本發(fā)明涉及網(wǎng)絡(luò)技術(shù)，特別涉及用戶出行方式的識別方法和裝置。

背景技術(shù)：

在實際應(yīng)用中，很多場景下需要對用戶的出行方式進(jìn)行識別，所述出行方式可包括：公交、步行、駕車、地鐵、跑步、騎行等。

比如，圖1為現(xiàn)有用戶的出行路線示意圖，如圖1所示，在該出行路線中，既包括步行路段，也包括公交路段，在步行路段，可為用戶進(jìn)行步行導(dǎo)航誘導(dǎo)，在公交路段，可為用戶進(jìn)行公交實時到站提醒誘導(dǎo)，為此，則需要準(zhǔn)確地識別出用戶當(dāng)前的出行方式，以便切換到相應(yīng)的誘導(dǎo)模式。

再比如，在智能化地圖場景中，用戶使用地圖的過程中，如果能夠獲取到用戶的出行方式，那么可通過較長時間用戶出行方式的數(shù)據(jù)獲取，并結(jié)合大數(shù)據(jù)分析技術(shù)等，可分析出用戶出行的長期偏好、短期偏好、即時出行偏好等，從而豐富地圖用戶畫像標(biāo)簽，進(jìn)而為地圖智能化服務(wù)提供重要的數(shù)據(jù)源。

現(xiàn)有技術(shù)中，多基于全球定位系統(tǒng)(GPS，Global Positioning System)數(shù)據(jù)來識別用戶的出行方式，如步行時的GPS速度值小于乘坐公交時的GPS速度值。

但是，上述識別方式的準(zhǔn)確性較低，比如，在公交堵車階段或剛起步階段，公交速度和步行速度相似，從而難以區(qū)分，很可能造成識別錯誤。

技術(shù)實現(xiàn)要素：

有鑒于此，本發(fā)明提供了用戶出行方式的識別方法和裝置，能夠提高識別結(jié)果的準(zhǔn)確性。

具體技術(shù)方案如下：

一種用戶出行方式的識別方法，包括：

獲取訓(xùn)練樣本，每個訓(xùn)練樣本中包括：以預(yù)定時長作為一個時間窗口，從所述時間窗口內(nèi)采集到的用戶行為數(shù)據(jù)中提取出的特征值，以及，用戶在所述時間窗口內(nèi)的出行方式；

將提取出的特征值作為輸入，將用戶的出行方式作為輸出，訓(xùn)練得到識別模型；

針對待識別的用戶，每經(jīng)過一個所述時間窗口，則根據(jù)從所述時間窗口內(nèi)采集到的用戶行為數(shù)據(jù)中提取出的特征值以及所述識別模型，確定出所述用戶的出行方式。

一種用戶出行方式的識別裝置，包括：獲取單元和識別單元；

所述獲取單元，用于從服務(wù)端獲取識別模型，并發(fā)送給所述識別單元；所述識別模型通過訓(xùn)練樣本訓(xùn)練得到，每個訓(xùn)練樣本中包括：以預(yù)定時長作為一個時間窗口，從所述時間窗口內(nèi)采集到的用戶行為數(shù)據(jù)中提取出的特征值，以及，用戶在所述時間窗口內(nèi)的出行方式，將提取出的特征值作為輸入，將用戶的出行方式作為輸出，訓(xùn)練得到所述識別模型；

所述識別單元，用于針對待識別的用戶，每經(jīng)過一個所述時間窗口，則根據(jù)從所述時間窗口內(nèi)采集到的用戶行為數(shù)據(jù)中提取出的特征值以及所述識別模型，確定出所述用戶的出行方式。

可以看出，采用本發(fā)明所述方案，可將從用戶行為數(shù)據(jù)中提取出的特征值作為輸入，將用戶的出行方式作為輸出，訓(xùn)練得到識別模型，進(jìn)而根據(jù)識別模型來對用戶的出行方式進(jìn)行識別，從而相比于現(xiàn)有技術(shù)提高了識別結(jié)果的準(zhǔn)確性。

