CN108629972A - 一种基于大数据和传统方法相结合的居民出行调查综合扩样校核方法 - Google Patents
一种基于大数据和传统方法相结合的居民出行调查综合扩样校核方法 Download PDFInfo
- Publication number
- CN108629972A CN108629972A CN201810428341.7A CN201810428341A CN108629972A CN 108629972 A CN108629972 A CN 108629972A CN 201810428341 A CN201810428341 A CN 201810428341A CN 108629972 A CN108629972 A CN 108629972A
- Authority
- CN
- China
- Prior art keywords
- data
- trip
- survey
- matrix
- sample
- 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
-
- 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
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于大数据和传统方法相结合的居民出行调查综合扩样校核方法,所述方法的实施步骤如下:第一步:利用多源大数据进行总体初步校核工作;第二步:分类校核,按照通勤出行和非通勤出行两大类对初步校正的出行特征分开进行分类校核;第三步:总体约束再修正,对分类校核后的出行数据进行总体约束再修正。本发明利用多源大数据的大样本或准全样本特性,有利于挖掘沉默出行,还原最真实的居民出行特征;此外,本发明利用大数据的实时性和精确性,使得居民出行调查综合扩样更加精确及时。
Description
技术领域
本发明涉及一种基于大数据和传统方法相结合的居民出行调查综合扩样校核方法,属于交通管理统计技术领域。
背景技术
居民出行调查是解决如何获取当前各大城市交通问题基础数据的重要措施。主要目的是为了掌握城市居民的出行特征,为城市交通规划模型的建立提供基础数据,从而为科学合理的城市交通规划和政策制定,引导城市交通良性发展提供支撑。居民出行调查最常用的方法为入户调查,其工作方法为调查员提前预约被访户,在约定时间入户进行访问,被访者通过详细回忆记录入户前一天24小时的出行信息来完成调查。调查主要内容包括家庭信息、个人信息、个人出行信息。但是,由于入户调查组织困难,其抽样率一般较低,为此必须对调查样本数据进行扩样才能得到居民出行总体特征数据。
传统扩样方法包括三个步骤,一是直接扩样,二是组合扩样,三是现状模型校核。直接扩样是根据调查样本的抽样率、回答率等调查实施的实际情况来计算扩样系数。组合扩样根据外部数据源对直接扩样后数据的分类进行修正,使得加权后的总体结构和外部数据提供的总体结构相一致,组合扩样的流程如图1所示。现状模型校核是利用现状交通模型和核查线交通调查流量,对出行空间分布等进行校正,完成传统居民出行调查扩样工作。
传统扩样方法的母体数据来自于入户调查,入户调查由于是人工回忆填写,漏报、错报、信息填写不准确等情况无法避免。一般而言,居民对自己通勤出行即上下班、上下学的漏报或错报率较低,但非通勤出行漏填率较大,导致沉默出行的存在,从而产生以下几个问题:
1)由于漏填导致出行率低估(沉默出行),从而对整个城市的出行量产生误判,进而影响到城市交通设施规划和建设等一系列重大问题。
2)由于非通勤出行和通勤出行的时间差异性,非通勤出行的漏报导致组合扩样的出行时间分布不够精确,如图2所示,扩大了高峰出行规模,降低了平峰出行规模,不利于交通资源的配置均衡性。
3)非通勤出行涉及到多种出行目的,如公务业务、探亲访友、生活购物、文娱等,非通勤出行的漏报直接导致出行目的的扩样存在问题。
4)传统扩样的现状模型校核步骤使用的核查线交通调查流量不够精确,及时性和可靠性不高。
发明内容
针对传统扩样方法中存在的缺陷,本发明的目的在于提供一种更加精确、高效的基于大数据和传统方法相结合的居民出行调查综合扩样校核方法。
本发明的技术方案如下:
一种基于大数据和传统方法相结合的居民出行调查综合扩样校核方法,采用大数据和居民出行调查数据相结合进行所述综合扩样校核,所述大数据为多源大数据,包括手机信令数据、上网数据、GPS数据、IC卡数据、高速公路收费数据和卡口数据;所述居民出行调查数据包括入户调查数据和户外调查数据,所述入户调查数据主要包括家庭信息、个人信息和个人出行信息,所述户外调查数据包括道路流量和载客率调查数据、公交客流调查数据和轨道客流调查数据;
所述综合扩样校核方法的具体实施步骤如下:
第一步:利用多源大数据进行总体初步校核工作:
1)首先构建城市现状交通模型;
2)然后利用组合扩样数据得到的出行空间分布构建初始综合矩阵;
