WO2020172954A1 - 一种基于定位数据的生活圈识别方法 - Google Patents

一种基于定位数据的生活圈识别方法 Download PDF

Info

Publication number
WO2020172954A1
WO2020172954A1 PCT/CN2019/081820 CN2019081820W WO2020172954A1 WO 2020172954 A1 WO2020172954 A1 WO 2020172954A1 CN 2019081820 W CN2019081820 W CN 2019081820W WO 2020172954 A1 WO2020172954 A1 WO 2020172954A1
Authority
WO
WIPO (PCT)
Prior art keywords
point
behavior
points
living
circle
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.)
Ceased
Application number
PCT/CN2019/081820
Other languages
English (en)
French (fr)
Inventor
杨俊宴
金探花
史北祥
王桥
魏晋
史宜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Publication of WO2020172954A1 publication Critical patent/WO2020172954A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Definitions

  • the invention belongs to the technical field of urban planning, and particularly relates to a method for identifying a living circle based on positioning data.
  • the living circle determines the urban facility space allocation and the shaping of the quality of life.
  • the existing methods of defining the scope of the living circle at home and abroad mainly define the living circle in terms of time distance, spatial distance or function.
  • the analysis method of defining the living circle by time distance mainly delimits the boundary of the urban living circle by calculating "15-minute walking distance", "one-hour commuting circle", etc.; defined by spatial distance
  • the living circle of Shanghai mainly uses the "800m walking distance” to determine the reachable space boundary to form the range of the living circle; while the living circle defined by function determines the boundary of the living circle by calculating the distance of major facilities.
  • the above three types of life circle delineation methods all have certain limitations, and more people use subjective feelings and experience to determine the life circle. First of all, in the purely dividing method by traffic time, the continuous movement behavior does not conform to the characteristics of the actual crowd activities.
  • This method lacks consideration of the real behavior of people in life; through the pure spatial distance dividing method, by judging the short-term walking The farthest distance ignores the behavioral characteristics of specific individuals and blurs the differences between crowd activities.
  • the analysis of the level of the living circle only at the level of the city range does not incorporate the actual use of the population.
  • the current life circle identification methods are more subjectively defined methods or small-scale real representation methods, lacking the true restoration of the urban-scale population's living area, and failing to integrate with the current multi-source big data application.
  • the present invention proposes a living circle identification method based on positioning data, aiming at the problem of simply making a circle with the place of residence or work in the existing living circle, ignoring the real situation of the crowd, and identifying the crowd with positioning data
  • the behavior of people is integrated with the behavior points within the daily walking range to get the real living and working life circle of the crowd.
  • the technical solution adopted by the present invention is: a method for identifying a living circle based on positioning data.
  • the method includes the following steps:
  • step 2 Identify the behavior points of the effective positioning data file obtained in step 1, and divide the different behavior characteristics of the behavior points according to the duration of the behavior points in a specific time period: including residential behavior point M, work behavior point N, and life Behavior point set P.
  • step (1) includes:
  • the data collection time is every 5 minutes.
  • the data content includes the user number, the user's location update date and time, and the user's real-time latitude and longitude coordinates.
  • Positioning data can be obtained through mobile phone operators, or through GPS data collection.
  • the anonymous location data number is the user identification number after desensitization, and does not involve the user's private information.
  • the data collection time interval can be set freely in actual work.
  • the standard format of positioning data is as follows:
  • step (2) includes:
  • (2.2) points to sort all tracks in time series trajectory point O n determines which path point O n + 1 from the track point O n is less than S m, such as less than S m, is as O n a Adjacent points; continue the above operations, continue to judge, to the track point O n+m , if the distance from the track point O n is greater than or equal to the threshold S meters, the search stops; calculate the track point O n+m and the track point O n time intervals, such as greater than or equal to the duration T 1 minute, the recording track of all points to O n O n + m-1; such duration is less than T 1 minute, to O n O n + m-1 is not satisfied Request, the result is invalid; go to the next track point, that is, start at track point O n+1 , repeat the above steps;
  • step 2.1.2 Cluster all trajectory points O n to On +m-1 obtained in step 2.1.2 to generate behavior points, where the latitude and longitude of the behavior point is the mean value of all trajectory points O n to O n+m-1 , The time t n when the track point O n is located is the start time of the action point, and the time t n+m-1 when the track point O n+m-1 is located is the end time of the action point;
  • step (2.5) Determine in turn whether the interval between the start time and end time of the action points obtained in step (2.4) has an intersection with the interval 23:00-05:00, record the above-mentioned intersection action points to form a set A1, and calculate the A1
  • the behavior point with the maximum time difference between the end time and the start time of the behavior point is regarded as the residence behavior point M;
  • step (2.6) Determine in turn whether the start time and end time of the behavior points obtained in step (2.4) have an intersection with the 08:00-17:00 interval, record the above-mentioned intersection behavior points to form a set A2, and calculate the behavior points in A2
  • the action point with the maximum time difference between the end time and the start time of is regarded as the work action point N;
  • step (3) includes:
  • step (2) Load the behavior point file obtained in step (2) into ArcGIS software in layers to form three layers: residential behavior point M, work behavior point N, and life behavior point set P.
  • step (4) includes:
  • the living area of each object in the residential area can be combined to obtain the living area of all objects in the residential area; the working and living area of each object in the office area can be combined to obtain a specific The working life circle area of all objects in the office area.
  • the present invention uses positioning data to identify effective behaviors of the crowd through algorithms and rules, and obtains the actual residential behavior points, work behavior points and life behavior points of the crowd. Taking the walking distance in a specific area within a specific time as the radius of the life circle, extract the life behavior points within the radius of the life circle from the residence behavior point and the work behavior point respectively, as the residence life behavior point and work life behavior point.
  • the minimum boundary geometric area for generating living behavior points and living life behavior points is the living life circle
  • the minimum boundary geometric area for generating working behavior points and work life behavior points is the working life circle.
  • the present invention makes full use of positioning data to accurately locate the crowd
  • the real living or working life circle is more scientific and objective than the circle in the traditional sense, providing a scientific basis for the analysis and construction of the living or working life circle planning.
  • FIG. 1 Schematic diagram of behavior point recognition method
  • Fig. 3 is a schematic diagram of the living space of the present invention.
  • Fig. 4 is a schematic diagram of the working and living circle space of the present invention.
  • Figure 5 The application of the present invention in the living circle of a user in the Zhima Village residential area in Xinjiekou area, Nanjing;
  • Fig. 6 The application of the present invention in the residential living circle of Zhima Village, Xinjiekou, Nanjing.
  • EXCEL software to preprocess the anonymous mobile phone location data CSV file, where the anonymous mobile phone location data CSV file is obtained from the mobile phone information push service provider, including the user number, the date, time, and latitude and longitude coordinate information of the user's location update; and , Or use GPS positioning equipment to collect positioning data files;
  • the specific steps for obtaining the mobile phone location data of anonymous users through the mobile phone information push service provider are as follows: Obtain the mobile phone location data of all users in Nanjing on November 11, 2017 through the mobile phone information push service provider.
  • the data collection time is every 5 minutes.
  • the collection time interval can be preset according to actual needs.
  • the data content includes user ID, user location update date and time, user real-time latitude and longitude coordinates, a total of 2.321 billion pieces of collected data.
  • the specific data format requirements are shown in Table 1, including desensitized data.
  • the user's mobile phone location data number is the desensitized mobile phone identification number, which does not involve the user's private information.
  • the distance threshold S is 50 meters
  • the shortest time interval T 1 threshold is 15 minutes.
  • the 50 meters and 15 minutes in this example are just examples, and different values can be set according to actual needs;
  • (2.2) points to sort all tracks in time series trajectory point O n, determines which path point O n + 1 from the track point O n is less than 50 m, such as less than 50 meters, then as O n a Adjacent points; continue the above operations, continue to judge, to the track point O n+m , if the distance from the track point O n is greater than or equal to the threshold 50 meters, the search stops; calculate the track point O n+m and the track point O n time intervals, as a duration greater than or equal to 15 minutes, all the recording track point to O n O n + m-1; such a duration less than 15 minutes, to O n O n + m-1 does not meet the requirements, The result is invalid; go to the next trajectory point, starting from the trajectory point O n+1 , repeat the above steps until a point that meets the conditions is found, go to step (2.3).
  • (2.3) Cluster all track points O n to O n+m-1 obtained in step 2.2 to generate behavior points.
  • the latitude and longitude of the behavior point is the mean value of the latitude and longitude of all the trajectory points O n to On +m-1
  • the time t n when the trajectory point O n is located is the start time of the behavior point
  • the trajectory point O n+m-1 The time t n+m-1 when it is located is the end time of the action point;
  • step (2.5) Determine in turn whether the interval between the start time and the end time of the action point obtained in step (2.4) has an intersection with the interval 23:00-05:00, record all the above-mentioned intersection action points to form a set A1, and calculate A1
  • the behavior point with the maximum time difference between the end time and the start time of the behavior point is taken as the residence behavior point M;
  • step (2.6) Determine in turn whether the interval between the start time and end time of the action point obtained in step (2.4) has an intersection with the interval 08:00-17:00, record all the above-mentioned intersection action points to form a set A2, and calculate A2
  • the behavior point with the maximum time difference between the end time and the start time of the behavior point is regarded as the work behavior point N;
  • the measured D value is 1.5 km, and the life behavior point set Q within 1.5 km from the residential behavior point is extracted.
  • the target layer is the life behavior point set P layer of user 00069f1927ee5cef9919335d75170d3
  • the source layer is circle M
  • the spatial selection method of the layer and target layer features is "completely located within the range of the source layer features”.
  • the exported layer is an SHP file of the "living life behavior point set Q”.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Databases & Information Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Remote Sensing (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)
  • Navigation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于定位数据的生活圈识别方法，首先对定位数据文件进行预处理；然后对定位数据进行行为点识别，并根据行为点在特定时间段的持续时长，划分出居住行为点、工作行为点和生活行为点集；选取特定城市或地区，实测或赋经验值，获取生活圈半径D值；提取分别距居住行为点M和工作行为点N小于D值的生活行为点，形成居住生活行为点集Q和工作生活行为点集S；分别提取点M和点集Q及点N和点集S形成最小边界几何面域，形成居住生活圈面域和工作生活圈面域。本发明充分利用定位数据，精准划定人群真实的居住或工作生活圈，比传统地以居住地为圆心圈层划定方法更为科学和客观，为居住或工作生活圈规划的分析和建设提供科学依据。

Description

一种基于定位数据的生活圈识别方法 技术领域
本发明属于城市规划技术领域，尤其涉及一种基于定位数据的生活圈识别方法。
背景技术
随着城市更新热潮的持续高涨，人们对集约的空间布局与精致的生活品质的需求不断提升。而生活圈作为城市人居环境的基本单元，决定着城市的设施空间配置及生活品质的塑造。国内外现有的生活圈范围界定方法主要以时间距离、空间距离或者是功能来定义生活圈等。
此类生活圈范围界定的方法中，以时间距离定义生活圈的分析方法主要通过计算“15分钟步行距离”、“一小时通勤圈”等方式来划定城市生活圈的边界；以空间距离定义的生活圈主要通过“800m的步行距离”来确定可达空间边界，形成生活圈的范围；而以功能来定义的生活圈则通过计算重大设施的距离来确定生活圈边界。以上三类生活圈的划定方法皆存在一定的局限性，更多的以人为主观感受与经验判断来确定生活圈。首先，单纯的通过交通时间划分方法中，持续的移动行为并不符合实际人群活动特征，此方法缺乏对生活中人的真实行为活动进行考虑；通过纯空间距离划分方法，通过判断人群短期步行的最远距离，忽视了具体个体的行为特征，模糊了人群活动之间的差异性。通过重大设施等级的划分方法，仅从城市范围层面，对生活圈的等级分析，并未结合人群的真实使用情况。
此外，也存在一些专家学者通过GPS定位数据，对人群活动范围进行真实重现，但分析的方法与技术较为局限，通过一个小范围，少量人，短时间的测度方式来划定某一小范围地段的生活圈边界，难以对城市整体的人群生活圈进行范围的界定。因此，目前生活圈识别的方式更多的是人为主观的界定方式或者小范围的真实表征方法，缺乏城市尺度的人群生活范围的真实还原，并且未能与当下多源大数据的应用相结合。
发明内容
发明目的：针对以上问题，本发明提出一种基于定位数据的生活圈识别方法,针对现有生活圈以居住地或工作地简单做圆，忽视人群的真实情况的问题，以定位数据，识别人群的行为，以日常步行范围内的行为点集成面，得出人群真实的居住生活圈及工作生活圈。
技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种基于定位数据的生活圈识别方法，该方法包括以下步骤：
(1)获取用户的定位数据文件，运用EXCEL软件对定位数据文件进行预处理。
(2)对步骤1得到的有效定位数据文件进行行为点识别，并根据行为点在特定时间段的持续时长，划分出行为点的不同行为性质：包括居住行为点M、工作行为点N和生活行为点集P。
(3)选取特定城市或地区，实测或赋经验值获取特定时长人群的步行距离，得出特定时长生活圈半径D值。提取距居住行为点M距离小于D值的生活行为点，形成居住生活行为点集Q；和/或,提取距工作行为点N距离小于D值的生活行为点，形成工作行为点集S。
(4)提取点M和点集Q形成最小边界几何面域，获取用户的居住生活圈面域Y，和/或提取点N和点集S形成最小边界几何面域，获取用户的工作生活圈面域L。
进一步的，所述步骤(1)包括：
(1.1)获得脱敏定位数据，数据采集时间为5分钟一次，数据内容包括用户编号，用户位置更新日期与时间，用户实时经纬度坐标。定位数据可以通过手机运营商获得，亦可通过GPS数据采集获得。其中匿名定位数据编号为脱敏后的用户识别号，不涉及到用户的隐私信息。实际工作中数据采集时间间隔可以自由设定。定位数据的标准格式如下：
表1 定位数据格式示例
Figure PCTCN2019081820-appb-000001
(1.2)将脱敏的定位数据储存于配置不低于Intel Xeon Processor E5-2620V4处理器，512G SSD，128G DDR4内存的工作站上，并在此工作站上进行具体操作。
(1.3)在Excel程序中，使用‘查找和选择’命令，勾选‘空值’，获取所有空值单元格，右击“删除”命令，选择删除“整行”。使用“数据”命令栏下的“删除重复项”，勾选‘用户ID’列，删除所有用户重复数据。使用“排序和筛选”命令栏下的 “筛选”命令，勾选‘数字筛选’，选择并删除日期或者经纬度不在正常值范围内的数据。
进一步的，所述步骤(2)包括：
(2.1)定义距离阈值和最短时间间隔阈值，距离阈值为S米,最短时间间隔阈值为T 1分钟；
(2.2)对所有轨迹点按照时间序列排序，对轨迹点O n，判断其下一个轨迹点O n+1与轨迹点O n的距离是否小于S米，如小于S米，则作为O n的相邻点；持续以上操作，继续判断，至轨迹点O n+m，若其与轨迹点O n的距离大于或等于阈值S米，即搜索停止；计算轨迹点O n+m和轨迹点O n的时间间隔，如持续时间大于或等于T 1分钟，则记录所有轨迹点O n到O n+m-1；如持续时间小于T 1分钟，则O n到O n+m-1不满足要求，结果无效；转至下一个轨迹点，即轨迹点O n+1开始，重复以上步骤；
(2.3)将步骤2.1.2得到的所有轨迹点O n到O n+m-1聚类，生成行为点，其中行为点的经纬度为所有轨迹点O n到O n+m-1经纬度的均值，轨迹点O n被定位的时间t n为行为点的开始时间，轨迹点O n+m-1被定位时的时间t n+m-1作为行为点的结束时间；
(2.4)从轨迹点O n+m开始，重复步骤2.2与步骤2.3，遍历所有轨迹点，识别出所有的行为点；
(2.5)依次判断步骤(2.4)得到的行为点的开始时间和结束时间的区间是否与23:00-05:00区间有交集，记录上述有交集的行为点形成集合A1，并计算A1中的行为点的结束时间与开始时间的时间差最大值的行为点，作为居住行为点M；
(2.6)依次判断步骤(2.4)得到的行为点的开始时间和结束时间是否与08:00-17:00区间有交集，记录上述有交集的行为点形成集合A2，并计算A2中的行为点的结束时间与开始时间的时间差最大值的行为点，作为工作行为点N；
(2.7)所有行为点文件中，剔除居住行为点M以及工作行为点N，得到生活行为点集P＝{p1，p2，p3，……，pn}。
进一步的，所述步骤(3)包括：
(3.1)实测确定生活圈半径大小：选取拟划定生活圈的城市/地区，选择独立出行的人员，其中0-20岁市民、21-40岁市民、41-60岁市民、大于60岁市民，各个年龄段男女各L人，总实验人数为8*L人，在道路上连续行走T 2分钟，以佳明GPSMAP 62scGPS记录仪器记录他们的所有步行距离，取所有距离的平均值作为生活圈半径D；或者通过 赋经验值，单位分钟步行距离为d，D＝d*T 2，其中，时长T 2基于城市和地区的差异，通常取值为15、30或60。
(3.2)将步骤(2)得到的行为点文件，分图层加载到ArcGIS软件中，形成居住行为点M、工作行为点N、到生活行为点集P三个图层。
(3.3)在ArcGIS软件中，分别以点M和点N为圆心，画半径为D的圆形，为圆M图层和圆N图层。
(3.4)使用ArcGIS软件中“选择”下的“按照位置选择文件”命令，勾选“从以下图层中选择要素”，目标图层为生活行为点集P图层，源图层分别为圆M图层和源N图层，目标图层要素的空间选择方法为“完全位于源图层要素范围内”，选择后，导出图层为“居住生活行为点集Q”和“工作生活行为点集S”的SHP文件。
进一步的，所述步骤(4)包括：
(4.1)在ArcGIS软件中，使用“合并”命令，将点M和点集Q合并，得到点集X；
(4.2)在ArcGIS软件中，使用“最小边界几何”命令，在输入要素中，输入点集X，在地理选项中，选择“凸包(CONVEX HULL)”，输出面域Y，所形成的面域范围，即为目标对象的居住生活圈范围。如图3所示，为本发明的空间示意图，其中面域MP 1P 2即为居住生活圈范围。
(4.3)在ArcGIS软件中，使用“合并”命令，将点N和点集S合并，得到点集K；
(4.4)在ArcGIS软件中，使用“最小边界几何”命令，在输入要素中，输入点集K，在地理选项中，选择“凸包(CONVEX HULL)”，输出面域L，所形成的面域范围，即为目标对象的工作生活圈范围。如图4所示，为本发明的空间示意图，其中面域NP 3P nP 4即为工作生活圈范围。
进一步的，还可以将居住区每个对象的居住生活圈面域合并，即得到该居住区所有对象的居住生活圈面域；将办公区每个对象的工作生活圈面域合并，即得到特定办公区所有对象的工作生活圈面域。
有益效果：与现有技术相比，本发明的技术方案具有以下有益技术效果：
本发明利用定位数据，通过算法和规则识别人群有效的行为，得出人群真实的居住行为点、工作行为点和生活行为点。以特定地区特定时间内的步行距离，作为生活圈半径，提取出分别距离居住行为点和工作行为点生活圈半径范围内的生活行为点，为居住生活行为点和工作生活行为点。生成居住行为点和居住生活行为点的最小边界几何面域为居住生活圈，生成工作行为点和工作生活行为点的最小边界几何面域为工作生活圈， 本发明充分利用定位数据能够精准定位人群真实的居住或工作生活圈，比传统意义上的圆形更为科学和客观，为居住或工作生活圈规划的分析和建设提供科学依据。
附图说明
图1本发明的流程图；
图2行为点识别方法示意图；
图3本发明的居住生活圈空间示意图；
图4本发明的工作生活圈空间示意图；
图5本发明在南京市新街口片区止马村居住小区某用户居住生活圈的应用；
图6本发明在南京市新街口止马村居住小区居住生活圈的应用。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
以下将基于定位数据识别南京新街口止马村居住小区的15分钟居住生活圈及附图来详细地说明本发明的技术方案，如：
(1)运用EXCEL软件对匿名手机定位数据CSV文件进行预处理，其中匿名手机定位数据CSV文件从手机信息推送服务商处获取，包括用户编号，用户位置更新的日期，时间和经纬度坐标信息；并且，或通过GPS定位仪器搜集获取定位数据文件；
(1.1)通过手机信息推送服务商获得匿名用户的手机定位数据的具体步骤如下：通过手机信息推送服务商获得南京所有用户2017年11月11号的手机定位数据，数据采集时间为5分钟一次，采集时间间隔可以根据实际需要预先设置，数据内容包括用户编号，用户位置更新日期与时间，用户实时经纬度坐标，共采集数据23.21亿条，具体数据格式要求如表1所示，包含脱敏后的用户编号，用户性别、年龄、位置更新日期、时间、经度、维度信息。其中用户手机定位数据编号为脱敏后的手机识别号，不涉及到用户的隐私信息。将匿名手机定位数据储存于配置不低于Intel Xeon Processor E5-2620V4处理器，512G SSD，128G DDR4内存的工作站上，并在此工作站上进行具体操作。
表2 数据格式示例
Figure PCTCN2019081820-appb-000002
(1.2)运用EXCEL软件对步骤1得到的南京所有手机用户定位数据CSV文件进行预处理，删除缺失数据，重复数据和异常数据，得到所有用户的有效定位数据CSV文件。
例如，在Excel程序中，使用‘查找和选择’命令，勾选‘空值’，获取所有空值单元格，右击“删除”命令，选择删除“整行”。使用“数据”命令栏下的“删除重复项”，勾选‘用户ID’列，删除所有用户重复数据。使用“排序和筛选”命令栏下的“筛选”命令，勾选‘数字筛选’，选择并删除日期或者经纬度不在正常值范围内的数据。
(2)对步骤2得到的南京所有手机用户有效定位数据CSV文件进行行为点识别；根据行为点所在的时间段，划分出南京所有手机用户行为点的不同行为性质：包括居住行为点、工作行为点和生活行为点。
(2.1)定义距离阈值和最短时间间隔阈值，距离阈值S为50米,最短时间间隔T 1阈值为15分钟，该实例中的50米和15分钟只是示例，可以根据实际需要设置不同的值；
(2.2)对所有轨迹点按照时间序列排序，对轨迹点O n，判断其下一个轨迹点O n+1与轨迹点O n的距离是否小于50米，如小于50米，则作为O n的相邻点；持续以上操作，继续判断，至轨迹点O n+m，若其与轨迹点O n的距离大于或等于阈值50米，即搜索停止；计算轨迹点O n+m和轨迹点O n的时间间隔，如持续时间大于或等于15分钟，则记录所有轨迹点O n到O n+m-1；如持续时间小于15分钟，则O n到O n+m-1不满足要求，结果无效；转至下一个轨迹点，即轨迹点O n+1开始，重复以上步骤，直到找到符合条件的点，转到步骤(2.3)。
(2.3)将步骤2.2得到的所有轨迹点O n到O n+m-1聚类，生成行为点。其中，行为点 的经纬度为所有轨迹点O n到O n+m-1所有点经纬度的均值，轨迹点O n被定位的时间t n为行为点的开始时间，轨迹点O n+m-1被定位时的时间t n+m-1作为行为点的结束时间；
(2.4)从轨迹点O n+m开始，重复步骤2.2与步骤2.3，遍历所有轨迹点，识别出所有的行为点；
(2.5)依次判断步骤(2.4)得到的行为点的开始时间和结束时间的区间是否与23:00-05:00区间有交集，记录上述所有有交集的行为点形成集合A1，并计算A1中的行为点的结束时间与开始时间的时间差最大值的行为点，作为居住行为点M；
(2.6)依次判断步骤(2.4)得到的行为点的开始时间和结束时间的区间是否与08:00-17:00区间有交集，记录上述所有有交集的行为点形成集合A2，并计算A2中的行为点的结束时间与开始时间的时间差最大值的行为点，作为工作行为点N；
(2.7)所有行为点文件中，剔除居住行为点M以及工作行为点N，得到生活行为点集P文件＝{p1，p2，p3，……，pn}。
(3)实测获取15分钟步行距离D值，该实施例实测D值为1.5km，提取距离居住行为点1.5km范围内的生活行为点集Q。
(3.1)选取南京新街口片区和人群特征，实测获取15分钟步行距离为1.5km的具体步骤如下：实测确定生活圈半径大小：选取特定的南京新街口片区，选择独立出行的人员，其中0-20岁市民、21-40岁市民、41-60岁市民、大于60岁市民，各个年龄段男女各10人，总试验者各80人，在新街口城市道路上连续行走15分钟，然后使用佳明GPSMAP 62sc记录仪器记录起始点与终点的距离，取所有距离的平均值作为生活圈半径D，本实施例距离值1.5km。
(3.2)以南京止马村居住小区为例，以居住点位于该居住小区的用户00069f1927ee5cef9919335d75170d3为例，提取其一天的行为活动轨迹点数据。
(3.3)将步骤3.2得到的用户00069f1927ee5cef9919335d75170d3行为点CSV文件，分图层加载到ArcGIS软件中，形成用户00069f1927ee5cef9919335d75170d3居住行为点M、工作行为点N、到生活行为点集P三个图层。
(3.4)在ArcGIS软件中，以用户00069f1927ee5cef9919335d75170d3的居住点M为圆心，画半径距离为1.5km的圆形，为圆M图层。
(3.5)提取位于圆M内的生活行为点集P得到居住生活行为点集Q，方法如下：
使用ArcGIS软件中“选择”下的“按照位置选择文件”命令，勾选“从以下图层中选择要素”，目标图层为用户00069f1927ee5cef9919335d75170d3的生活行为点集P 图层，源图层为圆M图层，目标图层要素的空间选择方法为“完全位于源图层要素范围内”，选择后，导出图层为“居住生活行为点集Q”的SHP文件。
(4)提取点M和点集Q形成最小边界几何面域，获取形成手机用户的居住生活圈面域。
(4.1)在ArcGIS软件中，使用“合并”命令，将点M和点集Q合并，得到点集X；
(4.2)在ArcGIS软件中，使用“最小边界几何”命令，在输入要素中，输入点集X，在地理选项中，选择“凸包(CONVEX HULL)”，输出面域Y，所形成的面域范围，即为手机用户00069f1927ee5cef9919335d75170d3的居住生活圈面域。如图5所示，为手机用户00069f1927ee5cef9919335d75170d3的实际生活圈，具体范围为面域P 1P 2P 3P 4P 5P 6P 7。
(4.3)提取居住点为止马村居住小区的所有用户的行为活动点数据，重复上述步骤3.2至步骤4.2，获取该居住小区所有用户居住生活圈几何面域集合{Y 1,Y 2,……，Y n}，对所有面域取并集，输出面域Y zmc，即为该居住小区居住生活圈面域。如图6所示，为止马村居住小区的居住生活圈范围，即面域：
P M21-H 1-P M32-P M34-P M12-H 2-P M37-H 3-P M22-P M23-P M15-P M36-H 4-P M16-P M17-P M26-P M27，其中P M21是居住行为点为M2的手机用户的生活行为点，依此类推；H为该住区用户居住生活圈面域面域交汇点。

Claims (9)

  1. 一种基于定位数据的生活圈识别方法，其特征在于，该方法包括以下步骤：
    (1)获取用户的定位数据文件，并对定位数据文件进行预处理；
    (2)对步骤(1)得到的有效定位数据进行行为点识别，并将行为点划分为居住行为点M、工作行为点N和生活行为点集P；
    (3)设置生活圈半径D值,提取距居住行为点M距离小于D值的生活行为点，形成居住生活行为点集Q；和/或,提取距工作行为点N距离小于D值的生活行为点，形成工作生活行为点集S；
    (4)提取点M和点集Q形成最小边界几何面域，获取用户的居住生活圈面域Y，和/或提取点N和点集S形成最小边界几何面域，获取用户的工作生活圈面域L。
  2. 根据权利要求1或2所述的一种基于定位数据的生活圈识别方法，其特征在于，所述定位数据文件包括用户编号，用户位置更新的日期，时间和经纬度坐标信息。
  3. 根据权利要求1或2所述的一种基于定位数据的生活圈识别方法，其特征在于，步骤(1)获取用户的定位数据文件方法如下：定位数据文件可从手机信息推送服务商处获取脱敏的定位数据，或通过GPS定位仪器搜集获取GPS定位数据。
  4. 根据权利要求1或2所述的一种基于定位数据的生活圈识别方法，其特征在于，所述步骤(1)对定位数据文件进行预处理的方法如下：在EXCEL软件中，使用查找和选择功能内的定位选项，选择并删除缺失用户编号和经纬度信息的数据；使用删除重复项命令，选择并删除重复用户编号的数据；使用数字筛选命令，选择并删除日期或者经纬度不在预设正常值范围内的异常数据。
  5. 根据权利要求1或2所述的一种基于定位数据的生活圈识别方法，其特征在于，对步骤(2)得到的定位数据文件进行行为点识别，并将行为点划分为居住行为点M、工作行为点N和生活行为点集P的方法如下：
    (2.1)定义距离阈值和最短时间间隔阈值，设距离阈值为S米,最短时间间隔阈值为T 1分钟；
    (2.2)对定位数据中所有轨迹点按照时间序列排序，对轨迹点O n，判断其下一个轨迹点O n+1与轨迹点O n的距离是否小于S米，如小于S米，则作为O n的相邻点；持续以上操作，继续判断，至轨迹点O n+m，若其与轨迹点O n的距离大于或等于阈值S米，即搜索停止；计算轨迹点O n+m和轨迹点O n的时间间隔，如持续时间大于或等于预设时间T 1，则记录所有轨迹点O n到O n+m-1；如持续时间小于T 1，则O n到O n+m-1不满足要求，结果无效；转至下一个轨迹点，即轨迹点O n+1开始，重复以上步骤，直到找到符合条件的点，转到 步骤(2.3)；
    (2.3)将步骤(2.2)得到的所有轨迹点O n到O n+m-1聚类，生成行为点，其中行为点的经纬度为所有轨迹点O n到O n+m-1经纬度的均值，轨迹点O n被定位的时间t n为行为点的开始时间，轨迹点O n+m-1被定位时的时间t n+m-1作为行为点的结束时间；
    (2.4)从轨迹点O n+m开始，重复步骤2.2与步骤2.3，遍历所有轨迹点，识别出所有的行为点；
    (2.5)依次判断步骤(2.4)得到的行为点的开始时间和结束时间的区间是否与23:00-05:00区间有交集，记录上述所有有交集的行为点形成集合A1，并选择A1中的行为点的结束时间与开始时间的时间差最大值的行为点，作为居住行为点M；
    (2.6)依次判断步骤(2.4)得到的行为点的开始时间和结束时间是否与08:00-17:00区间有交集，记录上述所有有交集的行为点形成集合A2，并选择A2中的行为点的结束时间与开始时间的时间差最大值的行为点，作为工作行为点N；
    (2.7)所有行为点文件中，剔除居住行为点M以及工作行为点N，得到生活行为点集P＝{p1，p2，p3，……，pn}。
  6. 根据权利要求5所述的一种基于定位数据的生活圈识别方法，其特征在于，步骤(3)中，提取距居住行为点M和工作行为点N距离小于D值的生活行为点，并形成居住生活行为点集Q和工作生活行为点集S的具体方法如下：
    (3.1)将步骤(2.5)-(2.7)得到的行为点文件，分图层加载到ArcGIS软件中，形成居住行为点M、工作行为点N、生活行为点集P三个图层；
    (3.2)在ArcGIS软件中，以点M和点N为圆心，画半径为D的圆形，为圆M图层和圆N图层；
    (3.3)在ArcGIS软件中，提取落在圆M图层范围内的生活行为点集P中的点，导出图层为居住生活行为点集Q的SHP文件；
    (3.4)在ArcGIS软件中，提取落在圆N图层范围内的生活行为点集P中的点，导出图层为工作生活行为点集S的SHP文件。
  7. 根据权利要求6述的一种基于定位数据的生活圈识别方法，其特征在于，步骤(4)中，提取点M和点集Q形成最小边界几何面域，获取用户的居住生活圈面域Y的具体步骤如下：
    (4.1)在ArcGIS软件中，将点M和点集Q合并，得到点集X；
    (4.2)在ArcGIS软件中，使用“最小边界几何”命令，在输入要素中，输入点集 X，在地理选项中，选择“凸包(CONVEX HULL)”，输出面域Y，所形成的面域范围即为目标对象的居住生活圈范围。
  8. 根据权利要求6述的一种基于定位数据的生活圈识别方法，其特征在于，步骤(4)中，提取点N和点集S形成最小边界几何面域，获取用户的工作生活圈面域L的具体步骤如下：
    (4.3)在ArcGIS软件中，将点N和点集S合并，得到点集K；
    (4.4)在ArcGIS软件中，使用“最小边界几何”命令，在输入要素中，输入点集K，在地理选项中，选择“凸包(CONVEX HULL)”，输出面域L，所形成的面域范围即为目标对象的工作生活圈范围。
  9. 根据权利要求6或7所述的一种基于定位数据的生活圈识别方法，其特征在于，将居住区内每个对象的居住生活圈面域合并，即得到居住区所有对象的居住生活圈面域；将办公区每个对象的工作生活圈面域合并，即得到办公区所有对象的工作生活圈面域。
PCT/CN2019/081820 2019-02-28 2019-04-08 一种基于定位数据的生活圈识别方法 Ceased WO2020172954A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910149875.0A CN110032609B (zh) 2019-02-28 2019-02-28 一种基于定位数据的生活圈识别方法
CN201910149875.0 2019-02-28

Publications (1)

Publication Number Publication Date
WO2020172954A1 true WO2020172954A1 (zh) 2020-09-03

Family

ID=67235723

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2019/081820 Ceased WO2020172954A1 (zh) 2019-02-28 2019-04-08 一种基于定位数据的生活圈识别方法

Country Status (2)

Country Link
CN (1) CN110032609B (zh)
WO (1) WO2020172954A1 (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113298301A (zh) * 2021-05-17 2021-08-24 东南大学 一种基于人群数字画像的城市服务设施评价及优化方法
CN114492590A (zh) * 2021-12-29 2022-05-13 中科大数据研究院 一种基于轨迹聚类的边境通道生成方法及装置
CN115687549A (zh) * 2022-09-28 2023-02-03 广州市城市规划设计有限公司 一种快速高效的生活圈划定方法、装置、设备及介质
CN116307927A (zh) * 2023-04-19 2023-06-23 东南大学 一种基于人流预测的生活圈规划合理性评估方法及系统
CN116709502A (zh) * 2023-05-19 2023-09-05 上海游昆信息技术有限公司 数据处理方法、装置、设备及计算机存储介质
CN117076744A (zh) * 2023-10-13 2023-11-17 广州市城市规划勘测设计研究院 一种无障碍设施建设选址方法及设备
CN119130200A (zh) * 2024-11-08 2024-12-13 北京市城市规划设计研究院 游憩设施选址方法、装置、设备及介质
CN119537821A (zh) * 2024-09-30 2025-02-28 华南理工大学 中心城区数字生活圈边界识别方法、系统、设备及介质
CN120180637A (zh) * 2025-03-12 2025-06-20 自然资源部国土空间规划研究中心 一种社区生活圈划定方法、装置、设备及介质

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110716925B (zh) * 2019-09-05 2023-08-04 中电科大数据研究院有限公司 一种基于轨迹分析的跨境行为识别方法
CN110972073B (zh) * 2019-11-14 2021-03-02 常州市规划设计院 一种基于手机大数据及步行可达性的生活圈划定方法
CN111966769B (zh) * 2020-07-14 2024-01-02 北京城市象限科技有限公司 基于生活圈的信息推荐方法、装置、设备和介质
CN112087716B (zh) * 2020-08-17 2022-06-07 同济大学 社区生活圈边界测度方法、系统、计算机设备及存储介质
CN113127594B (zh) * 2021-06-17 2021-09-03 脉策(上海)智能科技有限公司 确定地理区域的组团数据的方法、计算设备和存储介质
CN113421176B (zh) * 2021-07-16 2022-11-01 昆明学院 一种学生成绩分数中异常数据智能筛选方法
CN113642928B (zh) * 2021-08-31 2022-04-01 广州市城市规划勘测设计研究院 应用于城市更新的社区生活圈的规划模拟测度与评价方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102053976A (zh) * 2009-10-30 2011-05-11 财团法人工业技术研究院 移动装置使用者匹配系统与方法
CN102595323A (zh) * 2012-03-20 2012-07-18 北京交通发展研究中心 基于手机定位数据的居民出行特征参数的获取方法
CN105608153A (zh) * 2015-12-18 2016-05-25 晶赞广告（上海）有限公司 一种通用的poi信息关联方法
CN106384120A (zh) * 2016-08-29 2017-02-08 深圳先进技术研究院 一种基于手机定位数据的居民活动模式挖掘方法及装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8195393B2 (en) * 2009-06-30 2012-06-05 Apple Inc. Analyzing and consolidating track file data
CN105142106B (zh) * 2015-07-29 2019-03-26 西南交通大学 基于手机信令数据的出行者职住地识别与出行链刻画方法
CN106570184B (zh) * 2016-11-11 2020-08-14 同济大学 从手机信令数据提取游憩-居住联系数据集的方法
CN106600960B (zh) * 2016-12-22 2020-01-24 西南交通大学 基于时空聚类分析算法的交通出行起讫点识别方法
CN108810818B (zh) * 2018-05-24 2020-10-23 深圳市数字城市工程研究中心 一种居民生活圈的划分方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102053976A (zh) * 2009-10-30 2011-05-11 财团法人工业技术研究院 移动装置使用者匹配系统与方法
CN102595323A (zh) * 2012-03-20 2012-07-18 北京交通发展研究中心 基于手机定位数据的居民出行特征参数的获取方法
CN105608153A (zh) * 2015-12-18 2016-05-25 晶赞广告（上海）有限公司 一种通用的poi信息关联方法
CN106384120A (zh) * 2016-08-29 2017-02-08 深圳先进技术研究院 一种基于手机定位数据的居民活动模式挖掘方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SUN, DAOSHENG; CHAI, YANWEI; ZHANG, YAN: "The Definition and Measurement of Community Life Circle:A Case Study of Qinghe Area in Beijing", URBAN DEVELOPMENT STUDIES, vol. 23, no. 9, 26 September 2016 (2016-09-26), pages 1 - 9, XP009522847, ISSN: 1006-3862 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113298301A (zh) * 2021-05-17 2021-08-24 东南大学 一种基于人群数字画像的城市服务设施评价及优化方法
CN113298301B (zh) * 2021-05-17 2024-04-30 东南大学 一种基于人群数字画像的城市服务设施评价及优化方法
CN114492590A (zh) * 2021-12-29 2022-05-13 中科大数据研究院 一种基于轨迹聚类的边境通道生成方法及装置
CN115687549A (zh) * 2022-09-28 2023-02-03 广州市城市规划设计有限公司 一种快速高效的生活圈划定方法、装置、设备及介质
CN115687549B (zh) * 2022-09-28 2024-04-02 广州市城市规划设计有限公司 一种快速高效的生活圈划定方法、装置、设备及介质
CN116307927A (zh) * 2023-04-19 2023-06-23 东南大学 一种基于人流预测的生活圈规划合理性评估方法及系统
CN116709502A (zh) * 2023-05-19 2023-09-05 上海游昆信息技术有限公司 数据处理方法、装置、设备及计算机存储介质
CN117076744A (zh) * 2023-10-13 2023-11-17 广州市城市规划勘测设计研究院 一种无障碍设施建设选址方法及设备
CN117076744B (zh) * 2023-10-13 2024-02-27 广州市城市规划勘测设计研究院 一种无障碍设施建设选址方法及设备
CN119537821A (zh) * 2024-09-30 2025-02-28 华南理工大学 中心城区数字生活圈边界识别方法、系统、设备及介质
CN119130200A (zh) * 2024-11-08 2024-12-13 北京市城市规划设计研究院 游憩设施选址方法、装置、设备及介质
CN120180637A (zh) * 2025-03-12 2025-06-20 自然资源部国土空间规划研究中心 一种社区生活圈划定方法、装置、设备及介质

Also Published As

Publication number Publication date
CN110032609A (zh) 2019-07-19
CN110032609B (zh) 2023-09-12

Similar Documents

Publication Publication Date Title
CN110032609B (zh) 一种基于定位数据的生活圈识别方法
CN107134142B (zh) 一种基于多源数据融合的城市道路流量预测方法
CN104484993B (zh) 用于交通小区划分的手机信令信息的处理方法
Badland et al. Understanding the Relationship between Activity and Neighbourhoods (URBAN) Study: research design and methodology
Kanuganti et al. Quantifying accessibility to health care using two-step floating catchment area method (2SFCA): A case study in Rajasthan
Yang et al. A data-driven travel mode share estimation framework based on mobile device location data
CN110796337B (zh) 一种评价城市公交站点服务可达性的系统
Gao et al. Identification of urban regions’ functions in Chengdu, China, based on vehicle trajectory data
CN106651027B (zh) 一种基于社交网络的互联网班车线路优化方法
Pflügler et al. Predicting the availability of parking spaces with publicly available data
CN110413855B (zh) 一种基于出租车下客点的区域出入口动态提取方法
CN103971312B (zh) 一种村镇网络节点辐射域导向的农村居民点整治分区方法
CN110222959A (zh) 一种基于大数据的城市就业可达性测算方法及系统
CN108805392B (zh) 一种基于轨迹数据集成人类出行行为的可达性评估方法
CN114444356A (zh) 一种获取居民空间碳排放量的方法及装置
CN116307927B (zh) 一种基于人流预测的生活圈规划合理性评估方法及系统
CN112966941A (zh) 一种基于交通事故大数据的事故黑点识别方法及系统
CN111432417A (zh) 一种基于手机信令数据的体育中心选址方法
CN117076744B (zh) 一种无障碍设施建设选址方法及设备
Yang et al. Evaluating spatial accessibility to COVID-19 vaccination sites based on fine-scale population distributions and heterogeneous travel modes: A case study in Xiangtan, China
CN114579884B (zh) 城市建成区内共享单车出行展示方法及系统
CN117829353A (zh) 街道综合服务中心微观选址方法、系统、设备及存储介质
Pierdicca et al. Identifying the use of a park based on clusters of visitors' movements from mobile phone data
Harris 10 Population mapping by geodemographics and digital imagery
Simanjuntak et al. Semantic Understanding of Human Mobility Lifestyle to support Crisis Management.

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19916737

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19916737

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 19916737

Country of ref document: EP

Kind code of ref document: A1

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 18.03.2022)

122 Ep: pct application non-entry in european phase

Ref document number: 19916737

Country of ref document: EP

Kind code of ref document: A1