基于数据融合与双重特征的居民出行调查扩样

居民出行调查数据具有个体属性清晰、交通含义明确、针对性强等特点,在城市交通规划与交通需求模型构建方面具有不可替代的重要作用.为保障抽样调查数据准确反映总体的真实特征,在综合考虑效率与精度基础上,提出一种多源数据融合、家庭户及人口特征双重约束、牛顿迭代法相结合的居民出行调查数据完整扩样处理方法与流程.以天津滨海新区第一次...     

居民出行调查数据扩样方法研究

居民出行调查是科学制定城市交通发展战略、政策、技术法规的基础性工作,在日益复杂的城市交通环境中,提高数据扩样的精度一直是一个研究重点．本文按照数据的扩样流程系统阐述了数据扩样方法。首先,分层次的直接扩样方法有效地控制了扩样后数据的分布特征;其次,根据核查线交通量等客观数据,基于最大似然法原理,应用交通规划软件CUBE的矩阵估算模块对数据进行了核查校正;最后,针对抽样技术的缺陷,增加中区校核的过程,对校核到的沉默需求分四种方法返回出行目的进行比较寻优。扩样方法在2005年广州居民出行调查中得到了应用,取得了较好的效果。     

基于出行链的OD扩样方法研究

现状OD出行矩阵是分析城市居民现状出行特征的基础,也是未来出行分布模型标定的基础．本文借鉴出行链的理论研究成果,按照出行链的主要个体影响因素对不同属性的抽样数据分别进行扩样,在一定程度上消除了传统扩样方法的弊端,也提高了扩样过程的可理解性．同时,为保证该扩样方法具有可实施性,文中提出了构建城市街道的GIs平台、改进抽样方法、构建扩样系统和统一调研时间等四项措施,旨在进一步增加不同样本类别间抽样率的差别,提高扩样结果的质量．文章结尾进一步说明该方法在运用过程中需要同时注重出行链成果的更新和相应数据库的建立．     

基于电子地图居民出行OD调查方法

分析传统居民出行OD调查方法的不足,提出一种基于电子地图平台的新方法。通过友好的操作界面平台,利用标准化的数据形式省去后期大量的人工数据录入及处理工作。避免以往调查与统计空间分离的状况,提高数据的可信度,节约调查和数据录入费用,增强可操作性、提高工作效率、降低工作强度、提高精确度,具备广阔的使用前景。     

利用百度API数据对居民出行调查的修正与挖掘

为改善传统居民出行调查受制于调查对象的主观感受,难以获得客观、真实的特征数据等问题。通过借助百度地图API(Application Programming Interface,简称API)开源数据,构建了一套科学的技术方法,实现与传统出行调查数据的融合。以石家庄2015年居民出行调查为例,对小汽车、公交及其他方式出行距离、出行时耗等关键数据误差进行修正,形成了更为客观、精确的出行特征指标。基于此,还对修正数据进一步挖掘,实现对石家庄公交出行链各环节指标逐一剖析,并就如何提升公交整体服务水平及竞争力,提出了具体改善建议。     

美国和英国全国居民出行调查比较研究

美国全国家庭出行调查和英国全国出行调查迄今已经有数十年的历史,形成了一套成熟、稳定的调查保障机制和专业流程,取得了丰富的应用成果.通过对比两个调查体系的发展历程、资金来源与调查执行、样本设计、调查方法、调查内容、数据处理与应用,总结美国和英国在全国居民出行调查方面的经验.探讨中国开展全国居民出行调查的必要性.结合案例,...     

沈阳市居民出行调查数据统计分析系统构建

基于Access数据库,利用Visual Basic语言编写沈阳市居民出行调查数据统计分析系统。对沈阳市居民出行调查数据统计分析系统的调查数据录入、数据有效性验证、样本数据特征分析、调查数据播种及扩样、查核线校核修正、扩样后数据特征分析等模块进行介绍。     

基于居民出行数据的上学接送行为建模研究

传统交通模型构建过程中,忽略了上学出行伴随的家长接送行为,可能导致需求分析结果的失真。基于居民出行调查数据,采用二项logistic回归分析方法,建立上学接送行为的概率模型。模型可以基于不同的家庭及个人属性,获得相应的上学接送概率,并定量描述各因素的作用关系,可用于对交通模型的修正及上学接送行为特征的分析。     

基于手机信息的居民出行调查

介绍了利用手机信息进行居民出行调查的方法,首先设计了出行信息采集系统的功能和界面,然后在J2ME平台上开发出行信息采集软件;最后研究了系统中的信息处理内容、采用的技术和方法,得到了多种居民出行统计信息。该方法与传统调查方法相比适应性更强,数据更准确。     

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。     

Threshold controlled scheme of difference expansion techniques for reversible watermarking

Since Tian Jun proposed the difference expansion embedding technique, based on which, many reversible watermarking techniques were proposed. However, these methods do not perform well when the payload is high. In this paper, we proposed an expandable difference threshold controlled scheme for these three methods. Experiments show that our scheme improves the performance of these three methods for heavy payload.     

基于数据融合技术的路段出行时间预测方法

为了精确预测路段出行时间, 分析了国内外基于多数据源的路段出行时间预测方法的优缺点, 应用自适应卡尔曼滤波算法, 通过融合环形线圈检测器数据和浮动车数据, 建立了路段出行时间估计模型, 在交通高峰期和事故情况下, 比较了采用基于环形线圈检测器、浮动车和自适应卡尔曼滤波3种出行时间预测方法预测路段出行时间的平均绝对百分比误差。比较结果表明: 基于自适应卡尔曼滤波算法融合了来自环形线圈检测器和浮动车的数据, 预测值更接近实测值, 预测精度高。     

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。     

路段行程时间估计的浮动车数据挖掘方法

基于浮动车数据, 提出一种信号配时信息缺失下的路段行程时间估计方法, 由交叉口范围动态划分、路段影响范围划分、浮动车数据提取与路段行程时间估计4个模块组成, 每个模块的实现均需借助于前一模块的输出。根据交叉口信号控制下的车辆行驶状态, 在交叉口范围动态划分与路段影响范围划分2个模块中, 利用密度法将单元路段划分为不同区域。根据路段行程时间估计原理, 利用浮动车数据提取模块过滤掉受信号控制影响较大的浮动车数据, 提取路段行程时间估计的目标数据。利用路段行程时间估计模块挖掘历史浮动车数据, 根据浮动车目标数据点存在区域的不同, 将浮动车数据分为3类, 并对不同类型数据采取相应的断面通过时刻估计方法, 建立基于不同数据条件下的行程时间估计模型。利用VISSIM软件对路段行程时间估计方法进行仿真验证, 并与直接法和间接法进行对比分析。分析结果表明: 对于粗粒度浮动车数据, 路段行程时间估计方法的平均绝对误差和平均相对误差分别为12 s和8.67%, 优于传统的直接法与间接法。     

Comparison of several traffic forecasting methods based on travel time index data on weekends

Traffic forecasting provides the estimation of future traffic state to help traffic control,travel guide,etc. This paper compared several widely used traffic forecasting methods,and analyzed each one's performance in detail to make conclusions,which could redound to researchers choosing an appropriate traffic forecasting method in their own works. Compared with conventional works,this paper creatively assessed the performance of traffic forecasting methods based on travel time index (TTI) data prediction,wh...     

公交客流调查数据的实用性分析研究

公共交通是城市交通中的重要组成部分，公交客流在城市交通出行中是主导人流。公交客流的基本特征在于空间和时间分布的不均匀性。公交客流在方向分布上是相对平衡的，因为乘客乘车一般都是一往一返。但在时间分布上则很不均衡，例如，节假日与平日，一日之内的客流高峰与平峰等。因此，充分研究和应用公交客流调查数据，对城市公共交通专项规划有着实质性的作用。     

路段平均行程时间估计方法

为了有效利用线圈检测数据, 精确估计路段平均行程时间, 提出了一种路段平均行程时间估计方法。将路段平均行程时间分为平均行驶时间、平均排队时间和平均通过路口时间三部分。考虑线圈埋设的特点, 通过估计平均行驶速度得到平均行驶时间。用分段时齐Poisson过程描述车辆驶入路段过程和驶离过程, 用Markov排队模型描述车辆排队过程, 用生灭过程描述排队车辆数, 得到车辆排队模型, 计算了路段有、无初始排队的平均排队时间。基于选取与路口相关的饱和流率和平均车长, 计算了平均通过路口时间。计算结果表明: 平均行程时间估计值与实测值的误差小于12%, 说明路段平均行程时间估计方法可行。     

面向个体出行推荐的联邦异质性模型和算法

为实现兼顾偏好异质性与数据隐私化的个体出行推荐,基于模型参数化聚合与分布式训练的联邦学习计算范式,提出了一种联邦混合罗吉特(FMXL)模型,可解构标准MXL模型,以实现本地个体偏好与全局群体差异参数估算的分离;为了消除模型对原始数据的依赖,提出了标准与聚合2种联邦吉布斯抽样算法,通过本地与全局参数的交互,实现模型的层次化联合估计;为了验证所提模型与算法,基于Swiss Metro公开数据集,分别搭建了离线与在线2种出行推荐场景。分析结果表明：针对离线场景,2种联邦吉布斯抽样算法拟合的FMXL模型与标准多项式罗吉特模型相比,其对数似然值分别增大了157.8和153.2,预测率分别提升了12.3%和12.1%;与基于集中式吉布斯抽样算法拟合的MXL模型相比,其计算时间分别缩短了64.2%和76.9%,通信时间均缩短了86.2%;针对在线场景,FMXL模型的对数似然值和预测率均呈上升趋势,且整个估计过程的计算和通信时间均低于标准MXL模型。可见,以数据隐私化处理为前提,MXL模型的联邦化训练既能保证出行推荐的精准性,也能充分调动用户端闲置算力,有效提升出行推荐的时效性,体现了所提模型和算法的高适应和可拓展能力,同时基于联邦异质性模型的个体出行推荐还能有效推进交通系统的智能化进程。