[发明专利]基于智能设备数据的用户活动类型判别方法

说明书

技术领域

本发明涉及用户智能设备数据分析，特别是涉及一种基于智能设备数据的用户活动类型判别方法。

背景技术

城市居民出行活动信息是城市规划、交通管理和居民活动研究的重要依据，一般通过居民出行调查获取。对于居民出行活动信息的获得，传统的调查方法一般包括家访法，电话问询法，明信片方法等。目前，国内主要使用基于入户访问和纸质问卷的调查方式。该方法的弊端十分明显，即受访者负担重、调查精度低、调查成本高、抽样率低等，已无法满足城市快速发展的需求。

智能设备数据由于其用户的覆盖面广、无需特殊的数据采集设备、数据获取成本较低、数据量大等优点，已经成为目前进行交通大数据研究中不可或缺的数据来源。基于智能设备数据进行用户活动信息提取，可以大幅提高调查的样本量、缩短调查周期、降低调查成本，同时利用智能设备信令数据进行信息获取，是被动式的信息获取方式，不需要对居民进行问卷填写，不增加居民任何负担，从而为交通行业提供更为丰富的基础信息。

目前，从智能设备数据虽然可以得到带时间戳的位置信息从而得到用户一天的移动轨迹，但无法得到用户的社会经济属性信息，也无法直接得到出行方式、活动类型等出行活动属性信息。

目前对活动类型判别方法多集中于停驻点识别和职住地识别阶段，仅能识别在“家”和“工作”两类活动类型。具体根据智能设备定位数据的经度和纬度将智能设备定位数据匹配到相应的交通小区内，基于匹配后智能设备定位数据表，提取某用户连续一周的数据，分别统计介于居住地判断时段以及工作地判断时段内在各交通小区出现的次数，并把出现次数最多的交通小区作为该用户的居住地以及工作地。这种只统计停留次数的方法没有考虑停留时长的因素，容易将多次短时停留的地点误判为家或工作地。对于除了“家”和“工作”的其他活动类型的判断方法，目前研究较少且可实时性较差。

发明内容

基于此，有必要针对用户出行活动类型判别中除了“家”和“工作”的其他活动类型的判断方法，目前研究较少且可实时性较差的问题，提供一种实时性较强的基于智能设备数据的用户活动类型判别方法。

一种基于智能设备数据的用户活动类型判别方法，包括以下步骤：

获取用户智能设备数据；

对所述智能设备数据进行数据清洗获得用户的移动轨迹，通过行程识别划分用户停留区段和出行区段，获得用户的出行链；

提取所述出行链中各所述停留区段的活动开始时间和活动持续时间，并根据所述停留区段的兴趣点获取所述停留区段对应的用地性质；

分析用户预设时间出行的智能设备数据，获得各用户对应的停留时段，停留时长，以及停留次数，以此判断用户家和/或工作地的位置，以获得在家或在工作两种活动类型；

通过将除在家或在工作两种活动类型外的停留区段所对应的活动开始时间、活动持续时间，以及用地性质输入活动分类器中，以分别得到各用户除了在家或在工作两种活动类型外预定义的活动类型。

在其中一个实施例中，所述方法还包括：构建所述活动分类器，包括：

基于传统的用户出行调查数据，提取所述调查数据各用户的停留区段的活动开始时间，活动持续时间，以及停留区段对应的用地性质构建基于决策树的活动分类器。

在其中一个实施例中，所述数据清洗包括字段缺失处理，删除异常的IMSI编号记录，删去无法与所述基站定位数据相匹配的记录，删去重复数据，乒乓效应处理，以及信号漂移处理。

在其中一个实施例中，所述乒乓效应处理包括以下步骤：将每位用户的所述智能设备数据按空间和时间将区域合并，若用户信号在小于空间阈值L1的范围内波动，且超过时间阈值T1，则认为用户在这段时间内处于同一位置。

在其中一个实施例中，所述信号漂移处理包括以下步骤：将每位用户的所述智能设备数据按空间和时间将区域合并，若用户在时间阈值T2内离开空间阈值L2，之后又返回到所述空间阈值L2内，则认为用户是处于同一个位置。

在其中一个实施例中，所述行程识别包括以下步骤：若用户在时间阈值T_stay内的轨迹点群聚于L_stay的半径范围内，或者在所述时间阈值T_stay内的移动速度低于速度阈值V_stay，则所对应的区段为停留区段，否则为出行区段。

在其中一个实施例中，还包括以下步骤：

将用户出行调查数据中的出行数据转化为活动链数据，筛选早上从家出发且晚上回家的用户数据；