CN104899443A - 用于评估当前出行需求及预测未来出行需求的方法及系统 - Google Patents
用于评估当前出行需求及预测未来出行需求的方法及系统 Download PDFInfo
- Publication number
- CN104899443A CN104899443A CN201510303268.7A CN201510303268A CN104899443A CN 104899443 A CN104899443 A CN 104899443A CN 201510303268 A CN201510303268 A CN 201510303268A CN 104899443 A CN104899443 A CN 104899443A
- Authority
- CN
- China
- Prior art keywords
- data
- presumptive area
- trip
- time
- trip requirements
- 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.)
- Granted
Links
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
用于评估预定区域当前出行需求的方法和设备以及用于预测预定区域未来出行需求的方法及系统,其中,评估当前出行需求的方法包括:获取预定区域在预定时间段内对应的土地使用数据、居民活动特性数据和无线通讯设备数据;按照一定规则将预定区域划分为n个子区域,并通过分析得到各个子区域在预定时间段内对应的土地使用数据和无线通讯设备数据;对每个子区域在预定时间段内对应的土地使用数据和无线通讯设备数据分别进行融合处理,得到第一融合数据;根据第一融合数据以及居民活动特性数据获取预定区域的当前出行需求信息。本发明解决了现有技术评估结果不准确不及时和未考虑并非所有出行者均拥有可以产生移动数据的设备导致数据不准确的问题。
Description
技术领域
本发明涉及交通规划技术领域,具体来说涉及一种交通需求评估及预测的方法及系统。
背景技术
由于OD矩阵量化地展示了网络中交通需求的空间分布,对于分析解决城市交通问题具有重要的意义,因此在我国逐渐得到重视,部分城市定期进行交通调查以便了解交通需求特性。
然而在居民出行调查中要求出行者回忆先前的出行情况并记录,受访者常常无法准确回忆起自己的出行信息,或由于调查项目过于琐碎而失去耐心,拒绝填写或随意填写,对出行调查的准确性带来影响。
随着我国城市化进程的快速推进,城市规模日益扩大,新区建设和旧城改造使得交通需求常在短时间内产生较大的变化,然而一次全面细致的交通调查和数据汇总分析常常需要耗费大量时间,使得相关人员难以及时掌握城市交通需求状况。
已知的是,移动通信网络在很多国家和地区的覆盖率已经达到90%以上,并且无线通讯设备等的使用也越来越普及。另外,移动网络一般都能基于小区基站来记录用户的位置,这就提供了获得人们在特定位置的逗留时间的可能性。因此,可以基于移动网络来进行交通需求数据的采集,其基本原理是在预定区域内获得人们的主要位置,诸如“居住地”、“工作地”、“购物休闲地”等。
目前,现有技术中已出现一些利用手机信令数据对交通小区间的交通需求进行分析的技术,但是实际情况是,并非所有居民均持有无线通讯设备或或部分居民持有设备但并未参与调查,也就是说,并非所有的出行者均拥有可以产生移动数据的设备。基于以传统的居民出行调查这样的数据采集方式以及前文介绍的现有技术中利用无线通讯设备数据获取居民出行信息的方式均无法准确地评估当前出行需求。并且,现有技术也没有提供基于较为准确地评估得到的当前出行需求对交通小区未来的出行需求进行预测的方法和系统。
发明内容
为此,本发明公开了一种用于评估预定区域当前出行需求的方法和设备,以及一种用于预测预定区域未来出行需求的方法及系统,其至少部分上消除或者缓解了上述问题。
在根据本发明的第一方面中,提供了一种用于评估预定区域当前出行需求的方法,包括以下步骤:
获取所述预定区域在预定时间段内对应的土地使用数据、居民活动特性数据和无线通讯设备数据;
按照一定的规则将所述预定区域划分为n个子区域,并通过分析得到各个子区域在预定时间段内对应的土地使用数据和无线通讯设备数据;
对每个子区域在预定时间段内对应的土地使用数据和无线通讯设备数据分别进行融合处理,得到第一融合数据;
根据所述第一融合数据以及所述居民活动特性数据获取所述预定区域的当前出行需求信息,
所述土地使用数据包括子区域的编号和/或子区域的用地属性。
其中,所述当前出行需求信息包括所述预定区域在预定时间段内各个子区域之间的实际出行需求OD矩阵数据、第二融合数据和所述预定区域在预定时间段内各个子区域之间的以一特定的出行目的的实际出行需求OD矩阵数据中的至少一个,所述特定的出行目的为去工作地、回家、去购物休闲地中的一种。
优选地,根据所述第一融合数据以及所述居民活动特性数据获取所述预定区域的当前出行需求信息的步骤包括:
设置一个n×n的矩阵: 其中tij表示以子区域i为起点,子区域j为终点的交通量,i和j均小等于n;
将矩阵中的所有数据清零;
根据所述第一融合数据中同一用户产生的所有定位点分别所在的子区域的编号,分析该用户在子区域之间的出行路线;
根据所述出行路线的子区域的编号修改所述矩阵中相应位置的数据;
依次统计所述第一融合数据中的每个用户的出行路线并修改所述矩阵中相应位置的数据,直到统计完所有的用户的出行路线以获得最终的OD矩阵数据;
根据所述居民活动特性数据对所述最终的OD矩阵数据进行校核,得到所述预定区域在预定时间段内各个子区域之间的实际出行需求OD矩阵数据。
优选地,根据所述第一融合数据以及所述居民活动特性数据获取所述预定区域的当前出行需求信息的步骤进一步包括:
根据所述第一融合数据中的用户在定位点停留的时间长度、所处时间段和所述定位点所在的子区域的用地属性中的至少一项特征来判定所述定位点作为目的地的目的地类型;
依次将判定得到的定位点作为目的地的目的地类型信息标记到所述第一融合数据中的相应记录中以获得第二融合数据,所述第二融合数据表示出行目的标记后的用户数据,
所述目的地类型包括居住地、工作地和购物休闲地中的至少一种。
优选地,在获得第二融合数据的步骤之后还包括:
选取一特定的出行目的,根据所述第二融合数据统计获得所述预定区域在预定时间段内各个子区域之间的以所述特定的出行目的的出行需求OD矩阵数据;
根据所述居民活动特性数据对所述预定区域在预定时间段内各个子区域之间的以所述特定的出行目的的出行需求OD矩阵数据进行校核,得到所述预定区域在预定时间段内各个子区域之间的以所述特定的出行目的的实际出行需求OD矩阵数据。
优选地,所述校核包括如下步骤:
根据所述最终的OD矩阵数据在预定时间段内获取各个子区域的交通发生吸引量;
根据所述各个子区域的交通发生吸引量计算所述预定区域的总出行次数;
根据居民活动特性数据计算所述预定区域的实际出行次数;
将所述总出行次数除以所述实际出行次数得到的比例值作为校核因子;
将最终的OD矩阵中的数据除以所述校核因子,得到所述预定区域在预定时间段内各个子区域之间的实际出行需求OD矩阵数据,或
将所述预定区域在预定时间段内各个子区域之间的以所述特定的出行目的的出行需求OD矩阵数据除以所述校核因子,得到所述预定区域在预定时间段内各个子区域之间的以所述特定的出行目的的实际出行需求OD矩阵数据。
优选地,获得所述第一融合数据所进行的所述融合处理包括:
将待融合的无线通讯设备数据中的所有定位点的定位位置信息加载至待融合的土地使用数据对应的土地使用地图;
利用地图匹配的方法判断所述定位点是否位于所述土地使用地图中;
如果位于,获取该定位点所在子区域的土地使用数据,并将该土地使用数据与该定位点的定位位置信息关联。
在根据本发明的第二方面中,提供了一种用于预测预定区域未来出行需求的方法,该方法根据如前所述的用于评估预定区域当前出行需求的方法所获得的在预定时间段内在预定时间段内数据预测所述预定区域未来出行需求。
在根据本发明的第三方面中,提供了一种用于评估预定区域当前出行需求的系统,包括:
数据获取单元,用于获取所述预定区域在预定时间段内对应的土地使用数据、居民活动特性数据和无线通讯设备数据;
数据分析单元,用于按照一定的规则将所述预定区域划分为n个子区域,并通过分析得到各个子区域在预定时间段内对应的土地使用数据和无线通讯设备数据;
数据融合单元,用于对每个子区域在预定时间段内对应的土地使用数据和无线通讯设备数据分别进行融合处理,得到第一融合数据;
信息计算单元,根据所述第一融合数据以及所述居民活动特性数据获取所述预定区域的当前出行需求信息。
在根据本发明的第四方面中,提供了一种用于预测预定区域未来出行需求的系统,该系统包括信息预测单元,所述信息预测单元根据如前所述的用于评估预定区域当前出行需求的系统所获得的在预定时间段内在预定时间段内数据预测所述预定区域未来出行需求。
本发明的上述技术方案相比现有技术具有以下优点:
1、本发明提出的评估预定区域当前出行需求的方法及系统以及预测预定区域未来出行需求的方法及系统综合利用了土地使用数据、居民活动特性数据和无线通讯设备数据,并对多种数据进行汇总分析,既解决了传统的居民出行调查的数据采集方式所带来的评估结果不准确、不及时等问题,又解决了现有的利用无线通讯设备数据获取居民出行信息的方式所带来的评估结果未考虑并非所有的出行者均拥有可以产生移动数据的设备导致数据不准确的问题,本发明通过将土地使用数据和无线通讯设备数据进行融合,进而根据融合得到的数据与居民活动特性数据评估待研究区域的当前出行需求信息并基于评估的结果对所述预定区域的未来出行需求进行预测,所评估以及预测的结果均与实际的交通状况更接近、提高了对于交通发生吸引量的评估以及预测的准确性。
2、本发明所评估的预定区域当前出行需求信息包括所述预定区域在预定时间段内各个子区域之间的实际出行需求OD矩阵数据、第二融合数据和所述预定区域在预定时间段内各个子区域之间的以一特定的出行目的的实际出行需求OD矩阵数据中的至少一个,其中,各个子区域之间的实际出行需求OD矩阵数据使人们可以很方便直观地获知预定区域在预定时间段内的出行需求;所述第二融合数据使人们充分认识区域内居民的出行目的、行为模式,同时为出行需求分析提供基础数据;所述预定区域在预定时间段内各个子区域之间的以一特定的出行目的的实际出行需求OD矩阵数据使人们得以分析各个子区域作为不同类型目的地的交通吸引力,便于认识各个子区域的出行特性,并为预测未来的不同出行目的的出行需求提供基础数据。
3、本发明在判断定位点作为目的地的类型时结合了用户在定位点停留的时间长度、所处时间段和所述定位点所在的子区域的用地属性进行判断,由于在判别过程中同时考虑了定位点所在的子区域的用地属性,使得对于定位点作为目的地的类型的判定更加严谨,判断结果更加准确可靠。
4、本发明在对数据进入融合处理之前还进行了数据清洗处理,通过数据清洗单元自动对获取的数据进行清洗,去除异常数据对后续处理的干扰,降低系统计算和存储的负担。
5、本发明在对交通需求进行预测的过程中采用增长系数法,该方法构造简单,收敛速度较快,适用于分时段、分目的的交通需求矩阵预测,应用较为便捷。
附图说明
为了使本发明的内容更容易被清楚的理解,下面根据本发明的具体实施例并结合附图,对本发明作进一步详细的说明,其中
图1是本发明实施例1的一种用于评估预定区域当前出行需求的方法;
图2是本发明实施例1中待研究区域交通小区划分示意图;
图3是本发明实施例3的一种用于预测预定区域未来出行需求的系统的示意图;
图4是本发明实施例3的一种用于预测预定区域未来出行需求的系统的变形例的示意图;
具体实施方式
在下文中,将参考附图通过实施方式对本发明提供的用于评估预定区域当前出行需求的方法和设备,以及用于预测预定区域未来出行需求的方法及系统进行详细的描述。
需要说明的是,本文中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)用于在类似要素之间进行区别,并且不一定是描述特定的次序或者按时间的顺序。要理解,这样使用的这些术语在适当的环境下是可互换的,使得在此描述的主题的实施例例如是能够以与那些说明的次序不同的次序或者以在此描述的另外的次序来进行操作。
实施例1:
本实施例提供一种用于评估预定区域当前出行需求的方法,如图1所示,包括以下步骤:
S1:获取所述预定区域在预定时间段内对应的土地使用数据、居民活动特性数据和无线通讯设备数据。以北京上地-清河地区为例,假设该地区为我们将要研究的区域,研究区域的用地规划图可以为GIS格式,显示用地规划中对于不同类型用地区域的划分情况。
对于居民活动特性数据,可以通过对所述预定区域内的居民在预定时间段内的出行情况进行访问调查,将调查的结果以列表或其它形式存储。
数据表的形式及模型标定的结果如表1所示。
表1居民活动特性数据表样例
对于无线通讯设备数据,可以从无线通讯设备原始数据列表中提取需要的数据,例如信令数据或GPS定位数据等,数据表的样例如表2所示,用户名已经匿名处理。
