CN114866969A - 基于手机信令大数据的地铁清分清算方法与系统 - Google Patents
基于手机信令大数据的地铁清分清算方法与系统 Download PDFInfo
- Publication number
- CN114866969A CN114866969A CN202210384141.2A CN202210384141A CN114866969A CN 114866969 A CN114866969 A CN 114866969A CN 202210384141 A CN202210384141 A CN 202210384141A CN 114866969 A CN114866969 A CN 114866969A
- Authority
- CN
- China
- Prior art keywords
- station
- subway
- user
- stations
- base station
- 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
Links
- 230000011664 signaling Effects 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012546 transfer Methods 0.000 claims description 77
- 238000012545 processing Methods 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 238000013507 mapping Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002650 habitual effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013502 data validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- 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
-
- G06Q50/40—
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
本发明涉及智慧交通技术领域，本发明提出一种基于手机信令大数据的地铁清分清算方法与系统，针对复杂的地铁出行场景，尤其是地铁沿线存在微站(地下基站)和地上宏站的复杂情况下，本发明综合考虑地铁站不同的空间位置、信令采集修正、基站覆盖修正因素，将地铁用户识别、进出站识别准确度进一步提升，使手机信令计算结果在清分清算中替代概率模型结果，提高地铁清分清算的准确率。
Description
技术领域
本发明涉及智慧交通技术领域，具体而言涉及一种基于手机信令大数据的地铁清分清算 方法与系统，适用于基于移动通信终端的信令数据来进行混合基站场景下的地铁出行用户识 别及用户出行路径的识别。
背景技术
随着城市内的地铁线网建设的开展，地铁线网间存在着庞大数量的换乘用户，这对各线 路的运营和管理带来了挑战，尤其是无障碍换乘方式，导致各线路间的费用清算十分困难。
现有的地铁清分清算系统多是基于概率模型例如基于最短路径、最短耗时、换乘次数少 等人为经验，来推算相同出行OD间的不同路径的选择概率，再根据不同路径的用户比例对 收费金额在不同地铁运营商间进行费用清分清算。现有的这一类方法在规则标定时，需要耗 费大量的人力、时间进行模拟实验，且概率模型未考虑地铁用户的主观能动性、出行的随机 性等问题，清分效果并不精确和理想，经过与测试和与实际的数据相比，出现误差比较大， 准确率不足80％，难以实际在地铁企业的清分清算中应用。
现有技术中研究了根据手机信令进行地铁出行用户的出行轨迹识别和清分，在清分清算 系统中利用基站的小范围、全空间、全时间采集特点，对地铁用户的轨迹进行追踪，实现修 正各路径选择概率。但现有的技术考虑场景比较理想，认为地铁站的基站都是微观基站，从 而仅根据用户从宏观基站与微观基站进行切换判断用户进出地铁站，未考虑到有些地铁站在 地面或高架上，其服务基站仍为宏观基站的场景，且未考虑手机信令的数据采集质量问题、 基站覆盖不全或覆盖范围过大问题等因素，使地铁用户识别及进出站识别存在明显的误差。
发明内容
本发明目的在于提供一种基于手机信令大数据的地铁清分清算方法与系统，优化传统基 于概率统计选择和基于手机信令数据识别的理想化环境造成的识别解决不准确，存在误差大 的问题，提高清分清算系统的准确率。
根据本发明目的的第一方面提出一种基于手机信令大数据的地铁清分清算方法，包括以 下步骤：
步骤1、基于地铁线路数据、地铁运行数据和地铁专用基站数据，建立清分清算的基础 数据库；
步骤2、在所有运行的地铁线路数据基础上，取不同线路上的站点，利用排列组合方法 生成站间OD对，并基于最短路径算法处理获得站间OD对之间的路径；
步骤3、获取用户信令数据，并以用户为单位进行区分后，按照时间序列进行排序，获 得信令数据点集合，并基于DBSCAN密度聚类算法进行聚类后，获得用户信令轨迹，所述用 户信令轨迹包括多个以出发地O和目的地D构成的OD段；
步骤4、基于步骤3的用户信令轨迹，取出发地O和目的地D之间的上报基站，按上报时间顺序，构成用户OD基站序列，并与所述基础数据库进行匹配，将用户OD基站序列的 基站转化为车站ID，并获得车站站点的空间位置数据，构造用户OD基站序列对应的用户 OD车站序列；
步骤5、在获取的用户OD车站序列数据的基础上，区分有换乘和无换乘两种情况，识 别地铁用户，从而获的候选地铁用户可能的换乘站点及其换乘路径；其中当识别到的用户OD 车站序列中全部为室外基站时，该用户判定为候选地铁用户，转至步骤8；；
步骤6、以地铁线路数据为基础，对地铁线路中每个站点计算器泰森多边形以及多边形 内预定范围的网格，建立每个网格对应的最近地铁站点关系，并据此进行用户OD车站序列 中站点的进出站识别；
步骤7、异常情况优化处理，包括针对同站内出现非车站基站情况、中间车站未匹配、 起止车站无数据情况以及站点漂移情况下的优化处理；
步骤8、混合站地铁用户识别，区分用户OD车站序列中车站的类型，即地下基站与地 上站，基于运行时刻进行比对判断，识别地铁出行用户；以及
步骤9、统计输出每一个站间OD对内出现的地铁用户数，以及统计地铁换乘用户，并 根据换乘点及起讫点，输出地铁换乘用户数据。
根据本发明目的的第二方面还提出一种基于手机信令大数据的地铁清分清算系统，包括：
一个或多个处理器；
存储器，存储可被操作的指令，所述指令在通过所述一个或多个处理器执行时使得所述 一个或多个处理器执行操作，所述操作包括执行前述基于手机信令大数据的地铁清分清算方 法的过程。
根据本发明目的的第三方面还提出一种服务器，包括：
一个或多个处理器；
存储器，存储可被操作的指令，所述指令在通过所述一个或多个处理器执行时使得所述 一个或多个处理器执行操作，所述操作包括执行前述基于手机信令大数据的地铁清分清算方 法的过程。
与现有技术相比，本发明提出的基于手机信令大数据的地铁清分清算方法的显著的优点 在于：
针对复杂的地铁出行场景，尤其是地铁沿线存在微站(地下基站)和地上宏站的复杂情 况下，本发明提出一种基于手机信令大数据的地铁清分清算方法与系统，综合考虑地铁站不 同的空间位置、信令采集修正、基站覆盖修正因素，将地铁用户识别、进出站识别准确度进 一步提升，使手机信令计算结果在清分清算中替代概率模型结果，使清分清算更加有据可依、 有迹可查。
应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构 思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保护的主题 的所有组合都被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和 特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显 见，或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。
其中：
图1是本发明的示例性实施例的基于手机信令大数据的地铁清分清算方法的过程示意。
图2是在图1的基础上实现的一个具体的地铁清分清算的过程示意。
图3是本发明的示例性实施例的地铁线网站点的泰森多边形及500米网格示意图。
图4是本发明的示例性实施例的同站内出现非车站基站情况的示意图。
图5是本发明的示例性实施例的中间车站未匹配的情况的示意图。
图6是本发明的示例性实施例的起止车站无数据情况的优化处理示意图。
图7是本发明的示例性实施例的起止车站无数据情况的优化处理示意图。
图8是本发明的示例性实施例的起止车站无数据情况的优化处理示意图。
图9是本发明的示例性实施例的同线地铁工参之间的漂移处理的示意图。
图10是本发明的示例性实施例的地铁工参与非地铁工参之间漂移处理的示意图。
具体实施方式
为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。
在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开 的实施例不必定意在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以 及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为 本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单 独使用，或者与本发明公开的其他方面的任何适当组合来使用。
结合图1、2所示的示例性实施例的基于手机信令大数据的地铁清分清算方法，其基于手 机信令数据，实现地铁用户的准确识别，提高地铁用户清分清算的准确率。作为可选的示例， 其具体实现过程包括以下步骤：
步骤1、基于地铁线路数据、地铁运行数据和地铁专用基站数据，建立清分清算的基础 数据库；
步骤2、在所有运行的地铁线路数据基础上，取不同线路上的站点，利用排列组合方法 生成站间OD对，并基于最短路径算法处理获得站间OD对之间的路径；
步骤3、获取用户信令数据，并以用户为单位进行区分后，按照时间序列进行排序，获 得信令数据点集合，并基于DBSCAN密度聚类算法进行聚类后，获得用户信令轨迹，所述用 户信令轨迹包括多个以出发地O和目的地D构成的OD段；
步骤4、基于步骤3的用户信令轨迹，取出发地O和目的地D之间的上报基站，按上报时间顺序，构成用户OD基站序列，并与所述基础数据库进行匹配，将用户OD基站序列的 基站转化为车站ID，并获得车站站点的空间位置数据，构造用户OD基站序列对应的用户 OD车站序列；
步骤5、在获取的用户OD车站序列数据的基础上，区分有换乘和无换乘两种情况，识 别地铁用户，从而获的候选地铁用户可能的换乘站点及其换乘路径；其中当识别到的用户OD 车站序列中全部为室外基站时，该用户判定为候选地铁用户，转至步骤8；；
步骤6、以地铁线路数据为基础，对地铁线路中每个站点计算器泰森多边形以及多边形 内预定范围的网格，建立每个网格对应的最近地铁站点关系，并据此进行用户OD车站序列 中站点的进出站识别；
步骤7、异常情况优化处理，包括针对同站内出现非车站基站情况、中间车站未匹配、 起止车站无数据情况以及站点漂移情况下的优化处理；
步骤8、混合站地铁用户识别，区分用户OD车站序列中车站的类型，即地下基站与地 上站，基于运行时刻进行比对判断，识别地铁出行用户；以及
步骤9、统计输出每一个站间OD对内出现的地铁用户数，以及统计地铁换乘用户，并 根据换乘点及起讫点，输出地铁换乘用户数据。
作为可选的实施例，在步骤1中，建立清分清算的基础数据库的具体处理包括：
步骤1-1、基于网络运营商对应服务于地铁基站的部署数据，建立每条地铁线路上对应的 地铁专用基站位置状态字典，记为[cid，location]，cid表示基站号，location表示基站的位置 信息，以经纬度表示；
步骤1-2、建立地铁站点与地铁专用基站关系，明确同一个地铁站点由哪些基站服务，记 为[stationID，cidlist]，stationID表示地铁站点，cidlist表示对某一地铁站点提供服务的基站的 列表；
步骤1-3、利用地铁线路运行时刻表，建立地铁站点与线路归属关系，记为[lineID， stationID]，lineID表示地铁线路，stationID表示点地铁站点；
步骤1-4、令dist＝站间最短距离，利用地铁线路运行时刻表，计算运行时间runtime， runtime＝本站离站时间-首站离站时间，结合线路运行方向的区分，建立相邻站点间链接关系， 记为[OstationID，DstationID，dist，runtime，direction]，其中OstationID表示相邻站点的起点， DstationID表示相邻站点的到达点，dist表示相邻站点的最短距离，runtime表示相邻站点的 运行时间，direction表示线路运行方向；
步骤1-5、通过地铁站点表，筛选出现次数≥2的站点，即为换乘站点，并通过线路时刻 表，建立站点与线路的换乘关系，建立换乘站字典表，记为[stationID，lineID1，lineID2，……]， 表示某一个地铁站点为对应的地铁线路的换乘站点。
由此，建立起地铁线路、专用基站、站点-专用基站关系、站点-地铁线路关系、线路相 邻站点间链接关系以及地铁换乘站点关系的基础数据库，这些基础数据构成的关系表或者也 称为字典，作为固定且明确的数据，在地铁运行的过程通常不会发生变化，因此作为后续进 行识别匹配的基础。
作为可选的示例，在步骤2中，在所有运行的地铁线路数据基础上，取不同线路上的站 点，利用排列组合方法生成站间OD对，并基于最短路径算法处理获得站间OD对之间的路 径，包括：
步骤3-1、在所有轨道线路组成的线网上生成站间OD对，取不同线路上的站点，利用排 列组合方法，生成不重复的站间OD对，形成列表；
步骤3-2、对于一个运行的地铁线路，利用dijkstra算法计算站间OD对间的路径，其中， 最多取三条路径，且次短线路小于最短线路的1.5倍。
其中，作为可选的实施方式，步骤3-2的具体处理包括：
步骤3-2-1、对于一个地铁线路，以换乘站点为节点，以换乘线路为边，相同线路上每个 站点到换乘站点间的距离为边值，建立有向图；
步骤3-2-2、从站间OD对列表中取一个站间OD对，以此为起终点，利用dijkstra算法 进行处理，获得最短路径，记为path1，并记录该最短路径所经过的地铁站点序列、path1的 路径距离dist1以及路径运行时间；
步骤3-2-3、从路径距离dist1中去掉一条边，即起点到换乘站间、换乘站间、换乘站到 终点间的线路部分，利用dijkstra算法继续处理，获得另一最短路径，记为path2；
步骤3-2-4，计算path2的路径距离dist2，并判断：
当dist2>1.5dist1，舍弃另一最短路径path2，判定站间OD对只有一条路径，转入步骤3-2-2 继续取站间OD对执行处理，直到处理完站间OD对列表中所有的站间OD对，进入步骤3-2-5；
当dist2≤1.5dist1，则保留另一最短路径path2，并继续执行并继续执行步骤2-2-3和步骤 2-2-4，去掉一条边之后继续利用dijkstra算法处理和判断；
步骤3-2-5、输出地铁线路的站间OD对间的路径。
作为可选的示例，在步骤4中，通过用户OD基站序列与所述基础数据库进行匹配，将 用户OD基站序列的基站转化为车站ID，并获得车站站点的空间位置数据，构造用户OD基站序列对应的用户OD车站序列，包括：
将用户OD基站序列与地铁站点与地铁专用基站关系进行匹配，当用户OD基站序列中 的基站与车站基站匹配成功，则将用户基站转化为车站ID，并通过地铁专用基站位置状态字 典，获取车站站点的空间位置：
当车站ID对应的站点对应的服务基站为室内基站时，给用户的车站ID增加位置属性 “IN”；
当车站ID对应的站点对应的服务基站为室外基站时，则给用户的车站ID增加位置属性 “OUT”；
将用户OD基站序列中未匹配到车站基站的用户基站转化为“0”。
作为可选的示例，在步骤5中，识别地铁用户的处理包括：
步骤5-1、在获取的用户OD车站序列数据的基础上，当用户OD车站序列中某个地铁站 点的服务基站中出现“IN”位置属性的个数＝1时，且在该地铁站点对应的基站下连续累积持续 时长达到600s以上，判定用户为同站进出，其进站车站ID和出站车站ID为同一个车站，该 用户应纳入站间客流统计；
当用户停留时间小于600s，则该用户为借助地下基站通道过街的非地铁用户，舍弃；
步骤5-2、当用户OD车站序列中某个地铁站点的服务基站中出现“IN”位置属性的个数≥2 时，对用户OD车站序列中地铁站点，匹配换乘站字典表，通过基站的LAC值获取其换乘点， 得到地下基站之间的路径；
步骤5-3、当用户OD车站序列中某个地铁站点的服务基站中全部为OUT，即全部是室 外基站，判定用户为候选地铁用户，转步骤8；
步骤5-4、对于有换乘行为的地铁用户，计算地铁用户车站轨迹和车站OD对间路径的站 点相似度：
其中，SU表示线路站间OD路径的站点集，SP表示用户OD车站序列的站点集；
步骤5-5、计算地铁用户轨迹和车站OD对路径的时间相似度：
其中，UT表示线路站点OD路径的运行时间runtime，PT表示用户的出行时间。
步骤5-6、当150％≥StopSimil≥65％且120％≥TimeSimil≥70％时，判断候选地铁用户的该段 OD为地铁出行段，其出行路径为max(StopSimil*TimeSimil)对应的路径；
步骤5-7、根据相似度判断得到的路径，获取候选地铁用户可能的换乘站点，及其换乘路 径。
作为可选的示例，在步骤6中，以地铁线路数据为基础，对地铁线路中每个站点计算器 泰森多边形以及多边形内预定范围(例如500m范围)的网格，建立每个网格对应的最近地 铁站点关系，并据此进行用户OD车站序列中站点的进出站识别，包括：
步骤6-1、对地铁线路中每个站点计算其泰森多边形，以及泰森多边形内500米网格，建 立每个500米网格对应的最近地铁站点关系；
步骤6-2、对获取的用户OD车站序列，从其匹配到的第一个出发站点对应的基站上报时 间往前扩20分钟，对其匹配到的最后一个出发站点对应的基站上报时间往后扩20分钟，得 到第一扩充上报轨迹；
然后，将第一扩充上报轨迹与500米网格进行映射，取停留时长大于5分钟且停留时长 最大的网格作为O网格，若网格最近的地铁站点是用户站点轨迹的第一个出发站点，则该站 为进站点；否则取O网格最近的地铁站点作为进站点；
步骤6-3、对获取的用户OD车站序列，从其匹配到的第一个到达站点对应的基站上报时 间往前扩20分钟，对其匹配到的最后一个到达站点对应的基站上报时间往后扩20分钟，得 到第二扩充上报轨迹；
然后，将第二扩充上报轨迹与500米网格进行映射，取停留时长大于5分钟且停留时长 最大的网格作为O网格，若网格最近的地铁站点是用户站点轨迹的第一个到达站点，则该站 为出站点；否则取O网格最近的地铁站点作为出站点。
作为可选的示例，在步骤8中，对于混合站地铁用户的识别，具体包括：
步骤8-1、对于某一用户的用户OD基站序列中，如果包含部分站点为室外基站时，将地 下基站按照上述步骤5的处理匹配成功后，其他非地下基站部分，计算用户OD段到站时间 差Δt，按照地铁运行班次时刻表，计算列车站间行驶时间差ΔT，将用户的站间用时差Δt与列 车站间用时差ΔT进行对比，如果Δt∈[ΔT-60s，ΔT+60s]范围内时，判定用户为地铁出行用户， 否则剔除该部分用户；
步骤8-2、对于某一用户的用户OD基站序列中，如果超过预定比例的基站为高架宏站时， 首先在空间上匹配到地铁工参，然后再进行时间上的匹配提取用户OD在每个站的首个上报 时间Ti，并按照时间升序排列，按照站点顺序，依次计算相邻两个站点之间的时间差 Δti＝Ti+1-Ti；
将Δti与列车时刻表计算的站间到站时间差对比：
当Δti∈[站间时间差-20s，站间时间差+20s]时，继续将总的运行时间长度Tu＝Tn-T1与列车 时刻表计算的运行时间长度Ts进行对比，当Tu∈[Ts-120s，Ts+120s]，则认为该用户为地铁出 行用户，否则剔除该部分用户。
作为可选的示例，在步骤9中，进行地铁出行用户的OD统计，包括：统计输出每一个站间OD对内出现的地铁用户数，可包括同站进出的OD对；以及统计地铁换乘用户，并根 据换乘点及起讫点，输出地铁换乘用户数据。
在此统计的基础上，可以按照具体的清分清算要求，输出OD路径上地铁出行用户的数 量。
下面我们结合一个具体的实施，更佳具体的描述前述过程的实施。
第一步：基础数据处理
Step1：建立地铁专用基站位置状态字典，区分是否室内(微观)基站、室外(宏观)基 站，例如[cid，location]；
Step2：建立地铁站点与地铁专用基站关系，明确哪些基站服务于同一个地铁站点，例如 [stationID，cidlist]；
Step3：利用地铁线路运行时刻表，建立站点与线路归属关系，例如[lineID，stationID]；
Step4：令dist＝站间最短距离，优选的实施例中，仅取相同线路上相临地铁站点之间的数 据，利用线路时刻表，计算runtime＝本站离站时间-首站离站时间，区分线路运行方向，建立 相邻站点间链接关系，例如[OstationID，DstationID，dist，mntime，direction]；
Step5：通过地铁站点表，筛选出现次数≥2的站点，即为换乘站点，并通过线路时刻表， 建立站点与线路的换乘关系字段，例如[stationID，lineID1，lineID2，......]。
在上述示例中，筛选地铁站点出现的次数时，以地铁公司规定站点在站点表中出现次数 不唯一的即为换乘站来判断。在另外的实施例中，可以根据出现次数的不同规定要求，实际 进行判定。
第二步：轨道路线上的站间OD对路径生成
Step1在所有地铁线路组成的线网上，基于每个路线的站点，生成站间OD对，具体为： 取不同线路上的站点，利用排列组合方法，生成不重复OD对，生成站间OD对列表；
