CN115062873B - 交通出行方式预测方法和装置、存储介质及电子设备 - Google Patents
交通出行方式预测方法和装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN115062873B CN115062873B CN202210965668.4A CN202210965668A CN115062873B CN 115062873 B CN115062873 B CN 115062873B CN 202210965668 A CN202210965668 A CN 202210965668A CN 115062873 B CN115062873 B CN 115062873B
- Authority
- CN
- China
- Prior art keywords
- travel
- data
- group
- car
- mode
- 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 60
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 230000011664 signaling Effects 0.000 claims abstract description 43
- 238000012546 transfer Methods 0.000 claims description 28
- 230000015654 memory Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 12
- 230000010354 integration Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 239000000126 substance Substances 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000004088 simulation Methods 0.000 description 8
- 230000006399 behavior Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 6
- 230000003993 interaction Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement 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
- 230000008520 organization Effects 0.000 description 2
- 238000001174 Hausman test Methods 0.000 description 1
- 230000004308 accommodation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种交通出行方式预测方法和装置、存储介质及电子设备。其中，该方法包括：从出行数据库中获取目标城市在目标时段内的居民出行调查数据获取目标城市的拥车率、居民所属群体、出行起点与终点、交通方式和出行模式；获取目标城市的路网拓扑数据；将居民出行调查数据和路径阻抗进行数据整合，将整合后的数据输入MNL模型得到每个交通出行模式的比例，并基于手机信令数据获取目标城市中，从出发区域i至到达区域j每个群体在不同出行模式下的交通量；对目标城市的每个群体在不同出行模式下的交通量进行调整，得到目标城市中每个群体在不同出行模式下的目标交通量。本发明解决了相关技术中无法精准预测城市交通出行方式的技术问题。
Description
技术领域
本发明涉及交通出行方式预测技术领域，具体而言，涉及一种交通出行方式预测方法和装置、存储介质及电子设备。
背景技术
交通出行方式对于我国城市可持续发展至关重要，一个城市的居民出行方式是影响该城市交通拥堵、交通能源消耗和污染排放、交通安全、交通设施建设等的重要前提因素。精准模拟和预测居民出行方式是城市交通规划与管理的关键内容。
然而相关技术中交通出行方式划分模拟技术存在如下问题：
第一，相关有技术的假设出行者仅采用单种交通方式出行，采用单步交通方式划分，未考虑出行中可能存在的换乘行为，不符合出行行为的实际情况。例如，“P+R”停车换乘模式以及公共交通和非机动交通的换乘在其模型构建中无法出现，只能采取分段的方式指定中途换乘点进行出行方式划分。
第二，出行模式的分担率未使用机动车或私家车保有量等指标进行硬约束，未对出行模式分担率进行再分配，会导致异常的出行方式划分预测结果出现时无法修正，影响模型预测的鲁棒性，并影响后续流量分配与政策评估。
第三，现有模型大多基于居民出行调查数据进行出行方式划分。出于节约成本的考虑，问卷数据中样本的总量、空间覆盖率、时间颗粒度等均有限，制约了模型预测的精度和应用范围，无法对居民出行方式进行动态化实时模拟，无法满足智慧交通规划管理的精细化业务需求。
发明内容
本发明实施例提供了一种交通出行方式预测方法和装置、存储介质及电子设备，以至少解决相关技术中无法精准预测城市交通出行方式的技术问题。
根据本发明实施例的一个方面，提供了一种交通出行方式预测方法，包括：从出行数据库中获取目标城市在目标时段内的居民出行调查数据、基础地理信息数据和手机信令数据；基于所述居民出行调查数据获取所述目标城市的拥车率、居民所属群体、交通方式和所述交通方式所属的出行模式；基于所述基础地理数据获取所述目标城市的路网拓扑数据，所述路网拓扑数据用于计算预设路径的路径阻抗；将所述居民出行调查数据和所述路径阻抗进行数据整合，将整合后的数据输入MNL模型得到每个交通出行模式的比例，并基于所述手机信令数据获取所述目标城市中，从出发区域i至到达区域j每个群体在不同出行模式下的交通量；根据所述目标城市在所述目标时段内的机动车保有量，对目标城市的每个群体在不同出行模式下的交通量进行调整，得到所述目标城市中每个群体在不同出行模式下的目标交通量。
根据本发明实施例的另一方面，还提供了一种交通出行方式预测装置，包括：第一获取单元，从出行数据库中获取目标城市在目标时段内的居民出行调查数据、基础地理信息数据和手机信令数据；
第二获取单元，用于基于所述居民出行调查数据获取所述目标城市的拥车率、居民所属群体、交通方式和所述交通方式所属的出行模式；第三获取单元，用于基于所述基础地理数据获取所述目标城市的路网拓扑数据，所述路网拓扑数据用于计算预设路径的路径阻抗；整合确定单元，用于将所述居民出行调查数据和所述路径阻抗进行数据整合，将整合后的数据输入MNL模型得到所述每个交通出行模式的比例，并基于所述手机信令数据获取所述目标城市中，从出发区域i至到达区域j每个群体在不同出行模式下的交通量；调整单元，用于根据所述目标城市在所述目标时段内的机动车保有量，对目标城市的每个群体在不同出行模式下的交通量进行调整，得到所述目标城市中每个群体在不同出行模式下的目标交通量。
根据本发明实施例的又一方面，还提供了一种电子设备，包括存储器和处理器，上述存储器中存储有计算机程序，上述处理器被设置为通过上述计算机程序执行上述的交通出行方式预测方法。
根据本发明实施例的又一方面，还提供了一种计算机可读的存储介质，该计算机可读的存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述交通出行方式预测方法。
在本发明实施例中，采用了从出行数据库中获取目标城市在目标时段内的居民出行调查数据、基础地理信息数据和手机信令数据；基于所述居民出行调查数据获取所述目标城市的拥车率、居民所属群体、交通方式和所述交通方式所属的出行模式；基于所述基础地理数据获取所述目标城市的路网拓扑数据，所述路网拓扑数据用于计算预设路径的路径阻抗；将所述居民出行调查数据和所述路径阻抗进行数据整合，将整合后的数据输入MNL模型得到每个交通出行模式的比例，并基于所述手机信令数据获取所述目标城市中，从出发区域i至到达区域j每个群体在不同出行模式下的交通量；根据所述目标城市在所述目标时段内的机动车保有量，对目标城市的每个群体在不同出行模式下的交通量进行调整，得到所述目标城市中每个群体在不同出行模式下的目标交通量的方法，在上述方法中，由于通过多维因素并结合MNL模块构建出行方式预测模型，可以实现城市交通出行方式的精准预测，进而解决了相关技术中无法精准预测城市交通出行方式的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种可选的交通出行方式预测方法的应用环境的示意图；
图2是根据本发明实施例的另一种可选的交通出行方式预测方法的应用环境的示意图；
图3是根据本发明实施例的一种可选的交通出行方式预测方法的流程示意图；
图4是根据本发明实施例的另一种可选的交通出行方式预测方法的流程示意图；
图5是根据本发明实施例的一种可选的交通出行方式预测示意图；
图6是根据本发明实施例的一种可选的目标城市的交通出行方式示意图；
图7是根据本发明实施例的另一种可选的目标城市的交通出行方式示意图；
图8是根据本发明实施例的一种可选的交通出行方式预测装置的结构示意图；
图9是根据本发明实施例的一种可选的电子设备的结构示意图。
具体实施方式
为了使本发明实施例领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例的一个方面，提供了一种交通出行方式预测方法，作为一种可选地实施方式，上述交通出行方式预测方法可以但不限于应用于如图1所示的应用环境中。与用户进行人机交互的终端设备102、网络104、服务器106。用户108与终端设备102之间可以进行人机交互，终端设备102中运行有交通出行方式预测应用客户端。上述终端设备102中包括人机交互屏幕1022，处理器1024及存储器1026。人机交互屏幕1022用于呈现目标城市出行方式的界面；处理器1024用于获取出行大数据。存储器1026用于存储出行大数据。
此外，服务器106中包括数据库1062及处理引擎1064，数据库1062中用于存储目标城市的出行大数据。处理引擎1064用于：从出行数据库中获取目标城市在目标时段内的居民出行调查数据、基础地理信息数据和手机信令数据；基于所述居民出行调查数据获取所述目标城市的拥车率、居民所属群体、交通方式和所述交通方式所属的出行模式；基于所述基础地理数据获取所述目标城市的路网拓扑数据，所述路网拓扑数据用于计算预设路径的路径阻抗；将所述居民出行调查数据和所述路径阻抗进行数据整合，将整合后的数据输入MNL模型得到每个交通出行模式的比例，并基于所述手机信令数据获取所述目标城市中，从出发区域i至到达区域j每个群体在不同出行模式下的交通量；根据所述目标城市在所述目标时段内的机动车保有量，对目标城市的每个群体在不同出行模式下的交通量进行调整，得到所述目标城市中每个群体在不同出行模式下的目标交通量。
作为另一种可选的实施方式，本申请上述知识图谱构建上述方法可以应用于图2中。如图2所示，用户202与用户设备204之间可以进行人机交互。用户设备204中包含有存储器206和处理器208。本实施例中用户设备204可以但不限于参考执行上述终端设备102所执行的操作，确定目标城市中每个群体在不同出行模式下的目标交通量。
可选地，上述终端设备102和用户设备204可以但不限于为手机、平板电脑、笔记本电脑、PC机等终端，上述网络104可以包括但不限于无线网络或有线网络。其中，该无线网络包括：WIFI及其他实现无线通信的网络。上述有线网络可以包括但不限于：广域网、城域网、局域网。上述服务器106可以包括但不限于任何可以进行计算的硬件设备。上述服务器可以是单一服务器，也可以是由多个服务器组成的服务器集群，或者是云服务器。上述仅是一种示例，本实施例中对此不作任何限定。
为了解决上述技术问题，作为一种可选地实施方式，如图3所示，本发明实施例提供了一种交通出行方式预测方法，包括如下步骤：
S302，从出行数据库中获取目标城市在目标时段内的居民出行调查数据、基础地理信息数据和手机信令数据。
在本发明实施例中，目标时间段包括但不限于为以月度或年度的时间段；手机信令是手机与通讯基站之间的通信记录数据。当手机连接到移动通讯网络时，会产生一系列的控制指令，这些指令的数据字段包括时间、位置、编号等多种信息。这里，手机信令数据主要用于获取单城市内不同街道间的轨迹起止点（Origin Destination，OD）数据，即出行起点与终点，具体字段包括起点街道、终点街道、日期、性别分组、年龄分组、扩样人口数，这里的扩样人口数可以为通过年鉴，将通过一个运营商得到的人口数量进行相应的调整。
S304，基于所述居民出行调查数据获取所述目标城市的拥车率、居民所属群体、交通方式和所述交通方式所属的出行模式。
基于居民出行调查原始数据，计算各个交通单元的拥车率，即各街道的拥车率，依据年龄、性别对人群进行划分，对应通常的交通出行方式与本发明实施例的交通出行模式。通过未成年（低于18岁）、劳动力（19-59岁）、老年人（高于60岁）三档年龄类别和男、女两类性别的交叉组合，将人群分为六类。对于每个交通单元，即居民出行调查数据中的街道，统计每类人群中家庭拥有私家车的比例。将居民出行调查中的私家车出行归为第一类私人交通出行模式，摩托车出行归为第二类私人交通出行模式，剩余交通方式归为公共交通出行方式。
S306，基于所述基础地理数据获取所述目标城市的路网拓扑数据，所述路网拓扑数据用于计算预设路径的路径阻抗；
本发明实施例首先基于的居民出行调查数据的年份，利用基础地理信息数据如OSM、地图软件数据以及国家地理数据信息中心矢量地图数据构造对应年份的路网拓扑。基本的路网数据库可分为道路路段、路段节点、公交站、地铁站、地铁线路五个部分，根据路网拓扑的精细度要求，可附加高速口等部分来真实反映实际综合交通网的组织情况。路网数据库各部分通过路段节点的编号进行衔接和叠加，完成拓扑网络的构建。
基于预设的路网阻抗计算方法，计算当前城市内特定行政区划或交通出行划分单元间各种交通方式最短路径的阻抗，同时将交通方式归类到各交通出行模式中。例如，在XX城市的案例中，共有七种交通方式，分别为步行、自行车、摩托车、出租车、私家车、公交车、地铁，对应于每个起点终点对都有对应方式的最短路径阻抗。路径阻抗包括组成路径的各路段的阻抗以及路段和路段之间的换乘阻抗，如居民从一条公交线换乘到另一条，就必须计算额外等待时间带来的换乘阻抗。
S308，将所述居民出行调查数据和所述路径阻抗进行数据整合，将整合后的数据输入MNL模型得到每个交通出行模式的比例，并基于所述手机信令数据获取所述目标城市中，从出发区域i至到达区域j每个群体在不同出行模式下的交通量。
