基于POI和多源移动数据集的人群出行模式可视分析方法技术

本发明专利技术公开了基于POI和多源移动数据集的人群出行模式可视分析方法，属于信息技术领域。包括1：获取出租车数据集、公共自行车数据集，POI数据集，并对数据进行预处理；2：划分时间段，将城市分割为区域，根据时间和区域划分结果，对数据进行聚合；3：对于出租车和公共自行车数据分别构建三维张量；4：采用非负张量分解方法分解三维张量，自动计算得到潜在的出行特征；5：基于张量分解结果，设计全局视图，包括时间图和热力图；6：设计区域视图，包含POI‑mobility图、流量图和区域POI分布图；7：设计位置视图，包括位置POI占比图和位置POI分布图。通过本发明专利技术了解土地使用用途、掌握城市活动规律，有助于城市规划。

Visual Analysis Method of Crowd Travel Patterns Based on POI and Multi-source Mobile Data Sets

【技术实现步骤摘要】
基于POI和多源移动数据集的人群出行模式可视分析方法
本专利技术属于信息
，具体涉及基于POI和多源移动数据集的人群出行模式可视分析方法。
技术介绍
理解人群出行模式对于城市规划者和决策者都十分重要。随着信息技术的发展，大规模和高质量的个人移动数据集可以通过各种途径获得。这些数据集包含了一段时间内人们访问的地点和时间，反映了人们日常的出行行为。此外，一个区域的土地使用类型同样对分析人群出行规律具有重要影响。人们通常前往不同的地方完成不同的活动，如前往学校学习、前往商场购物等。一个区域的POI(Point-of-interest)信息反映了区域潜在的功能。基于位置的社交网络，如Foursquare，提供了大量与POI相关的签到数据，能从中分析城市土地的使用类型。现有方法仅利用某一类移动数据集来挖掘人群出行模式，如出租车数据集、公共自行车数据集、公交车数据集等，无法比较人们采用不同交通工具出行的特征差异。而现实中，为了达到不同的出行目的，人们通常使用不同的交通工具前往不同的地方。隐藏在多源移动数据集中的信息为挖掘人类移动模式提供了前所未有的洞察力。现有方法无法综合使用多源移动数据集和POI信息来分析人群出行模式。如何综合利用多个数据集来感知人们真实的出行状态，发现隐含在不同数据集中的重要模式存在挑战：1)不同的移动数据集具有不同的形式，如何从不同的移动数据集中提取统一的特征来描述潜在的出行模式。2)移动数据集和POI数据集是异构的，如何以一种直观的方式展示人群出行和POI分布之间的关系，辅助分析人员进行规律分析。
技术实现思路
针对现有技术中存在的技术问题，本专利技术提供了一种基于POI和多源移动数据集的人群出行模式可视分析方法。本专利技术不仅能够自动地从多源移动数据集中计算统一的出行特征，而且能够辅助分析者渐进式、交互式地理解人群出行模式。其中多源移动数据集包括出租车数据集和公共自行车数据集。分析者可以通过与丰富的可视化组件进行交互，找到人们采用不同交通工具出行的特征差异，分析真实的城市土地混合功能，有助于相关人员更好地进行交通管理和城市规划，促进智慧城市的构建。基于POI和多源移动数据集的人群出行模式可视分析方法，包括以下步骤：步骤1：获取出租车数据集、公共自行车数据集，POI数据集，并对数据进行预处理；步骤2：划分时间段，将城市分割为区域，根据时间和区域划分结果，对数据进行聚合；步骤3：对于出租车和公共自行车数据分别构建三维张量；步骤4：采用非负张量分解方法分解三维张量，自动计算得到潜在的出行特征；步骤5：基于张量分解结果，设计全局视图，包括时间图和热力图，展示每个移动数据集的时间和空间特征；步骤6：设计区域视图，包含POI-mobility图、流量图和区域POI分布图，可视化热力图中某个选定区域的多源出行模式和POI信息间的关联性；步骤7：设计位置视图，包括位置POI占比图和位置POI分布图，直观展示每个位置周围的POI信息。进一步的，所述的步骤1具体步骤如下：步骤1.1：获取出租车数据集，将它们存储在数据库中。一条出租车轨迹记录TRTAXI表示如下：TRTAXI＝(pLong,pLat,pTime,dLong,dLat,dTime)其中pLong和pLat为上车地点的经度和纬度，dLong和dLat为下车地点的经度和纬度，pTime和dTime为上车时间和下车时间；步骤1.2：获取公共自行车数据集，包括轨迹记录和站点记录，将它们存储在数据库中，一条自行车轨迹记录TRPBS表示如下：TRPBS＝(leaseStation,leaseTime,returnStation,returnTime)其中leaseStation和returnStation表示借车站点和还车站点，leaseTime和returnTime表示借车时间和还车时间；站点记录stationRec包含了站点相关的信息，表示如下：stationRec＝[stationID,stationName,stationLong,stationLat]其中stationID为站点ID，stationName为站点名称，stationLong和stationLat为站点的经度和纬度；步骤1.3：以统一的形式表示出租车数据集和公共自行车数据集。采用TRAbs＝(DLoc,Ddate,Dhour,ALoc,Adate,Ahour)表示抽象后的移动数据集，其中DLoc和ALoc表示出发和到达的位置，Ddate和Adate表示出发和到达的日期，Dhour和Ahour表示出发和到达的小时；对于公共自行车数据来说，DLoc为借车站点(leaseStation)的经纬度，ALoc为还车站点(returnStation)的经纬度，Ddate/Adate为借车日期/还车日期，Dhour/Ahour为借车小时/还车小时，它们可以从leaseTime、returnTime中提取得到，对于出租车数据来说，DLoc为上车地点的经纬度，即(pLong,pLat)，ALoc为下车地点的经纬度，即(dLong,dLat)，Ddate/Adate为上车日期/下车日期，Dhour/Ahour为上车小时/下车小时，它们可以从pTime、dTime中提取得到；步骤1.4：获取基于Foursquare的POI数据集，将它们存储在数据库中，每一条签到记录checkinRec表示如下：checkinRec＝[venueID,locName,locLong,locLat,checkinTime]其中venueID表示签到地点所属的POI类别，locName表示签到地点的名称，locLong和locLat表示签到地点的经纬度，checkinTime为签到时间，一共包含9种POI类别，包括：Shop&Service，Outdoors&Recreation，Arts&Entertainment，College&University，Professional&OtherPlaces，NightlifeSpot，Travel&Transport，Residence，Event。进一步的，所述的步骤2具体步骤如下：步骤2.1：对分析的时间段按小时划分；步骤2.2：根据城市道路路网，将城市空间划分为N个区域；步骤2.3：为了挖掘人群出行周期性的规律，以周为单位对TRAbs进行聚合；时间长度T定义为T＝{t1,t2,...,tN},N＝168，表示一周中的168个小时(从周一到周日)，将所有TRAbs记录投影到一周内，获得TRSum；TRSum＝(hour,DLoc,ALoc,num)，表示在一周中的第[hour,hour+1]个小时内共有num人从DLoc出发到达ALoc，hour＝0,...,167；步骤2.4根据区域划分结果，将每条checkinRec根据签到地点划分到相关区域，计算每个区域中每种POI类别的占比：其中pij表示第i个区域中第j种POI类别所占的比例，checkinsij表示在区域i中第j种POI类别的签到总数，cn表示POI类别数，由于共有9个POI类别，因此cn＝9。进一步的，所述的步骤3的具体方法如下：对出租车数据和公共自行车数据分本文档来自技高网...

【技术保护点】
1.基于POI和多源移动数据集的人群出行模式可视分析方法，其特征在于包括以下步骤：步骤1：获取出租车数据集、公共自行车数据集，POI数据集，并对数据进行预处理；步骤2：划分时间段，将城市分割为区域，根据时间和区域划分结果，对数据进行聚合；步骤3：对于出租车和公共自行车数据分别构建三维张量；步骤4：采用非负张量分解方法分解三维张量，自动计算得到潜在的出行特征；步骤5：基于张量分解结果，设计全局视图，包括时间图和热力图，展示每个移动数据集的时间和空间特征；步骤6：设计区域视图，包含POI‑mobility图、流量图和区域POI分布图，可视化热力图中某个选定区域的多源出行模式和POI信息间的关联性；步骤7：设计位置视图，包括位置POI占比图和位置POI分布图，直观展示每个位置周围的POI信息。

【技术特征摘要】
1.基于POI和多源移动数据集的人群出行模式可视分析方法，其特征在于包括以下步骤：步骤1：获取出租车数据集、公共自行车数据集，POI数据集，并对数据进行预处理；步骤2：划分时间段，将城市分割为区域，根据时间和区域划分结果，对数据进行聚合；步骤3：对于出租车和公共自行车数据分别构建三维张量；步骤4：采用非负张量分解方法分解三维张量，自动计算得到潜在的出行特征；步骤5：基于张量分解结果，设计全局视图，包括时间图和热力图，展示每个移动数据集的时间和空间特征；步骤6：设计区域视图，包含POI-mobility图、流量图和区域POI分布图，可视化热力图中某个选定区域的多源出行模式和POI信息间的关联性；步骤7：设计位置视图，包括位置POI占比图和位置POI分布图，直观展示每个位置周围的POI信息。2.根据权利要求1所述的基于POI和多源移动数据集的人群出行模式可视分析方法，其特征在于所述的步骤1具体步骤如下：步骤1.1：获取出租车数据集，将它们存储在数据库中，一条出租车轨迹记录TRTAXI表示如下：TRTAXI＝(pLong,pLat,pTime,dLong,dLat,dTime)其中pLong和pLat为上车地点的经度和纬度，dLong和dLat为下车地点的经度和纬度，pTime和dTime为上车时间和下车时间；步骤1.2：获取公共自行车数据集，包括轨迹记录和站点记录，将它们存储在数据库中，一条自行车轨迹记录TRPBS表示如下：TRPBS＝(leaseStation,leaseTime,returnStation,returnTime)其中leaseStation和returnStation表示借车站点和还车站点，leaseTime和returnTime表示借车时间和还车时间；站点记录stationRec包含了站点相关的信息，表示如下：stationRec＝[stationID,stationName,stationLong,stationLat]其中stationID为站点ID，stationName为站点名称，stationLong和stationLat为站点的经度和纬度；步骤1.3：以统一的形式表示出租车数据集和公共自行车数据集，采用TRAbs＝(DLoc,Ddate,Dhour,ALoc,Adate,Ahour)表示抽象后的移动数据集，其中DLoc和ALoc表示出发和到达的位置，Ddate和Adate表示出发和到达的日期，Dhour和Ahour表示出发和到达的小时；对于公共自行车数据来说，DLoc为借车站点(leaseStation)的经纬度，ALoc为还车站点(returnStation)的经纬度，Ddate/Adate为借车日期/还车日期，Dhour/Ahour为借车小时/还车小时，它们从leaseTime、returnTime中提取得到，对于出租车数据来说，DLoc为上车地点的经纬度，即(pLong,pLat)，ALoc为下车地点的经纬度，即(dLong,dLat)，Ddate/Adate为上车日期/下车日期，Dhour/Ahour为上车小时/下车小时，它们从pTime、dTime中提取得到；步骤1.4：获取基于Foursquare的POI数据集，将它们存储在数据库中，每一条签到记录checkinRec表示如下：checkinRec＝[venueID,locName,locLong,locLat,checkinTime]其中venueID表示签到地点所属的POI类别，locName表示签到地点的名称，locLong和locLat表示签到地点的经纬度，checkinTime为签到时间，一共包含9种POI类别，包括：Shop&Service，Outdoors&Recreation，Arts&Entertainment，College&University，Professional&OtherPlaces，NightlifeSpot，Travel&Transport，Residence，Event。3.根据权利要求1所述的基于POI和多源移动数据集的人群出行模式可视分析方法，其特征在于所述的步骤2具体步骤如下：步骤2.1：对分析的时间段按小时划分；步骤2.2：根据城市道路路网，将城市空间划分为N个区域；步骤2.3：为了挖掘人群出行周期性的规律，以周为单位对TRAbs进行聚合；时间长度T定义为T＝{t1,t2,...,tN},N＝168，表示一周中的168个小时(从周一到周日)，将所有TRAbs记录投影到一周内，获得TRSum；TRSum＝(hour,DLoc,ALoc,num)，表示在一周中的第[hour,hour+1]个小时内共有num人从DLoc出发到达ALoc，hour＝0,...,167；步骤2.4根据区域划分结果，将每条checkinRec根据签到地点划分到相关区域，计算每个区域中每种POI类别的占比：其中pij表示第i个区域中第j种POI类别所占的比例，checkinsij表示在区域i中第j种POI类别的签到总数，cn表示POI类别数，由于共有9个POI类别，因此cn＝9。4.根据权利要求1所述的基于POI和多源移动数据集的人群出行模式可视分析方法，其特征在于所述的步骤3的具体方法如下：对出租车数据和公共自行车数据分别构建三维张量，用表示，表示中所有的元素都是非负值，的三个维度分别代表N个区域，F个特征和T个时间间...

【专利技术属性】
技术研发人员：僧德文，吕凡顺，史晓颖，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江,33