CN108171974B - 一种基于手机三角定位数据的交通出行模式判别方法 - Google Patents

一种基于手机三角定位数据的交通出行模式判别方法 Download PDF

Info

Publication number
CN108171974B
CN108171974B CN201711446477.2A CN201711446477A CN108171974B CN 108171974 B CN108171974 B CN 108171974B CN 201711446477 A CN201711446477 A CN 201711446477A CN 108171974 B CN108171974 B CN 108171974B
Authority
CN
China
Prior art keywords
mobile phone
mode
travel
sub
trip
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
Application number
CN201711446477.2A
Other languages
English (en)
Other versions
CN108171974A (zh
Inventor
刘志远
刘少韦华
程龙
贾若
刘洋
俞俊
冷军强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201711446477.2A priority Critical patent/CN108171974B/zh
Publication of CN108171974A publication Critical patent/CN108171974A/zh
Application granted granted Critical
Publication of CN108171974B publication Critical patent/CN108171974B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G08SIGNALLING
    • G08GTRAFFIC CONTROL SYSTEMS
    • G08G1/00Traffic control systems for road vehicles
    • G08G1/01Detecting movement of traffic to be counted or controlled
    • G08G1/0104Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/012Measuring and analyzing of parameters relative to traffic conditions based on the source of data from other sources than vehicle or roadside beacons, e.g. mobile networks

Landscapes

  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于手机三角定位数据的交通出行模式判别方法,通过手机三角定位数据构建手机用户出行链;基于惩罚因子清洗所获取的手机用户出行链数据,去除“噪声”数据,重构手机用户全天出行链;基于重构的手机用户全天出行链,进行时间维度细粒度划分,形成若干个子出行时段,分别计算各子出行时段的总出行距离与直线出行距离,并以此获取各子出行时段的非直线系数;识别手机用户子出行时段多模式交通出行模式;基于已识别的手机用户子出行时段多模式交通出行模式比例,识别全日出行时段主要交通出行模式。本发明能够基于非集计层面获取用户个体的交通出行模式,用于降低模型复杂度并提高预测准确性。

Description

一种基于手机三角定位数据的交通出行模式判别方法
技术领域
本发明涉及交通大数据领域,尤其是一种基于手机三角定位数据的交通出行模式判别方法。
背景技术
随着城市建设的快速推进,城市交通的时空分布与模式结构发生了深刻变化。多模式组合出行环境下,城市交通需求的变化直接决定了城市交通基础设施的规划与建设。客观掌握不同出行模式的交通需求,是科学评估城市交通系统建设水平和运行效果的关键。城市出行模式的结构决定了相关部门在设施建设与维护上的投入重心,为城市交通管理与交通规划提供重要的数据基础和评价参考。
传统出行模式调查通常采用居民出行家访调查方法,存在抽样率低、成本高昂的缺陷。随着大数据技术的不断成熟,基于海量交通大数据的出行分析为出行模式获取提供了新的途径。其中,手机定位数据具有低获取成本与高时空覆盖率的特点,是进行交通出行模式分析的最佳数据源。手机用户通过手机与基站进行交互时产生手机基站数据,通过三角定位算法,可以获取具有时空特征的手机三角定位数据,主要包含手机用户唯一识别码、记录基站号、记录时刻、记录经度、记录纬度等参数。在此数据基础上,通过提取手机用户全日出行链,挖掘用户出行交通特征,进一步识别用户出行模式。然而,受基站自身与用户环境的影响,手机三角定位数据存在大量“噪声”数据;受限于手机定位精度的限制,在高路网密度的城市市域,手机三角定位数据往往无法定位在准确的道路上,难以实现城市用户交通出行模式识别的需求。
目前,国内外在通过手机定位数据进行城市交通分析的研究主要集中于交通流参数的获取。在出行模式识别方面,大部分研究采用集计模式,获取用户总体中各类出行模式所占比重,识别准确性不高、模型迁移能力差;少量研究着眼于非集计层面,通过大量参数标定来提升用户个体交通模式的识别准确率,模型复杂,不易推广。综上,在城市人口交通模式的获取上,需要建立简洁的、基于非集计的交通出行模式判别方法。
发明内容
本发明所要解决的技术问题在于,提供一种基于手机三角定位数据的交通出行模式判别方法,能够基于非集计层面获取用户个体的交通出行模式,用于降低模型复杂度并提高预测准确性。
为解决上述技术问题,本发明提供一种基于手机三角定位数据的交通出行模式判别方法,包括如下步骤:
(1)通过手机三角定位数据构建手机用户出行链,计算手机用户相邻定位间隔的时间、移动距离与移动速度;
(2)基于惩罚因子清洗所获取的手机用户出行链数据,去除包括“乒乓效应”数据和“长时驻留”冗余数据在内的“噪声”数据,重构手机用户全天出行链;
(3)基于重构的手机用户全天出行链,进行时间维度细粒度划分,形成若干个子出行时段,分别计算各子出行时段的总出行距离与直线出行距离,并以此获取各子出行时段的非直线系数;
(4)识别手机用户子出行时段多模式交通出行模式,所述多模式交通出行模式包含地铁模式、公交模式、机动车模式与慢行交通模式;
(5)基于已识别的手机用户子出行时段多模式交通出行模式比例,识别全日出行时段主要交通出行模式。
优选的,步骤(1)中,通过手机三角定位数据构建手机用户出行链,计算手机用户相邻定位间隔的时间、移动距离与移动速度具体为:
选取特定研究区域,获取研究区域覆盖范围所有基站记录的手机三角定位数据,以手机用户唯一识别码进行分组,并按时间顺序进行排序,提取手机用户全天出行链;
若手机用户出行链中,相邻的两条手机三角定位数据的时空坐标为(lngi,lati,ti)和(lngi+1,lati+1,ti+1),则可根据下式计算两条手机三角定位数据之间的时间间隔Δti、移动距离Di与移动速度vi
Δti=ti+1-ti
Figure BDA0001527656790000021
Figure BDA0001527656790000022
Figure BDA0001527656790000023
Figure BDA0001527656790000024
其中,lngi为第i条手机三角定位数据的经度坐标,lati为第i条手机三角定位数据纬度坐标,R为地球半径。
优选的,步骤(2)中,基于惩罚因子清洗所获取的手机用户出行链数据,去除包括“乒乓效应”数据和“长时驻留”冗余数据在内的“噪声”数据,重构手机用户全天出行链具体为:
通过设置速度判别变量vi′,并求取对应速度判别阈值v′T,去除vi′>v′T的手机三角定位数据,以消除“乒乓效应”数据,具体计算公式如下:
