CN115599878A - 一种基于手机定位数据的地铁优势腹地出行链生成方法 - Google Patents

一种基于手机定位数据的地铁优势腹地出行链生成方法 Download PDF

Info

Publication number
CN115599878A
CN115599878A CN202211340202.1A CN202211340202A CN115599878A CN 115599878 A CN115599878 A CN 115599878A CN 202211340202 A CN202211340202 A CN 202211340202A CN 115599878 A CN115599878 A CN 115599878A
Authority
CN
China
Prior art keywords
subway
station
data
passenger flow
destination
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
CN202211340202.1A
Other languages
English (en)
Other versions
CN115599878B (zh
Inventor
马小毅
李彩霞
金安
陈先龙
陈嘉超
宋程
刘明敏
刘新杰
张科
丁晨滋
徐良
吴恩泽
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.)
Guangzhou Transportation Planning And Research Institute Co ltd
Original Assignee
Guangzhou Transportation Planning And Research Institute Co ltd
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 Guangzhou Transportation Planning And Research Institute Co ltd filed Critical Guangzhou Transportation Planning And Research Institute Co ltd
Priority to CN202211340202.1A priority Critical patent/CN115599878B/zh
Publication of CN115599878A publication Critical patent/CN115599878A/zh
Application granted granted Critical
Publication of CN115599878B publication Critical patent/CN115599878B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2477—Temporal data queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • 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"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Remote Sensing (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Fuzzy Systems (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本发明是一种基于手机定位数据的地铁优势腹地出行链生成方法，包括：步骤1：获取手机定位数据；步骤2：根据轨道线网地理信息获取城市地铁网络中所有的地铁链路表；步骤3：基于手机定位数据判断地铁站客流起讫点；步骤4：基于手机定位数据的客流腹地的空间竞争优势分析，生成站点客流出行链OD数据；步骤5：基于多元数据的地铁客流腹地和站点OD分布的校核。本发明有效地提高了地铁客流全样本的腹地分析和路径还原的准确性、且极大地降低了成本。通过低成本、广覆盖、高采样率的手机定位数据进行不同区位站点分类的地铁站点优势服务范围和地铁客流腹地分析，再结合站点周边土地利用和人口覆盖，实现地铁全样本集散客流的来源地腹地和数据校核，以生成地铁客流出行的完整出行链，从而为交通规划和地铁设计管理者在轨道竞争优势分析和客流引导方面提供了技术支撑。

