CN103810851B - 一种基于手机定位的交通出行模式识别方法 - Google Patents
一种基于手机定位的交通出行模式识别方法 Download PDFInfo
- Publication number
- CN103810851B CN103810851B CN201410033560.7A CN201410033560A CN103810851B CN 103810851 B CN103810851 B CN 103810851B CN 201410033560 A CN201410033560 A CN 201410033560A CN 103810851 B CN103810851 B CN 103810851B
- Authority
- CN
- China
- Prior art keywords
- trip
- mobile phone
- pattern
- phone location
- mode
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于手机定位的交通出行模式识别方法,包括以下步骤:步骤1、通过手机定位算法获取手机位置坐标;步骤2、根据所述手机位置坐标确定出行路径并计算手机定位移动速度;步骤3、应用“多特征匹配法”进行多模式交通出行识别。本发明建立交通出行模式识别的“多特征匹配法”,对手机定位信息进行采集、分析和时空特征匹配,可以较为准确地识别公交出行、自驾车(或出租车)出行和步行出行三种典型的出行模式。通过本发明的推广应用,可以为城市交通规划、建设和运营管理提供基础数据支撑,有利于交通管理部门科学决策。
Description
技术领域
本发明涉及交通信息服务技术领域,具体涉及一种基于手机定位的交通出行模式识别方法。
背景技术
交通拥堵问题是城市化面临的最重要问题之一。为了解决交通拥堵问题,人们提出了不同的解决办法,其中科学规划和调度被认为是解决交通拥堵问题的有效手段,而科学规划和调度的基础是对于交通出行信息的掌握。交通出行信息的采集有很多种方法,目前主要的采集方法概括起来主要有定点式采集和流动式采集两种。定点采集方式包括感应线圈检测器采集、超声波检测器采集、红外线检测器采集、微波检测器采集、视频检测器采集等。这种采集方式由于采集器安装位置固定,因此只能采集到重要路段、交叉口的交通信息,因此在采集范围上存在局限性。流动式采集主要指浮动车采集,浮动车方式采集到的交通信息数据的可靠性依赖于道路上行程的浮动车数量,因此,当某一路段行驶的浮动车数量低于要求时,高路段的交通数据的可靠性就会大大降低。为了获得全面、实时、准确的交通出行信息,近年来很多人开始研究基于手机的交通出行信息采集技术,该技术具有初期投资规模小、数据采集量大、能实现大范围覆盖等特点。随着智能手机和GPS手机的广泛普及以及其定位精度的不断提升,如何充分挖掘手机位置信息成为各个行业领域的一个研究热点,而手机交通出行信息采集技术作为新的交通信息采集手段,目前还存在许多技术上的问题。
20世纪90年代以来,以无线定位技术(WLT)为基础的交通检测在国外的实际测验中被广泛的采用。2000年,加州大学伯克利分校进行了利用网络辅助的卫星定位技术(AGPS)对圣弗朗西斯科海湾道路网络进行车量行程时间的估算,该方法整合了一系列模型,包括平均速度估计模型和误差估计模型。加拿大交通运输发展中心和CELL-Loc公司开展将手机定位技术应用于交通监控系统的概念性和框架性的研究,该研究利用移动网络定位技术的时间到达差(TDOA)法,尝试提取手机所在车辆的速度等信息。加拿大交通运输发展中心联合GLOBIS公司以及滑铁卢大学进行了一项使用手机检测交通信息的研究,通过加拿大BELL移动运营公司的LBS平台,采集14个AGPS手机使用者的定位数据,采用相应的地图匹配算法、建立数学模型以实现对测试道路的平均速度进行估计,并通过互联网将交通信息发布到手机用户。美国加州大学伯克利分校的Mobile Century项目进行了一系列基于GPS手机采集交通信息的试验与研究,研究首先利用100辆装备有NOKIA N95(具有GPS定位功能)手机的小汽车,环绕加利福尼亚州I-800公路驾驶以采集手机定位数据,收集到的数据被实时地进行处理并通过互联网进行发布。研究对于公路交通,证明在保障手机用户隐私安全的前提下,不需要大量的采样车辆,系统既可以实现准确的交通状态估计和发布。对于城市干道交通,开发的Mobile Millenium系统通过逻辑回归和时空自回归移动平均数两种统计算法实现交通状况的估计,通过来自纽约地区在纽约地区进行的实地试验数据和Paramics仿真软件的数据,对算法和系统进行了测试,结果表明通过少量的GPS手机定位数据,能够很好地实现对城市交通主干道状态的估计。Tsui and Shalaby建立了一套整合的GPS-GIS系统用以对个人行驶调查数据进行自动化处理。该系统使用一个模糊逻辑识别算法,传统的GPS数据记录器被分配到调查参者,几天后收回,用以对收集到的GPS数据进行后期处理,通过统计算法对GPS轨迹进行交通模式的识别,取得了较高的精度。Byon,Y-J.,ShalabyA等研发了一套整合GPS和GIS的软件,名为GISTT,该软件可以对线下的和即时的GPS数据进行处理,以实现交通监测和行驶时间的估计。Zheng等人利用手持GPS设备记录的GPS定位轨迹,选取方式段长度、平均速度、速度均值、速度协方差等、最大的三个加速度、最大的三个速度等统计值,分别利用决策树、贝叶斯网、支持向量机、条件随机场等模式识别方法,对出行者采用的交通方式进行了识别。Uno等人使用来自公交车探测的GPS数据,对行驶时间的变化和服务的水平进行分析,在他们的研究中,交通的模式固定为公交车模式。
近年来,随着国内手机的迅速普及以及手机定位精度的提高,对手机数据信息的挖掘利用成为各行各业研究的热点,国内基于手机定位数据采集交通信息的研究也逐渐开展起来。杨飞等人通过对TDOA(时间到达差法),A-GPS(网络辅助的GPS定位),Enhanced Cell ID with A(结合时间提前量的手机定位),Handover(切换定位)等方法投入成本以及定位准确性的对比,对手机定位釆集交通信息的主要问题进行了分析,并对该领域的相关成果进行了统计,同时提出了未来需要攻克的难点。马丽提出了利用手机网络定位进行高速公路实时交通参数估计的方法,该方法利用移动网络计算出的车载手机的ID信息和位置信息进行独立车辆的识别与在路车辆数的估计,继而利用这些数据,釆用聚类分析的方法进行高速公路实时交通参数的估计。张建钦对比分析现有交通信息采集方式的优点和不足的基础上,提出了利用带有GPS的智能手机采集、处理、发布交通信息的方法,并给出了利用GPS智能手机进行实时交通信息采集、交通信息发布与实时动态导航两个系统的框架,提出了研究的技术难点并进行了初步的探讨。马占刚分析并归纳总结了移动通信技术的特点,建立了以手机短信和移动定位技术为基础的交通信息采集系统,给出了系统的软件构架和工作流程。张治华通过利用志愿者采集的GPS轨迹信息交通模式的判别,分别采用神经网络、贝叶斯和决策树算法,并对比了算法的准确性,取得了较高的识别精度。张博利用基于手机网络的定位技术,从移动网络段收集出行者位置信息、出行时间等。他设计了一种简单的路径匹配算法和基于模糊识别的交通方式识别算法,依据北京市出行调查等经验数据,分别对几种交通方式建立了隶属度函数,通过C#编程,用路网信息做辅助数据,对轨道交通、步行、机动车等几种出行方式进行了划分。闫彭提出了一种通过追踪AGPS手机中的定位数据来识别交通流中的乘客所采用的交通方式的方法,通过Weka软件建立起BP神经网络来对AGPS定位数据进行交通方式的识别。
