TWI558249B - People 's potential information generation method - Google Patents
People 's potential information generation method Download PDFInfo
- Publication number
- TWI558249B TWI558249B TW103132702A TW103132702A TWI558249B TW I558249 B TWI558249 B TW I558249B TW 103132702 A TW103132702 A TW 103132702A TW 103132702 A TW103132702 A TW 103132702A TW I558249 B TWI558249 B TW I558249B
- Authority
- TW
- Taiwan
- Prior art keywords
- crowd
- group
- generating
- external information
- information
- Prior art date
Links
Landscapes
- Telephonic Communication Services (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Description
本發明是有關於一種人潮潛勢資訊產生方法,特別是一種預測人潮的數目與移動路徑之人潮潛勢資訊產生方法。
目前,人潮潛勢資訊的發展應用是近幾年新形態熱門發展的新型應用,目前尚處在市場起步階段,它是新型態的商業模式,提供商家在展店時毋須花費人力去實地探查統計人數,且能全面掌握鄰近區域特性與人潮移動的資訊。
美國專利US8275649是個人生活軌跡的分析,中國專利CN102880719A是社交網路用戶於網路瀏覽行為的軌跡分析,美國專利US8577389僅找出人潮隨時間變化的聚集點,美國專利申請案US20130226543僅統計蒐集CDR資料用以統計人潮數目,美國專利US8320939是依據使用者的GPS位置進行軌跡分析,以上皆未揭露如本發明探勘技術分析人潮移動軌跡與預測未來人潮的數目的技術手段。
有鑑於上述習知技藝之問題,本發明之目的就是在提供一
種人潮潛勢資訊產生方法,可以同時預測人潮數目和人潮移動路徑。
本發明之人潮潛勢資訊產生方法,包含下列步驟:以一階層式地理位置分群器將複數個基地台分為複數個分群;以一外部資訊連結運算器運算出至少一分群關聯的外部資訊;以一人潮統計運算器運算出一移動人數與停留時間;以一人潮與外部資訊關聯運算器運算出複數個影響人潮變動的外部資訊;以一移動人數預測模組運算出一未來的人數;以及以一移動路徑探勘模組運算出一人潮移動路徑與機率。
承上所述,依本發明之人潮潛勢資訊產生方法,其可具有一或多個下述優點:
1.本發明使用階層式地理分群法先將基地台作分群,再以行動裝置的移動資料連結分群資訊,產生行動裝置移動於不同分群的資料,可以解決行動裝置因基地台於市區分佈密度高而有在短時間內於相同幾個基地台不斷跳動的問題,亦能解決基地台於郊區分布密度低而有分群所轄地理範圍太大的問題。而分群後可以將行動裝置的使用者定位於固定的區域範圍,於後續步驟用以整合使用者、基地台、相對位置的關連性,達到區域性人潮潛勢分析的功效。
2.本發明透過統計資訊和訊號強度,將使用者行為中被記錄的位置作一排序,擇其一代表點,整合使用者記錄,並以使用者記錄內基地台的代號關聯到所屬的分群地區代號,以分群地區代號、時間區段將這些使用者紀錄群組運算,產生分群地區代號的移動人潮數與停留時間。
3.本發明導入外部資訊,連結區域性的人潮潛勢資訊後進行機器學習,可以用來找出影響人潮潛勢資訊的相關外在因素,例如氣象、新聞、競業資
訊等,以提高人潮潛勢資訊準確度。
4.本發明將區域性人潮統計運算後的結果,運用時間流量計算函數建立週期性移動人數預測模組,用以預測未來人潮數,運用時序性關聯演算法運算出人潮移動路徑與發生機率,能同時預測人潮數目和人潮移動路徑,使得相關產業或政府機關可利用本方法進行與區域人潮相關活動的分析與規劃,例如門市展店選址、廣告發送佈點、大眾運輸動線與公共設施佈點、商業活動舉辦佈點等。
1‧‧‧階層式地理位置分群器
2‧‧‧外部資訊連結運算器
3‧‧‧人潮統計運算器
4‧‧‧移動人數預測模組
5‧‧‧移動路徑探勘模組
6‧‧‧人潮與外部資訊關聯運算器
11‧‧‧基地台座標資料
12‧‧‧外部資訊
13‧‧‧移動行為資料
14‧‧‧移動人數與停留時間
15‧‧‧分群地區代號之外部資訊
16‧‧‧受外部資訊影響的人潮移動率
17‧‧‧分群地區代號的移動人潮相關資訊
100~600、301~307、601~604‧‧‧步驟
第1圖係為本發明之人潮潛勢資訊產生方法之流程圖。
