近年來,我國自然災(zāi)害和偶然突發(fā)事件越發(fā)頻繁,給國家和人民帶來了巨大的損失。人作為災(zāi)害發(fā)生后最重要的承載體,當災(zāi)害發(fā)生后如何快速獲取受災(zāi)人口分布、準確評估受災(zāi)人口數(shù)量是減少人員傷亡,及時開展搶險救援的首要任務(wù),也是合理分配救援物資、救災(zāi)人員的前提。然而當前我國應(yīng)急測繪系統(tǒng)建設(shè)還處于初級階段,主要側(cè)重于基礎(chǔ)數(shù)據(jù)的獲取如災(zāi)區(qū)影像、三維模型等,憑借災(zāi)區(qū)基礎(chǔ)數(shù)據(jù)能夠判斷受災(zāi)范圍和受災(zāi)程度,但是對災(zāi)區(qū)內(nèi)的人口分布卻不能及時有效的獲取。為了解決應(yīng)急測繪不能有效評估人口受災(zāi)問題,本文通過閱讀國內(nèi)外文獻發(fā)現(xiàn),當前研究人口時空分布模型主要有兩類:基于格網(wǎng)數(shù)據(jù)的人口空間化和基于時空大數(shù)據(jù)的人口空間分布。通常情況下,前者以行政界線為單位統(tǒng)計得到的人口數(shù)據(jù)為基礎(chǔ),利用某種算法或數(shù)學(xué)模型將人口分散到格網(wǎng)中,這類方法的缺點在于人口統(tǒng)計數(shù)據(jù)時空分辨率過大,不能反映人口實時分布。基于時空大數(shù)據(jù)的人口空間分布方法雖然能夠?qū)崟r的反映人口分布,但時空大數(shù)據(jù)通常是由一系列含有坐標信息的離散型點組成,不利于研究連續(xù)性人口分布規(guī)律。因此本文在兩種方法的基礎(chǔ)上,提出了基于格網(wǎng)化手機信令數(shù)據(jù)的人口動態(tài)分布。論文首先利用分布式計算框架對... 

【文章來源】： 肖志權(quán) 山東建筑大學(xué)

【文章頁數(shù)】：59 頁

【學(xué)位級別】：碩士

【部分圖文】：

技術(shù)路線

山東建筑大學(xué)碩士學(xué)位論文10圍為2017年2月13日至2017年2月19日，本文研究的手機信令數(shù)據(jù)屬于網(wǎng)絡(luò)手機數(shù)據(jù)。手機信令數(shù)據(jù)字段含義如表2.2所示：表2.2手機信令數(shù)據(jù)字段含義手機信令字段名字段名含義UserID用戶ID(由手機號決定)DATE日期（YY-MM-DDhh:mm:ss）LNG/LAT經(jīng)緯度（精確到小數(shù)點后六位）AREA位置（精確到街道）（2）手機信令數(shù)據(jù)定位原理由手機信令定義可知手機信令數(shù)據(jù)是一類基于基站定位的時空大數(shù)據(jù)。其定位原理是移動設(shè)備通過測量信號到不同基站的時間即（TOA.TimeofArrival），然后根據(jù)TOA時間計算出移動設(shè)備到基站的距離，并結(jié)合通信基站的位置信息，利用數(shù)據(jù)公式便可以計算出移動設(shè)備的坐標信息[30]。手機信令數(shù)據(jù)定位原理如圖2.1所示：圖2.1手機信令數(shù)據(jù)定位原理2.2手機信令數(shù)據(jù)時空特征手機信令數(shù)據(jù)屬于時空大數(shù)據(jù)的一種，具有時間和空間兩大特征。在獲取人口時空分布信息時，傳統(tǒng)方式主要采用問卷調(diào)查+樣本統(tǒng)計，這種方式不僅消耗大量的人力、物力、財力，而且調(diào)查統(tǒng)計的精度受到人的主觀意識影響而難以控制，最終導(dǎo)致統(tǒng)計與實際人口分布存在較大偏差。與統(tǒng)計問卷調(diào)查方式不同的是手機信令數(shù)據(jù)是被動采集，即不受人的主觀影響。手機信令數(shù)據(jù)與統(tǒng)計數(shù)據(jù)相比

山東建筑大學(xué)碩士學(xué)位論文14庫中。數(shù)據(jù)庫表結(jié)構(gòu)如圖2.2所示：圖2.2數(shù)據(jù)庫表結(jié)構(gòu)其中每張表存儲一天的數(shù)據(jù)，如表day1存儲了所有用戶在2017年2月13日的所有軌跡信息。2.4有效軌跡識別在格式化入庫的過程中發(fā)現(xiàn)較多的軌跡重合數(shù)據(jù)，但用戶ID不同的情況，結(jié)合實際情況，本文認為樣本數(shù)據(jù)中存在著大量的“一人多機”的情況，如果不對這種冗余數(shù)據(jù)進行處理，將會導(dǎo)致實驗結(jié)果存在較大的偏差。由于手機信令數(shù)據(jù)包含了完整的用戶軌跡數(shù)據(jù)，因此本文提出通過ST-DBSCAN算法提取用戶出行鏈剔除冗余數(shù)據(jù)。當前國內(nèi)外有關(guān)出行鏈提取算法大多根據(jù)判讀停留點的方式提取出行鏈。如王媛等使用車載GPS數(shù)據(jù)和DBSCAN聚類算法提取出游客出行停留點，并基于日維度出行鏈識別游客出行時空分布[21]。王艷濤等通過時間聚類的方式提取停留點，利用時間的先后順序提取用戶出行鏈，并依據(jù)出行鏈完成職住地的判讀[23]。本文基于當前研究，假設(shè)用戶軌跡T是由一系列按照時間先后順序排列的坐標點P（Lon，Lat，time）的連線即T=組成，其中.time<..。如圖2.3所示居民出行鏈：

【參考文獻】：
期刊論文
[1]基于騰訊位置大數(shù)據(jù)的精細尺度人口空間化——以南京市江寧區(qū)秣陵街道為例[J]. 吳中元,許捍衛(wèi),胡鐘敏.  地理與地理信息科學(xué). 2019(06)
[2]基于手機信令數(shù)據(jù)居民出行鏈提取算法[J]. 肖志權(quán),張子民,毛曦,樊文平.  北京測繪. 2019(10)
[3]大數(shù)據(jù)視角下的武漢市人口格局探析[J]. 羅名海,譚波,秦思嫻,肖琨,蔡明明,張月朦.  地理空間信息. 2019(10)
[4]結(jié)合手機信令數(shù)據(jù)和地理空間數(shù)據(jù)的居民職住信息識別[J]. 侯笑宇,司連法,王梅紅,賀風.  測繪通報. 2019(05)
[5]基于定位數(shù)據(jù)的旅游出行鏈提取方法及客流時空特征分析[J]. 王媛,翁劍成,劉哲,胡松,滕肖莉.  交通工程. 2019(01)
[6]時間序列預(yù)測方法綜述[J]. 楊海民,潘志松,白瑋.  計算機科學(xué). 2019(01)
[7]時間序列預(yù)測技術(shù)綜述[J]. 何亞磊,許乾坤.  信息通信. 2018(11)
[8]大數(shù)據(jù)背景下商業(yè)模式初探[J]. 鄭旭雯.  時代金融. 2018(20)
[9]基于POI數(shù)據(jù)的人口分布格網(wǎng)化方法研究[J]. 淳錦,張新長,黃健鋒,張鵬程.  地理與地理信息科學(xué). 2018(04)
[10]基于手機定位數(shù)據(jù)的城市人口分布近實時預(yù)測[J]. 陳麗娜,吳升,陳潔,李明曉,陸鋒.  地球信息科學(xué)學(xué)報. 2018(04)

碩士論文
[1]基于用戶體驗的手機游戲品牌傳播策略研究[D]. 任芳慧.山東大學(xué) 2019
[2]濟南市移動營業(yè)廳短時到廳客流量預(yù)測研究[D]. 董迪.山東大學(xué) 2019
[3]基于機器學(xué)習的校園網(wǎng)流量準確預(yù)測[D]. 劉豪.北京郵電大學(xué) 2019
[4]北京市人口空間分布、演變及模型擬合的分析[D]. 張靚.首都經(jīng)濟貿(mào)易大學(xué) 2018
[5]基于手機信令數(shù)據(jù)的上海市浦東新區(qū)常住人口估算[D]. 俞政.上海社會科學(xué)院 2018
[6]面向應(yīng)急測繪的空間信息服務(wù)組合關(guān)鍵技術(shù)研究[D]. 張曉飛.山東建筑大學(xué) 2018
[7]基于手機信令數(shù)據(jù)的數(shù)據(jù)清洗挖掘與居民職住空間分析[D]. 苗壯.西南交通大學(xué) 2017
[8]天津市二手房銷售價格指數(shù)走勢分析及預(yù)測[D]. 劉越.天津商業(yè)大學(xué) 2017
[9]新媒體視角下自然災(zāi)害事件的傳播研究[D]. 韓雷.蘇州大學(xué) 2017
[10]基于倒排索引的增量更新關(guān)聯(lián)挖掘算法的研究[D]. 徐春.廣西師范學(xué)院 2016



本文編號：2917840