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.     

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.     

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。     

轨道交通车站客流来源空间分析及接驳优化 ——以天津市为例

利用手机信令数据可在提取轨道交通出行链信息的基础上获得各车站的客流来源空间分布,并应用于交通规划中.首先,提出获取轨道交通出行链信息和车站客流来源分布的计算流程以及其中涉及的轨道交通基站检测、出行端点识别、轨道交通乘车信息提取等技术方法.其次,使用中国移动手机信令数据得到天津市轨道交通全网车站的客流来源空间分布.基于车站客流来源空间分布特征对车站进行分类,根据各类型车站的特点提出针对性的接驳改善策略.选取典型车站,对与其接驳的公共汽车线路进行走向与站点的优化设计.研究表明,不同轨道交通车站客流来源的空间分布形态具有差异性,利用手机信令数据可获取轨道交通车站客流来源的空间分布形态,为实现"一站一策"的精准接驳规划设计打下基础.     

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...     

基于手机传感器数据的出行特征提取方法

手机调查方法的已有研究较多集中于基于手机信令数据的宏观出行特征获取,而手机传感器数据在个体出行链微观出行特征提取方面具有优势.针对城市居民多采用组合交通方式出行的特征,研发智能手机应用软件,实现GPS数据(位置坐标与速度)、加速度计、服务基站、WiFi等传感器数据采集.运用小波分析、神经网络等数据挖掘技术分析不同交通方式出行数据差异,探索多种数据挖掘算法用于个体出行参数提取的可行性及效果.结合实际案例,总结应用手机传感器数据进行出行特征精细化提取的难点和技术关键.最后,探讨精细化个体出行数据在交通模型和理论优化方面的应用.     

基于手机信令数据的高速公路客流特征分析——以广深高速为例

手机信号会定时与周围手机基站进行连接,通过对手机时空信号的分析,可有效的掌握交通出行的整个过程。以手机信令数据为基础,分析客流出行特征,通过挖掘客流的出发起终点、工作地及居住地等信息,可掌握高速公路客流的交通特性,为高速公路改扩建工程方案设计提供定量支撑。本文选取广深高速公路上的特征断面,通过分析客流手机信令数据,得出广深高速广州及东莞段主要以承担区域公路交通为主,深圳段主要以承担城市短途交通为主。     

基于手机信令数据的居民出行调查分析——以石家庄为例

传统的综合交通调查工作受时间和人工成本的限制,存在着样本量小、精度差、时效性差等问题,随着科技信息化水平的不断提高,利用手机信令数据分析技术辅助居民出行调查工作成为现实。文章阐述了利用手机信令数据进行分析的关键技术方法,并详细介绍了手机信令数据分析技术在石家庄市人口和就业岗位分布、出行率分析、出行总量分析、全日通勤客流空间主通道走廊分析等方面的应用,为今后开展更深入研究与应用奠定了基础。     

基于个体出行数据的公共交通出行链提取方法

公共交通个体出行信息的提取对掌握公共交通出行的时空特征,改善居民通勤出行效率具有重要意义.研究从公交刷卡数据、公交定位数据、轨道AFC数据等海量公共交通多源数据的关联匹配与处理方法入手,提出了公共交通出行链信息提取中,换乘关系判断、通勤行为判别及出行起讫点匹配的方法与规则,标定了出行链匹配阈值参数,建立了基于个体出行数据的公共交通通勤出行链提取模型.提取模型的准确度验证表明:出行链结构提取及通勤出行判别的成功率均达到100%,出行阶段起讫点匹配成功率为87.5%,准确性为97.1%,满足了公共交通出行特征提取的需求.该方法为公共交通通勤出行判别及基于个体的微观通勤出行时空特征的深入分析奠定了基础.     

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).     

基于手机数据的城市交通大区OD分布估计 ——以旧金山市为例

在大数据时代,手机数据因普及率高、采集成本低等优点逐渐受到人们的重视.手机通信运营商在为手机用户提供通信服务的同时会记录每次服务的时空信息,因此利用手机数据可以挖掘出用户的位置信息,并应用于城市居民出行OD分布估计.提出以手机数据为基础对城市交通大区之间OD分布进行估计的方法.利用居民手机数据估计美国旧金山市各交通大区之间的出行分布,并结合居民出行调查数据对估计结果进行检验.结果显示基于手机数据的出行估计具有较高的可靠性.     

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。