CN107835486A - 交通出行量计算方法及装置 - Google Patents
交通出行量计算方法及装置 Download PDFInfo
- Publication number
- CN107835486A CN107835486A CN201710977901.XA CN201710977901A CN107835486A CN 107835486 A CN107835486 A CN 107835486A CN 201710977901 A CN201710977901 A CN 201710977901A CN 107835486 A CN107835486 A CN 107835486A
- Authority
- CN
- China
- Prior art keywords
- trip
- user
- data
- mobile phone
- time
- 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
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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- 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
Abstract
本发明实施例提供交通出行量计算方法及装置。在一实施例中,所述交通出行量计算方法包括:收集指定时间段及指定区域内的基站数据及手机信令数据;根据所述手机信令数据及基站数据分别计算每个用户的个人出行数据,所述个人出行数据包括出行时间、出行地点及出行频数;以及根据每个用户的个人出行数据计算得到所述指定区域内的用户的区域出行数据。
Description
技术领域
本发明涉及数据处理领域,具体而言,涉及一种交通出行量计算方法及装置。
背景技术
人口数量日益增长,许多城市的交通拥堵已经成了一种隐患。通过增加公共交通设备减少私家车可以实现减轻道路的负荷,但是在增设公共交通设备前需要就城市的交通出行量进行估计。常用的一些做法一般是通过城市的常驻人口为依据进行设置,但是城市的常驻人口并不能有效代表一个城市的交通出行量。因此,一种更加准确的交通出行量计算方法是迫切需求的。
发明内容
有鉴于此,本发明实施例的目的在于提供一种交通出行量计算方法及装置。
本发明实施例提供的一种交通出行量计算方法,所述交通出行量计算方法包括:
收集指定时间段及指定区域内的基站数据及手机信令数据;
根据所述手机信令数据及基站数据分别计算每个用户的个人出行数据,所述个人出行数据包括出行时间、出行地点及出行频数;以及
根据每个用户的个人出行数据计算得到所述指定区域内的用户的区域出行数据。
本发明实施例还提供一种交通出行量计算装置,所述交通出行量计算装置包括:
收集模块,用于收集指定时间段及指定区域内的基站数据及手机信令数据;
第一计算模块,用于根据所述手机信令数据及基站数据分别计算每个用户的个人出行数据,所述个人出行数据包括出行时间、出行地点及出行频数;以及
第二计算模块,用于根据每个用户的个人出行数据计算得到所述指定区域内的用户的区域出行数据。
与现有技术相比,本发明实施例的交通出行量计算方法及装置,通过收集的手机信令数据及基站数据,基于大数据进行分析计算得到一个区域内的交通出行量,从而可以有效地判断一个区域的拥堵程度,从而为一区域安排公交车、出租车等公共交通设备数量提供有力判断条件。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明较佳实施例提供的电子终端的方框示意图。
图2为本发明较佳实施例提供的交通出行量计算方法的流程图。
图3为本发明较佳实施例提供的交通出行量计算方法的步骤102的详细流程图。
图4为本发明另一较佳实施例提供的交通出行量计算方法的流程图。
图5为本发明较佳实施例提供的交通出行量计算装置的功能模块示意图。
具体实施方式
下面将结合本发明实施例中附图,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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
如图1所示,是一电子终端100的方框示意图。所述电子终端100包括交通出行量计算装置110、存储器111、存储控制器112、处理器113、外设接口114、输入输出单元115、显示单元116。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对电子终端100的结构造成限定。例如,电子终端100还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。本实施例所述的电子终端100可以是个人电脑 (personalcomputer,PC)、平板电脑、智能手机、个人数字助理(personal digital assistant,PDA)等。
所述存储器111、存储控制器112、处理器113、外设接口114、输入输出单元115及显示单元116各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述交通出行量计算装置110包括至少一个可以软件或固件(Firmware)的形式存储于所述存储器111中或固化在所述电子终端100的操作系统(Operating System,OS)中的软件功能模块。所述处理器113用于执行存储器中存储的可执行模块,例如所述交通出行量计算装置110包括的软件功能模块或计算机程序。
其中,所述存储器111可以是,但不限于,随机存取存储器(Random AccessMemory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(ProgrammableRead-Only Memory,PROM),可擦除只读存储器(Erasable Programmable Read-OnlyMemory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory,EEPROM)等。其中,存储器111用于存储程序,所述处理器113在接收到执行指令后,执行所述程序,本发明实施例任一实施例揭示的过程定义的电子终端100所执行的方法可以应用于处理器113中,或者由处理器113实现。
所述处理器113可能是一种集成电路芯片,具有信号的处理能力。上述的处理器113可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述外设接口114将各种输入/输入装置耦合至处理器113以及存储器 111。在一些实施例中,外设接口114,处理器113以及存储控制器112可以在单个芯片中实现。在其他一些实例中,他们可以分别由独立的芯片实现。
所述输入输出单元115用于提供给用户输入数据。所述输入输出单元 115可以是,但不限于,鼠标和键盘等。
所述显示单元116在所述电子终端100与用户之间提供一个交互界面 (例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中,所述显示单元可以是液晶显示器或触控显示器。若为触控显示器,其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作,并将该感应到的触控操作交由处理器进行计算和处理。
请参阅图2,是本发明较佳实施例提供的应用于图1所示的电子终端的交通出行量计算方法的流程图。下面将对图2所示的具体流程进行详细阐述。
步骤S101,收集指定时间段及指定区域内的基站数据及手机信令数据。
本实施例中,所述基站数据及手机信令数据可以被保存在一数据库中,需要使用时从所述数据库中得到所述指定时间段及指定区域内的基站数据及手机信令数据。
本实施例中,所述基站数据包括基站编号、基站经度、基站纬度等。所述手机信令数据包括加密的用户编号、日期、一条信令上报的开始时间、结束时间、所属基站编号、持续时长、号码归属地编号等。
本实施例中,所述交通出行量计算方法可用于计算一座城市的交通出行量,也可以用于计算一个行政区的交通出行量。所述指定区域可以是一座城市,也可以是一个行政区。
所述指定时间段可以是一周、一个月或者其它适合的时间段。
步骤S102,根据所述手机信令数据及基站数据分别计算每个用户的个人出行数据。
本实施例中,所述个人出行数据包括出行时间、出行地点及出行频数。
在一种实施方式中,如图3所示,步骤S102可包括步骤S1021和步骤 S1022。
步骤S1021,根据每一个用户的手机信令数据得到用户的多个停驻点。
其中,所述停驻点为用户停留时间超过预设时间的地点。例如,所述预设时间可以是一小时或半小时等。
本实施例中,从步骤S101中收集的数据中获得任一用户在所述指定时间段内的全部手机信令数据。
在一个实例中,将获取的用户的手机信令数据根据日期进行顺序排列,并对每一周期(如每天)内的数据依据当期时间顺序排列,得到一个m行 k列的矩阵oneUserSortData,其中m为该用户在这段时间内的全部记录数, k为手机信令数据的字段数。
本实施例中,可以通过两种实施方式计算所述每个用户的个人出行数据,具体描述如下。
第一种实施方式中,通过以下描述计算所述每个用户的个人出行数据。
首先,判断出上述用户的家庭端基站。关于判断家庭端基站的描述如下。
本实施例中,将矩阵oneUserSortData按日期切割成differentDateNum 个小数组,其中differentDateNum表示用户的手机信令数据包含数据的天数。每个小数组包含了一天的手机信令数据,该小数组依然是k列。针对每一个小数组,通过定义家庭时间阈值[morningTime,nightTime],其中, morningTime表示当天morningTime时间之前该用户在家;nightTime表示当天nightTime时间之后该用户在家。以t1表示每天第一条手机信令数据对应的开始时间,基站编号为BS1,最后一条手机信令数据对应的开始时间为t2,基站编号为BS2。
在一个实例中,可通过以下判断逻辑判断家庭端的基站。
if t1<morningTime
BS1可能是家庭端基站
End if
if t2>nighttime
BS2可能是家庭端基站
End if
if BS1==BS2
家庭端基站为BS1
else
if distance(BS1,BS2)<distanceThd//其中,distance(BS1,BS2)
//为两个基站之间的距离,distanceThd为距离阈值
BS1和BS2都是家庭端基站
else BS1是家庭端基站
end if
end if
其次,判断出上述用户的手机信令数据中包含的漂移点,所述漂移点表示为用户停留时间不超过预设时间的地点。关于确定漂移点的流程的描述如下。
本实施例中,计算每天除去第一条和最后一条手机信令数据之外非家庭端基站的持续时间timeSpan,如果timeSpan超过了一个时间阈值t_thd,则认为这些基站是该用户当天出行过程中的停驻点,其中,家庭端属于停驻点,加入集合S,将非停驻点基站编号加入集合U。
本实施例中,根据针对非停驻点基站集合U中的元素依次分析,用Ui表示集合U中第i个基站编号。在一天的时间序列中,若与U1相邻基站的都是停驻点,记前一个停驻点结束的时间为t_end1,后一个停驻点开始的时间t_start2,U1开始的时间U1_start,结束的时间U1_end。
if U1_start-t_end1<t_move or t_start2-U1_end<t_move//t_move表示漂移点位的时间差阈值
U1是移动或漂移点
else U1是停驻点,加入集合S
end if
再次,判断出上述用户的手机信令数据中的工作端。关于判断定工作端的流程的描述如下。
在一个实例中,假设一用户的工作时间范围[[workStart1,workEnd1],[workStart2,workEnd2],[workStart3,workEnd3],…]。获得的停驻点集合S中的基站编号和对应时间,若停驻点的时间落在工作时段区域内,则认为该基站为工作端的基站。
步骤S1022,根据多个停驻点及该用户在所述停驻点的到达时间及离开时间计算用户在停驻点之间的出行次数。
在一种实施方式中,步骤S1022可以包括:将所述多个停驻点按照该用户在预设时间内所有出现过的停驻点按照时间进行排序;分析排序后的停驻点中的相邻停驻点,若相邻两个停驻点不同,则判定该用户产生了一次出行。
下面具体描述计算用户在停驻点之间的出行次数。
本实施例中,将以用户一天内所有出现过的基站按照时间顺序排列。并将通过上述判断中得到的非停驻点剔除,剩下的基站按时间序列排列为 [BS1,BS2,BS3…BSn]。分析所有相邻的基站,若基站编号不同则认为产生了一次出行,例如,若BS1不等于BS2,认为产生了从以BS1为起点发生了一次目的地为BS2的出行;若BS2不等于BS3,则认为产生了一次以BS2 为起点,BS3为终点的出行。若BS2=BS3,则继续考虑BS3与BS4之间是否相等,以此类推。最终得到一个用户一天的出行量tripNum,并将每一次的出行按照((出行起点基站编号startBS,出行终点基站编号endBS),1) 表达,即以元组(startBS,endBS)为键,1为值组成一个新的元组。
本实施例中,最终将一天内相同的键值合并,得到若干个((startBS1, endBS1),m)的键值对,将其中以工作端为终点的键值对与其他键值对分两个表保存,得到workODList和nonWorkODList两个出行表。
第二种实施方式中,通过以下描述计算所述每个用户的个人出行数据。
详细地,获得任一用户在所述指定时间段内的全部手机信令数据,将该用户每天经过的基站去重保存在一个表中,在所述指定时间段内包括 differentDateNum天就有differentDateNum个表。设定最小支持度minSup,基于fpGrowth算法找出minSup下的频繁项集,记为freqItems。其中,所述最小支持度可以是预先设置的,也可以是在计算前输入的。所述fpGrowth 算法的步骤可包括:对于每个频繁项,构造它的条件投影数据库和投影FP-tree;对每个新构建的FP-tree重复这个过程,直到构造的新FP-tree为空,或者只包含一条路径;当构造的FP-tree为空时,其前缀即为频繁模式;当只包含一条路径时,通过枚举所有可能组合并与此树的前缀连接即可得到频繁模式。
其中,对集合freqItems中的元素集合分析在每天中的时间分布情况。定义家庭时间阈值[morningTime,nightTime],其中,morningTime表示当天morningTime时间之前该用户在家;nightTime表示当天nightTime时间之后该用户在家。假设一用户的工作时间范围[[workStart1,workEnd1], [workStart2,workEnd2],[workStart3,workEnd3],…]。计算freqItems里每个元素集对应的基站在家庭端时间范围内的总时长,得到每个基站对应的家庭端时长list[BS1_homeTime,BS2_homeTime,..BSn_homeTime],选取最大值所对应的基站BS_home作为家庭端基站;同理计算每个元素对应的基站在工作端时间范围内的总时长,得到每个基站对应的工作端时长 list[BS1_workTime,BS2_workTime,…,BSn_workTime],选取最大值所对应的基站BS_work作为工作端基站。若BS_home=BS_work则认为该用户没有工作或者工作地离家庭很近;否则认为该用户的家庭端对应的基站就是 BS_home,工作端对应的基站就是BS_work。
本实施例中,将以用户一天内所有出现过的基站按照时间顺序排列。并将通过上述判断中得到的非停驻点剔除,剩下的基站按时间序列排列为 [BS1,BS2,BS3…BSn]。分析所有相邻的基站,若基站编号不同则认为产生了一次出行,例如,若BS1不等于BS2,认为产生了从以BS1为起点发生了一次目的地为BS2的出行;若BS2不等于BS3,则认为产生了一次以BS2 为起点,BS3为终点的出行。若BS2=BS3,则继续考虑BS3与BS4之间是否相等,以此类推。最终得到一个用户一天的出行量tripNum,并将每一次的出行按照((出行起点基站编号startBS,出行终点基站编号endBS),1) 表达,即以元组(startBS,endBS)为键,1为值组成一个新的元组。
本实施例中,最终将一天内相同的键值合并,得到若干个((startBS1, endBS1),m)的键值对,将其中以工作端为终点的键值对与其他键值对分两个表保存,得到workODList和nonWorkODList两个出行表。
步骤S103,根据每个用户的个人出行数据计算得到所述指定区域内的用户的区域出行数据。
将每个用户每天的手机信令数据通过步骤S102中的方式计算得到一个用户在所述指定时间段内的出行数据,再将每个用户的出行数据整合在一起得到指定区域内的用户的区域出行数据。
在一个实例中,按照日期得到每天所述指定区域内的平均出行次数和出行矩阵,其中出行矩阵是一个m*m的矩阵,行代表出行的起点,列代表出行终点,对应元素表示从起点到终点的出行次数,这里行和列都是全部的基站编号,也可以是基站对应的地名。
本发明实施例的交通出行量计算方法,通过收集的手机信令数据及基站数据,基于大数据进行分析计算得到一个区域内的交通出行量,从而可以有效地判断一个区域的拥堵程度,从而为一区域安排公交车、出租车等公共交通设备数量提供有力判断条件。
本发明实施例还提供另一种交通出行量计算方法,如图4所示,本实施例中的方法与上一实施例类似,其不同之处在于,本实施例中的方法还将用户群进行分类,具体地,本实施例中的方法包括以下步骤:
步骤S201,收集指定时间段及指定区域内的基站数据及手机信令数据。
步骤S202,根据所述手机信令数据及基站数据分别计算每个用户的个人出行数据。
其中步骤S201-S202与上一方法实施例中的步骤S101-S102相似,在此不再赘述。
步骤S203,根据所述手机信令数据中的属性对用户群进行分类。
在一种实施方式中,根据所述手机信令数据中的号码归属地对用户群进行分类。在一个实例中,根据所述手机信令数据中的号码归属地将用户群分成本地用户群和外地用户群。
在另一种实施方式中,根据所述手机信令数据在所述指定区域出现的时间对用户群进行分类。在一个实例中,根据所述手机信令数据在所述指定区域内出现的天数大于指定阈值的用户群和手机信令数据在所述指定区域内出现的天数小于指定阈值的用户群。
再一种实施方式中,根据所述手机信令数据中的号码归属地和在所述指定区域出现的时间对用户群进行分类。
在一个实例中,依据号码归属地和在所述指定时间段内出现的天数比例判断人口类别,将手机信令数据集中的用户分为四类:A:外地号码且在这段时间内出现的天数比例高于指定阈值dayThd;B:外地号码且在这段时间内出现的天数比例不高于指定阈值dayThd;C:本地号码且在这段时间内出现的天数比例高于指定阈值dayThd;D:本地号码且在这段时间内出现的天数比例不高于指定阈值dayThd。其中,指定阈值dayThd可以根据需求任意设置,例如天数比例大于百分之五十的任意天数。其中,天数比例的计算方法:oneUserSortData中不同的日期数除以所述指定时间段的总天数T,即differentDateNum/T*100%,differentDateNum为不同的日期数。
本实施例并不对步骤S202与步骤S203的顺序进行限制,在一种实施方式中,步骤S202可以在步骤S203之前执行;在另一种实施方式中,步骤S202也可以在步骤S203之后执行;再一种实施方式中,步骤S202与步骤S203也可以同时执行。
本实施例中,将不同的用户群还可以采用不同的实施方式进行计算每个用户的个人出行数据。当将不同的用户群还采用不同的实施方式进行计算每个用户的个人出行数据时,步骤S202也可以在步骤S203之后执行。在一个实例中,用户群B和D采用上一实施例中的步骤102中的第一种实施方式计算每个用户的个人出行数据。用户群A和C采用上一实施例中的步骤102中的第二种实施方式计算每个用户的个人出行数据。
步骤S204,获取所述指定时间段及指定区域内的所有个人出行数据。
步骤S205,将所有的个人出行数据按照用户群进行分类以得到各类用户群的出行量。
本实施例中,将用户群A、B、C、D分别按照日期得到每天所述指定区域内的平均出行次数和出行矩阵,其中出行矩阵是一个m*m的矩阵,行代表出行的起点,列代表出行终点,对应元素表示从起点到终点的出行次数,这里行和列都是全部的基站编号,也可以是基站对应的地名。
关于本实施例中的其它细节还可以进一步地参考上述方法实施例中的描述,在此不再赘述。
本发明实施例的交通出行量计算装置,通过收集的手机信令数据及基站数据,基于大数据进行分析计算得到一个区域内的交通出行量,从而可以有效地判断一个区域的拥堵程度,从而为一区域安排公交车、出租车等公共交通设备数量提供有力判断条件。
请参阅图5,是本发明较佳实施例提供的图1所示的交通出行量计算装置110的功能模块示意图。本实施例中的交通出行量计算装置110中的各个模块、单元及子单元用于执行上述方法实施例中的各个步骤。所述交通出行量计算装置110包括收集模块1101、第一计算模块1102及第二计算模块1103。
所述收集模块1101,用于收集指定时间段及指定区域内的基站数据及手机信令数据。
所述第一计算模块1102,用于根据所述手机信令数据及基站数据分别计算每个用户的个人出行数据,所述个人出行数据包括出行时间、出行地点及出行频数。
所述第二计算模块1103,用于根据每个用户的个人出行数据计算得到所述指定区域内的用户的区域出行数据。
在一种实施方式中,所述第一计算模块1102包括:得到单元及计算单元。
所述得到单元,用于根据每一个用户的手机信令数据得到用户的多个停驻点,所述停驻点为用户停留时间超过预设时间的地点。
所述计算单元,用于根据多个停驻点及该用户在所述停驻点的到达时间及离开时间计算用户在停驻点之间的出行次数。
在一种实施方式中,所述计算单元包括:排序子单元及判定子单元。
所述排序子单元,用于将所述多个停驻点按照该用户在预设时间内所有出现过的停驻点按照时间进行排序。
所述判定子单元,用于分析排序后的停驻点中的相邻停驻点,若相邻两个停驻点不同,则判定该用户产生了一次出行。
其它实施例中,所述交通出行量计算装置110还包括:用户分类模块 1104,用于根据所述手机信令数据中的属性对用户群进行分类。
所述第二计算模块1103包括:获取单元及出行量分类单元。
所述获取单元,用于获取所述指定时间段及指定区域内的所有个人出行数据。
所述出行量分类单元,用于将所有的个人出行数据按照用户群进行分类以得到各类用户群的出行量。
在一种实施方式中,所述用户分类模块包括:第一分类单元、第二分类单元及第三分类单元。
所述第一分类单元,用于根据所述手机信令数据中的号码归属地对用户群进行分类。
所述第二分类单元,用于根据所述手机信令数据在所述指定区域出现的时间对用户群进行分类。
所述第三分类单元,用于根据所述手机信令数据中的号码归属地和在所述指定区域出现的时间对用户群进行分类。
关于上述装置实施例中的其它细节可以进一步地参考上述方法实施例中的描述,在此不再赘述。
本发明实施例的交通出行量计算装置,通过收集的手机信令数据及基站数据,基于大数据进行分析计算得到一个区域内的交通出行量,从而可以有效地判断一个区域的拥堵程度,从而为一区域安排公交车、出租车等公共交通设备数量提供有力判断条件。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种交通出行量计算方法,其特征在于,所述交通出行量计算方法包括:
收集指定时间段及指定区域内的基站数据及手机信令数据;
根据所述手机信令数据及基站数据分别计算每个用户的个人出行数据,所述个人出行数据包括出行时间、出行地点及出行频数;以及
根据每个用户的个人出行数据计算得到所述指定区域内的用户的区域出行数据。
2.如权利要求1所述的交通出行量计算方法,其特征在于,所述根据所述手机信令数据及基站数据分别计算每个用户的个人出行数据的步骤包括:
根据每一个用户的手机信令数据得到用户的多个停驻点,所述停驻点为用户停留时间超过预设时间的地点;
根据多个停驻点及该用户在所述停驻点的到达时间及离开时间计算用户在停驻点之间的出行次数。
3.如权利要求2所述的交通出行量计算方法,其特征在于,所述根据多个停驻点及该用户在所述停驻点的到达时间及离开时间计算用户在停驻点之间的出行次数的步骤包括:
将所述多个停驻点按照该用户在预设时间内所有出现过的停驻点按照时间进行排序;
分析排序后的停驻点中的相邻停驻点,若相邻两个停驻点不同,则判定该用户产生了一次出行。
4.如权利要求1所述的交通出行量计算方法,其特征在于,所述方法还包括:
根据所述手机信令数据中的属性对用户群进行分类;
根据每个用户的个人出行数据计算得到所述指定区域内的用户的区域出行数据的步骤包括:
获取所述指定时间段及指定区域内的所有个人出行数据;
将所有的个人出行数据按照用户群进行分类以得到各类用户群的出行量。
5.如权利要求4所述的交通出行量计算方法,其特征在于,所述根据所述手机信令数据中的属性对用户群进行分类的步骤包括:
根据所述手机信令数据中的号码归属地对用户群进行分类;或者,
根据所述手机信令数据在所述指定区域出现的时间对用户群进行分类;或者,
根据所述手机信令数据中的号码归属地和在所述指定区域出现的时间对用户群进行分类。
6.一种交通出行量计算装置,其特征在于,所述交通出行量计算装置包括:
收集模块,用于收集指定时间段及指定区域内的基站数据及手机信令数据;
第一计算模块,用于根据所述手机信令数据及基站数据分别计算每个用户的个人出行数据,所述个人出行数据包括出行时间、出行地点及出行频数;以及
第二计算模块,用于根据每个用户的个人出行数据计算得到所述指定区域内的用户的区域出行数据。
7.如权利要求6所述的交通出行量计算装置,其特征在于,所述第一计算模块包括:
得到单元,用于根据每一个用户的手机信令数据得到用户的多个停驻点,所述停驻点为用户停留时间超过预设时间的地点;
计算单元,用于根据多个停驻点及该用户在所述停驻点的到达时间及离开时间计算用户在停驻点之间的出行次数。
8.如权利要求7所述的交通出行量计算装置,其特征在于,所述计算单元包括:
排序子单元,用于将所述多个停驻点按照该用户在预设时间内所有出现过的停驻点按照时间进行排序;
判定子单元,用于分析排序后的停驻点中的相邻停驻点,若相邻两个停驻点不同,则判定该用户产生了一次出行。
9.如权利要求6所述的交通出行量计算装置,其特征在于,所述装置还包括:用户分类模块,用于根据所述手机信令数据中的属性对用户群进行分类;
所述第二计算模块包括:获取单元及出行量分类单元;
所述获取单元,用于获取所述指定时间段及指定区域内的所有个人出行数据;
所述出行量分类单元,用于将所有的个人出行数据按照用户群进行分类以得到各类用户群的出行量。
10.如权利要求9所述的交通出行量计算装置,其特征在于,所述用户分类模块包括:
第一分类单元,用于根据所述手机信令数据中的号码归属地对用户群进行分类;
第二分类单元,用于根据所述手机信令数据在所述指定区域出现的时间对用户群进行分类;
第三分类单元,用于根据所述手机信令数据中的号码归属地和在所述指定区域出现的时间对用户群进行分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710977901.XA CN107835486A (zh) | 2017-10-17 | 2017-10-17 | 交通出行量计算方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710977901.XA CN107835486A (zh) | 2017-10-17 | 2017-10-17 | 交通出行量计算方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107835486A true CN107835486A (zh) | 2018-03-23 |
Family
ID=61648564
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710977901.XA Pending CN107835486A (zh) | 2017-10-17 | 2017-10-17 | 交通出行量计算方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107835486A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108711284A (zh) * | 2018-05-23 | 2018-10-26 | 中国联合网络通信集团有限公司 | 道路人流量的确定方法及装置 |
CN109544920A (zh) * | 2018-11-22 | 2019-03-29 | 广东岭南通股份有限公司 | 基于交易数据的公交出行成本获取、分析方法和系统 |
CN111145562A (zh) * | 2018-11-06 | 2020-05-12 | 交通运输部规划研究院 | 城际公路出行量统计方法、装置及电子设备 |
CN111667121A (zh) * | 2020-06-15 | 2020-09-15 | 常州市规划设计院 | 基于手机信令数据的轨道交通线路初期客流预测方法 |
CN112770278A (zh) * | 2020-12-22 | 2021-05-07 | 智慧足迹数据科技有限公司 | 手机信令分析方法、装置、计算机设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080172475A1 (en) * | 2007-01-16 | 2008-07-17 | Yusaku Okamura | Congestion information delivery system, mobile terminal, server, method of congestion information delivery and computer-readable medium storing program |
CN105513351A (zh) * | 2015-12-17 | 2016-04-20 | 北京亚信蓝涛科技有限公司 | 一种基于大数据的交通出行特征数据提取方法 |
CN107040894A (zh) * | 2017-04-21 | 2017-08-11 | 杭州市综合交通研究中心 | 一种基于手机信令数据的居民出行od获取方法 |
-
2017
- 2017-10-17 CN CN201710977901.XA patent/CN107835486A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080172475A1 (en) * | 2007-01-16 | 2008-07-17 | Yusaku Okamura | Congestion information delivery system, mobile terminal, server, method of congestion information delivery and computer-readable medium storing program |
CN105513351A (zh) * | 2015-12-17 | 2016-04-20 | 北京亚信蓝涛科技有限公司 | 一种基于大数据的交通出行特征数据提取方法 |
CN107040894A (zh) * | 2017-04-21 | 2017-08-11 | 杭州市综合交通研究中心 | 一种基于手机信令数据的居民出行od获取方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108711284A (zh) * | 2018-05-23 | 2018-10-26 | 中国联合网络通信集团有限公司 | 道路人流量的确定方法及装置 |
CN111145562A (zh) * | 2018-11-06 | 2020-05-12 | 交通运输部规划研究院 | 城际公路出行量统计方法、装置及电子设备 |
CN111145562B (zh) * | 2018-11-06 | 2021-01-15 | 交通运输部规划研究院 | 城际公路出行量统计方法、装置及电子设备 |
CN109544920A (zh) * | 2018-11-22 | 2019-03-29 | 广东岭南通股份有限公司 | 基于交易数据的公交出行成本获取、分析方法和系统 |
CN109544920B (zh) * | 2018-11-22 | 2021-10-22 | 广东岭南通股份有限公司 | 基于交易数据的公交出行成本获取、分析方法和系统 |
CN111667121A (zh) * | 2020-06-15 | 2020-09-15 | 常州市规划设计院 | 基于手机信令数据的轨道交通线路初期客流预测方法 |
CN112770278A (zh) * | 2020-12-22 | 2021-05-07 | 智慧足迹数据科技有限公司 | 手机信令分析方法、装置、计算机设备及存储介质 |
CN112770278B (zh) * | 2020-12-22 | 2021-09-07 | 智慧足迹数据科技有限公司 | 手机信令分析方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107835486A (zh) | 交通出行量计算方法及装置 | |
Xu et al. | Another tale of two cities: Understanding human activity space using actively tracked cellphone location data | |
Xie et al. | Analysis of traffic crashes involving pedestrians using big data: Investigation of contributing factors and identification of hotspots | |
Yuan et al. | Discovering urban functional zones using latent activity trajectories | |
Montini et al. | Trip purpose identification from GPS tracks | |
Zhao et al. | A trajectory clustering approach based on decision graph and data field for detecting hotspots | |
Zhong et al. | Measuring variability of mobility patterns from multiday smart-card data | |
Andresen et al. | The (in) appropriateness of aggregating across crime types | |
Buechler et al. | Global changes in electricity consumption during COVID-19 | |
Jiménez et al. | Perceptually important points of mobility patterns to characterise bike sharing systems: The Dublin case | |
CN106681996B (zh) | 确定地理范围内兴趣区域、兴趣点的方法和装置 | |
Kim | Identifying the structure of cities by clustering using a new similarity measure based on smart card data | |
CN105631027A (zh) | 一种面向企业商务智能的数据可视化分析方法和系统 | |
da Silva et al. | Defining functional urban regions in Bahia, Brazil, using roadway coverage and population density variables | |
CN107484134A (zh) | 常驻位置分析方法及装置 | |
CN111078818B (zh) | 地址分析方法、装置、电子设备及存储介质 | |
CN107645740A (zh) | 一种移动监测方法及终端 | |
WO2016197857A1 (zh) | 位置信息提供方法及装置 | |
CN112566029B (zh) | 基于手机定位数据的城市就业中心识别方法及装置 | |
Jia et al. | Measuring the vibrancy of urban neighborhoods using mobile phone data with an improved PageRank algorithm | |
CN112380454A (zh) | 培训课程推荐方法、装置、设备及介质 | |
CN112668803A (zh) | 一种基于LightGBM模型的汽车服务连锁企业开店选址方法 | |
CN115829124A (zh) | 充电桩选址方法、装置、设备及存储介质 | |
JP6420647B2 (ja) | 混雑予測装置、混雑予測システム、及び混雑予測プログラム | |
He et al. | Analysis of factors affecting the coordinated development of urbanization and the ecological resource environment in southwest China based on data mining |
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: 20180323 |
|
RJ01 | Rejection of invention patent application after publication |