CN112784901A - 一种基于位置数据的行人出行分类检测方法和系统 - Google Patents

一种基于位置数据的行人出行分类检测方法和系统 Download PDF

Info

Publication number
CN112784901A
CN112784901A CN202110088137.7A CN202110088137A CN112784901A CN 112784901 A CN112784901 A CN 112784901A CN 202110088137 A CN202110088137 A CN 202110088137A CN 112784901 A CN112784901 A CN 112784901A
Authority
CN
China
Prior art keywords
pedestrian
travel
characteristic
combination
classification
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
Application number
CN202110088137.7A
Other languages
English (en)
Other versions
CN112784901B (zh
Inventor
诸彤宇
魏翔
凌鹏
张鹏
周轶
吴爱枝
刘艳
王伯辰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Academy Of Safety Science And Technology
Beihang University
Original Assignee
Beijing Academy Of Safety Science And Technology
Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Academy Of Safety Science And Technology, Beihang University filed Critical Beijing Academy Of Safety Science And Technology
Priority to CN202110088137.7A priority Critical patent/CN112784901B/zh
Publication of CN112784901A publication Critical patent/CN112784901A/zh
Application granted granted Critical
Publication of CN112784901B publication Critical patent/CN112784901B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y02A30/60—Planning or developing urban green infrastructure

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种基于位置数据的行人出行分类检测方法和系统，其方法包括：步骤S1：根据行人轨迹数据，构建行人组合出行特征；步骤S2：构建城市组合区域特征；步骤S3：融合行人组合出行特征和城市组合区域特征，构建增强行人出行特征；步骤S4：将增强行人出行特征，输入行人出行分类检测模型，得到行人出行分类结果。本发明提供的方法，可以根据行人轨迹信息以及地域的特征，预测在一定时期以及地域内的行人出行的行为方式，以便提前预警，疏解交通压力，保证交通安全。