Figure BDA0001527656790000031
其中,θv为速度惩罚因子,vmax为最大可接受速度,Δtmin为相邻手机三角定位数据最小时间间隔(单位:s),r为权重比率;
通过设置时间判别变量Δti′,并求取对应时间判别阈值Δt′T,去除Δti′>Δt′T的手机三角定位数据,以消除“长时驻留”冗余数据,具体计算公式如下:
Figure BDA0001527656790000034
Figure BDA0001527656790000036
其中,θt为时间惩罚因子,Δtmax为相邻手机三角定位数据最大可接受时间跨度,vmin为最小可接受速度,r为权重比率;
根据清洗后的手机三角定位数据,以手机用户唯一识别码进行分组,并按时间顺序进行排序,重构手机用户全天出行链。
优选的,步骤(3)中,基于重构的手机用户全天出行链,进行时间维度细粒度划分,形成若干个子出行时段,分别计算各子出行时段的总出行距离与直线出行距离,并以此获取各子出行时段的非直线系数具体为:
通过选取时间粒度T,将全天分割成若干个均等的子出行时段,各子出行时段的总出行距离DT、直线出行距离DL与非直线系数N根据以下公式计算:
Figure BDA0001527656790000037
Figure BDA0001527656790000042
Figure BDA0001527656790000043
Figure BDA0001527656790000044
其中,n为用户在子出行时段的手机三角定位数据量。
优选的,步骤(4)中,识别手机用户子出行时段多模式交通出行模式具体为:
(41)地铁模式
确定子出行时段中,手机三角定位数据记录基站号为地铁专用通信基站号的手机用户为地铁出行;
(42)公交模式
确定子出行时段中,手机三角定位数据记录基站号不为地铁专用通信基站号、移动速度符合公交运行速度特征且非直线系数N大于绕行阈值NT的手机用户为公交出行,具体确定条件如下:
N>NT
其中,
Figure BDA0001527656790000046
为公交车运行平均速度,M为匹配常数,NT为绕行阈值;
(43)机动车模式
确定子出行时段中,手机三角定位数据记录基站号不为地铁专用通信基站号、移动速度符合机动车运行速度特征且非直线系数N不大于绕行阈值NT的手机用户为机动车出行,具体确定条件如下:
Figure BDA0001527656790000047
N≤NT
其中,
Figure BDA0001527656790000048
为机动车运行平均速度;
(44)慢行交通模式
确定子出行时段中,手机三角定位数据记录基站号不为地铁专用通信基站号、移动速度符合慢行交通运行速度特征的手机用户为慢行交通出行,具体确定条件如下:
其中,
Figure BDA0001527656790000052
为慢行交通平均速度。
优选的,步骤(5)中,基于已识别的手机用户子出行时段多模式交通出行模式比例,识别全日出行时段主要交通出行模式具体为:
(51)主出行模式为慢行交通模式
确定各子出行时段中,识别交通出行模式为慢行交通模式比例大于慢行比例阈值RT的手机用户的主出行模式为慢行交通模式,具体确定条件如下:
Figure BDA0001527656790000053
其中,CP为子出行模式识别为慢行交通模式的数量,CM为子出行模式识别为地铁模式的数量,CB为子出行模式识别为公交模式的数量,CC为子出行模式识别为机动车模式的数量,RT为比例阈值;
(52)主出行模式为地铁模式
确定各子出行时段中,识别交通出行模式为地铁模式比例不大于慢行比例阈值RT,且在其余出行模式中占比最大的手机用户的主出行模式为地铁模式,具体确定条件如下:
Figure BDA0001527656790000054
Figure BDA0001527656790000055
(53)主出行模式为公交模式
确定各子出行时段中,识别交通出行模式为公交模式比例不大于慢行比例阈值RT,且在其余出行模式中占比最大的手机用户的主出行模式为公交模式,具体确定条件如下:
Figure BDA0001527656790000056
Figure BDA0001527656790000057
(54)主出行模式为机动车模式
确定各子出行时段中,识别交通出行模式为机动车模式比例不大于慢行比例阈值RT,且在其余出行模式中占比最大的手机用户的主出行模式为机动车模式,具体确定条件如下:
Figure BDA0001527656790000061
Figure BDA0001527656790000062
本发明的有益效果为:本发明的基于手机三角定位数据的交通出行模式判别方法,以易获取、体量大的手机三角定位数据为数据源,弥补了传统出行模式调查采用的居民出行家访调查方法的抽样率低、成本高昂的缺陷;基于非集计层面的用户个体的交通出行模式预测模型,解决了集计模型准确性不高、迁移能力差的缺陷;发明方法模型简洁,避免了大量的参数标定,预测结果准确、可靠;同时,本发明的基于手机三角定位数据的交通出行模式判别方法是手机三角定位数据用于非集计用户个体交通出行模式识别的创新性应用。
附图说明
图1为本发明的方法流程示意图。
具体实施方式
如图1所示,一种基于手机三角定位数据的交通出行模式判别方法,具体包括如下步骤:
(1)通过手机三角定位数据构建手机用户出行链,计算手机用户相邻定位间隔的时间、移动距离与移动速度;
基于非集计层面的用户个体出行模式判别,需要获取每个手机用户全天出行链,以提取用户出行特征。本发明选取特定研究区域,获取研究区域覆盖范围所有基站记录的手机三角定位数据,以手机用户唯一识别码进行分组,并按时间顺序进行排序,提取手机用户全天出行链。
若手机用户出行链中,相邻的两条手机三角定位数据的时空坐标为(lngi,lati,ti)和(lngi+1,lati+1,ti+1),则可根据下式计算两条手机三角定位数据之间的时间间隔Δti、移动距离Di与移动速度vi
Δti=ti+1-ti
Figure BDA0001527656790000063
Figure BDA0001527656790000071
Figure BDA0001527656790000072
Figure BDA0001527656790000073
其中,lng为经度坐标,lat为纬度坐标,R为地球半径(单位:km)。
(2)基于惩罚因子清洗所获取的手机用户出行链数据,去除包括“乒乓效应”数据和“长时驻留”冗余数据在内的“噪声”数据,重构手机用户全天出行链;
“乒乓效应”数据指的是手机用户在使用手机时,短时间内与多个基站同时发生交互产生的频繁切换数据,在进行手机定位数据移动距离与移动速度计算时,往往会得到过大的异常值。通过设置速度判别变量vi′,并求取对应速度判别阈值v′T,去除vi′>v′T的手机三角定位数据,以消除“乒乓效应”数据,具体计算公式如下:
Figure BDA0001527656790000074
Figure BDA0001527656790000076
其中,θv为速度惩罚因子,vmax为最大可接受速度(单位:km/h),Δtmin为相邻手机三角定位数据最小时间间隔(单位:s),r为权重比率。
“长时驻留”冗余数据指的是手机用户长时间在同一个基站覆盖范围内与该基站进行交互,在进行手机定位数据移动距离与移动速度计算时,往往会得到过小的异常值。通过设置时间判别变量Δti′,并求取对应时间判别阈值Δt′T,去除Δti′>Δt′T的手机三角定位数据,以消除“长时驻留”冗余数据,具体计算公式如下:
Figure BDA0001527656790000077
Figure BDA0001527656790000078
Figure BDA0001527656790000079
其中,θt为时间惩罚因子,Δtmax为相邻手机三角定位数据最大可接受时间跨度(单位:s),vmin为最小可接受速度(单位:km/h),r为权重比率。
根据清洗后的手机三角定位数据,以手机用户唯一识别码进行分组,并按时间顺序进行排序,重构手机用户全天出行链,并按步骤1重新计算手机用户相邻定位间隔的时间、移动距离与移动速度。
(3)基于重构的手机用户全天出行链,进行时间维度细粒度划分,形成若干个子出行时段,分别计算各子出行时段的总出行距离与直线出行距离,并以此获取各子出行时段的非直线系数;
多模式组合出行环境下,每个手机用户往往存在着一种以上的出行模式。在进行交通出行模式识别时,需要对不同出行模式的出行时段进行划分。理想情况下,同一种出行模式对应的出行速度保持在相近的范围内,可以通过速度聚类模式获取相应子出行时段的出行模式。然而,受限于手机三角定位误差与手机数据在产生时间上的随机性,获取的速度往往存在一定偏差,无法准确地分割子出行时段。通过选取时间粒度T,将全天分割成若干个均等的子出行时段,当T选取合理的长度时(如10分钟),能够合理识别各子出行时段的出行模式。
通常情况下,小汽车出行者为了节省出行成本,往往会避免出现绕行现象;公交出行为了服务更多的出行者,往往会出现较为明显的绕行现象。因此,计算出行非直线系数,有利于合理区分运行速度较为接近的小汽车出行与公交出行。具体地,各子出行时段的总出行距离DT、直线出行距离DL与非直线系数N根据以下公式计算:
Figure BDA0001527656790000081
Figure BDA0001527656790000082
Figure BDA0001527656790000083
Figure BDA0001527656790000084
Figure BDA0001527656790000085
其中,n为用户在子出行时段的手机三角定位数据量。
(4)识别手机用户子出行时段多模式交通出行模式,所述多模式交通出行模式包含地铁模式、公交模式、机动车模式与慢行交通模式;
具体模式识别如下:
41)地铁模式
确定子出行时段中,手机三角定位数据记录基站号为地铁专用通信基站号的手机用户为地铁出行。
42)公交模式
确定子出行时段中,手机三角定位数据记录基站号不为地铁专用通信基站号、移动速度符合公交运行速度特征且非直线系数N大于绕行阈值NT的手机用户为公交出行。具体确定条件如下:
Figure BDA0001527656790000091
N>NT
其中,
Figure BDA0001527656790000092
为公交车运行平均速度,M为匹配常数,NT为绕行阈值。
43)机动车模式
确定子出行时段中,手机三角定位数据记录基站号不为地铁专用通信基站号、移动速度符合机动车运行速度特征且非直线系数N不大于绕行阈值NT的手机用户为机动车出行。具体确定条件如下:
Figure BDA0001527656790000093
N≤NT
其中,
Figure BDA0001527656790000094
为机动车运行平均速度。
44)慢行交通模式
确定子出行时段中,手机三角定位数据记录基站号不为地铁专用通信基站号、移动速度符合慢行交通运行速度特征的手机用户为慢行交通出行。具体确定条件如下:
其中,
Figure BDA0001527656790000096
为慢行交通平均速度。
(5)基于已识别的手机用户子出行时段多模式交通出行模式比例,识别全日出行时段主要交通出行模式。
通过分析手机三角定位数据产生特性,可以发现在移动速度较慢时使用手机与基站进行交互的频次较高,产生较多的三角定位数据,因此子出行时段较多地识别为慢行交通出行模式,在进行全日出行时段主要交通出行模式时需要进行修正。具体步骤如下:
51)主出行模式为慢行交通模式
确定各子出行时段中,识别交通出行模式为慢行交通模式比例大于慢行比例阈值RT的手机用户的主出行模式为慢行交通模式。具体确定条件如下:
Figure BDA0001527656790000101
其中,CP为子出行模式识别为慢行交通模式的数量,CM为子出行模式识别为地铁模式的数量,CB为子出行模式识别为公交模式的数量,CC为子出行模式识别为机动车模式的数量,RT为比例阈值。
52)主出行模式为地铁模式
确定各子出行时段中,识别交通出行模式为地铁模式比例不大于慢行比例阈值RT,且在其余出行模式中占比最大的手机用户的主出行模式为地铁模式。具体确定条件如下:
Figure BDA0001527656790000102
Figure BDA0001527656790000103
53)主出行模式为公交模式
确定各子出行时段中,识别交通出行模式为公交模式比例不大于慢行比例阈值RT,且在其余出行模式中占比最大的手机用户的主出行模式为公交模式。具体确定条件如下:
Figure BDA0001527656790000104
Figure BDA0001527656790000105
54)主出行模式为机动车模式
确定各子出行时段中,识别交通出行模式为机动车模式比例不大于慢行比例阈值RT,且在其余出行模式中占比最大的手机用户的主出行模式为机动车模式。具体确定条件如下:

Claims (4)

1.一种基于手机三角定位数据的交通出行模式判别方法,其特征在于,包括如下步骤:
(1)通过手机三角定位数据构建手机用户出行链,计算手机用户相邻定位间隔的时间、移动距离与移动速度;选取特定研究区域,获取研究区域覆盖范围所有基站记录的手机三角定位数据,以手机用户唯一识别码进行分组,并按时间顺序进行排序,提取手机用户全天出行链;
若手机用户出行链中,相邻的两条手机三角定位数据的时空坐标为(lngi,lati,ti)和(lngi+1,lati+1,ti+1),则可根据下式计算两条手机三角定位数据之间的时间间隔Δti、移动距离Di与移动速度vi
Δti=ti+1-ti
Figure FDA0002269518200000011
Figure FDA0002269518200000012
Figure FDA0002269518200000014
其中,lngi为第i条手机三角定位数据的经度坐标,lati为第i条手机三角定位数据纬度坐标,R为地球半径;
(2)基于惩罚因子清洗所获取的手机用户出行链数据,去除包括“乒乓效应”数据和“长时驻留”冗余数据在内的“噪声”数据,重构手机用户全天出行链;通过设置速度判别变量v′i,并求取对应速度判别阈值v′T,去除v′i>v′T的手机三角定位数据,以消除“乒乓效应”数据,具体计算公式如下:
Figure FDA0002269518200000015
Figure FDA0002269518200000016
Figure FDA0002269518200000017
其中,θv为速度惩罚因子,vmax为最大可接受速度,Δtmin为相邻手机三角定位数据最小时间间隔,单位:s,r为权重比率;
通过设置时间判别变量Δt′i,并求取对应时间判别阈值Δt′T,去除Δt′i>Δt′T的手机三角定位数据,以消除“长时驻留”冗余数据,具体计算公式如下:
Figure FDA0002269518200000021
Figure FDA0002269518200000022
其中,θt为时间惩罚因子,Δtmax为相邻手机三角定位数据最大可接受时间跨度,vmin为最小可接受速度,r为权重比率;
根据清洗后的手机三角定位数据,以手机用户唯一识别码进行分组,并按时间顺序进行排序,重构手机用户全天出行链;
(3)基于重构的手机用户全天出行链,进行时间维度细粒度划分,形成若干个子出行时段,分别计算各子出行时段的总出行距离与直线出行距离,并以此获取各子出行时段的非直线系数;
(4)识别手机用户子出行时段多模式交通出行模式,所述多模式交通出行模式包含地铁模式、公交模式、机动车模式与慢行交通模式;
(5)基于已识别的手机用户子出行时段多模式交通出行模式比例,识别全日出行时段主要交通出行模式。
2.如权利要求1所述的基于手机三角定位数据的交通出行模式判别方法,其特征在于,步骤(3)中,基于重构的手机用户全天出行链,进行时间维度细粒度划分,形成若干个子出行时段,分别计算各子出行时段的总出行距离与直线出行距离,并以此获取各子出行时段的非直线系数具体为:
通过选取时间粒度T,将全天分割成若干个均等的子出行时段,各子出行时段的总出行距离DT、直线出行距离DL与非直线系数N根据以下公式计算:
Figure FDA0002269518200000024
Figure FDA0002269518200000025
Figure FDA0002269518200000026
Figure FDA0002269518200000031
Figure FDA0002269518200000032
其中,n为用户在子出行时段的手机三角定位数据量。
3.如权利要求1所述的基于手机三角定位数据的交通出行模式判别方法,其特征在于,步骤(4)中,识别手机用户子出行时段多模式交通出行模式具体为:
(41)地铁模式
确定子出行时段中,手机三角定位数据记录基站号为地铁专用通信基站号的手机用户为地铁出行;
(42)公交模式
确定子出行时段中,手机三角定位数据记录基站号不为地铁专用通信基站号、移动速度符合公交运行速度特征且非直线系数N大于绕行阈值NT的手机用户为公交出行,具体确定条件如下:
Figure FDA0002269518200000033
N>NT
其中,
Figure FDA0002269518200000034
为公交车运行平均速度,M为匹配常数,NT为绕行阈值;
(43)机动车模式
确定子出行时段中,手机三角定位数据记录基站号不为地铁专用通信基站号、移动速度符合机动车运行速度特征且非直线系数N不大于绕行阈值NT的手机用户为机动车出行,具体确定条件如下:
Figure FDA0002269518200000035
N≤NT
其中,
Figure FDA0002269518200000036
为机动车运行平均速度;
(44)慢行交通模式
确定子出行时段中,手机三角定位数据记录基站号不为地铁专用通信基站号、移动速度符合慢行交通运行速度特征的手机用户为慢行交通出行,具体确定条件如下:
Figure FDA0002269518200000041
其中,
Figure FDA0002269518200000042
为慢行交通平均速度。
4.如权利要求1所述的基于手机三角定位数据的交通出行模式判别方法,其特征在于,步骤(5)中,基于已识别的手机用户子出行时段多模式交通出行模式比例,识别全日出行时段主要交通出行模式具体为:
(51)主出行模式为慢行交通模式
确定各子出行时段中,识别交通出行模式为慢行交通模式比例大于慢行比例阈值RT的手机用户的主出行模式为慢行交通模式,具体确定条件如下:
Figure FDA0002269518200000043
其中,CP为子出行模式识别为慢行交通模式的数量,CM为子出行模式识别为地铁模式的数量,CB为子出行模式识别为公交模式的数量,CC为子出行模式识别为机动车模式的数量,RT为比例阈值;
(52)主出行模式为地铁模式
确定各子出行时段中,识别交通出行模式为地铁模式比例不大于慢行比例阈值RT,且在其余出行模式中占比最大的手机用户的主出行模式为地铁模式,具体确定条件如下:
Figure FDA0002269518200000044
Figure FDA0002269518200000045
(53)主出行模式为公交模式
确定各子出行时段中,识别交通出行模式为公交模式比例不大于慢行比例阈值RT,且在其余出行模式中占比最大的手机用户的主出行模式为公交模式,具体确定条件如下:
Figure FDA0002269518200000046
Figure FDA0002269518200000047
(54)主出行模式为机动车模式
确定各子出行时段中,识别交通出行模式为机动车模式比例不大于慢行比例阈值RT,且在其余出行模式中占比最大的手机用户的主出行模式为机动车模式,具体确定条件如下:
Figure FDA0002269518200000051
Figure FDA0002269518200000052
CN201711446477.2A 2017-12-27 2017-12-27 一种基于手机三角定位数据的交通出行模式判别方法 Active CN108171974B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711446477.2A CN108171974B (zh) 2017-12-27 2017-12-27 一种基于手机三角定位数据的交通出行模式判别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711446477.2A CN108171974B (zh) 2017-12-27 2017-12-27 一种基于手机三角定位数据的交通出行模式判别方法

Publications (2)

Publication Number Publication Date
CN108171974A CN108171974A (zh) 2018-06-15
CN108171974B true CN108171974B (zh) 2020-02-18

Family

ID=62518068

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711446477.2A Active CN108171974B (zh) 2017-12-27 2017-12-27 一种基于手机三角定位数据的交通出行模式判别方法

Country Status (1)

Country Link
CN (1) CN108171974B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110188923B (zh) * 2019-05-06 2022-01-07 西南交通大学 一种基于大数据技术的多模式公交客流推算方法
CN111090642B (zh) * 2019-12-02 2023-07-14 杭州诚智天扬科技有限公司 一种手机信令数据的清洗方法
CN110956820A (zh) * 2019-12-12 2020-04-03 武汉理工大学 一种基于乘客手机gps定位的公路客运超载实时预警系统
CN111653096B (zh) * 2020-05-29 2022-10-04 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的城市出行方式识别方法
CN111653093B (zh) * 2020-05-29 2022-06-17 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的城市出行方式综合识别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102097004A (zh) * 2011-01-31 2011-06-15 上海美慧软件有限公司 一种基于手机定位数据的出行od矩阵获取方法
CN102708680A (zh) * 2012-06-06 2012-10-03 北京交通大学 基于agps技术的交通出行方式识别方法
CN103810851A (zh) * 2014-01-23 2014-05-21 广州地理研究所 一种基于手机定位的交通出行模式识别方法
KR20150076645A (ko) * 2013-12-27 2015-07-07 한국해양과학기술원 Ptz 카메라를 이용한 선박용 전방위 모니터링 시스템 및 이를 이용한 선박용 전방위 모니터링 방법
CN105243844A (zh) * 2015-10-14 2016-01-13 华南理工大学 一种基于手机信令的道路状态识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102097004A (zh) * 2011-01-31 2011-06-15 上海美慧软件有限公司 一种基于手机定位数据的出行od矩阵获取方法
CN102708680A (zh) * 2012-06-06 2012-10-03 北京交通大学 基于agps技术的交通出行方式识别方法
KR20150076645A (ko) * 2013-12-27 2015-07-07 한국해양과학기술원 Ptz 카메라를 이용한 선박용 전방위 모니터링 시스템 및 이를 이용한 선박용 전방위 모니터링 방법
CN103810851A (zh) * 2014-01-23 2014-05-21 广州地理研究所 一种基于手机定位的交通出行模式识别方法
CN105243844A (zh) * 2015-10-14 2016-01-13 华南理工大学 一种基于手机信令的道路状态识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Travel mode detection method based on big smartphone global position system tracking data";C.Zhou et.al;《Advanced in Mechanical Engineering》;20170601;正文全文 *
基于手机信令技术的区域交通出行特征研究;毛晓汶;《中国优秀硕士学位论文全文数据库 》;20150415;正文全文 *

Also Published As

Publication number Publication date
CN108171974A (zh) 2018-06-15

Similar Documents

Publication Publication Date Title
CN108171974B (zh) 一种基于手机三角定位数据的交通出行模式判别方法
CN110298500B (zh) 一种基于出租车数据和城市路网的城市交通轨迹数据集生成方法
Poonawala et al. Singapore in motion: Insights on public transport service level through farecard and mobile data analytics
CN112133090A (zh) 一种基于手机信令数据的多方式交通分布模型构建方法
Guan et al. Delineating urban park catchment areas using mobile phone data: A case study of Tokyo
CN108320501B (zh) 基于用户手机信令的公交线路识别方法
CN108171973B (zh) 一种基于手机网格数据的交通出行模式识别方法
CN109561391B (zh) 基于蜂窝网和Wi-Fi数据的高速公路服务区人流量分析方法
Demissie et al. Trip distribution modeling using mobile phone data: emphasis on intra-zonal trips
Zhang et al. Daily OD matrix estimation using cellular probe data
CN105070057B (zh) 一种道路实时路况的监测方法
CN109686091B (zh) 一种基于多源数据融合的交通流量填补算法
CN110796337B (zh) 一种评价城市公交站点服务可达性的系统
CN108170793A (zh) 基于车辆语义轨迹数据的停留点分析方法及其系统
CN105809962A (zh) 一种基于手机数据的交通出行方式划分的方法
CN104504099A (zh) 基于位置轨迹的交通出行状态切分方法
CN104217593A (zh) 一种面向手机移动速度的路况信息实时获取方法
CN111341135B (zh) 基于兴趣点及导航数据的手机信令数据出行方式识别方法
CN107818332B (zh) 高速公路互通立交服务范围分析方法及装置
CN105547310B (zh) 一种基于pm2.5健康出行的路径规划装置及方法
CN112000755B (zh) 一种基于手机信令数据的区域出行廊道识别方法
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
Ji et al. Research on classification and influencing factors of metro commuting patterns by combining smart card data and household travel survey data
CN111104468B (zh) 一种基于语义轨迹推断用户活动的方法
CN116233757A (zh) 一种基于手机信令数据的居民出行碳排放量计算方法

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