基于譜聚類建模的外來常住人口識(shí)別研究

徐珊珊 唐大鵬 梁偉明 董會(huì) 孫煒程

南京華蘇科技有限公司

0 引言

隨著經(jīng)濟(jì)體制改革的推進(jìn)，城市中外來常住人口迅速擴(kuò)大，成為了一個(gè)不可忽視的特殊群體。常住人口，作為一種統(tǒng)計(jì)口徑，主要針對(duì)地區(qū)而言，常住人口與戶籍人口的統(tǒng)計(jì)口徑不同，在社會(huì)與政府部門工作中發(fā)揮著不同的作用。在當(dāng)前流動(dòng)人口規(guī)模大、人戶分離現(xiàn)象較為普遍的情況下，常住人口更能準(zhǔn)確地反映一個(gè)地區(qū)的人口規(guī)模與現(xiàn)狀，對(duì)于政府制定相關(guān)政策與服務(wù)措施提供更為有效的信息。所以統(tǒng)計(jì)外來常住人口數(shù)量對(duì)于了解國情國力，制定人口計(jì)劃和經(jīng)濟(jì)、社會(huì)發(fā)展計(jì)劃，進(jìn)行人口科學(xué)研究，都有十分重要的意義。

但人口統(tǒng)計(jì)一直是一項(xiàng)費(fèi)時(shí)費(fèi)力的工作。現(xiàn)有的外來常住人口識(shí)別方法中，主要靠人工來完成，通過發(fā)放問卷的方式或者電話外呼的方式來確認(rèn)，這種方法不但耗費(fèi)人力物力，而且效率低下。部分運(yùn)營商也會(huì)采取口徑的方式進(jìn)行定義，但此種定義規(guī)則缺乏科學(xué)解釋性。如何減少人力物力，采用更高效科學(xué)的手段對(duì)外來常住人口進(jìn)行識(shí)別是一項(xiàng)具有挑戰(zhàn)的工作。本文根據(jù)移動(dòng)手機(jī)用戶駐留數(shù)據(jù)，使用大數(shù)據(jù)手段對(duì)外來常住人口進(jìn)行統(tǒng)計(jì)，從而為政府提供具有科學(xué)解釋性的數(shù)據(jù)支撐，既不用像傳統(tǒng)普查方式那樣費(fèi)時(shí)費(fèi)力，也讓識(shí)別結(jié)果更具科學(xué)性。

移動(dòng)運(yùn)營商所收集的用戶駐留信息可以統(tǒng)計(jì)用戶在本市的駐留天數(shù)、駐留時(shí)長以及ECI切換數(shù)據(jù)。其中常住和非常住用戶在駐留特征上一定不同，因此通過對(duì)駐留信息進(jìn)行處理形成駐留特征變量，則可使用聚類算法對(duì)兩類用戶進(jìn)行區(qū)分。

研究結(jié)果表明，利用機(jī)器學(xué)習(xí)算法可以使用科學(xué)的方法對(duì)外來常住人口進(jìn)行識(shí)別，且識(shí)別準(zhǔn)確率較高。

1 背景

人口是一個(gè)地區(qū)發(fā)展最重要的基礎(chǔ)，人口的多少與質(zhì)量直接關(guān)系到所在地區(qū)的經(jīng)濟(jì)水平、生活質(zhì)量以及未來的發(fā)展?jié)摿?。人口、資源、環(huán)境三者相互影響、相互制約，人口規(guī)模的增減會(huì)直接影響地區(qū)的資源消耗與環(huán)境保護(hù)這兩項(xiàng)指標(biāo)水平的高低。其中常住人口更能準(zhǔn)確地反映一個(gè)地區(qū)的人口規(guī)模與現(xiàn)狀，對(duì)于政府制定相關(guān)政策與服務(wù)措施提供更為有效的信息。

目前大多數(shù)研究都只停留在宏觀的常住人口規(guī)模預(yù)測上，宋漢杰在多模型方法下的地區(qū)常住人口規(guī)模預(yù)測分析一文中，通過運(yùn)用一元線性回歸法、二次指數(shù)平滑法、灰色GM（1，1）模型預(yù)測法，分別對(duì)2013—2020年株洲市的常住人口進(jìn)行了短期預(yù)測。另一項(xiàng)研究也是采用Logistic模型對(duì)青島常住人口進(jìn)行預(yù)測，從而了解青島人口發(fā)展趨勢。從以往這些研究中發(fā)現(xiàn)，對(duì)人口微觀上的研究非常少，并沒有細(xì)分到單個(gè)常住人口的識(shí)別。

當(dāng)用戶缺乏標(biāo)簽時(shí)，對(duì)用戶的劃分則需要用到非監(jiān)督機(jī)器學(xué)習(xí)算法。無監(jiān)督學(xué)習(xí)中最典型的就是聚類算法，聚類可根據(jù)用戶數(shù)據(jù)特征，將有相似特征的數(shù)據(jù)點(diǎn)聚成一組。每一個(gè)組都被稱作一個(gè)集群（簇）。對(duì)象之間的相似性可通過解析方式進(jìn)行定義。存在很多不同的聚類算法，其區(qū)別在于衡量對(duì)象相似性的標(biāo)準(zhǔn)不同：可通過距離、密度、圖論或是統(tǒng)計(jì)分布來衡量。

本文采用無監(jiān)督機(jī)器學(xué)習(xí)算法，挖掘出常住人口與非常住人口的駐留行為特征，對(duì)單個(gè)用戶進(jìn)行識(shí)別，從而便于政府部門進(jìn)行管理。

2 概述

本文中所研究的數(shù)據(jù)來自無錫移動(dòng)通信公司（位于中國江蘇省）。下面，我們?cè)斒隽藷o錫移動(dòng)公司目前的相關(guān)數(shù)據(jù)情況。

2.1 外來人口

在外來人口的定義上，本文根據(jù)運(yùn)營商的要求對(duì)外來人口做出如下定義。根據(jù)手機(jī)號(hào)碼歸屬地和身份證信息共分為以下四種用戶類型，如圖1所示。

（1）本地號(hào)碼本地戶籍的用戶；

（2）本地號(hào)碼外地戶籍本地戶口的用戶；

（3）本地號(hào)碼外地戶籍外地戶口的用戶；

（4）外地號(hào)碼的用戶。

其中第一類和第二類人均不歸類為外來人口，所以常住外來人口識(shí)別只需針對(duì)第三類和第四類用戶進(jìn)行分析。

圖1 全網(wǎng)用戶分類圖

2.2 數(shù)據(jù)集

為了保護(hù)用戶隱私，目前無錫移動(dòng)僅能為我們提供一種類型的數(shù)據(jù)：用戶駐留數(shù)據(jù)。駐留數(shù)據(jù)主要包括用戶在某個(gè)時(shí)刻某一小區(qū)下的駐留時(shí)長。

本文用于實(shí)驗(yàn)的是無錫2月用戶駐留數(shù)據(jù)（包含2/3/4G所有數(shù)據(jù)），按照以上四類用戶共分為四個(gè)數(shù)據(jù)集，包含以下字段：用戶手機(jī)號(hào)，小區(qū)唯一標(biāo)識(shí)碼，秒級(jí)駐留時(shí)長，時(shí)間，以及一些標(biāo)簽變量。其中第一類數(shù)據(jù)集中包含236個(gè)用戶，第二類數(shù)據(jù)集中包含182個(gè)用戶，第三類數(shù)據(jù)集中包含178個(gè)用戶，第四類數(shù)據(jù)集中包含199個(gè)用戶，共795個(gè)用戶。本文用于建模的主要為第三類和第四類用戶。

3 建模與算法

本文的目的是區(qū)分外來流動(dòng)人口和外來常住人口。但數(shù)據(jù)中缺乏標(biāo)簽，因此選擇無監(jiān)督學(xué)習(xí)中的聚類算法完成兩類人口的區(qū)分，主要分為以下幾個(gè)步驟：

（1）數(shù)據(jù)預(yù)處理。即將數(shù)據(jù)中的異常值和缺失值從數(shù)據(jù)集中剔除；

（2）變量轉(zhuǎn)換。即對(duì)駐留數(shù)據(jù)進(jìn)行變形轉(zhuǎn)換，運(yùn)用統(tǒng)計(jì)手段處理產(chǎn)生新的可用變量；

（3）變量篩選。目的為避免某些相關(guān)性較強(qiáng)的變量影響最終的聚類結(jié)果；

（4）數(shù)據(jù)標(biāo)準(zhǔn)化。目的是為消除各變量由于量綱不同所產(chǎn)生的影響；

（5）聚類模型相關(guān)機(jī)器學(xué)習(xí)算法。

3.1 數(shù)據(jù)預(yù)處理

前面已經(jīng)提到，本文將使用到用戶駐留數(shù)據(jù)，所以在建模前需要對(duì)數(shù)據(jù)中的缺失值和異常值進(jìn)行處理。通過對(duì)數(shù)據(jù)進(jìn)行觀察發(fā)現(xiàn)，有些數(shù)據(jù)中的用戶標(biāo)識(shí)碼和小區(qū)標(biāo)識(shí)碼存在缺失，對(duì)于此類數(shù)據(jù)，我們選擇行刪除的方式進(jìn)行處理。有些用戶的駐留時(shí)長也會(huì)存在異常值，理論上駐留時(shí)長應(yīng)該在0-3600s之間，對(duì)于大于3600s和小于0s的數(shù)據(jù)需要?jiǎng)h除。

3.2 變量轉(zhuǎn)換

為了保護(hù)客戶隱私，運(yùn)營商只能提供用戶駐留數(shù)據(jù)。未經(jīng)處理的駐留數(shù)據(jù)無法用于用戶聚類分析，因此要對(duì)駐留數(shù)據(jù)進(jìn)行轉(zhuǎn)換，運(yùn)用統(tǒng)計(jì)手段處理產(chǎn)生新的可用變量。根據(jù)用戶駐留數(shù)據(jù)進(jìn)行如下統(tǒng)計(jì)分析，形成以下15個(gè)新變量∶

（1）統(tǒng)計(jì)各用戶一個(gè)月中駐留的天數(shù)總和

（2）統(tǒng)計(jì)各用戶一個(gè)月中駐留的小時(shí)數(shù)總和

（3）統(tǒng)計(jì)各用戶一個(gè)月中駐留的秒數(shù)總和

（4）統(tǒng)計(jì)各用戶工作日eci類別總數(shù)（只統(tǒng)計(jì)駐留超過10min 的 eci）

（5）統(tǒng)計(jì)各用戶休息日eci類別總數(shù)（只統(tǒng)計(jì)駐留超過10min 的 eci）

（6）統(tǒng)計(jì)各用戶工作日eci總和

（7）統(tǒng)計(jì)各用戶休息日eci總和

（8）統(tǒng)計(jì)各用戶工作日駐留的天數(shù)總和

（9）統(tǒng)計(jì)各用戶休息日駐留的天數(shù)總和

（10）統(tǒng)計(jì)各用戶工作日駐留的小時(shí)數(shù)總和

（11）統(tǒng)計(jì)各用戶休息日駐留的小時(shí)數(shù)總和

（12）統(tǒng)計(jì)各用戶工作日駐留秒數(shù)總和

（13）統(tǒng)計(jì)各用戶休息日駐留秒數(shù)總和

（14）統(tǒng)計(jì)各用戶平均每天駐留時(shí)長（按小時(shí)統(tǒng)計(jì)）

（15）統(tǒng)計(jì)各用戶平均每天駐留時(shí)長（按秒統(tǒng)計(jì)）

3.3 變量篩選

在進(jìn)行聚類分析時(shí)，若各變量間存在強(qiáng)相關(guān)性，則會(huì)導(dǎo)致相關(guān)變量權(quán)重增大，影響最終聚類結(jié)果。因此在做聚類分析之前，需要通過相關(guān)性檢驗(yàn)對(duì)變量進(jìn)行篩選。

Pearson相關(guān)系數(shù)又叫做Pearson積矩相關(guān)系數(shù)，是一種統(tǒng)計(jì)學(xué)參數(shù)，一般用來定量的衡量變量之間的相關(guān)關(guān)系，其計(jì)算公式如公式（1）所示：

上式中，變量X是所有點(diǎn)的x坐標(biāo)的集合,變量Y是所有點(diǎn)的y坐標(biāo)的集合，N表示點(diǎn)的總個(gè)數(shù)。Pearson相關(guān)系數(shù)的絕對(duì)值越大，反映變量之間的相關(guān)性越強(qiáng)。當(dāng)相關(guān)系數(shù)越接近于1或-1，表示相關(guān)度越強(qiáng)；當(dāng)相關(guān)系數(shù)越接近于0，表示相關(guān)度越弱。當(dāng)相關(guān)系數(shù)大于0時(shí)，表示為正相關(guān)；當(dāng)相關(guān)系數(shù)小于0時(shí)，表示為負(fù)相關(guān)。通常情況下可以通過相關(guān)系數(shù)的絕對(duì)值取值范圍判斷變量的相關(guān)強(qiáng)度，相關(guān)系數(shù)和相關(guān)強(qiáng)度的關(guān)系如表1所示。

表1 相關(guān)系數(shù)和相關(guān)強(qiáng)度關(guān)系表

圖2為各變量之間的相關(guān)性可視化圖，通過圖形可以更直觀的看出各變量之間的相關(guān)性，根據(jù)相關(guān)系數(shù)和相關(guān)強(qiáng)度關(guān)系表可以刪除具有強(qiáng)相關(guān)的變量。

圖2 變量相關(guān)性可視化圖

3.4 數(shù)據(jù)標(biāo)準(zhǔn)化

由于轉(zhuǎn)換的新變量在量綱上不同，因此進(jìn)行聚類之前要先對(duì)變量進(jìn)行無量綱化的處理，本文采用了min-max標(biāo)準(zhǔn)化，即對(duì)原始數(shù)據(jù)進(jìn)行線性變換，使結(jié)果映射到[0,1]之間，公式為：

其中max為樣本數(shù)據(jù)的最大值，min為樣本數(shù)據(jù)的最小值。

3.5 聚類模型相關(guān)機(jī)器學(xué)習(xí)算法

完成變量篩選及無量綱化處理后，則可對(duì)用戶進(jìn)行聚類分析。聚類就是按照事物的某些特征，把事物分成若干類或簇，使得在同一個(gè)類內(nèi)的對(duì)象之間最大程度相似，而不同類之間的對(duì)象最大程度不同。聚類作為無監(jiān)督學(xué)習(xí)方法，廣泛地應(yīng)用在了各個(gè)領(lǐng)域，本文嘗試了以下四種聚類算法：

（1）均值聚類

首先從n個(gè)數(shù)據(jù)對(duì)象任意選擇k個(gè)對(duì)象作為初始聚類中心；而對(duì)于所剩下的其他對(duì)象，則根據(jù)他們與這些聚類中心的相似度（距離），分別將他們分配給與其最相似的聚類；然后再計(jì)算每個(gè)所獲新聚類的聚類中心（該聚類中所有對(duì)象的均值）；不斷重復(fù)這一過程直到標(biāo)準(zhǔn)測度函數(shù)開始收斂為止。一般都采用均方差作為標(biāo)準(zhǔn)測度函數(shù)。K個(gè)聚類具有以下特點(diǎn)：各聚類本身盡可能的緊湊，而各聚類之間盡可能的分開。

（2）Ward層次聚類

Ward層次聚類方法具體的可以分為兩大類，第一，分裂型層次聚類方法，即在聚類開始時(shí)假定所有數(shù)據(jù)點(diǎn)都屬于同一個(gè)類，在迭代的過程中，利用相應(yīng)的準(zhǔn)則一個(gè)類被一直的分解，使之成為更小類，直到滿足預(yù)定的條件時(shí)，分裂的過程停止。第二，合并型層次聚類方法，相反的，設(shè)每個(gè)樣本點(diǎn)都是一個(gè)獨(dú)立的類，之后把相似度高的類逐漸合并，當(dāng)滿足算法的終止條件時(shí)，停止迭代。

（3）DBSCAN算法

是一種基于高密度聯(lián)通區(qū)域的聚類算法，它將類簇定義為高密度聯(lián)通區(qū)域的聚類算法，它將類簇定義為高密度相連點(diǎn)的最大集合。它本身對(duì)噪聲不敏感，并且能發(fā)現(xiàn)任意形狀的類簇。DBSCAN算法需要輸入兩個(gè)參數(shù)：一個(gè)參數(shù)是半徑（Eps），表示以給定點(diǎn)p為中心的圓形領(lǐng)域的范圍；另一個(gè)參數(shù)是以點(diǎn)p為中心的領(lǐng)域內(nèi)最少點(diǎn)的數(shù)量（min_sample）。如果滿足：以點(diǎn)p為中心，半徑為Eps的鄰域內(nèi)的點(diǎn)的個(gè)數(shù)不少于min_sample，則稱點(diǎn)p為核心點(diǎn)。

（4）譜聚類

譜聚類原理上是一種基于圖論的聚類方法。將樣本看成頂點(diǎn)，樣本的相似度看作帶權(quán)邊。這樣，把樣本集劃分成K個(gè)簇的過程就等同于一個(gè)圖的分割問題。要求組間相似度低，組內(nèi)相似度高。如圖3所示，譜聚類能對(duì)任意形狀的樣本空間聚類，并能獲得全局最優(yōu)解，其基本思想是通過對(duì)樣本數(shù)據(jù)的拉普拉斯矩陣進(jìn)行特征分解而得到的特征向量進(jìn)行聚類。假定將每個(gè)數(shù)據(jù)樣本看作圖中的頂點(diǎn)V，且樣本中的數(shù)據(jù)對(duì)之間都有一定的相似性，由樣本間的相似度，將頂點(diǎn)間的邊E賦權(quán)重值W，得到一個(gè)無向加權(quán)圖G = （V，E），V = {v1，v2，…，vn}表示點(diǎn)集。圖G中，可將聚類問題轉(zhuǎn)化為在圖G上的圖劃分問題。圖論中的劃分準(zhǔn)則一般有Minimum Cut、Normalized Cut、Ratio Cut、Average Cut、Min-max Cut、MN Cut等，劃分準(zhǔn)則的好壞對(duì)聚類結(jié)果的優(yōu)劣產(chǎn)生很大影響。

圖3 譜聚類無向圖劃分圖

4 結(jié)果分析

本節(jié)主要從下幾個(gè)部分展示模型的結(jié)果：

（1）列出兩到三個(gè)選擇的特征變量

（2）展示聚類中的最優(yōu)聚類個(gè)數(shù)

（3）列出兩種聚類效果的比較結(jié)果

（4）展示模型最終聚類效果

（5）對(duì)比口徑法和聚類法結(jié)果

4.1 特征標(biāo)量的選擇

通過相關(guān)性檢驗(yàn)對(duì)變量進(jìn)行篩選后，結(jié)合最終聚類效果共保留了十一個(gè)變量。其中用戶一個(gè)月中駐留的天數(shù)總和是最重要的特征之一。從經(jīng)驗(yàn)判斷，一般常住人口一個(gè)月中駐留的天數(shù)一般較長。

用戶平均每天駐留時(shí)長也是另一個(gè)重要的特征向量。一般常住人口不僅在一個(gè)月中駐留的天數(shù)較長，且每天的駐留時(shí)間也會(huì)比較長。通過這個(gè)變量可以排除一些每天路過無錫的過路人。

4.2 最優(yōu)聚類個(gè)數(shù)的確定

在進(jìn)行聚類分析前，首先要確定最優(yōu)聚類個(gè)數(shù)。本文結(jié)合輪廓系數(shù)和業(yè)務(wù)背景對(duì)K值進(jìn)行了選擇。其中輪廓系數(shù)法結(jié)合了凝聚度和分離度，可以以此來判斷聚類的優(yōu)良性，其值在-1到+1之間取值，值越大表示聚類效果越好。于是我們可以計(jì)算在每個(gè)簇?cái)?shù)條件下的輪廓系數(shù)，當(dāng)輪廓系數(shù)取最大時(shí)，其相應(yīng)的簇個(gè)數(shù)是最好的。如圖4所示，輪廓系數(shù)方法建議最優(yōu)簇?cái)?shù)為K＝2。結(jié)合實(shí)際情況考慮，需要人群區(qū)分為非常住和常住，也是兩類的情況。因此在最終的聚類算法中，將K值設(shè)為2。

4.3 多種聚類效果的比較

本文嘗試了k-means、層次聚類、DBSCAN、譜聚類共四種聚類算法。以上四種算法在數(shù)據(jù)集的聚類效果上差別較大。以下圖形展示了在第三類數(shù)據(jù)集上各算法的聚類效果比較，各聚類算法在第四類數(shù)據(jù)集上的表現(xiàn)與第三類數(shù)據(jù)集類似。

下圖中的橫坐標(biāo)表示用戶一個(gè)月中的駐留天數(shù)總和，縱坐標(biāo)表示用戶平均每天駐留時(shí)長。一般常住人口在行為特征上表現(xiàn)為一個(gè)月中駐留天數(shù)長且每天駐留時(shí)間也較久。從各聚類結(jié)果中可以看出，只有譜聚類能夠很好地挖掘出此類行為特征。

圖4 輪廓系數(shù)圖

圖5 聚類結(jié)果二維分布圖

4.4 最終聚類效果

衡量各種聚類效果，本文最終選擇譜聚類作為最終聚類算法。譜聚類不對(duì)樣本空間的整體結(jié)構(gòu)做任何假設(shè)，能夠識(shí)別樣本點(diǎn)在空間上的非凸分布。因此，譜聚類方法適用于具有任何分布形狀的樣本空間，從而求解到全局最優(yōu)解。同時(shí)，譜聚類算法在實(shí)現(xiàn)上僅涉及標(biāo)準(zhǔn)的線性代數(shù)方法，易于實(shí)現(xiàn)。而傳統(tǒng)的k-means聚類中，當(dāng)樣本維數(shù)增大時(shí)，k-means計(jì)算會(huì)很困難。因?yàn)樵趉-means中，輸入計(jì)算的是歐式空間中的原始向量。而且k-means求得的是一種局部最優(yōu)策略，SSE不一定是最小的。

圖6、圖7分別為第三類和第四類用戶樣本數(shù)據(jù)集的最終聚類效果圖，從圖中可以看出聚類效果較好地區(qū)分了外來常住與非常住人群。外來常住人口在特征上基本表現(xiàn)為一個(gè)月中駐留天數(shù)長且每天駐留時(shí)間也較久，而非常住人口基本表現(xiàn)為駐留天數(shù)短。將聚類標(biāo)簽與運(yùn)營商口徑法的結(jié)果進(jìn)行對(duì)比，用戶標(biāo)簽完全相同的平均占比高達(dá)92%以上。

圖6 第三類用戶聚類效果圖

圖7 第四類用戶聚類效果圖

4.5 口徑法和聚類法結(jié)果對(duì)比

表2、3分別為本地號(hào)碼外地戶籍外地戶口和外地號(hào)碼的結(jié)果對(duì)比。無錫移動(dòng)通過口徑法對(duì)外來常住人口進(jìn)行了判斷，認(rèn)為除本地用戶外，當(dāng)月每天晚9點(diǎn)至第二天8點(diǎn)時(shí)間內(nèi)駐留超過5小時(shí)并且駐留7天以上的人即為外來常住人口。通過對(duì)比口徑法的結(jié)果，本地號(hào)碼外地戶籍外地戶口這類用戶中，聚類法得到的結(jié)果與口徑法結(jié)果完全一致的用戶有163個(gè)，占總用戶數(shù)的91.57%；在外地號(hào)碼這類用戶中，聚類法得到的結(jié)果與口徑法結(jié)果完全一致的用戶有186個(gè)，占總用戶數(shù)的93.47%。

在本地號(hào)碼外地戶籍外地戶口這類用戶中，口徑法判斷為常住，而聚類法判斷為非常住的用戶有兩個(gè)，從駐留原始數(shù)據(jù)中可以看出，這兩個(gè)用戶2月在無錫分別只駐留了5天和6天，且為連續(xù)駐留，理論上不應(yīng)認(rèn)為是常住人口。而口徑法判斷為非常住，聚類法判斷為常住的用戶有13個(gè)，這13個(gè)用戶2月在無錫最少駐留12天，且每日駐留時(shí)間較長，理論上應(yīng)判斷為常住。外地號(hào)碼這類用戶中的情況也是如此。

表2 本地號(hào)碼外地戶籍外地戶口結(jié)果對(duì)比表

表3 外地號(hào)碼結(jié)果對(duì)比表

5 總結(jié)

本文通過對(duì)用戶駐留數(shù)據(jù)進(jìn)行轉(zhuǎn)換處理，形成用戶駐留行為特征變量，并采用多種聚類算法對(duì)外來常住人口進(jìn)行識(shí)別。最后選取了計(jì)算速度快且能產(chǎn)生全局最優(yōu)解的譜聚類算法進(jìn)行建模預(yù)測。預(yù)測結(jié)果表明預(yù)測精度較高，與口徑法判斷結(jié)果基本一致，且能識(shí)別出口徑法中無法判斷的異常事件。此模型不僅可以為政府部門節(jié)省人力物力資源，也能有力支撐運(yùn)營商在外來常住人口市場營銷服務(wù)工作的開展，為市場部門提供精細(xì)化營銷所必須的分析支撐服務(wù)。