CN114466313A - 一种基于手机信令数据的城际出行扩样方法 - Google Patents

一种基于手机信令数据的城际出行扩样方法 Download PDF

Info

Publication number
CN114466313A
CN114466313A CN202210104143.1A CN202210104143A CN114466313A CN 114466313 A CN114466313 A CN 114466313A CN 202210104143 A CN202210104143 A CN 202210104143A CN 114466313 A CN114466313 A CN 114466313A
Authority
CN
China
Prior art keywords
initial
city
mobile phone
travel
iteration step
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.)
Granted
Application number
CN202210104143.1A
Other languages
English (en)
Other versions
CN114466313B (zh
Inventor
段征宇
胡峻滔
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.)
Tongji University
Original Assignee
Tongji 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 Tongji University filed Critical Tongji University
Priority to CN202210104143.1A priority Critical patent/CN114466313B/zh
Publication of CN114466313A publication Critical patent/CN114466313A/zh
Application granted granted Critical
Publication of CN114466313B publication Critical patent/CN114466313B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W4/00Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02Services making use of location information
    • H04W4/029Location-based management or tracking services
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W24/00Supervisory, monitoring or testing arrangements
    • H04W24/06Testing, supervising or monitoring using simulated traffic
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W24/00Supervisory, monitoring or testing arrangements
    • H04W24/08Testing, supervising or monitoring using real traffic
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W8/00Network data management
    • H04W8/18Processing of user or subscriber data, e.g. subscribed services, user preferences or user profiles; Transfer of user or subscriber data

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Databases & Information Systems (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及一种基于手机信令数据的城际出行扩样方法,用以估算各城市之间的实际出行量,包括以下步骤:1)根据运营商提供的原始手机信令数据进行预处理并提取用户活动,统计基于手机信令数据的各城市之间的出行量;2)统计每个交通单元的信令发生量和出行吸引量,引入扩样系数并采用双约束模型进行迭代求解,得到满足精度条件的各城市之间的实际出行量,与现有技术相比,本发明基于手机信令数据所统计的出行量为不同的城市设置增长系数以及修正系数,在有限次迭代后,能够获得比较精确的城际间实际客流量值,对于城市群客运交通需求分析和交通规划具有很高的应用价值。

Description

一种基于手机信令数据的城际出行扩样方法
技术领域
本发明涉及城市交通规划与管理领域,尤其是涉及一种基于手机信令数据的城际出行扩样方法。
背景技术
我国在2019年提到要加快长三角都市圈一体化发展,推进都市圈协调联动,加强都市圈间合作互动的同时打造长三角世界级城市群。城市群内部各城市间的客运流量是反映不同城市之间的发展状况的重要因素,并且通过对客运量的集计分析可以了解长三角城市群的层级结构,由于城市间客运量与城市规模具有较强的正相关关系,其也成为测量城市之间联系强度的重要指标。
在城市群客运的研究中,大多数是从单个交通方式的客运数据例如公路、铁路等对城市之间的客运量进行分析,用这样的方式往往不能较为全面的反映城市间的客运总量需求,因此如何对客运数据进行合理有效的扩样也是城市群客运结构研究的重要一部分。
相较于问卷调查等方式,手机信令数据具有实时程度高,采集成本低,同时具有覆盖范围以及时间广的优点,能实现长期的轨迹追踪,因此在获取用户的活动数据上具有极高优势,可以为城际间的交通联系强度与客运需求评价提供很好的参考价值。
从运营商所提供的手机信令数据上来看,在经过运营商一方基本的数据处理后,数据表一般涵盖几项重要的属性:UID(User ID,用户的唯一性标识)、move_id(当日出行编号)、stime(一次活动开始的时间)、grid_id(所在栅格的唯一性标识)等。利用运营商提供的数据表格可以比较精准的刻画手机用户在一定时间段内的出行链条。这种方法可以有效的解决城际间不同交通方式的出行量难以准确获取的问题,直接利用信令数据对个体进行集计测算,手机信令数据表如表1所示。
表1手机信令数据表
Figure BDA0003493278780000011
Figure BDA0003493278780000021
基于手机信令识别的用户活动数据计算城际间客运联系,目前国内外的研究往往采用手机信令数量与一端的运营商占有率的比值来表示实际的客流量,而没有考虑这种方法对于精度的影响。如果出行起终点城市其两端的运营商占有率存在较大的差距的情况下,这种扩样方法无疑会有较大的误差,不能很好的反映城际间的实际客流强度。并且现有的扩样方式往往无法满足不同城市之间的出行产生量与吸引量平衡的条件,难以满足交通规划的技术需求。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于手机信令数据的城际出行扩样方法。
本发明的目的可以通过以下技术方案来实现:
一种基于手机信令数据的城际出行扩样方法,用以估算各城市之间的实际出行量,包括以下步骤:
1)根据运营商提供的原始手机信令数据进行预处理并提取用户活动,统计基于手机信令数据的各城市之间的信令出行量;
2)统计每个交通单元的信令发生量和出行吸引量,引入扩样系数并采用双约束模型进行迭代求解,得到满足精度条件的各城市之间的实际出行量。
所述的步骤1)具体包括以下步骤:
11)获取运营商提供的原始手机信令数据,通过日期时间戳进行分箱处理,按照手机信令表中的STIME属性进行排序,分离用户在一天内的所有活动,并对手机信令数据进行时空间平滑处理;
12)设定用户活动时间间隔阈值,并剔除用户在相邻两次数据间没有发生栅格变化的活动,识别用户的有效出行信息;
13)设定栅格的边长,利用栅格函数标记用户每一次出行的起终点位置;
14)统计用户出行数据,计算基于手机信令数据的基于手机信令数据的各城市之间的信令出行量。
所述的步骤11)中,分离后的数据字段具体为<用户唯一性标识UID,活动开始时间STIME,活动开始栅格(LONCOL,LATCOL),栅格变化状态识别STATUSCHANGE>。
所述的步骤12)中,识别用户的有效出行信息的数据字段具体为<用户唯一性标识UID,活动开始时间STIME,活动结束时间ETIME,活动开始栅格(LONCOL,LATCOL),活动结束栅格(ELONCOL,ELATCOL),栅格变化状态识别STATUSCHANGE>
所述的用户活动时间间隔阈值设定为30min,所述的栅格的边长设定为1km。
所述的步骤2)具体包括以下步骤:
21)在初始迭代步骤中,根据基于手机信令数据的各城市之间的信令出行量构建原始信令OD矩阵
Figure BDA0003493278780000031
其中,
Figure BDA0003493278780000032
为i城市前往j城市的信令出行量,对原始信令OD矩阵OD00进行行和列求和分别得到原始信令发生量
Figure BDA0003493278780000033
和原始出行吸引量
Figure BDA0003493278780000034
22)设定初始增长系数η,将原始信令OD矩阵OD00中的元素
Figure BDA0003493278780000035
分别除以初始增长系数η得到初始迭代步骤的初始OD矩阵
Figure BDA0003493278780000036
并进行行和列求和分别计算得到初始的实际信令发生量
Figure BDA0003493278780000037
和初始的实际出行吸引量
Figure BDA0003493278780000038
同时计算得到初始迭代步骤的出行产生扩样系数
Figure BDA0003493278780000039
与吸引扩样系数
Figure BDA00034932787800000310
23)在满足双约束模型的基础上,计算初始迭代步骤的位置系数
Figure BDA00034932787800000311
Figure BDA00034932787800000312
24)计算初始迭代步骤的i城市前往j城市的实际出行量
Figure BDA00034932787800000313
构成下一迭代步骤的初始OD矩阵
Figure BDA00034932787800000314
25)在以后的每个当前迭代步骤m中根据上一步骤得到的初始OD矩阵ODm中的实际出行量
Figure BDA00034932787800000315
通过行和列求和的方式更新当前迭代步骤m中的实际信令发生量
Figure BDA00034932787800000316
和实际出行吸引量
Figure BDA00034932787800000317
进而更新当前迭代步骤m中的出行产生扩样系数
Figure BDA00034932787800000318
与吸引扩样系数
Figure BDA00034932787800000319
直至当前迭代步骤中的出行产生扩样系数
Figure BDA00034932787800000320
与吸引扩样系数
Figure BDA00034932787800000321
均在扩样系数精度范围(1–σ,1+σ)内,并以当前迭代步骤的实际出行量
Figure BDA00034932787800000322
作为最终的实际出行量,否则更新当前迭代步骤m中的位置系数
Figure BDA00034932787800000323
Figure BDA00034932787800000324
并计算下一迭代步骤中的实际出行量
Figure BDA00034932787800000325
构建下一迭代步骤的初始OD矩阵ODm+1
所述的步骤22)中,初始增长系数η设定为运营商在i城市和j城市的市占率的均值。
所述的步骤23)中,初始迭代步骤的位置系数
Figure BDA0003493278780000041
Figure BDA0003493278780000042
的计算式为:
Figure BDA0003493278780000043
Figure BDA0003493278780000044
其中,
Figure BDA0003493278780000045
为初始迭代步骤的出行产生扩样系数,具体为初始的实际信令发生量
Figure BDA0003493278780000046
与原始信令发生量
Figure BDA0003493278780000047
的比值,
Figure BDA0003493278780000048
为初始迭代步骤的吸引扩样系数,具体为初始的实际出行吸引量
Figure BDA0003493278780000049
与原始出行吸引量
Figure BDA00034932787800000410
的比值;
则所述的步骤24)中,初始迭代步骤的i城市前往j城市的实际出行量
Figure BDA00034932787800000411
的计算式为:
Figure BDA00034932787800000412
所述的步骤25)中,对于迭代步骤m,i城市前往j城市的实际出行量
Figure BDA00034932787800000413
的计算式以及更新式为:
Figure BDA00034932787800000414
Figure BDA00034932787800000415
Figure BDA00034932787800000416
其中,上标m表示当前迭代步骤。
所述的步骤25)中,精度值σ设定为0.03。
与现有技术相比,本发明具有以下优点:
本发明利用手机信令记录的个体时空间坐标,经过数据清洗等步骤,定义了出行吸引增长系数、交通小区位置系数等多项指标,建立了满足双约束的出行量预测模型来识别城际间客运强度,通过本方法能够获取在城市群内部不同城市之间真实的客运联系状况,并且在拥有多天手机信令数据的基础上,可进一步分析城市间出行强度的变化,对于城市群客运交通需求分析和交通规划具有实际应用价值。
附图说明
图1为基于手机信令数据的城际出行扩样方法数据处理流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
本发明提供一种基于手机信令数据的城际出行扩样方法,出行扩样具体是指结合运营商的手机信令数据,获取用户在不同时间内的活动情况,利用该活动计算所得的城市间出行OD矩阵与运营商在不同城市的市占率来推算不同城市间的客运联系,本发明利用运营商所提供的手机信令数据(形式如表1)以及在不同城市的市占率,构建双约束模型,准确推算不同城市之间客流量的实际值,包括以下步骤:
