本发明涉及智能行驶领域，尤其涉及一种基于大数据行为轨迹信息进行医疗轮椅的行进判断方法。
背景技术：
由于人口的老龄化逐渐凸显出来，其生活质量和健康状况需要得到社会的关心和照顾，而且行动不便的人员也希望吸收一些新鲜空气和与社会进行交互沟通，但是由于行动不便的原因，而不能够进行外出活动，从而应运而生了医疗运输装备和智能医用设备，例如助力轮椅或者电动轮椅，以及手控平衡车等产品，虽然成品已经市场化。但是由于使用者对电子设备操控理解较慢，而不能够很好的进行人车交互，这就应运而生了自动驾驶轮椅，但是自动驾驶轮椅所产生的问题就是对于使用者行走的路线不能很好的规划判断，节省路径或者提高效率缩短驾驶时间。
技术实现要素：
本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于大数据行为轨迹信息进行医疗轮椅的行进判断方法。
为了实现本发明的上述目的，本发明提供了一种基于大数据行为轨迹信息进行医疗轮椅的行进判断方法，包括如下步骤：
s1，将云端数据通过数据抽样方式向用户进行推送，将行进轨迹历史数据中获取的行进轨迹时间数据、时间预测数据、以及出发地点和到达地点的风速数据、气温数据和降水量数据进行提取，
从用户终端获取行进轨迹终点位置信息，根据路径巡航约束条件进行路径判断；
将筛选后的行进轨迹数据传输到用户终端，获取用户终端实时发送的地理位置信息，判断行进轨迹终点位置信息；
从行进轨迹中得到的若干轨迹信息进行路径巡航约束，该约束公式为，
其中，rp(τ)为在位置p处的理想行进场景，rs(τ)为第s个轨迹处的理想行进场景，wlong为轨迹权重的最长距离值，wshort为轨迹权重的最短距离值，z为当前迭代次数，zmax为最大迭代次数，q(τ)为全部轨迹信息向量。
s2，将提取后的行进轨迹相应的风速数据、气温数据和降水量数据进行收敛估计之后反馈给用户。
所述的基于大数据行为轨迹信息进行医疗轮椅的行进判断方法，优选的，所述s1包括：
s1-1，生成时间耗费模型
其中，αt为时间耗费值的阈值，ni(t+1)为下一时段行进轨迹的时间耗费值，
s1-2，生成时间耗费的预测模型
其中，βt为时间耗费预测值的阈值，nj(t+1)为下一时段行进轨迹的时间耗费预测值，
s1-3，
生成风速的预测模型
其中，χt为风速判断值的阈值，nk(t+1)为下一时段行进轨迹的风速判断值，
s1-4，生成气温的预测模型
其中，δt为气温判断值的阈值，nl(t+1)为下一时段行进轨迹的气温判断值，
s1-5，生成降水量预测模型
其中，εt为降水量判断值的阈值，nm(t+1)为下一时段行进轨迹的降水量判断值。
所述的基于大数据行为轨迹信息进行医疗轮椅的行进判断方法，优选的，所述s2包括：
用户对行进轨迹数据进行抽样的代价函数为，
其中，ni(t)为每个行进轨迹的时间耗费值，nj(t)为每个行进轨迹的时间耗费的预测值，nk(t)为每个行进轨迹的风速判断值，nl(t)为每个行进轨迹的气温判断值，nm(t)为每个行进轨迹的降水量判断值，m为统计行进轨迹内全部的轨迹数；p为全部行进轨迹信息向量。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
通过上述方法实现了用户选择行进轨迹的优化判断，给用户提供多种出行的选择，对于发生的降水量，风速以及气温变化等数据作为判断属性，确定降水量，风速以及气温变化属性的总体抽样模型，从而得到用户的最理想出行轨迹信息，可以有效地提高医疗设备在复杂路况上的安全行驶概率，用户选择行进轨迹的模型估计，对于历史行进估计时间，降水量，风速以及气温变化等数据作为模型数据属性，确定行进轨迹时间，降水量，风速以及气温变化属性的总体函数运算，保证用户使用安全。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明总体流程图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
如图1所示，本发明提供了一种基于大数据行为轨迹信息进行医疗轮椅的行进判断方法，包括如下步骤：
s1，将云端数据通过数据抽样方式向用户进行推送，将行进轨迹历史数据中获取的行进轨迹时间数据、时间预测数据、以及出发地点和到达地点的风速数据、气温数据和降水量数据进行提取，
从用户终端获取行进轨迹终点位置信息，根据路径巡航约束条件进行路径判断；
将筛选后的行进轨迹数据传输到用户终端，获取用户终端实时发送的地理位置信息，判断行进轨迹终点位置信息；
从行进轨迹中得到的若干轨迹信息进行路径巡航约束，该约束公式为，
其中，rp(τ)为在位置p处的理想行进场景，rs(τ)为第s个轨迹处的理想行进场景，wlong为轨迹权重的最长距离值，wshort为轨迹权重的最短距离值，z为当前迭代次数，zmax为最大迭代次数，q(τ)为全部轨迹信息向量。
s2，将提取后的行进轨迹相应的风速数据、气温数据和降水量数据进行收敛估计之后反馈给用户。
所述的基于大数据行为轨迹信息进行医疗轮椅的行进判断方法，优选的，所述s1包括：
s1-1，生成时间耗费模型
其中，αt为时间耗费值的阈值，ni(t+1)为下一时段行进轨迹的时间耗费值，
s1-2，生成时间耗费的预测模型
其中，βt为时间耗费预测值的阈值，nj(t+1)为下一时段行进轨迹的时间耗费预测值，
s1-3，
生成风速的预测模型
其中，χt为风速判断值的阈值，nk(t+1)为下一时段行进轨迹的风速判断值，
s1-4，生成气温的预测模型
其中，δt为气温判断值的阈值，nl(t+1)为下一时段行进轨迹的气温判断值，
s1-5，生成降水量预测模型
其中，εt为降水量判断值的阈值，nm(t+1)为下一时段行进轨迹的降水量判断值。
所述的基于大数据行为轨迹信息进行医疗轮椅的行进判断方法，优选的，所述s2包括：
用户对行进轨迹数据进行抽样的代价函数为，
其中，ni(t)为每个行进轨迹的时间耗费值，nj(t)为每个行进轨迹的时间耗费的预测值，nk(t)为每个行进轨迹的风速判断值，nl(t)为每个行进轨迹的气温判断值，nm(t)为每个行进轨迹的降水量判断值，m为统计行进轨迹内全部的轨迹数；p为全部行进轨迹信息向量。
通过上述方法实现了用户选择行进轨迹的优化判断，给用户提供多种出行的选择，对于发生的降水量，风速以及气温变化等数据作为判断属性，确定降水量，风速以及气温变化属性的总体抽样模型，从而得到用户的最理想出行轨迹信息，可以有效地提高医疗设备在复杂路况上的安全行驶概率，用户选择行进轨迹的模型估计，对于历史行进估计时间，降水量，风速以及气温变化等数据作为模型数据属性，确定行进轨迹时间，降水量，风速以及气温变化属性的总体函数运算，保证用户使用安全。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。