[发明专利]一种基于用户轨迹数据的群体聚集模式分析方法和系统

说明书

本发明涉及一种基于用户轨迹数据的群体聚集模式分析方法和系统。该方法包括：1)通过用户群体轨迹数据提取用户的位置数据；2)将各个时间点同一用户的位置数据按照时间顺序整合，形成在时空上具有连续性的轨迹数据；3)根据用户的在时空上具有连续性的轨迹数据构建K‑D Tree；4)基于K‑D Tree对用户轨迹点进行聚类，得到多个人群的快照簇；5)根据人群的快照簇发现候选人群集合，进而根据候选人群集合发现封闭人群集合。本发明可以快速处理海量用户轨迹日志数据并进行针对对象位置的聚集模式分析，能够保证人群聚集判断的有效性和准确性。

技术领域

本发明涉及用户轨迹数据分析领域，通过用户群体轨迹数据中携带的地理位置信息的分析，发现人群聚集行为，通过开始时间、结束时间、参与人数、参与目标、聚集状态等多方面特征描述人群的聚集行为，采用线性插值建模整合、估算用户轨迹，构建完整规范的用户移动轨迹数据。设计了基于K-D Tree和DBSCAN聚类算法的人群聚集模式分析方法，能够基于用户群体轨迹数据，及时发现人群聚集行为，可应用于监测社会各种群体的轨迹聚集，发现城市热门商圈，分析景点旺季淡季旅客流量等具体方向。

背景技术

随着信息科技的发展和移动通讯中定位技术的成熟，用户群体轨迹数据中时空位置数据呈现爆炸式的增长，针对群体运动特征和个体移动轨迹相关技术的研究也日渐丰富。本发明着手研究信令日志中用户的时空轨迹数据，提取位置信息并按照时间划分构建用户时空数据，在大量单个用户时空数据的基础上，挖掘多个用户在时空中移动轨迹的特征，分析出符合聚集模式的用户时空数据特征，发现多个用户在一段时间内发生的群体聚集事件。

移动群体的聚集模式可以看成一组移动对象的聚合行为。基于分析用户移动轨迹数据挖掘对象聚集模式，目前主要有以下几种方法：

(1)Flock聚集特征

Flock聚集群组发现：限定在持续k个时间片中活动在包含固定大小的圆形区域的群体，判断符合以上条件的移动对象群组的最大共同行进时长是否大于阈值。该方法要求较为苛刻，对轨迹的连续性要求高，相关特征提取难度大。

(2)Swarm聚集特征

Swarm聚集特征较之Flock更加灵活，特征如下：它不要求群组的形状；任意两个对象的距离都小于阈值；群组中移动对象的共同行进时间不要求一直连续。使用聚类算法挖掘轨迹中的移动对象群组，使用Swarm定义移动对象群组，能够更广泛地挖掘移动对象群组。但Swarm特征方法要求观察对象轨迹的连续性，在实用性上较差。

(3)移动轨迹相似性

通过对比移动对象的轨迹相似性，判断不同移动对象的移动轨迹、移动模式是否相似，通过使用分段聚类算法对相似轨迹进行归类研究。但目前此方法的实时性及预测准确性有待提高。

(4)预测移动轨迹判别对象聚类

通过时间序列分析移动对象的历史位置，由此预测移动对象的运动轨迹。基于索引结构NDTR-Tree来表示移动对象的时间和空间变化特征，能够动态地索引和维护移动对象的位置信息，但这种方法不能针对性地分析移动群组的变化趋势；同时，由于移动群组中对象间都有很强的时空约束，传统的数据结构并不能完全适应聚集模式挖掘的时空约束条件。

发明内容

本发明针对上述问题，提供一种基于用户轨迹数据的群体聚集模式分析方法和系统，可以快速处理海量用户轨迹日志数据并进行针对对象位置的聚集模式分析。

本发明采用的技术方案如下：

一种基于用户轨迹数据的群体聚集模式分析方法，包括以下步骤：

1)通过用户群体轨迹数据提取用户的位置数据；

2)将各个时间点同一用户的位置数据按照时间顺序整合，形成在时空上具有连续性的轨迹数据；