[发明专利]一种基于基站轨迹的用户通行方式判别方法

说明书

本发明涉及一种基于基站轨迹的用户通行方式判别方法，包括：获取待判别用户通行基站的轨迹信息；根据轨迹信息提取特征，特征包括通过基站的耗时、进出基站时间区间范围、经过基站的人数、用户基于滑动窗口的“基站振荡”、基站聚类特征、基站连续时间内的统计特征、基站密度、基站自身通行方式统计特征；将提取的特征输入预先训练好的LightGBM模型，LightGBM模型输出待判别用户的通行方式。本发明从少量的基站基本信息中挖掘出了大量的新的重要特征，采用了集成学习中的LightGBM算法，能够根据挖掘的特征准确地从大量轨迹数据中学习到用户在基站中的运动规律，准确且高效的判判别用户的运动方式。

技术领域

本发明涉及基站大数据处理技术领域，特别是涉及一种基于基站轨迹的用户通行方式判别方法。

背景技术

随着手机终端的普及，采用手机信令等新技术采集用户出行信息逐渐受到重视。2018年中国手机用户就已达到15.7亿，庞大的手机用户群为出行数据的采集提供了大量的数据源。另外，基于手机信令的出行信息采集技术还具有成本低、覆盖范围广等优点。因此，手机信令数据可作为现有的交通数据采集技术的重要补充，这能够有效帮助识别用户出行的运动方式，进而为城市交通流量预测、居民出行行为分析、居民出行时空分布的挖掘等提供了很好的技术支持。

目前的手机信令数据主要包括GPS、基站信息等。其中基于GPS信令数据的方法通过用户实时的GPS数据能够准确的得到用户的位置和通过速度等，通过这些信息作为运动特征可以确定用户的运动方式；而基站信令信息相比于GPS数据有更容易采集、且不依赖用户的权限设置的特点。基于基站信息通常有两种策略能够判断用户的通行方式，分别是基于规则的方法和基于机器学习模型的方法。基于规则的方法利用用户一次出行的时间、距离、平均速度、最高速度等出行特征作为判断依据，用于确定某次出行的运动方式。而基于机器学习模型的方法则通过大量已标注通行方式的轨迹数据，自动的学习轨迹数据的特征，用以辅助判断未知轨迹的运动方式。

虽然现有的方法能够一定程度上判断用户的出行方式，但是都存在着不同的缺陷。如GPS数据的获取因为都必须要求装有GPS的设备，因此造成成本高、设备投资大等问题，GPS还依赖于用户是否打开GPS权限，同时GPS数据也会由于遇到“城市峡谷”、遮挡物等引起信号丢失，从而造成数据的缺失等诸多问题，因此并不适合于一些场景。

而基站轨迹信息的获取相较于GPS数据更加方便且成本低廉，受用户权限设置的影响低，且能够更大程度减少用户隐私的泄露，因此是用户轨迹信息的一个有效补充。但基站的轨迹数据直接包含的信息较少，包括基站的经纬度、用户进入基站的时间、离开基站的时间、信号强度、手机标识等，因此基于规则的方法能利用的信息相对较少，没有出行的距离和速度等信息，通过经纬度和“多点定位”法得到的距离和速度存在较大的误差，因此现有的基于规则的方法不能作为直接的判断依据判别用户通行基站的运动方式。而基于机器学习模型的方法仅利用这少量的轨迹特征并不能充分的学习到基站轨迹的运动模式，需要更多更起作用的规则特征作为模型的学习参数，而现有机器学习方法使用的多是GPS、手机传感器、基站信息、GIS、wifi等多种信息组合起来的数据作为训练数据，如Troped等[6]将GPS与加速度传感器数据特征相结合识别精确度达到了93％，这种方法虽然包含的特征更多且准确度较高，但数据获得的条件较为苛刻，不适于仅利用基站信息的情况。因此需要对基于规则和机器学习模型的方法进行相应的改进。

发明内容

基于此，有必要针对利用信息相对较少的问题，提供一种基于基站轨迹的用户通行方式判别方法。

一种基于基站轨迹的用户通行方式判别方法，包括：数据读取：获取待判别用户通行基站的轨迹信息；特征提取：根据轨迹信息提取特征，特征包括通过基站的耗时、进出基站时间区间范围、经过基站的人数、用户基于滑动窗口的“基站振荡”、基站聚类特征、基站连续时间内的统计特征、基站密度、基站自身通行方式统计特征；通行方式判别；将提取的特征输入预先训练好的LightGBM模型，LightGBM模型输出待判别用户的通行方式。

与现有技术相比，本发明的有益效果在于：