基于手机信令数据的受灾人口快速计算方法研究
发布时间：2020-12-15 06:44
近年来,我国自然灾害和偶然突发事件越发频繁,给国家和人民带来了巨大的损失。人作为灾害发生后最重要的承载体,当灾害发生后如何快速获取受灾人口分布、准确评估受灾人口数量是减少人员伤亡,及时开展抢险救援的首要任务,也是合理分配救援物资、救灾人员的前提。然而当前我国应急测绘系统建设还处于初级阶段,主要侧重于基础数据的获取如灾区影像、三维模型等,凭借灾区基础数据能够判断受灾范围和受灾程度,但是对灾区内的人口分布却不能及时有效的获取。为了解决应急测绘不能有效评估人口受灾问题,本文通过阅读国内外文献发现,当前研究人口时空分布模型主要有两类:基于格网数据的人口空间化和基于时空大数据的人口空间分布。通常情况下,前者以行政界线为单位统计得到的人口数据为基础,利用某种算法或数学模型将人口分散到格网中,这类方法的缺点在于人口统计数据时空分辨率过大,不能反映人口实时分布。基于时空大数据的人口空间分布方法虽然能够实时的反映人口分布,但时空大数据通常是由一系列含有坐标信息的离散型点组成,不利于研究连续性人口分布规律。因此本文在两种方法的基础上,提出了基于格网化手机信令数据的人口动态分布。论文首先利用分布式计算框架对...
【文章来源】： 肖志权 山东建筑大学
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
技术路线
山东建筑大学硕士学位论文10围为2017年2月13日至2017年2月19日，本文研究的手机信令数据属于网络手机数据。手机信令数据字段含义如表2.2所示：表2.2手机信令数据字段含义手机信令字段名字段名含义UserID用户ID(由手机号决定)DATE日期（YY-MM-DDhh:mm:ss）LNG/LAT经纬度（精确到小数点后六位）AREA位置（精确到街道）（2）手机信令数据定位原理由手机信令定义可知手机信令数据是一类基于基站定位的时空大数据。其定位原理是移动设备通过测量信号到不同基站的时间即（TOA.TimeofArrival），然后根据TOA时间计算出移动设备到基站的距离，并结合通信基站的位置信息，利用数据公式便可以计算出移动设备的坐标信息[30]。手机信令数据定位原理如图2.1所示：图2.1手机信令数据定位原理2.2手机信令数据时空特征手机信令数据属于时空大数据的一种，具有时间和空间两大特征。在获取人口时空分布信息时，传统方式主要采用问卷调查+样本统计，这种方式不仅消耗大量的人力、物力、财力，而且调查统计的精度受到人的主观意识影响而难以控制，最终导致统计与实际人口分布存在较大偏差。与统计问卷调查方式不同的是手机信令数据是被动采集，即不受人的主观影响。手机信令数据与统计数据相比
山东建筑大学硕士学位论文14库中。数据库表结构如图2.2所示：图2.2数据库表结构其中每张表存储一天的数据，如表day1存储了所有用户在2017年2月13日的所有轨迹信息。2.4有效轨迹识别在格式化入库的过程中发现较多的轨迹重合数据，但用户ID不同的情况，结合实际情况，本文认为样本数据中存在着大量的“一人多机”的情况，如果不对这种冗余数据进行处理，将会导致实验结果存在较大的偏差。由于手机信令数据包含了完整的用户轨迹数据，因此本文提出通过ST-DBSCAN算法提取用户出行链剔除冗余数据。当前国内外有关出行链提取算法大多根据判读停留点的方式提取出行链。如王媛等使用车载GPS数据和DBSCAN聚类算法提取出游客出行停留点，并基于日维度出行链识别游客出行时空分布[21]。王艳涛等通过时间聚类的方式提取停留点，利用时间的先后顺序提取用户出行链，并依据出行链完成职住地的判读[23]。本文基于当前研究，假设用户轨迹T是由一系列按照时间先后顺序排列的坐标点P（Lon，Lat，time）的连线即T=组成，其中.time<..。如图2.3所示居民出行链：