【附圖說明】

圖1為現(xiàn)有用戶的出行路線示意圖。

圖2為本發(fā)明所述用戶出行方式的識別方法實施例的流程圖。

圖3為本發(fā)明所述用戶出行方式的識別過程的第一示意圖。

圖4為本發(fā)明所述用戶出行方式的識別過程的第二示意圖。

圖5為本發(fā)明所述用戶出行方式的識別裝置實施例的組成結(jié)構(gòu)示意圖。

【具體實施方式】

為了使本發(fā)明的技術(shù)方案更加清楚、明白，以下參照附圖并舉實施例，對本發(fā)明所述方案作進(jìn)一步地詳細(xì)說明。

實施例一

圖2為本發(fā)明所述用戶出行方式的識別方法實施例的流程圖，如圖2所示，包括以下具體實現(xiàn)方式。

在21中，獲取訓(xùn)練樣本，每個訓(xùn)練樣本中包括：以預(yù)定時長作為一個時間窗口，從時間窗口內(nèi)采集到的用戶行為數(shù)據(jù)中提取出的特征值，以及，用戶在時間窗口內(nèi)的出行方式。

在22中，將提取出的特征值作為輸入，將用戶的出行方式作為輸出，訓(xùn)練得到識別模型。

在23中，針對待識別的用戶，每經(jīng)過一個時間窗口，則根據(jù)從時間窗口內(nèi)采集到的用戶行為數(shù)據(jù)中提取出的特征值以及識別模型，確定出用戶的出行方式，即識別出用戶姿態(tài)。

可以看出，上述21～22為訓(xùn)練得到識別模型的過程，23為利用識別模型進(jìn)行用戶的出行方式識別的過程。

其中，用戶行為數(shù)據(jù)可包括：GPS數(shù)據(jù)、加速度傳感器數(shù)據(jù)和方向傳感器數(shù)據(jù)。

時間窗口的具體時長可為5～10s中的任意值。實驗顯示，時間窗口的時長小于5s，將不能完整刻畫用戶姿態(tài)，超過10s的時間窗口和5～10s的時間窗口得到的結(jié)果幾乎一致，但時長越長，計算耗時越長，因此，時間窗口的時長可為5～10s中的任意值。

假設(shè)時間窗口的時長為10s，那么在一個時間窗口內(nèi)，可采集10次GPS數(shù)據(jù)，當(dāng)選取的采樣率為40ms時，可采集250次加速度傳感器數(shù)據(jù)和250次方向傳感器數(shù)據(jù)。

在實際應(yīng)用中，每一秒進(jìn)行一次GPS數(shù)據(jù)回調(diào)，即進(jìn)行一次GPS數(shù)據(jù)采集，因此，可通過GPS數(shù)據(jù)回調(diào)來進(jìn)行計時，即當(dāng)?shù)?0個GPS數(shù)據(jù)回調(diào)后，則認(rèn)為一個時間窗口結(jié)束。

實驗顯示，對于加速度傳感器數(shù)據(jù)和方向傳感器數(shù)據(jù)，僅對前200次采集到的數(shù)據(jù)進(jìn)行處理和對250次采集到的數(shù)據(jù)進(jìn)行處理，得到的結(jié)果幾乎一致，因此為減少計算量等，可僅對前200次采集到的數(shù)據(jù)進(jìn)行處理。

由于每個時間窗口內(nèi)采集到的數(shù)據(jù)都比較多，如果均作為識別模型的輸入的話，將會導(dǎo)致數(shù)據(jù)維度過多，計算復(fù)雜度過大，因此，需要針對采集到的用戶行為數(shù)據(jù)進(jìn)行特征值提取，以降低數(shù)據(jù)的維度，突出數(shù)據(jù)的特征。

不同類型的用戶行為數(shù)據(jù)，提取特征值的方式也會不同，以下分別進(jìn)行介紹。

1)從加速度傳感器數(shù)據(jù)中提取特征值

當(dāng)用戶按照不同的出行方式出行時，加速度傳感器數(shù)據(jù)會有明顯的不同，比如，步行時的加速度較大，而駕車時的加速度較小。

針對時間窗口內(nèi)前N次每次采集到的加速度傳感器數(shù)據(jù)，可分別進(jìn)行以下處理：分別計算該加速度傳感器數(shù)據(jù)中的x方向值、y方向值和z方向值的平方值，并將三個平方值相加，得到一個加速度能量值；根據(jù)預(yù)先設(shè)定的離散區(qū)間，對N個加速度能量值進(jìn)行離散化處理，得到M個離散值，將M個離散值作為提取出的特征值，M為大于一的正整數(shù)，M<N。

