CN112800348B - 一种基于手机信令大数据的旅游行为识别方法 - Google Patents
一种基于手机信令大数据的旅游行为识别方法 Download PDFInfo
- Publication number
- CN112800348B CN112800348B CN202110103051.7A CN202110103051A CN112800348B CN 112800348 B CN112800348 B CN 112800348B CN 202110103051 A CN202110103051 A CN 202110103051A CN 112800348 B CN112800348 B CN 112800348B
- Authority
- CN
- China
- Prior art keywords
- travel
- user
- time
- mobile phone
- stay
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/909—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Library & Information Science (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于移动大数据的旅游行为识别方法,基于手机信令的长周期轨迹记录,从出行目的地频次完成“标定惯常环境”标记,以“标定惯常环境”为锚点划分行程闭环;根据剥离“标定惯常环境”相关行程后的出行特征计算不同城镇区域下的惯常地附近随机出行的时空阈值,超出阈值部分视为非惯常地目的性出行,否则视为惯常地附近的随机出行,等效惯常环境;对非惯常地的目的性出行剔除医院、工业园区等明确POI信息的闭环行程后,可实现旅游行为的识别标定。
Description
技术领域
本发明涉及大数据挖掘技术领域,尤其是涉及一种基于手机信令大数据的旅游行为识别方法。
背景技术
根据“2008年国际旅游统计建议”中关于旅游的定义:“游客指出于任何主要目的(出于商务、休闲或其他个人目的,而非在被访问国家或地点受聘于某个居民实体),在持续时间不足一年的期间内,出行到其惯常环境之外某个主要目的地的旅行者。游客的这些出行符合旅游性出行标准。旅游指游客的活动。本国、入境或出境游客的旅行分别称为本国、入境、出境游。”其从出行目的、持续时间、目的地要求3个层面上界定了旅游行为,但在实际操作过程中,对于国内(即本国)的旅游行为,因出行目的难以分辨、惯常环境识别标准不确定等因素的存在,实际统计操作上通常采用旅游调查和景区客流统计上报等方式开展。
随着大数据技术的发展,基于手机信令的游客轨迹标定方法逐步在旅游统计中得到应用。如:
1.上海同济城市规划设计研究院有限公司王德等在专利“基于手机信令数据的人口识别方法及***”CN109992605A中:针对一目标区域分别设置旅游淡季和旅游旺季的目标时间段,通过用户的手机信令数据分别选取在两个目标时间段内在所述目标区域的停留时间均超过第一时间阈值的目标用户;统计每个目标用户在所述目标区域的停留天数,并对所述停留天数进行检测,若所述目标用户在一个目标时间段内在所述目标区域的停留天数未超过所述第一天数阈值且大于0、在另一个目标时间段内在所述目标区域的停留天数为0,则确定所述目标用户为所述目标区域的旅游人口。
2.北京智数时空科技有限公司上海同济城市规划设计研究院有限公司王德等在专利“基于手机信令数据的人口识别方法及***”CN109992605A中:本发明提供了一种基于用户移动信息消息进行乡村游行为统计的方法及***。该统计方法通过移动人口密度区分城区和乡村区域,再进一步通过用户信令消息,得到在乡村区域进行旅游(未进入景区)这一新兴旅游方式的用户统计数。
3.由文化和旅游部制定、国家***在2020年12月发布的“全国假日旅游统计调查制度”重点参照了中明确:国内游客指离开惯常居住环境,出行距离超过10公里,出游时间超过6小时,到国内其它地方观光游览、休闲度假、探亲访友、保健疗养、购物娱乐、学习交流、会议培训或开展经济、文化、体育、宗教等活动,并与目的地不形成雇佣关系的中国(大陆)居民。其中在附录的假日旅游市场测算方案中明确可以以1个以上运营商、大型地图商或SDK服务商(用户不低于2亿人,以下简称位置数据商)活跃用户作为样本,计算范围包括全国国内旅游游客。
