[发明专利]一种基于车辆位置信息的车主出行位置预测方法

权利要求书

1.一种基于车辆位置信息的车主出行位置预测方法，其特征在于，包括以下步骤，步骤一：对基于车辆位置数据的车辆轨迹数据进行整理；

步骤二：识别基于车辆轨迹数据的用户重要兴趣点；

步骤三：通过密度聚类法的用户重要兴趣点进行合并；

步骤四：基于时空标签循环神经网络模型来预测用户下一个兴趣点。

2.根据权利要求1所述基于车辆位置信息的车主出行位置预测方法，其特征在于，步骤一：整理所述车辆轨迹数据：

在数据整理之前，先读取批量车辆轨迹数据进行排序整理，按照设备识别码将车辆轨迹数据按设备号分开，然后按时间标签对数据排序，用户历史轨迹数据插入车辆轨迹数据尾部进行数据更新。

3.根据权利要求2所述基于车辆位置信息的车主出行位置预测方法，其特征在于，数据更新时，每次用户历史轨迹数据插入为按时间升序排列。

4.根据权利要求1所述基于车辆位置信息的车主出行位置预测方法，其特征在于，步骤二：识别基于车辆轨迹数据的用户重要兴趣点：

将所述车辆轨迹数据整理后，获得每个设备的按时间顺序的轨迹数据法，再对轨迹数据中的重要停车点进行停车点识别，通过轨迹压缩处理，将轨迹数据转化为停车点记录数据；所述重要停车点为车辆的起始点和终止点。

5.根据权利要求4所述基于车辆位置信息的车主出行位置预测方法，其特征在于，停车点识别，通过扫描轨迹数据，将读取的每个轨迹数据与特定用户相对应的停车点数据关联，得到停车点的结构化数据，输出停车点数据记录；停车点数据包括经纬度、时间标签、停留时间和距离；停车点识别的参数，distance：表示相邻两条轨迹记录之间的距离，根据A、B两点间经纬度计算距离；

lastLat，lastLon，lastT：分别记录当前读取的数据的上一条数据的纬度、经度和时间标签，当前数据处理完毕后，会将当前数据的纬度、经度和时间标签赋值为lastLat，lastLon，lastT；

moving：当前数据代表的车辆状态是否为正在移动，辅助识别停车触发方式；

stoptime：用以计算车辆在停车点的停留时间。

6.根据权利要求4所述基于车辆位置信息的车主出行位置预测方法，其特征在于，停车点识别触发，第一停车点识别是车辆信号中断不再上传轨迹数据，当车辆再次启动，设备开始采集数据时，确定之前的最后一条记录为停车点；此时distance表示设备关闭前位置与设备再次启动后之间的距离偏差；

另一停车点识别是在较长一段时间内车辆连续上传数据，但位置并不发生改变，当车辆再次移动时，若时间间隔达到阈值，则将车辆暂停移动前的最后一条记录识别为停车点。

7.根据权利要求1所述基于车辆位置信息的车主出行位置预测方法，其特征在于，步骤三：所述通过密度聚类法的用户重要兴趣点进行合并；

包含许多临近的位置点用户重要兴趣点会集合作为位置聚类算法的输入，将多个临近位置的兴趣点聚类成为一个重要兴趣点，并产生的用户重要兴趣点出行记录，得到用户频繁访问的目的地序列。

8.根据权利要求7所述基于车辆位置信息的车主出行位置预测方法，其特征在于，所述位置聚类法为DBSCAN密度聚类法，用于返回输入数据集中的离群点，首先是输出离群点的集合，其次是距离的度量，算两点间经纬度距离；其包括两个输入参数：距离阈值和密度阈值，距离阈值表示不同样本在距离上被划分为同一个簇的倾向性，距离阈值的设定越大，将相距更远的样本划分为同簇；密度阈值是对簇内样本数的限制，设定了密度阈值后，输出的簇内的样本数量都将大于等于该值，若小于该值，则无论两样本相距多近，认定为是离群点。