CN115086879A - 轨道交通站客流特征及接驳方式的识别方法、装置及设备 - Google Patents
轨道交通站客流特征及接驳方式的识别方法、装置及设备 Download PDFInfo
- Publication number
- CN115086879A CN115086879A CN202211002661.9A CN202211002661A CN115086879A CN 115086879 A CN115086879 A CN 115086879A CN 202211002661 A CN202211002661 A CN 202211002661A CN 115086879 A CN115086879 A CN 115086879A
- Authority
- CN
- China
- Prior art keywords
- passenger
- rail transit
- transit station
- station
- passengers
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000011664 signaling Effects 0.000 claims abstract description 55
- 238000004590 computer program Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000006872 improvement Effects 0.000 description 8
- 238000003064 k means clustering Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000002354 daily effect Effects 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 238000010295 mobile communication Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 101000767160 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) Intracellular protein transport protein USO1 Proteins 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000013589 supplement 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
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/42—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for mass transport vehicles, e.g. buses, trains or aircraft
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Human Resources & Organizations (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mobile Radio Communication Systems (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开了一种轨道交通站客流特征及接驳方式的识别方法、装置及设备,该方法包括:获取目标区域内所有乘客的手机信令数据;基于每个乘客的手机信令数据,确定每个轨道交通站的乘客特征数据;基于每个轨道交通站所有乘客的来源地和目的地,计算每个轨道交通站的客流范围特征数据;基于每个轨道交通站所有乘客的手机信令数据,计算每个轨道交通站的客流流量特征数据;以每个轨道交通站为出发点,计算每个轨道交通站在不同交通方式下的可达范围,根据每个轨道交通站在不同交通方式下的可达范围和每个轨道交通站所有乘客的目的地,识别每个轨道交通站的每个乘客的接驳方式。采用本发明实施例能够有效识别轨道交通站的客流特征和接驳方式。
Description
技术领域
本发明涉及交通规划技术领域,尤其涉及一种轨道交通站客流特征及接驳方式的识别方法、装置及终端设备。
背景技术
轨道交通是公共交通的重要组成部分,对于带动城市发展、解决市民的交通出行问题起到重要作用。识别轨道交通站客流特征和了解站点客流的接驳方式,对于支撑轨道交通选线和站点周边的规划建设十分关键。其中,轨道交通站客流特征包括范围特征、流量特征、乘客类型特征,国内外城市关于轨道交通站客流特征的研究主要包括以下三类方式:1、凭借经验将轨道交通站的客流出行范围预设为一个固定值;2、基于问卷调查建立模型计算轨道交通站客流出行范围;3、基于IC卡刷卡数据测度轨道交通站的客流特征。
但是,上述三类方法存在以下不足:1、凭借经验将轨道交通站的服务范围预设为一个固定值,未能考虑到不同轨道交通站的客流特征范围的差异性;2、基于问卷调查建立模型计算轨道交通站客流出行范围,只是对站点服务范围进行模型推测,无法得知轨道交通站的真实客流特征;3、基于IC卡刷卡数据测度轨道交通站的客流特征,仅能计算轨道交通站的客流量,无法对站点服务范围的客流特征进行识别。可见,现有的轨道交通站客流特征的研究方法均无法有效识别轨道交通站的客流特征,同时,也无法获知轨道交通站客流的接驳方式。
发明内容
本发明提供一种轨道交通站客流特征及接驳方式的识别方法、装置及设备,以解决现有技术无法有效识别轨道交通站的客流特征和接驳方式的问题。
本发明实施例提供了一种轨道交通站客流特征及接驳方式的识别方法,包括:
获取目标区域内所有乘客的手机信令数据;
基于每个所述乘客的手机信令数据,确定每个所述轨道交通站的乘客特征数据;其中,所述乘客特征数据包括所述轨道交通站所有乘客的居住地、工作地、乘客类型、来源地和目的地;
基于每个所述轨道交通站的所有乘客的来源地和目的地,计算每个轨道交通站的客流范围特征数据;其中,所述客流范围特征数据包括乘客来源地范围、乘客目的地范围、乘客来源地范围的面积、乘客目的地范围的面积和服务半径;
基于每个所述轨道交通站的所有乘客的手机信令数据,计算每个所述轨道交通站的客流流量特征数据;其中,所述客流流量特征数据包括工作日平均客流总量、休息日平均客流总量、人均使用轨道交通站次数、每小时的乘客流量、早高峰小时系数和晚高峰小时系数;
以每个所述轨道交通站为出发点,计算每个所述轨道交通站在不同交通方式下的可达范围,根据每个所述轨道交通站在不同交通方式下的可达范围和每个所述轨道交通站的每个乘客的目的地,得到每个所述轨道交通站的每个乘客的接驳方式;其中,所述交通方式为骑行、步行或驾车。
作为上述方案的改进,所述手机信令数据包括所述乘客在预设天数内不同时刻的位置区码。
作为上述方案的改进,所述基于每个所述乘客的手机信令数据,确定每个所述轨道交通站的乘客特征数据;其中,所述乘客特征数据包括所述轨道交通站所有乘客的居住地、工作地、乘客类型、来源地和目的地,包括:
基于每个所述乘客在所述预设天数的第一预设时间段的位置区码和在所述预设天数的第二预设时间段的位置区码,确定每个所述乘客的居住地、工作地和乘客类型;
根据每个所述乘客在所述预设天数内不同时刻的位置区码和预先获取的轨道交通信息数据,确定每个轨道交通站对应的乘客、每个所述乘客进站前的来源地和每个所述乘客出站后的目的地;其中,所述轨道交通信息数据包括所述目标区域内所有轨道交通站对应的位置区码。
作为上述方案的改进,所述基于每个所述乘客在所述预设天数的第一预设时间段的位置区码和在所述预设天数的第二预设时间段的位置区码,确定每个所述乘客的居住地、工作地和乘客类型,包括:
基于第i个所述乘客在所述预设天数内第一预设时间段的位置区码,确定第i个所述乘客在第一预设时间段停留时间超过第一预设时长的所有基站,作为第i个所述乘客的备选居住地集合;其中,每个所述备选居住地集合中包含1个或多个备选居住地;i为正整数;
统计第i个所述乘客在同一所述备选居住地每日停留的时间超过所述第一预设时长的第一天数;
当检测到第i个所述乘客对应的任一备选居住地的第一天数达到所述预设天数的第一预设比例时,将该备选居住地作为第i个乘客的居住地,并确定该乘客的乘客类型为常住居民;
当检测到第i个所述乘客对应的全部备选居住地的第一天数均未达到预设最低天数时,确定该乘客的乘客类型为外来访客;
