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 PDFInfo
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000004458 analytical method Methods 0.000 claims abstract description 39
- 239000011159 matrix material Substances 0.000 claims description 26
- 230000000694 effects Effects 0.000 claims description 7
- 238000010845 search algorithm Methods 0.000 claims description 5
- 230000032823 cell division Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 230000011664 signaling Effects 0.000 abstract description 12
- 238000013439 planning Methods 0.000 abstract description 5
- 238000007726 management method Methods 0.000 abstract description 4
- 238000005070 sampling Methods 0.000 abstract description 3
- 230000001960 triggered effect Effects 0.000 abstract description 2
- 102000002274 Matrix Metalloproteinases Human genes 0.000 description 2
- 108010000684 Matrix Metalloproteinases Proteins 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005206 flow analysis Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
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
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,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的所有用户出行信息集,其中,为用户出行信息集的每一个用户,d是任一个用户与枢纽站的距离,其中,则是距离求解公式,则是用户与枢纽站的最大距离,生成枢纽覆盖范围内的用户信息数据集:
2)根据枢纽客流属性对枢纽客流进行初步判断;
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,并且,用户发生多次OD出行的数据,即,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的枢纽客流的全天OD表数据集:
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,结合枢纽站所在城市与OD矩阵中客流出发地坐标,计算其与枢纽站的距离,其中,则是距离求解公式,若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,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,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:
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,结合枢纽站所在城市c i 与OD矩阵中客流出发地坐标,计算其与枢纽站的距离,其中则是距离求解公式,若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,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,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:
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,则该枢纽客流初步识别为枢纽往返客流,再遍历枢纽客流在之间的停留过的所有城市,提取该城市的停留时长和方向角,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,需要枢纽客流在之间的停留过的所有城市,提取该城市的停留时长和方向角,对满足停留时长和方向角()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;
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:
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和出行速度是否满足客流停留时长阈值和出行速度阈值,若停留时长和出行速度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:
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:
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的所有用户出行信息集,其中,为用户出行信息集的每一个用户,d是任一个用户与枢纽站的距离,其中,则是距离求解公式,则是用户与枢纽站的最大距离,生成枢纽覆盖范围内的用户信息数据集:
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或最早到达时间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:
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,并且,用户发生多次OD出行的数据,即,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的枢纽客流的全天OD表数据集:
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(),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,结合枢纽站所在城市与OD矩阵中客流出发地坐标,计算其与枢纽站的距离,其中,则是距离求解公式,若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,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,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:
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,结合枢纽站所在城市c i 与OD矩阵中客流出发地坐标,计算其与枢纽站的距离,其中则是距离求解公式,若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,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,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:
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(),则该枢纽客流可初步识别为枢纽往返客流,再遍历枢纽客流在之间的停留过的所有城市,提取该城市的停留时长和方向角,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,需要枢纽客流在之间的停留过的所有城市,提取该城市的停留时长和方向角,对满足停留时长和方向角()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。
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:
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和出行速度是否满足客流停留时长阈值和出行速度阈值,若停留时长和出行速度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:
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:
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
表2 用户画像标签属性数据样例
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
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,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的所有用户出行信息集,其中,为用户出行信息集的每一个用户,d是任一个用户与枢纽站的距离,其中,则是距离求解公式,则是用户与枢纽站的最大距离,生成枢纽覆盖范围内的用户信息数据集:
2)根据枢纽客流属性对枢纽客流进行初步判断;
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,结合枢纽站所在城市与OD矩阵中客流出发地坐标,计算其与枢纽站的距离,其中,则是距离求解公式,若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,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,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:
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,结合枢纽站所在城市c i 与OD矩阵中客流出发地坐标,计算其与枢纽站的距离,其中则是距离求解公式,若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,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,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:
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,则该枢纽客流初步识别为枢纽往返客流,再遍历枢纽客流在之间的停留过的所有城市,提取该城市的停留时长和方向角,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,需要枢纽客流在之间的停留过的所有城市,提取该城市的停留时长和方向角,对满足停留时长和方向角()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;
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:
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:
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。
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)
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)
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 |
-
2022
- 2022-09-07 CN CN202211090499.0A patent/CN115168529B/zh active Active
Patent Citations (6)
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)
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 |