CN112579915B - 一种出行链的分析方法及装置 - Google Patents
一种出行链的分析方法及装置 Download PDFInfo
- Publication number
- CN112579915B CN112579915B CN202110217722.2A CN202110217722A CN112579915B CN 112579915 B CN112579915 B CN 112579915B CN 202110217722 A CN202110217722 A CN 202110217722A CN 112579915 B CN112579915 B CN 112579915B
- Authority
- CN
- China
- Prior art keywords
- travel
- trip
- track
- current
- point
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请适用于交通规划的技术领域,提供了一种出行链的分析方法及分析装置,所述分析方法包括:获取用户的多个历史行程的历史轨迹数据以及当前行程的待分析轨迹数据;根据所述历史轨迹数据的分布情况,得到所述用户的活动地点以及居住地点;根据所述活动地点、所述居住地以及所述待分析轨迹数据,确定所述当前行程的出行目的和出行方式;所述出行目的和所述出行方式用于形成出行链;所述出行链为所述用户的出行行为的信息集合。本申请通过上述方式,充分利用用户多次的出行规律,得到出行目的和出行方式,进而形成出行链,避免了传统的出行分析方式的局限性,进而提高了分析准确性。
Description
技术领域
本申请属于交通规划的技术领域,尤其涉及一种出行链的分析方法及装置。
背景技术
随着国内大中型城市空间格局的不断扩大以及城市居民出行的时空规律不断变化。如何根据城市居民出行的时空规律进行交通规划成了一个不得不解决的问题。
其中,城市居民的出行分析是交通规划的必要基础。深入挖掘城市个体交通活动本源机理、揭示居民日常出行时空规律和活动特征,能够为构建优质、高效的城市交通管理***提供重要支撑。
然而,传统的出行分析方式,往往通过聚类算法得到不同居民的出行链(出行链是指用户的出行特征的信息集合,包含了大量的时间、空间、方式和活动类型信息)。由于传统的出行分析方式局限性较高,导致分析结果准确性较低。
发明内容
有鉴于此,本申请实施例提供了一种出行链的分析方法、装置、终端设备以及计算机可读存储介质,可以解决传统的出行分析方式局限性较高,导致分析结果准确性较低的技术问题。
本申请实施例的第一方面提供了一种出行链的分析方法,所述方法包括:
获取用户的多个历史行程的历史轨迹数据以及当前行程的待分析轨迹数据;
根据所述历史轨迹数据的分布情况,得到所述用户的活动地点以及居住地点;
根据所述活动地点、所述居住地以及所述待分析轨迹数据,确定所述当前行程的出行目的和出行方式;所述出行目的和所述出行方式用于形成出行链;所述出行链为所述用户的出行行为的信息集合。
本申请实施例的第二方面提供了一种出行链的分析装置,所述分析装置包括:
获取单元,用于获取用户的多个历史行程的历史轨迹数据以及当前行程的待分析轨迹数据;
计算单元,用于根据所述历史轨迹数据的分布情况,得到所述用户的活动地点以及居住地点;
确定单元,用于根据所述活动地点、所述居住地以及所述待分析轨迹数据,确定所述当前行程的出行目的和出行方式;所述出行目的和所述出行方式用于形成出行链;所述出行链为所述用户的出行行为的信息集合。
本申请实施例的第三方面提供了一种终端设备,包括定位模块、存储器、处理器以及存储在所述存储器中并可在所述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上述第一方面所述方法的步骤。
本申请实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面所述方法的步骤。
本申请实施例与现有技术相比存在的有益效果是:本申请通过,历史轨迹数据分析用户的活动地点以及居住地点,并根据活动地点、居住地点以及待分析轨迹数据分析当前行程的出行目的和出行方式,进而形成用户的出行链。由于用户的出行存在一定规律,故本申请依据此规律分析出行链。反观传统的出行分析方式,由于仅局限于当前行程,故得到分析结果局限性较大。而本申请通过上述方式,充分利用用户多次的出行规律,得到出行目的和出行方式,进而形成出行链,避免了传统的出行分析方式的局限性,进而提高了分析准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或相关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申请的一些实施例,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示出了本申请提供的一种出行链的分析方法的示意性流程图;
图2示出了本申请提供的轨迹数据的示意图;
图3示出了本申请提供的一种出行链的分析方法中步骤102具体示意性流程图;
