CN112215666A - 一种基于手机定位数据的不同出行活动目的特征识别方法 - Google Patents
一种基于手机定位数据的不同出行活动目的特征识别方法 Download PDFInfo
- Publication number
- CN112215666A CN112215666A CN202011211769.XA CN202011211769A CN112215666A CN 112215666 A CN112215666 A CN 112215666A CN 202011211769 A CN202011211769 A CN 202011211769A CN 112215666 A CN112215666 A CN 112215666A
- Authority
- CN
- China
- Prior art keywords
- time
- point
- space
- trip
- travel
- 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.)
- Pending
Links
- 230000000694 effects Effects 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 39
- 239000011159 matrix material Substances 0.000 claims abstract description 8
- 238000012795 verification Methods 0.000 claims abstract description 4
- 238000010219 correlation analysis Methods 0.000 claims abstract description 3
- 101100100125 Mus musculus Traip gene Proteins 0.000 claims description 78
- 230000011664 signaling Effects 0.000 claims description 14
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 238000010845 search algorithm Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 230000032823 cell division Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000002407 reforming Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 abstract description 5
- 238000007621 cluster analysis Methods 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 9
- 230000014759 maintenance of location Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000975 bioactive effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W8/00—Network data management
- H04W8/18—Processing of user or subscriber data, e.g. subscribed services, user preferences or user profiles; Transfer of user or subscriber data
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种基于手机定位数据的不同出行活动目的特征识别方法,通过对手机定位数据的OD驻留点进行职住、生活出行目的时空间核聚类分析,以及时空间关联特征分析,形成具有时空关联特征的不同出行活动目的出行链并对,对获得的时空间驻点集合进行校验和算法优化,并进行不同出行活动目的特征人群进行分析,最终形成基于交通小区的OD矩阵出行表,从而为交通规划和交通需求管理提供满足时空出行活动链特征的大数据支撑。本发明结合时空间活动关联分析和OD矩阵生成表各自的优势,最终形成具有时空活动目的特征的驻点序列,进一步提高了交通不同出行目的OD矩阵的合理性和精确性,并有效地降低了成本。
Description
技术领域
本发明涉及交通规划和交通需求管理的技术领域,具体是一种基于手机定位数据的不同出行活动目的特征识别方法,可为交通规划和交通需求管理提供满足不同出行目的活动特征的大数据支撑。
背景技术