基于第i个所述乘客在所述预设天数内第二预设时间段的位置区码,确定第i个所述乘客在第二预设时间段停留时间超过第一预设时长的所有基站,作为第i个所述乘客的备选工作地集合;其中,每个所述备选工作地集合中包含1个或多个备选工作地;
统计第i个所述乘客在同一所述备选工作地每日停留的时间超过所述第一预设时长的第二天数;
当检测到第i个所述乘客对应的任一备选工作地的第二天数达到所述预设天数的第一预设比例时,将该备选工作地作为第i个乘客的工作地。
作为上述方案的改进,所述根据每个所述乘客在所述预设天数内不同时刻的位置区码和预先获取的轨道交通信息数据,确定每个轨道交通站对应的乘客、每个所述乘客进站前的来源地和每个所述乘客出站后的目的地;其中,所述轨道交通信息数据包括所述目标区域内所有轨道交通站对应的位置区码,包括:
当检测到第j个所述轨道交通站对应的位置区码与第i个所述乘客的任一时刻的位置区码相同时,则将该乘客作为第j个所述轨道交通站的乘客;其中,j为正整数;
根据每个所述乘客在当日不同时刻的位置区码,确定每个所述乘客当日的所有OD移动轨迹;
从每个所述乘客当日的所有OD移动轨迹中,筛选每个所述乘客进入对应的所述轨道交通站的OD移动轨迹和每个所述乘客从对应的所述轨道交通站出来后的OD移动轨迹;
根据每个所述乘客进入对应的所述轨道交通站的OD移动轨迹的O点位置,确定每个所述乘客进站前的来源地;
根据每个所述乘客从对应的所述轨道交通站出来后的OD移动轨迹的D点位置,确定每个所述乘客出站后的目的地。
作为上述方案的改进,所述基于每个所述轨道交通站的所有乘客的来源地和目的地,计算每个轨道交通站的客流范围特征数据;其中,所述客流范围特征数据包括乘客来源地范围、乘客目的地范围、乘客来源地范围的面积、乘客目的地范围的面积和服务半径,包括:
对第j个所述轨道交通站的所有乘客的来源地进行核密度计算,得到第j个所述轨道交通站所有乘客的来源地核密度范围;其中,j为正整数;
根据每个所述来源地核密度范围的核密度值,从大到小依次对第j个所述轨道交通站的来源地核密度范围进行累加,直至检测到累加后的来源地核密度范围内的乘客数量达到第j个所述轨道交通站所有乘客总数的第二预设比例为止;
将第j个所述轨道交通站的累加后的来源地核密度范围,作为第j个所述轨道交通站的乘客来源地范围;
对第j个所述轨道交通站的所有乘客的出发地进行核密度计算,得到第j个所述轨道交通站所有乘客的出发地核密度范围;
根据每个所述出发地核密度范围的核密度值,从大到小依次对第j个所述轨道交通站的出发地核密度范围进行累加,直至检测到累加后的出发地核密度范围内的乘客数量达到第j个所述轨道交通站所有乘客总数的第二预设比例为止;
将第j个所述轨道交通站的累加后的出发地核密度范围,作为第j个所述轨道交通站的乘客目的地范围;
计算第j个所述轨道交通站的乘客来源地范围的面积和乘客目的地范围的面积;
根据第j个所述轨道交通站的乘客来源地范围的面积,计算第j个所述轨道交通站的服务半径。
作为上述方案的改进,所述基于每个所述轨道交通站的所有乘客的手机信令数据,计算每个所述轨道交通站的客流流量特征数据;其中,所述客流流量特征数据包括工作日平均客流总量、休息日平均客流总量、人均使用轨道交通站次数、每小时的乘客流量、早高峰小时系数和晚高峰小时系数,包括:
基于每个所述乘客在所述预设天数内的休息日的位置区码和预先获取的轨道交通信息数据,计算每个所述轨道交通站的休息日平均客流总量;其中,所述轨道交通信息数据包括所述目标区域内所有轨道交通站对应的位置区码;
基于每个所述乘客在所述预设天数内的工作日的位置区码和所述轨道交通信息数据,计算每个所述轨道交通站的工作日平均客流总量;
基于每个所述乘客在所述预设天数内不同时刻的位置区码和所述轨道交通信息数据,计算每个所述轨道交通站的人均使用轨道交通站次数和每小时的乘客流量;
基于每个所述乘客在当日不同时刻的位置区码和所述轨道交通信息数据,计算每个所述轨道交通站的全天进站客流量;
基于每个所述乘客在当日第三预设时间段的位置区码和所述轨道交通信息数据,计算每个所述轨道交通站在当日第三预设时间段的进站客流量;
根据每个所述轨道交通站的全天进站客流量和在当日第三预设时间段的进站客流量,计算每个所述轨道交通站的早高峰小时系数;
基于每个所述乘客在当日第四预设时间段的位置区码和所述轨道交通信息数据,计算每个所述轨道交通站在当日第四预设时间段的进站客流量;
根据每个所述轨道交通站的全天进站客流量和在当日第四预设时间段的进站客流量,计算每个所述轨道交通站的晚高峰小时系数。
作为上述方案的改进,所述预设天数为30天,所述第一预设比例为50%。
相应地,本发明另一实施例提供一种轨道交通站客流特征及接驳方式的识别装置,包括:
手机信令数据获取模块,用于获取目标区域内所有乘客的手机信令数据;
乘客特征数据识别模块,用于基于每个所述乘客的手机信令数据,确定每个所述轨道交通站的乘客特征数据;其中,所述乘客特征数据包括所述轨道交通站所有乘客的居住地、工作地、乘客类型、来源地和目的地;
客流范围特征识别模块,用于基于每个所述轨道交通站的所有乘客的来源地和目的地,计算每个轨道交通站的客流范围特征数据;其中,所述客流范围特征数据包括乘客来源地范围、乘客目的地范围、乘客来源地范围的面积、乘客目的地范围的面积和服务半径;
客流流量特征识别模块,用于基于每个所述轨道交通站的所有乘客的手机信令数据,计算每个所述轨道交通站的客流流量特征数据;其中,所述客流流量特征数据包括工作日平均客流总量、休息日平均客流总量、人均使用轨道交通站次数、每小时的乘客流量、早高峰小时系数和晚高峰小时系数;
客流接驳方式识别模块,用于以每个所述轨道交通站为出发点,计算每个所述轨道交通站在不同交通方式下的可达范围,根据每个所述轨道交通站在不同交通方式下的可达范围和每个所述轨道交通站的每个乘客的目的地,得到每个所述轨道交通站的每个乘客的接驳方式;其中,所述交通方式为骑行、步行或驾车。
本发明另一实施例提供一种终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上任意一项所述的轨道交通站客流特征及接驳方式的识别方法。
与现有技术相比,本发明实施例公开的轨道交通站客流特征及接驳方式的识别方法、装置及设备,一方面,由于手机信令数据是用户真实使用得到的数据,且,所述手机信令数据中记录了用户移动过程中不同位置的位置区码和每个所述位置区码对应的时间戳,因此,本发明基于目标区域内所有轨道交通站乘客的手机信令数据,能够按照时间顺序还原轨道交通站的乘客全天的出行链,从而能够根据乘客进站前后的出行轨迹,有效识别每个轨道交通站的真实客流特征;其中,所述客流特征包括乘客特征、客流范围特征、客流流量特征;另一方面,本发明通过每个所述轨道交通站在不同交通方式下的可达范围和基于每个乘客的手机信令数据得到的乘客目的地,能够有效识别每个所述轨道交通站的每个乘客的实际接驳方式。
附图说明
图1是本发明实施例提供的一种轨道交通站客流特征及接驳方式的识别方法的流程示意图。
图2是本发明实施例提供的一种手机用户居住地和工作地识别的流程示意图。
图3是本发明实施例提供的一种公众陆地移动网的结构示意图。
图4是本发明实施例提供的一种轨道交通站客流特征及接驳方式的识别装置的结构示意图。
图5是本发明实施例提供的一种终端设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图1,图1是本发明一实施例提供的一种轨道交通站客流特征及接驳方式的识别方法的流程示意图。
本发明实施例提供的轨道交通站客流特征及接驳方式的识别方法,包括步骤:
S11、获取目标区域内所有乘客的手机信令数据;
S12、基于每个所述乘客的手机信令数据,确定每个所述轨道交通站的乘客特征数据;其中,所述乘客特征数据包括所述轨道交通站所有乘客的居住地、工作地、乘客类型、来源地和目的地;
S13、基于每个所述轨道交通站的所有乘客的来源地和目的地,计算每个轨道交通站的客流范围特征数据;其中,所述客流范围特征数据包括乘客来源地范围、乘客目的地范围、乘客来源地范围的面积、乘客目的地范围的面积和服务半径;
S14、基于每个所述轨道交通站的所有乘客的手机信令数据,计算每个所述轨道交通站的客流流量特征数据;其中,所述客流流量特征数据包括工作日平均客流总量、休息日平均客流总量、人均使用轨道交通站次数、每小时的乘客流量、早高峰小时系数和晚高峰小时系数;
S15、以每个所述轨道交通站为出发点,计算每个所述轨道交通站在不同交通方式下的可达范围,根据每个所述轨道交通站在不同交通方式下的可达范围和每个所述轨道交通站的每个乘客的目的地,得到每个所述轨道交通站的每个乘客的接驳方式;其中,所述交通方式为骑行、步行或驾车。
值得说明的是,在本发明中,轨道交通站的客流特征包括轨道交通站的乘客特征、客流范围特征、客流流量特征,轨道交通站的客流的接驳方式即轨道交通站的乘客的接驳方式。
具体地,所述手机信令数据包括所述乘客在预设天数内不同时刻的位置区码。
