CN107886723A - 一种交通出行调查数据处理方法 - Google Patents
一种交通出行调查数据处理方法 Download PDFInfo
- Publication number
- CN107886723A CN107886723A CN201711120069.8A CN201711120069A CN107886723A CN 107886723 A CN107886723 A CN 107886723A CN 201711120069 A CN201711120069 A CN 201711120069A CN 107886723 A CN107886723 A CN 107886723A
- Authority
- CN
- China
- Prior art keywords
- trip
- data
- traffic
- information
- colony
- 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
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
- G08G1/0125—Traffic data processing
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例公开一种交通出行调查数据处理方法、设备、终端及计算机可读介质，其中方法为：获取多源交通出行调查数据；对所述多源交通出行调查数据进行数据分析，获取指定区域的出行群体的出行调查信息；基于出行信息生成起讫点(OD)矩阵；根据所述起讫点矩阵对所述各交通分析小区的出行群体进行出行特征分析，生成并输出针对所述各交通分析小区内出行群体的出行特征数据。采用本发明，通过获取给定区域范围内居民的出行特征，可以增加数据获取的准确性同时提高数据获取的覆盖范围及时效性。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种基于交通出行大数据的居民出行调查数据处理方法、设备、终端及计算机可读介质。
背景技术
居民出行数据是城市综合规划和交通管理的基础，是城市重大政策编制的定量依据。目前，居民出行调查通常采用入户调查的方式，国际通行标准为每5～10年进行一次。传统抽样调查技术能够获取居民在一定时期内的出行特征，但随着我国各大城市的快速发展，即使5年一次的大规模出行调查仍然难以及时准确反映城市的发展特征，同时传统调查的环节复杂，质量难以评估，耗费大量人力、物力和财力，且影响了获得居民出行数据的时效性。
发明内容
本发明实施例提供一种基于交通出行大数据的居民出行调查数据处理方法、设备、终端及计算机可读介质，通过获取给定区域范围内居民的出行特征，可以增加数据获取的准确性同时提高数据获取的覆盖范围及时效性。
本发明实施例第一方面提供了一种交通出行调查数据处理方法，该方法包括：
获取多源交通出行调查数据，所述多源交通出行调查数据包括交通支付数据、公交汽车定位数据、轨道交通站点数据、车辆识别数据、出租车定位数据、出租车运营数据、公共自行车定位数据以及公共自行车运营数据；
对所述多源交通出行调查数据进行分析，获取调查区域的出行调查信息，所述出行调查信息包括所述调查区域内出行群体中各出行对象的出行起讫点、出行时间信息、出行方式以及所述各出行对象的对象属性，所述调查区域包括至少两个交通分析小区；
根据交通分析小区的划分数据，生成基于所述交通分析小区的起讫点出行分布矩阵；
根据所述起讫点出行分布矩阵对所述交通分析小区的出行群体进行出行特征分析，生成并输出针对所述交通分析小区内出行群体的出行特征数据，所述出行特征数据包括所述各交通分析小区的出行群体的出行时间特征、出行距离特征、通勤出行特征和机动化出行相对比例特征。
本发明实施例第二方面提供了一种出行调查数据处理设备，该设备包括：
数据获取模块，用于获取多源交通出行调查数据，所述多源交通出行调查数据包括交通支付数据、公交汽车定位数据、轨道交通站点数据、车辆识别数据、出租车定位数据、出租车运营数据、公共自行车定位数据以及公共自行车运营数据；
信息获取模块，用于对所述多源交通出行调查数据进行分析，获取调查区域的出行调查信息，所述出行调查信息包括所述调查区域内出行群体中各出行对象的出行起讫点、出行时间信息、出行方式以及所述各出行对象的对象属性，所述调查区域包括至少两个交通分析小区；
矩阵生成模块，用于根据交通分析小区的划分数据，生成基于所述交通分析小区的起讫点出行分布矩阵；
特征分析模块，用于根据所述起讫点出行分布矩阵对所述交通分析小区的出行群体进行出行特征分析，生成并输出针对所述交通分析小区内出行群体的出行特征数据，所述出行特征数据包括所述各交通分析小区的出行群体的出行时间特征、出行距离特征、通勤出行特征和机动化出行相对比例特征。
第三方面，本发明实施例提供了另一种终端，包括处理器、输入设备、输出设备和存储器，所述处理器、所述输入设备、所述输出设备和所述存储器相互连接，其中，所述存储器用于存储支持终端执行上述方法的计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行上述第一方面的方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述第一方面的方法。
在本发明实施例中，通过获取多源交通出行调查数据，并对多源交通出行调查数据进行数据分析，获取调查区域的出行调查信息，然后根据交通分析小区的划分数据，生成基于交通分析小区的起讫点出行分布矩阵，最后根据起讫点出行分布矩阵对交通分析小区的出行群体进行出行特征分析，生成并输出针对交通分析小区内出行群体的出行特征数据。通过分析多源交通出行调查数据和交通小区的划分数据获取交通小区内出行群体的出行调查信息，再根据生成的起讫点出行分布矩阵分析交通小区内出行群体的出行特征，增加了数据获取的准确性同时提高了数据获取的覆盖范围及时效性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种交通出行调查数据处理方法的流程示意图；
图2是本发明实施例提供的另一种交通出行调查数据处理方法的流程示意图；
图3是本发明实施例提供的另一种交通出行调查数据处理方法的流程示意图；
图4是本发明实施例提供的另一种交通出行调查数据处理方法的流程示意图；
图5是本发明实施例提供的另一种交通出行调查数据处理方法的流程示意图；
图6是本发明实施例提供的另一种交通出行调查数据处理方法的流程示意图；
图7是本发明实施例提供的另一种交通出行调查数据处理方法的流程示意图；
图8是本发明实施例提供的一种交通出行调查数据处理设备的结构示意图；
图9是本发明实施例提供的信息获取模块的结构示意图；
图10-图13是本发明实施例提供的信息获取单元的结构示意图；
图14是本发明实施例提供的另一种交通出行调查数据处理设备的结构示意图；
图15是本发明实施例提供的一种终端的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供的交通数据处理方法可以应用于交通分析小区内出行人员的出行特征分析和大范围内类型机动车车型比例的分析的场景中。
本发明实施例涉及的交通出行调查数据处理设备可以是具备多源交通出行调查数据获取与分析处理能力的终端设备。
下面将结合附图1-附图5，对本发明实施例提供的交通出行调查数据处理方法进行详细介绍。
请参见图1，为本发明实施例提供了一种交通出行调查数据处理方法的流程示意图。如图1所示，本发明实施例的所述方法可以包括以下步骤S101-步骤S104。
S101，获取多源交通出行调查数据；
具体的，交通出行调查数据处理设备可以获取多源交通出行调查数据，可以理解的是，所述多源交通出行调查数据可以包括交通支付数据(采用公交车或轨道交通出行时，在上车或下车时采用公交IC卡购买车票的刷卡数据或者采用电子支付方式购买车票的支付数据等)、公交汽车定位数据(公交汽车行驶过程中的定位信息)、轨道交通站点数据(轻轨、地铁等轨道线路对应的站点位置信息)、车辆识别数据(例如车牌号码、车辆进出停车场数据等)、出租车定位数据、出租车运营数据(出租车的空载或非空载状态数据)公共自行车定位数据(例如通过GPS或者北斗星等定位技术获得的公共自行车的定位数据)以及公共自行车运营数据(公共自行车被使用时的骑行起始点和骑行时间等数据)等其他可以直接反应居民出行特征的数据。
S102，对所述多源交通出行调查数据进行分析，获取调查区域的出行调查信息；
具体的，所述交通出行调查数据处理设备可以对所述多源交通出行调查数据进行分析，获取调查区域的出行调查信息，可以理解的是，所述调查区域可以覆盖一个或多个城市，可以包括至少两个交通分析小区(Traffic Analysis Zone，TAZ)，所述TAZ可以是交通规划模型中的最小地理单位，可以是由政府或交通规划部门根据相关交通数据划分的区域。所述出行调查信息包括所述调查区域内出行群体中各出行对象的出行起讫点、出行时间信息、出行方式以及所述各出行对象的对象属性。
S103，根据交通分析小区的划分数据，生成基于所述交通分析小区的起讫点出行分布矩阵；
具体的，所述交通出行调查数据处理设备可以根据交通分析小区的划分数据，生成基于所述交通分析小区的起讫点出行分布矩阵，可以理解的是，利用所述起讫点出行分布矩阵即(Origination Destination，OD矩阵)可以对TAZ中的交通量进行预测，其中，所述OD矩阵的行代表出行，即行号所代表的单个TAZ出行至所有列号代表的TAZ的出行量，整行数字之和为行号代表的TAZ的总出行量；所述OD矩阵的列代表吸引，也就是说所有行号所代表的TAZ至列号代表的单个TAZ出行量，即表示该列号所代表的TAZ吸引各交通TAZ的交通量，整列数字之和为行号代表的TAZ总吸引量。在可选实施中，根据交通出行方式的不同，还可以生成不同出行方式的OD矩阵。
S104，根据所述起讫点出行分布矩阵对所述交通分析小区的出行群体进行出行特征分析，生成并输出针对所述交通分析小区内出行群体的出行特征数据；
具体的，所述交通出行调查数据处理设备生成所述OD矩阵后，可以根据所述OD矩阵对所述交通分析小区的出行群体进行出行特征分析，生成并输出针对所述各交通分析小区内出行群体的出行特征数据，可以理解的是，每个TAZ内的出行群体可以是随时变动的，所述出行群体的出行特征可以是综合评估所述出行群体内各出行对象的出行行为后获得的描述所述出行群体在该TAZ内的出行行为对应的出行特征，以出行调查的信息输出要求为准，可以包括出行时间特征、出行距离特征、通勤出行特征和机动化出行相对比例特征等。其中，所述出行时间特征可以包括出行时间中点的分布(例如，一次出行时间中点在0到24点的分布)、出行时长分布(例如，统计一次出行持续的平均时间)和区域间出行时长(例如，各TAZ间一次出行持续的平均时间)。所述出行距离特征可以是对不同TAZ、不同出行方式、不同时间段的出行距离进行分析后得到的特征。所述通勤出行特征可以是分析通勤出行的发生时间、持续时间、出行方式等特征和规律得出的TAZ出行群体的日常出行规律。所述机动化出行相对比例特征(例如，TAZ出行群体出行时采用地铁、公交、出租车和私家车等机动车进行出行时的相对比例)。
可以理解的是，所述交通出行调查数据处理设备可以将所述出行特征数据输出给政府或者交通管理部门，以使政府或交通管理部门可以根据所述出行特征数据对区域的交通规划做出调整或规划。
在本发明实施例中，通过获取多源交通出行调查数据，并对多源交通出行调查数据进行数据分析，获取调查区域的出行调查信息，然后根据交通分析小区的划分数据，生成基于交通分析小区的起讫点出行分布矩阵，最后根据起讫点出行分布矩阵对交通分析小区的出行群体进行出行特征分析，生成并输出针对交通分析小区内出行群体的出行特征数据。通过分析多源交通出行调查数据和交通小区的划分数据获取交通小区内出行群体的出行调查信息，再根据生成的起讫点出行分布矩阵分析交通小区内出行群体的出行特征，增加了数据获取的准确性同时提高了数据获取的覆盖范围及时效性。
请参见图2，为本发明实施例提供了另一种交通出行调查数据处理方法的流程示意图。如图2所示，本发明实施例的所述方法可以包括以下步骤S201-步骤S205。
S201，获取多源交通出行调查数据；
具体的，交通出行调查数据处理设备可以获取多源交通出行调查数据，可以理解的是，所述多源交通出行调查数据可以包括交通支付数据(采用公交车或轨道交通出行时，在上车或下车时采用公交IC卡购买车票的刷卡数据或者采用电子支付方式购买车票的支付数据等)、公交汽车定位数据(公交汽车行驶过程中的定位信息)、轨道交通站点数据(轻轨、地铁等轨道交通线路对应的站点位置信息)、车辆识别数据(例如车牌号码、车辆进出停车场数据等)、出租车定位数据、出租车运营数据(出租车的空载或非空载状态数据)公共自行车定位数据(例如通过GPS或者北斗星等定位技术获得的公共自行车的定位数据)以及公共自行车运营数据(公共自行车被使用时的骑行起始点和骑行时间等数据)等其他可以直接反应居民出行特征的数据。
S202，获取交通分析小区的划分数据；
具体的，所述交通出行调查数据处理设备可以获取交通分析小区的划分数据，可以理解的是，所述交通分析小区的划分数据划分了调查区域的子空间，可以指示所述调查区域被划分成的多个交通分析小区，包括交通分析小区的面域和边界数据。
S203，获取交通网络数据；
具体的，所述交通出行调查数据处理设备可以获取交通网络数据，可以理解的是，所述交通网络数据可以包括调查区域路网数据(例如，调查区域内的所有道路网络数据)和公共交通路网数据(例如，公交汽车路线数据和轨道交通路线数据)。
S204，结合所述多源交通出行调查数据、所述交通网络数据和所述交通分析小区的划分数据，获取所述交通分析小区的出行群体的出行调查信息；
具体的，所述交通出行调查数据处理设备可以结合所述多源交通出行调查数据、所述交通网络数据和所述交通分析小区的划分数据，获取所述交通分析小区的出行群体的出行调查信息，可以理解的是，所述出行调查信息可以包括所述出行群体中各出行对象的出行起讫点、出行时间信息、出行方式以及所述各出行对象的对象属性等信息。
可选的，所述交通出行调查数据处理设备可以根据所述交通支付数据、所述公交汽车定位数据和所述交通分析小区划分数据，获取所述交通分析小区的出行群体基于公共交通方式(即乘坐公交车出行)出行时的上车站点位置和上车时间信息以及下车站点位置和下车时间信息，再结合所述上车站点位置、所述下车站点位置以及所述公共交通线路数据中的公交汽车路线数据，生成所述交通分析小区的出行群体的公交汽车出行信息，并输出各交通分析小区间公交汽车出行人数。
可选的，所述交通出行调查数据处理设备可以根据所述交通支付数据、所述轨道交通站点数据和所述交通分析小区划分数据，获取所述交通分析小区的出行群体基于轨道交通方式出行时的进出站点位置和进出时间信息，再结合所述进出站点位置、所述进出时间信息以及所述公共交通线路数据中的轨道交通线路数据，生成所述交通分析小区的出行群体的轨道交通出行信息，输出各交通分析小区间轨道出行人数。
可选的，所述交通出行调查数据处理设备可以根据所述车辆识别数据识别出入所述交通分析小区的私家车，并根据所述私家车一次出行的起点和终点，识别所述私家车的出行起讫点数据，再根据所述私家车的出行起讫点数据和所述调查区域路网数据生成所述交通分析小区的出行群体的私家车出行信息。
可选的，所述交通出行调查数据处理设备可以根据所述出租车定位数据、所述出租车运营数据，获取所述交通分析小区的出行群体基于出租车方式出行时的起讫点及轨迹数据，再对所述起讫点及轨迹数据和所述调查区域路网数据进行匹配生成所述交通分析小区的出行群体的出租车出行信息，可以理解的是，所述出租车运营数据可以包括出租车载客和非载客时的时间和位置。
可选的，所述交通出行调查数据处理设备可以根据所述公共自行车定位数据、所述公共自行车运营数据，获取所述交通分析小区的出行群体基于公共自行车方式出行时的起讫点及轨迹数据，再对所述起讫点及轨迹数据和所述调查区域路网数据进行匹配生成所述交通分析小区的出行群体的公共自行车出行信息。
S205，根据交通分析小区的划分数据，生成基于所述交通分析小区的起讫点出行分布矩阵；
具体的，所述交通出行调查数据处理设备可以根据交通分析小区的划分数据，生成基于所述交通分析小区的起讫点出行分布矩阵，可以理解的是，利用所述起讫点出行分布矩阵即OD矩阵可以对TAZ中的交通量进行预测，其中，所述OD矩阵的行代表出行，即行号所代表的单个TAZ出行至所有列号代表的TAZ的出行量，整行数字之和为行号代表的TAZ的总出行量；所述OD矩阵的列代表吸引，也就是说所有行号所代表的TAZ至列号代表的单个TAZ出行量，即表示该列号所代表的TAZ吸引各交通TAZ的交通量，整列数字之和为行号代表的TAZ总吸引量。在可选实施了中，根据交通出行方式，所述交通出行调查数据处理设备还可以生成不同出行方式的OD矩阵。
S206，根据所述起讫点出行分布矩阵对所述交通分析小区的出行群体进行出行特征分析，生成并输出针对所述交通分析小区内出行群体的出行特征数据；
具体的，所述交通出行调查数据处理设备生成所述OD矩阵后，可以根据所述OD矩阵对所述交通分析小区的出行群体进行出行特征分析，生成并输出针对所述交通分析小区内出行群体的出行特征数据，可以理解的是，每个TAZ内的出行群体可以是随时变动的，所述出行群体的出行特征可以是综合评估所述出行群体内各出行对象的出行行为后获得的描述所述出行群体在该TAZ内的出行行为对应的出行特征，以出行调查的信息输出要求为准，可以包括出行时间特征、出行距离特征、通勤出行特征和机动化出行相对比例特征等。其中，所述出行时间特征可以包括出行时间中点的分布(例如，一次出行时间中点在0到24点的分布)、出行时长分布(例如，统计一次出行持续的平均时间)和区域间出行时长(例如，各TAZ间一次出行持续的平均时间)。所述出行距离特征可以是对不同TAZ、不同出行方式、不同时间段的出行距离进行分析后得到的特征。所述通勤出行特征可以是分析通勤出行的发生时间、持续时间、出行方式等特征和规律得出的TAZ出行群体的日常出行规律。所述机动化出行相对比例特征(例如，TAZ出行人员出行时采用地铁、公交、出租车和私家车等机动车进行出行时的相对比例)。
可以理解的是，所述交通出行调查数据处理设备可以将所述出行特征数据输出给政府或者交通管理部门，以使政府或交通管理部门可以根据所述出行特征数据对区域的交通规划做出调整或规划。
在本发明实施例一种具体实现方式中，所述结合所述多源交通出行调查数据、所述交通网络数据和交通分析小区的划分数据，获取所述交通分析小区的出行群体的出行调查信息可以包括以下几个步骤，如图3所示：
S301，根据所述交通支付数据、所述公交汽车定位数据和所述交通分析小区划分数据，获取所述交通分析小区的出行群体基于公共交通方式出行时的上车站点位置和上车时间信息以及下车站点位置和下车时间信息；
具体的，所述交通出行调查数据处理设备可以根据所述交通支付数据、所述公交汽车定位数据和所述交通分析小区划分数据，获取所述交通分析小区的出行群体基于公共交通方式出行时的上车站点位置和上车时间信息以及下车站点位置和下车时间信息，可以理解的是，所述交通支付数据可以是所述TAZ中出行群体采用公交汽车出行时，在上车时采用公交IC卡刷卡或采用电子支付方式买票时对应的数据，其中，所述公交IC卡可以是单独使用的专门公交卡，也可以是和银行卡合用的公交卡或者和手机SIM卡放在一起的移动公交卡。
可以理解的是，乘坐公交汽车出行时可以只在上车时刷卡或买票，在下车时不需要再次刷卡，基于此种出行方式所述交通出行调查数据处理设备可以通过出行群体在公交汽车上的上车刷卡数据关联具体的公交汽车，再根据所关联的公交汽车在刷卡时刻的时间点的定位信息可以推出公交刷卡时的上车站点位置，同时可以根据历史公交刷卡数据推断该上车刷卡数据可能对应的下车站点位置，例如，上班族每天的上下班站点是固定的，可以根据历史统计的公交刷卡数据以及本次的上车刷卡数据对应的上车站点推断出可能的下车站点。可以理解的是，乘坐公交汽车出行时也可以在上车和下车时都进行刷卡，基于此种出行方式，所述交通出行调查数据处理设备可以直接根据公交刷卡数据所关联的公交汽车在刷卡时刻的时间点的定位信息，推出公交刷卡时的上车站点位置和下车站点位置。
S302，结合所述上车站点位置、所述下车站点位置以及所述公共交通线路数据中的公交汽车路线数据，生成所述交通分析小区的出行群体的公交汽车出行信息，并输出各交通分析小区间公交汽车出行人数；
具体的，所述交通出行调查数据处理设备可以结合所述上车站点位置、所述下车站点位置以及所述公共交通线路数据中的公交汽车路线数据，生成所述交通分析小区的出行群体的公交汽车出行信息，并输出各交通分析小区间公交汽车出行人数，可以理解的是，所述公共交通出行信息可以是所述交通分析小区内的出行群体乘坐公交汽车出行时所对应的出行信息。例如，通过分析公交汽车的运行路线以及乘客在各个站点的上下车的乘车信息，可以知悉所述交通分析小区内出行群体中各出行对象采用公交汽车出行时的时间、活动的区域范围、经过的站点以及各出行对象年龄、职业、经济水平等属性信息。
S303，根据所述交通支付数据、所述轨道交通站点数据和所述交通分析小区划分数据，获取所述交通分析小区的出行群体基于轨道交通方式出行时的进出站点位置和进出时间信息；
具体的，所述交通出行调查数据处理设备可以根据所述交通支付数据、所述轨道交通站点数据和所述交通分析小区划分数据，获取所述交通分析小区的出行群体基于轨道交通方式出行时的进出站点位置和进出时间信息。
可以理解的是，乘坐轨道交通车辆出行时在上车和下车时都需要进行刷卡，所述交通出行调查数据处理设备只需要根据上下车时的刷卡数据即可以获取出行群体的进出站点的位置和相应的时间。
S304，结合所述进出站点位置、所述进出时间信息以及所述公共交通线路数据中的轨道交通线路数据，生成所述交通分析小区的出行群体的轨道交通出行信息，输出各交通分析小区间轨道出行人数；
具体的，所述交通出行调查数据处理设备可以结合所述进出站点位置、所述进出时间信息以及所述公共交通线路数据中的轨道交通线路数据，生成所述交通分析小区的出行群体的轨道交通出行信息，输出各交通分析小区间轨道出行人数，可以理解的是，所述轨道交通出行信息可以是所述交通分析小区内的出行群体乘坐轨道交通车辆出行时所对应的出行信息。例如，通过分析轨道交通的运行路线以及乘客在各个站点的上下车的乘车信息，可以知悉所述交通分析小区内出行群体中各出行对象采用轨道交通车辆出行时的时间、活动的区域范围、经过的站点以及各出行对象年龄、职业、经济水平等属性信息。
在本发明的具体实施方式中，公共交通车辆的出行也可以穿插公交车和轨道交通，具体可以分为五种乘车模式即[B],[M,M],[B,B],[B,M,M],[M,M,B]，其中[B]为直接公交出行，刷卡一次；[M,M]为直接地铁出行(包括换线情况)，进出站刷卡两次；[B,B]可以根据两次刷卡对应的公交汽车是否为同一辆车分为：一次公交换乘，刷卡两次(只在上车时刷卡)或者直接公交汽车出行(上车和下车都需要数卡)；对应[B,M,M]此次出行是由公交到地铁的换乘，[M,M,B]是由地铁到公交的换乘。针对不同的乘车模式，所述交通数据处理设备可以采用不同的算法获取其对应的出行轨迹数据。例如：
1)将相同编号的公交通刷卡数据合并成一个序列，并按刷卡时间进行排序，得到刷卡序列集合。初始化轨迹集T用来存储提取到的出行轨迹信息。
2)从中提取某一刷卡序列C＝(c1,c2,...,ck)，其中ck为一条公交或地铁刷卡记录，设置临时变量trip存储提取到的轨迹信息，令trip为空，i＝1。
3)如果trip为空将ci直接加入到trip中，否则判断ci与ci-1的时间差是否超过30min，若小于30min则认为是转车，将ci直接加入到trip中，否则认为上一段出行已经结束，新的出行发生，转向4。
4)如果trip中第一个元素为地铁刷卡数据，且ci-1也为地铁刷卡数据，则为[M,M]乘车模式，则直接将trip加入到T中，并将trip置空后并把加入ci加到其中；如果trip中第一个元素为地铁刷卡，且ci-1为公交刷卡数据，且ci也为公交刷卡数据，则认为ci对应以ci-1为公交上车点的下车点，为[M,M,B]乘车模式，将ci加入到trip中，再将trip加入到T中后置空；如果trip中只有一个元素为公交刷卡数据，且ci也为公交刷卡数据，则认为ci对应以ci-1为公交上车点的下车点，为[B]乘车模式，将ci加入到trip中，再将trip加入到T中后置空；如果trip中有两个元素，且均为公交刷卡数据，且ci也为公交刷卡数据，则认为ci对应以ci-1为公交上车点的下车点，为[B,B]乘车模式，将ci加入到trip中，再将trip加入到T中后置空；如果trip中第一个元素为公交刷卡数据，且ci-1为地铁刷卡数据，则为[B,M,M]乘车模式，则直接将trip加入到T中，并将trip置空后并把加入ci加到其中；i++，转向5。
5)若i<＝k，转向3，否则转向6。
6)若刷卡序列集合中所有刷卡序列都处理完毕，则公共交通出行轨迹集提取结束，否则转向2。
在本发明实施例中，根据公交汽车和轨道交通车辆两种公共交通车辆不同的出行模式，分别获取公共交通车辆的上下车站点信息，增加了获取公共交通出行调查信息的准确性。
在本发明实施例一种具体实现方式中，所述结合所述多源交通出行调查数据、所述交通网络数据和交通分析小区的划分数据，获取所述交通分析小区的出行群体的出行调查信息可以包括以下几个步骤，如图4所示：
S401，根据所述车辆识别数据识别出入所述交通分析小区的私家车，并根据所述私家车一次出行的起点和终点，识别所述私家车的出行起讫点数据；
具体的，所述交通出行调查数据处理设备可以根据所述车辆识别数据识别出入所述交通分析小区的私家车，可以理解的是，所述车辆识别数据可以是私家车的车牌号或者其他可以唯一区别私家车的标识信息，也可以是私家车进出停车场时的停车场卡口数据(包括停车场类型或者车辆停放的起始时刻等数据)，所述交通出行调查数据处理设备可以根据车辆所在的停车场类型(特别是车辆夜间所在的停车场类型)识别出该车辆是否为私家车。
进一步的，所述交通出行调查数据处理设备可以根据所述私家车一次出行的起点和终点，识别所述私家车的出行起讫点数据，可以理解的是，车辆一次出行的起点和终点可以通过匹配该车辆在不同停车场的卡口数据和卡口数据对应的时间进行确定，例如，早上8点对应A停车场的卡口数据，晚上7点对应停车场B的卡口数据，而停车场B为住宅区停车场，则认为该车辆为私家车，其一天出行的起点是A停车场，终点可以认为是B停车场。所述出行起讫点数据可以包括一次出行时的起点时间、起点位置、终点时间和终点位置等数据。
S402，根据所述私家车的出行起讫点数据和所述调查区域路网数据生成所述交通分析小区的出行群体的私家车出行信息；
具体的，所述交通出行调查数据处理设备获取所述私家车的出行起讫点数据后，可以结合所述调查区域路网数据生成所述交通分析小区的出行群体的私家车出行信息，可以理解的是，所述调查区域路网数据可以是一个调查区域(例如，一个城市)内的所有道路网络数据。
在可选实施例中，所述交通出行调查数据处理设备可以根据私家车的出行起讫点数据以及调查区域路网数据还原出TAZ内各出行对象乘坐私家车出行时的出行信息，例如，乘坐私家车出行时的时间、活动的区域范围、以及各出行对象年龄、职业、经济水平等属性信息。
