CN115168529A - 一种基于手机定位数据的枢纽客流溯源方法 - Google Patents

一种基于手机定位数据的枢纽客流溯源方法 Download PDF

Info

Publication number
CN115168529A
CN115168529A CN202211090499.0A CN202211090499A CN115168529A CN 115168529 A CN115168529 A CN 115168529A CN 202211090499 A CN202211090499 A CN 202211090499A CN 115168529 A CN115168529 A CN 115168529A
Authority
CN
China
Prior art keywords
hub
passenger flow
station
city
data
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
CN202211090499.0A
Other languages
English (en)
Other versions
CN115168529B (zh
Inventor
景国胜
李彩霞
金安
陈先龙
陈嘉超
汪振东
宋程
刘明敏
刘新杰
张科
丁晨滋
徐良
吴恩泽
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.)
Guangzhou Transportation Planning And Research Institute Co ltd
Original Assignee
Guangzhou Transportation Planning And Research Institute Co ltd
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 Guangzhou Transportation Planning And Research Institute Co ltd filed Critical Guangzhou Transportation Planning And Research Institute Co ltd
Priority to CN202211090499.0A priority Critical patent/CN115168529B/zh
Publication of CN115168529A publication Critical patent/CN115168529A/zh
Application granted granted Critical
Publication of CN115168529B publication Critical patent/CN115168529B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2477—Temporal data queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • 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
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Fuzzy Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Remote Sensing (AREA)
  • Signal Processing (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于手机定位数据的枢纽客流溯源方法，按照采样要求获取指定时间段内高频率信号触发、具有时空间关联特征的手机信令数据，基于现有的手机定位数据生成初始OD数据，结合枢纽客流出行特征分析，通过与枢纽站基站匹配，形成具有时空关联特征的枢纽出行OD点对信息，再对获得的枢纽出行信息进行枢纽客流的最终来源地和目的地分析，并进行不同枢纽客流分类的客流溯源分析，形成基于交通小区的枢纽客流互联互通表，为交通管理和枢纽空间布局规划提供满足不同客流分类的枢纽客流出行特征的大数据支撑。

Description

一种基于手机定位数据的枢纽客流溯源方法
技术领域
本发明涉及交通规划和交通需求管理的技术领域，具体是一种基于手机定位数据的枢纽客流溯源方法，可为交通规划和交通需求管理提供满足枢纽选址和客流活动特征分析的大数据支撑。
背景技术
传统的枢纽客流分析源自机场和铁路的售票信息，根据枢纽售票信息，可分析枢纽客流单一方向的发送量和到达量，并且，发送量和到达量也仅是到达一个城市的枢纽站，但枢纽售票系统并不能提供枢纽出发客流的最终来源地小区或枢纽到达客流的最终目的地小区，无法满足城市枢纽选址的空间布局规划。
为弥补票务系统的缺陷，规划管理部门还会结合交通出行调查，进行枢纽客流的抽样调查，但传统的交通出行调查，需要耗费大量人力、物力、资金和时间，并且不可频繁进行。随着手机终端普及，通过手机定位技术获取用户交通出行信息具有成本低、覆盖范围广等优点，使得手机数据作为现有交通数据采集技术的重要补充，可为枢纽客流的溯源分析提供了很好的技术支持。
发明内容
考虑到票务系统只能提供单一方向的客流数据，而问卷调查缺乏时效性，本发明提出了一种基于手机定位数据的枢纽客流溯源方法，可有效提取枢纽客流出行的全过程活动链，极大弥补了枢纽客流来源地或目的地的缺失，对枢纽的互联互通分析和枢纽选址提供了数据支撑。
基于现有的手机定位数据生成初始OD数据，再结合枢纽客流出行特征分析，本发明提供了一种低成本、高准确度的基于手机定位数据的枢纽客流溯源方法，其具体步骤如下：
步骤1：获取手机定位数据；
步骤2：利用步骤1获取到的手机定位数据，提取三个月手机定位数据进行职住判断，并基于职住信息的时间序列，完成个体驻留点、出行目的地识别，生成个体的不同出行活动目的OD矩阵作为基础数据；
步骤3：进行初始枢纽客流判断；
对移动基站与枢纽所在小区进行匹配，利用步骤1采集到的手机定位数据，提取枢纽信号覆盖范围内所有用户出行信息，提取用户所在枢纽基站的出现天数、出行频次、停留时长，以及城际间信号切换标识，再根据枢纽客流属性，进行枢纽客流的判断，若满足枢纽客流属性，则初步标记为枢纽客流，否则标记为非枢纽客流，不计入枢纽客流的溯源；
步骤4：基于步骤2生成的不同出行活动目的OD矩阵，再与步骤3的初始枢纽客流进行OD匹配，提取所有满足步骤3标识的枢纽客流的OD矩阵进行枢纽客流分类，结合用户在枢纽基站的出现天数和出行频次，剔除高频次市内接送乘客的数据，再结合枢纽客流OD属性信息，进行客流起讫点计算；
步骤5：基于步骤4提取的枢纽客流OD匹配结果，根据用户一天到达所有途经枢纽站的城市进行识别，完成枢纽往返客流和非枢纽往返客流的判断；
首先，对提取的枢纽客流OD矩阵按照途经枢纽站时间进行排序，再获取所有途经枢纽站的城市，若枢纽客流最初到达的枢纽站对应城市与最晚到达的枢纽站对应城市不相同，即
Figure 643412DEST_PATH_IMAGE001
，则该枢纽客流初步识别为非枢纽往返客流，利用正/反向反馈的启发式搜索方法，搜索枢纽出发之前的来源地，作为枢纽客流的来源地，而枢纽到达时间之后的目的地驻留点作为枢纽客流的目的地；
步骤6：将步骤5提取的所有枢纽客流的来源地和目的地信息，结合手机用户在枢纽站的最初到达时间和最后离开时间与客流OD矩阵的出发时间和到达时间所在城市，再结合枢纽客流的出现天数、出行频次、停留时长、出行距离，将枢纽客流分为枢纽出发客流、枢纽到达客流和枢纽往返客流，再生成三种客流分类的来源地和目的地信息表；
步骤7：最后，根据交通小区划分方案，将运营商基站与交通小区进行匹配，将每个出行者的起讫点映射到相应的交通小区上，并结合每个枢纽站的位置信息，最终形成针对每个枢纽站的枢纽客流互联互通表。
优选的，所述手机定位数据包括用户编号、基站编号、时间戳、事件类型、经度、纬度、号码区段、个体年龄、性别、是否学生、是否退休人员。
优选的，步骤3具体为：将枢纽站客流区分为机场枢纽站客流和轨道枢纽站客流，进行分别判断，具体操作为：
1）对移动基站与枢纽所在小区进行匹配，利用步骤1采集到的手机定位数据，获取枢纽信号覆盖范围内
Figure 964672DEST_PATH_IMAGE002
的所有用户出行信息集
Figure 282783DEST_PATH_IMAGE003
，其中，
Figure 19795DEST_PATH_IMAGE004
为用户出行信息集
Figure 605497DEST_PATH_IMAGE003
的每一个用户，d是任一个用户
Figure 35342DEST_PATH_IMAGE005
与枢纽站
Figure 73705DEST_PATH_IMAGE006
的距离，其中，
Figure 614408DEST_PATH_IMAGE007
则是距离求解公式，
Figure 320195DEST_PATH_IMAGE002
则是用户
Figure 219144DEST_PATH_IMAGE005
与枢纽站
Figure 948065DEST_PATH_IMAGE006
的最大距离,生成枢纽覆盖范围内的用户信息数据集：
Figure 89196DEST_PATH_IMAGE008
再获取用户所在枢纽基站的出现天数
Figure 587174DEST_PATH_IMAGE009
、出行频次
Figure 155558DEST_PATH_IMAGE010
、停留时长
Figure 371776DEST_PATH_IMAGE011
，所述停留时长包括客流所有途经枢纽站的最早到达时间
Figure 316598DEST_PATH_IMAGE012
和最晚离开时间
Figure 295181DEST_PATH_IMAGE013
，以及城际间信号切换标识
Figure 300046DEST_PATH_IMAGE014
；
2）根据枢纽客流属性对枢纽客流进行初步判断；
对于机场枢纽站客流，提取仅在机场的最晚离开时间之前
Figure 364079DEST_PATH_IMAGE015
或最早到达时间
Figure 847013DEST_PATH_IMAGE016
之后才有信号的用户数据，初步判定为机场枢纽站客流，否则为非机场枢纽站客流，剔除非机杨枢纽站客流后，生成初始机场枢纽站客流数据集
Figure 381900DEST_PATH_IMAGE017
：
Figure 855869DEST_PATH_IMAGE018
对于轨道枢纽站客流，若满足城际间信号切换标识
Figure 905733DEST_PATH_IMAGE019
，则初步判定为轨道枢纽站客流，若城际间信号切换标识
Figure 192358DEST_PATH_IMAGE020
，则为非轨道枢纽站客流，剔除非轨道枢纽站客流后，生成初始轨道枢纽站客流数据集
Figure 71497DEST_PATH_IMAGE021
：
Figure 480482DEST_PATH_IMAGE022
。
优选的，步骤4剔除高频次市内接送乘客的数据具体为：
剔除OD出发时间介于所有枢纽站到达和离开时间之间
Figure 955325DEST_PATH_IMAGE023
,并且，用户发生多次OD出行的数据,即
Figure 281527DEST_PATH_IMAGE024
，其中，n为出行频次阈值；将该数据标识为枢纽接送客流数据，从枢纽客流标识中移除该用户数据，生成满足一定天数出行频次
Figure 525426DEST_PATH_IMAGE025
的枢纽客流
Figure 980678DEST_PATH_IMAGE026
的全天OD表数据集
Figure 942818DEST_PATH_IMAGE027
：
Figure 508929DEST_PATH_IMAGE028
。
优选的，步骤5中：
所述反向反馈的启发式搜索方法搜索来源地具体为：对于每个枢纽客流OD矩阵和枢纽客流属性数据，反向搜索枢纽客流OD矩阵中的所有出发时间小于枢纽最早到达时间的数据
Figure 607335DEST_PATH_IMAGE029
，结合枢纽站所在城市
Figure 233488DEST_PATH_IMAGE030
与OD矩阵中客流
Figure 184389DEST_PATH_IMAGE031
出发地坐标，计算其与枢纽站的距离
Figure 288611DEST_PATH_IMAGE032
，其中，
Figure 507103DEST_PATH_IMAGE033
则是距离求解公式，若
Figure 304158DEST_PATH_IMAGE034
小于枢纽基站覆盖范围阈值，则剔除该驻留点，继续反向搜索上一刻出发时间驻留点，再计算其与枢纽站的距离
Figure 975310DEST_PATH_IMAGE035
，直到该驻留点满足客流出行距离阈值，则判定为枢纽客流的来源地驻留点；若机场枢纽站客流OD矩阵的到达时间均小于机场最晚离开时间
Figure 211120DEST_PATH_IMAGE036
，则只计算其来源地；最终生成每个城市枢纽站客流的来源地数据集：
Figure 221801DEST_PATH_IMAGE037
所述正向反馈的启发式搜索方法搜索目的地具体为：对于某个用户按时间排序的OD矩阵和枢纽客流属性数据，正向搜索枢纽客流OD矩阵中的所有到达时间大于枢纽最早到达时间的数据
Figure 753539DEST_PATH_IMAGE038
，结合枢纽站所在城市c i 与OD矩阵中客流
Figure 849671DEST_PATH_IMAGE039
出发地坐标，计算其与枢纽站的距离
Figure 358012DEST_PATH_IMAGE040
，其中
Figure 488779DEST_PATH_IMAGE041
则是距离求解公式，若
Figure 689954DEST_PATH_IMAGE040
小于枢纽基站覆盖范围阈值，则剔除该驻留点，继续正向搜索下一刻出发时间驻留点，再计算其与枢纽站的距离
Figure 335699DEST_PATH_IMAGE042
，直到该驻留点满足客流出行距离阈值，则判定为枢纽客流的目的地驻留点；若机场枢纽站客流OD矩阵的到达时间均大于机场最晚离开时间
Figure 585414DEST_PATH_IMAGE043
，则只计算其目的地；最终生成每个城市枢纽站客流的目的地数据集：
Figure 134470DEST_PATH_IMAGE044
枢纽往返客流判断具体为：若枢纽客流最初到达的枢纽站对应城市与最晚到达的枢纽站对应城市相同
Figure 444228DEST_PATH_IMAGE045
，则该枢纽客流初步识别为枢纽往返客流，再遍历枢纽客流在
Figure 577269DEST_PATH_IMAGE046
之间的停留过的所有城市，提取该城市的停留时长
Figure 630676DEST_PATH_IMAGE047
和方向角
Figure 532773DEST_PATH_IMAGE048
，判断是否为折返城市；再对往返客流进行分类，分为枢纽出发地，枢纽折返地和返程地三种分类，分别生成三个数据集；
对于枢纽出发地客流的来源地分析和枢纽返程地的目的地分析，均利用所述正/反向反馈的启发式搜索方法；
对于枢纽折返地客流的分析，为枢纽折返地判断，需要枢纽客流在
Figure 75750DEST_PATH_IMAGE049
之间的停留过的所有城市，提取该城市的停留时长
Figure 368191DEST_PATH_IMAGE050
和方向角
Figure 789070DEST_PATH_IMAGE051
，对满足停留时长和方向角（
Figure 483357DEST_PATH_IMAGE052
）的所有数据，找到最晚停留时间max(t x )所在的城市c(x n )，判断是否为折返城市，生成往返客流的折返地城市数据集；
Figure 197235DEST_PATH_IMAGE054
基于折返地城市数据集，将满足一定停留时长和方向角的城市定为折返地城市，再对折返地城市枢纽站的客流溯源分析，其中，折返地城市枢纽站的来源地，即为枢纽出发地客流的来源地，而折返地城市枢纽站的目的地，则为折返地城市所到达的目的地，即：
Figure 242551DEST_PATH_IMAGE055
。
优选的，步骤6具体为：基于步骤5所生成的枢纽客流的溯源分析数据集，再根据枢纽所在城市的停留时长
Figure 700077DEST_PATH_IMAGE056
和出行速度
Figure 311187DEST_PATH_IMAGE057
是否满足客流停留时长阈值和出行速度阈值，若停留时长
Figure 399229DEST_PATH_IMAGE056
和出行速度
Figure 230044DEST_PATH_IMAGE057
不满足客流停留阈值，则在该枢纽站的客流为枢纽站过境客流，则不判断出行，标识为该枢纽站过境出行；
综合步骤5的客流溯源的启发式搜索算法和步骤6的过境客流识别判断，因此，对于枢纽所在城市客流的溯源分析，通过如下表达式表达：
Figure 163365DEST_PATH_IMAGE058
基于步骤6所生成的枢纽客流的来源地和目的地数据，再根据其来源地和目的地与枢纽站的距离进行枢纽站的客流分类标识。
优选的，所述客流分类标识具体操作为：
首先，获取枢纽客流来源地和枢纽站的距离
Figure 894561DEST_PATH_IMAGE059
，以及枢纽客流目的地和枢纽站的距离
Figure 153504DEST_PATH_IMAGE060
；若
Figure 704571DEST_PATH_IMAGE061
，并且，枢纽所在城市的停留时长
Figure 707162DEST_PATH_IMAGE062
和出行速度
Figure 292864DEST_PATH_IMAGE063
满足客流停留阈值，则在该枢纽站的客流为枢纽站出发客流，标识为枢纽出发客流；
若
Figure 20911DEST_PATH_IMAGE064
，并且，枢纽所在城市的停留时长
Figure 262536DEST_PATH_IMAGE065
和出行速度
Figure 865556DEST_PATH_IMAGE066
满足客流停留阈值，则在该枢纽站的客流为枢纽站到达客流，标识为枢纽到达客流；
最后，再结合步骤5往返客流的判断，将枢纽客流溯源分析分为三种类型的客流溯源分析类型，即枢纽出发客流，枢纽到达客流和枢纽往返客流的溯源分析，并根据三种分类，分别提取枢纽客流的来源地和目的地，以及在枢纽站的驻留属性信息，以生成枢纽客流的互联互通表；并结合枢纽地理信息数据，生成基于手机定位数据的不同城市的机场客流溯源互联互通表和基于手机定位数据的不同城市的轨道枢纽客流溯源互联互通表。
本发明根据高频率信号触发、具有时空间关联特征的用户信令数据，通过与枢纽站基站匹配，提出了一种基于手机定位数据的枢纽客流溯源方法，可有效提取枢纽客流出行的全过程活动链，极大弥补了枢纽客流来源地或目的地的缺失，对枢纽的互联互通分析和枢纽选址提供了数据支撑；本发明的枢纽溯源方法具备如下有益效果：
1）本发明基于手机数据进行枢纽溯源分析，相对传统交通调查，具有获取方式简单、成本较低，信息样本大、取样时间灵活、自动化获取等优点；
