CN109034181A - 移动轨迹的分类方法和装置、设备、存储介质 - Google Patents
移动轨迹的分类方法和装置、设备、存储介质 Download PDFInfo
- Publication number
- CN109034181A CN109034181A CN201810567695.XA CN201810567695A CN109034181A CN 109034181 A CN109034181 A CN 109034181A CN 201810567695 A CN201810567695 A CN 201810567695A CN 109034181 A CN109034181 A CN 109034181A
- Authority
- CN
- China
- Prior art keywords
- track
- motion track
- trajectory
- sub
- coefficient
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开了一种移动轨迹的分类方法和装置、设备、存储介质。所述移动轨迹的分类方法包括:获得目标移动轨迹;其中,所述目标移动轨迹中包含至少一个子轨迹;获得每个所述子轨迹的子轨迹特征向量;根据每个所述子轨迹特征向量,获得所述目标移动轨迹的轨迹特征向量;根据所述轨迹特征向量,对所述目标移动轨迹进行分类。采用本发明,能够提高移动轨迹分类的准确度。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种移动轨迹的分类方法和装置、设备、存储介质。
背景技术
在对用户的出行习惯、偏爱的交通工具、出行方式等进行分析的过程中,对用户的移动轨迹的分析和分类是不可或缺的重要组成部分。在现有技术中,通常都是在对各个出行方式对应的若干出行轨迹进行学习,训练出各个出行方式对应的惯常出行轨迹后,通过分别计算这些惯常出行轨迹和用户的当前出行轨迹的相似度,从而判断该用户当前的出行方式的。例如,若用户的当前出行轨迹与驾驶机动车对应的惯常出行轨迹最相似,则认为该用户当前是通过驾驶机动车的方式出行。由于在现有技术中,对用户的移动轨迹进行分类的方法是将移动轨迹作为一个整体进行分析的,并没有考虑到时空特征、信号传输等对该移动轨迹的影响,因此准确度不高。
发明内容
本发明实施例提出一种移动轨迹的分类方法和装置、设备、存储介质,能够提高移动轨迹分类的准确度。
本发明实施例提供的一种移动轨迹的分类方法,具体包括:
获得目标移动轨迹;其中,所述目标移动轨迹中包含至少一个子轨迹;
获得每个所述子轨迹的子轨迹特征向量;
根据每个所述子轨迹特征向量,获得所述目标移动轨迹的轨迹特征向量;
根据所述轨迹特征向量,对所述目标移动轨迹进行分类。
进一步地,所述获得目标移动轨迹,具体包括:
获得初始移动轨迹;其中,所述初始移动轨迹中包含至少一个初始轨迹点;
根据预设的筛选规则,从所有所述初始轨迹点中筛选出至少一个目标轨迹点;
连接每两个相邻的所述目标轨迹点,获得至少一个所述子轨迹;
获得由所有所述子轨迹组成的所述目标移动轨迹。
进一步地,在所述根据预设的筛选规则,从所有所述初始轨迹点中筛选出至少一个目标轨迹点之前,还包括:
获得至少一个历史移动轨迹;
根据每个所述历史移动轨迹生成所述筛选规则;
所述根据每个所述历史移动轨迹生成所述筛选规则,具体包括:
根据每个所述历史移动轨迹,构建轨迹数据结构;
根据所述轨迹数据结构,获得至少一个高频轨迹;
根据每个所述高频轨迹,生成所述筛选规则。
进一步地,所述轨迹数据结构为FP树。
进一步地,所述获得每个所述子轨迹的子轨迹特征向量,具体包括:
获得每个所述子轨迹的支持度和置信度;
对于每个所述支持度大于或者等于预设的支持度阈值且所述置信度大于或者等于预设的置信度阈值的所述子轨迹,提取对应的n个轨迹特征,并获得对应的由所述n个轨迹特征组成的所述子轨迹特征向量;其中,n≥0;
对于每个所述支持度小于所述支持度阈值且所述置信度小于所述置信度阈值的所述子轨迹,生成对应的内容为0的所述子轨迹特征向量。
进一步地,n=24;则所述n个轨迹特征包括加速度特征、速度特征、曲率特征、转角参数特征、运动路径长度特征、起始时间特征、到达时间特征和停留时间特征;
所述加速度特征包括加速度的标准差、变异系数和偏度系数;
所述速度特征包括速度的标准差、变异系数和偏度系数;
所述曲率特征包括曲率的标准差、变异系数和偏度系数;
所述转角参数特征包括转角参数的标准差、变异系数和偏度系数;
所述运动路径长度特征包括运动路径长度的标准差、变异系数和偏度系数;
所述起始时间特征包括起始时间的标准差、变异系数和偏度系数;
所述到达时间特征包括到达时间的标准差、变异系数和偏度系数;
所述停留时间特征包括停留时间的标准差、变异系数和偏度系数。
进一步地,所述轨迹特征向量中包括速度特征、加速度特征、曲率特征和转角参数特征;
则所述根据所述轨迹特征向量,对所述目标移动轨迹进行分类,具体包括:
根据所述速度特征、所述加速度特征、所述曲率特征、所述转角参数特征和预设阈值,对所述目标移动轨迹进行分类。
相应地,本发明实施例还提供了一种移动轨迹的分类装置,具体包括:
目标移动轨迹获得模块,用于获得目标移动轨迹;其中,所述目标移动轨迹中包含至少一个子轨迹;
子轨迹特征向量获得模块,用于获得每个所述子轨迹的子轨迹特征向量;
轨迹特征向量获得模块,用于根据每个所述子轨迹特征向量,获得所述目标移动轨迹的轨迹特征向量;以及,
目标移动轨迹分类模块,用于根据所述轨迹特征向量,对所述目标移动轨迹进行分类。
本发明实施例还提供了一种设备,具体包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的移动轨迹的分类方法。
本发明实施例还提供了一种计算机可读存储介质,具体包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上所述的移动轨迹的分类方法。
实施本发明实施例,具有如下有益效果:
本发明实施例提供的移动轨迹的分类方法和装置、设备、存储介质,通过将目标移动轨迹分成若干子轨迹,并通过计算各个子轨迹的特征向量来分析获得整个目标移动轨迹的特征,从而使得在根据目标移动轨迹的特征来对该目标移动轨迹进行分类时,能够充分考虑到用户在每一时刻每一空间下的移动特征,即充分考虑到时空特征、信号传输等对目标移动轨迹的影响,从而能够提高对移动轨迹的分类的准确度。
附图说明
图1是本发明提供的移动轨迹的分类方法的一个优选的实施例的流程示意图;
图2是本发明提供的移动轨迹的分类装置的一个优选的实施例的结构示意图;
图3是本发明提供的设备的一个优选的实施例的结构示意图。
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作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。
如图1所示,为本发明提供的移动轨迹的分类方法的一个优选的实施例的流程示意图,包括步骤S11至S14,具体如下:
S11:获得目标移动轨迹;其中,所述目标移动轨迹中包含至少一个子轨迹。
需要说明的是,本发明实施例由***执行。其中,该***可以为服务器中的***,也可以为任意设备中的***,在此不作限定。
在本实施例中,上述目标移动轨迹为某一用户的待分类的移动轨迹。该目标移动轨迹由至少一个子轨迹组成,该目标移动轨迹中包含至少一个目标轨迹点,将每两个相邻的目标轨迹点连接,即可获得至少一个子轨迹。
本实施例通过对该目标移动轨迹进行分类,从而判断该目标移动轨迹是在该用户步行、骑自行车还是在驾驶机动车时生成的移动轨迹。
进一步地,上述步骤S11进一步包括步骤S1101至S1104,具体如下:
S1101:获得初始移动轨迹;其中,所述初始移动轨迹中包含至少一个初始轨迹点。
需要说明的是,在实际运营过程中,电信运营商会在各处分别设置若干基站。在本实施例中,通过各个基站对用户的电话、短信、网络通讯等通信数据进行收集,并通过对这些通信数据进行分析,获得上述目标移动轨迹。具体地,上述***通过各个基站对用户的通信操作进行监控,从而对用户的位置进行实时检测,并生成相应的包含用户ID、基站ID、时间戳等信息的通信记录。将每个通信记录作为一个初始轨迹点,并按照各个通信记录的生成时间的先后顺序依次将这些初始轨迹点连接,即可获得上述初始移动轨迹。
在一些具体的实施例中,还可以通过相邻的初始轨迹点中的时间戳,计算获得用户的移动速度,从而将上述初始移动轨迹中异常的初始轨迹点删除。另外,还可以通过对该初始移动轨迹进行动态卡尔曼滤波,对该初始移动轨迹进行平滑处理,从而减少数据的冗余度,减少后续需要进行处理的数据量。
S1102:根据预设的筛选规则,从所有所述初始轨迹点中筛选出至少一个目标轨迹点。
S1103:连接每两个相邻的所述目标轨迹点,获得至少一个所述子轨迹。
S1104:获得由所有所述子轨迹组成的所述目标移动轨迹。
S12:获得每个所述子轨迹的子轨迹特征向量。
进一步地,上述步骤S12进一步包括步骤S1201至S1203,具体如下:
S1201:获得每个所述子轨迹的支持度和置信度。
S1202:对于每个所述支持度大于或者等于预设的支持度阈值且所述置信度大于或者等于预设的置信度阈值的所述子轨迹,提取对应的n个轨迹特征,并获得对应的由所述n个轨迹特征组成的所述子轨迹特征向量;其中,n≥0。
更优选地,n=24;则所述n个轨迹特征包括加速度特征、速度特征、曲率特征、转角参数特征、运动路径长度特征、起始时间特征、到达时间特征和停留时间特征;
所述加速度特征包括加速度的标准差、变异系数和偏度系数;
所述速度特征包括速度的标准差、变异系数和偏度系数;
所述曲率特征包括曲率的标准差、变异系数和偏度系数;
所述转角参数特征包括转角参数的标准差、变异系数和偏度系数;
所述运动路径长度特征包括运动路径长度的标准差、变异系数和偏度系数;
所述起始时间特征包括起始时间的标准差、变异系数和偏度系数;
所述到达时间特征包括到达时间的标准差、变异系数和偏度系数;
所述停留时间特征包括停留时间的标准差、变异系数和偏度系数。
S1203:对于每个所述支持度小于所述支持度阈值且所述置信度小于所述置信度阈值的所述子轨迹,生成对应的内容为0的所述子轨迹特征向量。
更优选地,上述支持度阈值为50%,上述置信度阈值为60%。
S13:根据每个所述子轨迹特征向量,获得所述目标移动轨迹的轨迹特征向量。
需要说明的是,通过对目标移动轨迹中的各个子轨迹的子轨迹特征向量进行加和、相乘和/或加权求和等方式,即可获得该目标移动轨迹的轨迹特征向量。
S14:根据所述轨迹特征向量,对所述目标移动轨迹进行分类。
进一步地,所述轨迹特征向量中包括速度特征、加速度特征、曲率特征和转角参数特征;
则上述步骤S14进一步包括步骤S1401,具体如下:
S1401:根据所述速度特征、所述加速度特征、所述曲率特征、所述转角参数特征和预设阈值,对所述目标移动轨迹进行分类。
需要说明的是,在一些具体的实施例中,上述***还可同时获取若干用户的移动轨迹,并按照上述步骤方法获得每个用户对应的轨迹特征向量。随后,将每个用户作为一个独立的点,通过计算每两个用户之间的轨迹特征向量的空间距离,并将该空间距离作为对应的两个点之间的连线的权重,从而获得每两个用户的移动轨迹之间的相似度,若前述权重越小,则说明对应的两个用户的移动轨迹越相似,反之,若前述权重越大,则说明对应的两个用户的移动轨迹越不同。随后,通过在对这些权重进行标准化处理后,采用谱聚类的算法对这些用户的移动轨迹进行聚类处理,从而在图中清晰地显示各个移动轨迹的分类。
在另一个优选的实施例中,在上述步骤S1102之前,还包括步骤S01至S02,具体如下:
S01:获得至少一个历史移动轨迹。
需要说明的是,在本实施例中,各个历史移动轨迹为若干不同用户在某一时段内在某一特定区域中生成的移动轨迹。
S02:根据每个所述历史移动轨迹生成所述筛选规则。
进一步地,上述步骤S02进一步包括步骤S0201至S0203,具体如下:
S0201:根据每个所述历史移动轨迹,构建轨迹数据结构。
更优选地,所述轨迹数据结构为FP树。
S0202:根据所述轨迹数据结构,获得至少一个高频轨迹。
S0203:根据每个所述高频轨迹,生成所述筛选规则。
例如,假设通过对上述FP树进行解析,可以获得用户的高频轨迹包括但不限于c→a、c→f、[cfp]→[am]等,其中,c→a对应的支持度和置信度分别为0.86和0.86,c→f对应的支持度和置信度分别为0.86和0.86,[cfp]→[am]对应的支持度和置信度分别为0.57和1,则在获得各个高频轨迹之后,生成由这些高频轨迹组成的筛选规则。
在本实施例中,在获得初始移动轨迹之后,根据上述筛选规则,将其中没有涵盖于该筛选规则的各个初始轨迹点删除,从而获得上述目标轨迹点,并进而获得由这些目标轨迹点组成的目标移动轨迹。根据上述筛选规则,将该目标移动轨迹解析为若干子轨迹,随后,通过查询上述筛选规则,即可获得各个子轨迹的支持度和置信度。最后,通过判断该支持度和置信度是否达到预设阈值,从而生成相应的子轨迹特征向量。
需要进一步说明的是,上述步骤标号仅用于区分不同步骤,而不对各步骤之间的执行顺序进行限定。
本发明实施例提供的移动轨迹的分类方法,通过将目标移动轨迹分成若干子轨迹,并通过计算各个子轨迹的特征向量来分析获得整个目标移动轨迹的特征,从而使得在根据目标移动轨迹的特征来对该目标移动轨迹进行分类时,能够充分考虑到用户在每一时刻每一空间下的移动特征,即充分考虑到时空特征、信号传输等对目标移动轨迹的影响,从而能够提高对移动轨迹的分类的准确度。
相应地,本发明还提供一种移动轨迹的分类装置,能够实现上述实施例中的移动轨迹的分类方法的所有流程。
如图2所示,为本发明提供的移动轨迹的分类装置的一个优选的实施例的结构示意图,具体包括:
目标移动轨迹获得模块21,用于获得目标移动轨迹;其中,所述目标移动轨迹中包含至少一个子轨迹;
子轨迹特征向量获得模块22,用于获得每个所述子轨迹的子轨迹特征向量;
轨迹特征向量获得模块23,用于根据每个所述子轨迹特征向量,获得所述目标移动轨迹的轨迹特征向量;以及,
目标移动轨迹分类模块24,用于根据所述轨迹特征向量,对所述目标移动轨迹进行分类。
进一步地,所述目标移动轨迹获得模块,具体包括:
初始移动轨迹获得单元,用于获得初始移动轨迹;其中,所述初始移动轨迹中包含至少一个初始轨迹点;
轨迹点筛选单元,用于根据预设的筛选规则,从所有所述初始轨迹点中筛选出至少一个目标轨迹点;
子轨迹获得单元,用于连接每两个相邻的所述目标轨迹点,获得至少一个所述子轨迹;以及,
目标移动轨迹获得单元,用于获得由所有所述子轨迹组成的所述目标移动轨迹。
进一步地,所述移动轨迹的分类装置,还包括:
历史移动轨迹获得模块,用于获得至少一个历史移动轨迹;以及,
筛选规则生成模块,用于根据每个所述历史移动轨迹生成所述筛选规则;
所述筛选规则生成模块,具体包括:
轨迹数据结构构建单元,用于根据每个所述历史移动轨迹,构建轨迹数据结构;
高频轨迹获得单元,用于根据所述轨迹数据结构,获得至少一个高频轨迹;以及,
筛选规则生成单元,用于根据每个所述高频轨迹,生成所述筛选规则。
进一步地,所述轨迹数据结构为FP树。
进一步地,所述子轨迹特征向量获得模块,具体包括:
支持度置信度获得单元,用于获得每个所述子轨迹的支持度和置信度;
第一特征向量生成单元,用于对于每个所述支持度大于或者等于预设的支持度阈值且所述置信度大于或者等于预设的置信度阈值的所述子轨迹,提取对应的n个轨迹特征,并获得对应的由所述n个轨迹特征组成的所述子轨迹特征向量;其中,n≥0;以及,
第二特征向量生成单元,用于对于每个所述支持度小于所述支持度阈值且所述置信度小于所述置信度阈值的所述子轨迹,生成对应的内容为0的所述子轨迹特征向量。
进一步地,n=24;则所述n个轨迹特征包括加速度特征、速度特征、曲率特征、转角参数特征、运动路径长度特征、起始时间特征、到达时间特征和停留时间特征;
所述加速度特征包括加速度的标准差、变异系数和偏度系数;
所述速度特征包括速度的标准差、变异系数和偏度系数;
所述曲率特征包括曲率的标准差、变异系数和偏度系数;
所述转角参数特征包括转角参数的标准差、变异系数和偏度系数;
所述运动路径长度特征包括运动路径长度的标准差、变异系数和偏度系数;
所述起始时间特征包括起始时间的标准差、变异系数和偏度系数;
所述到达时间特征包括到达时间的标准差、变异系数和偏度系数;
所述停留时间特征包括停留时间的标准差、变异系数和偏度系数。
进一步地,所述轨迹特征向量中包括速度特征、加速度特征、曲率特征和转角参数特征;
则所述目标移动轨迹分类模块,具体包括:
移动轨迹分类单元,用于根据所述速度特征、所述加速度特征、所述曲率特征、所述转角参数特征和预设阈值,对所述目标移动轨迹进行分类。
本发明实施例提供的移动轨迹的分类装置,通过将目标移动轨迹分成若干子轨迹,并通过计算各个子轨迹的特征向量来分析获得整个目标移动轨迹的特征,从而使得在根据目标移动轨迹的特征来对该目标移动轨迹进行分类时,能够充分考虑到用户在每一时刻每一空间下的移动特征,即充分考虑到时空特征、信号传输等对目标移动轨迹的影响,从而能够提高对移动轨迹的分类的准确度。
本发明还提供了一种设备。
如图3所示,为本发明提供的设备的一个优选的实施例的结构示意图,包括处理器31、存储器32以及存储在所述存储器32中且被配置为由所述处理器31执行的计算机程序,所述处理器31执行所述计算机程序时实现如上任一实施例所述的移动轨迹的分类方法。
需要说明的是,图3仅以该设备中的一个存储器和一个处理器相连接为例进行示意,在一些具体的实施例中,该设备中还可以包括多个存储器和/或多个处理器,其具体的数目及连接方式可根据实际情况需要进行设置和适应性调整。
本发明实施例提供的设备,通过将目标移动轨迹分成若干子轨迹,并通过计算各个子轨迹的特征向量来分析获得整个目标移动轨迹的特征,从而使得在根据目标移动轨迹的特征来对该目标移动轨迹进行分类时,能够充分考虑到用户在每一时刻每一空间下的移动特征,即充分考虑到时空特征、信号传输等对目标移动轨迹的影响,从而能够提高对移动轨迹的分类的准确度。
本发明还提供了一种计算机可读存储介质,具体包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上任一实施例所述的移动轨迹的分类方法。
需要说明的是,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要进一步说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
本发明实施例提供的计算机可读存储介质,通过将目标移动轨迹分成若干子轨迹,并通过计算各个子轨迹的特征向量来分析获得整个目标移动轨迹的特征,从而使得在根据目标移动轨迹的特征来对该目标移动轨迹进行分类时,能够充分考虑到用户在每一时刻每一空间下的移动特征,即充分考虑到时空特征、信号传输等对目标移动轨迹的影响,从而能够提高对移动轨迹的分类的准确度。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种移动轨迹的分类方法,其特征在于,包括:
获得目标移动轨迹;其中,所述目标移动轨迹中包含至少一个子轨迹;
获得每个所述子轨迹的子轨迹特征向量;
根据每个所述子轨迹特征向量,获得所述目标移动轨迹的轨迹特征向量;
根据所述轨迹特征向量,对所述目标移动轨迹进行分类。
2.如权利要求1所述的移动轨迹的分类方法,其特征在于,所述获得目标移动轨迹,具体包括:
获得初始移动轨迹;其中,所述初始移动轨迹中包含至少一个初始轨迹点;
根据预设的筛选规则,从所有所述初始轨迹点中筛选出至少一个目标轨迹点;
连接每两个相邻的所述目标轨迹点,获得至少一个所述子轨迹;
获得由所有所述子轨迹组成的所述目标移动轨迹。
3.如权利要求2所述的移动轨迹的分类方法,其特征在于,在所述根据预设的筛选规则,从所有所述初始轨迹点中筛选出至少一个目标轨迹点之前,还包括:
获得至少一个历史移动轨迹;
根据每个所述历史移动轨迹生成所述筛选规则;
所述根据每个所述历史移动轨迹生成所述筛选规则,具体包括:
根据每个所述历史移动轨迹,构建轨迹数据结构;
根据所述轨迹数据结构,获得至少一个高频轨迹;
根据每个所述高频轨迹,生成所述筛选规则。
4.如权利要求3所述的移动轨迹的分类方法,其特征在于,所述轨迹数据结构为FP树。
5.如权利要求1所述的移动轨迹的分类方法,其特征在于,所述获得每个所述子轨迹的子轨迹特征向量,具体包括:
获得每个所述子轨迹的支持度和置信度;
对于每个所述支持度大于或者等于预设的支持度阈值且所述置信度大于或者等于预设的置信度阈值的所述子轨迹,提取对应的n个轨迹特征,并获得对应的由所述n个轨迹特征组成的所述子轨迹特征向量;其中,n≥0;
对于每个所述支持度小于所述支持度阈值且所述置信度小于所述置信度阈值的所述子轨迹,生成对应的内容为0的所述子轨迹特征向量。
6.如权利要求5所述的移动轨迹的分类方法,其特征在于,n=24;则所述n个轨迹特征包括加速度特征、速度特征、曲率特征、转角参数特征、运动路径长度特征、起始时间特征、到达时间特征和停留时间特征;
所述加速度特征包括加速度的标准差、变异系数和偏度系数;
所述速度特征包括速度的标准差、变异系数和偏度系数;
所述曲率特征包括曲率的标准差、变异系数和偏度系数;
所述转角参数特征包括转角参数的标准差、变异系数和偏度系数;
所述运动路径长度特征包括运动路径长度的标准差、变异系数和偏度系数;
所述起始时间特征包括起始时间的标准差、变异系数和偏度系数;
所述到达时间特征包括到达时间的标准差、变异系数和偏度系数;
所述停留时间特征包括停留时间的标准差、变异系数和偏度系数。
7.如权利要求1所述的移动轨迹的分类方法,其特征在于,所述轨迹特征向量中包括速度特征、加速度特征、曲率特征和转角参数特征;
则所述根据所述轨迹特征向量,对所述目标移动轨迹进行分类,具体包括:
根据所述速度特征、所述加速度特征、所述曲率特征、所述转角参数特征和预设阈值,对所述目标移动轨迹进行分类。
8.一种移动轨迹的分类装置,其特征在于,包括:
目标移动轨迹获得模块,用于获得目标移动轨迹;其中,所述目标移动轨迹中包含至少一个子轨迹;
子轨迹特征向量获得模块,用于获得每个所述子轨迹的子轨迹特征向量;
轨迹特征向量获得模块,用于根据每个所述子轨迹特征向量,获得所述目标移动轨迹的轨迹特征向量;以及,
目标移动轨迹分类模块,用于根据所述轨迹特征向量,对所述目标移动轨迹进行分类。
9.一种设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的移动轨迹的分类方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7中任一项所述的移动轨迹的分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810567695.XA CN109034181A (zh) | 2018-06-05 | 2018-06-05 | 移动轨迹的分类方法和装置、设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810567695.XA CN109034181A (zh) | 2018-06-05 | 2018-06-05 | 移动轨迹的分类方法和装置、设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109034181A true CN109034181A (zh) | 2018-12-18 |
Family
ID=64612186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810567695.XA Pending CN109034181A (zh) | 2018-06-05 | 2018-06-05 | 移动轨迹的分类方法和装置、设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109034181A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109961106A (zh) * | 2019-04-18 | 2019-07-02 | 北京百度网讯科技有限公司 | 轨迹分类模型的训练方法和装置、电子设备 |
CN110160539A (zh) * | 2019-05-28 | 2019-08-23 | 北京百度网讯科技有限公司 | 地图匹配方法、装置、计算设备和介质 |
CN110254435A (zh) * | 2019-06-28 | 2019-09-20 | 同济大学 | 一种驾驶风格识别方法 |
CN111310070A (zh) * | 2019-12-20 | 2020-06-19 | 东软集团股份有限公司 | 确定频繁行程的方法、装置、存储介质和电子设备 |
CN111444294A (zh) * | 2019-01-17 | 2020-07-24 | 杭州海康威视***技术有限公司 | 一种轨迹补全方法、装置及电子设备 |
CN111896941A (zh) * | 2020-06-15 | 2020-11-06 | 浙江大华技术股份有限公司 | 一种雷达数据的目标轨迹确定方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103810476A (zh) * | 2014-02-20 | 2014-05-21 | 中国计量学院 | 基于小群体信息关联的视频监控网络中行人重识别方法 |
CN105183893A (zh) * | 2015-09-29 | 2015-12-23 | 百度在线网络技术(北京)有限公司 | 定位轨迹的分类方法及装置 |
CN105224687A (zh) * | 2015-10-30 | 2016-01-06 | 宁波大学 | 一种低消耗的Apriori方法 |
CN105785411A (zh) * | 2016-02-24 | 2016-07-20 | 重庆邮电大学 | 一种基于区域划分的异常轨迹检测方法 |
US20160377441A1 (en) * | 2015-06-23 | 2016-12-29 | International Business Machines Corporation | Quantifying anomalous behavior by identifying anomalies at subtrajectories |
CN106446208A (zh) * | 2016-09-30 | 2017-02-22 | 东南大学 | 一种考虑路网契合度的智能手机出行方式识别方法 |
CN107241512A (zh) * | 2017-06-30 | 2017-10-10 | 清华大学 | 基于手机数据的城际交通出行方式判断方法和设备 |
CN107330088A (zh) * | 2017-07-04 | 2017-11-07 | 上海交通大学 | 一种基于gps轨迹数据的出行段识别方法 |
-
2018
- 2018-06-05 CN CN201810567695.XA patent/CN109034181A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103810476A (zh) * | 2014-02-20 | 2014-05-21 | 中国计量学院 | 基于小群体信息关联的视频监控网络中行人重识别方法 |
US20160377441A1 (en) * | 2015-06-23 | 2016-12-29 | International Business Machines Corporation | Quantifying anomalous behavior by identifying anomalies at subtrajectories |
CN105183893A (zh) * | 2015-09-29 | 2015-12-23 | 百度在线网络技术(北京)有限公司 | 定位轨迹的分类方法及装置 |
CN105224687A (zh) * | 2015-10-30 | 2016-01-06 | 宁波大学 | 一种低消耗的Apriori方法 |
CN105785411A (zh) * | 2016-02-24 | 2016-07-20 | 重庆邮电大学 | 一种基于区域划分的异常轨迹检测方法 |
CN106446208A (zh) * | 2016-09-30 | 2017-02-22 | 东南大学 | 一种考虑路网契合度的智能手机出行方式识别方法 |
CN107241512A (zh) * | 2017-06-30 | 2017-10-10 | 清华大学 | 基于手机数据的城际交通出行方式判断方法和设备 |
CN107330088A (zh) * | 2017-07-04 | 2017-11-07 | 上海交通大学 | 一种基于gps轨迹数据的出行段识别方法 |
Non-Patent Citations (3)
Title |
---|
朱进等: "移动对象多种运动参数在轨迹分类的应用", 《地球信息科学》 * |
牛新征等: "基于FP-Tree模型的频繁轨迹模式挖掘方法", 《电子科技大学学报》 * |
肖艳丽等: "基于GPS 轨迹的用户移动行为挖掘算法", 《计算机应用与软件》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111444294A (zh) * | 2019-01-17 | 2020-07-24 | 杭州海康威视***技术有限公司 | 一种轨迹补全方法、装置及电子设备 |
CN111444294B (zh) * | 2019-01-17 | 2023-10-10 | 杭州海康威视***技术有限公司 | 一种轨迹补全方法、装置及电子设备 |
CN109961106A (zh) * | 2019-04-18 | 2019-07-02 | 北京百度网讯科技有限公司 | 轨迹分类模型的训练方法和装置、电子设备 |
CN109961106B (zh) * | 2019-04-18 | 2022-03-18 | 北京百度网讯科技有限公司 | 轨迹分类模型的训练方法和装置、电子设备 |
US11599825B2 (en) | 2019-04-18 | 2023-03-07 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for training trajectory classification model, and electronic device |
CN110160539A (zh) * | 2019-05-28 | 2019-08-23 | 北京百度网讯科技有限公司 | 地图匹配方法、装置、计算设备和介质 |
CN110254435A (zh) * | 2019-06-28 | 2019-09-20 | 同济大学 | 一种驾驶风格识别方法 |
CN111310070A (zh) * | 2019-12-20 | 2020-06-19 | 东软集团股份有限公司 | 确定频繁行程的方法、装置、存储介质和电子设备 |
CN111310070B (zh) * | 2019-12-20 | 2024-03-08 | 东软集团股份有限公司 | 确定频繁行程的方法、装置、存储介质和电子设备 |
CN111896941A (zh) * | 2020-06-15 | 2020-11-06 | 浙江大华技术股份有限公司 | 一种雷达数据的目标轨迹确定方法及装置 |
CN111896941B (zh) * | 2020-06-15 | 2023-06-13 | 浙江大华技术股份有限公司 | 一种雷达数据的目标轨迹确定方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109034181A (zh) | 移动轨迹的分类方法和装置、设备、存储介质 | |
CN107248082B (zh) | 养卡识别方法及装置 | |
CN109447156A (zh) | 用于生成模型的方法和装置 | |
CN107038449B (zh) | 一种欺诈用户的识别方法及装置 | |
CN109242135A (zh) | 一种模型运营方法、装置、及业务服务器 | |
CN106843941B (zh) | 信息处理方法、装置和计算机设备 | |
CN109769201A (zh) | 一种实现用户精准定位的智慧城市管理平台 | |
CN110162970A (zh) | 一种程序处理方法、装置以及相关设备 | |
CN111294819B (zh) | 一种网络优化方法及装置 | |
CN107547154A (zh) | 一种建立视频流量预测模型的方法及装置 | |
CN111355616B (zh) | 一种基于物理层数据的战术通信网关键节点识别方法 | |
CN110516748A (zh) | 业务处理方法、装置、介质及电子设备 | |
EP4084365A1 (en) | Channel identification method and apparatus, transmission method, transmission device, base station, and medium | |
CN109214501A (zh) | 用于识别信息的方法和装置 | |
CN108768695A (zh) | Kqi的问题定位方法及装置 | |
CN114140696A (zh) | 商品识别***优化方法、装置、设备及存储介质 | |
CN111460923A (zh) | 微表情识别方法、装置、设备和存储介质 | |
CN105323763B (zh) | 一种垃圾短消息的识别方法及装置 | |
CN110933662B (zh) | 一种基于数据挖掘的时空伴随关系分析方法和*** | |
CN110662212B (zh) | 一种基于大数据的手机终端识别方法 | |
CN110428816A (zh) | 一种语音细胞库训练和分享的方法及装置 | |
CN108737487A (zh) | 数据同步方法和装置、存储介质及电子装置 | |
CN113472860A (zh) | 大数据和数字化环境下的业务资源分配方法及服务器 | |
CN108810916A (zh) | Wi-Fi热点推荐方法、装置及存储介质 | |
CN113094412B (zh) | 一种身份识别方法、装置、电子设备以及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181218 |