图4示出了本申请提供的一种出行链的分析方法中步骤1031具体示意性流程图;
图5示出了本申请提供的一种出行链的分析方法中步骤1031具体示意性流程图;
图6示出了本申请提供的一种出行链的分析方法中步骤1032具体示意性流程图;
图7示出了本申请提供的一种出行链的分析方法中步骤1024具体示意性流程图;
图8示出了本申请提供的一种出行链的分析方法中步骤1024具体示意性流程图;
图9示出了本申请提供的一种出行链的分析装置的示意图;
图10是本发明一实施例提供的一种终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
为了解决传统的出行链数据挖掘方式局限性较高,导致分析结果准确性较低的技术问题。本申请实施例提供了一种出行链的分析方法、装置、终端设备以及计算机可读存储介质。
请参见图1,图1示出了本申请提供的一种出行链的分析方法的示意性流程图。
如图1所示,该方法可以包括如下步骤:
步骤101,获取用户的多个历史行程的历史轨迹数据以及当前行程的待分析轨迹数据。
随着移动终端(例如:手机)等通讯设备的普及,获取个体出行的轨迹数据变得十分便捷,轨迹数据能够实时获取更为丰富的时空信息,用于描绘个体出行过程,为基于个体的出行链分析提供了契机。故本申请基于移动终端中定位模块采集的轨迹数据,分析用户的出行链。
由于对于不同群体类型的用户而言,分别具有不同的出行特征,例如:上班族群体的行程大多为工作地点和居住地之间的往返通勤,学生群体的行程大多为学校和居住地点之间的往返通勤,家庭主妇的行程大多为超市和居住地点之间的往返通勤等。虽然对于不同的用户而言,在正常的通勤行程以外,可能存在外出旅游、探亲以及购物等等行程,但是用户的大部分行程基本都处在通勤行程上。故本申请获取多个历史行程的历史轨迹数据,以抓取用户的出行规律,并根据此出行规律分析待分析轨迹数据。
值得注意的是,本申请所提及的“历史轨迹数据”以及“待分析轨迹数据”可以为全天轨迹数据或指定时段(例如:每两天或每周等等)内的轨迹数据,在此不做限定。优选地,为了更全面地分析用户的出行轨迹,并优化计算量,可优先选用全天轨迹数据。
步骤102,根据所述历史轨迹数据的分布情况,得到所述用户的活动地点以及居住地点。
活动地点是指用户进行一些活跃行为的场所,包括但不限于工作地点、学校以及商场等。居住地点是指用户日常居住的场所。
为了更好地解释本申请的技术方案,本申请以用户为上班族群体为例对本申请的技术方案进行解释说明,可以理解的是,其他群体类型对应的技术方案可类比本申请的技术方案得到。
请参见图2,图2示出了本申请提供的轨迹数据的示意图。如图1所示,图2示出了上班族群体在8:00至12:00之间轨迹点的分布情况(黑色的标记为轨迹点)。地点1与地点2分别为用户的居住地点和活动地点。由于居住地点和活动地点用户长时间驻留,故在某些区域范围内呈现一定聚集密度的轨迹点簇。故本申请依据此特性,根据历史轨迹数据的分布情况,得到用户的活动地点以及居住地点。需要强调的是,图2仅仅起示例作用,是对轨迹数据的简易示例(仅示例全天轨迹数据中的部分轨迹数据),对于轨迹数据的时间区间、用户的行进轨迹以及地点等信息不做任何限定。
步骤102可通过如下两种方式实现:
方式①:计算轨迹覆盖区域中,多个等大区域内轨迹点的分布密度,将分布密度大于预设密度的等大区域,确认为活动地点或居住地点(可根据日间与夜间区分活动地点或居住地点,即活动地点对应日间,居住地点对应夜间)。
方式②:作为本申请的一个可选实施例,步骤102包括如下步骤1021至步骤1023。请参见图3,图3示出了本申请提供的一种出行链的分析方法中步骤102具体示意性流程图。
步骤1021,获取算每个所述历史行程的历史轨迹数据中的历史驻留点簇;所述历史驻留点簇是指用户驻留时长超过第一阈值的轨迹点集合。
步骤1021可类比步骤1031得到,具体执行过程可参照步骤1031,在此不再赘述。
步骤1022,将所有所述历史行程中,处于日间时段内数量最多的历史驻留点簇,作为所述活动地点。
由于绝大多数用户的作息习惯都为“日出而作日落而息”。故可将处于日间时段内(根据此地区的时区信息,区分日间和夜间)数量最多的历史驻留点簇,确认为活动地点。
步骤1023,将所有所述历史行程中,处于夜间时段内数量最多的历史驻留点簇,作为所述居住地点。
步骤103,根据所述活动地点、所述居住地以及所述待分析轨迹数据,确定所述当前行程的出行目的和出行方式;所述出行目的和所述出行方式用于形成出行链;所述出行链为所述用户的出行行为的信息集合。
在确定用户的活动地点以及居住地点后,可分析待分析轨迹数据是否往返于活动地点以及居住地点,以确定当前行程的出行目的。
步骤103可通过如下两种方式实现:
方式①:若确定活动地点以及居住地点处于待分析轨迹数据中,则可确定用户的出行目的为通勤目的。若确定活动地点以及居住地点都不处于待分析轨迹数据中,则可确定用户的出行目的为非通勤目的。然而,由于在用户在非通勤目的出行时,存在经过活动地点以及居住地点的可能性,故方式①的分析准确率较低。为了解决这个问题,本实施提供了更优的方式②。
方式②:作为本申请的一个可选实施例,步骤103包括如下步骤1031至步骤1033。请参见图4,图4示出了本申请提供的一种出行链的分析方法中步骤1031具体示意性流程图。
步骤1031,获取所述待分析轨迹数据中的当前驻留点簇;所述当前驻留点簇是指用户驻留时长超过第二阈值的轨迹点集合。
步骤1031可通过如下两种方式实现:
方式①:计算轨迹覆盖区域中,多个等大区域内轨迹点的分布密度,将分布密度大于预设密度的等大区域,确认为当前驻留点簇。
方式②:作为本申请的一个可选实施例,步骤1031包括如下步骤A1至步骤A6。请参见图5,图5示出了本申请提供的一种出行链的分析方法中步骤1031具体示意性流程图。
步骤A1,按照时间顺序,将所述待分析轨迹数据中相隔预设时长内的轨迹点,作为第一轨迹点集合;每个所述第一轨迹点集合中的轨迹点不同。
其中,本申请中的每个轨迹点各自对应唯一的时间戳。
步骤A2,获取每个所述第一轨迹点集合中的中心轨迹点。
中心轨迹点为排列在第一轨迹点集合中间位置的轨迹点(轨迹点按照时间戳顺序进行排序)。其中,若处于中间为的轨迹点为偶数(假设为第一轨迹点和第二轨迹点),则将第一轨迹点和第二轨迹点的位置数据进行算术求和,得到平均位置数据。将第一轨迹点和第二轨迹点的时间戳进行算术求和,得到平均时间戳。将平均位置数据和平均时间戳作为中心轨迹点。
步骤A3,将距离所述中心轨迹点预设距离范围内的轨迹点,作为第二轨迹点集合;所述第二轨迹点集合中包括所述中心轨迹点。
步骤A4,将存在重复轨迹点的第二轨迹点集合合并,得到合并轨迹点集合。
以图2为例,由于地点1、地点2以及地点3轨迹点密集,故在地点1、地点2以及地点3可能存在重复轨迹点的多个第二轨迹点集。
本实施例将存在重复轨迹点的第二轨迹点集合合并,得到合并轨迹点集合。以使得每个驻留点簇对应单个轨迹点集合,进而通过计算每个轨迹点集合之间的时间差,筛选驻留点簇。
合并的方法如下:可将重叠的第二轨迹点集合中位于中心位置的点或中位点作为两者的中心点。将两者所有轨迹点作为合并轨迹点集合的轨迹点,或将两者所有轨迹点中距离中心点预设距离内的轨迹点作为合并轨迹点集合的轨迹点。
步骤A5,计算每个第三轨迹点集合中起始轨迹点与终止轨迹点的时间差;所述第三轨迹点集合是指所述合并轨迹点集合和未合并的第二轨迹点集合。
步骤A6,将时间差大于第三阈值的第三轨迹点集合,作为所述当前驻留点簇。
第三阈值可根据实际应用场景而定,以在第三轨迹点集合中筛选驻留点簇。
步骤1032,根据所述当前行程的当前驻留点簇、所述活动地点以及所述居住地点之间的位置分布关系,确定所述当前行程的出行目的。
由于当前驻留点簇可能为活动地点,也可能为居住地点,故需要根据三者之间的位置分布关系,确定当前行程的出行目的。出行目的包括但不限于通勤目的、非通勤目的等。
步骤1032可通过如下两种方式实现:
值得注意的是,为了更好地解释本申请的技术方案,故本申请以当前驻留点簇为第一当前驻留点簇和第二当前驻留点簇为例对本申请的技术方案进行解释说明。可以理解的是,当前驻留点簇的数量可以更多,当当前驻留点簇的数量大于两个时,可类比本实施例的技术方案得到当前驻留点簇的数量大于两个时的技术方案,在此不再赘述。
作为本申请的一个可选实施例,步骤1032包括如下步骤B1至步骤B4。请参见图6,图6示出了本申请提供的一种出行链的分析方法中步骤1032具体示意性流程图。
步骤B1,若第一当前驻留点簇和第二当前驻留点簇都符合预设条件,且所述第一当前驻留点簇与所述第二当前驻留点簇对应的时间点处于通勤时段内,则确认所述当前行程的出行目的为通勤的概率为第一概率;所述预设条件是指第一当前驻留点簇与所述活动地点之间的距离小于第四阈值,或所述第二当前驻留点簇与所述居住地点之间的距离小于第四阈值。
可以理解的是,若当前驻留点簇为活动地点或居住地点时,则当前驻留点簇与活动地点之间距离处于一定的误差范围内,当前驻留点簇与居住地点之间距离处于一定的误差范围内。
故本申请预设两个条件:①第一当前驻留点簇与活动地点之间的距离小于第四阈值,②第二当前驻留点簇与居住地点之间的距离小于第四阈值。通过上述两个条件,判断用户的出行目的。
若满足这个两个预设条件,且第一当前驻留点簇与第二当前驻留点簇对应的时间点处于通勤时段内,则用户的出行目的极有可能为通勤目的。
由于符合不同条件的当前行程的出行目的为通勤的概率不同,故可将不同条件下预设不同的通勤概率。以通过通勤概率精确地辨别用户的出行目的。例如:将步骤B1对应的通勤概率设为1,将步骤B3通勤概率设为0.7,将步骤B4通勤概率设为0.5,依次类推,得到更加精准的出行链。
步骤B2,若第一当前驻留点簇符合所述预设条件,第二当前驻留点簇不符合所述预设条件,则判断第二当前驻留点簇是否处于所述活动地点和所述居住地点之间。
若仅满足一个所述预设条件,则需要根据第二当前驻留点簇的位置执行步骤B3或步骤B4。
步骤B2可通过如下两种方式实现:
方式①:确认第二当前驻留点簇是否处于通勤轨迹中。若第二当前驻留点簇处于通勤轨迹中,则确定第二当前驻留点簇处于活动地点和居住地点之间。
方式②:作为本申请的一个可选实施例,步骤B2包括如下步骤B21至步骤B24。请参见图7,图7示出了本申请提供的一种出行链的分析方法中步骤1024具体示意性流程图。
步骤B21,计算所述当前驻留点簇与所述活动地点构成的第一直线,计算所述当前驻留点簇与所述居住地点构成的第二直线。
由于在不满足预设条件的当前驻留点簇处于活动地点和居住地点之间时,当前驻留点簇与活动地点、居住地点形成两个直线,趋于平行。也即第一直线与第二直线之间的夹角在180度附近。
故本实施例计算第一直线与第二直线之间的夹角,以根据夹角判断当前驻留点簇是否处于活动地点和居住地点之间。
步骤B22,计算所述第一直线与所述第二直线之间的夹角。
步骤B23,若所述夹角处于预设角度范围内,则确定不满足所述预设条件的当前驻留点簇处于所述活动地点和所述居住地点之间。
步骤B24,若所述夹角不处于预设角度范围内,则确定不满足所述预设条件的当前驻留点簇不处于所述活动地点和所述居住地点之间。
步骤B3,若所述第二当前驻留点簇处于所述活动地点和所述居住地点之间,且所述第一当前驻留点簇与所述第二当前驻留点簇对应的时间点处于通勤时段内,则确认所述当前行程的出行目的为通勤的概率为第二概率。
作为本申请的一个可选实施例,在确定不满足预设条件的当前驻留点簇处于活动地点和居住地点之间后,可根据当前驻留点簇至活动地点和居住地点之间的路程,补充缺失的轨迹点,以丰富出行链中的信息。
步骤B4,若所述第二当前驻留点簇不处于所述活动地点和所述居住地点之间,且所述第二当前驻留点簇对应的时段处于通勤时段,则确认所述当前行程的出行目为通勤的概率为第三概率;其中,所述第一概率大于所述第二概率,第二概率大于所述第三概率,所述第一概率大于所述第三概率。
若第一当前驻留点簇和第二当前驻留点簇不满足步骤B1以及步骤B3,则确认所述出行目的为非通勤目的。
步骤1033,根据所述待分析轨迹数据确定所述出行方式。
步骤1033可通过如下两种方式实现:
方式①:根据待分析轨迹数据,计算用户的平均行进速度。若平均行进速度低于预设速度,则确定出行方式为步行出行。若平均行进速度不低于预设速度,则确定出行方式为坐车出行。然而,方式①的判断方式比较粗犷,无法进一步辨别“坐车出行”采用哪一种汽车类型。故本实施例提供了更优的方式②。
方式②:作为本申请的一个可选实施例,步骤1033包括如下步骤C1至步骤C9。请参见图8,图8示出了本申请提供的一种出行链的分析方法中步骤1024具体示意性流程图。
步骤C1,在所述待分析轨迹数据中切分出每次出行对应的出行轨迹数据;所述每次出行是指在不同驻留点簇之间的行进过程。
由于待分析轨迹数据中可能存在多次出行行程,而每次出行行程采用的出行方式都可能不同。故本申请将待分析轨迹数据切分出每次出行对应的出行轨迹数据。
其中,对于待分析轨迹数据的切分方法如下:以一个或多个驻留点簇为起点或终点对待分析轨迹数据进行切分。例如:以居住地点和工作地点作为起点或终点,当用户由居住地点行进至工作地点为一次行程,当用户此时从工作地点行进至居住地点为一次行程,以此类推。若起点或终点为其他地点类型,可类比上述例子得到,在此不再赘述。
在得到每次出行对应的出行轨迹数据后,依次对每个出行轨迹数据执行步骤C2至步骤C10。
步骤C2,获取所述出行轨迹数据的采样频率。
用户在未使用导航类软件时,定位模块的采样频率处于较低水平。而用户在使用导航类软件时,由于需要保证定位的实时性,故定位模块的采样频率处于较高水平。
可以理解的是,在用户行走过程中或乘坐公共交通工具(包括公交、地铁或火车等)的过程中往往不使用导航类软件,而在行车过程中用户往往习惯使用导航类软件。
故本实施利用此规律,获取出行轨迹数据的采样频率,以区分不同出行方式。
步骤C3,若所述采样频率大于第五阈值,则通过预设公式计算得到非直线系数。
若采样频率大于第五阈值时,表示用户采用汽车出行,而汽车出行分为打车出行和自驾出行。故需通过预设公式计算得到非直线系数,根据非直线系数进一步细分出行方式。
其中,预设公式如下:
步骤C4,若所述非直线系数大于第六阈值,则确认所述出行方式为打车出行。
由于用户在自驾出行时,往往的目的地比较明确,故自驾出行的路程偏近于直线。而打车出行的网约车或出租车,目的地变幻莫测,故网约车或出租车行驶的路程弯曲不定。故本实施利用此规律,以非直线系数为判断基准。将非直线系数大于第六阈值的出行方式确认为打车出行。
步骤C5,若所述非直线系数不大于第六阈值,则确认所述出行方式为自驾出行。
步骤C6,若所述采样频率不大于第五阈值,则根据出行轨迹数据中的起始轨迹点以及终止轨迹点,计算出行距离。
若采样频率大于第五阈值时,表示用户采用步行出行或公共交通工具。
其中,采用步行出行时,行进的距离往往较短。而公共交通工具,行进的距离往往较长。故本实施利用此规律,计算出行距离,以进一步判断出行方式。
步骤C7,若所述出行距离小于第七阈值,则计算所述出行轨迹数据与预设步行轨迹数据之间的第一相似度。
预设步行轨迹数据可以是预存的标准轨迹数据或拉取导航类软件提供的步行路线。
步骤C8,若第一相似度大于第八阈值,则确认所述出行方式为步行出行。
步骤C9,若所述出行距离不小于第七阈值,则计算所述出行轨迹数据与预设汽车轨迹数据之间的第二相似度。
预设汽车轨迹数据可以是预存的标准轨迹数据或拉取导航类软件提供的行车路线。
步骤C10,若第二相似度大于第八阈值,则确认所述出行方式为公共交通出行。
作为本申请的一个可选实施例,可根据相似度或采样频率等信息,为不同的出行方式设置不同的概率,以进一步丰富出行链中的信息。
至此,得到了用户的出行目的以及出行方式。可通过出行目的以及出行方式形成用户的出行链。
其中,可将出行目的以及出行方式直接作为出行链。或将出行目的、出行方式以及其他信息作为出行链。其他信息包括但不限于所有轨迹点数据、轨迹点的时间戳、起点信息以及终点信息等。其他信息的种类可根据实际应用场景而定,在此不做限定。
在本实施例中,通过历史轨迹数据分析用户的活动地点以及居住地点,并根据活动地点、居住地点以及待分析轨迹数据分析当前行程的出行目的和出行方式,进而形成用户的出行链。由于用户的出行存在一定规律,故本申请依据此规律分析出行链。反观传统的出行分析方式,由于仅局限于当前行程,故得到分析结果局限性较大。而本申请通过上述方式,充分利用用户多次的出行规律,得到出行目的和出行方式,进而形成出行链,避免了传统的出行分析方式的局限性,进而提高了分析准确性。
如图9本申请提供了一种出行链的分析装置9,请参见图9,图9示出了本申请提供的一种出行链的分析装置的示意图,如图9所示一种出行链的分析装置包括:
获取单元91,用于获取用户的多个历史行程的历史轨迹数据以及当前行程的待分析轨迹数据;
计算单元92,用于根据所述历史轨迹数据的分布情况,得到所述用户的活动地点以及居住地点;
确定单元93,用于根据所述活动地点、所述居住地以及所述待分析轨迹数据,确定所述当前行程的出行目的和出行方式;所述出行目的和所述出行方式用于形成出行链;所述出行链为所述用户的出行行为的信息集合。
本申请提供的一种出行链的分析装置,通过历史轨迹数据分析用户的活动地点以及居住地点,并根据活动地点、居住地点以及待分析轨迹数据分析当前行程的出行目的和出行方式,进而形成用户的出行链。由于用户的出行存在一定规律,故本申请依据此规律分析出行链。反观传统的出行分析方式,由于仅局限于当前行程,故得到分析结果局限性较大。而本申请通过上述方式,充分利用用户多次的出行规律,得到出行目的和出行方式,进而形成出行链,避免了传统的出行分析方式的局限性,进而提高了分析准确性。
图10是本发明一实施例提供的一种终端设备的示意图。如图10所示,该实施例的一种终端设备100包括:定位模块1000、处理器1001、存储器1002以及存储在所述存储器1002中并可在所述处理器1001上运行的计算机程序1003,例如一种出行链的分析程序。所述处理器1001执行所述计算机程序1003时实现上述各个一种出行链的分析方法实施例中的步骤,例如图1所示的步骤101至步骤103。或者,所述处理器1001执行所述计算机程序1003时实现上述各装置实施例中各单元的功能,例如图9所示单元91至93的功能。
示例性的,所述计算机程序1003可以被分割成一个或多个单元,所述一个或者多个单元被存储在所述存储器1002中,并由所述处理器1001执行,以完成本发明。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序1003在所述一种终端设备100中的执行过程。例如,所述计算机程序1003可以被分割成获取单元和计算单元各单元具体功能如下:
获取单元,用于获取用户的多个历史行程的历史轨迹数据以及当前行程的待分析轨迹数据;
计算单元,用于根据所述历史轨迹数据的分布情况,得到所述用户的活动地点以及居住地点;
确定单元,用于根据所述活动地点、所述居住地以及所述待分析轨迹数据,确定所述当前行程的出行目的和出行方式;所述出行目的和所述出行方式用于形成出行链;所述出行链为所述用户的出行行为的信息集合。
所述一种终端设备可包括,但不仅限于,定位模块1000、处理器1001、存储器1002。本领域技术人员可以理解,图10仅仅是一种终端设备100的示例,并不构成对一种终端设备100的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述一种终端设备还可以包括输入输出设备、网络接入设备、总线等。
所述定位模块1000包括但不限于全球定位***模块(Global PositioningSystem,GPS)、中国北斗卫星导航***模块(BeiDou Navigation Satellite System,BDS)以及格洛纳斯卫星导航***模块(GLONASS)等一种模块或多种模块之间的组合。
所述处理器1001可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列 (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、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器1002可以是所述一种终端设备100的内部存储单元,例如一种终端设备100的硬盘或内存。所述存储器1002也可以是所述一种终端设备100的外部存储设备,例如所述一种终端设备100上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器1002还可以既包括所述一种终端设备100的内部存储单元也包括外部存储设备。所述存储器1002用于存储所述计算机程序以及所述一种终端设备所需的其他程序和数据。所述存储器1002还可以用于暂时地存储已经输出或者将要输出的数据。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在移动终端上运行时,使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,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至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random AccessMemory,RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/网络设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/网络设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
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。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于监测到”。类似地,短语“如果确定”或“如果监测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦监测到[所描述条件或事件]”或“响应于监测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种出行链的分析方法,其特征在于,所述分析方法包括:
获取用户的多个历史行程的历史轨迹数据以及当前行程的待分析轨迹数据;所述待分析轨迹数据的时间跨度为全天;
根据所述历史轨迹数据的分布情况,得到所述用户的活动地点以及居住地点;
根据所述活动地点、所述居住地以及所述待分析轨迹数据,确定所述当前行程的出行目的;
在所述待分析轨迹数据中切分出每次出行对应的出行轨迹数据;所述每次出行是指在不同驻留点簇之间的行进过程;
获取所述出行轨迹数据的采样频率;
若所述采样频率大于第五阈值,则通过预设公式计算得到非直线系数;
若所述非直线系数大于第六阈值,则确认出行方式为打车出行;
若所述非直线系数不大于第六阈值,则确认出行方式为自驾出行;
若所述采样频率不大于第五阈值,则根据出行轨迹数据中的起始轨迹点以及终止轨迹点,计算出行距离;
若所述出行距离小于第七阈值,则计算所述出行轨迹数据与预设步行轨迹数据之间的第一相似度;
若第一相似度大于第八阈值,则确认出行方式为步行出行;
若所述出行距离不小于第七阈值,则计算所述出行轨迹数据与预设汽车轨迹数据之间的第二相似度;
若第二相似度大于第八阈值,则确认出行方式为公共交通出行;所述出行目的和所述出行方式用于形成出行链;所述出行链为所述用户的出行行为的信息集合。
2.如权利要求1所述分析方法,其特征在于,所述根据所述历史轨迹数据的分布情况,得到所述用户的活动地点以及居住地点,包括:
获取每个所述历史行程的历史轨迹数据中的历史驻留点簇;所述历史驻留点簇是指用户驻留时长超过第一阈值的轨迹点集合;
将所有所述历史行程中,处于日间时段内数量最多的历史驻留点簇,作为所述活动地点;
将所有所述历史行程中,处于夜间时段内数量最多的历史驻留点簇,作为所述居住地点。
3.如权利要求1所述分析方法,其特征在于,所述根据所述活动地点、所述居住地以及所述待分析轨迹数据,确定所述当前行程的出行目的,包括:
获取所述待分析轨迹数据中的当前驻留点簇;所述当前驻留点簇是指用户驻留时长超过第二阈值的轨迹点集合;
根据所述当前行程的当前驻留点簇、所述活动地点以及所述居住地点之间的位置分布关系,确定所述当前行程的出行目的。
4.如权利要求3所述分析方法,其特征在于,所述获取所述待分析轨迹数据中的当前驻留点簇,包括:
按照时间顺序,将所述待分析轨迹数据中相隔预设时长内的轨迹点,作为第一轨迹点集合;每个所述第一轨迹点集合中的轨迹点不同;
获取每个所述第一轨迹点集合中的中心轨迹点;
将距离所述中心轨迹点预设距离范围内的轨迹点,作为第二轨迹点集合;所述第二轨迹点集合中包括所述中心轨迹点;
将存在重复轨迹点的第二轨迹点集合合并,得到合并轨迹点集合;
计算每个第三轨迹点集合中起始轨迹点与终止轨迹点的时间差;所述第三轨迹点集合是指所述合并轨迹点集合和未合并的第二轨迹点集合;
将时间差大于第三阈值的第三轨迹点集合,作为所述当前驻留点簇。
5.如权利要求3所述分析方法,其特征在于,所述当前驻留点簇包括第一当前驻留点簇和第二当前驻留点簇;
所述根据所述当前行程的当前驻留点簇、所述活动地点以及所述居住地点之间的位置分布关系,确定所述当前行程的出行目的,包括:
若第一当前驻留点簇和第二当前驻留点簇都符合预设条件,且所述第一当前驻留点簇与所述第二当前驻留点簇对应的时间点处于通勤时段内,则确认所述当前行程的出行目的为通勤的概率为第一概率;所述预设条件是指第一当前驻留点簇与所述活动地点之间的距离小于第四阈值,或所述第二当前驻留点簇与所述居住地点之间的距离小于第四阈值;
若第一当前驻留点簇符合所述预设条件,第二当前驻留点簇不符合所述预设条件,则判断第二当前驻留点簇是否处于所述活动地点和所述居住地点之间;
若所述第二当前驻留点簇处于所述活动地点和所述居住地点之间,且所述第一当前驻留点簇与所述第二当前驻留点簇对应的时间点处于通勤时段内,则确认所述当前行程的出行目的为通勤的概率为第二概率;
若所述第二当前驻留点簇不处于所述活动地点和所述居住地点之间,且所述第二当前驻留点簇对应的时段处于通勤时段,则确认所述当前行程的出行目为通勤的概率为第三概率;其中,所述第一概率大于所述第二概率,第二概率大于所述第三概率,所述第一概率大于所述第三概率。
6.如权利要求5所述分析方法,其特征在于,所述若第一当前驻留点簇符合所述预设条件,第二当前驻留点簇不符合所述预设条件,则判断第二当前驻留点簇是否处于所述活动地点和所述居住地点之间,包括:
计算所述第二当前驻留点簇与所述活动地点构成的第一直线,计算所述第二当前驻留点簇与所述居住地点构成的第二直线;
计算所述第一直线与所述第二直线之间的夹角;
若所述夹角处于预设角度范围内,则确定第二当前驻留点簇处于所述活动地点和所述居住地点之间;
若所述夹角不处于预设角度范围内,则第二当前驻留点簇不处于所述活动地点和所述居住地点之间。
8.一种出行链的分析装置,其特征在于,所述分析装置包括:
获取单元,用于获取用户的多个历史行程的历史轨迹数据以及当前行程的待分析轨迹数据;所述待分析轨迹数据的时间跨度为全天;
计算单元,用于根据所述历史轨迹数据的分布情况,得到所述用户的活动地点以及居住地点;
确定单元,用于根据所述活动地点、所述居住地以及所述待分析轨迹数据,确定所述当前行程的出行目的;在所述待分析轨迹数据中切分出每次出行对应的出行轨迹数据;所述每次出行是指在不同驻留点簇之间的行进过程;
获取所述出行轨迹数据的采样频率;
若所述采样频率大于第五阈值,则通过预设公式计算得到非直线系数;
若所述非直线系数大于第六阈值,则确认出行方式为打车出行;
若所述非直线系数不大于第六阈值,则确认出行方式为自驾出行;
若所述采样频率不大于第五阈值,则根据出行轨迹数据中的起始轨迹点以及终止轨迹点,计算出行距离;
若所述出行距离小于第七阈值,则计算所述出行轨迹数据与预设步行轨迹数据之间的第一相似度;
若第一相似度大于第八阈值,则确认出行方式为步行出行;
若所述出行距离不小于第七阈值,则计算所述出行轨迹数据与预设汽车轨迹数据之间的第二相似度;
若第二相似度大于第八阈值,则确认出行方式为公共交通出行;所述出行目的和所述出行方式用于形成出行链;所述出行链为所述用户的出行行为的信息集合。
9.一种终端设备,包括定位模块、存储器、处理器以及存储在所述存储器中并可在所述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至7任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110217722.2A CN112579915B (zh) | 2021-02-26 | 2021-02-26 | 一种出行链的分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110217722.2A CN112579915B (zh) | 2021-02-26 | 2021-02-26 | 一种出行链的分析方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112579915A CN112579915A (zh) | 2021-03-30 |
CN112579915B true CN112579915B (zh) | 2021-07-30 |
Family
ID=75114018
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110217722.2A Active CN112579915B (zh) | 2021-02-26 | 2021-02-26 | 一种出行链的分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112579915B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408833A (zh) * | 2021-08-19 | 2021-09-17 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种公共交通重点区域识别方法、装置及电子设备 |
CN113821738A (zh) * | 2021-11-22 | 2021-12-21 | 北京交研智慧科技有限公司 | 出行链获取方法、装置、电子设备及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739823A (zh) * | 2009-12-21 | 2010-06-16 | 浙江工业大学 | 一种适用低频采样的路段平均行程时间测量方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102595323B (zh) * | 2012-03-20 | 2014-05-07 | 北京交通发展研究中心 | 基于手机定位数据的居民出行特征参数的获取方法 |
