本發(fā)明屬于數(shù)據(jù)預(yù)測(cè)領(lǐng)域，涉及一種基于手機(jī)信令數(shù)據(jù)的個(gè)體出行活動(dòng)預(yù)測(cè)方法及系統(tǒng)。

背景技術(shù)：

1、隨著手機(jī)信令數(shù)據(jù)、gps軌跡數(shù)據(jù)以及基于位置的在線社交網(wǎng)絡(luò)數(shù)據(jù)的迅速增長(zhǎng)，個(gè)體出行數(shù)據(jù)和先進(jìn)的數(shù)據(jù)處理技術(shù)相結(jié)合，為道路運(yùn)行特征分析和交通需求研究提供了新的途徑，利用大數(shù)據(jù)分析技術(shù)，能夠深入分析個(gè)體交通出行的特征，包括每次出行的具體起止地點(diǎn)、時(shí)間以及出行方式等關(guān)鍵信息，這種大樣本的智能分析有望直接對(duì)個(gè)體的出行活動(dòng)進(jìn)行需求預(yù)測(cè)等研究。

2、交通規(guī)劃應(yīng)用最廣泛的傳統(tǒng)四階段法依托于居民出行調(diào)查，如紙質(zhì)問卷等等，這類方法數(shù)據(jù)準(zhǔn)確性低、組織困難、規(guī)模有限，周期較長(zhǎng)，很難及時(shí)反映城市快速發(fā)展的真實(shí)交通需求，交通規(guī)劃是通過極小樣本事件進(jìn)行判斷，采用數(shù)學(xué)模型來擴(kuò)大小樣本事件常常失真于客觀現(xiàn)實(shí)，傳統(tǒng)規(guī)劃方法急需更新與升級(jí)。近年來，非集計(jì)出行需求模型開始用于出行需求預(yù)測(cè)，這類模型改進(jìn)了傳統(tǒng)的四階段建模方法，能夠更準(zhǔn)確地捕捉影響出行行為和時(shí)間分配的因素，其中基于活動(dòng)的模型強(qiáng)調(diào)出行是一種派生需求，源于個(gè)體參與活動(dòng)的需要。這類方法的研究對(duì)象是基于個(gè)體或具有相似出行規(guī)律的小部分群體，通過分析提取出行活動(dòng)過程中的od信息、出行時(shí)間、停留狀態(tài)、出行方式以及出行目的等信息展開研究工作，這類基于活動(dòng)的非集計(jì)出行需求建模方法目前在學(xué)術(shù)上變得逐漸流行，也更加符合以人為本的理念，但是其預(yù)測(cè)精度和準(zhǔn)確度無法準(zhǔn)確反映個(gè)體的實(shí)際出行活動(dòng)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于解決現(xiàn)有技術(shù)中的問題，提供一種基于手機(jī)信令數(shù)據(jù)的個(gè)體出行活動(dòng)預(yù)測(cè)方法及系統(tǒng)。

2、為達(dá)到上述目的，本發(fā)明采用以下技術(shù)方案予以實(shí)現(xiàn)：

3、本發(fā)明提出的一種基于手機(jī)信令數(shù)據(jù)的個(gè)體出行活動(dòng)預(yù)測(cè)方法，包括如下步驟：

4、獲取手機(jī)信令數(shù)據(jù)和預(yù)處理的手機(jī)信令數(shù)據(jù)；

5、對(duì)預(yù)處理的手機(jī)信令數(shù)據(jù)采用分層聚合方法識(shí)別個(gè)體的出行活動(dòng)錨點(diǎn)；

6、建立cnn-gru-self-attention模型，將出行活動(dòng)錨點(diǎn)數(shù)據(jù)和手機(jī)信令數(shù)據(jù)輸入cnn-gru-self-attention模型，獲取個(gè)體出行活動(dòng)預(yù)測(cè)結(jié)果。

7、優(yōu)選地，采用經(jīng)緯度信息匹配、無效冗余數(shù)據(jù)清洗、異常數(shù)據(jù)處理和回切數(shù)據(jù)處理獲取預(yù)處理的手機(jī)信令數(shù)據(jù)。

8、優(yōu)選地，所述異常數(shù)據(jù)處理步驟如下：

9、將數(shù)據(jù)集中經(jīng)度和緯度數(shù)據(jù)分別提取出來，形成兩組一維數(shù)據(jù)集；

10、基于數(shù)據(jù)集計(jì)算標(biāo)準(zhǔn)偏差σ，根據(jù)標(biāo)準(zhǔn)偏差σ確定臨界值；

11、

12、其中，xi表示第i個(gè)觀測(cè)值，表示平均值，n表示樣本容量；

13、對(duì)經(jīng)度和緯度數(shù)據(jù)分別進(jìn)行排序，計(jì)算經(jīng)度和緯度數(shù)據(jù)集中每個(gè)數(shù)據(jù)點(diǎn)的統(tǒng)計(jì)量q；

14、

15、其中，xi表示經(jīng)度或緯度數(shù)據(jù)，xmedian是中位數(shù)，xmax是最大值，xmin是最小值；

16、將計(jì)算得到的統(tǒng)計(jì)量q值與各自的臨界值進(jìn)行比較，當(dāng)統(tǒng)計(jì)量q值大于臨界值時(shí)，將對(duì)應(yīng)的經(jīng)緯度數(shù)據(jù)點(diǎn)判定為異常現(xiàn)象。

17、優(yōu)選地，所述回切數(shù)據(jù)處理步驟如下：

18、創(chuàng)建字典，用于存儲(chǔ)每個(gè)基站的連接時(shí)長(zhǎng)t和出現(xiàn)頻率f信息；

19、對(duì)于每次基站連接事件，記錄該事件的基站id、連接時(shí)長(zhǎng)tid和時(shí)間戳，更新字典中相應(yīng)基站的連接時(shí)長(zhǎng)tid和出現(xiàn)頻率fid；

20、定義時(shí)間窗口，結(jié)束時(shí)間窗口后，分析該時(shí)間窗口內(nèi)所有連接事件的數(shù)據(jù)；

21、遍歷記錄的連接時(shí)長(zhǎng)數(shù)據(jù)，找到連接時(shí)長(zhǎng)最長(zhǎng)的基站idmax_duration,并記錄其基站id和連接時(shí)長(zhǎng)tmax_duration；

22、遍歷記錄的出現(xiàn)頻率數(shù)據(jù)，找到出現(xiàn)頻率最高的基站idmax_frequency,并記錄其基站id和出現(xiàn)次數(shù)fmax_frequency；

23、若連接時(shí)長(zhǎng)最長(zhǎng)的基站與出現(xiàn)頻率最高的基站相同，則將該基站作為用戶所在位置的標(biāo)識(shí)；若連接時(shí)長(zhǎng)最長(zhǎng)的基站與出現(xiàn)頻率最高的基站不同，則將連接時(shí)長(zhǎng)最長(zhǎng)的基站作為用戶所在位置的標(biāo)識(shí)。

24、優(yōu)選地，所述對(duì)預(yù)處理的手機(jī)信令數(shù)據(jù)采用分層聚合方法識(shí)別個(gè)體的出行活動(dòng)錨點(diǎn)，具體為：

25、確定空間距離閾值α1、時(shí)間距離閾值α2和滿足錨點(diǎn)條件所需的信令聚合點(diǎn)數(shù)閾值n；

26、建立空間-時(shí)間結(jié)構(gòu)階段：將采集到的數(shù)據(jù)點(diǎn)轉(zhuǎn)換為空間-時(shí)間結(jié)構(gòu)中的點(diǎn)，空間維度由位置坐標(biāo)定義，時(shí)間維度由時(shí)間戳定義，數(shù)據(jù)點(diǎn)集合x＝{(x1,t1),(x2,t2),(xn,tn)}，其中xi表示空間位置坐標(biāo)，ti表示時(shí)間戳；

27、對(duì)于每個(gè)數(shù)據(jù)點(diǎn)xi，計(jì)算其α-結(jié)構(gòu)范圍內(nèi)的點(diǎn)數(shù)nα(xi)，若nα(xi)≥n，則將xi標(biāo)記為候選錨點(diǎn)對(duì)象；

28、通過遍歷候選錨點(diǎn)對(duì)象xi，檢查其α-結(jié)構(gòu)范圍內(nèi)的點(diǎn)集合nα(xi)，若其中的點(diǎn)是候選錨點(diǎn)對(duì)象，則將其加入到錨點(diǎn)集合中，并繼續(xù)擴(kuò)展；

29、對(duì)于在時(shí)間上相鄰的錨點(diǎn)集合pⅰ和pj，判斷這些點(diǎn)在空間上的距離是否小于閾值，若是則將這些點(diǎn)合并為一個(gè)軌跡，將剩余的未合并的點(diǎn)集合作為噪聲點(diǎn)集合；

30、將數(shù)據(jù)按照日期進(jìn)行分組，對(duì)每個(gè)日期的數(shù)據(jù)分別進(jìn)行上述步驟得到的每個(gè)時(shí)間分層的聚合結(jié)果，對(duì)不同層的結(jié)果進(jìn)行比較、融合，得到全局的時(shí)間-空間聚合結(jié)果。

31、優(yōu)選地，所述建立cnn-gru-self-attention模型，具體為：

32、對(duì)于分層聚合算法聚合后的出行活動(dòng)錨點(diǎn)信息數(shù)據(jù)集，劃分訓(xùn)練集、驗(yàn)證集和測(cè)試集，利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)各子模態(tài)進(jìn)行特征提取，從歷史數(shù)據(jù)中抽取對(duì)個(gè)體出行活動(dòng)預(yù)測(cè)有意義的特征屬性，包括時(shí)間戳，活動(dòng)出行距離，活動(dòng)持續(xù)時(shí)間，活動(dòng)錨點(diǎn)位置信息；

33、采用門控循環(huán)單元gru對(duì)基于卷積神經(jīng)網(wǎng)絡(luò)提取的特征序列進(jìn)行時(shí)序分析，gru通過更新門和重置門自適應(yīng)保留和遺忘機(jī)制揭示序列的長(zhǎng)期依賴，以利用時(shí)間信息增強(qiáng)活動(dòng)錨點(diǎn)位置的預(yù)測(cè)精度；

34、通過self-attention對(duì)gru輸出的錨點(diǎn)序列進(jìn)行加權(quán)，計(jì)算每個(gè)錨點(diǎn)與其他錨點(diǎn)之間的注意力權(quán)重，重分配隱藏層權(quán)值，通過全連接層實(shí)現(xiàn)模型輸出，得到個(gè)體出行活動(dòng)位置預(yù)測(cè)結(jié)果。

35、本發(fā)明提出的一種基于手機(jī)信令數(shù)據(jù)的個(gè)體出行活動(dòng)預(yù)測(cè)系統(tǒng)，包括：

36、數(shù)據(jù)獲取模塊，用于獲取手機(jī)信令數(shù)據(jù)和預(yù)處理的手機(jī)信令數(shù)據(jù)；

37、數(shù)據(jù)處理模塊，用于對(duì)預(yù)處理的手機(jī)信令數(shù)據(jù)采用分層聚合方法識(shí)別個(gè)體的出行活動(dòng)錨點(diǎn)；

38、模型建立模塊，用于建立cnn-gru-self-attention模型，將出行活動(dòng)錨點(diǎn)數(shù)據(jù)和手機(jī)信令數(shù)據(jù)輸入cnn-gru-self-attention模型，獲取個(gè)體出行活動(dòng)預(yù)測(cè)結(jié)果。

39、優(yōu)選地，所述建立cnn-gru-self-attention模型，具體為：

40、對(duì)于分層聚合算法聚合后的出行活動(dòng)錨點(diǎn)信息數(shù)據(jù)集，劃分訓(xùn)練集、驗(yàn)證集和測(cè)試集，利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)各子模態(tài)進(jìn)行特征提取，從歷史數(shù)據(jù)中抽取對(duì)個(gè)體出行活動(dòng)預(yù)測(cè)有意義的特征屬性，包括時(shí)間戳，活動(dòng)出行距離，活動(dòng)持續(xù)時(shí)間，活動(dòng)錨點(diǎn)位置信息；

41、采用門控循環(huán)單元gru對(duì)基于卷積神經(jīng)網(wǎng)絡(luò)提取的特征序列進(jìn)行時(shí)序分析，gru通過更新門和重置門自適應(yīng)保留和遺忘機(jī)制揭示序列的長(zhǎng)期依賴，以利用時(shí)間信息增強(qiáng)活動(dòng)錨點(diǎn)位置的預(yù)測(cè)精度；

42、通過self-attention對(duì)gru輸出的錨點(diǎn)序列進(jìn)行加權(quán)，計(jì)算每個(gè)錨點(diǎn)與其他錨點(diǎn)之間的注意力權(quán)重，重分配隱藏層權(quán)值，通過全連接層實(shí)現(xiàn)模型輸出，得到個(gè)體出行活動(dòng)位置預(yù)測(cè)結(jié)果。

43、一種終端設(shè)備，包括存儲(chǔ)器、處理器以及存儲(chǔ)在所述存儲(chǔ)器中并可在所述處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)基于手機(jī)信令數(shù)據(jù)的個(gè)體出行活動(dòng)預(yù)測(cè)方法的步驟。

44、一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)基于手機(jī)信令數(shù)據(jù)的個(gè)體出行活動(dòng)預(yù)測(cè)方法的步驟。

45、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果：

46、本發(fā)明提出的一種基于手機(jī)信令數(shù)據(jù)的個(gè)體出行活動(dòng)預(yù)測(cè)方法，通過通訊商公司提供的手機(jī)信令數(shù)據(jù)和基站數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，補(bǔ)全數(shù)據(jù)信息并剔除異常無效數(shù)據(jù)；在此基礎(chǔ)上，采用分層聚合算法識(shí)別出行活動(dòng)錨點(diǎn)，提取個(gè)體出行活動(dòng)特征信息數(shù)據(jù)；構(gòu)建cnn-gru-self-attention模型，根據(jù)出行活動(dòng)錨點(diǎn)信息數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練并預(yù)測(cè)個(gè)體未來的出行活動(dòng)位置。該方法從通訊商公司獲取的用戶手機(jī)信令數(shù)據(jù)具有時(shí)空分辨率高，數(shù)據(jù)量大，實(shí)時(shí)動(dòng)態(tài)性強(qiáng)等特點(diǎn)，相較于傳統(tǒng)居民調(diào)查數(shù)據(jù)效果更好、成本更低，且具有更高的數(shù)據(jù)精確度和可靠性，為深入研究個(gè)體出行活動(dòng)預(yù)測(cè)提供理論支撐。根據(jù)手機(jī)信令數(shù)據(jù)提取的用戶出行活動(dòng)特征信息，提出cnn-gru-self-attention模型進(jìn)行個(gè)體出行活動(dòng)預(yù)測(cè)，本發(fā)明能夠根據(jù)個(gè)體的歷史出行數(shù)據(jù)預(yù)測(cè)出未來幾天的出行活動(dòng)錨點(diǎn)位置，這為城市交通規(guī)劃與管理的數(shù)字化轉(zhuǎn)型提供了新思路和途徑，有著廣闊的行業(yè)應(yīng)用前景。通過建立新的個(gè)體出行活動(dòng)預(yù)測(cè)方法，本發(fā)明不僅豐富了基于活動(dòng)的非集計(jì)交通規(guī)劃理論模型的研究?jī)?nèi)容，也為城市交通規(guī)劃與管理提供了重要基礎(chǔ)。

47、本發(fā)明提出的一種基于手機(jī)信令數(shù)據(jù)的個(gè)體出行活動(dòng)預(yù)測(cè)系統(tǒng)，通過將系統(tǒng)劃分為數(shù)據(jù)獲取模塊、數(shù)據(jù)處理模塊及模型建立模塊，最終實(shí)現(xiàn)個(gè)體出行活動(dòng)預(yù)測(cè)。采用模塊化思想使各個(gè)模塊之間相互獨(dú)立，方便對(duì)各模塊進(jìn)行統(tǒng)一管理。