[发明专利]一种用户出行模式识别的方法

说明书

本发明涉及交通出行信息技术领域，具体为一种用户出行模式识别的方法，包括以下步骤：步骤一、进行城市区域划分，按照预设时间间隔获取终端的MR数据，所述MR数据至少包括采集时刻、IMSI、小区的标识及小区的接收电平值，包括当前小区和邻小区。该用户出行模式识别的方法，通过对几种交通出行模式的时空信息特征进行分析和归纳，对手机定位信息进行采集、分析和时空特征匹配，可以较为准确地识别公交出行、自驾车出行和步行出行三种典型的出行模式，利用Kalman滤波算法得到平滑的出行轨迹，通过提取特征向量对出行模式进行粗识别和细识别，能有效识别步行、自行车、小汽车以及公交出行模式，本发明复杂度低、实时动态性强。

技术领域

本发明涉及交通出行信息技术领域，具体为一种用户出行模式识别的方法。

背景技术

交通监控系统是城市智能交通系统的重要组成部分，智能交通系统的建立需要实时、动态、大范围的提取道路的交通信息，尤其是个体出行轨迹。过去因技术条件的限制，往往采用问卷调查和抽样调查的方式研究居民的起讫点出行特征，无法实时监测城市交通网络的出行结构，特别是客流分配情况。

中国专利公开号CN106323296B公开了识别出行模式的方法及装置，包括在用户的出行路线段上确定至少一个路线区间，确定所至少一个路线区间对应的区间平均速度向量和所至少一个路线区间的加速度向量，以及，确定所述用户在所述出行路线段上的全程平均速度和所述用户在所述出行路线段上的停顿百分比，通过所至少一个区间平均速度向量、所至少一个路线区间的加速度向量、以及所述全程平均速度和所述停顿百分比确定所述用户在所述出行路线段对应的特征向量，通过对用户的出行路线段上划分为至少一个路线区间，通过路线区间内的区间平均速度和路线区间内的加速度对用户的出行属性进行了扩充，由于本公开确定了每一个路线区间中的平均速度以及加速度，因此实现了对出行路线段的精细表示，从而确保识别用户的各种出行方式更加精准，进而对用户的出行方式进行更加细致的划分，可以根据用户的出行方式提供更佳的、更具针对性的服务。

对于交通出行模式的识别方法，存在以下问题：

主要通过神经网络、模糊识别等算法来实现，其算法过于复杂、运算量太大，不易推广，其算法需要大量的训练样本支持，存在复杂度高、运算量大、准确性低等问题，无法满足智慧城市实时监控的要求，以研究性质为主，离实际推广应用还有较长的距离。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种用户出行模式识别的方法，具备复杂度低、实时动态性强等优点，解决了算法过于复杂、运算量太大，无法满足智慧城市实时监控的要求，以研究性质为主，离实际推广应用还有较长的距离的问题。

(二)技术方案

为实现上述目的，本发明提供如下技术方案：一种用户出行模式识别的方法，包括以下步骤：

步骤一、进行城市区域划分，按照预设时间间隔获取终端的MR数据，所述MR数据至少包括采集时刻、IMSI、小区的标识及小区的接收电平值，包括当前小区和邻小区；

步骤二、采集RSSI数据，定位移动目标，通过城市现有的行政和功能区域划分规划区域划分聚类个数和聚类范围，使用K-means算法进行聚类，随机选择聚类中心，针对聚类数据集Ω中的每个站点，取所有n个研究对象站点x作为聚类数据集Ω，Ω＝{x1，x2，x3……xn}；

步骤三、根据手机位置坐标确定出行路径并计算手机定位移动速度，从数据库中查找与MR数据匹配的网格标识，并将网格标识对应网格的位置确定为在所述采集时刻终端的位置；

步骤四、利用K-means算法滤波对出行轨迹进行平滑处理，受遮蔽物、环境变化影响，RSSI信号会出现震荡现象，导致定位点在真实位置附近波动，K-means算法滤波能够很好地收拢定位点摆晃和漂移；