CN102156909A - 一种基于手机信号数据的轨道交通出行方式识别方法 - Google Patents
一种基于手机信号数据的轨道交通出行方式识别方法 Download PDFInfo
- Publication number
- CN102156909A CN102156909A CN 201110033832 CN201110033832A CN102156909A CN 102156909 A CN102156909 A CN 102156909A CN 201110033832 CN201110033832 CN 201110033832 CN 201110033832 A CN201110033832 A CN 201110033832A CN 102156909 A CN102156909 A CN 102156909A
- Authority
- CN
- China
- Prior art keywords
- virtual
- sensor
- signal data
- track traffic
- trip
- 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
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于手机信号数据的轨道交通出行方式识别方法,其特征在于,步骤为:首先建立虚拟传感器网络,然后获得一个出行者在一次出行过程中所有手机信号数据集合,将手机信号数据映射到虚拟传感器网络上,得到虚拟传感器节点序列,根据虚拟传感器节点序列所反映的线路特征和行程速度特征来判断该出行者的该次出行是否为轨道交通出行方式。本发明的优点是:充分依托现有的移动通信网络资源,以海量的手机信号数据为输入,采用基于出行线路和速度特征的判别机制,实现对轨道交通出行方式的识别。该发明可用于高频度、自动化地获取轨道交通相关出行信息。
Description
技术领域
本发明涉及一种基于手机信号数据的轨道交通出行方式识别方法,用于从海量的手机用户数据中挖掘有价值的轨道交通出行方式方面的信息,可为交通规划、交通需求管理、交通政策评估与交通运营管理服务,属于交通规划与管理方法技术领域。
背景技术
轨道交通是一种重要的公共交通出行方式,具有运量大、速度快、运行稳定、不受地面拥堵影响、出行舒适度高等突出特征。在大型或特大型城市中,为了缓解日益严重的交通拥堵问题,合理的规划建设和科学运营轨道交通线路,成为提高出行效率、改善出行者满意度的有力措施。
静态和动态的轨道交通客流数据或OD信息,对于轨道交通的线路布局优化、运营方案改善都有着重要的决策支持作用。传统的获取交通需求信息的方法是居民出行调查。居民出行调查通过直接向出行者询问获取出行OD位置、出行方式、出行目的等信息。这种调查方法耗费成本高、涉及人员多、组织难度大,并且实施周期长达数年,只能获取准静态的需求信息。近年来,随着我国经济的快速发展,城市基础设施建设蓬勃开展,土地利用性质变化很快。随着各种交通先进技术的应用,交通基础设施与交通运行模式都在迅速地发生变化。在这种情况下,新时代的交通规划和管理工作对于交通需求信息提出了更高的时效性要求,而居民出行调查已经无法完全满足这一需求。
目前轨道交通运营管理***中一般都建设了基于IC卡的客流检测***,该***可以提供具有一定时效性的较为精确的站站之间的客流数据。但仍在三方面存在局限性。一、由于***进行数据汇总、清分等处理,一般都需要耗费至少一日的时间,这也就意味着该***无法满足实时获取时段小于一日的动态客流数据的需求。二、由于基于IC卡检测只能获知乘客进出轨道交通***的两个站点,当轨道交通网络较为复杂、站站之间存在多条换乘路径时,将无法通过IC卡检测数据掌握乘客在轨道交通线路上的具体行动线路,因而在客流数据的精细度上存在局限。三、由于轨道交通出行方式无法支撑门到门的出行服务,IC卡检测***只能获取站站间的OD数据,因而无法进一步掌握乘客出行的更接近源头的出发地和目的地信息。
随着通信技术的进步和应用普及,现代无线通信网络中蕴含的手机信号数据规模不断扩大,可以从中提取出海量的用户出行轨迹信息,因而使手机信号数据成为挖掘动态交通需求信息的全新数据源。基于海量手机信号数据来获取交通需求信息,也成为最新的技术发展方向。在轨道交通出行信息获取方面,由于手机信号数据中蕴含了用户的完整出行轨迹信息,因而可以在一定程度上弥补前文所述的IC卡检测数据的各种局限性。
出行方式信息是交通需求信息中不可或缺的重要组成部分,轨道交通是当下最重要的出行方式之一,同时手机信号数据已成为目前最具挖掘潜力的全新数据源。因此,迫切需要一种能够基于出行者在出行过程中的手机信号数据来识别轨道交通出行方法的方法,来获取极具实效性的轨道交通出行数据。
发明内容
本发明的目的是提供一种基于出行者在出行过程中的手机信号数据来识别轨道交通出行方法的方法,通过该方法来获取极具实效性的轨道交通出行数据。
为了达到上述目的,本发明的技术方案是提供了一种基于手机信号数据的轨道交通出行方式识别方法,其特征在于,步骤为:
步骤1、根据目标城市的轨道交通线路建设情况,建立由虚拟传感器节点及虚拟传感器路径组成的虚拟传感器网络,该虚拟传感器网络只覆盖轨道交通线路网;
步骤2、获取一个出行者在一次出行过程中所有手机信号数据集合,将这些手机信号数据按照时间发生顺序进行排序;
步骤3、将步骤2中的每个手机信号数据映射到步骤1得到的虚拟传感器网络上,得到每个手机信号数据所对应的虚拟传感器节点,得到该出行者的虚拟传感器节点序列;
步骤4、将虚拟传感器节点序列与虚拟传感器网络中包含的所有虚拟传感器路径进行比较匹配,如果匹配不成功,将该出行者的本次出行判断为非轨道交通出行方式,流程结束;如果匹配成功,记录匹配上的虚拟传感器路径所对应的轨道交通线路,进入步骤5;
步骤5、根据虚拟传感器节点序列得到该出行者在实际轨道交通线路网中对应的出行路径的长度,根据虚拟传感器节点序列中的第一个和最后一个虚拟传感器节点的时刻信息计算得到旅行时间,进而计算该出行者的平均速度Vr;
步骤6、根据步骤4得到的轨道交通线路确定该线路上的平均行程速度的合理取值范围,若步骤5得到的平均速度Vr在该范围内,则将该出行者的本次出行判定为轨道交通出行方式,否则,判定为非轨道交通出行方式。
本发明的优点是:充分依托现有的移动通信网络资源,以海量的手机信号数据为输入,采用基于出行线路和速度特征的判别机制,实现对轨道交通出行方式的识别。该发明可用于高频度、自动化地获取轨道交通相关出行信息。
附图说明
图1为基于手机信号数据的轨道交通出行方式识别方法的实施流程;
图2为实施例中的虚拟传感器网络与路径匹配的示意图。
具体实施方式
以下结合实施例来具体说明本发明。
实施例
如图1所示,本发明提供了一种基于手机信号数据的轨道交通出行方式识别方法,其步骤为:
步骤1、根据目标城市的轨道交通线路建设情况,建立轨道交通专用的虚拟传感器网络。该虚拟传感器网络只覆盖轨道交通线路网,而不覆盖其他地面路网。虚拟传感器网络由节点和路段构成,其中,虚拟传感器节点定义为在手机用户沿着轨道交通线路出行的过程中因为手机网络信号变化而产生无线网络事件的点。通过该虚拟传感器网络可以获得每一个虚拟传感器节点对应到实际轨道交通线路上的位置,还可以获得由具有连通关系的一系列虚拟传感器节点序列构成的路径的长度,该长度为沿着轨道交通线路行驶的实际里程,而不是简单的点间直线距离之和。虚拟传感器网络的建立公开在申请号为200910048300.6的中国专利中。在本实施例中,建立的虚拟传感器网络如图2所示,其中包含了I、II、III三条轨道交通线路,用A~J字母标识出的不是实际的轨道交通车站,而是虚拟传感器节点,存在换乘关系的线路并不一定共享虚拟传感器节点。
步骤2、获取一个出行者在一次出行过程中的手机信号数据集合,这些数据已经按照时间发生顺序进行排序;
步骤3、通过轨道交通专用的虚拟传感器地理译码,得到步骤2中每个手机信号数据对应的虚拟传感器节点,实现原理参见申请号为200910048300.6的中国专利。如果找不到匹配的节点,则将该信号数据对应的虚拟传感器节点记作NULL,这样得到与出行过程对应的虚拟传感器节点序列;在本实施例中,得到的出行者的虚拟传感器节点序列为:“NULL→NULL→B→C→D→F→G→H→J→NULL→NULL”,如图2中的连续弧线段所示;
步骤4、将虚拟传感器节点序列与虚拟传感器网络中包含的所有虚拟传感器路径进行比较匹配。匹配成功的条件为:在忽略序列头部和尾部的若干个NULL节点的前提下,其余所有虚拟传感器节点都可以按顺序、连续或不连续地对应到某条虚拟传感器路径上,且实现对应的节点个数超过给定阈值N,个数占据节点总个数的比例超过给定阈值R。因为轨道交通平行线路之间距离都很远,所以出现多条匹配成功的路径的情况极少。当存在多条匹配成功的路径时,选择匹配节点个数最多、最少换乘的一条路径作为最终匹配结果;如果匹配不成功,将本次出行判断为非轨道交通出行方式,流程结束;如果匹配成功,记录匹配上的轨道交通线路,进入步骤5。在本实施例中,阈值N设置为3,阈值R设置为0.5,参照图2所示,本次出行实现对应的虚拟传感器节点个数为7,大于阈值5,个数比例为7/11=0.63,大于阈值0.5,故本次出行被成功地匹配到从B到J的路径上,该路径跨越了轨道交通线路III和线路II。
步骤5、根据步骤4的路径匹配过程得到本次出行中对应轨道交通出行段的虚拟传感器节点子序列;通过虚拟传感器网络地理译码得到该出行者在实际轨道线路上的出行线路,进而计算出行者在轨道交通出行段的平均速度Vr;步骤如下:
步骤5.1、从出行过程对应的虚拟传感器节点序列中,排除头部和尾部的若干个NULL节点,剩余的子序列定义为:轨道交通出行段。在本实施例中,轨道交通出行段为序列“B→C→D→F→G→H→J”;
步骤5.2、通过虚拟传感器网络地理译码,得到轨道交通出行段在实际轨道交通线路网中对应的出行路径的长度。在本实施例中,从节点B到节点J的路径的实际长度为15.4公里;
步骤5.3、根据轨道交通出行段的第一个和最后一个虚拟传感器节点的时刻信息,计算旅行时间,进而计算出行者在轨道交通出行段的平均速度Vr。在本实施例中,节点B和J的发生时刻分别为12:23:44和12:49:32,旅行时间为25分48秒,计算得出平均速度Vr为35.81公里/小时;
步骤6、根据路径匹配过程得到出行者经过的具体的轨道交通线路,根据线路的技术特性确定该线路上的平均行程速度的合理取值范围[Vmin, Vmax],如果出行者经过了2条或2条以上的技术特性存在差异的轨道交通线路,则速度的合理取值范围[Vmin, Vmax]为各条线路的取值范围的合集。在本实施例中,出行者经过了线路III和线路II两条线路,线路III和线路II的行程速度的取值范围分别为[25,35]和[30,40]公里/小时,因此最终的取值范围为[25,40]公里/小时;如果出行者在轨道交通出行段的平均速度Vr在[Vmin, Vmax]区间内,判断本次出行为轨道交通出行方式;反之,判断本次出行为非轨道交通出行方式。在本实施例中,出行者在轨道交通出行段上的平均速度为35.81公里/小时,在合理取值范围[25,40]公里/小时内,所以将本次出行判断为轨道交通出行方式。
Claims (4)
1.一种基于手机信号数据的轨道交通出行方式识别方法,其特征在于,步骤为:
步骤1、根据目标城市的轨道交通线路建设情况,建立由虚拟传感器节点及虚拟传感器路径组成的虚拟传感器网络,该虚拟传感器网络只覆盖轨道交通线路网;
步骤2、获取一个出行者在一次出行过程中所有手机信号数据集合,将这些手机信号数据按照时间发生顺序进行排序;
步骤3、将步骤2中的每个手机信号数据映射到步骤1得到的虚拟传感器网络上,得到每个手机信号数据所对应的虚拟传感器节点,得到该出行者的虚拟传感器节点序列;
步骤4、将虚拟传感器节点序列与虚拟传感器网络中包含的所有虚拟传感器路径进行比较匹配,如果匹配不成功,将该出行者的本次出行判断为非轨道交通出行方式,流程结束;如果匹配成功,记录匹配上的虚拟传感器路径所对应的轨道交通线路,进入步骤5;
步骤5、根据虚拟传感器节点序列得到该出行者在实际轨道交通线路网中对应的出行路径的长度,根据虚拟传感器节点序列中的第一个和最后一个虚拟传感器节点的时刻信息计算得到旅行时间,进而计算该出行者的平均速度Vr;
步骤6、根据步骤4得到的轨道交通线路确定该线路上的平均行程速度的合理取值范围,若步骤5得到的平均速度Vr在该范围内,则将该出行者的本次出行判定为轨道交通出行方式,否则,判定为非轨道交通出行方式。
2.如权利要求1所述的一种基于手机信号数据的轨道交通出行方式识别方法,其特征在于,在步骤3中,若某个手机信号数据在虚拟传感器网络上无法找到与之对应的虚拟传感器节点,则在虚拟传感器节点序列中将该信号数据对应的虚拟传感器节点记作NULL节点,在步骤4的匹配前,将虚拟传感器节点序列中头部和尾部的所有NULL节点去除后,再进行匹配。
3.如权利要求2所述的一种基于手机信号数据的轨道交通出行方式识别方法,其特征在于,所述步骤5包括:
