CN108122131B - 基于公共自行车刷卡数据的通勤行为和职住地识别方法 - Google Patents
基于公共自行车刷卡数据的通勤行为和职住地识别方法 Download PDFInfo
- Publication number
- CN108122131B CN108122131B CN201711346960.3A CN201711346960A CN108122131B CN 108122131 B CN108122131 B CN 108122131B CN 201711346960 A CN201711346960 A CN 201711346960A CN 108122131 B CN108122131 B CN 108122131B
- Authority
- CN
- China
- Prior art keywords
- route
- routes
- commuting
- station
- user
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012216 screening Methods 0.000 claims abstract description 8
- 239000013589 supplement Substances 0.000 claims description 3
- 229930091051 Arenine Natural products 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 3
- 230000004308 accommodation Effects 0.000 abstract 1
- 230000006399 behavior Effects 0.000 description 23
- 230000000295 complement effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0645—Rental transactions; Leasing transactions
-
- G06Q50/40—
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Navigation (AREA)
- Time Recorders, Dirve Recorders, Access Control (AREA)
Abstract
本发明公开了一种基于公共自行车刷卡数据的通勤行为和职住地识别方法,包括以下步骤:1)获取公共自行车IC卡原始数据;2)提取原始数据有效信息;3)将借还车记录按照工作日和非工作日两个时间进行区分,工作日出行记录再按照上班时间,早晚高峰和其他时间进行区分;4)筛选高频用户;5)统计每张卡高峰期间的借还车站点及频次、O‑D路线及其频次;6)确定早、晚高峰每个用户的通勤路线;7)工作期间出行作为筛除条件,确定通勤者;8)职住地关系识别。本发明能够有效的从公共自行车刷卡数据中提取利用公共自行车通勤的行为,并分析家庭、工作地分布地点,为公共自行车通勤出行及其调度提供理论分析基础。
Description
技术领域
本发明属于公共自行车IC卡数据分析,具体涉及基于公共自行车IC卡刷卡数据的通勤行为及职住地识别方法。
背景技术
城市化进程的不断加快促进了机动化的快速发展,然而机动车数量的急剧增长却带来了城市交通堵塞、噪音、环境污染等一系列问题。为了解决城市交通问题,优先发展城市公共交通成为越来越多城市的共识。因此很多政府致力于建设“公交都市”,对于轨道交通和常规公交的投入越来越多,但我们知道,轨道交通和常规公交由于受到交通用地、站点分布等限制,难以提供点到点的全程交通服务,公共自行车的存在就是为了解决人们短距离的出行以及满足人们对于“可达性”的要求。
然而由于目前人工巡查进行调度的方式技术手段落后、准确度不足、效率较低,难以满足车辆调度需求,导致高峰时段部分公共自行车站点“无车可借、无车位可还”的问题尤为突出,这也严重影响了公共自行车的运营服务质量。通过对刷卡数据的观察,我们发现,用户工作日使用公共自行车的时间分布较周末使用公共自行车的时间分布更加集中,这种表现尤其体现在早晚高峰时期。因此,早晚高峰是最容易出行公共自行车站点“无车可借、无车位可还”的问题。另外,通勤者的出行更加规律,使用公共自行车也更加频繁,因此讨论高频用户的通勤行为对于解决公共自行车存在的问题具有实际意义。
发明内容
发明目的:本发明提供一种基于公共自行车刷卡数据的通勤行为和职住地识别方法,所述方法基于公共自行车刷卡数据,可以确定通勤行为并确定居住地和工作地,同时可以进一步的解决自行车调度问题。
技术方案:本发明的基于公共自行车刷卡数据的公共自行车通勤行为和职住地识别方法,包括以下步骤:
(1)获取公共自行车IC卡的原始数据;
(2)提取原始数据中的有效信息;
(3)根据借还车记录分类,所分类的类别包括工作日和节假日,其中工作日包括进一步的划分上班时间、早晚高峰和其他时间;
(4)根据出行次数筛选出高频用户;
(5)统计每张卡早晚高峰期间的借车站点、还车站点及各自的频次、O-D路线及其频次;
(6)获取站点位置信息,确定早晚高峰各类通勤行为类别及确定通勤O-D路线;
(7)以工作期间出行作为筛除条件,确定通勤者;
(8)结合通勤O-D路线及各站点访问频次等,结合通勤行为,得到职住地关系,确定居住地和工作地。
进一步的,步骤(2)所述的有效信息包括IC卡卡号、身份信息、借车时间、借车站点编号、还车时间、还车站点编号以及站点经纬度信息;
步骤(3)所述的上班时间为上午九点到十一点和下午两点到四点两个时间段,所述的早晚高峰为上午七点到九点和下午四点到七点两个时间段;
步骤(4)所述高频用户的筛选条件为工作日上班时间每周至少两次的出行次数;
步骤(5)所述的高峰期间的借还车站点和O-D路线根据工作日的出行记录,以每个用户为单位,包括确定每个用户借还车站点的编号及其次数、借还车的O-D路线及其次数;
所述步骤(6)的早晚高峰公共自行车通勤行为分为五种类型,分别为补充路线型、候补路线型、连续使用型、互逆型和单O-D路线型,所述的补充路线型为采用“公共自行车-公交或地铁-公共自行车”出行方式;所述候补路线型为两条出行O-D路线,且两条O-D路线一端相同,另一端相邻;所述连续使用型为连续两次使用公共自行车,且两次使用的路线会满足前一次的终点和后一次的起点相同或者相邻;互逆型是两条出行O-D路线的两端的站点互逆相同或相邻;所述的单O-D路线型指选择一条通勤路线。
所述步骤(7)中工作期间为上午9:00-11:00和下午14:00-16:00pm。
更进一步的,步骤(6)的判断条件如下:
1)用户早晚高峰只有一条高频O-D路线,则该条路线即为早、晚高峰的通勤路线;
2)对于用户早、晚高峰的各自的两条最高频O-D路线,将O1=O2或D1=D2的记录挑出来,判别这两条路线另一端的站点是不是距离相近的相邻站点,如果是,则这两条线路之间是候补路线的关系;
3)对于用户早晚高峰各自两条O-D路线,如果满足次数相近,且这两条O-D路线在多天工作日早高峰中满足至少有几天同时出现,说明该用户在上班或者回家的一次出行中,有两次采用公共自行车出行的可能性,最常见的就是公交两端的接驳,因此说明这类用户存在“补充路线”的出行规律;
4)如果用户早、晚高峰的各自的两条O-D路线满足O1=D2,O2=D1,或者这两个站点为相邻站点);或者O2=D1,O1=D2(或者这两个站点为相邻站点),讨论以下情况:
①如果这两条O-D路线满足在多天工作日早高峰中不满足有一定天数同时出行,那么认为该类用户的互逆情况不在同一天;
②如果这两条O-D路线满足在多天工作日早高峰中满足至少有几天同时出现,那么把该类用户是同一天互逆的情况;
5)如果用户早、晚高峰的各自的两条O-D路线满足O1≠D2,D1=O2(或者这两个站点为相邻站点),那么这类用户的出行往往在一次使用公共自行车以后,会有短暂停留,紧接着在同一个公共自行车站点或者相近的站点继续连续使用公共自行车,即为“连续使用型”情况。
步骤(8)根据步骤(6)所述的早晚高峰各类通勤行为类别确定每名用户早、晚通勤路线,并且根据不同类别通勤路线特点,确定用户的居住地和工作地。
更进一步的,居住地和工作地的确定存在以下情况:
(a)能够同时确定“居住地”和“工作地”的公共自行车站点;
(b)只能确定“居住地”或者“工作地”其中一端的公共自行车站点两种情况;
(c)只能确定“居住地”和“工作地”两端公共自行车站点的候选站点一种情况。
有益效果:本发明与现有技术相比其显著的效果在于,1、本发明相比现采用的问调查和公交或轨道交通刷卡数据的职住关系分析过程简单,成本低,并且公共自行车具有灵活性、可达性好等效果;2、本发明提供的识别方法采用的数据面广,分析过程基于公共自行车IC卡刷卡数据和Python软件,结果准确度高;3、本发明还为公共自行车的调配和管理提供有力的数据支撑,为通勤行为的研究奠定坚实的基础。
附图说明
图1为候补线路型用户识别流程;
图2为补充线路型用户识别流程;
图3为连续使用和互逆使用型用户识别流程;
图4为基于公共自行车刷卡数据的通勤行为和职住地主要步骤流程图;
图5为基于公共自行车刷卡数据的通勤行为和职住地判别方法流程图。
具体实施方式
为了详细的说明本发明公开的技术方案,下面结合实施例和说明书附图作进一步的阐述。
在本实施例中,采用的数据是由南京市公共自行车公司提供,公共自行车IC卡信息量大、数据多,需要从其中提取相关的数据信息。原始数据中,一条完整的公共自行车记录包含10个部分:卡号、公共自行车编号、借车时间、借车站点编号、借车站点名称、借车桩位号、还车时间、还车站点编号、还车站点名称、还车桩位号。其中,借、还车站点编号与借、还车站点名称一一对应。根据本发明的需要,提取IC卡有效数据信息,结果如表1所示:
表1公共自行车IC卡有效信息结构表
1、由于IC卡借还车信息无法提供出行者的出行目的等信息,本发明根据用户一天内完成的一系列借还车活动的借车站点与还车站点的关系与复杂程度,将公共自行车通勤行为细分为五种类型:候补路线型、补充路线型、互逆路线型、连续使用型和只有/主要一条O-D路线型。
只有一条通勤线路的情况,是指以用户为单位,每个月的工作日早高峰和晚高峰期间只有一条O-D路线,那么我们认为,该用户出行规律性强,以该条O-D路线作为“去工作”和“回家”的通勤路线;主要一条通勤路线指的是高峰期间可以确定一条主要的通勤路线的情况。
针对早晚高峰各取了前两条最高频O-D路线以后,第一条路线的起终点分别记为O1,D1;第二高频的分别记为O2,D2。
有候补线路的情况,是将O1=O2或D1=D2的记录挑出来,以600米为判别条件另一端的站点是不是相邻站点,是的话说明这两条线路之间是候补路线的关系;
有补充线路的情况,是将挑出O1不等于O2,且D1不等于D2的路线,定义:如果满足第二高频的次数≥0.5*第一高频的次数,且这23天工作日早高峰中至少有2天同时出现了O1-D1和O2-D2的,说明该用户在上班或者回家的一次出行中,有采用两次公共自行车出行的可能性,此种情况定义为“补充路线型”。
有互逆线路的情况,是指如果O1=D2,O2=D1或者O2和D1是相邻站点;
或者O2=D1,O1和D2是相邻站点,讨论以下情况:
①如果满足这两条OD路线满足23个工作日早高峰同时出现的天数小于等于2天,那么认为该类用户的互逆情况不在同一天;
②如果满足这两条OD路线满足23天工作日早高峰同时出现的天数大于2天,那么认为该类用户是同一天互逆的情况;
有连续使用的情况,是将D2≠O1,D1=O2或者相邻,且23天工作日早高峰中至少有2天同时存在“O1-D1,O2-D2”的情况,这种情况是指用户在同一天高峰时期的一次出行目的中,有连续两次使用公共自行车的行为。
根据早晚高峰各类通勤行为,确定每个用户居住地和工作地的情况,主要是根据早晚高峰的通勤行为,对于早晚高峰只有或主要一条通勤路线、补充路线、候补路线及连续使用路线情况的用户,选择最高频的那条O-D路线,或者根据一次出行的最开始那条O-D路线的起点和最终那条O-D路线的那个终点;对于是互逆型使用情况的用户,因为有两条线路,因此早高峰选择第一条O-D路线,晚高峰也选择第一条O-D路线,作为判断职住地的最高频O-D路线。接下来结合站点访问频次,判断居住地和工作地的位置。
下面以早高峰用户记录为例,分别对五类通勤行为以实例进行详细说明:
1.1针对有候补线路的情况,其步骤流程如图1所示,根据流程图的处理判别出来的具有“候补路线”的用户出行O-D记录如下表所示:
表2候补路线型用户一月出行O-D记录
卡号 | 最高频O-D路线 | 次数 | 次高频O-D路线 | 次数 |
3104830001010000381 | O11191-15076 | 12 | O11192-15076 | 3 |
3104830001010000500 | O11003-15076 | 15 | O15003-15076 | 1 |
970071672583 | O15028-15012 | 7 | O15024-15012 | 5 |
1.2针对有补充线路的情况,其步骤流程如图2所示。根据上图判别出来的具有“补充路线”的用户出行O-D记录如下表所示:
表3补充路线型用户一月出行O-D记录
1.3针对有互逆线路及连续线路的情况,其步骤流程如图3所示。根据上图判别出来的具有“互逆使用”的用户出行O-D记录如下表所示,另外由于识别结果中不存在“连续使用”的用户,因此表格中没有展示出来。
表4互逆路线型用户一月出行O-D记录
1.4根据上面的各种类型通勤行为识别流程图可知,具体分析各类通勤行为的过程中,有些用户的O-D出行记录可以选取一条O-D路线作为典型代表;还有一部分用户早、晚高峰期间只有一条O-D路线,这两种情况由表5示出:
表5只有/主要一条OD路线型用户一月出行O-D记录
卡号 | 最高频O-D路线 | 次高频O-D路线 | 次数 |
3104830001030000381 | O11036-11013 | 只有最高频一条 | 11 |
970074782560 | O11040-13025 | 只有最高频一条 | 19 |
970472614532 | O15048-15051 | 主要一条OD路线 | 13 |
表6五种通勤行为的提取结果统计表
2、基于已经得到的早、晚高峰通勤行为,判断在有待定通勤出行记录的当天,该用户在工作时间内是否有公共自行车借还车记录,有的话,认为该用户不是通勤者,从原记录中删除,最后得到的早高峰和晚高峰通勤者的人数如下表所示:
表7确定的通勤者人数统计
类别 | 早高峰 | 晚高峰 |
通勤者人数 | 8374 | 8232 |
3、根据早晚高峰通勤路线识别结果,确定每个用户居住地和工作地的情况,具体实施步骤如下:
3.1对于选出的早、晚高峰都只取了一条线路的用户(有“候补线路”的用户,取最高频的那条O-D线路);对于补充线路和连续使用的线路(因为有两条线路,因此首先对每个用户的记录按照时间而不再是按照频次来排列两个OD路线,然后挑出早上第一条的起点O1,第二条的终点作为D1;晚高峰第一条的起点作为O2,终点作为D2);这样每个用户早高峰和晚高峰都得到了一条用于识别职住地的O-D路线。数据处理结果如下表所示:
表8可归纳成一条O-D路线的用户结果统计表
接下来去判断每个用户是否都有早高峰和晚高峰O-D路线:
1)若只有早高峰O-D路线,那么该O-D路线为“去工作”路线,起点为靠近居住地,终点为工作地;将该用户的居住地和工作地以及用户卡号等信息记录下来;
2)若只有晚高峰的O-D路线,那么该O-D路线为“回家”,起点为工作地,终点为居住地;把该用户的居住地和工作地站点信息以及用户卡号等信息记录下来;
3)既有早高峰O-D路线,又有晚高峰的O-D路线,则记早高峰O-D路线起终点为O1,D1;晚高峰的O-D路线的起终点为O2,D2;接着去判断:
(1)O1=D2(包括相邻)且D1=O2(包括相邻),那么可以确定早高峰的出行是“去工作”,晚高峰的出行是“回家”,因此O1是居住地,D1是工作地,将该用户的居住地和工作地站点信息以及用户卡号等信息记录下来;
(2)如果O1=D2(包括相邻),D1≠O2(也不相邻),那么确定O1是居住地;把该用户确定的居住地站点信息以及用户信息记录下来,不确定的工作地站点记为NULL;
(3)如果O1≠D2(也不相邻),D1=O2,那么确定O2是工作地;把该用户确定的工作地站点信息以及用户信息记录下来,不确定的居住地站点记为NULL;
(4)如果O1≠D2(也不相邻),D1≠O2(也不相邻),再去判断:
A、如果早高峰O1-D1的两个站点和最高频的三个站点是“相同或者相邻”,那么认为早高峰O1-D1是“去工作”,因此O1是居住地,D1是工作地,将该用户的居住地和工作地站点信息以及用户卡号等信息记录下来;
B、如果晚高峰O2-D2的两个站点和最高频的三个站点是“相同或者相邻”,那么认为晚高峰O2-D2是“回家”,因此O2是工作地,D2是居住地,将该用户的居住地和工作地站点信息以及用户卡号等信息记录下来;
C、如果a和b情况都不满足的话,把最高频的三个站点,认为是该用户家和工作地的3个“候选的站点”。
根据以上数据处理结果,针对出现的每种情况,选取典型结果,如下表所示:
表9一条O-D路线的用户职住地识别结果
3.2对于是互逆使用情况的用户,因为两条线路是可逆的,因此早高峰选择第一条O-D,晚高峰也选择第一条O-D,作为用于识别职住地的O-D路线。
表10互逆路线型用户统计表
接下来去判断:
1)只有早高峰O-D路线或者只有晚高峰O-D路线,认为该O-D路线的两个端为候选站点;
2)既有早高峰O-D路线又有晚高峰O-D路线
①如果早和晚的OD路线的四个站点相同或者相邻,任取两个作为候选站点;
②否则的话取工作日最高频的三个站点作为候选站点。
根据以上对应的不同情况,可以得到每个用户居住地、工作地或者得到“候补的家和工作地的公共自行车站点”。具体情况如下表所示:
表11互逆型用户职住地识别结果
可见,本发明提出方法能够准确有效的提取不同类型的公共自行车通勤行为,方法具有较强的推广价值,为基于公共自行车通勤行为和职住地识别的一系列研究奠定了坚实的基础。
Claims (7)
1.基于公共自行车刷卡数据的通勤行为和职住地识别方法,其特征在于,包括以下步骤:
(1)获取公共自行车IC卡的原始数据;
(2)提取原始数据中的有效信息;
(3)根据借还车记录分类,所分类的类别包括工作日和节假日,其中工作日包括进一步的划分上班时间、早晚高峰和其他时间;
(4)根据出行次数筛选出高频用户;
(5)统计每张卡早晚高峰期间的借车站点、还车站点及各自的频次、O-D路线及其频次;
(6)获取站点位置信息,确定早晚高峰各类通勤行为类别及确定通勤O-D路线,
其中,早晚高峰各类通勤行为类别包括:补充路线型、候补路线型、连续使用型、互逆型和单O-D路线型,所述的补充路线型为采用“公共自行车-公交或地铁-公共自行车”出行方式;所述候补路线型为两条出行O-D路线,且两条O-D路线一端相同,另一端相邻;所述连续使用型为连续两次使用公共自行车,且两次使用的路线会满足前一次的终点和后一次的起点相同或者相邻;互逆型是两条出行O-D路线的两端的站点互逆相同或相邻;所述的单O-D路线型指选择一条通勤路线;
判断条件如下:
1)用户早晚高峰只有一条高频O-D路线,则该条路线即为早、晚高峰的通勤路线;
2)对于用户早、晚高峰的各自的两条最高频O-D路线,将O1=O2或D1=D2的记录挑出来,判别这两条路线另一端的站点是不是距离相近的相邻站点,若是,则这两条线路之间是“候补路线”的关系;
3)早、晚高峰的各自的两条O-D路线如果满足次数相近,且这两条O-D路线在多天工作日早高峰中满足至少有两天同时出现,该用户在上班或者回家的一次出行中,有两次采用公共自行车出行的可能性,该类用户出行为“补充路线”的关系;
4)如果早、晚高峰的各自的两条O-D路线满足O1=D2,O2=D1,或这两个站点为相邻站点;或者O2=D1,O1=D2,或这两个站点为相邻站点,讨论以下情况:
①如果这两条O-D路线满足在多天工作日早高峰中不满足有一定天数同时出行,那么认为该类用户的互逆情况不在同一天;
②如果这两条O-D路线满足在多天工作日早高峰中满足至少有几天同时出现,那么认为该类用户是同一天互逆的情况;
5)如果早、晚高峰的各自的两条O-D路线满足O1≠D2,D1=O2,或者这两个站点为相邻站点,那么该类用户的出行为在一次使用公共自行车以后,紧接着在同一个公共自行车站点或者相近的站点继续连续使用公共自行车,即为“连续使用型”情况;
(7)以上班时间出行作为筛除条件,确定通勤者;
(8)结合通勤O-D路线及各站点访问频次,分析通勤行为,得到职住地关系,确定居住地和工作地。
2.根据权利要求1所述的基于公共自行车刷卡数据的通勤行为和职住地识别方法,其特征在于,步骤(2)所述的有效信息包括IC卡卡号、身份信息、借车时间、借车站点编号、还车时间、还车站点编号以及站点经纬度信息。
3.根据权利要求1所述的基于公共自行车刷卡数据的通勤行为和职住地识别方法,其特征在于,步骤(3)所述的上班时间为上午九点到十一点和下午两点到四点两个时间段,所述的早晚高峰为上午七点到九点和下午四点到七点两个时间段。
4.根据权利要求1所述的基于公共自行车刷卡数据的通勤行为和职住地识别方法,其特征在于,步骤(4)所述高频用户的筛选条件为工作日上班时间每周至少两次。
5.根据权利要求1所述的基于公共自行车刷卡数据的通勤行为和职住地识别方法,其特征在于,步骤(5)所述的高峰期间的借还车站点和O-D路线根据工作日的出行记录,以每个用户为单位,包括确定每个用户借还车站点的编号及其次数、借还车的O-D路线及其次数。
6.根据权利要求1所述的基于公共自行车刷卡数据的通勤行为和职住地识别方法,其特征在于,步骤(8)根据步骤(6)所述的早晚高峰各类通勤行为类别确定每名用户早、晚通勤路线,并且根据不同类别通勤路线特点,确定用户的居住地和工作地。
7.根据权利要求6所述的基于公共自行车刷卡数据的通勤行为和职住地识别方法,其特征在于,居住地和工作地的确定存在以下情况:
(a)能够同时确定“居住地”和“工作地”的公共自行车站点;
(b)只能确定“居住地”或者“工作地”其中一端的公共自行车站点两种情况;
(c)只能确定“居住地”和“工作地”两端公共自行车站点的候选站点一种情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711346960.3A CN108122131B (zh) | 2017-12-15 | 2017-12-15 | 基于公共自行车刷卡数据的通勤行为和职住地识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711346960.3A CN108122131B (zh) | 2017-12-15 | 2017-12-15 | 基于公共自行车刷卡数据的通勤行为和职住地识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108122131A CN108122131A (zh) | 2018-06-05 |
CN108122131B true CN108122131B (zh) | 2021-10-29 |
Family
ID=62229815
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711346960.3A Active CN108122131B (zh) | 2017-12-15 | 2017-12-15 | 基于公共自行车刷卡数据的通勤行为和职住地识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108122131B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110134865B (zh) * | 2019-04-26 | 2023-03-24 | 重庆大学 | 一种基于城市公共交通出行大数据的通勤乘客社交推荐方法及平台 |
CN110189029A (zh) * | 2019-05-31 | 2019-08-30 | 福州大学 | 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 |
CN113096383A (zh) * | 2021-03-09 | 2021-07-09 | 东南大学 | 一种基于出行交易数据和poi数据的居住地站点识别方法 |
CN113393353B (zh) * | 2021-06-11 | 2022-03-22 | 中国测绘科学研究院 | 基于ic卡数据的建筑物通勤人口估算方法及其存储介质 |
CN116862097A (zh) * | 2023-06-08 | 2023-10-10 | 深圳市蕾奥规划设计咨询股份有限公司 | 一种信息确定方法及设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100474310C (zh) * | 2007-09-14 | 2009-04-01 | 东南大学 | 公路起讫点交通流特征的提取方法 |
CN103279534B (zh) * | 2013-05-31 | 2016-06-01 | 西安建筑科技大学 | 基于智能公交系统数据的公交卡乘客通勤od分布估计方法 |
-
2017
- 2017-12-15 CN CN201711346960.3A patent/CN108122131B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108122131A (zh) | 2018-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108122131B (zh) | 基于公共自行车刷卡数据的通勤行为和职住地识别方法 | |
Polycarpou et al. | Smart parking solutions for urban areas | |
CN110667428B (zh) | 一种基于实时定位数据的电动汽车充电站推荐方法 | |
Milakis et al. | Relationships between urban form and travel behaviour in Athens, Greece. A comparison with Western European and North American results | |
CN111862606B (zh) | 一种基于多源数据的非法营运车辆识别方法 | |
WO2015096400A1 (zh) | 一种利用移动通信数据挖掘进行公交规划的方法 | |
CN104766473A (zh) | 基于多模式公交数据匹配的公共交通出行特征提取方法 | |
CN106651027B (zh) | 一种基于社交网络的互联网班车线路优化方法 | |
Kostakos et al. | Wireless detection of end-to-end passenger trips on public transport buses | |
CN111915200B (zh) | 一种基于公交分担率的精细空间尺度的城市公共交通供需状态划分方法 | |
KR20200127842A (ko) | 실시간 공유주차 서비스시스템 | |
CN112363999B (zh) | 一种公共交通的客流分析方法、装置、设备、存储介质 | |
CN107590239B (zh) | 一种基于ic卡数据测定地铁站点公共自行车接驳半径的方法 | |
Xiong et al. | Understanding operation patterns of urban online ride-hailing services: A case study of Xiamen | |
CN104318113A (zh) | 基于乘客换乘的时空特征推算乘客上车站点的方法及系统 | |
CN105575140A (zh) | 一种基于rfid电子标签的城市车辆限行方法 | |
CN102324111B (zh) | 基于公交ic卡数据的车辆运行方向判断方法 | |
CN108681741B (zh) | 基于ic卡和居民调查数据的地铁通勤人群信息融合方法 | |
CN111508220B (zh) | 基于公交人口分布精准进行末端接驳的方法 | |
Zhang et al. | The characteristics of bike-sharing usage: Case study in Zhongshan, China | |
Song et al. | Public transportation service evaluations utilizing seoul transportation card data | |
CN112885094B (zh) | 一种多类型运营车辆协调发展区域识别方法 | |
CN116090785A (zh) | 针对大型活动散场场景两阶段的定制公交规划方法 | |
CN112687110B (zh) | 一种基于大数据分析的车位级导航方法及其系统 | |
CN113361885A (zh) | 一种基于多源数据的双目标城市公交效益评价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |