CN113158084A - 移动轨迹数据处理的方法、装置、计算机设备及存储介质 - Google Patents
移动轨迹数据处理的方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113158084A CN113158084A CN202110318341.3A CN202110318341A CN113158084A CN 113158084 A CN113158084 A CN 113158084A CN 202110318341 A CN202110318341 A CN 202110318341A CN 113158084 A CN113158084 A CN 113158084A
- Authority
- CN
- China
- Prior art keywords
- data
- area
- inter
- interest
- functional
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 239000013598 vector Substances 0.000 claims abstract description 54
- 238000009826 distribution Methods 0.000 claims abstract description 26
- 230000002776 aggregation Effects 0.000 claims description 21
- 238000004220 aggregation Methods 0.000 claims description 21
- 238000004140 cleaning Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 abstract description 11
- 230000000694 effects Effects 0.000 abstract description 3
- 238000007405 data analysis Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000004931 aggregating effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training 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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Image Analysis (AREA)
Abstract
本发明能够提供移动轨迹数据处理的方法、装置、计算机设备及存储介质。该方法包括：获取设定区域内的人群移动轨迹数据和兴趣点数据，该设定区域包括多个功能区域；将人群移动轨迹数据与兴趣点数据进行匹配，根据匹配结果生成兴趣点间流动数据；兴趣点间流动数据表示人群在兴趣点之间的移动数据；基于兴趣点间流动数据和兴趣点在功能区域分布信息生成任意两个功能区域间的区域间流动数据，区域间流动数据表示人群在功能区域之间的移动数据；以区域间流动数据为依据计算每个功能区域的嵌入向量表达数据，并据此对多个功能区域进行聚类处理。本发明基于人群移动轨迹数据进行城市区域特征的分析，具有降低数据采集难度、提高分析效率等技术效果。
Description
技术领域
本发明涉及大数据处理技术领域，更为具体来说，本发明能够提供移动轨迹数据处理的方法、装置、计算机设备及存储介质。
背景技术
随着经济的快速发展和社会的不断进步，传统的城市区域特征的数据分析手段存在明显的不足。最常规的数据收集方法是大量地依靠人工方式进行人口普查，再基于相关从业者的经验对得到的数据进行估算和统计，从而分析出城市区域特征。可见该方式不仅难以保证数据分析结果的准确性，而且数据采集时间过长、数据分析效率较低；另外，城市区域划分的越细致，传统方式实施起来则越困难。因此，如何能够准确且快速地得到城市不同区域特征，成为了本领域技术人员始终研究的重点。
发明内容
为解决现有技术存在的至少一个问题，本发明一个或多个实施例能够提供一种移动轨迹数据处理的方法、装置、计算机设备及存储介质，达到快速、准确地分析出城市区域特征等一个或多个技术目的。
为实现上述的技术目的，本发明具体可提供一种移动轨迹数据处理的方法，该方法包括但不限于如下的至少一个步骤。
获取在设定区域内的人群移动轨迹数据和兴趣点数据，所述设定区域包括多个功能区域。
将所述人群移动轨迹数据与所述兴趣点数据进行匹配，以及根据匹配结果生成兴趣点间流动数据；所述兴趣点间流动数据表示人群在不同兴趣点之间的移动数据。
基于所述兴趣点间流动数据和兴趣点在各功能区域的分布信息生成任意两个所述功能区域之间的区域间流动数据，所述区域间流动数据表示人群在不同功能区域之间的移动数据。
以所述区域间流动数据为依据计算每个功能区域的嵌入向量表达数据，并根据所述嵌入向量表达数据对所述多个功能区域进行聚类处理，以得到一个或多个聚类结果。
进一步地，所述对所述多个功能区域进行聚类处理包括：
通过所述区域间流动数据构建有向加权图。
基于所述有向加权图对所述多个功能区域进行聚类处理。
进一步地，所述通过所述区域间流动数据构建有向加权图包括：
利用各个功能区域分别作为有向加权图的节点。
利用不同功能区域之间的人群流动量作为有向加权图的边。
基于所述节点和所述边构建有向加权图。
进一步地，所述利用不同功能区域之间的人群流动量作为有向加权图的边包括：
构建多维向量，该多维向量的维数为兴趣点间流动数据的类别总数，该多维向量的值为从一个功能区域到另一个功能区域的人群流动量。
其中，从一个功能区域到另一个功能区域的兴趣点间流动数据的类别相同。
通过所述多维向量表示有向加权图的边。
进一步地，该方法还包括：
利用已训练的图神经网络生成各个功能区域的嵌入向量表达数据。
基于所述嵌入向量表达数据得到各个功能区域的分析结果和/或预测结果。
进一步地，所述基于所述兴趣点间流动数据和兴趣点在各功能区域的分布信息生成任意两个所述功能区域之间的区域间流动数据包括：
以兴趣点在各功能区域的分布信息为聚合依据对所述兴趣点间流动数据进行聚合处理，以得到多个聚合结果；其中所述兴趣点在各功能区域的分布信息来源于所述兴趣点数据。
从所述多个聚合结果中筛选出不同所述功能区域之间的区域间流动数据。
进一步地，所述将所述人群移动轨迹数据与所述兴趣点数据进行匹配包括：
对所述人群移动轨迹数据进行一次或多次数据清洗处理，以去掉所述人群移动轨迹数据中的噪声数据和/或冗余数据。
提取经过数据清洗处理后的人群移动轨迹数据中的驻留点数据，所述驻留点数据中包含驻留点坐标数据。
根据所述驻留点坐标数据和所述兴趣点数据中的兴趣点坐标数据将各驻留点分别绑定至距离最近的兴趣点，以完成所述人群移动轨迹数据与所述兴趣点数据的匹配。
为实现上述的技术目的，本发明还能够提供一种移动轨迹数据处理的装置，该装置包括但不限于数据获取模块、数据匹配模块、数据生成模块以及聚类处理模块等。
数据获取模块，用于获取在设定区域内的人群移动轨迹数据和兴趣点数据，所述设定区域包括多个功能区域。
数据匹配模块，用于将所述人群移动轨迹数据与所述兴趣点数据进行匹配，以及用于根据匹配结果生成兴趣点间流动数据；所述兴趣点间流动数据表示人群在不同兴趣点之间的移动数据。
数据生成模块，用于基于所述兴趣点间流动数据和兴趣点在各功能区域的分布信息生成任意两个所述功能区域之间的区域间流动数据，所述区域间流动数据表示人群在不同功能区域之间的移动数据。
聚类处理模块，用于以所述区域间流动数据为依据计算每个功能区域的嵌入向量表达数据，并用于根据所述嵌入向量表达数据对所述多个功能区域进行聚类处理，以得到一个或多个聚类结果。
为实现上述的技术目的，本发明还能够提供一种计算机设备，计算机设备包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行本发明任一实施例中所述移动轨迹数据处理的方法的步骤。
为实现上述的技术目的，本发明可提供一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器执行本发明任一实施例中所述移动轨迹数据处理的方法的步骤。
本发明的有益效果为：本发明创新地基于人群移动轨迹数据进行城市区域特征的分析，具有降低了数据采集难度、提高了数据分析效率和准确性等技术效果。而且本发明还能够对城市区域进行更精细尺度或更细数据粒度上的分析，并能够按需自定义地划分功能区域，大大提升了城市区域度量的分辨率和操作灵活性。本发明能够及时分析和识别城市区域特征，使得城市内部不同地区的社会经济特征的实时评估和动态比较成为可能。
附图说明
图1示出了本发明一个或多个实施例中的一种移动轨迹数据处理的方法的流程示意图。
图2示出了本发明一个或多个实施例将移动轨迹数据与兴趣点数据进行匹配的示意图。
图3示出了本发明一个或多个实施例中的通过区域间流动数据构建有向加权图的示意图。
图4示出了本发明一个或多个实施例中的一种移动轨迹数据处理的装置组成示意图。
图5示出了本发明一个或多个实施例中的一种移动轨迹数据处理的方法的详细实施流程示意图。
图6示出了本发明一个或多个实施例中的移动轨迹数据采集的实施环境图。
图7示出了本发明一个或多个实施例中的计算机设备的内部的结构框图。
