CN102611985A - 一种用于提供出行信息的方法和设备 - Google Patents

Abstract

本发明公开了一种用于提供出行信息的方法和设备。该方法包括：从包括时间和位置信息的移动数据中识别用户的活动类型；以及基于所述移动数据，形成针对至少一种活动类型的出行信息。根据本发明可以以更加智能的方式提供更为准确的交通需求数据，且为针对出行相关事件来预测和估计出行需求的变动提供了可能。

Description

一种用于提供出行信息的方法和设备

技术领域

本发明涉及出行需求数据采集技术，更特别地涉及一种用于提供出行信息的方法和设备。

背景技术

交通需求数据对于城市交通规划(诸如道路、地铁规划等)、交通设施配置而言都是关键数据。传统上，交通需求数据采集主要通过对民众进行纸面调查来进行，这种方式既耗费人力又耗费财力，而且获得数据所需要的时间也比较长。基于这样的调查而得到的数据通常也是静态的长期统计，因此其仅适用于处理规划和发展等远期问题。

然而，这样采集到的数据滞后于当前的交通需求，而且不能适应各种变化。因此，基于这种数据所制定的各种规划、规定、措施等通常并不能实现预期目标。

因此，对于动态交通需求的需要越来越为迫切。所谓“动态交通需求”是指随时间而变化的交通流量，其通常受到交通设施和人们的行为的影响，其是对交通设施、红绿灯和短期交通策略进行微调的基本信息。而且在出现临时事件时，可以基于这些信息来设计解决拥堵的方案。

已知的是，移动通信网络在很多国家和地区的覆盖率已经达到90％以上，并且移动通信设备等的使用也越来越普及。另外，移动网络一般都能基于小区基站来记录用户的位置，这就提供了获得人们在特定位置的逗留时间的可能性。因此，可以基于移动网络来进行交通需求数据的采集，其基本原理是在预定区域内获得人们的主要位置，诸如“家”、“办公室”、“学校”、“购物区域”等，并基于这些位置从移动数据得到人们的潜在行为等。

在发明人为Cyrus W.Smith、标题为“Method and system for usingcellular date for transportation planning and engineering”的公开号为WO/2007/002118的PCT专利申请中，提出了一种基于移动网络的交通需求数据采集的解决方案。在该申请中公开的解决方案包括三个步骤：将移动网络的小区映射到一系列的物理交通位置；从移动数据中挖掘出频率最高的N个位置作为每个移动用户的出发地与目的地(O-D)；以及根据移动数据，将所有人的行为计入O-D矩阵，从而得到出行信息。

在日常生活中，通常会出现可能临时、短时或者短期影响人们出行的出行相关事件。此类事件的典型实例是因重大事件、道路施工、学校开学、交通事故等而进行的短时交通限流或者临时交通管制措施。这样的出行相关事件通常将会影响一部分人的出行，但是并非会对所有人产生影响。例如对于“错时上下班”而言，由于学校、幼儿园的上学和放学时间是固定的，需要接送孩子上学和的家长通常不会享受到错时上下班的便利，而是仍需按时出门。换句话说，“错时上下班”通常不会影响这部分人的出行。然而，究竟有多少人会受到影响，又有多少人不受影响，这根本无法从这些交通需求数据中得以预测。基于以传统方式静态数据采集的方式和前文介绍的动态采集方式，均无法来评估由于此类事件实际上将会引起怎样的出行变动。所以，这些交通需求数据对于这样的出行相关事件而言是毫无疑义的。

为此，在本领域中存在对于交通需求数据采集技术进行改进的需求。

发明内容

有鉴于此，本发明公开了一种提供出行信息的方法和设备，其至少部分上消除或者缓解了上述问题。

在根据本发明的第一方面中，提供了一种用于提供出行信息的方法。该方法可以包括：从包括时间和位置信息的移动数据中识别用户的活动类型；以及基于所述移动数据，形成针对至少一种活动类型的出行信息。

在根据本发明的第一方面的一个实施方式中，从包括时间和位置信息的移动数据中识别用户的活动类型可以包括：基于所述移动数据，确定所述用户的日常移动行为；以及基于所述移动行为的位置的性质和/或时间，确定所述移动行为的目的，以便确定所述活动类型。

在根据本发明的第一方面的另一实施方式中，所述基于所述移动数据形成针对至少一种活动类型的出行信息可以包括：仅形成针对所关心的活动类型的出行信息。

在根据本发明的第一方面的再一实施方式中，所述出行信息可以是O-D矩阵形式，所述信息可以包括出发地、目的地、人流量以及出行方式信息。

在根据本发明的第一方面的又一实施方式中，所述基于所述移动数据形成针对至少一种活动类型的出行信息可以包括：构造针对每种活动类型的O-D矩阵；以及将与各个用户的至少一种活动类型相关的数据计入针对相应活动类型的O-D矩阵。