在本发明实施例一种具体实现方式中，所述结合所述多源交通出行调查数据、所述交通网络数据和交通分析小区的划分数据，获取所述交通分析小区的出行群体的出行调查信息可以包括以下几个步骤，如图5所示：
S501，根据所述出租车定位数据、所述出租车运营数据，获取所述交通分析小区的出行群体基于出租车方式出行时的起讫点及轨迹数据；
具体的，所述交通出行调查数据处理设备可以根据所述出租车定位数据、所述出租车运营数据，获取所述交通分析小区的出行群体基于出租车方式出行时的起讫点及轨迹数据，可以理解的是，所述出租车运营数据可以包括出租车载客和非载客时的时间和位置，所述出租车定位数据可以是出租车在运行时的卫星定位信息，所述出租车的轨迹数据可以指示出租车在载客状态时的运行轨迹。
在可选实施例中，所述交通出行调查数据处理设备可以获取出租车的历史载客状态数据集合，并根据所述历史载客状态数据集合中空载状态与非空载状态间的转变，确定出租车的载客时间段和载客时的运行路线等。例如：出租车载客状态始终由连续的空载(0)或者载客状态(1)交替组成，假定出租车一次处于连续载客状态时的出行轨迹为一次有意义的出行，载客状态从0转换为1时为一次出行轨迹的起始点，从1转为0时表示该次出行结束。依据此种假设将每辆出租车的轨迹进行有效的轨迹分割，得到每一次有效出租车出行轨迹如下式所示：Ti＝(carIdi,STi,ETi,Ni)，Ni＝(ni1,ni2,...,nik)，其中carIdi为该次出行的出租车编号，STi和ETi分别为该次出行轨迹的起始时间和结束时间，Ni为轨迹经过的路网路段编号集合。
在本发明实施例中，根据出租车的载客状态的变化确定出租车的有效运营数据，增加了获取出租车轨迹数据的准确性。
S502，对所述起讫点及轨迹数据和所述调查区域路网数据进行匹配生成所述交通分析小区的出行群体的出租车出行信息；
具体的，所述交通出行调查数据处理设备可以采用路网匹配算法对所述起讫点及轨迹数据和所述调查区域路网数据进行匹配生成所述交通分析小区的出行群体的出租车出行信息，例如，获取出行群体中出行对象乘坐出租车的时间段和所经过的路段等信息。
在本发明实施例一种具体实现方式中，所述结合所述多源交通出行调查数据、所述交通网络数据和交通分析小区的划分数据，获取所述交通分析小区的出行群体的出行调查信息可以包括以下几个步骤，如图6所示：
S601，根据所述公共自行车定位数据、所述公共自行车运营数据，获取所述交通分析小区的出行群体基于公共自行车方式出行时的起讫点及轨迹数据；
具体的，所述交通出行调查数据处理设备可以根据所述公共自行车定位数据、所述公共自行车运营数据，获取所述交通分析小区的出行群体基于公共自行车方式出行时的起讫点及轨迹数据，可以理解的是，所述公共自行车定位数据可以是公共自行车的定位模块所获得的GPS信息，所述公共自行车运营数据可以是公共自行车被使用时的骑行起始点和骑行时间等数据。
S602，对所述起讫点及轨迹数据和所述调查区域路网数据进行匹配生成所述交通分析小区的出行群体的公共自行车出行信息；
具体的，所述交通出行调查数据处理设备可以采用路网匹配算法对所述起讫点及轨迹数据和所述调查区域路网数据进行匹配，生成所述交通分析小区的出行群体的公共自行车出行信息。例如，获取出行群体中出行对象通过公共自行车出行的时间段和所经过的路段、出行对象的年龄段、职业、经济水平等信息。
在本发明实施例中，通过获取多源交通出行调查数据，并对多源交通出行调查数据进行数据分析，获取调查区域的出行信息，然后根据交通分析小区的划分数据，生成基于交通分析小区的起讫点出行分布矩阵，最后根据起讫点出行分布矩阵对交通分析小区的出行群体进行出行特征分析，生成并输出针对交通分析小区内出行群体的出行特征数据。通过分析多源交通出行调查数据和交通小区的划分数据获取交通小区内出行群体的出行调查信息，再根据生成的起讫点出行分布矩阵分析交通小区内出行群体的出行特征，增加了数据获取的准确性同时提高了数据获取的覆盖范围及时效性；根据公交汽车和轨道交通车辆两种公共交通车辆不同的出行模式，分别获取公共交通车辆的上下车站点信息，增加了获取公共交通出行信息的准确性；根据出租车的载客状态的变化确定出租车的有效运营数据，增加了获取出租车轨迹数据的准确性。
请参见图7，为本发明实施例提供了另一种交通出行调查数据处理方法的流程示意图。如图7所示，本发明实施例的所述方法可以包括以下步骤S701-步骤S703。
S701，获取至少一个道路监测点的道路截面车辆识别数据；
可以理解的是，所述交通出行调查数据处理设备可以获取交通分析小区的出行人员的交通数据，并对其进行特征分析，也可以只针对不同道路中各类型机动车的出行比例进行分析。
具体的，所述交通出行调查数据处理设备可以获取至少一个道路监测点的道路截面车辆识别数据，可以理解的是，所述道路截面车辆识别数据可以包括在预设检测时间内(例如，1h或2h等)经过所述道路截面的机动车的车辆标识以及统计车流量，所述车辆标识可以是机动车的车牌号，所述统计车流量可以是在所述预设时间段内所统计的经过所述道路监测点的机动车的数量。
S702，根据所述车辆标识数据获取经过所述道路截面的机动车的类型，并基于所述统计车流量和经过所述道路截面的机动车的类型获取经过所述道路截面的公交汽车、私家车以及出租车的比例数据；
可以理解的是，不同类型的机动车的车牌和车型是不一样的，可以根据车牌颜色、车型等信息识别不同类型的车辆，例如，公交车有中型或大型客车车型，公交车牌是黄色车牌，私家车或出租车是蓝色车牌，但出租车多了一副出租车牌。具体的，所述交通出行调查数据处理设备可以根据所述车辆标识数据获取经过所述道路监测点截面的机动车的类型，例如，通过识别车牌和车型确定经过的机动车的类型。实行电子车牌后，所述车辆类型信息可以直接通过电子车牌信息获得。进一步的，所述交通出行调查数据处理设备可以基于所述统计车流量和经过所述道路截面的机动车的类型获取经过所述道路截面的公交汽车、私家车以及出租车的出行比例数据，例如，1h内经过所述道路截面的机动车的总数量为100辆，其中，出租车由30辆，私家车50辆，公交汽车20辆，则三种类型机动车的出行比例数据分别为30％、50％和20％。可以理解的是，所述交通出行调查数据处理设备可以将所述出行比例数据输出给政府或者交通管理部门，以便后续的道路规划等项目的实施。
S703，根据公交汽车出行人数、轨道出行人数以及私家车、出租车和公共自行车出行次数，并基于私家车合乘系数、出租车出行合乘系数以及公共自行车使用比例，输出各种交通方式出行比例数据；
具体的，所述交通出行调查数据处理设备可以根据公交汽车出行人数、轨道出行人数以及私家车、出租车和公共自行车出行次数，并基于私家车合乘系数、出租车出行合乘系数以及公共自行车使用比例，输出各种交通方式出行比例数据。可以理解的是，所述私家车合乘系数和所述出租车合乘系数可以是所述出行群体中出行对象一起乘坐私家车或一起乘坐出租车时的比例系数。
在本发明实施例中，通过对道路截面中道路截面车辆识别数据和车辆标识的关联分析，得到经过道路截面的各类型车辆的出行比例数据，增加了对多源交通出行调查数据分析的多样性。
在本发明实施例中，通过获取多源交通出行调查数据，并对多源交通出行调查数据进行数据分析，获取调查区域的出行调查信息，然后根据交通分析小区的划分数据，生成基于交通分析小区的起讫点出行分布矩阵，最后根据起讫点出行分布矩阵对交通分析小区的出行群体进行出行特征分析，生成并输出针对交通分析小区内出行群体的出行特征数据。通过分析多源交通出行调查数据和交通小区的划分数据获取交通小区内出行群体的出行调查信息，再根据生成的起讫点出行分布矩阵分析交通小区内出行群体的出行特征，增加了数据获取的准确性同时提高了数据获取的覆盖范围及时效性；通过对道路截面中道路截面车辆识别数据和车辆标识的关联分析，得到经过道路截面的各类型车辆的出行比例数据，增加了对多源交通出行调查数据分析的多样性。
下面将结合附图8-附图14，对本发明实施例提供的交通出行调查数据处理设备进行详细介绍。需要说明的是，附图8-附图14所示的设备，用于执行本发明图1-图7所示实施例的方法，为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明图1-图7所示的实施例。
请参见图8，为本发明实施例提供了一种交通出行调查数据处理设备的结构示意图。如图8所示，本发明实施例的所述交通出行调查数据处理设备1可以包括：数据获取模块11、信息获取模块12、矩阵生成模块13和特征分析模块14。
数据获取模块11，用于获取多源交通出行调查数据；
具体实现中，数据获取模块11可以获取多源交通出行调查数据，可以理解的是，所述多源交通出行调查数据可以包括交通支付数据(采用公交车或轨道交通出行时，在上车或下车时采用公交IC卡购买车票的刷卡数据或者采用电子支付方式购买车票的支付数据等)、公交汽车定位数据(公交汽车行驶过程中的定位信息)、轨道交通站点数据(轻轨、地铁等轨道线路对应的站点位置信息)、车辆识别数据(例如车牌号码、车辆进出停车场数据等)、出租车定位数据、出租车运营数据(出租车的空载或非空载状态数据)公共自行车定位数据(例如通过GPS或者北斗星等定位技术获得的公共自行车的定位数据)以及公共自行车运营数据(公共自行车被使用时的骑行起始点和骑行时间等数据)等其他可以直接反应居民出行特征的数据。
信息获取模块12，用于对所述多源交通出行调查数据进行分析，获取调查区域的出行调查信息；
具体实现中，信息获取模块12可以对所述多源交通出行调查数据进行分析，获取调查区域的出行调查信息，可以理解的是，所述调查区域可以覆盖一个或多个城市，可以包括至少两个交通分析小区TAZ，所述TAZ可以是交通规划模型中的最小地理单位，可以是由政府或交通规划部门根据相关交通数据(特别是工作信息)划分的区域。所述出行调查信息包括所述调查区域内出行群体中各出行对象的出行起讫点、出行时间信息、出行方式以及所述各出行对象的对象属性。
矩阵生成模块13，用于根据交通分析小区的划分数据，生成基于所述交通分析小区的起讫点出行分布矩阵；
具体实现中，矩阵生成模块13可以基于根据交通分析小区的划分数据，生成基于所述交通分析小区的起讫点出行分布矩阵，可以理解的是，利用所述交通起始点矩阵即(OD矩阵)可以对TAZ中的交通量进行预测，其中，所述OD矩阵的行代表出行，即行号所代表的单个TAZ出行至所有列号代表的TAZ的出行量，整行数字之和为行号代表的TAZ的总出行量；所述OD矩阵的列代表吸引，也就是说所有行号所代表的TAZ至列号代表的单个TAZ出行量，即表示该列号所代表的TAZ吸引各交通TAZ的交通量，整列数字之和为行号代表的TAZ总吸引量。在可选实施了中，根据交通出行方式，所述矩阵生成模块13还可以生成不同出行方式的OD矩阵。
特征分析模块14，用于根据所述起讫点出行分布矩阵对所述交通分析小区的出行群体进行出行特征分析，生成并输出针对所述交通分析小区内出行群体的出行特征数据；
具体实现中，所述矩阵生成模块13生成所述OD矩阵后，特征分析模块14可以根据所述OD矩阵对所述交通分析小区的出行群体进行出行特征分析，生成并输出针对所述各交通分析小区内出行群体的出行特征数据，可以理解的是，每个TAZ内的出行群体可以是随时变动的，所述出行群体的出行特征可以是综合评估所述出行群体内各出行对象的出行行为后获得的描述所述出行群体在该TAZ内的出行行为对应的出行特征，以出行调查的信息输出要求为准，可以包括出行时间特征、出行距离特征、通勤出行特征和机动化出行相对比例特征等。其中，所述出行时间特征可以包括出行时间中点的分布(例如，一次出行时间中点在0到24点的分布)、出行时长分布(例如，统计一次出行持续的平均时间)和区域间出行时长(例如，各TAZ间一次出行持续的平均时间)。所述出行距离特征可以是对不同TAZ、不同出行方式、不同时间段的出行距离进行分析后得到的特征。所述通勤出行特征可以是分析通勤出行的发生时间、持续时间、出行方式等特征和规律得出的TAZ出行群体的日常出行规律。所述机动化出行相对比例特征(例如，TAZ出行群体出行时采用地铁、公交、出租车和私家车等机动车进行出行时的相对比例)。
可以理解的是，所述特征分析模块14可以将所述出行特征数据输出给政府或者交通管理部门，以使政府或交通管理部门可以根据所述出行特征数据对区域的交通规划做出调整或规划。
在本发明实施例中，通过获取多源交通出行调查数据，并对多源交通出行调查数据进行数据分析，获取调查区域的出行调查信息，然后根据交通分析小区的划分数据，生成基于交通分析小区的起讫点出行分布矩阵，最后根据起讫点出行分布矩阵对交通分析小区的出行群体进行出行特征分析，生成并输出针对交通分析小区内出行群体的出行特征数据。通过分析多源交通出行调查数据和交通小区的划分数据获取交通小区内出行群体的出行调查信息，再根据生成的起讫点出行分布矩阵分析交通小区内出行群体的出行特征，增加了数据获取的准确性同时提高了数据获取的覆盖范围及时效性。
在本发明实施例提供的另一种实现方式中，还可以参见图8所示的交通出行调查数据处理设备1，包括：数据获取模块11、信息获取模块12、矩阵生成模块13和特征分析模块14。
数据获取模块11，用于获取多源交通出行调查数据；
具体实现中，数据获取模块11可以多源交通出行调查数据，可以理解的是，所述多源交通出行调查数据可以包括交通支付数据(采用公交车或轨道交通出行时，在上车或下车时采用公交IC卡购买车票的刷卡数据或者采用电子支付方式购买车票的支付数据等)、公交汽车定位数据(公交汽车行驶过程中的定位信息)、轨道交通站点数据(轻轨、地铁等轨道线路对应的站点位置信息)、车辆识别数据(例如车牌号码、车辆进出停车场数据等)、出租车定位数据、出租车运营数据(出租车的空载或非空载状态数据)公共自行车定位数据(例如通过GPS或者北斗星等定位技术获得的公共自行车的定位数据)以及公共自行车运营数据(公共自行车被使用时的骑行起始点和骑行时间等数据)等其他可以直接反应居民出行特征的数据。
