CN106197460A - 一种应用gps出行数据进行出行目的地预测的方法 - Google Patents
一种应用gps出行数据进行出行目的地预测的方法 Download PDFInfo
- Publication number
- CN106197460A CN106197460A CN201610443062.9A CN201610443062A CN106197460A CN 106197460 A CN106197460 A CN 106197460A CN 201610443062 A CN201610443062 A CN 201610443062A CN 106197460 A CN106197460 A CN 106197460A
- Authority
- CN
- China
- Prior art keywords
- trip
- data
- destination
- period
- gps
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000007704 transition Effects 0.000 claims description 13
- 238000012546 transfer Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 3
- 230000008676 import Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3605—Destination input or retrieval
- G01C21/3617—Destination input or retrieval using user history, behaviour, conditions or preferences, e.g. predicted or inferred from previous use or current movement
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Social Psychology (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种应用GPS出行数据进行出行目的地预测的方法。具体预测方法分为三个步骤,即步骤1、确定出行目的地和划分出行目的地预测,步骤2、确定不同出行目的地预测时段的频繁到访出行目的地及每一个频繁到访出行目的地对应的支持点,步骤3、分别建立和标定工作日时段和非工作日时段的出行目的地预测模型,预测出行目的地。应用本发明所述的预测方法,利用GPS出行数据进行工作日时段和非工作日时段的出行目的地预测,无需传统的入户式大规模居民出行调查、无需获得道路网图,可以对所有出行方式的出行目的地进行预测,识别准确率高,适用性强。预测结果可应用于车载导航设备或手机导航软件进行实时的出行目的地推荐。
Description
技术领域
本发明涉及居民出行调查和数据处理分析领域,具体涉及一种应用GPS(全球卫星定位***)出行数据进行出行目的地预测的方法。
背景技术
随着GPS技术的日益广泛应用,基于GPS技术的数据挖掘和应用成为交通领域研究的新热点。车载导航设备、手机导航软件等都能获取大量的GPS出行数据,应用这些数据在出行前或出行过程中预测出行目的地,并将出行目的地信息提供给出行者,将节省出行者在车载导航设备或手机导航软件中输入出行目的地的操作步骤,方便出行目的地查询和路径查询,并向出行者推荐目的地附近的加油站、商场等设施,满足出行需求。本发明将应用车载导航设备或手机导航软件采集的历史GPS出行数据,在出行前和出行过程中进行出行目的地预测,并将出行目的地及时提供给出行者,以方便出行。
在以往研究中,国内一些学者也提出了进行出行目的地预测的方法,但多是依据传统的入户式大规模的出行数据调查数据,无法应用于车载导航设备或手机导航软件进行实时的出行目的地预测。专利201511000973.6提出的出行目的地预测方法针对民航旅客出行,无法用于道路交通中的出行路线导航。国外的学者利用GPS出行数据进行出行目的地的预测的有〔1〕Learning to predict driver route and destination intent,In IEEEintelligent transportation systems conference,2006;〔2〕Trip destinationprediction based on past GPS log using a Hidden Markov Model,Expert Systemswith Applications,2010,37:8166-8171等。但是大多都需要利用道路网图,在没有道路网图的情况下无法进行出行目的地预测,而少数不需要道路网的方法中由于不考虑工作日和非工作日不同的出行目的地特征,导致出行目的地预测的精度不高。
基于上述背景可见,亟需设计一种基于GPS出行数据的出行目的地预测方法,在无需进行传统的入户式大规模居民出行调查、无需获得道路网图的情况下,应用GPS出行数据进行出行目的地预测,使预测结果可应用于车载导航设备或手机导航软件进行实时的出行目的地推荐。另外,通过将出行目的地预测按照出行发生时段(工作日或非工作日)分别建模,以提高预测精度。
发明内容
为了克服现有研究存在的需要进行传统的入户式大规模居民出行调查,需要道路网图,不划分出行目的地预测时段等问题,本发明提出一种应用GPS出行数据进行出行目的地预测的方法。
本发明是采用如下技术方案实现的,说明如下:
1、一种应用GPS出行数据进行出行目的地预测的方法,主要包括如下步骤:
步骤1、确定出行目的地和划分出行目的地预测时段:在初始情况下,获取至少连续7天的用GPS采集的出行数据,也称GPS出行数据,用于出行目的地预测;
步骤1.1、筛选数据、划分出行、确定每一次出行的出行目的地;
步骤1.2、划分出行目的地预测时段:将出行目的地预测按照出行发生时段划分为工作日的出行目的地预测和非工作日的出行目的地预测,工作日,即周一至周五,非工作日,即周六、周日;
步骤2、确定不同出行目的地预测时段的频繁到访出行目的地及每一个频繁到访出行目的地对应的支持点;
步骤2.1、确定频繁到访出行目的地:将经步骤1.1处理后的GPS出行数据按照出行发生时段划分为工作日的GPS出行数据和非工作日的GPS出行数据,分别确定频繁到访出行目的地;
步骤2.2、确定每一个频繁到访目的地对应的支持点及其方向:不同的频繁到访目的地间的出行轨迹包括若干段直线段和曲线段,分别确定直线段和曲线段的支持点及其方向;
步骤2.3、建立建模数据表:按实际出行顺序分别将工作日时段和非工作日时段所经过的支持点和对应的频繁到访目的地存入相应出行目的地预测时段的建模数据表中,存为“.sav”文件;
步骤3、分别建立和标定工作日时段和非工作日时段的出行目的地预测模型,预测出行目的地;
步骤3.1、分别建立工作日时段和非工作日时段的出行目的地预测的隐马尔科夫模型;
步骤3.2、分别标定工作日时段和非工作日时段的出行目的地预测的隐马尔科夫模型;
步骤3.3、在出行发生前进行出行目的地预测:利用频繁到访目的地转移概率矩阵A进行出行发生前的出行目的地预测;
步骤3.4、判定和记录出行过程中的支持点;
步骤3.5、在出行过程中进行出行目的地预测:利用步骤3.4中判定和记录的出行过程中的支持点以及步骤3.1中建立的出行目的地预测的隐马尔科夫模型对出行目的地进行预测;
重复步骤3.2、步骤3.3、步骤3.4、步骤3.5,进行下一次的出行目的地预测。
2、按照权利要求1所述的一种应用GPS出行数据进行出行目的地预测的方法,其特征在于,所述的步骤1.1筛选数据、划分出行和确定出行目的地,具体步骤为:
(1)利用佳明GPSMAP 621sc等GPS设备,或利用车载导航设备、手机导航软件获取GPS出行数据,将得到的GPS出行数据“.gpx”文件导入软件MapSource,显示出行轨迹以及轨迹属性,所需轨迹属性有航段长度Leg Length、航段时间Leg Time、航段方向Leg Course、航段速度Leg Speed、位置坐标Position;
(2)筛选数据:设定筛选数据条件,即,①Leg Length≥30m、②Leg Speed≤200km/h、③Position在调查所在地位置坐标范围内,对GPS出行数据中的所有数据点进行筛选,保留合格数据点;
(3)划分出行:设定出行划分条件,即,Leg Time≥4min,具体来说,数据点i、i+1之间的Leg Time就是数据点i+1所对应的Leg Time值,如果Leg Timei+1≥4min,则将数据点i、i+1分别看做本次出行的终点和下一次出行的起点;
(4)确定出行目的地:考虑到设备启动的延时以及信号查找导致的定位误差,不以下一次出行的起点作为出行目的地,而是把本次出行的终点作为本次出行的出行目的地。
3、按照权利要求1所述的一种应用GPS出行数据进行出行目的地预测的方法,其特征在于,所述的步骤2.1确定频繁到访出行目的地,具体方法为:
将到访频率大于或等于阈值的出行目的地称为频繁到访出行目的地,简称频繁到访目的地,具体阈值分别为工作日时段3次/周,非工作日时段0.6次/周,即工作日的GPS出行数据中某一出行目的地的到访频率如大于或等于3次/周,则确定其为工作日时段的一个频繁到访目的地,非工作日的GPS出行数据中某一出行目的地的到访频率如大于或等于0.6次/周,则确定其为非工作日时段的一个频繁到访目的地,并将这些频繁到访目的地存入相应时段的频繁到访目的地数据表中。
4、按照权利要求1所述的一种应用GPS出行数据进行出行目的地预测的方法,其特征在于,所述的步骤2.2确定每一个频繁到访目的地对应的支持点及其方向,具体方法为:
直线段和曲线段支持点的确定方法分别为:
直线段:如果出行轨迹中某一段的所有数据点的航段方向Leg Course之间的度数差在±15°范围内,且不存在与其他段出行轨迹的交汇,则将此段出行轨迹记为一个直线段Lm,n,其中,m、n为此直线段两数据端点的序号,记Dm,n为直线段Lm,n的长度;如果Dm,n小于或等于500米,则记位于直线段Lm,n中间的第[(m+n)/2]个数据点为支持点;如果Dm,n大于500米,则将直线段Lm,n内分别与两数据端点m、n间隔两个点的数据点记为支持点;
曲线段:如果出行轨迹中某一段中任一数据点i与i+1、i+2、i+3的航段方向LegCourse之间的度数差均在±30°以上,则此段出行轨迹是曲线段,确定出行轨迹中航段方向Leg Course变化最大的一个数据点记为该段出行轨迹的一个支持点,具体来说,若数据点i、i+1所对应的Leg Course差值在该段出行轨迹上连续四个相邻数据点中差值最大,则将数据点i或者i+1记为该段出行轨迹的一个支持点;
支持点的方向确定方法为:支持点的方向根据所在出行轨迹的航段方向确定,分为东即70°<Leg Course≤110°、南即160°<Leg Course≤200°、西即250°<Leg Course≤290°、北即340°<Leg Course≤20°、东南即110°<Leg Course≤160°、东北即20°<LegCourse≤70°、西南即200°<Leg Course≤250°、西北即290°<Leg Course≤340°。
5、按照权利要求1所述的一种应用GPS出行数据进行出行目的地预测的方法,其特征在于,所述的步骤2.3建立建模数据表,具体方法为:
设定GPS出行数据自动更新,即每天24:00自动在原GPS出行数据中叠加本日出行数据,重复步骤1.1、步骤1.2、步骤2对建模数据表进行更新。
6、按照权利要求1所述的一种应用GPS出行数据进行出行目的地预测的方法,其特征在于,所述的步骤3.1分别建立工作日时段和非工作日时段的出行目的地预测的隐马尔科夫模型,模型的基本结构和参数解释如下:
隐马尔科夫模型用一个五元组(S,V,A,B,Π)表示,其中,隐马尔科夫模型的状态即频繁到访目的地,每个状态能输出的观察值即每个频繁到访目的地所对应的支持点,具体参数如下:
S代表频繁到访目的地的集合,S={s1,s2,…,sN},其中频繁到访目的地数为N,并用qt来表示t时刻的频繁到访目的地;
V代表支持点的集合,V={V1,V2,…,VM},M是每一频繁到访目的地对应的不同的支持点的数目;
A代表频繁到访目的地间的转移概率矩阵,A={aij},其中aij=P(qt+1=sj|qt=si),1≤i、j≤N,这是个N行N列的矩阵,aij表示t时刻从频繁到访目的地si转移到频繁到访目的地sj的概率;
B代表支持点的概率分布,B={bjk},其中bjk=P(ot=vk|qt=sj),1≤j≤N、1≤k≤M,bjk表示出行目的地是频繁到访目的地sj时经过支持点vk的概率;
∏代表频繁到访目的地的初始概率分布,∏={π1,π2,…,πn},πi=P(q1=si),πi表示在初始时刻选择某个频繁到访目的地si的概率。
7、按照权利要求1所述的一种应用GPS出行数据进行出行目的地预测的方法,其特征在于,所述的步骤3.2分别标定工作日时段和非工作日时段的出行目的地预测的隐马尔科夫模型,具体方法如下:
分别读入步骤2中得到的工作日时段和非工作日时段的建模数据,扫描所有数据,出现相同的频繁到访目的地记号或者支持点记号时保留一个,得到频繁到访目的地的集合S和支持点的集合V;然后根据公式aij=P(qt+1=sj|qt=si),1≤i、j≤N计算得到A;根据公式bjk=P(ot=vk|qt=sj),1≤j≤N、1≤k≤M计算得到B;根据公式πi=P(q1=si)计算得到Π;即标定出工作日时段和非工作日时段的隐马尔科夫模型参数(S,V,A,B,Π)。
8、按照权利要求1所述的一种应用GPS出行数据进行出行目的地预测的方法,其特征在于,所述的步骤3.3在出行发生前进行出行目的地预测,具体方法如下:
步骤3.1中已经得到的频繁到访目的地间的转移概率矩阵A,如果此次出行的上一次出行的出行目的地为si,aij表示t时刻从频繁到访目的地si转移到频繁到访目的地sj的概率,依照选择具有最大概率的选项的原则,将转移概率最大的频繁到访目的地作为预测结果,即此次出行的预测出行目的地。
9、按照权利要求1所述的一种应用GPS出行数据进行出行目的地预测的方法,其特征在于,所述的步骤3.4判定和记录出行过程中的支持点,其判定出行过程中某一支持点的原则是:
出行中每记录一个数据点,计算该数据点与该时段的所有支持点之间的球面距离Li以及航段方向间的度数差Ci,若Li≤4m且Ci≤40°,则判定和记录此支持点作为此次出行中经过的支持点,两点间的球面距离为其中,数据点的位置坐标为北纬α1、东经β1,支持点的位置坐标为北纬α2、东经β2,R为地球半径,θ为经度之差。
10、按照权利要求1所述的一种应用GPS出行数据进行出行目的地预测的方法,其特征在于,所述的步骤3.5在出行过程中进行出行目的地预测,具体方法为:
将步骤3.4判定和记录的出行过程中的支持点输入步骤3.2建立的隐马尔科夫模型(S,V,A,B,Π),采用维特比Viterbi算法,得到出行过程中各次出行的出行目的地,对步骤3.3得出的出行发生前的出行目的地预测结果进行检验及修正。
与现有技术相比,本发明的有益效果是:
1、本发明所述的一种应用GPS出行数据进行出行目的地预测的方法,无需进行传统的入户式大规模居民出行调查,因此可应用于车载导航设备或手机导航软件进行实时地出行目的地预测和推荐;
2、本发明所述的一种应用GPS出行数据进行出行目的地预测的方法,不需要用到道路网图,简单方便;
3、本发明所述的一种应用GPS出行数据进行出行目的地预测的方法,对出行目的地预测时段进行了划分,更符合实际出行规律,提高了预测准确率;
4、本发明所述的一种应用GPS出行数据进行出行目的地预测的方法,不仅适用于驾车者的出行目的地预测,也适用于采取步行等其它交通方式出行的出行目的地预测,应用更加广泛。
附图说明
图1是本发明的基于GPS出行数据的出行目的地预测方法总体流程图;
图2是本发明的出行目的地预测模型流程图;
图3是本发明的出行和出行目的地等相关定义的图例示意图;
图4是本发明的出行轨迹曲线段的支持点示意图。
具体实施方式
下面结合附图进一步说明本发明的详细内容及其具体实施方式:
一、定义和数据格式
1.出行:指车辆、行人从出发地向目的地移动的交通行为。
2.出行目的地:一次出行的终点。
3.频繁到访出行目的地:到访频率在工作日时段大于或等于3次/周,非工作日时段大于或等于0.6次/周的出行目的地,也简称为频繁到访目的地。记号格式为“D+序号”,例如D1。
4.数据点:由GPS设备采集并记录的每一个出行位置点。
5.支持点:频繁到访目的地之间的出行轨迹上能代表轨迹位置和方向的数据点。记号格式为“位置序号-方向”,例如001-北。
参阅图3,为以上各个定义的示意图。
6.GPS出行数据的数据格式:参阅表1,本发明专利中获取的GPS出行数据共9个字段,字段说明见表2。表1为利用佳明GPSMAP 621sc设备获取的其中17个示例数据点的数据。
表1 GPS出行数据表
表1中各属性字段的具体含义见表2。
表2 GPS数据字段说明
7.建模数据的数据格式:按实际出行顺序分别将工作日时段和非工作日时段所经过的支持点和对应的频繁到访目的地存入相应出行目的地预测时段的建模数据表中,存为“.sav”文件。建模数据示例见表3。
表3建模数据表
二、预测方法和步骤
参阅图1,本发明专利所述的一种应用GPS出行数据进行出行目的地预测的方法由三个步骤组成,下面对具体预测步骤做详细论述:
步骤1、确定出行目的地和划分出行目的地预测时段
在初始情况下,获取至少连续7天的用GPS采集的出行数据,也称GPS出行数据,用于出行目的地预测,GPS出行数据利用佳明GPSMAP 621sc等GPS设备,或车载导航设备、手机导航软件获取。
步骤1.1、筛选数据、划分出行、确定每一次出行的出行目的地
(1)将得到的GPS出行数据“.gpx”文件导入软件MapSource,显示出行轨迹以及轨迹属性,所需轨迹属性有航段长度Leg Length、航段时间Leg Time、航段方向Leg Course、航段速度Leg Speed、位置坐标Position。具体GPS数据示例如表1所示。
(2)筛选数据:设定筛选数据条件,即,①Leg Length≥30m、②Leg Speed≤200km/h、③Position在调查所在地位置坐标范围内,对GPS出行数据中的所有数据点进行筛选,保留合格数据点。
(3)划分出行:设定出行划分条件,即,Leg Time≥4min,具体来说,数据点i、i+1之间的Leg Time就是数据点i+1所对应的Leg Time值,如果Leg Timei+1≥4min,则将数据点i、i+1分别看做本次出行的终点和下一次出行的起点。
(4)确定出行目的地:考虑到设备启动的延时以及信号查找导致的定位误差,不以下一次出行的起点作为出行目的地,而是把本次出行的终点作为本次出行的出行目的地。
步骤1.2、划分出行目的地预测时段
将出行目的地预测按照出行发生时段划分为工作日的出行目的地预测和非工作日的出行目的地预测,工作日,即周一至周五,非工作日,即周六、周日。
步骤2、确定不同出行目的地预测时段的频繁到访出行目的地及每一个频繁到访出行目的地对应的支持点
步骤2.1、确定频繁到访出行目的地
将经步骤1.1处理后的GPS出行数据按照出行发生时段划分为工作日的GPS出行数据和非工作日的GPS出行数据,分别确定频繁到访出行目的地,具体方法为:
频繁到访出行目的地,简称频繁到访目的地,是指到访频率大于或等于阈值的出行目的地,具体阈值分别为工作日时段3次/周,非工作日时段0.6次/周,即工作日的GPS出行数据中某一出行目的地的到访频率如大于或等于3次/周,则确定其为工作日时段的一个频繁到访目的地,非工作日的GPS出行数据中某一出行目的地的到访频率如大于或等于0.6次/周,则确定其为非工作日时段的一个频繁到访目的地,并将这些频繁到访目的地存入相应时段的频繁到访目的地数据表中。
步骤2.2、确定每一个频繁到访目的地对应的支持点及其方向
不同的频繁到访目的地间的出行轨迹包括若干段直线段和曲线段,分别确定直线段和曲线段的支持点及其方向。
直线段和曲线段支持点的确定方法分别为:
直线段:如果出行轨迹中某一段的所有数据点的航段方向Leg Course之间的度数差在±15°范围内,且不存在与其他段出行轨迹的交汇,则将此段出行轨迹记为一个直线段Lm,n,其中,m、n为此直线段两数据端点的序号,记Dm,n为直线段Lm,n的长度;如果Dm,n小于或等于500米,则记位于直线段Lm,n中间的第[(m+n)/2]个数据点为支持点;如果Dm,n大于500米,则将直线段Lm,n内分别与两数据端点m、n间隔两个点的数据点记为支持点。
曲线段:如果出行轨迹中某一段中任一数据点i与i+1、i+2、i+3的航段方向LegCourse之间的度数差均在±30°以上,则此段出行轨迹是曲线段,确定出行轨迹中航段方向Leg Course变化最大的一个数据点记为该段出行轨迹的一个支持点,具体来说,若数据点i、i+1所对应的Leg Course差值在该段出行轨迹上连续四个相邻数据点中差值最大,则将数据点i或者i+1记为该段出行轨迹的一个支持点。
支持点的方向确定方法为:
支持点的方向,根据所在出行轨迹的航段方向确定,分为东即70°<Leg Course≤110°、南即160°<Leg Course≤200°、西即250°<Leg Course≤290°、北即340°<Leg Course≤20°、东南即110°<Leg Course≤160°、东北即20°<Leg Course≤70°、西南即200°<LegCourse≤250°、西北即290°<Leg Course≤340°。参阅图4,为本发明的出行轨迹曲线段的支持点示意图。
步骤2.3、建立建模数据表
按实际出行顺序分别将工作日时段和非工作日时段所经过的支持点和对应的频繁到访目的地存入相应出行目的地预测时段的建模数据表中,存为“.sav”文件,具体示例见表3。
设定GPS出行数据自动更新,即每天24:00自动在原GPS出行数据中叠加本日出行数据,重复步骤1.1、步骤1.2、步骤2对建模数据表进行更新。
步骤3、分别建立和标定工作日时段和非工作日时段的出行目的地预测模型,预测出行目的地
步骤3.1、分别建立工作日时段和非工作日时段的出行目的地预测的隐马尔科夫模型
隐马尔科夫模型用一个五元组(S,V,A,B,∏)表示,其中,隐马尔科夫模型的状态即频繁到访目的地,每个状态能输出的观察值即每个频繁到访目的地所对应的支持点,具体参数如下:
S代表频繁到访目的地的集合,S={s1,s2,…,sN},其中频繁到访目的地数为N,并用qt来表示t时刻的频繁到访目的地;
V代表支持点的集合,V={V1,V2,…,VM},M是每一频繁到访目的地对应的不同的支持点的数目;
A代表频繁到访目的地间的转移概率矩阵,A={aij},其中aij=P(qt+1=sj|qt=si),1≤i、j≤N,这是个N行N列的矩阵,aij表示t时刻从频繁到访目的地si转移到频繁到访目的地sj的概率;
B代表支持点的概率分布,B={bjk},其中bjk=P(ot=vk|qt=sj),1≤j≤N、1≤k≤M,bjk表示出行目的地是频繁到访目的地sj时经过支持点vk的概率;
∏代表频繁到访目的地的初始概率分布,∏={π1,π2,···,πn},πi=P(q1=si),πi表示在初始时刻选择某个频繁到访目的地si的概率。
步骤3.2、分别标定工作日时段和非工作日时段的出行目的地预测的隐马尔科夫模型
分别读入步骤2中得到的工作日时段和非工作日时段的建模数据,扫描所有数据,出现相同的频繁到访目的地记号或者支持点记号时保留一个,得到频繁到访目的地的集合S和支持点的集合V;然后根据公式aij=P(qt+1=sj|qt=si),1≤i、j≤N计算得到A;根据公式bjk=P(ot=vk|qt=sj),1≤j≤N、1≤k≤M计算得到B;根据公式πi=P(q1=si)计算得到∏;即标定出工作日时段和非工作日时段的隐马尔科夫模型参数(S,V,A,B,∏)。
步骤3.3、在出行发生前进行出行目的地预测
在一次出行发生前,由于没有支持点,无法利用支持点进行出行目的地预测,因此应用建模数据表中的历史信息,即频繁到访目的地转移概率矩阵A,进行此次出行的出行目的地预测。
利用频繁到访目的地转移概率矩阵A进行出行目的地预测,具体方法为,步骤3.1中已经得到频繁到访目的地间的转移概率矩阵A,如果此次出行的上一次出行的出行目的地为si,aij表示t时刻从频繁到访目的地si转移到频繁到访目的地sj的概率,依照选择最大概率选项的原则,将转移概率最大的频繁到访目的地作为预测结果,即此次出行的预测出行目的地。
步骤3.4、判定和记录出行过程中的支持点
其判定出行过程中某一支持点的原则是:出行中每记录一个数据点,计算该数据点与该时段的所有支持点之间的球面距离Li以及航段方向间的度数差Ci,若Li≤4m且Ci≤40°,则判定和记录此支持点作为此次出行中经过的支持点,两点间的球面距离为其中,数据点的位置坐标为北纬α1、东经β1,支持点的位置坐标为北纬α2、东经β2,R为地球半径,θ为经度之差。
步骤3.5、在出行过程中进行出行目的地预测
利用步骤3.4中判定和记录的出行过程中的支持点,应用步骤3.1建立的出行目的地预测的隐马尔科夫模型对出行目的地进行预测,对出行发生前的预测结果进行检验及修正。
当得到支持点之后,出行目的地预测问题即隐马尔科夫模型的解码问题,利用维特比Viterbi算法,输入得到的支持点以及步骤3.2中得到的隐马尔科夫模型(S,V,A,B,∏),预测出行目的地。
重复步骤3.2、步骤3.3、步骤3.4、步骤3.5进行下一次出行的出行目的地预测。参阅图2出行目的地预测模型流程图。
三、实施例
本发明所述的一种应用GPS出行数据进行出行目的地预测的实施例,给出实施过程和检验结果,但本发明的保护范围不限于下述的实施例。
1、预测准确率计算
将预测得到的出行目的地与被调查者手工填报的实际出行目的地作对比,分别计算工作日时段出行目的地预测准确率和非工作日时段出行目的地预测准确率,并将二者综合,计算总的出行目的地预测准确率。
(1)工作日时段的出行目的地预测准确率
应用公式1计算工作日时段的出行目的地预测准确率,具体指工作日时段预测正确的出行目的地个数占工作日时段实际出行目的地个数的比例。
(2)非工作日时段的出行目的地预测准确率
应用公式2计算非工作日时段的出行目的地预测准确率,具体指非工作日时段预测正确的出行目的地个数占非工作日时段实际出行目的地个数的比例。
(3)总的出行目的地预测准确率
应用公式3计算总的出行目的地预测准确率,具体指此调查者所有预测正确的出行目的地个数占实际出行目的地个数的比例。
2、预测结果
本发明专利应用调查的GPS出行数据进行实例分析。此次调查利用的设备是佳明GPSMAP 621sc,共采集了8名被调查者的连续三周即15个工作日,6个非工作日的GPS出行数据。其中14个工作日及5个非工作日的数据用于分别建立工作日时段和非工作日时段的出行目的地预测模型,剩余的1个工作日和1个非工作日的出行数据用于进行出行目的地预测,得出预测结果,以计算预测准确率。另外,本次调查还请被调查者对携带GPS设备当天的出行记录进行了手工填报,手工填报的实际出行目的地用于与预测结果的对比和预测准确率计算。8个调查者的总的出行目的地预测准确率如表5所示。
表5 8名被调查者的总的出行目的地预测准确率表
3、预测结果评价
平均预测准确率为93.53%,准确率较高。验证结果表明,预测结果与调查结果高度吻合。并对调查者8进行了后续调查,随着数据不断增加,预测准确性不断增加。说明本发明专利在应用GPS出行数据进行出行目的地预测上,有较高的预测准确率和实用性。
Claims (10)
1.一种应用GPS出行数据进行出行目的地预测的方法,其特征在于,主要包括如下步骤:
步骤1、确定出行目的地和划分出行目的地预测时段:在初始情况下,获取至少连续7天的用GPS采集的出行数据,也称GPS出行数据,用于出行目的地预测;
步骤1.1、筛选数据、划分出行、确定每一次出行的出行目的地;
步骤1.2、划分出行目的地预测时段:将出行目的地预测按照出行发生时段划分为工作日的出行目的地预测和非工作日的出行目的地预测,工作日,即周一至周五,非工作日,即周六、周日;
步骤2、确定不同出行目的地预测时段的频繁到访出行目的地及每一个频繁到访出行目的地对应的支持点;
步骤2.1、确定频繁到访出行目的地:将经步骤1.1处理后的GPS出行数据按照出行发生时段划分为工作日的GPS出行数据和非工作日的GPS出行数据,分别确定频繁到访出行目的地;
步骤2.2、确定每一个频繁到访目的地对应的支持点及其方向:不同的频繁到访目的地间的出行轨迹包括若干段直线段和曲线段,分别确定直线段和曲线段的支持点及其方向;
步骤2.3、建立建模数据表:按实际出行顺序分别将工作日时段和非工作日时段所经过的支持点和对应的频繁到访目的地存入相应出行目的地预测时段的建模数据表中,存为“.sav”文件;
步骤3、分别建立和标定工作日时段和非工作日时段的出行目的地预测模型,预测出行目的地;
步骤3.1、分别建立工作日时段和非工作日时段的出行目的地预测的隐马尔科夫模型;
步骤3.2、分别标定工作日时段和非工作日时段的出行目的地预测的隐马尔科夫模型;
步骤3.3、在出行发生前进行出行目的地预测:利用频繁到访目的地转移概率矩阵A进行出行发生前的出行目的地预测;
步骤3.4、判定和记录出行过程中的支持点;
步骤3.5、在出行过程中进行出行目的地预测:利用步骤3.4中判定和记录的出行过程中的支持点以及步骤3.1中建立的出行目的地预测的隐马尔科夫模型对出行目的地进行预测;
重复步骤3.2、步骤3.3、步骤3.4、步骤3.5,进行下一次的出行目的地预测。
2.按照权利要求1所述的一种应用GPS出行数据进行出行目的地预测的方法,其特征在于,所述的步骤1.1筛选数据、划分出行和确定出行目的地,具体步骤为:
(1)利用佳明GPSMAP 621sc等GPS设备,或利用车载导航设备、手机导航软件获取GPS出行数据,将得到的GPS出行数据“.gpx”文件导入软件MapSource,显示出行轨迹以及轨迹属性,所需轨迹属性有航段长度Leg Length、航段时间Leg Time、航段方向Leg Course、航段速度Leg Speed、位置坐标Position;
(2)筛选数据:设定筛选数据条件,即,①Leg Length≥30m、②Leg Speed≤200km/h、③Position在调查所在地位置坐标范围内,对GPS出行数据中的所有数据点进行筛选,保留合格数据点;
(3)划分出行:设定出行划分条件,即,Leg Time≥4min,具体来说,数据点i、i+1之间的Leg Time就是数据点i+1所对应的Leg Time值,如果Leg Timei+1≥4min,则将数据点i、i+1分别看做本次出行的终点和下一次出行的起点;
(4)确定出行目的地:考虑到设备启动的延时以及信号查找导致的定位误差,不以下一次出行的起点作为出行目的地,而是把本次出行的终点作为本次出行的出行目的地。
3.按照权利要求1所述的一种应用GPS出行数据进行出行目的地预测的方法,其特征在于,所述的步骤2.1确定频繁到访出行目的地,具体方法为:
将到访频率大于或等于阈值的出行目的地称为频繁到访出行目的地,简称频繁到访目的地,具体阈值分别为工作日时段3次/周,非工作日时段0.6次/周,即工作日的GPS出行数据中某一出行目的地的到访频率如大于或等于3次/周,则确定其为工作日时段的一个频繁到访目的地,非工作日的GPS出行数据中某一出行目的地的到访频率如大于或等于0.6次/周,则确定其为非工作日时段的一个频繁到访目的地,并将这些频繁到访目的地存入相应时段的频繁到访目的地数据表中。
4.按照权利要求1所述的一种应用GPS出行数据进行出行目的地预测的方法,其特征在于,所述的步骤2.2确定每一个频繁到访目的地对应的支持点及其方向,具体方法为:
直线段和曲线段支持点的确定方法分别为:
直线段:如果出行轨迹中某一段的所有数据点的航段方向Leg Course之间的度数差在±15°范围内,且不存在与其他段出行轨迹的交汇,则将此段出行轨迹记为一个直线段Lm,n,其中,m、n为此直线段两数据端点的序号,记Dm,n为直线段Lm,n的长度;如果Dm,n小于或等于500米,则记位于直线段Lm,n中间的第[(m+n)/2]个数据点为支持点;如果Dm,n大于500米,则将直线段Lm,n内分别与两数据端点m、n间隔两个点的数据点记为支持点;
曲线段:如果出行轨迹中某一段中任一数据点i与i+1、i+2、i+3的航段方向Leg Course之间的度数差均在±30°以上,则此段出行轨迹是曲线段,确定出行轨迹中航段方向LegCourse变化最大的一个数据点记为该段出行轨迹的一个支持点,具体来说,若数据点i、i+1所对应的Leg Course差值在该段出行轨迹上连续四个相邻数据点中差值最大,则将数据点i或者i+1记为该段出行轨迹的一个支持点;
支持点的方向确定方法为:支持点的方向根据所在出行轨迹的航段方向确定,分为东即70°<Leg Course≤110°、南即160°<Leg Course≤200°、西即250°<Leg Course≤290°、北即340°<Leg Course≤20°、东南即110°<Leg Course≤160°、东北即20°<Leg Course≤70°、西南即200°<Leg Course≤250°、西北即290°<Leg Course≤340°。
5.按照权利要求1所述的一种应用GPS出行数据进行出行目的地预测的方法,其特征在于,所述的步骤2.3建立建模数据表,具体方法为:
设定GPS出行数据自动更新,即每天24:00自动在原GPS出行数据中叠加本日出行数据,重复步骤1.1、步骤1.2、步骤2对建模数据表进行更新。
6.按照权利要求1所述的一种应用GPS出行数据进行出行目的地预测的方法,其特征在于,所述的步骤3.1分别建立工作日时段和非工作日时段的出行目的地预测的隐马尔科夫模型,模型的基本结构和参数解释如下:
隐马尔科夫模型用一个五元组(S,V,A,B,∏)表示,其中,隐马尔科夫模型的状态即频繁到访目的地,每个状态能输出的观察值即每个频繁到访目的地所对应的支持点,具体参数如下:
S代表频繁到访目的地的集合,S={s1,s2,…,sN},其中频繁到访目的地数为N,并用qt来表示t时刻的频繁到访目的地;
V代表支持点的集合,V={V1,V2,…,VM},M是每一频繁到访目的地对应的不同的支持点的数目;
A代表频繁到访目的地间的转移概率矩阵,A={aij},其中aij=P(qt+1=sj|qt=si),1≤i、j≤N,这是个N行N列的矩阵,aij表示t时刻从频繁到访目的地si转移到频繁到访目的地sj的概率;
B代表支持点的概率分布,B={bjk},其中bjk=P(ot=vk|qt=sj),1≤j≤N、1≤k≤M,bjk表示出行目的地是频繁到访目的地sj时经过支持点vk的概率;
∏代表频繁到访目的地的初始概率分布,∏={π1,π2,···,πn},πi=P(q1=si),πi表示在初始时刻选择某个频繁到访目的地si的概率。
7.按照权利要求1所述的一种应用GPS出行数据进行出行目的地预测的方法,其特征在于,所述的步骤3.2分别标定工作日时段和非工作日时段的出行目的地预测的隐马尔科夫模型,具体方法如下:
分别读入步骤2中得到的工作日时段和非工作日时段的建模数据,扫描所有数据,出现相同的频繁到访目的地记号或者支持点记号时保留一个,得到频繁到访目的地的集合S和支持点的集合V;然后根据公式aij=P(qt+1=sj|qt=si),1≤i、j≤N计算得到A;根据公式bjk=P(ot=vk|qt=sj),1≤j≤N、1≤k≤M计算得到B;根据公式πi=P(q1=si)计算得到∏;即标定出工作日时段和非工作日时段的隐马尔科夫模型参数(S,V,A,B,∏)。
8.按照权利要求1所述的一种应用GPS出行数据进行出行目的地预测的方法,其特征在于,所述的步骤3.3在出行发生前进行出行目的地预测,具体方法如下:
步骤3.1中已经得到的频繁到访目的地间的转移概率矩阵A,如果此次出行的上一次出行的出行目的地为si,aij表示t时刻从频繁到访目的地si转移到频繁到访目的地sj的概率,依照选择具有最大概率的选项的原则,将转移概率最大的频繁到访目的地作为预测结果,即此次出行的预测出行目的地。
9.按照权利要求1所述的一种应用GPS出行数据进行出行目的地预测的方法,其特征在于,所述的步骤3.4判定和记录出行过程中的支持点,其判定出行过程中某一支持点的原则是:
出行中每记录一个数据点,计算该数据点与该时段的所有支持点之间的球面距离Li以及航段方向间的度数差Ci,若Li≤4m且Ci≤40°,则判定和记录此支持点作为此次出行中经过的支持点,两点间的球面距离为其中,数据点的位置坐标为北纬α1、东经β1,支持点的位置坐标为北纬α2、东经β2,R为地球半径,θ为经度之差。
10.按照权利要求1所述的一种应用GPS出行数据进行出行目的地预测的方法,其特征在于,所述的步骤3.5在出行过程中进行出行目的地预测,具体方法为:
将步骤3.4判定和记录的出行过程中的支持点输入步骤3.2建立的隐马尔科夫模型(S,V,A,B,∏),采用维特比Viterbi算法,得到出行过程中各次出行的出行目的地,对步骤3.3得出的出行发生前的出行目的地预测结果进行检验及修正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610443062.9A CN106197460B (zh) | 2016-06-21 | 2016-06-21 | 一种应用gps出行数据进行出行目的地预测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610443062.9A CN106197460B (zh) | 2016-06-21 | 2016-06-21 | 一种应用gps出行数据进行出行目的地预测的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106197460A true CN106197460A (zh) | 2016-12-07 |
CN106197460B CN106197460B (zh) | 2018-12-21 |
Family
ID=57461485
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610443062.9A Expired - Fee Related CN106197460B (zh) | 2016-06-21 | 2016-06-21 | 一种应用gps出行数据进行出行目的地预测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106197460B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845942A (zh) * | 2017-01-22 | 2017-06-13 | 成都生命基线科技有限公司 | 一种生物分析平台中的工程项目发布*** |
CN107631731A (zh) * | 2017-09-26 | 2018-01-26 | 重庆市智权之路科技有限公司 | 智能医用设备安全行驶路径规划提取方法 |
CN108062857A (zh) * | 2017-12-22 | 2018-05-22 | 西南交通大学 | 用于出租车乘客出行目的的预测方法 |
CN108446775A (zh) * | 2017-01-23 | 2018-08-24 | 北京嘀嘀无限科技发展有限公司 | 网络约车订单生成方法、网络约车订单生成装置 |
CN108961744A (zh) * | 2017-06-03 | 2018-12-07 | 广东联大智能科技有限公司 | 智慧出行的***和终端 |
CN108966148A (zh) * | 2018-08-10 | 2018-12-07 | 深圳北斗应用技术研究院有限公司 | 出行信息的预测方法、服务器及存储介质 |
WO2019000463A1 (zh) * | 2017-06-30 | 2019-01-03 | 广东欧珀移动通信有限公司 | 出行方式推荐方法、装置、存储介质及终端 |
CN110021161A (zh) * | 2018-01-09 | 2019-07-16 | 株式会社日立制作所 | 一种交通流向的预测方法及*** |
CN108279017B (zh) * | 2018-01-29 | 2021-03-16 | 吉林大学 | 一种在导航过程中实时计算和添加途经点的方法 |
US11710142B2 (en) | 2018-06-11 | 2023-07-25 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for providing information for online to offline service |
US12047842B2 (en) | 2021-01-25 | 2024-07-23 | Shanghai Maritime University | Method for identifying travel classification based on smartphone travel surveys |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150032424A1 (en) * | 2013-07-25 | 2015-01-29 | Honda Motor Co., Ltd. | Familiarity modeling |
CN104833365A (zh) * | 2014-02-12 | 2015-08-12 | 华为技术有限公司 | 一种用户目的地点的预测方法及装置 |
CN104937375A (zh) * | 2013-01-21 | 2015-09-23 | 三菱电机株式会社 | 目的地预测装置、目的地预测方法、目的地显示方法 |
CN105318889A (zh) * | 2014-07-31 | 2016-02-10 | 丰田自动车株式会社 | 出发地与目的地提取装置、出发地与目的地提取方法 |
CN105513395A (zh) * | 2015-11-30 | 2016-04-20 | 华南理工大学 | 一种基于车辆目的地预测的智能信息推送***和方法 |
-
2016
- 2016-06-21 CN CN201610443062.9A patent/CN106197460B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104937375A (zh) * | 2013-01-21 | 2015-09-23 | 三菱电机株式会社 | 目的地预测装置、目的地预测方法、目的地显示方法 |
US20150032424A1 (en) * | 2013-07-25 | 2015-01-29 | Honda Motor Co., Ltd. | Familiarity modeling |
CN104833365A (zh) * | 2014-02-12 | 2015-08-12 | 华为技术有限公司 | 一种用户目的地点的预测方法及装置 |
CN105318889A (zh) * | 2014-07-31 | 2016-02-10 | 丰田自动车株式会社 | 出发地与目的地提取装置、出发地与目的地提取方法 |
CN105513395A (zh) * | 2015-11-30 | 2016-04-20 | 华南理工大学 | 一种基于车辆目的地预测的智能信息推送***和方法 |
Non-Patent Citations (2)
Title |
---|
J.A. ALVAREZ-GARCIA: "Trip destination prediction based on past GPS log using a Hidden Markov Model", 《EXPERT SYSTEMS WITH APPLICATIONS》 * |
高晶鑫,等,: "基于贝叶斯网络的出行者目的地选择行为建模与应用", 《***管理学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845942A (zh) * | 2017-01-22 | 2017-06-13 | 成都生命基线科技有限公司 | 一种生物分析平台中的工程项目发布*** |
CN108446775A (zh) * | 2017-01-23 | 2018-08-24 | 北京嘀嘀无限科技发展有限公司 | 网络约车订单生成方法、网络约车订单生成装置 |
CN108446775B (zh) * | 2017-01-23 | 2023-11-24 | 北京嘀嘀无限科技发展有限公司 | 网络约车订单生成方法、网络约车订单生成装置 |
CN108961744A (zh) * | 2017-06-03 | 2018-12-07 | 广东联大智能科技有限公司 | 智慧出行的***和终端 |
WO2019000463A1 (zh) * | 2017-06-30 | 2019-01-03 | 广东欧珀移动通信有限公司 | 出行方式推荐方法、装置、存储介质及终端 |
CN107631731A (zh) * | 2017-09-26 | 2018-01-26 | 重庆市智权之路科技有限公司 | 智能医用设备安全行驶路径规划提取方法 |
CN108062857A (zh) * | 2017-12-22 | 2018-05-22 | 西南交通大学 | 用于出租车乘客出行目的的预测方法 |
CN110021161A (zh) * | 2018-01-09 | 2019-07-16 | 株式会社日立制作所 | 一种交通流向的预测方法及*** |
CN108279017B (zh) * | 2018-01-29 | 2021-03-16 | 吉林大学 | 一种在导航过程中实时计算和添加途经点的方法 |
US11710142B2 (en) | 2018-06-11 | 2023-07-25 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for providing information for online to offline service |
CN108966148A (zh) * | 2018-08-10 | 2018-12-07 | 深圳北斗应用技术研究院有限公司 | 出行信息的预测方法、服务器及存储介质 |
US12047842B2 (en) | 2021-01-25 | 2024-07-23 | Shanghai Maritime University | Method for identifying travel classification based on smartphone travel surveys |
Also Published As
Publication number | Publication date |
---|---|
CN106197460B (zh) | 2018-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106197460A (zh) | 一种应用gps出行数据进行出行目的地预测的方法 | |
US8306777B2 (en) | System and method for identifying road features | |
Zhao et al. | Truck traffic speed prediction under non-recurrent congestion: Based on optimized deep learning algorithms and GPS data | |
EP1395966B1 (en) | Method and system for electronically determining dynamic traffic information | |
JP5833567B2 (ja) | デジタル地図におけるネットワーク生成のための時間および/または正確度に依存した重み | |
CN104197945B (zh) | 一种基于低采样率浮动车数据的全局投票地图匹配方法 | |
CN101975578B (zh) | 导航方法和装置 | |
CN103295414A (zh) | 一种基于海量历史gps轨迹数据的公交车到站时间预测方法 | |
CN105809292A (zh) | 公交ic卡乘客下车站点推算方法 | |
CN104121915A (zh) | 一种道路实时导航方法及*** | |
CN105740505A (zh) | 一种基于gps-rtk技术的道路空间线形恢复方法 | |
Yang et al. | An enhanced weight-based topological map matching algorithm for intricate urban road network | |
EP3742420B1 (en) | Estimation of mobile device count | |
Yu et al. | A hybrid dead reckoning error correction scheme based on extended Kalman filter and map matching for vehicle self-localization | |
CN104504245A (zh) | 一种应用gps出行调查数据识别出行和活动的方法 | |
Li et al. | An automatic extraction method of coach operation information from historical trajectory data | |
Liu et al. | Determination of routing velocity with GPS floating car data and webGIS-based instantaneous traffic information dissemination | |
Freitas et al. | Correcting routing information through GPS data processing | |
CN112487309A (zh) | 一种基于轨迹数据的不确定性医疗可达性计算方法 | |
Mahpour et al. | An improvement on the topological map matching algorithm at junctions: a heuristic approach | |
Yang et al. | The research on real-time map-matching algorithm | |
CN112183871A (zh) | 基于空气指数的城市交通诱导*** | |
Ye et al. | A hidden Markov model combined with RFID-based sensors for accurate vehicle route prediction | |
CN113485997B (zh) | 基于概率分布偏差估计的轨迹数据纠偏方法 | |
Chen | Travel time prediction for time-table-based vehicles traveling on known routes |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181221 |
|
CF01 | Termination of patent right due to non-payment of annual fee |