[发明专利]一种社交媒体数据与移动轨迹数据的融合方法

说明书

一种社交媒体数据与移动轨迹数据的融合方法，首先采用BiGRU模型计算移动轨迹特征向量，有效的利用移动轨迹数据；然后通过胶囊网络模型提取社交媒体信息的高级特征向量；最后采用马氏距离法判断向量间距离并利用基于参数矩阵融合的方法进行融合，获得移动轨迹数据与社交媒体数据融合向量，解决单一数据源对于人物群体行为分析存在局限性问题。

技术领域

本发明涉及智慧城市技术领域，具体的，涉及一种社交媒体数据与移动轨迹数据的融合方法及其存储介质。

背景技术

随着城市规模不断扩大，城市人口显著增加，社会公共场所中如大型集会、演唱会等因群体行为异常导致拥堵或踩踏事件，造成社会财产的损失，严重危及公民的生命安全。

单一数据源对于人物群体行为分析存在一定局限性。人群移动轨迹数据定位准确，可发现城市范围内人群流量异常，但缺乏相关语义信息；社交媒体数据量丰富，包含清楚语义信息，但缺少准确定位信息。考虑到人群移动轨迹数据与社交媒体数据的优势与不足，通过融合不同数据源，对人物群体行为与事件演变精准分析，及时发现异常行为并有效疏导，防止事态进一步恶化，减轻或消除公共安全事件造成的危害与损失，有效支撑城市管理与应急指挥决策。

因此，如何综合社交媒体数据与移动轨迹数据从而准确分析人群行为，及时分析异常行为成为现有技术亟需解决的技术问题。

发明内容

本发明的目的在于针对城市群体行为模式分析受制于社会传感数据与社交媒体数据协同表达缺乏问题，提出一种社交媒体数据与移动轨迹数据的融合方法，探索城市群体行为演化规律，有助于城市管理信息智能化服务。

为达此目的，本发明采用以下技术方案：

一种社交媒体数据与移动轨迹数据的融合方法，其特征在于，包括如下步骤：

移动轨迹数据处理步骤S110:

对群体每个人物行程轨迹点数据进行预处理，将预处理后的轨迹点匹配至路网中还原每个人物行程的移动轨迹，采用BiGRU模型计算移动轨迹特征向量，以表征移动轨迹数据；

社交媒体数据处理步骤S120：

对社交媒体数据预处理，然后对文本向量化以获得文本特征向量，并通过胶囊网络模型提取社交媒体信息的高级特征向量，以表征社交媒体数据；

计算数据距离并融合数据步骤S130：

通过马氏距离法计算在步骤S110中所获得的移动轨迹特征向量与在步骤S120中所提取的社交媒体的高级特征向量间的距离，对于每个移动轨迹特征向量，计算得到与其距离最小的社交媒体的高级特征向量，并采用基于参数矩阵融合的方法对该距离最小的每对向量进行融合。

可选的，在步骤S110中，所述对群体每个人物行程轨迹点数据进行预处理包括：删除无效、异常轨迹点。

可选的，在步骤S110中，所述BiGRU模型为一种双向的改进的循环神经网络。

可选的，所述BiGRU模型包括正向GRU模型和反向GRU模型，其中正向GRU模型中对输入的移动轨迹采用正向输入即，反向GRU模型对输入的移动轨迹采用反向输入即，

每个GRU模型，由更新门和重置门构成，GRU模型内部的信息传播过程如下式：

其中，为移动轨迹输入，为重置门的权重矩阵，为更新门的权重矩阵，为现在信息的权重矩阵，为逐元素相乘，为sigmoid函数，为双曲正切函数，现在信息由过去信息与当前输入共同决定，为时刻的信息输出，包含过去信息和现在信息，更新门用来控制当前的状态需要遗忘多少历史信息和接受多少新信息，重置门用来控制候选状态中有多少信息是从历史信息中得到；

最终，所述BiGRU模型的输出由以下公式定义得出：