CN106971534A - 基于号牌数据的通勤出行特征分析方法 - Google Patents

Abstract

本发明提供一种基于号牌数据的通勤出行特征分析方法，(1)通过对路网智能卡口设备检测数据以及城市静态信息进行采集；(2)对各智能卡口设备检测的车辆号牌原始数据进行数据质量检验，得到有效的车辆号牌数据后按时间序列进行整合，分析车辆的出行类型；(3)提取市内通勤车辆号牌数据信息，构建通勤车辆出行链数据；(4)统计通勤出行车辆的出行信息，分析居民业余活动状况、居民通勤出行的时间与距离以及居民出行需求，获取居民出行规律。本发明通过海量号牌数据分析居民私家车通勤出行特征，实现居民出行需求统计分析，为交通规划模型提供支撑数据，提高交通需求管理水平，有效缓解交通拥堵问题。

Description

基于号牌数据的通勤出行特征分析方法

技术领域

本发明涉及一种基于号牌数据的通勤出行特征分析方法。

背景技术

随着城市化进程的推进和社会经济的稳步发展，城市交通***的供需矛盾日渐激化，交通拥堵问题已成为各大城市的通病，影响着城市居民的日常运行，也为城市的发展带来隐患。大量研究表明，解决城市交通拥堵问题可以从增加交通供给和管理交通需求两方面入手，交通需求管理已成为交通领域的研究重点，对居民出行特征的分析为交通需求管理提供支撑。

传统的居民出行特征分析依靠居民出行调查获取出行需求，耗费大量人力物力的同时，准确性和实效性都无法满足新时代交通规划与管理需求，因此需要高频度、低成本、自动化获取居民出行特征的新技术。目前居民出行特征分析方法主要有通过公共车载GPS数据和公交IC卡数据对居民公共通勤模式分析或通过手机移动端定位数据对居民出行特征提取分析居民职住区域。但面对汽车保有量增长以及居民业余生活的多样性，一来现有的分析技术主要着重于公共交通通勤，缺乏对居民私家车出行的出行模式特征分析，二来城市的发展带动各类业余活动，居民出行目的不仅限于上班上学等通勤，现有出行特征分析缺乏对居民通勤以外业余活动等出行行为特征分析，三来城市交通的发展带动出现城际间通勤模式，现有的出行特征分析缺乏对此类城际通勤统计分析。

当前伴随着城市交通管理信息化建设的发展，大量智能化交通监管***逐步被推广使用，城市道路管理交通部门掌握海量交通运行相关数据，如智能卡口、电子警察每日识别存储大量号牌数据，如何将号牌数据挖掘提取分析有效信息亦是当前交通大数据信息化时代重要研究内容。

发明内容

本发明的目的是提供一种基于号牌数据的通勤出行特征分析方法，基于城市智能卡口的过车号牌数据信息，按时间序列整合识别，匹配追溯车辆在路网行驶轨迹，从而通过海量行驶轨迹信息和检测号牌时间数据分析居民出行链信息，进一步分析居民通勤、出行需求等出行特征。该分析方法能够从海量号牌数据中提取居民出行特征数据，为交通管理者提供直观清晰的城市居民出行需求统计分析情况，进一步地为交通需求管理提供支撑数据，有效缓解城市拥堵问题。

本发明的技术解决方案是：一种基于号牌数据的通勤出行特征分析方法，包括以下步骤，

S1、数据采集，对路网智能卡口设备的检测数据及城市静态信息进行采集；

S2、数据预处理，对各智能卡口设备检测的车辆号牌原始数据进行数据质量检验，得到有效的车辆号牌数据后按时间序列进行整合，分析车辆的出行类型；

S3、出行链分析，提取市内通勤车辆号牌数据信息，分析车辆行驶轨迹以及停留小区，构建通勤车辆出行链数据；

S4、出行特征分析，统计分析通勤出行车辆的出行信息，根据车辆出行信息分析居民业余活动状况、居民通勤出行的时间与距离以及居民出行需求，获取居民出行规律。

进一步地，步骤S1中，城市静态信息为城市基础地理信息，包括路网信息和城市结构布局信息。

进一步地，步骤S2具体为：

S21、数据质量检验：对智能卡口设备采集的车辆号牌原始数据进行数据质量检测，将异常数据进行数据隔离，获取有效的车辆号牌数据；其中数据质量检测包括异常数据检测和车辆号牌识别情况检测，异常数据检测包括数据缺失、时间戳错误，车辆号牌识别情况检测包括车牌照缺位、异位、异常字符检测；

S22、数据整合：从智能卡口检测数据中提取有效的车辆号牌数据信息，然后按时间序列整合城市路网中所有检测数据构成车辆号牌数据库；

S23、出行类型分析：按车辆号牌整合车辆号牌数据，分析车辆出行类型，即是否为过境车辆、通勤车辆或其他通行车辆。

进一步地，步骤S23具体为：

S231、若车辆号牌为外市车辆，同时号牌仅出现在某日某时间段内，且号牌数据中存在城市出入口卡口设备检测的车辆号牌数据，则认为车辆为过境车辆，否则为市内通行车辆，转到下一步骤；

S232、若车辆连续多日时间序列分布的号牌数据相同，即某时段内检测号牌数据的设备编号相同，号牌数据设备检测时间差小于阈值，则认为该出行为通勤出行，转到下一步骤，否则为其他出行车辆；

S233、若通勤车辆号牌数据的检测设备中有城市出入口的卡口设备，则认为是市际通勤，否则为市内通勤，转到步骤S3。

进一步地，步骤S3具体为：

S31、车辆行驶轨迹分析：按时间序列整合车辆号牌数据，将卡口获取的号牌数据放入对应卡口数据队列，根据卡口位置以及城市路网结构，生成车辆出行行驶轨迹；

S32、交通小区分析：整合号牌数据的初始值和结束值的位置信息得到居民居住交通小区，根据检测号牌数据的时间差分析车辆除住宅以外的停留交通小区，根据工作日最长停留时间段的停留地点统计分析得到工作交通小区；

S33、整日出行链分析：根据车辆行驶轨迹以及停留的交通小区，构成整日居民小汽车出行链数据，即车辆行驶轨迹路径和停留小区信息；

进一步地，步骤S32中，若连续两个号牌数据的时间间隔超过检测点之间行驶距离所需时间的阈值，则认为车辆发生停留，确定停留小区，其中时间阈值根据该检测点与附近各检测点之间距离所需时间确定，其中检测点之间行驶距离所需时间的阈值根据该检测点与附近各检测点之间距离所需时间确定，即T＝max{ti}，ti为检测点之间所需行驶时间，由检测的所有车辆不同时间段平均行驶时间上限得到。

进一步地，步骤S4具体为：

S41.业余活动分析：根据车辆出行链数据中除居住地和工作地点之外的停留信息分析居民业余活动情况，进一步统计居民业余活动量及业余活动小区，分析得到居民业余活动率和城市重要热点活动地区；

S42.通勤出行距离时间分析：根据出行轨迹信息分析整合车辆通勤出行信息，分析得到车辆平均出行距离和出行时间，统计早高峰通勤轨迹；进一步统计城市私家车通勤的居民出行时间和距离，分析计算得到所有居民私家车通勤的平均通勤时间和通勤距离；

S43.出行需求分析：整合车辆通勤出行轨迹，与道路路网匹配得到车辆出行路段信息，进一步统计分析所有通勤出行车辆的行驶轨迹，基于地图得到城市居民通勤时段重要出行路段以及途径交叉口，由此得到早晚高峰时段容易发生交通拥堵的路段。

本发明的有益效果是：该种基于号牌数据的通勤出行特征分析方法，基于以号牌为主的海量卡口检测数据，整合实现车辆的全线网跟踪，分析车辆在路网的运行轨迹以及居民出行信息，生成出行链数据，进一步统计居民出行信息，分析居民通勤出行的出行特征。本发明通过海量号牌数据分析居民私家车通勤出行特征，为交通管控部门提供一种新型居民出行特征分析方法，实现居民出行需求统计分析，为交通规划模型提供支撑数据，提高交通需求管理水平，有效缓解交通拥堵问题。

附图说明

图1是本发明实施例基于号牌数据的通勤出行特征分析方法的结构示意图。

图2是实施例中交通小区分析的说明示意图。

具体实施方式

下面结合附图详细说明本发明的优选实施例。

实施例

实施例利用智能卡口设备采集的海量号牌数据，实现车辆的全线网跟踪，通过车辆轨迹在路网的时空聚合，与城市地理信息比对分析，提取得到车辆一天内大致出行阶段及出行轨迹，根据一周轨迹信息掌握居民出行规律，分析居民出行特征，为交通规划以及交通需求管理工作提供居民出行需求相关决策支撑数据，提出合理交通规划模型以及交通需求管理策略，实现以居民出行需求为导向的交通管理，有效缓解交通拥堵问题。

一种基于号牌数据的通勤出行特征分析方法，如图1，具体包括以下步骤：

S1.数据采集：从外部接口接入路网智能卡口设备的检测数据，包括日期、检测时刻、车辆号牌、设备编号、设备位置、车道号；同时对城市基础地理信息等静态信息进行采集，包括路网拓扑结构、路段长度等路网信息，住宅区商业区等城市结构布局信息。

S2.数据预处理：对各智能卡口检测的原始车辆号牌数据进行数据质量检验，将有效的号牌数据按时间序列进行整合，分析车辆的出行类型。

S21.数据质量检验：对智能卡口设备采集的车辆号牌原始数据进行数据质量检测，包括数据缺失、时间戳错误等异常数据检测，以及车牌照缺位、异位、异常字符等车辆号牌识别情况检测。

S22.数据整合：从智能卡口检测数据中提取有效过车数据信息，按时间序列整合城市路网所有检测数据构成车辆号牌数据库，包括车辆号牌、车道号、卡口设备编号以及时间。

S23.出行类型分析：按车辆号牌整合车辆一周的号牌数据，分析车辆出行类型，即是否为过境车辆、通勤车辆(市际通勤、市内通勤)或其他通行车辆。

S231.若车辆号牌为外市车辆，同时号牌仅出现在一周某一日某时间段内，且号牌数据中存在城市出入口卡口设备检测的车辆号牌数据，则认为车辆为过境车辆，否则为市内通行车辆，转到下一步骤。

S232.按时间序列整合车辆号牌数据，若车辆在工作日时间序列分布的号牌数据相同，即工作日某时段内检测号牌数据的设备编号相同，号牌数据设备检测时间类似，则认为该出行为通勤出行，转到下一步骤，否则为其他出行车辆。

S233.若通勤车辆号牌数据的检测设备中有城市出入口的卡口设备，则认为是市际通勤，否则为市内通勤，转到步骤S3。

S3.出行链分析：出行链是对出行者一天不同时间出行顺序的描述，同时在空间上反映了出行者的出行活动规律。提取市内通勤车辆号牌数据信息，分析车辆每日行驶轨迹以及停留小区，构建工作日通勤车辆整日出行链数据。

S31.车辆行驶轨迹分析：根据车辆号牌按时间序列整合号牌数据，将卡口获取的号牌数据放入对应卡口数据队列，根据卡口位置以及城市路网结构，生成车辆出行行驶轨迹。

S32.交通小区分析：以路口为定点，路段为边界将城市划分为多个交通小区；进一步整合工作日内每日号牌数据的初始值和结束值，即最先检测到的号牌数据与最终检测到的号牌数据，根据出行链闭合特性，由号牌数据位置信息以及城市结构信息得到居民居住区；根据检测号牌数据的时间差分析车辆除住宅以外的停留点，若连续两个号牌数据的时间间隔超过检测点之间行驶距离所需时间的阈值，则认为车辆发生停留，其中时间阈值根据该检测点与附近各检测点之间距离所需时间确定，即T＝max{t_i}，t_i为检测点之间所需行驶时间，由***检测的所有车辆不同时间段平均行驶时间上限得到；根据工作日最长停留时间段的停留地点，统计分析工作小区。

如图2所示，其中蓝色箭头线路、绿色箭头线路以及橙色箭头线路为一日车辆行驶轨迹，号牌数据初始值由4号交叉口所在位置的卡口设备检测，结束号牌数据由4号与5号之间路段的卡口设备检测，根据检测数据的方向和位置，综合分析得到住宅区为J小区；根据2号交叉口位置的卡口设备检测的号牌数据分析到达C小区工作地点；根据5号与6号之间路段的卡口设备检测数据得到居民在G小区存在停留。

S33.整日出行链分析：根据车辆行驶轨迹以及停留的交通小区，构成整日居民小汽车出行链数据，即车辆行驶轨迹路径和停留小区信息。

S4.出行特征分析：统计分析所有工作日通勤出行车辆的出行信息，根据车辆出行信息分析居民业余活动状况以及居民通勤出行的时间与距离，以此分析居民出行需求，掌握居民出行规律，为交通规划管理工作提供辅助支撑数据。

S41.业余活动分析：根据车辆每日出行链数据信息分析居民是否存在业余活动，即工作日通勤车辆的整日出行是否发生除居住地和工作地点以外停留，若存在则认为居民存在业务活动，即居民存在除通勤以外交通需求；进一步统计居民业余活动量以及业余活动小区，确定城市重要热点活动地区，同时根据城市市内通勤车辆数据分析得到居民业余活动率，即存在业余活动出行车辆数占总通勤出行的比例，为交通管理部门提供居民业余出行活动需求以及重点出行地区统计分析数据，以此为交通需求管理决策提供辅助支撑数据。

S42.通勤出行距离时间分析：根据居民居住区、工作地区及之间的出行轨迹信息，按统计周期整合车辆工作日通勤轨迹各卡口设备检测号牌数据的位置信息和时间信息，根据检测设备位置距离和检测数据之间的时间差得到车辆平均出行距离和出行时间，其中根据居民出行特性，一般统计早高峰通勤轨迹；进一步统计城市所有私家车通勤的居民出行时间和距离，按统计周期分析计算得到所有居民私家车通勤的平均通勤时间和通勤距离，为交通管理部门提供通勤时间以及距离统计分析数据，进一步提高交通管理决策合理性和有效性。

S43.出行需求分析：整合统计周期工作日内车辆通勤出行轨迹，与道路路网匹配得到车辆出行主要路段信息，进一步统计分析周期内所有通勤出行车辆的行驶轨迹，基于地图得到城市居民通勤时段重要出行路段以及主要途径交叉口，即居民小汽车出行存在交通需求路段，由此得到早晚高峰时段容易发生交通拥堵的路段，为交通管理者提供交通管理决策支撑数据。

Claims (7)

1.一种基于号牌数据的通勤出行特征分析方法，其特征在于：包括以下步骤，

S1、数据采集，对路网智能卡口设备的检测数据及城市静态信息进行采集；

S2、数据预处理，对各智能卡口设备检测的车辆号牌原始数据进行数据质量检验，得到有效的车辆号牌数据后按时间序列进行整合，分析车辆的出行类型；

S3、出行链分析，提取市内通勤车辆号牌数据信息，分析车辆行驶轨迹以及停留小区，构建通勤车辆出行链数据；

S4、出行特征分析，统计分析通勤出行车辆的出行信息，根据车辆出行信息分析居民业余活动状况、居民通勤出行的时间与距离以及居民出行需求，获取居民出行规律。

2.如权利要求1所述的基于号牌数据的通勤出行特征分析方法，其特征在于：步骤S1中，城市静态信息为城市基础地理信息，包括路网信息和城市结构布局信息。

3.如权利要求1所述的基于号牌数据的通勤出行特征分析方法，其特征在于，步骤S2具体为：

S21、数据质量检验：对智能卡口设备采集的车辆号牌原始数据进行数据质量检测，将异常数据进行数据隔离，获取有效的车辆号牌数据；其中数据质量检测包括异常数据检测和车辆号牌识别情况检测，异常数据检测包括数据缺失、时间戳错误，车辆号牌识别情况检测包括车牌照缺位、异位、异常字符检测；

S22、数据整合：从智能卡口检测数据中提取有效的车辆号牌数据信息，然后按时间序列整合城市路网中所有检测数据构成车辆号牌数据库；

S23、出行类型分析：按车辆号牌整合车辆号牌数据，分析车辆出行类型，即是否为过境车辆、通勤车辆或其他通行车辆。

4.如权利要求3所述的基于号牌数据的通勤出行特征分析方法，其特征在于，步骤S23具体为：

S231、若车辆号牌为外市车辆，同时号牌仅出现在某日某时间段内，且号牌数据中存在城市出入口卡口设备检测的车辆号牌数据，则认为车辆为过境车辆，否则为市内通行车辆，转到下一步骤；

S232、若车辆连续多日时间序列分布的号牌数据相同，即某时段内检测号牌数据的设备编号相同，号牌数据设备检测时间差小于阈值，则认为该出行为通勤出行，转到下一步骤，否则为其他出行车辆；

S233、若通勤车辆号牌数据的检测设备中有城市出入口的卡口设备，则认为是市际通勤，否则为市内通勤，转到步骤S3。

5.如权利要求1所述的基于号牌数据的通勤出行特征分析方法，其特征在于，步骤S3具体为：

S31、车辆行驶轨迹分析：按时间序列整合车辆号牌数据，将卡口获取的号牌数据放入对应卡口数据队列，根据卡口位置以及城市路网结构，生成车辆出行行驶轨迹；

S32、交通小区分析：整合号牌数据的初始值和结束值的位置信息得到居民居住交通小区，根据检测号牌数据的时间差分析车辆除住宅以外的停留交通小区，根据工作日最长停留时间段的停留地点统计分析得到工作交通小区；

S33、整日出行链分析：根据车辆行驶轨迹以及停留的交通小区，构成整日居民小汽车出行链数据，即车辆行驶轨迹路径和停留小区信息。

6.如权利要求5所述的基于号牌数据的通勤出行特征分析方法，其特征在于：步骤S32中，若连续两个号牌数据的时间间隔超过检测点之间行驶距离所需时间的阈值，则认为车辆发生停留，确定停留小区，其中时间阈值根据该检测点与附近各检测点之间距离所需时间确定，其中检测点之间行驶距离所需时间的阈值根据该检测点与附近各检测点之间距离所需时间确定，即T＝max{t_i}，t_i为检测点之间所需行驶时间，由检测的所有车辆不同时间段平均行驶时间上限得到。

7.如权利要求1所述的基于号牌数据的通勤出行特征分析方法，其特征在于，步骤S4具体为：

S41.业余活动分析：根据车辆出行链数据中除居住地和工作地点之外的停留信息分析居民业余活动情况，进一步统计居民业余活动量及业余活动小区，分析得到居民业余活动率和城市重要热点活动地区；

S42.通勤出行距离时间分析：根据出行轨迹信息分析整合车辆通勤出行信息，分析得到车辆平均出行距离和出行时间，统计早高峰通勤轨迹；进一步统计城市私家车通勤的居民出行时间和距离，分析计算得到所有居民私家车通勤的平均通勤时间和通勤距离；

S43.出行需求分析：整合车辆通勤出行轨迹，与道路路网匹配得到车辆出行路段信息，进一步统计分析所有通勤出行车辆的行驶轨迹，基于地图得到城市居民通勤时段重要出行路段以及途径交叉口，由此得到早晚高峰时段容易发生交通拥堵的路段。