Step2：在线网上，利用dijkstra算法计算站间OD对间的路径，为了保障运算的效率和 性能，最多取三条路径，且次短线路小于最短线路的1.5倍，例如以[OD对编号，path1，path2， path3]为例，path[OstationID，DstationID，dist，runtime，StationIDs]。
作为示例，利用dijkstra算法计算站间OD对间的路径的操作方法如下：
Step2.1以换乘站点为节点，换乘线路为边，相同线路上每个站点到换乘站点间的dist为 边值，建立有向图；
Step2.2从OD对列表取一个OD对，以此为起终点，利用dijkstra算法跑出最短路径， 记为path1，并记录该路径经过的站点序列，路径距离dist1，路径运行时间；
Step2.3从最短路path1中去掉一条边(起点到换乘站间、换乘站间、换乘站到终点间的 线路部分)，利用dijkstra算法计算出最短路径，记为path2，并计算path2的dist2，当dist2>1.5dist1，该路径舍弃，该OD对只有一条路径，转step 2.2；若当dist2≤1.5dist1，则保 留该路径；重复Step2.3，得到path3，当dist3>1.5dist1，该路径舍弃，若当dist3≤1.5dist1，则 保留该路径，转Step2.2。
第三步：用户信令轨迹处理
Step1：用户信令轨迹数据预处理，包括但不限于乒乓切换处理、漂移处理、平滑处理等， 可以基于现有的轨迹处理方法实现；
Step2：利用DBSCAN算法对用户轨迹数据识别O、D信令簇；取O、D之间的上报基 站，按上报时间顺序，构成用户OD基站序列；
Step3：将用户OD的基站序列与地铁车站基站字典进行匹配，当用户的基站与车站基站 匹配成功，则将用户的基站转化为车站ID，通过基站位置字典，获取站点的空间位置：
当基站位置为室内(微观)基站时，给用户的车站ID增加位置属性“IN”；
当基站位置为室外(宏观)时，则给用户的车站ID增加位置属性“OUT”；
将未匹配到车站基站的用户基站转化为“0”，在可选的实施例中，可根据基站位置，给予 位置属性赋值IN/OUT。
第四步：地铁用户初步识别
Step1：当用户OD的车站序列中出现IN个数＝1时，且在该车站对应的基站下连续累积 持续时长达到600s以上，该用户为同站进出，其进站车站ID和出站车站ID为同一个车站， 该用户应纳入站间客流统计；
若用户停留时间小于600s，则判定该用户为借助地下基站通道过街的非地铁用户；
Step2：当用户OD的车站序列中地下基站IN个数≥2时，对该部分用户的车站，匹配换 乘站字典表，通过LAC值获取其换乘点，得到地下基站之间的路径；
Step3：当用户OD的车站序列中全部为OUT，即全部是室外(宏)站，该用户为候选地铁用户，转下述的第七步进行混合判断；
Step4：对于有换乘行为的地铁用户，计算地铁用户车站轨迹和车站OD对间路径的站点 相似度：
SU是线路站间OD路径的站点集，SP是地铁用户车站序列的站点集；
Step5：计算地铁用户轨迹和车站OD对路径的时间相似度：
UT是线路站点OD路径的runtime，PT是地铁用户的出行时间。
Step6：当150％≥StopSimil≥65％且120％≥TimeSimil≥70％时，判断候选地铁用户的该段 OD为地铁出行段，其出行路径为max(StopSimil*TimeSimil)对应的路径；
Step7：根据相似度判断得到的路径，获取候选地铁用户可能的换乘站点，及其换乘路 径。
第五步：进出站识别
Step1：对地铁线网中每个站点计算其泰森多边形，及多边形内500米网格；建立每个500 米网格对应的最近地铁站点关系，如图3所示；
Step2：对获取的用户OD上报得到的站点轨迹，从其匹配到的第一个站点对应的基站上 报时间往前扩20分钟，对其匹配到的最后一个站点对应的基站上报时间往后扩20分钟，得 到用户单OD的扩充上报轨迹(因基站服务范围过大、采样率低，且基站上报时钟与列车运 行时刻时钟不对齐等原因，需对用户的轨迹进行扩充，以便获取准确的进出站位置)；
将扩充后的用户轨迹与500米网格进行映射，取停留时长大于5分钟且停留时长最大的 网格作为O网格，若网格最近的地铁站点恰是用户站点轨迹的第一个站点，则该站为进站点； 否则取O网格最近的地铁站点作为进站点。
出站点计算方法同出站点计算方法。
由此，通过该进出站修正，有效的解决了仅依靠宏微观基站切换确定进出站导致进出站 识别错误的问题。
下表为随机三天数据验证结果：
| 移动支付OD | 宏微切分识别OD | 宏微切换准确率 | 网格匹配识别OD | 本发明的准确率 |
| 333264 | 117542 | 35.27％ | 263245 | 78.99％ |
| 340524 | 178434 | 52.40％ | 262919 | 77.21％ |
| 383597 | 210287 | 54.82％ | 294090 | 76.67％ |
其中：
移动支付OD：地铁公司提供的以移动端支付明细为依据计算的用户OD出行次数；
宏微切换识别OD：以地铁公司提供的以移动端支付的用户信令匹配到地铁站点后，以 基站是否为宏微切换状态判断的进出站，且进出站都正确的用户OD出行次数；
网格匹配识别OD：以地铁公司提供的以移动端支付的用户信令按本案描述的方法，判 断进出站，且进出站都正确的用户OD出行次数。
第六步：异常情况处理
第1种情况：同站内出现非车站基站情况：取用户地铁出行段所在OD轨迹(即与车站 映射后的序列)，例如“0-0-32-33-30-2-0-0-0-0-2-5-4-6-9-0-0-0”，如图4所示，对车站序列中部 非车站序列进一步判断：
Step1.1：计算该段非车站序列持续时间长度，当持续时间小于5分钟时，则该部分序列 可以判断为地铁出行的一部分，即上述序列可以合并为一段出行轨迹，否则进入下一步 Step1.2：
Step1.2：当持续时间大于5分钟且小于20分钟时，将该部分轨迹的基站与轨线基站工参 进行匹配，若匹配成功，则该部分序列可以判断为地铁出行的一部分，上述序列可以合并为 一段出行轨迹；否则舍弃；
Step1.3：当持续时间大于20分钟时，将该部分轨迹的基站与轨线基站工参进行匹配，若 匹配不成功，则可将上述序列分为两段出行“0-0-32-33-30-2”，“2-5-4-6-9-0-0-0”。
第2种情况：例如数据缺失等问题导致中间车站未匹配的情况：取用户地铁出行段所在 OD轨迹(即与车站映射后的序列)，例如“0-0-32-33-34-2-4(或者2-0-4)-5-6-7-8-0-0-0”，如 图5所示，对车站序列中部丢失车站的序列利用dijkstra算法进行轨迹补全。
第3种情况：例如数据缺失等问题导致起止车站无数据情况：取用户地铁出行段所在OD 轨迹(即与车站映射后的序列)，例如“0-0-0-32-33-34-2-3-4-5-6-7-8-0-0-0”，即轨迹序列与真 实情况有偏差，但轨迹序列无异常，此时可利用历史数据进行补全：
Step3.1：建立个体出行起讫点概率分布模型，即个体长期采用地铁出行进出站的站点概 率分布，可对人群进行聚类，将人群出行分为稳定出行及随机出行人群；在本发明的实施例 中可采用现有基础的概率模型进行处理；
Step3.2：针对稳定出行人群，统计其在各个起止点上出行的频率，降序排列其频率，保 留累积概率90％以上的起讫点，作为其出行起讫点概率分布模型；
Step3.3：针对随机出行人群，统计其在各个起止点上出行的频率，降序排列其频率，保 留TOP5的起讫点，作为其出行起讫点概率分布模型；
Step3.4：针对新用户人群，不进行概率计算，不做缺失补全；
Step3.5：针对当前出行的用户，首先确定其概率分布模型，再次根据其当前进出站点与 其概率模型的一致性，当其在概率分布模型以外的，根据与模型内站点距离差别进行下一步 处理，具体包括：
Step3.5.1当本次出行的非车站基站与首个车站/最后一个车站的基站上报时间小于10分 钟，则用该次首/尾车站所在最近的模型内的车站作为其真实进站/出站站点。
如图6所示，绿色圈为用户本次出行上报的基站所在位置，黄色圈为用户出行起讫点概 率分布模型中惯用的进站站点，这个场景下，可用首个站点所在线路对应的惯用进展站点1 补充其进站位置；
Step3.5.2当本次出行的非车站基站与首个车站/最后一个车站的基站上报时间大于10分 钟且小于20分钟，则用朴素贝叶斯模型计算该次首/尾车站所在模型内的车站概率最大的车 站作为其真实进站/出站站点；
如图7所示，绿色圈为用户本次出行上报的基站所在位置，黄色圈为用户出行起讫点概 率分布模型中常用的进站站点，这个场景下，可利用朴素贝叶斯模型计算推测出最可能的进 站点位置。并利用dijkstra模型把中间缺失部分进行补充。
Step3.5.3当本次出行的非车站基站与首个车站/最后一个车站的基站上报时间大于20分 钟，则用该次首/尾车站与非车站作为起终点，利用dijkstra进行路径搜索，找到距离最短且 时间符合的车站作为其真实进站/出站站点；
如图8：绿色圈为用户本次出行上报的基站所在位置，黄色圈为用户出行起讫点概率分 布模型中常用的进站站点，这个场景下，可用利用dijkstra模型求出A站(关联到惯用进站1 和进站2)与首个车站中间最短路，以最短路中得到的惯用进站为本次出行的进站站点。同 样的方法获取出站站点。
第4种情况：站点漂移现象处理：
情况4.1：同线地铁工参之间的漂移
如图9所示，实际地铁站点空间顺序为T1，T0，T2，T3，但是在信令数据上报过程中存在上报信道拥挤等问题，导致上报时间上采集到的用户轨迹匹配站点顺序为T0，T1，T2，T3，该问题影响进出站识别的准确性。
优化处理：首先对该用户的基站序列按照时间升序排列，得到用户的站点序列：T0，T1， T2，T3，根据时间先后顺序判断出行的方向。
此时跟本方向线路的站点序列T1，T0，T2，T3进行对比，发现用户站点序列组合存在 错误，因此对用户的信令进行处理(2分钟以内)，交换站点顺序，保证站与站之间的顺序正 确性。
情况4.2：异线地铁工参与非地铁工参之间的漂移
如图10所示，对用户的信令数据做漂移预处理时进行剔除，
判断规则：漂移预处理时计算T1、A与T2之间的夹角余弦值：
余弦定理计算切换向量间的夹角θi+1余弦值信息：
设置夹角的置信度为
如果cosθi+1＞cosT，则认为A存在漂移，将A点删除，否则不删除。
第七步：混合站地铁用户识别
Step1：当出行轨迹内部有部分站点为室外宏站，则在地下基站匹配成功后，其他非地下 基站部分，计算用户OD到站时间差Δt，按照班次时刻表，计算列车站间行驶时间差ΔT，将 用户的站间用时差Δt与列车站间用时差ΔT进行对比，Δt∈[ΔT-60s，ΔT+60s]范围内时(此 处60s在实际操作中根据每条线路在不同时段的运行时刻进行分别调试，从30s～300s不等)， 判定用户为地铁出行，否则剔除该部分用户。
Step2：当出行轨迹的站点主要为高架宏站时，例如超过90％，首先在空间上匹配到地铁 工参，然后再进行时间上的匹配：
提取用户OD在每个站的首个上报时间Ti，并按照时间升序排列，按照站点顺序，依次 计算相邻两个站之间的时间差Δti＝Ti+1-Ti，将Δti与列车时刻表计算的站间到站时间差对 比，当Δti∈[站间时间差-20s，站间时间差+20s]时，且总的运行时间长度Tu＝Tn-T1与列 车时刻表计算的运行时间长度Ts进行对比，当Tu∈[Ts-120s，Ts+120s](此处120s在实际 操作中根据每条线路在不同时段的运行时刻进行分别调试，从30s～300s不等)，则认为该用 户为地铁用户，否则剔除该部分用户。
第八步：OD统计
Step1：站间OD，统计任意一个站间OD对的地铁用户数，包括同站进出的OD对。
Step2：提取换乘用户，根据换乘点及起讫点，统计换乘用户数据。
Step3：按照清分清算要求，输出OD路径上地铁出行用户数量。
至此，完成地铁用户的清分清算处理。
作为本发明另一实施方式，还提出一种基于手机信令大数据的地铁清分清算系统，包括：
一个或多个处理器；
存储器，存储可被操作的指令，所述指令在通过所述一个或多个处理器执行时使得所述 一个或多个处理器执行操作，所述操作包括执行前述方法的过程，尤其是图1、2所示的示例 性实施例的地铁清分清算方法的过程。
作为本发明另一实施方式，还提出一种服务器，包括：
一个或多个处理器；
存储器，存储可被操作的指令，所述指令在通过所述一个或多个处理器执行时使得所述 一个或多个处理器执行操作，所述操作包括执行前述方法的过程，尤其是图1、2所示的示例 性实施例的地铁清分清算方法的过程。
虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域 中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本 发明的保护范围当视权利要求书所界定者为准。
Claims (10)
1.一种基于手机信令大数据的地铁清分清算方法，其特征在于，包括以下步骤：
步骤1、基于地铁线路数据、地铁运行数据和地铁专用基站数据，建立清分清算的基础数据库；
步骤2、在所有运行的地铁线路数据基础上，取不同线路上的站点，利用排列组合方法生成站间OD对，并基于最短路径算法处理获得站间OD对之间的路径；
步骤3、获取用户信令数据，并以用户为单位进行区分后，按照时间序列进行排序，获得信令数据点集合，并基于DBSCAN密度聚类算法进行聚类后，获得用户信令轨迹，所述用户信令轨迹包括多个以出发地O和目的地D构成的OD段；
步骤4、基于步骤3的用户信令轨迹，取出发地O和目的地D之间的上报基站，按上报时间顺序，构成用户OD基站序列，并与所述基础数据库进行匹配，将用户OD基站序列的基站转化为车站ID，并获得车站站点的空间位置数据，构造用户OD基站序列对应的用户OD车站序列；
步骤5、在获取的用户OD车站序列数据的基础上，区分有换乘和无换乘两种情况，识别地铁用户，从而获的候选地铁用户可能的换乘站点及其换乘路径；其中当识别到的用户OD车站序列中全部为室外基站时，该用户判定为候选地铁用户，转至步骤8；；
步骤6、以地铁线路数据为基础，对地铁线路中每个站点计算器泰森多边形以及多边形内预定范围的网格，建立每个网格对应的最近地铁站点关系，并据此进行用户OD车站序列中站点的进出站识别；
步骤7、异常情况优化处理，包括针对同站内出现非车站基站情况、中间车站未匹配、起止车站无数据情况以及站点漂移情况下的优化处理；
步骤8、混合站地铁用户识别，区分用户OD车站序列中车站的类型，即地下基站与地上站，基于运行时刻进行比对判断，识别地铁出行用户；
步骤9、统计输出每一个站间OD对内出现的地铁用户数，以及统计地铁换乘用户，并根据换乘点及起讫点，输出地铁换乘用户数据。
2.根据权利要求1所述的基于手机信令大数据的地铁清分清算方法，其特征在于，所述步骤1中，建立清分清算的基础数据库的具体处理包括：
步骤1-1、基于网络运营商对应服务于地铁基站的部署数据，建立每条地铁线路上对应的地铁专用基站位置状态字典，记为[cid，location]，cid表示基站号，location表示基站的位置信息，以经纬度表示；
步骤1-2、建立地铁站点与地铁专用基站关系，明确同一个地铁站点由哪些基站服务，记为[stationID，cidlist]，stationID表示地铁站点，cidlist表示对某一地铁站点提供服务的基站的列表；
步骤1-3、利用地铁线路运行时刻表，建立地铁站点与线路归属关系，记为[lineID，stationID]，lineID表示地铁线路，stationID表示点地铁站点；
步骤1-4、令dist＝站间最短距离，利用地铁线路运行时刻表，计算运行时间runtime，runtime＝本站离站时间-首站离站时间，结合线路运行方向的区分，建立相邻站点间链接关系，记为[OstationID，DstationID，dist，runtime，direction]，其中OstationID表示相邻站点的起点，DstationID表示相邻站点的到达点，dist表示相邻站点的最短距离，runtime表示相邻站点的运行时间，direction表示线路运行方向；
步骤1-5、通过地铁站点表，筛选出现次数≥2的站点，即为换乘站点，并通过线路时刻表，建立站点与线路的换乘关系，建立换乘站字典表，记为[stationID，lineID1，lineID2，……]，表示某一个地铁站点为对应的地铁线路的换乘站点。
3.根据权利要求1所述的基于手机信令大数据的地铁清分清算方法，其特征在于，所述步骤2中，在所有运行的地铁线路数据基础上，取不同线路上的站点，利用排列组合方法生成站间OD对，并基于最短路径算法处理获得站间OD对之间的路径，包括：
步骤3-1、在所有轨道线路组成的线网上生成站间OD对，取不同线路上的站点，利用排列组合方法，生成不重复的站间OD对，形成列表；
步骤3-2、对于一个运行的地铁线路，利用dijkstra算法计算站间OD对间的路径，其中，最多取三条路径，且次短线路小于最短线路的1.5倍。
4.根据权利要求3所述的基于手机信令大数据的地铁清分清算方法，其特征在于，所述步骤3-2的具体处理包括：
步骤3-2-1、对于一个地铁线路，以换乘站点为节点，以换乘线路为边，相同线路上每个站点到换乘站点间的距离为边值，建立有向图；
步骤3-2-2、从站间OD对列表中取一个站间OD对，以此为起终点，利用dijkstra算法进行处理，获得最短路径，记为path1，并记录该最短路径所经过的地铁站点序列、path1的路径距离dist1以及路径运行时间；
步骤3-2-3、从路径距离dist1中去掉一条边，即起点到换乘站间、换乘站间、换乘站到终点间的线路部分，利用dijkstra算法继续处理，获得另一最短路径，记为path2；
步骤3-2-4，计算path2的路径距离dist2，并判断：
当dist2>1.5dist1，舍弃另一最短路径path2，判定站间OD对只有一条路径，转入步骤3-2-2继续取站间OD对执行处理，直到处理完站间OD对列表中所有的站间OD对，进入步骤3-2-5；
当dist2≤1.5dist1，则保留另一最短路径path2，并继续执行并继续执行步骤2-2-3和步骤2-2-4，去掉一条边之后继续利用dijkstra算法处理和判断；
步骤3-2-5、输出地铁线路的站间OD对间的路径。
5.根据权利要求3所述的基于手机信令大数据的地铁清分清算方法，其特征在于，所述步骤4，通过用户OD基站序列与所述基础数据库进行匹配，将用户OD基站序列的基站转化为车站ID，并获得车站站点的空间位置数据，构造用户OD基站序列对应的用户OD车站序列，包括：
将用户OD基站序列与地铁站点与地铁专用基站关系进行匹配，当用户OD基站序列中的基站与车站基站匹配成功，则将用户基站转化为车站ID，并通过地铁专用基站位置状态字典，获取车站站点的空间位置：
当车站ID对应的站点对应的服务基站为室内基站时，给用户的车站ID增加位置属性“IN”；
当车站ID对应的站点对应的服务基站为室外基站时，则给用户的车站ID增加位置属性“OUT”；
将用户OD基站序列中未匹配到车站基站的用户基站转化为“0”。
6.根据权利要求3所述的基于手机信令大数据的地铁清分清算方法，其特征在于，所述步骤5中，识别地铁用户的处理包括：
步骤5-1、在获取的用户OD车站序列数据的基础上，当用户OD车站序列中某个地铁站点的服务基站中出现“IN”位置属性的个数＝1时，且在该地铁站点对应的基站下连续累积持续时长达到600s以上，判定用户为同站进出，其进站车站ID和出站车站ID为同一个车站，该用户应纳入站间客流统计；
当用户停留时间小于600s，则该用户为借助地下基站通道过街的非地铁用户，舍弃；
步骤5-2、当用户OD车站序列中某个地铁站点的服务基站中出现“IN”位置属性的个数≥2时，对用户OD车站序列中地铁站点，匹配换乘站字典表，通过基站的LAC值获取其换乘点，得到地下基站之间的路径；
步骤5-3、当用户OD车站序列中某个地铁站点的服务基站中全部为OUT，即全部是室外基站，判定用户为候选地铁用户，转步骤8；
步骤5-4、对于有换乘行为的地铁用户，计算地铁用户车站轨迹和车站OD对间路径的站点相似度：
其中，SU表示线路站间OD路径的站点集，SP表示用户OD车站序列的站点集；
步骤5-5、计算地铁用户轨迹和车站OD对路径的时间相似度：
其中，UT表示线路站点OD路径的运行时间runtime，PT表示用户的出行时间。
步骤5-6、当150％≥StopSimil≥65％且120％≥TimeSimil≥70％时，判断候选地铁用户的该段OD为地铁出行段，其出行路径为max(StopSimil*TimeSimil)对应的路径；
步骤5-7、根据相似度判断得到的路径，获取候选地铁用户可能的换乘站点，及其换乘路径。
7.根据权利要求1所述的基于手机信令大数据的地铁清分清算方法，其特征在于，所述步骤6中，以地铁线路数据为基础，对地铁线路中每个站点计算器泰森多边形以及多边形内预定范围的网格，建立每个网格对应的最近地铁站点关系，并据此进行用户OD车站序列中站点的进出站识别，包括：
步骤6-1、对地铁线路中每个站点计算其泰森多边形，以及泰森多边形内500米网格，建立每个500米网格对应的最近地铁站点关系；
步骤6-2、对获取的用户OD车站序列，从其匹配到的第一个出发站点对应的基站上报时间往前扩20分钟，对其匹配到的最后一个出发站点对应的基站上报时间往后扩20分钟，得到第一扩充上报轨迹；
然后，将第一扩充上报轨迹与500米网格进行映射，取停留时长大于5分钟且停留时长最大的网格作为O网格，若网格最近的地铁站点是用户站点轨迹的第一个出发站点，则该站为进站点；否则取O网格最近的地铁站点作为进站点；
步骤6-3、对获取的用户OD车站序列，从其匹配到的第一个到达站点对应的基站上报时间往前扩20分钟，对其匹配到的最后一个到达站点对应的基站上报时间往后扩20分钟，得到第二扩充上报轨迹；
然后，将第二扩充上报轨迹与500米网格进行映射，取停留时长大于5分钟且停留时长最大的网格作为O网格，若网格最近的地铁站点是用户站点轨迹的第一个到达站点，则该站为出站点；否则取O网格最近的地铁站点作为出站点。
8.根据权利要求1所述的基于手机信令大数据的地铁清分清算方法，其特征在于，所述步骤8中，对于混合站地铁用户的识别，具体包括：
步骤8-1、对于某一用户的用户OD基站序列中，如果包含部分站点为室外基站时，将地下基站按照上述步骤5的处理匹配成功后，其他非地下基站部分，计算用户OD段到站时间差Δt，按照地铁运行班次时刻表，计算列车站间行驶时间差ΔT，将用户的站间用时差Δt与列车站间用时差ΔT进行对比，如果Δt∈[ΔT-60s,ΔT+60s]范围内时，判定用户为地铁出行用户，否则剔除该部分用户；
步骤8-2、对于某一用户的用户OD基站序列中，如果超过预定比例的基站为高架宏站时，首先在空间上匹配到地铁工参，然后再进行时间上的匹配提取用户OD在每个站的首个上报时间Ti，并按照时间升序排列，按照站点顺序，依次计算相邻两个站点之间的时间差Δti＝Ti+1-Ti；
将Δti与列车时刻表计算的站间到站时间差对比：
当Δti∈[站间时间差-20s，站间时间差+20s]时，继续将总的运行时间长度Tu＝Tn-T1与列车时刻表计算的运行时间长度Ts进行对比，当Tu∈[Ts-120s，Ts+120s]，则认为该用户为地铁出行用户，否则剔除该部分用户。
9.一种基于手机信令大数据的地铁清分清算系统，其特征在于，包括：
一个或多个处理器；
存储器，存储可被操作的指令，所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作，所述操作包括执行所述权利要求1-8中任意一项所述方法的过程。
10.一种服务器，其特征在于，包括：
一个或多个处理器；
存储器，存储可被操作的指令，所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作，所述操作包括执行所述权利要求1-8中任意一项所述方法的过程。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210384141.2A CN114866969B (zh) | 2022-04-12 | 2022-04-12 | 基于手机信令大数据的地铁清分清算方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210384141.2A CN114866969B (zh) | 2022-04-12 | 2022-04-12 | 基于手机信令大数据的地铁清分清算方法与系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114866969A true CN114866969A (zh) | 2022-08-05 |
| CN114866969B CN114866969B (zh) | 2023-08-01 |
Family
ID=82631268
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210384141.2A Active CN114866969B (zh) | 2022-04-12 | 2022-04-12 | 基于手机信令大数据的地铁清分清算方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114866969B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115866529A (zh) * | 2023-03-02 | 2023-03-28 | 深圳市深圳通有限公司 | 清分模型结果验证方法、装置、设备及存储介质 |
| CN116167787A (zh) * | 2023-04-25 | 2023-05-26 | 深圳市深圳通有限公司 | 轨道交通清分系统及方法 |
| CN116980845A (zh) * | 2023-09-18 | 2023-10-31 | 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 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103179509A (zh) * | 2013-03-11 | 2013-06-26 | 北京工业大学 | 基于手机定位信息的地铁乘客出行路径辨识方法 |
| JP2015076005A (ja) * | 2013-10-10 | 2015-04-20 | 株式会社日立製作所 | 移動経路推定システム及びその方法 |
| WO2015167169A1 (ko) * | 2014-05-02 | 2015-11-05 | 서울대학교 산학협력단 | 전철 네트워크의 승객 이동경로 추정 방법 |
| JP2016222042A (ja) * | 2015-05-28 | 2016-12-28 | 京セラドキュメントソリューションズ株式会社 | 情報提供プログラム及び乗降案内システム |
| US20170191845A1 (en) * | 2015-12-31 | 2017-07-06 | Juno Lab, Inc. | System for generating travel route to be serviced by primary transportation service and secondary transportation service |
| CN110309936A (zh) * | 2019-04-03 | 2019-10-08 | 广州市交通规划研究院 | 一种基于手机定位数据和路径推断相结合的地铁换乘站识别方法 |
| CN112150796A (zh) * | 2020-07-20 | 2020-12-29 | 南京瑞栖智能交通技术产业研究院有限公司 | 基于手机信令数据的定制公交站点布局方法 |
| 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 |
| CN112866934A (zh) * | 2020-12-31 | 2021-05-28 | 江苏欣网视讯软件技术有限公司 | 地铁用户识别方法与系统 |
| US11157925B1 (en) * | 2019-04-09 | 2021-10-26 | Sprint Communications Company L.P. | System and method of mobile phone location in a subway transit environment |
| CN113887617A (zh) * | 2021-09-30 | 2022-01-04 | 同济大学 | 一种市域内部铁路出行轨迹识别方法、装置及存储介质 |
-
2022
- 2022-04-12 CN CN202210384141.2A patent/CN114866969B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103179509A (zh) * | 2013-03-11 | 2013-06-26 | 北京工业大学 | 基于手机定位信息的地铁乘客出行路径辨识方法 |
| JP2015076005A (ja) * | 2013-10-10 | 2015-04-20 | 株式会社日立製作所 | 移動経路推定システム及びその方法 |
| WO2015167169A1 (ko) * | 2014-05-02 | 2015-11-05 | 서울대학교 산학협력단 | 전철 네트워크의 승객 이동경로 추정 방법 |
| JP2016222042A (ja) * | 2015-05-28 | 2016-12-28 | 京セラドキュメントソリューションズ株式会社 | 情報提供プログラム及び乗降案内システム |
| US20170191845A1 (en) * | 2015-12-31 | 2017-07-06 | Juno Lab, Inc. | System for generating travel route to be serviced by primary transportation service and secondary transportation service |
| CN110309936A (zh) * | 2019-04-03 | 2019-10-08 | 广州市交通规划研究院 | 一种基于手机定位数据和路径推断相结合的地铁换乘站识别方法 |
| US11157925B1 (en) * | 2019-04-09 | 2021-10-26 | Sprint Communications Company L.P. | System and method of mobile phone location in a subway transit environment |
| CN112150796A (zh) * | 2020-07-20 | 2020-12-29 | 南京瑞栖智能交通技术产业研究院有限公司 | 基于手机信令数据的定制公交站点布局方法 |
| CN112866934A (zh) * | 2020-12-31 | 2021-05-28 | 江苏欣网视讯软件技术有限公司 | 地铁用户识别方法与系统 |
| 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 |
| CN113887617A (zh) * | 2021-09-30 | 2022-01-04 | 同济大学 | 一种市域内部铁路出行轨迹识别方法、装置及存储介质 |
Non-Patent Citations (5)
| Title |
|---|
| JINGCHENG WANG: "Metro Passenger Flow Prediction via Dynamic Hypergraph Convolution Networks", 《 IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
| 丁敬安;张欣海;: "基于手机信令数据的地铁乘客路径识别研究", 中国电子科学研究院学报, no. 11 * |
| 姚远;陈瑜;雷怡;: "一种基于手机大数据的地铁换乘客流挖掘方法研究", 科技视界, no. 18 * |
| 王利雷: "基于手机信令数据的城市轨道交通客流出行信息提取方法研究", 《中国优秀硕士学位论文全文数据库》 * |
| 赖见辉;陈艳艳;钟园;吴德仓;袁奕芳;: "基于手机定位信息的地铁乘客出行路径辨识方法", 计算机应用, no. 02 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115866529A (zh) * | 2023-03-02 | 2023-03-28 | 深圳市深圳通有限公司 | 清分模型结果验证方法、装置、设备及存储介质 |
| CN115866529B (zh) * | 2023-03-02 | 2023-06-20 | 深圳市深圳通有限公司 | 清分模型结果验证方法、装置、设备及存储介质 |
| CN116167787A (zh) * | 2023-04-25 | 2023-05-26 | 深圳市深圳通有限公司 | 轨道交通清分系统及方法 |
| CN116980845A (zh) * | 2023-09-18 | 2023-10-31 | 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 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114866969B (zh) | 2023-08-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114866969B (zh) | 基于手机信令大数据的地铁清分清算方法与系统 | |
| CN108955693B (zh) | 一种路网匹配的方法及系统 | |
| CN108171993B (zh) | 一种基于手机信令大数据的高速公路车辆速度计算方法 | |
| CN107563566B (zh) | 一种基于支持向量机的公交站间运行时间区间预测方法 | |
| CN109686091B (zh) | 一种基于多源数据融合的交通流量填补算法 | |
| CN102968900B (zh) | 一种对rfid交通数据进行处理的方法 | |
| CN102346042B (zh) | 基于实时路况的路线规划方法及其服务设备 | |
| US20150179064A1 (en) | Traffic-Volume Prediction Device and Method | |
| CN104778836A (zh) | 基于手机信令数据质量感知的高速公路交通状态识别方法 | |
| CN101944288A (zh) | 城市公交线路停靠站设置方法 | |
| CN110972073B (zh) | 一种基于手机大数据及步行可达性的生活圈划定方法 | |
| CN112686466B (zh) | 地铁乘客的路径确认方法及装置 | |
| CN110414795B (zh) | 基于改进两步移动搜索法的新增高铁枢纽可达性影响方法 | |
| CN111462492B (zh) | 一种基于里奇流的关键路段检出方法 | |
| CN110913345B (zh) | 一种基于手机信令数据的断面客流计算方法 | |
| CN109121094A (zh) | 伪码信令数据预处理与出行链识别方法 | |
| CN115586557A (zh) | 一种基于路网数据的车辆行驶轨迹纠偏方法及装置 | |
| CN108171992B (zh) | 一种基于手机信令大数据的平行公路车辆速度计算方法 | |
| CN102542617B (zh) | 一种复杂路网的路径识别标识站设置方法 | |
| CN105427394A (zh) | 基于试错法和机动车流量的拥堵收费最优费率确定方法 | |
| CN114245329B (zh) | 通行方式识别方法、装置、设备及存储介质 | |
| CN112857378A (zh) | 一种轨迹匹配方法及装置 | |
| CN115662124A (zh) | 一种基于网络编码的gps轨迹数据路段流量匹配方法 | |
| CN113077648A (zh) | 公交车辆实时站点预测方法和系统 | |
| CN113536493A (zh) | 基于聚类反推的有效路径生成方法及断面客流估算方法 |
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 |