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。     

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。     

基于手机信令定位数据的居民出行时空 分布特征提取方法

为了得到可靠的居民出行时空分布特征,并为城市交通规划提供准确的出行现状数据,基 于手机信令定位数据设计了提取居民出行时空分布特征的方法。通过对重复冗余的手机数据进行 处理、运用地理信息系统将手机数据映射至所研究的交通区域、划分交通小区、定义出行识别、 建立OD矩阵及绘制出行期望线等出行数据挖掘,得到了居民的出行时空分布特征。为了验证设 计方法的可行性,以北京市的手机信令定位数据为例,提取出北京市居民的出行时空分布特征, 并将所得的结果与北京市第4 次综合交通调查的数据进行对比得出：两者的出行时间分布特征平 均偏差为0.78%,早晚高峰进出城方向比例的偏差为0.1,全市的出行发生量与吸引量的平均偏差 均小于3%。     

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...     

上海市第五次综合交通调查新技术方法实践

如何使人工调查与数据挖掘相结合,是高效经济地进行综合交通调查的关键.上海市第五次综合交通调查在调查方案设计、项目设置上更加注重项目的全面性和关键性、数据的多元性以及内容的针对性,数据采集手段上首次采用个人手持终端,并利用公共导航地图云技术进行地址精确定位.在抽样和扩样技术方面,主要提出居民出行调查的抽样和扩样方法.在信息数据挖掘方面,分析了遥感用地、手机信令、车牌识别和车载GPS数据的挖掘技术和方法.最后阐述了综合校核的主要思路和小客车特征数据的校核方法.     

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。      

关于手机定位技术应用于广州市交通行业数据采集的可行性探析

传统居民入户调查、交通流量调查等数据采集技术的人力、物力消耗大,数据样本量、时效性难以得到保证。但随着智能手机用户增多,以及手机定位技术发展,利用手机定位数据挖掘居民出行特征,为交通行业数据采集提供了新的途径。该采集技术具有覆盖范围广、实施周期短、人力需求小等优势,尤其对于特大城市交通调查具有广阔的应用前景。在分析各类手机定位技术特征的基础上,重点对手机基站定位技术国内外应用案例、适应范围、局限性等进行探讨,最后,对广州市利用手机定位技术开展交通数据采集提出工作建议。     

基于车载OBD数据的小汽车出行特征分析——以北京市为例

小汽车出行特征是城市道路网运行的重要影响因素之一。采集小汽车出行数据并深入分析其出行行为特征,是引导小汽车出行方式转变、降低机动车使用强度的重要条件,能够为交通精细化管理和政策制定提供支持。基于车载OBD可采集到的小汽车出行数据和轨迹数据,提出小汽车出行特征分析方法,得到出车率、出行次数、出行距离等量化指标,分析不同阶段、不同区域、不同政策下的出行指标变化特征。利用大数据分析方法对出行规律深层挖掘,进一步获得用户画像、路网非直线系数等交通特征。分析结果表明,车载OBD数据能够较好地反映小汽车出行行为特征,并对交通需求管理政策的实施效果做出定量评价。     

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.     

基于浮动车数据挖掘的出租汽车运营特征研究

为支持出租汽车运营评价和行业规划,科学掌握其运营现状与特点,以深圳市一个典型工作日为例,研究浮动车数据挖掘在出租汽车运营特征研究中的应用.依托对浮动车数据的特征解析,提出面向出租汽车运营特征分析的数据处理流程,针对空驶率、运营速度、载客运营时长、出行需求的时空差异等方面分析深圳市出租汽车行业运营现状与特点.该研究可为出租汽车运营评价提供新视角,从对既有数据深度挖掘的角度提升行业效益.     

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.     

上海市第五次综合交通调查综合校核技术

居民出行调查主要依赖人工实施完成,受到各种人为因素制约,容易导致调查结果在反映真实出行特征方面存在偏差.因此,需要进一步利用和分析综合交通调查和其他相关数据进行综合校核.以上海市第五次综合交通调查为例,提出人员出行特征和车辆出行特征综合校核的技术方法.利用交通行业相关统计指标、交通大数据、其他专项调查以及交通模型对出行特征指标进行比对校核.重点阐述人员、客车、货车出行特征校核的方法及步骤.最后指出,与以往调查校核相比,本次校核大量应用信息化数据,有效地将传统调查与信息化调查成果相融合.     

基于卡口车牌识别数据的车辆出行分析

车辆出行是城市道路交通的基本组成单元,掌握城市道路网车辆的出行信息,深入挖掘车辆出行特征与规律,能为城市交通管理提供决策信息.本文基于卡口车牌识别数据,提出了一套车辆出行分析框架.首先对全路网运行的所有车辆的个体出行进行辨识,提取所有车辆出行的路径和行程信息,并从个体和集计层面获取车辆出行的规律特征;利用车辆的多日出行信息和统计特征,提出了车辆职住地识别方法;基于外地车的出行特征,利用 K-means++ 算法对外地车进行分类.在实例分析中,以广州市道路网运行车辆作为研究对象,开展了车辆出行分析,实验结果验证了本文方法的有效性.通过本文方法挖掘的信息对城市道路交通管理具有重要意义.     

����BRT���ź���ʱ�ĸɵ�ͨ����������

由于城市道路交通行为的复杂性以及高质量交通数据的缺乏,实时估计城市主干道的旅行时间具有一定的难度.基于实时的快速公交（BRT）以及信号配时数据,作了一系列研究,用以估计主干道旅行时间以及交通服务水平（LOS）.本文通过将公交车的排队延误时间、平均信号灯等待时间和自由流旅行时间综合在一起来实现旅行时间的估计.并以Valley Transportation Authority（VTA） BRT和智能驾驶系统作为数据源进行实验.实验结果表明,本文提出的估计主干道性能的方法非常有效.其中根均方误差（RMSE）和根均方百分比误差（RMSPE）分别为49s和9%,LOS估计的精度高达73%.     

基于APTS大数据的城市公交出行多维分析模型和方法

智能公交系统(Advanced Public Transportation Systems,APTS)数据具有海量、类型多样等大数据的典型特征,对其进行分析和挖掘可能获得丰富的公交出行特征和规律.构建基于APTS大数据的公交出行多维分析框架,在计算乘客出行时空信息(上车、下车和换乘)的基础上,建立包含4个维度(乘客、时间、空间和行为)的公交出行数据模型,系统提出基于5种联机分析处理方法的公交出行分析内容.应用APTS大数据对模型和方法进行了实验和验证,研究结果表明,该方法能够便捷地分析不同维度、不同粒度的公交出行信息,不仅能够应用于公交乘客出行行为的研究,还能够为城市公交系统的规划和管理提供决策支持.     

大数据时代城市交通学发展的机遇

基于对城市交通研究的思维方式和技术方法的回顾,指出大数据时代城市交通学面临发展机遇.阐述在信息化发展背景下,既要研究信息化发展与城市交通的相互联系,也要研究如何适应信息化发展来组织城市交通网络的构建和运行.分析了城市交通需求管理在指导城市交通网络构建和运行中的作用.基于交通模型应用现状,从五个方面阐述大数据技术为微观个体行为、出行需求特征与演变规律和传统交通模型等多方面的重新认识乃至重构提供重要的技术支撑.提出研究并建立适应中国国情的城市交通模型,最终达到促进城市交通学发展的目的.最后指出应用信息技术改善城市交通是当前的重要课题.