CN109729518A

CN109729518A - 基于手机信令的城市交通早高峰拥堵源头识别方法

Info

Publication number: CN109729518A
Application number: CN201910197618.4A
Authority: CN
Inventors: 王德; 张月朋; 张扬帆
Original assignee: Shanghai Tongji Urban Planning And Design Research Institute Co Ltd
Current assignee: Shanghai Tongji Urban Planning And Design Research Institute Co Ltd
Priority date: 2019-03-15
Filing date: 2019-03-15
Publication date: 2019-05-07
Anticipated expiration: 2039-03-15
Also published as: CN109729518B

Abstract

本发明提供一种基于手机信令的城市交通早高峰拥堵源头识别方法，包括步骤：S1：收集一目标城市各区的手机信令数据，并对手机信令数据进行降噪处理；S2：根据预处理信令数据识别夜间稳定停留地；S3：根据夜间稳定停留地信息识别起始出行行为，获得起始出行行为信息；S4：根据起始出行行为信息计算获得出行特征指标；S5：根据出行特征指标识别获得目标城市的交通早高峰拥堵源头。本发明的一种基于手机信令的城市交通早高峰拥堵源头识别方法，利用手机信令数据，对城市早高峰交通拥堵现象进行分析，根据交通拥堵的产生分析交通问题源，针对拥堵问题的发生区，提出相对应对策和建议，可更好地解决城市早高峰交通拥堵问题。

Description

基于手机信令的城市交通早高峰拥堵源头识别方法

技术领域

本发明涉及交通拥堵管理领域，尤其涉及一种基于手机信令的城市交通早高峰拥堵源头识别方法。

背景技术

随着城市化发展进程的加快，交通拥堵现象越来越普遍。交通拥堵已经成为制约城市健康发展、影响居民日常生活的重要社会问题，对城市经济、社会、环境等各个方面都会造成消极的影响，并直接降低居民生活质量。交通拥堵与城市发展水平具有一定相关关系，在发展水平较高的特大型、大型城市中，交通拥堵问题更加严重，目前也有逐步向中小型城市扩散的趋势；交通拥堵现象在城市中心区最为突出，在特大型、大型城市内部，开始逐步蔓延至外围郊区边缘地带。其中，城市的早、晚高峰更是交通拥堵最严重的时段。城市早高峰拥堵问题由来已久，近年来在交通技术改进、线路优化以及交通管理等方面，政府也投入了巨大的精力，通过大数据的应用，在识别交通拥堵、快速疏解拥堵等方面也取得了一定的成效。如杭州“城市大脑”通过大数据对路口交通信号灯配时进行实时智能调控，提高道路通行能力，缓解高峰拥堵。

从已有方法来看，多是首先对交通拥堵区域进行识别，并在此基础上提出交通疏解的解决办法，针对的分析对象是已经产生交通拥堵现象的区域，并不能真正的解决交通拥堵问题。

发明内容

针对上述现有技术中的不足，本发明提供一种基于手机信令的城市交通早高峰拥堵源头识别方法，利用手机信令数据，对城市早高峰交通拥堵现象进行分析，根据交通拥堵的产生分析交通问题源，针对拥堵问题的发生区，而非拥堵现象出现区，提出相对应对策和建议，可更好地解决城市早高峰交通拥堵问题。

为了实现上述目的，本发明提供一种基于手机信令的城市交通早高峰拥堵源头识别方法，包括步骤：

S1：收集一目标城市各区的手机信令数据，并对所述手机信令数据进行降噪处理，获得预处理信令数据；

S2：根据所述预处理信令数据识别夜间稳定停留地，获得夜间稳定停留地信息；

S3：根据所述夜间稳定停留地信息识别起始出行行为，获得起始出行行为信息；

S4：根据所述起始出行行为信息计算获得出行特征指标；

S5：根据所述出行特征指标识别获得所述目标城市的交通早高峰拥堵源头。

优选地，所述对所述手机信令数据进行降噪处理步骤包括清除数据漂移和清除乒乓切换干扰；

所述清除数据漂移步骤中：通过设定一速度阈值清除漂移数据；

所述清除乒乓切换干扰步骤中：通过将一第一时间内相邻基站间的切换合并来剔除高频乒乓切换。

优选地，所述速度阈值为30m/s；所述第一时间为60s。

优选地，所述S2步骤中：设置一夜间稳定停留时间段；对所述夜间稳定停留时间段内产生的手机信令数据的空间位置进行空间聚类；根据所述空间聚类结果识别获得夜间活动核心区域，将所述夜间活动核心区域作为所述夜间稳定停留地。

优选地，所述S2步骤进一步包括步骤：

S21：截取每一用户在所述夜间稳定停留时间段内的全部所述手机信令数据，获取每条所述手机信令数据所对应的空间位置信息并按照时间顺序排列，获得每一所述用户的第一空间位置集合；

S22：比较每一所述用户的所述第一空间位置集合内的所述空间位置信息的个数与一预设阈值的小大小，如所述空间位置信息的个数小于等于所述预设阈值，进行步骤S23，否则跳至步骤S24；

S23：所述空间位置信息分别位于不同的空间位置，则将对应所述用户剔除；如所述空间位置信息位于同一位置且所述空间位置所对应的时间跨度大于一第二时间，将该空间位置信息作为所述夜间稳定停留地，跳转至步骤S3；

S24：按照时间顺序自所述第一空间位置集合中选取两所述空间位置信息作为第一空间位置信息，计算获得两所述第一空间位置信息的第一中心点，分别比较两所述第一空间位置信息与所述第一中心点的距离与一第一距离阈值的大小；如两所述第一空间位置信息与所述第一中心点的距离都小于所述第一距离阈值，判定两所述第一空间位置信息位于一停留区域内，选定当前所述停留区域，当前所述停留区域内的停留次数为2，将所述停留次数与当前所述停留区域关联并保存；

S25：保留当前已选取的所述空间位置信息；按照时间顺序自所述第一空间位置集合中选取下一所述空间位置信息作为第二空间位置信息；计算获得当前所有已选取的所述空间位置信息的第二中心点；分别比较当前所有已选取的所述空间位置信息与所述第二中心点的距离与所述第一距离阈值的大小；如当前所有已选取的所述空间位置信息与所述第二中心点的距离小于所述第一距离阈值进行步骤S26，否则跳至步骤S27；

S26：判定当前所有已选取的所述空间位置信息位于所述停留区域内，当前所述停留区域内的停留次数为当前已选取的所述空间位置信息的个数，将所述停留次数与当前所述停留区域关联并保存；当所述第一空间位置集合中还有未被选取的所述空间位置信息时，返回步骤S25；当所述第一空间位置集合中没有未被选取的所述空间位置信息时，跳转至步骤S3；

S27：保留选取的所述第二空间位置信息；按照时间顺序自所述第一空间位置集合中选取下一所述空间位置信息作为第三空间位置信息；计算获得第二空间位置信息和所述第三空间位置信息的第三中心点，分别比较所述第二空间位置信息和所述第三空间位置信息与所述第三中心点距离与所述第一距离阈值的大小；如所述第二空间位置信息和所述第三空间位置信息与所述第三中心点的距离都小于所述第一距离阈值，判定所述第二空间位置信息和所述第三空间位置信息位于新的一所述停留区域内，选定该新的停留区域，当前选定的所述停留区域内的停留次数为当前选取的所述空间位置信息的个数，将所述停留次数与当前选定的所述停留区域关联并保存；将当前所述第二空间位置信息和所述第三空间位置信息作为所述第一空间位置信息；

当所述第一空间位置集合中还有未被选取的所述空间位置信息时，返回步骤S25；当所述第一空间位置集合中没有未被选取的所述空间位置信息时，跳转至步骤S3；

S28：计算获得每一所述停留区域内产生的所述空间位置信息中最早和最后一条之间的时间差，将所述时间差作为对应所述停留区域的停留时间；选取所述停留时间大于预设的一时间阈值的所述停留区域，将当前选取的所述停留区域中所述停留次数最多的一所述停留区域作为所述夜间稳定停留地。

优选地，所述S3步骤进一步包括步骤：

S31：获取每一所述用户在所述夜间稳定停留地停留时间后产生的所述手机信令数据；自所述手机信令数据中获取每条所述手机信令数据的所述空间位置信息，并按照时间顺序排列，获得每一所述用户的第二空间位置集合；

S32：按时间顺序自所述第二空间位置集合选取未被选取的一所述空间位置信息，并比较该空间位置信息与对应所述夜间稳定停留地之间的空间距离；

S33：如所述空间距离小于等于一第二距离阈值，返回步骤S32；如所述空间距离大于所述第二距离阈值，将当前所述空间位置信息和当前所述空间位置信息对应的时间信息作为对应所述用户的所述起始出行行为信息。

优选地，所述行特征指标包括：起始出行密度、起始出行方向集中度、中远距离出行占比和高峰时段起始出行比例。

优选地，所述起始出行密度的表达式为：

Dens_i＝Num_i/Area_i (1)；

其中，Dens_i表示第i所述稳定停留地的起始出行密度；Num_i表示第i所述稳定停留地内的起始出行总量；Area_i表示第i所述稳定停留地的面积；

所述起始出行方向为所述起始出行行为信息中所述空间位置信息的移动方向；

所述起始出行方向集中度的表达式为：

ConRatio_i＝DurectNum_j/Num_i (2)；

其中，ConRatio_i表示第i稳定停留地的起始出行方向集中度；DirectNum_i表示第i稳定停留地的起始出行集中方向上的出行量；Num_i第i稳定停留地内的起始出行总量；

分别汇总所述稳定停留地不同方向的出行量，并以出行量最多的一个方向作为当前所述稳定停留地的所述出行集中方向；

根据起始出行距离将所述用户的出行方式划分为短距离出行和中远距离出行，所述起始出行距离表示所述稳定停留地与拥堵发生地之间的空间距离；

计算中远距离出行占比：

LongDisRatio_i＝LongDis_i/Num_i (3)；

其中，LongDisRatio_i表示第i稳定停留地的中远距离出行占比；LongDis_i表示第i稳定停留地的中远距离出行量；Num_i表示第i稳定停留地的起始出行总量；

所述高峰时段起始出行比例的表达式为：

PeakTRatio_i＝PeakTNum_i/PopNum_i (4)；

其中，PeakTRatio_i表示高峰时段第i稳定停留地的起始出行比例；PeakTNum_i表示高峰时段第i稳定停留地的起始出行量；PopNum_i表示第i稳定停留地的居住人口数量。

优选地，所述S5步骤中，将所述出行特征指标按照每类25％的权重在所述目标城市的地图模型上进行叠加；根据叠加后的所述地图模型识别获得所述目标城市的交通早高峰拥堵源头。

优选地，所述S5步骤中还包括步骤：根据叠加后的所述地图模型并按照拥堵的严重程度，将所述地图模型划分为多个区域。

本发明由于采用了以上技术方案，使其具有以下有益效果：

本发明通过收集目标城市各区的手机信令数据，对手机信令数据进行数据分析，将分析对象限定为起始出行行为，重点考虑居民起始出行行为的发生，而非关注起始出行活动的完成，提高了居民出行行为识别的准确性，可更好地解决城市早高峰交通拥堵问题，并通过出行特征指标描述起始出行时空行为特征。另外，通过手机信令数据分析居民起始出行，进而识别目标城市范围内对城市早高峰交通问题有不同程度影响的区域，便于用户可针对不同问题区域，从城市规划和管理角度，提出相对应的对策建议。

附图说明

图1为本发明实施例的基于手机信令的城市交通早高峰拥堵源头识别方法的流程图。

具体实施方式

下面根据附图1，给出本发明的较佳实施例，并予以详细描述，使能更好地理解本发明的功能、特点。

随着大数据理念以及理论方法的普及，手机定位数据在近些年来得到了广泛的应用。根据定位机制的不同，手机定位数据主要有两种，分别是基于无线网络通过软件应用APP实现定位，以及基于手机基站通过移动终端进行定位，前者定位更加精确。本发明所使用数据采用后者获得空间信息。由于信息定位通过手机基站而实现，所获得的空间位置为手机基站空间位置。

本实施例所使用数据为中国移动上海市2014年上半年连续两周时间内收集的匿名信令数据，每条信令数据包含六个字段，分别是：移动终端唯一识别号(MobileStationID)、时间戳信息(Tstamp)、基站大区编号(LAC)以及小区编号(CellID)、对应信令时间编号(EventID)以及备注项信息。两周时间内，每天产生的信令数据记录量约7亿条，涉及用户约1600万，上海市域共分布有手机基站约3.7万。

请参阅图1，本发明实施例的一种基于手机信令的城市交通早高峰拥堵源头识别方法，包括步骤：

S1：收集一目标城市各区的手机信令数据，并对手机信令数据进行降噪处理，获得预处理信令数据。

其中，对手机信令数据进行降噪处理步骤包括清除数据漂移和清除乒乓切换干扰；

清除数据漂移步骤中：通过设定一速度阈值清除漂移数据；

清除乒乓切换干扰步骤中：通过将一第一时间内相邻基站间的切换合并来剔除高频乒乓切换。

本实施例中，速度阈值为30m/s；第一时间为60s。

S2：根据预处理信令数据识别夜间稳定停留地，获得夜间稳定停留地信息。

在识别夜间稳定停留区域过程中，首先对夜间稳定停留区域的特征作出定性描述，考虑到手机行令记录产生是定位的空间位置以及方向分布的随机性，用户夜间所发生的行为会在空间平面多个位置上产生记录。因此，选取第一天晚上21:00至第二天凌晨03:00时间段作为夜间稳定停留时间段，对夜间稳定停留时间段内产生的手机信令数据的空间位置进行空间聚类；根据空间聚类结果识别获得夜间活动核心区域，将夜间活动核心区域作为夜间稳定停留地。

其中，S2步骤进一步包括步骤：

S21：截取每一用户在夜间稳定停留时间段内的全部手机信令数据，用户可通过手机信令数据中的唯一编号的MSID进行识别；获取每条手机信令数据所对应的空间位置信息并按照时间顺序排列，获得每一用户的第一空间位置集合；

S22：比较每一用户的第一空间位置集合内的空间位置信息的个数与一预设阈值的小大小，如空间位置信息的个数小于等于预设阈值，进行步骤S23，否则跳至步骤S24；

S23：空间位置信息分别位于不同的空间位置，则将对应用户剔除，该用户不再进行后续出行行为识别；如空间位置信息位于同一位置且空间位置所对应的时间跨度大于一第二时间，将该空间位置信息作为夜间稳定停留地，跳转至步骤S3；

S24：按照时间顺序自第一空间位置集合中选取两空间位置信息作为第一空间位置信息，计算获得两第一空间位置信息的第一中心点，分别比较两第一空间位置信息与第一中心点的距离与一第一距离阈值的大小；如两第一空间位置信息与第一中心点的距离都小于第一距离阈值，判定两第一空间位置信息位于一停留区域内，选定当前停留区域，当前停留区域内的停留次数为2，将停留次数与当前停留区域关联并保存；本实施例中，第一距离阈值设置为1000米。

S25：保留当前已选取的空间位置信息；按照时间顺序自第一空间位置集合中选取下一空间位置信息作为第二空间位置信息；计算获得当前所有已选取的空间位置信息的第二中心点；分别比较当前所有已选取的空间位置信息与第二中心点的距离与第一距离阈值的大小；如当前所有已选取的空间位置信息与第二中心点的距离小于第一距离阈值进行步骤S26，否则跳至步骤S27；

S26：判定当前所有已选取的空间位置信息位于停留区域内，当前停留区域内的停留次数为当前已选取的空间位置信息的个数，将停留次数与当前停留区域关联并保存；当第一空间位置集合中还有未被选取的空间位置信息时，返回步骤S25；当第一空间位置集合中没有未被选取的空间位置信息时，跳转至步骤S3；

S27：保留选取的第二空间位置信息；按照时间顺序自第一空间位置集合中选取下一空间位置信息作为第三空间位置信息；计算获得第二空间位置信息和第三空间位置信息的第三中心点，分别比较第二空间位置信息和第三空间位置信息与第三中心点距离与第一距离阈值的大小；如第二空间位置信息和第三空间位置信息与第三中心点的距离都小于第一距离阈值，判定第二空间位置信息和第三空间位置信息位于新的一停留区域内，选定该新的停留区域，当前选定的停留区域内的停留次数为当前选取的空间位置信息的个数，将停留次数与当前选定的停留区域关联并保存；将当前第二空间位置信息和第三空间位置信息作为第一空间位置信息；

当第一空间位置集合中还有未被选取的空间位置信息时，返回步骤S25；当第一空间位置集合中没有未被选取的空间位置信息时，跳转至步骤S3；

S28：计算获得每一停留区域内产生的空间位置信息中最早和最后一条之间的时间差，将时间差作为对应停留区域的停留时间；选取停留时间大于预设的一时间阈值的停留区域，将当前选取的停留区域中停留次数最多的一停留区域作为夜间稳定停留地。本实施例中，时间阈值设置为60分钟。

S3：根据夜间稳定停留地信息识别起始出行行为，获得起始出行行为信息。

其中，S3步骤进一步包括步骤：

S31：获取每一用户在夜间稳定停留地停留时间后产生的手机信令数据；自手机信令数据中获取每条手机信令数据的空间位置信息，并按照时间顺序排列，获得每一用户的第二空间位置集合；

S32：按时间顺序自第二空间位置集合选取未被选取的一空间位置信息，并比较该空间位置信息与对应夜间稳定停留地之间的空间距离；

S33：如空间距离小于等于一第二距离阈值，返回步骤S32；如空间距离大于第二距离阈值，将当前空间位置信息和当前空间位置信息对应的时间信息作为对应用户的起始出行行为信息。本实施例汇总，第二距离阈值设置为2000米。

S4：根据起始出行行为信息计算获得出行特征指标。

其中，行特征指标包括：起始出行密度、起始出行方向集中度、中远距离出行占比和高峰时段起始出行比例。

本实施例中，起始出行密度指统计单元内出行总量与统计单元面积的比值，该指标均是对统计单元内起始出行发生量的描述；起始出行密度的表达式为：

Dens_i＝Num_i/Area_i (1)；

其中，Dens_i表示第i稳定停留地的起始出行密度；Num_i表示第i稳定停留地内的起始出行总量；Area_i表示第i稳定停留地的面积；

起始出行方向为起始出行行为信息中空间位置信息的移动方向；

起始出行方向集中度的表达式为：

ConRatio_i＝DirectNum_i/Num_i (2)；

本实施例中，将空间平面划分为八个方向，以稳定停留地为统计单元，分别汇总稳定停留地不同方向的出行量，并以出行量最多的一个方向作为当前稳定停留地的出行集中方向。

根据起始出行距离将用户的出行方式划分为短距离出行和中远距离出行，起始出行距离表示稳定停留地与拥堵发生地之间的空间距离。

出行距离影响居民出行方式的选择。短距离出行中，居民更倾向选择非机动方式；中远距离出行中，居民更倾向选择机动方式，如公共交通、私家车等。

关于确定短距离出行、中远距离出行：以上海市为例，参考《上海市综合交通调查报告》：步行、自行车、电(助)动车等主要承担近距离出行需求，平均出行距离4.1公里以内；公共汽车主要承担中等距离出行，平均出行距离约8.7公里；轨道交通主要承担中长距离出行，平均出行距离为18.3公里。对于私家车出行，在不同距离的出行中均会占据一定比例，但主要适应中长距离出行需求。由于手机数据识别出行距离为直线距离，而调查报告中出行距离为路线距离，直线系数取值1.4，据此确定，步行、自行车、电动车等方式主要适应直线距离3公里以下的短距离出行需求；公共汽车、公共电车等方式主要适应直线距离3-7公里的中等距离出行需求；轨道交通出行方式主要适应超过7公里的远距离出行需求；私家车方式可适应不同距离的居民出行，但在近距离出行中被选择概率较低。

计算中远距离出行占比：

LongDisRatio_i＝LongDis_i/Num_i (3)；

高峰时段起始出行比例指高峰时段发生起始出行人口数量占统计单元内居住人口数量的比例；高峰时段指每天早上7:00-9:00时间段。

高峰时段起始出行比例的表达式为：

PeakTRatio_i＝PeakTNum_i/PopNum_i (4)；

S5：根据出行特征指标识别获得目标城市的交通早高峰拥堵源头。

本步骤中，将出行特征指标按照每类25％的权重在目标城市的地图模型上进行叠加；根据叠加后的地图模型识别获得目标城市的交通早高峰拥堵源头。

另外，可根据叠加后的地图模型并按照拥堵的严重程度，将地图模型划分为多个区域；例如可划分为：非常严重区域、较严重区域、严重区域、一般区域。

例如，通过本方法对上海的城市交通早高峰拥堵源头进行识别，得到的统计结果如下：

非常严重区域：彭浦新村、宝山顾村；出行密度：5031.42人/km²；高峰时段出行比例：21.60％；远距离(7km)出行占比：19.34％；出行方向集中度：32.54％。

较严重区域：新江湾城、西郊东苑、七宝；出行密度：4476.88人/km²；高峰时段出行比例：22.88％；远距离(7km)出行占比：15.35％；出行方向集中度：34.33％。

严重区域：莘庄、提篮桥、金桥路；出行密度：3708.68人/km²；高峰时段出行比例：23.15％；远距离(7km)出行占比：17.70％；出行方向集中度：34.04％。

一般区域：出行密度：724.32人/km²；高峰时段出行比例：21.64％；远距离(7km)出行占比：11.43％；出行方向集中度：25.29％。

可见，非常严重区域：主要指彭浦新村、宝山顾村等位于城市外环线附近的大型居住区，生活群体主要为拆迁安置居民，居住人口密度非常高，但周边服务设施配置仍有不足，有一定比例居民工作在中心城区。早高峰时段内，远距离通勤出行密度较大。

较严重区域：主要有新江湾城居住区、西郊东苑、七宝老镇等居住区。居住人口较密集，周边服务设施配置较丰富，但由于城市中心强大的吸引力，仍有部分人群在中心城区工作。距离中心城区较远，较远的通勤距离对城市交通影响较大。

严重区域：主要指城市外环内居住区、莘庄区域，以及内环线附近提篮桥、金桥路等区域。与较严重区域相似，居住人口较密集，服务设施配置更加丰富，通勤压力主要来源于在中心城区的工作人群，但距离中心城区距离更小，所以交通压力较小。出行方向更加分散，但出行总量较大，对城市交通也会造成一定影响。

在上海市案例中，使用上海市地铁刷卡数据，对问题区识别结果进行了验证。计算早高峰时段内，各地铁站内刷卡进站人数，可以发现位于问题区域内的地铁站，如1号线彭浦新村、共康路、通河新村、莘庄、外环路、莲花路等，9号线七宝、九亭等，2号线淞虹路、13号线金运路、8号线市光路、嫩江路等，在高峰时段内，均有大量人群刷卡进站，由于地铁出行只是众多出行方式的一种，可以推测，上述问题区域内在高峰时段会有大量通勤出行产生，当出行人群在通勤途中或目的地汇聚时，便会造成严重拥堵，影响城市交通运行。可见手机数据识别结果具有一定准确性。

本发明实施例的一种基于手机信令的城市交通早高峰拥堵源头识别方法，具有如下有益效果：

1、考虑到手机信令数据信息记录机制属于被动式触发的固有缺陷，并不能完整的记录居民个体活动轨迹，本发明将数据分析对象限定为居民起始出行，设计识别算法，重点考虑居民起始出行行为的发生，而非关注起始出行活动的完成，提高了居民出行行为识别的准确性。

2、根据起始出行识别结果，提出了起始出行密度、起始出行方向集中度、起始出行距离、中远距离出行占比等四个指标。用以描述起始出行时空行为特征。

3、城市早高峰交通拥堵问题由来已久，近年来在交通技术改进、线路优化以及交通管理等方面，政府也投入了巨大的精力，通过大数据的应用，在识别交通拥堵、快速疏解拥堵等方面也取得了一定的成效。然而疏散拥堵只是治标不治本，并不能真正的解决交通拥堵问题。以上海为例，城市的交通拥堵区域虽然主要分布在中心城区，但是早高峰交通拥堵的成因并不在中心城区内，而是由于向中心城区方向，有大量远距离通勤行为发生，当通勤人群在中心城区内开始汇聚时，便不可避免的发生交通拥堵现象。本发明通过手机信令数据分析居民起始出行，进而识别目标城市范围内对城市早高峰交通问题有不同程度影响的区域，针对不同的问题区域，从城市规划和管理角度，提出相对应的对策建议。

如通过问题区识别，新江湾城、西郊东苑、以及七宝等区域属于四种问题区中的较严重区域。具体来看，其起始出行发生量相对较小，但在出行距离以及出行反向集中度方面问题更加严重。推断是由于从事某种特定行业，或供职于某大型单位的工作人群集中居住导致，针对此情况，在城市交通规划中，可以开通点对点专线运营班次，提升交通设施服务水平，解决特殊群体通勤出行需求。

以上结合附图实施例对本发明进行了详细说明，本领域中普通技术人员可根据上述说明对本发明做出种种变化例。因而，实施例中的某些细节不应构成对本发明的限定，本发明将以所附权利要求书界定的范围作为本发明的保护范围。

Claims

1.一种基于手机信令的城市交通早高峰拥堵源头识别方法，包括步骤：

S4：根据所述起始出行行为信息计算获得出行特征指标；

2.根据权利要求1所述的基于手机信令的城市交通早高峰拥堵源头识别方法，其特征在于，所述对所述手机信令数据进行降噪处理步骤包括清除数据漂移和清除乒乓切换干扰；

3.根据权利要求2所述的基于手机信令的城市交通早高峰拥堵源头识别方法，其特征在于，所述速度阈值为30m/s；所述第一时间为60s。

4.根据权利要求2所述的基于手机信令的城市交通早高峰拥堵源头识别方法，其特征在于，所述S2步骤中：设置一夜间稳定停留时间段；对所述夜间稳定停留时间段内产生的手机信令数据的空间位置进行空间聚类；根据所述空间聚类结果识别获得夜间活动核心区域，将所述夜间活动核心区域作为所述夜间稳定停留地。

5.根据权利要求4所述的基于手机信令的城市交通早高峰拥堵源头识别方法，其特征在于，所述S2步骤进一步包括步骤：

6.根据权利要求5所述的基于手机信令的城市交通早高峰拥堵源头识别方法，其特征在于，所述S3步骤进一步包括步骤：

7.根据权利要求6所述的基于手机信令的城市交通早高峰拥堵源头识别方法，其特征在于，所述行特征指标包括：起始出行密度、起始出行方向集中度、中远距离出行占比和高峰时段起始出行比例。

8.根据权利要求7所述的基于手机信令的城市交通早高峰拥堵源头识别方法，其特征在于，所述起始出行密度的表达式为：

Dens_i＝Num_i/Area_i (1)；

所述起始出行方向集中度的表达式为：

ConRatio_i＝DirectNum_i/Num_i (2)；

计算中远距离出行占比：

LongDisRatio_i＝LongDis_i/Num_i (3)；

所述高峰时段起始出行比例的表达式为：

PeakTRatio_i＝PeakTNum_i/PopNum_i (4)；

9.根据权利要求8所述的基于手机信令的城市交通早高峰拥堵源头识别方法，其特征在于，所述S5步骤中，将所述出行特征指标按照每类25％的权重在所述目标城市的地图模型上进行叠加；根据叠加后的所述地图模型识别获得所述目标城市的交通早高峰拥堵源头。

10.根据权利要求9所述的基于手机信令的城市交通早高峰拥堵源头识别方法，其特征在于，所述S5步骤中还包括步骤：根据叠加后的所述地图模型并按照拥堵的严重程度，将所述地图模型划分为多个区域。