2）本发明基于手机数据进行枢纽溯源方法，整合优化了票务数据仅可计算单方向出发量或到达量，可有效生成枢纽的客流最终来源地和目的地数据，以及生成枢纽客流一天的出行活动链数据，从而有助于对枢纽客流出行特征的研究，对枢纽的互联互通分析和枢纽选址提供了数据支撑；
3）本发明结合枢纽溯源方法和手机大数据的优势，最终形成具有时空间关联特征的枢纽客流溯源数据，进一步提高了枢纽客流互联互通矩阵表的合理性和精确性，并有效地降低了成本。
附图说明
图1基于手机定位数据的枢纽客流溯源方法流程图。
具体实施方式
下面结合附图对本发明的具体实施方式作详细说明，参见附图1，本发明的一种基于手机定位数据的枢纽客流溯源方法，具体实施步骤如下：
步骤1：获取手机信令数据，包含用户标识，年龄，性别，职业，是否退休，以及基站标识，基站经纬度，信号采集时间戳等信息；
步骤2：利用步骤1采集到的手机信令数据，获取用户职住地数据和OD数据，以做为枢纽客流分析的基础数据。
步骤3：对于初始枢纽站客流判断，先将枢纽站客流区分为机场枢纽站客流和轨道枢纽站客流，进行分别判断，具体操作为：
首先，根据移动基站与枢纽所在小区进行匹配，利用步骤1采集到的手机定位数据，获取枢纽信号覆盖范围内
Figure 243447DEST_PATH_IMAGE002
的所有用户出行信息集
Figure 906510DEST_PATH_IMAGE003
，其中，
Figure 369852DEST_PATH_IMAGE004
为用户出行信息集
Figure 776563DEST_PATH_IMAGE003
的每一个用户，d是任一个用户
Figure 274540DEST_PATH_IMAGE005
与枢纽站
Figure 668609DEST_PATH_IMAGE006
的距离，其中，
Figure 947143DEST_PATH_IMAGE007
则是距离求解公式，
Figure 829648DEST_PATH_IMAGE002
则是用户
Figure 306766DEST_PATH_IMAGE005
与枢纽站
Figure 983735DEST_PATH_IMAGE006
的最大距离,生成枢纽覆盖范围内的用户信息数据集：
Figure 985452DEST_PATH_IMAGE008
再获取用户所在枢纽基站的出现天数
Figure 671648DEST_PATH_IMAGE009
、出行频次
Figure 940955DEST_PATH_IMAGE010
、停留时长
Figure 54405DEST_PATH_IMAGE011
（包括客流所有途经枢纽站的最早到达时间
Figure 41952DEST_PATH_IMAGE067
和最晚离开时间
Figure 266260DEST_PATH_IMAGE068
），以及城际间信号切换的标识
Figure 655653DEST_PATH_IMAGE069
等信息。
然后，根据枢纽客流属性对枢纽客流进行初步判断，对于机场枢纽站客流，提取仅在机场的最晚离开时间之前
Figure 940004DEST_PATH_IMAGE015
或最早到达时间
Figure 650733DEST_PATH_IMAGE016
之后才有信号的用户数据，初步判定为机场枢纽站客流，否则为非机场枢纽站客流，剔除非机杨枢纽站客流后，生成初始机场枢纽站客流数据集
Figure 741049DEST_PATH_IMAGE017
：
Figure 922632DEST_PATH_IMAGE018
对于轨道枢纽站客流，若满足城际间信号切换标识
Figure 440201DEST_PATH_IMAGE019
，则初步判定为轨道枢纽站客流，若城际间信号切换标识
Figure 340024DEST_PATH_IMAGE020
，则为非轨道枢纽站客流，剔除非轨道枢纽站客流后，生成初始轨道枢纽站客流数据集
Figure 968451DEST_PATH_IMAGE021
：
Figure 4540DEST_PATH_IMAGE022
。
步骤4：基于步骤2生成的不同出行活动目的OD矩阵，再与步骤3的枢纽客流进行匹配，获取所有满足步骤3标识的枢纽客流的OD数据，并结合用户在枢纽站出现的天数和出行频次，剔除高频次市内接送乘客的数据，即OD出发时间介于所有枢纽站到达和离开时间之间
Figure 194475DEST_PATH_IMAGE070
,并且，用户发生多次OD出行的数据,即
Figure 378332DEST_PATH_IMAGE024
，其中，n为出行频次阈值，将该数据标识为枢纽接送客流数据，从枢纽客流标识中移除该用户数据，生成满足一定天数出行频次
Figure 810450DEST_PATH_IMAGE025
的枢纽客流
Figure 592724DEST_PATH_IMAGE026
的全天OD表数据集
Figure 452095DEST_PATH_IMAGE027
：
Figure 123248DEST_PATH_IMAGE028
步骤5：基于步骤4提取的枢纽客流OD匹配结果，根据用户一天到达所有途经枢纽站的城市进行识别，完成枢纽站往返客流（即一天中发生了往返行为的枢纽客流）和枢纽站非往返客流的判断，具体操作为：
首先，对提取的枢纽客流OD数据按照途经枢纽站时间行排序，再获取所有途经枢纽站的城市，若枢纽客流最初到达的枢纽站对应城市与最晚到达的枢纽站对应城市不相同（
Figure 657260DEST_PATH_IMAGE001
），则该枢纽客流可初步识别为非枢纽往返客流，利用正反方向反馈的启发式搜索算法，搜索枢纽出发之前的来源地，做为枢纽客流的来源地，而枢纽到达时间之后的目的地驻留点做为枢纽客流的目的地；
其中，基于反向反馈的枢纽客流的来源地启发式搜索方法为：对于每个枢纽客流OD矩阵和枢纽客流属性数据，反向搜索枢纽客流OD矩阵中的所有出发时间小于枢纽最早到达时间的数据
Figure 730258DEST_PATH_IMAGE071
，结合枢纽站所在城市
Figure 760531DEST_PATH_IMAGE030
与OD矩阵中客流
Figure 856663DEST_PATH_IMAGE031
出发地坐标，计算其与枢纽站的距离
Figure 630584DEST_PATH_IMAGE032
，其中，
Figure 761351DEST_PATH_IMAGE072
则是距离求解公式，若
Figure 463990DEST_PATH_IMAGE034
小于枢纽基站覆盖范围阈值，则剔除该驻留点，继续反向搜索上一刻出发时间驻留点，再计算其与枢纽站的距离
Figure 844156DEST_PATH_IMAGE035
，直到该驻留点满足客流出行距离阈值，则判定为枢纽客流的来源地驻留点；若机场枢纽站客流OD矩阵的到达时间均小于机场最晚离开时间
Figure 359451DEST_PATH_IMAGE036
，则只计算其来源地；最终生成每个城市枢纽站客流的来源地数据集：
Figure 407041DEST_PATH_IMAGE073
所述正向反馈的启发式搜索方法搜索目的地具体为：对于某个用户按时间排序的OD矩阵和枢纽客流属性数据，正向搜索枢纽客流OD矩阵中的所有到达时间大于枢纽最早到达时间的数据
Figure 716800DEST_PATH_IMAGE038
，结合枢纽站所在城市c i 与OD矩阵中客流
Figure 584262DEST_PATH_IMAGE039
出发地坐标，计算其与枢纽站的距离
Figure 637668DEST_PATH_IMAGE040
，其中
Figure 41230DEST_PATH_IMAGE041
则是距离求解公式，若
Figure 584207DEST_PATH_IMAGE040
小于枢纽基站覆盖范围阈值，则剔除该驻留点，继续正向搜索下一刻出发时间驻留点，再计算其与枢纽站的距离
Figure 204544DEST_PATH_IMAGE042
，直到该驻留点满足客流出行距离阈值，则判定为枢纽客流的目的地驻留点；若机场枢纽站客流OD矩阵的到达时间均大于机场最晚离开时间
Figure 796062DEST_PATH_IMAGE043
，则只计算其目的地；最终生成每个城市枢纽站客流的目的地数据集：
Figure 818245DEST_PATH_IMAGE044
枢纽站往返客流判断：若枢纽客流最初到达的枢纽站对应城市与最晚到达的枢纽站对应城市相同（
Figure 21869DEST_PATH_IMAGE074
），则该枢纽客流可初步识别为枢纽往返客流，再遍历枢纽客流在
Figure 801606DEST_PATH_IMAGE046
之间的停留过的所有城市，提取该城市的停留时长
Figure 259133DEST_PATH_IMAGE047
和方向角
Figure 73505DEST_PATH_IMAGE048
，判断是否为折返城市。再对往返客流进行分类，分为枢纽出发地，枢纽折返地和返程地三种分类，分别生成三个数据集。
对于枢纽出发地客流的来源地分析和枢纽返程地的目的地分析，均可利用正反向反馈的启发式搜索方法获得。而对于枢纽折返地客流的分析，主要是由枢纽折返地判断，需要枢纽客流在
Figure 958284DEST_PATH_IMAGE049
之间的停留过的所有城市，提取该城市的停留时长
Figure 225318DEST_PATH_IMAGE050
和方向角
Figure 486535DEST_PATH_IMAGE051
，对满足停留时长和方向角（
Figure 155413DEST_PATH_IMAGE052
）的所有数据，找到最晚停留时间max(t x )所在的城市c(x n )，判断是否为折返城市，生成往返客流的折返地城市数据集。
Figure 712559DEST_PATH_IMAGE076
基于折返地城市数据集，将满足一定停留时长和方向角的城市定为折返地城市，再对于折返地城市枢纽站的客流溯源分析，其中，折返地城市枢纽站的来源地，即为枢纽出发地客流的来源地，而折返地城市枢纽站的目的地，则为折返地城市所到达的目的地，即：
Figure 529205DEST_PATH_IMAGE077
步骤6：基于步骤5所生成的枢纽客流的溯源分析数据集，再根据枢纽所在城市的停留时长
Figure 594113DEST_PATH_IMAGE056
和出行速度
Figure 117498DEST_PATH_IMAGE057
是否满足客流停留时长阈值和出行速度阈值，若停留时长
Figure 344080DEST_PATH_IMAGE056
和出行速度
Figure 149488DEST_PATH_IMAGE057
不满足客流停留阈值，则在该枢纽站的客流为枢纽站过境客流，则不判断出行，标识为该枢纽站过境出行。
综合步骤5的客流溯源的启发式搜索算法和步骤6的过境客流识别判断，因此，对于枢纽所在城市客流的溯源分析，可通过如下表达式表达：
Figure 690190DEST_PATH_IMAGE078
基于步骤6所生成的枢纽客流的来源地和目的地数据，再根据其来源地和目的地与枢纽站的距离进行枢纽站的客流分类标识，具体操作为：
首先，获取枢纽客流来源地和枢纽站的距离
Figure 130399DEST_PATH_IMAGE059
，以及枢纽客流目的地和枢纽站的距离
Figure 731145DEST_PATH_IMAGE060
。若
Figure 256804DEST_PATH_IMAGE061
，并且，枢纽所在城市的停留时长
Figure 663514DEST_PATH_IMAGE062
和出行速度
Figure 895913DEST_PATH_IMAGE063
满足客流停留阈值，则在该枢纽站的客流为枢纽站出发客流，标识为枢纽出发客流；
若
Figure 231341DEST_PATH_IMAGE064
，并且，枢纽所在城市的停留时长
Figure 244297DEST_PATH_IMAGE065
和出行速度
Figure 126802DEST_PATH_IMAGE066
满足客流停留阈值，则在该枢纽站的客流为枢纽站到达客流，标识为枢纽到达客流；
最后，再结合步骤5往返客流的判断，将枢纽客流溯源分析分为三种类型的客流溯源分析类型，即枢纽出发客流，枢纽到达客流和枢纽往返客流的溯源分析，并根据三种分类，分别提取枢纽客流的来源地和目的地，以及在枢纽站的驻留属性信息，以生成枢纽客流的互联互通表。结合枢纽地理信息数据，生成基于手机定位数据的机场客流溯源空间分布图，生成基于手机定位数据的轨道枢纽客流溯源空间分布图。
步骤7：最后，根据交通小区划分方案，将运营商基站与交通小区进行匹配，再将每个出行者的起讫点映射到相应的交通小区上，并结合每个枢纽站的位置信息，最终形成针对每个枢纽站的枢纽客流互联互通表，并结合枢纽客流所在城市的出现天数、出行频次，可做不同出行天数，不同出现频次的的枢纽客流出行特征分析（如通勤客流分析，流动人口分析等）。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
下面将结合附图和实施例对本发明做进一步的详细说明：
获取手机信令数据。手机信令数据例如表1，所述手机信令数据包括用户画像标签属性数据，用户画像标签属性数据样例如表2；
表1 手机信令数据样例
Figure 541603DEST_PATH_IMAGE079
表2 用户画像标签属性数据样例
Figure 546468DEST_PATH_IMAGE080
根据现状铁路票务数据、高速公路收费站OD数据，并与腾讯位置数据等相互校核，统计全省各市现状出入总需求（不含各市市内出行）约达到1165.74万人次/日，对外出行率约0.1次/人/日（约36.5次/人/年）；其中，公路约951.32万，铁路约172.49万，航空约41.93万，公路：铁路：航空比例约为82:15:4，得到航空客流OD分布数据和铁路客流OD分布数据。
再根据枢纽客流溯源分析，结合手机用户在枢纽站的最初到达时间和最后离开时间与客流OD数据的出发时间和到达时间所在城市，以及客流OD的起讫时间和客流到达枢纽站的最初到达时间和最后离开时间，再基于正反方向反馈的启发式搜索算法，对满足枢纽客流出行特征的OD数据，搜索所有枢纽客流的来源地和目的地，再根据枢纽站客流的停留时长和出行速度等数据，剔除枢纽站的过境客流，生成在枢纽站包含始发和到达的客流来源地和目的地表。以白云机场为例，根据信令数据统计白云机场现状的陆侧旅客来源分布（扣除中转比例12.4%），得到白云机场在全省各地市的客流分布情况，如表3所示。
表3 以白云机场为例客流溯源数据分布情况
Figure 548184DEST_PATH_IMAGE081
最后，根据交通小区划分方案，将运营商基站与交通小区进行匹配，将每个出行者的起讫点映射到相应的交通小区上，并结合每个枢纽站的位置信息，最终形成针对每个枢纽站的枢纽客流互联互通分布数据。以白云机场为例，根据信令数据生成白云机场的小区级的客流溯源空间分布图，根据信令数据生成广州轨道枢纽的小区级的客流溯源空间分布图。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (7)

1.一种基于手机定位数据的枢纽客流溯源方法，其特征在于，具体步骤如下：
步骤1：获取手机定位数据；
步骤2：利用步骤1获取到的手机定位数据，提取三个月手机定位数据进行职住判断，并基于职住信息的时间序列，完成个体驻留点、出行目的地识别，生成个体的不同出行活动目的OD矩阵作为基础数据；
步骤3：进行初始枢纽客流判断；
对移动基站与枢纽所在小区进行匹配，利用步骤1采集到的手机定位数据，提取枢纽信号覆盖范围内所有用户出行信息，提取用户所在枢纽基站的出现天数、出行频次、停留时长，以及城际间信号切换标识，再根据枢纽客流属性，进行枢纽客流的判断，若满足枢纽客流属性，则初步标记为枢纽客流，否则标记为非枢纽客流，不计入枢纽客流的溯源；
步骤4：基于步骤2生成的不同出行活动目的OD矩阵，再与步骤3的初始枢纽客流进行OD匹配，提取所有满足步骤3标识的枢纽客流的OD矩阵进行枢纽客流分类，结合用户在枢纽基站的出现天数和出行频次，剔除高频次市内接送乘客的数据，再结合枢纽客流OD属性信息，进行客流起讫点计算；
步骤5：基于步骤4提取的枢纽客流OD匹配结果，根据用户一天到达所有途经枢纽站的城市进行识别，完成枢纽往返客流和非枢纽往返客流的判断；
首先，对提取的枢纽客流OD矩阵按照途经枢纽站时间进行排序，再获取所有途经枢纽站的城市，若枢纽客流最初到达的枢纽站对应城市与最晚到达的枢纽站对应城市不相同，即
Figure 883206DEST_PATH_IMAGE001
，则该枢纽客流初步识别为非枢纽往返客流，利用正/反向反馈的启发式搜索方法，搜索枢纽出发之前的来源地，作为枢纽客流的来源地，而枢纽到达时间之后的目的地驻留点作为枢纽客流的目的地；
步骤6：将步骤5提取的所有枢纽客流的来源地和目的地信息，结合手机用户在枢纽站的最初到达时间和最后离开时间与客流OD矩阵的出发时间和到达时间所在城市，再结合枢纽客流的出现天数、出行频次、停留时长、出行距离，将枢纽客流分为枢纽出发客流、枢纽到达客流和枢纽往返客流，再生成三种客流分类的来源地和目的地信息表；
步骤7：最后，根据交通小区划分方案，将运营商基站与交通小区进行匹配，将每个出行者的起讫点映射到相应的交通小区上，并结合每个枢纽站的位置信息，最终形成针对每个枢纽站的枢纽客流互联互通表。
2.根据权利要求1所述的一种基于手机定位数据的枢纽客流溯源方法，其特征在于，所述手机定位数据包括用户编号、基站编号、时间戳、事件类型、经度、纬度、号码区段、个体年龄、性别、是否学生、是否退休人员。
3.根据权利要求2所述的一种基于手机定位数据的枢纽客流溯源方法，其特征在于，步骤3具体为：将枢纽站客流区分为机场枢纽站客流和轨道枢纽站客流，进行分别判断，具体操作为：
1）对移动基站与枢纽所在小区进行匹配，利用步骤1采集到的手机定位数据，获取枢纽信号覆盖范围内
Figure 738029DEST_PATH_IMAGE002
的所有用户出行信息集
Figure 517766DEST_PATH_IMAGE003
，其中，
Figure 352123DEST_PATH_IMAGE004
为用户出行信息集
Figure 104179DEST_PATH_IMAGE003
的每一个用户，d是任一个用户
Figure 864324DEST_PATH_IMAGE005
与枢纽站
Figure 69041DEST_PATH_IMAGE006
的距离，其中，
Figure 704159DEST_PATH_IMAGE007
则是距离求解公式，
Figure 310721DEST_PATH_IMAGE002
则是用户
Figure 241768DEST_PATH_IMAGE005
与枢纽站
Figure 996097DEST_PATH_IMAGE006
的最大距离,生成枢纽覆盖范围内的用户信息数据集：
Figure 670792DEST_PATH_IMAGE008
再获取用户所在枢纽基站的出现天数
Figure 633326DEST_PATH_IMAGE009
、出行频次
Figure 853DEST_PATH_IMAGE010
、停留时长
Figure 180162DEST_PATH_IMAGE011
，所述停留时长包括客流所有途经枢纽站的最早到达时间
Figure 392968DEST_PATH_IMAGE012
和最晚离开时间
Figure 36439DEST_PATH_IMAGE013
，以及城际间信号切换标识
Figure 807824DEST_PATH_IMAGE014
；
2）根据枢纽客流属性对枢纽客流进行初步判断；
对于机场枢纽站客流，提取仅在机场的最晚离开时间之前
Figure 474428DEST_PATH_IMAGE015
或最早到达时间
Figure 490926DEST_PATH_IMAGE016
之后才有信号的用户数据，初步判定为机场枢纽站客流，否则为非机场枢纽站客流，剔除非机杨枢纽站客流后，生成初始机场枢纽站客流数据集
Figure 926587DEST_PATH_IMAGE017
：
Figure 149100DEST_PATH_IMAGE018
对于轨道枢纽站客流，若满足城际间信号切换标识
Figure 99739DEST_PATH_IMAGE019
，则初步判定为轨道枢纽站客流，若城际间信号切换标识
Figure 919927DEST_PATH_IMAGE020
，则为非轨道枢纽站客流，剔除非轨道枢纽站客流后，生成初始轨道枢纽站客流数据集
Figure 272411DEST_PATH_IMAGE021
：
Figure 152642DEST_PATH_IMAGE022
。
4.根据权利要求3所述的一种基于手机定位数据的枢纽客流溯源方法，其特征在于，步骤4剔除高频次市内接送乘客的数据具体为：
剔除OD出发时间介于所有枢纽站到达和离开时间之间
Figure 528260DEST_PATH_IMAGE023
,并且，用户发生多次OD出行的数据,即
Figure 948877DEST_PATH_IMAGE024
，其中，n为出行频次阈值；将该数据标识为枢纽接送客流数据，从枢纽客流标识中移除该用户数据，生成满足一定天数出行频次
Figure 857665DEST_PATH_IMAGE025
的枢纽客流
Figure 971115DEST_PATH_IMAGE026
的全天OD表数据集
Figure 834028DEST_PATH_IMAGE027
：
Figure 996019DEST_PATH_IMAGE028
。
5.根据权利要求1-4任一项所述的一种基于手机定位数据的枢纽客流溯源方法，其特征在于，步骤5中：
所述反向反馈的启发式搜索方法搜索来源地具体为：对于每个枢纽客流OD矩阵和枢纽客流属性数据，反向搜索枢纽客流OD矩阵中的所有出发时间小于枢纽最早到达时间的数据
Figure 57516DEST_PATH_IMAGE029
，结合枢纽站所在城市
Figure 279550DEST_PATH_IMAGE030
与OD矩阵中客流
Figure 692077DEST_PATH_IMAGE031
出发地坐标，计算其与枢纽站的距离
Figure 159224DEST_PATH_IMAGE032
，其中，
Figure 340806DEST_PATH_IMAGE033
则是距离求解公式，若
Figure 468162DEST_PATH_IMAGE034
小于枢纽基站覆盖范围阈值，则剔除该驻留点，继续反向搜索上一刻出发时间驻留点，再计算其与枢纽站的距离
Figure 367985DEST_PATH_IMAGE035
，直到该驻留点满足客流出行距离阈值，则判定为枢纽客流的来源地驻留点；若机场枢纽站客流OD矩阵的到达时间均小于机场最晚离开时间
Figure 871779DEST_PATH_IMAGE036
，则只计算其来源地；最终生成每个城市枢纽站客流的来源地数据集：
Figure 173447DEST_PATH_IMAGE037
所述正向反馈的启发式搜索方法搜索目的地具体为：对于某个用户按时间排序的OD矩阵和枢纽客流属性数据，正向搜索枢纽客流OD矩阵中的所有到达时间大于枢纽最早到达时间的数据
Figure 471705DEST_PATH_IMAGE038
，结合枢纽站所在城市c i 与OD矩阵中客流
Figure 858824DEST_PATH_IMAGE039
出发地坐标，计算其与枢纽站的距离
Figure 664843DEST_PATH_IMAGE040
，其中
Figure 555439DEST_PATH_IMAGE041
则是距离求解公式，若
Figure 290177DEST_PATH_IMAGE040
小于枢纽基站覆盖范围阈值，则剔除该驻留点，继续正向搜索下一刻出发时间驻留点，再计算其与枢纽站的距离
Figure 899013DEST_PATH_IMAGE042
，直到该驻留点满足客流出行距离阈值，则判定为枢纽客流的目的地驻留点；若机场枢纽站客流OD矩阵的到达时间均大于机场最晚离开时间
Figure 10188DEST_PATH_IMAGE043
，则只计算其目的地；最终生成每个城市枢纽站客流的目的地数据集：
Figure 20869DEST_PATH_IMAGE044
枢纽往返客流判断具体为：若枢纽客流最初到达的枢纽站对应城市与最晚到达的枢纽站对应城市相同
Figure 926509DEST_PATH_IMAGE045
，则该枢纽客流初步识别为枢纽往返客流，再遍历枢纽客流在
Figure 22641DEST_PATH_IMAGE046
之间的停留过的所有城市，提取该城市的停留时长
Figure 173393DEST_PATH_IMAGE047
和方向角
Figure 38580DEST_PATH_IMAGE048
，判断是否为折返城市；再对往返客流进行分类，分为枢纽出发地，枢纽折返地和返程地三种分类，分别生成三个数据集；
对于枢纽出发地客流的来源地分析和枢纽返程地的目的地分析，均利用所述正/反向反馈的启发式搜索方法；
对于枢纽折返地客流的分析，为枢纽折返地判断，需要枢纽客流在
Figure 115121DEST_PATH_IMAGE049
之间的停留过的所有城市，提取该城市的停留时长
Figure 698549DEST_PATH_IMAGE050
和方向角
Figure 885948DEST_PATH_IMAGE051
，对满足停留时长和方向角（
Figure 871221DEST_PATH_IMAGE052
）的所有数据，找到最晚停留时间max(t x )所在的城市c(x n )，判断是否为折返城市，生成往返客流的折返地城市数据集；
Figure 118663DEST_PATH_IMAGE054
基于折返地城市数据集，将满足一定停留时长和方向角的城市定为折返地城市，再对折返地城市枢纽站的客流溯源分析，其中，折返地城市枢纽站的来源地，即为枢纽出发地客流的来源地，而折返地城市枢纽站的目的地，则为折返地城市所到达的目的地，即：
Figure 189387DEST_PATH_IMAGE055
。
6.根据权利要求5所述的一种基于手机定位数据的枢纽客流溯源方法，其特征在于，步骤6具体为：基于步骤5所生成的枢纽客流的溯源分析数据集，再根据枢纽所在城市的停留时长
Figure 242794DEST_PATH_IMAGE056
和出行速度
Figure 518792DEST_PATH_IMAGE057
是否满足客流停留时长阈值和出行速度阈值，若停留时长
Figure 999452DEST_PATH_IMAGE056
和出行速度
Figure 229576DEST_PATH_IMAGE057
不满足客流停留阈值，则在该枢纽站的客流为枢纽站过境客流，则不判断出行，标识为该枢纽站过境出行；
综合步骤5的客流溯源的启发式搜索算法和步骤6的过境客流识别判断，因此，对于枢纽所在城市客流的溯源分析，通过如下表达式表达：
Figure 86674DEST_PATH_IMAGE058
基于步骤6所生成的枢纽客流的来源地和目的地数据，再根据其来源地和目的地与枢纽站的距离进行枢纽站的客流分类标识。
7.根据权利要求6所述的一种基于手机定位数据的枢纽客流溯源方法，其特征在于，所述客流分类标识具体操作为：
首先，获取枢纽客流来源地和枢纽站的距离
Figure 718643DEST_PATH_IMAGE059
，以及枢纽客流目的地和枢纽站的距离
Figure 307888DEST_PATH_IMAGE060
；若
Figure 353204DEST_PATH_IMAGE061
，并且，枢纽所在城市的停留时长
Figure 187561DEST_PATH_IMAGE062
和出行速度
Figure 736354DEST_PATH_IMAGE063
满足客流停留阈值，则在该枢纽站的客流为枢纽站出发客流，标识为枢纽出发客流；
若
Figure 762079DEST_PATH_IMAGE064
，并且，枢纽所在城市的停留时长
Figure 29112DEST_PATH_IMAGE065
和出行速度
Figure 165696DEST_PATH_IMAGE066
满足客流停留阈值，则在该枢纽站的客流为枢纽站到达客流，标识为枢纽到达客流；
最后，再结合步骤5往返客流的判断，将枢纽客流溯源分析分为三种类型的客流溯源分析类型，即枢纽出发客流，枢纽到达客流和枢纽往返客流的溯源分析，并根据三种分类，分别提取枢纽客流的来源地和目的地，以及在枢纽站的驻留属性信息，以生成枢纽客流的互联互通表；并结合枢纽地理信息数据，生成基于手机定位数据的不同城市的机场客流溯源互联互通表和基于手机定位数据的不同城市的轨道枢纽客流溯源互联互通表。
CN202211090499.0A 2022-09-07 2022-09-07 一种基于手机定位数据的枢纽客流溯源方法 Active CN115168529B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211090499.0A CN115168529B (zh) 2022-09-07 2022-09-07 一种基于手机定位数据的枢纽客流溯源方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211090499.0A CN115168529B (zh) 2022-09-07 2022-09-07 一种基于手机定位数据的枢纽客流溯源方法

Publications (2)

Publication Number Publication Date
CN115168529A true CN115168529A (zh) 2022-10-11
CN115168529B CN115168529B (zh) 2022-11-29

Family

ID=83481133

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211090499.0A Active CN115168529B (zh) 2022-09-07 2022-09-07 一种基于手机定位数据的枢纽客流溯源方法

Country Status (1)

Country Link
CN (1) CN115168529B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115599878A (zh) * 2022-10-27 2023-01-13 广州市交通规划研究院有限公司（Cn） 一种基于手机定位数据的地铁优势腹地出行链生成方法
KR102591908B1 (ko) * 2022-11-30 2023-10-23 한국교통연구원 항공교통이용자 선별 및 OD(Origin-Destination) 분석 방법
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 (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0327290D0 (en) * 2003-11-24 2003-12-24 Rolls Royce Plc Method and system for assisting the passage of an entity through successive zones to a destination
CN109583708A (zh) * 2018-11-08 2019-04-05 国网浙江省电力有限公司经济技术研究院 多智能体微观交通配流模型的建立方法
CN110113718A (zh) * 2019-05-31 2019-08-09 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铁路交通枢纽人口类型识别方法
CN110864690A (zh) * 2019-10-31 2020-03-06 北京无线电计量测试研究所 一种适用于车辆图像识别的室内定位系统和方法
CN111354473A (zh) * 2020-03-20 2020-06-30 天津绿州能源装备有限公司 基于导航地图和手机定位寻找新冠肺炎感染者的应用系统
US20210312387A1 (en) * 2018-01-26 2021-10-07 Shipperbee, Inc. System For Parcel Transport And Tracking Operated Responsive To Data Bearing Records

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0327290D0 (en) * 2003-11-24 2003-12-24 Rolls Royce Plc Method and system for assisting the passage of an entity through successive zones to a destination
US20210312387A1 (en) * 2018-01-26 2021-10-07 Shipperbee, Inc. System For Parcel Transport And Tracking Operated Responsive To Data Bearing Records
CN109583708A (zh) * 2018-11-08 2019-04-05 国网浙江省电力有限公司经济技术研究院 多智能体微观交通配流模型的建立方法
CN110113718A (zh) * 2019-05-31 2019-08-09 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铁路交通枢纽人口类型识别方法
CN110864690A (zh) * 2019-10-31 2020-03-06 北京无线电计量测试研究所 一种适用于车辆图像识别的室内定位系统和方法
CN111354473A (zh) * 2020-03-20 2020-06-30 天津绿州能源装备有限公司 基于导航地图和手机定位寻找新冠肺炎感染者的应用系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115599878A (zh) * 2022-10-27 2023-01-13 广州市交通规划研究院有限公司（Cn） 一种基于手机定位数据的地铁优势腹地出行链生成方法
CN115599878B (zh) * 2022-10-27 2023-06-13 广州市交通规划研究院有限公司 一种基于手机定位数据的地铁优势腹地出行链生成方法
KR102591908B1 (ko) * 2022-11-30 2023-10-23 한국교통연구원 항공교통이용자 선별 및 OD(Origin-Destination) 분석 방법
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
CN115168529B (zh) 2022-11-29

Similar Documents

Publication Publication Date Title
CN115168529B (zh) 一种基于手机定位数据的枢纽客流溯源方法
CN108564226B (zh) 一种基于出租车gps及手机信令数据的公交线路优化方法
CN111653099B (zh) 基于手机信令数据的公交客流od获取方法
Chung et al. A trip reconstruction tool for GPS-based personal travel surveys
CN112133090A (zh) 一种基于手机信令数据的多方式交通分布模型构建方法
CN105844362B (zh) 一种城市交通综合出行决策装置
CN111932925B (zh) 一种公共交通站点的出行客流的确定方法、装置及系统
Larijani et al. Investigating the mobile phone data to estimate the origin destination flow and analysis; case study: Paris region
CN105142106A (zh) 基于手机信令数据的出行者职住地识别与出行链刻画方法
CN110753307B (zh) 一种基于居民调查数据获取带有标签的手机信令轨迹数据方法
CN108320501A (zh) 基于用户手机信令的公交线路识别方法
CN110796337B (zh) 一种评价城市公交站点服务可达性的系统
CN104990551A (zh) 一种基于轨迹提取的室内外联合导航方法与系统
CN111586586B (zh) 一种追踪方法和系统
CN109190685A (zh) 融合空间聚类和基站序列规则的轨道出行特征提取方法
CN112215666A (zh) 一种基于手机定位数据的不同出行活动目的特征识别方法
CN112036757A (zh) 基于手机信令和浮动车数据的停车换乘停车场的选址方法
CN116071929B (zh) 基于卡口车牌识别数据的实时路况监测系统及其方法
CN111651529A (zh) 基于手机信令数据的机场航空旅客分类识别方法
CN117056823A (zh) 一种识别共享单车通勤用户职业类型的方法及系统
CN105336155A (zh) 公交班次加派方法及系统
CN109493601B (zh) 一种公交支线设置方法
CN113079463A (zh) 一种基于手机信令数据的旅游景点游客出行活动识别方法
CN113569977B (zh) 一种基于手机信令数据的出行目的识别方法
CN106157601A (zh) 一种基于移动通信数据的公交客流需求的调查方法

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