CN105682024A - 一种基于移动信令数据的城市热点识别方法 - Google Patents

Abstract

本发明提供了一种基于移动信令数据进行城市热点识别的方法。方法包括：(1)根据用户驻留时长识别驻留点，并计算出常驻用户对热点区域的贡献度；(2)从驻留人数中根据驻留人数的个数判别活跃蜂窝；(3)对识别出的所有活跃蜂窝进行相似性度量，并基于密度算法进行聚类，挖掘出城市的热点区域；(4)获取热点区域的POIs数据；(5)根据热点区域内包含的POIs类别，进行热点区域的主题设置。本发明充分利用现有的移动网络信息，引入驻留点判定、常驻用户衰减因子等识别城市热点分布并标定其功能类型，对人们的出行、旅游等提供了一定的参考价值。

Description

一种基于移动信令数据的城市热点识别方法

技术领域

本发明涉及一种基于移动信令数据的城市热点判断方法，从现有的移动网络信息中挖掘出热点区域分布需求信息并且对判断出的热点区域标定功能类型，可以为人们的出行、旅游以及城市规划等提供服务，属于交通管理与城市规划技术领域。

背景技术

随着社会的快速发展，人们对生活质量的要求也越来越高，根据城市人口聚集特点进行城市热点区域的判定及功能类型标定，对于现代城市规划，使人们更加便捷、舒适地生活，有针对性地开展引导性的人群疏散、规避交通拥堵等具有重要意义。

传统的识别方法主要基于全球定位系统(GPS)。目前公开发表的文章或专利大部分都是基于GPS的轨迹数据，从提取的轨迹数据中关键字段如经度、纬度、速度等来判断用户在城市中的驻留位置，进而识别城市热点区域。其中《基于停留点聚类的多粒度热点区域分析方法》主要基于大量用户的GPS轨迹，利用聚类算法ClusteringII来挖掘多粒度热点区域的；《基于出租车轨迹的并行城市热点区域发现》主要从出租车GPS原始轨迹数据进行停靠点的提取，然后通过对按时间段分块的停靠点并行运行基于密度的空间聚类，实现对分块的数据聚类来发现不同时间段的热点区域。本发明考虑到在实际研究与应用中，数据的获取都必须通过装有GPS的设备，造成成本高、设备投资大等问题，同时，GPS数据也会由于遇到“城市峡谷”、遮挡物等引起信号丢失，从而造成数据的缺失等诸多问题。因此，继续使用GPS数据来挖掘城市的热点区域已经不是最优选择了；同时，传统的热点区域判断的关键技术即识别驻留点中，未曾考虑到处于用户居住地或者工作地等常驻用户的驻留点对其聚类结果的影响。

综合上述提到的问题，同时随着移动通信系统的不断优化和完善为移动网络定位技术的实现提供了条件。基于移动信令信息的定位可以在现有的网络资源下，无须对移动终端进行改造实现对终端的定位，产生的附加成本小，因此本发明选择了基于移动信令数据的方法来判断城市热点区域；同时在驻留点识别结果中考虑到处于用户居住地或者工作地等常驻地用户在热点区域活动的不确定性，引入了衰减因子来计算常住用户对热点区域的贡献度，增加了聚类结果的精确性；而且，本发明对判断出的热点区域标定了功能类型，对用户的出行、旅游等提供了方便，还可以对新发展城区的POIs数据库的扩充提供一定的参考价值。

发明内容

本发明的目的是提供一种利用用户手机信令数据的出行轨迹来识别城市热点区域并标定其功能类型的方法，从而方便人们的出行、旅游等，其输入的数据是一个用户一定时间范围内出行的手机信令数据。

为了达到上述目的，本发明的技术方案提供了一种基于移动信令数据识别城市热点区域的方法，其特征在于，步骤为：

(1)利用移动信令数据计算用户在单个蜂窝内的驻留时长T，与时间阈值T₁进行比较，判断该区域是否为用户的驻留点，从识别出的驻留点的所有用户N中统计出该区域内的常驻用户数n，考虑到常驻用户在热点区域活动的不确定性，引入衰减因子λ(0<λ<1)，计算得到常驻用户为该区域成为热点做出的贡献度，则该蜂窝内有效驻留人数为P＝N―λ·n，若蜂窝内有效驻留人数P大于阈值N₁，则判定该蜂窝为活跃蜂窝，否则为非活跃蜂窝。

(2)对识别出的所有活跃蜂窝进行相似性的度量，并利用基于密度的聚类算法判别出热点区域，具体步骤为：

(2.1)活跃蜂窝的位置表示，假定用户移动过程中的手机轨迹Cell_n(Lngt_n,Lat_n,t_n1,t_n2)由经度(Lngt_n)、纬度(Lat_n)、进入蜂窝时间(t_n1)和离开蜂窝时间(t_n2)构成，则活跃蜂窝的位置表示为(Lngt_n,Lat_n)。

(2.2)对识别出的所有活跃蜂窝进行相似性的识别，其中相似性是由两个活跃蜂窝之间的距离来确定，两个活跃蜂窝之间的距离越小则相似性越高，则采用欧几里得的相似度计算公式为：

Sin(x,y)＝1/(1+d(x,y))

(2.3)对计算得到的活跃蜂窝依据相似度利用基于密度的聚类算法划分到不同的组内，而组就是聚类结果的簇，即代表一个热点区域。

(3)获取热点区域内的POIs数据，其中每条POIs数据中包含POIs名称、POIs类别、经度、纬度等多个属性值。

(4)对热点区域的主题进行设置，若热点区域内仅包含一个POIs类别，则将此POIs类别设置为该热点区域的主题，若热点区域内包含多个POIs类别，则利用信息增益法计算出该热点区域内影响较大的类别并设置为主题，具体步骤为：

(4.1)对于包含多个POIs类别的热点区域，利用信息增益计算出热点区域内影响较大的类别，计算公式为：

①设热点区域包含m个POIs类别C_i，i＝1,2,…,m，那么热点区域类别的期望信息：

I(C₁,C₂…C_m)＝―P₁log₂ ^p1―P₂log₂ ^p2―…―P_mlog₂ ^pm

其中，P_i＝S_i/S，S_i表示第i个类别在热点区域内出现的次数，S表示所有类别在热点区域内出现的总次数。

②热点区域第i(0<i≤m)个类别的信息熵为：

E(C_i)＝P_i*I(C_i)

③则在热点区域中类别C_i信息增益为：

Gain(C_i)＝I(C₁,C₂...C_m)―E(C_i)

以此类推，分别计算出热点区域上所有类别C_i信息增益。

(4.2)基于步骤(4.1)中信息增益的结果，比较大小，对于信息增益较大的类别，表示对主题的识别影响较大即可得到热点区域的主题。

本发明的优点是，充分利用了现有的移动网络信息，采用简单且易懂的方法快速地识别出活跃蜂窝，基于简单、有效、可以对任意形状聚类的聚类算法实现了城市内热点的判断并为热点区域标定功能类型，进而为人们的出行、旅游等提供了参考的依据。

附图说明

图1为本发明提供的基于移动信令数据进行热点识别方法的流程。

图2为对识别出的活跃蜂窝的聚类结果图示。

图3为热点区域包含POIs类别图示。

具体实施方式

以下结合实施例来具体说明本发明，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

如图1所示，本发明提供了一种基于移动信令数据的城市热点判断方法，其步骤为：

(1)利用移动信令数据计算用户在单个蜂窝内的驻留时长T，与时间阈值T₁进行比较，判断该区域是否为用户的驻留点，从识别出的驻留点的所有用户N中统计出该区域内的常驻用户数n，考虑到常驻用户在热点区域活动的不确定性，引入衰减因子λ(0<λ<1),计算得到常驻用户为该区域成为热点做出的贡献度，则该蜂窝内有效驻留人数为P＝N―λ·n，若蜂窝内有效驻留人数P大于阈值N₁，则判定该蜂窝为活跃蜂窝，否则为非活跃蜂窝。

(2)对识别出的所有活跃蜂窝进行相似性的度量，并利用基于密度的聚类算法判别出热点区域，具体步骤为：

(2.1)活跃蜂窝的位置表示，假定用户移动过程中的手机轨迹Cell_n(Lngt_n,Lat_n,t_n1,t_n2)由经度(Lngt_n)、纬度(Lat_n)、进入蜂窝时间(t_n1)和离开蜂窝时间(t_n2)构成，则活跃蜂窝的位置表示为(Lngt_n,Lat_n)。

(2.2)对识别出的所有活跃蜂窝进行相似性的识别，其中相似性是由两个活跃蜂窝之间的距离来确定，两个活跃蜂窝之间的距离越小则相似性越高，则采用欧几里得的相似度计算公式为：

Sin(x,y)＝1/(1+d(x,y))

(2.3)对计算得到的活跃蜂窝依据相似度利用基于密度的聚类算法划分到不同的组内，而组就是聚类结果的簇，即代表一个热点区域。

(3)获取热点区域内的POIs数据，其中每条POIs数据中包含POIs名称、POIs类别、经度、纬度等多个属性值。

(4)对热点区域的主题进行设置，若热点区域内仅包含一个POIs类别，则将此POIs类别设置为该热点区域的主题，若热点区域内包含多个POIs类别，则利用信息增益法计算出该热点区域内影响较大的类别并设置为主题，具体步骤为：

(4.1)对于包含多个POIs类别的热点区域，利用信息增益计算出热点区域内影响较大的类别，计算公式为：

①设热点区域包含m个POIs类别C_i，i＝1,2,…,m，那么热点区域类别的期望信息：

I(C₁,C₂…C_m)＝―P₁log₂ ^p1―P₂log₂ ^p2―…―P_mlog₂ ^pm

其中，P_i＝S_i/S，S_i表示第i个类别在热点区域内出现的次数，S表示所有类别在热点区域内出现的总次数。

②热点区域第i(0<i≤m)个类别的信息熵为：

E(C_i)＝P_i*I(C_i)

③则在热点区域中类别C_i信息增益为：

Gain(C_i)＝I(C₁,C₂...C_m)―E(C_i)

以此类推，分别计算出热点区域上所有类别C_i信息增益。

(4.2)基于步骤(4.1)中信息增益的结果，比较大小，对于信息增益较大的类别，表示对主题的识别影响较大即可得到热点区域的主题。

Claims (3)

1.一种基于移动信令数据的城市热点识别方法，其特征在于，所述方法包括以下步骤：

(1)利用移动信令数据计算用户在单个蜂窝内的驻留时长T，与时间阈值T₁进行比较，判断该区域是否为用户的驻留点，从识别出的驻留点的所有用户N中统计出该区域内的常驻用户数n，考虑到常驻用户在热点区域活动的不确定性，引入衰减因子λ(0<λ<1),计算得到常驻用户为该区域成为热点做出的贡献度，则该蜂窝内有效驻留人数为P＝N―λ·n，若蜂窝内有效驻留人数P大于阈值N₁，则判定该蜂窝为活跃蜂窝，否则为非活跃蜂窝。

(2)对识别出的所有活跃蜂窝进行相似性的度量，并利用基于密度的聚类算法判别出热点区域。

(3)获取热点区域内的POIs数据，其中每条POIs数据中包含POIs名称、POIs类别、经度、纬度等多个属性值。

(4)对热点区域的主题进行设置，若热点区域内仅包含一个POIs类别，则将此POIs类别设置为该热点区域的主题，若热点区域内包含多个POIs类别，则利用信息增益法计算出热点区域内影响较大的类别并设置为主题。

2.根据权利要求1所述，其特征在于，所述步骤(2)包括以下步骤：

(2.1)活跃蜂窝的位置表示，假定用户移动过程中的手机轨迹Cell_n(Lngt_n,Lat_n,t_n1,t_n2)由经度(Lngt_n)、纬度(Lat_n)、进入蜂窝时间(t_n1)和离开蜂窝时间(t_n2)构成，则活跃蜂窝的位置表示为(Lngt_n,Lat_n)。

(2.2)对识别出的所有活跃蜂窝进行相似性的识别，其中相似性是由两个活跃蜂窝之间的距离来确定，两个活跃蜂窝之间的距离越小则相似性越高，则采用欧几里得的相似度计算公式为：

Sin(x,y)＝1/(1+d(x,y))

(2.3)对计算得到的活跃蜂窝依据相似度利用基于密度的聚类算法划分到不同的组内，而组就是聚类结果的簇，即代表一个热点区域。

3.根据权利要求1所述，其特征在于，所述步骤(4)包括以下步骤：

(4.1)对于包含多个POIs类别的热点区域，利用信息增益计算出热点区域内影响较大的类别，计算公式为：

①假设热点区域包含m个POIs类别C_i，i＝1,2,…,m，那么热点区域类别的期望信息：

I(C₁,C₂…C_m)＝―P₁log₂ ^p1―P₂log₂ ^p2―…―P_mlog₂ ^pm

其中，P_i＝S_i/S，S_i表示第i个类别在热点区域内出现的次数，S表示所有类别在热点区域内出现的总次数。

②热点区域内第i(0<i≤m)个类别的信息熵为：

E(C_i)＝P_i*I(C_i)

③则在热点区域中类别C_i信息增益为：

Gain(C_i)＝I(C₁,C₂…Cm)―E(C_i)

以此类推，分别计算出热点区域上所有类别C_i信息增益。

(4.2)基于步骤(4.1)中信息增益的结果，比较大小，对于信息增益较大的类别，表示对主题的识别影响较大即可得到热点区域的主题。