表2无线通讯设备数据表样例
S2:按照一定的规则将所述预定区域划分为n个子区域,并通过分析得到各个子区域在预定时间段内对应的土地使用数据和无线通讯设备数据。研究区域交通小区划分图如图2所示,该图中主要依据道路分割形式以及小区用地性质进行划分。交通小区的划分原则主要包括:尽量保证分区内土地使用、经济社会属性较为一致;尽量以铁路、河川等天然屏障作为分区界限;考虑路网构成;分区数量和分区中的人口适当;对已经做过OD调查的城市尽量维持原有划分等等。为了方便起见,将研究区域外的北京市区分为3个区域。
S3:对每个子区域在预定时间段内对应的土地使用数据和无线通讯设备数据分别进行融合处理,得到第一融合数据。
所述的融合处理包括:
将待融合的无线通讯设备数据中的所有定位点的定位位置信息加载至待融合的土地使用数据对应的土地使用地图,加载定位信息后的地图样例如图4所示。
利用地图匹配的方法判断所述定位点是否位于所述土地使用地图中;
如果位于,获取该定位点所在子区域的土地使用数据,并将该土地使用数据与该定位点的定位位置信息关联。所述土地使用数据包括子区域的编号和/或子区域的用地属性。经过数据融合后的无线通讯设备数据样例如表3所示:
表3数据融合处理后的无线通讯设备数据表
S4:根据所述第一融合数据以及所述居民活动特性数据获取所述预定区域的当前出行需求信息。所述当前出行需求信息包括在预定时间段内各个子区域之间的实际出行需求OD矩阵数据、所述预定区域在预定时间段内所有用户的出行链信息和所述预定区域在预定时间段内各个子区域之间的以一特定的出行目的的实际出行需求OD矩阵数据中的至少一个。所述特定的出行目的为去工作地、回家、去购物休闲地中的一种。其中,各个子区域之间的出行需求OD矩阵信息使人们可以很方便直观地获知预定区域在预定时间段内的出行需求;所述第二融合数据使人们充分认识区域内居民的出行目的、行为模式,同时为出行需求分析提供基础数据;所述预定区域在预定时间段内各个子区域之间的以一特定的出行目的的实际出行需求OD矩阵数据使人们得以分析各个子区域作为不同类型目的地的交通吸引力,便于认识各个子区域的出行特性,并为预测未来的不同出行目的的出行需求提供基础数据。
获取所述预定区域在预定时间段内各个子区域之间的实际出行需求OD矩阵数据的步骤包括:
(S41)设置一个n×n的矩阵: 其中tij表示以子区域i为起点,子区域j为终点的交通量,i和j均小等于n。
(S42)将矩阵中的所有数据清零,即初始矩阵中所有数字均为0。
(S43)根据所述第一融合数据中同一用户产生的所有定位点分别所在的子区域的编号,分析该用户在子区域之间的出行路线。对于不同日期不同时段的出行需求分析,只需要选取所需时段的无线通讯设备数据即可。下面以某工作日全天案例区域出行需求为例说明。
对于案例区域,包括外围区域共有18个交通小区,则出行需求矩阵可以表示为18*18的矩阵,第m行第n列的数字表明以小区m为起点以小区n为终点的出行需求量。根据同一用户产生的所有定位点分别所在的小区编号,分析用户在小区间的出行路线,例如,根据表3中数据可以判断的用户1-005-ZXY-6的出行路线为11-17-1-11,用户1-015-ZXY-16的出行路线为2-12-2。
(S44)根据所述出行路线的子区域的编号修改所述矩阵中的数据。将矩阵中相应位置的数字分别加1。
(S45)依次统计所述第一融合数据中的每个用户的出行路线并修改所述矩阵中相应位置的数据,直到统计完所有的用户的出行路线以获得最终的OD矩阵数据,如下表所示:
表4居民工作日出行需求矩阵
(S46)根据所述居民活动特性数据对所述最终的OD矩阵数据进行校核,得到所述预定区域在预定时间段内各个子区域之间的出行需求OD矩阵信息。
与居民活动特性数据对比,区域总人口为256343人,人均日出行次数为2.93,因此估计总出行次数为750184,而无线通讯设备统计结果显示总出行次数为202628,存在差异的原因是并非所有居民均持有无线通讯设备或或部分居民持有设备但并未参与调查。假设参与调查的人口在研究区域内均匀分布,据此对统计结果进行校核。
所述校核具体包括如下步骤:
(S461)根据所述最终的OD矩阵数据在预定时间段内获取各个子区域的交通发生吸引量。如根据前面得到的表4的信息获取各个小区的交通发生吸引量,得到的各个子区域的交通发生吸引量如表5所示:
表5各小区工作日交通发生吸引量
(S462)根据所述各个子区域的交通发生吸引量计算所述预定区域的总出行次数。以表5为例,通过对交通发生量或吸引量求和统计出总出行次数为202628。
(S463)根据居民活动特性数据计算所述预定区域的实际出行次数。将从居民出行调查结果列表中获得的研究区域的总人口乘以该区域的人均出行次数所得到的乘积即为该区域的实际出行次数。
(S464)将所述总出行次数除以所述实际出行次数得到的比例值作为校核因子;
(S465)将最终的OD矩阵中的数据除以所述校核因子,得到所述预定区域在预定时间段内各个子区域之间的出行需求OD矩阵信息。以表4为例,将表4中的数据除以校核因子,即可得到所述预定区域在预定时间段内各个子区域之间的实际出行需求OD矩阵数据。
校核后的居民工作日出行需求矩阵如下表所示:
表6居民工作日出行需求矩阵(校核后)
在进一步的实施方案中,步骤S4还可以包括:
(S4_1)根据所述第一融合数据中的用户在定位点停留的时间长度、所处时间段和所述定位点所在的子区域的用地属性中的至少一项特征来判断所述定位点作为目的地的目的地类型。所述目的地的类型包括居住地、工作地和购物休闲地中的至少一种。
对于一个用户,分析其在较长的研究时间段内的工作时间中主要停留的小区,定义为工作地,例如设定如下标准:在工作日的9:00-18:00中停留6小时以上的地点记为一日工作地;在研究时间段内(大于一周),若一半以上工作日在同一个一日工作地,则将其记为用户的工作地。用户的居住地根据夜间主要停驻地点用类似的方法判定。判定标准可以根据实际情况适当提高或降低。
其次,判定除工作地和居住地以外的停留地点是否是商业用地,从而获取购物/休闲目的的出行。
(S4_2)依次将判定得到的定位点作为目的地的目的地类型信息标记到所述第一融合数据中的相应记录中以获得第二融合数据,所述第二融合数据表示出行目的标记后的用户数据。表7为所述第二融合数据的样例,其对经过出行目的判定后的用户数据进行标记:
表7出行目的标记后的用户数据
上述实施方式在判断定位点作为目的地的类型时结合了用户在定位点停留的时间长度、所处时间段和所述定位点所在的子区域的用地属性进行判断,由于在判别过程中同时考虑了定位点所在的子区域的用地属性,使得对于定位点作为目的地的类型的判定更加严谨,判断结果更加准确可靠。
作为优选实施方案,上述步骤S4_2之后还可以进一步包括如下步骤:(S4_3)选取一特定的出行目的,根据所述第二融合数据如表7的数据统计获得所述预定区域在预定时间段内各个子区域之间的以所述特定的出行目的的出行需求OD矩阵数据在预定时间段内。
(S4_4)根据所述居民活动特性数据对所述预定区域在预定时间段内各个子区域之间的以所述特定的出行目的的出行需求OD矩阵数据进行校核,得到所述预定区域在预定时间段内各个子区域之间的以所述特定的出行目的的实际出行需求OD矩阵数据在预定时间段内。
如前所述,与居民活动特性数据对比,区域总人口为256343人,人均日出行次数为2.93,因此估计总出行次数为750184,而无线通讯设备统计结果显示总出行次数为202628,存在差异的原因是并非所有居民均持有无线通讯设备或部分居民持有设备但并未参与调查。假设参与调查的人口在研究区域内均匀分布,据此对统计结果进行校核。
所述校核中对于获得校核因子的过程同前述的步骤(S461)-(S464),此处不再赘述。在获取所述校核因子之后,将所述预定区域在预定时间段内各个子区域之间的以所述特定的出行目的的出行需求OD矩阵数据除以所述校核因子,得到所述预定区域在预定时间段内各个子区域之间的以所述特定的出行目的的实际出行需求OD矩阵数据。以工作出行目的为例,表8示出了校核后的工作日工作出行目的的出行需求矩阵。
表8工作日工作出行目的的出行需求矩阵(校核后)
作为优选实施方案,上述的步骤S3也可以被替换为:
(S3_1)对所述土地使用数据、居民活动特性数据和无线通讯设备数据进行清洗处理。所述清洗处理例如可以通过以下方法实现:判断土地使用数据和居民活动特性数据的数据格式是否正确,剔除错误格式的数据;对无线通讯设备数据中冗余重复数据和格式错误的数据进行剔除。本领域技术人员应当理解,对数据的清洗处理不以上述方法为限,只要能够实现剔除异常的数据即可。通过对获取的数据进行清洗,去除异常数据对后续处理的干扰,降低了系统计算和存储的负担。
(S3_2)对清洗处理过的土地使用数据和所述无线通讯设备数据进行融合处理,得到第一融合数据。此步骤与前述的步骤S3的原理基本相同,此处不再赘述。
实施例2:
不同出行目的大致反映了各个小区的人口、岗位以及商业吸引力等情况。根据小区的特点、交通规划领域的相关规范以及专业技术人员的经验,对不同预测时间后的人口、岗位以及商业吸引力等的增长率进行估计,即可获得未来各交通小区的交通发生与吸引量。
本实施例提出了一种用于预测预定区域未来出行需求的方法,该方法根据实施例1所提供的用于评估预定区域当前出行需求的方法所获得的数据预测所述预定区域未来出行需求,所述数据包括各个子区域的交通发生吸引量数据和所述在预定时间段内各个子区域之间的实际出行需求OD矩阵数据,或各个子区域的交通发生吸引量数据和所述预定区域在预定时间段内各个子区域之间的以所述特定的出行目的的实际出行需求OD矩阵数据在预定时间段内。所述预测预定区域未来出行需求的步骤包括:假定未来OD交通量的分布形态与当前出行需求的OD矩阵的分布形态相同,利用前述步骤中得到的数据预估未来各子区域的发生、吸引交通量,通过循环迭代的方式计算预测OD矩阵。每次循环中计算各子区域的发生、吸引交通量的增长系数,分别利用发生、吸引交通量的增长系数推算OD矩阵,求两者的平均值作为本次循环中的分布交通量的计算结果,对分布交通量求和得到发生吸引量,将其作为下次循环中的已知发生吸引量。具体地,所述预测预定区域未来出行需求的步骤包括:
设tij表示以子区域i为起点,子区域j为终点的交通量,为子区域i的未来发生交通量,为子区域j的未来吸引交通量,对Gi和Aj的估计是在考虑预测时间的基础上,根据子区域的特点、相关规范以及专业技术人员的经验对子区域在未来即所述预测时间的发生吸引出行量的预测,为子区域i的现状发生交通量,为子区域j的现状吸引交通量,
求得各子区域的发生、吸引交通量的增长系数分别为:
要推算的交通量的第一次近似值由的函数表示:
此时的发生与吸引交通量分别为: 与Gi、Aj并不一致,此时用代替式(1)中的计算增长系数,并求解第二次迭代的近似值得:
重复上述步骤直至都接近1,当Gi (0)、Aj (0)为所述预定区域各个小区当前所有出行目的的交通发生与吸引量时,Gi、Aj为所述预定区域在所述预测时间在预定时间段内的交通发生与吸引量的估计,此时对应的tij (k)即为所述预定区域在所述预测时间在预定时间段内各个子区域之间的出行需求OD矩阵数据;当Gi (0)、Aj (0)为所述预定区域各个小区当前以一特定的出行目的的交通发生与吸引量时,Gi、Aj为所述预定区域在所述预测时间在预定时间段内以一特定的出行目的的交通发生与吸引量的估计,此时对应的tij (k)即为所述预定区域在所述预测时间在预定时间段内各个子区域之间的以一特定的出行目的的出行需求OD矩阵数据。
上述公式(2)中的函数f(Fgi (0),Faj (0))通过以下步骤获得:
子区域i发生的交通量中,以子区域j为终点的交通量的比例为:
吸引交通量以增长率为Faj的速度各自增长,其比率为:
子区域i的发生交通量增长为Gi (0)Fgi (0),则tij由下式求出:
子区域j吸引的交通量中,以子区域i为起点的交通量的比例为:
发生交通量以增长率为Fgi的速度各自增长,其比率为:
子区域j的吸引交通量增长为Aj (0)Faj (0),得到tij的另一种表达式:
上述(6)、(9)两式表达同一内容,如果将两者平均值取为tij,即并将式(1)代入,可得:
函数
利用上述方法即可对研究区域在预测时间例如1年后的不同小区间的所有出行目的的出行需求OD矩阵数据进行预测,也可以对研究区域在预测时间例如1年后的不同小区之间以一特定的出行目的的出行需求OD矩阵数据进行预测。也就是说,预测的内容取决于上述公式中输入的数据源Gi (0)和Aj (0),当数据源为待研究区域在早高峰时段内不同小区之间的实际出行需求OD矩阵数据时,我们就可以预测该区域在所述预测时间在预定时间段内的交通发生与吸引量,从而计算该待研究区域在预测时间在早高峰时段内各小区之间的出行需求OD矩阵数据;当数据源为待研究区域在工作日不同小区之间以去工作地为出行目的的实际出行需求OD矩阵数据时,我们就可以预测该区域在所述预测时间在预定时间段内以去工作地为出行目的的交通发生与吸引量,从而计算该待研究区域在预测时间在工作日各小区之间以去工作地为出行目的的出行需求OD矩阵数据。表9示出了1年后居民工作日出行需求矩阵数据。
