[发明专利]用于挖掘个体活动模式的设备和方法

权利要求书

1.一种用于挖掘个体活动模式的设备，包括：

计算单元，被配置为根据个体的历史位置数据来计算个体的停留点，形成包含停留时间的停留点序列；

划分单元，被配置为根据个体活动的主题将停留点序列划分为相应的停留点序列片段；以及

聚类单元，被配置为对划分后的停留点序列片段进行聚类，以获得个体活动模式；

其中，所述划分单元被配置为：

对每个停留点的主题分布和边界划分值进行初始化；以及

迭代地调整每个停留点的主题分布和边界划分值，直到每个停留点的主题分布和所有的边界划分值变得稳定。

2.根据权利要求1所述的设备，其中，所述计算单元被配置为：

对个体的历史位置数据进行聚类；

计算个体在与特定类别相对应的区域中的停留时间；以及

如果所述停留时间大于指定阈值，判断与所述特定类别相对应的区域是停留点。

3.根据权利要求1所述的设备，其中，所述聚类单元被配置为：

将每一个停留点序列片段用向量来表示，并且对所有的向量进行聚类，以获得个体活动模式。

4.根据权利要求2所述的设备，其中，所述计算单元被配置为：使用基于密度的聚类算法，对个体的历史位置数据进行聚类。

5.根据权利要求1所述的设备，其中，所述划分单元被配置为：

以随机方式对每个停留点的主题分布和边界划分值进行初始化；以及

基于特定原则，迭代地调整每个停留点的主题分布和边界划分值，直到每个停留点的主题分布和所有的边界划分值变得稳定。

6.根据权利要求5所述的设备，其中，所述特定原则包括：

两个停留点的位置越接近，被划分到同一个停留点序列片段中的概率越大；

两个停留点之间的位置转移规律越强，被划分到同一个停留点序列片段中的概率越大；以及

某个停留点的停留时间越长，该停留点成为划分边界的概率越大。

7.根据权利要求3所述的设备，其中，所述向量的维数表示停留点序列片段中的停留点的数目，所述向量中每一个元素表示与该元素相对应的停留点的停留时间。

8.根据权利要求3所述的设备，其中，所述聚类单元被配置为：使用K-means算法对所有的向量进行聚类。

9.根据权利要求1所述的设备，其中，所述划分单元被配置为：使用吉布斯采样算法，迭代地调整每个停留点的主题分布和边界划分值，直到每个停留点的主题分布和所有的边界划分值变得稳定。

10.一种用于挖掘个体活动模式的方法，包括：

根据个体的历史位置数据来计算个体的停留点，形成包含停留时间的停留点序列；

根据个体活动的主题将停留点序列划分为相应的停留点序列片段；以及

对划分后的停留点序列片段进行聚类，以获得个体活动模式；

其中，将停留点序列划分为相应的停留点序列片段包括：

对每个停留点的主题分布和边界划分值进行初始化；以及

迭代地调整每个停留点的主题分布和边界划分值，直到每个停留点的主题分布和所有的边界划分值变得稳定。

11.根据权利要求10所述的方法，其中，计算个体的停留点包括：

对个体的历史位置数据进行聚类；

计算个体在与特定类别相对应的区域中的停留时间；以及

如果所述停留时间大于指定阈值，判断与所述特定类别相对应的区域是停留点。

12.根据权利要求10所述的方法，其中，所述聚类包括：

将每一个停留点序列片段用向量来表示，并且对所有的向量进行聚类，以获得个体活动模式。