信息获取模块12，用于对所述多源交通出行调查数据进行分析，获取调查区域的出行调查信息；
具体实现中，信息获取模块12可以对所述多源交通出行调查数据进行分析，获取调查区域的出行调查信息。
请一并参考图9，为本发明实施例提供了信息获取模块的结构示意图。如图9所示，所述信息获取模块12可以包括：
小区数据获取单元121，用于获取交通分析小区的划分数据，所述交通分析小区的划分数据划分了调查区域的子空间；
具体实现中，小区数据获取单元121可以获取交通分析小区的划分数据，可以理解的是，所述交通分析小区的划分数据划分了调查区域的子空间，可以指示所述调查区域被划分成的多个交通分析小区，包括交通分析小区的面域和边界数据。
交通数据获取单元122，用于获取交通网络数据；
具体实现中，交通数据获取单元122可以获取交通网络数据，可以理解的是，所述交通网络数据可以包括调查区域路网数据(例如，调查区域内的所有道路网络数据)和公共交通路网数据(例如，公交汽车路线数据和轨道交通路线数据)。
信息获取单元123，用于结合所述多源交通出行调查数据、所述交通网络数据和所述交通分析小区的划分数据，获取所述交通小区的出行群体的出行调查信息；
具体实现中，信息获取单元123可以结合所述多源交通出行调查数据、所述交通网络数据和所述交通分析小区的划分数据，获取所述交通分析小区的出行群体的出行调查信息，可以理解的是，所述出行调查信息可以包括所述出行群体中各出行对象的出行起讫点、出行时间信息、出行方式以及所述各出行对象的对象属性等信息。
可选的，所述信息获取单元123可以根据所述交通支付数据、所述公交汽车定位数据和所述交通分析小区划分数据，获取所述交通分析小区的出行群体基于公共交通方式(即乘坐公交车出行)出行时的上车站点位置和上车时间信息以及下车站点位置和下车时间信息，再结合所述上车站点位置、所述下车站点位置以及所述公共交通线路数据中的公交汽车路线数据，生成所述交通分析小区的出行群体的公交汽车出行信息，并输出各交通分析小区间公交汽车出行人数。
可选的，所述信息获取单元123可以根据所述交通支付数据、所述轨道交通站点数据和所述交通分析小区划分数据，获取所述交通分析小区的出行群体基于轨道交通方式出行时的进出站点位置和进出时间信息，再结合所述进出站点位置、所述进出时间信息以及所述公共交通线路数据中的轨道交通线路数据，生成所述交通分析小区的出行群体的轨道交通出行信息，输出各交通分析小区间轨道出行人数。
可选的，所述信息获取单元123可以根据所述车辆识别数据识别出入所述交通分析小区的私家车，并根据所述私家车一次出行的起点和终点，识别所述私家车的出行起讫点数据，再根据所述私家车的出行起讫点数据和所述调查区域路网数据生成所述交通分析小区的出行群体的私家车出行信息。
可选的，所述信息获取单元123可以根据所述出租车定位数据、所述出租车运营数据，获取所述交通分析小区的出行群体基于出租车方式出行时的起讫点及轨迹数据，再对所述起讫点及轨迹数据和所述调查区域路网数据进行匹配生成所述交通分析小区的出行群体的出租车出行信息，可以理解的是，所述出租车运营数据可以包括出租车载客和非载客时的时间和位置。
可选的，所述信息获取单元123可以根据所述公共自行车定位数据、所述公共自行车运营数据，获取所述交通分析小区的出行群体基于公共自行车方式出行时的起讫点及轨迹数据，再对所述起讫点及轨迹数据和所述调查区域路网数据进行匹配生成所述交通分析小区的出行群体的公共自行车出行信息。
矩阵生成模块13，用于根据交通分析小区的划分数据，生成基于所述交通分析小区的起讫点出行分布矩阵；
具体实现中，矩阵生成模块13可以根据交通分析小区的划分数据，生成基于所述交通分析小区的起讫点出行分布矩阵，可以理解的是，利用所述起讫点出行分布矩阵即OD矩阵可以对TAZ中的交通量进行预测，其中，所述OD矩阵的行代表出行，即行号所代表的单个TAZ出行至所有列号代表的TAZ的出行量，整行数字之和为行号代表的TAZ的总出行量；所述OD矩阵的列代表吸引，也就是说所有行号所代表的TAZ至列号代表的单个TAZ出行量，即表示该列号所代表的TAZ吸引各交通TAZ的交通量，整列数字之和为行号代表的TAZ总吸引量。在可选实施了中，根据交通出行方式，所述矩阵生成模块13还可以生成不同出行方式的OD矩阵。
特征分析模块14，用于根据所述起讫点出行分布对所述各交通分析小区的出行群体进行出行特征分析，生成并输出针对所述交通分析小区内出行群体的出行特征数据；
具体实现中，所述矩阵生成模块13生成所述OD矩阵后，特征分析模块14可以根据所述OD矩阵对所述交通分析小区的出行群体进行出行特征分析，生成并输出针对所述交通分析小区内出行群体的出行特征数据，可以理解的是，每个TAZ内的出行群体可以是随时变动的，所述出行群体的出行特征可以是综合评估所述出行群体内各出行对象的出行行为后获得的描述所述出行群体在该TAZ内的出行行为对应的出行特征，以出行调查的信息输出要求为准，可以包括出行时间特征、出行距离特征、通勤出行特征和机动化出行相对比例特征等。其中，所述出行时间特征可以包括出行时间中点的分布(例如，一次出行时间中点在0到24点的分布)、出行时长分布(例如，统计一次出行持续的平均时间)和区域间出行时长(例如，各TAZ间一次出行持续的平均时间)。所述出行距离特征可以是对不同TAZ、不同出行方式、不同时间段的出行距离进行分析后得到的特征。所述通勤出行特征可以是分析通勤出行的发生时间、持续时间、出行方式等特征和规律得出的TAZ出行群体的日常出行规律。所述机动化出行相对比例特征(例如，TAZ出行人员出行时采用地铁、公交、出租车和私家车等机动车进行出行时的相对比例)。
可以理解的是，所述特征分析模块14可以将所述出行特征数据输出给政府或者交通管理部门，以使政府或交通管理部门可以根据所述出行特征数据对区域的交通规划做出调整或规划。
在本发明实施例一种具体实现方式中，所述信息获取单元123可以包括以下子单元，如图10所示：
公交信息确定子单元1230，用于根据所述交通支付数据、所述公交汽车定位数据和所述交通分析小区划分数据，获取所述交通分析小区的出行群体基于公共交通方式出行时的上车站点位置和上车时间信息以及下车站点位置和下车时间信息；
具体实现中，公交信息确定子单元1230可以根据所述交通支付数据、所述公交汽车定位数据和所述交通分析小区划分数据，获取所述交通分析小区的出行群体基于公共交通方式出行时的上车站点位置和上车时间信息以及下车站点位置和下车时间信息，可以理解的是，所述交通支付数据可以是所述TAZ中出行群体采用公交汽车出行时，在上车时采用公交IC卡刷卡或采用电子支付方式买票时对应的数据，其中，所述公交IC卡可以是单独使用的专门公交卡，也可以是和银行卡合用的公交卡或者和手机SIM卡放在一起的移动公交卡。
可以理解的是，乘坐公交汽车出行时可以只在上车时刷卡或买票，在下车时不需要再次刷卡，基于此种出行方式所述公交信息确定子单元1230可以通过出行群体在公交汽车上的上车刷卡数据关联具体的公交汽车，再根据所关联的公交汽车在刷卡时刻的时间点的定位信息可以推出公交刷卡时的上车站点位置，同时可以根据历史公交刷卡数据推断该上车刷卡数据可能对应的下车站点位置，例如，上班族每天的上下班站点是固定的，可以根据历史统计的公交刷卡数据以及本次的上车刷卡数据对应的上车站点推断出可能的下车站点。可以理解的是，乘坐公交汽车出行时也可以在上车和下车时都进行刷卡，基于此种出行方式，所述公交信息确定子单元1230可以直接根据公交刷卡数据所关联的公交汽车在刷卡时刻的时间点的定位信息，推出公交刷卡时的上车站点位置和下车站点位置。
公交信息生成子单元1231，用于结合所述上车站点位置、所述下车站点位置以及所述公共交通线路数据中的公交汽车路线数据，生成所述交通分析小区的出行群体的公交汽车出行信息，并输出各交通分析小区间公交汽车出行人数；
具体实现中，公交信息生成子单元1231可以结合所述上车站点位置、所述下车站点位置以及所述公共交通线路数据中的公交汽车路线数据，生成所述交通分析小区的出行群体的公交汽车出行信息，并输出各交通分析小区间公交汽车出行人数，可以理解的是，所述公共交通出行信息可以是所述交通分析小区内的出行群体乘坐公交汽车出行时所对应的出行信息。例如，通过分析公交汽车的运行路线以及乘客在各个站点的上下车的乘车信息，可以知悉所述交通分析小区内出行群体中各出行对象采用公交汽车出行时的时间、活动的区域范围、经过的站点以及各出行对象年龄、职业、经济水平等属性信息。
轨道信息确定子单元1232，用于根据所述交通支付数据、所述轨道交通站点数据和所述交通分析小区划分数据，获取所述交通分析小区的出行群体基于轨道交通方式出行时的进出站点位置和进出时间信息；
具体实现中，轨道信息确定子单元1232可以根据所述交通支付数据、所述轨道交通站点数据和所述交通分析小区划分数据，获取所述交通分析小区的出行群体基于轨道交通方式出行时的进出站点位置和进出时间信息。
可以理解的是，乘坐轨道交通车辆出行时在上车和下车时都需要进行刷卡，所述轨道信息确定子单元1232只需要根据上下车时的刷卡数据即可以获取出行群体的进出站点的位置和相应的时间。
轨道信息生成子单元1233，用于结合所述进出站点位置、所述进出时间信息以及所述公共交通线路数据中的轨道交通线路数据，生成所述交通分析小区的出行群体的轨道交通出行信息，输出各交通分析小区间轨道出行人数；
具体实现中，轨道信息生成子单元1233可以结合所述进出站点位置、所述进出时间信息以及所述公共交通线路数据中的轨道交通线路数据，生成所述交通分析小区的出行群体的轨道交通出行信息，输出各交通分析小区间轨道出行人数，可以理解的是，所述轨道交通出行信息可以是所述交通分析小区内的出行群体乘坐轨道交通车辆出行时所对应的出行信息。例如，通过分析轨道交通的运行路线以及乘客在各个站点的上下车的乘车信息，可以知悉所述交通分析小区内出行群体中各出行对象采用轨道交通车辆出行时的时间、活动的区域范围、经过的站点以及各出行对象年龄、职业、经济水平等属性信息。
在本发明的具体实施方式中，公共交通车辆的出行也可以穿插公交车和轨道交通，具体可以分为五种乘车模式即[B],[M,M],[B,B],[B,M,M],[M,M,B]，其中[B]为直接公交出行，刷卡一次；[M,M]为直接地铁出行(包括换线情况)，进出站刷卡两次；[B,B]可以根据两次刷卡对应的公交汽车是否为同一辆车分为：一次公交换乘，刷卡两次(只在上车时刷卡)或者直接公交汽车出行(上车和下车都需要数卡)；对应[B,M,M]此次出行是由公交到地铁的换乘，[M,M,B]是由地铁到公交的换乘。针对不同的乘车模式，所述交通数据处理设备可以采用不同的算法获取其对应的出行轨迹数据。例如：
1)将相同编号的公交通刷卡数据合并成一个序列，并按刷卡时间进行排序，得到刷卡序列集合。初始化轨迹集T用来存储提取到的出行轨迹信息。
2)从中提取某一刷卡序列C＝(c1,c2,...,ck)，其中ck为一条公交或地铁刷卡记录，设置临时变量trip存储提取到的轨迹信息，令trip为空，i＝1。
3)如果trip为空将ci直接加入到trip中，否则判断ci与ci-1的时间差是否超过30min，若小于30min则认为是转车，将ci直接加入到trip中，否则认为上一段出行已经结束，新的出行发生，转向4。
4)如果trip中第一个元素为地铁刷卡数据，且ci-1也为地铁刷卡数据，则为[M,M]乘车模式，则直接将trip加入到T中，并将trip置空后并把加入ci加到其中；如果trip中第一个元素为地铁刷卡，且ci-1为公交刷卡数据，且ci也为公交刷卡数据，则认为ci对应以ci-1为公交上车点的下车点，为[M,M,B]乘车模式，将ci加入到trip中，再将trip加入到T中后置空；如果trip中只有一个元素为公交刷卡数据，且ci也为公交刷卡数据，则认为ci对应以ci-1为公交上车点的下车点，为[B]乘车模式，将ci加入到trip中，再将trip加入到T中后置空；如果trip中有两个元素，且均为公交刷卡数据，且ci也为公交刷卡数据，则认为ci对应以ci-1为公交上车点的下车点，为[B,B]乘车模式，将ci加入到trip中，再将trip加入到T中后置空；如果trip中第一个元素为公交刷卡数据，且ci-1为地铁刷卡数据，则为[B,M,M]乘车模式，则直接将trip加入到T中，并将trip置空后并把加入ci加到其中；i++，转向5。
5)若i<＝k，转向3，否则转向6。
6)若刷卡序列集合中所有刷卡序列都处理完毕，则公共交通出行轨迹集提取结束，否则转向2。
在本发明实施例中，根据公交汽车和轨道交通车辆两种公共交通车辆不同的出行模式，分别获取公共交通车辆的上下车站点信息，增加了获取公共交通出行信息的准确性。
在本发明实施例一种具体实现方式中，所述信息获取单元123可以包括以下子单元，如图11所示：
私家车数据获取子单元1234，用于根据所述车辆识别数据识别出入所述交通分析小区的私家车，并根据所述私家车一次出行的起点和终点，识别所述私家车的出行起讫点数据；
具体实现中，私家车数据获取子单元1234可以根据所述车辆识别数据识别出入所述交通分析小区的私家车，可以理解的是，所述车辆识别数据可以是私家车的车牌号或者其他可以唯一区别私家车的标识信息，也可以是私家车进出停车场时的停车场卡口数据(包括停车场类型或者车辆停放的起始时刻等数据)，所述交通出行调查数据处理设备可以根据车辆所在的停车场类型(特别是车辆夜间所在的停车场类型)识别出该车辆是否为私家车。