【参考文献】：
期刊论文
[1]基于腾讯位置大数据的精细尺度人口空间化——以南京市江宁区秣陵街道为例[J]. 吴中元,许捍卫,胡钟敏. 地理与地理信息科学. 2019(06)
[2]基于手机信令数据居民出行链提取算法[J]. 肖志权,张子民,毛曦,樊文平. 北京测绘. 2019(10)
[3]大数据视角下的武汉市人口格局探析[J]. 罗名海,谭波,秦思娴,肖琨,蔡明明,张月朦. 地理空间信息. 2019(10)
[4]结合手机信令数据和地理空间数据的居民职住信息识别[J]. 侯笑宇,司连法,王梅红,贺风. 测绘通报. 2019(05)
[5]基于定位数据的旅游出行链提取方法及客流时空特征分析[J]. 王媛,翁剑成,刘哲,胡松,滕肖莉. 交通工程. 2019(01)
[6]时间序列预测方法综述[J]. 杨海民,潘志松,白玮. 计算机科学. 2019(01)
[7]时间序列预测技术综述[J]. 何亚磊,许乾坤. 信息通信. 2018(11)
[8]大数据背景下商业模式初探[J]. 郑旭雯. 时代金融. 2018(20)
[9]基于POI数据的人口分布格网化方法研究[J]. 淳锦,张新长,黄健锋,张鹏程. 地理与地理信息科学. 2018(04)
[10]基于手机定位数据的城市人口分布近实时预测[J]. 陈丽娜,吴升,陈洁,李明晓,陆锋. 地球信息科学学报. 2018(04)
硕士论文
[1]基于用户体验的手机游戏品牌传播策略研究[D]. 任芳慧.山东大学 2019
[2]济南市移动营业厅短时到厅客流量预测研究[D]. 董迪.山东大学 2019
[3]基于机器学习的校园网流量准确预测[D]. 刘豪.北京邮电大学 2019
[4]北京市人口空间分布、演变及模型拟合的分析[D]. 张靓.首都经济贸易大学 2018
[5]基于手机信令数据的上海市浦东新区常住人口估算[D]. 俞政.上海社会科学院 2018
[6]面向应急测绘的空间信息服务组合关键技术研究[D]. 张晓飞.山东建筑大学 2018
[7]基于手机信令数据的数据清洗挖掘与居民职住空间分析[D]. 苗壮.西南交通大学 2017
[8]天津市二手房销售价格指数走势分析及预测[D]. 刘越.天津商业大学 2017
[9]新媒体视角下自然灾害事件的传播研究[D]. 韩雷.苏州大学 2017
[10]基于倒排索引的增量更新关联挖掘算法的研究[D]. 徐春.广西师范学院 2016
本文编号：2917840
【文章来源】： 肖志权 山东建筑大学
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
技术路线
山东建筑大学硕士学位论文10围为2017年2月13日至2017年2月19日，本文研究的手机信令数据属于网络手机数据。手机信令数据字段含义如表2.2所示：表2.2手机信令数据字段含义手机信令字段名字段名含义UserID用户ID(由手机号决定)DATE日期（YY-MM-DDhh:mm:ss）LNG/LAT经纬度（精确到小数点后六位）AREA位置（精确到街道）（2）手机信令数据定位原理由手机信令定义可知手机信令数据是一类基于基站定位的时空大数据。其定位原理是移动设备通过测量信号到不同基站的时间即（TOA.TimeofArrival），然后根据TOA时间计算出移动设备到基站的距离，并结合通信基站的位置信息，利用数据公式便可以计算出移动设备的坐标信息[30]。手机信令数据定位原理如图2.1所示：图2.1手机信令数据定位原理2.2手机信令数据时空特征手机信令数据属于时空大数据的一种，具有时间和空间两大特征。在获取人口时空分布信息时，传统方式主要采用问卷调查+样本统计，这种方式不仅消耗大量的人力、物力、财力，而且调查统计的精度受到人的主观意识影响而难以控制，最终导致统计与实际人口分布存在较大偏差。与统计问卷调查方式不同的是手机信令数据是被动采集，即不受人的主观影响。手机信令数据与统计数据相比
山东建筑大学硕士学位论文14库中。数据库表结构如图2.2所示：图2.2数据库表结构其中每张表存储一天的数据，如表day1存储了所有用户在2017年2月13日的所有轨迹信息。2.4有效轨迹识别在格式化入库的过程中发现较多的轨迹重合数据，但用户ID不同的情况，结合实际情况，本文认为样本数据中存在着大量的“一人多机”的情况，如果不对这种冗余数据进行处理，将会导致实验结果存在较大的偏差。由于手机信令数据包含了完整的用户轨迹数据，因此本文提出通过ST-DBSCAN算法提取用户出行链剔除冗余数据。当前国内外有关出行链提取算法大多根据判读停留点的方式提取出行链。如王媛等使用车载GPS数据和DBSCAN聚类算法提取出游客出行停留点，并基于日维度出行链识别游客出行时空分布[21]。王艳涛等通过时间聚类的方式提取停留点，利用时间的先后顺序提取用户出行链，并依据出行链完成职住地的判读[23]。本文基于当前研究，假设用户轨迹T是由一系列按照时间先后顺序排列的坐标点P（Lon，Lat，time）的连线即T=组成，其中.time<..。如图2.3所示居民出行链：
【参考文献】：
期刊论文
[1]基于腾讯位置大数据的精细尺度人口空间化——以南京市江宁区秣陵街道为例[J]. 吴中元,许捍卫,胡钟敏. 地理与地理信息科学. 2019(06)
[2]基于手机信令数据居民出行链提取算法[J]. 肖志权,张子民,毛曦,樊文平. 北京测绘. 2019(10)
[3]大数据视角下的武汉市人口格局探析[J]. 罗名海,谭波,秦思娴,肖琨,蔡明明,张月朦. 地理空间信息. 2019(10)
[4]结合手机信令数据和地理空间数据的居民职住信息识别[J]. 侯笑宇,司连法,王梅红,贺风. 测绘通报. 2019(05)
[5]基于定位数据的旅游出行链提取方法及客流时空特征分析[J]. 王媛,翁剑成,刘哲,胡松,滕肖莉. 交通工程. 2019(01)
[6]时间序列预测方法综述[J]. 杨海民,潘志松,白玮. 计算机科学. 2019(01)
[7]时间序列预测技术综述[J]. 何亚磊,许乾坤. 信息通信. 2018(11)
[8]大数据背景下商业模式初探[J]. 郑旭雯. 时代金融. 2018(20)
[9]基于POI数据的人口分布格网化方法研究[J]. 淳锦,张新长,黄健锋,张鹏程. 地理与地理信息科学. 2018(04)
[10]基于手机定位数据的城市人口分布近实时预测[J]. 陈丽娜,吴升,陈洁,李明晓,陆锋. 地球信息科学学报. 2018(04)
硕士论文
[1]基于用户体验的手机游戏品牌传播策略研究[D]. 任芳慧.山东大学 2019
[2]济南市移动营业厅短时到厅客流量预测研究[D]. 董迪.山东大学 2019
[3]基于机器学习的校园网流量准确预测[D]. 刘豪.北京邮电大学 2019
[4]北京市人口空间分布、演变及模型拟合的分析[D]. 张靓.首都经济贸易大学 2018
[5]基于手机信令数据的上海市浦东新区常住人口估算[D]. 俞政.上海社会科学院 2018
[6]面向应急测绘的空间信息服务组合关键技术研究[D]. 张晓飞.山东建筑大学 2018
[7]基于手机信令数据的数据清洗挖掘与居民职住空间分析[D]. 苗壮.西南交通大学 2017
[8]天津市二手房销售价格指数走势分析及预测[D]. 刘越.天津商业大学 2017
[9]新媒体视角下自然灾害事件的传播研究[D]. 韩雷.苏州大学 2017
[10]基于倒排索引的增量更新关联挖掘算法的研究[D]. 徐春.广西师范学院 2016
本文编号：2917840
本文链接：https://www.wllwen.com/shoufeilunwen/shuoshibiyelunwen/2917840.html
