CN102595323B - 基于手机定位数据的居民出行特征参数的获取方法 - Google Patents
基于手机定位数据的居民出行特征参数的获取方法 Download PDFInfo
- Publication number
- CN102595323B CN102595323B CN201210074506.8A CN201210074506A CN102595323B CN 102595323 B CN102595323 B CN 102595323B CN 201210074506 A CN201210074506 A CN 201210074506A CN 102595323 B CN102595323 B CN 102595323B
- Authority
- CN
- China
- Prior art keywords
- mobile phone
- phone positioning
- data
- traffic cell
- travel
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000001914 filtration Methods 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims description 45
- 238000012545 processing Methods 0.000 claims description 19
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000011835 investigation Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 8
- 238000011161 development Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000032823 cell division Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000006854 communication Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种基于手机定位数据的居民出行特征参数的获取方法,包括如下步骤:(1)手机定位数据收集;(2)对手机定位数据过滤,并匹配到交通小区,得到匹配后手机定位数据;(3)以用户为单位,将一日的匹配后手机定位数据按时间排序,并将同一交通小区内连续的数据合并为一条,得到手机定位预处理数据;(4)根据合并的条数及影响时长判断驻留点;还原两驻留点之间的出行路径,得到出行距离、出行速度;得到所有用户的出行记录表;(5)基于匹配后手机定位数据,统计得到居住地与工作地结果表;(6)将出行记录表和居住地与工作地结果表联合分析,得到用户出行特征参数。本发明方法具有低成本、样本量大、精度高、时效性强的特点。
Description
技术领域
本发明涉及交通信息采集及处理技术领域,具体地说是一种基于手机定位数据的居民出行特征参数的获取方法。
背景技术
居民出行调查,是指在调查区域内,抽取一定比例的市民进行一天出行情况全面调查,以便掌握城市交通出行总量、主要发生吸引源、出行目的、方式结构、时空分布、出行时耗、出行距离等居民出行特征。
居民出行调查是城市综合交通规划的一项重要基础性工作,是掌握城市交通特征和规律的主要手段,可为科学制定交通发展战略、政策、技术法规提供重要依据,对分析城市总体布局、交通演化规律起到关键作用,对社会经济发展研究具有广泛的应用价值。
传统的居民出行调查实施步骤一般包括,首先成立专门机构统一负责,并进行调查前的资料准备(如人口分布、行政区划、土地利用等),然后进行调查方案设计(如拟定调查区域、交通小区划分、抽样、表格设计等),之后是进行调查人员培训,最后是人工调查的全面实施(如家访、电话询问、明信片、职工查询和月票调查等)。居民出行调查的每一个步骤都很关键,如果疏忽大意或考虑不周,将直接影响调查的最终结果。综合来看,传统居民出行调查方法的缺点主要包括:
(1)需要耗费大量的人力、物力,开展周期长(从筹划到实施)。
(2)由于耗费巨大,因而调查间隔时间大(一般为5年以上),数据更新不够及时。
(3)成果的精度受到多因素制约,其中包括样本量(样本率一般在城市人口5%以内)、样本偏差、调查人员责任心、样本用户配合程度、录入数据与校核数据准确性等,往往得到的结果精度较低。
随着全球定位系统(GPS)技术的发展,近年来交通研究人员将GPS设备应用于交通出行调查,利用GPS设备提供的精确位置信息和时间信息,对调查人群开展出行特征分析。然而,利用GPS设备开展交通调查仍然有诸多劣势:
(1)需要额外购置GPS设备。
(2)在室内、桥下、地铁等环境下无法采集数据。
(3)样本量较小,无法大规模开展。
近年来,手机普及率日益提高,据国家工业和信息化部统计,截至2011年底我国手机普及率已达到73.6%,从而为利用手机定位数据开展交通出行分析提供了基础。
现有的利用手机定位数据提取部分出行特征参数的技术如申请号为200910092031.3的中国发明专利,其只获得出行起讫点,而不能从全方位体现居民出行调查的整体特征参数,其方法需要使用“事件类型”信息,而在实际通信过程中丢失数据时有发生,严重影响分析结果质量,使得其方法在实际应用中受到很大限制。还有申请号为200910048300.6的中国发明专利,其关注于进行检测交通状态,即实时道路交通速度,应用于交通信息服务的领域。
鉴于上述现有的技术存在的问题和缺陷,本发明人积极加以研究和创新,以发明一种低成本、样本量大、精度高、时效性强、数据结果更为客观的基于手机定位数据的居民出行特征参数的获取方法。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种基于手机定位数据的居民出行特征参数的获取方法。本发明方法具有低成本、样本量大、精度高、时效性强的特点。
为了解决上述技术问题,本发明采用了如下技术方案:
基于手机定位数据的居民出行特征参数的获取方法,包括如下步骤:
(1)手机定位数据收集;
(2)数据预处理:对手机定位数据进行过滤,删除定位失败的数据,根据手机定位数据的经度和纬度将手机定位数据匹配到相应的交通小区内,建立各条手机定位数据与交通小区的隶属关系,得到匹配后手机定位数据;
(3)基于匹配后手机定位数据,以用户为单位,将一日的匹配后手机定位数据按照时间戳字段由小到大进行排序;
自第1条匹配后手机定位数据开始处理,将连续的若干条位于同一交通小区的匹配后手机定位数据合并为一条数据,得到手机定位预处理数据,直至最末1条匹配后手机定位数据;其中,手机定位预处理数据中分别记录与合并的匹配后手机定位数据对应的进入该交通小区的进入时刻、离开该交通小区的离开时刻、平均经度、平均纬度和合并的匹配后手机定位数据的条数,还分别记录每一交通小区的前影响时刻和后影响时刻,以及该交通小区的影响时长;其中,
平均经度和平均纬度分别取该若干条匹配后手机定位数据的经度和纬度的平均值;
前影响时刻取该条手机定位预处理数据的进入时刻与上一条手机定位预处理数据离开时刻的中间时刻;第1条手机定位预处理数据所在交通小区的前影响时刻赋值为最初进入该交通小区的时刻;
后影响时刻取该条手机定位预处理数据的离开时刻与下一条手机定位预处理数据的进入时刻的中间时刻;最末1条手机定位预处理数据所在交通小区的后影响时刻赋值为最终离开该交通小区的时刻;
影响时长取后影响时刻与前影响时刻的差值;
按上述方法处理所有用户的匹配后手机定位数据,得到手机定位预处理数据表;
(4)出行链识别
基于手机定位预处理数据表,以用户为单位,将一日的手机定位预处理数据按照进入时刻字段由小到大进行排序;
自该用户的第1条手机定位预处理数据开始处理,若第1条手机定位预处理数据的进入时刻≥早上时刻阈值,则将第1条数据对应的交通小区作为一个驻留点;继续向下处理,若合并的匹配后手机定位数据的条数≥驻留记录数阈值且影响时长≥驻留时长阈值,则将该数据对应的交通小区作为一个驻留点;
按时间顺序,将上一驻留点到下一驻留点,视为一次出行,记录起点交通小区、讫点交通小区和中间的经过点以及出行时耗的相关信息,其中,
上一驻留点为起点交通小区,下一驻留点为讫点交通小区;
出行时耗取讫点交通小区的进入时刻减去起点交通小区的离开时刻;
基于已有道路网络,计算连续经过一次出行的起点交通小区、各经过点和讫点交通小区之间的最短路径,其中起点交通小区和讫点交通小区分别以平均经度和平均纬度确定地理位置,基于最短路径的连续经过的路段端点号信息,统计得到出行距离;
计算出行速度,出行速度=出行距离/出行时耗;
按上述方法处理所有用户的手机定位预处理数据,得到所有用户的出行记录表;
(5)居住地与工作地判别:
基于匹配后手机定位数据表,提取某用户连续一周的数据,统计介于居住地判断时段内在各交通小区出现的次数;该出现次数最多的交通小区为该用户的居住地;
基于匹配后手机定位数据表,提取某用户连续一周工作日的数据,统计介于工作地判断时段内在各交通小区出现的次数;该出现次数最多的交通小区为该用户的工作地;
得到居住地与工作地结果表;
(6)出行特征参数的获取
将出行记录表和居住地与工作地结果表联合分析,得到用户出行特征参数。
进一步,记录居住地判别比例,即居住地交通小区出现次数与判断时段内总次数的比值。记录工作地判别比例,即工作地交通小区出现次数与判断时刻内总次数的比值。居住地判别比例和工作地判别比例,作为表征判别结果可信度的指标。
与现有技术相比,本发明的有益效果在于:
本发明的基于手机定位数据的居民出行特征参数的获取方法的数据来源是基于手机定位数据,获取的居民出行特征参数可以包括城市交通出行总量、时空分布、出行时耗、出行距离、出行路径选择等。本发明方法具有低成本、样本量大、精度高、时效性强等优点。面对快速的城市化进程,需要实时掌握居民出行特征,以满足城市交通规划的需求。本发明方法为居民出行调查提供了一种全新的技术手段,充分利用海量的大样本手机定位数据,通过建立持续观测机制,不断跟踪居民出行规律的演变。
本发明提出的基于手机定位数据的居民特征获取方法,是指基于手机定位数据(移动通信系统内部产生并记录的),结合交通基础地理信息,开展居民出行特征的提取,从而为居民出行调查提供一种新的技术手段。该方法能够体现以人为探测单元的移动情况,样本率高,能够给出调查区域内用户分布与交通出行的“全景图”。
本发明提出的基于手机定位数据的居民特征参数获取方法,基于城市手机定位数据和交通基础地理信息,能够处理得到城市交通出行总量、时空分布、出行时耗、出行距离、出行路径选择等居民出行特征。
本发明提出的基于手机定位数据的居民特征参数获取方法,具有以下显著优势:
(1)不需要额外购置设备,充分利用移动通信基础设施,综合调查费用相对较低。
(2)自动化实现方式,需要较少的人力。
(3)属于被动数据采集,且调查区域基本信号全覆盖,分析结果更加客观、准确。
(4)样本量大,基本可以覆盖城市调查区域内每一个人。
(5)数据更新周期短,更加灵活地支持动态交通规划、组织与管理,实现更加人性化的城市服务。
本发明方法系统地解决了利用手机定位数据开展居民出行特征参数提取的问题。该方法具有实用性强、算法效率高、结果精度高等显著优势,能够推动居民出行调查向更加客观、较低成本、更新周期缩短的方向发展。适宜于各城市的推广应用,前景广阔。
附图说明
图1为本发明的基于手机定位数据的居民出行特征参数的获取方法的流程图;
图2为使用本发明方法对用户A原始定位位置的分布示意图;
图3为使用本发明方法对用户A出行链识别结果示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细描述,但不作为对本发明的限定。
本发明中的手机定位数据是指,在手机通信过程中,利用蜂窝基站方式实现对手机实时位置的获取,通常以经纬度方式记录。手机定位数据采集,往往采用事件触发机制,如拨打或接听电话、收发短信、跨LAC区域、特定时长强制定位等方式,因此,时间间隔往往不能保证很规范。图1为本发明的基于手机定位数据的居民出行特征参数的获取方法的流程图。如图1所示,基于手机定位数据的居民出行特征参数的获取方法,包括如下步骤:
(1)手机定位数据收集。
数据字段通常包括手机伪码、时间戳、经度、纬度、状态等,其中,状态字段为1表示定位成功,状态字段为0表示定位失败。本发明中认为,一部手机对应一个用户,根据手机伪码来确定手机定位数据是否属于同一用户。下表1为用户A的部分手机定位数据。
表1
手机伪码 | 时间戳 | 经度 | 纬度 | 状态 |
A | 13:35:21 | 116.5322 | 39.77763 | 1 |
A | 13:39:49 | 116.5322 | 39.77769 | 1 |
A | 13:45:26 | 116.5322 | 39.77762 | 1 |
A | 13:50:27 | 116.5322 | 39.77760 | 1 |
A | 13:54:46 | 116.5271 | 39.77463 | 1 |
A | 14:00:15 | 116.5309 | 39.77815 | 1 |
A | 14:04:46 | 116.5270 | 39.77463 | 1 |
A | 14:10:25 | 116.5288 | 39.77422 | 1 |
A | 14:14:46 | 116.5271 | 39.77467 | 1 |
A | 14:19:43 | 0 | 0 | 0 |
A | 14:25:36 | 116.5288 | 39.77426 | 1 |
A | 14:30:22 | 116.5309 | 39.77808 | 1 |
A | 14:35:13 | 116.5288 | 39.77426 | 1 |
A | 14:40:33 | 116.5288 | 39.77427 | 1 |
A | 14:45:13 | 116.5288 | 39.77426 | 1 |
A | 14:49:50 | 116.5288 | 39.77424 | 1 |
A | 14:54:46 | 116.5288 | 39.77426 | 1 |
A | 14:59:49 | 116.5270 | 39.77457 | 1 |
A | 15:05:19 | 116.5288 | 39.77426 | 1 |
A | 15:09:43 | 0 | 0 | 0 |
A | 15:15:27 | 116.5254 | 39.79493 | 1 |
A | 15:19:46 | 116.5254 | 39.79491 | 1 |
(2)交通小区数据、路网数据整理。
交通小区的划分,应根据规划区域的用地规模、土地利用性质和规划布局的特点来确定,一般以行政分区、人工构筑物及自然疆界作为交通小区边界。
路网数据,是带有拓扑关系的分等级路网,通常以GIS形式,道路等级划分为快速路、主干路、次干路、支路。交通小区数据和路网数据通常可从居民出行调查单位获得。
(3)数据预处理。
(3.1)数据过滤。将定位失败的记录(状态字段为0)删除。
(3.2)交通小区匹配。根据手机定位数据的经度和纬度确定的地理位置与交通小区的包含关系,建立各条手机定位数据与交通小区的隶属关系。得到如下表2所示的匹配后手机定位数据表。
表2
手机伪码 | 时间戳 | 经度 | 纬度 | 状态 | 交通小区 |
A | 13:35:21 | 116.5322 | 39.77763 | 1 | 219823 |
A | 13:39:49 | 116.5322 | 39.77769 | 1 | 219823 |
A | 13:45:26 | 116.5322 | 39.77762 | 1 | 219823 |
A | 13:50:27 | 116.5322 | 39.77760 | 1 | 219823 |
A | 13:54:46 | 116.5271 | 39.77463 | 1 | 240625 |
A | 14:00:15 | 116.5309 | 39.77815 | 1 | 240625 |
A | 14:04:46 | 116.5270 | 39.77463 | 1 | 240625 |
A | 14:10:25 | 116.5288 | 39.77422 | 1 | 240625 |
A | 14:14:46 | 116.5271 | 39.77467 | 1 | 240625 |
A | 14:25:36 | 116.5288 | 39.77426 | 1 | 240625 |
A | 14:30:22 | 116.5309 | 39.77808 | 1 | 240625 |
A | 14:35:13 | 116.5288 | 39.77426 | 1 | 240625 |
A | 14:40:33 | 116.5288 | 39.77427 | 1 | 240625 |
A | 14:45:13 | 116.5288 | 39.77426 | 1 | 240625 |
A | 14:49:50 | 116.5288 | 39.77424 | 1 | 240625 |
A | 14:54:46 | 116.5288 | 39.77426 | 1 | 240625 |
A | 14:59:49 | 116.5270 | 39.77457 | 1 | 240625 |
A | 15:05:19 | 116.5288 | 39.77426 | 1 | 240625 |
A | 15:15:27 | 116.5254 | 39.79493 | 1 | 240621 |
A | 15:19:46 | 116.5254 | 39.79491 | 1 | 240621 |
图2为使用本发明方法对用户A原始定位位置的分布示意图。
(3.3)基于匹配后手机定位数据表,以用户为单位,将一日的匹配后手机定位数据按照时间戳字段由小到大进行排序。
(3.4)自第1条数据开始处理,将连续的若干条位于同一交通小区的匹配后手机定位数据合并为一条数据,得到手机定位预处理数据,直至最末1条匹配后手机定位数据;其中,手机定位预处理数据中分别记录与合并的匹配后手机定位数据对应的进入该交通小区的进入时刻(start_time)、离开该交通小区的离开时刻(end_time)、平均经度(lon)、平均纬度(lat)和合并的匹配后手机定位数据的条数(num);其中平均经度(lon)和平均纬度(lat)分别取该若干条匹配后手机定位数据的经度和纬度的平均值, 直至最末1条数据。
(3.5)手机定位预处理数据中还分别记录该交通小区的前影响时刻(in_time)和后影响时刻(out_time),以及该交通小区的影响时长(interval)。
前影响时刻(in_time)取该条手机定位预处理数据的进入时刻(start_time)与上一条手机定位预处理数据的离开时刻(end_time)的中间时刻;后影响时刻(out_time)取该条手机定位预处理数据的离开时刻(end_time)与下一条手机定位预处理数据的进入时刻(start_time)的中间时刻。对于特殊情况的处理:
第1条手机定位预处理数据的前影响时刻(in_time)赋值为最初进入该交通小区的时刻;
最末1条手机定位预处理数据的后影响时刻(out_time)赋值为最终离开该交通小区的时刻。
影响时长(interval)取后影响时刻(out_time)与前影响时刻(in_time)的差值。
(3.6)按上述方法处理所有用户的数据,得到如下表3所示的手机定位预处理数据表。
(4)出行链识别。
(4.1)基于手机定位预处理数据表,以用户为单位,将一日的手机定位预处理数据按照进入时刻字段由小到大进行排序。
(4.2)判断驻留点。自该用户的第1条手机定位预处理数据开始处理,若第1条手机定位预处理数据的进入时刻>=早上时刻阈值(设置为6:00),则将第1条数据对应的交通小区作为一个驻留点;继续向下处理,若某手机定位预处理数据的合并的匹配后手机定位数据的条数(num)>=驻留记录数阈值(设置为2)且影响时长(interval)>=驻留时长阈值(设置为2700秒),则将该数据对应的交通小区作为一个驻留点。
以上阈值可基于数据实际情况合理设置。
(4.3)出行识别。按时间顺序,将上一驻留点(起点)到下一驻留点(讫点),视为一次出行,记录相关信息(包括起点和讫点的交通小区编号、前影响时刻、后影响时刻、平均经度、平均纬度等),以及中间的经过点。
出行时耗(time_trip)取讫点交通小区的进入时刻减去起点交通小区的离开时刻。
(4.4)路径还原。基于已有道路网络,计算连续经过一次出行的起点交通小区、各经过点和讫点交通小区之间的最短路径,其中起点交通小区和讫点交通小区分别以平均经度和平均纬度确定地理位置,基于最短路径的连续经过的路段端点号信息,统计得到出行距离(length_trip)。
(4.5)计算出行速度,出行速度(speed_trip)=出行距离(length_trip)/出行时耗(time_trip)。
(4.6)按上述方法处理所有用户的数据,得到如下表4所示的出行记录表。
图3为使用本发明方法对用户A在居住地、工作地和驻留点之间三次出行构成的出行链识别结果示意图。
(5)居住地与工作地判别。
(5.1)基于交通小区匹配后手机定位数据表,提取某用户连续一周的数据,统计介于居住地判断时段(设置为23:00至次日6:00)内在各交通小区出现的次数。记录出现次数最多的交通小区编号,以及出现次数与判断时段内总次数的比值(ratio_home)。该交通小区识别为该用户的居住地,该比值作为表征判别结果可信度的指标。
(5.2)基于交通小区匹配后手机定位数据表,提取某用户连续一周工作日(通常为周一至周五)的数据,统计介于工作地判断时段(设置为9:00至17:00)内在各交通小区出现的次数。记录出现次数最多的交通小区编号,以及出现次数与判断时段内总次数的比值。(ratio_work)。该交通小区识别为该用户的工作地,该比值作为表征判别结果可信度的指标。
(5.3)按上述方法处理所有用户的数据。得到如下表5所示的居住地与工作地结果表。
表5
(6)用户出行特征参数提取与综合分析。
(6.1)结合出行记录表和居住地与工作地结果表开展联合分析,得到不同类别用户的详细出行特征参数。
出行特征参数主要包括出行起点、出行讫点、出行距离、出行时耗、出行时刻(包含出发时刻、在途时刻和到达时刻)等。
汇集一定量的手机用户,通过与居住地、工作地等用户属性信息联合分析,能够得到不同属性用户的出行特征,得到诸如工作地为某一行政区的用户,其工作日的出行率(即日均出行次数)、平均出行距离、平均出行时耗、出发时间分布等,再如居住地为城市中心城的用户,其工作日的出行率(即日均出行次数)、平均出行距离、平均出行时长、出发时间分布等。
在实际应用中,会基于上述各类用户的出行特征参数,结合全市域内该类用户的总数进行扩样,从而得到全市域在分析时段内的总出行需求,如一日出行次数,这对于开展与交通需求相匹配的城市综合交通规划至关重要。出行特征参数在城市交通运营与管理中发挥重要的作用,比如,掌握了用户的出行起点-讫点(Origin-Destination)分布、出发时间分布,就可以合理的配置公交、地铁等运量和发车间隔,从而使得城市交通运输资源得到最优的利用。
如果进一步将手机定位数据与土地利用数据结合,还将得到出行方式(如小汽车、公交车、地铁等)和出行目的(如上班、上学、购物、回家等)等。如:
(6.2)结合出行记录表,以交通小区、街道、行政区域为对象,开展人口居住与就业分布、出行特征分析等。或者,
(6.3)汇总结果。结合其他统计结果,进行综合分析。
在北京市征集志愿者1000人,采集其手机定位数据进行实验,对比了本发明方法与其他方法,包括结果精度和运算速度等方面。实验结果表明,本发明提出的基于手机定位数据的居民特征参数获取方法,居住地和工作地识别的准确率达到99%,出行识别平均准确率达到95%以上,均较现有类似方法更优;本发明提供的方法,运算速度较已有算法提高30%以上,已达到实际应用的水平。除此之外,基于本发明提供的方法,能够获得的数据种类更为丰富,支持居民出行调查多种综合应用。
此外,利用手机定位数据的处理结果,还能够为交通动态模型,提供动态OD数据源,更好地描述交通运行状况(如拥堵节点的形成与消散),指导解决实际问题,具有广阔的市场前景。
以上实施例仅为本发明的示例性实施例,不用于限制本发明,本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内,对本发明做出各种修改或等同替换,这种修改或等同替换也应视为落在本发明的保护范围内。
Claims (2)
1.基于手机定位数据的居民出行特征参数的获取方法,其特征在于,包括如下步骤:
(1)手机定位数据收集;
(2)数据预处理:对手机定位数据进行过滤,删除定位失败的数据,根据手机定位数据的经度和纬度将手机定位数据匹配到相应的交通小区内,建立各条手机定位数据与交通小区的隶属关系,得到匹配后手机定位数据;
(3)基于匹配后手机定位数据,以用户为单位,将一日的匹配后手机定位数据按照时间戳字段由小到大进行排序;
自第1条匹配后手机定位数据开始处理,将连续的若干条位于同一交通小区的匹配后手机定位数据合并为一条数据,得到手机定位预处理数据,直至最末1条匹配后手机定位数据;其中,手机定位预处理数据中分别记录与合并的匹配后手机定位数据对应的进入该交通小区的进入时刻、离开该交通小区的离开时刻、平均经度、平均纬度和合并的匹配后手机定位数据的条数,还分别记录每一交通小区的前影响时刻和后影响时刻,以及该交通小区的影响时长;其中,
平均经度和平均纬度分别取该若干条匹配后手机定位数据的经度和纬度的平均值;
前影响时刻取该条手机定位预处理数据的进入时刻与上一条手机定位预处理数据离开时刻的中间时刻;第1条手机定位预处理数据所在交通小区的前影响时刻赋值为最初进入该交通小区的时刻;
后影响时刻取该条手机定位预处理数据的离开时刻与下一条手机定位预处理数据的进入时刻的中间时刻;最末1条手机定位预处理数据所在交通小区的后影响时刻赋值为最终离开该交通小区的时刻;
影响时长取后影响时刻与前影响时刻的差值;
按上述方法处理所有用户的匹配后手机定位数据,得到手机定位预处理数据表;
(4)出行链识别
基于手机定位预处理数据表,以用户为单位,将一日的手机定位预处理数据按照进入时刻字段由小到大进行排序;
自该用户的第1条手机定位预处理数据开始处理,若第1条手机定位预处理数据的进入时刻≥早上时刻阈值,则将第1条数据对应的交通小区作为一个驻留点;继续向下处理,若合并的匹配后手机定位数据的条数≥驻留记录数阈值且影响时长≥驻留时长阈值,则将该数据对应的交通小区作为一个驻留点;
按时间顺序,将上一驻留点到下一驻留点,视为一次出行,记录起点交通小区、讫点交通小区和中间的经过点以及出行时耗的相关信息,其中,
上一驻留点为起点交通小区,下一驻留点为讫点交通小区;
出行时耗取讫点交通小区的进入时刻减去起点交通小区的离开时刻;
基于已有道路网络,计算连续经过一次出行的起点交通小区、各经过点和讫点交通小区之间的最短路径,其中起点交通小区和讫点交通小区分别以平均经度和平均纬度确定地理位置,基于最短路径的连续经过的路段端点号信息,统计得到出行距离;
计算出行速度,出行速度=出行距离/出行时耗;
按上述方法处理所有用户的手机定位预处理数据,得到所有用户的出行记录表;
(5)居住地与工作地判别:
基于匹配后手机定位数据表,提取某用户连续一周的数据,统计介于居住地判断时段内在各交通小区出现的次数;该出现次数最多的交通小区为该用户的居住地;
基于匹配后手机定位数据表,提取某用户连续一周工作日的数据,统计介于工作地判断时段内在各交通小区出现的次数;该出现次数最多的交通小区为该用户的工作地;
得到居住地与工作地结果表;
(6)出行特征参数的获取
将出行记录表和居住地与工作地结果表联合分析,得到用户出行特征参数。
2.根据权利要求1所述的基于手机定位数据的居民出行特征参数的获取方法,其特征在于,分别记录作为居住地和工作地的交通小区的出现次数占各自总次数的比值,以该比值作为表征判别结果可信度的指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210074506.8A CN102595323B (zh) | 2012-03-20 | 2012-03-20 | 基于手机定位数据的居民出行特征参数的获取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210074506.8A CN102595323B (zh) | 2012-03-20 | 2012-03-20 | 基于手机定位数据的居民出行特征参数的获取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102595323A CN102595323A (zh) | 2012-07-18 |
CN102595323B true CN102595323B (zh) | 2014-05-07 |
Family
ID=46483446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210074506.8A Active CN102595323B (zh) | 2012-03-20 | 2012-03-20 | 基于手机定位数据的居民出行特征参数的获取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102595323B (zh) |
Families Citing this family (40)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150156B (zh) * | 2012-12-06 | 2016-12-21 | 江苏省公用信息有限公司 | 基于地理模型和移动轨迹实时获取特征人群的方法及系统 |
CN104636354B (zh) | 2013-11-07 | 2018-02-06 | 华为技术有限公司 | 一种位置兴趣点聚类方法和相关装置 |
CN104732756A (zh) * | 2013-12-24 | 2015-06-24 | 中兴通讯股份有限公司 | 一种利用移动通信数据挖掘进行公交规划的方法 |
CN104463420B (zh) * | 2014-11-05 | 2017-11-21 | 上海携程商务有限公司 | Ota网站的订单处理系统及方法 |
CN105634854A (zh) * | 2014-11-07 | 2016-06-01 | 中兴通讯股份有限公司 | 用户属性分析方法及装置 |
CN104410953B (zh) * | 2014-11-14 | 2018-10-30 | 珠海奥领科技有限公司 | 一种对学生进行定位管理的方法及装置 |
CN105142106B (zh) * | 2015-07-29 | 2019-03-26 | 西南交通大学 | 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 |
CN107346494A (zh) * | 2016-05-05 | 2017-11-14 | 滴滴(中国)科技有限公司 | 一种用于出行规律挖掘的方法和系统 |
CN105608890B (zh) * | 2015-09-08 | 2017-11-03 | 上海美慧软件有限公司 | 一种基于手机信号数据的人员出行参数统计方法 |
CN105513348B (zh) * | 2015-11-27 | 2018-04-24 | 西南交通大学 | 基于手机信令出行链的od矩阵获取方法 |
CN106855857A (zh) * | 2015-12-08 | 2017-06-16 | 北京亿阳信通科技有限公司 | 数据关联方法与系统 |
CN105513351A (zh) * | 2015-12-17 | 2016-04-20 | 北京亚信蓝涛科技有限公司 | 一种基于大数据的交通出行特征数据提取方法 |
CN105682025B (zh) * | 2016-01-05 | 2019-01-04 | 重庆邮电大学 | 基于移动信令数据的用户驻留地识别方法 |
CN107038168A (zh) * | 2016-02-03 | 2017-08-11 | 中兴通讯股份有限公司 | 一种用户通勤轨迹管理方法、装置及系统 |
CN106067154A (zh) * | 2016-05-30 | 2016-11-02 | 上海华企软件有限公司 | 一种基于手机大数据的城市间迁移客流分析方法 |
CN106202895B (zh) * | 2016-07-02 | 2019-03-29 | 北京工业大学 | 基于感知重要度的交通出行意向行为数据分析方法 |
CN106792514B (zh) * | 2016-11-30 | 2020-10-30 | 南京华苏科技有限公司 | 基于信令数据的用户职住地分析方法 |
CN106781463B (zh) * | 2016-12-02 | 2019-05-31 | 北京中创信测科技股份有限公司 | 一种基于手机信令和od属性计算城市道路流速的方法 |
CN106912015B (zh) * | 2017-01-10 | 2020-04-28 | 上海云砥信息科技有限公司 | 一种基于移动网络数据的人员出行链识别方法 |
CN107040894B (zh) * | 2017-04-21 | 2019-08-09 | 杭州市综合交通研究中心 | 一种基于手机信令数据的居民出行od获取方法 |
CN107133318B (zh) * | 2017-05-03 | 2021-06-15 | 北京市交通信息中心 | 一种基于手机信令数据的人口识别方法 |
CN107305590B (zh) * | 2017-06-14 | 2020-11-10 | 北京市交通信息中心 | 一种基于手机信令数据的城市交通出行特征确定方法 |
CN107396304B (zh) * | 2017-06-29 | 2020-02-07 | 深圳市戴升智能科技有限公司 | 基于智能手机的实时城市人口密度及人群流动估计方法 |
CN107767659B (zh) * | 2017-10-13 | 2021-01-26 | 东南大学 | 基于arima模型的共享单车吸引量和发生量预测方法 |
CN107886723B (zh) * | 2017-11-13 | 2021-07-20 | 深圳大学 | 一种交通出行调查数据处理方法 |
CN108255944A (zh) * | 2017-12-12 | 2018-07-06 | 北京荣之联科技股份有限公司 | 确定用户的居住地和工作地的方法和装置 |
CN108269019A (zh) * | 2018-01-22 | 2018-07-10 | 珠海市规划设计研究院 | 一种居民出行调查方法及系统 |
CN108629972A (zh) * | 2018-05-07 | 2018-10-09 | 广州市交通规划研究院 | 一种基于大数据和传统方法相结合的居民出行调查综合扩样校核方法 |
CN108984758A (zh) * | 2018-07-18 | 2018-12-11 | 江苏本能科技有限公司 | 基于点位识别的车主关联地址分析方法及系统 |
CN109146150B (zh) * | 2018-07-30 | 2022-12-20 | 深圳大学 | 智能选择物流代收点的方法、系统、存储介质及移动终端 |
CN108877227B (zh) * | 2018-08-30 | 2020-06-02 | 中南大学 | 一种基于多源交通数据的全局动态出行需求估计方法 |
CN109297492A (zh) * | 2018-09-06 | 2019-02-01 | 中国电子科技集团公司电子科学研究院 | 一种移动轨迹驻停点的确定方法及装置 |
CN109345296A (zh) * | 2018-09-20 | 2019-02-15 | 深圳市东部公共交通有限公司 | 民众出行需求预测方法、装置及计算机终端 |
CN109408501B (zh) * | 2018-11-07 | 2020-12-29 | 北京锐安科技有限公司 | 一种位置数据的处理方法、装置、服务器及存储介质 |
CN109561386A (zh) * | 2018-11-23 | 2019-04-02 | 东南大学 | 一种基于多源定位数据的城市居民出行活动模式获取方法 |
CN109788428B (zh) * | 2018-12-28 | 2020-12-18 | 科大国创软件股份有限公司 | 一种基于运营商数据的用户分类识别方法 |
CN110032609B (zh) * | 2019-02-28 | 2023-09-12 | 东南大学 | 一种基于定位数据的生活圈识别方法 |
CN110839201B (zh) * | 2019-10-28 | 2021-01-15 | 宜通世纪科技股份有限公司 | 管道数据处理方法、发送装置、接收装置和存储介质 |
CN112288131B (zh) * | 2020-09-24 | 2021-06-11 | 和智信(山东)大数据科技有限公司 | 公交站点优化方法、电子设备及计算机可读存储介质 |
CN112579915B (zh) * | 2021-02-26 | 2021-07-30 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种出行链的分析方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102097004A (zh) * | 2011-01-31 | 2011-06-15 | 上海美慧软件有限公司 | 一种基于手机定位数据的出行od矩阵获取方法 |
CN102333274A (zh) * | 2010-07-12 | 2012-01-25 | 同济大学 | 一种基于手机信号数据处理通勤信息的方法及装置 |
CN102332210A (zh) * | 2011-08-04 | 2012-01-25 | 东南大学 | 基于手机定位数据的实时城市道路交通流数据提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3867696B2 (ja) * | 2003-10-06 | 2007-01-10 | 住友電気工業株式会社 | 移動手段判別装置および方法、ならびにod交通量算出装置および方法 |
-
2012
- 2012-03-20 CN CN201210074506.8A patent/CN102595323B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102333274A (zh) * | 2010-07-12 | 2012-01-25 | 同济大学 | 一种基于手机信号数据处理通勤信息的方法及装置 |
CN102097004A (zh) * | 2011-01-31 | 2011-06-15 | 上海美慧软件有限公司 | 一种基于手机定位数据的出行od矩阵获取方法 |
CN102332210A (zh) * | 2011-08-04 | 2012-01-25 | 东南大学 | 基于手机定位数据的实时城市道路交通流数据提取方法 |
Non-Patent Citations (2)
Title |
---|
JP特开2005-115557A 2005.04.28 |
刘淼,张小宁,张红军.基于手机信息的居民出行调查.《城市道桥与防洪》.2007,第18-22页. * |
Also Published As
Publication number | Publication date |
---|---|
CN102595323A (zh) | 2012-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102595323B (zh) | 基于手机定位数据的居民出行特征参数的获取方法 | |
CN111222744B (zh) | 基于信令数据的建成环境与轨道客流分布关系确定方法 | |
CN106600960B (zh) | 基于时空聚类分析算法的交通出行起讫点识别方法 | |
Wang et al. | Estimating dynamic origin-destination data and travel demand using cell phone network data | |
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 | |
Poonawala et al. | Singapore in motion: Insights on public transport service level through farecard and mobile data analytics | |
Cui et al. | Identifying mismatch between urban travel demand and transport network services using GPS data: A case study in the fast growing Chinese city of Harbin | |
Zheng et al. | Exploring both home-based and work-based jobs-housing balance by distance decay effect | |
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 | |
CN106096631A (zh) | 一种基于手机大数据的流动人口分类识别分析方法 | |
WO2015096400A1 (zh) | 一种利用移动通信数据挖掘进行公交规划的方法 | |
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 | |
CN108495254B (zh) | 一种基于信令数据的交通小区人口特征估计方法 | |
CN102333274A (zh) | 一种基于手机信号数据处理通勤信息的方法及装置 | |
Yang et al. | Detecting home and work locations from mobile phone cellular signaling data | |
Yuan et al. | Recognition of functional areas based on call detail records and point of interest data | |
CN112738729A (zh) | 一种用手机信令数据判别探亲返乡游客的方法及系统 | |
CN112000755B (zh) | 一种基于手机信令数据的区域出行廊道识别方法 | |
Yanhong et al. | Research on freight truck operation characteristics based on GPS data | |
CN105844031B (zh) | 一种基于手机定位数据的城市交通廊道识别方法 | |
CN105336155A (zh) | 公交班次加派方法及系统 | |
CN116562545A (zh) | 融合多源大数据分析与需求预测的公交规划gis平台 | |
Mane et al. | Influence of proximal land use and network characteristics on link travel time | |
CN115100012A (zh) | 一种轨道交通站点步行可达性计算方法 | |
Ali et al. | Analysing vehicular congestion scenario in Kuala Lumpur using open traffic |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: 100055 Beijing city Fengtai District six Lane Bridge No. 9 Patentee after: Beijing Traffic Development Research Institute Address before: 100055, room 503, block A, building No. 9, South Liuliqiao Road, Fengtai District, Beijing Patentee before: Beijing Transportation Research Center |