CN116070033A - 基于手机信令数据的新型共享公共交通转移需求估计方法 - Google Patents
基于手机信令数据的新型共享公共交通转移需求估计方法 Download PDFInfo
- Publication number
- CN116070033A CN116070033A CN202310091813.5A CN202310091813A CN116070033A CN 116070033 A CN116070033 A CN 116070033A CN 202310091813 A CN202310091813 A CN 202310091813A CN 116070033 A CN116070033 A CN 116070033A
- Authority
- CN
- China
- Prior art keywords
- travel
- user
- public transportation
- shared public
- mobile phone
- 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
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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- 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
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Economics (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于手机信令数据的新型共享公共交通转移需求估计方法,首先通过信令数据提取用户出行链信息,利用地图匹配算法重构手机用户出行轨迹,建立职住地判别规则,识别手机用户通勤出行需求;之后构建用户出行方式识别模型,获得现状各出行方式的通勤出行需求;通过用户出行特性问卷调查获取用户出行选择行为信息以及选取新型共享公共交通通勤意愿信息,构建新型共享公共交通出行转移意愿结构方程模型,获得各出行方式向新型共享公共交通转移的显著性个体感知影响因素;再分别构建各出行方式向新型共享公共交通转移的有序Logit模型,获得各方式通勤出行向新型共享公共交通潜在转移概率。本发明利用手机信令数据,以更细的颗粒度研究城市居民出行行为及特性,建立的模型更合理地估计新型共享公共交通需求。
Description
技术领域
本发明属于共享交通系统领域,具体涉及基于手机信令数据的新型共享公共交通转移需求估计方法。
背景技术
随着我国机动车保有量的不断增长,交通行业的碳排放占比不断增加,“双碳”目标下交通领域的碳减排已成为关注重点。城市公交对于碳减排的意义重大,乘坐公交出行替代单位排放量高的交通工具如小汽车、出租车等可以带来更大的环境效益。与传统的公共交通系统相比,新型共享公共交通系统提供快速公交、定制公交、社区公交等特色服务丰富了城市居民的出行方式。作为常规公交和轨道交通的补充形式,极大的提高了公众出行体验。新型共享公共交通系统能够满足居民个性化、多元化出行需求的出行服务,提升公交出行对公众吸引力,有效推动交通领域的碳减排,具有良好的应用前景。
传统的公交出行需求估计方法主要有人工调查法和模型反推法。人工调查法方法成本高、调查周期长、数据样本量小,且不能准确地反应城市居民出行需求。该方法获取的需求仅适用于长期的城市路网规划,无法应用于时效性要求高的实时公交出行需求响应。目前大多数研究基于观测数据构造数学模型来获取公交出行需求,该方法高效地克服了人工调查法的缺点,对于出行需求的估计精度较高,能够为公交规划及管理提供及时有效的基础数据。
传统的出行需求建模普遍使用“四阶段法”,仅适用于长期的城市路网规划,无法应用于时效性要求高的实时公交出行需求响应,模型的标定需要对大规模人群进行调查和统计,耗费大量人力、物力资源,且随着城市的发展和变迁,模型不能及时的更新。现有研究中基于GPS数据和公交IC卡数据等辨识公交出行需求,难以反映出城市居民出行的真实情况,由于样本量小、研究群体范围局限等缺点,挖掘出的居民出行选择行为规律亦不具备普适性与代表性。现有出行方式选择研究大部分只考虑了出行者的个人社会经济属性
(例如年龄、性别、职业、家庭、收入等)和出行属性(例如出行时间乘次数、出行成本等),选择模型中未考虑出行者个人意愿、自身态度、行为习惯以及个人价值观等主观内在因素,研究与居民实际出行行为不符。传统集计模型很难体现个体特征层面的差异与变化对交通客流的影响,难以识别因外部条件变化所导致的需求变化,缺少对新型共享公共交通需求精细化辨识研究。
居民出行方式选择行为及需求估计对于城市交通规划的合理性和科学性至关重要,且城市公共交通系统的整体效率受到居民出行方式选择的直接影响。传统居民出行方式选择数据的获取主要基于人工调查法,该方法存在调查成本高、更新慢且研究颗粒度粗的问题,仅适用于长期的城市路网规划,无法应用于时效性要求高的实时共享公交出行需求辨识。
