CN102136192A - 一种基于手机信号数据的出行方式识别方法 - Google Patents

Abstract

本发明提供了一种基于手机信号数据的出行方式识别方法，其特征在于，步骤为：先建立虚拟传感器网络，随后根据先验知识配置五种出行方式的三个属性的合理取值范围，该取值范围用分段线性函数来表示，称为可能性映射函数，然后获取手机信号数据，通过基于虚拟传感器网络的路径匹配计算基于线路的可能性数值，再计算基于距离、时耗、速度三个属性的可能性数值，通过可能性数值判断该手机用户的该次出行是属于哪种方式。本发明的优点是：充分依托现有的移动通信网络资源，采用结构灵活、易于扩展、计算简单的方法，以出行者的单次完整出行过程的手机信号数据作为输入，实现五种常规出行方式的自动化识别，进而获取极具时效性的出行方式相关信息。

Description

一种基于手机信号数据的出行方式识别方法

技术领域

本发明涉及一种基于手机信号数据的出行方式识别方法，用于从手机信号数据这种全新数据源中挖掘出行方式方面的交通需求信息，可为交通规划、交通需求管理、交通政策评估以及交通运营管理服务，属于交通规划与管理方法技术领域。

背景技术

出行方式组成结构是重要的交通需求信息，对于合理的推行公交优先战略、优化城市多模式换乘效率、实施结构性的交通需求管理、有针对性地开展引导性的基础设施建设、并最终缓解交通拥堵状况，有着重要的数据支持作用。

近年来，随着我国经济的快速发展，城市基础设施建设蓬勃开展，土地利用性质变化很快。伴随着各种先进的交通运输工具和信息化交通管理手段的应用，交通基础设施与交通运行模式都在迅速地发生变化。因此，现代化的交通规划与管理工作对于出行方式相关信息的时效性和动态性要求都随之显著提高。

出行方式信息的传统获取手段是在居民出行调查过程中直接向出行者进行询问。由于传统的居民出行调查方法耗费成本高、涉及人员多、组织难度大，这种信息获取手段通常只能在较大规模的城市才可能得以实施，并且实施周期长达数年。这样就只能获取对应较长一段时间的准静态的出行方式信息，无法迅速地反映较短时间内的交通模式上的变化规律。这种传统的出行方式信息获取手段，已经无法完全满足新时代交通规划和管理的需要。

随着通信技术的进步和应用普及，现代移动通信网络中蕴含的手机信号数据规模不断扩大，可以从中提取出海量的出行轨迹信息，因而使手机信号数据成为挖掘动态交通需求信息的全新数据源。基于海量手机信号数据来获取动态的交通需求信息，也成为最新的技术发展方向。

出行方式信息是交通需求信息中不可或缺的重要组成部分。为了充分利用手机信号数据这种全新数据源来满足现代化交通规划与管理工作的需要，迫切需要一种能够基于出行者的手机信号数据进行出行方式识别的方法，来获取满足较高时效性和动态性的出行方式相关信息。

发明内容

本发明的目的是提供一种利用出行者在出行过程中的手机信号数据来识别其所采取的出行方式的方法，其输入数据是对应一个出行者的一次完整出行过程的手机信号数据。该方法可以实现轨道交通、地面公交、私人机动车、自行车和步行五种常规出行方式的识别，从而可以基于海量的手机信号数据用自动化的手段获取极具时效性和动态性的出行方式相关信息。

为了达到上述目的，本发明的技术方案是提供了一种基于手机信号数据的出行方式识别方法，其特征在于，步骤为：

步骤1、建立由虚拟传感器节点和路段构成的虚拟传感器网络，在该虚拟传感器网络中包括轨道交通专用的虚拟传感器子网络和地面公交专用的虚拟传感器子网络；

步骤2、根据先验知识配置五种出行方式的三个属性的合理取值范围，其中，五种出行方式分别为轨道交通、地面公交、私人机动车、自行车和步行，三个属性为出行距离、旅行时间和平均速度，合理取值范围用分段线性函数来表示，称为可能性映射函数，每个属性的每种出行方式对应一个分段线性函数，即共有15个分段线性函数，分段线性函数的自变量为属性数值，分段线性函数的值为某个出行者的某次出行属于五种出行方式中的一种的可能性；

步骤3、获取某个出行者在一次完整出行过程中的所有手机信号数据；

步骤4、通过虚拟传感器网络地理译码得到每个手机信号数据所对应的虚拟传感器节点组成虚拟传感器节点序列，并从每个手机信号数据中获取该出行者在路网上的实际位置信息；

步骤5、将虚拟传感器节点序列与轨道交通专用的虚拟传感器子网络进行路径匹配，计算得到本次出行位于轨道交通线路上的出行距离Lrail、旅行时间Trail和平均速度属性Vrail，根据匹配结果计算步骤3所述的出行者本次出行符合轨道交通线路的可能性数值                                                

；

步骤6、将虚拟传感器节点序列与地面公交专用的虚拟传感器子网络进行路径匹配，计算得到本次出行位于地面公交线路上的出行距离Lbus、旅行时间Tbus和平均速度属性Vbus，根据匹配结果计算步骤3所述的出行者本次出行符合地面公交线路的可能性数值

；

步骤7、根据出行过程中各个手机信号数据的发生时刻与空间位置，计算步骤3所述的出行者本次出行的三个属性，即出行距离L、旅行时间T和平均速度V；

步骤8、分别将步骤5、步骤6及步骤7得到的三个属性值带入步骤2得到的可能性映射函数，得到每种出行方式基于每种属性的每个可能性数值，即一共得到15个可能性数值；

步骤9、基于步骤5得到的可能性数值

、步骤6得到的可能性数值

及步骤8得到的可能性数值，计算步骤3所述的出行者本次出行属于每一种出行方式的可能性，将可能性最大的出行方式作为出行方式判断结果。

本发明的优点是：充分依托现有的移动通信网络资源，采用结构灵活、易于扩展、计算简单的方法，以出行者的单次完整出行过程的手机信号数据作为输入，实现五种常规出行方式的自动化识别，进而获取极具时效性的出行方式相关信息。

附图说明

图1为本发明提供的一种基于手机信号数据进行出行方式识别的流程。

具体实施方式

以下结合实施例来具体说明本发明。

实施例

如图1所示，本发明提供了一种基于手机信号数据的出行方式识别方法，其步骤为：

步骤1、建立虚拟传感器网络；虚拟传感器网络由节点和路段构成；其中，虚拟传感器节点定义为在无线网络与道路网络的交叉区域中因为手机网络信号变化而产生无线网络事件的点；通过该虚拟传感器网络可以获得每一个虚拟传感器节点对应到实际路网上的空间位置；由于识别方法中要用到轨道交通和地面公交这两种出行方式在线路确定性上的特征，所以，在虚拟传感器网络中，还包含了轨道交通专用的虚拟传感器子网络和地面公交专用的虚拟传感器子网络；在两种子网络中，可以获得由具有连通关系的一系列虚拟传感器节点序列构成的路径的长度，该长度为沿着轨道交通线路或地面公交线路行驶的实际里程，而不是简单的点间直线距离之和。虚拟传感器网络的建立方法公开在申请号为200910048300.6的专利中。

步骤2、根据先验知识配置五种出行方式的三个属性的合理取值范围；该取值范围用分段线性函数来表示，称为可能性映射函数；函数的自变量为属性数值，函数值为本次出行属于特定出行方式的可能性，是一个无量纲的数值，函数的定义域为非负实数，函数的值域为[0，1]；五种出行方式包括：轨道交通、地面公交、私人机动车、自行车和步行；三个属性包括出行距离、旅行时间和平均速度；在本实施例中，五种出行方式、各三种属性，共计15个可能性映射函数，其函数公式如表1所示；

表1

步骤3、获取某个出行者A在一次完整出行过程中的手机信号数据；其中，每一个手机信号数据对应一个在特定时刻发生的网络交互事件，都可与虚拟传感器网络中的某一个虚拟传感器节点相对应；

步骤4、通过虚拟传感器网络地理译码得到手机信号数据对应的虚拟传感器节点序列和在路网上的实际位置信息；其中，虚拟传感器节点序列用于在步骤5和步骤6中进行路径匹配，进而计算出行符合特定线路的可能性，位置数据用于计算各个出行属性；空间位置信息使用地面平面直角坐标（X，Y）来表示，按照时间排序的一系列空间位置构成了本次出行的完整出行轨迹；其中，出行轨迹中的首、末两个位置点分别对应着出行者的出发地点和达到地点；由于该数据是从手机信号数据中获取的，其定位精度将显著低于GPS的定位精度，并且相邻位置点之间的时间间隔是不固定的，可短至数秒，可长达十数分钟；在本实施例中，出行者A的本次出行的一系列空间位置数据如表2所示；

表2

步骤5、将手机信号数据对应的虚拟传感器节点序列与轨道交通专用的虚拟传感器子网络进行路径匹配，根据匹配结果计算本次出行符合轨道交通线路的可能性

；步骤如下：

步骤5.1、将虚拟传感器节点序列中无法与轨道交通专用的虚拟传感器子网络中的虚拟传感器节点相对应的节点标记为NULL节点；

步骤5.2、将虚拟传感器节点序列与轨道交通专用的虚拟传感器子网络中包含的所有路径进行匹配；匹配成功的条件为：在忽略序列头部和尾部的若干个NULL节点的前提下，其余所有虚拟传感器节点都可以按顺序、连续或不连续地对应到某条虚拟传感器路径上，且实现对应的节点个数超过给定阈值Nrail；当存在多条匹配成功的路径时，选择匹配节点个数最多、最少换乘的一条路径作为最终匹配结果；如果匹配不成功，将本次出行符合轨道交通线路的可能性数值设置为0；如果匹配成功，继续步骤5.3；在本实施例中，阈值Nrail设置为2，出行者A的虚拟传感器节点序列未能匹配成功；

步骤5.3、当匹配成功时，记录匹配上的轨道交通线路，根据虚拟传感器网络中包含的路径长度信息，计算本次出行位于轨道交通线路上的出行距离Lrail、旅行时间Trail和平均速度属性Vrail；

其中，出行距离Lrail、旅行时间Trail和平均速度属性Vrail的过程为：通过虚拟传感器网络地理译码，得到轨道交通出行段在实际轨道交通线路网中对应的出行路径的长度，即为出行距离Lrail，根据轨道交通出行段的第一个和最后一个虚拟传感器节点的时刻信息，计算旅行时间Trail，进而计算出行者在轨道交通出行段的平均速度属性Vrail；

步骤5.4、计算步骤5.2中实现对应的节点个数占据虚拟传感器节点序列长度的比例Rrail，根据以下公式所描述的函数，计算本次出行符合轨道交通线路的可能性数值

；

步骤6、将手机信号数据对应的虚拟传感器节点序列与地面公交专用的虚拟传感器子网络进行路径匹配，根据匹配结果计算本次出行符合地面公交线路的可能性

；步骤如下：

步骤6.1、将虚拟传感器节点序列中无法与地面公交专用的虚拟传感器子网络中的虚拟传感器节点相对应的节点标记为NULL节点；

步骤6.2、将虚拟传感器节点序列与地面公交专用的虚拟传感器子网络中包含的所有路径进行匹配；匹配成功的条件为：在忽略序列头部和尾部的若干个NULL节点的前提下，其余所有虚拟传感器节点都可以按顺序、连续或不连续地对应到某条虚拟传感器路径上，且实现对应的节点个数超过给定阈值Nbus；当存在多条匹配成功的路径时，选择匹配节点个数最多、最少换乘的一条路径作为最终匹配结果；如果匹配不成功，将本次出行符合地面公交线路的可能性数值设置为0；如果匹配成功，继续步骤6.3；在本实施例中，阈值Nbus设置为2，出行者A的虚拟传感器节点序列未能匹配成功；

步骤6.3、当匹配成功时，记录匹配上的地面公交线路，根据虚拟传感器网络中包含的路径长度信息，计算本次出行位于地面公交线路上的出行距离Lbus、旅行时间Tbus和平均速度属性Vbus，其计算方法同步骤5.3；

步骤6.4、计算步骤6.2中实现对应的节点个数占据虚拟传感器节点序列长度的比例Rbus，根据以下公式所述的函数，计算本次出行符合地面公交线路的可能性数值

；

步骤7、根据出行过程中各个信号数据的发生时刻与空间位置，计算本次出行的三个属性：出行距离L、旅行时间T和平均速度V，三个属性的量纲分别为公里、分钟和公里/小时；在实施例中，出行者A的出行属性的计算结果如表3所示；具体计算过程如下：

出行属性	数值
		出行距离	5.5 公里
旅行时间	24.5 分钟
		平均速度	13.4 公里/小时

表3

步骤7.1、出行距离的计算，使用一种粗略的计算方法：直角折线距离；如果出行过程中包含N个位置点，形成N-1个相邻的位置点对，则分别计算任一对相邻位置点i（Xi，Yi）、j（Xj，Yj）之间的直角折线距离，计算公式为：L(i→j)=|Xi-Xj|+|Yi-Yj|，然后，将N-1个直角折线距离累加在一起，其和值为本次出行的出行距离，量纲需转化为公里；在本实施例中，出行者A的本次出行中的相邻位置点之间的直角折线距离，如表2所示，出行距离的计算结果为5.5公里，如表3所示；

步骤7.2、将出行过程中的首、末两个信号数据的时间戳之差作为本次出行的旅行时间，量纲需转化为分钟；在本实施例中，旅行时间的计算结果为24.5分钟，如表3所示；

步骤7.3、用出行距离除以旅行时间，计算得到平均速度数值，量纲需转化为公里/小时；在本实施例中，平均速度的计算结果为13.4公里/小时，如表3所示；

步骤8、将本次出行的属性数据代入可能性映射函数，得到基于各种属性的可能性数值；在本实施例中，出行者A本次出行的出行距离、旅行时间、平均速度分别为：5.5公里、24.5分钟、13.4公里/小时，可能性数据的计算结果如表4b所示；详细计算逻辑如下步骤所述；

步骤8.1、对于轨道交通和地面公交，在符合线路的可能性为0时，不再进行此步计算，直接将各个属性对应的可能性数值设置为0；在线路符合可能性大于0时，将步骤5、6中计算得到的属性数据Lrail、Trail、Vrail或Lbus、Tbus、Vbus，代入相应的可能性映射函数，计算可能性数值；在本实施例中，轨道交通和地面公交的所有可能性数值均为0；

步骤8.2、对于私人机动车、自行车和步行三种出行方式，由于其出行线路不具有确定性，因此认为其符合线路的可能性数值恒为1；将步骤7中得到的属性数据L、T、V，代入相应的可能性映射函数，计算可能性数值；在本实施例中，计算结果如表4b所示；

步骤9、根据基于各种属性的可能性数值，计算本次出行属于每一种出行方式的可能性，将可能性最大的出行方式作为出行方式判断结果；计算逻辑如表4a所示，对于任一种出行方式，将其属下的多个可能性数值相乘，得到本次出行属于这种出行方式的最终可能性数值；当出现多个相等的最大可能性数值时，则按照“轨道交通>地面公交>私人机动车>自行车>步行”的优先顺序进行判断。在本实施例中，出行者A的此次出行属于五种出行方式的可能性数值分别为：0.00、0.00、0.66、0.90、0.00，据此将可能性最大的自行车出行方式作为最终的识别结果。

表4a

表4b

Claims (7)

1.一种基于手机信号数据的出行方式识别方法，其特征在于，步骤为：

步骤1、建立由虚拟传感器节点和路段构成的虚拟传感器网络，在该虚拟传感器网络中包括轨道交通专用的虚拟传感器子网络和地面公交专用的虚拟传感器子网络；

步骤2、根据先验知识配置五种出行方式的三个属性的合理取值范围，其中，五种出行方式分别为轨道交通、地面公交、私人机动车、自行车和步行，三个属性为出行距离、旅行时间和平均速度，合理取值范围用分段线性函数来表示，称为可能性映射函数，每个属性的每种出行方式对应一个分段线性函数，即共有15个分段线性函数，分段线性函数的自变量为属性数值，分段线性函数的值为某个出行者的某次出行属于五种出行方式中的一种的可能性；

步骤3、获取某个出行者在一次完整出行过程中的所有手机信号数据；

步骤4、通过虚拟传感器网络地理译码得到每个手机信号数据所对应的虚拟传感器节点组成虚拟传感器节点序列，并从每个手机信号数据中获取该出行者在路网上的实际位置信息；

步骤5、将虚拟传感器节点序列与轨道交通专用的虚拟传感器子网络进行路径匹配，计算得到本次出行位于轨道交通线路上的出行距离Lrail、旅行时间Trail和平均速度属性Vrail，根据匹配结果计算步骤3所述的出行者本次出行符合轨道交通线路的可能性数值                                                

；

步骤6、将虚拟传感器节点序列与地面公交专用的虚拟传感器子网络进行路径匹配，计算得到本次出行位于地面公交线路上的出行距离Lbus、旅行时间Tbus和平均速度属性Vbus，根据匹配结果计算步骤3所述的出行者本次出行符合地面公交线路的可能性数值

；

步骤7、根据出行过程中各个手机信号数据的发生时刻与空间位置，计算步骤3所述的出行者本次出行的三个属性，即出行距离L、旅行时间T和平均速度V；

步骤8、分别将步骤5、步骤6及步骤7得到的三个属性值带入步骤2得到的可能性映射函数，得到每种出行方式基于每种属性的每个可能性数值，即一共得到15个可能性数值；

步骤9、基于步骤5得到的可能性数值

、步骤6得到的可能性数值

及步骤8得到的可能性数值，计算步骤3所述的出行者本次出行属于每一种出行方式的可能性，将可能性最大的出行方式作为出行方式判断结果。

2.如权利要求1所述的一种基于手机信号数据的出行方式识别方法，其特征在于，步骤4所述实际位置信息采用平面直角坐标来表示。

3.如权利要求1所述的一种基于手机信号数据的出行方式识别方法，其特征在于，所述步骤5包括：

步骤5.1、将虚拟传感器节点序列中无法与轨道交通专用的虚拟传感器子网络中的虚拟传感器节点相对应的节点标记为NULL节点；

步骤5.2、在忽略虚拟传感器节点序列中的NULL节点的前提下，虚拟传感器节点序列中其余所有节点都可以按顺序、连续或不连续地对应到轨道交通专用的虚拟传感器子网络的某条虚拟传感器路径上，若实现对应的节点个数超过给定阈值时，则匹配成功，进入步骤5.3，否则匹配失败，将本次出行符合轨道交通线路的可能性数值

设置为0；

步骤5.3、记录匹配上的具体轨道交通线路，根据虚拟传感器网络中包含的路径长度信息，计算本次出行位于轨道交通线路上的出行距离Lrail、旅行时间Trail和平均速度属性Vrail；

步骤5.4、计算步骤5.2中实现对应的节点个数占据虚拟传感器节点序列长度的比例Rrail，根据以下公式所描述的函数，计算本次出行符合轨道交通线路的可能性数值

：

 ，其中，

为比例Rrail。

4.如权利要求1所述的一种基于手机信号数据的出行方式识别方法，其特征在于，所述步骤6包括：

步骤6.1、将虚拟传感器节点序列中无法与地面公交专用的虚拟传感器子网络中的虚拟传感器节点相对应的节点标记为NULL节点；

步骤6.2、在忽略虚拟传感器节点序列中的NULL节点的前提下，虚拟传感器节点序列中其余所有节点都可以按顺序、连续或不连续地对应到地面公交专用的虚拟传感器子网络的某条虚拟传感器路径上，若实现对应的节点个数超过给定阈值时，则匹配成功，进入步骤6.3，否则匹配失败，将本次出行符合地面公交线路的可能性数值

设置为0；

步骤6.3、记录匹配上的具体地面公交线路，根据虚拟传感器网络中包含的路径长度信息，计算本次出行位于地面公交线路上的出行距离Lbus、旅行时间Tbus和平均速度属性Vbus；

步骤6.4、计算步骤6.2中实现对应的节点个数占据虚拟传感器节点序列长度的比例Rbus，根据以下公式所述的函数，计算本次出行符合地面公交线路的可能性数值

：

 

，其中，

为比例Rbus。

5.如权利要求2所述的一种基于手机信号数据的出行方式识别方法，其特征在于，所述步骤7包括：

步骤7.1、若各个手机信号数据对应N个位置点，形成N-1个相邻的位置点对，则分别计算任一对相邻位置点i（Xi，Yi）、j（Xj，Yj）之间的直角折线距离，计算公式为：L(i→j)=|Xi-Xj|+|Yi-Yj|，然后，将N-1个直角折线距离累加在一起，其和值为本次出行的出行距离L；

步骤7.2、将出行过程中的首、末两个手机信号数据的时间戳之差作为本次出行的旅行时间T；

步骤7.3、用出行距离除以旅行时间，计算得到平均速度数值V。

6.如权利要求1所述的一种基于手机信号数据的出行方式识别方法，其特征在于，所述步骤8包括：

步骤8.1、对于轨道交通和地面公交，在可能性数值

或可能性数值

为0时，不再进行此步计算，直接将各个属性对应的可能性数值设置为0；在线路符合可能性大于0时，将步骤5及步骤6中计算得到的出行距离Lrail、旅行时间Trail和平均速度属性Vrail及出行距离Lbus、旅行时间Tbus和平均速度属性Vbus，代入相应的可能性映射函数，计算得到6个可能性数值；

步骤8.2、对于私人机动车、自行车和步行三种出行方式，由于其出行线路不具有确定性，因此认为其符合线路的可能性数值恒为1，将步骤7中得到的出行距离L、旅行时间T和平均速度V，代入相应的可能性映射函数，计算得到9个可能性数值。

7.如权利要求1所述的一种基于手机信号数据的出行方式识别方法，其特征在于，所述步骤9中计算步骤3所述的出行者本次出行属于每一种出行方式的可能性的步骤为：将每一种出行方式的三个属性所对应的可能性数值相乘，并乘以符合轨道交通线路的可能性数值

、或符合地面公交线路的可能性数值

、或乘以1。

Images