手机信令轨迹重构与预测方法研究

李明晓

1.深圳大学土木与交通工程学院，广东 深圳 518060; 2.中国科学院地理科学与资源研究所, 北京 100101

人类在地理空间的移动过程反映着纷繁复杂的区域人地关系。发现人类移动模式并揭示其内在机制对于解决智能交通、公共卫生、城市规划等领域的问题具有十分重要的作用。随着现代信息与通信技术的发展，智能移动终端的普及使得获取时空精细化程度更高、人群覆盖率更广且被动记录的海量个体移动轨迹成为可能；同时，统计物理学、数据挖掘、复杂网络等多学科理论方法的交叉也为人类移动性研究提供了有力支撑，定量化研究人类的移动行为成为多个领域的研究热点。

海量轨迹数据的大数据特征在带来新的研究机遇的同时，也对传统数据分析方法带来一系列挑战。一则，轨迹数据广泛存在的数据稀疏性与应用问题的精细化求解之间的矛盾需要解决；再则，预测人类出行对个性化推荐、广告定投、交通管理等应用领域具有十分重要的作用，如何依据人类空间移动具有的规律性和可预测性提升人类出行预测准确率具有重大意义。

针对以上问题，论文以数据密集型的科学发现范式为依托，以海量手机信令轨迹数据为基础，从城市人类移动规律出发，围绕手机信令轨迹重构与预测主题，开展以下研究：

(1)基于多条件数据划分的手机话单记录轨迹重构。依据人类移动行为的相似性特征，提出了一种基于多条件数据划分的轨迹重构算法。该算法从移动对象轨迹中提取活动锚点，从轨迹语义角度对移动对象进行分类，从而尝试解决现有研究中因轨迹稀疏导致的训练数据量不足的问题；同时设计了一种递增滑动窗数据构建方法，使得重构算法能够考虑缺失点时间模式影响，进而提升轨迹重构精度。

(2)基于模糊长短时记忆神经网络的移动对象轨迹预测。依据人类移动行为的周期性特征，提出了一种基于模糊长短时记忆神经网络的移动对象轨迹预测算法。该算法通过定义模糊空间隶属度解决由空间划分导致的轨迹点的尖锐边界问题，并对长短时记忆神经网络模型进行改进，使其能够良好适应模糊序列输入；同时，算法通过考虑移动对象运动模式周期性和邻近性对其下一时刻所在位置的影响，实现更加精确的移动对象轨迹位置预测。

(3)考虑物理空间和社交网络空间交互的人类活动强度预测。依据人类在社交网络空间行为对其物理空间移动行为的解释性，提出了一种考虑物理空间和社交网络空间交互的人类活动强度预测算法。算法将研究区域采用图模型的形式进行表达，以克服不规则分布的空间统计单元与规则化的模型输入之间的矛盾；同时设计了一种图融合技术来综合考虑物理和社交网络空间交互作用对人类活动强度的影响，从而提高人类活动强度预测的准确性和可靠性。

(4)基于海量重构轨迹的个体空气污染暴露风险估计。通过结合已有轨迹重构与预测算法研究结果和空气污染风险监测需求，提出了一种基于海量重构轨迹的个体空气污染暴露风险估计算法。该算法通过对人类移动数据进行合理重构，降低由人类移动数据与空气污染检测数据记录时间不一致产生的估计误差，从而在精细时空粒度下更加准确、全面地估算个体空气污染物暴露风险。