CN112669537B - 基于Wi-Fi日志的校园共享单车投放信息处理方法及装置 - Google Patents
基于Wi-Fi日志的校园共享单车投放信息处理方法及装置 Download PDFInfo
- Publication number
- CN112669537B CN112669537B CN202011504061.3A CN202011504061A CN112669537B CN 112669537 B CN112669537 B CN 112669537B CN 202011504061 A CN202011504061 A CN 202011504061A CN 112669537 B CN112669537 B CN 112669537B
- Authority
- CN
- China
- Prior art keywords
- time
- data set
- user
- log
- region
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于Wi‑Fi日志的校园共享单车投放信息处理方法及装置,其中方法包括校园地图分割;Wi‑Fi日志采集:采集一定量的用户设备Wi‑Fi连接日志,筛选移动设备的数据构建历史数据集;时空轨迹提取:提取Wi‑Fi日志中用户的时空信息,构成历史轨迹;时间序列预测:统计生成区域人流量数据集,构建预测模型,实现区域人数、进流量、出流量的长时准确预测;投放策略研究:根据人流量预测结果,设计资源需求度量,以此为依据选定单车投放区域和投放比例。与现有技术相比,本发明以校园Wi‑Fi日志为出发点,定量分析各个区域人流量的实际变化情况,并采用深度学习模型进行长时准确预测,可以提高校园共享单车的利用率。
Description
技术领域
本发明涉及校园共享单车投放领域,尤其是涉及一种基于Wi-Fi日志的校园共享单车投放信息处理方法及装置。
背景技术
随着共享经济理念的推动和物联网技术的发展,其代表性产物共享单车在国内各大城市快速的风靡。多年来,共享单车业务不断优化发展,在单车品质、app体验、车辆覆盖率上都得到了实质的提升。在高校校园中,共享单车也是一种便捷、低碳、实惠的出行方式,深受广大师生的青睐。
在高校内部,周一至周五工作日时间,师生外出较少,单车往往在封闭校园内流动;而周六至周日双休日时间,随着学生的外出活动,一部分单车流出校外。因此,单车维护人员会定期运输一批车辆进行增量投放,同时会回收故障的车辆。在覆盖面积较大的封闭校园中,投放如何选时选址、投放后快速流通、提升用户覆盖率等问题在高校单车运维中尚未得到合理的解决。
现有的方法许多上基于定性研究的方式,有通过实地问卷调查聆听用户的真实需求,也有采用罗马尼亚选择法和层次分析法对可能的因素进行综合评价,再进行优化配置,但上述方法缺少真实有力的数据支持,效果较为有限;虽然也有研究人员与共享单车厂商合作,获取单车的订单数据加以研究,分析数校园内的单车需求量。但是由于缺乏校园环境的影响,因此在投放上无论是空间还是时间都不够细致,仍然造成了一定程度上的单车利用率低。
发明内容
本发明的目的就是为了提供一种基于Wi-Fi日志的校园共享单车投放信息处理方法及装置,从已有的校园Wi-Fi日志出发,深入分析挖掘校园各个区域人流量的实际变化情况,为共享单车的投放提供真实有力的数据支持,从而有效提高校园共享单车的利用率。
本发明的目的可以通过以下技术方案来实现:
一种基于Wi-Fi日志的校园共享单车投放信息处理方法,包括:
步骤S1:基于部署有AP的楼栋的位置信息,结合地理围栏,将校园地图分割为多个区域;
步骤S2:持续采集第一段时间的用户设备Wi-Fi连接日志,筛选出移动设备,并构建移动设备集,并进一步跟踪采集移动设备集中各移动设备第二段时间内的Wi-Fi连接日志,将第一段时间内和第二段时间内的所有移动设备的Wi-Fi连接日志构建历史数据集;
步骤S3:根据历史数据集中的Wi-Fi连接日志生成各用户的历史轨迹;
步骤S4:根据各用户的历史轨迹,得到区域人数数据集、进流量数据集、出流量数据集;
步骤S5:按照预配置的第一输入步长、第一输出步长,以滑动窗口的形式基于区域人数数据集得到区域人数输入输出序列数据集RNS,按照预配置的第二输入步长、第二输出步长,以滑动窗口的形式基于进流量数据集和出流量数据集分别得到进流量输入输出序列数据集RIS和出流量输入输出序列数据集ROS;
步骤S6:利用RNS,RIS,ROS训练得到区域人数预测模型、进流量预测模型和出流量预测模型;
步骤S7:利用训练好的模型预测目标时段的各区域的区域人数、进流量和出流量,并基于预测结果生成单车投放结果。
所述步骤S1具体包括:
步骤S12:基于建筑坐标集合中各楼栋的位置信息和地理围栏,将校园地图分割初步分割为多个区域;
步骤S13:根据建筑坐标集合中各楼栋的子母关系,将得到的区域进行合并。
所述步骤S2具体包括:
步骤S21:持续采集一段时间内所有用户设备的Wi-Fi连接日志,其中,所述连接日志包括设备MAC地址、设备类型、设备制造商、用户名称、AP名称、会话连接时间、会话断开时间;
步骤S22:根据Wi-Fi连接日志中的设备类型和设备制造商筛选出移动设备并构建移动设备集;
步骤S23:进一步跟踪采集移动设备集中各移动设备接下去第二段时间内的Wi-Fi连接日志。
所述步骤S3具体包括:
步骤S31:基于Wi-Fi连接日志中的AP名称,结合校园地图分割结果,得到各Wi-Fi连接日志对应的所在区域;
步骤S32:将一天24小时划分为T个时间槽,得到时间槽集合TS={t1,t2,...,tT},其中,为每个时间槽的数字代号,计算原始数据集中的Wi-Fi连接日志的会话连接时间和会话断开时间与每个时间槽的交集,其中,当一个时间槽内含有多条日志的记录时,保留持续时间最长的记录,并舍弃其他记录;
步骤S33:选择原始数据集记录最多的移动设备绑定该用户;
步骤S34:基于各用户对应的移动设备在各时间槽内所处的区域,得到个用户的轨迹,并建立轨迹数据集DU={du1,du2,...,duU},其中表示第iu个用户的轨迹数据,Li为第iu个用户的数据集的长度,中每个是一个三元组,username表示用户名称,time_slot表示该记录所在的时间槽,region表示该记录所在的区域。
所述步骤S3还包括:
步骤S35:按照完成时间槽补齐每一个用户的轨迹数据得到各用户的齐次轨迹数据,并构建得到齐次轨迹数据集DT={dt1,dt2,...dtU},其中表示第iu个用户的轨迹数据,N为用户轨迹包含的所有时间槽个数。
所述步骤S4具体包括:
步骤S41:针对DT数据集,遍历和在每一个时间槽统计每一个区域的总人数,生成区域人数数据集RN={rn1,rn2,...,rnR},其中R为区域集合RG的长度,表示第ir个区域的人数时间序列,N为用户轨迹包含的时间槽个数,表示当前区域ir在时间槽jt出现的人数;
所述生成RN、RI、RO数据集时,对于DT数据集中区域为缺失的情况,不纳入统计范围。
所述第一输入步长和第二输入步长一致,第二输出步长为第一输出步长减一。
所述区域人数预测模型、进流量预测模型和出流量预测模型均为深度学习预测模型。
一种基于Wi-Fi日志的校园共享单车投放信息处理装置,包括存储器、处理器,已经由所述处理器执行的程序,所述处理器执行所述程序时实现如上述的方法。
与现有技术相比,本发明具有以下有益效果:
1、从已有的校园Wi-Fi日志出发,深入分析挖掘校园各个区域人流量的实际变化情况,为共享单车的投放提供真实有力的数据支持,从而有效提高校园共享单车的利用率。
2、以区域人数和出流量的预测结果为依据,设计资源需求度量,能真实反映各个区域的资源需求量排名和需求量比值,以此为依据投放共享单车,实际应用可行性高。
3、采用维诺分割算法将校园地图划分为不规则多边形,分割后再根据实际楼栋所属子母关系,进行区域合并。能够表征实际的地理信息,同时划分的粒度范围更细致。
4、采用深度学习算法构建预测模型,同时实现对区域人数、进流量、出流量的长时预测,时间粒度细,预测误差小。
附图说明
图1为本发明方法设计流程示意图;
图2为本发明方法的主要步骤流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
一种基于Wi-Fi日志的校园共享单车投放信息处理方法,该方法依赖于如图1所示的结构,包括校园地图分割结果1,Wi-Fi网络管理平台2,用户时空轨迹3,深度学习模型4和单车投放策略模块5
如图2所示,包括:
步骤S1:基于部署有AP的楼栋的位置信息,结合地理围栏,将校园地图分割为多个区域,以上海交通大学闵行校区为案例,具体包括:
步骤S11:坐标采集,对校内建筑物中所有部署有AP的楼栋,本案例中总计107个,逐一采集地理坐标,构成建筑坐标集合GE={g1,g2,...,gG},其中其中lon为实际的地理经度,lat为实际的地理纬度;
步骤S12:基于建筑坐标集合中各楼栋的位置信息和地理围栏,将校园地图分割初步分割为多个区域,具体的,采用维诺(Voronoi)分割算法将其切割为107个不规则多边形区域,生成维诺多边形集合VO={v1,v2,...,v107},其中ig=iv,v_edges为维诺多边形各个顶点坐标的集合,得到107个维诺分割多边形。
步骤S13:子母区域合并,高校校园内的一部分建筑物通常存在子母关系,如一个学院包含1、2、3号建筑,考虑将其合并为一个母区域。进行合并操作后,得到新的区域集合RG={r1,r2,...,rR},其中R<G,r_center_m为被合并区域的v_center的均值,r_edges_m为被合并区域的v_edges的并集。比如案例中存在DXQL1、DXQL2、DXQL3、DXQL4、DXQL5五个建筑,同属于一个学院的五个子楼,因此将5个区域合并为1个区域。对本案例中属于子母关系的所有建筑进行合并后,区域数缩减到79,后续操作将围绕79个区域展开。
步骤S2:持续采集第一段时间的用户设备Wi-Fi连接日志,筛选出移动设备,并构建移动设备集,并进一步跟踪采集移动设备集中各移动设备第二段时间内的Wi-Fi连接日志,将第一段时间内和第二段时间内的所有移动设备的Wi-Fi连接日志构建历史数据集,具体包括:
步骤S21:于2019年秋季学期开始采集数据,首先以3周的时间采集所有用户设备的Wi-Fi日志,总共包含56233个MAC设备。所采集的数据字段包含:设备MAC(mac),设备类型(device_type),设备制造商(vendor),用户名称(username),AP名称(ap_name),会话连接时间(connect_time),会话断开时间(disconnect_time)
步骤S22:根据数据中的设备类型(device_type)和设备制造商(vendor)两个字段,标注该设备的类型,分为移动设备或非移动设备。实际采集的数据中,设备类型包含:OSX、Windows、iPhone等,设备制造商包含Lenovo(Beijing)Co.,Ltd.、HUAWEI TECHNOLOGIESCO.,LTD、OnePlus Tech(Shenzhen)Ltd等,基于该信息进行标注,筛选出31410个移动设备的MAC;
步骤S23:进一步跟踪采集移动设备集中各移动设备接下去7周内的Wi-Fi连接日志。
步骤S3:根据历史数据集中的Wi-Fi连接日志生成各用户的历史轨迹,具体包括:
步骤S31:地理信息提取,原始数据集DO中的AP名称(ap_name)字段隐含了该AP节点所属的建筑物楼栋,基于区域集合RG,将AP名称(ap_name)与区域集合RG中的元素建立映射关系,将AP名称(ap_name)转换为所属区域(region),提取到Wi-Fi日志的地理信息;
步骤S32:时间信息提取,本案例将一天24小时划分为72个时间槽(time_slot),得到时间槽集合TS={t1,t2,...,t72},其中为每个时间槽的数字代号,每一个时间槽的时长为20分钟,如第一个时间槽为00:00:00-00:20:00,t1=1。计算原始数据集DO中的会话连接时间(connect_time),会话断开时间(disconnect_time)与每个时间槽的交集,当一个时间槽内含有多条记录时,保留持续时间(会话断开时间与会话连接时间的差值)最长的记录而舍弃其他;
步骤S33:用户设备筛选,当一个用户持有多台设备时,筛选记录个数最多的设备表征该用户的移动轨迹,使得原始数据集DO中的设备MAC(mac)和用户名称(ap_name)唯一对应。筛选完毕后,总共得到11394个结果,本案例从中随机筛选10000个用户作为研究使用的数据集DO;
步骤S34:经上述步骤处理后,得到轨迹数据集DU={du1,du2,...,du10000},其中表示第iu个用户的轨迹数据,Li为第iu个用户的数据集的长度。中每个是一个三元组,username表示用户名称,time_slot表示该记录所在的TS时间槽,region表示该记录所在的RG区域。
步骤S35:用户数据长度补齐,与GPS轨迹相比,从Wi-Fi日志中提取的轨迹数据通常是稀疏的,有一定的数据缺失,为方便后续研究,将缺失的数据进行补全,若在时间槽ti不含有记录,则添加一条region表示为缺失的记录,因此RG集合的大小扩充为80,r80的实际意义为记录缺失。
经上述步骤处理后,生成所有用户的时间槽齐次轨迹数据集DT={dt1,dt2,...dt10000},其中表示第iu个用户的轨迹数据,N为用户轨迹包含的所有时间槽个数,实施例中的轨迹数据长度为7周,因此N=7*7*72=3528
步骤S4:根据各用户的历史轨迹,得到区域人数数据集、进流量数据集、出流量数据集,具体包括:
步骤S41:针对DT数据集,遍历和在每一个time_slot统计每一个region的总人数,当时,不纳入统计范围。计算完毕后,生成区域人数数据集RN={rn1,rn2,...,rn79},其中表示第ir个区域的人数时间序列, 表示当前区域ir在时间槽jt出现的人数;
步骤S42:针对DT数据集,遍历和对比并统计和前后两个time_slot的region变化情况,或时,不纳入统计范围。计算完毕后,生成区域入流量数据集RI={ri1,ri2,...,ri79},表示第ir个区域的入流量时间序列, 表示第i个区域,从时间槽jt到时间槽jt+1的入流量值;出流量数据集RO={ro1,ro2,...,roR},其生成方式与RI相似
步骤S5:RN、RI、RO数据集构造完毕后,对于RN数据集,设置输入步长为504,输出步长为72,对于RI、RO数据集,设置输入步骤长为504,输出步长为71,以滑动窗口的形式生成输入输出序列数据集RNS,RIS,ROS;
步骤S6:利用RNS,RIS,ROS训练得到区域人数预测模型、进流量预测模型和出流量预测模型,构建模型进行预测时,其过程具体包括:
步骤E1:将输入输出序列数据集RNS,RIS,ROS分别划分为训练集和验证集,本案例中训练集为4周,验证集为3周;
步骤E2:分别对RNS,RIS,ROS三个数据集基于TCN网络构建深度学习预测模型,利用各自的数据集训练三个模型。
步骤E3:训练完毕后,利用各自的验证集验证模型,以平均绝对误差MAE量化准确率。
实验验证结果如下表所示:
表1
数据集 | 备注 | 所有区域的平均绝对误差MAE |
RNS | 区域人数预测 | 6.992 |
RIS | 区域入流量预测 | 1.419 |
ROS | 区域出流量预测 | 1.411 |
从验证结果的MAE看,整体预测效果较好,误差较小。
步骤S7:利用训练好的模型预测目标时段的各区域的区域人数、进流量和出流量,并基于预测结果生成单车投放结果。
以区域人数和区域出流量为依据,计算某一区域在某一时间槽的资源需求率
假设某次运维将在校园内投放300辆共享单车,投放区域的个数为5,选择的投放日期为2019.12.16,先根据2019.12.09-2019.12.15的Wi-Fi日志采集结果,生成输入序列送至预测模型,计算得到2019.12.16全天的区域人流量情况。
假设单车运维人员选择中午12:00:00-12:20:00安排投放,根据RNE的计算结果,筛选值最大的5个区域,再根据区域出流量的比值对单车资源进行配比,其结果如下表:
表2
区域代号 | 资源需求率RNE | 区域出流量of | 单车投放量 |
62 | 104.48 | 265 | 78 |
65 | 81.58 | 207 | 61 |
68 | 75.35 | 166 | 49 |
14 | 72.80 | 216 | 64 |
4 | 54.66 | 164 | 48 |
最终经过验证,在保证任何一个区域都有空余可用的单车情况下,单车的利用率率有显著提高。
Claims (6)
1.一种基于Wi-Fi日志的校园共享单车投放信息处理方法,其特征在于,包括:
步骤S1:基于部署有AP的楼栋的位置信息,结合地理围栏,将校园地图分割为多个区域;
步骤S2:持续采集第一段时间的用户设备Wi-Fi连接日志,筛选出移动设备,并构建移动设备集,并进一步跟踪采集移动设备集中各移动设备第二段时间内的Wi-Fi连接日志,将第一段时间内和第二段时间内的所有移动设备的Wi-Fi连接日志构建历史数据集;
步骤S3:根据历史数据集中的Wi-Fi连接日志生成各用户的历史轨迹;
步骤S4:根据各用户的历史轨迹,得到区域人数数据集、进流量数据集、出流量数据集;
步骤S5:按照预配置的第一输入步长、第一输出步长,以滑动窗口的形式基于区域人数数据集得到区域人数输入输出序列数据集RNS,按照预配置的第二输入步长、第二输出步长,以滑动窗口的形式基于进流量数据集和出流量数据集分别得到进流量输入输出序列数据集RIS和出流量输入输出序列数据集ROS;
步骤S6:利用RNS,RIS,ROS训练得到区域人数预测模型、进流量预测模型和出流量预测模型;
步骤S7:利用训练好的模型预测目标时段的各区域的区域人数、进流量和出流量,并基于预测结果生成单车投放结果;
所述步骤S2具体包括:步骤S21:持续采集一段时间内所有用户设备的Wi-Fi连接日志,其中,所述连接日志包括设备MAC地址、设备类型、设备制造商、用户名称、AP名称、会话连接时间、会话断开时间;步骤S22:根据Wi-Fi连接日志中的设备类型和设备制造商筛选出移动设备并构建移动设备集;步骤S23:进一步跟踪采集移动设备集中各移动设备接下去第二段时间内的Wi-Fi连接日志;
所述步骤S3具体包括:步骤S31:基于Wi-Fi连接日志中的AP名称,结合校园地图分割结果,得到各Wi-Fi连接日志对应的所在区域;步骤S32:将一天24小时划分为T个时间槽,得到时间槽集合TS={t1,t2,...,tT},其中,为每个时间槽的数字代号,计算原始数据集中的Wi-Fi连接日志的会话连接时间和会话断开时间与每个时间槽的交集,其中,当一个时间槽内含有多条日志的记录时,保留持续时间最长的记录,并舍弃其他记录;步骤S33:选择原始数据集记录最多的移动设备绑定该用户;步骤S34:基于各用户对应的移动设备在各时间槽内所处的区域,得到个用户的轨迹,并建立轨迹数据集DU={du1,du2,...,duU},其中表示第iu个用户的轨迹数据,Li为第iu个用户的数据集的长度,中每个是一个三元组,username表示用户名称,time_slot表示该记录所在的时间槽,region表示该记录所在的区域;
所述步骤S3还包括:步骤S35:按照完成时间槽补齐每一个用户的轨迹数据得到各用户的齐次轨迹数据,并构建得到齐次轨迹数据集DT={dt1,dt2,...dtU},其中表示第iu个用户的轨迹数据,N为用户轨迹包含的所有时间槽个数;
3.根据权利要求1所述的一种基于Wi-Fi日志的校园共享单车投放信息处理方法,其特征在于,所述生成RN、RI、RO数据集时,对于DT数据集中区域为缺失的情况,不纳入统计范围。
4.根据权利要求1所述的一种基于Wi-Fi日志的校园共享单车投放信息处理方法,其特征在于,所述第一输入步长和第二输入步长一致,第二输出步长为第一输出步长减一。
5.根据权利要求1所述的一种基于Wi-Fi日志的校园共享单车投放信息处理方法,其特征在于,所述区域人数预测模型、进流量预测模型和出流量预测模型均为深度学习预测模型。
6.一种基于Wi-Fi日志的校园共享单车投放信息处理装置,包括存储器、处理器,已经由所述处理器执行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011504061.3A CN112669537B (zh) | 2020-12-17 | 2020-12-17 | 基于Wi-Fi日志的校园共享单车投放信息处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011504061.3A CN112669537B (zh) | 2020-12-17 | 2020-12-17 | 基于Wi-Fi日志的校园共享单车投放信息处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112669537A CN112669537A (zh) | 2021-04-16 |
CN112669537B true CN112669537B (zh) | 2022-08-09 |
Family
ID=75406526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011504061.3A Active CN112669537B (zh) | 2020-12-17 | 2020-12-17 | 基于Wi-Fi日志的校园共享单车投放信息处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112669537B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113762169A (zh) * | 2021-09-09 | 2021-12-07 | 北京市商汤科技开发有限公司 | 人流量统计方法及装置、电子设备和存储介质 |
CN116188052A (zh) * | 2023-04-24 | 2023-05-30 | 北京阿帕科蓝科技有限公司 | 共享车辆的投放方法、装置、计算机设备和存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106658638A (zh) * | 2016-12-16 | 2017-05-10 | 天津大学 | 一种基于hh‑vbf的时间序列预测方法 |
CN106714104A (zh) * | 2016-12-08 | 2017-05-24 | 深圳先进技术研究院 | 一种用户活动区域基站点的识别方法及装置 |
CN108230020A (zh) * | 2017-12-28 | 2018-06-29 | 西北大学 | 一种基于多维时间粒度时空频繁区域挖掘的方法 |
CN109041099A (zh) * | 2018-06-28 | 2018-12-18 | 新华三大数据技术有限公司 | 人流量预测方法、装置及终端 |
CN109413587A (zh) * | 2018-09-20 | 2019-03-01 | 广州纳斯威尔信息技术有限公司 | 基于WiFi日志的用户轨迹预测方法 |
CN109697846A (zh) * | 2017-10-20 | 2019-04-30 | 杭州云岛科技有限公司 | 一种共享单车泊位的定点饱和度测算方法 |
CN111611235A (zh) * | 2020-05-27 | 2020-09-01 | 华中师范大学 | 基于校园WiFi大数据的学生时空模型与数据清洗方法 |
CN111626589A (zh) * | 2020-05-21 | 2020-09-04 | 北京骑胜科技有限公司 | 淤积区域确定方法及装置、交通工具调度方法及装置 |
CN111935637A (zh) * | 2019-05-13 | 2020-11-13 | 西安光启未来技术研究院 | 一种人流量分析方法、存储介质及处理器 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004096621A (ja) * | 2002-09-03 | 2004-03-25 | Fujitsu Ltd | 移動情報端末の位置変化予測に基づく情報配信サービスシステム |
-
2020
- 2020-12-17 CN CN202011504061.3A patent/CN112669537B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106714104A (zh) * | 2016-12-08 | 2017-05-24 | 深圳先进技术研究院 | 一种用户活动区域基站点的识别方法及装置 |
CN106658638A (zh) * | 2016-12-16 | 2017-05-10 | 天津大学 | 一种基于hh‑vbf的时间序列预测方法 |
CN109697846A (zh) * | 2017-10-20 | 2019-04-30 | 杭州云岛科技有限公司 | 一种共享单车泊位的定点饱和度测算方法 |
CN108230020A (zh) * | 2017-12-28 | 2018-06-29 | 西北大学 | 一种基于多维时间粒度时空频繁区域挖掘的方法 |
CN109041099A (zh) * | 2018-06-28 | 2018-12-18 | 新华三大数据技术有限公司 | 人流量预测方法、装置及终端 |
CN109413587A (zh) * | 2018-09-20 | 2019-03-01 | 广州纳斯威尔信息技术有限公司 | 基于WiFi日志的用户轨迹预测方法 |
CN111935637A (zh) * | 2019-05-13 | 2020-11-13 | 西安光启未来技术研究院 | 一种人流量分析方法、存储介质及处理器 |
CN111626589A (zh) * | 2020-05-21 | 2020-09-04 | 北京骑胜科技有限公司 | 淤积区域确定方法及装置、交通工具调度方法及装置 |
CN111611235A (zh) * | 2020-05-27 | 2020-09-01 | 华中师范大学 | 基于校园WiFi大数据的学生时空模型与数据清洗方法 |
Non-Patent Citations (1)
Title |
---|
无线网络中的轨迹模式变化分析及其应用;宫文娟;《中国优秀硕士学位论文全文数据库》;20150615;I138-403 * |
Also Published As
Publication number | Publication date |
---|---|
CN112669537A (zh) | 2021-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiang et al. | Activity-based human mobility patterns inferred from mobile phone data: A case study of Singapore | |
CN106708955B (zh) | 一种热力图生成方法及设备 | |
CN112669537B (zh) | 基于Wi-Fi日志的校园共享单车投放信息处理方法及装置 | |
US8942724B2 (en) | Number of terminal estimation device and number of terminal estimation method | |
CN105404648A (zh) | 一种基于密度与紧密度聚类的用户移动行为确定方法 | |
CN111080501B (zh) | 基于手机信令数据的真实人群密度时空分布估算方法 | |
CN104636482A (zh) | 用于确定目标地址的方法和装置 | |
CN109688532B (zh) | 一种划分城市功能区域的方法及装置 | |
CN105472644A (zh) | 基于用户行为特征的深度覆盖网络质量评估方法和系统 | |
CN108733774B (zh) | 一种基于大数据的失业人口动态监测方法 | |
CN105188030A (zh) | 一种移动网络数据进行地理栅格映射的方法 | |
Aubrecht et al. | DynaPop-Population distribution dynamics as basis for social impact evaluation in crisis management. | |
Shi et al. | Analysis of trip generation rates in residential commuting based on mobile phone signaling data | |
CN110377679B (zh) | 一种基于轨迹定位数据的公共空间活力测度方法及系统 | |
CN108171532A (zh) | 一种用户群分布预测方法及系统 | |
Zhao et al. | Urban crowd flow forecasting based on cellular network | |
CN109995549B (zh) | 一种评估流量价值的方法及装置 | |
CN107577727A (zh) | 一种群体移动行为特性分析方法 | |
CN112465565A (zh) | 一种基于机器学习的用户画像预测的方法及装置 | |
CN112287503A (zh) | 用于交通需求预测的动态空间网络构建方法 | |
CN106487825B (zh) | 信息关联方法及装置 | |
CN112560910B (zh) | 用户分类方法和装置 | |
US20120201150A1 (en) | Effective method of measuring wireless consumer experience insights | |
Eom et al. | Development and application of the Activity-BAsed Traveler Analyzer (ABATA) system | |
Cortés-Polo et al. | A quantitative and comparative evaluation of key points selection algorithms for mobile network data sets analysis |
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 |