CN106464706A - 用于通过可从电信网络获得的数据识别显著地点的方法和系统 - Google Patents
用于通过可从电信网络获得的数据识别显著地点的方法和系统 Download PDFInfo
- Publication number
- CN106464706A CN106464706A CN201480079103.XA CN201480079103A CN106464706A CN 106464706 A CN106464706 A CN 106464706A CN 201480079103 A CN201480079103 A CN 201480079103A CN 106464706 A CN106464706 A CN 106464706A
- Authority
- CN
- China
- Prior art keywords
- event
- time
- cluster
- value
- probability
- 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
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/51—Discovery or management thereof, e.g. service location protocol [SLP] or web services
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
- Telephonic Communication Services (AREA)
Abstract
提出了一种用于识别和定位在由无线电信网络服务的地理区域内由至少一个个人访问的至少一个相关地点的方法。该方法包括以下步骤:选择(203)其中至少一个相关地点的识别和定位必须被执行的预定时间段(T),选择(206,209)要被识别和定位的相关地点的类型,检索(218)由电信网络记录的并且关于由至少一个个人携带的用户装备与该电信网络交互的事件(ei)的所记录时间和位置数据,基于所记录的时间数据计算(236)已被检索出所记录时间和位置数据的每个事件在所选类型的相关地点发生的概率,识别和聚集(239)在彼此的预定义距离内发生并且具有相似概率的事件,为每个识别出的事件的群集计算(242)权重值,以便考虑影响所选相关地点的识别和定位的统计方面,将该权重值与阈值权重值进行比较(251),如果该权重值等于或大于阈值权重值,则将相关地点识别为(254)属于相关地点的所选类型,并且基于群集的事件的所记录位置数据提供(230)至少一个相关地点的位置的指示,或者如果该权重值低于阈值权重值,则将相关地点识别为(224)不属于相关地点的所选类型。
Description
技术领域
本发明涉及通信系统。更具体而言,本发明涉及无线或移动电信网络的领域。甚至更具体而言,本发明涉及适于基于从服务于被调查地理区域(例如,城市、直辖市等)的(一个或多个)无线或移动电信网络检索的信息确定由在这样的被调查地理区域内的个人访问的多个相关地点的类型和/或位置的方法和系统。
背景技术
识别由个人访问的地方——在下面简称为相关地点——连同此类相关地点被访问的频率和相关地点被访问的典型时间间隔的能力对于人类习惯的各种分析是非常有用的。例如,此类信息可被用于交通分析,这对于移动性规划,诸如公共交通的管理,和/或对于预测车辆交通趋势是基本的。其中以上提到的信息可被成功使用的其它例子是电信网络管理和/或流行病学(例如,用于预测流行病扩散)领域。
如今,移动电话已经在许多国家的人口中达到广泛扩散,并且移动电话所有者几乎总是随身携带他们的移动电话。由于移动电话与移动电话网络的多个基站通信,并且每个基站覆盖(即,服务于)移动电话网络运营商已知的一个或多个预定的地理区域(或小区),因此移动电话成为作为用于收集对识别由个人访问的相关地点、该个人留在每个相关地点多长时间以及每个相关地点多频繁地被访问有用的数据的跟踪设备的最佳候选。
在本领域中,已经提出了许多系统和方法,以收集关于个人的用户装备(UE,例如移动电话、智能电话、平板电脑等)连接到移动电话网络(例如,用于执行语音呼叫或发送文本消息)的时间和地点的信息,并且使用此类收集到的信息以便导出与个人访问的相关地点相关的信息。
例如,N.Caceres,J.Wideberg and F.Benitez“Deriving origin destinationdata from a mobile phone network”,Intelligent Transport Systems,IET,Vol.1,No.1,pages 15-26,2007,描述了沿着由多个GSM网络小区覆盖的公路移动车辆的移动性分析模拟。在模拟中,通过识别由移动车辆中的移动电话用于建立语音呼叫或发送SMS所使用的GSM小区来确定起始-目的地矩阵的条目。
M.C.González et al.“Understanding individual human mobilitypatterns”,Nature pages 453,779-782,2008,通过研究在六个月的时间间隔内被跟踪的100000个个人的轨迹定义了适于识别家庭和工作场所的概率密度函数。
在US 2009/0157496中,描述了用于基于用户的实时地点来自动匹配和介绍用户的个人广播系统和方法,使得被识别为能够或有可能形成关系的用户可以在容易满足的某一时刻被通知那个事实。还描述了允许在不同时间点已经访问或通过相同地点的两个用户当中至少一个自动接收关于另一个用户的信息而不管他们之间的时间间隔的系统和方法。
在F.Calabrese et al.“Estimating Origin-Destination Flows Using MobilePhone Location Data”,IEEE Pervasive,pages 36-44,October-December 2011(Vol.10No.4)中提出了一种方法,该方法基于在夜间由个人的用户装备执行的到电信网络的连接的数量识别个人的家庭地点,并根据在工作时间期间执行的到电信网络的连接的数量来识别个人的工作地点。
在R.A.Becker et al.,"A Tale of One City:Using Cellular Network Datafor Urban Planning,"IEEE Pervasive Computing,Vol.10,No.4,pages 18-26,2011中提出了通过分析由个人在多个工作日在工作时间期间执行的电话呼叫来识别个人工作的城市的方法。
US 2006/0293046提出了用于采用来自无线电话网络的数据以支持交通分析的方法。与无线网络用户相关的数据是从无线网络提取的,以确定移动站的地点。用于移动站的附加地点记录可被用来表征移动站的移动:其速度、其路线、其起点和目的地,以及其主要和次要运输分析区。聚合与多个移动站相关联的数据允许表征和预测交通参数,包括沿着路线的交通速度和量。
在S.Isaacman et al.,“Identifying Important Places in People’s Livesfrom Cellular Network Data”,in Pervasive Computing,Vol.6696,pages 133-151,2011中提出了用于通过聚集个人的用户装备连接到以便执行通信的彼此靠近的电信网络的基站来识别由个人访问的地点的方法。而且,该方法通过应用具有通过由个人的控制组提供的信息确定的系数的逻辑回归来识别个人的家庭地点和工作地点。
发明内容
申请人已经感觉到识别和定位与家庭和工作点不同但相关的地点的能力的整体缺乏,诸如像识别比每天访问更少访问的相关地点(例如,每周访问两次或三次的地点,诸如健身中心,或者甚至具有更低频率的地点,诸如诊所)。实际上,已知的方法和系统基本上局限于个人的家庭和工作地点的识别和定位,这些地点被每天访问并且以可以容易确立的时间间隔访问–例如,大多数个人在一天中大约从上午7:00到下午7:00的时间窗口内停留在他们在工作的地点(工作地点),而在大约从晚上7:00到第二天上午7:00的互补时间窗口内停留在他们居住的地点(家庭地点)。
申请人已经观察到,一般而言,本领域中已知的方法和系统不能准确地识别和定位个人以低于工作地点和家庭地点的频率的相对低频率(例如,低于每日周期性的频率,诸如每周)访问的相关地点。
因此,基于由本领域中已知的方法和系统获得的结果的后续分析(例如,交通分析)实现有限的精度,因为与此类以相对低频率访问的相关地点相关的贡献从分析中被省略了(例如,参考交通分析,个人到达或来自以相对低频率访问的相关地点的移动从分析中被省略了)。
因此,申请人已经克服了设计适于识别和定位由个人访问的相关地点的类型的系统和方法的问题,即使这些相关地点以低于工作地点和家庭地点的常来常往频率的相对低的频率被访问。
特别地,本发明的一方面提出了一种用于识别和定位在由无线电信网络服务的地理区域内由至少一个个人访问的至少一个相关地点的方法。该方法包括以下步骤:选择其中至少一个相关地点的识别和定位必须被执行的预定时间段,选择要识别和定位的相关地点的类型,检索由电信网络记录的并且关于其中由至少一个个人携带的用户装备与电信网络交互的事件的所记录时间和位置数据,基于所记录的时间数据计算所记录的时间和位置数据已经被检索的每个事件在所选类型的相关地点发生的概率,识别和聚集在彼此的预定义距离内发生并且具有相似概率的事件,为每个识别出的事件的群集计算权重值,将该权重值与阈值权重值进行比较,如果该权重值等于或大于阈值权重值,则将相关地点识别为属于相关地点的所选类型并且基于所记录的群集的事件的位置数据提供至少一个相关地点的位置的指示,或者如果该权重值低于阈值权重值,则将相关地点识别为不属于相关地点的所选类型。
本发明的优选特征在从属权利要求中阐述。
在本发明的一个实施例中,检索记录的时间和位置数据的步骤包括验证对时间和位置数据的最低要求,用以确保相关地点识别的可靠性和准确性,其中所述验证最低要求包括以下一个或多个步骤:验证预定时间段内与至少一个个人相关联的事件的总数是否等于或大于总事件阈值,验证预定时间段内与至少一个个人相关联的每日事件的平均数量是否等于或大于预定义的平均事件阈值,以及验证预定时间段的预定子间隔内与至少一个个人相关联的事件的数量是否等于或大于子间隔事件阈值。
在本发明的一个实施例中,计算概率的步骤包括采用概率函数的集合,每个概率函数描述至少一个个人在预定时间段的预定子间隔期间在时间数据中定义的时刻处于对应相关地点的概率。
在本发明的一个实施例中,所述概率函数基于关于相关地点的所选类型的出勤(attendance)率的统计分析数据。
在本发明的一个实施例中,识别和聚集的步骤还包括,只有与至少一个个人体相关联的事件在空间和时间上足够接近一个群集的质心,才在所述群集中聚集这些事件。
在本发明的一个实施例中,识别和聚集的步骤还包括采用Hartigan Leader算法。
在本发明的一个实施例中,识别和聚集的步骤还包括,对于与至少一个个人相关联的每个事件,计算表示为如下的时空距离函数:
std(cu,ei)=sd(cu,ei)+k×td(cu,ei),
其中sd(cu,ei)是时空距离函数的空间分量,td(cu,ei)是时空距离函数的时间分量,并且k是用于考虑时间分量对空间分量的影响的调整参数。
在本发明的一个实施例中,识别和聚集的步骤还包括将时空函数的空间分量计算为:
其中geo(cu,ei)是群集的质心与关于对应事件的位置数据中指示的位置之间的距离,是平均群集半径并且ri是包括在关于事件的位置数据中的半径。
在本发明的一个实施例中,识别和聚集的步骤还包括将时空函数的时间分量计算为:
其中是为包括在群集Cu中的事件计算的概率的均值,并且ti是在为其计算时间分量的事件的时间数据中定义的时刻。
在本发明的一个实施例中,识别和聚集的步骤还包括将用于事件的时空距离函数的结果与时空阈值距离进行比较,并且如果这种结果等于或低于时空阈值距离,则认为该事件属于该群集,否则,如果这种结果大于时空阈值距离,则认为该事件不属于该群集。
在本发明的一个实施例中,计算权重值的步骤包括作为多个部分权重值的线性组合来合成权重值,每个部分权重值被设计为考虑影响所选相关地点的识别和定位的统计方面。
部分权重值包括考虑群集的每个事件已发生的概率的第一部分权重值,并且被表示为:
其中tl是时间数据中指示的、事件在预定子间隔内发生的时刻,并且L是在相同群集中聚集的事件的数量。
在本发明的一个实施例中,部分权重值包括考虑其中群集的事件发生的预定时间段的预定子间隔的数量的第二部分权重值。
在本发明的一个实施例中,部分权重值包括考虑事件的发生在包括多个预定子间隔的预定时间段的一部分中的分布的第三部分权重值,并且被表示为:
w3=T×H(X),
其中H(X)是在预定时间段的预定子间隔内群集的香农(Shannon)熵,并且T是表示为预定子间隔的数量的预定时间段。
在本发明的一个实施例中,该方法还包括步骤:计算根据权重值但是基于与全都在所选的相关地点中生成并且具有大于零的概率的理想个人相关联的理想事件的理想群集计算的阈值权重值。
在本发明的一个实施例中,该方法还包括步骤:计算作为识别出的所有群集的权重值的平均值及其方差的线性组合来计算的阈值权重值。
在本发明的一个实施例中,计算阈值权重值的步骤包括选择计算出的所有权重值中具有最高值的权重值作为阈值权重值。
本发明的另一方面提出了耦合到无线电信网络的适于实现所述方法的系统。该系统包括:计算引擎,适于处理从移动电话网络检索的数据;存储库,适于存储关于用户装备和移动电话网络之间的交互的数据、由计算引擎生成的计算结果,以及可能由系统生成和/或提供给系统的任何处理数据;管理员接口,可操作用于修改由计算引擎使用的参数和/或算法和/或访问存储在存储库中的数据。
在本发明的一个实施例中,系统还包括至少一个用户接口,适于从系统的用户接收输入并向系统的用户提供输出,用户包括一个或多个人类和/或由系统提供的服务的一个或多个外部计算系统订户。
附图说明
根据本发明的解决方案的这些和其它特征及优点将通过阅读以下对其实施例的详细描述而被更好地理解,实施例仅仅作为非限制性例子提供,应当结合附图来阅读,其中:
图1是根据本发明实施例的地点识别系统的示意图;
图2A和2B是根据本发明实施例的用于识别相关地点的所选类型的方法的示意性流程图;
图3A-3G是表示个人在工作地点的随时间变化的概率的每周概率函数集的例子,及
图4A-4G是表示个人在娱乐场所的随时间变化的概率的每周概率函数集的例子。
具体实施方式
参照附图,图1是根据本发明的示例性实施例的地点识别系统的示意性表示,该系统在下文中简单地表示为100。
系统100耦合到通信网络105,诸如(2G、3G、4G或更高)移动电话网络,并且被配置为用于从移动电话网络105接收位于被调查的地理区域中的个人的每个用户装备(在下文中称为UE,例如移动电话、智能电话、具有2G-3G-4G连接性的平板电脑等)的定位数据,所述区域在图1中示意性地表示为点划线107内的区域(例如,城市、直辖市、管区等)。
移动电话网络105包括地理上分布在被调查区域107中的多个基站105a。每个基站105a适于管理一个或多个被服务区域或小区105b(在所讨论的例子中,每个基站105a服务于三个小区)中的UE(未示出,诸如像移动电话)的通信。甚至更一般而言,移动电话网络105的每个基站105a适于与位于由这种基站105a服务的其中一个小区105b内的任何UE进行交互(例如,在开机/关机时、关于地点区域更新、关于来电/去电、关于发送/接收SMS和/或MMS、关于互联网接入等的交互)。UE和移动电话网络105之间的这种交互在下文中一般被表示为事件ei(i=1,...,M;M≥0)。
应当显而易见的是,被调查的地理区域107可以被视为被细分为多个扇区,每个扇区对应于叠加在被调查区域107上的移动电话网络105(的一部分)的相应小区105b。
系统100包括适于处理从移动电话网络105检索到的数据的计算引擎110,和适于存储关于UE和移动电话记录105之间的交互的数据、由计算引擎110生成的计算结果以及可能由系统100生成和/或提供给系统100的(一般是二进制格式的)任何处理数据的存储库115(诸如数据库、文件系统等)。系统100具有管理员接口120(例如,计算机),可操作用于修改由计算引擎110使用的参数和/或算法,和/或用于访问存储在存储库115中的数据。
优选地,系统100包括一个或多个用户接口125(例如,用户终端、在连接到系统100的远程终端上运行的软件),适于从系统100的用户接收输入并向系统100的用户提供输出。如本公开内容中所使用的,术语“用户”可以指一个或多个人类和/或指作为由系统提供的服务的订户并且使得能够访问系统100的第三方的外部计算系统(诸如计算机网络,未示出)--例如,依据与系统100的服务提供商所有者签订合同,并且,与由通过管理员接口120操作的系统100的管理员拥有的访问权限相比,通常具有减少的对系统100的访问权限。
应当明白,系统100可以以任何已知的方式实现;例如,系统100可以包括单个计算机,或分布式计算机的网络,或者是物理类型(例如,实现计算引擎110和存储库115的一个或多个主机器连接到实现管理员和用户接口120和125的其它机器)或者是虚拟类型(例如,通过在计算机网络中实现一个或多个虚拟机)。
系统100适于针对在被调查的地理区域107内在UE和移动电话网络105之间(通过它其中一个基站105a)发生的每个事件ei检索(和/或接收)事件记录eri。优选地,从移动电话网络105检索的每个事件记录eri包括–以非限制性方式–对应事件ei中涉及的UE的标识符(例如,UE标识符可以在国际移动装备身份-IMEI、国际移动订户身份-IMSI和移动订户ISDN号-MSISDN码当中一个或多个之间进行选择),指示对应事件ei发生的时间的时间数据(也表示为时间戳),以及UE地理位置数据,例如基于在对应事件ei发生时UE所在的小区105b的空间指示。
在本发明的一个实施例中,事件记录eri中涉及的UE的UE标识符可以作为加密信息提供,以便确保UE所有者的隐私。无论如何,如果出现需要,则可以通过实现合适的解密算法来解密加密的信息(即,对应于UE标识符的个人的身份),诸如像在“Secure HashStandard(SHS)”,National Institute of Standards and Technology FIPS-180-4,March 06,2012中描述的算法SHA256。
系统100可以通过获取在移动电话网络105中生成和使用的数据的记录来检索(和/或接收)与通用UE相关的事件记录eri。例如,在移动电话网络105是GSM网络的情况下,可以从移动电话网络105检索也被称为呼叫数据记录的计费数据记录(CDR),和/或访问者地点记录(VLR),并重新用作数据记录eri。CDR是包含特定于在UE和移动电话网络105之间执行的电话呼叫或其它通信事务的单个实例的属性的数据记录(通常由通过移动电话网络105操作的移动电话服务提供商用于计费目的)。VLR是列出已漫游到移动电话网络105的移动交换中心(MSC,未示出)的管辖范围内的UE的数据库,其中MSC是移动电话网络105的管理元件,它管理多个基站105a上的事件。移动电话网络105中的每个基站105a通常与相应的VLR相关联。
相反,如果移动电话网络105是LTE网络,则与通用UE的事件记录eri相关联的数据的记录由包括在移动电话网络105中的移动性管理实体,或MME,生成,其中MME负责LTE网络(其中没有实现VLR)中的UE跟踪和寻呼过程。
应当注意的是,本公开内容中描述的方法可以通过使用有可能从中获得事件记录eri的任何数据源(例如,由一个或多个WiFi网络提供的)来实现,其中事件记录eri包括个人的单义标识符(诸如,上面提到的UE标识符)、此类个人的位置指示以及此类事件已发生的时刻的时间指示。
在操作中,事件记录eri可以由系统100从移动电话网络105连续地检索。或者,事件记录eri可以由系统100周期性地收集,例如,对于预定的时间段(例如,以每天或每周为基础)。例如,事件记录eri可以在它们生成时以一种“推送”模式从移动电话网络105被传送到系统100,或者事件记录eri可以每天在移动电话网络105中收集,然后周期性地或根据系统100的请求打包并传送到系统100。
从移动电话网络105检索到的事件记录eri存储在存储库115中,在那里使它们可用于让计算引擎110处理。优选地,由同一UE生成的事件记录储在存储库115中被分组在一起,例如,如果它们包括公共的UE标识符(即,事件记录eri包括相同UE的标识符和/或该UE的个人所有者),则事件记录eri被分组在一起并且被表示为事件记录组ergj(例如,j=0,...,N,N≥0)。
计算引擎110根据由系统管理员(通过管理员接口120)提供的例如存储在存储库115中的指令并根据由用户(通过用户接口125)提供的指令处理事件记录eri(如下面详细讨论的)。最后,计算引擎110将对事件记录eri执行的处理的结果通过用户接口125提供给用户,并可选地将这种处理结果存储在存储库115中。
在根据本发明实施例的解决方案中,系统100适于基于由个人的UE和服务于这种UE的移动电话网络105之间的交互所生成的事件ei来识别由个人访问的地点,下文中称为相关地点,的位置和类型。
在本发明的优选实施例中,系统100适于识别和定位属于由系统100的用户(通过用户接口125)选择的地点的一个或多个对应类型的一个或多个相关地点。换句话说,系统100的用户可以选择相关地点的一种或多种类型(诸如,家庭、工作场所、健身房、酒吧、俱乐部等),然后系统100基于收集的事件记录eri识别和定位在被调查区域107内所选择的一种或多种类型的相关地点。
现在参照图2A和2B来描述系统100的操作,图2A和2B是以非限制性方式示出系统100的操作的步骤的示意性流程图。
最初,要求系统100的用户通过用户接口125选择在其间发生要考虑进行处理的事件ei的观察(时间)周期T(例如,一天或多天),或者作为替代,选择事件记录eri已被收集的所有事件ei(步骤203)。例如,观察周期T可以从收集最早的事件记录er1的时间到收集最新的事件记录erM的时间的时间范围中选择。
然后,要求系统100的用户通过用户接口125选择要识别的相关地点的一种或多种类型(步骤206)-为了简单起见,在下文中将考虑仅识别相关地点的单一类型。例如,系统100可以向用户提供可识别的相关地点的列表并且,通过用户接口125,然后用户可以选择其中一个或多个。
在本发明的实施例中,每个可识别的相关地点与概率函数pd(t)(d=0,...,D;其中D是正整数)的对应集合相关联。该集合的每个概率函数pd(t)描述在观察子间隔d期间在时刻t个人(连同她/他的UE一起)处于对应的相关地点的概率。观察子间隔d是观察周期T的部分。在本发明的优选实施例中,每个观察子间隔d可以是观察周期T中(相对于事件ei,如下详述的)具有周期性重复的独特特点的部分。例如,观察周期T可以对应于月并且每个观察子间隔d可以基本上对应于一周中相应的一天,即,从周一(d=1)到周日(d=7),这被认为共享公共的独特特点。有利地,概率函数pd(t)的集合存储在系统100的存储库115中。
在本发明的优选实施例中,概率函数pd(t)的每个集合包括七个概率函数(d=1,...,7),每个概率函数描述在一周中相应的一天期间个人处于对应相关地点的概率。依据这个假设,p1(t)是周一期间的概率函数,p2(t)是周二期间的概率函数,等等,一直到周日期间的概率函数p7(t)。因此,基于个人的习惯遵循基本上每周的例程的假设,概率函数pd(t)的集合中的每个概率函数pd(t)具有每周的周期性(即,在七天后使用相同的概率函数pd(t))–但是可以设计具有不同周期性或非周期性的概率函数pd(t)的不同集合,例如,为了考虑假期和/或休假时段。
在根据本发明的一个实施例中,在预定时刻t个人不可能处于某个可识别的相关地点的情形(例如,当该相关地点不能被个人访问时;诸如像在健身房或其它娱乐场所关闭时间的情况下)可以通过在那个时刻计算的概率函数pd(t)的负值表示,诸如像从-0.1到-0.3范围内的值。
概率函数pd(t)的这种集合的例子在图3A-3G中和图4A-4G中示出,图3A-3G示出了涉及工作地点的概率函数集合,图4A-4G示出了涉及娱乐场所(例如,酒吧)的概率函数集合。
集中在图3A-3G,概率函数pd(t)的集合示出了具有职员类型工作的个人在相应工作地点的概率。具体而言,分别用于周二、周三和周四的概率函数p2(t)、p3(t)和p4(t)示出了在一天的中央时间期间(例如,8-9小时的时段)个人处于工作地点的基本上恒定且高的概率(例如,等于或大于0.7的值,例如,在0.7至0.9范围内的值)。用于周一的概率函数p1(t)和用于周五的概率函数p5(t)分别示出考虑了与这些天关联的工作时间减少的时间期间的上升和下降的概率。用于周六的概率函数p6(t)示出个人处于工作地点的低概率(例如,等于或小于0.3的值,例如在0.0至0.3范围内的值),而用于周日的概率函数p7(t)示出个人处于工作地点的基本上为零的概率。
相反,集中在图4A-4G,概率函数pd(t)的集合示出了个人在诸如酒吧的娱乐场度过的时间的概率。具体而言,用于周一、周二、周三和周四的概率函数p1(t)、p2(t)、p3(t)和p4(t)分别示出在这些天个人处于娱乐场所的基本上恒定且非常低的概率(例如,等于或小于0.2的值,例如,在0.0至0.2范围内的值或者,有可能,如上所述的负值,例如,在-0.1至-0.3范围内的值)。相反,用于周五、周六和周日的概率函数p5(t)、p6(t)和p7(t)示出在傍晚和夜间个人在娱乐场所度过的时间的高概率(例如,等于或大于0.6的值,例如,在从0.6至0.7范围内的值)。
概率函数pd(t)的集合可以由系统管理员基于他/她对被调查区域107的知识和/或对被调查区域107以及有可能邻近区域的群体执行的统计调查来确定。例如,概率函数pd(t)的集合中的概率函数pd(t)可以基于通过对人的样本的行为执行“侦察”统计分析(例如,其中样本的尺寸可以基于被调查区域的尺寸来确定)而获取的信息,即,在预定侦察时段(例如,预定天数)的各天内被访问的地方(即,相关地点)以及此类地方在一天当中的(一个或多个)什么时刻被访问,来确定。作为替代或另外地,概率函数pd(t)的集合中的概率函数pd(t)可以基于由概率函数pd(t)的集合所涉及的相关地点的管理提供的出勤(attendance)或“出席(turnout)”信息来确定–即,在这种预定侦察时段期间人存在于相关地点的精确或平均数及其随时间的变化。关于对应于娱乐场所的相关地点(例如,电影院、健身房,酒吧等),定义概率函数pd(t)的集合的这种方式结果是非常有利的(即,准确的)。
此外,系统100的用户可以被允许通过用户接口125提供概率函数pd(t)的定制集合。
回到图2A和2B,此外,系统100可以允许用户修改现有的概率函数pd(t)的集合和/或定义被系统100识别和定位的新的相关地点类型(即,不包括在可识别的相关地点的列表中)。例如,在步骤206,用户可以选择修改和/或插入概率函数pd(t)的集合连同要识别的相关地点的一种或多种类型的选择(步骤206)。因此,系统100检查概率函数pd(t)的一个或多个集合是否要被修改和/或插入(步骤209)。在肯定的情况下,系统100要求用户(通过用户接口125)输入要用于识别和定位新的相关地点的对应的概率函数pd(t)的新集合(步骤212)。
之后或者在否定的情况下(即,没有概率函数pd(t)的集合要被修改和/或插入),计算引擎110检索存储在存储库115中的事件记录eri。优选地,计算引擎110一次检索由同一UE生成的事件记录eri的一个组ergj。例如,计算引擎110初始化UE变量j(例如,j=0,...,N,N≥0;步骤215),然后,例如顺序地,从存储库115检索存储在其中的对应的第j个事件记录组ergj(步骤218)。
系统100可以在处理所检索出的事件记录组ergj之前检查它们是否满足质量要求(步骤221)。质量要求被设计为用于确保通过涉及概率和统计计算的计算所获得的由系统100提供的结果的可靠性和准确性。作为非限制性例子,要满足的数据质量要求可以包括以下一个或多个:
-在观察周期T内与事件记录组ergj相关联的的事件ei的总数等于或大于总事件阈值;
-在观察周期T内与事件记录组ergj相关联的的每日事件ei的平均数等于或大于预定的平均事件阈值,和/或
-与事件记录组ergj相关联的每日(或不同的观察子间隔d)事件ei的数量等于或大于每日(或不同的观察子间隔d)事件阈值。
优选地,质量要求由系统管理员通过管理员接口120设置–但是不排除其中质量要求可以至少部分地由系统100的用户通过用户接口125设置的本发明的替代实施例。
在否定的情况下,事件记录组ergj不满足质量要求,因此丢弃该事件记录组ergj(步骤224),并且检查事件记录组ergj是否是要考虑的最后一个事件记录组(步骤227)。在肯定的情况下,处理以通过用户接口125向用户提供计算结果(步骤230,下面详细描述)结束。
在否定的情况下,必须处理(与另一UE相关联的)下一个事件记录组ergj+1,因此UE变量j递增一(j=j+1;步骤233)并且操作返回到步骤218,在其中检索存储在存储库115中的(下一个)第j+1个事件记录组ergj+1。
如果质量要求检查(返回步骤221)具有肯定结果,则对于与事件记录组ergj的事件记录eri相关联的每个事件ei,系统100计算这种事件ei在所选的相关地点发生的概率值(步骤236)。为此,每个事件记录eri中的时间数据被用于在概率值的计算中选择概率函数pd(t)的集合中要使用的概率函数pd(t)(例如,根据时间数据中指示的周几)和要使用的时刻ti(例如,根据时间数据中指示的一天中的时刻)。
随后,事件记录组ergj的事件记录eri被用于将与其相关联的类似事件ei聚集在一起(步骤239),如下文所述。
在本公开内容中,术语“聚集”意在以同一群集中的对象(事件ei)比其它群集的对象更彼此“相似”这样一种方式将一组对象(事件ei)指派到称为群集Cu(例如,u=0,...,U;U≥0)的组中的任务。
事件ei之间的相似性通过计算要聚集的对象与群集Cu的中心点或质心cu之间的距离(在空间和时间中,如下所述)来定义,其中群集Cu的中心点或质心cu由已经在这种群集Cu中聚集在一起的其它对象定义。例如,在本发明的实施例中,群集Cu的质心cu可被定义为具有平均事件概率和平均群集半径的点,其中平均事件概率被定义为包括在群集Cu中的事件ei的概率函数pd(t)的均值,而平均地点半径被定义为事件ei在其中发生的移动电话网络105的小区105b的半径ri的平均值(因此半径ri也是相关联的事件ei的半径)。
例如,事件ei一个接一个地被考虑,因此最初通用群集Cu仅包括第一个被考虑的事件e1,其也被使得对应于质心cu。每次当随后的事件ei包括在同一群集Cu中时,考虑这种随后包括的事件ei来重新计算质心cu(即,平均事件概率和平均地点半径)。
因此,在本发明的实施例中,与相同事件记录组ergj相关联的事件ei被分析并且聚集在一起,如果它们在空间和时间上足够接近群集Cu的质心cu的话。事件的聚集可以通过本领域已知的任何合适的聚集算法来执行,诸如像在J.A.Hartigan“ClusteringAlgorithms”,John Wiley e Sons Inc(April 1975)中所描述的Hartigan Leader算法。
在本发明的优选实施例中,通用事件ei和质心cu之间的这种“靠近度”是通过利用如下表示的时空距离函数std来定义的:
std(cu,ei)=sd(cu,ei)+k×td(cu,ei), (1)
其中sd(cu,ei)是时空距离函数std的空间分量,td(cu,ei)是时空距离函数std的时间分量,并且k是可以由系统管理员设置的用于调整时间分量对空间分量的影响的参数–例如,如果与概率函数pd(t)相关联的统计置信度低的话。例如,单纯通过统计分析确定的概率函数pd(t)被认为具有低置信度;相反,通过由相关地点的管理提供的详细出席信息确定的概率函数pd(t)被认为具有高置信度。在本发明的一个实施例中,可以使用小的k值(例如在几百米的数量级,诸如500m或更低),以便在与概率函数pd(t)相关联的低置信度的情况下衰减时间分量的影响。
在本发明的一个实施例中,空间分量sd(cu,ei)可被定义为:
其中geo(cu,ei)是在质心cu和事件ei发生的位置之间的距离(即,基于包括在事件记录eri中的位置数据)。时间分量td(cu,ei)又可被定义为:
然后将比较为事件ei计算的时空距离函数std的结果与时空阈值距离,诸如像在等式(1)中介绍的参数k。如果这种结果等于或低于时空阈值距离,则对应的事件ei被认为足够靠近(在空间和时间上)或类似于质心cu,并且事件ei被认为属于群集Cu。在时空距离函数std的结果大于时空阈值距离的情况下,对应的事件ei被认为不属于群集Cu(并且将与不同的群集相关联)。
应当注意的是,在根据本发明的其中实现Hartigan Leader算法的实施例中,没有定义可由计算引擎110执行的处理生成的可允许的群集Cu的任何最小或最大数目。尽管如此,在(本文未详细描述的)本发明的其它实施例中,可以实现不同于Hartigan Leader算法的定义可允许的群集Cu的预定最小和/或最大数量算法。例如,可被实现的另一种算法是所谓的“k-均值”算法,如在MacQueen,J.,“Some methods for classification andanalysis of multivariate observations”,1967Proc.Fifth BerkeleySympos.Math.Statist.and Probability(Berkeley,Calif.,1965/66)Vol.I:Statistics,pp.281–297Univ.California Press,Berkeley,California中所描述的。
之后,计算引擎110继续为在前一步骤239确定的每个群集Cu计算权重值Wu(步骤242)。每个权重值Wu可以由多个部分权重值,例如在本发明的优选实施例中是三个部分权重值w1、w2和w3,的线性组合组成。每个部分权重值w1、w2和w3被设计为考虑影响所选的相关地点的识别和定位的统计方面。
在本发明的优选实施例中,权重值Wu被计算为:
Wu=w1+αw2+βw3, (4)
其中α和β是由系统管理员通过管理员接口120定义的调整系数。例如,调整系数α和β在系统100的初步测试阶段中通过在向用户提供系统100之前执行的调整阶段期间利用从一组测试个人提供的事件记录操作系统100来确定。在这种情况下,在测试个人的测试观察时段期间的实际位置和运动是精确已知的并且可以与由系统100提供的结果进行比较并且调整系数α和β被确定,以便最小化由测试个人访问的实际相关地点与由系统100提供的结果之间的任何差异。
例如,(第一)部分权重值w1考虑群集Cu的每个事件el(l=1,...,L;0<L≤M)已发生的概率,并且可以表示为:
其中tl(在对应事件记录erl的时间数据中指示)是事件el在观察子间隔d(也在时间数据中指示)上发生的时刻。
(第二)部分权重值w2考虑群集Cu的事件el在其中发生的天数(即,观察子间隔d),即,部分权重值w2是其中群集Cu的事件el发生的天数,因此,假设观察周期T按天表示:
1≤w2≤T, (6)
其中1意味着事件el仅出现在观察周期T的单独一天,等等,一直到T,这意味着群集Cu的至少一个事件el在每一天发生。
(第三)部分权重值w3考虑事件el的发生的每周分布。部分权重值w3可以表示为:
w3=T×H(X), (7)
其中H(X)是在观察子间隔d(即,在所考虑的例子中是一周中的几天)中群集Cu的香农(Shannon)熵(即,群集Cu的香农熵是通过考虑群集Cu的所有事件el来计算的),X是群集Cu的通用事件el发生的那天并且T是按天表示的观察时段,其中香农熵例如在C.E.Shannon“A Mathematical Theory of communication”,Bell System TechnicalJournal 27(July/October 1948)中描述,或者:
其中p(d)是X对应于特定观察子间隔d的概率密度,例如,在观察时段T包括对应于一周或多周的天并且观察子间隔d对应于这种一周或多周的相应天的情况下,p(1)是X对应于周一的概率密度,等等一直到p(7),这是X对应于周日的概率密度。
与步骤215-242并行地,计算阈值权重值Wth(步骤245)。例如,阈值权重值Wth通过假设对应于同一个人(理想个人)并对其保持pd(tl)>0的事件el的整个集合在相同的相关地点,即,要被识别的相关地点,生成来计算。因此,所有理想事件el都属于相同的(理想)群集CuI并且阈值权重值Wth可以通过等式(4)计算。
优选地,阈值权重值Wth被用来提供经调整的阈值W’th(步骤248):
W’th=f×Wth, (9)
其中f是可以由系统管理员设置以便使阈值权重值Wth衰减的调整参数(0<f≤1)。
调整参数f可以通过使用关于测试个人的组的信息并且在上述用于确定调整系数α和β的相同调整阶段期间来确定。
在根据本发明的另一实施例中,替代的(经调整的)阈值权重值W”th被计算为:
W’th=μ+f×σ, (10)
其中μ是识别出的所有群集Cu的权重值Wu的均值,并且σ是其方差。
在本发明的不同实施例中,作为(简化的)阈值权重值W’”th,简单地选择计算出的所有权重值Wu中具有最高值max(Wu)的权重值Wu。以这种方式,从计算的角度,阈值权重值W’”th是以非常简单的方式确定的,但是与通过实现阈值权重值W’th和W”th获得的准确度相比,其在该方法中的实现在结果中提供较低的准确度。
然后,权重值Wu和经调整的阈值W’th被用于确定对应的群集Cu是否涉及由用户先前选择的类型的相关地点(步骤251)。如果验证权重值Wu等于或大于经调整的阈值W’th,或者:
Wu≥W’th, (11)
则认为群集Cu的事件el在由用户选择的类型的相关地点发生。
如果在步骤251的比较具有否定结果(即,Wu<W’th),则不认为群集Cu的事件el在由用户选择的类型的相关地点发生,因此群集Cu被丢弃并且操作前进到步骤227,在那里检查事件记录组ergj是否是要考虑的最后一个事件记录组,如前面所讨论的。应当注意的是,权重Wu(和/或任何其它中间结果)可被存储在存储库115中,以便可用于进一步处理(例如,用于验证被丢弃的群集Cu是否对应于不同类型的相关地点而不重新计算权重Wu)。
相反,如果验证权重值Wu等于或大于经调整的阈值W’th(即,Wu≥W’th),则认为群集Cu的事件el已经在由系统100的用户选择的类型的相关地点发生。
因此,计算这种相关地点的位置的指示(步骤254)。优选地,但不作为限制,地点的位置的指示可以作为单个地理点,例如群集Cu的质心cu的地理坐标,和/或作为地理区域,例如群集Cu的事件el在其中发生的移动电话网络105的小区105b的顶点的地理坐标,被计算。
之后,操作前进到步骤227,在那里检查事件记录组ergj是否是要考虑的最后一个事件记录组,如前面所讨论的。在否定的情况下,如前面所讨论的,操作前进到步骤233,在那里UE变量j递增一(j=j+1)并且操作返回到步骤218,其中检索存储在存储库115中的(下一个)第j+1个记录组ergj+1。
在肯定的情况下,即,已经分析了存储库中的每个事件记录组ergj,操作在步骤230通过用户接口125向用户提供计算结果。例如,用户接口可以向用户提供被调查区域107的地图,该地图具有表示识别出的(一个或多个)所选相关地点的标记或突出显示的边界。作为对指示在观察时段期间发生的事件ei的数量的用户数据的替代或补充,可以提供在所选相关地点检测到的UE的数量和类似数据(优选地,去掉关于个人的敏感数据,以保护个人的隐私)。显然,所提到的地图和数据也可以存储在存储库中,例如,被系统管理员用于精炼概率函数pd(t)的集合。
在这样提供计算结果之后,系统100的操作结束。
之后,用户可以出于他/她的目的使用由系统100提供的计算结果。有利地,向用户提供一组计算结果,每个计算结果涉及与被分析的相应事件记录组ergj相关联的单个个人(即,UE)。这允许用户根据他/她的需要按地理区域的部分自由地组合、比较、细分此类结果,以便获得关于相关地点、个人的习惯、个人在地点之间的移动的期望信息以及其它类似信息。
因此,系统100能够自动地识别和定位由系统用户选择的相关地点,而基本上不考虑个人多频繁地访问它们。特别地,系统100适于检索关于在被调查区域107上UE活动的大量信息、分析这种信息并且将它们转换成关于个人习惯的有用信息,需要来自用户(或在其操作过程中来自系统管理员)的非常有限的干预并且以快速可靠的方式。
应当注意的是,系统100可以适于不排他地从移动电话网络105检索(或接收)关于个人的数据。作为替代或者另外地,系统可被配置为从在被调查区域107中操作的一个或多个无线计算机网络,诸如WLAN,检索(或接收)关于个人的数据,只要个人的UE能够连接到这种无线计算机网络即可。
Claims (19)
1.一种用于识别和定位在由无线电信网络服务的地理区域内由至少一个个人访问的至少一个相关地点的方法,该方法包括:
-选择(203)其中至少一个相关地点的识别和定位必须被执行的预定时间段(T);
-选择(206,209)要被识别和定位的相关地点的类型;
-检索(218)由电信网络记录的并且关于由所述至少一个个人携带的用户装备与该电信网络交互的事件(ei)的所记录时间和位置数据;
-基于所记录的时间数据计算(236)已被检索出所记录时间和位置数据的每个事件在所选类型的相关地点发生的概率;
-识别和聚集(239)在彼此的预定义距离内发生并且具有相似概率的事件;
-为每个识别出的事件的群集计算(242)权重值;
-将该权重值与阈值权重值进行比较(251),
-如果该权重值等于或大于阈值权重值,则将相关地点识别为(254)属于相关地点的所选类型,并且基于群集的事件的所记录位置数据提供(230)至少一个相关地点的位置的指示,或者
-如果该权重值低于阈值权重值,则将相关地点识别为(224)不属于相关地点的所选类型。
2.如权利要求1所述的方法,其中检索所记录的时间和位置数据的步骤包括验证(221)对时间和位置数据的最低要求,用于确保相关地点识别的可靠性和准确性,其中所述验证最低要求包括以下一个或多个:
-验证预定时间段内与所述至少一个个人相关联的事件的总数是否等于或大于总事件阈值;
-验证预定时间段内与所述至少一个个人相关联的每日事件的平均数量是否等于或大于预定平均事件阈值,及
-验证在预定时间段的预定子间隔(d)内与所述至少一个个人相关联的事件的数量是否等于或大于子间隔事件阈值。
3.如前面任何一项权利要求所述的方法,其中计算概率的步骤包括采用概率函数(pd(t))的集合,每个所述概率函数描述在预定时间段的预定子间隔(d)内在时间数据中定义的时刻(t)所述至少一个个人处于对应相关地点的概率。
4.如权利要求3所述的方法,其中所述概率函数基于关于相关地点的所选类型的出勤率的统计分析数据。
5.如前面任何一项权利要求所述的方法,其中识别和聚集的步骤还包括,只有与所述至少一个个人相关联的事件在空间和时间上足够靠近群集(Cu)的质心(cu)时,才在所述群集中聚集这些事件。
6.如权利要求5所述的方法,其中识别和聚集的步骤还包括采用Hartigan Leader算法。
7.如权利要求5或6所述的方法,其中识别和聚集的步骤还包括,对于与所述至少一个个人相关联的每个事件,计算如下表示的时空距离(std(cu,ei))函数:
std(cu,ei)=sd(cu,ei)+k×td(cu,ei),
其中sd(cu,ei)是时空距离函数的空间分量,td(cu,ei)是时空距离函数的时间分量,并且k是用于考虑时间分量对空间分量的影响的调整参数。
8.如权利要求7所述的方法,其中识别和聚集的步骤还包括将时空函数的空间分量(sd(cu,ei))计算为:
其中geo(cu,ei)是群集的质心与在关于对应事件的位置数据中指示的位置之间的距离,是平均群集半径并且ri是包括在关于事件的位置数据中的半径。
9.如权利要求7或8所述的方法,其中识别和聚集的步骤还包括将时空函数的时间分量(td(cu,ei))计算为:
其中是为包括在群集Cu中的事件计算的概率的均值,并且ti是在为其计算时间分量的事件的时间数据中定义的时刻。
10.如权利要求9所述的方法,其中识别和聚集的步骤还包括将用于事件的时空距离函数的结果与时空阈值距离进行比较并且:
如果这种结果等于或低于时空阈值距离,则认为该事件属于该群集,而
如果这种结果大于时空阈值距离,则认为该事件不属于该群集。
11.如前面任何一项权利要求所述的方法,其中计算权重值的步骤包括将多个部分权重值(w1、w2、w3)的线性组合合成为权重值,每个部分权重值被设计为考虑影响所选相关地点的识别和定位的统计方面。
12.如权利要求11所述的方法,其中部分权重值包括考虑群集的每个事件已发生的概率的第一部分权重值,并且被表示为:
其中tl是时间数据中指示的、事件在预定子间隔内发生的时刻,并且L是在相同群集中聚集的事件的数量。
13.如权利要求11或12所述的方法,其中部分权重值包括考虑其中群集的事件发生的预定时间段的预定子间隔的数量的第二部分权重值(w2)。
14.如前面权利要求11至13中任何一项所述的方法,其中部分权重值包括考虑事件的发生在包括多个预定子间隔的预定时间段的一部分中的分布的第三部分权重值(w3),并且被表示为:
w3=T×H(X),
其中H(X)是在预定时间段的预定子间隔内群集的Shannon熵,并且T是表示为预定子间隔的数量的预定时间段。
15.如前面权利要求11至14中任何一项所述的方法,还包括步骤:计算(245,248)根据权重值但是基于全都在所选的相关地点生成并具有大于零的概率的与理想个人相关联的理想事件(el)的理想群集(CuI)计算的阈值权重值。
16.如前面权利要求11至14中任何一项所述的方法,还包括步骤:计算(245,248)作为识别出的所有群集的权重值的平均值及其方差的线性组合来计算的阈值权重值。
17.如前面权利要求11至14中任何一项所述的方法,其中计算(245,248)阈值权重值的步骤包括选择计算出的所有权重值中具有最高值的权重值作为阈值权重值。
18.一种耦合到无线电信网络(105)的适于实现如权利要求1至17中任何一项所述的方法的系统(100),该系统包括:
计算引擎(110),适于处理从移动电话网络(105)检索的数据,
存储库(115),适于存储关于用户装备和移动电话网络之间的交互的数据、由计算引擎生成的计算结果以及可能由系统生成和/或提供给系统的任何处理数据,
管理员接口(120),可操作用于修改由计算引擎使用的参数和/或算法和/或访问存储在存储库中的数据。
19.如权利要求18所述的系统,还包括至少一个用户接口(125),适于从系统的用户接收输入并向系统的用户提供输出,用户包括一个或多个人类和/或由系统提供的服务的一个或多个外部计算系统订户。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/EP2014/058003 WO2015158399A1 (en) | 2014-04-18 | 2014-04-18 | Method and system for identifying significant locations through data obtainable from a telecommunication network |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106464706A true CN106464706A (zh) | 2017-02-22 |
CN106464706B CN106464706B (zh) | 2019-08-20 |
Family
ID=50733014
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201480079103.XA Active CN106464706B (zh) | 2014-04-18 | 2014-04-18 | 用于通过可从电信网络获得的数据识别显著地点的方法和系统 |
Country Status (5)
Country | Link |
---|---|
US (1) | US9706363B2 (zh) |
EP (1) | EP3132592B1 (zh) |
CN (1) | CN106464706B (zh) |
BR (1) | BR112016024182B1 (zh) |
WO (1) | WO2015158399A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598652A (zh) * | 2017-09-30 | 2019-04-09 | 甲骨文国际公司 | 事件推荐系统 |
CN110210604A (zh) * | 2019-05-21 | 2019-09-06 | 北京邮电大学 | 一种终端设备移动轨迹预测方法及装置 |
CN110298039A (zh) * | 2019-06-20 | 2019-10-01 | 北京百度网讯科技有限公司 | 事件地的识别方法、系统、设备及计算机可读存储介质 |
CN113613174A (zh) * | 2021-07-09 | 2021-11-05 | 中山大学 | 基于手机信令数据的职住地识别方法、装置及存储介质 |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3335209B1 (en) * | 2015-08-11 | 2019-05-08 | Telecom Italia S.p.A. | Method and system for computing an o-d matrix obtained through radio mobile network data |
US9723441B2 (en) * | 2015-10-06 | 2017-08-01 | International Business Machines Corporation | Location based on call detail record |
WO2017192161A1 (en) * | 2016-05-06 | 2017-11-09 | Intel IP Corporation | Service authorization and credential provisioning for v2x communication |
WO2018113968A1 (en) * | 2016-12-22 | 2018-06-28 | Telecom Italia S.P.A. | Method and system for counting people at a transport hub by means of data of a telecommunication network |
CN108446281B (zh) * | 2017-02-13 | 2021-03-12 | 北京嘀嘀无限科技发展有限公司 | 确定用户亲密度的方法、装置及存储介质 |
EP3570569B1 (en) * | 2018-05-17 | 2020-12-09 | Motionlogic GmbH | Measuring and analyzing the movement of mobile devices with the help of a wireless telecommunication network |
EP3644580A1 (en) * | 2018-10-25 | 2020-04-29 | Kido Dynamics SA | Human mobility measuring method |
US11255980B2 (en) * | 2019-06-28 | 2022-02-22 | Sony Corporation | Collaborative positioning |
CN110650531B (zh) * | 2019-09-24 | 2021-04-20 | 上海连尚网络科技有限公司 | 一种基站坐标标定方法、系统、存储介质及设备 |
CN111669710B (zh) * | 2020-04-21 | 2021-07-06 | 上海因势智能科技有限公司 | 人口统计去重方法 |
IT202000012748A1 (it) | 2020-05-28 | 2021-11-28 | Telecom Italia Spa | Metodo e sistema per calcolare matrici origine-destinazione sfruttando dati di una rete di comunicazioni mobili |
IT202000012739A1 (it) | 2020-05-28 | 2021-11-28 | Telecom Italia Spa | Metodo e sistema per stimare la presenza di persone su un territorio sfruttando dati di una rete di comunicazioni mobili |
IT202000012730A1 (it) | 2020-05-28 | 2021-11-28 | Telecom Italia Spa | Metodo e sistema per distribuire su un territorio dati aggregati a livello di celle di una rete di comunicazioni mobili |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020147644A1 (en) * | 2000-12-11 | 2002-10-10 | Ragavan Subramanian | System and method for managing and utilizing location and time-based information |
CN1520581A (zh) * | 2001-06-29 | 2004-08-11 | 皇家菲利浦电子有限公司 | 用于记录和以后检索环境数据的装置和方法 |
CN101064912A (zh) * | 2006-04-28 | 2007-10-31 | 英华达(南京)科技有限公司 | 用于定位移动通讯装置的系统及方法 |
WO2008134595A1 (en) * | 2007-04-27 | 2008-11-06 | Pelago, Inc. | Determining locations of interest based on user visits |
CN101495953A (zh) * | 2005-01-28 | 2009-07-29 | 美国联合包裹服务公司 | 关于地区中的每一个服务点的地址数据的注册和维护 |
CN102521335A (zh) * | 2010-11-29 | 2012-06-27 | 微软公司 | 知晓时间-位置的移动查询建议 |
CN103473373A (zh) * | 2013-09-29 | 2013-12-25 | 方正国际软件有限公司 | 基于阈值匹配模型的相似度分析系统和方法 |
Family Cites Families (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7714778B2 (en) * | 1997-08-20 | 2010-05-11 | Tracbeam Llc | Wireless location gateway and applications therefor |
US6026304A (en) * | 1997-01-08 | 2000-02-15 | U.S. Wireless Corporation | Radio transmitter location finding for wireless communication network services and management |
US6240069B1 (en) * | 1998-06-16 | 2001-05-29 | Ericsson Inc. | System and method for location-based group services |
US8135413B2 (en) * | 1998-11-24 | 2012-03-13 | Tracbeam Llc | Platform and applications for wireless location and other complex services |
WO2002084536A1 (en) * | 2001-04-17 | 2002-10-24 | Beyondguide?Tm¿, Inc. | Beyondguidetm method and system |
US6873851B2 (en) * | 2001-05-03 | 2005-03-29 | International Business Machines Corporation | Method, system, and program for providing user location information for a personal information management system from transmitting devices |
US6975873B1 (en) * | 2001-12-28 | 2005-12-13 | At&T Corp. | System and method for tracking the relative location of mobile stations belonging to a pre-defined group of mobile stations |
US7536695B2 (en) * | 2003-03-28 | 2009-05-19 | Microsoft Corporation | Architecture and system for location awareness |
JP2006030051A (ja) * | 2004-07-20 | 2006-02-02 | Sony Corp | ナビゲーション装置、位置情報登録方法及びプログラム |
AU2006262311B2 (en) | 2005-06-23 | 2011-06-23 | Airsage, Inc. | Method and system for using cellular data for transportation planning and engineering |
US7904097B2 (en) * | 2005-12-07 | 2011-03-08 | Ekahau Oy | Location determination techniques |
JP4268219B2 (ja) * | 2006-10-26 | 2009-05-27 | パナソニック株式会社 | 移動履歴編集装置 |
US20080305806A1 (en) * | 2007-06-11 | 2008-12-11 | Searete Llc, A Limited Liability Corporation Of The Sate Of Delaware | Context associating aspects |
US20090157496A1 (en) | 2007-12-14 | 2009-06-18 | Yahoo! Inc. | Personal broadcast engine and network |
US8495065B2 (en) * | 2009-02-02 | 2013-07-23 | Waldeck Technology, Llc | Maintaining a historical record of anonymized user profile data by location for users in a mobile environment |
US8543143B2 (en) * | 2009-12-23 | 2013-09-24 | Nokia Corporation | Method and apparatus for grouping points-of-interest according to area names |
US8855677B2 (en) * | 2011-01-12 | 2014-10-07 | Telefonaktiebolaget Lm Ericsson (Publ) | Nodes and methods for positioning |
US8781496B2 (en) * | 2011-01-19 | 2014-07-15 | Qualcomm Incorporated | Methods and apparatus for mobile device location determination |
ES2427690B1 (es) | 2012-01-20 | 2014-06-05 | Telefónica, S.A. | Método para la detección y etiquetado automático de puntos de interés de usuario |
US20150005007A1 (en) * | 2013-06-28 | 2015-01-01 | Streetlight Data, Inc. | Displaying demographic data |
US10113879B2 (en) * | 2014-03-03 | 2018-10-30 | Apple Inc. | Hierarchy of tools for navigation |
US20160044467A1 (en) * | 2014-07-12 | 2016-02-11 | Cartogram, Inc. | Method for improving the accuracy of an indoor positioning system with crowdsourced fingerprints |
US9736641B2 (en) * | 2014-10-03 | 2017-08-15 | Qualcomm Incorporated | Techniques for optimizing HTTP implementation as a transport protocol for EPC-level proximity services (ProSe) discovery |
-
2014
- 2014-04-18 CN CN201480079103.XA patent/CN106464706B/zh active Active
- 2014-04-18 US US15/304,020 patent/US9706363B2/en active Active
- 2014-04-18 BR BR112016024182-7A patent/BR112016024182B1/pt active IP Right Grant
- 2014-04-18 EP EP14724653.2A patent/EP3132592B1/en active Active
- 2014-04-18 WO PCT/EP2014/058003 patent/WO2015158399A1/en active Application Filing
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020147644A1 (en) * | 2000-12-11 | 2002-10-10 | Ragavan Subramanian | System and method for managing and utilizing location and time-based information |
CN1520581A (zh) * | 2001-06-29 | 2004-08-11 | 皇家菲利浦电子有限公司 | 用于记录和以后检索环境数据的装置和方法 |
CN101495953A (zh) * | 2005-01-28 | 2009-07-29 | 美国联合包裹服务公司 | 关于地区中的每一个服务点的地址数据的注册和维护 |
CN101064912A (zh) * | 2006-04-28 | 2007-10-31 | 英华达(南京)科技有限公司 | 用于定位移动通讯装置的系统及方法 |
WO2008134595A1 (en) * | 2007-04-27 | 2008-11-06 | Pelago, Inc. | Determining locations of interest based on user visits |
CN102521335A (zh) * | 2010-11-29 | 2012-06-27 | 微软公司 | 知晓时间-位置的移动查询建议 |
CN103473373A (zh) * | 2013-09-29 | 2013-12-25 | 方正国际软件有限公司 | 基于阈值匹配模型的相似度分析系统和方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598652A (zh) * | 2017-09-30 | 2019-04-09 | 甲骨文国际公司 | 事件推荐系统 |
CN109598652B (zh) * | 2017-09-30 | 2024-04-12 | 甲骨文国际公司 | 事件推荐系统 |
CN110210604A (zh) * | 2019-05-21 | 2019-09-06 | 北京邮电大学 | 一种终端设备移动轨迹预测方法及装置 |
CN110210604B (zh) * | 2019-05-21 | 2021-06-04 | 北京邮电大学 | 一种终端设备移动轨迹预测方法及装置 |
CN110298039A (zh) * | 2019-06-20 | 2019-10-01 | 北京百度网讯科技有限公司 | 事件地的识别方法、系统、设备及计算机可读存储介质 |
CN110298039B (zh) * | 2019-06-20 | 2023-05-30 | 北京百度网讯科技有限公司 | 事件地的识别方法、系统、设备及计算机可读存储介质 |
CN113613174A (zh) * | 2021-07-09 | 2021-11-05 | 中山大学 | 基于手机信令数据的职住地识别方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US20170041762A1 (en) | 2017-02-09 |
US9706363B2 (en) | 2017-07-11 |
BR112016024182B1 (pt) | 2023-04-25 |
EP3132592A1 (en) | 2017-02-22 |
BR112016024182A2 (pt) | 2017-08-15 |
WO2015158399A1 (en) | 2015-10-22 |
CN106464706B (zh) | 2019-08-20 |
EP3132592B1 (en) | 2018-02-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106464706B (zh) | 用于通过可从电信网络获得的数据识别显著地点的方法和系统 | |
Ge et al. | Updating origin–destination matrices with aggregated data of GPS traces | |
KR102097426B1 (ko) | 피셀 알고리즘을 이용하여 실시간 유동 인구 데이터의 제공이 가능한 유동인구 정보 분석 방법 | |
CN102982596B (zh) | 人流量的统计方法及装置 | |
JP4364936B1 (ja) | 流動性人口推定システム、流動性人口推定方法及び流動性人口推定プログラム | |
CN105531746B (zh) | 为流量分析而收集的数据的管理 | |
EP3335209A1 (en) | Method and system for computing an o-d matrix obtained through radio mobile network data | |
KR101463498B1 (ko) | 입입 단말기수 추계 장치 및 입입 단말기수 추계 방법 | |
US20130166352A1 (en) | Mobile categorization | |
US11252529B2 (en) | Method and system for traffic analysis | |
US9843920B2 (en) | Monitoring transport systems network traffic using mobile communications network usage records | |
Demissie et al. | Inferring origin-destination flows using mobile phone data: A case study of Senegal | |
Zin et al. | Estimation of originating-destination trips in Yangon by using big data source | |
Vidović et al. | Estimation of urban mobility using public mobile network | |
Zhao et al. | Urban crowd flow forecasting based on cellular network | |
US9609483B2 (en) | System for characterizing geographical locations based on multi sensors anonymous data sources | |
Florez et al. | Measuring the impact of economic well being in commuting networks–A case study of Bogota, Colombia | |
EP3241369A1 (en) | Method and system for a posteriori computation of origin-destination matrices relating to gathering of people through analysis of mobile communication network data | |
JP2012054921A (ja) | 移動機分布算出システム及び移動機分布算出方法 | |
Zhao et al. | Revisiting the gravity laws of inter-city mobility in megacity regions | |
US10887728B2 (en) | Method and system for determining the mobility status of a user of a wireless communication network | |
Ayesha et al. | User localization based on call detail record | |
US9706414B2 (en) | Method and apparatus for determining data flow rate on service access port | |
Maldeniya et al. | Origin-Destination matrix estimation for Sri Lanka using mobile network big data | |
Maldeniya et al. | Where did you come from?: where did you go?; robust policy relevant evidence from mobile network big data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |