CN104751631A - 基于gps定位和模糊理论判断出行链交通方式的方法 - Google Patents

基于gps定位和模糊理论判断出行链交通方式的方法 Download PDF

Info

Publication number
CN104751631A
CN104751631A CN201510109872.6A CN201510109872A CN104751631A CN 104751631 A CN104751631 A CN 104751631A CN 201510109872 A CN201510109872 A CN 201510109872A CN 104751631 A CN104751631 A CN 104751631A
Authority
CN
China
Prior art keywords
trip
collection point
traveler
point
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
Application number
CN201510109872.6A
Other languages
English (en)
Other versions
CN104751631B (zh
Inventor
云美萍
陈震寰
刘芳
刘广洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Original Assignee
Tongji University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tongji University filed Critical Tongji University
Priority to CN201510109872.6A priority Critical patent/CN104751631B/zh
Publication of CN104751631A publication Critical patent/CN104751631A/zh
Application granted granted Critical
Publication of CN104751631B publication Critical patent/CN104751631B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/012—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from other sources than vehicle or roadside beacons, e.g. mobile networks
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/015—Detecting movement of traffic to be counted or controlled with provision for distinguishing between two or more types of vehicles, e.g. between motor-cars and cycles

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明提出了一种基于GPS定位和模糊理论判断出行链交通方式的方法。该方法首先对出行者进行GPS定位，并采集其个人属性数据；而后对所采集的GPS数据进行预处理，并对出行者的行为进行出行段分割；之后，对出行段进行模糊辨识，判定其出行方式；最后，对判定为机动车出行的出行方式进行再判断，判定其为小汽车出行还是公交车出行。本发明能够结合智能手机、GPS定位技术等技术，方便且全面地获取出行者的出行数据以及其个人属性数据，对出行者的出行进行切合实际的划分，并基于模糊理论、出行者个人属性数据等对前述信息进行分析处理，能够较现有技术更为准确地得到居民出行交通方式，为交通规划、交通需求预测等提供有效的数据参考。

