[发明专利]行为轨迹数据提取工作方法

说明书

技术领域

本发明涉及智能行驶领域，尤其涉及一种行为轨迹数据提取工作方法。

背景技术

由于人口的老龄化逐渐凸显出来，其生活质量和健康状况需要得到社会的关心和照顾，而且行动不便的人员也希望吸收一些新鲜空气和与社会进行交互沟通，但是由于行动不便的原因，而不能够进行外出活动，从而应运而生了医疗运输装备和智能医用设备，例如助力轮椅或者电动轮椅，以及手控平衡车等产品，虽然成品已经市场化。但是由于使用者对电子设备操控理解较慢，而不能够很好的进行人车交互，这就应运而生了自动驾驶轮椅，但是自动驾驶轮椅所产生的问题就是对于使用者行走的路线不能很好的规划判断，节省路径或者提高效率缩短驾驶时间。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种行为轨迹数据提取工作方法。

为了实现本发明的上述目的，本发明提供了一种行为轨迹数据提取工作方法，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，

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。

所述的行为轨迹数据提取工作方法，优选的，所述S1包括：

S1-1，提取每个行进轨迹的时间耗费值

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

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

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

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

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

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

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