CN113837667A - 一种基于位置大数据的城市抗灾韧性阈值检测方法及系统 - Google Patents

Abstract

本发明提供一种基于位置大数据的城市抗灾韧性阈值检测方法及系统，包括以历史或实时的定位请求数据为输入，提取目标城市的人类活动稳定区范围，并基于该范围提取城市所有降雨事件；提取人类活动稳定区范围内每个格网的人类活动行为响应，提取城市尺度人类活动响应，判定一次降雨事件是否触发城市抗灾韧性阈值，如果触发标记该次降雨事件为Y0，反之则标记该次降雨事件为非Y0；根据Y0与非Y0事件的降雨特征差异，计算公众感知的抗灾韧性阈值，若某次降雨事件过程超出城市的抗灾韧性阈值，发出告警信息。应用本发明有助于因地制宜地建立地方性抗灾韧性阈值预警标准，提高极端降雨灾害应急防范能力，可通过自动事件检测和告警避免相应人力和物力损失。

Description

一种基于位置大数据的城市抗灾韧性阈值检测方法及系统

技术领域

本发明属于互联网突发事件检测领域，特别涉及一种基于位置大数据的城市抗灾韧性阈值检测方法及系统。

背景技术

随着全球气候变化的加剧，极端降雨事件愈发频繁，危害人类健康[1-3]。准确识别城市城市抗灾韧性，建立科学的预警标准，对于海绵城市的评估，提高公众的暴雨防范意识，降低暴雨灾害影响具有重要意义[4]。但是，城市抗灾韧性的识别标准至今没有统一的定义[5-7]。目前常见的城市抗灾韧性识别方法因数据的选择和研究对象的定义而异，有的研究是通过卫星的紧急测绘系统监测洪水淹没和恢复过程，有的会评估由地震造成的建筑物的损坏、恢复和重建，还有的会评估飓风前后电力供应的变化[8-10]。这些韧性标准主要基于遥感数据代理自然环境（洪水泛滥）、建筑环境（建筑、交通）和经济环境（电力），没有考虑技术应用实际中人们会受到地方自然、社会经济以及基础设施建设影响而呈现城市抗灾适应能力的地理差异[8]。只有识别出公众感知的暴雨事件及抗灾阈值，才能更准确地制定抗灾韧性的地方性标准。位置大数据为认识公众对灾害的实际感受提供了新的途径。当下流行的社交媒体，例如腾讯位置大数据中蕴含了高时空分辨率的人类活动信息，为识别暴雨灾害对公众的影响以及公众的响应提供了重要数据支持[11-12]。

所以，在这样的技术背景下，本发明公开了一种基于位置大数据的城市抗灾韧性阈值检测方法及系统，旨在识别公众感受的城市抗灾韧性及其构成的广泛影响，克服现有灾害事件韧性阈值检测技术难以反映公众感受差异的不足。

相关文献：

[1]Myhre, G., Alterskjær, K., Stjern, C. W., Hodnebrog, Ø., Marelle,L., Samset, B. H., Sillmann, J., Schaller, N., Fischer, E., Schulz, M., &Stohl, A. (2019). Frequency of extreme precipitation increases extensivelywith event rareness under global warming. Scientific Reports.

[2]Nahiduzzaman, K. M., Aldosary, A. S., & Rahman, M. T. (2015).Flood induced vulnerability in strategic plan making process of Riyadh city.Habitat International.

[3]Owrangi, A. M., Lannigan, R., & Simonovic, S. P. (2014).Interaction between land-use change, flooding and human health in MetroVancouver, Canada. Natural Hazards.

[4]Song, J., Chang, Z., Li, W., Feng, Z., Wu, J., Cao, Q., & Liu, J.(2019). Resilience-vulnerability balance to urban flooding: A case study in adensely populated coastal city in China. Cities.

[5]Meerow, S., Newell, J. P., & Stults, M. (2016). Defining urbanresilience: A review. Landscape and Urban Planning.

[6]Campanella, T. J. (2006). Urban Resilience and the Recovery of NewOrleans. Journal of the American Planning Association.

[7]Liao, K. H. (2012). A Theory on Urban Resilience to Floods—ABasis for Alternative Planning Practices. Ecology and Society.

[8]Buehler, Y. A., Kellenberger, T. W., Small, D., & Itten, K. I.(2006). Rapid mapping with remote sensing data during flooding 2005 inSwitzerland by object-based methods: A case study. Geo-Environment andLandscape Evolution II: Monitoring, Simulation, Management and Remediation.

[9]Honey, M., Brink, S., Chang, S., Davidson, R., Amyx, P., Pyatt,S., Mills, R., Eguchi, R., Bevington, J., Panjwani, D., Hill, A., & Adams, B.(2010). Uncovering Community Disruption Using Remote Sensing: An Assessmentof Early Recovery in Post-earthquake Haiti.

[10]Román, M., Stokes, E., Shrestha, R., Wang, Z., Schultz, L.,Carlo, E., Sun, Q., Bell, J., Molthan, A., Kalb, V., ji, C., Seto, K.,Mcclain, S., & Enenkel, M. (2019). Satellite-based assessment of electricityrestoration efforts in Puerto Rico after Hurricane Maria. PLOS ONE.

[11]Guan, X., & Chen, C. (2014). Using social media data tounderstand and assess disasters. Natural Hazards.

[12]Zou, L., Lam, N., Cai, H., & Qiang, Y. (2018). Mining TwitterData for Improved Understanding of Disaster Resilience. Annals of theAssociation of American Geographers。

发明内容

针对现有技术缺陷，本发明目的为通过位置大数据挖掘公众的降雨反馈，识别公众感受的城市抗灾韧性及其构成的广泛影响，克服现有城市抗灾韧性检测技术难以反映公众感受差异的不足导致检测精度过低的问题。

本发明提供一种基于位置大数据的城市抗灾韧性阈值检测方法，包括以下步骤，

步骤1，以历史或实时的定位请求数据为输入，提取目标城市的人类活动稳定区范围，并基于该范围提取城市所有降雨事件；

步骤2，提取人类活动稳定区范围内每个格网的人类活动行为响应，提取城市尺度人类活动响应，判定一次降雨事件是否触发城市抗灾韧性阈值，如果触发了城市抗灾韧性阈值，标记该次降雨事件为Y0，反之则标记该次降雨事件为非Y0；

步骤3，根据Y0与非Y0事件的降雨特征差异，计算公众感知的抗灾韧性阈值，若某次降雨事件过程中降雨指标观测值超过目标城市的抗灾韧性阈值，发出告警信息。

而且，步骤1包括以下子步骤，

步骤1.1，从定位请求数据集提取小时定位请求平均值大于预设次数的所有格网作为人类活动稳定区；

步骤1.2，首先使用最近邻插值法将降水栅格数据集重采样到与定位请求数据相同的时空分辨率，然后统计每个小时落在城市人类活动稳定区范围内的平均降雨量，构成城市小时降雨时间序列，进而提取城市所有的降雨事件。

而且，所述提取人类活动稳定区范围内每个格网的人类活动行为响应，实现方式如下，

对人类活动稳定区范围内每个格网的定位请求数据时间序列进行归一化处理；

从定位请求数据时间序列中有效检测出单元值高于常态的正异常和单元值低于常态的负异常。

而且，所述提取城市尺度人类活动响应，实现方式如下，

统计目标城市人类活动稳定区范围内每个小时所有格网中检测出的正异常格网数量和负异常格网数量，组成目标城市逐小时正/负异常格网数量的时间序列RainfallPTLR/NTLR；

统计时间序列Rainfall PTLR/NTLR中同时段所有值的中位数，得到无雨期间的正/负异常格网数量时间序列Normal PTLR/NTLR。

而且，所述判定一次降雨事件是否触发城市抗灾韧性阈值，实现方式如下，

提取降雨事件过程中的Rainfall PTLR子序列和Normal PTLR子序列；

利用统计检验来判断两个子序列的均值是否存在差异；如果是，则认为人类活动行为已经异于常态下的人类活动行为，判定该次降雨事件触发了抗灾韧性阈值，标记该次降雨事件为Y0，反之则标记该次降雨事件为非Y0。

而且，步骤3包括以下子步骤，

步骤3.1，分别提取Y0和非Y0期间的降雨量指标R _i 和降雨时间指标R _t ；

步骤3.2，构建线性二元分类器来提取降雨阈值R _crit ，当降雨指标I _e 的观测值超过R _crit ，判定这次降雨事件超出城市的抗灾韧性阈值。

而且，所述降雨量指标R _i 采用小时降雨量，降雨时间指标R _t 采用降雨时长。

而且，判定某次事件超过公众感知的城市抗灾韧性阈值后，发出自动告警通告。

本发明提供一种基于位置大数据的城市抗灾韧性阈值检测系统，用于实现如上所述的一种基于位置大数据的城市抗灾韧性阈值检测方法。

而且，包括以下模块，

第一模块，用于以历史或实时的定位请求数据为输入，提取目标城市的人类活动稳定区范围，并基于该范围提取城市所有降雨事件；

第二模块，用于提取人类活动稳定区范围内每个格网的人类活动行为响应，提取城市尺度人类活动响应，判定一次降雨事件是否触发城市抗灾韧性阈值，如果触发了城市抗灾韧性阈值，标记该次降雨事件为Y0，反之则标记该次降雨事件为非Y0；

第三模块，用于根据Y0与非Y0事件的降雨特征差异，计算公众感知的抗灾韧性阈值，若某次降雨事件过程中降雨指标观测值超过目标城市的抗灾韧性阈值，发出告警信息。

本发明主要通过提取降雨事件过程中的腾讯定位请求数据，并监测其数量的异常变化，推算公众对降雨的感受阈值，从而识别对公众构成影响的降雨灾害事件。本发明有助于因地制宜地建立地方性城市抗灾阈值预警标准，提高极端暴雨灾害的应急防范能力，可以通过自动事件检测和告警避免相应人力和物力损失。

本发明方案实施简单方便，实用性强，解决了相关技术存在的实用性低及实际应用不便的问题，能够提高用户体验，具有重要的市场价值。

附图说明

图1是本发明实施例的系统结构示意图。

图2是本发明实施例一次降雨事件过程早8点异常格网空间分布图。

图3是本发明实施例一次降雨事件过程北京市正负异常格网数量变化时间序列示意图。

图4是本发明实施例阈值分析示意图。

具体实施方式

为了更清楚地了解本发明，下面结合附图和实施例具体介绍本发明技术方案。

本实施例提供的一种基于位置大数据的城市抗灾韧性阈值检测方法，可以应用于任一城市。以2017年北京地区雨季（5-8月）的定位请求大数据和降雨遥感栅格数据为输入，依据本发明的技术实施方案，判断一次降雨事件是否超过抗灾韧性阈值，进而识别公众感知的降雨阈值。

参见附图1，实施例提供一种基于位置大数据的城市抗灾韧性阈值检测方法，具体实施过程如下：

步骤1，以历史或实时的定位请求数据（TLR）为输入，提取目标城市的人类活动稳定区范围，并基于该范围提取城市所有降雨事件；

实施例中，步骤1的具体实施步骤包括，

步骤1.1，提取目标城市的人类活动稳定区范围：定位请求数据集是具有小时时间分辨率和1km×1km空间分辨率的栅格数据，在许多来自时间和空间多个维度的研究中，该数据均被证明是人类活动的可靠代理。本发明提取小时定位请求平均值大于预设次数（优选为10次）的所有格网作为人类活动稳定区。

实施例中，提取平均小时定位请求次数大于10次的格网作为人类活动稳定区，结果共提取北京市中心区1926个公里格网。

步骤1.2，根据降水数据提取降雨事件：实施例中，收集了2017年北京地区雨季（5-8月）Version06全球降水测量 (GPM)降水栅格数据集。该数据集时间分辨率为30分钟，空间分辨率为 0.1°×0.1°。首先使用最近邻插值法将GPM 数据集重采样到与定位请求数据TLR 相同的时空分辨率，然后统计每个小时落在城市人类活动稳定区范围内的平均降雨量，构成城市小时降雨时间序列。进而提取城市所有的降雨事件。降雨事件被定义为连续3小时降雨超过0.05mm的降雨过程。

