CN115100858A - 一种共享单车与私人单车出行方式识别方法和系统 - Google Patents
一种共享单车与私人单车出行方式识别方法和系统 Download PDFInfo
- Publication number
- CN115100858A CN115100858A CN202210698919.7A CN202210698919A CN115100858A CN 115100858 A CN115100858 A CN 115100858A CN 202210698919 A CN202210698919 A CN 202210698919A CN 115100858 A CN115100858 A CN 115100858A
- Authority
- CN
- China
- Prior art keywords
- travel
- bicycle
- riding
- private
- gps
- 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 32
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000013135 deep learning Methods 0.000 claims abstract description 26
- 230000008447 perception Effects 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000012567 pattern recognition method Methods 0.000 claims 6
- 238000003909 pattern recognition Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 6
- 238000011835 investigation Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003340 mental effect Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
Abstract
本申请公开了一种共享单车与私人单车出行方式识别方法和系统，本方法包括：采集测试人员的GPS行程数据和经济数据；基于GPS行程数据，得到出行特征数据集；通过深度学习训练法，得到单车出行识别模型；基于单车出行识别模型和GPS行程数据，得到骑行轨迹和骑行起止点位置；基于骑行轨迹和骑行起止点位置，得到共享单车出行特征和私人单车出行特征；通过深度学习训练服，得到共享单车‑私人单车出行识别模型，用于出行方式识别。本申请技术方案，通过GPS数据就能准确判别居民出行方式，极大简化了出行调研工作，同时将出行方式与个人经济数据相结合，实现了通过经济数据反映出行方式的效果。
Description
技术领域
本申请属于社会居民出行行为调研技术领域，具体涉及一种共享单车与私人单车出行方式识别方法和系统。
背景技术
随着我国城镇化建设和社会经济的快速发展，交通拥堵已经成为我国许多城市最重的“城市病”之一。伴随交通拥堵而生的资源短缺、环境污染等问题也越来越严重。为了缓解日益严重的城市交通拥堵等问题，交通管理部门制定了一系列的交通需求管理策略，用于调整交通需求的时空分布。这些策略的制定依赖于对居民出行模式和规律的深刻理解。居民出行调查是获取居民的活动-出行行为规律的重要手段，能为居民出行模式的构建提供数据基础。然而，在传统的居民出行调查中，志愿者负担较重、数据精度较低、且无法方便的获取被调查者的出行路径。随着定位技术的快速发展，基于GPS的调查方法为解决这些问题提供了途径。GPS调查能收集精确的位置数据，但无法直接获取出行端点、出行方式和出行目的等信息。因此，探索基于GPS的出行调查方法，并基于GPS数据挖掘出行端点、出行方式和出行目的等出行特征具有重要的研究意义。
发明内容
本申请提出了一种共享单车与私人单车出行方式识别方法和系统，基于真实的GPS行程数据，先筛选骑行出行，再甄别共享单车和私人单车出行方式，同步的，结合个体经济数据，建立带有经济数据的共享单车-私人单车出行识别模型，用来识别共享单车和私人单车出行方式。
为实现上述目的，本申请提供了如下方案：
一种共享单车与私人单车出行方式识别方法，包括如下步骤：
采集测试人员的GPS行程数据和经济数据；
基于所述GPS行程数据，得到出行特征数据集；
基于所述出行特征数据集，通过深度学习训练法，得到单车出行识别模型；
基于所述单车出行识别模型和所述GPS行程数据，得到骑行轨迹和骑行起止点位置；
基于所述骑行轨迹和所述骑行起止点位置，得到共享单车出行特征和私人单车出行特征；
基于所述共享单车出行特征、所述私人单车出行特征和所述经济数据，通过深度学习训练服，得到共享单车-私人单车出行识别模型，所述共享单车-私人单车出行识别模型用于出行方式识别。
优选的，所述GPS行程数据包括GPS位置点、所述GPS位置点的GPS时间和预设路程距离内的GPS移动速率；
所述GPS行程数据通过电子地图显示。
优选的，所述出行特征数据集包括地铁出行特征数据集、公交车出行特征数据集、私家车出行特征数据集和单车骑行特征数据集；
根据所述GPS时间和所述GPS移动速率，识别并得到所述地铁出行特征数据集、所述公交车出行特征数据集、所述私家车出行特征数据集和所述单车骑行特征数据集。
优选的，得到所述单车出行识别模型的方法包括：
将所述地铁出行特征数据集、所述公交车出行特征数据集、所述私家车出行特征数据集和所述单车骑行特征数据集与所述经济数据进行关联；
对关联了所述经济数据的所述地铁出行特征数据集、所述公交车出行特征数据集、所述私家车出行特征数据集和所述单车骑行特征数据集分别进行深度学习训练，得到所述单车出行识别模型。
优选的，得到所述骑行轨迹和所述骑行起止点位置的方法包括：
基于所述单车出行识别模型，识别并得到骑行出行轨迹；
根据所述骑行出行轨迹和所述GPS移动速率，得到步骑转换位置点；
根据所述步骑转换位置点和所述GPS移动速率，得到所述骑行轨迹和所述骑行起止点位置，所述骑行起止点位置包括骑行终点位置和骑行起点位置。
优选的，获取连续三次的所述骑行轨迹和所述骑行起止点位置；
当第一次骑行轨迹的骑行终点位置与第二次骑行轨迹的骑行起点位置一致，且第二次骑行轨迹的骑行终点位置与第三次骑行轨迹的骑行起点位置一致时，标记第二次骑行轨迹的GPS行程数据为所述私人单车出行特征；
当第一次骑行轨迹的骑行终点位置与第二次骑行轨迹的骑行起点位置不一致，或第二次骑行轨迹的骑行终点位置与第三次骑行轨迹的骑行起点位置不一致时，标记骑行起点位置发生改变的骑行轨迹对应的GPS行程数据为所述共享单车出行特征。
优选的，得到所述共享单车-私人单车出行识别模型的方法包括：
将所述共享单车出行特征、所述私人单车出行特征与所述经济数据进行关联；
对关联了所述经济数据的所述共享单车出行特征、所述私人单车出行特征分别进行深度学习训练，得到所述共享单车-私人单车出行识别模型。
另一方面，为实现上述目的，本申请还提供了一种共享单车与私人单车出行方式识别系统，包括基础数据采集子系统、出行特征子系统、单车出行感知子系统、骑行感知子系统、单车出行特征子系统和共享单车-私人单车识别子系统：
所述基础数据采集子系统用于采集测试人员的GPS行程数据和经济数据；
所述出行特征子系统用于基于所述GPS行程数据，得到出行特征数据集；
所述单车出行感知子系统用于基于所述出行特征数据集，通过深度学习训练法，得到单车出行识别模型；
所述骑行感知子系统用于基于所述单车出行识别模型和所述GPS行程数据，得到骑行轨迹和骑行起止点位置；
所述单车出行特征子系统用于基于所述骑行轨迹和所述骑行起止点位置，得到共享单车出行特征和私人单车出行特征；
所述共享单车-私人单车识别子系统用于基于所述共享单车出行特征、所述私人单车出行特征和所述经济数据，通过深度学习训练服，得到共享单车-私人单车出行识别模型，所述共享单车-私人单车出行识别模型用于出行方式识别。
优选的，所述GPS行程数据包括GPS位置点、所述GPS位置点的GPS时间和预设路程距离内的GPS移动速率；
所述GPS行程数据通过电子地图显示。
本申请的有益效果为：
一种共享单车与私人单车出行方式识别方法和系统，基于真实的GPS行程数据，先筛选骑行出行，再甄别共享单车和私人单车出行方式，同步的，结合个体经济数据，建立带有经济数据的共享单车-私人单车出行识别模型，用来识别共享单车和私人单车出行方式。本申请技术方案，通过GPS数据就能准确判别居民出行方式，极大简化了出行调研工作，同时将出行方式与个人经济数据相结合，实现了通过经济数据反映出行方式的效果。
附图说明
为了更清楚地说明本申请的技术方案，下面对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例一的共享单车与私人单车出行方式识别方法流程示意图；
图2为本申请实施例二的共享单车与私人单车出行方式识别系统结构示意图。
具体实施方式
居民出行调查是获取居民的活动-出行行为规律的重要手段，能为居民出行模式的构建提供数据基础。然而，在传统的居民出行调查中，志愿者负担较重、数据精度较低、且无法方便的获取被调查者的出行路径。随着定位技术的快速发展，基于GPS的调查方法为解决这些问题提供了途径。GPS调查能收集精确的位置数据，但无法直接获取出行端点、出行方式和出行目的等信息。因此，探索基于GPS的出行调查方法，并基于GPS数据挖掘出行轨迹和出行方式等出行特征具有重要的研究意义。
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。
实施例一
如图1所示，为本申请实施例一种共享单车与私人单车出行方式识别方法流程示意图，主要包括以下步骤：
S102.采集测试人员的GPS行程数据和经济数据。
在本实施例中，所有GPS数据均采集自出行者的智能手机，包括GPS位置点和每一个GPS位置点的GPS时间，并进一步计算得到预设路程距离(例如：50米)内的GPS移动速率。所有GPS行程数据均通过电子地图显示。
同时通过调查问卷等形式，采集该智能手机拥有者的经济数据，以及环保意识、风险意识和主观规范等心理潜变量数据，如有需要，还可基于网络爬虫技术，采集城市兴趣点(Point of Interest,POI)数据以及共享单车和公共交通等交通系统设施特征等多源数据，作为电子地图的辅助数据内容。
S104.基于所述GPS行程数据，得到出行特征数据集。
在本实施例中，出行特征数据集包括地铁出行特征数据集、公交车出行特征数据集、私家车出行特征数据集和单车骑行特征数据集。
众所周知的，地铁、公交车、私家车和单车出行，具有鲜明的GPS数据特点，例如：地铁、公交车都是严格遵循既定线路行驶，即便线路有交叉，在电子地图的辅助下，也可以筛选出具体的行驶线路。但地铁的出行速度明显要快的多，而且可以保持全天候高速行驶，而公交车则根据一天中不同的时间、不同路段的拥堵情况，呈现出与路况鲜明的对应关系。私家车出行与公交车具有类似的行驶特征，但行驶路线杂乱，难以与公交车路线重合，且最高速度和最低速度差距较大。单车骑行虽然速度较慢，但停与行明显更加随意。对这四类交通工具设定合适的特征，为后续筛选建立不同的出行特征数据集提供依据。
根据GPS时间和GPS移动速率，从而识别并得到地铁出行特征数据集、公交车出行特征数据集、私家车出行特征数据集和单车骑行特征数据集。
S106.基于所述出行特征数据集，通过深度学习训练法，得到单车出行识别模型。
有鉴于本申请技术方案重点在于识别共享单车和私人单车出行方式，故本步骤仅建立单车出行识别模型。若需要建立其他出行方式识别模型，可参考本步骤。
将S104步骤中得到的地铁出行特征数据集、公交车出行特征数据集、私家车出行特征数据集和单车骑行特征数据集，与居民个体经济数据进行关联。该关联操作，可以为通过经济数据反映出行方式提供参考。
对关联了经济数据的地铁出行特征数据集、公交车出行特征数据集、私家车出行特征数据集和单车骑行特征数据集分别进行深度学习训练，例如：基于卷积神经网络的深度学习和训练，卷积神经网络为常规技术，具体学习和训练方式，可参阅相关技术资料，在此不再赘述。通过深度学习训练，得到四种出行方式识别模型。本实施例重点建立单车出行识别模型。
S108.基于所述单车出行识别模型和所述GPS行程数据，得到骑行轨迹和骑行起止点位置。
在本步骤中，首先基于S106建立的单车出行识别模型，识别所有GPS数据中的骑行出行轨迹。
然后根据GPS移动速率，得到步骑转换点位置，该步骤原理在于步行速率与骑行速率具有明显的速度变化和速度差，而该速度变化和速度差又是紧密衔接在一起的，即当由步行改为骑行后，会持续相当一段时间，同时，由骑行改为步行后，也会持续一段时间。这个速度变化的位置点，标记为步骑转换点。
最后，根据步骑转换位置点和两位置点间的GPS移动速率，得到骑行轨迹和骑行起止点位置，速度变大的位置点即为骑行起点位置，速度明显变小的位置点即为骑行终止点，两点之间为骑行轨迹。
实际路况中，还可能存在伪起止点的情况，例如红绿灯路口，若GPS位置停止前后两端轨迹的速率相似，且明显不属于步行特征，则认为刚才的停止点为伪起止点，前后两端轨迹均为骑行轨迹。
S110.基于所述骑行轨迹和所述骑行起止点位置，得到共享单车出行特征和私人单车出行特征。
为了更精准的分辨共享单车出行和私人单车出行，在本实施例中，采用连续三次的骑行轨迹和骑行终止点位置进行分析判断，判断依据包括：共享单车出行的起终点通常位于站点(或电子围栏)内，而且通常只能停在居住小区或者封闭园区外，私人单车则限制较少，甚至可以直接骑行到家门口或单位楼下：在出行链方面，部分共享单车出行链为非连续出行链(即上一次骑行从A到B，下一次骑行可能从C到D)，但私人单车出行链通常是连续的(即上一次骑行从A到B，下一次从B到C)；在多日出行方面，由于有时无法找到共享单车等原因，导致多日共享单车使用模式呈多样化特征，而私人单车多日出行模式差异性较小。
居于此，当第一次骑行轨迹的骑行终点位置与第二次骑行轨迹的骑行起点位置一致，且第二次骑行轨迹的骑行终点位置与第三次骑行轨迹的骑行起点位置一致时，标记第二次骑行轨迹的GPS行程数据为私人单车出行特征。
当第一次骑行轨迹的骑行终点位置与第二次骑行轨迹的骑行起点位置不一致，或第二次骑行轨迹的骑行终点位置与第三次骑行轨迹的骑行起点位置不一致时，标记骑行起点位置发生改变的骑行轨迹对应的GPS行程数据为共享单车出行特征。
S112.基于所述共享单车出行特征、所述私人单车出行特征和所述经济数据，通过深度学习训练服，得到共享单车-私人单车出行识别模型，所述共享单车-私人单车出行识别模型用于出行方式识别。
在本实施例中，再次将共享单车出行特征、私人单车出行特征与经济数据进行关联，理论依据包括：大部分共享单车出行者为年轻人且文化程度较高，无桩共享单车出行者则需要掌握智能手机和移动支付等操作，而私人单车出行者则遍布各群体。
然后，再次对关联了经济数据的共享单车出行特征、私人单车出行特征分别进行深度学习训练(具体方式可参考S104)，得到共享单车-私人单车出行识别模型。该识别模型由于关联了个体经济数据，同时实现了通过经济数据反映出行方式的效果。
上述出行方式识别方法，基于真实的GPS行程数据，先筛选骑行出行，再甄别共享单车和私人单车出行方式，同步的，结合个体经济数据，建立带有经济数据的共享单车-私人单车出行识别模型，用来识别共享单车和私人单车出行方式，极大简化了出行调研工作，同时将出行方式与个人经济数据相结合，实现了通过经济数据反映出行方式的效果。
实施例二
如图2所示，为本申请实施例二的共享单车与私人单车出行方式识别系统结构示意图，主要包括基础数据采集子系统、出行特征子系统、单车出行感知子系统、骑行感知子系统、单车出行特征子系统和共享单车-私人单车识别子系统：
在本实施例中，基础数据采集子系统用于采集测试人员的GPS行程数据和经济数据。具体的，所有GPS数据均采集自出行者的智能手机，包括GPS位置点和每一个GPS位置点的GPS时间，并进一步计算得到预设路程距离(例如：50米)内的GPS移动速率。所有GPS行程数据均通过电子地图显示。同时通过调查问卷等形式，采集该智能手机拥有者的经济数据，以及环保意识、风险意识和主观规范等心理潜变量数据，如有需要，还可基于网络爬虫技术，采集城市兴趣点(Point of Interest,POI)数据以及共享单车和公共交通等交通系统设施特征等多源数据，作为电子地图的辅助数据内容。
出行特征子系统用于基于GPS行程数据，得到出行特征数据集。在本实施例中，出行特征数据集包括地铁出行特征数据集、公交车出行特征数据集、私家车出行特征数据集和单车骑行特征数据集。本实施例中，出行特征子系统根据GPS时间和GPS移动速率，从而识别并得到地铁出行特征数据集、公交车出行特征数据集、私家车出行特征数据集和单车骑行特征数据集。
单车出行感知子系统用于基于出行特征数据集，通过深度学习训练法，得到单车出行识别模型。在本实施例中，将出行特征子系统中得到的地铁出行特征数据集、公交车出行特征数据集、私家车出行特征数据集和单车骑行特征数据集，与居民个体经济数据进行关联。该关联操作，可以为通过经济数据反映出行方式提供参考。然后，再对关联了经济数据的地铁出行特征数据集、公交车出行特征数据集、私家车出行特征数据集和单车骑行特征数据集分别进行深度学习训练，例如：基于卷积神经网络的深度学习和训练，卷积神经网络为常规技术，具体学习和训练方式，可参阅相关技术资料，在此不再赘述。通过深度学习训练，得到四种出行方式识别模型。本实施例重点建立单车出行识别模型。
骑行感知子系统用于基于单车出行识别模型和GPS行程数据，得到骑行轨迹和骑行终止点位置。在本实施例中，骑行感知子系统首先基于单车出行感知子系统建立的单车出行识别模型，识别所有GPS数据中的骑行出行轨迹。然后根据GPS移动速率，得到步骑转换点位置，该步骤原理在于步行速率与骑行速率具有明显的速度变化和速度差，而该速度变化和速度差又是紧密衔接在一起的，即当由步行改为骑行后，会持续相当一段时间，同时，由骑行改为步行后，也会持续一段时间。这个速度变化的位置点，标记为步骑转换点。最后，根据步骑转换位置点和两位置点间的GPS移动速率，得到骑行轨迹和骑行起止点位置，速度变大的位置点即为骑行起点位置，速度明显变小的位置点即为骑行终止点，两点之间为骑行轨迹。
单车出行特征子系统用于基于骑行轨迹和骑行终止点位置，得到共享单车出行特征和私人单车出行特征。在本实施例中，采用连续三次的骑行轨迹和骑行终止点位置进行分析判断，判断依据包括：共享单车出行的起终点通常位于站点(或电子围栏)内，而且通常只能停在居住小区或者封闭园区外，私人单车则限制较少，甚至可以直接骑行到家门口或单位楼下：在出行链方面，部分共享单车出行链为非连续出行链(即上一次骑行从A到B，下一次骑行可能从C到D)，但私人单车出行链通常是连续的(即上一次骑行从A到B，下一次从B到C)；在多日出行方面，由于有时无法找到共享单车等原因，导致多日共享单车使用模式呈多样化特征，而私人单车多日出行模式差异性较小。居于此，当第一次骑行轨迹的骑行终点位置与第二次骑行轨迹的骑行起点位置一致，且第二次骑行轨迹的骑行终点位置与第三次骑行轨迹的骑行起点位置一致时，标记第二次骑行轨迹的GPS行程数据为私人单车出行特征。当第一次骑行轨迹的骑行终点位置与第二次骑行轨迹的骑行起点位置不一致，或第二次骑行轨迹的骑行终点位置与第三次骑行轨迹的骑行起点位置不一致时，标记骑行起点位置发生改变的骑行轨迹对应的GPS行程数据为共享单车出行特征。
共享单车-私人单车识别子系统用于基于共享单车出行特征、私人单车出行特征和经济数据，通过深度学习训练服，得到共享单车-私人单车出行识别模型，共享单车-私人单车出行识别模型用于出行方式识别。在本实施例中，再次将共享单车出行特征、私人单车出行特征与经济数据进行关联，理论依据包括：大部分共享单车出行者为年轻人且文化程度较高，无桩共享单车出行者则需要掌握智能手机和移动支付等操作，而私人单车出行者则遍布各群体。然后，再次对关联了经济数据的共享单车出行特征、私人单车出行特征分别进行深度学习训练(具体方式可参考出行特征子系统)，得到共享单车-私人单车出行识别模型。该识别模型由于关联了个体经济数据，同时实现了通过经济数据反映出行方式的效果。
上述出行方式识别系统，基于真实的GPS行程数据，先筛选骑行出行，再甄别共享单车和私人单车出行方式，同步的，结合个体经济数据，建立带有经济数据的共享单车-私人单车出行识别模型，用来识别共享单车和私人单车出行方式，极大简化了出行调研工作，同时将出行方式与个人经济数据相结合，实现了通过经济数据反映出行方式的效果。
以上所述的实施例仅是对本申请优选方式进行的描述，并非对本申请的范围进行限定，在不脱离本申请设计精神的前提下，本领域普通技术人员对本申请的技术方案做出的各种变形和改进，均应落入本申请权利要求书确定的保护范围内。
Claims (9)
1.一种共享单车与私人单车出行方式识别方法，其特征在于，包括如下步骤：
采集测试人员的GPS行程数据和经济数据；
基于所述GPS行程数据，得到出行特征数据集；
基于所述出行特征数据集，通过深度学习训练法，得到单车出行识别模型；
基于所述单车出行识别模型和所述GPS行程数据，得到骑行轨迹和骑行起止点位置；
基于所述骑行轨迹和所述骑行起止点位置，得到共享单车出行特征和私人单车出行特征；
基于所述共享单车出行特征、所述私人单车出行特征和所述经济数据，通过深度学习训练服，得到共享单车-私人单车出行识别模型，所述共享单车-私人单车出行识别模型用于出行方式识别。
2.根据权利要求1所述的共享单车与私人单车出行方式识别方法，其特征在于，
所述GPS行程数据包括GPS位置点、所述GPS位置点的GPS时间和预设路程距离内的GPS移动速率；
所述GPS行程数据通过电子地图显示。
3.根据权利要求2所述的共享单车与私人单车出行方式识别方法，其特征在于，
所述出行特征数据集包括地铁出行特征数据集、公交车出行特征数据集、私家车出行特征数据集和单车骑行特征数据集；
根据所述GPS时间和所述GPS移动速率，识别并得到所述地铁出行特征数据集、所述公交车出行特征数据集、所述私家车出行特征数据集和所述单车骑行特征数据集。
4.根据权利要求3所述的共享单车与私人单车出行方式识别方法，其特征在于，
得到所述单车出行识别模型的方法包括：
将所述地铁出行特征数据集、所述公交车出行特征数据集、所述私家车出行特征数据集和所述单车骑行特征数据集与所述经济数据进行关联；
对关联了所述经济数据的所述地铁出行特征数据集、所述公交车出行特征数据集、所述私家车出行特征数据集和所述单车骑行特征数据集分别进行深度学习训练，得到所述单车出行识别模型。
5.根据权利要求2所述的共享单车与私人单车出行方式识别方法，其特征在于，
得到所述骑行轨迹和所述骑行起止点位置的方法包括：
基于所述单车出行识别模型，识别并得到骑行出行轨迹；
根据所述骑行出行轨迹和所述GPS移动速率，得到步骑转换位置点；
根据所述步骑转换位置点和所述GPS移动速率，得到所述骑行轨迹和所述骑行起止点位置，所述骑行起止点位置包括骑行终点位置和骑行起点位置。
6.根据权利要求5所述的共享单车与私人单车出行方式识别方法，其特征在于，
获取连续三次的所述骑行轨迹和所述骑行起止点位置；
当第一次骑行轨迹的骑行终点位置与第二次骑行轨迹的骑行起点位置一致，且第二次骑行轨迹的骑行终点位置与第三次骑行轨迹的骑行起点位置一致时，标记第二次骑行轨迹的GPS行程数据为所述私人单车出行特征；
当第一次骑行轨迹的骑行终点位置与第二次骑行轨迹的骑行起点位置不一致，或第二次骑行轨迹的骑行终点位置与第三次骑行轨迹的骑行起点位置不一致时，标记骑行起点位置发生改变的骑行轨迹对应的GPS行程数据为所述共享单车出行特征。
7.根据权利要求6所述的共享单车与私人单车出行方式识别方法，其特征在于，
得到所述共享单车-私人单车出行识别模型的方法包括：
将所述共享单车出行特征、所述私人单车出行特征与所述经济数据进行关联；
对关联了所述经济数据的所述共享单车出行特征、所述私人单车出行特征分别进行深度学习训练，得到所述共享单车-私人单车出行识别模型。
8.一种共享单车与私人单车出行方式识别系统，其特征在于，包括基础数据采集子系统、出行特征子系统、单车出行感知子系统、骑行感知子系统、单车出行特征子系统和共享单车-私人单车识别子系统：
所述基础数据采集子系统用于采集测试人员的GPS行程数据和经济数据；
所述出行特征子系统用于基于所述GPS行程数据，得到出行特征数据集；
所述单车出行感知子系统用于基于所述出行特征数据集，通过深度学习训练法，得到单车出行识别模型；
所述骑行感知子系统用于基于所述单车出行识别模型和所述GPS行程数据，得到骑行轨迹和骑行起止点位置；
所述单车出行特征子系统用于基于所述骑行轨迹和所述骑行起止点位置，得到共享单车出行特征和私人单车出行特征；
所述共享单车-私人单车识别子系统用于基于所述共享单车出行特征、所述私人单车出行特征和所述经济数据，通过深度学习训练服，得到共享单车-私人单车出行识别模型，所述共享单车-私人单车出行识别模型用于出行方式识别。
9.根据权利要求8所述的共享单车与私人单车出行方式识别系统，其特征在于，
所述GPS行程数据包括GPS位置点、所述GPS位置点的GPS时间和预设路程距离内的GPS移动速率；
所述GPS行程数据通过电子地图显示。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210698919.7A CN115100858B (zh) | 2022-06-20 | 2022-06-20 | 一种共享单车与私人单车出行方式识别方法和系统 |
| ZA2022/08134A ZA202208134B (en) | 2022-06-20 | 2022-07-21 | Method and system for identifying travel modes of bike-sharing and private bicycles |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210698919.7A CN115100858B (zh) | 2022-06-20 | 2022-06-20 | 一种共享单车与私人单车出行方式识别方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115100858A true CN115100858A (zh) | 2022-09-23 |
| CN115100858B CN115100858B (zh) | 2024-05-07 |
Family
ID=83290245
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210698919.7A Active CN115100858B (zh) | 2022-06-20 | 2022-06-20 | 一种共享单车与私人单车出行方式识别方法和系统 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN115100858B (zh) |
| ZA (1) | ZA202208134B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004037413A (ja) * | 2002-07-08 | 2004-02-05 | Nec Corp | 経路決定支援情報の提供方法、装置、システム及びプログラム |
| JP2010122854A (ja) * | 2008-11-19 | 2010-06-03 | Seiko Instruments Inc | 自転車用環境保護貢献度計測装置 |
| US20120239248A1 (en) * | 2011-03-14 | 2012-09-20 | Mark Anthony Bobbitt | Bicycle Tracking System with Communication Hub |
| CN102799897A (zh) * | 2012-07-02 | 2012-11-28 | 杨飞 | 基于gps定位的交通方式组合出行的计算机识别方法 |
| CN105117789A (zh) * | 2015-07-29 | 2015-12-02 | 西南交通大学 | 基于手机信令数据的居民出行方式综合判别的方法 |
| CN109389240A (zh) * | 2017-08-14 | 2019-02-26 | 南京理工大学 | 基于大数据机器学习的出行方式辨识方法 |
| CN111222381A (zh) * | 2018-11-27 | 2020-06-02 | 中国移动通信集团上海有限公司 | 用户出行方式识别方法、装置、电子设备及存储介质 |
| CN111846046A (zh) * | 2019-04-03 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种单车安全检测的系统、方法及装置 |
| WO2021068856A1 (zh) * | 2019-10-08 | 2021-04-15 | 北京嘀嘀无限科技发展有限公司 | 一种为用户展示出行方式的方法及系统 |
| WO2021158390A1 (en) * | 2020-02-03 | 2021-08-12 | Synapse Partners, Llc | Systems and methods for personalized ground transportation processing and user intent predictions |
| CN113408833A (zh) * | 2021-08-19 | 2021-09-17 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种公共交通重点区域识别方法、装置及电子设备 |
-
2022
- 2022-06-20 CN CN202210698919.7A patent/CN115100858B/zh active Active
- 2022-07-21 ZA ZA2022/08134A patent/ZA202208134B/en unknown
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004037413A (ja) * | 2002-07-08 | 2004-02-05 | Nec Corp | 経路決定支援情報の提供方法、装置、システム及びプログラム |
| JP2010122854A (ja) * | 2008-11-19 | 2010-06-03 | Seiko Instruments Inc | 自転車用環境保護貢献度計測装置 |
| US20120239248A1 (en) * | 2011-03-14 | 2012-09-20 | Mark Anthony Bobbitt | Bicycle Tracking System with Communication Hub |
| CN102799897A (zh) * | 2012-07-02 | 2012-11-28 | 杨飞 | 基于gps定位的交通方式组合出行的计算机识别方法 |
| CN105117789A (zh) * | 2015-07-29 | 2015-12-02 | 西南交通大学 | 基于手机信令数据的居民出行方式综合判别的方法 |
| CN109389240A (zh) * | 2017-08-14 | 2019-02-26 | 南京理工大学 | 基于大数据机器学习的出行方式辨识方法 |
| CN111222381A (zh) * | 2018-11-27 | 2020-06-02 | 中国移动通信集团上海有限公司 | 用户出行方式识别方法、装置、电子设备及存储介质 |
| CN111846046A (zh) * | 2019-04-03 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种单车安全检测的系统、方法及装置 |
| WO2021068856A1 (zh) * | 2019-10-08 | 2021-04-15 | 北京嘀嘀无限科技发展有限公司 | 一种为用户展示出行方式的方法及系统 |
| WO2021158390A1 (en) * | 2020-02-03 | 2021-08-12 | Synapse Partners, Llc | Systems and methods for personalized ground transportation processing and user intent predictions |
| CN113408833A (zh) * | 2021-08-19 | 2021-09-17 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种公共交通重点区域识别方法、装置及电子设备 |
Non-Patent Citations (3)
| Title |
|---|
| 潘海啸;高雅;: "共享单车的规模化扩张与精细化管理", 上海城市管理, no. 04, 25 July 2017 (2017-07-25) * |
| 邓力凡;谢永红;黄鼎曦;: "基于骑行时空数据的共享单车设施规划研究", 规划师, no. 10, 1 October 2017 (2017-10-01) * |
| 陪学网ANDY: "打造好产品·产品经理实践指南", vol. 1, 30 April 2021, 机械工业出版社, pages: 92 - 94 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115100858B (zh) | 2024-05-07 |
| ZA202208134B (en) | 2022-11-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110111575B (zh) | 一种基于复杂网络理论的城市交通流量网络分析方法 | |
| CN104778834B (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
| CN103038605B (zh) | 数字地图中的用于障碍物穿越的位置检测、时间表及行进时间估计 | |
| CN102136192B (zh) | 一种基于手机信号数据的出行方式识别方法 | |
| WO2019047905A1 (zh) | 一种交通路况分析系统、方法以及装置 | |
| CN106096631A (zh) | 一种基于手机大数据的流动人口分类识别分析方法 | |
| CN107103392A (zh) | 一种基于时空地理加权回归的公交客流影响因素识别与预测方法 | |
| CN101694706A (zh) | 基于多源数据融合的人口时空动态出行特征建模方法 | |
| CN103177585B (zh) | 基于浮动车数据计算路段各转向平均行程车速方法 | |
| CN109460937B (zh) | 评价轨道站点周边慢行交通系统接驳水平的流程与方法 | |
| CN105101092A (zh) | 一种基于c4．5决策树的手机用户出行方式识别方法 | |
| CN114139251B (zh) | 一种边境地区陆路口岸整体布局方法 | |
| CN107240264A (zh) | 一种车辆非有效行驶轨迹识别方法和城市道路设施规划方法 | |
| CN108039046A (zh) | 一种基于c-v2x的城市交叉路口行人检测识别系统 | |
| CN108648453A (zh) | 一种基于手机位置更新信息进行交通出行数据画像的方法 | |
| CN111508262B (zh) | 对城市停车位资源的智能化管理方法 | |
| Chen et al. | Rail transit ridership: station-area analysis of Boston’s Massachusetts Bay transportation authority | |
| CN109816271A (zh) | 基于共享单车轨迹数据的自行车道服务水平评价方法 | |
| Zhao et al. | Development and validation of improved impedance functions for roads with mixed traffic using taxi GPS trajectory data and simulation | |
| CN108694749A (zh) | 一种高速公路多路径识别及交通状态估计方法及其系统 | |
| CN109493601B (zh) | 一种公交支线设置方法 | |
| Reilly et al. | The influence of built-form and land use on mode choice | |
| CN100446015C (zh) | 一种可用于地面道路网交通状况测定的方法和系统 | |
| CN115100858B (zh) | 一种共享单车与私人单车出行方式识别方法和系统 | |
| CN115206104B (zh) | 一种基于手机信令数据的城市居民交通出行方式识别方法 |
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 |