CN105635968A - 一种基于时间单元的热点区域识别方法、预测方法及装置 - Google Patents
一种基于时间单元的热点区域识别方法、预测方法及装置 Download PDFInfo
- Publication number
- CN105635968A CN105635968A CN201610030730.5A CN201610030730A CN105635968A CN 105635968 A CN105635968 A CN 105635968A CN 201610030730 A CN201610030730 A CN 201610030730A CN 105635968 A CN105635968 A CN 105635968A
- Authority
- CN
- China
- Prior art keywords
- user
- base station
- time quantum
- hot spot
- spot region
- 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.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于时间单元的热点区域识别方法,包括如下步骤:基于手机信令数据,对经过待识别区域内的每一基站的每一用户的最具有相似移动特征的前K个用户进行聚类,并匹配K个用户的移动轨迹序列之间的一段最长的相同基站切换序列;将特定时间段等间隔划分为N个时间单元,并针对K个用户,根据每一最长的相同基站切换序列与每一时间单元的匹配,对在每一时间单元内经过同一个基站的用户进行聚类;通过阈值判断识别每一时间单元内的热点基站,每一时间单元内的每一热点基站所覆盖的一个区域为该时间单元内的一个热点区域。本发明还提供一种预测方法及装置。采用本发明实施例,能够准确地分析出用户聚集的热点区域的时间规律。
Description
技术领域
本发明涉及城市规划管理技术领域,尤其涉及一种基于时间单元的热点区域识别方法、预测方法及装置。
背景技术
随着城市经济和社会的不断发展,我国城市化发展进程加快,城市人口的增长、城市形态的变化以及社会活动数量和规模的增加给城市的交通状况及其管理系统增加了越来越重的负荷,尤其在北京、上海、广州、深圳等人口逾1000万的“超大城市”。如果城市的交通管理部门不能及时了解管辖区内的人流的数量,并对人流的趋势做一定的预测,则容易出现交通瘫痪和危险隐患。因此,实时分析热点区域人流聚集度,并根据人流聚集度的时间和空间规律对未来某一时刻的城市居民聚集热点区域进行预测,可以用以制定和实施交通管理计划,对交通流进行调控,避免突发事件。
目前,通常采用无线移动定位技术,例如GPS(GlobalPositioningSystem,全球定位系统)来识别城市居民的停留聚集特征。GPS定位技术是通过综合多颗卫星的数据测量用户到卫星的距离,再利用距离差得出用户的位置。发明人在实施本发明的过程中发现现有的技术方案存在以下缺点:1、获取测量数据的成本高;2、开通GPS定位的用户数量相对较少,很难全面反映整个城市的居民聚集热点区域;3、在密集城区,由于周围遮挡物、干扰源越多,测量的精度会越低;4、无法接收到室内用户的GPS卫星信号。
发明内容
针对现有技术存在的问题,本发明的目的在于提供一种基于时间单元的热点区域识别方法、预测方法及装置,能够准确地分析出用户聚集的热点区域的时间规律,从而实现对未来某一时间单元内的热点区域的预测,满足了使用要求。
本发明实施例提供一种基于时间单元的热点区域识别方法,包括如下步骤:
基于获取到的待识别区域内的每一个用户在特定时间段内的手机信令数据,确定每一所述用户的移动轨迹序列,并记录每一所述用户所经过的基站及该用户在每一所述基站的移动特征;其中,所述移动轨迹序列为用户在所述特定时间段内所经过的基站按照时间先后进行排序后得到的基站切换序列;所述移动特征包括首次出现的时间、出现的次数、频率和累计间隔时间;
计算经过所述待识别区域内的每一个基站的任意两个用户的移动特征向量之间的空间距离;其中,所述移动特征向量为由所述移动特征所包含的各变量组成的有序数组;
针对经过所述待识别区域内的每一个基站的每一个用户,选取与该用户的移动特征向量之间的空间距离最近的前K个用户,并匹配所述K个用户的移动轨迹序列之间的一段最长的相同基站切换序列;其中,K为正整数;