在根据本发明的第一方面的另一实施方式中，所述方法可以进一步包括：基于所述针对至少一种活动类型的出行信息，确定总体出行需求。

在根据本发明的第一方面的再一实施方式中，所述方法可以进一步包括：响应于出行相关事件，调整针对与所述出行相关事件相关的活动类型的出行信息。

在根据本发明的第一方面的又一实施方式中，所述响应于出行相关事件，调整与该出行相关事件相关的出行信息可以包括：对所述出行相关事件进行分析，以根据所述出行相关事件的特征确定将受到影响的活动类型；以及修改针对所述将受到影响的活动类型的出行信息。

在根据本发明的第一方面的另一实施方式中，该方法进一步包括：基于经过调整后的出行信息，确定针对所述出行相关事件的出行需求的估计。

在根据本发明的第一方面的一个实施方式中，所述移动数据可以包括以下其中一种或者多种：通话数据、短信数据、网页浏览数据、分组交换数据和位置区切换数据。

根据本发明的第二方面，提供了一种用于提供出行信息的设备。该设备可以包括：类型识别装置，用于从包括时间和位置信息的移动数据中识别用户的活动类型；以及信息形成装置，用于基于所述移动数据，形成针对至少一种活动类型的出行信息。

根据本发明的第三方面，提供了一种计算程序产品，其上包括有计算机程序代码，当被加载到计算机设备中时，其使得该计算机设备执行根据本发明的第一方面的方法。

根据本发明，可以从移动数据中识别出人们的至少一种活动类型，并基于移动数据建立针对至少一种活动类型的出行信息。因此，根据本发明可以以更加智能的方式提供更为准确交通需求数据，且为响应于出行相关事件来预测和估计出行需求的变动提供了可能。

附图说明

通过对结合附图所示出的实施方式进行详细说明，本发明的上述以及其他特征将更加明显，本发明附图中相同的标号表示相同或相似的部件。在附图中：

图1示意性地示出了移动网络的小区与实际的物理位置之间的对应关系图示。

图2示意性地示出了移动网络的设备的示例结构。

图3示出了根据本发明的一个实施方式的用于提供出行信息的方法的流程图。

图4A示意性地示出了有意义的位置的识别的图示。

图4B示意性地示出了停留位置的识别的图示。

图4C示意性地示出了用于识别出行方式的一种方法的图示。

图4D示意性地示出了用于识别出行方式的另一方法的图示。

图4E示意性地示出了用于识别出行方式的再一方法的图示。

图5A和图5B示意性地示出了O-D矩阵的图示。

图6示出了根据本发明的另一实施方式的用于提供出行信息的方法的流程图。

图7A和图7C示意性地示出了三种活动类型的出行情况的示意图。

图7D示意性地示出了图7C所示活动类型的经过调整后的出行情况。

图8示意性地示出了根据本发明的方法的应用环境的系统架构。

图9示意性地示出了根据本发明的用于提供出行信息的设备的方框图。

图10示意性示出了可以实现根据本发明的实施方式的计算机设备的结构方框图。

具体实施方式

在下文中，将参考附图通过实施方式对本发明提供的用于提供出行信息的方法和设备进行详细的描述。

首先，简要描述一下在本申请中所述使用的术语，以便本领域技术人员更清楚地理解本发明。术语“活动”是指人们具有特定目的的移动行为；术语“移动行为”可以表示为包括时间和位置的序列，其反映了用户何时从何地出发到达何地，中间在何处停留，其包括出发地、目的地、和停留地以及相应的时间；术语“目的”是指移动行为的目的，例如上班、购物、送孩子上学、接孩子放学、上班加送孩子上学等，术语“位置的性质”是指该位置对应的含义，诸如学校、购物场所等。术语“移动方式”是指用户进行移动行为所采取的方式，例如自行车出行、私家车出行、公交车出行等。术语“移动数据”是指包括有用户的位置信息和对应时间的数据，其可以来自于移动通信网络，且位置信息例如是小区ID。术语“出行相关事件”是指可能临时、短时或者短期影响人们出行的事件，其包括诸如短时交通限流或者临时交通管制等事件，也包括一些交通管理措施或者规定，诸如“错时上下班”等。

接着，将参考图1至图2简要描述从中可以获取移动数据的移动通信网络，其中图1示意性地示出了移动网络的小区与实际的物理位置之间的对应关系的图示；以及图2示意性地示出了移动网络的系统的示例结构。

