CN115795332A - 一种用户出行模式识别的方法 - Google Patents
一种用户出行模式识别的方法 Download PDFInfo
- Publication number
- CN115795332A CN115795332A CN202211502330.1A CN202211502330A CN115795332A CN 115795332 A CN115795332 A CN 115795332A CN 202211502330 A CN202211502330 A CN 202211502330A CN 115795332 A CN115795332 A CN 115795332A
- Authority
- CN
- China
- Prior art keywords
- travel
- mode
- bus
- data
- characteristic
- 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.)
- Pending
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明涉及交通出行信息技术领域,具体为一种用户出行模式识别的方法,包括以下步骤:步骤一、进行城市区域划分,按照预设时间间隔获取终端的MR数据,所述MR数据至少包括采集时刻、IMSI、小区的标识及小区的接收电平值,包括当前小区和邻小区。该用户出行模式识别的方法,通过对几种交通出行模式的时空信息特征进行分析和归纳,对手机定位信息进行采集、分析和时空特征匹配,可以较为准确地识别公交出行、自驾车出行和步行出行三种典型的出行模式,利用Kalman滤波算法得到平滑的出行轨迹,通过提取特征向量对出行模式进行粗识别和细识别,能有效识别步行、自行车、小汽车以及公交出行模式,本发明复杂度低、实时动态性强。
Description
技术领域
本发明涉及交通出行信息技术领域,具体为一种用户出行模式识别的方法。
背景技术
交通监控系统是城市智能交通系统的重要组成部分,智能交通系统的建立需要实时、动态、大范围的提取道路的交通信息,尤其是个体出行轨迹。过去因技术条件的限制,往往采用问卷调查和抽样调查的方式研究居民的起讫点出行特征,无法实时监测城市交通网络的出行结构,特别是客流分配情况。
中国专利公开号CN106323296B公开了识别出行模式的方法及装置,包括在用户的出行路线段上确定至少一个路线区间,确定所至少一个路线区间对应的区间平均速度向量和所至少一个路线区间的加速度向量,以及,确定所述用户在所述出行路线段上的全程平均速度和所述用户在所述出行路线段上的停顿百分比,通过所至少一个区间平均速度向量、所至少一个路线区间的加速度向量、以及所述全程平均速度和所述停顿百分比确定所述用户在所述出行路线段对应的特征向量,通过对用户的出行路线段上划分为至少一个路线区间,通过路线区间内的区间平均速度和路线区间内的加速度对用户的出行属性进行了扩充,由于本公开确定了每一个路线区间中的平均速度以及加速度,因此实现了对出行路线段的精细表示,从而确保识别用户的各种出行方式更加精准,进而对用户的出行方式进行更加细致的划分,可以根据用户的出行方式提供更佳的、更具针对性的服务。
对于交通出行模式的识别方法,存在以下问题:
主要通过神经网络、模糊识别等算法来实现,其算法过于复杂、运算量太大,不易推广,其算法需要大量的训练样本支持,存在复杂度高、运算量大、准确性低等问题,无法满足智慧城市实时监控的要求,以研究性质为主,离实际推广应用还有较长的距离。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种用户出行模式识别的方法,具备复杂度低、实时动态性强等优点,解决了算法过于复杂、运算量太大,无法满足智慧城市实时监控的要求,以研究性质为主,离实际推广应用还有较长的距离的问题。
(二)技术方案
为实现上述目的,本发明提供如下技术方案:一种用户出行模式识别的方法,包括以下步骤:
步骤一、进行城市区域划分,按照预设时间间隔获取终端的MR数据,所述MR数据至少包括采集时刻、IMSI、小区的标识及小区的接收电平值,包括当前小区和邻小区;
步骤二、采集RSSI数据,定位移动目标,通过城市现有的行政和功能区域划分规划区域划分聚类个数和聚类范围,使用K-means算法进行聚类,随机选择聚类中心,针对聚类数据集Ω中的每个站点,取所有n个研究对象站点x作为聚类数据集Ω,Ω={x1,x2,x3……xn};
步骤三、根据手机位置坐标确定出行路径并计算手机定位移动速度,从数据库中查找与MR数据匹配的网格标识,并将网格标识对应网格的位置确定为在所述采集时刻终端的位置;
步骤四、利用K-means算法滤波对出行轨迹进行平滑处理,受遮蔽物、环境变化影响,RSSI信号会出现震荡现象,导致定位点在真实位置附近波动,K-means算法滤波能够很好地收拢定位点摆晃和漂移;
步骤五、多模式交通出行识别,所述多模式包括公交模式、小汽车模式以及步行模式,根据轨迹特征匹配法计算公交路径匹配率,当公交路径匹配率不小于公交路径匹配率设定值时,根据速度特征匹配法、聚合度特征匹配法以及距离特征匹配法进行公交模式出行识别,当同时满足速度特征匹配、聚合度特征匹配以及距离特征匹配时,识别为公交出行模式;
步骤六、基于停驻点的对细识别出行模式进行识别,所述细识别出行模式包括公交模式以及小汽车模式,根据距离特征匹配法进行步行模式出行识别,当距离特征满足步行模式出行特征时,识别为步行模式出行。
优选的,所述K-means算法进行聚类是以邻域ε内最少点数为目标对出行轨迹进行识别,并区分出静止的停驻点片段,从而得到轨迹中的停驻点片段。
优选的,从聚类数据集Ω中随机选取一个站点作为初始聚类中心C1,通过公式(1)计算站点xi与聚类中心点Cj的欧氏距离,通过公式(2)计算站点xi被选为下一个聚类中心点的概率P(xi)
优选的,所述按照每一个站点xi的P(xi)的大小确定每一个站点的轮盘面积,再使用轮盘法选取下一个聚类中心,每次选取下一个聚类中心后将同属于一个Θi的xi从轮盘中删除,依次选出k个聚类中心作为聚类中心点集Φ,Φ={c1,c2,c3…ct…ck}。
优选的,所述轨迹特征匹配率计算方法如下:
G=1RΣi=1nBi---(1),其中,R为出行路径的空间矢量值,G为公交路径匹配率,Bi为与出行路径重合的公交线路空间矢量值,其中,i为与出行路径重合的换乘公交线路数,1≤i<3,公交路径匹配率设定值为0.9。
优选的,所述公交模式出行满足聚合度特征匹配的方法是1≥D3≥0.6,所述步骤35中,聚合度特征满足小汽车模式出行的方法包括满足自驾车模式出行和出租车模式出行,其中,聚合度特征满足自驾车模式出行的方法是1≥D3≥0.8,聚合度特征满足出租车模式出行的方法是1≥D3≥0.8。
优选的,所述每个聚类中心和该聚类中心的所有站点构成一个研究对象区域,两个研究对象区域组成的一组研究对象区域,对一组研究对象区域随机抽取若干个工作日的每小时客流统计数据ai,24个小时的客流数据组成数据集Ψ,Ψ={a1,a2,a3…an}。
优选的,所述步骤一的采集RSSI数据,定位移动目标定位具体是通过在道路两侧布置的WI-FI嗅探设备,得到移动目标的RSSI数据,再通过加权质心算法估算出移动目标的经纬度坐标。
优选的,所述速度特征匹配法用于计算速度匹配率,速度匹配率的计算方法为Mj=SSj_---(2),其中,j为出行模式,j=0时为公交模式出行,j=1时为小汽车模式出行,j=2时为步行模式出行。
优选的,所述融合GIS公交站点数据,得到停驻点与各公交站点之间的欧氏距离,如果两者的间距小于阈值,则认为该次停车是在公交站点附近进行的,算站点停靠率,如果该出行轨迹停靠的站点停靠率小于阈值识别为小汽车出行模式,反之则识别为公交出行模式。
(三)有益效果
与现有技术相比,本发明提供了一种用户出行模式识别的方法,具备以下有益效果:
该用户出行模式识别的方法,通过对几种交通出行模式的时空信息特征进行分析和归纳,建立交通出行模式识别的“多特征匹配法”,对手机定位信息进行采集、分析和时空特征匹配,可以较为准确地识别公交出行、自驾车出行和步行出行三种典型的出行模式,利用Kalman滤波算法得到平滑的出行轨迹,通过提取特征向量对出行模式进行粗识别和细识别,能有效识别步行、自行车、小汽车以及公交出行模式,本发明复杂度低、实时动态性强,可以为城市交通管理、监控提供科学的数据支撑,有着广阔的行业应用前景。
具体实施方式
下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚、完整地描述。基于本发明中的实施例,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,都属于本发明保护的范围。
实施例一:
一种用户出行模式识别的方法,包括以下步骤:
步骤一、进行城市区域划分,按照预设时间间隔获取终端的MR数据,所述MR数据至少包括采集时刻、IMSI、小区的标识及小区的接收电平值,包括当前小区和邻小区;
步骤二、采集RSSI数据,定位移动目标,通过城市现有的行政和功能区域划分规划区域划分聚类个数和聚类范围,使用K-means算法进行聚类,随机选择聚类中心,针对聚类数据集Ω中的每个站点,取所有n个研究对象站点x作为聚类数据集Ω,Ω={x1,x2,x3……xn};
步骤三、根据手机位置坐标确定出行路径并计算手机定位移动速度,从数据库中查找与MR数据匹配的网格标识,并将网格标识对应网格的位置确定为在所述采集时刻终端的位置;
步骤四、利用K-means算法滤波对出行轨迹进行平滑处理,受遮蔽物、环境变化影响,RSSI信号会出现震荡现象,导致定位点在真实位置附近波动,K-means算法滤波能够很好地收拢定位点摆晃和漂移;
步骤五、多模式交通出行识别,所述多模式包括公交模式、小汽车模式以及步行模式,根据轨迹特征匹配法计算公交路径匹配率,当公交路径匹配率不小于公交路径匹配率设定值时,根据速度特征匹配法、聚合度特征匹配法以及距离特征匹配法进行公交模式出行识别,当同时满足速度特征匹配、聚合度特征匹配以及距离特征匹配时,识别为公交出行模式;
步骤六、基于停驻点的对细识别出行模式进行识别,所述细识别出行模式包括公交模式以及小汽车模式,根据距离特征匹配法进行步行模式出行识别,当距离特征满足步行模式出行特征时,识别为步行模式出行;
K-means算法进行聚类是以邻域ε内最少点数为目标对出行轨迹进行识别,并区分出静止的停驻点片段,从而得到轨迹中的停驻点片段,照每一个站点xi的P(xi)的大小确定每一个站点的轮盘面积,再使用轮盘法选取下一个聚类中心,每次选取下一个聚类中心后将同属于一个Θi的xi从轮盘中删除,依次选出k个聚类中心作为聚类中心点集Φ,Φ={c1,c2,c3…ct…ck},轨迹特征匹配率计算方法如下:
G=1RΣi=1nBi---(1),其中,R为出行路径的空间矢量值,G为公交路径匹配率,Bi为与出行路径重合的公交线路空间矢量值,其中,i为与出行路径重合的换乘公交线路数,1≤i<3,公交路径匹配率设定值为0.9,公交模式出行满足聚合度特征匹配的方法是1≥D3≥0.6,所述步骤35中,聚合度特征满足小汽车模式出行的方法包括满足自驾车模式出行和出租车模式出行,其中,聚合度特征满足自驾车模式出行的方法是1≥D3≥0.8,聚合度特征满足出租车模式出行的方法是1≥D3≥0.8。
本发明的有益效果是:该用户出行模式识别的方法,通过对几种交通出行模式的时空信息特征进行分析和归纳,建立交通出行模式识别的“多特征匹配法”,对手机定位信息进行采集、分析和时空特征匹配,可以较为准确地识别公交出行、自驾车出行和步行出行三种典型的出行模式,利用Kalman滤波算法得到平滑的出行轨迹,通过提取特征向量对出行模式进行粗识别和细识别,能有效识别步行、自行车、小汽车以及公交出行模式,本发明复杂度低、实时动态性强,可以为城市交通管理、监控提供科学的数据支撑,有着广阔的行业应用前景。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种用户出行模式识别的方法,其特征在于,包括以下步骤:
步骤一、进行城市区域划分,按照预设时间间隔获取终端的MR数据,所述MR数据至少包括采集时刻、IMSI、小区的标识及小区的接收电平值,包括当前小区和邻小区;
步骤二、采集RSSI数据,定位移动目标,通过城市现有的行政和功能区域划分规划区域划分聚类个数和聚类范围,使用K-means算法进行聚类,随机选择聚类中心,针对聚类数据集Ω中的每个站点,取所有n个研究对象站点x作为聚类数据集Ω,Ω={x1,x2,x3……xn};
步骤三、根据手机位置坐标确定出行路径并计算手机定位移动速度,从数据库中查找与MR数据匹配的网格标识,并将网格标识对应网格的位置确定为在所述采集时刻终端的位置;
步骤四、利用K-means算法滤波对出行轨迹进行平滑处理,受遮蔽物、环境变化影响,RSSI信号会出现震荡现象,导致定位点在真实位置附近波动,K-means算法滤波能够很好地收拢定位点摆晃和漂移;
步骤五、多模式交通出行识别,所述多模式包括公交模式、小汽车模式以及步行模式,根据轨迹特征匹配法计算公交路径匹配率,当公交路径匹配率不小于公交路径匹配率设定值时,根据速度特征匹配法、聚合度特征匹配法以及距离特征匹配法进行公交模式出行识别,当同时满足速度特征匹配、聚合度特征匹配以及距离特征匹配时,识别为公交出行模式;
步骤六、基于停驻点的对细识别出行模式进行识别,所述细识别出行模式包括公交模式以及小汽车模式,根据距离特征匹配法进行步行模式出行识别,当距离特征满足步行模式出行特征时,识别为步行模式出行。
2.根据权利要求1所述的一种用户出行模式识别的方法,其特征在于,所述K-means算法进行聚类是以邻域ε内最少点数为目标对出行轨迹进行识别,并区分出静止的停驻点片段,从而得到轨迹中的停驻点片段。
4.根据权利要求1所述的一种用户出行模式识别的方法,其特征在于,所述按照每一个站点xi的P(xi)的大小确定每一个站点的轮盘面积,再使用轮盘法选取下一个聚类中心,每次选取下一个聚类中心后将同属于一个Θi的xi从轮盘中删除,依次选出k个聚类中心作为聚类中心点集Φ,Φ={c1,c2,c3…ct…ck}。
5.根据权利要求1所述的一种用户出行模式识别的方法,其特征在于,所述轨迹特征匹配率计算方法如下:
G=1RΣi=1nBi---(1),其中,R为出行路径的空间矢量值,G为公交路径匹配率,Bi为与出行路径重合的公交线路空间矢量值,其中,i为与出行路径重合的换乘公交线路数,1≤i<3,公交路径匹配率设定值为0.9。
6.根据权利要求1所述的一种用户出行模式识别的方法,其特征在于,所述公交模式出行满足聚合度特征匹配的方法是1≥D3≥0.6,所述步骤35中,聚合度特征满足小汽车模式出行的方法包括满足自驾车模式出行和出租车模式出行,其中,聚合度特征满足自驾车模式出行的方法是1≥D3≥0.8,聚合度特征满足出租车模式出行的方法是1≥D3≥0.8。
7.根据权利要求1所述的一种用户出行模式识别的方法,其特征在于,所述每个聚类中心和该聚类中心的所有站点构成一个研究对象区域,两个研究对象区域组成的一组研究对象区域,对一组研究对象区域随机抽取若干个工作日的每小时客流统计数据ai,24个小时的客流数据组成数据集Ψ,Ψ={a1,a2,a3…an}。
8.根据权利要求1所述的一种用户出行模式识别的方法,其特征在于,所述步骤一的采集RSSI数据,定位移动目标定位具体是通过在道路两侧布置的WI-FI嗅探设备,得到移动目标的RSSI数据,再通过加权质心算法估算出移动目标的经纬度坐标。
9.根据权利要求1所述的一种用户出行模式识别的方法,其特征在于,所述速度特征匹配法用于计算速度匹配率,速度匹配率的计算方法为Mj=SSj_---(2),其中,j为出行模式,j=0时为公交模式出行,j=1时为小汽车模式出行,j=2时为步行模式出行。
10.根据权利要求1所述的一种用户出行模式识别的方法,其特征在于,所述融合GIS公交站点数据,得到停驻点与各公交站点之间的欧氏距离,如果两者的间距小于阈值,则认为该次停车是在公交站点附近进行的,算站点停靠率,如果该出行轨迹停靠的站点停靠率小于阈值识别为小汽车出行模式,反之则识别为公交出行模式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211502330.1A CN115795332A (zh) | 2022-11-28 | 2022-11-28 | 一种用户出行模式识别的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211502330.1A CN115795332A (zh) | 2022-11-28 | 2022-11-28 | 一种用户出行模式识别的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115795332A true CN115795332A (zh) | 2023-03-14 |
Family
ID=85442236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211502330.1A Pending CN115795332A (zh) | 2022-11-28 | 2022-11-28 | 一种用户出行模式识别的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115795332A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117061990A (zh) * | 2023-07-12 | 2023-11-14 | 荣耀终端有限公司 | 一种出行所用交通工具的识别方法、终端设备及存储介质 |
CN117709692A (zh) * | 2024-02-06 | 2024-03-15 | 四川绿豆芽信息技术有限公司 | 一种碳指标发放方法及系统 |
-
2022
- 2022-11-28 CN CN202211502330.1A patent/CN115795332A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117061990A (zh) * | 2023-07-12 | 2023-11-14 | 荣耀终端有限公司 | 一种出行所用交通工具的识别方法、终端设备及存储介质 |
CN117709692A (zh) * | 2024-02-06 | 2024-03-15 | 四川绿豆芽信息技术有限公司 | 一种碳指标发放方法及系统 |
CN117709692B (zh) * | 2024-02-06 | 2024-05-03 | 四川绿豆芽信息技术有限公司 | 一种碳指标发放方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108955693B (zh) | 一种路网匹配的方法及系统 | |
CN106197458B (zh) | 一种基于手机信令数据和导航路线数据的手机用户出行方式识别方法 | |
CN105608505B (zh) | 一种基于手机信令数据的居民轨道交通出行方式识别方法 | |
CN107463940B (zh) | 基于手机数据的车辆类型识别方法和设备 | |
CN108320501B (zh) | 基于用户手机信令的公交线路识别方法 | |
CN115795332A (zh) | 一种用户出行模式识别的方法 | |
CN102332210B (zh) | 基于手机定位数据的实时城市道路交通流数据提取方法 | |
CN108171993B (zh) | 一种基于手机信令大数据的高速公路车辆速度计算方法 | |
CN108109423B (zh) | 基于WiFi室内定位的地下停车场智能导航方法及系统 | |
CN106710208A (zh) | 交通状态的获取方法及装置 | |
CN105261212B (zh) | 一种基于出租车gps数据地图匹配的出行时空分析方法 | |
CN111653096B (zh) | 一种基于手机信令数据的城市出行方式识别方法 | |
CN111210612B (zh) | 基于公交gps数据与站点信息提取公交线路轨迹的方法 | |
CN110047277A (zh) | 基于信令数据的道路交通拥堵排名方法及系统 | |
CN106530716A (zh) | 基于手机信令数据计算高速公路路段平均速度的方法 | |
CN105243844A (zh) | 一种基于手机信令的道路状态识别方法 | |
CN112288131B (zh) | 公交站点优化方法、电子设备及计算机可读存储介质 | |
CN104778836A (zh) | 基于手机信令数据质量感知的高速公路交通状态识别方法 | |
CN106997666A (zh) | 一种利用手机信令数据位置切换获取交通流速度的方法 | |
CN114416710B (zh) | 一种快速路车辆od位置提取方法及系统 | |
CN104217593A (zh) | 一种面向手机移动速度的路况信息实时获取方法 | |
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 | |
CN108171992B (zh) | 一种基于手机信令大数据的平行公路车辆速度计算方法 | |
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 | |
CN111860699B (zh) | 一种基于波动率的通勤出行模式识别方法 |
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 |