融合多传感器的地点识别方法

摘要

本发明公开了一种融合多传感器的地点识别方法，包括以下步骤：a、按照设定的采样时间间隔采集经纬度信息以及传感器数据，同时记录采样时的时间戳，得到轨迹数据序列和原始传感器数据；b、对轨迹数据序列进行预处理，过滤轨迹数据序列中的速度异常点；c、对预处理后的轨迹数据序列进行处理，得到用户访问地点集；d、对原始传感器数据进行处理，得到用户行为信息集；e、融合用户行为信息集和访问地点集，得到用户常驻地点集。本发明不需要依赖额外的硬件，只需要采集移动设备自身配备的传感器数据，且能够提高地点识别的准确性。

权利要求

1.一种融合多传感器的地点识别方法，其特征在于，包括以下步骤：a、按照设定的采样时间间隔采集经纬度信息以及传感器数据，同时记录采样时的时间戳，得到轨迹数据序列和原始传感器数据；

b、对轨迹数据序列进行预处理，过滤轨迹数据序列中的速度异常点；

c、对预处理后的轨迹数据序列进行处理，得到用户访问地点集；

d、对原始传感器数据进行处理，得到用户行为信息集；

e、融合用户行为信息集和访问地点集，得到用户常驻地点集；

所述步骤c具体包括如下过程：

c1、选取两个参数：停留点的最大距离间隔D和停留点的最小时间跨度T；

c2、采用基于时间序列的聚类算法处理轨迹数据序列，提取相邻轨迹点距离小于D的轨迹子序列，轨迹子序列的时间跨度为尾轨迹点与头轨迹点的时间间隔；当轨迹子序列的时间跨度大于T时，选取轨迹子序列的中心位置作为停留地点，得到用户停留地点集；

c3、采用基于密度的聚类算法处理用户停留地点集，得到用户访问地点集，访问地点位置为聚类的停留地点的中心位置。

2.根据权利要求1所述的融合多传感器的地点识别方法，其特征在于：所述步骤a中，利用移动设备按照设定的采样时间间隔，通过GPS或者网络定位获取设备的经纬度信息，采集加速度传感器、陀螺仪、重力感应器传感器信息，将这些数据上报到服务器。

3.根据权利要求2所述的融合多传感器的地点识别方法，其特征在于：所述步骤a中，得到的轨迹数据序列L＝{l1,l2,…,ln}，其中li＝(lati,longi,timei)表示经纬度和时间，原始传感器数据S＝{s1,s2,…,sn}，其中si＝{typei,valuei,timei}表示传感器的类型、传感器的值和时间戳。

4.根据权利要求3所述的融合多传感器的地点识别方法，其特征在于：所述步骤b中，对轨迹数据序列进行滤波、平滑数值预处理，利用速度信息过滤轨迹数据中速度异常点。

5.根据权利要求4所述的融合多传感器的地点识别方法，其特征在于：所述步骤c中，采用多层次的聚类算法对轨迹数据序列进行处理，得到用户访问地点集。

6.根据权利要求5所述的融合多传感器的地点识别方法，其特征在于：所述用户访问地点集包括访问地点位置和在该访问地点的时间段。

7.根据权利要求6所述的融合多传感器的地点识别方法，其特征在于：所述步骤d中，采用决策树、SVM对原始传感器数据分类，按照类别对用户行为序列进行分段。

8.根据权利要求7所述的融合多传感器的地点识别方法，其特征在于：所述步骤d具体包括如下过程：d1、原始传感器数据特征提取：原始传感器数据数列S＝{s1,s2,…,sn}，选取时域特征、频域特征作为特征集；

d2、采用SVM算法进行训练学习和分类；

d3、按照行为类别对行为进行分段，A＝{a1,a2,…,am}，其中行为ai＝{starti,endi,typei}表示同类别行为的开始时间，结束时间和类别。

9.根据权利要求8所述的融合多传感器的地点识别方法，其特征在于：所述步骤e中，采用启发式方法融合用户行为信息集和访问地点集，当用户在同一行为的时间跨度中包含多个访问地点时，合并这些访问地点，选取中心位置，得到用户常驻地点集。

说明书

融合多传感器的地点识别方法

技术领域

[0001] 本发明涉及一种融合多传感器的地点识别方法，属于地点识别技术领域。

背景技术

[0002] 近年来随着移动互联网的发展和人们生活水平的不断提高，手机等移动设备已经成为人们现代生活中不可或缺的一部分。目前手机等移动设备都具备较强的运算能力，并且配备了丰富的传感器，比如GPS、加速度传感器、重力感应器等，具有广阔的应用前景，基于移动设备的情景感知是其中一个重要的发展方向。移动互联网应用通过感知用户情景，可以给用户提供更丰富的个性化服务，例如，中国专利公开号104504623A公开的一种根据动作感知进行场景识别的方法，公开日为2015‐04‐08。而情景感知首先最需要解决的就是用户显著地点感知，即地点识别。目前常用的地点识别方法包括以下几种：

[0003] 1.基于Beacon的方法

[0004] 基于Beacon的方法需要预先在固定地点安装Beacon基站。当用户靠近Beacon基站时，移动设备能够感应到Beacon信号，从而获取到用户所在地点。这种方法需要额外硬件的投入，成本较高，能够识别的地点也因此受到限制，不利于推广应用。

[0005] 2.基于聚类的方法

[0006] 手机等移动设备可以通过GPS或网络定位技术自动记录经纬度信息，采集得到轨迹数据。当用户在地点停留时，轨迹点会在地点附近比较密集。基于这一事实，可以通过K‐均值聚类算法或DBSCAN算法来挖掘地点信息。这种方法不依赖额外的硬件，但是聚类算法没有考虑轨迹数据的时序特征，并且由于手机采集经纬度信息受自身条件限制容易出现噪声数据，从而影响地点识别的准确度。

发明内容

[0007] 本发明的目的在于克服现有技术存在的上述问题，提供一种融合多传感器的地点识别方法。本发明不需要依赖额外的硬件，只需要采集移动设备自身配备的传感器数据，且能够提高地点识别的准确性。

[0008] 为实现上述目的，本发明采用的技术方案如下：

[0009] 一种融合多传感器的地点识别方法，其特征在于，包括以下步骤：

[0010] a、按照设定的采样时间间隔采集经纬度信息以及传感器数据，同时记录采样时的时间戳，得到轨迹数据序列和原始传感器数据；

[0011] b、对轨迹数据序列进行预处理，过滤轨迹数据序列中的速度异常点；

[0012] c、对预处理后的轨迹数据序列进行处理，得到用户访问地点集；

[0013] d、对原始传感器数据进行处理，得到用户行为信息集；

[0014] e、融合用户行为信息集和访问地点集，得到用户常驻地点集。

[0015] 所述步骤a中，利用移动设备按照设定的采样时间间隔，通过GPS或者网络定位获取设备的经纬度信息，采集加速度传感器、陀螺仪、重力感应器等传感器信息，附近的WiFi热点信息，将这些数据上报到服务器。

[0016] 所述步骤a中，得到的轨迹数据序列L＝{l1,l2,…,ln}，其中li＝(lati,longi,timei)表示经纬度和时间，原始传感器数据S＝{s1,s2,…,sn}，其中si＝{typei,valuei,timei}表示传感器的类型，传感器的值和时间戳。

[0017] 所述步骤b中，对轨迹数据序列进行滤波，平滑等常用数值预处理，利用速度信息过滤轨迹数据中速度异常点。

[0018] 所述步骤c中，采用多层次的聚类算法对轨迹数据序列进行处理，得到用户访问地点集。

[0019] 所述用户访问地点集包括访问地点位置和在该访问地点的时间段。

[0020] 所述步骤c具体包括如下过程：

[0021] c1、选取两个参数：停留点的最大距离间隔D和停留点的最小时间跨度T；

[0022] c2、采用基于时间序列的聚类算法处理轨迹数据序列，提取相邻轨迹点距离小于D的轨迹子序列，轨迹子序列的时间跨度为尾轨迹点与头轨迹点的时间间隔；当轨迹子序列的时间跨度大于T时，选取轨迹子序列的中心位置作为停留地点，得到用户停留地点集；

[0023] c3、采用基于密度的聚类算法处理用户停留地点集，得到用户访问地点集，访问地点位置为聚类的停留地点的中心位置。

[0024] 所述步骤d中，采用决策树、SVM对原始传感器数据分类，按照类别对用户行为序列进行分段。

[0025] 所述步骤d具体包括如下过程：

[0026] d1、原始传感器数据特征提取：原始传感器数据数列S＝{s1,s2,…,sn}，选取时域特征、频域特征作为特征集；

[0027] d2、采用SVM算法进行训练学习和分类；

[0028] d3、按照行为类别对行为进行分段，A＝{a1,a2,…,am}，其中行为ai＝{starti,endi,typei}表示同类别行为的开始时间，结束时间和类别。

[0029] 所述步骤e中，采用启发式方法融合用户行为信息集和访问地点集，当用户在同一行为的时间跨度中包含多个访问地点时，合并这些访问地点，选取中心位置，得到用户常驻地点集。

[0030] 采用本发明的优点在于：

[0031] 1、本发明不需要依赖额外的硬件，只需要采集移动设备自身配备的GPS、加速度传感器、重力感应器等传感器数据，大大降低了成本。

[0032] 2、本发明采用多层次的聚类算法挖掘用户访问地点集，考虑了用户轨迹序列的时序特征，再利用基于密度的聚类算法得到用户访问地点集，有效降低了由于设备上报的位置信息误差造成的地点识别的干扰。

[0033] 3、本发明基于多传感器提取用户行为信息集，融合用户访问地点集，得到用户常驻地点集，能够有效提高地点识别的准确性。

附图说明

[0034] 图1为本发明具体实施例系统结构示意图

[0035] 图2为本发明融合多传感器的地点识别方法流程图

[0036] 图3为本发明地点信息示意图

具体实施方式

[0037] 实施例1

[0038] 一种融合多传感器的地点识别方法，包括以下步骤：

[0039] a、按照设定的采样时间间隔采集经纬度信息以及传感器数据，同时记录采样时的时间戳，得到轨迹数据序列和原始传感器数据；

[0040] b、对轨迹数据序列进行预处理，过滤轨迹数据序列中的速度异常点；

[0041] c、对预处理后的轨迹数据序列进行处理，得到用户访问地点集；

[0042] d、对原始传感器数据进行处理，得到用户行为信息集；

[0043] e、融合用户行为信息集和访问地点集，得到用户常驻地点集。

[0044] 所述步骤a中，利用移动设备按照设定的采样时间间隔，通过GPS或者网络定位获取设备的经纬度信息，采集加速度传感器、陀螺仪、重力感应器等传感器信息，附近的WiFi热点信息，将这些数据上报到服务器。

[0045] 所述步骤a中，得到的轨迹数据序列L＝{l1,l2,…,ln}，其中li＝(lati,longi,timei)表示经纬度和时间，原始传感器数据S＝{s1,s2,…,sn}，其中si＝{typei,valuei,timei}表示传感器的类型，传感器的值和时间戳。

[0046] 所述步骤b中，对轨迹数据序列进行滤波，平滑等常用数值预处理，利用速度信息过滤轨迹数据中速度异常点。

[0047] 所述步骤c中，采用多层次的聚类算法对轨迹数据序列进行处理，得到用户访问地点集。

[0048] 所述用户访问地点集包括访问地点位置和在该访问地点的时间段。

[0049] 所述步骤c具体包括如下过程：

[0050] c1、选取两个参数：停留点的最大距离间隔D和停留点的最小时间跨度T；

[0051] c2、采用基于时间序列的聚类算法处理轨迹数据序列，提取相邻轨迹点距离小于D的轨迹子序列，轨迹子序列的时间跨度为尾轨迹点与头轨迹点的时间间隔；当轨迹子序列的时间跨度大于T时，选取轨迹子序列的中心位置作为停留地点，得到用户停留地点集；

[0052] c3、采用基于密度的聚类算法处理用户停留地点集，得到用户访问地点集，访问地点位置为聚类的停留地点的中心位置。

[0053] 所述步骤d中，采用决策树、SVM对原始传感器数据分类，按照类别对用户行为序列进行分段。

[0054] 所述步骤d具体包括如下过程：

[0055] d1、原始传感器数据特征提取：原始传感器数据数列S＝{s1,s2,…,sn}，选取时域特征、频域特征作为特征集；

[0056] d2、采用SVM算法进行训练学习和分类；

[0057] d3、按照行为类别对行为进行分段，A＝{a1,a2,…,am}，其中行为ai＝{starti,endi,typei}表示同类别行为的开始时间，结束时间和类别。

[0058] 所述步骤e中，采用启发式方法融合用户行为信息集和访问地点集，当用户在同一行为的时间跨度中包含多个访问地点时，合并这些访问地点，选取中心位置，得到用户常驻地点集。

[0059] 实施例2

[0060] 一种融合多传感器的地点识别方法，包括以下步骤：

[0061] 1)利用手机等移动设备按照一定的采样时间间隔采集经纬度信息以及传感器数据，同时记录采样时的时间戳，得到轨迹数据序列和原始传感器数据；

[0062] 2)对轨迹数据序列进行预处理；

[0063] 3)采用多层次的聚类算法对轨迹数据序列进行处理，得到用户访问地点集，其中访问地点信息包括访问地点位置和在该访问地点的时间段；

[0064] 4)采用机器学习算法对原始传感器数据进行处理，得到用户行为信息集，行为信息包括相似行为的时间段；

[0065] 5)融合用户行为信息集和访问地点集，得到用户常驻地点集。

[0066] 所述的方法步骤1)具体包括按照一定的采样时间间隔，通过GPS或者网络定位获取设备的经纬度信息，采集加速度传感器、陀螺仪、重力感应器等传感器信息，附近的WiFi热点信息，将这些数据上报到服务器。

[0067] 所述的方法步骤2)具体包括对轨迹数据序列进行滤波，平滑等常用数值预处理，利用速度信息过滤轨迹数据中速度异常点，为下一步处理做好准备。

[0068] 所述的方法步骤3)具体包括以下步骤：

[0069] 3.1)选取两个参数：停留点的最大距离间隔D和停留点的最小时间跨度T；

[0070] 3.2)采用基于时间序列的聚类算法处理轨迹数据，提取相邻轨迹点距离小于D的轨迹子序列，轨迹子序列的时间跨度为尾轨迹点与头轨迹点的时间间隔。当轨迹子序列的时间跨度大于T时，选取轨迹子序列的中心位置作为停留地点，得到用户停留地点集；

[0071] 3.3)采用基于密度的聚类算法处理用户停留地点集，得到用户访问地点集，访问地点位置为聚类的停留地点的中心位置。

[0072] 作为优选，所述的方法步骤3)中基于密度的聚类算法采用DBSCAN算法。

[0073] 作为优选，所述的方法步骤4)中采用决策树、SVM对传感器数据分类，按照类别对用户行为序列进行分段。

[0074] 作为优先，所述的方法步骤5)采用启发式方法融合用户行为信息集和访问地点集，当用户在同一行为的时间跨度中包含多个访问地点时，合并这些访问地点，选取中心位置，得到用户常驻地点集。

[0075] 实施例3

[0076] 本发明提供融合多传感器的地点识别方法及系统，为使本发明的目的、技术方案及优点更加清楚明确，以下参照附图并结合实施例对本发明进一步详细说明，但本发明的保护范围并不仅限于此。

[0077] 如图1所示，一种融合多传感器的地点识别系统包括移动设备端和服务端。移动设备采集GPS、WiFi信号、加速度传感器、重力感应器等数据，通过网络上传到服务器，服务器通过融合用户行为信息集和访问地点集，得到用户常驻地点集。

[0078] 如图2所示，一种融合多传感器的地点识别方法，包括以下步骤：

[0079] 1.利用移动设备按照一定的采样时间间隔T采集经纬度信息以及传感器数据，同时记录采样时的时间戳，得到轨迹数据序列L＝{l1,l2,…,ln}，其中li＝(lati,longi,timei)表示经纬度和时间，原始传感器数据S＝{s1,s2,…,sn}，其中si＝{typei,valuei,timei}表示传感器的类型，传感器的值和时间戳；

[0080] 2.对轨迹数据序列进行预处理：采用Kalman滤波平滑轨迹序列，过滤速度异常点和距离异常点；

[0081] 3.如图3所示，采用多层次的聚类算法对轨迹数据进行处理，得到用户访问地点集：

[0082] a.选取两个参数：停留点的最大距离间隔D和停留点的最小时间跨度T；

[0083] b.采用基于时间序列的聚类算法处理轨迹数据，提取相邻轨迹点距离小于D的轨迹子序列，轨迹子序列的时间跨度为尾轨迹点与头轨迹点的时间间隔。当轨迹子序列的时间跨度大于T时，选取轨迹子序列的中心位置作为停留地点，得到用户停留地点集；

[0084] c.采用DBSCAN算法处理用户停留地点集，得到用户访问地点集，访问地点位置为聚类的停留地点的中心位置；

[0085] 4.利用SVM对传感器数据进行分类，并进一步分段，得到用户行为信息集：

[0086] a)传感器数据特征提取。传感器数据数列S＝{s1,s2,…,sn}，选取均值、方差等时域特征，频域熵、能谱密度等频域特征作为特征集；

[0087] b)采用SVM算法进行训练学习和分类；

[0088] c)按照行为类别对行为进行分段，A＝{a1,a2,…,am}，其中行为ai＝{starti,endi,typei}表示同类别行为的开始时间，结束时间和类别；

[0089] 采用启发式方法融合用户行为信息集和访问地点集，当用户在同一行为的时间跨度中包含多个访问地点时，合并这些访问地点，选取中心位置，得到用户常驻地点集。

[0090] 以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可以作出种种的等同变换或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。