Description

一种基于手机定位数据的地铁优势腹地出行链生成方法
技术领域
本发明属于轨道交通规划技术领域，尤其涉及一种基于手机定位数据的地铁优势腹地出行链生成方法。
背景技术
轨道交通作为城市交通的重要组成部分，传统轨道交通研究主要是基于地铁刷卡数据或闸机数据，完成轨道交通站点之间的出行量和客流强度分析。而对于轨道集散客流的来源地和交通衔接方式，主要借助于问卷调查，完成对轨道交通客流腹地和时空特征分析。
随着移动通信网络建设的不断完善，借助于沿地铁线路专门的微蜂窝***，使得移动通信已实现了沿地铁线路的无线覆盖。目前利用手机定位数据，通过沿地铁线路专用网络标识地铁客流，并与地上基站的用户唯一识别号匹配，已开展了关于地铁客流出行来源地、地铁客流换乘线路路径选择等研究。对比传统问卷调查方式获取客流来源地，手机定位数据具有样本采样率更高、成本更低、覆盖范围更广的优点。
考虑到地铁基站信号覆盖范围、基站信号强弱不同、用户数过多基站过载、用户手机并未与基站产生数据交互等问题，在沿地铁线路出行过程中经常会发生信号缺失或缺乏起讫站点，即一次出行的出行链信息并不是完整站点线路数据。因此，基于手机定位数据的地铁出行轨迹还原技术，需结合地铁出行路径准则，如“最短路径法”、“最少换乘站法”、“最优路径法”等方法，进行一系列的地铁出行路径判断。同时，虽然手机定位数据的用户覆盖范围广，用户采样率高，但相对于地铁闸机进出站点的全部客流数据，仍存在一定差距，如何利用手机定位样本数据实现地铁集散客流的全样本数据腹地和数据校核，仍是目前轨道客流研究亟需解决的问题。因此，本次提出利用手机定位数据和地铁客流刷卡数据相结合，进行地铁全样本集散客流腹地和数据校核，进一步提高地铁客流全过程出行链还原的准确性。
发明内容
为了克服现有技术中存在的上述问题，本发明提出了一种基于手机定位数据的地铁优势腹地出行链生成方法，该方法是一种基于多元数据校核的地铁客流出行链还原方法，有效地提高了地铁客流全样本的腹地分析和路径还原的准确性、且极大地降低了成本。通过低成本、广覆盖、高采样率的手机定位数据进行不同区位站点分类的地铁站点优势服务范围和地铁客流腹地分析，再结合站点周边土地利用和人口覆盖，实现地铁全样本集散客流的来源地腹地和数据校核，以生成地铁客流出行的完整出行链，从而为交通规划和地铁设计管理者在轨道竞争优势分析和客流引导方面提供了技术支撑。
技术方案具体如下：
一种基于手机定位数据的地铁优势腹地出行链生成方法，所述生成方法的具体步骤如下：
步骤1：获取手机定位数据，所述手机定位数据包括地面基站的手机定位数据和地铁基站的手机定位数据；
步骤2：根据轨道线网地理信息获取城市地铁网络中所有的地铁链路表；所述地铁链路表包括地铁线路、地铁站点、上/下行信息，换乘站标识；
步骤3：基于手机定位数据判断地铁站客流起讫点；
根据所述手机定位数据，先将地铁客流数据区分为沿地铁线路客流数据和地面基站驻留客流数据，再根据地面基站与地铁基站进行信号切换的时间点进行分割，根据最短距离和最小换乘原则，判断地面基站的用户驻点数据与信号切换的站点是否满足最优路径，若满足最优路径，则判定为起讫点，否则，根据地铁链路表进行上下行搜索，遍历获得同线路的最优站点作为用户的起讫点；
步骤4：基于手机定位数据的客流腹地的空间竞争优势分析；
基于步骤3得到的基于手机定位数据的地铁出行链OD信息表，再结合站点分类表，进行基于手机定位数据的客流腹地的空间竞争优势分析，确定小区与站点之间的空间分布权重和人口覆盖权重，再融合站点区位空间分布和人口覆盖，生成基于地铁闸机数据的站点客流来源地和目的地OD表；
步骤5：基于多元数据的地铁客流腹地和站点OD分布的校核；
基于步骤4客流腹地的空间竞争优势分析，结合线网站点客流OD路径推断，最终生成地铁线网站点客流出行链OD分布表；然后基于站点客流OD数据和调查数据，实现基于手机定位数据的轨道客流出行链还原和修正。
优选地，所述地面基站的手机定位数据包括用户编号、基站编号、时间戳、事件类型、经度、纬度；所述地铁基站的手机定位数据包括用户编号、基站编号、对应地铁站点、时间戳、事件类型、经度、纬度。
优选地，步骤3：基于手机定位数据判断地铁站客流起讫点具体为：
根据所述手机定位数据，先将地铁客流数据区分为沿地铁线路客流数据和地面基站驻留客流数据，再根据地面基站与地铁基站进行信号切换的时间点进行分割，分别判断地铁客流的起-讫点，具体操作为：
1)根据地面基站与地铁基站进行信号切换的时间点进行分割，获取地铁基站标识的用户沿地铁线路数据集S:{Sl1,Sl2,Sl3,…,Sln},其中l指的是出行的线路，Slk站点信息包含用户编号、线路、站点、站点经纬度坐标、时间戳、对应小区编号和站点顺序号；
