一种异构城市数据的个体人际关系可视推理方法与流程

本发明涉及可视分析技术领域，尤其涉及一种异构城市数据的个体人际关系可视推理方法。

背景技术：

城市数据在道路交通规划和预测、人群移动模式分析、空气污染监测、基于位置的服务推荐等方面有广泛的应用，却很少有个体人际关系的推理应用，因为个体移动往往具有不确定性，个体人际关系就更加难以通过自动化算法得到。已有人际关系相关工作的主要通过确定的关系提取，如打电话关系、社交网络好友关系、微博转发关系等。个体和其他人的同行关系也是重要的能表达真实社会社交关系的线索，却因为缺乏支持的数据难以挖掘。

即便有了数据支持，单凭同行时间的长短去判断两个个体人际关系亲疏也是缺乏依据的。因此需要用户智能的人工干预来判断轨迹的类型和重要程度，如对于家人的判断就需要节假日轨迹和夜间轨迹的双重匹配。数据驱动的人际关系判断一定要结合机器智能(查询匹配)和用户智能(决策判断)。因此需要一种从城市数据中推理个体人际关系的方法。

技术实现要素：

本发明提供了一种异构城市数据的个体人际关系可视推理方法，将城市数据中人的移动模式的分析和匹配以可视化方法和交互方式加以表达和引导，辅助分析师推理出和分析目标相关的人际关系。

一种异构城市数据的个体人际关系可视推理方法，包括以下步骤：

(1)获取不同来源和格式的带地理位置信息的数据；

(2)将步骤(1)中数据的城市区域编码为四叉树区域，将地理位置信息根据其在城市中的经纬度位置以四叉树编码；目标在任一段时期的位置可以表示为r(ts；te；sr)，表示从开始时间到结束时间ts-te，该目标在位置sr。

(3)将经过步骤(2)编码的数据针对特点进行分类存储；

(4)对步骤(3)中的地理位置信息进行统一的时空和轨迹匹配；

(5)从步骤(1)的数据中选择分析目标；

(6)根据踪迹时间线图确定分析目标的移动模式；

(7)根据分析目标的移动模式，通过轨迹匹配确定分析目标的不同类型的人际关系；

(8)对于步骤(7)中得到的最佳匹配对象，通过分析最佳匹配对象和目标的所有轨迹匹配情况来验证两者的人际关系。

针对数据特点(数据稀疏性、采样频率、数据量)分别以数据库、文件等形式存储数据(包括四叉树编码之后的地理位置信息和其它信息)，优选的，步骤(3)中，出租车数据经过四叉树编码之后按出租车索引以时间顺序存入本地文件；

微博、poi和手机数据存入数据库中，微博、poi和手机数据由于一般数据量较大(几十g甚至上t)，这些数据被存入数据库，并对时间、空间等字段进行索引，能够提高数据的查询效率。

优选的，步骤(4)中，对步骤(3)中的地理位置信息进行统一的时空和轨迹匹配的具体方法如下：

对于时空匹配c(t,sc)，包括一个时间变量t和一个地理空间位置sc，若某一个目标在时间t所处的位置与sc相近，则该目标满足该时空匹配；

对于由n个轨迹段构成的轨迹r＝{r1,r2,...,rn}的匹配，轨迹r和某一个目标轨迹的匹配程度由两两轨迹段匹配的总时长确定。记tsi为目标进入某地理空间位置的时间，tei为该目标离开该地理空间位置的时间，则两两位置匹配在位置能够匹配的前提下由相应的时间交集确定，即目标i和j中最早离开该地理空间位置的时间min(tei,tej)减去目标i和j中最晚进入该地理空间位置的时间min(tsi,tsj)，定义为min(tei,tej)-max(tsi,tsj)。

优选的，步骤(6)中，根据踪迹时间线图确定分析目标的移动模式的具体步骤为：

对于手机类型目标，踪迹时间线图可视编码了目标移动的规律，包括经常停留的地方和停留时长；

对于从出租车类型目标，踪迹时间线图可视编码了目标载客情况和时长，而非地点停留，该编码可以避免过多的地点颜色使用，并表现出租车的载客行为。

优选的，步骤(7)中，通过轨迹匹配确定分析目标的不同类型的人际关系的具体步骤为：

7-1、在家附近的轨迹匹配对应家人和邻居，在工作地点附近的轨迹匹配对应同事和工作地点附近的人，叠加多次轨迹匹配的结果，如匹配家附近的轨迹叠加匹配周末出行轨迹；

7-2、调整匹配规则的权重、顺序和标注，对匹配结果进行排序；

7-3、删除某个匹配规则的结果；

7-4、将新匹配规则的结果和已有结果进行替换；

7-5、得到符合多个匹配规则的最佳匹配对象。

用户能够发现最佳匹配对象，并直观地观察到每个匹配对象的针对每个匹配规则的匹配程度，方便其对目标以及匹配对象的行为进行分析。

优选的，步骤(1)中，所述数据包括微博数据、出租车数据、手机位置数据和poi数据中的至少两种。

可以在步骤(4)后增加新闻、地图等数据作为上下文信息。

新闻和地图等数据往往带有丰富语义信息，方便用户对行为进行解释和分析。

本发明的有益效果：

本发明的异构城市数据的个体人际关系可视推理方法能够通过可视交互作为系统输入加入决策和分析过程，对目标生活模式分析、人际关系分析、人际关系验证等方面起决定性作用。

附图说明

图1是步骤(4)位置匹配和轨迹匹配的示意图。

图2是步骤(6)定位分析目标的示意图。

图3是步骤(6)可视推理的示意图。

图4是步骤(7)在地图上表达手机类型目标的踪迹时间线图的示意图。

图5是步骤(7)在地图上表达出租车类型目标的踪迹时间线图的示意图。

图6是步骤(7)中目标的移动在地图上被标注出来的示意图。

图7是步骤(8)通过轨迹匹配分析目标不同类型的人际关系的示意图。

图8是步骤(8)通过轨迹匹配分析目标不同类型的人际关系的示意图。

图9是步骤(9)中目标人际关系的概览图。

图10是步骤(9)中目标人际关系的细节图。

具体实施方式

下面通过城市数据集的案例，结合附图详细描述本发明，本发明的目的和效果将变得更加明显。

本实施例的异构城市数据的个体人际关系可视推理方法包括数据处理部分和可视推理部分。

数据处理部分：

(1)获取不同来源不同格式的带地理位置信息的数据(微博数据、出租车数据、手机位置数据、poi数据等)；

(2)将城市区域编码为四叉树区域，将地理位置信息数据根据其在城市中的经纬度位置同样以四叉树编码。目标在任一段时期的位置可以表示为r(ts；te；sr)表示从开始时间到结束时间ts-te，该目标在位置sr。

(3)针对数据特点(数据稀疏性、采样频率、数据量)分别以数据库、文件等形式存储数据(包括四叉树编码之后的地理位置信息和其它信息)。本案例中的出租车数据经过四叉树编码之后按出租车索引以时间顺序存入本地文件，微博、poi和手机数据存入数据库。

(4)对步骤(3)中的地理位置信息数据设计统一的时空、轨迹匹配方法，如图1所示，其中t为时间，l为地理空间位置，c为时空匹配，对于时空匹配c(t,sc)，包括一个时间变量t和一个地理空间位置sc，若某一个目标在时间t所处的位置与sc相近，则该目标满足该时空匹配；

对于一段由n个轨迹段构成的轨迹r＝{r1,r2,...,rn}的匹配，轨迹r和某一个目标轨迹的匹配程度由两两轨迹段匹配的总时长确定。记tsi为目标进入某地理空间位置的时间，tei为该目标离开该地理空间位置的时间，则两两位置匹配在位置能够匹配的前提下由相应的时间交集确定，即目标i和j中最早离开该地理空间位置的时间(min(tei,tej))减去目标i和j中最晚进入该地理空间位置的时间(min(tsi,tsj))，定义为min(tei,tej)-max(tsi,tsj)；也就是说，对于两个对象的两段轨迹，在时间、空间均有重合的情况下，匹配程度由时空重合的持续时间决定。

(5)增加新闻、地图等数据作为上下文信息。

可视推理部分：

(6)首先从数据(微博数据、出租车数据、手机位置数据)中选择推理起点：挑选分析目标，如图2所示：可以挑选某一个微博账号、某一辆出租车，或是根据给定的时空匹配找到分析目标；可以预览目标的移动轨迹，如图3所示，来验证某个手机是否和某个微博账号或是某个时空条件匹配；

(7)确定分析目标之后，根据踪迹时间线图分析目标的移动模式：对于手机类型目标，如图4所示，该图可视编码了目标移动的规律，包括经常停留的地方和停留时长，a、b和e是其中的3个地方，圆环的神色区域表达该目标在这些地方停留的时间和时长；而对于从出租车类型目标，如图5所示，该图可视编码了目标载客情况和时长。通过移动规律的分析，可以定位目标的活动范围，如家和工作地点等。目标的移动可以同时在地图上被标注出来，如图6所示，方便查看和分析；

(8)根据目标的移动模式，可以通过轨迹匹配分析目标不同类型的人际关系，在家附近的轨迹匹配往往对应了家人和邻居，在工作地点附近的轨迹匹配一般对应了同事和工作地点附近的人。可以叠加多次轨迹匹配的结果，如匹配家附近的轨迹叠加匹配周末出行轨迹；可以调整匹配规则的权重、顺序和标注，对匹配结果进行排序；可以删除某个匹配规则的结果；也可以将新匹配规则的结果(如图7所示)或者已有结果(如图8所示)进行替换。最终目的是找到符合多个匹配规则的最佳匹配对象。

(9)对于得到的最佳匹配对象，可以通过分析他们和目标的所有轨迹匹配情况来验证他们的人际关系。对于分析后确认的人际关系，可以在图7和8中标注他们的关系，图9和图10分别表达了目标人际关系的概览图和细节图，图9的颜色深度表达每个时段和目标轨迹相匹配的人数，图10的颜色则表达匹配对象和目标在对应时间段是否匹配。

本实施例方法借助可视化方法和交互方法，结合机器智能和用户智能，解决分析目标生活模式分析、人际关系分析、人际关系验证三大问题。对于本城市数据集案例，该方法定位分析目标、分析目标的生活轨迹，提取重要轨迹寻找对应匹配的关系人，验证目标与关系人的关系。通过这一系列的步骤该方法能够分析目标的重要关系人及其关系密切程度。