进一步的，所述私家车数据获取子单元1234可以根据所述私家车一次出行的起点和终点，识别所述私家车的出行起讫点数据，可以理解的是，车辆一次出行的起点和终点可以通过匹配该车辆在不同停车场的卡口数据和卡口数据对应的时间进行确定，例如，早上8点对应A停车场的卡口数据，晚上7点对应停车场B的卡口数据，而停车场B为住宅区停车场，则认为该车辆为私家车，某一天出行的起点是A停车场，终点可以认为是B停车场。所述出行起讫点数据可以包括一次出行时的起点时间、起点位置、终点时间和终点位置等数据。
私家车信息生成子单元1235，用于根据所述私家车的出行起讫点数据和所述调查区域路网数据生成所述交通分析小区的出行群体的私家车出行信息；
具体实现中，所述私家车数据获取子单元1234获取所述私家车的出行起讫点数据后，私家车信息生成子单元1235可以结合所述调查区域路网数据生成所述交通分析小区的出行群体的私家车出行信息，可以理解的是，所述调查区域路网数据可以是一个调查区域(例如，一个城市)内的所有道路网络数据。
在可选实施例中，所述私家车信息生成子单元1235可以根据私家车的出行起讫点数据以及调查区域路网数据还原出TAZ内各出行对象乘坐私家车出行时的出行信息，例如，乘坐私家车出行时的时间、活动的区域范围、以及各出行对象年龄、职业、经济水平等属性信息。
在本发明实施例一种具体实现方式中，所述信息获取单元123可以包括以下子单元，如图12所示：
出租车数据获取子单元1236，用于根据所述出租车定位数据、所述出租车运营数据，获取所述交通分析小区的出行群体基于出租车方式出行时的起讫点及轨迹数据；
具体实现中，出租车数据获取子单元1236可以根据所述出租车定位数据、所述出租车运营数据，获取所述交通分析小区的出行群体基于出租车方式出行时的起讫点及轨迹数据，可以理解的是，所述出租车运营数据可以包括出租车载客和非载客时的时间和位置，所述出租车定位数据可以是出租车在运行时的定位定位信息，所述出租车的轨迹数据可以指示出租车在载客状态时的运行轨迹。
在可选实施例中，所述交通出行调查数据处理设备1可以获取出租车的历史载客状态数据集合，并根据所述历史载客状态数据集合中空载状态与非空载状态间的转变，确定出租车的载客时间段和载客时的运行路线等。例如：出租车载客状态始终由连续的空载(0)或者载客状态(1)交替组成，假定出租车一次处于连续载客状态时的出行轨迹为一次有意义的出行，载客状态从0转换为1时为一次出行轨迹的起始点，从1转为0时表示该次出行结束。依据此种假设将每辆出租车的轨迹进行有效的轨迹分割，得到每一次有效出租车出行轨迹如下式所示：Ti＝(carIdi,STi,ETi,Ni)，Ni＝(ni1,ni2,...,nik)，其中carIdi为该次出行的出租车编号，STi和ETi分别为该次出行轨迹的起始时间和结束时间，Ni为轨迹经过的路网路段编号集合。
在本发明实施例中，根据出租车的载客状态的变化确定出租车的有效运营数据，增加了获取出租车轨迹数据的准确性。
出租车信息生成子单元1237，用于对所述起讫点及轨迹数据和所述调查区域路网数据进行匹配生成所述交通分析小区的出行群体的出租车出行信息；
具体实现中，出租车信息生成子单元1237可以采用路网匹配算法对所述起讫点及轨迹数据和所述调查区域路网数据进行匹配生成所述交通分析小区的出行群体的出租车出行信息，例如，获取出行群体中出行对象乘坐出租车的时间段和所经过的路段等信息。
在本发明实施例一种具体实现方式中，所述信息获取单元123可以包括以下子单元，如图13所示：
自行车数据获取子单元1238，用于获取根据所述公共自行车定位数据、所述公共自行车运营数据，获取所述交通分析小区的出行群体基于公共自行车方式出行时的起讫点及轨迹数据；
具体实现中，自行车数据获取子单元1238可以根据所述公共自行车定位数据、所述公共自行车运营数据，获取所述交通分析小区的出行群体基于公共自行车方式出行时的起讫点及轨迹数据，可以理解的是，所述公共自行车定位数据可以是公共自行车的定位模块所获得的GPS信息，所述公共自行车运营数据可以是公共自行车被使用时的骑行起始点和骑行时间等数据。
自行车信息生成子单元1239，用于对所述起讫点及轨迹数据和所述调查区域路网数据进行匹配生成所述交通分析小区的出行群体的公共自行车出行信息；
具体实现中，自行车信息生成子单元1239可以采用路网匹配算法对所述起讫点及轨迹数据和所述调查区域路网数据进行匹配，生成所述交通分析小区的出行群体的公共自行车出行信息。例如，获取出行群体中出行对象通过公共自行车出行的时间段和所经过的路段、出行对象的年龄段、职业、经济水平等信息。
在本发明实施例中，通过获取多源交通出行调查数据，并对多源交通出行调查数据进行数据分析，获取调查区域的出行调查信息，然后根据交通分析小区的划分数据，生成基于交通分析小区的起讫点出行分布矩阵，最后根据起讫点出行分布矩阵对交通分析小区的出行群体进行出行特征分析，生成并输出针对交通分析小区内出行群体的出行特征数据。通过分析多源交通出行调查数据和交通小区的划分数据获取交通小区内出行群体的出行调查信息，再根据生成的起讫点出行分布矩阵分析交通小区内出行群体的出行特征，增加了数据获取的准确性同时提高了数据获取的覆盖范围及时效性；根据公交汽车和轨道交通车辆两种公共交通车辆不同的出行模式，分别获取公共交通车辆的上下车站点信息，增加了获取公共交通出行信息的准确性；根据出租车的载客状态的变化确定出租车的有效运营数据，增加了获取出租车轨迹数据的准确性。
请参见图14，为本发明实施例提供了另一种交通出行调查数据处理设备的结构示意图。如图14所示，本发明实施例的所述交通出行调查数据处理设备1可以包括：截面数据获取模块15、比例数据获取模块16和方式数据输出模块17。
截面数据获取模块15，用于获取至少一个道路监测点的道路截面车辆识别数据；
可以理解的是，所述交通出行调查数据处理设备1可以获取交通分析小区的出行人员的交通数据，并对其进行特征分析，也可以只针对不同道路中各类型机动车的出行比例进行分析。
具体实现中，截面数据获取模块15可以获取至少一个道路监测点的道路截面车辆识别数据，可以理解的是，所述道路截面车辆识别数据可以包括在预设检测时间内(例如，1h或2h等)经过所述道路截面的机动车的车辆标识以及统计车流量，所述车辆标识可以是机动车的车牌号，所述统计车流量可以是在所述预设时间段内所统计的经过所述道路监测点的机动车的数量。
比例数据获取模块16，用于根据所述车辆标识数据获取经过所述道路截面的机动车的类型，并基于所述统计车流量和经过所述道路截面的机动车的类型获取经过所述道路截面的公交汽车、私家车以及出租车的比例数据；
可以理解的是，不同类型的机动车的车型和车牌是不一样的，可以根据车牌颜色、车型等信息识别不同类型的车辆，例如，公交车有中型或大型客车车型，公交车牌是黄色车牌，私家车或出租车是蓝色车牌，但出租车多了一副出租车牌。具体实现中，比例数据获取模块16可以根据所述车辆标识数据获取经过所述道路截面的机动车的类型，例如，通过识别车牌和车型确定经过的机动车的类型。实行电子车牌后，所述车辆类型信息可以直接通过电子车牌信息获得。
进一步的，所述比例数据获取模块16可以基于所述统计车流量和经过所述道路截面的机动车的类型获取经过所述道路截面的公交汽车、私家车以及出租车的出行比例数据，例如，1h内经过所述道路截面的机动车的总数量为100辆，其中，出租车由30辆，私家车50辆，公交汽车20辆，则三种类型机动车的出行比例数据分别为30％、50％和20％。可以理解的是，所述交通数据处理设备1可以将所述出行比例数据输出给政府或者交通管理部门，以便后续的道路规划等项目的实施。
方式数据获取模块17，用于根据公交汽车出行人数、轨道出行人数以及私家车、出租车和公共自行车出行次数，并基于私家车合乘系数、出租车出行合乘系数以及公共自行车使用比例，输出各种交通方式出行比例数据；
具体实现中，方式数据获取模块17可以根据公交汽车出行人数、轨道出行人数以及私家车、出租车和公共自行车出行次数，并基于私家车合乘系数、出租车出行合乘系数以及公共自行车使用比例，输出各种交通方式出行比例数据。可以理解的是，所述私家车合乘系数和所述出租车合乘系数可以是所述出行群体中出行对象一起乘坐私家车或一起乘坐出租车时的比例系数。
在本发明实施例中，通过对道路截面中道路截面车辆识别数据和车辆标识的关联分析，得到经过道路截面的各类型车辆的出行比例数据，增加了对多源交通出行调查数据分析的多样性。
在本发明实施例中，通过获取多源交通出行调查数据，并对多源交通出行调查数据进行数据分析，获取调查区域的出行调查信息，然后根据交通分析小区的划分数据，生成基于交通分析小区的起讫点出行分布矩阵，最后根据起讫点出行分布矩阵对交通分析小区的出行群体进行出行特征分析，生成并输出针对交通分析小区内出行群体的出行特征数据。通过分析多源交通出行调查数据和交通小区的划分数据获取交通小区内出行群体的出行调查信息，再根据生成的起讫点出行分布矩阵分析交通小区内出行群体的出行特征，增加了数据获取的准确性同时提高了数据获取的覆盖范围及时效性；通过对道路截面中道路截面车流量数据和车辆标识的关联分析，得到经过道路截面的各类型车辆的出行比例数据，增加了对多源交通出行调查数据分析的多样性。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质可以存储有多条指令，所述指令适于由处理器加载并执行如上述图1-图8所示实施例的方法步骤，具体执行过程可以参见图1-图8所示实施例的具体说明，在此不进行赘述。
请参见图15，为本发明实施例提供了一种终端的结构示意图。如图15所示，所述终端1000可以包括：至少一个处理器1001，例如CPU，至少一个网络接口1004，用户接口1003，存储器1005，至少一个通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。其中，用户接口1003可以包括显示屏(Display)、键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图15所示，作为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及交通数据处理应用程序。
在图15所示的终端1000中，用户接口1003主要用于为用户提供输入的接口，获取用户输入的数据；网络接口1004用于与用户终端进行数据通信；而处理器1001可以用于调用存储器1005中存储的交通数据处理应用程序，并具体执行以下操作：
获取多源交通出行调查数据，所述多源交通出行调查数据包括交通支付数据、公交汽车定位数据、轨道交通站点数据、车辆识别数据、出租车定位数据、出租车运营数据、公共自行车定位数据以及公共自行车运营数据；
对所述多源交通出行调查数据进行分析，获取调查区域的出行调查信息，所述出行调查信息包括所述调查区域内出行群体中各出行对象的出行起讫点、出行时间信息、出行方式以及所述各出行对象的对象属性，所述调查区域包括至少两个交通分析小区；
根据交通分析小区的划分数据，生成基于所述交通分析小区的起讫点出行分布矩阵；
根据所述起讫点出行分布矩阵对所述交通分析小区的出行群体进行出行特征分析，生成并输出针对所述交通分析小区内出行群体的出行特征数据，所述出行特征数据包括所述各交通分析小区的出行群体的出行时间特征、出行距离特征、通勤出行特征和机动化出行相对比例特征。
在一个实施例中，所述处理器1001在执行对所述多源交通出行调查数据进行数据分析，获取调查区域内的出行调查信息时，具体执行以下操作：
获取交通分析小区的划分数据，所述交通分析小区的划分数据划分了调查区域的子空间；
获取交通网络数据，所述交通网络数据包括公共交通线路数据和调查区域路网数据；
结合所述多源交通出行调查数据、所述交通网络数据和交所述交通分析小区的划分数据，获取所述交通小区的出行群体的出行调查信息。
在一个实施例中，所述处理器1001在执行结合所述多源交通出行调查数据、所述交通网络数据和交通分析小区的划分数据，获取所述交通分析小区的出行群体的出行调查信息时，具体执行以下操作：
根据所述交通支付数据、所述公交汽车定位数据和所述交通分析小区划分数据，获取所述交通分析小区的出行群体基于公共交通方式出行时的上车站点位置和上车时间信息以及下车站点位置和下车时间信息；
结合所述上车站点位置、所述下车站点位置以及所述公共交通线路数据中的公交汽车路线数据，生成所述交通分析小区的出行群体的公交汽车出行信息，并输出各交通分析小区间公交汽车出行人数；
根据所述交通支付数据、所述轨道交通站点数据和所述交通分析小区划分数据，获取所述交通分析小区的出行群体基于轨道交通方式出行时的进出站点位置和进出时间信息；
结合所述进出站点位置、所述进出时间信息以及所述公共交通线路数据中的轨道交通线路数据，生成所述交通分析小区的出行群体的轨道交通出行信息，输出各交通分析小区间轨道出行人数。
在一个实施例中，所述处理器1001在执行结合所述多源交通出行调查数据、所述交通网络数据和交通分析小区的划分数据，获取所述交通分析小区的出行群体的出行调查信息时，具体执行以下操作：
根据所述车辆识别数据识别出入所述交通分析小区的私家车，并根据所述私家车一次出行的起点和终点，识别所述私家车的出行起讫点数据；
根据所述私家车的出行起讫点数据和所述调查区域路网数据生成所述交通分析小区的出行群体的私家车出行信息。
在一个实施例中，所述处理器1001在执行结合所述多源交通出行调查数据、所述交通网络数据和交通分析小区的划分数据，获取所述交通分析小区的出行群体的出行调查信息时，具体执行以下操作：
根据所述出租车定位数据、所述出租车运营数据，获取所述交通分析小区的出行群体基于出租车方式出行时的起讫点及轨迹数据；
对所述起讫点及轨迹数据和所述调查区域路网数据进行匹配生成所述交通分析小区的出行群体的出租车出行信息。
在一个实施例中，所述处理器1001在执行结合所述多源交通出行调查数据、所述交通网络数据和交通分析小区的划分数据，获取所述交通分析小区的出行群体的出行调查信息时，具体执行以下操作：
根据所述公共自行车定位数据、所述公共自行车运营数据，获取所述交通分析小区的出行群体基于公共自行车方式出行时的起讫点及轨迹数据；
对所述起讫点及轨迹数据和所述调查区域路网数据进行匹配生成所述交通分析小区的出行群体的公共自行车出行信息。
在一个实施例中，所述处理器1001，还用于执行以下操作：
获取至少一个道路监测点的道路截面车流量数据，所述道路截面车辆识别数据包括在预设检测时间内经过所述道路截面的机动车的车辆标识数据以及统计车流量；
根据所述车辆标数据识获取经过所述道路截面的机动车的类型，并基于所述统计车流量和经过所述道路截面的机动车的类型获取经过所述道路截面的公交汽车、私家车以及出租车的比例数据；
根据公交汽车出行人数、轨道出行人数以及私家车、出租车和公共自行车出行次数，并基于私家车合乘系数、出租车出行合乘系数以及公共自行车使用比例，输出各种交通方式出行比例数据。
在本发明实施例中，通过获取多源交通出行调查数据，并对多源交通出行调查数据进行数据分析，获取调查区域的出行调查信息，然后根据交通分析小区的划分数据，生成基于交通分析小区的起讫点出行分布矩阵，最后根据起讫点出行分布矩阵对交通分析小区的出行群体进行出行特征分析，生成并输出针对交通分析小区内出行群体的出行特征数据。通过分析多源交通出行调查数据和交通小区的划分数据获取交通小区内出行群体的出行调查信息，再根据生成的起讫点出行分布矩阵分析交通小区内出行群体的出行特征，增加了数据获取的准确性同时提高了数据获取的覆盖范围及时效性；根据公交汽车和轨道交通车辆两种公共交通车辆不同的出行模式，分别获取公共交通车辆的上下车站点信息，增加了获取公共交通出行信息的准确性；根据出租车的载客状态的变化确定出租车的有效运营数车辆车流量数据和车辆标识的关联分析，得到经过道路截面的各类型车辆的出行比例数据，增加了对多源交通出行调查数据分析的多样性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (16)
1.一种交通出行调查数据处理方法，其特征在于，包括：
获取多源交通出行调查数据，所述多源交通出行调查数据包括交通支付数据、公交汽车定位数据、轨道交通站点数据、车辆识别数据、出租车定位数据、出租车运营数据、公共自行车定位数据以及公共自行车运营数据；
对所述多源交通出行调查数据进行分析，获取调查区域的出行调查信息，所述出行调查信息包括所述调查区域内出行群体中各出行对象的出行起讫点、出行时间信息、出行方式以及所述各出行对象的对象属性，所述调查区域包括至少两个交通分析小区；
根据交通分析小区的划分数据，生成基于所述交通分析小区的起讫点出行分布矩阵；
根据所述起讫点出行分布矩阵对所述交通分析小区的出行群体进行出行特征分析，生成并输出针对所述交通分析小区内出行群体的出行特征数据，所述出行特征数据包括所述各交通分析小区的出行群体的出行时间特征、出行距离特征、通勤出行特征和机动化出行相对比例特征。
2.如权利要求1所述的方法，其特征在于，所述对所述多源交通出行调查数据进行数据分析，获取调查区域内的出行调查信息，包括:
获取交通分析小区的划分数据，所述交通分析小区的划分数据划分了调查区域的子空间；
获取交通网络数据，所述交通网络数据包括调查区域的路网数据和公共交通线路数据；
结合所述多源交通出行调查数据、所述交通网络数据和所述交通分析小区的划分数据，获取所述交通小区的出行群体的出行调查信息。
3.如权利要求2所述的方法，其特征在于，所述结合所述多源交通出行调查数据、所述交通网络数据和交通分析小区的划分数据，获取所述交通分析小区的出行群体的出行调查信息，包括：
根据所述交通支付数据、所述公交汽车定位数据和所述交通分析小区划分数据，获取所述交通分析小区的出行群体基于公共交通方式出行时的上车站点位置和上车时间信息以及下车站点位置和下车时间信息；
结合所述上车站点位置、所述下车站点位置以及所述公共交通线路数据中的公交汽车路线数据，生成所述交通分析小区的出行群体的公交汽车出行信息，并输出各交通分析小区间公交汽车出行人数；
根据所述交通支付数据、所述轨道交通站点数据和所述交通分析小区划分数据，获取所述交通分析小区的出行群体基于轨道交通方式出行时的进出站点位置和进出时间信息；
结合所述进出站点位置、所述进出时间信息以及所述公共交通线路数据中的轨道交通线路数据，生成所述交通分析小区的出行群体的轨道交通出行信息，输出各交通分析小区间轨道出行人数。
4.如权利要求2所述的方法，其特征在于，所述结合所述多源交通出行调查数据、所述交通网络数据和交通分析小区的划分数据，获取所述交通分析小区的出行群体的出行调查信息，包括：
根据所述车辆识别数据识别出入所述交通分析小区的私家车，并根据所述私家车一次出行的起点和终点，识别所述私家车的出行起讫点数据；
根据所述私家车的出行起讫点数据和所述调查区域路网数据生成所述交通分析小区的出行群体的私家车出行信息。
5.如权利要求2所述的方法，其特征在于，所述结合所述多源交通出行调查数据、所述道路网络数据和所述交通分析小区的划分数据，获取所述交通分析小区的出行群体的出行调查信息，包括：
根据所述出租车定位数据、所述出租车运营数据，获取所述交通分析小区的出行群体基于出租车方式出行时的起讫点及轨迹数据；
对所述起讫点及轨迹数据和所述调查区域路网数据进行匹配生成所述交通分析小区的出行群体的出租车出行信息。
6.如权利要求2所述的方法，其特征在于，所述结合所述多源交通出行调查数据、所述道路网络数据和所述交通分析小区的划分数据，获取所述交通分析小区的出行群体的出行调查信息，包括：
根据所述公共自行车定位数据、所述公共自行车运营数据，获取所述交通分析小区的出行群体基于公共自行车方式出行时的起讫点及轨迹数据；
对所述起讫点及轨迹数据和所述调查区域路网数据进行匹配生成所述交通分析小区的出行群体的公共自行车出行信息。
7.如权利要求1所述的方法，其特征在于，还包括：
获取至少一个道路监测点的道路截面车辆识别数据，所述道路截面车辆识别数据包括在预设检测时间内经过所述道路截面的机动车的车辆标识数据以及统计车流量；
根据所述车辆标识数据获取经过所述道路截面的机动车的类型，并基于所述统计车流量和经过所述道路截面的机动车的类型获取经过所述道路截面的公交汽车、私家车以及出租车的比例数据；
根据公交汽车出行人数、轨道出行人数以及私家车、出租车和公共自行车出行次数，并基于私家车合乘系数、出租车出行合乘系数以及公共自行车使用比例，输出各种交通方式出行比例数据。
8.一种交通出行调查数据处理设备，其特征在于，包括：
数据获取模块，用于获取多源交通出行调查数据，所述多源交通出行调查数据包括交通支付数据、公交汽车定位数据、轨道交通站点数据、车辆识别数据、出租车定位数据、出租车运营数据、公共自行车定位数据以及公共自行车运营数据；
信息获取模块，用于对所述多源交通出行调查数据进行分析，获取调查区域的出行调查信息，所述出行调查信息包括所述调查区域内出行群体中各出行对象的出行起讫点、出行时间信息、出行方式以及所述各出行对象的对象属性，所述调查区域包括至少两个交通分析小区；
矩阵生成模块，用于根据交通分析小区的划分数据，生成基于所述交通分析小区的起讫点出行分布矩阵；
特征分析模块，用于根据所述起讫点出行分布矩阵对所述交通分析小区的出行群体进行出行特征分析，生成并输出针对所述交通分析小区内出行群体的出行特征数据，所述出行特征数据包括所述各交通分析小区的出行群体的出行时间特征、出行距离特征、通勤出行特征和机动化出行相对比例特征。
9.如权利要求8所述的设备，其特征在于，所述信息获取模块包括：
小区数据获取单元，用于获取交通分析小区的划分数据，所述交通分析小区的划分数据划分了调查区域的子空间；
交通数据获取单元，用于获取交通网络数据，所述交通网络数据包括公共交通线路数据和调查区域路网数据；
信息获取单元，用于结合所述多源交通出行调查数据、所述交通网络数据和所述交通分析小区的划分数据，获取所述交通小区的出行群体的出行调查信息。
10.如权利要求9所述的设备，其特征在于，所述信息获取单元包括：
公交信息确定子单元，用于根据所述交通支付数据、所述公交汽车定位数据和所述交通分析小区划分数据，获取所述交通分析小区的出行群体基于公共交通方式出行时的上车站点位置和上车时间信息以及下车站点位置和下车时间信息；
公交信息生成子单元，用于结合所述上车站点位置、所述下车站点位置以及所述公共交通线路数据中的公交汽车路线数据，生成所述交通分析小区的出行群体的公交汽车出行信息，并输出各交通分析小区间公交汽车出行人数；
轨道信息确定子单元，用于根据所述交通支付数据、所述轨道交通站点数据和所述交通分析小区划分数据，获取所述交通分析小区的出行群体基于轨道交通方式出行时的进出站点位置和进出时间信息；
轨道信息生成子单元，用于结合所述进出站点位置、所述进出时间信息以及所述公共交通线路数据中的轨道交通线路数据，生成所述交通分析小区的出行群体的轨道交通出行信息，输出各交通分析小区间轨道出行人数。
11.如权利要求9所述的设备，其特征在于，所述信息获取单元包括：
私家车数据获取子单元，用于根据所述车辆识别数据识别出入所述交通分析小区的私家车，并根据所述私家车一次出行的起点和终点，识别所述私家车的出行起讫点数据；
私家车信息生成子单元，用于根据所述私家车的出行起讫点数据和所述调查区域路网数据生成所述交通分析小区的出行群体的私家车出行信息。
12.如权利要求9所述的设备，其特征在于，所述信息获取单元包括：
出租车数据获取子单元，用于根据所述出租车定位数据、所述出租车运营数据，获取所述交通分析小区的出行群体基于出租车方式出行时的起讫点及轨迹数据；
出租车信息生成子单元，用于对所述起讫点及轨迹数据和所述调查区域路网数据进行匹配生成所述交通分析小区的出行群体的出租车出行信息。
13.如权利要求9所述的设备，其特征在于，所述信息获取单元包括：
自行车数据获取子单元，用于获取根据所述公共自行车定位数据、所述公共自行车运营数据，获取所述交通分析小区的出行群体基于公共自行车方式出行时的起讫点及轨迹数据；
自行车信息生成子单元，用于对所述起讫点及轨迹数据和所述调查区域路网数据进行匹配生成所述交通分析小区的出行群体的公共自行车出行信息。
14.如权利要求8所述的设备，其特征在于，还包括：
截面数据获取模块，用于获取至少一个道路监测点的道路截面车辆识别数据，所述道路截面车辆识别数据包括在预设检测时间内经过所述道路截面的机动车的车辆标识数据以及统计车流量；
比例数据获取模块，用于根据所述车辆标识数据获取经过所述道路截面的机动车的类型，并基于所述统计车流量和经过所述道路截面的机动车的类型获取经过所述道路截面的公交汽车、私家车以及出租车的比例数据；
方式数据获取模块，用于根据公交汽车出行人数、轨道出行人数以及私家车、出租车和公共自行车出行次数，并基于私家车合乘系数、出租车出行合乘系数以及公共自行车使用比例，输出各种交通方式出行比例数据。
15.一种终端，其特征在于，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求1-7任一项所述的方法。
16.一种计算机可读存储介质，其特征在于，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-7任一项所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711120069.8A CN107886723B (zh) | 2017-11-13 | 2017-11-13 | 一种交通出行调查数据处理方法 |
| PCT/CN2018/090342 WO2019091108A1 (zh) | 2017-11-13 | 2018-06-08 | 一种交通出行调查数据处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711120069.8A CN107886723B (zh) | 2017-11-13 | 2017-11-13 | 一种交通出行调查数据处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107886723A true CN107886723A (zh) | 2018-04-06 |
| CN107886723B CN107886723B (zh) | 2021-07-20 |
Family
ID=61776991
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711120069.8A Active CN107886723B (zh) | 2017-11-13 | 2017-11-13 | 一种交通出行调查数据处理方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN107886723B (zh) |
| WO (1) | WO2019091108A1 (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108399736A (zh) * | 2018-04-27 | 2018-08-14 | 东南大学 | 一种基于服务时间的区域共享自行车有效车辆数获取方法 |
| CN108681741A (zh) * | 2018-04-08 | 2018-10-19 | 东南大学 | 基于ic卡和居民调查数据的地铁通勤人群信息融合方法 |
| CN109598931A (zh) * | 2018-11-30 | 2019-04-09 | 江苏智通交通科技有限公司 | 基于交通安全风险的群体划分与差异性分析方法及*** |
| CN109727452A (zh) * | 2019-01-08 | 2019-05-07 | 江苏交科能源科技发展有限公司 | 基于手机信令数据的出行比例核算方法 |
| WO2019091108A1 (zh) * | 2017-11-13 | 2019-05-16 | 深圳大学 | 一种交通出行调查数据处理方法 |
| CN109887275A (zh) * | 2019-01-26 | 2019-06-14 | 深圳市新城市规划建筑设计股份有限公司 | 一种多源轨迹数据居民通勤分析***及方法 |
| CN109979192A (zh) * | 2018-11-09 | 2019-07-05 | 阿里巴巴集团控股有限公司 | 一种乘车信息的确定方法和装置 |
| CN110753307A (zh) * | 2019-10-24 | 2020-02-04 | 南京瑞栖智能交通技术产业研究院有限公司 | 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 |
| CN110992686A (zh) * | 2019-11-25 | 2020-04-10 | 厦门路桥信息股份有限公司 | 交通出行大数据分析方法 |
| CN111564053A (zh) * | 2020-04-24 | 2020-08-21 | 上海钧正网络科技有限公司 | 车辆调度方法、装置、车辆调度设备和存储介质 |
| CN113159416A (zh) * | 2021-04-19 | 2021-07-23 | 深圳大学 | 一种公交单次刷卡下车站点的推算方法及智能终端 |
| CN113344268A (zh) * | 2021-06-02 | 2021-09-03 | 合肥泰瑞数创科技有限公司 | 一种城市交通出行数据分析方法 |
| CN113780674A (zh) * | 2021-09-23 | 2021-12-10 | 北京交研智慧科技有限公司 | 研究出行路径的方法、装置及可读存储介质 |
| CN114399233A (zh) * | 2022-03-25 | 2022-04-26 | 南京大学 | 基于深度学习和od补全的交通规划方法及装置 |
| CN116233823A (zh) * | 2023-05-10 | 2023-06-06 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种跨城通勤圈的识别方法、电子设备及存储介质 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112885105B (zh) * | 2021-01-15 | 2022-04-01 | 广州市市政工程设计研究总院有限公司 | 基于高清卡口数据的通勤车辆识别方法、装置和存储介质 |
Citations (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101694706A (zh) * | 2009-09-28 | 2010-04-14 | 深圳先进技术研究院 | 基于多源数据融合的人口时空动态出行特征建模方法 |
| CN101783073A (zh) * | 2010-01-07 | 2010-07-21 | 同济大学 | 基于双截面检测器的信号交叉口延误测定方法 |
| CN101976500A (zh) * | 2010-10-25 | 2011-02-16 | 中国科学院深圳先进技术研究院 | 交通网络分析方法及*** |
| 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 |
| JP2011221960A (ja) * | 2010-04-14 | 2011-11-04 | Sumitomo Electric Ind Ltd | 起終点交通量算出装置、交通シミュレータ及び起終点交通量算出方法 |
| CN102595323A (zh) * | 2012-03-20 | 2012-07-18 | 北京交通发展研究中心 | 基于手机定位数据的居民出行特征参数的获取方法 |
| CN102800191A (zh) * | 2012-07-31 | 2012-11-28 | 北京世纪高通科技有限公司 | 交通评价方法及装置 |
| WO2013011796A1 (ja) * | 2011-07-20 | 2013-01-24 | 住友電気工業株式会社 | 交通評価装置、コンピュータプログラム及び交通評価方法 |
| CN103646187A (zh) * | 2013-12-27 | 2014-03-19 | 中国科学院自动化研究所 | 一种统计周期内车辆出行路线及od矩阵获取方法 |
| CN103903437A (zh) * | 2014-02-27 | 2014-07-02 | 中国科学院自动化研究所 | 基于视频交通检测数据的机动车出行od矩阵获取方法 |
| CN104157156A (zh) * | 2014-08-07 | 2014-11-19 | 昆明理工大学 | 一种高速公路危险路段车速动态管理预警方法 |
| CN104332047A (zh) * | 2014-02-23 | 2015-02-04 | 曾昭兴 | 一种同地点出发的计程车拼车方法、***及服务器 |
| CN104484996A (zh) * | 2014-12-18 | 2015-04-01 | 江苏省交通规划设计院股份有限公司 | 一种基于多源数据的路段交通状态判别方法 |
| CN104766473A (zh) * | 2015-02-09 | 2015-07-08 | 北京工业大学 | 基于多模式公交数据匹配的公共交通出行特征提取方法 |
| CN105070055A (zh) * | 2015-07-23 | 2015-11-18 | 合肥革绿信息科技有限公司 | 一种基于浮动车gps的od矩阵估计方法 |
| CN105095993A (zh) * | 2015-07-22 | 2015-11-25 | 济南市市政工程设计研究院（集团）有限责任公司 | 一种轨道站点客流量预测***及方法 |
| CN105303832A (zh) * | 2015-11-05 | 2016-02-03 | 安徽四创电子股份有限公司 | 基于微波车辆检测器的高架桥路段交通拥堵指数计算方法 |
| CN105405292A (zh) * | 2015-12-13 | 2016-03-16 | 北京工业大学 | 一种利用公交双次刷卡数据计算乘客上车时间的方法 |
| CN105513348A (zh) * | 2015-11-27 | 2016-04-20 | 西南交通大学 | 基于手机信令出行链的od矩阵获取方法 |
| CN105513356A (zh) * | 2015-12-28 | 2016-04-20 | 中兴软创科技股份有限公司 | 一种基于轨迹追踪的od矩阵估计方法与*** |
| 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 |
| CN105788260A (zh) * | 2016-04-13 | 2016-07-20 | 西南交通大学 | 一种基于智能公交***数据的公交乘客od推算方法 |
| CN105809962A (zh) * | 2016-06-13 | 2016-07-27 | 中南大学 | 一种基于手机数据的交通出行方式划分的方法 |
| CN106251628A (zh) * | 2016-09-14 | 2016-12-21 | 青岛海信网络科技股份有限公司 | 一种确定机动车的交通出行量的方法及装置 |
| CN106846794A (zh) * | 2016-11-28 | 2017-06-13 | 中兴软创科技股份有限公司 | 交通小区服务指数与营运指数提取方法与*** |
| CN106875686A (zh) * | 2017-04-16 | 2017-06-20 | 北京工业大学 | 一种基于信令和浮动车数据的小汽车od提取方法 |
| CN106971534A (zh) * | 2017-02-09 | 2017-07-21 | 江苏智通交通科技有限公司 | 基于号牌数据的通勤出行特征分析方法 |
| CN107040894A (zh) * | 2017-04-21 | 2017-08-11 | 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 |
| CN107341956A (zh) * | 2016-11-15 | 2017-11-10 | 中兴软创科技股份有限公司 | 一种基于交通小区的公交出行时间提取方法与*** |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11023833B2 (en) * | 2015-12-30 | 2021-06-01 | International Business Machines Corporation | Pro-active fuel and battery refilling for vehicles |
| 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 |
-
2017
- 2017-11-13 CN CN201711120069.8A patent/CN107886723B/zh active Active
-
2018
- 2018-06-08 WO PCT/CN2018/090342 patent/WO2019091108A1/zh active Application Filing
Patent Citations (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101694706A (zh) * | 2009-09-28 | 2010-04-14 | 深圳先进技术研究院 | 基于多源数据融合的人口时空动态出行特征建模方法 |
| CN101783073A (zh) * | 2010-01-07 | 2010-07-21 | 同济大学 | 基于双截面检测器的信号交叉口延误测定方法 |
| JP2011221960A (ja) * | 2010-04-14 | 2011-11-04 | Sumitomo Electric Ind Ltd | 起終点交通量算出装置、交通シミュレータ及び起終点交通量算出方法 |
| CN101976500A (zh) * | 2010-10-25 | 2011-02-16 | 中国科学院深圳先进技术研究院 | 交通网络分析方法及*** |
| 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 |
| WO2013011796A1 (ja) * | 2011-07-20 | 2013-01-24 | 住友電気工業株式会社 | 交通評価装置、コンピュータプログラム及び交通評価方法 |
| CN102595323A (zh) * | 2012-03-20 | 2012-07-18 | 北京交通发展研究中心 | 基于手机定位数据的居民出行特征参数的获取方法 |
| CN102800191A (zh) * | 2012-07-31 | 2012-11-28 | 北京世纪高通科技有限公司 | 交通评价方法及装置 |
| CN103646187A (zh) * | 2013-12-27 | 2014-03-19 | 中国科学院自动化研究所 | 一种统计周期内车辆出行路线及od矩阵获取方法 |
| CN104332047A (zh) * | 2014-02-23 | 2015-02-04 | 曾昭兴 | 一种同地点出发的计程车拼车方法、***及服务器 |
| CN103903437A (zh) * | 2014-02-27 | 2014-07-02 | 中国科学院自动化研究所 | 基于视频交通检测数据的机动车出行od矩阵获取方法 |
| CN104157156A (zh) * | 2014-08-07 | 2014-11-19 | 昆明理工大学 | 一种高速公路危险路段车速动态管理预警方法 |
| CN104484996A (zh) * | 2014-12-18 | 2015-04-01 | 江苏省交通规划设计院股份有限公司 | 一种基于多源数据的路段交通状态判别方法 |
| CN104766473A (zh) * | 2015-02-09 | 2015-07-08 | 北京工业大学 | 基于多模式公交数据匹配的公共交通出行特征提取方法 |
| CN105095993A (zh) * | 2015-07-22 | 2015-11-25 | 济南市市政工程设计研究院（集团）有限责任公司 | 一种轨道站点客流量预测***及方法 |
| CN105070055A (zh) * | 2015-07-23 | 2015-11-18 | 合肥革绿信息科技有限公司 | 一种基于浮动车gps的od矩阵估计方法 |
| CN105303832A (zh) * | 2015-11-05 | 2016-02-03 | 安徽四创电子股份有限公司 | 基于微波车辆检测器的高架桥路段交通拥堵指数计算方法 |
| CN105513348A (zh) * | 2015-11-27 | 2016-04-20 | 西南交通大学 | 基于手机信令出行链的od矩阵获取方法 |
| CN105405292A (zh) * | 2015-12-13 | 2016-03-16 | 北京工业大学 | 一种利用公交双次刷卡数据计算乘客上车时间的方法 |
| 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 |
| CN105513356A (zh) * | 2015-12-28 | 2016-04-20 | 中兴软创科技股份有限公司 | 一种基于轨迹追踪的od矩阵估计方法与*** |
| CN105788260A (zh) * | 2016-04-13 | 2016-07-20 | 西南交通大学 | 一种基于智能公交***数据的公交乘客od推算方法 |
| CN105809962A (zh) * | 2016-06-13 | 2016-07-27 | 中南大学 | 一种基于手机数据的交通出行方式划分的方法 |
| CN106251628A (zh) * | 2016-09-14 | 2016-12-21 | 青岛海信网络科技股份有限公司 | 一种确定机动车的交通出行量的方法及装置 |
| CN107341956A (zh) * | 2016-11-15 | 2017-11-10 | 中兴软创科技股份有限公司 | 一种基于交通小区的公交出行时间提取方法与*** |
| CN106846794A (zh) * | 2016-11-28 | 2017-06-13 | 中兴软创科技股份有限公司 | 交通小区服务指数与营运指数提取方法与*** |
| CN106971534A (zh) * | 2017-02-09 | 2017-07-21 | 江苏智通交通科技有限公司 | 基于号牌数据的通勤出行特征分析方法 |
| CN106875686A (zh) * | 2017-04-16 | 2017-06-20 | 北京工业大学 | 一种基于信令和浮动车数据的小汽车od提取方法 |
| CN107040894A (zh) * | 2017-04-21 | 2017-08-11 | 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 |
Non-Patent Citations (2)
| Title |
|---|
| 付鑫，孙茂棚，孙皓: "基于GPS数据的出租车通勤识别及时空特征分析", 《中国公路学报》 * |
| 曹劲舟，涂伟，李清泉，曹瑞: "基于大规模手机定位数据的群体活动时空特征分析", 《地球信息科学》 * |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019091108A1 (zh) * | 2017-11-13 | 2019-05-16 | 深圳大学 | 一种交通出行调查数据处理方法 |
| CN108681741A (zh) * | 2018-04-08 | 2018-10-19 | 东南大学 | 基于ic卡和居民调查数据的地铁通勤人群信息融合方法 |
| CN108681741B (zh) * | 2018-04-08 | 2021-11-12 | 东南大学 | 基于ic卡和居民调查数据的地铁通勤人群信息融合方法 |
| CN108399736A (zh) * | 2018-04-27 | 2018-08-14 | 东南大学 | 一种基于服务时间的区域共享自行车有效车辆数获取方法 |
| CN109979192A (zh) * | 2018-11-09 | 2019-07-05 | 阿里巴巴集团控股有限公司 | 一种乘车信息的确定方法和装置 |
| CN109598931A (zh) * | 2018-11-30 | 2019-04-09 | 江苏智通交通科技有限公司 | 基于交通安全风险的群体划分与差异性分析方法及*** |
| CN109727452A (zh) * | 2019-01-08 | 2019-05-07 | 江苏交科能源科技发展有限公司 | 基于手机信令数据的出行比例核算方法 |
| CN109887275A (zh) * | 2019-01-26 | 2019-06-14 | 深圳市新城市规划建筑设计股份有限公司 | 一种多源轨迹数据居民通勤分析***及方法 |
| CN110753307B (zh) * | 2019-10-24 | 2020-10-30 | 南京瑞栖智能交通技术产业研究院有限公司 | 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 |
| CN110753307A (zh) * | 2019-10-24 | 2020-02-04 | 南京瑞栖智能交通技术产业研究院有限公司 | 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 |
| CN110992686A (zh) * | 2019-11-25 | 2020-04-10 | 厦门路桥信息股份有限公司 | 交通出行大数据分析方法 |
| CN111564053A (zh) * | 2020-04-24 | 2020-08-21 | 上海钧正网络科技有限公司 | 车辆调度方法、装置、车辆调度设备和存储介质 |
| CN111564053B (zh) * | 2020-04-24 | 2021-09-07 | 上海钧正网络科技有限公司 | 车辆调度方法、装置、车辆调度设备和存储介质 |
| CN113159416A (zh) * | 2021-04-19 | 2021-07-23 | 深圳大学 | 一种公交单次刷卡下车站点的推算方法及智能终端 |
| CN113159416B (zh) * | 2021-04-19 | 2022-04-15 | 深圳大学 | 一种公交单次刷卡下车站点的推算方法及智能终端 |
| CN113344268A (zh) * | 2021-06-02 | 2021-09-03 | 合肥泰瑞数创科技有限公司 | 一种城市交通出行数据分析方法 |
| CN113780674A (zh) * | 2021-09-23 | 2021-12-10 | 北京交研智慧科技有限公司 | 研究出行路径的方法、装置及可读存储介质 |
| CN114399233A (zh) * | 2022-03-25 | 2022-04-26 | 南京大学 | 基于深度学习和od补全的交通规划方法及装置 |
| CN114399233B (zh) * | 2022-03-25 | 2022-06-07 | 南京大学 | 基于深度学习和od补全的交通规划方法及装置 |
| CN116233823A (zh) * | 2023-05-10 | 2023-06-06 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种跨城通勤圈的识别方法、电子设备及存储介质 |
| CN116233823B (zh) * | 2023-05-10 | 2023-08-01 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种跨城通勤圈的识别方法、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107886723B (zh) | 2021-07-20 |
| WO2019091108A1 (zh) | 2019-05-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107886723A (zh) | 一种交通出行调查数据处理方法 | |
| Ma et al. | Impacts of free-floating bikesharing system on public transit ridership | |
| CN105590346B (zh) | 基于路径识别***的收费公路网交通信息采集与诱导*** | |
| Wirasinghe et al. | Bus rapid transit–a review | |
| CN111862606B (zh) | 一种基于多源数据的非法营运车辆识别方法 | |
| US8055534B2 (en) | Variable rate travel fee based upon vehicle occupancy | |
| CN106971534A (zh) | 基于号牌数据的通勤出行特征分析方法 | |
| CN108053240B (zh) | 生成车载广告投放公交线路方案的方法及装置 | |
| Vidović et al. | An overview of indicators and indices used for urban mobility assessment | |
| Leo et al. | Review and analysis of urban mobility strategies in Mexico | |
| CN109615853A (zh) | 识别高速公路疑似非法营运车辆的方法及设备 | |
| CN109726842A (zh) | 乘车路径确定方法及其装置 | |
| Hipogrosso et al. | Sustainable mobility in the public transportation of Montevideo, Uruguay | |
| Salih et al. | Measuring transit accessibility: A dispersion factor to recognise the spatial distribution of accessible opportunities | |
| Li et al. | Investigating a small-sized bike-sharing system’s impact on transit usage: a synthetic control analysis in Tucson, Arizona | |
| Mackett | Reducing car use in urban areas | |
| Salek et al. | Characterizing bus transit passenger wait times | |
| Lah et al. | Transferability of sustainable urban transport solutions | |
| Sultan et al. | Exploring the implementation and success of green urban mobility in Asian cities | |
| Birungi | Effects of feeder network operations on trunk-feeder network performance: A case study of Mitchells Plain, Cape Town | |
| Guo | Assessment of the transfer penalty to transit trips in Downtown Boston: a GIS-based disaggregate modeling approach | |
| Alkaabi | Analyzing the travel behaviour and travel preferences of employees and students commuting via the Dubai Metro | |
| Azari et al. | Congestion pricing scheme in Mashhad, Iran: overview description, impacts and behavioural responsiveness | |
| Zhang | Evaluating performance of bicycle sharing system in Wuhan, China | |
| Purba | MRT Jakarta: A Short Evaluation After 1 Year of Operation |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Le Yang Inventor after: Sun Yonghai Inventor after: Guo Li Inventor after: Zou Haixiang Inventor after: Liu Zhenzhen Inventor after: Jiang Jincheng Inventor after: Tu Wei Inventor after: Li Qingquan Inventor before: Le Yang Inventor before: Sun Yonghai Inventor before: Zou Haixiang Inventor before: Liu Zhenzhen Inventor before: Jiang Jincheng Inventor before: Tu Wei Inventor before: Li Qingquan |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |