[发明专利]一种面向轨迹大数据的行人行为模式分类方法

说明书

本发明公开了一种面向轨迹大数据的行人行为模式分类方法，包括：构建电动车轨迹数据和行人轨迹数据；根据行人轨迹数据统计行人活动的活跃时段；获取指定区域中的城市功能区类型划分；根据行人轨迹数据统计行人的常驻点，并结合城市功能区类型得到行人的主要行为意图；根据电动车轨迹数据计算超速行为，统计超速行为的次数得到行人的超速行为习惯；基于活跃时段、主要行为意图和超速行为习惯，采用结合TGSOM网络模型和K‑means算法的组合聚类算法对行人行为模式进行分类。本发明考虑了行人行为与城市功能区类型的联系，同时考虑了行人的特殊行为习惯，使行人行为模式划分更贴合实际，并且兼顾了分类的效果和效率。

技术领域

本申请属于大数据分析挖掘领域，具体涉及一种面向轨迹大数据的行人行为模式分类方法。

背景技术

近年来，RFID射频网、MAC采集系统在各地广泛应用，越来越多的与人、物相关的时间、空间数据被采集、汇总，形成了海量高精度个体移动数据。这些海量数据通常包含采样位置、时间、运动速度等属性信息，能够表示移动对象在一段时间内的地理空间位置变化，刻画移动对象的历史移动行为，被称为“时空轨迹大数据”，简称“轨迹大数据”。

轨迹大数据中隐藏着移动对象的运动规律、行为特征。结合分布式系统下的大规模数据处理能力，挖掘其中的行为模式，可以为城市的公共安全、医疗服务、交通管理、商业金融等领域提供信息化服务与决策支持。例如，在公共安全方面，与群体行为模式明显不同的个体行为模式是值得被预防性关注的，因为特殊行为模式的主体很可能是潜在的不安定分子；医疗服务方面，或可通过对人口流动模式的研究发现其对疾病传播的影响；交通管理方面，以城市居民不同的出行模式为基础，预测未来城市可能的出行分布，调整交通结构与布局。

近年来，轨迹模式挖掘研究已成为数据挖掘领域的研究热点。目前轨迹模式的研究主要集中在锚点(轨迹中移动对象停留时间较长的节点)、出行范围、轨迹的形状、OD(Origin-Destination，起终点)流、时间等方面。现有的轨迹分类采取诸如“出行时段”、“出行距离”、“轨迹转角”、“速度切换点”等特征。

例如申请号为CN201811417972.5的专利文献，公开了一种基于时空数据轨迹特征的人群分类方法，包括如下步骤：S1)时空数据清洗处理；S2)行人轨迹提取；S3)行人轨迹压缩；S4)行人轨迹分类。该专利建立在现有的常用特征上，缺乏将行人行为与城市功能区在空间上的联系、以及缺乏将行人特殊的行为习惯(如驾驶时的超速)融入轨迹模式的识别，分类结果的可应用性低。

发明内容

本申请的目的在于提供一种面向轨迹大数据的行人行为模式分类方法，考虑了行人行为与城市功能区类型的联系，同时考虑了行人的特殊行为习惯，使行人行为模式划分更贴合实际，并且兼顾了分类的效果和效率。

为实现上述目的，本申请所采取的技术方案为：

一种面向轨迹大数据的行人行为模式分类方法，所述面向轨迹大数据的行人行为模式分类方法，包括：

读取指定区域中的电动车行驶数据和行人移动数据，对数据进行预处理，并根据预处理后的数据构建电动车轨迹数据和行人轨迹数据；

根据所述行人轨迹数据统计行人活动的活跃时段；

获取指定区域的POI数据，根据POI数据得到指定区域中的城市功能区类型划分；

根据所述行人轨迹数据选取行人的常驻点，并结合城市功能区类型划分得到常驻点所属的城市功能区类型，根据常驻点所属的城市功能区类型生成行人的主要行为意图；

根据所述电动车轨迹数据计算超速行为，统计每辆电动车的超速行为的次数得到电动车对应的行人的超速行为习惯；

基于行人活动的活跃时段、行人的主要行为意图和行人的超速行为习惯，采用结合TGSOM网络模型和K-means算法的组合聚类算法对行人行为模式进行分类，得到行人行为模式分类结果。