一种人群移动规律的可视化方法技术

本发明专利技术公开了一种人群移动规律的可视化方法，包括以下步骤：(1)对每个用户的轨迹按照移动行为的动态变化进行划分，将轨迹划分为多个轨迹片段；(2)对轨迹片段集合进行特征抽取，获得用来刻画轨迹片段的特征向量；(3)将所有用户的所有轨迹片段的特征向量进行聚类以将相似行为的轨迹片段组成一个移动行为模式；(4)计算每个轨迹片段和各移动行为模式的相似性，得到移动模式描述向量；(5)根据得到的移动行为模式和移动模式描述向量，计算得到移动行为模式转移图；(6)将得到的数据进行可视化，包括：特征分布图、移动行为图以及移动模式转移图；本发明专利技术方法通过对数据挖掘模型预计算和可视化，可以实时交互式分析人群移动的规律。

【技术实现步骤摘要】
一种人群移动规律的可视化方法
本专利技术涉及数据可视化
，尤其涉及一种人群移动规律的可视化方法。
技术介绍
近年来人类行为定量化分析，特别对行为模式的建模是当前复杂性学科的研究热点。人类行为的理解和探索对城市规划、交通流化和信息推荐等方面有至关重要的作用。城市计算的目标是使城市变得更加适宜居住，生活更加便捷。城市计算作为一个新兴领域，为社会各种复杂现象提供了新的视角。在城市规划、交通优化和流行病等领域中，了解和认识人类移动模式变得越来越重要。了解人们的目的地和出行工具反应了人类行为和周围建筑环境的关系，同时也为城市路线规划、灾害预防等提供了参考依据。由于手机用户的爆发式增长，大量的高精度的手机基站数据使得人类移动行为建模变得更具可靠性，科研人员现在能够以前所未有的角度研究人类移动行为。同时也有越来越多的研究者关注数据驱动人类移动模式的发展。同样也有许多最新工作在研究轨迹数据的可视化分析，但是从城市数据中可视化挖掘移动行为模式仍具有挑战性。先前基于手机数据的工作在探索人类行为和移动模式上有了巨大的进步。研究人员用了多种方法研究人类移动模式，包括统计力学，信息论，移动模型，数据挖掘。这些方法都很有效，但当前的研究都集中于挖掘大规模行动的统计规律，或者分析个体的移动轨迹数据。同时，数据挖掘的方法，如动态贝叶斯网络，结果存在非常多的参数，想要整体了解整个城市的移动规律需要对所有参数都有整体的了解，显然这是十分困难的。可视化是解决此类问题的最有效的工具之一，可视化可以提供一个对整体规律的可视化表示，进而快速地帮助人们理解数据里面包含的有效信息。所以我们需要针对数据挖掘的结果设计一种相适应的可视化方法，对结果进行展示、分析和理解。
技术实现思路
本专利技术提供了一种人群移动规律的可视化方法，通过构造移动行为模式转移图，并将用可视化的方法将转移图中的数据展示出来，为对人群移动规律研究和分析提供有利条件。一种人群移动规律的可视化方法，包括以下步骤：(1)对每个用户的轨迹按照移动行为的动态变化进行划分，将轨迹划分为多个轨迹片段，每一个轨迹片段对应描述一种行为；(2)对步骤(1)中得到的轨迹片段集合进行特征抽取，获得用来刻画轨迹片段的特征向量；(3)将步骤(2)得到的所有用户的所有轨迹片段的特征向量进行聚类以将相似行为的轨迹片段组成一个移动行为模式；(4)计算每个轨迹片段和各移动行为模式的相似性，得到描述轨迹片段属于各个移动行为模式概率的移动模式描述向量；(5)根据步骤(3)和步骤(4)计算得到的移动行为模式和移动模式描述向量，计算得到刻画所有人的移动行为模式及其转移的移动行为模式转移图，图中的结点集合是不同时间点上的移动行为模式，边集合是移动行为模式间转移的概率；(6)将步骤(2)～(5)得到的数据进行可视化，包括：特征分布图：每个轨迹片段得到一个多维特征向量，设有平行坐标轴并显示特征向量的各个维度的值；移动行为图：设置矩阵分布的带有颜色透明度的方块，每一行代表一个移动行为模式，特征向量在多个维度上的平均值可以转化为多个带有颜色透明度的方块；移动模式转移图：将移动行为模式转移图的节点集合转换为等宽的矩形，矩形的高度代表这个时刻属于当前移动行为模式的轨迹片段的数目，即节点权重，同一个时刻上的节点垂直排放为一个堆叠图；移动行为模式转移图的边集合用两个连续时刻间的移动行为模式的转移边由曲线表示，曲线连接了前后两个移动行为模式，曲线的宽度代表转移概率的大小，即边的权重。轨迹片段可以分为停留轨迹片段和移动轨迹片段，为了方便计算，优选的，步骤(1)中，将轨迹划分为多个轨迹片段的具体过程如下：定义用户的轨迹R＝{r1，r2，…，rn}，定义ri＝(xi，yi，ti)是带有时间戳的位置记录；检测R＝{r1，r2，…，rn}中的停留轨迹片段，检测方法如下：从第一个记录点向后扫描，当满足以下条件时一系列轨迹记录点构成停留轨迹片段条件为：给定时间阈值τ和距离阈值δ，第一个记录点的时间到最后一个记录点的时间应当大于第一个记录点到任意一个记录点的距离要小于δ；是最长的序列：除了停留轨迹片段外其余属于移动轨迹片段。为了使本专利技术方法得到的移动行为模式转移图体现出更丰富的人的移动特性，优选的，步骤(2)中，对于每个轨迹片段，提取以下特征中的至少一个，构成至少三维的特征向量；特征1：时间无关熵，描述了在不同地点被观察到的概率，公式如下：其中P(j)是用户出现在地点j的概率，Ij是一个指示函数，当记录点出现在地点j时，否则l是轨迹片段中记录点的总数；特征2：时间相关熵，带有所停留的时间影响的用户出现在不同地点的概率，公式如下：提取了记录点两端轨迹片段的平均时间作为当前记录点的停留时间特征3：中心位置，是轨迹片段的地理中心经纬度坐标，公式如下：特征4：回转半径，描述了用户移动轨迹的范围大小，公式如下：特征5：家庭位置，是一个用户可能的家庭住址，通过用户在0：00am到6：00am的轨迹位置计算得到，公式如下：特征6：活动半径，是用户离家的平均距离，公式如下：其中dis(x，y)是x和y之间的欧式距离；特征7：平均速度，是轨迹片段中用户移动的平均速度；特征8：活动距离，是轨迹片段总体移动距离，公式如下：为了便于计算和提高计算效率，优选的，步骤(3)中，将轨迹片段用移动行为模式描述向量来表达的具体步骤如下：通过对所有用户的所有轨迹片段的特征向量的K-means聚类，得到Km个聚类移动行为模式及他们的聚类中心为了便于计算，提高计算效率和描述的准确性，优选的，步骤(4)中，计算每个轨迹片段和各移动行为模式的相似性，得到描述轨迹片段属于各个移动行为模式概率的移动模式描述向量的具体过程如下：对于每个轨迹片段，计算和Km个移动行为模式的相似性，得到描述轨迹片段属于各个移动行为模式概率的移动模式描述向量其中f(x)是一个高斯权重函数，c是中心，w是高斯核的宽度。为了更好地分析数据，优选的，步骤(5)中：计算得到移动行为模式转移图的具体过程如下：图中的结点集合V是不同时间点上的移动行为模式，通过对轨迹片段的均匀重采样，可以得到在时间点ti上属于第j个移动行为模式的轨迹片段的数目，作为结点的大小：其中，是一个指示函数，当时间点ti在轨迹片段Fk的时间间隔中且轨迹片段Fk属于第j个移动行为模式时，否则利用动态贝叶斯网络对移动行为模式的转移进行建模，通过求解以下方程，得到任意时刻的转移概率，构成图中的边集合E：其中d代表转移矩阵的第d行；转移矩阵中的每一个元素代表结点中轨迹片段转移到结点中轨迹片段的概率；L是总人数，Ll是每个人的轨迹片段数目；λ是控制转移矩阵系数度的参数；是权重系数：其中h是高斯分布的方差。使用动态贝叶斯网络从大规模轨迹数据中挖掘移动行为转移规律，解决了传统方法不能很好地分析大规模轨迹数据的问题。为了丰富本方法的可视化展示内容，更利于用户分析，所述可视化图像模块还包括：地图：轨迹记录点标记为移动点和停留点，连续的移动点构成移动轨迹片段，连续的停留点构成停留轨迹片段，其中移动轨迹片段用曲线表示，停留轨迹片段用点表示。本专利技术方法还提供交互式操作，包括选择和追踪、查询人群、时间刷，可以完成多种分析任务，如探索整体的移动模式规律和分析个人或者一类人的移动行为，优本文档来自技高网...

【技术保护点】
一种人群移动规律的可视化方法，其特征在于，包括以下步骤：(1)对每个用户的轨迹按照移动行为的动态变化进行划分，将轨迹划分为多个轨迹片段，每一个轨迹片段对应描述一种行为；(2)对步骤(1)中得到的轨迹片段集合进行特征抽取，获得用来刻画轨迹片段的特征向量；(3)将步骤(2)得到的所有用户的所有轨迹片段的特征向量进行聚类以将相似行为的轨迹片段组成一个移动行为模式；(4)计算每个轨迹片段和各移动行为模式的相似性，得到描述轨迹片段属于各个移动行为模式概率的移动模式描述向量；(5)根据步骤(3)和步骤(4)计算得到的移动行为模式和移动模式描述向量，计算得到刻画所有人的移动行为模式及其转移的移动行为模式转移图，图中的结点集合是不同时间点上的移动行为模式，边集合是移动行为模式间转移的概率；(6)将步骤(2)～(5)得到的数据进行可视化，包括：特征分布图：每个轨迹片段得到一个多维特征向量，设有平行坐标轴并显示特征向量的各个维度的值；移动行为图：设置矩阵分布的带有颜色透明度的方块，每一行代表一个移动行为模式，特征向量在多个维度上的平均值可以转化为多个带有颜色透明度的方块；移动模式转移图：将移动行为模式转移图的节点集合转换为等宽的矩形，矩形的高度代表这个时刻属于当前移动行为模式的轨迹片段的数目，即节点权重，同一个时刻上的节点垂直排放为一个堆叠图；移动行为模式转移图的边集合用两个连续时刻间的移动行为模式的转移边由曲线表示，曲线连接了前后两个移动行为模式，曲线的宽度代表转移概率的大小，即边的权重。...

【技术特征摘要】
1.一种人群移动规律的可视化方法，其特征在于，包括以下步骤：(1)对每个用户的轨迹按照移动行为的动态变化进行划分，将轨迹划分为多个轨迹片段，每一个轨迹片段对应描述一种行为；(2)对步骤(1)中得到的轨迹片段集合进行特征抽取，获得用来刻画轨迹片段的特征向量；(3)将步骤(2)得到的所有用户的所有轨迹片段的特征向量进行聚类以将相似行为的轨迹片段组成一个移动行为模式；(4)计算每个轨迹片段和各移动行为模式的相似性，得到描述轨迹片段属于各个移动行为模式概率的移动模式描述向量；(5)根据步骤(3)和步骤(4)计算得到的移动行为模式和移动模式描述向量，计算得到刻画所有人的移动行为模式及其转移的移动行为模式转移图，图中的结点集合是不同时间点上的移动行为模式，边集合是移动行为模式间转移的概率；(6)将步骤(2)～(5)得到的数据进行可视化，包括：特征分布图：每个轨迹片段得到一个多维特征向量，设有平行坐标轴并显示特征向量的各个维度的值；移动行为图：设置矩阵分布的带有颜色透明度的方块，每一行代表一个移动行为模式，特征向量在多个维度上的平均值可以转化为多个带有颜色透明度的方块；移动模式转移图：将移动行为模式转移图的节点集合转换为等宽的矩形，矩形的高度代表这个时刻属于当前移动行为模式的轨迹片段的数目，即节点权重，同一个时刻上的节点垂直排放为一个堆叠图；移动行为模式转移图的边集合用两个连续时刻间的移动行为模式的转移边由曲线表示，曲线连接了前后两个移动行为模式，曲线的宽度代表转移概率的大小，即边的权重。2.如权利要求1所述的人群移动规律的可视化方法，其特征在于，步骤(1)中，将轨迹划分为多个轨迹片段的具体过程如下：定义用户的轨迹R＝{r1,r2,...,rn}，定义ri＝(xi,yi,ti)是带有时间戳的位置记录；检测R＝{r1,r2,...,rn}中的停留轨迹片段，检测方法如下：从第一个记录点向后扫描，当满足以下条件时一系列轨迹记录点构成停留轨迹片段条件为：给定时间阈值τ和距离阈值δ，第一个记录点的时间到最后一个记录点的时间应当大于τ：第一个记录点到任意一个记录点的距离要小于δ；是最长的序列：除了停留轨迹片段外其余属于移动轨迹片段。3.如权利要求1所述的人群移动规律的可视化方法，其特征在于，步骤(2)中，对于每个轨迹片段，提取以下特征中的至少一个，构成至少三维的特征向量；特征1：时间无关熵，描述了在不同地点被观察到的概率，公式如下：其中P(j)是用户出现在地点j的概率，Ij是一个指示函数，当记录点出现在地点j时，否则l是轨迹片段中记录点的总数；特征2：时间相关熵，带有所停留的时间影响的用户出现在不同地点的概率，公式如下：提取了记录点两端轨迹片段的平均时间作为当前记录点的停留时间特征3：中心位置，是轨迹片段的地理中心经纬度坐标，公式如下：特征4：回转半径，描述了用户移动轨迹的范围大小，公式如下：特征5：家庭位置，是一个用户可能的家庭住址，通过用户在0:00am到6:00am的轨迹位置计算得到，公式如下：特征6：活动半径，是用户离家的平均距离，公式如下：其中dis(x,y)是x和y之间的欧式距离；特征7：平均速度，是轨迹片段中用户移动的平均速度；特征8：活动距离，是轨迹片段总体移动距离，公式如下：

【专利技术属性】
技术研发人员：陈为，朱闽峰，吴斐然，黄兆嵩，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33