CN115840857B - 一种联合多元时空轨迹的群体行为模式挖掘方法 - Google Patents
一种联合多元时空轨迹的群体行为模式挖掘方法 Download PDFInfo
- Publication number
- CN115840857B CN115840857B CN202310146849.9A CN202310146849A CN115840857B CN 115840857 B CN115840857 B CN 115840857B CN 202310146849 A CN202310146849 A CN 202310146849A CN 115840857 B CN115840857 B CN 115840857B
- Authority
- CN
- China
- Prior art keywords
- track
- path
- points
- point
- similarity
- 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.)
- Active
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开一种联合多元时空轨迹的群体行为模式挖掘方法，属于社交网络分析技术领域。本发明包括以下步骤：提取轨迹驻留点，联合地理实体数据建立空间场所信息索引，从而赋予轨迹场所及事件信息；依据路网信息，将轨迹拟合到路网不同路段，实现轨迹的降噪及路网索引，将轨迹相似度计算转为路网路段相似度查询；同时使用驻留点地理信息相似度和轨迹路网相似度联合构建轨迹相关性模型；使用无监督的图神经网络挖掘轨迹深层关联；本发明增加驻留点地理实体信息关联度，引入路网信息对轨迹进行平滑降噪，去除冗余信息，同时将轨迹间的距离计算转化为路网关系查询，加快检测。
Description
技术领域
本发明涉及一种联合多元时空轨迹的群体行为模式挖掘方法，属于社交网络分析技术领域。
背景技术
随着互联网技术以及移动终端技术的高速发展，各类社交平台得到蓬勃发展，这也为犯罪分子提供了便利，犯罪团伙往往通过各种社交平台与通信手段进行沟通，进行有组织，有计划的犯罪行动。在实际案件侦破任务中，为了侦破暴力、恐怖等有预谋的犯罪案件，通常根据某个犯罪嫌疑人的信息，进一步挖掘他在社交网络中所属的犯罪团伙，这一过程需要消耗大量的人力物力。
随着GPS定位系统、5G等先进前沿信息技术的飞速发展，通常能够获取每一个犯罪分子的多类型时空轨迹数据，大体可以分为三类：(1)基于GPS定位的轨迹数据，如飞机、车辆、船舶、手机等。(2)基于感知设备的轨迹数据，如人脸识别、车牌识别、酒店入住、网吧上网等。(3)基于社交网络的轨迹数据，犯罪分子在社交网络中的发文、打卡、签到等行为都记录了相应的位置信息。然而，目前多数方法不能对犯罪分子的时空轨迹与社交关系网络进行有效建模，未能有效挖掘犯罪团伙分工作案的行为之间的隐性关系，导致最终构建的关系网络在节点分类、关系预测的准确性不高。因此，如何基于多元时空轨迹对犯罪群体进行有效建模，分析作案人员与犯罪团伙间的关系，挖掘并推断其作案的行为之间的隐性关系，是目前亟待解决的科学问题。
发明内容
本发明提供了一种联合多元时空轨迹的群体行为模式挖掘方法，以用于解决当前基于轨迹的群体行为挖掘方法无法有效利用地理实体信息，只能提取空间上的轨迹重合关系等现象；本发明增加驻留点地理实体信息关联度，引入路网信息对轨迹进行平滑降噪，去除冗余信息，同时将轨迹间的距离计算转化为路网关系查询，提升检测效率。
本发明的技术方案是：一种联合多元时空轨迹的群体行为模式挖掘方法，提取轨迹驻留点，联合地理实体数据建立空间场所信息索引，从而赋予轨迹场所及事件信息；依据路网信息，将轨迹拟合到路网不同路段，实现轨迹的降噪及路网索引，将轨迹相似度计算转为路网路段相似度查询；同时使用驻留点地理信息相似度和轨迹路网相似度联合构建轨迹相关性模型；使用无监督的图神经网络挖掘轨迹深层关联；所述方法的具体步骤如下：
步骤S1：驻留点检测，将轨迹建模为：
Tr＝{P1(x1，y1，t1)，P2(x2，y2，t2)，…Pn(xn，yn，tn)}
其中，x、y是空间坐标，t是当前点的时刻，P1为轨迹第一个点，Pn为轨迹的最后一个点，n代表轨迹中点的个数。
设置最大驻留半径R，按时序将轨迹中的点分别设置为锚点，向后遍历，寻找连续的s个与锚点距离小于最大驻留半径的点，公式如下：
其中，Panchor为锚点，Pi是轨迹中锚点后序的点，dis()表示距离，dis(Panchor，Pi)即表示锚点Panchor与轨迹中锚点后序的Pi间的直线距离。
当连续s个点与锚点构成驻留点后，将该驻留点记作
其中空间坐标为驻留点序列内的所有点的空间几何中心坐标，t1为驻留起始时间，ts为驻留终止时间，并将Ps+1作为下一个锚点继续搜索至轨迹终点。
步骤S2：驻留点轨迹替换，使用识别出的SP替换其中的所有驻留点，将轨迹替换为形如Trs＝{P1，SP1，Ps+1，SP2，…Pn}的新轨迹序列表示；P1为轨迹第一个点，SP1为轨迹中由P2……Ps构成的驻留点，Ps+1为驻留点后的第一个点，SP2为轨迹中的第二个驻留点，Pn为轨迹的最后一个点，此处P与SP的顺序按照时间顺序排列，公式中展示的仅为一种情况的举例。
步骤S3：驻留点和地点的关联，查询路网信息以及地理实体数据，将驻留点与地理实体数据建立空间索引，获取驻留点相关地理实体属性，作为该轨迹的重要特征点以及事件判断依据。
步骤S4：驻留点地理信息相似性度量，依据上一步骤中查询到的驻留点地理实体属性，度量不同路径之间驻留点的相同地理实体的重合度，驻留点的真实地理实体相关度，以及相同场所的轨迹经过时间之间的重合率，由此衡量轨迹驻留点地理信息相似度，构建邻接矩阵ASP。
步骤S5：基于路网信息的轨迹平滑降噪，根据单向距离，计算轨迹到路网的距离，选取最近路径，将轨迹拟合到最近邻路网上。
步骤S6：轨迹分段处理，依据路网信息，将轨迹按照路网关键节点(例如红绿灯、环岛、高速出入口、收费站、转弯等)拆分，并提取轨迹经过路段起止点时的时刻信息，将轨迹模型转化为时间维度模型，将轨迹的不同时间段索引到固定路段和不同驻留点即
Tr＝(Path1，Path2，SP1，SP2，…Pathn-1，Pathn，Spm-1，SPm)；
其中Path代表轨迹中拟合到路网后，单端的平直轨迹及其时间信息，其中Pathn代表第n条轨迹，SPm代表第m个驻留点；此处Path与SP的顺序按照时间顺序排列，公式中展示的仅为一种情况的举例。
步骤S7：轨迹时空相似性度量，根据路网信息查询轨迹之间每一段的路径相关性PAdis，由此衡量轨迹路网路径相似度邻接矩阵APA；
步骤S8：时空轨迹关系图构建，根据步骤4与步骤7获取的邻接矩阵，以及步骤6中对轨迹的重构，对场景中所有轨迹构建图结构，以每条轨迹作为图中的一个节点，轨迹重构Tr＝(Path1，Path2，SP1，SP2，…Pathn，SPm)作为节点特征，此处Path与SP的顺序按照时间顺序排列，公式中展示的仅为一种情况的举例。节点间相似性度量ATr＝αASP+βAPA，其中α和β分别为两个权重，用来衡量迹驻留点地理信息相似度邻接矩阵ASP与轨迹路网路径相似度邻接矩阵APA的权重，当驻留点地理信息相似度和轨迹路网路径相似度关注度相同时，α和β都取值0.5，从而实现联合使用轨迹时间空间信息，与路网、地理实体信息的联合轨迹相似度建模。
步骤S9：时空轨迹聚类，将构成的图输入无监督的图神经网络，实现轨迹间深层关联信息的挖掘，从而实现轨迹间的聚类，完成群体行为分析及团伙行为识别。
优选的，在步骤S4中衡量轨迹驻留点地理信息相似度具体方法为：构建邻接矩阵ASP，其中
其中，tr表示轨迹，tri表示第i条轨迹，trj表示第j条轨迹，
表示第i条轨迹和第j条轨迹间驻留点的地理信息相似度，SPn为第n个驻留点，SPm为第m个驻留点，WT(SPn，SPm)为SPn与SPm之间的时间重合度权重，dis表示地点间相关性，dis(SPn，SPm)表示驻留点SPn与SPm的地理信息相似性。
优选的，在步骤S5中，根据路网信息，拟合待处理轨迹到最近邻路网上，其过程可以表示为
其中，Trroad i表示路网TRroad中的第i条道路轨迹；Tr表示轨迹，p为轨迹中的点。
优选的，在步骤S7中轨迹路网路径相似度邻接矩阵APA，计算方法为：
其中，WT(Pathi,Pathj)为Pathi与Pathj之间的时间重合度权重，PAdis(Pathi，Pathj)为第i条路径Pathi，与第j条路径Pathj的路径相似度，
表示第i条轨迹和第j条轨迹路网路径相似度，Pathn Pathm分别表示轨迹中第n条路径和第m条路径。
本发明的有益效果是：