将所述特定时间段等间隔划分为N个时间单元,并针对所述K个用户,根据每一所述最长的相同基站切换序列与每一所述时间单元的匹配,对在每一所述时间单元内经过同一个基站的用户进行聚类;其中,N为正整数;
将每一所述时间单元内的用户数大于一预设的阈值的基站作为该时间单元内的热点基站,每一所述时间单元内的每一热点基站所覆盖的一个区域为该时间单元内的一个热点区域。
作为上述方案的改进,当经过所述待识别区域内的某一个基站的用户的数量小于K时,则确定该基站为非热点基站。
作为上述方案的改进,所述手机信令数据包括用户手机ID;
每一所述用户对应一个用户手机ID。
本发明实施例还提供一种基于时间单元的热点区域识别装置,包括:
记录单元,用于基于获取到的待识别区域内的每一个用户在特定时间段内的手机信令数据,确定每一所述用户的移动轨迹序列,并记录每一所述用户所经过的基站及该用户在每一所述基站的移动特征;其中,所述移动轨迹序列为用户在所述特定时间段内所经过的基站按照时间先后进行排序后得到的基站切换序列;所述移动特征包括首次出现的时间、出现的次数、频率和累计间隔时间;
计算单元,用于计算经过所述待识别区域内的每一个基站的任意两个用户的移动特征向量之间的空间距离;其中,所述移动特征向量为由所述移动特征所包含的各变量组成的有序数组;
匹配单元,用于针对经过所述待识别区域内的每一个基站的每一个用户,选取与该用户的移动特征向量之间的空间距离最近的前K个用户,并匹配所述K个用户的移动轨迹序列之间的一段最长的相同基站切换序列;其中,K为正整数;
聚类单元,用于将所述特定时间段等间隔划分为N个时间单元,并针对所述K个用户,根据每一所述最长的相同基站切换序列与每一所述时间单元的匹配,对在每一所述时间单元内经过同一个基站的用户进行聚类;其中,N为正整数;
识别单元,用于将每一所述时间单元内的用户数大于一预设的阈值的基站作为该时间单元内的热点基站,每一所述时间单元内的每一热点基站所覆盖的一个区域为该时间单元内的一个热点区域。
作为上述方案的改进,当经过所述待识别区域内的某一个基站的用户的数量小于K时,则确定该基站为非热点基站。
作为上述方案的改进,所述手机信令数据包括用户手机ID;
每一所述用户对应一个用户手机ID。
本发明实施例还提供一种基于时间单元的热点区域预测方法,包括如下步骤:
利用上述的基于时间单元的热点区域识别方法确定每一时间单元内的热点区域;
基于每一所述时间单元内的热点区域,采用趋势预测法预测未来某一时间单元内的热点区域。
本发明实施例还提供一种基于时间单元的热点区域预测装置,包括:
上述的基于时间单元的热点区域识别装置,用于确定每一时间单元内的热点区域;
预测模块,用于基于每一所述时间单元内的热点区域,采用趋势预测法预测未来某一时间单元内的热点区域。
本发明实施例提供的基于时间单元的热点区域识别方法、预测方法及装置,具有如下有益效果:基于通信运营商提供的手机信令数据,采用协同聚类的方法对经过待识别区域内的每一个基站的每一个用户的最具有相似移动特征的前K个用户进行聚类,并采用遍历匹配的方法匹配所述K个用户的移动轨迹序列之间的一段最长的相同基站切换序列;然后,将特定时间段等间隔划分为N个时间单元,并针对所述K个用户,根据每一所述最长的相同基站切换序列与每一所述时间单元的匹配,对在每一所述时间单元内经过同一个基站的用户进行聚类;最后,通过阈值判断识别每一所述时间单元内的热点基站,每一所述时间单元内的每一热点基站所覆盖的一个区域为该时间单元内的一个热点区域。本发明实施例利用的源数据为通信运营商提供的手机信令数据,获取方式简单、获取成本低且信息样本大;能够准确地分析用户聚集的热点区域的时间规律,从而实现对未来某一时间单元内的热点区域的预测,为城市交通管理提供重要的依据。
附图说明
图1是本发明提供的基于时间单元的热点区域识别方法的一个实施例的流程示意图。
图2是本发明提供的基于时间单元的热点区域识别装置的一个实施例的结构示意图。
图3是本发明提供的基于时间单元的热点区域预测方法的一个实施例的流程示意图。
图4是本发明提供的基于时间单元的热点区域预测装置的一个实施例的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,是本发明提供的基于时间单元的热点区域识别方法的一个实施例的流程示意图。
本发明提供一种基于时间单元的热点区域识别方法,包括步骤S11~S15,具体如下:
S11,基于获取到的待识别区域内的每一个用户在特定时间段内的手机信令数据,确定每一所述用户的移动轨迹序列,并记录每一所述用户所经过的基站及该用户在每一所述基站的移动特征。
