CN104484993B - 用于交通小区划分的手机信令信息的处理方法 - Google Patents
用于交通小区划分的手机信令信息的处理方法 Download PDFInfo
- Publication number
- CN104484993B CN104484993B CN201410709303.0A CN201410709303A CN104484993B CN 104484993 B CN104484993 B CN 104484993B CN 201410709303 A CN201410709303 A CN 201410709303A CN 104484993 B CN104484993 B CN 104484993B
- Authority
- CN
- China
- Prior art keywords
- mobile phone
- base station
- time
- traffic
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 230000011664 signaling Effects 0.000 title claims abstract description 26
- 238000003672 processing method Methods 0.000 title abstract 4
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 230000000694 effects Effects 0.000 claims abstract description 8
- 230000002159 abnormal effect Effects 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 44
- 230000032823 cell division Effects 0.000 claims description 14
- 238000007621 cluster analysis Methods 0.000 claims description 9
- 230000005856 abnormality Effects 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 230000002035 prolonged effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000005406 washing Methods 0.000 abstract 1
- 238000009826 distribution Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/012—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from other sources than vehicle or roadside beacons, e.g. mobile networks
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明属于城市交通数据采集分析技术领域,尤其涉及一种用于交通小区划分的手机信令信息的处理方法,包括:对手机信令数据进行清洗,剔除异常数据;将手机数据对应的基站位置信息与道路进行匹配;建立基于手机信令信息的交通语义分类;根据交通语义分类情况,选取手机基站特征对其进行区别;对手机信令信息进行提炼,得到手机基站的特征;通过对手机基站特征进行聚类分析,实现交通小区划分。利用手机信令数据对城市进行的交通小区划分与当今大数据挖掘的趋势相一致;语义划分对于实际中基站的种类划分起到简化作用,并且能有效、自动的识别区域和基站的属性;能快速直接的划分出城市交通小区,具有数据采集容易,划分成本低廉、快速直接的优点。
Description
技术领域
本发明属于城市交通数据采集分析技术领域,尤其涉及一种用于交通小区划分的手机信令信息的处理方法。
背景技术
目前,海量的数据的分析挖掘和管理应用成为现代交通该服务的瓶颈。在这些数据中,轨迹数据的分析与挖掘研究主要关注轨迹时态和空间分布特征的提取,由于缺乏与应用语义的关联,具体应用开发方面裹足不前。
城市道路网络交通小区是为了减少交通控制和管理***的复杂性,将复杂交通网络分解为若干个交通区域,对交通区域进行协调优化。交通小区划分最早是在交通规划领域中提出的,其目的主要是为了定义城市路网中交通起讫点的位置,然后使用需求预测模型对各交通小区间的交通出行量进预测,是研究四阶段法中交通生成、分布的基本空间单位。
目前国内外交通小区的划分方法主要有基于聚类分析的交通小区划分方法、面向控制的交通小区划分、基于区内出行比例的交通小区划分方法、对手机话务量的聚类分析方法、扇形分割方法等五种方法。其中基于手机话务量的聚类分析方法是指利用手机话务量的时间分布特征来分析划分城市活动及土地利用特性,从而进一步映射出交通小区。
整个过程要综合基站、手机与用户使用者之间的关系从而得出各交通小区间的OD矩阵。但利用手机话务量来进行交通小区划分相比于利用手机信令定位数据来说精准度更低。目前,与交通相关的交通小区划分方法主要是通过人工调查、人工统计的方式进行,费时费力,且数据的准确性无法保证。
传统的方法耗费时间和人力物力,像北京做一次起讫点调查要耗费约170万和大量人力,这种方法得到的数据只是现在的出行状态的一个快照,并且要花费几年的时间更新数据,而基于手机定位数据获取OD数据的方法只需要从运营商处获得手机移动记录,这些记录的获得不需要额外的投资(例如,升级基站或手机移动终端)。交通小区划分的准确性若无法保证,将会影响后续工作的研究。
发明内容
为了克服上述现有方法存在的缺陷,本发明提出了一种用于交通小区划分的手机信令信息的处理方法,包括:
步骤1、对手机信令数据进行清洗,剔除异常数据;
步骤2、将手机数据对应的基站位置信息与道路进行匹配;
步骤3、建立基于手机信令信息的交通语义分类;
步骤4、根据交通语义分类情况,提取手机基站特征对其进行区别;
步骤5、根据步骤4所提取的手机基站特征,利用聚类分析法标定出手机基站所属的交通语义类别;
步骤6、通过步骤5标定出的手机基站所属的交通语义类别再加上手机基站位置特征作为特征量,采用聚类分析法,实现交通小区划分。
所述步骤1中的异常数据包括:数据时间、坐标及唯一标识,剔除时间异常、位置异常、重复数据以及缺失数据。
所述步骤2具体包括:
步骤21、将获得的数据导入数据库,并调整格式;
步骤22、对手机信令数据进行过滤;
步骤23、将连续的手机数据分割成基于隶属基站的数据;
步骤24、结合基站位置信息,在地理信息***上可视化显示。
所述步骤22中的过滤是指:完成数据的质量分析、清洗、转换、预统计、加载,得到实验所需的字段MSISDN、TimeStamp、LAC、CELLID、EventID;另外,将同一用户在同一位置发生的事件进行压缩,只体现出移动性,不考虑用户发生的具体业务。
所述步骤3中的交通语义分类具体分为以下三大类:工作区、居住区和城市道路。
所述手机基站的特征是通过分析不同语义属性的典型基站的人流量变化来反映基站各时段不同形式人流量的变化情况,具体为包括:1)实时人流量:是指某整点时刻向前延长的单位时间里该区域范围内活动的手机用户数量;2)时段流入量:是指在上一个时段中不在该区域范围内活动但在下一个时段中在区域内活动的手机用户数量;3)时段流出量:是指在上一个时段在该区域范围内活动但下一个时段不在该区域内活动的手机用户数量;4)时段新增人流量:用指定时段前后两个时刻的实时人流量相比较即得出时段新增人流量。
所述的实时人流量的算法包括:1)将目标区域的基站制作成地理信息***图层;2)将基站图层添加到地图中,并将基站和目标区域地图图层关联;3)根据数据中移动用户和基站的关系,以及地图中基站和目标区域的关联,筛选出属于目标区域的移动用户;4)确定要筛选的时刻,然后选出该时刻向前延长单位时间内出现过的移动用户,排重后即为该时刻的实时人流量。
所述时段流入量、时段流出量以及时段新增人流量的算法步骤具体为:1)选定时间段[a,b],时间跨度t小时;2)统计出时间点a对应的集合A中的用户,排重;3)统计出时间点b对应的集合B中的用户,排重;4)统计集合A与集合B的差集中的用户即为流出用户;5)统计集合B与集合A的差集B-A中的用户即为流入用户;6)B-A集合中用户量减去集合B-A中用户量即为时段新增人流量。
所述步骤4中所提取的手机基站特征包括:将手机基站实时人流量、小时流入量、小时流出量、时段新增流量作为聚类的4个基本特征;设手机数据中全部基站为聚类样本数据X={x1,x2,…xi…,xn},n为手机基站总数,xi为第i个手机基站;每个基站有M=96个特征量:24个实时人流量、24个小时流入量、24个小时流出量、24个时段新增流量,特征具体为由于交通语义类别共分为3类,所以在聚类开始前制定K为3,进行K均值聚类。
