CN114363823A - 基于mr常驻地和建筑物轮廓的人口密度监测方法及系统 - Google Patents

Abstract

本发明公开了基于MR常驻地和建筑物轮廓的人口密度监测方法及系统，属于人口密度监测技术领域，包括以下步骤：S1：MR常驻地分析；S2：常驻地入楼处理；S3：建筑物汇聚处理；S4：人口密度输出。本发明引入了MR数据作为建模数据源，可以周期性地测量所有用户的网络质量；MR指纹库定位精度高达50米，比传统基站定位精度更高，能够准确地反映出各个区域的人口密度情况；以建筑物维度来对城市人口密度进行监测，颗粒度更小，更精准，也更容易应用至城市规划、功能区划分、交通规划等各个领域之中，值得被推广使用。

Description

基于MR常驻地和建筑物轮廓的人口密度监测方法及系统

技术领域

本发明涉及人口密度监测技术领域，具体涉及基于MR常驻地和建筑物轮廓的人口密度监 测方法及系统。

背景技术

随着互联网、移动物联网、物联网、云计算的不断发展，社会各个领域都 在源源不断地产生大量的数据。数据资源被各国视为未来最重要的国家资产， 推动着未来人类社会生产、生活模式的改变和创新。近两年，各国不断颁布推 动大数据发展的政策，大数据应用也开始逐渐落地，从概念阶段正式进入成熟 阶段。电信运营商作为大数据的重要拥有者，其数据具备数量体大、类型多、 真实、准确的特点；近期电信运营商因传统业务发展饱和，导致其传统业务收 入不断下滑，急需新的业务增长点，与此同时各国际运营商亦积极开展战略转 型，布局大数据等新兴领域；所以围绕当前的数据金矿，充分挖掘、发挥数据 价值是当前电信运营商的必走之路，而在诸多运营商数据核心能力中，位置能 力就是其中之一，在对内运维优化、精准营销，对外数据变现、行业应用支撑 等方面起着至关重要的作用。

传统对城市人口密度监测往往是通过基站位置信令或者固定设备等手段来实现对城市人 口密度的监测，可能存在以下缺点，如果是使用基站下挂的用户，来表示此区域的用户密度， 由于一个基站的覆盖面积在城市一般覆盖半径为200米至500米，此密度将横跨2-3个住宅 小区。平均每个区域的人员密度相同，维度过大，不能真实的反应某些区域的人口密度。而 使用固定的终端设备的话，由于采样区域有限，且用户数量较少情况下，很难能够展示出区 域的人口密度的真实情况，且监测成本很大，不适合大范围推广。因此，提出基于MR常驻地 和建筑物轮廓的人口密度监测方法及系统。

发明内容

本发明所要解决的技术问题在于：如何解决现有城市人口密度监测方法中存在的维度过 大、不能真实的反应某些区域的人口密度、监测成本大、不适合大范围推广等问题，提供了 基于MR常驻地和建筑物轮廓的人口密度监测方法，本方法基于MR常驻地和建筑物轮廓实现， 相比之下，使用MR定位结果来监测城市人口密度，首先5.12s手机终端主动上报MR，覆盖 用户全面；其次，MR上报是周期性行为，成本几乎为0；最后，MR指纹库精度高达50米，基 于道路、建筑物轮廓等信息可以将用户位置入道路、入楼宇；可以有效评价城市各个区域、 各个时段的人口密度情况。

本发明是通过以下技术方案解决上述技术问题的，本发明包括以下步骤：

S1：MR常驻地分析

通过MR指纹库定位刻画出用户轨迹，对多日用户轨迹聚类分析，分析出用户常住工作地 和常住居住地；

S2：常驻地入楼处理

基于PNPOLY算法进行点面计算，将用户常驻地归入到建筑物之中；在建筑物之外的用户 常驻地采用计算距离方式，就近依附到楼栋的原则，将用户常驻地入楼；

S3：建筑物汇聚处理

根据日工作地和日居住地分别完成所有楼栋用户数的聚合，再根据月工作地和月居住地 分别完成所有楼栋用户的聚合；

S4：人口密度输出

根据聚合结果，输出以楼栋为维度统计各楼栋日、月和工作、居住地的人口分布情况。

更进一步地，在所述步骤S1中，用户常驻地包括用户常住工作地、用户常住居住地。

更进一步地，在所述步骤S1中，用户常驻地的分析过程如下：

S11：取用户的MR测量报告信息，基于三点定位算法与MR指纹库相匹配，定位出每个用 户的每条MR测量报告的具体位置；

S12：通过对每天的时间范围内的已定位的MR测量报告分布点聚类分析，分析出用户每 天的日居住地和日工作地位置；

S13：取一段周期内的用户日居住地和用户日工作地，聚类分析出用户的常住工作地和常 住居住地。

更进一步地，在所述步骤S12中，对于工作地识别，每天的时间范围取正常的工作时间， 早上08:00-11:00、下午14:00-17:00；对于居住地识别，每天的时间范围取正常的作息时间， 凌晨00:00-06:00、20:00-24:00。

更进一步地，在所述步骤S2中，PNPOLY算法的计算过程如下：

S21：取需要判断点的纵坐标并从目标点出发引一条射线；

S22：判断射线和多边形所有边的交点数目；

S23：如果有奇数个交点，则说明在内部，即用户常驻地在楼栋内；如果有偶数个交点， 则说明在外部，即用户常驻地在楼栋外。

更进一步地，在所述步骤S3中，用户月居住地聚合过程如下：

S301：找出用户月居住地预设范围内的所有建筑物楼栋；

S302：分别将对应的日居住地落入到这些建筑物楼栋中，日居住地至建筑物范围在50米 以内；

S303：分别计算月居住地预设范围内楼栋的置信度，取置信度最高的为用户月常住居住 地楼栋，置信度＝落入楼栋的日居住地个数/日居住地总个数。

更进一步地，在所述步骤S3中，用户月工作地聚合过程如下：

S301：找出用户月工作地预设范围内的所有建筑物楼栋；

S302：分别将对应的日工作地落入到这些建筑物楼栋中，日工作地至建筑物范围在50米 以内；

S303：分别计算月工作地预设范围内楼栋的置信度，取置信度最高的为用户月常住工作 地楼栋，置信度＝落入楼栋的日工作地个数/日工作地总个数。

更进一步地，用户日工作地和用户日居住地落入到距离最近的建筑物即表示用户日居住 地楼栋和日工作地楼栋。

本发明还提供了基于MR常驻地和建筑物轮廓的人口密度监测系统，采用上述的监测方法 进行人口密度监测工作，包括：

常驻地分析模块，用于通过MR指纹库定位刻画出用户轨迹，对多日用户轨迹聚类分析， 分析出用户常住工作地和常住居住地；

常驻地处理模块，用于基于PNPOLY算法进行点面计算，将用户常驻地归入到建筑物之中； 在建筑物之外的用户常驻地采用计算距离方式，就近依附到楼栋的原则，将用户常驻地入楼；

汇聚处理模块，用于根据日工作地和日居住地分别完成所有楼栋用户数的聚合，再根据 月工作地和月居住地分别完成所有楼栋用户的聚合；

人口密度输出模块，用于根据聚合结果，输出以楼栋为维度统计各楼栋日、月和工作、 居住地的人口分布情况；

控制处理模块，用于向其他模块发出指令，完成相关动作；

所述常驻地分析模块、常驻地处理模块、汇聚处理模块、人口密度输出模块均与所述控 制处理模块通信连接。

本发明相比现有技术具有以下优点：该基于MR常驻地和建筑物轮廓的人口密度监测方 法，首先，引入了MR数据作为建模数据源，可以周期性地测量所有用户的网络质量；其次， MR指纹库定位精度高达50米，比传统基站定位精度更高，能够准确地反映出各个区域的人 口密度情况；最后，由于绝大部分时间用户都位于室内，利用精准的用户常驻地信息，将用 户常住工作地和居住地分别依附至楼栋之中，以建筑物维度来对城市人口密度进行监测，颗 粒度更小，更精准，也更容易应用至城市规划、功能区划分、交通规划等各个领域之中，值 得被推广使用。

附图说明

图1是本发明实施例二中基于MR常驻地和建筑物轮廓的人口密度监测方法的流程示意 图。

具体实施方式

下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施， 给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例一

本实施例提供一种技术方案：基于MR常驻地和建筑物轮廓的人口密度监测方法，包括以 下步骤：

S1：MR常驻地分析

通过MR指纹库定位刻画出用户轨迹，对多日用户轨迹聚类分析，分析出用户常住工作地 和常住居住地；

S2：常驻地入楼处理

基于PNPOLY算法进行点面计算，将用户常驻地归入到建筑物之中；在建筑物之外的用户 常驻地采用计算距离方式，就近依附到楼栋的原则，将用户常驻地入楼；

S3：建筑物汇聚处理

根据日工作地和日居住地分别完成所有楼栋用户数的聚合，再根据月工作地和月居住地 分别完成所有楼栋用户的聚合；

S4：人口密度输出

根据聚合结果，输出以楼栋为维度统计各楼栋日、月和工作、居住地的人口分布情况。

在本实施例中，在所述步骤S1中，用户常驻地包括用户常住工作地、用户常住居住地。

在本实施例中，在所述步骤S1中，用户常驻地的分析过程如下：

S11：取用户的MR测量报告信息，基于三点定位算法与MR指纹库相匹配，定位出每个用 户的每条MR测量报告的具体位置；

S12：通过对每天的时间范围内的已定位的MR测量报告分布点聚类分析，分析出用户每 天的日居住地和日工作地位置；

S13：取一段周期内的用户日居住地和用户日工作地，聚类分析出用户的常住工作地和常 住居住地。

在本实施例中，在所述步骤S12中，对于工作地识别，每天的时间范围取正常的工作时 间，早上08:00-11:00、下午14:00-17:00；对于居住地识别，每天的时间范围取正常的作息 时间，凌晨00:00-06:00、20:00-24:00。

在本实施例中，在所述步骤S2中，PNPOLY算法的计算过程如下：

S21：取需要判断点的纵坐标并从目标点出发引一条射线；

S22：判断射线和多边形所有边的交点数目；

S23：如果有奇数个交点，则说明在内部，即用户常驻地在楼栋内；如果有偶数个交点， 则说明在外部，即用户常驻地在楼栋外。

在本实施例中，在所述步骤S3中，用户月居住地聚合过程如下：

S301：找出用户月居住地预设范围内的所有建筑物楼栋；

S302：分别将对应的日居住地落入到这些建筑物楼栋中，日居住地至建筑物范围在50米 以内；

S303：分别计算月居住地预设范围内楼栋的置信度，取置信度最高的为用户月常住居住 地楼栋，置信度＝落入楼栋的日居住地个数/日居住地总个数。

在本实施例中，在所述步骤S3中，用户月工作地聚合过程如下：

S301：找出用户月工作地预设范围内的所有建筑物楼栋；

S302：分别将对应的日工作地落入到这些建筑物楼栋中，日工作地至建筑物范围在50米 以内；

S303：分别计算月工作地预设范围内楼栋的置信度，取置信度最高的为用户月常住工作 地楼栋，置信度＝落入楼栋的日工作地个数/日工作地总个数。

在本实施例中，用户日工作地和用户日居住地落入到距离最近的建筑物即表示用户日居 住地楼栋和日工作地楼栋。

本实施例还提供了基于MR常驻地和建筑物轮廓的人口密度监测系统，采用上述的监测方 法进行人口密度监测工作，包括：

常驻地分析模块，用于通过MR指纹库定位刻画出用户轨迹，对多日用户轨迹聚类分析， 分析出用户常住工作地和常住居住地；

常驻地处理模块，用于基于PNPOLY算法进行点面计算，将用户常驻地归入到建筑物之中； 在建筑物之外的用户常驻地采用计算距离方式，就近依附到楼栋的原则，将用户常驻地入楼；

汇聚处理模块，用于根据日工作地和日居住地分别完成所有楼栋用户数的聚合，再根据 月工作地和月居住地分别完成所有楼栋用户的聚合；

人口密度输出模块，用于根据聚合结果，输出以楼栋为维度统计各楼栋日、月和工作、 居住地的人口分布情况；

控制处理模块，用于向其他模块发出指令，完成相关动作；

所述常驻地分析模块、常驻地处理模块、汇聚处理模块、人口密度输出模块均与所述控 制处理模块通信连接。

实施例二

如图1所示，本发明是利用MR常驻地和建筑物轮廓，实现对城市人口密度进行监测，主 要数据源及流程步骤如下：

数据源说明：GIS建筑物数据：包含建筑物的边界点测绘数据，单个建筑物的测绘数据是 按顺序排列的一系列闭合数据点集合。在用户常住居住地入楼处理时，需要知道建筑物的边 界信息，根据用户的常住居住地信息和楼栋边界判断用户是否在该建筑物楼栋内。

MR常驻地：包含基于MR用户轨迹挖掘出的用户的日工作地和日居住地信息以及通过日 工作地和日居住地聚合计算出的用户的月工作地和月居住地信息。

实现流程说明：

步骤一：MR常驻地分析

通过MR指纹库定位清晰刻画出用户轨迹，对多日用户轨迹聚类分析，可以分析出用户常 住工作地和常住居住地，精度高达50米。

在步骤一中，用户常驻地的分析过程如下：

首先取用户的MR测量报告信息，基于三点定位算法与MR指纹库相匹配，定位出每个用 户的每条MR测量报告的具体位置；具体为取用户的MR测量报告信息，基于三点定位算法与 MR指纹库相匹配，定位出每个用户的每条MR测量报告的具体位置。

具体实现为首先需要建立一个MR指纹库，取MR数据和S1-U数据(xdr信令数据，含有 具体经纬度信息，关联度较低，可作为建库基础数据使用)相关联，取出关联结果并落入到 对应的50米栅格中，根据栅格中落入的点，分别计算每个栅格的特征信息(包含平均电平值、 主小区信息、邻区信息、ta值等)，即为MR指纹库；最后定位的过程中，对于每一条需要定 位的MR测量报告信息，取其特征信息与MR指纹库相匹配，根据三点定位算法，找出三个与 该MR测量报告信息特征最为接近的栅格，计算三个栅格的平均经纬度即为该MR测量报告信 息的最终位置。

然后通过对每天的时间范围内的已定位的MR测量报告分布点聚类分析，分析出用户每天 的日居住地和日工作地位置；对于工作地识别，一般取正常的工作时间，早上08:00-11:00、 下午14:00-17:00。对于居住地识别，一般取正常的作息时间，凌晨00:00-06:00、20:00- 24:00；

最后取一段周期内的用户日居住地和用户日工作地，聚类分析出用户的常住工作地和常 住居住地。

步骤二：常驻地入楼处理

基于PNPOLY算法进行点面计算，将用户常驻地(包括日常驻地与月常驻地)归入到建筑 物之中；在建筑物之外的用户常驻地采用计算距离方式，就近依附到楼栋的原则，将用户常 驻地入楼。

在步骤二中，PNPOLY算法规则如下：

首先，需要取判断点的纵坐标并从目标点出发引一条射线。然后，判断射线和多边形所 有边的交点数目；最后，如果有奇数个交点，则说明在内部，即用户常驻地在楼栋内；如果 有偶数个交点，则说明在外部，即用户常驻地在楼栋外。

步骤三：建筑物汇聚处理

根据日工作地和日居住地分别完成所有楼栋用户数的聚合，再根据月工作地和月居住地 分别完成所有楼栋用户的聚合。由于人大部分时间都是处于室内之中，所以利用用户常驻地 和建筑物关系，可以有效地表现出城市人口的密度情况。

在步骤三中，用户月居住地聚合过程首先找出用户月居住地500米范围内的所有建筑物 楼栋；再分别将对应的日居住地落入到这些建筑物楼栋中，日居住地至建筑物范围在50米以 内；分别计算月居住地500米范围内楼栋的置信度(置信度＝落入楼栋的日居住地个数/日居 住地总个数)，取置信度最高的为用户月常住居住地楼栋。

在步骤三中，用户月工作地聚合过程首先找出用户月工作地500米范围内的所有建筑物 楼栋；再分别将对应的日工作地落入到这些建筑物楼栋中，日工作地至建筑物范围在50米以 内；分别计算月工作地500米范围内楼栋的置信度(置信度＝落入楼栋的日工作地个数/日工 作地总个数)，取置信度最高的为用户月常住工作地楼栋。

在步骤三的上述两种聚合过程中，用户日工作地和用户日居住地落入到距离最近的建筑 物即表示用户日居住地楼栋和日工作地楼栋。

步骤四：人口密度输出

根据聚合结果，输出以楼栋为维度统计各楼栋日、月和工作、居住地的人口分布情况。

在步骤四中，通过对楼栋维度的延伸，可指定一个或多个区域，统计区域内包含的所有 楼栋日、月和工作、居住地的人口分布情况，即可实现对指定区域的人口密度做监测分析， 进而用于可视化城市人口密度监测。城市区域人口密度监测可应用于城市规划、功能区划分、 交通线路规划等应用场景，效果显著。

需要说明的是，在实际的应用实例中，实现效果最显著的是为某家餐饮企业提供指定区 域每天的人口密度分布情况。背景是餐饮企业想要在某一大型商业综合体开一家餐饮店，通 过实地考察，无法找到有效方法统计分析这一商超(商场超市)及其周边建筑物区域的人口 密度，希望有一种科学有效的方法能够反映这一商超一个月内的人口密度情况及其周边建筑 物小区居住地、工作地人群分布情况。通过本实施例中基于MR常驻地和建筑物轮廓的人口密 度监测方法，分别统计分析了这一商超一个月内工作日和周末每个时间段的人口密度情况以 及周边建筑物的居住地用户数、工作地用户数情况，对这一商超综合体实现了数字化分析， 给客户精确的数据支撑，客户非常满意。

需要注意的是，在本实施例中，常驻地包括常住居住地与常住工作地，常住地即常住居 住地，同时也是用户居住地，工作地即常住工作地，同时也是用户工作地。

综上所述，上述实施例的基于MR常驻地和建筑物轮廓的人口密度监测方法，首先，引入 了MR数据作为建模数据源，可以周期性地测量所有用户的网络质量；其次，MR指纹库定位 精度高达50米，比传统基站定位精度更高，能够准确地反映出各个区域的人口密度情况；最 后，由于绝大部分时间用户都位于室内，利用精准的用户常驻地信息，将用户常住工作地和 居住地分别依附至楼栋之中，以建筑物维度来对城市人口密度进行监测，颗粒度更小，更精 准，也更容易应用至城市规划、功能区划分、交通规划等各个领域之中，值得被推广使用。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的， 不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进 行变化、修改、替换和变型。

Claims (9)

1.基于MR常驻地和建筑物轮廓的人口密度监测方法，其特征在于，包括以下步骤：

S1：MR常驻地分析

通过MR指纹库定位刻画出用户轨迹，对多日用户轨迹聚类分析，分析出用户常住工作地和常住居住地；

S2：常驻地入楼处理

基于PNPOLY算法进行点面计算，将用户常驻地归入到建筑物之中；在建筑物之外的用户常驻地采用计算距离方式，就近依附到楼栋的原则，将用户常驻地入楼；

S3：建筑物汇聚处理

根据日工作地和日居住地分别完成所有楼栋用户数的聚合，再根据月工作地和月居住地分别完成所有楼栋用户的聚合；

S4：人口密度输出

根据聚合结果，输出以楼栋为维度统计各楼栋日、月和工作、居住地的人口分布情况。

2.根据权利要求1所述的基于MR常驻地和建筑物轮廓的人口密度监测方法，其特征在于：在所述步骤S1中，用户常驻地包括用户常住工作地、用户常住居住地。

3.根据权利要求2所述的基于MR常驻地和建筑物轮廓的人口密度监测方法，其特征在于：在所述步骤S1中，用户常驻地的分析过程如下：

S11：取用户的MR测量报告信息，基于三点定位算法与MR指纹库相匹配，定位出每个用户的每条MR测量报告的具体位置；

S12：通过对每天的时间范围内的已定位的MR测量报告分布点聚类分析，分析出用户每天的日居住地和日工作地位置；

S13：取一段周期内的用户日居住地和用户日工作地，聚类分析出用户的常住工作地和常住居住地。

4.根据权利要求3所述的基于MR常驻地和建筑物轮廓的人口密度监测方法，其特征在于：在所述步骤S12中，对于工作地识别，每天的时间范围取正常的工作时间，早上08:00-11:00、下午14:00-17:00；对于居住地识别，每天的时间范围取正常的作息时间，凌晨00:00-06:00、20:00-24:00。

5.根据权利要求4所述的基于MR常驻地和建筑物轮廓的人口密度监测方法，其特征在于：在所述步骤S2中，PNPOLY算法的计算过程如下：

S21：取需要判断点的纵坐标并从目标点出发引一条射线；

S22：判断射线和多边形所有边的交点数目；

S23：如果有奇数个交点，则说明在内部，即用户常驻地在楼栋内；如果有偶数个交点，则说明在外部，即用户常驻地在楼栋外。

6.根据权利要求5所述的基于MR常驻地和建筑物轮廓的人口密度监测方法，其特征在于：在所述步骤S3中，用户月居住地聚合过程如下：

S301：找出用户月居住地预设范围内的所有建筑物楼栋；

S302：分别将对应的日居住地落入到这些建筑物楼栋中，日居住地至建筑物范围在50米以内；

S303：分别计算月居住地预设范围内楼栋的置信度，取置信度最高的为用户月常住居住地楼栋，置信度＝落入楼栋的日居住地个数/日居住地总个数。

7.根据权利要求6所述的基于MR常驻地和建筑物轮廓的人口密度监测方法，其特征在于：在所述步骤S3中，用户月工作地聚合过程如下：

S301：找出用户月工作地预设范围内的所有建筑物楼栋；

S302：分别将对应的日工作地落入到这些建筑物楼栋中，日工作地至建筑物范围在50米以内；

S303：分别计算月工作地预设范围内楼栋的置信度，取置信度最高的为用户月常住工作地楼栋，置信度＝落入楼栋的日工作地个数/日工作地总个数。

8.根据权利要求7所述的基于MR常驻地和建筑物轮廓的人口密度监测方法，其特征在于：用户日工作地和用户日居住地落入到距离最近的建筑物即表示用户日居住地楼栋和日工作地楼栋。

9.基于MR常驻地和建筑物轮廓的人口密度监测系统，其特征在于：采用如权利要求1～8任一项所述的监测方法进行人口密度监测工作，包括：

常驻地分析模块，用于通过MR指纹库定位刻画出用户轨迹，对多日用户轨迹聚类分析，分析出用户常住工作地和常住居住地；

常驻地处理模块，用于基于PNPOLY算法进行点面计算，将用户常驻地归入到建筑物之中；在建筑物之外的用户常驻地采用计算距离方式，就近依附到楼栋的原则，将用户常驻地入楼；

汇聚处理模块，用于根据日工作地和日居住地分别完成所有楼栋用户数的聚合，再根据月工作地和月居住地分别完成所有楼栋用户的聚合；

人口密度输出模块，用于根据聚合结果，输出以楼栋为维度统计各楼栋日、月和工作、居住地的人口分布情况；

控制处理模块，用于向其他模块发出指令，完成相关动作；

所述常驻地分析模块、常驻地处理模块、汇聚处理模块、人口密度输出模块均与所述控制处理模块通信连接。

Images