2)起始站判断：基于地铁基站检测到用户信号的起始时刻tlk，提取用户与地铁基站切换之前的前一刻tlk-1的地面基站驻点数据tazo_ij，所述地面基站驻点数据tazo_ij包含用户在地面基站所在小区编号、经纬度坐标、驻留时刻tij界于time(tlk-1,tlk)和驻留时长，再计算信号切换的地面基站驻点小区与基站的距离distlk_ij，并与地铁链路表匹配，判断是否遵循最优路径，即遵循最短距离和最少换乘，生成基于最优路径d(zlk_ij)的起始站数据集L:list.add(Slk)：
Figure BDA0003913159340000021
若地面基站对应小区与地铁信号切铁的起始站点Slk不满足最短距离，则在该线路上行搜索前一站Slk-1，判断其是否符合最优路径，若符合则加入L:list.add(Slk-1)，若不在同一条线路，不满足最优路径，则基于地铁链路表，搜索紧邻线路的上行站点Sl_adj_k-1，再进行最优路径判断，若符合则加入起始站数据集L:list.add(Sl_adj_k-1)；
3)终点站判断：基于地铁基站检测到用户信号的终点时刻tlk+n，提取用户与地铁基站切换之前的下一刻tlk+n+1的地面基站驻点数据tazd_ij，所述地面基站驻点数据tazd_ij包含用户在地面基站所在小区编号、经纬度坐标、驻留时刻td_ij界于time(tlk+n,tlk+n+1)和驻留时长，再计算信号切换的地面基站驻点小区与基站的距离distlk+n_ij，并与地铁链路表匹配，判断是否遵循最优路径原则，即遵循最短距离和最少换乘，生成基于最优路径d(zlk_ij)的终点站数据集L:list.add(Slk+n)：
Figure BDA0003913159340000022
若地面基站对应小区与地铁信号切铁的终点站点Slk+n不满足最短距离，则在该线路下行搜索下一站Slk+n+1，判断其是否符合最优路径，若符合则加入L:list.add(Slk+n+1)，若不在同一条线路，不满足最优路径，则基于地铁链路表，搜索紧邻线路的下行站点Sl_adj_k+n+1，再进行最优路径判断，若符合则加入终点站数据集L:list.add(Sl_adj_k+n+1)；
4)最后，结合上述起始站和终点站判断，更新基于手机定位数据的地铁出行链OD信息表。
优选地，步骤4：基于手机定位数据的客流腹地的空间竞争优势分析具体为：
1)根据地铁闸机不同票种刷卡数据M:{mf1,mf2,mf3,…,mfn}，生成不同票种的站点OD信息表list.add(xod_l)，再结合线路站点空间分布、人口覆盖、客流波动系数，生成站点分类表S:{Sl1_type,Sl2_type,Sl3_type,…,Sln_type}；
2)根据站点分类表，结合步骤3生成的基于手机定位数据的地铁出行链OD信息表，生成区域不同站点分类的OD信息表，再结合小区与站点空间分布情况，进行基于手机定位数据的客流腹地的空间竞争优势分析；确定小区与站点之间的空间分布权重和人口覆盖权重，再融合站点区位空间分布和人口覆盖，生成站点客流出行链OD数据。
优选地，所述小区与站点之间的空间分布权重确定方式具体为：根据站点与小区之间的距离关系，确定小区与站点之间的空间分布权重：
Figure BDA0003913159340000031
其中，ml_o和ml_d分别是起始站和终点站的来源地和目的地小区覆盖的小区数，kl_o和kl_d分别是起始站和终点站的来源地和目的地小区的距离分级数，disto_ij和distd_ij分别是来源地和目的地小区(
Figure BDA0003913159340000032
和
Figure BDA0003913159340000033
)距离站点起始站sl_o和终点站sl_d的距离，αl_o和αl_d分别是起始站和终点站的来源地和目的地小区的距离分布系数，tij_o和tij_d分别是界于time(tx_o,tx_ij_o)和time(tx_d,tx_ij_d)的时刻，tx_o和tx_d分别是起始时刻和终点时刻，tx_ij_o和tx_ij_d分别是来源地小区和目的地小区的时刻，
Figure BDA0003913159340000034
和
Figure BDA0003913159340000035
分别是起始站和终点站的来源地和目的地小区的空间分布权重系数。
优选地，所述小区与站点之间的人口覆盖权重确定方式具体为：基于七普人口数据，融合小区的土地利用情况，确定小区与站点之间的人口覆盖权重：
Figure BDA0003913159340000036
