CN109190685A

CN109190685A - 融合空间聚类和基站序列规则的轨道出行特征提取方法

Info

Publication number: CN109190685A
Application number: CN201810928767.9A
Authority: CN
Inventors: 杨飞; 周建尧; 王利雷; 郭煜东
Original assignee: Southwest Jiaotong University
Current assignee: Southwest Jiaotong University
Priority date: 2018-08-15
Filing date: 2018-08-15
Publication date: 2019-01-11

Abstract

本发明公开了一种融合空间聚类和基站序列规则的轨道出行特征提取方法，运用基站信令数据，按信令序列识别号以及获取时间排序后，对数据进行预处理，包括重复数据、缺失数据、通信失败数据和小样本数据的删除。然后筛选提取出存在轨道出行的信令数据。利用序列切换法、站点匹配法和邻接站点法识别轨道出行中进站、换乘站、出站的特征点信息。随后利用空间聚类算法分析整体客流的来源与去向，并基于此研究客流覆盖范围。

Description

融合空间聚类和基站序列规则的轨道出行特征提取方法

技术领域

本发明属于交通大数据的信令数据信息识别领域，尤其是针对轨道出行同台换乘和异台换乘的识别。

背景技术

城市轨道交通作为一种大运量的公共交通运输方式，具有速达性、高效性、准时性、安全性等优点，大力发展城市轨道交通已成为大中型城市应对交通出行拥堵，调节城市交通结构，缓解城市交通问题的重要手段。

随着城市轨道交通线网规模的不断扩大，城市轨道交通客流运量不断攀升，快速增长的客流量和日益复杂的轨道运营线网为轨道交通行车运营、线路票务清分、车站应急管理等带来严峻挑战，及时掌握轨道交通出行客流信息成为关键所在。有效把握客流特征，使轨道交通运营更加满足居民出行需求，是提高轨道线网服务质量，构建优质的城市轨道交通运营体系的重要基础。

轨道交通系统的客流信息监测和客流规律把握是提升城市轨道交通网络运营安全和效率的关键，及时把握客流信息，一方面为轨道交通运营方案提供基础资料，改善运营组织，另一方面也提升了乘客舒适度，提高轨道分担率，调节城市交通结构，缓解交通压力。

传统的轨道交通客流出行信息获取主要包括AFC技术、车辆称重技术、智能视频分析技术等，但此类方法存在动态性较差，技术实现较为复杂、成本较高等缺陷。而传统调查方法如站点问询法、随车跟踪调查法等方法，则普遍存在数据样本量小、调查组织繁琐、数据更新困难等问题，面对日益复杂的客流出行特性，特别是多轨道线路间的换乘客流特征，调查数据很难准确地反映实际交通出行需求特征，难以满足日益扩大和复杂的轨道交通线网运营管理的需要。

融合空间聚类和基站序列规则的轨道出行特征提取方法则解决了上述问题。信令数据在样本量、覆盖范围、数据获取上都具有优势，适用于中、宏观层面的客流检测。但是目前，手机数据多是反映现象的表征，缺乏基于信令数据获取客流特征信息的深入研究。特别是对换乘识别，一方面缺乏良好的识别方法，另一方面，并未细分换乘站类型不同带来的信令数据样式以及识别方法的不同。

因此本发明利用不同信令事件和位置区更新产生的信令数据，对乘客在地下轨道交通系统的进站点、出站点和换乘点等出行路径关键轨迹点的空间和时间信息，基于序列切换法、站点匹配法和邻接站点法进行提取；同时基于DBSCAN聚类算法提取轨道交通乘客轨道交通出行的出发点和目的地，在识别站点客流来源与去向分布特点的基础上分析站点客流覆盖范围。本发明通过研究利用手机信令数据对轨道交通客流出行信息进行提取的方法，对全面把握客流特征，准确掌握客流出行规律，提升轨道交通运营客流管理具有重要意义。

发明内容

为了克服现有技术的上述缺点，本发明提出了一种融合空间聚类和基站序列规则的轨道出行特征提取方法，旨在解决城市范围内基于手机信令数据的轨道出行客流特征时空信息提取，比较准确的获取客流轨道出行特征以及站外客流覆盖范围。本发明运用海量信令数据，完成数据预处理和基础数据提取后，筛选存在轨道出行的信令数据；利用序列切换法、站点匹配法和邻接站点法识别轨道出行特征行为信息，并根据时空特性进行约束；随后利用空间聚类算法分析客流的来源与去向，并基于此研究客流覆盖范围。其中，特别分析了换乘站的识别方法。

本发明解决其技术问题所采用的技术方案是：一种融合空间聚类和基站序列规则的轨道出行特征提取方法，包括如下步骤：

步骤一、创建轨道信息数据库；

步骤二、出行者按设计出行活动和路线采集数据，并同时记录出行日志；

步骤三、删除重复数据、缺失数据、通信失败数据和小样本数据，然后将存在轨道出行的信令数据按时间排序，形成用户出行手机信令基础数据。

步骤四、轨道出行特征提取：

(1)轨道站点特征数据识别并记录：包括进站、换乘站、中间站、出站特征数据识别；

(2)多次乘车特征数据识别并记录；

(3)完成所有信令数据遍历后，将记录的所有数据分时段累计，得到客流特征数据；

步骤五、利用空间聚类算法将相同用地性质基站进行聚类，然后对高峰期某站点识别的轨道出行客流进行筛选，累计不同簇的信令数量，得到进出站客流来源分布特征和站点服务范围。

与现有技术相比，本发明的积极效果是：

本发明针对目前轨道客流调查方法中，存在的调查数据不及时，精度难以提升，设施设备成本高等问题以及站点覆盖范围设置仅按步行距离划分问题，提出了融合空间聚类和基站序列规则的轨道出行特征提取方法，对轨道客流进站、出站、换乘等关键轨迹点时空信息进行提取，识别客流完成的轨道交通出行路径；利用DBSCAN空间聚类算法，基于基站分布位置规律与土地利用性质对聚类点数和聚类参数进行标定，对站点客流覆盖范围进行精细划分识别，研究客流重点分布区域。具体包括：

一、基于手机信令小区序列规则提取乘客轨道交通内部出行路径信息

基于海量繁杂基站信令数据，对数据进行预处理，包括重复数据、缺失数据、通信失败数据和小样本数据的删除，再按唯一识别号以及获取时间排序。然后筛选提取出存在轨道出行的信令数据。利用序列切换法、站点匹配法和邻接站点法识别轨道出行中进站、换乘站、出站的特征点信息；

二、基于DBSCAN时空聚类分析乘客轨道交通外部来源去向信息

根据用户轨道交通出行过程中的信令时空特性，基于DBSCAN算法，聚类相同小区服务范围内的基站数据，通过时空阈值约束，在识别乘客进站点和出站点基础上，对分析整体客流的来源与去向，识别客流聚集较大的区域，并基于此分析出轨道交通站点客流覆盖范围。

三、基于手机信令序列规则和时空聚类提取用户完整出行链信息

结合乘客在轨道交通系统内部的出行路径、乘客进站前来源识别与乘客出站后去向识别，本方法可以实现从用户出行过程中产生的信令数据到用户一日完整的轨道交通出行信息链信息提取。

本发明的优点在于：基于信令数据序列规则方面，信令数据在轨道基站中具有特殊的识别码和特定的产生时间规则，据此可进一步对乘客乘车路径进行识别；基于DNSCAN方面，结合信令数据产生的对应基站位置信息与城市用地性质划分，可对同质信令数据进行时空聚类，进一步识别站点服务范围。结合轨道交通客流特征调查和站点服务范围影响因素研究的实际需要，使得利用信令这一庞大的数据分析轨道客流特征具有实际意义，相比现有调查手段，该方法具有成本低、周期短、覆盖面广等优点，针对目前应用最广泛的AFC系统采集方法不能获取连续数据与换乘数据的问题，本发明能够更加全面、高效、持续的获取居民的出行时间和位置信息，并有效识别客流换乘点。该发明对全面把握客流特征，准确掌握客流出行规律，提升轨道交通运营客流管理具有重要意义。

