[發明專利]行人移動模式分類方法、裝置及電子設備

有效

• 申請號: 202111363868.4
• 申請日: 2021-11-17
• 公開（公告）號: CN114359774B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 孫久虎;相恒茂;高浠艦;李浩;梁玉才;張恒才
• 申請（專利權）人: 山東省國土測繪院
• 主分類號: G06V20/40
• 分類號: G06V20/40;G06V20/52;G06N3/0464;G06N3/08;G06V10/74;G06V10/762;G06V10/774;G06V10/82
• 代理公司: 北京中政聯科專利代理事務所(普通合伙) 11489
• 代理人: 鄭久興

1.一種行人移動模式分類方法，其特征在于，包括：

獲取多個行人中每個行人的原始軌跡數據；

對每個所述原始軌跡數據進行特征提取，得到幾何特征；

將原始軌跡數據轉化為行人訪問過的店鋪序列；

根據所述店鋪序列，結合店鋪的文本屬性，生成每個行人對應的店鋪軌跡語義特征；

將每個行人對應的所述幾何特征和所述店鋪軌跡語義特征進行特征融合，得到移動模式特征；

對全部移動模式特征進行聚類，得到行人移動模式分類；

生成每個行人對應的店鋪軌跡語義特征包括：

對全部店鋪序列進行聯合學習，得到每個店鋪的店鋪特征；

將行人訪問過的店鋪對應的店鋪特征進行特征融合，生成行為特征；

將行為特征作為店鋪軌跡語義特征；

對全部店鋪序列進行聯合學習，得到每個店鋪的店鋪特征包括：

通過統計出全部店鋪序列中，每兩個店鋪出現在同一個店鋪序列中的頻次，構建店鋪共現矩陣；

基于Glove損失函數對所述店鋪共現矩陣進行訓練，得到每個店鋪的店鋪特征。

2.根據權利要求1所述的行人移動模式分類方法，其中，對每個所述原始軌跡數據進行特征提取，得到幾何特征包括：

根據所述原始軌跡數據生成原始軌跡特征；

對所述原始軌跡特征進行標準化處理得到幾何特征；

其中，所述原始軌跡特征包括：行人室內停留時間、行人室內移動總距離、行人室內平均移動速度和行人各樓層停留時間。

3.根據權利要求1所述的行人移動模式分類方法，其中，將原始軌跡數據轉化為行人訪問過的店鋪序列包括：

對所述原始軌跡數據中的軌跡點進行聚類處理得到至少一個簇；

根據每個簇對應的店鋪生成店鋪序列。

4.根據權利要求1所述的行人移動模式分類方法，其中，生成每個行人對應的店鋪軌跡語義特征包括：

根據所述店鋪序列和店鋪的文本屬性生成原始文本特征；

對所述原始文本特征進行標準化處理得到軌跡文本特征；

將所述軌跡文本特征作為店鋪軌跡語義特征；

其中，所述原始文本特征包括：行人訪問的店鋪數量、行人在店鋪中停留的最長時間、行人訪問店鋪的總時間、行人訪問的各種類型的店鋪數量。

5.根據權利要求1所述的行人移動模式分類方法，其中，對全部移動模式特征進行聚類包括：

使用自組織神經網絡和譜聚類兩種算法，以余弦相似度作為兩種算法的距離度量進行聚類。

6.根據權利要求1所述的行人移動模式分類方法，其中，還包括：

統計同一類別的行人移動模式中各個店鋪的共現關系；

將共現頻率作為邊寬度取值，將店鋪的被訪問頻率作為節點大小，將每個類別的行人移動模式轉換為可視化模型。

7.一種行人移動模式分類裝置，其特征在于，包括：

獲取模塊，用于獲取多個行人中每個行人的原始軌跡數據；

第一特征提取模塊，用于對每個所述原始軌跡數據進行特征提取，得到幾何特征；

數據轉換模塊，用于將原始軌跡數據轉化為行人訪問過的店鋪序列；

第二特征提取模塊，用于根據所述店鋪序列，結合店鋪的文本屬性，生成每個行人對應的店鋪軌跡語義特征；生成每個行人對應的店鋪軌跡語義特征包括：

對全部店鋪序列進行聯合學習，得到每個店鋪的店鋪特征；

將行人訪問過的店鋪對應的店鋪特征進行特征融合，生成行為特征；

將行為特征作為店鋪軌跡語義特征；

對全部店鋪序列進行聯合學習，得到每個店鋪的店鋪特征包括：

通過統計出全部店鋪序列中，每兩個店鋪出現在同一個店鋪序列中的頻次，構建店鋪共現矩陣；

基于Glove損失函數對所述店鋪共現矩陣進行訓練，得到每個店鋪的店鋪特征；

特征融合模塊，用于將每個行人對應的所述幾何特征和所述店鋪軌跡語義特征進行特征融合，得到移動模式特征；

分類模塊，用于對全部移動模式特征進行聚類，得到行人移動模式分類。

8.一種電子設備，包括：

處理器；以及

存儲程序的存儲器，

其中，所述程序包括指令，所述指令在由所述處理器執行時使所述處理器執行根據權利要求1-6中任一項所述的方法。