其中，pl_o_ij和pl_d_ij分别是起始站和终点站的来源地和目的地小区覆盖的单位人口数，gl_o_ij和gl_d_ij分别是起始站和终点站的来源地和目的地小区覆盖的建筑面积，βl_o和βl_d分别是起始站和终点站的来源地和目的地小区的小区人口系数，
Figure BDA0003913159340000037
和
Figure BDA0003913159340000038
分别是起始站和终点站的来源地和目的地小区的人口布权重系数，tij_o和tij_d分别是界于time(tx_o,tx_ij_o)和time(tx_d,tx_ij_d)的时刻，tx_o和tx_d分别是起始时刻和终点时刻，tx_ij_o和tx_ij_d分别是来源地小区和目的地小区的时刻。
优选地，所述生成基于地铁闸机数据的站点客流来源地和目的地OD表具体为：结合不同区域站点分类和地铁客流站点OD数据，生成地铁闸机数据的站点客流的来源地和目的地客流数据集F(Xl_ij_od)：
Figure BDA0003913159340000041
其中，xl_o(σ)和xl_d(σ)分别是起始站和终点站的来源地和目的地小区的客流数据，σ则为客流数据调整系数，
Figure BDA0003913159340000042
和
Figure BDA0003913159340000043
分别是起始站和终点站的来源地和目的地小区的空间分布权重系数，
Figure BDA0003913159340000044
和
Figure BDA0003913159340000045
分别是起始站和终点站的来源地和目的地小区的人口布权重系数，tij_o和tij_d分别是界于time(tx_o,tx_ij_o)和time(tx_d,tx_ij_d)的时刻，tx_o和tx_d分别是起始时刻和终点时刻，tx_ij_o和tx_ij_d分别是来源地小区和目的地小区的时刻。
优选地，步骤5：基于多元数据的地铁客流腹地和站点OD分布的校核具体为：
基于步骤4客流腹地的空间竞争优势分析，结合线网站点客流OD路径推断，最终生成地铁线网站点客流出行链OD分布表；然后基于站点客流OD数据和调查数据，实现基于手机定位数据的轨道客流出行链还原和修正；
Figure BDA0003913159340000046
其中，
Figure BDA0003913159340000047
和
Figure BDA0003913159340000048
分别是起始站和终点站的来源地和目的地小区之间不同线路的客流腹地数据，
Figure BDA0003913159340000049
是指在起始站和终点站的来源地和目的地小区之间不同线路的客流调整系数，xl_od(σ)指不同线路在起始站和终点站之间的OD出行量数据，Fα(σ,x(σ))即为在一定的时间范围内获得地铁客流出行链还原OD数据与站点之间OD数据在不同区域站点分类的最小化过程。
本发明提供的基于手机定位数据的地铁优势腹地分析和出行链还原方法，符合国家法律隐私规定，结合运营商地铁基站数据，具有获取方式简单、成本较低，信息样本大、取样时间灵活、自动化获取的特点，可实现地铁客流全样本出行链的还原，可进一步提高地铁客流腹地的合理性和精确性，本发明相对于现有技术的优势效果具体如下：
1)本发明基于手机定位数据的地铁客流优势腹地分析，相对传统交通调查，可极大弥补传统调查的小样本和长周期静态数据的缺陷，实现地铁优势出行的短周期实时动态更新；
2)本发明基于手机定位数据的地铁优势腹地分析和出行链还原方法，立足于地铁客流全过程链分析，进行地铁客流优势腹地分析和出行链校核，有助于区域不同交通方式的出行竞争分析研究，对交通分析提供数据基础。
3)本发明结合地铁客流多维空间数据分析方法，利用大数据和传统IC卡客流结合，支撑地铁客流全过程分析和校核，有利于提高地铁客流分析的科学性和准确性，以提升交通设施的利用效率。
附图说明
图1基于手机定位数据地铁优势腹地分析和出行链还原方法流程图；
图2基于地铁站点客流腹地的空间分布情况示意图；
图3基于地铁站点客流腹地的人口覆盖情况示意图；
图4基于不同行政区的站点客流空间分布距离示意图；
图5基于不同站点的地铁客流腹地空间分布示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作详细说明，参见附图1，本发明的一种基于手机定位数据的地铁优势腹地出行链生成方法，具体实施步骤如下：
步骤1：获取地面手机数据和地铁专有蜂窝网络的手机定位数据。
获取的手机数据信息包括来自地面基站的手机数据和地铁专有蜂窝网络的手机定位数据。其中来自地面基站的手机数据包括用户编号、基站编号、时间戳、事件类型、经度、纬度等标签属性信息，用以地铁专有蜂窝网络切换的起-讫点判断。
