[发明专利]一种高收入出租车司机及其经验轨迹的提取方法、设备及存储介质

说明书

本发明涉及一种高收入出租车司机及其经验轨迹的提取方法、设备及存储介质，本发明基于出租车轨迹数据，按时段和载客状态将轨迹数据进行划分，通过计算行驶里程、时间、收入等对出租车司机收入进行初步判断，进一步的，根据拥堵区域的分布使用轨迹样条法对司机类型进行二次判断，使用基于交叉口坐标的轨迹插值法快速恢复筛选到的高收入司机的相应轨迹，将提取到的行驶轨迹路线作为样本集，通过空间网格化分析，映射到轨迹分布直方图中，形成轨迹分布的图像表达方式。

技术领域

本发明涉及一种高收入出租车司机及其经验轨迹的提取方法、设备及存储介质，属于导航系统技术领域。

背景技术

随着城市交通的发展，通勤高峰时段路段的拥堵指数在不断增长。出租车作为城市公共交通的重要组成部分，在高峰时段发挥着重要的服务功能。但由于不同区域发生的拥堵，致使其调度功能受限，居民在高峰时段出行往往会遇到“打车难”或“无车打”的问题。而高收入出租车司机却能在高峰时段通过自己的驾驶经验，制定合适的驾驶策略，对拥堵区域作出绕行并挖掘高价值的载客点，降低了高峰时段的运营成本，提高了出租车的服务水平。研究人员意识到，可以通过安装在出租车内车载GPS定位终端所采集到出租车当日大量的轨迹点信息，包括轨迹点的经纬度、定位时间、载客状态等，挖掘高收入和经验丰富司机的轨迹数据，分析其驾驶经验路线和区域为其他司机的行驶策略提供指导以提高司机收入。但在采集过程中，由于设备技术问题、建筑物遮挡和电磁干扰等，造成了部分路段轨迹信息点的缺失和稀疏，导致轨迹的空间特征不足，同时，轨迹数据中并没有可直观反映出租车司机收入和经验丰富程度的因素，应如何从巨量的轨迹中挖掘高收入司机的有效轨迹特征并进行轨迹提取，这成了研究人员亟待解决的问题。

目前，针对该类问题的解决方案主要是通过路网匹配算法进行轨迹恢复，然后计算出租车在对应道路上的行驶频率，构建部分路段的经验等级指标或数据库，依托出租车司机收入情况对高收入司机的特征分布进行聚类分析。这种方案在轨迹恢复上未充分考虑出租车轨迹数据量巨大、恢复精度要求不高、恢复时要与路网基本匹配的特点，对高收入司机行驶轨迹的特征的挖掘和时空关联度的考虑还不够，不完整不均匀的轨迹信息也会对目标的筛选和结果的输出造成一定误差，且通常的直接聚类方法得到的区域往往缺少空间分布的具体特征，对出租车司机出行路线的指导意义不足。

发明内容

针对现有技术的不足，本发明提供了一种高收入出租车司机及其经验轨迹的提取方法；

本发明还提供了一种计算机设备及计算机存储介质；

本发明基于出租车轨迹数据，按时段和载客状态将轨迹数据进行划分，通过计算行驶里程、时间、收入等对出租车司机收入进行初步判断，进一步的，根据拥堵区域的分布使用轨迹样条法对司机类型进行二次判断，使用基于交叉口坐标的轨迹插值法快速恢复筛选到的高收入司机的相应轨迹，将提取到的行驶轨迹路线作为样本集，通过空间网格化分析，映射到轨迹分布直方图中，形成轨迹分布的图像表达方式。

本发明通过分析运营里程、收入、时间等因素之间的关系初步筛选出高收入司机，并考虑了出租车司机轨迹和拥堵区域的相关性对数据进行了二次筛选，大幅提升了高质量的高收入司机数据的占比。在此基础上，基于交叉口坐标点，该发明可对原始轨迹数据进行快速补充和插值，解决了原始轨迹数据点部分缺失和稀疏的问题，使轨迹点达到均匀，丰富了轨迹的空间特征。通过对提取到的轨迹数据进行网格化分析，利用轨迹分布直方图可直观的得到高收入司机早高峰时段在整个工作区域的空间分布相似性及差异，为出租车公司及司机提供了更加合理的调度和行驶方案。

术语解释：

1、DBSCAN算法，DBSCAN(Density-Based Spatial Clustering of Applicationswith Noise)是一个比较有代表性的基于密度的聚类算法。与划分和层次聚类方法不同，它将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在噪声的空间数据库中发现任意形状的聚类。