Description

一种基于位置数据的行人出行分类检测方法和系统
技术领域
本发明属于数据分析与挖掘领域，特别涉及了一种基于位置数据的行人出行分类检测方法和系统。
背景技术
在城市化进程的不断加快，城市规模和人口不断扩大的过程中，城市的人群出行变得愈来愈复杂，不同的人群在城市中的分布情况未知，大大增加了城市规划与交通安全管理的成本。若大量行人在同一时间段前往同一地区，会增加相应地区的交通压力，造成潜在的安全风险。
因此，如何能快速有效地预测行人出行的行为方式，以纾解交通压力并保证交通安全，成为一个亟待解决的问题。
发明内容
为了解决上述技术问题，本发明提供一种基于位置数据的行人出行分类检测方法及系统。
本发明技术解决方案为：一种基于位置数据的行人出行分类检测方法，包括：
步骤S1：根据行人轨迹数据，构建行人组合出行特征；
步骤S2：构建城市组合区域特征；
步骤S3：融合所述行人组合出行特征和所述城市组合区域特征，构建增强行人出行特征；
步骤S4：将所述增强行人出行特征，输入行人出行分类检测模型，得到行人出行分类结果。
本发明与现有技术相比，具有以下优点：
本发明提供的一种基于位置数据的行人出行分类检测方法，可以根据行人轨迹信息以及地域的特征，预测在一定时期以及地域内的行人出行的行为方式，以便提前预警，疏解交通压力，保证交通安全。
附图说明
图1为本发明实施例中一种基于位置数据的行人出行分类检测方法的流程图；
图2为本发明实施例中一种基于位置数据的行人出行分类检测方法中步骤S1：根据行人轨迹数据，构建行人组合出行特征的流程图；
图3为本发明实施例中一种基于位置数据的行人出行分类检测方法中步骤S2：构建城市组合区域特征的流程图；
图4为本发明实施例中一种基于位置数据的行人出行分类检测方法中步骤S4：将增强行人出行特征，输入行人出行分类检测模型，得到行人出行分类结果的流程图；
图5为本发明实施例中行人出行分类检测模型训练集扩充和训练过程示意图；
图6为本发明实施例中行人出行分类检测模型结构示意图；
图7为本发明实施例中一种基于位置数据的行人出行分类检测系统的结构框图。
具体实施方式
本发明提供了一种基于位置数据的行人出行分类检测方法及系统，可以快速有效地预测行人出行的行为方式，以疏解交通压力并保证交通安全。
为了使本发明的目的、技术方案及优点更加清楚，以下通过具体实施，并结合附图，对本发明进一步详细说明。
实施例一
如图1所示，本发明实施例提供了一种基于位置数据的行人出行分类检测方法，包括：
步骤S1：根据行人轨迹数据，构建行人组合出行特征；
步骤S2：构建城市组合区域特征；
步骤S3：融合行人组合出行特征和城市组合区域特征，构建增强行人出行特征；
步骤S4：将行人出行特征，输入行人出行分类检测模型，得到行人出行分类结果。
在一个实施例中，采用时空的聚类方法对个人的位置数据聚类得到个人每天停留点，以及居住地等信息，给出位置数据RawRecord和停留点StayPoint的表达式如下：
RawRecord:R(id,ts,te,lng,lat)
StayPoint:SP(RC(lng,lat),RC(ts,te))
其中，RC(lng,lat)表示RawRecord的中停留时长最长的位置，lng，lat分别代表位置的经度和纬度，RC(ts,te)分别表示停留点的起止时间，必须满足下面约束条件：
RC(lng,lat)＝(Rj.lng,Rj.lat),Rj∈RC
Figure BDA0002911487730000021
RC(ts,te)＝(min(Ri.t),max(Ri.t)),R∈RC
本发明实施例采用0.5h的采样间隔对个人的停留轨迹进行采样，每天得到48个时序停留点；
DSP＝{SP1,SP2,SP3,…,SP48}
如图2所示，在一个实施例中，上述步骤S1：根据行人轨迹数据，构建行人组合出行特征，包括：
步骤S11：计算出行距离dis(SPi,SPi-1)，表示当前时刻i对应的停留点SPi与上一时刻i-1对应的停留点SPi-1之间的距离；
通过出行距离，可以反映行人当前出行范围。
步骤S12：计算居家距离,dis(SPi,Home)，表示当前时刻i对应的停留点SPi与家Home之间的距离；
通过居家距离，可以反映行人在日常生活中是长距离通勤还是近距离通勤。
步骤S13：标识长停点isLong，表示当前时刻对应的停留点是否是长期停留点；
通过长停点，可以反映当前停留点是工作地还是居住地。
步骤S14：构建行人组合出行特征如下：
Figure BDA0002911487730000038
在一个实施例中，对城市进行网格划分，举例来说，可以选取网格大小为1km*1km，将整个城市划分成网格，并针对每个网格区域计算，如图3所示，上述步骤S2：构建城市组合区域特征，包括：
步骤S21：计算区域平均停留时长
Figure BDA0002911487730000031
本步骤用于计算当前区域内的停留点的平均停留时长。
步骤S22：计算区域当前人数占比
Figure BDA0002911487730000032
基于信令位置数据计算出的停留点，按照下述公式(1)计算出多天中当前区域p当前时刻i的人数占比
Figure BDA0002911487730000033
Figure BDA0002911487730000034
步骤S23：计算区域平均工作人数
Figure BDA0002911487730000035
计算一定时期内在该区域内工作停留的人数均值。
步骤S24：计算区域平均居住人数
Figure BDA0002911487730000036
计算一定时期内在该区域内居住停留的人数均值。
步骤S25：计算区域POI分布
Figure BDA0002911487730000037
计算归一化后的办公、教学、商业、餐饮、不同类型的POI数量占比。
步骤S26：将上述区域特征组合，构建城市组合区域特征：
Figure BDA0002911487730000041
在一个实施例中，上述步骤S3：融合行人组合出行特征和城市组合区域特征，构建增强行人出行特征如下：
Figure BDA0002911487730000042
如图4、图5所示，在一个实施例中，上述步骤S4：将增强行人出行特征，输入行人出行分类检测模型，得到行人出行分类结果，包括：
步骤S41：利用增强行人出行特征标注数据集L，输入行人出行分类检测模型m进行训练；
在本步骤中，行人出行分类检测模型m采用LSTM时序模型。首先，使用少量的标注数据集L，对行人出行分类检测模型进行训练。
如图6所示，步骤S42：用如下述交叉熵损失函数(2)进行计算:
Figure BDA0002911487730000043
其中，x是所述行人出行分类检测模型的输出向量，y是真实分类类别；
步骤S43：反向传播损失函数loss，更新行人出行分类检测模型为m’；
步骤S44：通过m’对无标签数据进行分类，并将置信度大于预设阈值的分类结果，加入标注数据集L；
在本步骤中，并将大于预设阈值的置信度的分类结果加入标注数据集L,需要同时满足以下两个条件：
1)模型分类概率较高：在当前的模型中，分类的置信度较高，可以通过softmax激活函数来计算模型分类的概率；
2)数据本身置信度较高：通过计算行人组合出行特征和城市组合区域特征，针对不同行人出行分类的类别应满足以下任意一条规则：
a)区域特征强关联：当前分类结果对应的数据与其出行分类对应的POI类型有较强的关联性。例如学生类别的教学类POI时间占比高于平均水平。
b)分类类别与出行特征强关联：当前分类结果对应的数据与其出行分类所具有的出行特征具有较强的关联性。例如城市蜂鸟类别出出行距离和停留点数量高于平均。
步骤S45：重复步骤S42～S44，直到数据集L中数据个数大于预设阈值，输出行人出行分类结果。
其中，步骤S42～S44可用下述伪代码表示：
Figure BDA0002911487730000051
本发明提供的一种基于位置数据的行人出行分类检测方法，可以根据行人轨迹信息以及地域的特征，预测在一定时期以及地域内的行人出行的行为方式，以便提前预警，疏解交通压力，保证交通安全。
实施例二
如图6所示，本发明实施例提供了一种基于位置数据的行人出行分类检测系统，包括下述模块：
构建行人组合出行特征模块，用于根据行人轨迹数据，构建行人组合出行特征；
构建城市组合区域特征模块，用于构建城市组合区域特征；
融合模块，用于融合行人组合出行特征和城市组合区域特征，构建增强行人出行特征；
训练行人出行分类检测模型模块，用于将增强行人出行特征，输入行人出行分类检测模型，得到行人出行分类结果。
提供以上实施例仅仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。