第2圖係為本發明之人潮潛勢資訊產生方法之各元件與資料之間的關係圖。
第3圖係為本發明之人潮潛勢資訊產生方法之部分元件內執行步驟圖。
第4圖係為本發明之人潮潛勢資訊產生方法之另一部分元件內執行步驟圖。
第5圖係為本發明之人潮潛勢資訊產生方法之分群359的人潮資訊。
第6圖係為本發明之人潮潛勢資訊產生方法之分群359的人潮速度分佈。
第7圖係為本發明之人潮潛勢資訊產生方法之分群359的人潮
移動方向。
第8圖係為本發明之人潮潛勢資訊產生方法之人潮密度圖。
第9圖係為本發明之人潮潛勢資訊產生方法之熱門點排行榜。
第10圖係為本發明之人潮潛勢資訊產生方法之結合氣象資訊的關聯圖。
本發明為人潮潛勢資訊產生方法,其特色為使用階層式地理分群法先將基地台作分群,再以行動裝置的移動資料連結分群資訊,產生行動裝置移動於不同分群的資料,可以解決行動裝置因基地台於市區分佈密度高而有在短時間內於相同幾個基地台不斷跳動的問題,亦能解決基地台於郊區分布密度低而有分群所轄地理範圍太大的問題,這些都是先前技術未能解決的問題,分群後可以將行動裝置的使用者定位於固定的區域範圍,達到區域性人潮潛勢分析的功效。此外,由於人潮潛勢資訊會受到事件變數的影響,例如氣象、新聞、競業資訊等,因此,本發明導入外部資訊,用以提高人潮潛勢分析的準確度。
請參閱第1圖至第4圖所示,第1圖為本發明人潮潛勢資訊產生方法之流程圖;第2圖為本發明人潮潛勢資訊產生方法之各元件與資料之間的關係圖;第3及第4圖為部分元件內執行步驟圖。
請參考第1圖,其係為本發明人潮潛勢資訊產生方法之流程圖,包括下列步驟:步驟100:階層式地理位置分群器將基地台分群;
步驟200:外部資訊連結運算器運算分群關聯的外部資訊;步驟300:人潮統計運算器運算移動人數與停留時間;步驟400:人潮與外部資訊關聯運算器運算影響人潮變動的外部資訊;步驟500:移動人數預測模組運算未來的人數;以及步驟600:移動路徑探勘模組運算人潮移動路徑與機率。
請同時參考第2圖,首先於步驟100階層式地理位置分群器將基地台分群中,一階層式地理位置分群器1讀入一基地台經緯度座標資料11,因為基地台彼此間的距離不同,難以透過基地台猜測使用者位置,以及移動方向。本發明透過階層式分群,先將基地台經緯度座標資料11,以一種分群法,將距離相近的基地台分為同一群,該分群方法包括但不限於DBSCAN(Density-based Spatial Clustering of Applications with Noise)、OPTICS(Ordering Points To Identify the Clustering Structure)、K-Means、Hierarchical Agglomerative Clustering、Hierarchical Divisive Clustering、STING(Statistical Information Grid)、CLIQUE(Clustering High-Dimensional Space)、Wave-Cluster、COBWEB、CLASSIT或SOM(Self-Organizing Maps)。因為市區、與郊區基地台分佈密度不同會導致基地台分群所佔地理區域範圍大小差異太大的問題,因此,再以實際地理經緯度座標劃分方格的方式,產生較近距離(例如:1公里)範圍的分群結果,即分群地區代號與所轄範圍的經緯度座標。接續,將前述的分群結果與原始基地台經緯度座標資料,作「是否有被包含於某分群」的比對,若未獲分群的基地台,將其經緯度座標與分群的範圍經緯度座標,使用距離公式運算,將基地台整合至最近距離的分群,分群所轄的範圍經緯度座標也會因而改變。當所有的基地台經
緯度座標都獲得其隸屬的分群後,則產生所有的分群地區代號與所轄範圍經緯度座標,稱之為分群資訊。由於此階層式地理分群器的設計,可以用來定義使用者的粗略位置,於本發明後續步驟用以整合使用者、基地台、相對位置的關連性,以達到區域性資料分析的功效。
接著於步驟200外部資訊連結運算器2運算分群關聯的外部資訊13中,因為外部資訊13可能為不同的檔案格式,例如XML,JSON,EXCEL,HTML等,必須作一整合,本發明先設計轉檔程式,將前述不同的格式檔案,轉為可儲存於資料庫的格式,例如(但不限於)雲端資料庫HBase、Hive、Cassandra、MongoDB,或關聯式資料庫Teradata、SQL Server等。再將以外部資訊13提供的經緯度座標與分群地區代號的範圍經緯度座標作資料庫連結後,執行「該外部資訊的經緯度座標是否有包含於分群地區代號的範圍經緯度座標內」的比對,產生與分群地區代號有關的外部資訊15。
接著於步驟300人潮統計運算器3運算移動人數與停留時間14中,因為在原始行動裝置行為資料中,使用者於同一時間可能註冊多個基地台,而且行為有分為Location Update、行動上網、撥打電話,因此資訊雜亂。本發明透過統計資訊和訊號強度,將使用者行為中被記錄的位置作一排序,擇其一代表點,整合使用者記錄,並以使用者記錄內基地台的代號關聯到所屬的分群地區代號,以分群地區代號、時間區段將這些使用者紀錄群組運算,產生分群地區代號的移動人潮數與停留時間14。
接著於步驟400人潮與外部資訊關聯運算器6運算影響人潮變動的外部資訊中,本發明透過時間、地點來做連接。而連接時外部資訊
的地點資訊,也會進而對應到一開始的分群地區代號的外部資訊,將資料當作監督學習(supervised learning)的特徵值資料,做機器學習(machine learning),例如(但不限於)以演算法Support Vector Machine、Multiple Regression Analysis、Case-based Reasoning、Neural Network、Least-mean square Algorithm、Perceptron Learning Rule、Delta Learning Rule、Correlation Learning Rule、或Grossberg Learning Rule來達成,產生會影響人潮變動的外部資訊。由於此人潮與外部資訊關聯運算器6的設計,可以用來找出影響人潮潛勢資訊的外在因素,除提高人潮潛勢資訊準確度外,亦能作為活動(展店或佈點)方案設計的參考,例如雨天的活動備案、打擊競業的行銷方案等。
接著於步驟500移動人數預測模組4運算未來的人數中,以步驟300的產生結果,運用時間流量計算函數建立週期性移動人數預測模組4,可採用例如(但不限於)Little’s Law、Markov Chain Analysis、Mathematical Programming、Optimal Control、Variational Inequality Approach、Nested Diagonalization Method、Disaggregate Simplicial Decomposition、或Gradient Projection等方法。由於此移動人數預測模組4的設計,可以作為與區域人潮相關活動的預備服務的參考,以能在未來提供符合人潮的服務品質。
最後於步驟600移動路徑探勘模組5運算人潮移動路徑與機率中,本發明以步驟300的產生結果,使用一種時序型關聯演算法,預測未來該分群地區代號人潮移動的路徑,可採用的時序性關聯演算法例如(但不限於)AprioriAll、AprioriSome、DynamicSome、FreeSpan、PrefixSpan、SPADE、SPIRIT、或CloSpan來達成。由於此移動路徑探勘模組5的設計,可以作為與區域人潮相關活動的預先動線規畫的參考,可以提早在移動路
徑前端進行訊息播放,以能在未來吸引更多的人潮。綜合上述步驟而完成本發明人潮潛勢資訊產生方法。
請參考第2圖,其係為本發明人潮潛勢資訊產生方法之各元件與資料之間的關係圖。該階層式地理位置分群器1係讀入基地台座標資料11,並產生分群地區代號由該外部資訊連結運算器2讀入,該外部資訊連結運算器2亦讀入外部資訊12,對應出與分群地區代號之外部資訊15。接續該人潮統計運算器3係讀入移動行為資料13,對應分群地區代號,產生分群地區代號的移動人數與停留時間14。接續該人潮與外部資訊關聯運算器6係讀入分群地區代號之外部資訊15,亦讀入分群地區代號的移動人數與停留時間14,對應出受外部資訊影響的人潮移動率16。接續該移動人數預測模組4係讀入人潮移動率與停留時間16,產出人潮預估數。接續該移動路徑探勘模組5係讀入分群地區代號的移動人數,產出人潮移動路徑。
請參考第3圖,其係為步驟300人潮統計運算器3算移動人數與停留時間14的細部執行步驟,其包含:步驟301:整合使用者移動行為與分群資訊,將使用者移動行為資料13,與分群資訊作關聯與整合,產生與分群地區代號有關的移動行為資料;步驟302:將每位使用者的移動行為資料13按時間排序;步驟303:將每位使用者排序後的行為資料於定義的單位時間內取一筆;步驟304:依每位使用者連結其連續單位時間移動於分群間的資料;步驟305:計算每兩個連續單位時間每個分群移入、移出、與停留的使用者資料數,即人潮數目;步驟306:計算每兩個連續單位時間每兩個分群之間的距離與方向,用以計
算由一分群的人潮移動到另一分群的速度,即人潮速度;以及步驟307:加總每個分群於連續單位時間的使用者資料數,並除以曾進入每個分群的使用者數目(每個使用者僅取一筆),計算後獲得每個分群的停留時間。
由於此人潮統計運算器3的設計,可以得知移動人潮熱門點、速度與方向,可以作為活動(展店或佈點)分析時的參考。例如得知某區域的人潮移動速度快,推測該區域為交通繁忙地區,客群應多為通勤族,商店所推出的購物服務就應趨向便利快速,例如在地鐵站櫥窗購物服務,通勤族持手機在經過各個車站牆上的購物櫥窗或看版海報,掃描商品條碼便可輕鬆完成購物。
請參考第4圖為步驟600移動路徑探勘模組5運算人潮移動路徑與機率的細部執行步驟,其包含:步驟601:從之前步驟304之每位使用者於連續單位時間移動於分群間的資料,篩選出每位使用者有分群變化的移動路徑;步驟602:計算有分群變化的移動路徑與其出現於使用者移動行為資料內的次數,作為時序性關聯法則的輸入;步驟603:執行時序性關聯法則演算法;以及步驟604:產生移動路徑樣式與該樣式出現的機率。
本發明在步驟100階層式地理位置分群器將行動裝置的使用者定位於固定的區域範圍,使用階層式地理分群法將行動裝置的使用者定位於固定的區域範圍,可以解決行動裝置因基地台於市區分佈密度高而有在短時間內於相同幾個基地台不斷跳動的問題,亦能解決基地台於郊區
分布密度低而有分群所轄地理範圍太大的問題,這些都是先前技術未能解決的問題,分群後可以將行動裝置的使用者定位於固定的區域範圍,達到區域性人潮潛勢分析的功效。然後,在將步驟500之移動人數預測模組,將區域性人潮統計運算後的結果,運用時間流量計算函數建立週期性移動人數預測模組,用以預測未來人潮數,在步驟600移動路徑探勘模組,運用時序型關聯演算法運算出人潮移動路徑與發生機率,並導入外部資訊,用以提高人潮潛勢分析的準確度,並以圖表展示移動人潮相關資訊,因此本發明能達成及時且動態人潮潛勢統計與預測的功效。綜上所述,步驟500產生之預測人潮數及步驟600產生之人潮移動路徑與機率,即為本發明人潮潛勢資訊產生方法所欲達成之結果。
以下舉一較佳實施例,說明如何運用本發明人潮潛勢資訊產生方法,惟應注意者,本實施利係舉例而非限制。
假設某商家利用本方法進行門市展店選址。請參考第1圖,步驟100階層式地理位置分群器1將基地台分群,先進行DBSCAN分群,於分好的群中,尋找其群加權重心,計算各點離哪一個重心最近,就屬於該群。當一點離任何一重心時都超出設定範圍,則以方格1km地理位置切割分群,產生如表一的基地台分群對應表。
步驟200外部資訊連結運算器2運算分群關聯的外部資訊12,經由轉檔程式,將不同的格式外部資訊檔案,轉為可儲存於資料庫的格式,再以外部資訊12提供的經緯度座標與分群地區代號的範圍經緯度座標作資料庫連結後,執行「該外部資訊的經緯度座標是否有包含於分群地區代號的範圍經緯度座標內」的比對,產生與分群地區代號有關的外部資訊15,如表二與分群有關的氣象資訊。
步驟300人潮統計運算器3運算移動人數與停留時間14,步驟301整合使用者移動行為與分群資訊,將使用者移動行為資料13(表三),與分群資訊(表一)作關聯與整合,產生與分群地區代號有關的移動行為資料,如表四。
接著於步驟302將每位使用者的移動行為資料按時間排序,並於步驟303將每位使用者排序後的行為資料於定義的單位時間內取一筆,再於步驟304依每位使用者連結其連續單位時間移動於分群間的資料。假設定義的單位時間為小時,則執行完步驟302~304的結果如表五。
接著於步驟305計算每兩個連續單位時間每個分群移入、移出、與停留的使用者資料數,即人潮數目。請參考表六,是由表五計算出每兩個連續單位時間分群移動的人潮數目,若開始分群地區代號與結束分
群地區代號相同,則得到停留人數,若開始分群地區代號與結束分群地區代號不同,則得到開始分群地區代號的移出人數,與結束分群地區代號的移入人數,如表七。
接著於步驟306計算每兩個連續單位時間每兩個分群之間的距離與方向,用以計算由一分群的人潮移動到另一分群的速度,即人潮速度。如表六,分群A與C的距離為20km,定義的單位時間為小時,
則移動於分群A與C的時速為20km,因為捷運平均速度為20km~50km,則推測分群A區域為下班交通繁忙的地方,且客群有一部分為通勤族。最後於步驟307加總每個分群於連續單位時間的使用者資料數,並除以曾進入每個分群的使用者數目(每個使用者僅取一筆),計算後獲得每個分群的停留時間。請參考第5圖,是將分群359依照前述所計算的停留、移入與移出的人潮數目繪製成圖表,並將其於24小時內的人潮數目加總,除以在這段時間內曾進入每個分群的使用者數目(每個使用者僅取一筆),則得到停留時間3.29小時。從第5圖觀察,從6點開始有人潮移出、移入的數量增多趨勢,且移入比移出的數量多,8~17點停留的數量比其他時段來得多,再從停留時間來看,推測該基地台分群可能是人潮流動快速的商業區。請參考第6圖,是將分群359的人潮速度繪製成圖表,則可得知分群359的人潮移動速度快,推測該區域為交通繁忙地區。請參考第7圖,是將359的人潮移動方向與數目繪製成圖表,則可得知由分群359移動至西南方向居多,因此,由於此人潮統計運算器的設計,可以得知移動人潮熱門點、速度與方向,可以作為活動(展店或佈點)分析時的參考。
接著於步驟400人潮與外部資訊關聯運算器6運算影響人潮變動的外部資訊中,本發明透過時間、地點來做連接。而連接時外部資訊的地點資訊,也會進而對應到一開始的分群地區代號的外部資訊,將資料當作監督學習(supervised learning)的特徵,做機器學習(machine learning),產生會影響人潮變動的外部資訊,例如將氣象的外部資訊導入並進行與分群人潮資訊的迴歸分析之後,得到降雨率高的區域,在某捷運地下街附近停留的人潮會比較多,顯示氣象資訊會影響人潮的數目。
接著於步驟500移動人數預測模組4運算未來的人數中,以步驟300的產生結果,運用時間流量計算函數建立週期性移動人數預測模組4,在此以採Little’s Law的方法(N=λ(進入率)*R(停留時間))為例(但不限於),即以單位時間內移入到單一分群地區代號的人數乘以停留於單一分群地區代號的時間,得到預估未來時間的人數。請參考表八,將移入、移出及停留數、平均停留時間可再細分為上班時段(8:00~18:00)、下班時段(19:00~23:00,0:00~7:00)來計算。以Little’s Law預測(相同的上班日),上班時段分群地區代號'359'內平均大約會有N=λ(進入率)*R(停留時間)=8,515*2.55=21,713人,與實際人數:20,777,比較後誤差:4%;下班時段內平均大約會有N=λ(進入率)*R(停留時間)=3,436*2.68=9,208人,與實際人數,比較後誤差:8%。
最後於步驟600移動路徑探勘模組運算人潮移動路徑與機率中,本發明以步驟300的產生結果,使用一種時序型關聯演算法,預測未來該分群地區代號人潮移動的路徑。請參考表九,為步驟304使用者連結其連續24小時移動於分群間的資料,於步驟601篩選出每位使用者有分群變化的移動路徑,如表十。接著於步驟602計算有分群變化的移動路徑與其出
現於使用者移動行為資料內的次數,作為時序性關聯法則的輸入,如表十一。接著於步驟603執行時序性關聯法則演算法。最後於步驟604產生移動路徑樣式與該樣式出現的機率,如表十二。
步驟300人潮統計運算後結果可使用人潮密度圖作呈現,以
顏色的深淺度,呈現人潮數量的多寡,請參考第8圖。亦可將人潮數量依不同屬性統計與預測、人潮移動速度與方向比例以圖表呈現,產生熱門點移動排行榜與結合外部資訊的關聯圖表,請參考第9圖與第10圖。
綜上所述,本發明能同時預測人潮數目和人潮移動路徑,使得相關產業或政府機關可利用本方法進行與區域人潮相關活動的分析與規劃,例如門市展店選址、廣告發送佈點、大眾運輸動線與公共設施佈點、商業活動舉辦佈點等。
以上所述僅為舉例性,而非為限制性者。任何未脫離本發明之精神與範疇,而對其進行之等效修改或變更,均應包含於後附之申請專利範圍中。
100~600‧‧‧步驟
Claims (7)
- 一種人潮潛勢資訊產生方法,包含:以一階層式地理位置分群器將複數個基地台分為複數個分群;以一外部資訊連結運算器運算出至少一分群關聯的外部資訊;以一人潮統計運算器運算出一移動人數與停留時間;以一人潮與外部資訊關聯運算器運算出複數個影響人潮變動的外部資訊;以一移動人數預測模組運算出一未來的人數;以及以一移動路徑探勘模組運算出一人潮移動路徑與機率。
- 如申請專利範圍第1項所述之人潮潛勢資訊產生方法,其中以該階層式地理位置分群器將該些基地台分為該些分群之步驟包含:根據一分群演算法、複數個經緯度座標劃分方格以及一距離計算公式將該些基地台對應之複數個經緯度座標分群;以及產生複數個分群地區代號與各該分群地區代號所對應之該些經緯度座標,以定義各該使用者之一位置。
- 如申請專利範圍第1項所述之人潮潛勢資訊產生方法,其中以該外部資訊連結運算器運算該至少一分群關聯的外部資訊之步驟包含:連結複數個外部資訊提供的複數個經緯度座標與該些分群地區代號所對應之該些經緯度座標;以及產生該至少一分群關聯的外部資訊。
- 如申請專利範圍第1項所述之人潮潛勢資訊產生方法,其中以該人潮統計運算器運算該移動人數與停留時間步驟更包含: 產生與一分群地區代號有關的一移動行為資料;根據時間排序複數個使用者之複數個移動行為資料;依各該使用者提取一筆能代表其於單位時間的該移動行為資料;產生各該使用者連續的該移動行為資料;計算出各該分群之一移入/移出/停留人潮數;計算出各該分群之一移動人潮速度;以及計算出各該分群之一停留時間。
- 如申請專利範圍第1項所述之人潮潛勢資訊產生方法,其中以該人潮與外部資訊關聯運算器運算該些影響人潮變動的外部資訊之步驟包含:根據複數個時間以及複數個地點連接人潮與該些外部資訊;以及根據連結後之複數個資料產生該些影響人潮變動的外部資訊。 如申請專利範圍第1項所述之人潮潛勢資訊產生方法,其中以該移動人數預測模組運算該未來的人數之步驟包含:根據一時間流量計算函數建立該移動人數預測模組;根據從一單位時間的進入率與一停留時間運算出該未來的人數。
- 如申請專利範圍第1項所述之人潮潛勢資訊產生方法,其中該移動路徑探勘模組運算出該人潮移動路徑與機率步驟更包含:篩選出各該使用者有分群變化的一移動路徑;計算出該移動路徑與一出現次數;以及產生一移動路徑樣式與一樣式出現機率。
- 如申請專利範圍第1項所述之人潮潛勢資訊產生方法,其中以該移動路徑探勘模組運算該人潮移動路徑與機率之步驟包含: 根據一時序型關聯演算法,預測未來該些分群地區代號所對應之該人潮移動路徑。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW103132702A TWI558249B (zh) | 2014-09-23 | 2014-09-23 | People 's potential information generation method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW103132702A TWI558249B (zh) | 2014-09-23 | 2014-09-23 | People 's potential information generation method |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201613396A TW201613396A (en) | 2016-04-01 |
TWI558249B true TWI558249B (zh) | 2016-11-11 |
Family
ID=56361016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW103132702A TWI558249B (zh) | 2014-09-23 | 2014-09-23 | People 's potential information generation method |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI558249B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI672642B (zh) * | 2017-12-22 | 2019-09-21 | 中華電信股份有限公司 | 人次統計系統及其方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1826014A (zh) * | 2005-02-24 | 2006-08-30 | 朗迅科技公司 | 定制的位置区域群集寻呼 |
US20070005419A1 (en) * | 2005-06-30 | 2007-01-04 | Microsoft Corporation | Recommending location and services via geospatial collaborative filtering |
TW201218812A (en) * | 2010-06-22 | 2012-05-01 | Research In Motion Ltd | Methods and apparatus to access network connectivity information using predicted locations |
CN102509170A (zh) * | 2011-10-10 | 2012-06-20 | 浙江鸿程计算机系统有限公司 | 一种基于历史轨迹数据挖掘的位置预测系统及方法 |
CN102577443A (zh) * | 2009-09-23 | 2012-07-11 | 诺基亚公司 | 用于增量式确定位置情境的方法和装置 |
TW201330667A (zh) * | 2011-08-24 | 2013-07-16 | Microsoft Corp | 使用預測技術以明智地選擇通訊 |
-
2014
- 2014-09-23 TW TW103132702A patent/TWI558249B/zh active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1826014A (zh) * | 2005-02-24 | 2006-08-30 | 朗迅科技公司 | 定制的位置区域群集寻呼 |
US20070005419A1 (en) * | 2005-06-30 | 2007-01-04 | Microsoft Corporation | Recommending location and services via geospatial collaborative filtering |
CN102577443A (zh) * | 2009-09-23 | 2012-07-11 | 诺基亚公司 | 用于增量式确定位置情境的方法和装置 |
TW201218812A (en) * | 2010-06-22 | 2012-05-01 | Research In Motion Ltd | Methods and apparatus to access network connectivity information using predicted locations |
TW201330667A (zh) * | 2011-08-24 | 2013-07-16 | Microsoft Corp | 使用預測技術以明智地選擇通訊 |
CN102509170A (zh) * | 2011-10-10 | 2012-06-20 | 浙江鸿程计算机系统有限公司 | 一种基于历史轨迹数据挖掘的位置预测系统及方法 |
Non-Patent Citations (5)
Title |
---|
Abdullah Havolli, Valdet Shabani, Arianit Maraj, "Traffic load analysis in mobile network implemented in Vala-PTK", Recent Advances in Circuits, Communications and Signal Processing, pp. 222-227, 20-22 Feb. 2013 * |
Kejing Zhang, Cuthbert, L., "Predicting the Distribution of Mobile Users in Cellular Networks", Communications Technology and Applications, 2009. ICCTA '09. IEEE International Conference on, pp.967-971, 16-18 Oct. 2009 * |
Kyriakakos M., Frangiadakis N., Merakos L., Hadjiefthymiades S., "Enhanced path prediction for network resource management in wireless LANs", Wireless Communications, IEEE , Vol.10, no.6, pp.62-69, Dec. 2003 * |
Manweiler J., Santhapuri N., Choudhury R.R., Nelakuditi S., "Predicting length of stay at WiFi hotspots", INFOCOM, 2013 Proceedings IEEE, pp.3102-3110, 14-19 April 2013 * |
Tan Xian , "Machine learning algorithms for data categorization and analysis in communication", Information Security and Intelligence Control (ISIC), 2012 International Conference on, pp.1-3, 14-16 Aug. 2012 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI672642B (zh) * | 2017-12-22 | 2019-09-21 | 中華電信股份有限公司 | 人次統計系統及其方法 |
Also Published As
Publication number | Publication date |
---|---|
TW201613396A (en) | 2016-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yuan et al. | A survey of traffic prediction: from spatio-temporal data to intelligent transportation | |
US20160125307A1 (en) | Air quality inference using multiple data sources | |
US10235683B2 (en) | Analyzing mobile-device location histories to characterize consumer behavior | |
Chang et al. | Understanding user’s travel behavior and city region functions from station-free shared bike usage data | |
CN105532030A (zh) | 用于分析目标实体的移动的装置、系统和方法 | |
Caceres et al. | Exploring strengths and weaknesses of mobility inference from mobile phone data vs. travel surveys | |
Wang et al. | Early warning of burst passenger flow in public transportation system | |
Li et al. | The forecasting of passenger demand under hybrid ridesharing service modes: A combined model based on WT-FCBF-LSTM | |
CN110442662A (zh) | 一种确定用户属性信息的方法以及信息推送方法 | |
Zhong et al. | Distinguishing the land use effects of road pricing based on the urban form attributes | |
Bao et al. | Short‐term FFBS demand prediction with multi‐source data in a hybrid deep learning framework | |
Chen et al. | The impact of rainfall on the temporal and spatial distribution of taxi passengers | |
Zhang et al. | How road network transformation may be associated with reduced carbon emissions: An exploratory analysis of 19 major Chinese cities | |
Alrajhi et al. | A deep-learning model for predicting and visualizing the risk of road traffic accidents in Saudi Arabia: A tutorial approach | |
CN110263250A (zh) | 一种推荐模型的生成方法及装置 | |
CN112101132B (zh) | 一种基于图嵌入模型和度量学习的交通状况预测方法 | |
Qiuying et al. | Quantitative measurement of urban expansion and its driving factors in Qingdao: An empirical analysis based on county unit data | |
Wu et al. | A flood-discharge-based spatio-temporal diffusion method for multi-target traffic hotness construction from trajectory data | |
TWI558249B (zh) | People 's potential information generation method | |
Guo et al. | Fine-grained dynamic price prediction in ride-on-demand services: Models and evaluations | |
Cuenca-Jara et al. | Human mobility analysis based on social media and fuzzy clustering | |
Zhou et al. | Refined taxi demand prediction with ST-Vec | |
Hu | A Big-Data-Driven Framework for Spatiotemporal Travel Demand Estimation and Prediction | |
Allahviranloo et al. | Mobility knowledge discovery to generate activity pattern trajectories | |
Upadhyay et al. | Mining periodic patterns from spatio-temporal trajectories using FGO-based artificial neural network optimization model |