CN114359774B

CN114359774B - 行人移动模式分类方法、装置及电子设备

Info

Publication number: CN114359774B
Application number: CN202111363868.4A
Authority: CN
Inventors: 孙久虎; 相恒茂; 高浠舰; 李�浩; 梁玉才; 张恒才
Original assignee: Shandong Provincial Institute of Land Surveying and Mapping
Current assignee: Shandong Provincial Institute of Land Surveying and Mapping
Priority date: 2021-11-17
Filing date: 2021-11-17
Publication date: 2023-04-07
Anticipated expiration: 2041-11-17
Also published as: CN114359774A

Abstract

本公开提供了一种行人移动模式分类方法、装置及电子设备。该方法包括：获取多个行人中每个行人的原始轨迹数据；对每个原始轨迹数据进行特征提取，得到几何特征；将原始轨迹数据转化为行人访问过的店铺序列；根据店铺序列，结合店铺的文本属性，生成每个行人对应的店铺轨迹语义特征；将每个行人对应的几何特征和店铺轨迹语义特征进行特征融合，得到移动模式特征；对全部移动模式特征进行聚类，得到行人移动模式分类。该方法通过将店铺特征与行人的移动特征相结合使得行人移动模式分类更接近行人的实际活动规律。

Description

行人移动模式分类方法、装置及电子设备

技术领域

本公开涉及大数据分析技术领域，尤其涉及一种行人移动模式分类方法、装置及电子设备。

背景技术

随着室内空间，如商业街区(大型商场、餐馆等)、大型交通枢纽(公交、地铁等)、大型活动场所(会展中心、体育馆等)的发展，如何精准地把控室内空间人群的移动模式，实现移动行为推断，进而提高城市应急处置能力、加强智能位置服务成为了本领域技术人员的研究重点。

现有技术通常通过行人的移动轨迹进行移动行为推断。但室内环境中，行人的移动行为受到众多因素的影响，仅仅通过移动轨迹进行移动行为推断通常与行人的实际活动规律存在较大偏差。

发明内容

本公开实施例提供了一种行人移动模式分类方法、装置及电子设备，该分类方法通过将店铺特征与行人的移动特征相结合使得行人移动模式分类更接近行人的实际活动规律。

为此，本公开实施例提供了如下技术方案：

第一方面，本公开实施例提供了一种行人移动模式分类方法，包括：

获取多个行人中每个行人的原始轨迹数据；

对每个所述原始轨迹数据进行特征提取，得到几何特征；

将原始轨迹数据转化为行人访问过的店铺序列；

根据所述店铺序列，结合店铺的文本属性，生成每个行人对应的店铺轨迹语义特征；

将每个行人对应的所述几何特征和所述店铺轨迹语义特征进行特征融合，得到移动模式特征；

对全部移动模式特征进行聚类，得到行人移动模式分类。

可选地，每个所述原始轨迹数据进行特征提取，得到几何特征包括：

根据所述原始轨迹数据生成原始轨迹特征；

对所述原始轨迹特征进行标准化处理得到几何特征；

其中，所述原始轨迹特征包括：行人室内停留时间、行人室内移动总距离、行人室内平均移动速度和行人各楼层停留时间。

可选地，将原始轨迹数据转化为行人访问过的店铺序列包括：

对所述原始轨迹数据中的轨迹点进行聚类处理得到至少一个簇；

根据每个簇对应的店铺生成店铺序列。

可选地，根据所述店铺序列，结合店铺的文本属性，生成每个行人对应的店铺轨迹语义特征包括：

根据所述店铺序列和店铺的文本属性生成原始文本特征；

对所述原始文本特征进行标准化处理得到轨迹文本特征；

将所述轨迹文本特征作为店铺轨迹语义特征；

其中，所述原始文本特征包括：行人访问的店铺数量、行人在店铺中停留的最长时间、行人访问店铺的总时间、行人访问的各种类型的店铺数量。

对全部店铺序列进行联合学习，得到每个店铺的店铺特征；

将行人访问过的店铺对应的店铺特征进行特征融合，生成行为特征；

将行为特征作为店铺轨迹语义特征。

可选地，对全部店铺序列进行联合学习，得到每个店铺的店铺特征：

通过统计出全部店铺序列中，每两个店铺出现在同一个语店铺序列中的频次，构建店铺共现矩阵；

基于Glove损失函数对所述店铺共现矩阵进行训练，得到每个店铺的店铺特征。

可选地，对全部移动模式特征进行聚类包括：

使用自组织神经网络和谱聚类两种算法，以余弦相似度作为两种算法的距离度量进行聚类。

可选地，还包括：

统计同一类别的行人移动模式中各个店铺的共现关系；

将共现频率作为边宽度取值，将店铺的被访问频率作为节点大小，将每个类别的行人移动模式转换为可视化模型。

第二方面，本公开实施例提供了一种行人移动模式分类装置，包括：

获取模块，用于获取多个行人中每个行人的原始轨迹数据；

第一特征提取模块，用于对每个所述原始轨迹数据进行特征提取，得到几何特征；

数据转换模块，用于将原始轨迹数据转化为行人访问过的店铺序列；

第二特征提取模块，用于根据所述店铺序列，结合店铺的文本属性，生成每个行人对应的店铺轨迹语义特征；

特征融合模块，用于将每个行人对应的所述几何特征和所述店铺轨迹语义特征进行特征融合，得到移动模式特征；

分类模块，用于对全部移动模式特征进行聚类，得到行人移动模式分类。

第三方面，本公开实施例提供了一种电子设备，包括：

处理器；以及

存储程序的存储器，

其中，所述程序包括指令，所述指令在由所述处理器执行时使所述处理器执行根据上述任意实施例所述的方法。

第四方面，本公开实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述任意实施例所述的方法。

本公开实施例提供的行人移动模式分类方法，通过将店铺特征与行人的移动特征相结合使得行人移动模式分类更接近行人的实际活动规律。

附图说明

图1是根据本公开一实施方式的行人移动模式分类方法的流程图；

图2、3、4、5、6、7是根据本公开一实施方式的可视化模型的示意图；

图8是根据本公开一实施方式的行人移动模式分类装置的示意图；

图9是根据本公开一实施方式的电子设备的示意图。

具体实施方式

为使本公开的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本公开进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本公开的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

本公开，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，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，都属于本公开保护的范围。

在本公开的描述中，需要说明的是，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

此外，下面所描述的本公开不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

对于室内行人移动模式的精准把控是实现移动对象行为推断、提高城市应急处置能力、加强智能位置服务应用的关键所在。通过对室内行人移动模式进行分类，有助于后续对室内导航路线设计进行优化。研究室内空间的行人移动模式，可以为室内行人的移动行为推断提供支持。

考虑到室内环境中行人的移动行为受到众多因素的影响，本公开实施例通过引入店铺信息来丰富行人通过轨迹表现出的行为倾向，研究提出了一种融合多视角下行人特征的行人移动模式分类方法，通过室内环境中的文本信息给行人轨迹赋予语义属性，丰富行人轨迹的行为信息，并利用室内人流密集的特定，基于室内行人轨迹大数据，对行人进行聚类分析，实现对不同行人的区分，图1是根据本公开一实施方式的行人移动模式分类方法的流程图。如图1所示，本公开实施例提供了一种行人移动模式分类方法，包括如下步骤：

S101：获取多个行人中每个行人的原始轨迹数据。原始轨迹数据包括多个轨迹点，轨迹点用于描述行人在室内的定位数据，不同的轨迹点用于描述行人在不同时间点的位置。轨迹点可选包括5个字段，包括时间戳、楼层ID、行人识别ID、X坐标、Y坐标，其中，X坐标与Y坐标的数据坐标系可选为WGS84 Web Mercator投影坐标系。原始轨迹数据示例如下表所示：

其中，每行为一个行人对应的原始轨迹数据。

S102：对每个原始轨迹数据进行特征提取，得到几何特征。原始轨迹数据中包含行人的移动特征，通过提取行人在室内的移动行为，生成用于描述行人移动特征的几何特征。几何特征用于描述行人的几何位置信息。

S103：将原始轨迹数据转化为行人访问过的店铺序列；

S104：根据所述店铺序列，结合店铺的文本属性，生成每个行人对应的店铺轨迹语义特征。店铺的文本属性可选为预先设置或从点评网站或获取。

S105：将每个行人对应的所述几何特征和所述店铺轨迹语义特征进行特征融合，得到移动模式特征。在一些实施例中，店铺轨迹语义特征包括轨迹文本特征和行为特征。通过特征向量拼接的方法形成每个行人的移动模式特征向量，特征向量拼接的公式如下：

F＝concatenate(R,S,U)

其中F代表移动模式特征，R代表几何特征，S代表轨迹文本特征，U代表行为特征，移动模式特征、代表几何特征、轨迹文本特征均采用向量表示。

S106：对全部移动模式特征进行聚类，得到行人移动模式分类。通过对聚类结果中簇内的共性和簇间的差异性的分析有助于推导出行人室内行为规律。

本公开实施例通过将店铺特征与行人的移动特征相结合使得行人移动模式分类更接近行人的实际活动规律。有助于后续依据每个类别的行人移动模式分析行人在室内活动的一般规律。

在一些实施例中，步骤S102包括根据原始轨迹数据生成原始轨迹特征；对轨迹特征进行标准化处理得到几何特征。

原始轨迹特征示例如下表所示：

原始轨迹特征包括：行人室内停留时间、行人室内移动总距离、行人室内平均移动速度和行人各楼层停留时间。其中行人各楼层停留时间采用one-hot方法进行表示，由与楼层数量相同的特征维数记录行人在每个楼层停留时间。在提取上原始轨迹特征后，通过标准化方法对各个原始轨迹特征进行处理得到几何特征，使几何特征在表示轨迹时不会因为极高值的出现产生难以衡量轨迹相似性的情况。原始轨迹特征和几何特征均采用向量表示。标准化的公式为：

其中，R几何特征，X为原始轨迹特征，

为原始轨迹特征的均值，σ²为原始轨迹特征的方差。

在一些实施例中，步骤S103包括；对所述原始轨迹数据中的轨迹点进行聚类处理得到至少一个簇；根据每个簇的位置获取每个簇对应的店铺；根据每个簇对应的店铺生成店铺序列。为了丰富行人自身的属性信息，使行人移动模式特征从单纯的几何位置信息转换为拥有更丰富文本信息的店铺序列，研究行人在室内的移动特定，利用Indoor-STDBSCAN算法对原始轨迹数据中的轨迹点进行聚类处理，提取出行人在室内行动时停留的区域，进而形成行人访问过的店铺的店铺序列。经过多次试验证明，Indoor-STDBSCAN算法的时间阈值优选为3分支，距离阈值优选为3米。通过统计行人访问过的店铺的差异，可以实现对行人行为偏好特征的提取。

考虑到室内环境下，各个店铺的差异主要体现在店铺类别不同。店铺类别可选包括男装、女装、饰品等。因此研究加入店铺类型信息作为店铺的文本属性，辅助生成原始轨迹文本特征。

在一些实施例中，步骤S104包括；根据店铺序列和店铺的文本附加信息生成原始文本特征。

原始文本特征示例如下表所示：

其中，原始文本特征包括：行人访问的店铺数量、行人在店铺中停留的最长时间、行人访问店铺的总时间、行人访问的各种类型的店铺数量。上述原始文本特征分别从行人移动特征和行人对不同类型店铺的喜好视角对行人的移动轨迹进行了描述。其中，行人游览店铺总时间可以与原始轨迹特征中行人室内活动总时间形成对比，来刻画行人在店铺内的实际长度与行人在店铺外的实际长度间的差值。行人访问各店铺类型数量同样用one-hot的方法进行表示。提取以上特征后，通过标准化对数据的方法进行表示。提取以上特征后，通过标准化对数据的。

对原始文本特征进行标准化处理得到轨迹文本特征。原始文本特征和轨迹文本特征均采用向量表示。标准化的公式如下：

S＝(T₁-T)/σ²

其中S为轨迹文本特征，T₁为原始文本特征，标准化的公式中的T为原始文本特征的均值，σ²为原始文本特征的方差。

通过人工特征抽取的方式可以对轨迹的统计特征进行表示，但如空间移动模式这样更加复杂的特征则需要通过更有普适性的方法进行提取。而在室内环境中，由于空间狭小且店铺序列点的功能往往有重复，因此大多数店铺序列点会出现被众多用户重复访问的情况，如室内的同类型店铺之间由于存在属性特征的高度相似性，而具有相似偏好的用户倾向于访问具有相似特性的店铺，这一现象则会直接表现在大量用户轨迹上，因此各个店铺的空间上和属性上的特征相关关系可以作为规律从大量用户轨迹中提取得到。因此，步骤S104包括：对全部店铺序列进行联合学习，得到每个店铺的店铺特征：