发明内容
随着居民出行方式选择更加的多元化,有必要对居民出行方式的转移决策进行研究。新型共享公共交通作为一种新兴的出行方式,探讨城市通勤出行居民向新型共享公共交通的转移意愿至关重要。不同于传统的城市居民的出行方式选择决策,新型共享公共交通转移意愿研究更倾向于反映通勤用户在面对与现有出行方式不同的交通工具时,是否会转移到新兴的交通方式。然而,个体决策过程是非常复杂的,不仅受到自身与外在环境的影响,与个体主观感知、行为习惯、认知水平等都密切相关。针对上述问题,本方面提出基于手机信令数据的新型共享公共交通系统潜在转移需求估计方法,解决现有技术中的问题。
为实现上述目的,本发明提供如下技术方案:基于手机信令数据的新型共享公共交通转移需求估计方法,包括如下步骤:
S1、基于用户手机信令数据,利用时空聚类算法,获得用户出行链信息;
S2、根据用户出行链信息,利用基于概率决策的地图匹配算法,将用户的信令轨迹基站位置与道路网中交叉口进行匹配,获得用户的出行轨迹,然后根据预设时间规则获得用户的通勤位置,并获得用户出行方式;
S3、以手机用户的出行特征信息、通勤导航路径信息、以及道路交通供给信息为输入,用户对各通勤方式的需求为输出,构建用户通勤出行方式识别模型,获取用户通勤出行方式结构;S4、以用户社会经济属性、出行方式选择行为、出行个体感知以及新型共享交通出行意愿信息为观测变量作为输入,用户出行方式选择行为特性以及选取新型共享公共交通通勤意愿为输出,构建用户出行方式选择偏好识别模型,并训练评估模型的可行性,对模型进行修正;S5、预设用户对出行方式的个体感知作为潜变量,以潜变量对应的各个观测变量为输入,潜变量对应的满意度为输出,构建新型共享公共交通出行转移意愿结构方程模型,获得各出行方式向新型共享公共交通转移的显著性个体感知影响因素;
S6、将用户向新型共享公共交通转移意愿划分等级,计算用户社会经济属性中对转移意愿的显著性影响因素,以显著性影响因素作为输入,其对应的向新型共享公共交通潜在转移概率为输出,分别构建各出行方式向新型共享公共交通转移的有序Logit模型;
S7、以各个出行方式为输入,结合用户出行方式识别模型及各出行方式向新型共享公共交通转移的有序Logit模型,获得各出行方式向新型共享公共交通潜在转移概率。
进一步地,前述的步骤S1包括如下子步骤:
S101、对用户手机信令数据进行简化和去噪,获取用户出行时间、速度特征参数;
S102、通过设置居民一次出行的理论时空阈值、速度阈值,根据用户出行时间、速度特征参数,利用基于密度的DBSCAN聚类算法识别出行停驻点;
S103、根据出行停驻点计算对应的每个出行段的出行时间、出行距离,建立时空约束条件识别停驻点中O点、D点,提取手机用户的出行链信息。
进一步地,前述的步骤S2包括如下子步骤:
S201、根据步骤S1中用户出行链信息,用基站集合Ti={t1,t2,…,tn}代表居民一次出行轨迹,统计Ti中各基站ti服务覆盖的路段,累加计算各路段被覆盖频次Fi;组合基站ti服务范围内的交叉口,获得路段集合Si,提取Si中出行频次Fi最高的路段及对应交叉口Ci;
S202、将用户出行轨迹点匹配到最近的道路交叉口Ci上,以路径最短为原则依次连接各交叉口,获得居民在城市路网中的出行轨迹;
S203、基于出行轨迹,根据用户的手机信令占用基站的预设天数和日均占用时间段,判定用户的通勤出行起终点。
进一步地,前述的步骤S3包括如下子步骤:
S301、基于地铁室分基站的特性,根据手机用户出行过程中对地铁基站的占用情况,初步筛选出地铁出行的手机用户;
S302、基于步骤1中的出行链信息提取用户出行距离、出行时耗及行程速度,与地图的出行导航信息对比,初步判别用户的出行方式;
S303、基于步骤2中的用户出行轨迹,计算用户出行轨迹与现有公交线路的相似度情况以及道路供给情况进一步划分用户出行方式;
S304、以进一步划分的用户出行方式、用户通勤导航路径信息、以及道路交通供给信息为输入,用户各方式出行需求为输出,构建用户出行方式识别模型,获取用户通勤出行方式结构。
进一步地,前述的步骤S4中,通过计算Cronbachα系数值和Spearman-Brown折半信度系数值β,并预设系数阈值评估模型的可行性;通过KMO值来判定模型合理性,以方差解释率值表征模型提取水平,通过共同度值排除模型中不合理输入项,计算因子载荷系数来衡量维度与输入项的对应关系。
进一步地,前述的步骤S5中,通过如下方式获得潜变量对应的观测变量:计算各出行方式数据的KMO值和Bartlett检验对应的p值,根据预设阈值判断数据因子分析适宜性,然后计算潜变量的因子荷载系数确定潜变量对应的各个观测变量。
进一步地,前述的步骤S6中,将居民向新型共享公共交通转移意愿,按照不同程度划分为不转移:Y=1、不确定:Y=2以及转移:Y=3,三个等级Logit模型如下式:
其中,X为自变量集合,βi为自变量xi的回归系数,α1、α2为常数项,M为自变量总个数。进一步地,前述的步骤S6包括如下子步骤:
S601、对用户社会经济属性中的自变量与因变量进行方差分析,计算用户社会经济属性对转移意愿的影响力,将影响力小于预设值的自变量输入至三个等级有序Logit回归模型中;