表9预测居民工作日出行需求矩阵
在选取某时段的数据作为数据源时,获取某时段居民出行需求矩阵,根据小区的特点、相关规范以及专业技术人员的经验对不同小区的交通发生吸引量增长率进行判断,以此为基础即可预测未来某时段居民出行需求,例如,对各小区工作日早高峰交通发生吸引量的预测结果如表10所示:
表10预测各小区工作日早高峰交通发生吸引量
据此可得预测工作日早高峰(7:00-9:00)出行需求矩阵如下:
表11预测居民工作日早高峰出行需求矩阵
实施例3:
本实施例提供一种用于评估预定区域当前出行需求的系统,如图3所示,包括:
数据获取单元,用于获取所述预定区域在预定时间段内对应的土地使用数据、居民活动特性数据和无线通讯设备数据;
数据分析单元,用于按照一定的规则将所述预定区域划分为n个子区域,并通过分析得到各个子区域在预定时间段内对应的土地使用数据和无线通讯设备数据;
数据融合单元,用于对每个子区域在预定时间段内对应的土地使用数据和无线通讯设备数据分别进行融合处理,得到第一融合数据;
信息计算单元,根据所述第一融合数据以及所述居民活动特性数据获取所述预定区域的当前出行需求信息。
其中,所述当前出行需求信息包括所述预定区域在预定时间段内各个子区域之间的实际出行需求OD矩阵数据、第二融合数据和所述预定区域在预定时间段内各个子区域之间的以一特定的出行目的的实际出行需求OD矩阵数据中的至少一个,所述特定的出行目的为去工作地、回家、去购物休闲地中的一种。
作为优选实施方案,如图4所示,上述的数据融合单元也可以被替换为:
数据清洗单元,用于对所述土地使用数据、居民活动特性数据和无线通讯设备数据进行清洗处理。所述清洗处理例如可以通过以下方法实现:判断土地使用数据和居民活动特性数据的数据格式是否正确,剔除错误格式的数据;对无线通讯设备数据中冗余重复数据和格式错误的数据进行剔除。本领域技术人员应当理解,对数据的清洗处理不以上述方法为限,只要能够实现剔除不需要的数据即可。
数据融合单元,用于对清洗处理过的土地使用数据和所述无线通讯设备数据进行融合处理,得到第一融合数据。
实施例4:
本实施例提供一种用于预测预定区域未来出行需求的系统,该系统包括信息预测单元,所述信息预测单元根据实施例3所提供的用于评估预定区域当前出行需求的系统所获得的数据预测所述预定区域未来出行需求。
本发明提出的评估预定区域当前出行需求的方法及系统以及预测预定区域未来出行需求的方法及系统综合利用了土地使用数据、居民活动特性数据和无线通讯设备数据,并对多种数据进行汇总分析,既解决了传统的居民出行调查的数据采集方式所带来的评估结果不准确、不及时等问题,又解决了现有的利用无线通讯设备数据获取居民出行信息的方式所带来的评估结果未考虑并非所有的出行者均拥有可以产生移动数据的设备导致数据不准确的问题,本发明通过将土地使用数据和无线通讯设备数据进行融合,进而根据融合得到的数据与居民活动特性数据评估待研究区域的当前出行需求信息并基于评估的结果对所述预定区域的未来出行需求进行预测,所评估以及预测的结果均与实际的交通状况更接近、提高了对于交通发生吸引量的评估以及预测的准确性。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
Claims (10)
1.一种用于评估预定区域当前出行需求的方法,其特征在于,包括以下步骤:
获取所述预定区域在预定时间段内对应的土地使用数据、居民活动特性数据和无线通讯设备数据;
按照一定的规则将所述预定区域划分为n个子区域,并通过分析得到各个子区域在预定时间段内对应的土地使用数据和无线通讯设备数据;
对每个子区域在预定时间段内对应的土地使用数据和无线通讯设备数据分别进行融合处理,得到第一融合数据;
根据所述第一融合数据以及所述居民活动特性数据获取所述预定区域的当前出行需求信息,
所述土地使用数据包括子区域的编号和/或子区域的用地属性。
2.根据权利要求1所述的用于评估预定区域当前出行需求的方法,其特征在于,所述当前出行需求信息包括所述预定区域在预定时间段内各个子区域之间的实际出行需求OD矩阵数据、第二融合数据和所述预定区域在预定时间段内各个子区域之间的以一特定的出行目的的实际出行需求OD矩阵数据中的至少一个,所述特定的出行目的为去工作地、回家、去购物休闲地中的一种。
3.根据权利要求1或2所述的用于评估预定区域当前出行需求的方法,其特征在于,根据所述第一融合数据以及所述居民活动特性数据获取所述预定区域的当前出行需求信息的步骤包括:
设置一个n×n的矩阵: 其中tij表示以子区域i为起点,子区域j为终点的交通量,i和j均小等于n;
将矩阵中的所有数据清零;
根据所述第一融合数据中同一用户产生的所有定位点分别所在的子区域的编号,分析该用户在子区域之间的出行路线;
根据所述出行路线的子区域的编号修改所述矩阵中相应位置的数据;
依次统计所述第一融合数据中的每个用户的出行路线并修改所述矩阵中相应位置的数据,直到统计完所有的用户的出行路线以获得最终的OD矩阵数据;
根据所述居民活动特性数据对所述最终的OD矩阵数据进行校核,得到所述预定区域在预定时间段内各个子区域之间的实际出行需求OD矩阵数据。
4.根据权利要求1或2所述的用于评估预定区域当前出行需求的方法,其特征在于,根据所述第一融合数据以及所述居民活动特性数据获取所述预定区域的当前出行需求信息的步骤进一步包括:
根据所述第一融合数据中的用户在定位点停留的时间长度、所处时间段和所述定位点所在的子区域的用地属性中的至少一项特征来判定所述定位点作为目的地的目的地类型;
依次将判定得到的定位点作为目的地的目的地类型信息标记到所述第一融合数据中的相应记录中以获得第二融合数据,所述第二融合数据表示出行目的标记后的用户数据,
所述目的地类型包括居住地、工作地和购物休闲地中的至少一种。
5.根据权利要求4所述的用于评估预定区域当前出行需求的方法,其特征在于,在获得第二融合数据的步骤之后还包括:
选取一特定的出行目的,根据所述第二融合数据统计获得所述预定区域在预定时间段内各个子区域之间的以所述特定的出行目的的出行需求OD矩阵数据;
根据所述居民活动特性数据对所述预定区域在预定时间段内各个子区域之间的以所述特定的出行目的的出行需求OD矩阵数据进行校核,得到所述预定区域在预定时间段内各个子区域之间的以所述特定的出行目的的实际出行需求OD矩阵数据。
6.根据权利要求3或5所述的用于评估预定区域当前出行需求的方法,其特征在于,所述校核包括如下步骤:
根据所述最终的OD矩阵数据在预定时间段内获取各个子区域的交通发生吸引量;
根据所述各个子区域的交通发生吸引量计算所述预定区域的总出行次数;
根据居民活动特性数据计算所述预定区域的实际出行次数;
将所述总出行次数除以所述实际出行次数得到的比例值作为校核因子;
将最终的OD矩阵中的数据除以所述校核因子,得到所述预定区域在预定时间段内各个子区域之间的实际出行需求OD矩阵数据,或
将所述预定区域在预定时间段内各个子区域之间的以所述特定的出行目的的出行需求OD矩阵数据除以所述校核因子,得到所述预定区域在预定时间段内各个子区域之间的以所述特定的出行目的的实际出行需求OD矩阵数据。
7.根据权利要求1-6任一所述的用于评估预定区域当前出行需求的方法,其特征在于,获得所述第一融合数据所进行的所述融合处理包括:
将待融合的无线通讯设备数据中的所有定位点的定位位置信息加载至待融合的土地使用数据对应的土地使用地图;
利用地图匹配的方法判断所述定位点是否位于所述土地使用地图中;
如果位于,获取该定位点所在子区域的土地使用数据,并将该土地使用数据与该定位点的定位位置信息关联。
8.一种用于预测预定区域未来出行需求的方法,该方法根据如权利要求1-7所述的用于评估预定区域当前出行需求的方法所获得的在预定时间段内在预定时间段内数据预测所述预定区域未来出行需求。
9.一种用于评估预定区域当前出行需求的系统,其特征在于,包括:
数据获取单元,用于获取所述预定区域在预定时间段内对应的土地使用数据、居民活动特性数据和无线通讯设备数据;
数据分析单元,用于按照一定的规则将所述预定区域划分为n个子区域,并通过分析得到各个子区域在预定时间段内对应的土地使用数据和无线通讯设备数据;
数据融合单元,用于对每个子区域在预定时间段内对应的土地使用数据和无线通讯设备数据分别进行融合处理,得到第一融合数据;
信息计算单元,根据所述第一融合数据以及所述居民活动特性数据获取所述预定区域的当前出行需求信息。
10.一种用于预测预定区域未来出行需求的系统,该系统包括信息预测单元,所述信息预测单元根据如权利要求9所述的用于评估预定区域当前出行需求的系统所获得的在预定时间段内在预定时间段内数据预测所述预定区域未来出行需求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510303268.7A CN104899443B (zh) | 2015-06-05 | 2015-06-05 | 用于评估当前出行需求及预测未来出行需求的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510303268.7A CN104899443B (zh) | 2015-06-05 | 2015-06-05 | 用于评估当前出行需求及预测未来出行需求的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104899443A true CN104899443A (zh) | 2015-09-09 |
CN104899443B CN104899443B (zh) | 2018-03-06 |
Family
ID=54032105
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510303268.7A Active CN104899443B (zh) | 2015-06-05 | 2015-06-05 | 用于评估当前出行需求及预测未来出行需求的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104899443B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105809962A (zh) * | 2016-06-13 | 2016-07-27 | 中南大学 | 一种基于手机数据的交通出行方式划分的方法 |
CN106504535A (zh) * | 2016-11-30 | 2017-03-15 | 东南大学 | 一种结合重力模型与Fratar模型的交通分布预测方法 |
CN107305590A (zh) * | 2017-06-14 | 2017-10-31 | 北京市交通信息中心 | 一种基于手机信令数据的城市交通出行特征确定方法 |
CN107977854A (zh) * | 2017-10-22 | 2018-05-01 | 深圳市微埃智能科技有限公司 | 一种中短程乘驾车出行需求测算方法 |
CN108009877A (zh) * | 2017-11-24 | 2018-05-08 | 阿里巴巴集团控股有限公司 | 信息挖掘方法及装置 |
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 |
CN108615360A (zh) * | 2018-05-08 | 2018-10-02 | 东南大学 | 基于神经网络的交通需求逐日演变预测方法 |
CN108960431A (zh) * | 2017-05-25 | 2018-12-07 | 北京嘀嘀无限科技发展有限公司 | 指标的预测、模型的训练方法及装置 |
CN108985586A (zh) * | 2018-06-28 | 2018-12-11 | 中国联合网络通信有限公司深圳市分公司 | 居民出行指标的评估方法、装置及计算机可读存储介质 |
CN109003446A (zh) * | 2018-07-12 | 2018-12-14 | 重庆市城投金卡信息产业股份有限公司 | 一种基于rfid数据的城市错峰通行效果分析方法 |
CN110728454A (zh) * | 2019-10-15 | 2020-01-24 | 中国城市规划设计研究院 | 一种个体出行分析系统 |
CN110738373A (zh) * | 2019-10-15 | 2020-01-31 | 中国城市规划设计研究院 | 一种土地交通生成和分布预测方法及系统 |
CN111145537A (zh) * | 2019-12-02 | 2020-05-12 | 东南大学 | 一种出行生成量预测方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6317686B1 (en) * | 2000-07-21 | 2001-11-13 | Bin Ran | Method of providing travel time |
AU2007229687A1 (en) * | 2006-03-24 | 2007-10-04 | SITA Information Networking Computing B. V. | Method, control system and software programme for executing a method for optimum use of airside capacity of an airport |
CN101866546A (zh) * | 2010-05-18 | 2010-10-20 | 南京市城市与交通规划设计研究院有限责任公司 | 基于差别化策略与规划的城市交通分区方法 |
CN101950479A (zh) * | 2010-08-26 | 2011-01-19 | 张宇康 | 以乘客出行为导向的智能城市公共交通系统及其实施方法 |
CN102147976A (zh) * | 2011-04-12 | 2011-08-10 | 陆化普 | 辅助交警指挥交叉路口交通的协调控制系统 |
CN102163372A (zh) * | 2011-04-12 | 2011-08-24 | 陆化普 | 基于互联网的辅助交警指挥交叉路口交通的协调控制系统 |
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 |
-
2015
- 2015-06-05 CN CN201510303268.7A patent/CN104899443B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6317686B1 (en) * | 2000-07-21 | 2001-11-13 | Bin Ran | Method of providing travel time |
AU2007229687A1 (en) * | 2006-03-24 | 2007-10-04 | SITA Information Networking Computing B. V. | Method, control system and software programme for executing a method for optimum use of airside capacity of an airport |
CN101866546A (zh) * | 2010-05-18 | 2010-10-20 | 南京市城市与交通规划设计研究院有限责任公司 | 基于差别化策略与规划的城市交通分区方法 |
CN101950479A (zh) * | 2010-08-26 | 2011-01-19 | 张宇康 | 以乘客出行为导向的智能城市公共交通系统及其实施方法 |
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 |
CN102147976A (zh) * | 2011-04-12 | 2011-08-10 | 陆化普 | 辅助交警指挥交叉路口交通的协调控制系统 |
CN102163372A (zh) * | 2011-04-12 | 2011-08-24 | 陆化普 | 基于互联网的辅助交警指挥交叉路口交通的协调控制系统 |
Non-Patent Citations (1)
Title |
---|
冉斌: "手机数据在交通调查和交通规划中的应用", 《城市交通》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105809962A (zh) * | 2016-06-13 | 2016-07-27 | 中南大学 | 一种基于手机数据的交通出行方式划分的方法 |
CN106504535A (zh) * | 2016-11-30 | 2017-03-15 | 东南大学 | 一种结合重力模型与Fratar模型的交通分布预测方法 |
CN108960431A (zh) * | 2017-05-25 | 2018-12-07 | 北京嘀嘀无限科技发展有限公司 | 指标的预测、模型的训练方法及装置 |
CN107305590A (zh) * | 2017-06-14 | 2017-10-31 | 北京市交通信息中心 | 一种基于手机信令数据的城市交通出行特征确定方法 |
CN107977854A (zh) * | 2017-10-22 | 2018-05-01 | 深圳市微埃智能科技有限公司 | 一种中短程乘驾车出行需求测算方法 |
CN108009877B (zh) * | 2017-11-24 | 2021-10-15 | 创新先进技术有限公司 | 信息挖掘方法及装置 |
CN108009877A (zh) * | 2017-11-24 | 2018-05-08 | 阿里巴巴集团控股有限公司 | 信息挖掘方法及装置 |
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 |
CN108615360A (zh) * | 2018-05-08 | 2018-10-02 | 东南大学 | 基于神经网络的交通需求逐日演变预测方法 |
CN108985586A (zh) * | 2018-06-28 | 2018-12-11 | 中国联合网络通信有限公司深圳市分公司 | 居民出行指标的评估方法、装置及计算机可读存储介质 |
CN109003446A (zh) * | 2018-07-12 | 2018-12-14 | 重庆市城投金卡信息产业股份有限公司 | 一种基于rfid数据的城市错峰通行效果分析方法 |
CN110728454A (zh) * | 2019-10-15 | 2020-01-24 | 中国城市规划设计研究院 | 一种个体出行分析系统 |
CN110738373A (zh) * | 2019-10-15 | 2020-01-31 | 中国城市规划设计研究院 | 一种土地交通生成和分布预测方法及系统 |
CN111145537A (zh) * | 2019-12-02 | 2020-05-12 | 东南大学 | 一种出行生成量预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104899443B (zh) | 2018-03-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104899443A (zh) | 用于评估当前出行需求及预测未来出行需求的方法及系统 | |
Xia et al. | Ranking station importance with human mobility patterns using subway network datasets | |
Abbasi et al. | Utilising location based social media in travel survey methods: bringing Twitter data into the play | |
CN108108844A (zh) | 一种城市人流量预测方法及系统 | |
Li et al. | T-DesP: Destination prediction based on big trajectory data | |
Schneider et al. | Daily travel behavior: lessons from a week-long survey for the extraction of human mobility motifs related information | |
Yabe et al. | A framework for evacuation hotspot detection after large scale disasters using location data from smartphones: case study of kumamoto earthquake | |
CN108230020B (zh) | 一种基于多维时间粒度时空频繁区域挖掘的方法 | |
Kraaier et al. | -The random waypoint city model- user distribution in a street-based mobility model for wireless network simulations | |
Kashiyama et al. | Pseudo-pflow: Development of nationwide synthetic open dataset for people movement based on limited travel survey and open statistical data | |
CN116703132B (zh) | 共享车辆动态调度的管理方法、装置及计算机设备 | |
Khalil et al. | Realistic urban traffic simulation with ride-hailing services: a revisit to network kernel density estimation (systems paper) | |
Shoman et al. | Spatio-temporal evaluation of transport accessibility of the Istanbul metrobus line | |
Chen et al. | Recurrent origin–destination network for exploration of human periodic collective dynamics | |
Wang et al. | Flow-based accessibility measurement: The Place Rank approach | |
Do et al. | Comparative analysis of informational evacuation guidance by lane-based routing | |
Montz et al. | Modeling regional hurricane evacuation events: calibration and validation | |
Xia et al. | Deeprailway: a deep learning system for forecasting railway traffic | |
Al Sonosy et al. | A study of spatial machine learning for business behavior prediction in location based social networks | |
CN114666738A (zh) | 基于手机信令的国土空间规划方法和系统 | |
Mao et al. | Bike-sharing dynamic scheduling model based on spatio-temporal graph | |
Alonso et al. | Using O–D matrices for decision making in road network management | |
Qu et al. | A data-integration analysis on road emissions and traffic patterns | |
Qin et al. | New York city taxi trips: Dynamic networks following inconsistent power law | |
CN110189029A (zh) | 一种基于大规模手机位置数据的自行车骑车与停车需求评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210715 Address after: C1205, 11 / F, block C, 9 Shangdi 3rd Street, Haidian District, Beijing Patentee after: Beijing Puchuang Saibo Technology Co.,Ltd. Address before: 100084 room 313, new civil engineering building, Tsinghua University, Haidian District, Beijing Patentee before: Lu Huapu |