CN112954603A - 一种特殊人群运动轨迹的预测方法及电子设备 - Google Patents
一种特殊人群运动轨迹的预测方法及电子设备 Download PDFInfo
- Publication number
- CN112954603A CN112954603A CN201911173077.8A CN201911173077A CN112954603A CN 112954603 A CN112954603 A CN 112954603A CN 201911173077 A CN201911173077 A CN 201911173077A CN 112954603 A CN112954603 A CN 112954603A
- Authority
- CN
- China
- Prior art keywords
- user
- base station
- specified time
- users
- behavior characteristics
- 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
Links
- 230000033001 locomotion Effects 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000000694 effects Effects 0.000 claims abstract description 204
- 238000004891 communication Methods 0.000 claims abstract description 66
- 238000012549 training Methods 0.000 claims abstract description 15
- 230000006399 behavior Effects 0.000 claims description 110
- 238000003860 storage Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 abstract description 12
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 9
- 238000010295 mobile communication Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 230000008925 spontaneous activity Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 241000272814 Anser sp. Species 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 206010052804 Drug tolerance Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000026781 habituation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000013016 learning Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明实施例公开了一种特殊人群运动轨迹的预测方法及电子设备，方法包括：获取目标人群的用户的活动行为特征，及获取用户在多个指定时间段的多个指定频段的基站覆盖区域轨迹活动数据；基于目标人群中用户的通信标识，对目标人群的用户的活动行为特征及用户在多个指定时间段的基站覆盖区域轨迹活动数据进行关联；将用户的活动行为特征和指定时间段作为移动轨迹预测模型的输入，将用户的活动行为特征和指定时间段对应的基站覆盖区域作为移动轨迹预测模型的输出，对移动轨迹预测模型进行训练,根据无线测量信息和己知位置信息建立移动轨迹预测模型，反向定位出仅包含无线测量信息用户的位置，达到位置连续性要求，从而实现实时、准确的预测。
Description
技术领域
本发明实施例涉及5G技术领域，尤其涉及一种特殊人群运动轨迹的预测方法及电子设备。
背景技术
目前，对用户的运行轨迹的预测在对连续轨迹建模的基础上，然而，在预测移动通信场景下的用户的运动轨迹，因用户的运动轨迹十分离散，一天平均只能获得十几个用户轨迹点，现有模型难以根据如此离散的轨迹反演得到用户的历史行为，并建立起有效的预测模型。因此，现有技术中对用户的运动轨迹的预测采用多层动态贝叶斯网络等网络学习模型进行预测，均无法实现实时、准确的预测。
发明内容
本发明实施例提供一种特殊人群运动轨迹的预测方法及电子设备，用于解决现有技术无法实现实时、准确的预测的问题。
本发明实施例采用下述技术方案：
第一方面，提供了一种特殊人群运动轨迹的预测方法，所述方法包括：
基于目标人群中用户的通信标识，获取目标人群的用户的活动行为特征；
基于目标人群中用户的通信标识，获取用户在多个指定时间段的多个指定频段的基站覆盖区域轨迹活动数据；
基于目标人群中用户的通信标识，对目标人群的用户的活动行为特征及用户在多个指定时间段的基站覆盖区域轨迹活动数据进行关联，以得到用户的活动行为特征及对应的基站覆盖区域轨迹活动数据；
将用户的活动行为特征和指定时间段作为移动轨迹预测模型的输入，将用户的活动行为特征和指定时间段对应的基站覆盖区域作为移动轨迹预测模型的输出，对移动轨迹预测模型进行训练。
第二方面，提供了一种特殊人群运动轨迹的预测方法，所述方法包括：
基于目标用户的通信标识，获取所述目标用户的活动行为特征；
基于所述目标用户的通信标识，获取所述目标用户在多个指定时间段的多个指定频段的基站覆盖区域轨迹活动数据；
基于所述目标用户的通信标识，对所述目标用户的活动行为特征及所述目标用户在多个指定时间段的基站覆盖区域轨迹活动数据进行关联；
将所述目标用户的活动行为特征和指定时间段输入移动轨迹预测模型，输出所述目标用户的活动行为特征和指定时间段对应的基站覆盖区域，所述移动轨迹预测模型基于用户的活动行为特征，指定时间段，及用户的活动行为特征和指定时间段对应的基站覆盖区域训练得到的。
第三方面，提供了一种电子设备，所述电子设备包括：
特征获取模块，用于基于目标人群中用户的通信标识，获取目标人群的用户的活动行为特征；
数据获取模块，用于基于目标人群中用户的通信标识，获取用户在多个指定时间段的多个指定频段的基站覆盖区域轨迹活动数据；
关联模块，用于基于目标人群中用户的通信标识，对目标人群的用户的活动行为特征及用户在多个指定时间段的基站覆盖区域轨迹活动数据进行关联，以得到用户的活动行为特征及对应的基站覆盖区域轨迹活动数据；
训练模块，用于将用户的活动行为特征和指定时间段作为移动轨迹预测模型的输入，将用户的活动行为特征和指定时间段对应的基站覆盖区域作为移动轨迹预测模型的输出，对移动轨迹预测模型进行训练。
第四方面，提供了一种电子设备，所述电子设备包括：
特征获取模块，用于基于目标用户的通信标识，获取所述目标用户的活动行为特征；
数据获取模块，用于基于所述目标用户的通信标识，获取所述目标用户在多个指定时间段的多个指定频段的基站覆盖区域轨迹活动数据；
关联模块，用于基于所述目标用户的通信标识，对所述目标用户的活动行为特征及所述目标用户在多个指定时间段的基站覆盖区域轨迹活动数据进行关联；
输出模块，用于将所述目标用户的活动行为特征和指定时间段输入移动轨迹预测模型，输出所述目标用户的活动行为特征和指定时间段对应的基站覆盖区域，所述移动轨迹预测模型基于用户的活动行为特征，指定时间段，及用户的活动行为特征和指定时间段对应的基站覆盖区域训练得到的。
第五方面，提供了一种电子设备，包括：存储器，存储有计算机程序指令；
处理器，当所述计算机程序被所述处理器执行时实现如上述所述的特殊人群运动轨迹的预测方法。
第六方面，提供了一种计算机可读存储介质，所述计算机可读存储介质包括指令，当所述指令在计算机上运行时，使得计算机执行时实现如上述所述的特殊人群运动轨迹的预测方法。
本发明实施例采用的上述至少一个技术方案能够达到以下有益效果：
本发明实施例通过获取目标人群的用户的活动行为特征，及用户在多个指定时间段的多个指定频段的基站覆盖区域轨迹活动数据，基于基于目标人群中用户的通信标识，对目标人群的用户的活动行为特征及用户在多个指定时间段的基站覆盖区域轨迹活动数据进行关联，将用户的活动行为特征和指定时间段作为移动轨迹预测模型的输入，将用户的活动行为特征和指定时间段对应的基站覆盖区域作为移动轨迹预测模型的输出，对移动轨迹预测模型进行训练。将目标用户的活动行为特征和指定时间段输入移动轨迹预测模型，可以输出目标用户的活动行为特征和指定时间段对应的基站覆盖区域，根据无线测量信息和己知位置信息建立移动轨迹预测模型，反向定位出仅包含无线测量信息用户的位置，达到位置连续性要求，从而实现实时、准确的预测。
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，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为本说明书的一个实施例提供的特殊人群运动轨迹的预测方法流程示意图之一；
图2为本说明书的一个实施例提供的特殊人群运动轨迹的预测方法的实际应用场景示意图之一；
图3为本说明书的一个实施例提供的特殊人群运动轨迹的预测方法的实际应用场景示意图之二；
图4为本说明书的一个实施例提供的特殊人群运动轨迹的预测方法流程示意图之二；
图5为本说明书的一个实施例提供的电子设备结构示意图之一；
图6为本说明书的一个实施例提供的电子设备结构示意图之二；
图7为本说明书一个实施例提供的电子设备结构示意图之三。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本发明实施例提供一种特殊人群运动轨迹的预测方法及电子设备，以解决现有技术无法实现实时、准确的预测的问题。本发明实施例提供一种特殊人群运动轨迹的预测方法，该方法的执行主体，可以但不限于应用程序、电子设备或能够被配置为执行本发明实施例提供的该方法的装置或系统。
为便于描述，下文以该方法的执行主体为能够执行该方法的电子设备为例，对该方法的实施方式进行介绍。可以理解，该方法的执行主体为电子设备只是一种示例性的说明，并不应理解为对该方法的限定。
图1为本发明实施例提供的特殊人群运动轨迹的预测方法的流程图，图1的方法可以由电子设备执行，如图1所示，该方法可以包括：
步骤101、基于目标人群中用户的通信标识，获取目标人群的用户的活动行为特征。
该目标人群可以包括中老年人群、中小学生人群或儿童人群，等等。具体实施时，目标人群为中老年人群。
通信标识用于标识目标人群中用户的电话号码的身份。
示例性的，通信标识可以为集成电路卡识别码(Integrate circuit cardidentity，ICCID)，即SIM卡卡号，其共有20位数字组成，其编码格式为：XXXXXX 0MFSSYYGXX XXXX。分别介绍如下：前六位运营商代码：中国移动的为：898600；898602；898604，中国联通的为：898601、898606、898609，中国电信的为：898603。
示例性的，通信标识可以为国际移动设备标识(International MobileEquipment Identity，IMEI)，其由15位数字组成的”电子串号”，存储在不同品牌手机的EEPROM(俗称“码片”)里它与每台不同品牌手机一一对应，该码是全世界唯一的其组成为：前6位数(TAC)是”型号核准号码”，一般代表机型,接着的2位数(FAC)是”最后装配号”，一般代表产地，之后的6位数(SNR)是”串号”，一般代表生产顺序号，最后1位数(SP)通常是”0″，为检验码，目前暂备用，IMEI是区别移动设备的标识，储存在移动设备中，可用于监控被窃或无效的移动设备。
示例性的，通信标识可以为国际移动用户识别码(Interational MobileSubscriber Identification Number，IMSI)，其是区别移动用户的标志，储存在SIM卡中，可用于区别移动用户的有效数据。其总长度不超过15位，同样使用0～9的数字。其中MCC是移动用户所属国家代号，占3位数字，中国的MCC规定为460；MNC是移动网号码，由两位或者三位数字组成，中国移动的移动网络编码(MNC)为00；用于识别移动用户所归属的移动通信网；MSIN是移动用户识别码，用以识别某一移动通信网中的移动用户。
本步骤具体实现为基于用户的通信标识，通过信令系统的(移动/电信/联通)2G/3G/Gb+Iups接口采集用户通信数据，通过LTE网络数据提取接口S1-MME、S1-U、S6a、SGI将用户的不同品牌的电子设备数量提交给边缘数据中心，该边缘数据中心内置不同品牌电子设备数据，内置采集平台，终端APP属性库，Android/iPhone终端操作系统识别库，用户终端锁网与类型分布分析库，对Android/iphone某品牌各个不同时期版本代号，依据2G/3G用户群体的终端功能简单、资费低廉特性，对性质各异的用户群终端，如老年用户、儿童电话手表、POS机、共享单车、GPRS物联网、M2M网络、智能水表电表、健康监测器、火灾和安全警报器等等，进行边缘计算(Edge computing)区分，来提供给系统数据采集平台，用户终端锁网与类型分布分析库，终端用户标签库，终端识别数据库来提供相关数据，来实现用户群体行为轨迹跟踪、性别与年龄判断，来确定目标人群，获取目标人群中用户在多个指定时间段的多个指定频段的基站覆盖区域的经纬度信息，基于所述经纬度信息的变化情况，从而确定目标人群及目标人群的用户的活动行为特征。
