CN105046949A - 一种基于手机数据计算o-d流进行车源预测的方法 - Google Patents

Abstract

本发明属于交通技术领域，具体涉及一种基于手机数据计算O-D流进行车源预测的方法，包括以下步骤：步骤一：手机数据位置信息的挖掘；步骤二：基于手机数据的居民出行建模；步骤三：估计机动车出行O-D矩阵；步骤四：基于交通需求预测居民出行建模的城市道路车源；步骤五：基于车源预测理论分析导致拥堵的车源分布。本发明的一种基于手机数据计算O-D流进行车源预测的方法，具有能够为交通组织和规划提供更快捷、更准确的信息支持，为交通需求预测提供一条经济、可行的新方法。

Description

一种基于手机数据计算O-D流进行车源预测的方法

技术领域

本发明属于交通技术领域，具体涉及一种基于手机数据计算O-D流进行车源预测的方法。

背景技术

面向当代严重的城市交通拥堵，城市交通规划与组织水平受到人们的广泛关注，交通需求作为交通规划与组织的重要基础数据，其获取方法一直以来都是非常重要的探索方向。由于传统的交通需求预测方法耗费巨大的人力物力，利用各种信息资源进行数据挖掘，分析获取交通需求成为了新的研究方向。现有技术中，车源预测的基础就是O-D流预测。传统的O-D流调查分析方法耗费巨大的人力物力，随着城市交通系统的日益复杂，迫切需要找到一种经济、可行的O-D流获取方法。为了更加快捷、方便、准确预测出交通流的情况，本领域技术人员针对智能交通预测系统做了广泛了研究，例如专利号为201410410008.5的发明专利，公开了基于路段O-D反推的实时交通流分布预测系统，将目前分散的交通小区划分、交通小区交通量预测、O-D交通量实时预测、路段流量分配进行了系统的整合，构建基于路网的交通小区划分方法和实时交通流分布的预测系统，将出行起讫点和交通量分配的知识和技术进行了有机的结合，从软件角度进行了实现。虽然该方法进行交通流的准确性高，但该方法具有数据采集过程不够便捷，预测方法复杂的缺点。

由此可见，能否发明出一种具有能够为交通组织和规划提供更快捷、更准确的信息支持，为交通需求预测提供一条经济、可行的新方法，成为本领域技术人员亟待解决的技术问题。

发明内容

本发明为了解决上述技术问题，提供一种基于手机数据计算O-D流进行车源预测的方法，将人类出行建模领域的最新成果引入到交通需求预测中，通过产生道路车流的人的实时位置掌握车流的形成过程，动态分析各路段的车辆来源。本发明将人类出行建模、交通需求预测、复杂网络、大规模手机数据挖掘等研究领域的科学理论和研究方法恰当结合。

人类出行行为统计特性与人类出行建模成为了一个非常活跃的研究领域。至今，此领域的研究多集中在出行距离统计和人类位置预测等方向，在其应用方面则多集中在传染病/病毒的传播预测方向，将人类出行行为研究领域的最新成果应用到交通领域的交叉性研究还比较少，原因在于两个领域的研究理论和研究方法有很大的不同，结合两个研究领域的优势和成果,，发展交叉研究，需要在两个领域都具有丰富的科研积累。

为达到上述技术效果，本发明的技术方案为：一种基于手机数据计算O-D流进行车源预测的方法，包括以下步骤：

步骤一：筛选具有足够位置信息的手机用户，建立手机用户的位置记录表；

步骤二：采用人类特征行为算法，以手机用户的位置记录表为基础，通过特征向量进行扩样，预测居民的小时位置，建立居民出行模型，预测居民重要活动地点所在的小区，得到居民出行的O-D矩阵；

步骤三：筛选出使用机动车出行的居民，估计机动车出行O-D矩阵，计算城市道路网络路段通行能力，预测出行路径和路段的交通流；

步骤四：基于交通需求预测居民出行建模的城市道路车源：关联所述步骤二预测居民重要活动地点所在的小区和所述步骤三预测出行路径，建立城市道路车源预测模型；

步骤五：基于车源预测理论分析导致拥堵的车源分布：基于所述步骤四建立城市道路车源预测模型，比较预测的交通流和道路通行能力以确定拥堵路段，计算各车源对拥堵路段的交通流贡献量，定位制造拥堵的主要车源。

所述的一种基于手机数据计算O-D流进行车源预测的方法，步骤一中具有足够位置信息的手机用户为月通话记录大于20条的手机用户。

所述的一种基于手机数据计算O-D流进行车源预测的方法，步骤二中所述人类特征行为算法为，统计用户n某一小时时段从小区i到小区j的出行总数计算公式为：

$F_{\mathrm{ij}}={\mathrm{\Σ}}_{n=1}^N{T}_{\mathrm{ij}}\left(n\right),$

其中F_ij为用户n某一小时时段从小区i到小区j的出行总数，N代表用户总数，T_ij(n)代表用户n在此时段从小区i到小区j的出行数，

手机用户在各小区之间的出行分布值计算公式为：

P_ij＝F_ij/∑_i,jF_ij，

P_ij为用户n在此时段从小区i到小区j的出行分布值；

然后对用户n某一小时时段从小区i到小区j的出行总数进行校正，小区i内人口数量和手机用户数量的比例M(i)为：

M(i)＝N_pop(i)/N_user(i)，

其中N_pop(i)为小区i内的居民总数，N_user(i)是小区i内手机用户总数；通过对手机用户扩样，计算小区i和小区j之间的居民出行总数为：

${\mathrm{OD}}_{\mathrm{ij}}^{\mathrm{all}}={\mathrm{\Σ}}_{k=1}^A{\mathrm{\Σ}}_{n=1}^{N_k}{T}_{\mathrm{ij}}\left(n\right)\×M\left(k\right),$

M(k)为第k个小区内人口数量和手机用户数量的比例，T_ij(n)代表用户n在此时段从小区i到小区j的出行数，N_k是第k个小区的手机用户总数，A为小区的总数。

所述的一种基于手机数据计算O-D流进行车源预测的方法，步骤三中筛选出使用机动车出行的居民为用各个小区居民总数乘以已知的各个小区机动车使用率来获得使用机动车的用户。

所述的一种基于手机数据计算O-D流进行车源预测的方法，步骤三中估计机动车出行O-D矩阵为：

${\mathrm{OD}}_{\mathrm{ij}}^{\mathrm{vehicle}}={\mathrm{\Σ}}_{k=1}^A{\mathrm{\Σ}}_{n=1}^{N_k}{T}_{\mathrm{ij}}^{\mathrm{vehicle}}\left(n_{\mathrm{vehicle}}\right)\×M\left(k\right),$

n_vehicle为使用机动车出行用户，M(k)为第k个小区内人口数量和手机用户数量的比例，为使用机动车出行用户n_vehicle在此时段从小区i到小区j的出行数，A为小区的总数，N_k是第k个小区的手机用户总数。

所述的一种基于手机数据计算O-D流进行车源预测的方法，所述步骤三中估计机动车出行O-D矩阵的方法为增量交通分配法：将O-D矩阵内包括的所有OD随机分为四个子矩阵，同时从第一个子矩阵到第四个子矩阵内包括的OD数分别占总量的40％、30％、20％和10％，对这些子矩阵依次进行交通分配，对于第一个子矩阵，路段行驶时间设定为自由行驶时间，路径选择依据最短路径算法，计算出第一个子矩阵中所有的行程路径后，再计算路段交通流，结合已知的城市道路网络路段通行能力，计算得到路段行驶时间并更新，然后利用更新的路段行驶时间对第二个子矩阵采用同样的步骤进行交通分配，依次对四个子矩阵执行完交通分配过程。

所述的一种基于手机数据计算O-D流进行车源预测的方法，所述步骤四中，建立城市道路车源预测模型方法包括静态、动态两种车源预测计算方法。

所述的一种基于手机数据计算O-D流进行车源预测的方法，所述静态车源预测方法将某车辆使用者的住址与其出行路径上的路段关联，若待测路段是标记路径的一部分，其数组变量S[用户住址小区编号]的计数增加1，对所述O-D矩阵中的所有出行路径进行上述统计，求解各小区车辆在待测路段交通流贡献量，计算拥堵路段的静态车源分布；所述动态车源预测方法将某车辆的出行起点与其出行路径上的路段关联，若待测路段是标记路径的一部分，其数组变量S[出行起点所在小区编号]的计数增加1，对所述O-D矩阵中的所有出行路径进行上述统计，求解各小区车辆在待测路段交通流贡献量，计算待测路段的动态车源分布。

所述的一种基于手机数据计算O‐D流进行车源预测的方法，所述步骤五中，基于所述城市道路车源预测模型，定位交通流量大于通行能力的拥堵路段，计算各小区车辆在拥堵路段的额外行驶时间总和，定位额外行驶时间最大的目标小区，降低目标小区出行量，研究额外行驶时间的减少量。

本发明的有益效果包括：

1、本发明的一种基于手机数据计算O-D流进行车源预测的方法，运用手机数据和人类特征行为算法预测居民的实时位置，提取居民出行信息，校正居民出行分布，研究基于手机数据的O-D矩阵估计算法，使交通需求预测这个耗费巨大人力、物力的工作只要基于每个城市现有的手机数据求解。

2、本发明的一种基于手机数据计算O-D流进行车源预测的方法，将人类出行建模中的最新成果引入到交通需求预测中，进而分析形成道路车流的人的出行规律，预测他们的各时段位置和主要活动场所，动态分析道路的车辆来源。

3、本发明的一种基于手机数据计算O-D流进行车源预测的方法，基于车源预测理论，建立形成交通拥堵的车源分析理论与方法，为各种基于交通引导和交通限制的拥堵缓解方法提供支撑。相比传统的交通需求预测，车源预测为交通优化组织方法提供更快捷、更准确的信息支持。

附图说明

图1所示为本发明流程图；

图2所示为本发明预测波士顿的小区居民出行建模的城市道路车源示例图。

具体实施方式

下文将结合具体附图详细描述本发明具体实施例。应当注意的是，下述实施例中描述的技术特征或者技术特征的组合不应当被认为是孤立的，它们可以被相互组合从而达到更好的技术效果。

如图1所示一种基于手机数据计算O-D流进行车源预测的方法流程图。一种基于手机数据计算O-D流进行车源预测的方法，包括以下步骤：

步骤一：手机数据位置信息的挖掘：数据出处理，筛选具有足够位置信息的手机用户，建立手机用户的位置记录表；

步骤二：基于手机数据的居民出行建模：筛选使用机动车出行的手机用户，预测手机用户重要活动地点所在的小区；

步骤三：估计机动车出行O-D矩阵，计算城市道路网络路段通行能力，预测出行路径和路段的交通流；

步骤四：基于交通需求预测居民出行建模的城市道路车源：关联居民的主要活动地点和出行路径，建立城市道路车源预测模型；

步骤五：基于车源预测理论分析导致拥堵的车源分布：比较预测的交通流和道路通行能力以确定拥堵路段，计算各车源对拥堵路段的交通流贡献量，定位制造拥堵的主要车源。

步骤一中，本发明以现有大规模手机数据为基础，预测城市的交通需求和道路车源。为了保护手机用户隐私，手机运营公司提供的手机数据中，用户的号码一般都是用大长度hash码加密的，因此首先要利用以前工作中积累的Perl程序处理大长度hash码，并对手机用户重新编号。

对于每一个手机用户，统计其在一定观测时间内(例如：一个月)的位置记录总数以及位置记录所在区域。为了获取精确的用户出行信息，我们仅使用在验证区域内具有足够位置记录的手机用户。对每一个手机用户的所有位置记录按时间排序，建立每一个手机用户的位置

记录表1。表1手机用户的位置记录表

手机记录编号	通讯时间	手机机站ID
			1	8:00am	TowerA
2	9:10am	TowerB
			3	9:30am	TowerB
4	9:50am	TowerC
			5	10:30am	TowerC

步骤二中，预测车源的理论保障，只有准确预测居民位置，才能准确预测道路车源。基于美国加州湾区和波士顿地区的手机数据，我们发现手机用户每个小时时段在其最可能位置的概率R(t)达到了0.8左右；特别是在晚上，R(t)达到了0.9，这说明：仅使用手机用户在各时段的最可能位置就可以较准确地预测用户位置。