根据预先构建的MNL方程，利用前述步骤处理得到的居民出行和路网阻抗数据求取参数，将补完参数的模型应用于手机信令大数据捕获处理得到的单元间交通出行量上，求得大数据年份对应的各出行量方式划分。例如，XX城市实例中利用2015年的居民出行调查数据处理得到相应数据后，利用最大似然法求得MNL模型的具体参数，并应用到2019年手机信令大数据分析提取的城市内交通出行量，得到当年街道间分出行模式出行量。而后根据机动车保有量对出行模式分担率进行限制，得到再分配后的最终输出。
S310，根据所述目标城市在所述目标时段内的机动车保有量，对目标城市的每个群体在不同出行模式下的交通量进行调整，得到所述目标城市中每个群体在不同出行模式下的目标交通量。
由于私人交通出行的实际限制（即相应交通工具的保有量水平），本发明实施例交通出行模式分配的硬约束限制以及再分配流程。例如，城市中私家车出行模式在全天的出行总量不能超过全市的私家车保有量。若前述步骤初步计算得到的出行量超过理论值，则多余出行量需按照MNL模型的ⅡA假设和特定OD对出行总量不变的原则，依据另外两种交通出行模式的比例分配到另两种交通出行模式上，使得模型结果更加符合实际、更具灵活性和可操作性。由于一种私人交通模式可能会因为另一种私人交通模式的交通量再分配导致自身再分配值同样超过理论值。再分配流程设定为两轮，第二轮的溢出全部分配给公共交通出行模式，并输出最终结果
在本发明实施例中，采用了从出行数据库中获取目标城市在目标时段内的居民出行调查数据、基础地理信息数据和手机信令数据；基于所述居民出行调查数据获取所述目标城市的拥车率、居民所属群体、交通方式和所述交通方式所属的出行模式；基于所述基础地理数据获取所述目标城市的路网拓扑数据，所述路网拓扑数据用于计算预设路径的路径阻抗；将所述居民出行调查数据和所述路径阻抗进行数据整合，将整合后的数据输入MNL模型得到每个交通出行模式的比例，并基于所述手机信令数据获取所述目标城市中，从出发区域i至到达区域j每个群体在不同出行模式下的交通量；根据所述目标城市在所述目标时段内的机动车保有量，对目标城市的每个群体在不同出行模式下的交通量进行调整，得到所述目标城市中每个群体在不同出行模式下的目标交通量的方法，在上述方法中，由于通过多维因素并结合MNL模块构建出行方式预测模型，可以实现城市交通出行方式的精准预测，进而解决了相关技术中无法精准预测城市交通出行方式的技术问题。
在一个或多个实施例中，所述将所述居民出行调查数据和所述路径阻抗进行数据整合，将整合后的数据输入MNL模型得到所述每个交通出行模式的比例，包括：
获取所述每个群体在每个出行模式的路径出行成本Costij,a,M，其中a为群体类别，M为出行模式；
根据所述拥车率Car_Ownershipa,i，将所述手机信令数据处理得到各个群体在所述目标城市的街道间的OD数据Tij,a，划分为有车子类群体交通量Tij,a,car和无车子类群体交通量Tij,a,no_car；
根据所述MNL模型计算所述Tij,a,car的比例和所述Tij,a,no_car的比例；
所述基于所述手机信令数据获取所述目标城市中，从出发区域i至到达区域j每个群体在不同出行模式下的交通量，包括：
根据所述Tij,a,car的比例和所述Tij,a,no_car的比例，确定从出发区域i至到达区域j每个群体在不同出行模式下的交通量。
在一个或多个实施例中，所述获取所述每个群体在每个出行模式的路径的出行成本Costij,a,M，包括：
将出发区域i至到达区域j之间的路径的阻抗Costm进行加权计算，并将交通量进行多轮分配，获取所述出行成本Costij,a,M；其中，当分配过程中未出现Tij,a,m时，采用公式（1）获取所述Costij,a,M，否则采用公式（2）获取所述Costij,a,M：
（第n轮，n≠1，M=M1，M2，M3）（2）
其中，Tij,a,m为a群体在路径m下的权重，M1，M2，M3分别为不同的出行模式。
在一个或多个实施例中，所述根据所述MNL模型计算所述Tij,a,car的比例和所述Tij,a,no_car的比例，包括：
基于公式（3），（4），（5），（6）获取所述Tij,a,car的比例和所述Tij,a,no_car的比例：
（3）
（4）
（5）
（6）
其中，
为a群体不划分出行模式的交通量，Car_Ownershipa,i为所述目标城市的拥车率，
为通过所述居民调查数据标定得到的logit模式选择参数，pij,a,car,M为所述Tij,a,car的比例，pij,a,no_car,M为所述Tij,a,no_car的比例；
根据所述Tij,a,car的比例和所述Tij,a,no_car的比例，确定从出发区域i至到达区域j每个群体在不同出行模式下的交通量
，所述
通过公式（7）获取：
在一个或多个实施例中，所述阻抗Costm通过公式（8）获取：
其中，l为路段，k为交通方式，Time_costl,k为时间出行成本，Fee_costl,k为货币成本，Trans_costl,k为换乘成本。
在一个或多个实施例中，所述方法还包括：根据年龄阶段和性别将所述目标城市的居民划分为以下六种群体类别：
包括18岁以下未成年男性的第一群体；
包括18岁以下未成年女性的第二群体；
包括19-59岁居民男性的第三群体；
包括19-59岁居民女性的第四群体；
包括60岁以上男性老年人的第五群体；
包括60岁以上女性老年人的第六群体。
基于上述实施例，在一应用实施例中，如图4所示，上述交通出行方式预测方法包括如下内容：（1）首先基于所用的居民出行调查数据的年份，利用基础地理信息数据如OSM、地图软件数据库以及国家地理数据信息中心矢量地图数据构造对应年份的路网拓扑。基本的路网数据库可分为道路路段、路段节点、公交站、地铁站、地铁线路五个部分，根据路网拓扑的精细度要求，再附加高速口等部分，可以以更真实地反映实际综合交通网的组织情况。数据库各部分通过路段节点的编号进行衔接和叠加，完成拓扑网络的构建。
（2）基于预设的路网阻抗计算方法，计算城市内特定行政区划或交通出行划分单元间各种交通方式最短路径的阻抗，同时将交通方式归类到各交通出行模式中。例如，在北京的案例中，共有七种交通方式，分别为步行、自行车、摩托车、出租车、私家车、公交车、地铁，对应于每个起点终点对都有对应方式的最短路径阻抗。路径阻抗包括组成路径的各路段的阻抗以及路段和路段之间的换乘阻抗，如居民从一条公交线换乘到另一条，就必须计算额外等待时间带来的换乘阻抗。
（3）基于居民出行调查原始数据，计算各个交通单元的拥车率，依据年龄、性别对人群进行划分，对应通常的交通出行方式与本发明实施例的交通出行模式。通过未成年（低于18岁）、劳动力（19-59岁）、老年人（高于60岁）三档年龄类别和男、女两类性别的交叉组合，将人群分为六类。对于每个交通单元，即居民出行调查数据中的街道，统计每类人群中家庭拥有私家车的比例。将居民出行调查中的私家车出行归为第一类私人交通出行模式，摩托车出行归为第二类私人交通出行模式，剩余交通方式归为公共交通出行方式以备后续MNL模型求解。
（4）根据构建的MNL方程，利用前述步骤处理得到的居民出行和路网阻抗数据求取参数，将补完参数的模型应用于手机信令大数据捕获处理得到的单元间交通出行量上，求得大数据年份对应的各出行量方式划分。例如，目标城市实例中利用2015年的居民出行调查数据处理得到相应数据后，利用最大似然法求得MNL模型的具体参数，并应用到2019年手机信令大数据分析提取的城市内交通出行量，得到当年街道间分出行模式出行量。而后根据机动车保有量对出行模式分担率进行限制，得到再分配后的最终输出。
（5）由于私人交通出行的实际限制（即相应交通工具的保有量水平），本发明实施例提出交通出行模式分配的硬约束限制以及再分配流程。例如，城市中私家车出行模式在全天的出行总量不能超过全市的私家车保有量。若前述步骤初步计算得到的出行量超过理论值，则多余出行量需按照MNL模型的ⅡA假设和特定OD对出行总量不变的原则，依据另外两种交通出行模式的比例分配到另两种交通出行模式上，使得模型结果更加符合实际、更具灵活性和可操作性。由于一种私人交通模式可能会因为另一种私人交通模式的交通量再分配导致自身再分配值同样超过理论值。再分配流程设定为两轮，第二轮的溢出全部分配给公共交通出行模式，并输出最终结果。
出行模式预测模型构建过程包括如下步骤：
本发明实施例共定义三类交通出行模式，私人交通出行模式（私家车型，摩托车型）与公共交通出行模式（符号设为M1，M2，M3）。该技术总流程可概括为将手机信令数据处理得到的不分出行模式的交通出行量Tij,a,转化为Tij,a,m，即目标时间段内从出发区域i至到达区域j，a群体使用交通出行模式M的交通量。
对于a群体，M模式的路径的平均广义出行成本Costij,a,M可通过其所含的路径的阻抗Costm加权计算得到，权重为Tij,a,m。交通流整体分配的流程中，需要多轮迭代以达到平衡。通常来说，迭代第一轮并没有Tij,a,m值，可使用简单平均数。N表示每个OD对属于M模式的a群体选择的路径数目，通过贪婪算法等特定算法依照阻抗从小到大的原则选择路径。
（第n轮，n≠1，M=M1，M2，M3）
路径阻抗即路径的广义交通成本，由其各组成部分（l，k）对（物理路段和交通方式的组合）的广义出行成本Costl，k（内含基于条件判断的路段间换乘成本Costε）加总得到。总的来说，路径内换乘成本的大小会影响Costl，k进而影响路径阻抗Costm的大小，决定该路径是否被选中为N条路径之一，影响Costij,a,M的计算从而改变各交通出行模式的分配比例，这是该技术内隐的嵌入换乘行为算法的体现。
换乘成本一般发生在相邻路段不同交通方式之间，但根据路网拓扑和阻抗算法的精细度有时也会发生在相同交通方式之间。对于从i到j被选择出来的路径包含的路段，按照各交通方式k的出行成本如下（距离单位默认km，速度单位默认km/h）：
Costl,k=Time_costl,k+Fee_costl,k+Trans_costl,k；
其中，Time_costl,k为时间出行成本，为居民出行所花费的实际时间。Fee_costl,k为货币成本，通过设定单位时间价值VOT转化为和时间出行成本相同单位。Trans_costl,k为换乘成本，除了换乘的时间成本之外，例如地铁、公交、出租车等换乘导致的额外换乘货币成本也通过单位时间价值VOT转换单位和换乘时间成本加和为换乘成本项。对于地铁和公交，其换乘成本的产生存在两种情况：一种为交通方式变更，即乘客从其他交通方式更换地铁或公交；另一种为同种交通方式的载体或线路变更，从一条地铁/公交线切换到另一条地铁/公交线。
在换乘限制上，每种交通方式只能和与自己同属一类交通出行模式的交通方式相互换乘。公共交通出行模式M3包括步行、自行车、轨道交通、公交车、出租车。两种私人交通出行模式M1 ，M2分别包括私家车与摩托两种私人出行方式，且可换乘M3的交通方式。特别地，M1 ，M2禁止私家车或摩托与出租车进行换乘，整个出行行程中仅能在开始、最后行程段或者完整全程使用私家车或摩托，且仅能使用一次。
根据所述MNL模型计算各交通出行模式比例。根据街道的家庭拥车率Car_Ownershipa,i，将手机信令数据处理得到的各群体街道间OD数据
分为有车和无车两个子类群体流量数据Tij,a,car和Tij,a,no_car。
为logit模式选择参数，由居民调查数据标定得到。
得到未经约束的分配了交通出行模式的交通量T_rawij,a,M。
其次，对私人交通出行模式的流量进行约束：
在初步分配交通量至出行模式之后，将区域私家车、摩托车的保有量LimitM1和LimitM2视为能够使用这两种方式出行的理论交通量上限，将其与M1、M2交通出行模式的路径分配到的交通量相比较。
（1）不用限制：（
，d = 1，2）
属于Md（d = 1，2）的实际交通流
未超过理论交通流上限LimitMd，则满足公式：Tij,a,M=T_rawij,a,M。
（2）需要限制时，从1到2遍历d，若∑ij,aT_rawij,a,Md>LimitMd则按照理论交通流上限等比例限制交通流（此时d具有单一值为1或2，即只对单个交通出行模式进行操作），对每个OD对即以确定的i和j为计算尺度：
而后在每个OD对的其余两种交通出行模式的路径按照pij,a,M的比例进行分配：
此时，T_tempij,a,M为临时交通流变量，由于还需进行第二轮交通量检查与再分配，以免另一种私人交通模式实际流量超出上限，最后确定正式交通流量Tij,a,m。
此时若有超出实际交通量（∑ij,aT_tempij,a,Mp>LimitMp，p =1，2 ；p≠d），则都分配给出行模式属性为M3的路径m（对每个OD对计算）：
∆Tij,a=T_tempij,a,Mp-Tij,a,Mp；
若没有超出实际交通量（∑ij,aT_tempij,a,Mp≤LimitMp，p = 1，2 ；p≠d）：
f= 1，2，3 ；f≠d；
通过上述技术方案，本发明实施例能够高精度模拟预测居民出行方式，参数显著性良好。
在初始选择交通出行模式分类时，需要考虑换乘行为的容纳度和求得参数的显著性的拮抗。只有当求得的参数在给定的显著性水平下显著，才能说明交通出行模式分类的架构合理。利用A市2015年居民出行调查和基础地理信息数据求得的MNL模型参数值与显著性如表1所示，24个参数中的18个参数在0.05显著性水平下都显著，参数的显著性良好，模型合理。
表1中的人群类别从1至6，分别表示男未成年、男劳动力、男老年人、女未成年、女劳动力、女老年人。劳动力年龄范围定义为18-60岁。为验证本发明实施例的出行模式分类合理性，改变交通出行模式划分类别数目并对各群体进行豪斯曼独立性检验。如将交通出行模式划分为4类，提取出M4非机动交通（NMT，包含步行与自行车），老年群体的豪斯曼检验显示M3与M4不独立；若进一步将出租车提取出来作为第五类出行模式M5，则M3分别与M4、M5不独立。本发明实施例的三类交通出行模式划分方法最合理，能够准确预测居民出行三种出行方式。
表1
| 人群类别 | M2 beta1 | 显著性 | M3 beta1 | 显著性 | M2 beta2 | 显著性 | M3 beta2 | 显著性 |
| 1 | -2.597 | 0.549 | 0.65 | 0.000 | -3.762 | 0.000 | -3.681 | 0.000 |
| 2 | -0.424 | 0.058 | 0.334 | 0.000 | -4.146 | 0.000 | -3.797 | 0.000 |
| 3 | -0.931 | 0.000 | -0.106 | 0.052 | -2.864 | 0.000 | -3.476 | 0.000 |
| 4 | -1.749 | 0.401 | 0.685 | 0.000 | -3.962 | 0.003 | -4.484 | 0.000 |
| 5 | -1.96 | 0.038 | 0.324 | 0.000 | -24.526 | 0.000 | -3.967 | 0.000 |
| 6 | -0.676 | 0.505 | -0.131 | 0.094 | -21.896 | 0.000 | -2.515 | 0.000 |
本发明实施例基于MNL模型的居民出行方式选择嵌套模型和模拟技术架构合理，预测结果更符合实际，并能为基于换乘行为的交通流量分配提供前置的理论和实践基础。本发明实施例在建立出行方式预测模型过程中，利用国家地理数据信息中心矢量地图数据构造2015、2019年的路网空间数据集框架，其路网数据现势性为2014年和2017年，通过目标城市总体规划中交通规划图与历史高德以及OSM路网数据进行校核补充。为合理地减少路径阻抗和路径选择计算量，保留县级和次干道以上级别道路，形成路网拓扑。对于每个路段，根据长度和道路等级赋值基本阻抗，计算街道间各类交通方式最短路径阻抗。
对居民出行调查原始数据进行处理，求MNL方程参数。居民出行调查原始数据经过处理，保留出发街道、到达街道、交通方式、家庭拥车情况等属性，将交通方式与本技术的交通出行模式对应后，通过街道间各类交通方式最短路径阻抗以及各出发街道的家庭拥车比率计算各群体的MNL方程参数。
处理目标年度手机信令数据，根据居民的流动特征和居住特征识别居民的常住街道和每次完整行程的出发和到达街道，根据年龄性别处理为和前述步骤相同的群体分类。将MNL方程应用于手机信令数据捕获处理得到的单元间交通出行量上，求得当年份街道间出行量的交通出行模式划分比例。最后，根据机动车保有量对出行模式分担率进行限制和两轮再分配，得到最终输出。
预测结果中，如图5所示，从总的出行模式分担率来看，出行方式的模拟较为准确。在图5中交通出行模式M1以私家车为私人出行方式。交通出行模式M2以摩托车为私人出行方式。交通出行模式M3组成为其他非私有交通工具的出行方式。根据《2020年XX市交通发展年度报告》中2019年XX市中心城区工作日不同时间交通方式出行量数据（数据来源：XX交通发展研究院），日均出行总量为3957万人次，其中小汽车出行为894万人次，占比22.6%。考虑到手机信令大数据的扩样偏差对交通出行数据样本分布的影响，总体18.4%的私家车私人出行模式预测占比可接受。各群体的出行模式比例预测值具有明显的规律，年龄越大则私家车出行模式比例越高，男性也更倾向于私家车出行模式。
图6和图7显示了模型预测的XX市居民从各街道出发与到达各街道的出行模式M1占比情况。公共交通出行模式M3比例越小。如图6所示，图6中各街道的值表示对于从各街道出发到其他街道的总出行量而言，M1的占比是多少，表现出分散的团块聚集分布。如图7所示，各街道的值表示对于从其他街道到该街道的总出行量而言M1的占比。相比于出发地的出行模式分担率，到达地的出行模式分担率表现单中心化的空间格局，从中心城区到郊区私家车出行模式呈现递减的圈层结构。
本发明实施例还具有以下有益的技术效果：
第一，通过嵌入换乘行为算法，融入手机信令大数据分析，优化已有的基于MNL模型居民出行方式划分模拟技术，构建新的更加精确的居民出行方式模拟预测技术，模拟结果更加接近城市真实情况。本技术通过分析居民出行交通方式的共性将其纳入基本的出行模式，有效提取出了两种私人交通出行模式与一种公共交通出行模式，在计算过程中实现了换乘行为算法内嵌。
第二，通过机动车保有量等指标对出行模式分担率进行限制，提高了模型预测的适应性和鲁棒性。依据全市或各区的机动车或私家车保有量对私人交通出行模式的流量进行再分配，避免了异常模式划分结果的出现，使得后续流量分配与政策评估更加可靠。
第三，在模型中融入手机信令大数据分析，拓宽了交通出行方式划分模型的时空应用范围，能够实现对居民出行方式的动态化实时模拟，更能够满足智慧交通规划管理的精细化业务需求。
第四，经济实用，时空大数据的范围广、成本低、容易收集。本技术所用的其它数据都是普遍数据，易采集。MNL模型参数估算过程具有普适性，可应用于不同类型的城市，容易操作，可推广度高。
根据本发明实施例的另一个方面，还提供了一种用于实施上述交通出行方式预测方法的交通出行方式预测装置。如图8所示，该装置包括：
第一获取单元802，从出行数据库中获取目标城市在目标时段内的居民出行调查数据、基础地理信息数据和手机信令数据；
第二获取单元804，用于基于所述居民出行调查数据获取所述目标城市的拥车率、居民所属群体、交通方式和所述交通方式所属的出行模式；
第三获取单元806，用于基于所述基础地理数据获取所述目标城市的路网拓扑数据，所述路网拓扑数据用于计算预设路径的路径阻抗；
整合确定单元808，用于将所述居民出行调查数据和所述路径阻抗进行数据整合，将整合后的数据输入MNL模型得到所述每个交通出行模式的比例，并基于所述手机信令数据获取所述目标城市中，从出发区域i至到达区域j每个群体在不同出行模式下的交通量；
调整单元810，用于根据所述目标城市在所述目标时段内的机动车保有量，对目标城市的每个群体在不同出行模式下的交通量进行调整，得到所述目标城市中每个群体在不同出行模式下的目标交通量。
在本发明实施例中，在本发明实施例中，采用了从出行数据库中获取目标城市在目标时段内的居民出行调查数据、基础地理信息数据和手机信令数据；基于所述居民出行调查数据获取所述目标城市的拥车率、居民所属群体、交通方式和所述交通方式所属的出行模式；基于所述基础地理数据获取所述目标城市的路网拓扑数据，所述路网拓扑数据用于计算预设路径的路径阻抗；将所述居民出行调查数据和所述路径阻抗进行数据整合，将整合后的数据输入MNL模型得到每个交通出行模式的比例，并基于所述手机信令数据获取所述目标城市中，从出发区域i至到达区域j每个群体在不同出行模式下的交通量；根据所述目标城市在所述目标时段内的机动车保有量，对目标城市的每个群体在不同出行模式下的交通量进行调整，得到所述目标城市中每个群体在不同出行模式下的目标交通量的方法，在上述方法中，由于通过多维因素并结合MNL模块构建出行方式预测模型，可以实现城市交通出行方式的精准预测，进而解决了相关技术中无法精准预测城市交通出行方式的技术问题。
在一个或多个实施例中，所述整合确定单元808，包括：
获取模块，用于获取所述每个群体在每个出行模式的路径出行成本Costij,a,M，其中a为群体类别，M为出行模式；
划分模块，用于根据所述拥车率Car_Ownershipa,i，将所述手机信令数据处理得到各个群体在所述目标城市的街道间的OD数据
，划分为有车子类群体交通量Tij,a,car和无车子类群体交通量Tij,a,no_car；
计算模块，用于根据所述MNL模型计算所述Tij,a,car的比例和所述Tij,a,no_car的比例；
确定模块，用于根据所述Tij,a,car的比例和所述Tij,a,no_car的比例，确定从出发区域i至到达区域j每个群体在不同出行模式下的交通量。
在一个或多个实施例中，所述第一获取模块，包括：
计算分配子单元，用于将出发区域i至到达区域j之间的路径的阻抗Costm进行加权计算，并将交通量进行多轮分配，获取所述出行成本Costij,a,M；其中，当分配过程中未出现Tij,a,m时，采用公式（1）获取所述Costij,a,M，否则采用公式（2）获取所述Costij,a,M：
（第n轮，n≠1，M=M1，M2，M3）（2）
其中，Tij,a,m为a群体在路径m下的权重，M1，M2，M3分别为不同的出行模式。
在一个或多个实施例中，所述确定模块，包括：
获取子单元，用于基于公式（3），（4），（5），（6）获取所述Tij,a,car的比例和所述Tij,a,no_car的比例：
（3）
（4）
（5）
（6）
其中，
为a群体不划分出行模式的交通量，Car_Ownershipa,i为所述目标城市的拥车率，
为通过所述居民调查数据标定得到的logit模式选择参数，pij,a,car,M为所述Tij,a,car的比例，pij,a,no_car,M为所述Tij,a,no_car的比例；
根据所述Tij,a,car的比例和所述Tij,a,no_car的比例，确定从出发区域i至到达区域j每个群体在不同出行模式下的交通量
，所述
通过公式（7）获取：
在一个或多个实施例中，所述阻抗Costm通过公式（8）获取：
其中，l为路段，k为交通方式，Time_costl,k为时间出行成本，Fee_costl,k为货币成本，Trans_costl,k为换乘成本。
在一个或多个实施例中，所述交通出行方式预测装置中还包括，划分单元，用于根据年龄阶段和性别将所述目标城市的居民划分为以下六种群体类别：
包括18岁以下未成年男性的第一群体；
包括18岁以下未成年女性的第二群体；
包括19-59岁居民男性的第三群体；
包括19-59岁居民女性的第四群体；
包括60岁以上男性老年人的第五群体；
包括60岁以上女性老年人的第六群体。
根据本发明实施例的又一个方面，还提供了一种用于实施上述交通出行方式预测方法的电子设备，该电子设备可以是图1所示的客户端或服务器。本实施例以该电子设备为服务器为例来说明。如图9所示，该电子设备包括存储器902和处理器904，该存储器902中存储有计算机程序，该处理器904被设置为通过计算机程序执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述电子设备可以位于计算机网络的多个网络设备中的至少一个网络设备。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，从出行数据库中获取目标城市在目标时段内的居民出行调查数据、基础地理信息数据和手机信令数据；
S2，基于所述居民出行调查数据获取所述目标城市的拥车率、居民所属群体、交通方式和所述交通方式所属的出行模式；
S3，基于所述基础地理数据获取所述目标城市的路网拓扑数据，所述路网拓扑数据用于计算预设路径的路径阻抗；
S4，将所述居民出行调查数据和所述路径阻抗进行数据整合，将整合后的数据输入MNL模型得到每个交通出行模式的比例，并基于所述手机信令数据获取所述目标城市中，从出发区域i至到达区域j每个群体在不同出行模式下的交通量；
S5，根据所述目标城市在所述目标时段内的机动车保有量，对目标城市的每个群体在不同出行模式下的交通量进行调整，得到所述目标城市中每个群体在不同出行模式下的目标交通量。
可选地，本领域普通技术人员可以理解，图9所示的结构仅为示意，电子装置电子设备也可以是具备网络安全检测功能的智能手机（如Android手机、iOS手机等）、平板电脑、掌上电脑以及移动互联网设备（Mobile Internet Devices，MID）、PAD等终端设备。图9其并不对上述电子装置电子设备的结构造成限定。例如，电子装置电子设备还可包括比图9中所示更多或者更少的组件（如网络接口等），或者具有与图9所示不同的配置。
其中，存储器902可用于存储软件程序以及模块，如本发明实施例中的交通出行方式预测方法和装置对应的程序指令/模块，处理器904通过运行存储在存储器902内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的交通出行方式预测方法。存储器902可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器902可进一步包括相对于处理器904远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。其中，存储器902具体可以但不限于用于存储多源时空大数据等信息。作为一种示例，如图9所示，上述存储器902中可以但不限于包括上述交通出行方式预测装置中的第一获取单元802、第二获取单元804、第三获取单元806、整合确定单元808与调整单元810；此外，还可以包括但不限于上述交通出行方式预测装置中的其他模块单元，本示例中不再赘述。
可选地，上述的传输装置906用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中，传输装置906包括一个网络适配器（Network Interface Controller，NIC），其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中，传输装置906为射频（Radio Frequency，RF）模块，其用于通过无线方式与互联网进行通讯。
此外，上述电子设备还包括：显示器908，用于显示上述协议解析插件的置位状态值；和连接总线910，用于连接上述电子设备中的各个模块部件。
在其他实施例中，上述电子设备可以是一个分布式***中的一个节点，其中，该分布式***可以为区块链***，该区块链***可以是由该多个节点通过网络通信的形式连接形成的分布式***。其中，节点之间可以组成点对点（P2P，Peer To Peer）网络，任意形式的计算设备，比如服务器、终端等电子设备都可以通过加入该点对点网络而成为该区块链***中的一个节点。
根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述交通出行方式预测方法，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述计算机可读的存储介质可以被设置为存储用于执行以下步骤的计算机程序：
S1，从出行数据库中获取目标城市在目标时段内的居民出行调查数据、基础地理信息数据和手机信令数据；
S2，基于所述居民出行调查数据获取所述目标城市的拥车率、居民所属群体、交通方式和所述交通方式所属的出行模式；
S3，基于所述基础地理数据获取所述目标城市的路网拓扑数据，所述路网拓扑数据用于计算预设路径的路径阻抗；
S4，将所述居民出行调查数据和所述路径阻抗进行数据整合，将整合后的数据输入MNL模型得到每个交通出行模式的比例，并基于所述手机信令数据获取所述目标城市中，从出发区域i至到达区域j每个群体在不同出行模式下的交通量；
S5，根据所述目标城市在所述目标时段内的机动车保有量，对目标城市的每个群体在不同出行模式下的交通量进行调整，得到所述目标城市中每个群体在不同出行模式下的目标交通量。
可选地，在本实施例中，本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器（Read-Only Memory，ROM）、随机存取器（Random Access Memory，RAM）、磁盘或光盘等。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备（可为个人计算机、服务器或者网络设备等）执行本发明各个实施例方法的全部或部分步骤。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上仅是本发明的优选实施方式，应当指出，对于本发明实施例领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种交通出行方式预测方法，其特征在于，包括：
从出行数据库中获取目标城市在目标时段内居民出行调查数据、基础地理信息数据和手机信令数据；
基于所述居民出行调查数据获取所述目标城市的拥车率、居民所属群体、交通方式和所述交通方式所属的出行模式；
基于所述基础地理信息数据获取所述目标城市的路网拓扑数据，所述路网拓扑数据用于计算预设路径的路径阻抗；
将所述居民出行调查数据和所述路径阻抗进行数据整合，将整合后的数据输入MNL模型得到每个交通出行模式的比例，并基于所述手机信令数据获取所述目标城市中，从出发区域i至到达区域j每个群体在不同出行模式下的交通量；
根据所述目标城市在所述目标时段内的机动车保有量，对目标城市的每个群体在不同出行模式下的交通量进行调整，得到所述目标城市中每个群体在不同出行模式下的目标交通量；
其中，所述将所述居民出行调查数据和所述路径阻抗进行数据整合，将整合后的数据输入MNL模型得到每个交通出行模式的比例，包括：
获取所述每个群体在每个出行模式的路径出行成本Costij,a,M，其中a为群体类别，M为出行模式；
根据所述拥车率Car_Ownershipa,i，将所述手机信令数据处理得到各个群体在所述目标城市的街道间的OD数据Tij,a，划分为有车子类群体交通量Tij,a,car和无车子类群体交通量Tij,a,no_car；
根据所述MNL模型计算所述Tij,a,car的比例和所述Tij,a,no_car的比例；
所述基于所述手机信令数据获取所述目标城市中，从出发区域i至到达区域j每个群体在不同出行模式下的交通量，包括：
根据所述Tij,a,car的比例和所述Tij,a,no_car的比例，确定从出发区域i至到达区域j每个群体在不同出行模式下的交通量。
2.根据权利要求1所述的方法，其特征在于，所述获取所述每个群体在每个出行模式的路径的出行成本Costij,a,M，包括：
将出发区域i至到达区域j之间的路径的阻抗Costm进行加权计算，并将交通量进行多轮分配，获取所述出行成本Costij,a,M；其中，当分配过程中未出现Tij,a,m时，采用公式（1）获取所述Costij,a,M，否则采用公式（2）获取所述Costij,a,M：
其中，Tij,a,m为a群体在路径m下的权重，M为M1、M2和M3中的任意值，M1，M2，M3分别为不同的出行模式，N为每个OD对属于M模式的a群体选择的路径数目。
3.根据权利要求2所述的方法，其特征在于，所述根据所述MNL模型计算所述Tij,a,car的比例和所述Tij,a,no_car的比例，包括：
基于公式（3），（4），（5），（6）获取所述Tij,a,car的比例和所述Tij,a,no_car的比例：
（3）
（4）
（5）
（6）
其中，
为a群体不划分出行模式的交通量，Car_Ownershipa,i为所述目标城市的拥车率，
为通过所述居民出行调查数据标定得到的logit模式选择参数，pij,a,car,M为所述Tij,a,car的比例，pij,a,no_car,M为所述Tij,a,no_car的比例，k为交通方式；
根据所述Tij,a,car的比例和所述Tij,a,no_car的比例，确定从出发区域i至到达区域j每个群体在不同出行模式下的交通量
，所述
通过公式（7）获取：
4.根据权利要求2所述的方法，其特征在于，所述阻抗Costm通过公式（8）和（9）获取：
Costl,k=Time_costl,k+Fee_costl,k+Trans_costl,k（9）
其中，l为路段，k为交通方式，(l,k)∈m,Time_costl,k为时间出行成本，Fee_costl,k为货币成本，Trans_costl,k为换乘成本。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：根据年龄阶段和性别将所述目标城市的居民划分为以下六种群体类别：
包括18岁以下未成年男性的第一群体；
包括18岁以下未成年女性的第二群体；
包括19-59岁居民男性的第三群体；
包括19-59岁居民女性的第四群体；
包括60岁以上男性老年人的第五群体；
包括60岁以上女性老年人的第六群体。
6.一种交通出行方式预测装置，其特征在于，包括：
第一获取单元，从出行数据库中获取目标城市在目标时段内的居民出行调查数据、基础地理信息数据和手机信令数据；
第二获取单元，用于基于所述居民出行调查数据获取所述目标城市的拥车率、居民所属群体、交通方式和所述交通方式所属的出行模式；
第三获取单元，用于基于所述基础地理信息数据获取所述目标城市的路网拓扑数据，所述路网拓扑数据用于计算预设路径的路径阻抗；
整合确定单元，用于将所述居民出行调查数据和所述路径阻抗进行数据整合，将整合后的数据输入MNL模型得到每个交通出行模式的比例，并基于所述手机信令数据获取所述目标城市中，从出发区域i至到达区域j每个群体在不同出行模式下的交通量；
调整单元，用于根据所述目标城市在所述目标时段内的机动车保有量，对目标城市的每个群体在不同出行模式下的交通量进行调整，得到所述目标城市中每个群体在不同出行模式下的目标交通量；
其中，所述整合确定单元，包括：
获取模块，用于获取所述每个群体在每个出行模式的路径出行成本Costij,a,M，其中a为群体类别，M为出行模式；
划分模块，用于根据所述拥车率Car_Ownershipa,i，将所述手机信令数据处理得到各个群体在所述目标城市的街道间的OD数据
，划分为有车子类群体交通量Tij,a,car和无车子类群体交通量Tij,a,no_car；
计算模块，用于根据所述MNL模型计算所述Tij,a,car的比例和所述Tij,a,no_car的比例；
确定模块，用于根据所述Tij,a,car的比例和所述Tij,a,no_car的比例，确定从出发区域i至到达区域j每个群体在不同出行模式下的交通量。
7.一种电子设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行所述权利要求1至5任一项中所述的方法。
8.一种计算机可读的存储介质，其特征在于，所述计算机可读的存储介质包括存储的程序，其中，所述程序运行时执行所述权利要求1至5任一项中所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210965668.4A CN115062873B (zh) | 2022-08-12 | 2022-08-12 | 交通出行方式预测方法和装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210965668.4A CN115062873B (zh) | 2022-08-12 | 2022-08-12 | 交通出行方式预测方法和装置、存储介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115062873A CN115062873A (zh) | 2022-09-16 |
| CN115062873B true CN115062873B (zh) | 2022-12-09 |
Family
ID=83207388
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210965668.4A Active CN115062873B (zh) | 2022-08-12 | 2022-08-12 | 交通出行方式预测方法和装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115062873B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115630988B (zh) * | 2022-12-22 | 2023-10-27 | 北京大学深圳研究生院 | 陆路综合交通可达性测算方法和装置 |
| CN116153088B (zh) * | 2023-04-23 | 2023-09-01 | 北京大学 | 交通需求预测方法、装置和电子设备 |
| CN116542402B (zh) * | 2023-07-06 | 2023-10-03 | 北京大学 | 居民出行方式预测方法 |
| CN117474734B (zh) * | 2023-11-07 | 2024-06-07 | 北京城建设计发展集团股份有限公司 | 既有线改造与城市线网线路及车站多要素融合方法及*** |
| CN117634788B (zh) * | 2023-11-22 | 2024-05-17 | 艾迪普科技股份有限公司 | 一种数字城市的电气资源和交通监测管理方法、***和介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103208033B (zh) * | 2013-03-22 | 2017-02-08 | 北京交通大学 | 一种成网条件下城市轨道交通新线接入客流预测方法 |
| CN106951999A (zh) * | 2017-03-29 | 2017-07-14 | 北京航空航天大学 | 一种交通出行方式与出发时刻联合选择的建模与分析方法 |
| 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 |
| CN113420926A (zh) * | 2021-06-29 | 2021-09-21 | 北京交通大学 | 一种城市枢纽间多交通方式运力协同优化方案编制方法 |
-
2022
- 2022-08-12 CN CN202210965668.4A patent/CN115062873B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN115062873A (zh) | 2022-09-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115062873B (zh) | 交通出行方式预测方法和装置、存储介质及电子设备 | |
| Xia et al. | Ranking station importance with human mobility patterns using subway network datasets | |
| Biba et al. | A new method for determining the population with walking access to transit | |
| CN107766969B (zh) | 一种基于地铁服务能力瓶颈区段识别的大站快线布设方法 | |
| Wang et al. | Analyzing urban traffic demand distribution and the correlation between traffic flow and the built environment based on detector data and POIs | |
| WO2022227303A1 (zh) | 信息处理方法、装置、计算机设备及存储介质 | |
| CN105632173A (zh) | 利用出租车gps数据进行城市公交***的优化识别方法 | |
| Zhu et al. | Development of destination choice model with pairwise district-level constants using taxi GPS data | |
| CN106897791B (zh) | 一种公交地铁复合网络模型构建方法 | |
| CN107808217A (zh) | 一种基于北斗定位与客流量的公交换乘优化方法 | |
| Wang et al. | A Network‐Based Model of Passenger Transfer Flow between Bus and Metro: An Application to the Public Transport System of Beijing | |
| Deng et al. | Heterogenous Trip Distance‐Based Route Choice Behavior Analysis Using Real‐World Large‐Scale Taxi Trajectory Data | |
| Mao et al. | Customer attractiveness evaluation and classification of urban commercial centers by crowd intelligence | |
| CN113793500B (zh) | 城市交通道路可计算路网的构建方法及*** | |
| Salih et al. | Measuring transit accessibility: A dispersion factor to recognise the spatial distribution of accessible opportunities | |
| Wang et al. | Big data-driven public transportation network: a simulation approach | |
| Bhatt et al. | GIS and gravity model-based accessibility measure for Delhi metro | |
| Liu et al. | Understanding the route choice behaviour of metro-bikeshare users | |
| Manjalavil et al. | Topological properties of bus transit networks considering demand and service utilization weight measures | |
| Guo et al. | Spatiotemporal heterogeneity of the shared e-scooter–public transport relationships in Stockholm and Helsinki | |
| Ji et al. | Non-linear effects of street patterns and land use on the bike-share usage | |
| CN111008730B (zh) | 基于城市空间结构的人群聚集度预测模型构建方法及装置 | |
| CN116862324A (zh) | 一种城市轨道交通网络时空拓扑模型构建方法及*** | |
| Li et al. | An efficient matching method for dispatching autonomous vehicles | |
| Yang et al. | GIS‐Based Analysis of Railway’s Origin/Destination Path‐Selecting Behavior |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |