CN102333274A - 一种基于手机信号数据处理通勤信息的方法及装置 - Google Patents

Abstract

本发明涉及一种基于手机信号数据处理通勤信息的方法及装置，该方法包括以下步骤：1)提取个人出行轨迹链信息；2)筛选轨迹链信息；3)进行家所在地的判断，若判断为是则进行步骤4)，否则返回步骤2)；4)进行工作所在地的判断，若判断为是则进行步骤5)，否则返回步骤2)；5)整理信息并得到手机用户通勤出发地和目的地的矩阵、产生量、吸引量；6)扩大样本，得到一定区域范围的人员通勤出发地和目的地的矩阵；该装置包括处理器、存储器、电源、键盘、显示器。与现有技术相比，本发明具有可以实现对城市人员的通勤出发地和目的地进行连续的观测，解决了居民出行调查时效性和样本量不足的问题等优点。

Description

一种基于手机信号数据处理通勤信息的方法及装置

技术领域

本发明涉及一种处理通勤信息的方法及装置，尤其是涉及一种基于手机信号数据处理通勤信息的方法及装置。

背景技术

伴随城市经济、社会活动的快速发展，以及城市化进程的加速，我国城市交通所面临的挑战也在不断深化：土地资源的紧缺、能源压力的增大、社会需求的多样化等。围绕科学化和精细化的要求，城市道路交通规划和管理的决策水平亟待提高。而另一方面，随着智能交通技术的发展和交通信息系统的建立，为城市规划和管理部门提供了丰富的交通数据资源，如何充分利用多种数据展开多维度的分析，为决策提供技术支持，是管理和技术人员关注的重点。

在交通规划、交通设计、交通影响分析等各种相关决策分析工作中，居民出行出发地和目的地是反映出行需求空间分布的重要参数，交通分配模型也要求准确的出发地和目的地的矩阵作为输入；在城市规划中，居住人口及工作岗位的空间分布也成为重要的工作基础；在城市管理中，伴随住房改善的人口空间迁移对于许多政策制定产生重要影响。

传统的出发地和目的地(OD)矩阵获取方法是进行居民出行调查，主要是问卷抽样调查。从城市总人口中抽取一定比例的被调查者，要求被调查者提供每次出行信息，给出出行时间、出行方式、出行目的地等。这种方法要求被调查者对当天出行信息进行回想给出答案，但在实际中对于出行信息往往记忆不清，或者不耐烦于这样的调查，而随意地给出一些出行信息的答案，严重影响了交通出行调查的数据质量；另外居民出行调查的成本较高、抽样样本有限，通常间隔5～10年进行一次全面的综合交通调查，比如：上海2004年的交通大调查涉及20多家单位，组织了30多万人，总的费用达到了5000多万。由此可见，传统的居民出行调查方法，调查组织复杂、涉及面广、工作量大、费用高，存在数据代表性和调查误差等多方面的问题，不能把握出发地和目的地的信息的动态变化特征。由于传统的居民出行调查和路边询问等调查方式存在较大局限性，在实际应用中很难获取高质量的出发地和目的地的数据，因此，传统的出发地和目的地的数据调查方式不能准确地反映交通出行的实际情况，不利于交通规划的合理制定。

随着手机定位技术的出现以及手机用户的快速增长，基于手机定位技术的新的出发地和目的地的获取方法逐渐受到重视。移动通讯数据具有覆盖范围广、实效性强和可连续观测等优点，在滤除个人隐私信息后，可以分析手机使用者的空间移动规律，从而得到与出发地和目的地的相关的重要出行信息，实现对出发地和目的地的信息的动态连续观测。通过连续追踪其位置变化信息，在此基础上进行数据处理和建模分析，提炼出相应的出行出发地和目的地的信息。

从20世纪80年代开始，欧美等发达国家展开了利用移动通讯技术进行交通数据采集的研究和试验，证明采用手机位置数据推算出发地和目的地的矩阵是可行的。国内从2000年开始，也展开了类似的研究。国内外的研究表明采用移动通讯技术进行出行信息调查在理论和技术上都是可行的，结合手机信令数据、GIS数据，可以获得接近全样本的居民出行信息，这将为交通规划和管理决策提供强有力的技术支持。总的来说，目前针对这种新的基于手机定位的出发地和目的地的获取技术的研究还不够成熟，没有对其技术特征、实用性以及存在问题等方面进行全面透析，还有待大量的实践进行实证。

通勤出发地和目的地的信息是城市居民出行信息的重要内容，目前基于手机位置数据推算出发地和目的地的的方法，还不能对出行地点是居住地或工作地进行很好的区分，因此，如何获取通勤出发地和目的地的数据是目前的一个研究热点。

方法内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种可以实现对城市人员通勤的出发地和目的地进行连续的观测，解决了居民出行调查时效性和样本量不足的问题的基于手机信号数据处理通勤信息的方法及装置。

本发明的目的可以通过以下技术方案来实现：一种基于手机信号数据处理通勤信息的方法，该方法包括以下步骤：1)提取个人出行轨迹链信息；2)筛选轨迹链信息；3)进行家所在地的判断，若判断为是则进行步骤4)，否则返回步骤2)；4)进行工作所在地的判断，若判断为是则进行步骤5)，否则返回步骤2)；5)整理信息并得到手机用户通勤出发地和目的地的矩阵、产生量、吸引量；6)扩大样本，得到一定区域范围的人员通勤出发地和目的地的矩阵。

所述的步骤1)具体为：根据手机信号数据以及基站位置信息，提取一个时间段内个人所处的位置信息，并构建个人出行点和时间点的序列。

所述的步骤2)的筛选准则为：

准则1：用户每天需要有7条以上记录，以一周为判断周期，则用户一周之内出现3天及3天以上通勤特征的可以归属为通勤出发地和目的地，这样才能保证有较高成功率推算出家和工作地点；

准则2：以一周为判断周期，则用户一周之内至少有35条记录。

所述的步骤3)具体为：从21点以后一直到次日7点之前的用户记录中选择用户出现频率最高的轨迹点作为用户的家。

所述的步骤4)具体操作步骤如下：

a)选择工作时段记录的所有位置点信息，利用下面的公式计算工作地的中心点C(x_cm，y_cm)的位置

$x_{\mathrm{cm}}=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{x}_j/m,y_{\mathrm{cm}}=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{y}_j/m$

其中，x为用户所有轨迹点中的定位纬度，y为用户所有轨迹点中的定位经度，m为位置点个数；

b)将工作时段的所有位置点表示在时间轴上，然后依次在每两个点之间的中点把时间轴分割，每个点左右的两段时间就是这个点覆盖的时间；

c)依次计算每个位置点到C点的距离，若在给定阈值以内，则判断该点为工作时间的点，最后将所有判断为工作时间的点所覆盖的时间相加，如果相加时间之和占工作时段时间的比例大于给定阈值，则认为C点为工作地点，如果是整个上午或者整个下午没有记录，则剔除没有记录的上午或者下午，最后计算百分比时的工作时段为有记录的那个时段。

所述的步骤5)具体为：将计算出的用户的家所在地点和工作地点归并到不同的交通小区内，最终可以得到出发地和目的地的矩阵[t_ij]、产生量p_i，吸引量A_i，i ，j＝1，2，3，...，n。

$\underset{j}{\mathrm{\Σ}}{t}_{\mathrm{ij}}=p_i,\underset{i}{\mathrm{\Σ}}{t}_{\mathrm{ij}}=A_i$

其中，t_ij为出行起点O到出行终点D的居民出行量。

所述的步骤6)具体为：统计各个区域范围内的手机用户数，并且计算各个区域范围内的抽样率，把每个区域之间的统计值都除以抽样率，然后重新统计就可以得到所需要的出发地和目的地的矩阵，

抽样率 $R=\frac{N_s}{N_t}$

其中，N_s为一定区域内手机用户数，N_t为一定区域内所有的人口数。

所述的步骤6)中的一定区域范围包括一个或多个行政区、县、市、省或国家。

所述的一个时间段为1周或1周以上，所述的时间间距为1分钟或1分钟以上。

一种基于手机信号数据处理通勤信息的装置，该装置包括处理器、存储器、电源、键盘、显示器，所述的存储器、电源、键盘、显示器分别与处理器连接。

与现有技术相比，本方法具有以下优点：

1、可以实现对城市人员通勤的出发地和目的地进行连续的观测；

2、可以对城市发展过程中的人口居住迁移变化，以及工作岗位的集聚变化情况进行分析，解决了居民出行调查时效性和样本量不足的问题；

3、对交通规划和管理，特别是城市通勤交通的保障具有重要意义。

附图说明

图1为本发明的流程图；

图2为用户的家和工作地判定的算法流程图；

图3为工作地判断示意图；

图4为本发明的硬件结构示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例

如图1、图2所示，一种基于手机信号数据处理通勤信息的方法，该方法包括以下步骤：

步骤1)提取个人出行轨迹链

根据手机信号数据以及基站位置信息，提取1周内个人所处的位置信息，并构建间隔为1分钟(此处时间间隔，主要为了防止乒乓切换造成的计算误差)的个人出行点和时间的序列，当一分钟内出现连续多个信号的时候，随机选择其中的一个p点作为当前分钟内的轨迹点。具体定义为：

Traj＝{p₁→p₂→…→p_n}，p＝(lat，lon，t)

其中，lat为定位点纬度，lon为定位点经度，t为定位日期及时间。

步骤2)筛选轨迹链

由于每个用户每天记录的不完全，不是每个用户都适合来做通勤出发地和目的地的推算。经过测算得出了两个筛选的基本条件：

首先，每天7条以上的记录(这些记录的特点是基本晚上没有记录，也就是白天7-21点左右有记录，平均两个小时更新一次)，用户的判断周期为一周，一周之内出现3天通勤特征，这样才能保证有较高成功率推算出家和工作地点。

其次，一周中至少有35条记录。定义为：

N_d≥7，n≥3

N_a≥35

其中，N_d为每天用户的记录数，n为7天之内满足前面条件的天数，N_a为一周内所有记录数。

步骤3)进行家所在地的判断，若判断为是则进行步骤4)，否则返回步骤2)

根据上海市所有手机用户不同时间内移动概率曲线来看，21点以后一直到次日7点之前用户的移动概率都很低，表明此地点为家的概率极大，我们从所有这段时间内的用户记录中直接选择出现频率最高的p点作为用户的家。

步骤4)进行工作所在地的判断，若判断为是则进行步骤5)，否则返回步骤2)

1)选择9点到12点和2点到5点之间记录的所有位置点信息，利用下面的公式计算工作地的中心点C(x_cm，y_cm)的位置

$x_{\mathrm{cm}}=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{x}_j/m,y_{\mathrm{cm}}=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{y}_j/m$

其中，x为用户所有轨迹点中的定位纬度，y为用户所有轨迹点中的定位经度，m为位置点个数；

2)如图3所示，将9点到12点和2点到5点之间的所有位置点，(例如t₁、t₂、t₃、t₄、t₅)表示在时间轴上，然后依次在每两个点之间的中点把时间轴分割，每个点左右的两段时间(例如d₁、d₃、d₄、d₆、d₁₀、d₁₁)就是这个点覆盖的时间；

3)依次计算每个位置点到C点的距离，若小于2公里，则判断该点为工作时间的点，最后将所有判断为工作时间的点所覆盖的时间相加，如果相加时间之和占工作时段时间的比例大于70％，则认为C点为工作地点，如果是整个上午或者整个下午没有记录，算法中会自动剔除没有记录的上午或者下午，最后计算百分比时的工作时段为有记录的那个时段。

步骤5)整理信息得到手机用户通勤出发地和目的地的矩阵、产生量、吸引量；

将计算出的用户的家所在地点和工作地点归并到不同的交通小区内，最终可以得到出发地和目的地的矩阵[t_ij]、产生量p_i，吸引量A_i，i，j＝1，2，3，...，n。

$\underset{j}{\mathrm{\Σ}}{t}_{\mathrm{ij}}=p_i,\underset{i}{\mathrm{\Σ}}{t}_{\mathrm{ij}}=A_i$

其中，t_ij为出行起点O到出行终点D的居民出行量。

步骤6)扩大样本，得到全市范围的通勤出发地和目的地的矩阵。

统计各个小区内的手机用户数，并且计算各个交通小区的抽样率，把每个区域之间的统计值都除以抽样率，然后重新统计就可以得到所需要的OD矩阵。

抽样率 $R=\frac{N_s}{N_t}$

其中，N_s为小区内手机用户数，N_t为小区内所有的人口数。

如图4所示，一种基于手机信号数据处理通勤信息的装置，该装置包括处理器1、存储器2、电源3、键盘5、显示器4，所述的存储器2、电源3、键盘5、显示器4分别与处理器1连接。

本实验选取了上海市宜家家居的员工作为测试判断家和工作地的案例。根据我们在3月份所做的测试来看，家判断的准确率在90％以上，而工作地的判断准确率在95％以上。

此外，我们又进一步测试了通勤出发地和目的地的的推算准确率，对比如下：表1常用出发地和目的地的分配模型与手机推算通勤出发地和目的地的准确率表

模型	准确率
		常用出发地和目的地的分配模型	70％-85％
手机推算通勤出发地和目的地	85％-90％

测试结果表明，基于手机数据的出发地和目的地的推算方法具有更高的准确性。

Claims (10)

1.一种基于手机信号数据处理通勤信息的方法，其特征在于，该方法包括以下步骤：

1)提取个人出行轨迹链信息；

2)筛选轨迹链信息；

3)进行家所在地的判断，若判断为是则进行步骤4)，否则返回步骤2)；

4)进行工作所在地的判断，若判断为是则进行步骤5)，否则返回步骤2)；

5)整理信息并得到手机用户通勤出发地和目的地的矩阵、产生量、吸引量；

6)扩大样本，得到一定区域范围的人员通勤出发地和目的地的矩阵。

2.根据权利要求1所述的一种基于手机信号数据处理通勤信息的方法，其特征在于，所述的步骤1)具体为：根据手机信号数据以及基站位置信息，提取一个时间段内个人所处的位置信息，并构建个人出行点和时间的序列。

3.根据权利要求1所述的一种基于手机信号数据处理通勤信息的方法，其特征在于，所述的步骤2)的筛选准则为：

准则1：用户每天需要有7条以上记录，以一周为判断周期，则用户一周之内出现3天及3天以上通勤特征的可以归属为通勤出发地和目的地，这样才能保证有较高成功率推算出家和工作地点；

准则2：以一周为判断周期，则用户一周之内至少有35条记录。

4.根据权利要求1所述的一种基于手机信号数据处理通勤信息的方法，其特征在于，所述的步骤3)具体为：从21点以后一直到次日7点之前的用户记录中选择用户出现频率最高的轨迹点作为用户的家。

5.根据权利要求1所述的一种基于手机信号数据处理通勤信息的方法，其特征在于，所述的步骤4)具体操作步骤如下：

a)选择工作时段记录的所有位置点信息，利用下面的公式计算工作地的中心点C(x_cm，y_cm)的位置

$x_{\mathrm{cm}}=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{x}_j/m,y_{\mathrm{cm}}=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{y}_j/m$

其中，x为用户所有轨迹点中的定位纬度，y为用户所有轨迹点中的定位经度，m为位置点个数；

b)将工作时段的所有位置点表示在时间轴上，然后依次在每两个点之间的中点把时间轴分割，每个点左右的两段时间就是这个点覆盖的时间；

c)依次计算每个位置点到C点的距离，若在给定阈值以内，则判断该点为工作时间的点，最后将所有判断为工作时间的点所覆盖的时间相加，如果相加时间之和占工作时段时间的比例大于给定阈值，则认为C点为工作地点，如果是整个上午或者整个下午没有记录，则剔除没有记录的上午或者下午，最后计算百分比时的工作时段为有记录的那个时段。

6.根据权利要求1所述的一种基于手机信号数据处理通勤信息的方法，其特征在于，所述的步骤5)具体为：将计算出的用户的家所在地点和工作地点归并到不同的交通小区内，最终可以得到出发地和目的地的矩阵[t_ij]、产生量p_i，吸引量A_i，i，j＝1，2，3，...，n。

$\underset{j}{\mathrm{\Σ}}{t}_{\mathrm{ij}}=p_i,\underset{i}{\mathrm{\Σ}}{t}_{\mathrm{ij}}=A_i$

其中，t_ij为出行起点O到出行终点D的居民出行量。

7.根据权利要求1所述的一种基于手机信号数据处理通勤信息的方法，其特征在于，所述的步骤6)具体为：统计各个区域范围内的手机用户数，并且计算各个区域范围内的抽样率，把每个区域之间的统计值都除以抽样率，然后重新统计就可以得到所需要的出发地和目的地的矩阵

抽样率： $R=\frac{N_s}{N_t}$

其中，N_s为一定区域范围内的手机用户数，N_t为一定区域范围内所有的人口数。

8.根据权利要求1所述的一种基于手机信号数据处理通勤信息的方法，其特征在于，所述的步骤6)中的一定区域范围包括一个或多个行政区、县、市、省或国家。

9.根据权利要求2所述的一种基于手机信号数据处理通勤信息的方法，其特征在于，所述的一个时间段为1周或1周以上，所述的时间间距最小为1分钟。

10.一种基于手机信号数据处理通勤信息的装置，其特征在于，该装置包括处理器、存储器、电源、键盘、显示器，所述的存储器、电源、键盘、显示器分别与处理器连接。

Images