CN112954623A - 一种基于手机信令大数据的居民入住率估算方法 - Google Patents
一种基于手机信令大数据的居民入住率估算方法 Download PDFInfo
- Publication number
- CN112954623A CN112954623A CN202110122469.2A CN202110122469A CN112954623A CN 112954623 A CN112954623 A CN 112954623A CN 202110122469 A CN202110122469 A CN 202110122469A CN 112954623 A CN112954623 A CN 112954623A
- Authority
- CN
- China
- Prior art keywords
- area
- population
- resident
- consumption coefficient
- mobile phone
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000011664 signaling Effects 0.000 title claims abstract description 41
- 238000005192 partition Methods 0.000 claims description 27
- 230000002776 aggregation Effects 0.000 claims description 11
- 238000004220 aggregation Methods 0.000 claims description 11
- 230000002068 genetic effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000011160 research Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 description 9
- 238000011835 investigation Methods 0.000 description 9
- 230000004083 survival effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 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
- H04W4/20—Services signaling; Auxiliary data signalling, i.e. transmitting data via a non-traffic channel
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- 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
- 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
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
-
- 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
Abstract
本发明公开了一种基于手机信令大数据的居民入住率估算方法,涉及空间规划领域,包括以下步骤:提取手机信令大数据中各用户属性及出行信息,根据手机用户数量与手机普及率,对属性为居住的用户进行数据扩样,基于人口结构基础库和居住用户扩样数据进行分层扩样,并对扩样后的总量和分组数据进行校核,根据手机信令驻留信息,判断用户是否为核心用户,根据上述产生的核心用户驻留信息,判断用户出行类型。本发明考虑了利用传统调查手段获取居民入住率信息往往周期长、难度大、成本高等问题,提出了一种基于手机信令大数据的居民入住率估算方法,该方法可对手机用户的通勤行为进行观测与分析,所获取的数据时空连续性强,精度和时效性较高。
Description
技术领域
本发明涉及空间规划领域,尤其涉及一种基于手机信令大数据的居民入住率估算方法。
背景技术
近年来我国城市用地形态和用地结构及城市人口发生较大变化,城市居民在时空范围上也发生了较大变化。居民入住率调查由于涉及人口多、范围广,往往需要较长的周期、巨大的人力及成本。随着新技术的不断发展,传统的居民入住率调查方法局限性。
如果能够提供一种技术手段,可快速统计城市居民入住率,可以提升传统数据调查的时效性并降低成本,为政府减轻负担,为决策提供技术支撑。
近年来随着手机普及率的迅猛提升,手机几乎覆盖所有城市人口,而运用手机信令分析技术对居民入住率进行计算成为了一个较好的选择。手机信令大数据作为一种时空轨迹大数据,基于基站进行定位,具有海量性、真实性、连续性、完整性、及时性和无感知性,可对交通出行的整个过程进行观测。运用手机信令大数据进行计算居民入住率,可有效减少调查时长,降低成本及人力损耗。
发明内容
本发明要解决的技术问题在于针对现有居民入住率调查存在的周期长、成本大的问题,提供一种基于手机信令大数据的居民入住率估算方法,提升数据获取的时效性,降低数据获取成本,为提供支持。
