[发明专利]一种基于量子游走的行为轨迹序列多特征模拟方法

说明书

本发明公开了一种基于量子游走的行为轨迹序列多特征模拟方法，包括如下步骤：(1)生成全集特征序列；(2)筛选特征序列；(3)构建特征序列映射机制；(4)实验验证。本发明基于个体行为与群体行为间的转化组合特性，从多尺度解析的视角利用量子游走模拟同类个体的特征结构，并实现对行为轨迹的模拟。

技术领域

本发明涉及量子力学和交通地理技术领域，尤其是一种基于量子游走的行为轨迹序列多特征模拟方法。

背景技术

大数据、物联网与精密定位技术的发展推动了城市感知的进步。随着社会活动的与日俱增，网约车轨迹数据不仅记录了其行车轨迹，还蕴藏着道路交通状态、城市居民出行规律、城市结构及其他社会问题。网约车行为轨迹序列是行为轨迹在不同时空尺度下的聚合结果，反映了网约车行为轨迹在不同空间尺度之下随时间的变化状态或程度。当前对行为轨迹的研究大多集中于对轨迹数据本身的特征提取与特征识别，较少从行为轨迹序列的时空分布来考虑其结构和特征，对行为轨迹序列的时空分异规律考虑不足。

基于数据挖掘手段，当前对行为轨迹数据研究主要有城市规划和社会感知两个方向。在城市规划方向上，大多利用行为轨迹数据发现、识别并评估静态城市规划和城市结构。对于社会感知，大部分学者基于行为轨迹数据对城市内人群活动的动态变化、移动模式进行分析和监测。以上两个方向已有较多成熟的研究成果。近年来，各领域的学者都不断试图从行为轨迹数据中挖掘新的知识与经验，研究改进了各种理论方法，可将其归纳为四类：空间统计、时间序列方法、图论与复杂网络，以及机器学习。以上模型方法大多基于行为轨迹数据本身开展研究工作，取得了丰硕的研究成果，但对行为轨迹的聚合数据研究较少。

发明内容

本发明所要解决的技术问题在于，提供一种基于量子游走的行为轨迹序列多特征模拟方法，基于个体行为与群体行为间的转化组合特性，从多尺度解析的视角利用量子游走模拟同类个体的特征结构，并实现对行为轨迹的模拟。

为解决上述技术问题，本发明提供一种基于量子游走的行为轨迹序列多特征模拟方法，包括如下步骤：

(1)生成全集特征序列；

(2)筛选特征序列；

(3)构建特征序列映射机制；

(4)实验验证。

优选的，步骤(1)中，生成全集特征序列具体为：基于量子游走的基本假设，在格网化为m×n个区块的城市内部系统中，将行为特征所有可能的分布定义为量子游走的基态，记为：

表示驾驶员在不同区块间的移动在量子游走模拟中体现为粒子在不同结点间的转移；

定义一个由基态构成的希尔伯特空间H，且由基态线性组合而成的叠加态同样处于该空间中；因此，量子游走的状态|δ(k)被定义为所有基态的线性叠加：

其中|a_i(k)|∈[0,1]，表示驾驶员在给定时间处于状态|i的概率幅；根据随机性假设，基于酉变换，将状态向量|δ(k)随时间的演化表示如下：

如式(3)所示，状态向量的动态演变取决于邻接矩阵A，从离散点的视角将其转化为矩阵，并通过矩阵运算有效求解状态向量；至此，构建了基于量子游走的全集特征序列生成模型。

优选的，基于以下规则不断调整参数：在研究区域的56个区块上进行2000次量子游走，其控制参数从0.01增加至20，且间隔为0.01；最终，得到了56个区块所有可能的特征序列，实现了量子游走的全集特征序列生成。

优选的，步骤(2)中，筛选特征序列具体为：以ReliefF特征选择算法来筛选行为轨迹特征序列，在实际行为轨迹时间序S的约束下，对步骤(1)生成的全集特征序列进行ReliefF特征子集筛选，将其表示为：