基于轨迹数据的网约车排放时空特征分析

网约车逐渐成为城市中重要的交通方式之一,由于网约车出行特征与其他交通方式显著不同,其环境影响仍有待深入研究。为揭示网约车的排放特征,基于成都市网约车GPS轨迹数据,采用大数据分析方法得到网约车在各轨迹段的平均速度、行驶里程等参数,然后应用机动车排放模型COPERT实现对研究区域内网约车CO、HC、NO_x和CO₂排放的量化,并进一步分析其时空分布特征。结果显示：2016年11月18日成都市研究区域内网约车CO、NO_x、HC、CO₂的排放量分别为151,41.5,8.93,125497.6 kg;网约车排放的高峰时段发生在9:00-10:00、14:00-15:00和17:00-18:00;网约车高排放区域主要分布于二环高架路、二环路、蜀都大道附近,其中部分路段交叉口的排放最为突出;区域平均速度可显著影响该区域网约车平均排放因子。因此,政府相关部门可针对网约车高排放时段和地区,采取交通需求管理及车辆限速控制等治理手段,以减少中心城区的交通排放。研究成果可为网约车环境影响评估提供科学方法,为城市网约车管理...     

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.     

基于车牌识别数据的出行特征研究

随着大数据技术的推陈出新,越来越多的数据源可以用来研究居民的出行特征。本研究通过首次采用建筑停车场的车牌识别数据研究不同建筑业态吸引客流的出行时间特征、来源地空间分布情况、出行平均时耗等内容,从而为城市空间功能布局规划、停车场规划、停车场周边道路交通改善等提供参考。     

基于百度大数据的用地出行率计算方法

为提高交通出行率的准确性和可靠性,打破现有手段获取地块交通出行率存在的局限性,提出一种基于百度大数据的出行率计算方法。通过建立出行停留点识别方法,对城市用地与停留点数据进行匹配,进而论证方法的可行性和准确性。结果表明,基于百度大数据的用地出行率计算方法在特定城市有更高的准确性,且适用于任意地块、任意时段的用地出行率调查。本研究可为城市地块交通出行率的计算提供参考,也为城市管理主体进行管理决策和城市交通规划工作提供技术支撑。     

基于时空相似度聚类的热点载客路径挖掘

出租车的载客轨迹直接体现了车辆的行驶状态和居民的出行规律,热点载客路径的挖掘为交通管理与规划,居民行为模式发现及出租车载客推荐等具有重要价值. 本文以兰州市3 000 辆出租车载客轨迹为研究对象,提出了基于时空相似性聚类的热点载客路径挖掘算法. 首先,根据出租车的GPS轨迹数据提取出载客轨迹及其核心轨迹;然后,根据提出的相似性度量算法计算核心轨迹的空间相似性、时间相似性及时空相似性,并结合DBSCAN聚类算法对载客轨迹进行聚类;最后,根据聚类结果获取城市热点载客路径的空间分布,并分析了其在工作日和非工作日的差异. 实验结果表明,本文提出的挖掘算法能有效、快速地发现城市热点载客路径的分布.     

基于时空相似度聚类的热点载客路径挖掘

出租车的载客轨迹直接体现了车辆的行驶状态和居民的出行规律,热点载客路径的挖掘为交通管理与规划,居民行为模式发现及出租车载客推荐等具有重要价值. 本文以兰州市3 000 辆出租车载客轨迹为研究对象,提出了基于时空相似性聚类的热点载客路径挖掘算法. 首先,根据出租车的GPS轨迹数据提取出载客轨迹及其核心轨迹;然后,根据提出的相似性度量算法计算核心轨迹的空间相似性、时间相似性及时空相似性,并结合DBSCAN聚类算法对载客轨迹进行聚类;最后,根据聚类结果获取城市热点载客路径的空间分布,并分析了其在工作日和非工作日的差异. 实验结果表明,本文提出的挖掘算法能有效、快速地发现城市热点载客路径的分布.     

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。     

基于时空等待特征系数的大型活动出行规划研究

高效、合理的综合交通路径规划是成功举办大型活动的前提之一.本文针对观众群体参与大型活动的出行路径规划问题,引入乘客出行偏好,转换为时空等待优化问题,再根据大型活动中乘客通过多模式公共交通出行特点,构建多维时间-空间-交通方式网络,以乘客出行时间总成本最小为目标建立整数线性规划模型.为提高模型的求解效率与质量,提出一种基...     

基于出租车运营数据和POI数据的出行目的识别

为了有效获取出租车乘客出行目的,提出了一种基于出租车运营数据和POI(Point of Interest)数据的出行目的识别方法.构建了基于乘客出行特征和下车所属POI点类别的乘客出行目的识别模型,该方法从出行特征及乘客下车点最终可能到达的目的地所属POI点类型两个方面确定乘客的出行目的.为了验证所提方法的有效性及实用性,对成都地区展开了出租车出行调查,并利用调查数据对模型进行了精度验证.结果发现,相比于现有的利用出行特征推断出行目的的方法,本文提出的决策树+POI(II)能够提高最终识别准确度15.76%.最后,将所提方法应用于成都 1周的实际运营数据中,成功地识别出219 942名乘客的出行目的,说明该方法能够应用于实际数据量较大的出行目的识别.本文提出的方法,可以作为出行调查的辅助手段.     

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。     

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.     

面向实时交通信息提取的车辆轨迹数据挖掘

车辆行驶轨迹是驾驶人员主观意愿和道路客观约束条件综合作用的结果,从海量车辆轨迹中可以挖掘出道路的实时交通信息为智能交通服务．通过建立轨迹约束模型用以量化各约束因子,基于线性参照系统的数据预处理以加快检索速度和降低轨迹的不确定性,基于移动目标主体相似性和移动轨迹时空相似性的数据选取降低了数据库搜索次数提高发掘准确度,分别针对道路交叉口和一般路段进行数据挖掘,提取实时的道路交通信息．研究结果和实验结果表明,这个挖掘算法可以有效地提取道路实时路况信息．     

基于出租车GPS大数据的城市热点出行路段识别方法

连续两个出租车 GPS定位点之间的时空间隔使得乘客上下车的位置必然介于一个线性区间内,据此提出轨迹线密度方法,用于在位置界限模糊的热点出行区域进一步搜索热点路段.利用成都市出租车 GPS数据,借助核密度估计分析出租车上下客位置的时空特性;基于轨迹线密度方法,计算了成都市春熙路商圈的路网密度值,划分路段热点强度,识别出了热点路段的位置,结合实际的出行需求分布完成方法有效性的验证.结果表明,本文所采用的方法能够有效识别出行需求旺盛的城市热点路段,不仅可以为出租车司机寻找客源提供重要的参考,还能够在交通相关部门选择出租车停靠站的位置时提供数据支持.     

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.     

基于历史数据的交通特征信息提取方法

为了给交通规划、设计和管理提供重要的定量数据支持,最大限度地实现信息增值,提出了从大量的历史交通数据中提取有用的交通特征信息的方法.以深圳市城市交通仿真系统中的历史交通特征信息为对象,根据交通信息应用需求现状,从空间、时间、统计和参数四个特征维度对历史交通特征信息进行详细的结构分析,给出了历史交通特征信息生成的运行流程,以及各个特征维度历史交通数据计算方法.最后介绍了历史交通特征信息在深圳市城市交通仿真系统各个信息服务子系统中的应用情况.     

基于时空自相关的道路交通状态聚类方法

城市道路交通状态的识别对交通管理部门进行交通管理控制、出行诱导,以及 道路设施改造具有重要意义.本文运用时空Moran 散点图探索城市道路交通的时空关联 性,并据此构建一种基于时空自相关预分类的道路交通状态层次聚类方法.运用本文所提 出的聚类算法,以北京市二环快速路外环方向的路段为例,进行聚类研究,并分析了各类 型路段的交通状态时空特性.案例研究表明,所提出聚类算法能对道路交通状态进行有效 判断,充分反映交通需求与路网结构之间的内在匹配关系.特别是畅通异质和拥堵异质两 种交通状态的提出,为识别高峰时段路网中的瓶颈路段和能力富余路段提供了一种新的 思路和方法,进而可为完善路网、缓解拥堵及制定交通管理措施提供依据.     

基于出租车GPS数据的扬招点选址确定方法

：为了使出租车扬招点设置位置与出租车需求更匹配,建立了一个出租车扬招点选址模 型。首先通过对出租车GPS 数据的分析,获得出租车的上客点分布。然后建立数学规划模型, 将最小扬招点个数作为目标函数,以要求达到的扬招点服务覆盖率为约束条件。最后,利用已 知上客点位置分布,给定服务距离以及目标覆盖率,通过模型求得扬招点设置个数及位置。以 南京市新街口地区路网为例,在约5km2范围内,设定扬招点服务距离为300m、目标覆盖率为 85%,通过该方法求得需要设置11 个扬招点才能达到目标,并得到了具体的选址方案。之后, 进行出租车扬招点设置个数敏感性分析,结果可从服务质量和成本经济性两方面为扬招点设置 提供依据。