CN107480784A - 一种基于深度学习的手机信令数据行人交通轨迹预测方法 - Google Patents
一种基于深度学习的手机信令数据行人交通轨迹预测方法 Download PDFInfo
- Publication number
- CN107480784A CN107480784A CN201710504175.XA CN201710504175A CN107480784A CN 107480784 A CN107480784 A CN 107480784A CN 201710504175 A CN201710504175 A CN 201710504175A CN 107480784 A CN107480784 A CN 107480784A
- Authority
- CN
- China
- Prior art keywords
- signaling data
- deep learning
- mobile phone
- pedestrian
- geographical position
- 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.)
- Pending
Links
- 230000011664 signaling Effects 0.000 title claims abstract description 66
- 238000013135 deep learning Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 230000000306 recurrent effect Effects 0.000 claims description 16
- 238000005516 engineering process Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 3
- 230000013016 learning Effects 0.000 claims description 3
- 230000015654 memory Effects 0.000 claims description 2
- 238000009412 basement excavation Methods 0.000 abstract description 9
- 230000006399 behavior Effects 0.000 abstract description 7
- 238000004891 communication Methods 0.000 description 11
- 238000003058 natural language processing Methods 0.000 description 5
- 241001269238 Data Species 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000005754 cellular signaling Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
- Machine Translation (AREA)
Abstract
本发明公开了一种基于深度学习的手机信令数据行人交通轨迹预测方法,属于手机信令数据行人交通轨迹预测领域。本发明将出行人地点周围的相邻小区合并成为区群,在地理位置上的相邻转化为自然语言上的相近,同时地理位置上的临近的小区也具有和逻辑相近词汇上一样的高可能性被行人选中作为目的地,这种区群的选择,又可以大大提高对出行模式挖掘的可靠性和真实性;所以可以利用RNN网络在自然语言预测上已经取得的优良的性能,高性能的挖掘出出行人的映射为语言模式的出行习惯;同时基于出行规律的理论基础,总结出其出行模式,得到了超出已有基于信令数据的行人行为模式挖掘,性能有了42%‑49%的提高。
Description
技术领域
本发明属于手机信令数据行人交通轨迹预测领域,具体涉及一种基于深度学习的手机信令数据行人交通轨迹预测方法。
背景技术
手机信令数据是专门控制电路的信号,它允许程控交换、网络数据库、网络中其它“智能”节点交换下列有关信息:呼叫建立、监控、拆除、分布式应用进程所需的信息(进程之间的询问/响应或用户到用户的数据)、网络管理信息。因此信令中包含通信的位置、时间、通信时长和通信方式等;其中通信位置的确定原理如下:用户通信是必须要经过手机所在小区的基站,然后与交换机联通达成通话或短信,这样通信运行商就会在服务器上记录该用户在此时,通过此小区的基站进行通信,这样就确定了手机用户在通信时的所在的小区;因为在城区,通信基站所覆盖的区域一般是半径为1-2公里的正六边形(甚至在人口密集区更小,基站覆盖半径变为0.5公里的正六边形),所以确定了用户所在的小区,就可以大体确定了用户在通信时的大体位置。
传统的信令数据挖掘方法不能准确的预测行人的交通行为,如下一时间段会去哪里,因为信令数据本身有一些特点,比如数据在时空领域的稀疏性,时间上的稀疏性,可能用户不活跃,很长时间都没有通话记录;空间上的稀疏性,对信令数据的定位是在有移动通信的小区,在有移动通信的城区小区,距离范围一般是在直径为1-2公里的正六边形内,在有移动通信的郊区小区,距离范围可能是在直径为4-5公里的正六边形内,所以很难判定其精确的位置。