实施例中，首先逐小时统计落在北京市1926个公里格网范围内的GPM降雨量均值，构成北京市小时降雨量时间序列。然后遍历该时间序列，如果出现连续3小时降雨量超过0.05mm的子序列，则定义该子序列为一次降雨事件。结果共提取出符合降雨事件定义的北京市降雨事件47次，全国346个城市降雨事件约两万次。

步骤2，判定一次降雨事件出否触发公众感知的城市抗灾韧性阈值：基于精细网格检测出的定位请求量异常来刻画城市尺度的群体活动响应特征，可以有效避免小范围的空间异常被总量变化掩盖。进而根据降雨事件下人类活动的行为相对于常态无雨状态下的行为差异判断是否触发公众感知韧性阈值。

实施例中，步骤2具体实施步骤包括：

步骤2.1，提取人类活动稳定区范围内每个格网的人类活动行为响应，进一步优选提出包括以下子步骤：

子步骤2.1.1，使用中值四分位距归一化方法对人类活动稳定区范围内每个格网 的TLR时间序列进行归一化处理，以使不同网格中的TLR具有可比性（智能手机用户和腾讯 定位请求的数量不同格网间差异悬殊）。中值四分位距归一化方法包括以下步骤：首先，构 建24个对应每个时段的列表，列表长度和天数有关，例如：列表长度123，包括5月-8月共123 天每天该时段的TLR值。然后针对每个列表分别提取以下统计量：中值M，上四分位数

，下 四分位数

。然后对列表中的每个TLR值进行如下公式计算：

然后将24个新列表中的

值还原到原来的时间序列位置，构成每个格网 的归一化TLR时间序列。方法因为嵌套使用中值和四分位数进行归一化处理因此可以有效 避免异常值带来的干扰和影响。

子步骤2.1.2，采用S-H-ESD方法检测时间序列异常。S-H-ESD异常检测算法是一种季节性混合极端学生化偏离技术，可以从时间序列中有效检测出单元值显著高于常态的正异常和单元值显著低于常态的负异常。S-H-ESD 方法可以用以下加性模型表示：

其中 T、S 和 R 分别代表趋势、季节和残差分量。

S-H-ESD 方法有两个主要步骤。首先，使用经典时间序列分解算法STL提取趋势分 量、季节分量和残差分量。然后利用广义极端学生化偏差 (G-ESD) 统计方法来识别残差分 量中的显著异常。G-ESD统计方法的核心思想是，首先遍历计算与均值

偏离最远的残差R， 注意计算均值时的数据序列应是删除上一轮最大残差样本数据后，残差具体计算公式如 下：

其中，

表示序列样本的序号，k代表序列样本的总数量，

代表样本

的取值，S 代表数据序列的标准差。

然后根据正态分布计算检验统计量，如果残差R大于检验统计量，则该样本点为异常点。重复以上步骤直到所有异常点被检测完毕。

注意1: STL时间序列分解算法在实际时间序列分解时发现存在着部分假异常点，为了解决这种假阳性降低准确率的问题，S-H-ESD 方法在第一步STL分解时，使用分段中位数替换掉原来的趋势分量。通过设定分段长度参数，提取每一段时间序列的中位数来代替STL计算得到的趋势分量，从而有效解决假异常点问题。

注意2： G-ESD统计方法在实际异常点探测时会受到个别异常值的影响。由于个别 异常值会极大地拉伸均值和方差，从而导致G-ESD未能很好地捕获到部分异常点，召回率偏 低。为了解决这个问题，S-H-ESD采用了更具鲁棒性的中位数与绝对中位差MAD替换公式(1) 中的均值

与标准差S。绝对中位差MAD的计算公式如下：

其中，median( )表示样本序列的中位数。

实施例中，使用中值四分位数归一化方法对北京市1926个格网的小时定位请求时 间序列进行归一化处理。进而采取S-H-ESD算法检测时间序列中的正异常点和负异常点。S- H-ESD算法中，使用分段长度设定为两周，显著性水平

设置为 0.05。

步骤2.2，提取城市尺度人类活动响应，进一步优选提出包括以下子步骤：子步骤2.2.1，统计北京市人类活动稳定区范围内每个小时所有格网中检测出的正异常格网数量和负异常格网数量（如附图2），组成北京市逐小时正/负异常格网数量的时间序列RainfallPTLR/NTLR（如附图3），即逐小时正异常格网数量的时间序列记为Rainfall PTLR，逐小时负异常格网数量的时间序列记为Rainfall NTLR。

子步骤2.2.2，统计Rainfall PTLR/NTLR时间序列中同时段所有值的中位数，得到常态下(无雨期间)的正/负异常格网数量时间序列Normal PTLR/NTLR（时间序列长度24h，如附图3）

实施例中，计算北京市2017年夏季（5月1日到8月31日）47次降雨事件过程中的逐小时正/负异常格网数量的时间序列Rainfall PTLR/NTLR和一周前同时段的正/负异常格网数量时间序列Normal PTLR/NTLR（例如，一次降雨事件时间为2017年8月21日5点-18点。则选取一周前同时段（2017年8月14日5点-18点）对对照组。若一周前同时段有降雨，则采取两周前同时段的正/负异常格网数量时间序列Normal PTLR/NTLR，依次类推）。

步骤2.3，判定一次降雨事件是否触发城市抗灾韧性阈值，进一步优选提出包括以下子步骤：

子步骤2.3.1，提取降雨事件过程中的Rainfall PTLR子序列和Normal PTLR子序列(见附图3)。

子步骤2.3.2，利用统计推断中经典统计检验方法t检验来判断两个子序列的均值是否存在显著差异。如果是，则认为人类活动行为已经显著异于常态下的人类活动行为，判定该次降雨事件触发了抗灾韧性阈值，标记该次降雨事件为Y0。反之则标记该次降雨事件为非Y0。

经典统计检验方法t具体实现为现有技术，本发明不予赘述。

注意1：子序列选取时段。由于人类活动异常通常发生在降雨强度峰值之前或之后不久，并持续一段时间而不是整个降雨事件。因此，本实施例优选提出采用滑动时间窗法寻找累积降雨量最大的时段，并利用该时段内Rainfall PTLR和Normal PTLR子时间序列进行统计显著性判断。在实施例中，优选使用了 6 小时滑动窗口，这是北京市所有降雨事件平均持续时间的一半。

注意2：只使用PTLR。观察北京市所有的降雨事件，可发现在降雨期间和无雨期间PTLR序列的平均变化量cPTLR均显著大于NTLR序列的平均变化量cNTLR。这表明降雨期间，人类活动的表现以正异常格网数量增加的趋势为主。因此实施例在判定是否触发阈值时只考虑PTLR的指标。

实施例中，经2017年5月1日到8月31日123天的数据计算，北京市Y0数量为22，非Y0数量为25；全国Y0数量为11608，非Y0数量为9913。

步骤3，根据Y0与非Y0事件的降雨特征差异，计算公众感知的抗灾韧性阈值，若某次降雨事件过程中降雨指标观测值超过该降雨阈值则判定这次降雨超出城市的抗灾韧性阈值。

实施例中，步骤3的具体实施步骤包括，

步骤3.1，分别提取Y0和非Y0期间的降雨量指标R _i 和降雨时间指标R _t 。

实施例中，步骤1.2提取了降雨事件过程中城市小时降雨量时间序列，降雨量指标I _e 是指降雨事件过程中的小时最大雨强，即城市小时降雨量时间序列的最大值；降雨时间指标D _e 是指降雨事件过程中的持续时间。根据定义分别提取Y0和非Y0期间的小时雨强指标和降雨时长指标。

步骤3.2，构建线性二元分类器来提取降雨阈值R _crit （触发定位请求异常格网数量显著增加的小时雨强阈值），也即城市的抗灾韧性阈值。实施例中该步骤包括子步骤如下：

子步骤3.2.1，构建每次降雨事件的三元组（Y0/非Y0, I _e , D _e ）

子步骤3.2.2，应用Fisher 判别分析方法来提取目标城市的决策边界线，如附图4所示，以北京市为例，×符号点代表Y0，圈符号点代表非Y0，横纵坐标分别代表降雨指标D _e 和I _e ,。应用 Fisher 判别分析方法来提取决策边界线以最小化分类错误。Fisher 判别分析方法借助方差分析的思想，利用已知各样本点的观测值构建一个线性判别函数，使得不同总体之间的离差尽可能大。Fisher 判别分析方法具体实现为现有技术，本发明不予赘述。

子步骤3.2.3，基于决策边界线就可以提取目标城市在不同降雨时长R _t 下的公众感知的降雨阈值R _crit ，当降雨指标I _e 的观测值超过R _crit ，判定这次降雨事件超出城市的抗灾韧性阈值。

实施例中，以北京为例。如附图4所示，5-8月期间，北京市降雨超过抗灾韧性R _crit 的事件数量有22次。其中，持续时间最长为66小时，如6月21-24日期间的连续降雨。由此可见，公众实际感知的降雨阈值实际上低于北京市气象部门发布降雨预警信息的阈值（如，暴雨小时降雨15mm），表明当前城市韧性预警标准过高，存在低估降雨影响的风险。根据本专利提出的城市韧性阈值及事件判定方法，可以通过腾讯这样的社交平台的海量数据采集自动判断出，北京市民在城市小时平均降雨量超过2.1mm时，便会对降雨形成感知反馈，可以发出自动告警通告。具体实施时，可以根据预设方式，将告警通告推送到相关用户使用的电脑、手机等设备。有关部门收到告警后可以考虑提醒公众防范暴雨，降低暴雨对民众的健康影响。该专利技术可应用到其他城市，可以更科学地为不同地方城市设定与当地气候条件相适宜的暴雨预警标准和管理办法提供决策支持，保障群众安全，避免相应人力和物力损失。

具体实施时，对任一城市执行以上流程，都可以得到相应的决策边界线，提取目标城市在不同降雨时长R _t 下的公众感知的降雨阈值R _crit ，当降雨指标I _e 的观测值超过R _crit ，判定这次降雨事件超出城市的抗灾韧性阈值，实现自动告警。

具体实施时，本发明技术方案提出的方法可由本领域技术人员采用计算机软件技术实现自动运行流程，实现方法的系统装置例如存储本发明技术方案相应计算机程序的计算机可读存储介质以及包括运行相应计算机程序的计算机设备，也应当在本发明的保护范围内。

在一些可能的实施例中，提供一种基于位置大数据的城市抗灾韧性阈值检测系统，包括以下模块，

第一模块，用于以历史或实时的定位请求数据为输入，提取目标城市的人类活动稳定区范围，并基于该范围提取城市所有降雨事件；

第二模块，用于提取人类活动稳定区范围内每个格网的人类活动行为响应，提取城市尺度人类活动响应，判定一次降雨事件是否触发城市抗灾韧性阈值，如果触发了城市抗灾韧性阈值，标记该次降雨事件为Y0，反之则标记该次降雨事件为非Y0；

第三模块，用于根据Y0与非Y0事件的降雨特征差异，计算公众感知的抗灾韧性阈值，若某次降雨事件过程中降雨指标观测值超过目标城市的抗灾韧性阈值，发出告警信息。

具体实施时，也可以如图1，将系统按照输入层、功能模块从层、输出层进行划分，功能模块从层中模块一、二、三分别执行步骤1、2、3的相应功能。

在一些可能的实施例中，提供一种基于位置大数据的城市抗灾韧性阈值检测系统，包括处理器和存储器，存储器用于存储程序指令，处理器用于调用存储器中的存储指令执行如上所述的一种基于位置大数据的城市抗灾韧性阈值检测方法。

在一些可能的实施例中，提供一种基于位置大数据的城市抗灾韧性阈值检测系统，包括可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序执行时，实现如上所述的一种基于位置大数据的城市抗灾韧性阈值检测方法。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (10)

1.一种基于位置大数据的城市抗灾韧性阈值检测方法，其特征在于：包括以下步骤，

步骤1，以历史或实时的定位请求数据为输入，提取目标城市的人类活动稳定区范围，并基于该范围提取城市所有降雨事件；

步骤2，提取人类活动稳定区范围内每个格网的人类活动行为响应，提取城市尺度人类活动响应，判定一次降雨事件是否触发城市抗灾韧性阈值，如果触发了城市抗灾韧性阈值，标记该次降雨事件为Y0，反之则标记该次降雨事件为非Y0；

步骤3，根据Y0与非Y0事件的降雨特征差异，计算公众感知的抗灾韧性阈值，若某次降雨事件过程中降雨指标观测值超过目标城市的抗灾韧性阈值，发出告警信息。

2.根据权利要求1所述基于位置大数据的城市抗灾韧性阈值检测方法，其特征在于：步骤1包括以下子步骤，

步骤1.1，从定位请求数据集提取小时定位请求平均值大于预设次数的所有格网作为人类活动稳定区；

步骤1.2，首先使用最近邻插值法将降水栅格数据集重采样到与定位请求数据相同的时空分辨率，然后统计每个小时落在城市人类活动稳定区范围内的平均降雨量，构成城市小时降雨时间序列，进而提取城市所有的降雨事件。

3.根据权利要求1所述基于位置大数据的城市抗灾韧性阈值检测方法，其特征在于：所述提取人类活动稳定区范围内每个格网的人类活动行为响应，实现方式如下，

对人类活动稳定区范围内每个格网的定位请求数据时间序列进行归一化处理；

从定位请求数据时间序列中有效检测出单元值高于常态的正异常和单元值低于常态的负异常。

4.根据权利要求1所述基于位置大数据的城市抗灾韧性阈值检测方法，其特征在于：所述提取城市尺度人类活动响应，实现方式如下，

统计目标城市人类活动稳定区范围内每个小时所有格网中检测出的正异常格网数量和负异常格网数量，组成目标城市逐小时正/负异常格网数量的时间序列Rainfall PTLR/NTLR；

统计时间序列Rainfall PTLR/NTLR中同时段所有值的中位数，得到无雨期间的正/负异常格网数量时间序列Normal PTLR/NTLR。

5.根据权利要求4所述基于位置大数据的城市抗灾韧性阈值检测方法，其特征在于：所述判定一次降雨事件是否触发城市抗灾韧性阈值，实现方式如下，

提取降雨事件过程中的Rainfall PTLR子序列和Normal PTLR子序列；

利用统计检验来判断两个子序列的均值是否存在差异；如果是，则认为人类活动行为已经异于常态下的人类活动行为，判定该次降雨事件触发了抗灾韧性阈值，标记该次降雨事件为Y0，反之则标记该次降雨事件为非Y0。

6.根据权利要求1所述基于位置大数据的城市抗灾韧性阈值检测方法，其特征在于：步骤3包括以下子步骤，

步骤3.1，分别提取Y0和非Y0期间的降雨量指标R _i 和降雨时间指标R _t ；

步骤3.2，构建线性二元分类器来提取降雨阈值R _crit ，当降雨指标I _e 的观测值超过R _crit ，判定这次降雨事件超出城市的抗灾韧性阈值。

7.根据权利要求6所述基于位置大数据的城市抗灾韧性阈值检测方法，其特征在于：所述降雨量指标R _i 采用小时降雨量，降雨时间指标R _t 采用降雨时长。

8.根据权利要求1或2或3或4或5或6或7所述基于位置大数据的城市抗灾韧性阈值检测方法，其特征在于：判定某次事件超过公众感知的城市抗灾韧性阈值后，发出自动告警通告。

9.一种基于位置大数据的城市抗灾韧性阈值检测系统，其特征在于：用于实现如权利要求1-8任一项所述的一种基于位置大数据的城市抗灾韧性阈值检测方法。

10.根据权利要求9所述基于位置大数据的城市抗灾韧性阈值检测系统，其特征在于：包括以下模块，

第一模块，用于以历史或实时的定位请求数据为输入，提取目标城市的人类活动稳定区范围，并基于该范围提取城市所有降雨事件；

第二模块，用于提取人类活动稳定区范围内每个格网的人类活动行为响应，提取城市尺度人类活动响应，判定一次降雨事件是否触发城市抗灾韧性阈值，如果触发了城市抗灾韧性阈值，标记该次降雨事件为Y0，反之则标记该次降雨事件为非Y0；

第三模块，用于根据Y0与非Y0事件的降雨特征差异，计算公众感知的抗灾韧性阈值，若某次降雨事件过程中降雨指标观测值超过目标城市的抗灾韧性阈值，发出告警信息。

Images