如图1所示，移动通信网络通常包括若干蜂窝状的小区，这些小区基本覆盖各个地区，而且在很多国家和地区的覆盖率已经达到90％以上。如图所示，地图中的部分区域已经被示出为完全被相应的以六边形示出的多个小区所覆盖。因而很显然的是，可以将各个小区映射到实际的物理位置。在现有技术中，可以通过多种方式建立移动网络的小区与物理位置的映射或者对应关系，例如，可以利用地理信息系统中的地理位置数据和移动通信网络的小区位置等信息来建立这种对应关系。这种对应关系的建立对于本领域技术人员而言是已知的，因此此处为了清楚起见，不再赘述。此外，需要说明的是，为了清晰起见，并未示出其他地区的覆盖情况，但是事实上，其他地区通常与被覆盖地区一样，也被移动通信网络的小区所覆盖。

参考图2，图2示意性地示出了移动网络的系统的示例结构。如图2所示，在移动通信网络中，在各个小区内通常设置有基站(BS)，移动用户的移动数据会通过相应小区的基站而传送至移动交换中心。每个移动交换中心(MSC)通常管理若干小区，其负责其管理区域内的呼叫连接、越区切换控制、无线信道管理等功能。在各个MSC中，包括有归属位置寄存器HLR、拜访位置寄存器VLR和鉴权中心AUC。HLR是负责移动用户管理的数据区，保存用户归属消息及当前位置信息。VLR服务于其控制区域内的移动用户，存储着进入其控制区域内已登记的移动用户相关信息。一旦移动用户离开该VLR的控制区域，则重新在管理其所进入区域的另一个VLR登记，原VLR将不再记录的该移动用户数据。AUC用于实现用户鉴权等功能。因此，很清楚的是，在移动交换中心可以获取包括有位置(特别是小区位置)和时间的移动数据。本发明正是基于这一点而进行的。

接下来，将参考图3至图8描述根据发明的用于提供出行信息的方法的多个实施方式。首先参考图3，图3示出了根据本发明的一个实施方式的用于提供出行信息的方法的流程图。

如图3所示，首先在步骤301，从包括时间和位置信息的移动数据中识别用户的活动类型。

基于参考图2的描述可知，可以从移动通信网络，特别地从移动交换中心来获得包括时间和位置信息的移动数据。通常在通话过程中，在使用移动装置的过程中，如在通话时，在发送和接收短信时，在浏览网页数据时，在进行分组交换(进行数据下载和数据上载)时，在MSC中通常会记录用户的位置和相应的时间。因此，通话数据、短信数据、网页浏览数据、分组交换数据均可以作为本发明中使用的移动数据。另外，还已知的是在移动装置待机时，在用户的移动过程中，如果跨过位置区，则会产生位置区切换数据，其同样包括时间和位置信息。因此，位置区切换数据也可以用于本发明。

另外，目前还出现了“公交卡手机”，在乘坐公交车、出租车时可以直接手机进行刷卡扣费，这样的数据，通常也带有支付时间和移动装置的位置这样的数据，因此这样的移动数据也同样适用于本发明。此外，本发明也注意到，公交卡的使用也越来越普及，公交卡的账户交易数据中也会带有交易时间、上下车点和时间等信息，这些信息同样可以反映用户的移动情况，因此也可以用于本发明。

根据这些移动数据，可以确定用户的日常移动行为，该移动行为是指包括时间和位置的信息序列。其反映了用户在何时处于什么位置。然后，可以基于这些位置的性质和/或时间，来确定移动行为的目的。继而，可以基于该移动行为及其行为目的来确定活动类型。关于这些操作的过程，将在下文中详细进行描述。

需要说明的是，为了能够反映出各个用户的日常活动，至少需要获取用户一天的移动数据。然而为了得到更加准确的日常活动信息，可以使用多天的移动数据，或者一周、一个月、三个月、半年或者任何适当时间段内的移动数据。

接下来，将参考图4A至图4E来详细地描述基于移动数据来确定各种活动类型的方式。

参考图4A，其示意性地示出了用于识别有意义的位置的一种方法的图示。具体地，图4示出了一个用户的移动数据所指示的时间和位置信息，其中横轴表示一天中的时间，纵轴是以小区的ID所表示的位置。如图4A所示，该用户在0点至8点之间长期停留ID为6和4的小区，且在9点至13点以及15点至19点，该用户基本停留在小区ID为2和3的小区内，之后在21点钟之后该用户基本处于小区6和小区4内。此外，在8点至9点之间、13点至14点半之间、以及19点至20点之间存在有移动行为。

基于图4A中的数据，可以确定小区6和小区4以及小区2和小区3是用于长期逗留的位置，对于该用户而言是有意义的位置。这些位置是该用户每天的主要移动行为的出发地和目的地。关于出发地和目的地可以基于数据本身的特性来确定。例如，对于如图中所示的8点左右至9点的移动行为而言，用户从其长时间基本静止的小区6和小区4开始活动，并在达到小区3和小区2后在较长时间停留在小区2和3中，这意味着对于8点至9点的移动行为而言，小区6和小区4是出发地而小区3和2是目的地。这样，例如对于针对8点至9点的移动行为而言，例如可以得到如下移动行为：小区6&4：8点；小区3&2；9点。

此外，根据图4A所示的情况，可以看出用户在0点至8点之间长期停留ID为6和4的小区，且在9点至13点以及15点至19点，该用户基本停留在小区ID为2和3的小区内，之后在9点钟之后该用户基本处于小区6和小区4内。因此，基于时间信息，可以确定：小区6&4对应于用户的家，而小区3&2对应于用的办公室。此处，两个小区之所以对应于一个位置，其原因在于在移动通信网络中，各个小区的覆盖区域之间通常会存在交叠。正是由于这种交叠，即使用户不发生移动，用户的位置也可能对应于两个小区。然而，实际上这两个小区的交叠对应的是同一物理位置。

此外，还可以确定移动行为是否存在中间停留地。关于中间停留地，这将参考图4B来描述，图4B示出了用于确定中间停留位置的一种方法的图示。根据一个用户的移动数据而得出的该用户一个天24小时内的“熵”分布情况。

术语“熵”也可以称作“瞬时熵”，其是与用户的移动速度对应的一个的量。该熵的值可以通过下述方式进行计算：确定在一个用户在一个预定的时间段(例如3分钟、5分钟或者依据应用而选择的任意适当的时间段)内在各个小区i(i＝1，...n)内的概率P_i(例如，该用户在该时间段内在各个小区i停留的时间与该时间段之比)；基于该概率P_i得到一个无量纲的量：P_iLog₂P_i；然后对无量纲的量进行求和以及求负而得到下式：

$E=-\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{P}_i{\mathrm{Log}}_2{P}_i$ 式1

该E即对应于前述的术语“熵”，在相同的小区状况下，用户的熵值越大表示在该时间段用户的移动速度越大，熵值越小表示该用户在该时间段内的移动速度越小。因此，该熵可以是对速度的一个度量。

对本领域技术人员而言，基于已有的知识和此处的教导可以容易地实现“熵”的计算，因此此处不再赘述。关于“熵”及其相关内容更详细的内容，可以参考由本发明人朱延峰等在“Trajectory EnabledService Support Platform for Mobile Users’Behavior Pattern Mining”一文(Proceedings of the 6th Annual International Mobile and UbiquitousSystems：Networking & Services，MobiQuitous，July，2009MobiQuitous2009)公开的内容。

例如，根据图4B示，可以看出在7点至9点的移动过程中，用户在7点左右开始活动，但在该活动期间有个熵减小至较低值随后又上升的过程，基于此特征可以确定与该较低值对应的点是一个停留地。如图7所示，图中由箭头指出的点即对应于中间停留地。

需要说明的是，这种有意义的中间停留地与其他临时停止点存在差别。诸如由于红绿等原因而造成的临时停止是随机的、不确定的，而本发明意义上的中间停留地是每天基本定时出现的，具有很大的规律性。因而可以据此将它们区分开。

这样，就可以得到对于各个用户而言有意义的位置及其对应时间，从而确定用户的日常移动行为。这些信息是基于用户的较长时间的移动数据而得出的统计信息，因此其较为准确地反映了该用户每天的行为。

接着，可以基于移动行为所包括的位置的性质和/或时间，来确定移动行为的目的。对于一些位置可以基于时间来确定其性质，例如上述的“家”和“办公室”。

然而，对于有一些位置，可能无法仅依靠时间信息来确定其含义或者功能，而是需采用其他手段进一步确定。在本发明的一个实施方式中，可以借助于已有的地理信息系统来识别位置的含义。例如，可以从地理信息系统中选择一些关心的位置，诸如学校、大型购物场所、医院等，从而基于这些位置的地理坐标与小区的地理位置进行匹配，从而确定对应位置的含义，以便用于确定移动行为的目的。例如可以根据目的地是购物区确定目的为“购物”。另外，也可以将位置的时间信息与位置的含义结合起来确定出行的目的。

在得知了移动行为及其目的后，就可以确定用户的活动类型。例如上班、下班、送孩子上学，接孩子放学以及上班加送孩子上学等活动类型。这些活动方式可以冠以适当的名称，也可以仅仅是通过包括位置和时间以及行为目的数据信息来表征。

通过前面所述的方式，就可以对所有用户的移动数据进行分析，从而得到用户的各种活动类型。

接着，在图3所示的步骤302，可以利用所述移动数据形成针对至少一种活动类型的出行信息。

特别地，可以首先针对每种活动类型构造相应的出发地-目的地矩阵O-D。然而需要说明的是，本发明的出行信息可以形成为任何适当的方式，而并非仅限于此。

图5A示意性地示出了O-D矩阵的结构的一个示例。其中，第一行中的元素“1”、“2”、“3”、“4”表示出发地所在位置的小区ID，第一列中的元素为“1”、“2”、“3”、“4”表示目的地所在位置的小区ID。另外如图所示，初始构造时，小区ID相同的行列交叉处，元素为“x”以表示不做统计或不存在的情况；矩阵中的其他数据元素为0，这些数据指示了从相应列的小区ID所标识的区域出发到相应行的小区ID所标识的区域的人数。

该O-D矩阵例如可以表示为H_i(t)，其中i＝1，2，3，...n，表示活动类型的编号；t表示时间，即该O-D矩阵所针对的时间，通常为一个时间段，例如7:00-9:00、9点至11等。关于时间段的大小，可以根据需要进行选择，可以基于1个小时、2个小时、3个小时，或者根据需要按照任何适当的时间段来构造O-D矩阵。然而，本领域技术人员可以理解，通过将例如6:00至7:00的O-D矩阵和7:00至8:00的矩阵的数据结合，即可以得到6:00至8:00的数据。

然后，可以根据各个用户的移动数据，将各个用户的各个活动计入针对相应活动类型的O-D矩阵。例如，可以基于在步骤301中识别各种活动类型时针对每个用户的移动数据的分析结果，将各个用户的各种活动计入针对相应活动类型的O-D矩阵。另外，也可以在该步骤重新对每个用户执行数据分析，以确定以相关的活动类型。

例如，用户1是直接从小区1至小区2，其活动类型为“上班”，则可以在与其活动类型模式和行为时间对应的O-D矩阵中将第1列第2行的元素加1。从而逐步形成针对各种活动类型的O-D矩阵H_i(t)。图5B示意性地示出了针对例如“上班”活动类型在某个时间段内的O-D矩阵的结果。

优选地，还可以仅针对在步骤301中所识别的各种活动类型中的一部分形成相应的出行信息，即仅仅针对所关心的活动类型或者仅针对主流的活动类型形成出行信息。

此外，还可以根据移动数据识别出用户的出行方式，例如是私家车出行、公交车出行、地铁出行、自行车出行、步行出行等。

对于移动方式的识别可以通过若干方式来实现。例如，可以基于平均瞬时熵来确定，可以通过移动速度分布来确定，或者基于移动速度分布的斜率来确定。另外，可以通过将手机号码与公交卡号码关联来确定。

根据本发明的一个实施方式中，计算各个用户在活动中的平均瞬时熵(速度)。已知的是，在相同的条件下，大的平均瞬时熵对应于较大的速度，而小的平均瞬时熵对应于小的速度。由于不同的出行模式的平均移动速度通常不同，因此基于平均瞬时熵的大小，可以区分出不同的出行模式。然而，对于处于不同区域的用户而言，由于诸如小区的大小等各种因素，基于移动数据而确定的具有大平均瞬时熵的用户，其速度并非必然大于平均移动熵小的用户，因此利用平均瞬时熵的方法可能会存在错误判断的可能。

此外，图4C也示出了用于识别用户的出行方式的一种方法的图示。具体地，该图示出了根据两个用户的移动数据而得出的瞬时熵与概率密度的关系，其中横轴表示瞬时熵，纵轴表示相应的概率密度。如图4C所示，可以将用户的各自的数据点连接起来分别形成相应的曲线，而后利用一条直线对各条曲线进行拟合。然后，根据各个直线的斜率来确定出行模式。如图所示，斜率的绝对值小的用户对应于私家车出行的用户，而斜率的绝对值较大的用户对应于非私家车出行的用户。然而，实际上，这种方式也存在错误判断的可能。

图4D示出了用于识别用户的出行方式的另一方法的图示。该图具体地示出了采用前述平均瞬时熵判断的方法、采用斜率判断的方法的情况，以及将斜率和平均瞬时熵信息结合作为评判标准的情况。

如图4D所示，如果单独采用斜率(图中示出为粗的横虚线)，则斜率位于横虚线以上的用户应为私家车出行用户，然而如图中最右侧的虚线圈所示，非私家车出行用户也被确定为私家车出行用户；类似地，如果单独平均瞬时熵(图中示出为粗的竖虚线)作为评判标准，则位于竖虚线左侧的用户应为非私家车出行用户，然而根据此标准，有几个私家车出行用户也被确定为非私家车出行用户(如图中最左侧的虚线圈所示)，且有几个非私家车出行用户被确定为私家车出行用户(如图中的中间的虚线圈所示)。因此，单独采用这两种方式都存在则都存在误判情况。而如果将两者结合，通过采用如图中示出的斜虚线作为评判标准，则可以显著消除误判的情况。

此外，图4E示出了用于识别用户的出行方式的再一方法的图示。该图具体地示出了根据三个用户的移动数据得到的在标准化时间内的速度(瞬时熵)分布情况。其中，横轴表示标准化的时间，而纵轴表示速度或者瞬时熵。三个用户的数据分别用方块、圈点、三角块来表示。如图所示，从标准化时间内的速度分布来看，方块所表示的用户的平均速度较高，且最高速度较高(达到3.3)，这是典型的汽车方式出行；圆圈所表示的用户的速度变化较大，其最高速度较高但是不超过2.5，而且定期存在等于0的最低速度，这是公交出行的典型特征。而三角块所表示的用户的平均速度较低，最高速度为1.5，这是典型的步行的特征。

通过例如上述的方式，就可以识别出各种出行方式。出行方式信息可以作为O-D矩阵的附加信息进行，例如存储在附加表格中。出行方式信息例如可以指示从一个小区到另一小区的人流量中，各种出行方式的人数或者百分比。然而，需要说明的是，上述实施方式仅仅是为了示例而示出的，本发明并不仅限于此，而是可以采取任何其他适当的方式来识别出行方式。

在本文的背景部分中提及的现有技术的解决方案虽然基于移动数据来获取交通需求数据，但是该技术方案无法针对一些出行相关事件给出预测和估计，比如，不能针对假设事件给出预测和估计，不能针对考虑中的交通相关措施的效果给出预期。而与此相对，根据本发明的解决方案，可以从真实体现了用户的日常活动的移动数据中，自动地识别出人们的各种活动类型，并基于移动数据建立针对各种活动类型的出行信息。因此，根据本发明的解决方案不但缓解了静态数据采集的数据滞后、不能适应社会发展与变化的缺陷，而且可以以更加智能的方式提供更为准确交通需求数据，且为响应于出行相关事件来预测和估计出行需求的变动提供了可能。

需要说明的是，在上面的实施方式中，基于移动数据可以得到用户在一天内的活动情况。然而，本发明并不仅限于此，而是可以得到诸如一周等其他时间段内的活动情况。

此外，图6还示出了根据本发明的另一实施方式的用于提供出行信息的方法的流程图。

如图6所示，步骤601和步骤602与图3所示的步骤301和步骤302类似，此处为了简化起见将不再赘述。如图6所示，在形成了针对各种活动类型的出行信息后，可以在步骤603进一步基于所述针对每种活动类型的出行信息，确定总体出行需求。这将参考图7A至图7C来进行描述，它们分别示意性地示出了根据三种不同类型的活动类型。

图7A示出了例如“上班”的活动类型下的出行情况，针对该活动类型建立的相应O-D矩阵例如可以表示为H₁(t)；图7B示出了例如“送孩子上学”的活动类型下的出行情况，其对应的O-D矩阵例如可以表示为H₂(t)；以及图7C示出了“上班途中送孩子上学”的活动类型的出行情况，其相应的O-D矩阵可以表示为H₃(t)。

在需要确定总体需求时，可以将各种类型的O-D矩阵结合来确定总体需求。其可以用下述公式来表述。

$S=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{H}_i\left(t\right)$ 式2

以这样的方式，通过综合各个活动类型的O-D矩阵数据就可以得到总体出行需求数据。

此外，还可以进一步在步骤604，响应于出行相关事件，来调整与该出行相关事件有关的出行信息，以得到调整后的出行信息。

在接收到出行相关事件时，可以对该出行相关事件的特征进行分析，以确定其将影响到的活动类型。接着，可以仅针对将受到影响的活动类型相关的出行信息进行调整。例如对于“错时上下班”措施而言，如果规定将上班时间从8点改为9点，则仅仅无需送孩子上学的用户会可能会因为该措施而延迟出行，对于需要送孩子上学(通常8点上学)的用户而言，其通常不会改变其出行。因此可以针对直接上班的那些用户的活动来调整出行信息。

图7D示意性地示出了由于出行相关事件而受到影响的活动类型的情况，其例如可以标识为F(H₃(t))，其中F()表示对H₃(t)进行的调整。

进一步地，可以在步骤605，基于经过调整后的出行信息，确定针对该出行相关事件的调整后的出行需求。

在经过上述调整之后，可以综合各个活动类型的出行信息，以确定针对该出行相关事件的出行需求估计，该估计S’例如可以通过如下式子来表示：

$S^{\′}=F\left(H_j\left(t\right)\right)+\underset{i\≠j}{\overset{n}{\mathrm{\Σ}}}{H}_i\left(t\right)$ 式3

