TWI700940B - 行為偵測方法 - Google Patents
行為偵測方法 Download PDFInfo
- Publication number
- TWI700940B TWI700940B TW108103860A TW108103860A TWI700940B TW I700940 B TWI700940 B TW I700940B TW 108103860 A TW108103860 A TW 108103860A TW 108103860 A TW108103860 A TW 108103860A TW I700940 B TWI700940 B TW I700940B
- Authority
- TW
- Taiwan
- Prior art keywords
- base station
- cell data
- trajectory segment
- status
- time
- Prior art date
Links
Images
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本案揭示一種行為偵測方法,係包括接收複數時間資料及與其分別對應之基地台細胞資料,接著執行空間聚合及時間平滑,以使各基地台細胞資料歸屬至各自的群集並標記有各自的軌跡段,再根據各基地台細胞資料之群集或軌跡段判斷各軌跡段之軌跡段狀態,其中,可對各基地台細胞資料之軌跡段或軌跡段狀態進行調整,藉此根據各基地台細胞資料之軌跡段狀態組成用戶行為輪廓。
Description
本案係關於一種行動通訊網路中用戶行為的偵測技術,詳而之,係關於一種基於基地台細胞資料來偵測用戶行為之方法。
用戶移動行為在過去是非常難掌握的資訊,但隨著近年來行動通訊服務的普及,用戶的移動可透過基地台(Base Station,BS)細胞(CELL)間的連線行為而得知。因此,在用戶對網路的需求急遽增加的過程中,獲得大量的用戶移動軌跡資料變得簡單,新的服務與商業模式也隨之蓬勃發展,如交通時間評估或旅遊行程推薦。
現有高精準度的定位方式大多是利用通信網路中三個以上的基地台和手機設備之間傳播的無線電訊號進行三點定位,或是使用全球衛星定位系統(GPS)進行定位,然而這些方法對基地台與手機的負載都會造成不小的負擔。
除了定位,現在諸多應用更需要深入瞭解用戶移動行為資訊,首先需要進行的就是停留點與移動路徑的分析,而傳統方法是基於GPS資料提取停留點,但此方法無法解決CELL-ID記錄上有乒乓效應之問題,且手機設備維持開啟GPS定位亦造成電量的消耗。
因此,上述習用技術仍有諸多缺失,亟待加以改良。
為解決上述及其他問題,本案因應當前不影響手機設備與通訊系統進行改進的情況下蒐集資料,本案提出一種基於與基地台細胞的連線記錄之海量用戶移動行為偵測方法,它可以解決用戶與基地台細胞連線時乒乓效應的問題,同時判斷用戶不同時間區間(軌跡段)下的停留移動狀態,將原始軌跡點記錄轉換為具有意義的資訊,大幅減少儲存空間,同時獲得用戶更精準的停留與移動狀態,結合地圖圖資獲得加值資訊供多種適地性服務應用。
本案揭示一種行為偵測方法係包括:接收複數時間資料及與其分別對應之基地台細胞資料;執行空間聚合,以使各該基地台細胞資料歸屬至各自之群集;執行時間平滑,以使各該基地台細胞資料標記有各自之軌跡段;以及根據各該基地台細胞資料之群集或軌跡段,判斷各該軌跡段之軌跡段狀態。
其次,所述行為偵測方法更包括:根據各該基地台細胞資料之軌跡段狀態組成該用戶行為輪廓。
此外,所述執行空間聚合係包括:利用各該基地台細胞資料之基地台站點位置、發射方位角和涵蓋半徑,估計各該基地台細胞資料之涵蓋中心位置;以及根據各該基地台細胞資料之涵蓋中心位置進行分群,以使各該基地台細胞資料歸屬至各自之群集。
此外,所述執行時間平滑係包括:區分該複數時間資料為不同時窗,以根據該不同時窗,將該複數基地台細胞資料標記上原始軌跡段及原始軌跡段狀態;當同一時窗內有一個群集或三個以上群集時,不進行平滑;以及當
