基于手机信令的机场日活跃用户预测方法技术

本发明专利技术公开的一种基于手机信令的机场日活跃用户预测方法

【技术实现步骤摘要】
基于手机信令的机场日活跃用户预测方法、系统和介质


[0001]本专利技术涉及手机信令以及神经网络
，更具体的，涉及一种基于手机信令的机场日活跃用户预测方法
、
系统和介质
。

技术介绍

[0002]目前，预测和分析人口分布的变化趋势变得尤为重要，城市人口分布不均会导致资源配置混乱等问题发生，特别是涉及到公共交通（车站
、
机场）或者大型商场等人流量多的场所
。
[0003]目前，现有技术中采用的
LSTM
（
long short
‑
term memory, 长短期记忆）单步预测模型只以时间作为唯一变量，无法利用其他相关变量的信息，在处理多变量问题是表达能力有限，无法更好地捕捉到数据中的复杂关系，泛化能力有限，预测不够精准，无法很好的满足实际要求
。

技术实现思路

[0004]本专利技术的目的是提供一种基于手机信令的机场日活跃用户预测方法
、
系统和介质，采用长短期记忆多变量预测模型可以同时考虑多个相关变量，从而更好地捕捉到数据中的复杂关系，提升模型预测的准确性，更好的解决例如机场日活跃用户预测的实际问题
。
[0005]本专利技术第一方面提供了一种基于手机信令的机场日活跃用户预测方法，包括以下步骤：采集信令数据以获取手机用户的行动轨迹；基于所述信令数据得到不同目标区域的活跃用户数值，从而识别目标活跃用户，其中，所述目标活跃用户包括机场活跃用户；基于所述目标活跃用户输入到训练好的神经网络模型中测试得到日活跃用户预测数据，从而将所述日活跃用户预测数据输出给用户端，所述神经网络模型具体包括长短期记忆多变量时间序列模型
。
[0006]本方案中，所述采集信令数据以获取手机用户的行动轨迹，具体包括：基于预设运营商的信令数据获取目标区域内的用户识别码的基站扇区信息，所述基站扇区信息包括扇区位置信息以及进出扇区时间信息；基于用户实时轨迹信息接入预设订阅系统结合用户对应的信令数据得到所述行动轨迹
。
[0007]本方案中，基于所述信令数据得到不同目标区域的活跃用户数值，具体包括：基于预先划分的区域得到所述目标区域，其中，所述目标区域至少包括机场
、
商圈以及公园；基于所述行动轨迹与所述目标区域进行匹配，其中，若所述目标区域内未捕捉到用户识别码则将对应手机用户的信令数据进行删除；以及
基于所述目标区域结合手机用户在连续时间段内的行动轨迹进行信令去重，从而得到所述活跃用户数值
。
[0008]本方案中，所述方法还包括构建所述神经网络模型，具体包括：基于机场活跃用户的历史数据划分为训练集和测试集；构建长短期记忆单步预测模型，其中，单步预测模型包括一个长短期记忆层且激活函数为
ReLU
函数；利用所述训练集和所述测试集对所述单步预测模型进行测试训练；使用均方误差作为损失函数，并利用
ADAM
优化器最小化损失从而在训练轮数结束后完成训练得到所述神经网络模型
。
[0009]本方案中，所述基于机场活跃用户的历史数据划分为训练集和测试集，具体包括将所述机场活跃用户数据进行归一化处理以缩放至目标范围内，并基于预设比例划分所述机场活跃用户数据得到所述训练集和所述测试集
。
[0010]本方案中，所述方法还包括在训练轮数结束后，利用均方根误差来筛选最优模型得到所述神经网络模型，其中，最优模型对应为预测结果的均方根误差最小的模型
。
[0011]本专利技术第二方面还提供一种基于手机信令的机场日活跃用户预测系统，包括存储器和处理器，所述存储器中包括基于手机信令的机场日活跃用户预测方法程序，所述基于手机信令的机场日活跃用户预测方法程序被所述处理器执行时实现如下步骤：采集信令数据以获取手机用户的行动轨迹；基于所述信令数据得到不同目标区域的活跃用户数值，从而识别目标活跃用户，其中，所述目标活跃用户包括机场活跃用户；基于所述目标活跃用户输入到训练好的神经网络模型中测试得到日活跃用户预测数据，从而将所述日活跃用户预测数据输出给用户端，所述神经网络模型具体包括长短期记忆多变量时间序列模型
。
[0012]本方案中，所述采集信令数据以获取手机用户的行动轨迹，具体包括：基于预设运营商的信令数据获取目标区域内的用户识别码的基站扇区信息，所述基站扇区信息包括扇区位置信息以及进出扇区时间信息；基于用户实时轨迹信息接入预设订阅系统结合用户对应的信令数据得到所述行动轨迹
。
[0013]本方案中，基于所述信令数据得到不同目标区域的活跃用户数值，具体包括：基于预先划分的区域得到所述目标区域，其中，所述目标区域至少包括机场
、
商圈以及公园；基于所述行动轨迹与所述目标区域进行匹配，其中，若所述目标区域内未捕捉到用户识别码则将对应手机用户的信令数据进行删除；以及基于所述目标区域结合手机用户在连续时间段内的行动轨迹进行信令去重，从而得到所述活跃用户数值
。
[0014]本方案中，所述方法还包括构建所述神经网络模型，具体包括：基于机场活跃用户的历史数据划分为训练集和测试集；构建长短期记忆单步预测模型，其中，单步预测模型包括一个长短期记忆层且激
活函数为
ReLU
函数；利用所述训练集和所述测试集对所述单步预测模型进行测试训练；使用均方误差作为损失函数，并利用
ADAM
优化器最小化损失从而在训练轮数结束后完成训练得到所述神经网络模型
。
[0015]本方案中，所述基于机场活跃用户的历史数据划分为训练集和测试集，具体包括将所述机场活跃用户数据进行归一化处理以缩放至目标范围内，并基于预设比例划分所述机场活跃用户数据得到所述训练集和所述测试集
。
[0016]本方案中，所述方法还包括在训练轮数结束后，利用均方根误差来筛选最优模型得到所述神经网络模型，其中，最优模型对应为预测结果的均方根误差最小的模型
。
[0017]本专利技术第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质中包括机器的一种基于手机信令的机场日活跃用户预测方法程序，所述基于手机信令的机场日活跃用户预测方法程序被处理器执行时，实现如上述任一项所述的一种基于手机信令的机场日活跃用户预测方法的步骤
。
[0018]本专利技术公开的一种基于手机信令的机场日活跃用户预测方法
、
系统和介质，采用长短期记忆多变量预测模型可以同时考虑多个相关变量，从而更好地捕捉到数据中的复杂关系，提升模型预测的准确性，更好的解决例如机场日活跃用户预测的实际问题
。
附图说明
[0019]图1示出了本专利技术一种基于手机信令的机场日活跃用户预测方法的流程图；图2示出了本专利技术一种基于手机信令的训练和测试损失示意图；图3示出了本专利技术一种基于手机信令的影响机场日活跃用户的变量示意图；图4示出了本专利技术一种本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于手机信令的机场日活跃用户预测方法，其特征在于，包括以下步骤：采集信令数据以获取手机用户的行动轨迹；基于所述信令数据得到不同目标区域的活跃用户数值，从而识别目标活跃用户，其中，所述目标活跃用户包括机场活跃用户；基于所述目标活跃用户输入到训练好的神经网络模型中测试得到日活跃用户预测数据，从而将所述日活跃用户预测数据输出给用户端，所述神经网络模型具体包括长短期记忆多变量时间序列模型
。2.
根据权利要求1所述的一种基于手机信令的机场日活跃用户预测方法，其特征在于，所述采集信令数据以获取手机用户的行动轨迹，具体包括：基于预设运营商的信令数据获取目标区域内的用户识别码的基站扇区信息，所述基站扇区信息包括扇区位置信息以及进出扇区时间信息；基于用户实时轨迹信息接入预设订阅系统结合用户对应的信令数据得到所述行动轨迹
。3.
根据权利要求2所述的一种基于手机信令的机场日活跃用户预测方法，其特征在于，基于所述信令数据得到不同目标区域的活跃用户数值，具体包括：基于预先划分的区域得到所述目标区域，其中，所述目标区域至少包括机场
、
商圈以及公园；基于所述行动轨迹与所述目标区域进行匹配，其中，若所述目标区域内未捕捉到用户识别码则将对应手机用户的信令数据进行删除；以及基于所述目标区域结合手机用户在连续时间段内的行动轨迹进行信令去重，从而得到所述活跃用户数值
。4.
根据权利要求3所述的一种基于手机信令的机场日活跃用户预测方法，其特征在于，所述方法还包括构建所述神经网络模型，具体包括：基于机场活跃用户的历史数据划分为训练集和测试集；构建长短期记忆单步预测模型，其中，单步预测模型包括一个长短期记忆层且激活函数为
ReLU
函数；利用所述训练集和所述测试集对所述单步预测模型进行测试训练；使用均方误差作为损失函数，并利用
ADAM
优化器最小化损失从而在训练轮数结束后完成训练得到所述神经网络模型
。5.
根据权利要求4所述的一种基于手机信令的机场日活跃用户预测方法，其特征在于，所述基于机场活跃用户的历史数据划分为训练集和测试集，具体包括将所述机场活跃用户数据进行归一化处理以缩放至目标范围内，并基于预设比例划分所述机场...

【专利技术属性】
技术研发人员：于笑博，成立立，张广志，肖淑金，赵阳阳，
申请(专利权)人：北京融信数联科技有限公司，
类型：发明
国别省市：