CN113891252B - 基于手机信令数据的轨道客流全程od提取方法及系统 - Google Patents
基于手机信令数据的轨道客流全程od提取方法及系统 Download PDFInfo
- Publication number
- CN113891252B CN113891252B CN202111100934.9A CN202111100934A CN113891252B CN 113891252 B CN113891252 B CN 113891252B CN 202111100934 A CN202111100934 A CN 202111100934A CN 113891252 B CN113891252 B CN 113891252B
- Authority
- CN
- China
- Prior art keywords
- time
- point
- mobile phone
- data
- travel
- 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
- 230000011664 signaling Effects 0.000 title claims abstract description 76
- 238000000605 extraction Methods 0.000 title claims description 14
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000012546 transfer Methods 0.000 claims abstract description 8
- 230000000694 effects Effects 0.000 claims abstract description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 238000012544 monitoring process Methods 0.000 claims description 21
- 238000007667 floating Methods 0.000 claims description 18
- 238000010295 mobile communication Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000013508 migration Methods 0.000 claims description 7
- 230000005012 migration Effects 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 6
- 230000002354 daily effect Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 230000006854 communication Effects 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 3
- 238000005206 flow analysis Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000007781 signaling event Effects 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/025—Services making use of location information using location based information parameters
- H04W4/027—Services making use of location information using location based information parameters using movement velocity, acceleration information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/20—Services signaling; Auxiliary data signalling, i.e. transmitting data via a non-traffic channel
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请涉及基于手机信令数据的轨道客流全程OD提取方法及系统,包括:对手机信令数据进行预处理;根据预处理后的手机信令数据,结合移动基站网络分布的空间地理位置数据,得到用户的移动、停留的时间空间特征数据;利用所述用户的移动、停留的时间空间特征数据,分析用户的出行情况;以及,根据所述出行情况确定用户轨道出行的起点、进站点、换乘点、出站点、目的地的全程OD出行链数据;本申请具有通过信令数据与运营商基站位置信息的关联与匹配,将用户发生信令事件时刻的位置空间化、定量化,从而获取其具有时序特征的空间轨迹信息,从而使得交通客流统计更加准确的效果。
Description
技术领域
本申请涉及交通规划技术的领域,尤其是涉及基于手机信令数据的轨道客流全程OD提取方法及系统。
背景技术
随着城镇化、机动化的发展,城市间空间联系加强,城市的流动人口数量逐年增多。流动人口在反应城市吸引力的同时,也增大了城市交通系统的负荷,尤其节假日期间流动人口的超大客流量可能超出城市交通系统承载力。流动人口对于城市的对外交通规划、交通方式整合、大客流时交通疏导都有很大影响。因此,识别流动人口并分析其出行特性具有重要的意义。针对传统调查方法具有成本高、样本量小、周期长等局限性,手机信令数据作为一种具有时间、空间多维属性,实时且样本量大的数据,在流动人口出行时空分布特征提取分析方面具有很大的优势。
轨道交通初步网络形式,线网客流量急剧攀升,由于缺乏轨道乘客路径的追踪采集手段,现状轨道交通客流统计参照经验模型推测存在一定误差。
发明内容
为了解决现状轨道交通客流统计参照经验模型推测存在一定误差的问题,本申请提供一种基于手机信令数据的轨道客流全程OD提取方法及系统。
第一方面,本申请提供的一种基于手机信令数据的轨道客流全程OD提取方法,采用如下的技术方案:
一种基于手机信令数据的轨道客流全程OD提取方法,包括:
对手机信令数据进行预处理;
根据预处理后的手机信令数据,结合移动基站网络分布的空间地理位置数据,得到用户的移动、停留的时间空间特征数据;
利用所述用户的移动、停留的时间空间特征数据,分析用户的出行情况;以及,
根据所述出行情况确定用户轨道出行的起点、进站点、换乘点、出站点、目的地的全程OD出行链数据。
通过采用上述技术方案,对信令数据进行必要的清洗和预处理,减少冗余无效数据、噪声数据对计算的影响,通过信令数据与运营商基站位置信息的关联与匹配,将用户发生信令事件时刻的位置空间化、定量化,从而获取其具有时序特征的空间轨迹信息,从而使得交通客流统计更加准确。
优选的,所述对手机信令数据进行预处理的步骤包括:
对手机信令数据进行清洗,剔除非法数据和重复数据;
其中,非法数据包括手机通信过程中由于触发失败产生的信令数据、短时间内基站相同的两条信令记录之间的虚假切换数据以及瞬时移动速度大于预设速度阈值的漂移数据。
通过采用上述技术方案,减少冗余无效数据、噪声数据对计算的影响,使得计算结果更加精确,便于对交通客流的统计。
优选的,通过基于网格路径的OD识别算法和轨道交通进出换乘识别算法,确定用户轨道出行的起点、进站点、换乘点、出站点、目的地的全程OD出行链数据的步骤包括:
筛选出经过其中一个对外交通枢纽范围的所有迁移路径数据;
基于所述迁移路径数据计算当前轨迹点停留时间以及当前轨迹点与上一轨迹点的距离差,根据所述停留时间以及距离差确定轨迹点状态,其中,轨迹点状态包括停驻点和活动点;
计算连续停驻同一轨迹点的最大时间差,并将最大时间差与出行时间阈值进行比较,根据比较结果识别客流OD出行情况。
通过采用上述技术方案,根据距离差和停留时间判断停驻点,通过时间差和出行速度识别客流OD,并实时进行记录,能够快速并且准确地统计用户出行情况。
优选的,基于所述迁移路径数据计算当前轨迹点停留时间和上一轨迹点的距离差,根据所述当前轨迹点停留时间以及上一轨迹点的距离差确定轨迹点状态步骤具体包括:
当所述停留时间大于时间阈值,所述距离差大于距离阈值时,识别当前轨迹点为停驻点;当所述停留时间大于时间阈值,所述距离差小于距离阈值,且上一轨迹点为停驻点时,识别当前轨迹点加入上一停驻点集;当所述停留时间大于时间阈值,所述距离差小于距离阈值,且上一轨迹点为暂定活动点时,识别上一轨迹点和当前轨迹点识别为停驻点;
当所述停留时间小于时间阈值,所述距离差大于距离阈值,且上一轨迹点为停驻点时,识别当前轨迹点为暂定活动点;当停留时间小于时间阈值,距离差大于距离阈值,且上一轨迹点为暂定活动点时,识别上一轨迹点为活动点,识别当前轨迹点为暂定活动点;
当停留时间小于时间阈值,距离差小于距离阈值,且上一轨迹点为停驻点时,识别当前轨迹点为暂定活动点;当停留时间小于时间阈值,距离差小于距离阈值,且上一轨迹点为暂定活动点时,识别上一轨迹点为活动点,识别当前轨迹点为暂定活动点。
通过采用上述技术方案,根据距离差和停留时间判断停驻点,并实时进行记录,能够快速并且准确地统计用户出行情况。
优选的,所述计算连续停驻同一轨迹点的最大时间差,并将最大时间差与出行时间阈值进行比较,根据比较结果识别客流OD出行情况步骤具体包括:
当最大时间差小于出行时间阈值时,判定所述连续停驻同一轨迹点为短出行;
当最大时间差大于出行时间阈值时,对所述连续停驻同一轨迹点进行聚类分析,停驻点的开始时间为上一次出行的到达时间,停驻点集的结束时间为本次出行的出发时间,停驻点集中出现频率最高的基站小区作为起讫点位置,由此可计算相邻OD点之间的出行速度,出行速度在设定的速度范围内,则识别为一对客流OD出行,否则剔除该组数据。
通过采用上述技术方案,根据时间差和出行速度选择对客流OD进行识或者剔除数据,能够减少无效数据对停机的影响。
优选的,对所有旅客的停留时间阈值进行判断从而计算出全日客流,用于区分有乘车行为的用户和经停过站的用户。
通过采用上述技术方案,根据每个用户在该基站下的停留时间长短,通过长期的统计分析来进行判断居住人群和工作人群两类,从而准确判断区域内的常驻人群属性。
优选的,对所有旅客的停留时间阈值进行判断具体包括,
对不同时段进行划分;
对所有手机用户在不同基站下的停留时间进行统计;
根据时段和停留时间对常驻人群进行判断;
统计常驻人群并计算出交通区域的全日客流量。
通过采用上述技术方案,根据每个用户在该基站下的停留时间长短,通过长期的统计分析来进行判断居住人群和工作人群两类,从而准确判断区域内的常驻人群属性。
优选的,利用用户的移动、停留的时间空间特征数据,分析用户的居住地、工作地、以及出行情况的步骤包括:
基于移动通信网络信号覆盖和校核线空间位置分布,利用手机信令算法技术分析挖掘校核线穿越客流时空分布情况,具体包括以下步骤:
根据需要分析的校核线分段断面所在具体位置,建立校核线两侧道路交通网络与移动通信网络信号覆盖的相互映射关系;
将各个手机用户在移动通信网络中的出行轨迹,映射至道路交通网络;
判断该手机用户是否跨越某个校核线断面,并记录该手机用户所跨越校核线断面的时间和编号;
统计每天不同时段,跨越各个校核线分段断面的手机用户数量,即为校核线手机客流。
通过采用上述技术方案,用手机信令算法技术分析挖掘校核线穿越客流时空分布情况,从而统计出同一时间段一个站点所接收到的信令数据。
优选的,利用用户的移动、停留的时间空间特征数据,分析用户的居住地、工作地、以及出行情况的步骤包括,对流动人口及居住地的识别:
从原始数据提取停留位置,计算某用户每天的活动时间;
计算单日出现时间大于3h的天数,如果小于分析周期的三分之一天数则识别为流动人口;
计算该用户当天在20点至次日6点在每个停驻点的累计停留时间,将累计停留时间最长的停驻点判定为该用户夜间居住地。
通过采用上述技术方案,判断流动人口和常驻人口,从而根据流动人口和常驻人口的比例统计轨道客流的情况,便于更精确地分析客流量。
第二方面,本申请提供一种基于手机信令数据的轨道客流全程OD提取系统,采用如下的技术方案:
一种基于手机信令数据的轨道客流全程OD提取系统,所述系统包括:监控模块、存储器和处理器,所述监控模块用于监控并接收手机信令数据,所述存储器用于存储接收到的手机信令数据,所述处理器包括比较模块和输出模块;
比较模块:将接收到的手机信令数据与数据库内的数据进行比较,分析比较结果;
输出模块:根据分析的结果输出OD出行链数据;
所述监控模块、存储器和处理器依次连接。
通过采用上述技术方案,监控模块对手机信令数据进行实时接收并存放在存储器内,处理器对手机信令数据进行处理得到OD出行链数据,从而获取其具有时序特征的空间轨迹信息,使得交通客流统计更加准确。
综上所述,本申请包括以下至少一种有益技术效果:
1.通过信令数据与运营商基站位置信息的关联与匹配,将用户发生信令事件时刻的位置空间化、定量化,从而获取其具有时序特征的空间轨迹信息,使得交通客流统计更加准确;
2.根据距离差和停留时间判断停驻点,通过时间差和出行速度识别客流OD,并实时进行记录,能够快速并且准确地统计用户出行情况。
附图说明
图1是本申请实施例中轨道客流全程OD提取方法的流程图。
图2是本申请实施例中基于网络路径的OD识别算法的流程图。
图3是本申请实施例中穿越核查线客流分析算法的流程图。
图4是本申请实施例中轨道客流全程OD提取系统的结构框图。
附图标记说明:1、监控模块;2、储存器;3、处理器;31、比较模块;32、输出模块。
具体实施方式
以下结合附图1-4对本申请作进一步详细说明。
实施例1:
本申请实施例公开一种基于手机信令数据的轨道客流全程OD提取方法。
参照图1,一种基于手机信令数据的轨道客流全程OD提取方法包括:
S10,对手机信令数据进行预处理;
S20, 根据预处理后的手机信令数据,结合移动基站网络分布的空间地理位置数据,得到用户的移动、停留的时间空间特征数据;
S30, 利用所述用户的移动、停留的时间空间特征数据,分析用户的出行情况;
S40,根据所述出行情况确定用户轨道出行的起点、进站点、换乘点、出站点、目的地的全程OD出行链数据。
S10中的预处理包括:删除重复记录、无效事件数据项清洗、乒乓数据预处理和漂移数据过滤。
删除重复记录:在初始手机信令数据库里会存在重复记录,在数据处理时会增加计算量,同时还会增加无效样本量,导致计算结果出现偏差,因此,对于重复记录进行去重,保留其中一条数据。
无效事件数据项清洗:手机通信过程中会产生一些由于触发失败的信令数据,这些信令记录所反应的位置信息可能并非用户的实际真实位置,为避免错误位置影响数据识别,需要对这些记录进行清洗。具体的,触发失败的信令事件类型(即需要清洗过滤的记录)主要有主叫失败、被叫失败、发送短信失败、接收短信失败、正常位置更新失败、周期性位置更新失败等。数据清洗过滤后,保留的主要事件类型包括位置更新、语音、通话、正常的切换、开关机等。其中,清洗工作中无效事件记录约占0.2%。
乒乓数据预处理:移动通信网络的切换控制策略采用了硬切换的机制,为保证手机用户接收信号的稳定性,手机与基站的联系会随着与基站之间信号变弱或变强进行切换选择信号较优的基站建立联系,即使手机用户实际位置未发生移动,也会因为与基站间联系信号的强弱发生切换,这种手机用户在短时间内多次在周边两个及以上的基站之间来回切换记录的数据称为乒乓数据。乒乓数据对客流OD分析的影响非常大,会增加大量无效的OD量,导致分析结果不可靠,甚至无法使用。
具体的,设置基站A和基站B,在短时间内信令记录连续从基站A切换到基站B又切换到基站A的信令序列,可以认为该用户并未产生有意义的空间移动,可以将该时间段内基站相同的两条信令记录之间的其它信令记录认定为虚假切换,加以删除。
漂移数据过滤:漂移数据是指在信令记录中手机信号突然从邻近的基站切换到相对较远的基站,并在一定时间内切换回邻近基站,从信令记录中反应出来是长距离短时间快速移动现象,根据信令位置距离与切换时间计算得到的位移速度来判断,从而过滤掉瞬时移动速度过大的信令记录。
S40中,为了保证为手机用户提供连续的移动通信服务,移动通信网络信号尽量覆盖到城市空间上每一片区域。移动通信网络信号覆盖逻辑上设计成由若干正六边形的基站小区相互邻接而构成的面状服务区,从而以最小的成本为更多用户提供服务,并且确保手机用户总是与其中某一个基站小区保持联系。移动通信网络能够定期或不定期地主动或被动地记录手机用户时间序列的基站小区编号。
利用移动运营商提供的手机信令数据,结合移动基站网络分布的空间地理位置数据,可以将单个手机用户的移动轨迹空间化、定量化。在此基础上,利用用户的移动、停留的时间空间特征数据,分析用户的居住地、工作地、以及出行情况,包括夜间居住地点、白天工作地点、出行次数、时间、大致轨迹,为算法研究提供基础。
参照图2,S40包括:
S41,基于网络路径的OD识别算法,将记载的轨迹点分为停驻点和活动点,从而分析基站小区的OD;
S42,基于穿越核查线客流分析算法,利用手机信令算法技术分析挖掘校核线穿越客流时空分布情况;
S43,基于流动人口及居住地识别方法,根据单日出现时间判断是否为流动人口;
S44,基于全日客流识别算法,对所有旅客的停留时间阈值进行判断,即区分有乘车行为的用户和经停过站的用户。
S41包括:
S411, 筛选出经过某个对外交通枢纽范围的所有迁移路径记录,即将每个用户当做一个轨迹点进行记录,轨迹点状态分为停驻点和活动点两种,每个用户的初始轨迹点识别为停驻点;
S412,对轨迹点状态进行识别,计算当前轨迹点停留时间和上一轨迹点的距离差,
如果该停留时间大于时间阈值,且该距离差大于距离阈值,则识别当前轨迹点为新的停驻点;如果该停留时间大于时间阈值,且该距离差小于距离阈值,且上一轨迹点为停驻点,则识别当前轨迹点加入上一停驻点集;如果该停留时间大于时间阈值,且该距离差小于距离阈值,且上一轨迹点为暂定为活动点,则识别上一轨迹点和当前轨迹点识别为新的停驻点;
如果该停留时间小于时间阈值,且该距离差大于距离阈值,且上一轨迹点为停驻点,则识别当前轨迹点识别为暂定为活动点;如果该停留时间小于时间阈值,且该距离差大于距离阈值,且上一轨迹点为暂定为活动点,则识别上一轨迹点为活动点,当前轨迹点识别为暂定为活动点;
如果该停留时间小于时间阈值,且该距离差小于距离阈值,且上一轨迹点为停驻点,则识别当前轨迹点识别为暂定为活动点;如果该停留时间小于时间阈值,且该距离差小于距离阈值,且上一轨迹点为暂定为活动点,则识别上一轨迹点为活动点,当前轨迹点识别为暂定为活动点;
S413,计算连续停驻同一点的最大时间差,最大时间差为同一轨迹点停驻的时间;
S414,如果最大时间差小于出行时间阈值,则判定该系列连续停驻点为短出行;
S415,如果最大时间差大于出行时间阈值,对连续停驻点进行聚类分析,停驻点的开始时间为上一次出行的到达时间,停驻点集的结束时间为本次出行的出发时间,停驻点集中出现频率最高的基站小区作为起讫点位置,由此可计算相邻OD点之间的出行速度,如果出行速度在设定的速度范围内,那么识别为一对客流OD出行,否则剔除该组数据;
S416,读取下条迁移路径数据,重复步骤S412~S415。
S42包括:
参照图3,基于移动通信网络信号覆盖和校核线空间位置分布,利用手机信令算法技术分析挖掘校核线穿越客流时空分布情况。具体分析方法如下:
S421,根据需要分析的校核线分段断面所在具体位置,建立校核线两侧道路交通网络与移动通信网络信号覆盖的相互映射关系。
S422,将各个手机用户在移动通信网络中的出行轨迹,映射至道路交通网络,分析其是否跨越了某个校核线分段断面,记录所跨越校核线断面的编号以及跨越断面的时刻。
S423,在校核线断面附近的一些区域,可能用时处于多个基站小区的覆盖范围内而时常产生信号的漂移,从而导致同一个用户多次、来回穿越校核线的记录。对这部分信令记录目前采取设置buff带的方法进行去噪:在处于距离校核线左右各一定宽度区域内的基站记录数据进行过滤。而buff带的宽度设置则视校核线所处地段基站密度有关,如内环线基站密度较大,buff带宽度取100米,外环线基站密度较小,buff带宽度取400米
S424,统计每天不同时段,跨越各个校核线分段断面的手机用户数量,即为校核线手机客流。
S43包括:
流动人员定义为单日出现时间大于3h的天数小于分析周期的三分之一天数。流动人口及其日居住地识别算法流程:
S431,从原始数据提取停留位置,计算某用户每天的活动时间;
S432,计算单日出现时间大于3h的天数,如果小于分析周期的三分之一天数则识别为流动人口;
S433,计算该用户当天在20点至次日6点在每个停驻点的累计停留时间,将累计停留时间最长的停驻点判定为该用户夜间居住地。
S44包括:
交通区域的常驻人群主要包括居住人群和工作人群两类,为了准确判断区域内的常驻人群属性,根据每个用户在该基站下的停留时间长短,通过长期的统计分析来进行判断,具体如下
S441,划分时段。将周一至周五8:00—18:00定义为工作时间,其他时间包括周一至周五的19:00—次日7:00和周六、周日的全天划分为非工作时间。
S442,停留时间统计。以一个月为更新周期,分别对工作时间和非工作时间两个时段所有手机用户在不同基站下的停留时间进行统计,然后按用户累计停留时间的长短对基站进行排序,分别筛选出用户在工作时间和非工作时间中累计停留时间排名第一的基站。
S443,常驻人群判断。判断累计时间排名第一的基站是否是区域监测区域内的基站:如果用户在工作时间中累计停留时间排名第一的基站是监测区域内的基站,则给该用户打上工作人群的标签;如果用户在非工作时间中累计停留时间排名第一的基站是监测区域内的基站,则给该用户打上居住人群的标签。
S444,常驻人群统计。对于已经判断且标记的手机用户,当出现在区域监测区域内时,则将该用户统计到实时常驻人群数量中。通过以上分析,可准确计算出交通区域的全日客流量。
实施例2:
一种基于手机信令数据的轨道客流全程OD提取系统。
参照图4,一种基于手机信令数据的轨道客流全程OD提取系统包括监控模块1、存储器2和处理器3,监控模块1、存储器2和处理器3依次连接。监控模块1的设置,便于对手机信令数据进行实时监控,并将手机信令数据存储在存储器2内。处理器3包括比较模块31和输出模块32,具体的,比较模块31用于将接收到的手机信令数据与数据库内的设定的阈值进行比较,从而得到所需的结果。输出模块32用于根据分析的结果输出OD出行链数据,从而获取其具有时序特征的空间轨迹信息,使得交通客流统计更加准确。
以上均为本申请的较佳实施例,并非依此限制本申请的保护范围,故:凡依本申请的结构、形状、原理所做的等效变化,均应涵盖于本申请的保护范围之内。
Claims (8)
1.一种基于手机信令数据的轨道客流全程OD提取方法,其特征在于,包括:
对手机信令数据进行预处理;
根据预处理后的手机信令数据,结合移动基站网络分布的空间地理位置数据,得到用户的移动、停留的时间空间特征数据;
利用所述用户的移动、停留的时间空间特征数据,分析用户的出行情况;以及,
根据所述出行情况确定用户轨道出行的起点、进站点、换乘点、出站点、目的地的全程OD出行链数据;
所述根据所述出行情况确定用户轨道出行的起点、进站点、换乘点、出站点、目的地的全程OD出行链数据,具体包括:
基于网络路径的OD识别算法,将记载的轨迹点分为停驻点和活动点,从而分析基站小区的OD;
基于穿越核查线客流分析算法,利用手机信令算法技术分析挖掘校核线穿越客流时空分布情况;
基于流动人口及居住地识别方法,根据单日出现时间判断是否为流动人口;
基于全日客流识别算法,对所有旅客的停留时间阈值进行判断,即区分有乘车行为的用户和经停过站的用户;
基于移动通信网络信号覆盖和校核线空间位置分布,利用手机信令算法技术分析挖掘校核线穿越客流时空分布情况,具体分析方法如下:
根据需要分析的校核线分段断面所在具体位置,建立校核线两侧道路交通网络与移动通信网络信号覆盖的相互映射关系;
各个手机用户在移动通信网络中的出行轨迹,映射至道路交通网络,分析其是否跨越了某个校核线分段断面,记录所跨越校核线断面的编号以及跨越断面的时刻;
在校核线断面附近的一些区域,可能用时处于多个基站小区的覆盖范围内而时常产生信号的漂移,从而导致同一个用户多次、来回穿越校核线的记录,对这部分信令记录目前采取设置buff带的方法进行去噪:在处于距离校核线左右各一定宽度区域内的基站记录数据进行过滤,而buff带的宽度设置则视校核线所处地段基站密度有关,内环线基站密度较大,buff带宽度取100米,外环线基站密度较小,buff带宽度取400米;
统计每天不同时段,跨越各个校核线分段断面的手机用户数量,即为校核线手机客流;
利用用户的移动、停留的时间空间特征数据,分析用户的居住地、工作地、以及出行情况的步骤包括,对流动人口及居住地的识别:
从原始数据提取停留位置,计算某用户每天的活动时间;
计算单日出现时间大于3h的天数,如果小于分析周期的三分之一天数则识别为流动人口;
计算该用户当天在20点至次日6点在每个停驻点的累计停留时间,将累计停留时间最长的停驻点判定为该用户夜间居住地;
所述基于全日客流识别算法,对所有旅客的停留时间阈值进行判断,即区分有乘车行为的用户和经停过站的用户,具体包括以下步骤:
将周一至周五8:00—18:00定义为工作时间,周一至周五的19:00—次日7:00和周六、周日的全天划分为非工作时间;
以一个月为更新周期,分别对工作时间和非工作时间两个时段所有手机用户在不同基站下的停留时间进行统计,然后按用户累计停留时间的长短对基站进行排序,分别筛选出用户在工作时间和非工作时间中累计停留时间排名第一的基站;
判断累计时间排名第一的基站是否是区域监测区域内的基站:如果用户在工作时间中累计停留时间排名第一的基站是监测区域内的基站,则给该用户打上工作人群的标签;如果用户在非工作时间中累计停留时间排名第一的基站是监测区域内的基站,则给该用户打上居住人群的标签;
对于已经判断且标记的手机用户,当出现在区域监测区域内时,则将该用户统计到实时常驻人群数量中。
2.根据权利要求1所述的一种基于手机信令数据的轨道客流全程OD提取方法,其特征在于,所述对手机信令数据进行预处理的步骤包括:
对手机信令数据进行清洗,剔除非法数据和重复数据;
其中,非法数据包括手机通信过程中由于触发失败产生的信令数据、短时间内基站相同的两条信令记录之间的虚假切换数据以及瞬时移动速度大于预设速度阈值的漂移数据。
3.根据权利要求1所述的一种基于手机信令数据的轨道客流全程OD提取方法,其特征在于,通过基于网格路径的OD识别算法和轨道交通进出换乘识别算法,确定用户轨道出行的起点、进站点、换乘点、出站点、目的地的全程OD出行链数据的步骤包括:
筛选出经过其中一个对外交通枢纽范围的所有迁移路径数据;
基于所述迁移路径数据计算当前轨迹点停留时间以及当前轨迹点与上一轨迹点的距离差,根据所述停留时间以及距离差确定轨迹点状态,其中,轨迹点状态包括停驻点和活动点;
计算连续停驻同一轨迹点的最大时间差,并将最大时间差与出行时间阈值进行比较,根据比较结果识别客流OD出行情况。
4.根据权利要求3所述的一种基于手机信令数据的轨道客流全程OD提取方法,其特征在于,基于所述迁移路径数据计算当前轨迹点停留时间和上一轨迹点的距离差,根据所述当前轨迹点停留时间以及上一轨迹点的距离差确定轨迹点状态步骤具体包括:
当所述停留时间大于时间阈值,所述距离差大于距离阈值时,识别当前轨迹点为停驻点;当所述停留时间大于时间阈值,所述距离差小于距离阈值,且上一轨迹点为停驻点时,识别当前轨迹点加入上一停驻点集;当所述停留时间大于时间阈值,所述距离差小于距离阈值,且上一轨迹点为暂定活动点时,识别上一轨迹点和当前轨迹点识别为停驻点;
当所述停留时间小于时间阈值,所述距离差大于距离阈值,且上一轨迹点为停驻点时,识别当前轨迹点为暂定活动点;当停留时间小于时间阈值,距离差大于距离阈值,且上一轨迹点为暂定活动点时,识别上一轨迹点为活动点,识别当前轨迹点为暂定活动点;
当停留时间小于时间阈值,距离差小于距离阈值,且上一轨迹点为停驻点时,识别当前轨迹点为暂定活动点;当停留时间小于时间阈值,距离差小于距离阈值,且上一轨迹点为暂定活动点时,识别上一轨迹点为活动点,识别当前轨迹点为暂定活动点。
5.根据权利要求3所述的一种基于手机信令数据的轨道客流全程OD提取方法,其特征在于,所述计算连续停驻同一轨迹点的最大时间差,并将最大时间差与出行时间阈值进行比较,根据比较结果识别客流OD出行情况步骤具体包括:
当最大时间差小于出行时间阈值时,判定所述连续停驻同一轨迹点为短出行;
当最大时间差大于出行时间阈值时,对所述连续停驻同一轨迹点进行聚类分析,停驻点的开始时间为上一次出行的到达时间,停驻点集的结束时间为本次出行的出发时间,停驻点集中出现频率最高的基站小区作为起讫点位置,由此可计算相邻OD点之间的出行速度,出行速度在设定的速度范围内,则识别为一对客流OD出行,否则剔除该组数据。
6.根据权利要求4所述的一种基于手机信令数据的轨道客流全程OD提取方法,其特征在于,对所有旅客的停留时间阈值进行判断从而计算出全日客流,用于区分有乘车行为的用户和经停过站的用户。
7.根据权利要求6所述的一种基于手机信令数据的轨道客流全程OD提取方法,其特征在于,对所有旅客的停留时间阈值进行判断具体包括,
对不同时段进行划分;
对所有手机用户在不同基站下的停留时间进行统计;
根据时段和停留时间对常驻人群进行判断;
统计常驻人群并计算出交通区域的全日客流量。
8.一种基于手机信令数据的轨道客流全程OD提取系统,所述系统基于权利要求1至7中任一所述的一种基于手机信令数据的轨道客流全程OD提取方法,其特征在于,所述系统包括:监控模块(1)、存储器(2)和处理器(3),所述监控模块(1)用于监控并接收手机信令数据,所述存储器(2)用于存储接收到的手机信令数据,所述处理器(3)包括比较模块(31)和输出模块(32);
比较模块(31):将接收到的手机信令数据与数据库内的数据进行比较,分析比较结果;
输出模块(32):根据分析的结果输出OD出行链数据;
所述监控模块(1)、存储器(2)和处理器(3)依次连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111100934.9A CN113891252B (zh) | 2021-09-18 | 2021-09-18 | 基于手机信令数据的轨道客流全程od提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111100934.9A CN113891252B (zh) | 2021-09-18 | 2021-09-18 | 基于手机信令数据的轨道客流全程od提取方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113891252A CN113891252A (zh) | 2022-01-04 |
CN113891252B true CN113891252B (zh) | 2024-02-02 |
Family
ID=79010035
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111100934.9A Active CN113891252B (zh) | 2021-09-18 | 2021-09-18 | 基于手机信令数据的轨道客流全程od提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113891252B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115086878B (zh) * | 2022-08-02 | 2023-04-28 | 北京融信数联科技有限公司 | 基于手机信令的用户行动轨迹获取方法、系统和存储介质 |
CN115086879B (zh) * | 2022-08-22 | 2022-12-16 | 广州市城市规划勘测设计研究院 | 轨道交通站客流特征及接驳方式的识别方法、装置及设备 |
CN115510056B (zh) * | 2022-08-26 | 2023-10-13 | 中国信息通信研究院 | 一种利用手机信令数据进行宏观经济分析的数据处理系统 |
CN115599878B (zh) * | 2022-10-27 | 2023-06-13 | 广州市交通规划研究院有限公司 | 一种基于手机定位数据的地铁优势腹地出行链生成方法 |
CN116579628B (zh) * | 2023-05-15 | 2024-02-02 | 中国地铁工程咨询有限责任公司 | 轨道交通网络出行方向一致性评估方法、装置及设备 |
CN116744237B (zh) * | 2023-08-15 | 2023-10-10 | 中移(苏州)软件技术有限公司 | 数据确定方法、装置、设备及介质 |
CN116980845B (zh) * | 2023-09-18 | 2023-12-26 | 天津市城市规划设计研究总院有限公司 | 一种从手机信令数据中提取铁路乘客出行链信息的方法 |
CN117596551B (zh) * | 2024-01-19 | 2024-04-09 | 浙江大学建筑设计研究院有限公司 | 一种基于手机信令数据的绿道网用户行为还原方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109583640A (zh) * | 2018-11-23 | 2019-04-05 | 东南大学 | 一种基于多源定位数据的城市出行客流属性识别方法 |
CN111464950A (zh) * | 2020-03-31 | 2020-07-28 | 天津市城市规划设计研究院 | 一种使用手机信令数据提取出行停驻点的方法 |
CN112686466A (zh) * | 2021-01-12 | 2021-04-20 | 北京交通发展研究院 | 地铁乘客的路径确认方法及装置 |
CN113256987A (zh) * | 2021-06-30 | 2021-08-13 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于多源数据融合的居民出行链生成方法及共乘查询方法 |
-
2021
- 2021-09-18 CN CN202111100934.9A patent/CN113891252B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109583640A (zh) * | 2018-11-23 | 2019-04-05 | 东南大学 | 一种基于多源定位数据的城市出行客流属性识别方法 |
CN111464950A (zh) * | 2020-03-31 | 2020-07-28 | 天津市城市规划设计研究院 | 一种使用手机信令数据提取出行停驻点的方法 |
CN112686466A (zh) * | 2021-01-12 | 2021-04-20 | 北京交通发展研究院 | 地铁乘客的路径确认方法及装置 |
CN113256987A (zh) * | 2021-06-30 | 2021-08-13 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于多源数据融合的居民出行链生成方法及共乘查询方法 |
Non-Patent Citations (2)
Title |
---|
基于手机信令数据的苏州市域职住空间和通勤出行分析;邹戴晓等;《现代城市研究》;第1节 * |
基于无线通信网络的人员出行信息分析系统设计与应用;刘杰;胡显标;傅丹丹;陈明威;;公路交通科技(S1);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113891252A (zh) | 2022-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113891252B (zh) | 基于手机信令数据的轨道客流全程od提取方法及系统 | |
CN110113718B (zh) | 一种基于手机信令数据的铁路交通枢纽人口类型识别方法 | |
CN109035770B (zh) | 一种大数据环境下公交载客量实时分析预测方法 | |
CN111681421B (zh) | 基于手机信令数据的对外客运枢纽集疏空间分布分析方法 | |
Caceres et al. | Review of traffic data estimations extracted from cellular networks | |
Caceres et al. | Traffic flow estimation models using cellular phone data | |
CN102460534B (zh) | 基于历史和当前数据预测期望道路交通状况的计算机实现的方法和计算系统 | |
Cui et al. | Identifying mismatch between urban travel demand and transport network services using GPS data: A case study in the fast growing Chinese city of Harbin | |
US8560361B2 (en) | Predicting dynamic transportation demand with mobility data | |
CN108650632A (zh) | 一种基于职住对应关系和时空间核聚类的驻点判断方法 | |
CN106570184A (zh) | 从手机信令数据提取游憩‑居住联系数据集的方法 | |
Wang et al. | Estimating dynamic origin-destination data and travel demand using cell phone network data | |
CN111615054A (zh) | 人口分析方法及装置 | |
CN111464950B (zh) | 一种使用手机信令数据提取出行停驻点的方法 | |
CN101430829B (zh) | 一种基于gsm数据网进行交通疏导的方法及系统 | |
CN103748621A (zh) | 用于收集交通数据的方法和系统 | |
CN110351664B (zh) | 基于手机信令的用户活动空间识别方法 | |
JP2008146249A (ja) | プローブデータ解析システム | |
CN105070057A (zh) | 一种道路实时路况的监测方法 | |
Breyer et al. | Comparative analysis of travel patterns from cellular network data and an urban travel demand model | |
CN109672986A (zh) | 一种时空大数据分析系统 | |
CN115866547A (zh) | 基于信令数据的固定区域游客统计方法、系统和存储介质 | |
CN112800348B (zh) | 一种基于手机信令大数据的旅游行为识别方法 | |
CN113901109A (zh) | 城际公路客货车出行方式总人数及时间分布的计算方法 | |
Naboulsi et al. | Human mobility flows in the city of Abidjan |
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 |