CN113569977A - 一种基于手机信令数据的出行目的识别方法 - Google Patents

Abstract

本发明公开了一种基于手机信令数据的出行目的识别方法，将信令数据进行地图匹配后，从停留点的识别出发，基于ST‑DBSCAN时空密度聚类算法并结合启发式算法进行停留点识别。依靠具有标签的用户手机信令数据挖掘时空聚类算法的参数，同时考虑了出行者的速度特征，提高了停留点识别的精细度。通过特征提取获得用户出行的轨迹时空特征、个人属性和交通设施建成环境特性，将特征抽象为节点。通过基于约束的贝叶斯网络结构学习算法获取有向弧，初步完成贝叶斯网络建模，以出行目的和通勤特性为演绎推理对象，通过基于规则启发式的建模方法完善贝叶斯网络概率模型。进行出行目的识别时，通过用户的手机信令数据获取出行特征，即可得到出行者出行目的概率结果。

Description

一种基于手机信令数据的出行目的识别方法

技术领域

本发明涉及电子技术领域及通信领域，具体是一种基于手机信令数据的多方式出行目的识别方法。

背景技术

出行目的预测是交通规划领域中基本的问题之一。随着互联网技术的不断发展，出行目的预测对新兴的交通系统(如MaaS、拼车出行等)的发展十分重要。移动设备和无线通信技术的发展很大程度上便利了居民出行数据的获取，庞大的手机用户带来了接近全样本的居民出行数据并且可以实时追踪出行者的位置信息，但是信令产生的用户位置信息是与用户通信的基站位置信息。如何利用低成本的通信数据，实现高效率识别居民出行目的，这一问题非常具有挑战性。

发明内容

本发明为解决背景技术中存在的问题,利用低成本手机通信数据，实现高效率识别出行者出行目的，提出了一种基于手机信令数据的出行目的识别方法。

本发明为解决上述技术问题采用以下技术方案：

一种基于手机信令数据的出行目的识别方法，步骤如下：

(1)根据出行者信令轨迹点的时空特性，利用ST-DBSCAN算法识别出行停留点，将出行链划分为多个出行段；

(2)按照手机号，将出行者的手机信令数据与居民出行调查获取的出行者出行目的、是否处于通勤出行进行匹配，从手机信令数据中获取以下出行特征：出发小时、到达小时、出行耗时、出行距离、平均速度、性别、年龄、用地混合度、公交站点覆盖率、公交线路重复系数、交叉口密度和路网密度；

(3)将步骤(2)中获取的出行特征进行离散化；

(4)以步骤(2)中获取的出行特征作为贝叶斯网络输入特征，以出行者出行目的、是否处于通勤出行作为贝叶斯网络演绎推理目标，通过基于约束的贝叶斯网络结构学习算法构建以出行者出行目的、是否处于通勤出行为演绎推理目标的贝叶斯网络模型；

(5)将基于手机信令数据获取的出行特征输入步骤(4)构建的贝叶斯网络模型中，完成出行者出行目的识别。

进一步，所述步骤(1)的过程包括：

S1获取出行者一天手机信令数据中基站位置信息并按触发时间进行排序，以获取出行者移动轨迹；

S2结合基站通信范围特点，出行者停驻换乘特点，设定ST-DBSCAN密度聚类算法的时空阈值；

S3基于ST-DBSCAN密度聚类算法，识别出行者停留点，将出行者出行链划分为多个出行段，并删除非一次出行的出行段。

进一步，所述步骤(2)中根据土地利用性质，通过计算熵值来表示起讫点的用地混合度，计算公式如下；

式中：H_i表示交通小区i的用地混合度，p(k)表示第k种土地利用类型的面积占交通小区i面积的比例，n指土地类型数目。

进一步，所述步骤(3)中：

将出发小时和到达小时的时间域离散为6段，分别是1h-7h，7h-9h，9h-13h，13h-17h，17h-19h，19h-24h和0-1h；

将出行耗时离散为4段，分别是0s-600s，600s-1800s，1800s-3600s，3600s以上；

将出行距离离散为4段，分别是0-1000m，1000m-4000m，4000m-10000m，10000m以上；

将平均速度离散为4段，分别是0-2m/s，2m/s-10m/s，10m/s-20m/s，20m/s以上；

将年龄离散为6段，分别是20岁以下出行者，20-29岁出行者，30-39岁出行者，40-49岁出行者，50-59岁出行者，60岁以上出行者；

将性别离散为2段，分别是男，女；

将其余出行特征均离散为5段，0-0.2，0.2-0.4，0.4-0.6，0.6＝0.8，0.8以上。

进一步，所述步骤(4)中通过K2算法构建以出行者出行目的、是否处于通勤出行为演绎推理目标的贝叶斯网络模型。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

1、在数据源方面：传统的出行目的获取方式主要是通过居民出行调查获取，包括家访调查、电话调查等方式，但是需要消耗大量的人力物力和精力完成调查及数据整合与处理工作。近年来信息设备不断更新，自动获取居民出行信息的手段不断丰富，例如通过公交IC卡数据；浮动车GPS数据；地铁票务数据进行出行信息挖掘，但样本量仍然较低，无法获取更普适的出行分析结果。随着移动通信技术的发展，基于通信基站进行定位的COO定位技术精度不断提高，逐渐成为研究出行者出行特征的主要方法。因此本发明将可以提取到全样本居民出行特征的手机信令数据做为数据源，将移动手机用户视为分析对象，获取尽可能全面的出行信息。

2、在出行影响因素方面：目前国内外普遍认为个人出行活动是受多因素影响的，如何提取到准确度高且尽可能全面的出行影响因素数据是出行影响因素分析的一个重要问题。同时，出行目的识别以出行段为载体，如何在数据层面将出行链划分为多个出行段也是一个需要解决的问题，以机器学习为代表的出行段划分方法在某些特定情境下有较高的准确度，但是缺乏可解释性且普适性较低。本发明基于手机信令数据，通过ST-DBSCAN密度聚类算法识别停留点，将出行链划分为多个出行段，依靠信令轨迹获取用户出行的轨迹时空特征、个人属性和交通设施建成环境特性，全方位提取出行者的出行影响因素。

3、在出行目的识别方面：目前对出行目的识别的研究较少，且主要集中在两个领域，主要有基于历史经验的方法和机器学习的方法。在经验法方面，从分析出行者目的地用地类型、停留时间等面状吸引点来识别出行目的，发展到分析出行目的地附近API信息点等点状吸引点来识别出行者的出行目的。此方法考虑到的影响因素较少且针对特定的研究对象。在机器学习方面，基于SVM算法(支持向量机)和DT算法(决策树)进行出行目的识别，识别精度可以达到71％。但是该方法可解释较差，泛化能力较低。本研究应用贝叶斯网络算法，依靠手机信令数据提取到尽可能完善的出行特征进行出行目的识别建模，为出行目的识别提供新的方法。

附图说明

图1为本发明的整体流程图；

图2为实施例中通信基站轨迹点的可视化展示图；

图3为实施例中某用户的出行轨迹中停留点识别图；

图4为实施例中特征提取结果图；

图5为实施例中出行调查交通小区划分与通信小区划分整合图，其中(a)为交通调查小区与基站通信小区的结合展示图，(b)为手机信令数据触发的时间间隔统计图，(c)为交通小区与基站通信小区不同面积占比的对比图；

图6为实施例中贝叶斯网络结构学习结果图；

图7为实施例中以出行目的为演绎推理对象的贝叶斯网络图；

图8为实施例中以出行目的为演绎推理对象的贝叶斯网络演绎推理结果图；

图9为实施例中以出行目的为演绎推理对象的贝叶斯网络敏感性分析结果图；

图10为实施例中以通勤特征为演绎推理对象的贝叶斯网络图；

图11为实施例中以通勤特征为演绎推理对象的贝叶斯网络演绎推理结果图；

图12为实施例中以通勤特征为演绎推理对象的贝叶斯网络敏感性分析结果图。

具体实施方式

下面结合实施例对本发明作进一步说明，但本发明的保护范围不限于此。

本发明将信令数据进行地图匹配后，从停留点的识别出发，基于ST-DBSCAN时空密度聚类算法并结合启发式算法进行停留点识别。依靠具有标签的用户手机信令数据挖掘时空聚类算法的参数，同时考虑了出行者的速度特征，提高了停留点识别的精细度。通过特征提取获得用户出行的轨迹时空特征、个人属性和交通设施建成环境特性，将特征抽象为节点。通过基于约束的贝叶斯网络结构学习算法获取有向弧，初步完成贝叶斯网络建模，以出行目的和通勤特性为演绎推理对象，通过基于规则启发式的建模方法完善贝叶斯网络概率模型。实现在进行出行目的识别时，仅需要通过该用户的手机信令数据获取本发明提到的出行特征，输入该模型即可得到出行者出行目的概率结果，该模型计算速度快，可解释性强，且易于实现。可以为新兴交通系统的发展提供帮助。

