CN111797926B - 城际迁徙行为识别方法、装置、计算机设备及存储介质 - Google Patents
城际迁徙行为识别方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111797926B CN111797926B CN202010638506.0A CN202010638506A CN111797926B CN 111797926 B CN111797926 B CN 111797926B CN 202010638506 A CN202010638506 A CN 202010638506A CN 111797926 B CN111797926 B CN 111797926B
- Authority
- CN
- China
- Prior art keywords
- city
- user
- transit
- hub
- migration
- 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
Links
- 238000013508 migration Methods 0.000 title claims abstract description 185
- 230000005012 migration Effects 0.000 title claims abstract description 185
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000006399 behavior Effects 0.000 claims abstract description 104
- 230000011664 signaling Effects 0.000 claims description 47
- 238000012545 processing Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 17
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 9
- 238000012790 confirmation Methods 0.000 claims description 7
- 230000008030 elimination Effects 0.000 claims description 7
- 238000003379 elimination reaction Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000013468 resource allocation Methods 0.000 abstract description 4
- 230000008520 organization Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (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)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种城际迁徙行为识别方法、装置、计算机设备及存储介质;其中,城际迁徙行为识别方法包括步骤:根据用户轨迹数据,确定发生城际迁徙行为的有效用户集;有效用户集包括于预设时间区间内轨迹跨越至少三个城市的第一轨迹数据集;获取第一轨迹数据集中用户于各城市的驻留时长,以及城市过境中转时间阈值;比较驻留时长和城市过境中转时间阈值,并根据比较的结果确认第一轨迹数据集中用户的城际迁徙行为类型;城际迁徙行为类型包括来访、去访和过境。本申请可高效的为城市交通站场组织及车辆资源配备提供更为准确的基础数据支撑。
Description
技术领域
本申请涉及智能交通技术领域,特别是涉及一种城际迁徙行为识别方法、装置、计算机设备和存储介质。
背景技术
随着经济的增长和城市间人口流动的增加,城市间的空间联系进一步加强,而由于现代交通和通讯的便利条件,城市群越来越多,城市之间的联系越来越密切,尤其大城市的流动人口比例逐年增多,给城市的交通状况及管理系统增加了越来越重的负荷。目前,可以对人口居住地变化进行分析、对城际交通出行方式进行判断以及评估城市双向客流量,但是对于常态化城际人群的迁徙行为缺乏完整、高效识别,无法为城市交通站场组织及车辆资源配备提供基础数据支撑。
在实现过程中,发明人发现传统技术中至少存在如下问题:传统技术在识别城际人群迁徙时,存在时间成本与计算资源成本过高、部分场景不适用性的问题,无法高效识别迁徙行为类型。
发明内容
基于此,有必要针对上述技术问题,提供一种高效识别的城际迁徙行为识别方法、装置、计算机设备和存储介质。
为了实现上述目的,一方面,本发明实施例提供了一种城际迁徙行为识别方法,包括步骤:
根据用户轨迹数据,确定发生城际迁徙行为的有效用户集;有效用户集包括于预设时间区间内轨迹跨越至少三个城市的第一轨迹数据集;
获取第一轨迹数据集中用户于各城市的驻留时长,以及城市过境中转时间阈值;城市过境中转时间阈值为基于目标枢纽平均停留时长和从目标枢纽进出城市的时间常量得到;
比较驻留时长和城市过境中转时间阈值,并根据比较的结果确认第一轨迹数据集中用户的城际迁徙行为类型;城际迁徙行为类型包括来访、去访和过境。
在其中一个实施例中,有效用户集还包括于预设时间区间内轨迹跨越两个城市的第二轨迹数据集;
还包括步骤:
对第二轨迹数据集进行无效城际迁徙数据剔除,得到有效的第二轨迹数据集;
确认有效的第二轨迹数据集中用户的城际迁徙行为类型。
在其中一个实施例中,对第二轨迹数据集进行无效城际迁徙数据剔除,得到有效的第二轨迹数据集的步骤,包括:
获取第二轨迹数据集中用户的单程迁徙轨迹;单程迁徙轨迹包括用户信令位置跨城距离;
在用户信令位置跨城距离大于相邻基站空间距离的情况下,将单程迁徙轨迹确认为有效单程迁徙轨迹;
基于用户行为数据对有效单程迁徙轨迹进行筛选,得到有效的第二轨迹数据集;用户行为数据包括往返通勤次数和工作出勤时间。
在其中一个实施例中,城市过境中转时间阈值包括同枢纽中转下过境中转时间阈值;
获取同枢纽中转下过境中转时间阈值的步骤包括:
对目标枢纽的日常出入境信令进行聚类监测,得到从目标枢纽进出城市的时间常量;目标枢纽平均停留时长包括用户于目标枢纽的历史平均驻留时长;
处理历史平均驻留时长和从目标枢纽进出城市的时间常量,得到同枢纽中转下过境中转时间阈值。
在其中一个实施例中,城市过境中转时间阈值包括跨枢纽中转下过境中转时间阈值;
基于以下公式,得到跨枢纽中转下过境中转时间阈值:
其中,t0(Ax)表示跨枢纽中转下过境中转时间阈值;表示在城市Ax经目标枢纽ak、ag过境中转时间;表示目标枢纽ak区域内用户平均驻留时长,N表示于预设时段内在目标枢纽ak出现过的用户数量,n表示用户n;表示目标枢纽ag区域内用户平均驻留时长,M表示于预设时段内在目标枢纽ag出现过的用户数量,m表示用户m;s(ak,ag)pub表示从目标枢纽ak到目标枢纽ag采用公共交通的接驳最小耗时;s(ak,ag)tax表示从目标枢纽ak到目标枢纽ag采用私人交通的接驳耗时;h(ak)表示从目标枢纽ak进出城市Ax的时间常量;h(ag)表示从枢纽ag进出城市Ax的时间常量。
在其中一个实施例中,城市过境中转时间阈值包括同枢纽中转下过境中转时间阈值和跨枢纽中转下过境中转时间阈值;
比较驻留时长和城市过境中转时间阈值,并根据比较的结果确认第一轨迹数据集中用户的城际迁徙行为类型的步骤中,基于以下公式,得到比较的结果:
其中,fi(Ax)<0表示用户i在城市Ax过境中转,fi(Ax)>0表示用户i在城市Ax出现其他目的的活动;ti(Ax)表示用户i在城市Ax的驻留时长,用户i的用户轨迹数据依据时序经过的城市依次为Ax(x=1,2,3…);t0(Ax)表示城市过境中转时间阈值;表示同枢纽中转下过境中转时间阈值,同枢纽中转下过境中转时间阈值为在城市Ax经目标枢纽ak过境中转时间;表示跨枢纽中转下过境中转时间阈值,跨枢纽中转下过境中转时间阈值为在城市Ax经目标枢纽ak、ag过境中转时间。
在其中一个实施例中,还包括步骤:
在fi(Ay)>0的情况下,在城市Ay对第一轨迹数据集中用户i的用户轨迹数据进行数据分割,得到前段轨迹子集(A1,Ay)和后段轨迹子集(Ay,Ax);
将前段轨迹子集(A1,Ay)中涉及两个城市的用户轨迹数据提取至第二轨迹数据集,涉及至少三个城市的用户轨迹数据提取至第三轨迹数据集,并确认第三轨迹数据集中用户的城际迁徙行为类型;
根据驻留时长和城市过境中转时间阈值,对后段轨迹子集(Ay,Ax)进行处理,并根据处理的结果对后段轨迹子集(Ay,Ax)进行数据分割,直至将第一轨迹数据集中的各用户轨迹数据分割提取至第二轨迹数据集或第三轨迹数据集。
一种城际迁徙行为识别装置,包括:
用户集合模块,用于根据用户轨迹数据,确定发生城际迁徙行为的有效用户集;有效用户集包括于预设时间区间内轨迹跨越至少三个城市的第一轨迹数据集;
数据获取模块,用于获取第一轨迹数据集中用户于各城市的驻留时长,以及城市过境中转时间阈值;城市过境中转时间阈值为基于目标枢纽平均停留时长和从目标枢纽进出城市的时间常量得到;
比较确认模块,用于比较驻留时长和城市过境中转时间阈值,并根据比较的结果确认第一轨迹数据集中用户的城际迁徙行为类型;城际迁徙行为类型包括来访、去访和过境。
一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述的方法的步骤。
上述技术方案中的一个技术方案具有如下优点和有益效果:
本申请利用用户轨迹数据,确定发生城际迁徙行为的有效用户集,并结合城市过境中转时间阈值,实现城际迁徙行为识别。本申请能够区分来访、去访、过境三种迁徙行为类型,并获知不同迁徙行为的来访地与去访地,高频高效掌握城市不同类型、不同来访地或去访地迁徙量;进一步的,来访、过境、去访三种不同迁徙类型对交通资源的使用存在差异,可高效的为城市交通站场组织及车辆资源配备提供更为准确的基础数据支撑。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1为一个实施例中城际迁徙行为识别方法的应用环境图;
图2为一个实施例中城际迁徙行为识别方法的流程示意图;
图3为一个实施例中城际迁徙行为识别方法中有效用户集处理流程示意图;
图4为另一个实施例中城际迁徙行为识别方法的流程示意图;
图5为一个实施例中城际迁徙行为识别方法的具体流程示意图;
图6为一个实施例中城际迁徙行为识别装置的结构框图;
图7为一个实施例中计算机设备的内部结构图;
图8为另一个实施例中终端的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
可以理解,本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种数据集合等,但这些数据集合不受这些术语限制。这些术语仅用于将第一个数据集与另一个区分。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
传统技术提出利用手机信令数据提供人口居住地变化分析方法、城际交通出行方式以及判断城市双向客流量,但是对于常态化城际人群的迁徙行为缺乏完整、高效识别。传统技术剔除了城际迁徙行为中中转城市信息,无法区分信令用户在中转城市是有目的出行或无目的过境。进一步的,传统技术无法对同城化相邻城市之间迁徙的有效筛选,易发生用户在相邻城市频繁迁徙的虚假情况,缺乏对此类虚假迁徙进行甄别筛选。
以上,传统技术在识别城际人群迁徙时,存在时间成本与计算资源成本过高、部分场景不适用性的问题,无法高效识别迁徙行为类型。缺乏对同城化相邻城市之间迁徙的有效筛选,无法区分信令用户在中转城市是有目的出行或无目的过境;
而本申请提出对城际人群迁徙行为进行分析,可以对人群进行细分,例如过境人群;进一步,可以将相邻城市同城化区域多次往返迁徙的有效迁徙识别出来。本申请能够快速计算城际迁徙量,高效掌握城际交通情况。本申请有利于降低居民出行调查成本,获取精度更高的人群出行特征,使得交通管理、资源调度及预测更为准确。
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的城际迁徙行为识别方法,可以应用于如图1所示的应用环境中。其中,用户终端102可以通过网络与服务器104进行通信,用户终端102 还可以与基站通信。其中,用户终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
需要说明的是,本申请适合于城市内通过机场、长途客运站以及不同枢纽联程中转人群的迁徙行为识别,也可适用于铁路枢纽场景等;进一步的,本申请还适用于包括不使用上述枢纽的情景下,比如自驾车,信令位置变化了亦可适用;本申请涉及相邻城市边界区域基站切换,并结合基站距离设置了筛选阈值,能够去除无效切换。
在一个实施例中,如图2所示,提供了一种城际迁徙行为识别方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤202,根据用户轨迹数据,确定发生城际迁徙行为的有效用户集;有效用户集包括于预设时间区间内轨迹跨越至少三个城市的第一轨迹数据集。
其中,用户轨迹数据可以采用用户终端的信令数据得到,例如,手机信令数据,又如,用户信令时间空间打点轨迹;在一个具体的示例中,手机信令数据可以是由手机用户在发生通话、发短信或移动位置等事件时,被运营商的通信基站捕获并记录同一用户信令轨迹所产生。本申请中手机信令数据的数据空间分辨率可以为基站,时间分辨率则可精确到秒,进一步的,手机信令数据字段中可以包含时间和空间位置属性,还有通话和信息记录等信息,通过上述信息的关联进而可以反推用户的出行轨迹(即用户轨迹数据)。
本申请提出城际迁徙用户轨迹提取,确定有效用户集合;
在一个示例中,还可以包括步骤:
基于用户信令在时间与空间上的打点,判断用户是否发生城际迁徙行为;
具体地,可以基于用户信令数据(例如,手机信令数据),判断用户是否发生城际迁徙行为;其中,可以从手机信令数据中提取原始基站轨迹序列,每一个轨迹点包含基站地理位置坐标和时间戳;在一个示例中,用户信令数据可以包括时间信息和位置信息;进一步的,提取的信息可以包含用户ID,轨迹打点时间与地点。
其中,判断用户是否发生城际迁徙行为的步骤可以包括:用户的位置信息在预设时间区间(例如,24小时)内是否跨越不同城市;
在确认发生城际迁徙行为时,对相应的用户信令数据进行处理,获取有效用户集;在一个实施例中,有效用户集可以包括集合Q,即第一轨迹数据集;也可分别获取集合P(即第二轨迹数据集)和集合Q,进而得到有效用户集。
本申请提出如果发生城际迁徙行为,则将该用户信令时间位置信息所形成的序列提取出来以备分析。其中,判断发生城际迁徙行为的依据可以是用户的位置信息在24小时(即预设时间区间)内是否跨越不同城市。
需要说明的是,若用户轨迹跨越三个及以上城市则提取到集合Q,该集合为城际迁徙中暂时无法判断迁徙类型的集合;若用户轨迹只在一个城市,那么该用户未发生城际迁徙,无需提取,提取的信息需包含用户ID,轨迹打点时间与地点。在一个示例中,若用户轨迹跨越两个城市则提取到集合P,该集合为从来访地直达去访地的迁徙集合。
步骤204,获取第一轨迹数据集中用户于各城市的驻留时长,以及城市过境中转时间阈值;城市过境中转时间阈值为基于目标枢纽平均停留时长和从目标枢纽进出城市的时间常量得到;
具体而言,对于第一轨迹数据集,可以获取用户于某一城市的驻留时长;即对于集合Q,获取用户在各个城市的驻留时长。其中,驻留时长可以指用户信令在某地区连续驻留的时长。
在一个具体的实施例中,获取所述第一轨迹数据集中用户于各城市的驻留时长的步骤,可以包括:
获取第一轨迹数据集中用户信令数据出现在任一城市的首次时刻与末次时刻;
将首次时刻与末次时刻的差确认为驻留时长。
具体地,驻留时长可以基于用户信令出现在城市目标区域的首次时刻与末次时刻的差值得到。
例如,驻留时长可以为用户信令出现在该地区最晚时间(即末次时刻)与最早时间(即首次时刻)之间的差值;其中,可以基于以下公式得到驻留时长:
ti(Ax)=ti(Ax)l-ti(Ax)e
其中,ti(Ax)表示用户i在城市Ax的驻留时长;ti(Ax)l表示用户i的用户信令数据出现在城市Ax的末次时刻(即最晚打点时间);ti(Ax)e表示用户i的用户信令数据出现在城市Ax的首次时刻(即最早打点时间)。
进一步的,本申请提出获取第一轨迹数据集中用户于各城市的城市过境中转时间阈值;城市过境中转时间阈值可以为基于目标枢纽平均停留时长和从目标枢纽进出城市的时间常量得到。
具体而言,城市过境中转时间阈值可以包括同枢纽中转下过境中转时间阈值;在一个示例中,城市过境中转时间阈值也可以包括跨枢纽中转下过境中转时间阈值;例如,用户经过城市Ax过境迁徙,会在该城市的对外交通枢纽ak、 ag区域留下信令轨迹,可以据此将过境中转分为同枢纽中转、跨枢纽中转,并分别计算过境中转时间阈值t0(Ax)。
在一个具体的实施例中,城市过境中转时间阈值可以包括同枢纽中转下过境中转时间阈值;
获取同枢纽中转下过境中转时间阈值的步骤可以包括:
对目标枢纽的日常出入境信令进行聚类监测,得到从目标枢纽进出城市的时间常量;目标枢纽平均停留时长包括用户于目标枢纽的历史平均驻留时长;
处理历史平均驻留时长和从目标枢纽进出城市的时间常量,得到同枢纽中转下过境中转时间阈值。
具体而言,同枢纽中转情形下,可以采用如下公式得到过境中转时间阈值:
其中,t0(Ax)表示跨枢纽中转下过境中转时间阈值,即在城市Ax过境中转的时间阈值;表示在城市Ax经目标枢纽ak过境中转时间;表示目标枢纽ak过区域内用户平均驻留时长,实际应用中可以采用枢纽ak区域历史平均驻留时长常量,进而节省计算资源与耗时;N可以表示于预设时段内在目标枢纽ak出现过的用户数量,n表示用户n;h(ak)表示从目标枢纽ak进出城市Ax的时间常量,可以从日常枢纽出入境信令聚类监测得到;s(ak)n为用户n在枢纽ak区域的驻留时间。
其中,预设时段可以指与计算时期比较相近的时段即可,比如近一个月或者近一年。
在一个具体的实施例中,城市过境中转时间阈值可以包括跨枢纽中转下过境中转时间阈值;
具体而言,跨枢纽中转情形下,过境中转时间阈值可以采用如下方式得到:
在实际迁徙中,经过某城市中转一般跨越两个交通枢纽,需要在中转城市三个及以上交通枢纽的中转的情况甚少,因此跨枢纽中转只考虑跨越两个枢纽的情况。
本申请提出,基于以下公式,得到跨枢纽中转下过境中转时间阈值:
其中,t0(Ax)表示跨枢纽中转下过境中转时间阈值;表示在城市Ax经目标枢纽ak、ag过境中转时间;表示目标枢纽ak区域内用户平均驻留时长,可由日常枢纽信令市场监测得到;N表示于预设时段内在目标枢纽ak出现过的用户数量,n表示用户n;
表示目标枢纽ag区域内用户平均驻留时长,M表示于预设时段内在目标枢纽ag出现过的用户数量,m表示用户m;s(ak,ag)pub表示从目标枢纽ak到目标枢纽ag采用公共交通(例如,公交地铁等)的接驳最小耗时;s(ak,ag)tax表示从目标枢纽ak到目标枢纽ag采用私人交通(例如,出租)的接驳耗时;h(ak) 表示从目标枢纽ak进出城市Ax的时间常量;h(ag)表示从枢纽ag进出城市Ax的时间常量,可由日常枢纽出入境信令聚类监测得到。
其中,上述的预设时段可以指与计算时期比较相近的时段即可,比如近一个月或者近一年。
需要说明的是,在一个具体的实施例中,城市过境中转时间阈值可以包括同枢纽中转下过境中转时间阈值和跨枢纽中转下过境中转时间阈值。
步骤206,比较驻留时长和城市过境中转时间阈值,并根据比较的结果确认第一轨迹数据集中用户的城际迁徙行为类型;城际迁徙行为类型包括来访、去访和过境。
具体而言,本申请可以根据城市过境中转时间阈值和驻留时长,进行过境中转迁徙判断,进一步的根据过境中转迁徙判断结果,确认城际迁徙行为识别类型。以集合Q(即第一轨迹数据集)为例,对于集合Q,将用户轨迹按时序经过城市依次标记为Ax(x=1,2,3…),用户i在各个城市的驻留时长ti(Ax)分别与对应城市的过境中转时间阈值t0(Ax)进行比较,其中,分析时段内的轨迹所在第一个城市无须比较。
具体地,若用户i轨迹只在城市Ax一个对外交通枢纽出现,采用同枢纽中转情形计算过境中转时间阈值,否则采取跨枢纽中转情形计算。
在一个具体的实施例中比较驻留时长和城市过境中转时间阈值,并根据比较的结果确认第一轨迹数据集中用户的城际迁徙行为类型的步骤中,基于以下公式,得到比较的结果:
其中,fi(Ax)<0表示用户i在城市Ax过境中转,fi(Ax)>0表示用户i在城市Ax出现其他目的的活动;ti(Ax)表示用户i在城市Ax的驻留时长,用户i的用户轨迹数据依据时序经过的城市依次为Ax(x=1,2,3…);t0(Ax)表示城市过境中转时间阈值;表示同枢纽中转下过境中转时间阈值,同枢纽中转下过境中转时间阈值为在城市Ax经目标枢纽ak过境中转时间;表示跨枢纽中转下过境中转时间阈值,跨枢纽中转下过境中转时间阈值为在城市Ax经目标枢纽ak、ag过境中转时间。
在一个具体的实施例中,如图3所示,还可以包括步骤:
在fi(Ay)>0的情况下,在城市Ay对第一轨迹数据集中用户i的用户轨迹数据进行数据分割,得到前段轨迹子集(A1,Ay)和后段轨迹子集(Ay,Ax);
将前段轨迹子集(A1,Ay)中涉及两个城市的用户轨迹数据提取至第二轨迹数据集,涉及至少三个城市的用户轨迹数据提取至第三轨迹数据集,并确认第三轨迹数据集中用户的城际迁徙行为类型;
根据驻留时长和城市过境中转时间阈值,对后段轨迹子集(Ay,Ax)进行处理,并根据处理的结果对后段轨迹子集(Ay,Ax)进行数据分割,直至将第一轨迹数据集中的各用户轨迹数据分割提取至第二轨迹数据集或第三轨迹数据集。
具体而言,如图3所示,fi(Ax)<0表示用户i在城市Ax过境中转,fi(Ax)>0 表示用户i在城市Ax出现其他目的的活动。
若用户i在城市Ay出现了其他目的活动的轨迹,即fi(Ay)>0,则将用户i 的轨迹在城市Ay切成两个子轨迹,前段轨迹(A1,Ay)(即前段轨迹子集)若涉及两个城市提取至集合P(即第二轨迹数据集),若涉及三个及以上城市则提取至集合R(即第三轨迹数据集),后段轨迹(Ay,Ax)(即后段轨迹子集)继续在集合Q中进行过境中转迁徙判断与轨迹分解,直至Q集合中所有轨迹分解至P 或者R中。
其中,为了清晰描述处理过程,可以将单个用户轨迹按时序分步判断分解,实际计算时单个用户的轨迹可以整批同时处理节约分析时间。
进一步的,如图3所示,可基于上述比较的结果确认第一轨迹数据集中用户的城际迁徙行为类型。例如,对于集合P,用户i轨迹先后出现在C1,C2两个城市,用户i迁出城市C1、迁入城市C2。对于城市C1而言,用户i为去访迁徙类型,去访地为城市C2;对于城市C2而言,用户i为来访迁徙类型,来访地为城市C1。
对于集合R,用户i轨迹先后出现在C1,C2...Cv三个及以上城市,用户i迁出城市C1、迁入城市Cv。对于城市C1而言,用户i为去访迁徙类型,去访地为城市Cv;对于城市Cv而言,用户i为来访迁徙类型,来访地为城市C1;对于中间的城市 C2...Cv-1而言,用户i为过境迁徙类型,来访地为城市C1,去访地为城市Cv。
以上,本申请利用手机信令的时间位置序列,判断迁入迁出城市行为,并结合对外交通枢纽空间位置标定过境迁徙时间阈值,实现城际迁徙行为识别。本申请中的城际迁徙类型识别指的是能够区分来访、去访、过境三种迁徙行为类型,并获知不同迁徙行为的来访地与去访地,高频高效掌握城市不同类型、不同来访地或去访地迁徙量;进一步的,来访、过境、去访三种不同迁徙类型对交通资源的使用存在差异,可为城市交通站场组织及车辆资源配备提供基础数据支撑。
本申请提出对城际人群迁徙行为进行分析,可以对人群进行细分,例如过境人群;进一步,可以将相邻城市同城化区域多次往返迁徙的有效迁徙识别出来。本申请能够快速计算城际迁徙量,高效掌握城际交通情况,有利于降低居民出行调查成本,获取精度更高的不同身份人群出行特征,使得交通管理、资源调度及预测更为准确。
在一个实施例中,如图4所示,提供了一种城际迁徙行为识别方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤402,根据用户轨迹数据,确定发生城际迁徙行为的有效用户集;有效用户集包括于预设时间区间内轨迹跨越至少三个城市的第一轨迹数据集;
其中,有效用户集还可以包括于预设时间区间内轨迹跨越两个城市的第二轨迹数据集;
步骤404,获取第一轨迹数据集中用户于各城市的驻留时长,以及城市过境中转时间阈值;城市过境中转时间阈值为基于目标枢纽平均停留时长和从目标枢纽进出城市的时间常量得到;
其中,步骤404还可以包括步骤:对第二轨迹数据集进行无效城际迁徙数据剔除,得到有效的第二轨迹数据集;
步骤406,比较驻留时长和城市过境中转时间阈值,并根据比较的结果确认第一轨迹数据集中用户的城际迁徙行为类型;城际迁徙行为类型包括来访、去访和过境;
其中,步骤406还可以包括步骤:确认有效的第二轨迹数据集中用户的城际迁徙行为类型。
在一个具体的实施例中,对第二轨迹数据集进行无效城际迁徙数据剔除,得到有效的第二轨迹数据集的步骤,可以包括:
获取第二轨迹数据集中用户的单程迁徙轨迹;单程迁徙轨迹可以包括用户信令位置跨城距离;
在用户信令位置跨城距离大于相邻基站空间距离的情况下,将单程迁徙轨迹确认为有效单程迁徙轨迹;
基于用户行为数据对有效单程迁徙轨迹进行筛选,得到有效的第二轨迹数据集;用户行为数据包括往返通勤次数和工作出勤时间。
具体而言,本申请提出对有效用户集合进行相邻城市有效迁徙判断,剔除无效城际迁徙数据;即对于第二集合P,进行无效城际迁徙数据剔除(即数据的预处理),例如,考虑相邻城市同城化区域手机信令与基站自适配连接情况,剔除无效迁徙。
其中,可以根据个体出行链(即城际出行链)分析对应的用户在城市市域范围内的停留点。本申请提出,对手机信令数据可以采用相应的算法提取完整的出行链,进而用于交通规划分析。出行链,可以指研究范围的一次单独出行,比如上班出行,捕获某手机用户在上午某时刻离开之前未发生变动的活动范围 (如居民住所)内,按照一定的速度位置发生不断变化,采集到系列的对应的位置出行信息,直到到达某个地点(办公场所)后,其活动范围在指定时间内和指定阈值规定的小半径范围内,即可认定从起始点到到达点之间的这次系列位置信息对应的出行轨迹为一次完整的出行链。
具体的,本申请提出针对无效城际迁徙数据剔除,可以包括以下两种筛除方案中的任意一种或任意组合:
①判断单程迁徙轨迹有效性,结合营运商基站布局与用户迁徙轨迹打点信息,单程迁徙用户信令位置跨城距离小于相邻基站空间距离,则认为该次迁徙实质上是用户手机连接不同基站,用户本身并未发生占用交通资源的迁徙行为,此类无效迁徙的轨迹打点信息需剔除。
②基于通勤考虑筛选有效迁徙,在单程迁徙轨迹有效的基础上,若一天内用户两城市返迁徙次数超过4次,则认为仅有4次迁徙为有效迁徙,分别是用户上午、下午各发生的2次往返通勤出行,根据最接近工作出勤时间筛选出有效迁徙轨迹信息,其他信息剔除。
传统技术中迁徙数据存在较多因为用户位置处于相邻城市交界处,手机信令与基站自适配连接,故而发生用户在相邻城市频繁迁徙的虚假情况;传统技术将地城际迁徙数据认为是有效的,但对于同城化的相邻城市(例如广州-佛山),交界区域属于经济繁忙商圈或者成熟社区,基于运营商基站的用户信令位置高频发生变化,会出现虚高的城际往返迁徙数据。
而本申请结合基站布局与通勤行为规律提出上述两个筛查条件,能够提高交界同城化区域城际迁徙行为识别有效性,为交通管理与服务部门提供实时、可靠的迁徙需求。
需要说明的是,步骤402~406中的涉及到的各步骤,可以采用步骤202~206 中提及的示例或方式予以实现,此处不再重复赘述。
以上,如图5所示,本申请提出的城际迁徙行为识别方法,可以包括城际迁徙用户轨迹提取、相邻城市有效迁徙判断、驻留时长计算、城市过境中转时间阈值计算、过境中转迁徙判断以及城际迁徙类型识别等步骤;其中,本申请提出了对有效用户集合进行相邻城市有效迁徙判断,剔除无效城际迁徙数据;即针对无效城际迁徙数据剔除,能够获取城市过境中转时间阈值,且基于该阈值和驻留时长,进行过境中转迁徙判断。进而本申请在分析城际人群迁徙行为时,可以对人群进行细分,例如过境人群;进一步,可以将相邻城市同城化区域多次往返迁徙的有效迁徙识别出来。
本申请能够快速计算城际迁徙量,高效掌握城际交通情况。本申请有利于降低居民出行调查成本,获取精度更高的不同身份人群出行特征,使得交通管理、资源调度及预测更为准确。
应该理解的是,虽然图2-5的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-5中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供了一种城际迁徙行为识别装置,包括:
用户集合模块610,用于根据用户轨迹数据,确定发生城际迁徙行为的有效用户集;有效用户集包括于预设时间区间内轨迹跨越至少三个城市的第一轨迹数据集;
数据获取模块620,用于获取第一轨迹数据集中用户于各城市的驻留时长,以及城市过境中转时间阈值;城市过境中转时间阈值为基于目标枢纽平均停留时长和从目标枢纽进出城市的时间常量得到;
比较确认模块630,用于比较驻留时长和城市过境中转时间阈值,并根据比较的结果确认第一轨迹数据集中用户的城际迁徙行为类型;城际迁徙行为类型包括来访、去访和过境。
在一个具体的实施例中,有效用户集还包括于预设时间区间内轨迹跨越两个城市的第二轨迹数据集;
还包括:
数据剔除模块,用于对第二轨迹数据集进行无效城际迁徙数据剔除,得到有效的第二轨迹数据集;
比较确认模块,还用于确认有效的第二轨迹数据集中用户的城际迁徙行为类型。
在其中一个实施例中,数据剔除模块,用于获取第二轨迹数据集中用户的单程迁徙轨迹;单程迁徙轨迹包括用户信令位置跨城距离;在用户信令位置跨城距离大于相邻基站空间距离的情况下,将单程迁徙轨迹确认为有效单程迁徙轨迹;以及用于基于用户行为数据对有效单程迁徙轨迹进行筛选,得到有效的第二轨迹数据集;用户行为数据包括往返通勤次数和工作出勤时间。
在一个具体的实施例中,城市过境中转时间阈值包括同枢纽中转下过境中转时间阈值;
数据获取模块,用于对目标枢纽的日常出入境信令进行聚类监测,得到从目标枢纽进出城市的时间常量;目标枢纽平均停留时长包括用户于目标枢纽的历史平均驻留时长;以及用于处理历史平均驻留时长和从目标枢纽进出城市的时间常量,得到同枢纽中转下过境中转时间阈值。
在一个具体的实施例中,城市过境中转时间阈值包括跨枢纽中转下过境中转时间阈值;
数据获取模块,用于基于以下公式,得到跨枢纽中转下过境中转时间阈值:
其中,t0(Ax)表示跨枢纽中转下过境中转时间阈值;表示在城市Ax经目标枢纽ak、ag过境中转时间;表示目标枢纽ak区域内用户平均驻留时长,N表示于预设时段内在目标枢纽ak出现过的用户数量,n表示用户n;表示目标枢纽ag区域内用户平均驻留时长,M表示于预设时段内在目标枢纽ag出现过的用户数量,m表示用户m;s(ak,ag)pub表示从目标枢纽ak到目标枢纽ag采用公共交通的接驳最小耗时;s(ak,ag)tax表示从目标枢纽ak到目标枢纽ag采用私人交通的接驳耗时;h(ak)表示从目标枢纽ak进出城市Ax的时间常量;h(ag)表示从枢纽ag进出城市Ax的时间常量。
在一个具体的实施例中,城市过境中转时间阈值包括同枢纽中转下过境中转时间阈值和跨枢纽中转下过境中转时间阈值;
比较确认模块,用于基于以下公式,得到比较的结果:
其中,fi(Ax)<0表示用户i在城市Ax过境中转,fi(Ax)>0表示用户i在城市Ax出现其他目的的活动;ti(Ax)表示用户i在城市Ax的驻留时长,用户i的用户轨迹数据依据时序经过的城市依次为Ax(x=1,2,3…);t0(Ax)表示城市过境中转时间阈值;表示同枢纽中转下过境中转时间阈值,同枢纽中转下过境中转时间阈值为在城市Ax经目标枢纽ak过境中转时间;表示跨枢纽中转下过境中转时间阈值,跨枢纽中转下过境中转时间阈值为在城市Ax经目标枢纽ak、ag过境中转时间。
在一个具体的实施例中,比较确认模块,还用于在fi(Ay)>0的情况下,在城市Ay对第一轨迹数据集中用户i的用户轨迹数据进行数据分割,得到前段轨迹子集(A1,Ay)和后段轨迹子集(Ay,Ax);将前段轨迹子集(A1,Ay)中涉及两个城市的用户轨迹数据提取至第二轨迹数据集,涉及至少三个城市的用户轨迹数据提取至第三轨迹数据集,并确认第三轨迹数据集中用户的城际迁徙行为类型;根据驻留时长和城市过境中转时间阈值,对后段轨迹子集(Ay,Ax)进行处理,并根据处理的结果对后段轨迹子集(Ay,Ax)进行数据分割,直至将第一轨迹数据集中的各用户轨迹数据分割提取至第二轨迹数据集或第三轨迹数据集。
关于城际迁徙行为识别装置的具体限定可以参见上文中对于城际迁徙行为识别方法的限定,在此不再赘述。上述城际迁徙行为识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储用户信令数据以及用户轨迹数据等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种城际迁徙行为识别方法。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种城际迁徙行为识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图7、图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述方法的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程 ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限, RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步 DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM (ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线式动态随机存储器(RambusDRAM,简称RDRAM)、以及接口动态随机存储器(DRDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种城际迁徙行为识别方法,其特征在于,包括步骤:
根据用户轨迹数据,确定发生城际迁徙行为的有效用户集;所述有效用户集包括于预设时间区间内轨迹跨越至少三个城市的第一轨迹数据集,以及于所述预设时间区间内轨迹跨越两个城市的第二轨迹数据集;
获取所述第一轨迹数据集中用户于各城市的驻留时长,以及城市过境中转时间阈值;所述城市过境中转时间阈值为基于目标枢纽平均停留时长和从所述目标枢纽进出城市的时间常量得到;
比较所述驻留时长和所述城市过境中转时间阈值,并根据所述比较的结果确认所述第一轨迹数据集中用户的城际迁徙行为类型;所述城际迁徙行为类型包括来访、去访和过境;
其中,所述城市过境中转时间阈值包括同枢纽中转下过境中转时间阈值和跨枢纽中转下过境中转时间阈值;比较所述驻留时长和所述城市过境中转时间阈值,并根据所述比较的结果确认所述第一轨迹数据集中用户的城际迁徙行为类型的步骤中,基于以下公式,得到所述比较的结果:
其中,fi(Ax)<0表示用户i在城市Ax过境中转,fi(Ax)>0表示用户i在城市Ax出现其他目的的活动;ti(Ax)表示用户i在城市Ax的所述驻留时长,用户i的用户轨迹数据依据时序经过的城市依次为Ax(x=1,2,3…);t0(Ax)表示所述城市过境中转时间阈值;表示所述同枢纽中转下过境中转时间阈值,所述同枢纽中转下过境中转时间阈值为在城市Ax经目标枢纽ag过境中转时间;表示所述跨枢纽中转下过境中转时间阈值,所述跨枢纽中转下过境中转时间阈值为在城市Ax经目标枢纽af、ag过境中转时间;
在fi(Ay)>0的情况下,在城市Ay对所述第一轨迹数据集中用户i的用户轨迹数据进行数据分割,得到前段轨迹子集(A1,Ay)和后段轨迹子集(Ay,Ax);
将所述前段轨迹子集(A1,Ay)中涉及两个城市的用户轨迹数据提取至所述第二轨迹数据集,涉及至少三个城市的用户轨迹数据提取至第三轨迹数据集,并确认所述第三轨迹数据集中用户的所述城际迁徙行为类型;
根据所述驻留时长和所述城市过境中转时间阈值,对所述后段轨迹子集(Ay,Ax)进行处理,并根据所述处理的结果对所述后段轨迹子集(Ay,Ax)进行数据分割,直至将所述第一轨迹数据集中的各用户轨迹数据分割提取至所述第二轨迹数据集或所述第三轨迹数据集。
2.根据权利要求1所述的城际迁徙行为识别方法,其特征在于,还包括步骤:
对所述第二轨迹数据集进行无效城际迁徙数据剔除,得到有效的第二轨迹数据集;
确认所述有效的第二轨迹数据集中用户的所述城际迁徙行为类型。
3.根据权利要求2所述的城际迁徙行为识别方法,其特征在于,所述对所述第二轨迹数据集进行无效城际迁徙数据剔除,得到有效的第二轨迹数据集的步骤,包括:
获取所述第二轨迹数据集中用户的单程迁徙轨迹;所述单程迁徙轨迹包括用户信令位置跨城距离;
在所述用户信令位置跨城距离大于相邻基站空间距离的情况下,将所述单程迁徙轨迹确认为有效单程迁徙轨迹;
基于用户行为数据对所述有效单程迁徙轨迹进行筛选,得到所述有效的第二轨迹数据集;所述用户行为数据包括往返通勤次数和工作出勤时间。
4.根据权利要求1至3任一项所述的城际迁徙行为识别方法,其特征在于,
获取所述同枢纽中转下过境中转时间阈值的步骤包括:
对所述目标枢纽的日常出入境信令进行聚类监测,得到从所述目标枢纽进出城市的时间常量;所述目标枢纽平均停留时长包括用户于所述目标枢纽的历史平均驻留时长;
处理所述历史平均驻留时长和从所述目标枢纽进出城市的时间常量,得到所述同枢纽中转下过境中转时间阈值。
5.根据权利要求1至3任一项所述的城际迁徙行为识别方法,其特征在于,
基于以下公式,得到所述跨枢纽中转下过境中转时间阈值:
6.一种城际迁徙行为识别装置,其特征在于,包括:
用户集合模块,用于根据用户轨迹数据,确定发生城际迁徙行为的有效用户集;所述有效用户集包括于预设时间区间内轨迹跨越至少三个城市的第一轨迹数据集;
数据获取模块,用于获取所述第一轨迹数据集中用户于各城市的驻留时长,以及城市过境中转时间阈值;所述城市过境中转时间阈值为基于目标枢纽平均停留时长和从所述目标枢纽进出城市的时间常量得到;
比较确认模块,用于比较所述驻留时长和所述城市过境中转时间阈值,并根据所述比较的结果确认所述第一轨迹数据集中用户的城际迁徙行为类型;所述城际迁徙行为类型包括来访、去访和过境;
其中,所述城市过境中转时间阈值包括同枢纽中转下过境中转时间阈值和跨枢纽中转下过境中转时间阈值;所述比较确认模块,用于基于以下公式,得到所述比较的结果:
其中,fi(Ax)<0表示用户i在城市Ax过境中转,fi(Ax)>0表示用户i在城市Ax出现其他目的的活动;ti(Ax)表示用户i在城市Ax的所述驻留时长,用户i的用户轨迹数据依据时序经过的城市依次为Ax(x=1,2,3…);t0(Ax)表示所述城市过境中转时间阈值;表示所述同枢纽中转下过境中转时间阈值,所述同枢纽中转下过境中转时间阈值为在城市Ax经目标枢纽ag过境中转时间;表示所述跨枢纽中转下过境中转时间阈值,所述跨枢纽中转下过境中转时间阈值为在城市Ax经目标枢纽af、ag过境中转时间;
在fi(Ay)>0的情况下,在城市Ay对所述第一轨迹数据集中用户i的用户轨迹数据进行数据分割,得到前段轨迹子集(A1,Ay)和后段轨迹子集(Ay,Ax);
将所述前段轨迹子集(A1,Ay)中涉及两个城市的用户轨迹数据提取至所述第二轨迹数据集,涉及至少三个城市的用户轨迹数据提取至第三轨迹数据集,并确认所述第三轨迹数据集中用户的所述城际迁徙行为类型;
根据所述驻留时长和所述城市过境中转时间阈值,对所述后段轨迹子集(Ay,Ax)进行处理,并根据所述处理的结果对所述后段轨迹子集(Ay,Ax)进行数据分割,直至将所述第一轨迹数据集中的各用户轨迹数据分割提取至所述第二轨迹数据集或所述第三轨迹数据集。
7.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010638506.0A CN111797926B (zh) | 2020-07-06 | 2020-07-06 | 城际迁徙行为识别方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010638506.0A CN111797926B (zh) | 2020-07-06 | 2020-07-06 | 城际迁徙行为识别方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111797926A CN111797926A (zh) | 2020-10-20 |
CN111797926B true CN111797926B (zh) | 2021-11-30 |
Family
ID=72811213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010638506.0A Active CN111797926B (zh) | 2020-07-06 | 2020-07-06 | 城际迁徙行为识别方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111797926B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113468439A (zh) * | 2021-06-29 | 2021-10-01 | 北京市商汤科技开发有限公司 | 数据处理方法、装置、设备、存储介质及程序产品 |
CN113641913B (zh) * | 2021-08-20 | 2022-04-12 | 数睿科技(珠海横琴)有限公司 | 数据处理方法、装置和电子设备 |
CN114139251B (zh) * | 2021-11-14 | 2023-01-17 | 深圳市规划国土发展研究中心 | 一种边境地区陆路口岸整体布局方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073937A (zh) * | 2010-12-30 | 2011-05-25 | 中国民航信息网络股份有限公司 | 一种枢纽机场中转管理系统及方法 |
CN106096631A (zh) * | 2016-06-02 | 2016-11-09 | 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 |
CN106980930A (zh) * | 2017-03-20 | 2017-07-25 | 山东浪潮云服务信息科技有限公司 | 一种运用大数据多点碰撞技术进行人口迁徙分析的方法 |
US20190182624A1 (en) * | 2017-06-30 | 2019-06-13 | Shandong Provincial Communications Planning And Design Institute | Method and device for judging intercity transportation mode based on mobile phone data |
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 |
CN110868689A (zh) * | 2019-11-25 | 2020-03-06 | 智慧足迹数据科技有限公司 | 常住人口确定方法、装置和电子设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109740901A (zh) * | 2018-12-25 | 2019-05-10 | 国家消防工程技术研究中心 | 检查规划路径的生成方法、装置、服务器及存储介质 |
CN109840872A (zh) * | 2019-01-08 | 2019-06-04 | 福建福诺移动通信技术有限公司 | 一种基于运营商信令数据计算城市通勤模型的方法 |
CN110418287B (zh) * | 2019-07-12 | 2021-06-01 | 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 |
-
2020
- 2020-07-06 CN CN202010638506.0A patent/CN111797926B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073937A (zh) * | 2010-12-30 | 2011-05-25 | 中国民航信息网络股份有限公司 | 一种枢纽机场中转管理系统及方法 |
CN106096631A (zh) * | 2016-06-02 | 2016-11-09 | 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 |
CN106980930A (zh) * | 2017-03-20 | 2017-07-25 | 山东浪潮云服务信息科技有限公司 | 一种运用大数据多点碰撞技术进行人口迁徙分析的方法 |
US20190182624A1 (en) * | 2017-06-30 | 2019-06-13 | Shandong Provincial Communications Planning And Design Institute | Method and device for judging intercity transportation mode based on mobile phone data |
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 |
CN110868689A (zh) * | 2019-11-25 | 2020-03-06 | 智慧足迹数据科技有限公司 | 常住人口确定方法、装置和电子设备 |
Non-Patent Citations (1)
Title |
---|
基于移动信令数据的用户出行行为研究;李耀辉;《中国优秀硕博士学位论文全文数据库(硕士) 信息科技辑》;20180415(第4期);正文全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111797926A (zh) | 2020-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111797926B (zh) | 城际迁徙行为识别方法、装置、计算机设备及存储介质 | |
Bolbol et al. | Inferring hybrid transportation modes from sparse GPS data using a moving window SVM classification | |
CN111079875A (zh) | 基于多源数据的公共交通客流监测方法、装置和存储介质 | |
CN111985710A (zh) | 一种公交乘客出行站点预测方法、存储介质及服务器 | |
Pei et al. | PAC: partial area clustering for re-adjusting the layout of traffic stations in city’s public transport | |
CN114363842B (zh) | 基于手机信令数据的公交乘客下车站点预测方法及装置 | |
CN110991390B (zh) | 身份信息检索方法、装置、业务系统及电子设备 | |
CN115086880B (zh) | 一种出行特征识别方法、装置、设备及存储介质 | |
Pieroni et al. | Big data for big issues: Revealing travel patterns of low-income population based on smart card data mining in a global south unequal city | |
CN111445369A (zh) | 基于lbs大数据的城市大型聚集活动情报预警方法和装置 | |
CN106710019A (zh) | 数据处理方法、装置及电子设备 | |
CN111091215A (zh) | 车辆识别方法、装置、计算机设备和存储介质 | |
CN115098564A (zh) | 一种乘客出行需求分析方法及系统 | |
Ma et al. | Public transportation big data mining and analysis | |
Haliem et al. | AdaPool: An adaptive model-free ride-sharing approach for dispatching using deep reinforcement learning | |
Su et al. | Data‐Driven Method for Passenger Path Choice Inference in Congested Subway Network | |
Sardinha et al. | Context-aware demand prediction in bike sharing systems: Incorporating spatial, meteorological and calendrical context | |
Verma et al. | Extracting spatiotemporal commuting patterns from public transit data | |
CN112381956A (zh) | 基于云计算的ai智能人脸识别售检票系统及方法 | |
Guo et al. | A new anomalous travel demand prediction method combining Markov model and complex network model | |
CN110969299A (zh) | 交通路线生成的方法、装置、计算机设备及存储介质 | |
Panichpapiboon et al. | A big data analysis on urban mobility: Case of Bangkok | |
Crawford et al. | Analysing spatial intrapersonal variability of road users using point-to-point sensor data | |
CN114611622A (zh) | 一种利用手机数据识别跨城通勤人群的方法 | |
CN113822367A (zh) | 一种基于人脸的区域行为分析方法、系统及介质 |
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 |