步骤5.1、从虚拟传感器节点序列中排除头部和尾部的NULL节点,将剩余的子序列定义为轨道交通出行段;
步骤5.2、通过虚拟传感器网络地理译码,得到轨道交通出行段在实际轨道交通线路网中对应的出行路径的长度;
步骤5.3、根据轨道交通出行段的第一个和最后一个虚拟传感器节点的时刻信息,计算旅行时间,进而计算出行者在轨道交通出行段的平均速度Vr。
4.如权利要求1所述的一种基于手机信号数据的轨道交通出行方式识别方法,其特征在于,在计算步骤6所述的合理取值范围时,若出行者经过了至少2条技术特性存在差异的轨道交通线路,则速度的合理取值范围为各条线路的合理取值范围的合集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110033832 CN102156909A (zh) | 2011-01-31 | 2011-01-31 | 一种基于手机信号数据的轨道交通出行方式识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110033832 CN102156909A (zh) | 2011-01-31 | 2011-01-31 | 一种基于手机信号数据的轨道交通出行方式识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102156909A true CN102156909A (zh) | 2011-08-17 |
Family
ID=44438396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110033832 Pending CN102156909A (zh) | 2011-01-31 | 2011-01-31 | 一种基于手机信号数据的轨道交通出行方式识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102156909A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622874A (zh) * | 2012-03-29 | 2012-08-01 | 杨涛 | 一种面向特种路段城市车辆快速轨道通行*** |
CN105608505A (zh) * | 2015-12-22 | 2016-05-25 | 重庆邮电大学 | 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 |
CN106227859A (zh) * | 2016-07-29 | 2016-12-14 | 四川大学 | 从gps数据中识别交通工具的方法 |
CN106448173A (zh) * | 2016-11-28 | 2017-02-22 | 东南大学 | 一种基于手机数据的长距离出行交通方式划分方法 |
CN110678879A (zh) * | 2017-08-02 | 2020-01-10 | 欧姆龙株式会社 | 数据生成装置、数据生成方法以及程序 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101620785A (zh) * | 2009-08-10 | 2010-01-06 | 上海美慧软件有限公司 | 一种基于手机信号数据识别机动车与非机动车的方法 |
-
2011
- 2011-01-31 CN CN 201110033832 patent/CN102156909A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101620785A (zh) * | 2009-08-10 | 2010-01-06 | 上海美慧软件有限公司 | 一种基于手机信号数据识别机动车与非机动车的方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622874A (zh) * | 2012-03-29 | 2012-08-01 | 杨涛 | 一种面向特种路段城市车辆快速轨道通行*** |
CN105608505A (zh) * | 2015-12-22 | 2016-05-25 | 重庆邮电大学 | 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 |
CN105608505B (zh) * | 2015-12-22 | 2020-02-11 | 重庆邮电大学 | 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 |
CN106227859A (zh) * | 2016-07-29 | 2016-12-14 | 四川大学 | 从gps数据中识别交通工具的方法 |
CN106227859B (zh) * | 2016-07-29 | 2019-07-23 | 四川大学 | 从gps数据中识别交通工具的方法 |
CN106448173A (zh) * | 2016-11-28 | 2017-02-22 | 东南大学 | 一种基于手机数据的长距离出行交通方式划分方法 |
CN110678879A (zh) * | 2017-08-02 | 2020-01-10 | 欧姆龙株式会社 | 数据生成装置、数据生成方法以及程序 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110047277B (zh) | 基于信令数据的城市道路交通拥堵排名方法及*** | |
CN106878951B (zh) | 用户轨迹分析方法及*** | |
CN102496280B (zh) | 一种路况信息实时获取方法 | |
CN103177561B (zh) | 公交实时路况的生成方法 | |
CN103593974B (zh) | 一种基于定位信息的公交载客量采集方法 | |
US10475336B2 (en) | System for forecasting traffic condition pattern by analysis of traffic data and forecasting method thereof | |
CN105844362B (zh) | 一种城市交通综合出行决策装置 | |
CN107463940A (zh) | 基于手机数据的车辆类型识别方法和设备 | |
CN105206057B (zh) | 基于浮动车居民出行热点区域的检测方法及*** | |
CN105243844A (zh) | 一种基于手机信令的道路状态识别方法 | |
CN105117789A (zh) | 基于手机信令数据的居民出行方式综合判别的方法 | |
CN104318781B (zh) | 基于rfid技术的行程速度获取方法 | |
CN102609616A (zh) | 一种基于手机定位数据的动态人口分布密度检测方法 | |
CN102346041B (zh) | 基于实时路况的路线规划方法及其服务设备 | |
CN104318770A (zh) | 基于手机数据实时检测高速公路交通拥堵状态的方法 | |
CN102156909A (zh) | 一种基于手机信号数据的轨道交通出行方式识别方法 | |
CN103794061A (zh) | 基于多种定位数据计算道路融合行程车速的方法 | |
CN104217593A (zh) | 一种面向手机移动速度的路况信息实时获取方法 | |
CN105101092A (zh) | 一种基于c4.5决策树的手机用户出行方式识别方法 | |
CN102879788A (zh) | 一种基于机载LiDAR数据的输电线路的电力线提取方法 | |
CN107273771B (zh) | 车辆行驶方向的识别方法、***、标识站、存储器及后台服务器 | |
Xing et al. | Traffic volume estimation in multimodal urban networks using cell phone location data | |
CN101957208A (zh) | 一种基于浮动车技术的新增道路发现方法 | |
CN104636611A (zh) | 城市道路/路段的车辆速度评估方法 | |
CN102200446A (zh) | 基于交通数据的连续路径探测装置和方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20110817 |