所述步骤6具体包括:将手机基站的经度、纬度以及所属的语义划分类型作为聚类特征,得到特征总数M=3,特征具体为预设K为任意整数,进行K均值聚类,直到标准测度函数收敛为止得到K值即为小区总数。
所述步骤5和步骤6中的聚类分析法包括:
步骤61、从n个手机基站中选择k个手机基站作为初始聚类中心,其他手机基站则根据这些手机基站与初始聚类中心的距离及相似度分别分配到最相近的小区;cj为第j个聚类中心,则xi与cj的距离为
其中,为第i个手机基站的第m个特征,为第j个聚类中心的第m个特征,m=(1,2,…,M),M为特征总量;xi与cj的相似度为s(xi,cj)=1/d(xi,cj);
步骤62、计算每个更新的小区的聚类中心,用聚类中心的编号替代小区的编号,则第j个小区的手机基站为即该小区包含nj个手机基站,则该小区的聚类中心为其中为第j个小区的聚类中心cj的第m个特征,根据下式求得:
其中,xji是第j个小区中的第i个手机基站,nj是第j个小区中的手机基站个数,是第j个小区中第i个手机基站的第m个特征;
步骤63、重复执行步骤62,直到标准测度函数收敛为止,其形式为:
其中,J是标准值,xcj是第c种类别中的第j个小区的特征,cc是第c种类别中的类中心的特征,c=(1,2,…K),K为类别总数,nj是第j个小区中的手机基站个数,n为手机基站总数。
本发明的有益效果是,1)利用手机信令数据等大数据对城市内的通勤交通进行的交通小区划分与当今大数据挖掘的趋势相一致;2)本发明中的语义划分对于实际中基站的种类划分起到简化作用,并且该识别方法能够有效、自动的识别区域和基站的属性;3)本发明中的交通小区划分方法能够在一定精确度要求下快速直接的划分出城市交通小区,具有数据采集容易,划分成本低廉,交通小区划分快速直接的优点。
附图说明
图1是本发明的流程图。
图2是基于移动定位方法提取交通信息的流程图。
图3基于移动定位方法的交通语义体系。
图4基于手机数据提取的四个特征量。
图5本发明最终获得的交通小区划分结果。
图6是以北京市为例采用本发明方法得到的交通小区划分结果图。
具体实施方式
下面结合附图,对优选实施例作详细说明。
一种用于交通小区划分的手机信令信息的处理方法,如图1所示,包括:
步骤1、对手机信令数据进行清洗,剔除异常数据;
步骤2、将手机数据对应的基站位置信息与道路进行匹配;
步骤3、建立基于手机信令信息的交通语义分类;
步骤4、根据交通语义分类情况,提取手机基站特征对其进行区别;
步骤5、根据步骤4所提取的手机基站特征,利用聚类分析法标定出手机基站所属的交通语义类别;
步骤6、通过步骤5标定出的手机基站所属的交通语义类别再加上手机基站位置特征作为特征量,采用聚类分析法,实现交通小区划分。
所述步骤1中的异常数据包括:数据时间、坐标及唯一标识,剔除时间异常、位置异常、重复数据以及缺失数据。
所述步骤2具体包括:
步骤21、将获得的数据导入数据库,并调整格式;
步骤22、对手机信令数据进行过滤;
步骤23、将连续的手机数据分割成基于隶属基站的数据;
步骤24、结合基站位置信息,在地理信息***上可视化显示。
所述步骤22中的过滤是指:完成数据的质量分析、清洗、转换、预统计、加载,得到实验所需的字段MSISDN、TimeStamp、LAC、CELLID、EventID;另外,将同一用户在同一位置发生的事件进行压缩,只体现出移动性,不考虑用户发生的具体业务。
所述步骤3中的交通语义分类具体分为以下三大类:工作区、居住区和城市道路。
所述手机基站的特征是通过分析不同语义属性的典型基站的人流量变化来反映基站各时段不同形式人流量的变化情况,具体为包括:1)实时人流量:是指某整点时刻向前延长的单位时间里该区域范围内活动的手机用户数量;2)时段流入量:是指在上一个时段中不在该区域范围内活动但在下一个时段中在区域内活动的手机用户数量;3)时段流出量:是指在上一个时段在该区域范围内活动但下一个时段不在该区域内活动的手机用户数量;4)时段新增人流量:用指定时段前后两个时刻的实时人流量相比较即得出时段新增人流量。
所述的实时人流量的算法包括:1)将目标区域的基站制作成地理信息***图层;2)将基站图层添加到地图中,并将基站和目标区域地图图层关联;3)根据数据中移动用户和基站的关系,以及地图中基站和目标区域的关联,筛选出属于目标区域的移动用户;4)确定要筛选的时刻,然后选出该时刻向前延长单位时间内出现过的移动用户,排重后即为该时刻的实时人流量。
所述时段流入量、时段流出量以及时段新增人流量的算法步骤具体为:1)选定时间段[a,b],时间跨度t小时;2)统计出时间点a对应的集合A中的用户,排重;3)统计出时间点b对应的集合B中的用户,排重;4)统计集合A与集合B的差集中的用户即为流出用户;5)统计集合B与集合A的差集B-A中的用户即为流入用户;6)B-A集合中用户量减去集合B-A中用户量即为时段新增人流量。
所述步骤4中所提取的手机基站特征包括:将手机基站实时人流量、小时流入量、小时流出量、时段新增流量作为聚类的4个基本特征;设手机数据中全部基站为聚类样本数据X={x1,x2,…xi…,xn},n为手机基站总数,xi为第i个手机基站;每个基站有M=96个特征量:24个实时人流量、24个小时流入量、24个小时流出量、24个时段新增流量,特征具体为由于交通语义类别共分为3类,所以在聚类开始前制定K为3,进行K均值聚类。
所述步骤6具体包括:将手机基站的经度、纬度以及所属的语义划分类型作为聚类特征,得到特征总数M=3,特征具体为预设K为任意整数,进行K均值聚类,直到标准测度函数收敛为止得到K值即为小区总数。
所述步骤5和步骤6中的聚类分析法包括:
步骤61、从n个手机基站中选择k个手机基站作为初始聚类中心,其他手机基站则根据这些手机基站与初始聚类中心的距离及相似度分别分配到最相近的小区;cj为第j个聚类中心,则xi与cj的距离为
其中,为第i个手机基站的第m个特征,为第j个聚类中心的第m个特征,m=(1,2,…,M),M为特征总量;xi与cj的相似度为s(xi,cj)=1/d(xi,cj);
步骤62、计算每个更新的小区的聚类中心,用聚类中心的编号替代小区的编号,则第j个小区的手机基站为即该小区包含nj个手机基站,则该小区的聚类中心为其中为第j个小区的聚类中心cj的第m个特征,根据下式求得:
其中,xji是第j个小区中的第i个手机基站,nj是第j个小区中的手机基站个数,是第j个小区中第i个手机基站的第m个特征;
步骤63、重复执行步骤62,直到标准测度函数收敛为止,其形式为:
其中,J是标准值,xcj是第c种类别中的第j个小区的特征,cc是第c种类别中的类中心的特征,c=(1,2,…K),K为类别总数,nj是第j个小区中的手机基站个数,n为手机基站总数。
实施例一
以北京手机数据平台为例,本发明过程如下:
1)对手机位置数据进行清洗剔除异常数据之后,得到有效的2980620条数据,如图2所示;
2)将北京市34202个基站映射到北京市六环以内的区域;
3)针对北京市内的通勤交通建立基于手机位置信息的交通语义分类,主要分类为工作区域,居住区域以及城市道路三类交通语义,交通语义划分结果,如图3所示;
4)对手机信息进行提炼,得到基站的实时人流量、时段流入量、时段流出量以及时段新增量等特征来区分不同的交通语义分类,各特征量的时变特点,如图4、图5所示;
5)将得到的交通语义划分结果,基站的经纬度,以及时段新增量等作为手机基站属性特征,其中基站经纬度为基站的关键属性;
6)用聚类的方法,将北京市六环内的34202个基站聚成73个类别,映射为73个交通小区,如图6所示。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (9)
1.一种用于交通小区划分的手机信令信息的处理方法,其特征在于,包括:
步骤1、对手机信令数据进行清洗,剔除异常数据;
步骤2、将手机信令数据对应的基站位置信息与道路进行匹配;
步骤3、建立基于手机信令数据的交通语义分类;
步骤4、根据交通语义分类情况,提取手机基站特征对其进行区别;
步骤5、根据步骤4所提取的手机基站特征,利用聚类分析法标定出手机基站所属的交通语义类别;
步骤6、通过步骤5标定出的手机基站所属的交通语义类别再加上手机基站位置特征作为特征量,采用聚类分析法,实现交通小区划分;
所述步骤3中的交通语义分类具体分为以下三大类:工作区、居住区和城市道路;
所述手机基站特征是通过分析不同语义属性的典型基站的人流量变化来反映基站各时段不同形式人流量的变化情况,具体为包括:1)实时人流量:是指某整点时刻向前延长的单位时间里该区域范围内活动的手机用户数量;2)时段流入量:是指在上一个时段中不在该区域范围内活动但在下一个时段中在区域内活动的手机用户数量;3)时段流出量:是指在上一个时段在该区域范围内活动但下一个时段不在该区域内活动的手机用户数量;4)时段新增人流量:用指定时段前后两个时刻的实时人流量相比较即得出时段新增人流量。
2.根据权利要求1所述的方法,其特征在于,所述步骤1中的异常数据包括:数据时间、坐标及唯一标识,剔除时间异常、位置异常、重复数据以及缺失数据。
3.根据权利要求1所述的方法,其特征在于,所述步骤2具体包括:
步骤21、将获得的手机信令数据导入数据库,并调整格式;
步骤22、对手机信令数据进行过滤;
步骤23、将连续的手机信令数据分割成基于隶属基站的数据;
步骤24、结合基站位置信息,在地理信息***上可视化显示基站位置。
4.根据权利要求3所述的方法,其特征在于,所述步骤22中的过滤是指:完成数据的质量分析、清洗、转换、预统计、加载,得到实验所需的字段MSISDN、TimeStamp、LAC、CELLID、EventID;另外,将同一用户在同一位置发生的事件进行压缩,只体现出移动性,不考虑用户发生的具体业务。
5.根据权利要求1所述的方法,其特征在于,
所述的实时人流量的算法包括:1)将目标区域的基站制作成地理信息***图层;2)将基站图层添加到地图中,并将基站和目标区域地图图层关联;3)根据数据中移动用户和基站的关系,以及地图中基站和目标区域的关联,筛选出属于目标区域的移动用户;4)确定要筛选的时刻,然后选出该时刻向前延长单位时间内出现过的移动用户,排重后即为该时刻的实时人流量。
6.根据权利要求5所述的方法,其特征在于,所述时段流入量、时段流出量以及时段新增人流量的算法步骤具体为:1)选定时间段[a,b],时间跨度t小时;2)统计出时间点a对应的集合A中的用户,排重;3)统计出时间点b对应的集合B中的用户,排重;4)统计集合A与集合B的差集中的用户即为流出用户;5)统计集合B与集合A的差集B-A中的用户即为流入用户;6)集合B-A中用户量减去集合A-B中用户量即为时段新增人流量。
7.根据权利要求1所述的方法,其特征在于,所述步骤4中所提取的手机基站特征包括:将手机基站实时人流量、小时流入量、小时流出量、时段新增流量作为聚类的4个基本特征;设手机信令数据中全部基站为聚类样本数据X={x1,x2,…xi…,xn},n为手机基站总数,xi为第i个手机基站;每个基站有M=96个特征量:24个实时人流量、24个小时流入量、24个小时流出量、24个时段新增流量,特征具体为由于交通语义类别共分为3类,所以在聚类开始前制定K为3,进行K均值聚类。
8.根据权利要求1所述的方法,其特征在于,所述步骤6具体包括:将手机基站的经度、纬度以及所属的语义划分类型作为聚类特征,得到特征总数M=3,特征具体为 分别为第i个手机基站的3个特征量;预设K为任意整数,进行K均值聚类,直到标准测度函数收敛为止得到K值即为小区总数。
9.根据权利要求1所述的方法,其特征在于,所述步骤5和步骤6中的聚类分析法包括:
步骤101、从n个手机基站中选择k个手机基站作为初始聚类中心,其他手机基站则根据所述其他手机基站与初始聚类中心的距离及相似度分别分配到最相近的小区;xi为第i个手机基站,cj为第j个聚类中心,则xi与cj的距离为
其中,为第i个手机基站的第m个特征,为第j个聚类中心的第m个特征,m=(1,2,…,M),M为特征总量;xi与cj的相似度为s(xi,cj)=1/d(xi,cj);
步骤102、计算每个更新的小区的聚类中心,用聚类中心的编号替代小区的编号,则第j个小区的手机基站为即该小区包含nj个手机基站,则该小区的聚类中心为其中为第j个小区的聚类中心cj的第m个特征,根据下式求得:
其中,xji是第j个小区中的第i个手机基站,nj是第j个小区中的手机基站个数,是第j个小区中第i个手机基站的第m个特征;
步骤103、重复执行步骤102,直到标准测度函数收敛为止,其形式为:
其中,J是标准值,xcj是第c种交通语义类别中的第j个小区的特征,cc是第c种交通语义类别中的类中心的特征,c=(1,2,…K),K为交通语义类别总数,nj是第j个小区中的手机基站个数,n为手机基站总数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410709303.0A CN104484993B (zh) | 2014-11-27 | 2014-11-27 | 用于交通小区划分的手机信令信息的处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410709303.0A CN104484993B (zh) | 2014-11-27 | 2014-11-27 | 用于交通小区划分的手机信令信息的处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104484993A CN104484993A (zh) | 2015-04-01 |
CN104484993B true CN104484993B (zh) | 2017-01-18 |
Family
ID=52759533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410709303.0A Expired - Fee Related CN104484993B (zh) | 2014-11-27 | 2014-11-27 | 用于交通小区划分的手机信令信息的处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104484993B (zh) |
Families Citing this family (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104765808B (zh) * | 2015-04-02 | 2018-04-27 | 广州杰赛科技股份有限公司 | 一种群体轨迹的挖掘方法及*** |
CN105142106B (zh) * | 2015-07-29 | 2019-03-26 | 西南交通大学 | 基于手机信令数据的出行者职住地识别与出行链刻画方法 |
CN105389979B (zh) * | 2015-09-22 | 2018-03-13 | 东南大学 | 一种基于手机定位数据的综合客运枢纽客流实时监测方法 |
CN105303831A (zh) * | 2015-10-20 | 2016-02-03 | 四川公用信息产业有限责任公司 | 一种基于通信数据判断高速路拥堵情况的方法 |
CN105513370B (zh) * | 2015-12-29 | 2017-11-24 | 浙江大学 | 基于稀疏车牌识别数据挖掘的交通小区划分方法 |
CN105635968B (zh) * | 2016-01-18 | 2018-12-21 | 广州杰赛科技股份有限公司 | 一种基于时间单元的热点区域识别方法、预测方法及装置 |
CN105761190A (zh) * | 2016-02-01 | 2016-07-13 | 东南大学 | 一种基于手机定位数据的城市居住区空置率动态监测方法 |
CN105657725B (zh) * | 2016-02-01 | 2018-11-23 | 重庆邮电大学 | 一种基于手机信令数据的城市功能区辐射区域界定方法 |
CN107423742A (zh) * | 2016-05-23 | 2017-12-01 | 中兴通讯股份有限公司 | 人群流量的确定方法及装置 |
CN105809962A (zh) * | 2016-06-13 | 2016-07-27 | 中南大学 | 一种基于手机数据的交通出行方式划分的方法 |
CN106570184B (zh) * | 2016-11-11 | 2020-08-14 | 同济大学 | 从手机信令数据提取游憩-居住联系数据集的方法 |
CN106971001B (zh) * | 2017-04-17 | 2020-04-03 | 北京工商大学 | 一种针对手机基站定位数据的可视分析***及方法 |
CN107277765A (zh) * | 2017-05-12 | 2017-10-20 | 西南交通大学 | 一种基于聚类离群分析的手机信令轨迹预处理方法 |
CN109246728B (zh) * | 2017-07-11 | 2022-04-08 | ***通信集团山东有限公司 | 一种覆盖异常小区识别方法和装置 |
CN109842848A (zh) * | 2017-09-22 | 2019-06-04 | 江苏智谋科技有限公司 | 一种基于手机信令的区域人流量预测平台 |
CN109996299B (zh) * | 2017-12-30 | 2021-08-24 | ***通信集团河北有限公司 | 高铁用户识别方法、装置、设备及介质 |
CN108495254B (zh) * | 2018-03-06 | 2020-04-24 | 东南大学 | 一种基于信令数据的交通小区人口特征估计方法 |
CN108615360B (zh) * | 2018-05-08 | 2022-02-11 | 东南大学 | 基于神经网络的交通需求逐日演变预测方法 |
CN108648454A (zh) * | 2018-05-18 | 2018-10-12 | 中山大学 | 一种基于出行数据的交通小区动态划分方法 |
CN108921214A (zh) * | 2018-06-28 | 2018-11-30 | 中国联合网络通信有限公司深圳市分公司 | 城市属性的获取方法、装置及计算机可读存储介质 |
CN109587622B (zh) * | 2018-10-22 | 2020-08-07 | 广东精点数据科技股份有限公司 | 基于基站信令数据的路口转向流量分析***及方法 |
CN110047277B (zh) * | 2019-03-28 | 2021-05-18 | 华中科技大学 | 基于信令数据的城市道路交通拥堵排名方法及*** |
CN110337080A (zh) * | 2019-06-19 | 2019-10-15 | 同济大学 | 手机信令数据的空间偏差识别及纠正方法 |
CN111246379A (zh) * | 2020-01-13 | 2020-06-05 | 北京工业大学 | 一种利用手机信令数据判别城市功能区的方法 |
CN111417067B (zh) * | 2020-03-13 | 2021-05-07 | 智慧足迹数据科技有限公司 | 定位用户到访位置的方法和装置 |
CN111091720B (zh) * | 2020-03-23 | 2020-08-25 | 北京交研智慧科技有限公司 | 基于信令数据和浮动车数据的拥堵路段识别方法及装置 |
CN113825198A (zh) * | 2020-06-19 | 2021-12-21 | 中兴通讯股份有限公司 | 小区重选方法、网管设备、基站及存储介质 |
CN111954160A (zh) * | 2020-08-20 | 2020-11-17 | 南京邮电大学 | 一种二维手机信令数据转化三维空间轨迹数据的方法 |
CN112541551B (zh) * | 2020-12-16 | 2023-11-24 | 中国联合网络通信集团有限公司 | 加油站用户信息处理方法、装置及服务器 |
CN114141008B (zh) * | 2021-10-29 | 2023-05-12 | 东南大学 | 一种基于手机信令数据的共享公共交通服务区域选取方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10219531A1 (de) * | 2002-05-02 | 2003-11-20 | Volkswagen Ag | Verfahren und Datenprotokoll zum Austausch von Informationen zwischen einer Verkehrszentrale und einem Stichprobenfahrzeug |
EP2120414B1 (en) * | 2008-05-13 | 2014-11-05 | Vodafone Holding GmbH | Method and communication system for managing location information |
CN101751777B (zh) * | 2008-12-02 | 2011-11-16 | 同济大学 | 基于空间聚类分析的城市路网交通小区动态划分方法 |
CN101692309B (zh) * | 2009-09-04 | 2011-04-27 | 北京工业大学 | 基于手机信息的交通出行计算方法 |
CN101808339A (zh) * | 2010-04-06 | 2010-08-18 | 哈尔滨工业大学 | 一种应用k-means和先验知识的话务小区自适应分类方法 |
CN102376025A (zh) * | 2010-08-17 | 2012-03-14 | 同济大学 | 一种模拟手机数据并评估城市路网交通状态的方法 |
CN102097004B (zh) * | 2011-01-31 | 2013-02-20 | 上海美慧软件有限公司 | 一种基于手机定位数据的出行od矩阵获取方法 |
CN102147890A (zh) * | 2011-04-11 | 2011-08-10 | 复旦大学 | 城市土地使用与交通一体化规划决策支持方法及*** |
CN102890860B (zh) * | 2012-09-28 | 2014-10-22 | 北京世纪高通科技有限公司 | 一种交通小区划分方法及装置 |
RU2514081C1 (ru) * | 2012-12-28 | 2014-04-27 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Московский государственный строительный университет" (МГСУ) | Здание-мост |
CN104050804A (zh) * | 2013-03-13 | 2014-09-17 | 龚轶 | 一种交通信息数据实时采集和处理的***及方法 |
-
2014
- 2014-11-27 CN CN201410709303.0A patent/CN104484993B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN104484993A (zh) | 2015-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104484993B (zh) | 用于交通小区划分的手机信令信息的处理方法 | |
CN110245981B (zh) | 一种基于手机信令数据的人群类型识别方法 | |
Park et al. | Beyond residential segregation: A spatiotemporal approach to examining multi-contextual segregation | |
Thuillier et al. | Clustering weekly patterns of human mobility through mobile phone data | |
CN102595323B (zh) | 基于手机定位数据的居民出行特征参数的获取方法 | |
WO2022089031A1 (zh) | 一种基于大数据和人工智能的网络优化方法 | |
Fekih et al. | A data-driven approach for origin–destination matrix construction from cellular network signalling data: a case study of Lyon region (France) | |
CN106931974B (zh) | 基于移动终端gps定位数据记录计算个人通勤距离的方法 | |
CN109561391B (zh) | 基于蜂窝网和Wi-Fi数据的高速公路服务区人流量分析方法 | |
CN107958031B (zh) | 基于融合数据的居民出行od分布提取方法 | |
WO2017133110A1 (zh) | 一种城市动态空间结构圈层界定法 | |
Bonnetain et al. | TRANSIT: Fine-grained human mobility trajectory inference at scale with mobile network signaling data | |
CN109684373A (zh) | 基于出行和话单数据分析的重点关系人发现方法 | |
WO2020172954A1 (zh) | 一种基于定位数据的生活圈识别方法 | |
CN106651027B (zh) | 一种基于社交网络的互联网班车线路优化方法 | |
CN106339716A (zh) | 一种基于加权欧氏距离的移动轨迹相似度匹配方法 | |
CN107977673A (zh) | 一种基于大数据的经济活动人口识别方法 | |
CN108733774A (zh) | 一种基于大数据的失业人口动态监测方法 | |
CN102184423A (zh) | 一种全自动的区域不透水面遥感信息精确提取方法 | |
CN112738729A (zh) | 一种用手机信令数据判别探亲返乡游客的方法及*** | |
Albuquerque et al. | Bike-sharing mobility patterns: a data-driven analysis for the city of Lisbon | |
CN115412857A (zh) | 一种居民出行信息预测方法 | |
Duan et al. | MobilePulse: Dynamic profiling of land use pattern and OD matrix estimation from 10 million individual cell phone records in Shanghai | |
CN107330268B (zh) | 一种北半球阻塞高压活动的识别方法 | |
Guo et al. | An algorithm for analyzing the city residents' activity information through mobile big data mining |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170118 |