CN114297325A - 轨迹预测模型构建方法、装置以及可读存储介质 - Google Patents
轨迹预测模型构建方法、装置以及可读存储介质 Download PDFInfo
- Publication number
- CN114297325A CN114297325A CN202111458303.4A CN202111458303A CN114297325A CN 114297325 A CN114297325 A CN 114297325A CN 202111458303 A CN202111458303 A CN 202111458303A CN 114297325 A CN114297325 A CN 114297325A
- Authority
- CN
- China
- Prior art keywords
- track
- tree
- track data
- data
- target
- 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
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本申请提供一种轨迹预测模型构建方法、装置以及可读存储介质,涉及数据处理领域,可以提高预测的轨迹的准确度。该轨迹预测模型构建方法包括:获取第一预设时间段内多个用户的第一备用轨迹数据,多个用户中每个用户分别对应一段或多段第一备用轨迹数据;根据预配置的轨迹数据地理位置信息与路段标识ID的对应关系,确定与多个用户的每段第一备用轨迹数据相对应的路段ID序列;根据多个用户中每个用户对应的一段或多段第一备用轨迹数据对应的路段ID序列的信息,分别构建与多个用户中每个用户对应的个体轨迹模式树;以及,根据多个用户对应的所有第一备用轨迹数据对应的路段ID序列的信息,构建全局轨迹模式树。
Description
技术领域
本申请涉及数据处理领域,尤其涉及轨迹预测模型构建方法、轨迹预测方法、装置以及可读存储介质。
背景技术
在实际生活中,出于例如拦截车辆,疏散拥堵道路等目的,往往需要预测用户的行动轨迹。
在目前的预测用户轨迹的方案中,在构建预测模型阶段,通常将用户的原始轨迹在地图上进行网格化编码,并将用户进行分组,为每组用户构建对应的模型。而在预测阶段,根据目标用户所属分组选择对应的模型预测轨迹。但是,轨迹网格化后所表达的空间信息为区域信息,不够准确。并且,对于目标个体,分组模型输出的预测结果往往不够精确。
因此,目前的方案所预测的用户轨迹往往不够准确,进而导致相关工作进展不顺利。
发明内容
本申请实施例提供一种轨迹预测模型构建方法、轨迹预测方法、装置以及可读存储介质,用于解决目前预测的轨迹不够准确的问题。
为达到上述目的,本申请的实施例采用如下技术方案:
第一方面,提供了一种轨迹预测模型构建方法,该方法包括:获取第一预设时间段内多个用户的第一备用轨迹数据,多个用户中每个用户分别对应一段或多段第一备用轨迹数据,其中,多个用户的每段第一备用轨迹数据分别用轨迹数据地理位置信息进行表征;根据预配置的轨迹数据地理位置信息与路段标识ID的对应关系,确定与多个用户的每段第一备用轨迹数据相对应的路段ID序列,其中,每个路段ID序列包括一个或多个路段ID信息,每个路段ID信息对应第一备用轨迹数据中的一个轨迹点;根据多个用户中每个用户对应的一段或多段第一备用轨迹数据对应的路段ID序列的信息,分别构建与多个用户中每个用户对应的个体轨迹模式树;以及,根据多个用户对应的所有第一备用轨迹数据对应的路段ID序列的信息,构建全局轨迹模式树;其中,每个路段ID信息对应个体轨迹模式树和/或全局轨迹模式树的一个树节点,个体轨迹模式树和/或全局轨迹模式树用于进行轨迹预测。
基于本申请实施例提供的轨迹预测模型构建方法,可以实现由路段ID表征轨迹数据的空间信息,相比地图网格化的方法,可以更准确地表达空间信息。并且,一方面基于个体数据构建的个体轨迹模式树,对于个体预测更加准确,另一方面基于全体数据构建的全局轨迹模式树,包含的轨迹模式更全面完整。
在一种可能的实施方式中,获取第一预设时间段内多个用户的第一备用轨迹数据,包括:获取第一预设时间段内多个用户的原始轨迹数据;根据多个用户中每个用户的原始轨迹数据对应的时间信息和/或空间信息,对多个用户中每个用户的原始轨迹数据进行分割处理,获取多个用户中每个用户分别对应的一段或多段第一备用轨迹数据。
基于本方案,可以对原始轨迹数据进行分割处理来获取用于构建轨迹模式树的备用轨迹数据,从而可以更容易地构建完成轨迹模式树,且构建的轨迹模式树更加准确。
在一种可能的实施方式中,根据多个用户中每个用户对应的一个或多个路段ID序列的信息,分别构建与多个用户中每个用户对应的个体轨迹模式树,包括:根据多个用户中每个用户对应的一个或多个路段ID序列对应的频繁模式信息和时间模式信息,分别构建与多个用户中每个用户对应的个体轨迹模式树。
基于本方案,可以基于多种信息构建轨迹模式树,从而使轨迹模式树生成预测轨迹时,可以考虑更全面的信息,使生成的预测轨迹更加准确。
在一种可能的实施方式中,根据多个用户对应的所有路段ID序列的信息,构建全局轨迹模式树,包括:根据多个用户中每个用户对应的一个或多个路段ID序列对应的频繁模式信息和时间模式信息,构建全局轨迹模式树。
基于本方案,可以基于多项不同种类的信息构建轨迹模式树,从而使轨迹模式树生成预测轨迹时,可以考虑更全面的信息,使生成的预测轨迹更加准确。
在一种可能的实施方式中,该方法还包括:获取第二预设时间段内多个用户的第二备用轨迹数据,多个用户中每个用户分别对应一段或多段第二备用轨迹数据,其中,多个用户的每段第二备用轨迹数据分别用轨迹数据地理位置信息进行表征;根据预配置的轨迹数据地理位置信息与路段ID的对应关系,确定与多个用户的每段第二备用轨迹数据相对应的路段ID序列,其中,每个路段ID信息对应第二备用轨迹数据中的一个轨迹点;根据多个用户中每个用户分别对应的一段或多段第二备用轨迹数据对应的路段ID序列的信息,分别更新与多个用户中每个用户对应的个体轨迹模式树;以及,根据多个用户的所有第二备用轨迹数据对应的路段ID序列的信息,更新全局轨迹模式树。
本方案可以不断对个体轨迹模式树和/或全局轨迹模式树进行更新,实现增量式的轨迹模式挖掘,保持轨迹模式的完整性和有效性。
在一种可能的实施方式中,该方法还包括:获取第三预设时间段内目标用户的备用轨迹数据;根据预设时长,将目标用户的备用轨迹数据划分为目标轨迹数据和临近轨迹数据;其中,目标轨迹数据为目标用户的备用轨迹数据中第一轨迹点至第二轨迹点的轨迹数据,第一轨迹点为目标用户的备用轨迹数据中的最后一个轨迹点,第二轨迹点至第一轨迹点的时间距离为预设时长;临近轨迹数据为目标用户的备用轨迹数据中,除目标轨迹数据之外的备用轨迹数据;目标轨迹数据用于目标用户的轨迹预测;确定临近轨迹数据对应的路段ID序列;根据临近轨迹数据对应的路段ID序列,更新目标用户对应的个体轨迹模式树。
本方案可以不断对个体轨迹模式树进行更新,实现增量式的轨迹模式挖掘,保持轨迹模式的完整性和有效性。
第二方面,提供了一种轨迹预测方法,该方法应用如上述第一方面所述的个体轨迹模式树或全局轨迹模式树进行轨迹预测,该方法包括:获取目标用户的用户标识和目标用户的目标轨迹数据;根据目标用户的用户标识,确定与目标轨迹数据对应的路段ID序列和目标用户对应的个体轨迹模式树;若目标用户对应的个体轨迹模式树中,存在与目标轨迹数据对应的路段ID序列的匹配度大于等于预设阈值的轨迹模式,根据与目标轨迹数据对应的路段ID序列的匹配度大于等于预设阈值的轨迹模式,确定并输出目标用户的第一轨迹预测结果;或者,若目标用户对应的个体轨迹模式树中,不存在与目标轨迹数据对应的路段ID序列的匹配度大于等于预设阈值的轨迹模式,根据全局轨迹模式树中与目标轨迹数据对应的路段ID序列的匹配度最高的轨迹模式,确定并输出目标用户的第二轨迹预测结果。
基于本申请实施例提供的轨迹预测方法,可以在进行轨迹预测时,综合考虑个体轨迹模式树和全局轨迹模式树,在个体轨迹模式树中存在接近用户的历史行动轨迹的轨迹模式时,由个体轨迹模式树进行轨迹预测,在个体轨迹模式树中不存在接近用户的历史行动轨迹的轨迹模式时,由全局轨迹模式树进行轨迹预测,使预测结果更加准确。
在一种可能的实施方式中,获取目标用户的目标轨迹数据包括:获取第三预设时间段内目标用户的备用轨迹数据;根据预设时长,将目标用户的备用轨迹数据划分为目标轨迹数据和临近轨迹数据;其中,目标轨迹数据为目标用户的备用轨迹数据中第一轨迹点至第二轨迹点的轨迹数据,第一轨迹点为目标用户的备用轨迹数据中的最后一个轨迹点,第二轨迹点至第一轨迹点的时间距离为预设时长;临近轨迹数据为目标用户的备用轨迹数据中,除目标轨迹数据之外的备用轨迹数据。
基于本方案,可以根据预设时长,获取用户最近的备用轨迹数据作为目标轨迹数据,从而使轨迹模式树进行轨迹预测时,生成的预测轨迹更贴近用户最近的历史行动轨迹。
在一种可能的实施方式中,该方法还包括:确定临近轨迹数据对应的路段ID序列;根据临近轨迹数据对应的路段ID序列,更新目标用户对应的个体轨迹模式树。
基于本方案,可以使更新后的轨迹模式树更贴近用户最近的历史行动轨迹,根据目标轨迹确定的预测结果更加准确。
在一种可能的实施方式中,根据与目标轨迹数据对应的路段ID序列的匹配度大于等于预设阈值的轨迹模式,确定并输出目标用户的第一轨迹预测结果,包括:根据以第一轨迹模式的最后一个树节点为第一起始树节点的一个或多个轨迹模式中,第一起始树节点与第一起始树节点的下一跳树节点之间的轨迹模式的支持度,确定第一起始树节点的下一跳目标树节点,第一轨迹模式为目标用户对应的个体轨迹模式树中,与目标轨迹数据对应的路段ID序列的匹配度大于等于预设阈值的轨迹模式中的其中一个轨迹模式;根据以第一起始树节点的下一跳目标树节点为第二起始树节点的一个或多个轨迹模式中,第二起始树节点与第二起始树节点的下一跳树节点之间的轨迹模式的支持度,确定第二起始树节点的下一跳目标树节点,直至获得目标用户的第一轨迹预测结果后输出目标用户的第一轨迹预测结果。
基于本方案,可以根据当前节点与下一跳节点之间的支持度,从当前节点的下一跳节点中确定下一次到达的目标树节点,从而一步步确定预测结果。
在一种可能的实施方式中,根据全局轨迹模式树中与目标轨迹数据对应的路段ID序列的匹配度最高的轨迹模式,确定并输出目标用户的第二轨迹预测结果包括:根据以第二轨迹模式的最后一个树节点为第三起始树节点的一个或多个轨迹模式中,第三起始树节点与第三起始树节点的下一跳树节点之间的轨迹模式的支持度,以及目标用户对应的个体轨迹模式树中,第三起始树节点与第三起始树节点的下一跳树节点之间的轨迹模式的支持度,确定全局轨迹模式树中第三起始树节点的下一跳目标树节点,第二轨迹模式为全局轨迹模式树中与目标轨迹数据对应的路段ID序列的匹配度最高的轨迹模式;根据以第三起始树节点的下一跳目标树节点为第四起始树节点的一个或多个轨迹模式中,第四起始树节点与第四起始树节点的下一跳树节点之间的轨迹模式的支持度,以及目标用户对应的个体轨迹模式树中,第四起始树节点与第四起始树节点的下一跳树节点之间的轨迹模式的支持度,确定第四起始树节点的下一跳目标树节点,直至获得目标用户的第二轨迹预测结果后输出目标用户的第二轨迹预测结果。
基于本方案,基于本方案,可以根据当前节点与下一跳节点之间的支持度,从当前节点的下一跳节点中确定下一次到达的目标树节点,从而一步步确定预测结果。
在一种可能的实施方式中,支持度是根据轨迹模式的频繁模式信息和时间模式信息确定的。
