技術(shù)特征：

1.一種人群移動規(guī)律的建模方法，其特征在于，包括以下步驟：

(1)對每個用戶的軌跡按照移動行為的動態(tài)變化進(jìn)行劃分，將軌跡劃分為多個軌跡片段，每一個軌跡片段對應(yīng)描述一種行為；

(2)對步驟(1)中得到的軌跡片段集合進(jìn)行特征抽取，獲得用來刻畫軌跡片段的特征向量；

(3)將步驟(2)得到的所有用戶的所有軌跡片段的特征向量進(jìn)行聚類以將相似行為的軌跡片段組成一個移動行為模式；

(4)計算每個軌跡片段和各移動行為模式的相似性，得到描述軌跡片段屬于各個移動行為模式概率的移動模式描述向量；

(5)根據(jù)步驟(3)和步驟(4)計算得到的移動行為模式和移動模式描述向量，計算得到刻畫所有人的移動行為模式及其轉(zhuǎn)移的移動行為模式轉(zhuǎn)移圖，圖中的結(jié)點集合是不同時間點上的移動行為模式，邊集合是移動行為模式間轉(zhuǎn)移的概率。

2.如權(quán)利要求1所述的人群移動規(guī)律的建模方法，其特征在于，步驟(1)中，將軌跡劃分為多個軌跡片段的具體過程如下：

定義用戶的軌跡R＝{r₁,r₂,...,r_n}，定義r_i＝(x_i,y_i,t_i)是帶有時間戳的位置記錄；

檢測R＝{r₁,r₂,...,r_n}中的停留軌跡片段，檢測方法如下：

從第一個記錄點向后掃描，當(dāng)滿足以下條件時一系列軌跡記錄點構(gòu)成停留軌跡片段條件為：

給定時間閾值τ和距離閾值δ，第一個記錄點的時間到最后一個記錄點的時間應(yīng)當(dāng)大于τ：第一個記錄點到任意一個記錄點的距離要小于δ；是最長的序列：

除了停留軌跡片段外其余屬于移動軌跡片段。

3.如權(quán)利要求1所述的人群移動規(guī)律的建模方法，其特征在于，步驟(2)中，對于每個軌跡片段，提取以下特征中的至少一個，構(gòu)成至少三維的特征向量；

特征1：時間無關(guān)熵，描述了在不同地點被觀察到的概率，公式如下：

$S^{unc}=-{\mathrm{\Σ}}_{j=1}^{N}P\left(j\right){\log }_{2}P\left(j\right),P\left(j\right)\∝{\mathrm{\Σ}}_k^l{I}_j\left(r_{i_k}\right);$

其中P(j)是用戶出現(xiàn)在地點j的概率，I_j是一個指示函數(shù)，當(dāng)記錄點出現(xiàn)在地點j時，否則l是軌跡片段中記錄點的總數(shù)；

特征2：時間相關(guān)熵，帶有所停留的時間影響的用戶出現(xiàn)在不同地點的概率，公式如下：

$S^{tc}=-{\mathrm{\Σ}}_{j=1}^{N}P\left(j\right){\log }_{2}P\left(j\right),P\left(j\right)\∝{\mathrm{\Σ}}_k^l{I}_j\left(r_{i_k}\right)\left(t_{i_{k+1}}-t_{i_{k-1}}\right)/2;$

提取了記錄點兩端軌跡片段的平均時間作為當(dāng)前記錄點的停留時間

特征3：中心位置，是軌跡片段的地理中心經(jīng)緯度坐標(biāo)，公式如下：

$CL=\frac{1}{l}\underset{j=1}{\overset{l}{\Σ}}{r}_{i_j}$

特征4：回轉(zhuǎn)半徑，描述了用戶移動軌跡的范圍大小，公式如下：

$r_g=\sqrt{\frac{1}{l}\underset{j=1}{\overset{l}{\Σ}}\left|\right|r_{i_j}-CL|{|}_2}$

特征5：家庭位置，是一個用戶可能的家庭住址，通過用戶在0:00am到6:00am的軌跡位置計算得到，公式如下：

$RL=\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{r}_{i_j}P\left(j\right),P\left(j\right)\∝t_{j+1}-t_{j-1}$

特征6：活動半徑，是用戶離家的平均距離，公式如下：

$r_a=\frac{1}{l}\underset{j=1}{\overset{l}{\Σ}}dis(r_{i_j},RL)$

其中dis(x,y)是x和y之間的歐式距離；

特征7：平均速度，是軌跡片段中用戶移動的平均速度；

特征8：活動距離，是軌跡片段總體移動距離，公式如下：

$m_a={\mathrm{\Σ}}_{j=1}^{l-1}dis\left(r_{i_j},r_{i_{j+1}}\right).$

4.如權(quán)利要求1所述的人群移動規(guī)律的建模方法，其特征在于，步驟(3)中，將軌跡片段用移動行為模式描述向量來表達(dá)的具體步驟如下：

通過對所有用戶的所有軌跡片段的特征向量的K-means聚類，得到K_m個聚類移動行為模式及他們的聚類中心

5.如權(quán)利要求4所述的人群移動規(guī)律的建模方法，其特征在于，步驟(4)中，計算每個軌跡片段和各移動行為模式的相似性，得到描述軌跡片段屬于各個移動行為模式概率的移動模式描述向量的具體過程如下：

對于每個軌跡片段，計算和K_m個移動行為模式的相似性，得到描述軌跡片段屬于各個移動行為模式概率的移動模式描述向量其中f(x)是一個高斯權(quán)重函數(shù)，c是中心，w是高斯核的寬度。

6.如權(quán)利要求5所述的人群移動規(guī)律的建模方法，其特征在于，步驟(5)中：計算得到移動行為模式轉(zhuǎn)移圖的具體過程如下：

圖中的結(jié)點集合V是不同時間點上的移動行為模式，通過對軌跡片段的均勻重采樣，可以得到在時間點t_i上屬于第j個移動行為模式的軌跡片段的數(shù)目，作為結(jié)點的大?。?/p>

$size\left(V_j^{t_i}\right)=\underset{k}{\Σ}{I}_{V_j^{t_i}}\left(F_k\right)$

其中，是一個指示函數(shù)，當(dāng)時間點t_i在軌跡片段F_k的時間間隔中且軌跡片段F_k屬于第j個移動行為模式時，否則

利用動態(tài)貝葉斯網(wǎng)絡(luò)對移動行為模式的轉(zhuǎn)移進(jìn)行建模，通過求解以下方程，得到任意時刻的轉(zhuǎn)移概率，構(gòu)成圖中的邊集合E:

${\hat{A}}_d^t=\arg \min \left\{\underset{l=1}{\overset{L}{\mathrm{\Σ}}}\underset{i=1}{\overset{L^l-1}{\mathrm{\Σ}}}{w}_l^t\left(i\right)\left(m_{i+1,d}^l-A_d^t{m}_i^l\right)+\mathrm{\λ}\left|\right|A_d^t|{|}_1\right\},$

其中d代表轉(zhuǎn)移矩陣的第d行；

轉(zhuǎn)移矩陣中的每一個元素代表結(jié)點中軌跡片段轉(zhuǎn)移到結(jié)點中軌跡片段的概率；

L是總?cè)藬?shù)，L¹是每個人的軌跡片段數(shù)目；

λ是控制轉(zhuǎn)移矩陣系數(shù)度的參數(shù)；

是權(quán)重系數(shù)：

$w_l^t\left(i\right)=\frac{p_h(t-t_i^l)}{{\mathrm{\Σ}}_{l=1}^L{\mathrm{\Σ}}_{i=1}^{L^l-1}{p}_h(t-t_i^l)},p_h\left(\mathrm{\μ}\right)=\frac{1}{\sqrt{2\mathrm{\π}h}}\exp \left\{\frac{-{\mathrm{\μ}}^2}{2h^2}\right\}$

其中h是高斯分布的方差。