上海美慧软件公司在基于手机采集交通信息产品的技术领域申请了以下5项发明专利:一种基于手机信号数据检测交通状态的方法(CN101510357A);一种基于手机信号数据识别机动车与非机动车的方法(CN101620785A);一种关键路径实时动态旅行时间计算的方法(CN101982735A);一种适合交通信息表达的示意图绘制方法(CN101996488A)。美慧公司研发的软件应用手机信令采集技术,利用现有的手机网络资源和已有手机通信中的少量信息来定位手机用户,进而获取实时交通数据。该技术只需在现有的手机网络上安装少量的采集设备,即能在短时间完成城市内大范围的实时交通数据采集。该技术还可融合环形线圈、浮动车GPS等其他方式采集的数据,并在上海、重庆等城市进行了实际应用。
总体来说,为了解决城市交通拥堵问题,对城市交通进行科学规划和合理调度,需要掌握市民的交通出行信息,特别是交通出行模式的客流分配状况。目前采用的交通流量检测方法和客流调查方法在覆盖面和准确性上均存在不足,较难获得准确、实时的城市交通出行分配信息。随着智能手机、GPS手机的迅速普及以及定位精度的不断提高,利用手机定位信息来检测交通流量和识别交通出行模式,具有准确、实时、覆盖面广、投资少等特点,具有重要的应用价值。目前在基于手机定位的交通出行模式识别研究方面,现有的方法存在算法复杂、运算量大、准确性不高等问题,对交通规划管理决策的作用不明显,难以进行推广应用。
目前国内外的研究主要集中在利用手机定位数据检测道路交通流量,在交通出行模式识别方面的研究开展的不多。也有专家利用手机定位信息研究交通出行模式识别,但在识别方法上存在以下问题:(1)主要通过神经网络、模糊识别等算法来实现,其算法过于复杂、运算量太大,不易推广;(2)识别的准确性不高,对决策的作用不大;(3)以研究性质为主,离实际推广应用还有较长的距离。
发明内容
本发明的目的是提供一种基于手机定位的交通出行模式识别方法,其通过几种交通出行模式的时空信息特征,建立交通出行模式识别的“多特征匹配法”,通过对手机定位信息进行采集、分析和特征匹配,可以较为准确地识别公交出行、自驾车(或出租车)出行和步行出行三种典型的出行模式。本方法算法简单、容易实现,具有重要的社会经济意义和应用推广价值。
为实现以上目的,本发明采取了的技术方案是:
一种基于手机定位的交通出行模式识别方法,包括以下步骤:
步骤1、通过手机定位算法获取手机位置坐标;
步骤2、根据所述手机位置坐标确定出行路径并计算手机定位移动速度;
步骤3、多模式交通出行识别,所述多模式包括公交模式、小汽车模式以及步行模式;所述步骤3包括以下步骤:
步骤31、根据轨迹特征匹配法计算公交路径匹配率,当所述公交路径匹配率不小于公交路径匹配率设定值时,执行步骤32,反之,执行步骤34;
步骤32、根据速度特征匹配法、聚合度特征匹配法以及距离特征匹配法进行公交模式出行识别,当同时满足速度特征匹配、聚合度特征匹配以及距离特征匹配时,执行步骤33;
步骤33、识别为公交出行模式;
步骤34、通过速度特征匹配法进行小汽车模式和步行模式的选择,当速度特征符合小汽车速度时,进行步骤35的操作,当速度特征符合步行速度时,执行步骤36的操作;
步骤35、根据聚合度特征匹配法进行小汽车模式出行识别,当聚合度特征满足小汽车模式出行时,则识别为小汽车模式出行;
步骤36、根据距离特征匹配法进行步行模式出行识别,当距离特征满足步行模式出行特征时,识别为步行模式出行。
所述轨迹特征匹配率计算方法是:
其中,R为出行路径的空间矢量值,G为公交路径匹配率,Bi为与出行路径重合的公交线路空间矢量值,其中,i为与出行路径重合的换乘公交线路数,1≤i<3,公交路径匹配率设定值为0.9。
速度特征匹配法用于计算速度匹配率,速度匹配率的计算方法是:
其中,j为出行模式,j=0时为公交模式出行,j=1时为小汽车模式出行,j=2时为步行模式出行,Mj为j出行模式下的速度匹配率,S为手机定位移动速度,为多模式出行下的理论平均速度,是公交模式下的理论平均速度,是小汽车模式下的理论平均速度,是步行模式下的理论平均速度;
的计算方法是:
其中,Se为j出行模式下路段e的设计速度,Xe为j出行模式下路段e的路阻系数,n为路段总数。
步骤32中,公交模式出行满足速度特征匹配的条件是1≥M0≥0.67;步骤34中,速度特征符合小汽车速度的条件是1≥M1≥0.67;速度特征符合步行速度的条件是1≥M2≥0.71。
所述聚合度特征匹配法用于计算出行人群的聚合度,所述聚合度的计算方法为:
其中,f为出行模式,f=1时为自驾车模式出行,f=2时为出租车模式出行,f=3时为公交模式出行,自驾车模式和出租车模式合称为小汽车模式,Df为f出行模式下的聚合度,Qmax为f出行模式下的出行聚合数Q的最大值,为f出行模式下的出行聚合数Q的平均值,Af是f出行模式下的聚合常数,其为一区间值;
所述和Qmax的计算方法如下:
Qmax=MAX{Qe} (6)
Qe为路段e的出行聚合数。
所述步骤32中,公交模式出行满足聚合度特征匹配的方法是1≥D3≥0.6,所述步骤35中,聚合度特征满足小汽车模式出行的方法包括满足自驾车模式出行和出租车模式出行,其中,聚合度特征满足自驾车模式出行的方法是1≥D3≥0.8,聚合度特征满足出租车模式出行的方法是1≥D3≥0.8。
所述步骤32中,公交模式出行满足距离特征匹配的方法是出行路径大于5公里且小于20公里时,步骤36中,距离特征满足步行模式出行的方法是出行路径小于2公里时。
所述步骤1包括:
步骤11、检测手机用户是否主动参与手机定位其位置坐标,如果是,执行步骤12,反之,执行步骤13;
步骤12、通过基于AGPS的手机定位算法获取手机位置坐标,并执行步骤14;
步骤13、基于移动通信网络的手机定位算法获取手机位置坐标,并执行步骤14;
步骤14、检测是单个手机用户还是多个手机用户,如果是单个手机用户,则执行步骤2,反之,执行步骤15;
步骤15,重复步骤12或步骤13,获取所有用户的手机位置坐标,基于多目标重合定位算法获取该多个手机用户的手机融合位置坐标,并执行步骤2。
所述基于移动通信网络的手机定位算法为基于TDOA的定位算法。
所述步骤2包括:
步骤21、对每个手机用户的手机位置坐标或手机融合位置坐标做多次定位并筛选;
步骤22、根据筛选后的手机位置坐标或手机融合位置坐标确定出行的起点和终点;
步骤23、确定出行路径,出行路径确定的方法是:采用移动通信网络对手机定位时,将起点以及终点位置与最优路径搜索相结合,重建用户的出行轨迹,所述出行轨迹即为出行路径;采用AGPS对手机定位时,将起点和终点之间的GPS轨迹与道路网络进行匹配,以获取出行路径;
步骤24、将出行路径除以总的有效时间间隔,获取手机定位移动速度,所述总的有效时间间隔为从起点至终点过程中手机移动时总时间。
本发明与现有技术相比,其有益效果在于:本发明提出一种算法简单、准确性高、容易实现的手机定位交通出行模式识别方法,通过对几种交通出行模式的时空信息特征进行分析和归纳,建立交通出行模式识别的“多特征匹配法”,对手机定位信息进行采集、分析和时空特征匹配,可以较为准确地识别公交出行、自驾车(或出租车)出行和步行出行三种典型的出行模式。通过本发明的推广应用,可以为城市交通规划、建设和运营管理提供基础数据支撑,有利于交通管理部门科学决策。
附图说明
图1为本发明一种基于手机定位交通出行模式识别方法的流程图。
具体实施方式
下面结合附图和具体实施方式对本发明的内容做进一步详细说明。
实施例
请参照图1所示,一种基于手机定位交通出行模式识别方法其包括以下内容:
(1)手机定位算法
按照出行调查手机用户的参与形式,可分为手机用户主动参与和被动参与。主动参与一般通过征集手机志愿者,通过志愿者在手机上安装数据采集软件,主动进行数据上传的形式;被动参与是在手机用户不知情的情况下,通过移动定位网络釆取特定定位技术来进行数据的采集,在这种情况下,需要保护手机用户的隐私安全。一般来说,主动参与形式下,采用基于终端设备的定位技术(GPS,AGPS);而被动参与形式下,采用基于移动通信网络的定位技术(Handover、E-OTD等)。
1)基于移动通信网络的定位
在手机定位中,目前主要的定位方法有:起源蜂窝小区COO、到达角度AOA、到达时间TOA、到达时间差TDOA、观测时间差OTDOA和增强型观测时间差E-OTD等。本发明采用TDOA定位方法对单个手机进行定位。TDOA定位是一种基于信号传播时间的无线定位方法,通过测量信号到达相邻基站的时间差对信号源进行定位。通信基站检测移动电话的传输信号,记录信号到达相邻基站的时间(TimeofArrival,TOA),并把TOA传送到定位服务中心(LSC),在LSC完成TDOA测量。同一信号到达两个基站的时间差就决定了一条移动电话所在的双曲线,测出两条轨迹双曲线并求它们的交点就可以得到移动电话的位置。假设基站JZ1(x1,y1),JZ2(x2,y2),JZ3(x3,y3)呈蜂窝状分布,手机处在三个基站所包含的正三角形区域内,手机位置坐标为MP(x,y),则手机与第i个基站之间的距离为:
若信号从手机到第i个基站的传输时间为ti,电波在空气中的传播速度为c,则可以得到TDOA双曲线定位方程组:
通过解上述双曲线定位方程组便可以获得手机的位置(x,y)。但在实际应用中,由于信号传播过程中的干扰和信号检测过程中引入的随机误差,获得的到达时间差必定存在误差,最终导致定位双曲线与理想条件下的双曲线之间存在位置偏移,相应的交点位置与移动电话的真实位置也会存在偏差。
2)基于AGPS定位
GPS定位原理是:将天空中GPS卫星作为已知点,根据GPS卫星星历求得GPS卫星的已知坐标,由GPS接收机测得卫星发射的无线电信号到达接收机的传播时间△t,即
△t=t2-t1
上式中t1是卫星发射定位信号时刻,t2是GPS接收机接收到卫星定位信号的时刻。则卫星到接收机的观测距离为:
上式中c是电磁波传播速度,用X、Y、Z表示卫星坐标,用x、y、z表示GPS接收机坐标,则星站间真实距离为:
考虑到接收机钟的误差σt,则可得到如下观测值方程:
上式中为观测量,X、Y、Z为己知量,x、y、z、σt为未知数。可见,只要观测4颗以上卫星,即可列出4个以上这样的方程式,便能解出4个未知数x、y、z、σt,从而确定接收机的坐标x、y、z。
GPS定位精度主要依赖两部分:定位设备捕捉到的卫星数量以及分布和测量的精度。GPS定位法是一种基于终端的定位技术,其优点在于定位精度高,理论上可以达到5到10米。其缺点在于GPS技术在市区内定位的概率较低,初次启动需要较长的时间,在冷启动的情况下通常需要120秒以上。为了克服GPS定位技术在初次启动时间上的缺点,出现了称为辅助GPS定位法,网络辅助的GPS卫星定位是目前移动通信网定位业务系统中广泛支持的一种定位技术。
AGPS定位仍然是基于GPS的,因此定位的首要步骤还是先搜索到当前地区的可用GPS卫星。在传统GPS定位中需要全频段搜索以找到可用卫星因而耗时较长,而AGPS通过网络直接下载当前地区的可用卫星信息,从而提高了搜星速度。同时,也减小了设备的电量消耗。AGPS中从定位启动到GPS接收器找到可用卫星的基本流程如下:
a)设备从峰窝基站获取到当前所在的小区位置(即一次TDOA定位);
b)设备通过蜂窝网络将当前蜂窝小区位置传送给网络中的AGPS位置服务器;
c)AGPS位置服务器根据当前小区位置查询该区域当前可用的卫星信息(包括卫星的频段、方位、仰角等相关信息),并返回给设备;
d)GPS接收器根据得到的可用卫星信息,可以快速找到当前可用的GPS卫星,完成GPS初始化过程结束;
e)接收卫星信号并进行定位,主要有两种方式:在移动设备端进行计算的MS-Based方式和在网络端进行计算的MS-Assisted方式;
f)设备将处理后的GPS信息(伪距信息)通过蜂窝网络传输给AGPS位置服务器;
g)AGPS服务器根据伪距信息,并结合其他途径蜂窝基站定位、参考GPS定位等得到的辅助定位信息,计算出最终的位置坐标,返回给设备。
(2)多目标融合定位算法
通过单个手机定位算法获得一部手机的位置测量值(xi,yi),经过数据融合算法进行处理,最终获得出行人群的聚集中心位置(x,y)。假设第i部手机在k时刻的测量值为xi(k),则k时刻得到的多手机的平均位置值为(由于高程z值的应用意义不大,这里不考虑):
每个手机对应的定位测量方差估计为:
则多个手机融合后的结果为:
(3)手机定位移动速度的计算方法
1)手机定位数据的筛选
考虑手机用户出行的规律性,在一般情况下,手机用户在周末出行的规律性一般较小,变化大且不可预测;而在工作日出行的规律性则较强,变化小。因此,将每个月工作日的手机定位数据单独提取出来,即筛选出周一至周五的历史手机定位数据,并分时段存储将用户规律出行的历史手机定位数据。
2)确定出行OD
将休息时段,即凌晨0点至7点的时间段内,手机定位个数的峰值小区设为规律出行的起始点;将工作时段,即在9点至12点的时间段内,手机定位小区个数的峰值小区设为终点。
3)确定出行路径
若采用移动通信网络定位,将历史定位小区的概率与最优路径搜索过程相结合,重建用户的出行轨迹,可以找出手机用户最大可能途经的路段。对于在两个定位小区之间没有出现历史定位数据的情况,则使用常见的Dijkstra最短路径算法进行路径的搜索。对于规律出行的手机用户,在工作日的部分时段内会有规律的出行,离开居住地去公司上班,即从O小区运动到D小区,下班后即从公司返回居住地,即从D小区运动到O小区。首先根据大概率历史定位小区的位置确定路径搜索区域,遍历搜索区域内的所有历史定位小区,根据定位小区的历史概率,为小区内的路段的相应字段赋值,结合路段长度、道路等级、用户出行习惯等相关因子进行最大概率路径搜索,直至形成从O小区到D小区连通的出行轨迹。
