基于移动信令的群体性行为特征预测方法及装置与流程

1.本发明涉及计算机技术领域，尤其涉及一种基于移动信令的群体性行为特征预测方法及装置。


背景技术：

2.人的轨迹行为可以分为程序性行为和非程序性行为，程序性行为指人们在日常工作生活中较为频繁的od行为模式，如日常的通勤行为（工作地点与居住地点）、高频的社交购物移动行为；非程序性的行为指的是较为不频繁或是突发的移动行为模式，如突发活动（演唱会、集会等）。群体性行为预测包括程序性行为预测和非程序性行为预测，程序性行为基于人群移动行为模型具备重复性特征，预测一定时间后人群的移动趋势；程序性行为预测可挖掘人群移动的周期性特征，并为非程序性行为提供基线数据。非程序性行为预测则相反，其是基于行为的突发性与异常性，挖掘异常群体性行为特征。非程序性行为预测可以及时发现人群异常移动趋势，如突发群体性聚集行为，交通流量控制、安全防范等公共服务提供预警信息。
3.目前，对群体性行为进行预测时，一般是基于位置信息服务（lbs）提供的人群位置信息完成预测。而由于lbs提供人群位置信息需要由用户设备实时上报位置数据，因而此时需要实时对用户设备进行定位。而考虑到网络信号和设备电量的问题，一般实时获取到的用户位置的数据所覆盖的时间有限；并且lbs提供的人群位置信息通常是具有特定需求的用户的信息，如地图用户数据为具有导航需求的用户的信息，因而基于位置信息服务提供的人群位置信息具有一定的片面性。基于上述原因，现有技术中的基于位置信息服务（lbs）提供的人群位置信息对群体性行为进行预测，预测结果准确度低。因此，如何提高群体性行为特征预测的准确度是亟待解决的技术问题。


技术实现要素：

4.有鉴于此，本发明提供了一种基于移动信令的群体性行为特征预测方法及装置，以解决现有技术中存在的一个或多个问题。
5.根据本发明的一个方面，本发明公开了一种基于移动信令的群体性行为特征预测方法，所述方法包括：获取观测区域的地理空间信息，并将所述观测区域根据预设规则从地理空间上进行网格划分；获取第一时间段内的移动信令轨迹数据集，各移动信令轨迹数据的信令数据包括时间戳信息、手机号码信息、基站唯一标识信息和基站经纬度信息，基于各信令数据的基站经纬度信息确定人群流动热力图；获取第一时间段内的异常事件数据集，各异常事件数据包括事件发生时间信息、事件发生位置信息和事件发生类型信息，基于各异常事件数据的事件发生时间信息和事件发生位置信息确定异常事件分布图；
将所述人群流动热力图和异常事件分布图分别输入至二维信息处理模型中，得到人群流动空间特征和异常事件空间特征；将所述人群流动空间特征输入至人群流动空间信息注意力模型中，得到各时间区间的各网格内的人群流动特征；将所述异常事件空间特征和所述各时间区间的各网格内的人群流动特征进行时间融合，得到异常事件预测结果。
6.在本发明的一些实施例中，将所述观测区域根据预设规则从地理空间上进行网格划分，包括：根据geohash算法将所述观测区域划分为多个网格；或通过gps坐标网格将所述观测区域划分为多个目标大小的网格；或基于行政规划将所述观测区域划分为多个网格。
7.在本发明的一些实施例中，基于各信令数据的基站经纬度信息确定人群流动热力图，包括：将所述第一时间段划分为多个时间区间；基于各信令数据的基站经纬度信息确定各信令数据的位置信息所属的网格；统计各时间区间的各网格内的用户数量；基于统计得到的各时间区间的各网格内的用户数量得到人群流动热力图。
8.在本发明的一些实施例中，基于各异常事件数据的事件发生时间信息和事件发生位置信息确定异常事件分布图，包括：基于各异常事件数据的事件发生时间信息和事件发生位置信息确定各时间区间的各网格内的异常事件类型，基于确定的各时间区间的各网格内的异常事件类型得到异常事件分布图。
9.在本发明的一些实施例中，所述二维信息处理模型为多头注意力机制的二维空间信息处理模型。
10.在本发明的一些实施例中，将所述人群流动热力图和异常事件分布图分别输入至二维信息处理模型中，得到人群流动空间特征和异常事件空间特征，包括：将所述人群流动热力图和异常事件分布图分别输入至卷积层，得到各初步特征矩阵；对所述各初步特征矩阵进行一维化处理，并基于注意力机制计算各第一注意力得分；基于各所述第一注意力得分确定人群流动空间特征和异常事件空间特征。
11.在本发明的一些实施例中，将所述人群流动空间特征输入至人群流动空间信息注意力模型中，得到各时间区间的各网格内的人群流动特征，包括：将所述人群流动空间特征进行一维化处理，并将一维化处理后的人群流动空间特征向量输入至lstm模型中得到隐层状态和神经元状态；基于注意力机制确定第二注意力得分；基于所述第二注意力得分和所述人群流动空间特征向量确定各网格内的人群流动特征。
12.在本发明的一些实施例中，将所述异常事件空间特征和所述各时间区间的各网格
内的人群流动特征进行时间融合，得到异常事件预测结果，包括：将所述异常事件空间特征和所述各时间区间的各网格内的人群流动特征进行线性叠加计算，得到输出结果；将所述输出结果输入至lstm模型，将所述lstm模型的输出输入至全连接层，基于所述全连接层的输出确定异常事件预测结果。
13.根据本发明的另一方面，还公开了一种基于移动信令的群体性行为特征预测系统，该系统包括处理器和存储器，所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该系统实现如上任一实施例所述方法的步骤。
14.根据本发明的再一方面，还公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上任一实施例所述方法的步骤。
15.本发明所公开的基于移动信令的群体性行为特征预测方法及装置，首先基于移动信令轨迹数据确定人群流动热力图，进而基于异常事件确定异常事件分布图，进一步基于人群流动热力图和异常事件分布图得到人群流动空间特征和异常事件空间特征，并且基于人群流动空间特征还得到各时间区间的各网格内的人群流动特征，最终将异常事件空间特征和各时间区间的各网格内的人群流动特征进行时间融合，从而得到异常事件预测结果。该方法基于移动信令数据实现群体性行为的特征预测，由于移动信令轨迹数据具备无感知的特点，其无需设备持续地上报位置信息，移动信令轨迹数据可以更好地表征用户的活动轨迹，从而使数据更全面，因而该方法及装置提高了所预测的群体性行为的准确度。
16.本发明的附加优点、目的，以及特征将在下面的描述中将部分地加以阐述，且将对于本领域普通技术人员在研究下文后部分地变得明显，或者可以根据本发明的实践而获知。本发明的目的和其它优点可以通过在书面说明及其权利要求书以及附图中具体指出的结构实现到并获得。
17.本领域技术人员将会理解的是，能够用本发明实现的目的和优点不限于以上具体所述，并且根据以下详细说明将更清楚地理解本发明能够实现的上述和其他目的。
附图说明
18.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，并不构成对本发明的限定。附图中的部件不是成比例绘制的，而只是为了示出本发明的原理。为了便于示出和描述本发明的一些部分，附图中对应部分可能被放大，即，相对于依据本发明实际制造的示例性装置中的其它部件可能变得更大。在附图中：图1为本发明一实施例的基于移动信令的群体性行为特征预测方法的流程示意图。
19.图2为本发明另一实施例的基于移动信令的群体性行为特征预测方法的流程示意图。
20.图3为本发明一实施例的二维信息处理模型的架构示意图。
21.图4为本发明一实施例的人群流动空间信息注意力模型的架构示意图。
22.图5为本发明一实施例的时间性融合模型的架构示意图。
具体实施方式
23.为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
24.在此，需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤，而省略了与本发明关系不大的其他细节。
25.应该强调，术语“包括/包含/具有”在本文使用时指特征、要素、步骤或组件的存在，但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。
26.随着移动互联网的迅速发展，手机终端的渗透率已经达到很高的程度，而手机在开机时会持续的与基站交互，当手机附着到基站的对应扇区，可以认为当前手机的位置即处在该基站覆盖范围内，从而可以利用蜂窝数据网络实现手机的基站定位，并产生对应的轨迹数据。基于移动信令轨迹数据实现人群移动行为分析，可从宏观层面了解人群的流动性，发现决定人群轨迹运动模式的隐藏规则和信息；并且社会公共安全领域可以利用人群分析的结果，更好的为市民提供规划和服务，并在社会事件发生前提前预警或是感知，如公共聚集事件、大型赛事演唱会、恶劣天气事件等，从而提供积极的公共服务，并调整公共交通服务或是进行应急响应等。为了确保预测的群体性行为的准确性，需要尽可能多的覆盖更多的用户，移动信令轨迹数据在时空覆盖面上具备一定的优势，从而发明人发现基于移动信令轨迹数据可提高预测到的群体性行为特征的准确度。
27.在下文中，将参考附图描述本发明的实施例。在附图中，相同的附图标记代表相同或类似的部件，或者相同或类似的步骤。
28.图1为本发明一实施例的基于移动信令的群体性行为特征预测方法的流程示意图，如图1所示，该方法至少包括步骤s10至s60。
29.步骤s10：获取观测区域的地理空间信息，并将所述观测区域根据预设规则从地理空间上进行网格划分。
30.在该步骤中，观测区域为所要预测的区域，如市、区、县、街道等。而观测区域的地理空间信息包括经纬度数据等。对观测区域根据预设规则进行划分时，预设规则与所要划分的网格大小相匹配。示例性的，预设规则可为网格的尺寸大小以及行政规划等。在一实施例中，将所述观测区域根据预设规则从地理空间上进行网格划分，具体为根据geohash算法将所述观测区域划分为多个网格，或通过gps坐标网格将所述观测区域划分为多个目标大小（如h*w）的网格，或基于行政规划将所述观测区域划分为多个网格。
31.geohash算法作为地理空间编码中常见的算法，其目标是对二维平面进行网格划分，同时对每个网格使用一个编码进行表示，该算法下可以大大提高对位置信息的检索及查询的效率。应当理解的是，上述所列举的网格划分的方式仅是几种具体示例，因而在具体对观测区域进行网格划分时，也可以采用除上述示例之外的方法。
32.在上述步骤中，利用观测区域的地理空间信息将观测区域进行栅格化处理，即将观测区域从地理空间上划分为若干个网格，最终还可为每个网格确定一个网格id（gridid）。
33.步骤s20：获取第一时间段内的移动信令轨迹数据集，各移动信令轨迹数据的信令
数据包括时间戳信息、手机号码信息、基站唯一标识信息和基站经纬度信息，基于各信令数据的基站经纬度信息确定人群流动热力图。
34.在该步骤中，移动信令轨迹数据是由用户手机（对应手机号userid）附着到基站所产生的位置记录；第一时间段示例性的可为一天、一周或一个月等，移动信令轨迹数据集中包括多个用户的多条移动信令轨迹，各条移动信令轨迹包括多个信令数据。示例性的，各信令数据中包含以下信息：时间戳（timestamp），用户手机号（userid，脱敏），基站唯一标识（uli），基站的gps经纬度（lng，lat）以及根据基站经纬度确定的用户所属的网格id（girdid）。
35.在一实施例中，当基于步骤s10确定各个网格的id信息后，则进一步的可建立网格id与基站经纬度的映射表，即通过确定用户设备的附着基站，进而基于该基站的经纬度信息即可确定对应基站所属的网格，从而确定了附着于该基站的用户设备所属的网格的id。
36.当确定了各移动信令轨迹数据中的各信令数据所属的网格的id信息之后，进一步的基于移动信令数据生成人群流动热力图。示例性的，基于各信令数据的基站经纬度信息确定人群流动热力图，包括以下步骤：将所述第一时间段划分为多个时间区间；基于各信令数据的基站经纬度信息确定各信令数据的位置信息所属的网格；统计各时间区间的各网格内的用户数量；基于统计得到的各时间区间的各网格内的用户数量得到人群流动热力图。
37.时间区间具体的可根据实际需要进行设定，如被划分的多个时间区间的时长可相等也可不相等，当第一时间段为24小时，且被划分的各时间区间的时长均相等时，则被划分的各时间区间的长度可为30秒、30分钟等。而若被划分的多个时间区间的时长不相等时，具体的也可根据实际需要设定各时间区间的时间戳信息。
38.进一步的，基于各时间区间的时间戳信息以及各信令数据的时间戳信息即可确定各时间段内的各网格内的用户数量。各时间区间的时间戳信息包括对应时间区间的起始时间、终止时间，而通过判断信令数据的时间戳信息所属的时间区间，以及信令数据对应的基站的经纬度信息所属的网格的id两个条件即可确定各信令数据所属的时间区间以及网格；进一步的统计各时间区间的各网格内的用户总数量即可最终确定人群流动热力图。
39.在步骤s20中，是将获取到的第一时间段内的移动信令轨迹数据集进行栅格化处理，从而计算得到最终的人群流动热力图。应当理解的是，上述所列举的人群流动热力图的计算方法仅是一种实施方式，因而在其他应用场景中，也可以通过其他方式生成人群流动热力图。
40.步骤s30：获取第一时间段内的异常事件数据集，各异常事件数据包括事件发生时间信息、事件发生位置信息和事件发生类型信息，基于各异常事件数据的事件发生时间信息和事件发生位置信息确定异常事件分布图。
41.在该步骤中，第一时间段示例性的也可为一天、一周或一个月等，而异常事件数据集中包括一条或多条异常事件数据，异常事件如演唱会、集会等。各异常事件数据包括事件发生时间、事件发生位置以及事件类型等。具体的，基于各异常事件数据的事件发生时间信息和事件发生位置信息确定异常事件分布图，包括：基于各异常事件数据的事件发生时间信息和事件发生位置信息确定各时间区间的各网格内的异常事件类型，基于确定的各时间区间的各网格内的异常事件类型得到异常事件分布图。
42.例如在一实施例中，基于各异常事件数据的事件发生时间信息和事件发生位置信
息确定异常事件分布图时，首先基于异常事件发生的时间以及位置映射至观测区域的网格中。具体的，与步骤s20类似的，将第一时间段划分为多个而时间区间，且各时间区间的时长可相等或不等，进而确定各时间区间的时间分片时间戳信息，且各时间区间的时间分片时间戳信息包括区间起始时间以及区间结束时间；进一步的基于各异常事件的发生时间确定其所属的时间区间，并根据各异常事件的位置信息确定其所属的网格的id，从而基于各异常事件数据的事件发生时间信息和事件发生位置信息确定了异常事件分布图。
43.步骤s40：将所述人群流动热力图和异常事件分布图分别输入至二维信息处理模型中，得到人群流动空间特征和异常事件空间特征。
44.在该步骤中，是基于训练好的二维信息处理模型获取人群流动热力图的人群流动空间特征，以及异常事件分布图的异常事件空间特征。具体的，将步骤s20中生成的人群流动热力图输入至二维信息处理模型中，得到人群流动空间特征；将步骤s30中生成的异常事件分布图输入至二维信息处理模型中，得到异常事件空间特征。
45.该步骤的二维信息处理模型可为基于多头注意力机制的二维信息处理模型，而将人群流动热力图和异常事件分布图分别输入至基于多头注意力机制的二维信息处理模型中，得到人群流动空间特征和异常事件空间特征，具体包括：将人群流动热力图和异常事件分布图分别输入至卷积层，得到各初步特征矩阵；对各初步特征矩阵进行一维化处理，并基于注意力机制计算各第一注意力得分；基于各第一注意力得分确定人群流动空间特征和异常事件空间特征。
46.参考图3，基于多头注意力机制的二维空间信息处理模型获取人群流动空间特征和异常事件空间特征时，首先将人群流动热力图或异常事件分布图输入至输入层，其中，若被划分的网格的大小为h*w，则此时基于多头注意力机制的二维空间信息处理模型的输入信息大小也为h*w。即h*w的二维矩阵，进行二维卷积conv2d处理，并进一步进行一维化处理，建立query矩阵、key矩阵和value矩阵的注意力头，每个qkv注意力头中的输出特征图的高度和宽度与输入信息（人群流动热力图或异常事件分布图）的高度和宽度相同。进一步的，通过query矩阵、key矩阵生成注意力评分，经过softmax层处理后和value矩阵连接生成特征图，最终将多个注意力头中的提取到的特征进行连接，得到空间特征信息（人群流动空间特征或异常事件空间特征）。
47.步骤s50：将所述人群流动空间特征输入至人群流动空间信息注意力模型中，得到各时间区间的各网格内的人群流动特征。
48.在该步骤中，是通过训练好的人群流动空间信息注意力模型提取人群流动空间特征中的人群流动特征。其中，人群流动空间信息注意力模型是在每个时间步中为每个区域的异常事件选择相关的人群流动区域，具体来说, 给定时间步期间的人群流动特征图，通过该人群流动空间信息注意力模型捕捉每个时间步中来自不同区域的人群流动的重要性。在该实施例中，每个时间步可理解为每个时间区间，即当将第一时间段24h划分为n个时间区间时，则对应共分为n个时间步，即t1至tn时间步；并且第一个时间区间可理解为第一个时间步。另外，其中的区域可理解为对观测区域进行网格划分后的网格。
49.示例性的，将所述人群流动空间特征输入至人群流动空间信息注意力模型中，得到各时间区间的各网格内的人群流动特征，包括：将所述人群流动空间特征进行一维化处理，并将一维化处理后的人群流动空间特征向量输入至lstm模型中得到隐层状态和神经元
状态；基于注意力机制确定第二注意力得分；基于所述第二注意力得分和所述人群流动空间特征向量确定各网格内的人群流动特征。
50.图4为本发明一实施例的人群流动空间信息注意力模型的架构示意图，如图4所示，首先将获取到的人群流动空间特征信息输入至模型中，进而对人群流动空间特征信息进行一维化处理，例如，若人群流动空间特征的尺寸为h*w，并且时间步为n步，则模型输入n*h*w的矩阵，则人群流动空间特征信息经过一维化处理并转置后得到向量x；即输入n*h*w，经过一维化处理后得到n*（hw），进一步转置后得到(hw)*n；在该实施例中，x为转置后的矩阵(hw)*n。进而一维化处理后得到的向量被输送至lstm，计算得到隐层状态和模块的神经元状态，进一步的隐层状态、神经元状态以及向量x经过attention模块计算得到注意力得分，最终向量x乘以注意力得分并通过lstm层更新计算，从而输出t1-tn时间步的人群流动空间信息的时空隐层。
51.步骤s60：将所述异常事件空间特征和所述各时间区间的各网格内的人群流动特征进行时间融合，得到异常事件预测结果。
52.图5为本发明一实施例的时间性融合模型的架构示意图，在该步骤中，是将t1至tn时间步中人群流动的区域时空信息分别融合对应的t1至tn时间步中异常事件的空间信息，并更新时间性融合模型中的隐藏层，从而使模型准确的预测不同时刻下观测区域不同位置会发生的异常事件。
53.示例性的，参考图5，将所述异常事件空间特征和所述各时间区间的各网格内的人群流动特征进行时间融合，得到异常事件预测结果，包括：将所述异常事件空间特征和所述各时间区间的各网格内的人群流动特征进行线性叠加计算，得到输出结果；将所述输出结果输入至lstm模型，将所述lstm模型的输出输入至全连接层，基于所述全连接层的输出确定异常事件预测结果。
54.在该实施例中，时间性融合模块的输入为步骤s50得到的各时间区间的各网格内的人群流动特征信息以及步骤s40中得到的异常事件空间特征，其中各时间区间也可以理解成各时间步。而进一步的将获取到的各时间区间的各网格内的人群流动空间信息的时空隐层和对应区间的对应网格的异常事件空间特征进行叠加，并将叠加结果输入至lstm模型，从而将lstm模型的输出经过全连接层得到异常事件的预测结果。
55.相应的，本发明还公开了一种基于移动信令的群体性行为特征预测系统，该系统包括处理器和存储器，所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该系统实现如上任一实施例所述方法的步骤。
56.图2为本发明另一实施例的基于移动信令的群体性行为特征预测方法的流程示意图，参考图2，在一实施例中，基于移动信令的群体性行为特征预测系统包括人群流动栅格化模块、异常事件栅格化模块、基于注意力机制的二维空间信息处理模块、人群流动空间信息注意力模块以及时间性注意力模块。其中，人群流动栅格化模块用于按时间分片获取移动信令轨迹数据，并将人群位置映射到地理空间上的网格，获得人群流动的时空分布信息。异常事件栅格化模块用于按照事件发生时间、发生位置、事件发生类型，基于发生时间和发生位置将事件映射到观测区域的网格上。基于注意力机制的二维空间信息处理模块用于基于多头注意力机制从栅格化后的人群流动热力图和异常事件分布图中提取空间特征图。由
于异常事件通常和人群流动空间信息高度相关，因而通过人群流动空间信息注意力模块可以提取和异常事件发生区域高度相关的人群流动区域。而异常事件的发生通常和时间有关，如交通拥堵事件通常发生在上下班高峰期等，则通过时间性注意力模块则实现和时间相关的异常事件发生预测。
57.另外，该发明还公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上任一实施例所述方法的步骤。
58.通过上述实施例可以发现，本发明的基于移动信令的群体性行为特征预测方法及系统，基于移动信令数据抽取分析人群流动特征，并结合历史异常事件信息预测空间位置上可能发生的异常事件，从而实现了对群体性行为的预测，并基于各模型实现特征提取，则确保了最终的群体性行为结果预测的准确度，从而为公共服务单位提供了准确的数据支撑。
59.本领域普通技术人员应该可以明白，结合本文中所公开的实施方式描述的各示例性的组成部分、系统和方法，能够以硬件、软件或者二者的结合来实现。具体究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。当以硬件方式实现时，其可以例如是电子电路、专用集成电路（asic）、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、rom、闪存、可擦除rom（erom）、软盘、cd-rom、光盘、硬盘、光纤介质、射频（rf）链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
60.还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
61.本发明中，针对一个实施方式描述和/或例示的特征，可以在一个或更多个其它实施方式中以相同方式或以类似方式使用，和/或与其他实施方式的特征相结合或代替其他实施方式的特征。
62.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。