步骤102、基于目标人群中用户的通信标识，获取用户在多个指定时间段的多个指定频段的基站覆盖区域轨迹活动数据。
该多个指定时间段可以是[7：00-7:30]、[7：00-9:30]、[10：00-10:30]、[11：00-12:00]、[12：00-14:00]、[15：00-17:00]、[18：00-21:00]这七个时间段。
该多个指定频段可以指F频段、E频段、D频段。
其中，F频段(BAND-39，1880～1900MHz，原A频段)：共计20MHzD频段(BAND-38,2575-2615MHz):共计40MHz。F频段的覆盖距离更远，深度覆盖效果更好，类似于GSM900/1800覆盖指标95％，对覆盖距离更远的F频段要求更宽松F频段是比D频段还要低的，覆盖能力应该更好，所以电平值要求低一些。
在室外基站D频段比F频段差4～6dB，室内基站D频段比F频段差8～10dB。基站共站情况下D频段基站覆盖面积为F频段的40％，总覆盖面积为90km2，而F频段覆盖面积为225km2，且F频段覆盖范围是D频段的2.5倍为依据进行基站轨迹网格化分类，结合图2和图3所示。
以目标人群为60岁以上中老年人群为例，根据中老年人群的活动特点和习惯，按照中连年人群日常活动规律划分为：[7：00-7:30]、[7：00-9:30]、[10：00-10:30]、[11：00-12:00]、[12：00-14:00]、[15：00-17:00]、[18：00-21:00]七个时间段，分别划分为中老年人群自发性活动散步、中老年人群动态健身活动、中老年人群高速移动、中老年人群就医购物活动、中老年人群自发性活动晒太阳、中老年人群静止。
具体实施时，以兰州市雁滩安居小区为例。结合图2和图3所示，60岁以上常住雁滩安居小区4G用户数500人，2G用户数800-1000人。依据中老年人群行为特征：出行距离短，行走缓慢或需介助轮椅等移动工具；出行具有明显的区域性和时间性，在活动地点的选择上具有习惯性和恋旧性，且有相对的出行高峰等特点。来建立兰州市雁滩安居小区60岁以上中老年人群依据F/D频段的平均值差距约为3dB覆盖差异，来进行老人活动历史行为轨迹检测特征预测模型。具体如表1所示：
表1
步骤103、基于目标人群中用户的通信标识，对目标人群的用户的活动行为特征及用户在多个指定时间段的基站覆盖区域轨迹活动数据进行关联，以得到用户的活动行为特征及对应的基站覆盖区域轨迹活动数据。
本步骤具体可实现为：基于目标人群中用户的通信标识，获取所述目标人群中用户的用户标识；基于所述目标人群中用户的用户标识，所述用户标识分别与所述用户的活动行为特征及所述用户在多个指定时间段的基站覆盖区域轨迹活动数据的对应关系，对所述目标人群的用户的活动行为特征及用户在多个指定时间段的基站覆盖区域轨迹活动数据进行关联。
步骤104、将用户的活动行为特征和指定时间段作为移动轨迹预测模型的输入，将用户的活动行为特征和指定时间段对应的基站覆盖区域作为移动轨迹预测模型的输出，对移动轨迹预测模型进行训练。
移动轨迹预测，指的是在不同时间段、不同地理区域预测特殊人群出现在某个频段基站轨迹点及其活动影响范围内的可能性。
假设，时间段[ti，tj]内中老年人群F/D频段基站轨迹活动数据值计算定义为：
W＝(E1(CSS GridF/D_X1，CSS GridF/D_Y1,n1,k1)＞,...,E2(CSS GridF/D_Xn，CSSGridF/D_Yn,n2,kn)
不同时间段、不同地理区域F/D频段基站轨迹预测点公式。其中，SO轨迹预测Ei点，SO表达式为：
沿用上述，中老年人群F/D频段基站轨迹活动是指将中老年人群一天24小时按中老年人群日常的活动规律划分为如下时间段：[7：00-7:30]、[7：00-9:30]、[10：00-10:30]、[11：00-12:00]、[12：00-14:00]、[15：00-17:00]、[18：00-21:00]七个时间段。F/D频段基站轨迹活动点按时间顺序进行排序形成的序列分别划分为：中老年人群自发性活动散步、中老年人群动态健身活动、中老年人群高速移动、中老年人群就医购物活动、中老年人群自发性活动晒太阳、中老年人群静止。将活动起始点按时间顺序排列便得到完整的中老年人群移动预测线路，表达式如下：
各时间段内形成的F/D频段基站轨迹活动点的表达式为：
中老年人群移动的F/D频段基站轨迹的表达式为：
本发明实施例通过获取目标人群的用户的活动行为特征，及用户在多个指定时间段的多个指定频段的基站覆盖区域轨迹活动数据，基于基于目标人群中用户的通信标识，对目标人群的用户的活动行为特征及用户在多个指定时间段的基站覆盖区域轨迹活动数据进行关联，将用户的活动行为特征和指定时间段作为移动轨迹预测模型的输入，将用户的活动行为特征和指定时间段对应的基站覆盖区域作为移动轨迹预测模型的输出，对移动轨迹预测模型进行训练。将目标用户的活动行为特征和指定时间段输入移动轨迹预测模型，根据无线测量信息和己知位置信息建立移动轨迹预测模型，反向定位出仅包含无线测量信息用户的位置，达到位置连续性要求，从而实现实时、准确的预测。
在一实施例中，步骤102具体可实现为：
步骤1021、基于目标人群中用户的通信标识，获取用户在多个指定时间段的地理位置。
该地理位置用坐标(CSS GridF/D_X，CSS GridF/D_Y)表示，其中CSS GridF/D_X为所在网格阵列的号，CSS GridF/D_Y为所在网络阵列的列号。
步骤1022、基于用户在多个指定时间段所在的地理位置的类型，确定所述地理位置的多个指定频段的覆盖范围；
地理位置的类型可以包括市区、郊区、住宅周边院落绿地等，市区的F/D频段覆盖半径为300m，郊区的F/D频段覆盖半径为1000m，住宅周边院落绿地半径一般不大于200m，小区居住步行、自行车或公交为主半径一般不大于500m，市区步行、自行车或公交为主半径一般不大于1000m～10000m。
本步骤具体可实现为，基于用户在多个指定时间段所在的地理位置的类型，确定地理位置的F/D频段覆盖半径，基于地理位置的F/D频段覆盖半径，确定地理位置的F/D频段覆盖范围。
步骤1023、获取用户在所述地理位置的多个指定频段的覆盖范围的上报数据。
本步骤具体可实现为，以中老年人群为例，中老年人群在不同时间段，在地理位置的多个指定频段的覆盖范围的上报数据，以报告所在的地理活动范围，根据该中老年人群前后若干时间段，所在地理活动范围内变化情况，在多个时间段所在地理活动范围室内外接收到的邻区数量的差别，根据多个时间段所在地理位置活动范围室内外接收到的服务基站，及地理位置活动范围内邻区的电平强度的差别。
步骤1024、基于所述上报数据，获取用户在多个指定时间段的多个指定频段的基站覆盖区域轨迹活动数据。
示例性的，用户在多个指定时间段的多个指定频段的基站覆盖区域轨迹活动数据，可以为中老年人群数据的时间段W1F/Dandapp_T中老年人群覆盖区域轨迹活动数据W，基站轨迹小区F/D频段网格覆盖范围位置坐标K(CSS GridF/D_X，CSS GridF/D_Y.K)。其中(CSS GridF/D_X，CSS GridF/D_Y)为经纬度点，LOG，LOY所在的F/D频段网络坐标，K为时间段W1F/Dandapp_T时所在网络(CSS GridF/D_X，CSS GridF/D_Y)内所包含的中老年人群活动具体数目。
因此，设对不同时间段(ti,tj)内F/D频段的覆盖差异中老年人群轨迹预测汇聚范围形成的基站轨迹活动数据值G，其表达式为：
G＝{＜Ti,CSS GridF/D_X1，CSS GridF/D_Y1,k1＞,...,＜Tn,CSS GridF/D_Xn，CSSGridF/D_Yn,kn}(ti≤tj)
在一实施例中，步骤102具体可实现为：
基于所述基站覆盖区域轨迹活动数据的限值，修正所述用户在多个指定时间段的多个指定频段的基站覆盖区域轨迹活动数据。
示例性的，修正基站覆盖区域轨迹活动数据的优化匹配X的表达式为：
其中nmax是基站轨迹活动数量的上限值，nmin是基站轨迹活动数量的下限值；xmax为F/D频段基站轨迹影响范围的上限值，xmin为F/D频段基站轨迹影响范围的下限值。
图4为本发明实施例提供的特殊人群运动轨迹的预测方法的流程图，图4的方法可以由电子设备执行，如图4所示，该方法可以包括：
步骤401、基于目标用户的通信标识，获取所述目标用户的活动行为特征。
该目标用户可以为中老年人、中小学生人或儿童人，等等。具体实施时，目标用户为中老年人。
通信标识用于标识目标用户的电话号码的身份。
示例性的，通信标识可以为集成电路卡识别码(Integrate circuit cardidentity，ICCID)，即SIM卡卡号，其共有20位数字组成，其编码格式为：XXXXXX 0MFSSYYGXX XXXX。分别介绍如下：前六位运营商代码：中国移动的为：898600；898602；898604，中国联通的为：898601、898606、898609，中国电信的为：898603。
示例性的，通信标识可以为国际移动设备标识(International MobileEquipment Identity，IMEI)，其由15位数字组成的”电子串号”，存储在不同品牌手机的EEPROM(俗称“码片”)里它与每台不同品牌手机一一对应，该码是全世界唯一的其组成为：前6位数(TAC)是”型号核准号码”，一般代表机型,接着的2位数(FAC)是”最后装配号”，一般代表产地，之后的6位数(SNR)是”串号”，一般代表生产顺序号，最后1位数(SP)通常是”0″，为检验码，目前暂备用，IMEI是区别移动设备的标识，储存在移动设备中，可用于监控被窃或无效的移动设备。
示例性的，通信标识可以为国际移动用户识别码(Interational MobileSubscriber Identification Number，IMSI)，其是区别移动用户的标志，储存在SIM卡中，可用于区别移动用户的有效数据。其总长度不超过15位，同样使用0～9的数字。其中MCC是移动用户所属国家代号，占3位数字，中国的MCC规定为460；MNC是移动网号码，由两位或者三位数字组成，中国移动的移动网络编码(MNC)为00；用于识别移动用户所归属的移动通信网；MSIN是移动用户识别码，用以识别某一移动通信网中的移动用户。
本步骤具体实现为基于用户的通信标识，通过信令系统的(移动/电信/联通)2G/3G/Gb+Iups接口采集用户通信数据，通过LTE网络数据提取接口S1-MME、S1-U、S6a、SGI将用户的不同品牌的电子设备数量提交给边缘数据中心，该边缘数据中心内置不同品牌电子设备数据，内置采集平台，终端APP属性库，Android/iPhone终端操作系统识别库，用户终端锁网与类型分布分析库，对Android/iphone某品牌各个不同时期版本代号，依据2G/3G用户群体的终端功能简单、资费低廉特性，对性质各异的用户群终端，如老年用户、儿童电话手表、POS机、共享单车、GPRS物联网、M2M网络、智能水表电表、健康监测器、火灾和安全警报器等等，进行边缘计算(Edge computing)区分，来提供给系统数据采集平台，用户终端锁网与类型分布分析库，终端用户标签库，终端识别数据库来提供相关数据，来实现用户群体行为轨迹跟踪、性别与年龄判断，来确定目标用户，获取目标用户中用户在多个指定时间段的多个指定频段的基站覆盖区域的经纬度信息，基于所述经纬度信息的变化情况，从而确定目标用户及目标用户的活动行为特征。
步骤402、基于所述目标用户的通信标识，获取所述目标用户在多个指定时间段的多个指定频段的基站覆盖区域轨迹活动数据。
该多个指定时间段可以是[7：00-7:30]、[7：00-9:30]、[10：00-10:30]、[11：00-12:00]、[12：00-14:00]、[15：00-17:00]、[18：00-21:00]这七个时间段。
该多个指定频段可以指F频段、E频段、D频段。
其中，F频段(BAND-39，1880～1900MHz，原A频段)：共计20MHzD频段(BAND-38,2575-2615MHz):共计40MHz。F频段的覆盖距离更远，深度覆盖效果更好，类似于GSM900/1800覆盖指标95％，对覆盖距离更远的F频段要求更宽松F频段是比D频段还要低的，覆盖能力应该更好，所以电平值要求低一些。
在室外基站D频段比F频段差4～6dB，室内基站D频段比F频段差8～10dB。基站共站情况下D频段基站覆盖面积为F频段的40％，总覆盖面积为90km2，而F频段覆盖面积为225km2，且F频段覆盖范围是D频段的2.5倍为依据进行基站轨迹网格化分类，结合图2和图3所示。
步骤403、基于所述目标用户的通信标识，对所述目标用户的活动行为特征及所述目标用户在多个指定时间段的基站覆盖区域轨迹活动数据进行关联。
本步骤具体可实现为：基于目标用户中用户的通信标识，获取所述目标用户的用户标识；基于所述目标用户的用户标识，所述用户标识分别与所述用户的活动行为特征及所述用户在多个指定时间段的基站覆盖区域轨迹活动数据的对应关系，对所述目标用户的活动行为特征及用户在多个指定时间段的基站覆盖区域轨迹活动数据进行关联。
步骤404、将所述目标用户的活动行为特征和指定时间段输入移动轨迹预测模型，输出所述目标用户的活动行为特征和指定时间段对应的基站覆盖区域，所述移动轨迹预测模型基于用户的活动行为特征，指定时间段，及用户的活动行为特征和指定时间段对应的基站覆盖区域训练得到的。
移动轨迹预测，指的是在不同时间段、不同地理区域预测目标用户出现在某个频段基站轨迹点及其活动影响范围内的可能性。
假设，时间段[ti，tj]内目标用户F/D频段基站轨迹活动数据值计算定义为：
W＝(E1(CSS GridF/D_X1，CSS GridF/D_Y1,n1,k1)＞,...,E2(CSS GridF/D_Xn，CSSGridF/D_Yn,n2,kn)
不同时间段、不同地理区域F/D频段基站轨迹预测点公式。其中，SO轨迹预测Ei点，SO表达式为：
沿用上述，目标用户F/D频段基站轨迹活动是指将目标用户一天24小时按目标用户日常的活动规律划分为如下时间段：[7：00-7:30]、[7：00-9:30]、[10：00-10:30]、[11：00-12:00]、[12：00-14:00]、[15：00-17:00]、[18：00-21:00]七个时间段。F/D频段基站轨迹活动点按时间顺序进行排序形成的序列分别划分为：目标用户自发性活动散步、目标用户动态健身活动、目标用户高速移动、目标用户就医购物活动、目标用户自发性活动晒太阳、目标用户静止。将活动起始点按时间顺序排列便得到完整的目标用户移动预测线路，表达式如下：
各时间段内形成的F/D频段基站轨迹活动点的表达式为：
目标用户移动的F/D频段基站轨迹的表达式为：
本发明实施例通过获取目标用户的活动行为特征，及用户在多个指定时间段的多个指定频段的基站覆盖区域轨迹活动数据，基于目标用户的通信标识，对目标用户的活动行为特征及目标用户在多个指定时间段的基站覆盖区域轨迹活动数据进行关联，将目标用户的活动行为特征和指定时间段作为移动轨迹预测模型的输入，将目标用户的活动行为特征和指定时间段对应的基站覆盖区域作为移动轨迹预测模型的输出，对移动轨迹预测模型进行训练。将目标用户的活动行为特征和指定时间段输入移动轨迹预测模型，根据无线测量信息和己知位置信息建立移动轨迹预测模型，反向定位出仅包含无线测量信息用户的位置，达到位置连续性要求，从而实现实时、准确的预测。
以上，结合图1～图3详细说明了本说明书实施例的特殊人群运动轨迹的预测方法，下面，结合图5，详细说明本说明书实施例的电子设备。
图5示出了本说明书实施例提供的电子设备的结构示意图，如图5所示，该电子设备可以包括：
特征获取模块501，用于基于目标人群中用户的通信标识，获取目标人群的用户的活动行为特征；
数据获取模块502，用于基于目标人群中用户的通信标识，获取用户在多个指定时间段的多个指定频段的基站覆盖区域轨迹活动数据；
关联模块503，用于基于目标人群中用户的通信标识，对目标人群的用户的活动行为特征及用户在多个指定时间段的基站覆盖区域轨迹活动数据进行关联，以得到用户的活动行为特征及对应的基站覆盖区域轨迹活动数据；
训练模块504，用于将用户的活动行为特征和指定时间段作为移动轨迹预测模型的输入，将用户的活动行为特征和指定时间段对应的基站覆盖区域作为移动轨迹预测模型的输出，对移动轨迹预测模型进行训练。
在一实施例中，数据获取模块502包括：
第一获取单元，用于基于目标人群中用户的通信标识，获取用户在多个指定时间段的地理位置；
第一确定单元，用于基于用户在多个指定时间段所在的地理位置的类型，确定所述地理位置的多个指定频段的覆盖范围；
第二获取单元，用于获取用户在所述地理位置的多个指定频段的覆盖范围的上报数据；
第三获取单元，用于基于所述上报数据，获取用户在多个指定时间段的多个指定频段的基站覆盖区域轨迹活动数据。
在一实施例中，数据获取模块502包括：
修正单元，用于基于所述基站覆盖区域轨迹活动数据的限值，修正所述用户在多个指定时间段的多个指定频段的基站覆盖区域轨迹活动数据。
在一实施例中，关联模块503包括：
第四获取单元，用于基于目标人群中用户的通信标识，获取所述目标人群中用户的用户标识；
关联单元，用于基于所述目标人群中用户的用户标识，所述用户标识分别与所述用户的活动行为特征及所述用户在多个指定时间段的基站覆盖区域轨迹活动数据的对应关系，对所述目标人群的用户的活动行为特征及用户在多个指定时间段的基站覆盖区域轨迹活动数据进行关联。
在一实施例中，特征获取模块501包括：
第五获取单元，用于基于目标人群中用户的通信标识，获取用户在多个指定时间段的多个指定频段的基站覆盖区域的经纬度信息；
第二确定单元，用于基于所述经纬度信息的变化情况，确定所述用户的活动行为特征。
本发明实施例通过获取目标人群的用户的活动行为特征，及用户在多个指定时间段的多个指定频段的基站覆盖区域轨迹活动数据，基于基于目标人群中用户的通信标识，对目标人群的用户的活动行为特征及用户在多个指定时间段的基站覆盖区域轨迹活动数据进行关联，将用户的活动行为特征和指定时间段作为移动轨迹预测模型的输入，将用户的活动行为特征和指定时间段对应的基站覆盖区域作为移动轨迹预测模型的输出，对移动轨迹预测模型进行训练。将目标用户的活动行为特征和指定时间段输入移动轨迹预测模型，根据无线测量信息和己知位置信息建立移动轨迹预测模型，反向定位出仅包含无线测量信息用户的位置，达到位置连续性要求，从而实现实时、准确的预测。
以上，结合图4详细说明了本说明书实施例的特殊人群运动轨迹的预测方法，下面，结合图6，详细说明本说明书实施例的电子设备。
图6示出了本说明书实施例提供的电子设备的结构示意图，如图6所示，该电子设备可以包括：
特征获取模块601，用于基于目标用户的通信标识，获取所述目标用户的活动行为特征；
数据获取模块602，用于基于所述目标用户的通信标识，获取所述目标用户在多个指定时间段的多个指定频段的基站覆盖区域轨迹活动数据；
关联模块603，用于基于所述目标用户的通信标识，对所述目标用户的活动行为特征及所述目标用户在多个指定时间段的基站覆盖区域轨迹活动数据进行关联；
输出模块604，用于将所述目标用户的活动行为特征和指定时间段输入移动轨迹预测模型，输出所述目标用户的活动行为特征和指定时间段对应的基站覆盖区域，所述移动轨迹预测模型基于用户的活动行为特征，指定时间段，及用户的活动行为特征和指定时间段对应的基站覆盖区域训练得到的。
本发明实施例通过获取目标用户的活动行为特征，及用户在多个指定时间段的多个指定频段的基站覆盖区域轨迹活动数据，基于目标用户的通信标识，对目标用户的活动行为特征及目标用户在多个指定时间段的基站覆盖区域轨迹活动数据进行关联，将目标用户的活动行为特征和指定时间段作为移动轨迹预测模型的输入，将目标用户的活动行为特征和指定时间段对应的基站覆盖区域作为移动轨迹预测模型的输出，对移动轨迹预测模型进行训练。将目标用户的活动行为特征和指定时间段输入移动轨迹预测模型，根据无线测量信息和己知位置信息建立移动轨迹预测模型，反向定位出仅包含无线测量信息用户的位置，达到位置连续性要求，从而实现实时、准确的预测。
下面将结合图7详细描述根据本发明实施例的电子设备。参考图7，在硬件层面，电子设备包括处理器，可选地，包括内部总线、网络接口、存储器。其中，如图7所示，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括实现其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外设部件互连标准(Peripheral Component Interconnect，PCI)总线或扩展工业标准结构(ExtendedIndustry Standard Architecture，EISA)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成转发聊天信息的装置。处理器，执行存储器所存放的程序，并具体用于执行本说明书前文所述的方法实施例的操作。
上述图1至图3所示实施例揭示的方法、电子设备执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
图7所示的电子设备还可执行图1至图3的方法，并实现特殊人群运动轨迹的预测方法在图1至图3所示实施例的功能，本发明实施例在此不再赘述。
当然，除了软件实现方式之外，本申请的电子设备并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述各个方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种特殊人群运动轨迹的预测方法，其特征在于，包括：
基于目标人群中用户的通信标识，获取目标人群的用户的活动行为特征；
基于目标人群中用户的通信标识，获取用户在多个指定时间段的多个指定频段的基站覆盖区域轨迹活动数据；
基于目标人群中用户的通信标识，对目标人群的用户的活动行为特征及用户在多个指定时间段的基站覆盖区域轨迹活动数据进行关联，以得到用户的活动行为特征及对应的基站覆盖区域轨迹活动数据；
将用户的活动行为特征和指定时间段作为移动轨迹预测模型的输入，将用户的活动行为特征和指定时间段对应的基站覆盖区域作为移动轨迹预测模型的输出，对移动轨迹预测模型进行训练。
2.根据权利要求1所述的方法，其特征在于，基于目标人群中用户的通信标识，获取用户在多个指定时间段的多个指定频段的基站覆盖区域轨迹活动数据，包括：
基于目标人群中用户的通信标识，获取用户在多个指定时间段的地理位置；
基于用户在多个指定时间段所在的地理位置的类型，确定所述地理位置的多个指定频段的覆盖范围；
获取用户在所述地理位置的多个指定频段的覆盖范围的上报数据；
基于所述上报数据，获取用户在多个指定时间段的多个指定频段的基站覆盖区域轨迹活动数据。
3.根据权利要求1或2所述的方法，其特征在于，获取用户在多个指定时间段的多个指定频段的基站覆盖区域轨迹活动数据，包括：
基于所述基站覆盖区域轨迹活动数据的限值，修正所述用户在多个指定时间段的多个指定频段的基站覆盖区域轨迹活动数据。
4.根据权利要求1所述的方法，其特征在于，基于目标人群中用户的通信标识，对目标人群的用户的活动行为特征及用户在多个指定时间段的基站覆盖区域轨迹活动数据进行关联，包括：
基于目标人群中用户的通信标识，获取所述目标人群中用户的用户标识；
基于所述目标人群中用户的用户标识，所述用户标识分别与所述用户的活动行为特征及所述用户在多个指定时间段的基站覆盖区域轨迹活动数据的对应关系，对所述目标人群的用户的活动行为特征及用户在多个指定时间段的基站覆盖区域轨迹活动数据进行关联。
5.根据权利要求1所述的方法，其特征在于，基于目标人群中用户的通信标识，获取目标人群的用户的活动行为特征，包括：
基于目标人群中用户的通信标识，获取用户在多个指定时间段的多个指定频段的基站覆盖区域的经纬度信息；
基于所述经纬度信息的变化情况，确定所述用户的活动行为特征。
6.一种特殊人群运动轨迹的预测方法，其特征在于，包括：
基于目标用户的通信标识，获取所述目标用户的活动行为特征；
基于所述目标用户的通信标识，获取所述目标用户在多个指定时间段的多个指定频段的基站覆盖区域轨迹活动数据；
基于所述目标用户的通信标识，对所述目标用户的活动行为特征及所述目标用户在多个指定时间段的基站覆盖区域轨迹活动数据进行关联；
将所述目标用户的活动行为特征和指定时间段输入移动轨迹预测模型，输出所述目标用户的活动行为特征和指定时间段对应的基站覆盖区域，所述移动轨迹预测模型基于用户的活动行为特征，指定时间段，及用户的活动行为特征和指定时间段对应的基站覆盖区域训练得到的。
7.一种电子设备，其特征在于，包括：
特征获取模块，用于基于目标人群中用户的通信标识，获取目标人群的用户的活动行为特征；
数据获取模块，用于基于目标人群中用户的通信标识，获取用户在多个指定时间段的多个指定频段的基站覆盖区域轨迹活动数据；
关联模块，用于基于目标人群中用户的通信标识，对目标人群的用户的活动行为特征及用户在多个指定时间段的基站覆盖区域轨迹活动数据进行关联，以得到用户的活动行为特征及对应的基站覆盖区域轨迹活动数据；
训练模块，用于将用户的活动行为特征和指定时间段作为移动轨迹预测模型的输入，将用户的活动行为特征和指定时间段对应的基站覆盖区域作为移动轨迹预测模型的输出，对移动轨迹预测模型进行训练。
8.一种电子设备，其特征在于，包括：
特征获取模块，用于基于目标用户的通信标识，获取所述目标用户的活动行为特征；
数据获取模块，用于基于所述目标用户的通信标识，获取所述目标用户在多个指定时间段的多个指定频段的基站覆盖区域轨迹活动数据；
关联模块，用于基于所述目标用户的通信标识，对所述目标用户的活动行为特征及所述目标用户在多个指定时间段的基站覆盖区域轨迹活动数据进行关联；
输出模块，用于将所述目标用户的活动行为特征和指定时间段输入移动轨迹预测模型，输出所述目标用户的活动行为特征和指定时间段对应的基站覆盖区域，所述移动轨迹预测模型基于用户的活动行为特征，指定时间段，及用户的活动行为特征和指定时间段对应的基站覆盖区域训练得到的。
9.一种电子设备，其特征在于，包括：
存储器，存储有计算机程序指令；
处理器，当所述计算机程序被所述处理器执行时实现如权利要求1至5任一项所述的特殊人群运动轨迹的预测方法。
10.一种计算机可读存储介质，其特征在于，
所述计算机可读存储介质包括指令，当所述指令在计算机上运行时，使得计算机执行时实现如权利要求1至5任一项所述的特殊人群运动轨迹的预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911173077.8A CN112954603A (zh) | 2019-11-26 | 2019-11-26 | 一种特殊人群运动轨迹的预测方法及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911173077.8A CN112954603A (zh) | 2019-11-26 | 2019-11-26 | 一种特殊人群运动轨迹的预测方法及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112954603A true CN112954603A (zh) | 2021-06-11 |
Family
ID=76224994
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911173077.8A Pending CN112954603A (zh) | 2019-11-26 | 2019-11-26 | 一种特殊人群运动轨迹的预测方法及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112954603A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113688200A (zh) * | 2021-10-27 | 2021-11-23 | 南通智大信息技术有限公司 | 一种基于决策树的特殊人群行动轨迹收集方法及系统 |
| CN113706001A (zh) * | 2021-08-20 | 2021-11-26 | 中国联合网络通信集团有限公司 | 一种应急预警方法、装置、设备及存储介质 |
| CN113766634A (zh) * | 2021-08-31 | 2021-12-07 | 深圳Tcl新技术有限公司 | 基于5g的定位方法、装置、计算机设备和存储介质 |
| CN113792763A (zh) * | 2021-08-24 | 2021-12-14 | 中山大学 | 基于电磁频谱数据挖掘的社会性群体行为识别方法、计算机装置和存储介质 |
| CN114245314A (zh) * | 2021-12-17 | 2022-03-25 | 高创安邦(北京)技术有限公司 | 一种人员轨迹修正方法、装置、存储介质及电子设备 |
| CN116321007A (zh) * | 2023-03-13 | 2023-06-23 | 深圳市交投科技有限公司 | 出行目的预测方法、装置、设备及存储介质 |
| CN116627972A (zh) * | 2023-05-25 | 2023-08-22 | 成都融见软件科技有限公司 | 一种覆盖指标的结构化数据离散存储系统 |
| CN116664369A (zh) * | 2023-07-20 | 2023-08-29 | 山邮数字科技(山东)有限公司 | 基于物联iot大数据的城市管理处理方法和服务系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110070863A1 (en) * | 2009-09-23 | 2011-03-24 | Nokia Corporation | Method and apparatus for incrementally determining location context |
| CN103150156A (zh) * | 2012-12-06 | 2013-06-12 | 江苏省公用信息有限公司 | 基于地理模型和移动轨迹实时获取特征人群的方法及系统 |
| US20160044455A1 (en) * | 2014-08-05 | 2016-02-11 | Jdsu Uk Limited | Techniques for multiple pass geolocation |
| CN108647735A (zh) * | 2018-05-15 | 2018-10-12 | 广州杰赛科技股份有限公司 | 用户出行规律分析方法、装置、设备及存储介质 |
| CN110058989A (zh) * | 2019-03-08 | 2019-07-26 | 阿里巴巴集团控股有限公司 | 用户行为意图预测方法和装置 |
| CN110267206A (zh) * | 2019-05-21 | 2019-09-20 | 中国联合网络通信集团有限公司 | 用户位置预测方法及装置 |
| CN110491090A (zh) * | 2019-09-20 | 2019-11-22 | 苏州智博汇能电子科技股份有限公司 | 基于手机终端的中老年人群监护方法 |
-
2019
- 2019-11-26 CN CN201911173077.8A patent/CN112954603A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110070863A1 (en) * | 2009-09-23 | 2011-03-24 | Nokia Corporation | Method and apparatus for incrementally determining location context |
| CN103150156A (zh) * | 2012-12-06 | 2013-06-12 | 江苏省公用信息有限公司 | 基于地理模型和移动轨迹实时获取特征人群的方法及系统 |
| US20160044455A1 (en) * | 2014-08-05 | 2016-02-11 | Jdsu Uk Limited | Techniques for multiple pass geolocation |
| CN108647735A (zh) * | 2018-05-15 | 2018-10-12 | 广州杰赛科技股份有限公司 | 用户出行规律分析方法、装置、设备及存储介质 |
| CN110058989A (zh) * | 2019-03-08 | 2019-07-26 | 阿里巴巴集团控股有限公司 | 用户行为意图预测方法和装置 |
| CN110267206A (zh) * | 2019-05-21 | 2019-09-20 | 中国联合网络通信集团有限公司 | 用户位置预测方法及装置 |
| CN110491090A (zh) * | 2019-09-20 | 2019-11-22 | 苏州智博汇能电子科技股份有限公司 | 基于手机终端的中老年人群监护方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张玉胜 等, 北京邮电大学出版社 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113706001B (zh) * | 2021-08-20 | 2023-06-09 | 中国联合网络通信集团有限公司 | 一种应急预警方法、装置、设备及存储介质 |
| CN113706001A (zh) * | 2021-08-20 | 2021-11-26 | 中国联合网络通信集团有限公司 | 一种应急预警方法、装置、设备及存储介质 |
| CN113792763B (zh) * | 2021-08-24 | 2022-08-12 | 中山大学 | 基于电磁频谱数据挖掘的社会性群体行为识别方法、计算机装置和存储介质 |
| CN113792763A (zh) * | 2021-08-24 | 2021-12-14 | 中山大学 | 基于电磁频谱数据挖掘的社会性群体行为识别方法、计算机装置和存储介质 |
| CN113766634A (zh) * | 2021-08-31 | 2021-12-07 | 深圳Tcl新技术有限公司 | 基于5g的定位方法、装置、计算机设备和存储介质 |
| CN113766634B (zh) * | 2021-08-31 | 2023-08-04 | 深圳Tcl新技术有限公司 | 基于5g的定位方法、装置、计算机设备和存储介质 |
| CN113688200B (zh) * | 2021-10-27 | 2022-02-15 | 南通智大信息技术有限公司 | 一种基于决策树的特殊人群行动轨迹收集方法及系统 |
| CN113688200A (zh) * | 2021-10-27 | 2021-11-23 | 南通智大信息技术有限公司 | 一种基于决策树的特殊人群行动轨迹收集方法及系统 |
| CN114245314A (zh) * | 2021-12-17 | 2022-03-25 | 高创安邦(北京)技术有限公司 | 一种人员轨迹修正方法、装置、存储介质及电子设备 |
| CN114245314B (zh) * | 2021-12-17 | 2024-01-05 | 高创安邦(北京)技术有限公司 | 一种人员轨迹修正方法、装置、存储介质及电子设备 |
| CN116321007A (zh) * | 2023-03-13 | 2023-06-23 | 深圳市交投科技有限公司 | 出行目的预测方法、装置、设备及存储介质 |
| CN116627972A (zh) * | 2023-05-25 | 2023-08-22 | 成都融见软件科技有限公司 | 一种覆盖指标的结构化数据离散存储系统 |
| CN116627972B (zh) * | 2023-05-25 | 2024-03-01 | 成都融见软件科技有限公司 | 一种覆盖指标的结构化数据离散存储系统 |
| CN116664369A (zh) * | 2023-07-20 | 2023-08-29 | 山邮数字科技(山东)有限公司 | 基于物联iot大数据的城市管理处理方法和服务系统 |
| CN116664369B (zh) * | 2023-07-20 | 2023-11-10 | 山邮数字科技(山东)有限公司 | 基于物联iot大数据的城市管理处理方法和服务系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112954603A (zh) | 一种特殊人群运动轨迹的预测方法及电子设备 | |
| CN102982596B (zh) | 人流量的统计方法及装置 | |
| US9591455B2 (en) | Methods and apparatus to determine a base station location | |
| CN108040318B (zh) | 一种定位方法、电子设备及计算机可读存储介质 | |
| CN103997757A (zh) | 伪基站定位方法、设备及信息上报方法、设备 | |
| CN105760454A (zh) | 一种城市人口分布密度实时动态测量方法 | |
| CN109195093A (zh) | 一种信息的推送方法及服务器 | |
| CN109151890A (zh) | 一种移动终端定位方法及装置 | |
| CN108810818B (zh) | 一种居民生活圈的划分方法及装置 | |
| CN104205794B (zh) | 用于蜂窝通信网络的有效操作的系统和方法 | |
| CN103822638B (zh) | 用户位置信息的处理方法和装置 | |
| CN111107556B (zh) | 一种移动通信网络的信号覆盖质量评估方法和装置 | |
| CN105307119A (zh) | 一种基于rssi基站信号估计的伪基站定位方法 | |
| CN102782519B (zh) | 用于估计蜂窝塔位置的方法和装置 | |
| CN107197434A (zh) | 一种移动装置的位置定位、移动距离计算及自动控制的算法 | |
| CN104661306A (zh) | 移动终端被动定位方法及系统 | |
| CN107889210B (zh) | 楼宇用户定位方法和系统 | |
| Jacques | Mobile phone metadata for development | |
| CN113068208B (zh) | Spm组合模型的训练方法、无线信号仿真的方法及服务器 | |
| CN111935772A (zh) | 一种确定业务区域的价值的方法和装置 | |
| CN106354825A (zh) | 基于区块定位的附近地点查询服务处理方法 | |
| JP2016048529A (ja) | 携帯端末を所持したユーザの滞在判定が可能な装置、プログラム及び方法 | |
| JP6433059B2 (ja) | 通信レコードに基づき移動端末を測位する装置、プログラム及び方法 | |
| CN112738719B (zh) | 一种通信小区所覆盖的地理区域的确定方法及电子设备 | |
| CN111328013B (zh) | 移动终端定位方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210611 |
|
| RJ01 | Rejection of invention patent application after publication |