其中,所述移动轨迹序列为用户在所述特定时间段内所经过的基站按照时间先后进行排序后得到的基站切换序列;所述移动特征包括首次出现的时间、出现的次数、频率和累计间隔时间。
所述手机信令数据是由通信运营商(比如移动通信运营商)提供、符合国家法律关于个人隐私的源数据,具有获取方式简单、获取成本低、样本周期灵活、数量大等特点。它是指在手机通信过程中,当发生通话、短信接发、正常位置更新等通信事件时,由手机通信运营商记录的各类信令数据。
优选的,所述手机信令数据包括用户手机ID;本发明认为每一所述用户对应一部手机及一个用户手机ID。
每一所述用户在移动的过程中,该用户的手机总是会定期或不定期地、主动或被动地和其中一个基站保持联系。当每一所述用户的手机当前服务基站的信号强度减弱,邻近基站的信号强度超过所述当前服务基站,则该用户的手机信号会切换到所述邻近基站,以便获得更好的信号。在切换的过程中,通信运营商会保留相关切换记录。
优选的,每一所述用户在每一所述基站的移动特征包括首次出现的时间、出现的次数、频率和累计间隔时间;其中,所述首次出现的时间是指在所述特定时间段内,该用户的手机信号首次切换到每一所述基站后第一条信令事件的发生时间;所述出现的次数是指在所述特定时间段内,该用户的手机信号切换到每一所述基站的次数;所述频率是指在所述特定时间段内,在该用户所经过的全部所述基站的累计次数中,经过每一所述基站的次数所占的比例;所述累计间隔时间是指在所述特定时间段内,在该用户经过每一所述基站的次数中,对相邻两次之间的间隔时间进行累计相加所得到的时间;其中,所述相邻两次之间的间隔时间是指当前次在每一所述基站的最后一条信令事件的发生时间与下一次切换到该基站的第一条信令事件的发生时间之间的间隔时间;所述特定时间段可以为一天、一个小时、半个小时或任意的一个时间范围值,这些可根据实际的需要进行设置,本发明不做具体的限制。
S12,计算经过所述待识别区域内的每一个基站的任意两个用户的移动特征向量之间的空间距离。
其中,所述移动特征向量为由所述移动特征所包含的各变量组成的有序数组。
优选的,所述移动特征向量为由所述移动特征所包含的各变量组成的有序数组,也就是说,所述移动特征向量为由所述首次出现时间、出现的次数、频率和累计间隔时间这四个变量组成的有序数组。
又假设每一所述用户的手机信号首次切换到所述待识别区域内的每一个基站后第一条信令事件的发生时间为t,则经过同一个基站的任意两个用户的移动特征向量之间的空间距离
需要说明的是,所述首次出现时间、出现的次数、频率和累计间隔时间这四个变量可以任意排序形成所述移动特征向量,只要全部所述用户在所述待识别区域内的全部基站的移动特征向量的各变量的排列顺序保证一致即可。
S13,针对经过所述待识别区域内的每一个基站的每一个用户,选取与该用户的移动特征向量之间的空间距离最近的前K个用户,并匹配所述K个用户的移动轨迹序列之间的一段最长的相同基站切换序列。
其中,K为正整数。
优选的,经过所述待识别区域内的每一个基站的任意两个用户的移动特征向量之间的空间距离越近,则这两个用户的移动特征越相似。因此,采用协同聚类的方法对经过所述待识别区域内的每一个基站的每一个用户的最具有相似移动特征的前K个用户进行聚类;然后,采用遍历匹配的方法匹配所述K个用户在所述特定时间段内的移动轨迹序列之间的一段最长的相同基站切换序列;其中,K为正整数,其取值是根据所述待识别区域的地理分布位置、所述特定时间段的取值范围等因素进行相应设置,本发明不做具体限制。
优选的,当经过所述待识别区域内的某一个基站的用户的数量小于K时,则确定该基站为非热点基站,从而剔除了那些只有少量或单个用户经过的基站,减少了计算数据。
S14,将所述特定时间段等间隔划分为N个时间单元,并针对所述K个用户,根据每一所述最长的相同基站切换序列与每一所述时间单元的匹配,对在每一所述时间单元内经过同一个基站的用户进行聚类。
其中,N为正整数。
优选的,具体为:若所述特定时间段为一天,将一天等间隔划分为N个时间单元,比如每一个时间单元的跨度为30分钟,则N为48。针对所述K个用户,根据每一用户的手机信号切换到每一所述最长的相同基站切换序列中的每一基站的时间与每一所述时间单元的匹配,分别计算出每一所述时间单元内经过同一个基站的用户的数量,以识别出每一所述时间单元内的热点基站。
S15,将每一所述时间单元内的用户数大于一预设的阈值的基站作为该时间单元内的热点基站,每一所述时间单元内的每一热点基站所覆盖的一个区域为该时间单元内的一个热点区域。