信令数据有自身的特点,即每个人的日常出行是符合一定规律的,而记录其时空位置的信令数据内在也是有逻辑联系的;比如,某人早高峰时段上午7-9点工作日一般是在去单位的路上,那么其信令数据就会反映出在这一时间段,在上班路径上的分布;还可能由于早高峰交通拥塞,在信令数据上反映出在特定小区内长期停留的特点;而工作日上班时间,其手机信令数据则反映出在单位内停留的特点;深夜12点到早晨6点,其信令数据反映出在居住地小区内停留的特点。
这些逻辑联系,以前没有深入的挖掘过;因为所用的数据挖掘技术往往是传统的统计,或是一般的机器学习技术,如聚类中的K-means,或是简单的分类算法,如线性回归等。这些算法显然没有把信令数据时空关联背后的逻辑关系利用起来,所以也就很难找到出行人真正具有的交通中的规律性。
发明内容
针对现有技术中存在的上述技术问题,本发明提出了一种基于深度学习的手机信令数据行人交通轨迹预测方法,设计合理,克服了现有技术的不足,具有良好的效果。
为了实现上述目的,本发明采用如下技术方案:
一种基于深度学习的手机信令数据行人交通轨迹预测方法,采用深度学习技术对手机信令数据进行处理,将手机信令数据中的出行数据映射为伪语言数据,通过对下一个词语的预测实现对用户下一个地理位置的预测,具体包括如下步骤:
步骤1:信令数据的输入;
输入用户的信令数据对应的地理位置;
步骤2:信令数据的整合;
对用户的信令数据对应的地理位置进行整合,将相邻的位置整合为同一类;
步骤3:信令数据的处理;
利用深度学习循环神经网络,获取用户下一个地理位置的预测结果;
步骤4:输出用户下一个地理位置的预测结果。
优选地,所述的深度学习技术主要是采用基于RNN深度学习网络的技术,RNN深度学习网络能够对信令数据进行语义上、逻辑上的深度挖掘,并根据以前的语言和语义分析预测后面的语言内容。
优选地,其特征在于,深度学习网络采用循环神经网络(Recurrent NeuralNetworks,RNNs)。
优选地,其特征在于,所述循环神经网络(Recurrent Neural Networks,RNNs)使用长短时记忆模型(Long Short-Term Memory,LSTMs)模型。
本发明所带来的有益技术效果:
本专利申请首先创新的在理论上分析得到信令数据时空上的关联性,这种逻辑上的关联本质上是由出行者由于其出行行为上内在的逻辑决定的;同时在技术上首先将信令数据映射为模拟自然语言数据,并创造性的改造传统的RNN网络,使其能够高性能的处理信令数据变换得到的模拟自然语言数据,把对行人出行模式的模式识别和模式挖掘转变为对特定人自然语言中的语言模式的识别和挖掘;由于我们可以利用深度学习技术RNN学习行人以前的出行数据,并利用映射把出行数据映射为模拟自然语言数据,就是学习出行人的语言习惯,挖掘出其特定的语言模式;由于人类语言是基于实际场景逻辑的,所以很可能对同一个事物会有相近的几个词语的选择,而本专利创新性的利用这一自然语言的特性,将出行人地点周围的相邻小区合并成为区群,在地理位置上的相邻转化为自然语言上的相近,同时地理位置上的临近的小区也具有和逻辑相近词汇上一样的高可能性被行人选中作为目的地,这种区群的选择,又可以大大提高对出行模式挖掘的可靠性和真实性;所以可以利用RNN网络在自然语言预测上已经取得的优良的性能,高性能的挖掘出出行人的映射为语言模式的出行习惯;同时基于出行规律的理论基础,总结出其出行模式,得到了超出已有基于信令数据的行人行为模式挖掘,性能有了42%-49%的提高。
附图说明
图1为一种基于深度学习的手机信令数据行人交通轨迹预测方法的流程框图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明:
引入深度学习技术,对信令数据进行语义处理,词汇的堆砌不是语言,语言的发展必然带来了词语的前后联系和使用方式,使用时机等,这就是语义,因此我们的语言是有逻辑性的,是为了表述我们的行为或是叙述某件事情而组织起来的,具有天然的内在联系和逻辑上的合理结构;由于我们已知信令数据时空上的关联性是出行人出行规律的客观反映,或者说出行人的信令数据其内部是有一定的逻辑联系的。将信令数据当作语言,其中信令数据单一数据作为单词或字,相连的几组信令数据作为短语,一天的信令数据作为句子;利用RNN深度学习网络对这些信令数据组成的语句进行语义挖掘和预测,深度学习中的RNN网络可以对语言进行语义上、逻辑上的深度挖掘,并根据以前的语言和语义分析预测下面的语言内容,循环神经网络(Recurrent Neural Networks,RNNs)已经在众多自然语言处理(Natural Language Processing,NLP)中取得了巨大成功以及广泛应用。RNNs已经被在实践中证明对自然语言处理NLP是非常成功的。如词向量表达、语句合法性检查、词性标注等。在RNN中,目前使用最广泛最成功的模型便是LSTMs(Long Short-Term Memory,长短时记忆模型)模型。
本专利首先创新性的在理论上分析得到信令数据时空上的关联性本质上是由出行者出行行为上内在的逻辑决定的,同时在技术上首先将信令数据映射为语言数据,并创造性的改造传统的RNN网络,使其能够高性能的处理信令数据变换得到的伪语言数据,把对行人下一步可能的轨迹的预测转变为对语言中下一个词语的预测,由于我们可以利用深度学习技术学习行人以前的出行数据,并利用映射把出行数据映射为伪语言数据,所以可以利用RNN网络在自然语言预测上已经取得的优良的性能,将语言中对下一个词语的预测自然的转化为对出行者下一个出行目的的预测,同时经过参数调整,得到了超出已有基于信令数据的行人行为模式挖掘和出行预测结果,性能有了42%-49%的提高。
行人的出行的轨迹是在时空中有关联性的,同时行人绝大部分的出行是基于一定的逻辑的,所以说行人的信令数据是一个有内在逻辑联系的时间序列,这和我们的自然语言数据是一致的。
利用深度学习技术的循环神经网络技术对自然语言预测的高准确性和高可靠性,将信令数据中的任一个地点数据映射为语言中的一个词,将行人的连续的几个信令数据地点数据映射为语言中的短语,将行人中一段时间(如一天)的信令数据地理数据映射为一句话,基于深度学习的手机信令数据行人交通轨迹预测方法,其流程如图1所示,具体包括如下步骤:
步骤1:原始信令数据过滤
步骤2:信令数据的输入(输入层);
输入用户的信令数据对应的地理位置;
步骤3:信令数据的整合(潜入层);
对用户的信令数据对应的地理位置进行整合,将相邻的位置整合为同一类;
步骤4:信令数据的处理(隐含层);
利用循环神经网络进行深度学习,获取用户下一个地理位置的预测结果;
步骤5:输出用户下一个地理位置的预测结果(输出层)。
实验结果如表1、2所示:
表1
基于小区信令 | 准确率 | 改善率 |
基本模型 | 47% | 基准 |
马尔科夫模型 | 54% | 15% |
循环神经网络 | 67% | 42% |
表2
基于区群信令 | 准确率 | 改善率 |
基本模型 | 55% | 基准 |
马尔科夫模型 | 57% | 3% |
循环神经网络 | 82% | 49% |
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (4)
1.一种基于深度学习的手机信令数据行人交通轨迹预测方法,其特征在于,采用深度学习技术对手机信令数据进行处理,将手机信令数据中的出行数据映射为伪语言数据,通过对下一个词语的预测实现对用户下一个地理位置的预测,具体包括如下步骤:
步骤1:信令数据的输入;
输入用户的信令数据对应的地理位置;
步骤2:信令数据的整合;
对用户的信令数据对应的地理位置进行整合,将相邻的位置整合为同一类;
步骤3:信令数据的处理;
利用循环神经网络进行深度学习,获取用户下一个地理位置的预测结果;
步骤4:输出用户下一个地理位置的预测结果。
2.根据权利要求1所述的基于深度学习的手机信令数据行人交通轨迹预测方法,其特征在于,所述的深度学习技术主要是采用基于循环神经网络深度学习网络的技术,循环神经网络深度学习网络能够对信令数据进行语义上、逻辑上的深度挖掘,并根据以前的语言和语义分析预测后面的语言内容。
3.根据权利要求2所述的基于深度学习的手机信令数据行人交通轨迹预测方法,其特征在于,循环神经网络深度学习网络采用循环神经网络。
4.根据权利要求3所述的基于深度学习的手机信令数据行人交通轨迹预测方法,其特征在于,所述循环神经网络采用长短时记忆模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710504175.XA CN107480784A (zh) | 2017-06-28 | 2017-06-28 | 一种基于深度学习的手机信令数据行人交通轨迹预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710504175.XA CN107480784A (zh) | 2017-06-28 | 2017-06-28 | 一种基于深度学习的手机信令数据行人交通轨迹预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107480784A true CN107480784A (zh) | 2017-12-15 |
Family
ID=60596081
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710504175.XA Pending CN107480784A (zh) | 2017-06-28 | 2017-06-28 | 一种基于深度学习的手机信令数据行人交通轨迹预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107480784A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108053653A (zh) * | 2018-01-11 | 2018-05-18 | 广东蔚海数问大数据科技有限公司 | 基于lstm的车辆行为预测方法和装置 |
CN108171973A (zh) * | 2017-12-27 | 2018-06-15 | 东南大学 | 一种基于手机网格数据的交通出行模式识别方法 |
CN108229407A (zh) * | 2018-01-11 | 2018-06-29 | 武汉米人科技有限公司 | 一种视频分析中的行为检测方法与系统 |
CN108629978A (zh) * | 2018-06-07 | 2018-10-09 | 重庆邮电大学 | 一种基于高维路网和循环神经网络的交通轨迹预测方法 |
CN109979190A (zh) * | 2017-12-27 | 2019-07-05 | 中国移动通信集团公司 | 一种道路交通状态的预测方法及装置 |
WO2019134549A1 (zh) * | 2018-01-02 | 2019-07-11 | 中兴通讯股份有限公司 | 基于深度学习的定位方法、装置、计算机设备及存储介质 |
CN110276947A (zh) * | 2019-06-05 | 2019-09-24 | 中国科学院深圳先进技术研究院 | 一种交通融合分析预测方法、系统及电子设备 |
CN110753307A (zh) * | 2019-10-24 | 2020-02-04 | 南京瑞栖智能交通技术产业研究院有限公司 | 一种基于居民调查数据获取带有标签的手机信令轨迹数据方法 |
CN111488984A (zh) * | 2020-04-03 | 2020-08-04 | 中国科学院计算技术研究所 | 一种用于训练轨迹预测模型的方法和轨迹预测方法 |
CN111797301A (zh) * | 2019-04-09 | 2020-10-20 | Oppo广东移动通信有限公司 | 活动预测方法、装置、存储介质及电子设备 |
CN112200351A (zh) * | 2020-09-24 | 2021-01-08 | 深圳市综合交通运行指挥中心 | 一种基于手机信令数据的城市区域客流量预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156822A (zh) * | 2011-04-28 | 2011-08-17 | 北京市劳动保护科学研究所 | 行人交通数据组合多步预测方法 |
CN106658400A (zh) * | 2016-08-31 | 2017-05-10 | 江苏鸿信系统集成有限公司 | 一种基于手机信令数据的小区公安监控方法 |
CN106781463A (zh) * | 2016-12-02 | 2017-05-31 | 北京中创信测科技股份有限公司 | 一种基于手机信令和od属性计算城市道路流速的方法 |
-
2017
- 2017-06-28 CN CN201710504175.XA patent/CN107480784A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156822A (zh) * | 2011-04-28 | 2011-08-17 | 北京市劳动保护科学研究所 | 行人交通数据组合多步预测方法 |
CN106658400A (zh) * | 2016-08-31 | 2017-05-10 | 江苏鸿信系统集成有限公司 | 一种基于手机信令数据的小区公安监控方法 |
CN106781463A (zh) * | 2016-12-02 | 2017-05-31 | 北京中创信测科技股份有限公司 | 一种基于手机信令和od属性计算城市道路流速的方法 |
Non-Patent Citations (2)
Title |
---|
李幸超: "基于循环神经网络的轨迹位置预测技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
钱琨: "基于蜂窝信令数据的移动轨迹清洗和预测方法研究与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109979190B (zh) * | 2017-12-27 | 2020-11-20 | 中国移动通信集团公司 | 一种道路交通状态的预测方法及装置 |
CN108171973B (zh) * | 2017-12-27 | 2020-09-18 | 东南大学 | 一种基于手机网格数据的交通出行模式识别方法 |
CN109979190A (zh) * | 2017-12-27 | 2019-07-05 | 中国移动通信集团公司 | 一种道路交通状态的预测方法及装置 |
CN108171973A (zh) * | 2017-12-27 | 2018-06-15 | 东南大学 | 一种基于手机网格数据的交通出行模式识别方法 |
WO2019134549A1 (zh) * | 2018-01-02 | 2019-07-11 | 中兴通讯股份有限公司 | 基于深度学习的定位方法、装置、计算机设备及存储介质 |
CN108229407A (zh) * | 2018-01-11 | 2018-06-29 | 武汉米人科技有限公司 | 一种视频分析中的行为检测方法与系统 |
CN108053653A (zh) * | 2018-01-11 | 2018-05-18 | 广东蔚海数问大数据科技有限公司 | 基于lstm的车辆行为预测方法和装置 |
CN108053653B (zh) * | 2018-01-11 | 2021-03-30 | 广东蔚海数问大数据科技有限公司 | 基于lstm的车辆行为预测方法和装置 |
CN108629978A (zh) * | 2018-06-07 | 2018-10-09 | 重庆邮电大学 | 一种基于高维路网和循环神经网络的交通轨迹预测方法 |
CN108629978B (zh) * | 2018-06-07 | 2020-12-22 | 重庆邮电大学 | 一种基于高维路网和循环神经网络的交通轨迹预测方法 |
CN111797301A (zh) * | 2019-04-09 | 2020-10-20 | Oppo广东移动通信有限公司 | 活动预测方法、装置、存储介质及电子设备 |
CN110276947A (zh) * | 2019-06-05 | 2019-09-24 | 中国科学院深圳先进技术研究院 | 一种交通融合分析预测方法、系统及电子设备 |
CN110753307A (zh) * | 2019-10-24 | 2020-02-04 | 南京瑞栖智能交通技术产业研究院有限公司 | 一种基于居民调查数据获取带有标签的手机信令轨迹数据方法 |
CN110753307B (zh) * | 2019-10-24 | 2020-10-30 | 南京瑞栖智能交通技术产业研究院有限公司 | 一种基于居民调查数据获取带有标签的手机信令轨迹数据方法 |
CN111488984A (zh) * | 2020-04-03 | 2020-08-04 | 中国科学院计算技术研究所 | 一种用于训练轨迹预测模型的方法和轨迹预测方法 |
CN111488984B (zh) * | 2020-04-03 | 2023-07-21 | 中国科学院计算技术研究所 | 一种用于训练轨迹预测模型的方法和轨迹预测方法 |
CN112200351A (zh) * | 2020-09-24 | 2021-01-08 | 深圳市综合交通运行指挥中心 | 一种基于手机信令数据的城市区域客流量预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107480784A (zh) | 一种基于深度学习的手机信令数据行人交通轨迹预测方法 | |
Lyu et al. | Fog-empowered anomaly detection in IoT using hyperellipsoidal clustering | |
Demissie et al. | Intelligent road traffic status detection system through cellular networks handover information: An exploratory study | |
CN108629978A (zh) | 一种基于高维路网和循环神经网络的交通轨迹预测方法 | |
GB2599765A (en) | Vehicle traffic flow prediction method with missing data | |
CN107516417B (zh) | 一种挖掘时空关联关系的实时高速公路流量估计方法 | |
CN106254142A (zh) | 一种基于移动通信运营数据的城市群体行为监测系统 | |
CN105493109A (zh) | 使用多个数据源的空气质量推断 | |
CN105066997A (zh) | 一种面向室内导航的动态路径生成方法 | |
CN110351664B (zh) | 基于手机信令的用户活动空间识别方法 | |
Lu et al. | Modeling the heterogeneous traffic correlations in urban road systems using traffic-enhanced community detection approach | |
CN110213724A (zh) | 一种伪基站运动轨迹的识别方法 | |
Yue et al. | What is the root cause of congestion in urban traffic networks: Road infrastructure or signal control? | |
Rathore et al. | Exploiting real-time big data to empower smart transportation using big graphs | |
CN107909098A (zh) | 一种基于大数据的城市居民锚点计算方法 | |
CN108510008B (zh) | 一种基于浮动车轨迹点空间关系和分布的路网提取方法 | |
CN110072016A (zh) | 一种利用通话行为时域滤波实现不良语音分类的方法 | |
CN108882152A (zh) | 一种基于路径选择上报的用户隐私保护方法 | |
CN113269352A (zh) | 基于移动互联网的城市内涝监测预警方法、系统及介质 | |
CN111368465A (zh) | 基于id3决策树的无人驾驶决策方法 | |
CN113569977B (zh) | 一种基于手机信令数据的出行目的识别方法 | |
Chen et al. | An approach of using social media data to detect the real time spatio-temporal variations of urban waterlogging | |
Li et al. | Graph neural networks in urban intelligence | |
Wu et al. | Vehicle trajectory prediction models by combining communication data | |
Taheri et al. | Fuzzy online location management in mobile computing environments |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171215 |
|
RJ01 | Rejection of invention patent application after publication |