手机APP出行调查系统开发及其模型应用研究

出行调查是出行需求预测模型的重要的数据来源,而国内外近几年使用的调查方法费时费力、数据量不大且很多处于理论阶段无法应用到实际中.为了解决当前调查方法中存在的问题,设计了一套基于手机APP的出行调查系统,同时还探讨了将收集到的出行数据运用到交通规划模型中的问题.该系统在注册填写个人信息以及收集轨迹数据的基础上,利用当前定位技术无法准确获知居民室内位置的特点,以达到收集居民出行数据的目的.具体方法是计算一定时间内轨迹数据的定位精度和速度来判断该段时间居民是否停留,然后将识别出的停留点根据距离进行合并,居民出行结束后在合并后的停留点位置填写相应的出行信息.从在上海青浦区的居民调查中可知,此系统使用的停留点识别方法其识别精度达到96%,因此利用该方法能够客观地收集居民出行过程中活动的空间位置和时间信息,对提升出行预测模型的精度具有重要意义.      

基于大规模定位数据的出行方式模糊判别研究

交通需求信息对于从战略上解决交通拥堵问题是非常重要的。从无线通信网络和GPS系统中可以获得大规模的定位数据。从定位数据中可以挖掘出完整的出行轨迹信息和有价值的出行需求特征信息。文中提出了以各种出行方式的先验知识为依据的出行方式模糊判别方法。该方法以从出行轨迹信息中提取的出行属性数据为输入,采用模糊推理机制实现机动车、自行车、步行等3种出行方式的良好区分。该方法可为交通规划工作提供出行方式划分方面的数据,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。     

基于手机信息的居民出行调查

居民出行数据是交通规划中最重要的基础资料之一,但在传统居民出行调查中该数据的获取耗时长、成本高、自动化程度低,完全不能满足现行中国蓬勃的城市建设、规划的需要。该文提出了“person as sensor”的概念,也就是把居民日常使用的通讯工具——手机作为检测器,利用手机在居民使用过程中产生的大量位置和时间信息进行居民用户调查。该方法对现有的无线网络和手机都不需要进行任何修改,并且一旦实施将能够获取居民出行的实时数据。     

数据挖掘在居民出行调查数据分析中的应用

针对居民出行调查数据背后信息挖掘的需求,介绍了居民出行调查数据挖掘的理论及方法,概述了居民出行调查数据挖掘的常规流程,选择Apriori模型对居民出行调查数据进行分析。以南京市居民出行调查数据为样本实例,采用职业、年龄、受教育程度、出行目的等几种属性,以SPSS软件平台对各属性数据进行关联分析,确定影响居民出行方式选择的因素,得出改善居民出行方式构成的相应建议。     

基于手机信令数据的区域通道出行特征研究

针对传统OD调查耗时长、费用高、精度低等问题,提出利用手机信令数据建立用户特征提取模型,从用户不同出行状态触发附近基站产生的时空轨迹数据,判定用户状态与时空特征。研究区域通道客流出行次数、方向不均匀性、出行方式等特征指标,并在重庆主城-合川-江津三个区域通道进行实例分析。应用结果表明,该方法基于重庆移动手机信令数据,可定量分析三个区域通道之间的出行特征;相较于传统OD调查,具有费用低和可行性高等优点,可以为未来区域铁路网与公路网的规划布局提供依据。     

基于CDMA系统手机定位的居民出行OD调查技术

居民出行信息是进行城市路网规划、交通评估、交通管理与运营等相关工作的基础数据。传统的OD信息是通过调查的方式如路边询问调查、电话咨询或是发放调查问卷等形式获取。调查过程往往因被调查者隐瞒或遗忘等情形而造成所获取的出行数据基本不可信,失去可以利用的价值。CDMA系统手机定位获取交通信息技术因其可用性高、便捷、使用范围广等优势而越来越受到人们的青睐。介绍CDMA系统的手机定位技术,以及该项技术在居民出行信息采集中的应用,并在文章最后列出在实现过程中可能遇到的问题。     

手机信令数据在城市道路交通量预测中的应用

交通量预测是城市道路可行性研究的核心内容,准确性和可靠性主要依据基础交通调查的准确度和覆盖率,而面对城市居民出行调查,问卷调查等传统的城市居民出行调查存在工程量浩大、耗时耗力、样本量低、经济投入巨大等诸多弊端。随着手机普及率的提高,手机覆盖了城市绝大多数人口,采用手机信令分析技术替代传统的出行调查成为可能。选择长沙市手机信令数据为基础,以长沙市人民路过湘江隧道的交通量预测为例,介绍了通过手机信令数据处理实现交通预测的解决方案。     

基于BP神经网络的居民出行方式选择模型

以城市居民出行方式选择行为作为研究对象,分析了影响出行方式选择行为的主要因素,利用BP神经网络可以自动获取研究对象的输入、输出间关系和较强的学习训练特性,建立了基于BP神经网络的居民出行方式选择模型,并通过2009年济南市居民出行调查数据对模型进行了实例分析。结果表明：BP神经网络模型能够较好地描述居民出行交通方式选择行为。     

基于公交IC卡刷卡记录的居民出行OD推算方法研究

居民出行OD调查需要耗费巨大的资金和人力,并且常常由于调查的组织不力或者调查人员的不负责而导致调查数据不可信.公交IC卡数据可以准确显示每位持卡人的出行信息,通过对数据进行分析可以获得居民出行OD信息.根据公交IC卡数据的特征,针对不同类型的数据,提出了相应的数据预处理方法,利用处理后的数据使用VBA结合ADO技术推算公交出行的OD矩阵.利用此方法对昆明市公交出行OD进行推算,获得数据精确度较高,可以作为传统的大规模人工OD调查的替代方法.结合推算过程遇到的问题,为公交IC卡数据记录方式提出4条改善建议以使数据能够更准确、更简便地应用于OD推算.      

基于时空特性的GPS轨迹数据压缩算法

车辆GPS数据中蕴含的车辆轨迹信息具有重要的理论和应用价值.为减少轨迹数据存储空间,提高数据分析及传送速度,提出了一种基于时空特性的轨迹数据压缩算法,根据GPS数据点的时空三维特征,计算轨迹特征点判断的距离标准,更准确的提取轨迹信息.算例分析结果表明,基于时空特性的GPS轨迹数据压缩算法大幅度减少轨迹压缩误差,提高压缩效率.      

个人出行轨迹中轨道交通段GPS信号缺失修补算法

基于GPS的个人出行轨迹在城市路网环境中信号丢失较为严重。针对城市轨道交通段的GPS信号缺失问题提出了相应解决办法。研究分析了出行者在换乘节点的一般时空行为以及GPS轨迹的形态特征,给出在特定情况下模型中最优路径的界定,以此制定出交通路段选取规则;在逻辑设计上结合地理信息数据库的语义信息和轨道交通网的拓扑结构,开发了基于广度优先原则的轨道交通段GPS信号的修补算法。此外,研究结合使用Baidu Map API开发了修补效果的在线可视化平台,以上海市内20组GPS个人出行数据进行了实例分析。结果表明,算法的修补效果良好,设计思路合理,且计算和修补时耗线性单增,具有一定的实用价值。     

基于GPS数据的出租车通勤识别及时空特征分析

为研究城市居民出行活动中使用出租车完成的通勤行为及其时空分布特征,基于出租车GPS设备所生成车辆活动轨迹数据,利用地理信息数据库处理及GIS技术,对出租车出行起讫点信息进行甄别,在交通小区划分的基础上,构建了出租车载客出行行为OD矩阵,提出了基于出租车出行的通勤客流识别模型,并据此建立了通勤距离和时长的计算模型,用于通勤行为的时空特征分析。最后,以西安市为实证对象,对建立的模型进行实证分析。研究结果表明:各交通小区间出租车出行交通流波动系数在0.2时较为稳定;工作日的早高峰通勤交通流为20 000~27 000车次,晚高峰通勤交通流为15 000~27 000车次,其中,周一和周二相对稳定,周三至周五略有增加;工作日出租车早、晚高峰平均载客车次数基本一致,周二出租车通勤人数最多,周四相对较少;整月内所有工作日早高峰出行中依靠出租车的通勤出行量约占单日高峰交通流均值的27%;出租车通勤出行平均距离为3.7km,通勤距离主要分布在2.5~7km,通勤出行的平均时长为17min,通勤时间主要分布在10~20min;就业地和居住地的识别结果与实际土地利用性质所代表的地块属性基本一致,该方法可对城市居民使用出租车方式的通勤行为以及就业地和居住地进行有效识别,并为城市通勤服务交通系统优化及空间活动的异质性分析提供依据。     

基于贝叶斯网络的出行方式选择模型研究

论文以居民出行方式选择为研究对象,分析了城市居民出行方式的影响因素,建立了基于贝叶斯网络的居民出行方式选择模型,并以苏州市为例,结合居民出行调查数据采用极大似然法对模型进行了参数估计,并采用贝叶斯网络推理方法验证模型精度。结果表明,该模型能较全面地考虑居民出行选择的影响因素,模型精度较高。     

苏州居民通勤出行交通方式选择特征研究

通过对苏州居民出行调查中有关通勤出行的信息进行分析计算,研究了通勤出行交通结构、不同人群交通方式选择特征以及通勤交通方式的出行距离特征,该分析结果有助于城市交通发展规划,特别是针对城市居民上下班出行的交通政策的制定和交通系统的设计。     

基于IC卡数据的居民公交乘车距离研究

了解居民公交出行乘车特征、掌握公交出行客流规律是公交规划和运营决策的基础.为了研究不同时段居民公交乘车的分布特性,以北京市分段计价线路公交IC刷卡数据为依据,基于数据挖掘工具分析了居民公交出行乘车的距离特性,并对乘车距离分布进行曲线拟合,结果表明:北京市居民公交乘车距离服从威布尔分布,在置信水平为95%的条件下,平方误差和小于0.01,拟合优度在0.97以上.      

基于手机GPS定位数据的交通方式换乘点识别方法研究

交通方式换乘点识别长期以来是手机大数据交通调查领域的一大技术难点,既有研究大多通过设置出行时间、距离阈值进行识别,算法经验性强,普适性不佳,且易将起讫点、信号控制、交通拥堵等停留误识别为换乘停留。为此,提出了一种基于手机GPS定位数据的交通方式换乘点识别新方法：首先,构建模糊时空聚类算法识别个体运动-静止状态,算法同步实现了定位点时空密度双重聚类约束与聚类边界弹性需求,对个体运动状态识别效果更佳;其次,建立支持向量机模型进行交通方式换乘点识别,有效解决了起讫点、信号控制、交通拥堵等停留对换乘停留造成的干扰;最后,从出行链视角出发,提出了基于序列相似度算法的误差回溯自检与优化模型,能够有效修复换乘点漏识别与错误识别问题。此外,在成都市开展了大范围实测试验,由150名志愿者采集了近2 160 h得到的777.6万条数据被用于技术实证评估。试验结果表明：所述方法对交通方式换乘点平均识别准确率达89.3%,换乘时间平均识别误差控制在20 s以内;与既有空间聚类、小波分析算法相比,换乘点识别精度提升近10%,换乘时间误差最大可降低20 s以上,算法适用性与效果更佳。研究成果可为基于活动的交通需求模型演进提供数据支撑,为交通规划与管理部门决策提供技术支持。     

出行需求分析的新方法:活动模型的应用研究

结合我国交通规划实际情况,提出新型的基于活动的出行需求分析方法,通过大量的调查数据和严密的分析,研究了数据转换的过程及方法,用以分析活动与出行的关系,并以此作为活动模型与出行模型之间的桥梁。详细阐述了数据选择和整理方法、有效性检查规则;应用居民出行调查数据,分析活动及出行特征作为模拟的基础,并提出基于交叉分类的出行量预测方法;然后制定活动-出行行为的详细模拟流程,研究各特性变量的模拟方法;给出模型的验证及确认方法,并编写计算机程序实现模拟流程。该方法已应用于辽宁某市城市居民的活动与出行特征分析,验证结果显示该方法具有较强的实用性,为活动模型的研究提供了参考。     

面向移动终端的偶发事件信息需求与发布框架研究

目前城市交通运行特性逐渐由规律性向偶发性转变,居民对偶发事件的预警需求也日渐增加.针对常见公共交通偶发事件,通过SP公众小样本调查,从影响程度、发生频率及对居民行为影响等角度开展偶发性事件特征的深入分析;进而利用系统聚类算法实现点、局部、全局三层级的偶发事件分类.在此基础上,分析并明确不同偶发事件下居民对信息需求的类型、位置、提示时间,构建偶发事件信息需求表.通过研究移动互联环境下不同服务终端的信息发布和收取特性,获取最佳信息发布获取渠道,进而构建偶发事件信息发布框架并搭建基于手机APP移动终端的服务平台.结果表明,手机移动终端的居民使用满意率达到85%.有助于解决城市交通运行特性的不确定性与出行信息的可靠性、及时性之间的矛盾,提高交通出行效率.      

一种基于多源数据的出租车分布预测方法研究

为了改善传统的交通需求预测方法以居民出行OD调查为基础,得出的交通分布结果受样本量等因素影响,预测值与实际值相差较大的问题,本文提出基于现有出租车GPS数据、计价器数据和电召数据的一种基于多源数据融合的出租车分布预测方法,进行出租车出行分布预测.该方法可以根据多源历史数据估计出租车OD分布,并可通过预测未来出租车OD分布,提高预测准确率.     

杭州市居民出行特征分析及交通发展对策探讨

该文根据杭州市2005年居民出行调查的相关数据,结合杭州市城市交通现状,对杭州市居民出行次数、出行时段、出行方式等一系列的指标进行了分析研究,总结归纳杭州市居民出行特征的规律、变化特征及其原因,并在此基础上对杭州市的交通发展提出相关的建议。