3)再结合GPS数据、IC卡数据、道路流量和载客率调查数据分离出道路机动车矩阵;
4)流量数据OD校正和收敛判断;
5)最后进行结果输出即得到初步校正的出行特征;
第二步:分类校核,按照通勤出行和非通勤出行两大类对初步校正的出行特征分开进行分类校核:
1)所述通勤出行校核包括上下班出行校核和上下学出行校核;
2)所述非通勤出行校核包括以下步骤:第一步:利用组合扩样的数据减去通勤出行数量,得到非通勤出行的基础数据库;第二步:在所述非通勤出行的基础数据库中采用有放回抽样方法进行修正,区分出出行目的;
第三步:总体约束再修正,对分类校核后的出行数据进行总体约束再修正:
1)利用IC卡数据、GPS数据对方式结构进行总量约束修正;
2)对时间分布进行约束修正;
第四步:至此完成居民出行调查综合扩样校核。
优选地,上述第一步的步骤3)中所述结合GPS数据、IC卡数据、道路流量和载客率调查数据分离出道路机动车矩阵的流程如下:
(3-1):从初始综合矩阵中分离出慢行矩阵,所述慢行矩阵包括组合扩样后的步行矩阵和非机动车矩阵,分离后即得到机动化方式矩阵;
(3-2):利用GPS数据获取出租车矩阵,利用IC卡数据获取常规公交矩阵和轨道矩阵;所述常规公交矩阵和所述轨道矩阵两者的总和构成全市公交系统矩阵;
(3-3):从所述的机动化方式矩阵中分离出所述全市出租车矩阵和所述全市公交系统矩阵进而推算出初步的分离道路机动车矩阵;
(3-4):利用道路流量和载客率调查数据进行校核,得到分离道路机动车矩阵。
优选地,上述第一步的步骤4)中所述流量数据OD校正和收敛判断的流程如下:
(4-1):利用所述道路机动车矩阵和现状路网数据进行综合,得到初始分配结果;
(4-2):利用所述道路流量和载客率调查数据、所述高速公路收费数据和所述卡口数据进行OD校正;
(4-3):对OD校正结果进行检验。
优选地,所述对OD校正结果进行检验可选择如下两种方法之一,方法一:仅针对核查线交通调查流量进行检验,以核查线交通调查流量作为约束条件;方法二:双重约束,一是对核查线交通调查流量进行约束,二是对由所述卡口数据和所述高速公路收费数据推算的较为精确的矩阵进行约束。
优选地,所述上下班出行校核包括:利用所述上网数据获取较为准确的职住分布;利用所述手机信令数据获得较为精确的上下班出行数据的分布扩样。
优选地,所述上下学出行校核包括大学生、中学生、幼小学生三类出行校核。
优选地,所述大学生的出行校核利用所述上网数据和手机信令数据获取较为精确的上下学出行数据。
优选地,所述中学生的出行校核步骤包括:i)利用人口年龄结构分布,推算各区域中学生数量;ii)利用教育局数据推算各区域中学实际就学人数;iii)利用组合扩样中中学年龄人群出行距离分布拟和,得到中学生出行分布。
优选地,所述幼小学生的出行校核利用划片信息获取就学出行信息。
优选地,所述有放回抽样方法具体流程包括:从手机信令数据中推算出行频次分布,再按出行频次分布在家庭户数据库中进行反复抽样,最终生成稳定的出行目的结构。
优选地,所述对时间分布进行约束修正的流程包括:第一步:根据家庭信息组合扩样后时间分布和手机信令数据时间分布推算出总体时间分布;第二步:根据IC卡数据得到IC卡时间分布,并推算出公交地铁出行时间分布:第三步:根据GPS数据、卡口数据、高速公路收费数据、道路流量和载客率调查数据推算出道路交通出行时间分布;第三步:计算公交地铁出行时间分布和道路交通出行时间分布的总和得到总和时间分布,利用第一步获得的所述总体时间分布校核所述总和时间分布。
本发明与现有技术相比,优点在于:
1)利用多源大数据的大样本或准全样本特性,有利于挖掘沉默出行,还原最真实的居民出行特征,达到更精确扩样的目的。
2)采用大数据和居民出行调查数据相结合进行综合扩样校核,充分利用手机信令数据、上网数据、GPS数据、IC卡数据、高速公路收费数据和卡口数据等大数据的实时性和精确性,使得居民出行调查综合扩样更加精确及时。
3)本方法综合校核后,发现城市沉默需求比例大约在30%左右,从而达到修正居民出行特征的目的。
附图说明
图1组合扩样总体流程示意图;
图2组合扩样出行时间分布与实际差异情况示例
图3多源大数据的关系示意图;
图4总体初步校核工作流程示意图;
图5道路机动车矩阵分离流程示意图;
图6流量数据OD校正和收敛判断的流程示意图;
图7有放回抽样流程示意图;
图8时间约束修正流程示意图。
具体实施方式
下面结合具体实施例来对本发明进行进一步说明,但并不将本发明局限于这些具体实施方式。本领域技术人员应该认识到,本发明涵盖了权利要求书范围内所可能包括的所有备选方案、改进方案和等效方案。
下面结合附图对本发明的实施方式作详细说明。
本发明是一种基于大数据和传统方法相结合的居民出行调查综合扩样校核方法,其中需要用到的数据如下:
1)大数据:为多源大数据,可包括手机信令数据(图3示例为联通信令数据)及上网数据(图3示例为腾讯数据)、GPS数据、IC卡数据、高速公路收费数据和卡口数据等;
