基于手机位置时空转移概率的基站服务人数时序预测方法与流程

技术特征：

1.一种基于手机位置时空转移概率的基站服务人数时序预测方法，其特征在于，包括以下步骤：

步骤1：利用手机时空轨迹数据计算相等时间段内手机基站服务区域内的人数总量；

步骤2：利用手机时空轨迹数据，将人群移动轨迹进行分割，计算研究区域中，计算相邻时间段内各个基站之间来往的人数；

步骤3：基于贝叶斯以及马尔科夫链的相关理论，根据历史数据，计算当前时刻目标基站内手机用户在下一时刻内出现在各个基站的转移概率；

步骤4：计算不同时间段间，每个目标基站范围内手机用户向各个基站的转移概率，从而构建出研究区域内完整的时空转移概率矩阵；

步骤5：利用完整的时空转移概率矩阵，预测人群总数相对稳定的研究区域内手机基站范围内服务人数。

2.根据权利要求1所述的基于手机位置时空转移概率的基站服务人数时序预测方法，其特征在于，将贝叶斯理论和马尔可夫链的无后效性结合起来，计算基站间的时空转移概率；其具体实现过程是：运用贝叶斯理论从历史手机轨迹数据中获得手机用户当前时段位置为l_i，下一时段位置为l_j的时空转移概率假设城市区域总人数基本保持不变，按照一定的时间间隔划分时段，统计各时段的基站服务人数，计算基站手机用户的时空转移概率矩阵P_t，用当前时段的各个基站服务人数和转移概率矩阵P_t对下一时刻的各基站服务人数N_predict_t+1进行预测：

N_predict_t+1＝P_t×N_t；

其中：P_t为时段t的转移概率矩阵，0≤p_ij≤1，并且满足N_t为t时段各基站区域的用户人数。

3.根据权利要求1所述的基于手机位置时空转移概率的基站服务人数时序预测方法，其特征在于，将贝叶斯理论和马尔可夫链的无后效性结合起来，计算手机用户在基站间的时空转移概率；其具体实现包括以下子步骤：

步骤A.1：利用历史手机时空轨迹数据作为训练样本，计算各个相邻时段间手机基站范围内服务人口数的变化量△N_t→t+1：

${\mathrm{\ΔN}}_{t\→t+1}=\underset{i=1}{\overset{n}{\Σ}}{p}_i*\frac{1}{2}(a_i+b_i);$

$a_i={\mathrm{\ΔN}}_{t\→t+1}^{\min }+\frac{i}{n}({\mathrm{\ΔN}}_{t\→t+1}^{\max }-{\mathrm{\ΔN}}_{t\→t+1}^{\min });$

$b_i=a_i+\frac{1}{n}({\mathrm{\ΔN}}_{t\→t+1}^{\max }-{\mathrm{\ΔN}}_{t\→t+1}^{\min });$

其中，相邻时段的基站服务人数变化量最大值为最小值为相邻时段平均分为n个状态区间[a_i,b_i]，p_i为相邻时段基站服务人数变化量△N_t→t+1在区间[a_i,b_i]的概率，i＝0,1，…,n；

步骤A.2：按照改进后的转移概率矩阵P_t'对△N_t→t+1进行分配；

运用贝叶斯理论从历史手机轨迹数据中获得当前时段位置为l_i，下一时段位置为l_j的时空转移概率假设城市区域总人数基本保持不变，按照一定的时间间隔划分时段，统计各时段的基站服务人数，计算基站手机用户的时空转移概率矩阵P_t；

由实验训练数据的t时段和t+1时段的转移概率矩阵P_t、P_t+1计算△P_t→t+1，进行模型训练，得到更加贴近实际的转移概率矩阵P_t'：

P_t'＝P_t+△P_t→t+1；

其中：P_t为时段t的转移概率矩阵，0≤p_ij≤1，并且满足N_t为t时段各基站区域的用户人数；

对时段t+1增加的人数分配到各个基站，得到t+1时段各基站服务人数的预测值：

N_predict_t+1＝N_t+△N_t→t+1×P_t'。