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。      

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。     

基于手机信令数据和Needleman-Wunsch序列匹配算法的都市圈出行方式识别

为弥补传统的居民出行调查方法在都市圈出行调查中的不足,提出一套基于手机信令数据的都市圈跨市出行方式识别算法,通过分析不同出行方式在出行路径、出行时间、出行地点方面的差异,实现高铁、大巴及小汽车3类主要跨市出行方式识别。首先,在成都市成华区和资阳市雁江区设计都市圈出行试验,招募志愿者采集出行手机信令数据;然后,分析都市圈跨市出行连接信号基站分布特征,再基于Needleman-Wunsch序列匹配算法提取出行路径信息,区分高铁出行和公路出行;最后,针对公路出行方式构建模糊识别模型,划分小汽车和大巴车出行。研究结果显示,在志愿者出行识别中,通过与志愿者出行日志对比,所提模型出行路径识别准确率达93.80%,3种出行方式均被正确识别;在研究区域全部手机用户集计出行识别中,3种出行方式占比大致为12.79%, 1.36%, 85.85%,与成都交通发展研究院2021年公布的《成德眉资区域出行报告》中出行分担比基本相同（12.23%, 1.36%,86.41%）,证明所提算法识别效果良好。