步骤1:数据预处理与活动提取,具体包括以下步骤:
1.1:按照手机信令表中的STIME属性进行排序,分离用户在同一天内的所有活动,对信令数据进行时空间平滑处理;
1.2:设定活动时间间隔阈值(30min),去除没有栅格变化的活动,筛选用户的有效出行信息;
1.3:设定栅格的边长参数,利用栅格函数标记用户每一次出行的起终点位置,添加如区、县、地级市等属性;
1.4:集计用户出行数据,计算手机信令反映的城际间不同交通单元(本发明中以地级市作为基本交通单元)的信令出行量,并构建原始信令OD矩阵;
步骤2:计算交通单元的出行量指标,求解增长系数与位置系数,具体包括以下步骤:
2.1:根据步骤1.4所统计的信令出行量,可以计算:
对于单个地级市,统计原始信令发生量
Figure BDA0003493278780000051
和原始出行吸引量
Figure BDA0003493278780000052
信令发生量定义为一定时间段内由i地级市出发,前往其他地级市的手机信令统计总量,出行吸引量定义为一定时间段内由其他地级市出发,前往j地级市的手机信令统计总量;
同时,在初始迭代步骤中,需要设置初始增长系数,本发明采用i地级市和j地级市的市占率的均值作为初始增长系数,并以此计算i地级市的初始实际信令发生量
Figure BDA0003493278780000053
以及j地级市的初始实际出行吸引量
Figure BDA0003493278780000054
实际信令发生量定义为一定时间段内由i地级市出发,前往其他地级市的实际出行总量,实际出行吸引量定义为一定时间段内由其他地级市出发,前往j地级市的实际出行总量。
2.2:在后续的迭代步骤m中,出行产生扩样系数
Figure BDA0003493278780000055
定义为i地级市的初始迭代步骤中的实际信令发生量
Figure BDA0003493278780000061
与迭代步骤m中的实际信令发生量
Figure BDA0003493278780000062
的比值,吸引扩样系数
Figure BDA0003493278780000063
定义为j地级市初始迭代步骤中的实际出行吸引量
Figure BDA0003493278780000064
与迭代步骤m中的实际信令发生量
Figure BDA0003493278780000065
的比值。
2.3:为满足双约束模型,需要计算迭代步骤m的位置系数
Figure BDA0003493278780000066
Figure BDA0003493278780000067
两者的计算式如下:
Figure BDA0003493278780000068
Figure BDA0003493278780000069
其中,
Figure BDA00034932787800000610
为由i地级市前往j地级市的实际出行量。
双约束模型是相较于早期无约束模型的描述方式,由于在1955年所提出的重力模型
Figure BDA00034932787800000611
中,无法满足交通守恒约束条件,即:(1)∑jtij=Oi,(2)∑itij=Dj,因此在本发明所描述的模型中,加入了位置系数与迭代的方式,以保证能够满足交通守恒约束条件,故为双约束模型)。
步骤3:迭代并求解至模型收敛
3.1:求解当前迭代步骤中i地级市前往j地级市的实际出行量
Figure BDA00034932787800000612
则有:
Figure BDA00034932787800000613
其中,m为迭代次数。
对于上一迭代步骤所求出的实际出行量
Figure BDA00034932787800000614
可以以此构建新的不同地级市间OD矩阵,并更新
Figure BDA00034932787800000615
Figure BDA00034932787800000616
在求出
Figure BDA00034932787800000617
Figure BDA00034932787800000618
后,求解当前迭代步骤m中的出行产生扩样系数
Figure BDA00034932787800000619
与出行吸引扩样系数
Figure BDA00034932787800000620
3.2:验证是否收敛,当出行产生扩样系数
Figure BDA00034932787800000621
与出行吸引扩样系数
Figure BDA00034932787800000622
均在范围(1–σ,1+σ)内,即可认为收敛,σ为扩样系数精度阈值,在本发明中精度值设定为0.03,如果存在扩样系数不符合取值范围,则需要进一步迭代,即依照新的出行产生扩样系数
Figure BDA00034932787800000623
与出行吸引扩样系数
Figure BDA00034932787800000624
求解位置系数Li和Lj,并重新计算
Figure BDA00034932787800000625
构建OD矩阵,直至模型收敛。
实施例
本例中采用长三角城市群2019年5月的某个工作日的手机信令数据,具体操作流程如图1所示,具体步骤说明如下:
步骤1:
1.1:由于获取的是运营商所提供的原始手机信令数据,因此需要对数据进行分箱处理,通过日期时间戳进行分箱,选取2019年5月的某个工作日作为本实例的数据基础,依照其中的STIME属性进行排序,分离所有用户在一天内的所有活动,对信令数据进行平滑处理,分离后的数据字段含有<UID,STIME,LONCOL,LATCOL,STATUSCHANGE>,其分别代表用户唯一性标识、活动开始时间、活动开始栅格(LONCOL,LATCOL)、栅格变化状态识别,若栅格未发生变化,则删除本次活动。
1.2:将用户一次活动的识别阈值设定为30min,并去除用户在相邻两次数据间没有发生栅格变化的活动,筛选出用户的有效出行信息。筛选后的数据字段含有<UID,STIME,ETIME,SLONCOL,SLATCOL,ELONCOL,ELATCOL,DURATION>,分别代表用户唯一性标识、活动开始时间、活动结束时间、活动开始栅格、活动结束栅格、活动持续时间,识别30min以上的用户活动信息。
1.3:基于长三角的地理信息文件,以1km栅格作为用户活动识别的最小单位,共将长三角地区分为356490个栅格,利用栅格函数标记用户每一次出行的起终点位置,并添加如区、县、地级市等属性。
1.4:对用户的出行数据进行集计处理并导出,共识别出4927561次活动,以长三角41个城市作为本方法基本交通单元,计算信令数据所反映出的城际间出行量(部分数据如表2所示)。
表2扩样前部分城市间的预估实际出行统计
Figure BDA0003493278780000071
Figure BDA0003493278780000081
步骤2:
2.1:以步骤1.4所计算的城际间出行量,计算长三角41个地级市的信令发生量
Figure BDA0003493278780000082
出行吸引量
Figure BDA0003493278780000083
以及各地级市的实际信令发生量Pi和实际出行吸引量Aj
2.2:计算出行产生扩样系数
Figure BDA0003493278780000084
与吸引扩样系数
Figure BDA0003493278780000085
2.3:根据计算的信令发生量
Figure BDA0003493278780000086
和出行吸引量
Figure BDA0003493278780000087
以及地级市的实际信令发生量Pi和实际出行吸引量Aj以及扩样系数,求解地级市的位置系数Li和Lj,并计算实际出行量Tij
步骤3:
3.1:依照Tij的计算式,构建长三角共41个地级市间的OD矩阵,即计算每两个城市间的Tij的值。
3.2:在本实际案例中,共迭代m=2次后,模型收敛(精度设定为σ=0.03),此时长三角41个地级市的扩样后客流联系可视化如表3所示。
表3扩样后部分城市间的预估实际出行统计
苏州市 上海市 无锡市 安庆市 池州市 常州市 杭州市 绍兴市 嘉兴市
苏州市 1008225 602436 597 1236 75233 36409 19006 146951
上海市 980589 84864 781 1962 37389 112287 40812 271353
无锡市 660905 79371 259 517 511075 48010 13819 15804
安庆市 603 837 312 577109 349 597 153 138
池州市 940 1238 518 575712 954 950 96 90
常州市 69680 26212 530142 307 1125 5840 1705 3058
杭州市 34203 121101 15950 703 1224 8885 437859 364086
绍兴市 12457 28048 3717 130 307 1837 403203 57408
嘉兴市 137284 241151 13332 138 277 4091 365775 67257
3.3:对案例的扩样效果进行验证,基于长三角不同城市之间客运巴士的班次数量对扩样后的长三角OD进行检验,客运巴士一定程度上直接反映了不同城市之间客运量,铁路运输的班次往往与货运也存在一定关联,与之相比城市间巴士的班次与客运的关联程度更高,在本案例中采用长三角各城市间公路客运的巴士班次与各个城市间的OD量作相关性分析,基于所有城市的回归分析结果分析,模型R2的值均值为0.46,一般认为R2大于0.3时,模型拟合程度较好。因此利用客运巴士的班次检验,一定程度上可验证该扩样模型的合理性,本方法基于手机信令数据的城际出行扩样方法是有效的。
综上,在本发明中,不同城市的运营商占有率都纳入了计算实际客运联系的模型中,与此同时,依照手机信令所统计的客流量为不同的城市设置增长系数以及修正系数,根据多次迭代的方法,很好的契合出行产生与吸引的约束条件,该方法有效提升了计算城际间实际客流联系的准确率,对于城市群客运交通需求分析和交通规划具有很高的应用价值。

Claims (10)

1.一种基于手机信令数据的城际出行扩样方法,用以估算各城市之间的实际出行量,其特征在于,包括以下步骤:
1)根据运营商提供的原始手机信令数据进行预处理并提取用户活动,统计基于手机信令数据的各城市之间的信令出行量;
2)统计每个交通单元的信令发生量和出行吸引量,引入扩样系数并采用双约束模型进行迭代求解,得到满足精度条件的各城市之间的实际出行量。
2.根据权利要求1所述的一种基于手机信令数据的城际出行扩样方法,其特征在于,所述的步骤1)具体包括以下步骤:
11)获取运营商提供的原始手机信令数据,通过日期时间戳进行分箱处理,按照手机信令表中的STIME属性进行排序,分离用户在一天内的所有活动,并对手机信令数据进行时空间平滑处理;
12)设定用户活动时间间隔阈值,并剔除用户在相邻两次数据间没有发生栅格变化的活动,识别用户的有效出行信息;
13)设定栅格的边长,利用栅格函数标记用户每一次出行的起终点位置;
14)统计用户出行数据,计算基于手机信令数据的基于手机信令数据的各城市之间的信令出行量。
3.根据权利要求2所述的一种基于手机信令数据的城际出行扩样方法,其特征在于,所述的步骤11)中,分离后的数据字段具体为<用户唯一性标识UID,活动开始时间STIME,活动开始栅格(LONCOL,LATCOL),栅格变化状态识别STATUSCHANGE>。
4.根据权利要求2所述的一种基于手机信令数据的城际出行扩样方法,其特征在于,所述的步骤12)中,识别用户的有效出行信息的数据字段具体为<用户唯一性标识UID,活动开始时间STIME,活动结束时间ETIME,活动开始栅格(LONCOL,LATCOL),活动结束栅格(ELONCOL,ELATCOL),栅格变化状态识别STATUSCHANGE>。
5.根据权利要求2所述的一种基于手机信令数据的城际出行扩样方法,其特征在于,所述的用户活动时间间隔阈值设定为30min,所述的栅格的边长设定为1km。
6.根据权利要求1所述的一种基于手机信令数据的城际出行扩样方法,其特征在于,所述的步骤2)具体包括以下步骤:
21)在初始迭代步骤中,根据基于手机信令数据的各城市之间的信令出行量构建原始信令OD矩阵
Figure FDA0003493278770000021
其中,
Figure FDA0003493278770000022
为i城市前往j城市的信令出行量,对原始信令OD矩阵OD00进行行和列求和分别得到原始信令发生量
Figure FDA0003493278770000023
和原始出行吸引量
Figure FDA0003493278770000024
22)设定初始增长系数η,将原始信令OD矩阵OD00中的元素
Figure FDA0003493278770000025
分别除以初始增长系数η得到初始迭代步骤的初始OD矩阵
Figure FDA0003493278770000026
并进行行和列求和分别计算得到初始的实际信令发生量
Figure FDA0003493278770000027
和初始的实际出行吸引量
Figure FDA0003493278770000028
同时计算得到初始迭代步骤的出行产生扩样系数
Figure FDA0003493278770000029
与吸引扩样系数
Figure FDA00034932787700000210
23)在满足双约束模型的基础上,计算初始迭代步骤的位置系数
Figure FDA00034932787700000211
Figure FDA00034932787700000212
24)计算初始迭代步骤的i城市前往j城市的实际出行量
Figure FDA00034932787700000213
构成下一迭代步骤的初始OD矩阵
Figure FDA00034932787700000214
25)在以后的每个当前迭代步骤m中根据上一步骤得到的初始OD矩阵ODm中的实际出行量
Figure FDA00034932787700000215
通过行和列求和的方式更新当前迭代步骤m中的实际信令发生量
Figure FDA00034932787700000216
和实际出行吸引量
Figure FDA00034932787700000217
进而更新当前迭代步骤m中的出行产生扩样系数
Figure FDA00034932787700000218
与吸引扩样系数
Figure FDA00034932787700000219
直至当前迭代步骤中的出行产生扩样系数
Figure FDA00034932787700000220
与吸引扩样系数
Figure FDA00034932787700000221
均在扩样系数精度范围(1–σ,1+σ)内,并以当前迭代步骤的实际出行量
Figure FDA00034932787700000222
作为最终的实际出行量,否则更新当前迭代步骤m中的位置系数
Figure FDA00034932787700000223
Figure FDA00034932787700000224
并计算下一迭代步骤中的实际出行量
Figure FDA00034932787700000225
构建下一迭代步骤的初始OD矩阵ODm+1
7.根据权利要求6所述的一种基于手机信令数据的城际出行扩样方法,其特征在于,所述的步骤22)中,初始增长系数η设定为运营商在i城市和j城市的市占率的均值。
8.根据权利要求6所述的一种基于手机信令数据的城际出行扩样方法,其特征在于,所述的步骤23)中,初始迭代步骤的位置系数
Figure FDA00034932787700000226
Figure FDA00034932787700000227
的计算式为:
Figure FDA00034932787700000228
Figure FDA0003493278770000031
其中,
Figure FDA0003493278770000032
为初始迭代步骤的出行产生扩样系数,具体为初始的实际信令发生量
Figure FDA0003493278770000033
与原始信令发生量
Figure FDA0003493278770000034
的比值,
Figure FDA0003493278770000035
为初始迭代步骤的吸引扩样系数,具体为初始的实际出行吸引量
Figure FDA0003493278770000036
与原始出行吸引量
Figure FDA0003493278770000037
的比值;
则所述的步骤24)中,初始迭代步骤的i城市前往j城市的实际出行量
Figure FDA0003493278770000038
的计算式为:
Figure FDA0003493278770000039
9.根据权利要求8所述的一种基于手机信令数据的城际出行扩样方法,其特征在于,所述的步骤25)中,对于迭代步骤m,i城市前往j城市的实际出行量
Figure FDA00034932787700000310
的计算式以及更新式为:
Figure FDA00034932787700000311
Figure FDA00034932787700000312
Figure FDA00034932787700000313
其中,上标m表示当前迭代步骤。
10.根据权利要求6所述的一种基于手机信令数据的城际出行扩样方法,其特征在于,所述的步骤25)中,精度值σ设定为0.03。
CN202210104143.1A 2022-01-28 2022-01-28 一种基于手机信令数据的城际出行扩样方法 Active CN114466313B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210104143.1A CN114466313B (zh) 2022-01-28 2022-01-28 一种基于手机信令数据的城际出行扩样方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210104143.1A CN114466313B (zh) 2022-01-28 2022-01-28 一种基于手机信令数据的城际出行扩样方法

Publications (2)

Publication Number Publication Date
CN114466313A true CN114466313A (zh) 2022-05-10
CN114466313B CN114466313B (zh) 2023-03-28

Family

ID=81411751

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210104143.1A Active CN114466313B (zh) 2022-01-28 2022-01-28 一种基于手机信令数据的城际出行扩样方法

Country Status (1)

Country Link
CN (1) CN114466313B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115129769A (zh) * 2022-06-01 2022-09-30 苏州大学 一种居民出行调查扩样方法、装置及存储介质
CN118036853A (zh) * 2024-04-11 2024-05-14 深圳市城市交通规划设计研究中心股份有限公司 一种个体出行链生成方法、装置及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106926872A (zh) * 2017-03-29 2017-07-07 宁夏宁信信息科技有限公司 城际铁路线路安全控制方法及系统
US20180046652A1 (en) * 2016-02-02 2018-02-15 Southeast University A definition method for urban dynamic spatial structure circle
CN111291321A (zh) * 2020-01-17 2020-06-16 悉地(苏州)勘察设计顾问有限公司 基于大数据的城市交通模型构建方法
CN111653096A (zh) * 2020-05-29 2020-09-11 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
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180046652A1 (en) * 2016-02-02 2018-02-15 Southeast University A definition method for urban dynamic spatial structure circle
CN106926872A (zh) * 2017-03-29 2017-07-07 宁夏宁信信息科技有限公司 城际铁路线路安全控制方法及系统
CN111291321A (zh) * 2020-01-17 2020-06-16 悉地(苏州)勘察设计顾问有限公司 基于大数据的城市交通模型构建方法
CN111653096A (zh) * 2020-05-29 2020-09-11 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
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孙卓,刘即明,阎妮: "《基于手机信令大数据的城市居民出行OD预测》", 《数学的实践与认识》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115129769A (zh) * 2022-06-01 2022-09-30 苏州大学 一种居民出行调查扩样方法、装置及存储介质
CN115129769B (zh) * 2022-06-01 2024-08-20 苏州大学 一种居民出行调查扩样方法、装置及存储介质
CN118036853A (zh) * 2024-04-11 2024-05-14 深圳市城市交通规划设计研究中心股份有限公司 一种个体出行链生成方法、装置及存储介质

Also Published As

Publication number Publication date
CN114466313B (zh) 2023-03-28

Similar Documents

Publication Publication Date Title
CN102595323B (zh) 基于手机定位数据的居民出行特征参数的获取方法
CN107610469B (zh) 一种考虑多因素影响的日维度区域交通指数预测方法
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
CN108596202B (zh) 基于移动终端gps定位数据计算个人通勤时间的方法
CN108346292B (zh) 基于卡口数据的城市快速路实时交通指数计算方法
CN106529754B (zh) 基于大数据分析的出租车运营情况评估方法
CN109299438B (zh) 一种基于网约车数据的公共交通设施供给水平评价方法
CN110728305B (zh) 基于网格信息熵聚类算法的出租车载客热点区域挖掘方法
CN114466313B (zh) 一种基于手机信令数据的城际出行扩样方法
CN110781267A (zh) 一种基于地理国情的多尺度空间分析评价方法及系统
CN116911055B (zh) 一种基于数字孪生的智慧城市规划治理系统
CN112184282A (zh) 影院选址模型建立方法、影院选址方法及影院选址平台
CN116611586B (zh) 一种基于双层异构网络的新建路网流量预测方法及系统
Devunuri et al. Bus stop spacing statistics: Theory and evidence
CN115100012A (zh) 一种轨道交通站点步行可达性计算方法
Beitel et al. Quality measure of short-duration bicycle counts
CN116703132B (zh) 共享车辆动态调度的管理方法、装置及计算机设备
CN108596381B (zh) 基于od数据的城市停车需求预测方法
CN116668958A (zh) 基于手机信令数据的城市居民动态od矩阵提取方法
Jarosz Using assessor parcel data to maintain housing unit counts for small area population estimates
CN116543528A (zh) 一种基于降雨阈值的区域滑坡危险性预警方法
CN111177294B (zh) 基于车辆轨迹数据求解交叉口中介中心性的方法
CN114491300B (zh) 一种基于gbdt的轨道交通客流分布提取和影响因素分析方法
CN111833229A (zh) 一种基于地铁依赖度的出行行为时空分析方法及装置
Nguyen et al. Tertiary building stock modeling: Area determination by fusion of different datasets

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