[发明专利]海量行为轨迹数据提取工作方法

说明书

技术领域

本发明涉及智能行驶领域，尤其涉及一种海量行为轨迹数据提取工作方法。

背景技术

由于人口的老龄化逐渐凸显出来，其生活质量和健康状况需要得到社会的关心和照顾，而且行动不便的人员也希望吸收一些新鲜空气和与社会进行交互沟通，但是由于行动不便的原因，而不能够进行外出活动，从而应运而生了医疗运输装备和智能医用设备，例如助力轮椅或者电动轮椅，以及手控平衡车等产品，虽然成品已经市场化。但是由于使用者对电子设备操控理解较慢，而不能够很好的进行人车交互，这就应运而生了自动驾驶轮椅，但是自动驾驶轮椅所产生的问题就是对于使用者行走的路线不能很好提炼，从而节省路径或者提高效率缩短驾驶时间。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种海量行为轨迹数据提取工作方法。

为了实现本发明的上述目的，本发明提供了一种海量行为轨迹数据提取工作方法，包括如下步骤：

将云端数据通过数据抽样方式向用户进行推送，将行进轨迹历史数据中获取的行进轨迹时间数据、时间预测数据、以及出发地点和到达地点的风速数据、气温数据和降水量数据进行提取，

S1，提取每个行进轨迹的时间耗费值

其中，E_γ为行进轨迹的时间强度，η为待定参量，Γ(n)为行进轨迹中第n 条轨迹时间趋势的Γ分布，T(t)为行进轨迹在地理位置信息中时间耗费的纹理， t≥0；

S2，提取每个行进轨迹的时间耗费的预测值

N_j(t)＝2[E_γ(T(t)+T(t+1))-μ_p·T(t)]，

其中，μ_p为地理位置累加参数，T(t+1)为行进轨迹在地理位置信息中下一时间段的时间耗费的纹理，

S3，提取每个行进轨迹的风速判断值

其中，为风速冲击响应分量，为风速动态变化调整分量，为风速变化的干扰分量，为风速动态变化中的随机干扰分量，为风速动态变化的时间节点分量，为t时刻风速动态变化的周期分量，

S4，提取每个行进轨迹的气温的判断值

其中，为气温独立样本均值，I₁(t)和I₂(t)为气温独立样本，为I₁(t) 和I₂(t)气温独立样本的参考系数，I_high为气温最高值样本，I为行进轨迹中气温历史参考值；

S5，提取每个行进轨迹的降水量的判断值

其中，d₁、d₂、d₃、d₄和d₅为行进轨迹中降水量的样本参数，σ为降水量的干扰系数，为降水量动态变化中的高斯分量；

S6，用户对行进轨迹数据进行抽样的代价函数为，

其中，N_i(t)为每个行进轨迹的时间耗费值，N_j(t)为每个行进轨迹的时间耗费的预测值，N_k(t)为每个行进轨迹的风速判断值，N_l(t)为每个行进轨迹的气温判断值，N_m(t)为每个行进轨迹的降水量判断值，M为统计行进轨迹内全部的轨迹数；P为全部行进轨迹信息向量。

S7，通过计算后进行行进轨迹数据展示，在抽样过程中经出行时间的行进轨迹数据，出行地点的行进轨迹数据，以及用户经常抵达的兴趣点行为轨迹数据进行预测，对于历史周期中用户获取的地点的风速数据、气温数据和降水量数据进行比较判断，计算行进轨迹相应的风速数据、气温数据和降水量数据的概率值；

通过对行进轨迹历史数据进行提取之后，能够从海量数据中提取更优的行进轨迹信息。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

通过上述方法实现了用户选择行进轨迹的优化判断，对于历史行进估计时间，降水量，风速以及气温变化等数据作为判断属性，确定行进轨迹时间，降水量，风速以及气温变化属性的总体判断信息，可以有效地提高医疗设备在复杂路况上的安全行驶概率。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明