Claims (6)

1.一种基于位置数据的行人出行分类检测方法，其特征在于，包括：
步骤S1：根据行人轨迹数据，构建行人组合出行特征；
步骤S2：构建城市组合区域特征；
步骤S3：融合所述行人组合出行特征和所述城市组合区域特征，构建增强行人出行特征；
步骤S4：将所述增强行人出行特征，输入行人出行分类检测模型，得到行人出行分类结果。
2.根据权利要求1所述的基于位置数据的行人出行分类方法，其特征在于，所述步骤S1：根据行人轨迹数据，构建行人组合出行特征，包括：
步骤S11：计算出行距离dis(SPi,SPi-1)，表示当前时刻i对应的停留点SPi与上一时刻i-1对应的停留点SPi-1之间的距离；
步骤S12：计算居家距离,dis(SPi,Home)，表示当前时刻i对应的停留点SPi与家Home之间的距离；
步骤S13：标识长停点isLong，表示当前时刻对应的停留点是否是长期停留点；
步骤S14：构建行人组合出行特征如下：
Figure FDA0002911487720000011
3.根据权利要求1所述的基于位置数据的行人出行分类方法，其特征在于，所述步骤S2：构建城市组合区域特征，包括：
步骤S21：计算区域平均停留时长
Figure FDA0002911487720000012
步骤S22：计算区域当前人数占比
Figure FDA0002911487720000013
步骤S23：计算区域平均工作人数
Figure FDA0002911487720000014
步骤S24：计算区域平均居住人数
Figure FDA0002911487720000015
步骤S25：计算区域POI分布
Figure FDA0002911487720000016
步骤S26：构建城市组合区域特征如下：
Figure FDA0002911487720000017
4.根据权利要求1所述的基于位置数据的行人出行分类方法，其特征在于，所述步骤S3：融合所述行人组合出行特征和所述城市组合区域特征，构建增强行人出行特征如下：
Figure FDA0002911487720000021
5.根据权利要求1所述的基于位置数据的行人出行分类方法，其特征在于，所述步骤S4：将所述增强行人出行特征，输入行人出行分类检测模型，得到行人出行分类结果，包括：
步骤S41：利用所述增强行人出行特征标注数据集L，输入所述行人出行分类检测模型m进行训练；
步骤S42：用如下述交叉熵损失函数进行计算：
Figure FDA0002911487720000022
其中，x是所述行人出行分类检测模型的输出向量，y是真实分类类别；
步骤S43：反向传播所述损失函数loss，更新所述行人出行分类检测模型为m’；
步骤S44：通过m’对无标签数据进行分类，并将置信度大于预设阈值的分类结果，加入所述标注数据集L；
步骤S45：重复步骤S42～S44，直到所述数据集L中数据个数大于预设阈值，输出所述行人出行分类结果。
6.一种基于位置数据的行人出行分类检测系统，其特征在于，包括下述模块：
构建行人组合出行特征模块，用于根据行人轨迹数据，构建行人组合出行特征；
构建城市组合区域特征模块，用于构建城市组合区域特征；
融合模块，用于融合所述行人组合出行特征和所述城市组合区域特征，构建增强行人出行特征；
训练行人出行分类检测模型模块，用于将所述增强行人出行特征，输入行人出行分类检测模型，得到行人出行分类结果。
CN202110088137.7A 2021-01-22 2021-01-22 一种基于位置数据的行人出行分类检测方法和系统 Active CN112784901B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110088137.7A CN112784901B (zh) 2021-01-22 2021-01-22 一种基于位置数据的行人出行分类检测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110088137.7A CN112784901B (zh) 2021-01-22 2021-01-22 一种基于位置数据的行人出行分类检测方法和系统

Publications (2)

Publication Number Publication Date
CN112784901A true CN112784901A (zh) 2021-05-11
CN112784901B CN112784901B (zh) 2023-04-07

Family

ID=75758533

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110088137.7A Active CN112784901B (zh) 2021-01-22 2021-01-22 一种基于位置数据的行人出行分类检测方法和系统

Country Status (1)

Country Link
CN (1) CN112784901B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150356868A1 (en) * 2014-06-04 2015-12-10 Cuende Infometrics, S.A. System and method for measuring the real traffic flow of an area
CN110909765A (zh) * 2019-10-24 2020-03-24 中电海康集团有限公司 一种面向轨迹大数据的行人行为模式分类方法
CN111582948A (zh) * 2020-05-25 2020-08-25 北京航空航天大学 一种基于手机信令数据与poi兴趣点的个体行为分析方法
CN111737605A (zh) * 2020-07-09 2020-10-02 南京瑞栖智能交通技术产业研究院有限公司 一种基于手机信令数据的出行目的识别方法及装置
CN111931998A (zh) * 2020-07-27 2020-11-13 大连海事大学 一种基于移动定位数据的个体出行模式预测方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150356868A1 (en) * 2014-06-04 2015-12-10 Cuende Infometrics, S.A. System and method for measuring the real traffic flow of an area
CN110909765A (zh) * 2019-10-24 2020-03-24 中电海康集团有限公司 一种面向轨迹大数据的行人行为模式分类方法
CN111582948A (zh) * 2020-05-25 2020-08-25 北京航空航天大学 一种基于手机信令数据与poi兴趣点的个体行为分析方法
CN111737605A (zh) * 2020-07-09 2020-10-02 南京瑞栖智能交通技术产业研究院有限公司 一种基于手机信令数据的出行目的识别方法及装置
CN111931998A (zh) * 2020-07-27 2020-11-13 大连海事大学 一种基于移动定位数据的个体出行模式预测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
GUANGNIAN XIAO等: "Detecting trip purposes from smartphone-based travel surveys with artificial neural networks and particle swarm optimization", 《TRANSPORTATION RESEARCH PART C》 *
吴奇: "基于数据融合的出行特征识别", 《中国优秀硕士学位论文全文数据库》 *

Also Published As

Publication number Publication date
CN112784901B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN113470365B (zh) 一种面向有缺失数据的公交车到站时间预测方法
Agarwal et al. Application of artificial intelligence for development of intelligent transport system in smart cities
CN116758744B (zh) 基于人工智能的智慧城市运维管理方法、系统及存储介质
CN113239198B (zh) 一种地铁客流预测方法、装置及计算机存储介质
CN107480784A (zh) 一种基于深度学习的手机信令数据行人交通轨迹预测方法
Zhao et al. Dynamic path planning of emergency vehicles based on travel time prediction
Zenina et al. Regression analysis for transport trip generation evaluation
CN116108169B (zh) 一种基于知识图谱的热线工单智能分派方法
Mikluščák et al. Using neural networks for route and destination prediction in intelligent transport systems
CN115662113A (zh) 一种信号交叉口人车博弈冲突风险评估与预警方法
CN112801340A (zh) 一种基于多层级城市信息单元画像的人群密度预测方法
CN113192325B (zh) 一种交通事件相关性分析方法及系统
Joseph et al. A novel hybrid deep learning algorithm for smart city traffic congestion predictions
Al Mamlook et al. Smart Traffic Control System for Dubai: A Simulation Study Using YOLO Algorithms
CN112784901B (zh) 一种基于位置数据的行人出行分类检测方法和系统
Abdi et al. A Two‐Stage Sequential Framework for Traffic Accident Post‐Impact Prediction Utilizing Real‐Time Traffic, Weather, and Accident Data
Sinha et al. Sustainable time series model for vehicular traffic trends prediction in metropolitan network
WO2023088131A1 (zh) 一种交通状态预测方法、装置、设备、介质及程序
CN114139984B (zh) 基于流量与事故协同感知的城市交通事故风险预测方法
Yabe et al. Predicting delay of commuting activities following frequently occurring disasters using location data from smartphones
Prathilothamai et al. Traffic prediction system using IoT cluster based evolutionary under sampling approach
Jain et al. Real-Time Smart Traffic Control and Simulation: An Approach for Urban Congestion Management
Soleimany et al. An intelligent control method for urban traffic using fog processing in the IoT environment based on cloud data processing of big data
Yuan et al. A novel learning approach for citywide crowd flow prediction
Zhu et al. Identification of potential traffic accident hot spots based on accident data and GIS

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