具体实施方式
下面结合说明书附图对本发明提供的一种移动轨迹数据处理的方法、装置、计算机设备及存储介质进行详细的解释和说明。
如图1所示，本发明一个或多个实施例可提供一种移动轨迹数据处理的方法，该方法可包括但不限于如下的一个或多个步骤。
本发明可先获取在设定区域内的大部分或全部人群移动轨迹数据和兴趣点(POI，Point of Interest)数据。本发明一些实施例可按照一定规则划定功能区域边界，例如根据街道办等行政边界划定或者根据道路红线等自然边界划定等。设定区域包括多个功能区域，例如某个大型城市的多个行政区等等。如图6所示，本发明一个或多个实施例中的人群移动轨迹数据例如可为移动设备的移动轨迹数据，包括但不限于智能手机或智能手表等智能终端的轨迹数据。本发明一些实施例中的兴趣点例如可以包括但不限于商场、住宅、超市、加油站、银行、公园等等。
如图2所示，将在设定区域内的人群移动轨迹数据与兴趣点数据进行匹配，以及根据匹配结果生成兴趣点间流动数据。兴趣点间流动数据表示人群在不同兴趣点之间的移动数据，即POI对(兴趣点对)间的人口流动情况，从而实现了个体移动数据的汇总。本发明一些实施例中将人群移动轨迹数据与兴趣点数据进行匹配包括：对人群移动轨迹数据进行预处理，预处理的过程包括对人群移动轨迹数据进行一次或多次数据清洗处理，以去掉人群移动轨迹数据中的噪声数据和/或冗余数据(冗余点数据)；提取经过数据清洗处理后的人群移动轨迹数据中的驻留点数据，驻留点数据中可包含驻留点坐标数据，即终端停留过一段时间(可根据实际情况设定，例如十分钟)的地点作为驻留点；根据驻留点坐标数据和兴趣点数据中的兴趣点坐标数据，将各驻留点分别绑定至距离最近的兴趣点，以完成人群移动轨迹数据与兴趣点数据的匹配；例如在某一个兴趣点～某加油站3米范围内停留了十五分钟，则将驻留点与该兴趣点～某加油站绑定，则默认可认为到达过该加油站。如图5所示，再根据匹配结果生成兴趣点间流动数据，具体可为抽取连续轨迹中的OD点(即出发地到目的地的两点)对，从一个兴趣点到达另一个兴趣点的相关数据，例如，从一个加油站到一个银行的流动数据等；一般来说可能有多人从A兴趣点到达B兴趣点，本发明计算不同兴趣点间流动数据时可通过累计求和方式实现城市兴趣点之间在指定的一段时间内的人群流通量等数据。
基于兴趣点间流动数据和兴趣点在各功能区域的分布信息生成任意两个功能区域之间的区域间流动数据，区域间流动数据可用于表示人群在不同功能区域之间的移动数据，该数据可包括但不限于人口流通量数据。本发明一些实施例中的基于兴趣点间流动数据和兴趣点在各功能区域的分布信息生成任意两个功能区域之间的区域间流动数据包括：以兴趣点在各功能区域的分布信息为聚合依据对兴趣点间流动数据进行聚合处理，以得到多个聚合结果；可见本发明能够将兴趣点之间的人群流动数据转换为设定的功能区域之间的流动数据。其中，本发明一些实施例的兴趣点在各功能区域的分布信息可来源于事先获取的兴趣点数据，从多个聚合结果中筛选出不同功能区域之间的区域间流动数据。
以区域间流动数据为依据计算每个功能区域的嵌入向量表达数据，并根据得到的嵌入向量表达数据对多个功能区域进行聚类处理，以得到一个或多个聚类结果，可见本发明能够基于人群移动轨迹大数据实现不同城市区域具有的不同特征的识别。根据实际需求进行聚类处理，例如以该功能区域的常住人口数量或假期流入人口量或全职工作人员数量等等，并能够根据智能化判断或专家经验等对聚类结果进行进一步地解读和功能识别。如图5所示，本发明一个或多个实施例中的移动轨迹数据处理的方法还包括如下至少一个步骤：利用已训练的图神经网络生成各个功能区域的嵌入向量表达数据，基于嵌入向量表达数据得到各个功能区域的聚类结果，结合相应指标即可得到分析结果和/或预测结果。具体实施时，可根据实际需求对一个或多个功能区域进行单独地分析，例如选择某一特定的聚类数量，使用K-means(K均值聚类)方式将所需评价的城市区域分为指定数量的类别，并且将最终的聚类结果输出，可通过人机交互方式提升操作体验以及降低操作难度；可设置相应标签进行有监督训练，例如实际的经济社会因子标签等，并得到每个节点(各功能区域)的表示向量。更为具体地，本发明一些实施例对多个功能区域进行聚类处理包括：通过区域间流动数据构建有向加权图，基于该有向加权图对多个功能区域进行聚类处理，以实现对大数据的快速处理。如图3所示，本发明一些实施例中通过区域间流动数据构建有向加权图具体包括：利用各个功能区域分别作为有向加权图的节点，利用不同功能区域之间的人群流动量作为有向加权图的边，基于已确定的节点和用于连接不同节点的边构建有向加权图。更为具体地，利用不同功能区域之间的人群流动量作为有向加权图的边包括：构建多维向量，该多维向量的维数为兴趣点间流动数据的类别总数，该多维向量的值例如可为从一个功能区域到另一个功能区域的人群流动量。本发明可将各区域之间的人口流动表达为一组N维向量，从一个功能区域到另一个功能区域的兴趣点间流动数据的类别相同；并能够通过多维向量表示有向加权图的边。例如某区域A存在X个兴趣点，某区域B存在Y个兴趣点，则区域A到区域B的区域之间流动数据具体为X个兴趣点中的任一个兴趣点到Y个兴趣点中的任一个兴趣点间的流动数据。