这样，就可以针对各种行为相关事件，得到较为可靠的出行需求估计，从而为针对该事件采取对应措施和进行决策提供了数据基础。

需要说明的是，在前面的描述中，主要针对与交通相关的应用来描述本发明。然而本发明也可以应用到其他任何适当的领域。例如，可以选择某个区域内的几个关心位置，例如购物区，获得与这些关心位置相关的出行信息，以获得关于这些区域的人流量情况，以确定是否需要建设新的购物场所。此外，还可以假设新的购物场所的位置，并基于该假设得到调整后的出行信息，以便确定该假设的购物场所的位置是否恰当。

图8示意性地示出了本发明的应用环境的系统架构。如图8所示，用户的移动数据通过基站发送到MSC并存储在MSC，可以实现本发明的出行信息服务器获取该MSC中的移动数据，对这些移动数据进行分析，并形成针对各种活动类型的出行信息。服务使用方，例如交通部门和交通规划部门等，可以利用从该出行信息服务器获得出行信息，形成出行需求数据。此外，服务使用方也可以输入出行相关事件，出行信息服务器可以响应于该事件而调整或者修改相应的出行信息，并可以优选地基于调整后的出行信息获得针对该出行相关事件的出行需求估计。

此外，图9示意性地示出了根据本发明的一个实施方式的用于提供出行信息的设备的方框图。

如图9所示，设备900可以包括类型识别装置901和信息形成装置902，其中该类型识别装置901用于从包括时间和位置信息的移动数据中识别用户的活动类型；以及信息形成装置902，用于基于所述移动数据，形成针对各种活动类型的出行信息。

在根据本发明的一个实施方式中，该类型识别装置901可以配置用于基于所述移动数据，确定所述用户的日常移动行为；以及基于所述移动行为的位置的性质和/或时间，确定所述移动行为的目的，以便确定所述活动类型。

在根据本发明的另一实施方式中，所述信息形成装置902配置用于仅形成针对所关心的活动类型的出行信息。

在根据本发明的再一实施方式中，所述出行信息是O-D矩阵形式，所述信息包括出发地、目的地、人流量以及出行方式信息。

在根据本发明的又一实施方式中，所述信息形成装置902进一步包括矩阵构造装置902-1，用于构造针对每种活动类型的O-D矩阵；以及数据计入装置902-2，用于将与各个用户的各种活动类型相关的数据计入针对相应活动类型的O-D矩阵。

在根据本发明的另一实施方式中，设备900可以一步包括需求确定装置903，用于基于所述针对各种活动类型的出行信息，确定总体出行需求。

在根据本发明的再一实施方式中，设备900可以进一步包括信息调整装置904，用于响应于出行相关事件，调整针对与所述出行相关事件相关的活动类型的出行信息。

在根据本发明的又一实施方式中，所述信息调整装置904包括：事件分析装置904-1，用于对所述出行相关事件进行分析，以根据所述出行相关事件的特征确定将受到影响的活动类型；以及信息修改装置904-2，用于修改针对所述将受到影响的活动类型的出行信息。

在根据本发明的另一实施方式中，设备900进一步包括：估计确定装置905，用于基于经过调整后的出行信息，确定针对所述出行相关事件的出行需求的估计。

在根据本发明的再一实施方式中，其中所述移动数据包括以下其中一种或者多种：通话数据、短信数据、网页浏览数据、分组交换数据和位置区切换数据。

关于上述用于提供出行信息的设备900中的各个部件的详细操作，可以参考上文中结合图3至图7D对用于提供出行信息的方法以及参考图8对本发明的应用环境的系统架构的具体描述。

下面，将参考图10来描述可以实现本发明的计算机设备。图10示意性示出了可以实现根据本发明的实施方式的计算机设备的结构方框图。

图10中所示的计算机系统包括CPU(中央处理单元)1001、RAM(随机存取存储器)1002、ROM(只读存储器)1003、系统总线1004、硬盘控制器1005、键盘控制器1006、串行接口控制器1007、并行接口控制器1008、显示器控制器1009、硬盘1010、键盘1011、串行外部设备1012、并行外部设备1013和显示器1014。在这些部件中，与系统总线1004相连的有CPU 1001、RAM 1002、ROM 1003、硬盘控制器1005、键盘控制器1006、串行接口控制器1007、并行接口控制器1008和显示器控制器10010。硬盘1010与硬盘控制器1005相连，键盘1011与键盘控制器1006相连，串行外部设备1012与串行接口控制器1007相连，并行外部设备1013与并行接口控制器1008相连，以及显示器1014与显示器控制器1009相连。

图10所述的结构方框图仅仅为了示例的目的而示出的，并非是对本发明的限制。在一些情况下，可以根据需要添加或者减少其中的一些设备。

此外，本发明的实施方式可以以软件、硬件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的方法和设备可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本实施例的设备及其组件可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。

虽然已经参考目前考虑到的实施方式描述了本发明，但是应该理解本发明不限于所公开的实施方式。相反，本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。以下权利要求的范围符合最广泛解释，以便包含所有这样的修改及等同结构和功能。

Claims (20)

1.一种用于提供出行信息的方法，包括：

从包括时间和位置信息的移动数据中识别用户的活动类型；以及

基于所述移动数据形成针对至少一种活动类型的出行信息。

2.根据权利要求1所述的方法，其中所述从包括时间和位置信息的移动数据中识别用户的活动类型包括：

基于所述移动数据，确定所述用户的日常移动行为；以及

基于所述移动行为的位置的性质和/或时间，确定所述移动行为的目的，以便确定所述活动类型。

3.根据权利要求1所述的方法，其中所述基于所述移动数据形成针对至少一种活动类型的出行信息包括：

仅形成针对所关心的活动类型的出行信息。

4.根据权利要求1所述的方法，其中所述出行信息是O-D矩阵形式，所述信息包括出发地、目的地、人流量以及出行方式信息。

5.根据权利要求4所述的方法，其中所述基于所述移动数据形成针对至少一种活动类型的出行信息包括：

构造针对每种活动类型的O-D矩阵；以及

将与各个用户的该至少一种活动类型相关的数据计入针对相应活动类型的O-D矩阵。

6.根据权利要求1所述的方法，进一步包括：

基于所述针对至少一种活动类型的出行信息，确定总体出行需求。

7.根据权利要求1所述的方法，进一步包括：

响应于出行相关事件，调整针对与所述出行相关事件相关的活动类型的出行信息。

8.根据权利要求7所述的方法，其中所述响应于出行相关事件，调整与所述出行相关事件相关的出行信息包括：

对所述出行相关事件进行分析，以根据所述出行相关事件的特征确定将受到影响的活动类型；以及

修改针对所述将受到影响的活动类型的出行信息。

9.根据权利要求7所述的方法，进一步包括：

基于经过调整后的出行信息，确定针对所述出行相关事件的出行需求的估计。

10.根据权利要求1所述的方法，其中所述移动数据包括以下其中一种或者多种：通话数据、短信数据、网页浏览数据、分组交换数据和位置区切换数据。

11.一种用于提供出行需求信息的设备，包括：

类型识别装置，用于从包括时间和位置信息的移动数据中识别用户的活动类型；以及

信息形成装置，用于基于所述移动数据，形成针对至少一种活动类型的出行信息。

12.根据权利要求11所述的设备，其中所述类型识别装置配置用于：

基于所述移动数据，确定所述用户的日常移动行为；以及

基于所述移动行为的位置的性质和/或时间，确定所述移动行为的目的，以便确定所述活动类型。

13.根据权利要求11所述的设备，其中所述信息形成装置配置用于：

仅形成针对所关心的活动类型的出行信息。

14.根据权利要求11所述的设备，其中所述出行信息是O-D矩阵形式，所述信息包括出发地、目的地、人流量以及出行方式信息。

15.根据权利要求14所述的设备，其中所述信息形成装置进一步包括：

矩阵构造装置，用于构造针对每种活动类型的O-D矩阵；以及

数据计入装置，用于将与各个用户的该至少一种活动类型相关的数据计入针对相应活动类型的O-D矩阵。

16.根据权利要求11所述的设备，进一步包括：

需求确定装置，用于基于所述针对至少一种活动类型的出行信息，确定总体出行需求。

17.根据权利要求11所述的设备，进一步包括：

信息调整装置，用于响应于出行相关事件，调整针对与所述出行相关事件相关的活动类型的出行信息。

18.根据权利要求17所述的设备，其中所述信息调整装置包括：

事件分析装置，用于对所述出行相关事件进行分析，以根据所述出行相关事件的特征确定将受到影响的活动类型；以及

信息修改装置，用于修改针对所述将受到影响的活动类型的出行信息。

19.根据权利要求17所述的设备，进一步包括：

估计确定装置，用于基于经过调整后的出行信息，确定针对所述出行相关事件的出行需求的估计。

20.根据权利要求11所述的设备，其中所述移动数据包括以下其中一种或者多种：通话数据、短信数据、网页浏览数据、分组交换数据和位置区切换数据。

Images