附图说明

本发明将通过例子并参照附图的方式说明，其中：

图1为进站识别流程图；

图2为出站识别流程图；

图3为异台换乘识别流程图；

图4为同台换乘识别流程图；

图5为中间站识别流程图；

图6为时空约束检验流程图；

图7为多次出行识别流程图；

图8为聚类效果示意图。

具体实施方式

首先对本发明涉及到的手机信令数据各个字段进行解析：手机切换所产生的手机信令数据主要包括移动台识别号(Mobile Station ID，简称MSID)，时间戳(Timestamp)，位置区(LAC)，小区号(CELLID)，事件编号(EventID)等信息，手机信令各字段的具体含义如下。

(1)移动用户识别码(IMSI)

移动用户识别码(IMSI)是在蜂窝移动通信网中唯一的能够识别个体移动用户的号码，IMSI是15位数字的编码，结构为移动国家号MCC+移动网号+移动用户识别码MSIN本文在进行数据处理时，一般将IMSI处理为32为位的识别码，作为用户的唯一识别号MSID。

(2)时间戳(TIMESTAMP)

记录信息产生的时间，一般处理为为年/月/日，时/分/秒的24小时标准时间格式。

(3)移动业务交换中心编码(MSCID)

记录用户所在位置的移动业务交换中心编号。

(4)位置区识别码(LAC)

位置区(LAC)由若干个基站区组成，当移动台(MS)在统一位置区内移动时，，不需要向系统进行强迫位置登记，只需要在当前所在位置区下属的各个小区中寻呼即可，一般处理为5位数字编码。

(5)基站区编码(BSCID)

记录用户当前所在位置的基站区标号。

(6)蜂窝小区编码(CELLID)

蜂窝小区(CELLID，也即CID)是与移动台(MS)直接进行信息交互的系统，其编码一般为5为数字编码。

(7)Flag

表示该条信令数据是否成功获得手机的国际移动用户识别码(IMSI)，这是用户在全球移动通信网络中的唯一识别码。而获取的数据中用作用户唯一标识的字段MSID的则是移动业务交换中心MSC为用户分配的临时移动用户识别码(TMSI)。

Flag用于标志是否捕捉到用户的IMSI信息，当flag＝0时，表示已捕捉到用户识别信息，反之，则flag＝1，只有捕捉到用户识别号才能进行下一步的数据分析。

(8)信令事件(EVENTID)

信令事件类型包括开关机、接发短信、主被叫、位置区更新等，下表例举了主要的一些信令事件类型及EVENTID编码。

(9)事件触发的原因(CAUSE)

触发事件的原因较多，比如有开关机、发送短信、呼叫拒绝、无用户应答、信号质量差、协议差错等数十种，信令的定位信息不依赖于触发事件原因，可忽略。

以下以某城市某日全日信令数据、城市和轨道基站数据、轨道站点数据为基础，在数据库建立和预处理基础上，对全市个体轨道出行特征(进站点、出站点、换乘站点、中间站点)进行识别与累计；选取代表站点(首末站、换乘站、普通站)，在基于约束的空间聚类算法下，分析高峰期站点客流来源与去向分布特征以及站点服务范围。所述方法中主要包含以下步骤：

步骤一：轨道信息数据库的创建

建立轨道信息数据库，共包含五类数据：1)个体信令数据库，用于存储采集的信令数据，内容包括：出行者识别号、时间戳、基站位置区信息、基站小区信息、信令事件信息、其他信息。2)轨道站点位置数据库，用于存储各轨道站点信息，内容包括：轨道线路信息、站点信息、站点经度、站点纬度。3)换乘站邻接站点数据库，用于存储换乘站的相邻站点信息，内容包括：轨道线路信息、换乘站信息、与换乘站相邻的站点信息。4)基站数据库和轨道基站数据库，用于存储城市范围和轨道范围的所有基站信息，内容包括：基站编号、基站经度、基站纬度、基站位置说明信息、其他信息。5)刷卡数据库，用于存储轨道刷卡数据，内容包括：用户编号、进站站点、进站时间、出站站点、出站时间、其他数据。

步骤二：实验设计

2.1实验基础

1)理论基础：一次完整的轨道交通出行需要包括进站、中间站乘坐或换乘站换乘、出站等过程，不同出行组合可获取多类信令数据。

2)实验方案：采集者按照指定出行活动和路线采集数据。在出行过程中，确保手机处于工作的同时需记录出行日志。

2.2设计原则

1)良好的基站条件：为减少地面基站干扰，选择地下线路站点为试验路线。

2)多样的出行组合：包含有无换乘的出行，采集不同站点间出行数据以保证数据的多样性。

步骤三：数据预处理与筛选

3.1数据预处理

(1)删除重复数据

部分个体信令数据存在大量重复数据，对后续调查分析工作造成影响，须删除重复数据，相同数据仅保留一条。

(2)剔除缺失数据

通信信号不稳定会导致信令数据部分字段缺失，容易造成数据错位等问题，须剔除此类数据；同时剔除Flag＝1的信息，保证成功捕捉到用户识别号信息。

(3)剔除通信失败数据

通信失败数据可能无法真实记录用户的位置信息，而该类信息也会被基站记录，需根据EVENTID进行删除。

(4)剔除小样本数据

信令数过少难以分析出行行为，因此删除一日内LAC，CID变化少于3条的数据。

3.2数据筛选：提取轨道出行数据并排序

完成预处理后，将存在轨道出行的信令数据按时间进行排序，按时间顺序排序形成以时间轴为顺序的用户出行手机信令基础数据，如下表所示：

步骤四：轨道出行特征提取

4.1轨道站点特征数据识别

(1)进站识别

首先以MSID为识别号，提取基础数据中个体一日出行的所有信令数据Q(Q_i表示某个体用户一日出行中，按时间排序后的信令数据中的第i条信令数据)。然后，以LAC和CELLID_i作为检索对象，将个体的信令数据Q依次与轨道基站数据库GD进行匹配，第一次出现(LAC_m,CELLID_m)∈GD(LAC,CELLID)且EVENTID_m＝7时，该信令作为进站信令数据，记录对应进站站点基站信息，将第m条信令数据作为轨道出行路径识别起点。进站识别流程如图1所示。

(2)出站识别

在进站识别的基础上，继续以LAC和CELLID作为检索对象，第一次出现且EVENTID_n＝7时，首先将信令Q_n的LAC_n、CELLID_n与基站数据库匹配，提取Q_n对应的基站经纬度位置信息，然后利用球面距离计算公式，根据经纬度计算该基站与所有轨道基站的距离，将距离最小的轨道站作为出站点并记录其基站信息，第n条信令数据作为轨道交通出行路径识别终点。出站识别流程如图2所示。

(3)换乘站识别

在进出站识别的基础上，以EVENTID作为检索对象，当出现EVENTID_m+i＝7时，识别该信令为换乘特征数据，并根据对应的LAC_m+i,CID_m+i识别特征轨道站点名。由于同台换乘和异台换乘产生的信令数据存在差异，识别方法也不相同，下面将详细说明不同换乘站及类型识别：

1)异台换乘识别

若信令Q_m+i对应的轨道站点为换乘站，且与进站LAC不同，识别该站点为异台换乘站，并记录基站信息。异台换乘识别流程如图3所示。

2)同台换乘识别

若信令Q_m+i对应的轨道站点为普通站，且与进站的轨道线路不同，则将特征轨道站与邻接站点数据库进行匹配，且将匹配得到的换乘站前一条信令的LAC对比，相同时识别该站点为同台换乘站，并记录基站信息。同台换乘识别流程如图4所示。

(4)中间站识别

在进出站识别的基础上，以EVENTID作为检索对象，当出现EVENTID_m+i≠7时，将该信令作为中间站信令数据，并记录这条中间站信令数据包含的对应中间站站点的基站信息。中间站识别流程如图5所示。

(5)多次乘车识别

完成进站识别后，若未发现出站信令数据，视为不满足空间约束，删除对应进站记录；完成进出站识别后，计算进出站时间数据，若时间差大于两小时，视为不满足时间约束，删除对应进出站记录。时空约束检验如图6所示。

完成一次轨道出行识别后，以出站信令数据为起点重新开始轨道出行识别，直到遍历该个体所有信令数据。多次出行识别流程如图7所示。

(6)站点客流量分析

完成所有信令数据遍历后，将记录得到的所有数据分时段累计，可得到客流特征数据，包括各站点的客流时空分布特征数据以及各线路的换乘客流时空分布特征数据，并利用刷卡数据核实识别结果。

4.2客流覆盖范围分析

利用空间聚类算法DBSCAN将相同用地性质基站进行聚类，然后对高峰期某站点识别的轨道出行客流进行筛选，累计不同簇的信令数量，得到特定站点给定距离范围内对应基站信令数据量，从而得到客流来源分布特征和站点服务范围。聚类过程包括参数标定与基站聚类两步。

(1)参数标定

空间聚类参数包括核心点邻域Eps与核心点邻域最小点数MinPts，通过模型分析，参数Eps＝200m时，95％的基站点都可以被聚类，当Minpts＝5时，符合同一用地范围内基站个数分布。

(2)基站聚类

由于同一用地性质基站LAC相同，受基于约束的聚类分析方法的启发，可以通过对基站间“距离”和基站“位置区”进行规则约束。因此基站聚类时额外选择LAC作为约束条件，即当且仅当满足参数设置的约束条件且LAC相同时，基站才会被聚类，最终有36643个基站被聚类，聚类效果如图8所示。

Claims

1.一种融合空间聚类和基站序列规则的轨道出行特征提取方法，其特征在于：包括如下步骤：

步骤一、创建轨道信息数据库；

步骤三、删除重复数据、缺失数据、通信失败数据和小样本数据，然后将存在轨道出行的信令数据按时间排序，形成用户出行手机信令基础数据；

步骤四、轨道出行特征提取：

(2)多次乘车特征数据识别并记录；

2.根据权利要求1所述的融合空间聚类和基站序列规则的轨道出行特征提取方法，其特征在于：步骤一所述轨道信息数据库包括：1)个体信令数据库；2)轨道站点位置数据库；3)换乘站邻接站点数据库；4)基站数据库和轨道基站数据库；5)刷卡数据库。

3.根据权利要求1所述的融合空间聚类和基站序列规则的轨道出行特征提取方法，其特征在于：所述进站特征数据识别的方法为：以MSID为识别号，提取个体出行的所有基础信令数据Q；以LAC和CELLIDi作为检索对象，将Q依次与轨道基站数据库GD匹配，第一次出现(LACm,CELLIDm)∈GD(LAC,CELLID)且EVENTIDm＝7时，则将第m条信令作为进站数据，同时记录对应站点信息。

4.根据权利要求3所述的融合空间聚类和基站序列规则的轨道出行特征提取方法，其特征在于：所述出站特征数据识别的方法为：在进站特征数据识别的基础上，以LAC和CELLID作为检索对象，第一次出现且EVENTIDn＝7时，则将第n条信令作为出站数据，根据LACn、CELLIDn提取对应的基站信息，将最近的轨道站作为出站点并记录。

5.根据权利要求4所述的融合空间聚类和基站序列规则的轨道出行特征提取方法，其特征在于：所述换乘站特征数据识别的方法为：在进出站识别的基础上，以EVENTID作为检索对象，出现EVENTIDm+i＝7时，则识别出第m+i条信令为换乘特征数据，然后根据LACm+i,CIDm+i识别特征轨道站点：

1)若特征轨道站点为换乘站，且与进站LAC不同，则识别该站点为异台换乘，并记录站点信息；

2)若特征轨道站为普通站，且与进站的轨道线路不同，则将该站与邻接站点数据库进行匹配，找寻对应的同台换乘站，并记录站点信息。

6.根据权利要求4所述的融合空间聚类和基站序列规则的轨道出行特征提取方法，其特征在于：所述中间站特征数据识别的方法为：在进出站识别的基础上，以EVENTID为检索对象，当EVENTIDm+i≠7时，则将该信令作为中间站信令数据，同时记录对应站点信息。

7.根据权利要求4所述的融合空间聚类和基站序列规则的轨道出行特征提取方法，其特征在于：所述多次乘车特征数据识别的方法为：完成进站识别后，若未发现出站信令数据，则视为不满足空间约束，删除其他记录；完成进出站识别后，计算进出站时间数据，若时间差大于两小时，则视为不满足时间约束，删除其他记录；完成一次轨道出行识别后，以出站信令数据为起点重新开始轨道出行识别，直到遍历该个体所有信令数据。

8.根据权利要求2所述的融合空间聚类和基站序列规则的轨道出行特征提取方法，其特征在于：所述客流特征数据包括各站点的客流时空分布特征数据以及各线路的换乘客流时空分布特征数据，并利用刷卡数据核实识别结果。