CN117520906B - 基于人群出行活动熵的不同特征人群分类方法及系统 - Google Patents
基于人群出行活动熵的不同特征人群分类方法及系统 Download PDFInfo
- Publication number
- CN117520906B CN117520906B CN202410016392.4A CN202410016392A CN117520906B CN 117520906 B CN117520906 B CN 117520906B CN 202410016392 A CN202410016392 A CN 202410016392A CN 117520906 B CN117520906 B CN 117520906B
- Authority
- CN
- China
- Prior art keywords
- activity
- entropy
- user
- characterization vector
- crowd
- 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
- 230000000694 effects Effects 0.000 title claims abstract description 232
- 238000000034 method Methods 0.000 title claims abstract description 29
- 239000013598 vector Substances 0.000 claims abstract description 137
- 238000012512 characterization method Methods 0.000 claims abstract description 112
- 230000000977 initiatory effect Effects 0.000 claims abstract description 23
- 230000004927 fusion Effects 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000005065 mining Methods 0.000 abstract description 2
- 230000002354 daily effect Effects 0.000 description 42
- 230000001788 irregular Effects 0.000 description 8
- VDRGNAMREYBIHA-UHFFFAOYSA-N 2c-e Chemical compound CCC1=CC(OC)=C(CCN)C=C1OC VDRGNAMREYBIHA-UHFFFAOYSA-N 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 101100100125 Mus musculus Traip gene Proteins 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于人群出行活动熵的不同特征人群分类方法及系统,其方法包括:S1:定义人群活动熵:日活动熵、日切片活动熵、日增活动熵;步骤S2:构建样本集,分别计算其日活动熵、日切片活动熵和日增活动熵,构建初始活动表征向量;步骤S3:基于用户的运动特征,构建辅助表征向量与初始活动表征向量融合,得到融合活动表征向量;多次随机打乱出行轨迹时序后重新计算和融合,得到多维活动表征向量并输入编码器‑解码器模型,获得隐式活动表征向量;步骤S4:将隐式活动表征向量输入多层感知机,再经过分类器进行分类,识别用户是否属于蜂鸟人群。本发明提供的方法挖掘并建模用户出行特征对人群进行分类,属于轨迹分类与群体识别领域。
Description
技术领域
本发明涉及轨迹分类与群体识别领域,具体涉及一种基于人群出行活动熵的不同特征人群分类方法及系统。
背景技术
城市蜂鸟人群是指日常活动范围广、工作地不固定或工作流动性大的复杂人群,如出租车司机、外卖骑手和快递人员等。城市通勤人群是指相对于蜂鸟人群来讲,出行具有较为明显的目的性,如上班族、教师等,这类人群日常活动范围较小,出行规律性较强。随着城市化的不断发展,城市蜂鸟人群和通勤人群的数量相当可观。根据人群出行特征的差异性,本发明将人群分为规律性出行的非蜂鸟人群与无规律性出行的蜂鸟人群。研究这些人群的出行特征并了解其分布在城市规划、交通管理、安全预警等方面具有很高实用价值。
一般来说,蜂鸟人群由于其出行的极度不规律性,很难通过单纯的对下一个轨迹点的预测或是无监督学习的方式对轨迹进行建模,现有的人群分类技术也较多仅仅是停留在研究并提出用户出行的规律性并对其进行建模。而对于蜂鸟人群的识别,需要提出一种衡量方式或是特征构建方式能够较好的描述其出行范围的广泛性和出行的不规律性,这对常见的轨迹分类与人群识别技术带来了一定的困难。
鉴于能够较为准确的对不同人群群体进行分类并识别会给社会治理与服务带来不可忽视的意义,但目前缺少一种完善的方法能够同时建模用户群体出行的规律性以及不规律性,因此如何挖掘用户的出行特征并对特征进行建模以达到最终良好的分类识别效果,渐渐成为一个亟待解决的问题。
发明内容
为了解决上述技术问题,本发明提供一种基于人群出行活动熵的不同特征人群分类方法及系统。
本发明技术解决方案为:一种基于人群出行活动熵的不同特征人群分类方法,包括:
步骤S1:基于用户的出行轨迹数据,定义人群活动熵,包括:日活动熵、日切片活动熵、日增活动熵,分别用来刻画用户在一天中活动的散度、一天中各个时段活动的散度以及用户在预设时期内的活动散度;
步骤S2:构建样本集,分别计算其所述日活动熵、所述日切片活动熵和所述日增活动熵,构建初始活动表征向量;
步骤S3:基于用户出行的运动特征,构建用户的辅助表征向量,并与所述初始活动表征向量融合,得到融合活动表征向量;多次随机打乱所述样本集中用户的出行轨迹时序,重新计算并拼接到所述融合活动表征向量,得到多维活动表征向量;将所述多维活动表征向量输入编码器-解码器模型,获得每个用户的隐式活动表征向量;
步骤S4:将所述隐式活动表征向量输入多层感知机进行精化,获得指定维度的隐式活动表征向量,再经过分类器进行分类,识别用户属于蜂鸟人群或非蜂鸟人群。
本发明与现有技术相比,具有以下优点:
本发明公开了一种基于人群出行活动熵的不同特征人群分类方法,能够充分挖掘并建模用户出行特征中的不规律性,将对用户不规律的出行位置的序列的学习转化为对规律性较强的特征序列的建模。通过本发明的方法,可以构建并分析不同群体用户在人群活动熵层面表现出的差异性;并通过对出行特征进行建模,分类并识别出不同的特征人群群体。
附图说明
图1为本发明实施例中一种基于人群出行活动熵的不同特征人群分类方法的流程图;
图2为本发明实施例中一种基于人群出行活动熵的不同特征人群分类系统的结构框图。
具体实施方式
本发明提供了一种基于人群出行活动熵的不同特征人群分类方法,挖掘并建模用户出行特征中的不规律性,对不同人群群体进行分类与识别。
为了使本发明的目的、技术方案及优点更加清楚,以下通过具体实施,并结合附图,对本发明进一步详细说明。
实施例一
如图1所示,本发明实施例提供的一种基于人群出行活动熵的不同特征人群分类方法,包括下述步骤:
步骤S1:基于用户的出行轨迹数据,定义人群活动熵,包括:日活动熵、日切片活动熵、日增活动熵,分别用来刻画用户在一天中活动的散度、一天中各个时段活动的散度以及用户在预设时期内的活动散度;
步骤S2:构建样本集,分别计算其日活动熵、日切片活动熵和日增活动熵,构建初始活动表征向量;
步骤S3:基于用户出行的运动特征,构建用户的辅助表征向量,并与初始活动表征向量融合,得到融合活动表征向量;多次随机打乱样本集中用户的出行轨迹时序,重新计算并拼接到融合活动表征向量,得到多维活动表征向量;将多维活动表征向量输入编码器-解码器模型,获得每个用户的隐式活动表征向量;
步骤S4:将隐式活动表征向量输入多层感知机进行精化,获得指定维度的隐式活动表征向量,再经过分类器进行分类,识别用户属于蜂鸟人群或非蜂鸟人群。
在一个实施例中,上述步骤S1:基于用户的出行轨迹数据,定义人群活动熵,包括:日活动熵、日切片活动熵、日增活动熵,分别用来刻画用户在一天中活动的散度、一天中各个时段活动的散度以及用户在预设时期内的活动散度,具体包括:
步骤S11:将人群出行的散度表示为Google S2编码下的不重复网格数量,定义为人群活动熵;
本发明将无规律性出行的人群定义为日出行行为无周期特征的蜂鸟人群。这类人群每天的出行没有明确的目的,以滴滴司机为例,其出行轨迹受乘客出行目的导向,日活动范围广且无明显周期性出行特征。为识别这类无规律出行特征的人群,需要基于其日出行轨迹,从中挖掘出规律性的一面,以基于人群轨迹对人群进行建模,将无规律性人群与规律性出行人群区分开。
本发明提出基于人群出行的散度刻画人群在一段时间内的活动特征。具体来说,由于无规律出行人群出行范围一般较广,且每天的出行没有明显的规律,本发明使用不重复的散度大小建模人群出行特征。本发明实施例将人群出行的散度表示为Google S2编码下的不重复网格数量,即人群活动熵。在此基础上,本发明定义了三类人群活动熵,用于刻画用户的不同出行活动特征。
步骤S12:将用户在一天时间中出行的活动范围定义为日活动熵,用于描述用户一天中出行的不规律性;
日活动熵的形式化定义为:
,
其中,表示用户/>在第/>天的日活动熵,K表示目标用户的总数;/>表示用户/>在第i天经过的第/>个Google S2编码下的网格号,/>表示用户/>在第/>天所经历的所有网格数;
步骤S13:将每天24小时等间隔划分为12个时间段,则将用户在每个时间段的活动范围定义为日切片活动熵,用于描述用户一天中各个时段的出行的不规律性;
日切片活动熵的形式化定义为:
,
其中,表示用户/>在第/>天的日切片活动熵,该熵为一个12维度的向量;/>表示用户/>在第/>天第/>个时间段的活动的不同网格号的集合;/>表示该集合的大小;通过将/>拼接起来得到一个12维度的向量/>,即日切片活动熵。
步骤S14:以天为粒度,从预设的某一天开始截止到当天,将用户在该时期内的总共活动范围定义为日增活动熵,用于描述用户多日出行的不规律性。
日增活动熵以在定义的时期内,用户所经过的所有不同的网格数来表示,定义为:,
其中,表示用户/>在第/>天的日增活动熵,该指标计算的是截止至第/>天时,用户所到达的所有不同网格的数目。
在一个实施例中,上述步骤S2:构建样本集,分别计算其日活动熵、日切片活动熵和日增活动熵,构建初始活动表征向量,具体包括:
步骤S21:采集一段时期内的蜂鸟人群的出行轨迹数据作为正样本,以及非蜂鸟人群的出行轨迹数据作为负样本,构建样本集;
本发明实施例通过信息采集等方式,获取在一个月时间内的蜂鸟人群的出行轨迹作为正样本以及非蜂鸟人群的出行轨迹作为负样本,按照正负样本1:4的比例构建样本集。
步骤S22:分别计算样本集的日活动熵、日切片活动熵、日增活动熵,并对三种活动熵进行拼接,得到初始活动表征向量,表示如下:
,
其中,表示所构建基于样本集的所有用户的出行特征初始表征向量,该向量为/>的三维向量,其中/>为用户总数。
在一个实施例中,上述步骤S3:基于用户出行的运动特征,构建用户的辅助表征向量,并与初始活动表征向量融合,得到融合活动表征向量;多次随机打乱样本集中用户的出行轨迹时序,重新计算并拼接到融合活动表征向量,得到多维活动表征向量;将多维活动表征向量输入编码器-解码器模型,获得每个用户的隐式活动表征向量,具体包括:
步骤S31:计算并融合用户在每天中的运动特征,包括:平均移动速度,停留的POI特征,构建用户的辅助表征向量;将辅助表征向量与初始活动表征向量进行拼接,得到用户的融合活动表征向量;
考虑除了上述三类人群活动熵之外的特征,本发明实施例引入人群活动相关的辅助特征。根据高德地图POI特征分类,将POI信息按照大类区分,计算用户每天停留的POI类别及对应的数量。同时,引入用户每天的平均移动速度,作为衡量用户移动幅度的一个衡量指标。将辅助特征拼接在初始表征向量中,得到融合活动表征向量,其形式化定义如下:
,
其中,表示引入的辅助特征维度,/>表示融合活动表征向量的特征维度;
步骤S32:多次随机打乱样本集中用户的出行轨迹时序,按照步骤S22重新计算用户的活动表征向量,将每次的计算结果拼接到融合活动表征向量,最终得到用户的多维活动表征向量;
由于蜂鸟人群出行轨迹表现出的无规律性与时序无关,即即便是打乱其一周内的各天的顺序,其三类活动熵仍能表现出无规律性活动人群的特征。该现象明显区别于一般规律性活动人群,如通勤人群。在此基础上,本发明引入shuffle机制,即多次随机打乱所有用户出行轨迹的时序,并且按照打乱后的时序重新计算用户的人群活动熵特征,其形式化定义如下:
,
其中,表示共打乱了/>次时序,即得到/>个/>的三维活动向量;
步骤S33:将多维活动表征向量输入基于循环神经网络构建编码器-解码器模型,获得每个用户的隐式活动表征向量。
将上述步骤得到的多维活动表征向量看作是30个时间步长的多元时间序列,本发明实施例基于循环神经网络构建编码器-解码器模型,对其进行建模,形式化表示如下:
,
其中,表示上述得到的多维活动表征向量,/>表示通过编码器得到的多维活动表征向量的隐藏表征向量,一般而言,这类隐藏特征表示比原始数据含有更丰富且有用的特征信息。解码器用来根据得到的隐藏表征向量,还原原始的多维活动表征向量。
通过编码器-解码器模型的自监督学习方式不断优化其中的各项参数,最终使用训练好的编码器对多维活动表征向量进行建模,取得作为多维活动表征向量的隐式活动表征向量。
在一个实施例中,上述步骤S4:将隐式活动表征向量输入多层感知机进行精化,获得指定维度的隐式活动表征向量,再经过分类器进行分类,识别用户属于蜂鸟人群或非蜂鸟人群,具体包括:
步骤S41:将每个用户的隐式活动表征向量输入多层感知机进行精化,获得指定维度的隐式活动表征向量;
首先使用多层感知机(MLP)对隐式活动表征向量进行精化,获得适合于后续输入分类器的指定维度的隐藏表征向量;
,
步骤S42:将指定维度的隐式活动表征向量输入分类器,输出当前用户属于蜂鸟人群或非蜂鸟人群。
本发明实施例基于卷积神经网络构建分类器,该分器类的任务为二分类任务,即仅需判断当前用户是否为蜂鸟人群,形式化定义如下:
,
其中,表示模型对/>个用户的识别结果,若用户/>是蜂鸟人群,则向量在第/>行的值为1,否则为0。
本发明公开了一种基于人群出行活动熵的不同特征人群分类方法,能够充分挖掘并建模用户出行特征中的不规律性,将对用户不规律的出行位置的序列的学习转化为对规律性较强的特征序列的建模。通过本发明的方法,可以构建并分析不同群体用户在人群活动熵层面表现出的差异性;并通过对出行特征进行建模,分类并识别出不同的特征人群群体。
实施例二
如图2所示,本发明实施例提供了一种基于人群出行活动熵的不同特征人群分类系统,包括下述模块:
定义人群活动熵模块51,用于基于用户的出行轨迹数据,定义人群活动熵,包括:日活动熵、日切片活动熵、日增活动熵,分别用来刻画用户在一天中活动的散度、一天中各个时段活动的散度以及用户在预设时期内的活动散度;
构建初始活动表征向量模块52,用于构建样本集,分别计算其日活动熵、日切片活动熵和日增活动熵,构建初始活动表征向量;
获取隐式活动表征向量模块53,用于基于用户出行的运动特征,构建用户的辅助表征向量,并与初始活动表征向量融合,得到融合活动表征向量;多次随机打乱样本集中用户的出行轨迹时序,重新计算并拼接到融合活动表征向量,得到多维活动表征向量;将多维活动表征向量输入编码器-解码器模型,获得每个用户的隐式活动表征向量;
分类模块54,用于将隐式活动表征向量输入多层感知机进行精化,获得指定维度的隐式活动表征向量,再经过分类器进行分类,识别用户属于蜂鸟人群或非蜂鸟人群。
提供以上实施例仅仅是为了描述本发明的目的,而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改,均应涵盖在本发明的范围之内。
Claims (6)
1.一种基于人群出行活动熵的不同特征人群分类方法,其特征在于,包括:
步骤S1:基于用户的出行轨迹数据,定义人群活动熵,包括:日活动熵、日切片活动熵、日增活动熵,分别用来刻画用户在一天中活动的散度、一天中各个时段活动的散度以及用户在预设时期内的活动散度;
步骤S2:构建样本集,分别计算其所述日活动熵、所述日切片活动熵和所述日增活动熵,构建初始活动表征向量;
步骤S3:基于用户出行的运动特征,构建用户的辅助表征向量,并与所述初始活动表征向量融合,得到融合活动表征向量;多次随机打乱样本集中用户的出行轨迹时序,重新计算并拼接到所述融合活动表征向量,得到多维活动表征向量;将所述多维活动表征向量输入编码器-解码器模型,获得每个用户的隐式活动表征向量;
步骤S4:将所述隐式活动表征向量输入多层感知机进行精化,获得指定维度的隐式活动表征向量,再经过分类器进行分类,识别用户属于蜂鸟人群或非蜂鸟人群。
2.根据权利要求1所述的基于人群出行活动熵的不同特征人群分类方法,其特征在于,所述步骤S1:基于用户的出行轨迹数据,定义人群活动熵,包括:日活动熵、日切片活动熵、日增活动熵,分别用来刻画用户在一天中活动的散度、一天中各个时段活动的散度以及用户在预设时期内的活动散度,具体包括:
步骤S11:将人群出行的散度表示为Google S2编码下的不重复网格数量,定义为所述人群活动熵;
步骤S12:将用户在一天时间中出行的活动范围定义为所述日活动熵,用于描述用户一天中出行的不规律性;
步骤S13:将每天24小时等间隔划分为12个时间段,则将用户在每个时间段的活动范围定义为所述日切片活动熵,用于描述用户一天中各个时段的出行的不规律性;
步骤S14:以天为粒度,从预设的某一天开始截止到当天,将用户在该时期内的总共活动范围定义为所述日增活动熵,用于描述用户多日出行的不规律性。
3.根据权利要求2所述的基于人群出行活动熵的不同特征人群分类方法,其特征在于,所述步骤S2:构建样本集,分别计算其所述日活动熵、所述日切片活动熵和所述日增活动熵,构建初始活动表征向量,具体包括:
步骤S21:采集一段时期内的蜂鸟人群的出行轨迹数据作为正样本,以及非蜂鸟人群的出行轨迹数据作为负样本,构建样本集;
步骤S22:分别计算所述样本集的日活动熵、日切片活动熵、日增活动熵,并对三种活动熵进行拼接,得到初始活动表征向量。
4.根据权利要求3所述的基于人群出行活动熵的不同特征人群分类方法,其特征在于,所述步骤S3:基于用户出行的运动特征,构建用户的辅助表征向量,并与所述初始活动表征向量融合,得到融合活动表征向量;多次随机打乱样本集中用户的出行轨迹时序,重新计算并拼接到所述融合活动表征向量,得到多维活动表征向量;将所述多维活动表征向量输入编码器-解码器模型,获得每个用户的隐式活动表征向量,具体包括:
步骤S31:计算并融合用户在每天中的运动特征,包括:平均移动速度,停留的POI特征,构建用户的辅助表征向量;将所述辅助表征向量与所述初始活动表征向量进行拼接,得到用户的融合活动表征向量;
步骤S32:多次随机打乱样本集中用户的出行轨迹时序,按照步骤S22重新计算用户的活动表征向量,将每次的计算结果拼接到所述融合活动表征向量,最终得到用户的多维活动表征向量;
步骤S33:将所述多维活动表征向量输入基于循环神经网络构建编码器-解码器模型,获得每个用户的隐式活动表征向量。
5.根据权利要求4所述的基于人群出行活动熵的不同特征人群分类方法,其特征在于,所述步骤S4:将所述隐式活动表征向量输入多层感知机进行精化,获得指定维度的隐式活动表征向量,再经过分类器进行分类,识别用户属于蜂鸟人群或非蜂鸟人群,具体包括:
步骤S41:将每个用户的所述隐式活动表征向量输入多层感知机进行精化,获得指定维度的隐式活动表征向量;
步骤S42:将所述指定维度的隐式活动表征向量输入分类器,输出当前用户属于蜂鸟人群或非蜂鸟人群。
6.一种基于人群出行活动熵的不同特征人群分类系统,其特征在于,包括下述模块:
定义人群活动熵模块,用于基于用户的出行轨迹数据,定义人群活动熵,包括:日活动熵、日切片活动熵、日增活动熵,分别用来刻画用户在一天中活动的散度、一天中各个时段活动的散度以及用户在预设时期内的活动散度;
构建初始活动表征向量模块,用于构建样本集,分别计算其所述日活动熵、所述日切片活动熵和所述日增活动熵,构建初始活动表征向量;
获取隐式活动表征向量模块,用于基于用户出行的运动特征,构建用户的辅助表征向量,并与所述初始活动表征向量融合,得到融合活动表征向量;多次随机打乱样本集中用户的出行轨迹时序,重新计算并拼接到所述融合活动表征向量,得到多维活动表征向量;将所述多维活动表征向量输入编码器-解码器模型,获得每个用户的隐式活动表征向量;
分类模块,用于将所述隐式活动表征向量输入多层感知机进行精化,获得指定维度的隐式活动表征向量,再经过分类器进行分类,识别用户属于蜂鸟人群或非蜂鸟人群。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410016392.4A CN117520906B (zh) | 2024-01-05 | 2024-01-05 | 基于人群出行活动熵的不同特征人群分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410016392.4A CN117520906B (zh) | 2024-01-05 | 2024-01-05 | 基于人群出行活动熵的不同特征人群分类方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117520906A CN117520906A (zh) | 2024-02-06 |
CN117520906B true CN117520906B (zh) | 2024-03-12 |
Family
ID=89751714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410016392.4A Active CN117520906B (zh) | 2024-01-05 | 2024-01-05 | 基于人群出行活动熵的不同特征人群分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117520906B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104778447A (zh) * | 2015-03-23 | 2015-07-15 | 中国民航大学 | 一种基于网格单元特征的人群聚集行为检测方法 |
CN105389332A (zh) * | 2015-10-13 | 2016-03-09 | 广西师范学院 | 一种地理社交网络下的用户相似性计算方法 |
CN110826698A (zh) * | 2019-11-04 | 2020-02-21 | 电子科技大学 | 一种通过上下文相关的图嵌入表示人群移动模式的方法 |
CN114817669A (zh) * | 2022-04-23 | 2022-07-29 | 石德省 | 智能分布式拓展人群移动轨迹时空预测模型 |
-
2024
- 2024-01-05 CN CN202410016392.4A patent/CN117520906B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104778447A (zh) * | 2015-03-23 | 2015-07-15 | 中国民航大学 | 一种基于网格单元特征的人群聚集行为检测方法 |
CN105389332A (zh) * | 2015-10-13 | 2016-03-09 | 广西师范学院 | 一种地理社交网络下的用户相似性计算方法 |
CN110826698A (zh) * | 2019-11-04 | 2020-02-21 | 电子科技大学 | 一种通过上下文相关的图嵌入表示人群移动模式的方法 |
CN114817669A (zh) * | 2022-04-23 | 2022-07-29 | 石德省 | 智能分布式拓展人群移动轨迹时空预测模型 |
Non-Patent Citations (2)
Title |
---|
SEEM: A Sequence Entropy Energy-Based Model for Pedestrian Trajectory All-Then-One Prediction;Dafeng Wang et al.;《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》;20230131;全文 * |
基于人群出行行为轨迹的城市功能区识别;凌鹏 等;《计算机工程》;20220731;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117520906A (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109670277B (zh) | 一种基于多模态数据融合与多模型集成的旅行时间预测方法 | |
CN107045788B (zh) | 交通路况预测方法及装置 | |
CN109492830B (zh) | 一种基于时空深度学习的移动污染源排放浓度预测方法 | |
Wang et al. | Visual traffic jam analysis based on trajectory data | |
CN104318324B (zh) | 基于出租车gps记录的机场巴士站点及路线规划方法 | |
CN110570651A (zh) | 一种基于深度学习的路网交通态势预测方法及系统 | |
CN110458214B (zh) | 驾驶员更换识别方法和装置 | |
CN110836675A (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
Bachechi et al. | Traffic analysis in a smart city | |
CN114463972A (zh) | 一种基于etc门架通信数据的路段区间交通分析预测方法 | |
Qi et al. | Vehicle trajectory reconstruction on urban traffic network using automatic license plate recognition data | |
CN110287995B (zh) | 全天高架交通拥堵情况分级的多特征学习网络模型方法 | |
CN112101132B (zh) | 一种基于图嵌入模型和度量学习的交通状况预测方法 | |
Vijayalakshmi et al. | Multivariate Congestion Prediction using Stacked LSTM Autoencoder based Bidirectional LSTM Model. | |
CN117520906B (zh) | 基于人群出行活动熵的不同特征人群分类方法及系统 | |
Zhou et al. | Stack ResNet for short-term accident risk prediction leveraging cross-domain data | |
Salamanis et al. | Evaluating the effect of time series segmentation on STARIMA-based traffic prediction model | |
CN114139984A (zh) | 基于流量与事故协同感知的城市交通事故风险预测方法 | |
Zißner et al. | Datafits: A heterogeneous data fusion framework for traffic and incident prediction | |
CN111325414A (zh) | 一种基于数据驱动的平行交通预测方法 | |
CN111369200B (zh) | 一种基于车辆lbs数据的城市物流通道识别方法及系统 | |
CN115035715B (zh) | 基于决策树和多元辅助信息的高速公路流量预测方法 | |
Chen | Multi-source Information Based Short-term Taxi Pick-up Demand Prediction Using Deep-learning Approaches | |
Williams | A Framework for Real-Time Bus Travel Time Prediction with Reliability Sensitivity | |
Min et al. | LSTM Prediction Algorithm of Bus Tandem under multi-source Data |
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 |