为自动提取出各个店铺序列点的特征向量，研究利用店铺序列中各个店铺间的共现情况和行人访问店铺的信息矩阵数据，通过表示学习GloVe(Global Vectors for WordRepresentation)算法，训练得到每个店铺的特征向量的嵌入式表示，嵌入向量中即包含有各个店铺间的空间上和属性上的相似相关性信息。将特征向量作为店铺的店铺特征。

通过统计出全部店铺序列中，每两个店铺出现在同一个店铺序列中的频次，构建店铺共现矩阵；基于GloVe损失函数对店铺共现矩阵进行训练，得到各个店铺的店铺特征。GloVe损失函数如下所示：

其中w_j是店铺的特征向量，GloVe损失函数中的T表示w_i矩阵转置，b_i的店铺i的偏差项，为共现矩阵在行列处的值，V为共现矩阵大小。通过输入店铺共现矩阵，对店铺向量进行基于梯度下降的训练，最终即可得到各个店铺的店铺特征向量。

通过表示学习方法，即可通过大量经过文本信息丰富的店铺序列进行轨迹点特征学习，提取出的文本特征向量可以表示轨迹点之间的属性、空间相似相关关系，为进一步丰富室内行人移动模式特征提供条件。

具有不同移动性的行人进入室内环境时倾向于经过的语义点有所区别，在获取到每个店铺的特征向量后，就可以通过行人的店铺序列对行人进行特征建模，将行人访问过的店铺对应的店铺特征进行特征融合，生成行为特征。

不同的特征集成方法侧重集成的特征会有较大差异，本公开实施例采用了求取行人店铺序列中店铺特征向量的平均值的方法，构建行人的行为特征向量，由于行人店铺序列长度变化较大，因此相比于求和的方法，平均值可以更好地反应行人对应店铺的偏好。行为特征采用向量表示。

行为特征的计算公式如下：

其中U为行人行为特征，S_K为K维的店铺特征向量，取对应的行人的店铺序列中的所有店铺，n为该行人的店铺序列长度，即经过的店铺数量。

步骤S106包括：使用自组织神经网络和谱聚类两种算法，以余弦相似度作为两种算法的距离度量进行聚类。由于行人自身数据和室内店铺属性的相似性，室内环境存在大量属性相似的行人群体，根据行人对应的移动模式特征，通过聚类提取出不同的行人群体，再通过分析通聚类内行人的相似性和不同聚类间的特征差异，有助于实现对行人移动行为的分析推断。

考虑到多源特征组合产生的向量维度较高，本公开实施例使用了自组织神经网络(Self-Organized Map，SOM)和谱聚类(Spectral Clustering)两种算法以余弦相似度作为两种算法的距离度量进行聚类。聚类算法需要通过样本间的相似性来确定样本关系，而在高维样本空间下如K-Means等通过欧氏距离度量进行聚类的算法会出现难以收敛等现象，而研究使用的聚类算法则更好的支持通过余弦相似度度量样本关系，适应高维空间。

SOM算法通过网络竞争原则，以网络权重与数据特征间的距离为度量，更新优胜神经元以及邻近神经元的权重。SOM可以提取数据中的高维空间拓扑信息，在聚类应用中，这种拓扑信息即为聚类数量与相似度的信息，通过可视化SOM的网络节点与其邻近神经元权重总和图，可直观的体现行人移动模式特征间的距离关系，本研究将其作为确定聚类数量的依据。余弦相似度计算公式如下：

谱聚类将行人视为无向图中的各个节点，通过余弦相似度计算节点间的临近矩阵，并通过图的拉普拉斯矩阵中计算出特征值最小的多个节点，对图进行切分，最终达到将同聚类内行人特征相似的效果。由于谱聚类建立在图论基础上，并且使用了降维算法，因此谱聚类有对高纬度特征聚类效果较好，并能收敛于任意形状样本空间的特点，从而在进行移动模式特征聚类时表现优于其他聚类方法。

图2-7是根据本公开一实施方式的可视化模型的示意图。在一些实施例中，还包括，统计同一类别的行人移动模式中各个店铺的共现关系；将共现频率作为边宽度取值，将店铺的被访问频率作为节点大小，将每个类别的行人移动模式转换为可视化模型。如图2-7所示，在本公开的一个实施例中，移动模式分为6类，每个图分别表示一个类别。空间视角下，图2中的行人由于无明确的移动目的，因此在室内移动性较强，试验数据标明，无明确移动目的行人的活动的店铺通常分布于扶梯或入口等区域。除无明确移动目的行人外，图3-7中的行人的移动性有明显的倾向性，表现为，各个聚类内的用户访问的店铺基本相同。本公开实施例提供的可视化模型能够直观地展示行人的移动模式，有助于后续进行应急处理或提供智能服务。

图8是根据本公开一实施方式的行人移动模式分类装置的示意图如图8所示，本公开实施例还提供了一种行人移动模式分类装置，包括：

获取模块21，用于获取多个行人中每个行人的原始轨迹数据；

第一特征提取模块22，用于对每个所述原始轨迹数据进行特征提取，得到几何特征；

数据转换模块23，用于将原始轨迹数据转化为行人访问过的店铺序列；

第二特征提取模块24，用于根据所述店铺序列，结合店铺的文本属性，生成每个行人对应的店铺轨迹语义特征；

特征融合模块25，用于将每个行人对应的所述几何特征和所述店铺轨迹语义特征进行特征融合，得到移动模式特征；

分类模块26，用于对全部移动模式特征进行聚类，得到行人移动模式分类。

图9是根据本公开一实施方式的电子设备的示意图。如图9所示，电子设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

电子设备800中的多个部件连接至I/O接口805，包括：输入单元806、输出单元807、存储单元808以及通信单元809。输入单元806可以是能向电子设备800输入信息的任何类型的设备，输入单元806可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入。输出单元807可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元804可以包括但不限于磁盘、光盘。通信单元809允许电子设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理。例如，在一些实施例中，前述行人移动模式分类方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到电子设备800上。在一些实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行前述行人移动模式分类方法。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

应当理解的是，本公开的上述具体实施方式仅仅用于示例性说明或解释本公开的原理，而不构成对本公开的限制。因此，在不偏离本公开的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。此外，本公开所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims

1.一种行人移动模式分类方法，其特征在于，包括：

获取多个行人中每个行人的原始轨迹数据；

对每个所述原始轨迹数据进行特征提取，得到几何特征；

将原始轨迹数据转化为行人访问过的店铺序列；

对全部移动模式特征进行聚类，得到行人移动模式分类；

生成每个行人对应的店铺轨迹语义特征包括：

对全部店铺序列进行联合学习，得到每个店铺的店铺特征；

将行为特征作为店铺轨迹语义特征；

对全部店铺序列进行联合学习，得到每个店铺的店铺特征包括：

通过统计出全部店铺序列中，每两个店铺出现在同一个店铺序列中的频次，构建店铺共现矩阵；

2.根据权利要求1所述的行人移动模式分类方法，其中，对每个所述原始轨迹数据进行特征提取，得到几何特征包括：

根据所述原始轨迹数据生成原始轨迹特征；

对所述原始轨迹特征进行标准化处理得到几何特征；

3.根据权利要求1所述的行人移动模式分类方法，其中，将原始轨迹数据转化为行人访问过的店铺序列包括：

根据每个簇对应的店铺生成店铺序列。

4.根据权利要求1所述的行人移动模式分类方法，其中，生成每个行人对应的店铺轨迹语义特征包括：

根据所述店铺序列和店铺的文本属性生成原始文本特征；

对所述原始文本特征进行标准化处理得到轨迹文本特征；

将所述轨迹文本特征作为店铺轨迹语义特征；

5.根据权利要求1所述的行人移动模式分类方法，其中，对全部移动模式特征进行聚类包括：

6.根据权利要求1所述的行人移动模式分类方法，其中，还包括：

统计同一类别的行人移动模式中各个店铺的共现关系；

7.一种行人移动模式分类装置，其特征在于，包括：

获取模块，用于获取多个行人中每个行人的原始轨迹数据；

第二特征提取模块，用于根据所述店铺序列，结合店铺的文本属性，生成每个行人对应的店铺轨迹语义特征；生成每个行人对应的店铺轨迹语义特征包括：

对全部店铺序列进行联合学习，得到每个店铺的店铺特征；

将行为特征作为店铺轨迹语义特征；

基于Glove损失函数对所述店铺共现矩阵进行训练，得到每个店铺的店铺特征；

8.一种电子设备，包括：

处理器；以及

存储程序的存储器，

其中，所述程序包括指令，所述指令在由所述处理器执行时使所述处理器执行根据权利要求1-6中任一项所述的方法。