CN105809962A - 一种基于手机数据的交通出行方式划分的方法 - Google Patents
一种基于手机数据的交通出行方式划分的方法 Download PDFInfo
- Publication number
- CN105809962A CN105809962A CN201610246808.7A CN201610246808A CN105809962A CN 105809962 A CN105809962 A CN 105809962A CN 201610246808 A CN201610246808 A CN 201610246808A CN 105809962 A CN105809962 A CN 105809962A
- Authority
- CN
- China
- Prior art keywords
- trip
- travel
- community
- cellphone subscriber
- time
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Abstract
本发明公开了一种基于手机数据进行交通出行方式划分的方法,根据手机用户行为特征,基于手机通信数据,预测手机用户的住址小区和工作小区,利用工作日手机用户在住址小区与工作小区产生的通讯记录构建手机用户在住址小区与工作小区之间的通勤O‑D矩阵;利用手机数据所含的时间信息与位置信息计算通勤出行时间,出行距离和出行速度,通过不同出行方式的出行特征建立速度、距离等级算法,引入城市交通网络信息数据以及构建基于出行时间的Logit模型来实现大规模城市交通出行方式划分,为交通方式间的交通需求预测提供一条经济、可行的新方法。
Description
技术领域
本发明属于公共交通数据处理领域,涉及一种基于手机数据的交通出行方式划分的方法。
背景技术
交通方式划分就是出行者出行选择交通工具的比例,它以居民出行调查的数据为基础,研究人们出行时的交通方式选择行为,建立模型从而预测基础设施或服务等条件变化时,交通方式间交通需求的变化。
交通方式划分预测是城市交通规划交通需求预测的重要组成部分,交通方式划分预测可以对未来城市交通运输结构优化提供重要的决策支持。传统的交通方式划分主要基于问卷调查分析方法,耗费大量的人力物力资源,调查周期长,交通方式划分的结果缺少时效性,利用新的信息资源进行数据挖掘,进行交通方式划分预测成为新的研究方向。现有的交通方式划分方法通常基于精细取样,即利用移动设备(GPS、加速计等)进行高频率的数据采集,通过还原出行轨迹分析出行速度、出行时间或出行方向改变率来实现交通方式的划分。通过这种方法收集的数据进行交通方式划分可以实现很高的划分精度,然而,这些方法目前仍存在以下问题:
1)需要耗费高昂的成本,实施过程比较复杂;
2)移动设备需要随身携带,对信号强度有较高的要求,信息采集的过程中容易出现信息遗漏,影响交通方式的划分结果;
3)只能进行小样本采样,样本容量具有一定限制,不能实现大规模交通方式划分。
综上所述,现有的交通方式划分研究方法,仅限于实验室研究,由于数据量的限制,不能实现大规模的交通方式划分,很难应用于实际的城市交通方式划分预测。因此,是否能发明一种能够解决数据量限制问题,实现大规模交通方式划分的经济、可行的交通方式划分预测方法成为亟待解决的技术问题。
发明内容
本发明提出了一种基于手机数据的交通出行方式划分的方法,通过手机数据进行人类出行建模,提取通勤O-D矩阵,通过建立不同出行方式的速度、距离等级算法,引入城市交通网络,构建Logit模型实现大规模城市交通出行方式的划分。
一种基于手机数据的交通出行方式划分的方法,根据手机用户行为特征,基于手机通信数据,预测手机用户的住址小区和工作小区,利用工作日手机用户在住址小区与工作小区产生的通讯记录构建手机用户在住址小区与工作小区之间的通勤O-D矩阵;利用手机数据所含 的时间信息与位置信息计算通勤出行时间,出行距离和出行速度,通过不同出行方式的出行特征建立速度、距离等级算法,引入城市交通网络信息数据以及构建基于出行时间的Logit模型来实现大规模城市交通出行方式划分。
所述预测手机用户的住址小区和工作小区是指利用手机通信数据判断手机用户所在的住址小区与工作小区;
所述住址小区指在当地时间19:00以后手机用户通讯记录次数出现最多的小区,所述工作小区指在当地时间08:00以后手机用户通讯记录次数出现最多的小区;
所述手机用户通讯记录平均每天出现在住址小区或工作小区的次数至少大于3次。
所述构建手机用户的通勤O-D矩阵,具体步骤如下;
步骤2.1:提取手机用户在当地时间6:00-10:00a.m.的出行信息:获取手机用户每天在该时段最后一次出现在住址小区的通讯记录与第一次出现在工作小区的通讯记录的时间差;
步骤2.2:提取手机用户在当地时间16:00-20:00p.m.的出行信息:获取每天手机用户在该时段最后一次出行在工作小区与第一次出现在住址小区的通讯记录的时间差;
步骤2.3:以步骤2.1和2.2获取的时间差中的最短的时间差作为通勤出行的有效出行时间Tij,同时,基于最短时间差对应的通信记录中手机所在的地理位置信息,获取住址小区与工作小区之间的距离Sij,并根据速度计算公式:Vij=Sij/Tij计算手机用户的出行速度;
步骤2.4:以手机用户所在住址小区作为O-D矩阵行标识,列作为手机用户所在工作小区作为O-D矩阵列标识,手机用户在对应住址小区和工作小区之间的通勤出行速度和距离作为对应O-D矩阵中的矩阵元素,构建通勤O-D矩阵。
在进行交通出行方式划分之前先进行交通出行方式进行划分估计,具体过程如下:
依据各种交通出行方式的速度和距离信息,构建基于出行时间的Logit模型,对手机用户通勤O-D矩阵数据对应的交通出行方式进行划分估计;
步骤3.1:对手机用户的通勤O-D矩阵中的用户出行行为按照对应的出行速度是否超过15km/h进行划分:
将出行速度高于15km/h的出行行为划分为高速出行,将出行速度未超过15km/h的出行行为划分为低速出行;
其中,所述高速出行包括小汽车出行和公共交通出行,所述公共交通出行包括公交车出行、地铁出行或公交车与地铁换乘出行;
所述低速出行包括步行或机动车出行,所述机动车出行包括小汽车和公共交通出行;
步骤3.2:对出行行为进行出行工具划分;
1)对属于高速出行的通勤O-D信息引入城市公共交通网络地理信息数据,判断出行起点 和终点是否存在公共交通站点;
若出行起点和终点500米范围内均不存在公共交通站点,则当前出行行为属于小汽车出行,否则,则将当前出行行为作为待进一步划分出行工具的出行行为;
2)对属于低速出行的通勤O-D信息按照以下标准进行出行工具划分:
若出行距离小于3km,且出行速度介于0-8km/h的出行行为的出行工具判定为步行出行;
若出行距离大于3km,出行速度大于8km/h的出行行为的出行工具判定为机动车出行,对判断为机动车出行的出行行为,引入城市公共交通网络地理信息数据,并判断出行起点和终点是否存在公共交通站点:
若出行起点和终点500米范围内均不存在公共交通站点,则当前出行行为属于小汽车出行,否则,则将当前出行行为作为待进一步划分出行工具的出行行为。
所述Logit模型对获得的待进一步划分出行工具的出行行为按照以下公式计算出行工具概率Pn(i),以最大概率对应的出行工具作为对应出行行为的出行工具;
其中,exp表示指数函数,Vn(i)表示用户n选择出行方式为i的时间效用函数,i=1表示为公共交通出行,i=2表示为小汽车出行,K的取值为2。
公共交通出行与小汽车出行的效用函数Vn(i),分别按照以下公式计算:
Vn(2)=αTn(2)
Vn(1)=αTn(1)+γ
其中,Tn(2)为待划分出行OD按小汽车出行的出行时间,Tn(1)为待划分出行OD按公共交通出行的出行时间;
α为出行时间参数,取值为-0.0937,γ为哑变量,取值为0~2;
Tn(2)计算过程为:引入城市道路网络,选择出行起点O与终点D最近的道路交叉口作为新的起点与终点,按照最短路径算法计算选择小汽车出行时的出行时间;
Tn(1)为计算过程为:引入城市公共交通双层网络,选择出行起点O与终点D附近最近的公共交通站点作为新的起点与终点,按照最短路径算法计算选择公共交通出行时的出行时间。
有益效果
本发明提供了一种基于手机数据的交通出行方式划分的方法,以城市交通需求预测理论为基础,基于手机数据和人员特征行为算法进行人类出行行为建模,估计通勤出行O-D矩阵,利用手机数据所含的时间信息与位置信息计算通勤出行时间,出行距离和出行速度,通过不 同出行方式的出行特征建立速度、距离等级算法,引入城市交通网络信息数据以及构建基于出行时间的Logit模型来实现大规模城市交通出行方式划分。
手机的拥有率和使用率在出行群体中已达到非常高的比例,该方法通过对手机通讯数据和位置数据进行综合分析处理,提出了具体的划分模型,划分结果准确有效,使用手机通讯数据预测城市居民出行方式划分能有效地解决大规模出行数据信息难以获取的问题,解决交通调查数据落后、缺乏时效性的问题,解决交通出行调查耗费大量的物力、人力、财力的问题,为实现城市居民交通出行方式划分提供一条更经济、更有效的途径。
附图说明
图1本发明所述的基于手机数据的交通出行方式划分方法流程图;
图2为750个交通小区三种交通出行方式分担率的预测值与实际值的比较,(a)、(b)、(c)分别为小汽车出行、公共交通出行以及步行的分担率预测值与实际值的线性相关性;(e)、(d)、(f)分别为加权后的三种交通出行方式分担率预测值与实际值的相关性。
具体实施方式
下面将结合附图和实施例对本发明做进一步的说明。
本发明基于波士顿三个周的手机通讯数据预测用户的通勤出行,结合波士顿实际的交通网络数据以及Logit模型进行以交通小区为单位的交通方式划分,具体实施步骤为:
第一步:手机数据处理,估计通勤O-D矩阵
本发明使用的手机数据包括波士顿地区200万手机用户在三个周内产生的38百万条通讯记录,每次手机用户在使用手机时,当前的时间和位置会被记录下来,三个周内共记录了20多万个位置点,分别对应到波士顿750个人口普查小区,根据人员特征行为算法,在一定的时间段内,居民晚上在家里打电话的概率比较大,工作日白天在工作地点打电话的概率比较大,根据这一特征预测每个手机用户的住址小区与工作小区,共有472,694个手机用户存在住址小区与工作小区,其中,218,377位手机用户的住址小区与工作小区不为同一小区,由于手机用户恰好在离开住址小区(工作小区)时使用手机,在到达工作小区(住址小区)时使用手机的概率非常小,很难直接利用两次通讯时间差作为通勤出行的有效出行时间,为此,计算每天手机用户在6:00-10:00间最后一次出现在住址小区的通讯记录与第一次出现在工作小区的通讯记录的时间差,同理,计算手机用户在16:00-20:00间最后一次出现在工作小区的通讯记录与第一次出现在住址小区的通讯记录的时间差,选取最小的时间差作为通勤出 行的有效出行时间,共监测到101,603位手机用户存在有效出行时间。
第二步:构建波士顿城市交通网络
本发明使用的波士顿城市交通网络包括道路网络,地铁网络以及公交网络,根据波士顿交通管理局提供的城市交通网络信息,利用Google earth查找道路交叉口,地铁站点,公交站点经纬度坐标信息,构建波士顿城市交通网络。波士顿道路网包括9,643个交叉口,21,905个路段,地铁网络包括121个地铁站,246条路段,公交网络包括4,225个公交站点,9,794条路段,通过连接500米以内的公交站点与地铁站点,构建波士顿地铁与公交双层网络。
第三步:实现交通方式划分
根据不同的出行方式的出行特征构建速度等级算法,引入城市交通网络信息数据,构建Logit模型实现交通出行方式划分。
以速度15km/h作为非机动车出行的最高限速,将通勤出行分为高速出行与低速出行,对于高速出行,出行起点与终点500米附近不存在公共交通站点的出行判定为小汽车出行,否则基于道路网络与公共交通网络,利用最短路径算法分别计算小汽车与公共交通出行的出行时间,带入Logit模型进行划分;低速出行中出行距离小于3km,出行速度为0-8km/h的为步行,速度大于8km/h或距离大于3km的出行,出行起点与终点500米附近不存在公共交通站点的出行判定为小汽车出行,否则利用Logit模型进行划分。
图2为将波士顿地区每个交通小区的各种出行方式的分担率的实际值与估计值进行比较,我们发现小汽车出行与公共交通出行的分担率与实际值比较接近(图a、b),存在很好的线性关系,Pprediction(car)=1.0data(car),Pprediction(pub)=0.87data(pub),car表示小汽车出行,pub表示公共交通出行;拟合度T2较高,分别为0.68与0.53,步行的拟合度偏低,但是由于实际通勤出行OD中步行出行的比例非常小,对出行方式划分估计的影响较小,因此基于手机数据可以实现城市大规模交通出行方式划分。
表1为整个波士顿地区小汽车出行、公共交通出行、步行三种出行方式分担率的实际值,估计值与误差值。
表1
出行方式 | 小汽车出行分担率(%) | 公共交通出行分担率(%) | 步行分担率(%) |
实际值 | 80 | 14 | 6 |
预测值 | 77.6 | 15.3 | 7.1 |
误差值 | 3 | 9 | 18 |
从上表可以看出小汽车出行与公共交通出行的误差值非常小,分别为3%,与9%,步行 为18%,由此可见,利用本发明所述方法通过手机数据可以实现城市大规模交通出行方式的划分。
Claims (6)
1.一种基于手机数据的交通出行方式划分的方法,其特征在于,根据手机用户行为特征,基于手机通信数据,预测手机用户的住址小区和工作小区,利用工作日手机用户在住址小区与工作小区产生的通讯记录构建手机用户在住址小区与工作小区之间的通勤O-D矩阵;利用手机数据所含的时间信息与位置信息计算通勤出行时间,出行距离和出行速度,通过不同出行方式的出行特征建立速度、距离等级算法,引入城市交通网络信息数据以及构建基于出行时间的Logit模型来实现大规模城市交通出行方式划分。
2.根据权利要求1所述的方法,其特征在于,所述预测手机用户的住址小区和工作小区是指利用手机通信数据判断手机用户所在的住址小区与工作小区;
所述住址小区指在当地时间19:00以后手机用户通讯记录次数出现最多的小区,所述工作小区指在当地时间08:00以后手机用户通讯记录次数出现最多的小区;
所述手机用户通讯记录平均每天出现在住址小区或工作小区的次数至少大于3次。
3.根据权利要求2所述的方法,其特征在于,所述构建手机用户的通勤O-D矩阵,具体步骤如下;
步骤2.1:提取手机用户在当地时间6:00-10:00a.m.的出行信息:获取手机用户每天在该时段最后一次出现在住址小区的通讯记录与第一次出现在工作小区的通讯记录的时间差;
步骤2.2:提取手机用户在当地时间16:00-20:00p.m.的出行信息:获取每天手机用户在该时段最后一次出行在工作小区与第一次出现在住址小区的通讯记录的时间差;
步骤2.3:以步骤2.1和2.2获取的时间差中的最短的时间差作为通勤出行的有效出行时间Tij,同时,基于最短时间差对应的通信记录中手机所在的地理位置信息,获取住址小区与工作小区之间的距离Sij,并根据速度计算公式:Vij=Sij/Tij计算手机用户的出行速度;
步骤2.4:以手机用户所在住址小区作为O-D矩阵行标识,列作为手机用户所在工作小区作为O-D矩阵列标识,手机用户在对应住址小区和工作小区之间的通勤出行速度和距离作为对应O-D矩阵中的矩阵元素,构建通勤O-D矩阵。
4.根据权利要求3所述的方法,其特征在于,在进行交通出行方式划分之前先进行交通出行方式进行划分估计,具体过程如下:
步骤3.1:对手机用户的通勤O-D矩阵中的用户出行行为按照对应的出行速度是否超过15km/h进行划分:
将出行速度高于15km/h的出行行为划分为高速出行,将出行速度未超过15km/h的出行行为划分为低速出行;
其中,所述高速出行包括小汽车出行和公共交通出行,所述公共交通出行包括公交车出行、地铁出行或公交车与地铁换乘出行;
所述低速出行包括步行或机动车出行,所述机动车出行包括小汽车和公共交通出行;
步骤3.2:对出行行为进行出行工具划分;
1)对属于高速出行的通勤O-D信息引入城市公共交通网络地理信息数据,判断出行起点和终点是否存在公共交通站点;
若出行起点和终点500米范围内均不存在公共交通站点,则当前出行行为属于小汽车出行,否则,则将当前出行行为作为待进一步划分出行工具的出行行为;
2)对属于低速出行的通勤O-D信息按照以下标准进行出行工具划分:
若出行距离小于3km,且出行速度介于0-8km/h的出行行为的出行工具判定为步行出行;
若出行距离大于3km,出行速度大于8km/h的出行行为的出行工具判定为机动车出行,对判断为机动车出行的出行行为,引入城市公共交通网络地理信息数据,并判断出行起点和终点是否存在公共交通站点:
若出行起点和终点500米范围内均不存在公共交通站点,则当前出行行为属于小汽车出行,否则,则将当前出行行为作为待进一步划分出行工具的出行行为。
5.根据权利要求4所述的方法,其特征在于,所述Logit模型对获得的待进一步划分出行工具的出行行为按照以下公式计算出行工具概率Pn(i),以最大概率对应的出行工具作为对应出行行为的出行工具;
其中,exp表示指数函数,Vn(i)表示用户n选择出行方式为i的时间效用函数,i=1表示为公共交通出行,i=2表示为小汽车出行,K的取值为2。
6.根据权利要求5所述的方法,其特征在于,公共交通出行与小汽车出行的效用函数Vn(i),分别按照以下公式计算:
Vn(2)=αTn(2)
Vn(1)=αTn(1)+γ
其中,Tn(2)为待划分出行OD按小汽车出行的出行时间,Tn(1)为待划分出行OD按公共交通出行的出行时间;
α为出行时间参数,取值为-0.0937,γ为哑变量,取值为0~2;
Tn(2)计算过程为:引入城市道路网络,选择出行起点O与终点D最近的道路交叉口作为新的起点与终点,按照最短路径算法计算选择小汽车出行时的出行时间;
Tn(1)为计算过程为:引入城市公共交通双层网络,选择出行起点O与终点D附近最近的公共交通站点作为新的起点与终点,按照最短路径算法计算选择公共交通出行时的出行时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610246808.7A CN105809962A (zh) | 2016-06-13 | 2016-06-13 | 一种基于手机数据的交通出行方式划分的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610246808.7A CN105809962A (zh) | 2016-06-13 | 2016-06-13 | 一种基于手机数据的交通出行方式划分的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105809962A true CN105809962A (zh) | 2016-07-27 |
Family
ID=56458262
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610246808.7A Pending CN105809962A (zh) | 2016-06-13 | 2016-06-13 | 一种基于手机数据的交通出行方式划分的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105809962A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106197458A (zh) * | 2016-08-10 | 2016-12-07 | 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 |
CN106448173A (zh) * | 2016-11-28 | 2017-02-22 | 东南大学 | 一种基于手机数据的长距离出行交通方式划分方法 |
CN107515842A (zh) * | 2017-07-19 | 2017-12-26 | 中南大学 | 一种城市人口密度动态预测方法及系统 |
CN107747947A (zh) * | 2017-10-23 | 2018-03-02 | 电子科技大学 | 一种基于用户历史gps轨迹的协同旅行路线推荐方法 |
CN107770744A (zh) * | 2017-09-18 | 2018-03-06 | 上海世脉信息科技有限公司 | 大数据环境下出行od节点识别和节点间路径提取方法 |
CN107886723A (zh) * | 2017-11-13 | 2018-04-06 | 深圳大学 | 一种交通出行调查数据处理方法 |
CN107944700A (zh) * | 2017-11-22 | 2018-04-20 | 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 |
CN108171973A (zh) * | 2017-12-27 | 2018-06-15 | 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 |
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 |
CN108877227A (zh) * | 2018-08-30 | 2018-11-23 | 中南大学 | 一种基于多源交通数据的全局动态出行需求估计方法 |
CN109345296A (zh) * | 2018-09-20 | 2019-02-15 | 深圳市东部公共交通有限公司 | 民众出行需求预测方法、装置及计算机终端 |
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 |
CN110751831A (zh) * | 2019-10-10 | 2020-02-04 | 珠海市岭南大数据研究院 | 出行方式识别方法、装置、计算机设备和存储介质 |
CN111143769A (zh) * | 2019-12-09 | 2020-05-12 | 深圳市市政设计研究院有限公司 | 一种基于大数据的出行方式分担率的预测方法和预测装置 |
CN112351394A (zh) * | 2020-11-03 | 2021-02-09 | 崔毅 | 一种基于手机信令数据的交通出行模型构建方法 |
CN113536112A (zh) * | 2021-06-11 | 2021-10-22 | 五邑大学 | 一种乘客接驳预测方法、装置及存储介质 |
WO2021237812A1 (zh) * | 2020-05-29 | 2021-12-02 | 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 |
US20220207564A1 (en) * | 2020-12-25 | 2022-06-30 | Toyota Jidosha Kabushiki Kaisha | Information processing device, information processing method, and non-transitory storage medium |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104484993A (zh) * | 2014-11-27 | 2015-04-01 | 北京交通大学 | 用于交通小区划分的手机信令信息的处理方法 |
CN104899443A (zh) * | 2015-06-05 | 2015-09-09 | 陆化普 | 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 |
-
2016
- 2016-06-13 CN CN201610246808.7A patent/CN105809962A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104484993A (zh) * | 2014-11-27 | 2015-04-01 | 北京交通大学 | 用于交通小区划分的手机信令信息的处理方法 |
CN104899443A (zh) * | 2015-06-05 | 2015-09-09 | 陆化普 | 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 |
Non-Patent Citations (2)
Title |
---|
YINGCHUN QU,ETC: "Transportation Mode Split With Mobile Phone Data", 《2015 IEEE 18TH INTERNATIONAL CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS(INTELLIGENT TRANSPORTATION SYSTEMS (ITSC))》 * |
陈俭新,等: "基于移动互联网技术的出行模式识别方法", 《计算机工程与设计》 * |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106197458A (zh) * | 2016-08-10 | 2016-12-07 | 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 |
CN106448173A (zh) * | 2016-11-28 | 2017-02-22 | 东南大学 | 一种基于手机数据的长距离出行交通方式划分方法 |
CN107515842B (zh) * | 2017-07-19 | 2018-06-19 | 中南大学 | 一种城市人口密度动态预测方法及系统 |
CN107515842A (zh) * | 2017-07-19 | 2017-12-26 | 中南大学 | 一种城市人口密度动态预测方法及系统 |
CN107770744A (zh) * | 2017-09-18 | 2018-03-06 | 上海世脉信息科技有限公司 | 大数据环境下出行od节点识别和节点间路径提取方法 |
CN107747947B (zh) * | 2017-10-23 | 2021-04-30 | 电子科技大学 | 一种基于用户历史gps轨迹的协同旅行路线推荐方法 |
CN107747947A (zh) * | 2017-10-23 | 2018-03-02 | 电子科技大学 | 一种基于用户历史gps轨迹的协同旅行路线推荐方法 |
CN107886723A (zh) * | 2017-11-13 | 2018-04-06 | 深圳大学 | 一种交通出行调查数据处理方法 |
CN107886723B (zh) * | 2017-11-13 | 2021-07-20 | 深圳大学 | 一种交通出行调查数据处理方法 |
CN107944700A (zh) * | 2017-11-22 | 2018-04-20 | 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 |
CN108171973A (zh) * | 2017-12-27 | 2018-06-15 | 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 |
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 |
CN108615360B (zh) * | 2018-05-08 | 2022-02-11 | 东南大学 | 基于神经网络的交通需求逐日演变预测方法 |
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 |
CN108877227A (zh) * | 2018-08-30 | 2018-11-23 | 中南大学 | 一种基于多源交通数据的全局动态出行需求估计方法 |
CN108877227B (zh) * | 2018-08-30 | 2020-06-02 | 中南大学 | 一种基于多源交通数据的全局动态出行需求估计方法 |
CN109345296A (zh) * | 2018-09-20 | 2019-02-15 | 深圳市东部公共交通有限公司 | 民众出行需求预测方法、装置及计算机终端 |
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 |
CN110751831B (zh) * | 2019-10-10 | 2021-01-22 | 珠海市岭南大数据研究院 | 出行方式识别方法、装置、计算机设备和存储介质 |
CN110751831A (zh) * | 2019-10-10 | 2020-02-04 | 珠海市岭南大数据研究院 | 出行方式识别方法、装置、计算机设备和存储介质 |
CN111143769A (zh) * | 2019-12-09 | 2020-05-12 | 深圳市市政设计研究院有限公司 | 一种基于大数据的出行方式分担率的预测方法和预测装置 |
CN111143769B (zh) * | 2019-12-09 | 2023-05-09 | 深圳市市政设计研究院有限公司 | 一种基于大数据的出行方式分担率的预测方法和预测装置 |
WO2021237812A1 (zh) * | 2020-05-29 | 2021-12-02 | 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 |
CN112351394A (zh) * | 2020-11-03 | 2021-02-09 | 崔毅 | 一种基于手机信令数据的交通出行模型构建方法 |
US20220207564A1 (en) * | 2020-12-25 | 2022-06-30 | Toyota Jidosha Kabushiki Kaisha | Information processing device, information processing method, and non-transitory storage medium |
CN113536112A (zh) * | 2021-06-11 | 2021-10-22 | 五邑大学 | 一种乘客接驳预测方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105809962A (zh) | 一种基于手机数据的交通出行方式划分的方法 | |
CN108564226B (zh) | 一种基于出租车gps及手机信令数据的公交线路优化方法 | |
CN104574967B (zh) | 一种基于北斗的城市大面积路网交通感知方法 | |
Wang et al. | Estimating dynamic origin-destination data and travel demand using cell phone network data | |
CN102097004B (zh) | 一种基于手机定位数据的出行od矩阵获取方法 | |
CN102708698B (zh) | 基于车联网的车辆最优路径导航方法 | |
CN103177561B (zh) | 公交实时路况的生成方法 | |
CN103226892B (zh) | 一种优化型的道路拥塞状态发现方法 | |
CN103295414A (zh) | 一种基于海量历史gps轨迹数据的公交车到站时间预测方法 | |
CN104121918A (zh) | 一种实时路径规划的方法和系统 | |
CN107016851A (zh) | 一种量化分析城市建成环境对道路行程时间影响的方法 | |
CN105046949A (zh) | 一种基于手机数据计算o-d流进行车源预测的方法 | |
CN104731963A (zh) | 一种基于车联网的网格化路径推荐方法及系统 | |
CN110796337B (zh) | 一种评价城市公交站点服务可达性的系统 | |
CN103745089A (zh) | 一种多维公共交通运行指数评价方法 | |
CN105868861A (zh) | 一种基于时空数据融合的公交客流演化分析方法 | |
CN105632173A (zh) | 利用出租车gps数据进行城市公交系统的优化识别方法 | |
CN105679009A (zh) | 一种基于出租车gps数据挖掘的打车/接单poi推荐系统及方法 | |
CN104680829B (zh) | 基于多用户协同的公交车辆到站时间预测系统及方法 | |
CN111882867A (zh) | 一种基于物联网的城市智慧交通预警系统 | |
CN106327867B (zh) | 一种基于gps数据的公交准点预测方法 | |
CN112036757A (zh) | 基于手机信令和浮动车数据的停车换乘停车场的选址方法 | |
CN109579861A (zh) | 一种基于强化学习的路径导航方法及系统 | |
CN107655490B (zh) | 基于移动用户轨迹分段和最热搜索的热点路径发现方法 | |
CN104599499A (zh) | 一种分布式统计交通位置的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160727 |