为了更加准确地预测手机用户的小时位置以及用户的住址、单位等重要活动地点，本发明采用人类特征行为算法，通过特征向量预测居民的小时位置，建立居民出行模型。建立准确高效的城市居民出行模型对与城市道路车源预测的准确性至关重要。

所述人类特征行算法为，统计某一小时时段用户n从小区i到小区j的出行总数计算公式为：其中N代表用户总数，T_ij(n)代表用户n在此时段从小区i到小区j的出行数，手机用户在各小区之间的出行分布值计算公式为：P_ij＝F_ij/∑_i,jF_ij，F_ij为用户n某一小时时段从小区i到小区j的出行总数，P_ij为用户n在此时段从小区i到小区j的出行分布值。

对所述用户n某一小时时段从小区i到小区j的出行总数进行校正，小区i内人口数量和手机用户数量的比例为：M(i)＝N_pop(i)/N_user(i)，N_pop(i)小区i内的居民总数，N_user(i)是小区i内手机用户总数；通过对手机用户扩样，计算小区i和小区j之间的居民出行总数为：n为出行用户，M(k)为第k个小区内人口数量和手机用户数量的比例，T_ij(n)代表用户n在此时段从小区i到小区j的出行数，N_k是第k个小区的手机用户总数，A为小区的居民总数。

所述步骤三中，估计机动车出行O-D矩阵计算方法为：基于手机数据分析用户出行方式的算法，识别使用机动车的用户，提取小区i和小区j之间的机动车出行总数：n为使用机动车出行用户，M(k)为第k个小区内人口数量和手机用户数量的比例，代表使用机动车出行用户n在此时段从小区i到小区j的出行数，N_k是第k个小区的手机用户总数，A为小区的居民总数。

所述步骤三中，建立城市道路网络，需要考虑的因素主要包括道路通行能力和自由行驶时间。自由行驶时间可以由最高时速限制求解。在没有道路通行能力数据的情况下，利用道路行车道数量和道路等级对通行能力进行估计。

本发明采用增量交通分配方法：首先将O-D矩阵分为四个子矩阵，对这些子矩阵依次进行交通分配。对于第一个子矩阵，路段行驶时间设定为自由行驶时间，路径选择依据最短路径算法。计算出第一个子矩阵中所有的行程路径后，计算路段交通流，并通过BPR方程更新路段行驶时间。然后,利用更新的路段行驶时间对第二个子矩阵进行交通分配，如此往复，直到所有子矩阵都完成交通分配过程。

本发明步骤四中，基于交通需求预测居民出行建模的城市道路车源：关联居民的主要活动地点和出行路径，建立城市道路车源预测模型；如图2所示一种基于手机数据计算O-D流进行车源预测的方法中预测波士顿的小区居民出行建模的城市道路车源示例图，多边型代表波士顿的小区，灰色小区H是由人类特征行为算法预测的手机用户住址。小区A和小区B分别为用户出行的始点和终点。标记路径是由交通需求预测得到的从小区A到小区B的路径。

为了量化各车源对某一路段的车流量贡献，定义数组变量S[x](x为车源小区编号)。对于静态道路车源预测，与标记路径关联的是车辆使用者的住址或单位等主要活动场所。与居民的住址关联时，如果某一路段是标记路径的一部分，数组变量S[x＝用户住址小区编号]的计数增加1，即S[x＝H小区标号]++。对O-D矩阵中所有的出行路径进行上述统计，求解各小区车辆在这一路段上的车流量贡献，分析此路段的静态车源分布。利用同样的方法，可以将出行路径和居民的工作单位小区相关联。

对于动态道路车源预测，与标记路径关联的是当前出行的始点，即图1的A小区。如果某一路段是标记路径的一部分，数组变量S[x＝出行起点所在小区编号]的计数增加1，即S[x＝A小区标号]++。对O-D矩阵中所有的出行路径进行上述统计，求解各小区车辆在这一路段上的车流量贡献，分析道路的动态车源分布。不同于静态车源，动态车源不是针对居民的某一固定活动场所，而是针对居民当前出行的始点位置。

另外，通过和动态道路车源预测类似的方法，可以求解道路上车辆的出行终点位置分布。例如图2中B小区是预测的出行到达位置。静态车源预测针对居民的主要活动地点，应用方面主要在全局政策制定上，例如：车辆限行政策制定、城市合理规划、道路网络设计与优化等。动态车源预测中，和出行路径关联的是车辆到达路段前短时间内的预期位置。因此，动态车源预测主要可应用于拥堵的提前避免和实时疏导。

车源分布与城市人口分布，土地使用类型，道路设计等级等因素的关系：

建立道路车源分布与城市人口分布，土地使用类型，道路设计等级等因素的关系，进而建立车源分布预测模型，设计模型的求解算法。

本发明步骤五中，基于车源预测理论分析导致拥堵的车源分布：通过比较路段交通流量和路段通行能力，定位交通流量大于通行能力的标记路段确定为拥堵路段。额外行驶时间是描述道路拥堵程度的一个重要指标，本发明使用额外行驶时间分析导致拥堵的主要车源。从静态和动态车源角度，分别计算各小区车辆在拥堵路段的额外行驶时间总和。为了验证车源预测在拥堵缓解中的作用，定位额外行驶时间最大的少量目标小区。降低目标小区的机动车出行量，对比基于车源预测的针对性车辆限行和整体均匀车辆限行在降低额外行驶时间上的效果，分析车源预测在指导交通拥堵缓解中的作用。对于一条路段来说，如果通过这个路段的流量值大于这个路段的容量值，则这个路段就是拥堵路段，即“定位交通流量大于通行能力的拥堵路段”；对于每个小区，计算这个小区的车辆给所有拥堵路段造成拥堵而带来的额外行驶时间，找到额外行驶时间之和最大的小区，则这个小区就是目标小区，即“计算各小区车辆在拥堵路段的额外行驶时间总和，定位额外行驶时间最大的目标小区”；减小目标小区的出行量，进而就可以减少拥堵路段上的额外行驶时间，研究目标小区出行减少量和额外行驶时间减少量之间的关系，即“降低目标小区出行量，研究额外行驶时间的减少量”。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (9)

1.一种基于手机数据计算O-D流进行车源预测的方法，其特征在于，包括以下步骤：

步骤一：筛选具有足够位置信息的手机用户，建立手机用户的位置记录表；

步骤二：采用人类特征行为算法，以手机用户的位置记录表为基础，通过特征向量进行扩样，预测居民的小时位置，建立居民出行模型，预测居民重要活动地点所在的小区，得到居民出行的O-D矩阵；

步骤三：筛选出使用机动车出行的居民，估计机动车出行O-D矩阵，计算城市道路网络路段通行能力，预测出行路径和路段的交通流；

步骤四：基于交通需求预测居民出行建模的城市道路车源：关联所述步骤二预测居民重要活动地点所在的小区和所述步骤三预测出行路径，建立城市道路车源预测模型；

步骤五：基于车源预测理论分析导致拥堵的车源分布：基于所述步骤四建立城市道路车源预测模型，比较预测的交通流和道路通行能力以确定拥堵路段，计算各车源对拥堵路段的交通流贡献量，定位制造拥堵的主要车源。

2.根据权利要求1所述的一种基于手机数据计算O-D流进行车源预测的方法，其特征在于，步骤一中具有足够位置信息的手机用户为月通话记录大于20条的手机用户。

3.根据权利要求1所述的一种基于手机数据计算O-D流进行车源预测的方法，其特征在于，步骤二中所述人类特征行为算法为，统计用户n某一小时时段从小区i到小区j的出行总数计算公式为：

$F_{\mathrm{ij}}={\mathrm{\Σ}}_{n=1}^N{T}_{\mathrm{ij}}\left(n\right),$

其中F_ij为用户n某一小时时段从小区i到小区j的出行总数，N代表用户总数，T_ij(n)代表用户n在此时段从小区i到小区j的出行数，

手机用户在各小区之间的出行分布值计算公式为：

P_ij＝F_ij/∑_i,jF_ij，

P_ij为用户n在此时段从小区i到小区j的出行分布值；

然后对用户n某一小时时段从小区i到小区j的出行总数进行校正，小区i内人口数量和手机用户数量的比例M(i)为：

M(i)＝N_pop(i)/N_user(i)，

其中N_pop(i)为小区i内的居民总数，N_user(i)是小区i内手机用户总数；通过对手机用户扩样，计算小区i和小区j之间的居民出行总数为：

${\mathrm{OD}}_{\mathrm{ij}}^{\mathrm{all}}={\mathrm{\Σ}}_{k=1}^A{\mathrm{\Σ}}_{n=1}^{N_k}{T}_{\mathrm{ij}}\left(n\right)\×M\left(k\right),$

M(k)为第k个小区内人口数量和手机用户数量的比例，T_ij(n)代表用户n在此时段从小区i到小区j的出行数，N_k是第k个小区的手机用户总数，A为小区的总数。

4.根据权利要求1所述的一种基于手机数据计算O-D流进行车源预测的方法，其特征在于，步骤三中筛选出使用机动车出行的居民为用各个小区居民总数乘以已知的各个小区机动车使用率来获得使用机动车的用户。

5.根据权利要求1所述的一种基于手机数据计算O-D流进行车源预测的方法，其特征在于，步骤三中估计机动车出行O-D矩阵为：

${\mathrm{OD}}_{\mathrm{ij}}^{\mathrm{vehicle}}={\mathrm{\Σ}}_{k=1}^A{\mathrm{\Σ}}_{n=1}^{N_k}{T_{\mathrm{ij}}}^{\mathrm{vehicle}}\left(n_{\mathrm{vehicle}}\right)\×M\left(k\right),$

n_vehicle为使用机动车出行用户，M(k)为第k个小区内人口数量和手机用户数量的比例，T_ij ^vehicle(n_vehicle)为使用机动车出行用户n_vehicle在此时段从小区i到小区j的出行数，A为小区的总数，N_k是第k个小区的手机用户总数。

6.根据权利要求1所述的一种基于手机数据计算O-D流进行车源预测的方法，其特征在于，所述步骤三中估计机动车出行O-D矩阵的方法为增量交通分配法：将O-D矩阵内包括的所有OD随机分为四个子矩阵，同时从第一个子矩阵到第四个子矩阵内包括的OD数分别占总量的40％、30％、20％和10％，对这些子矩阵依次进行交通分配，对于第一个子矩阵，路段行驶时间设定为自由行驶时间，路径选择依据最短路径算法，计算出第一个子矩阵中所有的行程路径后，再计算路段交通流，结合已知的城市道路网络路段通行能力，计算得到路段行驶时间并更新，然后利用更新的路段行驶时间对第二个子矩阵采用同样的步骤进行交通分配，依次对四个子矩阵执行完交通分配过程。

7.根据权利要求1所述的一种基于手机数据计算O-D流进行车源预测的方法，其特征在于，所述步骤四中，建立城市道路车源预测模型方法包括静态、动态两种车源预测计算方法。

8.根据权利要求7所述的一种基于手机数据计算O-D流进行车源预测的方法，其特征在于，所述静态车源预测方法将某车辆使用者的住址与其出行路径上的路段关联，若待测路段是标记路径的一部分，其数组变量S[用户住址小区编号]的计数增加1，对所述O-D矩阵中的所有出行路径进行上述统计，求解各小区车辆在待测路段交通流贡献量，计算拥堵路段的静态车源分布；所述动态车源预测方法将某车辆的出行起点与其出行路径上的路段关联，若待测路段是标记路径的一部分，其数组变量S[出行起点所在小区编号]的计数增加1，对所述O-D矩阵中的所有出行路径进行上述统计，求解各小区车辆在待测路段交通流贡献量，计算待测路段的动态车源分布。

9.根据权利要求1所述的一种基于手机数据计算O-D流进行车源预测的方法，其特征在于，所述步骤五中，基于所述城市道路车源预测模型，定位交通流量大于通行能力的拥堵路段，计算各小区车辆在拥堵路段的额外行驶时间总和，定位额外行驶时间最大的目标小区，降低目标小区出行量，研究额外行驶时间的减少量。