及所述第二轨迹信息对应的多个第二时间点，确定所述目标用户以及各所述待测用户对应的时间距离矩阵；
根据所述第一轨迹信息对应的多个位置信息，以及所述第二轨迹信息对应的多个位置信息，确定所述目标用户以及各所述待测用户对应的空间距离矩阵。
3.根据权利要求2所述的方法，其特征在于，所述根据所述第一轨迹信息对应的多个第一时间点，以及所述第二轨迹信息对应的多个第二时间点，确定所述目标用户以及各所述待测用户对应的时间距离矩阵，包括：
针对所述第一轨迹信息中的每一第一轨迹点，分别计算所述第一轨迹点中的第一时间点与所述第二轨迹信息对应的多个第二时间点之间的时间距离，获得各第一轨迹点对应的多个时间距离；
根据所述各第一轨迹点对应的多个时间距离，确定所述目标用户以及各所述待测用户对应的时间距离矩阵。
4.根据权利要求2所述的方法，其特征在于，所述根据所述第一轨迹信息对应的多个位置信息，以及所述第二轨迹信息对应的多个位置信息，确定所述目标用户以及各所述待测用户对应的空间距离矩阵，包括：
针对所述第一轨迹信息中的每一第一轨迹点，分别计算所述第一轨迹点中的位置信息与所述第二轨迹信息对应的多个位置信息之间的空间距离，获得各第一轨迹点对应的多个空间距离；
根据所述各第一轨迹点对应的多个空间距离，确定所述目标用户以及各所述待测用户对应的空间距离矩阵。
5.根据权利要求1所述的方法，其特征在于，所述根据多个目标值以及预设的相似度计算公式，计算第一轨迹信息以及第二轨迹信息之间的相似度，包括：
针对所述时间轨迹矩阵中的目标行或列，确定所述目标行或列中的第一目标值，所述第一目标值为所述目标行或列中数值最小的数；
确定最小值在所述时间轨迹矩阵中所处的目标列号或行号；
在所述时间轨迹矩阵中所述目标行或列的下一行或列中，确定列号或行号大于所述目标列号或行号的行或列中的第二目标值，所述第二目标值为所述列号或行号大于所述目标列号或行号的行或列中的数值最小的数；
判断时间轨迹矩阵中，所述目标行或列的下一行或列之后，是否还包括其他的行或列，若是，则将所述其他的行或列作为所述目标行或列，返回执行所述针对所述时间轨迹矩阵中的目标行或列，确定所述目标行或列中的第一目标值，所述第一目标值为所述目标行或列中数值最小的数的步骤，直至所述目标行或列的下一行或列之后，不包括其他的行或列，获得多个目标值。
6.根据权利要求1-4任一项所述的方法，其特征在于，所述获取目标用户在预设的时间间隔内的第一轨迹信息，包括：
获取数据分析请求，所述数据分析请求中包括目标用户标识以及所述预设的时间间隔；
根据所述目标用户标识，在预设的数据服务器中获取所述目标用户在预设的时间间隔内信令数据；
按照预设的时间间隔对所述信令数据进行采样操作，获得多个目标信令数据；
对所述多个目标信令数据中的时间信息以及位置信息进行提取，获得所述目标用户在预设的时间间隔内的第一轨迹信息。
7.一种基于时空轨迹的伴随轨迹识别装置，其特征在于，包括：
获取模块，用于获取目标用户在预设的时间间隔内的第一轨迹信息，所述第一轨迹信息中包括多个第一轨迹点，所述第一轨迹点中包括第一时间点，以及所述目标用户在所述第一时间点时所处的位置信息；
所述获取模块还用于，获取预存的各待测用户在所述时间间隔内的第二轨迹信息，所述第二轨迹信息中包括多个第二轨迹点，所述第二轨迹点中包括第二时间点，以及所述待测用户在所述第二时间点时所处的位置信息；
计算模块，用于根据所述第一轨迹信息以及所述第二轨迹信息，分别计算所述目标用户与各所述待测用户对应的时间距离矩阵以及空间距离矩阵；
所述计算模块还用于，根据所述时间距离矩阵以及所述空间距离矩阵，计算所述第一轨迹信息以及各所述第二轨迹信息之间的相似度；
确定模块，用于根据所述相似度，确定所述第一轨迹信息对应的伴随轨迹；
所述计算模块，具体用于根据所述时间距离矩阵、所述时间距离矩阵对应的第一权重，以及所述空间距离矩阵、所述空间距离矩阵对应的第二权重，确定时间轨迹矩阵；根据多个目标值以及预设的相似度计算公式，计算第一轨迹信息以及第二轨迹信息之间的相似度；
其中，预设的相似度计算公式为：
其中，m为时间轨迹矩阵的行数，ni为时间轨迹矩阵的列数；所述多个目标值为所述时间轨迹矩阵中全部的目标值，其中，各目标行对应的目标值分别为a1,a2...,am，各目标列对应的目标值分别为
8.一种电子设备，其特征在于，包括：存储器，处理器；
存储器：用于存储所述处理器可执行指令的存储器；
其中，所述处理器用于调用所述存储器中的程序指令执行如权利要求1-6任一项所述的基于时空轨迹的伴随轨迹识别方法。
9.一种存储介质，其特征在于，所述存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1-6任一项所述的基于时空轨迹的伴随轨迹识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011531017.1A CN112561948B (zh) | 2020-12-22 | 2020-12-22 | 基于时空轨迹的伴随轨迹识别方法、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011531017.1A CN112561948B (zh) | 2020-12-22 | 2020-12-22 | 基于时空轨迹的伴随轨迹识别方法、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112561948A CN112561948A (zh) | 2021-03-26 |
| CN112561948B true CN112561948B (zh) | 2023-11-21 |
Family
ID=75031455
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011531017.1A Active CN112561948B (zh) | 2020-12-22 | 2020-12-22 | 基于时空轨迹的伴随轨迹识别方法、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112561948B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113382441A (zh) * | 2021-05-24 | 2021-09-10 | 中国移动通信集团陕西有限公司 | 一种识别伴随用户的方法、装置、设备及可读存储介质 |
| CN113449158A (zh) * | 2021-06-22 | 2021-09-28 | 中国电子进出口有限公司 | 一种多源数据间的伴随分析方法和系统 |
| CN113706578A (zh) * | 2021-08-03 | 2021-11-26 | 杭州数梦工场科技有限公司 | 一种基于轨迹的移动对象伴随关系的确定方法和装置 |
| CN113704378A (zh) * | 2021-09-02 | 2021-11-26 | 北京锐安科技有限公司 | 一种伴随信息的确定方法、装置、设备及存储介质 |
| CN113806463B (zh) * | 2021-09-06 | 2023-04-28 | 北京信息科技大学 | 一种基于时空金字塔匹配的轨迹相似度计算方法 |
| CN113780407B (zh) * | 2021-09-09 | 2024-06-11 | 恒安嘉新（北京）科技股份公司 | 一种数据检测方法、装置、电子设备及存储介质 |
| CN117177185B (zh) * | 2023-11-02 | 2024-03-26 | 中国信息通信研究院 | 一种基于手机通信数据的号码伴随辅助识别方法 |
| CN117648556B (zh) * | 2024-01-29 | 2024-05-10 | 深圳市名通科技股份有限公司 | 基于时空大数据的家庭成员关系识别的方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106776482A (zh) * | 2016-12-01 | 2017-05-31 | 河海大学 | 一种轨迹相似度计算方法 |
| CN107679558A (zh) * | 2017-09-19 | 2018-02-09 | 电子科技大学 | 一种基于度量学习的用户轨迹相似性度量方法 |
| WO2018120424A1 (zh) * | 2016-12-29 | 2018-07-05 | 平安科技（深圳）有限公司 | 基于位置服务的人群分类方法、装置、设备和存储介质 |
| CN108537241A (zh) * | 2017-03-02 | 2018-09-14 | 镇江雅迅软件有限责任公司 | 一种楼宇运动物体轨迹相似性度量方法 |
| CN108955693A (zh) * | 2018-08-02 | 2018-12-07 | 吉林大学 | 一种路网匹配的方法及系统 |
| CN109657547A (zh) * | 2018-11-13 | 2019-04-19 | 成都四方伟业软件股份有限公司 | 一种基于伴随模型的异常轨迹分析方法 |
| CN110033051A (zh) * | 2019-04-18 | 2019-07-19 | 杭州电子科技大学 | 一种基于多步聚类的拖网渔船行为判别方法 |
| CN110555061A (zh) * | 2019-09-06 | 2019-12-10 | 北京百度网讯科技有限公司 | 轨迹相似度确定方法和装置 |
| EP3730384A1 (en) * | 2019-04-24 | 2020-10-28 | Aptiv Technologies Limited | System and method for trajectory estimation |
| EP3739356A1 (en) * | 2019-05-12 | 2020-11-18 | Origin Wireless, Inc. | Method, apparatus, and system for wireless tracking, scanning and monitoring |
| CN112000736A (zh) * | 2020-08-14 | 2020-11-27 | 济南浪潮数据技术有限公司 | 时空轨迹伴随分析方法、系统及电子设备和存储介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| ES2354330B1 (es) * | 2009-04-23 | 2012-01-30 | Universitat Pompeu Fabra | Método para calcular medidas de similitud entre señales temporales. |
| US9684830B2 (en) * | 2014-11-14 | 2017-06-20 | Intel Corporation | Automatic target selection for multi-target object tracking |
| JP2017142147A (ja) * | 2016-02-10 | 2017-08-17 | 富士通株式会社 | 情報処理装置、軌跡情報生成方法および軌跡情報生成プログラム |
| CN107229940A (zh) * | 2016-03-25 | 2017-10-03 | 阿里巴巴集团控股有限公司 | 数据伴随分析方法及装置 |
-
2020
- 2020-12-22 CN CN202011531017.1A patent/CN112561948B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106776482A (zh) * | 2016-12-01 | 2017-05-31 | 河海大学 | 一种轨迹相似度计算方法 |
| WO2018120424A1 (zh) * | 2016-12-29 | 2018-07-05 | 平安科技（深圳）有限公司 | 基于位置服务的人群分类方法、装置、设备和存储介质 |
| CN108537241A (zh) * | 2017-03-02 | 2018-09-14 | 镇江雅迅软件有限责任公司 | 一种楼宇运动物体轨迹相似性度量方法 |
| CN107679558A (zh) * | 2017-09-19 | 2018-02-09 | 电子科技大学 | 一种基于度量学习的用户轨迹相似性度量方法 |
| CN108955693A (zh) * | 2018-08-02 | 2018-12-07 | 吉林大学 | 一种路网匹配的方法及系统 |
| CN109657547A (zh) * | 2018-11-13 | 2019-04-19 | 成都四方伟业软件股份有限公司 | 一种基于伴随模型的异常轨迹分析方法 |
| CN110033051A (zh) * | 2019-04-18 | 2019-07-19 | 杭州电子科技大学 | 一种基于多步聚类的拖网渔船行为判别方法 |
| EP3730384A1 (en) * | 2019-04-24 | 2020-10-28 | Aptiv Technologies Limited | System and method for trajectory estimation |
| EP3739356A1 (en) * | 2019-05-12 | 2020-11-18 | Origin Wireless, Inc. | Method, apparatus, and system for wireless tracking, scanning and monitoring |
| CN110555061A (zh) * | 2019-09-06 | 2019-12-10 | 北京百度网讯科技有限公司 | 轨迹相似度确定方法和装置 |
| CN112000736A (zh) * | 2020-08-14 | 2020-11-27 | 济南浪潮数据技术有限公司 | 时空轨迹伴随分析方法、系统及电子设备和存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| Josh Jia-Ching Ying等.Mining user similarity from semantic trajectories.《LBSN '10: Proceedings of the 2nd ACM SIGSPATIAL International Workshop on Location Based Social Networks》.2010,19-26. * |
| Representation Learning With Multi-Level Attention for Activity Trajectory Similarity Computation;An Liu等;《 IEEE Transactions on Knowledge and Data Engineering》;2387 - 2400 * |
| 室内移动对象轨迹重构与相似性度量研究;王雅楠等;《计算机科学与探索》;1871-1881 * |
| 时空轨迹相似度计算方法研究与实现;涂刚凯;耿鑫;;计算机与数字工程(05);1114-1120 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112561948A (zh) | 2021-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112561948B (zh) | 基于时空轨迹的伴随轨迹识别方法、设备及存储介质 | |
| CN108256404B (zh) | 行人检测方法和装置 | |
| CN106845352B (zh) | 行人检测方法和装置 | |
| CN111639968B (zh) | 轨迹数据处理方法、装置、计算机设备以及存储介质 | |
| CN110363076A (zh) | 人员信息关联方法、装置及终端设备 | |
| CN110561416A (zh) | 一种激光雷达重定位方法及机器人 | |
| CN110645999A (zh) | 导航方法、装置、服务器、终端及存储介质 | |
| US10659680B2 (en) | Method of processing object in image and apparatus for same | |
| CN110443224A (zh) | 翻页检测方法、装置、电子设备及存储介质 | |
| CN105426862A (zh) | 基于rfid、定位技术与视频技术的分析方法及其系统 | |
| CN110727809A (zh) | 人脸与移动用户识别码关联查询方法、装置及电子设备 | |
| CN114783061B (zh) | 一种吸烟行为检测方法、装置、设备和介质 | |
| CN115563449A (zh) | 个人轨迹检测方法、装置、电子设备和存储介质 | |
| CN112232882B (zh) | 一种客流统计方法、装置及电子设备 | |
| CN111132309B (zh) | 一种定位方法、装置、服务器及存储介质 | |
| CN113837138A (zh) | 一种着装监控方法、系统、介质及电子终端 | |
| CN111177228B (zh) | 基于学科评估的数据处理方法、系统、装置及电子设备 | |
| CN110533297B (zh) | 一种识别异常设备的方法及装置 | |
| CN109788431B (zh) | 一种基于相邻节点组的蓝牙定位方法、装置、设备和系统 | |
| CN112560700A (zh) | 一种基于动作分析的信息关联方法、装置及电子设备 | |
| US10362553B2 (en) | Determining location of wireless-enabled device | |
| CN113301597B (zh) | 网络分析方法及设备 | |
| CN113408496B (zh) | 图像确定方法和装置、存储介质及电子设备 | |
| CN111723609B (zh) | 模型优化方法、装置、电子设备及存储介质 | |
| CN115374846A (zh) | 投诉举报对象识别方法、装置、设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |