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.     

交通大数据平台效益评价方法

为反映交通大数据平台受益对象的多元化,与传统ITS效益评价基于车辆所有者经济效益不同,给出了基于居民出行方式分担比的经济效益计算方法.该效益包括小客车、出租车、公交车等不同交通工具车辆运输成本、乘客出行时间成本、CO2排放环境等成本节约效益,采用加权平均法得到总效益.在乘客出行时间成本计算中,考虑收入对交通方式选择的影响,给出了不同出行方式不同目的人工时间成本计算方法及参数取值.为反映交通大数据平台信息发布对出行行为选择的影响,采用有无对比法,提出了因交通方式转移而产生的车俩运输成本、CO2排放环境成本效益计算方法.以武汉交通大数据平台建设为例,给出了影响范围与主要参数取用方法,进行了成本效益预测分析实证研究.解决了交通大数据平台效益分析定量化的问题,为交通平台类项目经济效益评价提供了理论方法.     

基于驾驶员行为的交通信息发布方式选择研究

信息技术在交通方面的应用越来越广泛,交通诱导信息的发布可大大提高路网的运营能力,为缓解交通供需矛盾提供了一个有力工具。交通诱导信息作为城市交通流分布的重要影响因素,通过改变驾驶员的出行时间、出行方式和出行路径,使道路上的交通流重新分配。本文以SP调查数据为支撑,从出行行为角度分析交通诱导信息方式对驾驶员出行选择行为的影响。利用非集计模型建立驾驶员选择行为模型,预测分析拥堵状态下,驾驶员对不同交通诱导方式的选择行为,进而有序地引导驾驶员出行选择,以达到缓解交通拥堵的目的。     

私家车出行者交通信息需求研究

交通出行信息对私家车出行者行为选择存在不同程度的影响。通过对大连市私家车出行者交通出行信息使用意向调查,获取私家车出行者交通出行信息选择行为特性数据,引入因子分析方法对交通出行信息内容进行合理分类,建立交通出行信息选择累积Logistic回归模型,对私家车出行者交通出行信息需求进行研究。研究结果表明私家车出行者对交通出行信息内容存在不同程度的需求,其中与个人私家车出行质量相关信息的需求最高,面向私家车出行者的城市交通信息服务系统建设与运营应体现针对性。     

基于网约车数据的居民出行需求特征分析及需求预测

采用南京市网约车数据研究居民出行行为特征.首先,根据不同的土地类型,将南京市核心区划分为102个独立小区;然后,对出行需求的时空特征分析可以动态调整一天内不断变化的出行需求和交通供给;最后,采用WAVE-SVM耦合模型来预测居民出行需求,结果表明该方法具有较高的预测精度,还可以捕捉到短时交通需求的非平稳特性.     

中国交通出行和信息服务发展趋势与需求研究

中国当前已进入交通和信息服务快速发展时期,本文结合大量实际数据和理论分析,从社会发展、经济、政策环境、科技发展等多个角度对中国交通出行发展趋势和出行信息服务需求进行了较为全面的分析,并对交通出行信息服务系统建设的多维度需求分析框架和服务需求重点进行了论述。     

基于定位数据的旅游出行链提取方法及客流时空特征分析

旅游交通出行信息的提取为挖掘旅游者出行时空特征提供数据基础,从而对旅游交通规划与设计、旅游客运优化以及多模式旅游交通协调系统构建等提供支持.本研究以客运包车定位数据为基础,利用DBSCAN算法建立了旅游出行停留点识别方法,并基于关联规则技术提出了出行链提取、分类方法.论文以青海省热度排名前三的青海湖,塔尔寺和茶卡盐湖为研究对象,从多时间粒度挖掘了旅游出行者的旅游交通客流月/日变特征和旅游时间分布特征,以及旅客出发时间、抵达时间、景区驻留时间等信息.论文的主要方法及研究结论可为政府主管部门、景区监管部门以及交通运营管理部门提供决策支持.     

基于智能手机调查数据的居民出行活动特征分析

城市居民出行活动信息是城市规划、交通管理和居民行为研究的重要参考依据。采用传统的基于入户访问和纸质问卷的居民出行调查方式存在受访者负担重、调查精度低、调查成本高等问题,设计并实现了一种基于嵌入 GPS(Global Positioning System)模块的智能手机的居民出行调查系统。通过高频的手机 GPS 定位获取居民出行轨迹,设计基于规则的轨迹数据处理算法,自动提取出行信息。以上海市杨浦区同济新村为例,对比传统问卷调查和基于手机的调查所得的出行数据。利用调查结果对基于智能手机调查的出行生成模型进行系数修正,并对传统调查方式的误差进行分析。发现传统调查的总体误差在33%左右,其中非基家出行的误差更是达到近159%。最后,基于手机调查的数据,对区域内居民活动特征进行分析。     

基于MaaS理念的城市景区交通服务能力研究

MaaS是以需求为导向将交通作为服务向用户提供的新的出行理念.该文将MaaS理念与公众旅游出行的需求融合,在以城市景区为旅游目的地情况下,将公众出行关注点对应为交通服务特性.研究结果表明,城市景区的交通服务能力可通过可达性,交通运行特性和信息服务特性描述,通过AHP方法能形成一套评估指标体系对交通服务能力量化.应用该评估方法对典型景区南锣鼓巷进行了交通服务能力计算.该方法能对城市景区的交通服务水平进行量化,为用户选择旅游目的地及城市管理者改善交通服务提供参考.     

基于春运大数据的交通运输领域词典构造及旅客情感分析

为更好地把握春运期间广大旅客出行规律,深入了解旅客出行体验和服务需求,春运期间旅客在出行过程中对某些热点问题的关注度,以及对某种交通出行方式的满意度及情感倾向的分析与研究是一个很好地切入点。首先以实际采集的旅客在春运调查问卷中的开放性意见文本数据为基础,采用基于语义相似度和词向量方法,并结合机器学习算法分别构建了基础情感词典和交通运输领域情感词典。其次,在此基础上结合语义规则,基于春运交通大数据构建了运输领域旅客情感分析模型。最后,通过对实际采集的春运期间针对旅客出行的开放性问卷调查回收海量数据进行测试,验证了所提出的分析策略和模型能有效分析识别旅客的情感信息。其中,基础数据整合了春运期间铁路、航空、水运、公路等多种出行方式的旅客开放性意见海量数据,数据具有广泛的覆盖性和较强的代表性。从分析结果可以看出,北京、广东、江苏和四川等主要省市的旅客对购票问题更为关注,占比在30%左右;相比而言,河南和山东的旅客更为关注安全和服务,占比达到了33%以上。结果与实际情况是相符的,进一步证明所提出的模型具有很强的适应性,其结果可以作为交通运营服务评价和交通管理决策的重要依据。     

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。     

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。     

基于土地利用的开发区交通需求预测模型研究及应用

该文提出了基于土地利用的开发区交通需求预测模型,并将其应用于实际规划工作。首先提出了基于土地利用的交通需求预测的体系框架,建立基于土地利用的居民出行生成预测模型,确定了用于出行分布预测的重力模型以及用于出行方式分担预测的距离竞争曲线模型,在此基础上,将所建立的模型应用于营口沿海产业基地的综合交通规划中,参考国内相关城市案例数据及营口老城区居民出行调查数据标定了上述模型中的参数,研究表明预测模型在开发区的交通规划中具有良好的应用效果。     

长株潭城市群城际与城内客运出行特征

为研究城市群区域客运出行规律,对长株潭城市群客运交通出行进行了抽样调查。根据调查结果对城市群区域城内与城际出行者在社会经济特性、出行目的、出行方式选择以及出行时间分布等方面做了对比分析,并对其规律进行了总结,发现城内与城际出行除在方式选择考虑因素方面有共性外,其他方面个性特征明显,另外对城市群内出行特征及其发展趋势作了预估。     

基于交通条件改善的公路网交通生成预测方法研究

以经济、人口、车辆保有和广义出行时间为基本变量,采用回归分析方法建立交通生成预测模型,从而在交通生成阶段中考虑了交通出行条件改善的影响,将交通生成预测和诱增交通预测两者结合,既考虑了社会经济对交通的决定作用,又考虑了交通供给对交通生成的反作用。模型应用于江苏省高速公路网规划实践,结果表明,模型能够反映不同地区经济、人口、车辆保有以及交通条件等因素对各地区交通生成特性的差异,并且具有实用、精度高、可操作性强的特点。     

基于希尔伯特指标空间的出行方式安全评价

以道路交通危险要素为基础,结合城市道路及其管理控制情况,对城市道路不同出行方式的安全影响因素进行分析,构建评价指标体系,并运用泛函理论建立希尔伯特指标空间。然后运用模糊数学基本理论所具有的将模糊信息定量化和复杂性强的特性,对出行方式安全等级进行评价。最后就公交出行方式的安全等级评定给出算例,以验证评价方法的合理有效。     

Multimode trip information detection using personal trajectory data

Handheld global positioning system (GPS) devices can serve as a new tool to collect an individual's trip information with advantages of low cost, accurate data, and intensive spatial coverage. Various machine learning algorithms have been explored to detected trip train information in previous studies; however, few of them focused on the evaluation and comparison of the performance and applicability of different models. Meanwhile, according to previous studies, car and bus mode detection is a thorny issue due to their similar travel characteristics, and algorithms still need to be well explored and improved to solve this problem. In this article, an innovative method is proposed to detect trip information, including trip modes, mode-changing time and location, and other attributes, from personal trajectory data. The method is a two-step process. A machine learning algorith-based module (including artificial neural network, support vector machine, random forests, and Bayesian network) is firstly used to identify walk, bicycle, and motorized trip modes (bus or car); we thoroughly compared the performance of these four algorithms. Then a second module, using critical points on the GPS trajectories, is further developed to distinguish car and bus mode, incorporated with GIS map information. Field test results show that the proposed machine learning models can all be applied for walk, bicycle, and motorized mode detection with high detection rates exceeding 90%; however, the algorithms work relatively poorly for bus and car mode detection, with results mostly below 75%. The proposed two-step method can greatly improve bus and car mode detection accuracy by 14–30%. As a result, the average mode detection rates for all the four modes are above 90%. Compared with mode detection results by using only the machine learning algorithm, the proposed two-step method has much better performance in both accuracy and consistency.     

关于公交票价与私家车出行关系的研究方法

该文针对研究城市公交票价与私家车出行量之间关系的需要,提出了一种理论方法。该方法用多元线性回归模型分析了城镇居民家庭人均可支配收入、私家车出行成本等因素对私家车出行需求的影响,并在此基础上结合交叉弹性理论进一步得到公交票价和私家车出行需求之间的弹性关系。通过该方法可以量化公交票价与私家车出行需求两者之间的关系,为城市采用低价公交来制约私家车出行的政策提供一些理论依据。     

可达性在城市群交通规划中的应用研究

分析了城市群交通发展的新方式,指出了城市群交通规划中＂四阶段＂模型的缺陷,它不能准确地反应城市发展过程中城市之间的联系程度和交通需求强度。为此,将可达性贯穿于城市群交通规划中,阐述了传统路网可达性的计算方法在城市群规划中的不适用性,提出了基于节点重要度的城市群可达性计算新方法,能比较准确地反应不同阶段城市群内部之间的联系程度,为交通规划提供了一定的参考。