Description

基于GPS定位和模糊理论判断出行链交通方式的方法
技术领域
本发明属于居民出行调查技术领域，涉及一种判断出行方式的方法，尤其是基于GPS定位技术判断出行链交通方式的方法。
背景技术
居民出行调查是交通规划、交通需求预测的基础和前提，随着城市发展规模逐年增大，基家的往返链式出行比例显著增加。然而居民出行调查中传统的家访调查方法存在成本高、难度大、信息量低、调查负荷重等局限性。
虽然现有技术中也有针对出行方式识别的研究和探索，但此类技术所基于的出行者出行基础数据不够全面和准确，对出行者个人属性特征、出行链特征等的考虑不够全面，因此其所得到的结果必然存在较大的误差，不能够较为准确地反映真实情况。
发明内容
本发明的目的在于提供一种基于GPS定位和模糊理论判断出行链交通方式的方法，以得到能够有效反映居民出行链交通方式的真实情况的结果。
为了达到上述目的，本发明的解决方案是：
一种基于GPS定位和模糊理论判断出行链交通方式的方法，包括以下步骤：
(1)对待测出行者在待测时间段内进行GPS定位，采集所述出行者在所述时间段内的GPS数据；获取所述出行者的个人属性数据；
(2)对所采集到的GPS数据进行预处理；
所述预处理包括剔除所采集到的GPS数据中的异常数据，以及对所述出行者在所述时间段内的行为进行出行分割，从所述出行者在所述时间段内的行为中分割出出行段；
(3)根据所述步骤(1)和(2)得到的数据，基于模糊理论，对所述出行段进行模糊识别，判断所述出行段的交通方式是步行、自行车出行还是机动车出行；
(4)对所述步骤(3)中被识别为机动车出行的出行段进行再判断，辨识所述机动车出行的出行段的出行方式为小汽车出行还是公交车出行。
所述步骤(1)中的GPS数据包括采集点的物理位置、采集点的物理位置的定位精度半径以及为采集点提供所述GPS数据来源的卫星数目；所述采集点指的是接收到GPS数据的记录点；所述步骤(1)中的所述个人属性数据包括所述出行者的性别、年龄、工作地、家庭住址、是否拥有小汽车、是否拥有自行车。
所述步骤(2)还包括根据所采集的GPS数据计算所述出行者在各采集点的瞬时速度；所述步骤(2)中的异常数据包括：
为采集点提供所述GPS数据来源的卫星数目小于4的GPS数据；
定位精度半径大于150米的GPS数据；
所在采集点的瞬时速度大于150公里/小时的GPS数据；
当连续两个采集点的瞬时速度均小于1千米/小时，且所述两个采集点的间距小于30米时，后一个采集点的GPS数据。
所述步骤(2)中进行所述出行分割的方法包括：
计算出行段的起点、终点和换乘点，将待测出行者在起点和终点之间的行为作为一段出行段，由此对居民在所述时间段内的行为划分出行段。
优选的，所述计算出行段起点的方法包括：
分析各采集点的位置，并计算所在采集点处所述出行者的瞬时速度；
令Pk为待分析采集点，当Pk同时满足下列关系式时，结合出行者的个人属性数据，以及出行者所在城市的早、晚高峰时段数据和地图，判定Pk为出行段起点：
Vk<Vmin
Disdiffk<Disdiffmin
其中，Vk为出行者在采集点Pk处的瞬时速度，Disdiffk为采集点Pk距上一采集点的距离；Vmin为起点速度阈值，Disdiffmin为起点距离阈值；
优选的，所述起点速度阈值为2.8千米/小时，所述起点距离阈值为4米。
所述计算出行段终点的方法包括：
如果在按照时间先后顺序的采集点集合{P1、…、Pn}中，存在两个相邻的采集点{Pi、Pi+1}同时满足下式，则判定Pi为上一次出行段的终点：
ti+1–ti>Tstop1
Disdiffi+1<Disdiff
其中，ti+1为记录采集点Pi+1的时刻，ti为记录采集点Pi的时刻，Disdiffi+1为采集点Pi+1与上一采集点Pi的距离，Tstop1为第一终点停留时间阈值，Disdiff为终点距离阈值；
优选的，所述第一终点停留时间阈值为300秒，所述终点距离阈值为300米/小时；
同时，所述计算出行段终点的方法还包括：
当在按照时间先后顺序的采集点集合{P1、…、Pn}中，存在采集点子集{Pi、…、Pj}，对于任意Pk∈{Pi、…、Pj}均满足下列关系式，且Pi-1和Pj+1不能满足下列关系式时，则判定Pi为上一次出行的终点：
Vk<Vstop
Disdiffk<Raccu
tj-ti>Tstop2
其中，Vk为出行者在采集点Pk处的瞬时速度，Vstop为终点静止速度阈值，Disdiffk为采集点Pk距上一采集点的距离，Raccu为定位精度半径阈值，tj为记录采集点Pj的时刻，ti为记录采集点Pi的时刻，Tstop2为第二终点停留时间阈值；
优选的，所述终点静止速度阈值为1.8千米/小时，所述第二终点停留时间阈值为300秒。
所述判定出行换乘点的方法为：
计算每个采集点前2分钟的平均速度和最大速度，以及每个采集点后2分钟的平均速度和最大速度；
当某一采集点前2分钟的平均速度与所述采集点的后2分钟的平均速度之差的绝对值大于平均速度差阈值，且所述采集点前2分钟的最大速度或所述采集点后2分钟的最大速度小于步行速度上限阈值时，则判定发生了一次换乘，且所述采集点为换乘点；
优选的，所述平均速度差阈值为5千米/小时；所述步行速度上限阈值为10千米/小时。
所述步骤(2)在对所采集到的GPS数据进行预处理之后还包括：
分析所述采集到的GPS数据，计算每两个按照时间先后顺序相邻的采集点之间的时间间隔和物理位置的间距；
当两个按照时间先后顺序相邻的采集点之间的时间间隔大于轨道交通停留时间阈值，且物理位置的间距大于轨道交距离阈值时，则判定所述两个采集点所在出行段的出行方式为轨道交通出行，且将所述出行段从所述步骤(3)的出行段中排除；
优选的，所述轨道交通停留时间阈值为300秒，所述轨道交通距离阈值为3000米。
所述步骤(3)包括以下步骤：
(31)计算所述出行段的平均速度和最大速度；
(32)将所述平均速度和最大速度作为隶属度函数的关键点，分析所述出行段的隶属度函数；
(33)根据模糊运算规则判断所述出行段的交通方式；所述模糊运算规则为设定的规则。
所述步骤(4)中的再判断方法包括：
(41)当所述出行者个人属性数据表明所述出行者没有私家车时，判定所述出行段的出行方式为公交车出行；
(42)如果在所述出行段前有超过两分钟的步行，判定所述出行段的出行方式为公交车出行；
(43)如果在该出行段中出行者发生换乘行为，且之后使用机动车出行，且在换乘过程中有超过2分钟的静止段，则判定所述出行段的出行方式为公交车出行；
(44)在所述(41)、(42)和(43)以外的情况下，判定所述出行段的出行方式为小汽车出行。
所述步骤(1)中对所述出行者进行GPS定位基于智能手机进行，使用智能手机自带的GPS模块，并结合百度定位SDK技术。
由于采用上述方案，本发明的有益效果是：本发明基于GPS定位和模糊理论判断出行链交通方式的方法能够结合智能手机、GPS定位技术等技术，方便且全面地获取出行者的出行数据以及其个人属性数据，对出行者的出行进行切合实际的划分，并基于模糊理论、出行者个人属性数据等对前述信息进行分析处理，能够较现有技术更为准确地得到居民出行链交通方式，为交通规划、交通需求预测等提供有效的数据参考。
附图说明
图1为本发明实施例中基于GPS定位和模糊理论判断出行链交通方式的方法的流程图；
图2为本发明实施例中出行段平均速度的隶属度函数曲线图；
图3为本发明实施例中出行段最大速度的隶属度函数曲线图。
具体实施方式
以下结合附图所示实施例对本发明作进一步的说明。
随着智能交通和全球定位***(GPS)的发展，基于移动终端的新型调查方法成为可能。本发明提出了一种基于GPS定位和模糊理论判断出行链交通方式的方法，该方法在总结相关国内外研究现状和成果的基础上，采用智能手机和GPS定位技术，采集出行者个人特性属性数据和出行数据，通过对出行轨迹数据的处理，分析出行链特征；在此基础上，结合模糊理论判断居民出行链出行方式，得到的结果能够较为有效地反映居民出行特征的真实情况。
该方法利用智能手机自带的GPS模块，调用百度定位SDK(软件开发工具包)来采集基本数据。对于由上述方式采集到的数据，本方法对其进行预处理，剔除异常数据。之后，基于剩余的数据进行出行分割，进行出行分割的方法为基于缺失点、静止点的计算方法，具体为：在室内、地铁等地，GPS接收不到信号，数据特征为长时间的记录缺失，此时可以适用基于缺失点的方法进行出行判断，取长时间中断前一点为上一次出行的终点，中断后一点为下一次出行的起点；而在室外，虽然GPS记录没有明显中断，但是可以根据采集点的瞬时速度，寻找静止点进行出行判断，取第一个静止点为上一段出行的终点，最后一个静止点为下一次出行的起点。如此识别出出行的起讫点后，通过标定适当的速度阈值，结合不同方式换乘行为分析，完成出行换乘点的识别，最终将连续的GPS出行轨迹分割为单独的出行段，以便对各段出行进行出行方式的识别。
最后，本发明利用处理好的出行数据，标定了各交通方式隶属度函数的关键点，确定各交通方式的隶属度，考虑出行链特征，采用模糊理论建立了各出行方式的隶属度函数进行出行方式识别。根据采集的实际数据对本发明方法进行验证，验证结果表明本发明算法能够较为准确地识别出行方式，精度较高。
本发明基于GPS定位和模糊理论判断出行链出行方式的方法包括以下步骤：
(1)对待测出行者在待测时间段内进行GPS定位，采集该出行者在该时间段内的GPS数据；其中，该GPS数据包括采集点的物理位置、采集点的物理位置的定位精度半径以及为该采集点提供GPS数据来源的卫星数目；该采集点指的是接收到GPS数据的记录点；
同时，获取该出行者的个人属性数据；该个人属性数据包括该出行者的性别、年龄、工作地、家庭住址、是否拥有小汽车、是否拥有自行车等。
(2)对所采集到的GPS数据进行预处理；
该预处理包括剔除所采集到的GPS数据中的异常数据。其中，该异常数据包括：
为采集点提供所述GPS数据来源的卫星数目小于4的GPS数据；
定位精度半径大于150米的GPS数据；
所在采集点的瞬时速度大于150公里/小时的GPS数据；以及
当连续两个采集点的瞬时速度均小于1千米/小时，且该两个采集点的间距小于30米时，后一个采集点的GPS数据。
该预处理还包括在完成上述剔除所采集到的GPS数据中的异常数据后，对该出行者在该时间段内的行为进行出行分割，将其每次出行的过程分割成一个出行段，具体方法为：计算出行段的起点、终点和换乘点，将出行者在起点和终点之间的行为作为一段出行段，由此对居民在所述时间段内的行为划分出行段。
在预处理阶段，还计算以下参数：
出行者在每个采集点的瞬时速度，每个采集点与前一个采集点的距离(单位为米)、时间差(单位为秒)和方位角(度)，以及每个采集点的前2分钟平均速度(单位为千米/小时)。
(3)根据步骤(1)和(2)得到的参数，基于模糊理论，对出行段进行模糊识别，判断该出行段的交通方式是步行、自行车出行还是机动车出行。
(4)对步骤(3)中被识别为机动车出行的出行段进行再判断，辨识该机动车出行的出行段的出行方式为小汽车出行还是公交车出行。
上述步骤(2)中，判断出行段的起点的方法为：
分析各采集点的位置，并计算所在采集点处该出行者的瞬时速度；
令Pk为待分析采集点，当Pk同时满足下列关系式时，结合出行者的个人属性数据，以及出行者所在城市的早、晚高峰时段数据和地图，判定Pk为出行段起点(这是由于这段时间内出行者大多为工作出行，起讫点一般均为家或工作地，会有大量的数据点集中在这两个位置附近，基于数据预处理及漂洗的工作，结合谷歌地图可以较为直观地查找家或工作地附近的数据点，最终根据时间及个人属性数据判别起点)：
Vk<Vmin
