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。     

基于多源数据的南昌市岗位类型与出行特征研究

就业岗位是交通需求建模的基础数据,包括不同类型岗位的空间分布及其出行特征.将手机信令大数据与"三调"用地数据、交通模型、"七普"数据、年鉴数据等进行融合分析,实现信令大数据中职住数据、出行数据的精细化扩样及其与地块性质的关联,并进一步对各类就业岗位的出行特征进行研究,包括岗位密度、交通吸引率、通勤距离、通勤速度、交通强...     

基于手机信令的大范围人流移动分析

从移动通信系统获取手机信令数据,根据重庆手机信令数据特点,提出了数据预处理、基站小区定位、出行链识别、分区统计及结果扩样方法,获取居住人口分布、通勤岗位分布、跨区人流OD(origin-destination)。此方法具有覆盖范围广、分析样本大、实施成本低、可长期连续监测的优势,可为城市规划提供了一种全新的数据获取手段。在重庆市城乡总体规划(2007—2020年)深化工作中,基于重庆联通手机信令数据,分析重庆主城与区县及各区县之间的人流交换,定量地评价城市间联系度及城市区位优势,以此为基础开展客流需求预测,作为优化城镇体系结构、调整区域发展战略,规划布局铁路与公路网的依据。     

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上海市域职住空间分析

居民居住地与工作地的空间关系是城市空间布局的重要依据.基于手机信令数据,提出分区域的居民通勤距离和就业岗位通勤距离计算方法.通过对比验证了手机信令数据与居民出行调查数据的职住空间和距离分布特征较为吻合.重点分析上海市中心城区及周边地区的职住空间关系及通勤距离.提出职住通道平衡概念,并分析职住通道不平衡地区与轨道交通拥挤程度的关系,指出土地利用布局优化对职住通道平衡的重要性.通过分析不同新城的职住空间特征,探讨新城范围划定对统计分析的影响,总结了新城职住空间较为独立、居民内部就业率较高的特征.     

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).     

交通大数据视角看广佛同城

广佛同城发展由来已久,是中国城市群中同城化程度最高的区域。简要分析广佛同城的交通基础设施发展演变历程,并基于模糊大数据(手机信令数据)和准确大数据(运行监测数据)对广佛通勤交通特征进行分析。结合手机信令数据对广州南站的客流组成及空间分布进行研究,对广州南站选址偏远问题进行解析。结果表明:广佛同城具有双向对等性的联系;地铁在同城化推进过程中起到重要的促进作用,拓展同城化活动范围;广州市机动车交通需求管理政策不够系统,非广佛车牌在通勤小汽车中比例超过40%,需要引起足够的关注;广州南站服务的客流中广州客流与佛山客流比为7:3,与对应的常住人口规模比例相当,初步实现了交通战略规划提出的共享理念。     

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。     

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。      

基于手机传感器的车辆轨迹实时在线压缩方法

随着具有定位功能的各类便携式移动设备的普及,产生了大量的移动目标时空轨迹数据,庞大的数据规模对轨迹数据管理和分析带来了严峻的挑战.?车辆时空轨迹数据压缩算法,通过监测分析车辆在不同运动行为模式下智能手机内置线性加速度传感器和方向传感器的数据变化规律,识别车辆的转向行为和变速行为,并根据识别结果请求GPS传感器定位,记录...     

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。     

基于时空轨迹数据的出行特征挖掘方法

在车联网应用发展的背景下,许多城市的私家车和出租车上安装了配备GPS 设备的智能终端, 产生着大量的时空轨迹数据.为挖掘这些数据蕴含的驾驶员出行特征, 本文以北京市出租车时空轨迹数据为例,基于时空GIS 的视角提出并实现了驾驶员居住 地挖掘方法和作息规律性分析方法. 样本实验结果一方面展示了驾驶员居住地空间分 布,另一方面表明作息规律性总相似度在0.6–1之间的驾驶员数量较多,占到了总数的 73.75%.通过本文方法挖掘的信息可为出租车的管理提供辅助决策,方法同样适用私家 车时空轨迹数据的挖掘,对私家车出行规律的研究和掌握更有意义.     

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。     

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.     

基于车辆身份感知数据的路段轨迹 重构方法研究

车辆轨迹蕴含着大量丰富的交通流时空信息,对于全面解构城市交通路网运行具有至关重要的意义.传统车辆轨迹重构模型大多基于定点线圈检测数据或者浮动车轨迹数据作为输入数据,并且普遍未考虑过饱和交通状态.本文提出了一种基于车辆身份感知数据的车辆路段轨迹重构方法,通过构建一种绿灯相位回溯框架,基于交通流激波理论分段重构车辆行程轨迹,每次回溯过程包含两个主要步骤,即估计车辆状态和分状态重构车辆行程轨迹;然后在Paramics 微观交通仿真平台上对本方法模型的准确性进行了验证.结果表明,该方法在各种饱和状态下均能达到令人满意的应用效果.     

基于车辆身份感知数据的路段轨迹重构方法研究

车辆轨迹蕴含着大量丰富的交通流时空信息,对于全面解构城市交通路网运行具有至关重要的意义.传统车辆轨迹重构模型大多基于定点线圈检测数据或者浮动车轨迹数据作为输入数据,并且普遍未考虑过饱和交通状态.本文提出了一种基于车辆身份感知数据的车辆路段轨迹重构方法,通过构建一种绿灯相位回溯框架,基于交通流激波理论分段重构车辆行程轨迹,每次回溯过程包含两个主要步骤,即估计车辆状态和分状态重构车辆行程轨迹;然后在Paramics 微观交通仿真平台上对本方法模型的准确性进行了验证.结果表明,该方法在各种饱和状态下均能达到令人满意的应用效果.