基于本方案,可以根据多项不同种类的信息确定轨迹模式的支持度,从而可以使根据轨迹模式的支持度预测的轨迹更加准确。
第三方面,本申请提供一种轨迹预测模型构建装置。该轨迹预测模型构建装置包括用于执行第一方面或第一方面中任一种可能的设计方式所述的方法的各个模块。
第四方面,本申请提供一种轨迹预测装置。该轨迹预测装置包括用于执行第二方面或第二方面中任一种可能的设计方式所述的方法的各个模块。
第五方面,本申请提供一种轨迹预测模型构建装置,该轨迹预测模型构建装置包括存储器和处理器。上述存储器和处理器耦合。该存储器用于存储计算机程序代码,该计算机程序代码包括计算机指令。当处理器执行该计算机指令时,轨迹预测模型构建装置执行如第一方面及其任一种可能的设计方式所述的轨迹预测模型构建方法。
第六方面,本申请提供一种轨迹预测装置,该轨迹预测装置包括存储器和处理器。上述存储器和处理器耦合。该存储器用于存储计算机程序代码,该计算机程序代码包括计算机指令。当处理器执行该计算机指令时,轨迹预测装置执行如第二方面及其任一种可能的设计方式所述的轨迹预测方法。
第七方面,本申请提供一种芯片系统,该芯片系统应用于轨迹预测模型构建装置;所述芯片系统包括一个或多个接口电路,以及一个或多个处理器。所述接口电路和所述处理器通过线路互联;所述接口电路用于从所述轨迹预测模型构建装置的存储器接收信号,并向所述处理器发送所述信号,所述信号包括所述存储器中存储的计算机指令。当所述处理器执行所述计算机指令时,所述轨迹预测模型构建装置执行如第一方面及其任一种可能的设计方式所述的轨迹预测模型构建方法。
第八方面,本申请提供一种芯片系统,该芯片系统应用于轨迹预测装置;所述芯片系统包括一个或多个接口电路,以及一个或多个处理器。所述接口电路和所述处理器通过线路互联;所述接口电路用于从所述轨迹预测装置的存储器接收信号,并向所述处理器发送所述信号,所述信号包括所述存储器中存储的计算机指令。当所述处理器执行所述计算机指令时,所述轨迹预测装置执行如第二方面及其任一种可能的设计方式所述的轨迹预测方法。
第九方面,本申请提供一种计算机可读存储介质,该计算机可读存储介质包括计算机指令,当所述计算机指令在轨迹预测模型构建装置上运行时,使得所述轨迹预测模型构建装置执行如第一方面及其任一种可能的设计方式所述的轨迹预测模型构建方法。
第十方面,本申请提供一种计算机可读存储介质,该计算机可读存储介质包括计算机指令,当所述计算机指令在轨迹预测装置上运行时,使得所述轨迹预测模型构建装置执行如第二方面及其任一种可能的设计方式所述的轨迹预测方法。
第十一方面,本申请提供一种计算机程序产品,该计算机程序产品包括计算机指令,当所述计算机指令在轨迹预测模型构建装置上运行时,使得所述轨迹预测模型构建装置执行如第一方面及其任一种可能的设计方式所述的轨迹预测模型构建方法。
第十二方面,本申请提供一种计算机程序产品,该计算机程序产品包括计算机指令,当所述计算机指令在轨迹预测装置上运行时,使得所述轨迹预测装置执行如第二方面及其任一种可能的设计方式所述的轨迹预测方法。
本申请中第三方面到第十二方面及其各种实现方式的具体描述,可以参考第一方面、第二方面及其各种实现方式中的详细描述;并且,第三方面到第十二方面及其各种实现方式的有益效果,可以参考第一方面、第二方面及其各种实现方式中的有益效果分析,此处不再赘述。
本申请的这些方面或其他方面在以下的描述中会更加简明易懂。
附图说明
图1为本申请实施例提供的一种轨迹预测系统的结构示意图;
图2为本申请实施例提供的一种轨迹预测模型构建方法的原理图;
图3为本申请实施例提供的一种轨迹预测方法的原理图;
图4为本申请实施例提供的一种计算装置的硬件结构图;
图5为本申请实施例提供的一种轨迹预测模型构建方法的流程图;
图6为本申请实施例提供的一种构建个体轨迹模式树的示意图一;
图7为本申请实施例提供的一种构建个体轨迹模式树的示意图二;
图8为本申请实施例提供的一种构建个体轨迹模式树的示意图三;
图9为本申请实施例提供的一种构建全局轨迹模式树的示意图一;
图10为本申请实施例提供的一种构建全局轨迹模式树的示意图二;
图11为本申请实施例提供的一种更新个体轨迹模式树的示意图;
图12为本申请实施例提供的一种轨迹预测方法的流程图;
图13为本申请实施例提供的一种轨迹预测模型构建装置的结构示意图;
图14为本申请实施例提供的一种轨迹预测置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。其中,在本申请的描述中,除非另有说明,“/”表示前后关联的对象是一种“或”的关系,例如,A/B可以表示A或B;本申请中的“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况,其中A,B可以是单数或者复数。并且,在本申请的描述中,除非另有说明,“多个”是指两个或多于两个。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。另外,为了便于清楚描述本申请实施例的技术方案,在本申请的实施例中,采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定,并且“第一”、“第二”等字样也并不限定一定不同。同时,在本申请实施例中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念,便于理解。
此外,本申请实施例描述的网络架构以及业务场景是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域普通技术人员可知,随着网络架构的演变和新业务场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
下面将结合附图对本申请实施例的实施方式进行详细描述。
本申请实施例提供的轨迹预测模型构建方法或者轨迹预测方法可以适用于轨迹预测系统。图1示出了该轨迹预测系统的一种可能的结构。如图1所示,本申请实施例提供的轨迹预测系统10可以包括:服务器11、客户端12、以及多个采集设备13。
其中,如图2所示,轨迹预测系统应用轨迹预测模型构建方法时,采集设备13可以用于采集用户的轨迹数据,多个采集设备13可以分别设置在不同用户的手机,或者不同用户的车辆等可以获取用户的位置数据的装置中。客户端12为用户可以使用的终端设备,客户端12可以是可移动的,也可以是位置固定的。可选的,采集设备13可以通过客户端12,向服务器11发送采集的用户的轨迹数据。或者,采集设备13也可以直接向服务器11发送采集的用户的轨迹数据。服务器11可以根据获取的用户的轨迹数据构建个体轨迹模式树以及全局轨迹模式树。一种可能的实现方式中,某个采集设备13可以设置于某个客户端12中,即某些客户端12可以同时具备获取用户的位置数据的功能,本申请实施例对此不做具体限定。
如图3所示,轨迹预测系统应用轨迹预测模型构建方法时,采集设备13可以通过客户端12,或者,可以直接向服务器11发送采集的目标用户的轨迹数据。用户可以通过操作客户端12,选择想要预测轨迹的目标用户,客户端12可以响应于用户的操作,生成对目标用户的轨迹预测请求并发送给服务器11请求进行轨迹预测。服务器11可以响应于轨迹预测请求,根据个体轨迹模式树或者全局轨迹模式树以及获取的目标用户的轨迹数据,确定轨迹预测结果。可选的,服务器11可以输出轨迹预测结果给客户端12,客户端12可以将轨迹预测结果提供给用户。一种可能的实现方式中,服务器11或者用于实现服务器11功能的装置可以集成在客户端12中,换言之,某些情况下,客户端12可以同时具备响应用户操作和输出预测轨迹的功能。
本申请实施例中,客户端12可以是任一种包括显示模块的电子设备,例如,个人计算机(Personal Computer,PC)、笔记本电脑、移动设备、平板计算机、膝上型计算机等。图1-图3中的客户端12为PC仅仅是示意性的,本申请实施例不对客户端12的具体形态进行限定。
上述服务器11和客户端12的基本硬件结构类似,都包括图4所示计算装置所包括的元件。下面以图4所示的计算装置为例,介绍服务器11和客户端12的硬件结构。
如图4所示,计算装置可以包括处理器41,存储器42、通信接口43、总线44。处理器41,存储器42以及通信接口43之间可以通过总线44连接。
处理器41是计算装置的控制中心,可以是一个处理器,也可以是多个处理元件的统称。例如,处理器41可以是一个通用中央处理单元(central processing unit,CPU),也可以是其他通用处理器等。其中,通用处理器可以是微处理器或者是任何常规的处理器等。
作为一种实施例,处理器41可以包括一个或多个CPU,例如图4中所示的CPU 0和CPU1。
存储器42可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory,EEPROM)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
一种可能的实现方式中,存储器42可以独立于处理器41存在,存储器42可以通过总线44与处理器41相连接,用于存储指令或者程序代码。处理器41调用并执行存储器42中存储的指令或程序代码时,能够实现本申请实施例提供的轨迹预测方法。
在本申请实施例中,对于服务器11和客户端12而言,存储器42中存储的软件程序不同,服务器11和客户端12实现的功能不同。关于各设备所执行的功能将结合下面的流程图进行描述。
另一种可能的实现方式中,存储器42也可以和处理器41集成在一起。
通信接口43,用于计算装置与其他设备通过通信网络连接,所述通信网络可以是以太网,无线接入网(radio access network,RAN),无线局域网(wireless localareanetworks,WLAN)等。通信接口43可以包括用于接收数据的接收单元,以及用于发送数据的发送单元。
总线44,可以是工业标准体系结构(Industry StandardArchitecture,ISA)总线、外部设备互连(Peripheral Component Interconnect,PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture,EISA)总线等。该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4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。
需要指出的是,图4中示出的结构并不构成对该计算装置的限定,除图4所示部件之外,该计算装置可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本申请实施例提供的轨迹预测模型构建方法或者轨迹预测方法的执行主体为预测轨迹的生成装置(以下简称为轨迹预测装置)。该轨迹预测装置可以是上述服务器11,也可以是上述服务器11中的CPU,还可以是上述服务器11中用于生成预测轨迹的控制模块。当然,该轨迹预测装置还可以是上述客户端12,也可以是上述客户端12中的CPU,还可以是上述客户端12中用于生成预测轨迹的控制模块。本申请实施例对轨迹预测装置的具体形式不作限制。
下面结合附图对本申请实施例提供的轨迹预测模型构建方法和轨迹预测方法进行描述。