本发明解决其技术问题所采用的技术方案是:
本发明提供一种基于手机信令大数据的居民入住率估算方法,该方法包括以下步骤:
S1:提取手机信令大数据中各用户属性及其出行信息;
S2:根据某种运营商用户数量与手机普及率,扩样居住用户;
S3:根据人口结构基础库和居住用户扩样数据进行分层扩样,对扩样后的总量和分组数据进行校核;
S4:根据手机信令驻留信息,判断用户是否为核心用户;
S5:根据S4产生的核心用户驻留信息,判断用户出行类型;
S6:在S5的基础上,结合用户出行位置信息,判断用户出行终点位置网格,从而计算各网格驻留集计信息;
S7:根据城市区域划分图层及各网格驻留集计信息,计算区域居住人口;
S8:利用空间消费系数估算模型,计算人均居住空间消费系数;
S9:根据S7产生的区域居住人口和S8产生的人均居住空间消费系数,计算区域实际居住面积;
S10:根据区域建筑物大数据,获取建筑物基底面积和楼层数量,计算区域居住空间总量;
S11:根据S9产生的区域实际居住面积和S10产生的区域居住空间总量,计算区域居民入住率;
S12:将估算产生的居民入住率与实际调查结果进于比对,并通过基于遗传算法的空间消费系数估算模型的对进行校正。
,步骤S1包括:提取手机信令大数据中各用户属性及其出行信息,具体包括:获取用户性别、年龄、居住地以及驻留信息、出行信息等手机信令数据。
进一步地,本发明的所述的步骤S2中,根据手机用户数量及手机普及率,居住用户,具体步骤为:
S2.1:获取手机用户数量、手机普及率;
S2.2:根据运营商用户数量及手机普及率,对居住用户数量进行扩样。
进一步地,本发明的所述的步骤S3中,根据居住用户扩样扩样数据和人口结构基础库进行分层扩样,对扩样后的总量和分组数据进行校核,具体步骤为:
S3.1:获取人口结构基础库分层扩样;
S3.2:根据步骤S2.2计算的居住用户扩样数据和S3.1获取的人口结构基础库进行分层扩样,对扩样后的居住用户总量与分组用户量进行校核;
S3.3:产生校核后的扩样数据。
进一步地,本发明的所述的步骤S4中,根据手机信令驻留信息,判断用户是否为核心用户,具体如下:
S4.1:获取手机信令驻留信息;
S4.2:对手机用户驻留信息进行判断,即对每一个手机用户的驻留时长进行判断。其中,当一个自然月内用户在某区域出现超过10天时被标记核心用户,否则视为流动人口用户。
进一步地,本发明的所述的步骤S5中,根据S4产生的核心用户驻留信息,判断用户出行类型,具体如下:
S5.1:分别定义工作目的工作时段和休息时段,本实施例定义9:00-18:00为工作时段,21:00-7:00为休息时段;
S5.2:对用户出行类型进行判断,即判断用户在不同时段驻留的最长时间位置为潜在职住地,根据最长停留时段判断驻留类型;
S5.3:计算得出居住用户数。
进一步地,本发明的所述的步骤S6中,在S5的基础上,结合用户出行位置信息,判断用户出行终点位置网格,从而计算各网格驻留集计信息,具体如下:
S6.1:获取用户出行位置信息;
S6.2:根据用户出行位置信息判断用户终点位置网格,从而得出位置网格信息;
S6.3:根据S5产生的居住用户数及S6.2产生的位置网格信息,推算各网格驻留集计信息。
进一步地,本发明的所述的步骤S7中,根据城市区域划分图层(以为例进行阐述)及各网格驻留集计信息,计算区域居住人口,具体如下:
S7.1:获取城市区域划分图层、住宅POI数据;
S7.2:采用面积权重(非中心城区)和POI(商业住宅,仅为中心城区)权重相结合的方式将空间网格驻留集计信息分配到上。
首先,对于包含POI数据的网格,假设网格内每个POI点有均等的机会获取居住人口,即每个网格内部的POI点人口分配权重相同,通过以下方法可计算出包含POI点的的人口量:
Popi=∑POIji*m
其中:
POIj表示POI点从网格j中均分得到的人口数;
Gj表示网格j包含的人口数;
N表示网格j包含的POI点的总量;
Popi表示i(TAZi)集计内部所有POI点得到的人口数,假设TAZi内部包含m个位于网格j内部的POI点,则POIji表示同时位于网格j与TAZi内部POI点对应的人口数。
S7.3:在S7.2的基础上,剔除包含了POI点的网格,将剩余不包含POI点的网格信息按照面积权重分配到各,计算不包含POI点的的居住人口,具体方法如下:
其中:
Infoi表示按照面积权重分配到的居住人口;
Si表示网格j与i的相交面积;
n表示与网格j产生相交关系的的数量。
进一步地,本发明的所述的步骤S8中,利用空间消费系数估算模型,计算人均居住空间消费系数,具体如下:
S8.1:将城市区域划分为n个子区;
S8.2:构建空间消费系数估算模型。首先,建立模型目标函数:
式中:
Sei为估计得到的i子区中的建筑空间总面积(m2);
Soi为i子区中的从遥感数据中得到的实际中建筑空间总面积(m2);
n为子区的总个数;
min(x)为目标函数值,即各分区误差的平方和最小值。
aij为i分区中的人口(population)(j=1是为城市人口,j=2时为农村人口);
xij为i分区中居住空间消费系数(j=1是城区居住空间消费系数,j=2是农村居住空间消费系数(m2/population);
Cik为i分区中七种不同就业类型(包括居住岗位、工业仓储、行政办公商业金融、教育科研、其它公建和其它岗位)中的第k种的就业岗位数(employee);
xik为与cik相对应的i分区中第k种的非居住空间消费系数(m2/employee)。
S8.3:构建模型约束条件。由于空间消费系数为建筑面积与人口或就业的比值,则它同时是容积率与人口密度或就业密度的比值。在人口密度不变的情况下,空间消费系数与容积率成正比。由于城市资源与环境限制,容积率不会无限增加,因此容积率存在合理的区间,从而空间消费系数也就存在合理的比例范围,其约束方程式如下:
居住空间消费系数Lij≤xij≤Uij,其中Lij>0,Uij>0
非居住空间消费系数Qik≤xik≤Wik,其中Qij>0,Wij>0
式中:
xij为i分区中第j种居住空间消费系数(j=是为城市居住空间消费系数,j=2时为农村居住空间消费系数);
Lij为i分区中第j种居住空间消费系数可被允许的最小值;
Uij为i分区中第j种居住空间消费系数可被允许的最大值;
xik为i分区中七种不同类别就业类型中的第k种非居住空间消费系数;
Qik为i分区中第k种非居住空间消费系数可被允许的最小值;
Wik为i分区中第k种非居住空间消费系数可被允许的最大值。
S8.4:基于遗传算法对空间消费系数估算模型求解各分区的空间消费系数,产生人均空间消费系数。
进一步地,本发明的所述的步骤S9中,根据S7产生的区域居住人口总量和S8产生的人均居住空间消费系数,计算区域实际居住面积,具体方法如下:
A=Pop*x
其中:
A为区域实际居住面积;
Pop为区域居住人口数量;
x为人均空间消费系数。
进一步地,本发明的所述的步骤S10中,根据区域建筑物大数据,获取建筑物基底面积和楼层数量,计算区域居住空间总量,具体如下:
S10.1:获取区域建筑物大数据,包括每个建筑物基底面积、楼层数量;
S10.2:统计区域建筑物数量,记为m。根据每个建筑物的基底面积和楼层数量,计算对应建筑物的居住空间总量,具体计算方法如下:
Bi=A0*H
其中:
Bi表示区域第i个建筑物的居住空间总量;
A0表示建筑物的基底面积;
H表示建筑物的高度。
S10.3:计算区域居住空间总量,如下:
其中:
T为区域居住空间总量;
Bi为区域第i个建筑物的居住空间总量;
m表示区域建筑物总量。
进一步地,本发明的所述的步骤S11中,根据S9产生的区域实际居住面积和S10产生的区域居住空间总量,计算区域居民入住率,具体方法如下:
其中:
Occ表示区域居民入住率;
A表示区域实际居住面积;
T为区域居住空间总量。
进一步地,本发明的所述的步骤S12中,
本发明产生的有益效果是:本发明的基于手机信令大数据的居民入住率估算方法,充分考虑了利用传统调查手段获取居民入住率信息往往周期长、难度大、成本高等问题,构建了一种基于手机信令大数据的居民入住率估算方法,通过利用手机信令技术对手机用户的通勤行为进行观测与分析,极大提升了传统调查方法的时效和精度,解决了现有居民入住率调查存在的周期长、成本大的问题,提供一种基于手机信令大数据的居民入住率估算方法,提升数据获取的时效性,降低数据获取成本,为提供支持。
附图说明
图1是本发明实施例提供的一种基于手机信令大数据的居民入住率估算方法的流程示意图;
图2是本发明实施例提供的一种基于手机信令大数据的居民入住率估算方法的具体实施技术路线图。
图3是本发明实施例提供的一种运用遗传算法估计空间消费系数的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示是本发明实施例提供的一种基于手机信令大数据的居民入住率估算方法的流程示意图,图2是本发明实施例提供的一种基于手机信令大数据的居民入住率估算方法的具体实施技术路线图。包括以下步骤:
S1:提取手机信令大数据中各用户属性及其出行信息;
本发明实施例中选择2018、2019年联通运营商用户数据作为研究数据,联通智慧足迹提供的Daas平台获取包含用户年龄、性别、驻留信息、位置信息、出行信息等所需数据。
S2:根据手机用户数量及手机普及率,扩样居住用户;
在本发明实施例中,步骤S2中,具体包括以下步骤:
S2.1:获取手机用户数量、手机普及率;
其中,本实施例根据Daas平台提供的手机信令数据,利用SQL语句统计手机用户数量;根据市场调查数据获取手机普及率。
S2.2:根据运营商用户数量及手机普及率,对居住用户数量进行扩样。
S3:根据居住用户扩样数据和人口结构基础库进行分层扩样,对扩样后的总量和分组数据进行校核;
在本发明实施例中,步骤S3中,具体包括以下步骤:
S3.1:利用联通智慧足迹Daas平台获取人口结构基础库分层扩样;
S3.2:根据步骤S2.2计算的居住用户扩样数据和S3.1获取的人口结构基础库进行分层扩样,对扩样后的居住用户总量与分组用户量(按性别/年龄分组用户量)进行校核;
S3.3:经过S3.2校核后,产生校核后的扩样数据。
S4:根据手机信令驻留信息,判断用户是否为核心用户;
在本发明实施例中,步骤S4中,具体包括以下步骤:
S4.1:利用联通智慧足迹Daas平台,获取每个用户的手机信令驻留信息;
S4.2:对手机用户驻留信息进行判断,即对每一个手机用户的驻留时长进行判断。
其中,利用SQL语句判断在一个自然月内用户在某区域出现天数,如果该用户出现天数超过10天时,则被标记核心用户,否则视为流动人口用户。
S5:据S4产生的核心用户驻留信息,判断用户出行类型;
在本发明实施例中,步骤S5中,具体包括以下步骤:
S5.1:为了区分职住类型,分别定义工作目的工作时段和休息时段,本实施例定义9:00-18:00为工作时段,21:00-7:00为休息时段;
S5.2:运用SQL语句对每个用户出行类型进行判断,即根据用户驻留的最长时间位置,判断其为潜在职住地,根据用户在工作时段和休息时段的最长停留时段,判断其驻留类型;
S5.3:在S5.2基础上统计得出居住用户数。
S6:在S5的基础上,结合用户出行位置信息,判断用户出行终点位置网格,从而计算各网格驻留集计信息;
在本发明实施例中,步骤S6中,具体包括以下步骤:
S6.1:利用联通智慧足迹Daas平台获取用户出行位置信息;
S6.2:利用GIS技术对武汉市市域进行网格划分,根据用户出行位置信息判断用户终点位置网格,从而得出位置网格信息;
S6.3:根据S5产生的居住用户数及S6.2产生的位置网格信息,利用GIS技术统计得出各网格驻留集计信息。
S7:根据城市区域划分图层(以为例进行阐述)及各网格驻留集计信息,计算区域居住人口;
在本发明实施例中,步骤S7中,具体包括以下步骤:
S7.1:利用GIS技术获取城市区域划分图层、住宅POI数据;
S7.2:采用面积权重(非中心城区)和POI(商业住宅,仅为中心城区)权重相结合的方式将空间网格驻留集计信息分配到上。具体实施方法如下:
首先,对于包含POI数据的网格,假设网格内每个POI点有均等的机会获取居住人口,即每个网格内部的POI点人口分配权重相同,通过以下方法可计算出包含POI点的的人口量:
Popi=∑POIji*m
其中:
POIj表示POI点从网格j中均分得到的人口数;
Gj表示网格j包含的人口数;
N表示网格j包含的POI点的总量;
Popi表示i(TAZi)集计内部所有POI点得到的人口数,假设TAZi内部包含m个位于网格j内部的POI点,则POIji表示同时位于网格j与TAZi内部POI点对应的人口数。
S7.3:在S7.2的基础上,剔除包含了POI点的网格,将剩余不包含POI点的网格信息按照面积权重分配到各,计算不包含POI点的的居住人口,具体方法如下:
其中:
Infoi表示按照面积权重分配到的居住人口;
Si表示网格j与i的相交面积;
n表示与网格j产生相交关系的的数量。
S8:利用空间消费系数估算模型,计算人均居住空间消费系数;
在本发明实施例中,步骤S8中,具体包括以下步骤:
S8.1:利用GIS技术将城市区域划分为n个子区;
S8.2:构建空间消费系数估算模型。首先,建立模型目标函数:
式中:
Sei为估计得到的i子区中的建筑空间总面积(m2);
Soi为i子区中的从遥感数据中得到的实际中建筑空间总面积(m2);
n为子区的总个数;
min(x)为目标函数值,即各分区误差的平方和最小值。
aij为i分区中的人口(population)(j=1是为城市人口,j=2时为农村人口);
xij为i分区中居住空间消费系数(j=1是城区居住空间消费系数,j=2是农村居住空间消费系数(m2/population);
cik为i分区中七种不同就业类型(包括居住岗位、工业仓储、行政办公商业金融、教育科研、其它公建和其它岗位)中的第k种的就业岗位数(employee);
xik为与cik相对应的i分区中第k种的非居住空间消费系数(m2/employee)。
S8.3:构建模型约束条件。由于空间消费系数为建筑面积与人口或就业的比值,则它同时是容积率与人口密度或就业密度的比值。在人口密度不变的情况下,空间消费系数与容积率成正比。由于城市资源与环境限制,容积率不会无限增加,因此容积率存在合理的区间,从而空间消费系数也就存在合理的比例范围,其约束方程式如下:
居住空间消费系数Lij≤xij≤Uij,其中Lij>0,Uij>0
非居住空间消费系数Qik≤xik≤Wik,其中Qij>0,Wij>0
式中:
xij为i分区中第j种居住空间消费系数(j=是为城市居住空间消费系数,j=2时为农村居住空间消费系数);
Lij为i分区中第j种居住空间消费系数可被允许的最小值;
Uij为i分区中第j种居住空间消费系数可被允许的最大值;
xik为i分区中七种不同类别就业类型中的第k种非居住空间消费系数;
Qik为i分区中第k种非居住空间消费系数可被允许的最小值;
Wik为i分区中第k种非居住空间消费系数可被允许的最大值。
S8.4:基于遗传算法对空间消费系数估算模型求解各分区的空间消费系数,产生人均空间消费系数。
其中,图3是本发明实施例提供的一种运用遗传算法估计空间消费系数的流程图,基于遗传算法的一般运算步骤如下:
(1)根据具体优化问题确定模型的决策变量和目标函数,对模型的表现型根据一定规则进行编码。根据模型目标函数确定量化评价个体的适应度函数。
(2)设定初始计数器t←0,设T为最大进化代数;随机产生N个初始个体,从而构成初始群体P(O)。
(3)根据设定的适应度函数,计算出群体P(t)中的个体的适应度。
(4)在群体中利用选择算子。根据个体适应度,从群体中选出较为优良的个体,并将它们遗传到下一代群体中。
(5)将交叉算子作用于群体。随机对群体中的个体进行两两配对,根据交叉概率pc,在随机设定的交叉处配对个体交换部分染色体。
(6)通过选择、交叉、变异等操作后,得到下一代群体P(t)。
(7)若t<T,则t←t+1,跳转到步骤(3);若t≥T或达到了模型要求的收敛条件,则输出在进化过程中适应度最大的个体,将其作为最优解。
本实施例利用MATLAB软件GADS工具箱对模型进行求解,具体实施如下:
(1)编码方法
本实施例构建的模型的变量维数较多,因此选取实数编码法进行编码,其长度为其变量数。
(2)适应度函数选择
由于GADS工具箱中的优化函数是使目标函数或者适应度函数最小化,其最佳适应度也是个体的最小适应度。而本模型就是求解目标函数最小化时的最优解,因此使用目标函数作为GADS工具箱运算中的适应度函数。
(3)群体大小
群体大小将影响运算时间和精度。群体规模太小时,收敛速度较快,但群体缺少多样性,从而使得最优解难以找到;而群体规模较大时,则收敛时间较长。通常n=30~160,本实施例中选择的的群体大小为100。
(4)交叉概率Pc
Pc决定了上一代相交叉的几率,若概率过小,则影响运行效率;若概率过大,则可能破坏了高适应度个体的结构。一般上,Pc=0.25~0.75,本实施例中选择的交叉概率为0.5。
(5)变异概率Pm
由于Pm的作用是使得算法跳出局部最优,太大会使得算法变成随机搜索,因此Pm通常不会很大。通常,Pm=O.1~0.3,本实施例中选择的变异概率为0.2。
(6)迭代次数
通常要设置合适的迭代次数来使得运算终止,本实施例设定迭代次数为200。
S9:根据S7产生的区域居住人口总量和S8产生的人均居住空间消费系数,计算区域实际居住面积;
在本发明实施例中,步骤S9中,区域实际居住面积计算公式如下:
A=Pop*x
其中:
A为区域实际居住面积;
Pop为区域居住人口数量;
x为人均空间消费系数。
S10:根据区域建筑物大数据,获取建筑物基底面积和楼层数量,计算区域居住空间总量,具体如下:
S10.1:利用GIS技术及市场调查数据获取区域建筑物大数据,包括每个建筑物基底面积、楼层数量;
S10.2:统计区域建筑物数量,记为m。根据每个建筑物的基底面积和楼层数量,计算对应建筑物的居住空间总量,具体计算方法如下:
Bi=A0*H
其中:
Bi表示区域第i个建筑物的居住空间总量;
A0表示建筑物的基底面积;
H表示建筑物的高度。
S10.3:计算区域居住空间总量,如下:
其中:
T为区域居住空间总量;
Bi为区域第i个建筑物的居住空间总量;
m表示区域建筑物总量。
S11:根据S9产生的区域实际居住面积和S10产生的区域居住空间总量,计算区域居民入住率。
本实施例中,区域居民入住率计算方法如下:
其中:
Occ表示区域居民入住率;
A表示区域实际居住面积;
T为区域居住空间总量。
S1:
本发明产生的有益效果是:本发明的基于手机信令大数据的居民入住率估算方法,充分考虑了利用传统调查手段获取居民入住率信息往往周期长、难度大、成本高等问题,构建了一种基于手机信令大数据的居民入住率估算方法,通过利用手机信令技术对手机用户的通勤行为进行观测与分析,极大提升了传统调查方法的时效和精度,解决了现有居民入住率调查存在的周期长、成本大的问题,提供一种基于手机信令大数据的居民入住率估算方法,提升数据获取的时效性,降低数据获取成本,为提供支持。
以上所述,仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (13)
1.一种基于手机信令大数据的居民入住率估算方法,其特征在于,包括:
S1:提取手机信令大数据中各用户属性及其出行信息;
S2:根据某种运营商用户数量与手机普及率,扩样居住用户;
S3:根据人口结构基础库和居住用户扩样数据进行分层扩样,对扩样后的总量和分组数据进行校核;
S4:根据手机信令驻留信息,判断用户是否为核心用户;
S5:根据S4产生的核心用户驻留信息,判断用户出行类型;
S6:在S5的基础上,结合用户出行位置信息,判断用户出行终点位置网格,从而计算各网格驻留集计信息;
S7:根据城市区域划分图层及各网格驻留集计信息,计算区域居住人口:
S8:利用空间消费系数估算模型,计算人均居住空间消费系数;
S9:根据S7产生的区域居住人口和S8产生的人均居住空间消费系数,计算区域实际居住面积;
S10:根据区域建筑物大数据,获取建筑物基底面积和楼层数量,计算区域居住空间总量;
S11:根据S9产生的区域实际居住面积和S10产生的区域居住空间总量,计算区域居民入住率;
S12:将估算产生的居民入住率与实际调查结果进于比对,并通过基于遗传算法的空间消费系数估算模型的输出结果对模型进行校正。
2.根据权利要求1所述的方法,其特征在于,步骤S1包括:提取手机信令大数据中各用户属性及其出行信息,具体包括:获取用户性别、年龄、居住地以及驻留信息、出行信息等手机信令数据。
3.根据权利要求2所述的方法,其特征在于,步骤S2包括:根据手机用户数量及手机普及率,扩样居住用户,具体步骤为:
S2.1:获取手机用户数量、手机普及率;
S2.2:根据运营商用户数量及手机普及率,对居住用户数量进行扩样。
4.根据权利要求3所述的方法,其特征在于,步骤S3包括:根据居住用户扩样扩样数据和人口结构基础库进行分层扩样,对扩样后的总量和分组数据进行校核,具体步骤为:
S3.1:获取人口结构基础库分层扩样;
S3.2:根据步骤S2.2计算的居住用户扩样数据和S3.1获取的人口结构基础库进行分层扩样,对扩样后的居住用户总量与分组用户量进行校核;
S3.3:产生校核后的扩样数据。
5.根据权利要求4所述的方法,其特征在于,步骤S4包括:根据手机信令驻留信息,判断用户是否为核心用户,具体如下:
S4.1:获取手机信令驻留信息;
S4.2:对手机用户驻留信息进行判断。
6.根据权利要求5所述的方法,其特征在于,步骤S5包括:根据步骤4产生的核心用户驻留信息,判断用户出行类型,具体如下:
S5.1:分别定义工作目的工作时段和休息时段;
S5.2:
S5.3:计算得出居住用户数。
7.根据权利要求6所述的方法,其特征在于,步骤S6包括:在S5的基础上,结合用户出行位置信息,判断用户出行终点位置网格,从而计算各网格驻留集计信息,具体如下:
S6.1:获取用户出行位置信息;
S6.2:根据用户出行位置信息判断用户终点位置网格,从而得出位置网格信息;
S6.3:根据S5产生的居住用户数及S6.2产生的位置网格信息,推算各网格驻留集计信息。
8.根据权利要求7所述的方法,其特征在于,步骤S7包括:根据城市区域划分图层(以为例进行阐述)及各网格驻留集计信息,计算区域居住人口,具体如下:
S7.1:获取城市区域划分图层、住宅POI数据;
S7.2:采用面积权重(非中心城区)和POI(商业住宅,仅为中心城区)权重相结合的方式将空间网格驻留集计信息分配到上。
首先,对于包含POI数据的网格,假设网格内每个POI点有均等的机会获取居住人口,即每个网格内部的POI点人口分配权重相同,通过以下方法可计算出包含POI点的的人口量:
Popi=∑POIji*m
其中:
POIj表示POI点从网格j中均分得到的人口数;
Gj表示网格j包含的人口数;
N表示网格j包含的POI点的总量;
Popi表示i(TAZi)集计内部所有POI点得到的人口数,假设TAZi内部包含m个位于网格j内部的POl点,则POIji表示同时位于网格j与TAZi内部POI点对应的人口数。
S7.3:在S7.2的基础上,剔除包含了POI点的网格,将剩余不包含POI点的网格信息按照面积权重分配到各,计算不包含POI点的的居住人口,具体方法如下:
其中:
Infoi表示按照面积权重分配到的居住人口;
Si表示网格j与i的相交面积;
n表示与网格j产生相交关系的的数量。
9.根据权利要求8所述的方法,其特征在于,步骤S8包括:利用空间消费系数估算模型,计算人均居住空间消费系数,具体如下:
S8.1:将城市区域划分为n个子区;
S8.2:构建空间消费系数估算模型。首先,建立模型目标函数:
式中:
Sei为估计得到的i子区中的建筑空间总面积(m2);
Soi为i子区中的从遥感数据中得到的实际中建筑空间总面积(m2);
n为子区的总个数;
min(x)为目标函数值,即各分区误差的平方和最小值。
aij为i分区中的人口(population)(j=1是为城市人口,j=2时为农村人口);
xij为i分区中居住空间消费系数(j=1是城区居住空间消费系数,j=2是农村居住空间消费系数(m2/population);
Cik为i分区中七种不同就业类型(包括居住岗位、工业仓储、行政办公商业金融、教育科研、其它公建和其它岗位)中的第k种的就业岗位数(employee);
xik为与cik相对应的i分区中第k种的非居住空间消费系数(m2/employee)。
S8.3:构建模型约束条件。由于空间消费系数为建筑面积与人口或就业的比值,则它同时是容积率与人口密度或就业密度的比值。在人口密度不变的情况下,空间消费系数与容积率成正比。由于城市资源与环境限制,容积率不会无限增加,因此容积率存在合理的区间,从而空间消费系数也就存在合理的比例范围,其约束方程式如下:
居住空间消费系数 Lij≤xij≤Uij,其中Lij>0,Uij>0
非居住空间消费系数 Qik≤xik≤Wik,其中Qij>0,Wij>0
式中:
xij为i分区中第j种居住空间消费系数(j=是为城市居住空间消费系数,j=2时为农村居住空间消费系数);
Lij为i分区中第j种居住空间消费系数可被允许的最小值;
Uij为i分区中第j种居住空间消费系数可被允许的最大值;
xik为i分区中七种不同类别就业类型中的第k种非居住空间消费系数;
Qik为i分区中第k种非居住空间消费系数可被允许的最小值;
Wik为i分区中第k种非居住空间消费系数可被允许的最大值。
S8.3:基于遗传算法对空间消费系数估算模型求解各分区的空间消费系数,产生人均空间消费系数。
10.根据权利要求9所述的方法,其特征在于,步骤S9包括:根据S7产生的区域居住人口总量和S8产生的人均居住空间消费系数,计算区域实际居住面积,具体方法如下:
A=Pop*x
其中:
A为区域实际居住面积;
Pop为区域居住人口数量;
x为人均空间消费系数。
13.根据权力要求12所述的方法,其特征在于,步骤S12包括:将估算产生的居民入住率与实际调查结果进行比对,如果估算结果与实际调查结果之间的误差在允许范围内,则;通过基于遗传算法的空间消费系数估算模型的对模型进行校正,直至二者间误差在容忍范围内为止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110122469.2A CN112954623B (zh) | 2021-02-02 | 2021-02-02 | 一种基于手机信令大数据的居民入住率估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110122469.2A CN112954623B (zh) | 2021-02-02 | 2021-02-02 | 一种基于手机信令大数据的居民入住率估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112954623A true CN112954623A (zh) | 2021-06-11 |
CN112954623B CN112954623B (zh) | 2022-05-20 |
Family
ID=76239102
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110122469.2A Expired - Fee Related CN112954623B (zh) | 2021-02-02 | 2021-02-02 | 一种基于手机信令大数据的居民入住率估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112954623B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115034524A (zh) * | 2022-08-11 | 2022-09-09 | 北京融信数联科技有限公司 | 基于手机信令的工作居住人口预测方法、系统和存储介质 |
CN116170761A (zh) * | 2023-04-25 | 2023-05-26 | 北京城建交通设计研究院有限公司 | 一种手机信令数据综合扩样校核方法及系统 |
CN116193369A (zh) * | 2022-12-13 | 2023-05-30 | 南京大学 | 一种基于手机信令数据的居住人口生成率估算方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160150299A1 (en) * | 2014-11-26 | 2016-05-26 | Thomson Licensing | Apparatus and method for activity monitoring |
CN107040894A (zh) * | 2017-04-21 | 2017-08-11 | 杭州市综合交通研究中心 | 一种基于手机信令数据的居民出行od获取方法 |
CN109146155A (zh) * | 2018-08-02 | 2019-01-04 | 东南大学 | 基于多源数据融合的城市交通出行需求确定方法及系统 |
CN110222959A (zh) * | 2019-05-23 | 2019-09-10 | 河南大学 | 一种基于大数据的城市就业可达性测算方法及系统 |
CN110263109A (zh) * | 2019-05-22 | 2019-09-20 | 中国科学院地理科学与资源研究所 | 一种融合互联网信息及gis技术的家庭户数估算方法 |
CN110264381A (zh) * | 2019-05-22 | 2019-09-20 | 中国科学院地理科学与资源研究所 | 一种房屋居住率的估算方法 |
CN110728433A (zh) * | 2019-09-19 | 2020-01-24 | 重庆市交通规划研究院 | 一种基于手机信令的地块居住人口测算方法 |
CN110930285A (zh) * | 2020-02-05 | 2020-03-27 | 北京交研智慧科技有限公司 | 一种人口分布分析方法及装置 |
CN111612223A (zh) * | 2020-05-06 | 2020-09-01 | 武汉理工大学 | 基于土地和交通多源数据的人口就业分布预测方法及装置 |
-
2021
- 2021-02-02 CN CN202110122469.2A patent/CN112954623B/zh not_active Expired - Fee Related
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160150299A1 (en) * | 2014-11-26 | 2016-05-26 | Thomson Licensing | Apparatus and method for activity monitoring |
CN107040894A (zh) * | 2017-04-21 | 2017-08-11 | 杭州市综合交通研究中心 | 一种基于手机信令数据的居民出行od获取方法 |
CN109146155A (zh) * | 2018-08-02 | 2019-01-04 | 东南大学 | 基于多源数据融合的城市交通出行需求确定方法及系统 |
CN110263109A (zh) * | 2019-05-22 | 2019-09-20 | 中国科学院地理科学与资源研究所 | 一种融合互联网信息及gis技术的家庭户数估算方法 |
CN110264381A (zh) * | 2019-05-22 | 2019-09-20 | 中国科学院地理科学与资源研究所 | 一种房屋居住率的估算方法 |
CN110222959A (zh) * | 2019-05-23 | 2019-09-10 | 河南大学 | 一种基于大数据的城市就业可达性测算方法及系统 |
CN110728433A (zh) * | 2019-09-19 | 2020-01-24 | 重庆市交通规划研究院 | 一种基于手机信令的地块居住人口测算方法 |
CN110930285A (zh) * | 2020-02-05 | 2020-03-27 | 北京交研智慧科技有限公司 | 一种人口分布分析方法及装置 |
CN111612223A (zh) * | 2020-05-06 | 2020-09-01 | 武汉理工大学 | 基于土地和交通多源数据的人口就业分布预测方法及装置 |
Non-Patent Citations (3)
Title |
---|
LAIZHONG CUI: "Differential Evolution Algorithm With Tracking Mechanism and Backtracking Mechanism", 《IEEE XPLORE》 * |
任智等: "基于空间增量模型的人口与就业岗位分布预测", 《万方数据》 * |
余碧琳: "土地-交通整体规划模型空间分布估计与优化方法研究", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115034524A (zh) * | 2022-08-11 | 2022-09-09 | 北京融信数联科技有限公司 | 基于手机信令的工作居住人口预测方法、系统和存储介质 |
CN116193369A (zh) * | 2022-12-13 | 2023-05-30 | 南京大学 | 一种基于手机信令数据的居住人口生成率估算方法 |
CN116193369B (zh) * | 2022-12-13 | 2023-10-27 | 南京大学 | 一种基于手机信令数据的居住人口生成率估算方法 |
CN116170761A (zh) * | 2023-04-25 | 2023-05-26 | 北京城建交通设计研究院有限公司 | 一种手机信令数据综合扩样校核方法及系统 |
CN116170761B (zh) * | 2023-04-25 | 2023-08-01 | 北京城建交通设计研究院有限公司 | 一种手机信令数据综合扩样校核方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112954623B (zh) | 2022-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112954623B (zh) | 一种基于手机信令大数据的居民入住率估算方法 | |
CN104239556B (zh) | 基于密度聚类的自适应轨迹预测方法 | |
Mustafa et al. | Modelling built-up expansion and densification with multinomial logistic regression, cellular automata and genetic algorithm | |
WO2021103323A1 (zh) | 一种历史城市保护发展协同控制方案辅助设计系统 | |
CN103353923B (zh) | 基于空间特征分析的自适应空间插值方法及其系统 | |
WO2022198963A1 (zh) | 基于大数据的商业空间品质评价方法、系统、设备及介质 | |
CN107332889A (zh) | 一种基于云计算的云端信息管理控制系统及控制方法 | |
CN112819319A (zh) | 一种城市活力与空间社会特征相关性的测度方法及应用 | |
CN106909692A (zh) | 一种计算城市公共设施覆盖辐射指数的方法 | |
CN108564205A (zh) | 一种基于实测数据的负荷模型及参数辨识优化方法 | |
CN111310257A (zh) | 一种bim环境下的区域建筑能耗预测方法 | |
CN111784830B (zh) | 一种基于规则的三维地理信息模型空间分析方法与系统 | |
CN110716998B (zh) | 一种精细尺度人口数据空间化方法 | |
CN111274710B (zh) | 一种基于游戏的核应急疏散出口选择行为模型的构建方法 | |
CN115906235A (zh) | 公共建筑节能诊断系统及方法 | |
CN116451931A (zh) | 一种公共服务设施选址行政管理决策的数据处理方法 | |
Zhong et al. | Multi-objective optimization approach of shelter location with maximum equity: an empirical study in Xin Jiekou district of Nanjing, China | |
CN106658538B (zh) | 一种基于泰森多边形的手机基站信号覆盖范围模拟方法 | |
CN115906717A (zh) | 一种水土保持的侵蚀计算方法及系统 | |
CN114723316B (zh) | 一种基于gis的城区公共设施的可达性评价方法及系统 | |
CN109308313A (zh) | 基于文化资源评价的资源富集区识别方法 | |
CN112651574B (zh) | 基于p中位遗传算法的选址方法、装置及电子设备 | |
CN114841610A (zh) | 共享单车调度方法、装置、设备及可读存储介质 | |
CN104008305B (zh) | 用于千万千瓦风电基地的可发电风资源分布估计方法 | |
CN113191553A (zh) | 基于建筑物尺度的人口空间分布估算方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220520 |