以看作是将识别群体运动轨迹进一步应用于公 共交通工具轨迹识别时的一个实施例，包括以下步骤：
[0055] 步骤401，获取多个终端用户的运动轨迹。
[0056] 在本实施例中，在本实施例中，电子设备可以获取多个终端用户的运动轨迹。其 中，终端用户的运动轨迹可以通过该用户持有的终端设备的运动轨迹来表征。运动轨迹可 以是从某个时间点或某个位置开始一直延续的，也可以是按照不同的时间段或地理位置分 段的。
[0057]步骤402,将上述多个终端用户的运动轨迹进行一致性对比。
[0058]在本实施例中，电子设备可以进一步对上述多个终端用户的运动轨迹进行对比， 分析它们相互间的一致性。在这里，如果两个终端用户的运动轨迹满足以下条件中的至少 一个，则确定它们在相应的时间和/或距离范围内具有一致性:在超过预设时间段内相对距 离小于预设距离阈值;在超过预设路程内相对距离小于预设距离阈值。其中，这里的相对距 离表示在同一个时间点时这两个终端用户的运动轨迹所表示的位置点之间的距离。
[0059]值得说明的是，终端用户的运动轨迹的一致性可以是一直具有一致性，也可以是 分段具有一致性。同一个终端用户的运动轨迹与自身的运动轨迹对比自始至终具有一致 性。
[0060] 步骤403,基于对比结果，将具有一致性的至少一个终端用户的运动轨迹加入群体 轨迹集合，并将群体轨迹集合所描绘的运动轨迹识别为群体运动轨迹。
[0061] 在本实施例中，电子设备可以基于对多个终端用户的运动轨迹的一致性对比结 果，将具有一致性的至少一个终端用户的运动轨迹加入群体轨迹集合，同时，可以将该群体 轨迹集合所描绘的运动轨迹识别为群体运动轨迹。在这里，群体轨迹集合的运动轨迹可以 通过群体轨迹集合内任一终端用户的运动轨迹来表示，也可以将群体轨迹集合所包括的运 动轨迹按照相同时间点求位置点的中心点（其中，中心点的位置坐标可以为各位置点坐标 的平均值），并将各中心点连线而形成，还可以通过其他任意合理的方法来表示，本申请对 此不做限定。对于没有其他终端用户的运动轨迹与其具有一致性的终端用户的运动轨迹， 可以将其单独加入一个群体轨迹集合。
[0062]可以理解，在包括多个终端用户的运动轨迹的群体轨迹集合内，如果在某个时间 点，其中的部分终端用户的运动轨迹与其他终端用户的运动轨迹不再具有一致性时，这部 分终端用户的运动轨迹从该群体轨迹集合中筛除并不影响其他终端用户的运动轨迹属于 该群体轨迹集合。同样，如果在某个时间点，有新的终端用户的运动轨迹与该群体轨迹集合 的运动轨迹或者群体轨迹集合中的终端用户的运动轨迹具有了一致性，其可以加入该群体 轨迹集合。
[0063]步骤404,将群体运动轨迹与已知的公共交通线路进行匹配。
[0064]在本实施例中，电子设备可以接着将所获取的群体运动轨迹与已知的公共交通线 路进行匹配。例如，将在北京市区获取的群体运动轨迹与北京市区内的各路公交车线路进 行匹配。这里，公交车线路可以包括公共交通线路上对应的公共交通工具行车的路线和供 乘客上下车的站点。
[0065] 群体运动轨迹与已知的公共交通线路的匹配可以通过多种方式实现。例如一种方 式是，先判断所得到的群体运动轨迹与公共交通工具行车的路线是否一致，然后判断在前 述站点处群体运动轨迹是否包括减速运动轨迹。其中，由于公共交通工具行车的路线相对 较固定，因此判断群体运动轨迹与公共交通工具行车的路线是否一致可以是通过判断群体 运动轨迹是否按照公共交通工具行车的路线延续来实现，如果是，则确定群体运动轨迹与 公共交通工具行车的路线是一致的。这里，判断群体运动轨迹是否按照公共交通工具行车 的路线延续的方法可以是:先根据群体运动轨迹的当前位置点，获取与前述路线上与该当 前位置点最近的位置点，接着计算该当前位置点与前述路线上与该当前位置点最近的位置 点之间的相对距离，然后判断该距离是否在预设误差距离（如3米）内，若是，判断群体运动 轨迹按照公共交通工具行车的路线延续。可以理解，公共交通工具在站点处往往会停车以 供乘客上下车，因此，当电子设备判断群体运动轨迹与上述线路一致后，还要进一步判断在 上述站点处群体运动轨迹是否包括了减速运动轨迹。这里，减速运动轨迹可以表示物体进 行减速运动时形成的运动轨迹。在一些实现中，如果群体运动轨迹与上述线路一致且在连 续的预定个数(如5个)站点处包括减速运动轨迹，则电子设备可以将其判断为与该公共交 通线路相匹配。
[0066] 群体运动轨迹与已知的公共交通线路的匹配还可以根据其匹配程度进行量化，并 通过所得到的量化的相似度数值来衡量。例如，电子设备可以计算群体运动轨迹与公共交 通线路的相似度，如果相似度大于预设的置信阈值，确定群体运动轨迹与公共交通线路相 匹配。其中，相似度的计算可以依赖于群体运动轨迹，也可以依赖于群体运动集合中所包含 的终端用户的运动轨迹，本申请对此不做限定。
[0067] 如果上述相似度的计算依赖于群体运动轨迹，则电子设备可以计算群体运动轨迹 在与上述线路一致部分与上述线路的重合度(例如相重合部分的路程与相一致部分的路程 的比率），以及群体运动轨迹所经过的该公共交通线路上的站点数，并加权求和得到相似 度，例如:群体运动轨迹与公共交通线路的相似度=上述重合度X路线相似度的权重+群体 运动轨迹所经过的该公共交通线路上的站点数X站点相似度的权重。
[0068] 如果上述相似度的计算依赖于群体运动集合中所包含的终端用户的运动轨迹，则 相似度可以与单个终端用户的运动轨迹与线路和站点的相似程度以及群体运动集合中所 包含的终端用户的运动轨迹的个数相关。例如，此时，相似度可以通过以下公式计算得到：
[0070] 其中，i表示群体轨迹集合中的第i个运动轨迹，U表示群体运动集合，h表示第i个 运动轨迹与公共交通线路的路线相似的长度， Sl表示第i个运动轨迹在公共交通线路上经 过的站点数量，α和β分别表示路线相似度的权重和站点相似度的权重。
[0071] 其中，路线相似度的权重和站点相似度的权重可以通过人为设定，也可以根据每 条公共交通线路上的公共交通工具具体行驶中与路线或站点重合的统计结果确定。举例而 言，假如一条公共交通线路上的某段路程在上班高峰期（如上午7点至9点间）较拥堵，而这 个时间段公共交通线路上的公共交通工具绕行一段路将会比较顺畅，则可以通过统计该时 间段内公共交通工具绕行的概率，以及该段路程在总的公共交通线路路程中所占的比率， 将上述概率与（1-上述比率）的乘积作为路线相似度的权重。同理，电子设备也可以统计公 共交通线路上的公共交通工具在该公共交通线路上停留的站点数与总站点数的比率，并将 该比率作为站点相似度的权重。可以理解，上述的路线相似度的权重和站点相似度的权重 的确定方法仅为一种示例，本领域技术人员还可以通过其他方法确定路线相似度的权重和 站点相似度的权重，例如，将上述方法确定的路线相似度的权重和站点相似度的权重作为 权重系数进行归一化后的数值分别作为路线相似度的权重和站点相似度的权重，等等，本 申请对此不做限定。
[0072] 本领域技术人员可以理解，根据相似度的计算方法的区别，置信阈值的确定方法 也不相同。该置信阈值可以通过人工设定，也可以通过机器学习获得。其中，该置信阈值通 过机器学习获得的一种方法是:采集一定数量的公共交通工具形式样本数据，按照上述方 法中的一种计算群体运动轨迹与已知的公共交通线路的相似度，取所得到的的相似度下限 作为置信阈值。
[0073]值得说明的是，一条已知的公共交通线路可以同时与多个群体运动轨迹相匹配。 [0074] 步骤405,将匹配到的群体运动轨迹确定为上述公共交通线路对应的公共交通工 具的运动轨迹。
[0075]在本实施例中，电子设备可以进一步将在一条公共交通线路上匹配到的群体运动 轨迹确定为该公共交通线路对应的公共交通工具的运动轨迹。
[0076] 在本实施例的一些可选实现方式中，该识别群体运动轨迹方法还可以包括以下步 骤：
[0077] 判断群体轨迹集合中的单个终端用户的运动轨迹在公共交通线路的站点处离开 公共交通线路的距离是否超过预定距离；
[0078] 若是，将单个终端用户的运动轨迹从群体轨迹集合中筛除。
[0079]同理，如果在公共交通线路的站点处，某个终端用户的运动轨迹开始和上述群体 轨迹集合所描绘的运动轨迹具有一致性，则将该终端用户的运动轨迹加入群体轨迹集合。 [0080]以上步骤可以动态改变群体轨迹集合中的终端用户的运动轨迹的个数，并使群体 运动轨迹不受到单个终端用户的运动轨迹的改变的影响。
[0081 ]在本实施例中，上述实现流程中的步骤401、步骤402、步骤403分别与前述实施例 中的步骤201、步骤202、步骤203基本相同，在此不再赘述。
[0082]从图4中可以看出，与图2对应的实施例不同的是，本实施例中的识别群体运动轨 迹方法的流程400增加了步骤404、405。通过增加的步骤404、405,本实施例可以将识别的群 体运动轨迹应用于公共交通工具(如公交车）的运动轨迹的识别，扩展了运动轨迹识别的应 用范围。
[0083]进一步参考图5,作为对上述各图所示方法的实现，本申请提供了一种识别群体运 动轨迹的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可 以应用于电子设备中。
[0084]如图5所示，本实施例所述的识别群体运动轨迹的装置500包括:获取模块501、对 比模块502和识别模块503。其中，获取模块501可以配置用于获取模块，配置用于获取多个 终端用户的运动轨迹;对比模块502可以配置用于将上述多个终端用户的运动轨迹进行一 致性