(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211417112.8 (22)申请日 2022.11.14 (71)申请人 武汉大学 地址 430072 湖北省武汉市武昌区珞珈山 街道八一路2 99号 (72)发明人 桂志鹏　刘宇航　吴华意　 (74)专利代理 机构 武汉科皓知识产权代理事务 所(特殊普通 合伙) 42222 专利代理师 王琪 (51)Int.Cl. G06K 9/62(2022.01) G06F 16/9537(2019.01) G06F 16/9535(2019.01) (54)发明名称 一种基于车辆轨迹数据的司机画像构建方 法 (57)摘要 本发明公开了一种基于车辆轨迹数据的司 机画像构建方法， 该方法定义了描述个体移动模 式的轨迹特质； 并通过从时间、 空间、 地理语义、 驾驶行为设计了32个轨迹特征作为测量轨迹特 质的量表题项； 接着指定各轨迹特征与轨迹特质 的对应关系和计 分规则构建轨迹特质量表； 然后 采用统计方法评估量表测量结果的有效性来度 量量表设计的合理性或量表在当前用户群体中 的适用性。 本发 明提供了一种从多个角度提取轨 迹特征的技术框架， 并从画像的视角出发， 建立 了底层轨迹统计特征与高层轨迹特质画像之间 的映射与转换机制， 通过综合碎片化的轨迹特征 挖掘司机的出行倾向和驾驶偏好， 为出行活动特 征的高层语义建模提供了技 术方案。 权利要求书6页 说明书15页 附图7页 CN 115470872 A 2022.12.13 CN 115470872 A 1.一种基于车辆 轨迹数据的司机画像构建方法， 其特 征在于， 包括如下步骤： 步骤S1， 定义轨 迹画像的描述维度； 步骤S2， 根据描述维度的定义从多个角度设计与之相关的轨迹特征形成待选轨迹特征 集合； 步骤S3， 构建量表测量描述维度， 其包含定义描述维度和轨迹特征的对应关系以及指 定轨迹特征的计分规则； 具体来说， 针对每一描述维度， 依靠其定义 从待选轨迹特征集合中 选择符合其定义的轨迹特征， 以作为测量该描述 维度的题项； 同时， 根据轨迹特征和描述 维 度的定义， 判断两者在概念上的正负相关关系， 并以此指 定轨迹特征的计分规则； 若某一描 述维度无法从待选轨迹特征集合中选择出合适的轨迹特征， 则该描述维度不纳 入最终的轨 迹画像中； 步骤S4， 输入一个或多个用户的轨迹数据， 基于步骤S3中的量表提取轨迹特征， 并融合 各描述维度下的轨 迹特征得到描述维度的测量结果， 即轨 迹画像。 2.如权利要求1所述的一种基于车辆轨迹数据的司机画像构建方法， 其特征在于： 步骤 S1的具体实现方式如下； 定义轨迹画像的描述维度为A， B， C， D四个描述维度， 即轨迹特质； 其中描述维度A刻画 司机活动空间范围、 出行频率、 光顾购物或娱乐场所的次数； 描述维度B衡量司机出行地点 的不规则性和不可预测性； 描述维度C捕捉司机冲动驾驶的倾向； 描述维度D描述司机遵守 交通规则、 守时的程度。 3.如权利要求2所述的一种基于车辆轨迹数据的司机画像构建方法， 其特征在于： 步骤 S2具体包括： 基于车辆 轨迹数据从时间、 空间、 地理语义、 驾驶行为四个角度设计轨 迹特征； 步骤S21， 设计时间特 征揭示出 行节律； 步骤S22， 设计空间特 征描述出 行地点的空间范围和分布特 征； 步骤S23， 设计地理语义特 征刻画出 行活动信息； 步骤S24， 设计驾驶行为特 征反映驾驶能力和风险。 4.如权利要求3所述的一种基于车辆轨迹数据的司机画像构建方法， 其特征在于： 步骤 S21设计的时间特 征包括： 设计的时间特征从出行时间熵出发， 包括日内出行熵及周和日结合的出行熵， 计算公 式为： ， 其中 表示第 个出行时间槽， 表示司机在 的 出行频率； 当将一 天以小时为单位进 行分段， 每个时间段为一个时间槽， 根据上述 公式可计 算日内出行熵； 当将一周以天为单位初步分为多个时间段， 并进一步将每个时间段以小时 为单位再次分段为多个时间槽， 根据上述公式可计算周和日结合的出 行熵。 5.如权利要求3所述的一种基于车辆轨迹数据的司机画像构建方法， 其特征在于： 步骤 S22设计的空间特 征包括： 设计的空间特征由旋转半径、 空间熵和其他三个子类组成； 旋转半径子类包含4个特 征： 停留时间加权的旋转半径、 停留次数加权的旋转半径、 k ‑旋转半径比率、 决定空间范围 的最小停留点数量； 空间熵子类包含4个特征： 随机熵、 地点熵、 序列熵、 出发地 ‑目的地熵；权　利　要　求　书 1/6 页 2 CN 115470872 A 2其他子类包 含3个特征： 每月出 行次数、 平均出 行距离、 非兴趣出 行比率； 计算公式如下： 停留时间加权的旋转半径/停留次数加权的旋转半径： ， 其中，L为司机停留点的集合； ri是一个二维的向量表示 停留点 的经纬度； ni是司机在停留点 的停留次数或停留时间； 是停留的总 次数或时间； rcm是司机所有停留点的中心即坐标均值； k‑旋转半径比率： ， 其中 ， 其中， 是司机最频 繁访问的 k个停留点的中心即坐标均值； Nk是k个地点的权重之和， 可为停留总次数或时间； 决定空间范围的最小停留点数量： ； 随机熵： ， 其中，N表示司机停留点的数量； 地点熵： ， 其中， 表示第 个停留点， 表示司 机访问 的频率； 序列熵： ， 其中， 为一个司机按时间先后访问停留点的 顺序序列， 为该序列出现的频率； 出发地‑目的地熵： ， 其中，m表示唯一 不重复的 “出发地‑目的地”停留点对的数量， 表示从出发地 到目的地 出现的频率； 每月出行次数： ， 其中，n表示一个司机的总出行次数， month为总的出行 月份； 平均出行距离： ， 其中， 是一次出行中起始点 和目的地之间的直线距离， n为总出行次数； 非兴趣出 行比率： ， 其中，nuni是当目的地是不常去停留点的出 行次数。 6.如权利要求3所述的一种基于车辆轨迹数据的司机画像构建方法， 其特征在于： 步骤 S23设计的地理语义特 征包括：权　利　要　求　书 2/6 页 3 CN 115470872 A 3