具体地,在步骤S11中,所述获取目标区域内所有乘客的手机信令数据,包括:
获取所述目标区域内所有乘客的初始手机信令数据;
对所有乘客的初始手机信令数据进行数据质量检验,将每个所述初始手机信令数据中的异常值和无效数据删除,得到所有乘客的手机信令数据。
示例性地,以预设天数为30天为例,获取连续30天的初始手机信令数据,对所述初始手机信令数据中的用户数和手机信令条数进行时变检验和日变检验。其中,时变检验为:检查每天每小时识别的用户数量和手机信令条数是否均匀分布;日变检验为:检查每天识别的用户数量和手机信令条数是否均匀分布。在所述时变检验和日变检验中将获取的初始手机信令数据中的异常值和无效数据删除。
作为其中一个可选的实施例,所述步骤S12,包括:
基于每个所述乘客在所述预设天数的第一预设时间段的位置区码和在所述预设天数的第二预设时间段的位置区码,确定每个所述乘客的居住地、工作地和乘客类型;
根据每个所述乘客在所述预设天数内不同时刻的位置区码和预先获取的轨道交通信息数据,确定每个轨道交通站对应的乘客、每个所述乘客进站前的来源地和每个所述乘客出站后的目的地;其中,所述轨道交通信息数据包括所述目标区域内所有轨道交通站对应的位置区码。
在一些更优的实施例中,所述基于每个所述乘客在所述预设天数的第一预设时间段的位置区码和在所述预设天数的第二预设时间段的位置区码,确定每个所述乘客的居住地、工作地和乘客类型,包括:
基于第i个所述乘客在所述预设天数内第一预设时间段的位置区码,确定第i个所述乘客在第一预设时间段停留时间超过第一预设时长的所有基站,作为第i个所述乘客的备选居住地集合;其中,每个所述备选居住地集合中包含1个或多个备选居住地;i为正整数;
统计第i个所述乘客在同一所述备选居住地每日停留的时间超过所述第一预设时长的第一天数;
当检测到第i个所述乘客对应的任一备选居住地的第一天数达到所述预设天数的第一预设比例时,将该备选居住地作为第i个乘客的居住地,并确定该乘客的乘客类型为常住居民;
当检测到第i个所述乘客对应的全部备选居住地的第一天数均未达到预设最低天数时,确定该乘客的乘客类型为外来访客;
基于第i个所述乘客在所述预设天数内第二预设时间段的位置区码,确定第i个所述乘客在第二预设时间段停留时间超过第一预设时长的所有基站,作为第i个所述乘客的备选工作地集合;其中,每个所述备选工作地集合中包含1个或多个备选工作地;
统计第i个所述乘客在同一所述备选工作地每日停留的时间超过所述第一预设时长的第二天数;
当检测到第i个所述乘客对应的任一备选工作地的第二天数达到所述预设天数的第一预设比例时,将该备选工作地作为第i个乘客的工作地。
值得说明的是,所述乘客类型包括常驻居民和外来访客。所述第一预设时间段为0:00-8:00和20:00-24:00,所述第二预设时间段为8:00-20:00。
优选地,所述预设天数为30天,所述第一预设比例为50%。
进一步地,所述预设最低天数小于或等于所述预设天数的第一预设比例。
可选地,所述预设最低天数为10天,第一预设时长为2h。
示例性地,参见图2,以预设天数为30天,第一预设时间段为0:00-8:00和20:00-24:00为例,第二预设时间段为8:00-22:00,第一预设时长为2h,第一预设比例为50%为例,若用户a每天0:00-8:00和20:00-24:00在同一基站(如:基站1、基站2)停留时间超过2小时,则判定基站1和基站2为用户a的备选居住地;若用户a每天0:00-8:00和20:00-24:00在基站1停留时间超过2小时的天数大于或等于15天,则判定基站1为用户a的夜间居住地;若用户a在基站1停留时间超过2小时的天数未达到15天,则判定基站1不是用户a的夜间居住地,基站2的识别方式可参见基站1的识别方式。若用户a每天8:00-20:00在同一基站(如:基站3)停留时间超过2小时,则判定基站3为用户a的备选工作地;若用户a每天8:00-20:00在基站3停留时间超过2小时的天数大于或等于15天,则判定基站3为用户a的日间工作地;若用户a在基站3停留时间超过2小时的天数未达到15天,则判定基站3不是用户a的日间工作地。需要说明是,若同一用户存在多个工作地或者居住地,则选择其中停留时间最长的工作地或者居住地作为该用户的最终工作地或者居住地。如:基站1和基站2均为用户a的居住地,且用户a在基站1的停留时间比在基站2的停留时间长,则将基站1作为用户a的最终的居住地。参见表1-1,以预设最低天数为10天为例,若能够识别出用户的夜间居住地,则将该用户定义为常住居民,若该用户在30天内出现天数少于10天,则将该用户定义为外来访客。
表1-1 手机用户居住地、工作地及用户类型
Msid | 居住地 | 工作地 | 用户类型 | 出现天数 |
001 | 基站1 | 基站2 | 常住居民 | 25 |
002 | 基站3 | 基站9 | 常住居民 | 28 |
003 | None | None | 外来访客 | 7 |
004 | … | … | … | … |
在一些更优的实施例中,所述根据每个所述乘客在所述预设天数内不同时刻的位置区码和预先获取的轨道交通信息数据,确定每个轨道交通站对应的乘客、每个所述乘客进站前的来源地和每个所述乘客出站后的目的地;其中,所述轨道交通信息数据包括所述目标区域内所有轨道交通站对应的位置区码,包括:
当检测到第j个所述轨道交通站对应的位置区码与第i个所述乘客的任一时刻的位置区码相同时,则将该乘客作为第j个所述轨道交通站的乘客;其中,j为正整数;
根据每个所述乘客在当日不同时刻的位置区码,确定每个所述乘客当日的所有OD移动轨迹;
从每个所述乘客当日的所有OD移动轨迹中,筛选每个所述乘客进入对应的所述轨道交通站的OD移动轨迹和每个所述乘客从对应的所述轨道交通站出来后的OD移动轨迹;
根据每个所述乘客进入对应的所述轨道交通站的OD移动轨迹的O点位置,确定每个所述乘客进站前的来源地;
根据每个所述乘客从对应的所述轨道交通站出来后的OD移动轨迹的D点位置,确定每个所述乘客出站后的目的地。
值得说明的是,LTE移动通信网络的空间覆盖特征为:一个LTE移动通信网络将一个公众陆地移动网(PLMN)分为多个移动交换中心控制服务区(MSC/VLR);一个服务区又划分为多个位置区(即,位置区码LAC),一个位置区再划分为若干小区(Cell),小区是通信网络服务中最小的空间单元,使用唯一的小区编号。因此,对于普通地面上的移动通信网络,如图3所示,位置区码(LAC)按地理相邻划分;而对于轨道交通中的移动通信网络,位置区码(LAC)按照线路划分,即每条线路都会分配独立的LAC编号。可以利用LTE移动通信网络中地上和地下位置区码(LAC)不同的原理对轨道交通站的乘客进行识别。当手机用户由地上移动到地下时,位置区码(LAC)发生了变化,会产出一条位置更新信令记录。收集全部轨道交通站的位置区码(LAC),当手机用户的位置区码(LAC)与轨道交通站的位置区码(LAC)匹配时,则可以判断为该用户使用了轨道交通站。因此,可以通过在手机信令数据中记录的LAC编码(即:位置区码)的变化来识别进出轨道交通站的乘客。
可以理解地,当乘客从地上位置区码(LAC)进入地下位置区码(LAC)时,位置区码(LAC)的切换时刻也会被记录下来,也就是乘客的进站时刻。同理,当乘客从地下位置区码(LAC)到达地上位置区码(LAC)的时间就是乘客出站时刻。
参见表2-1,是本发明实施例提供的一种轨道交通信息数据的数据结构,所述轨道交通信息数据包括每个所述轨道交通站的站点编号、站点名称、站点所属线路和位置区码,若检测到任一所述乘客的位置区码与所述轨道交通站的位置区码匹配时,则表明该乘客位于所述轨道交通站所在位置。
表2-1 轨道交通信息数据的数据结构
名称 | 含义 | 类型 | 举例 |
stationid | 站点编号 | int | 101 |
stationdesc | 站点名称 | varchar | A站 |
lineid | 站点所属线路 | int | 1 |
LAC | 位置区码 | int | 65982 |
示例性地,所述根据每个所述乘客在当日不同时刻的位置区码,确定每个所述乘客当日的所有OD移动轨迹,具体包括:将每个所述乘客停留时间超过15min的基站作为一个停留点,并对所述停留点去重处理,得到每个所述乘客当日所有的停留点;将每个所述乘客在第k-1个停留点与第k个停留点之间的轨迹,作为该乘客的一条移动轨迹OD;其中,k为正整数。可以理解,前一条移动轨迹OD的D点为后一条移动轨迹的O点,为了保证出行距离的有效性,要求第k-1个停留点与第k个停留点之间的直线距离大于或等于400m;若第k-1个停留点与第k个停留点之间的直线距离小于400m,则判别乘客没有发生移动,重新选取下一停留点进行计算。
参见表3-1,识别乘客进入对应的轨道交通站前时间最临近的移动轨迹OD中的O点位置,作为乘客进入对应的所述轨道交通站的来源地;识别乘客从对应的轨道交通站出去后时间最临近的移动轨迹OD中的D点位置,作为乘客从对应的所述轨道交通站出来后的目的地。
表3-1 客流进站前后来源地和目的地识别
Msid | 进站前停留点(O)位置 | 进站前停留点(O)点时刻 | 进站站点位置 | 进站时刻 | 出站站点位置 | 出站时刻 | 出站后停留点(D)点位置 | 出站后停留点(D)点时刻 |
001 | A | 0720 | A1站 | 0750 | A2站 | 0820 | A3 | 0850 |
002 | B | 0950 | B1站 | 1020 | B2站 | 1040 | B3 | 1150 |
003 | C | … | … | … | … | … | … | … |
在一个具体的实施方式中,所述步骤S13,包括:
对第j个所述轨道交通站的所有乘客的来源地进行核密度计算,得到第j个所述轨道交通站所有乘客的来源地核密度范围;其中,j为正整数;
根据每个所述来源地核密度范围的核密度值,从大到小依次对第j个所述轨道交通站的来源地核密度范围进行累加,直至检测到累加后的来源地核密度范围内的乘客数量达到第j个所述轨道交通站所有乘客总数的第二预设比例为止;
对第j个所述轨道交通站的所有乘客的来源地进行核密度计算,得到第j个所述轨道交通站所有乘客的来源地核密度范围;其中,j为正整数;
根据每个所述来源地核密度范围的核密度值,从大到小依次对第j个所述轨道交通站的来源地核密度范围进行累加,直至检测到累加后的来源地核密度范围内的乘客数量达到第j个所述轨道交通站所有乘客总数的第二预设比例为止;
将第j个所述轨道交通站的累加后的来源地核密度范围,作为第j个所述轨道交通站的乘客来源地范围;
对第j个所述轨道交通站的所有乘客的出发地进行核密度计算,得到第j个所述轨道交通站所有乘客的出发地核密度范围;
根据每个所述出发地核密度范围的核密度值,从大到小依次对第j个所述轨道交通站的出发地核密度范围进行累加,直至检测到累加后的出发地核密度范围内的乘客数量达到第j个所述轨道交通站所有乘客总数的第二预设比例为止;
将第j个所述轨道交通站的累加后的出发地核密度范围,作为第j个所述轨道交通站的乘客目的地范围;
计算第j个所述轨道交通站的乘客来源地范围的面积和乘客目的地范围的面积;
根据第j个所述轨道交通站的乘客来源地范围的面积,计算第j个所述轨道交通站的服务半径。
优选地,所述第二预设比例为80%。
具体地,在实际操作过程中,调用Python的arcpy模块,使用arcpy模块中的SelectLayerByAttribute_management工具筛选某轨道交通站的乘客进站前的来源地基站(O),再以1000m为搜索半径,使用KernelDensity对轨道交通站的客流分布进行核密度计算。遍历所有轨道交通站,获得轨道交通线路所有轨道交通站的乘客的来源地核密度范围。然后,调用Python的pandas模块的get_pareto_penct工具,将轨道交通站的来源地核密度范围按照密度值从大到小累加,直至累加到该轨道交通站的乘客总数的前80%的空间范围,将该范围定义为乘客进站前的乘客来源地范围。同理,计算轨道交通站的乘客出站后的目的地基站(D)的核密度范围,将轨道交通站的目的地的核密度范围按照密度值从大到小累加,直至累加到该轨道交通站的乘客总数的前80%的空间范围,将该范围定义为乘客出站后的乘客目的地范围。参见表3-2,计算每个轨道交通站的乘客来源地范围的面积和乘客目的地范围的面积。
表3-2 乘客来源地范围和乘客目的地范围
参见表3-3,将每个所述轨道交通站视为圆心,将每个所述轨道交通站的乘客来源地范围视为一个理想圆形,则圆的半径即为轨道交通站的服务半径。具体地,根据第j个所述轨道交通站的乘客来源地范围的面积,计算第j个所述轨道交通站的服务半径,具体为:
根据以下公式计算第j个所述轨道交通站的服务半径:
第j个轨道交通站的服务半径=√(第j个轨道交通站的服务面积/π);
其中,第j个轨道交通站的服务面积为第j个轨道交通站的乘客来源地范围的面积。
表3-3 站点服务半径
进一步地,在得到每个所述轨道交通站的乘客来源地范围之后,所述方法还包括:
通过SPSS软件中的k均值聚类算法,对每个所述轨道交通站的乘客来源地范围进行分级。
需要说明,k均值聚类算法(k-meansclusteringalgorithm)的原理是随机选取k个对象(数值)作为初始的聚类中心,然后计算每个对象与各个聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心。从而可以根据k均值聚类算法将轨道交通站的乘客来源地范围分为N级。
进一步地,所述步骤S14,包括:
基于每个所述乘客在所述预设天数内的休息日的位置区码和预先获取的轨道交通信息数据,计算每个所述轨道交通站的休息日平均客流总量;其中,所述轨道交通信息数据包括所述目标区域内所有轨道交通站对应的位置区码;
基于每个所述乘客在所述预设天数内的工作日的位置区码和所述轨道交通信息数据,计算每个所述轨道交通站的工作日平均客流总量;
基于每个所述乘客在所述预设天数内不同时刻的位置区码和所述轨道交通信息数据,计算每个所述轨道交通站的人均使用轨道交通站次数和每小时的乘客流量;
基于每个所述乘客在当日不同时刻的位置区码和所述轨道交通信息数据,计算每个所述轨道交通站的全天进站客流量;
基于每个所述乘客在当日第三预设时间段的位置区码和所述轨道交通信息数据,计算每个所述轨道交通站在当日第三预设时间段的进站客流量;
根据每个所述轨道交通站的全天进站客流量和在当日第三预设时间段的进站客流量,计算每个所述轨道交通站的早高峰小时系数;
基于每个所述乘客在当日第四预设时间段的位置区码和所述轨道交通信息数据,计算每个所述轨道交通站在当日第四预设时间段的进站客流量;
根据每个所述轨道交通站的全天进站客流量和在当日第四预设时间段的进站客流量,计算每个所述轨道交通站的晚高峰小时系数。
具体地,所述第三预设时间段为7:00-9:00,所述第四预设时间段为17:00-19:00。
值得说明的是,早高峰小时系数和晚高峰小时系数能够反映轨道交通站的乘客流量的集中程度,轨道交通站的高峰小时系数越高,则该轨道交通站的乘客进站时段较为集中,反映该轨道交通站的通勤功能越强。
参见表4-1,所述方法还包括:通过k均值聚类算法对每个轨道交通站的客流流量和高峰小时系数进行分级;其中,所述客流流量为工作日平均客流总量、休息日平均客流总量、每小时的乘客流量或全天进站客流量,所述高峰小时系数为早高峰小时系数或晚高峰小时系数。优选地,所述客流流量为全天进站客流量,所述高峰小时系数为晚高峰小时系数。具体地,在SPSS软件中调用k均值聚类算法对每个轨道交通站的客流流量和高峰小时系数进行分级。
表4-1根据站点流量和高峰小时系数分类
高峰小时系数高、流量大 | 高峰小时系数低、流量大 | 高峰小时系数高、流量小 | 高峰小时系数高、流量小 | … |
A站、B站、C站 | E站、F站 | G站 | H站、I站 | … |
进一步地,所述方法还包括:
根据每个所述轨道交通站所有乘客的乘客类型,计算每个所述轨道交通站的外来访客占比;
通过k均值聚类算法,对每个所述轨道交通站的乘客目的地范围、客流流量、高峰小时系数、外来访客占比进行聚类分析,将所述轨道交通站的客流特征分成M类;其中,M为正整数;
将每个所述轨道交通站的乘客目的地范围作为X轴、高峰小时系数作为Y轴、外来访客占比作为Z轴,并用数据点的大小表示所述轨道交通站的客流流量大小,用数据点的颜色表示所述轨道交通站的客流特征的类型,对数据进行可视化,得到所述目标区域的轨道交通站的三维散点图。
具体地,在实际操作中,在SPSS软件中调用k均值聚类算法,对每个所述轨道交通站的乘客目的地范围、客流流量、高峰小时系数、外来访客占比进行聚类分析,将所述轨道交通站的客流特征分成M类;使用Python的matplotlib模块中的pyplot工具,将每个所述轨道交通站的客流范围作为X轴、高峰小时系数作为Y轴、外来访客占比作为Z轴,并用数据点的大小表示所述轨道交通站的客流流量大小,用数据点的颜色表示所述轨道交通站的客流特征的类型,对目标区域的轨道交通站进行数据可视化分析,得到所述目标区域的轨道交通站的三维散点图。需要说明,除了根据每个所述轨道交通站的乘客目的地范围、客流流量、高峰小时系数、外来访客占比对轨道交通站的客流特征进行分类以外,还可以根据实际需要,从乘客特征数据、客流范围特征数据、客流流量特征数据中任意选择四种特征数据对轨道交通站的客流特征进行分类和数据可视化分析。
具体地,所述步骤S15,包括:
将所述目标区域划分为预设尺寸的网格,并获取每个网格的中心点坐标;
将每个所述网格的中心点匹配到与之距离最近的所述轨道交通站;
分别使用步行模式、骑行模式、驾车模式计算从每个所述轨道交通站出发到各个网格的中心点的出行时间;
将每个所述轨道交通站在步行模式、骑行模式和驾车模式下的第二预设时长内的可达范围与每个所述乘客的目的地进行比较;
若检测到任一所述轨道交通站的乘客的目的地与所述步行模式下的第二预设时长内的可达范围耦合程度高,则将该乘客的接驳方式判定为步行接驳;
若检测到任一所述轨道交通站的乘客的目的地与所述骑行模式下的第二预设时长内的可达范围耦合程度高,则将该乘客的接驳方式判定为非机动车接驳;
若检测到任一所述轨道交通站的乘客的目的地超过所述骑行模式下的第二预设时长内的可达范围,则将该乘客的接驳方式判定为公共交通接驳或小汽车接驳。
优选地,所述预设尺寸为100m*100m,所述第二预设时长为15min。
示例性地,以所述预设尺寸为100m*100m,所述第二预设时长为15min为例,每一所述轨道交通站的乘客的接驳方式的识别过程如下:在ArcGIS中将轨道交通站的研究区域划分为100m*100m的网格,并获取每个网格的中心点坐标;使用ArcGIS的空间连接工具将每个网格空间中心点匹配到与之距离最近的轨道交通站;调用地图API工具,分别使用步行模式、骑行模式、驾车模式计算从每个所述轨道交通站出发到各个网格空间中心点间的出行用时;将每个所述轨道交通站在不同交通方式15min内的可达范围与每个所述乘客的目的地进行比较;若检测到任一所述轨道交通站的乘客的目的地与所述步行模式下15min的出行范围耦合程度高,则将该乘客的接驳方式判定为步行接驳;若检测到任一所述轨道交通站的乘客的目的地与所述骑行模式下15min的出行范围耦合程度高,则将该乘客的接驳方式判定为非机动车接驳;若检测到任一所述轨道交通站的乘客的目的地超过所述骑行模式下15min的出行范围,则将该乘客的接驳方式判定为公共交通接驳或小汽车接驳。
值得说明的是,本发明不同于以往利用模型对站点服务范围进行模型推测的研究,而是利用实测数据(手机信令数据)识别出轨道交通站乘客,并可按照时间顺序还原轨道交通站乘客全天的出行链,进一步根据乘客进站前后的出行轨迹测算轨道交通站的客流特征。此外,本发明利用预设天数的手机信令数据测算出手机用户的夜间居住地,可识别出常住居民和外来访客,以此辨识出不同类型的站点乘客,并通过对常住居民和外来访客的轨道交通出行行为进行还原,从而能够比较常住居民和外来访客的出行特征差异,实现IC卡刷卡数据无法实现的功能,进一步地,在本发明的基础上,还能够结合站点周边POI设施数据推测轨道交通站客流出行目的,具有较强的科学依据,实现对传统理论的补充、完善,增加对轨道交通站客流特征的认知。
参见图4,是本发明实施例提供的一种轨道交通站客流特征及接驳方式的识别装置的结构示意图。
本发明实施例提供的轨道交通站客流特征及接驳方式的识别装置,包括:
手机信令数据获取模块21,用于获取目标区域内所有乘客的手机信令数据;
乘客特征数据识别模块22,用于基于每个所述乘客的手机信令数据,确定每个所述轨道交通站的乘客特征数据;其中,所述乘客特征数据包括所述轨道交通站所有乘客的居住地、工作地、乘客类型、来源地和目的地;
客流范围特征识别模块23,用于基于每个所述轨道交通站的所有乘客的来源地和目的地,计算每个轨道交通站的客流范围特征数据;其中,所述客流范围特征数据包括乘客来源地范围、乘客目的地范围、乘客来源地范围的面积、乘客目的地范围的面积和服务半径;
客流流量特征识别模块24,用于基于每个所述轨道交通站的所有乘客的手机信令数据,计算每个所述轨道交通站的客流流量特征数据;其中,所述客流流量特征数据包括工作日平均客流总量、休息日平均客流总量、人均使用轨道交通站次数、每小时的乘客流量、早高峰小时系数和晚高峰小时系数;
客流接驳方式识别模块25,用于以每个所述轨道交通站为出发点,计算每个所述轨道交通站在不同交通方式下的可达范围,根据每个所述轨道交通站在不同交通方式下的可达范围和每个所述轨道交通站的每个乘客的目的地,得到每个所述轨道交通站的每个乘客的接驳方式;其中,所述交通方式为骑行、步行或驾车。
优选地,所述手机信令数据包括所述乘客在预设天数内不同时刻的位置区码。
作为上述方案的改进,所述乘客特征数据识别模块22,包括:
第一乘客特征数据识别单元,用于基于每个所述乘客在所述预设天数的第一预设时间段的位置区码和在所述预设天数的第二预设时间段的位置区码,确定每个所述乘客的居住地、工作地和乘客类型;
第二乘客特征数据识别单元,用于根据每个所述乘客在所述预设天数内不同时刻的位置区码和预先获取的轨道交通信息数据,确定每个轨道交通站对应的乘客、每个所述乘客进站前的来源地和每个所述乘客出站后的目的地;其中,所述轨道交通信息数据包括所述目标区域内所有轨道交通站对应的位置区码。
作为其中一个可选的实施方式,所述第一乘客特征数据识别单元,具体用于:
基于第i个所述乘客在所述预设天数内第一预设时间段的位置区码,确定第i个所述乘客在第一预设时间段停留时间超过第一预设时长的所有基站,作为第i个所述乘客的备选居住地集合;其中,每个所述备选居住地集合中包含1个或多个备选居住地;i为正整数;
统计第i个所述乘客在同一所述备选居住地每日停留的时间超过所述第一预设时长的第一天数;
当检测到第i个所述乘客对应的任一备选居住地的第一天数达到所述预设天数的第一预设比例时,将该备选居住地作为第i个乘客的居住地,并确定该乘客的乘客类型为常住居民;
当检测到第i个所述乘客对应的全部备选居住地的第一天数均未达到预设最低天数时,确定该乘客的乘客类型为外来访客;
基于第i个所述乘客在所述预设天数内第二预设时间段的位置区码,确定第i个所述乘客在第二预设时间段停留时间超过第一预设时长的所有基站,作为第i个所述乘客的备选工作地集合;其中,每个所述备选工作地集合中包含1个或多个备选工作地;
统计第i个所述乘客在同一所述备选工作地每日停留的时间超过所述第一预设时长的第二天数;
当检测到第i个所述乘客对应的任一备选工作地的第二天数达到所述预设天数的第一预设比例时,将该备选工作地作为第i个乘客的工作地。
优选地,在所述第一乘客特征数据识别单元中,所述预设天数为30天,所述第一预设比例为50%。
进一步地,所述第二乘客特征数据识别单元,具体用于:
当检测到第j个所述轨道交通站对应的位置区码与第i个所述乘客的任一时刻的位置区码相同时,则将该乘客作为第j个所述轨道交通站的乘客;其中,j为正整数;
根据每个所述乘客在当日不同时刻的位置区码,确定每个所述乘客当日的所有OD移动轨迹;
从每个所述乘客当日的所有OD移动轨迹中,筛选每个所述乘客进入对应的所述轨道交通站的OD移动轨迹和每个所述乘客从对应的所述轨道交通站出来后的OD移动轨迹;
根据每个所述乘客进入对应的所述轨道交通站的OD移动轨迹的O点位置,确定每个所述乘客进站前的来源地;
根据每个所述乘客从对应的所述轨道交通站出来后的OD移动轨迹的D点位置,确定每个所述乘客出站后的目的地。
作为一个具体地实施方式,所述客流范围特征识别模块23,具体用于:
对第j个所述轨道交通站的所有乘客的来源地进行核密度计算,得到第j个所述轨道交通站所有乘客的来源地核密度范围;其中,j为正整数;
根据每个所述来源地核密度范围的核密度值,从大到小依次对第j个所述轨道交通站的来源地核密度范围进行累加,直至检测到累加后的来源地核密度范围内的乘客数量达到第j个所述轨道交通站所有乘客总数的第二预设比例为止;
将第j个所述轨道交通站的累加后的来源地核密度范围,作为第j个所述轨道交通站的乘客来源地范围;
对第j个所述轨道交通站的所有乘客的出发地进行核密度计算,得到第j个所述轨道交通站所有乘客的出发地核密度范围;
根据每个所述出发地核密度范围的核密度值,从大到小依次对第j个所述轨道交通站的出发地核密度范围进行累加,直至检测到累加后的出发地核密度范围内的乘客数量达到第j个所述轨道交通站所有乘客总数的第二预设比例为止;
将第j个所述轨道交通站的累加后的出发地核密度范围,作为第j个所述轨道交通站的乘客目的地范围;
计算第j个所述轨道交通站的乘客来源地范围的面积和乘客目的地范围的面积;
根据第j个所述轨道交通站的乘客来源地范围的面积,计算第j个所述轨道交通站的服务半径。
进一步地,所述客流流量特征识别模块24,具体用于:
基于每个所述乘客在所述预设天数内的休息日的位置区码和预先获取的轨道交通信息数据,计算每个所述轨道交通站的休息日平均客流总量;其中,所述轨道交通信息数据包括所述目标区域内所有轨道交通站对应的位置区码;
基于每个所述乘客在所述预设天数内的工作日的位置区码和所述轨道交通信息数据,计算每个所述轨道交通站的工作日平均客流总量;
基于每个所述乘客在所述预设天数内不同时刻的位置区码和所述轨道交通信息数据,计算每个所述轨道交通站的人均使用轨道交通站次数和每小时的乘客流量;
基于每个所述乘客在当日不同时刻的位置区码和所述轨道交通信息数据,计算每个所述轨道交通站的全天进站客流量;
基于每个所述乘客在当日第三预设时间段的位置区码和所述轨道交通信息数据,计算每个所述轨道交通站在当日第三预设时间段的进站客流量;
根据每个所述轨道交通站的全天进站客流量和在当日第三预设时间段的进站客流量,计算每个所述轨道交通站的早高峰小时系数;
基于每个所述乘客在当日第四预设时间段的位置区码和所述轨道交通信息数据,计算每个所述轨道交通站在当日第四预设时间段的进站客流量;
根据每个所述轨道交通站的全天进站客流量和在当日第四预设时间段的进站客流量,计算每个所述轨道交通站的晚高峰小时系数。
需要说明的是,本实施例的轨道交通站客流特征及接驳方式的识别装置的各实施例的相关具体描述和有益效果可以参考上述的轨道交通站客流特征及接驳方式的识别方法的各实施例的相关具体描述和有益效果,在此不再赘述。
参见图5,是本发明一实施例提供的一种终端设备的结构示意图。
本发明实施例提供的一种终端设备,包括处理器10、存储器20以及存储在所述存储器20中且被配置为由所述处理器10执行的计算机程序,所述处理器10执行所述计算机程序时实现如上述任一实施例所述的轨道交通站客流特征及接驳方式的识别方法。
所述处理器10执行所述计算机程序时实现上述轨道交通站客流特征及接驳方式的识别方法实施例中的步骤,例如图1所示的轨道交通站客流特征及接驳方式的识别方法的所有步骤。或者,所述处理器10执行所述计算机程序时实现上述轨道交通站客流特征及接驳方式的识别装置实施例中各模块/单元的功能,例如图4所示的轨道交通站客流特征及接驳方式的识别装置的各模块的功能。
示例性的,所述计算机程序可以被分割成一个或多个模块,所述一个或者多个模块被存储在所述存储器20中,并由所述处理器10执行,以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器10、存储器20。本领域技术人员可以理解,所述示意图仅仅是终端设备的示例,并不构成对终端设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器10可以是中央处理单元(CentralProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor,DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现场可编程门阵列(Field-ProgrammableGateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器10是所述终端设备的控制中心,利用各种接口和线路连接整个终端设备的各个部分。
所述存储器20可用于存储所述计算机程序和/或模块,所述处理器10通过运行或执行存储在所述存储器20内的计算机程序和/或模块,以及调用存储在存储器20内的数据,实现所述终端设备的各种功能。所述存储器20可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据终端设备的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(SmartMediaCard,SMC),安全数字(SecureDigital,SD)卡,闪存卡(FlashCard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中,所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、电载波信号、电信信号以及软件分发介质等。
需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
综上,本发明实施例所提供的一种轨道交通站客流特征及接驳方式的识别方法、装置及设备,一方面,由于手机信令数据是用户真实使用得到的数据,且,所述手机信令数据中记录了用户移动过程中不同位置的位置区码和每个所述位置区码对应的时间戳,因此,本发明基于目标区域内所有轨道交通站乘客的手机信令数据,能够按照时间顺序还原轨道交通站的乘客全天的出行链,从而能够根据乘客进站前后的出行轨迹,有效识别每个轨道交通站的真实客流特征;其中,所述客流特征包括乘客特征数据、客流范围特征数据、客流流量特征数据;另一方面,本发明通过每个所述轨道交通站在不同交通方式下的可达范围和基于每个乘客的手机信令数据得到的乘客目的地,能够有效识别每个所述轨道交通站的每个乘客的实际接驳方式。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种轨道交通站客流特征及接驳方式的识别方法,其特征在于,包括:
获取目标区域内所有乘客的手机信令数据;
基于每个所述乘客的手机信令数据,确定每个所述轨道交通站的乘客特征数据;其中,所述乘客特征数据包括所述轨道交通站所有乘客的居住地、工作地、乘客类型、来源地和目的地;
基于每个所述轨道交通站的所有乘客的来源地和目的地,计算每个轨道交通站的客流范围特征数据;其中,所述客流范围特征数据包括乘客来源地范围、乘客目的地范围、乘客来源地范围的面积、乘客目的地范围的面积和服务半径;
基于每个所述轨道交通站的所有乘客的手机信令数据,计算每个所述轨道交通站的客流流量特征数据;其中,所述客流流量特征数据包括工作日平均客流总量、休息日平均客流总量、人均使用轨道交通站次数、每小时的乘客流量、早高峰小时系数和晚高峰小时系数;
以每个所述轨道交通站为出发点,计算每个所述轨道交通站在不同交通方式下的可达范围,根据每个所述轨道交通站在不同交通方式下的可达范围和每个所述轨道交通站的每个乘客的目的地,得到每个所述轨道交通站的每个乘客的接驳方式;其中,所述交通方式为骑行、步行或驾车。
2.如权利要求1所述的轨道交通站客流特征及接驳方式的识别方法,其特征在于,所述手机信令数据包括所述乘客在预设天数内不同时刻的位置区码。
3.如权利要求2所述的轨道交通站客流特征及接驳方式的识别方法,其特征在于,所述基于每个所述乘客的手机信令数据,确定每个所述轨道交通站的乘客特征数据;其中,所述乘客特征数据包括所述轨道交通站所有乘客的居住地、工作地、乘客类型、来源地和目的地,包括:
基于每个所述乘客在所述预设天数的第一预设时间段的位置区码和在所述预设天数的第二预设时间段的位置区码,确定每个所述乘客的居住地、工作地和乘客类型;
根据每个所述乘客在所述预设天数内不同时刻的位置区码和预先获取的轨道交通信息数据,确定每个轨道交通站对应的乘客、每个所述乘客进站前的来源地和每个所述乘客出站后的目的地;其中,所述轨道交通信息数据包括所述目标区域内所有轨道交通站对应的位置区码。
4.如权利要求3所述的轨道交通站客流特征及接驳方式的识别方法,其特征在于,所述基于每个所述乘客在所述预设天数的第一预设时间段的位置区码和在所述预设天数的第二预设时间段的位置区码,确定每个所述乘客的居住地、工作地和乘客类型,包括:
基于第i个所述乘客在所述预设天数内第一预设时间段的位置区码,确定第i个所述乘客在第一预设时间段停留时间超过第一预设时长的所有基站,作为第i个所述乘客的备选居住地集合;其中,每个所述备选居住地集合中包含1个或多个备选居住地;i为正整数;
统计第i个所述乘客在同一所述备选居住地每日停留的时间超过所述第一预设时长的第一天数;
当检测到第i个所述乘客对应的任一备选居住地的第一天数达到所述预设天数的第一预设比例时,将该备选居住地作为第i个乘客的居住地,并确定该乘客的乘客类型为常住居民;
当检测到第i个所述乘客对应的全部备选居住地的第一天数均未达到预设最低天数时,确定该乘客的乘客类型为外来访客;
基于第i个所述乘客在所述预设天数内第二预设时间段的位置区码,确定第i个所述乘客在第二预设时间段停留时间超过第一预设时长的所有基站,作为第i个所述乘客的备选工作地集合;其中,每个所述备选工作地集合中包含1个或多个备选工作地;
统计第i个所述乘客在同一所述备选工作地每日停留的时间超过所述第一预设时长的第二天数;
当检测到第i个所述乘客对应的任一备选工作地的第二天数达到所述预设天数的第一预设比例时,将该备选工作地作为第i个乘客的工作地。
5.如权利要求4所述的轨道交通站客流特征及接驳方式的识别方法,其特征在于,所述根据每个所述乘客在所述预设天数内不同时刻的位置区码和预先获取的轨道交通信息数据,确定每个轨道交通站对应的乘客、每个所述乘客进站前的来源地和每个所述乘客出站后的目的地;其中,所述轨道交通信息数据包括所述目标区域内所有轨道交通站对应的位置区码,包括:
当检测到第j个所述轨道交通站对应的位置区码与第i个所述乘客的任一时刻的位置区码相同时,则将该乘客作为第j个所述轨道交通站的乘客;其中,j为正整数;
根据每个所述乘客在当日不同时刻的位置区码,确定每个所述乘客当日的所有OD移动轨迹;
从每个所述乘客当日的所有OD移动轨迹中,筛选每个所述乘客进入对应的所述轨道交通站的OD移动轨迹和每个所述乘客从对应的所述轨道交通站出来后的OD移动轨迹;
