CN112665596A - 一种基于自行车位置数据下的人群移动轨迹算法 - Google Patents
一种基于自行车位置数据下的人群移动轨迹算法 Download PDFInfo
- Publication number
- CN112665596A CN112665596A CN202011592898.8A CN202011592898A CN112665596A CN 112665596 A CN112665596 A CN 112665596A CN 202011592898 A CN202011592898 A CN 202011592898A CN 112665596 A CN112665596 A CN 112665596A
- Authority
- CN
- China
- Prior art keywords
- track
- data
- bicycle
- movement
- movement track
- 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
- 230000033001 locomotion Effects 0.000 title claims abstract description 50
- 238000012216 screening Methods 0.000 claims abstract description 22
- 238000005516 engineering process Methods 0.000 claims abstract description 10
- 238000011160 research Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 16
- 230000010354 integration Effects 0.000 claims 1
- 230000004807 localization Effects 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 3
- 238000011161 development Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
Images
Landscapes
- Navigation (AREA)
Abstract
本发明公开了一种基于自行车位置数据下的人群移动轨迹算法,属于人群移动分析领域,本发明旨在研究自行车下人群移动轨迹,通过手机位置数据和共享单车的后台数据,使用时空定位技术对数据进行处理,保证数据的准确性,根据SMoT模型来提取移动轨迹,研究轨迹分为符合公共交通出行特征的移动轨迹段和其他移动轨迹段,对于符合公共交通出行特征的移动轨迹段进行处理,对移动始末点最近邻公共交通站点距离判断,再进行距离特征筛选,然后筛选出自行车接驳轨迹。对于其他移动轨迹段,进行距离、时间特征筛选,筛选出自行车短距离出行轨迹。然后对起点和终点位置相同的移动轨迹段进行插补,最后得到自行车下的人群移动轨迹。
Description
技术领域
本发明属于计算机技术应用领域,涉及一种基于自行车位置数据下的人群移动轨迹算法。
背景技术
自行车是慢行交通的重要组成部分,科学评估自行车移动轨迹是规划自行车道、停车围栏等基础设施的重要依据。能够为有关部门对自行车相关的基础设施进行科学规划提供帮助,从而促进包括共享单车在的自行车交通方式在城市中平稳有序的发展。近来年,随着互联网技术的飞速发展,智能手机的出现,为研究人群移动带来了极大的便利,手机数据信息,GPS定位等技术已经普及到我们生活中,让我们获取人们的出行数据变得很轻松。
为了城市时空建设,给人们提供更好的生活空间,大多数专家和学者开始研究人群移动的模式,可以为城市建设提供有力的数据支持,方便人们的衣食住行,目前大多数都是基于出租车GPS定位技术,公交车移动轨迹,地铁刷卡数据等来研究人群移动的轨迹。
发明内容
鉴于此,本发明的目的在于提供一种基于自行车位置数据下的人群移动轨迹算法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:首先是数据的获取,通过手机位置数据和共享单车的后台数据,使用时空定位技术对数据进行处理,保证数据的准确性和唯一性,根据SMoT(Stops and Moves of a Trajectory)模型来提取原始移动轨迹,研究轨迹分为符合公共交通出行特征的移动轨迹段和其他移动轨迹段,对于符合公共交通出行特征的移动轨迹段进行处理,先对移动始末点最近邻公共交通站点距离判断,再进行距离特征筛选,最后筛选出自行车接驳轨迹,对于其他移动轨迹段,先进行距离特征筛选,再进行时间特征筛选,最后筛选出自行车短距离出行轨迹,然后对得到的两种轨迹数据进行处理,对起点和终点位置相同的移动轨迹段进行插补,最后得到自行车下的人群移动轨迹。
作为本发明的一种优选技术方案,所述数据源为手机位置数据和共享单车的后台数据。
作为本发明的一种优选技术方案,让数据源通过时空定位来提高准确性和可靠性。
作为本发明的一种优选技术方案,对自行车的起点和终点位置相同的移动轨迹段进行插补,保证轨迹数据的完整性。
作为本发明的一种优选技术方案,一种基于自行车位置数据下的人群移动轨迹算法,包括以下步骤:
S1:从手机和共享单车后台获取数据,然后通过时空定位技术,对数据进行分析处理,筛选出正确的位置数据,提高数据的准确性;
S2:根据SMoT模型先识别出停留轨迹段,然后再提取出停留轨迹段之间的轨迹点形成移动轨迹段;
S3:对移动轨迹分类,分别为符合公共交通出行特征的移动轨迹段和其他移动轨迹段;
S4:对符合公共交通出行特征的移动轨迹段进行处理分析,先对它的移动起始最近邻公共交通站点距离进行分析,然后进行距离筛选,最后分析研究自行车与公交车接驳轨迹;
S5:对其他移动轨迹进行处理分析,先是对距离特征进行筛选,然后对时间特征进行筛选,最后研究分析自行车短距离出行轨迹;
S6:处理分析后的两种轨迹,对起点和终点位置相同的移动轨迹段进行插补,保证数据的完整性和可操作性;
S7:最后得到比较精准的自行车下的移动轨迹。
与现有技术相比,本发明提出了一种基于自行车位置数据下的人群移动轨迹算法,可以对规划自行车道、停车围栏等基础设施的重要依据,能够为有关部门对自行车相关的基础设施进行科学规划提供帮助,从而促进包括共享单车在的自行车交通方式在城市中平稳有序的发展。
附图说明
图1为本发明基于自行车位置数据下的人群移动轨迹处理的流程图。
具体实施方式
下面将结合本发明实施的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实例仅仅是本发明一部分实施例子,而不是全部实施例,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。
如图1所示,本发明提供了一种基于自行车位置数据下的人群移动轨迹算法,其基本实现过程如下。
从手机和共享单车后台获取数据,对数据进行预处理。
对于预处理的数据,通过时空定位技术,对数据进行分析处理筛选出正确的位置数据,提高数据的准确性。
根据SMoT模型先识别出停留轨迹段,然后再提取出停留轨迹段之间的轨迹点形成移动轨迹段。
停留是指用户在一个局部空间范围(用距离阈值D0定义)内的持续时间长度超过特定阈值(T0)的行为,停留s定义如下所示:
式中:d(pv,pw)表示用户连续轨迹点pi到pj之间任意两点的欧氏距离;t(pi,pj)>T0表示首末轨迹点pi、pj之间的时间差。用户所有的停留集合表示为S=(s1,s2,...,sm),m为用户的停留个数。
提取用户移动轨迹分段具体步骤如下:
①初始化变量,i=1,j=i+1,将轨迹点i加入Q;
②判断d(pi,pj)<D0是否均成立,其中l=i,i+1,...,j-1;
③若成立,则将j点添加到集合Q中,j=j+1,返回步骤②;
④否则,判断t(pi,pj)>T0是否成立;
⑤若成立,则集合Q中的所有轨迹点构成一个停留,将该停留加入停留集合S中,清空集合Q,i=j,j=i+1,将轨迹点i加入Q,返回步骤②;
⑥否则,清空集合Q,i=j,j=i+1,将轨迹点i加入Q,返回步骤②;
⑦重复步骤②—⑥,直到用户所有的轨迹点均被处理,从而得到用户所有停留的集合S;
⑧在原始轨迹中,将连续停留分段之间的轨迹作为移动轨迹段,经整合得到初始移动轨迹段集合。
将研究轨迹分为符合公共交通出行特征的移动轨迹段和其他移动轨迹段。
对于符合公共交通出行特征的移动轨迹段进行处理,先对移动始末点最近邻公共交通站点距离判断,再进行距离特征筛选,最后筛选出自行车接驳轨迹。
对于其他移动轨迹段,先进行距离特征筛选,再进行时间特征筛选,最后筛选出自行车短距离出行轨迹。
然后对得到的两种轨迹数据进行处理,对起点和终点位置相同的移动轨迹段进行插补,最后得到自行车下的人群移动轨迹。
综上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种基于自行车位置数据下的人群移动轨迹算法,通过手机位置数据和共享单车的后台数据,构成数据源,使用时空定位技术对数据进行处理,保证数据的准确性和唯一性,根据SMoT模型来提取原始移动轨迹,研究轨迹分为符合公共交通出行特征的移动轨迹段和其他移动轨迹段,对于符合公共交通出行特征的移动轨迹段进行处理,先对移动始末点最近邻公共交通站点距离判断,再进行距离特征筛选,最后筛选出自行车接驳轨迹。对于其他移动轨迹段,先进行距离特征筛选,再进行时间特征筛选,最后筛选出自行车短距离出行轨迹。然后对得到的两种轨迹数据进行处理,对起点和终点位置相同的移动轨迹段进行插补,最后得到自行车下的人群移动轨迹。
2.根据权利要求书1中所述的一种基于自行车位置数据下的人群移动轨迹算法,其特征在于所述的数据源是由手机位置数据和共享单车的后台数据组成的。
3.根据权利要求书1中所述的一种基于自行车位置数据下的人群移动轨迹算法,其特征在于所述的数据处理是通过时空定位来提高数据的准确性。
4.根据权利要求书1中所述的一种基于自行车位置数据下的人群移动轨迹算法,其特征在于自行车的移动轨迹模式是由符合公共交通出行特征的移动轨迹段和其他移动轨迹段组成。
5.根据权利要求书1中所述的一种基于自行车位置数据下的人群移动轨迹算法,其特征在于数据整合是对起点和终点位置相同的移动轨迹段进行插补。
6.一种基于自行车位置数据下的人群移动轨迹算法,其特征在于,根据权利要求1-5任一所述的一种包括以下步骤:
S1:从手机和共享单车后台获取数据,然后通过时空定位技术,对数据进行分析处理,筛选出正确的位置数据,提高数据的准确性;
S2:根据SMoT模型先识别出停留轨迹段,然后再提取出停留轨迹段之间的轨迹点形成移动轨迹段;
S3:对移动轨迹分类,分别为符合公共交通出行特征的移动轨迹段和其他移动轨迹段;
S4:对符合公共交通出行特征的移动轨迹段进行处理分析,先对它的移动起始最近邻公共交通站点距离进行分析,然后进行距离筛选,最后分析研究自行车与公交车接驳轨迹;
S5:对其他移动轨迹进行处理分析,先是对距离特征进行筛选,然后对时间特征进行筛选,最后研究分析自行车短距离出行轨迹;
S6:处理分析后的两种轨迹,对起点和终点位置相同的移动轨迹段进行插补,保证数据的完整性和可操作性;
S7:最后得到比较精准的自行车下的移动轨迹。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011592898.8A CN112665596A (zh) | 2020-12-29 | 2020-12-29 | 一种基于自行车位置数据下的人群移动轨迹算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011592898.8A CN112665596A (zh) | 2020-12-29 | 2020-12-29 | 一种基于自行车位置数据下的人群移动轨迹算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112665596A true CN112665596A (zh) | 2021-04-16 |
Family
ID=75411875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011592898.8A Pending CN112665596A (zh) | 2020-12-29 | 2020-12-29 | 一种基于自行车位置数据下的人群移动轨迹算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112665596A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116756200A (zh) * | 2023-05-29 | 2023-09-15 | 人工智能与数字经济广东省实验室(深圳) | 一种共享单车接驳轨道交通工具的识别方法和相关装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102637358A (zh) * | 2012-04-19 | 2012-08-15 | 浙江大学 | 立足市民满意度的公共自行车服务系统及调度配送方法 |
CN107547636A (zh) * | 2017-08-08 | 2018-01-05 | 千寻位置网络有限公司 | 一种基于精准位置的共享单车管理方法 |
CN107909180A (zh) * | 2017-09-30 | 2018-04-13 | 百度在线网络技术(北京)有限公司 | 公共交通出行用时的处理方法、设备及可读介质 |
CN108921403A (zh) * | 2018-06-15 | 2018-11-30 | 杭州后博科技有限公司 | 一种共享单车无使用记录时被骑行识别方法及系统 |
CN110110902A (zh) * | 2019-04-16 | 2019-08-09 | 东南大学 | 一种共享单车接驳轨道交通站点的可达性测算方法 |
CN110136442A (zh) * | 2019-05-20 | 2019-08-16 | 东南大学 | 基于共享单车gps轨迹数据的行人侵占道路行为识别方法 |
CN110189029A (zh) * | 2019-05-31 | 2019-08-30 | 福州大学 | 一种基于大规模手机位置数据的自行车骑车与停车需求评估方法 |
CN110472999A (zh) * | 2019-07-17 | 2019-11-19 | 深圳市综合交通运行指挥中心 | 基于地铁和共享单车数据的客流模式分析方法及装置 |
CN111508228A (zh) * | 2020-04-01 | 2020-08-07 | 佛山市城市规划设计研究院 | 利用手机gps及电子地图数据的公共交通出行链的获取方法 |
CN111882098A (zh) * | 2020-04-03 | 2020-11-03 | 广州市交通规划研究院 | 一种基于整体协同的铁路站点客流及接驳方式预测方法 |
CN112116203A (zh) * | 2020-08-21 | 2020-12-22 | 湖南铁路科技职业技术学院 | 一种基于有调度车的公共自行车系统布局规划方法 |
-
2020
- 2020-12-29 CN CN202011592898.8A patent/CN112665596A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102637358A (zh) * | 2012-04-19 | 2012-08-15 | 浙江大学 | 立足市民满意度的公共自行车服务系统及调度配送方法 |
CN107547636A (zh) * | 2017-08-08 | 2018-01-05 | 千寻位置网络有限公司 | 一种基于精准位置的共享单车管理方法 |
CN107909180A (zh) * | 2017-09-30 | 2018-04-13 | 百度在线网络技术(北京)有限公司 | 公共交通出行用时的处理方法、设备及可读介质 |
CN108921403A (zh) * | 2018-06-15 | 2018-11-30 | 杭州后博科技有限公司 | 一种共享单车无使用记录时被骑行识别方法及系统 |
CN110110902A (zh) * | 2019-04-16 | 2019-08-09 | 东南大学 | 一种共享单车接驳轨道交通站点的可达性测算方法 |
CN110136442A (zh) * | 2019-05-20 | 2019-08-16 | 东南大学 | 基于共享单车gps轨迹数据的行人侵占道路行为识别方法 |
CN110189029A (zh) * | 2019-05-31 | 2019-08-30 | 福州大学 | 一种基于大规模手机位置数据的自行车骑车与停车需求评估方法 |
CN110472999A (zh) * | 2019-07-17 | 2019-11-19 | 深圳市综合交通运行指挥中心 | 基于地铁和共享单车数据的客流模式分析方法及装置 |
CN111508228A (zh) * | 2020-04-01 | 2020-08-07 | 佛山市城市规划设计研究院 | 利用手机gps及电子地图数据的公共交通出行链的获取方法 |
CN111882098A (zh) * | 2020-04-03 | 2020-11-03 | 广州市交通规划研究院 | 一种基于整体协同的铁路站点客流及接驳方式预测方法 |
CN112116203A (zh) * | 2020-08-21 | 2020-12-22 | 湖南铁路科技职业技术学院 | 一种基于有调度车的公共自行车系统布局规划方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116756200A (zh) * | 2023-05-29 | 2023-09-15 | 人工智能与数字经济广东省实验室(深圳) | 一种共享单车接驳轨道交通工具的识别方法和相关装置 |
CN116756200B (zh) * | 2023-05-29 | 2024-05-07 | 人工智能与数字经济广东省实验室(深圳) | 一种共享单车接驳轨道交通工具的识别方法和相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pan et al. | Semanticposs: A point cloud dataset with large quantity of dynamic instances | |
Tian et al. | Lane marking detection via deep convolutional neural network | |
CN112487862B (zh) | 基于改进EfficientDet模型的车库行人检测方法 | |
CN101950426B (zh) | 一种多摄像机场景下车辆接力跟踪方法 | |
CN102930061B (zh) | 一种基于运动目标检测的视频摘要方法 | |
Mahaur et al. | Road object detection: a comparative study of deep learning-based algorithms | |
CN108629978A (zh) | 一种基于高维路网和循环神经网络的交通轨迹预测方法 | |
CN108920481A (zh) | 一种基于手机定位数据的道路网重建方法及系统 | |
CN105608505A (zh) | 一种基于手机信令数据的居民轨道交通出行方式识别方法 | |
CN106683530A (zh) | 一种基于三维激光视觉和高精度车道模型的计算机评判系统和方法 | |
WO2023030182A1 (zh) | 图像生成方法及装置 | |
Kong et al. | Enhanced facade parsing for street-level images using convolutional neural networks | |
CN110516633A (zh) | 一种基于深度学习的车道线检测方法及系统 | |
CN106919939B (zh) | 一种交通标识牌跟踪识别方法及系统 | |
Li et al. | Fusing taxi trajectories and RS images to build road map via DCNN | |
CN105138525A (zh) | 交通视频处理装置和方法及检索装置和方法 | |
CN112665596A (zh) | 一种基于自行车位置数据下的人群移动轨迹算法 | |
Zhang et al. | Road marking segmentation based on siamese attention module and maximum stable external region | |
CN108882152A (zh) | 一种基于路径选择上报的用户隐私保护方法 | |
Wu et al. | OCR-RTPS: an OCR-based real-time positioning system for the valet parking | |
CN109581444A (zh) | 一种gps轨迹分段及语义标注方法 | |
Zheng et al. | Road scene segmentation based on deep learning | |
CN113111778A (zh) | 一种视频和无线融合的大规模人群分析方法 | |
US20240029296A1 (en) | Orientation Determination for Mobile Computing Devices | |
CN117173931A (zh) | 一种基于图神经网络的人与非机动车碰撞预判方法及系统 |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Cheng Yuan Inventor after: Jiang Haotong Inventor after: Jia Weinan Inventor before: Jia Weinan Inventor before: Lv Yanhe Inventor before: Lv Hexiang Inventor before: Cheng Yuan |
|
CB03 | Change of inventor or designer information |