US9763055B2 (en) * | 2014-08-26 | 2017-09-12 | Regents Of The University Of Minnesota | Travel and activity capturing |
US9892363B2 (en) * | 2015-05-07 | 2018-02-13 | Truemotion, Inc. | Methods and systems for sensor-based driving data collection |
US11373122B2 (en) * | 2018-07-10 | 2022-06-28 | Cavh Llc | Fixed-route service system for CAVH systems |
CN112215666A (zh) * | 2020-11-03 | 2021-01-12 | 广州市交通规划研究院 | 一种基于手机定位数据的不同出行活动目的特征识别方法 |
-
2021
- 2021-02-26 CN CN202110217722.2A patent/CN112579915B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739823A (zh) * | 2009-12-21 | 2010-06-16 | 浙江工业大学 | 一种适用低频采样的路段平均行程时间测量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112579915A (zh) | 2021-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102460534B (zh) | 基于历史和当前数据预测期望道路交通状况的计算机实现的方法和计算*** | |
Cortés et al. | Commercial bus speed diagnosis based on GPS-monitored data | |
CN105632222B (zh) | 预报到站时间的方法及其*** | |
CN112579915B (zh) | 一种出行链的分析方法及装置 | |
CN105513339B (zh) | 一种车辆轨迹分析方法和设备 | |
WO2015096400A1 (zh) | 一种利用移动通信数据挖掘进行公交规划的方法 | |
CN101976505A (zh) | 交通评价方法及*** | |
CN107403550B (zh) | 公交路网数据采集方法、装置和终端设备 | |
CN112863172A (zh) | 高速公路交通运行状态判定方法、预警方法、装置及终端 | |
CN110969861B (zh) | 一种车辆识别方法、装置、设备及计算机存储介质 | |
CN112837542B (zh) | 一种高速公路段交通量统计方法、装置、存储介质及终端 | |
CN111738484B (zh) | 一种公交站点选址的方法、装置及计算机可读存储介质 | |
CN112734956B (zh) | 一种etc门架确定的方法、装置及存储介质 | |
CN113434619B (zh) | 一种4g的高速公路智能交通路况监控*** | |
CN112734242A (zh) | 一种车辆运行轨迹数据的可用度分析方法、装置、存储介质及终端 | |
CN114664087B (zh) | 基于轨迹识别车辆上下高速的方法、装置、设备及介质 | |
CN102768797B (zh) | 一种城市路况信息评价方法及装置 | |
CN114997493A (zh) | 一种高速公路车辆碳排放量预测方法及*** | |
CN110675631A (zh) | 一种交通流溯源分析方法及*** | |
Bogenberger et al. | Quality management methods for real-time traffic information | |
Bansal et al. | Impacts of bus-stops on the speed of motorized vehicles under heterogeneous traffic conditions: a case-study of Delhi, India | |
CN114078322A (zh) | 一种公交运行状态评价方法、装置、设备及存储介质 | |
CN116664025A (zh) | 装卸货位置点生成方法、装置及设备 | |
CN111222898B (zh) | 网约车的计程方法及计算机可读存储介质 | |
CN113838283B (zh) | 一种车辆的位置状态标记方法、装置、存储介质及终端 |
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 |