根据每个所述乘客进入对应的所述轨道交通站的OD移动轨迹的O点位置,确定每个所述乘客进站前的来源地;
根据每个所述乘客从对应的所述轨道交通站出来后的OD移动轨迹的D点位置,确定每个所述乘客出站后的目的地。
6.如权利要求1所述的轨道交通站客流特征及接驳方式的识别方法,其特征在于,所述基于每个所述轨道交通站的所有乘客的来源地和目的地,计算每个轨道交通站的客流范围特征数据;其中,所述客流范围特征数据包括乘客来源地范围、乘客目的地范围、乘客来源地范围的面积、乘客目的地范围的面积和服务半径,包括:
对第j个所述轨道交通站的所有乘客的来源地进行核密度计算,得到第j个所述轨道交通站所有乘客的来源地核密度范围;其中,j为正整数;
根据每个所述来源地核密度范围的核密度值,从大到小依次对第j个所述轨道交通站的来源地核密度范围进行累加,直至检测到累加后的来源地核密度范围内的乘客数量达到第j个所述轨道交通站所有乘客总数的第二预设比例为止;
将第j个所述轨道交通站的累加后的来源地核密度范围,作为第j个所述轨道交通站的乘客来源地范围;
对第j个所述轨道交通站的所有乘客的出发地进行核密度计算,得到第j个所述轨道交通站所有乘客的出发地核密度范围;
根据每个所述出发地核密度范围的核密度值,从大到小依次对第j个所述轨道交通站的出发地核密度范围进行累加,直至检测到累加后的出发地核密度范围内的乘客数量达到第j个所述轨道交通站所有乘客总数的第二预设比例为止;
将第j个所述轨道交通站的累加后的出发地核密度范围,作为第j个所述轨道交通站的乘客目的地范围;
计算第j个所述轨道交通站的乘客来源地范围的面积和乘客目的地范围的面积;
根据第j个所述轨道交通站的乘客来源地范围的面积,计算第j个所述轨道交通站的服务半径。
7.如权利要求2所述的轨道交通站客流特征及接驳方式的识别方法,所述基于每个所述轨道交通站的所有乘客的手机信令数据,计算每个所述轨道交通站的客流流量特征数据;其中,所述客流流量特征数据包括工作日平均客流总量、休息日平均客流总量、人均使用轨道交通站次数、每小时的乘客流量、早高峰小时系数和晚高峰小时系数,包括:
基于每个所述乘客在所述预设天数内的休息日的位置区码和预先获取的轨道交通信息数据,计算每个所述轨道交通站的休息日平均客流总量;其中,所述轨道交通信息数据包括所述目标区域内所有轨道交通站对应的位置区码;
基于每个所述乘客在所述预设天数内的工作日的位置区码和所述轨道交通信息数据,计算每个所述轨道交通站的工作日平均客流总量;
基于每个所述乘客在所述预设天数内不同时刻的位置区码和所述轨道交通信息数据,计算每个所述轨道交通站的人均使用轨道交通站次数和每小时的乘客流量;
基于每个所述乘客在当日不同时刻的位置区码和所述轨道交通信息数据,计算每个所述轨道交通站的全天进站客流量;
基于每个所述乘客在当日第三预设时间段的位置区码和所述轨道交通信息数据,计算每个所述轨道交通站在当日第三预设时间段的进站客流量;
根据每个所述轨道交通站的全天进站客流量和在当日第三预设时间段的进站客流量,计算每个所述轨道交通站的早高峰小时系数;
基于每个所述乘客在当日第四预设时间段的位置区码和所述轨道交通信息数据,计算每个所述轨道交通站在当日第四预设时间段的进站客流量;
根据每个所述轨道交通站的全天进站客流量和在当日第四预设时间段的进站客流量,计算每个所述轨道交通站的晚高峰小时系数。
8.如权利要求4所述的轨道交通站客流特征及接驳方式的识别方法,其特征在于,所述预设天数为30天,所述第一预设比例为50%。
9.一种轨道交通站客流特征及接驳方式的识别装置,其特征在于,包括:
手机信令数据获取模块,用于获取目标区域内所有乘客的手机信令数据;
乘客特征数据识别模块,用于基于每个所述乘客的手机信令数据,确定每个所述轨道交通站的乘客特征数据;其中,所述乘客特征数据包括所述轨道交通站所有乘客的居住地、工作地、乘客类型、来源地和目的地;
客流范围特征识别模块,用于基于每个所述轨道交通站的所有乘客的来源地和目的地,计算每个轨道交通站的客流范围特征数据;其中,所述客流范围特征数据包括乘客来源地范围、乘客目的地范围、乘客来源地范围的面积、乘客目的地范围的面积和服务半径;
客流流量特征识别模块,用于基于每个所述轨道交通站的所有乘客的手机信令数据,计算每个所述轨道交通站的客流流量特征数据;其中,所述客流流量特征数据包括工作日平均客流总量、休息日平均客流总量、人均使用轨道交通站次数、每小时的乘客流量、早高峰小时系数和晚高峰小时系数;
客流接驳方式识别模块,用于以每个所述轨道交通站为出发点,计算每个所述轨道交通站在不同交通方式下的可达范围,根据每个所述轨道交通站在不同交通方式下的可达范围和每个所述轨道交通站的每个乘客的目的地,得到每个所述轨道交通站的每个乘客的接驳方式;其中,所述交通方式为骑行、步行或驾车。
10.一种终端设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至8中任意一项所述的轨道交通站客流特征及接驳方式的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211002661.9A CN115086879B (zh) | 2022-08-22 | 2022-08-22 | 轨道交通站客流特征及接驳方式的识别方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211002661.9A CN115086879B (zh) | 2022-08-22 | 2022-08-22 | 轨道交通站客流特征及接驳方式的识别方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115086879A true CN115086879A (zh) | 2022-09-20 |
CN115086879B CN115086879B (zh) | 2022-12-16 |
Family
ID=83244718
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211002661.9A Active CN115086879B (zh) | 2022-08-22 | 2022-08-22 | 轨道交通站客流特征及接驳方式的识别方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115086879B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010140074A (ja) * | 2008-12-09 | 2010-06-24 | Railway Technical Res Inst | プログラム及び旅客需要予測装置 |
CN109034474A (zh) * | 2018-07-26 | 2018-12-18 | 北京航空航天大学 | 一种基于poi数据和客流数据的地铁站聚类与回归分析方法及系统 |
CN109190685A (zh) * | 2018-08-15 | 2019-01-11 | 西南交通大学 | 融合空间聚类和基站序列规则的轨道出行特征提取方法 |
CN109657843A (zh) * | 2018-11-28 | 2019-04-19 | 深圳市综合交通设计研究院有限公司 | 一种城市接驳公交系统的一体化规划决策支持系统 |
CN109992605A (zh) * | 2019-03-14 | 2019-07-09 | 上海同济城市规划设计研究院有限公司 | 基于手机信令数据的人口识别方法及系统 |
CN111222744A (zh) * | 2019-11-18 | 2020-06-02 | 西南交通大学 | 基于信令数据的建成环境与轨道客流分布关系确定方法 |
CN112001829A (zh) * | 2020-08-14 | 2020-11-27 | 青岛市城市规划设计研究院 | 一种基于手机信令数据的人口分布判断方法 |
CN112288131A (zh) * | 2020-09-24 | 2021-01-29 | 和智信(山东)大数据科技有限公司 | 公交站点优化方法、电子设备及计算机可读存储介质 |
WO2021073008A1 (zh) * | 2019-10-15 | 2021-04-22 | 中国科学院深圳先进技术研究院 | 地铁站服务范围确定方法及系统 |
CN113112076A (zh) * | 2021-04-14 | 2021-07-13 | 北京航空航天大学 | 一种客流集散模式发现及预测方法 |
CN113438605A (zh) * | 2021-08-27 | 2021-09-24 | 深圳市城市交通规划设计研究中心股份有限公司 | 轨道站点客流集散空间分布识别方法、装置及电子设备 |
CN113613174A (zh) * | 2021-07-09 | 2021-11-05 | 中山大学 | 基于手机信令数据的职住地识别方法、装置及存储介质 |
WO2021239521A1 (en) * | 2020-05-28 | 2021-12-02 | Telecom Italia S.P.A. | Method and system for calculating origin-destination matrices exploiting mobile communication network data |
CN113891252A (zh) * | 2021-09-18 | 2022-01-04 | 苏州规划设计研究院股份有限公司 | 基于手机信令数据的轨道客流全程od提取方法及系统 |
-
2022
- 2022-08-22 CN CN202211002661.9A patent/CN115086879B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010140074A (ja) * | 2008-12-09 | 2010-06-24 | Railway Technical Res Inst | プログラム及び旅客需要予測装置 |
CN109034474A (zh) * | 2018-07-26 | 2018-12-18 | 北京航空航天大学 | 一种基于poi数据和客流数据的地铁站聚类与回归分析方法及系统 |
CN109190685A (zh) * | 2018-08-15 | 2019-01-11 | 西南交通大学 | 融合空间聚类和基站序列规则的轨道出行特征提取方法 |
CN109657843A (zh) * | 2018-11-28 | 2019-04-19 | 深圳市综合交通设计研究院有限公司 | 一种城市接驳公交系统的一体化规划决策支持系统 |
CN109992605A (zh) * | 2019-03-14 | 2019-07-09 | 上海同济城市规划设计研究院有限公司 | 基于手机信令数据的人口识别方法及系统 |
WO2021073008A1 (zh) * | 2019-10-15 | 2021-04-22 | 中国科学院深圳先进技术研究院 | 地铁站服务范围确定方法及系统 |
CN111222744A (zh) * | 2019-11-18 | 2020-06-02 | 西南交通大学 | 基于信令数据的建成环境与轨道客流分布关系确定方法 |
WO2021239521A1 (en) * | 2020-05-28 | 2021-12-02 | Telecom Italia S.P.A. | Method and system for calculating origin-destination matrices exploiting mobile communication network data |
CN112001829A (zh) * | 2020-08-14 | 2020-11-27 | 青岛市城市规划设计研究院 | 一种基于手机信令数据的人口分布判断方法 |
CN112288131A (zh) * | 2020-09-24 | 2021-01-29 | 和智信(山东)大数据科技有限公司 | 公交站点优化方法、电子设备及计算机可读存储介质 |
CN113112076A (zh) * | 2021-04-14 | 2021-07-13 | 北京航空航天大学 | 一种客流集散模式发现及预测方法 |
CN113613174A (zh) * | 2021-07-09 | 2021-11-05 | 中山大学 | 基于手机信令数据的职住地识别方法、装置及存储介质 |
CN113438605A (zh) * | 2021-08-27 | 2021-09-24 | 深圳市城市交通规划设计研究中心股份有限公司 | 轨道站点客流集散空间分布识别方法、装置及电子设备 |
CN113891252A (zh) * | 2021-09-18 | 2022-01-04 | 苏州规划设计研究院股份有限公司 | 基于手机信令数据的轨道客流全程od提取方法及系统 |
Non-Patent Citations (11)
Title |
---|
万传风等: "基于乘客出行价值效用函数的P&R规模预测", 《北京交通大学学报》 * |
余书宇: "大型铁路综合客运枢纽客流疏解预警方法研究", 《重庆交通大学硕士学位论文》 * |
刘思涵: "基于手机信令数据的城市轨道交通线网建设时序决策支持模型", 《西部人居环境学刊》 * |
刘福平: "基于手机信令的城市交通网络关键节点识别及时空特征研究", 《中国优秀硕士学位论文全文数据库》 * |
朱婷: "航站楼值机大厅旅客步行交通特性实证研究", 《华东交通大学学报》 * |
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》 * |
王启轩: "城际客流视角的多尺度城市体系空间关联特征研究——基于广州市四大铁路枢纽的探讨", 《中国西部》 * |
王晓梦: "基于签到数据的城市商业空间空心化识别研究——以北京市城六区为例", 《城市发展研究》 * |
程国柱; 周林芳; 徐慧智: "基于GWR的城市轨道交通车站客流预测模型", 《武汉理工大学学报(交通科学与工程版) 》 * |
罗江凡: "轨道交通站点"最后一公里"的接驳研究", 《现代城市轨道交通》 * |
袁钰: "基于多源大数据的城市轨道交通客流分析方法", 《中国优秀硕士学位论文》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115086879B (zh) | 2022-12-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Another tale of two cities: Understanding human activity space using actively tracked cellphone location data | |
CN104167092B (zh) | 一种确定出租车上下客热点区域中心的方法以及装置 | |
CN104951865B (zh) | 一种基于电网gis的物资调拨追踪方法及系统 | |
CN108170793A (zh) | 基于车辆语义轨迹数据的停留点分析方法及其系统 | |
CN107194525A (zh) | 一种基于手机信令的城市中心评估方法 | |
CN105632222A (zh) | 预报到站时间的方法及其系统 | |
CN110472999B (zh) | 基于地铁和共享单车数据的客流模式分析方法及装置 | |
CN115086880B (zh) | 一种出行特征识别方法、装置、设备及存储介质 | |
CN108549976A (zh) | 智慧旅游大数据分析方法 | |
CN112579718A (zh) | 一种城市用地功能的识别方法、装置及终端设备 | |
CN108806301A (zh) | 一种公交车辆信息的自动识别方法 | |
CN112118548A (zh) | 一种大数据识别常住人口与流动人口的方法和存储设备 | |
CN105844031B (zh) | 一种基于手机定位数据的城市交通廊道识别方法 | |
CN106295868A (zh) | 交通出行数据处理方法及装置 | |
CN109672986A (zh) | 一种时空大数据分析系统 | |
CN110070259B (zh) | 一种基于gis空间大数据分析的安防设备智慧选址方法 | |
CN117056823A (zh) | 一种识别共享单车通勤用户职业类型的方法及系统 | |
CN113573238B (zh) | 一种基于手机信令的联程旅客出行链识别方法 | |
CN112598559B (zh) | 一种智慧园区综合管理方法、装置、存储介质及电子设备 | |
CN115086879B (zh) | 轨道交通站客流特征及接驳方式的识别方法、装置及设备 | |
CN111998857B (zh) | 对室内物体位置进行实时定位的系统及方法 | |
CN115129769A (zh) | 一种居民出行调查扩样方法、装置及存储介质 | |
CN110933601B (zh) | 目标区域确定方法、装置、设备和介质 | |
CN110442660B (zh) | 一种用于智能公交系统的公交线网长度计算方法 | |
CN110942622B (zh) | 一种基于停车场实时运营大数据的停车场规划方法 |
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 |