传统的交通出行调查是基于个体交通出行调查数据进行统计分析的处理过程,需要通过不同人群个体抽样、进行出行目的、出行方式、出行时间、出行距离等调查,分析处理结果可反映城市交通需求和时空分布特征。
基于传统交通出行调查的分析处理过程,需要耗费大量人力、物力、资金和时间,并且不可频繁进行。随着手机终端普及,通过手机定位技术获取用户交通出行信息具有成本低、覆盖范围广等优点,使得手机数据作为现有交通数据采集技术的重要补充,可为居民时空出行的OD特征和不同出行目的特征提取提供了很好的技术支持。
目前针对手机定位技术的出行活动目的特征判断,主要是基于聚类技术或POI识别技术,再对聚类点进行出行活动目的的判断。该出行目的判断在进行OD分析时,缺乏有效的时空间关联OD出行的整合,无法有效生成一天出行活动链。因此,基于聚类技术或POI识别技术的出行活动目的判别技术,会忽略一天完整出行活动链的整体特征,造成不满***通出行OD活动目的特征的出行活动误判。
发明内容
针对基于现有的OD出行驻点生成技术,结合职住特征和生活性出行活动特征的聚类判断优势,本发明提供了一种低成本、高准确度的基于手机定位数据的不同出行活动目的特征识别方法,其具体步骤如下:
步骤1:采集手机信令数据、上网数据,所述手机信令数据包括用户画像标签属性数据;
步骤2:利用步骤1采集到的手机信令数据和上网数据,提取三个月手机触发数据进行职住判断:首先,对三个月常发性的地点进行空间聚类,再根据停留时间间隔在空间聚类点发生的频次进行高频分析,对满足时空间要求的高频点进行职住判断,其中,居住地判断要结合夜晚常发性开关机频次进行频度权重分析判断,就业地判断要结合用户年龄标签进行基于时长的频繁项集居民就业特征判断,获得用户的居住地以及就业地,即得到职住分布特征,再与时间序列匹配,生成具有职住特征的时间序列;
步骤3:基于步骤2具有职住特征的时间序列,进行时空间维度的OD驻留点判断,即,基于车辆位移的时间、距离、速度,通过启发式搜索算法,找到满足时空位移条件的驻留点,再与用户的职住数据进行匹配,将具有中心聚类特征和时空出行特征的点集,进行基于时空间关联的时空间核聚类分析,对于满足职住分布特征的驻点进行标记,而对于不满足职住分布特征的驻点进一步进行时空间聚类分析,进一步判断是否属于驻点,形成具有时空间关联职住特征的OD集合序列;
步骤4:基于步骤3具有时空间关联职住特征的OD集合序列,再进行时空间维度的生活性出行判断,提取用户基家出行的所有驻留点进行生活性时空出行分析,进行生活性出行的时空间频繁项集分析,对于满足生活性出行特征的驻点进行标记,生成生活性出行OD集合,而对于不满足职住分布和生活性出行特征的驻点标记为其它驻点,生成共它出行目的OD集合序列;
其中,所述步骤4中,生活性出行的判断具体为:基于具有职住特征的时间序列,进行生活性空间核聚类分析判断,对于某个用户基家出行的时空间OD驻留点进行空间聚类,重新形成空间聚类点簇;再基于空间聚类点簇,对不同停留时长的频繁项集进行分析,并根据停留时间越长、出现次数越多、与家交互越频繁的原则,进行权重设计;再根据频繁项集的权重值,统计空间聚类点簇的权重生活性目的地概率,再计算权重生活性目的地概率最大值,该空间聚类点簇中权重概率最大值即为生活性目的地;
其中,所述步骤4中,具有时空关联特征的生活性出行活动目的OD出行判断具体为:基于具有时空间关联特征的OD驻留点集合和生活性目的地的标识,在空间维度上,非职住驻留点集的距离是否满足生活性目的地的空间距离阈值,同时,在时间空维度上,进行时序判断,是否满足一定停留时长,以及生活性出行时间分布,若满足生活出行时空关联特征,则认为构成一次生活性目的地出行,对本次出行标识为生活出行,而对于其它不满足时空关联特征驻留点数据,标识为其它出行;
步骤5:将步骤4得到的不同出行活动目的的时空间OD集合序列进一步进行时空间关联分析,并结合土地利用的功能区识别,进一步判断是否在时空间具有关联特征,进一步进行时空间核聚类,形成具有时空间出行目的特征的时空间驻点集合;
步骤6:将不同出行特征人群的手机信令数据在地图上打点进行出行特征分类,完成对特征人群出行特征的校验,对步骤5获得的时空间驻点集合进行校验,判断算法是否满足不同出行活动目的特征,如果满足出行活动目的特征,则校验合格,否则,进一步优化步骤3和步骤4的时空间出行特征分析算法,并进行特殊人群出行特征分析;
步骤7:根据交通小区划分方案,将运营商基站与交通小区进行匹配,将每个出行者的起讫点映射到相应的交通小区上,最终形成基于交通小区的不同出行活动目的的OD矩阵出行表。
优选地,所述手机触发数据包括用户编号、时间戳、经度、纬度、个体年龄、性别、是否学生、是否退休人员。
优选地,所述步骤2中,居住地判断具体为:首先,对提取的三个月内手机触发数据进行同一手机号时间序列排序,居住地判断的时间范围界定为晚上21:00至凌晨07:00之间;再对同一用户编号的手机数据进行空间聚类,形成空间聚类点簇;基于空间聚类点簇,对不同停留时长的频繁项集进行分析,并结合夜晚用户开关机事件发生地进行权重分析,并根据停留时间越长、出现次数越多、开关机事件发生地越多权重越大的原则,进行权重设计;再根据频繁项集的权重值,统计空间聚类点簇的权重居住地概率,计算该空间聚类点簇中权重居住地概率最大值,该空间聚类点簇中权重概率最大值即为居住地。
优选地,所述步骤2中,就业地判断具体为:首先,对提取的半年内手机触发数据进行同一手机号时间序列排序,就业地判断的时间范围界定为白天9:00至下午16:00之间,并且,根据运营商用户画像标签属性数据,排除退休老人和未成年人,然后对剩余人群进行就业地判断;对同一用户编号的手机数据进行空间聚类,形成空间聚类点簇;基于空间聚类点簇,对不同停留时长的频繁项集进行分析,并根据停留时间越长、出现次数越多权重越大的原则,进行权重设计,若最大的权重就业地概率大于隶属度阈值,并且,其对应的空间聚类点簇与居住地不在同一聚类中,则判定为就业地;否则不判断为就业地位置。
优选地,所述步骤3中启发式搜索算法具体为:对于某个用户按时间排序的轨迹点数据,对于其中一个驻点S_i,计算其与第i+1点的距离D_i_i+1,如果第i+2点与驻点S_i的距离D_i_i+2>D_i_i+1,则最大距离maxDist=D_i_i+2,以此类推,计算最远距离点为D_i_i+n,若驻点S_i与第n+1点的距离大于驻点S_i与第n+2点的距离,并且,驻点S_i与第n+1点的距离大于距离阈值,驻点S_i与第n+2点的速度小于速度阈值,则判定为驻留状态。
优选地,所述步骤3中具有职住关联特征的时空间核聚类驻留点判断方法为:基于具有时空间关联特征的OD驻留点集合,首先,进行时空间维度上的聚类分析,对于用户时空间驻留点M1或M2到职住地聚类中心的距若均小于距离阈值d1,则认为M1、M2有可能构成一次职住地停留和出行;再递归至第3个点M3,进行新驻外留点的空间维度匹配,以此类推,计算第n个点Mn与职住空间聚类中心距离,同时,对M1与Mn-1之间的时间差△t,如果△t大于停留时间阈值T,并且,满足常态性出行时间分布,则认为构成一次职住出行,对本次出行标识为职住目的地出行,而对于不满足职住核聚类的点生成驻留点集{N1,N2,…Nn},再进行基于时空间其它出行目的特征分析。
本发明根据高频率信号触发、具有时空间关联特征的用户信令数据和用户上网数据,通过手机定位数据的时空间关联特征和时空间核聚类分析,提出了一种满足具有时空关联特征的不同用户出行活动目的特征识别方法,并基于出行活动目的识别方法,最终生成用户不同出行活动目的OD矩阵,为交通规划和交通需求管理提供了满足时空出行活动链特征的大数据支撑;本发明的驻点判断方法符合国家法律隐私规定,具备如下有益效果:
1)本发明能够满足用户职住对应关系和出行特征,相对传统交通调查,具有获取方式简单、成本较低,信息样本大、取样时间灵活、自动化获取等优点;
2)本发明基于时空关联特征分析的不同出行目的特征识别方法,整合优化了出行活动目的特征的识别方法和出行OD驻留点生成方法,可有效生成用户一天出行活动链,从而有助于对出行活动目的OD出行研究,对于交通规划管理部门研究不同人群、不同出行活动目的研究提供了数据支撑。
3)本发明结合时空关联OD矩阵生成方法和时空间核聚类分析各自的优势,最终形成具有时空间关联特征的不同出行活动目的特征的OD序列,进一步提高了交通出行目的OD矩阵的合理性和精确性,并有效地降低了成本。
附图说明
图1基于手机定位数据的不同出行活动目的特征识别方法流程图;
图2具有职住标识的通勤出行目的的用户轨迹和驻点;
图3具有职住和生活性目的地标识的不同出行目的的用户轨迹和驻点;
图4具有职住标识的其它出行目的的用户轨迹和驻点。
具体实施方式
下面结合附图对本发明的具体实施方式作详细说明,参见附图1,具体实施步骤如下:
步骤1:获取手机信令数据、上网数据。手机信令数据和上网数据样例如表1,所述手机信令数据包括用户画像标签属性数据,用户画像标签属性数据样例如表2;
表1手机信令数据和上网数据样例
表2用户画像标签属性数据样例
步骤2:利用步骤1采集到的手机信令数据和上网数据,提取三个月内手机触发数据进行职住判断,确定职住地LiveLoc和就业地WorkLoc,得到职住分布特征;该手机触发数据包含用户编号、基站编号、时间戳、经度、纬度、个体年龄、性别、是否学生、是否退休人员等标签属性信息。
步骤2.1:居住地判断:首先,先提取步骤1三个月内手机触发数据,并进行同一手机号时间序列排序,居住地判断的时间范围界定为晚上21:00至凌晨07:00之间;再对同一用户编号的手机数据进行空间聚类,形成空间聚类点簇Clus_n;基于空间聚类点簇Clus_n,对不同停留时长Tstay的频繁项集进行分析,并结合夜晚用户开关机事件发生地进行权重分析,根据停留时间越长、出现次数越多、开关机事件发生地越多权重越大的原则,进行权重设计;再根据频繁项集的权重值wi,统计空间聚类点簇Clus_n的权重居住地概率PTsay_i,再计算权重居住地概率最大值PTsay_i_max,该空间聚类点簇中权重概率最大值(PTsay_i_max)Clus_n即为居住地。
步骤2.2:就业地判断:首先,基于步骤2.1排序的三个月内手机触发数据,就业地判断的时间范围界定为白天9:00至16:00之间,并且,根据运营商用户画像标签属性数据,排除退休老人和未成年人,然后对剩余人群进行就业地判断;与居住地判断类似,对同一用户编号的手机数据进行空间聚类,形成空间聚类点簇Clus_d;基于空间聚类点簇Clus_d,对不同停留时长Tstay的频繁项集进行分析,并根据停留时间越长、出现次数越多权重越大的原则,进行权重设计;再根据频繁项集的权重值wi,统计空间聚类点簇Clus_d的权重就业地概率PTsay_i,计算该空间聚类点簇中权重就业地概率最大值(PTsay_i_max)Clus_d,若最大的权重就业地概率(PTsay_i_max)Clus_d_center大于隶属度阈值,并且,最大的权重就业地概率(PTsay_i_max)Clus_d_center的空间聚类点簇与居住地不在同一聚类中,则判定为就业地;否则不判断就业地位置。
步骤3:基于具有职住特征的时间序列,进行时空间维度的OD驻留点判断,即,基于车辆位移的时间、距离、速度,通过启发式搜索算法,找到满足时空位移条件的驻留点,再与用户的职住数据进行匹配,将具有中心聚类特征和时空出行特征的点集,进行基于时空间关联的时空间核聚类分析,对于满足职住分布特征的驻点进行标记,形成具有时空间关联职住特征的OD集合序列;
步骤3.1:启发式搜索算法:对于某个用户按时间排序的轨迹点数据,对于其中一个驻点S_i,计算其与第i+1点的距离D_i_i+1,如果第i+2点与驻点S_i的距离D_i_i+2>D_i_i+1,则最大距离maxDist=D_i_i+2,以此类推,计算最远距离点为D_i_i+n,若驻点S_i与第n+1点的距离大于驻点S_i与第n+2点的距离,并且,驻点S_i与第n+1点的距离大于距离阈值,驻点S_i与第n+2点的速度小于速度阈值,则判定为驻留状态。
步骤3.2:具有职住关联特征的时空间核聚类驻留点判断方法为:基于具有时空间关联特征的OD驻留点集合,首先,进行空间维度上的聚类分析,对于用户时空间驻留点M1或M2到职住地聚类中心的距若均小于距离阈值d1,则认为M1、M2有可能构成一次职住地停留和出行。再递归至第3个点M3,进行新驻外留点的空间维度匹配,以此类推,计算第n个点Mn与职住空间聚类中心距离,同时,对M1与Mn-1之间的时间差△t,如果△t大于停留时间阈值T,并且,满足常态性出行时间分布,则认为构成一次职住出行,对本次出行标识为职住目的地出行,而对于不满足职住核聚类的点生成驻留点集{N1,N2,…Nn},再进行基于时空间其它出行目的特征分析。
步骤4:基于步骤3具有时空间关联职住特征的OD集合序列,再进行时空间维度的生活性出行判断,提取用户基家出行的所有驻留点进行生活性时空出行分析,进行生活性出行的时空间频繁项集分析,对于满足生活性出行特征的驻点进行标记,生成生活性出行OD集合,而对于不满足职住分布和生活性出行特征的驻点标记为其它驻点,生成共它出行目的OD集合序列。
步骤4.1:基于具有职住特征的时间序列,进行生活性空间核聚类分析判断,对于某个用户基家出行的时空间OD驻留点进行空间聚类,重新形成空间聚类点簇Clus_n;再基于空间聚类点簇Clus_n,对不同停留时长Tstay的频繁项集进行分析,并根据停留时间越长、出现次数越多、与家交互越频繁的原则,进行权重设计;再根据频繁项集的权重值wi,统计空间聚类点簇Clus_n的权重生活性目的地概率PTsay_i,再计算权重生活性目的地概率最大值PTsay_i_max,该空间聚类点簇中权重概率最大值(PTsay_i_max)Clus_n即为生活性目的地。
步骤4.2:具有时空关联特征的生活性出行活动目的OD出行判断:基于具有时空间关联特征的OD驻留点集合和生活性目的地的标识,首先,在空间维度上,从步骤3.2驻留点集{N1,N2,…Nn}中,计算驻留点集的距离是否满足生活性目的地的空间距离阈值,再在时间空维度上,进行时序判断,是否满足一定停留时长,以及生活性出行时间分布,若满足生活出行时空关联特征,则认为构成一次生活性目的地出行,对本次出行标识为生活出行,而对于其它不满足时空关联特征驻留点数据,标识为其它出行。
步骤5:将步骤4形成的不同出行目的的时空出行OD驻留点,再结合现状土地利用特征进行功能区识别,进一步判断满足时空间出行特征的驻点集合序列是否在时空间具有关联特征,进一步进行时空间聚类,形成具有时空间活动特征的时空间驻点集合。
步骤6:进行不同活动目的特征OD校验:对步骤5获得的不同出行活动目的特征出行链进行校验,判断算法是否满足不同活动特征人群特征数据,满足特征,则校验合格,否则,进一步优化步骤3和步骤4的不同出行目的时空出行特征分析算法。并进行特殊人群活动特征分析,例如,具有职住标识的通勤出行目的的用户轨迹和驻点,如图2所示;具有职住和生活性目的地标识的不同出行目的的用户轨迹和驻点,如图3所示;具有职住标识的其它出行目的的用户轨迹和驻点,如图4所示。
步骤7:根据交通小区划分方案,将运营商基站与交通小区进行匹配,将每个出行者的起讫点映射到相应的交通小区上,基于驻点生成不同出行活动目的OD矩阵表。
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 (6)
1.一种基于手机定位数据的不同出行活动目的特征识别方法,其特征在于判断的具体步骤如下:
步骤1:采集手机信令数据、上网数据,所述手机信令数据包括用户画像标签属性数据;
步骤2:利用步骤1采集到的手机信令数据和上网数据,提取三个月手机触发数据进行职住判断:首先,对三个月常发性的地点进行空间聚类,再根据停留时间间隔在空间聚类点发生的频次进行高频分析,对满足时空间要求的高频点进行职住判断,其中,居住地判断要结合夜晚常发性开关机频次进行频度权重分析判断,就业地判断要结合用户年龄标签进行基于时长的频繁项集居民就业特征判断,获得用户的居住地以及就业地,即得到职住分布特征,再与时间序列匹配,生成具有职住特征的时间序列;
步骤3:基于步骤2具有职住特征的时间序列,进行时空间维度的OD驻留点判断,即,基于车辆位移的时间、距离、速度,通过启发式搜索算法,找到满足时空位移条件的驻留点,再与用户的职住数据进行匹配,将具有中心聚类特征和时空出行特征的点集,进行基于时空间关联的时空间核聚类分析,对于满足职住分布特征的驻点进行标记,而对于不满足职住分布特征的驻点进一步进行时空间聚类分析,进一步判断是否属于驻点,形成具有时空间关联职住特征的OD集合序列;
步骤4:基于步骤3具有时空间关联职住特征的OD集合序列,再进行时空间维度的生活性出行判断,提取用户基家出行的所有驻留点进行生活性时空出行分析,进行生活性出行的时空间频繁项集分析,对于满足生活性出行特征的驻点进行标记,生成生活性出行OD集合,而对于不满足职住分布和生活性出行特征的驻点标记为其它驻点,生成共它出行目的OD集合序列;
其中,所述步骤4中,生活性出行的判断具体为:基于具有职住特征的时间序列,进行生活性空间核聚类分析判断,对于某个用户基家出行的时空间OD驻留点进行空间聚类,重新形成空间聚类点簇;再基于空间聚类点簇,对不同停留时长的频繁项集进行分析,并根据停留时间越长、出现次数越多、与家交互越频繁的原则,进行权重设计;再根据频繁项集的权重值,统计空间聚类点簇的权重生活性目的地概率,再计算权重生活性目的地概率最大值,该空间聚类点簇中权重概率最大值即为生活性目的地;
其中,所述步骤4中,具有时空关联特征的生活性出行活动目的OD出行判断具体为:基于具有时空间关联特征的OD驻留点集合和生活性目的地的标识,在空间维度上,非职住驻留点集的距离是否满足生活性目的地的空间距离阈值,同时,在时间空维度上,进行时序判断,是否满足一定停留时长,以及生活性出行时间分布,若满足生活出行时空关联特征,则认为构成一次生活性目的地出行,对本次出行标识为生活出行,而对于其它不满足时空关联特征驻留点数据,标识为其它出行;
步骤5:将步骤4得到的不同出行活动目的的时空间OD集合序列进一步进行时空间关联分析,并结合土地利用的功能区识别,进一步判断是否在时空间具有关联特征,进一步进行时空间核聚类,形成具有时空间出行目的特征的时空间驻点集合;
步骤6:将不同出行特征人群的手机信令数据在地图上打点进行出行特征分类,完成对特征人群出行特征的校验,对步骤5获得的时空间驻点集合进行校验,判断算法是否满足不同出行活动目的特征,如果满足出行活动目的特征,则校验合格,否则,进一步优化步骤3和步骤4的时空间出行特征分析算法,并进行特殊人群出行特征分析;
步骤7:根据交通小区划分方案,将运营商基站与交通小区进行匹配,将每个出行者的起讫点映射到相应的交通小区上,最终形成基于交通小区的不同出行活动目的的OD矩阵出行表。
2.根据权利要求1所述的基于手机定位数据的不同出行活动目的特征识别方法,其特征在于:所述手机触发数据包括用户编号、时间戳、经度、纬度、个体年龄、性别、是否学生、是否退休人员。
3.根据权利要求1-2任一项所述的基于手机定位数据的不同出行活动目的特征识别方法,其特征在于:所述步骤2中,居住地判断具体为:首先,对提取的三个月内手机触发数据进行同一手机号时间序列排序,居住地判断的时间范围界定为晚上21:00至凌晨07:00之间;再对同一用户编号的手机数据进行空间聚类,形成空间聚类点簇;基于空间聚类点簇,对不同停留时长的频繁项集进行分析,并结合夜晚用户开关机事件发生地进行权重分析,并根据停留时间越长、出现次数越多、开关机事件发生地越多权重越大的原则,进行权重设计;再根据频繁项集的权重值,统计空间聚类点簇的权重居住地概率,计算该空间聚类点簇中权重居住地概率最大值,该空间聚类点簇中权重概率最大值即为居住地。
4.根据权利要求1-3任一项所述的基于手机定位数据的不同出行活动目的特征识别方法,其特征在于:所述步骤2中,就业地判断具体为:首先,对提取的半年内手机触发数据进行同一手机号时间序列排序,就业地判断的时间范围界定为白天9:00至下午16:00之间,并且,根据运营商用户画像标签属性数据,排除退休老人和未成年人,然后对剩余人群进行就业地判断;对同一用户编号的手机数据进行空间聚类,形成空间聚类点簇;基于空间聚类点簇,对不同停留时长的频繁项集进行分析,并根据停留时间越长、出现次数越多权重越大的原则,进行权重设计,若最大的权重就业地概率大于隶属度阈值,并且,其对应的空间聚类点簇与居住地不在同一聚类中,则判定为就业地;否则不判断为就业地位置。
5.根据权利要求1-4任一项所述的基于手机定位数据的不同出行活动目的特征识别方法,其特征在于:所述步骤3中启发式搜索算法具体为:对于某个用户按时间排序的轨迹点数据,对于其中一个驻点S_i,计算其与第i+1点的距离D_i_i+1,如果第i+2点与驻点S_i的距离D_i_i+2>D_i_i+1,则最大距离maxDist=D_i_i+2,以此类推,计算最远距离点为D_i_i+n,若驻点S_i与第n+1点的距离大于驻点S_i与第n+2点的距离,并且,驻点S_i与第n+1点的距离大于距离阈值,驻点S_i与第n+2点的速度小于速度阈值,则判定为驻留状态。
6.根据权利要求1-5任一项所述的基于手机定位数据的不同出行活动目的特征识别方法,其特征在于:所述步骤3中具有职住关联特征的时空间核聚类驻留点判断方法为:基于具有时空间关联特征的OD驻留点集合,首先,进行时空间维度上的聚类分析,对于用户时空间驻留点M1或M2到职住地聚类中心的距若均小于距离阈值d1,则认为M1、M2有可能构成一次职住地停留和出行;再递归至第3个点M3,进行新驻外留点的空间维度匹配,以此类推,计算第n个点Mn与职住空间聚类中心距离,同时,对M1与Mn-1之间的时间差△t,如果△t大于停留时间阈值T,并且,满足常态性出行时间分布,则认为构成一次职住出行,对本次出行标识为职住目的地出行,而对于不满足职住核聚类的点生成驻留点集{N1,N2,…Nn},再进行基于时空间其它出行目的特征分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011211769.XA CN112215666A (zh) | 2020-11-03 | 2020-11-03 | 一种基于手机定位数据的不同出行活动目的特征识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011211769.XA CN112215666A (zh) | 2020-11-03 | 2020-11-03 | 一种基于手机定位数据的不同出行活动目的特征识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112215666A true CN112215666A (zh) | 2021-01-12 |
Family
ID=74058109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011211769.XA Pending CN112215666A (zh) | 2020-11-03 | 2020-11-03 | 一种基于手机定位数据的不同出行活动目的特征识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112215666A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112579915A (zh) * | 2021-02-26 | 2021-03-30 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种出行链的分析方法及装置 |
CN112685659A (zh) * | 2021-03-19 | 2021-04-20 | 上海钐昆网络科技有限公司 | 目标地点确定方法、装置、电子设备及计算机存储介质 |
CN112836121A (zh) * | 2021-01-28 | 2021-05-25 | 北京市城市规划设计研究院 | 一种出行目的识别方法及*** |
CN113377845A (zh) * | 2021-08-12 | 2021-09-10 | 成都天府市民云服务有限公司 | 基于大数据的智慧养老数据处理方法及*** |
CN113935881A (zh) * | 2021-12-16 | 2022-01-14 | 北京融信数联科技有限公司 | 一种基于大数据的人口结构分析方法、***及可读存储介质 |
CN115545759A (zh) * | 2022-09-27 | 2022-12-30 | 暨南大学 | 一种基于动态定价机制的乘客出行意图挖掘方法 |
CN116233823A (zh) * | 2023-05-10 | 2023-06-06 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种跨城通勤圈的识别方法、电子设备及存储介质 |
CN116957520A (zh) * | 2023-09-20 | 2023-10-27 | 北京融信数联科技有限公司 | 一种基于大数据的失业率监测方法、***和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105142106A (zh) * | 2015-07-29 | 2015-12-09 | 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 |
CN107194525A (zh) * | 2017-03-23 | 2017-09-22 | 同济大学 | 一种基于手机信令的城市中心评估方法 |
CN108492565A (zh) * | 2018-04-20 | 2018-09-04 | 广东亿迅科技有限公司 | 基于用户出行数据分析的公共交通控制方法和*** |
CN108650632A (zh) * | 2018-04-28 | 2018-10-12 | 广州市交通规划研究院 | 一种基于职住对应关系和时空间核聚类的驻点判断方法 |
CN109005515A (zh) * | 2018-09-05 | 2018-12-14 | 武汉大学 | 一种基于移动轨迹信息的用户行为模式画像的方法 |
CN110135679A (zh) * | 2019-04-01 | 2019-08-16 | 同济大学 | 一种基于手机信令数据生活中心空间绩效的评估方法 |
CN111737605A (zh) * | 2020-07-09 | 2020-10-02 | 南京瑞栖智能交通技术产业研究院有限公司 | 一种基于手机信令数据的出行目的识别方法及装置 |
-
2020
- 2020-11-03 CN CN202011211769.XA patent/CN112215666A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105142106A (zh) * | 2015-07-29 | 2015-12-09 | 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 |
CN107194525A (zh) * | 2017-03-23 | 2017-09-22 | 同济大学 | 一种基于手机信令的城市中心评估方法 |
CN108492565A (zh) * | 2018-04-20 | 2018-09-04 | 广东亿迅科技有限公司 | 基于用户出行数据分析的公共交通控制方法和*** |
CN108650632A (zh) * | 2018-04-28 | 2018-10-12 | 广州市交通规划研究院 | 一种基于职住对应关系和时空间核聚类的驻点判断方法 |
CN109005515A (zh) * | 2018-09-05 | 2018-12-14 | 武汉大学 | 一种基于移动轨迹信息的用户行为模式画像的方法 |
CN110135679A (zh) * | 2019-04-01 | 2019-08-16 | 同济大学 | 一种基于手机信令数据生活中心空间绩效的评估方法 |
CN111737605A (zh) * | 2020-07-09 | 2020-10-02 | 南京瑞栖智能交通技术产业研究院有限公司 | 一种基于手机信令数据的出行目的识别方法及装置 |
Non-Patent Citations (2)
Title |
---|
姚振兴: "基于手机传感器数据的个体交通出行链信息采集方法研究", 《中国博士学位论文全文数据库 (工程科技Ⅱ辑)》 * |
李耀辉: "基于移动信令数据的用户出行行为研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112836121A (zh) * | 2021-01-28 | 2021-05-25 | 北京市城市规划设计研究院 | 一种出行目的识别方法及*** |
CN112579915A (zh) * | 2021-02-26 | 2021-03-30 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种出行链的分析方法及装置 |
CN112685659A (zh) * | 2021-03-19 | 2021-04-20 | 上海钐昆网络科技有限公司 | 目标地点确定方法、装置、电子设备及计算机存储介质 |
CN113377845A (zh) * | 2021-08-12 | 2021-09-10 | 成都天府市民云服务有限公司 | 基于大数据的智慧养老数据处理方法及*** |
CN113377845B (zh) * | 2021-08-12 | 2021-10-29 | 成都天府市民云服务有限公司 | 基于大数据的智慧养老数据处理方法及*** |
CN113935881A (zh) * | 2021-12-16 | 2022-01-14 | 北京融信数联科技有限公司 | 一种基于大数据的人口结构分析方法、***及可读存储介质 |
CN115545759A (zh) * | 2022-09-27 | 2022-12-30 | 暨南大学 | 一种基于动态定价机制的乘客出行意图挖掘方法 |
CN115545759B (zh) * | 2022-09-27 | 2023-05-19 | 暨南大学 | 一种基于动态定价机制的乘客出行意图挖掘方法 |
CN116233823A (zh) * | 2023-05-10 | 2023-06-06 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种跨城通勤圈的识别方法、电子设备及存储介质 |
CN116233823B (zh) * | 2023-05-10 | 2023-08-01 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种跨城通勤圈的识别方法、电子设备及存储介质 |
CN116957520A (zh) * | 2023-09-20 | 2023-10-27 | 北京融信数联科技有限公司 | 一种基于大数据的失业率监测方法、***和存储介质 |
CN116957520B (zh) * | 2023-09-20 | 2023-12-26 | 北京融信数联科技有限公司 | 一种基于大数据的失业率监测方法、***和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112215666A (zh) | 一种基于手机定位数据的不同出行活动目的特征识别方法 | |
CN108650632B (zh) | 一种基于职住对应关系和时空间核聚类的驻点判断方法 | |
CN106600960B (zh) | 基于时空聚类分析算法的交通出行起讫点识别方法 | |
CN110245981B (zh) | 一种基于手机信令数据的人群类型识别方法 | |
CN109495856B (zh) | 一种基于大数据的手机用户类型标记方法 | |
CN108320501B (zh) | 基于用户手机信令的公交线路识别方法 | |
CN111582948B (zh) | 一种基于手机信令数据与poi兴趣点的个体行为分析方法 | |
Pei et al. | A new insight into land use classification based on aggregated mobile phone data | |
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 | |
CN109089314B (zh) | 一种基于推荐算法的wifi序列辅助GPS的室内定位方法 | |
CN111737605A (zh) | 一种基于手机信令数据的出行目的识别方法及装置 | |
Lee et al. | Urban spatiotemporal analysis using mobile phone data: Case study of medium-and large-sized Korean cities | |
CN106096631A (zh) | 一种基于手机大数据的流动人口分类识别分析方法 | |
CN108062857B (zh) | 用于出租车乘客出行目的的预测方法 | |
CN109684373B (zh) | 基于出行和话单数据分析的重点关系人发现方法 | |
CN110414732A (zh) | 一种出行未来轨迹预测方法、装置、储存介质及电子设备 | |
CN111144452A (zh) | 一种基于信令数据和聚类算法的移动用户出行链提取方法 | |
CN112949784B (zh) | 一种居民出行链模型构建方法及居民出行链获取方法 | |
CN114969007A (zh) | 一种基于功能混合度和集成学习的城市功能区识别方法 | |
CN113569977B (zh) | 一种基于手机信令数据的出行目的识别方法 | |
CN115168529A (zh) | 一种基于手机定位数据的枢纽客流溯源方法 | |
CN117056823A (zh) | 一种识别共享单车通勤用户职业类型的方法及*** | |
CN114141008B (zh) | 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 | |
Leca et al. | Significant location detection & prediction in cellular networks using artificial neural networks | |
Cui et al. | Perspectives on stability and mobility of transit passenger's travel behaviour through smart card data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210112 |
|
RJ01 | Rejection of invention patent application after publication |