需要说明的是,所述预设的阈值同样是根据所述待识别区域的地理分布位置、所述特定时间段的取值范围等因素进行相应设置,本发明不做具体限制。
在具体实施当中,优选的,上述基于时间单元的热点区域识别方法可由基于时间单元的热点区域识别装置来执行。基于通信运营商提供的手机信令数据,采用协同聚类的方法对经过待识别区域内的每一个基站的每一个用户的最具有相似移动特征的前K个用户进行聚类,并采用遍历匹配的方法匹配所述K个用户的移动轨迹序列之间的一段最长的相同基站切换序列;然后,将特定时间段等间隔划分为N个时间单元,并针对所述K个用户,根据每一所述最长的相同基站切换序列与每一所述时间单元的匹配,对在每一所述时间单元内经过同一个基站的用户进行聚类;最后,通过阈值判断识别每一所述时间单元内的热点基站,每一所述时间单元内的每一热点基站所覆盖的一个区域为该时间单元内的一个热点区域。本发明实施例利用的源数据为通信运营商提供的手机信令数据,获取方式简单、获取成本低且信息样本大;能够准确地分析用户聚集的热点区域的时间规律,从而实现对未来某一时间单元内的热点区域的预测,为城市交通管理提供重要的依据。
相应地,本发明还提供一种基于时间单元的热点区域识别装置,可执行上述实施例提供的基于时间单元的热点区域识别方法的所有流程。
请参阅图2,是本发明提供的基于时间单元的热点区域识别装置的一个实施例的结构示意图。
本发明提供一种基于时间单元的热点区域识别装置20,包括记录单元21、计算单元22、匹配单元23、聚类单元24以及识别单元25,具体如下:
所述记录单元21,用于基于获取到的待识别区域内的每一个用户在特定时间段内的手机信令数据,确定每一所述用户的移动轨迹序列,并记录每一所述用户所经过的基站及该用户在每一所述基站的移动特征。
其中,所述移动轨迹序列为用户在所述特定时间段内所经过的基站按照时间先后进行排序后得到的基站切换序列;所述移动特征包括首次出现的时间、出现的次数、频率和累计间隔时间。
所述计算单元22,用于计算经过所述待识别区域内的每一个基站的任意两个用户的移动特征向量之间的空间距离。
其中,所述移动特征向量为由所述移动特征所包含的各变量组成的有序数组。
所述匹配单元23,用于针对经过所述待识别区域内的每一个基站的每一个用户,选取与该用户的移动特征向量之间的空间距离最近的前K个用户,并匹配所述K个用户的移动轨迹序列之间的一段最长的相同基站切换序列。
其中,K为正整数。
所述聚类单元24,用于将所述特定时间段等间隔划分为N个时间单元,并针对所述K个用户,根据每一所述最长的相同基站切换序列与每一所述时间单元的匹配,对在每一所述时间单元内经过同一个基站的用户进行聚类。
其中,N为正整数。
所述识别单元25,用于将用户数达到一预设的阈值的每一所述候选热点基站作为一个热点基站,每一所述热点基站所覆盖的一个区域为一个热点区域。
可以理解的是,本发明实施例中的基于时间单元的热点区域识别装置20的各功能单元的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
此外,本发明还提供一种基于时间单元的热点区域预测方法。
请参阅图3,是本发明提供的基于时间单元的热点区域预测方法的一个实施例的流程示意图。
本发明提供一种基于时间单元的热点区域预测方法,包括步骤S31~S32,具体如下:
S31,利用图1所述的基于时间单元的热点区域识别方法确定每一时间单元内的热点区域。
S32,基于每一所述时间单元内的热点区域,采用趋势预测法预测未来某一时间单元内的热点区域。
优选的,具体为:利用图1所述的基于时间单元的热点区域识别方法准确地分析出用户聚集的热点区域的时间规律,也就是说,识别出在特定时间段内(比如一天)的每一个时间单元内的用户聚集的热点区域;然后,根据用户聚集的热点区域的时间规律,采用趋势预测法预测未来某一时间单元内的热点区域;其中,每一所述时间单元的跨度可以为一个小时,也可以为30分钟或任意一个时间跨度值,这些可根据实际的需要进行设置,本发明不做具体的限制。另外,所述趋势预测法为本领域技术人员所公知的方法,本发明在此不做具体描述。
相应地,本发明还提供一种基于时间单元的热点区域预测装置,可执行上述实施例提供的基于时间单元的热点区域预测方法的所有流程。
请参阅图4,本发明实施例还提供一种基于时间单元的热点区域预测装置40,包括:基于时间单元的热点区域识别装置20及预测模块41,具体如下:
所述基于时间单元的热点区域识别装置20,用于确定每一时间单元内的热点区域。
所述预测模块41,用于基于每一所述时间单元内的热点区域,采用趋势预测法预测未来某一时间单元内的热点区域。
可以理解的是,本发明实施例中的基于时间单元的热点区域预测装置40的各功能单元的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
本发明实施例提供的基于时间单元的用户聚集热点区域识别方法、预测方法及装置,具有如下有益效果:基于通信运营商提供的手机信令数据,采用协同聚类的方法对经过待识别区域内的每一个基站的每一个用户的最具有相似移动特征的前K个用户进行聚类,并采用遍历匹配的方法匹配所述K个用户的移动轨迹序列之间的一段最长的相同基站切换序列;然后,将特定时间段等间隔划分为N个时间单元,并针对所述K个用户,根据每一所述最长的相同基站切换序列与每一所述时间单元的匹配,对在每一所述时间单元内经过同一个基站的用户进行聚类;最后,通过阈值判断识别每一所述时间单元内的热点基站,每一所述时间单元内的每一热点基站所覆盖的一个区域为该时间单元内的一个热点区域。本发明实施例利用的源数据为通信运营商提供的手机信令数据,获取方式简单、获取成本低且信息样本大;能够准确地分析用户聚集的热点区域的时间规律,从而实现对未来某一时间单元内的热点区域的预测,为城市交通管理提供重要的依据。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和变形,这些改进和变形也视为本发明的保护范围。
Claims (8)
1.一种基于时间单元的热点区域识别方法,其特征在于,包括如下步骤:
基于获取到的待识别区域内的每一个用户在特定时间段内的手机信令数据,确定每一所述用户的移动轨迹序列,并记录每一所述用户所经过的基站及该用户在每一所述基站的移动特征;其中,所述移动轨迹序列为用户在所述特定时间段内所经过的基站按照时间先后进行排序后得到的基站切换序列;所述移动特征包括首次出现的时间、出现的次数、频率和累计间隔时间;
计算经过所述待识别区域内的每一个基站的任意两个用户的移动特征向量之间的空间距离;其中,所述移动特征向量为由所述移动特征所包含的各变量组成的有序数组;
针对经过所述待识别区域内的每一个基站的每一个用户,选取与该用户的移动特征向量之间的空间距离最近的前K个用户,并匹配所述K个用户的移动轨迹序列之间的一段最长的相同基站切换序列;其中,K为正整数;
将所述特定时间段等间隔划分为N个时间单元,并针对所述K个用户,根据每一所述最长的相同基站切换序列与每一所述时间单元的匹配,对在每一所述时间单元内经过同一个基站的用户进行聚类;其中,N为正整数;
将每一所述时间单元内的用户数大于一预设的阈值的基站作为该时间单元内的热点基站,每一所述时间单元内的每一热点基站所覆盖的一个区域为该时间单元内的一个热点区域。
2.如权利要求1所述的基于时间单元的热点区域识别方法,其特征在于,当经过所述待识别区域内的某一个基站的用户的数量小于K时,则确定该基站为非热点基站。
3.如权利要求1所述的基于时间单元的热点区域识别方法,其特征在于,所述手机信令数据包括用户手机ID;
每一所述用户对应一个用户手机ID。
4.一种基于时间单元的热点区域识别装置,其特征在于,包括:
记录单元,用于基于获取到的待识别区域内的每一个用户在特定时间段内的手机信令数据,确定每一所述用户的移动轨迹序列,并记录每一所述用户所经过的基站及该用户在每一所述基站的移动特征;其中,所述移动轨迹序列为用户在所述特定时间段内所经过的基站按照时间先后进行排序后得到的基站切换序列;所述移动特征包括首次出现的时间、出现的次数、频率和累计间隔时间;
计算单元,用于计算经过所述待识别区域内的每一个基站的任意两个用户的移动特征向量之间的空间距离;其中,所述移动特征向量为由所述移动特征所包含的各变量组成的有序数组;
匹配单元,用于针对经过所述待识别区域内的每一个基站的每一个用户,选取与该用户的移动特征向量之间的空间距离最近的前K个用户,并匹配所述K个用户的移动轨迹序列之间的一段最长的相同基站切换序列;其中,K为正整数;
聚类单元,用于将所述特定时间段等间隔划分为N个时间单元,并针对所述K个用户,根据每一所述最长的相同基站切换序列与每一所述时间单元的匹配,对在每一所述时间单元内经过同一个基站的用户进行聚类;其中,N为正整数;
识别单元,用于将每一所述时间单元内的用户数大于一预设的阈值的基站作为该时间单元内的热点基站,每一所述时间单元内的每一热点基站所覆盖的一个区域为该时间单元内的一个热点区域。
5.如权利要求4所述的基于时间单元的热点区域识别装置,其特征在于,当经过所述待识别区域内的某一个基站的用户的数量小于K时,则确定该基站为非热点基站。
6.如权利要求4所述的基于时间单元的热点区域识别装置,其特征在于,所述手机信令数据包括用户手机ID;
每一所述用户对应一个用户手机ID。
7.一种基于时间单元的热点区域预测方法,其特征在于,包括如下步骤:
利用如权利要求1~3任一项所述的基于时间单元的热点区域识别方法确定每一时间单元内的热点区域;
基于每一所述时间单元内的热点区域,采用趋势预测法预测未来某一时间单元内的热点区域。
8.一种基于时间单元的热点区域预测装置,其特征在于,包括:
如权利要求4~6任一项所述的基于时间单元的热点区域识别装置,用于确定每一时间单元内的热点区域;
预测模块,用于基于每一所述时间单元内的热点区域,采用趋势预测法预测未来某一时间单元内的热点区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610030730.5A CN105635968B (zh) | 2016-01-18 | 2016-01-18 | 一种基于时间单元的热点区域识别方法、预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610030730.5A CN105635968B (zh) | 2016-01-18 | 2016-01-18 | 一种基于时间单元的热点区域识别方法、预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105635968A true CN105635968A (zh) | 2016-06-01 |
CN105635968B CN105635968B (zh) | 2018-12-21 |
Family
ID=56050369
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610030730.5A Active CN105635968B (zh) | 2016-01-18 | 2016-01-18 | 一种基于时间单元的热点区域识别方法、预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105635968B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106376032A (zh) * | 2016-08-31 | 2017-02-01 | 鲁向东 | 热点区域自动识别方法和装置 |
CN107241693A (zh) * | 2017-05-08 | 2017-10-10 | 上海世脉信息科技有限公司 | 一种大数据环境下无坐标传感器位置确定方法 |
CN107292388A (zh) * | 2017-06-27 | 2017-10-24 | 郑州云海信息技术有限公司 | 一种基于神经网络的热点数据的预测方法及系统 |
CN107426703A (zh) * | 2017-08-24 | 2017-12-01 | 北京邮电大学 | 一种在室外人流密集场所基于模糊聚类的移动性预测方法 |
CN107665289A (zh) * | 2017-11-17 | 2018-02-06 | 广州汇智通信技术有限公司 | 一种运营商数据的处理方法及系统 |
CN108966269A (zh) * | 2018-07-17 | 2018-12-07 | 中国联合网络通信集团有限公司 | 一种场馆基站识别方法和装置 |
CN109548139A (zh) * | 2018-08-27 | 2019-03-29 | 福建新大陆软件工程有限公司 | 一种基于knn的小区基站经纬度数据校正方法 |
CN111046303A (zh) * | 2019-11-20 | 2020-04-21 | 北京文安智能技术股份有限公司 | 一种热点区域的自动检测方法、装置及系统 |
CN111694875A (zh) * | 2019-03-14 | 2020-09-22 | 百度在线网络技术(北京)有限公司 | 用于输出信息的方法和装置 |
CN115314920A (zh) * | 2022-08-09 | 2022-11-08 | 上海市信息网络有限公司 | 移动通信突发聚集区基站信号补强方法、系统、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103324706A (zh) * | 2013-06-17 | 2013-09-25 | 中国矿业大学 | 具有时间约束的轨迹数据热点区域的方法 |
