用于估计人群中的人数的方法和系统
阅读：1009发布：2020-08-03
专利汇可以提供用于估计人群中的人数的方法和系统专利检索，专利查询，专利分析的服务。并且提出了一种估计为了参加在日期(gn)的时间间隔([Tsn；Ten])期间的公共集会(Sn)而聚集在感兴趣区域(107)处的人数的方法。所述感兴趣区域(107)由感兴趣区域中心(C)和感兴趣区域半径(Ra)来定义，并且由具有多个通信站(105a)的移动电信网络(105) 覆盖 ，每个通信站适于管理在其中细分移动电信网络(105)的一个或多个服务区域(105b)中的用户设备的通信。该方法包括以下步骤：a)定义(504、506、530‑534)感兴趣区域半径(Ra)的多个计算出的半径值(Rk)，以及对于每个计算出的半径值(Rk)：b)识别(510、512)与在感兴趣区域(107)内在日期(gn)的时间间隔([Tsn；Ten])期间在用户设备和 移动通信网络 (105)之间发生的交互的对应事件(ei)的至少一个事件记录(eri)相关联的用户设备的第一数量(Unk)；c)识别(514、516)在感兴趣区域(107)内在日期(gn)之前预定数量(P)个先前日期(gpn)的每个日期的时间间隔([Tsn；Ten])期间在用户设备和移动通信网络(105)之间发生的交互的对应事件(ei)的至少一个事件记录(eri)相关联的用户设备的第二数量(Upnk)；d)将用户设备的第一数量(Unk)和用户设备的第二数量(Upnk)组合(518、520)以获得统计量(Znk)；e)如果统计量(Znk)达到特定 阈值 (Zth)，那么检测(522、524)公共集会(Sn)的发生；f)将感兴趣区域半径(Ra)的最佳半径值(Ro)计算(536)为在其内检测到公共集会(Sn)的计算出的半径值(Rk)的平均值；g)计数(538‑578)为了参加在具有等于最佳半径值(Ro)的感兴趣区域半径(Ra)的感兴趣区域内的公共集会(Sn)而聚集的人数。，下面是用于估计人群中的人数的方法和系统专利的具体信息内容。
1.一种估计为了参加在一个日期的时间间隔期间的公共集会而聚集在感兴趣区域(107)处的人数的方法，其中所述感兴趣区域(107)由感兴趣区域中心和感兴趣区域半径来定义，并且由具有多个通信站(105a)的移动电信网络(105)覆盖，每个通信站适于管理其中细分移动电信网络(105)的一个或多个服务区域(105b)中的用户设备的通信，所述方法包括以下步骤：
a)定义(504、506、530-534)感兴趣区域半径的多个计算出的半径值，以及对于每个计算出的半径值：
b)识别(510、512)与在感兴趣区域(107)内在所述日期的时间间隔期间在用户设备和移动通信网络(105)之间发生的交互的对应事件的至少一个事件记录相关联的用户设备的第一数量；
c)识别(514、516)在感兴趣区域(107)内在所述日期之前预定数量的先前日期的每个日期的时间间隔期间在用户设备和移动通信网络(105)之间发生的交互的对应事件的至少一个事件记录相关联的用户设备的第二数量；
d)将用户设备的第一数量和用户设备的第二数量组合(518、520)以获得统计量；
e)如果统计量达到特定阈值，那么检测(522、524)公共集会的发生；
f)将感兴趣区域半径的最佳半径值计算(536)为在其内检测到公共集会的计算出的半径值的平均值；
g)计数(538-578)为了参加在具有等于最佳半径值的感兴趣区域半径的感兴趣区域内的公共集会而聚集的人数。
2.如权利要求1所述的方法，其中所述公共集会包括多个公共集会，所述方法还包括以下步骤：
h)对于所述多个公共集会中的每一个公共集会迭代步骤b)至e)，以及
其中将感兴趣区域的最佳半径值计算(536)为在其内检测到公共集会的计算出的半径值的平均值的步骤f)包括：
-将感兴趣区域半径的最佳半径值计算(536)为由具有等于相同计算出的半径值的感兴趣区域半径的感兴趣区域(107)内检测到的公共集会的数量加权的计算出的半径值的平均值，所述检测到的公共集会的数量是由迭代步骤e)确定的公共集会的总和。
3.如权利要求1或2所述的方法，还包括对于每个计算出的半径值：
i)识别(506)移动通信网络(105)的服务区域(105b)中的相关服务区域(405a-d)的数量，其中所述相关服务区域是至少部分地叠加在感兴趣区域(107)上的服务区域。
4.如权利要求3所述的方法，其中如果服务区域(105b)验证了以下条件，那么所述服务区域(105b)被识别为相关服务区域(405a-d)：
Dist(C,B)≤|Rc+Rk|，
其中C是感兴趣区域(107)的中心，B是服务区域(105b)的中心，Dist(C,B)是感兴趣区域的中心C与服务区域的中心B之间的地理距离，Rc是服务区域的半径，并且Rk是计算出的半径值。
5.如权利要求3或4所述的方法，其中识别(510、512)用户设备的第一数量的步骤b)包括：
-在相关服务区域(405a-d)中的至少一个相关服务区域内识别用户设备的第一数量中的用户设备，以及
其中识别(514、516)用户设备的第二数量的步骤c)包括：
-在相关服务区域(405a-d)中的至少一个相关服务区域内识别第二数量的用户设备。
6.如前述权利要求1至5中任何一项所述的方法，其中组合(518、520)用户设备的第一数量和用户设备的第二数量以便获得统计量的步骤d)包括：
-组合(518)先前日期中的每一个日期的第二UE数量，以便确定平均UE数量和UE数量标准偏差。
7.如权利要求6所述的方法，其中组合(518、520)用户设备的第一数量和用户设备的第二数量以便获得统计量的步骤d)还包括：
-将统计量计算为：
Znk＝(Unk–μnk)/σnk，
其中Unk是第一数量，μnk是平均UE数量并且σnk是UE数量标准偏差。
8.如前述权利要求中任何一项所述的方法，其中所述多个计算出的半径值的范围从最小半径值到最大半径值，每个计算出的半径值与下一个计算出的半径值分开迭代宽度。
9.如前述权利要求中任何一项所述的方法，其中，计数(538-578)为了参加在具有等于最佳半径值的感兴趣区域半径的感兴趣区域内的公共集会而聚集的人数的步骤g)包括：
j)识别(538)包含在移动通信网络(105)中的服务区域(105b)中的相关服务区域(405a-d)的数量，其中所述相关服务区域是至少部分地叠加在具有等于最佳半径值的感兴趣区域半径的感兴趣区域(107)上的服务区域。
10.如权利要求9所述的方法，其中，如果服务区域(105b)验证了以下不等式，那么所述服务区域(105b)被识别为相关服务区域(405a-d)：
Dist(C,B)≤|Rc+Ro|，
其中C是感兴趣区域的中心(107)，B是服务区域(105b)的中心，Dist(C,B)是感兴趣区域的中心C与服务区域的中心B之间的地理距离，Rc是服务区域的半径，并且Ro是最佳半径值。
11.如前述权利要求1至10中任何一项所述的方法，其中，计数(538-578)为了参加在具有等于最佳半径值的感兴趣区域半径的感兴趣区域内的公共集会而聚集的人数的步骤g)还包括：
k)构建(542、544)用户设备列表，所述用户设备列表包括与在AoI(107)内在所述日期的时间间隔中发生的事件记录中的至少一个事件记录相关联的每个用户设备的标识符。
12.如权利要求11所述的方法，其中，计数(538-578)为了参加在具有等于最佳半径值的AoI半径的感兴趣区域内的公共集会而聚集的人数的步骤g)还包括，对于用户设备列表中的每个用户设备：
l)计算(550)与用户设备相关联的连续事件记录之间的平均中间到达时间。
13.如权利要求12所述的方法，其中所述平均中间到达时间基于在所述日期和在所述先前日期两者发生的事件记录来计算。
14.如权利要求12或13所述的方法，其中，计数(538-578)为了参加在具有等于最佳半径值的感兴趣区域半径的感兴趣区域内的公共集会而聚集的人数的步骤g)还包括，对于用户设备列表中的每个用户设备：
m)识别(552、554)在AoI(107)内在所述日期的时间间隔中发生的、分别参考第一事件记录和最后事件记录的第一时间数据和最后时间数据，以及
n)组合(556)第一时间数据、最后时间数据和平均中间到达时间，以便确定第一时间片段，所述第一时间片段指示用户设备在所述日期在所述时间间隔期间在AoI(107)内花费的时间段。
15.如前述权利要求12至14中任何一项所述的方法，其中，计数(538-578)为了参加在具有等于最佳半径值的感兴趣区域半径的感兴趣区域内的公共集会而聚集的人数的步骤g)还包括，对于用户设备列表中的每个用户设备：
o)识别(558、560)在感兴趣区域(107)内在先前日期的时间间隔中发生的、分别参考第一事件记录和最后事件记录的第一先前时间数据和最后先前时间数据，以及p)组合(562)第一先前时间数据、最后先前时间数据和平均中间到达时间，以便确定第二时间片段，所述第二时间片段指示用户设备在先前日期期间在AoI(107)内花费的时间段。
16.如权利要求15所述的方法，如取决于权利要求14，其中计数(538-578)为了参加在具有等于最佳半径值的感兴趣区域半径的感兴趣区域内的公共集会而聚集的人数的步骤g)还包括，对于用户设备列表中的每个用户设备：
q)组合(564)第一时间片段和第二时间片段，以便确定用户设备的所有者参加公共集会的概率。
17.如权利要求16所述的方法，其中，计数(538-578)为了参加在具有等于最佳半径值的感兴趣区域半径的感兴趣区域内的公共集会而聚集的人数的步骤g)还包括：
r)将为了参加公共集会而聚集的人数计算(566)为针对用户设备列表的每个用户设备确定的概率的总和。
18.如权利要求17所述的方法，如取决于权利要求2，还包括以下步骤：
s)对于公共集会中的每一个公共集会迭代(574、576)步骤j)至r)。
19.一种与无线电信网络(105)耦合的用于估计在感兴趣区域(107)处聚集的人数的系统(100)，所述系统包括：
计算引擎(110)，所述计算引擎(110)适于处理从移动电话网络(105)检索到的数据；
储存库(115)，所述储存库(115)适于存储关于用户设备和移动电话网络之间的交互的数据、由计算引擎生成的计算结果以及可能的由系统生成的和/或提供给系统的任何处理数据，以及
管理员界面(120)，所述管理员界面(120)可操作用于修改由计算引擎使用的参数和/或算法和/或访问存储在储存库中的数据，
其特征在于
还包括存储器元件(110a)，所述存储器元件(110a)存储被配置为通过所述系统(100)实现如权利要求1至18中任何一项所述的方法的软件程序产品。
20.如权利要求19所述的系统，还包括适于接收来自所述系统的用户的输入和向所述系统的用户提供输出的至少一个用户界面(125)，所述用户包括一个或多个人和/或由所述系统提供的服务的一个或多个外部计算系统订户。
用于估计人群中的人数的方法和系统
技术领域
[0001] 本发明涉及人群计数，即，涉及用于计数或估计人群中的人数的技术。在本说明书中，为了本发明的目的，通过“人群”意指聚集在特定地点(例如，参加具有最不同性质的公共事件或集会)的特定数量的人的聚集，像例如(并且非穷举)直播电视节目、艺术/娱乐表演、文化展览、戏剧演出、体育比赛、音乐会、电影、示威等。
[0002] 特别地，本发明涉及利用由无线或移动电信网络提供的信息的人群计数技术。
背景技术
[0003] 在城市规划、活动管理(例如，运输系统管理和紧急情况管理)以及旅游和本地营销的任务中，了解在特定地点或感兴趣区域(简称AoI，例如，建筑物，诸如例如体育场或剧院或电影院、其周围环境、城市或城镇或乡村的广场或(一条或多条)街道、辖区等)处聚集的人的数量是有用的，例如，因为他们参加了在感兴趣区域内发生的(例如，与文化、娱乐、政治或体育相关的)比如节目的公共集会。事实上，这种知识允许例如更有效地规划后续的相同类型的公共集会。特别地，这种知识允许更有效地规划和管理与未来可能发生的类似的公共集会(诸如，例如，在体育场定期发生的体育比赛)直接或间接相关的资源和活动(诸如基础设施、运输系统和安全)。此外，从商业角度来看，这种知识允许更好地管理旨在促进未来可能发生的类似事件的营销活动。
[0004] 如今，移动通信装置(以下称为移动电话或UE，包括蜂窝电话、智能电话、平板电脑等)已经在许多国家的人口中得到彻底的传播，并且移动电话所有者几乎始终携带其移动电话与他们在一起。由于移动电话与移动电话网络的多个基站通信，并且每个基站覆盖(即，服务)移动通信服务提供商(例如移动电话网络所有者或虚拟移动电话服务提供商)已知的一个或多个预定服务区域或小区，因此移动电话结果成为作为跟踪装置的最佳候选者，用于收集对识别参加一个或多个公共集会的人的数量有用的数据。
[0005] 在本领域中，为了收集关于个人的用户设备(UE，例如，移动电话、智能电话、平板电脑等)连接到移动电话网络(例如，用于进行语音呼叫或发送文本消息)的时间和地点的信息，并且使用这种收集到的信息以便得到与特定公共集会具有多少参加者相关的信息，已经提出了许多系统和方法。
[0006] 例如，2006年的Francesco Calabrese，Carlo Ratti，“Real Time Rome”，Networks and Communications Studies 20(3-4)，第247-258页公开了在第十届意大利威尼斯国际建筑展(International Architecture Exhibition)上呈现的实时罗马(Real Time Rome)项目。实时罗马项目是收集并处理由电信网络和运输系统提供的数据以便了解罗马日常生活的模式的城市范围实时监视系统的第一个示例。观察城镇中的实时日常生活成为了解现在和预测未来城市环境的手段。
[0007] 从http://mox.polimi.it可获得的F.Manfredini，P.Pucci，P.Secchi，P.Tagliolato，S.Vantini，V.Vitelli，“Treelet decomposition of mobile phone data for deriving city usage and mobility pattern in the Milan urban region”，MOX-Report No.25/2012，MOX，Department of Mathematics“F.Brioschi”，Politecnico di Milano公开了针对识别关于移动电话使用的隐藏模式的有用信息的地理统计学无监督学习技术。这些隐藏的模式涉及城市在时间和空间上与个人移动性相关的不同使用，概述了该技术用于城市规划社区的潜力。该方法允许获得参考基础，该参考基础报告一些活动对所记录的Erlang数据的特定影响以及显示每个活动对本地Erlang信号的贡献的一组映射。已经选择了对于解释特定移动性和城市使用模式(通勤、夜间活动、住宅分布、非系统移动性)有重要意义的结果，并且已在米兰城市地区规模从城市分析和规划视角对其意义及其解释进行了测试。
[0008] 2012年6月的第二届普及城市应用(Pervasive Urban Applications，PURBA)研讨会，Ramon Caceres，James Rowland，Christopher Small和Simon Urbanek，“Exploring the Use of Urban Greenspace through Cellular Network Activity”公开了使用蜂窝网络活动的匿名记录来研究城市区域中的人口密度的时空模式。该文章呈现了该努力的愿景和一些早期的结果。首先，描述了纽约大都市地区中的六个月的活动的数据集。第二，呈现了用于估计网络覆盖区域的技术。第三，描述了分析在那些区域内的活动量变化所使用的途径。最后，呈现了关于中央公园周围人口密度变化的初步结果。
[0009] 2009年的F.Girardin，A.Gerber，A.Vaccari，A.Biderman，C.Ratti，“Towards estimating the presence of visitors from the aggregate mobile phone network activity they generate”，International Conference on Computers in Urban Planning and Urban Management审查了纽约市在2008年的“Waterfalls”公共展览附近的本地和非本地注册移动电话的使用。研究了与覆盖展览及其邻近地区的网络部分相关的总体统计(即，呼叫的数量)。利用传统调查技术(诸如现场计数)的未来贡献来校准这些移动电话网络测量，其目的是开发技术来估计游客在时间和空间上的总体移动和地点，同时确保其隐私。
[0010] F.Calabrese，F.C.Pereira，G.Di Lorenzo，L.Liu，C.Ratti，“The Geography of Taste：Analyzing Cell-Phone Mobility in Social Events”，Pervasive Computing，LNCS 6030，Springer，2010，pp.22-37公开了在特殊事件期间对人群移动性的分析。已经分析了近一百万部蜂窝电话的踪迹，并且将其目的地与社会事件相关联。已经观察到，参加事件的人的来源与事件的类型密切相关，这在城市管理方面具有启示，因为附加的流动的知识对于做出关于事件管理和拥塞缓解的决策会是关键的信息。
[0011] 2011年10月9-11日的Traag，V.A.；Browet，A.；Calabrese，F.；Morlot，F.，“Social Event Detection in Massive Mobile Phone Data Using Probabilistic Location Inference”，2011IEEE Third International Conference on Privacy，Security，Risk and Trust(Passat)和2011IEEE Third International Conference on Social Computing(Socialcom)，pp.625,628，专注于人们的异常大型聚集，即，异常社会事件。基于贝叶斯地点推理框架，介绍了在大规模移动电话数据中检测这种社会事件的方法。更具体地，还开发了用于决定谁参加事件的框架。演示了关于几个示例的方法。最后，讨论了用于事件检测的一些可能的未来途径，以及对检测到的社会事件的一些可能的分析。
发明内容
[0012] 申请人已经观察到，通常，本领域已知的方法和系统提供了不能令人满意的结果，因为它们不能够确定(或者在确定方面具有有限的能力)UE所有者是否已经出于参加其中的原因或出于其他原因(例如，由于UE所有者居住在该感兴趣区域附近或其内或者UE所有者在该感兴趣区域附近或其内有业务)而在其中已经举行一个或多个公共集会的感兴趣区域(AoI)中。另外，由已知解决方案提供的结果受到在一个或多个公共集会中被选择用于分析参加者的数量的感兴趣区域的尺寸的强烈影响。换句话说，如果感兴趣区域具有大的尺寸，那么实际上不是人群的一部分的特定数量的UE所有者在公共集会的参加者数量的评估中将被考虑。相反，如果感兴趣区域具有小的尺寸，那么实际上是人群的一部分的特定数量的UE所有者将被排除在人群中的人数的评估之外。
[0013] 因此，基于由本领域已知的方法和系统获得的结果对(上面提到的类型的)资源和活动进行后续的规划和管理将由于其有限的精确度而实现有限的效率。
[0014] 因此，申请人已经处理了设计适于克服影响现有技术解决方案的问题的系统和方法的问题。
[0015] 申请人已经发现，可以基于在一个或多个公共集会的过程期间和在一个或多个公共集会之前的特定天数中与UE相关的操作信息来确定最佳感兴趣区域的尺寸。
[0016] 特别地，本发明的一个方面提出了一种估计为了参加在日期gn的时间间隔[Tsn；Ten]期间的公共集会Sn而聚集在感兴趣区域处的人数的方法。所述感兴趣区域由感兴趣区域中心C和感兴趣区域半径Ra来定义，并且由具有多个通信站的移动电信网络覆盖，每个通信站适于管理其中细分移动电信网络的一个或多个服务区域中的用户设备的通信。该方法包括以下步骤：a)定义感兴趣区域半径Ra的多个计算出的半径值Rk，以及对于每个计算出的半径值Rk：b)识别与在感兴趣区域内在日期gn的时间间隔[Tsn；Ten]期间在用户设备和移动通信网络之间发生的交互的对应事件ei的至少一个事件记录eri相关联的用户设备Unk的第一数量；c)识别在感兴趣区域内在日期gn之前预定数量P个先前日期gpn的每个日期gpn的时间间隔[Tsn；Ten]期间在用户设备和移动通信网络之间发生的交互的对应事件ei'的至少一个事件记录eri'相关联的用户设备的第二数量Upnk；d)将用户设备的第一数量Unk和用户设备的第二数量Upnk组合以获得统计量Znk；e)如果统计量Znk达到特定阈值Zth，那么检测公共集会Sn的发生；f)将感兴趣区域半径Ra的最佳半径值Ro计算为在其内检测到公共集会Sn的计算出的半径值Rk的平均值；g)计数为了参加在具有等于最佳半径值Ro的感兴趣区域半径Ra的感兴趣区域内的公共集会Sn而聚集的人数An。
[0018] 在本发明的一个实施例中，公共集会Sn包括多个公共集会，该方法还包括以下步骤：对于多个公共集会中的每一个公共集会Sn迭代步骤b)至e)，以及其中将感兴趣区域半径Ra的最佳半径值Ro计算为在其内检测到公共集会的计算出的半径值Rk的平均值的步骤f)包括：将感兴趣区域半径Ra的最佳半径值Ro计算为由具有等于相同计算出的半径值Rk的感兴趣区域半径Ra的感兴趣区域内检测到的公共集会Sn的数量DSk加权的计算出的半径值Rk的平均值，所述检测到的公共集会的数量DSk是由迭代步骤e)确定的公共集会Sn的总和。
[0019] 在本发明的一个实施例中，该方法还包括对于每个计算出的半径值：i)识别移动通信网络的服务区域中的相关服务区域的数量，其中所述相关服务区域是至少部分地叠加在感兴趣区域上的服务区域。
[0020] 在本发明的一个实施例中，如果服务区域验证了以下条件，那么该服务区域被识别为相关服务区域：
[0021] Dist(C,B)≤|Rc+Rk|，
[0022] 其中C是感兴趣区域的中心，B是服务区域的中心，Dist(C,B)是感兴趣区域的中心C与服务区域的中心B之间的地理距离，Rc是服务区域的半径，并且Rk是计算出的半径值。
[0023] 在本发明的一个实施例中，识别用户设备的第一数量Unk的步骤b)包括：在相关服务区域中的至少一个相关服务区域内识别第一数量Unk的用户设备中的用户设备，并且识别用户设备的第二数量Upnk的步骤c)包括：在相关服务区域中的至少一个相关服务区域内识别第二数量Upnk的用户设备。
[0024] 在本发明的一个实施例中，组合用户设备的第一数量Unk和用户设备的第二数量Upnk以便获得统计量Znk的步骤d)包括：组合先前日期gpn中的每一个日期的第二UE数量Upnk，以便确定平均UE数量μnk和UE数量标准偏差σnk。
[0025] 在本发明的一个实施例中，组合用户设备的第一数量Unk和用户设备的第二数量Upnk以便获得统计量Znk的步骤d)还包括将统计量Znk计算为：
[0026] Znk＝(Unk–μnk)/σnk，
[0027] 其中Unk是第一数量，μnk是平均UE数量并且σnk是UE数量标准偏差。
[0028] 在本发明的一个实施例中，多个计算出的半径值Rk的范围从最小半径值Rmin到最大半径值i，每个计算出的半径值Rk与下一个计算出的半径值分开迭代宽度Δ。
[0029] 在本发明的一个实施例中，计数为了参加在具有等于最佳半径值Ro的感兴趣区域半径Ra的感兴趣区域内的公共集会Sn而聚集的人数的步骤g)包括：j)识别包含在移动通信网络中的服务区域中的相关服务区域的数量，其中所述相关服务区域是至少部分地叠加在具有等于最佳半径值Ro的感兴趣区域半径Ra的感兴趣区域上的服务区域。
[0030] 在本发明的一个实施例中，如果服务区域验证以下不等式，那么该服务区域被识别为相关服务区域：
[0031] Dist(C,B)≤|Rc+Ro|，
[0032] 其中C是感兴趣区域的中心，B是服务区域的中心，Dist(C,B)是感兴趣区域的中心C与服务区域的中心B之间的地理距离，Rc是服务区域的半径，并且Ro是最佳半径值。
[0033] 在本发明的一个实施例中，计数为了参加在具有等于最佳半径Ro值的感兴趣区域半径Ra的感兴趣区域内的公共集会Sn而聚集的人数的步骤g)包括：k)构建UE列表uLn，其包括与在AoI内在日期gn的时间间隔[Tsn；Ten]中发生的事件记录eri中的至少一个事件记录eri相关联的每个用户设备UEj的标识符。
[0034] 在本发明的一个实施例中，计数为了参加在具有等于最佳半径值Ro的AoI半径Ra的感兴趣区域内的公共集会而聚集的人数的步骤g)还包括，对于UE列表uLn中的每个用户设备UEj：l)计算与用户设备UEj相关联的连续事件记录eri、eri'之间的平均中间到达时间iat。
[0035] 在本发明的一个实施例中，平均中间到达时间iat基于在日期gn和在先前日期gpn两者发生的事件记录eri、eri'来计算。
[0036] 在本发明的一个实施例中，计数为了参加在具有等于最佳半径值Ro的感兴趣区域半径Ra的感兴趣区域内的公共集会Sn而聚集的人数的步骤g)还包括，对于UE列表uLn中的每个用户设备UEj：m)识别在AoI内在日期gn的时间间隔[Tsn；Ten]中发生的、分别参考第一事件记录erf和最后事件记录erI的第一时间数据tdnf和最后时间数据tdnI，以及n)组合第一时间数据tdnf、最后时间数据tdnI和平均中间到达时间iat，以便确定第一时间片段f1，其指示用户设备UEj在日期gn在时间间隔[Tsn；Ten]期间在AoI内花费的时间段。
[0037] 在本发明的一个实施例中，第一时间片段f1被确定为：
[0038]
[0039] 其中tdn1是第一时间数据，tdnf是最后时间数据，iat是平均中间到达时间，Tsn是公共集会的开始时间并且Ten是公共集会的结束时间。
[0040] 在本发明的一个实施例中，计数为了参加在具有等于最佳半径值Ro的感兴趣区域半径Ra的感兴趣区域内的公共集会Sn而聚集的人数的步骤g)还包括，对于UE列表uLn中的每个用户设备UEj：o)识别在感兴趣区域内在先前日期的时间间隔中发生的、分别参考第一事件记录和最后事件记录的第一先前时间数据和最后先前时间数据，以及p)组合第一先前时间数据tdnf、最后先前时间数据tdnI和平均中间到达时间iat，以便确定第二时间片段f2，其指示用户设备UEj在先前日期gpn期间在感兴趣区域内花费的时间段。
[0041] 在本发明的一个实施例中，第二时间片段f2被确定为：
[0042]
[0043] 其中tdpn1是第一先前时间数据，tdpnf是最后先前时间数据，iat是平均中间到达时间，并且Tgpn是先前日期的总持续时间。
[0044] 在本发明的一个实施例中，计数为了参加在具有等于最佳半径值Ro的感兴趣区域半径Ra的感兴趣区域内的公共集会Sn而聚集的人数的步骤g)还包括，对于UE列表uLn中的每个用户设备UEj：q)组合第一时间片段f1和第二时间片段f2，以便确定用户设备UEj的所有者参加公共集会Sn的概率。
[0045] 在本发明的一个实施例中，用户设备的所有者参加公共集会的概率pj被计算为：
[0046] pj＝f1*(1–f2)，
[0047] 其中f1是第一时间片段，并且f2是第二时间片段。
[0048] 在本发明的一个实施例中，计数为了参加在具有等于最佳半径值Ro的感兴趣区域半径Ra的感兴趣区域内的公共集会Sn而聚集的人数的步骤g)还包括：r)将为了参加公共集会Sn而聚集的人数An计算为针对UE列表uLn的每个用户设备UEj确定的概率pj的总和。
[0049] 在本发明的一个实施例中，该方法还包括以下步骤：s)对于公共集会Sn中的每一个迭代步骤j)至r)。
[0050] 本发明的另一个方面提出了与无线电信网络耦合的用于估计在感兴趣区域处聚集的人数的系统。该系统包括适于处理从移动电话网络检索到的数据的计算引擎、适于存储关于用户设备和移动电话网络之间的交互的数据、由计算引擎生成的计算结果以及可能的由系统生成的和/或提供给系统的任何处理数据的储存库、以及可操作用于修改由计算引擎使用的参数和/或算法和/或访问存储在储存库中的数据的管理员界面。根据本发明的系统还包括存储被配置为通过系统实现以上方法的软件程序产品的存储器元件。
[0053] 通过阅读仅仅通过非限制性示例的方式提供的、要结合附图阅读的本发明的实施例的以下详细描述，将更好地理解根据本发明的解决方案的这些和其他特征及优点，其中：
[0054] 图1是根据本发明的实施例的人群估计系统的示意图；
[0055] 图2A至图2E是根据本发明的实施例的其中移动通信网络的小区可以被建模的示例性形状；
[0056] 图3A至图3E是根据本发明的实施例的待确定的AoI可以采用的示例性形状；
[0057] 图4A至图4D是根据本发明的实施例的移动通信网络105相对于AoI的小区中的相关小区，以及
[0058] 图5A至图5C是根据本发明的实施例的公共集会评估算法的示意流程图。
具体实施方式
[0059] 参考附图，图1是根据本发明的示例性实施例的在下文中简单地表示为系统100的人群估计系统的示意图。
[0060] 人群估计系统允许进行为了参加具有最不同性质的一个或多个公共集会而聚集的人群中的人数的估计，像例如(并且非穷举)直播电视节目、艺术/娱乐表演、文化展览、戏剧演出、体育比赛、音乐会、电影、示威等。
[0061] 系统100耦合到诸如(2G、3G、4G或更高代)移动电话网络的移动通信网络105，并且被配置用于从移动通信网络105接收位于感兴趣地理区域(简称AoI)中的个人的以下(例如，移动电话、智能电话、具有2G-3G-4G连接的平板电脑等)中的每个用户设备UE的定位数据，感兴趣的地理区域在图1中示意性地示为点划线107内的区域(例如，建筑物，诸如，例如，体育场或剧院或电影院、其周围环境、城市或城镇或乡村的广场或(一条或多条)街道、辖区等)。
[0062] (在下面进一步描述的)AoI 107通常可以包括其中已经发生一个或多个公共集会的核心地点(例如，体育场、剧院、城市广场等)，并且可能地包括核心地点的周围环境(例如，附近的停车场、附近的街道、附近的运输站等)。
[0063] 移动通信网络105包括地理上跨AoI 107分布的多个(两个或更多个)通信站105a(例如，移动电话网络的无线电基站)。每个通信站105a适于管理在一个或多个服务区域或小区105b(在所述示例中，每个通信站105a服务三个小区)中的UE(未示出，诸如例如移动电话)的通信，如下面将更详细地讨论的。
[0064] 甚至更一般地，移动通信网络105的每个通信站105a适于(例如，在电源接通/断开时、在地点区域更新时、在来电/去电呼叫时、在发送/接收SMS和/或MMS时、在因特网接入时等)与位于由这种通信站105a服务的小区105b之一内的任何UE交互。在下文中，UE和移动通信网络105之间的这些交互将通常被表示为事件ei(i＝1，...，I；其中I是整数)。
[0065] 系统100包括被配置为适于处理从移动通信网络105检索到的数据的计算引擎110，和被配置为适于(通常以二进制格式)存储关于UE和移动通信网络105之间的交互的数据、由计算引擎110生成的计算结果以及可能的由系统100生成和/或提供给系统100的任何处理数据的储存库115(诸如数据库、文件系统等)。系统100设置有管理员接口120(例如，计算机)，所述管理员接口120被配置并且可操作用于修改由计算引擎110使用的参数和/或算法和/或访问存储在储存库115中的数据。
[0066] 优选地，系统100包括一个或多个用户界面125(例如，用户终端、在连接到系统100的远程终端上运行的软件)，所述一个或多个用户界面125适于从系统100的用户接收输入并向系统100的用户提供输出。如本公开中所使用的术语“系统的用户”可以指一个或多个人和/或作为由系统100提供的服务的订户并且使得能够访问系统100的第三方的外部计算系统(诸如计算机网络，未示出)--例如，在与系统100的服务提供商所有者签订合同的情况下，并且与由通过管理员接口120操作的系统100的管理员拥有的访问权相比，通常具有减少的对系统100的访问权。
[0067] 应当认识到，系统100可以以任何已知的方式实现；例如，系统100可以包括单个计算机、或分布式计算机的网络，或者是物理类型(例如，具有实现计算引擎110和储存库115的一个或多个主机器，连接到实现管理员和用户界面120和125的其他机器)或者是虚拟类型(例如，通过在计算机网络中实现一个或多个虚拟机)。
[0068] 系统100适于针对在AoI 107内在UE和移动通信网络105之间(通过其通信站105a之一)发生的每个事件ei检索(和/或接收)事件记录eri。优选地，由系统100从移动通信网络105检索到的每个事件记录eri包括–以非限制性方式–对应事件ei中涉及的UE的标识符(例如，UE标识符可以被选择作为国际移动设备身份-IMEI、国际移动订户身份-IMSI和移动订户ISDN号-MSISDN码之中的一个或多个)、指示对应事件ei发生的时间的时间数据(也表示为时间戳)以及UE地理位置数据，例如基于在对应事件ei发生时UE所位于的小区105b的空间指示。
[0069] 在本发明的一个实施例中，事件记录eri中涉及的UE的UE标识符可以作为加密信息提供，以便确保UE所有者的隐私。无论如何，如果需要出现，那么可以通过实现合适的解密算法来解密加密的信息(即，对应于UE标识符的UE的所有者的身份)，诸如例如在2012年3月6日，National Institute of Standards and Technology FIPS-180-4，“Secure Hash Standard(SHS)”中描述的算法SHA256。
[0070] 系统100可以通过获取在移动通信网络105中生成并使用的数据的记录从移动通信网络105检索(和/或接收)与通用UE相关的事件记录eri。例如，在移动通信网络105是GSM网络的情况下，可以从移动通信网络105检索也被称为呼叫数据记录的计费数据记录(CDR)和/或访问者地点记录(VLR)，并重新用作事件记录eri。CDR是包含特定于在UE和移动通信网络105之间进行的电话呼叫或其他通信事务的单个实例的属性的数据记录(通常用于由通过移动通信网络105操作的移动电话服务提供商的计费目的)。VLR是列出已漫游到移动通信网络105的移动交换中心(MSC，未示出)的管辖范围内的UE的数据库，MSC是移动通信网络105的管理多个通信站105a上的事件的管理元件。移动通信网络105中的每个通信站105a通常与相应的VLR相关联。
[0071] 相反，如果移动通信网络105是LTE网络，那么与通用UE的事件记录eri相关联的数据的记录由包含在移动通信网络105中的移动性管理实体(或MME)生成，MME负责LTE网络(其中没有实现VLR)中的UE跟踪和寻呼过程。
[0072] 应当注意的是，本公开中描述的方法可以通过使用可以从中获得事件记录eri的(例如，由一个或多个WiFi网络提供的)任何数据源来实现，事件记录eri包括个人的单义标识符(诸如，上面提到的UE标识符)、这种个人的位置指示以及在其间已发生这种事件的时刻的时间指示。
[0073] 在操作中，事件记录eri可以由系统100从移动通信网络105连续地检索。可替代地，事件记录eri可以由系统100例如针对预定的时间段(例如，每特定数量的小时，以每天或每周为基础)定期地收集。例如，事件记录eri可以在它们被生成时以一种“推送”模式从移动通信网络105被传递到系统100，或者事件记录eri可以每天在移动通信网络105中被收集，并且然后定期地或根据系统100的请求打包并传递到系统100。
[0074] 从移动通信网络105检索到的事件记录eri存储在储存库115中，其中使得它们对于计算引擎110可用以用于处理。优选地，由相同UE生成的事件记录eri在储存库115中被分组到一起，即，如果它们包括公共的UE标识符，那么事件记录eri被分组到一起并且在下文中被表示为事件记录组ergl(例如，l＝0，...，L，L≥0)。
[0075] 优选地，计算引擎110处理由包含在图1的示例中的计算引擎110中的、存储在系统110的存储器元件110a中的软件程序产品实现的(在下文中描述的)人群估计算法，即使该软件程序产品也可以存储在储存库115中(或者在设置在系统100中的任何其他存储器元件中)。
[0076] 甚至更优选地，事件记录erv根据由系统管理员(通过管理员接口120)提供的(例如存储在储存库115中的)指令，并且可能根据由用户(通过用户界面125)提供的指令，根据(如下面详细讨论的)事件记录eri被处理。最后，计算引擎110通过用户界面125向用户提供对事件记录eri进行的处理的结果，并且可选地将这些处理结果存储在储存库115中。
[0077] 现在转到图2A至图2E，它们是根据本发明的实施例的其中移动通信网络105的小区105b可以被建模的示例性形状。
[0078] 为了本发明的目的，移动通信网络105的每个小区105b可以被建模为具有相应的小区中心B(不一定对应于通信站105a的地理位置)以及相应的小区半径Rc的区域(如图2A所示)，所述区域包围由对应的通信站105a服务的有效服务区域(未示出)(例如，其中每个点由通信站105a传送的无线电信号可到达的区域)。可替代地，小区半径Rc可以对应于包围有效服务区域的大部分的圆周的半径，诸如有效服务区域的85％或更多，诸如例如有效服务区域的90％。
[0079] 应当注意的是，小区105b不限于盘状形状，事实上，小区105b可以具有优选地规则的多边形的形状。在这种情况下，小区中心B对应于多边形的质心(或形心(centroid))，而小区半径Rc对应于连接多边形质心(即，小区中心B)与多边形的顶点(如图2B和图2D中所示)或多边形的一侧的中点(如图2C和图2E中所示)的段。
[0080] 有效服务区域，并且因此小区半径Rc可以借助由移动通信网络105的提供商所使用的众所周知的网络规划软件工具来定义，或者可以基于(全向或定向的，诸如具有120°辐射角的)天线辐射图和简单的辐射模型(诸如，例如在Theodore S.Rappaport，“Wireless Communications”，Prentice Hall，1996年中所描述的辐射模型)来计算。
[0081] 可替代地，可以借助Voronoi棋盘(tessellation)图对移动通信网络105进行建模，其中每个Voronoi小区对应于移动通信网络105的小区105b(由于Voronoi棋盘图在本领域中是众所周知的，因此本文不对它们进一步讨论)。
[0082] 优选地，移动通信网络105的小区105b的列表和数量由管理员通过管理员界面120输入到系统100。
[0083] 在根据本发明的实施例的解决方案中，系统100适于基于通过在AoI 107内的UE和服务该UE的移动通信网络105之间的交互生成的事件ei来识别个体是否参加了在AoI 107内发生的一个或多个公共集会。
[0084] 现在转到图3A至图3E，它们是根据本发明的实施例的待确定的AoI 107可以采取的示例性形状。
[0085] 通常，针对一个或多个公共集会的AoI 107可以被建模为具有AoI中心C和AoI半径Ra的区域。例如，AoI 107可以由以AoI中心C为中心并且具有AoI半径Ra作为圆周半径的圆周界定(如图3A中所示)。
[0086] 应当注意的是，AoI 107可以具有与圆周不同的形状。例如，AoI 107可以具有优选地规则的多边形的形状。在这种情况下，按照与上述小区105b建模类似的方式，AoI中心C对应于多边形的质心(或形心)，而AoI半径Ra对应于连接多边形的质心与多边形的顶点(如图3B和图3D中所示)或者多边形的一侧的中点(如图3C和图3E中所示)的段。
[0087] AoI中心C可以(例如，由用户通过用户界面125或由系统管理员通过管理员界面120)被设置为AoI 107的(地理)中心点(例如，核心地点的地理中心点)、设置为一个或多个公共集会的核心地点的地址、设置为通过地图软件(诸如web地图服务(例如，Google mapsTM，OpenStreetMapTM等)提供的点。
[0088] 如将在下面更详细描述的，AoI半径Ra可以取零或负值以及正值。在AoI半径Ra取零或负值的情况下，AoI 107限于AoI中心C(即，一个或多个公共集会的核心地点)。AoI半径Ra的零值或负值的含义将通过参考下面描述的实施例中的这些零值或负值进一步阐明。
[0089] 下面描述的算法被配置为确定AoI 107的AoI半径Ra的最佳半径值Ro。在本发明的一个实施例中，最佳半径值Ro借助从最小半径值Rmin开始到最大半径值Rmax的迭代步骤来确定(如下文中所述)。优选地，最小半径值Rmin和最大半径值Rmax由系统100的管理员通过管理员界面120设置。
[0090] 在本发明的实施例中，基于关于多个过去的公共集会的经验数据的统计分析，最小半径值Rmin被设置为等于-1500m(Rmin＝-1500m)，而最大半径值Rmax被设置为等于1500m(Rmax＝1500m)。
[0091] 在已经定义了移动通信网络105的小区105b的形状和AoI 107的形状之后，现在将介绍根据本发明的实施例的相关小区的概念，即，被认为至少部分地属于AoI 107的移动通信网络105的小区105b。
[0092] 图4A至图4D是根据本发明的实施例的移动通信网络105相对于AoI 107的小区105b中的相关服务区域或小区405a-d。
[0093] 在本发明的一个实施例中，假定AoI 107具有AoI中心C并且通用小区105b具有小区中心B和小区半径Rc，如果验证了以下不等式，那么通用小区105b可以被认为是AoI 107的相关小区405a-d：
[0094] Dist(C,B)≤|Rc+Ra|， (1)
[0095] 其中Dist(C,B)是AoI中心C和小区中心B之间的地理距离。
[0096] 根据AoI 107的AoI半径Ra的值，不等式(1)可以采取三个不同的含义。
[0097] 即，如果AoI 107的AoI半径Ra大于零(即，Ra>0)，那么不等式(1)简化为：
[0098] Dist(C,B)≤(Rc+Ra) (2)
[0099] 并且如果AoI 107和通用小区105b的区域至少部分地重叠(即使AoI中心C落在通用小区105b之外)，那么通用小区105b被认为是具有大于零的AoI半径Ra的AoI 107的相关小区(诸如图4A中的相关小区405a的情况)。
[0100] 如果AoI 107的AoI半径Ra等于零(即，Ra＝0)，那么不等式(1)简化为：
[0101] Dist(C,B)≤Rc (3)
[0102] 并且如果AoI 107的AoI中心C被包含在通用小区105b中，那么通用小区105b被认为是具有等于零的AoI半径Ra的AoI 107的相关小区(诸如图4B和图4C中的相关小区405b和405c的情况)。
[0103] 最后，如果AoI 107的AoI半径Ra小于零(即，Ra<0)，那么如果AoI 107的AoI中心C被包含在距离小区中心B等于或小于Rc-|Ra|的通用小区105b内，则通用小区105b被认为是具有AoI半径Ra小于零的AoI 107的相关小区(诸如，在图4D中的相关小区405d的情况)。
[0104] 除了被保持在特定地点(即，AoI 107)之外，通用公共集会S具有开始时间Ts和结束时间Te。因此，为了本发明的目的，通用公共集会S具有等于观察时间间隔[Ts，Te]的相关持续时间(即，从开始时间Ts开始并在结束时间Te结束的时间间隔，持续Te-Ts时间单位，例如秒、分钟或小时)。
[0105] 可以定义开始时间Ts和结束时间Te两者，以便对应于为该通用公共集会S计划的正式(正式宣布的)开始和结束时间。但是，申请人已经观察到，通过相对于通用公共集会S的正式开始时间来预期开始时间Ts，可以考虑人们(即，参加通用公共集会S的UE所有者)在通用公共集会S的正式开始时间之前到达AoI 107的事实，这对于收集关于参加者到达通用公共集会S的流动的时间上的趋势的数据可能有用。例如，基于先前的公共集会的经验数据，申请人已经发现将开始时间Ts预期为在通用公共集会S的正式开始时间之前的60分钟可能是有用的，以便考虑参加者到达通用公共集会S的趋势。
[0106] 类似地，申请人已经观察到，结束时间Te可以相对于通用公共集会S的正式结束时间被推迟，以便考虑人们在通用公共集会S的正式结束时间之后离开AoI 107的事实，这对于收集关于参加者离开通用公共集会S的流动的时间上的趋势的数据可能有用。例如，基于先前的公共集会的经验数据，申请人已经发现将结束时间Ts延迟到通用公共集会S的官方结束时间之后30分钟可能是有用的，以便考虑参加者离开通用公共集会S的趋势。
[0107] 无论如何，管理员通过管理员界面120和/或用户通过用户界面125可以为通用公共集会S设置任何定制的开始时间Ts和结束时间Te。例如，开始时间Ts和结束时间Te可以被设置以便定义比通用公共集会S的有效持续时间短(即，比整个公共集会的持续时间短)的观察时间间隔[Ts，Te]，以便分析仅在通用公共集会S的整个持续时间的子部分期间参加通用公共集会S的人群中的人数或人的变化。
[0108] 已经描述了系统100，以及通用公共集会S的时间(即，开始时间Ts和结束时间Te)和空间(即，AoI 107的AoI中心C和AoI半径Ra)特性，现在将通过参考图5A至图5C来描述根据本发明的实施例的参加一个或多个公共集会的人的人群估计算法(或人群计数算法)，图5A至图5C是其示意性框图。
[0109] 令N(其中N是可以由管理员通过管理员界面120和/或由用户通过用户界面125定义的整数)为公共集会Sn的数量，其中n是指示考虑了在要确定参加其中的相应的人群中的人数的相同AoI 107中举行的N个公共集会中的哪一个的集会变量(即，1≤n≤N)。
[0110] 对于每个公共集会Sn，定义在其期间已经举行了公共集会Sn的观察日期gn、开始时间Tsn和结束时间Ten。应当注意的是，开始时间Tsn和结束时间Ten可以在各个公共集会Sn之间不同。
[0111] 此外，对于每个公共集会Sn，考虑在观察日期gn之前的一组先前日期gpn(其中1≤p≤P并且P是整数)。所考虑的先前日期gpn的数量P优选地由管理员(通过管理员界面120)设置。在本发明的实施例中，管理员根据储存库115的存储能力(即，为了能够存储关于P个先前日期gpn的所有数据)和/或基于计算引擎110的计算能力(即，为了能够处理关于P个先前日期gpn的所有数据)设置先前日期gpn的数量P。优选地，管理员还基于过去同一种类(即，文化、娱乐、政治或体育节目)的公共集会的统计分析来设置先前日期gpn的数量P。
[0112] 申请人已经发现，通过将先前日期gpn的数量P设置为等于6(即，P＝6)，为大多数种类的公共集会提供了良好的结果(但是这不应当被解释为对本发明是限制性的)。
[0113] 人群估计算法的第一部分被配置为基于关于所考虑的所有N个公共集会Sn的数据来确定AoI 107的AoI半径Ra的最佳半径值Ro。
[0114] 初始地(步骤502)，AoI中心C、观察日期gn和开始时间Tsn和结束时间Ten例如由用户通过用户界面125或由管理员通过管理员界面120被输入到系统100。
[0115] 之后(步骤504)，迭代变量k被初始化为零(即，k＝0)，检测到的集会变量DSk的数量也被初始化为零(即，DSk＝0)，并且计算出的半径值Rk初始地被设置为最小半径值Rmin(即，Rk＝Rmin)。迭代变量k说明算法的第一部分的迭代次数，检测到的集会变量DSk的数量说明在算法的第一部分的迭代期间检测到的公共集会Sn的数量(如下面所述)，并且计算出的半径值Rk用于确定最佳半径值Ro。
[0116] 接下来(步骤506)，借助如上所述的不等式(1)来识别具有等于计算出的半径值Rk的AoI半径Ra(Ra＝Rk)的AoI 107的相关小区405a-d。
[0117] 之后(步骤508)，日期变量n被初始化为例如单位元素(unity)(n＝1)。
[0118] 从储存库115中检索参考观察日期gn在观察时间间隔[Tsn，Ten]期间和参考在步骤506处确定的相关小区405a-d的所有事件记录eri(步骤510)。
[0119] 随后(步骤512)，将第一UE数量Unk计算为对应于(即，与之相关联的)参考已在先前步骤506被检索到的相关小区405a-d的事件记录eri中的至少一个事件记录eri的UE的数量(第一UE数量Unk取决于相关小区，并且因此，取决于计算出的半径值Rk)。
[0120] 类似地，从储存库115中检索参考先前日期gpn在观察时间间隔[Tsn，Ten]期间并且在步骤506处确定的相关小区405a-d内已发生的所有事件记录eri'(步骤514)。
[0121] 然后(步骤516)，对于先前日期gpn中的每一个，将第二UE数量Upnk计算为对应于参考已在先前步骤506处被检索到的相关小区405a-d的事件记录eri'中的至少一个事件记录eri'的UE的数量(第二UE数量Upnk取决于相关小区，并且因此取决于计算出的半径值Rk)。
[0122] 刚计算出的第二UE数量Upnk被组合(步骤518)，以便确定考虑在P个先前日期gpn的观察时间间隔[Tsn，Ten]期间在相关小区405a-d内的UE数量的平均UE数量μnk(其中)以及UE数量标准偏差σnk(其中 )。
[0123] 平均UE数量μnk和UE数量标准偏差σnk与第一UE数量Unk被组合(步骤520)，以便获得定义为z-分值Znk的(统计)量(其取决于计算出的半径值Rk)：
[0124] Znk＝(Unk–μnk)/σnk, (4)
[0125] 刚计算出的z-分值Znk与z-分值阈值Zth进行比较(步骤522)，并且检查z-分值Znk是否大于z-分值阈值Zth，或者：
[0126] Znk>Zth, (5)
[0127] Z-分值阈值Zth是优选地基于过去相同种类(例如，文化、娱乐、政治或体育集会)的公共集会的统计分析，由管理员通过管理员界面120定义的值。
[0128] 申请人已经发现，将z-分值阈值Zth设置为等于2(即，Zth＝2)为大多数种类的公共集会提供了良好的结果(但是这不应当被解释为对于本发明是限制性的)。
[0129] 在肯定的情况(判定框522的退出分支Y)下，即，z-分值Znk大于z-分值阈值Zth(即，Znk>Zth)，检测到N个公共集会Sn中的一个，并且检测到的集会变量DSk的数量被增加单位元素(步骤524；即，DSk＝DSk+1)，并且操作进行到步骤526(在下文中描述)。
[0130] 在否定的情况(判定框522的退出分支N)下，即，z-分值Znk等于或低于z-分值阈值Zth(即，Znk≤Zth)，集会变量n被增加单位元素(步骤526；即，n＝n+1)。
[0131] 然后(步骤528)，检查集会变量n是否低于或等于公共集会Sn的数量N：
[0132] n≤N, (6)
[0133] 在肯定的情况(判定框528的退出分支Y)下，即，变量n小于或等于总体公共集会Sn的数量N(n≤N)，操作返回到步骤510，以便分析参考在下一个观察日期gn举行的公共集会Sn的事件记录eri。
[0134] 在否定的情况(判定框528的退出分支N)下，即，集会变量n大于总体公共集会Sn的数量N(n>N；即，所有N个公共集会Sn都已被分析)，变量k被增加单位元素(步骤530；即，k＝k+1)，并且计算出的半径值Rk被增加(步骤532)：
[0135] Rk＝Rmin+kΔ， (7)
[0136] 其中Δ是可以由管理员定义的迭代宽度(例如，Δ＝100m)，因此每个计算出的半径值Rk与下一个计算出的半径值分开迭代宽度Δ。应当注意的是，迭代宽度Δ定义迭代变量k的最大迭代值kmax，-并且因此，用于确定最佳半径值Ro的最大迭代次数-为：
[0137] kmax＝(|Rmin|+Rmax)/Δ， (8)
[0138] 应该注意的是，系统管理员可以使用迭代宽度Δ来调整利用其来确定最佳半径值Ro的粒度(即，细度)，即，由管理员设置的迭代宽度Δ越小，由最大迭代值kmax定义的迭代数量越大，并且因此，人群估计算法的粒度越细。
[0139] 在本发明的实施例中，由于最小半径值Rmin被设置为-1500m，因此最大半径值Rmax被设置为1500m，并且迭代宽度Δ被设置为100m，对于迭代变量k的最大迭代值kmax结果等于30，并且因此，用于确定最佳半径值Ro的最大迭代次数被限制为30。
[0140] 之后，检查(步骤534)计算出的半径值Rk是否低于或等于最大半径值Rmax：
[0141] Rk≤Rmax， (9)
[0142] 在肯定的情况(判定框534的退出分支Y)下，即，计算出的半径值Rk低于或等于最大半径值Rmax(即，Rk≤Rmax)，操作返回到步骤506，以便基于(在步骤532)刚被增加另外的第k个迭代宽度Δ的计算出的半径值Rk开始算法的第一部分的新的迭代。
[0143] 在否定的情况(判定框534的退出分支N)下，即，计算出的半径值Rk大于最大半径值Rmax(即，Rk>Rmax)，最佳半径值Ro被计算(步骤536)为由在具有等于相同计算出的半径值Rk的AoI半径Ra的AoI 107内检测到的公共集会Sn的数量DSk(即，检测到的集会变量DSk的数量)加权的计算出的半径值Rk(其中1≤k≤kmax)的平均值，或者：
[0144]
[0145] 迭代人群估计算法的第一部分的步骤506至534，直到计算出的半径值Rk大于最大半径值Rmax(即，Rk>Rmax)为止，并且(在步骤536)计算最佳半径值Ro。
[0146] 随着在步骤536处的最佳半径值Ro的计算，人群估计算法的第一部分结束，并且然后人群估计算法的第二部分(在下面描述的步骤538处)开始。在人群估计算法的第一部分结束时，AoI 107由AoI中心C和由被设置为等于最佳半径值Ro的AoI半径Ra(Ra＝Ro)正确地定义。
[0147] 根据本发明的实施例的人群估计算法的第二部分被配置为确定在所考虑的N个公共集会Sn中的每一个处聚集的人群中的人数。
[0148] 在步骤536处已经计算出最佳半径值Ro之后，定义实际相关小区405a-d的集合(步骤538)。该集合包括当AoI半径Ra被设置为等于最佳半径值Ro时，要对其验证不等式(1)的移动通信网络105的所有小区105b，或者：
[0149] Dist(C,B)≤|Rc+Ro| (11)
[0150] 然后(步骤540)，集会变量n被初始化为单位元素(n＝1)，从储存库115中检索参考观察日期gn在观察时间间隔[Ts，Te]期间并且在步骤538处确定的实际相关小区405a-d内已经发生的新的和所有事件记录eri(步骤542)。
[0151] 随后(步骤544)，构建UE列表uLn。UE列表uLn包括与参考在先前步骤542处已经检索到的相关小区的事件记录eri中的至少一个事件记录eri相关联的每个UE的标识符。
[0152] UE列表uLn提供参加公共集会Sn的人群中的可能的人(即，包含在UE列表uLn中的UE的所有者)的第一估计。因此，在本发明的简化实施例中，人群估计算法可以简单地计算用于N个总体公共集会Sn中的每一个的UE列表uLn，并且通过用户界面125向用户提供N个结果产生的UE列表uLn。
[0153] 一旦UE列表uLn已被建立，UE变量j就被初始化为单位元素(即，j＝1)，并且人数An被初始化为零(即，An＝0)(步骤546)。UE变量j用于扫描包含在UE列表uLn中的所有用户，而人数An说明为了参加公共集会Sn而聚集的人群中的人数(如下所述)。
[0154] 从储存库115中检索参考在先前日期gpn中的每一个中在观察时间间隔[Tsn，Ten]期间记录的UE UEj并且在移动通信网络105的小区105b中的任何一个小区内已发生的所有事件记录eri'(步骤548)。
[0155] 然后(步骤550)，为UE UEj计算连续事件记录eri之间的平均中间到达时间iat。在本发明的一个实施例中，UE UEj的中间到达时间被计算为两个连续事件记录eri的时间数据(即，时间戳)之间的差。优选地，平均中间到达时间iat基于在步骤542处检索到的观察日期gn期间记录的事件记录eri和在步骤548处检索到的P个先前日期gpn来计算。
[0156] 为UE UEj识别参考观察日期gn在观察时间间隔[Tsn，Ten]期间并且在步骤538处确定的有效相关小区405a-d内已发生的第一事件记录erf和最后事件记录erI(步骤552)，并且从其中检索相应的第一观察时间数据tdnf和最后观察时间数据tdnf(步骤554)。
[0157] 第一观察时间数据tdnf、最后观察时间数据tdnI和平均中间到达时间iat被组合(步骤556)，以便确定UE UEj在观察日期gn期间在观察时间间隔[Tsn，Ten]期间在AoI 107内花费的第一时间片段f1：
[0158]
[0159] 随后，为UE UEj识别参考P个先前日期gpn在观察时间间隔[Tsn，Ten]期间并且在步骤538处确定的有效相关小区405a-d内已发生的所有事件记录eri'中的第一事件记录erf’和最后事件记录erf’(步骤558)，并且从其中检索相应的第一先前时间数据tdpnf和最后先前时间数据tdpnI(步骤560)。
[0160] 第一先前时间数据tdpnf、最后先前时间数据tdpnI和平均中间到达时间iat被组合(步骤562)，以便确定UE UEj在P个先前日期gpn期间在AoI 107内花费的第二时间片段f2：
[0161]
[0162] 其中Tgpn是P个先前日期gpn的总持续时间，其可以根据用于人群估计算法中的时间量(诸如，例如，第一先前时间数据tdpnf、最后先前时间数据tdpnI和平均中间到达时间iat)的时间单位(例如，秒、分钟或小时)，例如以秒、分钟或小时来计算。
[0163] 之后(步骤564)，通过组合第一时间片段f1和第二时间片段f2来计算参加公共集会Sn的UE UEj的所有者的人概率pj：
[0164] pj＝f1*(1-f2)， (14)
[0165] 因此，第一时间片段f1和第二时间片段f2可以被认为是概率。即，第一时间片段f1可以被解释为UE UEj的所有者在公共集会Sn期间在AoI 107中的概率，而第二时间片段f2可以被解释为UE UEj的所有者在先前日期gpn期间在AoI 107中的概率。
[0166] 然后通过将人概率pj添加到人数An的实际值来更新人数An(步骤566)，或者：
[0167] An＝An+pj (15)
[0168] 应当注意的是，根据本发明的人数An被计算为参考在UE列表uLn中列出的每个UE UEj的每个相应所有者的人概率pj的总和。
[0169] UE变量j被增加单位元素(步骤568；即，j＝j+1)，并且检查(步骤570)UE变量j是否低于或等于在UE列表uLn中列出的所列出的UE J的总数(其中J是整数)：
[0170] j≤J (16)
[0171] 在肯定的情况(判定框570的退出分支Y)下，即，UE变量j小于或等于列出的用户J的数量J(j≤J)，那么操作返回到步骤548，以便分析参考下一个UE UEj的事件记录eri。
[0172] 在否定的情况(判定框570的退出分支N)下，即，UE变量j大于列出的用户的总数J(j>J)，那么UE列表uLn已被完全扫描。因此，参考在观察日期gn举行的公共集会Sn的人数An被存储(步骤572)在储存库115中，然后集会变量n被增加单位元素(步骤574；即，n＝n+1)，并且(以与先前步骤528处所做的相同的方式)检查(步骤576)集会变量n是否低于或等于公共集会Sn的数量N：
[0173] n≤N， (6)
[0174] 在肯定的情况(决策框576的退出分支Y)下，即，集会变量n小于或等于公共集会Sn的数量N(n≤N)，那么操作返回到步骤542，以便分析在下一个集会日期gn举行的下一个公共集会Sn。
[0175] 在否定的情况(决策框576的退出分支N)下，即，集会变量n大于总体公共集会Sn的数量N(n>N)，那么所有N个公共集会Sn都已被分析，并且因此人群估计算法可以终止。
[0176] 优选地，通过经过用户终端125向用户提供(步骤578)用于检查和/或进一步处理的结果，即，在步骤544处确定的N个人数An和可能的N个UE列表uLn以及用于UE列表uLn中的每个UE的相应的第一和第二时间片段f1和f2，算法终止。
[0177] 迭代人群估计算法的第二部分的步骤542至576，直到所有N个公共集会Sn已被分析为止，并且因此(在步骤578处)人群估计算法终止，其中通过用户终端125向用户供给结果。
[0178] 总之，人群估计算法包括第一部分和第二部分。
[0179] 反过来，人群估计算法的第一部分包括两个嵌套循环。第一个外部循环扫描(步骤506-534)最小半径值Rmin和最大半径值Rmax之间的所有计算出的半径值Rk，而第一个内部循环扫描(步骤510-528)扫描要分析的所有N个公共集会Sn。对于每个计算出的半径值Rk，确定相应的相关小区405a-d和z-分值Znk。基于这种数据(即，相应的相关小区405a-d和z-分值Znk)，计算检测到的集会变量DSk，并且识别最佳半径值Ro。在人群估计算法的第一部分的结束处，定义具有最佳半径值Ro的AoI 107。
[0180] 算法的第二部分也包括两个嵌套循环。第二个外部循环扫描(步骤542-576)在AoI 107内举行的所有N个公共集会Sn，而第二个内部循环扫描(步骤548-570)在观察日期gn在观察时间间隔[Tsn，Ten]期间在至少一个相关小区405a-d(即，AoI 107)中生成的事件记录eri的所有UE UEj。对于每个UE UEj，并且对于N个公共集会Sn中的每一个，确定由UE所有者在公共集会Sn的观察日期gn在观察时间间隔[Tsn，Ten]期间在具有等于最佳半径值Ro的AoI半径Ra的AoI 107内包含的相关小区405a-b中的一个或多个相关小区内花费的时间(即，第一时间片段f1)，以及在P个先前日期gpn期间在相同的AoI 107内花费的另外的时间(即，第二时间片段f2)。基于在AoI 107中花费的这些时间的知识，确定UE UEj的所有者是在参加公共集会Sn的人群中的人的概率，并且基于该概率确定参加公共集会Sn的人群中的人数。
[0181] 根据本发明的实施例的人群估计系统100和人群估计算法允许以可靠的方式对参加一个或多个公共集会Sn的人群中的人数进行后验估计，并且允许(通过确定最佳半径值Ro)正确地识别与一个或多个公共集会Sn中的每一个相关联的AoI 107的有效扩展。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种传输标识符的方法和站点 | 2020-05-08 | 800 |
| 页面转化参数的处理方法及装置 | 2020-05-08 | 154 |
| 发送装置、发送方法、接收装置以及接收方法 | 2020-05-12 | 226 |
| 一种数据的可视化方法及装置 | 2020-05-13 | 248 |
| 一种可高效更新权限的多用户可搜索加密方法和系统 | 2020-05-14 | 755 |
| 基于混合高斯模型的移动对象连续k近邻查询方法及系统 | 2020-05-14 | 499 |
| 一种基于综合字典特性的继电保护定值自适应校核方法 | 2020-05-11 | 757 |
| 嵌入式系统确定性分析方法 | 2020-05-12 | 918 |
| 一种基于Go语言的分布式锁的加锁与释放锁的方法及系统 | 2020-05-13 | 860 |
| 一种云环境中动态的密文多关键词模糊搜索方法 | 2020-05-14 | 986 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