一种基于稀疏轨迹数据的人群移动流绘制方法技术

本发明专利技术提出一种基于稀疏轨迹数据的人群移动流绘制方法，包括，步骤1，使用移动提取方法提取稀疏轨迹，按时间排序，连接轨迹序列当前位置前后的记录，每两条相邻记录作为一组，每组以前面记录的空间坐标为起点，后面记录的空间坐标为终点，得到一个局部的移动向量；步骤2，对步骤1的移动向量进行时空划分；步骤3，对步骤2的移动向量，先使用核密度估计方法进行平滑处理，然后进行聚合，得到局部空间内移动向量聚类；步骤4，对步骤2中的移动向量进行处理；步骤5，从步骤3中的所述移动向量聚类得到显著的全局移动流；步骤6，对于步骤5中的全局移动流进行循环展示，展示步骤4中得到的异常值和人群分布属性。

A rendering method of crowd movement flow based on sparse trajectory data

The invention proposes a drawing method of crowd movement flow based on sparse track data, which includes: Step 1: extract sparse track by using movement extraction method, sort by time, connect the records before and after the current position of track sequence, take each two adjacent records as a group, each group starts from the space coordinate recorded in the front and ends at the space coordinate recorded in the back to get a local In step 2, the moving vector in step 1 is spatiotemporal divided; in step 3, the moving vector in step 2 is smoothed by kernel density estimation method, and then aggregated to get the moving vector clustering in local space; in step 4, the moving vector in step 2 is processed; in step 5, the moving vector clustering in step 3 is significantly complete Local mobile flow; in step 6, the global mobile flow in step 5 is cyclically displayed to show the abnormal values and crowd distribution attributes in step 4.

【技术实现步骤摘要】
一种基于稀疏轨迹数据的人群移动流绘制方法
本专利技术涉及一种人群移动流绘制方法，尤其涉及一种基于稀疏轨迹数据的人群移动流绘制方法。
技术介绍
近年来，随着GPS(GlobalPositioningSystem)定位技术、传感器等传感技术、社交媒体的不断发展，城市中产生了大量携带地理位置信息的数据，这使得人群移动的展示和映射成为近期研究热点并得到广泛应用。城市中人群移动的研究具有重要的实际意义及应用价值，例如对交通优化、城市规划、安全管理等工作提供支持，对商业选址等决策任务提供基于数据的参考信息。已有的研究方法大多针对于采样间隔比较小的稠密轨迹或者拥有确定OD信息的数据，而不支持时间间隔较大、采样时间不固定的数据，这类数据也没有固定的OD信息，我们称之为稀疏轨迹。已有的研究中，存在着一些为稀疏轨迹可视化设计的技术。例如有研究学者针对城市中的稀疏轨迹提出了一种基于点的拥挤状态的可视化方法，用于显示交通量较大的所有交通单元的拥挤状态，该方法着重于城市交通拥挤情况的研究。该方法主要研究交通单元处的交通拥挤情况，而忽略了城市中移动的整体概况；并且可视化的结果与本身存在的交通单元的数量相关，若交通单元数量较多，则容易造成遮挡和杂乱，若交通单元数量较少，则会影响对于城市中交通拥挤情况的观测与分析。
技术实现思路
本专利技术提出一种基于稀疏轨迹数据的人群移动流绘制方法对稀疏轨迹进行可视化，进一步展示城市中人群移动的概况和规律，以实现对稀疏轨迹的可视分析，为城市分析相关用户提供可视化工具和分析手段。本专利技术包括以下步骤：一种基于稀疏轨迹数据的人群移动流绘制方法，其特征在于，步骤1，使用移动提取方法提取稀疏轨迹，对提取的移动记录按时间排序，连接轨迹序列当前位置前后的记录，每两条相邻记录作为一组，每组记录中以前面记录的空间坐标为起点，后面记录的空间坐标为终点，得到一个局部的移动向量；步骤2，对步骤1中得到的移动向量进行时空划分，在时间上，将移动向量划分至一个小时或多个小时的时间段，在空间上，将移动向量划分至500m*500m的网格之中；步骤3，对步骤2中所述时空划分后的移动向量，先使用核密度估计方法进行平滑处理，然后进行聚合，得到局部空间内移动向量聚类；步骤4，对步骤2中所述时空划分后的移动向量进行处理，在空间上，使用双向方差衡量空间单元内移动向量方向的分布特征，在时间上，采用计算极值的方法计算空间单元内的异常值；步骤5，使用确定性纤维束跟踪方式从步骤3中的所述移动向量聚类得到显著的全局移动流；步骤6，对于步骤5中的全局移动流进行循环展示，并使用热力图的方法展示步骤4中得到的异常值和人群分布属性。附图说明图1为本专利技术的整体流程图；图2是移动流生成方法的流程图具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。此外，下面所描述的本专利技术各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。本专利技术提出一种基于稀疏轨迹数据的人群移动流绘制方法对稀疏轨迹进行可视化，进一步展示城市中人群移动的概况和规律，以实现对稀疏轨迹的可视分析，为城市分析相关用户提供可视化工具和分析手段。包括以下步骤，步骤1，使用移动提取方法提取稀疏轨迹，对提取的移动记录按时间排序，连接轨迹序列当前位置前后的记录，每两条相邻记录作为一组，每组记录中以前面记录的空间坐标为起点，后面记录的空间坐标为终点，得到一个局部的移动向量；步骤2，对步骤1中得到的移动向量进行时空划分，在时间上，将移动向量划分至一个小时或多个小时的时间段，在空间上，将移动向量划分至500m*500m的网格之中；步骤3，对步骤2中所述时空划分后的移动向量，先使用核密度估计方法进行平滑处理，然后进行聚合，得到局部空间内移动向量聚类；步骤4，对步骤2中所述时空划分后的移动向量进行处理，在空间上，使用双向方差衡量空间单元内移动向量方向的分布特征，在时间上，采用计算极值的方法计算空间单元内的异常值；步骤5，使用确定性纤维束跟踪方式从步骤3中的所述移动向量聚类得到显著的全局移动流；步骤6，对于步骤5中的全局移动流进行循环展示，并使用热力图的方法展示步骤4中得到的异常值和人群分布属性。所述步骤1中的针对于稀疏轨迹的移动提取算法，实现如下：步骤1-1，将单个设备的轨迹(设备id相同)按照时间戳进行排序，若相邻记录间的时间差大于ΔT，则在此处进行分割(例如，对记录序列r1r2r3r4,如果t3-t2>ΔT,则该序列分割为r1r2和r3r4)，得到多个密集测量的子轨迹；步骤1-2，对于每个子轨迹的片段，若其所有记录间的距离差(用相邻记录空间坐标计算距离)都小于ΔS/3，并且这段记录的时间跨越度(该片段首记录和尾记录的时间差)不超过ΔT，则该片段为静止的片段(由静止的记录组成)；步骤1-3，对于步骤1-2中剩下的记录(不属于任一静止片段)，若记录前后存在两个与该记录距离大于ΔS的记录，并且这两个记录的时间差小于ΔT，那么该记录为移动的记录。所述步骤3中的核密度估计平滑方法，实现如下：采用具有带宽参数的高斯核密度估计，网格中的每个向量被复制到周围的网格中，根据高斯核函数，权重随着距离衰减。最后，每个网格的局部移动向量可以通过公式(1)来计算其中v0(xj)∈V0(xj),V0(xj)是网格j初始移动向量的集合,{v0(xj)，w}是加权向量，V(xi)是使用KDE之后的向量集合。网格i会被其周围R范围之内的网格受到影响，其中h是KDE的带宽，它控制着向量平滑的程度。所述步骤3中的聚合方法，方法名称为一维DBSCAN算法，具体实现如下：将基于DBSCAN应用于向量与其周围圆的交叉点上，交叉点可进一步转化为[0°,360°)中的一个角度值，每个移动向量被表示为[0°,360°)中的一个点。为了保证在0°和360°附近向量被聚为一类，将[0°,360°)上所有的点都复制在[360°,720°)的扩展轴中。一维DBSCAN算法以初始窗口[180°,181°)开始，只有当前窗口中的点密度超过邻域距离阈值∈(DBSCAN算法中的密度条件)，窗口才会在两个方向上沿轴线扩展。当窗口不能再扩展时，如果点的数量超过邻中样本个数阈值MinPts(DBSCAN中每一个聚类中最少的样本数)，则窗口中的所有点成为一类。然后，将这些点以及它们扩展轴上复制的点从轴上移除。下一个窗口从前一个窗口的右边框开始，检测剩余的向量方向，直到找不到新的类为止。每个检测到的类对应一个局部移动流，将其表示为f＝{v,w}，流的方向(v∈[0°,360°))为该类中所有向量方向的加权平均值，w为该类中移动向量的数量。一维DBSCAN算法的复杂度为O(n)，避免了网格数量较多、移动向量较多造成极长的计算时间。所述步骤4中的双向方差计算方法，具体实现如下：步骤4-1，将一个包含k个移动向量聚类的空间网格中的向量表示为：V＝∪i＝{1，...，k}{vi，wi}(2)步骤4-2，计算空间单元内移动向量方向的平均值μ：步骤4-3，随后，通过此均值以及该均值在圆内旋转180后得到的值，将该圆分为两个半圆，这两个值为b1和b2：b1本文档来自技高网...

【技术保护点】
1.一种基于稀疏轨迹数据的人群移动流绘制方法，其特征在于，包括以下步骤：步骤1，使用移动提取方法提取稀疏轨迹，对提取的移动记录按时间排序，连接轨迹序列当前位置前后的记录，每两条相邻记录作为一组，每组记录中以前面记录的空间坐标为起点，后面记录的空间坐标为终点，得到一个局部的移动向量；步骤2，对步骤1中得到的移动向量进行时空划分，在时间上，将移动向量划分至一个小时或多个小时的时间段，在空间上，将移动向量划分至500m*500m的网格之中；步骤3，对步骤2中所述时空划分后的移动向量，先使用核密度估计方法进行平滑处理，然后进行聚合，得到局部空间内移动向量聚类；步骤4，对步骤2中所述时空划分后的移动向量进行处理，在空间上，使用双向方差衡量空间单元内移动向量方向的分布特征，在时间上，采用计算极值的方法计算空间单元内的异常值；步骤5，使用确定性纤维束跟踪方式从步骤3中的所述移动向量聚类得到显著的全局移动流；步骤6，对于步骤5中的全局移动流进行循环展示，并使用热力图的方法展示步骤4中得到的异常值和人群分布属性。

【技术特征摘要】
1.一种基于稀疏轨迹数据的人群移动流绘制方法，其特征在于，包括以下步骤：步骤1，使用移动提取方法提取稀疏轨迹，对提取的移动记录按时间排序，连接轨迹序列当前位置前后的记录，每两条相邻记录作为一组，每组记录中以前面记录的空间坐标为起点，后面记录的空间坐标为终点，得到一个局部的移动向量；步骤2，对步骤1中得到的移动向量进行时空划分，在时间上，将移动向量划分至一个小时或多个小时的时间段，在空间上，将移动向量划分至500m*500m的网格之中；步骤3，对步骤2中所述时空划分后的移动向量，先使用核密度估计方法进行平滑处理，然后进行聚合，得到局部空间内移动向量聚类；步骤4，对步骤2中所述时空划分后的移动向量进行处理，在空间上，使用双向方差衡量空间单元内移动向量方向的分布特征，在时间上，采用计算极值的方法计算空间单元内的异常值；步骤5，使用确定性纤维束跟踪方式从步骤3中的所述移动向量聚类得到显著的全局移动流；步骤6，对于步骤5中的全局移动流进行循环展示，并使用热力图的方法展示步骤4中得到的异常值和人群分布属性。2.如权利要求1所述的方法，其特征在于，所述步骤1中的使用移动提取方法提取稀疏轨迹，实现如下：步骤1-1，将id相同设备的轨迹按照时间戳进行排序，若相邻记录间的时间差大于ΔT，则在此处进行分割，得到多个密集测量的子轨迹；步骤1-2，对于每个子轨迹的片段，若其所有记录间的距离差(用相邻记录空间坐标计算距离)都小于ΔS/3，并且这段记录的时间跨越度不超过ΔT，则该片段由静止的记录组成，所述事件跨越度为该片段首记录和尾记录的时间差，所述ΔT和ΔS为正数；步骤1-3，对于步骤1-2中不属于任一静止片段，若记录前后存在两个与该记录距离大于ΔS的记录，并且这两个记录的时间差小于ΔT，那么该记录为移动的记录。3.如权利要求1所述的方法，其特征在于，所述步骤3中的核密度估计方法具体实现如下：采用具有带宽参数的高斯核密度估计，网格中的每个向量被复制到周围的网格中，根据高斯核函数，权重随着距离衰减，最后，每个网格的局部移动向量可以通过公式(1)来计算其中v0(xj)∈V0(xj)，V0(xj)是网格j初始移动向量的集合，V(xi)是使用核密度估计之后的向量集合，xi、xj为网格i、j移动向量集合，R为正数表示范围距离，其中h是核密度估计的带宽。4.如权利要求3所述的方法，其特征在于，所述步骤4中的双向方差计算方...

【专利技术属性】
技术研发人员：时磊，黄聪聪，谭志浩，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京,11