本发明属于用户出行分类计算领域，涉及一种基于手机信令数据的居民出行活动模式识别方法及系统。
背景技术：
1、交通运输是国民经济中具有基础性、先导性、战略性的产业，是重要的服务性行业和现代化经济体系的重要组成部分，是构建新发展格局的重要支撑和服务人民美好生活、促进共同富裕的坚实保障。对城市与交通规划提出了新的要求，需要通过规划模型评估建设前后居民生活方式与出行特征。
2、然而传统城市交通建模主要依托居民出行调查获取数据，长期以来数据质量饱受诟病，主观回忆造成数据偏差、错误现象普遍，数据更新周期长，调查组织繁琐。并且当前“四阶段”交通模型主要是为了满足当时大规模道路建设所需的出行需求预测，将单次出行(trip)作为独立分析单元，忽略了出行是日常活动产生的派生需求特性，难以反映活动与活动、活动与出行以及出行与出行之间多维关联。
技术实现思路
1、本发明的目的在于解决现有技术中，为满足当时大规模道路建设所需的出行需求预测，主要将单次出行(trip)作为独立分析单元，忽略了出行是日常活动产生的派生需求特性，难以反映活动与活动、活动与出行以及出行与出行之间多维关联，无法获取居民的真实交通需求与出行特征的问题，提供一种基于手机信令数据的居民出行活动模式识别方法及系统。
2、为达到上述目的，本发明采用以下技术方案予以实现：
3、一种基于手机信令数据的居民出行活动模式识别方法，包括以下步骤：
4、获取居民出行活动的手机信令数据和基站数据；
5、基于手机信令数据和基站数据获取居民出行的活动节点和活动基准点；
6、基于居民出行的活动节点和活动基准点计算居民的活动时空强度、活动外出时间和日活动数；
7、基于居民的活动时空强度、活动外出时间和日活动数构建用户出行属性的数据集，基于用户出行属性的数据集计算各用户之间出行属性的相似度，根据相似度迭代计算用户的吸引度和归属度，直至迭代次数达到设定次数或迭代满足设定的收敛参数时，基于当前时刻的吸引度和归属度获取用户聚类中心，根据用户聚类中心获取居民出行活动模式的识别结果。
8、本发明的进一步改进在于：
9、所述获取居民出行的活动节点和活动基准点包括：
10、对同一基站连续记录的手机信令数据进行合并，依次识别出基站短停驻si{msid,loni,lati,tis,tie}；
11、当连续的两个基站短停驻si与si+1之间满足δti,i+1≤τ且δxi,i+1≤d时，将连续的两个基站短停驻合并，得到活动节点ai，其中，δti,i+1表示连续基站间短停驻的时间差，δxi,i+1表示连续基站短停驻间的距离差；
12、基于得到的活动节点，将用户0:00-8:00期间持续时间最长的活动节点定义为活动基准点。
13、所述居民的活动时空强度通过以下公式计算：
14、
15、式中，ii代表用户i的日出行活动时空强度，与分别代表用户i第j个活动节点的开始时间及离开时间，dis(ai,j,ai,h)为用户i第j个活动节点与活动基准点之间的距离；
16、所述活动外出时间通过以下公式计算：
17、
18、式中，di为用户i外出活动时间，h(j)指用户i的活动基准点序列号，an为用户当日最后一次活动节点，h代表活动基准点；
19、所述日活动数通过以下公式计算：
20、
21、式中，pi为用户i日活动数，ai,j为用户i的第j个活动节点。
22、所述用户出行属性的数据集为x＝{x1,x2,…,xi,…,xn},其中，xi代表包含多维出行特征信息{ii,di,pi}的第i个用户。
23、所述计算用户相似度包括：
24、
25、其中，ii代表用户i的日出行活动时空强度；di为用户i活动外出时间；pi为用户日活动数。
26、根据相似度迭代计算用户的吸引度和归属度包括：
27、首先初始化用户的吸引度和归属度，使吸引度和归属度均为与相似矩阵s(i,k)同构的零矩阵，其中，吸引度r(i,k)用来描述用户k认定用户i作为聚类中心的程度，归属度a(i,k)用来描述用户i认定用户k作为其聚类中心的适合程度；
28、基于相似度s(i,k)不断迭代更新用户吸引度r(i,k)和归属度a(i,k)。
29、所述用户的吸引度r(i,k)迭代计算包括：
30、
31、r(i,k)new＝(1-λ)r(i,k)t+λr(i,k)
32、所述用户的归属度a(i,k)迭代计算包括：
33、
34、a(i,k)new＝(1-λ)a(i,k)t+λa(i,k)
35、其中，s(i,k)表示用户相似度，λ为避免迭代振荡的衰减系数。
36、一种基于手机信令数据的居民出行活动模式识别系统，包括：
37、数据获取模块，用于获取居民出行活动的手机信令数据和基站数据；
38、基于手机信令数据和基站数据获取居民出行的活动节点和活动基准点；
39、基于居民出行的活动节点和活动基准点计算居民的活动时空强度、活动外出时间和日活动数；
40、基于居民的活动时空强度、活动外出时间和日活动数构建用户出行属性的数据集，基于用户出行属性的数据集计算各用户之间出行属性的相似度，根据相似度迭代计算用户的吸引度和归属度，直至迭代次数达到设定次数或迭代满足设定的收敛参数时，基于当前时刻的吸引度和归属度获取用户聚类中心，根据用户聚类中心获取居民出行活动的识别结果。
41、一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现本发明任一项所述方法的步骤。
42、一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本发明任一项所述方法的步骤。
43、与现有技术相比，本发明具有以下有益效果：
44、本发明公开了一种基于手机信令数据的居民出行活动模式识别方法，通过手机信令数据和基站数据获取居民的真实客观的活动数据，数据的覆盖范围更广，能够克服传统居民调查数据精度差、成本高、组织难度大等缺陷，通过识别居民出行的活动节点和活动基准点对个体的出行信息进行识别，并基于此在活动空间指标基础上考虑活动时间加权建立起有效反映居民活动时空特征的活动时空强度、活动外出时间和日活动数三个活动特征计算指标，提高了对个体活动强度属性的识别，然后在此基础上进行聚类计算分析，对居民活动模式进行识别分类，本方法从个体活动视角探索个体出行活动规律，能够从本质上把握交通出行需求，避免传统“四阶段”交通规划模型的集计误差，能够获取居民日常活动的需求特性，获取活动与活动、活动与出行以及出行与出行之间多维关联，为后期优化居民的真实交通需求提供理论依据。
1.一种基于手机信令数据的居民出行活动模式识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于手机信令数据的居民出行活动模式识别方法，其特征在于，所述获取居民出行的活动节点和活动基准点包括：
3.根据权利要求1所述的一种基于手机信令数据的居民出行活动模式识别方法，其特征在于，所述居民的活动时空强度通过以下公式计算：
4.根据权利要求1所述的一种基于手机信令数据的居民出行活动模式识别方法，其特征在于，所述用户出行属性的数据集为x＝{x1,x2,…,xi,…,xn},其中，xi代表包含多维出行特征信息{ii,di,pi}的第i个用户。
5.根据权利要求4所述的一种基于手机信令数据的居民出行活动模式识别方法，其特征在于，所述计算用户相似度包括：
6.根据权利要求5所述的一种基于手机信令数据的居民出行活动模式识别方法，其特征在于，根据相似度迭代计算用户的吸引度和归属度包括：
7.根据权利要求5所述的一种基于手机信令数据的居民出行活动模式识别方法，其特征在于，所述用户的吸引度r(i,k)迭代计算包括：
8.一种基于手机信令数据的居民出行活动模式识别系统，其特征在于，包括：
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述方法的步骤。
