CN117648502B - 基于时空大数据的出行路径选取方法 - Google Patents
基于时空大数据的出行路径选取方法 Download PDFInfo
- Publication number
- CN117648502B CN117648502B CN202410116275.5A CN202410116275A CN117648502B CN 117648502 B CN117648502 B CN 117648502B CN 202410116275 A CN202410116275 A CN 202410116275A CN 117648502 B CN117648502 B CN 117648502B
- Authority
- CN
- China
- Prior art keywords
- path
- basic
- travel
- distance
- paths
- 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
- 238000010187 selection method Methods 0.000 title claims abstract description 32
- 230000011664 signaling Effects 0.000 claims description 17
- 238000012163 sequencing technique Methods 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 15
- 238000000034 method Methods 0.000 abstract description 27
- 238000010295 mobile communication Methods 0.000 abstract description 4
- 210000004027 cell Anatomy 0.000 description 30
- 230000033001 locomotion Effects 0.000 description 17
- 238000004590 computer program Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000002354 daily effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 210000003719 b-lymphocyte Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种基于时空大数据的出行路径选取方法,属于移动通信技术领域。本申请通过根据目标对象的时空大数据,获取所述目标对象在预设时间段内的基础出行路径,根据各所述基础出行路径之间的路径相似度,对各所述基础出行路径进行路径分类,生成基础路径组,通过在各所述基础路径组中确定相似路径组,根据各所述基础出行路径的路径权重,在所述相似路径组中选取所述目标对象的目标出行路径,解决了对常用出行路径的选取准确性低的技术问题。
Description
技术领域
本申请涉及移动通信技术领域,尤其涉及一种基于时空大数据的出行路径选取方法、装置、电子设备及计算机可读存储介质。
背景技术
随着移动互联网技术的发展,4G、5G通信网络的智能移动终端(如智能手机)的使用范围越来越广泛,根据各通信运营商所运营的4G、5G通信网络,可以全时段获取用户的具有位置标签的信令数据,从而确定用户的位置信息,获取用户通勤轨迹,由此为交通规划、城市治理等提供数据支撑。
现有对用户常走路线进行识别时,一般是根据移动终端的GPS系统进行定位,并对大范围内的人流变化特征进行识别,以得到较为模糊的常走路线信息,数据覆盖群体较少,准确率较低,同时,在根据用户的通勤情况对相应的公共交通进行规划和调整时,所使用的城市的出行模式和人流特征较为模糊,从而对应得到的城市通勤模型数据量小、准确性低,由此,易出现公共交通规划结果与用户实际需求不一致的情况,所以,对常用出行路径的选取准确性低。
上述内容仅用于辅助理解本申请的技术方案,并不代表承认上述内容是现有技术。
发明内容
本申请的主要目的在于提供一种出行路径选取方法、装置、设备及可读存储介质,旨在解决对常用出行路径的选取准确性低的技术问题。
为实现上述目的,本申请提供一种基于时空大数据的出行路径选取方法,所述出行路径选取方法包括:
根据目标对象的时空大数据,获取所述目标对象在预设时间段内的基础出行路径;
根据各所述基础出行路径之间的路径相似度,对各所述基础出行路径进行路径分类,生成基础路径组;
通过在各所述基础路径组中确定相似路径组,根据各所述基础出行路径的路径权重,在所述相似路径组中选取所述目标对象的目标出行路径。
此外,为实现上述目的,本申请还提供一种基于时空大数据的出行路径选取装置,所述出行路径选取装置包括:
获取模块,用于根据目标对象的时空大数据,获取所述目标对象在预设时间段内的基础出行路径;
分类模块,用于根据各所述基础出行路径之间的路径相似度,对各所述基础出行路径进行路径分类,生成基础路径组;
选取模块,用于通过在各所述基础路径组中确定相似路径组,根据各所述基础出行路径的路径权重,在所述相似路径组中选取所述目标对象的目标出行路径。
本申请还提供一种基于时空大数据的出行路径选取设备,所述出行路径选取设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的出行路径选取程序,所述视频压缩程序配置为实现上述的出行路径选取方法的步骤。
本申请还提供一种可读存储介质,所述可读存储介质为计算机可读存储介质,所述计算机可读存储介质上存储有实现出行路径选取方法的程序,所述实现出行路径选取方法的程序被处理器执行以实现如上所述出行路径选取方法的步骤。
本申请通过根据目标对象的时空大数据,获取所述目标对象在预设时间段内的基础出行路径,根据各所述基础出行路径之间的路径相似度,对各所述基础出行路径进行路径分类,生成基础路径组,通过在各所述基础路径组中确定相似路径组,根据各所述基础出行路径的路径权重,在所述相似路径组中选取所述目标对象的目标出行路径,由此,通过获取各目标对象在预设时间段内的基础出行路径,然后根据各基础路径之间的路径相似度将基础路径分类为多个基础路径组,并在基础路径组中确定相似路径组,通过计算相似路径组内各基础出行路径的路径权重,以确定目标对象的目标出行路径,从而提高了对一个城市中各用户的出行模式和人流特征研究效果,对各城市的通勤模型构建与用户实际通勤情况相符合,提升了交通部门对公共交通的规划效率,使得交通规划结果满足用户实际需求,由此,对常用出行路径进行识别和聚合的准确性高。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例一提供的出行路径选取方法的流程示意图;
图2为本申请实施例一提供的出行路径选取方法的算法流程图;
图3为本申请实施例二提供的出行路径选取方法流程示意图;
图4为本申请实施例三中出行路径选取装置的模块结构示意图;
图5为本申请实施例四中出行路径选取方法涉及的硬件运行环境的设备结构示意图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
实施例一
时空大数据(也叫地理空间大数据)是兼具时间和空间属性的数据,包含了时间、空间和专题属性等三维信息,当时空数据的数据量具备一定规模时,即可定义为时空大数据。中国移动等通信运营商,其运营的4G、5G通信网络,具有全体用户且全时段的信令数据,这些信令数据都具有位置标签,是典型的时空大数据。由于时空大数据具有海量、多源异构和动态多变等基础特性,所有数据一般是在特定的时间和空间背景中产生的,且直接或间接地被贴上时间和位置标签。因此,广义的大数据从本质上可以认定为与时空大数据同等属性,它是现实地理世界空间结构与空间关系要素中具有(现象)的数量、质量和时间变化特征的数据集的“总和”。所以,时空大数据具有时间、空间和属性三个维度的信息特征,同时也具备与大数据相同的海量数据规模、快速数据流转、多样数据类型和价值密度低四大特征。
时空数据正日益成为现代化治理能力、经济运行机制、社会生活方式以及各行业领域发展的核心驱动力。利用数据挖掘技术能够在统一的时空基准下从事物的“空间”、“时间”和“动态”三个维度去寻找规律,在海量大数据中挖掘出有用的信息,探索数据之间潜在的关联,客观的分析出隐藏的容易被忽略的因素,并提供给决策者时空大数据的增值应用。
基于此,本申请提出第一实施例的基于时空大数据的出行路径选取方法,所述出行路径选取方法包括:
步骤S10,根据目标对象的时空大数据,获取所述目标对象在预设时间段内的基础出行路径;
需要说明的是,目标对象用于表示各个具有通勤信息的目标用户,具体可以是对各用户的手机号码进行识别和分组归类,基础出行路径用于表示用户从道路上的一个地点运动至另一个地点时,所行走的轨迹信息,具体为用户在预设时间段内所频繁驻留的位置之间的出行路径,预设时间段具体可以是用户在最近半个月、最近一个月或最近两个月等多天时间内,具体地,可以通过目标对象进行用户状态识别,对于用户状态处于运动态的目标对象,利用期间的信令位置点序列,进行道路拟合,拟合出该目标对象从第一个点到最后一个点在道路上的运动轨迹。
步骤S20,根据各所述基础出行路径之间的路径相似度,对各所述基础出行路径进行路径分类,生成基础路径组;
步骤S30,通过在各所述基础路径组中确定相似路径组,根据各所述基础出行路径的路径权重,在所述相似路径组中选取所述目标对象的目标出行路径。
需要说明的是,路径相似度用于判断各基础出行路径是否相同,也即各基础出行路径分类至同一个基础路径组时需要满足的条件,基础路径组用于对相似的基础出行路径进行归类,即一个基础路径组中的基础通路径都可以划分为同一类路径,相似路径组用于表示组内全部基础出行路径都到达了路径相似度,且为全部基础路径组中相似路径数量最多的组合,当两个或多个基础出行路径之间满足预设路径相似度时,可以将该两个或多个基础出行路径归为一类,即进行路径分类,生成基础路径组,然后对基础路径组进行排序,将排在第一位的基础路径组作为相似路径组,并在相似路径组中寻找目标对象使用频率最高的常用出行路径。
在一种可能的实施方式中,基于运营商时空大数据,获取各移动中的用户的信令数据,从而对各用户进行常走路线识别。其中,一个用户的常走路线,指的是用户连续一段时间内(比如最近1个月),行走率最高的道路轨迹。对于需要出门上下班的用户来说,一般具有固定的居住地点和工作地点,常走路线就是用户的出行路径,其中上班出行路径和下班出行路径有可能存在差别。
作为一种示例,步骤S10至步骤S30包括:通过获取预设时间段内目标对象的信令数据,从而在信令数据中提取包含目标对象的位置信息的目标运动状态,其中,目标运动状态包括运动态和驻留态,然后根据驻留态和运动态,分别确定目标对象的驻留点,并获取各驻留点之间的基础出行路径,从而通过检测各基础出行路径之间的路径相似度,实现对相同的基础出行路径进行路径分类,生成基础路径组,并在基础路径组中识别目标对象的常用出行路径。
本申请通过根据目标对象的时空大数据,获取所述目标对象在预设时间段内的基础出行路径,根据各所述基础出行路径之间的路径相似度,对各所述基础出行路径进行路径分类,生成基础路径组,通过在各所述基础路径组中确定相似路径组,根据各所述基础出行路径的路径权重,在所述相似路径组中选取所述目标对象的目标出行路径,由此,通过获取各目标对象在预设时间段内的基础出行路径,然后根据各基础路径之间的路径相似度将基础路径分类为多个基础路径组,并在基础路径组中确定相似路径组,通过计算相似路径组内各基础出行路径的路径权重,以确定目标对象的目标出行路径,从而提高了对一个城市中各用户的出行模式和人流特征研究效果,对各城市的通勤模型构建与用户实际通勤情况相符合,提升了交通部门对公共交通的规划效率,使得交通规划结果满足用户实际需求,由此,对常用出行路径进行识别和聚合的准确性高。
其中,所述根据各所述基础出行路径之间的路径相似度,对各所述基础出行路径进行路径分类,生成基础路径组的步骤包括:
步骤A10,根据所述目标对象的信令数据,确定所述预设时间段内的基础停留点;
步骤A20,通过确定各所述基础停留点之间的驻点相似度,对所述基础停留点进行驻点归类,以生成驻留点;
步骤A30,根据所述目标对象在所述驻留点之间所产生的信令数据,生成所述基础出行路径。
需要说明的是,信令数据用于表示根据各目标用户使用的4G或5G数据,所得到具有时间信息和位置标签的数据信息,具体可以包含服务小区标识ECI(E-UTRAN CellIdentifier,小区唯一标识)、时间戳(精确到毫秒)、用户身份标识(即加密后的虚拟号码)、经度和纬度等数据信息。其中,信令数据还可以用于确定的用户在当前时刻下的运动情况,具体可以分为驻留态和运动态,其中,驻留态说明用户在某个区域长时间停留,典型特征是在某个基站小区内停留时间超过一定的门限(比如20分钟);运动态说明用户有大范围的位置移动,典型特征是在单个小区的驻留时间短,连续驻留的不同小区数量多,而且具有明显的运动方向。
另外地,需要说明的是,基础停留点用于表示目标对象处于驻留态的位置地点,驻留点用于表示用户在预设时间段内容经常驻留的地方,首先需要基于用户多天数据(比如最近1个月),确定目标对象的全部基础停留点,然后对各基础停留点的位置特点进行识别,将处于同一个位置的基础停留点归为一类,在归类后,若一个位置的基础停留点较多,则将该基础停留点作为驻留点,即用户频繁出现的驻留点,然后将目标对象在各驻留点之间的路径信息作为对应的基础出行路径。
作为一种示例,步骤A10至步骤A30包括:获取目标对象的全部驻留态,然后将各驻留态转化为对应的各基础停留点,同时,对预设时间段内的各基础停留点进行统计并进行驻点归类,将基础停留点较多的位置地点作为驻留点,然后根据目标对象在各驻留点之间的运动态,确定基础出行路径。
其中,所述通过确定各所述基础停留点之间的驻点相似度,对所述基础停留点进行驻点归类,以生成驻留点的步骤包括:
步骤B10,通过在所述预设时间段内选择预设识别数量的基础停留点进行识别,确定各所述基础停留点之间的停留距离;
或,步骤B20,通过获取各所述基础停留点的通信小区,确定各所述基础停留点之间的相同小区比例;
步骤B30,在所述停留距离小于预设停留距离和/或所述相同小区比例大于预设相同比例时,对所述基础停留点进行驻点归类;
步骤B40,根据各所述驻点归类的结果,确定所述基础停留点在所述预设时间段内的驻点出现频率;
步骤B50,在所述驻点出现频率大于预设出现频率时,确定所述基础停留点为所述驻留点。
需要说明的是,通信小区又称为蜂窝小区,用于表示在移动通信领域中,蜂窝移动通信系统的其中一个基站或基站的一部分(扇形天线)所覆盖的区域,而处于被覆盖的区域的各移动终端或移动台,可以通过无线通信的方式与基站进行通信。相同小区比例用于表示任意两个或多个基础停留点处于同一通信小区的比例,驻点出现频率用于表示该基础停留点在预设时间内全部基础停留点中的占比情况。
在一种可能的实施方式中,获取用户在最近一个月连续预设天数中的全部驻留点数据,然后对各驻留点进行两两的同驻点识别,然后统计所有的驻留点及其出现的天数,然后对两个驻留点之间的位置关系进行判断,具体可以是:假设两两驻留点分别为驻留点A和驻留点B,通过半正矢距离公式,根据两个驻留点的驻留点经度和驻留点纬度进行距离测算,计算得到驻留点A与驻留点B之间的距离dist,若dist小于预设停留距离D1(比如500米),则可以将驻留点A和驻留点B视为同一个驻留地点;另外地,在驻留点A和驻留点B处于不同的蜂窝小区,但是二者所处蜂窝小区的覆盖区域之间存在交集时,计算驻留点A和驻留点B为相同蜂窝小区的相同小区比例,在相同小区比例超过预设相同门限Ω(例如0.7),则可以将驻留点A和驻留点B视为同一个驻留地点,其中相同小区比例的计算公式为:
其中,相同小区数用于表示驻留点A和驻留点B之间共同所处的小区数,驻点A小区数用于表示驻留点A全部所处的小区,驻点B小区数用于表示驻留点B全部所处的小区,对同一个用户连续m天的数据中的所有驻点数据,进行两两的同驻点识别,然后统计各驻留点的出现天数,如果某驻留点出现的天数为n,且n/m>预设出现频率θ(比如θ=0.6),则称该驻点为该用户的驻留点。
作为一种示例,步骤B10至步骤B50包括:对预设时间段内的各基础停留点进行两两识别,计算各基础停留点之间的停留距离,或通过获取各基础停留点的通信小区,计算各基础停留点之间的相同小区比例,然后,在停留距离小于预设停留距离和/或驻留点之间处于相同小区的比例超过预设相同门限时,对基础停留点进行驻点归类,最后根据驻点归类的结果,确定基础停留点在预设时间段内的驻点出现频率,其中,在驻点出现频率大于预设出现频率时,确定基础停留点为驻留点,在驻点出现频率小于或等于预设出现频率时,不对基础停留点进行采集。
其中,所述路径相似度包括各所述基础出行路径之间的起始距离、到达距离和相同路段总距离比,所述通过在各所述基础路径组中确定相似路径组,根据各所述基础出行路径的路径权重,在所述相似路径组中选取所述目标对象的目标出行路径。的步骤包括:
步骤C10,在各所述基础出行路径中依次获取预设分类数量的待分类路径;
步骤C20,通过获取各所述待分类路径的起始驻留点和到达驻留点,确定各所述起始驻留点之间的起始距离和各所述到达驻留点之间的到达距离;
步骤C30,通过对所述待分类路径进行子路段检测,在各所述待分类路径存在相同子路段时,计算所述相同子路段在所述待分类路径中的相同路段总距离比;
步骤C40,根据所述起始距离和所述到达距离与预设门限距离的大小关系,以及所述相同路段总距离比与预设门限比值的大小关系,确定所述路径相似度。
需要说明的是,起始驻留点为待分类路径中的起始位置,到达驻留点为待分类路径中的到达位置,起始距离和到达距离分别表示各条待分类路径起始驻留点之间的距离和到达驻留点之间的距离,轨迹相似度用于表示待分类路径之间的相似程度,具体可以是轨迹之间的形状相似程度或距离相似程度,相同子路段用于表示各待分类路径中形状和/或距离相同的路段,预设门限距离用于表示各距离的最大值,预设门限比值用于表示相同路段总距离比的最大值,其中,相同路段总距离比具体可以通过相同子路段的子路段总距离与待分类路径的轨迹总距离相除得到。
另外地,需要说明的是,当各待分类路径的起始距离和到达距离小于预设门限距离,以及相同路段总距离比小于预设门限比值时,确定各待分类路径之间的路径相似度达到预设相似要求,即各待分类路径为相似路径,当各待分类路径的起始距离和到达距离小于预设门限距离和/或相同路段总距离比小于预设门限比值时,确定各待分类路径之间的路径相似度未达到预设相似要求,即各待分类路径不相似。
可以理解的是,在识别出用户的驻留点以后,再基于用户连续多天的轨迹数据识别用户的常走路线。用户每天会产生许多轨迹数据,只有在频繁驻留点之间产生的轨迹数据才纳入常走路线的统计,判断规则为:轨迹的起始驻留点和某一个驻留点的距离小于预设门限距离D1(比如500米)且轨迹的到达驻留点和某一个驻留点的距离小于预设门限距离D1(比如500米)。
在一种可能的实施方式中,选择同一个用户的任意两条轨迹作为待分类路径,如果这两条待分类路径同时满足起点和终点的驻留点相同,且两条轨迹之间的轨迹相似度达到预设值,则可以将两条轨迹视为相同轨迹,具体地,假设进行两两比较的两条轨迹分别为轨迹A和轨迹B,此时,对轨迹A和轨迹B进行相同O(Origin,起始点)D(Destination,到达点)检测,如果轨迹A与轨迹B的起始点距离和到达点距离均小于预设距离门限D2(比如500米),则说明轨迹A和轨迹B的轨迹OD相同,反之,如果轨迹A与轨迹B的起始点距离和/或到达点距离大于预设距离门限D2(比如500米),则说明轨迹A和轨迹B的轨迹OD不相同。如果轨迹A与轨迹B中存在相同路段,统计所有相同路段的距离之和dist相同,如果dist相同大于预设距离门限D3(比如1000米)且相同路段总距离比大于门限Ω(比如0.7),则说明用户的两段轨迹是相似的,其中,相同路段总距离比的计算公式如下:
其中,dist相同用于表示轨迹A和轨迹B所共有的相同路段总距离长度,轨迹A距离和轨迹B距离分别表示轨迹A和轨迹B的全程路径长度,相同路段总距离比用于表示轨迹A和轨迹B中共同相同的路段长度在轨迹A和轨迹B的总长中的占比,此时,如果轨迹A和轨迹B同时满足OD相同,且轨迹相似,则说明轨迹A和轨迹B可以视为路线相同。
作为一种示例,步骤C10至步骤C40包括:在各基础出行路径中依次获取预设分类数量的待分类路径,检测路径相似度,通过获取各待分类路径的起始驻留点和到达驻留点,确定各起始驻留点之间的起始距离和各到达驻留点之间的到达距离,通过检测各待分类路径之间的轨迹相似度,在各待分类路径存在相同子路段时,计算相同子路段在待分类路径中的相同路段总距离比,当起始距离和到达距离均小于预设门限距离,且相同路段总距离比大于预设门限比值时,确定待分类路径为相似路径。
示例性地,为了助于理解本申请的技术构思或技术原理,请参照图2,图2提供了一种算法流程图,包括单用户天运动轨迹计算模块、频繁驻留点计算模块、两两相同路线识别模块和常走路线聚类模块,即对各用户每天的运动轨迹进行计算和存储,然后根据连续一段时间内的天运动轨迹,得到用户的频繁驻留点,然后对用户的运动轨迹进行两两相同路线识别,根据识别结果对用户的常走路线进行聚类,从而得到常用通勤路线。
实施例二
基于本申请第一实施例,在本申请另一实施例中,与上述实施例一相同或相似的内容,可以参考上文介绍,后续不再赘述。在此基础上,请参照图3,所述根据各所述基础出行路径之间的路径相似度,对各所述基础出行路径进行路径分类,生成基础路径组的步骤包括:
步骤D10,获取各所述基础出行路径的相同轨迹数量;
步骤D20,将所述基础出行路径按照所述相同轨迹数量从高到低进行排序,形成待分析轨迹列表;
步骤D30,根据所述路径相似度,依次对所述基础出行路径进行路径分类,生成所述基础路径组。
需要说明的是,相同轨迹数量用于表示全部运动轨迹中与该基础出行路径相同的轨迹数量,然后对各基础出行路径的相同轨迹数量进行统计,将相同轨迹数量按照从高到低的顺序对基础出行路径进行排序以生成得分析轨迹列表,路径相似度用于表示与当前基础出行路径相同的运动轨迹,在检测到与当前基础轨迹相同的轨迹时,将该轨迹归为一类,由此根据归类结果得到基础路径组。
在一种可能的实施方式中,因为用户的出行轨迹路线是跟时段相关的,比如上班族的上班时段的轨迹和下班时段的轨迹方向相反,走的路线可能相同,也有可能不同。也就是说用户不同时段的常走路线是不同的,因此,可以根据不同时段进行常走路线的聚类计算,由此,可以将一天的时间划分成夜间时段(比如22点以后到第二天凌晨7点之前)、上午时段(比如7点之后到14点之前)和下午时段(比如14点之后到22点以前)。然后对用户在连续预设天数内的轨迹数据按照时段分组,在分组的基础上进行常走路线聚类,将同一个用户的连续多天的同时段的多个轨迹进行两两的相同路线检测,然后进行相同线路的聚类分组。
另外地,在一种可能的实施方式中,统计所有基础出行路径的相同轨迹数量,并将相同轨迹数量为0的基础出行路径作为孤立轨迹,对该孤立轨迹进行剔除,剩余的基础出行路径则按相同路线轨迹数从高到低排序,形成待分析轨迹列表。
作为一种示例,步骤D10至步骤D30包括:通过路径相似度对基础出行路径进行检测,从而确定各基础出行路径的相同轨迹数量,根据相同轨迹数量,将基础出行路径按照从高到低的顺序进行排序,形成对应的待分析轨迹列表,并在待分析轨迹列表中依次选取基础出行路径,与其他基础出行路径进行相同路线关系的比较,使得路线关系相同的基础出行路径可以归类为一组,从而生成基础路径组。
其中,在所述根据各所述基础出行路径之间的路径相似度,对各所述基础出行路径进行路径分类,生成基础路径组的步骤之后,所述出行路径选取方法还包括:
步骤E10,获取各所述基础路径组的组合权重;
步骤E20,根据所述组合权重,对所述基础路径组按照预设排序要求从高到低进行排序,将排在首位的所述基础路径组作为所述相似路径组。
需要说明的是,预设排序要求用于表示对基础路径组进行排序时的排序依据,具体可以是各基础路径组的轨迹数量、出现天数等,然后按照出现天数、轨迹数量从高到低对基础路径组进行排序,取排在首位的基础路径组作为该时段的基础路径组。
在一种可能的实施方式中,确定各所述基础出行路径所对应的基础路径组的步骤包括:依次遍历待分析轨迹列表,如果当前基础出行路径与目前已经处理的其它所有相同路线轨迹组的基础出行路径都不存在路径相似度,则新建一个基础路径组,保存到轨迹分组列表;如果当前基础出行路径与现有轨迹分组列表中某一个基础路径组的任意一条基础出行路径存在路径相似度,则将该基础出行路径归并入该基础路径组;如果用户与现有2个及以上的轨迹组的任意基础出行路径存在路径相似度,则首先将这些基础出行路径组合并成一个新的大基础路径组,并将当前基础出行路径也归并到合并后的基础路径组。
作为一种示例,步骤E10至步骤E20包括:通过在待分析轨迹列表选择任意一条基础出行路径,检测该基础出行路径在待分析轨迹列表中的路径相似度,由此建立各基础路径组,然后将所述基础路径组按照轨迹组的轨迹数量和出现天数等预设排序要求从高到低进行排序,将排在首位的基础路径组作为基础路径组。
其中,所述通过在各所述基础路径组中确定相似路径组,根据各所述基础出行路径的路径权重,在所述相似路径组中选取所述目标对象的目标出行路径的步骤包括:
步骤F10,获取所述相似路径组中各所述基础出行路径的子轨迹路段;
步骤F20,根据各所述子轨迹路段的轨迹出现次数和所述子轨迹路段的路段总距离,确定各所述子轨迹路段的路段出行概率;
步骤F30,根据所述路段出行概率,确定各所述基础出行路径的路径权重;
步骤F40,通过对所述路径权重按照从高到低进行排序,将排在首位的路径权重所对应的基础出行路径作为所述目标对象的常用出行路径。
需要说明的是,子轨迹路段用于表示组成基础出行路径的每一段路,具体可以根据基础出行路径中的各个路口或拐点,以将基础出行路径分为各子轨迹路段,轨迹出现次数用于表示该条子轨迹路段在基础路径组中的出现总数,路段总距离用于表示基础路径组中的全部子轨迹路段,路段出行概率用于表示当前子轨迹路段在全部子轨迹路段中所占的比例,具体可以根据轨迹出现次数与路段出行概率相除得到。
另外地,需要说明的是,路径权重用于表示选择该条基础出行路径进行出行轨迹的概率,具体可以表示该条基础出行路径在基础路径组中的出行权重。可以通过将基础出行路径中各子轨迹路段的路段出行概率与子路段距离相乘,并对相乘后的结果求和以得到,然后将所有的基础出行路径按照路径权重从高到低排序,取排在首位的基础出行路径作为该常走路线的代表性轨迹路线,即常用出行路径。
在一种可能的实施方式中,尽管用户每天走的路线差异不大,可以视为同一条路线,但每天的基础出行路径仍然有可能存在局部路段的差异,有必要进一步对基础路径组的多条基础出行路径进行分析,找出最能代表该常走路线的一条基础出行路径,具体地,首先对每个子轨迹路段的出行概率ratio进行计算,计算公式为:
其中,cntseg为常走路线轨迹组中所有轨迹中各子轨迹路段的出现次数,cntall为各常走路线轨迹组的轨迹总数,通过分别将轨迹中各路段的出现次数与轨迹总数进行相除,从而得到用户对于各子轨迹路段的出行概率。另外地,根据用户在各子轨迹路段上的行走概率,计算用户对各条基础出行路径的行走概率,即对各基础出行路径的行走加权得分score,即路径权重,进行统计,其中,路径权重score的具体计算公式如下:
其中,n代表基础出行路径的n个子轨迹路段,dist为各路段的子路段距离,将各条子轨迹路段的出行概率与相应的子路段距离相乘,求得该条基础出行路径的路径权重score越高,则表示用户选择该条基础出行路径进行行走的可能性越大,即该条基础出行路径为用户进行通勤时的常用轨迹路线。
作为一种示例,步骤F10至步骤F40包括:通过获取基础路径组中各基础出行路径的子轨迹路段,对各子轨迹路段的轨迹出现次数和子轨迹路段的路段总距离分别进行统计,从而将轨迹出现次数与路段总距离相除以得到确定各子轨迹路段的路段出行概率,然后将路段出行概率与各基础出行路径中的各子轨迹路段相乘,求得各基础出行路径的路径权重,最后对路径权重按照从高到低进行排序,取排在首位的基础出行路径作为目标对象的常用出行路径。
本实施例通过对基础出行路径进行识别,并对相同的基础出行路径进行分组归类,从而基于多天轨迹数据,分时段识别用户常用出行路径或代表性出行轨迹,提升了计算效率,由此,在得到用户在各个时段内的常用出行路径和代表性轨迹以后,就可以以此为基础,研究每一个用户的出行规律,比如通勤距离、通勤时间、通勤方式(比如步行、单车、摩托车、公交、地铁和自驾等),然后汇总所有用户的出行规律,实现对区域和城市通勤的构建模型,助力“智慧交通”和“智慧城市”的建设。
实施例三
本申请实施例还提供一种基于时空大数据的出行路径选取装置,请参照图4,所述出行路径选取装置包括:
获取模块101,用于根据目标对象的时空大数据,获取所述目标对象在预设时间段内的基础出行路径;
分类模块102,用于根据各所述基础出行路径之间的路径相似度,对各所述基础出行路径进行路径分类,生成基础路径组;
选取模块103,用于通过在各所述基础路径组中确定相似路径组,根据各所述基础出行路径的路径权重,在所述相似路径组中选取所述目标对象的目标出行路径。
可选地,所述确定模块102还用于:
根据所述目标对象的信令数据,确定所述预设时间段内的基础停留点;
通过确定各所述基础停留点之间的驻点相似度,对所述基础停留点进行驻点归类,以生成驻留点;
根据所述目标对象在所述驻留点之间所产生的信令数据,生成所述基础出行路径。
可选地,所述出行路径选取装置还包括:
通过在所述预设时间段内选择预设识别数量的基础停留点进行识别,确定各所述基础停留点之间的停留距离;或,
通过获取各所述基础停留点的通信小区,确定各所述基础停留点之间的相同小区比例;
在所述停留距离小于预设停留距离和/或所述相同小区比例大于预设相同比例时,对所述基础停留点进行驻点归类;
根据各所述驻点归类的结果,确定所述基础停留点在所述预设时间段内的驻点出现频率;
在所述驻点出现频率大于预设出现频率时,确定所述基础停留点为所述驻留点。
可选地,所述分类模块102还用于:
获取各所述基础出行路径的相同轨迹数量;
将所述基础出行路径按照所述相同轨迹数量从高到低进行排序,形成待分析轨迹列表;
根据所述路径相似度,依次对所述基础出行路径进行路径分类,生成所述基础路径组。
可选地,所述选取模块103还用于:
获取所述相似路径组中各所述基础出行路径的子轨迹路段;
根据各所述子轨迹路段的轨迹出现次数和所述子轨迹路段的路段总距离,确定各所述子轨迹路段的路段出行概率;
根据所述路段出行概率,确定各所述基础出行路径的路径权重;
通过对所述路径权重按照从高到低进行排序,将排在首位的路径权重所对应的基础出行路径作为所述目标对象的常用出行路径。
可选地,所述出行路径选取装置还包括:
在各所述基础出行路径中依次获取预设分类数量的待分类路径;
通过获取各所述待分类路径的起始驻留点和到达驻留点,确定各所述起始驻留点之间的起始距离和各所述到达驻留点之间的到达距离;
通过对所述待分类路径进行子路段检测,在各所述待分类路径存在相同子路段时,计算所述相同子路段在所述待分类路径中的相同路段总距离比;
根据所述起始距离和所述到达距离与预设门限距离的大小关系,以及所述相同路段总距离比与预设门限比值的大小关系,确定所述路径相似度。
可选地,所述出行路径选取装置还包括:
获取各所述基础路径组的组合权重;
根据所述组合权重,对所述基础路径组按照预设排序要求从高到低进行排序,将排在首位的所述基础路径组作为所述相似路径组。
将排在首位的所述基础路径组作为所述相似路径组。
本申请提供的出行路径选取装置,采用上述实施例一或实施例二中的出行路径选取方法,能够解决对常用出行路径的选取准确性低的技术问题。与现有技术相比,本申请实施例提供的出行路径选取装置的有益效果与上述实施例提供的出行路径选取方法的有益效果相同,且所述出行路径选取装置中的其他技术特征与上一实施例方法公开的特征相同,在此不做赘述。
实施例四
本申请实施例提供一种电子设备,电子设备包括:至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行上述实施例一中的出行路径选取方法。
下面参考图5,其示出了适于用来实现本公开实施例的电子设备的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(Personal Digital Assistant:个人数字助理)、PAD(Portable ApplicationDescription:平板电脑)、PMP(Portable Media Player:便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示,电子设备可以包括处理装置1001(例如中央处理器、图形处理器等),其可以根据存储在只读存储器(ROM:Read Only Memory)1002中的程序或者从存储装置1003加载到随机访问存储器(RAM:Random Access Memory)1004中的程序而执行各种适当的动作和处理。在RAM1004中,还存储有电子设备操作所需的各种程序和数据。处理装置1001、ROM1002以及RAM1004通过总线1005彼此相连。输入/输出(I/O)接口1006也连接至总线。通常,以下系统可以连接至I/O接口1006:包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置1007;包括例如液晶显示器(LCD:LiquidCrystal Display)、扬声器、振动器等的输出装置1008;包括例如磁带、硬盘等的存储装置1003;以及通信装置1009。通信装置1009可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种系统的电子设备,但是应理解的是,并不要求实施或具备所有示出的系统。可以替代地实施或具备更多或更少的系统。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置从网络上被下载和安装,或者从存储装置1003被安装,或者从ROM1002被安装。在该计算机程序被处理装置1001执行时,执行本公开实施例的方法中限定的上述功能。
本申请提供的电子设备,采用上述实施例中的出行路径选取方法,能解决对常用出行路径的选取准确性低的技术问题。与现有技术相比,本申请实施例提供的电子设备的有益效果与上述实施例提供的出行路径选取方法的有益效果相同,且该电子设备中的其他技术特征与上一实施例方法公开的特征相同,在此不做赘述。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式的描述中,具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
实施例五
本申请实施例提供一种计算机可读存储介质,具有存储在其上的计算机可读程序指令,计算机可读程序指令用于执行上述实施例一中的出行路径选取方法。
本申请实施例提供的计算机可读存储介质例如可以是U盘,但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件,或者任意以上的组合。计算机可读存储介质的更具体地例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM:Random Access Memory)、只读存储器(ROM:Read Only Memory)、可擦式可编程只读存储器(EPROM:Erasable Programmable Read Only Memory或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM:CD-Read Only Memory)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(Radio Frequency:射频)等等,或者上述的任意合适的组合。
上述计算机可读存储介质可以是电子设备中所包含的;也可以是单独存在,而未装配入电子设备中。
上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被电子设备执行时,使得电子设备:根据目标对象的时空大数据,获取所述目标对象在预设时间段内的基础出行路径;根据各所述基础出行路径之间的路径相似度,对各所述基础出行路径进行路径分类,生成基础路径组;通过在各所述基础路径组中确定相似路径组,根据各所述基础出行路径的路径权重,在所述相似路径组中选取所述目标对象的目标出行路径。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN:Local Area Network)或广域网(WAN:Wide Area Network)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该单元本身的限定。
本申请提供的可读存储介质为计算机可读存储介质,所述计算机可读存储介质存储有用于执行上述出行路径选取方法的计算机可读程序指令,能够解决对常用出行路径的选取准确性低的技术问题。与现有技术相比,本申请实施例提供的计算机可读存储介质的有益效果与上述实施例一或实施例二提供的出行路径选取方法的有益效果相同,在此不做赘述。
实施例六
本申请实施例还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述的出行路径选取方法的步骤。
本申请提供的计算机程序产品能够解决对常用出行路径的选取准确性低的技术问题。与现有技术相比,本申请实施例提供的计算机程序产品的有益效果与上述实施例一或实施例二提供的出行路径选取方法的有益效果相同,在此不做赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还 包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、 方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述 实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通 过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体 现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (5)
1.一种基于时空大数据的出行路径选取方法,其特征在于,所述出行路径选取方法包括:
根据目标对象的时空大数据,获取所述目标对象在预设时间段内的基础出行路径;
根据各所述基础出行路径之间的路径相似度,对各所述基础出行路径进行路径分类,生成基础路径组,所述路径相似度包括各所述基础出行路径之间的起始距离、到达距离和相同路段总距离比;
在各所述基础出行路径中依次获取预设分类数量的待分类路径;
通过获取各所述待分类路径的起始驻留点和到达驻留点,确定各所述起始驻留点之间的起始距离和各所述到达驻留点之间的到达距离;
通过对所述待分类路径进行子路段检测,在各所述待分类路径存在相同子路段时,计算所述相同子路段在所述待分类路径中的相同路段总距离比;
根据所述起始距离和所述到达距离与预设门限距离的大小关系,以及所述相同路段总距离比与预设门限比值的大小关系,确定所述路径相似度,其中,所述起始驻留点为待分类路径中的起始位置,所述到达驻留点为待分类路径中的到达位置,所述起始距离和到达距离分别表示各条待分类路径起始驻留点之间的距离和到达驻留点之间的距离,所述相同子路段用于表示各待分类路径中形状和/或距离相同的路段,所述预设门限距离用于表示各距离的最大值,所述预设门限比值用于表示相同路段总距离比的最大值,所述相同路段总距离比具体通过相同子路段的子路段总距离与待分类路径的轨迹总距离相除得到;
通过在各所述基础路径组中确定相似路径组,根据各所述基础出行路径的路径权重,在所述相似路径组中选取所述目标对象的目标出行路径;
所述获取所述目标对象在预设时间段内的基础出行路径的步骤包括:
根据所述目标对象的信令数据,确定所述预设时间段内的基础停留点;
通过确定各所述基础停留点之间的驻点相似度,对所述基础停留点进行驻点归类,以生成驻留点;
根据所述目标对象在所述驻留点之间所产生的信令数据,生成所述基础出行路径;
所述根据各所述基础出行路径之间的路径相似度,对各所述基础出行路径进行路径分类,生成基础路径组的步骤包括:
获取各所述基础出行路径的相同轨迹数量;
将所述基础出行路径按照所述相同轨迹数量从高到低进行排序,形成待分析轨迹列表;
根据所述路径相似度,依次对所述待分析轨迹列表中的所述基础出行路径进行路径分类,生成所述基础路径组;
所述通过在各所述基础路径组中确定相似路径组,根据各所述基础出行路径的路径权重,在所述相似路径组中选取所述目标对象的目标出行路径的步骤包括:
获取所述相似路径组中各所述基础出行路径的子轨迹路段;
根据各所述子轨迹路段的轨迹出现次数和所述子轨迹路段的路段总距离,确定各所述子轨迹路段的路段出行概率;
根据所述路段出行概率,确定各所述基础出行路径的路径权重;
通过对所述路径权重按照从高到低进行排序,将所述路径权重排在首位基础出行路径作为所述目标对象的目标出行路径;
在所述根据各所述基础出行路径之间的路径相似度,对各所述基础出行路径进行路径分类,生成基础路径组的步骤之后,所述出行路径选取方法还包括:
获取各所述基础路径组的组合权重;
根据所述组合权重,对所述基础路径组按照预设排序要求从高到低进行排序,将排在首位的所述基础路径组作为所述相似路径组。
2.如权利要求1所述的出行路径选取方法,其特征在于,所述通过确定各所述基础停留点之间的驻点相似度,对所述基础停留点进行驻点归类,以生成驻留点的步骤包括:
通过选择预设识别数量的基础停留点进行识别,确定各所述基础停留点之间的停留距离;或,
通过获取各所述基础停留点的通信小区,确定各所述基础停留点之间的相同小区比例;
在所述停留距离小于预设停留距离和/或所述相同小区比例大于预设相同比例时,对所述基础停留点进行驻点归类;
根据各所述驻点归类的结果,确定所述基础停留点在所述预设时间段内的驻点出现频率;
在所述驻点出现频率大于预设出现频率时,确定所述基础停留点为所述驻留点。
3.一种基于时空大数据的出行路径选取装置,其特征在于,所述出行路径选取装置包括:
获取模块,用于根据目标对象的时空大数据,获取所述目标对象在预设时间段内的基础出行路径,所述获取模块具体用于根据所述目标对象的信令数据,确定所述预设时间段内的基础停留点;通过确定各所述基础停留点之间的驻点相似度,对所述基础停留点进行驻点归类,以生成驻留点;根据所述目标对象在所述驻留点之间所产生的信令数据,生成所述基础出行路径;
分类模块,用于根据各所述基础出行路径之间的路径相似度,对各所述基础出行路径进行路径分类,生成基础路径组,所述分类模块具体用于获取各所述基础出行路径的相同轨迹数量;将所述基础出行路径按照所述相同轨迹数量从高到低进行排序,形成待分析轨迹列表;根据所述路径相似度,依次对所述待分析轨迹列表中的所述基础出行路径进行路径分类,生成所述基础路径组,所述路径相似度包括各所述基础出行路径之间的起始距离、到达距离和相同路段总距离比;在各所述基础出行路径中依次获取预设分类数量的待分类路径;通过获取各所述待分类路径的起始驻留点和到达驻留点,确定各所述起始驻留点之间的起始距离和各所述到达驻留点之间的到达距离;通过对所述待分类路径进行子路段检测,在各所述待分类路径存在相同子路段时,计算所述相同子路段在所述待分类路径中的相同路段总距离比;根据所述起始距离和所述到达距离与预设门限距离的大小关系,以及所述相同路段总距离比与预设门限比值的大小关系,确定所述路径相似度,其中,所述起始驻留点为待分类路径中的起始位置,所述到达驻留点为待分类路径中的到达位置,所述起始距离和到达距离分别表示各条待分类路径起始驻留点之间的距离和到达驻留点之间的距离,所述相同子路段用于表示各待分类路径中形状和/或距离相同的路段,所述预设门限距离用于表示各距离的最大值,所述预设门限比值用于表示相同路段总距离比的最大值,所述相同路段总距离比具体通过相同子路段的子路段总距离与待分类路径的轨迹总距离相除得到;
选取模块,用于通过在各所述基础路径组中确定相似路径组,根据各所述基础出行路径的路径权重,在所述相似路径组中选取所述目标对象的目标出行路径,所述选取模块具体用于获取所述相似路径组中各所述基础出行路径的子轨迹路段;根据各所述子轨迹路段的轨迹出现次数和所述子轨迹路段的路段总距离,确定各所述子轨迹路段的路段出行概率;根据所述路段出行概率,确定各所述基础出行路径的路径权重;通过对所述路径权重按照从高到低进行排序,将所述路径权重排在首位基础出行路径作为所述目标对象的目标出行路径;
所述基于时空大数据的出行路径选取装置还包括:获取各所述基础路径组的组合权重;根据所述组合权重,对所述基础路径组按照预设排序要求从高到低进行排序,将排在首位的所述基础路径组作为所述相似路径组。
4.一种电子设备,其特征在于,所述电子设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的出行路径选取程序,所述出行路径选取程序配置为实现如权利要求1或2所述的出行路径选取方法的步骤。
5.一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上存储有出行路径选取程序,所述程序被处理器执行时实现如权利要求1或2所述出行路径选取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410116275.5A CN117648502B (zh) | 2024-01-29 | 2024-01-29 | 基于时空大数据的出行路径选取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410116275.5A CN117648502B (zh) | 2024-01-29 | 2024-01-29 | 基于时空大数据的出行路径选取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117648502A CN117648502A (zh) | 2024-03-05 |
CN117648502B true CN117648502B (zh) | 2024-04-02 |
Family
ID=90048071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410116275.5A Active CN117648502B (zh) | 2024-01-29 | 2024-01-29 | 基于时空大数据的出行路径选取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117648502B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593430A (zh) * | 2013-11-11 | 2014-02-19 | 胡宝清 | 一种基于移动对象时空信息轨迹分段聚类的方法 |
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 |
CN113984077A (zh) * | 2021-10-26 | 2022-01-28 | 武汉大学 | 一种电力巡检导航路径的获取方法和系统 |
US11397646B1 (en) * | 2020-06-26 | 2022-07-26 | EMC IP Holding Company LLC | Testing verification paths provided by a verification microservice for a deduplicated object storage system |
CN116558521A (zh) * | 2023-04-19 | 2023-08-08 | 深圳市名通科技股份有限公司 | 轨迹定位方法、设备以及计算机可读存储介质 |
CN117146848A (zh) * | 2023-08-31 | 2023-12-01 | 贵阳山恩科技有限公司 | 路径规划方法、装置及电子设备 |
-
2024
- 2024-01-29 CN CN202410116275.5A patent/CN117648502B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593430A (zh) * | 2013-11-11 | 2014-02-19 | 胡宝清 | 一种基于移动对象时空信息轨迹分段聚类的方法 |
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 |
US11397646B1 (en) * | 2020-06-26 | 2022-07-26 | EMC IP Holding Company LLC | Testing verification paths provided by a verification microservice for a deduplicated object storage system |
CN113984077A (zh) * | 2021-10-26 | 2022-01-28 | 武汉大学 | 一种电力巡检导航路径的获取方法和系统 |
CN116558521A (zh) * | 2023-04-19 | 2023-08-08 | 深圳市名通科技股份有限公司 | 轨迹定位方法、设备以及计算机可读存储介质 |
CN117146848A (zh) * | 2023-08-31 | 2023-12-01 | 贵阳山恩科技有限公司 | 路径规划方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN117648502A (zh) | 2024-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Real-time GIS for smart cities | |
Zheng | Trajectory data mining: an overview | |
Feng et al. | A survey on trajectory data mining: Techniques and applications | |
US10909470B2 (en) | Method and apparatus for providing semantic-free traffic prediction | |
CN106462627B (zh) | 根据多个位置数据报告分析语义地点和相关数据 | |
Zheng et al. | Understanding transportation modes based on GPS data for web applications | |
Ratti et al. | Mobile landscapes: using location data from cell phones for urban analysis | |
US20190329788A1 (en) | Road condition status prediction method, device, and server, and storage medium | |
US20110313956A1 (en) | Information processing apparatus, information processing method and program | |
Zhang et al. | Recommending pick-up points for taxi-drivers based on spatio-temporal clustering | |
CN110414732A (zh) | 一种出行未来轨迹预测方法、装置、储存介质及电子设备 | |
Liang et al. | Individual travel behavior modeling of public transport passenger based on graph construction | |
Li et al. | Robust inferences of travel paths from GPS trajectories | |
Zhao et al. | A network distance and graph-partitioning-based clustering method for improving the accuracy of urban hotspot detection | |
Patroumpas et al. | Event processing and real-time monitoring over streaming traffic data | |
CN106469339A (zh) | 一种围绕地理信息应用并提供基础服务的系统 | |
Shi et al. | Detecting spatiotemporal extents of traffic congestion: A density-based moving object clustering approach | |
EP3702962A1 (en) | Method and apparatus for feature point position encoding | |
US20160298978A1 (en) | WiFi-Based Indoor Positioning and Navigation as a New Mode in Multimodal Transit Applications | |
Chen et al. | Passenger travel characteristics and bus operational states: a study based on IC card and GPS data in Yinchuan, China | |
Chen et al. | A spatiotemporal data model and an index structure for computational time geography | |
Cai et al. | Discovery of urban functional regions based on Node2vec | |
George et al. | Spatio-temporal event detection using poisson model and quad-tree on geotagged social media | |
Hu et al. | Salon: a universal stay point-based location analysis platform | |
Nishad et al. | SemTraClus: an algorithm for clustering and prioritizing semantic regions of spatio-temporal trajectories |
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 |