[发明专利]一种大数据环境下人口集聚中短期预警方法

权利要求书

1.一种大数据环境下人口集聚中短期预警方法，其特征在于，包括以下步骤：

步骤1、系统读取从传感器运营商获取的匿名加密移动终端传感器数据，匿名加密移动终端传感器数据在时间与空间上连续，不同移动终端对应不同的EPID，提取每个EPID在指定时间段内所触发的通信信令记录，构成该EPID的出行轨迹数据集；

步骤2、提取所有固定传感器的位置信息，对其进行聚类合并处理，然后计算Voronoi图，得到每个传感器实际的控制范围，即每个传感器的Thiessen多边形，记录每个Thiessen多边形的面积，设定每个Thiessen多边形的三级人口承载阈值；

步骤3、依次提取每个EPID在指定时间段内的出行轨迹数据集，按时间顺序进行排序；从时间起点t0出发，在空间和时间上，以T为时间间隔对出行轨迹数据进行插值，建立出行时空序列数据集；将出行时空序列数据集上的每个点映射到Voronoi图上，赋予每个点对应的Thiessen多边形的编号，包括：

步骤3.1、遍历所有EPID的出行轨迹数据集，按触发通信时间TIMESTAMP顺序排列，从时间起点开始遍历出行轨迹数据集，相邻的每3个信令记录点拟合一条二次曲线，二次曲线的X轴为用户出行轨迹的时间线，Y轴为信令记录点的X-Y坐标，这样若用户的出行轨迹包含n个通信记录点，则总共需要拟合出2n-4条二次曲线；

步骤3.2、从整数时间起点t0出发，按时间间隔T计算用户在每个时间点的X-Y坐标，相同时间X(t0+nT)和Y((t0+nT)构成一个插值点，所有插值点按时间顺序排序，将在时间上距离原记录点最近的插值点定为插值记录点，所有插值点构成用户的出行时空序列数据；

步骤3.3、根据用户出行时空序列数据中每个插值点的X-Y坐标，与Voronoi图进行空间关联，将其Thiessen多边形编号赋予用户出行时空序列数据中的每个插值点；

步骤4、将所有的用户出行轨迹数据分为工作日、周末和普通节日、重大节假日三类，遍历所有Thiessen多边形，从时间起点t0出发，查询每个Thiessen多边形在同类型日期中每天每一个时间段T内的EPID，查找该EPID在下一个时刻的位置，统计t时刻在某Thiessen多边形中的EPID在下一时刻去往其他Thiessen多边形的频数，通过大样本计算所有EPID在Thiessen多边形之间状态的一步转移概率，形成所有的Thiessen多边形在t时刻的Markov一步转移矩阵，包括：

步骤4.1、遍历所有Thiessen多边形，为每个Thiessen多边形创建对象，从时间起点t0出发，从用户出行时空序列数据中查找在时刻t处于Thiessen多边形的EPID，将该EPID和该EPID的插值点或插值记录点存入用户通信列表Temp_EPID_LIST；

步骤4.2、遍历Temp_EPID_LIST，查找每个EPID在t+1时刻对应的Thiessen多边形的编号，存入用户下一时刻所在的Thiessen多边形列表Temp_Th_List；

步骤4.3、读取Temp_Th_List，以动态数组AppendlList形式将其存入Thiessen多边形TH的变量MarMatrix[t].Freq，若Temp_Th_List中的某个Thiessen多边形的编号TH-ID已存在于MarMatrix[t].Freq，则将其频次加1，若不存在，则将此TH-ID添加到MarMatrix[t].Freq中，并将其频次设为1；

读取Temp_EPID_LIST，统计插值点和插值记录点之间总数，存入扩样比例MarMatrix[t].EnlargeProp；

步骤4.4、遍历完Temp_Th_List后，根据MarMatrix[t].Freq，统计时刻t在第i个Thiessen多边形TH_i的EPID，在时刻t+1的空间分布，以此计算用户在时刻t在第i个Thiessen多边形TH_i的一步转移概率，即用户从时刻t到t+1从第i个Thiessen多边形TH_i转移到第n个Thiessen多边形TH_n的概率是所有EPID从时刻t到t+1从第i个Thiessen多边形TH_i转移到第n个Thiessen多边形TH_n的总数除以在时刻t处于第i个Thiessen多边形TH_i的EPID的总数；

则第i个Thiessen多边形在t时刻的Markov一步转移矩阵为：

所有Thiessen多边形在t时刻的Markov一步转移矩阵为：

步骤5、根据步骤2制定的三级人口承载阈值设定大规模人口集聚预警机制，实时监测每个Thiessen多边形中EPID的数量，并按一定的比例扩样；若某时刻某个Thiessen多边形中的人口密度达到最低级别的人口密度承载阈值，即开启黄色警戒，以该时刻为起点，采用Markov方法预测该Thiessen多边形及其周边Thiessen多边形在未来时间段T内人口总量大小的数学期望和最大人口集聚发生的概率，包括：

步骤5.1、每个Thiessen多边形的三级人口密度阈值分别定为黄色警戒、橙色警戒和红色警戒，其中，第i个Thiessen多边形的三级人口密度阈值分别为

步骤5.2、实时监测每个固定传感器在每个指定时间段内的通信用户数量，用扩样比例MarMatrix[t].EnlargeProp扩样为当前时段该固定传感器所在Thiessen多边形的总用户数，再按人口总量扩样比例EnlargeRadio扩样到当前时段该Thiessen多边形内的总人数；

步骤5.3、若当前时刻t内第i个Thiessen多边形TH_i的人口密度达到一级人口密度预警阈值则开启黄色警戒；

步骤5.4、若第i个Thiessen多边形TH_i在时刻t开启了黄色警戒，则以第i个Thiessen多边形TH_i为中心，计算包含与其相邻的Thiessen多边形在时刻t+1的人口大小，与第i个Thiessen多边形TH_i相邻的Thiessen多边形TH_j共有K个相邻Thiessen多边形，则Thiessen多边形TH_j在时刻t+1的人口大小为

式中，为与Thiessen多边形TH_j相邻的第k个Thiessen多边形TH_k在时刻t的人口大小，从时刻t到t+1从Thiessen多边形TH_k转移到Thiessen多边形TH_j的概率；

步骤5.5、以Thiessen多边形TH_i为中心，计算时刻t+1时Thiessen多边形TH_i的人口密度超过和的可能性，包括以下步骤：

步骤5.5.1、对Thiessen多边形TH_i周围两层以内的Thiessen多边形，按照其在时刻t到t+1间转移到Thiessen多边形TH_i的概率从大到小进行排序；

步骤5.5.2、以Thiessen多边形TH_i在时刻t的人口为基数，假设在时刻t到t+1，Thiessen多边形TH_i的人口全部留在Thiessen多边形TH_i，其人口为概率为

步骤5.5.3、遍历排序后的Thiessen多边形，其中第j个Thiessen多边形TH_j的人在时刻t+1完全转移到Thiessen多边形TH_i的概率为假设第j个Thiessen多边形TH_j在下一时刻全部转移到Thiessen多边形TH_i，则时刻t+1时Thiessen多边形TH_i最大可能人口为概率为计算此时Thiessen多边形TH_i的人口密度，若超过则记录Thiessen多边形TH_i在时刻t+1时超过的概率为

步骤5.5.4、继续遍历排序后的Thiessen多边形，其中第z个Thiessen多边形TH_z的人在时刻t+1完全转移到Thiessen多边形TH_i的概率为同样假设其在下一时刻全部转移到Thiessen多边形TH_i，则时刻t+1时Thiessen多边形TH_i最大可能人口为概率为

步骤5.5.5、采用与步骤5.5.3及5.5.4相同的方法遍历过n个Thiessen多边形后，Thiessen多边形TH_i的最大可能人口为概率为直到Thiessen多边形TH_i的最大可能人口密度大于记录Thiessen多边形TH_i在时刻t+1时超过的概率为

步骤6、按照Markov方法不断基于前一期结果预测下一期目标范围内各个Thiessen多边形的人口总量和人口密度，根据预先制定的规则决定是否开启更高级的橙色和红色警戒并实施必要的疏散工作，或降低预警级别，直到解除黄色警报，停止预测计算，恢复正常的监视状态。