CN113065724B - 基于信令数据的人员流量预测方法、装置、设备及介质 - Google Patents

Abstract

本发明公开了一种基于信令数据的人员流量预测方法、装置、设备及介质，方法包括：获取历史同时期的长时序信令数据以及地理信息数据；根据长时序信令数据以及地理信息数据划分多个时段，建立不同时段的流量预测模型并求解，得到无特殊事件影响的初始流量预测结果；当有特殊事件影响时，计算起始地衰减系数和目的地衰减系数，并根据所述系数校正初始流量预测结果，得到特殊事件影响下的第一流量预测结果；随数据更新，动态调整起始地衰减系数和目的地衰减系数，并根据所述系数调整第一流量预测结果，得到特殊事件影响下的第二流量预测结果。该方法能够利用样本量大、覆盖范围广的手机信令数据预测重大节假日期间外来务工人员流动的数量与时空特征。

Description

基于信令数据的人员流量预测方法、装置、设备及介质

技术领域

本发明涉及大数据技术领域，特别涉及一种基于信令数据的人员流量预测方法、装置、设备及介质。

背景技术

外来务工人员的大范围流动对于传染型疫情防控、交通运输管理、劳动力保障、住房与公共服务配置、经济消费活力、社会安全治理、城镇化格局、资源消耗与环境保护等具有极其重要的意义，是世界各国人口流动与迁移、区域与城市治理、空间规划等政策制定的焦点。因此，如何采用大数据对外来务工人员流动进行高精度的模拟预测是科学合理制定相关政策的前提。

现有技术中，有基于地理位置服务技术的人员流动分析方法，第一，该技术仅利用大数据进行了人员流动现状格局的分析，大数据应用主要停留在展示层面，未能提取人员流动的时空变化过程的一般规律，没有实现对未来人员流动的预测功能；第二，地理位置服务需要终端用户主动发起服务请求后，才能获得相关时空数据，提供该服务的平台数量众多，因此数据覆盖程度有待提升，大量空间流动行为未能有效记录；第三，该项技术获取的数据没有用户ID信息，因此无法识别用户的完整出行，只是统计城市间的人员流动量。

还有基于线性及非线性回归的重大节假日OD交通量预测方法，该方法虽然简单有效，具有一定的合理性，但多元模型中的解释变量的确定依赖经验判断和主观选择，解释变量的选择会对预测效果产生一定的影响。此外，该方法所采用的高速公路出口流水数据只能反映重大节假日期间高速公路单一交通方式的OD流量，而不能反映综合多种交通方式的节假日期间人员流动OD量。且该预测方法多适用于范围较小的预测区域，对于较大范围，如全国的交通OD量预测，该方法的计算过程将较为庞杂。

发明内容

本公开实施例提供了一种基于信令数据的人员流量预测方法、装置、设备及介质。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键／重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。

第一方面，本公开实施例提供了一种基于信令数据的人员流量预测方法，包括：

获取历史同时期的长时序信令数据以及地理信息数据；

根据长时序信令数据以及地理信息数据划分多个时段，建立不同时段的流量预测模型并求解，得到无特殊事件影响的初始流量预测结果；

当有特殊事件影响时，计算起始地衰减系数和目的地衰减系数，并根据起始地衰减系数和目的地衰减系数校正初始流量预测结果，得到特殊事件影响下的第一流量预测结果；

随数据更新，动态调整起始地衰减系数和目的地衰减系数，并根据起始地衰减系数和目的地衰减系数调整第一流量预测结果，得到特殊事件影响下的第二流量预测结果。

在一个可选地实施例中，根据长时序信令数据以及地理信息数据划分多个时段，包括：

根据历史同时期的长时序信令数据以及地理信息数据得到务工人员流动的时空特征；

根据务工人员流动的时空特征将务工人员流量分为第一返乡阶段、第二返乡阶段、第三返乡阶段、第四返乡阶段、第一返城阶段以及第二返城阶段。

在一个可选地实施例中，第一返乡阶段为春运开始至春运返乡高峰；

第二返乡阶段为春运返乡高峰至除夕；

第三返乡阶段为除夕至探亲访友高峰；

第四返乡阶段为探亲访友高峰至春节假期结束；

第一返城阶段为春节假期结束至元宵节；

第二返城阶段为元宵节至春运结束。

在一个可选地实施例中，建立不同时段的流量预测模型并求解，得到无特殊事件影响的初始流量预测结果，包括：

第一返乡阶段的流量预测模型为：

第二返乡阶段、第三返乡阶段、第四返乡阶段的流量预测模型为：

第一返城阶段、第二返城阶段的流量预测模型为：

其中，t表示时序中的某日，i、j表示城市编号i,j∈{1,2,…,n}∧i≠j，n表示城市个数，

表示第一返乡阶段某日t从城市i到城市j的人流量，

表示第一返乡阶段某日t所有城市之间的人流量之和，

表示第一返乡阶段的返乡系数，

表示第k返城阶段某日t从城市i到城市j的人流量，

表示第k返城阶段某日t所有城市之间的人流量之和，

表示第k返城阶段的返城系数，

表示第k返乡阶段某日t从城市i到城市j的人流量，

表示第k返乡阶段某日t所有城市之间的人流量之和，

表示第k返乡阶段的返乡系数。

在一个可选地实施例中，当有特殊事件影响时，计算起始地衰减系数和目的地衰减系数，包括：

其中，t表示时序中的某日，某时段指用于计算衰减系数的时段，i、j表示城市编号，i,j∈{1,2,…,n}∧i≠j，其中n为城市个数，

表示2019年某时段所有从i城市到j城市之间的人流量，

表示2021年某时段所有从i城市到j城市之间的人流量，

表示2019年某时段所有从j城市到i城市之间的人流量，

表示2021年某时段所有从j城市到i城市之间的人流量，

表示某时段i城市的起始地衰减系数，

表示某时段i城市的目的地衰减系数。

在一个可选地实施例中，根据起始地衰减系数和目的地衰减系数校正初始流量预测结果，得到特殊事件影响下的第一流量预测结果，包括：

其中，t表示时序中的某日，i、j表示城市编号，i,j∈{1,2,…,n}∧i≠j，其中n为城市个数，时段“返城之前”代表“返城阶段开始前的全部数据，

表示某日从i城市到j城市的返乡流量校正结果，

表示某日从i城市到j城市的返城流量校正结果，

表示某日从i城市到j城市的返乡流量，

表示某日从i城市到j城市的返城流量，

表示返乡前三天i城市的起始地衰减系数，

表示返城前三天j城市的目的地衰减系数，

表示返城之前i城市的目的地衰减系数，

表示返城之前j城市的起始地衰减系数，

表示某日所有城市的返乡第一流量预测结果，

表示某日所有城市的返城第一流量预测结果。

在一个可选地实施例中，随数据更新，动态调整起始地衰减系数和目的地衰减系数，并根据起始地衰减系数和目的地衰减系数调整第一流量预测结果，得到特殊事件影响下的第二流量预测结果，包括：

其中，t表示时序中的某日，时段“返城前三天’”代表“数据更新后，最新观测数据对应的三天”，i、j表示城市编号，i,j∈{1,2,…,n}∧i≠j，其中n为城市个数，

表示某日从i城市到j城市的返城流量校正结果，

表示某日从i城市到j城市的返城流量，

表示返城前三天i城市的起始地衰减系数，

表示返城前三天j城市的目的地衰减系数，

表示某日所有城市的返城第二流量预测结果。

第二方面，本公开实施例提供了一种基于信令数据的人员流量预测装置，包括：

获取模块，用于获取历史同时期的长时序信令数据以及地理信息数据；

第一预测模块，用于根据长时序信令数据以及地理信息数据划分多个时段，建立不同时段的流量预测模型并求解，得到无特殊事件影响的初始流量预测结果；

第二预测模块，用于当有特殊事件影响时，计算起始地衰减系数和目的地衰减系数，并根据起始地衰减系数和目的地衰减系数校正初始流量预测结果，得到特殊事件影响下的第一流量预测结果；

第三预测模块，用于随数据更新，动态调整起始地衰减系数和目的地衰减系数，并根据起始地衰减系数和目的地衰减系数调整第一流量预测结果，得到特殊事件影响下的第二流量预测结果。

第三方面，本公开实施例提供了一种基于信令数据的人员流量预测设备，包括处理器和存储有程序指令的存储器，处理器被配置为在执行程序指令时，执行上述实施例提供的基于信令数据的人员流量预测方法。

第四方面，本公开实施例提供了一种计算机可读介质，其上存储有计算机可读指令，计算机可读指令可被处理器执行以实现上述实施例提供的一种基于信令数据的人员流量预测方法。

本公开实施例提供的技术方案可以包括以下有益效果：

本公开实施例提供了一种基于信令数据的人员流量预测方法，利用手机信令大数据，揭示了外来务工人员流的时空特征。手机信令大数据具有样本量大、时效性强、覆盖范围广、获取成本低、时空粒度精细等优势特征，能够克服传统数据在样本量和实效性方面的局限性。而且，考虑到了疫情管控政策和特殊返乡政策对外来务工人员流动的影响，提出了起始地衰减系数和目的地衰减系数的计算方法，根据起始地衰减系数和目的地衰减系数重新校正预测出来的人员流量，提高疫情“新常态”背景下模型预测的精度。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1是根据一示例性实施例示出的一种基于信令数据的人员流量预测方法的流程示意图；

图2是根据一示例性实施例示出的一种基于信令数据的人员流量预测方法的示意图；

图3是根据一示例性实施例示出的一种基于信令数据的务工人员预测结果的示意图；

图4是根据一示例性实施例示出的一种2021年春运务工人员流量预测结果与实际情况的示意图；

图5是根据一示例性实施例示出的一种2021年春运务工人员流动OD格局预测结果；

图6是根据一示例性实施例示出的一种2021年春运务工人员流动OD格局实际结果；

图7是根据一示例性实施例示出的一种2021年春运除夕前务工人员流入量预测结果；

图8是根据一示例性实施例示出的一种2021年春运除夕前务工人员流入量实际结果；

图9是根据一示例性实施例示出的一种2021年春运除夕前务工人员流出量预测结果；

图10是根据一示例性实施例示出的一种2021年春运除夕前务工人员流出量实际结果；

图11是根据一示例性实施例示出的一种2021年春运除夕前务工人员净流出量预测结果；

图12是根据一示例性实施例示出的一种2021年春运除夕前务工人员净流出量实际结果；

图13是根据一示例性实施例示出的2021年春运除夕前北京外来务工人员流出分布预测结果；

图14是根据一示例性实施例示出的2021年春运除夕前北京外来务工人员流出分布实际结果；

图15是根据一示例性实施例示出的2021年春运除夕前上海外来务工人员流出分布预测结果；

图16是根据一示例性实施例示出的2021年春运除夕前上海外来务工人员流出分布实际结果；

图17是根据一示例性实施例示出的2021年春运除夕前广州外来务工人员流出分布预测结果；

图18是根据一示例性实施例示出的2021年春运除夕前广州外来务工人员流出分布实际结果；

图19是根据一示例性实施例示出的2021年春运除夕前深圳外来务工人员流出分布预测结果；

图20是根据一示例性实施例示出的2021年春运除夕前深圳外来务工人员流出分布实际结果；

图21是根据一示例性实施例示出的2021年春运除夕前成都外来务工人员流出分布预测结果；

图22是根据一示例性实施例示出的2021年春运除夕前成都外来务工人员流出分布实际结果；

图23是根据一示例性实施例示出的2021年春运除夕前重庆外来务工人员流出分布预测结果；

图24是根据一示例性实施例示出的2021年春运除夕前重庆外来务工人员流出分布实际结果；

图25是根据一示例性实施例示出的一种基于信令数据的人员流量预测装置的结构示意图；

图26是根据一示例性实施例示出的一种基于信令数据的人员流量预测设备的结构示意图；

图27是根据一示例性实施例示出的一种计算机存储介质的示意图。

具体实施方式

以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。

应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本发明的一些方面相一致的系统和方法的例子。

在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。此外，在本发明的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

下面将结合附图1-附图14，对本申请实施例提供的基于信令数据的人员流量预测方法进行详细介绍，参见图1，该方法具体包括以下步骤。

S101获取历史同时期的长时序信令数据以及地理信息数据。

在一种可能的实现方式中，利用手机信令大数据揭示人口流的时空特征，手机信令大数据具有样本量大、时效性强、覆盖范围广、获取成本低、时空粒度精细等优势特征，能够克服传统数据在样本量和实效性方面的局限性。

因此，可以利用手机信令数据分析重大节假日期间我国的人流特征，重大节假日期间外来务工人员的大规模流动是我国特有的现象，其对交通运输系统组织力和承载力的要求很高，且具有比较稳定的时空特征。例如春运时期，是中国在农历春节前后发生的一种人口大规模流动，也是农民工返乡、返城的流动高峰。春运即每年的腊月十五到次年正月廿五。除夕前的出行主要是从外来人口集聚地区到人口流出地区的返乡出行，春节假期期间主要是探亲及旅游出行，春节假期后的出行主要是从人口流出地区重新返回外来人口集聚地区的返工、返学出行。农民工是春运人口流动的主力军。因此，预测春运期间外来务工人员流动总量与时空分布特征，是合理规划部署交通系统管理与运营以减轻春运期间交通系统压力的重要需求，也是理解和剖析我国流动人口分布和时空动态的重要需求。

在一个示例性场景中，首先获取往年同时期，例如春运时期的手机信令数据，2019年我国春运还未受疫情等特殊事件影响，因此，获取外来务工人员在2019年春运期间的手机信令数据，以全国367个地级行政单元和省直辖县级行政单元为基础地理空间单元，以自然日作为时间单元，汇总统计全交通方式OD流量，最终形成了日、周、月不同时间粒度和地级市、省、城市群、全国等不同地理空间尺度的人员流动基础OD数据。

地理信息数据主要是指通用性最强，共享需求最大，几乎为所有与地理信息有关的行业采用作为统一的空间定位和进行空间分析的基础地理单元，主要由自然地理信息中的地貌、水系、植被以及社会地理信息中的居民地、交通、境界、特殊地物、地名等要素构成。本公开实施例采用了全国地级行政单元和省直辖县级行政单元的经纬度坐标来测量其地理距离。通过整合手机信令数据和基础地理信息数据，构建全国外来务工人员流动基础数据库。

进一步地，根据往年同期长时序手机信令数据信息和地理数据信息，可以识别其流动的时空特征，从而可以构建全国外来务工人员流动基础数据库，以基础数据库为核心，针对不同研究主题，提取建立各类专题数据库。

S102根据长时序信令数据以及地理信息数据划分多个时段，建立不同时段的流量预测模型并求解，用这些模型对外来务工人员流量进行分段拟合，得到无特殊事件影响的初始流量预测结果。

在一种可能的实现方式中，结合往年的务工人员流动数据可以发现流动的时空特征，例如，根据务工人员的手机信令数据得到务工人员流动的时空特征，根据务工人员流动的时空特征将务工人员流量分为四个返乡阶段（第一返乡阶段、第二返乡阶段、第三返乡阶段、第四返乡阶段）和两个返城阶段（第一返城阶段、第二返城阶段）。

在返乡阶段，外来务工人员从务工地返回家乡所在地，并在节日期间进行探亲访友活动，其中，第一返乡阶段为春运开始至春运返乡高峰；第二返乡阶段为春运返乡高峰至除夕；第三返乡阶段为除夕至探亲访友高峰；第四返乡阶段为探亲访友高峰至春运返城高峰（春节假期结束）。

在返城阶段，外来务工人员从家乡所在地前往务工地，其中，第一返城阶段为春运返城高峰（春节假期结束）至元宵节；第二返城阶段为元宵节至春运结束。

在一种可能的实现方式中，各个阶段的分界点日期可以基于对往年同时期数据特征的分析确定，本公开实施例不做具体限制。

进一步地，建立不同时段的流量预测模型并求解，得到无特殊事件影响的初始流量预测结果。

其中，对第一返乡阶段建立如下模型：

其中，t表示时序中的某日，i、j表示城市编号i,j∈{1,2,…,n}∧i≠j，n表示城市个数，

表示某日t从城市i到城市j的人流量，本公开实施例首先计算每日每两个城市之间的流量，然后计算每日所有城市之间的流量之和

。其中，第一返乡阶段系数

是基于2019年的数据以最小二乘法回归确定的。

进一步地，第二返乡阶段、第三返乡阶段以及第四返乡阶段，受到除夕和正月初七返工日的干扰，时间较短，外来务工人员流量规模变化相对稳定，均采用线性模型求解，第二返乡阶段、第三返乡阶段、第四返乡阶段的流量预测模型为：

其中，t表示时序中的某日，i、j表示城市编号i,j∈{1,2,…,n}∧i≠j，n表示城市个数，

表示某日t从城市i到城市j的人流量，本公开实施例首先计算每日每两个城市之间的流量，然后计算每日所有城市之间的流量之和

。其中，第k返乡阶段系数

是基于2019年的数据以及最小二乘法回归确定的。

进一步地，第一返城阶段、第二返城阶段的流量预测模型为：

其中，t表示时序中的某日，i、j表示城市编号i,j∈{1,2,…,n}∧i≠j，n表示城市个数。

表示某日t从城市i到城市j的人流量，本公开实施例首先计算每日每两个城市之间的流量，然后计算每日所有城市之间的流量之和

。其中，第k返城阶段系数

是基于2019年的数据及最小二乘法回归确定的。

根据该步骤，用不同返乡阶段和返城阶段的不同模型系数对外来务工人员流量进行分段拟合，得到无疫情等特殊事件影响下的初始流量预测结果。

S103当有特殊事件影响时，计算起始地衰减系数和目的地衰减系数，并根据起始地衰减系数和目的地衰减系数校正初始流量预测结果，得到特殊事件影响下的第一流量预测结果。

2020年、2021年以来，由于受到新冠疫情以及疫情防控政策的影响，春运期间的人流量发生了显著的变化，因此，当有疫情等特殊事件影响时，本公开实施例可以根据起始地衰减系数和目的地衰减系数对城市间外来务工人员返乡、返城流量进行衰减，从而提高疫情“新常态”背景下模型预测的精度。

在一个可选地实施例中，当有特殊事件影响时，计算起始地衰减系数和目的地衰减系数，包括：

其中，t表示时序中的某日，某时段指用于计算衰减系数的时段，i、j表示城市编号，i,j∈{1,2,…,n}∧i≠j，其中n为城市个数，

表示2019年某时段所有从i城市到j城市之间的人流量，

表示2021年某时段所有从i城市到j城市之间的人流量，

表示2019年某时段所有从j城市到i城市之间的人流量，

表示2021年某时段所有从j城市到i城市之间的人流量，

表示某时段i城市的起始地衰减系数，

表示某时段i城市的目的地衰减系数。

进一步地，根据起始地衰减系数和目的地衰减系数校正初始流量预测结果，得到特殊事件影响下的第一流量预测结果。

在一个示例性场景中，受到疫情的影响，中高风险地区的城市与其他城市间的人口流动显著低于常年，而且，就地过年、提前返乡等政策对多数城市间流量都产生了较大的影响，主要表现为返乡流量“细水慢流”、返城流量“大量集中”。因此，用起始地衰减系数和目的地衰减系数对初始预测结果进行校正。

第一轮预测的数据更新节点为春运第3天。采用最新三天观测数据（春运第1-3天）计算城市起始地衰减系数和目的地衰减系数，用于矫正无疫情影响下的返乡、返城阶段的初始流量预测结果，得到第一流量预测结果（更新前）：

由于提前返乡政策的影响，部分外来务工人员在春运开始前已陆续返乡，导致实际返乡阶段不仅包括春运期间的理论返乡阶段，还包括春运前的一段时间。由于第一流量预测结果（更新前）仅使用春运第1-3天的观测数据计算衰减系数，并未将提前返乡政策考虑在内，导致返城阶段预测流量偏低。因此，进一步采用春运返城阶段开始前的全部数据（包括春运前20天和春运第1-3天的真实观测数据，以及第一流量预测结果（更新前）第4-21天的预测数据）重新计算城市起始地衰减系数和目的地衰减系数，用于矫正无疫情影响下的返城阶段的初始流量预测结果，得到第一流量预测结果（更新后）：

S104随数据更新，动态调整起始地衰减系数和目的地衰减系数，并根据起始地衰减系数和目的地衰减系数调整第一流量预测结果，得到特殊事件影响下的第二流量预测结果。

在一个示例性场景中，第二轮预测的数据更新时间为春运第24天。采用最新三天观测数据（春运第22-24天）计算城市起始地衰减系数和目的地衰减系数，用于矫正无疫情影响下的返城阶段的第一流量预测结果，得到第二流量预测结果：

其中，t表示时序中的某日，i、j表示城市编号，i,j∈{1,2,…,n}∧i≠j，其中n为城市个数。

根据本公开实施例提供的方法，第一流量预测结果（更新前）、第一流量预测结果（更新后）和第二流量预测结果如下表所示：

第一流量预测（包括更新前和更新后）在春运返乡阶段之初进行，第二流量预测在春运返城阶段之初进行。可见，第一流量预测结果（更新后）和第二流量预测结果均与实际情况较为吻合。

图3是根据一示例性实施例示出的一种基于信令数据的务工人员预测结果的示意图，如图3所示，对比12645万人次的真实统计结果，第一流量预测结果（更新前）的总体误差较大，预测结果低了大约两成，主要是因为2021年春运期间，不稳定因素多，政策变动较多且各地政策弹性空间较大，导致大量返乡人员或提前返乡、或持观望态度未出行，降低了春运初期人流规模，导致返乡阶段总流量小于返城阶段总流量，单一常规衰减系数无法反映该现象。将提前返乡政策的影响纳入衰减系数，对返城阶段进行矫正后得到的第一流量预测结果（更新后），总体误差为-8.61%，预测效果大幅改善。第二流量预测的总体误差为3.90%，预测效果较好。总体上，基于长时序手机信令大数据的春运外来务工人员流动预测效果准确性和可靠性较高。

本公开实施例提供的基于信令数据的人员流量预测方法，有效提取了外来务工人员流动的时空变化规律及趋势，避免了解释变量选择的主观性，通过手机信令数据的应用，可以反映综合各类交通方式的人员流动情况，避免了单一交通方式的局限性，将疫情和返乡政策影响纳入模型，实现了对特殊事件下外来务工人员流动变化特征的预测，提高了模型预测的适应性、鲁棒性和可扩展性。

为了便于理解本申请实施例提供的基于信令数据的人员流量预测方法，下面结合附图2进行说明。如图2所示，该方法包括：

首先，获取预设时间段内的手机信令数据，然后根据外来务工人员群体在往年春运期间的手机信令数据，分析得到外来务工人员群体的时空分布特征。

进一步地，根据往年的务工人员时空分布特征，将春运分为不同的时段，包括四个返乡阶段（第一返乡阶段、第二返乡阶段、第三返乡阶段、第四返乡阶段）和两个返城阶段（第一返城阶段、第二返城阶段）。然后针对不同的阶段建立不同的流量预测模型并求解、拟合，得到初步流量预测结果。

进一步地，根据疫情因素以及返乡政策因素得到起始地衰减系数和目的地衰减系数，根据起始地衰减系数和目的地衰减系数校正初步流量预测结果，得到考虑疫情防控政策的第一流量预测结果。

在进行校正的时候，获取最新的手机信令数据，动态调整预测，得到第二流量预测结果。动态调整的重要性在于可以根据实际观测数据不断修正预测结果，增强预测的可靠性。在本示例性场景中，由于最新数据的获取时间节点有限，因此仅形成了一次动态调整。在有条件的情况下，可以频繁引入最新数据，从而有效地捕捉到数据的最新发展趋势，实现预测模型的自我纠偏。

在一个示例性场景中，基于长序列手机信令数据预测2021年春运期间的外来务工人员流动情况，首先，获取手机信令数据和基础地理信息数据，如下表所示：

然后，根据往年同时期的数据进行分阶段建模、拟合，得到无疫情影响下的流量预测结果。随后，基于最新数据和政策因素进行调整，得到最终预测结果。

图4是根据一示例性实施例示出的一种2021年春运务工人员流量预测结果与实际情况的示意图，如图4所示，2021年春运出行量的预测结果与实际结果变化趋势较为贴合，预测出了春运期间外来务工人员日流量的三次涨落，实际出行情况中，除夕前后的一次波谷，正月初七至初八的一次波峰，以及正月十五左右的一次波峰均被预测到。与实际出行情况相比，预测结果的整体趋势相同，但波动较为平缓。

从城市间人员流动OD空间格局看，图5是根据一示例性实施例示出的一种2021年春运务工人员流动OD格局预测结果；图6是根据一示例性实施例示出的一种2021年春运务工人员流动OD格局实际结果；如图5和6所示，春运期间外来务工人员流动OD格局预测结果与实际情况基本相同。全国人员流动OD分布中，各中心城市与其辐射范围已经显示出鲜明的城市体系。长三角、珠三角、成渝城市群的OD网络强度和密度最高，形成“三足鼎立”的格局。京津冀城市群、长江中游城市群和海峡西岸城市群的人员流动密度和强度也较高。实际情况中城市群中心城市与周边城市的OD强度比预测结果略大。

从城市外来务工人员流入流出的空间分布看，图7至图12分别是根据一示例性实施例示出的一种2021年春运除夕前务工人员流入量、流出量、净流出量预测结果与实际情况的示意图；如图7至图12所示，除夕前外来务工人员流入量较大的城市主要分布在河南、安徽、江苏、四川、重庆、广东、福建等劳动力输出大省。除夕前外来务工人员流出量较大的城市主要为长三角、珠三角、成渝城市群的中心城市，以及西安、郑州、北京等交通枢纽城市。人员流入的空间分布比人口流出的空间分布格局更加均匀，核心城市的人员流入量比流出量低，而普通城市的人员流入量比流出量高。

外来务工人员净流入和净流出分布格局的预测结果和实际情况也非常接近，预测值稍低于实际情况。全国外来务工人员净流入和净流出城市呈现明显的空间分异现象。净流出规模较大的城市集中分布在少量区域，排名前列的城市净流出值大，但净流出城市的总体数量少，主要为各城市群核心城市以及省会城市，珠三角和长三角城市群分布尤为密集。净流入城市的空间分布和规模分布相对比较均匀，高值城市较少但城市数量较多，净流入规模较大的城市主要集聚在人口大省和城市群核心城市周围。

从区域层面看，图13是根据一示例性实施例示出的2021年春运除夕前北京外来务工人员流出分布预测结果；图14是根据一示例性实施例示出的2021年春运除夕前北京外来务工人员流出分布实际结果；图15是根据一示例性实施例示出的2021年春运除夕前上海外来务工人员流出分布预测结果；图16是根据一示例性实施例示出的2021年春运除夕前上海外来务工人员流出分布实际结果；图17是根据一示例性实施例示出的2021年春运除夕前广州外来务工人员流出分布预测结果；图18是根据一示例性实施例示出的2021年春运除夕前广州外来务工人员流出分布实际结果；图19是根据一示例性实施例示出的2021年春运除夕前深圳外来务工人员流出分布预测结果；图20是根据一示例性实施例示出的2021年春运除夕前深圳外来务工人员流出分布实际结果；图21是根据一示例性实施例示出的2021年春运除夕前成都外来务工人员流出分布预测结果；图22是根据一示例性实施例示出的2021年春运除夕前成都外来务工人员流出分布实际结果；图23是根据一示例性实施例示出的2021年春运除夕前重庆外来务工人员流出分布预测结果；图24是根据一示例性实施例示出的2021年春运除夕前重庆外来务工人员流出分布实际结果。

如图13至图24所示，京津冀、长三角、珠三角和成渝城市群核心城市除夕前的外来务工人员总流出量预测结果与实际情况基本相同。从流出数量看，六个核心城市中，广州市总流出量位居第一，其次是深圳市和成都市，再次是上海市、重庆市和北京市。从流出范围看，六个核心城市中，广州市和上海市的人员流出辐射范围最广，分布在珠三角和长三角的各个城市以及中东部其他省份城市，其次是北京市，分布在京津冀城市群和中东部人口大省城市，再次是成都市和重庆市，主要分布于四川省内及周边城市，呈现出以核心城市为中心，向外围递减的圈层分异格局。

本公开实施例还提供一种基于信令数据的人员流量预测装置，该装置用于执行上述实施例的基于信令数据的人员流量预测方法，如图25所示，该装置包括：

获取模块2501，用于获取历史同时期的长时序信令数据以及地理信息数据；

第一预测模块2502，用于根据长时序信令数据以及地理信息数据划分多个时段，建立不同时段的流量预测模型并求解，得到无特殊事件影响的初始流量预测结果；

第二预测模块2503，用于当有特殊事件影响时，计算起始地衰减系数和目的地衰减系数，并根据起始地衰减系数和目的地衰减系数校正初始流量预测结果，得到特殊事件影响下的第一流量预测结果；

第三预测模块2504，用于随数据更新，动态调整起始地衰减系数和目的地衰减系数，并根据起始地衰减系数和目的地衰减系数调整第一流量预测结果，得到特殊事件影响下的第二流量预测结果。

需要说明的是，上述实施例提供的基于信令数据的人员流量预测装置在执行基于信令数据的人员流量预测方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的基于信令数据的人员流量预测装置与基于信令数据的人员流量预测方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。

本公开实施例还提供一种与前述实施例所提供的基于信令数据的人员流量预测方法对应的电子设备，以执行上述基于信令数据的人员流量预测方法。

请参考图26，其示出了本申请的一些实施例所提供的一种电子设备的示意图。如图26所示，电子设备包括：处理器2600，存储器2601，总线2602和通信接口2603；处理器2600、通信接口2603和存储器2601通过总线2602连接；存储器2601中存储有可在处理器2600上运行的计算机程序，处理器2600运行计算机程序时执行本申请前述任一实施例所提供的基于信令数据的人员流量预测方法。

其中，存储器2601可能包含高速随机存取存储器（RAM：Random Access Memory），也可能还包括非不稳定的存储器（non-volatile memory），例如至少一个磁盘存储器。通过至少一个通信接口2603（可以是有线或者无线）实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。

总线2602可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。其中，存储器2601用于存储程序，处理器2600在接收到执行指令后，执行程序，前述本申请实施例任一实施方式揭示的基于信令数据的人员流量预测方法可以应用于处理器2600中，或者由处理器2600实现。

处理器2600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2600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2600可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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申请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。结合本申请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2601，处理器2600读取存储器2601中的信息，结合其硬件完成上述方法的步骤。

本申请实施例提供的电子设备与本申请实施例提供的基于信令数据的人员流量预测方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。

本申请实施例还提供一种与前述实施例所提供的基于信令数据的人员流量预测方法对应的计算机可读存储介质，请参考图27，其示出的计算机可读存储介质为光盘2700，其上存储有计算机程序（即程序产品），计算机程序在被处理器运行时，会执行前述任意实施例所提供的基于信令数据的人员流量预测方法。

需要说明的是，计算机可读存储介质的例子还可以包括，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)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。

本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的基于信令数据的人员流量预测方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。

以上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。

以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本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，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于信令数据的人员流量预测方法，其特征在于，包括：

获取历史同时期的长时序信令数据以及地理信息数据；

根据所述长时序信令数据以及地理信息数据划分多个时段，建立不同时段的流量预测模型并求解，得到无特殊事件影响的初始流量预测结果；

当有特殊事件影响时，计算起始地衰减系数和目的地衰减系数，并根据所述起始地衰减系数和目的地衰减系数校正所述初始流量预测结果，得到特殊事件影响下的第一流量预测结果；

随数据更新，动态调整起始地衰减系数和目的地衰减系数，并根据所述起始地衰减系数和目的地衰减系数调整所述第一流量预测结果，得到特殊事件影响下的第二流量预测结果。

2.根据权利要求1所述的方法，其特征在于，根据所述长时序信令数据以及地理信息数据划分多个时段，包括：

根据所述历史同时期的长时序信令数据以及地理信息数据得到务工人员流动的时空特征；

根据所述务工人员流动的时空特征将务工人员流量分为第一返乡阶段、第二返乡阶段、第三返乡阶段、第四返乡阶段、第一返城阶段以及第二返城阶段。

3.根据权利要求2所述的方法，其特征在于，

所述第一返乡阶段为春运开始至春运返乡高峰；

所述第二返乡阶段为春运返乡高峰至除夕；

所述第三返乡阶段为除夕至探亲访友高峰；

所述第四返乡阶段为探亲访友高峰至春节假期结束；

所述第一返城阶段为春节假期结束至元宵节；

所述第二返城阶段为元宵节至春运结束。

4.根据权利要求2所述的方法，其特征在于，建立不同时段的流量预测模型并求解，得到无特殊事件影响的初始流量预测结果，包括：

所述第一返乡阶段的流量预测模型为：

所述第二返乡阶段、第三返乡阶段、第四返乡阶段的流量预测模型为：

所述第一返城阶段、第二返城阶段的流量预测模型为：

其中，t表示时序中的某日，i、j表示城市编号i,j∈{1,2,…,n}∧i≠j，n表示城市个数，

表示第一返乡阶段某日t从城市i到城市j的人流量，

表示第一返乡阶段某日t所有城市之间的人流量之和，

表示第一返乡阶段的返乡系数，

表示第k返城阶段某日t从城市i到城市j的人流量，

表示第k返城阶段某日t所有城市之间的人流量之和，

表示第k返城阶段的返城系数，

表示第k返乡阶段某日t从城市i到城市j的人流量，

表示第k返乡阶段某日t所有城市之间的人流量之和，

表示第k返乡阶段的返乡系数。

5.根据权利要求1所述的方法，其特征在于，当有特殊事件影响时，计算起始地衰减系数和目的地衰减系数，包括：

其中，t表示时序中的某日，某时段指用于计算衰减系数的时段， i、j表示城市编号，i,j∈{1,2,…,n}∧i≠j，其中n为城市个数，

表示2019年某时段所有从i城市到j城市之间的人流量，

表示2021年某时段所有从i城市到j城市之间的人流量，

表示2019年某时段所有从j城市到i城市之间的人流量，

表示2021年某时段所有从j城市到i城市之间的人流量，

表示某时段i城市的起始地衰减系数，

表示某时段i城市的目的地衰减系数。

6.根据权利要求1所述的方法，其特征在于，根据所述起始地衰减系数和目的地衰减系数校正所述初始流量预测结果，得到特殊事件影响下的第一流量预测结果，包括：

其中，t表示时序中的某日，i、j表示城市编号，i,j∈{1,2,…,n}∧i≠j，其中n为城市个数，时段“返城之前”代表“返城阶段开始前的全部数据，

表示某日从i城市到j城市的返乡流量校正结果，

表示某日从i城市到j城市的返城流量校正结果，

表示某日从i城市到j城市的返乡流量，

表示某日从i城市到j城市的返城流量，

表示返乡前三天i城市的起始地衰减系数，

表示返城前三天j城市的目的地衰减系数，

表示返城之前i城市的目的地衰减系数，

表示返城之前j城市的起始地衰减系数，

表示某日所有城市的返乡第一流量预测结果，

表示某日所有城市的返城第一流量预测结果。

7.根据权利要求1所述的方法，其特征在于，随数据更新，动态调整起始地衰减系数和目的地衰减系数，并根据所述起始地衰减系数和目的地衰减系数调整所述第一流量预测结果，得到特殊事件影响下的第二流量预测结果，包括：

其中，t表示时序中的某日，时段“返城前三天’”代表“数据更新后，最新观测数据对应的三天”，i、j表示城市编号，i,j∈{1,2,…,n}∧i≠j，其中n为城市个数，

表示某日从i城市到j城市的返城流量校正结果，

表示某日从i城市到j城市的返城流量，

表示返城前三天i城市的起始地衰减系数，

表示返城前三天j城市的目的地衰减系数，

表示某日所有城市的返城第二流量预测结果。

8.一种基于信令数据的人员流量预测装置，其特征在于，包括：

获取模块，用于获取历史同时期的长时序信令数据以及地理信息数据；

第一预测模块，用于根据所述长时序信令数据以及地理信息数据划分多个时段，建立不同时段的流量预测模型并求解，得到无特殊事件影响的初始流量预测结果；

第二预测模块，用于当有特殊事件影响时，计算起始地衰减系数和目的地衰减系数，并根据所述起始地衰减系数和目的地衰减系数校正所述初始流量预测结果，得到特殊事件影响下的第一流量预测结果；

第三预测模块，用于随数据更新，动态调整起始地衰减系数和目的地衰减系数，并根据所述起始地衰减系数和目的地衰减系数调整所述第一流量预测结果，得到特殊事件影响下的第二流量预测结果。

9.一种基于信令数据的人员流量预测设备，其特征在于，包括处理器和存储有程序指令的存储器，所述处理器被配置为在执行所述程序指令时，执行如权利要求1至7任一项所述的基于信令数据的人员流量预测方法。

10.一种计算机可读介质，其特征在于，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如权利要求1至7任一项所述的一种基于信令数据的人员流量预测方法。

Images