[发明专利]一种轨迹预测方法和系统

说明书

一种轨迹预测方法，通过对历史一段时间的基站轨迹数据对号码历史停留的geohash进行分析得到落脚点数据、位置转移概率矩阵数据和通勤轨迹数据；通过对寄递数据进行分析，得到兴趣点数据；对实时信令数据进行分析，得到号码实时轨迹，判断是否发生移动，若移动计算得到移动轨迹数据，将移动轨迹数据与通勤轨迹数据对比：若相似度高，则判断实时移动轨迹为通勤轨迹，计算并输出目的地的列表；若相似度不高，则判断移动方向，输出目的地列表；若未发生移动，计算静止点的geohash和时间，得到下一个时段最有可能出现的位置。本发明通过利用历史数据建立相应的对比数据库和位置转移概率矩阵数据库，同时每天对数据不断更新，进一步提高计算的准确率。

技术领域

本发明属于大数据应用领域，具体涉及轨迹预测方法和系统。

背景技术

目前通过历史轨迹数据对目的地的预测模型有很多，例如运用统计学习中的贝叶斯预测模型，首先对历史轨迹数据进行整合得到各地点的先验概率和条件概率，再通过贝叶斯公式计算得到各地点的后验概率。

还如马尔科夫链模型来进行轨迹预测，并结合概率图模型对上述方法进行了扩展改进，如引入周末、季节和天气等等因素，以提高模型的预测准确率。但这些方法所得到的准确率提升都是基于特定的应用场景的，通用性不好。

发明内容

本发明所要解决的技术问题是：提供一种精准度更高的轨迹预测方法。

本发明为解决上述技术问题采用以下技术方案：

一种轨迹预测方法，包括以下步骤：

通过对历史一段时间的基站轨迹数据对号码历史停留的geohash进行分析，得到落脚点数据、位置转移概率矩阵数据和通勤轨迹数据；通过对寄递数据进行分析，得到兴趣点数据；存储上述数据为历史数据，定期对历史数据更新；

对实时信令数据进行分析，得到号码实时轨迹，判断是否发生移动，若移动则对信令数据进行统计得到移动轨迹数据；

将移动轨迹数据与通勤轨迹数据对比：若相似度高，则判断实时移动轨迹为通勤轨迹，根据落脚点数据和兴趣点数据输出目的地的列表；若相似度不高，则判断移动方向，根据方向判定落脚点位置再结合转移概率矩阵判断最有可能的目的地，输出目的地列表；

若未发生移动，计算静止点的geohash和时间，结合转移概率矩阵数据，得到下一个时段最有可能出现的位置，输出目的地列表。

其中，通过实时信令数据进行位移判断过程如下：

预设比对时间和比对距离；

比对时间内信令数据起始位置与最新位置距离超过比对距离，则认为发生移动，计算移动轨迹线；

比对时间内信令数据起始位置与最新位置距离未超过比对距离，则认为未发生移动，得到比对时间内信令位置的geohash，判断落脚点，同时对所在时间段进行提取。

可选的，落脚点数据计算方法：

通过基站轨迹数据对历史一段时间内的号码停留的geohash进行每天的停留时间的统计，求出geohash的总时间和平均停留时间；同时计算geohash的中心点经纬度和其九宫格包含的geohash；

使用DBSCAN聚类算法求出中心落脚点，得到早晚落脚点数据表；

通过基站轨迹数据对历史一段时间内的号码停留的geohash按照每天分时段进行落脚点分析，对每天每个时间段所在的geohash进行时间统计，计算每天每个时段停留时间总和以及每天每个时段停留时间最大的geohash，并计算该时段geohash下停留时间占该时段总时间的比率，得到每天每个时段的geohash数据，得到其他时间段常用落脚点数据表。

可选的，位置转移概率矩阵数据计算方法：