CN109688532B - 一种划分城市功能区域的方法及装置 - Google Patents

Abstract

本发明公开一种划分城市功能区域的方法及装置，应用于大数据分析领域；用以解决现有技术中存在城市功能区域划分不准确并且效率低的问题，该方法为：基于各个基站的基站配置信息将设定区域划分为若干基础小区，获得每一个用户终端基于基础小区中驻留点的移动模式，并将用户终端的数量最大的第一移动模式的功能类型作为任一基础小区的功能类型，在设定区域中，具有相同功能类型且间隔距离小于设定距离阈值的基础小区合并为一个功能区域，这样，通过采集预设时间粒度中用户终端的定位数据，可以获得大多数人群的出行规律，进而提高城市功能区域划分的准确性和城市功能区域的划分的效率。

Description

一种划分城市功能区域的方法及装置

技术领域

本发明涉及大数据领域，特别涉及一种划分城市功能区域的方法及装置。

背景技术

随着城市化进程的不断发展，城市的功能分布更具多元化和复杂化，而传统的城市功能区域划分是通过调查问卷的方式获得各种指标，根据各种指标将城市划分为不同的功能区。

在大数据背景下，运营商是移动数据的生产者和传送者，具备海量、丰富、全面的数据资源，现有技术中，基于运营商的数据资源划分城市功能区域，具体采用以下两种方式：

方式一、首先根据交通路网信息，将城市划分为若干区域，然后，基于出租车轨迹数据和兴趣点(Point of Interest，POI)数据，确定每个区域的功能，最后获得城市功能区域的分布情况。但是，出租车轨迹数据仅反映少数人的出行方式，根据少数人的出行规律划分的城市功能区不具备代表性，使城市功能区域划分不准确，因此也不能为城市规划提供参考价值。

方式二、通过对手机数据对应的基站位置信息与道路进行匹配，建立交通语义分类并对手机信令特征进行提炼，然后通过对手机基站特征进行聚类分析，实现了利用手机信令数据对城市进行交通小区的划分。但是，手机信令具有大量的特征，并且大部分特征都是无效特征，因此需要处理大量的手机信令数据，耗时耗力并且效率低下，已经不能满足如今高速的城市化发展进程。

发明内容

本发明实施例提供一种划分城市功能区域的方法及装置，用以解决现有技术中存在城市功能区域划分不准确并且效率低的问题。

本发明实施例提供的具体技术方案如下：

一种划分城市功能区域的方法，包括：

基于各个基站的基站配置信息将设定区域划分为若干基础小区；

确定任一基础小区中每一个用户终端在预设时间粒度中的驻留点，并获得所述每一个用户终端基于驻留点的移动模式，并根据每种移动模式所对应的用户终端的数量，确定所述用户终端的数量最大的第一移动模式；

将所述第一移动模式对应的功能类型作为所述任一基础小区的功能类型；

将所述设定区域中，具有相同功能类型且间隔距离小于设定距离阈值的所述基础小区合并为一个功能区域。

可选的，基于各个基站的基站配置信息将设定区域划分为若干基础小区，包括：

将所述基站配置信息进行数值化处理，获得若干基站配置数据；其中，所述基站配置信息包括基站经纬度信息、以及基站覆盖场景信息；

将所述基站配置数据作为输入参量，采用DBSCAN聚类算法对所述基站进行聚类处理，获得若干基站点集；

采用泰森多边形法划分出每一个所述基站点集的地理边界；

通过所述地理边界划分所述设定区域，获得若干基础小区。

可选的，则所述获得所述每一个用户终端基于驻留点的移动模式包括：

计算所述一个用户终端在当前时刻的定位点与上一时刻的定位点之间的距离；

若所述距离小于预设的距离阈值，则当前时刻所述一个用户终端处于驻留状态；

若所述距离大于等于预设的距离阈值，则当前时刻所述一个用户终端处于移动状态。

可选的，确定任一基础小区中每一个用户终端在预设时间粒度中的驻留点，包括：

获取所述用户终端在所述定位点上的经度和纬度、以及所述用户终端当前定位点所对应的时刻；

计算所述每一个用户终端在所述驻留状态的定位点上的持续驻留时长；

采用聚类算法对所述持续驻留时长大于预设时间阈值的定位点进行聚类处理，获得所述任一基础小区中的至少一个驻留点。

可选的，所述获得所述每一个用户终端基于驻留点的移动模式包括：

若任一用户终端到达所述驻留点，则所述任一用户终端对应的移动模式为到达模式；

若所述任一用户终端离开所述驻留点，则所述任一用户终端对应的移动模式为离开模式。

可选的，将所述第一移动模式对应的功能类型作为所述任一基础小区的功能类型，包括：

确定预设时间粒度中所述第一移动模式对应的POI信息点数据，所述POI信息点数据包括所述第一移动模式对应的驻留点的经度、纬度，所述时间段，以及所述第一移动模式对应用户终端的数量；

将所述第一移动模式的POI信息点数据作为输入参量，采用狄利克雷多项式回归模型计算所述第一移动模式对应各个预设功能类型的概率；

选取概率最大的所述预设功能类型作为所述一个基础小区的功能类型。

本发明实施例还提供一种划分城市功能区域的电子设备，包括：

划分模块，基于各个基站的基站配置信息将设定区域划分为若干基础小区；

处理模块，确定任一基础小区中每一个用户终端在预设时间粒度中的驻留点，并获得所述每一个用户终端基于驻留点的移动模式，并根据每种移动模式所对应的用户终端的数量，确定所述用户终端的数量最大的第一移动模式；

类型标注模块，将所述第一移动模式对应的功能类型作为所述任一基础小区的功能类型；

合并模块，将所述设定区域中，具有相同功能类型且间隔距离小于设定距离阈值的所述基础小区合并为一个功能区域。

可选的，所述划分模块基于各个基站的基站配置信息将设定区域划分为若干基础小区，具体用于将所述基站配置信息进行数值化处理，获得若干基站配置数据；其中，所述基站配置信息包括基站经纬度信息、以及基站覆盖场景信息；

将所述基站配置数据作为输入参量，采用DBSCAN聚类算法对所述基站进行聚类处理，获得若干基站点集；

采用泰森多边形法划分出每一个所述基站点集的地理边界；

通过所述地理边界划分所述设定区域，获得若干基础小区。

可选的，所述处理模块在获得所述每一个用户终端基于驻留点的移动模式具体用于计算所述一个用户终端在当前时刻的定位点与上一时刻的定位点之间的距离；

若所述距离小于预设的距离阈值，则当前时刻所述一个用户终端处于驻留状态；

若所述距离大于等于预设的距离阈值，则当前时刻所述一个用户终端处于移动状态。

可选的，所述处理模块，确定任一基础小区中每一个用户终端在预设时间粒度中的驻留点，具体用于获取所述用户终端在所述定位点上的经度和纬度、以及所述用户终端当前定位点所对应的时刻；

计算所述每一个用户终端在所述驻留状态的定位点上的持续驻留时长；

采用聚类算法对所述持续驻留时长大于预设时间阈值的定位点进行聚类处理，获得所述任一基础小区中的至少一个驻留点。

可选的，所述处理模块，获得所述每一个用户终端基于驻留点的移动模式具体用于若任一用户终端到达所述驻留点，则所述任一用户终端对应的移动模式为到达模式；

若所述任一用户终端离开所述驻留点，则所述任一用户终端对应的移动模式为离开模式。

可选的，所述类型标注模块，将所述第一移动模式对应的功能类型作为所述任一基础小区的功能类型，具体用于确定预设时间粒度中所述第一移动模式对应的POI信息点数据，所述POI信息点数据包括所述第一移动模式对应的驻留点的经度、纬度，所述时间段，以及所述第一移动模式对应用户终端的数量；

将所述第一移动模式的POI信息点数据作为输入参量，采用狄利克雷多项式回归模型计算所述第一移动模式对应各个预设功能类型的概率；

选取概率最大的所述预设功能类型作为所述一个基础小区的功能类型。

本发明有益效果如下：

综上所述，本发明实施例中，基于各个基站的基站配置信息将设定区域划分为若干基础小区，获得每一个用户终端基于基础小区中驻留点的移动模式，并根据每种移动模式所对应的用户终端的数量，将用户终端的数量最大的第一移动模式的功能类型作为任一基础小区的功能类型，在设定区域中，具有相同功能类型且间隔距离小于设定距离阈值的基础小区合并为一个功能区域，这样，通过获取每一个用户终端基于基础小区中驻留点的移动模式，基于用户终端可以获得大多数人群的出行规律，进而提高城市功能区域划分的准确性，另一方面，通过采集预设时间粒度中用户终端的定位数据，减少了其它多余的手机信令数据，进而降低了服务器的占用资源，提高了城市划分的效率。

附图说明

图1为本发明实施例中城市功能区域划分的方法流程示意图；

图2为本发明实施例中城市功能区域划分的电子设备结构示意图。

具体实施方式

为了提高城市功能区域划分的准确率和效率，本发明实施例中，基于各个基站的基站配置信息将设定区域划分为若干基础小区，确定任一基础小区中每一个用户终端在预设时间粒度中的驻留点，并获得每一个用户终端基于驻留点的移动模式，根据每种移动模式所对应的用户终端的数量，确定用户终端的数量最大的第一移动模式，将第一移动模式对应的功能类型作为任一基础小区的功能类型，将具有相同功能类型且间隔距离小于设定阈值的基础小区合并为一个功能区域。

下面结合附图对本发明优选的实施方式进行详细说明。

具体的，参阅图1所示，本发明实施例中，电子设备在进行城市功能区域的划分时，具体的划分流程如下：

步骤100：电子设备选取若干基站获取相应的基站配置信息，其中，选取的每一个基站都能获取有效的基站配置信息。

具体的，在设定的区域中，删除室内基站和退网状态的基站，筛选出若干能获取有效基站配置信息的基站，并获取若干基站中的每一个基站的基站配置信息，针对基站配置信息不完整的基站，可以根据该基站周围的其它基站的基站配置信息，推测出该基站缺失的基站配置信息。

例如，以基站x和基站y为例，若基站x为室内基站或者退网状态的基站，则不能获取基站x的基站配置信息，而基站y为室外基站且联网状态良好，则可以获取基站y的基站配置信息，假设获取的基站y的基站配置信息并不完整，缺失了基站y的经纬度信息，则可以根据基站y周围的其它基站的经纬度，推测出基站y的经纬度。

步骤101：电子设备基于各个基站的基站配置信息将设定区域划分为若干基础小区。

具体的，在一个实施例中，首先，预设若干功能类型，并预设每一种功能类型与数字之间的对应关系，其中，功能类型的数量和类型可以根据经验设定，在此不作限定。

例如，在一个实施例中，可以预设5个功能类型，分别为工业区、居民区、商业区、教育区和其它，并且预设功能类型中工业区对应数字0、居民区对应数字1、商业区对应数字2、教育区对应数字3和其它对应数字4。

其次，将各个基站的基站配置信息进行数值化处理，获得若干基站配置数据，其中，基站配置信息包括基站经纬度信息、以及基站覆盖场景信息，基站覆盖场景信息指基站覆盖区域的功能类型。

具体的，在基站配置信息的数值化处理过程中，分别针对每一个基站配置信息执行以下操作：

1)将基站配置信息中的经纬度数值化，并根据预设的功能类型与数字之间的对应关系，将基站配置信息中的基站覆盖场景信息数值化。

例如，以基站x为例，假设基站x的经纬度为东经104°53′，北纬30°05′，将经纬度数值化后获得数值104.88和30.08，假设基站x的基站覆盖场景信息为居民区，预设的居民区对应数字1，则基站覆盖场景信息数值化后获得数值1。

2)采用标准化公式对基站配置信息中的经度、纬度、覆盖场景信息进行归一化处理，获得若干基站配置数据，可选的，在一个实施例中，标准化公式如下：

其中，x_i为数值化后的经度、纬度或者基站覆盖场景信息，i为第i个经度、纬度或者基站覆盖场景信息，

为与x_i对应的经度的平均值、纬度的平均值或者基站场景覆盖类型的平均值，s为与x_i对应的经度的方差、纬度的方差或者基站场景覆盖类型的方差，n为基站配置信息的个数。

再次，电子设备将获得的基站配置数据作为输入参量，采用DBSCAN聚类算法对各个基站进行聚类处理，获得若干基站点集。

例如，通过DBSCAN聚类算法，可以将经纬度在一定数值范围内且功能类型相同的各个基站聚类，生成若干个基站点集，假设在设定区域中，通过聚类算法获得100个基站点集。

最后，电子设备采用泰森多边形法划分出每一个基站点集的地理边界，通过地理边界划分设定区域，获得若干基础小区

例如，将上述100个基站点集作为100个离散点，围绕每个离散点可以划分出100个泰森多边形，根据城市路网数据调整泰森多边形的边界，获得围绕每一个基站点集的地理边界，根据地理边界可以将设定区域划分为100个基础小区。

步骤102：电子设备确定任一基础小区中每一个用户终端在预设时间粒度中的驻留点。

可选的，预设一个时间粒度，作为获取用户终端的定位数据测量单位。

例如，在一个实施例中，预设时间粒度为6小时，则可以将每天的时间段分为0：00～6：00、6：00～12：00、12：00～18：00以及18：00～24：00，以每6小时为测量单位，统计不同时间段的定位数据。

下面以任意一个用户终端(以下称为用户终端x)为例，在确定用户终端x在预设时间粒度中的驻留点时，可以采用但不限于以下方式：

首先，在预设时间粒度中，每间隔一段时间采集任一基础小区中的用户终端x的定位数据，其中，定位数据包括用户终端x当前定位点的经纬度信息，以及用户终端x在当前定位点所对应的时刻信息。

例如，预设的时间粒度为6小时，在时间段为6：00～12：00的时间粒度中，每隔1小时采集一次用户终端x的定位数据，即可获得用户终端x在6：00～12：00之间的经纬度信息以及对应的时刻信息。

其次，基于采集的用户终端x的定位数据，计算用户终端x在当前时刻的定位点与上一时刻的定位点之间的距离D，可选的，在一个实施例中，距离计算可采用如下公式：

其中，R为地球半径，Lon为经度，Lat为纬度。

例如，将每一时刻采集的用户终端x的经纬度作为输入参量，根据上述距离公式计算出用户终端x分别在6：00～7：00、7：00～8：00、8：00～9：00、9：00～10：00、10：00～11：00、11：00～12：00时间段之间移动的距离为0千米、0.5千米、5千米、7千米、3千米、0.5千米。

再次，将用户终端x的定位点之间的距离与预设的距离阈值进行比较，获得用户终端x在不同定位点的状态。

可选的，预设一个距离阈值，用于确定用户终端是否处于驻留状态。

若用户终端x的定位点之间的距离小于预设的距离阈值，那么，当前时刻用户终端x处于驻留状态。

例如，预设的距离阈值为2千米，用户终端x在7：00～8：00移动的距离0.5千米小于预设的距离阈值2千米，则认为用户终端x在8：00时处于驻留状态，同样的，可以判断出用户终端x处于驻留状态的时刻分别是6：00、7：00、8：00、12：00。

若用户终端x的定位点之间的距离大于等于预设的距离阈值，那么，当前时刻用户终端x处于移动状态。

例如，预设的距离阈值为2千米，用户终端x在8：00～9：00移动的距离5千米大于预设的距离阈值2千米，则认为用户终端x在9：00时处于移动状态，同样的，可以判断出用户终端x处于移动状态的时刻分别是9：00、10：00、11：00。

最后，计算用户终端x处于驻留状态的持续驻留时长，获取持续驻留时长大于预设时间阈值的至少一个处于驻留状态的定位点。

可选的，预设一个时间阈值，用于确定用户终端对应的驻留点。

例如，预设的时间阈值为1.5小时，用户终端x在6：00～8：00处于驻留状态，持续驻留时长为2小时，大于预设的时间阈值1.5小时，则获取将用户终端x在6：00～8：00所处的定位点。

进一步地，在预设时间粒度中，将每一个用户终端的定位数据进行处理，获得了任一基础小区内每一个用户终端的若干个处于驻留状态的定位点，采用聚类算法对每一个用户终端处于驻留状态的定位点进行聚类处理，获得任一基础小区中至少一个驻留点。

例如，预设时间粒度为6小时，统计时间段6：00～12:00之间任一基础小区中每一个用户终端的处于驻留状态的定位点，通过聚类算法可以将一定距离范围内的定位点聚成一簇点集，将每一簇点集设置为一个基础小区的驻留点。

步骤103：电子设备获得每一个用户终端基于驻留点的移动模式，根据预设时间粒度中每种移动模式所对应的用户终端的数量，确定用户终端的数量最大的第一移动模式。

具体的，每一个用户终端的出行包括出发地和目的地，任一基础小区中的驻留点既可以是出发地，也可以是目的地，以任一驻留点(以下称为驻留点x)为例，采用以下方式获得每一个用户终端基于驻留点的移动模式：

若驻留点x为用户终端的出发地TM.rO，其他驻留点为用户终端的目的地TM.rD，在预设时间粒度中，获取每一个用户终端离开驻留点x的出发时间TM.tO，那么，用户终端离开驻留点x的移动模式为离开模式，表达式如下：

TM_L＝(TM.rO，TM.rD，TM.tO)

其中，TM.rO为出发地的经纬度信息，TM.rD为目的地的经纬度信息，TM.tO为出发时间。

若其他驻留点为用户终端的出发地TM.rO，驻留点x为用户终端的目的地TM.rD，在预设时间粒度中，获取每一个用户终端到达驻留点x的到达时间TM.tD，那么，用户终端到达驻留点x的移动模式为到达模式，表达式如下：

TM_A＝(TM.rO，TM.rD，TM.tD)

其中，TM.rO为出发地的经纬度信息，TM.rD为目的地的经纬度信息，TM.tO为到达时间。

进一步地，在预设时间粒度中，统计任一基础小区中每种移动模式所对应的用户终端的数量，确定用户终端的数量最大的第一移动模式。

首先，在预设时间粒度中，根据驻留点的经纬度信息TM.rO和TM.rD，确定出驻留点所处的基础小区，建立基础小区之间的出行立方体，若任一用户终端离开基础小区i到达基础小区j，则统计用户终端离开基础小区i的离开模式的数量，采用小区之间的出行立方体可将离开模式表示为：

C_L(i,j,k)＝‖(x,y,z)|x＝r_i,y＝r_j,z＝t_k‖

其中，r_i表示离开基础小区i的用户终端的数量，r_j表示到达基础小区j的用户终端的数量，t_k表示预设时间粒度。

另一方面，若任一用户终端离开基础小区i到达基础小区j，则统计用户终端到达基础小区j的到达模式的数量，采用小区之间的出行立方体可将到达模式表示为：

C_L(i,j,k)＝‖(x,y,z)|x＝r_i,y＝r_j,z＝t_k‖

根据离开模式和到达模式的出行立方体，可以获得每一个基础小区在预设时间粒度中用户终端离开模式的数量和到达模式的数量。

例如，预设时间粒度为6小时，统计时间段为6：00～12：00内用户终端在基础小区x中移动模式的数量，计算出离开基础小区x的用户终端数量为5000，到达基础小区x的用户终端数量为300。

其次，基于预设时间粒度中每种移动模式所对应的用户终端的数量，将用户终端数量最大的移动模式作为第一移动模式。

例如，仍以基础小区x为例，在预设时间粒度中，离开模式的用户终端的数量为5000，大于到达模式的用户终端的数量300，因此，选取离开模式作为基础小区x的第一移动模式。

步骤104：电子设备将第一移动模式对应的功能类型作为相应的基础小区的功能类型。

具体的，获取第一移动模式对应的信息点(Point of Interest，POI)数据，其中，POI信息点数据包括第一移动模式对应的基础小区的经度、纬度，以及第一移动模式对应的时间段和用户终端的数量。

例如，假设用户终端离开基础小区x的离开模式为第一移动模式，对应的时间段6：00～12：00，第一移动模式对应的用户终端的数量为5000，则获取的POI信息点数据包括：基础小区x的经度、纬度，时间段6：00～12：00，用户终端数量5000。

进一步地，将每一个基础小区对应的第一移动模式的POI信息点数据作为输入参量，采用狄利克雷多项式回归模型计算第一移动模式对应各个预设功能类型的概率，选取概率最大的预设功能类型作为相应的基础小区的功能类型。

例如，预设功能类型分别为居民区、工业区、商业区、教育区和其它，将基础小区x对应的第一移动模式的POI信息点数据作为输入参量，采用狄利克雷多项式回归模型计算出第一移动模式对应居民区的概率为0.9，对应工业区的概率为0.4、对应商业区的概率为0.7、对应教育区的概率为0.6和对应其它的概率为0.1，则选取概率最大的居民区作为基础小区x的功能类型。

步骤105：在设定区域中，电子设备将具有相同功能类型且间隔距离小于设定阈值的基础小区合并为一个功能区域。

具体的，设定阈值为10千米，将具有相同功能类型，且距离小于10千米的基础小区合并，获得一个功能区域。

例如，将功能类型都为居民区，且相邻距离小于5千米的若干基础小区合并为一个功能区域，该功能区域为居民区。

综上所述，参阅图2所示，本发明实施例中，一种划分城市功能区域的电子设备至少包括划分模块20，处理模块21，类型标注模块22以及合并模块23。

划分模块20，用于基于各个基站的基站配置信息将设定区域划分为若干基础小区；

处理模块21，用于确定任一基础小区中每一个用户终端在预设时间粒度中的驻留点，并获得所述每一个用户终端基于驻留点的移动模式，并根据每种移动模式所对应的用户终端的数量，确定所述用户终端的数量最大的第一移动模式；

类型标注模块22，用于将所述第一移动模式对应的功能类型作为所述任一基础小区的功能类型；

合并模块23，用于将所述设定区域中，具有相同功能类型且间隔距离小于设定距离阈值的所述基础小区合并为一个功能区域。

可选的，所述划分模块20基于各个基站的基站配置信息将设定区域划分为若干基础小区，具体用于将所述基站配置信息进行数值化处理，获得若干基站配置数据；其中，所述基站配置信息包括基站经纬度信息、以及基站覆盖场景信息；

将所述基站配置数据作为输入参量，采用DBSCAN聚类算法对所述基站进行聚类处理，获得若干基站点集；

采用泰森多边形法划分出每一个所述基站点集的地理边界；

通过所述地理边界划分所述设定区域，获得若干基础小区。

可选的，所述处理模块21在获得所述每一个用户终端基于驻留点的移动模式具体用于计算所述一个用户终端在当前时刻的定位点与上一时刻的定位点之间的距离；

若所述距离小于预设的距离阈值，则当前时刻所述一个用户终端处于驻留状态；

若所述距离大于等于预设的距离阈值，则当前时刻所述一个用户终端处于移动状态。

可选的，所述处理模块21，确定任一基础小区中每一个用户终端在预设时间粒度中的驻留点，具体用于获取所述用户终端在所述定位点上的经度和纬度、以及所述用户终端当前定位点所对应的时刻；

计算所述每一个用户终端在所述驻留状态的定位点上的持续驻留时长；

采用聚类算法对所述持续驻留时长大于预设时间阈值的定位点进行聚类处理，获得所述任一基础小区中的至少一个驻留点。

可选的，所述处理模块21，获得所述每一个用户终端基于驻留点的移动模式具体用于若任一用户终端到达所述驻留点，则所述任一用户终端对应的移动模式为到达模式；

若所述任一用户终端离开所述驻留点，则所述任一用户终端对应的移动模式为离开模式。

可选的，所述类型标注模块22，将所述第一移动模式对应的功能类型作为所述任一基础小区的功能类型，具体用于确定预设时间粒度中所述第一移动模式对应的POI信息点数据，所述POI信息点数据包括所述第一移动模式对应的驻留点的经度、纬度，所述时间段，以及所述第一移动模式对应用户终端的数量；

将所述第一移动模式的POI信息点数据作为输入参量，采用狄利克雷多项式回归模型计算所述第一移动模式对应各个预设功能类型的概率；

选取概率最大的所述预设功能类型作为所述一个基础小区的功能类型。

综上所述，本发明实施例中，基于各个基站的基站配置信息将设定区域划分为若干基础小区，获得每一个用户终端基于基础小区中驻留点的移动模式，并根据每种移动模式所对应的用户终端的数量，将用户终端的数量最大的第一移动模式的功能类型作为任一基础小区的功能类型，在设定区域中，具有相同功能类型且间隔距离小于设定距离阈值的基础小区合并为一个功能区域，这样，通过获取每一个用户终端基于基础小区中驻留点的移动模式，基于用户终端可以获得大多数人群的出行规律，进而提高城市功能区域划分的准确性，另一方面，通过采集预设时间粒度中用户终端的定位数据，减少了其它多余的手机信令数据，进而降低了服务器的占用资源，提高了城市划分的效率。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样，倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (12)

1.一种划分城市功能区域的方法，其特征在于，包括：

基于各个基站的基站配置信息将设定区域划分为若干基础小区；

确定任一基础小区中每一个用户终端在预设时间粒度中的驻留点，并获得所述每一个用户终端基于驻留点的移动模式，并根据每种移动模式所对应的用户终端的数量，确定所述用户终端的数量最大的第一移动模式；

基于预设时间粒度中所述第一移动模式对应的POI信息点数据，计算第一移动模式对应各个预设功能类型的概率，并选取相应的预设功能类型作为所述任一基础小区的功能类型；

将所述设定区域中，具有相同功能类型且间隔距离小于设定距离阈值的所述基础小区合并为一个功能区域。

2.如权利要求1所述的方法，其特征在于，基于各个基站的基站配置信息将设定区域划分为若干基础小区，包括：

将所述基站配置信息进行数值化处理，获得若干基站配置数据；其中，所述基站配置信息包括基站经纬度信息、以及基站覆盖场景信息；

将所述基站配置数据作为输入参量，采用DBSCAN聚类算法对所述基站进行聚类处理，获得若干基站点集；

采用泰森多边形法划分出每一个所述基站点集的地理边界；

通过所述地理边界划分所述设定区域，获得若干基础小区。

3.如权利要求1所述的方法，其特征在于，则所述获得所述每一个用户终端基于驻留点的移动模式包括：

计算所述一个用户终端在当前时刻的定位点与上一时刻的定位点之间的距离；

若所述距离小于预设的距离阈值，则当前时刻所述一个用户终端处于驻留状态；

若所述距离大于等于预设的距离阈值，则当前时刻所述一个用户终端处于移动状态。

4.如权利要求1所述的方法，其特征在于，确定任一基础小区中每一个用户终端在预设时间粒度中的驻留点，包括：

获取所述用户终端在当前定位点上的经度和纬度、以及所述用户终端当前定位点所对应的时刻；

计算所述每一个用户终端在所述驻留状态的定位点上的持续驻留时长；

采用聚类算法对所述持续驻留时长大于预设时间阈值的定位点进行聚类处理，获得所述任一基础小区中的至少一个驻留点。

5.如权利要求1所述的方法，其特征在于，所述获得所述每一个用户终端基于驻留点的移动模式包括：

若任一用户终端到达所述驻留点，则所述任一用户终端对应的移动模式为到达模式；

若所述任一用户终端离开所述驻留点，则所述任一用户终端对应的移动模式为离开模式。

6.如权利要求1所述的方法，其特征在于，基于预设时间粒度中所述第一移动模式对应的POI信息点数据，计算第一移动模式对应各个预设功能类型的概率，并选取相应的预设功能类型作为所述任一基础小区的功能类型，包括：

确定预设时间粒度中所述第一移动模式对应的POI信息点数据，所述POI信息点数据包括所述第一移动模式对应的驻留点的经度、纬度，所述时间段，以及所述第一移动模式对应用户终端的数量；

将所述第一移动模式的POI信息点数据作为输入参量，采用狄利克雷多项式回归模型计算所述第一移动模式对应各个预设功能类型的概率；

选取概率最大的所述预设功能类型作为所述一个基础小区的功能类型。

7.一种电子设备，其特征在于，包括：

划分模块，用于基于各个基站的基站配置信息将设定区域划分为若干基础小区；

处理模块，用于确定任一基础小区中每一个用户终端在预设时间粒度中的驻留点，并获得所述每一个用户终端基于驻留点的移动模式，并根据每种移动模式所对应的用户终端的数量，确定所述用户终端的数量最大的第一移动模式；

类型标注模块，用于基于预设时间粒度中所述第一移动模式对应的POI信息点数据，计算第一移动模式对应各个预设功能类型的概率，并选取相应的预设功能类型作为所述任一基础小区的功能类型；

合并模块，用于将所述设定区域中，具有相同功能类型且间隔距离小于设定距离阈值的所述基础小区合并为一个功能区域。

8.如权利要求7所述的电子设备，其特征在于，所述划分模块具体用于将所述基站配置信息进行数值化处理，获得若干基站配置数据；其中，所述基站配置信息包括基站经纬度信息、以及基站覆盖场景信息；

将所述基站配置数据作为输入参量，采用DBSCAN聚类算法对所述基站进行聚类处理，获得若干基站点集；

采用泰森多边形法划分出每一个所述基站点集的地理边界；

通过所述地理边界划分所述设定区域，获得若干基础小区。

9.如权利要求7所述的电子设备，其特征在于，所述处理模块具体用于计算所述一个用户终端在当前时刻的定位点与上一时刻的定位点之间的距离；

若所述距离小于预设的距离阈值，则确定当前时刻所述一个用户终端处于驻留状态；

若所述距离大于等于预设的距离阈值，则确定当前时刻所述一个用户终端处于移动状态。

10.如权利要求7所述的电子设备，其特征在于，所述处理模块具体用于获取所述用户终端在当前定位点上的经度和纬度、以及所述用户终端当前定位点所对应的时刻；

计算所述每一个用户终端在所述驻留状态的定位点上的持续驻留时长；

采用聚类算法对所述持续驻留时长大于预设时间阈值的定位点进行聚类处理，获得所述任一基础小区中的至少一个驻留点。

11.如权利要求7所述的电子设备，其特征在于，所述处理模块，获得所述每一个用户终端基于驻留点的移动模式具体用于若任一用户终端到达所述驻留点，则所述任一用户终端对应的移动模式为到达模式；

若所述任一用户终端离开所述驻留点，则所述任一用户终端对应的移动模式为离开模式。

12.如权利要求7所述的电子设备，其特征在于，所述类型标注模块具体用于确定预设时间粒度中所述第一移动模式对应的POI信息点数据，所述POI信息点数据包括所述第一移动模式对应的驻留点的经度、纬度，所述时间段，以及所述第一移动模式对应用户终端的数量；

将所述第一移动模式的POI信息点数据作为输入参量，采用狄利克雷多项式回归模型计算所述第一移动模式对应各个预设功能类型的概率；

选取概率最大的所述预设功能类型作为所述一个基础小区的功能类型。

Images