基于组合模型的车辆出行特征模式划分

精准掌握车辆的出行规律研究智能化城市交通管理及规划的基础工作,而掌握车辆出行规律的前提是探究车辆的出行特征。为研究城市道路交通车辆的出行特征模式,通过对历史RFID轨迹数据挖掘,对私家车、出租车样本轨迹数据进行定性分析,总结车辆运行的分布特征规律。基于数理统计分析,建立了出行频次、在网时间、轨迹重复率、出行时段,活动偏好区域、干线影响区偏好等出行特征指标体系。通过对出行特征指标的定制选取,建立基于密度峰值(CFSFDP)算法与BP神经网络算法的出行特征群体辨识模型。研究了私家车、出租车存在的特征群体,辨识出不同的出行模式,即实现出行特征群体的辨识。选取重庆市主城区域内的RFID数据进行试验分析,分别基于私家车、出租车提取的出行特征指标,进行CFSFDP算法的聚类分析,找到聚类中心,归纳分类数据。再利用分类数据进行BP神经网络训练学习,评价模型试验结果。结果表明:私家车存在3种出行特征群体:商用私家车群体、通勤私家车群体、其他私家车群体,群体识别率为97.2%。出租车具有2种出行特征群体:其他区域偏好出租车群体、干线影响区偏好出租车群体;群体识别率高达99.18%。