CN109376207A - 从手机信令数据中提取高速列车乘客常住地的方法 - Google Patents
从手机信令数据中提取高速列车乘客常住地的方法 Download PDFInfo
- Publication number
- CN109376207A CN109376207A CN201811086908.3A CN201811086908A CN109376207A CN 109376207 A CN109376207 A CN 109376207A CN 201811086908 A CN201811086908 A CN 201811086908A CN 109376207 A CN109376207 A CN 109376207A
- Authority
- CN
- China
- Prior art keywords
- speed rail
- user
- station
- data
- record
- 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
Landscapes
- Train Traffic Observation, Control, And Security (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
一种从手机信令数据中提取高速列车乘客常住地的方法，涉及手机信令大数据挖掘技术领域。本方法包括：将手机信令原始数据排序、删除异常数据及去重后，合并短距离记录，计算不同位置停留时间得到停留表；在停留表基础上根据各用户子表及高铁站范围内基站判断和计算用户经过高铁站时间，结合高铁站之间距离，计算用户在高铁站之间平均速度，依据速度判断是否为高速列车乘客；在停留表基础上取高速列车乘客数据，计算乘客每晚居住地，根据当晚居住地出现频率识别用户常住地。本方法仅依据手机信令数据和公开的高铁站位置、距离数据识别在特定时间内通过乘坐高速铁路在特定高铁站上下车的乘客数量及上下车时间。
Description
技术领域
本发明涉及手机信令大数据挖掘技术领域。
本发明高速列车是指在我国境内运行的动车组列车，包括平均运行速度大于250km/h普通动车组列车(D字头列车)和高速动车组列车(G字头列车)以及运行速度大于200km/h的城际动车组列车(C字头列车)。
背景技术
当前铁路交通部门掌握了铁路客流数据，但是客流数据不包含乘客来源地，亦无法分辨通过某高铁站乘坐高速列车的乘客是就近通过该高铁站乘坐高铁还是在此高铁站中转。对于这部分信息的缺乏，铁路交通部门无法获得高速列车客源情况，城市管理部门亦无法获得高铁站实际服务范围，评估高铁站建设和选址成效。
当前还没有从手机数据中提取特定出行方式用户的日常空间活动属性的同类技术。利用手机数据划分用户出行方式，已有技术有从手机数据中识别用户轨迹，划分长距离出行用户交通方式，也有从手机数据中提取跨城轨迹，判断出行交通方式，未有针对高速列车及特定高铁站提取特定交通方式出行，测算乘客在高铁行程以外的其他属性的技术。
在已有用户日常空间活动属性提取的同类技术中，有从手机数据中识别居住地的方法，用以识别用户常住地，但尚无对含常住地用户的交通方式识别的技术。
发明内容
本发明要解决的技术问题是：
(1)仅使用手机信令数据，根据手机用户个体轨迹特征识别出使用高速列车出行及特定车次的用户，排除途径和短暂停留高铁站、高铁沿线的用户。
(2)同时识别出使用高速列车出行的用户的常住地。
(3)用户常住地位置精确到移动通信基站，无需其他空间单元。
最终实现：
输入2个高铁站A和B及某一时间段，在手机信令数据集中识别出乘坐通过高速列车出行并在AB两个高铁站上下车的用户数量及其常住地位置(以基站位置代表)，同时得到用户上下车时间。
技术方案为：
本发明技术方案概括为：将手机信令原始数据排序、删除异常数据及去重后，合并短距离记录，计算不同位置停留时间得到停留表。在停留表基础上根据各用户子表及高铁站范围内基站判断和计算用户经过高铁站时间，结合高铁站之间距离，计算用户在高铁站之间平均速度，依据速度判断是否为高速列车乘客。在停留表基础上取高速列车乘客数据，计算乘客每晚居住地，根据当晚居住地出现频率识别用户常住地。
本发明技术方案带来的有益效果包括以下3个方面：
(1)仅依据手机信令数据和公开的高铁站位置、距离数据识别在特定时间内通过乘坐高速铁路在特定高铁站上下车的乘客数量及上下车时间，亦可识别特定车次高速列车或某几车次高速列车的乘客数量及上下车时间。
(2)仅依据手机信令数据能识别特定用户数据集中用户的当晚居住地和常住地，当晚居住地计算在短距离合并后的基础上以夜间最长停留时间位置为居住地，准确性提高。
(3)建立出行方式——日常空间活动属性之间联系，得到特定高铁站之间以高速铁路出行的人群数量、上下车时间以及乘客的居住地分布。
本发明技术的应用价值主要在以下3个方面：
(1)城市规划领域：明确用户出行方式，测算高铁站点的影响和服务范围，为新高铁站点布局和优化提供依据。
(2)铁路交通领域：明确不同站点实际服务乘客来源，为铁路部门安排调整高速铁路车次提供依据。
(3)商业领域：明确不同车次乘客来源之间的差别，为列车上精准投放广告等服务提供依据。
附图说明
图1为本方法总流程图；
图2数据清洗流程图；
图3判断乘坐高速列车乘客流程图；
图4乘坐高铁的用户常住地识别流程。
具体实施方式
以下结合附图对本发明技术方案做进一步说明。
如图1所示。
方法总流程
(一)数据清洗
①将原始数据按用户msid和时间排序后并删除异常数据。
②根据每个用户删除重复记录。
③根据基站变更规律特征，合并短距离漂移记录。
④计算每个用户在所经过的基站停留时段，得到停留表。
(二)判断乘坐高速列车乘客
①选出高铁站A、B范围内基站及计算两高铁站之间距离。
②在停留表中提取单个用户的数据子表，并为每行数据打上是否位于高铁站范围内的标签。
③依据标签判断经过高铁站A、B的用户，并提取该用户在两个高铁站中，前一高铁站停留的之前半小时及后一高铁站停留的之后半小时之间的记录。
④计算该用户在高铁站A之前和高铁站B之后的速度，判断该用户是否为经高铁站A、B上下车的潜在乘客。
⑤依据高铁站A、B标签的数据计算经过两高铁站之间的时间，依据高铁站之间距离判断该用户在两高铁站之间平均速度。
⑥依据平均速度判断是否为乘坐高速列车乘客。
(三)识别高速列车乘客居住地
①在步骤(一)得到的停留表中提取步骤(二)确定的高速列车乘客的用户的所有数据。
②计算某一用户每天夜间时段最长停留位置为当晚居住地。
③将高频识别为当晚居住地的地点作为用户居住地
所述数据清洗，其具体步骤为：
(一)排序
将原始数据按照用户分组，按信令时间排序。
原始数据表为：
| msid | timestamp | lacci | type |
| ... | … | … | … |
进过排序后输出表为：
(二)删除反常数据
依据数据记录规律和用户使用规律，删除每日条数在40000条以上的用户信令记录。每日40000条即每2秒一条信令记录，与正常人使用行为特征不符合。
(三)去重
按时间顺序依次计算每个用户在单一位置(基站)连续出现的信令记录条数，若连续出现条数大于等于3条，则按①只保留首尾信令记录和②不删除信令类型为开关机记录的原则，删除连续时间内重复的信令记录。
(四)短距离合并及停留表计算
由于存在手机随机连接在一定范围内基站的现象，会影响停留时长计算结果，需要删除因漂移变更连接基站的记录。规则为：计算同一用户上下相邻两条信令记录的距离差，若两者距离小于米，则跳过第二条记录，继续计算下一条记录与第一条记录的距离差，直到距离差大于等于米，则认为用户位置发生了移动，记录用户在该停留点停留的起始和离开时间，添加到停留表。后重新计算下一个有效位置，循环至所有数据结束。
经过去重步骤后的上下相邻两条记录时间差应该小于60分钟，若下一条数据与前一条数据之间时间差大于60分钟，则认为存在用户关机、用户离开运营商服务范围、数据丢失等问题，则直接判断为超时，上一条记录作为上一有效位置的结束，下一条记录作为新的有效位置起始。
针对部分用户晚间开关机情况，若满足①时间在晚上20点到第二天早上8点②前后两条记录刚好对应信令类型为关机和开机③两条记录位于同一有效位置(距离差小于米，则认为用户夜间未发生移动，同时留下关机和开机两个有效位置点。
数据清洗结束后，得到新表为停留表：
| 用户ID | 有效停留位置 | 停留开始时间 | 停留结束时间 |
| 001 | 基站1 | 201710210955 | 201710210959 |
| 001 | 基站2 | 201710211002 | 201710211020 |
| … | … | … | … |
所述判断乘坐高速列车乘客，具体步骤为：
(一)对于两个高铁站A和B，以高铁站中心为圆心，取半径米，找出高铁站范围内的所有基站，并以高铁站对应唯一编号为这些基站打上高铁站标签。同时，依据公开高铁运行图，查询得到高铁站A和B之间的高铁线路距离dAB(单位：千米)。
(二)在停留表中取某一用户i的所有数据子表tbl(i)，判断在给定时间段内，每条记录的位置是否在高铁站A或B的范围内，如果是，在表末列添加高铁站唯一编号标签，如果否，添加“0”标签。
(三)若用户i子表tbl(i)无高铁站A和B标签，则i用户为非高速列车乘客，若只包含高铁站A或B标签，则i用户为非高速列车乘客。若同时包含高铁站A和B标签，则抽取含高铁站A标签的第一条记录之前半小时的记录和含有高铁站B标签的最后一条记录之后半小时的记录之间的数据子表tbl(i_ab)
(四)计算表tbl(i_ab)第一条记录与含高铁站A标签的第一条记录之间基站位置直线距离dbefore(单位：千米)和两记录之间的时间差tbefore(单位：分)，以及表tbl(i_ab)最后一条含高铁站B的记录与整个表最后一条记录之间基站位置直线距离dafter(单位：千米)和两记录之间的时间差tafter(单位：分)，计算得到i用户在进入高铁站A之前半小时的平均速度Vbefore(单位：千米/小时)及离开B后半小时的平均速度Vafter(单位：千米/小时)。若Vbefore和Vafter均小于100千米/小时，则i用户为经高铁站AB上下车的潜在乘客，则在表tbl(i_ab)提取含高铁站A和B标签的记录为新表tbl(i_ab_net)，如下表，继续下一步判断是否为经高铁站AB上下车的乘客。若Vbefore和Vafter非均小于100千米/小时，则i用户不是经高铁站AB上下车乘客。
(五)提取i用户含高铁站A标签的最后一行记录时间为上车时刻，含高铁站B标签的第一行记录时间为下车时刻，同时计算tbl(i_ab_net)中A标签数据中最后一行数据及B标签数据中第一行数据之间的时间差tAB(单位：分)，与AB两站之间距离dAB计算得到平均速度Vavg(单位：千米/小时)
(六)若Vavg≥200km/h，则i用户为经高铁站AB上下车的高速列车乘客；若Vavg＜200km/h，则i用户为非经高铁站AB上下车的高速列车乘客。
(七)循环判断每个用户是否为经高铁站AB上下车的高铁列车乘客，结果输出经高铁站AB上下车的高速列车乘客的msid表。
所述乘坐高铁的用户常住地识别，具体步骤为：
(一)在停留表中选出经高铁站AB上下车的高速列车乘客的所有数据
(二)依次计算某一用户某天当晚居住地：设定晚上时间为当天20点至第二天早上6、点，取20:00至6:00数据，计算停留时间最长的数据记录，若该位置停留时间超过2小时，则认为该位置为当晚居住地。
(三)以出现频率计算用户常住地：以原始数据的所有天数的60％为有效天数，若用户超过有效天数的当晚居住地相同，则认为该位置为用户常住地。
算法三大步骤具体流程如图2、图3、图4所示。
技术方案涉及以下参数：
(一)语义参数
(1)“手机信令数据”可由“手机定位数据”等词替代。
(2)“高速列车”可由“高铁”、“动车”等词替代。
(3)“基站”可由“手机基站”、“通讯基站”等词替代。
(4)“高铁站”可由“高速铁路车站”等词替代。
(5)“常住地”可由夜间驻留地、夜间停留地、家等词替代。
(二)数值参数
(1)删除反常记录中删除每日条数为40000条以上的用户信令记录。其中“40000”可调整为其他合适数值，“40000”适合现有2G,3G,4G的通讯技术下手机信令数据。
(2)短距离合并步骤中，计算同一用户上下相邻两条信令记录的距离差，若两者距离小于米，则跳过第二条记录。其中“米”可以调整为其他合适数值，“米”适用与现有手机基站分布及高铁站建设规模。
(3)短距离合并步骤中，经过去重步骤后的上下相邻两条记录时间差应该小于60分钟。其中“60分钟”可调整为其他合适数值，“60分钟”适用于现有2G,3G,4G的通讯技术下手机信令数据。
(4)短距离合并步骤中，判断夜晚开关机时间在晚上20点到第二天早上8点之间。其中“晚上20点到第二天早上8点”可调整为其他合适的夜间休息时间段。
(5)判断乘坐高速列车乘客步骤中，高铁站范围取半径米。其中“米”可以调整为其他合适数值。“米”适用与现有高铁站建设规模。
(6)判断乘坐高速列车乘客步骤中，取某一用户两个高铁站之间数据子表，取含第一个高铁站标签的第一条记录之前半小时的记录和含有第二个高铁站标签的最后一条记录之后半小时的记录之间的数据子表。其中“半小时”可以调整为其他合适时间阈值。
(7)判断乘坐高速列车乘客步骤中，判断用户是否为经高铁站AB上下车的潜在乘客时，速度阈值为100km/h。其中100km/h可调整为其他合适数值。
(8)判断乘坐高速列车乘客步骤中，平均速度以200km/h为判断阈值。其中“200”可调整为其他合适数值。“200”适用于现状高速列车运行速度。
(9)居住地判断步骤中，设定晚上时间为当天20点至第二天早上6点。其中“当天20点至第二天早上6点”可调整为其他合适的夜间休息时间段。
(10)常住识别“60％”的重复率可调整为60％-100％之间的其他合适的数值。
本发明有以下3个关键技术点：
(1)从手机数据原始数据计算可用于多种计算用途的停留表的技术。该技术能有效减小计算数据量，减小数据冗余，提取用户有效位置信息，同时消除手机在邻近基站漂移对停留位置计算的影响，是判断用户高速列车出行方式、识别常住地的基础技术工作。
(2)高速列车乘客判断技术。该技术使用手机信令数据及公开的高铁站位置和高铁站之间里程数据，根据高速列车运行特征和手机与通信基站连接规律，和用户在高铁站之间运动时间识别特定站点之间乘坐高速列车行为，不需要用户其他信息，也不需要其他空间单元辅助。同时可根据需求，识别特定高铁站之间和特定时间内某趟或某几趟高速列车乘客。
(3)居住活动识别步骤中常住地的识别技术。该技术根据用户夜间累积最大停留时间为当日居住地并依据出现频率识别手机用户的常住地，方法简单易操作。
Claims (5)
1.一种从手机信令数据中提取高速列车乘客常住地的方法，其特征在于，该方法包括：
将手机信令原始数据排序、删除异常数据及去重后，合并短距离记录，计算不同位置停留时间得到停留表；在停留表基础上根据各用户子表及高铁站范围内基站判断和计算用户经过高铁站时间，结合高铁站之间距离，计算用户在高铁站之间平均速度，依据速度判断是否为高速列车乘客；在停留表基础上取高速列车乘客数据，计算乘客每晚居住地，根据当晚居住地出现频率识别用户常住地。
2.根据权利要求1所述从手机信令数据中提取高速列车乘客常住地的方法，其特征在于，
方法总流程
(一)数据清洗
①将原始数据按用户msid和时间排序后并删除异常数据；
②根据每个用户删除重复记录；
③根据基站变更规律特征，合并短距离漂移记录；
④计算每个用户在所经过的基站停留时段，得到停留表；
(二)判断乘坐高速列车乘客
①选出高铁站A、B范围内基站及计算两高铁站之间距离；
②在停留表中提取单个用户的数据子表，并为每行数据打上是否位于高铁站范围内的标签；
③依据标签判断经过高铁站A、B的用户，并提取该用户在两个高铁站中，前一高铁站停留的之前半小时及后一高铁站停留的之后半小时之间的记录；
④计算该用户在高铁站A之前和高铁站B之后的速度，判断该用户是否为经高铁站A、B上下车的潜在乘客；
⑤依据高铁站A、B标签的数据计算经过两高铁站之间的时间，依据高铁站之间距离判断该用户在两高铁站之间平均速度；
⑥依据平均速度判断是否为乘坐高速列车乘客；
(三)识别高速列车乘客居住地
①在步骤(一)得到的停留表中提取步骤(二)确定的高速列车乘客的用户的所有数据；
②计算某一用户每天夜间时段最长停留位置为当晚居住地；
③将高频识别为当晚居住地的地点作为用户居住地。
3.根据权利要求2所述从手机信令数据中提取高速列车乘客常住地的方法，其特征在于：所述数据清洗，其具体步骤为：
(1)排序
将原始数据按照用户分组，按信令时间排序；
(2)删除反常数据
依据数据记录规律和用户使用规律，删除每日条数在40000条以上的用户信令记录；每日40000条即每2秒一条信令记录，与正常人使用行为特征不符合；
(3)去重
按时间顺序依次计算每个用户在单一位置(基站)连续出现的信令记录条数，若连续出现条数大于等于3条，则按①只保留首尾信令记录和②不删除信令类型为开关机记录的原则，删除连续时间内重复的信令记录；
(4)短距离合并及停留表计算
由于存在手机随机连接在一定范围内基站的现象，会影响停留时长计算结果，需要删除因漂移变更连接基站的记录；规则为：计算同一用户上下相邻两条信令记录的距离差，若两者距离小于米，则跳过第二条记录，继续计算下一条记录与第一条记录的距离差，直到距离差大于等于米，则认为用户位置发生了移动，记录用户在该停留点停留的起始和离开时间，添加到停留表；后重新计算下一个有效位置，循环至所有数据结束；
经过去重步骤后的上下相邻两条记录时间差应该小于60分钟，若下一条数据与前一条数据之间时间差大于60分钟，则认为存在用户关机、用户离开运营商服务范围、数据丢失等问题，则直接判断为超时，上一条记录作为上一有效位置的结束，下一条记录作为新的有效位置起始；
针对部分用户晚间开关机情况，若满足①时间在晚上20点到第二天早上8点②前后两条记录刚好对应信令类型为关机和开机③两条记录位于同一有效位置(距离差小于米，则认为用户夜间未发生移动，同时留下关机和开机两个有效位置点。
4.根据权利要求2所述从手机信令数据中提取高速列车乘客常住地的方法，其特征在于：所述判断乘坐高速列车乘客，具体步骤为：
(一)对于两个高铁站A和B，以高铁站中心为圆心，取半径米，找出高铁站范围内的所有基站，并以高铁站对应唯一编号为这些基站打上高铁站标签；同时，依据公开高铁运行图，查询得到高铁站A和B之间的高铁线路距离dAB(单位：千米)；
(二)在停留表中取某一用户i的所有数据子表tbl(i)，判断在给定时间段内，每条记录的位置是否在高铁站A或B的范围内，如果是，在表末列添加高铁站唯一编号标签，如果否，添加“0”标签；
(三)若用户i子表tbl(i)无高铁站A和B标签，则i用户为非高速列车乘客，若只包含高铁站A或B标签，则i用户为非高速列车乘客；若同时包含高铁站A和B标签，则抽取含高铁站A标签的第一条记录之前半小时的记录和含有高铁站B标签的最后一条记录之后半小时的记录之间的数据子表tbl(i_ab)；
(四)计算表tbl(i_ab)第一条记录与含高铁站A标签的第一条记录之间基站位置直线距离dbefore(单位：千米)和两记录之间的时间差tbefore(单位：分)，以及表tbl(i_ab)最后一条含高铁站B的记录与整个表最后一条记录之间基站位置直线距离dafter(单位：千米)和两记录之间的时间差tafter(单位：分)，计算得到i用户在进入高铁站A之前半小时的平均速度Vbefore(单位：千米/小时)及离开B后半小时的平均速度Vafter(单位：千米/小时)；若Vbefore和Vafter均小于100千米/小时，则i用户为经高铁站AB上下车的潜在乘客，则在表tbl(i_ab)提取含高铁站A和B标签的记录为新表tbl(i_ab_net)，如下表，继续下一步判断是否为经高铁站AB上下车的乘客；若Vbefore和Vafter非均小于100千米/小时，则i用户不是经高铁站AB上下车乘客；
(五)提取i用户含高铁站A标签的最后一行记录时间为上车时刻，含高铁站B标签的第一行记录时间为下车时刻，同时计算tbl(i_ab_net)中A标签数据中最后一行数据及B标签数据中第一行数据之间的时间差tAB(单位：分)，与AB两站之间距离dAB计算得到平均速度Vavg(单位：千米/小时)；
(六)若Vavg≥200km/h，则i用户为经高铁站AB上下车的高速列车乘客；若Vavg<200km/h，则i用户为非经高铁站AB上下车的高速列车乘客；
(七)循环判断每个用户是否为经高铁站AB上下车的高铁列车乘客，结果输出经高铁站AB上下车的高速列车乘客的msid表。
5.根据权利要求2所述从手机信令数据中提取高速列车乘客常住地的方法，其特征在于：
所述乘坐高铁的用户常住地识别，具体步骤为：
在停留表中选出经高铁站AB上下车的高速列车乘客的所有数据；
依次计算某一用户某天当晚居住地：设定晚上时间为当天20点至第二天早上6点，取20:00至6:00数据，计算停留时间最长的数据记录，若该位置停留时间超过2小时，则认为该位置为当晚居住地；
以出现频率计算用户常住地：以原始数据的所有天数的60％为有效天数，若用户超过有效天数的当晚居住地相同，则认为该位置为用户常住地。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811086908.3A CN109376207B (zh) | 2018-09-18 | 2018-09-18 | 从手机信令数据中提取高速列车乘客常住地的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811086908.3A CN109376207B (zh) | 2018-09-18 | 2018-09-18 | 从手机信令数据中提取高速列车乘客常住地的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109376207A true CN109376207A (zh) | 2019-02-22 |
| CN109376207B CN109376207B (zh) | 2022-01-11 |
Family
ID=65405518
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811086908.3A Active CN109376207B (zh) | 2018-09-18 | 2018-09-18 | 从手机信令数据中提取高速列车乘客常住地的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109376207B (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110113718A (zh) * | 2019-05-31 | 2019-08-09 | 南京瑞栖智能交通技术产业研究院有限公司 | 一种基于手机信令数据的铁路交通枢纽人口类型识别方法 |
| CN110377687A (zh) * | 2019-07-26 | 2019-10-25 | 智慧足迹数据科技有限公司 | 用户出行方式判别方法、装置和服务器 |
| CN110418287A (zh) * | 2019-07-12 | 2019-11-05 | 重庆市交通规划研究院 | 基于手机信令的人口居住地迁徙识别方法 |
| CN110471938A (zh) * | 2019-06-28 | 2019-11-19 | 安徽四创电子股份有限公司 | 一种面向海量轨迹数据的流式处理与实时检索的方法 |
| CN110909799A (zh) * | 2019-11-26 | 2020-03-24 | 杭州三汇数字信息技术有限公司 | 一种乘车信息映射关系获取方法 |
| CN111476409A (zh) * | 2020-03-30 | 2020-07-31 | 海南太美航空股份有限公司 | 一种新航线开通的预测方法、系统及设备 |
| CN112333689A (zh) * | 2020-11-24 | 2021-02-05 | 智慧足迹数据科技有限公司 | 广域高铁基站识别方法、装置、服务器及存储介质 |
| CN112533159A (zh) * | 2019-09-19 | 2021-03-19 | 中移(苏州)软件技术有限公司 | 信令数据压缩方法、装置以及存储介质 |
| CN112711576A (zh) * | 2020-12-11 | 2021-04-27 | 上海城市交通设计院有限公司 | 一种识别手机信令数据高铁、飞机城际出行方式的方法 |
| CN113194152A (zh) * | 2021-05-18 | 2021-07-30 | 同济大学 | 一种基于手机信令数据的低活动强度建设用地识别方法 |
| CN113573263A (zh) * | 2021-07-22 | 2021-10-29 | 智慧足迹数据科技有限公司 | 基于信令数据确定出行时间的方法及相关装置 |
| CN113870574A (zh) * | 2021-09-17 | 2021-12-31 | 南京熊猫电子股份有限公司 | 一种自动检测客车违章载客预警的系统和方法 |
| CN113973282A (zh) * | 2020-07-24 | 2022-01-25 | 华为技术有限公司 | 用户终端模式控制方法及装置、终端 |
| CN114979995A (zh) * | 2022-05-23 | 2022-08-30 | 智慧足迹数据科技有限公司 | 手机信令数据精简方法、装置、电子设备及存储介质 |
| CN115334453A (zh) * | 2022-10-17 | 2022-11-11 | 西南交通大学 | 一种高铁站区人群数据处理与识别方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102821408A (zh) * | 2012-08-16 | 2012-12-12 | 北京拓明科技有限公司 | 基于A口和Abis口信令数据的高速铁路场景网络优化方法 |
| CN106658394A (zh) * | 2015-11-04 | 2017-05-10 | 中国移动通信集团公司 | 高铁用户分离方法及装置 |
| CN108198416A (zh) * | 2017-12-28 | 2018-06-22 | 金交恒通有限公司 | 一种手机信令与路网大数据的融合方法及其应用与系统 |
-
2018
- 2018-09-18 CN CN201811086908.3A patent/CN109376207B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102821408A (zh) * | 2012-08-16 | 2012-12-12 | 北京拓明科技有限公司 | 基于A口和Abis口信令数据的高速铁路场景网络优化方法 |
| CN106658394A (zh) * | 2015-11-04 | 2017-05-10 | 中国移动通信集团公司 | 高铁用户分离方法及装置 |
| CN108198416A (zh) * | 2017-12-28 | 2018-06-22 | 金交恒通有限公司 | 一种手机信令与路网大数据的融合方法及其应用与系统 |
Non-Patent Citations (1)
| Title |
|---|
| 程志华: "基于手机信令数据的旅游交通客流特征分析_以乌鲁木齐市为例", 《运输经理世界》 * |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110113718A (zh) * | 2019-05-31 | 2019-08-09 | 南京瑞栖智能交通技术产业研究院有限公司 | 一种基于手机信令数据的铁路交通枢纽人口类型识别方法 |
| CN110471938A (zh) * | 2019-06-28 | 2019-11-19 | 安徽四创电子股份有限公司 | 一种面向海量轨迹数据的流式处理与实时检索的方法 |
| CN110418287A (zh) * | 2019-07-12 | 2019-11-05 | 重庆市交通规划研究院 | 基于手机信令的人口居住地迁徙识别方法 |
| CN110377687A (zh) * | 2019-07-26 | 2019-10-25 | 智慧足迹数据科技有限公司 | 用户出行方式判别方法、装置和服务器 |
| CN112533159A (zh) * | 2019-09-19 | 2021-03-19 | 中移(苏州)软件技术有限公司 | 信令数据压缩方法、装置以及存储介质 |
| CN112533159B (zh) * | 2019-09-19 | 2022-08-19 | 中移(苏州)软件技术有限公司 | 信令数据压缩方法、装置以及存储介质 |
| CN110909799A (zh) * | 2019-11-26 | 2020-03-24 | 杭州三汇数字信息技术有限公司 | 一种乘车信息映射关系获取方法 |
| CN111476409A (zh) * | 2020-03-30 | 2020-07-31 | 海南太美航空股份有限公司 | 一种新航线开通的预测方法、系统及设备 |
| CN113973282A (zh) * | 2020-07-24 | 2022-01-25 | 华为技术有限公司 | 用户终端模式控制方法及装置、终端 |
| CN112333689B (zh) * | 2020-11-24 | 2021-08-31 | 智慧足迹数据科技有限公司 | 广域高铁基站识别方法、装置、服务器及存储介质 |
| CN112333689A (zh) * | 2020-11-24 | 2021-02-05 | 智慧足迹数据科技有限公司 | 广域高铁基站识别方法、装置、服务器及存储介质 |
| CN112711576A (zh) * | 2020-12-11 | 2021-04-27 | 上海城市交通设计院有限公司 | 一种识别手机信令数据高铁、飞机城际出行方式的方法 |
| CN112711576B (zh) * | 2020-12-11 | 2023-03-10 | 上海城市交通设计院有限公司 | 一种识别手机信令数据高铁、飞机城际出行方式的方法 |
| CN113194152A (zh) * | 2021-05-18 | 2021-07-30 | 同济大学 | 一种基于手机信令数据的低活动强度建设用地识别方法 |
| CN113573263A (zh) * | 2021-07-22 | 2021-10-29 | 智慧足迹数据科技有限公司 | 基于信令数据确定出行时间的方法及相关装置 |
| CN113573263B (zh) * | 2021-07-22 | 2022-04-15 | 智慧足迹数据科技有限公司 | 基于信令数据确定出行时间的方法及相关装置 |
| CN113870574A (zh) * | 2021-09-17 | 2021-12-31 | 南京熊猫电子股份有限公司 | 一种自动检测客车违章载客预警的系统和方法 |
| CN113870574B (zh) * | 2021-09-17 | 2022-09-02 | 南京熊猫电子股份有限公司 | 一种自动检测客车违章载客预警的系统和方法 |
| CN114979995A (zh) * | 2022-05-23 | 2022-08-30 | 智慧足迹数据科技有限公司 | 手机信令数据精简方法、装置、电子设备及存储介质 |
| CN115334453A (zh) * | 2022-10-17 | 2022-11-11 | 西南交通大学 | 一种高铁站区人群数据处理与识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109376207B (zh) | 2022-01-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109376207A (zh) | 从手机信令数据中提取高速列车乘客常住地的方法 | |
| CN110113718A (zh) | 一种基于手机信令数据的铁路交通枢纽人口类型识别方法 | |
| CN111653099B (zh) | 基于手机信令数据的公交客流od获取方法 | |
| CN108055645A (zh) | 一种基于手机信令数据的路径识别方法及系统 | |
| CN104766473A (zh) | 基于多模式公交数据匹配的公共交通出行特征提取方法 | |
| CN107240289A (zh) | 一种公交车线路优化管理方法及系统 | |
| CN111091720A (zh) | 基于信令数据和浮动车数据的拥堵路段识别方法及装置 | |
| WO2023123616A1 (zh) | 一种快速路车辆od位置提取方法及系统 | |
| CN109729518B (zh) | 基于手机信令的城市交通早高峰拥堵源头识别方法 | |
| CN104361746B (zh) | 一种高速公路智能交通路况监控方法 | |
| CN110460962A (zh) | 轨道交通用户识别方法和装置 | |
| CN107886189B (zh) | 一种基于地铁刷卡数据进行路径旅行时间推断的方法 | |
| CN109121094A (zh) | 伪码信令数据预处理与出行链识别方法 | |
| CN116233757A (zh) | 一种基于手机信令数据的居民出行碳排放量计算方法 | |
| Li et al. | Passenger travel behavior in public transport corridor after the operation of urban rail transit: a random forest algorithm approach | |
| Song et al. | Public transportation service evaluations utilizing seoul transportation card data | |
| CN106781467B (zh) | 一种基于协同过滤的公交乘客刷卡站点信息提取方法 | |
| CN106157601B (zh) | 一种基于移动通信数据的公交客流需求的调查方法 | |
| CN115967950B (zh) | 基于手机数据的特征与时序双驱动城际出行模式辨识方法 | |
| Ren et al. | Extracting potential bus lines of Customized City Bus Service based on public transport big data | |
| CN115829147B (zh) | 一种基于机器仿真的快慢车时刻表变化下客流od修正方法及应用 | |
| CN112866934B (zh) | 地铁用户识别方法与系统 | |
| JP2016037079A (ja) | 乗車列車同定装置、鉄道利用データ収集システム、乗車列車同定方法及びプログラム | |
| CN115545336A (zh) | 轨道交通行程微调系统及方法 | |
| CN102761908B (zh) | 车辆通信系统及方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |