CN111222381A - 用户出行方式识别方法、装置、电子设备及存储介质 - Google Patents
用户出行方式识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111222381A CN111222381A CN201811424962.4A CN201811424962A CN111222381A CN 111222381 A CN111222381 A CN 111222381A CN 201811424962 A CN201811424962 A CN 201811424962A CN 111222381 A CN111222381 A CN 111222381A
- Authority
- CN
- China
- Prior art keywords
- target user
- travel
- user
- track
- grid
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供一种用户出行方式识别方法、装置、电子设备及存储介质,所述方法包括:获取目标用户的出行轨迹,将包含所述出行轨迹的区域划分为网格;计算所述目标用户在各所述网格中的驻留时长,将所述目标用户在各所述网格中的驻留时长进行组合,获取所述目标用户的轨迹特征矩阵;根据所述目标用户的轨迹特征矩阵,使用训练好的卷积神经网络识别出所述目标用户的出行方式。本发明实施例实现用户出行方式的自动识别,提高了用户出行方式识别的准确性。
Description
技术领域
本发明实施例属于智能交通技术领域,更具体地,涉及一种用户出行方式识别方法、装置、电子设备及存储介质。
背景技术
目前居民出行方式的获取主要有两种方法,即传统的居民出行方式调查,以及通过智能手机位置信息和时间信息构建识别模型。
居民出行方式调查大多采用发放纸质问卷或者网上调查形式,由居民自行填写自己的偏好出行方式,具有主观性。全球定位***(Global Positioning System,GPS)的快速普及,通过智能手机的位置信息和时间信息共同构建识别模型的方法成为用户出行方式获取的有效新途径。主要以探测一定时间间隔内位移的变化为主体思想,或叠加各类规则,或应用各类数据挖掘模型,通过驻留点信息及速度等位移指标综合判断出行交通方式。在输入数据源方面,现有技术方案大都使用GPS轨迹数据,采用GPS设备对GPS轨迹数据进行采集。在位移指标方面,现有技术方案既有平均速度、最大速度、速度的众数、出行距离等初级指标,也有速度的95分位数、正加速的中值、加速度、信号质量、低速点比例和平均方向改变等复杂性较高的复合指标,均是对轨迹数据量化后形成的位移指标,均为数值型变量。识别结果方面,现有技术方案以位移指标特征建立传统机器学习模型,针对各类交通出行方式进行了识别,具体涉及步行、自行车、公车、汽车、地铁等多种交通方式。
其中,居民出行方式调查在实际中受被调查者主观意识影响,容易出现漏报、错报的现象,影响调查数据的质量,同时存在成本高、工作量大、回收率低和处理周期长等问题。使用传统的机器学习算法,如决策树分类器、贝叶斯分类器、随机森林和支持向量机等,很大程度上依赖特征变量的选取,而这些变量往往只能提取位移的特征信息,从而导致用户出行方式识别不准确。
发明内容
为克服上述现有的用户出行方式识别方法费时费力、识别结果不精确的问题或者至少部分地解决上述问题,本发明实施例提供一种用户出行方式识别方法、装置、电子设备及存储介质。
根据本发明实施例的第一方面,提供一种用户出行方式识别方法,包括:
获取目标用户的出行轨迹,将包含所述出行轨迹的区域划分为网格;
计算所述目标用户在各所述网格中的驻留时长,将所述目标用户在各所述网格中的驻留时长进行组合,获取所述目标用户的轨迹特征矩阵;
根据所述目标用户的轨迹特征矩阵,使用训练好的卷积神经网络识别出所述目标用户的出行方式。
根据本发明实施例第二方面提供一种用户出行方式识别装置,包括:
划分模块,用于获取目标用户的出行轨迹,将包含所述出行轨迹的区域划分为网格;
计算模块,用于计算所述目标用户在各所述网格中的驻留时长,将所述目标用户在各所述网格中的驻留时长进行组合,获取所述目标用户的轨迹特征矩阵;
识别模块,用于根据所述目标用户的轨迹特征矩阵,使用训练好的卷积神经网络识别出所述目标用户的出行方式。
根据本发明实施例的第三个方面,还提供一种电子设备,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的用户出行方式识别方法。
根据本发明实施例的第四个方面,还提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的用户出行方式识别方法。
本发明实施例提供一种用户出行方式识别方法、装置、电子设备及存储介质,该方法通过将包含目标用户出行轨迹的区域划分为网格,计算目标用户在各网格中的驻留时长,生成以驻留时长为灰度值的轨迹图像,即目标用户的轨迹特征矩阵,从而将用户的出行轨迹特征转化为包含位置和位置下驻留时长的轨迹特征矩阵,形成了包含丰富信息的轨迹图像,然后使用图像识别技术卷积神经网络从轨迹图像中提取图像特征和时空特征,更完整地描述了用户整体出行轨迹变化,根据提取的特征自动识别用户的出行方式,提高了用户出行方式识别的准确性。
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一简单地介绍,显而易见地,下面描述中的附图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用户出行方式识别方法整体流程示意图;
图2为本发明实施例提供的用户出行方式识别方法中使用卷积神经网络识别用户出行方式的流程示意图;
图3为本发明实施例提供的用户出行方式识别装置整体结构示意图;
图4为本发明实施例提供的电子设备整体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
在本发明的一个实施例中提供一种用户出行方式识别方法,图1为本发明实施例提供的用户出行方式识别方法整体流程示意图,该方法包括:S101,获取目标用户的出行轨迹,将包含所述出行轨迹的区域划分为网格;
其中,目标用户为需要对其出行方式进行识别的用户。可以根据GPS定位获取目标用户的出行轨迹,本实施例不限于获取目标用户的出行轨迹的方法。包含目标用户出行轨迹的区域为包含目标用户出行轨迹的地理范围的矩形区域,该矩形区域优选为目标用户出行轨迹的外接矩形区域。将包含目标用户出行轨迹的区域划分为二维网格。例如,将包含目标用户出行轨迹的区域以0.01度经度和0.01度纬度为刻度,划分为136*136的二维网格。此外,将目标用户的出行轨迹与各类交通路线图进行匹配,可识别出目标用户的出行路线。
S102,计算所述目标用户在各所述网格中的驻留时长,将所述目标用户在各所述网格中的驻留时长进行组合,获取所述目标用户的轨迹特征矩阵;
其中,目标用户在各网格中的驻留时长为目标用户经历各网格中的出行轨迹所需要的时间,本实施例不限于目标用户在各网格中驻留时长的计算方法。将区域中的每个网格看作是一个像素,将用户在各网格的驻留时长看作是各像素的灰度值。将各像素构成的图像作为轨迹图像,即目标用户的轨迹特征矩阵,其中,轨迹特征矩阵中的各元素与网格一一对应。当划分的二维网格为136*136时,轨迹特征矩阵的大小也为136*136。
S103,根据所述目标用户的轨迹特征矩阵,使用训练好的卷积神经网络识别出所述目标用户的出行方式。
将目标用户的轨迹特征矩阵作为卷积神经网络的输入,卷积神经网络的输出为目标用户的出行方式。具体获取目标用户的出行方式属于各预先设定的出行方式的概率,将概率最大的预设出行方式作为目标用户的出行方式。
本发明实施例通过将包含目标用户出行轨迹的区域划分为网格,计算目标用户在各网格中的驻留时长,生成以驻留时长为灰度值的轨迹图像,即目标用户的轨迹特征矩阵,从而将用户的出行轨迹特征转化为包含位置和位置下驻留时长的轨迹特征矩阵,形成了包含丰富信息的轨迹图像,然后使用图像识别技术卷积神经网络从轨迹图像中提取图像特征和时空特征,更完整地描述了用户整体出行轨迹变化,根据提取的特征自动识别用户的出行方式,提高了用户出行方式识别的准确性。
在上述实施例的基础上,本实施例中获取目标用户的出行轨迹的步骤具体包括:当目标用户的GPS数据不存在或发生错误时,获取目标用户的客户端的信令数据,根据产生所述信令数据的基站的位置,确定所述目标用户的出行轨迹。
具体地,GPS数据采集具有不稳定性,对于出行轨迹的还原度不高。目前GPS数据大多是基于手机APP获得的。然而手机用户并非时刻都会开启定位功能,因此很可能造成轨迹局部缺失。此外,GPS在室内或者地下的定位偏移较大,对识别准确性会造成一定影响。因此,本实施例中在目标用户的GPS数据不存在或发生错误时,基于信令数据确定目标用户的出行轨迹,以信令数据分布广和完备性高的特点弥补GPS数据的不足,从而使得获取的用户出行轨迹更加完整。目标用户的客户端,如手机的信令数据包括短信、通话和LAC(LocationArea Code,位置区码)区切换或每隔预设时长与基站通信的记录。LAC区通常包含多个基站蜂窝小区。将产生信令数据的基站的位置作为目标用户经历的位置。根据目标用户经历的位置,确定目标用户的出行轨迹。在目标用户的GPS数据存在且正确时,使用GPS数据确定目标用户的出行轨迹。
由于目标用户的出行轨迹涉及隐私,故在根据用户出行轨迹进行分析前需要脱敏。具体通过加密、模糊等技术,将信令数据中的IMSI(International Mobile SubscriberIdentification Number,国际移动用户识别码)、手机号码和用户标志进行加密处理,解除用户精确信息与出行轨迹之间的对应关系,实现数据脱敏。
在上述实施例的基础上,本实施例中当目标用户的GPS数据不存在或发生错误时,获取所述目标用户的客户端的信令数据,根据产生所述信令数据的基站的位置,确定所述目标用户的出行轨迹的步骤具体包括:当用户的GPS数据不存在或发生错误时,若与目标用户的客户端进行交互的基站发生切换,则获取产生此次基站切换的首条信令数据;根据产生各所述首条信令数据的基站的位置,确定所述目标用户的出行轨迹。
具体地,如果目标用户在某段时间内未移动或者移动距离很小,则这段时间内只会在同一基站下产生信令数据。由于本发明实施例是根据产生信令数据的基站的位置确定目标用户的出行轨迹,所以只需保留同一基站下的一条信令数据,对同一基站下的其他信令数据进行剔除,从而大大减少计算量。为了更准确计算目标用户在各网格的驻留时长,只保留同一基站下产生基站切换的首条信令数据。根据产生各首条信令数据的基站的位置确定目标用户的出行轨迹。
在上述实施例的基础上,本实施例中计算所述目标用户在各所述网格中的驻留时长的步骤具体包括:获取产生任意相邻两次基站切换的首条信令数据的时间;将两个所述时间之间的时间间隔作为所述相邻两次中前一次产生首条信令数据的基站覆盖区域内目标用户的驻留时长;根据各所述网格中的基站对应的驻留时长,获取目标用户在各所述网格中的驻留时长。
具体地,获取产生任意相邻两次基站切换的首条信令数据的时间之间的时间间隔,并将此两条信令数据中先产生的信令数据作为前一条信令数据,将该时间间隔作为在产生前一条信令数据的基站的覆盖区域内目标用户的驻留时长。根据产生信令数据的基站的位置,获取各网格中的基站。根据在各所述网格中的基站的覆盖区域内目标用户的驻留时长,获取目标用户在各网格中的驻留时长。由于有的基站覆盖区域大,有的基站覆盖区域小。对于包含目标用户的出行轨迹的任一网格,若该网格被除该网格以外的其他网格中的基站覆盖,则获取该基站覆盖的包含出行轨迹的网格数目,将该基站对应的驻留时长除以网格数目的值获取的平均值作为目标用户在该网格中的驻留时长。对于包含目标用户的出行轨迹的任一网格,若该网格中包含多个基站且这些基站均不覆盖除该网格以外包含出行轨迹的网格,则将这些基站对应的驻留时长相加,作为目标用户在该网格中的驻留时长。
在上述实施例的基础上,本实施例中计算所述目标用户在各所述网格中的驻留时长的步骤之后还包括:若所述目标用户在各网格中的驻留时长大于0,则将所述目标用户在各所述网格中的驻留时长取对数。
具体地,为了获取更好的应用效果,若目标用户在各网格中的驻留时长大于0,则将目标用户在各网格中的驻留时长取对数后作为各网格对应的灰度值。若取对数的结果大于0小于1,则将取对数的结果视为1。若目标用户在各网格中的驻留时长等于0,则不取对数。
在上述各实施例的基础上,本实施例中根据所述目标用户的轨迹特征矩阵,使用训练好的卷积神经网络识别出所述目标用户的出行方式的步骤之前还包括:根据机动车上车联网卡的位移轨迹,获取机动车出行轨迹样本;获取任意相邻地铁基站之间的连线,将使用过地铁APP的用户的出行轨迹与所述连线的交集作为地铁出行轨迹样本;所述地铁APP用于以扫码方式进入地铁站;将使用过共享单车APP的用户样本的出行轨迹作为非机动车出行轨迹样本;根据用户在第一预设时间段和第二预设时间段的常驻基站,获取用户样本的工作地点和居住地,若所述工作地和所述居住地之间的距离小于第一预设阈值,且所述目标用户样本在通勤期间的平均速度小于第二预设阈值,则将用户样本的出行轨迹作为步行出行轨迹样本;根据所述机动车出行轨迹样本、地铁出行轨迹样本、非机动车出行轨迹样本和步行出行轨迹样本,对卷积神经网络进行训练。
具体地,本实施例考虑将所有用户的出行方式分为地铁、机动车、非机动车和步行四类。为了获取可靠的训练样本,通过位置和APP解析相结合的方式确定置信度较高的训练样本和测试样本。例如,以车联网用户6-10点的出行轨迹作为机动车出行轨迹样本。车联网卡一般安装在机动车上,它的移动轨迹代表机动车的运动路线,可靠性高。通过URL解析,获取6-10点使用过地铁APP,如“metro大都会”APP的手机用户,将其行为轨迹与地铁基站相匹配,取两者交集作为地铁出行轨迹,可靠性高。其中,地铁基站的位置预先标记。通过URL解析,获取6-10点使用过共享单车APP的用户,并从中剔除已判为地铁出行的用户,将其出行轨迹作为非机动车出行轨迹。第一预设时间段为白天工作时间的时间段,第二预设时间段为夜晚休息时间的时间段,根据这两个时间段中与用户交互时间大于预设阈值的基站,判断该用户的工作地点和居住地点。例如,若工作地点和居住地点之间的距离不超过2千米,且通勤期间的平均速度不超过10km/h,则判定这些用户为步行出行的用户,剔除已判为地铁和非机动车出行的用户,将其出行轨迹作为步行出行轨迹。将四类出行方式下的出行轨迹样本标注出行方式,从这些出行轨迹样本中随机抽取若干个作为训练样本,随机抽取若干个作为测试样本。例如随机抽取40000个作为训练样本,20000个作为测试样本。可以借助TensorFlow平台训练卷积神经网络模型。在实际的训练过程中将所有样本分成若干部分,每部分包含一定数量的样本,然后每次更新一部分的训练样本参与运算,从而加快收敛速度。TensorFlow可保存已训练的卷积神经网络模型,从而实现快捷复用和强化训练。
在上述各实施例的基础上,本实施例中根据所述目标用户的轨迹特征矩阵,使用训练好的卷积神经网络识别出所述目标用户的出行方式的步骤具体包括:使用所述卷积神经网络的卷积层和池化层,对所述目标用户的轨迹特征矩阵进行特征提取;使用所述卷积神经网络的第一全连接层,将提取的特征转换为向量;使用所述卷积神经网络的第二全连接层,根据所述向量获取各预设出行方式的预测概率;根据各所述预设出行方式的预测概率,确定所述目标用户的出行方式。
具体地,本实施例不限于卷积神经网络中卷积层和池化层的层数和大小。例如,获取目标用户的出行轨迹,将包含出行轨迹的区域划分为136*136的网格。根据目标用户在每个网格中的驻留时长,获取136*136的轨迹特征矩阵。如图2所示,将大小为136*136轨迹特征矩阵输入卷积神经网络的第一个卷积层,第一个卷积层的过滤器尺寸为5*5,深度为32,将卷积运算结果的边缘填充0,以使第一个卷积层的输出尺寸仍为136*136,深度为32。使用卷积神经网络的第一个池化层对第一个卷积层输出的136*136*32的矩阵进行降维,第一个池化层过滤器的尺寸设为2*2,长和宽的步长也设为2,因此第一个池化层输出68*68*32的矩阵,并将其作为卷积神经网络第二个卷积层的输入。第二个卷积层的过滤器尺寸为5*5,深度为64,将卷积运算结果的边缘填充0,以使这一层输出68*68*64的矩阵。使用卷积神经网络的第二个池化层对第二个卷积层的输出进行降维,第二个池化层的过滤器的尺寸设为2*2,长和宽的步长也设为2,因此输出34*34*64的矩阵。使用卷积神经网络的第一全连接层,将第二个池化层输出的34*34*64矩阵中的元素拉直成向量,即将矩阵进行向量化。第一全连接层共有34*34*64=73984个输入节点,输出节点设为1024个。第二权连接层的输入节点为1024个,输出节点为4个,对应四种出行方式的预测概率。卷积神经网络的输出层输出第二全连接层中预测概率最大的出行方式作为识别结果。
此外,通过百度地图API,获取部分高架途径点的经纬度,计算与每个途径点距离最近且距离小于第三预设阈值的基站为高架基站。采用上述方法可以识别途径高架的机动车出行轨迹。
在本发明的另一个实施例中提供一种用户出行方式识别装置,该装置用于实现前述各实施例中的方法。因此,在前述用户出行方式识别方法的各实施例中的描述和定义,可以用于本发明实施例中各个执行模块的理解。图3为本发明实施例提供的用户出行方式识别装置整体结构示意图,该装置包括划分模块301、计算模块302和识别模块303;其中:
划分模块301用于获取目标用户的出行轨迹,将包含所述出行轨迹的区域划分为网格;
其中,目标用户为需要对其出行方式进行识别的用户。可以根据GPS定位获取目标用户的出行轨迹,本实施例不限于获取目标用户的出行轨迹的方法。包含目标用户出行轨迹的区域为包含目标用户出行轨迹的地理范围的矩形区域。划分模块301将包含目标用户出行轨迹的区域划分为二维网格。
计算模块302用于计算所述目标用户在各所述网格中的驻留时长,将所述目标用户在各所述网格中的驻留时长进行组合,获取所述目标用户的轨迹特征矩阵;
其中,目标用户在各网格中的驻留时长为目标用户经历各网格中的出行轨迹所需要的时间,本实施例不限于目标用户在各网格中驻留时长的计算方法。计算模块302计算目标用户在各网格中驻留时长,将区域中的每个网格看作是一个像素,将用户在各网格的驻留时长看作是各像素的灰度值。将各像素构成的图像作为轨迹图像,即目标用户的轨迹特征矩阵,其中,轨迹特征矩阵中的各元素与网格一一对应。
识别模块303用于根据所述目标用户的轨迹特征矩阵,使用训练好的卷积神经网络识别出所述目标用户的出行方式。
识别模块303将目标用户的轨迹特征矩阵作为卷积神经网络的输入,卷积神经网络的输出为目标用户的出行方式。具体获取目标用户的出行方式属于各预先设定的出行方式的概率,将概率最大的预设出行方式作为目标用户的出行方式。
本发明实施例通过将包含目标用户出行轨迹的区域划分为网格,计算目标用户在各网格中的驻留时长,生成以驻留时长为灰度值的轨迹图像,即目标用户的轨迹特征矩阵,从而将用户的出行轨迹特征转化为包含位置和位置下驻留时长的轨迹特征矩阵,形成了包含丰富信息的轨迹图像,然后使用图像识别技术卷积神经网络从轨迹图像中提取图像特征和时空特征,更完整地描述了用户整体出行轨迹变化,根据提取的特征自动识别用户的出行方式,提高了用户出行方式识别的准确性。
在上述实施例的基础上,本实施例中划分模块具体用于:当目标用户的GPS数据不存在或发生错误时,获取目标用户的客户端的信令数据,根据产生所述信令数据的基站的位置,确定所述目标用户的出行轨迹。
在上述实施例的基础上,本实施例中划分模块进一步用于:当用户的GPS数据不存在或发生错误时,若与目标用户的客户端进行交互的基站发生切换,则获取产生此次基站切换的首条信令数据;根据产生各所述首条信令数据的基站的位置,确定所述目标用户的出行轨迹。
在上述实施例的基础上,本实施例中计算模块具体用于:获取产生任意相邻两次基站切换的首条信令数据的时间;将两个所述时间之间的时间间隔作为所述相邻两次中前一次产生首条信令数据的基站覆盖区域内目标用户的驻留时长;根据各所述网格中的基站对应的驻留时长,获取目标用户在各所述网格中的驻留时长。
在上述实施例的基础上,本实施例中还包括处理模块,用于若所述目标用户在各网格中的驻留时长大于0,则将所述目标用户在各所述网格中的驻留时长取对数。
在上述各实施例的基础上,本实施例中还包括训练模块,用于根据机动车上车联网卡的位移轨迹,获取机动车出行轨迹样本;获取任意相邻地铁基站之间的连线,将使用过地铁APP的用户的出行轨迹与所述连线的交集作为地铁出行轨迹样本;所述地铁APP用于以扫码方式进入地铁站;将使用过共享单车APP的用户样本的出行轨迹作为非机动车出行轨迹样本;根据用户在第一预设时间段和第二预设时间段的常驻基站,获取用户样本的工作地点和居住地,若所述工作地和所述居住地之间的距离小于第一预设阈值,且所述目标用户样本在通勤期间的平均速度小于第二预设阈值,则将用户样本的出行轨迹作为步行出行轨迹样本;根据所述机动车出行轨迹样本、地铁出行轨迹样本、非机动车出行轨迹样本和步行出行轨迹样本,对卷积神经网络进行训练。
在上述各实施例的基础上,本实施例中识别模块具体用于:使用所述卷积神经网络的卷积层和池化层,对所述目标用户的轨迹特征矩阵进行特征提取;使用所述卷积神经网络的第一全连接层,将提取的特征转换为向量;使用所述卷积神经网络的第二全连接层,根据所述向量获取各预设出行方式的预测概率;根据各所述预设出行方式的预测概率,确定所述目标用户的出行方式。
本实施例提供一种电子设备,图4为本发明实施例提供的电子设备整体结构示意图,该设备包括:至少一个处理器401、至少一个存储器402和总线403;其中,
处理器401和存储器402通过总线403完成相互间的通信;
存储器402存储有可被处理器401执行的程序指令,处理器调用程序指令能够执行上述各方法实施例所提供的方法,例如包括:获取目标用户的出行轨迹,将包含所述出行轨迹的区域划分为网格;计算所述目标用户在各所述网格中的驻留时长,将所述目标用户在各所述网格中的驻留时长进行组合,获取所述目标用户的轨迹特征矩阵;根据所述目标用户的轨迹特征矩阵,使用训练好的卷积神经网络识别出所述目标用户的出行方式。
本实施例提供一种非暂态计算机可读存储介质,非暂态计算机可读存储介质存储计算机指令,计算机指令使计算机执行上述各方法实施例所提供的方法,例如包括:获取目标用户的出行轨迹,将包含所述出行轨迹的区域划分为网格;计算所述目标用户在各所述网格中的驻留时长,将所述目标用户在各所述网格中的驻留时长进行组合,获取所述目标用户的轨迹特征矩阵;根据所述目标用户的轨迹特征矩阵,使用训练好的卷积神经网络识别出所述目标用户的出行方式。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种用户出行方式识别方法,其特征在于,包括:
获取目标用户的出行轨迹,将包含所述出行轨迹的区域划分为网格;
计算所述目标用户在各所述网格中的驻留时长,将所述目标用户在各所述网格中的驻留时长进行组合,获取所述目标用户的轨迹特征矩阵;
根据所述目标用户的轨迹特征矩阵,使用训练好的卷积神经网络识别出所述目标用户的出行方式。
2.根据权利要求1所述的方法,其特征在于,获取目标用户的出行轨迹的步骤具体包括:
当目标用户的GPS数据不存在或发生错误时,获取目标用户的客户端的信令数据,根据产生所述信令数据的基站的位置,确定所述目标用户的出行轨迹。
3.根据权利要求2所述的方法,其特征在于,当目标用户的GPS数据不存在或发生错误时,获取所述目标用户的客户端的信令数据,根据产生所述信令数据的基站的位置,确定所述目标用户的出行轨迹的步骤具体包括:
当用户的GPS数据不存在或发生错误时,若与目标用户的客户端进行交互的基站发生切换,则获取产生此次基站切换的首条信令数据;
根据产生各所述首条信令数据的基站的位置,确定所述目标用户的出行轨迹。
4.根据权利要求3所述的方法,其特征在于,计算所述目标用户在各所述网格中的驻留时长的步骤具体包括:
获取产生任意相邻两次基站切换的首条信令数据的时间;
将两个所述时间之间的时间间隔作为所述相邻两次中前一次产生首条信令数据的基站覆盖区域内目标用户的驻留时长;
根据各所述网格中的基站对应的驻留时长,获取目标用户在各所述网格中的驻留时长。
5.根据权利要求1所述的方法,其特征在于,计算所述目标用户在各所述网格中的驻留时长的步骤之后还包括:
若所述目标用户在各网格中的驻留时长大于0,则将所述目标用户在各所述网格中的驻留时长取对数。
6.根据权利要求1所述的方法,其特征在于,根据所述目标用户的轨迹特征矩阵,使用训练好的卷积神经网络识别出所述目标用户的出行方式的步骤之前还包括:
根据机动车上车联网卡的位移轨迹,获取机动车出行轨迹样本;
获取任意相邻地铁基站之间的连线,将使用过地铁APP的用户的出行轨迹与所述连线的交集作为地铁出行轨迹样本;所述地铁APP用于以扫码方式进入地铁站;
将使用过共享单车APP的用户样本的出行轨迹作为非机动车出行轨迹样本;
根据用户在第一预设时间段和第二预设时间段常驻基站,获取用户样本的工作地点和居住地,若所述工作地和所述居住地之间的距离小于第一预设阈值,且所述目标用户样本在通勤期间的平均速度小于第二预设阈值,则将用户样本的出行轨迹作为步行出行轨迹样本;
根据所述机动车出行轨迹样本、地铁出行轨迹样本、非机动车出行轨迹样本和步行出行轨迹样本,对卷积神经网络进行训练。
7.根据权利要求1-6任一所述的方法,其特征在于,根据所述目标用户的轨迹特征矩阵,使用训练好的卷积神经网络识别出所述目标用户的出行方式的步骤具体包括:
使用所述卷积神经网络的卷积层和池化层,对所述目标用户的轨迹特征矩阵进行特征提取;
使用所述卷积神经网络的第一全连接层,将提取的特征转换为向量;
使用所述卷积神经网络的第二全连接层,根据所述向量获取各预设出行方式的预测概率;
根据各所述预设出行方式的预测概率,确定所述目标用户的出行方式。
8.一种用户出行方式识别装置,其特征在于,包括:
划分模块,用于获取目标用户的出行轨迹,将包含所述出行轨迹的区域划分为网格;
计算模块,用于计算所述目标用户在各所述网格中的驻留时长,将所述目标用户在各所述网格中的驻留时长进行组合,获取所述目标用户的轨迹特征矩阵;
识别模块,用于根据所述目标用户的轨迹特征矩阵,使用训练好的卷积神经网络识别出所述目标用户的出行方式。
9.一种电子设备,其特征在于,包括:
至少一个处理器、至少一个存储器和总线;其中,
所述处理器和存储器通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至7任一所述的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811424962.4A CN111222381A (zh) | 2018-11-27 | 2018-11-27 | 用户出行方式识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811424962.4A CN111222381A (zh) | 2018-11-27 | 2018-11-27 | 用户出行方式识别方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111222381A true CN111222381A (zh) | 2020-06-02 |
Family
ID=70828834
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811424962.4A Pending CN111222381A (zh) | 2018-11-27 | 2018-11-27 | 用户出行方式识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111222381A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112035873A (zh) * | 2020-08-18 | 2020-12-04 | 合肥市大数据资产运营有限公司 | 一种时空轨迹数据脱敏方法 |
CN113052047A (zh) * | 2021-03-18 | 2021-06-29 | 北京百度网讯科技有限公司 | 交通事件的检测方法、路侧设备、云控平台及*** |
CN115100858A (zh) * | 2022-06-20 | 2022-09-23 | 上海海事大学 | 一种共享单车与私人单车出行方式识别方法和*** |
CN116887257A (zh) * | 2023-08-29 | 2023-10-13 | 北京友坤科技有限责任公司 | 车联网卡的滥用识别方法、装置、电子设备和存储介质 |
CN116916295A (zh) * | 2023-09-11 | 2023-10-20 | 中移(苏州)软件技术有限公司 | 常驻基站确定方法、装置及电子设备 |
CN118243131A (zh) * | 2024-05-27 | 2024-06-25 | 北京车慧达科技有限公司 | 根据车辆轨迹语义分析和深度信念网络的轨迹预测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708680A (zh) * | 2012-06-06 | 2012-10-03 | 北京交通大学 | 基于agps技术的交通出行方式识别方法 |
CN102799897A (zh) * | 2012-07-02 | 2012-11-28 | 杨飞 | 基于gps定位的交通方式组合出行的计算机识别方法 |
CN103810851A (zh) * | 2014-01-23 | 2014-05-21 | 广州地理研究所 | 一种基于手机定位的交通出行模式识别方法 |
CN105101092A (zh) * | 2015-09-01 | 2015-11-25 | 上海美慧软件有限公司 | 一种基于c4.5决策树的手机用户出行方式识别方法 |
CN105608505A (zh) * | 2015-12-22 | 2016-05-25 | 重庆邮电大学 | 一种基于手机信令数据的居民轨道交通出行方式识别方法 |
CN105682025A (zh) * | 2016-01-05 | 2016-06-15 | 重庆邮电大学 | 基于移动信令数据的用户驻留地识别方法 |
CN106412835A (zh) * | 2016-11-18 | 2017-02-15 | 中国联合网络通信集团有限公司 | 一种用户出行模式识别的方法及装置 |
WO2017140175A1 (zh) * | 2016-02-18 | 2017-08-24 | 华南理工大学 | 基于路径识别***的收费公路网交通信息采集与诱导*** |
US20170330074A1 (en) * | 2016-05-11 | 2017-11-16 | The Board Of Regents Of The Nevada System Of Higher Education On Behalf Of The University Of NV | Methods And Systems For Providing Travel Recommendations |
CN108566618A (zh) * | 2018-04-04 | 2018-09-21 | 广州杰赛科技股份有限公司 | 获取用户驻留规律的方法、装置、设备及存储介质 |
-
2018
- 2018-11-27 CN CN201811424962.4A patent/CN111222381A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708680A (zh) * | 2012-06-06 | 2012-10-03 | 北京交通大学 | 基于agps技术的交通出行方式识别方法 |
CN102799897A (zh) * | 2012-07-02 | 2012-11-28 | 杨飞 | 基于gps定位的交通方式组合出行的计算机识别方法 |
CN103810851A (zh) * | 2014-01-23 | 2014-05-21 | 广州地理研究所 | 一种基于手机定位的交通出行模式识别方法 |
CN105101092A (zh) * | 2015-09-01 | 2015-11-25 | 上海美慧软件有限公司 | 一种基于c4.5决策树的手机用户出行方式识别方法 |
CN105608505A (zh) * | 2015-12-22 | 2016-05-25 | 重庆邮电大学 | 一种基于手机信令数据的居民轨道交通出行方式识别方法 |
CN105682025A (zh) * | 2016-01-05 | 2016-06-15 | 重庆邮电大学 | 基于移动信令数据的用户驻留地识别方法 |
WO2017140175A1 (zh) * | 2016-02-18 | 2017-08-24 | 华南理工大学 | 基于路径识别***的收费公路网交通信息采集与诱导*** |
US20170330074A1 (en) * | 2016-05-11 | 2017-11-16 | The Board Of Regents Of The Nevada System Of Higher Education On Behalf Of The University Of NV | Methods And Systems For Providing Travel Recommendations |
CN106412835A (zh) * | 2016-11-18 | 2017-02-15 | 中国联合网络通信集团有限公司 | 一种用户出行模式识别的方法及装置 |
CN108566618A (zh) * | 2018-04-04 | 2018-09-21 | 广州杰赛科技股份有限公司 | 获取用户驻留规律的方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
袁冠 等: "移动对象轨迹数据挖掘技术", 中国矿业大学出版社, pages: 26 - 35 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112035873A (zh) * | 2020-08-18 | 2020-12-04 | 合肥市大数据资产运营有限公司 | 一种时空轨迹数据脱敏方法 |
CN113052047A (zh) * | 2021-03-18 | 2021-06-29 | 北京百度网讯科技有限公司 | 交通事件的检测方法、路侧设备、云控平台及*** |
CN113052047B (zh) * | 2021-03-18 | 2023-12-29 | 阿波罗智联(北京)科技有限公司 | 交通事件的检测方法、路侧设备、云控平台及*** |
CN115100858A (zh) * | 2022-06-20 | 2022-09-23 | 上海海事大学 | 一种共享单车与私人单车出行方式识别方法和*** |
CN115100858B (zh) * | 2022-06-20 | 2024-05-07 | 上海海事大学 | 一种共享单车与私人单车出行方式识别方法和*** |
CN116887257A (zh) * | 2023-08-29 | 2023-10-13 | 北京友坤科技有限责任公司 | 车联网卡的滥用识别方法、装置、电子设备和存储介质 |
CN116887257B (zh) * | 2023-08-29 | 2023-11-28 | 北京友坤科技有限责任公司 | 车联网卡的滥用识别方法、装置、电子设备和存储介质 |
CN116916295A (zh) * | 2023-09-11 | 2023-10-20 | 中移(苏州)软件技术有限公司 | 常驻基站确定方法、装置及电子设备 |
CN116916295B (zh) * | 2023-09-11 | 2024-01-26 | 中移(苏州)软件技术有限公司 | 常驻基站确定方法、装置及电子设备 |
CN118243131A (zh) * | 2024-05-27 | 2024-06-25 | 北京车慧达科技有限公司 | 根据车辆轨迹语义分析和深度信念网络的轨迹预测方法 |
CN118243131B (zh) * | 2024-05-27 | 2024-07-23 | 北京车慧达科技有限公司 | 根据车辆轨迹语义分析和深度信念网络的轨迹预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111222381A (zh) | 用户出行方式识别方法、装置、电子设备及存储介质 | |
Alexander et al. | Assessing the impact of real-time ridesharing on urban traffic using mobile phone data | |
US20210302585A1 (en) | Smart navigation method and system based on topological map | |
CN109688532B (zh) | 一种划分城市功能区域的方法及装置 | |
CN108372856A (zh) | 来自自主驾驶***中的感知流的有效情景意识 | |
CN109510851A (zh) | 地图数据的构建方法和设备 | |
CN108170793A (zh) | 基于车辆语义轨迹数据的停留点分析方法及其*** | |
CN104819726A (zh) | 导航数据处理方法、装置及导航终端 | |
CN104318477A (zh) | 一种基于大数据的车辆保险评估的方法 | |
CN103680130B (zh) | 一种基于浮动车技术获得区域带路专家的方法 | |
CN110598917B (zh) | 一种基于路径轨迹的目的地预测方法、***及存储介质 | |
CN110460962B (zh) | 轨道交通用户识别方法和装置 | |
CN109859505B (zh) | 高速站点的预警处理方法、装置、服务器和介质 | |
CN112163063B (zh) | 生成高精度地图的方法、装置和计算机可读存储介质 | |
CN109410576A (zh) | 多源数据融合的路况分析方法、装置、存储介质及*** | |
CN112163446A (zh) | 一种障碍物检测方法、装置、电子设备及存储介质 | |
CN112556717A (zh) | 出行方式筛选方法和出行路线推荐方法和装置 | |
CN110830915B (zh) | 一种确定起点位置的方法及装置 | |
CN114596709A (zh) | 数据处理方法、装置、设备以及存储介质 | |
CN111582527A (zh) | 行程时间的预估方法、装置、电子设备和存储介质 | |
CN110708664B (zh) | 一种交通流感知方法、装置及计算机存储介质、电子设备 | |
CN112351394A (zh) | 一种基于手机信令数据的交通出行模型构建方法 | |
CN116129643B (zh) | 一种公交车出行特征识别方法、装置、设备及介质 | |
CN115587503B (zh) | 基于多模式仿真的个体出行链还原方法 | |
CN112732446B (zh) | 一种任务处理方法、装置及存储介质 |
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 |