2)居民出行调查数据:包括入户调查数据和户外调查数据;所述入户调查数据主要包括家庭信息、个人信息和个人出行信息,所述户外调查数据包括道路流量和载客率调查数据、公交客流调查数据和轨道客流调查数据。
多源大数据参与居民出行调查综合扩样校核的示意图如图3所示。总体思路上采用“总——分——总”的模式,具体实施步骤如下:
第一步:利用多源大数据进行总体初步校核工作
如图4所示,利用多源大数据进行总体初步校核的工作流程如下:
1)首先构建城市现状交通模型(即图4中建立现状模型);
2)然后利用组合扩样数据得到的出行空间分布构建初始综合矩阵(图4中建立初始矩阵);
3)再结合GPS数据、IC卡数据、道路流量和载客率调查数据分离出道路机动车矩阵(图4中分离道路机动车矩阵);
4)流量数据OD校正和收敛判断;
5)最后进行结果输出即得到初步校正的出行特征。
上述步骤3)中所述结合GPS数据、IC卡数据、道路流量和载客率调查数据分离出道路机动车矩阵的流程如图5所示:
(3‐1):利用组合扩样后的出行空间分布构建初始综合矩阵;
(3‐2):从初始综合矩阵中分离出慢行矩阵,所述慢行矩阵包括组合扩样后的步行矩阵和非机动车矩阵,分离后即得到机动化方式矩阵;
(3‐3):利用GPS数据获取出租车矩阵,利用IC卡数据获取常规公交矩阵和轨道矩阵;所述常规公交矩阵和所述轨道矩阵两者的总和构成全市公交系统矩阵;
(3‐4):从所述的机动化方式矩阵中分离出所述全市出租车矩阵和所述全市公交系统矩阵进而推算出初步的分离道路机动车矩阵;
(3‐5):利用道路流量和载客率调查数据进行校核,得到分离道路机动车矩阵。
上述步骤4)中所述流量数据OD校正和收敛判断的流程如图6所示:
(4‐1):利用道路机动车矩阵和现状路网数据进行综合,得到初始分配结果;
(4‐2):利用所述道路流量和载客率调查数据、所述高速公路收费数据和所述卡口数据进行OD校正;
(4‐3):对OD校正结果进行检验;检验方法有如下两种,方法一:仅针对核查线交通调查流量进行检验,以核查线交通调查流量作为约束条件;方法二:双重约束,一是对核查线交通调查流量进行约束,二是对由所述卡口数据和所述高速公路收费数据推算的较为精确的矩阵进行约束。
(4‐4):最终输出初步校正的出行特征。
最终输出的初步校正的出行特征经过各类大数据进行总量综合校正,充分地挖掘了沉默出行,还原了真实的出行总量。
第二步:分类校核
经过总体初步校核工作的结果相对组合扩样的结果更为精确,但受到各类数据精确性、OD反推算法本身的局限性,总体初步校核工作的结果仍有待进一步提升空间。故下一步按照通勤出行和非通勤出行两大类分开进行进一步校核。
所述通勤出行校核包括上下班出行校核和上下学出行校核。所述上下班出行校核包括:利用所述上网数据获取较为准确的职住分布;利用所述手机信令数据获得较为精确的上下班出行数据的分布扩样。所述上下学出行校核包括大学生、中学生、幼小学生三类。大学生出行校核利用所述上网数据和手机信令数据获取较为精确的上下学出行数据;幼小学生出行校核利用划片信息获取就学出行信息。中学生出行校核步骤包括:1)利用人口年龄结构分布,推算各区域中学生数量;2)利用教育局数据推算各区域中学实际就学人数;3)利用组合扩样中中学年龄人群出行距离分布拟和,得到中学生出行分布。
所述非通勤出行校核包括以下步骤:第一步:利用组合扩样的数据减去通勤出行数量,得到非通勤出行的基础数据库;第二步:在所述非通勤出行的基础数据库中采用有放回抽样方法进行修正,区分出出行目的。如图7所示,有放回抽样方法具体流程包括:从手机信令数据(图7中示例为通联数据)中推算出行频次分布,再按出行频次分布在家庭户数据库中进行反复抽样,生成稳定的出行目的结构。
第三步:总体约束再修正
分类校核后需进行总体约束再修正,步骤如下:
1)利用IC卡数据、GPS数据对方式结构进行总量约束修正。
2)对时间分布进行约束修正。如图8所示,时间约束修正流程包括:第一步:根据家庭信息(图8中家庭户)组合扩样后时间分布和手机信令数据(图8中联通数据)时间分布推算出总体时间分布;第二步:根据IC卡数据得到IC卡时间分布,并推算出公交地铁出行时间分布:第三步:根据GPS数据、卡口数据、高速公路收费数据(图8中高速公路数据)、道路流量和载客率调查数据(图8中道路流量数据)推算出道路交通出行时间分布;第三步:计算公交地铁出行时间分布和道路交通出行时间分布的总和得到总和时间分布,利用第一步获得的所述总体时间分布校核所述总和时间分布。
本发明提供一种基于大数据和传统方法相结合的居民出行调查综合扩样校核方法,可以有效挖掘沉默出行,还原最真实的居民出行特征,获取更精确居民出行调查结果。本方法综合校核后,发现城市沉默需求比例大约在30%左右,从而达到修正居民出行特征的目的,还原了最真实的出行需求特征。
如上所示,本发明虽然已参照有限的实施例和附图进行了说明,但在本发明所属领域中具备通常知识的人均可以从此记载中进行各种修改和变形。由此,其他实施例及权利要求书与等同物均属于权利要求的保护范围。
Claims (11)
1.一种基于大数据和传统方法相结合的居民出行调查综合扩样校核方法,其特征在于采用大数据和居民出行调查数据相结合进行所述综合扩样校核,所述大数据为多源大数据,包括手机信令数据、上网数据、GPS数据、IC卡数据、高速公路收费数据和卡口数据;所述居民出行调查数据包括入户调查数据和户外调查数据,所述入户调查数据主要包括家庭信息、个人信息和个人出行信息,所述户外调查数据包括道路流量和载客率调查数据、公交客流调查数据和轨道客流调查数据;
所述综合扩样校核方法的具体实施步骤如下:
第一步:利用多源大数据进行总体初步校核工作:
1)首先构建城市现状交通模型;
2)然后利用居民出行调查的组合扩样数据得到的出行空间分布构建初始综合矩阵;
3)再结合GPS数据、IC卡数据、道路流量和载客率调查数据分离出道路机动车矩阵;
4)流量数据OD校正和收敛判断;
5)最后进行结果输出即得到初步校正的出行特征;
第二步:分类校核,按照通勤出行和非通勤出行两大类对初步校正的出行特征分开进行分类校核:
1)所述通勤出行校核包括上下班出行校核和上下学出行校核;
2)所述非通勤出行校核包括以下步骤:第一步:利用组合扩样的数据减去通勤出行数量,得到非通勤出行的基础数据库;第二步:在所述非通勤出行的基础数据库中采用有放回抽样方法进行修正,区分出出行目的;
第三步:总体约束再修正,对分类校核后的出行数据进行总体约束再修正:
1)利用IC卡数据、GPS数据对方式结构进行总量约束修正;
2)对时间分布进行约束修正;
第四步:至此完成居民出行调查综合扩样校核。
2.根据权利要求1所述的基于大数据和传统方法相结合的居民出行调查综合扩样校核方法,其特征在于,上述第一步的步骤3)中所述结合GPS数据、IC卡数据、道路流量和载客率调查数据分离出道路机动车矩阵的流程如下:
(3-1):从初始综合矩阵中分离出慢行矩阵,所述慢行矩阵包括组合扩样后的步行矩阵和非机动车矩阵,分离后即得到机动化方式矩阵;
(3-2):利用GPS数据获取出租车矩阵,利用IC卡数据获取常规公交矩阵和轨道矩阵;所述常规公交矩阵和所述轨道矩阵两者的总和构成全市公交系统矩阵;
(3-3):从所述的机动化方式矩阵中分离出所述全市出租车矩阵和所述全市公交系统矩阵进而推算出初步的分离道路机动车矩阵;
(3-4):利用道路流量和载客率调查数据进行校核,得到分离道路机动车矩阵。
3.根据权利要求1或2所述的基于大数据和传统方法相结合的居民出行调查综合扩样校核方法,其特征在于,上述第一步的步骤4)中所述流量数据OD校正和收敛判断的流程如下:
(4-1):利用所述道路机动车矩阵和现状路网数据进行综合,得到初始分配结果;
(4-2):利用所述道路流量和载客率调查数据、所述高速公路收费数据和所述卡口数据进行OD校正;
(4-3):对OD校正结果进行检验。
4.根据权利要求3所述的基于大数据和传统方法相结合的居民出行调查综合扩样校核方法,其特征在于,所述对OD校正结果进行检验可选择如下两种方法之一,方法一:仅针对核查线交通调查流量进行检验,以核查线交通调查流量作为约束条件;方法二:双重约束,一是对核查线交通调查流量进行约束,二是对由所述卡口数据和所述高速公路收费数据推算的较为精确的矩阵进行约束。
5.根据权利要求1所述的基于大数据和传统方法相结合的居民出行调查综合扩样校核方法,其特征在于,所述上下班出行校核包括:利用所述上网数据获取较为准确的职住分布;利用所述手机信令数据获得较为精确的上下班出行数据的分布扩样。
6.根据权利要求1所述的基于大数据和传统方法相结合的居民出行调查综合扩样校核方法,其特征在于,所述上下学出行校核包括大学生、中学生、幼小学生三类出行校核。
7.根据权利要求6所述的基于大数据和传统方法相结合的居民出行调查综合扩样校核方法,其特征在于,所述大学生的出行校核利用所述上网数据和手机信令数据获取较为精确的上下学出行数据。
8.根据权利要求6所述的基于大数据和传统方法相结合的居民出行调查综合扩样校核方法,其特征在于,所述中学生的出行校核步骤包括:i)利用人口年龄结构分布,推算各区域中学生数量;ii)利用教育局数据推算各区域中学实际就学人数;iii)利用组合扩样中中学年龄人群出行距离分布拟和,得到中学生出行分布。
9.根据权利要求6所述的基于大数据和传统方法相结合的居民出行调查综合扩样校核方法,其特征在于,所述幼小学生的出行校核利用划片信息获取就学出行信息。
10.根据权利要求1所述的基于大数据和传统方法相结合的居民出行调查综合扩样校核方法,其特征在于,所述有放回抽样方法具体流程包括:从手机信令数据中推算出行频次分布,再按出行频次分布在家庭户数据库中进行反复抽样,最终生成稳定的出行目的结构。
11.根据权利要求1所述的基于大数据和传统方法相结合的居民出行调查综合扩样校核方法,其特征在于,所述对时间分布进行约束修正的流程包括:第一步:根据家庭信息组合扩样后时间分布和手机信令数据时间分布推算出总体时间分布;第二步:根据IC卡数据得到IC卡时间分布,并推算出公交地铁出行时间分布:第三步:根据GPS数据、卡口数据、高速公路收费数据、道路流量和载客率调查数据推算出道路交通出行时间分布;第三步:计算公交地铁出行时间分布和道路交通出行时间分布的总和得到总和时间分布,利用第一步获得的所述总体时间分布校核所述总和时间分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810428341.7A CN108629972A (zh) | 2018-05-07 | 2018-05-07 | 一种基于大数据和传统方法相结合的居民出行调查综合扩样校核方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810428341.7A CN108629972A (zh) | 2018-05-07 | 2018-05-07 | 一种基于大数据和传统方法相结合的居民出行调查综合扩样校核方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108629972A true CN108629972A (zh) | 2018-10-09 |
Family
ID=63695615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810428341.7A Pending CN108629972A (zh) | 2018-05-07 | 2018-05-07 | 一种基于大数据和传统方法相结合的居民出行调查综合扩样校核方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108629972A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109831774A (zh) * | 2019-01-08 | 2019-05-31 | 中国联合网络通信集团有限公司 | 一种大数据扩样方法及装置 |
CN110839218A (zh) * | 2019-11-28 | 2020-02-25 | 安徽慧视金瞳科技有限公司 | 一种基于手机信令数据的城市人口数量估算方法 |
CN110956808A (zh) * | 2019-12-23 | 2020-04-03 | 北京交通大学 | 一种基于非全样定位数据的重型货车交通流量预测方法 |
CN113111271A (zh) * | 2021-04-20 | 2021-07-13 | 智慧足迹数据科技有限公司 | 出行od数据扩样方法、装置、计算机设备及存储介质 |
CN115440040A (zh) * | 2022-09-02 | 2022-12-06 | 重庆大学 | 一种基于高速公路通行数据的通勤车辆识别方法 |
CN116233759A (zh) * | 2023-04-25 | 2023-06-06 | 北京城建交通设计研究院有限公司 | 一种居民出行轨迹调查方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102595323A (zh) * | 2012-03-20 | 2012-07-18 | 北京交通发展研究中心 | 基于手机定位数据的居民出行特征参数的获取方法 |
US8612278B1 (en) * | 2013-03-06 | 2013-12-17 | Wirelesswerx International, Inc. | Controlling queuing in a defined location |
CN105117789A (zh) * | 2015-07-29 | 2015-12-02 | 西南交通大学 | 基于手机信令数据的居民出行方式综合判别的方法 |
EP3179464A1 (en) * | 2015-12-09 | 2017-06-14 | Industrial Technology Research Institute | Vehicle turning alarm method and vehicle turning alarm device |
-
2018
- 2018-05-07 CN CN201810428341.7A patent/CN108629972A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102595323A (zh) * | 2012-03-20 | 2012-07-18 | 北京交通发展研究中心 | 基于手机定位数据的居民出行特征参数的获取方法 |
US8612278B1 (en) * | 2013-03-06 | 2013-12-17 | Wirelesswerx International, Inc. | Controlling queuing in a defined location |
CN105117789A (zh) * | 2015-07-29 | 2015-12-02 | 西南交通大学 | 基于手机信令数据的居民出行方式综合判别的方法 |
EP3179464A1 (en) * | 2015-12-09 | 2017-06-14 | Industrial Technology Research Institute | Vehicle turning alarm method and vehicle turning alarm device |
Non-Patent Citations (1)
Title |
---|
李元: "基于多源大数据的居民出行调查校核体系研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109831774A (zh) * | 2019-01-08 | 2019-05-31 | 中国联合网络通信集团有限公司 | 一种大数据扩样方法及装置 |
CN109831774B (zh) * | 2019-01-08 | 2021-08-10 | 中国联合网络通信集团有限公司 | 一种大数据扩样方法及装置 |
CN110839218A (zh) * | 2019-11-28 | 2020-02-25 | 安徽慧视金瞳科技有限公司 | 一种基于手机信令数据的城市人口数量估算方法 |
CN110839218B (zh) * | 2019-11-28 | 2022-08-02 | 安徽慧视金瞳科技有限公司 | 一种基于手机信令数据的城市人口数量估算方法 |
CN110956808A (zh) * | 2019-12-23 | 2020-04-03 | 北京交通大学 | 一种基于非全样定位数据的重型货车交通流量预测方法 |
CN110956808B (zh) * | 2019-12-23 | 2020-11-24 | 北京交通大学 | 一种基于非全样定位数据的重型货车交通流量预测方法 |
CN113111271A (zh) * | 2021-04-20 | 2021-07-13 | 智慧足迹数据科技有限公司 | 出行od数据扩样方法、装置、计算机设备及存储介质 |
CN113111271B (zh) * | 2021-04-20 | 2023-08-29 | 智慧足迹数据科技有限公司 | 出行od数据扩样方法、装置、计算机设备及存储介质 |
CN115440040A (zh) * | 2022-09-02 | 2022-12-06 | 重庆大学 | 一种基于高速公路通行数据的通勤车辆识别方法 |
CN115440040B (zh) * | 2022-09-02 | 2023-09-22 | 重庆大学 | 一种基于高速公路通行数据的通勤车辆识别方法 |
CN116233759A (zh) * | 2023-04-25 | 2023-06-06 | 北京城建交通设计研究院有限公司 | 一种居民出行轨迹调查方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108629972A (zh) | 一种基于大数据和传统方法相结合的居民出行调查综合扩样校核方法 | |
Liu et al. | Mapping spatial accessibility of public transportation network in an urban area–A case study of Shanghai Hongqiao Transportation Hub | |
Li et al. | Assessing intercity multimodal choice behavior in a touristy city: a factor analysis | |
Zhao et al. | Uncovering the spatiotemporal patterns of CO2 emissions by taxis based on Individuals' daily travel | |
Baum-Snow et al. | Effects of urban rail transit expansions: Evidence from sixteen cities, 1970-2000 [with comment] | |
Charreire et al. | Identifying built environmental patterns using cluster analysis and GIS: Relationships with walking, cycling and body mass index in French adults | |
Zhang et al. | Assessing and mapping recreationists’ perceived social values for ecosystem services in the Qinling Mountains, China | |
Houston et al. | Tracking daily travel; Assessing discrepancies between GPS-derived and self-reported travel patterns | |
de Dios Ortúzar et al. | Modelling the demand for medium distance air travel with the mixed data estimation method | |
Yang et al. | The study of pedestrian accessibility to rail transit stations based on KLP model | |
Frankena | Income distributional effects of urban transit subsidies | |
CN110070718A (zh) | 高速公路服务区服务质量动态评估方法、系统及设备 | |
He et al. | The attitude and preference of traveler to the Park & Ride facilities: a case study in Nanjing, China | |
Song et al. | Subway network expansion and transit equity: A case study of Gwangju metropolitan area, South Korea | |
Wang et al. | Where are equity and service effectiveness? A tale from public transport in Shanghai | |
Lee et al. | Commuting Trends in US Cities in the 1990s | |
CN108389011A (zh) | 一种基于大数据和传统扩样方法相结合的车辆拥有分布校核修正方法 | |
Zhang et al. | Factors and mechanism affecting the attractiveness of public transport: Macroscopic and microscopic perspectives | |
CN116502960B (zh) | 一种车站区域tod发展潜力评估方法、系统和电子设备 | |
Zhou et al. | Modeling the impact of dock-less bike-sharing system on outpatient trips | |
Deng et al. | The research on identification and spatial pattern of urban mixed land-use: A case study of Chengdu | |
Parmenter et al. | Developing geospatial data management, recruitment, and analysis techniques for physical activity research | |
Probst et al. | Mode of travel and actual distance traveled for medical or dental care by rural and urban residents. | |
Lei et al. | Research on tourism development of Xinjiang based on grey relational analysis and gravity model | |
Huan et al. | Roles of accessibility and air-rail intermodality in shaping mobility patterns in mega-city regions: Behavioural insights from China |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181009 |
|
WD01 | Invention patent application deemed withdrawn after publication |