Disdiffk<Disdiffmin
其中，Vk为出行者在采集点Pk处的瞬时速度，Disdiffk为采集点Pk距上一采集点的距离；Vmin为起点速度阈值，Disdiffmin为起点距离阈值。本实施例中，起点速度阈值为2.8千米/小时，起点距离阈值为4米。
上述步骤(2)中，判断出行段的终点的方法为：
出行的终点往往伴随着长时间的数据缺失或者长时间低速、密集的采集点的数据。因此，可根据这两种情况判断终点。
对于长时间数据缺失的情况：根据实际数据特征，当连续两个采集点的采集间隔达到停留时间阈值、且距离小于300米时，将上一条记录视作上一次出行的终点。即在根据时间先后顺序的采集点集合{P1、…、Pn}中，存在两个相邻的采集点{Pi、Pi+1}同时满足下列关系式，则判定Pi为上一次出行的终点：
ti+1–ti>Tstop1
Disdiffi+1<Disdiff
其中，ti+1为记录采集点Pi+1的时刻；ti为记录采集点Pi的时刻；Disdiffi+1为采集点Pi+1与上一采集点Pi的距离；Tstop1为第一终点停留时间阈值，本实施例中为300秒；Disdiff为终点距离阈值，本实施例中为300米。
对于长时间低密集点的情况：当瞬时速度低于终点静止速度阈值Vstop、前后点距离小于定位精度半径阈值的连续点达到第二终点停留时间阈值Tstop2时，将这些点中的第一个点判断为上一次出行的终点。即在根据时间先后顺序的采集点集合{P1、…、Pn}中，存在子集{Pi、…、Pj}，对于任意Pk∈{Pi、…、Pj}均满足下列关系式，且Pi-1和Pj+1不能满足下列关系式时，则判定Pi为上一次出行的终点：
Vk<Vstop
Disdiffk<Raccu
tj-ti>Tstop2
其中，Vk为出行者在采集点Pk处的瞬时速度；Disdiffk为采集点Pk距上一采集点的距离；tj和ti分别为记录采集点Pi和Pj的时间；Vstop为终点静止速度阈值，本实施例中Vstop＝1.8千米/时；Raccu为定位精度半径阈值；Tstop2为第二终点停留时间阈值，本实施例中Tstop＝300秒。
上述步骤(2)中，判断出行段的换乘点的方法为：
当出行者发生换乘时，应该伴随一段步行。小汽车、自行车与公共汽车等方式有95％以上是伴随着步行的。而各种方式之间的换乘，往往也需要短时间的步行。正是由于步行在整个交通行为中的不可或缺性，可以通过寻找一段出行段中夹杂的步行段来判别是否发生了换乘行为。步行方式的特征明显，可以通过速度平均值、速度最大值来判定。具体为：
当某一采集点前后2分钟的平均速度相差(即差的绝对值)大于平均速度差阈值，并且该采集点前2分钟的最大速度或者后2分钟的最大速度低于步行速度上限阈值时，则认为发生了一次换乘，且该采集点被认定为换乘点。在本实施例中，平均速度差阈值取5千米/时，步行速度上限阈值取10千米/时。
此外，上述步骤(2)还包括：
分析所采集到的GPS数据，计算每两个按照时间先后顺序相邻的采集点之间的时间间隔和物理位置的间距；
当两个按照时间先后顺序相邻的采集点之间的时间间隔大于轨道交通停留时间阈值，且物理位置的间距大于轨道交通距离阈值时，则判定这两个采集点所在出行段的出行方式为轨道交通出行，且将其所在出行段从后续步骤(3)的出行段中排除，即在后续步骤(3)中无需对该出行段进行分析。本实施例中，该轨道交通停留时间阈值为300秒，轨道交通距离阈值为3000米。
上述步骤(3)包括如下步骤：
(31)计算出行段的平均速度和最大速度；
(32)将该出行段的平均速度和最大速度作为隶属度函数的关键点，分析该出行段的隶属度函数；
(33)根据模糊运算规则(本实施例的模糊运算规则如表1所示)判断该出行段的交通方式，该交通方式包括步行、自行车出行和机动车出行等；该模糊运算规则为设定的经验规则。
本实施例中，各出行方式隶属度函数关键点如表2所示，平均速度和最大速度的隶属度函数如图2和图3所示。
表1模糊运算规则
平均速度 最大速度 判别结果
低 低 步行
低 中 自行车
低 高 未知
中 低 自行车
中 中 自行车
中 高 机动车
高 低 未知
高 中 机动车
高 高 机动车
表2各出行方式隶属度函数关键点
上述步骤(4)中的再判断方法包括：
(41)当出行者个人属性数据表明该出行者没有私家车时，判定该出行段的出行方式为公交车出行；
(42)如果在该出行段前有超过两分钟的步行，判定该出行段的出行方式为公交车出行；
(43)如果在该出行段中出行者发生换乘行为，且之后使用机动车出行，且在换乘过程中有超过两分钟的静止段，则判定所述出行段的出行方式为公交车出行；
(44)在所述(41)、(42)和(43)以外的情况下，判定所述出行段的出行方式为小汽车出行。
基于出行者实际出行情况检验根据本发明的方法得到的结果，检验结果表明根据本发明的方法得到的结果中各出行方式的还原度、精确度表3所示。
表3检验结果
方式 还原度 准确度
步行 96.2％ 81.5％
自行车 80.0％ 80.0％
公交车 81.6％ 75.6％
小汽车 80.0％ 72.7％
轨道 100.0％ 100.0％
综合 93.0％ 83.4％
本发明基于GPS定位和模糊理论判断出行链交通方式的方法能够结合智能手机、GPS定位技术等技术，方便且全面地获取出行者的出行数据以及其个人属性数据，对出行者的出行进行切合实际的划分，并基于模糊理论、出行者个人属性数据等对前述信息进行分析处理，能够较现有技术更为准确地得到居民出行链交通方式，为交通规划、交通需求预测等提供有效的数据参考。
上述的对实施例的描述是为便于该技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于这里的实施例，本领域技术人员根据本发明的揭示，不脱离本发明范畴所做出的改进和修改都应该在本发明的保护范围之内。

Claims (10)

1.一种基于GPS定位和模糊理论判断出行链交通方式的方法，其特征在于：所述方法包括以下步骤：
(1)对待测出行者在待测时间段内进行GPS定位，采集所述出行者在所述时间段内的GPS数据；获取所述出行者的个人属性数据；
(2)对所采集到的GPS数据进行预处理；
所述预处理包括剔除所采集到的GPS数据中的异常数据，以及对所述出行者在所述时间段内的行为进行出行分割，从所述出行者在所述时间段内的行为中分割出出行段；
(3)根据所述步骤(1)和(2)得到的数据，基于模糊理论，对所述出行段进行模糊识别，判断所述出行段的交通方式是步行、自行车出行还是机动车出行；
(4)对所述步骤(3)中被识别为机动车出行的出行段进行再判断，辨识所述机动车出行的出行段的出行方式为小汽车出行还是公交车出行。
2.根据权利要求1所述的基于GPS定位和模糊理论判断出行链交通方式的方法，其特征在于：所述步骤(1)中的GPS数据包括采集点的物理位置、采集点的物理位置的定位精度半径以及为采集点提供所述GPS数据来源的卫星数目；所述采集点指的是接收到GPS数据的记录点；
所述步骤(1)中的所述个人属性数据包括所述出行者的性别、年龄、工作地、家庭住址、是否拥有小汽车、是否拥有自行车。
3.根据权利要求2所述的基于GPS定位和模糊理论判断出行链交通方式的方法，其特征在于：所述步骤(2)还包括根据所采集的GPS数据计算所述出行者在各采集点的瞬时速度；所述步骤(2)中的异常数据包括：
为采集点提供所述GPS数据来源的卫星数目小于4的GPS数据；
定位精度半径大于150米的GPS数据；
所在采集点的瞬时速度大于150公里/小时的GPS数据；
当连续两个采集点的瞬时速度均小于1千米/小时，且所述两个采集点的间距小于30米时，后一个采集点的GPS数据。
4.根据权利要求3所述的基于GPS定位和模糊理论判断出行链交通方式的方法，其特征在于：所述步骤(2)中进行所述出行分割的方法包括：
计算出行段的起点、终点和换乘点，将待测出行者在起点和终点之间的行为作为一段出行段，由此对居民在所述时间段内的行为划分出行段。
优选的，所述计算出行段起点的方法包括：
分析各采集点的位置，并计算所在采集点处所述出行者的瞬时速度；
令Pk为待分析采集点，当Pk同时满足下列关系式时，结合出行者的个人属性数据，以及出行者所在城市的早、晚高峰时段数据和地图，判定Pk为出行段起点：
Vk<Vmin
Disdiffk<Disdiffmin
其中，Vk为出行者在采集点Pk处的瞬时速度，Disdiffk为采集点Pk距上一采集点的距离；Vmin为起点速度阈值，Disdiffmin为起点距离阈值；
优选的，所述起点速度阈值为2.8千米/小时，所述起点距离阈值为4米。
5.根据权利要求4所述的基于GPS定位和模糊理论判断出行链交通方式的方法，其特征在于：
所述计算出行段终点的方法包括：
如果在按照时间先后顺序的采集点集合{P1、…、Pn}中，存在两个相邻的采集点{Pi、Pi+1}同时满足下式，则判定Pi为上一次出行段的终点：
ti+1–ti>Tstop1
Disdiffi+1<Disdiff
其中，ti+1为记录采集点Pi+1的时刻，ti为记录采集点Pi的时刻，Disdiffi+1为采集点Pi+1与上一采集点Pi的距离，Tstop1为第一终点停留时间阈值，Disdiff为终点距离阈值；
优选的，所述第一终点停留时间阈值为300秒，所述终点距离阈值为300米/小时；
同时，所述计算出行段终点的方法还包括：
当在按照时间先后顺序的采集点集合{P1、…、Pn}中，存在采集点子集{Pi、…、Pj}，对于任意Pk∈{Pi、…、Pj}均满足下列关系式，且Pi-1和Pj+1不能满足下列关系式时，则判定Pi为上一次出行的终点：
Vk<Vstop
Disdiffk<Raccu
tj-ti>Tstop2
其中，Vk为出行者在采集点Pk处的瞬时速度，Vstop为终点静止速度阈值，Disdiffk为采集点Pk距上一采集点的距离，Raccu为定位精度半径阈值，tj为记录采集点Pj的时刻，ti为记录采集点Pi的时刻，Tstop2为第二终点停留时间阈值；
优选的，所述终点静止速度阈值为1.8千米/小时，所述第二终点停留时间阈值为300秒。
6.根据权利要求4所述的基于GPS定位和模糊理论判断出行链交通方式的方法，其特征在于：所述判定出行换乘点的方法为：
计算每个采集点前2分钟的平均速度和最大速度，以及每个采集点后2分钟的平均速度和最大速度；
当某一采集点前2分钟的平均速度与所述采集点的后2分钟的平均速度之差的绝对值大于平均速度差阈值，且所述采集点前2分钟的最大速度或所述采集点后2分钟的最大速度小于步行速度上限阈值时，则判定发生了一次换乘，且所述采集点为换乘点；
优选的，所述平均速度差阈值为5千米/小时；所述步行速度上限阈值为10千米/小时。
7.根据权利要求4所述的基于GPS定位和模糊理论判断出行链交通方式的方法，其特征在于：
所述步骤(2)在对所采集到的GPS数据进行预处理之后还包括：
分析所述采集到的GPS数据，计算每两个按照时间先后顺序相邻的采集点之间的时间间隔和物理位置的间距；
当两个按照时间先后顺序相邻的采集点之间的时间间隔大于轨道交通停留时间阈值，且物理位置的间距大于轨道交距离阈值时，则判定所述两个采集点所在出行段的出行方式为轨道交通出行，且将所述出行段从所述步骤(3)的出行段中排除；
优选的，所述轨道交通停留时间阈值为300秒，所述轨道交通距离阈值为3000米。
8.根据权利要求4所述的基于GPS定位和模糊理论判断出行链交通方式的方法，其特征在于：
所述步骤(3)包括以下步骤：
(31)计算所述出行段的平均速度和最大速度；
(32)将所述平均速度和最大速度作为隶属度函数的关键点，分析所述出行段的隶属度函数；
(33)根据模糊运算规则判断所述出行段的交通方式；所述模糊运算规则为设定的规则。
9.根据权利要求8所述的基于GPS定位和模糊理论判断出行链交通方式的方法，其特征在于：
所述步骤(4)中的再判断方法包括：
(41)当所述出行者个人属性数据表明所述出行者没有私家车时，判定所述出行段的出行方式为公交车出行；
(42)如果在所述出行段前有超过两分钟的步行，判定所述出行段的出行方式为公交车出行；
(43)如果在该出行段中出行者发生换乘行为，且之后使用机动车出行，且在换乘过程中有超过2分钟的静止段，则判定所述出行段的出行方式为公交车出行；
(44)在所述(41)、(42)和(43)以外的情况下，判定所述出行段的出行方式为小汽车出行。
10.根据权利要求1所述的基于GPS定位和模糊理论判断出行链交通方式的方法，其特征在于：所述步骤(1)中对所述出行者进行GPS定位基于智能手机进行，使用智能手机自带的GPS模块，并结合百度定位SDK技术。
CN201510109872.6A 2015-03-13 2015-03-13 基于gps定位和模糊理论判断出行链交通方式的方法 Expired - Fee Related CN104751631B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510109872.6A CN104751631B (zh) 2015-03-13 2015-03-13 基于gps定位和模糊理论判断出行链交通方式的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510109872.6A CN104751631B (zh) 2015-03-13 2015-03-13 基于gps定位和模糊理论判断出行链交通方式的方法

Publications (2)

Publication Number Publication Date
CN104751631A true CN104751631A (zh) 2015-07-01
CN104751631B CN104751631B (zh) 2017-03-01

Family

ID=53591241

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510109872.6A Expired - Fee Related CN104751631B (zh) 2015-03-13 2015-03-13 基于gps定位和模糊理论判断出行链交通方式的方法

Country Status (1)

Country Link
CN (1) CN104751631B (zh)

Cited By (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105117789A (zh) * 2015-07-29 2015-12-02 西南交通大学 基于手机信令数据的居民出行方式综合判别的方法
CN105160872A (zh) * 2015-08-12 2015-12-16 中山大学 一种gps轨迹数据智能采集方法及装置
CN105183893A (zh) * 2015-09-29 2015-12-23 百度在线网络技术（北京）有限公司 定位轨迹的分类方法及装置
CN105608890A (zh) * 2015-09-08 2016-05-25 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
CN106052673A (zh) * 2016-05-12 2016-10-26 鲁俊群 一种个人碳足迹记录***
CN106231562A (zh) * 2016-09-30 2016-12-14 福建工程学院 识别出行人员的方法及***
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
CN106501834A (zh) * 2016-10-11 2017-03-15 上海保橙网络科技有限公司 一种使用手机自动判断用户运动行为的方法
CN106652534A (zh) * 2016-12-14 2017-05-10 北京工业大学 一种预测公交车到站时间的方法
CN106875688A (zh) * 2017-03-27 2017-06-20 吉林大学 一种应用gps数据识别公交车和小汽车的方法
CN106919953A (zh) * 2017-02-23 2017-07-04 北京工业大学 一种基于轨道交通数据分析的异常出行群体识别方法
CN107105016A (zh) * 2017-04-05 2017-08-29 西南交通大学 一种用于促进绿色出行的公众社交***
CN107331156A (zh) * 2017-08-22 2017-11-07 佛山市城市规划设计研究院 城市交通综合调查云平台与***
CN107330088A (zh) * 2017-07-04 2017-11-07 上海交通大学 一种基于gps轨迹数据的出行段识别方法
US10037635B2 (en) 2016-08-30 2018-07-31 Allstate Insurance Company Vehicle mode detection systems
WO2018151670A1 (en) * 2017-02-17 2018-08-23 Dataspark Pte. Ltd. Trajectory analysis with mode of transport analysis
WO2018151676A1 (en) * 2017-02-17 2018-08-23 Dataspark Pte. Ltd. Stay and trajectory identification from historical analysis of communications network observations
CN108764538A (zh) * 2018-05-15 2018-11-06 东南大学 一种适用于不明显需求变化下的公交线网优化设计方法
CN108900704A (zh) * 2018-06-25 2018-11-27 中国联合网络通信集团有限公司 手机用户公交出行的识别方法和识别***
CN108961744A (zh) * 2017-06-03 2018-12-07 广东联大智能科技有限公司 智慧出行的***和终端
CN109074706A (zh) * 2016-12-24 2018-12-21 华为技术有限公司 一种确定用户乘车地理位置的方法及设备
CN109147323A (zh) * 2018-08-28 2019-01-04 华南理工大学 一种用于公路客货运输指标统计的车辆gps数据处理方法
CN109327798A (zh) * 2018-10-16 2019-02-12 抚州市发展和改革委员会 一种基于移动终端的出行方式的判断方法
CN109633716A (zh) * 2018-12-10 2019-04-16 东南大学 基于gps的城市配送车辆出行链及其特征识别方法与设备
CN109840566A (zh) * 2019-02-14 2019-06-04 中国人民公安大学 出行模式识别方法及装置
CN110941651A (zh) * 2019-11-25 2020-03-31 东南大学 一种基于不完备人口信息的交通模式选择分析方法
CN111275966A (zh) * 2020-01-21 2020-06-12 西南交通大学 一种基于gps速度信息的交通方式识别方法
CN111311018A (zh) * 2020-03-04 2020-06-19 苏州远征魂车船技术有限公司 传染疫情精准管控***
CN111508228A (zh) * 2020-04-01 2020-08-07 佛山市城市规划设计研究院 利用手机gps及电子地图数据的公共交通出行链的获取方法
CN111653093A (zh) * 2020-05-29 2020-09-11 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城市出行方式综合识别方法
US10945096B2 (en) 2017-02-17 2021-03-09 DataSpark, PTE. LTD. Mobility gene for visit data
CN113065064A (zh) * 2021-03-24 2021-07-02 支付宝(杭州)信息技术有限公司 信息推荐处理方法、装置、设备及存储介质
CN114116926A (zh) * 2021-06-10 2022-03-01 武汉理工大学 基于公交站点信息匹配的乘客出行方式识别方法
US11418915B2 (en) 2017-02-17 2022-08-16 DataSpark, PTE. LTD. Trajectory analysis with mode of transportation analysis
CN115022810A (zh) * 2021-03-05 2022-09-06 ***通信集团江苏有限公司 基于手机信令数据识别出行方式的方法、装置及电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2425010A (en) * 2005-04-02 2006-10-11 Agd Systems Ltd Means for determining the condition of traffic along a carriageway
US20070265770A1 (en) * 2006-05-12 2007-11-15 Pioneer Corporation Mobile terminal apparatus, mobile terminal apparatus control method, mobile terminal apparatus control program, and recording medium for recording the mobile terminal apparatus control program
CN102708680A (zh) * 2012-06-06 2012-10-03 北京交通大学 基于agps技术的交通出行方式识别方法
CN103606279A (zh) * 2013-11-27 2014-02-26 中国航天***工程有限公司 一种基于智能手机的道路出行方式判别方法及***
CN103810851A (zh) * 2014-01-23 2014-05-21 广州地理研究所 一种基于手机定位的交通出行模式识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2425010A (en) * 2005-04-02 2006-10-11 Agd Systems Ltd Means for determining the condition of traffic along a carriageway
US20070265770A1 (en) * 2006-05-12 2007-11-15 Pioneer Corporation Mobile terminal apparatus, mobile terminal apparatus control method, mobile terminal apparatus control program, and recording medium for recording the mobile terminal apparatus control program
CN102708680A (zh) * 2012-06-06 2012-10-03 北京交通大学 基于agps技术的交通出行方式识别方法
CN103606279A (zh) * 2013-11-27 2014-02-26 中国航天***工程有限公司 一种基于智能手机的道路出行方式判别方法及***
CN103810851A (zh) * 2014-01-23 2014-05-21 广州地理研究所 一种基于手机定位的交通出行模式识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
EUI-HWAN CHUNG ET AL.: "A Trip Reconstruction Tool for GPS一based Personal Travel Surveys", 《TRANSPORTATION PLANNING AND TECHNOLOGY》 *
RICHARD BRUNAUER ET AL.: "Motion Pattern Analysis Enabling Accurate Travel Mode Detection from GPS Data Only", 《16TH INTERNATIONAL IEEE CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS (ITSC 2013)》 *
张俊峰: "基于GPS技术的出行OD调查研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *
张德欣等: "基于大规模定位数据的出行方式模糊判别研究", 《交通信息与安全》 *

Cited By (49)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105117789A (zh) * 2015-07-29 2015-12-02 西南交通大学 基于手机信令数据的居民出行方式综合判别的方法
CN105160872B (zh) * 2015-08-12 2018-01-19 中山大学 一种gps轨迹数据智能采集方法
CN105160872A (zh) * 2015-08-12 2015-12-16 中山大学 一种gps轨迹数据智能采集方法及装置
CN105608890A (zh) * 2015-09-08 2016-05-25 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
CN105183893A (zh) * 2015-09-29 2015-12-23 百度在线网络技术（北京）有限公司 定位轨迹的分类方法及装置
CN106052673A (zh) * 2016-05-12 2016-10-26 鲁俊群 一种个人碳足迹记录***
US11049337B2 (en) 2016-08-30 2021-06-29 Allstate Insurance Company Vehicle mode detection systems
US11915535B2 (en) 2016-08-30 2024-02-27 Allstate Insurance Company Vehicle mode detection systems
US10037635B2 (en) 2016-08-30 2018-07-31 Allstate Insurance Company Vehicle mode detection systems
CN106231562A (zh) * 2016-09-30 2016-12-14 福建工程学院 识别出行人员的方法及***
CN106501834A (zh) * 2016-10-11 2017-03-15 上海保橙网络科技有限公司 一种使用手机自动判断用户运动行为的方法
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
CN106652534B (zh) * 2016-12-14 2019-08-16 北京工业大学 一种预测公交车到站时间的方法
CN106652534A (zh) * 2016-12-14 2017-05-10 北京工业大学 一种预测公交车到站时间的方法
CN109074706A (zh) * 2016-12-24 2018-12-21 华为技术有限公司 一种确定用户乘车地理位置的方法及设备
US11418915B2 (en) 2017-02-17 2022-08-16 DataSpark, PTE. LTD. Trajectory analysis with mode of transportation analysis
US10834536B2 (en) 2017-02-17 2020-11-10 DataSpark, PTE. LTD. Trajectory analysis through fusion of multiple data sources
WO2018151670A1 (en) * 2017-02-17 2018-08-23 Dataspark Pte. Ltd. Trajectory analysis with mode of transport analysis
WO2018151676A1 (en) * 2017-02-17 2018-08-23 Dataspark Pte. Ltd. Stay and trajectory identification from historical analysis of communications network observations
US10873832B2 (en) 2017-02-17 2020-12-22 DataSpark, PTE. LTD. Mobility gene for trajectory data
US10945096B2 (en) 2017-02-17 2021-03-09 DataSpark, PTE. LTD. Mobility gene for visit data
US10827308B2 (en) 2017-02-17 2020-11-03 Data Spark, Pte Ltd Real time trajectory identification from communications network
CN106919953A (zh) * 2017-02-23 2017-07-04 北京工业大学 一种基于轨道交通数据分析的异常出行群体识别方法
CN106875688A (zh) * 2017-03-27 2017-06-20 吉林大学 一种应用gps数据识别公交车和小汽车的方法
CN106875688B (zh) * 2017-03-27 2018-11-09 吉林大学 一种应用gps数据识别公交车和小汽车的方法
CN107105016A (zh) * 2017-04-05 2017-08-29 西南交通大学 一种用于促进绿色出行的公众社交***
CN108961744A (zh) * 2017-06-03 2018-12-07 广东联大智能科技有限公司 智慧出行的***和终端
CN107330088A (zh) * 2017-07-04 2017-11-07 上海交通大学 一种基于gps轨迹数据的出行段识别方法
CN107331156A (zh) * 2017-08-22 2017-11-07 佛山市城市规划设计研究院 城市交通综合调查云平台与***
CN108764538A (zh) * 2018-05-15 2018-11-06 东南大学 一种适用于不明显需求变化下的公交线网优化设计方法
CN108900704B (zh) * 2018-06-25 2020-11-10 中国联合网络通信集团有限公司 手机用户公交出行的识别方法和识别***
CN108900704A (zh) * 2018-06-25 2018-11-27 中国联合网络通信集团有限公司 手机用户公交出行的识别方法和识别***
CN109147323A (zh) * 2018-08-28 2019-01-04 华南理工大学 一种用于公路客货运输指标统计的车辆gps数据处理方法
CN109327798A (zh) * 2018-10-16 2019-02-12 抚州市发展和改革委员会 一种基于移动终端的出行方式的判断方法
CN109633716B (zh) * 2018-12-10 2020-10-27 东南大学 基于gps的城市配送车辆出行链及其特征识别方法与设备
CN109633716A (zh) * 2018-12-10 2019-04-16 东南大学 基于gps的城市配送车辆出行链及其特征识别方法与设备
CN109840566A (zh) * 2019-02-14 2019-06-04 中国人民公安大学 出行模式识别方法及装置
CN110941651A (zh) * 2019-11-25 2020-03-31 东南大学 一种基于不完备人口信息的交通模式选择分析方法
CN110941651B (zh) * 2019-11-25 2020-06-26 东南大学 一种基于不完备人口信息的交通模式选择分析方法
CN111275966A (zh) * 2020-01-21 2020-06-12 西南交通大学 一种基于gps速度信息的交通方式识别方法
CN111311018A (zh) * 2020-03-04 2020-06-19 苏州远征魂车船技术有限公司 传染疫情精准管控***
CN111508228B (zh) * 2020-04-01 2021-01-01 佛山市城市规划设计研究院 利用手机gps及电子地图数据的公共交通出行链的获取方法
CN111508228A (zh) * 2020-04-01 2020-08-07 佛山市城市规划设计研究院 利用手机gps及电子地图数据的公共交通出行链的获取方法
CN111653093B (zh) * 2020-05-29 2022-06-17 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城市出行方式综合识别方法
CN111653093A (zh) * 2020-05-29 2020-09-11 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城市出行方式综合识别方法
CN115022810A (zh) * 2021-03-05 2022-09-06 ***通信集团江苏有限公司 基于手机信令数据识别出行方式的方法、装置及电子设备
CN113065064A (zh) * 2021-03-24 2021-07-02 支付宝(杭州)信息技术有限公司 信息推荐处理方法、装置、设备及存储介质
CN113065064B (zh) * 2021-03-24 2023-09-29 支付宝(杭州)信息技术有限公司 信息推荐处理方法、装置、设备及存储介质
CN114116926A (zh) * 2021-06-10 2022-03-01 武汉理工大学 基于公交站点信息匹配的乘客出行方式识别方法

Also Published As

Publication number Publication date
CN104751631B (zh) 2017-03-01

Similar Documents

Publication Publication Date Title
CN104751631A (zh) 基于gps定位和模糊理论判断出行链交通方式的方法
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
US9547866B2 (en) Methods and apparatus to estimate demography based on aerial images
CN104200042B (zh) 一种定位数据轨迹跟踪方法
CN110222959B (zh) 一种基于大数据的城市就业可达性测算方法及***
CN114435138B (zh) 一种车辆能耗预测方法、装置、车辆及存储介质
WO2017084221A1 (zh) 交通状态的获取方法及装置
CN103295414A (zh) 一种基于海量历史gps轨迹数据的公交车到站时间预测方法
CN104504099A (zh) 基于位置轨迹的交通出行状态切分方法
CN107085944B (zh) 一种交通数据处理***及方法
CN105809962A (zh) 一种基于手机数据的交通出行方式划分的方法
CN105206057A (zh) 基于浮动车居民出行热点区域的检测方法及***
Kumar et al. A model based approach to predict stream travel time using public transit as probes
CN104424812A (zh) 一种公交到站时间预测***和方法
CN111737377B (zh) 一种漂移轨迹的识别方法、装置及计算设备、存储介质
WO2018045529A1 (zh) 一种网络站址规划方法及装置
CN104282151A (zh) 基于高频卫星定位数据的实时浮动车路径匹配方法
CN103093625B (zh) 一种基于可信度验证的城市道路交通状态实时估计方法
CN102768797B (zh) 一种城市路况信息评价方法及装置
CN112734242A (zh) 一种车辆运行轨迹数据的可用度分析方法、装置、存储介质及终端
CN112988936A (zh) 出行轨迹预测方法、装置、计算设备及存储介质
Duchrow et al. Towards electric mobility data mining
JP2004101504A (ja) 走行リンク確定システム及びリンク旅行時間計測システム
CN110827537B (zh) 一种潮汐车道的设置方法、装置及设备
KR101290750B1 (ko) Ｇｐｓ 신호를 이용한 목적지 추정 방법 및 그 장치

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20170301

Termination date: 20200313

CF01 Termination of patent right due to non-payment of annual fee