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。      

基于时空聚类算法的轨迹停驻点识别研究

利用手机等智能移动终端获取个体出行GPS轨迹数据,提出了一种新的时空聚类算法AT-DBSCAN识别轨迹中的停驻点.该方法以固定长度的滑窗搜索核心点,以时空邻近条件定义簇间距离,以簇密度大小规定合并次序.提出了出行次数一致性、出行起止时刻误差、停驻点时长误差、停驻点中心偏移距离4个算法验证指标,弥补了传统查全率、查准率等忽略停驻点时空信息准确性的不足.结果表明,识别的停驻点有98%的位置误差在30m以内,100%的时长误差在5min以内,98%的出行起止时刻误差在5min以内.此外,算法对于室内活动、定位飘移、路径重合程度高等复杂轨迹具有较好的泛化能力.     

基于手机信令数据的游客识别与出行轨迹匹配方法

为统计旅游交通的客运量，分析公路交通运输需求，优化运输组织，合理构建“快进慢游”综合交通旅游网络，研究提出基于手机信令数据的游客识别与出行轨迹匹配方法。通过划定景区边界，设置停留时间阈值，识别手机用户的游客身份；同时，借助地图工具批量计算信令发生位置间的出行路线与行程时间，匹配实际公路网。实例分析结果表明，手机信令数据能呈现手机用户的出行轨迹，且信令数据的位置轨迹与公路线位走向结合密切。在人们越来越依赖地图导航软件规划出行路径的背景下，利用该方法能更准确地识别景区游客并估计游客往来景区的出行路径。     

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.     

基于手机信令的城市机动化方式细分双层模型研究

针对现阶段手机信令数据难以适用城市复杂出行环境，无法有效区分密集路网下机动化出行方式，本文提出一种考虑路径精准拟合与多维时空特征的双层识别模型。在出行路径识别层面，Savitzky-Golay(S-G)滤波能有效平滑信令数据相对实际出行路径的波动，线性插值算法能弥补信令数据时空缺失。在出行方式识别层面，探究了识别路径相似度、出行时间相似度、加速度、小波速度等关键因素，利用K-临近算法识别公交、小汽车。结果表明：本文提出方法能有效细分城市密集路网环境下的公交与小汽车出行，识别准确度分别达到88.29%和82.28%。在不同出行距离、出行时段、拥挤状态、道路等级、道路类型及识别路径相似度等角度，识别效果均优于随机森林等算法。研究支撑了基于信令数据的出行特征精准挖掘，为道路规划建设，公交线网规划等提供重要基础。     

基于手机信令的全社会公路旅客出行量测算方法

为了准确统计全社会公路旅客出行量,针对传统公路客运量统计口径小、覆盖范围不全、无法全面反映公路旅客实际出行情况的问题,基于手机信令数据,通过用户位置识别、旅客出行链整理、旅客出行方式判别、城区范围划分及数据多层扩样,构建了全社会公路旅客出行量测算方法.为了验证所建方法的准确性和合理性,以京津冀地区的手机信令数据为例,对全社会公路旅客出行量进行了测算,同时利用手机用户性别、年龄标签进行自校核,并与官方数据进行对比.结果表明,在跨城市出行统计方面,基于手机信令数据的全社会公路旅客出行量测算方法较传统方法能更加全面、准确地反映全社会公路旅客的实际出行情况.     

基于手机信令数据的城市区域居民出行OD预测模型

为揭示城市区域居民出行规律和OD产生原理，基于手机信令数据探索城市区域居民出行目的地选择机制，考虑人口数量和POI数量两类数据建立一个地点机会选择(POS)模型。利用联通智慧足迹平台获取得到哈尔滨市居民手机信令出行数据，从交通小区和交通中区两个尺度，对哈尔滨市市二环、三环、四环不同范围展开实例研究。结果表明：地点机会选择模型预测结果在吸引能力和出行距离分布中基本符合实际数据规律，从交通小区和中区两个尺度上看，该模型预测精度分别能够达到67%～72%、75%～83%，较机会优先选择模型预测精度分别提高了13%～18%、9%～20%，较辐射模型预测精度分别提高了57%～60%、55%～60%。本文所提出模型的优越性在于模型简单且无待定参数，输入数据较容易获取，具有较高的预测精度，能够为城市交通规划提供理论参考。     

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).     

基于手机信令数据的常规公交站间OD识别

为识别手机用户乘坐常规公交的OD,结合公交车辆GPS轨迹,在考虑常规公交换乘行为的基础上,建立基于手机用户与车辆轨迹相似度的常规公交出行识别模型,以及站间OD概率模型。通过地铁出行识别,融合手机信令数据与IC卡数据,提取包含百万样本的公交与非公交出行数据,以此作为验证集。进一步分析各参数取值、出行距离、公交线路重复系数等因素对公交出行与站间OD识别的效果。结果表明：在验证集中,常规公交出行方式识别精确率可达0.807,召回率0.912,换乘识别精确率可达0.660,召回率0.756,公交线路识别准确率可达75.5%,站间OD 识别准确率可达71.9%,参数取值的不同对识别效果影响较大。此外,出行距离越长、公交线路重复系数越低,公交线路与站间OD识别准确率越高,出行距离6 km以上、平均公交路段重复系数4 以下的识别效果最佳。     

基于k-NN和SCATS交通数据的路段行程时间估计方法

为了改善利用SCATS交通数据估计路段行程时间的效果,通过分析SCATS实际交通数据获取时间间隔不一致的特征,构建了SCATS交通数据虚拟时间序列,将利用因子分析法提取的累计贡献率在85%以上的主因子作为交通模式特征向量的构成要素,用欧氏距离作为当前交通模式特征向量和历史交通模式特征向量相似性的测度指标,以路段行程时间估计误差最小为目标选取当前交通模式的近邻数,对交通模式之间距离的倒数进行归一化处理,确定了相似交通模式的行程时间权重,设计了基于SCATS交通数据的路段行程时间估计方法.实例结果表明:与多元线性回归方法相比,本文方法估计的路段行程时间平均绝对误差、平均绝对百分比误差和均方根误差分别平均减少了9.68 s、8.07%和4.5 s.      

一种基于手机定位数据的出行行程识别方法

提出并实现了一种基于手机定位轨迹数据的出行行程识别方法.通过速度对轨迹点进行划分,将低于一定速度阈值以下的轨迹点合并为候选停留位置,再利用距离阈值和时间阈值对候选停留位置进行合并,从而确定出真正的停留点,继而自动统计出行次数和出行时间.该方法解决了手机定位数据的定位漂移和抖动的问题,行程识别精度高,识别结果可为交通规划工作提供相关数据,并具有比传统交通调查方法更低的成本和更短的数据更新周期.     

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。     

Floating Car Data Based Nonparametric Regression Model for Short-Term Travel Speed Prediction

A K-nearest neighbor (K-NN) based nonparametric regression model was proposed to predict travel speed for Beijing expressway. By using the historical traffic data collected from the detectors in Beijing expressways, a specically designed database was developed via the processes including data filtering, wavelet analysis and clustering. The relativity based weighted Euclidean distance was used as the distance metric to identify the K groups of nearest data series. Then, a K-NN nonparametric regression model was built to predict the average travel speeds up to 6 min into the future. Several randomly selected travel speed data series, collected from the floating car data (FCD) system, were used to validate the model. The results indicate that using the FCD, the model can predict average travel speeds with an accuracy of above 90%, and hence is feasible and effective.     

低频GPS数据和交叉口延误下的行程时间估计

为解决低频GPS数据条件下路段行程时间估计误差较大的问题,分析了车辆在道路交叉口影响区域的延误特征,根据两个相邻GPS点跨越一个或多个交叉口,以及跨越的交叉口影响区域內有无GPS点,划分了4种GPS分布类型,并设计了相应类型的基于交叉口延误计算的路段行程时间插值算法.以北京市八角地区实际GPS数据为例验证了本文算法,结果表明:在平峰和高峰时段,用本文算法计算的路段行程时间的平均绝对相对误差不超过14%;与改进插值法相比,平均估计精度提高了7.9%,在交叉口延误时间较大的路段效果更显著.      

����BRT���ź���ʱ�ĸɵ�ͨ����������

由于城市道路交通行为的复杂性以及高质量交通数据的缺乏,实时估计城市主干道的旅行时间具有一定的难度.基于实时的快速公交（BRT）以及信号配时数据,作了一系列研究,用以估计主干道旅行时间以及交通服务水平（LOS）.本文通过将公交车的排队延误时间、平均信号灯等待时间和自由流旅行时间综合在一起来实现旅行时间的估计.并以Valley Transportation Authority（VTA） BRT和智能驾驶系统作为数据源进行实验.实验结果表明,本文提出的估计主干道性能的方法非常有效.其中根均方误差（RMSE）和根均方百分比误差（RMSPE）分别为49s和9%,LOS估计的精度高达73%.     

基于多源数据融合的干线公交车辆 行程时间预测

为提高城市中心区干线公交车辆行程时间的预测精度,在拟合公交车辆行程时间分布特征的基础上,提出基于多源数据的干线公交行程时间预测模型.对RFID及GPS检测器获取的实际数据进行预处理及分布拟合,其中混合高斯分布函数适用于单路段拟合,对数正态分布适用于多路段的拟合.采用皮尔逊相关性系数对影响行程时间的因素进行相关性分析,其中上游路段前2 个时间窗的平均行程时间的影响最大.分别采用ARIMA、改进的SVM模型对行程时间进行预测,其中改进的SVM模型的平均绝对百分比误差为6.26%,优于ARIMA模型的11.69%,更适用于短距离交叉口间的公交车辆行程时间预测.     

���ڸ����������ij���·�����㷽��

城市道路交通运行状况信息（路况信息）的准确、实时的获取和处理是交通诱导、交通控制等应用的基础。而路况信息一般用路段平均通过时间和平均速度来表示。本文在分别对基于平均速度和基于平均通过时间的算法误差分析的基础上，提出了基于浮动车技术的城市路况计算方法。并利用广州市出租车综合管理系统提供的浮动车数据，结合车牌计时和跟车测试等实验对该方法的有效性进行了验证。实验结果表明本文所提出的方法是有效且实用的。     

基于多源数据融合的干线公交车辆行程时间预测

为提高城市中心区干线公交车辆行程时间的预测精度，在拟合公交车辆行程时间分布特征的基础上，提出基于多源数据的干线公交行程时间预测模型.对RFID及GPS检测器获取的实际数据进行预处理及分布拟合，其中混合高斯分布函数适用于单路段拟合，对数正态分布适用于多路段的拟合.采用皮尔逊相关性系数对影响行程时间的因素进行相关性分析，其中上游路段前2 个时间窗的平均行程时间的影响最大.分别采用ARIMA、改进的SVM模型对行程时间进行预测，其中改进的SVM模型的平均绝对百分比误差为6.26%，优于ARIMA模型的11.69%，更适用于短距离交叉口间的公交车辆行程时间预测.