[发明专利]一种基于移动定位数据的个体出行模式预测方法及系统

权利要求书

1.一种基于移动定位数据的个体出行模式预测方法，其特征在于，包括：

获取出行数据：获取出行个体的移动定位原始数据，并对所述移动定位原始数据进行处理，得到出行个体的出行起讫点数据；

交通小区向量化：根据所述出行起讫点数据和预先获得的城市兴趣点数据，将交通小区向量化，得到交通小区向量；

预测出行模式：对所述交通小区进行编号，选择目标交通小区，求解所述目标交通小区与其他交通小区对应向量之间的距离，并对得到的交通小区向量之间的距离进行由小到大排序，取前q个值，其对应的交通小区的编号即所述目标交通小区最有可能来自或前往的q个交通小区，实现出行模式的预测；

所述获取出行数据的步骤中，对所述移动定位原始数据进行处理的过程，具体包括：

将所述移动定位原始数据按照用户和时间进行聚类，并去除聚类后数据中的异常点；

预先设定时间阈值和空间阈值，将聚类后数据中的轨迹点划分为出行和停留两个属性，得到出行点和停留点，将出行点两侧的停留点作为一次出行的起讫点，得到起讫点数据；

将得到的起讫点数据与预先划分的交通小区关联；

所述交通小区向量化步骤，具体包括：

基于所述出行起讫点数据，构建交通小区的最大目标函数，求解最大目标函数，得到基于出行轨迹链的地点矩阵；

预先获取城市兴趣点数据，根据地点的兴趣点特征划分交通小区特点，得到基于城市兴趣点信息的地点矩阵；

对所述基于出行轨迹链的地点矩阵和基于城市兴趣点信息的地点矩阵进行处理，构建并求解最小目标函数，得到交通小区的地点本质特征矩阵，即得到交通小区向量；

所述交通小区向量之间的距离计算公式为：

D_c(A,B)＝1-S_c(A,B)

其中，

式中，D_C(A,B)表示交通小区向量A,B之间的距离，S_C(A,B)表示交通小区向量A,B之间的相似度，A_i、B_i分别表示向量A,B的各分量，e表示交通小区向量A,B的维数。

2.根据权利要求1所述的一种基于移动定位数据的个体出行模式预测方法，其特征在于，所述异常点包括重复点、漂移点和超出预测范围的点。

3.一种基于移动定位数据的个体出行模式预测系统，其特征在于，使用权利要求1-2任一项所述的一种基于移动定位数据的个体出行模式预测方法，实施个体出行模式预测，该系统包括：

出行数据获取模块，用于获取出行个体的移动定位原始数据，并对所述移动定位原始数据进行处理，得到出行个体的出行起讫点数据；

交通小区向量化模块，用于根据所述出行起讫点数据和预先获得的城市兴趣点数据，将交通小区向量化，得到交通小区向量；以及

出行模式预测模块，用于对所述交通小区进行编号，选择目标交通小区，求解所述目标交通小区与其他交通小区对应向量之间的距离，并对得到的交通小区向量之间的距离进行由小到大排序，取前q个值，其对应的交通小区的编号即所述目标交通小区最有可能来自或前往的q个交通小区，实现出行模式的预测；

所述出行数据获取模块具体包括：

获取单元，用于获取出行个体的移动定位原始数据；

预处理单元，用于将所述移动定位原始数据按照用户和时间进行聚类，并去除聚类后数据中的异常点；

起讫点提取单元，用于预先设定时间阈值和空间阈值，将聚类后数据中的轨迹点划分为出行和停留两个属性，得到出行点和停留点，将出行点两侧的停留点作为一次出行的起讫点，得到起讫点数据；以及关联单元，用于将得到的起讫点数据与预先划分的交通小区关联；

所述交通小区向量化模块具体包括：

轨迹确定单元，基于所述出行起讫点数据，通过自然语言处理方法构建交通小区的最大目标函数，求解最大目标函数，得到基于出行轨迹链的地点矩阵；

兴趣点确定单元，预先获取城市兴趣点数据，根据地点的兴趣点特征划分交通小区特点，得到基于城市兴趣点信息的地点矩阵；以及

分解单元，对所述基于出行轨迹链的地点矩阵和基于城市兴趣点信息的地点矩阵进行处理，构建并求解最小目标函数，得到交通小区的地点本质特征矩阵，即得到交通小区向量；

所述交通小区向量之间的距离计算公式为：

D_c(A,B)＝1-S_c(A,B)

其中，

式中，D_C(A,B)表示交通小区向量A,B之间的距离，S_C(A,B)表示交通小区向量A,B之间的相似度，A_i、B_i分别表示向量A,B的各分量，e表示交通小区向量A,B的维数。