CN110324787A - 一种手机信令数据的职住地获取方法 - Google Patents
一种手机信令数据的职住地获取方法 Download PDFInfo
- Publication number
- CN110324787A CN110324787A CN201910488906.5A CN201910488906A CN110324787A CN 110324787 A CN110324787 A CN 110324787A CN 201910488906 A CN201910488906 A CN 201910488906A CN 110324787 A CN110324787 A CN 110324787A
- Authority
- CN
- China
- Prior art keywords
- point
- cluster
- data
- mobile phone
- residence
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000011664 signaling Effects 0.000 title claims abstract description 37
- 230000002123 temporal effect Effects 0.000 claims abstract description 3
- 230000000694 effects Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 4
- 241001269238 Data Species 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims description 3
- 238000007476 Maximum Likelihood Methods 0.000 claims description 2
- 238000013480 data collection Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000007418 data mining Methods 0.000 abstract 2
- 230000006872 improvement Effects 0.000 description 6
- 238000009412 basement excavation Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/20—Services signaling; Auxiliary data signalling, i.e. transmitting data via a non-traffic channel
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Remote Sensing (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
一种手机信令数据职住地获取方法,基于空间数据挖掘技术,通过聚类分析,避免了手机信令数据自身的误差对职住地分析的影响,同时考虑了手机信令数据中的时间序列信息,实现了职住地的快速、准确获取,该方法包含:1)基于密度的时间序列空间数据聚类;2)聚类方法的参数标定;3)聚类所得驻留点簇中的职住地获取。本申请运用于手机信令数据的数据挖掘。通过基于密度的时间序列空间数据聚类,将由手机信令数据构成的轨迹点数据聚类为驻留点簇,聚类参数通过给出的聚类方法的参数标定方法得到。根据驻留点簇的时间分布情况和职住地分布的时间规律,提取职住地的驻留点候选簇,使用KMeans算法,对候选簇中的轨迹点进行聚类以获取职住地的位置。
Description
技术领域
本发明涉及手机信令数据挖掘领域,特别是涉及一种手机信令数据的职住地获取方法。
背景技术
当前移动通信网络实现了城乡空间区域的全覆盖,城乡人口中的手机用户已经达到相当高的比例,广大的手机用户群体为交通信息的采集提供了持续可靠的数据源。手机用户的手机信令数据具有实时性强、精度高、覆盖范围广、获取方便的特点。手机信令数据作为个人活动数据的记录,包含大量丰富的信息,如活动的位置、时间、热点区域分布和常驻地点,这为从手机信令数据中挖掘职住地的位置提供了可能。
大数据分析是用一定的方法对大数据进行挖掘以获得深入的、有价值的信息的技术。手机信令数据作为大数据的一种,通过对手机信令数据的分析可获取空间对象的驻留点、移动轨迹等具有广泛应用价值信息。聚类是一种对数据进行处理以获取相关信息的方法,它根据数据之间的相似性将数据划分为不同的组或簇,使得在同一簇内的数据相似性尽可能大,不在同一簇内的数据差异性也尽可能的大。
本发明提出一种手机信令书的职住地提取方法,从聚类的角度对手机信令数据进行挖掘,分析个人的职住地分布情况,对城市内部的规划建设具有重要的参考价值,也为手机信令数据的挖掘提供了新的研究方向。
发明内容
为了解决以上问题,本发明提供一种手机信令数据的职住地获取方法,可应用于手机信令数据的挖掘研究中。通过该方法,可以对手机信令数据进行聚类,获取驻留点簇,然后根据驻留点簇的时间分布和职住地的时间分布规律,从中提取职住地驻留点簇的候选簇,最后根据KMeans聚类方法,将候选驻留点簇中的轨迹点聚类,获取职住地分布,为达此目的,本发明提供一种手机信令数据的职住地获取方法,包括方法:
(1)基于密度的时间序列空间数据聚类方法:根据时间序列空间数据的时间序列关系和空间位置关系,定义轨迹点之间的距离尺度和轨迹点中的驻留点;
(2)聚类方法的参数标定:基于密度的时间序列空间数据聚类方法的自适应参数标定,根据轨迹点数据集中数据点的密度分布情况,将数据集分割为不同的密度层数据,在每个密度层内计算聚类效果指数,选择聚类效果指数最大的列索引和由统计信息计算得到的结果作为该密度层内聚类方法的最小点数量参数、距离阈值和时间阈值参数;
(3)从聚类得到的驻留点簇中获取职住地的方法:根据聚类得到驻留点簇结果,结合职住地分布的时间规律,对驻留点进行筛选,提取其中满足停留时长的驻留点簇作为候选簇,运用KMeans聚类方法,对提取的驻留点簇中的轨迹点数据进行聚类,作为最终的职住地获取结果。
作为本发明进一步改进,步骤一中轨迹点p(x1,y1,t1),q(x1,y1,t1)间的距离尺度为;
即点p与点q之间的欧式距离和时间差的绝对值,其中点p、q为手机信令数据构成的任意两个轨迹点,(x1,y1)为点p的空间坐标,t1为点p在位置(x1,y1)的时间戳,(x2,y2)为点q的空间坐标,t2为点q在位置(x2,y2)的时间戳。
作为本发明进一步改进,步骤二中轨迹点数据集
T={p1,p2,…
在较长的一段时间内位置没有发生明显变化,即
其中dist(pi,pj)表示轨迹点pi和qj之间的距离,Δt表示时间阈值参数,Δd表示空间阈值参数。
作为本发明进一步改进,步骤二中根据数据集的密度分布,分割出不同的密度层,计算各个密度层内的最小点数量、距离阈值和时间阈值,所述方法步骤如下:
(2-1)计算k近邻矩阵,为轨迹点集合D中的每一点计算到数据集内其他点的k距离,构建k近邻矩阵;
(2-2)划分密度层,计算k近邻矩阵中每一列的密度变化率,根据密度变化趋势,将数据集划分为不同的密度层;
(2-3)获取最小点数量参数,在每个密度层内部,计算聚类效果指数,以聚类效果指数最大的列所对应的索引值作为最小点数量参数;
(2-4)获取距离参数和时间参数,在每个密度层内部,根据统计信息,分别计算时间和距离的方差,根据逆高斯分布,得到参数的取值公式,
其中μi表示该密度层内轨迹点间k距离的方差,λi表示最大似然值。
作为本发明进一步改进,步骤三中从轨迹点数据中聚类驻留点簇的方法,主要利用距离尺度和驻留点定义,从轨迹点数据中获取驻留点结果,所述方法步骤如下:
(3-1)初始化,对轨迹点集合D中的每个点p,记其聚类索引为点p在集合中的位置索引,记其访问状态为未访问,记其点类型为未定义;
(3-2)计算核心点,对D中的每个点p,计算p的ε邻域内的点数量num,若num大于最小点数参数,则将点p标记为核心点,并加入核心点集合Dc;
(3-3)合并核心点,对核心点集合Dc中的每个点p,判断核心点集合内的其他点q是否在p的ε邻域内,若在,则在p的核心点集合Pc中加入q;
(3-4)密度相连的核心点的索引归一化,对核心点集合Dc中的每个点p,若点p未被访问,则依次取出点p的核心点集合Pc中的点q;若q未被访问,则将p的聚类索引赋值给q,并标记为已访问;
(3-5)步骤4.边缘点归类,对D中的每个点p,若p不为核心点,则从核心点集合Dc中依次取出点q。判断点p是否在q的ε邻域内,若在,则标记p为边缘点,并将q的聚类索引赋值给p;
(3-6)标识噪声点,将D中未被标记为核心点或边缘点的点记为噪声点。
作为本发明进一步改进,步骤三中驻留点簇在职住地分布中具有一定的时长分布,取一小时作为最小停留时长,对聚类后的驻留点簇进行筛选,将大于最小停留时长的驻留点簇记为职住地候选簇。
作为本发明进一步改进,步骤三中存在聚类簇中心,该中心对应于工作场所或居住地的中心;同时存在时间区间,该区间对应于工作场所的工作时间区间或居住地的休息时间。
本方法与常见的基于密度的聚类算法相比,具有以下优势:
(1)区分度高:本方法考虑了数据点间的时间序列信息,在聚类时相似度判断更加严格,得到的聚类簇之间区分度更高。
(2)准确度高:本方法在聚类驻留点时,点与点之间不仅需要在空间上具有相似性,还需要在时间上具有相似性,得到的聚类结果准确度更高,误差更小。
附图说明
附图1为原始手机信令数据构成的轨迹点图;
附图2为原始手机信令数据聚类得到的驻留点簇;
附图3为对驻留点簇进行过滤得到的结果;
附图4为职住地聚类结果(柱体图);
附图5为职住地聚类的平面位置分布图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述:
本发明提供一种手机信令数据的职住地获取方法,可应用于手机信令数据的挖掘研究中。通过该方法,可以对手机信令数据进行聚类,获取驻留点簇,然后根据驻留点簇的时间分布和职住地的时间分布规律,从中提取职住地驻留点簇的候选,最后根据KMeans聚类方法,将候选驻留点簇中的轨迹点聚类,获取职住地分布。
下面结合附图,通过实施例对本发明进行详细说明,但本发明的保护范围不局限于所述实施例。
本实例采用了一位用户在某城市城区范围内3天的手机信令数据和实际的运动轨迹数据。实验过程如下:
(1)准备数据:原始手机信令数据是带有时间序列信息的轨迹点数据(附图1),从图中可以看出,轨迹点存在明显的空间聚集特征,在一段时间内,有着高度的聚集性,如图中左下角和右侧汇集了大量的轨迹点。
(2)计算自适应参数:对该用户3天的数据逐天进行处理,根据每天的轨迹点数据,计算该天数据集的聚类参数。首先根据k距离得到每天的k近邻矩阵,然后根据密度变化阈值计算每天的轨迹点数据分层,在每个密度层内,计算该密度层内的聚类参数。根据自适应的参数聚类算法,得到这三天的聚类参数如表1。
表1聚类参数
(3)聚类驻留点:根据自适应参数获得的聚类参数,分别对每天的轨迹点数据进行聚类,得到每天的轨迹点对应的驻留点簇结果(附图2)。图中包括聚类得到的驻留点簇结果,每个簇的相关参数信息以及和真实位置的偏移距离。在簇数量上,15日、17日的数据聚类在两个较为集中的位置附近,16日的数据聚类在三个较为集中的位置附近。在簇中心与实际的位置的误差上,每个簇的簇半径变化范围较大,在0至215.77米的范围内变动,误差在2.19到89.54的范围内变动,说明数据的聚类误差较小,精度较高。
(4)过滤驻留点簇:取一小时的时长作为聚类簇的过滤参数,将时长低于一小时的簇进行过滤,剩余的时长大于等于一小时的簇作为职住地的候选簇(附图3)。从图中可以看出,15号和16号两天的数据中,部分聚类簇被过滤掉。此时,在簇数量上,15日、16日、17日的数据聚类簇都在两个较为集中的位置附近,与过滤前的数据对比,过滤后驻留点簇的分布更加集中,职住地的位置更加凸显。
(5)提取职住地:对职住地候选簇进行KMeans聚类,计算职住地的聚类簇和聚类中心(附图4)。根据白天处于工作场所,夜间处于居住地对职住地的聚类簇进行时间重叠度计算,如表2,重叠度高于0.8的作为对应的场所位置,聚类中心为相应场所的中心(附图5)。从表2中可以看出,附图4中深灰色聚类簇的白天时间重叠度为0.8467,夜间时间重叠度为0.0317,可以推断深灰色簇为工作场所所在地的聚类簇,对应的簇中心为工作场所的近似位置。同样地,可以推断浅灰色簇为居住地所在地地聚类簇,对应的簇中心为居住地的近似位置。
表2职住地聚类簇的时间段重叠度
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作任何其他形式的限制,而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所要求保护的范围。
Claims (7)
1.一种手机信令数据的职住地获取方法,其特征在于,包括方法:
(1)基于密度的时间序列空间数据聚类:根据时间序列空间数据的时间序列关系和空间位置关系,定义轨迹点之间的距离尺度和轨迹点中的驻留点;
(2)聚类方法的参数标定:基于密度的时间序列空间数据聚类方法的自适应参数标定,根据轨迹点数据集中数据点的密度分布情况,将数据集分割为不同的密度层数据,在每个密度层内计算聚类效果指数,选择聚类效果指数最大的列索引和由统计信息计算得到的结果作为该密度层内聚类方法的最小点数量参数、距离阈值和时间阈值参数;
(3)聚类所得驻留点簇中的职住地获取:根据聚类得到驻留点簇结果,结合职住地分布的时间规律,对驻留点进行筛选,提取其中满足停留时长的驻留点簇作为候选簇,运用KMeans聚类方法,对提取的驻留点簇中的轨迹点数据进行聚类,作为最终的职住地获取结果。
2.根据权利要求1所述的一种手机信令数据的职住地获取方法,其特征在于:步骤一中轨迹点p(x1,y1,t1),q(x1,y1,t1)间的距离尺度为;
即点p与点q之间的欧式距离和时间差的绝对值,其中点p、q为手机信令数据构成的任意两个轨迹点,(x1,y1)为点p的空间坐标,t1为点p在位置(x1,y1)的时间戳,(x2,y2)为点q的空间坐标,t2为点q在位置(x2,y2)的时间戳。
3.根据权利要求1所述的一种手机信令数据的职住地获取方法,其特征在于:步骤二中轨迹点数据集
在较长的一段时间内位置没有发生明显变化,即
其中dist(pi,pj)表示轨迹点pi和qj之间的距离,Δt表示时间阈值参数,Δd表示空间阈值参数。
4.根据权利要求1所述的一种手机信令数据的职住地获取方法,其特征在于:步骤二中根据数据集的密度分布,分割出不同的密度层,计算各个密度层内的最小点数量、距离阈值和时间阈值,所述方法步骤如下:
(2-1)计算k近邻矩阵,为轨迹点集合D中的每一点计算到数据集内其他点的k距离,构建k近邻矩阵;
(2-2)划分密度层,计算k近邻矩阵中每一列的密度变化率,根据密度变化趋势,将数据集划分为不同的密度层;
(2-3)获取最小点数量参数,在每个密度层内部,计算聚类效果指数,以聚类效果指数最大的列所对应的索引值作为最小点数量参数;
(2-4)获取距离参数和时间参数,在每个密度层内部,根据统计信息,分别计算时间和距离的方差,根据逆高斯分布,得到时间阈值参数和空间阈值参数的取值公式,
其中μi表示该密度层内轨迹点间k距离的方差,λi表示最大似然值。
5.根据权利要求1所述的一种手机信令数据的职住地获取方法,其特征在于:步骤三中从轨迹点数据中聚类驻留点簇的方法,主要利用距离尺度和驻留点定义,从轨迹点数据中获取驻留点结果,所述方法步骤如下:
(3-1)初始化,对轨迹点集合D中的每个点p,记其聚类索引为点p在集合中的位置索引,记其访问状态为未访问,记其点类型为未定义;
(3-2)计算核心点,对D中的每个点p,计算p的ε邻域内的点数量num,若num大于最小点数参数,则将点p标记为核心点,并加入核心点集合Dc;
(3-3)合并核心点,对核心点集合Dc中的每个点p,判断核心点集合内的其他点q是否在p的ε邻域内,若在,则在p的核心点集合Pc中加入q;
(3-4)密度相连的核心点的索引归一化,对核心点集合Dc中的每个点p,若点p未被访问,则依次取出点p的核心点集合Pc中的点q;若q未被访问,则将p的聚类索引赋值给q,并标记为已访问;
(3-5)步骤4.边缘点归类,对D中的每个点p,若p不为核心点,则从核心点集合Dc中依次取出点q。判断点p是否在q的ε邻域内,若在,则标记p为边缘点,并将q的聚类索引赋值给p;
(3-6)标识噪声点,将D中未被标记为核心点或边缘点的点记为噪声点。
6.根据权利要求1所述的一种手机信令数据的职住地获取方法,其特征在于:步骤三中驻留点簇在职住地分布中具有一定的时长分布,取一小时作为最小停留时长,对聚类后的驻留点簇进行筛选,将大于最小停留时长的驻留点簇记为职住地候选簇。
7.根据权利要求1所述的一种手机信令数据的职住地获取方法,其特征在于:步骤三中存在聚类簇中心,该中心对应于工作场所或居住地的中心;同时存在时间区间,该区间对应于工作场所的工作时间区间或居住地的休息时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910488906.5A CN110324787B (zh) | 2019-06-06 | 2019-06-06 | 一种手机信令数据的职住地获取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910488906.5A CN110324787B (zh) | 2019-06-06 | 2019-06-06 | 一种手机信令数据的职住地获取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110324787A true CN110324787A (zh) | 2019-10-11 |
CN110324787B CN110324787B (zh) | 2020-10-02 |
Family
ID=68120742
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910488906.5A Expired - Fee Related CN110324787B (zh) | 2019-06-06 | 2019-06-06 | 一种手机信令数据的职住地获取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110324787B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110839218A (zh) * | 2019-11-28 | 2020-02-25 | 安徽慧视金瞳科技有限公司 | 一种基于手机信令数据的城市人口数量估算方法 |
CN111144452A (zh) * | 2019-12-11 | 2020-05-12 | 重庆邮电大学 | 一种基于信令数据和聚类算法的移动用户出行链提取方法 |
CN111198972A (zh) * | 2019-12-30 | 2020-05-26 | 中国联合网络通信集团有限公司 | 用户职住地识别方法、装置、控制设备及存储介质 |
CN111372186A (zh) * | 2019-12-17 | 2020-07-03 | 广东小天才科技有限公司 | 一种非均匀定位场景下的位置计算方法及终端设备 |
CN111521191A (zh) * | 2020-04-20 | 2020-08-11 | 中国农业科学院农业信息研究所 | 一种基于信令数据的移动电话用户移动路径地图匹配方法 |
CN112307143A (zh) * | 2020-08-26 | 2021-02-02 | 四川云从天府人工智能科技有限公司 | 一种时空轨迹构建方法、系统、设备和介质 |
CN112434225A (zh) * | 2020-12-13 | 2021-03-02 | 天津市市政工程设计研究院 | 一种基于过程聚类的手机信令驻留点提取方法 |
CN112685659A (zh) * | 2021-03-19 | 2021-04-20 | 上海钐昆网络科技有限公司 | 目标地点确定方法、装置、电子设备及计算机存储介质 |
CN113283542A (zh) * | 2021-06-17 | 2021-08-20 | 北京红山信息科技研究院有限公司 | 职住信息确定方法、装置、设备及存储介质 |
CN113613174A (zh) * | 2021-07-09 | 2021-11-05 | 中山大学 | 基于手机信令数据的职住地识别方法、装置及存储介质 |
CN113709660A (zh) * | 2021-07-30 | 2021-11-26 | 东南大学 | 一种运用手机信令数据的出行路径精确提取方法 |
TWI776379B (zh) * | 2021-01-28 | 2022-09-01 | 中華電信股份有限公司 | 一種用於特徵挖掘之裝置、方法及電腦可讀儲存媒介 |
CN115002680A (zh) * | 2022-07-28 | 2022-09-02 | 北京融信数联科技有限公司 | 基于手机信令的人群职业类型获取方法、系统和存储介质 |
CN117858024A (zh) * | 2024-01-09 | 2024-04-09 | 东南大学 | 一种基于手机信令数据的多段出行方式识别方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4692881A (en) * | 1981-12-18 | 1987-09-08 | Kabushiki Kaisha Daini Seikosha | Device for discriminating attitude of parts |
CN101459637A (zh) * | 2007-12-13 | 2009-06-17 | 华为技术有限公司 | 超宽带信号发射方法和设备 |
CN103260172A (zh) * | 2012-02-21 | 2013-08-21 | 东南大学常州研究院 | 一种监控用户手机号码的装置和方法 |
CN105142106A (zh) * | 2015-07-29 | 2015-12-09 | 西南交通大学 | 基于手机信令数据的出行者职住地识别与出行链刻画方法 |
CN105205408A (zh) * | 2015-09-07 | 2015-12-30 | 中国科学院深圳先进技术研究院 | 基于空间聚合的轨迹数据隐私保护方法及系统 |
CN105761190A (zh) * | 2016-02-01 | 2016-07-13 | 东南大学 | 一种基于手机定位数据的城市居住区空置率动态监测方法 |
CN106792514A (zh) * | 2016-11-30 | 2017-05-31 | 南京华苏科技有限公司 | 基于信令数据的用户职住地分析方法 |
CN106897420A (zh) * | 2017-02-24 | 2017-06-27 | 东南大学 | 一种基于手机信令数据的用户出行驻留行为识别方法 |
-
2019
- 2019-06-06 CN CN201910488906.5A patent/CN110324787B/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4692881A (en) * | 1981-12-18 | 1987-09-08 | Kabushiki Kaisha Daini Seikosha | Device for discriminating attitude of parts |
CN101459637A (zh) * | 2007-12-13 | 2009-06-17 | 华为技术有限公司 | 超宽带信号发射方法和设备 |
CN103260172A (zh) * | 2012-02-21 | 2013-08-21 | 东南大学常州研究院 | 一种监控用户手机号码的装置和方法 |
CN105142106A (zh) * | 2015-07-29 | 2015-12-09 | 西南交通大学 | 基于手机信令数据的出行者职住地识别与出行链刻画方法 |
CN105205408A (zh) * | 2015-09-07 | 2015-12-30 | 中国科学院深圳先进技术研究院 | 基于空间聚合的轨迹数据隐私保护方法及系统 |
CN105761190A (zh) * | 2016-02-01 | 2016-07-13 | 东南大学 | 一种基于手机定位数据的城市居住区空置率动态监测方法 |
CN106792514A (zh) * | 2016-11-30 | 2017-05-31 | 南京华苏科技有限公司 | 基于信令数据的用户职住地分析方法 |
CN106897420A (zh) * | 2017-02-24 | 2017-06-27 | 东南大学 | 一种基于手机信令数据的用户出行驻留行为识别方法 |
Non-Patent Citations (2)
Title |
---|
许洪波等: "基于手机信令的空间位置数据计算职住地", 《北京测绘》 * |
贺风等: "结合手机信令数据和地理空间数据的居民职住信息识别", 《测绘通报》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110839218A (zh) * | 2019-11-28 | 2020-02-25 | 安徽慧视金瞳科技有限公司 | 一种基于手机信令数据的城市人口数量估算方法 |
CN111144452A (zh) * | 2019-12-11 | 2020-05-12 | 重庆邮电大学 | 一种基于信令数据和聚类算法的移动用户出行链提取方法 |
CN111144452B (zh) * | 2019-12-11 | 2022-10-25 | 重庆邮电大学 | 一种基于信令数据和聚类算法的移动用户出行链提取方法 |
CN111372186A (zh) * | 2019-12-17 | 2020-07-03 | 广东小天才科技有限公司 | 一种非均匀定位场景下的位置计算方法及终端设备 |
CN111198972A (zh) * | 2019-12-30 | 2020-05-26 | 中国联合网络通信集团有限公司 | 用户职住地识别方法、装置、控制设备及存储介质 |
CN111198972B (zh) * | 2019-12-30 | 2023-05-09 | 中国联合网络通信集团有限公司 | 用户职住地识别方法、装置、控制设备及存储介质 |
CN111521191A (zh) * | 2020-04-20 | 2020-08-11 | 中国农业科学院农业信息研究所 | 一种基于信令数据的移动电话用户移动路径地图匹配方法 |
CN112307143A (zh) * | 2020-08-26 | 2021-02-02 | 四川云从天府人工智能科技有限公司 | 一种时空轨迹构建方法、系统、设备和介质 |
CN112434225A (zh) * | 2020-12-13 | 2021-03-02 | 天津市市政工程设计研究院 | 一种基于过程聚类的手机信令驻留点提取方法 |
TWI776379B (zh) * | 2021-01-28 | 2022-09-01 | 中華電信股份有限公司 | 一種用於特徵挖掘之裝置、方法及電腦可讀儲存媒介 |
CN112685659A (zh) * | 2021-03-19 | 2021-04-20 | 上海钐昆网络科技有限公司 | 目标地点确定方法、装置、电子设备及计算机存储介质 |
CN113283542A (zh) * | 2021-06-17 | 2021-08-20 | 北京红山信息科技研究院有限公司 | 职住信息确定方法、装置、设备及存储介质 |
CN113283542B (zh) * | 2021-06-17 | 2024-03-05 | 北京红山信息科技研究院有限公司 | 职住信息确定方法、装置、设备及存储介质 |
CN113613174A (zh) * | 2021-07-09 | 2021-11-05 | 中山大学 | 基于手机信令数据的职住地识别方法、装置及存储介质 |
CN113709660A (zh) * | 2021-07-30 | 2021-11-26 | 东南大学 | 一种运用手机信令数据的出行路径精确提取方法 |
CN113709660B (zh) * | 2021-07-30 | 2022-06-24 | 东南大学 | 一种运用手机信令数据的出行路径精确提取方法 |
CN115002680A (zh) * | 2022-07-28 | 2022-09-02 | 北京融信数联科技有限公司 | 基于手机信令的人群职业类型获取方法、系统和存储介质 |
CN117858024A (zh) * | 2024-01-09 | 2024-04-09 | 东南大学 | 一种基于手机信令数据的多段出行方式识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110324787B (zh) | 2020-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110324787A (zh) | 一种手机信令数据的职住地获取方法 | |
CN106912015B (zh) | 一种基于移动网络数据的人员出行链识别方法 | |
Park et al. | Beyond residential segregation: A spatiotemporal approach to examining multi-contextual segregation | |
CN105142106B (zh) | 基于手机信令数据的出行者职住地识别与出行链刻画方法 | |
CN104484993B (zh) | 用于交通小区划分的手机信令信息的处理方法 | |
CN106156528B (zh) | 一种轨迹数据停留识别方法及系统 | |
CN105513351A (zh) | 一种基于大数据的交通出行特征数据提取方法 | |
CN109769201A (zh) | 一种实现用户精准定位的智慧城市管理平台 | |
CN109327841A (zh) | 基于覆盖、价值关联的多维评定及精准建设投资评估方法 | |
CN103729478B (zh) | 基于MapReduce的LBS兴趣点发现方法 | |
CN107182036A (zh) | 基于多维特征融合的自适应位置指纹定位方法 | |
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 | |
CN106339716A (zh) | 一种基于加权欧氏距离的移动轨迹相似度匹配方法 | |
CN106464706A (zh) | 用于通过可从电信网络获得的数据识别显著地点的方法和系统 | |
CN112217675B (zh) | 固、移通讯网络大数据联合分析方法 | |
CN113613174A (zh) | 基于手机信令数据的职住地识别方法、装置及存储介质 | |
CN106156804B (zh) | 一种基于K-means聚类的移动疑似危险人群分类方法 | |
CN110418287A (zh) | 基于手机信令的人口居住地迁徙识别方法 | |
CN111046968B (zh) | 一种基于改进dpc算法的道路网络轨迹聚类分析方法 | |
CN112001829A (zh) | 一种基于手机信令数据的人口分布判断方法 | |
CN107801203A (zh) | 基于多数据融合的人口密度及流动性的估算方法及其系统 | |
CN109034187A (zh) | 一种用户家庭工作地址挖掘流程 | |
CN107908636A (zh) | 一种利用社交媒体挖掘人类活动时空模式的方法 | |
CN109714712A (zh) | 一种基于属性匹配的数据落点到栅格的方法及装置 | |
CN102075850A (zh) | 确定移动用户职业信息的方法及其装置 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201002 |