CN112738715A - 一种基于GloVe模型的移动信令轨迹相关性表示方法 - Google Patents

一种基于GloVe模型的移动信令轨迹相关性表示方法 Download PDF

Info

Publication number
CN112738715A
CN112738715A CN202110054499.4A CN202110054499A CN112738715A CN 112738715 A CN112738715 A CN 112738715A CN 202110054499 A CN202110054499 A CN 202110054499A CN 112738715 A CN112738715 A CN 112738715A
Authority
CN
China
Prior art keywords
grid
mobile terminal
signaling
sequence
base station
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.)
Pending
Application number
CN202110054499.4A
Other languages
English (en)
Inventor
邱浪波
穆鹏远
蔡勇
南阿健
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.)
INFORMATION ENGINEERING RESEARCH
Original Assignee
INFORMATION ENGINEERING RESEARCH
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 INFORMATION ENGINEERING RESEARCH filed Critical INFORMATION ENGINEERING RESEARCH
Priority to CN202110054499.4A priority Critical patent/CN112738715A/zh
Publication of CN112738715A publication Critical patent/CN112738715A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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
    • H04W4/025—Services making use of location information using location based information parameters
    • 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
    • H04W8/00—Network data management
    • H04W8/18—Processing of user or subscriber data, e.g. subscribed services, user preferences or user profiles; Transfer of user or subscriber data
    • H04W8/183—Processing at user equipment or user record carrier

Abstract

一种基于GloVe模型的移动终端信令轨迹相关性表示方法，属于基于位置的服务领域，方法包括以下步骤：采集移动终端信令数据，通过数据预处理消减重复、乒乓、漂移等噪声效应；构建位置网格映射表，将预处理后的位置点映射为网格编号，得到不同移动终端的网格转移序列；以网格转移序列集作为语料库训练GloVe模型，求出每个网格编号的嵌入表征向量，并基于时长加权平均计算任意网格序列的嵌入表达向量，用以表示不同移动终端的时空行为模式；计算目标网格序列与候选网格序列的嵌入表达向量的余弦相似度或明氏距离相似度，并根据相似度得分评估网格转移序列之间的相关性。结果表明本方法能够更好地捕捉到移动终端信令轨迹的相关性。

Description

一种基于GloVe模型的移动信令轨迹相关性表示方法
技术领域
本发明属于基于位置的服务（Location Based Services，LBS）领域，具体涉及一种基于GloVe模型的移动终端信令轨迹相关性表示方法。
背景技术
移动终端信令数据是一种人类电子足迹数据，其中蕴含着丰富的时空信息，通过分析移动终端信令数据，可以发现移动对象的行为特性、活动规律、兴趣偏好等时空模式，进而为基于位置的服务提供支持。常见的基于移动终端信令的位置服务包括：重点人群监测、公共安全、靶向预警、商业选址、城市空间品质分析、交通规划与路网优化等。
移动终端信令数据的采集依托三大运营商建立的信令监测平台，记录了手机与基站之间的信令数据交换；触发信令数据交换有两种方式，一是通话、短信、上网、区间切换等主动行为，形成的主动信息记录；二是基站定期扫描其覆盖范围内移动终端的在线情况，形成的被动信息记录；信令数据具有全天候、全覆盖、海量性、持续性、低成本等特点。每条信令数据包含了移动终端编号、信令发生时间、基站信息（位置区码、蜂窝小区编号、经纬度坐标）和触发事件代码等字段；通过与基站位置的地理信息关联，就可以构成每一个移动终端的时空活动轨迹；因此，基于移动终端信令轨迹分析人群的时空分布特征和时空流动模式，一直是轨迹数据挖掘研究中的热点，得到了业界众多研究者的广泛关注。
实际的移动通信系统处于复杂电磁环境下，由此造成移动终端的时空活动轨迹与基站位置之间普遍存在大量的误差和噪声数据；主要表现形式有：1）重复；根据用户的时空活动规律，会在诸如家庭、工作地及休闲场所等长时间停留，并随之产生大量的重复信令数据；2）乒乓；若用户处于相邻蜂窝小区的交界处，两基站信号强度相当，易导致移动终端信令在两基站间来回快速切换；3）漂移；在某些特殊情况下，移动终端信令会突然从临近的基站切换到相对较远的宏基站；4）固有偏差；由于基站的信号覆盖效应，导致基站位置与移动终端真实位置存在较大的固有偏差：城区内偏差100~500米，郊区偏差可能超过1km，对于配备拉远站的基站而言，偏差最远可达10km以上；如何有效消减移动终端信令中的误差和噪声，是进行轨迹相关性分析的必要前提条件。
轨迹相关性分析是挖掘人群时空流动模式的关键技术之一；已有的典型轨迹相关性分析技术主要包括：最长公共子序列（Longest Common Subsequence，LCS）、动态时间调整（Dynamic Time Warping，DTW）、最大共现时间（Maximum Co-occurrence Time，MCT）等；上述方法数据处理的时间复杂度较高，重点关注的是不同轨迹点序列在空间上的重合程度，但无法有效度量在人群时空流动模式中具有高度相关、且重合度较低的轨迹段之间的相关性。如何有效度量移动终端信令轨迹的相关性是一个悬而未决的问题。
发明内容
为解决移动终端信令轨迹相关性的有效度量问题，本发明提供了一种基于GloVe模型的移动终端信令轨迹相关性表示方法，该方法包括。
步骤1采集移动终端信令数据，通过数据预处理消减重复、乒乓、漂移等噪声效应。
步骤2构建位置网格映射表，将移动终端信令序列转换为网格转移序列，构建网格转移序列集。
步骤3基于网格转移序列集，训练GloVe模型，得到网格嵌入矩阵，并基于时长加权平均计算出任意网格转移序列的嵌入表达向量。
步骤4计算任意两段网格转移序列的嵌入表达向量的相似度，得到移动终端信令轨迹的相关性。
在上述技术方案中，所述步骤1包括。
步骤1.1采集在重点关注区域出现的移动终端的信令数据，持续时长不少于2个月，信令数据中包括六个基本字段信息：移动终端编号、信令发生时间、位置区码、蜂窝小区编号、基站经度坐标、基站纬度坐标。
步骤1.2整行删除信息不完整的信令数据。根据移动终端编号，对每个移动 终端的信令按照时间先后排序，得到每个移动终端的信令序列，移动终端j的信 令序列记为Sj：
Sj＝{(tj,0,lngj,0,latj,0),…,(tj,k,lngj,k,latj,k),…}
其中，tj,k,lngj,k,latj,k分别为信令发生时间，基站经度坐标、基站纬度坐标。
步骤1.3基于滑动时间窗口W1对移动终端信令序列进行平滑处理，窗口宽度 为TW，滑动偏移量为TS，即分别对时间窗内的信令序列的信令发生时间、基站 经度坐标、基站纬度坐标求均值，得到平滑处理后的移动终端信令序列。其目 的是消减由于复杂电磁环境引起的重复、乒乓、漂移等噪声效应，平滑处理后 的移动终端j的信令序列记为
Figure RE-GDA0002983511030000031
Figure RE-GDA0002983511030000032
其中
Figure RE-GDA0002983511030000033
分别为经过时间窗口平滑处理后的信令发生时间，基站经 度坐标、基站纬度坐标。
Figure RE-GDA0002983511030000034
记为移动终端j信令序列中的轨迹点。
在上述技术方案中，所述步骤2包括：
步骤2.1构建位置网格映射表。将移动终端信令序列中的轨迹点映射到具有 一定空间覆盖度的网格，其目的是在一定程度上减小基站的信号覆盖效应带来 的固有偏差，有效压缩位置变量的分布空间。分为两种情形：在城区内，基站 部署密度高，采用半径r米的正六边形蜂窝网格覆盖；在郊区，基站部署密度相 对较低，利用DBSCAN聚类算法将基站覆盖位置合并为较大尺度的不规则网格 覆盖。在构建的位置网格映射表中，网格总数为N，网格Gi记为：
Gi＝(center_lngi,center_lati)
其中center_lngi,center_lati分别表示网格中心的经度坐标和纬度坐标。
步骤2.2将移动终端信令序列转换为网格转移序列，构建网格转移序列集。 根据位置网格映射表，将平滑处理后的移动终端信令序列中每个轨迹点，基于 最近邻原则映射为最近的网格Gi。计算公式为：
Figure RE-GDA0002983511030000035
从而得到以网格索引号表示的网格转移序列。例如，移动终端j的网格转移 序列可表示为：
Figure RE-GDA0002983511030000036
其中idxk为网格索引号。 所有移动终端的网格转移序列即为网格转移序列集。
在上述技术方案中，所述步骤3包括：
步骤3.1基于预定义网格宽度窗口W2，遍历所有网格转移序列，构建网格共 现矩阵C，其中N为网格总数，元素ci,j表示在所有网格转移集中，网格j出现在以 网格i为中心的网格宽度窗口W2内的次数：
Figure RE-GDA0002983511030000041
步骤3.2采用随机梯度下降法训练GloVe模型，通过最小化网格i和j的目标函 数J(v1,v2,…,vN)，分别得到N个网格的嵌入表征向量
Figure RE-GDA0002983511030000042
GridE＝(v1,v2,…,vN)T即 为网格嵌入矩阵。
Figure RE-GDA0002983511030000043
其中，vi,vj的长度为嵌入维度E，权重函数f(ci,j)的形式为：
Figure RE-GDA0002983511030000044
步骤3.3对于任意长度网格转移序列的嵌入表达向量，计算出不同网格的权 重。不妨设网格转移序列的长度为K+1，则前K个网格的时长权重计算公式为：
Figure RE-GDA0002983511030000045
式中
Figure RE-GDA0002983511030000046
表示第j个移动终端第k个网格的信令发生时间，第K+1个网格(最后 一个网格)的时长权重取前K个网格时长权重的均值
Figure RE-GDA0002983511030000047
通过归一化 处理，得到K+1个网格的时长权重
Figure RE-GDA0002983511030000048
Figure RE-GDA0002983511030000049
步骤3.4结合网格嵌入矩阵GridE＝(v1,v2,…,vN)T和K+1个网格的时长权重
Figure RE-GDA00029835110300000410
基于时长加权平均计算出移动终端j的网格转移序列的嵌入表达向量：
Figure RE-GDA00029835110300000411
其中idxk∈[1,N]
从而，可以计算出任意网格转移序列的嵌入表达向量，其长度为嵌入维度E。
在上述技术方案中，所述步骤4包括：
计算任意两段网格转移序列的嵌入表达向量vS1，vS2的余弦相似度：
Figure RE-GDA0002983511030000051
或者明氏距离相似度：
Figure RE-GDA0002983511030000052
当p=1时是曼哈顿距离，p=2时是欧氏距离，p为无穷大时是切比雪夫距离；最终计算得到的相似度，即为移动终端信令轨迹的相关性。
本发明方法具有以下优点。
（1）通过数据预处理消减移动终端信令中的误差和噪声，通过位置网格映射表和不同网格的权重兼顾到不同区域的重要性差异。
（2）利用深度学习中的序列嵌入技术，建立了可稳定描述人群时空流动模式的网格嵌入表达向量，通过计算向量之间的相似度，从而有效度量在人群时空流动模式中具有高度相关、且重合度较低的轨迹段之间的相关性。
附图说明
图1为本发明的流程图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，以下结合实施例及附图对本发明作具体阐述。
本实施例中，以陕西省为考察范围，以西安市为重点关注区域，其中北纬取值范围[108.721227°N, 109.140915°N]，东经取值范围[34.150732°E, 34.481805°E]，涉及到基站数量约为4.98万。
步骤1采集移动终端信令数据，通过数据预处理消减重复、乒乓、漂移等噪声效应。
步骤1.1在2020.04.28–2020.07.27期间，从重点关注区域内出现的所有移动终端中随机选取1000个移动终端，采集到原始信令数据共计24460511条，每条原始信令数据中包括六个基本字段信息：移动终端编号、信令发生时间、位置区码、蜂窝小区编号、基站经度坐标、基站纬度坐标。
步骤1.2 整行删除信息不完整的信令数据；对每个移动终端的信令按照时间先后排序，得到1000个移动终端的信令序列，其中包括18399807条信令数据。
步骤1.3基于滑动时间窗口W1对移动终端信令序列进行平滑处理，窗口宽度 为TW＝5min，滑动偏移量为TS＝5min，消减重复、乒乓、漂移等噪声效应，得到 平滑处理后的1000个移动终端信令序列，其中包括5028828条数据。
步骤2构建位置网格映射表，将移动终端信令序列转换为网格转移序列， 构建网格转移序列集。
步骤2.1构建位置网格映射表。对西安市重点关注区域采用半径为300米的 正六边形蜂窝网格覆盖，陕西省内其他区域采用DBSCAN算法对基站进行聚类， 合并构成不规则网格，并计算各网格中心点经纬度坐标，构建地理空间网格映 射表，共得到5943个网格。
步骤2.2将1000条移动终端信令序列转换为1000条网格转移序列，其中网格 索引号取值范围[1,5943]。
步骤3基于网格转移序列集，训练GloVe模型，得到网格嵌入矩阵，并基于 时长加权平均计算出任意网格转移序列的嵌入表达向量。
步骤3.1基于预定义网格宽度窗口W2＝3，遍历所有网格转移序列，构建网 格共现矩阵C5943×5943，其中5943为网格总数：
Figure RE-GDA0002983511030000061
步骤3.2采用随机梯度下降法训练GloVe模型，其中学习率取0.01，循环次 数取50，得到5943个网格的嵌入表征向量
Figure RE-GDA0002983511030000062
表征向量长度为嵌入维度E＝60， 网格嵌入矩阵为GridE＝(v1,v2,…,v5943)T。
步骤3.3对于长度为K+1的网格转移序列的嵌入表达向量，计算出每个网格 的权重
Figure RE-GDA0002983511030000063
以移动终端26和移动终端783为例说明。
移动终端26：截取时间段2020-06-05 07:00:00~2020-06-05 09:00:00，发生的移 动信令数据，经过上述步骤处理，得到的网格转移序列长度26（K=25），时间段、网格编号、网 格权重如表1所示。
时间段 网格编号 网格权重
2020-06-05 07:02:09 2118 0.028879
2020-06-05 07:05:38 4920 0.026392
2020-06-05 07:08:49 4920 0.03565
2020-06-05 07:13:07 4857 0.076137
2020-06-05 07:22:18 1990 0.038137
2020-06-05 07:26:54 2054 0.011469
2020-06-05 07:28:17 4975 0.075307
2020-06-05 07:37:22 4920 0.078762
2020-06-05 07:46:52 4920 0.020312
2020-06-05 07:49:19 2055 0.071991
2020-06-05 07:58:00 4920 0.027774
2020-06-05 08:01:21 4858 0.037032
2020-06-05 08:05:49 4857 0.044355
2020-06-05 08:11:10 4920 0.039381
2020-06-05 08:15:55 2054 0.013542
2020-06-05 08:17:33 4858 0.051541
2020-06-05 08:23:46 1992 0.027359
2020-06-05 08:27:04 2055 0.022938
2020-06-05 08:29:50 4917 0.019621
2020-06-05 08:32:12 4796 0.049883
2020-06-05 08:38:13 2055 0.031228
2020-06-05 08:41:59 4920 0.039243
2020-06-05 08:46:43 4920 0.021418
2020-06-05 08:49:18 4920 0.032887
2020-06-05 08:53:16 2054 0.031367
2020-06-05 08:57:03 2054 0.047395
表1。
移动终端783：截取时间段2020-06-05 07:00:00~2020-06-05 09:00:00，发生的 移动信令数据，经过上述步骤处理，得到的网格转移序列长度7（K=6），时间段、网格编号、网 格权重如表2所示。
时间段 网格编号 网格权重
2020-06-05 07:59:38 4236 0.038804
2020-06-05 08:02:06 4231 0.118773
2020-06-05 08:09:39 4224 0.380440
2020-06-05 08:33:50 4224 0.064499
2020-06-05 08:37:56 1348 0.252229
2020-06-05 08:53:58 4224 0.058731
2020-06-05 08:57:42 4221 0.086523
表2。
步骤3.4结合网格嵌入矩阵GridE＝(v1,v2,…,v5943)T和网格的时长权重
Figure RE-GDA0002983511030000081
基于时长加权平均计算出所有移动终端的网格转移序列的嵌入表达向 量，其长度为嵌入维度60。以移动终端26和移动终端783为例说明。
移动终端26的嵌入表达向量vS26：
[-0.00020927,0.0005792,0.00108622,-0.00021015,0.00035025,0.00206338,-0.00071861,0.00079705,0.00095549,-0.00046904,-0.00033171,0.00019991, -0.00267957,-0.00022226,0.00060844,-0.00099018,0.00079124,0.00047156,0.0005128,0.00117441,0.00150647,0.00094499,-0.00073751,0.00041739,0.00053622,0.00127249,-0.0000979,-0.0005511,-0.00181473,-0.00073599,0.0002963,0.00296922,0.0002236,0.00091548,0.00099559,0.00014784, -0.00149617,-0.00043373,0.00155126,0.00248556,-0.00134076,0.000708,0.00089196,-0.00258728,-0.00002522,0.00140396,0.00229813,-0.00048293, -0.00257826,-0.00169406,0.00114152,0.00079931,0.00029694,0.00242982,0.00029111,0.00207249,-0.00048036,0.00004665,-0.00096276,0.00080228]
移动终端783的嵌入表达向量vS783：
[-0.0189999,-0.01547875,0.01674357,-0.01750407,-0.01475298,-0.0166625, -0.01494532,-0.01893303,-0.01883285,-0.02159209,-0.01536785,0.02052424, -0.01685914,0.00248955,-0.01544047,0.01593026,-0.01451739,0.02144702, -0.02334099,0.02293941,-0.0157658,-0.0204249,-0.01050173,0.01945252, -0.00637136,0.019781,-0.01715144,-0.0187027,-0.0249627,-0.0205044, -0.00369801,0.01847215,0.00211256,0.01425333,0.00132631,-0.01805688, -0.01416264,-0.0133448,0.00601273,0.01707013,-0.02354686,0.02062726, -0.01795361,-0.02283511,0.01576922,0.02252061,0.01794986,0.01885057, -0.02360203,-0.02326177,0.01407123,-0.01934529,0.0203213,0.01772783, -0.00210585,0.02257319,0.01158342,0.01890588,-0.01973429,-0.02269858]
步骤4计算任意两段网格转移序列的嵌入表达向量的相似度，得到移动终 端信令轨迹的相关性。以移动终端26和移动终端783为例说明。
两个向量vS26、vS783的余弦相似度为：
Figure RE-GDA0002983511030000091
两个向量vS26、vS783的明氏距离相似度为：
Figure RE-GDA0002983511030000092
当p＝1时是曼哈顿距离，p＝2时是欧氏距离，p为无穷大时是切比雪夫距离。 最终通过对相似度大小的分析，就可以判断移动终端轨迹vS26、vS783的相关性弱。
综上所述，本发明的基于GloVe模型的移动终端信令轨迹相关性表示方法，通过数据预处理消减移动终端信令中的误差和噪声，通过位置网格映射表和不同网格的权重兼顾到不同区域的重要性差异，通过序列嵌入技术可稳定描述人群时空流动模式，通过相似度计算可有效度量移动终端信令轨迹的相关性，使得属性相似的移动终端信令轨迹尽可能地聚在一起，从而提高了匹配效率，保证基于移动终端信令的位置服务应用中的时间复杂性要求，包括重点人群监测、公共安全、靶向预警、商业选址、城市空间品质分析、交通规划与路网优化等。
风险提示：本发明为基于历史信令数据对移动终端信令轨迹相关性的研究，当社会重大事件发生，例如新冠肺炎疫情、国庆七天长假，需要对位置网格映射表和网格共现矩阵进行重构，否则可能会使得模型失效。

Claims (5)

1.一种基于GloVe模型的移动终端信令轨迹相关性表示方法，其特征在于，包括：
步骤1采集移动终端信令数据，通过数据预处理消减重复、乒乓、漂移等噪声效应；
步骤2构建位置网格映射表，将移动终端信令序列转换为网格转移序列，构建网格转移序列集；
步骤3基于网格转移序列集，训练GloVe模型，得到网格嵌入矩阵，并基于时长加权平均计算出任意网格转移序列的嵌入表达向量；
步骤4计算任意两段网格转移序列的嵌入表达向量的相似度，得到移动终端信令轨迹的相关性。
2.根据权利要求1所述基于GloVe模型的移动终端信令轨迹相关性表示方法，其特征在于，所述步骤1包括：
步骤1.1采集在重点关注区域出现的移动终端的信令数据，持续时长不少于2个月，信令数据中包括六个基本字段信息：移动终端编号、信令发生时间、位置区码、蜂窝小区编号、基站经度坐标、基站纬度坐标；
步骤1.2整行删除信息不完整的信令数据，根据移动终端编号，对每个移动终端的信令按照时间先后排序，得到每个移动终端的信令序列，移动终端j的信令序列记为Sj：
Sj＝{(tj,0,lngj,0,latj,0),…,(tj,k,lngj,k,latj,k),…}
其中，tj,k,lngj,k,latj,k分别为信令发生时间，基站经度坐标、基站纬度坐标；
步骤1.3基于滑动时间窗口W1对移动终端信令序列进行平滑处理，窗口宽度为TW，滑动偏移量为TS，即分别对时间窗内的信令序列的信令发生时间、基站经度坐标、基站纬度坐标求均值，得到平滑处理后的移动终端信令序列，其目的是消减由于复杂电磁环境引起的重复、乒乓、漂移等噪声效应，平滑处理后的移动终端j的信令序列记为
Figure RE-FDA0002983511020000011
Figure RE-FDA0002983511020000012
其中
Figure RE-FDA0002983511020000013
分别为经过时间窗口平滑处理后的信令发生时间，基站经度坐标、基站纬度坐标，
Figure RE-FDA0002983511020000014
记为移动终端j信令序列中的轨迹点。
3.根据权利要求1所述基于GloVe模型的移动终端信令轨迹相关性表示方法，其特征在于，所述步骤2包括：
步骤2.1构建位置网格映射表，将移动终端信令序列中的轨迹点映射到具有一定空间覆盖度的网格，其目的是在一定程度上减小基站的信号覆盖效应带来的固有偏差，有效压缩位置变量的分布空间，分为两种情形：在城区内，基站部署密度高，采用半径r米的正六边形蜂窝网格覆盖；在郊区，基站部署密度相对较低，利用DBSCAN聚类算法将基站覆盖位置合并为较大尺度的不规则网格覆盖，在构建的位置网格映射表中，网格总数为N，网格Gi记为：
Gi＝(center_lngi,center_lati)
其中center_lngi,center_lati分别表示网格中心的经度坐标和纬度坐标；
步骤2.2将移动终端信令序列转换为网格转移序列，构建网格转移序列集，根据位置网格映射表，将平滑处理后的移动终端信令序列中每个轨迹点，基于最近邻原则映射为最近的网格Gi，计算公式为：
Figure RE-FDA0002983511020000021
从而得到以网格索引号表示的网格转移序列，例如，移动终端j的网格转移序列可表示为：
Figure RE-FDA0002983511020000022
其中idxk为网格索引号。所有移动终端的网格转移序列即为网格转移序列集。
4.根据权利要求1所述基于GloVe模型的移动终端信令轨迹相关性表示方法，其特征在于，所述步骤3包括：
步骤3.1基于预定义网格宽度窗口W2，遍历所有网格转移序列，构建网格共现矩阵C，其中N为网格总数，元素ci,j表示在所有网格转移集中，网格j出现在以网格i为中心的网格宽度窗口W2内的次数：
Figure RE-FDA0002983511020000023
步骤3.2采用随机梯度下降法训练GloVe模型，通过最小化网格i和j的目标函数J(v1,v2,…,vN)，分别得到N个网格的嵌入表征向量
Figure RE-FDA0002983511020000024
GridE＝(v1,v2,…,vN)T即为网格嵌入矩阵：
Figure RE-FDA0002983511020000025
其中，vi,vj的长度为嵌入维度E，权重函数f(cij)的形式为：
Figure RE-FDA0002983511020000026
步骤3.3对于任意长度网格转移序列的嵌入表达向量，计算出不同网格的权重。不妨设网格转移序列的长度为K+1，则前K个网格的时长权重计算公式为：
Figure RE-FDA0002983511020000031
式中
Figure RE-FDA0002983511020000032
表示第j个移动终端第k个网格的信令发生时间，第K+1个网格(最后一个网格)的时长权重取前K个网格时长权重的均值
Figure RE-FDA0002983511020000033
通过归一化处理，得到K+1个网格的时长权重
Figure RE-FDA0002983511020000034
Figure RE-FDA0002983511020000035
步骤3.4结合网格嵌入矩阵GridE＝(v1,v2,…,vN)T和K+1个网格的时长权重
Figure RE-FDA0002983511020000036
基于时长加权平均计算出移动终端j的网格转移序列的嵌入表达向量：
Figure RE-FDA0002983511020000037
其中idxk∈[1,N]
从而，可以计算出任意网格转移序列的嵌入表达向量，其长度为嵌入维度E。
5.根据权利要求1所述基于GloVe模型的移动终端信令轨迹相关性表示方法，其特征在于，所述步骤4包括：
计算任意两段网格转移序列的嵌入表达向量vS1，vS2的余弦相似度：
Figure RE-FDA0002983511020000038
或者明氏距离相似度：
Figure RE-FDA0002983511020000039
当p＝1时是曼哈顿距离，p＝2时是欧氏距离，p为无穷大时是切比雪夫距离，最终计算得到的相似度，即为移动终端信令轨迹的相关性。
CN202110054499.4A 2021-01-15 2021-01-15 一种基于GloVe模型的移动信令轨迹相关性表示方法 Pending CN112738715A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110054499.4A CN112738715A (zh) 2021-01-15 2021-01-15 一种基于GloVe模型的移动信令轨迹相关性表示方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110054499.4A CN112738715A (zh) 2021-01-15 2021-01-15 一种基于GloVe模型的移动信令轨迹相关性表示方法

Publications (1)

Publication Number Publication Date
CN112738715A true CN112738715A (zh) 2021-04-30

Family

ID=75591639

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110054499.4A Pending CN112738715A (zh) 2021-01-15 2021-01-15 一种基于GloVe模型的移动信令轨迹相关性表示方法

Country Status (1)

Country Link
CN (1) CN112738715A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113378891A (zh) * 2021-05-18 2021-09-10 东北师范大学 基于轨迹分布表示的城市区域关系可视分析方法
CN114245312A (zh) * 2021-11-10 2022-03-25 陕西省信息化工程研究院 一种基于双分支lstm融合的移动终端轨迹预测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113378891A (zh) * 2021-05-18 2021-09-10 东北师范大学 基于轨迹分布表示的城市区域关系可视分析方法
CN114245312A (zh) * 2021-11-10 2022-03-25 陕西省信息化工程研究院 一种基于双分支lstm融合的移动终端轨迹预测方法

Similar Documents

Publication Publication Date Title
CN109743683B (zh) 一种采用深度学习融合网络模型确定手机用户位置的方法
CN104239556A (zh) 基于密度聚类的自适应轨迹预测方法
CN107027148B (zh) 一种基于UE速度的Radio Map分类定位方法
CN105243844A (zh) 一种基于手机信令的道路状态识别方法
CN112738715A (zh) 一种基于GloVe模型的移动信令轨迹相关性表示方法
CN103634902B (zh) 基于指纹聚类的新型室内定位方法
CN103068035A (zh) 一种无线网络定位方法、装置及系统
JP2000092556A (ja) パタ―ン認識ベ―スの地理位置識別
CN109511085B (zh) 一种基于MeanShift和加权k近邻算法的UWB指纹定位方法
CN110213710A (zh) 一种基于随机森林的高性能室内定位方法、室内定位系统
CN106597370A (zh) 一种基于rfid的室内无线定位方法
CN105682048B (zh) 蜂窝网环境下基于pca的子空间匹配室内指纹定位方法
CN115082250B (zh) 个体移动与生态空间的网络关系分析方法、装置及终端
Wainer et al. Machine learning-based indoor localization and occupancy estimation using 5G ultra-dense networks
Ji et al. A novel Wi-Fi AP localization method using Monte Carlo path-loss model fitting simulation
Talvitie et al. Modeling received signal strength measurements for cellular network based positioning
CN109672986A (zh) 一种时空大数据分析系统
CN103476113A (zh) 基于mnl概率辨识室内定位系统及方法、定位模型建立系统
CN108414905A (zh) 基于流形距离近邻传播聚类的变压器局部放电识别方法
Arya et al. A hierarchical clustering technique for radio map compression in location fingerprinting systems
CN113947123B (zh) 人员轨迹识别方法、系统、存储介质和设备
Tian et al. A novel approach to estimate human space-time path based on mobile phone call records
Assayag et al. Indoor positioning system using synthetic training and data fusion
Zhang et al. Prnet: Outdoor position recovery for heterogenous telco data by deep neural network
AT&T Route Classification using Cellular Handoff Patterns

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication