CN109726874A - 出行线路规划方法、装置、计算设备及存储介质 - Google Patents
出行线路规划方法、装置、计算设备及存储介质 Download PDFInfo
- Publication number
- CN109726874A CN109726874A CN201910088728.7A CN201910088728A CN109726874A CN 109726874 A CN109726874 A CN 109726874A CN 201910088728 A CN201910088728 A CN 201910088728A CN 109726874 A CN109726874 A CN 109726874A
- Authority
- CN
- China
- Prior art keywords
- user
- time
- commuting
- track
- estimated
- 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
Landscapes
- Navigation (AREA)
Abstract
本申请实施例公开了一种出行线路规划方法、装置、计算设备及存储介质,该方法包括根据用户的原始出行数据,确定用户的住所位置和公司位置;依据所述用户在所述住所位置和所述公司位置的出行时间确定所述用户的预计通勤时间;根据所述住所位置以及所述公司位置之间的出行轨迹确定所述用户的预计通勤轨迹;当检测到***时间满足所述预计通勤时间时,生成所述预计通勤轨迹,本方案无需用户手动操作软件,可以高效的为用户设计出行路线。
Description
技术领域
本申请实施例涉及计算机技术,尤其涉及一种出行线路规划方法、装置、计算设备及存储介质。
背景技术
随着定位技术,特别是卫星定位***的成熟和普及,获取海量的出行数据变得越来越容易,通过利用这些数据以给出用户合理的出行推荐,可以满足用户的出行需求。
现有技术中,用户需要通过主动搜索或设置以获取相应的服务(如高德地图),针对具备数据挖掘功能的软件,数据统计挖掘需要大量历史数据,处理效率和响应程度较低。
发明内容
本申请提供了一种出行线路规划方法、装置、计算设备及存储介质,。
第一方面,本申请实施例提供了一种出行线路规划方法,包括:
根据用户的原始出行数据,确定用户的住所位置和公司位置;
依据所述用户在所述住所位置和所述公司位置的出行时间确定所述用户的预计通勤时间;
根据所述住所位置以及所述公司位置之间的出行轨迹确定所述用户的预计通勤轨迹;
当检测到***时间满足所述预计通勤时间时,生成所述预计通勤轨迹。
第二方面,本申请实施例还提供了一种出行线路规划装置,包括:
位置确定模块,用于根据用户的原始出行数据,确定用户的住所位置和公司位置;
通勤时间确定模块,用于依据所述用户在所述住所位置和所述公司位置的出行时间确定所述用户的预计通勤时间;
通勤轨迹确定模块,用于根据所述住所位置以及所述公司位置之间的出行轨迹确定所述用户的预计通勤轨迹;
信息推荐模块,用于当检测到***时间满足所述预计通勤时间时,生成所述预计通勤轨迹。
第三方面,本申请实施例还提供了一种计算设备,包括:处理器、存储器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如本申请实施例所述的出行线路规划方法。
第四方面,本申请实施例还提供了一种包含计算设备可执行指令的存储介质,所述计算设备可执行指令在由计算设备处理器执行时用于执行本申请实施例所述的出行线路规划方法。
本方案中,根据用户的原始出行数据,确定用户的住所位置和公司位置;依据所述用户在所述住所位置和所述公司位置的出行时间确定所述用户的预计通勤时间;根据所述住所位置以及所述公司位置之间的出行轨迹确定所述用户的预计通勤轨迹;当检测到***时间满足所述预计通勤时间时,生成所述预计通勤轨迹,无需用户手动操作软件,可以高效的为用户设计出行路线。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请实施例提供的一种出行线路规划方法的流程图;
图2是本申请实施例提供的另一种出行线路规划方法的流程图;
图2a本申请实施例提供的一种用户住所位置的确定方式示意图;
图2b是本申请实施例提供的一种估计用户公司位置的示意图;
图3是本申请实施例提供的另一种出行线路规划方法的流程图;
图4是本申请实施例提供的一种出行线路规划方法的流程图;
图5是本申请实施例提供的一种出行线路规划方法的流程图;
图6是本申请实施例提供的一种出行线路规划装置的结构框图;
图7是本申请实施例提供的一种计算设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部结构。
图1是本申请实施例提供的一种出行线路规划方法的流程图,可适用于为用户自动实现路径规划,该方法可以由本申请实施例提供的计算设备来执行,该计算设备的出行线路规划装置可采用软件和/或硬件的方式实现,如图1所示,本实施例提供的具体方案如下:
步骤S101、根据用户的原始出行数据,确定用户的住所位置和公司位置。
其中,用户的原始出行数据包括用户的出行时间、出行地点、出行轨迹、到达时间、到达地点等,该原始出行数据可由计算设备的导航软件或者特定软件进行收集,该计算设备可以是用户的智能手机或者车载计算设备。
在一个实施例中,依据记录的用户的大量的原始出行数据确定用户的住所位置和公司位置。示例性的,可以是获取用户在每天中的首次出行位置和末次到达位置,根据所述首次出行位置和所述末次到达位置利用核密度估计、箱线图检测算法或3-sigma检测算法得到所述用户的住所位置。示例性的,可以是确定用户的早出发时间数据集以及晚到达时间数据集,根据所述早出发时间数据集和所述晚到达时间数据集确定满足预设条件的停留时间数据集,根据所述停留时间数据集中的停留位置确定所述用户的公司位置。
步骤S102、依据所述用户在所述住所位置和所述公司位置的出行时间确定所述用户的预计通勤时间。
其中,预计通勤时间可以是用户的上班驾车去公司的时间,还可以是用户下班由公司驾车回家的时间,可以采用时间段的形式进行表示,时间段长度可以死10分钟、30分钟或1小时等。
在一个实施例中,根据该住所位置和公司位置的出行时间确定所述用户的预计通勤时间,示例性的,可以是分别确定所述用户以所述住所位置和所述公司位置为出行起点的出行时间,对所述出行时间进行箱线图检测算法运算得到所述用户的预计通勤时间。
步骤S103、根据所述住所位置以及所述公司位置之间的出行轨迹确定所述用户的预计通勤轨迹。
其中,该预计通勤轨迹为有住所位置至公司位置,或由公司位置至住所位置的行驶线路。
示例性的,可以是确定所述住所位置以及所述公司位置之间的出行轨迹序列集,随机选择所述出行轨迹序列集中的一条随机路径,计算所述出行轨迹序列集中其它路径和所述随机路径的Frechet距离,通过至少两次核密度估计算法得到所述用户的预计通勤轨迹。
步骤S104、当检测到***时间满足所述预计通勤时间时,生成所述预计通勤轨迹。
在一个实施例中,如果检测到***时间满足所述预计通勤时间时,示例性的,上班通勤时间为8点10分至8点30分,则在***时间到达8点10分时,计算设备如手机自动生成对应的预计通勤轨迹,即当***时间处于预计通勤时间时,判定***时间满足所述预计通勤时间时。示例性的,当计算设备为车载智能终端是,在发动起启动后,如果检测到车载***时间满足预计通勤时间时,则车载智能终端自动生成预计通勤轨迹,并通过导航***进行导航。
由上述内容可知,根据用户的原始出行数据,确定用户的住所位置和公司位置;依据所述用户在所述住所位置和所述公司位置的出行时间确定所述用户的预计通勤时间;根据所述住所位置以及所述公司位置之间的出行轨迹确定所述用户的预计通勤轨迹;当检测到***时间满足所述预计通勤时间时,生成所述预计通勤轨迹,本方案无需用户手动操作软件,可以高效的为用户设计出行路线。
需要说明的是,上述方案以用户通勤为例,展示了住所位置和公司位置之间的自动化路线生成,本申请并不限于上述位置地点,还可以是以用户常去的学校、商场、运动场等地点场景。
图2是本申请实施例提供的另一种出行线路规划方法的流程图,可选的,所述根据用户的原始出行数据,确定用户的住所位置包括:获取用户在每天中的首次出行位置和末次到达位置,根据所述首次出行位置和所述末次到达位置利用核密度估计、箱线图检测算法或3-sigma检测算法得到所述用户的住所位置。如图2所示,技术方案具体如下:
步骤S201、获取用户在每天中的首次出行位置和末次到达位置,根据所述首次出行位置和所述末次到达位置利用核密度估计、箱线图检测算法或3-sigma检测算法得到所述用户的住所位置。
其中,核密度估计是在概率论中用来估计未知的密度函数,属于非参数检验方法,具体的可以是均匀核函数、三角核函数、伽马核函数或高斯核函数等,由于核密度估计方法不利用有关数据分布的先验知识,对数据分布不附加任何假定,可以从数据样本本身出发研究数据分布特征。箱线图检测算法可以被用于异常值的检测,3-sigma检测算法又称为拉依达准则,先假设一组检测数据只含有随机误差,对其进行计算处理得到标准偏差,按一定概率确定一个区间,凡超过这个区间的误差,就不属于随机误差而是粗大误差,含有该误差的数据予以剔除,具体的,以数值分布在(μ—3σ,μ+3σ)中的概率为0.9974进行检测。在一个实施例中,将首次出行位置确定为停车位置,根据上述算法确定该多个位置的中心点,认为用户停车位置在住所位置的周边,将该中心点确定为用户的住所位置。具体的,图2a本申请实施例提供的一种用户住所位置的确定方式示意图,其中,住所位置半径(R)的估计方式为:以热核中心为圆心,满足覆盖95%的历史样本的圆半径*2(2R)为估计半径,其中,R1和R2分别为估计过程中选取的半径长度,在每个半径长度组成的圆覆盖有停车位置样本。
步骤S202、确定用户的早出发时间数据集以及晚到达时间数据集,根据所述早出发时间数据集和所述晚到达时间数据集确定满足预设条件的停留时间数据集,根据所述停留时间数据集中的停留位置确定所述用户的公司位置。
其中,公司位置确定为计算白天时间段内最大停留时长对应位置的密度中心,白天时间段可以是:
(早出发热点时间-3*早出发标准差)-(晚到达热点时间+3*晚到达标准差)
其中,早出发热点时间为早出发时间数据集中的各个出发时间点,晚到达热点时间为晚到达时间数据集中的各个出发时间点。
停留时长的计算方式可以是:以轨迹的起始时间(或者终止时间)每天做一个排序,如出发时间序列,停留时间为下一次出发时刻离上一次到达时刻的持续时间。取每日这样的持续时间最长的两个位置组成一个集合,估计这个集合的密度中心,即为公司位置。(估计这个持续时间为工作日内且>3小时),具体的如图2b所示,图2b是本申请实施例提供的一种估计用户公司位置的示意图,如图所示,选取白天范围的最大时间段两端点出时间对应的用户车辆的位置来估计确定出用户的公司位置。
步骤S203、依据所述用户在所述住所位置和所述公司位置的出行时间确定所述用户的预计通勤时间。
步骤S204、根据所述住所位置以及所述公司位置之间的出行轨迹确定所述用户的预计通勤轨迹。
步骤S205、当检测到***时间满足所述预计通勤时间时,生成所述预计通勤轨迹。
由上述可知,通过上述方式可以高效准确的估算用户的住所位置和公司位置,进而得到精确合理的预计通勤轨迹。
图3是本申请实施例提供的另一种出行线路规划方法的流程图,可选的,所述依据所述用户在所述住所位置和所述公司位置的出行时间确定所述用户的预计通勤时间包括:分别确定所述用户以所述住所位置和所述公司位置为出行起点的出行时间,对所述出行时间进行箱线图检测算法运算得到所述用户的预计通勤时间。如图3所示,技术方案具体如下:
步骤S301、获取用户在每天中的首次出行位置和末次到达位置,根据所述首次出行位置和所述末次到达位置利用核密度估计、箱线图检测算法或3-sigma检测算法得到所述用户的住所位置。
步骤S302、确定用户的早出发时间数据集以及晚到达时间数据集,根据所述早出发时间数据集和所述晚到达时间数据集确定满足预设条件的停留时间数据集,根据所述停留时间数据集中的停留位置确定所述用户的公司位置。
步骤S303、分别确定所述用户以所述住所位置和所述公司位置为出行起点的出行时间,对所述出行时间进行箱线图检测算法运算得到所述用户的预计通勤时间。
其中,在确定了住所位置和公司位置后,追踪每次起点为住所位置(出发点在住所位置热点半径内),终点是公司位置(达点是公司位置热点半径内)的路径出发时间,将该时间用箱线图定出正常范围(经典的箱线图异常检测)。进一步的,为了鲁棒性加入最小最大范围上下限,以及自适应分布的非对称性处理以最终确定用户的预计通勤时间。
步骤S304、根据所述住所位置以及所述公司位置之间的出行轨迹确定所述用户的预计通勤轨迹。
步骤S305、当检测到***时间满足所述预计通勤时间时,生成所述预计通勤轨迹。
由上述可知,分别确定所述用户以所述住所位置和所述公司位置为出行起点的出行时间,对所述出行时间进行箱线图检测算法运算得到所述用户的预计通勤时间,可以精确的预估用户的通勤时间,并在后续时间到达该预计通勤时间时给出提示或自动开启导航。
图4是本申请实施例提供的另一种出行线路规划方法的流程图,可选的,所述根据所述住所位置以及所述公司位置之间的出行轨迹确定所述用户的预计通勤轨迹包括:确定所述住所位置以及所述公司位置之间的出行轨迹序列集,随机选择所述出行轨迹序列集中的一条随机路径,计算所述出行轨迹序列集中其它路径和所述随机路径的Frechet距离,通过至少两次核密度估计算法得到所述用户的预计通勤轨迹。如图4所示,技术方案具体如下:
步骤S401、获取用户在每天中的首次出行位置和末次到达位置,根据所述首次出行位置和所述末次到达位置利用核密度估计、箱线图检测算法或3-sigma检测算法得到所述用户的住所位置。
步骤S402、确定用户的早出发时间数据集以及晚到达时间数据集,根据所述早出发时间数据集和所述晚到达时间数据集确定满足预设条件的停留时间数据集,根据所述停留时间数据集中的停留位置确定所述用户的公司位置。
步骤S403、分别确定所述用户以所述住所位置和所述公司位置为出行起点的出行时间,对所述出行时间进行箱线图检测算法运算得到所述用户的预计通勤时间。
步骤S404、确定所述住所位置以及所述公司位置之间的出行轨迹序列集,随机选择所述出行轨迹序列集中的一条随机路径,计算所述出行轨迹序列集中其它路径和所述随机路径的Frechet距离,通过至少两次核密度估计算法得到所述用户的预计通勤轨迹。
在一个实施例中,在家和公司的位置和半径确定后,确定从家出发去公司和从公司出发回家的路径序列,这些路径序列两两之间可以通过Frechet距离进行度量相似性。在路径状态空间中,再次由核密度估计(一维)计算用户的常走路径。具体的,先随机选择一个一条路径,其它的路径和该路径计算Frechet距离,做一次核密度估计,找到中心后,再做一次密度估计,以调整该中心,直到确定出由家(住所位置)到公司(公司位置)的多个中心点后,将该中心点连线轨迹作为预计通勤轨迹。
步骤S405、当检测到***时间满足所述预计通勤时间时,生成所述预计通勤轨迹。
由上述可知,确定所述住所位置以及所述公司位置之间的出行轨迹序列集,随机选择所述出行轨迹序列集中的一条随机路径,计算所述出行轨迹序列集中其它路径和所述随机路径的Frechet距离,通过至少两次核密度估计算法得到所述用户的预计通勤轨迹,以合理的对用户通勤轨迹进行预测,并在满足时间条件下给出该通勤轨迹用于进行导航或提示用户。
图5是本申请实施例提供的另一种出行线路规划方法的流程图,可选的,在所述生成所述预计通勤轨迹之前,还包括:确定所述用户是否为通勤用户;相应的,所述生成所述预计通勤轨迹包括:如果所述用户是通勤用户,则生成所述预计通勤轨迹。所述确定所述用户是否为通勤用户包括:确定所述用户在所述住所位置和所述公司位置之间的出行次数;根据所述出行次数确定所述用户的通勤指数;确定所述通勤指数是否满足预设阈值,如果是,则所述用户为通勤用户,如果否,则所述用户为非通勤用户。如图5所示,技术方案具体如下:
步骤S501、获取用户在每天中的首次出行位置和末次到达位置,根据所述首次出行位置和所述末次到达位置利用核密度估计、箱线图检测算法或3-sigma检测算法得到所述用户的住所位置。
步骤S502、确定用户的早出发时间数据集以及晚到达时间数据集,根据所述早出发时间数据集和所述晚到达时间数据集确定满足预设条件的停留时间数据集,根据所述停留时间数据集中的停留位置确定所述用户的公司位置。
步骤S503、分别确定所述用户以所述住所位置和所述公司位置为出行起点的出行时间,对所述出行时间进行箱线图检测算法运算得到所述用户的预计通勤时间。
步骤S504、确定所述住所位置以及所述公司位置之间的出行轨迹序列集,随机选择所述出行轨迹序列集中的一条随机路径,计算所述出行轨迹序列集中其它路径和所述随机路径的Frechet距离,通过至少两次核密度估计算法得到所述用户的预计通勤轨迹。
步骤S505、当检测到***时间满足所述预计通勤时间时,确定所述用户在所述住所位置和所述公司位置之间的出行次数,根据所述出行次数确定所述用户的通勤指数;确定所述通勤指数是否满足预设阈值,如果是,则所述用户为通勤用户,如果否,则所述用户为非通勤用户。
在一个实施例中,当确定该用户为通勤用户后给出相应的预计通勤轨迹。具体的,可通过:100*(工作日从家去公司天数/工作日从家出发或者到达公司路径天数+工作日从公司回家天数/工作日从公司出发或者到达家路径天数)/2得到通勤支持度指标,将其作为通勤指数,该预设阈值可以是30,即通勤指数大于30时,确定该用户为通勤用户。
步骤S506、如果所述用户是通勤用户,则生成所述预计通勤轨迹。
由上述可知,针对通勤用户在满足相应时间段情况下自动生成预计通勤轨迹以提供给用户,实现了无需用户手动操作软件,可以高效的为用户设计出行路线。
图6是本申请实施例提供的一种出行线路规划装置的结构框图,该装置用于执行上述实施例提供的出行线路规划方法,具备执行方法相应的功能模块和有益效果。如图6所示,该装置具体包括:位置确定模块101、通勤时间确定模块102、通勤轨迹确定模块103和信息推荐模块104,其中,
位置确定模块101,用于根据用户的原始出行数据,确定用户的住所位置和公司位置。
其中,用户的原始出行数据包括用户的出行时间、出行地点、出行轨迹、到达时间、到达地点等,该原始出行数据可由计算设备的导航软件或者特定软件进行收集,该计算设备可以是用户的智能手机或者车载计算设备。
在一个实施例中,依据记录的用户的大量的原始出行数据确定用户的住所位置和公司位置。示例性的,可以是获取用户在每天中的首次出行位置和末次到达位置,根据所述首次出行位置和所述末次到达位置利用核密度估计、箱线图检测算法或3-sigma检测算法得到所述用户的住所位置。示例性的,可以是确定用户的早出发时间数据集以及晚到达时间数据集,根据所述早出发时间数据集和所述晚到达时间数据集确定满足预设条件的停留时间数据集,根据所述停留时间数据集中的停留位置确定所述用户的公司位置。
通勤时间确定模块102,用于依据所述用户在所述住所位置和所述公司位置的出行时间确定所述用户的预计通勤时间。
其中,预计通勤时间可以是用户的上班驾车去公司的时间,还可以是用户下班由公司驾车回家的时间,可以采用时间段的形式进行表示,时间段长度可以死10分钟、30分钟或1小时等。
在一个实施例中,根据该住所位置和公司位置的出行时间确定所述用户的预计通勤时间,示例性的,可以是分别确定所述用户以所述住所位置和所述公司位置为出行起点的出行时间,对所述出行时间进行箱线图检测算法运算得到所述用户的预计通勤时间。
通勤轨迹确定模块103,用于根据所述住所位置以及所述公司位置之间的出行轨迹确定所述用户的预计通勤轨迹。
其中,该预计通勤轨迹为有住所位置至公司位置,或由公司位置至住所位置的行驶线路。
示例性的,可以是确定所述住所位置以及所述公司位置之间的出行轨迹序列集,随机选择所述出行轨迹序列集中的一条随机路径,计算所述出行轨迹序列集中其它路径和所述随机路径的Frechet距离,通过至少两次核密度估计算法得到所述用户的预计通勤轨迹。
信息推荐模块104,用于当检测到***时间满足所述预计通勤时间时,生成所述预计通勤轨迹。
在一个实施例中,如果检测到***时间满足所述预计通勤时间时,示例性的,上班通勤时间为8点10分至8点30分,则在***时间到达8点10分时,计算设备如手机自动生成对应的预计通勤轨迹,即当***时间处于预计通勤时间时,判定***时间满足所述预计通勤时间时。示例性的,当计算设备为车载智能终端是,在发动起启动后,如果检测到车载***时间满足预计通勤时间时,则车载智能终端自动生成预计通勤轨迹,并通过导航***进行导航。
由上述内容可知,根据用户的原始出行数据,确定用户的住所位置和公司位置;依据所述用户在所述住所位置和所述公司位置的出行时间确定所述用户的预计通勤时间;根据所述住所位置以及所述公司位置之间的出行轨迹确定所述用户的预计通勤轨迹;当检测到***时间满足所述预计通勤时间时,生成所述预计通勤轨迹,本方案无需用户手动操作软件,可以高效的为用户设计出行路线。
在一个可能的实施例中,所述位置确定模块101具体用于:
获取用户在每天中的首次出行位置和末次到达位置,根据所述首次出行位置和所述末次到达位置利用核密度估计、箱线图检测算法或3-sigma检测算法得到所述用户的住所位置。
在一个可能的实施例中,所述位置确定模块101具体用于:
确定用户的早出发时间数据集以及晚到达时间数据集,根据所述早出发时间数据集和所述晚到达时间数据集确定满足预设条件的停留时间数据集,根据所述停留时间数据集中的停留位置确定所述用户的公司位置。
在一个可能的实施例中,所述通勤时间确定模块102具体用于:
分别确定所述用户以所述住所位置和所述公司位置为出行起点的出行时间,对所述出行时间进行箱线图检测算法运算得到所述用户的预计通勤时间。
在一个可能的实施例中,所述通勤轨迹确定模块103具体用于:
确定所述住所位置以及所述公司位置之间的出行轨迹序列集,随机选择所述出行轨迹序列集中的一条随机路径,计算所述出行轨迹序列集中其它路径和所述随机路径的Frechet距离,通过至少两次核密度估计算法得到所述用户的预计通勤轨迹。
在一个可能的实施例中,所述信息推荐模块104还用于:
在所述生成所述预计通勤轨迹之前,确定所述用户是否为通勤用户;
所述通勤轨迹确定模块103具体用于:
如果所述用户是通勤用户,则生成所述预计通勤轨迹。
在一个可能的实施例中,所述信息推荐模块104具体用于:
确定所述用户在所述住所位置和所述公司位置之间的出行次数;
根据所述出行次数确定所述用户的通勤指数;
确定所述通勤指数是否满足预设阈值,如果是,则所述用户为通勤用户,如果否,则所述用户为非通勤用户。
本实施例在上述各实施例的基础上提供了一种计算设备,图7是本申请实施例提供的一种计算设备的结构示意图,如图7所示,该计算设备200包括:存储器201、处理器202,所述存储器201可以被处理器202,所述存储器201可以包括高速随机存取存储器,还可以包括非易失性存储器,例如一个或多个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
上述实施例中提供的计算设备的出行线路规划装置及计算设备可执行本申请任意实施例所提供的计算设备的出行线路规划方法,具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节,可参见本申请任意实施例所提供的计算设备的出行线路规划方法。
本申请实施例还提供一种包含计算设备可执行指令的存储介质,所述计算设备可执行指令在由计算设备处理器执行时用于执行一种出行线路规划方法,该方法包括:
根据用户的原始出行数据,确定用户的住所位置和公司位置;
依据所述用户在所述住所位置和所述公司位置的出行时间确定所述用户的预计通勤时间;
根据所述住所位置以及所述公司位置之间的出行轨迹确定所述用户的预计通勤轨迹;
当检测到***时间满足所述预计通勤时间时,生成所述预计通勤轨迹。
在一个可能的实施例中,所述根据用户的原始出行数据,确定用户的住所位置包括:
获取用户在每天中的首次出行位置和末次到达位置,根据所述首次出行位置和所述末次到达位置利用核密度估计、箱线图检测算法或3-sigma检测算法得到所述用户的住所位置。
在一个可能的实施例中,所述根据用户的原始出行数据,确定用户的公司位置包括:
确定用户的早出发时间数据集以及晚到达时间数据集,根据所述早出发时间数据集和所述晚到达时间数据集确定满足预设条件的停留时间数据集,根据所述停留时间数据集中的停留位置确定所述用户的公司位置。
在一个可能的实施例中,所述依据所述用户在所述住所位置和所述公司位置的出行时间确定所述用户的预计通勤时间包括:
分别确定所述用户以所述住所位置和所述公司位置为出行起点的出行时间,对所述出行时间进行箱线图检测算法运算得到所述用户的预计通勤时间。
在一个可能的实施例中,所述根据所述住所位置以及所述公司位置之间的出行轨迹确定所述用户的预计通勤轨迹包括:
确定所述住所位置以及所述公司位置之间的出行轨迹序列集,随机选择所述出行轨迹序列集中的一条随机路径,计算所述出行轨迹序列集中其它路径和所述随机路径的Frechet距离,通过至少两次核密度估计算法得到所述用户的预计通勤轨迹。
在一个可能的实施例中,在所述生成所述预计通勤轨迹之前,还包括:
确定所述用户是否为通勤用户;
相应的,所述生成所述预计通勤轨迹包括:
如果所述用户是通勤用户,则生成所述预计通勤轨迹。
在一个可能的实施例中,所述确定所述用户是否为通勤用户包括:
确定所述用户在所述住所位置和所述公司位置之间的出行次数;
根据所述出行次数确定所述用户的通勤指数;
确定所述通勤指数是否满足预设阈值,如果是,则所述用户为通勤用户,如果否,则所述用户为非通勤用户。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括:安装介质,例如CD-ROM、软盘或磁带装置;计算机***存储器或随机存取存储器,诸如DRAM、DDR RAM、SRAM、EDO RAM,兰巴斯(Rambus)RAM等;非易失性存储器,诸如闪存、磁介质(例如硬盘或光存储);寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外,存储介质可以位于程序在其中被执行的第一计算机***中,或者可以位于不同的第二计算机***中,第二计算机***通过网络(诸如因特网)连接到第一计算机***。第二计算机***可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机***中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然,本申请实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的出行线路规划方法操作,还可以执行本申请任意实施例所提供的出行线路规划方法中的相关操作。
注意,上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解,本申请不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请构思的情况下,还可以包括更多其他等效实施例,而本申请的范围由所附的权利要求范围决定。
Claims (10)
1.出行线路规划方法,其特征在于,包括:
根据用户的原始出行数据,确定用户的住所位置和公司位置;
依据所述用户在所述住所位置和所述公司位置的出行时间确定所述用户的预计通勤时间;
根据所述住所位置以及所述公司位置之间的出行轨迹确定所述用户的预计通勤轨迹;
当检测到***时间满足所述预计通勤时间时,生成所述预计通勤轨迹。
2.根据权利要求1所述的方法,其特征在于,所述根据用户的原始出行数据,确定用户的住所位置包括:
获取用户在每天中的首次出行位置和末次到达位置,根据所述首次出行位置和所述末次到达位置利用核密度估计、箱线图检测算法或3-sigma检测算法得到所述用户的住所位置。
3.根据权利要求1所述的方法,其特征在于,所述根据用户的原始出行数据,确定用户的公司位置包括:
确定用户的早出发时间数据集以及晚到达时间数据集,根据所述早出发时间数据集和所述晚到达时间数据集确定满足预设条件的停留时间数据集,根据所述停留时间数据集中的停留位置确定所述用户的公司位置。
4.根据权利要求1所述的方法,其特征在于,所述依据所述用户在所述住所位置和所述公司位置的出行时间确定所述用户的预计通勤时间包括:
分别确定所述用户以所述住所位置和所述公司位置为出行起点的出行时间,对所述出行时间进行箱线图检测算法运算得到所述用户的预计通勤时间。
5.根据权利要求1所述的方法,其特征在于,所述根据所述住所位置以及所述公司位置之间的出行轨迹确定所述用户的预计通勤轨迹包括:
确定所述住所位置以及所述公司位置之间的出行轨迹序列集,随机选择所述出行轨迹序列集中的一条随机路径,计算所述出行轨迹序列集中其它路径和所述随机路径的Frechet距离,通过至少两次核密度估计算法得到所述用户的预计通勤轨迹。
6.根据权利要求1-5中任一项所述的方法,其特征在于,在所述生成所述预计通勤轨迹之前,还包括:
确定所述用户是否为通勤用户;
相应的,所述生成所述预计通勤轨迹包括:
如果所述用户是通勤用户,则生成所述预计通勤轨迹。
7.根据权利要求6所述的方法,其特征在于,所述确定所述用户是否为通勤用户包括:
确定所述用户在所述住所位置和所述公司位置之间的出行次数;
根据所述出行次数确定所述用户的通勤指数;
确定所述通勤指数是否满足预设阈值,如果是,则所述用户为通勤用户,如果否,则所述用户为非通勤用户。
8.出行线路规划装置,其特征在于,包括:
位置确定模块,用于根据用户的原始出行数据,确定用户的住所位置和公司位置;
通勤时间确定模块,用于依据所述用户在所述住所位置和所述公司位置的出行时间确定所述用户的预计通勤时间;
通勤轨迹确定模块,用于根据所述住所位置以及所述公司位置之间的出行轨迹确定所述用户的预计通勤轨迹;
信息推荐模块,用于当检测到***时间满足所述预计通勤时间时,生成所述预计通勤轨迹。
9.一种计算设备,包括:处理器、存储器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的出行线路规划方法。
10.一种包含计算设备可执行指令的存储介质,其特征在于,所述计算设备可执行指令在由计算设备处理器执行时用于执行如权利要求1-7中任一项所述的出行线路规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910088728.7A CN109726874A (zh) | 2019-01-18 | 2019-01-18 | 出行线路规划方法、装置、计算设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910088728.7A CN109726874A (zh) | 2019-01-18 | 2019-01-18 | 出行线路规划方法、装置、计算设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109726874A true CN109726874A (zh) | 2019-05-07 |
Family
ID=66300292
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910088728.7A Pending CN109726874A (zh) | 2019-01-18 | 2019-01-18 | 出行线路规划方法、装置、计算设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109726874A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110428101A (zh) * | 2019-07-31 | 2019-11-08 | 重庆长安汽车股份有限公司 | 基于历史出行规律的目的地预测方法及计算机可读存储介质 |
CN110851490A (zh) * | 2019-10-16 | 2020-02-28 | 青岛海信网络科技股份有限公司 | 一种基于过车数据的车辆出行常用停留点挖掘方法及装置 |
CN111695735A (zh) * | 2020-06-12 | 2020-09-22 | 成都国铁电气设备有限公司 | 一种基于流计算的铁路弓网实时预警方法、***及装置 |
CN112101656A (zh) * | 2020-09-11 | 2020-12-18 | 上海博泰悦臻网络技术服务有限公司 | 基于用户地址信息的管控方法、介质、服务端及*** |
CN113223319A (zh) * | 2021-03-25 | 2021-08-06 | 上海闻泰信息技术有限公司 | 一种提醒轨道交通到站的方法、装置及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593430A (zh) * | 2013-11-11 | 2014-02-19 | 胡宝清 | 一种基于移动对象时空信息轨迹分段聚类的方法 |
CN105674995A (zh) * | 2015-12-31 | 2016-06-15 | 百度在线网络技术(北京)有限公司 | 一种基于用户出行轨迹获取通勤路线的方法及装置 |
CN108061557A (zh) * | 2017-11-14 | 2018-05-22 | 维沃移动通信有限公司 | 一种导航方法及移动终端 |
US20190011926A1 (en) * | 2017-07-05 | 2019-01-10 | Panasonic Intellectual Property Corporation Of America | Autonomous car, traveling controller, traveling control method, and storage medium storing control program |
-
2019
- 2019-01-18 CN CN201910088728.7A patent/CN109726874A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593430A (zh) * | 2013-11-11 | 2014-02-19 | 胡宝清 | 一种基于移动对象时空信息轨迹分段聚类的方法 |
CN105674995A (zh) * | 2015-12-31 | 2016-06-15 | 百度在线网络技术(北京)有限公司 | 一种基于用户出行轨迹获取通勤路线的方法及装置 |
US20190011926A1 (en) * | 2017-07-05 | 2019-01-10 | Panasonic Intellectual Property Corporation Of America | Autonomous car, traveling controller, traveling control method, and storage medium storing control program |
CN108061557A (zh) * | 2017-11-14 | 2018-05-22 | 维沃移动通信有限公司 | 一种导航方法及移动终端 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110428101A (zh) * | 2019-07-31 | 2019-11-08 | 重庆长安汽车股份有限公司 | 基于历史出行规律的目的地预测方法及计算机可读存储介质 |
CN110851490A (zh) * | 2019-10-16 | 2020-02-28 | 青岛海信网络科技股份有限公司 | 一种基于过车数据的车辆出行常用停留点挖掘方法及装置 |
CN110851490B (zh) * | 2019-10-16 | 2022-04-26 | 青岛海信网络科技股份有限公司 | 一种基于过车数据的车辆出行常用停留点挖掘方法及装置 |
CN111695735A (zh) * | 2020-06-12 | 2020-09-22 | 成都国铁电气设备有限公司 | 一种基于流计算的铁路弓网实时预警方法、***及装置 |
CN111695735B (zh) * | 2020-06-12 | 2023-06-16 | 成都国铁电气设备有限公司 | 一种基于流计算的铁路弓网实时预警方法、***及装置 |
CN112101656A (zh) * | 2020-09-11 | 2020-12-18 | 上海博泰悦臻网络技术服务有限公司 | 基于用户地址信息的管控方法、介质、服务端及*** |
CN113223319A (zh) * | 2021-03-25 | 2021-08-06 | 上海闻泰信息技术有限公司 | 一种提醒轨道交通到站的方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109726874A (zh) | 出行线路规划方法、装置、计算设备及存储介质 | |
US11351681B2 (en) | Method and apparatus for charging robot | |
EP2950047B1 (en) | Pedestrian navigation processing method, terminal device and system | |
US9706515B1 (en) | Location data from mobile devices | |
CN109579861B (zh) | 一种基于强化学习的路径导航方法及*** | |
US9788158B1 (en) | Systems and methods to measure the population of mobile devices in a predefined geographical region | |
CN104603632A (zh) | 非地理标记的接入点定位 | |
CN102042836B (zh) | 导航方法和导航装置 | |
US20120323486A1 (en) | Method for simplifying a description of a route of travel | |
EP3798941A1 (en) | Vacant house determination device, vacant house determination method, and recording medium | |
CN111125515A (zh) | 一种停车场所推荐方法、装置及设备 | |
Cunha et al. | Clustering geo-indistinguishability for privacy of continuous location traces | |
CN110598917A (zh) | 一种基于路径轨迹的目的地预测方法、***及存储介质 | |
RU2664034C1 (ru) | Способ и система создания информации о трафике, которая будет использована в картографическом приложении, выполняемом на электронном устройстве | |
Chandio et al. | An approach for map-matching strategy of GPS-trajectories based on the locality of road networks | |
CN108955704B (zh) | 一种道路识别方法及装置以及导航路线规划方法及装置 | |
Zhang et al. | An offline map matching algorithm based on shortest paths | |
US11809199B2 (en) | Method and apparatus for predicting demand for personal mobility vehicle and redistributing personal mobility vehicle | |
CN109817015A (zh) | 虚拟停车场划分方法及相关产品 | |
US20220222592A1 (en) | Method and apparatus for determining service area of parking lot, device, and storage medium | |
CN109425353B (zh) | 主辅路转移识别方法及装置 | |
Lopez et al. | Travelled Distance Estimation for GPS-Based Round Trips Car-Sharing Use Case | |
Siddiquee et al. | Map matching for error prone GPS data on a sparse road network and predicting travel time of a route | |
CN117877310A (zh) | 一种停车场推荐方法、装置以及存储介质 | |
Jensen | Value Creation from Massive Data in Transportation? The Case of Vehicle Routing. |
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 |
Application publication date: 20190507 |
|
RJ01 | Rejection of invention patent application after publication |