S602、以个体感知及社会经济属性中的显著性影响因素作为输入,三个等级向新型共享公共交通潜在转移概率为输出,分别构建各出行方式向新型共享公共交通转移的有序Logit模型;S603、应用SPSS软件进行模型回归和参数标定,得到各出行方式向新型共享公共交通转移的有序Logit模型中变量的回归系数和模型统计值,计算获得不同出行方式的转移概率。
相较于现有技术,本发明的有益效果如下:
1.本发明利用低成本、广覆盖范围、高样本量的手机信令数据,以更细的颗粒度研究城市居民出行行为及出行特性,属于移动互联背景下大数据信息在交通领域的挖掘应用。
2.通过出行行为和出行意愿联合调查问卷,从多个角度定量分析用户决策转移行为的影响因素。选取对转移意愿具有显著性影响的变量,分别构建小汽车、公交与地铁向新型共享公共交通转移的有序Logit模型,更合理地估计新型共享公共交通需求。
3.新型共享公共交通需求辨识为后续公共交通线路规划布设及其他政策引导提供有效支持,改善了现有定制公交布设普遍采用网络预约,未能覆盖大多群体和吸引力不足的问题。
附图说明
图1是本发明地图匹配轨迹重构结果图。
图2是本发明算法识别用户出行方式结构图。
图3是新型共享公共交通转移意愿结构方程模型框架图。
图4是小汽车出行居民的转移意愿结构方程模型路径图。
图5是公交出行居民的转移意愿结构方程模型路径图。
图6是地铁出行居民的转移意愿结构方程模型路径图。
图7是不同出行方式向新型共享公共交通转移概率结果图。
图8是各交通小区间潜在转移交通量估计结果图。
图9是本发明的方法流程图。
具体实施方式
为了更了解本发明的技术内容,特举具体实施例并配合所附图式说明如下。
在本发明中参照附图来描述本发明的各方面,附图中示出了许多说明性实施例。本发明的实施例不局限于附图所述。应当理解,本发明通过上面介绍的多种构思和实施例,以及下面详细描述的构思和实施方式中的任意一种来实现,这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外,本发明公开的一些方面可以单独使用,或者与本发明公开的其他方面的任何适当组合来使用。
手机信令数据,是指移动通信网络主动或被动、定期或不定期的为与手机用户的移动终端保持联系所产生的一系列控制指令,包括了手机识别码、时间戳、事件类型、基站编号、基站经纬度、号码归属地等字段。新型共享公共交通系统潜在转移需求估计,是对居民从常规通勤出行方式向新型共享公共交通出行服务潜在转移需求的估计,即公众选择快速公交、定制公交、社区公交等新型共享公共交通方式进行通勤出行的潜在需求。
如图9所示,为本发明方法流程图。基于手机信令数据的新型共享公共交通系统潜在转移需求估计方法,包括如下步骤:
S1、基于用户手机信令数据,利用时空聚类算法,获得用户出行链信息,具体包括以下步骤S101至步骤S103:
S101、对用户手机信令数据进行简化和去噪,获取用户出行时间、速度特征参数;
S102、通过设置居民一次出行的理论时空阈值、速度阈值,根据用户出行时间、速度特征参数,利用基于密度的DBSCAN聚类算法识别出行停驻点;
S103、根据出行停驻点计算对应的每个出行段的出行时间、出行距离,建立时空约束条件识别停驻点中O点、D点,提取手机用户的出行链信息。
步骤S1中,原始数据以江苏省昆山市中国移动通信公司提供的2019年4G手机信令数据为主,基于手机信令轨迹点的时空特性,利用时空聚类算法识别手机用户出行停驻点,提取用户出行链信息。获得的信令轨迹出行停驻点识别结果如表1(信令轨迹点状态识别结果表)所示:
表1
S2、根据用户出行链信息,利用基于概率决策的地图匹配算法,将用户的信令轨迹基站位置与道路网中交叉口进行匹配,获得用户在城市路网中的出行轨迹,然后根据预设时间规则获得用户的通勤出行起终点位置,用户出行轨迹如图1所示。
步骤S2包括以下步骤S201至步骤S203:
S201、根据步骤S1中用户出行链信息,用基站集合Ti={t1,t2,…,tn}代表居民一次出行轨迹,统计Ti中各基站ti服务覆盖的路段,累加计算各路段被覆盖频次Fi;组合基站ti服务范围内的交叉口,获得路段集合Si,提取Si中出行频次Fi最高的路段及对应交叉口Ci。
S202、将用户出行轨迹点匹配到最近的道路交叉口Ci上,以路径最短为原则依次连接各交叉口,获得居民在城市路网中的出行轨迹;
S203、基于出行轨迹,根据用户的手机信令占用基站的预设天数和日均占用时间段,判定用户的通勤出行起终点。
S3、以手机用户的出行特征信息、通勤导航路径信息、以及道路交通供给信息为输入,用户对各通勤方式的需求为输出,构建用户通勤出行方式识别模型,获取用户通勤出行方式结构;如图2所示。步骤S3具体包括以下步骤S301至步骤S304:
S301、基于地铁室分基站的特性,根据手机用户出行过程中对地铁基站的占用情况,初步筛选出地铁出行的手机用户。
S302、基于步骤1中的出行链信息提取用户出行特征参数,包括出行距离、出行时耗及行程速度,与地图的出行导航信息对比,初步判别用户的出行方式;
S303、基于步骤2中的用户出行轨迹,计算用户出行轨迹与现有公交线路的相似度情况以及道路供给情况进一步划分用户出行方式;
S304、以进一步划分的用户出行方式、用户通勤导航路径信息、以及道路交通供给信息为输入,用户各方式出行需求为输出,构建用户出行方式识别模型,获取用户通勤出行方式结构。S4、以用户的社会经济属性、出行方式选择行为、出行个体感知以及新型共享交通出行意愿信息为观测变量作为输入,用户出行方式选择行为特性以及选取新型共享公共交通通勤意愿为输出,构建用户出行方式选择偏好识别模型,并在训练中评估模型的可行性,对模型进行修正。
用户社会经济属性信息、出行选择行为特性、出行个体感知以及新型共享交通出行意愿信息通过问卷调查的方式获取,通过线上及线下进行问卷调查,共发放问卷950份,其中有效问卷为889份,有效率为93.58%;通过计算得到Cronbachα系数值和Spearman-Brown折半信度系数分别为0.835和0.837,证明问卷的统计结果具有可靠性。调查问卷如后所附。
检验问卷测量题项设计的合理性、有效性和准确程度,问卷效度分析结果如表2(效度分析结果表)所示。其中,问卷KMO值为0.898高于0.6,所有研究项对应的共同度值均高于0.4,说明问卷研究项信息可以被有效的提取。且5个因子的方差解释率值分别是19.542%,15.736%,14.924%,12.801%,10.156%,旋转后累积方差解释率为73.158%>50%,意味着可以有效提取研究项的信息。p值小于0.05,说明通过巴特球形检验,问卷效度较好。
表2
注:表格中Qn代表问卷中第n个题项(问题),加粗的数字表示载荷系数绝对值大于0.4,表明选项和因子有对应关系。
S5、预设用户对出行方式的个体感知作为潜变量,以潜变量对应的各个观测变量为输入,潜变量对应的满意度为输出,构建新型共享公共交通出行转移意愿结构方程模型,获得各出行方式向新型共享公共交通转移的显著性个体感知影响因素。图3为新型共享公共交通转移意愿结构方程模型框架图,预设乘客出行的便捷性、舒适性、感知质量、感知价值和转移意愿对满意度产生积极的影响,满意度对转移意愿产生积极的影响。
计算各出行方式数据的KMO值和Bartlett检验对应的p值,根据预设阈值判断数据因子分析适宜性,然后计算潜变量的因子荷载系数确定潜变量对应的各个观测变量。预设的潜变量与观测变量(问卷调查获取)对应关系如表3(基于结构方程的转移意愿模型变量选取表)所示:
表3
将调查所得的889份问卷根据出行方式分为三份,第一份数据为359份小汽车出行用户问卷结果,第二份数据为299份公交出行用户问卷结果,第三份数据为231份地铁出行用户问卷结果。从表4(KMO和Bartlett的检验表)可以看出:三份数据的KMO值均大于0.8,数据均通过Bartlett球形度检验(p<0.05),说明研究数据适合进行因子分析。
表4
当因子荷载系数大于0.4时,研究项和因子之间有着较强的关联性。如表5((小汽车出行数据)旋转后因子荷载系数表)中,因子1对应潜变量便捷性(CV),因子2对应潜变量感知质量(PQ),因子3对应潜变量感知价值中的(PV1)及(PV2),因子4对应绿色出行理念(PV3),因子5对应潜变量舒适性(CF)。由于CV1对应多个因子,但均与预设不符,该项数据质量异常,在小汽车出行结构方程模型中将其剔除。
表5
备注:表格中加粗数字表示载荷系数绝对值大于0.4
由表6((公交出行数据)旋转后因子荷载系数表)中结果可知,绿色出行理念对应因子1的荷载系数远大于因子2,因此该研究项对应因子1;由于荷载系数相差不大,出行费用成本与出行时间成本可同时对应因子3;同时,绿色出行理念(PV3)与准时性(CV3)可单独列为一项因子,且公交出行中不考虑PV1和PV2。
表6
备注:表格中加粗数字表示载荷系数绝对值大于0.4
由表7((地铁出行数据)旋转后因子荷载系数表)中结果可知,地铁出行时间成本(PQ1)与三个因子关联度均较高,将PQ1按照原先假设划分到因子2(感知质量潜变量),其他项与因子的对应关系均与表3中预设基本吻合。
表7
备注:表格中加粗数字表示载荷系数绝对值大于0.4
分析各观测变量对潜变量的作用以及对转移意愿的影响
图4为依据小汽车通勤出行问卷数据构建的结构方程模型路径图,小汽车出行用户感知价值潜变量对满意度的影响较大,影响系数达到0.948。相较于整洁、舒适的乘车环境,小汽车用户更关注新型共享公共交通能否减少高峰时段排队拥堵时间(PV1)、减少停车费用及寻找车位损耗时间(PV2)。
图5为依据公交通勤出行问卷数据构建的结构方程模型路径图,可知便捷性、感知价值以及感知质量对满意度的影响较大。与小汽车用户相比较,公交用户更关注新型共享公共交通的乘车环境和拥挤程度(CF)。此外,信息的可获取性及车辆到达的准时率(CV3)也是公交用户考虑的重要因素。
图6为依据地铁通勤出行问卷数据构建的结构方程模型路径图,地铁用户对出行时间(PQ1)以及车辆到达准点率(CV3)的要求相对更高。因此,新型共享公共交通的准时性以及行程时间显著影响着地铁用户是否产生转移行为。
S6、将用户向新型共享公共交通转移意愿划分等级,计算用户社会经济属性中对转移意愿的显著性影响因素,以显著性影响因素作为输入,其对应的向新型共享公共交通潜在转移概率为输出,分别构建各出行方式向新型共享公共交通转移的有序Logit模型;
①个人社会经济属性影响
对个人社会经济属性中的自变量与因变量进行方差分析,结果显示,不同学历、职业、月收入和婚姻状况样本对于转移意愿均呈现出显著性影响(p<0.05),其中学历和婚姻状况呈现出0.01水平显著性(p=0.000<0.01)。
②模型变量选取
不同出行方式向新型共享公共交通转移的有序Logit模型变量选取及样本数如表8(各类有序Logit模型变量选取及样本数表)所示:
表8
注:SE对应调查问卷中的题项1-7
③模型回归及参数标定
应用SPSS软件进行模型回归和参数标定后,得到各类有序Logit模型中变量的回归系数和模型统计值,如下表9-11所示。
表9
从表9(小汽车出行向新型共享公共交通转移的有序Logit回归模型分析结果)可以看出,模型伪R平方值(Nagelkerke R2)为0.457,表明自变量参数可以解释因变量转移意愿的45.7%变化原因。小汽车用户向新型共享公共交通转移意愿的不同程度可表示为:
表10
从表10(公交出行向新型共享公共交通转移的有序Logit回归模型分析结果表)可以看出,模型伪R平方值(Nagelkerke R2)为0.392,表明自变量参数可以解释因变量转移意愿的39.2%变化原因。公交用户向新型共享公共交通转移意愿的不同程度可表示为:
表11
从表11(地铁出行向新型共享公共交通转移的有序Logit回归模型分析结果表)可以看出,模型伪R平方值(Nagelkerke R2)为0.425,表明自变量参数可以解释因变量转移意愿的42.5%变化原因。地铁用户向新型共享公共交通转移意愿的不同程度可表示为:
④图7为基于有序Logit回归模型预测的不同出行方式的转移概率结果。
S7、以各个出行方式为输入,结合用户出行方式识别模型及各出行方式向新型共享公共交通转移的有序Logit模型,获得各出行方式向新型共享公共交通潜在转移概率。
选取新型共享公共交通服务区,估计各服务区通勤出行向新型共享公共交通系统潜在转移需求量。研究区域为江苏省昆山市,目前仅部分地区开通地铁,因此仅计算小汽车用户和公交用户向新型共享公共交通的转移量。不同小区间向新型共享公共交通的潜在转移交通量如图8所示,部分交通小区间早高峰期间潜在转移需求量超过了50人次,说明具有相似需求且愿意转移到新型共享公共交通的乘客较多,在新型共享公共交通线路规划布设时应将其纳入服务范围。
附
城市居民出行选择行为和意愿调查问卷
1、您的性别(单选题*必答)
○男
○女
2、您的年龄是?(单选题*必答)
○25岁以下
○26~50岁
○50岁以上
3、您的最高学历(含目前在读)是?(单选题*必答)
○初中
○高中/中专/技校
○大学本科/专科硕士研究生及以上
4、您目前的职业是?(单选题*必答)
○在校学生
○公司职员
○机关及事业单位
○个体经营者/承包商
○其他
5、您的个人月收入(包含各种途径所得收入,如零花钱、兼职所得等)是?(单选题*必答)
○3000元以下
○3000-5000元
○5000-8000元
○8000-15000元
○15000元以上
6、您目前的婚姻状况是?(单选题*必答〉
○未婚
○己婚,无子女
○已婚,有子女
○其他
7、您目前的小汽车拥有量(单选题*必答)
○无,未来有购车计划
○拥有一辆
○两辆及以上
8、您每天上班途中所需要花费时间?(单选题*必答)
○30分钟以内
○30分钟-45分钟
○45分钟-60分钟
○60分钟-90分钟
○90分钟以上
9、您每天上班单程所需要花费的费用是?(单选题*必答)
○10元以内
○10-20元
○20-30元
○30-40元
○40元以上
10、您每天上班使用较多的交通工具是?(单选题*必答)
○小汽车
○公交
○地铁
○其他
11、新型共享公共交通运行速度较快,停站次数少,可以走公交专用道,能减少高峰时段排队拥堵时间(单选题*必答)
注:此项非选项【新型共享公共交通是区别于现有常规公交的一种便捷、灵活的方式,例如定制公交、社区接驳公交等.】
○完全赞同
○比较赞同
○一般
○相对不赞同
○反对
12、新型共享公共交通方式的出现,能减少停车费用和寻找车位损耗的时间成本(单选题*必答)
○完全赞同
○比较赞同
○一般
○相对不赞同
○反对
13、新型共享公共交通出行的出现,能减少二氧化碳排放量和减轻环境污染,是一种绿色出行方式(单选题*必答)
○完全赞同
○比较赞同
○一般
○相对不赞同
○反对
14、如果乘坐新型共享公共交通时间不超过小汽车正常行驶(非拥堵时段)的1.5倍,我愿意选择尝试(单选题*必答)
○完全赞同
○比较赞同
○一般
○相对不赞同
○反对
15、如果新型共享公共交通车辆信息获取方便,车辆到达准点率较高﹐我愿意尝试(单选题*必答)
○完全赞同
○比较赞同
○一般
○相对不赞同
○反对
16、如果新型共享公共交通能一站到达,不需要换乘,我愿意尝试(单选题*必答)
○完全赞同
○比较赞同
○一般
○相对不赞同
○反对
17、如果到新型共享公共交通站点步行距离小于1km,我愿意尝试(单选题*必答)
○完全赞同
○比较赞同
○一般
○相对不赞同
○反对
18、如果新型共享公共交通票价不超过公交/地铁的1.5倍,我愿意选择尝试(单选题*必答)
○完全赞同
○比较赞同
○一般
○相对不赞同
○反对
19、如果您选择新型共享公共交通,您对车内乘车拥挤度和是否提供一人一座的态度是(单选题*必答)
○非常看重
○比较在意
○一般
○不在乎
20、您从现有出行方式转向新型共享公共交通出行的意愿是(单选题*必答)○很愿意
○比较愿意
○一般
○相对不愿意
○不愿意
虽然本发明已以较佳实施例阐述如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
Claims (8)
1.基于手机信令数据的新型共享公共交通转移需求估计方法,其特征在于,包括如下步骤:
S1、基于用户手机信令数据,利用时空聚类算法,获得用户出行链信息;
S2、根据用户出行链信息,利用基于概率决策的地图匹配算法,将用户的信令轨迹基站位置与道路网中交叉口进行匹配,获得用户的出行轨迹,然后根据预设时间规则获得用户的通勤位置,并获得用户出行方式;
S3、以手机用户的出行特征信息、通勤导航路径信息、以及道路交通供给信息为输入,用户对各通勤方式的需求为输出,构建用户通勤出行方式识别模型,获取用户通勤出行方式结构;
S4、以用户社会经济属性、出行方式选择行为、出行个体感知以及新型共享交通出行意愿信息为观测变量作为输入,用户出行方式选择行为特性以及选取新型共享公共交通通勤意愿为输出,构建用户出行方式选择偏好识别模型,并训练评估模型的可行性,对模型进行修正;
S5、预设用户对出行方式的个体感知作为潜变量,以潜变量对应的各个观测变量为输入,潜变量对应的满意度为输出,构建新型共享公共交通出行转移意愿结构方程模型,获得各出行方式向新型共享公共交通转移的显著性个体感知影响因素;
S6、将用户向新型共享公共交通转移意愿划分等级,计算用户社会经济属性中对转移意愿的显著性影响因素,以显著性影响因素作为输入,其对应的向新型共享公共交通潜在转移概率为输出,分别构建各出行方式向新型共享公共交通转移的有序Logit模型;
S7、以各个出行方式为输入,结合用户出行方式识别模型及各出行方式向新型共享公共交通转移的有序Logit模型,获得各出行方式向新型共享公共交通潜在转移概率。
2.根据权利要求1所述的基于手机信令数据的新型共享公共交通转移需求估计方法,其特征在于,步骤S1包括如下子步骤:
S101、对用户手机信令数据进行简化和去噪,获取用户出行时间、速度特征参数;
S102、通过设置居民一次出行的理论时空阈值、速度阈值,根据用户出行时间、速度特征参数,利用基于密度的DBSCAN聚类算法识别出行停驻点;
S103、根据出行停驻点计算对应的每个出行段的出行时间、出行距离,建立时空约束条件识别停驻点中O点、D点,提取手机用户的出行链信息。
3.根据权利要求1所述的基于手机信令数据的新型共享公共交通转移需求估计方法,其特征在于,步骤S2包括如下子步骤:
S201、根据步骤S1中用户出行链信息,用基站集合Ti={t1,t2,…,tn}代表居民一次出行轨迹,统计Ti中各基站ti服务覆盖的路段,累加计算各路段被覆盖频次Fi;组合基站ti服务范围内的交叉口,获得路段集合Si,提取Si中出行频次Fi最高的路段及对应交叉口Ci;
S202、将用户出行轨迹点匹配到最近的道路交叉口Ci上,以路径最短为原则依次连接各交叉口,获得居民在城市路网中的出行轨迹;
S203、基于出行轨迹,根据用户的手机信令占用基站的预设天数和日均占用时间段,判定用户的通勤出行起终点。
4.根据权利要求1所述的基于手机信令数据的新型共享公共交通转移需求估计方法,其特征在于,步骤S3包括如下子步骤:
S301、基于地铁室分基站的特性,根据手机用户出行过程中对地铁基站的占用情况,初步筛选出地铁出行的手机用户;
S302、基于步骤1中的出行链信息提取用户出行距离、出行时耗及行程速度,与地图的出行导航信息对比,初步判别用户的出行方式;
S303、基于步骤2中的用户出行轨迹,计算用户出行轨迹与现有公交线路的相似度情况以及道路供给情况进一步划分用户出行方式;
S304、以进一步划分的用户出行方式、用户通勤导航路径信息、以及道路交通供给信息为输入,用户各方式出行需求为输出,构建用户出行方式识别模型,获取用户通勤出行方式结构。
5.根据权利要求1所述的基于手机信令数据的新型共享公共交通转移需求估计方法,其特征在于,步骤S4中,通过计算Cronbachα系数值和Spearman-Brown折半信度系数值β,并预设系数阈值评估模型的可行性;通过KMO值来判定模型合理性,以方差解释率值表征模型提取水平,通过共同度值排除模型中不合理输入项,计算因子载荷系数来衡量维度与输入项的对应关系。
6.根据权利要求1所述的基于手机信令数据的新型共享公共交通转移需求估计方法,其特征在于,步骤S5中,通过如下方式获得潜变量对应的观测变量:计算各出行方式数据的KMO值和Bartlett检验对应的p值,根据预设阈值判断数据因子分析适宜性,然后计算潜变量的因子荷载系数确定潜变量对应的各个观测变量。
8.根据权利要求1所述的基于手机信令数据的新型共享公共交通转移需求估计方法,其特征在于,步骤S6包括如下子步骤:
S601、对用户社会经济属性中的自变量与因变量进行方差分析,计算用户社会经济属性对转移意愿的影响力,将影响力小于预设值的自变量输入至三个等级有序Logit回归模型中;
S602、以个体感知及社会经济属性中的显著性影响因素作为输入,三个等级向新型共享公共交通潜在转移概率为输出,分别构建各出行方式向新型共享公共交通转移的有序Logit模型;
S603、应用SPSS软件进行模型回归和参数标定,得到各出行方式向新型共享公共交通转移的有序Logit模型中变量的回归系数和模型统计值,计算获得不同出行方式的转移概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310091813.5A CN116070033A (zh) | 2023-02-09 | 2023-02-09 | 基于手机信令数据的新型共享公共交通转移需求估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310091813.5A CN116070033A (zh) | 2023-02-09 | 2023-02-09 | 基于手机信令数据的新型共享公共交通转移需求估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116070033A true CN116070033A (zh) | 2023-05-05 |
Family
ID=86178279
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310091813.5A Pending CN116070033A (zh) | 2023-02-09 | 2023-02-09 | 基于手机信令数据的新型共享公共交通转移需求估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116070033A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116628455A (zh) * | 2023-07-25 | 2023-08-22 | 中路高科交通科技集团有限公司 | 一种城市交通碳排放监测与决策支持方法及系统 |
CN117332376A (zh) * | 2023-12-01 | 2024-01-02 | 北京航空航天大学 | 基于手机信令数据的通勤人员和方式的辨识方法及系统 |
-
2023
- 2023-02-09 CN CN202310091813.5A patent/CN116070033A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116628455A (zh) * | 2023-07-25 | 2023-08-22 | 中路高科交通科技集团有限公司 | 一种城市交通碳排放监测与决策支持方法及系统 |
CN116628455B (zh) * | 2023-07-25 | 2023-10-03 | 中路高科交通科技集团有限公司 | 一种城市交通碳排放监测与决策支持方法及系统 |
CN117332376A (zh) * | 2023-12-01 | 2024-01-02 | 北京航空航天大学 | 基于手机信令数据的通勤人员和方式的辨识方法及系统 |
CN117332376B (zh) * | 2023-12-01 | 2024-02-27 | 北京航空航天大学 | 基于手机信令数据的通勤人员和方式的辨识方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110428117B (zh) | 城市轨道交通多场景下客流精准诱导方法及系统 | |
Li et al. | Assessing intercity multimodal choice behavior in a touristy city: a factor analysis | |
CN116070033A (zh) | 基于手机信令数据的新型共享公共交通转移需求估计方法 | |
Lyu et al. | Research on the big data of traditional taxi and online car-hailing: A systematic review | |
Lee et al. | Assessing transit competitiveness in Seoul considering actual transit travel times based on smart card data | |
Fu et al. | Impact of a new metro line: analysis of metro passenger flow and travel time based on smart card data | |
Li et al. | Improving service quality with the fuzzy TOPSIS method: a case study of the Beijing rail transit system | |
Yang et al. | Analyzing drivers’ intention to accept parking app by structural equation model | |
Li et al. | Empirical analysis of factors influencing potential demand of customized buses in Shanghai, China | |
Yuan et al. | Impact of the mixed degree of urban functions on the taxi travel demand | |
Liu et al. | Exploring the spatially heterogeneous effect of the built environment on ride-hailing travel demand: A geographically weighted quantile regression model | |
Jung et al. | Assessment of the transit ridership prediction errors using AVL/APC data | |
Yuan et al. | Taxi high-income region recommendation and spatial correlation analysis | |
Li et al. | Multi-mode traffic demand analysis based on multi-source transportation data | |
Iacobucci et al. | The demand potential of shared autonomous vehicles: a large-scale simulation using mobility survey data | |
Hau | Using a Hicksian approach to cost-benefit analysis in discrete choice: An empirical analysis of a transportation corridor simulation model | |
Zhou et al. | Exploring the determinants of public transport usage and shared mobilities: A case study from Nanchang, China | |
Batarce et al. | Characterizing the public transport service level experienced by users: An application to six Latin American transit systems | |
Link et al. | Combining GPS tracking and surveys for a mode choice model: Processing data from a quasi-natural experiment in Germany | |
Busby | Accessibility-based transit planning | |
Fan et al. | A Comprehensive Regional Accessibility Model Based on Actual Routes-of-Travel: A Proposal with Multiple Online Data | |
Wang et al. | An Empirical Study on the Segmentation of Potential Users of Shared Parking Spaces considering Individual Heterogeneity | |
Gleave | HSIPR Best Practices: Ridership and Revenue Forecasting | |
Han et al. | RESEARCH on route selection of urban rail passengers based on AFC data | |
Jung | Enhanced Transit Ridership Forecasting Using Automatic Passenger Counting Data |
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 |