CN109029446B - 一种行人位置预测方法、装置及设备 - Google Patents

一种行人位置预测方法、装置及设备 Download PDF

Info

Publication number
CN109029446B
CN109029446B CN201810651020.3A CN201810651020A CN109029446B CN 109029446 B CN109029446 B CN 109029446B CN 201810651020 A CN201810651020 A CN 201810651020A CN 109029446 B CN109029446 B CN 109029446B
Authority
CN
China
Prior art keywords
track
poi
historical
pedestrian
mode
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
Application number
CN201810651020.3A
Other languages
English (en)
Other versions
CN109029446A (zh
Inventor
邓中亮
林乐轩
刘雯
王玮
闫小涵
焦继超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN201810651020.3A priority Critical patent/CN109029446B/zh
Publication of CN109029446A publication Critical patent/CN109029446A/zh
Application granted granted Critical
Publication of CN109029446B publication Critical patent/CN109029446B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01C21/20—Instruments for performing navigational calculations
    • G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)

Abstract

本发明实施例提供了一种行人位置预测方法、装置及设备，其中，该方法包括：获取被预测行人的位置轨迹信息，位置轨迹信息包括被预测行人不同时刻的位置信息；根据位置轨迹信息，确定被预测行人的运动模式轨迹，其中，运动模式轨迹包括被预测行人在不同时段经过的兴趣点(Point of Interest，POI)区域，POI区域表示被访问频次达到预设条件的区域；从预先保存的多个历史模式轨迹中，查找与运动模式轨迹匹配的匹配历史模式轨迹，其中，历史模式轨迹包括历史行人在不同时段经过的POI区域；根据匹配历史模式轨迹，通过马尔科夫预测方式，预测被预测行人的位置。如此能够提高预测的准确性。

Description

一种行人位置预测方法、装置及设备
技术领域
本发明涉及数据处理技术领域，特别是涉及一种室内环境中行人位置预测方法、装置及设备。
背景技术
随着国内经济水平的持续发展，购物和出行在人们日常生活的场景中的占比逐渐增高。机场、车站、商场等大型室内场景长时间保持着较大的人流量，行人与商铺之间的关系，一般只有两种关系，一种是行人主动前往其所感兴趣的商铺的强关系，另一种是商铺广播式向行人散布广告的弱关系。弱关系中，商铺对行人缺乏精准推送，导致商铺在买卖环境中处于劣势，无法主动与行人建立强关系。如果对室内行人移动趋势进行预测，可以帮助商铺及时发现潜在的客户对象，实现精准推送广告服务或者优惠政策等信息。另外，在公共安全方面，近年来被爆出多次因人群密度过大导致的拥挤、***故的发生，几乎每次事故都会造成多人死伤的严重后果，如果对室内行人运动趋势进行预测，可以及时判别室内区域的人群密度，提早发现潜在可能会聚集形成的高人群密度区域，提前发布预警等措施，避免***故等悲剧的发生。此外，在机场、车站等地区，对于室内行人的导航服务很多情况是需要提供所需时间尽可能短的路线，方便乘客赶往安检口或者检票口，而相较于室外，室内环境小，人群密度在短时间内的变化较大，很容易出现人群扎堆拥挤不堪的情景，此时，如果对室内行人移动趋势进行预测，可以判断路径规划的路线上人群密度，可以做到及时动态规划路线，提高行人出行效率。可以看出，对于室内行人移动趋势的研究，可以应用到实际生活的很多场景中。
现有技术中，通过马尔科夫预测方法实现对室内环境中行人移动趋势的预测。具体地，获取多个行人在多个历史时刻的位置数据，如t＝1时刻位于位置a1，t＝2时刻位于位置a2，…，t＝n时刻位于位置an等等；根据该位置数据，计算基于马尔科夫的概率转移矩阵：
Figure GDA0002647208500000011
其中，概率转移矩阵中元素，Pij＝P{Xn+1＝aj|Xn＝ai}，表示行人在n时刻位于位置ai时，n+1时刻位于位置aj的概率，i＝1,2,...,m；j＝1,2,...,m；在已知行人当前时刻的位置时，根据该概率转移矩阵，预测行人下一时刻的位置，如，当前时刻位于位置a1时，选择该概率转移矩阵第一行中最大的元素为P1j，如此，可以确定行人下一时刻的位置为aj。
不难理解的是，行人移动过程中下一时刻的位置，不仅与当前时刻的位置有关，而且与多个历史时刻的位置均有关。而现有技术中，通过马尔科夫预测方法对行人移动趋势进行预测的过程中，仅根据行人当前时刻处于的位置来预测下一时刻的位置，如此使得对行人位置预测的准确性较低。
发明内容
本发明实施例的目的在于提供一种行人位置预测方法、装置及设备，以提高预测的准确性。具体技术方案如下：
第一方面，本发明实施例提供了一种行人位置预测方法，包括：
获取被预测行人的位置轨迹信息，所述位置轨迹信息包括所述被预测行人不同时刻的位置信息；
根据所述位置轨迹信息，确定所述被预测行人的运动模式轨迹，其中，所述运动模式轨迹包括所述被预测行人在不同时段经过的兴趣点POI区域，所述POI区域表示被访问频次达到预设条件的区域；
从预先保存的多个历史模式轨迹中，查找与所述运动模式轨迹匹配的匹配历史模式轨迹，其中，所述历史模式轨迹包括历史行人在不同时段经过的所述POI区域；
根据所述匹配历史模式轨迹，通过马尔科夫预测方式，预测所述被预测行人的位置。
可选的，多个历史模式轨迹分别为针对每个历史行人的位置轨迹信息确定的；
预先保存所述历史模式轨迹，包括：
针对每个历史行人，获取该历史行人的位置轨迹信息；
根据该历史行人的位置轨迹信息，确定在预设时间范围内该历史行人所处的位置不变的位置为第一停留点；
根据基于密度的聚类算法，对所述第一停留点进行聚类，并将聚类得到的类簇确定为所述POI区域；
将每个第一停留点映射至所述POI区域，得到该历史行人对应的所述历史模式轨迹；
保存所述历史模式轨迹。
可选的，所述根据所述位置轨迹信息，确定所述被预测行人的运动模式轨迹，包括：
根据所述被预测行人的位置轨迹信息，确定在预设时间范围内所述被预测行人所处的位置不变的位置为第二停留点；
将每个第二停留点映射至所述POI区域，得到所述运动模式轨迹。
可选的，所述从预先保存的多个历史模式轨迹中，查找与所述运动模式轨迹匹配的匹配历史模式轨迹，包括：
根据欧式距离计算方式，分别计算所述运动模式轨迹与多个历史模式轨迹的第一相似度；
按照所述第一相似度从高到低的顺序，选取预设数量个历史模式轨迹，作为初选历史模式轨迹；
根据最长公共子序列LCS计算方式，计算所述运动模式轨迹与所述初选历史模式轨迹的第二相似度；
按照所述第二相似度从高到低的顺序，选取预设数量个所述初选历史模式轨迹，作为所述匹配历史模式轨迹。
可选的，所述根据所述匹配历史模式轨迹，通过马尔科夫预测方式，预测所述被预测行人的位置，包括：
确定所述匹配历史模式轨迹中包括的候选POI区域；
根据所述候选POI区域，通过二阶马尔科夫预测公式，计算所述被预测行人移动至不同所述候选POI区域的概率；
确定所述概率满足条件时对应的所述候选POI区域为预测的所述被预测行人的位置。
可选的，所述运动模式轨迹包括的所述POI区域，由包括所述被预测行人的运动状态信息的POI区域模型组成；所述匹配历史模式轨迹包括的所述POI区域，由包括历史行人的运动状态信息的POI区域模型组成；
所述确定所述概率满足条件时对应的所述候选POI区域为预测的所述被预测行人的位置，包括：
当所述概率最高时对应多个候选POI区域，分别计算所述运动模式轨迹包括的POI区域中包括的运行状态信息和多个候选POI区域包括的运动状态信息的匹配度；
将所述匹配度最高时对应的候选POI区域，确定为预测的所述被预测行人的位置。
可选的，所述根据欧式距离计算方式，分别计算所述运动模式轨迹与多个历史模式轨迹的第一相似度，包括：
确定所有所述POI区域组成的POI序列；
确定所述运动模式轨迹对应的第一轨迹向量；所述第一轨迹向量中元素的值依次表示所述运动模式轨迹中是否包括所述POI序列中对应位置处的POI区域；
分别确定多个所述历史模式轨迹对应的第二轨迹向量，所述第二轨迹向量中元素的值表示所述历史模式轨迹是否包括所述POI序列中对应位置处的POI区域；
分别计算所述第一轨迹向量和多个历史模式轨迹对应的所述第二轨迹向量的欧氏距离；
根据所述欧氏距离，通过公式：
Figure GDA0002647208500000041
计算所述运动模式轨迹分别与多个历史模式轨迹的第一相似度；
其中，simi1(αi,αj)为所述第一轨迹向量αi和所述第二轨迹向量αj的第一相似度，dis(αi,αj)为所述第一轨迹向量αi和所述第二轨迹向量αj的欧氏距离，所述dim(α)为所述POI序列α的维度。
可选的，所述根据最长公共子序列LCS计算方式，计算所述运动模式轨迹与所述初选历史模式轨迹的第二相似度，包括：
计算所述运动模式轨迹与所述初选历史模式轨迹的最长公共子序列长度；
确定所述运动模式轨迹与所述初选历史模式轨迹的中的最小长度；
根据所述最长公共子序列长度和所述最小长度，通过公式：
Figure GDA0002647208500000051
计算所述第二相似度；
其中，所述simi2(Trjm,Trjn)为序列标识为m的所述运动模式轨迹Trjm和序列标识为n的所述初选历史模式轨迹Trjn的第二相似度，所述L(m,n)为所述最长公共子序列长度，所述min(Lm,Ln)为所述最小长度。
第二方面，本发明实施例提供了一种行人位置预测装置，包括：
获取模块，用于获取被预测行人的位置轨迹信息，所述位置轨迹信息包括所述被预测行人不同时刻的位置信息；
确定模块，用于根据所述位置轨迹信息，确定所述被预测行人的运动模式轨迹，其中，所述运动模式轨迹包括所述被预测行人在不同时段经过的兴趣点POI区域，所述POI区域表示被访问频次达到预设条件的区域；
查找模块，用于从预先保存的多个历史模式轨迹中，查找与所述运动模式轨迹匹配的匹配历史模式轨迹，其中，所述历史模式轨迹包括历史行人在不同时段经过的所述POI区域；
预测模块，用于根据所述匹配历史模式轨迹，通过马尔科夫预测方式，预测所述被预测行人的位置。
第三方面，本发明实施例提供了一种行人位置预测设备，包括处理器、通信接口、存储器和通信总线，其中，所述处理器，所述通信接口，所述存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序时，实现第一方面所述的方法步骤。
本发明实施例提供的行人位置预测方法、装置及设备，可以根据多个行人的位置轨迹信息，确定被行人频繁访问的兴趣点(Point of Interest，POI)区域，并根据不同行人的位置轨迹信息，确定包括行人在不同时段经过的兴趣点POI区域的运动模式轨迹；且选择与被预测行人对应的运动模式轨迹匹配的匹配历史模式轨迹，并根据匹配历史模式轨迹对被预测行人的位置进行预测。如此，考虑行人运动过程中的目的性以及行人之间运动轨迹的相似性，对被预测行人的位置进行预测，能够提高预测的准确性。
附图说明
为了更清楚地说明本发明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发明的一些实施例，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他的附图。
图1为本发明实施例提供的行人位置预测方法的流程图；
图2为本发明实施例中确定POI区域的流程图；
图3为本发明实施例中确定历史模式轨迹的示意图；
图4为本发明实施例中确定运动模式轨迹的流程图；
图5为本发明实施例提供的行人位置预测装置的结构示意图；
图6为本发明实施例提供的行人位置预测设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
目前，室内环境中对行人位置的预测通过一阶马尔科夫预测方式来实现，即仅根据行人当前时刻的位置来预测下一时刻的位置，而根据移动过程常识可知，行人移动过程中下一时刻的位置，不仅与当前时刻的位置有关，而且与多个历史时刻的位置均有关。如此会使得通过目前的一阶马尔科夫预测方式预测行人的位置的准确性较低。为了提高预测的准确性，容易想到的是，通过高阶马尔科夫预测方式对行人的位置进行预测，也即考虑多个历史时刻行人位置的影响，即行人下一时刻的位置与当前时刻的位置有关，而当前时刻的位置与前一时刻的位置有关，以此类推，实现对行人位置的预测。
但是，通过高阶马尔科夫预测方式实现对行人位置预测的过程中，使得马尔科夫过程所搜空间呈指数型趋势增长，计算复杂度增加，进一步使得计算的效率较低。而对室内环境中行人位置进行预测时，计算效率是不可忽视的重要方面。因此，为了在提高预测准确性的同时，保证计算效率，本发明实施例基于频繁访问的思想，考虑轨迹之间的相似性，对行人位置进行预测。下面对本发明实施例提供的行人预测方法的过程进行详细描述。
本发明实施例提供了一种行人位置预测方法，如图1所示，包括：
S101，获取被预测行人的位置轨迹信息，位置轨迹信息包括被预测行人不同时刻的位置信息。
本发明实施例可以应用于电子设备，其中，电子设备可以包括台式计算机、便携式计算机、移动终端等。
被预测行人可以是室内环境中运动的任何人。位置轨迹信息如{timestamp,XCoordinate,YCoordinate}，timestamp为被预测行人运动至坐标为(XCoordinate,YCoordinate)的位置。
在被预测行人运动过程中，实时记录被预测行人的位置信息，如在t0时刻，被预测行人运动至坐标为(X0，Y0)的位置，在t1时刻，被预测行人运动至坐标为(X1，Y1)的位置，等等。如此，在需要对被预测行人下一时刻的位置进行预测时，可以获取记录的当前时刻以及当前时刻之前多个历史时刻、该被预测行人的位置，即获取被预测行人的位置轨迹信息。
S102，根据位置轨迹信息，确定被预测行人的运动模式轨迹。
其中，运动模式轨迹包括被预测行人在不同时段经过的POI区域，POI区域表示被访问频次达到预设条件的区域。
POI区域是地理信息***中的重要概念，表示能够吸引行人访问的区域。本发明实施例中可以通过历史数据分析行人高密度访问的区域，例如，被访问频次达到预设条件的区域，确定POI区域。具体地，确定POI区域的过程，如图2所示，包括：
S201，获取多个行人的位置轨迹信息。
行人在室内环境中运动时，实时记录该行人在不同时刻的位置信息。即，可以记录在室内环境中运动的多个行人的位置信息，如此，可以获取多个行人的位置轨迹信息。
S202，选取停留点。
停留点是行人在运动过程中有意义的位置点，例如，可以是在预设时间范围内不变的位置点，或者是在预设时间范围内变化小于阈值的位置点，等等。具体地，对停留点的选取，一种方式，可以通过多个行人的位置轨迹信息，选取在预设时间范围内持续不动的位置点；另一种方式，可以是选取预设范围内移动的点，具体地可以利用多个行人的位置轨迹信息中预设时间范围内坐标变化的方差，提取方差在预设范围的点集，并将点集的质心点作为停留点。
S203，停留点聚类。
根据基于密度的聚类算法，例如，DBSCAN算法，对停留点进行聚类，并将聚类得到的类簇确定为POI区域。
S204，得到POI区域。
确定POI区域后，可以分析被预测行人的位置轨迹信息，选取被预测行人运动过程中有意义的位置点，例如，被预测行人访问频次满足条件的位置，如，10分钟之内经过5次的位置点；确定POI区域，每个位置都会对应落入一个POI区域，将选取出的有意义的位置点分别映射至POI区域。如此，能够得到被预测行人在不同时段经过的POI区域，即得到被预测行人的运动模式轨迹。
S103，从预先保存的多个历史模式轨迹中，查找与运动模式轨迹匹配的匹配历史模式轨迹，其中，历史模式轨迹包括历史行人在不同时段经过的POI区域。
本发明实施例中预先保存多个历史模式轨迹，多个历史模式轨迹是分别根据多个历史行人的位置轨迹信息确定的。具体地，根据历史行人的位置轨迹信息确定历史模式轨迹的过程，与上述根据被预测行人的位置轨迹信息，确定被预测行人对应的运动模式轨迹的过程类似。如此，可以查找与被预测行人的运动模式轨迹匹配的历史模式轨迹，考虑轨迹之间的相似性，进而根据匹配历史模式轨迹对被预测行人的位置进行预测。
具体地，可以根据运动模式轨迹分别与多个历史模式轨迹的相似度，查找与运动模式轨迹匹配的匹配历史模式轨迹。其中，可以通过计算最长公共子序列(Longest CommonSubsequence，LCS)的方式，计算运动模式轨迹分别与历史模式轨迹的相似度，LCS即通过动态规划的思想在两个或多个序列中搜索最长的顺序相同子序列，本发明实施例中，通过搜索运动模式轨迹与多个历史模式轨迹的最长顺序相同子序列，计算运动模式轨迹分别与历史模式轨迹的相似度。或者，本发明实施例中可以计算运动模式轨迹分别与多个历史模式轨迹的欧式距离，根据欧氏距离的不同，确定运动模式轨迹与历史模式轨迹是否匹配，具体地，可以是运动模式轨迹与历史模式轨迹之间的欧氏距离小于预设阈值时，确定运动模式轨迹与该历史模式轨迹匹配，即确定该历史模式轨迹为查找到的匹配历史模式轨迹。或者，也可以将LCS方式与欧式距离计算方式结合起来，通过分层的方式，从预先保存的多个历史模式轨迹中，查找与运动模式轨迹匹配的匹配历史模式轨迹，如，首先通过欧氏距离先筛选出部分历史模式轨迹，再通过LCS方式从部分历史模式轨迹筛选出匹配历史模式轨迹。
S104，根据匹配历史模式轨迹，通过马尔科夫预测方式，预测被预测行人的位置。
确定匹配历史模式轨迹中包括的候选POI区域；然后通过马尔科夫预测方式，对被预测行人可能访问的POI区域进行预测。具体地，可以根据所有的候选POI区域，通过马尔科夫方式计算一阶转移概率矩阵、二阶转移概率矩阵、或者三阶转移概率矩阵等高阶转移概率矩阵，然后在一阶转移概率矩阵中选择在当前时刻的POI区域的基础上，当前时刻的下一时刻访问不同POI区域的概率中、概率最高时对应的POI区域为预测的位置；或者，在二阶转移概率矩阵中选择在当前时刻的POI区域、以及当前时刻的上一时刻的POI区域的基础上，当前时刻的下一时刻访问不同POI区域的概率中、概率最高时对应的POI区域为预测的位置；或者，在三阶转移概率矩阵中选择在当前时刻的POI区域、当前时刻的上一时刻的POI区域、以及上一时刻的上一时刻的POI区域的基础上，当前时刻的下一时刻访问不同POI区域的概率中、概率最高时对应的POI区域为预测的位置。
或者，可以直接计算在当前时刻的POI区域的基础上，当前时刻的下一时刻访问不同POI区域的概率，然后可以选择概率最高时对应的POI区域为预测的位置；或者，可以直接计算在当前时刻的POI区域、以及当前时刻的上一时刻的POI区域的基础上，当前时刻的下一时刻访问不同POI区域的概率，然后可以选择概率最高时对应的POI区域为预测的位置；或者，可以直接计算在当前时刻的POI区域、当前时刻的上一时刻的POI区域、以及上一时刻的上一时刻的POI区域的基础上，当前时刻的下一时刻访问不同POI区域的概率，然后可以选择概率最高时对应的POI区域为预测的位置，等等。
本发明实施例中，根据多个行人的位置轨迹信息，确定被行人频繁访问的POI区域，并根据不同行人的位置轨迹信息，确定包括行人在不同时段经过的兴趣点POI区域的运动模式轨迹；且选择与被预测行人对应的运动模式轨迹匹配的匹配历史模式轨迹，并根据匹配历史模式轨迹对被预测行人的位置进行预测。如此，考虑行人运动过程中的目的性以及行人之间运动轨迹的相似性，对被预测行人的位置进行预测，能够提高预测的准确性。
为了能够使得可以从预先保存的多个历史模式轨迹中，查找与运动模式轨迹匹配的匹配历史模式轨迹，本发明实施例中，预先保存多个历史模式轨迹。其中，多个历史模式轨迹分别为针对每个历史行人的位置轨迹信息确定的。具体地，预先保存历史模式轨迹，包括：
B1，针对每个历史行人，获取该历史行人的位置轨迹信息。
历史行人可以是在历史时间内、在被预测行人运动的室内环境中运动的行人。历史行人的位置轨迹信息包括历史行人不同时刻的位置信息。
B2，根据该历史行人的位置轨迹信息，确定在预设时间范围内该历史行人所处的位置不变的位置为第一停留点。
B3，根据基于密度的聚类算法，对第一停留点进行聚类，并将聚类得到的类簇确定为POI区域。
上述步骤B1-B3，与上述实施例中图2中步骤S201-S204类似，上述实施例中已经进行了详细地描述，这里就不再赘述。
B4，将每个第一停留点映射至POI区域，得到该历史行人对应的历史模式轨迹。
确定POI区域后，每个第一停留点对应落入一个POI区域中，进而可以得到第一停留点到POI的点到区域的映射关系：
POIi∈{Ps1,Ps2,…,Psn}
其中，POIi为第i个POI，Ps1为第1个第一停留点，Ps2为第2个第一停留点，Psn为第n个第一停留点。
由于聚类中类簇之间相交为空的特性，第一停留点可以通过映射关系确定的POI区域是唯一的。
如此，将每个第一停留点对应至POI区域，可以得到历史行人在不同时段经过的POI区域，即可以得到历史行人对应的历史模式轨迹。如图3所示，历史行人A经过POI区域：POIn-1，POIn，POIn+1，其中，n-1，n，n+1为POI区域的标号，如此则可以确定该历史行人A对应的历史模式轨迹为：
Figure GDA0002647208500000111
且历史模式轨迹中包括的POI区域，可以对应包括历史行人的运动状态信息等的POI区域模型组成。具体地，如对于行人A来说，POI区域模型可以表示为：
Figure GDA0002647208500000121
其中，
Figure GDA0002647208500000122
为行人A在ti时刻所处的POI区域对应的POI区域模型，to为行人离开该POI区域的时刻，
Figure GDA0002647208500000123
为行人A在ti时刻的位置信息，POIn为该位置信息所属的POI区域，
Figure GDA0002647208500000124
为行人A在ti时刻前的运动状态信息，运动状态信息可以包含进入POI区域前的速度、方向角等因素和离开POI区域后的速度、方向角，如下式所描述：
Figure GDA0002647208500000125
其中，
Figure GDA0002647208500000126
为行人A在进入该POI区域前一瞬间的速度，
Figure GDA0002647208500000127
表示行人A在离开该POI区域后一瞬间的速度，
Figure GDA0002647208500000128
为行人A在进入该POI区域前一瞬间的方向角，
Figure GDA0002647208500000129
表示行人A在离开该POI区域后一瞬间的方向角，tstay为行人A在该POI区域的停留时长，可以表示为to-ti。
具体地，本发明实施例中可以确定历史模式轨迹中包括的各个POI区域对应的POI区域模型，得到包含更丰富信息的历史模式轨迹。
B5，保存历史模式轨迹。
针对每个历史行人都进行上述B1-B4的过程，即可得到每个历史行人对应的历史模式轨迹。如此，可以保存多个历史行人对应的多个历史模式轨迹。
在上述实施例的基础上，根据位置轨迹信息，确定被预测行人的运动模式轨迹，如图4所示，包括：
S401，根据被预测行人的位置轨迹信息，确定在预设时间范围内被预测行人所处的位置不变的位置为第二停留点。
具体地过程，与上述实施例中步骤B2：根据该历史行人的位置轨迹信息，确定在预设时间范围内该历史行人所处的位置不变的位置为第一停留点的过程类似，在执行步骤S401时参照上述步骤B2即可，这里就不再赘述。
S402，将每个第二停留点映射至POI区域，得到运动模式轨迹。
具体地过程，与上述实施例中步骤B4，将每个第一停留点映射至POI区域，得到该历史行人对应的历史模式轨迹的过程类似，在执行步骤S402时参照上述步骤B4即可，这里就不再赘述。
在得到被预测行人对应的运动模式轨迹，以及预先保存多个历史模式轨迹的基础上，可以从预先保存的多个历史模式轨迹中，查找与运动模式轨迹匹配的匹配历史模式轨迹。在上述图1所示实施例的基础上，具体地，可以包括：
C1，根据欧式距离计算方式，分别计算运动模式轨迹与多个历史模式轨迹的第一相似度。
具体地，包括：
C10，确定所有POI区域组成的POI序列。
室内环境与室外环境相比一个重要差别是室内环境范围小，如此，确定的POI区域有限且可确定。本发明实施例基于室内环境，确定的POI区域的个数是可以确定的，如此可以针对POI区域构建定维向量，即确定POI序列。
例如，POI序列为：α＝{POI1→POI2...→POIn→…}。
C11，确定运动模式轨迹对应的第一轨迹向量。
第一轨迹向量中元素的值依次表示运动模式轨迹中是否包括POI序列中对应位置处的POI区域。
例如，运动模式轨迹为Tr＝{...→POIn-1→POIn→POIn+1→…}，可以通过0表示该运动模式轨迹中未经过POI区域，1表示该运动模式轨迹中经过1次或者多次POI，可以确定第一轨迹向量αi＝{0,0,...，1，1,1}，其中，第一个0表示该运动模式轨迹未经过POI1，第二个0表示该运动模式轨迹未经过POI2，第一个1表示该运动模式轨迹经过POIn-1，第二个1表示该运动模式轨迹经过POIn，第三个1表示该运动模式轨迹经过POIn+1。
本发明实施例中，还可以将该第一轨迹向量作为运动模式轨迹的扩充POI访问向量。
本文在运动模式轨迹(POIE→POIC→POIA→POIB→POIF)中扩充POI访问向量α，如下式表示：
(POIE→POIC→POIA→POIB→POIF，αi)
其中，POI访问向量αi如下表示：
Figure GDA0002647208500000141
其中，
Figure GDA0002647208500000142
为第一轨迹向量αi中的元素，i为表示元素标号的变量。
C12，分别确定多个历史模式轨迹对应的第二轨迹向量。
第二轨迹向量中元素的值表示历史模式轨迹是否包括POI序列中对应位置处的POI区域。
具体地，确定第二轨迹向量的过程，与上述步骤C11确定第一轨迹向量的过程类似，执行步骤C12时参照上述C11过程即可，这里就不再赘述。
C13，分别计算第一轨迹向量和多个历史模式轨迹对应的第二轨迹向量的欧氏距离。
具体地，可以通过如下公式：
Figure GDA0002647208500000143
计算欧氏距离，其中，dis(αi,αj)为第一轨迹向量αi和第二轨迹向量αj的欧氏距离，
Figure GDA0002647208500000144
为第一轨迹向量αi中的元素，
Figure GDA0002647208500000145
为第二轨迹向量αj中的元素。
为了计算简便，第一轨迹向量αi和第二轨迹向量αj中的元素取值仅为0或1，可以认为向量元素由布尔类型的变量构成，如此，计算过程可以简化为向量作内积后各项相加的过程，如下公式：
Figure GDA0002647208500000151
如此可以得到：
Figure GDA0002647208500000152
其中，k为表示向量元素标号的变量，
Figure GDA0002647208500000153
为
Figure GDA0002647208500000154
和
Figure GDA0002647208500000155
作內积的结果。
C14，根据欧氏距离，通过公式：
Figure GDA0002647208500000156
计算运动模式轨迹分别与多个历史模式轨迹的第一相似度。
其中，simi1(αi,αj)为第一轨迹向量αi和第二轨迹向量αj的第一相似度，dis(αi,αj)为第一轨迹向量αi和第二轨迹向量αj的欧氏距离，dim(α)为POI序列α的维度。
C2，按照第一相似度从高到低的顺序，选取预设数量个历史模式轨迹，作为初选历史模式轨迹。
预设数量可以根据实际需求选择，例如，20个、10个、等等。
因为欧式距离计算方式是与顺序无关的，只要向量之间的元素是一致的，即可计算向量之间的相似度，计算复杂度低，计算效率高，如此，本发明实施例中首先根据欧式距离计算方式，从多个历史模式轨迹中选取部分作为初选历史模式轨迹，能够提高计算效率，同时还能够减小计算量。
C3，根据LCS计算方式，计算运动模式轨迹与初选历史模式轨迹的第二相似度。
具体地，包括：
C31，计算运动模式轨迹与初选历史模式轨迹的最长公共子序列长度。
通过如下递推公式，确定序列标识为m的运动模式轨迹Trjm和序列标识为n的初选历史模式轨迹Trjn的最长公共子序列长度L(m,n)：
Figure GDA0002647208500000161
其中，trjm为运动模式轨迹Trjm中的元素，trjn为初选历史模式轨迹Trjn中的元素。
C32，确定运动模式轨迹与初选历史模式轨迹的中的最小长度。
C33，根据最长公共子序列长度和最小长度，通过公式：
Figure GDA0002647208500000162
计算第二相似度。
其中，simi2(Trjm,Trjn)为序列标识为m的运动模式轨迹Trjm和序列标识为n的初选历史模式轨迹Trjn的第二相似度，L(m,n)为最长公共子序列长度，min(Lm,Ln)为最小长度。
C4，按照第二相似度从高到低的顺序，选取预设数量个初选历史模式轨迹，作为匹配历史模式轨迹。
预设数量可以根据实际需求选择，例如，10个、5个、等等。
运动模式轨迹是顺序相关性很强的数据，仅根据与顺序无关的欧式距离计算方式选取与被预测行人对应的运动模式轨迹，计算的准确性会受限制。本发明实施例通过分层计算的方式，即在根据欧式距离计算方式，从多个历史模式轨迹中选取部分作为初选历史模式轨迹的基础上，通过LCS计算方式从初选历史模式轨迹中选取匹配历史模式轨迹。如此能够在提高计算效率的同时，保证计算的准确性，能够同时保证计算的高效性和精确性。
在上述实施例的基础上，根据匹配历史模式轨迹，通过马尔科夫预测方式，预测被预测行人的位置，可以包括：
D1，确定匹配历史模式轨迹中包括的候选POI区域。
确定匹配历史模式轨迹可以是1个，或者也可以是多个。例如，匹配历史模式轨迹为(POIE→POIC→POIA→POIB→POIF)，则可以确定候选POI区域为：POIE、POIC、POIA、POIB、POIF。
D2，根据候选POI区域，通过二阶马尔科夫预测公式，计算被预测行人移动至不同候选POI区域的概率。
本发明实施例中，确定聚类得到的POI区域集合为状态空间，如：
{Xn:n＝POI1,POI2,POI3,POI4,…，POIn}
通过如下二阶马尔科夫预测公式，计算被预测行人移动至不同候选POI区域的概率。
Figure GDA0002647208500000171
由
Figure GDA0002647208500000172
可得：
Figure GDA0002647208500000173
D3，确定概率满足条件时对应的候选POI区域为预测的被预测行人的位置。
概率满足条件可以是概率大于预设阈值，或者，概率在预设阈值范围等。
当概率满足条件时对应唯一的候选POI区域，则确定该唯一的候选POI区域为预测的被预测行人的位置。
但是，对于室内环境的位置预测，由于POI区域较少，导致马尔科夫模型的状态空间维度较小，因此出现转移模式之间概率相等的冲突情况比较多，当出现这种概率冲突时，一种方式是随机选取一个转移模式作为预测结果。本发明实施例一种优选的实施方式中，确定概率满足条件时对应的候选POI区域为预测的被预测行人的位置，可以包括：
D31，当概率最高时对应多个候选POI区域，分别计算运动模式轨迹包括的POI区域中包括的运行状态信息和多个候选POI区域包括的运动状态信息的匹配度。
本发明实施例中，运动模式轨迹包括的POI区域，由包括被预测行人的运动状态信息的POI区域模型组成；匹配历史模式轨迹包括的POI区域，由包括历史行人的运动状态信息的POI区域模型组成。
本发明实施例中，组成运动模式轨迹和历史模式轨迹的基本单位POI模型中，包含行人在该POI区域停留阶段的运动状态信息，在出现概率冲突的情况时，通过POI模型中行人的运动状态信息，与冲突候选者在该POI模型下的运动状态信息进行关联匹配，具体匹配度计算公式如下：
Figure GDA0002647208500000181
其中，
Figure GDA0002647208500000182
tstayA为被预测行人对应的POI区域模型中运动状态信息的元素，
Figure GDA0002647208500000183
tstayP为历史行人对应的POI区域模型中运动状态信息的元素，
Figure GDA0002647208500000191
为运动模式轨迹包括的POI区域中包括的运行状态信息和候选POI区域包括的运动状态信息的匹配度。
D32，将匹配度最高时对应的候选POI区域，确定为预测的被预测行人的位置。
上述匹配度计算公式中，将被预测行人的运动状态信息中各元素与历史行人对应的运动状态信息进行距离计算，并利用各元素最大值进行归一化得到得到最大值为5的匹配度得分，对所有匹配度得分进行排序，得分最高时对应的候选POI区域，即可确定为被预测行人的预测位置。
本发明实施例提供了一种行人位置预测装置，如图5所示，包括：
获取模块501，用于获取被预测行人的位置轨迹信息，位置轨迹信息包括被预测行人不同时刻的位置信息；
确定模块502，用于根据位置轨迹信息，确定被预测行人的运动模式轨迹，其中，运动模式轨迹包括被预测行人在不同时段经过的兴趣点POI区域，POI区域表示被访问频次达到预设条件的区域；
查找模块503，用于从预先保存的多个历史模式轨迹中，查找与运动模式轨迹匹配的匹配历史模式轨迹，其中，历史模式轨迹包括历史行人在不同时段经过的POI区域；
预测模块504，用于根据匹配历史模式轨迹，通过马尔科夫预测方式，预测被预测行人的位置。
本发明实施例中，根据多个行人的位置轨迹信息，确定被行人频繁访问的POI区域，并根据不同行人的位置轨迹信息，确定包括行人在不同时段经过的兴趣点POI区域的运动模式轨迹；且选择与被预测行人对应的运动模式轨迹匹配的匹配历史模式轨迹，并根据匹配历史模式轨迹对被预测行人的位置进行预测。如此，考虑行人运动过程中的目的性以及行人之间运动轨迹的相似性，对被预测行人的位置进行预测，能够提高预测的准确性。
可选的，多个历史模式轨迹分别为针对每个历史行人的位置轨迹信息确定的；
该装置还包括：保存模块；
保存模块，包括：
获取子模块，用于针对每个历史行人，获取该历史行人的位置轨迹信息；
第一确定子模块，用于根据该历史行人的位置轨迹信息，确定在预设时间范围内该历史行人所处的位置不变的位置为第一停留点；
第二确定子模块，用于根据基于密度的聚类算法，对第一停留点进行聚类，并将聚类得到的类簇确定为POI区域；
第一映射子模块，用于将每个第一停留点映射至POI区域，得到该历史行人对应的历史模式轨迹；
保存子模块，用于保存历史模式轨迹。
可选的，确定模块502，包括：
第三确定子模块，用于根据被预测行人的位置轨迹信息，确定在预设时间范围内被预测行人所处的位置不变的位置为第二停留点；
第二映射子模块，用于将每个第二停留点映射至POI区域，得到运动模式轨迹。
可选的，查找模块503，包括：
第一计算子模块，用于根据欧式距离计算方式，分别计算运动模式轨迹与多个历史模式轨迹的第一相似度；
第一选取子模块，用于按照第一相似度从高到低的顺序，选取预设数量个历史模式轨迹，作为初选历史模式轨迹；
第二计算子模块，用于根据最长公共子序列LCS计算方式，计算运动模式轨迹与初选历史模式轨迹的第二相似度；
第二选取子模块，用于按照第二相似度从高到低的顺序，选取预设数量个初选历史模式轨迹，作为匹配历史模式轨迹。
可选的，预测模块504，包括：
第四确定子模块，用于确定匹配历史模式轨迹中包括的候选POI区域；
第三计算子模块，用于根据候选POI区域，通过二阶马尔科夫预测公式，计算被预测行人移动至不同候选POI区域的概率；
第五确定子模块，用于确定概率满足条件时对应的候选POI区域为预测的被预测行人的位置。
可选的，运动模式轨迹包括的POI区域，由包括被预测行人的运动状态信息的POI区域模型组成；匹配历史模式轨迹包括的POI区域，由包括历史行人的运动状态信息的POI区域模型组成；
第五确定子模块，包括：
第一计算单元，用于当概率最高时对应多个候选POI区域，分别计算运动模式轨迹包括的POI区域中包括的运行状态信息和多个候选POI区域包括的运动状态信息的匹配度；
第一确定单元，用于将匹配度最高时对应的候选POI区域，确定为预测的被预测行人的位置。
可选的，第一计算子模块，包括：
第二确定单元，用于确定所有POI区域组成的POI序列；
第三确定单元，用于确定运动模式轨迹对应的第一轨迹向量；第一轨迹向量中元素的值依次表示运动模式轨迹中是否包括POI序列中对应位置处的POI区域；
第四确定单元，用于分别确定多个历史模式轨迹对应的第二轨迹向量，第二轨迹向量中元素的值表示历史模式轨迹是否包括POI序列中对应位置处的POI区域；
第二计算单元，用于分别计算第一轨迹向量和多个历史模式轨迹对应的第二轨迹向量的欧氏距离；
第三计算单元，用于根据欧氏距离，通过公式：
Figure GDA0002647208500000211
计算运动模式轨迹分别与多个历史模式轨迹的第一相似度；
其中，simi1(αi,αj)为第一轨迹向量αi和第二轨迹向量αj的第一相似度，dis(αi,αj)为第一轨迹向量αi和第二轨迹向量αj的欧氏距离，dim(α)为POI序列α的维度。
可选的，第二计算子模块，包括：
第四计算单元，用于计算运动模式轨迹与初选历史模式轨迹的最长公共子序列长度；
第五确定单元，用于确定运动模式轨迹与初选历史模式轨迹的中的最小长度；
第五计算单元，用于根据最长公共子序列长度和最小长度，通过公式：
Figure GDA0002647208500000221
计算第二相似度；
其中，simi2(Trjm,Trjn)为序列标识为m的运动模式轨迹Trjm和序列标识为n的初选历史模式轨迹Trjn的第二相似度，L(m,n)为最长公共子序列长度，min(Lm,Ln)为最小长度。
需要说明的是，本发明实施例提供的行人位置预测装置，是应用上述行人位置预测方法的装置，则上述行人位置预测方法的所有实施例均适用于该装置，且均能达到相同或相似的有益效果。
本发明实施例还提供了一种行人位置预测设备，如图6所示，包括处理器601、通信接口602、存储器603和通信总线604，其中，处理器601，通信接口602，存储器603通过通信总线604完成相互间的通信，
存储器603，用于存放计算机程序；
处理器601，用于执行存储器603上所存放的程序时，实现上述行人位置预测方法的方法步骤。
本发明实施例中，根据多个行人的位置轨迹信息，确定被行人频繁访问的POI区域，并根据不同行人的位置轨迹信息，确定包括行人在不同时段经过的兴趣点POI区域的运动模式轨迹；且选择与被预测行人对应的运动模式轨迹匹配的匹配历史模式轨迹，并根据匹配历史模式轨迹对被预测行人的位置进行预测。如此，考虑行人运动过程中的目的性以及行人之间运动轨迹的相似性，对被预测行人的位置进行预测，能够提高预测的准确性。
上述行人位置预测设备提到的通信总线可以是外设部件互连标准(PeripheralComponent Interconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述行人位置预测设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本发明实施例提供了一种计算机可读存储介质，计算机可读存储介质内存储有计算机程序，计算机程序被处理器执行时实现上述行人位置预测方法的方法步骤。
本发明实施例中，根据多个行人的位置轨迹信息，确定被行人频繁访问的POI区域，并根据不同行人的位置轨迹信息，确定包括行人在不同时段经过的兴趣点POI区域的运动模式轨迹；且选择与被预测行人对应的运动模式轨迹匹配的匹配历史模式轨迹，并根据匹配历史模式轨迹对被预测行人的位置进行预测。如此，考虑行人运动过程中的目的性以及行人之间运动轨迹的相似性，对被预测行人的位置进行预测，能够提高预测的准确性。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备及计算机可读存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (9)

1.一种行人位置预测方法，其特征在于，包括：
获取被预测行人的位置轨迹信息，所述位置轨迹信息包括所述被预测行人不同时刻的位置信息；
根据所述位置轨迹信息，确定所述被预测行人的运动模式轨迹，其中，所述运动模式轨迹包括所述被预测行人在不同时段经过的兴趣点POI区域，所述POI区域表示被访问频次达到预设条件的区域；
从预先保存的多个历史模式轨迹中，查找与所述运动模式轨迹匹配的匹配历史模式轨迹，其中，所述历史模式轨迹包括历史行人在不同时段经过的所述POI区域；
根据所述匹配历史模式轨迹，通过马尔科夫预测方式，预测所述被预测行人的位置；
其中，所述根据所述匹配历史模式轨迹，通过马尔科夫预测方式，预测所述被预测行人的位置，包括：
确定所述匹配历史模式轨迹中包括的候选POI区域；
根据所述候选POI区域，通过二阶马尔科夫预测公式，计算所述被预测行人移动至不同所述候选POI区域的概率；
确定所述概率满足条件时对应的所述候选POI区域为预测的所述被预测行人的位置。
2.根据权利要求1所述的方法，其特征在于，多个历史模式轨迹分别为针对每个历史行人的位置轨迹信息确定的；
预先保存所述历史模式轨迹，包括：
针对每个历史行人，获取该历史行人的位置轨迹信息；
根据该历史行人的位置轨迹信息，确定在预设时间范围内该历史行人所处的位置不变的位置为第一停留点；
根据基于密度的聚类算法，对所述第一停留点进行聚类，并将聚类得到的类簇确定为所述POI区域；
将每个第一停留点映射至所述POI区域，得到该历史行人对应的所述历史模式轨迹；
保存所述历史模式轨迹。
3.根据权利要求2所述的方法，其特征在于，所述根据所述位置轨迹信息，确定所述被预测行人的运动模式轨迹，包括：
根据所述被预测行人的位置轨迹信息，确定在预设时间范围内所述被预测行人所处的位置不变的位置为第二停留点；
将每个第二停留点映射至所述POI区域，得到所述运动模式轨迹。
4.根据权利要求1所述的方法，其特征在于，所述从预先保存的多个历史模式轨迹中，查找与所述运动模式轨迹匹配的匹配历史模式轨迹，包括：
根据欧式距离计算方式，分别计算所述运动模式轨迹与多个历史模式轨迹的第一相似度；
按照所述第一相似度从高到低的顺序，选取预设数量个历史模式轨迹，作为初选历史模式轨迹；
根据最长公共子序列LCS计算方式，计算所述运动模式轨迹与所述初选历史模式轨迹的第二相似度；
按照所述第二相似度从高到低的顺序，选取预设数量个所述初选历史模式轨迹，作为所述匹配历史模式轨迹。
5.根据权利要求1所述的方法，其特征在于，所述运动模式轨迹包括的所述POI区域，由包括所述被预测行人的运动状态信息的POI区域模型组成；所述匹配历史模式轨迹包括的所述候选POI区域，由包括历史行人的运动状态信息的POI区域模型组成；
所述确定所述概率满足条件时对应的所述候选POI区域为预测的所述被预测行人的位置，包括：
当所述概率最高时对应多个候选POI区域，分别计算所述运动模式轨迹包括的POI区域中包括的运行状态信息和多个候选POI区域包括的运动状态信息的匹配度；
将所述匹配度最高时对应的候选POI区域，确定为预测的所述被预测行人的位置。
6.根据权利要求4所述的方法，其特征在于，所述根据欧式距离计算方式，分别计算所述运动模式轨迹与多个历史模式轨迹的第一相似度，包括：
确定所有所述POI区域组成的POI序列；
确定所述运动模式轨迹对应的第一轨迹向量；所述第一轨迹向量中元素的值依次表示所述运动模式轨迹中是否包括所述POI序列中对应位置处的POI区域；
分别确定多个所述历史模式轨迹对应的第二轨迹向量，所述第二轨迹向量中元素的值表示所述历史模式轨迹是否包括所述POI序列中对应位置处的POI区域；
分别计算所述第一轨迹向量和多个历史模式轨迹对应的所述第二轨迹向量的欧氏距离；
根据所述欧氏距离，通过公式：
Figure FDA0002647208490000031
计算所述运动模式轨迹分别与多个历史模式轨迹的第一相似度；
其中，simi1(αi,αj)为所述第一轨迹向量αi和所述第二轨迹向量αj的第一相似度，dis(αi,αj)为所述第一轨迹向量αi和所述第二轨迹向量αj的欧氏距离，所述dim(α)为所述POI序列α的维度。
7.根据权利要求4所述的方法，其特征在于，所述根据最长公共子序列LCS计算方式，计算所述运动模式轨迹与所述初选历史模式轨迹的第二相似度，包括：
计算所述运动模式轨迹与所述初选历史模式轨迹的最长公共子序列长度；
确定所述运动模式轨迹与所述初选历史模式轨迹的中的最小长度；
根据所述最长公共子序列长度和所述最小长度，通过公式：
Figure FDA0002647208490000041
计算所述第二相似度；
其中，所述simi2(Trjm,Trjn)为序列标识为m的所述运动模式轨迹Trjm和序列标识为n的所述初选历史模式轨迹Trjn的第二相似度，所述L(m,n)为所述最长公共子序列长度，所述min(Lm,Ln)为所述最小长度。
8.一种行人位置预测装置，其特征在于，包括：
获取模块，用于获取被预测行人的位置轨迹信息，所述位置轨迹信息包括所述被预测行人不同时刻的位置信息；
确定模块，用于根据所述位置轨迹信息，确定所述被预测行人的运动模式轨迹，其中，所述运动模式轨迹包括所述被预测行人在不同时段经过的兴趣点POI区域，所述POI区域表示被访问频次达到预设条件的区域；
查找模块，用于从预先保存的多个历史模式轨迹中，查找与所述运动模式轨迹匹配的匹配历史模式轨迹，其中，所述历史模式轨迹包括历史行人在不同时段经过的所述POI区域；
预测模块，用于根据所述匹配历史模式轨迹，通过马尔科夫预测方式，预测所述被预测行人的位置；
其中，所述预测模块，包括：
第四确定子模块，用于确定匹配历史模式轨迹中包括的候选POI区域；
第三计算子模块，用于根据候选POI区域，通过二阶马尔科夫预测公式，计算被预测行人移动至不同候选POI区域的概率；
第五确定子模块，用于确定概率满足条件时对应的候选POI区域为预测的被预测行人的位置。
9.一种行人位置预测设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，所述处理器，所述通信接口，所述存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序时，实现权利要求1-7任一所述的方法步骤。
CN201810651020.3A 2018-06-22 2018-06-22 一种行人位置预测方法、装置及设备 Active CN109029446B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810651020.3A CN109029446B (zh) 2018-06-22 2018-06-22 一种行人位置预测方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810651020.3A CN109029446B (zh) 2018-06-22 2018-06-22 一种行人位置预测方法、装置及设备

Publications (2)

Publication Number Publication Date
CN109029446A CN109029446A (zh) 2018-12-18
CN109029446B true CN109029446B (zh) 2020-11-20

Family

ID=64610058

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810651020.3A Active CN109029446B (zh) 2018-06-22 2018-06-22 一种行人位置预测方法、装置及设备

Country Status (1)

Country Link
CN (1) CN109029446B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109991641A (zh) * 2019-04-10 2019-07-09 广东工业大学 一种移动设备位置信息的获取方法、装置及***
CN110245554B (zh) * 2019-04-29 2021-06-29 中科智城(广州)信息科技有限公司 一种行人运动趋势的预警的方法、***平台及存储介质
CN110442662B (zh) * 2019-07-08 2022-05-20 清华大学 一种确定用户属性信息的方法以及信息推送方法
CN110708658B (zh) * 2019-09-05 2020-12-15 中国联合网络通信集团有限公司 一种数据传输方法和基站
CN110781415B (zh) * 2019-09-16 2022-09-30 腾讯科技（深圳）有限公司 一种兴趣点推荐方法、装置、设备及介质
CN110726418B (zh) * 2019-10-10 2021-08-03 北京百度网讯科技有限公司 兴趣点区域确定方法、装置、设备及存储介质
CN111132029B (zh) * 2019-10-16 2022-03-01 张苏 基于地形约束的定位方法及装置
CN112805730A (zh) * 2019-12-30 2021-05-14 华为技术有限公司 一种轨迹预测方法及相关设备
CN111239727B (zh) * 2020-02-26 2020-12-29 深圳雷研技术有限公司 一种乘客计数方法及通信设备
CN111401531A (zh) * 2020-04-24 2020-07-10 中国人民解放军国防科技大学 轨迹预测方法和***
CN114511999B (zh) * 2020-11-17 2023-09-01 宇通客车股份有限公司 一种行人行为预测方法及装置
CN114312829B (zh) * 2021-12-06 2024-04-23 广州文远知行科技有限公司 一种行人轨迹预测方法和装置、电子设备及存储介质
CN115408452B (zh) * 2022-11-02 2023-04-07 中南大学 一种城市设施关联模式挖掘方法及相关设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103326903A (zh) * 2013-07-05 2013-09-25 华北电力大学 基于隐马尔科夫的Internet网络时延预测方法
CN105488213A (zh) * 2015-12-11 2016-04-13 哈尔滨工业大学深圳研究生院 面向lbs的基于马尔可夫预测算法的个性化推荐方法
CN105825297A (zh) * 2016-03-11 2016-08-03 山东大学 一种基于马尔科夫模型的位置预测方法
CN106488405A (zh) * 2016-12-29 2017-03-08 电子科技大学 一种融合个体与近邻移动规律的位置预测方法
CN107784046A (zh) * 2016-11-14 2018-03-09 平安科技（深圳）有限公司 Poi信息处理方法和装置
CN107977734A (zh) * 2017-11-10 2018-05-01 河南城建学院 一种时空大数据下基于移动马尔可夫模型的预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140274109A1 (en) * 2013-03-12 2014-09-18 Qualcomm Incorporated Positioning performance prediction

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103326903A (zh) * 2013-07-05 2013-09-25 华北电力大学 基于隐马尔科夫的Internet网络时延预测方法
CN105488213A (zh) * 2015-12-11 2016-04-13 哈尔滨工业大学深圳研究生院 面向lbs的基于马尔可夫预测算法的个性化推荐方法
CN105825297A (zh) * 2016-03-11 2016-08-03 山东大学 一种基于马尔科夫模型的位置预测方法
CN107784046A (zh) * 2016-11-14 2018-03-09 平安科技（深圳）有限公司 Poi信息处理方法和装置
CN106488405A (zh) * 2016-12-29 2017-03-08 电子科技大学 一种融合个体与近邻移动规律的位置预测方法
CN107977734A (zh) * 2017-11-10 2018-05-01 河南城建学院 一种时空大数据下基于移动马尔可夫模型的预测方法

Also Published As

Publication number Publication date
CN109029446A (zh) 2018-12-18

Similar Documents

Publication Publication Date Title
CN109029446B (zh) 一种行人位置预测方法、装置及设备
CN108875007B (zh) 兴趣点的确定方法和装置、存储介质、电子装置
Lv et al. The discovery of personally semantic places based on trajectory data mining
US10186123B2 (en) Complex event recognition in a sensor network
Zhang et al. Modeling pedestrians’ near-accident events at signalized intersections using gated recurrent unit (GRU)
Chen et al. Mining moving patterns for predicting next location
US20160125307A1 (en) Air quality inference using multiple data sources
US9280833B2 (en) Topology determination for non-overlapping camera network
AU2018222821A1 (en) Trajectory analysis through fusion of multiple data sources
Krumm et al. From destination prediction to route prediction
Li et al. Robust inferences of travel paths from GPS trajectories
US9858503B2 (en) Acceleration of linear classifiers
CN108834077B (zh) 基于用户移动特性的跟踪区划分方法、装置及电子设备
Wong et al. Recognition of pedestrian trajectories and attributes with computer vision and deep learning techniques
CN105912683B (zh) 一种基于时间顺序的轨迹匹配方法
CN108986453A (zh) 一种基于情境信息的交通状况预测方法、***及装置
Yoo et al. Visual path prediction in complex scenes with crowded moving objects
US11926318B2 (en) Systems and methods for detecting a vulnerable road user in an environment of a vehicle
CN110674312A (zh) 构建知识图谱方法、装置、介质及电子设备
CN111091215B (zh) 车辆识别方法、装置、计算机设备和存储介质
CN111429268A (zh) 一种车辆信贷风险检测方法、终端设备和存储介质
CN111598610A (zh) 一种异常事件检测方法及装置
CN112818262A (zh) 基于用户数据的地图poi搜索方法、***、设备及介质
US20220182792A1 (en) Systems for predicting and classifying location data based on machine learning
WO2018151672A1 (en) Trajectory analysis through fusion of multiple data sources

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