本发明与现有技术相比，主要解决了当前基于轨迹的群体行为挖掘方法无法有效利用地理实体信息，只能提取空间上的轨迹重合关系等现象，通过将驻留点索引到实际地图的地理实体，增加驻留点地理实体信息关联度，引入路网信息对轨迹进行平滑降噪，通过使用路网信息替换轨迹，去除冗余信息，将杂乱的轨迹转化为固定的路网路径，同时将轨迹间的距离计算转化为路网关系查询，使用查询操作代替复杂的计算。
附图说明
图1是本发明总流程图。
具体实施方式
实施例1
如附图所示，一种联合多元时空轨迹的群体行为模式挖掘方法，所述方法的具体步骤如下：
步骤S1：驻留点检测，将轨迹建模为：
Tr＝{P1(x1，y1，t1)，P2(x2，y2，t2)，…Pn(xn，yn，tn)}
其中，x、y是空间坐标，t是当前点的时刻，P1为轨迹第一个点，Pn为轨迹的最后一个点，n代表轨迹中点的个数。
设置最大驻留半径R，按时序将轨迹中的点分别设置为锚点，向后遍历，寻找连续的s个与锚点距离小于最大驻留半径的点，公式如下：
其中，Panchor为锚点，Pi是轨迹中锚点后序的点dis()表示距离，dis(Panchor，Pi)即表示锚点Panchor与轨迹中锚点后序的Pi间的直线距离。
当连续s个点与锚点构成驻留点后，将该驻留点记作
其中空间坐标为驻留点序列内的所有点的空间几何中心坐标，t1为驻留起始时间，ts为驻留终止时间，并将Ps+1作为下一个锚点继续搜索至轨迹终点，例如以P1为第一个锚点，设置最大驻留半径R＝500m，若P1与P2间的距离dis(P1,P2)<500m，则认定P2在驻留点内，继续计算P1与P3的距离dis(P1,P3)，若dis(P1,P3)<500m,则认定P3在驻留点内，继续计算P1与P4的距离dis(P1,P4)，以此类推，直到P1与Pn的距离dis(P1,Pn)<500m，且P1与Pn+1的距离dis(P1,Pn+1)>500m，则认定Pn+1不在驻留点内，且{P1,P2,P3……Pn}构成一个驻留点；如此操作可以将目标在小范围内的复杂活动轨迹简化为一个驻留点，使用一个点代替一段轨迹，并保留时间信息，大幅度简化轨迹。
步骤S2：驻留点轨迹替换，使用识别出的SP替换其中的所有驻留点，将轨迹替换为形如Trs＝{P1，SP1，Ps+1，SP2，…Pn}的新轨迹序列表示；P1为轨迹第一个点，SP1为轨迹中由P2……Ps构成的驻留点，Ps+1为驻留点后的第一个点，SP2为轨迹中的第二个驻留点，Pn为轨迹的最后一个点，此处P与SP的顺序按照时间顺序排列，公式中展示的仅为一种情况的举例。
步骤S3：驻留点和地点的关联，查询路网信息以及地理实体数据，将驻留点与地理实体数据建立空间索引，获取驻留点相关地理实体属性，作为该轨迹的重要特征点以及事件判断依据，目标在某处驻留，代表该目标在驻留处有过重点活动，通过查询驻留点的地理实体数据，可以判断目标的活动性质；例如轨迹驻留点处在学校范围内，则将教育相关属性列入轨迹特征中，则目标可能身份为教师、学生、家长等的概率更大。
步骤S4：驻留点地理信息相似性度量，依据上一步骤中查询到的驻留点地理实体属性，度量不同路径之间驻留点的相同地理实体的重合度，驻留点的真实地理实体相关度，以及相同场所的轨迹经过时间之间的重合率，由此衡量轨迹驻留点地理信息相似度，构建邻接矩阵ASP，其中：
其中，tr表示轨迹，tri表示第i条轨迹，trj表示第j条轨迹，
表示第i条轨迹和第j条轨迹间驻留点的地理信息相似度；SPn为第n个驻留点，SPm为第m个驻留点，WT(SPn，SPm)为SPn与SPm之间的时间重合度权重，dis表示地点间相关性，dis(SPn，SPm)表示驻留点SPn与SPm的地理信息相似性；例如SPn与SPm均在同一处场所内，则WT(SPn，SPm)为1，代表两处地理信息完全相同，SPn在场所内停留时间为9:00～18:00，SPm在场所内停留时间为10:00～19:00，则两个驻留点的时间重合度WT(SPn，SPm)为0.8。
步骤S5：基于路网信息的轨迹平滑降噪，根据单向距离，计算轨迹到路网的距离，选取最近路径，将轨迹拟合到最近邻路网上，其过程可以表示为
其中，Trroad i表示路网TRroad中的第i条道路轨迹；Tr表示轨迹，p为轨迹中的点，通过计算轨迹中的一系列点到路网路径上的距离，寻找差异最小的路网路径，并使用对应的路网路径替换复杂的轨迹，保留时间信息，大幅度简化轨迹。
步骤S6：轨迹分段处理，依据路网信息，将轨迹按照路网转弯等关键节点拆分，并提取轨迹经过路段起止点时的时刻信息，将轨迹模型转化为时间维度模型，将轨迹的不同时间段索引到固定路段和不同驻留点即
Tr＝(Path1，Path2，SP1，SP2，…Pathn-1，Pathn，SPm-1，SPm)；
其中Path代表轨迹中拟合到路网后，单端的平直轨迹及其时间信息，其中Pathn代表第n条轨迹，SPm代表第m个驻留点；此处Path与SP的顺序按照时间顺序排列，公式中展示的仅为一种情况的举例。
步骤S7：轨迹时空相似性度量，根据路网信息查询轨迹之间每一段的路径相关性PAdis，由此衡量轨迹路网路径相似度邻接矩阵APA，计算方法为：
其中，WT(Pathi,Pathj)为Pathi与Pathj之间的时间重合度权重，PAdis(Pathi，Pathj)为第i条路径Pathi，与第j条路径Pathj的路径相似度，其中WT(Pathi，Pathj)的计算类似于步骤S4中WT(SPn，SPm)的计算，
表示第i条轨迹和第j条轨迹路网路径相似度，Pathn Pathm分别表示轨迹中第n条路径和第m条路径。由于轨迹路网路径是由固定的路网信息组成，故其轨迹间的相似度PAdis可由路网信息中直接查询得出，从而简化了轨迹间相似度的计算。
步骤S8：时空轨迹关系图构建，根据步骤4与步骤7获取的邻接矩阵，以及步骤6中对轨迹的重构，对场景中所有轨迹构建图结构，以每条轨迹作为图中的一个节点，轨迹重构Tr＝(Path1，Path2，SP1，SP2…Pathn，SPm)作为节点特征，此处Path与SP的顺序按照时间顺序排列，公式中展示的仅为一种情况的举例。节点间相似性度量ATr＝αASP+βAPA，其中α和β分别为两个权重，用来衡量迹驻留点地理信息相似度邻接矩阵ASP与轨迹路网路径相似度邻接矩阵APA的权重，当驻留点地理信息相似度和轨迹路网路径相似度关注度相同时，α和β都取值0.5，从而实现联合使用轨迹时间空间信息，与路网、地理实体信息的联合轨迹相似度建模；
步骤S9：时空轨迹聚类，将构成的图输入无监督的图神经网络，实现轨迹间深层关联信息的挖掘，从而实现轨迹间的聚类，完成群体行为分析及团伙行为识别。
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (4)
1.一种联合多元时空轨迹的群体行为模式挖掘方法，其特征在于：所述方法的具体步骤如下：
步骤S1：驻留点检测，将轨迹建模为：
Tr＝{P1(x1，y1，t1)，P2(x2，y2，t2)，…Pn(xn，yn，tn)}
其中，x、y是空间坐标，t是当前点的时刻，P1为轨迹第一个点，Pn为轨迹的最后一个点，n代表轨迹中点的个数；
设置最大驻留半径R，按时序将轨迹中的点分别设置为锚点，向后遍历，寻找连续的s个与锚点距离小于最大驻留半径的点，公式如下：
其中，Panchor为锚点，Pi是轨迹中锚点后序的点；dis()表示距离，dis(Panchor，Pi)即表示锚点Panchor与轨迹中锚点后序的Pi间的直线距离；
当连续s个点与锚点构成驻留点后，将该驻留点记作其中空间坐标为驻留点序列内的所有点的空间几何中心坐标，t1为驻留起始时间，ts为驻留终止时间，并将Ps+1作为下一个锚点继续搜索至轨迹终点；
步骤S2：驻留点轨迹替换，使用识别出的SP替换其中的所有驻留点，将轨迹替换为形如Trs＝{P1，SP1，Ps+1，SP2，…Pn}的新轨迹序列表示；P1为轨迹第一个点，SP1为轨迹中由P2……Ps构成的驻留点,Ps+1为驻留点后的第一个点,SP2为轨迹中的第二个驻留点，Pn为轨迹的最后一个点，此处P与SP的顺序按照时间顺序排列；
步骤S3：驻留点和地点的关联，查询路网信息以及地理实体数据，将驻留点与地理实体数据建立空间索引，获取驻留点相关地理实体属性，作为该轨迹的重要特征点以及事件判断依据；
步骤S4：驻留点地理信息相似性度量，依据上一步骤中查询到的驻留点地理实体属性，度量不同路径之间驻留点的相同地理实体的重合度，驻留点的真实地理实体相关度，以及相同场所的轨迹经过时间之间的重合率，由此衡量轨迹驻留点地理信息相似度，构建邻接矩阵ASP；
步骤S5：基于路网信息的轨迹平滑降噪，根据单向距离，计算轨迹到路网的距离，选取最近路径，将轨迹拟合到最近邻路网上；
步骤S6：轨迹分段处理，依据路网信息，将轨迹按照路网关键节点拆分，并提取轨迹经过路段起止点时的时刻信息，将轨迹模型转化为时间维度模型，将轨迹的不同时间段索引到固定路段和不同驻留点即：