本发明的整体流程图如图1所示，具体步骤如下：

(1)根据出行者信令轨迹点的时空特性，利用ST-DBSCAN算法识别出行停留点，将出行链划分为多个出行段。

S1获取出行者一天手机信令数据中基站位置信息并按触发时间进行排序，以获取出行者移动轨迹，如图2所示；

S2结合基站通信范围特点，出行者停驻换乘特点，设定ST-DBSCAN密度聚类算法的时空阈值；

S3基于ST-DBSCAN密度聚类算法，识别出行者停留点(如图3所示)，将出行者出行链划分为多个出行段，删除非一次出行的出行段。

(2)按照手机号将出行者的手机信令数据与居民出行调查获取的出行者出行目的、是否处于通勤出行共2个特征进行匹配。结合API数据，GIS数据，从手机信令数据中获取出发小时、到达小时、出行耗时、出行距离、平均速度、性别、年龄、用地混合度(O点和D点)、公交站点覆盖率(O点和D点)、公交线路重复系数(O点和D点)、交叉口密度和路网密度(O点和D点)，共12种出行特征。

S1基于手机号码，将出行调查数据与手机信令数据进行匹配，按照交通小区编号对基站小区进行合并且编号；

S2首先获取出发小时、到达小时、出行耗时、出行距离、性别和年龄，共6种出行特征；

S3通过百度地图开放API平台爬取各交通小区内的公交站点与公交线路，计算覆盖半径为300米、500米的公交覆盖率；公交线路重复系数；交叉口密度和路网密度；

S4根据土地利用性质，通过计算熵值H_i来表示起讫点的用地混合度。计算公式如下；

式中：p(k)表示第k种土地利用类型的面积占交通小区i面积的比例，n指土地类型数目。

S5通过出行距离和出行耗时计算出行者平均出行速度。

(3)将提取到的出行特征按照交通工程相关理论进行离散化，例如将出发小时和到达小时离散为早高峰、晚高峰和平峰；平均出行速度按照不同交通方式的平均速度进行离散化等。

S1将出发小时和到达小时的时间域离散为6段，分别是1h-7h，7h-9h，9h-13h，13h-17h，17h-19h，19h-24h和0-1h；

S2将居民出行调查数据的日期、出发交通小区和到达交通小区与从手机信令数据提取的出行轨迹信息进行匹配；

S3将出行耗时离散为4段，0s-600s，600s-1800s，1800s-3600s，3600s以上；

S4出行距离被离散为4段，0-1000m，1000m-4000m，4000m-10000m，10000m以上；

S5将出行速度离散为4段，0-2m/s，2m/s-10m/s，10m/s-20m/s，20m/s以上；

S6年龄特征离散为以下6段，20岁以下出行者，20-29岁出行者，30-39岁出行者，40-49岁出行者，50-59岁出行者，60岁以上出行者；

S7其余特征均离散为5段，0-0.2，0.2-0.4，0.4-0.6，0.6＝0.8，0.8以上。

(4)以信令数据提取到的12个出行特征作为贝叶斯网络输入特征，以出行调查获取的2个特征即出行者出行目的、是否处于通勤出行作为贝叶斯网络演绎推理对象，通过基于约束的贝叶斯网络结构学习算法(本专利采用K2算法)获取以出行目的、通勤特征为演绎推理目标的贝叶斯网络模型。

S1分别以出行目的和通勤特征作为演绎推理目标，将手机信令数据提取到的12个特征抽象为节点；

S2对任一结点X计算马尔科夫毯A(X)，判断其余节点与该马尔科夫毯中节点的连接方式，遍历所有节点，找到例如节点Y和节点X相连，节点X和节点Z相连，但是节点Y和节点Z不相连‘V’型结构，对两个相连节点的边进行条件独立性测试，已确定这些相连的边的指向；

S3对于一条边，计算包含他的环的个数，找到一条计数最大的边从环图中移除，若移除后仍有环，则重复该步骤，把移除的边逆向添加回环图中；

S4对于还没有定方向的邻居点N，如果存在一条有向路径X指向N成立，则令X→N，完成基于约束的贝叶斯网络结构学习过程。

(5)将基于手机信令数据获取的特征数据输入构建的贝叶斯网络中，进行演绎推理和敏感性分析，完成贝叶斯网络模型学习，实现出行目的识别功能。

S1将模型所需的相关特征输入贝叶斯网络，获取条件概率；

S2通过如下公式计算目标叶节点的概率分布估计值P(T＝t)；

式中：t₁,t₂,……,t_n代表节点T的状态概率，并且N是节点X_i中所有状态的总和，其中i＝1,2,……,n。P(T＝t_i∣X₁＝x₁,…,X_n＝x_n)表示T的条件概率分布。P(X₁＝x₁,…,X_n＝x_n)表示X_i的联合概率分布；

S3通过如下公式计算X_i的敏感性指数；

SI(X_i)＝Max{P(T＝t∣X_i＝x_i)}-Min{P(T＝t∣X_i＝x_i)}

式中：i＝1,2,……,n。根据节点的SI值进行排序，排名靠前的被认为是最具影响力的关键节点。

下面结合一个具体实例对本发明的技术内容进行解释说明。

本发明将基站服务半径在400米以下的基站标记其基站类型为0；否则标记为1。当基站类型均为0时，其空间阈值取800米；当基站类型均为1时，其空间阈值取2000米；其他情况下的空间阈值取2000米。时间阈值指手机用户在某基站停留时间大于γ分钟；速度阈值指用户的信令数据显示从某基站转移到下个基站的速度不大于τkm/h。考虑到昆山市基站数量、分布、信令数据更新频率、不同交通方式的出行速度，时间阈值γ取值为10min；速度阈值τ取8km/h。在准备好必要的信息后，对出行基站轨迹的顺序进行排序，假设一条出行轨迹为S_i＝{j₁,j₂,…,j_n}，其中j_i表示轨迹中占据的基站，然后对每个轨迹执行以下算法流程。停留点识别过程如算法1所示：

基于信令轨迹出行段，本发明将提取到的特征分为三类：出行轨迹的时空特征、个人属性和交通设施建成环境特征。首先提取轨迹的时空特征。根据居民出行的基础信息，可以得到出发小时(departure_hour)、到达小时(arrival_hour)、出行耗时(travel_time)。通过地图匹配过程可以得到居民出行距离特性(distance)，平均速度(speed)是将出行距离除以出行耗时得到。为了满足贝叶斯网络的建模需求，需要将数据进行离散化，考虑到高峰小时出行会对出行方式和出行目的有较大影响，将出发小时和到达小时的时间域离散为6段，分别是1h-7h，7h-9h，9h-13h，13h-17h，17h-19h，19h-24h和0-1h。将出行按照短距离出行和中长距离及长距离出行进行划分，因此将出行耗时离散为4段，0s-600s，600s-1800s，1800s-3600s，3600s以上。出行距离被离散为4段，0-1000m，1000m-4000m，4000m-10000m，10000m以上。速度特征考虑到不同交通方式的平均速度，也将出行速度离散为4段，0-2m/s，2m/s-10m/s，10m/s-20m/s，20m/s以上。与其他数据源不同，手机信令数据在获取居民的个人属性特征方面有天然的优势，模型中的个人属性特征包括：性别特征(sex)、和年龄特征(age)。年龄特征离散为以下6段，20岁以下出行者，20-29岁出行者，30-39岁出行者，40-49岁出行者，50-59岁出行者，60岁以上出行者。最后进行交通设施建成环境的特征提取。首先考虑的是居民出行起讫点的用地混合度特征。根据土地利用类型，计算办公用地、商业用地和居住用地的熵，通过熵值H_i来表示起讫点的用地混合度。计算公式如下：

其中p(k)表示第k种土地利用类型的面积占交通小区i面积的比例，n指土地类型数目。

公交站点覆盖面积A_i,t计算方法如下，

其中C_i,t表示在第i个交通小区中以公交站点为圆心，以t为半径的多个圆的面积，本专利t值取300m和500m，S_i表示第i个交通小区的总面积。

公交线路重复系数、交叉口密度和路网密度计算方法与上述方法类似，在此不做赘述。特征提取结果如图4所示。

与交通调查数据结合，获取手机信令数据主人的出行目的标签。手机信令数据由出行者的手机与附近的基站通讯产生，因此在多个基站的影响下，城市空间被划分为了多个泰森多边形(如图5中的(a))，当出行者处于任一泰森多边形内，会与该区域内的相应基站进行通讯，产生信令数据(信令数据触发频率如图5中的(b)所示)。交通调查是获取出行目的的常规手段，它是以交通小区为基本单元进行的，(如图5中的(c))。因此将移动通讯基站的多个泰森多边形或多个交通小区进行组合，使泰森多边形与交通小区位置相同面积相似，从而进行对应，使信令数据与交通调查数据具有相同的数据获取基本单元，结合出行者的手机号码，可以将信令数据与出行调查数据进行结合，获取手机信令数据出行者的出行目的标签。

通过基于约束的贝叶斯网络结构学习算法，选择K2算法学习贝叶斯网络中各节点的关系如图6所示。分别以出行目的，分别以‘出行目的’；‘是否是通勤出行’为演绎推理目标，对初步确定的贝叶斯网络进行剪枝，完成贝叶斯网络建模过程，以‘出行目的’作为研究对象时贝叶斯网络模型如图7所示，演绎推理结果及敏感性分析结果如图8及图9；以‘是否是通勤出行’为研究对象时贝叶斯网络模型如图10，演绎推理结果及敏感性分析结果如图11及图12。

模型构建完成后，可以通过获取用户的手机信令轨迹数据，提取所需的出行特征，输入贝叶斯网络中所示，可以得到出行目的的概率估计结果，实现用户的出行目的概率估计，同时可以用于出行者出行目的影响因素分析。

以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (5)

1.一种基于手机信令数据的出行目的识别方法，其特征在于，步骤如下：

(1)根据出行者信令轨迹点的时空特性，利用ST-DBSCAN算法识别出行停留点，将出行链划分为多个出行段；

(2)按照手机号，将出行者的手机信令数据与居民出行调查获取的出行者出行目的、是否处于通勤出行进行匹配，从手机信令数据中获取以下出行特征：出发小时、到达小时、出行耗时、出行距离、平均速度、性别、年龄、用地混合度、公交站点覆盖率、公交线路重复系数、交叉口密度和路网密度；

(3)将步骤(2)中获取的出行特征进行离散化；

(4)以步骤(2)中获取的出行特征作为贝叶斯网络输入特征，以出行者出行目的、是否处于通勤出行作为贝叶斯网络演绎推理目标，通过基于约束的贝叶斯网络结构学习算法构建以出行者出行目的、是否处于通勤出行为演绎推理目标的贝叶斯网络模型；

(5)将基于手机信令数据获取的出行特征输入步骤(4)构建的贝叶斯网络模型中，完成出行者出行目的识别。

2.如权利要求1所述的一种基于手机信令数据的出行目的识别方法，其特征在于，所述步骤(1)的过程包括：

S1获取出行者一天手机信令数据中基站位置信息并按触发时间进行排序，以获取出行者移动轨迹；

S2结合基站通信范围特点，出行者停驻换乘特点，设定ST-DBSCAN密度聚类算法的时空阈值；

S3基于ST-DBSCAN密度聚类算法，识别出行者停留点，将出行者出行链划分为多个出行段，并删除非一次出行的出行段。

3.如权利要求1所述的一种基于手机信令数据的出行目的识别方法，其特征在于，所述步骤(2)中根据土地利用性质，通过计算熵值来表示起讫点的用地混合度，计算公式如下；

式中：H_i表示交通小区i的用地混合度，p(k)表示第k种土地利用类型的面积占交通小区i面积的比例，n指土地类型数目。

4.如权利要求1所述的一种基于手机信令数据的出行目的识别方法，其特征在于，所述步骤(3)中：

将出发小时和到达小时的时间域离散为6段，分别是1h-7h，7h-9h，9h-13h，13h-17h，17h-19h，19h-24h和0-1h；

将出行耗时离散为4段，分别是0s-600s，600s-1800s，1800s-3600s，3600s以上；

将出行距离离散为4段，分别是0-1000m，1000m-4000m，4000m-10000m，10000m以上；

将平均速度离散为4段，分别是0-2m/s，2m/s-10m/s，10m/s-20m/s，20m/s以上；

将年龄离散为6段，分别是20岁以下出行者，20-29岁出行者，30-39岁出行者，40-49岁出行者，50-59岁出行者，60岁以上出行者；

将性别离散为2段，分别是男，女；

将其余出行特征均离散为5段，0-0.2，0.2-0.4，0.4-0.6，0.6＝0.8，0.8以上。

5.如权利要求1所述的一种基于手机信令数据的出行目的识别方法，其特征在于，所述步骤(4)中通过K2算法构建以出行者出行目的、是否处于通勤出行为演绎推理目标的贝叶斯网络模型。

Images