同一時窗內有二個群集時,進行平滑以將該同一時窗中出現次數較少的群集平滑至出現次數較多的群集。另外,所述執行時間平滑更包括:將該複數基地台細胞資料中在時間上連續歸屬於同一群集且原始軌跡段狀態相同的基地台細胞資料標記為同一軌跡段;以及將該複數基地台細胞資料中的剩餘基地台細胞資料標記為另一軌跡段,以使各該基地台細胞資料標記有該軌跡段及該軌跡段狀態。
此外,若在所述執行空間聚合和時間平滑之後,各該基地台細胞資料之軌跡段和軌跡段狀態係為候選軌跡段和候選軌跡段狀態,則所述行為偵測方法更包括:根據各該基地台細胞資料之候選軌跡段狀態,估計狀態轉移機率;根據各該基地台細胞資料及其各自的候選軌跡段狀態,估計發射機率;以及根據該狀態轉移機率及該發射機率,將各該基地台細胞資料標記上最終軌跡段及該最終軌跡段狀態。
此外,所述行為偵測方法更包括:根據各該基地台細胞資料之最終軌跡段及最終軌跡段狀態,產生時間段及時間段狀態,其中,估計各該時間段的停留位置;估計各該時間段的停留地標;估計各該時間段的移動道路路徑;以及根據各該時間段的停留地標及移動道路路徑,產生用戶行為輪廓。
因此,本案提出一種基於基地台細胞資料(CELL-ID)之海量用戶移動行為偵測方法,建立從蒐集用戶與基地台細胞的連線記錄以轉換為停留於某地標或移動於某道路上之端到端流程,可蒐集某用戶軌跡點序列,經過聚合時空相鄰之基地台細胞以獲得初始軌跡段,判斷各軌跡段狀態並做細部調整,最後結合地圖圖資組成移動行為輪廓。本案無需考慮基地台的訊號強弱或環境變化問題,也不需對手機設備或現有通訊系統參數進行大幅調整,除解決基地
台連線之乒乓效應之問題,同時獲得用戶更精準的停留與移動狀態,並結合圖資獲得加值資訊供多種適地性服務應用,過程利用分散式架構並行處理千萬級用戶資料,大幅提升計算效率與速度。
1、2、3、4、5、6‧‧‧群集
21‧‧‧第一階分群
22‧‧‧第二階分群
23‧‧‧第三階分群
31、31’、32、33、34‧‧‧時窗
3‧‧‧時間索引
91‧‧‧停留區域
92‧‧‧移動道路路徑
93‧‧‧地圖
A、B‧‧‧基地台
a1、a2、a3、b1、b2、b3‧‧‧基地台細胞
G1、G2‧‧‧群集
p1、p2、p3、p4、p5、p6、p7、p8‧‧‧輸出機率
t11、t12、t21、t22‧‧‧轉換機率
S10~S50‧‧‧步驟
S201~S202‧‧‧步驟
S301~S304‧‧‧步驟
S401~S403‧‧‧步驟
S501~S505‧‧‧步驟
X1、X2‧‧‧隱含狀態
Y1、Y2、Y3、Y4‧‧‧可觀察的輸出
第1圖為本案之行為偵測方法的實施例之流程示意圖;第2圖為本案之行為偵測方法的實施例的空間聚合之流程示意圖;第3圖為本案之行為偵測方法的實施例的時間平滑之流程示意圖;第4圖為本案之行為偵測方法的實施例的自候選軌跡段狀態至最終軌跡段狀態之流程示意圖;第5圖為本案之行為偵測方法的實施例的組成行輪廓之流程示意圖;第6圖為用以說明本案之行為偵測方法的空間聚合之示意圖;第7圖為用以說明本案之行為偵測方法的時間平滑之示意圖;第8圖為用以說明本案之行為偵測方法的自候選軌跡段狀態至最終軌跡段狀態之示意圖;第9圖為用以說明本案之行為偵測方法的用戶行為中停留區域之示意圖;以及第10圖為以說明本案之行為偵測方法的用戶行為中移動道路路徑之示意圖。
以下藉由特定的實施例說明本案之實施方式,熟習此項技藝之人士可由本文所揭示之內容輕易地瞭解本案之其他優點及功效。本說明書所附圖式所繪示之結構、比例、大小等均僅用於配合說明書所揭示之內容,以供熟悉此技藝之人士之瞭解與閱讀,非用於限定本案可實施之限定條件,故任何修飾、改變或調整,在不影響本案所能產生之功效及所能達成之目的下,均應仍落在本案所揭示之技術內容得能涵蓋之範圍內。
請參閱第1圖,本案之行為偵測方法主要可包括步驟S10~S40,可進一步包括步驟S50。
在步驟S10中,接收用戶之複數時間資料及與其分別對應之基地台細胞資料,例如,蒐集用戶與基地台細胞的連線紀錄以形成軌跡點序列。
在步驟S20中,執行空間聚合,以使各基地台細胞資料歸屬至各自之群集。
在步驟S30中,執行時間平滑,以使各基地台細胞資料標記有各自之軌跡段。
在步驟S40中,根據各基地台細胞資料之群集或軌跡段,判斷各軌跡段之軌跡段狀態。
在步驟S50中,根據各基地台細胞資料之軌跡段,組成用戶之用戶行為輪廓,依據不同狀態軌跡段,估計各軌跡段可能的停留位置與移動路徑,並對應地圖地標與道路獲得加值特徵,藉此組成用戶行為輪廓。
請參閱第2圖,如第1圖所示之步驟S20,所述執行空間聚合更包括:
步驟S201:利用各該基地台細胞資料之基地台站點位置、發射方位角和涵蓋半徑,估計各該基地台細胞資料之涵蓋中心位置。
步驟S202:依據各該基地台細胞資料之涵蓋中心位置進行分群,以使各該基地台細胞資料歸屬至各自之群集。
例如,依據基地台的經緯度往各細胞服務方位角的方向,依各基地台細胞的涵蓋半徑某倍數進行平移,其中該倍數可為實數,可依據不同類型之基地台細胞有不同的偏移倍數,再根據平移後涵蓋中心進行分群,並重新估計基地台細胞的服務方向進行平移,重複前述步驟動作直至基地台細胞資料所屬群集不再發生改變。
在一實施例中,分群方法可例如為K-Means、Mean-shift、DBSCAN、階層式分群法、Birch。
請參閱第3圖,如第1圖所示之步驟S30,所述執行時間平滑更包括:
步驟S301:區分複數時間資料為不同時窗,以根據不同時窗將複數基地台細胞資料標記上原始軌跡段及原始軌跡段狀態。
步驟S302:當同一時窗內有一個群集或三個以上群集時,不進行平滑,而當同一時窗內有二個群集時,將該同一時窗中出現次數較少的群集平滑至出現次數較多的群集。
步驟S303:將複數基地台細胞資料中在時間上連續歸屬於同一群集且原始軌跡段狀態相同的基地台細胞資料標記為同一軌跡段。
步驟S304:將複數基地台細胞資料中的剩餘基地台細胞資料標記為另一軌跡段。
據此,使各基地台細胞資料標記有軌跡段及軌跡段狀態)。例如,將短時間內用戶於少數群集來回跳動的軌跡點紀錄進行平滑,並將前後相同群集的段落進行合併,為各軌跡點標記軌跡段。
在一實施例中,平滑方式可例如為馬可夫鏈模型、隱馬可夫鏈模型、循序樣式探勘。
因此,在經過空間聚合和時間平滑之後,可獲得對於用戶來說更精準的基地台細胞涵蓋中心位置,藉此解決乒乓效應造成用戶軌跡點數據跳動現象,以及補充用戶暫時沒有與基地台連繫(關機、進入無訊號範圍等)資料缺失等問題。
接著參閱第4圖,如第1圖所示之步驟S30和S40中,若各基地台細胞資料之軌跡段和軌跡段狀態係為候選軌跡段和候選軌跡段狀態時,則進至下列步驟:
步驟S401:根據各基地台細胞資料之候選軌跡段狀態估計狀態轉移機率。
步驟S402:根據各基地台細胞資料及其各自的候選軌跡段狀態估計發射機率。
步驟S403:根據狀態轉移機率及發射機率,將各基地台細胞資料標記上最終軌跡段及最終軌跡段狀態。
換言之,依據空間聚合和時間平滑之後的結果,建立合適的機率圖模型,可描繪當記錄顯示用戶連線某個基地台細胞時,最可能的狀態是什麼,若以停留與移動狀態為例,亦可彈性擴增不同的移動行為狀態(停留目的、移動方式)建立更細緻的模型,利用所獲得之模型,以各基地台細胞資料的軌跡段為
基礎,重新修正各軌跡段停留或移動狀態,再將相同軌跡段狀態之軌跡段整併為1筆資料。藉此,利用統計估計方法與機率特性解決因為乒乓效應而無法明確辨識用戶停留或移動狀態,並將原始資料壓縮,大幅減少儲存空間,給予一個精準、穩定且具意義的軌跡段資訊。
在一實施例中,機率圖模型可例如為隱馬可夫鏈模型、馬可夫網路模型、貝式網路模型。
請參閱第5圖,即如第1圖所示之步驟S50可包括:
步驟S501:根據各基地台細胞資料之最終軌跡段及最終軌跡段狀態,產生用戶之時間段及時間段狀態。
步驟S502:估計各時間段的停留位置。
步驟S503:估計各時間段的停留地標。
步驟S504:估計各時間段的移動道路路徑。
步驟S505:根據各時間段的停留地標及移動道路路徑,產生用戶之用戶行為輪廓。
例如,可利用集中趨勢統計量估計用戶停留位置中心,可利用離散程度統計量估計停留半徑(小幅移動半徑),當估計停留地標時,可結合外部地標,藉此瞭解用戶停留的區域組成與最可能的停留地標,而於估計移動道路路徑時,可結合道路地圖圖資,藉此瞭解用戶移動的道路路徑。最後,結合軌跡段資訊與地圖圖資,在軌跡段上標記常用的地理標籤,使得搜尋與應用上更為容易,未來可以應用於交通時間評估與旅遊行程建議等適地性服務。
在一實施例中,集中趨勢可例如為加權平均、中位數,而離散程度可例如為標準差、四分位距。
以下,將以一具體實施例說明如下。
首先,接收用戶(User ID)之複數時間資料(Time)及與其分別對應之基地台細胞資料(CELL-ID(xt)),以構成如下表1所示之用戶軌跡點序列。例如,蒐集用戶於某日期範圍時間(如以一天為例)內與基地台細胞的連線資訊,藉此儲存為〈User,Timestamp,CELL-ID〉表示該用戶的軌跡點序列紀錄。
如表1所示,基地台細胞資料(CELL-ID)包括基地台編號與細胞編號。一個基地台可能有數個細胞同時服務多個方向,以表1的第1列為例,6300表示基地台編號、41826015表示基地台下的細胞編號,以表1的第2列為例,其基地台編號同為6300,與第1列紀錄相同,而41826014則表示該細胞與第1列的
細胞不同,顯示為相同基地台但不同細胞,其雖處的基地台位置雖相同,但可能服務的方向不盡相同。
接著,估計基地台細胞的涵蓋中心,先將用戶一天內連線過的所有基地台細胞資料記錄匯整起來,利用基地台細胞的基地台站點經緯度(p i)、發射方位角(θ)與涵蓋半徑資訊(r),估計每一個基地台細胞其可能涵蓋之服務中心位置,初始的服務中心點計算方式為,平移為該基地台發射方向取一半的距離,作為初始化的服務中心,而如果資料庫中未取得該基地台細胞相關位置資訊時,將藉由相同的基地台經緯度資訊,以不做平移的方式進行遺失值的填補,其結果如表2所示。
請參閱第6圖,基地台A的基地台編號為6300,其基地台細胞a1、a2和a3的細胞編號分別為41826014、40013535和41826015。另基地台B具有基地台細胞b1、b2和b3。例如,基地台A的經緯度為60.770769,34.98344,基地台細胞a1的方位角為15度,涵蓋半徑為150公尺,涵蓋中心經緯度為60.77096486,
34.983205。例如,基地台細胞a2的方位角為75度,涵蓋半徑為50公尺,涵蓋中心經緯度為60.77056833,34.9832018。
接著,利用所獲得之基地台涵蓋中心估計位置資訊,利用分群技術將鄰近的基地台細胞歸屬為同一群集。詳言之,計算用戶與各基地台細胞之次數分佈,接著使用階層式分群法(Hierarchical clustering),兩點之間距離使用地理距離Vincenty's formulae進行計算(可獲得比歐式距離更加的精準度),並選擇加權中心聚合(weighted centroid method)的方式,利用剛計算好的基地台細胞次數分佈獲得群集加權中心位置(p Gj ),計算兩群集之間的距離,最後群集的分割條件,參考人類5分鐘內平均步行距離為425公尺,選擇距離臨界值為425公尺為界線做區隔獲得各基地台細胞的歸屬群集(G j)。接著,當各基地台細胞已有歸屬群
集後,以更新其涵蓋服務中心,重複前述動作直到所有基地台細胞所歸屬的群集不再發生改變為止,如表3所示。
最後將表3結果標記回表1,獲得表4之結果。
請參閱第6圖,說明各基地台細胞歸屬至各自的群集之概念。基地台A和B中的基地台細胞a1、a2、a3、b1、b2、b3先歸屬至群集1、2、3、4、5、6,經過第一階分群21之初始化群集、第二階分群22之將最近的群集合併、第三階分群23之選擇距離臨界值為425公尺為界線,最後產生群集G1和G2。
接著,以起始記錄開始,5分鐘作為一個時窗(Time Window),如某筆記錄沒有在當前時窗內,則將該筆記錄視為新的時窗開始,如果在同個時窗內用戶經過三個以上或僅有三個群集時,表示該用戶極有可能處於移動或停留狀態,因此不進行任何處理;如果同個時窗內含有兩個群集時,先以出現次
數較頻繁的CELL-ID平滑時窗內的群集(Gj),並將其視為停留狀態,形成軌跡段(TSt)與軌跡段狀態(yt),如表5所示。
接著,將連續所屬相同群集(Gj)且為停留狀態的軌跡點視為同一個軌跡段,此為具有停留的候選軌跡段狀態(y’t)之候選軌跡段(TS’t),而停留軌跡段之間剩餘的軌跡點,合併為同一個軌跡段,此為具有移動的候選軌跡段狀態(y’t)之候選軌跡段(TS’t),如表6所示。
請參閱第7圖,用以說明自軌跡段(TSt)至候選軌跡段(TS’t)以及自軌跡段(yt)至候選軌跡段(y’t)之概念。在時間索引3之下,首先將時間資料區分為時窗31、32、33和34,其中,時窗32和34接具有一種群集故視為停留狀態,而時窗33具有三種群集故視為移動狀態,又時窗31具有兩種群集故先將出現頻率次數較低的群集2平滑至群集1。之後,由於時窗31和32中有連續所屬相同群集且狀態相同,故視為同一軌跡段,時窗也可整併為時窗31’。
接著,可利用隱馬可夫模型,估計用戶不同基地台細胞連線記錄下最可能的狀態是停留或是移動,利用步驟表6的軌跡段狀態(y' t ),可以估計停留/移動轉移機率(A ij ,transition probability),如下公式1所示
步驟表6之基地台細胞資料CELL-ID(x t )與軌跡段狀態(y' t ),可估計發射機率(B ik ,emission probability),如下公式2所示
其中i {停留,移動},k {CELL-ID},N ik 表示狀態i時觀察到CELL-ID k之次數,獲得的結果如表8所示
接著,根據觀察到的用戶CELL-ID軌跡點序列,估計出最可能的停留移動狀態,這問題即為隱馬可夫模型中的Decoding Problem,利用動態規劃Viterbi演算法即可解決,如下數學式3所示α i (0)=A 0i
其中x t 表示時間t時觀察的CELL-ID,α j (t)表示時間t之前觀察到的所有CELL-ID之機率。
路徑追蹤(path tracing),Q j (t)=argmax i=1~N (α i (t-1)A ij )
其中Q j (t)表示時間t時機率最大的狀態。運算結果表格如表9所示。表9顯示最終軌跡段(TS”t)與最終軌跡段狀態(y”t)。
請參閱第8圖,說明利用隱馬可夫模型來調整各基地台細胞所標記之軌跡段及軌跡段狀態之調整。隱含狀態X1、X2可各自表示為停留狀態和移動狀態,轉換機率t11、t12、t21、t22可各自表示為停留狀態至停留狀態、停留
狀態至移動狀態、狀態移動至停留狀態、移動狀態至移動狀態,輸出機率p1、p2、p3、p4、p5、p6、p7、p8,以輸出成可觀察的輸出Y1、Y2、Y3、Y4。
再者,將表9按照相同軌跡段(TS" t)欄位整併為1筆記錄,Start time與End time分別以軌跡段的第1筆與最後1筆的時間標記,並記錄各時間軌跡段之時間段狀態(y''' t ),如表10所示。
接著,利用表10、表9與表2之結果,如軌跡段具有停留的軌跡段狀態時,利用軌跡段內用戶連線的CELL-ID其次數與更新過後的涵蓋中心,進行加權平均計算,並計算其標準差表示該時段可能小幅移動區域範圍。如公式4所示。
其中N i 表示CELL-ID i出現次數,(x i ,y i )表示CELL-ID經緯度座標,K表示在此軌跡段出現的CELL-ID個數。計算結果如表11所示。
接著結合地標地圖圖資,計算用戶停留的實際對應之地標,地標地圖圖資為經緯度資訊,可計算停留段區域範圍是否涵蓋地標經緯度,如果是,即標示該用戶可能停留於此地標。地標訊息包含數種加值資訊,如地標類別(餐飲美食、休閒娛樂、醫療保健...等),可計算該用戶停留在此區域的類別分佈,未來進行資料庫搜索時,可做為查詢的條件。其結果如表12所示。
接著,利用表10、表9與表2之結果,如該軌跡段為移動的軌跡段狀態時,利用軌跡段內用戶連線的CELL-ID其次數與更新過後的涵蓋中心,與移動軌跡段前後之停留軌跡段之涵蓋中心,結合道路地圖圖資,利用現有地圖匹配方法(Google、Microsoft Snap-to-road API),將CELL-ID涵蓋中心之地理座標與地圖道路邊緣關聯,以key-value格式儲存(如JSON,XML等)。其結果如表13所示。
請參閱第9和10圖,在地圖93上顯示有停留區域91或移動道路路徑92。
最後,合併表12和表14,保留User ID,Start time與End time三個欄位,將其於欄位整併為移動行為輪廓以key-value格式儲存(如JSON,XML等),該格式可方便儲存於NoSQL資料庫中(如HBase、MongoDB等),供未來使用者進行查詢,其結果如表14所示。
綜上所述,本案可利用時間資料、基地台細胞資料(例如細胞編碼和經緯度等),在不須更改手機與基地台等環境參數設定,即可獲得用戶的移動與停留的行為輪廓,解決用戶與基地台細胞連線時乒乓效應與非真實定位的問題,藉此提高定位精準度與移動行為描述精準度,而用戶停留與移動行為輪廓即用戶於某區域停留位置與時間。此外,根據移動路徑與其耗費時間,這樣的資訊可應用於交通時間評估與旅行推薦。本案另可將原始資料壓縮為具有意義的資訊,大幅減少儲存空間,運算流程為分散式運算架構,可在短時間對千萬級用戶進行運算。
上述實施例僅例示性說明本案之功效,而非用於限制本案,任何熟習此項技藝之人士均可在不違背本案之精神及範疇下對上述該些實施態樣進行修飾與改變。因此本案之權利保護範圍,應如後述之申請專利範圍所列。
S10~S50‧‧‧步驟
Claims (10)
- 一種行為偵測方法,係包括;接收一用戶設備之複數時間資料及與其分別對應之複數基地台細胞資料;執行空間聚合,以使各該基地台細胞資料歸屬至各自之群集;執行時間平滑,以使各該基地台細胞資料標記有各自之軌跡段;根據各該基地台細胞資料之群集或軌跡段,判斷各該軌跡段之軌跡段狀態;以及根據各該基地台細胞資料之軌跡段狀態,判斷該用戶設備的停留或移動狀態。
- 如申請專利範圍第1項所述之行為偵測方法,更包括:根據各該基地台細胞資料之軌跡段狀態組成該用戶設備的用戶行為輪廓。
- 如申請專利範圍第1項所述之行為偵測方法,其中,所述執行空間聚合係包括:利用各該基地台細胞資料之基地台站點位置、發射方位角和涵蓋半徑,估計各該基地台細胞資料之涵蓋中心位置;以及根據各該基地台細胞資料之涵蓋中心位置進行分群,以使各該基地台細胞資料歸屬至各自之群集。
- 如申請專利範圍第1項所述之行為偵測方法,其中,所述執行時間平滑係包括:區分該複數時間資料為不同時窗,以根據該不同時窗將該複數基地台細胞資料標記上原始軌跡段及原始軌跡段狀態;以及 當同一時窗內有二個群集時,執行時間平滑,以將該同一時窗中出現次數較少的群集平滑至出現次數較多的群集,反之,則不進行平滑。
- 如申請專利範圍第4項所述之行為偵測方法,其中,當同一時窗內有一個或兩個群集時,判斷各該基地台細胞資料之原始軌跡段狀態為停留,而當同一時窗內有三個以上群集時,判斷各該基地台細胞資料之原始軌跡段狀態為移動。
- 如申請專利範圍第4項所述之行為偵測方法,其中,所述執行時間平滑更包括:將該複數基地台細胞資料中在時間上連續歸屬於同一群集且原始軌跡段狀態相同的基地台細胞資料標記為同一軌跡段;以及將該複數基地台細胞資料中的剩餘基地台細胞資料標記為另一軌跡段。
- 一種行為偵測方法,係包括:接收複數時間資料及與其分別對應之複數基地台細胞資料;執行空間聚合,以使各該基地台細胞資料歸屬至各自之群集;執行時間平滑,以使各該基地台細胞資料標記有各自之軌跡段;以及根據各該基地台細胞資料之群集或軌跡段,判斷各該軌跡段之軌跡段狀態,其中,在所述執行空間聚合和時間平滑之後,各該基地台細胞資料之軌跡段和軌跡段狀態係為候選軌跡段和候選軌跡段狀態,且所述行為偵測方法更包括:根據各該基地台細胞資料及其各自的候選軌跡段狀態,判斷各該基地台細胞資料之最終軌跡段狀態。
- 如申請專利範圍第7項所述之行為偵測方法,其中,所述判斷各該基地台細胞資料之最終軌跡段狀態係包括:根據各該基地台細胞資料之候選軌跡段狀態,估計狀態轉移機率;根據各該基地台細胞資料及其各自的候選軌跡段狀態,估計發射機率;以及根據該狀態轉移機率及該發射機率,將各該基地台細胞資料標記上最終軌跡段及該最終軌跡段狀態。
- 如申請專利範圍第7項所述之行為偵測方法,更包括:根據各該基地台細胞資料之最終軌跡段及最終軌跡段狀態,產生時間段及時間段狀態。
- 如申請專利範圍第9項所述之行為偵測方法,更包括:估計各該時間段的停留位置;估計各該時間段的停留地標;估計各該時間段的移動道路路徑;以及根據各該時間段的停留地標及移動道路路徑,產生用戶行為輪廓。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108103860A TWI700940B (zh) | 2019-01-31 | 2019-01-31 | 行為偵測方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108103860A TWI700940B (zh) | 2019-01-31 | 2019-01-31 | 行為偵測方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI700940B true TWI700940B (zh) | 2020-08-01 |
TW202031061A TW202031061A (zh) | 2020-08-16 |
Family
ID=73002538
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108103860A TWI700940B (zh) | 2019-01-31 | 2019-01-31 | 行為偵測方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI700940B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103037507A (zh) * | 2012-12-17 | 2013-04-10 | 浙江鸿程计算机系统有限公司 | 一种基于Cell-ID定位技术的地图匹配方法 |
EP2705706B1 (en) * | 2011-05-04 | 2016-10-26 | Telefonaktiebolaget LM Ericsson (publ) | Method and server for collecting radio fingerprint positioning data |
-
2019
- 2019-01-31 TW TW108103860A patent/TWI700940B/zh active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2705706B1 (en) * | 2011-05-04 | 2016-10-26 | Telefonaktiebolaget LM Ericsson (publ) | Method and server for collecting radio fingerprint positioning data |
CN103037507A (zh) * | 2012-12-17 | 2013-04-10 | 浙江鸿程计算机系统有限公司 | 一种基于Cell-ID定位技术的地图匹配方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202031061A (zh) | 2020-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106912015B (zh) | 一种基于移动网络数据的人员出行链识别方法 | |
CN104699818B (zh) | 一种多源异构的多属性poi融合方法 | |
CN103270801B (zh) | 用于定位用户设备的方位的方法和系统 | |
CN107396304A (zh) | 基于智能手机的实时城市人口密度及人群流动估计方法 | |
CN107688906B (zh) | 多方法融合的输电线路气象要素降尺度分析系统及方法 | |
Forghani et al. | From cellular positioning data to trajectories: Steps towards a more accurate mobility exploration | |
CN106912018A (zh) | 基于信令轨迹的地图匹配方法及系统 | |
JP2016152044A (ja) | 目標位置を確定するための方法及び装置 | |
Zhao et al. | Statistical analysis on the evolution of OpenStreetMap road networks in Beijing | |
CN109189949B (zh) | 一种人口分布计算方法 | |
CN105843829B (zh) | 一种基于分层模型的大数据可信性度量方法 | |
CN106446960A (zh) | 一种密度聚类划分时间段的动态热度路网构建方法 | |
CN109905892A (zh) | 用户定位方法和装置 | |
CN105491522A (zh) | 一种基于移动管道数据的用户移动轨迹定位方法 | |
Chen et al. | VTracer: When online vehicle trajectory compression meets mobile edge computing | |
CN105208651A (zh) | 基于地图结构的Wi-Fi位置指纹非监督训练方法 | |
Bwambale et al. | Modelling long-distance route choice using mobile phone call detail record data: a case study of Senegal | |
CN106339769A (zh) | 一种面向移动社会网络的用户出行预测方法 | |
Li et al. | A two-phase clustering approach for urban hotspot detection with spatiotemporal and network constraints | |
Jin et al. | Toward scalable and robust indoor tracking: Design, implementation, and evaluation | |
CN104202817B (zh) | 大型室内空间中的多热点信号指纹地图的存储和匹配方法 | |
Chen et al. | Enabling smart urban services with gps trajectory data | |
Oran et al. | An HMM-based map matching method with cumulative proximity-weight formulation | |
CN109839613A (zh) | 一种使用路径信息校准的射频定位方法和装置 | |
TWI700940B (zh) | 行為偵測方法 |