CN116128128A - 基于智能体图谱的城市职住平衡预测方法、系统和介质 - Google Patents
基于智能体图谱的城市职住平衡预测方法、系统和介质 Download PDFInfo
- Publication number
- CN116128128A CN116128128A CN202310059124.6A CN202310059124A CN116128128A CN 116128128 A CN116128128 A CN 116128128A CN 202310059124 A CN202310059124 A CN 202310059124A CN 116128128 A CN116128128 A CN 116128128A
- Authority
- CN
- China
- Prior art keywords
- base station
- data
- residence
- user
- working
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012216 screening Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000011664 signaling Effects 0.000 claims description 7
- 238000007726 management method Methods 0.000 abstract description 4
- 238000010295 mobile communication Methods 0.000 description 5
- 230000001413 cellular effect Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000009435 building construction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开的一种基于智能体图谱的城市职住平衡预测方法、系统和介质,其中方法包括:获取用户的驻留基站数据,并基于所述驻留基站数据构建智能体图谱;基于所述驻留基站数据结合所述智能体图谱筛选当前用户对应的工作地数据以及居住地数据;在预设时间内得到当前用户对应的工作点以及居住点,以及工作点与居住点之间的距离;统计自然月内所述距离的均值距离,判断所述均值距离是否小于或者等于预设的通勤距离,若是,则表明当前用户是职住平衡人口;否则表明当前用户是非职住平衡人口。本发明通过智能体图谱上的信息挖掘出其中隐含的工作地、居住地信息,进而计算出用户的通勤距离及职住平衡人口比例,为城市规划管理提供有力的数据支撑。
Description
技术领域
本发明涉及移动通信技术领域,更具体的,涉及一种基于智能体图谱的城市职住平衡预测方法、系统和介质。
背景技术
职住平衡问题直接影响交通功能的良性运转。所谓职住平衡是城市规划领域的一个术语,其基本内涵是指在某一给定的地域范围内,大部分居民可以就近工作;通勤交通可采用步行、自行车或者其他的非机动车方式;即使是使用机动车,出行距离和时间也比较短,限定在一个合理的范围内,这样就有利于减少机动车尤其是小汽车的使用,从而减少交通拥堵和空气污染。
鉴于当前城市人口调控需求,统计部门需要运用大数据开展人口数据的动态监测,完善现有的人口监测体系,探索产业调控、功能布局与人口发展之间的关系,并实现定期追踪掌握疏解人口流向,及时预警区域人口变化趋势。随着移动通信规模的不断扩大以及技术的不断发展,大规模通信数据特别是轨迹数据的存储已实现,因此以移动通信大数据分析为研究手段对城市人口规模及流动情况进行估算已成为可能。
发明内容
本发明的目的是提供一种基于智能体图谱的城市职住平衡预测方法、系统和介质,通过智能体图谱上的信息挖掘出其中隐含的工作地、居住地信息,进而计算出用户的通勤距离及职住平衡人口比例,为城市规划管理提供有力的数据支撑。
本发明第一方面提供了一种基于智能体图谱的城市职住平衡预测方法,包括以下步骤:
获取用户的驻留基站数据,并基于所述驻留基站数据构建智能体图谱;
基于所述驻留基站数据结合所述智能体图谱筛选当前用户对应的工作地数据以及居住地数据;
在预设时间内分别对所述工作地数据以及所述居住地数据进行数据处理得到当前用户对应的工作点以及居住点,以及所述工作点与所述居住点之间的距离;
统计自然月内所述距离的均值距离,判断所述均值距离是否小于或者等于预设的通勤距离,其中,
若是,则表明当前用户是职住平衡人口;若否,则表明当前用户是非职住平衡人口。
本方案中,所述获取用户的驻留基站数据,并基于所述驻留基站数据构建智能体图谱,具体包括:
采集用户IMSI的轨迹数据,基于所述轨迹数据识别用户驻留基站群以得到所述驻留基站数据;
识别各个基站的坐标数据,并基于各所述基站对应的地域特征数据及各所述基站对应的场景数据进行标注,以构建所述智能体图谱。
本方案中,所述基于所述驻留基站数据结合所述智能体图谱筛选当前用户对应的工作地数据以及居住地数据,具体包括:
获取用户IMSI在预设的工作时间内所访问的第一基站群,并统计用户IMSI在所述第一基站群中每个基站停留的时间以得到所述工作地数据;
获取用户IMSI在预设的非工作时间内所访问的第二基站群,并统计用户IMSI在所述第二基站群中每个基站停留的时间以得到所述居住地数据。
本方案中,所述在预设时间内分别对所述工作地数据以及所述居住地数据进行数据处理得到当前用户对应的工作点以及居住点,以及所述工作点与所述居住点之间的距离具体包括:
基于所述预设时间识别所述工作时间以及所述非工作时间;
在所述工作时间内识别用户IMSI在所述第一基站群中基站停留的时间最长的一个基站作为所述工作地;
在所述非工作时间内识别用户IMSI在所述第二基站群中基站停留的时间最长的一个基站作为所述居住地;
基于工作地基站以及居住地基站的经纬度计算得到所述工作点与所述居住点之间的距离。
本方案中,所述方法还包括统计城市职住平衡人口所占百分比,其中,取判断结果表明当前用户是职住平衡人口的总人数作为分子,取当前城市自然月内所有的常住人口数目作为分母,以此得到城市职住平衡人口所占百分比。
本方案中,所述方法还包括对所述驻留基站数据进行预处理,其中,预处理方式至少包括:对进出基站的缺失信令进行插值补偿。
本发明第二方面还提供一种基于智能体图谱的城市职住平衡预测系统,包括存储器和处理器,所述存储器中包括基于智能体图谱的城市职住平衡预测方法程序,所述基于智能体图谱的城市职住平衡预测方法程序被所述处理器执行时实现如下步骤:
获取用户的驻留基站数据,并基于所述驻留基站数据构建智能体图谱;
基于所述驻留基站数据结合所述智能体图谱筛选当前用户对应的工作地数据以及居住地数据;
在预设时间内分别对所述工作地数据以及所述居住地数据进行数据处理得到当前用户对应的工作点以及居住点,以及所述工作点与所述居住点之间的距离;
统计自然月内所述距离的均值距离,判断所述均值距离是否小于或者等于预设的通勤距离,其中,
若是,则表明当前用户是职住平衡人口;若否,则表明当前用户是非职住平衡人口。
本方案中,所述获取用户的驻留基站数据,并基于所述驻留基站数据构建智能体图谱,具体包括:
采集用户IMSI的轨迹数据,基于所述轨迹数据识别用户驻留基站群以得到所述驻留基站数据;
识别各个基站的坐标数据,并基于各所述基站对应的地域特征数据及各所述基站对应的场景数据进行标注,以构建所述智能体图谱。
本方案中,所述基于所述驻留基站数据结合所述智能体图谱筛选当前用户对应的工作地数据以及居住地数据,具体包括:
获取用户IMSI在预设的工作时间内所访问的第一基站群,并统计用户IMSI在所述第一基站群中每个基站停留的时间以得到所述工作地数据;
获取用户IMSI在预设的非工作时间内所访问的第二基站群,并统计用户IMSI在所述第二基站群中每个基站停留的时间以得到所述居住地数据。
本方案中,所述在预设时间内分别对所述工作地数据以及所述居住地数据进行数据处理得到当前用户对应的工作点以及居住点,以及所述工作点与所述居住点之间的距离具体包括:
基于所述预设时间识别所述工作时间以及所述非工作时间;
在所述工作时间内识别用户IMSI在所述第一基站群中基站停留的时间最长的一个基站作为所述工作地;
在所述非工作时间内识别用户IMSI在所述第二基站群中基站停留的时间最长的一个基站作为所述居住地;
基于工作地基站以及居住地基站的经纬度计算得到所述工作点与所述居住点之间的距离。
本方案中,所述方法还包括统计城市职住平衡人口所占百分比,其中,取判断结果表明当前用户是职住平衡人口的总人数作为分子,取当前城市自然月内所有的常住人口数目作为分母,以此得到城市职住平衡人口所占百分比。
本方案中,所述方法还包括对所述驻留基站数据进行预处理,其中,预处理方式至少包括:对进出基站的缺失信令进行插值补偿。
本发明第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质中包括机器的一种基于智能体图谱的城市职住平衡预测方法程序,所述基于智能体图谱的城市职住平衡预测方法程序被处理器执行时,实现如上述任一项所述的一种基于智能体图谱的城市职住平衡预测方法的步骤。
本发明公开的一种基于智能体图谱的城市职住平衡预测方法、系统和介质,通过智能体图谱上的信息挖掘出其中隐含的工作地、居住地信息,进而计算出用户的通勤距离及职住平衡人口比例,为城市规划管理提供有力的数据支撑;通过智能体图谱对用户的工作地、居住地进行预测,数据来源可靠,判断方法简单,预测结果准确度高,对利用通信大数据进行人口统计和监测的做法提供了有利支持。
附图说明
图1示出了本发明一种基于智能体图谱的城市职住平衡预测方法的流程图;
图2示出了本发明一种基于智能体图谱的城市职住平衡预测系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
职住平衡问题是直接影响到智慧城市建设的关键问题,它对人们的日常生活有着重大的影响,传统的做法费时费力,需要大量的人力成本和社会成本。而采用移动通信大数据的分析方法对人口规模及流动情况进行估算是非常节约人力物力的有效手段,因此本申请在此基础上提出的采用智能体图谱的城市职住平衡人口统计方法将具有更高的可信度和准确性。
随着移动通信大数据的积累和发展,使得采用大数据分析手段对职住平衡问题进行统计成为可能,而现有方法没有融合地理信息和地貌特征,直接对职住平衡人口进行预测在准确性上稍逊一筹。本发明采用智能体图谱的方式,通过构建具有地理信息和地貌特征的智能体图谱,从而对人口的居住地和工作地进行有效的筛选,通过复原基站的场景信息和地貌信息我们可以对该地区是否是常用居住地或工作地进行判断,从而在预测前将非居住地和非工作地进行删除,在预测准确性上给了算法进一步的保障。
本发明可用于对任意一个城市的职住平衡人口进行统计。以下实施例是对北京市的职住平衡人口进行统计。目前学界一般认为应该把一个城市中平均的或者中等程度的通勤距离作为职住平衡距离,因此本实施例中将北京市的平均通勤距离“17.4”公里作为合理的通勤距离,将小于北京市平均通勤距离的人口作为职住平衡人口。
图1示出了本申请一种基于智能体图谱的城市职住平衡预测方法的流程图。
如图1所示,本申请公开了一种基于智能体图谱的城市职住平衡预测方法,包括以下步骤:
S102,获取用户的驻留基站数据,并基于所述驻留基站数据构建智能体图谱;
S108,基于所述驻留基站数据结合所述智能体图谱筛选当前用户对应的工作地数据以及居住地数据;
S110,在预设时间内分别对所述工作地数据以及所述居住地数据进行数据处理得到当前用户对应的工作点以及居住点,以及所述工作点与所述居住点之间的距离;
S112,统计自然月内所述距离的均值距离,判断所述均值距离是否小于或者等于预设的通勤距离;
S114,表明当前用户是职住平衡人口;
S116,表明当前用户是非职住平衡人口。
需要说明的是,于本实施例中,通过获取用户的驻留基站数据以构建智能体图谱,其中,获取的是不同用户的驻留基站数据来得以构建所述智能体图谱,从而可以根据需要,基于当前用户的驻留基站数据结合所述智能体图谱识别对应当前用户的工作地数据以及居住地数据,进而识别出当前用户对应的工作点以及居住点,以及所述工作点与所述居住点之间的距离,获取到工作点与所述居住点之间的距离后,计算自然月内所述距离的均值距离,结合预设的通勤距离进行比较以判断出当前用户是否为所述职住平衡人口,若所述均值距离小于或者等于所述通勤距离,则表明当前用户是职住平衡人口,若所述均值距离大于所述通勤距离,则表明当前用户是所述非职住平衡人口,对应地,以北京市为例,所述通勤距离为“17.4”公里,则表明当前用户的所述均值距离若小于或者等于“17.4”公里,则当前用户为所述职住平衡人口,否则为所述非职住平衡人口。
根据本发明实施例,所述获取用户的驻留基站数据,并基于所述驻留基站数据构建智能体图谱,具体包括:
采集用户IMSI的轨迹数据,基于所述轨迹数据识别用户驻留基站群以得到所述驻留基站数据;
识别各个基站的坐标数据,并基于各所述基站对应的地域特征数据及各所述基站对应的场景数据进行标注,以构建所述智能体图谱。
需要说明的是,于本实施例中,以北京市为例,采集用户的IMSI轨迹数据具体是北京市“2022年7月1日到31日”之间的手机信令数据,其中,国际移动用户识别码(英语:IMSI,International Mobile Subscriber Identity),是用于区分蜂窝网络中不同用户的、在所有蜂窝网络中不重复的识别码,基于所述轨迹数据识别用户驻留基站群;识别各个预设基站的坐标数据,并基于地域特征数据及各所述预设基站对应的场景数据进行标注,以构建所述智能体图谱。
具体地,根据各所述预设基站的经纬度得到所述坐标数据;结合预设的POI数据以及GIS数据,将每个所述预设基站与其所在地的物理场景进行匹配以得到各所述预设基站对应的所述场景数据;基于所述场景数据对各所述预设基站进行标注,以构建具有场景信息的所述智能体图谱,为建立对地域相貌的初步认知,通过获取的目标地域的特征数据构建生成虚拟现实场景的地域多模态智能体图谱,我们获取地域场景中各特征事物包括区域楼房建筑等在空间上的位置关系并建立具有地域特征的智能体图谱,其中,POI数据即对应于预设基站,GIS数据对应于物理场景数据。
根据本发明实施例,所述基于所述驻留基站数据结合所述智能体图谱筛选当前用户对应的工作地数据以及居住地数据,具体包括:
获取用户IMSI在预设的工作时间内所访问的第一基站群,并统计用户IMSI在所述第一基站群中每个基站停留的时间以得到所述工作地数据;
获取用户IMSI在预设的非工作时间内所访问的第二基站群,并统计用户IMSI在所述第二基站群中每个基站停留的时间以得到所述居住地数据。
需要说明的是,于本实施例中,每次读取一个用户IMSI及其在工作时间所访问过的所有基站得到所述第一基站群,根据其轨迹数据及智能体图谱上的地域特征数据和场景数据,将一个用户IMSI所对应的所有工作时间段内所访问过的可能的工作地基站列成一个统计表,并进一步统计出在每个基站停留的时长,以得到所述工作地数据,其中,所述工作时间可设置为“9:00 AM-16:00PM”;每次读取一个用户IMSI及其在休息时间(非工作时间)所访问过的所有基站以得到所述第二基站群,根据其轨迹数据及智能体图谱上的地域特征数据和场景数据,将一个用户IMSI所对应的所有休息时间段内所访问过的可能的居住地基站列成一个统计表,并进一步统计出在每个基站停留的时长,其中,所述非工作时间可设置为“20:00PM-5:00AM”。
根据本发明实施例,所述在预设时间内分别对所述工作地数据以及所述居住地数据进行数据处理得到当前用户对应的工作点以及居住点,以及所述工作点与所述居住点之间的距离具体包括:
基于所述预设时间识别所述工作时间以及所述非工作时间;
在所述工作时间内识别用户IMSI在所述第一基站群中基站停留的时间最长的一个基站作为所述工作地;
在所述非工作时间内识别用户IMSI在所述第二基站群中基站停留的时间最长的一个基站作为所述居住地;
基于工作地基站以及居住地基站的经纬度计算得到所述工作点与所述居住点之间的距离。
需要说明的是,于本实施例中,在所述工作时间“9:00AM-16:00PM”内将用户IMSI驻留时间最长的一个基站作为所述工作地,在所述非工作时间“20:00PM-5:00AM”内将用户IMSI驻留时间最长的一个基站作为所述居住地,并根据具体基站所对应的经纬度,计算居住地和工作地之间的距离,其中,工作时间与所述非工作时间可以根据需要进行更改。
值得一提的是,按照以下公式计算两个基站之间的距离,公式如下:
Dis=R*acos(sinpi(y1/180)*sinpi(y2/180)+cospi(y1/180)*cospi(y2/180)*cospi((x1-x2)/180))
其中,Dis表示两个基站之间的距离,R表示地球半径;x1、x2分别表示两个基站所在位置的经度,y1、y2分别表示两个基站所在位置的纬度。
根据本发明实施例,所述方法还包括统计城市职住平衡人口所占百分比,其中,取判断结果表明当前用户是职住平衡人口的总人数作为分子,取当前城市自然月内所有的常住人口数目作为分母,以此得到城市职住平衡人口所占百分比。
需要说明的是,于本实施例中,将所有所述均值距离小于或者等于所述通勤距离的用户IMSI对应的总人数作为分子,以北京市为例,该市当月所有的常住人口数目作为分母,即统计出北京市在当月的职住平衡人口所占的百分比。
根据本发明实施例,所述方法还包括对所述驻留基站数据进行预处理,其中,预处理方式至少包括:对进出基站的缺失信令进行插值补偿。
需要说明的是,于本实施例中,为保证数据的完整性,如果用户在预设时间段内只有进入某扇区时间而没有离开该扇区时间,或者只有离开某扇区时间而没有进入该扇区时间,则需要对缺失数据进行插补,插补时间点是该统计时间段的起始时间和结束时间,例如A用户在“7月1日23:00:00”进入扇区X,在“7月2日7:00:00”离开扇区X,且A用户进入扇区Y的时间为“7月2日23:00:00”,而离开的时间为“7月3日的 7:00:00”,当采集7月2日A用户的信息时将缺失进入扇区X的时间点和离开扇区Y的时间点,因此需要插补进入扇区X的时间为“7月2日的00:00:00”,离开扇区Y的时间点为“7月2日23:59:59”。
图2示出了本发明一种基于智能体图谱的城市职住平衡预测系统的框图。
如图2所示,本发明公开了一种基于智能体图谱的城市职住平衡预测系统,包括存储器和处理器,所述存储器中包括基于智能体图谱的城市职住平衡预测方法程序,所述基于智能体图谱的城市职住平衡预测方法程序被所述处理器执行时实现如下步骤:
获取用户的驻留基站数据,并基于所述驻留基站数据构建智能体图谱;
基于所述驻留基站数据结合所述智能体图谱筛选当前用户对应的工作地数据以及居住地数据;
在预设时间内分别对所述工作地数据以及所述居住地数据进行数据处理得到当前用户对应的工作点以及居住点,以及所述工作点与所述居住点之间的距离;
统计自然月内所述距离的均值距离,判断所述均值距离是否小于或者等于预设的通勤距离,其中,
若是,则表明当前用户是职住平衡人口;若否,则表明当前用户是非职住平衡人口。
需要说明的是,于本实施例中,通过获取用户的驻留基站数据以构建智能体图谱,其中,获取的是不同用户的驻留基站数据来得以构建所述智能体图谱,从而可以根据需要,基于当前用户的驻留基站数据结合所述智能体图谱识别对应当前用户的工作地数据以及居住地数据,进而识别出当前用户对应的工作点以及居住点,以及所述工作点与所述居住点之间的距离,获取到工作点与所述居住点之间的距离后,计算自然月内所述距离的均值距离,结合预设的通勤距离进行比较以判断出当前用户是否为所述职住平衡人口,若所述均值距离小于或者等于所述通勤距离,则表明当前用户是职住平衡人口,若所述均值距离大于所述通勤距离,则表明当前用户是所述非职住平衡人口,对应地,以北京市为例,所述通勤距离为“17.4”公里,则表明当前用户的所述均值距离若小于或者等于“17.4”公里,则当前用户为所述职住平衡人口,否则为所述非职住平衡人口。
根据本发明实施例,所述获取用户的驻留基站数据,并基于所述驻留基站数据构建智能体图谱,具体包括:
采集用户IMSI的轨迹数据,基于所述轨迹数据识别用户驻留基站群以得到所述驻留基站数据;
识别各个基站的坐标数据,并基于各所述基站对应的地域特征数据及各所述基站对应的场景数据进行标注,以构建所述智能体图谱。
需要说明的是,于本实施例中,以北京市为例,采集用户的IMSI轨迹数据具体是北京市“2022年7月1日到31日”之间的手机信令数据,其中,国际移动用户识别码(英语:IMSI,International Mobile Subscriber Identity),是用于区分蜂窝网络中不同用户的、在所有蜂窝网络中不重复的识别码,基于所述轨迹数据识别用户驻留基站群;识别各个预设基站的坐标数据,并基于地域特征数据及各所述预设基站对应的场景数据进行标注,以构建所述智能体图谱。
具体地,根据各所述预设基站的经纬度得到所述坐标数据;结合预设的POI数据以及GIS数据,将每个所述预设基站与其所在地的物理场景进行匹配以得到各所述预设基站对应的所述场景数据;基于所述场景数据对各所述预设基站进行标注,以构建具有场景信息的所述智能体图谱,为建立对地域相貌的初步认知,通过获取的目标地域的特征数据构建生成虚拟现实场景的地域多模态智能体图谱,我们获取地域场景中各特征事物包括区域楼房建筑等在空间上的位置关系并建立具有地域特征的智能体图谱,其中,POI数据即对应于预设基站,GIS数据对应于物理场景数据。
根据本发明实施例,所述基于所述驻留基站数据结合所述智能体图谱筛选当前用户对应的工作地数据以及居住地数据,具体包括:
获取用户IMSI在预设的工作时间内所访问的第一基站群,并统计用户IMSI在所述第一基站群中每个基站停留的时间以得到所述工作地数据;
获取用户IMSI在预设的非工作时间内所访问的第二基站群,并统计用户IMSI在所述第二基站群中每个基站停留的时间以得到所述居住地数据。
需要说明的是,于本实施例中,每次读取一个用户IMSI及其在工作时间所访问过的所有基站得到所述第一基站群,根据其轨迹数据及智能体图谱上的地域特征数据和场景数据,将一个用户IMSI所对应的所有工作时间段内所访问过的可能的工作地基站列成一个统计表,并进一步统计出在每个基站停留的时长,以得到所述工作地数据,其中,所述工作时间可设置为“9:00 AM-16:00PM”;每次读取一个用户IMSI及其在休息时间(非工作时间)所访问过的所有基站以得到所述第二基站群,根据其轨迹数据及智能体图谱上的地域特征数据和场景数据,将一个用户IMSI所对应的所有休息时间段内所访问过的可能的居住地基站列成一个统计表,并进一步统计出在每个基站停留的时长,其中,所述非工作时间可设置为“20:00PM-5:00AM”。
根据本发明实施例,所述在预设时间内分别对所述工作地数据以及所述居住地数据进行数据处理得到当前用户对应的工作点以及居住点,以及所述工作点与所述居住点之间的距离具体包括:
基于所述预设时间识别所述工作时间以及所述非工作时间;
在所述工作时间内识别用户IMSI在所述第一基站群中基站停留的时间最长的一个基站作为所述工作地;
在所述非工作时间内识别用户IMSI在所述第二基站群中基站停留的时间最长的一个基站作为所述居住地;
基于工作地基站以及居住地基站的经纬度计算得到所述工作点与所述居住点之间的距离。
需要说明的是,于本实施例中,在所述工作时间“9:00AM-16:00PM”内将用户IMSI驻留时间最长的一个基站作为所述工作地,在所述非工作时间“20:00PM-5:00AM”内将用户IMSI驻留时间最长的一个基站作为所述居住地,并根据具体基站所对应的经纬度,计算居住地和工作地之间的距离,其中,工作时间与所述非工作时间可以根据需要进行更改。
值得一提的是,按照以下公式计算两个基站之间的距离,公式如下:
Dis=R*acos(sinpi(y1/180)*sinpi(y2/180)+cospi(y1/180)*cospi(y2/180)*cospi((x1-x2)/180))
其中,Dis表示两个基站之间的距离,R表示地球半径;x1、x2分别表示两个基站所在位置的经度,y1、y2分别表示两个基站所在位置的纬度。
根据本发明实施例,所述方法还包括统计城市职住平衡人口所占百分比,其中,取判断结果表明当前用户是职住平衡人口的总人数作为分子,取当前城市自然月内所有的常住人口数目作为分母,以此得到城市职住平衡人口所占百分比。
需要说明的是,于本实施例中,将所有所述均值距离小于或者等于所述通勤距离的用户IMSI对应的总人数作为分子,以北京市为例,该市当月所有的常住人口数目作为分母,即统计出北京市在当月的职住平衡人口所占的百分比。
根据本发明实施例,所述方法还包括对所述驻留基站数据进行预处理,其中,预处理方式至少包括:对进出基站的缺失信令进行插值补偿。
需要说明的是,于本实施例中,为保证数据的完整性,如果用户在预设时间段内只有进入某扇区时间而没有离开该扇区时间,或者只有离开某扇区时间而没有进入该扇区时间,则需要对缺失数据进行插补,插补时间点是该统计时间段的起始时间和结束时间,例如A用户在“7月1日23:00:00”进入扇区X,在“7月2日7:00:00”离开扇区X,且A用户进入扇区Y的时间为“7月2日23:00:00”,而离开的时间为“7月3日的 7:00:00”,当采集7月2日A用户的信息时将缺失进入扇区X的时间点和离开扇区Y的时间点,因此需要插补进入扇区X的时间为“7月2日的00:00:00”,离开扇区Y的时间点为“7月2日23:59:59”。
本发明第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质中包括一种基于智能体图谱的城市职住平衡预测方法程序,所述基于智能体图谱的城市职住平衡预测方法程序被处理器执行时,实现如上述任一项所述的一种基于智能体图谱的城市职住平衡预测方法的步骤。
本发明公开的一种基于智能体图谱的城市职住平衡预测方法、系统和介质,通过智能体图谱上的信息挖掘出其中隐含的工作地、居住地信息,进而计算出用户的通勤距离及职住平衡人口比例,为城市规划管理提供有力的数据支撑;通过智能体图谱对用户的工作地、居住地进行预测,数据来源可靠,判断方法简单,预测结果准确度高,对利用通信大数据进行人口统计和监测的做法提供了有利支持。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种基于智能体图谱的城市职住平衡预测方法,其特征在于,包括以下步骤:
获取用户的驻留基站数据,并基于所述驻留基站数据构建智能体图谱;
基于所述驻留基站数据结合所述智能体图谱筛选当前用户对应的工作地数据以及居住地数据;
在预设时间内分别对所述工作地数据以及所述居住地数据进行数据处理得到当前用户对应的工作点以及居住点,以及所述工作点与所述居住点之间的距离;
统计自然月内所述距离的均值距离,判断所述均值距离是否小于或者等于预设的通勤距离,其中,
若是,则表明当前用户是职住平衡人口;若否,则表明当前用户是非职住平衡人口。
2.根据权利要求1所述的一种基于智能体图谱的城市职住平衡预测方法,其特征在于,所述获取用户的驻留基站数据,并基于所述驻留基站数据构建智能体图谱,具体包括:
采集用户IMSI的轨迹数据,基于所述轨迹数据识别用户驻留基站群以得到所述驻留基站数据;
识别各个基站的坐标数据,并基于各所述基站对应的地域特征数据及各所述基站对应的场景数据进行标注,以构建所述智能体图谱。
3.根据权利要求2所述的一种基于智能体图谱的城市职住平衡预测方法,其特征在于,所述基于所述驻留基站数据结合所述智能体图谱筛选当前用户对应的工作地数据以及居住地数据,具体包括:
获取用户IMSI在预设的工作时间内所访问的第一基站群,并统计用户IMSI在所述第一基站群中每个基站停留的时间以得到所述工作地数据;
获取用户IMSI在预设的非工作时间内所访问的第二基站群,并统计用户IMSI在所述第二基站群中每个基站停留的时间以得到所述居住地数据。
4.根据权利要求3所述的一种基于智能体图谱的城市职住平衡预测方法,其特征在于,所述在预设时间内分别对所述工作地数据以及所述居住地数据进行数据处理得到当前用户对应的工作点以及居住点,以及所述工作点与所述居住点之间的距离具体包括:
基于所述预设时间识别所述工作时间以及所述非工作时间;
在所述工作时间内识别用户IMSI在所述第一基站群中基站停留的时间最长的一个基站作为所述工作地;
在所述非工作时间内识别用户IMSI在所述第二基站群中基站停留的时间最长的一个基站作为所述居住地;
基于工作地基站以及居住地基站的经纬度计算得到所述工作点与所述居住点之间的距离。
5.根据权利要求1所述的一种基于智能体图谱的城市职住平衡预测方法,其特征在于,所述方法还包括统计城市职住平衡人口所占百分比,其中,取判断结果表明当前用户是职住平衡人口的总人数作为分子,取当前城市自然月内所有的常住人口数目作为分母,以此得到城市职住平衡人口所占百分比。
6.根据权利要求1所述的一种基于智能体图谱的城市职住平衡预测方法,其特征在于,所述方法还包括对所述驻留基站数据进行预处理,其中,预处理方式至少包括:对进出基站的缺失信令进行插值补偿。
7.一种基于智能体图谱的城市职住平衡预测系统,其特征在于,包括存储器和处理器,所述存储器中包括基于智能体图谱的城市职住平衡预测方法程序,所述基于智能体图谱的城市职住平衡预测方法程序被所述处理器执行时实现如下步骤:
获取用户的驻留基站数据,并基于所述驻留基站数据构建智能体图谱;
基于所述驻留基站数据结合所述智能体图谱筛选当前用户对应的工作地数据以及居住地数据;
在预设时间内分别对所述工作地数据以及所述居住地数据进行数据处理得到当前用户对应的工作点以及居住点,以及所述工作点与所述居住点之间的距离;
统计自然月内所述距离的均值距离,判断所述均值距离是否小于或者等于预设的通勤距离,其中,
若是,则表明当前用户是职住平衡人口;若否,则表明当前用户是非职住平衡人口。
8.根据权利要求7所述的一种基于智能体图谱的城市职住平衡预测系统,其特征在于,所述获取用户的驻留基站数据,并基于所述驻留基站数据构建智能体图谱,具体包括:
采集用户IMSI的轨迹数据,基于所述轨迹数据识别用户驻留基站群以得到所述驻留基站数据;
识别各个基站的坐标数据,并基于各所述基站对应的地域特征数据及各所述基站对应的场景数据进行标注,以构建所述智能体图谱。
9.根据权利要求8所述的一种基于智能体图谱的城市职住平衡预测系统,其特征在于,所述基于所述驻留基站数据结合所述智能体图谱筛选当前用户对应的工作地数据以及居住地数据,具体包括:
获取用户IMSI在预设的工作时间内所访问的第一基站群,并统计用户IMSI在所述第一基站群中每个基站停留的时间以得到所述工作地数据;
获取用户IMSI在预设的非工作时间内所访问的第二基站群,并统计用户IMSI在所述第二基站群中每个基站停留的时间以得到所述居住地数据。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包括一种基于智能体图谱的城市职住平衡预测方法程序,所述基于智能体图谱的城市职住平衡预测方法程序被处理器执行时,实现如权利要求1至6中任一项所述的一种基于智能体图谱的城市职住平衡预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310059124.6A CN116128128A (zh) | 2023-01-17 | 2023-01-17 | 基于智能体图谱的城市职住平衡预测方法、系统和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310059124.6A CN116128128A (zh) | 2023-01-17 | 2023-01-17 | 基于智能体图谱的城市职住平衡预测方法、系统和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116128128A true CN116128128A (zh) | 2023-05-16 |
Family
ID=86306098
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310059124.6A Pending CN116128128A (zh) | 2023-01-17 | 2023-01-17 | 基于智能体图谱的城市职住平衡预测方法、系统和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116128128A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110473132A (zh) * | 2019-08-27 | 2019-11-19 | 上海云砥信息科技有限公司 | 一种基于移动通信数据的区域职住平衡评价方法 |
CN110955738A (zh) * | 2018-09-26 | 2020-04-03 | 北京融信数联科技有限公司 | 一种基于信令数据结合场景信息的人物画像刻画方法 |
CN112541012A (zh) * | 2020-01-02 | 2021-03-23 | 北京融信数联科技有限公司 | 基于移动通信大数据和熵值的城市职住平衡人口统计方法 |
CN112559581A (zh) * | 2020-01-02 | 2021-03-26 | 北京融信数联科技有限公司 | 一种基于移动通信大数据的城市职住平衡人口统计方法 |
CN113256987A (zh) * | 2021-06-30 | 2021-08-13 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于多源数据融合的居民出行链生成方法及共乘查询方法 |
CN113613174A (zh) * | 2021-07-09 | 2021-11-05 | 中山大学 | 基于手机信令数据的职住地识别方法、装置及存储介质 |
CN114071366A (zh) * | 2022-01-17 | 2022-02-18 | 北京融信数联科技有限公司 | 结合知识图谱的人物画像刻画方法、系统和可读存储介质 |
WO2022121559A1 (zh) * | 2020-12-07 | 2022-06-16 | 中兴通讯股份有限公司 | 移动通信系统管控方法、网络管控体、系统及存储介质 |
-
2023
- 2023-01-17 CN CN202310059124.6A patent/CN116128128A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110955738A (zh) * | 2018-09-26 | 2020-04-03 | 北京融信数联科技有限公司 | 一种基于信令数据结合场景信息的人物画像刻画方法 |
CN110473132A (zh) * | 2019-08-27 | 2019-11-19 | 上海云砥信息科技有限公司 | 一种基于移动通信数据的区域职住平衡评价方法 |
CN112541012A (zh) * | 2020-01-02 | 2021-03-23 | 北京融信数联科技有限公司 | 基于移动通信大数据和熵值的城市职住平衡人口统计方法 |
CN112559581A (zh) * | 2020-01-02 | 2021-03-26 | 北京融信数联科技有限公司 | 一种基于移动通信大数据的城市职住平衡人口统计方法 |
WO2022121559A1 (zh) * | 2020-12-07 | 2022-06-16 | 中兴通讯股份有限公司 | 移动通信系统管控方法、网络管控体、系统及存储介质 |
CN113256987A (zh) * | 2021-06-30 | 2021-08-13 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于多源数据融合的居民出行链生成方法及共乘查询方法 |
CN113613174A (zh) * | 2021-07-09 | 2021-11-05 | 中山大学 | 基于手机信令数据的职住地识别方法、装置及存储介质 |
CN114071366A (zh) * | 2022-01-17 | 2022-02-18 | 北京融信数联科技有限公司 | 结合知识图谱的人物画像刻画方法、系统和可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Transport mode detection based on mobile phone network data: A systematic review | |
Zhao et al. | Urban human mobility data mining: An overview | |
Xie et al. | Analysis of traffic crashes involving pedestrians using big data: Investigation of contributing factors and identification of hotspots | |
Liu et al. | Understanding intra-urban trip patterns from taxi trajectory data | |
KR101976189B1 (ko) | 유동 인구의 분석 서비스 제공 방법 | |
CN111615054B (zh) | 人口分析方法及装置 | |
Caceres et al. | Deriving origin–destination data from a mobile phone network | |
Wang et al. | Estimating dynamic origin-destination data and travel demand using cell phone network data | |
Lee et al. | Utilizing mobile phone-based floating population data to measure the spatial accessibility to public transit | |
Fekih et al. | A data-driven approach for origin–destination matrix construction from cellular network signalling data: a case study of Lyon region (France) | |
CN104902438B (zh) | 一种基于移动通信终端分析客流特征信息的统计方法及其系统 | |
CN111212383B (zh) | 区域常住人口数量的确定方法、装置、服务器和介质 | |
CN105677793A (zh) | 地点数据库的建立和候选乘车地点的推荐方法及装置 | |
CN108170793A (zh) | 基于车辆语义轨迹数据的停留点分析方法及其系统 | |
Anderson et al. | Experiences with a transportation information system that uses only GPS and SMS | |
Demissie et al. | Analysis of the pattern and intensity of urban activities through aggregate cellphone usage | |
Qin et al. | EXIMIUS: A measurement framework for explicit and implicit urban traffic sensing | |
KR20110102125A (ko) | 유동인구 정보 분석 장치 및 그 방법 | |
CN108427679B (zh) | 一种人流分布处理方法及其设备 | |
CN107341166A (zh) | 一种车载app的推荐方法及系统 | |
Horn et al. | QZTool—automatically generated origin-destination matrices from cell phone trajectories | |
CN111222381A (zh) | 用户出行方式识别方法、装置、电子设备及存储介质 | |
Tang et al. | Estimating hotspots using a Gaussian mixture model from large-scale taxi GPS trace data | |
Tsumura et al. | Examining potentials and practical constraints of mobile phone data for improving transport planning in developing countries | |
St | Reconstructing trajectories from sparse call detail records |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230516 |