CN112665596A - 一种基于自行车位置数据下的人群移动轨迹算法 - Google Patents

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

一种基于自行车位置数据下的人群移动轨迹算法

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(p_v,p_w)表示用户连续轨迹点p_i到p_j之间任意两点的欧氏距离；t(p_i,p_j)＞T₀表示首末轨迹点p_i、p_j之间的时间差。用户所有的停留集合表示为S＝(s₁,s₂,...,s_m)，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(p_i,p_j)＜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(p_i,p_j)＞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。

Images