应当理解的是，本发明提供的技术方案能够用于地理数据处理领域和国土空间规划领域，例如可以用于准确评估和实时识别城市各个区域经济和社会特征。
如图4所示，本发明一个或多个实施例可提供一种移动轨迹数据处理的装置，该移动轨迹数据处理的装置包括但不限于数据获取模块、数据匹配模块、数据生成模块以及聚类处理模块。
数据获取模块，用于获取在设定区域内的人群移动轨迹数据和兴趣点数据，设定区域包括多个功能区域。
数据匹配模块，用于将人群移动轨迹数据与兴趣点数据进行匹配，以及用于根据匹配结果生成兴趣点间流动数据；兴趣点间流动数据表示人群在不同兴趣点之间的移动数据。数据匹配模块可用于对人群移动轨迹数据进行一次或多次数据清洗处理，以去掉人群移动轨迹数据中的噪声数据和/或冗余数据；并用于提取经过数据清洗处理后的人群移动轨迹数据中的驻留点数据，驻留点数据中包含驻留点坐标数据，以及用于根据驻留点坐标数据和兴趣点数据中的兴趣点坐标数据将各驻留点分别绑定至距离最近的兴趣点，以完成人群移动轨迹数据与兴趣点数据的匹配。
数据生成模块，用于基于兴趣点间流动数据和兴趣点在各功能区域的分布信息生成任意两个功能区域之间的区域间流动数据，区域间流动数据表示人群在不同功能区域之间的移动数据。数据生成模块具体用于以兴趣点在各功能区域的分布信息为聚合依据对兴趣点间流动数据进行聚合处理，以得到多个聚合结果；其中兴趣点在各功能区域的分布信息来源于兴趣点数据。数据生成模块可用于从多个聚合结果中筛选出不同功能区域之间的区域间流动数据。
聚类处理模块，用于以区域间流动数据为依据计算每个功能区域的嵌入向量表达数据，并根据得到的嵌入向量表达数据对多个功能区域进行聚类处理，以得到一个或多个聚类结果。聚类处理模块可具体用于通过区域间流动数据构建有向加权图，并用于基于有向加权图对多个功能区域进行聚类处理。更为具体地，聚类处理模块可用于利用各个功能区域分别作为有向加权图的节点，并用于利用不同功能区域之间的人群流动量作为有向加权图的边，以及用于基于节点和边构建有向加权图。具体实施时，本发明可构建多维向量，该多维向量的维数为兴趣点间流动数据的类别总数，该多维向量的值为从一个功能区域到另一个功能区域的人群流动量；其中，从一个功能区域到另一个功能区域的兴趣点间流动数据的类别相同；从而通过多维向量表示有向加权图的边。
本发明移动轨迹数据处理的装置还包括分析预测模块，分析预测模块用于利用已训练的图神经网络生成各个功能区域的嵌入向量表达数据，并用于基于嵌入向量表达数据得到各个功能区域的分析结果和/或预测结果。
本发明创新地基于人群移动轨迹数据进行城市区域特征的分析，具有降低了数据采集难度、提高了数据分析效率和准确性等技术效果。而且本发明还能够对城市区域进行更精细尺度或更细数据粒度上的分析，并能够按需自定义地划分功能区域，大大提升了城市区域度量的分辨率和操作灵活性。本发明能够及时分析和识别城市区域特征，使得城市内部不同地区的社会经济特征的实时评估和比较成为可能，可用于指导国土空间规划和管理实践工作的开展。
如图7所示，本发明一个或多个实施例能够提供一种计算机设备，该计算机设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行本发明任一实施例中的移动轨迹数据处理的方法的步骤。移动轨迹数据处理的方法包括但不限于如下的一个或多个步骤。获取在设定区域内的人群移动轨迹数据和兴趣点数据，设定区域包括多个功能区域。将人群移动轨迹数据与兴趣点数据进行匹配，以及根据匹配结果生成兴趣点间流动数据；兴趣点间流动数据表示人群在不同兴趣点之间的移动数据。本发明一些实施例中将人群移动轨迹数据与兴趣点数据进行匹配包括：对人群移动轨迹数据进行一次或多次数据清洗处理，以去掉人群移动轨迹数据中的噪声数据和/或冗余数据；提取经过数据清洗处理后的人群移动轨迹数据中的驻留点数据，驻留点数据中包含驻留点坐标数据；根据驻留点坐标数据和兴趣点数据中的兴趣点坐标数据将各驻留点分别绑定至距离最近的兴趣点，以完成人群移动轨迹数据与兴趣点数据的匹配。基于兴趣点间流动数据和兴趣点在各功能区域的分布信息生成任意两个功能区域之间的区域间流动数据，区域间流动数据表示人群在不同功能区域之间的移动数据。