[发明专利]行为轨迹数据提取工作方法

权利要求书

1.一种行为轨迹数据提取工作方法，其特征在于，包括如下步骤：

S1，将云端数据通过数据抽样方式向用户进行推送，将行进轨迹历史数据中获取的行进轨迹时间数据、时间预测数据、以及出发地点和到达地点的风速数据、气温数据和降水量数据进行提取，

从用户终端获取行进轨迹终点位置信息，根据路径巡航约束条件进行路径判断；

将筛选后的行进轨迹数据传输到用户终端，获取用户终端实时发送的地理位置信息，判断行进轨迹终点位置信息；

从行进轨迹中得到的若干轨迹信息进行路径巡航约束，该约束公式为，

W(τ)=Rp(τ)Rs(τ)(wlong-(wlong-wshort)zZmax)·Q(τ),τ>11Rp(τ),τ=0Rp(τ)Rs(τ)Q(τ),τ=1,]]>

其中，R_p(τ)为在位置p处的理想行进场景，R_s(τ)为第s个轨迹处的理想行进场景，w_long为轨迹权重的最长距离值，w_short为轨迹权重的最短距离值，z为当前迭代次数，Z_max为最大迭代次数，Q(τ)为全部轨迹信息向量。

2.根据权利要求1所述的行为轨迹数据提取工作方法，其特征在于，所述S1包括：

S1-1，提取每个行进轨迹的时间耗费值

Ni(t)=Eγ4(ηn)Γ(n)+Eγcos(η(t+1))+T(t)]]>

其中，E_γ为行进轨迹的时间强度，η为待定参量，Γ(n)为行进轨迹中第n条轨迹时间趋势的Γ分布，T(t)为行进轨迹在地理位置信息中时间耗费的纹理，t≥0；

生成时间耗费模型

A(t)=Ni(t)+αt·Ni(t+1)αt,]]>

其中，α_t为时间耗费值的阈值，N_i(t+1)为下一时段行进轨迹的时间耗费值，

S1-2，提取每个行进轨迹的时间耗费的预测值

N_j(t)＝2[E_γ(T(t)+T(t+1))-μ_p·T(t)]，

其中，μ_p为地理位置累加参数，T(t+1)为行进轨迹在地理位置信息中下一时间段的时间耗费的纹理，

生成时间耗费的预测模型

B(t)=Nj(t)+βt·Nj(t+1)βt,]]>

其中，β_t为时间耗费预测值的阈值，N_j(t+1)为下一时段行进轨迹的时间耗费预测值，

S1-3，提取每个行进轨迹的风速判断值

Nk(t)=Ck1+Ck2+tCk3e-t2(Ck3)2+Ck4·Eγcos(Ck4(t)),]]>

其中，为风速冲击响应分量，为风速动态变化调整分量，为风速变化的干扰分量，为风速动态变化中的随机干扰分量，为风速动态变化的时间节点分量，为t时刻风速动态变化的周期分量，

生成风速的预测模型

C(t)=Nk(t)+χt·Nk(t+1)χt,]]>

其中，χ_t为风速判断值的阈值，N_k(t+1)为下一时段行进轨迹的风速判断值，

S1-4，提取每个行进轨迹的气温的判断值

Nl(t)=I‾1(t)+I1(t)I2(t)(1-HI1I2)2IhighI,]]>

其中，为气温独立样本均值，I₁(t)和I₂(t)为气温独立样本，为I₁(t)和I₂(t)气温独立样本的参考系数，I_high为气温最高值样本，I为行进轨迹中气温历史参考值；

生成气温的预测模型

D(t)=Nl(t)+δt·Nl(t+1)δt,]]>

其中，δ_t为气温判断值的阈值，N_l(t+1)为下一时段行进轨迹的气温判断值，S1-5，提取每个行进轨迹的降水量的判断值

Nm(t)=d1e[-(t-d2)2d32]+d4σ(t-d5),]]>

其中，d₁、d₂、d₃、d₄和d₅为行进轨迹中降水量的样本参数，σ为降水量的干扰系数，为降水量动态变化中的高斯分量，

生成降水量预测模型

E(t)=Nm(t)+ϵt·Nm(t+1)ϵt,]]>

其中，ε_t为降水量判断值的阈值，N_m(t+1)为下一时段行进轨迹的降水量判断值。