Tr＝(Path1，Path2，SP1，SP2，…Pathn-1，Pathn，SPm-1，SPm)；
其中Path代表轨迹中拟合到路网后，单端的平直轨迹及其时间信息，其中Pathn代表第n条轨迹，SPm代表第m个驻留点；此处Path与SP的顺序按照时间顺序排列；
步骤S7：轨迹时空相似性度量，根据路网信息查询轨迹之间每一段的路径相关性PAdis，由此衡量轨迹路网路径相似度邻接矩阵APA；
步骤S8：时空轨迹关系图构建，根据步骤S4与步骤S7获取的邻接矩阵，以及步骤S6中对轨迹的重构，对场景中所有轨迹构建图结构，以每条轨迹作为图中的一个节点，轨迹重构Tr＝(Path1，Path2，SP1，SP2，…Pathn，SPm)作为节点特征，此处Path与SP的顺序按照时间顺序排列，节点间相似性度量ATr＝αASP+βAPA，其中α和β分别为两个权重，用来衡量迹驻留点地理信息相似度邻接矩阵ASP与轨迹路网路径相似度邻接矩阵APA的权重，当驻留点地理信息相似度和轨迹路网路径相似度关注度相同时，α和β都取值0.5；
步骤S9：时空轨迹聚类，将构成的图输入无监督的图神经网络，实现轨迹间深层关联信息的挖掘，从而实现轨迹间的聚类，完成群体行为分析及团伙行为识别。
2.根据权利要求1所述的联合多元时空轨迹的群体行为模式挖掘方法，其特征在于：在步骤S4中衡量轨迹驻留点地理信息相似度具体方法为：构建邻接矩阵ASP，其中
其中，tr表示轨迹，tri表示第i条轨迹，trj表示第j条轨迹，表示第i条轨迹和第j条轨迹间驻留点的地理信息相似度；SPn为第n个驻留点，SPm为第m个驻留点，WT(SPn，SPm)为SPn与SPm之间的时间重合度权重，dis表示地点间相关性，dis(SPn，SPm)表示驻留点SPn与SPm的地理信息相似性。
3.根据权利要求2所述的联合多元时空轨迹的群体行为模式挖掘方法，其特征在于，在步骤S5中，根据路网信息，拟合待处理轨迹到最近邻路网上，其过程可以表示为
其中，Trroad i表示路网TRroad中的第i条道路轨迹；Tr表示轨迹，p为轨迹中的点。
4.根据权利要求3所述的联合多元时空轨迹的群体行为模式挖掘方法，其特征在于，在步骤S7中轨迹路网路径相似度邻接矩阵APA，计算方法为：
其中，WT(Pathi,Pathj)为Pathi与Pathj之间的时间重合度权重，PAdis(Pathi，Pathj)为第i条路径Pathi，与第j条路径Pathj的路径相似度；表示第i条轨迹和第j条轨迹路网路径相似度，Pathn Pathm分别表示轨迹中第n条路径和第m条路径。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310146849.9A CN115840857B (zh) | 2023-02-22 | 2023-02-22 | 一种联合多元时空轨迹的群体行为模式挖掘方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310146849.9A CN115840857B (zh) | 2023-02-22 | 2023-02-22 | 一种联合多元时空轨迹的群体行为模式挖掘方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115840857A CN115840857A (zh) | 2023-03-24 |
| CN115840857B true CN115840857B (zh) | 2023-05-09 |
Family
ID=85580040
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310146849.9A Active CN115840857B (zh) | 2023-02-22 | 2023-02-22 | 一种联合多元时空轨迹的群体行为模式挖掘方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115840857B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104778245A (zh) * | 2015-04-09 | 2015-07-15 | 北方工业大学 | 基于海量车牌识别数据的相似轨迹挖掘方法及装置 |
| CN104834669A (zh) * | 2015-03-18 | 2015-08-12 | 广西师范学院 | 一种基于时空语义转移矩阵的疑犯多阶位置预测方法 |
| CN105404890A (zh) * | 2015-10-13 | 2016-03-16 | 广西师范学院 | 一种顾及轨迹时空语义的犯罪团伙判别方法 |
| CN112182410A (zh) * | 2020-11-05 | 2021-01-05 | 西南交通大学 | 基于时空轨迹知识图谱的用户出行模式挖掘方法 |
| CN113378074A (zh) * | 2021-06-10 | 2021-09-10 | 电子科技大学 | 一种基于自监督学习的社交网络用户轨迹分析方法 |
| CN113763712A (zh) * | 2021-10-19 | 2021-12-07 | 西南交通大学 | 基于出行事件知识图谱的区域交通拥堵溯因方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106383868A (zh) * | 2016-09-05 | 2017-02-08 | 电子科技大学 | 一种基于道路网络的时空轨迹聚类方法 |
| CN106840176B (zh) * | 2016-12-28 | 2020-01-31 | 济宁中科先进技术研究院有限公司 | Gps时空数据增量路网实时更新和轨迹匹配系统 |
| CN108108854B (zh) * | 2018-01-10 | 2021-08-10 | 中南大学 | 城市路网链路预测方法、系统及存储介质 |
| US11131993B2 (en) * | 2019-05-29 | 2021-09-28 | Argo AI, LLC | Methods and systems for trajectory forecasting with recurrent neural networks using inertial behavioral rollout |
| US11794731B2 (en) * | 2020-08-12 | 2023-10-24 | Ford Global Technologies, Llc | Waypoint prediction for vehicle motion planning |
| CN113837148A (zh) * | 2021-11-04 | 2021-12-24 | 昆明理工大学 | 一种基于自调节稀疏图transformer的行人轨迹预测方法 |
| CN114266316A (zh) * | 2021-12-28 | 2022-04-01 | 湖南大学 | 一种基于层次图卷积网络的碳足迹-用户分类方法 |
| CN115455130B (zh) * | 2022-11-10 | 2023-01-31 | 中国测绘科学研究院 | 一种社交媒体数据与移动轨迹数据的融合方法 |
-
2023
- 2023-02-22 CN CN202310146849.9A patent/CN115840857B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104834669A (zh) * | 2015-03-18 | 2015-08-12 | 广西师范学院 | 一种基于时空语义转移矩阵的疑犯多阶位置预测方法 |
| CN104778245A (zh) * | 2015-04-09 | 2015-07-15 | 北方工业大学 | 基于海量车牌识别数据的相似轨迹挖掘方法及装置 |
| CN105404890A (zh) * | 2015-10-13 | 2016-03-16 | 广西师范学院 | 一种顾及轨迹时空语义的犯罪团伙判别方法 |
| CN112182410A (zh) * | 2020-11-05 | 2021-01-05 | 西南交通大学 | 基于时空轨迹知识图谱的用户出行模式挖掘方法 |
| CN113378074A (zh) * | 2021-06-10 | 2021-09-10 | 电子科技大学 | 一种基于自监督学习的社交网络用户轨迹分析方法 |
| CN113763712A (zh) * | 2021-10-19 | 2021-12-07 | 西南交通大学 | 基于出行事件知识图谱的区域交通拥堵溯因方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115840857A (zh) | 2023-03-24 |
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 | |
| CN109034448B (zh) | 基于车辆轨迹语义分析和深度信念网络的轨迹预测方法 | |
| CN108629978B (zh) | 一种基于高维路网和循环神经网络的交通轨迹预测方法 | |
| CN106488405B (zh) | 一种融合个体与近邻移动规律的位置预测方法 | |
| CN104657424A (zh) | 一种多时空特征融合下的兴趣点轨迹聚类方法 | |
| CN111666823B (zh) | 基于个体步行运动时空规律协同辨识的行人重识别方法 | |
| CN113283581B (zh) | 多融合图网络协同多通道注意力模型及其应用和应用方法 | |
| CN113159403B (zh) | 路口行人轨迹预测的方法及装置 | |
| CN110503032B (zh) | 基于监控摄像头轨迹数据的个体重要场所探测方法 | |
| Li et al. | Estimating crowd flow and crowd density from cellular data for mass rapid transit | |
| Cruz et al. | Location prediction: a deep spatiotemporal learning from external sensors data | |
| CN113159371B (zh) | 基于跨模态数据融合的未知目标特征建模与需求预测方法 | |
| Zhou et al. | Urban congestion areas prediction by combining knowledge graph and deep spatio-temporal convolutional neural network | |
| Jiang et al. | A framework of travel mode identification fusing deep learning and map-matching algorithm | |
| CN106980644A (zh) | 一种异构城市数据的个体人际关系可视推理方法 | |
| CN115840857B (zh) | 一种联合多元时空轨迹的群体行为模式挖掘方法 | |
| Zhao et al. | Detecting hotspots from taxi trajectory data using spatial cluster analysis | |
| CN115565376B (zh) | 融合graph2vec、双层LSTM的车辆行程时间预测方法及系统 | |
| Qu et al. | A time sequence location method of long video violence based on improved C3D network | |
| Chen et al. | Traffic travel pattern recognition based on sparse Global Positioning System trajectory data | |
| Thomason et al. | Context trees: Augmenting geospatial trajectories with context | |
| CN111651484B (zh) | 基于语义轨迹相似度移动对象伴随关系的分析方法和装置 | |
| CN111931968B (zh) | 一种应用手机gps数据来优化公共自行车站点布局的方法 | |
| Jiang et al. | Activity location recognition from mobile phone data using improved HAC and Bi‐LSTM | |
| CN112866934A (zh) | 地铁用户识别方法与系统 |
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 |