CN107121690B - 一种基于多运动参数的停留点识别方法和装置 - Google Patents
一种基于多运动参数的停留点识别方法和装置 Download PDFInfo
- Publication number
- CN107121690B CN107121690B CN201710209844.0A CN201710209844A CN107121690B CN 107121690 B CN107121690 B CN 107121690B CN 201710209844 A CN201710209844 A CN 201710209844A CN 107121690 B CN107121690 B CN 107121690B
- Authority
- CN
- China
- Prior art keywords
- point
- collection point
- type
- gps
- dwell
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
- G01S19/48—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/025—Services making use of location information using location based information parameters
- H04W4/027—Services making use of location information using location based information parameters using movement velocity, acceleration information
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Mobile Radio Communication Systems (AREA)
- Navigation (AREA)
Abstract
本发明涉及智能终端技术领域,提供了一种基于多运动参数的停留点识别方法和装置。方法包括:判断当前采集点的定位类型为网络定位类型时,获取预设时长t1内采集点;统计所述采集点中网络定位类型采集点的占比率和定位精度值变化度;若确定所述网络定位类型采集点的占比率大于预设网络占比阈值,并且定位精度值变化度小于预设精度阈值,则判断当前采集点为停留点。本发明实施例利用网络定位采集点的占比和来确定当前终端是否进入具有屏蔽GPS信号特性的区域内,利用用户进入室内时GPS切换到Network定位这一原理,将进入室内的最后一个GPS有效点作为停留点的实际位置,有效地解决了现有技术中正确率不足的问题。
Description
【技术领域】
本发明涉及智能终端技术领域,特别是涉及一种基于多运动参数的停留点识别方法和装置。
【背景技术】
问卷调查、电话访问是传统调查居民出行的主要方法,但调查成本高、工作量大、数据汇总和处理周期长、调查内容受主观意识影响、调查数据不精确等困难,一直是希望能得到解决的关键问题。
随着信息技术的发展,近年来出现了采用信息化设备记录用户出行轨迹,并进行停留点识别的方法,用于取代传统的出行调查方法。由于这些方法克服了传统纸质和电话访问成本高,调查数据可行度存疑、准确度不高的问题,得到了研究人员的青睐,进行了大量的深入的研究。归纳近年来的文献,可将这类研究方法归结为两类典型的被动式出行调查方法:一类是采用专用GPS设备或手机GPS功能记录居民的出行轨迹,然后对采集的数据进行交通起止点(ORIGIN DESTINATION,简写为:OD)调查的方法;另一类是利用基于手机蜂窝网络定位数据分析进行用户出行停留点分析等。
基于GPS的室外停留点识别方法,目前的主要方法有依托数据采集经验的探索性方法和依托数据挖掘技术的聚类方法。其中探索性方法使用较多是静止点法,原理是以GPS接收器在停止运动速度为零时仍然进行记录为基础,以人的步行速度作为比较值,确定速度小于步行速度的持续时间,将此持续时间与时间阈值T进行比较,如果大于T则判断该处为停留。例如:张波《用于交通出行调查的GPS时空轨迹数据简化与语义增强研究》上海:华东师范大学资源与环境科学学院,2011(后续简称为“张波(2011)”)是设定规则为:1.如果移动目标相邻轨迹间的经度或纬度之差保持在0.00005(约为15)内,且空间位置保持在半径50米范围内;2.平均速度小于0.6m/s;3.该状态持续时间大于120秒即为停留点。还例如:Gong H,Chen C,Bialostozky E,et al.A GPS/GIS method for travel mode,detectionin New York City[J].Computers,Environment and Urban Systems,2012,36(2):131-139(后续简称为“Gong H(2012)”)设定200s内,轨迹点之间的距离小于50m即判定为停留。此方法的缺点是由于是以持续时间为阈值,对包含噪声点或漂移点的数据会产生漏判。
依托数据挖掘技术的聚类方法中常用的聚类算法有K-中值法和DBSCAN。
K-中值法,首先,规定簇内最少的点数m和聚类半径d,从轨迹中的第一点开始,计算连续m个点中任意两点间的最大距离,如果该距离小于d,则建立一个簇,判断该簇的中位点和簇外下一个点之间的距离,如果小于d/2,则将该点加入簇中,否则结束该簇,最终建立的各个簇标记为停留。算法的不足在于采用了簇内最远两点的距离界定了一个簇,易受噪声影响。
DBSCAN算法的基本原理是选取聚类半径d,确定聚类半径范围内的轨迹点阈值n。然后从轨迹的起点开始依次计算以计算点为中心,以选取的聚类半径d的范围内的轨迹数据点数m。将计算结果与阈值相比较,如果计算结果m小于阈值n,则将该点视为噪声点,否则就以该点为中心建立一个密度簇。该方法的缺点在于GPS的数据缺失对聚类结果影响较大。例如:刘春.出行者出行信息语义挖掘.山东理工大学,2015(后续简称为“刘春(2015)”)运用DBSCAN算法,利用轨迹数据是时空点的特性,不采用密集区域最少轨迹点数MinPts作为参数,而是使用最短时间MinTime取而代之,计算出了低速度区域,然后根据实际的电子地图获得的建筑物及景区,采用基于重合时间的算法来判定是否停留。发明人通过实际测试中发现方法的缺点是大多数在室内停留时GPS信号被遮挡或产生较大漂移,所以实际中并不会落到建筑物区域内,造成在室内中的停留无法检测出,如图1,实心黑点为室内定位,只有较少部分点落在建筑物区域内。
基于蜂窝网络定位技术的停留点的典型识别方法则为CELL-ID法(又称为Cell ofOrigin,COO),例如:杜润强.基于手机轨迹数据的用户出行及停驻点识别***研究.北京工业大学,2014(后续简称为“杜润强(2014)”)针对无规律的手机位置切换现象造成的误判进行了改进,对容易造成切换且功能或背景地理信息属性相似位置相邻的小区进行合并,定义为功能区,当用户手机定位切换范围在功能区内切达到时间阈值时,即将整个功能区视作用户的停驻点。由于CELL-ID定位精度在百米以上,且合并的功能区甚至更大,导致最终获取的停驻点信息粒度较大,无法获取到粒度更细的停留点。
另外,汪磊.基于LBS轨迹的出行活动链模式识别研究[D].大连交通大学,2015(后续简称为“汪磊(2015)”)通过大量采样计算了步行点和静止点的欧氏距离平均值,并以此为阈值表示了静止点和步行点,静止点的阈值为0.003234,步行点的阈值为0.03484。在实际情况下的欧式距离测度并不会严格按照阈值可分,由于其数据存在着波动性,会造成误判或者漏判,波动的原因一是交通方式的多样性和运动的复杂性,原因二在于GPS数据存在的误差和不稳定性。虽然其通过引入滑窗平均的平滑方法一定程度上修正了其他交通方式中偶然性的波动问题,但由于该方法的评判尺度过度依赖于欧式距离的测度,GPS上的测量误差导致的漏判和错判并没有得到较好地改善。
发明人发现用户处于室内停留时,容易出现GPS和网络定位不停相互切换,速度也有较大变化。以汪磊(2015)的欧式距离阈值公式来计算此样本的欧氏距离图,如图2所示,从图2中可以看出,由于定位的不稳定性,此次真实的停留在欧式距离算法下会被漏判。
这是一种典型的室内停留但轨迹数据表现为运动的情景,这种GPS易受环境影响产生的不稳定是定位数据本身的局限性,因此,在现有的条件下,需要依靠其他可靠的运动参数来解决此问题。
从上述停留点识别方法可以发现,基于GPS技术和蜂窝网络技术的出行调查方法都是通过数字化设备获得数据,然后对获得数据的特点进行分析,由此推论出居民的出行方式和停留点,显然,其识别模型的正确性将直接影响分析结果的准确度。同时,由于GPS信号只有室外才能获取,因此只能识别室外停留点;而手机蜂窝信息的识别结果粒度和误差较大,对出行停留点的准确识别存在困难。同时对于特定情境如GPS漂移,上述方法也存在严重不足,对其实用性也构成了较大地挑战。
【发明内容】
本发明实施例要解决的技术问题是提高现有技术中停留点识别的准确度。
本发明实施例进一步要解决的技术问题是针对既具有网络类型采集点,又具有GPS类型采集点的混合环境下,如何有效的识别出停留点。本发明实施例采用如下技术方案:
第一方面,本发明实施例还提供了一种基于多运动参数的停留点识别方法,对应各采集点拥有各自的定位类型,终端周期性的进行一次采集点状态的判断,所述方法包括:
获取当前采集点;
在确定所述当前采集点为网络定位类型时,判断获取所述当前采集点之前终端所处状态;
若判断为运动状态,则获取预设时长t1内采集点;其中,预设时长t1内采集点包括GPS定位类型的采集点和网络定位类型的采集点;统计所述采集点中网络定位类型采集点的占比率和定位精度值变化度;若确定所述网络定位类型采集点的占比率大于预设网络占比阈值,并且定位精度值变化度小于预设精度阈值,则判断当前采集点为停留点;若判断为停留状态,则确定所述当前采集点定位坐标与前一停留点的距离,其中,距离大于预设距离时,则修改状态为运动状态,否则保持状态为停留状态;
在确定所述当前采集点为GPS定位类型时,判断获取所述当前采集点之前终端所处状态;
若判断为运动状态,则获取预设时长t2内由GPS定位类型采集点构成的集合,对于所述集合中采集点到簇中心距离小于预设半径距离,则将该采集点归属到相应分簇中;统计所述分簇内的GPS定位类型采集点个数相对于预设时长t2内总的GPS定位类型采集点的占比,并按照速度从小到大排列所述预设时长t2内各采集点,得到GPS采集点序列;若所述占比结果大于预设GPS占比阈值,且所述GPS采集点序列中的预设分位数小于预设GPS分位阈值,则判断当前采集点为停留点;若判断为停留状态,则保持状态为停留状态。
可选的,在执行所述统计所述采集点中网络定位类型采集点的占比率和定位精度值变化度操作之前,所述方法还包括:
将预设时长t1内的采集点按照采集时间先后等分成至少两段,对每一段计算其加速度模值的标准差,从小到大排列各段加速度模值的标准差,得到标准差序列;
取所述标准差序列中的预设分位数,若所述预设分位数小于预设标准差分位阈值,则直接判断当前采集点为停留点;否则执行所述统计所述采集点中网络定位类型采集点的占比率和定位精度值变化度的操作及其后续内容来判断停留点。
可选的,在执行对所述集合进行分簇操作之前,所述方法还包括:
将预设时长t2内的采集点按照采集时间先后等分成至少两段,对每一段计算其加速度模值的标准差,从小到大排列各段加速度模值的标准差,得到标准差序列;
取所述标准差序列中的预设分位数,若所述预设分位数小于预设标准差分位阈值,则直接判断当前采集点为停留点;否则执行对所述集合进行分簇操作及其后续内容来判断停留点。
第二方面,本发明实施例提供了一种基于多运动参数的停留点识别方法,采集点被标定为GPS定位类型或者网络定位类型后存储,方法包括:
判断当前采集点的定位类型为网络定位类型时,获取预设时长t1内采集点;其中,预设时长t1内采集点包括GPS定位类型的采集点和/或网络定位类型的采集点;
统计所述采集点中网络定位类型采集点的占比率和定位精度值变化度;若确定所述网络定位类型采集点的占比率大于预设网络占比阈值,并且定位精度值变化度小于预设精度阈值,则判断当前采集点为停留点。
可选的,在执行所述统计所述采集点中网络定位类型采集点的占比率和定位精度值变化度操作之前,所述方法还包括:
将预设时长t1内的采集点按照采集时间先后等分成至少两段,对每一段计算其加速度模值的标准差,从小到大排列各段加速度模值的标准差,得到标准差序列;
取所述标准差序列中的预设分位数,若所述预设分位数小于预设标准差分位阈值,则直接判断当前采集点为停留点;否则执行所述统计所述采集点中网络定位类型采集点的占比率和定位精度值变化度的操作及其后续内容来判断停留点。
可选的,对于确定为停留点的一组采集点,取所述当前采集点定位坐标相邻最近的对应具有干扰GPS定位信号的对象的位置中心为当前采集点的在地图上呈现的位置。
第三方面,本发明实施例提供了一种基于多运动参数的停留点识别方法,采集点被标定为GPS定位类型或者网络定位类型后存储,方法包括:
判断当前采集点的定位类型为GPS定位类型时,获取预设时长t2内由GPS定位类型采集点构成的集合,对所述集合进行分簇;其中,分簇过程包括:
对于所述集合中采集点到簇中心距离小于预设半径距离,则将该采集点归属到相应分簇中;
统计所述分簇内的GPS定位类型采集点个数相对于预设时长t2内总的GPS定位类型采集点的占比,并按照速度从小到大排列所述预设时长t2内各采集点,得到GPS采集点序列;
若所述占比结果大于预设GPS占比阈值,且所述GPS采集点序列中的预设分位数小于预设GPS分位阈值,则判断当前采集点为停留点。
可选的,在执行对所述集合进行分簇操作之前,所述方法还包括:
将预设时长t2内的采集点按照采集时间先后等分成至少两段,对每一段计算其加速度模值的标准差,从小到大排列各段加速度模值的标准差,得到标准差序列;
取所述标准差序列中的预设分位数,若所述预设分位数小于预设标准差分位阈值,则直接判断当前采集点为停留点;否则执行对所述集合进行分簇操作及其后续内容来判断停留点。
第四方面,本发明实施例还提供了一种基于多运动参数的停留点识别装置,所述装置包括采集点获取模块、定位类型判断模块、网络定位类型处理模块、GPS定位类型处理模块,其中,采集点获取模块连接所述定位类型判断模块,所述定位类型判断模块分别连接所述网络定位类型处理模块和GPS定位类型处理模块,具体的:
所述采集点获取模块,用于获取当前采集点;
所述定位类型判断模块,用于在确定所述当前采集点为网络定位类型时,判断获取所述当前采集点之前终端所处状态;
所述网络定位类型处理模块用于,在判断为运动状态时,获取预设时长t1内采集点;其中,预设时长t1内采集点包括GPS定位类型的采集点和网络定位类型的采集点;统计所述采集点中网络定位类型采集点的占比率和定位精度值变化度;若确定所述网络定位类型采集点的占比率大于预设网络占比阈值,并且定位精度值变化度小于预设精度阈值,则判断当前采集点为停留点;若判断为停留状态,则确定所述当前采集点定位坐标与前一停留点的距离,其中,距离大于预设距离时,则修改状态为运动状态,否则保持状态为停留状态;
所述定位类型判断模块,还用于在确定所述当前采集点为GPS定位类型时,判断获取所述当前采集点之前终端所处状态;
GPS定位类型处理模块,用于在判断为运动状态时,获取预设时长t2内由GPS定位类型采集点构成的集合,对于所述集合中采集点到簇中心距离小于预设半径距离,则将该采集点归属到相应分簇中;统计所述分簇内的GPS定位类型采集点个数相对于预设时长t2内总的GPS定位类型采集点的占比,并按照速度从小到大排列所述预设时长t2内各采集点,得到GPS采集点序列;若所述占比结果大于预设GPS占比阈值,且所述GPS采集点序列中的预设分位数小于预设GPS分位阈值,则判断当前采集点为停留点;若判断为停留状态,则保持状态为停留状态。
为了克服GPS传感器在室内不可用及在室外被遮挡的情况。本发明引入了混合定位技术,同时为了解决混合定位技术下的GPS定位数据和网络定位数据的特征不统一进行了特定分析和特征提取,最后引入了加速度传感器弥补了定位数据的不可靠性,综合运用上述条件构建室外和室内停留点识别模型,经过实例对比和实测表明,本文提出的停留点识别算法具有较高的准确性和实用性,较好地解决了当前出行调查停留点识别方法存在的问题,具有重要地理论和实际应用价值。
【附图说明】
为了更清楚地说明本实用新型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,下面描述中的附图仅仅是本实用新型的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1是本发明实施例提供的一种室内停留时的定位点分布效果图;
图2是本发明实施例提供的典型的室内停留但轨迹数据表现为运动数据欧式距离关系图;
图3是本发明实施例提供的一种基于多运动参数的网络侧停留点识别方法流程图;
图4是本发明实施例提供的一种网络侧停留点识别改进方法流程图;
图5是本发明实施例提供的一种基于多运动参数的GPS侧停留点识别方法流程图;
图6是本发明实施例提供的一种GPS侧停留点识别改进方法流程图;
图7是本发明实施例提供的另一种基于多运动参数的停留点识别方法流程图;
图8是本发明实施例提供的另一种基于多运动参数的停留点识别方法流程图;
图9是本发明实施例提供的一种数据采集界面效果图;
图10是本发明实施例提供的部分实验数据展示图;
图11是本发明实施例提供的静止时窗口样本点加速度采样值曲线图;
图12是本发明实施例提供的静止时窗口各段加速度标准差曲线图;
图13是本发明实施例提供的运动时窗口样本点加速度采样值曲线图;
图14是本发明实施例提供的运动时窗口各段加速度标准差曲线图;
图15是本发明实施例提供的静止时窗口样本点精度采样值曲线图;
图16是本发明实施例提供的移动时窗口样本点精度采样值曲线图。
【具体实施方式】
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在本发明的描述中,术语“内”、“外”、“纵向”、“横向”、“上”、“下”、“顶”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明而不是要求本发明必须以特定的方位构造和操作,因此不应当理解为对本发明的限制。
此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例1:
本发明实施例1提供了一种基于多运动参数的停留点识别方法,采集点被标定为GPS定位类型或者网络定位类型后存储,如图3所示,所述方法包括:
在步骤201中,判断当前采集点的定位类型为网络定位类型时,获取预设时长t1内采集点;其中,预设时长t1内采集点包括GPS定位类型的采集点和/或网络定位类型的采集点。
其中,当前采集点可以是由终端实时采集得到的定位点;也可以是在后期分析过程中,对于历史采集点中挑选出来用于分析、确定其是否为停留点的定位点。
其中,预设时长t1可以为1-5分钟,也可以是10s或者30s,其参数的设定主要考虑采集点的采集频率和设定的终端周期性的进行一次采集点状态的判断的周期时长,并且还要兼顾预设时长t1内采集点的总数(太高会影响终端运算效率)。一般控制预设时长t1内的采集点数量在100左右即可。其中,对于不同的周期,本发明实施例提供了两种分析模式:
一种为分段式的,即前后两次分析过程中,对应各自的预设时长t1内采集点之间没有重合的采集点,其前提条件为预设时长t1要小于所述周期的时长。该分段式的可以有效的减少计算量,并且对于采集频率较高的场合,能够有效的利用采集频率自身的优势。
另一种为滑窗方式,其极端情况就是周期时长为1s,即对采集点进行连续的分析。其劣势在于:会增加计算量,但是,优势也就是林敏度较高,并且,在预设时长t1足够短的情况下,可以极大程度上提高其使用场合范围。
在步骤202中,统计所述采集点中网络定位类型采集点的占比率和定位精度值变化度。
其中,对于处于GPS信号干扰较强区域,便会出现预设时长t1内两种定位类型采集点同时存在情况,而其中可以根据网络定位类型采集点的占比率来分析其GPS信号干扰是否足够强,从而预估用户是否进入停留区域。所述定位精度值是从基站侧获取的。
在步骤203中,若确定所述网络定位类型采集点的占比率大于预设网络占比阈值,并且定位精度值变化度小于预设精度阈值,则判断当前采集点为停留点。
其中,预设网络占比阈值可以设定为0.7-0.9,本实施例采用0.8,所述预设精度阈值可以为10-40,根据预设时长t1内包含的点数有关,若点数越多则相应的预设精度阈值会设定的较大。
本发明实施例提出了一种针对于网络定位类型采集点的状态判断方法,其适用于终端同时具备GPS定位和网络定位条件下,本发明实施例正是分析了该终端中GPS定位的优先级高于网络定位,即终端在能够采集到GPS定位的情况下,则会放弃或者忽略掉网络定位采集点。因此,本发明实施例利用网络定位采集点的占比和来确定当前终端是否进入具有屏蔽GPS信号特性的区域内,利用用户进入室内时GPS切换到Network定位这一原理,将进入室内的最后一个GPS有效点作为停留点的实际位置,有效地解决了现有技术中正确率不足的问题。例如具有屏蔽GPS信号特性的区域可以是楼房内、隧道内等等,其中,楼房类型为本发明实施例所更关心的对象。另外,为了保证网络定位点自身数据的准确性,考虑了CELL-ID法中研究出的相邻小区对停住点判断的影响,因此,在本发明实施例中进一步在考虑网络定位采集点的占比因素基础上,引入定位精度值因素,从而保证网络定位点的定位数据是可信的。
本发明实施例提供了停留点判断中,采集点为网络定位类型的一支判断上的处理流程上的改进方案,而相应的在该处理流程上,若确定了当前采集点为停留点,则会根据***的操作需求,将所述停留点记录在停留点维护表中;或者,将判断为停留点的采集点的定位信息在地图中标注。若在步骤203中判断当前采集点为非停留点,则会按照***预设的分析周期,等待下一轮分析判断过程,若仍然遇到采集点为网络定位类型时,重复执行步骤201-步骤203。
对于采集点为网络定位类型的一支处理流程中,除了可以直接通过步骤201-步骤203来实现停留点的判断外,本发明实施例还提供了一种扩展方案,即在步骤201-步骤203之前提供一个终端上加速度的判断处理,所述加速度的判断处理过程如果顺利的话则可以直接跳过步骤201-步骤203的执行过程,而得出当前采集点为停留点的判断,如图4所示,所述扩展方法具体执行为:
在步骤301中,将预设时长t1内的采集点按照采集时间先后等分成至少两段,对每一段计算其加速度模值的标准差,从小到大排列各段加速度模值的标准差,得到标准差序列。
在步骤302中,取所述标准差序列中的预设分位数,若所述预设分位数小于预设标准差分位阈值,则直接判断当前采集点为停留点;否则执行步骤201-步骤203来判断停留点。
其中,预设标准差分位阈值在Android平台采用0.057,在iOS平台采用0.013。上述两个参数值仅为本发明实施例测试时候采用的参数值,在实际实现过程中相应参数值还可以根据用户的步行加速度做相应的调整。
其中,在此步骤301-步骤302的处理过程是,是将其安排在步骤201-步骤203之前来执行的,若步骤301-步骤302判断为非停留点才会执行步骤201-步骤203。其原因是,终端在停留状态下时,也可能做具有大幅度加速度变化的活动,例如:用户携带终端在室内做有氧运动,又或者是用户拿着智能手机玩游戏,又或者是用户为了得到奖励而去完成某个APP所给定的走路任务,其完成手段就是在室内用手不停的甩智能手机等等。对于上述几种情况,步骤301-步骤302都会判断错误,此时就需要步骤201-步骤203来弥补。但是,若没有出现上述几种特殊情况,则步骤301-步骤302便能得出正确的结论,从而大大简化整个停留点判断处理周期,在保证结果正确性的前提下,提高终端的计算效率。
对于上述在地图上呈现终端的停留点位置的应用场景,本发明实施例还提出了一种优选的显示策略,对于确定为停留点的一组采集点,取所述当前采集点定位坐标相邻最近的对应具有干扰GPS定位信号的对象的位置中心为当前采集点在地图上呈现的位置状态。
该显示方式避免了停留点在屏幕显示中的跳动,另外,类似的处理方式还可以应用停留点的记录上,从而简化停留点的数据管理。
从编程语言角度阐述本发明实施例的实现,其中,采用的是滑窗的分析模式,
Tp={pj|pi.ti-pj.tj<Δt,j∈[1,|Tp|]},|Tp|为集合大小;其中,Δt为本发明实施例中所述的预设时长t1,|Tp|的含义为当前采集点i之前的归属于Δt时间内的所有采集点。其中,pi和ti之间的符号“.”是数据结构类中的归属符号,即ti为结构类pi中所包含的诸多属性中的一项。
其次,定义窗口内网络定位类型的点集合为:
Tp.D={pi|pj.typej==1,pj∈Tp},其中pj.typej=1为网络定位,pj.typej=0为GPS定位。
然后,定义精度值变化度Tp.c,其中,精度值变化度为时间口内相邻两点之间的精度值差值的绝对值的总和,在一定程序上反应了精度值变化的程度。
最后,停留点表达式为:
ST={Ti||Ti.D|>0.8|Ti|∩Ti.c<15},即Ti内定位类型为网络的占比大于80%(为本发明实施例中的预设网络占比阈值),且精度值变化度小于设定阈值15(为本发明实施例中的预设精度阈值),即可判断为停留点。
基于Network定位的停留检测是根据经验规则来确定的,其核心思想是依据室内定位参数变化依据环境变化而定,且无GPS信号(在大多数情况下)。在Zhao F,Ghorpade A,Pereira F C,et al.Stop detection in smartphone-based travel surveys[J].Transportation Research Procedia,2015,11:218-22中提出当建筑物处于多个基站信号塔的重叠区域时,室内的停留点由于这多个基站信号塔的切换(hand-over),导致出现多个偏离建筑物的停留点,其引入了信号塔的签名匹配用户常去地点来解决这一问题,其思想是,用户处于这些地方时,后台算法会记录此时所有能检测到的GSM信号塔。这些和某个常去地点相关联的GSM信号塔签名(GSM signature)。当一个新的待定停留点生成时,算法会检查此时手机是否使用GSM签名中的某一个,如果匹配成功,停留点将会被移动到相关联的常去地点。这种方法能有效地降低在停留点的漂移。但此方法也存在缺陷,那就是如果用户实际的停留点不在常去地点,也会被强行匹配到常去地点,从而得到错误的结果。本实施例所提出的这种方法,是利用用户进入室内时GPS切换到Network定位这一原理,将进入室内的最后一个GPS有效点作为停留点的实际位置,有效地解决了这一问题。
实施例2:
实施例1中从采集点为网络定位类型时,相应一支处理流程进行阐述。而本发明实施例则是从采集点为GPS定位类型时,阐述相应处理流程。如图5所示,本发明实施例提出了一种基于多运动参数的停留点识别方法,采集点被标定为GPS定位类型或者网络定位类型后存储,方法包括:
在步骤401中,判断当前采集点的定位类型为GPS定位类型时,获取预设时长t2内由GPS定位类型采集点构成的集合。
其中,当前采集点可以是由终端实时采集得到的定位点;也可以是在后期分析过程中,对于历史采集点中挑选出来用于分析、确定其是否为停留点的定位点。
其中,预设时长t2可以为1-5分钟,也可以是10s或者30s,其参数的设定主要考虑采集点的采集频率和设定的终端周期性的进行一次采集点状态的判断的周期时长,并且还要兼顾预设时长t1内采集点的总数(太高会影响终端运算效率)。一般控制预设时长t1内的采集点数量在100左右即可。其中,对于不同的周期,本发明实施例提供了两种分析模式:
一种为分段式的,即前后两次分析过程中,对应各自的预设时长t1内采集点之间没有重合的采集点,其前提条件为预设时长t1要小于所述周期的时长。该分段式的可以有效的减少计算量,并且对于采集频率较高的场合,能够有效的利用采集频率自身的优势。
另一种为滑窗方式,其极端情况就是周期时长为1s,即对采集点进行连续的分析。其劣势在于:会增加计算量,但是,优势也就是林敏度较高,并且,在预设时长t1足够短的情况下,可以极大程度上提高其使用场合范围。
在步骤402中,对于所述集合中采集点到簇中心距离小于预设半径距离,则将该采集点归属到相应分簇中。
其中,预设距离通常可以是5-10M,还可以依据终端当前所在环境周围中建筑对象的尺寸大小动态生成,例如:为提高精准度,可以将预设距离定为周边建筑对象中占地面积最小一个的相应尺寸。其中,簇的中心通常采用当前采集点。
在步骤403中,统计所述分簇内的GPS定位类型采集点个数相对于预设时长t2内总的GPS定位类型采集点的占比,并按照速度从小到大排列所述预设时长t2内各采集点,得到GPS采集点序列。
其中,采集点的速度通常是由GPS卫星计算并反馈给安装由GPS模块的终端。对于可选的方案来说,上述采集点的速度也可以由终端自身根据获取到的定位信息计算得到。上述两种方式均属于本发明实施例的实现方式。
在步骤404中,若所述占比结果大于预设GPS占比阈值,且所述GPS采集点序列中的预设分位数小于预设GPS分位阈值,则判断当前采集点为停留点。
其中,所述预设GPS占比阈值可以设定为0.8,根据判断的精准度可以适当的增加或者减少所述预设GPS占比阈值;所述预设GPS分位阈值通常根据用户的最小步行速度进行设定。
本发明实施例提出了一种针对于网络定位类型采集点的状态判断方法,其适用于终端同时具备GPS定位和网络定位条件下,本发明实施例正是分析了该终端中GPS定位的优先级高于网络定位,即终端在能够采集到GPS定位的情况下,则会放弃或者忽略掉网络定位采集点。因此,本发明实施例正是在分析了现有GPS定位数据可能发生飘逸的问题存在,因此,对于GPS定位数据新增了依据采集点速度排列的比较GPS采集点序列中的预设分位数大小的方法,剔除了干扰点,保证了最后判断结果的准确性。
对于采集点为网络定位类型的一支处理流程中,除了可以直接通过步骤401-步骤404来实现停留点的判断外,本发明实施例还提供了一种扩展方案,即在步骤401-步骤404之前提供一个终端上加速度的判断处理,所述加速度的判断处理过程如果顺利的话则可以直接跳过步骤401-步骤404的执行过程,而得出当前采集点为停留点的判断,如图6所示,所述扩展方法具体执行为:
在步骤501中,将预设时长t2内的采集点按照采集时间先后等分成至少两段,对每一段计算其加速度模值的标准差,从小到大排列各段加速度模值的标准差,得到标准差序列。
在步骤502中,取所述标准差序列中的预设分位数,若所述预设分位数小于预设标准差分位阈值,则直接判断当前采集点为停留点;否则执行步骤402-步骤404来判断停留点。
其中,预设标准差分位阈值在Android平台采用0.057,在iOS平台采用0.013。上述两个参数值仅为本发明实施例测试时候采用的参数值,在实际实现过程中相应参数值还可以根据用户的步行加速度做相应的调整。
其中,在此步骤501-步骤502的处理过程是,是将其安排在步骤401-步骤404之前来执行的,若步骤501-步骤502判断为非停留点才会执行步骤401-步骤404。其原因是,终端在停留状态下时,也可能做具有大幅度加速度变化的活动,例如:用户携带终端在室内做有氧运动,又或者是用户拿着智能手机玩游戏,又或者是用户为了得到奖励而去完成某个APP所给定的走路任务,其完成手段就是在室内用手不停的甩智能手机等等。对于上述几种情况,步骤501-步骤502都会判断错误,此时就需要步骤401-步骤404来弥补。但是,若没有出现上述几种特殊情况,则步骤501-步骤502便能得出正确的结论,从而大大简化整个停留点判断处理周期,在保证结果正确性的前提下,提高终端的计算效率。
在本发明实施例中,结合测试试验中所设计的数据结构阐述如何完成。首先,设i为当前点序列,窗口的轨迹表示为:Tp={pj|pi.ti-pj.tj<Δt,j∈[1,Tp],Tp为集合大小;这里pj表示在当前点pi之前,Δt时间内的点。其中,Δt为本发明实施例所述的预设时长t2。
其次,计算Tp内以pi为中心Δd领域内的点集合:
Tp.C={pi|distance(pi,pj)<Δd,pj∈Tp},Tp.C为集合大小;这里distance(pi,pj)表示两点之间的距离,Tp.C表示集合Tp内在以pi为圆心以△d为半径的区域里的点的集合。
定义集合Tp.B={pi.v|vi-1≤vi≤vi+1,i∈[1,|Tp|]}为Tp的速度值的升序集合,Tp.B为集合大小。
GPS停留点表达式为ST表示停留点集合,|Ti.C|>0.9*|Ti|表示Tp内在以pi为圆心以△d为半径的区域里的点的数量百分比大于整个样本数量的90%(即本发明实施例中的预设GPS占比阈值);P0.8*|Tp.B|.v表示集合Tp.B的第八十百分位数(即本发明实施例中的预设分位数,而vmin即本发明实施例中的预设GPS分位阈值)。
表达式的所代表的含义为,如果满足大多数点(90%)在给定的半径范围内,且大多数点(80%)的速度小于最小步行速度,即满足停留状态的判断。
Ti内以pi为中心Δd领域内的点数量大于Ti的百分之九十,且百分之八十点的速度值小于步行的最小阈值vmin,即可判断为停留点。
实施例3:
在提供了实施例1所述的一种基于多运动参数的停留点识别方法(网络定位类型侧)和实施例2所述的一种基于多运动参数的停留点识别方法(GPS定位类型侧)后,在本发明实施例中还提出了一种基于多运动参数的停留点识别方法,本发明实施例将实施例1和实施例2中的方法整合到一个完整模型中进行阐述。在本发明实施例中,采集点可以存储在终端上(例如:手机、手环、平板等智能设备),也可以存在服务器上。对应各采集点拥有各自的定位类型,终端周期性的进行一次采集点状态的判断,如图7所述,模型中的方法包括:
在步骤601中,获取当前采集点。
在本发明实施例中,实时当前采集点是由终端实时采集得到的定位点。
在步骤602中,在确定所述当前采集点为网络定位类型时,判断获取所述当前采集点之前终端所处状态。
在步骤603中,若判断为运动状态,则获取预设时长t1内采集点;其中,预设时长t1内采集点包括GPS定位类型的采集点和网络定位类型的采集点;统计所述采集点中网络定位类型采集点的占比率和定位精度值变化度;若确定所述网络定位类型采集点的占比率大于预设网络占比阈值,并且定位精度值变化度小于预设精度阈值,则判断当前采集点为停留点;若判断为停留状态,则确定所述当前采集点定位坐标与前一停留点的距离,其中,距离大于预设距离时,则修改状态为运动状态,否则保持状态为停留状态。并结束停留点的判断过程(如图7所示)。
在步骤603中,还可以在执行步骤202-203之前,先进行步骤301-302的通过加速度判断是否为停留点的过程。
在步骤604中,在确定所述当前采集点为GPS定位类型时,判断获取所述当前采集点之前终端所处状态。
在步骤605中,若判断为运动状态,则获取预设时长t2内由GPS定位类型采集点构成的集合,对于所述集合中采集点到簇中心距离小于预设半径距离,则将该采集点归属到相应分簇中;统计所述分簇内的GPS定位类型采集点个数相对于预设时长t2内总的GPS定位类型采集点的占比,并按照速度从小到大排列所述预设时长t2内各采集点,得到GPS采集点序列;若所述占比结果大于预设GPS占比阈值,且所述GPS采集点序列中的预设分位数小于预设GPS分位阈值,则判断当前采集点为停留点;若判断为停留状态,则保持状态为停留状态。并结束停留点的判断过程(如图7所示)。
其中,在步骤605中,还可以在执行步骤402-404之前,先进行步骤501-502的通过加速度判断是否为停留点的过程。
本发明实施例总和了实施例1和实施例2中各自的处理手段,提出了一种复杂环境下的停留点的判断方法,提出了一种行之有效的解决手段。相比较现有技术中各种处理方式,本发明实施例兼具了实施例1和实施例2的有益效果,在此不再赘述。
对应实施例1,本发明实施例在执行步骤603之前,也存在一种优选的扩展步骤,即利用加速度传感器检测到的数据进行停留点判断,若没有成功再执行步骤603的计算过程。类似实施例1中步骤301-步骤302的阐述,具体内容如下:
将预设时长t1内的采集点按照采集时间先后等分成至少两段,对每一段计算其加速度模值的标准差,从小到大排列各段加速度模值的标准差,得到标准差序列;
取所述标准差序列中的预设分位数,若所述预设分位数小于预设标准差分位阈值,则直接判断当前采集点为停留点;否则执行所述统计所述采集点中网络定位类型采集点的占比率和定位精度值变化度的操作及其后续内容来判断停留点。
对应实施例1,本发明实施例在执行步骤605之前,也存在一种优选的扩展步骤,即利用加速度传感器检测到的数据进行停留点判断,若没有成功再执行步骤605的计算过程。类似实施例1中步骤501-步骤502的阐述,具体内容如下:
据预设时长t2内的各采集点所配置的加速度,从小到大排列各采集点所配置的加速度在相应预设时长t2内的标准差,得到标准差序列;
取所述标准差序列中的预设分位数,若所述预设分位数小于预设标准差分位阈值,则直接判断当前采集点为留点;否则执行对所述集合进行分簇操作及其后续内容来判断停留点。
在本发明个实施例中,为了便于计算和统计,终端可以为每一采集点配置由定位坐标、时间戳、速度、定位精度、加速度和定位类型中一项或者多项组成的参数。如实施例1和实施例2中具体数据结构中给予的采集点pi具备的时间戳表达方式pi.ti。
在本发明实施例中,以采集点同时包含定位坐标、时间戳、速度、定位精度、加速度和定位类型为例,以上述基于加速度传感器检测实现的扩展方案为例,其中,预设时长t1内的采集点其体现为数据结构如下:
时间窗口Tp={pi|pi=(li,ti,alti,vi,Accui,ai,si,typei),i∈I};其中,li代表点的经纬度坐标(即上述定位坐标),ti时间戳,alti代表海拔,vi代表采集点的速度,Accui代表定位的水平位置精度,ai加速度模值,si状态(包括停留状态和运动状态),typei为定位类型,I为组成轨迹的点数。将时间窗口Tp分为n段,每段所包含的采集点样本数量为m(这里划分的目的主要从从统计学角度来分析窗口的整体运动状态,比如时间窗口为5分钟,对每一分钟作为一段,共5段,对每一段单独进行加速度标准差计算,如果5段中有超过3段表现为静止,可判定整个时间窗口为静止的),则有Tp={si|si=(p1+(i-1)*m,pi*m),i∈[1,n]}。
计算每条轨迹段的加速度标准差:定义集合Tp.A={si.astd|si-1.astd≤si.astd≤si+1.astd,i∈[1,n]}为从小到大已排好序的n段样本的标准差,计算Tp.A的第三四分位数q3=s0.75*n.astd,则静止点的表达式为ST={Ti|Ti.A.q3<0.057}。
在整个时间窗口范围内,以1分钟为单位分段,对每一段计算其加速度模值的标准差,并将其与预设标准差分位阈值进行比较,这里Android平台采用0.057,iOS平台0.013,一旦标准差小于这个预设标准差分位阈值,这一段被判定为静止段,对窗口内所有段进行计算,然后对静止段进行统计,如果静止段数量占多数则判断此时为静止停留点,这里我们观察所有段的加速度标准差,以第三四分位数q3与预设标准差分位阈值相比较,如果其数值小于预设标准差分位阈值,则该窗口大多数段为静止的是可置信的。
实施例4:
在通过上述方法步骤和原理阐述形式介绍了本发明实施例如何实现改进的停留点识别方法后,本发明实施例则是结合伪代码和具体测试中采用的具有更详尽参数属性的实施例,在本发明实施例中需要对如实施例3所述模型做相关数据结构的预定义,在本发明实施例中终端具体表现为智能手机,则首先要进行手机定位轨迹数据模型的建立。具体包括:
手机的原始定位数据是由一个地理坐标点和一个时间戳加上其他参数组成,每一个点在时空上是唯一的。由于混合定位模式下,采用网络定位和采用GPS模块定位是依据用户的周边环境条件而变化的,而两种模式下的轨迹数据参数有一定差别,结合两者异同点并辅以加速度数据,定义手机多运动参数数据模型。
定义轨迹,Tp={pi|pi=(li,ti,alti,vi,Accui,ai,si,typei),i∈I},其中,li代表点的经纬度坐标(即上述定位坐标),ti时间戳,alti代表海拔,vi代表采集点的速度,Accui代表定位的水平位置精度,ai加速度模值,si状态(包括停留状态和运动状态),typei为定位类型,I为组成轨迹的点数。
其次,对于采集的数据是要做一道筛选的,避免明显不符合逻辑的采集点数据混入实施例1-3中的计算和分析过程。该过程也称为原始数据清洗。具体包括:
在原始数据清洗阶段,对于GPS定位点,它的误差主要来源于密集的建筑物地区、室内、地下区域等等,GPS的信号强度非常微弱且带有一定的噪声,甚至没有GPS信号,同时卫星运行时之间的夹角和也会影响定位精度。根据经验,错误的定位点同时会产生错误的海拔值,通过比较Ti.alt和当地的平均海拔值。若远远偏离,则舍弃当前点。根据当前点和上一个点之间的距离除以时间戳的差值计算出平均速度V=Distance(li,li-1)如果远远大于极限速度v,也过滤掉。此外,根据经验得知,GPS或AGPS的定位精度普遍在30m以内,对于Accu远大于30的点也可以进行过滤处理。同时,在实践应用中,某些时候也存在精度小于30但实际是漂移的点,如手机靠近窗户时,处于室内外临界区时。这时,通过较小的加速度值来高度自信地过滤掉这些距离变化较大的点,特别是用户处于停留状态时如睡觉吃饭等。
对于网络定位点,由于整体数据大多数是不准确的,只能根据Accu来过滤,Accu>>50,我们可以过滤掉。这里注意,对于网络定位点的数据的过滤,本发明实施例只是为了用户轨迹界面的美观不让它在地图上显示而已,并没有真正的删除它们,在接下来的停留点算法检测中会用到它们。然后就是利用实施例1-3所述方法进行停留点检测,具体实现如下:
在本发明实施例中采用滑窗方式,窗口的基准点为当前点,窗口的大小为当前点到距当前点之前△t时间内的所有点,△t为图8中步骤704标注的停留点判定的时间阈值。同时设置全局参数来保持当前状态,其中,currentState为当前用户处于的状态(stop或move),lastStopTime为上一个停留点的结束时刻;traceList为所有点的集合tracelist={Ti},1≤i≤S,gpsList为GPS点的集合tracelist={Ti|Ti.type=0},1≤i≤S。stopList为停留点集合,即算法的输出。
整个停留点的算法流程如下,具体流程图如图8所示,包括:
在步骤701中,冷启动,参数初始化,traceList为所有点集合,gpsList为GPS数据点集合,state为状态,lastStopTime为上一次停留的结束时间。
在步骤702中,将当前点放入traceList,判断当前定位类型,如果为GPS,执行步骤703,如果为网络定位执行步骤706。
在步骤703中,将当前点放入gpsList,判断当前状态state,如果是stop,判断当前点是否和上一次停留点距离大于△d,如果是,当前状态由stop->move,否则更新laststoptime时间;如果当前状态为move,执行步骤704。
在步骤704中,对traceList运行加速度静止检测,如果判断为静止,执行步骤709,否则执行步骤705,即实施例2中相关方法步骤。
在步骤705中,对gpsList运行GPS室外停留检测,如果判断为停留,执行步骤709,否则重复步骤702。
在步骤706中,判断当前状态state,如果是stop,更新laststoptime时间;如果当前状态为move,执行步骤707。
在步骤707中,对traceList运行加速度静止检测,如果判断为静止,执行步骤709,否则执行步骤708,即实施例1中相关方法步骤。
在步骤708中,对traceList运行Network室内停留检测,如果判断为停留,执行步骤709,否则重复步骤702。
在步骤709中,State由move->stop,更新laststoptime时间,新增停留点到stopList,重复步骤702。
本文结合智能手机下的混合定位技术和加速度传感器模块,提出了一种实时的基于手机多运动参数下的停留点生成方法,该方法充分利用了GPS定位和网络定位的优势,同时结合加速度传感器弥补了单一定位数据的不可靠性,综合运用上述条件构建室外和室内停留点识别模型,并对移动时和静止时的运动参数特征进行了阈值分类,最后在Android平台上实现了该方法,验证了其可行性,较好地解决了当前出行调查停留点识别方法存在的问题。
实施例5:
为了验证本文的模型和方法,研究过程中我们开发了基于Android平台的大众出行数据采集***。软件APP界面如图9所示,整个实现过程收集了近百位志愿者,共计28万行轨迹数据,合计361小时,图10为数据的部分展示示意图。
图10为测试用户在室内停留时的数据,可以发现用户处于室内停留时,GPS和网络定位不停相互切换,图中角度(bearing)不为0的为GPS数据。由于定位的不稳定性,此次真实的停留在欧式距离算法下会被漏判。但通过加速度静止检测方法的计算结果如图11-图12,可以看出停留点的检测是成功的。
图12为此样本的加速度采样值和窗口分段标准差,横轴为样本点序列,采样间隔为5s,纵轴为加速度模值,可以看到,静止时加速度值普遍在0.1以下,从该样本分段(每10点为一段)后的标准差曲线图,所有段的标准差均小于阈值0.057。通过本发明实施例1-3中的停留点算法,我们可以判定该样本为停留状态,可以看出,加速度参数作为可靠的参数,可以弥补GPS定位漂移时产生的识别结果的不稳定性,准确地识别出用户真实的停留点。
同时通过对比运动状态时加速度数据,两者存在着显著性特征差异。图13为步行时的加速度采样值,图14为样本分段后的标准差曲线图,通过对比图11,可以发现步行时的加速度范围在1-5;通过对比图12,可以发现标准差普遍在0.5到2之间波动。通过本发明实施例1-3中的停留点算法,我们可以判定该样本为运动状态。
可以看出,当用户处于停留状态时,通过本文的加速度静止检测方法能有效地识别出来。
对于加速度阈值无法识别的停留点,我们用过定位数据来判断是否停留点。如图15为室内停留时,GPS信号完全被遮挡,而采用网络定位环境下的精度值曲线。其中100样本点序列的精度值变化度分别为12和4,分别对应图15左边和右边示意图;相比移动状态,停留时周围环境变化较小,定位的精度相差很小。移动时,由于周围环境不断变化,定位的精度也随之变化。图16为移动时的精度曲线图,其中100样本点的精度值变化度分别为565和188,分别对应图16左边和右边示意图(所述精度值变化度是指相邻两点之差的累加和),这里的精度值变化度是指相邻两点之差的累加和。可见停留时的精度值变化度和移动时的变化度有着较大的差异。
因此合理的精度值变化度阈值能较好地识别出停留和移动,通过对58个志愿者361小时的数据分析,室内停留时的5分钟精度值变化度平均为15能达到较好的阈值。
原型***一共提供了五个基础功能,包括实时记录用户的轨迹数据,轨迹的平滑滤波处理,停留点以生活日志形式展示的个人历史记录,用户个人中心。
实施例6:
本发明实施例还提供了一种基于多运动参数的停留点识别装置,该装置用于执行实施例3和实施例4所述的方法,所述装置包括采集点获取模块、定位类型判断模块、网络定位类型处理模块、GPS定位类型处理模块,其中,采集点获取模块连接所述定位类型判断模块,所述定位类型判断模块分别连接所述网络定位类型处理模块和GPS定位类型处理模块,具体的:
所述采集点获取模块,用于获取当前采集点;
所述定位类型判断模块,用于在确定所述当前采集点为网络定位类型时,判断获取所述当前采集点之前终端所处状态;
所述网络定位类型处理模块用于,在判断为运动状态时,获取预设时长t1内采集点;其中,预设时长t1内采集点包括GPS定位类型的采集点和网络定位类型的采集点;统计所述采集点中网络定位类型采集点的占比率和定位精度值变化度;若确定所述网络定位类型采集点的占比率大于预设网络占比阈值,并且定位精度值变化度小于预设精度阈值,则判断当前采集点为停留点;若判断为停留状态,则确定所述当前采集点定位坐标与前一停留点的距离,其中,距离大于预设距离时,则修改状态为运动状态,否则保持状态为停留状态;
所述定位类型判断模块,还用于在确定所述当前采集点为GPS定位类型时,判断获取所述当前采集点之前终端所处状态;
GPS定位类型处理模块,用于在判断为运动状态时,获取预设时长t2内由GPS定位类型采集点构成的集合,对于所述集合中采集点到簇中心距离小于预设半径距离,则将该采集点归属到相应分簇中;统计所述分簇内的GPS定位类型采集点个数相对于预设时长t2内总的GPS定位类型采集点的占比,并按照速度从小到大排列所述预设时长t2内各采集点,得到GPS采集点序列;若所述占比结果大于预设GPS占比阈值,且所述GPS采集点序列中的预设分位数小于预设GPS分位阈值,则判断当前采集点为停留点;若判断为停留状态,则保持状态为停留状态。
值得说明的是,上述装置内的模块、单元之间的信息交互、执行过程等内容,由于与本发明的处理方法实施例基于同一构思,具体内容可参见本发明方法实施例中的叙述,此处不再赘述。
本领域普通技术人员可以理解实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,Random AccessMemory)、磁盘或光盘等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于多运动参数的停留点识别方法,其特征在于,对应各采集点拥有各自的定位类型,终端周期性的进行一次采集点状态的判断,所述方法包括:
获取当前采集点;
在确定所述当前采集点为网络定位类型时,判断获取所述当前采集点之前终端所处状态;
若判断为运动状态,则获取预设时长t1内采集点;其中,预设时长t1内采集点包括GPS定位类型的采集点和网络定位类型的采集点;统计所述采集点中网络定位类型采集点的占比率和定位精度值变化度;若确定所述网络定位类型采集点的占比率大于预设网络占比阈值,并且定位精度值变化度小于预设精度阈值,则判断当前采集点为停留点;若判断为停留状态,则确定所述当前采集点定位坐标与前一停留点的距离,其中,距离大于预设距离时,则修改状态为运动状态,否则保持状态为停留状态;
在确定所述当前采集点为GPS定位类型时,判断获取所述当前采集点之前终端所处状态;
若判断为运动状态,则获取预设时长t2内由GPS定位类型采集点构成的集合,对于所述集合中采集点到簇中心距离小于预设半径距离,则将该采集点归属到相应分簇中;统计所述分簇内的GPS定位类型采集点个数相对于预设时长t2内总的GPS定位类型采集点的占比,并按照速度从小到大排列所述预设时长t2内各采集点,得到GPS采集点序列;若所述占比结果大于预设GPS占比阈值,且所述GPS采集点序列中的预设分位数小于预设GPS分位阈值,则判断当前采集点为停留点;若判断为停留状态,则保持状态为停留状态。
2.根据权利要求1所述的停留点识别方法,其特征在于,在执行所述统计所述采集点中网络定位类型采集点的占比率和定位精度值变化度操作之前,所述方法还包括:
将预设时长t1内的采集点按照采集时间先后等分成至少两段,对每一段计算其加速度模值的标准差,从小到大排列各段加速度模值的标准差,得到标准差序列;
取所述标准差序列中的预设分位数,若所述预设分位数小于预设标准差分位阈值,则直接判断当前采集点为停留点;否则执行所述统计所述采集点中网络定位类型采集点的占比率和定位精度值变化度的操作及其后续内容来判断停留点。
3.根据权利要求1所述的停留点识别方法,其特征在于,在执行对所述集合进行分簇操作之前,所述方法还包括:
将预设时长t2内的采集点按照采集时间先后等分成至少两段,对每一段计算其加速度模值的标准差,从小到大排列各段加速度模值的标准差,得到标准差序列;
取所述标准差序列中的预设分位数,若所述预设分位数小于预设标准差分位阈值,则直接判断当前采集点为停留点;否则执行对所述集合进行分簇操作及其后续内容来判断停留点。
4.根据权利要求1-3任一所述的停留点识别方法,其特征在于,每一采集点配置由定位坐标、时间戳、速度、定位精度、加速度和定位类型中一项或者多项组成的参数。
5.一种基于多运动参数的停留点识别方法,其特征在于,采集点被标定为GPS定位类型或者网络定位类型后存储,方法包括:
判断当前采集点的定位类型为网络定位类型时,获取预设时长t1内采集点;其中,预设时长t1内采集点包括GPS定位类型的采集点和/或网络定位类型的采集点;
统计所述采集点中网络定位类型采集点的占比率和定位精度值变化度;若确定所述网络定位类型采集点的占比率大于预设网络占比阈值,并且定位精度值变化度小于预设精度阈值,则判断当前采集点为停留点。
6.根据权利要求5所述的停留点识别方法,其特征在于,在执行所述统计所述采集点中网络定位类型采集点的占比率和定位精度值变化度操作之前,所述方法还包括:
根据预设时长t1内的各采集点所配置的加速度,从小到大排列各采集点所配置的加速度在相应预设时长t1内的标准差,得到标准差序列;
取所述标准差序列中的预设分位数,若所述预设分位数小于预设标准差分位阈值,则直接判断当前采集点为停留点;否则执行所述统计所述采集点中网络定位类型采集点的占比率和定位精度值变化度的操作及其后续内容来判断停留点。
7.根据权利要求5所述的停留点识别方法,其特征在于,对于确定为停留点的一组采集点,取所述当前采集点定位坐标相邻最近的对应具有干扰GPS定位信号的对象的位置中心为当前采集点的在地图上呈现的位置。
8.一种基于多运动参数的停留点识别方法,其特征在于,采集点被标定为GPS定位类型或者网络定位类型后存储,方法包括:
判断当前采集点的定位类型为GPS定位类型时,获取预设时长t2内由GPS定位类型采集点构成的集合,对所述集合进行分簇;其中,分簇过程包括:
对于所述集合中采集点到簇中心距离小于预设半径距离,则将该采集点归属到相应分簇中;
统计所述分簇内的GPS定位类型采集点个数相对于预设时长t2内总的GPS定位类型采集点的占比,并按照速度从小到大排列所述预设时长t2内各采集点,得到GPS采集点序列;
若所述占比结果大于预设GPS占比阈值,且所述GPS采集点序列中的预设分位数小于预设GPS分位阈值,则判断当前采集点为停留点。
9.根据权利要求8所述的停留点识别方法,其特征在于,在执行对所述集合进行分簇操作之前,所述方法还包括:
将预设时长t2内的采集点按照采集时间先后等分成至少两段,对每一段计算其加速度模值的标准差,从小到大排列各段加速度模值的标准差,得到标准差序列;
取所述标准差序列中的预设分位数,若所述预设分位数小于预设标准差分位阈值,则直接判断当前采集点为停留点;否则执行对所述集合进行分簇操作及其后续内容来判断停留点。
10.一种基于多运动参数的停留点识别装置,其特征在于,所述装置包括采集点获取模块、定位类型判断模块、网络定位类型处理模块、GPS定位类型处理模块,其中,采集点获取模块连接所述定位类型判断模块,所述定位类型判断模块分别连接所述网络定位类型处理模块和GPS定位类型处理模块,具体的:
所述采集点获取模块,用于获取当前采集点;
所述定位类型判断模块,用于在确定所述当前采集点为网络定位类型时,判断获取所述当前采集点之前终端所处状态;
所述网络定位类型处理模块用于,在判断为运动状态时,获取预设时长t1内采集点;其中,预设时长t1内采集点包括GPS定位类型的采集点和网络定位类型的采集点;统计所述采集点中网络定位类型采集点的占比率和定位精度值变化度;若确定所述网络定位类型采集点的占比率大于预设网络占比阈值,并且定位精度值变化度小于预设精度阈值,则判断当前采集点为停留点;若判断为停留状态,则确定所述当前采集点定位坐标与前一停留点的距离,其中,距离大于预设距离时,则修改状态为运动状态,否则保持状态为停留状态;
所述定位类型判断模块,还用于在确定所述当前采集点为GPS定位类型时,判断获取所述当前采集点之前终端所处状态;
GPS定位类型处理模块,用于在判断为运动状态时,获取预设时长t2内由GPS定位类型采集点构成的集合,对于所述集合中采集点到簇中心距离小于预设半径距离,则将该采集点归属到相应分簇中;统计所述分簇内的GPS定位类型采集点个数相对于预设时长t2内总的GPS定位类型采集点的占比,并按照速度从小到大排列所述预设时长t2内各采集点,得到GPS采集点序列;若所述占比结果大于预设GPS占比阈值,且所述GPS采集点序列中的预设分位数小于预设GPS分位阈值,则判断当前采集点为停留点;若判断为停留状态,则保持状态为停留状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710209844.0A CN107121690B (zh) | 2017-03-31 | 2017-03-31 | 一种基于多运动参数的停留点识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710209844.0A CN107121690B (zh) | 2017-03-31 | 2017-03-31 | 一种基于多运动参数的停留点识别方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107121690A CN107121690A (zh) | 2017-09-01 |
CN107121690B true CN107121690B (zh) | 2019-05-28 |
Family
ID=59724911
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710209844.0A Active CN107121690B (zh) | 2017-03-31 | 2017-03-31 | 一种基于多运动参数的停留点识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107121690B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107589435A (zh) * | 2017-09-05 | 2018-01-16 | 成都新橙北斗智联有限公司 | 一种北斗gps轨迹停留分析方法 |
CN108391235B (zh) * | 2018-02-13 | 2020-12-22 | 中国联合网络通信集团有限公司 | 一种数据分析方法及装置 |
CN109711599B (zh) * | 2018-11-26 | 2021-03-23 | 跨越速运集团有限公司 | 基于时效优先的物流自动化调度方法及*** |
CN110222131A (zh) * | 2019-05-21 | 2019-09-10 | 北京交通大学 | 起讫信息提取方法及装置 |
CN110398240B (zh) * | 2019-06-12 | 2021-07-20 | 北京邮电大学 | 一种基于电子围栏的位置判定方法、装置与电子设备 |
CN110763860B (zh) * | 2019-10-09 | 2022-04-19 | 武汉风潮物联科技有限公司 | 一种实时监控工程机械运行状态的方法 |
CN112991804B (zh) * | 2019-12-18 | 2022-06-07 | 浙江大华技术股份有限公司 | 停留区域确定方法以及相关装置 |
CN111405483B (zh) * | 2020-03-10 | 2021-07-30 | 腾讯科技(深圳)有限公司 | 行程轨迹生成方法、装置、电子设备及存储介质 |
CN114390668B (zh) * | 2020-10-21 | 2023-12-12 | 中移物联网有限公司 | 一种定位切换方法、装置及用户设备 |
CN113284337B (zh) * | 2021-04-19 | 2023-04-07 | 国交空间信息技术(北京)有限公司 | 基于车辆轨迹多维数据的od矩阵计算方法及装置 |
CN117493921B (zh) * | 2024-01-03 | 2024-03-19 | 智洁云服(大连)信息技术有限公司 | 基于大数据的人工智能节能管理方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102036165A (zh) * | 2010-12-16 | 2011-04-27 | 中兴通讯股份有限公司 | 支持多种定位方式的定位方法及用户终端 |
CN107038168A (zh) * | 2016-02-03 | 2017-08-11 | 中兴通讯股份有限公司 | 一种用户通勤轨迹管理方法、装置及*** |
-
2017
- 2017-03-31 CN CN201710209844.0A patent/CN107121690B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102036165A (zh) * | 2010-12-16 | 2011-04-27 | 中兴通讯股份有限公司 | 支持多种定位方式的定位方法及用户终端 |
CN107038168A (zh) * | 2016-02-03 | 2017-08-11 | 中兴通讯股份有限公司 | 一种用户通勤轨迹管理方法、装置及*** |
Non-Patent Citations (2)
Title |
---|
"Identitying The Stay Point Using GPS Trajectory of Taxis";Hao Xiao et al.;《Applied Mechanics and Materials》;20130808;第3511-3515页 |
"基于GPS调查数据的出行-活动-中途驻停识别";宗芳 等;《华南理工大学雪白(自然科学版)》;20150430;第43卷(第4期);第28-33页 |
Also Published As
Publication number | Publication date |
---|---|
CN107121690A (zh) | 2017-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107121690B (zh) | 一种基于多运动参数的停留点识别方法和装置 | |
CN109525935A (zh) | 一种针对普适室内环境的智能楼层感知方法及控制*** | |
Hu et al. | Smartroad: Smartphone-based crowd sensing for traffic regulator detection and identification | |
Montoliu et al. | Discovering human places of interest from multimodal mobile phone data | |
CN112949413B (zh) | 基于街景图片的城市景观要素分类及地方性度量方法 | |
Xiao et al. | Transportation activity analysis using smartphones | |
WO2022089031A1 (zh) | 一种基于大数据和人工智能的网络优化方法 | |
Alzantot et al. | Crowdinside: Automatic construction of indoor floorplans | |
CN103477241B (zh) | 来自运动和环境光分类器的装置位置估计 | |
CN109996186A (zh) | 一种网络覆盖问题识别方法及装置、可读取存储介质 | |
CN108109423B (zh) | 基于WiFi室内定位的地下停车场智能导航方法及*** | |
CN105447504A (zh) | 一种交通模式行为识别方法及相应的识别模型构建方法 | |
CN106339716A (zh) | 一种基于加权欧氏距离的移动轨迹相似度匹配方法 | |
CN108763345A (zh) | 小区经纬度的校验方法、用户设备、存储介质及装置 | |
CN111698774B (zh) | 基于多源信息融合的室内定位方法及装置 | |
CN106210511A (zh) | 一种定位用户的方法和装置 | |
CN108898520A (zh) | 基于轨迹数据的学生安全监控方法和*** | |
CN110426037A (zh) | 一种封闭环境下的行人运动轨迹实时获取方法 | |
CN115409069A (zh) | 村镇建筑的识别方法、分类方法、装置、电子设备和介质 | |
CN112365708A (zh) | 基于多图卷积网络的景区交通量预测模型建立和预测方法 | |
CN110430578A (zh) | 基于移动终端数据实现小区方位角预测的方法 | |
CN110213710A (zh) | 一种基于随机森林的高性能室内定位方法、室内定位*** | |
Ghorpade et al. | An integrated stop-mode detection algorithm for real world smartphone-based travel survey | |
Yu et al. | Effective fingerprint extraction and positioning method based on crowdsourcing | |
Jariyasunant et al. | Overcoming battery life problems of smartphones when creating automated travel diaries |
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 |