本发明一些实施例中基于兴趣点间流动数据和兴趣点在各功能区域的分布信息生成任意两个功能区域之间的区域间流动数据包括：以兴趣点在各功能区域的分布信息为聚合依据对兴趣点间流动数据进行聚合处理，以得到多个聚合结果；其中兴趣点在各功能区域的分布信息来源于兴趣点数据；从多个聚合结果中筛选出不同功能区域之间的区域间流动数据。以区域间流动数据为依据计算每个功能区域的嵌入向量表达数据，并根据得到的嵌入向量表达数据对多个功能区域进行聚类处理，以得到一个或多个聚类结果。本发明一些实施例中对多个功能区域进行聚类处理包括：通过区域间流动数据构建有向加权图，基于有向加权图对多个功能区域进行聚类处理。更为具体地，本发明一些实施例中通过区域间流动数据构建有向加权图包括：利用各个功能区域分别作为有向加权图的节点，利用不同功能区域之间的人群流动量作为有向加权图的边，基于节点和边构建有向加权图。其中利用不同功能区域之间的人群流动量作为有向加权图的边包括：构建多维向量，该多维向量的维数为兴趣点间流动数据的类别总数，该多维向量的值为从一个功能区域到另一个功能区域的人群流动量；其中，从一个功能区域到另一个功能区域的兴趣点间流动数据的类别相同；通过多维向量表示有向加权图的边。本发明一个或多个实施例中的移动轨迹数据处理的方法还包括如下的至少一个步骤：利用已训练的图神经网络生成各个功能区域的嵌入向量表达数据，基于嵌入向量表达数据得到各个功能区域的分析结果和/或预测结果。
如图7所示，本发明一个或多个实施例还能够提供一种存储有计算机可读指令的存储介质，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行本发明任一实施例中的移动轨迹数据处理的方法的步骤。移动轨迹数据处理的方法包括但不限于如下的一个或多个步骤。获取在设定区域内的人群移动轨迹数据和兴趣点数据，设定区域包括多个功能区域。将人群移动轨迹数据与兴趣点数据进行匹配，以及根据匹配结果生成兴趣点间流动数据；兴趣点间流动数据表示人群在不同兴趣点之间的移动数据。本发明一些实施例中将人群移动轨迹数据与兴趣点数据进行匹配包括：对人群移动轨迹数据进行一次或多次数据清洗处理，以去掉人群移动轨迹数据中的噪声数据和/或冗余数据；提取经过数据清洗处理后的人群移动轨迹数据中的驻留点数据，驻留点数据中包含驻留点坐标数据；根据驻留点坐标数据和兴趣点数据中的兴趣点坐标数据将各驻留点分别绑定至距离最近的兴趣点，以完成人群移动轨迹数据与兴趣点数据的匹配。基于兴趣点间流动数据和兴趣点在各功能区域的分布信息生成任意两个功能区域之间的区域间流动数据，区域间流动数据表示人群在不同功能区域之间的移动数据。本发明一些实施例中基于兴趣点间流动数据和兴趣点在各功能区域的分布信息生成任意两个功能区域之间的区域间流动数据包括：以兴趣点在各功能区域的分布信息为聚合依据对兴趣点间流动数据进行聚合处理，以得到多个聚合结果；其中兴趣点在各功能区域的分布信息来源于兴趣点数据；从多个聚合结果中筛选出不同功能区域之间的区域间流动数据。以区域间流动数据为依据计算每个功能区域的嵌入向量表达数据，并根据得到的嵌入向量表达数据对多个功能区域进行聚类处理，以得到一个或多个聚类结果。本发明一些实施例中对多个功能区域进行聚类处理包括：通过区域间流动数据构建有向加权图，基于有向加权图对多个功能区域进行聚类处理。更为具体地，本发明一些实施例中通过区域间流动数据构建有向加权图包括：利用各个功能区域分别作为有向加权图的节点，利用不同功能区域之间的人群流动量作为有向加权图的边，基于节点和边构建有向加权图。其中利用不同功能区域之间的人群流动量作为有向加权图的边包括：构建多维向量，该多维向量的维数为兴趣点间流动数据的类别总数，该多维向量的值为从一个功能区域到另一个功能区域的人群流动量；其中，从一个功能区域到另一个功能区域的兴趣点间流动数据的类别相同；通过多维向量表示有向加权图的边。本发明一个或多个实施例中的移动轨迹数据处理的方法还包括如下的至少一个步骤：利用已训练的图神经网络生成各个功能区域的嵌入向量表达数据，基于嵌入向量表达数据得到各个功能区域的分析结果和/或预测结果。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读存储介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读存储介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读存储介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM，Random Access Memory)，只读存储器(ROM，Read-Only Memory)，可擦除可编辑只读存储器(EPROM，Erasable Programmable Read-Only Memory，或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM，Compact Disc Read-Only Memory)。另外，计算机可读存储介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA，Programmable Gate Array)，现场可编程门阵列(FPGA，Field Programmable Gate Array)等。
在本说明书的描述中，参考术语“本实施例”、“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明实质内容上所作的任何修改、等同替换和简单改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种移动轨迹数据处理的方法，其特征在于，包括：
获取在设定区域内的人群移动轨迹数据和兴趣点数据，所述设定区域包括多个功能区域；
将所述人群移动轨迹数据与所述兴趣点数据进行匹配，以及根据匹配结果生成兴趣点间流动数据；所述兴趣点间流动数据表示人群在不同兴趣点之间的移动数据；
基于所述兴趣点间流动数据和兴趣点在各功能区域的分布信息生成任意两个所述功能区域之间的区域间流动数据，所述区域间流动数据表示人群在不同功能区域之间的移动数据；
以所述区域间流动数据为依据计算每个功能区域的嵌入向量表达数据，并根据所述嵌入向量表达数据对所述多个功能区域进行聚类处理，以得到一个或多个聚类结果。
2.根据权利要求1所述的移动轨迹数据处理的方法，其特征在于，所述对所述多个功能区域进行聚类处理包括：
通过所述区域间流动数据构建有向加权图；
基于所述有向加权图对所述多个功能区域进行聚类处理。
3.根据权利要求2所述的移动轨迹数据处理的方法，其特征在于，所述通过所述区域间流动数据构建有向加权图包括：
利用各个功能区域分别作为有向加权图的节点；
利用不同功能区域之间的人群流动量作为有向加权图的边；
基于所述节点和所述边构建有向加权图。
4.根据权利要求3所述的移动轨迹数据处理的方法，其特征在于，所述利用不同功能区域之间的人群流动量作为有向加权图的边包括：
构建多维向量，该多维向量的维数为兴趣点间流动数据的类别总数，该多维向量的值为从一个功能区域到另一个功能区域的人群流动量；
其中，从一个功能区域到另一个功能区域的兴趣点间流动数据的类别相同；
通过所述多维向量表示有向加权图的边。
5.根据权利要求1所述的移动轨迹数据处理的方法，其特征在于，所述以所述区域间流动数据为依据计算每个功能区域的嵌入向量表达数据包括：
基于已训练的图神经网络对所述区域间流动数据进行处理，以生成各个功能区域的嵌入向量表达数据。
6.根据权利要求1所述的移动轨迹数据处理的方法，其特征在于，所述基于所述兴趣点间流动数据和兴趣点在各功能区域的分布信息生成任意两个所述功能区域之间的区域间流动数据包括：
以兴趣点在各功能区域的分布信息为聚合依据对所述兴趣点间流动数据进行聚合处理，以得到多个聚合结果；其中所述兴趣点在各功能区域的分布信息来源于所述兴趣点数据；
从所述多个聚合结果中筛选出不同所述功能区域之间的区域间流动数据。
7.根据权利要求1所述的移动轨迹数据处理的方法，其特征在于，所述将所述人群移动轨迹数据与所述兴趣点数据进行匹配包括：
对所述人群移动轨迹数据进行一次或多次数据清洗处理，以去掉所述人群移动轨迹数据中的噪声数据和/或冗余数据；
提取经过数据清洗处理后的人群移动轨迹数据中的驻留点数据，所述驻留点数据中包含驻留点坐标数据；
根据所述驻留点坐标数据和所述兴趣点数据中的兴趣点坐标数据将各驻留点分别绑定至距离最近的兴趣点，以完成所述人群移动轨迹数据与所述兴趣点数据的匹配。
8.一种移动轨迹数据处理的装置，其特征在于，包括：
数据获取模块，用于获取在设定区域内的人群移动轨迹数据和兴趣点数据，所述设定区域包括多个功能区域；
数据匹配模块，用于将所述人群移动轨迹数据与所述兴趣点数据进行匹配，以及用于根据匹配结果生成兴趣点间流动数据；所述兴趣点间流动数据表示人群在不同兴趣点之间的移动数据；
数据生成模块，用于基于所述兴趣点间流动数据和兴趣点在各功能区域的分布信息生成任意两个所述功能区域之间的区域间流动数据，所述区域间流动数据表示人群在不同功能区域之间的移动数据；
聚类处理模块，用于以所述区域间流动数据为依据计算每个功能区域的嵌入向量表达数据，并用于根据所述嵌入向量表达数据对所述多个功能区域进行聚类处理，以得到一个或多个聚类结果。
9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项权利要求所述移动轨迹数据处理的方法的步骤。
10.一种存储有计算机可读指令的存储介质，其特征在于，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器执行如权利要求1至7中任一项权利要求所述移动轨迹数据处理的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110318341.3A CN113158084B (zh) | 2021-03-25 | 2021-03-25 | 移动轨迹数据处理的方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110318341.3A CN113158084B (zh) | 2021-03-25 | 2021-03-25 | 移动轨迹数据处理的方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113158084A true CN113158084A (zh) | 2021-07-23 |
| CN113158084B CN113158084B (zh) | 2024-03-22 |
Family
ID=76884853
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110318341.3A Active CN113158084B (zh) | 2021-03-25 | 2021-03-25 | 移动轨迹数据处理的方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113158084B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113744882A (zh) * | 2021-09-17 | 2021-12-03 | 腾讯科技（深圳）有限公司 | 目标区域的确定方法、装置、设备以及存储介质 |
| CN116756695A (zh) * | 2023-06-27 | 2023-09-15 | 深圳技术大学 | 一种融合地理特征和流特征的城市功能协同优化方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107689022A (zh) * | 2017-08-25 | 2018-02-13 | 腾云天宇科技（北京）有限公司 | 分析用户移动特性、城市人口流动特性的方法及计算设备 |
| CN109523186A (zh) * | 2018-11-28 | 2019-03-26 | 杭州中奥科技有限公司 | 城市区域划分方法及装置 |
| US20190242720A1 (en) * | 2018-02-07 | 2019-08-08 | Topos Inc. | Systems and methods for constructing spatial activity zones |
| CN110415523A (zh) * | 2019-08-13 | 2019-11-05 | 东南大学 | 一种基于车辆出行轨迹数据的信号控制子区划分方法 |
-
2021
- 2021-03-25 CN CN202110318341.3A patent/CN113158084B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107689022A (zh) * | 2017-08-25 | 2018-02-13 | 腾云天宇科技（北京）有限公司 | 分析用户移动特性、城市人口流动特性的方法及计算设备 |
| US20190242720A1 (en) * | 2018-02-07 | 2019-08-08 | Topos Inc. | Systems and methods for constructing spatial activity zones |
| CN109523186A (zh) * | 2018-11-28 | 2019-03-26 | 杭州中奥科技有限公司 | 城市区域划分方法及装置 |
| CN110415523A (zh) * | 2019-08-13 | 2019-11-05 | 东南大学 | 一种基于车辆出行轨迹数据的信号控制子区划分方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113744882A (zh) * | 2021-09-17 | 2021-12-03 | 腾讯科技（深圳）有限公司 | 目标区域的确定方法、装置、设备以及存储介质 |
