多源数据融合驱动的居民出行特征分析方法

结合传统抽样调查数据和交通大数据，研究多源数据融合驱动的居民出行特征分析方法.根据传统入户抽样调查居民的年龄结构、职业、车辆拥有、人口，以及手机信令数据分析出行频次分布等因素进行综合分析，获取居民初步出行特征；基于手机信令、IC、AFC、GPS 等大数据，通过出行时间分布、OD分布和出行方式结构对居民的出行特征进行综合矫正分析；最后，以广州市为例进行实证分析.对比研究传统抽样调查和多元数据融合分析方法可知，传统抽样调查居民出行漏报率为30%，每天出行2次的比例相差39.5%，全方式非通勤出行比例、晚高峰公交和地铁出行比例分别相差7.4%、8.1%和12.6%.结果表明，多源数据融合驱动的居民出行特征分析方法，在总量上有效挖掘居民出行的沉默需求，在时空分布上起到了“削峰填谷”的作用，是一种研究居民出行特征的有效方法.     

基于手机信令定位数据的居民出行时空 分布特征提取方法

为了得到可靠的居民出行时空分布特征,并为城市交通规划提供准确的出行现状数据,基 于手机信令定位数据设计了提取居民出行时空分布特征的方法。通过对重复冗余的手机数据进行 处理、运用地理信息系统将手机数据映射至所研究的交通区域、划分交通小区、定义出行识别、 建立OD矩阵及绘制出行期望线等出行数据挖掘,得到了居民的出行时空分布特征。为了验证设 计方法的可行性,以北京市的手机信令定位数据为例,提取出北京市居民的出行时空分布特征, 并将所得的结果与北京市第4 次综合交通调查的数据进行对比得出：两者的出行时间分布特征平 均偏差为0.78%,早晚高峰进出城方向比例的偏差为0.1,全市的出行发生量与吸引量的平均偏差 均小于3%。     

融合手机信令数据的轨道交通出行分担率模型研究

交通行为模型广泛应用于城市出行需求分析等领域。传统行为模型的参数设置通常依赖经验判断，模型预测精度缺乏大样本验证手段。本文以重庆市解放碑-观音桥组团通道出行行为为研究对象，融合手机信令数据、AFC数据和问卷调查数据，构建随机参数分别为正态分布、均匀分布和 γ 分布的混合Logit模型，将手机信令数据与AFC数据分析结果作为分担率标杆数据进行模型精度对比，其识别的组团间全天轨道出行分担率为37.13%，当混合Logit随机参数为正态分布时，模型预测的分担率为39.5%，预测精度最高。研究表明，利用手机信令数据等多源数据分析校验传统行为模型精度，定量分析并优选最佳的参数分布形式具有实际意义，能够对提高传统行为模型的预测精度提供借鉴。     

基于手机信令数据的城市通勤出行特征研究

通勤交通出行特征是研究城市交通规划的重要数据基础,如何有效提取通勤出行特征成为研究城市居民通勤出行的关键。文章通过分析手机信令数据特性和通勤出行特征,利用手机信令数据挖掘的相关技术,建立通勤出行特征提取模型并进行实例研究,与传统的居民出行调查分析进行对比,验证利用手机信令数据进行通勤出行特征研究的可行性。     

基于狄利克雷过程混合模型的城市活动聚类方法研究

手机信令数据不仅记录个体出行轨迹，也为分析城市活动空间分布特征提供了基础.本文提出一种基于狄利克雷混合模型的城市活动特征聚类方法，以手机信令提取居民出行OD为基础，将每个基站的到发出行量作为表征该基站所处空间位置的活动特征，研究特征的聚类方法.引入狄利克雷分布作为先验分布，由中餐馆模型推定特征聚类数量.与其他聚类方法相比，该方法最大的优点在于无需事先指定聚类数量，避免了传统聚类方法的缺陷.将本文方法应用到三亚市城市活动特征聚类当中，结果能够有效地反应不同城市功能组团的活动特征.     

基于手机信令的交通出行特征分析——以日照市为例

利用手机信令数据了解人口规模、职住分布、出行特征等指标,有助于城市空间规划与设施布局等的应用研究。原始手机信令数据需要经过一系列算法处理,才能提炼、分析相应指标。首先对手机信令数据的处理流程进行梳理,再介绍数据处理的关键算法及其参数确定方法,最后结合应用实践,对案例城市的人口岗位分布、居民出行特征及通勤特征开展分析,相关流程及方法可为类似项目提供参考。     

基于狄利克雷过程混合模型的城市活动聚类方法研究

手机信令数据不仅记录个体出行轨迹，也为分析城市活动空间分布特征提供了基础.本文提出一种基于狄利克雷混合模型的城市活动特征聚类方法，以手机信令提取居民出行OD为基础，将每个基站的到发出行量作为表征该基站所处空间位置的活动特征，研究特征的聚类方法.引入狄利克雷分布作为先验分布，由中餐馆模型推定特征聚类数量.与其他聚类方法相比，该方法最大的优点在于无需事先指定聚类数量，避免了传统聚类方法的缺陷.将本文方法应用到三亚市城市活动特征聚类当中，结果能够有效地反应不同城市功能组团的活动特征.     

手机数据在交通调查和交通规划中的应用

手机作为一种理想的交通探测器,为居民出行信息分析提供了很好的技术选择。将手机数据映射至交通分析单元,并经信息预处理、匹配分析、交通模型分析处理、数据去噪、扩样等一系列海量数据运算处理,最终可获得居民出行特征数据。利用长期历史手机话单数据,可分析常住人口和就业人口分布、通勤出行特征、大区间OD、特定区域出行特征、流动人口出行特征等。手机信令数据能够较完整地识别手机用户的出行轨迹,可进一步应用于分析城市人口时空动态分布、特定区域客流集散、查核线断面或关键通道客流、轨道交通客流特征、出行时耗、出行距离、出行强度、道路交通状态等。根据天津手机话单数据应用案例及上海手机信令数据应用案例,验证了技术可行性。     

基于手机信令数据的人员出行特征跟踪调查

利用海量的手机信令数据开展人员出行特征调查是大数据技术在交通领域的一项重要应用。通过对长时间的手机信令数据进行跟踪,研究手机用户活动轨迹的识别方法,分析手机用户有规律的空间分布和出行特征,以上海临空经济园区和徐家汇地区为例,介绍在特定区域内基于手机信令数据调查人员出行特征的技术方法和主要成果。     

基于多源数据的公交客运廊道识别方法

针对现有廊道识别方法存在的不足,提出一种融合多源数据精确识别公交客运廊道的方法,对城市既有公交客运走廊起讫点进行准确识别。首先,通过手机信令数据刻画居民的全方式出行规律,从公交IC和GPS数据中提取居民的现状公交出行链;其次,构建公交客运廊道判别模型,利用需求客流因子和供给客流因子对城市公交客运走廊的客流集聚效应进行量化分析;最后,以融合了多源数据的总客流因子为判断标准,锁定公交客运廊道的最佳起讫点。研究表明:采用多源数据可以实现对乘客出行特征的精准描述,以此得出的廊道判别结果较常规判断方法更贴近乘客实际出行需求,可为城市客运走廊战略规划提供理论支持。     

城市综合体对社区居民出行行为影响研究

城市综合体作为一种高度复合的新型开发模式,通过改变社区建成环境,对居民日常活动产生了潜移默化的影响.本文从交通规划者视角,对城市综合体产生的社区居民出行行为影响进行了研究.基于问卷调查数据,通过倾向得分匹配预处理,弱化个人信息对于出行特征分析的干扰,以有城市综合体的社区居民自陈述的出行变化作拟纵向分析,初步把握城市综合体对社区居民出行特征产生的影响趋势.而后对有无城市综合体两类社区居民的出行数据进行对比分析.结果显示,城市综合体开发模式可有效促进居民产生更多的短距离慢行出行替代机动化长距离出行以满足弹性需求.本研究可为城市综合体区别于传统单一用地开发模式的交通系统配置提供方向指导.     

城市综合体对社区居民出行行为影响研究

城市综合体作为一种高度复合的新型开发模式，通过改变社区建成环境，对居民日常活动产生了潜移默化的影响.本文从交通规划者视角，对城市综合体产生的社区居民出行行为影响进行了研究.基于问卷调查数据，通过倾向得分匹配预处理，弱化个人信息对于出行特征分析的干扰，以有城市综合体的社区居民自陈述的出行变化作拟纵向分析，初步把握城市综合体对社区居民出行特征产生的影响趋势.而后对有无城市综合体两类社区居民的出行数据进行对比分析.结果显示，城市综合体开发模式可有效促进居民产生更多的短距离慢行出行替代机动化长距离出行以满足弹性需求.本研究可为城市综合体区别于传统单一用地开发模式的交通系统配置提供方向指导.     

基于手机话单数据的通勤出行特征分析 ——以深圳市为例

通过手机话单数据提取用户的出行特征具有可行性.然而,手机话单数据的稀疏性对提取居民出行时间特征造成困难.通过对深圳市手机话单数据的挖掘分析识别居民职住地,得到居民特征通勤序列,进而基于早、晚不同情况对居民通勤特征进行描述和分析.对比分析显示,通过手机话单数据得到的居民通勤距离和时间特征与居民出行调查结果较为一致,说明该方法可用以描述居民通勤特征.研究表明,深圳市居民通勤开始时间受通勤距离影响不大,大于10 km的中长距离通勤出行对应的平均通勤时间维持在一个比较稳定的值(45~50 min).     

上海市第五次综合交通调查新技术方法实践

如何使人工调查与数据挖掘相结合,是高效经济地进行综合交通调查的关键.上海市第五次综合交通调查在调查方案设计、项目设置上更加注重项目的全面性和关键性、数据的多元性以及内容的针对性,数据采集手段上首次采用个人手持终端,并利用公共导航地图云技术进行地址精确定位.在抽样和扩样技术方面,主要提出居民出行调查的抽样和扩样方法.在信息数据挖掘方面,分析了遥感用地、手机信令、车牌识别和车载GPS数据的挖掘技术和方法.最后阐述了综合校核的主要思路和小客车特征数据的校核方法.     

基于手机传感器数据的交通出行调查实证评估

应用手机传感器与调查问卷, 同步采集了校园内高校学生2周的真实出行轨迹; 考虑了真实出行环境下的手机传感器数据特征, 结合高斯滤波预处理数据, 根据轨迹点的时空聚类特性, 用时空聚类算法识别了出行端点和出行时间, 结合轨迹点速度、加速度特征, 利用支持向量机识别了出行方式; 将手机传感器数据与调查问卷、查核线数据对比, 分析了手机传感器数据出行特征识别的准确程度, 验证了出行特征的提取效果。分析结果表明: 手机传感器与问卷调查识别出行链的成功匹配比例为81.66%, 说明手机传感器数据可有效记录出行轨迹; 时空聚类算法参数中核心点空间半径为26.92 m, 最小样本点为129, 时间约束为129 s时, 出行端点识别准确率为93.02%, 出行时间识别准确率为90.84%, 说明手机传感器识别出行端点和出行时间的效果较好; 当支持向量机设置类型为经典支持向量机, 核函数为径向基函数, 惩罚系数为0.797, 核参数为2.260时, 出行方式识别准确率为89.86%, 即利用手机传感器能够有效识别出行方式。可见, 手机传感器数据识别结果合理, 能为手机传感器数据应用于实际出行调查做支撑。