若采用GPS、AGPS定位,则直接用出行OD之间的GPS轨迹与道路网络进行匹配,即可得到准确的出行路径。
(4)手机定位移动速度的计算
针对单个手机或多部手机融合后的移动目标,用OD之间的总路径长度除以总的有效时间间隔,即可计算出该时段所经过路段的平均速度:
手机定位移动速度(S)=OD之间的总路径长度(L)/总的有效时间间隔(T)(4)多模式交通出行识别方法
本发明所指的多模式交通运输系统仅包括公交车、小汽车(含自驾车和出租车)、步行三种。本发明仅包含三种市内交通出行方式,不包括长途出行(如飞机、高铁、长途汽车等)和地铁出行。本发明采用“多特征匹配法”进行识别,“多特征匹配法”包括轨迹特征匹配、速度特征匹配、聚合度特征匹配和距离特征匹配。
1)轨迹特征匹配
假设实际出行轨迹为R(R是出行轨迹的空间矢量数据,为线性对象),OD之间与实际出行轨迹重合的最少换乘公交线路数为i(i>=1,当i=1时表示公交直达),与实际出行路径重合的公交线路轨迹为Bi(Bi是OD间公交线路空间矢量数据,为线性对象),则公交路径匹配率(G)计算方法如下:
当G=1时,表示实际出行轨迹与OD之间的公交线路完全重合,在本发明较佳的实施例中,以G≥0.9为公交模式出行的先决条件;当i>3时,一般不认为是公交出(因换乘2次以上公交出行的接受度极小)。
2)速度特征匹配
公交车、小汽车(含自驾车和出租车)和步行三种交通方式的出行速度有着显著差别。通过将实际出行速度与这三种交通方式的理论出行速度进行对比,可以得到二者之间的速度匹配率(Mj)。
其中,j为出行模式,j=0时为公交模式出行,j=1时为小汽车模式出行,j=2时为步行模式出行,Mj为j出行模式下的速度匹配率,S为手机定位移动速度,为多模式出行下的理论平均速度,是公交模式下的理论平均速度,是小汽车模式下的理论平均速度,是步行模式下的理论平均速度,0<Mj≤1,当Mj越接近于1,则表示j出行模式的可能性越大,在本发明较佳的实施例中,公交模式出行满足速度特征匹配的条件是1≥M0≥0.67(市区公交车平均时速区间设定为20公里/小时至30公里/小时);步骤34中,速度特征符合小汽车速度的条件是1≥M1≥0.67(市区小汽车平均时速区间设定为40公里/小时至60公里/小时);速度特征符合步行速度的条件是1≥M2≥0.71(市区步行出行平均时速区间设定为5公里/小时至7公里/小时)。
实际受道路等级、出行时间(如是否出行高峰期)、道路限速等相关因子的影响。计算方法如下:
Se为j出行模式下路段e的设计速度(根据城市道路等级和限速来确定,不同路段的设计速度是常数),Xe为j出行模式下路段e的路阻系数。Xe受多种因素的影响,其中最主要的是出行时间,k时刻路段e的X值为常数,该常数为经验值。
3)聚合度特征匹配
不同的交通出行方式出行人群的聚集特征也不相同。例如:自驾车和出租车一般为5人以下,公交车一般为10人以上。通过对出行人群的聚特集征进行分析,可以识别出小汽车和公交车两种出行模式。
聚合度(D)匹配方法有两种:一种是用出行聚合数(Q)的最大值Qmax与聚合常数(A)进行匹配,来识别交通出行模式;另一种是用出行聚合数(Q)的平均值来与聚合常数(A)进行匹配,识别交通出行模式。计算方法如下:
其中,f为出行模式,f=1时为自驾车模式出行,f=2时为出租车模式出行,f=3时为公交模式出行,自驾车模式和出租车模式合称为小汽车模式,Df为f出行模式下的聚合度,Qmax为f出行模式下的出行聚合数Q的最大值,为f出行模式下的出行聚合数Q的平均值,Af是f出行模式下的聚合常数,其为一个区间常数。根据自驾车、出租车和公交车三种交通模式的特征,以及不同地区的实际情况来确定Af的具体区间。例如:
A1=[1,5],A2=[1,3],A3=[10,80]
是研究对象在一次出行OD之间n段的聚合数(Qe)的平均值,计算方法如下:
Qmax是研究对象在一次出行OD之间n段的聚合数(Qe)的最大值,计算方法如下:
Qmax=MAX{Qe}
公交模式出行满足聚合度特征匹配的方法是1≥D3≥0.6,聚合度特征满足小汽车模式出行的方法包括满足自驾车模式出行和出租车模式出行,其中,聚合度特征满足自驾车模式出行的方法是1≥D3≥0.8,聚合度特征满足出租车模式出行的方法是1≥D3≥0.8。
聚合度(D)无论是用聚合数(Q)的最大值还是平均值(),都有其优缺点,具体应用可根据实际情况进行选择。
4)距离特征匹配
对于步行和公交出行来说,距离是一个非常重要的影响因子。经调查表明(以广州市为例):步行模式的可接受距离一般在2公里以内;公交出行的可接受距离一般在5公里和20公里之间最为适宜。征对不同城市的公交出行和步行可接受距离进行调查,建立区域的公交出行和步行可接受距离常量(L),将实际出行数据与可接受距离常量进行对比,可对轨迹特征匹配、速度特征匹配和聚合度特征匹配的结果进行检验。
以征集智能手机用户志愿者参与方式,对本发明的具体实施方式进行说明:
1、征集智能手机用户志愿者;
2、在志愿者的智能手机(Android平台)上安装手机定位信息采集软件;
3、设定信息采集时间段,并自动采集、上传志愿者的出行信息;
4、采集完成后,对数据库中的采集信息进行处理,剔除无效数据;
5、对有效数据进行处理,形成完整的有效OD出行记录;
5、对有效OD出行数据进行识别:
(1)应用轨迹特征匹配,对所有有效出行数据进行分析、匹配;
(2)若轨迹特征匹配成功,则进行速度特征、距离特征和聚合度特征检验;
(3)若速度特征、距离特征和聚合度特征检验均符合,则识别为公交出行模式;
(4)对轨迹特征匹配不成功的OD出行数据,应用速度特征匹配;
(5)若速度特征符合自驾车和出租车速度,则识别为自驾车或出租车出行模式;
(6)若速度特征不符合自驾车和出租车速度,应用距离特征匹配;
(7)若距离特征符合步行特征,则识别为步行模式;
(8)若距离特征不符合步行特征,则为其他出行模式。
为了对本发明所提出的方法进行检验,采用主动参与方式,征集智能手机用户志愿者参与。在保护志愿者隐私的前提下,在志愿者的智能手机(Android平台)上安装手机定位信息采集软件。该软件在能够获取GPS信号时采用AGPS定位算法,不能获取GPS信号时采用移动通信网络定位算法,获取实时位置信息,并设置每隔5秒上传一次位置信息(经度、纬度、时间)到服务器上。考虑到工作日早、晚高峰的出行规律性较强,并且获取早、晚高峰的出行规律更有意义,为减少志愿者手机网络流量消耗,软件设置的信息采集时间段为:工作日6:30—9:30,17:00—20:00。理想情况下每部手机每天上传记录为4320条,10个工作日共上传43200条。但是,由于网络、软件及其他影响因素,会造成信息采集失败或信息上传不成功(如GPS不能定位、网络未连接等)。有效出行数据必须是在6:30—9:30或17:00—20:00时间段内的一次完整的OD出行信息记录。以一次完整的OD出行手机定位记录作为1条有效出行数据的话,则理想状态下10个工作日每部手机可以采集20条有效出行数据。本次共征集了100名志愿者参与,采集时间为期2周(10个工作日),其中有13名志愿者因手机定位信息采集软件问题(未连接网络、软件未能成功启动等)而未能采集到数据。其余87部手机共采集到3119472条手机定位信息(有部分数据上传服务器过程中丢失,也有部分是无效数据,如长时间在O、D位置上传的定位信息),经分析、提取,剔除无效出行数据(数据不完整,未能有效覆盖整个OD出行过程,或非正常出行,未按日常OD出行等),共获得1146条有效出行数据,含866524条手机定位信息。
应用“多特征匹配法”对以上获得的1146条有效出行数据进行交通出行模式识别,结果如下:对公交车出行的识别准确率达到81%,自驾车/出租车出行的识别准确率达为72%,步行的识别准确率达到87%。从准确率来看,本发明具备较好的推广应用价值。
上列详细说明是针对本发明可行实施例的具体说明,该实施例并非用以限制本发明的专利范围,凡未脱离本发明所为的等效实施或变更,均应包含于本案的专利范围中。
Claims (10)
1.一种基于手机定位的交通出行模式识别方法,其特征在于,包括以下步骤:
步骤1、通过手机定位算法获取手机位置坐标;
步骤2、根据所述手机位置坐标确定出行路径并计算手机定位移动速度;
步骤3、多模式交通出行识别,所述多模式包括公交模式、小汽车模式以及步行模式;所述步骤3包括以下步骤:
步骤31、根据轨迹特征匹配法计算公交路径匹配率,当所述公交路径匹配率不小于公交路径匹配率设定值时,执行步骤32,反之,执行步骤34;
步骤32、根据速度特征匹配法、聚合度特征匹配法以及距离特征匹配法进行公交模式出行识别,当同时满足速度特征匹配、聚合度特征匹配以及距离特征匹配时,执行步骤33;
步骤33、识别为公交出行模式;
步骤34、通过速度特征匹配法进行小汽车模式和步行模式的选择,当速度特征符合小汽车速度时,进行步骤35的操作,当速度特征符合步行速度时,执行步骤36的操作;
步骤35、根据聚合度特征匹配法进行小汽车模式出行识别,当聚合度特征满足小汽车模式出行时,则识别为小汽车模式出行;
步骤36、根据距离特征匹配法进行步行模式出行识别,当距离特征满足步行模式出行特征时,识别为步行模式出行。
2.根据权利要求1所述的基于手机定位的交通出行模式识别方法,其特征在于,所述公交路径匹配率计算方法是:
其中,R为出行路径的空间矢量值,G为公交路径匹配率,Bi为与出行路径重合的公交线路空间矢量值,其中,i为与出行路径重合的换乘公交线路数,1≤i<3,n是与出行路径重合的最大换乘公交线路数,公交路径匹配率设定值为0.9。
3.根据权利要求1所述的基于手机定位的交通出行模式识别方法,其特征在于,速度特征匹配法用于计算速度匹配率,速度匹配率的计算方法是:
其中,j为出行模式,j=0时为公交模式出行,j=1时为小汽车模式出行,j=2时为步行模式出行,Mj为j出行模式下的速度匹配率,S为手机定位移动速度,为j出行模式下的理论平均速度,其中:当j等于0时即是公交模式下的理论平均速度,当j等于1时即是小汽车模式下的理论平均速度,当j等于2时即是步行模式下的理论平均速度;
的计算方法是:
其中,Se为j出行模式下路段e的设计速度,Xe为j出行模式下路段e的路阻系数,n为路段总数。
4.根据权利要求3所述的基于手机定位的交通出行模式识别方法,其特征在于,步骤32中,公交模式出行满足速度特征匹配的条件是1≥M0≥0.67;步骤34中,速度特征符合小汽车速度的条件是1≥M1≥0.67;速度特征符合步行速度的条件是1≥M2≥0.71。
5.根据权利要求3所述的基于手机定位的交通出行模式识别方法,其特征在于,所述聚合度特征匹配法用于计算出行人群的聚合度,所述聚合度的计算方法为:
其中,当j=0时为公交模式出行,j=3时为自驾车模式出行,j=4时为出租车模式出行,自驾车模式和出租车模式合称为小汽车模式,Dj为j出行模式下的聚合度,Qmax为j出行模式下的出行聚合数Q的最大值,为j出行模式下的出行聚合数Q的平均值,Aj是j出行模式下的聚合常数,其为一区间值;
所述和Qmax的计算方法如下:
Qmax=MAX{Qe} (6)
Qe为路段e的出行聚合数。
6.根据权利要求5所述的基于手机定位的交通出行模式识别方法,其特征在于,所述步骤32中,公交模式出行满足聚合度特征匹配的方法是1≥D0≥0.6,所述步骤35中,聚合度特征满足小汽车模式出行的方法包括满足自驾车模式出行和出租车模式出行,其中,聚合度特征满足自驾车模式出行的方法是1≥D3≥0.8,聚合度特征满足出租车模式出行的方法是1≥D4≥0.8。
7.根据权利要求1所述的基于手机定位的交通出行模式识别方法,其特征在于,所述步骤32中,公交模式出行满足距离特征匹配的方法是出行路径大于5公里且小于20公里时,步骤36中,距离特征满足步行模式出行的方法是出行路径小于2公里时。
8.根据权利要求1-7所述的基于手机定位的交通出行模式识别方法,其特征在于,所述步骤1包括:
步骤11、检测手机用户是否主动参与手机定位其位置坐标,如果是,执行步骤12,反之,执行步骤13;
步骤12、通过基于AGPS的手机定位算法获取手机位置坐标,并执行步骤14;
步骤13、基于移动通信网络的手机定位算法获取手机位置坐标,并执行步骤14;
步骤14、检测是单个手机用户还是多个手机用户,如果是单个手机用户,则执行步骤2,反之,执行步骤15;
步骤15,重复步骤12或步骤13,获取所有用户的手机位置坐标,基于多目标重合定位算法获取该多个手机用户的手机融合位置坐标,并执行步骤2。
9.根据权利要求8所述的基于手机定位的交通出行模式识别方法,其特征在于,所述基于移动通信网络的手机定位算法为基于TDOA的定位算法。
10.根据权利要求8所述的基于手机定位的交通出行模式识别方法,其特征在于,所述步骤2包括:
步骤21、对每个手机用户的手机位置坐标或手机融合位置坐标做多次定位并筛选;
步骤22、根据筛选后的手机位置坐标或手机融合位置坐标确定出行的起点和终点;
步骤23、确定出行路径,出行路径确定的方法是:采用移动通信网络对手机定位时,将起点以及终点位置与最优路径搜索相结合,重建用户的出行轨迹,所述出行轨迹即为出行路径;采用AGPS对手机定位时,将起点和终点之间的GPS轨迹与道路网络进行匹配,以获取出行路径;
步骤24、将出行路径除以总的有效时间间隔,获取手机定位移动速度,所述总的有效时间间隔为从起点至终点过程中手机移动时总时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410033560.7A CN103810851B (zh) | 2014-01-23 | 2014-01-23 | 一种基于手机定位的交通出行模式识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410033560.7A CN103810851B (zh) | 2014-01-23 | 2014-01-23 | 一种基于手机定位的交通出行模式识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103810851A CN103810851A (zh) | 2014-05-21 |
CN103810851B true CN103810851B (zh) | 2015-10-21 |
Family
ID=50707559
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410033560.7A Active CN103810851B (zh) | 2014-01-23 | 2014-01-23 | 一种基于手机定位的交通出行模式识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103810851B (zh) |
Families Citing this family (52)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751631B (zh) * | 2015-03-13 | 2017-03-01 | 同济大学 | 基于gps定位和模糊理论判断出行链交通方式的方法 |
CN106327000B (zh) * | 2015-06-30 | 2021-04-27 | 创新先进技术有限公司 | 识别出行方式的方法及系统 |
CN105023231B (zh) * | 2015-07-23 | 2018-07-17 | 四川数智通软件有限责任公司 | 基于视频识别和手机gps的公交数据获取方法 |
CN105117789A (zh) * | 2015-07-29 | 2015-12-02 | 西南交通大学 | 基于手机信令数据的居民出行方式综合判别的方法 |
CN106710208A (zh) * | 2015-11-16 | 2017-05-24 | 中兴通讯股份有限公司 | 交通状态的获取方法及装置 |
CN105513351A (zh) * | 2015-12-17 | 2016-04-20 | 北京亚信蓝涛科技有限公司 | 一种基于大数据的交通出行特征数据提取方法 |
CN107204113A (zh) * | 2016-03-17 | 2017-09-26 | 高德软件有限公司 | 确定道路拥堵状态的方法、装置和系统 |
CN107204125A (zh) * | 2016-03-17 | 2017-09-26 | 高德软件有限公司 | 采集公交车换乘信息的方法、装置和系统 |
CN105719475B (zh) * | 2016-03-21 | 2018-01-05 | 广州地理研究所 | 一种弹性公交线路设置及运营调度方法 |
CN105844031B (zh) * | 2016-03-29 | 2019-03-29 | 东南大学 | 一种基于手机定位数据的城市交通廊道识别方法 |
CN105893537B (zh) * | 2016-03-31 | 2019-06-07 | 百度在线网络技术(北京)有限公司 | 地理信息点的确定方法和装置 |
CN107403550B (zh) * | 2016-05-20 | 2020-12-01 | 阿里巴巴(中国)有限公司 | 公交路网数据采集方法、装置和终端设备 |
CN106227859B (zh) * | 2016-07-29 | 2019-07-23 | 四川大学 | 从gps数据中识别交通工具的方法 |
CN106197458B (zh) * | 2016-08-10 | 2018-11-13 | 重庆邮电大学 | 一种基于手机信令数据和导航路线数据的手机用户出行方式识别方法 |
CN106231562A (zh) * | 2016-09-30 | 2016-12-14 | 福建工程学院 | 识别出行人员的方法及系统 |
CN108074395B (zh) * | 2016-11-10 | 2020-11-06 | 中国移动通信有限公司研究院 | 一种身份识别的方法及装置 |
CN106412835B (zh) * | 2016-11-18 | 2019-11-26 | 中国联合网络通信集团有限公司 | 一种用户出行模式识别的方法及装置 |
CN106781501A (zh) * | 2017-01-13 | 2017-05-31 | 山东浪潮商用系统有限公司 | 一种利用通信网络数据实现高速公路车流量监控的方法 |
CN106875688B (zh) * | 2017-03-27 | 2018-11-09 | 吉林大学 | 一种应用gps数据识别公交车和小汽车的方法 |
CN107169521A (zh) * | 2017-05-24 | 2017-09-15 | 上海评驾科技有限公司 | 一种基于手机加速度传感器的交通模式识别方法 |
CN108961744A (zh) * | 2017-06-03 | 2018-12-07 | 广东联大智能科技有限公司 | 智慧出行的系统和终端 |
CN107402397B (zh) * | 2017-06-30 | 2020-06-05 | 北京奇虎科技有限公司 | 基于移动终端的用户活动状态确定方法、装置及移动终端 |
CN107341226B (zh) * | 2017-06-30 | 2021-06-22 | 北京奇虎科技有限公司 | 信息展示方法、装置及移动终端 |
CN107483741A (zh) * | 2017-08-30 | 2017-12-15 | 珠海市魅族科技有限公司 | 一种提醒方法及装置、终端和可读存储介质 |
CN107784597B (zh) * | 2017-09-19 | 2021-09-28 | 平安科技(深圳)有限公司 | 出行方式识别方法、装置、终端设备及存储介质 |
CN107944700B (zh) * | 2017-11-22 | 2021-08-03 | 中山大学 | 基于公交app用户数据的公交乘客候车时间计算方法 |
CN107945561A (zh) * | 2017-11-29 | 2018-04-20 | 海南大学 | 基于nb‑iot的公交车到站时刻预报方法及其系统 |
CN108320501B (zh) * | 2017-12-21 | 2021-01-12 | 江苏欣网视讯软件技术有限公司 | 基于用户手机信令的公交线路识别方法 |
CN108171973B (zh) * | 2017-12-27 | 2020-09-18 | 东南大学 | 一种基于手机网格数据的交通出行模式识别方法 |
CN108171974B (zh) * | 2017-12-27 | 2020-02-18 | 东南大学 | 一种基于手机三角定位数据的交通出行模式判别方法 |
CN109993959B (zh) * | 2017-12-29 | 2021-08-03 | 中国移动通信集团辽宁有限公司 | 实时定位班车的方法、装置、设备和计算机存储介质 |
CN108109369B (zh) * | 2018-02-06 | 2021-02-26 | 深圳市物语智联科技有限公司 | 一种基于行驶轨迹的运营车辆和非运营车辆识别监督方法 |
CN108492565A (zh) * | 2018-04-20 | 2018-09-04 | 广东亿迅科技有限公司 | 基于用户出行数据分析的公共交通控制方法和系统 |
CN110517500B (zh) * | 2018-05-21 | 2021-04-13 | 上海大唐移动通信设备有限公司 | 一种人车关联处理方法及装置 |
CN108900704B (zh) * | 2018-06-25 | 2020-11-10 | 中国联合网络通信集团有限公司 | 手机用户公交出行的识别方法和识别系统 |
CN109151993A (zh) * | 2018-07-31 | 2019-01-04 | 深圳大图科创技术开发有限公司 | 一种智能移动终端 |
CN111222381A (zh) * | 2018-11-27 | 2020-06-02 | 中国移动通信集团上海有限公司 | 用户出行方式识别方法、装置、电子设备及存储介质 |
CN109949599A (zh) * | 2019-05-07 | 2019-06-28 | 京东方科技集团股份有限公司 | 候车管理系统及控制方法 |
CN110351653A (zh) * | 2019-06-29 | 2019-10-18 | 华南理工大学 | 一种基于无线信号的交通出行模式识别方法 |
CN110544378B (zh) * | 2019-09-02 | 2020-11-03 | 上海评驾科技有限公司 | 一种手机用户拥车情况的判断方法 |
CN111341135B (zh) * | 2019-12-24 | 2021-05-14 | 中山大学 | 基于兴趣点及导航数据的手机信令数据出行方式识别方法 |
CN111077335B (zh) * | 2020-01-22 | 2021-03-02 | 滴图(北京)科技有限公司 | 一种车速检测方法、车速检测装置及可读存储介质 |
CN111417067B (zh) * | 2020-03-13 | 2021-05-07 | 智慧足迹数据科技有限公司 | 定位用户到访位置的方法和装置 |
CN111653097B (zh) * | 2020-05-29 | 2021-08-10 | 南京瑞栖智能交通技术产业研究院有限公司 | 一种基于手机信令数据且含个人属性修正的城市出行方式综合识别方法 |
CN112015835B (zh) * | 2020-08-13 | 2022-09-30 | 安徽师范大学 | Geohash压缩的地图匹配方法 |
CN112101427B (zh) * | 2020-08-26 | 2021-07-06 | 南方科技大学 | 交通模式识别方法、设备及存储介质 |
CN112184120B (zh) * | 2020-10-10 | 2023-09-22 | 浙江万里学院 | 基于频谱感知的智能物流监控方法 |
CN112530166B (zh) * | 2020-12-01 | 2021-11-05 | 江苏欣网视讯软件技术有限公司 | 基于信令数据与大数据分析识别公交出行上下车站点的方法与系统 |
CN112598338B (zh) * | 2021-03-03 | 2021-06-29 | 深圳市城市交通规划设计研究中心股份有限公司 | 路径选择模型的构建方法及客流分配方法 |
CN113256987B (zh) * | 2021-06-30 | 2021-10-29 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于多源数据融合的居民出行链生成方法及共乘查询方法 |
CN114708729A (zh) * | 2022-03-31 | 2022-07-05 | 北京交通发展研究院 | 一种地面公交快捷性指标的分析方法、装置及电子设备 |
CN117292546B (zh) * | 2023-10-23 | 2024-05-07 | 重庆交通大学 | 一种基于手机gps数据的交通出行方式od计算方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2337309A1 (en) * | 2009-12-16 | 2011-06-22 | Koninklijke KPN N.V. | Determining mode of transport by monitoring geographic locations of mobile electronic device |
CN102136192A (zh) * | 2011-01-31 | 2011-07-27 | 上海美慧软件有限公司 | 一种基于手机信号数据的出行方式识别方法 |
JP2012022684A (ja) * | 2010-07-14 | 2012-02-02 | Nhn Corp | 移動経路情報を基盤とする関心コンテンツ決定方法およびシステム |
CN102611985A (zh) * | 2011-01-24 | 2012-07-25 | 国际商业机器公司 | 一种用于提供出行信息的方法和设备 |
CN102708680A (zh) * | 2012-06-06 | 2012-10-03 | 北京交通大学 | 基于agps技术的交通出行方式识别方法 |
CN102799897A (zh) * | 2012-07-02 | 2012-11-28 | 杨飞 | 基于gps定位的交通方式组合出行的计算机识别方法 |
WO2013024278A1 (en) * | 2011-08-12 | 2013-02-21 | Overlay Media Limited | Context-awareness on mobile devices |
CN202853620U (zh) * | 2012-09-29 | 2013-04-03 | 南京林业大学 | 基于移动设备的居民出行调查装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6577946B2 (en) * | 2001-07-10 | 2003-06-10 | Makor Issues And Rights Ltd. | Traffic information gathering via cellular phone networks for intelligent transportation systems |
JP3905412B2 (ja) * | 2002-04-15 | 2007-04-18 | 株式会社リコー | 位置情報管理方法、位置情報管理プログラム及びモバイル端末 |
-
2014
- 2014-01-23 CN CN201410033560.7A patent/CN103810851B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2337309A1 (en) * | 2009-12-16 | 2011-06-22 | Koninklijke KPN N.V. | Determining mode of transport by monitoring geographic locations of mobile electronic device |
JP2012022684A (ja) * | 2010-07-14 | 2012-02-02 | Nhn Corp | 移動経路情報を基盤とする関心コンテンツ決定方法およびシステム |
CN102611985A (zh) * | 2011-01-24 | 2012-07-25 | 国际商业机器公司 | 一种用于提供出行信息的方法和设备 |
CN102136192A (zh) * | 2011-01-31 | 2011-07-27 | 上海美慧软件有限公司 | 一种基于手机信号数据的出行方式识别方法 |
WO2013024278A1 (en) * | 2011-08-12 | 2013-02-21 | Overlay Media Limited | Context-awareness on mobile devices |
CN102708680A (zh) * | 2012-06-06 | 2012-10-03 | 北京交通大学 | 基于agps技术的交通出行方式识别方法 |
CN102799897A (zh) * | 2012-07-02 | 2012-11-28 | 杨飞 | 基于gps定位的交通方式组合出行的计算机识别方法 |
CN202853620U (zh) * | 2012-09-29 | 2013-04-03 | 南京林业大学 | 基于移动设备的居民出行调查装置 |
Non-Patent Citations (2)
Title |
---|
A GPS/GIS method for travel mode detection in New York City;Hongmian Gong 等;《Computers, Environment and Urban Systems》;20121231;第131-139页 * |
基于GIS的城市交通出行方式自动识别模型;周小红 等;《现代测绘》;20130531;第36卷(第3期);第46-47页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103810851A (zh) | 2014-05-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103810851B (zh) | 一种基于手机定位的交通出行模式识别方法 | |
CN102708680B (zh) | 基于agps技术的交通出行方式识别方法 | |
CN102157075B (zh) | 公交到站的预测方法 | |
Caceres et al. | Traffic flow estimation models using cellular phone data | |
CN102332210B (zh) | 基于手机定位数据的实时城市道路交通流数据提取方法 | |
CN108109423B (zh) | 基于WiFi室内定位的地下停车场智能导航方法及系统 | |
CN103364002B (zh) | 结合实时路况及公共交通运营信息的路线规划系统和方法 | |
CN102708698B (zh) | 基于车联网的车辆最优路径导航方法 | |
Wang et al. | Estimating dynamic origin-destination data and travel demand using cell phone network data | |
CN105550789A (zh) | 一种公交出行客流的预测方法 | |
CN103745089A (zh) | 一种多维公共交通运行指数评价方法 | |
CN105809962A (zh) | 一种基于手机数据的交通出行方式划分的方法 | |
CN107333276A (zh) | 基于加权卡方距离的WiFi位置指纹定位方法 | |
JP2008146248A (ja) | プローブデータ解析システム | |
Xing et al. | Traffic volume estimation in multimodal urban networks using cell phone location data | |
CN102779363B (zh) | 一种路桥费用统计方法及系统 | |
WO2013024278A1 (en) | Context-awareness on mobile devices | |
Costanzo | An arduino based system provided with GPS/GPRS shield for real time monitoring of traffic flows | |
US20100191675A1 (en) | Wireless positional based route tolling | |
Yao et al. | Trip end identification based on spatial-temporal clustering algorithm using smartphone positioning data | |
Li et al. | Outdoor location estimation using received signal strength feedback | |
Asakura et al. | Tracking individual travel behaviour using mobile phones: recent technological development | |
Lanka et al. | Analysis of GPS based vehicle trajectory data for road traffic congestion learning | |
Li et al. | Intersection congestion analysis based on cellular activity data | |
Zhu et al. | RUPS: Fixing relative distances among urban vehicles with context-aware trajectories |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address |
Address after: No. 100, Xianlie Middle Road, Guangzhou, Guangdong 510070 Patentee after: Guangzhou Institute of geography, Guangdong Academy of Sciences Address before: 510070 courtyard, No. 100, Xianlie Middle Road, Yuexiu District, Guangzhou City, Guangdong Province Patentee before: GUANGZHOU INSTITUTE OF GEOGRAPHY |
|
CP03 | Change of name, title or address |