| CN113744882B (zh) * | 2021-09-17 | 2023-09-19 | 腾讯科技（深圳）有限公司 | 目标区域的确定方法、装置、设备以及存储介质 |
| CN116756695A (zh) * | 2023-06-27 | 2023-09-15 | 深圳技术大学 | 一种融合地理特征和流特征的城市功能协同优化方法 |
| CN116756695B (zh) * | 2023-06-27 | 2024-05-31 | 深圳技术大学 | 一种融合地理特征和流特征的城市功能协同优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113158084B (zh) | 2024-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110245981B (zh) | 一种基于手机信令数据的人群类型识别方法 | |
| Straka et al. | Predicting popularity of electric vehicle charging infrastructure in urban context | |
| KR101638368B1 (ko) | 다변수 패턴 인식모델을 이용한 도시 교통 예측 시스템 및 그 방법 | |
| CN109493119B (zh) | 一种基于poi数据的城市商业中心识别方法及系统 | |
| CN108415975B (zh) | 基于bdch-dbscan的出租车载客热点识别方法 | |
| CN108427965A (zh) | 一种基于路网聚类的热点区域挖掘方法 | |
| CN109523186B (zh) | 城市区域划分方法及装置 | |
| CN110444011B (zh) | 交通流高峰识别方法、装置、电子设备及存储介质 | |
| CN113806419B (zh) | 基于时空大数据的城市区域功能识别模型及识别方法 | |
| CN113158084B (zh) | 移动轨迹数据处理的方法、装置、计算机设备及存储介质 | |
| Sadahiro et al. | Exploratory analysis of time series data: Detection of partial similarities, clustering, and visualization | |
| CN112949784A (zh) | 一种居民出行链模型构建方法及居民出行链获取方法 | |
| CN113641906A (zh) | 基于资金交易关系数据实现相似目标人员识别处理的系统、方法、装置、处理器及其介质 | |
| CN117893383B (zh) | 一种城市功能区域识别方法、系统、终端设备及介质 | |
| CN113379269B (zh) | 多因素空间聚类的城市商业功能区划方法、装置及介质 | |
| CN111414878A (zh) | 一种关于地块的社会属性分析、图像处理方法及装置 | |
| CN108830302B (zh) | 一种图像分类方法、训练方法、分类预测方法及相关装置 | |
| Zheng et al. | A deep learning–based approach for moving vehicle counting and short-term traffic prediction from video images | |
| CN111310340B (zh) | 基于人类移动的城市区域交互异常关系识别方法及设备 | |
| CN111008730B (zh) | 基于城市空间结构的人群聚集度预测模型构建方法及装置 | |
| Zhou et al. | Big data for intrametropolitan human movement studies A case study of bus commuters based on smart card data | |
| CN114723554B (zh) | 异常账户识别方法及装置 | |
| CN115761519A (zh) | 指标预测方法、装置、设备、存储介质及程序产品 | |
| Sari Aslam et al. | Trip purpose identification using pairwise constraints based semi-supervised clustering | |
| CN114611622A (zh) | 一种利用手机数据识别跨城通勤人群的方法 |
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 |