每次采集到的加速度傳感器數(shù)據(jù)由x方向值、y方向值和z方向值組成，可計算三個方向值的平方和，作為該加速度傳感器數(shù)據(jù)對應(yīng)的加速度能量值，即一個加速度傳感器數(shù)據(jù)對應(yīng)一個加速度能量值。

對于得到的N個加速度能量值，可采用以下方式來對其進(jìn)行離散化處理：預(yù)先設(shè)置M個連續(xù)的取值區(qū)間，針對每個取值區(qū)間，分別統(tǒng)計出N個加速度能量值中位于該取值區(qū)間內(nèi)的加速度能量值的個數(shù)，將統(tǒng)計結(jié)果作為對N個加速度能量值進(jìn)行離散化處理的結(jié)果。

M的具體取值可根據(jù)實際需要而定，各取值區(qū)間的具體取值也可根據(jù)實際需要而定，比如，M的取值可為7，各取值區(qū)間可分別為(0,1]、(1,2]、(2,4]、(4,8]、(8,16]、(16,32]以及大于32。

分別統(tǒng)計出N個加速度能量值中位于(0,1]、(1,2]、(2,4]、(4,8]、(8,16]、(16,32]以及大于32這7個取值區(qū)間中的加速度能量值的個數(shù)，得到7個統(tǒng)計結(jié)果，這7個統(tǒng)計結(jié)果即為一個時間窗口內(nèi)從加速度傳感器數(shù)據(jù)中提取出的特征值。

如前所述，當(dāng)時間窗口的時長為10s時，N的取值可為200，將200個加速度能量值離散化為7個特征值，從而降低了數(shù)據(jù)的維度。

2)從方向傳感器數(shù)據(jù)中提取特征值

對于方向傳感器，z軸正方向為前進(jìn)方向，pitch表征俯仰角，將物體繞x軸旋轉(zhuǎn)，yaw表征航向角，將物體繞y軸旋轉(zhuǎn)，roll表征橫滾角，將物體繞z軸旋轉(zhuǎn)。由于橫滾角在機(jī)動車和非機(jī)動車中不能表征運動特征，因此，可丟棄每次采集到的方向傳感器數(shù)據(jù)中的橫滾角數(shù)據(jù)。另外，由于俯仰角和航向角均為方向角，值都比較大，因此可進(jìn)行梯度計算，將當(dāng)前值減去上次值得到的梯度作為本次梯度，然后將所有梯度進(jìn)行求和，從而將數(shù)據(jù)的維度從3*200維降低到2維。

具體地，可針對時間窗口內(nèi)除第一次采集到的方向傳感器數(shù)據(jù)之外前N次每次采集到的方向傳感器數(shù)據(jù)，分別進(jìn)行以下處理：

分別計算該方向傳感器數(shù)據(jù)中的俯仰角與時間窗口內(nèi)相鄰前一次采集到的方向傳感器數(shù)據(jù)中的俯仰角的第一差值，并計算該方向傳感器數(shù)據(jù)中的航向角與時間窗口內(nèi)相鄰前一次采集到的方向傳感器數(shù)據(jù)中的航向角的第二差值；

分別計算各第一差值相加之和以及各第二差值相加之和，將計算結(jié)果作為提取出的特征值。

N為大于1的正整數(shù)，如前所述，假設(shè)時間窗口的時長為10s，那么N的取值可為200，即分別計算第2次采集到的方向傳感器數(shù)據(jù)中的俯仰角與第1次采集到的方向傳感器數(shù)據(jù)中的俯仰角的差值、第3次采集到的方向傳感器數(shù)據(jù)中的俯仰角與第2次采集到的方向傳感器數(shù)據(jù)中的俯仰角的差值、…、第200次采集到的方向傳感器數(shù)據(jù)中的俯仰角與第199次采集到的方向傳感器數(shù)據(jù)中的俯仰角的差值，將各差值相加，得到一個特征值，并且，分別計算第2次采集到的方向傳感器數(shù)據(jù)中的航向角與第1次采集到的方向傳感器數(shù)據(jù)中的航向角的差值、第3次采集到的方向傳感器數(shù)據(jù)中的航向角與第2次采集到的方向傳感器數(shù)據(jù)中的航向角的差值、…、第200次采集到的方向傳感器數(shù)據(jù)中的航向角與第199次采集到的方向傳感器數(shù)據(jù)中的航向角的差值，將各差值相加，得到另外一個特征值。

3)從GPS數(shù)據(jù)中提取特征值

可分別計算時間窗口內(nèi)采集到的各GPS數(shù)據(jù)中的速度值的均值以及時間窗口內(nèi)采集到的各GPS數(shù)據(jù)中的方向角的均值，將計算結(jié)果作為提取出的特征值。

如前所述，假設(shè)時間窗口的時長為10s，在時間窗口內(nèi)共進(jìn)行了10次GPS數(shù)據(jù)采集，那么可將10次采集到的GPS數(shù)據(jù)中的速度值求平均，并將10次采集到的GPS數(shù)據(jù)中的方向角求平均，從而得到2個特征值。

按照1)～3)中所述方式進(jìn)行特征值提取，并已知用戶的出行方式，即可得到各訓(xùn)練樣本。

在實際應(yīng)用中，可以讓專門的測試人員按照不同的出行方式出行，并實時采集用戶行為數(shù)據(jù)，從而得到各訓(xùn)練樣本。

在得到足夠數(shù)量的訓(xùn)練樣本之后，可將訓(xùn)練樣本中的特征值作為輸入，將用戶的出行方式作為輸出，訓(xùn)練得到識別模型，如何訓(xùn)練得到識別模型為現(xiàn)有技術(shù)。

具體采用何種模型作為識別模型可根據(jù)實際需要而定，比如，可采用隨機(jī)森林識別模型，隨機(jī)森林識別模型的文件格式如表一所示。

表一隨機(jī)森林識別模型的文件格式

在得到識別模型之后，即可利用識別模型，來對用戶的出行方式進(jìn)行識別。

如在用戶的手機(jī)中預(yù)置識別模型，從而可以對用戶的出行方式進(jìn)行實時識別。

手機(jī)中的相關(guān)單元可實時地采集用戶行為數(shù)據(jù)，并且，每經(jīng)過一個時間窗口，可根據(jù)該時間窗口內(nèi)采集到的用戶行為數(shù)據(jù)中提取出的特征值以及識別模型，確定出用戶的出行方式。

需要說明的是，對于手機(jī)來說，當(dāng)采用IOS平臺時，采集到的用戶行為數(shù)據(jù)的取值將在-1到1之間，即為歸一化之后的數(shù)據(jù)，而當(dāng)采用Android平臺時，采集到的用戶行為數(shù)據(jù)為真實值，因此需要針對不同平臺進(jìn)行差異化處理，處理方式可為：針對IOS平臺和Android平臺，分別按照本發(fā)明所述方式生成一個識別模型，這樣，可在采用IOS平臺的手機(jī)中預(yù)置IOS平臺對應(yīng)的識別模型，在采用Android平臺的手機(jī)中預(yù)置Android平臺對應(yīng)的識別模型。

基于上述介紹，圖3為本發(fā)明所述用戶出行方式的識別過程的第一示意圖，如圖3所示，識別出的出行方式可包括公交、步行、駕車、地鐵、跑步、騎行等。

另外，對于公交和駕車這兩種出行方式，由于特征相對相似，按照上述識別模型可能比較難以區(qū)分，為此，本發(fā)明所述方案中還提出，可進(jìn)一步引入用戶與公交站點的接近度這一特征，實驗顯示，引入該特征后可明顯提高對公交和駕車的識別準(zhǔn)確率和召回率。

相應(yīng)地，每個訓(xùn)練樣本中需要進(jìn)一步包括：時間窗口內(nèi)用戶與公交站點的接近度，將提取出的特征值以及時間窗口內(nèi)用戶與公交站點的接近度作為輸入，將用戶的出行方式作為輸出，訓(xùn)練得到識別模型。

這樣，針對待識別的用戶，每經(jīng)過一個時間窗口，則根據(jù)時間窗口內(nèi)采集到的用戶行為數(shù)據(jù)中提取出的特征值、獲取到的時間窗口內(nèi)用戶與公交站點的接近度以及識別模型，確定出用戶的出行方式。

具體地，在時間窗口內(nèi)，當(dāng)每采集到一次GPS數(shù)據(jù)時，則可根據(jù)采集到的GPS數(shù)據(jù)以及預(yù)先獲取的各公交站點的地理信息系統(tǒng)(GIS，Geographic Information System)信息，統(tǒng)計出當(dāng)前與用戶之間的距離小于預(yù)定閾值的公交站點的個數(shù)，并將各次統(tǒng)計結(jié)果相加，用相加之和除以時間窗口的時長，得到時間窗口內(nèi)用戶與公交站點的接近度。

假設(shè)時間窗口的時長為10s，時間窗口內(nèi)共采集了10次GPS數(shù)據(jù)，那么，每采集一次GPS數(shù)據(jù)，則可得到一個統(tǒng)計結(jié)果，即當(dāng)前與用戶之間的距離小于預(yù)定閾值的公交站點的個數(shù)，將10個統(tǒng)計結(jié)果相加之和除以10s，得到的即為時間窗口內(nèi)用戶與公交站點的接近度。

所述預(yù)定閾值的具體取值可根據(jù)實際需要而定，比如可為15米。

可將全國各公交站點的GIS信息打包預(yù)置到用戶手機(jī)中，當(dāng)需要獲取統(tǒng)計結(jié)果時，可根據(jù)用戶所處的位置，選取適當(dāng)?shù)墓徽军c去和用戶進(jìn)行距離比較，比如，根據(jù)GPS數(shù)據(jù)確定出用戶位于北京市海淀區(qū)，那么可首先獲取到位于北京市海淀區(qū)內(nèi)的各公交站點的GIS信息，然后根據(jù)各公交站點的GIS信息確定出其與用戶之間的距離是否小于15米。

基于上述介紹，圖4為本發(fā)明所述用戶出行方式的識別過程的第二示意圖，相比于圖3所示方式，圖4所示方式中進(jìn)一步引入了時間窗口內(nèi)用戶與公交站點的接近度這一特征。

無論采用哪種識別模型，在利用識別模型對用戶的出行方式進(jìn)行識別之后，可根據(jù)識別結(jié)果及對應(yīng)的特征值等生成新的訓(xùn)練樣本，進(jìn)而根據(jù)新的訓(xùn)練樣本對原識別模型進(jìn)行優(yōu)化和完善，具體實現(xiàn)為現(xiàn)有技術(shù)。

以上是關(guān)于方法實施例的介紹，以下通過裝置實施例，對本發(fā)明所述方案進(jìn)行進(jìn)一步說明。

實施例二

圖5為本發(fā)明所述用戶出行方式的識別裝置實施例的組成結(jié)構(gòu)示意圖，如圖5所示，包括：獲取單元51和識別單元52。

獲取單元51，用于從服務(wù)端獲取識別模型，并發(fā)送給識別單元52；識別模型通過訓(xùn)練樣本訓(xùn)練得到，每個訓(xùn)練樣本中包括：以預(yù)定時長作為一個時間窗口，從時間窗口內(nèi)采集到的用戶行為數(shù)據(jù)中提取出的特征值，以及，用戶在時間窗口內(nèi)的出行方式，將提取出的特征值作為輸入，將用戶的出行方式作為輸出，訓(xùn)練得到識別模型。

識別單元52，用于針對待識別的用戶，每經(jīng)過一個時間窗口，則根據(jù)從時間窗口內(nèi)采集到的用戶行為數(shù)據(jù)中提取出的特征值以及識別模型，確定出用戶的出行方式。

其中，用戶行為數(shù)據(jù)可包括：GPS數(shù)據(jù)、加速度傳感器數(shù)據(jù)和方向傳感器數(shù)據(jù)。

相應(yīng)地，識別單元52中可具體包括：信息采集子單元521、第一提取子單元522、第二提取子單元523、第三提取子單元524以及識別子單元525。

信息采集子單元521，用于將時間窗口內(nèi)采集到的加速度傳感器數(shù)據(jù)發(fā)送給第一提取子單元522，將時間窗口內(nèi)采集到的方向傳感器數(shù)據(jù)發(fā)送給第二提取子單元523，將時間窗口內(nèi)采集到的GPS數(shù)據(jù)發(fā)送給第三提取子單元524。

第一提取子單元522，用于從時間窗口內(nèi)采集到的加速度傳感器數(shù)據(jù)中提取出特征值，并發(fā)送給識別子單元525。

第二提取子單元523，用于從時間窗口內(nèi)采集到的方向傳感器數(shù)據(jù)中提取出特征值，并發(fā)送給識別子單元525。

第三提取子單元524，用于從時間窗口內(nèi)采集到的GPS數(shù)據(jù)中提取出特征值，并發(fā)送給識別子單元525。

識別子單元525，用于根據(jù)接收到的時間窗口內(nèi)的特征值以及識別模型，確定出用戶的出行方式。

時間窗口的具體時長可為5～10s中的任意值。實驗顯示，時間窗口的時長小于5s，將不能完整刻畫用戶姿態(tài)，超過10s的時間窗口和5～10s的時間窗口得到的結(jié)果幾乎一致，但時長越長，計算耗時越長，因此，時間窗口的時長可為5～10s中的任意值。

假設(shè)時間窗口的時長為10s，那么在一個時間窗口內(nèi)，可采集10次GPS數(shù)據(jù)，當(dāng)選取的采樣率為40ms時，可采集250次加速度傳感器數(shù)據(jù)和250次方向傳感器數(shù)據(jù)。

在實際應(yīng)用中，每一秒進(jìn)行一次GPS數(shù)據(jù)回調(diào)，即進(jìn)行一次GPS數(shù)據(jù)采集，因此，可通過GPS數(shù)據(jù)回調(diào)來進(jìn)行計時，即當(dāng)?shù)?0個GPS數(shù)據(jù)回調(diào)后，則認(rèn)為一個時間窗口結(jié)束。

實驗顯示，對于加速度傳感器數(shù)據(jù)和方向傳感器數(shù)據(jù)，僅對前200次采集到的數(shù)據(jù)進(jìn)行處理和對250次采集到的數(shù)據(jù)進(jìn)行處理，得到的結(jié)果幾乎一致，因此為減少計算量等，可僅對前200次采集到的數(shù)據(jù)進(jìn)行處理。

另外，由于每個時間窗口內(nèi)采集到的數(shù)據(jù)都比較多，如果均作為識別模型的輸入的話，將會導(dǎo)致數(shù)據(jù)維度過多，計算復(fù)雜度過大，因此，需要針對采集到的用戶行為數(shù)據(jù)進(jìn)行特征值提取，以降低數(shù)據(jù)的維度，突出數(shù)據(jù)的特征。

其中，第一提取子單元522可針對時間窗口內(nèi)前N次(如前200次)每次采集到的加速度傳感器數(shù)據(jù)，分別進(jìn)行以下處理：分別計算該加速度傳感器數(shù)據(jù)中的x方向值、y方向值和z方向值的平方值，并將三個平方值相加，得到一個加速度能量值；根據(jù)預(yù)先設(shè)定的離散區(qū)間，對N個加速度能量值進(jìn)行離散化處理，得到M個離散值，將M個離散值作為提取出的特征值，M為大于一的正整數(shù)，M<N。

第一提取子單元522可針對預(yù)先設(shè)置的M個連續(xù)的取值區(qū)間中的每個取值區(qū)間，分別統(tǒng)計出N個加速度能量值中位于該取值區(qū)間內(nèi)的加速度能量值的個數(shù)，將統(tǒng)計結(jié)果作為對N個加速度能量值進(jìn)行離散化處理的結(jié)果。

M的具體取值可根據(jù)實際需要而定，各取值區(qū)間的具體取值也可根據(jù)實際需要而定。

第二提取子單元523可針對時間窗口內(nèi)除第一次采集到的方向傳感器數(shù)據(jù)之外前N次每次采集到的方向傳感器數(shù)據(jù)，N為大于1的正整數(shù)，如200，分別進(jìn)行以下處理：分別計算該方向傳感器數(shù)據(jù)中的俯仰角與時間窗口內(nèi)相鄰前一次采集到的方向傳感器數(shù)據(jù)中的俯仰角的第一差值，并計算該方向傳感器數(shù)據(jù)中的航向角與時間窗口內(nèi)相鄰前一次采集到的方向傳感器數(shù)據(jù)中的航向角的第二差值；分別計算各第一差值相加之和以及各第二差值相加之和，將計算結(jié)果作為提取出的特征值。

第三提取子單元524可分別計算時間窗口內(nèi)采集到的各GPS數(shù)據(jù)中的速度值的均值以及時間窗口內(nèi)采集到的各GPS數(shù)據(jù)中的方向角的均值，將計算結(jié)果作為提取出的特征值。

在生成識別模型時，可按照與識別單元52中同樣的方式進(jìn)行用戶行為數(shù)據(jù)的采集和特征值的提取，并已知用戶的出行方式，即可得到各訓(xùn)練樣本。

在得到足夠數(shù)量的訓(xùn)練樣本之后，可將訓(xùn)練樣本中的特征值作為輸入，將用戶的出行方式作為輸出，訓(xùn)練得到識別模型，如何訓(xùn)練得到識別模型為現(xiàn)有技術(shù)。

具體采用何種模型作為識別模型可根據(jù)實際需要而定，比如，可采用隨機(jī)森林識別模型。

基于上述識別模型，即可對用戶的出行方式進(jìn)行實時識別，但是，對于公交和駕車這兩種出行方式，由于特征相對相似，按照上述識別模型可能比較難以區(qū)分，為此，本發(fā)明所述方案中還提出，可進(jìn)一步引入用戶與公交站點的接近度這一特征，實驗顯示，引入該特征后可明顯提高對公交和駕車的識別準(zhǔn)確率和召回率。

相應(yīng)地，每個訓(xùn)練樣本的輸入中可進(jìn)一步包括：時間窗口內(nèi)用戶與公交站點的接近度。

如圖5所示，識別單元52中可進(jìn)一步包括：接近度獲取子單元526。

接近度獲取子單元526，用于獲取時間窗口內(nèi)用戶與公交站點的接近度，并發(fā)送給識別子單元525。

識別子單元525進(jìn)一步用于，根據(jù)接收到的時間窗口內(nèi)的特征值、時間窗口內(nèi)用戶與公交站點的接近度以及識別模型，確定出用戶的出行方式。

具體地，第三提取子單元524可將每次采集到的GPS數(shù)據(jù)發(fā)送給接近度獲取子單元526，在時間窗口內(nèi)，接近度獲取子單元526每獲取到一次GPS數(shù)據(jù)，則可根據(jù)該GPS數(shù)據(jù)以及預(yù)先獲取的各公交站點的GIS信息，統(tǒng)計出當(dāng)前與用戶之間的距離小于預(yù)定閾值的公交站點的個數(shù)，將各次統(tǒng)計結(jié)果相加，并用相加之和除以時間窗口的時長，得到時間窗口內(nèi)用戶與公交站點的接近度。

所述預(yù)定閾值的具體取值可根據(jù)實際需要而定，比如可為15米。

總之，采用本發(fā)明所述方案，可將從用戶行為數(shù)據(jù)中提取出的特征值作為輸入，將用戶的出行方式作為輸出，訓(xùn)練得到識別模型，進(jìn)而根據(jù)識別模型來對用戶的出行方式進(jìn)行識別，從而相比于現(xiàn)有技術(shù)提高了識別結(jié)果的準(zhǔn)確性；而且，可借助于公交站點的GIS信息，進(jìn)一步區(qū)分公交和駕車兩種出行方式，從而進(jìn)一步提高了識別結(jié)果的準(zhǔn)確性。

在本發(fā)明所提供的幾個實施例中，應(yīng)該理解到，所揭露的裝置和方法，可以通過其它的方式實現(xiàn)。例如，以上所描述的裝置實施例僅僅是示意性的，例如，所述單元的劃分，僅僅為一種邏輯功能劃分，實際實現(xiàn)時可以有另外的劃分方式。

所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個地方，或者也可以分布到多個網(wǎng)絡(luò)單元上?？梢愿鶕?jù)實際的需要選擇其中的部分或者全部單元來實現(xiàn)本實施例方案的目的。

另外，在本發(fā)明各個實施例中的各功能單元可以集成在一個處理單元中，也可以是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在一個單元中。上述集成的單元既可以采用硬件的形式實現(xiàn)，也可以采用硬件加軟件功能單元的形式實現(xiàn)。

上述以軟件功能單元的形式實現(xiàn)的集成的單元，可以存儲在一個計算機(jī)可讀取存儲介質(zhì)中。上述軟件功能單元存儲在一個存儲介質(zhì)中，包括若干指令用以使得一臺計算機(jī)設(shè)備(可以是個人計算機(jī)，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)或處理器(processor)執(zhí)行本發(fā)明各個實施例所述方法的部分步驟。而前述的存儲介質(zhì)包括：U盤、移動硬盤、只讀存儲器(ROM，Read-Only Memory)、隨機(jī)存取存儲器(RAM，Random Access Memory)、磁碟或者光盤等各種可以存儲程序代碼的介質(zhì)。

以上所述僅為本發(fā)明的較佳實施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所做的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明保護(hù)的范圍之內(nèi)。