CN105513348A - 基于手机信令出行链的od矩阵获取方法 - Google Patents

Abstract

本发明涉及一种手机信息处理方法，具体为基于手机信令出行链的OD矩阵获取方法，包括按照采样要求获取指定日手机信令出行链数据；利用手机信令出行链数据确定出行的起点即O点、终点即D点；根据抽样系数对样本进行扩算；获取粗颗粒度信息OD矩阵数据；获取分方式OD矩阵数据；获取多次出行OD矩阵数据；输出交通发生吸引量柱状图与相应OD期望图。本发明提供的基于手机信令出行链的OD矩阵获取方法，获取方式简单、获取成本低、信息样本大、取样时间灵活的手机信令信息刻画的出行链数据构建粗颗粒信息OD矩阵、分交通方式OD矩阵与多目的地的多次出行OD矩阵，为一种实时性较强，精度高的OD矩阵数据的获取办法。

Description

基于手机信令出行链的OD矩阵获取方法

技术领域

本发明涉及一种手机信息处理方法，具体为基于手机信令出行链的OD矩阵获取方法。

背景技术

OD调查即起讫点调查，其中“OD”表示起点(Origin)与终点(Destination)，是对某一调查区域内出行个体的出行起点和终点的调查。其目的是通过调查了解出行个体的交通起讫点，交通小区间发生的出行次数，获取道路网上交通流的构成、流向、流量等数据。目前的OD调查方法一般参考美国交通工程协会(ITE)、中国公路学会与中国住建部制订的相应规范，大多数发展中国家与城市主要采用入户、电话采访等方法，需要消耗极大的人力、财力与资源，存在调查时间长、样本数量偏少、数据不精确与获取的数据实时性差等问题，难以随时获取指定日OD数据。

近年来，随着手机用户的急剧增加、使用成本的大幅度下降，可以利用手机信令数据进行数据挖掘，能够提取出行个体出行信息，刻画职住地，描述出行链，同时还可识别交通方式，利用手机数据使得构建全方式的OD矩阵、分方式OD矩阵成为可能。专利CN201110033833.4《一种基于手机定位数据的出行OD矩阵获取方法》公开了技术方案为，首先确定某一路网区域的交通小区划分方案，然后获取上述路网区域中指定路网范围的所有出行群体在某一时间范围内的所有手机定位数据，再对每个移动用户的每个位置点进行位移状态判断。根据上述判断，获得每个移动用户在某一时间范围内产生的每次出行的起点和终点，并将其映射在相应的交通小区上，对识别出的所有出行行为进行分组统计，形成原始的出行OD矩阵数据。

该技术缺点为，数据源为手机定位数据，但是对于具体手机定位数据来源与数据结构描述不清，手机定位数据来源包括CDR与TDR等，获取的方法有TDOA与AOA等，不同类型对应不同的数据精度。对出行只考虑了出发点与到达点，无法识别多目的的多次出行，所以只能得到粗颗粒度信息OD矩阵，无法得到包含多次出行的OD矩阵。并且对于出行个体的出行方式没有进行判别，只能借助四阶段法的交通方式划分模型对出行方式进行推测。另外该技术没有对移动时空轨迹进行刻画，所以在完成出发、到达位置到交通小区映射的时候，只能借助出发、到达位置。当点落在两个交通小区边界上时候，只能通过两个小区的面积额为权重，按照随机概率分配映射的小区，偏离实际情况。

发明内容

针对上述技术问题，本发明提供一种基于手机信令出行链的强实时性、低成本、高精度的OD矩阵数据的获取办法。

具体技术方案为：

基于手机信令出行链的OD矩阵获取方法，包括以下步骤：

步骤1：按照采样要求获取指定日手机信令出行链数据。该数据是利用手机信令数据，通过职住地识别，出行链刻画，交通小区映射，判别交通方式等手段获取的，具体方法应用专利申请号：201510452403.4《手机信令数据职驻地与出行链》和申请号：201510452430.1《手机信令数据出行方式判别》所公开的技术。

该步骤中，所采取的手机数据的类型为手机信令出行链数据，该数据包含移动用户编号、时间戳、纬度、经度、停留点类型、停留点映射交通小区、交通方式。数据的获取时间按照取样的要求可以为指定时间。

步骤2：利用手机信令出行链数据确定出行O、D点。利用步骤1得到的手机信令出行链数据信息根据相应判别规则确定出行的O、D点与主要出行方式。

步骤3：根据抽样系数对样本进行扩算。将步骤2得到的标记、判别处理后的手机信令出行链数据按照居住地所在小区的抽样系数的倒数进行扩算，得到总体数据。

步骤4：获取粗颗粒度信息OD矩阵数据。将步骤3中得到总体数据中的每个移动用户的每次出行O、D点所标记的停留点映射的相应交通小区信息进行统计。得到所有的交通小区的发生交通量与吸引交通量，汇总各个交通小区的数据，形成粗颗粒度信息OD矩阵数据。

步骤5：获取分方式OD矩阵数据。将步骤3得到的总体数据按照数据中的主要交通方式进行分组，然后按照不同交通方式统计每个移动用户该交通方式出行的每次出行O、D点所标记的停留点映射的相应交通小区信息进行统计。得到所有交通小区的相应交通方式的发生交通量与吸引交通量，汇总各个交通小区的数据，形成相应交通方式下的OD矩阵数据。

步骤6：获取多次出行OD矩阵数据。将步骤1的数据利用步骤3的方法扩算得到总体数据中的每个移动用户的居住地、工作地与活动目的地(此处的活动目的地为非工作非上学的其他活动目的地)映射的相应交通小区信息进行统计。得到所有的交通小区的发生交通量与吸引交通量，汇总每个交通小区的数据，形成多次出行OD矩阵数据。

步骤7：输出交通发生吸引量柱状图与相应OD期望图。根据步骤4—6的OD矩阵数据，输出相应的交通发生吸引量柱状图与OD期望图。

输出的OD期望图与交通发生吸引量柱状图，不但有粗颗粒信息的OD期望图与交通发生吸引量柱状图、并且有多次出行的OD期望图与交通发生吸引量柱状图，还有分方式的OD期望图与交通发生吸引量柱状图。

本发明提供的基于手机信令出行链的OD矩阵获取方法，利用符合国家法律隐私规定、获取方式简单、获取成本低、信息样本大、取样时间灵活的手机信令信息刻画的出行链数据构建粗颗粒信息OD矩阵、分交通方式OD矩阵与多目的地的多次出行OD矩阵，为一种实时性较强，精度高的OD矩阵数据的获取办法。并且能够描述城市的交通特征以及演变过程，对于城市交通规划提供数据基础和为城市规划与建设提供数据基础。

附图说明

图1是本发明的流程示意图。

具体实施方式

结合实施例说明本发明的具体实施方式。

基于手机信令出行链的OD矩阵获取方法，过程如图1所示。

步骤1：获取手机信令出行链数据

采用的数据基础是手机信令出行链数据，按照采样要求获取指定日调查区域所有移动用户的手机信令出行链数据。该数据是利用手机信令数据，通过职住地刻画、出行链描述、交通方式判别等手段获取。具体方法应用专利申请号：201510452403.4《手机信令数据职驻地与出行链》和申请号：201510452430.1《手机信令数据出行方式判别》。该手机信令出行链数据包含移动用户编号、时间戳、经度、纬度、停留点类型、停留点映射交通小区、交通方式。获取手机信令出行链数据包含整个调查区域所有移动用户的数据，其中移动用户A000001的手机信令出行链数据如表1所示。

表1移动用户编号A000001手机信令出行链数据

步骤2：利用手机出行链数据确定O、D点。

步骤2.1：O、D点判断。先将步骤1得到的手机信令出行链数据按照移动用户编号进行提取，对同一移动用户编号的手机信令出行链数据中的停留点类型进行统计，如果停留点类型只存在居住地与工作地，则检索相邻停留点映射交通小区是否相同，如果相同则将相同停留点合并为同一停留点，然后按照时间戳升序依次判断停留点为出行Oi点与Di点(i＝1,2，…，n)；如果停留点存在居住地、工作地与活动目的地点，则剔除掉活动目的地点，然后检索相邻停留点映射交通小区是否相同，如果相同则将相同停留点合并为同一停留点，然后按照时间戳升序依次判断停留点为出行Oi点与Di点(i＝1,2，…，n)；如果停留点存在居住地与活动目的地点，但不存在工作地，则保留停留时间最长的活动目的地点，剔除其他活动目的地点，然后按照时间戳升序依次判断停留点为出行Oi点与Di点(i＝1,2，…，n)；最后将O、D点判断信息添加到手机信令出行链数据之上。

具体的，先检索移动用户A000001的停留点类型，发现存在居住地、工作地与活动目的地，所以删除时间戳201505200113110与201505200131327所对应的的活动目的地79与76，删除后的结果如表2所示。然后检索相邻停留点映射交通小区是否相同，发现存在停留点映射交通小区93相邻且相同，所以将时间戳201505200111017与时间戳201505200113611对应停留点合并，合并后结果如表3所示。最后移动用户存在3个停留点即存在两次出行，则标记第一次出行的停留点映射交通小区82与93分别标记为O1点与D1点，标记第二次出行的停留点映射交通小区93与82分别标记为O2点与D2点，标记后的结果如表4所示。最后将手机信令出行链数据添加到手机信令出行链数据之后,添加后的结果如表5所示。

表2剔除掉活动目的地点

表3合并相邻停留点

表4O、D点标记

表5移动用户编号A000001手机信令出行链数据O、D判断结果

步骤2.2：主要出行方式判断。将步骤2.1得到的O、D点标记的停留点，统计O、D点间的交通方式，如果交通方式为单一方式，则判别O、D点间的出行交通方式为该单一方式；如果交通方式存在多种类型，则选取出行时长最长的交通方式为O、D点间的出行交通方式。以实例的形式辅助说明，检索O₁点与D₁点间的交通方式，发现只存在自驾车，所以O₁点与D₁点间主要交通方式为自驾车；检索O₂点与D₂点间的交通方式，发现存在两段出行，但是出行方式为单一自驾车出行，所以O₂点与D₂点间主要交通方式为自驾车。最后将主要交通方式判别信息添加到步骤2.1移动用户编号A000001手机信令出行链数据O、D判断结果信息之后，添加后的结果如表6所示。

表6O、D点标记与主要交通方式判别处理的手机信令出行链数据

步骤3：根据抽样系数对样本进行扩算

将步骤2得到的标记、判别处理后的手机信令出行链数据按照居住地所在小区的抽样系数的倒数进行扩算，得到总体数据。将步骤2得到的数据按照居住地所映射交通小区分组，计算第i组交通小区下的所有移动用户个数。抽样系数即为交通小区通过手机信令数据计算得到的移动用户个数与交通小区移动用户总体数量的比值。n_i为交通小区通过手机信令数据计算得到的移动用户个数，N_i为交通小区移动用户总体数量。

步骤4：获取粗颗粒度信息OD矩阵数据。

步骤4.1：将步骤3中得到总体数据中的每个移动用户的每次出行O、D点所标记的停留点映射的相应交通小区信息进行统计。因为是粗颗粒度信息OD矩阵数据的获取，所有只统计O、D点所标记的停留点映射的相应交通小区信息。具体统计结果如表7所示。

表7出行O、D标记停留点映射交通小区统计

步骤4.2：汇总各个交通小区的数据，得到所有交通小区的发生交通量与吸引交通量。交通小区编号1到n-1，为被调查区域根据划分原则划分的交通小区；n为外区，被调查区域以外区域都视为外区。具体统计表格如表8所示。

表8交通小区发生交通量与吸引交通量统计

交通小区编号(i)	发生交通量(Pi)	吸引交通量(Ai)
			1	784	645
2	879	778
			…	…	…
n	243	324

步骤4.3：形成粗颗粒度信息OD矩阵数据。结合步骤4.1与步骤4.2的数据形成粗颗粒度信息OD矩阵，具体统计表格如表9所示。

表9粗颗粒度信息OD矩阵数据表

t_ij表示以交通小区i为起点，小区j为终点的交通量；P_i表示交通小区i的发生交通量，并且A_j表示交通小区j的吸引交通量，并且T为调查区域的交通总量，并且

步骤5：获取分方式OD矩阵数据

步骤5.1：将步骤3中得到的总体数据按照主要交通方式的种类进行分组，对不同交通方式下的每个移动用户的每次出行O、D点所标记的停留点映射的相应交通小区信息进行统计。具体统计结果如表10所示。

表10自驾车出行O、D点所标记的停留点映射交通小区统计

步骤5.2：汇总各个交通方式下的交通小区出行数据，得到所有分方式交通小区的发生交通量与吸引交通量。交通小区编号1到n-1，为被调查区域根据划分原则划分的交通小区；n为外区，被调查区域以外区域都视为外区。具体统计表格如表11—17所示。

表11各交通小区步行出行发生交通量与吸引交通量统计

交通小区编号(i)	发生交通量(Pwi)	吸引交通量(Awi)
			1	736	726
2	347	375
			…	…	…
n	24	31

表12各交通小区自行车出行发生交通量与吸引交通量统计

交通小区编号(i)	发生交通量(Pbi)	吸引交通量(Abi)
			1	186	173
2	254	262
			…	…	…
n	34	42

表13各交通小区常规公交出行发生交通量与吸引交通量统计

交通小区编号(i)	发生交通量(Ppi)	吸引交通量(Api)
			1	564	593
2	552	537
			…	…	…
n	22	28

表14各交通小区轨道交通出行发生交通量与吸引交通量统计

交通小区编号(i)	发生交通量(Psi)	吸引交通量(Asi)
			1	0	0
2	897	7897 -->
			…	…	…
n	33	29

表15各交通小区电动车出行发生交通量与吸引交通量统计

交通小区编号(i)	发生交通量(Pei)	吸引交通量(Aei)
			1	548	675
2	659	560
			…	…	…
n	25	22

表16各交通小区自驾车出行发生交通量与吸引交通量统计

交通小区编号(i)	发生交通量(Pci)	吸引交通量(Aci)
			1	532	347
2	237	253
			…	…	…
n	31	39

表17各交通小区出租车出行发生交通量与吸引交通量统计

交通小区编号(i)	发生交通量(Pti)	吸引交通量(Ati)
			1	245	264
2	349	351
			…	…	…
n	46	23

步骤5.3：形成分方式OD矩阵数据。结合步骤5.1与步骤5.2的数据形成分方式OD矩阵数据，具体统计表格如表18—24所示。

表18步行出行OD矩阵数据表

t_wij表示以交通小区i为起点，小区j为终点的步行出行交通量；P_wi表示交通小区i步行出行的发生交通量，并且A_wj表示交通小区j步行出行的吸引交通量，并且T_w为调查区域步行出行的交通总量，并且 $T_w=\underset{i}{\Σ}\underset{j}{\Σ}{t}_{wij}=\underset{j}{\Σ}{P}_{wi}=\underset{i}{\Σ}{A}_w.$

表19自行车出行OD矩阵数据表

t_bij表示以交通小区i为起点，小区j为终点的自行车出行交通量；P_bi表示交通小区i自行车出行的发生交通量，并且A_bj表示交通小区j自行车出行的吸引交通量，并且T_b为调查区域自行车出行的交通总量，并且

表20常规公交出行OD矩阵数据表

t_pij表示以交通小区i为起点，小区j为终点的常规公交出行交通量；P_pi表示交通小区i常规公交出行的发生交通量，并且A_pj表示交通小区j常规公交出行的吸引交通量，并且T_p为调查区域常规公交出行的交通总量，并且 $T_p=\underset{i}{\Σ}\underset{j}{\Σ}{t}_{pij}=\underset{j}{\Σ}{P}_{pi}=\underset{i}{\Σ}{A}_{pj}.$

表21轨道交通出行OD矩阵数据表

t_sij表示以交通小区i为起点，小区j为终点的轨道交通出行交通量；P_si表示交通小区i轨道交通出行的发生交通量，并且A_sj表示交通小区j轨道交通出行的吸引交通量，并且T_s为调查区域轨道交通出行的交通总量，并且 $T_s=\underset{i}{\Σ}\underset{j}{\Σ}{t}_{sij}=\underset{j}{\Σ}{P}_{si}=\underset{i}{\Σ}{A}_{sj}.$

表22电动车出行OD矩阵数据表

t_eij表示以交通小区i为起点，小区j为终点的电动车出行交通量；P_ei表示交通小区i电动车出行的发生交通量，并且A_ej表示交通小区j电动车出行的吸引交通量，并且T_e为调查区域电动车出行的交通总量，并且 $T_e=\underset{i}{\Σ}\underset{j}{\Σ}{t}_{eij}=\underset{j}{\Σ}{P}_{ei}=\underset{i}{\Σ}{A}_{ej}.$

表23出租车出行OD矩阵数据表

t_tij表示以交通小区i为起点，小区j为终点的出租车出行交通量；P_ti表示交通小区i出租车出行的发生交通量，并且A_tj表示交通小区j出租车出行的吸引交通量，并且T_t为调查区域出租车出行的交通总量，并且 $T_t=\underset{i}{\Σ}\underset{j}{\Σ}{t}_{tij}=\underset{j}{\Σ}{P}_{ti}=\underset{i}{\Σ}{A}_{tj}.$

表24自驾车出行OD矩阵数据表

t_cij表示以交通小区i为起点，小区j为终点的自驾车出行交通量；P_ci表示交通小区i自驾车出行的发生交通量，并且A_cj表示交通小区j自驾车出行的吸引交通量，并且T_c为调查区域自驾车出行的交通总量，并且 $T_c=\underset{i}{\Σ}\underset{j}{\Σ}{t}_{cij}=\underset{j}{\Σ}{P}_{ci}=\underset{i}{\Σ}{A}_{cj}.$

步骤6：获取多次出行OD矩阵数据

步骤6.1:将步骤1的数据利用步骤3的方法扩算得到总体数据，并对总体数据中的每个移动用户的每次出行的所有停留点映射的相应交通小区信息进行统计。因为是多次出行OD矩阵数据的获取，所以不但要统计停留点中的居住地与工作地，并且要统计活动目的地点。具体统计结果如表25所示。

表25所有停留点映射交通小区统计

步骤6.2:汇总各个交通小区的数据，得到所有交通小区的发生交通量与吸引交通量。具体实施方法同步骤4.2。

步骤6.3:形成多次出行OD矩阵数据。具体实施方法同步骤4.3。

步骤7：输出交通发生吸引量柱状图与相应OD期望图。

绘制调查区域GIS底图，并且在GIS底图上根据步骤1中信息划分相应交通小区。根据步骤4至步骤6的OD矩阵数据，输出相应的交通发生吸引量柱状图与OD期望图。

Claims (1)

1.基于手机信令出行链的OD矩阵获取方法，其特征在于，包括以下步骤：

步骤1：按照采样要求获取指定日手机信令出行链数据；

步骤2：利用手机信令出行链数据确定出行的起点即O点、终点即D点；

利用步骤1得到的手机信令出行链数据信息，根据相应判别规则确定出行的O点、D点与主要出行方式；

步骤3：根据抽样系数对样本进行扩算；

将步骤2得到的标记、判别处理后的手机信令出行链数据按照居住地所在小区的抽样系数的倒数进行扩算，得到总体数据；

步骤4：获取粗颗粒度信息OD矩阵数据；

将步骤3中得到总体数据中的每个移动用户的每次出行O点、D点所标记的停留点映射的相应交通小区信息进行统计；得到所有的交通小区的发生交通量与吸引交通量，汇总各个交通小区的数据，形成粗颗粒度信息OD矩阵数据；

步骤5：获取分方式OD矩阵数据；

将步骤3得到的总体数据按照数据中的主要交通方式进行分组，然后按照不同交通方式统计每个移动用户该交通方式出行的每次出行O点、D点所标记的停留点映射的相应交通小区信息进行统计；得到所有交通小区的相应交通方式的发生交通量与吸引交通量，汇总各个交通小区的数据，形成相应交通方式下的OD矩阵数据；

步骤6：获取多次出行OD矩阵数据；

将步骤1的数据利用步骤3的方法扩算得到总体数据中的每个移动用户的居住地、工作地与活动目的地映射的相应交通小区信息进行统计；得到所有的交通小区的发生交通量与吸引交通量，汇总每个交通小区的数据，形成多次出行OD矩阵数据；

步骤7：输出交通发生吸引量柱状图与相应OD期望图；

根据步骤4到步骤6的OD矩阵数据，输出相应的交通发生吸引量柱状图与OD期望图。