CN110418287B - 基于手机信令的人口居住地迁徙识别方法 - Google Patents

基于手机信令的人口居住地迁徙识别方法 Download PDF

Info

Publication number
CN110418287B
CN110418287B CN201910628856.6A CN201910628856A CN110418287B CN 110418287 B CN110418287 B CN 110418287B CN 201910628856 A CN201910628856 A CN 201910628856A CN 110418287 B CN110418287 B CN 110418287B
Authority
CN
China
Prior art keywords
user
residence
migration
population
point
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.)
Active
Application number
CN201910628856.6A
Other languages
English (en)
Other versions
CN110418287A (zh
Inventor
赵必成
唐小勇
高志刚
张建嵩
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.)
Chongqing Transport Planning And Research Institute
Original Assignee
Chongqing Transport Planning And Research Institute
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 Chongqing Transport Planning And Research Institute filed Critical Chongqing Transport Planning And Research Institute
Priority to CN201910628856.6A priority Critical patent/CN110418287B/zh
Publication of CN110418287A publication Critical patent/CN110418287A/zh
Application granted granted Critical
Publication of CN110418287B publication Critical patent/CN110418287B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F16/2462—Approximate or statistical queries
    • 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
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Telephonic Communication Services (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Telephone Function (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于手机信令的人口居住地迁徙识别方法，该识别方法通过利用手机信令数据作为基础对用户的居住地的迁徙进行识别，具有用户基数大、覆盖人群广、数据动态连续等特点；并且，通过连续跟踪监测用户多月居住地位置，将用户每月的居住空间位置转换成一组具有时序特征的空间位置，然后通过建立时序空间数据聚类模型，自动识别居住地发生迁徙的人群，记录迁徙发生的时间、迁入/迁出位置等信息，实现动态掌握人口居住地迁徙规律。该识别方法让人口居住地的迁徙不受统计时间的约束，时效性强，可连续观测，便于研究变化趋势，可以研究一年内居住地发生迁徙的人口，也可以研究三年内发生变化的人口。

Description

基于手机信令的人口居住地迁徙识别方法
技术领域
本发明涉及一种基于手机信令的人口居住地迁徙识别方法。
背景技术
人口迁移一般指的是人口在两个地区之间的空间移动，这种移动通常涉及人口居住地由迁出地到迁入地的永久性或长期性的改变。人口迁徙研究是城市规划十分重要的基础性工作，无论是改革前的城市总体规划还是改革后的国土空间总体规划，城市用地、公共设施等指标都是根据人口活动规律制定的。人口迁徙的规模在一定程度上反映了一个城市的地位，迁徙的方向反映城市的辐射范围与城市发展的腹地，区域间的社会文化背景等。
目前掌握城市人口迁徙规律主要通过问卷调查和普查数据两种方式展开。这两种方式都是通过人工手段设置调查问卷，根据一定的抽样比例随机的选择目标群体开展调查。根据汇总结果进行扩样计算，最终得到城市人口迁徙规律。
发明内容
本发明的目的是提供一种基于手机信令的人口居住地迁徙识别方法，以解决现有目前问卷调查等人工手段需要耗费巨大的人力和财力成本，很难实现大样本、大范围的调查的问题。
为解决上述技术问题，本发明提供一种基于手机信令的人口居住地迁徙识别方法，包括以下步骤：
S1：根据手机信令数据获取用户停留点信息，并将所述停留点信息按照用户唯一标识进行分组作为用户活动空间识别的数据源；
S2：对所述数据源做邻域分析，构建包括用户停留点Pj以及所有停留点Pj的邻域集合｛Pi｝的停留点关系模型；
S3：利用时空聚类算法根据所述停留点关系模型计算用户活动进行聚类分组；
S4：根据聚类分组结果建立用户活动的活动规律指标，根据所述活动规律指标对用户的居住地hi（x,y）进行标记；
S5：将所有用户每月的居住地hi（x,y）存储到居住地集合｛H｝，利用时空聚类算法将所述用户的居住地集合｛H｝按照时序进行聚类分组；
S6：根据所述聚类分组结果建立时序空间数据聚类模型，并根据所述时序空间数据聚类模型识别居住地发生迁徙的人群。
进一步地，所述用户停留点Pj包括用户编号、停留点编号、停留点位置、停留点起止时间。
进一步地，步骤S3具体包括以下步骤：
S31：遍历停留点关系模型中的停留点Pj和邻域集合｛Pi｝，使邻域集合｛Pi｝按照其包含的停留点Pj个数的降序进行排列，并将邻域集按照排列顺序依次标记为活动点Aj，同时将活动点Aj位置标记为停留点Pj位置，并记录停留点Pj的邻域集合｛Pi｝；
S32：清除停留点关系模型中的包含停留点个数最多的邻域集合｛Pi｝中的所有停留点Pj；
S33：重复步骤S31和S32，直至遍历完当前用户的所有停留点Pj和邻域集合｛Pi｝，得到｛Aj｝组合即为活动点分组。
进一步地，根据聚类分组结果建立用户活动的活动规律指标所采用的方法具体包括：
遍历每位用户当月的所有的活动点Aj，计算每个活动点分组｛Aj｝中邻域集合{Pi}与全月每天的白天时段、夜间时段和全日时段的交集时长作为活动点Aj在当日的白天停留时长、夜间停留时长和全日停留时长；若停留时长大于等于预设阈值，则对应的时段累加天数计数加1。
进一步地，根据所述活动规律指标对用户的居住地hi（x,y）进行标记所采用的具体方法包括：
若用户的某一活动点较该用户当月其它所有活动点全日停留时长最大且夜间停留时长最大，同时全日停留时长大于等于当月实际天数的60%，则标记该活动点为居住地hi（x,y）。
进一步地，所述步骤S5具体包括：
S51：将所有用户每月的居住地hi（x,y）存储到居住地集合｛H｝，依次遍历所有用户的居住地集合｛H｝，同一用户按照时间先后顺序遍历，依次加入待合并居住地集合｛H’｝；
所述步骤S51具体包括：
S511：当出现新插入位置hj时，使新插入位置hj与待合并居住地集合｛H’｝中的所有空间位置做相似性计算，相似度计算公式具体为：
Sim(H’，hj)＝1/(1+d(H’，hj))；
S512：判断Sim(H’，hj)是否小于0.5；若是，则停止合并，并将待合并居住地集合｛H’｝标识为一组具有高相似度的居住地集合｛Hi｝，并清空待合并居住地集合｛H’｝；若否，则将新插入位置hj加入居住地集合｛H’｝；
S513：重复步骤S511和S512，直至识别完成所有新插入位置hj。
进一步地，所述步骤S6具体包括：
根据分析需求动态确定迁徙研究目标时长TL，根据迁徙研究目标时长TL筛选出这个时期中每个用户的居住地集合｛Hi｝，若居住地集合｛Hi｝的次数大于1则标记该用户发生迁移。
本发明的有益效果为：本申请通过利用手机信令数据作为基础对用户的居住地的迁徙进行识别，具有用户基数大、覆盖人群广、数据动态连续等特点；并且，通过连续跟踪监测用户多月居住地位置，将用户每月的居住空间位置转换成一组具有时序特征的空间位置，然后通过建立时序空间数据聚类模型，自动识别居住地发生迁徙的人群，记录迁徙发生的时间、迁入/迁出位置等信息，实现动态掌握人口居住地迁徙规律。该识别方法让人口居住地的迁徙不受统计时间的约束，时效性强，可连续观测，便于研究变化趋势，可以研究一年内居住地发生迁徙的人口，也可以研究三年内发生变化的人口；另外，打破行政边界研究可以指定任意空间单元，最小可以监测任意一个手机基站附近人口居住地的变化，提高人口迁徙识别的效率和准确度。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，在这些附图中使用相同的参考标号来表示相同或相似的部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明一个实施例的流程图。
具体实施方式
一种基于手机信令的人口居住地迁徙识别方法，该方法具体包括以下步骤：
S1：根据手机信令数据获取用户停留点信息，并将所述停留点信息按照用户唯一标识进行分组作为用户活动空间识别的数据源；其中，所述用户停留点Pj包括用户编号、停留点编号、停留点位置、停留点起止时间。
S2：对所述数据源做邻域分析，构建包括用户停留点Pj以及所有停留点Pj的邻域集合｛Pi｝的停留点关系模型；
S3：利用时空聚类算法根据所述停留点关系模型计算用户活动进行聚类分组；
S4：根据聚类分组结果建立用户活动的活动规律指标，根据所述活动规律指标对用户的居住地hi（x,y）进行标记；
S5：将所有用户每月的居住地hi（x,y）存储到居住地集合｛H｝，利用时空聚类算法将所述用户的居住地集合｛H｝按照时序进行聚类分组；
S6：根据所述聚类分组结果建立时序空间数据聚类模型，并根据所述时序空间数据聚类模型识别居住地发生迁徙的人群。
根据本申请的一个实施例，上述步骤S3具体包括以下步骤：
S31：遍历停留点关系模型中的停留点Pj和邻域集合｛Pi｝，使邻域集合｛Pi｝按照其包含的停留点Pj个数的降序进行排列，并将邻域集按照排列顺序依次标记为活动点Aj，同时将活动点Aj位置标记为停留点Pj位置，并记录停留点Pj的邻域集合｛Pi｝；
S32：清除停留点关系模型中的包含停留点个数最多的邻域集合｛Pi｝中的所有停留点Pj；
S33：重复步骤S31和S32，直至遍历完当前用户的所有停留点Pj和邻域集合｛Pi｝象，得到｛Aj｝组合即为活动点分组。
根据本申请的一个实施例，根据聚类分组结果建立用户的居住地hi（x,y）进行标记所采用的方法具体包括：
遍历每位用户当月的所有的活动点Aj，计算每个活动点分组｛Aj｝中邻域集合{Pi}与全月每天的白天时段、夜间时段和全日时段的交集时长作为活动点Aj在当日的白天停留时长（09：00 -17：00）、夜间停留时长（20：00–06：00）和全日停留时长；若停留时长大于等于预设预置阈值则对应的时段累加天数计数加1。
根据本申请的一个实施例，根据所述活动规律指标对用户的活动规律进行标记所采用的具体方法包括：
若用户的某一活动点较该用户当月其它所有活动点全日停留时长最大且夜间停留时长最大，同时全日停留时长大于等于当月实际天数的60%，则标记该活动点为居住地hi（x,y）。
根据本申请的一个实施例，所述步骤S5具体包括：
S51：将所有用户每月的居住地hi（x,y）存储到居住地集合｛H｝，依次遍历所有用户的居住地集合｛H｝，同一用户按照时间先后顺序遍历，依次加入待合并居住地集合｛H’｝；
所述步骤S51具体包括：
S511：当出现新插入位置hj时，使新插入位置hj与待合并居住地集合｛H’｝中的所有空间位置做相似性计算，相似度计算公式具体为：
Sim(H’，hj)＝1/(1+d(H’，hj))；
S512：判断Sim(H’，hj)是否小于0.5；若是，则停止合并，并将待合并居住地集合｛H’｝标识为一组具有高相似度的居住地集合｛Hi｝，并清空待合并居住地集合｛H’｝；若否，则将新插入位置hj加入居住地集合｛H’｝；
S513：重复步骤S511和S512，直至识别完成所有新插入位置hj。
根据本申请的一个实施例，所述步骤S6具体包括：
根据分析需求动态确定迁徙研究目标时长TL，根据迁徙研究目标时长TL筛选出这个时期中每个用户的居住地集合｛Hi｝，若居住地集合｛Hi｝的次数大于1则标记该用户发生迁移。其中，早期的居住地集合位置为迁出位置，后期的居住地集合位置为迁入位置，发生集合变化的时间为迁徙具体的发生时间。
本申请通过利用手机信令数据作为基础对用户的居住地的迁徙进行识别，具有用户基数大、覆盖人群广、数据动态连续等特点；并且，通过连续跟踪监测用户多月居住地位置，将用户每月的居住空间位置转换成一组具有时序特征的空间位置，然后通过建立时序空间数据聚类模型，自动识别居住地发生迁徙的人群，记录迁徙发生的时间、迁入/迁出位置等信息，实现动态掌握人口居住地迁徙规律。该识别方法让人口居住地的迁徙不受统计时间的约束，时效性强，可连续观测，便于研究变化趋势，可以研究一年内居住地发生迁徙的人口，也可以研究三年内发生变化的人口；另外，打破行政边界研究可以指定任意空间单元，最小可以监测任意一个手机基站附近人口居住地的变化，提高人口迁徙识别的效率和准确度。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.一种基于手机信令的人口居住地迁徙识别方法，其特征在于，包括以下步骤：
S1：根据手机信令数据获取用户停留点信息，并将所述停留点信息按照用户唯一标识进行分组作为用户活动空间识别的数据源；
S2：对所述数据源做邻域分析，构建包括用户停留点Pj以及所有停留点Pj的邻域集合｛Pi｝的停留点关系模型；
S3：利用时空聚类算法根据所述停留点关系模型计算用户活动进行聚类分组；
S4：根据聚类分组结果建立用户活动的活动规律指标，根据所述活动规律指标对用户的居住地hi（x,y）进行标记；
S5：将所有用户每月的居住地hi（x,y）存储到居住地集合｛H｝，利用时空聚类算法将所述用户的居住地集合｛H｝按照时序进行聚类分组；
S6：根据所述聚类分组结果建立时序空间数据聚类模型，并根据所述时序空间数据聚类模型识别居住地发生迁徙的人群。
2.根据权利要求1所述的基于手机信令的人口居住地迁徙识别方法，其特征在于，所述用户停留点Pj包括用户编号、停留点编号、停留点位置、停留点起止时间。
3.根据权利要求1或2所述的基于手机信令的人口居住地迁徙识别方法，其特征在于，步骤S3具体包括以下步骤：
S31：遍历停留点关系模型中的停留点Pj和邻域集合｛Pi｝，使邻域集合｛Pi｝按照其包含的停留点Pj个数的降序进行排列，并将邻域集合按照排列顺序依次标记为活动点Aj，同时将活动点Aj位置标记为停留点Pj位置，并记录停留点Pj的邻域集合｛Pi｝；
S32：清除停留点关系模型中的包含停留点个数最多的邻域集合｛Pi｝中的所有停留点Pj；
S33：重复步骤S31和S32，直至遍历完当前用户的所有停留点Pj和邻域集合｛Pi｝，得到｛Aj｝组合即为活动点分组。
4.根据权利要求3所述的基于手机信令的人口居住地迁徙识别方法，其特征在于，根据聚类分组结果建立用户活动的活动规律指标所采用的方法具体包括：
遍历每位用户当月的所有的活动点Aj，计算每个活动点分组｛Aj｝中邻域集合{Pi}与全月每天的白天时段、夜间时段和全日时段的交集时长作为活动点Aj在当日的白天停留时长、夜间停留时长和全日停留时长；若停留时长大于等于预设阈值，则对应的时段累加天数计数加1。
5.根据权利要求4所述的基于手机信令的人口居住地迁徙识别方法，其特征在于，根据所述活动规律指标对用户的居住地hi（x,y）进行标记所采用的具体方法包括：
若用户的某一活动点较该用户当月其它所有活动点全日停留时长最大且夜间停留时长最大，同时全日停留时长大于等于当月实际天数的60%，则标记该活动点为居住地hi（x,y）。
6.根据权利要求1所述的基于手机信令的人口居住地迁徙识别方法，其特征在于，所述步骤S5具体包括：
S51：将所有用户每月的居住地hi（x,y）存储到居住地集合｛H｝，依次遍历所有用户的居住地集合｛H｝，同一用户按照时间先后顺序遍历，依次加入待合并居住地集合｛H’｝；
所述步骤S51具体包括：
S511：当出现新插入位置hj时，使新插入位置hj与待合并居住地集合｛H’｝中的所有空间位置做相似性计算，相似度计算公式具体为：
Sim(H’，hj)＝1/(1+d(H’，hj))；
S512：判断Sim(H’，hj)是否小于0.5；若是，则停止合并，并将待合并居住地集合｛H’｝标识为一组具有高相似度的居住地集合｛Hi｝，并清空待合并居住地集合｛H’｝；若否，则将新插入位置hj加入待合并 居住地集合｛H’｝；
S5134：重复步骤S511和S512，直至识别完成所有新插入位置hj。
7.根据权利要求6所述的基于手机信令的人口居住地迁徙识别方法，其特征在于，所述步骤S6具体包括：
根据分析需求动态确定迁徙研究目标时长TL，根据迁徙研究目标时长TL筛选出这个时期中每个用户的居住地集合｛Hi｝，若居住地集合｛Hi｝的次数大于1则标记该用户发生迁移。
CN201910628856.6A 2019-07-12 2019-07-12 基于手机信令的人口居住地迁徙识别方法 Active CN110418287B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910628856.6A CN110418287B (zh) 2019-07-12 2019-07-12 基于手机信令的人口居住地迁徙识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910628856.6A CN110418287B (zh) 2019-07-12 2019-07-12 基于手机信令的人口居住地迁徙识别方法

Publications (2)

Publication Number Publication Date
CN110418287A CN110418287A (zh) 2019-11-05
CN110418287B true CN110418287B (zh) 2021-06-01

Family

ID=68361190

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910628856.6A Active CN110418287B (zh) 2019-07-12 2019-07-12 基于手机信令的人口居住地迁徙识别方法

Country Status (1)

Country Link
CN (1) CN110418287B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112561759B (zh) * 2020-01-02 2023-08-04 北京融信数联科技有限公司 一种基于移动信令大数据的毕业生去向动态监测方法
CN112541013B (zh) * 2020-01-02 2021-12-28 北京融信数联科技有限公司 基于移动信令大数据的应届毕业生跳槽频率分析方法
CN113495911B (zh) * 2020-03-18 2022-08-26 百度在线网络技术（北京）有限公司 迁徙信息处理方法、装置、电子设备和存储介质
CN111161887B (zh) * 2020-03-30 2020-11-24 广州地理研究所 基于人口迁徙大数据的流行病疫区返程人群规模预测方法
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
CN112235727B (zh) * 2020-09-02 2022-11-01 武汉烽火众智数字技术有限责任公司 一种基于mac数据的人员流动监测分析方法和系统
CN112566030B (zh) * 2020-12-08 2022-06-07 东南大学 一种基于手机信令数据的居住地双时段识别方法及应用
CN112434225B (zh) * 2020-12-13 2022-06-21 天津市赛英工程建设咨询管理有限公司 一种基于过程聚类的手机信令驻留点提取方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102629297A (zh) * 2012-03-06 2012-08-08 北京建筑工程学院 一种基于行程识别的出行者活动规律分析方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9565584B2 (en) * 2013-06-24 2017-02-07 Cisco Technology, Inc. Human mobility rule-based device location tracking
CN106096631B (zh) * 2016-06-02 2019-03-19 上海世脉信息科技有限公司 一种基于手机大数据的流动人口分类识别分析方法
CN106792514B (zh) * 2016-11-30 2020-10-30 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
CN109376207B (zh) * 2018-09-18 2022-01-11 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
CN109388758B (zh) * 2018-10-22 2020-08-18 百度在线网络技术（北京）有限公司 人口迁徙目的确定方法、装置、设备及存储介质
CN109636252A (zh) * 2019-01-21 2019-04-16 广东创能科技股份有限公司 流动人口大数据多维分析方法及系统
CN109918459A (zh) * 2019-01-28 2019-06-21 同济大学 一种基于手机信令的城市中观层面实有人口统计方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102629297A (zh) * 2012-03-06 2012-08-08 北京建筑工程学院 一种基于行程识别的出行者活动规律分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于手机信令数据的数据清洗挖掘与居民职住空间分析;苗壮;《中国优秀硕士学位论文全文数据库信息科技辑》;20170715;全文 *
移动位置预测方法研究与实现;符饶;《中国优秀硕士学位论文全文数据库信息科技辑》;20150815;全文 *

Also Published As

Publication number Publication date
CN110418287A (zh) 2019-11-05

Similar Documents

Publication Publication Date Title
CN110418287B (zh) 基于手机信令的人口居住地迁徙识别方法
CN110505583B (zh) 一种基于卡口数据与信令数据的轨迹匹配方法
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
CN110351664B (zh) 基于手机信令的用户活动空间识别方法
CN106156528B (zh) 一种轨迹数据停留识别方法及系统
CN111582948A (zh) 一种基于手机信令数据与poi兴趣点的个体行为分析方法
CN107977673B (zh) 一种基于大数据的经济活动人口识别方法
CN110930285A (zh) 一种人口分布分析方法及装置
US20130166352A1 (en) Mobile categorization
CN104239556A (zh) 基于密度聚类的自适应轨迹预测方法
EP2441014A4 (en) SYSTEM AND METHOD FOR COLLABORATIVELY RECORDING, ASSIGNING, VISUALIZING, ANALYZING AND MODIFYING PROBABLE GENEALOGICAL RELATIONS ON THE BASIS OF GEO-TEMPORARY AND TIMETABLE ACCIDENTS
CN106547894A (zh) 基于移动通信信令大数据挖掘职住位置标签的系统及方法
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
CN108810818B (zh) 一种居民生活圈的划分方法及装置
Ahas et al. Modelling home and work locations of populations using passive mobile positioning data
CN115034524A (zh) 基于手机信令的工作居住人口预测方法、系统和存储介质
CN111104468B (zh) 一种基于语义轨迹推断用户活动的方法
Zuo et al. Detection and Analysis of Urban Area Hotspots Based on Cell Phone Traffic.
WO2022041262A1 (zh) 一种基于大数据的城市轨交用户锚点计算方法
CN112364907A (zh) 待测用户常驻地普查方法、系统、服务器和存储介质
Li et al. A framework for spatial interaction analysis based on large-scale mobile phone data
Dai et al. Postearthquake situational awareness based on mobile phone signaling data: An example from the 2017 Jiuzhaigou earthquake
Khan et al. GIS-based analysis to identify the distribution and accessibility of urban green space in Dhaka Metropolitan city, Bangladesh
Ling et al. Mining travel behaviors of tourists with mobile phone data: A case study in Hainan
Salnikov et al. The geography and carbon footprint of mobile phone use in Côte d’Ivoire

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