[发明专利]利用云端数据进行行为轨迹筛选以及提取特征数据的工作方法

摘要

本发明提出了一种利用云端数据进行行为轨迹筛选以及提取特征数据的工作方法，包括获取用户行为轨迹需求信息，根据云端数据所提供的行为轨迹信息，确定最优的用户行为轨迹路线。

主权项

一种利用云端数据进行行为轨迹筛选以及提取特征数据的工作方法，其特征在于，包括：获取用户行为轨迹需求信息，根据云端数据所提供的行为轨迹信息，确定最优的用户行为轨迹路线。S1，对于云端海量数据进行初步筛选，根据用户导航信息确定该用户所处的地理位置，在该地理位置从海量数据中获取与地理位置数据类似的行进轨迹数据；S2，对于行进轨迹数据通过如下公式进行筛选，根据所确定的地理位置信息采用均方误差乘积算法，K(p)＝R(|r(p)2|)·n(p)·[|r(p)2|/q(p)]·[|r(p)2|·u(p)]其中，r(p)2为行进轨迹数据的强度，p为地理位置信息，n(p)为位置p处形成轨迹前的强度，q(p)为位置p处形成轨迹后的强度，u(p)为位置p处形成前后总体轨迹的强度，R(|r(p)2|)为地理位置轨迹场景模型；S3，通过乘积算法运算之后，进行收敛数据筛选，从行进轨迹数据中通过概率密度运算进行筛选，M(μp)=μpt+1Tsit+1+Lsit+c1x1pgiμpt+c2x2usiμptexp(Tsiμp)]]>其中，μp为地理位置累加参数，Tsi为第s个行进轨迹的第i个时间分量，为第s个行进轨迹的第i个兴趣点分量，c1和c2为兴趣因子，x1和x2为地理位置坐标的随机数，pgi为全部行进轨迹中第i个轨迹分量，usi为第s个行进轨迹的第i个地点分量，t≥0。S4，提取每个行进轨迹的时间耗费值Ni(t)=Eγ4(ηn)Γ(n)+Eγcos(η(t+1))+T(t)]]>其中，Eγ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；S5，提取每个行进轨迹的时间耗费的预测值Nj(t)＝2[Eγ(T(t)+T(t+1))‑μp·T(t)]，其中，μp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，S6，提取每个行进轨迹的风速判断值Nk(t)=Ck1+Ck2+tCk3e-t2(Ck3)2+Ck4·Eγcos(Ck4(t)),]]>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，S7，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，Ihigh为气温最高值样本，I为行进轨迹中气温历史参考值；S8，提取每个行进轨迹的降水量的判断值Nm(t)=d1e[-(t-d2)2d32]+d4σ(t-d5),]]>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，S9，用户对行进轨迹数据进行抽样的代价函数计算为，F(p)=[Σt=1M(Ni(t)+Nj(t)+Nk(t)+Nl(t)+Nm(t))2-P]2]]>其中，Ni(t)为每个行进轨迹的时间耗费值，Nj(t)为每个行进轨迹的时间耗费的预测值，Nk(t)为每个行进轨迹的风速判断值，Nl(t)为每个行进轨迹的气温判断值，Nm(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。S10，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。