现有的国内旅游行为识别方法中:采用调查和景区上报的方案存在明显的采样周期长、采样率低、数据获取成本高等问题;现有采用手机信令大数据进行旅游统计的方案中主要采用在目的地的驻留时长对常住用户和旅游用户进行区分,是一种采用关联规则的分类方案,因并未依照出行目的和目的地是否惯常换环境近行识别,而且可能出现同一行程中多个访问地的重复统计,因此无法很好实现旅游行为的识别;文旅部等制定的调查制度虽然明确了惯常环境的定义、旅游出行距离和时长的划分,也提到了可采用位置数据商的样本进行分析,但并未给出相关技术依据和实施方案。
发明内容
为解决现有技术的不足,实现更为精准的旅游行为识别的目的,本发明采用如下的技术方案:
一种基于手机信令大数据的旅游行为识别方法,包括如下步骤:
S1,用户标定惯常地分析识别,基于手机信令的用户轨迹,通过用户在规定地点停留指定时间作为筛选指标,根据曲率分析法设定惯常地筛选阈值,标定用户的惯常地;
S2,以标定惯常地为锚点的闭环行程提取,所述闭环行程指用户以惯常地为锚点,经过一段轨迹,然后又回到锚点,这段轨迹作为用户出行的闭环行程;
S3,惯常地附近随机出行时空阈值分析和过滤,针对所有的用户闭环行程,剔除标定惯常地的行程后,统计剩余行程并计算获得随机出行的时空阈值,通过时空阈值过滤随机出行,获得旅游的有效行程;
S4,场景化目的地剔除,从旅游的有效行程中剔除用户非旅游目的的行程;
S5,旅游行为结果输出。
进一步的,所述步骤S1包括如下步骤:
S11,汇总用户不少于一年的轨迹数据,计算每个用户在一年内规定位置的停留次数和停留月数,所述规定位置指范围为250米的栅格,所述停留次数以天为计算单位,一天停留多次记为一次,所述停留月数指用户在规定位置有多少个月有过停留;
S12,针对所有用户统计每个停留次数下的栅格数,并在每个停留次数下对所有用户求均值;
S13,采用幂函数对分布数据进行曲线拟合,计算拟合后的曲线曲率,以曲率最大值所对应的停留次数D作为惯常地筛选阈值;
S14,针对用户停留次数小于D的栅格,长间隔的周期性出行也认定为属于惯常出行,将出行大于等于3个月认定为已形成周期性的出行习惯,则停留月数M大于等于3的位置也作为用户惯常地;
S15,通过计算得到的惯常地筛选阈值D和M,对步骤S11得到的数据进行筛选,得到用户对应的惯常地,将夜间停留最多的栅格标定为居住惯常地,白天停留最多的栅格标定为工作惯常地。
进一步的,所述步骤S13包括如下步骤:
S131,曲线拟合基函数为:y=a*xb,其中a,b为待估计的常数,x为停留次数,值域为[1,365]的整数,y为栅格数;
S132,计算幂函数曲率,曲率计算公式为:K=|y”|/[(1+(y')2)](2/3),其中y'为幂函数一阶导,即y'=ab*x(b-1),y”为幂函数二阶导,即y”=ab(b-1)*x(b-2);以0.1作为间隔画出曲率趋势,将曲率最大的点对应天数D作为用户惯常地次数筛选阈值,当用户在某栅格停留次数超过D,认为该地为用户惯常地。
进一步的,所述步骤S2包括如下步骤:
S21,以居住惯常地为锚点,在手机信令轨迹中标定,离开锚点周边半径为R的范围的时刻,为出发时间,返回的时间为到达时间;
S22,若用户来自于分析区域之外,则以其出入边界为出发时间和到达时间;
S23,出发时间和到达时间内的所有轨迹构成用户出行的闭环行程;
S24,计算闭环行程的行程距离和行程时长。
进一步的,所述步骤S3中针对所有的用户闭环行程,剔除标定惯常地的行程后,统计剩余行程的最大距离和行程时长的联合分布:分别以1km和1小时作为数据间隔进行统计,当行程越集中在惯常地附近并且行程时长较短时,行程数越多,则认为属于惯常地附近的随机出行;当行程时长和行程的最大距离同时逐渐变大,则认为用户可能为旅游;通过梯度下降的方式获得随机出行的时空阈值:
其中n_(t,d)表示时间为t,距离为d的数值;当δ≤1时,计算δ的最大值,将最大值所对应的行程时间T和行程距离D’作为有效行程的时间距离切分点,当行程时间大于等于T小时,并且行程距离D’公里时,认为该行程为非随机出行,即作为旅游的有效行程。
进一步的,所述步骤S4包括如下步骤:
S41,将行程内停留时长最长的位置作为行程目的地;
S42,剔除目的地为非旅游场景类型的行程。
进一步的,所述步骤S15中的惯常地,考虑到空间误差,惯常地以栅格中心点为圆心,半径为r的区域,r由定位误差确定,这样可以提高计算速度。
进一步的,所述步骤S2的闭环行程中,同时出现居住惯常地和工作惯常地的,以居住惯常地为准。
进一步的,所述步骤S21中R的大小取决于定位精度,根据手机信令定位选取1km。
进一步的,所述步骤S24中的行程距离,采用轨迹停留点的直线距离加权和,权重为该城市的非直线系数,所述非直线系数是指道路起讫点间的实际交通距离与两点间空间直线距离之比,用于评价不同的路网型式和客货流路线集散点之间联系的便捷程度。
本发明的优势和有益效果在于:
本发明基于大数据挖掘技术,从旅游的定义出发,以手机信令轨迹作为数据基础,结合数据分析方法来识别用户旅游行为。与现有技术相比,本发明增加了用户惯常地识别、在以惯常地为锚点的闭环行程识别、以及惯常地周边随机出行以及目的地过滤的方案,比传统的规则识别更加准确和科学,同时具备推广性。
附图说明
图1是本发明中各步骤对应功能模块结构示意图。
图2是本发明中停留次数与栅格数均值分布图。
图3是本发明中分布图曲线拟合图。
图4是本发明中分布图幂函数曲率图。
图5是本发明中惯常地闭环行程原理图。
图6是本发明中最大距离和行程时长的联合分布图。
图7是本发明中最大距离和行程时长的梯度分布图。
图8是本发明中旅游行为结果展示图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
本发明提出了一种基于移动大数据的旅游行为识别方法,主要思路是基于手机信令的长周期轨迹记录,从出行目的地频次完成“标定惯常环境”标记,以“标定惯常环境”为锚点划分行程闭环;根据剥离“标定惯常环境”相关行程后的出行特征计算不同城镇区域下的惯常地附近随机出行的时空阈值,超出阈值部分视为非惯常地目的性出行(否则视为惯常地附近的随机出行,等效惯常环境);对非惯常地的目的性出行剔除医院、工业园区等明确POI信息的闭环行程后,可实现旅游行为的识别标定。
如图1所示,基于手机信令大数据的旅游行为识别方法,是基于手机信令的用户轨迹提取后,对提取的获取的标准化栅格驻留轨迹(250米*250米,30分钟驻留时长)进行的操作,包括如下步骤:
1、用户标定惯常环境分析识别;
2、以标定惯常环境为锚点的闭环行程提取;
3、惯常地附近随机出行时空阈值分析和过滤;
4、场景化目的地剔除;
5、结果输出***。
步骤1:用户标定惯常环境分析识别
用户惯常地的识别主要限定用户在某个地点停留够一定的时间或者形成规律性的出行行为,本装置使用用户在某地停留天数和月数作为筛选指标,跟据曲率分析法来设定合理的阈值。
(1)汇总用户不少于1年的轨迹数据(实例采用了某省1年数据),计算每个用户在一年内某位置的停留次数和停留月数,这里位置指的是范围为250米的栅格,次数以天为计算单位,一天停留多次记为一次,停留月数指用户在该地有多少个月有过停留。数据样例如下:
用户号码 | 栅格ID | 栅格中心纬度 | 栅格中心经度 | 停留天数(D) | 停留月数(M) |
138****4466 | 23887 | 29.44778 | 120.33778 | 6 | 4 |
138****7788 | 23669 | 29.43778 | 120.31778 | 5 | 3 |
(2)针对所有用户统计每个停留次数下的栅格数,并在每个次数下对所有用户求均值;均值分布如图2所示,可以看出用户只停留一天的栅格数最多,并且栅格数在停留次数较少的范围内有明显的下降趋势(惯常地集中在部分区域)。
(3)采用幂函数对该分布进行曲线拟合,计算拟合后的曲线曲率,以曲率最大值所对应的停留次数作为惯常地筛选阈值;
曲线拟合基函数为:y=a*xb,其中a,b为待估计的常数,x为停留次数,值域为[1,365]的整数,y为栅格数;拟合后如图3所示,其中点为原始分布,线为拟合后的幂函数。
计算幂函数曲率,曲率计算公式为:K=|y”|/[(1+(y')2)](2/3),其中y'为幂函数一阶导,即y'=ab*x(b-1),y”为幂函数二阶导,即y”=ab(b-1)*x(b-2);以0.1作为间隔画出曲率趋势,将曲率最大的点对应天数D作为用户惯常地次数筛选阈值,当用户在某栅格停留次数超过D,认为该地为用户惯常地。本次计算得到D=6(如图4所示,实际计算为5.3,向上取整)。
(4)针对用户停留次数小于D的栅格,长间隔的周期性出行也可认为属于惯常出行;通常认为出行大于等于3个月已形成周期性的出行习惯,所以停留月数大于等于3的位置也作为用户惯常地。
(5)通过计算得到的D和M阈值,对(1)中的原始数据进行筛选(示例数据中D>=6orD<6&M>=3),得到用户对应的惯常地(通常考虑到空间误差惯常地会计算选定栅格周围半径为r的区域,r通常由定位误差确定,通常为1000米)。其中夜间停留最多的栅格标定为居住惯常地,白天停留最多的为工作惯常地。
步骤2:惯常地闭环行程提取
闭环行程是指用户从居住惯常地或工作惯常地为锚点,经过一段轨迹,然后又回到锚点,这段轨迹作为用户的闭环行程(闭环行程中同时出现居住惯常地和工作惯常地的,以居住惯常地为准),如图5所示。具体实现方法是:
(1)以居住惯常地为锚点(步骤1中识别),在手机信令轨迹中标定离开其周边半径为R(R的大小取决于定位精度,手机信令定位根据经验选择为1km)的范围时刻为出发时间,返回的时间到到达时间。
(2)若用户来自于分析区域之外(如分析为Z省,游客来自于Z省之外),则以其出入边界为出发和到达的时间。
(3)出发和到达时间内的所有轨迹构成其出行闭环行程。
(4)计算闭环行程的行程距离(采用轨迹停留点的直线距离加权和,权重为该城市的非直线系数)和行程时长。
注:非直线系数是指道路起讫点间的实际交通距离与两点间空间直线距离之比。能评价不同的路网型式和客货流路线集散点之间联系的便捷程度。非直线系数:①棋盘式路网 ②放射性路网一般在2.6左右。③环形加放射性路网一般为
步骤3:惯常地附近随机出行时空阈值分析和过滤
计算惯常地附近随机出行的时空阈值并对其进行过滤。针对所有的用户闭环行程,剔除包含2个以上“标定惯常环境”(含锚点和中间点)的相关行程后,然后对剩余行程进行分析,中间点是指除居住惯常地和工作惯常地以外的其他标定惯常地,例如常去的超市等地。统计剩余行程的最大距离和行程时长的联合分布:分别以1km和1小时作为数据间隔进行统计。以某市为例的数据如图6所示:
一般情况,当行程越集中在居住或工作惯常地附近并且时间较短时,行程数越多,认为属于惯常地附近的随机出行;当时间和距离同时逐渐变大,则认为用户可能为旅游;本方案采用通过梯度下降的方式获得随机出行的时空阈值。其中,计算按如下公式计算时间距离区间梯度:
其中n_(t,d)表示时间为t,距离为d的数值;当δ≤1时,计算δ的最大值,将最大值所对应的T和D设置为有效行程的时间距离切分点。如图7所示,距离上2->3km,时间上2->3小时;因此阈值选定为t=2,d=3。即当行程时间大于等于3小时并且行程距离大于等于3千米的时候,认为该行程为非随机出行,可以作为旅游的有效行程。
步骤4:场景化目的地剔除
从步骤3的结果中剔除用户不以娱乐观光等活动为目的行程,其中主要步骤为:
(1)将行程内停留时长最长的位置作为行程目的地;
(2)剔除目的地为场景类型是医院、办事处、工业园区等类型的行程。
步骤5:结果输出
根据步骤4输出后的闭环行程,即作为识别出的旅游行为,同时根据相关特征可进一步划分为跨省旅游、过夜游等,如图8所示。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的范围。
Claims (10)
1.一种基于手机信令大数据的旅游行为识别方法,其特征在于包括如下步骤:
S1,用户标定惯常地分析识别,基于手机信令的用户轨迹,通过用户在规定地点停留指定时间作为筛选指标,根据曲率分析法设定惯常地筛选阈值,标定用户的惯常地;所述曲率分析法采用幂函数对分布数据进行曲线拟合,计算拟合后的曲线曲率,以曲率最大值所对应的停留次数D作为惯常地筛选阈值;
S2,以标定惯常地为锚点的闭环行程提取,所述闭环行程指用户以惯常地为锚点,经过一段轨迹,然后又回到锚点,这段轨迹作为用户出行的闭环行程;
S3,惯常地附近随机出行时空阈值分析和过滤,针对所有的用户闭环行程,剔除标定惯常地的行程后,统计剩余行程并计算获得随机出行的时空阈值,通过时空阈值过滤随机出行,获得旅游的有效行程;
S4,场景化目的地剔除,从旅游的有效行程中剔除用户非旅游目的的行程;
S5,旅游行为结果输出。
2.如权利要求1所述的一种基于手机信令大数据的旅游行为识别方法,其特征在于所述步骤S1包括如下步骤:
S11,汇总用户不少于一年的轨迹数据,计算每个用户在一年内规定位置的停留次数和停留月数,所述规定位置指范围为250米的栅格,所述停留次数以天为计算单位,一天停留多次记为一次,所述停留月数指用户在规定位置有多少个月有过停留;
S12,针对所有用户统计每个停留次数下的栅格数,并在每个停留次数下对所有用户求均值;
S13,采用幂函数对分布数据进行曲线拟合,计算拟合后的曲线曲率,以曲率最大值所对应的停留次数D作为惯常地筛选阈值;
S14,针对用户停留次数小于D的栅格,长间隔的周期性出行也认定为属于惯常出行,将出行大于等于3个月认定为已形成周期性的出行习惯,则停留月数M大于等于3的位置也作为用户惯常地;
S15,通过计算得到的惯常地筛选阈值D和M,对步骤S11得到的数据进行筛选,得到用户对应的惯常地,将夜间停留最多的栅格标定为居住惯常地,白天停留最多的栅格标定为工作惯常地。
3.如权利要求2所述的一种基于手机信令大数据的旅游行为识别方法,其特征在于所述步骤S13包括如下步骤:
S131,曲线拟合基函数为:y=a * xb,其中a,b为待估计的常数,x为停留次数,值域为[1,365]的整数,y为栅格数;
S132,计算幂函数曲率,曲率计算公式为:K=|y'' |/[(1+(y') 2)](2⁄3),其中y'为幂函数一阶导,即y'=ab*x(b-1),y''为幂函数二阶导,即y''=ab(b-1)*x(b-2);以0.1作为间隔画出曲率趋势,将曲率最大的点对应天数D作为用户惯常地次数筛选阈值,当用户在某栅格停留次数超过D,认为该地为用户惯常地。
4.如权利要求2所述的一种基于手机信令大数据的旅游行为识别方法,其特征在于所述步骤S2包括如下步骤:
S21,以居住惯常地为锚点,在手机信令轨迹中标定,离开锚点周边半径为R的范围的时刻,为出发时间,返回的时间为到达时间;
S22,若用户来自于分析区域之外,则以其出入边界为出发时间和到达时间;
S23,出发时间和到达时间内的所有轨迹构成用户出行的闭环行程;
S24,计算闭环行程的行程距离和行程时长。
5.如权利要求1所述的一种基于手机信令大数据的旅游行为识别方法,其特征在于所述步骤S3中针对所有的用户闭环行程,剔除标定惯常地的行程后,统计剩余行程的最大距离和行程时长的联合分布:分别以1km和1小时作为数据间隔进行统计,当行程越集中在惯常地附近并且行程时长较短时,行程数越多,则认为属于惯常地附近的随机出行;当行程时长和行程的最大距离同时逐渐变大,则认为用户可能为旅游;通过梯度下降的方式获得随机出行的时空阈值:
其中nt,d表示时间为t,距离为d的数值;当δ≤1时,计算δ的最大值,将最大值所对应的行程时间T和行程距离D’作为有效行程的时间距离切分点,当行程时间大于等于T小时,并且行程距离D’公里时,认为该行程为非随机出行,即作为旅游的有效行程。
6.如权利要求1所述的一种基于手机信令大数据的旅游行为识别方法,其特征在于所述步骤S4包括如下步骤:
S41,将行程内停留时长最长的位置作为行程目的地;
S42,剔除目的地为非旅游场景类型的行程。
7.如权利要求2所述的一种基于手机信令大数据的旅游行为识别方法,其特征在于所述步骤S15中的惯常地以栅格中心点为圆心,半径为r的区域,r由定位误差确定。
8.如权利要求4所述的一种基于手机信令大数据的旅游行为识别方法,其特征在于所述步骤S2的闭环行程中,同时出现居住惯常地和工作惯常地的,以居住惯常地为准。
9.如权利要求4所述的一种基于手机信令大数据的旅游行为识别方法,其特征在于所述步骤S21中R的大小取决于定位精度,根据手机信令定位选取1km。
10.如权利要求4所述的一种基于手机信令大数据的旅游行为识别方法,其特征在于所述步骤S24中的行程距离,采用轨迹停留点的直线距离加权和,权重为城市的非直线系数,所述非直线系数是指道路起讫点间的实际交通距离与两点间空间直线距离之比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110103051.7A CN112800348B (zh) | 2021-01-26 | 2021-01-26 | 一种基于手机信令大数据的旅游行为识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110103051.7A CN112800348B (zh) | 2021-01-26 | 2021-01-26 | 一种基于手机信令大数据的旅游行为识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112800348A CN112800348A (zh) | 2021-05-14 |
CN112800348B true CN112800348B (zh) | 2022-03-25 |
Family
ID=75811763
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110103051.7A Active CN112800348B (zh) | 2021-01-26 | 2021-01-26 | 一种基于手机信令大数据的旅游行为识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112800348B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113963536A (zh) * | 2021-10-19 | 2022-01-21 | 海南波罗密信息科技有限公司 | 通过手机信令数据识别居民惯常环境和出行目的的方法 |
CN114036358A (zh) * | 2021-10-21 | 2022-02-11 | 云南腾云信息产业有限公司 | 自驾游的数据分析方法、装置、设备和存储介质 |
CN114862456A (zh) * | 2022-04-23 | 2022-08-05 | 中电万维信息技术有限责任公司 | 一种基于手机信令数据的游客行为偏好分析方法 |
CN115034524A (zh) * | 2022-08-11 | 2022-09-09 | 北京融信数联科技有限公司 | 基于手机信令的工作居住人口预测方法、***和存储介质 |
Citations (3)
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 |
CN106570184A (zh) * | 2016-11-11 | 2017-04-19 | 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 |
US10248912B1 (en) * | 2015-03-06 | 2019-04-02 | Google Llc | Systems and methods for displaying travel itineraries |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4283338B2 (ja) * | 2007-05-02 | 2009-06-24 | パナソニック株式会社 | 移動先予測装置、移動先予測方法、ナビゲーション装置及びプログラム |
US20110301835A1 (en) * | 2010-06-07 | 2011-12-08 | James Bongiorno | Portable vacation/travel planner, and family tour guide device |
US9435654B2 (en) * | 2013-06-01 | 2016-09-06 | Savari, Inc. | System and method for creating, storing, and updating local dynamic MAP database with safety attribute |
US10510105B2 (en) * | 2016-06-10 | 2019-12-17 | Oath Inc. | Traveler recommendations |
-
2021
- 2021-01-26 CN CN202110103051.7A patent/CN112800348B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10248912B1 (en) * | 2015-03-06 | 2019-04-02 | Google Llc | Systems and methods for displaying travel itineraries |
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 |
CN106570184A (zh) * | 2016-11-11 | 2017-04-19 | 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 |
Non-Patent Citations (1)
Title |
---|
基于移动数据的旅游行为模式挖掘;孙天悦;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》;20181115;第I138-295页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112800348A (zh) | 2021-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112800348B (zh) | 一种基于手机信令大数据的旅游行为识别方法 | |
Monz et al. | Using mobile device data to estimate visitation in parks and protected areas: an example from the nature reserve of orange county, California | |
CN106096631B (zh) | 一种基于手机大数据的流动人口分类识别分析方法 | |
Wang et al. | Estimating dynamic origin-destination data and travel demand using cell phone network data | |
Caceres et al. | Deriving origin–destination data from a mobile phone network | |
CN108564226B (zh) | 一种基于出租车gps及手机信令数据的公交线路优化方法 | |
CN111222744B (zh) | 基于信令数据的建成环境与轨道客流分布关系确定方法 | |
Bonnel et al. | Passive mobile phone dataset to construct origin-destination matrix: potentials and limitations | |
CN109583640A (zh) | 一种基于多源定位数据的城市出行客流属性识别方法 | |
US8185131B2 (en) | Method of providing location-based information from portable devices | |
CN107194525A (zh) | 一种基于手机信令的城市中心评估方法 | |
Qian et al. | Using mobile phone data to determine spatial correlations between tourism facilities | |
CN109299438A (zh) | 一种基于网约车数据的公共交通设施供给水平评价方法 | |
CN104303013B (zh) | 基于位置的数字数据方法及产品 | |
CN107529135A (zh) | 基于智能设备数据的用户活动类型判别方法 | |
CN111651529A (zh) | 基于手机信令数据的机场航空旅客分类识别方法 | |
Chen et al. | Data‐Driven Prediction System of Dynamic People‐Flow in Large Urban Network Using Cellular Probe Data | |
CN114501336B (zh) | 一种公路出行量测算方法、装置、电子设备及存储介质 | |
Yang et al. | Detecting home and work locations from mobile phone cellular signaling data | |
CN115345373A (zh) | 一种公共服务设施老年人可达性预测方法 | |
CN109978746B (zh) | 一种基于信令数据并结合动态阈值判断出行有效性的人***换量估计方法 | |
CN113256978A (zh) | 一种城市拥堵地区的诊断方法、***及储存介质 | |
CN111508220A (zh) | 基于公交人口分布精准进行末端接驳的方法 | |
CN115988422A (zh) | 基于出行链解析的多层次轨道交通换乘客流提取方法 | |
Nishigaki et al. | Estimating the number of tourists in Kyoto based on GPS traces and aggregate mobile statistics |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |