CN110113718A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN110113718A
CN110113718A CN201910467422.2A CN201910467422A CN110113718A CN 110113718 A CN110113718 A CN 110113718A CN 201910467422 A CN201910467422 A CN 201910467422A CN 110113718 A CN110113718 A CN 110113718A
Authority
CN
China
Prior art keywords
base station
residence time
track
time
population
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
Application number
CN201910467422.2A
Other languages
English (en)
Other versions
CN110113718B (zh
Inventor
张改
陆振波
万紫吟
张静芬
张念启
丁向燕
施玉芬
刘晓庆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Ruiqi Intelligent Transportation Technology Industry Research Institute Co Ltd
Original Assignee
Nanjing Ruiqi Intelligent Transportation Technology Industry Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Ruiqi Intelligent Transportation Technology Industry Research Institute Co Ltd filed Critical Nanjing Ruiqi Intelligent Transportation Technology Industry Research Institute Co Ltd
Priority to CN201910467422.2A priority Critical patent/CN110113718B/zh
Publication of CN110113718A publication Critical patent/CN110113718A/zh
Application granted granted Critical
Publication of CN110113718B publication Critical patent/CN110113718B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本发明提供了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，针对特定城市枢纽如高铁站、火车站等，基于枢纽站的地理信息与运营商基站服务范围的关系，获得目标枢纽基站，利用手机信令数据的时空信息得到占用枢纽基站的用户出行轨迹，根据各类人口在时空中表现出的不同特性，通过出行轨迹链中各停留点与枢纽基站的逻辑关系，进而识别判断不同人口的类型，为枢纽交通的进一步分析与规划提供定性与定量的基础，同时利用手机大数据的样本量大、覆盖面广以及获得方式成熟稳定且成本较低等特性，增加结果准确性的同时降低过程的成本，提高研究效率。

Description

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
技术领域
本发明属于智能交通技术领域，特别涉及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。
背景技术
随着经济的增长和城市间人口流动的增加，城市客运枢纽相关的交通压力与日俱增，尤其是节假日期间，枢纽交通的压力更是达到顶峰，因此通过对城市枢纽的客流量以及人口分布的分析对枢纽交通有效地进行控制、管理及规划十分重要。传统的获取铁路枢纽站出发人口及到达人口只能从铁路运输部门获取，但也仅限于获取出发总人口及到达总人口，而无法追踪这些人在市域内的活动信息。虽然通过调查可获取小样本数据，所获得的数据和现象均存在时空上的偶然性。随着大数据技术的演进，对枢纽人口类型进行大样本长期分析成为可能。
铁路出发人口和到达人口因出行目的的不同，选择的出行方式以及对道路资源的占用都有所区别，而不同城市在不同的时间段出发人口与到达人口的比例也会有所差异，因而对枢纽人口类型的识别与判断可以有效地为枢纽站不同时间段客流量的判断与预测、枢纽站到发人口的出行特征分析、以及城市交通枢纽的科学管理与规划提供数据论证。目前与城市交通枢纽相关的现有技术主要侧重于对客流量的预测与建模、以及交通方式的预测。胡基火等人于2013年公开了一种综合客运枢纽多交通方式预测方法及系统(CN201310446931.X)，董明峰等人于2018年公开了一种基于多源数据融合的枢纽客流时空分布预测建模方法(201811258765.X)，对于枢纽人口类型的判断方法的研究目前还有所空缺。
发明内容
技术问题：为了解决现有技术中缺少对枢纽站人口类型判别方法研究的缺陷，本发明提出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，针对特定城市枢纽如高铁站、火车站等，基于枢纽站的地理信息与运营商基站服务范围的关系，获得目标枢纽基站，利用手机信令数据的时空信息得到占用枢纽基站的用户出行轨迹，根据各类人口在时空中表现出的不同特性，通过出行轨迹链中各停留点与枢纽基站的逻辑关系，进而识别判断不同人口的类型，为枢纽交通的进一步分析与规划提供定性与定量的基础，同时利用手机大数据的样本量大、覆盖面广以及获得方式成熟稳定且成本较低等特性，增加结果准确性的同时降低过程的成本，提高研究效率。
技术方案：本发明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，包括以下步骤：
步骤1：获取目标城市的基站信息，以每个基站为中心点，对目标城市的所有基站构建泰森多边形以分割每个基站的服务范围；获取目标枢纽站的地理位置信息，对照构建的城市基站服务范围，提取覆盖目标枢纽站服务范围的所有基站坐标，并定义提取出的基站为枢纽基站；
步骤2：获取目标城市内所有手机用户在研究时间段内的手机信令数据，对信令数据进行预处理得到得到每个用户每天的有效轨迹数据；
步骤3：筛选目标数据，针对步骤2中得到的每个用户每天的有效移动轨迹进行识别，过滤掉当天轨迹中不曾出现步骤1中提取出的目标枢纽基站的手机用户，得到枢纽站流通人口的轨迹数据；
步骤4：针对步骤3中得到的数据中每一个用户在连续时间段内位于枢纽站的轨迹点进行聚类，将用户在连续时间段内位于不同枢纽基站的所有轨迹点合并后构建一个新的虚拟枢纽基站A，定义虚拟基站A的地理位置为步骤1中提取的所有枢纽基站的中心点，将合并后在虚拟基站A上的轨迹数据的开始时间定义为当前合并的连续枢纽基站轨迹数据的第一条轨迹点的开始时间，结束时间定义为最后一条枢纽基站轨迹点的结束时间；
步骤5：针对经过步骤4处理后每一个用户每天的轨迹数据，计算该用户在每个地理位置的逗留时间，地理位置以不同的基站编号区分，然后定义逗留时间为当前轨迹数据的开始时间与下一条轨迹数据的开始时间的时间之差，若当前轨迹点为该用户当天最后一条数据，则定义该用户在当前基站的逗留时间为该条信令数据的开始时间与结束时间之间的时间差；若逗留时间大于停留点时间阈值T，则判定此地理位置为该用户的一个停留点，反之则判定此地理位置为该用户的一个位移点；
步骤6：计算每个用户每天在目标城市内的总逗留时间，定义总逗留时间为用户当天在所有地理位置上的逗留时间总和；
步骤7：针对每个用户在步骤5中得到的当天轨迹及逗留时间和步骤6中得到的当天在目标城市内的总逗留时间，识别其人口类型。
进一步的：步骤2的手机信令数据为运营商提供的经过清洗、集成后的记录手机用户在开机状态下活动的时空信息通信数据，具体包括：手机识别码、时间戳、基站编号、基站经度以及基站纬度字段，时间戳包括开始时间和结束时间。
进一步的：步骤2中对信令数据进行预处理包括以下步骤，
步骤2.1：删除重复数据及存在字段缺失的数据；
步骤2.2：以手机用户为单位，对每个手机识别码每天的手机信令数据按照信令的开始时间进行排序；
步骤2.3：合并漂移数据，针对每个用户每天在相邻时间段内位于不同基站上的移动轨迹点，若两个基站之间的距离小于漂移距离阈值Ds，则认为该用户在这一时间段内在同一地理位置上活动，合并数据；
步骤2.4：合并乒乓数据，针对每个用户每天在不连续的时间段上的两条轨迹数据，若这两条轨迹数据对应基站之间的距离小于乒乓距离阈值Dj，且这两条轨迹数据的间隔时间小于乒乓时间阈值Tj，则认为该用户从上述第一条轨迹数据的开始时间到第二条轨迹数据的结束时间之间都在同一地理位置上活动，合并数据。
进一步的；步骤2.3中漂移距离阈值Ds取100m，步骤2.4中乒乓距离阈值Dj取100m，乒乓时间阈值Tj取120s。
进一步的：步骤5中停留点时间阈值T为10-40min。
进一步的：步骤7中人口类型包括，铁路过境人口、铁路出发人口、铁路到达人口、铁路往返人口、城市途经人口以及非铁路过境人口。
进一步的：步骤7中人口类型具体判断方法包括以下步骤：
步骤7.1：铁路过境人口满足以下条件：在目标城市内的总逗留时间小于城市总逗留时间阈值ST；
步骤7.2：铁路出发人口满足以下条件：在目标城市内的总逗留时间大于城市总逗留时间阈值ST、在虚拟枢纽基站A的逗留时间大于枢纽站逗留时间阈值σ、在A之前的轨迹中存在停留点以及在A之后的轨迹中无停留点；
步骤7.3：铁路到达人口满足以下条件：在目标城市内的总逗留时间大于城市总逗留时间阈值ST、在虚拟枢纽基站A的逗留时间大于枢纽站逗留时间阈值σ、在A之前的轨迹中无停留点以及在A之后的轨迹中存在停留点；
步骤7.4：铁路往返人口满足以下条件：在目标城市内的总逗留时间大于城市总逗留时间阈值ST，至少两次占用虚拟枢纽基站、每次在虚拟枢纽基站的逗留时间大于枢纽站逗留时间阈值σ、两次占用虚拟枢纽基站的时间间隔大于2小时、在第一次虚拟枢纽基站A1之前的轨迹中和第二次虚拟基站A2之后的轨迹中无停留点以及在虚拟枢纽基站A1与A2之间的轨迹中存在其他停留点；或者在目标城市内的总逗留时间大于城市总逗留时间阈值ST、至少两次占用虚拟枢纽基站、每次在虚拟枢纽基站的逗留时间大于枢纽站逗留时间阈值σ、两次占用虚拟枢纽基站的时间间隔大于2小时、在第一次虚拟枢纽基站A1之前的轨迹中和第二次虚拟基站A2之后的轨迹中都存在停留点以及在虚拟枢纽基站A1与A2之间的轨迹中不存在停留点；
步骤7.5：城市途经人口满足以下条件：在目标城市内的总逗留时间大于城市总逗留时间阈值ST、在虚拟枢纽基站A的逗留时间小于枢纽站逗留时间阈值σ以及在A之前和A之后的轨迹中都存在停留点；
步骤7.6：非铁路过境人口满足以下条件：在目标城市内的总逗留时间大于城市总逗留时间阈值ST、在虚拟枢纽基站A的逗留时间小于枢纽站逗留时间阈值σ以及在A之前和A之后的轨迹中都无停留点。
进一步的：步骤7中枢纽站逗留时间阈值σ为75s-10min，城市总逗留时间阈值ST为30-90min。
有益效果：本发明数据源为手机信令数据，拥有高样本量、低成本、广覆盖范围的特性，且获取方式稳定成熟，能够较为完整地记录追踪用户每一天活动轨迹的时空信息，对多个城市具有普遍适用性，且准确性较高，对城市枢纽交通的分析、预测和规划具有重要作用。
附图说明
图1为本发明流程示意图。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明提供了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，该方法根据各类占用枢纽基站的人口类型在时空中表现出的不同特性，基于枢纽站的地理信息与运营商基站服务范围的关系，获得目标枢纽基站，通过运营商通信网络获得用户手机信令数据，经过进一步数据处理、筛选、虚拟基站的构建、轨迹运动状态的判断后，利用用户在虚拟枢纽基站上的逗留时间和虚拟枢纽基站与轨迹中停留点的逻辑关系，进而识别枢纽人口的类型。具体包括以下步骤：
步骤1：获取目标城市的基站信息，以每个基站为中心点，对目标城市的所有基站构建泰森多边形来分割每个基站的服务范围；获取目标枢纽站的地理位置信息，对照构建的城市基站服务范围，提取覆盖目标枢纽站服务范围的所有基站坐标，并定义提取出的基站为枢纽基站。
步骤2：获取目标城市内所有手机用户在研究时间段内的手机信令数据，该手机信令数据为运营商提供的经过清洗、集成后的记录手机用户在开机状态下活动的时空等信息的通信数据，包括手机识别码ID、时间戳(包括开始时间start_time以及结束时间end_time)、基站编号base、基站经度lng、基站纬度lat等字段；对信令数据进行预处理得到得到每个用户每天的有效轨迹数据：
步骤2.1：删除重复数据及存在字段缺失的数据；
步骤2.2：以手机用户为单位，对每个手机识别码每天的手机信令数据按照信令的开始时间进行排序；
步骤2.3：合并漂移数据：针对每个用户每天在相邻时间段内位于不同基站上的移动轨迹点，若两个基站之间的距离小于漂移距离阈值Ds，Ds取100m，则认为该用户在这一时间段内在同一地理位置上活动，合并数据；
步骤2.4：合并乒乓数据：针对每个用户每天在不连续的时间段上的两条轨迹数据，若这两条轨迹数据对应基站之间的距离小于乒乓距离阈值Dj，Dj取100m，且这两条轨迹数据的间隔时间小于乒乓时间阈值Tj，Tj取120s，则认为该用户从上述第一条轨迹数据的开始时间到第二条轨迹数据的结束时间之间都在同一地理位置上活动，合并数据。
步骤3：筛选目标数据，针对步骤2中得到的每个用户每天的有效移动轨迹进行识别，过滤掉当天轨迹中不曾出现步骤1中提取出的目标枢纽基站的手机用户，得到枢纽站流通人口的轨迹数据。
步骤4：针对步骤3得到的数据中每一个用户在连续时间段内位于枢纽站的轨迹点进行聚类，将用户在连续时间段内位于不同枢纽基站的所有轨迹点合并后构建一个新的虚拟枢纽基站A，定义虚拟基站A的地理位置为步骤1中提取的所有枢纽基站的中心点，将合并后在虚拟基站A上的轨迹数据的开始时间start_time定义为当前合并的连续枢纽基站轨迹数据的第一条轨迹点的开始时间start_time，结束时间定义end_time为最后一条枢纽基站轨迹点的结束时间end_time。
步骤5：针对经过步骤4处理后每一个用户每天的轨迹数据，计算该用户在每个地理位置(以不同的基站编号base区分)的逗留时间stay_time，定义逗留时间stay_time为当前轨迹数据的开始时间start_time与下一条轨迹数据的开始时间start_time的时间之差，若当前轨迹点为该用户当天最后一条数据，则定义该用户在当前基站的逗留时间stay_time为该条信令数据的开始时间start_time与结束时间end_time之间的时间差；若逗留时间stay_time大于停留点时间阈值T，T可取10-40min，则判定此地理位置为该用户的一个停留点，反之则判定此地理位置为该用户的一个位移点。
步骤6：计算每个用户每天在目标城市内的总逗留时间total_stay_time，定义总逗留时间total_stay_time等于对该用户当天在所有地理位置上的逗留时间stay_time的求和。
步骤7：针对每个用户在步骤5中得到的当天轨迹及逗留时间stay_time、以及步骤6中得到的当天在目标城市内的总逗留时间total_stay_time，识别其人口类型。
步骤7.1：铁路过境人口判断：满足在目标城市内的总逗留时间total_stay_time小于城市总逗留时间阈值ST；
步骤7.2：铁路出发人口判断：满足在目标城市内的总逗留时间total_stay_time大于城市总逗留时间阈值ST，在虚拟枢纽基站A的逗留时间stay_time大于枢纽站逗留时间阈值σ，且在A之前的轨迹中存在停留点而在A之后的轨迹中无停留点；
步骤7.3：铁路到达人口判断：满足在目标城市内的总逗留时间total_stay_time大于城市总逗留时间阈值ST，在虚拟枢纽基站A的逗留时间stay_time大于枢纽站逗留时间阈值σ，且在A之前的轨迹中无停留点而在A之后的轨迹中存在停留点；
步骤7.4：铁路往返人口判断：满足在目标城市内的总逗留时间total_stay_time大于城市总逗留时间阈值ST，至少两次占用虚拟枢纽基站、每次在虚拟枢纽基站的逗留时间stay_time大于枢纽站逗留时间阈值σ、且两次占用虚拟枢纽基站的时间间隔大于2小时、且在第一次虚拟枢纽基站A1之前的轨迹中和第二次虚拟基站A2之后的轨迹中无停留点而在虚拟枢纽基站A1与A2之间的轨迹中存在其他停留点；或者满足在目标城市内的总逗留时间total_stay_time大于城市总逗留时间阈值ST，至少两次占用虚拟枢纽基站、每次在虚拟枢纽基站的逗留时间大于枢纽站逗留时间阈值σ、且两次占用虚拟枢纽基站的时间间隔大于2小时、且在第一次虚拟枢纽基站A1之前的轨迹中和第二次虚拟基站A2之后的轨迹中都存在停留点而在虚拟枢纽基站A1与A2之间的轨迹中不存在停留点；
步骤7.5：城市途经人口判断：满足在目标城市内的总逗留时间total_stay_time大于城市总逗留时间阈值ST，在虚拟枢纽基站A的逗留时间小于枢纽站逗留时间阈值σ，且在A之前和A之后的轨迹中都存在停留点；
步骤7.6：非铁路过境人口判断：满足在目标城市内的总逗留时间total_stay_time大于城市总逗留时间阈值ST，ST可取30-90min，在虚拟枢纽基站A的逗留时间小于枢纽站逗留时间阈值σ，σ可取75s-10min，且在A之前和A之后的轨迹中都无停留点。
本发明利用手机信令数据针针对城市枢纽如高铁站、火车站等，根据各类人口在时空中表现出的不同特性，通过用户当天在目标城市的总逗留时间、当天出行轨迹链中在枢纽站的逗留时间以及在当天出行轨迹链中枢纽站与其他停留点的逻辑关系，进而识别判断不同人口的类型。本发明的数据源为手机信令，数据拥有高样本量、低成本、广覆盖范围的特性，且获取方式稳定成熟，能够较为完整地记录追踪用户每一天活动轨迹的时空信息，是城市交通分析的优质数据源。该方法利用枢纽站各类流通人口在时空中表现出的不同特性，通过手机信令数据得到的出行轨迹中枢纽基站与一天中其他停留点的逻辑关系判断人口类型，对多个城市具有普遍适用性，且准确性较高，对城市枢纽交通的分析、预测和规划具有重要作用。
术语解释
手机信令数据：是指移动通信网络主动或被动、定期或不定期的为与手机用户的移动终端保持联系所产生的一系列控制指令，包括了手机识别码、时间戳、事件类型、基站编号、基站经纬度、号码归属地等字段。
铁路出发人口：占用枢纽基站，在枢纽站逗留且其前有停留点的人口；
铁路到达人口：占用枢纽基站，在枢纽站逗留且其后有停留点的人口；
铁路往返人口：至少两次占用枢纽站且时间间隔大于2小时，其前后都有停留点的人口；
过境人口；占用枢纽基站，但在市域内逗留时间较短的人口；
城市途经人口：占用枢纽基站，但在枢纽逗留时间较短，且枢纽站前后都有停留点的人口；
非铁路过境人口：占用枢纽基站，在枢纽站逗留时间短，且其后无停留点的人口。

Claims (8)

1.一种基于手机信令数据的铁路交通枢纽人口类型识别方法，其特征在于：包括以下步骤：
步骤1：获取目标城市的基站信息，以每个基站为中心点，对目标城市的所有基站构建泰森多边形以分割每个基站的服务范围；获取目标枢纽站的地理位置信息，对照构建的城市基站服务范围，提取覆盖目标枢纽站服务范围的所有基站坐标，并定义提取出的基站为枢纽基站；
步骤2：获取目标城市内所有手机用户在研究时间段内的手机信令数据，对信令数据进行预处理得到得到每个用户每天的有效轨迹数据；
步骤3：筛选目标数据，针对步骤2中得到的每个用户每天的有效移动轨迹进行识别，过滤掉当天轨迹中不曾出现步骤1中提取出的目标枢纽基站的手机用户，得到枢纽站流通人口的轨迹数据；
步骤4：针对步骤3中得到的数据中每一个用户在连续时间段内位于枢纽站的轨迹点进行聚类，将用户在连续时间段内位于不同枢纽基站的所有轨迹点合并后构建一个新的虚拟枢纽基站A，定义虚拟基站A的地理位置为步骤1中提取的所有枢纽基站的中心点，将合并后在虚拟基站A上的轨迹数据的开始时间定义为当前合并的连续枢纽基站轨迹数据的第一条轨迹点的开始时间，结束时间定义为最后一条枢纽基站轨迹点的结束时间；
步骤5：针对经过步骤4处理后每一个用户每天的轨迹数据，计算该用户在每个地理位置的逗留时间，所述地理位置以不同的基站编号区分，然后定义逗留时间为当前轨迹数据的开始时间与下一条轨迹数据的开始时间的时间之差，若当前轨迹点为该用户当天最后一条数据，则定义该用户在当前基站的逗留时间为该条信令数据的开始时间与结束时间之间的时间差；若逗留时间大于停留点时间阈值T，则判定此地理位置为该用户的一个停留点，反之则判定此地理位置为该用户的一个位移点；
步骤6：计算每个用户每天在目标城市内的总逗留时间，定义总逗留时间为所述用户当天在所有地理位置上的逗留时间总和；
步骤7：针对每个用户在步骤5中得到的当天轨迹及逗留时间和步骤6中得到的当天在目标城市内的总逗留时间，识别其人口类型。
2.根据权利要求1所述的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，其特征在于：步骤2所述的手机信令数据为运营商提供的经过清洗、集成后的记录手机用户在开机状态下活动的时空信息通信数据，具体包括：手机识别码、时间戳、基站编号、基站经度以及基站纬度字段，所述时间戳包括开始时间和结束时间。
3.根据权利要求1所述的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，其特征在于：步骤2中所述对信令数据进行预处理包括以下步骤，
步骤2.1：删除重复数据及存在字段缺失的数据；
步骤2.2：以手机用户为单位，对每个手机识别码每天的手机信令数据按照信令的开始时间进行排序；
步骤2.3：合并漂移数据，针对每个用户每天在相邻时间段内位于不同基站上的移动轨迹点，若两个基站之间的距离小于漂移距离阈值Ds，则认为该用户在这一时间段内在同一地理位置上活动，合并数据；
步骤2.4：合并乒乓数据，针对每个用户每天在不连续的时间段上的两条轨迹数据，若这两条轨迹数据对应基站之间的距离小于乒乓距离阈值Dj，且这两条轨迹数据的间隔时间小于乒乓时间阈值Tj，则认为该用户从上述第一条轨迹数据的开始时间到第二条轨迹数据的结束时间之间都在同一地理位置上活动，合并数据。
4.根据权利要求3所述的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，其特征在于：步骤2.3中所述漂移距离阈值Ds取100m，步骤2.4中所述乒乓距离阈值Dj取100m，乒乓时间阈值Tj取120s。
5.根据权利要求1所述的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，其特征在于：步骤5中所述停留点时间阈值T为10-40min。
6.根据权利要求1所述的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，其特征在于：步骤7中所述人口类型包括，铁路过境人口、铁路出发人口、铁路到达人口、铁路往返人口、城市途经人口以及非铁路过境人口。
7.根据权利要求6所述的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，其特征在于：步骤7中所述人口类型具体判断方法包括以下步骤：
步骤7.1：铁路过境人口满足以下条件：在目标城市内的总逗留时间小于城市总逗留时间阈值ST；
步骤7.2：铁路出发人口满足以下条件：在目标城市内的总逗留时间大于城市总逗留时间阈值ST、在虚拟枢纽基站A的逗留时间大于枢纽站逗留时间阈值σ、在A之前的轨迹中存在停留点以及在A之后的轨迹中无停留点；
步骤7.3：铁路到达人口满足以下条件：在目标城市内的总逗留时间大于城市总逗留时间阈值ST、在虚拟枢纽基站A的逗留时间大于枢纽站逗留时间阈值σ、在A之前的轨迹中无停留点以及在A之后的轨迹中存在停留点；
步骤7.4：铁路往返人口满足以下条件：在目标城市内的总逗留时间大于城市总逗留时间阈值ST，至少两次占用虚拟枢纽基站、每次在虚拟枢纽基站的逗留时间大于枢纽站逗留时间阈值σ、两次占用虚拟枢纽基站的时间间隔大于2小时、在第一次虚拟枢纽基站A1之前的轨迹中和第二次虚拟基站A2之后的轨迹中无停留点以及在虚拟枢纽基站A1与A2之间的轨迹中存在其他停留点；或者在目标城市内的总逗留时间大于城市总逗留时间阈值ST、至少两次占用虚拟枢纽基站、每次在虚拟枢纽基站的逗留时间大于枢纽站逗留时间阈值σ、两次占用虚拟枢纽基站的时间间隔大于2小时、在第一次虚拟枢纽基站A1之前的轨迹中和第二次虚拟基站A2之后的轨迹中都存在停留点以及在虚拟枢纽基站A1与A2之间的轨迹中不存在停留点；
步骤7.5：城市途经人口满足以下条件：在目标城市内的总逗留时间大于城市总逗留时间阈值ST、在虚拟枢纽基站A的逗留时间小于枢纽站逗留时间阈值σ以及在A之前和A之后的轨迹中都存在停留点；
步骤7.6：非铁路过境人口满足以下条件：在目标城市内的总逗留时间大于城市总逗留时间阈值ST、在虚拟枢纽基站A的逗留时间小于枢纽站逗留时间阈值σ以及在A之前和A之后的轨迹中都无停留点。
8.根据权利要求7所述的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，其特征在于：步骤7中所述枢纽站逗留时间阈值σ为75s-10min，城市总逗留时间阈值ST为30-90min。
CN201910467422.2A 2019-05-31 2019-05-31 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 Active CN110113718B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910467422.2A CN110113718B (zh) 2019-05-31 2019-05-31 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910467422.2A CN110113718B (zh) 2019-05-31 2019-05-31 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

Publications (2)

Publication Number Publication Date
CN110113718A true CN110113718A (zh) 2019-08-09
CN110113718B CN110113718B (zh) 2020-12-18

Family

ID=67493210

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910467422.2A Active CN110113718B (zh) 2019-05-31 2019-05-31 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

Country Status (1)

Country Link
CN (1) CN110113718B (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111385753A (zh) * 2019-10-24 2020-07-07 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医疗设施可达性评估方法
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
CN111681421A (zh) * 2020-06-10 2020-09-18 南京瑞栖智能交通技术产业研究院有限公司 基于手机信令数据的对外客运枢纽集疏空间分布分析方法
CN111797926A (zh) * 2020-07-06 2020-10-20 广州交信投科技股份有限公司 城际迁徙行为识别方法、装置、计算机设备及存储介质
CN112087743A (zh) * 2020-09-18 2020-12-15 广州瀚信通信科技股份有限公司 一种面向智慧交通的高铁虚拟卡口到发旅客分析方法
CN112100310A (zh) * 2020-11-19 2020-12-18 南京中孚信息技术有限公司 一种基于电查电围数据的身份识别方法及系统
CN112150796A (zh) * 2020-07-20 2020-12-29 南京瑞栖智能交通技术产业研究院有限公司 基于手机信令数据的定制公交站点布局方法
CN112165686A (zh) * 2020-08-27 2021-01-01 同济大学 基于手机信令数据的城市访客识别方法、装置、存储介质
CN112468973A (zh) * 2020-11-10 2021-03-09 恒安嘉新（北京）科技股份公司 一种信令定位轨迹的优化方法、装置、设备及介质
CN112732778A (zh) * 2020-12-28 2021-04-30 江苏欣网视讯软件技术有限公司 基于手机信令的交通枢纽客流流向识别方法、计算机系统、服务器与存储介质
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
CN112866934A (zh) * 2020-12-31 2021-05-28 江苏欣网视讯软件技术有限公司 地铁用户识别方法与系统
CN113473398A (zh) * 2021-06-02 2021-10-01 中山大学 一种手机信令数据停留点识别方法、装置及存储介质
WO2021237812A1 (zh) * 2020-05-29 2021-12-02 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且含个人属性修正的城市出行方式综合识别方法
CN113873451A (zh) * 2021-09-28 2021-12-31 全民认证科技（杭州）有限公司 一种基于基站负载平衡的流动人口判别方法
CN114302333A (zh) * 2021-12-27 2022-04-08 中国电信股份有限公司 用户识别方法及装置、电子设备及介质
CN115034524A (zh) * 2022-08-11 2022-09-09 北京融信数联科技有限公司 基于手机信令的工作居住人口预测方法、系统和存储介质
CN115168529A (zh) * 2022-09-07 2022-10-11 广州市交通规划研究院有限公司 一种基于手机定位数据的枢纽客流溯源方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105389979A (zh) * 2015-09-22 2016-03-09 东南大学 一种基于手机定位数据的综合客运枢纽客流实时监测方法
CN105519153A (zh) * 2014-11-12 2016-04-20 华为技术有限公司 终端用户识别方法、设备和系统
US20170337490A1 (en) * 2016-05-18 2017-11-23 Mastercard International Incorporated Method and system for identifiying an ideal airport security arrangement
CN108271114A (zh) * 2016-12-29 2018-07-10 北京亿阳信通科技有限公司 一种高铁用户识别、定位方法和装置
CN108961134A (zh) * 2018-09-05 2018-12-07 北京工业大学 基于手机信令数据的机场旅客出行od识别方法
CN109376207A (zh) * 2018-09-18 2019-02-22 同济大学 从手机信令数据中提取高速列车乘客常住地的方法
CN109583640A (zh) * 2018-11-23 2019-04-05 东南大学 一种基于多源定位数据的城市出行客流属性识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105519153A (zh) * 2014-11-12 2016-04-20 华为技术有限公司 终端用户识别方法、设备和系统
CN105389979A (zh) * 2015-09-22 2016-03-09 东南大学 一种基于手机定位数据的综合客运枢纽客流实时监测方法
US20170337490A1 (en) * 2016-05-18 2017-11-23 Mastercard International Incorporated Method and system for identifiying an ideal airport security arrangement
CN108271114A (zh) * 2016-12-29 2018-07-10 北京亿阳信通科技有限公司 一种高铁用户识别、定位方法和装置
CN108961134A (zh) * 2018-09-05 2018-12-07 北京工业大学 基于手机信令数据的机场旅客出行od识别方法
CN109376207A (zh) * 2018-09-18 2019-02-22 同济大学 从手机信令数据中提取高速列车乘客常住地的方法
CN109583640A (zh) * 2018-11-23 2019-04-05 东南大学 一种基于多源定位数据的城市出行客流属性识别方法

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111385753A (zh) * 2019-10-24 2020-07-07 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医疗设施可达性评估方法
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
WO2021237812A1 (zh) * 2020-05-29 2021-12-02 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且含个人属性修正的城市出行方式综合识别方法
CN111681421A (zh) * 2020-06-10 2020-09-18 南京瑞栖智能交通技术产业研究院有限公司 基于手机信令数据的对外客运枢纽集疏空间分布分析方法
CN111681421B (zh) * 2020-06-10 2022-07-29 南京瑞栖智能交通技术产业研究院有限公司 基于手机信令数据的对外客运枢纽集疏空间分布分析方法
CN111797926A (zh) * 2020-07-06 2020-10-20 广州交信投科技股份有限公司 城际迁徙行为识别方法、装置、计算机设备及存储介质
CN111797926B (zh) * 2020-07-06 2021-11-30 广州交信投科技股份有限公司 城际迁徙行为识别方法、装置、计算机设备及存储介质
CN112150796A (zh) * 2020-07-20 2020-12-29 南京瑞栖智能交通技术产业研究院有限公司 基于手机信令数据的定制公交站点布局方法
CN112165686B (zh) * 2020-08-27 2021-09-03 同济大学 基于手机信令数据的城市访客识别方法、装置、存储介质
CN112165686A (zh) * 2020-08-27 2021-01-01 同济大学 基于手机信令数据的城市访客识别方法、装置、存储介质
CN112087743A (zh) * 2020-09-18 2020-12-15 广州瀚信通信科技股份有限公司 一种面向智慧交通的高铁虚拟卡口到发旅客分析方法
CN112468973A (zh) * 2020-11-10 2021-03-09 恒安嘉新（北京）科技股份公司 一种信令定位轨迹的优化方法、装置、设备及介质
CN112100310A (zh) * 2020-11-19 2020-12-18 南京中孚信息技术有限公司 一种基于电查电围数据的身份识别方法及系统
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
CN112732778A (zh) * 2020-12-28 2021-04-30 江苏欣网视讯软件技术有限公司 基于手机信令的交通枢纽客流流向识别方法、计算机系统、服务器与存储介质
CN112732778B (zh) * 2020-12-28 2023-06-20 江苏欣网视讯软件技术有限公司 基于手机信令的交通枢纽客流流向识别方法、计算机系统、服务器与存储介质
CN112866934A (zh) * 2020-12-31 2021-05-28 江苏欣网视讯软件技术有限公司 地铁用户识别方法与系统
CN112866934B (zh) * 2020-12-31 2022-02-15 江苏欣网视讯软件技术有限公司 地铁用户识别方法与系统
CN113473398A (zh) * 2021-06-02 2021-10-01 中山大学 一种手机信令数据停留点识别方法、装置及存储介质
CN113473398B (zh) * 2021-06-02 2022-08-30 中山大学 一种手机信令数据停留点识别方法、装置及存储介质
CN113873451B (zh) * 2021-09-28 2022-10-25 全民认证科技（杭州）有限公司 一种基于基站负载平衡的流动人口判别方法
CN113873451A (zh) * 2021-09-28 2021-12-31 全民认证科技（杭州）有限公司 一种基于基站负载平衡的流动人口判别方法
CN114302333A (zh) * 2021-12-27 2022-04-08 中国电信股份有限公司 用户识别方法及装置、电子设备及介质
CN115034524A (zh) * 2022-08-11 2022-09-09 北京融信数联科技有限公司 基于手机信令的工作居住人口预测方法、系统和存储介质
CN115168529A (zh) * 2022-09-07 2022-10-11 广州市交通规划研究院有限公司 一种基于手机定位数据的枢纽客流溯源方法

Also Published As

Publication number Publication date
CN110113718B (zh) 2020-12-18

Similar Documents

Publication Publication Date Title
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
CN111681421B (zh) 基于手机信令数据的对外客运枢纽集疏空间分布分析方法
CN111653099B (zh) 基于手机信令数据的公交客流od获取方法
CN109376207A (zh) 从手机信令数据中提取高速列车乘客常住地的方法
CN109583640A (zh) 一种基于多源定位数据的城市出行客流属性识别方法
CN107358319A (zh) 城市轨道交通客流预测方法、装置、存储介质和计算机设备
CN111222744A (zh) 基于信令数据的建成环境与轨道客流分布关系确定方法
CN109769201A (zh) 一种实现用户精准定位的智慧城市管理平台
CN109729518B (zh) 基于手机信令的城市交通早高峰拥堵源头识别方法
CN102595323A (zh) 基于手机定位数据的居民出行特征参数的获取方法
CN107018493A (zh) 一种基于连续时序马尔科夫模型的地理位置预测方法
CN109190685A (zh) 融合空间聚类和基站序列规则的轨道出行特征提取方法
CN114390458B (zh) 一种应用手机信令数据辨识个体地铁乘候车行为的方法
CN112711576B (zh) 一种识别手机信令数据高铁、飞机城际出行方式的方法
CN110460962A (zh) 轨道交通用户识别方法和装置
CN110910293A (zh) 一种基于基站位置的地铁人群行为标签识别方法
García et al. Big data analytics for a passenger-centric air traffic management system
CN109254984B (zh) 基于od数据感知城市动态结构演化规律的可视分析方法
Cui et al. Usage demand forecast and quantity recommendation for urban shared bicycles
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
Qin et al. Travel trajectories analysis based on call detail record data
Klimek et al. Towards a better understanding and behavior recognition of inhabitants in smart cities. A public transport case
CN115510056B (zh) 一种利用手机信令数据进行宏观经济分析的数据处理系统
CN116668958A (zh) 基于手机信令数据的城市居民动态od矩阵提取方法
Guo et al. An algorithm for analyzing the city residents' activity information through mobile big 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
GR01 Patent grant
GR01 Patent grant