[發(fā)明專利]一種面向軌跡大數(shù)據(jù)的行人行為模式分類方法

有效

• 申請?zhí)枺?/td>: 201911017614.X
• 申請日: 2019-10-24
• 公開（公告）號: CN110909765B
• 公開（公告）日: 2023-06-20
• 發(fā)明（設(shè)計）人: 馬小雯;劉釗岐;趙政康;鄭煥波;舒元昊
• 申請（專利權(quán)）人: 中電海康集團有限公司
• 主分類號: G06F18/24
• 分類號: G06F18/24;G06F18/23213
• 代理公司: 杭州君度專利代理事務(wù)所(特殊普通合伙) 33240
• 代理人: 楊天嬌

本發(fā)明公開了一種面向軌跡大數(shù)據(jù)的行人行為模式分類方法，包括：構(gòu)建電動車軌跡數(shù)據(jù)和行人軌跡數(shù)據(jù)；根據(jù)行人軌跡數(shù)據(jù)統(tǒng)計行人活動的活躍時段；獲取指定區(qū)域中的城市功能區(qū)類型劃分；根據(jù)行人軌跡數(shù)據(jù)統(tǒng)計行人的常駐點，并結(jié)合城市功能區(qū)類型得到行人的主要行為意圖；根據(jù)電動車軌跡數(shù)據(jù)計算超速行為，統(tǒng)計超速行為的次數(shù)得到行人的超速行為習(xí)慣；基于活躍時段、主要行為意圖和超速行為習(xí)慣，采用結(jié)合TGSOM網(wǎng)絡(luò)模型和K?means算法的組合聚類算法對行人行為模式進行分類。本發(fā)明考慮了行人行為與城市功能區(qū)類型的聯(lián)系，同時考慮了行人的特殊行為習(xí)慣，使行人行為模式劃分更貼合實際，并且兼顧了分類的效果和效率。

技術(shù)領(lǐng)域

本申請屬于大數(shù)據(jù)分析挖掘領(lǐng)域，具體涉及一種面向軌跡大數(shù)據(jù)的行人行為模式分類方法。

背景技術(shù)

近年來，RFID射頻網(wǎng)、MAC采集系統(tǒng)在各地廣泛應(yīng)用，越來越多的與人、物相關(guān)的時間、空間數(shù)據(jù)被采集、匯總，形成了海量高精度個體移動數(shù)據(jù)。這些海量數(shù)據(jù)通常包含采樣位置、時間、運動速度等屬性信息，能夠表示移動對象在一段時間內(nèi)的地理空間位置變化，刻畫移動對象的歷史移動行為，被稱為“時空軌跡大數(shù)據(jù)”，簡稱“軌跡大數(shù)據(jù)”。

軌跡大數(shù)據(jù)中隱藏著移動對象的運動規(guī)律、行為特征。結(jié)合分布式系統(tǒng)下的大規(guī)模數(shù)據(jù)處理能力，挖掘其中的行為模式，可以為城市的公共安全、醫(yī)療服務(wù)、交通管理、商業(yè)金融等領(lǐng)域提供信息化服務(wù)與決策支持。例如，在公共安全方面，與群體行為模式明顯不同的個體行為模式是值得被預(yù)防性關(guān)注的，因為特殊行為模式的主體很可能是潛在的不安定分子；醫(yī)療服務(wù)方面，或可通過對人口流動模式的研究發(fā)現(xiàn)其對疾病傳播的影響；交通管理方面，以城市居民不同的出行模式為基礎(chǔ)，預(yù)測未來城市可能的出行分布，調(diào)整交通結(jié)構(gòu)與布局。

近年來，軌跡模式挖掘研究已成為數(shù)據(jù)挖掘領(lǐng)域的研究熱點。目前軌跡模式的研究主要集中在錨點(軌跡中移動對象停留時間較長的節(jié)點)、出行范圍、軌跡的形狀、OD(Origin-Destination，起終點)流、時間等方面。現(xiàn)有的軌跡分類采取諸如“出行時段”、“出行距離”、“軌跡轉(zhuǎn)角”、“速度切換點”等特征。

例如申請?zhí)枮镃N201811417972.5的專利文獻，公開了一種基于時空數(shù)據(jù)軌跡特征的人群分類方法，包括如下步驟：S1)時空數(shù)據(jù)清洗處理；S2)行人軌跡提取；S3)行人軌跡壓縮；S4)行人軌跡分類。該專利建立在現(xiàn)有的常用特征上，缺乏將行人行為與城市功能區(qū)在空間上的聯(lián)系、以及缺乏將行人特殊的行為習(xí)慣(如駕駛時的超速)融入軌跡模式的識別，分類結(jié)果的可應(yīng)用性低。

發(fā)明內(nèi)容

本申請的目的在于提供一種面向軌跡大數(shù)據(jù)的行人行為模式分類方法，考慮了行人行為與城市功能區(qū)類型的聯(lián)系，同時考慮了行人的特殊行為習(xí)慣，使行人行為模式劃分更貼合實際，并且兼顧了分類的效果和效率。

為實現(xiàn)上述目的，本申請所采取的技術(shù)方案為：

一種面向軌跡大數(shù)據(jù)的行人行為模式分類方法，所述面向軌跡大數(shù)據(jù)的行人行為模式分類方法，包括：

讀取指定區(qū)域中的電動車行駛數(shù)據(jù)和行人移動數(shù)據(jù)，對數(shù)據(jù)進行預(yù)處理，并根據(jù)預(yù)處理后的數(shù)據(jù)構(gòu)建電動車軌跡數(shù)據(jù)和行人軌跡數(shù)據(jù)；

根據(jù)所述行人軌跡數(shù)據(jù)統(tǒng)計行人活動的活躍時段；

獲取指定區(qū)域的POI數(shù)據(jù)，根據(jù)POI數(shù)據(jù)得到指定區(qū)域中的城市功能區(qū)類型劃分；

根據(jù)所述行人軌跡數(shù)據(jù)選取行人的常駐點，并結(jié)合城市功能區(qū)類型劃分得到常駐點所屬的城市功能區(qū)類型，根據(jù)常駐點所屬的城市功能區(qū)類型生成行人的主要行為意圖；

根據(jù)所述電動車軌跡數(shù)據(jù)計算超速行為，統(tǒng)計每輛電動車的超速行為的次數(shù)得到電動車對應(yīng)的行人的超速行為習(xí)慣；

基于行人活動的活躍時段、行人的主要行為意圖和行人的超速行為習(xí)慣，采用結(jié)合TGSOM網(wǎng)絡(luò)模型和K-means算法的組合聚類算法對行人行為模式進行分類，得到行人行為模式分類結(jié)果。