CN104484993A (zh) * | 2014-11-27 | 2015-04-01 | 北京交通大学 | 用于交通小区划分的手机信令信息的处理方法 |
CN104978858A (zh) * | 2015-06-15 | 2015-10-14 | 北京拓明科技有限公司 | 一种基于手机信令的高速公路实时路况监测方法 |
-
2016
- 2016-01-18 CN CN201610030730.5A patent/CN105635968B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103324706A (zh) * | 2013-06-17 | 2013-09-25 | 中国矿业大学 | 具有时间约束的轨迹数据热点区域的方法 |
CN104484993A (zh) * | 2014-11-27 | 2015-04-01 | 北京交通大学 | 用于交通小区划分的手机信令信息的处理方法 |
CN104978858A (zh) * | 2015-06-15 | 2015-10-14 | 北京拓明科技有限公司 | 一种基于手机信令的高速公路实时路况监测方法 |
Non-Patent Citations (1)
Title |
---|
杜翠凤,余艺,蒋超: ""基于空间密度聚类的移动用户热点区域识别方法"", 《移动通信》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106376032A (zh) * | 2016-08-31 | 2017-02-01 | 鲁向东 | 热点区域自动识别方法和装置 |
CN107241693A (zh) * | 2017-05-08 | 2017-10-10 | 上海世脉信息科技有限公司 | 一种大数据环境下无坐标传感器位置确定方法 |
CN107241693B (zh) * | 2017-05-08 | 2020-06-30 | 上海世脉信息科技有限公司 | 一种大数据环境下无坐标传感器位置确定方法 |
CN107292388A (zh) * | 2017-06-27 | 2017-10-24 | 郑州云海信息技术有限公司 | 一种基于神经网络的热点数据的预测方法及系统 |
CN107426703A (zh) * | 2017-08-24 | 2017-12-01 | 北京邮电大学 | 一种在室外人流密集场所基于模糊聚类的移动性预测方法 |
CN107426703B (zh) * | 2017-08-24 | 2020-04-03 | 北京邮电大学 | 一种在室外人流密集场所基于模糊聚类的移动性预测方法 |
CN107665289B (zh) * | 2017-11-17 | 2020-12-08 | 广州汇智通信技术有限公司 | 一种运营商数据的处理方法及系统 |
CN107665289A (zh) * | 2017-11-17 | 2018-02-06 | 广州汇智通信技术有限公司 | 一种运营商数据的处理方法及系统 |
CN108966269A (zh) * | 2018-07-17 | 2018-12-07 | 中国联合网络通信集团有限公司 | 一种场馆基站识别方法和装置 |
CN108966269B (zh) * | 2018-07-17 | 2021-09-10 | 中国联合网络通信集团有限公司 | 一种场馆基站识别方法和装置 |
CN109548139B (zh) * | 2018-08-27 | 2021-03-23 | 福建新大陆软件工程有限公司 | 一种基于knn的小区基站经纬度数据校正方法 |
CN109548139A (zh) * | 2018-08-27 | 2019-03-29 | 福建新大陆软件工程有限公司 | 一种基于knn的小区基站经纬度数据校正方法 |
CN111694875A (zh) * | 2019-03-14 | 2020-09-22 | 百度在线网络技术(北京)有限公司 | 用于输出信息的方法和装置 |
CN111694875B (zh) * | 2019-03-14 | 2023-04-25 | 百度在线网络技术(北京)有限公司 | 用于输出信息的方法和装置 |
CN111046303A (zh) * | 2019-11-20 | 2020-04-21 | 北京文安智能技术股份有限公司 | 一种热点区域的自动检测方法、装置及系统 |
CN115314920A (zh) * | 2022-08-09 | 2022-11-08 | 上海市信息网络有限公司 | 移动通信突发聚集区基站信号补强方法、系统、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105635968B (zh) | 2018-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105635968A (zh) | 一种基于时间单元的热点区域识别方法、预测方法及装置 | |
US9830817B2 (en) | Bus station optimization evaluation method and system | |
CN111615054B (zh) | 人口分析方法及装置 | |
Iqbal et al. | Development of origin–destination matrices using mobile phone call data | |
CN106488405B (zh) | 一种融合个体与近邻移动规律的位置预测方法 | |
CN105142106A (zh) | 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 | |
Bonnetain et al. | TRANSIT: Fine-grained human mobility trajectory inference at scale with mobile network signaling data | |
CN105513351A (zh) | 一种基于大数据的交通出行特征数据提取方法 | |
CN105206048A (zh) | 一种基于交通od数据的城市居民群体换乘模式发现系统及方法 | |
CN104239556A (zh) | 基于密度聚类的自适应轨迹预测方法 | |
EP2608181B1 (en) | Method for detecting traffic | |
CN102609616A (zh) | 一种基于手机定位数据的动态人口分布密度检测方法 | |
Sohn et al. | Space-based passing time estimation on a freeway using cell phones as traffic probes | |
CN104217593A (zh) | 一种面向手机移动速度的路况信息实时获取方法 | |
CN103079221A (zh) | 一种利用扫频仪和测试手机联合分析移动网络状况的方法 | |
Kalatian et al. | Travel mode detection exploiting cellular network data | |
CN104636611A (zh) | 城市道路/路段的车辆速度评估方法 | |
Yao et al. | Understanding human activity and urban mobility patterns from massive cellphone data: Platform design and applications | |
Li et al. | Mobile user location prediction based on user classification and markov model | |
CN109495848B (zh) | 一种用户空间定位的方法 | |
CN110399537A (zh) | 一种基于人工智能技术的警情时空预测方法 | |
Li et al. | Outdoor location estimation using received signal strength feedback | |
CN105682023A (zh) | 一种用户聚集热点区域识别方法及装置 | |
CN104219622A (zh) | 基于lac的人数测定方法和人群态势监测方法及系统 | |
JP6223302B2 (ja) | 携帯端末を所持したユーザの滞在判定が可能な装置、プログラム及び方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |