手機(jī)信令數(shù)據(jù)分析與移動(dòng)對(duì)象軌跡數(shù)據(jù)分析-論文摘要合集

1、《基于電信位置數(shù)據(jù)的人群流量預(yù)測(cè)》盧光躍，李四維，趙宇翔，王天賜西安郵電大學(xué)學(xué)報(bào)摘要：將遺傳算法和支持向量回歸法結(jié)合起來，給出一種基于電信位置數(shù)據(jù)的人群流量預(yù)測(cè)方法。提取出電信位置數(shù)據(jù)中的人群流量時(shí)間序列，綜合考慮其不同時(shí)間點(diǎn)值的關(guān)聯(lián)性，用支持向量回歸方法對(duì)其進(jìn)行預(yù)測(cè)，并使用遺傳算法對(duì)支持向量回歸方法的參數(shù)進(jìn)行優(yōu)化。綜合考慮人群流量變化的橫向和縱向趨勢(shì)，同時(shí)考慮使用遺傳算法對(duì)SVR算法的參數(shù)進(jìn)行尋優(yōu)，給出一種基于綜合特征和GA的SVR區(qū)域人群流量預(yù)測(cè)算法，即對(duì)原始電信位置數(shù)據(jù)進(jìn)行預(yù)處理，提取出反映區(qū)域人群流量的時(shí)間序列，綜合考慮其橫向變化趨勢(shì)和縱向變化趨勢(shì)，建立基于GA與SVR的融合算法GA－SVR模型，對(duì)區(qū)域人群流量進(jìn)行預(yù)測(cè)。2、《基于模式挖掘與匹配的移動(dòng)軌跡預(yù)測(cè)方法》趙越，劉衍珩，余雪崗，魏達(dá)吉林大學(xué)學(xué)報(bào)(工學(xué)版)摘要：分析了移動(dòng)軌跡預(yù)測(cè)的已有方案及各方案存在的問題，提出了一種全新的移動(dòng)設(shè)備位置預(yù)測(cè)方法，即基于模式挖掘與模式匹配的移動(dòng)用戶移動(dòng)軌跡預(yù)測(cè)(Mpp)方法。在若干個(gè)實(shí)際WLAN用戶的移動(dòng)跟蹤數(shù)據(jù)集上對(duì)Markov預(yù)測(cè)器和新預(yù)測(cè)器的預(yù)測(cè)精度進(jìn)行了比較。實(shí)驗(yàn)結(jié)果表明：該方法能夠達(dá)到比較理想的預(yù)測(cè)效果，與二階Markov預(yù)測(cè)器的預(yù)測(cè)效果基本持平。同時(shí)，該方法能夠?qū)崿F(xiàn)增量挖掘，預(yù)測(cè)精度和可靠性有了進(jìn)一步提高，具有較高的實(shí)用價(jià)值。3、《基于移動(dòng)通信數(shù)據(jù)的用戶移動(dòng)軌跡預(yù)測(cè)方法》劉震，付俊輝，趙楠計(jì)算機(jī)應(yīng)用與軟件摘要：首先，將話單數(shù)據(jù)所反映的離散軌跡轉(zhuǎn)換為連續(xù)軌跡得到用戶行為模式，基于該行為模式提出了軌跡預(yù)測(cè)算法Match，實(shí)驗(yàn)證明，使用該算法有85%的人類行為可以預(yù)測(cè)。通過對(duì)歷史相似軌跡進(jìn)行合并，更加準(zhǔn)確地刻畫了用戶的真實(shí)軌跡，進(jìn)一步提高了預(yù)測(cè)準(zhǔn)確率。并得出結(jié)論：在以天為單位的尺度上，人類的行為有30%是自相似的。4、《基于移動(dòng)網(wǎng)絡(luò)信令數(shù)據(jù)的實(shí)時(shí)人流量統(tǒng)計(jì)方法》吳松，雒江濤，周云峰，林舉廳計(jì)算機(jī)應(yīng)用研究摘要：結(jié)合GIS技術(shù)實(shí)現(xiàn)了自定義區(qū)域?qū)崟r(shí)人流量智能化統(tǒng)計(jì)。經(jīng)過北京移動(dòng)信令處理平臺(tái)應(yīng)用，該方法較為有效，能對(duì)北京市各區(qū)域?qū)崟r(shí)人流量進(jìn)行較為準(zhǔn)確的統(tǒng)計(jì)。首先在客戶端后臺(tái)Web頁面利用GIS畫出一指定區(qū)域;然后選定待測(cè)用戶進(jìn)入該區(qū)域，選定某一時(shí)間在信令處理平臺(tái)DB的區(qū)域駐留表中查找待測(cè)用戶是否在指定區(qū)域;最后利用客戶端前臺(tái)Web查看區(qū)域統(tǒng)計(jì)的實(shí)時(shí)人流量與數(shù)據(jù)庫中統(tǒng)計(jì)數(shù)值是否一致。5、《基于手機(jī)信令定位數(shù)據(jù)的居民出行時(shí)空分布特征提取方法》李祖芬，于雷，高永摘要：為了得到可靠的居民出行時(shí)空分布特征，并為城市交通規(guī)劃提供準(zhǔn)確的出行現(xiàn)狀數(shù)據(jù)，基于手機(jī)信令定位數(shù)據(jù)設(shè)計(jì)了提取居民出行時(shí)空分布特征的方法。通過對(duì)重復(fù)冗余的手機(jī)數(shù)據(jù)進(jìn)行處理、運(yùn)用地理信息系統(tǒng)將手機(jī)數(shù)據(jù)映射至所研究的交通區(qū)域、劃分交通小區(qū)、定義出行識(shí)別、建立OD矩陣及繪制出行期望線等出行數(shù)據(jù)挖掘，得到了居民的出行時(shí)空分布特征。6、《基于手機(jī)信令的城市群通道出行特征提取方法研究》章玉綜合運(yùn)輸摘要：探索城市群通道出行特征對(duì)于優(yōu)化通道資源具有重要意義。為獲取城際通道多方式、多時(shí)段、高樣本量的出行特征數(shù)據(jù)，基于手機(jī)信令數(shù)據(jù)識(shí)別城市群通道出行的原理，研究了通道出行特征指標(biāo)提取方法。以成渝城市群中重慶至合川通道為例，利用手機(jī)信令數(shù)據(jù)分析了通道出行特征和時(shí)空規(guī)律。提取通道內(nèi)出行特征指標(biāo)的核心是對(duì)通道出行用戶的判定，不同于城市內(nèi)居民出行時(shí)間和距離，城際通道出行用戶判定的難點(diǎn)是對(duì)過境行為的識(shí)別以及對(duì)區(qū)域停留時(shí)間閾值下多次出行的判斷。7、《基于手機(jī)信令數(shù)據(jù)的交通OD提取方法改進(jìn)》胡永愷，宋璐，張健，冉斌交通信息與安全摘要：從手機(jī)信令數(shù)據(jù)中提取交通OD量化指標(biāo)需要經(jīng)過出行端點(diǎn)識(shí)別和出行端點(diǎn)匹配2個(gè)步驟。為了克服現(xiàn)有研究中基站覆蓋范圍假設(shè)與實(shí)際出入較大的情況，筆者改進(jìn)了出行端點(diǎn)匹配方法。首先分析了傳統(tǒng)交通小區(qū)和基于蜂窩小區(qū)聚類交通小區(qū)2種交通小區(qū)劃分方法各自的特點(diǎn)和適用條件；對(duì)于使用傳統(tǒng)方式劃分的交通小區(qū)，提出了縮小基站可能覆蓋范圍的方法，使用用戶最大可能活動(dòng)范圍，排除用戶不可能達(dá)到的區(qū)域，結(jié)果表明該方法可提高部分出行端點(diǎn)匹配精度。對(duì)使用蜂窩小區(qū)聚類劃分的交通小區(qū)，將聚類流程進(jìn)行了簡(jiǎn)化，去掉了部分不能顯著提高精度的流程，結(jié)果表明簡(jiǎn)化后未明顯降低匹配精度。8、《基于手機(jī)信令的大范圍人流移動(dòng)分析》唐小勇，周濤，陸百川 重慶交通大學(xué)學(xué)報(bào)(自然科學(xué)版)摘要：從移動(dòng)通信系統(tǒng)獲取手機(jī)信令數(shù)據(jù)，根據(jù)重慶手機(jī)信令數(shù)據(jù)特點(diǎn)，提出了數(shù)據(jù)預(yù)處理、基站小區(qū)定位、出行鏈識(shí)別、分區(qū)統(tǒng)計(jì)及結(jié)果擴(kuò)樣方法，獲取居住人口分布、通勤崗位分布、跨區(qū)人流OD(origin-destination)。此方法具有覆蓋范圍廣、分析樣本大、實(shí)施成本低、可長(zhǎng)期連續(xù)監(jiān)測(cè)的優(yōu)勢(shì)，可為城市規(guī)劃提供了一種全新的數(shù)據(jù)獲取手段。在重慶市城鄉(xiāng)總體規(guī)劃(2007—2020年)深化工作中，基于重慶聯(lián)通手機(jī)信令數(shù)據(jù)，分析重慶主城與區(qū)縣及各區(qū)縣之間的人流交換，定量地評(píng)價(jià)城市間聯(lián)系度及城市區(qū)位優(yōu)勢(shì)，以此為基礎(chǔ)開展客流需求預(yù)測(cè)，作為優(yōu)化城鎮(zhèn)體系結(jié)構(gòu)、調(diào)整區(qū)域發(fā)展戰(zhàn)略，規(guī)劃布局鐵路與公路網(wǎng)的依據(jù)。9、《基于興趣點(diǎn)與導(dǎo)航數(shù)據(jù)的手機(jī)信令數(shù)據(jù)出行方式識(shí)別》鐘舒琦，鄧如豐，鄧紅平，蔡銘中山大學(xué)學(xué)報(bào)(自然科學(xué)版)摘要：文章針對(duì)手機(jī)信令數(shù)據(jù)，設(shè)計(jì)了一套用戶出行特征分析的框架，包括數(shù)據(jù)清洗、軌跡點(diǎn)分析、出行鏈提取、興趣點(diǎn)分析與出行方式識(shí)別;基于興趣點(diǎn)、路網(wǎng)數(shù)據(jù)與導(dǎo)航數(shù)據(jù)將用戶的出行方式劃分為駕車、公交、步行與騎行四種模式。結(jié)果表明，結(jié)合興趣點(diǎn)與導(dǎo)航數(shù)據(jù)后，用戶出行方式的識(shí)別正確率得到明顯提升，與僅使用導(dǎo)航數(shù)據(jù)的識(shí)別算法相比，所提出的結(jié)合興趣點(diǎn)與導(dǎo)航數(shù)據(jù)的算法正確率提升超過10%，具有較高的識(shí)別準(zhǔn)確率。10、《基于手機(jī)定位數(shù)據(jù)的個(gè)體出行行為特征分析綜述》陳旭，鄭浩毅 綜合運(yùn)輸摘要：本文綜述已有基于手機(jī)數(shù)據(jù)分析個(gè)體出行行為特征的研究，分析當(dāng)前研究的不足與待研究的問題，提出可從完善已有個(gè)體出行信息采集內(nèi)容、探索基于精細(xì)化數(shù)據(jù)的模型改進(jìn)以及多源數(shù)據(jù)融合等方面進(jìn)一步研究，以更全面、更準(zhǔn)確的信息反應(yīng)個(gè)體出行行為特征，為交通規(guī)劃等領(lǐng)域的建設(shè)提供依據(jù)。11、《基于信令數(shù)據(jù)的人流時(shí)空分布和移動(dòng)模式研究》黃建華，孟偉強(qiáng)，吳飛霞 計(jì)算機(jī)工程與應(yīng)用針對(duì)采用手機(jī)信令數(shù)據(jù)研究移動(dòng)模式存在的數(shù)據(jù)稀疏、分布不均和信號(hào)漂移異常等問題，提出從數(shù)據(jù)量和數(shù)據(jù)分布兩個(gè)層面解決數(shù)據(jù)稀疏和分布不均勻的數(shù)據(jù)預(yù)處理方法；提出基于主活動(dòng)區(qū)域的人流時(shí)空分布算法來解決現(xiàn)有研究在考慮時(shí)段差異上的不足，并以上海市為例，對(duì)比分析了不同功能區(qū)在工作日和周末的人流時(shí)空分布規(guī)律；深入分析基于居住地的人類日常移動(dòng)模式，提出了基于時(shí)空的柵格停留點(diǎn)抽取算法。實(shí)驗(yàn)結(jié)果表明該算法可以更準(zhǔn)確地抽取出對(duì)用戶有特殊意義的停留點(diǎn)，獲取更簡(jiǎn)潔明了的用戶移動(dòng)模式。人流時(shí)空分布計(jì)算方法、用戶主活動(dòng)區(qū)域判定算法、人流時(shí)空分布計(jì)算、12、《基于手機(jī)信令和導(dǎo)航數(shù)據(jù)的出行方式識(shí)別方法》杜亞朋，雒江濤，程克非，唐剛 計(jì)算機(jī)應(yīng)用研究摘要：基于手機(jī)信令識(shí)別居民出行方式對(duì)于智慧交通規(guī)劃具有重要意義。通過結(jié)合信令和導(dǎo)航地圖數(shù)據(jù)，利用聚類算法以及時(shí)間關(guān)聯(lián)性算法，實(shí)現(xiàn)步行、駕車、公共交通等出行方式的識(shí)別。結(jié)果表明，結(jié)合導(dǎo)航地圖數(shù)據(jù)后識(shí)別正確率得到明顯提高，與只利用手機(jī)信令的識(shí)別方法相比，整體準(zhǔn)確率提升超過15。，具有較高的識(shí)別準(zhǔn)確率，同時(shí)算法執(zhí)行時(shí)間為187s，效率較高。整體而言，該識(shí)別算法適合在實(shí)際工程環(huán)境中使用。13、《基于手機(jī)信令大數(shù)據(jù)獲取城市居民OD特征的新方法》唐語灝 信息通信摘要：文章選擇某區(qū)域信令數(shù)據(jù)為實(shí)例，介紹了通過手機(jī)信令數(shù)據(jù)處理實(shí)現(xiàn)出行調(diào)查的思路。通過對(duì)信令數(shù)據(jù)的抽取、清洗和加載后得出符合基本條件的數(shù)據(jù)，經(jīng)交通出行模型的進(jìn)行二次處理，從而得到出行OD矩陣和居民出行期望線等核心數(shù)據(jù)。14、《手機(jī)信令數(shù)據(jù)在交通樞紐客流監(jiān)測(cè)中的應(yīng)用——以重慶市為例》章玉 交通運(yùn)輸研究摘要：根據(jù)樞紐和基站的分布特性劃分了監(jiān)測(cè)范圍，采用手機(jī)信令數(shù)據(jù)實(shí)現(xiàn)了在站客流、全日客流和集散時(shí)間的實(shí)時(shí)監(jiān)測(cè)，并分析了不同節(jié)假日期間交通樞紐的運(yùn)行特征。最后，通過交通樞紐的歷史客流數(shù)據(jù)對(duì)本文提出的監(jiān)測(cè)指標(biāo)進(jìn)行了驗(yàn)證。結(jié)果顯示，利用手機(jī)信令數(shù)據(jù)監(jiān)測(cè)的交通樞紐客流量準(zhǔn)確率達(dá)到90%以上，可用于綜合客運(yùn)樞紐的客流實(shí)時(shí)監(jiān)測(cè)和預(yù)警。15、《向手機(jī)信令數(shù)據(jù)的交通樞紐人流量短時(shí)預(yù)測(cè)算法》林培群，雷永巍，張孜，陳麗甜哈爾濱工業(yè)大學(xué)學(xué)報(bào)摘要：為實(shí)現(xiàn)對(duì)重點(diǎn)區(qū)域人群聚集動(dòng)態(tài)的有效掌握，保障區(qū)域人群的及時(shí)疏運(yùn)，預(yù)防群體性安全事故的發(fā)生，以廣州市火車站樞紐區(qū)域?yàn)槔?，通過對(duì)海量手機(jī)信令數(shù)據(jù)進(jìn)行信息處理，結(jié)合地理信息系統(tǒng)將手機(jī)信令數(shù)據(jù)映射至研究區(qū)域，實(shí)現(xiàn)區(qū)域人流量的實(shí)時(shí)統(tǒng)計(jì)，同時(shí)分析了大都市火車站樞紐區(qū)域春運(yùn)人流量變化情況，得出春運(yùn)期間區(qū)域人流量存在周期性變化的規(guī)律，以此為基礎(chǔ)，構(gòu)建了以平均絕對(duì)百分比誤差最小的k值自適應(yīng)計(jì)算模型，設(shè)計(jì)了基于手機(jī)信令數(shù)據(jù)的城市交通樞紐人流量k近鄰預(yù)測(cè)算法，并以節(jié)假日與非節(jié)假日兩種不同交通模式環(huán)境進(jìn)行算法測(cè)試．結(jié)果表明：所建立的預(yù)測(cè)算法在兩種模式下其平均絕對(duì)百分比誤差PMAPE分別在6%與5%以內(nèi)，均能夠較為準(zhǔn)確地對(duì)區(qū)域人流量進(jìn)行預(yù)測(cè)。16、《基于手機(jī)信令數(shù)據(jù)的城市區(qū)域間交通流分析及可視化》曹仲，李付琛，楊皓斐計(jì)算機(jī)與現(xiàn)代化摘要：本文提出一種Spark和MongoDB相結(jié)合的技術(shù)方案對(duì)手機(jī)信令數(shù)據(jù)進(jìn)行處理，并生成手機(jī)用戶交通出行軌跡，然后進(jìn)行城市區(qū)域間交通流的分析。以北京市海淀行政區(qū)和三里屯商業(yè)區(qū)為例，分析區(qū)域間交通流量的吸引和發(fā)生關(guān)系，最后使用OpenLayers提供的JavaScript類庫將研究結(jié)果進(jìn)行可視化。17、《上海顧村公園櫻花節(jié)大客流特征及預(yù)警研究--基于手機(jī)信令數(shù)據(jù)的探索》方家，王德，謝松燦，王燦城市規(guī)劃摘要：本文最后通過可預(yù)測(cè)節(jié)日顧村公園在園人數(shù)的站點(diǎn)和時(shí)段(文中簡(jiǎn)稱“標(biāo)志時(shí)站”)的選擇，明確了標(biāo)志時(shí)站手機(jī)信令數(shù)據(jù)(節(jié)日比平日的)增率與顧村公園在園人數(shù)增率的關(guān)系；提出基于節(jié)日顧村公園在園人數(shù)預(yù)測(cè)的三級(jí)預(yù)警方案。研究證明，手機(jī)信令數(shù)據(jù)在人流預(yù)警與跟蹤識(shí)別方面，具有較強(qiáng)的現(xiàn)實(shí)意義，可實(shí)現(xiàn)從被動(dòng)監(jiān)測(cè)到主動(dòng)預(yù)測(cè)，從監(jiān)控到預(yù)警的轉(zhuǎn)變。關(guān)鍵詞：手機(jī)信令數(shù)據(jù)；顧村公園；櫻花節(jié)；大客流18、《基于手機(jī)大數(shù)據(jù)的大型場(chǎng)館不同功能區(qū)客流特征及預(yù)警研究》姚遠(yuǎn)孫楊世佳科技視界摘要：本文以上海國(guó)家會(huì)展中心為例，基于上海市手機(jī)信令數(shù)據(jù)，總結(jié)會(huì)議期的客流出行特征，對(duì)大型場(chǎng)館不同功能區(qū)的客流時(shí)空分布規(guī)律進(jìn)行分析。在此基礎(chǔ)上，提出相關(guān)大客流預(yù)警方案。研究發(fā)現(xiàn)，進(jìn)館客流、出館客流、進(jìn)出館人數(shù)、進(jìn)出館人次均呈現(xiàn)周期性規(guī)律。研究證明，手機(jī)大數(shù)據(jù)在客流特征、客流預(yù)警方面具有較強(qiáng)的現(xiàn)實(shí)意義，完成從被動(dòng)監(jiān)測(cè)到主動(dòng)管理、從監(jiān)控到預(yù)警的轉(zhuǎn)變。19、《基于手機(jī)信令數(shù)據(jù)的機(jī)場(chǎng)巴士線路優(yōu)化研究》肖赟，徐滿滿，王志輝合肥學(xué)院學(xué)報(bào)摘要:以手機(jī)信令數(shù)據(jù)為基礎(chǔ)，利用Python大數(shù)據(jù)挖掘技術(shù)，分析了合肥新橋國(guó)際機(jī)場(chǎng)旅客出行軌跡分布。以合肥市主城區(qū)為底圖，通過地理信息系統(tǒng)劃分了42個(gè)交通小區(qū)，計(jì)算了各交通小區(qū)客流需求規(guī)模。根據(jù)機(jī)場(chǎng)巴士特性，提出了線路覆蓋率的優(yōu)化目標(biāo)，確定了線路里程和非直線系數(shù)等約束條件，建立了機(jī)場(chǎng)巴士線路優(yōu)化模型。以“逐條布設(shè)、整體優(yōu)化”的方式，規(guī)劃了4條機(jī)場(chǎng)巴士路線，通過GIS緩沖區(qū)分析，計(jì)算了線路評(píng)價(jià)指標(biāo)。關(guān)鍵詞:手機(jī)信令數(shù)據(jù);地理信息系統(tǒng);機(jī)場(chǎng)巴士;線路優(yōu)化20、《基于手機(jī)信令數(shù)據(jù)居民出行鏈提取算法》肖志權(quán)，張子民，毛曦，樊文平北京測(cè)繪摘要：研究居民出行鏈不僅能夠準(zhǔn)確預(yù)測(cè)交通狀況而且對(duì)城市規(guī)劃有著重要的意義。經(jīng)典DBSCAN算法以距離衡量不能完全聚類時(shí)空大數(shù)據(jù)，本文以北京市手機(jī)信令數(shù)據(jù)為基礎(chǔ)在經(jīng)典DBSCAN聚類算法的基礎(chǔ)上擴(kuò)展時(shí)間維度提取用戶出行鏈，實(shí)驗(yàn)表明該算法能夠解決相同地點(diǎn)不同時(shí)間停留點(diǎn)判讀問題，通過與經(jīng)典出行鏈提取算法對(duì)比表明該算法具有可行性，并且在職住停留點(diǎn)提取方面比較符合實(shí)際情況。關(guān)鍵詞：手機(jī)信令數(shù)據(jù)；聚類；出行鏈；停留點(diǎn)21、《基于手機(jī)信令數(shù)據(jù)的快遞人員辨識(shí)方法》方珊珊，陳艷艷，劉小明，魏攀一摘要:提出一種基于樸素貝葉斯分類法(NaiveBayesianClassifer，NBC)的城市快遞人員辨識(shí)方法．首先，通過相關(guān)問卷調(diào)查，研究快遞派送人員的手機(jī)信令發(fā)生規(guī)則．然后，依據(jù)北京市移動(dòng)用戶手機(jī)通信信令數(shù)據(jù)，利用問卷調(diào)查數(shù)據(jù)和手機(jī)信令數(shù)據(jù)2種數(shù)據(jù)源中同時(shí)包含的通信數(shù)據(jù)屬性，建立通信數(shù)據(jù)與調(diào)查數(shù)據(jù)中類別變量(快遞人員/非快遞人員)之間的貝葉斯概率關(guān)系，以此為基礎(chǔ)構(gòu)建NBC模型并對(duì)其進(jìn)行訓(xùn)練．最后，使用未參與訓(xùn)練的樣本數(shù)據(jù)測(cè)試標(biāo)定后模型的準(zhǔn)確性，測(cè)試結(jié)果顯示快遞人員的預(yù)測(cè)成功率達(dá)到88。3%．結(jié)果表明:該方法具有較高的精度，可以滿足實(shí)際應(yīng)用需求．關(guān)鍵詞:城市配送;快遞人員識(shí)別;樸素貝葉斯分類法;22、《手機(jī)信令與出租車GPS數(shù)據(jù)融合車源定位方法》王璞，魯恒宇，譚倩，熊雨沙哈爾濱工業(yè)大學(xué)學(xué)報(bào)摘要:為揭示居民出行行為與城市交通擁堵的內(nèi)在關(guān)聯(lián)，并為緩解城市交通擁堵提供技術(shù)支持，利用高覆蓋率、低精度的手機(jī)數(shù)據(jù)和低覆蓋率、高精度的出租車GPS數(shù)據(jù)，構(gòu)建了數(shù)據(jù)驅(qū)動(dòng)的車源定位方法．利用手機(jī)數(shù)據(jù)獲取出行需求信息，利用出租車GPS數(shù)據(jù)獲取交通狀態(tài)信息;提出基于數(shù)據(jù)融合的出行OD估計(jì)方法，進(jìn)行交通流分配，對(duì)城市道路車流來源及城市擁堵源進(jìn)行動(dòng)態(tài)定位．結(jié)果表明:道路車流主要來自于少量車源小區(qū)，且擁堵狀態(tài)下這些小區(qū)更加集中;同時(shí)受居民通勤行為的影響，城市全局擁堵源在早晚高峰表現(xiàn)出不同的特征．利用數(shù)據(jù)融合的車源定位可以用于揭示擁堵形成的內(nèi)在機(jī)理及演化規(guī)律，輔助制定有針對(duì)性的擁堵緩解策略．關(guān)鍵詞:城市交通;車源定位;數(shù)據(jù)融合;手機(jī)數(shù)據(jù);出租車GPS23、《基于手機(jī)信令數(shù)據(jù)的區(qū)域通道出行特征研究》李淑慶，石路源摘要：針對(duì)傳統(tǒng)OD調(diào)查耗時(shí)長(zhǎng)、費(fèi)用高、精度低等問題，提出利用手機(jī)信令數(shù)據(jù)建立用戶特征提取模型，從用戶不同出行狀態(tài)觸發(fā)附近基站產(chǎn)生的時(shí)空軌跡數(shù)據(jù)，判定用戶狀態(tài)與時(shí)空特征。研究區(qū)域通道客流出行次數(shù)、方向不均勻性、出行方式等特征指標(biāo)，并在重慶主城－合川－江津三個(gè)區(qū)域通道進(jìn)行實(shí)例分析。應(yīng)用結(jié)果表明，該方法基于重慶移動(dòng)手機(jī)信令數(shù)據(jù)，可定量分析三個(gè)區(qū)域通道之間的出行特征；相較于傳統(tǒng)OD調(diào)查，具有費(fèi)用低和可行性高等優(yōu)點(diǎn)，可以為未來區(qū)域鐵路網(wǎng)與公路網(wǎng)的規(guī)劃布局提供依據(jù)。關(guān)鍵詞：交通運(yùn)輸規(guī)劃與管理；手機(jī)信令；通道出行特征；大數(shù)據(jù)；交通調(diào)查24、《基于手機(jī)信令數(shù)據(jù)的軌道交通客群特征研究》周圍，施澄，鈕心毅，劉嘉偉綜合運(yùn)輸摘要：根據(jù)手機(jī)信令數(shù)據(jù)的通訊特征，提出了測(cè)度地下軌道交通站點(diǎn)客流的原理與技術(shù)方法，并通過基站識(shí)別軟件實(shí)測(cè)數(shù)據(jù)來匹配軌道交通各站點(diǎn)與其進(jìn)出口附近的地上與地下基站，確保準(zhǔn)確性。在此基礎(chǔ)上，以杭州市為例，將手機(jī)信令測(cè)得的數(shù)據(jù)與IC卡數(shù)據(jù)相比較，結(jié)果顯示，兩者擬合程度較高，說明該方法測(cè)度軌道交通客流有效性強(qiáng)。進(jìn)一步充分利用手機(jī)信令可準(zhǔn)確識(shí)別軌道用戶的優(yōu)勢(shì)，根據(jù)乘客在軌道交通系統(tǒng)內(nèi)外部的活動(dòng)信息，繼續(xù)探究該方法在軌道交通乘客職住地分布以及各站點(diǎn)換乘客流量等方面的應(yīng)用，為優(yōu)化軌道交通規(guī)劃設(shè)計(jì)與運(yùn)營(yíng)管理提供支撐。關(guān)鍵詞：軌道交通客群；手機(jī)信令數(shù)據(jù)；空間活動(dòng)特征；職住分布；換乘客流25、《地鐵客流來源分布特征研究--以南京地鐵為例》于泳波，侯佳，程曉明摘要：基于手機(jī)信令數(shù)據(jù)、軌道AFC數(shù)據(jù)、城市用地屬性數(shù)據(jù)，聯(lián)合分析城市地鐵客流來源分布特征。首先通過地鐵軌跡匹配軌道出行路徑，其次針對(duì)地鐵重點(diǎn)指標(biāo)，以AFC數(shù)據(jù)分析出的結(jié)果為標(biāo)桿數(shù)據(jù)進(jìn)行校核，最后結(jié)合城市用地?cái)?shù)據(jù)分析地鐵客流來源范圍與用地性質(zhì)的特征。結(jié)果表明，地鐵站點(diǎn)半徑5km范圍內(nèi)的客流來源占93.5%；超過60%的地鐵站點(diǎn)，其90%的客流來源于站點(diǎn)半徑5km范圍；來源于商務(wù)用地的客流其主要分布在站點(diǎn)半徑2km范圍內(nèi)；而來源與住宅區(qū)的客流，其在各個(gè)范圍的占比隨半徑的增大而降低；來源于村莊、水域耕地的客流，其在各個(gè)范圍的占比隨半徑的增大和增大。研究結(jié)果可為城市地鐵線網(wǎng)規(guī)劃、常規(guī)公交線網(wǎng)優(yōu)化提供決策依據(jù)。關(guān)鍵詞：手機(jī)信令數(shù)據(jù)；地鐵客流來源；用地屬性；智能交通26、《基于手機(jī)信令數(shù)據(jù)的機(jī)場(chǎng)航空旅客分類識(shí)別研究--以石家莊正定國(guó)際機(jī)場(chǎng)為例》姚海芳，馮天楠，劉勁松地理與地理信息科學(xué)摘要：傳統(tǒng)航空旅客出行行為研究存在樣本量少、時(shí)效性差、行為軌跡不連續(xù)等問題。該文以石家莊正定國(guó)際機(jī)場(chǎng)為例，根據(jù)航空旅客手機(jī)信令數(shù)據(jù)的當(dāng)日組合特征，構(gòu)建航空旅客分類識(shí)別規(guī)則，并利用河北聯(lián)通2018年7月2日-15日的手機(jī)信令數(shù)據(jù)對(duì)航空旅客進(jìn)行分類和驗(yàn)證。結(jié)果表明：利用該規(guī)則識(shí)別出的航空旅客數(shù)量精度約為82.76%；在11小類航空旅客中，出港去省外且當(dāng)日不返回旅客、省外進(jìn)港且當(dāng)日不出港旅客、省外進(jìn)港且飛往省外的中轉(zhuǎn)旅客分別約占航空旅客總數(shù)量的48.87%、30.88%和13.61%，其他類型航空旅客占比較小(6.64%)。該研究為后續(xù)利用手機(jī)信令數(shù)據(jù)追溯航空旅客出行軌跡、刻畫機(jī)場(chǎng)腹地的時(shí)空變化特征、優(yōu)化機(jī)場(chǎng)與腹地之間公共資源配置奠定了基礎(chǔ)。關(guān)鍵詞：手機(jī)信令數(shù)據(jù)；航空旅客；分類；石家莊正定國(guó)際機(jī)場(chǎng)27、《基于手機(jī)信令數(shù)據(jù)的大型足球賽事球迷當(dāng)日空間行為特征研究》申卓，王德人文地理摘要：利用手機(jī)信令數(shù)據(jù)，以2014年3月上海申花與杭州綠城、上海上港對(duì)上海申鑫兩場(chǎng)足球賽為研究對(duì)象，分析和歸納了觀賽球迷的分布特征、活動(dòng)特征，并進(jìn)一步探索了球迷的行為對(duì)于球場(chǎng)周邊商業(yè)體的影響，以此來分析大型賽事球迷的空間行為特征，希望能夠?qū)ξ磥淼某鞘邢嚓P(guān)設(shè)施規(guī)劃起到一定的指導(dǎo)作用。研究表明，球迷的分布涵蓋市域、呈現(xiàn)類圈層結(jié)構(gòu)。球迷的出發(fā)時(shí)間與球賽開始時(shí)間相關(guān)，大部分球迷的出行目的較為明確。球迷對(duì)于球場(chǎng)周邊一定距離范圍內(nèi)的商業(yè)體有影響，且商業(yè)體距離球場(chǎng)越遠(yuǎn)，影響越弱。最后，對(duì)于手機(jī)信令數(shù)據(jù)在大型活動(dòng)或特定人群特征分析方面的應(yīng)用提出了一些討論思考。關(guān)鍵詞：手機(jī)信令數(shù)據(jù)；足球賽；空間影響；球迷；活動(dòng)28、《基于手機(jī)信令數(shù)據(jù)的城市通勤出行特征研究》丁鵬程，楊明，鄭長(zhǎng)江，朱健交通科技與經(jīng)濟(jì)摘要：通勤交通出行特征是研究城市交通規(guī)劃的重要數(shù)據(jù)基礎(chǔ)，如何有效提取通勤出行特征成為研究城市居民通勤出行的關(guān)鍵。文章通過分析手機(jī)信令數(shù)據(jù)特性和通勤出行特征，利用手機(jī)信令數(shù)據(jù)挖掘的相關(guān)技術(shù)，建立通勤出行特征提取模型并進(jìn)行實(shí)例研究，與傳統(tǒng)的居民出行調(diào)查分析進(jìn)行對(duì)比，驗(yàn)證利用手機(jī)信令數(shù)據(jù)進(jìn)行通勤出行特征研究的可行性。關(guān)鍵詞：手機(jī)信令數(shù)據(jù)；通勤；出行特征；數(shù)據(jù)挖掘29、《基于手機(jī)信令大數(shù)據(jù)的城市居民出行OD預(yù)測(cè)》孫卓，劉即明，閻妮數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)摘要：為得到具有客觀性、動(dòng)態(tài)性的居民出行起止點(diǎn)間交通出行量(ODtrips)，以中國(guó)移動(dòng)手機(jī)信令大數(shù)據(jù)為基礎(chǔ)，闡述了手機(jī)信令數(shù)據(jù)的來源與構(gòu)成，針對(duì)城市居民出行目的，通過數(shù)據(jù)分析，設(shè)置10分鐘為劃分出行活動(dòng)的閾值，提出基于手機(jī)信令數(shù)據(jù)獲得的OD矩陣的原理與方法，應(yīng)用數(shù)據(jù)挖掘技術(shù)，對(duì)貴陽市居民出行OD矩陣進(jìn)行了預(yù)測(cè)．為進(jìn)一步加強(qiáng)大數(shù)據(jù)與城市智能交通系統(tǒng)的融合，將得到的城市居民出行OD矩陣應(yīng)用到真實(shí)的城市公交線網(wǎng)中。最后通過MicroCity平臺(tái)，將數(shù)據(jù)結(jié)果實(shí)現(xiàn)可視化．分析結(jié)果表明：與傳統(tǒng)OD調(diào)查方式相比，利用手機(jī)信令大數(shù)據(jù)獲得的OD矩陣客觀性、動(dòng)態(tài)性較強(qiáng)，信息采集分析周期短，更容易與城市智能交通系統(tǒng)融合，應(yīng)用可視化平臺(tái)，可實(shí)時(shí)反映出城市公交運(yùn)營(yíng)狀態(tài)，為城市智能規(guī)劃和調(diào)度提供重要參考。關(guān)鍵詞：出行OD矩陣；城市智能交通系統(tǒng)；公交線網(wǎng)30、《基于手機(jī)信令數(shù)據(jù)的高速公路服務(wù)區(qū)客流特征研究》于泉，孫瑤摘要：為了提高我國(guó)高速公路服務(wù)區(qū)的服務(wù)水平和質(zhì)量，建立了服務(wù)區(qū)客流特征研究體系。首先對(duì)手機(jī)信令數(shù)據(jù)進(jìn)行數(shù)據(jù)提取、處理及分析，然后從用戶職住分布、用戶行為軌跡、用戶行為特征3個(gè)角度對(duì)服務(wù)區(qū)客流特征進(jìn)行可視化研究和科學(xué)分析，并以運(yùn)營(yíng)商提供的京滬高速公路馬駒橋服務(wù)區(qū)連續(xù)8周的手機(jī)信令數(shù)據(jù)作為該研究體系的實(shí)驗(yàn)案例。案例分析結(jié)果表明，該服務(wù)區(qū)服務(wù)設(shè)施現(xiàn)狀水平不能充分滿足用戶多樣化的需求，應(yīng)針對(duì)用戶需要合理增設(shè)及配置服務(wù)設(shè)施，提升服務(wù)區(qū)服務(wù)水平；也證明了服務(wù)區(qū)客流特征研究體系可以有效挖掘服務(wù)區(qū)現(xiàn)存問題，明確服務(wù)區(qū)發(fā)展方向，能為制定更為完善的服務(wù)區(qū)改善措施提供決策依據(jù)。關(guān)鍵詞：高速公路服務(wù)區(qū)；手機(jī)信令數(shù)據(jù)；用戶職住分布；用戶行為軌跡；用戶行為特征；服務(wù)水平31、《基于大數(shù)據(jù)分析的客流走廊判別方法研究》王嘯君摘要：在軌道交通規(guī)劃、公共交通規(guī)劃類項(xiàng)目中，面臨的一個(gè)核心難點(diǎn)是對(duì)現(xiàn)有公交走廊的判斷以及對(duì)走廊客流量的調(diào)查收集。簡(jiǎn)要介紹常規(guī)公交調(diào)查并分析其調(diào)查成果，發(fā)現(xiàn)僅采用常規(guī)的公交調(diào)查手段，總體抽樣率較低，并且難以對(duì)一個(gè)城市做到相對(duì)全面的客流調(diào)查。在常規(guī)調(diào)查基礎(chǔ)上，介紹通過手機(jī)信令數(shù)據(jù)分析的手段，采用多種方式擬合之后，判斷研究出城市的主要客流走廊，其成果可為后續(xù)規(guī)劃設(shè)計(jì)提供充足依據(jù)。32、《基于手機(jī)信令數(shù)據(jù)的大客流監(jiān)控應(yīng)用研究》胡忠順，王進(jìn)，朱亮摘要：首先分析處理全市用戶位置的大數(shù)據(jù)所需的架構(gòu)、特點(diǎn)以及當(dāng)前存在的問題，然后從各個(gè)數(shù)據(jù)源的應(yīng)用場(chǎng)景和算法特征分析能覆蓋2G/3G/4G用戶各種應(yīng)用場(chǎng)景的數(shù)據(jù)源算法。為了更好地驗(yàn)證所采用的基于手機(jī)信令數(shù)據(jù)的各種算法對(duì)大客流監(jiān)控能力的提升，結(jié)合試驗(yàn)結(jié)果給出中國(guó)電信應(yīng)用項(xiàng)目場(chǎng)景的成功案例，便于基于手機(jī)信令數(shù)據(jù)的大客流監(jiān)控在電信信息化的應(yīng)用實(shí)施進(jìn)行參考。最后對(duì)基于基站的定位在高密度人群等大客流監(jiān)控中的位置和角色以及對(duì)此可能帶來的變化進(jìn)行了探討。關(guān)鍵詞：手機(jī)信令數(shù)據(jù)算法平均定位精準(zhǔn)度大客流監(jiān)控33、《大型集會(huì)的人群監(jiān)測(cè)與態(tài)勢(shì)預(yù)警分析》陳思文，卞陽東，胡風(fēng)，王潮摘要：以上海外灘踩踏事件為例，提出大型集會(huì)人群監(jiān)測(cè)與人流態(tài)勢(shì)分析急需解決的問題：人群統(tǒng)計(jì)及景區(qū)內(nèi)部的人流密度、流向和流速分析，以及大型集會(huì)內(nèi)部局部區(qū)域人流走走停停和對(duì)沖等異動(dòng)的判斷，分析當(dāng)前三大類主要技術(shù)手段存在的先天性缺陷?；谑謾C(jī)信令與基站拜訪位置寄存器提出相應(yīng)的算法和對(duì)策建議，為未來各類大型集會(huì)對(duì)人流態(tài)勢(shì)研判和預(yù)警、應(yīng)急響應(yīng)和疏導(dǎo)提供支持。關(guān)鍵詞：人群監(jiān)測(cè)；態(tài)勢(shì)預(yù)警；拜訪位置寄存器；外灘踩踏事件；大型集會(huì)34、《基于手機(jī)信令數(shù)據(jù)的城市人群時(shí)空行為密度算法研究》史宜，楊俊宴摘要：手機(jī)信令數(shù)據(jù)可以量化反映城市不同地段人群的時(shí)空分布狀態(tài)，具有高取樣率和高更新率的特點(diǎn)，對(duì)認(rèn)知城市空間環(huán)境與人群行為模式的互動(dòng)關(guān)系具有突出優(yōu)勢(shì)。針對(duì)手機(jī)信令既有處理計(jì)算的方法在數(shù)據(jù)結(jié)構(gòu)和精確性方面的局限，將手機(jī)信令數(shù)據(jù)與城市空間形態(tài)數(shù)據(jù)相關(guān)聯(lián)，提出基于三維活動(dòng)空間的行為密度計(jì)算方法。以上海為案例，分別從時(shí)間維度和空間維度對(duì)上海公園綠地的手機(jī)用戶時(shí)空分布進(jìn)行計(jì)算，并結(jié)合調(diào)研實(shí)測(cè)對(duì)計(jì)算結(jié)果進(jìn)行檢驗(yàn)。結(jié)果表明該算法不僅可以實(shí)現(xiàn)城市綠地等具體景觀地段的時(shí)空行為密度計(jì)算，同時(shí)也提升了中小尺度下基于手機(jī)數(shù)據(jù)進(jìn)行個(gè)體行為密度計(jì)算的精確性，對(duì)于城市大數(shù)據(jù)應(yīng)用于城市景觀設(shè)計(jì)的方法創(chuàng)新具有一定的借鑒作用。關(guān)鍵詞：風(fēng)景園林；行為密度；手機(jī)信令數(shù)據(jù)；大數(shù)據(jù)；基于手機(jī)信令數(shù)據(jù)的人群行為密度計(jì)算方法（1以基站為單元進(jìn)行手機(jī)信令數(shù)據(jù)匯總2以基站坐標(biāo)劃定信令小區(qū)范圍3基于三維活動(dòng)空間面積進(jìn)行個(gè)體行為密度計(jì)算）35、《一種基于手機(jī)信令的時(shí)空密度軌跡點(diǎn)識(shí)別算法》陳略，熊宸，蔡銘計(jì)算機(jī)工程摘要：由于手機(jī)信令具有的數(shù)據(jù)量大、時(shí)空序列性、采樣頻率不均、定位精度低、基站振蕩等特點(diǎn)，傳統(tǒng)的聚類方法應(yīng)用于手機(jī)信令數(shù)據(jù)存在密度分布不均、時(shí)空開銷大、聚類效果不佳等問題。本文提出了一種基于手機(jī)信令的時(shí)空密度軌跡點(diǎn)識(shí)別算法，將手機(jī)信令數(shù)據(jù)網(wǎng)格化，通過時(shí)空聯(lián)結(jié)流程聯(lián)結(jié)網(wǎng)格簇以降低手機(jī)信令特性產(chǎn)生的空間不確定性并減少計(jì)算數(shù)據(jù)量，通過定義時(shí)空移動(dòng)能力，計(jì)算網(wǎng)格簇的時(shí)空密度以判斷停留區(qū)域。本文通過實(shí)驗(yàn)室自行開發(fā)的信令采集app采集的帶有移動(dòng)停留標(biāo)簽的軌跡數(shù)據(jù)驗(yàn)證了算法的有效性和效率，該算法適用于挖掘手機(jī)信令數(shù)據(jù)的停留區(qū)域，對(duì)復(fù)雜軌跡的停留區(qū)域挖掘有較好的效果。關(guān)鍵詞：時(shí)空聯(lián)結(jié)；時(shí)空移動(dòng)能力；時(shí)空密度；停留區(qū)域36、《基于手機(jī)信令數(shù)據(jù)的人口高精度時(shí)空分布特征研究--以天津市小白樓CBD片區(qū)為例》陳偉，翟國(guó)方，張義杰摘要：利用手機(jī)信令數(shù)據(jù)，借助Python語言編程和GIS對(duì)天津市小白樓CBD片區(qū)的人員規(guī)模變化趨勢(shì)、分地塊人數(shù)極值時(shí)空分布、駐留與流動(dòng)人員時(shí)空分布進(jìn)行了分析。結(jié)果顯示：區(qū)域人員規(guī)模遵循“平穩(wěn)降低(0：00-4：00)---快速升高(5：00-8：00)---平穩(wěn)升高(9：00-17：00)---快速降低(19：00-23：00)”總體變化趨勢(shì)；在720個(gè)時(shí)間段內(nèi)，6：00-18：00時(shí)間段出現(xiàn)人數(shù)最大值地塊的數(shù)量占比達(dá)到87．91%，超過95%的地塊在晚間出現(xiàn)人數(shù)最小值，其中在1：00出現(xiàn)的人數(shù)最小值地塊數(shù)量最多；駐留、流動(dòng)人員數(shù)量的變化趨勢(shì)呈現(xiàn)出白天和夜間的總規(guī)模略有變化但相對(duì)較平緩，全天的流動(dòng)人員規(guī)模遠(yuǎn)大于駐留人員規(guī)模，白天的流動(dòng)人員規(guī)模遠(yuǎn)大于夜間流動(dòng)人員規(guī)模，夜間駐留人員規(guī)模大于白天駐留人員規(guī)模等顯著特征。關(guān)鍵詞：人口時(shí)空分布；高精度；Python語言37、《ICTs視角下的旅游流和旅游者時(shí)空行為研究進(jìn)展》楊敏，李君軼，徐雪陜西師范大學(xué)學(xué)報(bào)(自然科學(xué)版)摘要：信息和通訊技術(shù)(InformationandCommunicationsTechnologies，ICTs)對(duì)旅游和旅游者產(chǎn)生了巨大影響。游客在旅游過程中使用通訊網(wǎng)絡(luò)、互聯(lián)網(wǎng)和物聯(lián)網(wǎng)會(huì)產(chǎn)生大量的具有地理標(biāo)簽的數(shù)據(jù)，這些大數(shù)據(jù)為大規(guī)模即時(shí)旅游流和游客時(shí)空行為研究提供了可能。本文在梳理國(guó)內(nèi)外有關(guān)旅游流和旅游者時(shí)空行為研究的基礎(chǔ)上，發(fā)現(xiàn)：(1)在研究驅(qū)動(dòng)力方面，海量、非結(jié)構(gòu)化的大數(shù)據(jù)為旅游流和旅游時(shí)空行為研究提供新視角，數(shù)據(jù)和問題共同驅(qū)動(dòng)來發(fā)現(xiàn)知識(shí)成為未來旅游流和旅游者時(shí)空行為研究的重要特征；(2)在研究方法上，利用地理信息系統(tǒng)的空間分析方法進(jìn)行旅游熱點(diǎn)分析、網(wǎng)絡(luò)分析并進(jìn)行可視化，最終從海量數(shù)據(jù)中發(fā)現(xiàn)規(guī)律、發(fā)現(xiàn)知識(shí)，提升對(duì)旅游者行為的認(rèn)識(shí)，進(jìn)而推進(jìn)旅游者時(shí)空行為理論的完善；(3)在數(shù)據(jù)來源上，除傳統(tǒng)數(shù)據(jù)外，手機(jī)數(shù)據(jù)、UGC數(shù)據(jù)將成為研究旅游者時(shí)空行為的重要數(shù)據(jù)源，可根據(jù)研究的實(shí)際情況選擇不同的數(shù)據(jù)源及其組合；(4)在研究主題方面，目前主要集中在旅游者時(shí)空分布規(guī)律、旅游流空間網(wǎng)絡(luò)結(jié)構(gòu)發(fā)現(xiàn)等方面，對(duì)于隱藏在旅游者時(shí)空行為規(guī)律背后的原因、過程和機(jī)制探究不足，因果分析、過程和機(jī)制研究是未來的重點(diǎn)方向；(5)未來的研究熱點(diǎn)可能有基于大數(shù)據(jù)的游客時(shí)空行為建模全過程體系化研究、數(shù)據(jù)標(biāo)準(zhǔn)化和數(shù)據(jù)挖掘方法研究、數(shù)據(jù)融合與同化研究、大數(shù)據(jù)下旅游者隱私和倫理問題研究、旅游者時(shí)空體驗(yàn)研究等。關(guān)鍵詞：大數(shù)據(jù)；旅游流；旅游者時(shí)空行為；信息和通信技術(shù)；手機(jī)數(shù)據(jù)；社交媒體38、《基于手機(jī)信令數(shù)據(jù)的特大城市人口時(shí)空分布及其社會(huì)經(jīng)濟(jì)屬性估測(cè)---以北京市為例》海曉東，劉云舒，趙鵬軍，張輝北京大學(xué)學(xué)報(bào)(自然科學(xué)版)摘要：提出應(yīng)用手機(jī)信令數(shù)據(jù)，基于空間模式單元(SpatialPatternUnit)進(jìn)行人口動(dòng)態(tài)分布估測(cè)和人口屬性識(shí)別的方法，并以北京為例開展實(shí)例研究。以手機(jī)信令數(shù)據(jù)為主，結(jié)合大樣本問卷調(diào)查數(shù)據(jù)和騰訊熱力圖數(shù)據(jù)，對(duì)人口布局進(jìn)行分時(shí)段估測(cè)，分析人口分布的時(shí)空間動(dòng)態(tài)特征；采用大樣本問卷調(diào)查數(shù)據(jù)，以人口社會(huì)經(jīng)濟(jì)屬性和通勤出行特征等關(guān)鍵指標(biāo)，對(duì)調(diào)查的種子空間單元進(jìn)行模式分類和識(shí)別，運(yùn)用機(jī)器學(xué)習(xí)的方法進(jìn)行全域地域空間的人口屬性估測(cè)識(shí)別，最后對(duì)估測(cè)結(jié)果進(jìn)行對(duì)比和驗(yàn)證。所提方法和研究結(jié)果可以為監(jiān)測(cè)人口布局動(dòng)態(tài)、針對(duì)人口屬性布局商業(yè)服務(wù)和合理規(guī)劃城市設(shè)施等提供決策支撐。關(guān)鍵詞：人口時(shí)空分布；人口屬性估測(cè)；動(dòng)態(tài)監(jiān)測(cè)；機(jī)器學(xué)習(xí)；39、《基于手機(jī)數(shù)據(jù)的城市內(nèi)部就業(yè)人口流動(dòng)特征及形成機(jī)制分析---以武漢市為例》劉耀林，方飛國(guó)，王一恒武漢大學(xué)學(xué)報(bào)·信息科學(xué)版摘要：城市內(nèi)部就業(yè)人口流動(dòng)作為城市群體的主要移動(dòng)形式，分析其特征及形成機(jī)理對(duì)城市規(guī)劃、交通預(yù)測(cè)等具有重要意義?；谖錆h市手機(jī)信令數(shù)據(jù)，識(shí)別職住人口分布與流動(dòng)，構(gòu)建城市內(nèi)部就業(yè)流動(dòng)網(wǎng)絡(luò)。運(yùn)用網(wǎng)絡(luò)分析、可達(dá)性計(jì)算、邏輯回歸等方法，分析城市內(nèi)部就業(yè)流動(dòng)的特征及其形成機(jī)制。研究表明，武漢市內(nèi)部就業(yè)流動(dòng)在數(shù)量上分布不均衡，大量就業(yè)流動(dòng)集中于少數(shù)街道間。在空間上，就業(yè)流動(dòng)隨距離、可達(dá)時(shí)間增加而減少，并依地形、文化形成若干聯(lián)系緊密的就業(yè)社區(qū)；以就業(yè)流出地居住人口、流入地工作人口度量的就業(yè)勢(shì)能是驅(qū)動(dòng)就業(yè)流動(dòng)的最主要因素，而文化差異、空間不鄰近、可達(dá)性差阻礙就業(yè)流動(dòng)的發(fā)生。此外，不同產(chǎn)業(yè)特色對(duì)就業(yè)流動(dòng)影響不同，商業(yè)、科教阻礙就業(yè)外流，工業(yè)吸引外來就業(yè)。關(guān)鍵詞：就業(yè)人口流動(dòng)；網(wǎng)絡(luò)分析；可達(dá)性；邏輯回歸40、《一種基于手機(jī)信令的通勤OD訓(xùn)練方法》唐小勇，周濤，陸百川，高志剛摘要：針對(duì)基站定位精度低、信令采樣間隔長(zhǎng)、軌跡不連續(xù)的手機(jī)信令，提出一種職住及通勤OD(origin-destination)計(jì)算框架.對(duì)用戶單日手機(jī)軌跡按時(shí)間排序，標(biāo)識(shí)每個(gè)軌跡點(diǎn)的進(jìn)出時(shí)間及停留時(shí)間，剔除長(zhǎng)距離漂移軌跡點(diǎn)，對(duì)鄰近軌跡點(diǎn)進(jìn)行空間聚合.將全天劃分為多個(gè)時(shí)窗，疊加用戶多日軌跡，計(jì)算穩(wěn)定指數(shù)并識(shí)別用戶在各時(shí)窗內(nèi)的多日穩(wěn)定點(diǎn).綜合工作日與節(jié)假日穩(wěn)定點(diǎn)判斷用戶居住地、工作地.采用基于常住人口的擴(kuò)樣方法，對(duì)街道通勤OD矩陣進(jìn)行擴(kuò)樣.模型結(jié)果與重慶主城常住人口分布、2014年居民出行調(diào)查結(jié)果吻合.關(guān)鍵詞：城市交通；通勤；手機(jī)信令；職住分布；大數(shù)據(jù)；交通調(diào)查41、《手機(jī)數(shù)據(jù)在交通調(diào)查和交通規(guī)劃中的應(yīng)用》冉斌摘要：手機(jī)作為一種理想的交通探測(cè)器，為居民出行信息分析提供了很好的技術(shù)選擇。將手機(jī)數(shù)據(jù)映射至交通分析單元，并經(jīng)信息預(yù)處理、匹配分析、交通模型分析處理、數(shù)據(jù)去噪、擴(kuò)樣等一系列海量數(shù)據(jù)運(yùn)算處理，最終可獲得居民出行特征數(shù)據(jù)。利用長(zhǎng)期歷史手機(jī)話單數(shù)據(jù)，可分析常住人口和就業(yè)人口分布、通勤出行特征、大區(qū)間OD、特定區(qū)域出行特征、流動(dòng)人口出行特征等。手機(jī)信令數(shù)據(jù)能夠較完整地識(shí)別手機(jī)用戶的出行軌跡，可進(jìn)一步應(yīng)用于分析城市人口時(shí)空動(dòng)態(tài)分布、特定區(qū)域客流集散、查核線斷面或關(guān)鍵通道客流、軌道交通客流特征、出行時(shí)耗、出行距離、出行強(qiáng)度、道路交通狀態(tài)等。根據(jù)天津手機(jī)話單數(shù)據(jù)應(yīng)用案例及上海手機(jī)信令數(shù)據(jù)應(yīng)用案例，驗(yàn)證了技術(shù)可行性。關(guān)鍵詞：交通規(guī)劃；交通調(diào)查；出行特征；手機(jī)數(shù)據(jù)；手機(jī)話單數(shù)據(jù)；手機(jī)信令數(shù)據(jù)42、《一種基于手機(jī)定位數(shù)據(jù)的出行行程識(shí)別方法》張健欽，仇培元，徐志潔，杜明義摘要：提出并實(shí)現(xiàn)了一種基于手機(jī)定位軌跡數(shù)據(jù)的出行行程識(shí)別方法．通過速度對(duì)軌跡點(diǎn)進(jìn)行劃分，將低于一定速度閾值以下的軌跡點(diǎn)合并為候選停留位置，再利用距離閾值和時(shí)間閾值對(duì)候選停留位置進(jìn)行合并，從而確定出真正的停留點(diǎn)，繼而自動(dòng)統(tǒng)計(jì)出行次數(shù)和出行時(shí)間．該方法解決了手機(jī)定位數(shù)據(jù)的定位漂移和抖動(dòng)的問題，行程識(shí)別精度高，識(shí)別結(jié)果可為交通規(guī)劃工作提供相關(guān)數(shù)據(jù)，并具有比傳統(tǒng)交通調(diào)查方法更低的成本和更短的數(shù)據(jù)更新周期。關(guān)鍵詞：手機(jī)定位；時(shí)空數(shù)據(jù)挖掘；行程識(shí)別；出行調(diào)查；交通GIS43、《從大規(guī)模短期規(guī)則采樣的手機(jī)定位數(shù)據(jù)中識(shí)別居民職住地》許寧，尹凌，胡金星武漢大學(xué)學(xué)報(bào)---信息科學(xué)版摘要：使用大規(guī)模手機(jī)定位數(shù)據(jù)獲取居民職住地分布是大數(shù)據(jù)趨勢(shì)下城市研究的新興技術(shù)。然而，現(xiàn)有的研究主要使用了長(zhǎng)期不規(guī)則稀疏采樣的手機(jī)通話數(shù)據(jù)，對(duì)短期規(guī)則采樣的手機(jī)定位數(shù)據(jù)缺乏嘗試?；诖笠?guī)模短期規(guī)則采樣的手機(jī)定位數(shù)據(jù)，提出了一種居民職住地識(shí)別的方法。這是首次從大規(guī)模短期規(guī)則采樣的手機(jī)定位數(shù)據(jù)中進(jìn)行居民職住地識(shí)別的嘗試，并對(duì)識(shí)別結(jié)果進(jìn)行了較全面的驗(yàn)證。該研究成果為職住平衡等相關(guān)城市問題研究探討了一種新型大規(guī)模數(shù)據(jù)源的可行性，在低成本大幅度提高相關(guān)研究的樣本代表性和分析結(jié)果可靠性上具有重要意義。關(guān)鍵詞：手機(jī)定位數(shù)據(jù)；時(shí)空數(shù)據(jù)挖掘；職住平衡；通勤距離；深圳市44、《基于多源數(shù)據(jù)的公交客運(yùn)廊道識(shí)別方法》溫馨，陳龍摘要：針對(duì)現(xiàn)有廊道識(shí)別方法存在的不足，提出一種融合多源數(shù)據(jù)精確識(shí)別公交客運(yùn)廊道的方法，對(duì)城市既有公交客運(yùn)走廊起訖點(diǎn)進(jìn)行準(zhǔn)確識(shí)別。首先，通過手機(jī)信令數(shù)據(jù)刻畫居民的全方式出行規(guī)律，從公交IC和GPS數(shù)據(jù)中提取居民的現(xiàn)狀公交出行鏈；其次，構(gòu)建公交客運(yùn)廊道判別模型，利用需求客流因子和供給客流因子對(duì)城市公交客運(yùn)走廊的客流集聚效應(yīng)進(jìn)行量化分析；最后，以融合了多源數(shù)據(jù)的總客流因子為判斷標(biāo)準(zhǔn)，鎖定公交客運(yùn)廊道的最佳起訖點(diǎn)。研究表明：采用多源數(shù)據(jù)可以實(shí)現(xiàn)對(duì)乘客出行特征的精準(zhǔn)描述，以此得出的廊道判別結(jié)果較常規(guī)判斷方法更貼近乘客實(shí)際出行需求，可為城市客運(yùn)走廊戰(zhàn)略規(guī)劃提供理論支持。關(guān)鍵詞：公交數(shù)據(jù)；手機(jī)信令；廊道識(shí)別；客流因子；集聚效應(yīng)45、《基于公交OD數(shù)據(jù)的居民公交出行特征研》蘆方強(qiáng)，陳學(xué)武，胡曉健摘要：已有研究在應(yīng)用“四階段法”進(jìn)行公共交通需求預(yù)測(cè)時(shí)，缺少對(duì)居民公交出行分布規(guī)律及變化特征的分析。文中通過從濰坊、常州、上虞、蚌埠和湖州五個(gè)典型城市居民出行調(diào)查數(shù)據(jù)庫中提取出公交OD出行的有效數(shù)據(jù)，運(yùn)用圖形處理及模型標(biāo)定等方法進(jìn)行深入的數(shù)據(jù)挖掘，研究了居民出行時(shí)間消耗特征、出行時(shí)間分布特征和出行空間分布特征。指出：①公交出行的可容忍時(shí)間與建成區(qū)面積及公交分擔(dān)率密切相關(guān)；②由于城市發(fā)展?fàn)顟B(tài)、經(jīng)濟(jì)發(fā)展水平及人們出行規(guī)律的不同，都會(huì)造成出行時(shí)間分布的差異；③分析同一城市不同時(shí)期居民出行空間分布時(shí)，應(yīng)具體分析各區(qū)之間的出行聯(lián)系強(qiáng)度。居民公交出行時(shí)空分布特征的研究，可以為城市公共交通需求預(yù)測(cè)及公交線網(wǎng)規(guī)劃提供定量的參考依據(jù)及理論支持，該項(xiàng)研究的結(jié)論和分析方法可供其他城市借鑒和使用。關(guān)鍵詞：公交OD數(shù)據(jù)；公交出行；時(shí)間消耗；時(shí)間分布；空間分布46、《基于混合遺傳算法的機(jī)場(chǎng)巴士線路優(yōu)化》周和平，賈贊星，柳伍生摘要：以提高機(jī)場(chǎng)巴士旅客運(yùn)送效率為目的，以乘客總體消耗時(shí)間最小為目標(biāo)，綜合考慮其他各種約束條件，構(gòu)建了機(jī)場(chǎng)巴士線路優(yōu)化模型．根據(jù)模型特點(diǎn)，采用爬山算法得到初始解，以減少尋優(yōu)時(shí)間；同時(shí)采用直接排列的編碼方法即節(jié)點(diǎn)法進(jìn)行編碼，構(gòu)建混合的遺傳算法求解．通過一個(gè)簡(jiǎn)單算例驗(yàn)證了所提出模型與求解方法是可行和有效的，可為實(shí)際規(guī)劃與理論研究提供參考。關(guān)鍵詞：機(jī)場(chǎng)巴士；線路優(yōu)化；混合遺傳算法；爬山算法47、《基于手機(jī)定位信息的地鐵乘客出行路徑辨識(shí)方法》賴見輝，陳艷艷，鐘園，吳德倉(cāng)，袁奕芳摘要:針對(duì)復(fù)雜軌道網(wǎng)絡(luò)環(huán)境的下出行路徑選擇問題，傳統(tǒng)方法采用理論推算往往與實(shí)際偏差較大?；谑謾C(jī)定位信息的出行路徑辨識(shí)方法，利用手機(jī)用戶在無線通信網(wǎng)絡(luò)中產(chǎn)生的信令事件數(shù)據(jù)，根據(jù)其在地鐵中的正常位置更新規(guī)則得到出行路徑，針對(duì)信令數(shù)據(jù)存在缺失的情況，以用戶的其他信令事件數(shù)據(jù)及K短路校核法，對(duì)路徑的有效性進(jìn)行檢測(cè)，進(jìn)而得到實(shí)際出行路徑。實(shí)測(cè)結(jié)果表明，用該方法得到的用戶出行路徑與真實(shí)路徑偏差較小。關(guān)鍵詞:CellID定位;地鐵;出行路徑48、《基于手機(jī)基站數(shù)據(jù)的混合地圖匹配算法研究》何兆成，陳展球，范秋明，褚俊飛摘要：基于移動(dòng)通信的交通信息采集是智能交通系統(tǒng)中新興的應(yīng)用技術(shù)之一，將車載手機(jī)定位到電子地圖上是其應(yīng)用的基礎(chǔ)，而地圖匹配技術(shù)則是解決車載手機(jī)定位的關(guān)鍵.本文通過對(duì)車載手機(jī)行駛在不同的路網(wǎng)時(shí)所產(chǎn)生的基站切換數(shù)據(jù)信息，分析得到車載手機(jī)實(shí)際運(yùn)行時(shí)基站切換的基本規(guī)律；并結(jié)合電子地圖的數(shù)據(jù)結(jié)構(gòu)特點(diǎn)，對(duì)使用基站切換數(shù)據(jù)進(jìn)行地圖匹配時(shí)需解決的難點(diǎn)問題展開研究；在使用基站切換對(duì)代替道路穩(wěn)定切換序列的方法的基礎(chǔ)上，提出了結(jié)合切換對(duì)和基站源址的混合地圖匹配算法.此算法可以縮小待選路段集，有效處理交叉口和平行路段等復(fù)雜情況，提高匹配準(zhǔn)確率.最后,選取廣州大學(xué)城為實(shí)地測(cè)試區(qū)域，驗(yàn)證了此算法的可行性.關(guān)鍵詞：智能交通；基站切換對(duì)；混合地圖匹配算法；交通信息采集；地圖匹配49、《基于手機(jī)信令的道路交通流量狀態(tài)識(shí)別及預(yù)測(cè)》胡斌杰，詹益旺摘要：提出了一種基于手機(jī)信令的道路交通流量狀態(tài)識(shí)別與預(yù)測(cè)方法，能夠基本上滿足智能交通建設(shè)的數(shù)據(jù)廣域、全面、實(shí)時(shí)、動(dòng)態(tài)的要求，并提供路況擁堵查詢、統(tǒng)計(jì)預(yù)警分析等功能應(yīng)用，是一種可靠的實(shí)時(shí)交通信息采集方式。由于其自身具備投資少、維護(hù)成本低的優(yōu)點(diǎn)，可在短時(shí)間向二三線城市大范圍推廣應(yīng)用。關(guān)鍵詞：手機(jī)信令，道路狀態(tài)識(shí)別，實(shí)時(shí)交通50、《基于手機(jī)信令數(shù)據(jù)的居民出行空間效應(yīng)》倪玲霖，張帥超，陳喜群浙江大學(xué)學(xué)報(bào)(工學(xué)版）摘要：為了揭示居民出行的影響因素和空間效應(yīng)，從需求源把握交通流的產(chǎn)生和演變規(guī)律，以杭州市移動(dòng)手機(jī)信令數(shù)據(jù)為基礎(chǔ)，根據(jù)交通小區(qū)間的通行時(shí)間構(gòu)建了空間權(quán)重矩陣，建立居民OD出行量影響的空間自相關(guān)模型，分析邊際效應(yīng)和政策涵義．結(jié)果表明，常住人口、高等級(jí)商業(yè)數(shù)量以及公交車站的數(shù)量與出行量呈正相關(guān)，而起點(diǎn)高等級(jí)醫(yī)院數(shù)量和居民出行感知距離與出行量呈負(fù)相關(guān)．隨著起點(diǎn)高等級(jí)醫(yī)院數(shù)量增多，該區(qū)域的居民出行量下降；隨著區(qū)域間感知距離的增加，區(qū)域間的出行量減少．起點(diǎn)自相關(guān)、終點(diǎn)自相關(guān)和OD空間自相關(guān)都對(duì)出行量具有重要影響，實(shí)測(cè)數(shù)據(jù)驗(yàn)證了考慮空間效應(yīng)的必要性．關(guān)鍵詞：居民出行；空間自相關(guān)模型；手機(jī)信令數(shù)據(jù)；空間效應(yīng)51、《基于手機(jī)信令數(shù)據(jù)的居民工作日出行鏈判別方法》董路熙，賈梅杰，劉小明，譚墍元摘要:針對(duì)大數(shù)據(jù)時(shí)代手機(jī)的普及和移動(dòng)網(wǎng)絡(luò)在人們生活中的滲透，豐富的手機(jī)信令大數(shù)據(jù)可為城市管理者重現(xiàn)大部分居民的日常出行、時(shí)空活動(dòng)分布，提出了一種基于手機(jī)信令數(shù)據(jù)的居民工作日出行鏈判別方法。通過數(shù)據(jù)的時(shí)空特性，對(duì)“噪聲”數(shù)據(jù)進(jìn)行預(yù)處理，根據(jù)手機(jī)基站切換順序構(gòu)造出行網(wǎng)絡(luò)中的主體部分，計(jì)算出行網(wǎng)絡(luò)中的邊權(quán)值，從而提取居民的工作日典型出行鏈信息。以深圳市手機(jī)信令數(shù)據(jù)為例，將計(jì)算結(jié)果與已知深圳市居民出行調(diào)查數(shù)據(jù)進(jìn)行比較，結(jié)果表明，此方法可以簡(jiǎn)便有效識(shí)別出工作日出行鏈。關(guān)鍵詞:手機(jī)信令數(shù)據(jù);基站切換;邊權(quán)值;出行鏈52、《基于手機(jī)信令數(shù)據(jù)的南京旅游客源市場(chǎng)空間劃分研究》徐菲菲，王旭，徐俐，胡明星摘要：信息技術(shù)的高速發(fā)展為旅游研究提供了新的數(shù)據(jù)和方法。該文運(yùn)用數(shù)據(jù)驅(qū)動(dòng)的客源市場(chǎng)研究方法，采用手機(jī)信令大數(shù)據(jù)，更新獲取游客數(shù)量、來源地等信息，確立了一套基于手機(jī)信令數(shù)據(jù)的客源市場(chǎng)劃分方法，彌補(bǔ)了現(xiàn)有旅游客源市場(chǎng)空間劃分方法的不足。將該方法用于南京市旅游客源市場(chǎng)的實(shí)證分析，發(fā)現(xiàn)南京客源市場(chǎng)基本呈現(xiàn)空間遞減規(guī)律和時(shí)間波動(dòng)規(guī)律，并識(shí)別出300km和1600km距離為客源波動(dòng)線，呈現(xiàn)出明顯的東部指向、近域指向等特征。將研究結(jié)果與抽樣調(diào)查得到的統(tǒng)計(jì)數(shù)據(jù)相比，發(fā)現(xiàn)兩者高度吻合，從而在理論和實(shí)踐上驗(yàn)證了數(shù)據(jù)驅(qū)動(dòng)的旅游客源市場(chǎng)研究方法的有效性和合理性。最后提出數(shù)據(jù)驅(qū)動(dòng)的客源市場(chǎng)研究的不足和未來研究展望，對(duì)南京智慧旅游建設(shè)具有一定的實(shí)踐意義。關(guān)鍵詞：旅游客源市場(chǎng)；手機(jī)信令；大數(shù)據(jù)；南京53、《基于移動(dòng)信令數(shù)據(jù)的城市熱點(diǎn)識(shí)別方法》彭大芹，羅裕楓，江德潮，劉艷林重慶郵電大學(xué)學(xué)報(bào)(自然科學(xué)版)摘要:城市熱點(diǎn)的識(shí)別對(duì)于探索解決引導(dǎo)性的人群疏散、規(guī)避交通擁堵等問題提供新途徑，并為基于位置服務(wù)(locationbasedservices，LBS)如商鋪選址、旅游導(dǎo)航等提供重要的科學(xué)參考，具有重要的應(yīng)用價(jià)值。隨著個(gè)人手機(jī)終端的普及與發(fā)展，手機(jī)已經(jīng)成為研究用戶行為特征的一種理想的探測(cè)器。提出了將手機(jī)信令數(shù)據(jù)融合興趣點(diǎn)(pointofinterest，POI)數(shù)據(jù)來挖掘城市的熱點(diǎn)區(qū)域并進(jìn)行功能類型標(biāo)定，重點(diǎn)通過手機(jī)信令數(shù)據(jù)研究人流的出行行為和在蜂窩的駐留時(shí)長(zhǎng)情況來識(shí)別活躍蜂窩，并進(jìn)一步通過基于密度的聚類算法判別熱點(diǎn)區(qū)域。選取了重慶市較場(chǎng)口一定范圍區(qū)域作為研究區(qū)域，數(shù)據(jù)來源于重慶某移動(dòng)運(yùn)營(yíng)商提供的用戶手機(jī)信令數(shù)據(jù)，通過實(shí)驗(yàn)實(shí)例驗(yàn)證分析，證明了該方法可快速識(shí)別出城市熱點(diǎn)區(qū)域，并具有較高的準(zhǔn)確性。關(guān)鍵詞:城市熱點(diǎn);信令數(shù)據(jù);駐留點(diǎn);活躍蜂窩;興趣點(diǎn)(POI);功能類型54、《基于智能手機(jī)大數(shù)據(jù)的交通出行方式識(shí)別研究》李喆，孫健，倪訓(xùn)友摘要:智能手機(jī)時(shí)代所產(chǎn)生的大數(shù)據(jù)能夠?yàn)榻煌ㄑ芯空邘泶罅啃畔?，基于智能手機(jī)采集交通出行大數(shù)據(jù)，再利用基于粒子群的支持向量機(jī)模型進(jìn)行交通出行方式識(shí)別研究。在分析數(shù)據(jù)特點(diǎn)的基礎(chǔ)上提出用于建模的特征變量，之后使用粒子群算法優(yōu)化支持向量機(jī)參數(shù)，并基于成都市的實(shí)證數(shù)據(jù)進(jìn)行模型的訓(xùn)練與出行方式識(shí)別研究。研究結(jié)果表明，該模型識(shí)別正確率為95.1%，高于決策樹、BP神經(jīng)網(wǎng)絡(luò)、基于網(wǎng)格搜索的支持向量機(jī)模型，且該模型在時(shí)間效率方面具有明顯的優(yōu)越性，因而在出行方式識(shí)別方面具有良好的現(xiàn)實(shí)意義。關(guān)鍵詞:粒子群;支持向量機(jī);出行方式識(shí)別;智能手機(jī)大數(shù)據(jù);模式識(shí)別55、《面向城市交通規(guī)劃的多源手機(jī)信令數(shù)據(jù)相關(guān)性研究》張曉春，于壯，段冰若，高永摘要：隨著智能手機(jī)的普及，基于手機(jī)信令數(shù)據(jù)獲取城市交通出行和人口活動(dòng)信息成為了一種常用手段.但在實(shí)際應(yīng)用中，絕大部分的信令數(shù)據(jù)分析都是基于單個(gè)運(yùn)營(yíng)商的數(shù)據(jù).由于無法確定不同運(yùn)營(yíng)商數(shù)據(jù)之間是否存在顯著差異，也就無法保證基于單個(gè)運(yùn)營(yíng)商數(shù)據(jù)的計(jì)算結(jié)果能夠滿足城市交通分析的精度要求.針對(duì)這一問題，本文使用某城市2個(gè)運(yùn)營(yíng)商5個(gè)工作日的信令數(shù)據(jù)，分別計(jì)算了交通規(guī)劃中常用的人口分布和交通出行信息.計(jì)算結(jié)果發(fā)現(xiàn)，在使用算法一致的前提下，2個(gè)運(yùn)營(yíng)商的人口和交通出行結(jié)果十分相似，特別是居民移動(dòng)人口分布和出行OD矩陣基本沒有差距，相關(guān)系數(shù)在0.9以上，且當(dāng)時(shí)間和空間尺度發(fā)生變化時(shí)仍然保持較高的相似性.但是，從城市停留人口分布的計(jì)算結(jié)果來看，由于2個(gè)運(yùn)營(yíng)商設(shè)置的位置更新周期的差異，導(dǎo)致計(jì)算的停留人口分布相關(guān)系數(shù)較低，在0.7左右。關(guān)鍵詞：城市交通；手機(jī)信令；數(shù)據(jù)挖掘；相關(guān)性分析56、《基于高斯分析的馬爾可夫位置預(yù)測(cè)方法》喬巖磊，杜永萍，趙東玥計(jì)算機(jī)技術(shù)與發(fā)展摘要：針對(duì)基于馬爾可夫模型在真實(shí)時(shí)間上進(jìn)行位置預(yù)測(cè)時(shí)，需要通過對(duì)時(shí)間進(jìn)行等值劃分來確定位置轉(zhuǎn)移時(shí)間點(diǎn)，從而導(dǎo)致預(yù)測(cè)結(jié)果粗糙的問題，提出一種基于高斯分析的馬爾可夫位置預(yù)測(cè)方法。該方法首先利用高斯混合模型擬合連續(xù)時(shí)間下地點(diǎn)之間的轉(zhuǎn)移概率，從而發(fā)現(xiàn)可能的位置轉(zhuǎn)移時(shí)間點(diǎn)，并將這些時(shí)間點(diǎn)作為馬爾可夫模型的狀態(tài)轉(zhuǎn)移點(diǎn)，建立馬爾可夫模型;然后通過用戶在這些時(shí)間點(diǎn)的轉(zhuǎn)移概率流向，計(jì)算用戶位于某一位置的概率值，從而得到最終的位置預(yù)測(cè)結(jié)果。在數(shù)據(jù)集GeoLife上的實(shí)驗(yàn)結(jié)果表明，該方法相對(duì)于傳統(tǒng)馬爾可夫模型和高斯混合模型的預(yù)測(cè)準(zhǔn)確率分別提升了約10%和12%。關(guān)鍵詞：位置預(yù)測(cè)；基于位置的服務(wù)；軌跡數(shù)據(jù)；時(shí)間序列57、《基于GPS軌跡數(shù)據(jù)的混合多步Markov位置預(yù)測(cè)》李昇智，喬建忠，林樹寬，楊迪東北大學(xué)學(xué)報(bào)(自然科學(xué)版)摘要:隨著移動(dòng)設(shè)備和定位技術(shù)的廣泛應(yīng)用，基于位置服務(wù)成為研究熱點(diǎn)，位置預(yù)測(cè)是其重要研究?jī)?nèi)容．基于GPS軌跡數(shù)據(jù)，對(duì)位置預(yù)測(cè)方法進(jìn)行研究．Markov模型可以較好地表示時(shí)序數(shù)據(jù)，因此可較好地用于位置建模和預(yù)測(cè)。在基于Markov建模的位置預(yù)測(cè)中，1階Markov模型存在軌跡信息利用不充分、預(yù)測(cè)準(zhǔn)確率低的問題;而多階Markov模型存在狀態(tài)空間急劇膨脹的問題。針對(duì)這些問題，提出了基于混合多步Markov模型的位置預(yù)測(cè)方法，在將原始GPS軌跡轉(zhuǎn)化為區(qū)域軌跡的基礎(chǔ)上，對(duì)各多步模型進(jìn)行融合，提出了基于Adaboost框架的各多步模型影響系數(shù)的生成方法，在保證狀態(tài)空間不變的情況下提高了預(yù)測(cè)準(zhǔn)確性．真實(shí)數(shù)據(jù)集上的實(shí)驗(yàn)驗(yàn)證了所提位置預(yù)測(cè)方法的有效性。關(guān)鍵詞：位置預(yù)測(cè)；混合多步Markov模型；區(qū)域軌跡；Markov模型的影響系數(shù)；地圖區(qū)域劃分58、《基于出行方式及語義軌跡的位置預(yù)測(cè)模型》章靜蕾，石海龍，崔莉計(jì)算機(jī)研究與發(fā)展摘要：現(xiàn)有位置預(yù)測(cè)方法的研究多集中于對(duì)軌跡數(shù)據(jù)的挖掘和分析，而在如何通過軌跡數(shù)據(jù)中含有的信息內(nèi)容以及外源數(shù)據(jù)以提高位置預(yù)測(cè)精確度方面的研究尚不深入，有很大研究空間．提出了一種挖掘語義軌跡信息并結(jié)合出行方式的未來位置預(yù)測(cè)模型，該模型首先可實(shí)現(xiàn)根據(jù)語義軌跡進(jìn)行相似用戶挖掘，并結(jié)合個(gè)人語義軌跡和相似用戶位置軌跡得到頻繁模式集合，最后結(jié)合2個(gè)集合對(duì)目標(biāo)軌跡得到未來位置預(yù)測(cè)候選集；然后可實(shí)現(xiàn)對(duì)未來出行方式進(jìn)行識(shí)別，同時(shí)結(jié)合歷史出行方式和位置軌跡數(shù)據(jù)，建立Markov模型對(duì)未來位置進(jìn)行預(yù)測(cè)得到候選集，最后結(jié)合前一部分的候選集得到最終未來位置結(jié)果．此模型不僅能結(jié)合語義軌跡挖掘相似用戶的行為活動(dòng)，還可同時(shí)融合出行方式的外源數(shù)據(jù)克服位置軌跡的局限性．實(shí)驗(yàn)驗(yàn)證表明：該模型能對(duì)日常生活中的軌跡位置數(shù)據(jù)進(jìn)行預(yù)測(cè)并達(dá)到86%的精確度，同時(shí)在不同的頻繁模式支持度下，其精確度都比未結(jié)合出行方式模型時(shí)平均高出5%，因此本模型對(duì)位置預(yù)測(cè)結(jié)果的提高具有有效性．關(guān)鍵詞：出行方式識(shí)別；頻繁模式挖掘算法；語義軌跡；位置軌跡；位置預(yù)測(cè)59、《基于數(shù)據(jù)挖掘的移動(dòng)用戶出行軌跡預(yù)測(cè)》劉麗嫻，樊學(xué)寶摘要：為了解決移動(dòng)用戶出行軌跡預(yù)測(cè)的問題，首先利用用戶出行軌跡數(shù)據(jù)進(jìn)行語義化建模，然后根據(jù)語義位置和訪問概率對(duì)用戶群進(jìn)行分類，再次，利用關(guān)聯(lián)規(guī)則挖掘不同群體的頻繁模式，最后，結(jié)合實(shí)時(shí)出行數(shù)據(jù)動(dòng)態(tài)更新貝葉斯網(wǎng)絡(luò)實(shí)現(xiàn)移動(dòng)用戶出行軌跡的實(shí)時(shí)預(yù)測(cè)。經(jīng)過實(shí)驗(yàn)表明，該算法能夠在一定程度上反映用戶出行的目的和偏好，并具有很好的擴(kuò)展性。關(guān)鍵詞：語義化建模；關(guān)聯(lián)規(guī)則；貝葉斯網(wǎng)絡(luò)；軌跡預(yù)測(cè)60、《手機(jī)移動(dòng)支付用戶的位置預(yù)測(cè)》鐘裕濱摘要：手機(jī)移動(dòng)支付普及迅速，在一個(gè)商場(chǎng)中精確定位手機(jī)用戶位置所在商店，進(jìn)而可將線下商店實(shí)體商品推薦與線上移動(dòng)支付結(jié)合起來，有效提高用戶的選擇商品的效率并減少商家廣告費(fèi)用，提高收入。利用手機(jī)用戶在移動(dòng)支付時(shí)產(chǎn)生的數(shù)據(jù)進(jìn)行挖掘，如wifi信號(hào)列表及強(qiáng)度、經(jīng)緯度等，運(yùn)用XGBoost算法與隨機(jī)森林算法分別進(jìn)行訓(xùn)練預(yù)測(cè)用戶所在商店，運(yùn)用加權(quán)算法進(jìn)行模型融合，最終預(yù)測(cè)準(zhǔn)確率達(dá)91.98%。61、《蜂窩網(wǎng)中基于位置預(yù)測(cè)的切換算法》王夢(mèng)冉，喬少杰，于珊珊計(jì)算機(jī)科學(xué)摘要：為了滿足未來移動(dòng)網(wǎng)絡(luò)蜂窩小、切換頻繁、支持規(guī)模用戶和多媒體應(yīng)用的需求，對(duì)位置預(yù)測(cè)與越區(qū)切換進(jìn)行深入分析，提出了基于位置預(yù)測(cè)的越區(qū)切換方案HDLP(HandoverDecisionbasedonLocationPrediction)，其基本思想是：(1)從移動(dòng)用戶的大量歷史移動(dòng)軌跡數(shù)據(jù)中挖掘頻繁軌跡；(2)根據(jù)挖掘出的頻繁軌跡集合生成運(yùn)動(dòng)規(guī)則；(3)將運(yùn)動(dòng)規(guī)則運(yùn)用于判決蜂窩移動(dòng)通信的越區(qū)切換中。對(duì)所提算法進(jìn)行仿真的結(jié)果表明，與傳統(tǒng)的切換方案相比較，本算法減少了不必要的越區(qū)切換次數(shù)，降低了錯(cuò)誤切換率，提高了切換的準(zhǔn)確率，進(jìn)而在一定程度上降低了通信代價(jià)，提高了通信系統(tǒng)的容量以及QoS。關(guān)鍵詞：位置預(yù)測(cè)，越區(qū)切換，頻繁軌跡，運(yùn)動(dòng)規(guī)則62、《基于聚類和時(shí)間權(quán)重的協(xié)同過濾位置預(yù)測(cè)算法》田繼偉，王勁松，石凱，薛玉岱，岳欣天津理工大學(xué)學(xué)報(bào)摘要：校園無線網(wǎng)絡(luò)產(chǎn)生大量用戶位置數(shù)據(jù)，它使掌握用戶行為軌跡、預(yù)測(cè)用戶位置成為可能.協(xié)同過濾廣泛用于預(yù)測(cè)和推薦系統(tǒng)中，但現(xiàn)有研究存在數(shù)據(jù)稀疏性和不適用于處理時(shí)空數(shù)據(jù)的缺點(diǎn).本文提出基于聚類和時(shí)間權(quán)重的協(xié)同過濾位置預(yù)測(cè)算法.首先利用DBSCAN聚類算法對(duì)用戶進(jìn)行聚類，緩解數(shù)據(jù)稀疏性.然后在簇內(nèi)計(jì)算用戶-位置評(píng)分矩陣時(shí)引入時(shí)間權(quán)重，使用戶近期的位置簽到對(duì)預(yù)測(cè)有更大貢獻(xiàn).與傳統(tǒng)協(xié)同過濾方法相比，該方法準(zhǔn)確率提高9.1%，召回率提高5.2%，F(xiàn)1-SCORE提高7%.關(guān)鍵詞：協(xié)同過濾；時(shí)空數(shù)據(jù)；DBSCAN聚類；時(shí)間權(quán)重；位置預(yù)測(cè)63、《基于改進(jìn)隨機(jī)森林算法的LBSN用戶短期位置預(yù)測(cè)模型》袁健，蔣宇，孫悅摘要：針對(duì)已有的基于LBSN的用戶短期位置預(yù)測(cè)模型性能較低的現(xiàn)狀，提出了一種基于改進(jìn)隨機(jī)森林算法的LBSN用戶短期位置預(yù)測(cè)模型SPMLIＲFA．該模型對(duì)隨機(jī)森林算法進(jìn)行改進(jìn)并應(yīng)用于LBSN用戶在短期內(nèi)的位置預(yù)測(cè)問題中，SPMLIＲFA模型的主要思想是將用戶的位置預(yù)測(cè)問題抽象為對(duì)給定的候選位置的分類問題來實(shí)現(xiàn)．該模型將時(shí)間因素，空間因素，個(gè)人社交因素和社交群體的簽到地點(diǎn)熱門因素特征進(jìn)行量化，通過計(jì)算特征量化值的Fisher比值來衡量特征的重要程度，訓(xùn)練樣本則按照特征重要程度劃分的比例來采樣，再將該樣本作為隨機(jī)森林的訓(xùn)練集，生成模型后分類預(yù)測(cè)位置．實(shí)驗(yàn)結(jié)果表明，SPMLIＲFA在用戶短期位置預(yù)測(cè)問題上有著較好的泛化性和準(zhǔn)確率。關(guān)鍵詞：基于位置的社交網(wǎng)絡(luò)：LBSN：用戶位置預(yù)測(cè)：隨機(jī)森林算法：Fisher比64、《基于Adaboost-Markov模型的移動(dòng)用戶位置預(yù)測(cè)方法》楊震，王紅軍計(jì)算機(jī)應(yīng)用摘要:針對(duì)Markov模型在位置預(yù)測(cè)中存在預(yù)測(cè)精度不高及匹配稀疏等問題，提出了一種基于Adaboost-Markov模型的移動(dòng)用戶位置預(yù)測(cè)方法。首先，通過基于轉(zhuǎn)角偏移度與距離偏移量的軌跡劃分方法對(duì)原始軌跡數(shù)據(jù)進(jìn)行預(yù)處理，提取出特征點(diǎn)，并采用密度聚類算法將特征點(diǎn)聚類為用戶的各個(gè)興趣區(qū)域，把原始軌跡數(shù)據(jù)離散化為由興趣區(qū)域組成的軌跡序列;然后，根據(jù)前綴軌跡序列與歷史軌跡序列模式樹的匹配程度來自適應(yīng)地確定模型階數(shù)k;最后，采用Adaboost算法根據(jù)1～k階Markov模型的重要程度為其賦予相應(yīng)的權(quán)重系數(shù)，組成多階融合Markov模型，從而實(shí)現(xiàn)對(duì)移動(dòng)用戶未來興趣區(qū)域的預(yù)測(cè)。在大規(guī)模真實(shí)用戶軌跡數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，與1階Markov模型、2階Markov模型、權(quán)重系數(shù)平均的多階融合Markov模型相比，Adaboost-Markov模型的平均預(yù)測(cè)準(zhǔn)確率分別提高了20．83%、11．3%以及5．38%，且具有良好的普適性與多步預(yù)測(cè)性能。關(guān)鍵詞：位置預(yù)測(cè)；興趣區(qū)域；Adaboost算法；多階融合Markov模型；權(quán)重系數(shù)；自適應(yīng)65、《基于用戶移動(dòng)行為相似性聚類的Markov位置預(yù)測(cè)》林樹寬，李昇智，喬建忠，楊迪東北大學(xué)學(xué)報(bào)(自然科學(xué)版)摘要:由于采集點(diǎn)丟失或出現(xiàn)新用戶等原因，GPS軌跡數(shù)據(jù)往往具有稀疏性，使得基于單個(gè)用戶數(shù)據(jù)的位置預(yù)測(cè)準(zhǔn)確率較低．針對(duì)這種情況，提出了基于移動(dòng)行為相似性和用戶聚類的Markov位置預(yù)測(cè)方法．首先，基于Voronoi圖和原始GPS軌跡進(jìn)行區(qū)域劃分，位置預(yù)測(cè)基于區(qū)域軌跡進(jìn)行;其次，提出了同時(shí)考慮用戶轉(zhuǎn)移特性和用戶區(qū)域特性的移動(dòng)行為相似性計(jì)算方法;再次，根據(jù)移動(dòng)行為相似性對(duì)用戶進(jìn)行聚類，并在聚類的用戶組上采用一階Markov模型進(jìn)行位置預(yù)測(cè)，提高了位置預(yù)測(cè)的準(zhǔn)確性．真實(shí)GPS軌跡數(shù)據(jù)上的實(shí)驗(yàn)表明了所提出方法的有效性。關(guān)鍵詞：移動(dòng)行為相似性；轉(zhuǎn)移概率矩陣；區(qū)域向量；聚類概率向量；位置預(yù)測(cè)66、《一種基于用戶移動(dòng)行為相似性的位置預(yù)測(cè)方法》李昇智，喬建忠，林樹寬計(jì)算機(jī)科學(xué)摘要：隨著移動(dòng)通信技術(shù)和車載定位系統(tǒng)的發(fā)展和廣泛應(yīng)用，基于位置服務(wù)越來越受到人們的關(guān)注。位置預(yù)測(cè)技術(shù)是其重要組成部分，并有著廣泛的應(yīng)用。在實(shí)際應(yīng)用中，由于采集點(diǎn)丟失或新用戶出現(xiàn)等，GPS軌跡數(shù)據(jù)往往具有稀疏特性，使得基于單個(gè)用戶數(shù)據(jù)的位置預(yù)測(cè)的準(zhǔn)確率較低。針對(duì)這種情況，文中提出了基于移動(dòng)行為相似性和用戶聚類的Markov位置預(yù)測(cè)方法。首先，為使預(yù)測(cè)的位置具有物理意義，提出了基于Voronnoi圖的區(qū)域劃分方法，并基于區(qū)域軌跡進(jìn)行位置預(yù)測(cè)；其次，提出了同時(shí)考慮用戶轉(zhuǎn)移特性和用戶區(qū)域特性的移動(dòng)行為相似性計(jì)算方法；再次，根據(jù)移動(dòng)行為相似性對(duì)用戶進(jìn)行聚類，并在聚類的用戶組上采用一階Markov模型進(jìn)行位置預(yù)測(cè)，提高了位置預(yù)測(cè)的準(zhǔn)確性。在真實(shí)GPS軌跡數(shù)據(jù)上的實(shí)驗(yàn)表明了所提方法的有效性。關(guān)鍵詞:移動(dòng)行為相似性；轉(zhuǎn)移概率矩陣；區(qū)域向量；位置預(yù)測(cè)67、《基于用戶行為序列特征的位置預(yù)測(cè)模型》胡錚，劉奕杉，朱新寧，于建港摘要:針對(duì)現(xiàn)有位置預(yù)測(cè)研究中忽略用戶行為序列特性、預(yù)測(cè)精度提升受限的問題，提出了基于用戶行為序列特征的位置預(yù)測(cè)模型．首先以人工提取的方式構(gòu)建用戶行為的序列特征，融合到位置預(yù)測(cè)模型中，構(gòu)造了基于行為序列特征的循環(huán)神經(jīng)網(wǎng)絡(luò)模型(BCP-RNN);借助ＲNN模型循環(huán)結(jié)構(gòu)的特點(diǎn)，自動(dòng)學(xué)習(xí)行為序列特征，并引入位置預(yù)測(cè)模型，構(gòu)造了3層對(duì)稱循環(huán)神經(jīng)網(wǎng)絡(luò)模型(TS-RNN)．實(shí)驗(yàn)結(jié)果證明，引入行為序列特征的BCP-RNN和TS-RNN模型，其預(yù)測(cè)性能均高于現(xiàn)有的位置預(yù)測(cè)模型，驗(yàn)證了行為序列特征對(duì)挖掘用戶移動(dòng)模式的重要性．相較于人工提取行為序列特征的BCP-RNN模型，TS-RNN不僅節(jié)省了人工特征提取的成本，還彌補(bǔ)了人工分析的片面性造成的偏差，具有更高的預(yù)測(cè)性能．關(guān)鍵詞：位置預(yù)測(cè)；位置語義；行為序列特征68、《基于K-Means和時(shí)間匹配的位置預(yù)測(cè)模型》胡燕，朱曉瑛，馬剛鄭州大學(xué)學(xué)報(bào)(工學(xué)版)摘要:隨著移動(dòng)服務(wù)的發(fā)展，越來越多的移動(dòng)端服務(wù)基于對(duì)象的位置進(jìn)行推送和推薦，因此位置預(yù)測(cè)技術(shù)顯得越來越重要．由于對(duì)象位置信息存在采集不連續(xù)或?qū)ο笮袨椴灰?guī)律等因素，導(dǎo)致位置預(yù)測(cè)成為一項(xiàng)非常有挑戰(zhàn)的工作．為了提高位置預(yù)測(cè)的準(zhǔn)確性，提出一種基于K-Means算法和時(shí)間匹配的位置預(yù)測(cè)模型．該模型使用K-Means算法對(duì)歷史位置點(diǎn)進(jìn)行聚類，劃分多個(gè)對(duì)象運(yùn)動(dòng)區(qū)域，針對(duì)對(duì)象運(yùn)動(dòng)區(qū)域進(jìn)行預(yù)測(cè)．按照對(duì)象的作息時(shí)間將一天時(shí)間劃分為多個(gè)時(shí)間段，運(yùn)用筆者提出的軌跡建模算法和軌跡更新算法形成用戶運(yùn)動(dòng)軌跡，形成對(duì)象運(yùn)動(dòng)軌跡，再使用時(shí)間匹配原則進(jìn)行位置預(yù)測(cè)．筆者最后利用真實(shí)的數(shù)據(jù)實(shí)現(xiàn)該模型，實(shí)驗(yàn)證明:未使用該模型的位置預(yù)測(cè)準(zhǔn)確率為39．7%;使用該模型后算法和時(shí)間匹配的位置預(yù)測(cè)模型預(yù)測(cè)準(zhǔn)確率達(dá)到60．3%，準(zhǔn)確率提高了20%左右．關(guān)鍵詞：位置預(yù)測(cè)；K-Means算法；時(shí)間匹配；聚類69、《面向位置預(yù)測(cè)的動(dòng)態(tài)軌跡模式挖掘》鄧佳，王永利，董振江計(jì)算機(jī)應(yīng)用研究摘要:針對(duì)海量的用戶軌跡數(shù)據(jù)進(jìn)行研究，提出一種動(dòng)態(tài)分析移動(dòng)對(duì)象軌跡模式、預(yù)測(cè)軌跡位置的方法(PRED)。首先使用改進(jìn)的模式挖掘模型，提取軌跡頻繁模式(簡(jiǎn)稱T-模式);然后提出DPTUpdate算法，設(shè)計(jì)蘊(yùn)涵時(shí)空信息的快捷數(shù)據(jù)結(jié)構(gòu)———DPT(dynamicpatterntree)，存儲(chǔ)和查詢移動(dòng)物體的T-模式，并提出Prediction算法計(jì)算最佳匹配度，得到移動(dòng)對(duì)象軌跡的預(yù)測(cè)位置?；谡鎸?shí)數(shù)據(jù)集進(jìn)行對(duì)比實(shí)驗(yàn)，結(jié)果證明，PRED方法可提供動(dòng)態(tài)分析的能力，平均準(zhǔn)確率達(dá)到72%、平均覆蓋率達(dá)到92．1%，與已有方法相比，其預(yù)測(cè)效果有顯著提升。關(guān)鍵詞：軌跡模式；時(shí)空數(shù)據(jù)挖掘；模式樹；位置預(yù)測(cè)70、《基于LSTM的移動(dòng)對(duì)象位置預(yù)測(cè)算法》高雅，江國(guó)華，秦小麟，王鐘毓摘要：移動(dòng)對(duì)象位置預(yù)測(cè)是基于位置服務(wù)的重要組成部分。現(xiàn)有的移動(dòng)對(duì)象位置預(yù)測(cè)算法有基于馬爾可夫鏈的算法、基于隱馬爾可夫模型的算法、基于神經(jīng)網(wǎng)絡(luò)的算法等，然而這些算法都無法解決移動(dòng)對(duì)象軌跡數(shù)據(jù)中位置過多帶來的維數(shù)災(zāi)難問題。為了解決