本申请实施例提供的轨迹预测模型构建方法也可以称为轨迹模式挖掘阶段,轨迹预测方法也可以称为轨迹预测阶段。其中,轨迹挖掘阶段用于构建用于生成预测轨迹的模型(或者说轨迹模式树)。轨迹预测阶段用于根据目标用户的目标轨迹,使构建的轨迹模式树生成与目标轨迹对应的预测轨迹。
本申请实施例中,与目标轨迹对应的预测轨迹为轨迹模式树预测的目标轨迹之后用户的行动轨迹。
以下分别对轨迹模式挖掘阶段和轨迹预测阶段进行展开介绍。
本申请实施例中,轨迹挖掘阶段主要包括以下步骤:
S501、轨迹预测装置获取第一预设时间段内多个用户的第一备用轨迹数据,多个用户中每个用户分别对应一段或多段第一备用轨迹数据,其中,多个用户的每段第一备用轨迹数据分别用轨迹数据地理位置信息进行表征。
S502、轨迹预测装置根据预配置的轨迹数据地理位置信息与路段标识ID的对应关系,确定与多个用户的每段第一备用轨迹数据相对应的路段ID序列,其中,每个路段ID序列包括一个或多个路段ID信息,每个路段ID信息对应第一备用轨迹数据中的一个轨迹点。
S503、轨迹预测装置根据多个用户中每个用户对应的一段或多段第一备用轨迹数据对应的路段ID序列的信息,分别构建与多个用户中每个用户对应的个体轨迹模式树;以及,根据多个用户对应的所有第一备用轨迹数据对应的路段ID序列的信息,构建全局轨迹模式树。其中,每个路段ID信息对应个体轨迹模式树和/或全局轨迹模式树的一个树节点,个体轨迹模式树和/或全局轨迹模式树用于进行轨迹预测。
需要说明的是,本申请实施例中,轨迹预测装置在执行上述S501-S503所示的方法实施例时,也可以称为轨迹预测模型构建装置。
需要说明的是,本申请实施例中各项信息、参数、模型或设备的名称仅为示例名称,具体实现中也可以是其他的名字,本申请实施例对此不作具体限定。
对于S501,本申请实施例中,用户的备用轨迹数据可以用于构建用于预测用户行动轨迹的轨迹模式树。其中,可以将轨迹预测装置获取的用于构建初始轨迹模式树的备用轨迹数据称为第一备用轨迹数据。可选的,用户的备用轨迹数据还可以用于更新轨迹模式树,可以将用于更新轨迹模式树的备用轨迹数据称为第二备用轨迹数据,具体在下文进行展开介绍。
本申请实施例中,用户的备用轨迹数据是通过轨迹点表示的,其中,每个轨迹点的信息包括用于表征轨迹点的地理位置信息,例如经纬度坐标,以及采集到该轨迹点的时间信息。因此,可以根据轨迹点确定用户当时的地理位置。可以理解的是,在多个轨迹点根据对应的时间信息,按照时间前后顺序进行排列的情况下,这多个轨迹点可以用于表征在对应的时间段(从第一个轨迹点对应的时间到最后一个轨迹点对应的时间)内,用户的(历史)行动轨迹。
可选的,本申请实施例中,轨迹点可以为全球定位系统(global positioningsystem,GPS)数据点。
本申请实施例中,用户可以对应一段或多段备用轨迹数据。用户的一段备用轨迹数据可以理解为按照时间顺序排列的一个或多个用户的轨迹点,可以用于表征对应的时间段内用户的历史行动轨迹。因此,为了预测多个用户的行动轨迹,轨迹预测装置可以获取第一预设时间段内多个用户对应的一段或多段第一备用轨迹数据,并根据获取的多个用户的第一备用轨迹数据构建用于根据用户的历史行动轨迹,生成用户的预测轨迹的轨迹模式树(与多个用户中每个用户分别对应的个体轨迹模式树和与多个用户中所有用户对应的全局轨迹模式树)。其中,第一预设时间段可以是根据业务需求确定的。
可选的,本申请实施例中,用户的备用轨迹数据可以是对用户的原始轨迹数据进行处理得到的。其中,原始轨迹数据由轨迹点组成。
本申请实施例中,轨迹预测装置可以为每个用户的原始轨迹数据分配一个标识信息,该标识信息也可以称为用户标识(Identity,ID),目标标识用于表征原始轨迹数据所属于的用户。
一种可能的实现方式中,本申请实施例中,轨迹预测装置可以根据业务需求,从用于查询用户的原始轨迹数据的数据采集平台获取预设时间段内多个用户的原始轨迹数据。例如,从数据采集平台获取一个月内城市A中车辆的GPS数据作为原始轨迹数据。可选的,数据采集平台可以运行在客户端或者服务器中,本申请实施例对此不做限制。
可选的,本申请实施例中,轨迹预测装置可以接入数据采集平台,从而实时从数据采集平台获取用户的原始轨迹数据。
另一种可能的实现方式中,轨迹预测装置可以连接采集设备,直接从采集设备处获取采集设备采集的用户的原始轨迹数据。采集设备可以在每次采集到用户的原始轨迹数据后就将原始轨迹数据发送给轨迹预测装置,或者,可以按照预设的时间周期,定时将时间周期内获取的所有原始轨迹数据发送给轨迹预测装置,本申请实施例对此不做限制。
进一步地,轨迹预测装置可以将获取的原始轨迹数据和/或对原始轨迹进行处理后得到的备用轨迹数据存储在轨迹预测装置的数据库中,以备后续使用。
以下对轨迹预测装置对原始轨迹数据进行处理得到备用轨迹数据进行展开介绍。
可选的,本申请实施例中,轨迹预测装置获取预设时间段内用户的原始轨迹数据后,可以按照业务需求,对用户的原始轨迹数据进行分割处理,将预设时间段内用户的原始轨迹数据分割为一段或多段子轨迹数据。其中,预设时间段内用户的原始轨迹数据,可以理解为预设时间段内,用户的一段长轨迹数据。预设时间段可以是根据业务需求确定的。
本申请实施例中,轨迹预测装置根据预设时间段内用户的原始轨迹数据获得一段或多段子轨迹数据后,每段子轨迹数据可以作为预设时间段内用户的每段备用轨迹数据,或者,轨迹预测装置可以对每段子轨迹数据进行进一步处理以得到预设时间段内用户的每段备用轨迹数据。
一种可能的实现方式中,假设预设时间段为第一预设时间段,用户数量为多个,轨迹预测装置在获取第一预设时间段内,多个用户的原始轨迹数据后,可以基于多个用户中每个用户的原始轨迹数据(构成原始轨迹数据的轨迹点)的时间和/或空间信息,对每个用户的原始轨迹数据进行分割处理,获取多个用户中每个用户分别对应的一段或多段备用轨迹数据。其中,时间信息可以包括预配置的时间段信息,空间信息可以包括预配置的地理节点,和/或驻留点信息。示例性的,假设预配置的时间段为一天(时间信息),则根据原始轨迹数据的时间信息,将原始轨迹数据分割为每一天对应的子轨迹数据。假设预配置的地理节点为城市A,则将原始轨迹数据中,表征的地理位置为城市A的原始轨迹数据分割出来作为子轨迹数据,或者将地理位置不为A的原始轨迹数据分割出来作为子轨迹数据。假设预配置的驻留点为客运站B,则将原始轨迹数据中,表征用户驻留在客运站B的重复数据进行清理。其中,驻留指一定时间范围内,一直停留在该驻留点。例如,一天内用户1的原始轨迹数据均对应客运站B,则认为当天用户1驻留在客运站B,可以将当天内用户1的原始轨迹数据清理至一个轨迹点作为子轨迹数据。
基于本方案,可以对原始轨迹数据进行分割处理来获取用于构建轨迹模式树的备用轨迹数据,从而可以更容易地构建完成轨迹模式树,且构建的轨迹模式树更加准确。
可选的,本申请实施例中,轨迹预测装置可以对原始轨迹数据进行去噪,对质量较差的原始轨迹数据进行剔除或修复。其中,质量较差的轨迹数据可以理解为不合理的轨迹数据,轨迹预测装置可以基于预配置的算法或模型,分析和确定质量较差的轨迹数据,并进行剔除或修复。示例性的,一天内,12:00的轨迹数据对应城市A,12:05的轨迹数据对应城市B,而12:10的轨迹数据对应城市A,则可以认为12:05的轨迹数据质量较差,可以进行剔除。
可选的,本申请实施例中,进行去噪的原始轨迹数据可以为分割后的子轨迹数据,换言之,轨迹预测装置可以在对原始轨迹数据进行分割后,将分割得到的子轨迹数据再进行去噪处理。轨迹预测装置可以将去噪处理后的每段子轨迹数据作为每段备用轨迹数据。
本申请实施例中,轨迹预测装置对获取的原始轨迹数据进行处理后,获得可以用于构建轨迹模式树的多段备用轨迹数据。其中,轨迹预测装置可以为每段备用轨迹分配一个用于标识该段备用轨迹的标识信息,该标识信息可以称为轨迹ID。
可以理解的是,因为备用轨迹数据是由原始轨迹数据进行处理得到的,因此轨迹预测装置可以为每段备用轨迹数据分配对应的原始轨迹数据的用户ID,可以根据备用轨迹数据的用户ID确定所对应的用户。
对于S502,本申请实施例中,为了构建轨迹模式树,轨迹预测装置获取第一预设时间段内多个用户的第一备用轨迹数据后,可以将每段备用轨迹数据进行地图匹配,将备用轨迹数据中由经纬度坐标表示的空间信息转换为地图上的路段ID信息,路段ID用于表征地图上的对应路段。换言之,轨迹预测装置可以将第一备用轨迹数据中每个轨迹点转换为对应的路段ID。其中,经纬度坐标与路段ID之间的映射关系可以是预配置的。
可以理解的是,本申请实施例中,因为轨迹点对应有时间信息,所以转换后的路段ID也对应相同的时间信息。因此,按照时间前后顺序,每段备用轨迹数据可以转换为一个由路段ID组成的序列,路段ID序列中包括一个或多个由轨迹点转换的路段ID信息,该路段ID序列中路段ID的前后顺序可以用于表征时间上的先后顺序。换言之,一个路段ID序列可以用于表征一段时间内用户的历史路线。
示例性的,用户1的一段备用轨迹数据包括对应12:00的轨迹点1、对应14:00的轨迹点2和对应16:00的轨迹点3,进行地图匹配之后,假设轨迹点1对应的路段ID为路段A,轨迹点2对应的路段ID为路段B,轨迹点3对应的路段ID为路段C,因此用户1的这段备用轨迹数据对应的路段ID序列可以为{路段A、路段B、路段C},该路段ID序列可以用于表征用户1从路段A到路段B到路段C,其中路段A对应12:00,路段B对应14:00、路段C对应16:00。
可以理解的是,本申请实施例中,因为每个路段ID序列是由对应的每段备用轨迹数据转换的,因此每个路段ID序列可以与对应的每段备用轨迹数据分配相同的标识信息,例如用户ID和/或轨迹ID。
本申请实施例中,轨迹预测装置为预设时间段内,多个用户的每个路段ID序列分配标识信息后,可以根据路段ID序列的标识信息,对路段ID序列进行分组存储,以备后续取用。例如,为路段ID序列分配用户ID:A和轨迹ID:1,轨迹预测装置可以根据该路段ID序列的标识信息确定该路段ID序列对应的用户ID为A,轨迹ID为1。假设用户ID为A用于表征用户A,轨迹ID为1用于表征是用户A的备用轨迹中的第一段备用轨迹,则轨迹预测装置可以根据该路段ID序列的标识信息确定该路段ID序列对应用户A,且为用户A的第一段备用轨迹对应的路段ID序列。
对于S503,本申请实施例中,轨迹预测装置确定第一预设时间段内,多个用户中每个用户对应的一段或多段第一备用轨迹数据对应的路段ID序列后,可以根据确定的路段ID序列,一方面针对个体的轨迹模式进行挖掘,构建个体轨迹模式树(也可以称为个体轨迹预测模型),另一方面针对全局的轨迹模式进行挖掘,构建全局轨迹模式树(也可以称为全局轨迹预测模型)。
本申请实施例中,路段ID序列中的路段ID对应用于构建轨迹模式树的节点(或者称为树节点),轨迹预测装置可以根据路段序列中的路段ID,构建轨迹模式树中的节点。其中,节点信息包括对应的路段ID的信息,可以根据轨迹模式树中的节点信息,确定与节点对应额路段ID。且两个不同的节点之间可以连接,节点连接后形成的“边”(或者说“路线”),以及“边”所具有的属性信息可以称为轨迹模式。可以理解的是,轨迹模式可以用于表征从一个路段ID代表的路段至另一个路段ID代表的路段的路线。轨迹模式树可以理解为由轨迹模式构成的树状模型。
以下以个体轨迹模式树为例,对本申请实施例中,如何构建轨迹模式树进行展开说明。
一种可能的实现方式中,轨迹预测装置可以获取同一用户对应的所有路段ID序列并用于构建该用户的个体轨迹模式树。其中,因为用户ID用于表征不同的用户,所以轨迹预测装置可以根据路段ID序列中的用户ID,确定路段ID序列对应的用户。轨迹预测装置可以将路段ID序列中每个不同的路段ID作为该个体轨迹模式树中的节点,并连接相邻的两个节点,获得轨迹模式。轨迹预测装置可以基于路段ID序列中路段ID的时间顺序,确定不同的节点间连线的方向,即确定轨迹模式的时间顺序。
示例性的,路段ID序列1为{路段A、路段B、路段C},其中路段A对应时间为12:00,路段B对应时间为14:00、路段C对应时间为16:00。如图6所示,轨迹预测装置根据此路段ID序列在个体轨迹模式树中构建的轨迹模式时,将路段A、路段B和路段C作为节点,可以根据路段A、路段B和路段C的时间信息,连接路段A对应的节点(可以简称节点A)到路段B对应的节点(可以简称节点B),连线方向为节点A到节点B,连接节点B到路段C对应的节点(可以简称节点C),连线方向为节点B到节点C。
本申请实施例中,轨迹预测装置在根据路段ID序列构建轨迹模式树时,路段ID序列的起始路段ID(路段ID序列中第一个路段ID)对应轨迹模式的起点,若不同路段ID序列的起始路段ID相同,则不同的路段ID序列可以对应于相同起点对应的不同分支路线,若不同路段ID序列的起始路段ID不同,则不同的路段ID序列可以对应于不同的起点对应的不同路线。示例性的,如图7所示,为用户1对应的个体轨迹模式树。假设用户1对应的路段ID序列包括路段ID序列1、路段ID序列2和路段ID序列3。其中,路段ID序列1为{路段A、路段B、路段C},路段ID序列2为{路段A、路段B、路段D},则路段ID序列1和路段ID序列2对应的路线(或者说轨迹模式)均可以以路段A对应的节点(以下简称节点A)作为起点,路段ID序列1对应节点A到路段B对应的节点(以下简称节点B)到路段C对应的节点(以下简称节点C)的分支路线(或者说分支轨迹模式),连线方向为节点A到节点B到节点C,路段ID序列2对应节点A到节点B到路段D对应的节点(以下简称节点D)的分支路线,连线方向为节点A到节点B到节点D。路段ID序列3为{路段E、路段F、路段G},则路段ID序列3对应的轨迹模式为路段E对应的(以下简称节点E)到路段F对应的节点(以下简称节点F)F到路段G对应的节点(以下简称节点G),连线方向为节点E到节点F到节点G。
需要说明的是,本申请实施例中,对于不同起始路段ID的路段ID序列,如果路段ID序列中存在相同的路段ID,构建轨迹模式时,不同起始路段ID的路段ID序列中相同的路段ID对应起点不同的轨迹模式中的不同的节点。例如,假设用户1对应路段ID序列1{路段A、路段B、路段C}和路段ID序列2{路段B、路段C、路段A}。因为路段ID序列1与路段ID序列2的起始路段ID不同,因此,如图8所示,轨迹预测装置根据路段ID序列1和路段ID序列2构建用户1对应的个体轨迹模式树时,路段ID序列1对应的轨迹模式中,路段A对应的节点可以为节点A1,路段B对应的节点可以为节点B1,路段C对应的节点可以为节点C1,连线方向为节点A1到节点B1到节点C1。而路段ID序列2对应的轨迹模式中,路段B对应的节点可以为节点B2,路段C对应的节点可以为节点C2,路段A对应的节点可以为节点A2,连线方向为节点B2到节点C2到节点A2。但是,节点A1和节点A2均对应路段A,节点B1和节点B2均对应路段B,节点C1和节点C2均对应路段C。
本申请实施例中,轨迹预测装置遍历同一用户(同一用户ID)对应的所有第一备用轨迹数据对应的所有路段ID序列后(以下简称用户对应的路段ID序列),可以构建完成该用户对应的个体轨迹模式树。同理,轨迹预测装置分别遍历完多个用户中每个用户对应的路段ID序列后,便可以构建完成多个用户中每个用户分别对应的个体轨迹模式树。例如,这多个用户为n个用户,轨迹预测装置便可以构建n棵个体轨迹模式树。
本申请实施例中,对于构建全局轨迹模式树,可以参考上文介绍的如何构建个体轨迹模式树,区别在于轨迹预测装置是遍历多个用户对应的所有路段ID序列来构建1棵全局轨迹模式树。
以下以一个具体的示例,对如何构建全局轨迹模式树进行介绍。假设轨迹预测装置获取了用户1、用户2和用户3对应的路段ID序列,其中,用户1对应路段ID序列1{路段A、路段B、路段C}和路段ID序列2{路段A、路段B、路段D、路段E},用户2对应路段ID序列3{路段B、路段C、路段D、路段E},用户3对应路段ID序列4{路段B、路段A、路段C},轨迹预测装置根据用户1、用户2和用户3对应的路段ID序列构建的全局轨迹模式树如图9所示,路段ID序列1和路段ID序列2对应的轨迹模式均以路段A对应的节点A1作为起点,路段ID序列1,对应节点A1到路段B对应的节点B1到路段C对应的节点C1的分支轨迹模式,连线方向为节点A1到节点B1到节点C1,路段ID序列2,对应节点A1到节点B1到路段D对应的节点D1到路段E对应的节点E1的分支路线,连线方向为节点A1到节点B1到节点D1到节点E1,路段ID序列3和路段ID序列4对应的轨迹模式均以路段B对应的节点B2作为起点,路段ID序列3,对应节点B2到路段C对应的节点C2到路段D对应的节点D2到路段E对应的节点E2的分支轨迹模式,连线方向为节点B2到节点C2到节点D2到节点E2,路段ID序列4,对应节点B2到路段A对应的节点A2到路段C对应的节点C3的分支轨迹模式,连线方向为节点B2到节点A2到节点C3。
可选的,轨迹预测装置可以根据确定的多个用户中每个用户对应的一个或多个路段ID序列中,包括的路段ID的信息,确定频繁模式信息和时间模式信息,并将确定的频繁模式信息和时间模式信息记录为两个节点连接的边(轨迹模式)的属性信息来构建每个用户对应的个体轨迹模式树,和/或构建全局轨迹模式树。
基于本方案,可以基于多项不同种类的信息构建轨迹模式树,从而使轨迹模式树生成预测轨迹时,可以考虑更全面的信息,使生成的预测轨迹更加准确。
其中,频繁模式信息为同一起点的轨迹模式中,两个相同节点间转移的次数,例如同一起点的轨迹模式中,从节点A到节点B一共出现3次,则该轨迹模式中节点A与节点B连接的边的频繁模式信息为3。需要说明的是,对于不同起点的轨迹模式,即使出现多次在相同的两个路段ID间转移,也不会增加对应的频繁模式信息。例如,在上述如图9所示的,根据路段ID序列1、路段ID序列2、路段ID序列3和路段ID序列4构建全局轨迹模式树的示例中,因为路段ID序列1对应的轨迹模式与路段ID序列2对应的轨迹模式对应同一起点:节点A,且路段ID序列1与路段ID序列2中的{路段A、路段B},均可以转换为节点A1到节点B1的轨迹模式,因此,路段ID序列1对应的轨迹模式与路段ID序列2对应的轨迹模式中,节点A1与节点B1连接的边的频繁模式信息为2。而路段ID序列1对应的轨迹模式与路段ID序列3对应的轨迹模式的起点不同,因此,即使路段ID序列1与路段ID序列3中均出现{路段B、路段C},路段ID序列1对应的轨迹模式中,节点B1和节点C1连接的边的频繁模式信息也不为2,而是为1。同理,路段ID序列3对应的轨迹模式中,节点B2到节点C2连接的边的频繁模式信息为1。以此类推,在上述如图9所示的,根据路段ID序列1、路段ID序列2、路段ID序列3和路段ID序列4构建的全局轨迹模式树中,各个轨迹模式的频繁模式信息如图10所示。
时间模式信息指节点间转移的时间信息,例如同一起点的轨迹模式中,从节点A到达节点B的时刻为18:00,则节点A到节点B连接的边上的时间模式信息为18:00。
进一步地,轨迹预测装置还可以确定序列模式信息和/或起终点模式信息,并将确定的序列模式信息和/或起终点模式信息记录为轨迹模式的属性信息来构建每个用户对应的个体轨迹模式树,和/或构建全局轨迹模式树。
其中,序列模式信息指当前节点转移前的节点顺序信息,例如,从节点A到节点B,当前节点为节点B,节点A可以是从节点C到达的,也可以是从节点D到达的,则节点A到节点B连接的边上的序列模式信息可以为节点C到节点A到节点B,以及节点D到节点A到节点B。其中,序列模式信息最多可以以轨迹模式对应的起点作为起点,直至当前节点。例如,节点A到节点B对应的轨迹模式的起点为节点E,节点E可以到节点C,也可以到节点D,节点C和节点D均到节点A,则节点A到节点B连接的边上的序列模式信息可以为节点E到节点C到节点A到节点B,以及节点E节点D到节点A到节点B。
起终点模式信息指当前节点所属的轨迹模式的起点的节点信息和终点的节点信息。例如,节点A到节点B对应的轨迹模式,当前节点为B,该轨迹模式的起点为节点D,终点为节点C,则起终点信息为节点C和节点D。
基于本申请实施例提供的轨迹预测模型构建方法,可以实现由路段ID表征轨迹数据的空间信息,相比地图网格化的方法,可以更准确地表达空间信息。并且,一方面基于个体数据构建的个体轨迹模式树,对于个体预测更加准确,另一方面基于全体数据构建的全局轨迹模式树,包含的轨迹模式更全面完整。
可选的,本申请实施例中,轨迹预测装置构建完成个体轨迹模式树后,可以根据用于构建该个体轨迹模式树的路段ID序列的用户ID,为该个体轨迹模式树分配一个用户标识(例如与用于构建该个体轨迹模式树的路段ID序列的用户ID相同的用户ID),该用户标识用于表征该个体轨迹模式树对应的用户。
可选的,本申请实施例中,轨迹预测装置构建完成全局轨迹模式树后,可以为全局轨迹模式树分配一个用于表征该轨迹模式树为全局轨迹模式树的标识信息。
可选的,本申请实施例中,轨迹预测装置在构建完成个体轨迹模式树和全局轨迹模式树后,可以对个体轨迹模式树和/或全局轨迹模式树进行更新。一种可能的实现方式中,轨迹预测装置可以获取第二预设时间段内,多个用户的第二备用轨迹数据,其中,每个用户分别对应一段或多段第二备用轨迹数据,进而确定与每段第二备用轨迹数据对应的路段ID序列,并根据确定的路段ID序列的信息,分别对对应的个体轨迹模式树和/或全局轨迹模式树进行更新。具体的更新过程可参考上文对构建个体轨迹模式树和全局轨迹模式树的介绍,在此不再赘述。其中,第二预设时间段可以根据业务需求确定。可选的,第二预设时间段可以为预设的时间周期,换言之,轨迹预测装置可以对个体轨迹模式树和/或全局轨迹模式数进行定时更新。
例如,假设上述图7所示的用户1的个体轨迹模式树为初始个体轨迹模式树,预设的第二时间段为1天,轨迹预测装置可以在每天的12点,根据当天获取的用户的1的备用轨迹数据,确定当天用户1对应的路段ID序列并对该个体轨迹模式树进行更新。若当天用户1对应的路段ID序列为{路段E、路段H},该路段ID序对应的轨迹模式中,路段H对应的节点为节点H,则对如图7所示的用户1的初始个体轨迹模式树更新后,用户1的个体轨迹模式树如图11所示。
本方案可以不断对个体轨迹模式树和/或全局轨迹模式树进行更新,实现增量式的轨迹模式挖掘,保持轨迹模式的完整性和有效性。
需要说明的是,本申请实施例中,用于更新轨迹模式树的第二备用轨迹数据所对应的多个用户,可以与用于构建初始轨迹模式树的第一备用轨迹数据所对应的多个用户相同,也可以不同,本申请实施例对此不做限制。
如果第二备用轨迹数据所对应的多个用户与用于构建初始轨迹模式树的第一备用轨迹数据所对应的多个用户相同,轨迹预测装置可以根据这多个用户中每个用户分别对应的一段或多段第二备用轨迹数据对应的路段ID序列的信息,分别更新与这多个用户中每个用户对应的个体轨迹模式树。
可选的,如果轨迹预测装置获取的第二备用轨迹数据对应的用户相比第一备用轨迹数据所对应的用户有新增的用户,轨迹预测装置可以根据新增用户的第二备用轨迹数据,构建新的与新增用户分别对应的个体轨迹模式树。
轨迹预测装置构建完成个体轨迹模式树和全局轨迹模式树后,可以进入轨迹预测阶段。
如图12所示,本申请实施例中,轨迹预测阶段主要包括以下步骤:
S1201、轨迹预测装置获取目标用户的用户标识和目标用户的目标轨迹数据。
S1202、轨迹预测装置根据目标用户的用户标识,确定与目标轨迹数据对应的路段ID序列和目标用户对应的个体轨迹模式树。
S1203、若目标用户对应的个体轨迹模式树中,存在与目标轨迹数据对应的路段ID序列的匹配度大于等于预设阈值的轨迹模式,轨迹预测装置根据与目标轨迹数据对应的路段ID序列的匹配度大于等于预设阈值的轨迹模式,确定并输出目标用户的第一轨迹预测结果。
或者,若目标用户对应的个体轨迹模式树中,不存在与目标轨迹数据对应的路段ID序列的匹配度大于等于预设阈值的轨迹模式,轨迹预测装置根据全局轨迹模式树中与目标轨迹数据对应的路段ID序列的匹配度最高的轨迹模式,确定并输出目标用户的第二轨迹预测结果。
对于S1201,轨迹预测装置可以响应于用户提交的对目标用户的轨迹预测请求,确定目标用户的用户标识,并根据目标用户的用户标识,获取目标用户的目标轨迹数据。其中,目标用户的用户标识可以为上文介绍的用户ID。
可选的,本申请实施例中,轨迹预测装置或者与轨迹预测装置连接的客户端可以响应于用户的操作,例如在前台界面上选择目标用户,生成轨迹预测请求,轨迹预测装置获取轨迹预测请求后,可以确定用户选择的目标用户的用户标识,进而根据目标用户的用户标识获取目标用户的目标轨迹数据。
一种可能的实现方式中,轨迹预测装置可以通过以下步骤获取目标用户的目标轨迹数据。
轨迹预测装置获取第三预设时间段内目标用户的备用轨迹数据。
轨迹预测装置根据预设时长,将目标用户的备用轨迹数据划分为目标轨迹数据和临近轨迹数据;其中,目标轨迹数据为目标用户的备用轨迹数据中第一轨迹点至第二轨迹点的轨迹数据,第一轨迹点为目标用户的备用轨迹数据中的最后一个轨迹点,第二轨迹点至第一轨迹点的时间距离为预设时长;临近轨迹数据为目标用户的备用轨迹数据中,除目标轨迹数据之外的备用轨迹数据。
可以理解的是,为了根据目标用户的目标轨迹,预测用户接下来的行动轨迹,获取的目标轨迹应该是时间上最近的行动轨迹,因此,轨迹预测装置获取的第三预设时间段内目标用户的备用轨迹数据应该为轨迹预测装置可以获取到的目标用户时间上最近的备用轨迹数据。其中,第三预设时间段的时长可以根据业务需求配置。例如,第三预设时间段内目标用户的备用轨迹数据可以为最近24小时内目标用户的备用轨迹数据。
可选的,轨迹预测装置可以查询用于存储用户的备用轨迹数据的数据库,来获取第三预设时间段内目标用户的原始轨迹数据。
可选的,轨迹预测装置可以对获取的第三预设时间段内目标用户的原始轨迹数据进行处理,以得到第三预设时间段内目标用户的备用轨迹数据。一种可能的实现方式中,轨迹预测装置可以查询数据采集平台来获取第三预设时间段内目标用户的原始轨迹数据,或者,轨迹预测装置可以查询用于存储用户的原始轨迹数据的数据库,来获取第三预设时间段内目标用户的原始轨迹数据。其中,具体的处理过程可参考上文对S501的介绍,在此不再赘述。
轨迹预测装置获取第三预设时间段内目标用户的备用轨迹数据后,可以根据预设时长以及备用轨迹数据的时间信息,从备用轨迹数据的最后一个轨迹点(第一轨迹点)开始往前划分,直至满足预设时长的时间距离的第二轨迹点,并将划分出的轨迹点数据作为目标用户的目标轨迹数据,其余的轨迹点数据作为临近轨迹数据。例如,预设时长为1个小时,第三预设时间段为最近24小时,则轨迹预测装置可以将最近1个小时的备用轨迹数据作为目标轨迹数据,其余23小时的备用轨迹数据为临近轨迹数据。
基于本方案,可以根据预设时长,获取用户最近的备用轨迹数据作为目标轨迹数据,从而使轨迹模式树进行轨迹预测时,生成的预测轨迹更贴近用户最近的历史行动轨迹。
可选的,轨迹预测装置在获取目标用户的临近轨迹数据后,可以根据目标用户的临近轨迹数据,对目标用户的个体轨迹模式树进行更新。具体地,轨迹预测装置可以确定临近轨迹数据对应的路段ID序列,并根据临近轨迹数据对应的路段ID序列,更新目标用户对应的个体轨迹模式树。具体更新过程可以参考上文对S503的介绍,在此不再赘述。本方案可以使目标用户的个体轨迹模式树更贴近目标用户最近的行动轨迹,使目标用户的个体轨迹模式树生成的预测轨迹数据更加准确。
可选的,轨迹预测装置可以根据目标用户的临近轨迹数据,对全局轨迹模式树进行更新。具体可参考上文对轨迹预测装置根据目标用户的临近轨迹数据对目标用户的个体轨迹模式树进行更新的介绍,在此不再赘述。
需要说明的是,本申请实施例中,轨迹预测装置获取临近轨迹数据后,可以在根据目标轨迹确定预测结果前,根据临近轨迹数据对轨迹模式树进行更新,以使更新后的轨迹模式树更贴近用户最近的历史行动轨迹,根据目标轨迹确定的预测结果更加准确。也可以在根据目标轨迹确定预测结果后,再根据临近轨迹数据对轨迹模式树进行更新,实现不断对轨迹模式树进行更新,本申请实施例对此不做限制。
对于S1202,本申请实施例中,轨迹预测装置获取的目标用户的目标轨迹数据,可以称为目标用户的一段目标轨迹数据,轨迹预测装置可以根据该段目标轨迹数据,确定一个对应的路段ID序列,具体确定过程可以参考上文对S502的介绍,在此不再赘述。
轨迹预测装置可以根据确定的目标用户的用户标识,确定与目标用户对应的个体轨迹模式树。
可选的,轨迹预测装置可以根据确定的目标用户的用户标识,为目标轨迹数据对应的路段ID序列分配一个用户ID。
对于S1203,本申请实施例中,轨迹预测装置确定目标轨迹数据对应的路段ID序列后,将该路段ID序列与目标用户对应的个体轨迹模式树中的所有轨迹模式进行匹配。如果目标用户对应的个体轨迹模式树中,存在与目标轨迹数据对应的路段ID序列的匹配度大于或等于预设阈值的轨迹模式,则由目标用户对应的个体轨迹模式树生成第一轨迹预测结果。如果目标用户对应的个体轨迹模式树中,不存在与输入的路段ID序列的匹配度大于或等于预配置的阈值的轨迹模式,则放弃个体轨迹模式树,将目标轨迹数据对应的路段ID序列与全局轨迹模式树中的所有轨迹模式进行匹配,确定匹配度最高的轨迹模式,并生成第二轨迹预测结果。
可选的,如果目标用户不存在对应的个体轨迹模式树,则轨迹预测装置直接将目标轨迹数据对应的路段ID序列与全局轨迹模式树进行匹配并生成预测轨迹。
本申请实施例中,轨迹模式与路段ID序列的匹配度是基于路段ID序列中包括的路段ID以及轨迹模式包括的节点确定的,轨迹预测装置可以预配置算法或模型来计算轨迹模式与路段ID序列的匹配度。
例如,目标轨迹数据对应的路段ID序列,为{路段A,路段B,路段C},目标用户对应的个体轨迹模式树中匹配度最高的轨迹模式为路段A对应的节点A到路段B对应的节点B,计算出的匹配度为66.7%,但是并不满足预配置的阈值80%,则将该路段ID序列再与全局轨迹模式树进行匹配。
本申请实施例中,对于目标用户对应的个体轨迹模式树中,存在与目标轨迹数据对应的路段ID序列的匹配度大于等于预设阈值的轨迹模式的情况,轨迹预测装置确定并输出第一轨迹预测结果的一种可能的实现方式如下:
轨迹预测装置根据目标用户对应的个体轨迹模式树中,以第一轨迹模式的最后一个树节点为第一起始树节点的一个或多个轨迹模式中,第一起始树节点与第一起始树节点的下一跳树节点之间的轨迹模式的支持度,确定第一起始树节点的下一跳目标树节点,其中,第一轨迹模式为目标用户对应的个体轨迹模式树中,与目标轨迹数据对应的路段ID序列的匹配度大于等于预设阈值的轨迹模式中的其中一个轨迹模式。
可选的,轨迹预测装置可以将第一起始树节点与第一起始树节点的下一跳树节点之间,支持度最高的轨迹模式中的下一跳树节点确定为下一跳目标树节点。
可选的,第一轨迹模式可以为与目标轨迹数据对应的路段ID序列的匹配度大于等于预设阈值的轨迹模式中,匹配度最高的轨迹模式。
然后,轨迹预测装置根据目标用户对应的个体轨迹模式树中,以第一起始树节点的下一跳目标树节点为第二起始树节点的一个或多个轨迹模式中,第二起始树节点与第二起始树节点的下一跳树节点之间的轨迹模式的支持度,确定第二起始树节点的下一跳目标树节点,直至获得目标用户的第一轨迹预测结果后输出目标用户的第一轨迹预测结果。
可选的,轨迹预测装置可以将第二起始树节点与第二起始树节点的下一跳树节点之间,支持度最高的轨迹模式中的下一跳树节点确定为下一跳目标树节点。
示例性的,目标轨迹数据对应的路段ID序列,为{路段A,路段B,路段C},目标用户对应的个体轨迹模式树中,在匹配度满足预设阈值的轨迹模式中,匹配度最高的轨迹模式为路段A对应的节点A到路段B对应的节点C。其中,节点B在该轨迹模式中,下一跳节点有路段D对应的节点D,以及与路段E对应的节点E,则计算节点B到节点D的轨迹模式的支持度,以及节点B到节点E的轨迹模式的支持度,计算出节点B到节点D的轨迹模式的支持度更高,则将节点B到节点D的轨迹模式确定为节点A到节点B后接下来的预测轨迹。然后,再计算该轨迹模式中节点C与节点C下一跳的所有节点对应的轨迹模式的支持度,一直到生成最终的预测轨迹,并将最终的预测轨迹输出为第一预测结果。
一种可能的实现方式中,本申请实施例中,轨迹预测装置可以基于轨迹模式对应的频繁模式信息和时间模式信息,计算轨迹模式的支持度。进一步地,轨迹预测装置还可以基于序列模式信息和/或起终点模式信息,计算轨迹模式的支持度。具体可以参考上文对构建个体轨迹模式树的介绍。基于本方案,可以根据多项不同种类的信息确定轨迹模式的支持度,从而可以使根据轨迹模式的支持度预测的轨迹更加准确。
可选的,若目标用户对应的个体轨迹模式树中,不存在与目标轨迹数据对应的路段ID序列的匹配度大于等于预设阈值的轨迹模式,轨迹预测装置可以仅根据全局轨迹模式树确定预测轨迹,具体可以参考上文对根据个体轨迹模式树生成预测轨迹的介绍。
可选的,若目标用户对应的个体轨迹模式树中,不存在与目标轨迹数据对应的路段ID序列的匹配度大于等于预设阈值的轨迹模式,轨迹预测装置根据全局轨迹模式树确定预测轨迹时,可以目标用户对应的结合个体轨迹模式树。
一种可能的实现方式中,轨迹预测装置根据全局轨迹模式树确定预测轨迹时,如果遇到有分支路线,需要进行路线选择的情况,在计算全局轨迹模式树中分支轨迹模式的支持度的同时,还可以叠加计算目标用户对应的个体轨迹模式树中,相同的分支轨迹模式的支持度,从而计算分支轨迹模式的混合支持度,并根据分支轨迹模式的混合支持度,将混合支持度更高的分支轨迹模式确定为预测轨迹。
其中,需要进行路线选择的情况可以为同一节点对应的不同分支轨迹模式的支持度的差值小于一定阈值,或者,也可以对同一节点对应的不同分支轨迹模式的支持度的差值不做限制,均进行路线选择。
本申请实施例中,轨迹模式的混合支持度可以为对全局轨迹模式树中该轨迹模式的支持度以及目标用户对应的个体轨迹模式树中该轨迹模式的支持度进行加权运算得到的结果。其中,全局轨迹模式树中轨迹模式的支持度以及个体轨迹模式树中轨迹模式的支持度的权重可以是预配置的。
具体地,轨迹预测装置可以根据全局轨迹模式树中,以第二轨迹模式的最后一个树节点为第三起始树节点的一个或多个轨迹模式中,第三起始树节点与第三起始树节点的下一跳树节点之间的轨迹模式的支持度,以及目标用户对应的个体轨迹模式树中,第三起始树节点与第三起始树节点的下一跳树节点之间的轨迹模式的支持度,确定全局轨迹模式树中第三起始树节点的下一跳目标树节点,第二轨迹模式为全局轨迹模式树中与目标轨迹数据对应的路段ID序列的匹配度最高的轨迹模式。
可选的,轨迹预测装置可以将全局轨迹模式树中,第三起始树节点与第三起始树节点的下一跳树节点之间,混合支持度最高的轨迹模式中的下一跳树节点确定为下一跳目标树节点。
然后,轨迹预测装置根据全局轨迹模式树中,以第三起始树节点的下一跳目标树节点为第四起始树节点的一个或多个轨迹模式中,第四起始树节点与第四起始树节点的下一跳树节点之间的轨迹模式的支持度,以及目标用户对应的个体轨迹模式树中,第四起始树节点与第四起始树节点的下一跳树节点之间的轨迹模式的支持度,确定第四起始树节点的下一跳目标树节点,直至获得目标用户的第二轨迹预测结果后输出目标用户的第二轨迹预测结果。
可选的,轨迹预测装置可以将全局轨迹模式树中,第四起始树节点与第四起始树节点的下一跳树节点之间,混合支持度最高的轨迹模式中的下一跳树节点确定为下一跳目标树节点。
示例性的,假设目标轨迹数据对应的路段ID序列为{路段A,路段B,路段C},全局轨迹模式树中匹配出的匹配度最高的轨迹模式为路段A对应的节点A到路段B对应的节点B到路段C对应的节点C,则节点C为第二轨迹模式的最后一个树节点。节点C下一跳的树节点有路段D对应的节点D,以及路段E对应的节点E,换言之,存在节点C到节点D以及节点C到节点E的不同分支轨迹模式,且计算出的支持度均为60%。则计算目标用户对应的个体轨迹模式树中,路段C对应的节点到路段D对应的节点,以及路段C对应的节点到路段E对应的节点的支持度,该个体轨迹模式树中路段C对应的节点C到路段D对应的节点D的支持度为70%,路段C对应的节点C到路段E对应的节点E的支持度为50%,则按照1:1的权重,计算出全局轨迹模式树中,节点C到节点D的轨迹模式的混合支持度高于节点C到节点E的轨迹模式的混合支持度,将节点C到节点D作为节点A到节点B到节点C之后的预测轨迹,以此类推,直至生成最终的预测轨迹并并将最终的预测轨迹输出为第二预测结果。
本申请实施例中,个体轨迹模式树或者全局轨迹模式树在生成预测轨迹时,当满足轨迹生成终止条件,个体轨迹模式树或者全局轨迹模式树可以完成本次轨迹预测,生成最终的预测轨迹。
可选的,本申请实施例中,轨迹生成终止条件可以包括生成的预测轨迹对应的时长满足预设时长,或者确定生成的预测轨迹已经到达轨迹模式的终点,没有下一跳节点。其中,生成的预测轨迹对应的时长可以根据预测轨迹对应的轨迹模式的时间模式信息确定。
基于本申请实施例提供的轨迹预测方法,可以在进行轨迹预测时,综合考虑个体轨迹模式树和全局轨迹模式树,在个体轨迹模式树中存在接近用户的历史行动轨迹的轨迹模式时,由个体轨迹模式树进行轨迹预测,在个体轨迹模式树中不存在接近用户的历史行动轨迹的轨迹模式时,由全局轨迹模式树进行轨迹预测,使预测结果更加准确。
可选的,轨迹预测装置获取到预测结果后,可以将预测结果输出给客户端,以使客户端将预测结果提供给用户,例如,将预测结果显示在前台界面,或者,将预测结果以文件形式生成并提供给用户。
上述主要从方法的角度对本申请实施例提供的方案进行了介绍。为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
如图13所示,为本申请实施例提供的一种轨迹预测模型构建装置的结构示意图,轨迹预测模型构建装置130用于执行图5所示的轨迹预测模型构建方法。轨迹预测模型构建装置120可以包括获取模块131、匹配模块132和构建模块133。当然,本申请实施例提供的轨迹预测模型构建装置包括但不限于上述模块。
其中,获取模块131,用于获取第一预设时间段内多个用户的第一备用轨迹数据,多个用户中每个用户分别对应一段或多段第一备用轨迹数据,其中,多个用户的每段第一备用轨迹数据分别用轨迹数据地理位置信息进行表征。匹配模块132,用于根据预配置的轨迹数据地理位置信息与路段标识ID的对应关系,确定与多个用户的每段第一备用轨迹数据相对应的路段ID序列,其中,每个路段ID序列包括一个或多个路段ID信息,每个路段ID信息对应第一备用轨迹数据中的一个轨迹点。构建模块123,用于根据多个用户中每个用户对应的一段或多段第一备用轨迹数据对应的路段ID序列的信息,分别构建与多个用户中每个用户对应的个体轨迹模式树;以及,根据多个用户对应的所有第一备用轨迹数据对应的路段ID序列的信息,构建全局轨迹模式树;其中,每个路段ID信息对应个体轨迹模式树和/或全局轨迹模式树的一个树节点,个体轨迹模式树和/或全局轨迹模式树用于进行轨迹预测。
在一种可能的实现方式中,获取模块131,具体用于:获取第一预设时间段内多个用户的原始轨迹数据;根据多个用户中每个用户的原始轨迹数据对应的时间信息和/或空间信息,对多个用户中每个用户的原始轨迹数据进行分割处理,获取多个用户中每个用户分别对应的一段或多段第一备用轨迹数据。
另一种可能的实现方式中,构建模块133,具体用于:根据多个用户中每个用户对应的一个或多个路段ID序列对应的频繁模式信息和时间模式信息,分别构建与多个用户中每个用户对应的个体轨迹模式树;根据多个用户中每个用户对应的一个或多个路段ID序列对应的频繁模式信息和时间模式信息,构建全局轨迹模式树。
另一种可能的实现方式中,获取模块131,还用于获取第二预设时间段内多个用户的第二备用轨迹数据,多个用户中每个用户分别对应一段或多段第二备用轨迹数据,其中,多个用户的每段第二备用轨迹数据分别用轨迹数据地理位置信息进行表征;匹配模块132,还用于根据预配置的轨迹数据地理位置信息与路段ID的对应关系,确定与多个用户的每段第二备用轨迹数据相对应的路段ID序列,其中,每个路段ID信息对应第二备用轨迹数据中的一个轨迹点;构建模块133,还用于根据多个用户中每个用户分别对应的一段或多段第二备用轨迹数据对应的路段ID序列的信息,分别更新与多个用户中每个用户对应的个体轨迹模式树;以及,根据多个用户的所有第二备用轨迹数据对应的路段ID序列的信息,更新全局轨迹模式树。
另一种可能的实现方式中,获取模块131,还用于获取第三预设时间段内目标用户的备用轨迹数据;根据预设时长,将目标用户的备用轨迹数据划分为目标轨迹数据和临近轨迹数据;其中,目标轨迹数据为目标用户的备用轨迹数据中第一轨迹点至第二轨迹点的轨迹数据,所述第一轨迹点为目标用户的备用轨迹数据中的最后一个轨迹点,第二轨迹点至第一轨迹点的时间距离为预设时长;临近轨迹数据为目标用户的备用轨迹数据中,除目标轨迹数据之外的备用轨迹数据;目标轨迹数据用于目标用户的轨迹预测。匹配模块132,还用于确定临近轨迹数据对应的路段ID序列。构建模块133,还用于根据临近轨迹数据对应的路段ID序列,更新目标用户对应的个体轨迹模式树。
当然,本申请实施例提供的轨迹预测模型构建装置130包括但不限于上述模块。
在实际实现时,获取模块131、匹配模块132和构建模块133可以由图4所示的处理器41调用存储器42中的程序代码来实现。其具体的执行过程可参考图5所示的轨迹预测模型构建方法部分的描述,这里不再赘述。
如图14所示,为本申请实施例提供的一种轨迹预测装置的结构示意图,轨迹预测装置140用于执行图11所示的轨迹预测方法。轨迹预测装置140可以包括获取模块141和确定模块142。当然,本申请实施例提供的轨迹预测装置包括但不限于上述模块。
其中,获取模块141,用于获取目标用户的用户标识和目标用户的目标轨迹数据。确定模块142,用于根据目标用户的用户标识,确定与目标轨迹数据对应的路段ID序列和目标用户对应的个体轨迹模式树。若目标用户对应的个体轨迹模式树中,存在与目标轨迹数据对应的路段ID序列的匹配度大于等于预设阈值的轨迹模式,确定模块142,还用于根据与目标轨迹数据对应的路段ID序列的匹配度大于等于预设阈值的轨迹模式,确定并输出目标用户的第一轨迹预测结果;或者,若目标用户对应的个体轨迹模式树中,不存在与目标轨迹数据对应的路段ID序列的匹配度大于等于预设阈值的轨迹模式,确定模块142,还用于根据全局轨迹模式树中与目标轨迹数据对应的路段ID序列的匹配度最高的轨迹模式,确定并输出目标用户的第二轨迹预测结果。
在一种可能的实现方式中,获取模块141,具体用于:获取第三预设时间段内目标用户的备用轨迹数据;根据预设时长,将目标用户的备用轨迹数据划分为目标轨迹数据和临近轨迹数据;其中,目标轨迹数据为目标用户的备用轨迹数据中第一轨迹点至第二轨迹点的轨迹数据,第一轨迹点为目标用户的备用轨迹数据中的最后一个轨迹点,第二轨迹点至第一轨迹点的时间距离为预设时长;临近轨迹数据为目标用户的备用轨迹数据中,除目标轨迹数据之外的备用轨迹数据。
另一种可能的实现方式中,确定模块142,还用于确定临近轨迹数据对应的路段ID序列;根据临近轨迹数据对应的路段ID序列,更新目标用户对应的个体轨迹模式树。
另一种可能的实现方式中,确定模块142,具体用于:根据以第一轨迹模式的最后一个树节点为第一起始树节点的一个或多个轨迹模式中,第一起始树节点与第一起始树节点的下一跳树节点之间的轨迹模式的支持度,确定第一起始树节点的下一跳目标树节点,第一轨迹模式为目标用户对应的个体轨迹模式树中,与目标轨迹数据对应的路段ID序列的匹配度大于等于预设阈值的轨迹模式中的其中一个轨迹模式;根据以第一起始树节点的下一跳目标树节点为第二起始树节点的一个或多个轨迹模式中,第二起始树节点与第二起始树节点的下一跳树节点之间的轨迹模式的支持度,确定第二起始树节点的下一跳目标树节点,直至获得目标用户的第一轨迹预测结果后输出目标用户的第一轨迹预测结果。
另一种可能的实现方式中,确定模块142,具体用于:根据以第二轨迹模式的最后一个树节点为第三起始树节点的一个或多个轨迹模式中,第三起始树节点与第三起始树节点的下一跳树节点之间的轨迹模式的支持度,以及目标用户对应的个体轨迹模式树中,第三起始树节点与第三起始树节点的下一跳树节点之间的轨迹模式的支持度,确定全局轨迹模式树中第三起始树节点的下一跳目标树节点,第二轨迹模式为全局轨迹模式树中与目标轨迹数据对应的路段ID序列的匹配度最高的轨迹模式;根据以第三起始树节点的下一跳目标树节点为第四起始树节点的一个或多个轨迹模式中,第四起始树节点与第四起始树节点的下一跳树节点之间的轨迹模式的支持度,以及目标用户对应的个体轨迹模式树中,第四起始树节点与第四起始树节点的下一跳树节点之间的轨迹模式的支持度,确定第四起始树节点的下一跳目标树节点,直至获得目标用户的第二轨迹预测结果后输出目标用户的第二轨迹预测结果。
另一种可能的实现方式中,支持度是根据轨迹模式的频繁模式信息和时间模式信息确定的。
当然,本申请实施例提供的轨迹预测装置140包括但不限于上述模块。
在实际实现时,获取模块141和确定模块142可以由图4所示的处理器41调用存储器42中的程序代码来实现。其具体的执行过程可参考图11所示的轨迹预测方法部分的描述,这里不再赘述。
本申请另一实施例还提供一种计算机可读存储介质,该计算机可读存储介质中存储有计算机指令,当计算机指令在轨迹预测模型构建装置上运行时,使得轨迹预测模型构建装置执行上述方法实施例所示的方法流程中轨迹预测模型构建装置执行的各个步骤。
本申请另一实施例还提供一种计算机可读存储介质,该计算机可读存储介质中存储有计算机指令,当计算机指令在轨迹预测装置上运行时,使得轨迹预测装置执行上述方法实施例所示的方法流程中轨迹预测装置执行的各个步骤。
本申请另一实施例还提供一种芯片系统,该芯片系统应用于轨迹预测模型构建装置。所述芯片系统包括一个或多个接口电路,以及一个或多个处理器。接口电路和处理器通过线路互联。接口电路用于从轨迹预测模型构建装置的存储器接收信号,并向处理器发送所述信号,所述信号包括所述存储器中存储的计算机指令。当处理器执行计算机指令时,轨迹预测模型构建装置执行上述方法实施例所示的方法流程中轨迹预测模型构建装置执行的各个步骤。
本申请另一实施例还提供一种芯片系统,该芯片系统应用于轨迹预测装置。所述芯片系统包括一个或多个接口电路,以及一个或多个处理器。接口电路和处理器通过线路互联。接口电路用于从轨迹预测装置的存储器接收信号,并向处理器发送所述信号,所述信号包括所述存储器中存储的计算机指令。当处理器执行计算机指令时,轨迹预测装置执行上述方法实施例所示的方法流程中轨迹预测装置执行的各个步骤。
在本申请另一实施例中,还提供一种计算机程序产品,该计算机程序产品包括指令,当指令在轨迹预测装置上运行时,使得轨迹预测装置执行上述方法实施例所示的方法流程中轨迹预测装置执行的各个步骤。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件程序实现时,可以全部或部分地以计算机程序产品的形式来实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机执行指令时,全部或部分地产生按照本申请实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(digitalsubscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可以用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质(例如,软盘、硬盘、磁带),光介质(例如,DVD)、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
以上所述,仅为本申请的具体实施方式。熟悉本技术领域的技术人员根据本申请提供的具体实施方式,可想到变化或替换,都应涵盖在本申请的保护范围之内。
Claims (20)
1.一种轨迹预测模型构建方法,其特征在于,所述方法包括:
获取第一预设时间段内多个用户的第一备用轨迹数据,所述多个用户中每个用户分别对应一段或多段第一备用轨迹数据,其中,所述多个用户的每段第一备用轨迹数据分别用轨迹数据地理位置信息进行表征;
根据预配置的轨迹数据地理位置信息与路段标识ID的对应关系,确定与所述多个用户的每段第一备用轨迹数据相对应的路段ID序列,其中,每个路段ID序列包括一个或多个路段ID信息,每个路段ID信息对应所述第一备用轨迹数据中的一个轨迹点;
根据所述多个用户中每个用户对应的一段或多段第一备用轨迹数据对应的路段ID序列的信息,分别构建与所述多个用户中每个用户对应的个体轨迹模式树;以及,根据所述多个用户对应的所有第一备用轨迹数据对应的路段ID序列的信息,构建全局轨迹模式树;
其中,所述每个路段ID信息对应所述个体轨迹模式树和/或所述全局轨迹模式树的一个树节点,所述个体轨迹模式树和/或所述全局轨迹模式树用于进行轨迹预测。
2.根据权利要求1所述的方法,其特征在于,所述获取第一预设时间段内多个用户的第一备用轨迹数据,包括:
获取所述第一预设时间段内多个用户的原始轨迹数据;
根据所述多个用户中每个用户的原始轨迹数据对应的时间信息和/或空间信息,对所述多个用户中每个用户的原始轨迹数据进行分割处理,获取所述多个用户中每个用户分别对应的一段或多段第一备用轨迹数据。
3.根据权利要求1或2所述的方法,其特征在于,所述根据所述多个用户中每个用户对应的一个或多个路段ID序列的信息,分别构建与所述多个用户中每个用户对应的个体轨迹模式树,包括:
根据所述多个用户中每个用户对应的一个或多个路段ID序列对应的频繁模式信息和时间模式信息,分别构建与所述多个用户中每个用户对应的个体轨迹模式树。
4.根据权利要求1或2所述的方法,其特征在于,所述根据所述多个用户对应的所有路段ID序列的信息,构建全局轨迹模式树,包括:
根据所述多个用户中每个用户对应的一个或多个路段ID序列对应的频繁模式信息和时间模式信息,构建全局轨迹模式树。
5.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
获取第二预设时间段内所述多个用户的第二备用轨迹数据,所述多个用户中每个用户分别对应一段或多段第二备用轨迹数据,其中,所述多个用户的每段第二备用轨迹数据分别用轨迹数据地理位置信息进行表征;
根据所述预配置的轨迹数据地理位置信息与路段ID的对应关系,确定与所述多个用户的每段第二备用轨迹数据相对应的路段ID序列,其中,每个路段ID信息对应所述第二备用轨迹数据中的一个轨迹点;
根据所述多个用户中每个用户分别对应的一段或多段第二备用轨迹数据对应的路段ID序列的信息,分别更新与所述多个用户中每个用户对应的个体轨迹模式树;以及,根据所述多个用户的所有第二备用轨迹数据对应的路段ID序列的信息,更新所述全局轨迹模式树。
6.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
获取第三预设时间段内目标用户的备用轨迹数据;
根据预设时长,将所述目标用户的备用轨迹数据划分为目标轨迹数据和临近轨迹数据;其中,所述目标轨迹数据为所述目标用户的备用轨迹数据中第一轨迹点至第二轨迹点的轨迹数据,所述第一轨迹点为所述目标用户的备用轨迹数据中的最后一个轨迹点,所述第二轨迹点至所述第一轨迹点的时间距离为所述预设时长;所述临近轨迹数据为所述目标用户的备用轨迹数据中,除所述目标轨迹数据之外的备用轨迹数据;所述目标轨迹数据用于所述目标用户的轨迹预测;
确定所述临近轨迹数据对应的路段ID序列;
根据所述临近轨迹数据对应的路段ID序列,更新所述目标用户对应的个体轨迹模式树。
7.一种轨迹预测方法,其特征在于,所述轨迹预测方法应用如上述权利要求1-6任一项所述的个体轨迹模式树或全局轨迹模式树进行轨迹预测;所述轨迹预测方法包括:
获取目标用户的用户标识和所述目标用户的目标轨迹数据;
根据所述目标用户的用户标识,确定与所述目标轨迹数据对应的路段ID序列和所述目标用户对应的个体轨迹模式树;
若所述目标用户对应的个体轨迹模式树中,存在与所述目标轨迹数据对应的路段ID序列的匹配度大于等于预设阈值的轨迹模式,根据与所述目标轨迹数据对应的路段ID序列的匹配度大于等于预设阈值的轨迹模式,确定并输出所述目标用户的第一轨迹预测结果;
或者,若目标用户对应的个体轨迹模式树中,不存在与所述目标轨迹数据对应的路段ID序列的匹配度大于等于预设阈值的轨迹模式,根据所述全局轨迹模式树中与所述目标轨迹数据对应的路段ID序列的匹配度最高的轨迹模式,确定并输出所述目标用户的第二轨迹预测结果。
8.根据权利要求7所述的方法,其特征在于,所述获取所述目标用户的目标轨迹数据包括:
获取第三预设时间段内所述目标用户的备用轨迹数据;
根据预设时长,将所述目标用户的备用轨迹数据划分为所述目标轨迹数据和临近轨迹数据;其中,所述目标轨迹数据为所述目标用户的备用轨迹数据中第一轨迹点至第二轨迹点的轨迹数据,所述第一轨迹点为所述目标用户的备用轨迹数据中的最后一个轨迹点,所述第二轨迹点至所述第一轨迹点的时间距离为所述预设时长;所述临近轨迹数据为所述目标用户的备用轨迹数据中,除所述目标轨迹数据之外的备用轨迹数据。
9.根据权利要求8所述的方法,其特征在于,所述方法还包括:
确定所述临近轨迹数据对应的路段ID序列;
根据所述临近轨迹数据对应的路段ID序列,更新所述目标用户对应的个体轨迹模式树。
10.根据权利要求7或8所述的方法,其特征在于,所述根据与所述目标轨迹数据对应的路段ID序列的匹配度大于等于预设阈值的轨迹模式,确定并输出所述目标用户的第一轨迹预测结果,包括:
根据以第一轨迹模式的最后一个树节点为第一起始树节点的一个或多个轨迹模式中,所述第一起始树节点与所述第一起始树节点的下一跳树节点之间的轨迹模式的支持度,确定所述第一起始树节点的下一跳目标树节点,所述第一轨迹模式为所述目标用户对应的个体轨迹模式树中,与所述目标轨迹数据对应的路段ID序列的匹配度大于等于预设阈值的轨迹模式中的其中一个轨迹模式;
根据以所述第一起始树节点的下一跳目标树节点为第二起始树节点的一个或多个轨迹模式中,所述第二起始树节点与所述第二起始树节点的下一跳树节点之间的轨迹模式的支持度,确定所述第二起始树节点的下一跳目标树节点,直至获得所述目标用户的第一轨迹预测结果后输出所述目标用户的第一轨迹预测结果。
11.根据权利要求7或8所述的方法,其特征在于,所述根据所述全局轨迹模式树中与所述目标轨迹数据对应的路段ID序列的匹配度最高的轨迹模式,确定并输出所述目标用户的第二轨迹预测结果包括:
根据以第二轨迹模式的最后一个树节点为第三起始树节点的一个或多个轨迹模式中,所述第三起始树节点与所述第三起始树节点的下一跳树节点之间的轨迹模式的支持度,以及所述目标用户对应的个体轨迹模式树中,所述第三起始树节点与所述第三起始树节点的下一跳树节点之间的轨迹模式的支持度,确定所述全局轨迹模式树中所述第三起始树节点的下一跳目标树节点,所述第二轨迹模式为所述全局轨迹模式树中与所述目标轨迹数据对应的路段ID序列的匹配度最高的轨迹模式;
根据以所述第三起始树节点的下一跳目标树节点为第四起始树节点的一个或多个轨迹模式中,所述第四起始树节点与所述第四起始树节点的下一跳树节点之间的轨迹模式的支持度,以及所述目标用户对应的个体轨迹模式树中,所述第四起始树节点与所述第四起始树节点的下一跳树节点之间的轨迹模式的支持度,确定所述第四起始树节点的下一跳目标树节点,直至获得所述目标用户的第二轨迹预测结果后输出所述目标用户的第二轨迹预测结果。
12.根据权利要求10或11所述的方法,其特征在于,所述支持度是根据所述轨迹模式的频繁模式信息和时间模式信息确定的。
13.一种轨迹预测模型构建装置,其特征在于,所述装置包括:获取模块、匹配模块和构建模块;
所述获取模块,用于获取第一预设时间段内多个用户的第一备用轨迹数据,所述多个用户中每个用户分别对应一段或多段第一备用轨迹数据,其中,所述多个用户的每段第一备用轨迹数据分别用轨迹数据地理位置信息进行表征;
所述匹配模块,用于根据预配置的轨迹数据地理位置信息与路段标识ID的对应关系,确定与所述多个用户的每段第一备用轨迹数据相对应的路段ID序列,其中,每个路段ID序列包括一个或多个路段ID信息,每个路段ID信息对应所述第一备用轨迹数据中的一个轨迹点;
所述构建模块,用于根据所述多个用户中每个用户对应的一段或多段第一备用轨迹数据对应的路段ID序列的信息,分别构建与所述多个用户中每个用户对应的个体轨迹模式树;以及,根据所述多个用户对应的所有第一备用轨迹数据对应的路段ID序列的信息,构建全局轨迹模式树;其中,所述每个路段ID信息对应所述个体轨迹模式树和/或所述全局轨迹模式树的一个树节点,所述个体轨迹模式树和/或所述全局轨迹模式树用于进行轨迹预测。
14.根据权利要求13所述的装置,其特征在于,
所述获取模块,具体用于:获取所述第一预设时间段内多个用户的原始轨迹数据;根据所述多个用户中每个用户的原始轨迹数据对应的时间信息和/或空间信息,对所述多个用户中每个用户的原始轨迹数据进行分割处理,获取所述多个用户中每个用户分别对应的一段或多段第一备用轨迹数据;
所述构建模块,具体用于:根据所述多个用户中每个用户对应的一个或多个路段ID序列对应的频繁模式信息和时间模式信息,分别构建与所述多个用户中每个用户对应的个体轨迹模式树;根据所述多个用户中每个用户对应的一个或多个路段ID序列对应的频繁模式信息和时间模式信息,构建全局轨迹模式树;
所述获取模块,还用于获取第二预设时间段内所述多个用户的第二备用轨迹数据,所述多个用户中每个用户分别对应一段或多段第二备用轨迹数据,其中,所述多个用户的每段第二备用轨迹数据分别用轨迹数据地理位置信息进行表征;
所述匹配模块,还用于根据所述预配置的轨迹数据地理位置信息与路段ID的对应关系,确定与所述多个用户的每段第二备用轨迹数据相对应的路段ID序列,其中,每个路段ID信息对应所述第二备用轨迹数据中的一个轨迹点;
所述构建模块,还用于根据所述多个用户中每个用户分别对应的一段或多段第二备用轨迹数据对应的路段ID序列的信息,分别更新与所述多个用户中每个用户对应的个体轨迹模式树;以及,根据所述多个用户的所有第二备用轨迹数据对应的路段ID序列的信息,更新所述全局轨迹模式树;
所述获取模块,还用于获取第三预设时间段内目标用户的备用轨迹数据;根据预设时长,将所述目标用户的备用轨迹数据划分为目标轨迹数据和临近轨迹数据;其中,所述目标轨迹数据为所述目标用户的备用轨迹数据中第一轨迹点至第二轨迹点的轨迹数据,所述第一轨迹点为所述目标用户的备用轨迹数据中的最后一个轨迹点,所述第二轨迹点至所述第一轨迹点的时间距离为所述预设时长;所述临近轨迹数据为所述目标用户的备用轨迹数据中,除所述目标轨迹数据之外的备用轨迹数据;所述目标轨迹数据用于所述目标用户的轨迹预测;
所述匹配模块,还用于确定所述临近轨迹数据对应的路段ID序列;
所述构建模块,还用于根据所述临近轨迹数据对应的路段ID序列,更新所述目标用户对应的个体轨迹模式树。
15.一种轨迹预测装置,其特征在于,所述轨迹预测装置应用如上述权利要求1-6任一项所述的个体轨迹模式树或全局轨迹模式树进行轨迹预测;所述轨迹预测装置包括:获取模块和确定模块;
所述获取模块,用于获取目标用户的用户标识和所述目标用户的目标轨迹数据;
所述确定模块,用于根据所述目标用户的用户标识,确定与所述目标轨迹数据对应的路段ID序列和所述目标用户对应的个体轨迹模式树;
若所述目标用户对应的个体轨迹模式树中,存在与所述目标轨迹数据对应的路段ID序列的匹配度大于等于预设阈值的轨迹模式,所述确定模块,还用于根据与所述目标轨迹数据对应的路段ID序列的匹配度大于等于预设阈值的轨迹模式,确定并输出所述目标用户的第一轨迹预测结果;
或者,若目标用户对应的个体轨迹模式树中,不存在与所述目标轨迹数据对应的路段ID序列的匹配度大于等于预设阈值的轨迹模式,所述确定模块,还用于根据所述全局轨迹模式树中与所述目标轨迹数据对应的路段ID序列的匹配度最高的轨迹模式,确定并输出所述目标用户的第二轨迹预测结果。
16.根据权利要求15所述的装置,其特征在于,
所述获取模块,具体用于:获取第三预设时间段内所述目标用户的备用轨迹数据;根据预设时长,将所述目标用户的备用轨迹数据划分为所述目标轨迹数据和临近轨迹数据;其中,所述目标轨迹数据为所述目标用户的备用轨迹数据中第一轨迹点至第二轨迹点的轨迹数据,所述第一轨迹点为所述目标用户的备用轨迹数据中的最后一个轨迹点,所述第二轨迹点至所述第一轨迹点的时间距离为所述预设时长;所述临近轨迹数据为所述目标用户的备用轨迹数据中,除所述目标轨迹数据之外的备用轨迹数据;
所述确定模块,还用于确定所述临近轨迹数据对应的路段ID序列;根据所述临近轨迹数据对应的路段ID序列,更新所述目标用户对应的个体轨迹模式树;
所述确定模块,具体用于:根据以第一轨迹模式的最后一个树节点为第一起始树节点的一个或多个轨迹模式中,所述第一起始树节点与所述第一起始树节点的下一跳树节点之间的轨迹模式的支持度,确定所述第一起始树节点的下一跳目标树节点,所述第一轨迹模式为所述目标用户对应的个体轨迹模式树中,与所述目标轨迹数据对应的路段ID序列的匹配度大于等于预设阈值的轨迹模式中的其中一个轨迹模式;根据以所述第一起始树节点的下一跳目标树节点为第二起始树节点的一个或多个轨迹模式中,所述第二起始树节点与所述第二起始树节点的下一跳树节点之间的轨迹模式的支持度,确定所述第二起始树节点的下一跳目标树节点,直至获得所述目标用户的第一轨迹预测结果后输出所述目标用户的第一轨迹预测结果;
所述确定模块,具体用于:根据以第二轨迹模式的最后一个树节点为第三起始树节点的一个或多个轨迹模式中,所述第三起始树节点与所述第三起始树节点的下一跳树节点之间的轨迹模式的支持度,以及所述目标用户对应的个体轨迹模式树中,所述第三起始树节点与所述第三起始树节点的下一跳树节点之间的轨迹模式的支持度,确定所述全局轨迹模式树中所述第三起始树节点的下一跳目标树节点,所述第二轨迹模式为所述全局轨迹模式树中与所述目标轨迹数据对应的路段ID序列的匹配度最高的轨迹模式;根据以所述第三起始树节点的下一跳目标树节点为第四起始树节点的一个或多个轨迹模式中,所述第四起始树节点与所述第四起始树节点的下一跳树节点之间的轨迹模式的支持度,以及所述目标用户对应的个体轨迹模式树中,所述第四起始树节点与所述第四起始树节点的下一跳树节点之间的轨迹模式的支持度,确定所述第四起始树节点的下一跳目标树节点,直至获得所述目标用户的第二轨迹预测结果后输出所述目标用户的第二轨迹预测结果;
所述支持度是根据所述轨迹模式的频繁模式信息和时间模式信息确定的。
17.一种轨迹预测模型构建装置,其特征在于,所述绕轨迹预测模型构建装置包括存储器和处理器;所述存储器和所述处理器耦合;所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令;当所述处理器执行所述计算机指令时,所述轨迹预测模型构建装置执行如权利要求1-6中任意一项所述的轨迹预测模型构建方法。
18.一种轨迹预测装置,其特征在于,所述绕轨迹预测模型构建装置包括存储器和处理器;所述存储器和所述处理器耦合;所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令;当所述处理器执行所述计算机指令时,所述轨迹预测装置执行如权利要求7-12中任意一项所述的轨迹预测方法。
19.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括计算机指令,当所述计算机指令在轨迹预测装置上运行时,使得所述轨迹预测装置执行如权利要求1-6中任意一项所述的轨迹预测模型构建方法。
20.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括计算机指令,当所述计算机指令在轨迹预测装置上运行时,使得所述轨迹预测装置执行如权利要求7-12中任意一项所述的轨迹预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111458303.4A CN114297325A (zh) | 2021-12-02 | 2021-12-02 | 轨迹预测模型构建方法、装置以及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111458303.4A CN114297325A (zh) | 2021-12-02 | 2021-12-02 | 轨迹预测模型构建方法、装置以及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114297325A true CN114297325A (zh) | 2022-04-08 |
Family
ID=80964695
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111458303.4A Pending CN114297325A (zh) | 2021-12-02 | 2021-12-02 | 轨迹预测模型构建方法、装置以及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114297325A (zh) |
-
2021
- 2021-12-02 CN CN202111458303.4A patent/CN114297325A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110210604B (zh) | 一种终端设备移动轨迹预测方法及装置 | |
Zhao et al. | Predictive task assignment in spatial crowdsourcing: a data-driven approach | |
CN108875007B (zh) | 兴趣点的确定方法和装置、存储介质、电子装置 | |
CN110493333B (zh) | 一种目标位置点的确定方法、装置、设备及存储介质 | |
Chen et al. | Reliable shortest path finding in stochastic networks with spatial correlated link travel times | |
CN109974735B (zh) | 到达时间的预估方法、装置及计算机设备 | |
CN113763700B (zh) | 信息处理方法、装置、计算机设备及存储介质 | |
Shang et al. | Finding traffic-aware fastest paths in spatial networks | |
CN110781415A (zh) | 一种兴趣点推荐方法、装置、设备及介质 | |
CN112148492A (zh) | 一种考虑多用户移动性的服务部署和资源分配方法 | |
CN110598917A (zh) | 一种基于路径轨迹的目的地预测方法、系统及存储介质 | |
Lowalekar et al. | Zone path construction (zac) based approaches for effective real-time ridesharing | |
CN113722409A (zh) | 空间关系的确定方法、装置、计算机设备及存储介质 | |
EP3192061B1 (en) | Measuring and diagnosing noise in urban environment | |
Halim et al. | On finding optimum commuting path in a road network: a computational approach for smart city traveling | |
CN112949784B (zh) | 一种居民出行链模型构建方法及居民出行链获取方法 | |
CN110674208B (zh) | 用于确定用户的职住地信息的方法和装置 | |
RU2723237C1 (ru) | Способы и устройства построения точной траектории перемещений объектов | |
CN111047107B (zh) | 公路通行时间预测方法、装置、电子设备和存储介质 | |
CN112287503A (zh) | 用于交通需求预测的动态空间网络构建方法 | |
CN114297325A (zh) | 轨迹预测模型构建方法、装置以及可读存储介质 | |
JP5998182B2 (ja) | Poiデータ生成装置、端末装置、poiデータ生成方法およびプログラム | |
Toader et al. | A new modelling framework over temporal graphs for collaborative mobility recommendation systems | |
Chandio et al. | Towards adaptable and tunable cloud-based map-matching strategy for GPS trajectories | |
CN112700073A (zh) | 公交线路规划方法和装置 |
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 |