CN116343133B - 一种基于轨迹大数据的游客组团类型识别方法 - Google Patents
一种基于轨迹大数据的游客组团类型识别方法 Download PDFInfo
- Publication number
- CN116343133B CN116343133B CN202310616732.2A CN202310616732A CN116343133B CN 116343133 B CN116343133 B CN 116343133B CN 202310616732 A CN202310616732 A CN 202310616732A CN 116343133 B CN116343133 B CN 116343133B
- Authority
- CN
- China
- Prior art keywords
- tour
- group
- tourist
- tourists
- moment
- 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
- 238000000034 method Methods 0.000 title claims abstract description 73
- 230000000694 effects Effects 0.000 claims abstract description 41
- 230000000977 initiatory effect Effects 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000005484 gravity Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06M—COUNTING MECHANISMS; COUNTING OF OBJECTS NOT OTHERWISE PROVIDED FOR
- G06M15/00—Counting of objects, not otherwise provided for
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/14—Travel agencies
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于轨迹大数据的游客组团类型识别方法,所述方法包括:获取景区游客的初始活动轨迹,并进行预处理;识别游客是否有同行人员,如有同行人员则为组团游,否则为单人游;根据组团游活动轨迹特征,识别行进过程和停留过程;识别行进过程和停留过程组团游中是否有导游人员,如有导游人员则为跟团游,否则为亲友游。本方法提供的游客组团类型识别方法,能够根据游客轨迹识别游客组团类型,方便景区为不同游客组团类型提供匹配的旅游服务。
Description
技术领域
本发明涉及时空大数据应用技术领域,具体为一种基于轨迹大数据的游客组团类型识别方法。
背景技术
近年来,随着我国国民经济的持续发展和人民生活水平的不断提高,人们旅游的愿望越来越高。许多游客通过报旅行团(跟团游)、与亲友结伴(亲友游)、独自(单人游)等方式进行旅游。为了满足旅游需求,各地景区面向游客提供讲解导游、内部公交、餐饮、购物等服务。然而,不同组团类型所需景区服务可能不同,如跟团游可能不需要景区提供额外讲解导游服务,跟团游的餐饮、购物等服务可能定点提供,不需要景区提供;再比如相较于亲友游,单人游可能由于人均价格高,不需要讲解导游服务等。
目前,高精度定位服务技术逐渐成熟,如千寻位置采用RTK技术可以提供厘米级定位服务。但如何利用高精度定位服务以及产生的活动轨迹数据,识别游客组团类型,辅助分析不同组团类型旅游偏好,方便景区提供匹配的旅游服务,是本领域技术人员亟待解决的问题。
发明内容
本发明的目的在于提供一种基于轨迹大数据的游客组团类型识别方法,以解决上述背景技术中遇到的问题。
为解决上述技术问题,本发明提供如下技术方案:一种基于轨迹大数据的游客组团类型识别方法,包括如下步骤:
S1:获取景区游客的初始活动轨迹,并进行预处理,生成游客的标准活动轨迹;
S2:根据游客的标准活动轨迹,识别游客是否有同行人员,如有同行人员则为组团游,否则为单人游;
S3:根据组团游活动轨迹特征,识别行进过程和停留过程;
S4:根据组团游行进过程和停留过程中游客分布特征,识别组团游中是否有导游人员,如有导游人员则为跟团游,否则为亲友游。
进一步地,所述步骤S1中游客的活动轨迹来自高精度定位服务,活动轨迹由一系列轨迹点组成,轨迹点包含时间、坐标信息。
进一步地,所述步骤S1中预处理具体步骤为:
S11:将每位游客的活动轨迹统一转换为CGCS2000投影坐标系;
S12:以1整秒为基本时间单位,对游客的活动轨迹进行标准化。如整秒有对应的轨迹点,则轨迹点不变,否则根据整秒前后的轨迹点进行坐标内插值,生成新的轨迹点。
进一步地,所述步骤S2具体步骤为:
S21:根据某一游客每一时刻的坐标,识别每一时刻距该游客小于预设距离阈值的其他游客,并将其他游客标记为可能同行人员,并汇总各可能同行人员的出现次数;
S22:计算可能同行人员的出现次数与该游客时刻数量比值,记为可能同行概率,并将可能同行概率大于预设同行概率阈值对应的可能同行人员标记为该游客的同行人员;
S23:重复步骤S21—S22识别除了该游客和同行人员之外其余游客的同行人员;
S24:如游客有同行人员,则将游客及同行人员标记为组团游,否则标记为单人游。
进一步地,所述步骤S3具体步骤为:
S31:根据每一时刻及其对应上一时刻坐标,分别计算每一时刻组团游中各游客的活动速度;
S32:根据每一时刻组团游中各游客的活动速度,计算组团游游客平均活动速度,记为组团游活动速度;
S33:如组团游活动速度大于预设活动速度阈值,则将对应时刻标记为行进过程,否则为停留过程;
S34:在行进过程中,根据每一时刻及其对应上一时刻组团游中游客重心坐标,计算每一时刻组团游活动方向。
进一步地,所述步骤S4具体步骤为:
S41:在行进过程中,识别每一时刻组团游中领头人员,标记为可能行进导游人员;
S42:在行进过程中,统计出现最多次数的可能行进导游人员,计算出现最多次数与行进过程时刻数量比值,记为可能行进导游概率,并判断可能行进导游概率是否大于预设行进导游阈值,大于则存在行进导游人员,否则不存在;
S43:在停留过程中,识别每一时刻组团游中是否存在中心人员,存在则标记为可能讲解导游人员,否则不标记;
S44:在停留过程中,统计出现最多次数的可能讲解导游人员,计算出现最多次数与停留过程时刻数量比值,记为可能讲解导游概率,并判断可能讲解导游概率是否大于预设讲解导游阈值,大于则存在讲解导游人员,否则不存在;
S45:在行进过程中存在行进导游人员且停留过程中存在讲解导游人员,且行进导游人员与讲解导游人员为同一人,则组团游类型为跟团游,否则为亲友游。
进一步地,所述步骤S41中“识别每一时刻组团游中领头人员”,具体为:
S411:计算每一时刻组团游游客重心坐标;
S412:分别计算对应时刻组团游中游客坐标与重心坐标连线与组团游活动方向的夹角,以及组团游中游客坐标与重心坐标的距离;
S413:将夹角小于预设行进夹角阈值且距离最大的游客,标记为领头人员。
进一步地,所述步骤S43中“识别每一时刻组团游中是否存在中心人员”,具体为:
S431:计算每一时刻组团游中各游客坐标与其他游客坐标的距离,并统计游客与其他游客平均距离,记为游客平均距离;
S432:对应时刻组团游中如存在某游客与其他游客距离均大于游客平均距离与预设讲解距离比值下限之积且均小于游客平均距离与预设讲解距离比值上限之积,则组团游中存在中心人员,否则不存在。
与现有技术相比,本发明的有益效果是:
(1)提出了一种基于轨迹大数据的游客组团类型识别方法,能够基于活动轨迹数据识别游客是否有同行人员,如有同行人员则进一步识别是否有导游人员,进而区分跟团游和亲友游,如无同行人员则为单人游。通过识别游客组团类型,辅助分析不同组团类型旅游偏好,方便景区提供匹配的旅游服务。
(2)与以往通过组团人数(一般为15人)区分跟团游和亲友游方法相比,本发明提供的识别方法更为科学和精准。这是因为目前游客逐步青睐品质旅游,跟团旅游呈现出小团化、精致化趋势,目前许多旅游团达不到15人的标准,通过人数进行区分可能会出现问题。
附图说明
图1为本发明提供的基于轨迹大数据的游客组团类型识别方法流程示意图;
图2为本发明游客轨迹示意图;
图3为本发明行进过程领头人员识别示意图;
图4为本发明停留过程中心人员识别示意图,(a)圆形,(b)扇形。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
本实施例以某景区为例,对本发明的具体实施进行说明,下面将结合此实例具体说明本发明识别游客组团类型的具体实施步骤:
S1:获取景区游客的初始活动轨迹,并进行预处理,生成游客的标准活动轨迹。游客的活动轨迹来自高精度定位服务,活动轨迹由一系列轨迹点组成,轨迹点包含时间、坐标等信息,该数据时间精度为1秒以上,空间精度为0.1米以上。
具体的,游客001轨迹数据,如表1所示:
表1 游客初始活动轨迹数据表(地理坐标)
序号 | 日期 | 时间 | 经度 | 纬度 |
1 | 2023年3月5日 | 09:51:01.000 | 119.556176 | 35.435723 |
2 | 2023年3月5日 | 09:51:01.600 | 119.556183 | 35.435731 |
3 | 2023年3月5日 | 09:51:02.400 | 119.556186 | 35.435734 |
…… | …… | …… | …… | …… |
按照时间顺序形成的游客001轨迹示意,如图2所示。
步骤S1中预处理具体步骤为:
S11:将每位游客的活动轨迹统一转换为CGCS2000投影坐标系。
利用ArcGIS软件的坐标转换工具将轨迹转换CGCS2000投影坐标系,本实施例中统一转换为CGCS2000_3_Degree_GK_CM_120E投影坐标系。坐标转换后游客001轨迹数据,如表2所示:
表2 游客初始活动轨迹数据表(投影坐标)
序号 | 日期 | 时间 | 横坐标 | 纵坐标 |
1 | 2023年3月5日 | 09:51:01.000 | 459699.9 | 3923024.5 |
2 | 2023年3月5日 | 09:51:01.600 | 459700.5 | 3923025.4 |
3 | 2023年3月5日 | 09:51:02.400 | 459701.2 | 3923025.7 |
…… | …… | …… | …… | …… |
S12:以1整秒为基本时间单位,对游客的活动轨迹进行标准化,如整秒有对应的轨迹点,则轨迹点不变,否则根据整秒前后的轨迹点进行坐标内插值,生成新的轨迹点。
具体的,在09:51:01,游客001有对应的轨迹点,则轨迹点不用做调整,在09:51:02无对应的轨迹点,则根据前后(09:51:01.600和09:51:02.400)进行内插值,生成09:51:02对应的轨迹点(459700.85, 3923025.55)。
S2:根据游客的标准活动轨迹,识别游客是否有同行人员,如有同行人员则为组团游,否则为单人游。
步骤S2具体步骤为:
S21:根据某一游客每一时刻的坐标,识别每一时刻距该游客小于预设距离阈值的其他游客,并将其他游客标记为可能同行人员,并汇总各可能同行人员的出现次数。
具体的,在09:51:01,与游客001距离小于预设距离阈值的游客有游客002、游客003,将游客002、游客003标记为可能同行人员,并统计可能同行人员出现次数为1。在09:51:02,与游客001距离小于预设距离阈值的游客有游客002、游客004,则游客002可能同行人员出现次数为2、游客004可能同行人员出现次数为1。依次类推,统计各时刻可能同行人员的出现次数。
S22:计算可能同行人员的出现次数与该游客时刻数量比值,记为可能同行概率,并将可能同行概率大于预设同行概率阈值对应的可能同行人员标记为该游客的同行人员。
具体的,游客001在景区时间内(09:51:01—10:21:00,共计1800时刻),游客002被标记为游客001可能同行人员出现次数为1700次,则可能同行概率:1700/1800×100%=94.44%。大于预设同行概率阈值,则游客002为游客001的同行人员。
S23:重复步骤S21—S22识别除了该游客和同行人员之外其余游客的同行人员。
具体的,除去游客001、游客002,重复上述步骤识别其余游客的同行人员。
S24:如游客有同行人员,则将游客及同行人员标记为组团游,否则标记为单人游。
具体的,游客001有同行人员游客002,则游客001、游客002为组团游(A团),而游客004无同行人员,则游客004为单人游。
S3:根据组团游活动轨迹特征,识别行进过程和停留过程。
步骤S3具体步骤为:
S31:根据每一时刻及其对应上一时刻坐标,分别计算每一时刻组团游中各游客的活动速度。
具体的,在09:51:01,游客001坐标为(459699.9, 3923024.5),在09:51:02坐标为(459700.85, 3923025.55),则游客001在09:51:02的活动速度为1.42米/秒。类似地,分别计算每一时刻各组团游中各游客的平均速度。
S32:根据每一时刻组团游中各游客的活动速度,计算组团游游客平均活动速度,记为组团游活动速度。
具体的,在09:51:02,根据组团游A团中各游客的平均速度,计算A团平均活动速度为1.35米/秒。类似地,分别计算每一时刻各组团游活动速度。
S33:如组团游活动速度大于预设活动速度阈值,则将对应时刻标记为行进过程,否则为停留过程。
具体的,在09:51:02,组团游A团活动速度1.35米/秒大于预设活动速度阈值,则A团该时刻为行进过程。类似地,在09:58:10,组团游A团活动速度为0.08米/秒,小于预设活动速度阈值,则A团该时刻为停留过程。经过统计,A团行进过程时刻数为1000个,停留过程时刻数为800个。类似地,分别识别每一时刻各组团游对应过程。
S34:在行进过程中,根据每一时刻及其对应上一时刻组团游中游客重心坐标,计算每一时刻组团游活动方向。
具体的,在09:51:01,组团游A团游客重心坐标为(459694.6, 3923019.6),在09:51:02游客重心坐标为(459695.8, 3923020.6),则组团游A团在09:51:02的活动方向为北偏东40度。类似地,分别计算每一时刻各组团游活动方向。
S4:根据组团游行进过程和停留过程中游客分布特征,识别组团游中是否有导游人员,如有导游人员则为跟团游,否则为亲友游。
步骤S4具体步骤为:
S41:在行进过程中,识别每一时刻组团游中领头人员,标记为可能行进导游人员。
具体的,在行进过程中,识别组团游A团每一时刻领头人员,并标记为可能行进导游人员,如图3所示。类似地,分别识别每一时刻其他组团游中可能行进导游人员。
S411:计算每一时刻组团游游客重心坐标。
具体的,在09:51:02,组团游A团游客重心坐标为(459695.8, 3923020.6)。类似地,计算每一时刻各组团游游客重心坐标。
S412:分别计算对应时刻组团游中游客坐标与重心坐标连线与组团游活动方向的夹角,以及组团游中游客坐标与重心坐标的距离。
具体的,在09:51:02,组团游A团中游客001坐标为(459700.85, 3923025.55),其与重心坐标连线方向为北偏东44度,与组团游活动方向夹角为4度,游客001坐标与重心坐标距离为7.1米。类似地,分别计算每一时刻各组团游中各游客坐标与重心坐标的夹角与距离。
S413:将夹角小于预设行进夹角阈值且距离最大的游客,标记为领头人员。
具体的,在09:51:02,组团游A团中游客001坐标与重心坐标距离最大,且与重心坐标夹角小于预设行进夹角阈值,则游客001为组团游A团的领头人员。类似地,分别计算每一时刻各组团游领头人员。
S42:在行进过程中,统计出现最多次数的可能行进导游人员,计算出现最多次数与行进过程时刻数量比值,记为可能行进导游概率,并判断可能行进导游概率是否大于预设行进导游阈值,大于则存在行进导游人员,否则不存在。
具体的,组团游A团中001游客为出现最多次数(950次)的可能行进导游人员,可能行进导游概率:950/1000×100%=95.0%。大于预设行进导游阈值,则游客001为组团游A团的行进导游人员。类似地,分别识别其他组团游行进导游人员。
S43:在停留过程中,识别每一时刻组团游中是否存在中心人员,存在则标记为可能讲解导游人员,否则不标记。
具体的,在停留过程中,识别组团游A团每一时刻是否存在中心人员,存在则标记为可能讲解导游人员,否则不标记。
S431:计算每一时刻组团游中各游客坐标与其他游客坐标的距离,并统计游客与其他游客平均距离,记为游客平均距离。
具体的,在停留过程中,计算某一时刻组团游A团中游客001与团内其他游客的距离,经统计平均距离为3.2米,最大距离为4.1米,最小距离为2.7米。类似地,分别计算每一时刻各组团游各游客平均距离。
S432:对应时刻组团游中如存在某游客与其他游客距离均大于游客平均距离与预设讲解距离比值下限之积且均小于游客平均距离与预设讲解距离比值上限之积,则组团游中存在中心人员,否则不存在。
具体的,在停留过程中,计算某一时刻组团游A团中游客001是否满足:与团内其他游客距离>平均距离×预设讲解距离比值下限且与团内其他游客距离<平均距离×预设讲解距离比值上限。结果显示,组团游A团中游客001满足条件,因此该时刻组团游A中存在中心人员。类似地,分别计算每一时刻各组团游是否存在中心人员。
需要指出的是,存在中心人员的组团游队形一般为圆形(图4中的(a))或扇形(图4中的(b))。
S44:在停留过程中,统计出现最多次数的可能讲解导游人员,计算出现最多次数与停留过程时刻数量比值,记为可能讲解导游概率,并判断可能讲解导游概率是否大于预设讲解导游阈值,大于则存在讲解导游人员,否则不存在。
具体的,组团游A团中001游客为出现最多次数(750次)的可能讲解导游人员,可能讲解导游概率:750/800×100%=93.75%。大于预设讲解导游阈值,则游客001为组团游A团的讲解导游人员。类似地,分别识别其他组团游讲解导游人员。
S45:在行进过程中存在行进导游人员且停留过程中存在讲解导游人员,且行进导游人员与讲解导游人员为同一人,则组团游类型为跟团游,否则为亲友游。
具体的,组团游A团中在行进过程中存在行进导游人员且停留过程中存在讲解导游人员,且行进导游人员和讲解导游人员均为游客001,因此组团游A团为跟团游。类似地,分别识别其他组团游类型。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (4)
1.一种基于轨迹大数据的游客组团类型识别方法,其特征在于,包括如下步骤:
S1:获取景区游客的初始活动轨迹,并进行预处理,生成游客的标准活动轨迹;
S2:根据游客的标准活动轨迹,识别游客是否有同行人员,如有同行人员则为组团游,否则为单人游;
所述步骤S2具体步骤为:
S21:根据某一游客每一时刻的坐标,识别每一时刻距该游客小于预设距离阈值的其他游客,并将其他游客标记为可能同行人员,并汇总各可能同行人员的出现次数;
S22:计算可能同行人员的出现次数与该游客时刻数量比值,记为可能同行概率,并将可能同行概率大于预设同行概率阈值对应的可能同行人员标记为该游客的同行人员;
S23:重复步骤S21—S22识别除了该游客和同行人员之外其余游客的同行人员;
S24:如游客有同行人员,则将游客及同行人员标记为组团游,否则标记为单人游;
S3:根据组团游活动轨迹特征,识别行进过程和停留过程;
S4:根据组团游行进过程和停留过程中游客分布特征,识别组团游中是否有导游人员,如有导游人员则为跟团游,否则为亲友游;
所述步骤S4具体步骤为:
S41:在行进过程中,识别每一时刻组团游中领头人员,标记为可能行进导游人员;
S42:在行进过程中,统计出现最多次数的可能行进导游人员,计算出现最多次数与行进过程时刻数量比值,记为可能行进导游概率,并判断可能行进导游概率是否大于预设行进导游阈值,大于则存在行进导游人员,否则不存在;
S43:在停留过程中,识别每一时刻组团游中是否存在中心人员,存在则标记为可能讲解导游人员,否则不标记;
S44:在停留过程中,统计出现最多次数的可能讲解导游人员,计算出现最多次数与停留过程时刻数量比值,记为可能讲解导游概率,并判断可能讲解导游概率是否大于预设讲解导游阈值,大于则存在讲解导游人员,否则不存在;
S45:在行进过程中存在行进导游人员且停留过程中存在讲解导游人员,且行进导游人员与讲解导游人员为同一人,则组团游类型为跟团游,否则为亲友游;
所述步骤S41中“识别每一时刻组团游中领头人员”,具体为:
S411:计算每一时刻组团游游客重心坐标;
S412:分别计算对应时刻组团游中游客坐标与重心坐标连线与组团游活动方向的夹角,以及组团游中游客坐标与重心坐标的距离;
S413:将夹角小于预设行进夹角阈值且距离最大的游客,标记为领头人员;
所述步骤S43中“识别每一时刻组团游中是否存在中心人员”,具体为:
S431:计算每一时刻组团游中各游客坐标与其他游客坐标的距离,并统计游客与其他游客平均距离,记为游客平均距离;
S432:对应时刻组团游中如存在某游客与其他游客距离均大于游客平均距离与预设讲解距离比值下限之积且均小于游客平均距离与预设讲解距离比值上限之积,则组团游中存在中心人员,否则不存在。
2.根据权利要求1所述的一种基于轨迹大数据的游客组团类型识别方法,其特征在于,所述步骤S1中游客的活动轨迹来自高精度定位服务,活动轨迹由一系列轨迹点组成,轨迹点包含时间、坐标等信息。
3.根据权利要求1所述的一种基于轨迹大数据的游客组团类型识别方法,其特征在于,所述步骤S1中预处理具体步骤为:
S11:将每位游客的活动轨迹统一转换为CGCS2000投影坐标系;
S12:以1整秒为基本时间单位,对游客的活动轨迹进行标准化,如整秒有对应的轨迹点,则轨迹点不变,否则根据整秒前后的轨迹点进行坐标内插值,生成新的轨迹点。
4.根据权利要求1所述的一种基于轨迹大数据的游客组团类型识别方法,其特征在于,所述步骤S3具体步骤为:
S31:根据每一时刻及其对应上一时刻坐标,分别计算每一时刻组团游中各游客的活动速度;
S32:根据每一时刻组团游中各游客的活动速度,计算组团游游客平均活动速度,记为组团游活动速度;
S33:如组团游活动速度大于预设活动速度阈值,则将对应时刻标记为行进过程,否则为停留过程;
S34:在行进过程中,根据每一时刻及其对应上一时刻组团游中游客重心坐标,计算每一时刻组团游活动方向。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310616732.2A CN116343133B (zh) | 2023-05-29 | 2023-05-29 | 一种基于轨迹大数据的游客组团类型识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310616732.2A CN116343133B (zh) | 2023-05-29 | 2023-05-29 | 一种基于轨迹大数据的游客组团类型识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116343133A CN116343133A (zh) | 2023-06-27 |
CN116343133B true CN116343133B (zh) | 2023-07-28 |
Family
ID=86876270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310616732.2A Active CN116343133B (zh) | 2023-05-29 | 2023-05-29 | 一种基于轨迹大数据的游客组团类型识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116343133B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116610989B (zh) * | 2023-07-19 | 2023-09-29 | 日照市规划设计研究院集团有限公司 | 一种基于跟团游轨迹数据的旅游团类型识别方法 |
CN117372946B (zh) * | 2023-09-19 | 2024-04-16 | 日照市规划设计研究院集团有限公司 | 一种旅游团游客行为识别方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113282637A (zh) * | 2021-04-16 | 2021-08-20 | 北京工业大学 | 景区游客识别方法、装置、电子设备及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150219470A1 (en) * | 2014-02-04 | 2015-08-06 | Nils E. Hoffman | System and method for virtual interactive ski and snowboard tour guidance, enhancement and safety |
CN109800636A (zh) * | 2018-12-13 | 2019-05-24 | 深圳壹账通智能科技有限公司 | 基于生物识别的自主导游方法、装置、设备及存储介质 |
CN115599985A (zh) * | 2021-06-28 | 2023-01-13 | 中国移动通信集团黑龙江有限公司(Cn) | 目标客户识别方法和系统、电子设备及可读存储介质 |
-
2023
- 2023-05-29 CN CN202310616732.2A patent/CN116343133B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113282637A (zh) * | 2021-04-16 | 2021-08-20 | 北京工业大学 | 景区游客识别方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116343133A (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116343133B (zh) | 一种基于轨迹大数据的游客组团类型识别方法 | |
Schüssler et al. | Identifying trips and activities and their characteristics from GPS raw data without further information | |
CN105095242B (zh) | 一种标记地理区域的方法和装置 | |
CN113378891B (zh) | 基于轨迹分布表示的城市区域关系可视分析方法 | |
CN105444770A (zh) | 基于智能手机的车道级别地图生成和定位系统及方法 | |
CN111210036A (zh) | 一种确定推荐上车点的方法和系统 | |
WO2009128341A1 (ja) | 携帯電話機情報視覚化装置、携帯電話機情報視覚化システム及びそれらに用いる携帯電話機情報視覚化方法 | |
CN110990661A (zh) | 一种基于路网约束和密度聚类的兴趣区域出入口提取方法 | |
CN110082716A (zh) | 一种医院复杂环境室内定位系统及定位方法 | |
CN111780772B (zh) | 一种地图盲区车辆定位纠偏方法 | |
CN106339769A (zh) | 一种面向移动社会网络的用户出行预测方法 | |
Yuan et al. | Recognition of functional areas based on call detail records and point of interest data | |
Kim et al. | Activity recognition for a smartphone and web-based human mobility sensing system | |
WO2021114615A1 (zh) | 行为风险识别的可视化方法、装置、设备及存储介质 | |
CN116610989B (zh) | 一种基于跟团游轨迹数据的旅游团类型识别方法 | |
CN108701280A (zh) | 确定语义行进模式 | |
CN104121917B (zh) | 一种自动发现新建桥梁的方法和装置 | |
CN112765120A (zh) | 一种基于手机信令分析和提取用户移动轨迹的方法 | |
Dunn et al. | Advancing insights into methods for studying environment–health relationships: A multidisciplinary approach to understanding Legionnaires’ disease | |
CN116129643A (zh) | 一种公交车出行特征识别方法、装置、设备及介质 | |
WO2019200553A1 (en) | Systems and methods for improving user experience for an on-line platform | |
CN117372946B (zh) | 一种旅游团游客行为识别方法 | |
Felke | The use of geographic information systems (GIS) in conducting a needs assessment of seniors in Collier County | |
CN114125709A (zh) | 一种结合gis路网和蓝牙信标的实时数据挖掘定位的方法 | |
US20170169025A1 (en) | Estimating Geographic Entity Capacity |
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 |