获取的地铁专有蜂窝网络的手机定位数据包括用户编号、基站编号、对应地铁站点、时间戳、事件类型、经度、纬度等标签属性信息，用以乘坐地铁出行的途径站线路和站点判断。
表1地铁专用蜂窝网络数据字段信息表
字段名 数据类型 字段信息内容
ISDN String 手机识别号，用以手机用户的唯一识别号
LAC String 位置区编号
TIMESTAMP String 时间戳，信令发生时的时间标记
EVENTTYPE String 信令事件类型
LATITUDE String 纬度
LONGITUDE String 经度
StopID String 对应的地铁站点编号，地铁专用蜂窝网络对应的地铁站点
步骤2：获取城市地铁网络中，所有的地铁线路链路表信息。
地铁链路表信息包括地铁线路、地铁站点、上/下行信息，换乘站标识等地铁属性信息。
表2地铁线路的链路字段信息表
字段名 数据类型 字段信息内容
LINEID String 地铁线路编号，用以地铁线路标识
StopID String 地铁站点编号，用以地铁站点标识
DIRECTION String 地铁线路上/下行标识，用以标识沿地铁出行的方向信息
TRANS_FLAG String 地铁换乘站信息，用以标识换乘站点可换乘线路信息
步骤3：基于手机定位数据的地铁站客流起讫点判断。
对于地铁客流数据，根据地铁专用蜂窝标识数据，先将地铁客流区分为沿地铁线路客流数据和地面基站驻留客流数据，再根据地面基站与地铁专用蜂窝数据进行信号切换的时间点进行分割，分别判断地铁客流的起-讫点，具体操作为：
首先，根据地面基站与地铁专用蜂窝数据进行信号切换的时间点进行分割，获取地铁基站标识的用户沿地铁线路数据集S:{Sl1,Sl2,Sl3,…,Sln},其中l指的是出行的线路，Sln站点信息包含用户编号、线路、站点，站点经纬度坐标、时间戳、对应小区编号和站点顺序号等信息。
起始站判断：基于地铁基站检测到用户信号的起始时刻tlk，提取用户与地铁基站切换之前的前一刻(tlk-1)地面基站驻点数据tazo_ij，tazo_ij包含用户在地面基站所在小区编号、经纬度坐标，驻留时刻和驻留时长等信息，再计算信号切换的地面基站驻点小区与基站的距离distlk_ij，并与地铁链路表匹配，判断是否遵循最优路径原则(最短距离和最少换乘)，生成基于最优路径的起始站数据集L:list.add(slk)：
Figure BDA0003913159340000051
若地面基站对应小区与地铁信号切铁的起始站点Slk不满足最短距离，则在该线路上行搜索前一站Slk-1，判断其是否符合最优路径，若符合则加入L:list.add(slk-1)，若不在同一条线路，不满足最优路径，则基于地铁链路表，搜索紧邻线路的上行站点Sl_adj_k-1，再进行最优路径判断，若符合则加入起始站数据集L:list.add(Sl_adj_k-1)。
终点站判断：与起始站判断原理相似，基于地铁基站检测到用用户信号的终点时刻tlk+n，提取用户与地铁基站切换之前的下一刻(tlk+n+1)地面基站驻点数据tazd_ij，tazd_ij包含用户在地面基站所在小区编号、经纬度坐标，驻留时刻和驻留时长等信息，再计算信号切换的地面基站驻点小区与基站的距离distlk+n_ij，并与地铁链路表匹配，判断是否遵循最优路径原则(最短距离和最少换乘)，生成基于最优路径的终点站数据集L:list.add(slk+n)：
Figure BDA0003913159340000061
若地面基站对应小区与地铁信号切铁的终点站点Slk+n不满足最短距离，则在该线路下行搜索下一站Slk+n+1，判断其是否符合最优路径，若符合则加入L:list.add(slk+n+1)，若不在同一条线路，不满足最优路径，则基于地铁链路表，搜索紧邻线路的下行站点Sl_adj_k+n+1，再进行最优路径判断，若符合则加入终点站数据集L:list.add(sl_adj_k+n+1)。
最后，结合上述起始站和终点站判断，更新基于手机定位数据的地铁出行链OD信息表。
步骤4：基于手机定位数据的站点空间竞争优势分析。
首先，根据地铁闸机不同票种刷卡数据M:{mf1,mf2,mf3,…,mfn}，生成不同票种的站点OD信息表list.add(xod_l)，再结合线路站点空间分布、人口覆盖、客流波动系数等分析，生成站点分类表S:{Sl1_type,Sl2_type,Sl3_type,…,Sln_type}。
然后，根据线网站点分类情况，结合步骤3生成的基于手机数据的小区与站点OD信息表，生成区域不同站点分类的OD信息表，再结合小区与站点空间分布情况，进行地铁站点客流的空间竞争优势分析，发现地铁客流来源地在不同空间范围内与站点的距离和周边人口覆盖相关，并且，与小区站点之间的距离成反比，与周边人口覆盖成正比，因此，基于手机定位数据的客流腹地和空间竞争优势分析，分别确定小区与站点之间的空间分布权重和不同区域人口覆盖的客流权重系数，再融合空间分布和人口覆盖，生成基于地铁闸机数据的站点客流来源地和目的地OD表list.add(xl_ij_od)。
小区与站点之间的空间分布权重判断：基于手机定位数据的站点客流腹地的空间竞争优势分析，站点客流与小区之间的距离存在反比关系，并且，针对不同的距离范围，站点客流随着距离的增长而对站点客流影响越小。因此，根据站点客流与小区之间的距离关系，确定站点小区来源地和目的地空间分布权重系数：
Figure BDA0003913159340000062
其中，ml_o和ml_d分别是起始站和终点站的来源地和目的地小区覆盖的小区数，kl_o和kl_d分别是起始站和终点站的来源地和目的地小区的距离分级数，disto_ij和distd_ij分别是来源地和目的地小区距离站点起始站和终点站的距离，αl_o和αl_d分别是起始站和终点站的来源地和目的地小区的距离分布系数，
Figure BDA0003913159340000063
和
Figure BDA0003913159340000064
分别是起始站和终点站的来源地和目的地小区的空间分布权重系数。
小区与站点之间的人口覆盖权重判断：基于手机定位数据的站点客流腹地的空间竞争优势分析，站点客流与小区之间的人口覆盖存在正比关系，并且，针对不同区域的土地类型和人口覆盖，站点客流的产生和吸引也不同。因此，基于七普人口数据，融合小区的土地利用情况，确定站点小区来源地和目的地的人口覆盖权重系数：
Figure BDA0003913159340000071
其中，pl_o_ij和pl_d_ij分别是起始站和终点站的来源地和目的地小区覆盖的单位人口数，gl_o_ij和gl_d_ij分别是起始站和终点站的来源地和目的地小区覆盖的建筑面积，βl_o和βl_d分别是起始站和终点站的来源地和目的地小区的小区人口系数，
Figure BDA0003913159340000072
和
Figure BDA0003913159340000073
分别是起始站和终点站的来源地和目的地小区的人口布权重系数。
基于地铁闸机数据的站点客流OD腹地：基于手机定位数据的站点客流腹地的空间竞争优势分析，确定了站点客流与小区之间的空间分布人口覆盖的权重关系之后，再结合不同区域站点分类和地铁客流站点OD数据，生成地铁闸机数据的站点客流的来源地和目的地客流数据xl_ij_od:
Figure BDA0003913159340000074
步骤5：基于多元数据的地铁客流腹地和站点OD分布的校核。
综合考虑步骤4客流空间竞争优势和站点周边人口的产生吸引影响因素，结合线网站点客流OD路径推断，最终生成地铁线网站点客流出行链OD分布表。然后基于站点客流OD数据和调查数据，实现基于手机定位数据的轨道客流出行链还原和修正。
Figure BDA0003913159340000075
其中，
Figure BDA0003913159340000076
和
Figure BDA0003913159340000077
分别是起始站和终点站的来源地和目的地小区之间不同线路的客流腹地数据，
Figure BDA0003913159340000078
是指在起始站和终点站的来源地和目的地小区之间不同线路的客流调整系数，xl_od(σ)指不同线路在起始站和终点站之间的OD出行量数据，Fα(α,x(α))即为在一定的时间范围内获得地铁客流出行链还原OD数据与站点之间OD数据在不同区域站点分类的最小化过程。
下面将结合附图和实施实例对本发明做进一步的详细说明。
在基础资料收集方面，采集的信息资源包括市域范围内的手机信令数据和上网数据(日均21亿条)、地铁闸机所有票种的刷卡数据(日均500多万条)、轨道地理信息数据、建筑数据、人口普查等数据。获取的沿地铁线路专有标识的手机数据包括站点名称stanam、站点出入口信息ne_nam、基站识别号cgi、城市名city，地铁覆盖场景唯一标识cov_scene，地铁覆盖类型cov_typ，以及经纬度信息:cell_lng,cell_lat，用户识别号msisdn。
表3地铁专用蜂窝网络数据样例
Figure BDA0003913159340000081
以获取的个体用户的在地铁基站的一周多天信号数据为例，个体用户存在较多的地铁站信号缺失，仅在换乘站或停留时长较长的站点会有信号数据，存在大量地铁基站数据缺失现象，因此，需要进行用户地铁起-讫站点信号数据的还原。
表4用户在地铁专用蜂窝网络所获取的信号数据样例
Figure BDA0003913159340000082
Figure BDA0003913159340000091
利用步骤3的基于手机定位数据的地铁客流起讫点数据判断，可获取基于手机定位数据的地铁客流的来源地和目的地数据，日均共获取约200万条地铁腹地数据，通过地铁客流的来源地和目的地分布情况来看，地铁站点客流的分布与小区与站点的空间距离和站点土地利用对应的人口覆盖相关，并且，地铁站点客流与小区站点之间的空间距离成反比，如附图2，与人口覆盖成反比，如附图3。
基于手机定位数据的地铁客流的来源地和目的地数据，综合考虑空间分布和人口覆盖情况，可获取不同区域站点的客流来源地和目的地客流空间分布数据，如附图4。
基于地铁闸机不同票种刷卡数据，生成不同票种的站点之间OD数据后，再结合线路站点空间分布、人口覆盖、客流波动系数等分析，融合土地利用情况生成现站点分类数据，实现不同站点的客流腹地和空间分布数据，如附图5。
对于本领域的普通技术人员来说，在不脱离本申请创造构思的前提下，还可以对本发明的实施例做出若干变型和改进，这些都属于本申请的保护范围。

Claims (8)

1.一种基于手机定位数据的地铁优势腹地出行链生成方法，其特征在于，所述生成方法的具体步骤如下：
步骤1：获取手机定位数据，所述手机定位数据包括地面基站的手机定位数据和地铁基站的手机定位数据；
步骤2：根据轨道线网地理信息获取城市地铁网络中所有的地铁链路表；所述地铁链路表包括地铁线路、地铁站点、上/下行信息，换乘站标识；
步骤3：基于手机定位数据判断地铁站客流起讫点；
根据所述手机定位数据，先将地铁客流数据区分为沿地铁线路客流数据和地面基站驻留客流数据，再根据地面基站与地铁基站进行信号切换的时间点进行分割，根据最短距离和最小换乘原则，判断地面基站的用户驻点数据与信号切换的站点是否满足最优路径，若满足最优路径，则判定为起讫点，否则，根据地铁链路表进行上下行搜索，遍历获得同线路的最优站点作为用户的起讫点；
步骤4：基于手机定位数据的客流腹地的空间竞争优势分析；
基于步骤3得到的基于手机定位数据的地铁出行链OD信息表，再结合站点分类表，进行基于手机定位数据的客流腹地的空间竞争优势分析，确定小区与站点之间的空间分布权重和人口覆盖权重，再融合站点区位空间分布和人口覆盖，生成基于地铁闸机数据的站点客流来源地和目的地OD表；
步骤5：基于多元数据的地铁客流腹地和站点OD分布的校核；
基于步骤4客流腹地的空间竞争优势分析，结合线网站点客流OD路径推断，最终生成地铁线网站点客流出行链OD分布表；然后基于站点客流OD数据和调查数据，实现基于手机定位数据的轨道客流出行链还原和修正。
2.根据权利要求1所述的一种基于手机定位数据的地铁优势腹地出行链生成方法，其特征在于，所述地面基站的手机定位数据包括用户编号、基站编号、时间戳、事件类型、经度、纬度；所述地铁基站的手机定位数据包括用户编号、基站编号、对应地铁站点、时间戳、事件类型、经度、纬度。
3.根据权利要求1-2任一项所述的一种基于手机定位数据的地铁优势腹地出行链生成方法，其特征在于，步骤3：基于手机定位数据判断地铁站客流起讫点具体为：
根据所述手机定位数据，先将地铁客流数据区分为沿地铁线路客流数据和地面基站驻留客流数据，再根据地面基站与地铁基站进行信号切换的时间点进行分割，分别判断地铁客流的起-讫点，具体操作为：
1)根据地面基站与地铁基站进行信号切换的时间点进行分割，获取地铁基站标识的用户沿地铁线路数据集S:{Sl1,Sl2,Sl3,…,Sln},其中l指的是出行的线路，Slk站点信息包含用户编号、线路、站点、站点经纬度坐标、时间戳、对应小区编号和站点顺序号；
2)起始站判断：基于地铁基站检测到用户信号的起始时刻tlk，提取用户与地铁基站切换之前的前一刻tlk-1的地面基站驻点数据tazo_ij，所述地面基站驻点数据tazo_ij包含用户在地面基站所在小区编号、经纬度坐标、驻留时刻tij界于time(tlk-1,tlk)和驻留时长，再计算信号切换的地面基站驻点小区与基站的距离distlk_ij，并与地铁链路表匹配，判断是否遵循最优路径，即遵循最短距离和最少换乘，生成基于最优路径d(zlk_ij)的起始站数据集L:list.add(Slk)：
Figure FDA0003913159330000011
若地面基站对应小区与地铁信号切铁的起始站点Slk不满足最短距离，则在该线路上行搜索前一站Slk-1，判断其是否符合最优路径，若符合则加入L:list.add(Slk-1)，若不在同一条线路，不满足最优路径，则基于地铁链路表，搜索紧邻线路的上行站点Sl_adj_k-1，再进行最优路径判断，若符合则加入起始站数据集L:list.add(Sl_adj_k-1)；
3)终点站判断：基于地铁基站检测到用户信号的终点时刻tlk+n，提取用户与地铁基站切换之前的下一刻tlk+n+1的地面基站驻点数据tazd_ij，所述地面基站驻点数据tazd_ij包含用户在地面基站所在小区编号、经纬度坐标、驻留时刻td_ij界于time(tlk+n,tlk+n+1)和驻留时长，再计算信号切换的地面基站驻点小区与基站的距离distlk+n_ij，并与地铁链路表匹配，判断是否遵循最优路径原则，即遵循最短距离和最少换乘，生成基于最优路径d(zlk_ij)的终点站数据集L:list.add(Slk+n)：
Figure FDA0003913159330000021
若地面基站对应小区与地铁信号切铁的终点站点Slk+n不满足最短距离，则在该线路下行搜索下一站Slk+n+1，判断其是否符合最优路径，若符合则加入L:list.add(Slk+n+1)，若不在同一条线路，不满足最优路径，则基于地铁链路表，搜索紧邻线路的下行站点Sl_adj_k+n+1，再进行最优路径判断，若符合则加入终点站数据集L:list.add(Sl_adj_k+n+1)；
4)最后，结合上述起始站和终点站判断，更新基于手机定位数据的地铁出行链OD信息表。
4.根据权利要求3所述的一种基于手机定位数据的地铁优势腹地出行链生成方法，其特征在于，步骤4：基于手机定位数据的客流腹地的空间竞争优势分析具体为：
1)根据地铁闸机不同票种刷卡数据M:{mf1,mf2,mf3,…,mfn}，生成不同票种的站点OD信息表list.add(xod_l)，再结合线路站点空间分布、人口覆盖、客流波动系数，生成站点分类表S:{Sl1_type,Sl2_type,Sl3_type,…,Sln_type}；
2)根据站点分类表，结合步骤3生成的基于手机定位数据的地铁出行链OD信息表，生成区域不同站点分类的OD信息表，再结合小区与站点空间分布情况，进行基于手机定位数据的客流腹地的空间竞争优势分析；确定小区与站点之间的空间分布权重和人口覆盖权重，再融合站点区位空间分布和人口覆盖，生成站点客流出行链OD数据。
5.根据权利要求4所述的一种基于手机定位数据的地铁优势腹地出行链生成方法，其特征在于，所述小区与站点之间的空间分布权重确定方式具体为：根据站点与小区之间的距离关系，确定小区与站点之间的空间分布权重：
Figure FDA0003913159330000022
其中，ml_o和ml_d分别是起始站和终点站的来源地和目的地小区覆盖的小区数，kl_o和kl_d分别是起始站和终点站的来源地和目的地小区的距离分级数，disto_ij和distd_ij分别是来源地和目的地小区(
Figure FDA0003913159330000023
和
Figure FDA0003913159330000024
)距离站点起始站sl_o和终点站sl_d的距离，αl_o和αl_d分别是起始站和终点站的来源地和目的地小区的距离分布系数，tij_o和tij_d分别是界于time(tx_o,tx_ij_o)和time(tx_d,tx_ij_d)的时刻，tx_o和tx_d分别是起始时刻和终点时刻，tx_ij_o和tx_ij_d分别是来源地小区和目的地小区的时刻，
Figure FDA0003913159330000031
和
Figure FDA0003913159330000032
分别是起始站和终点站的来源地和目的地小区的空间分布权重系数。
6.根据权利要求5所述的一种基于手机定位数据的地铁优势腹地出行链生成方法，其特征在于，所述小区与站点之间的人口覆盖权重确定方式具体为：基于七普人口数据，融合小区的土地利用情况，确定小区与站点之间的人口覆盖权重：
Figure FDA0003913159330000033
其中，pl_o_ij和pl_d_ij分别是起始站和终点站的来源地和目的地小区覆盖的单位人口数，gl_o_ij和gl_d_ij分别是起始站和终点站的来源地和目的地小区覆盖的建筑面积，βl_o和βl_d分别是起始站和终点站的来源地和目的地小区的小区人口系数，
Figure FDA0003913159330000034
和
Figure FDA0003913159330000035
分别是起始站和终点站的来源地和目的地小区的人口布权重系数，tij_o和tij_d分别是界于time(tx_o,tx_ij_o)和time(tx_d,tx_ij_d)的时刻，tx_o和tx_d分别是起始时刻和终点时刻，tx_ij_o和tx_ij_d分别是来源地小区和目的地小区的时刻。
7.根据权利要求6所述的一种基于手机定位数据的地铁优势腹地出行链生成方法，其特征在于，所述生成基于地铁闸机数据的站点客流来源地和目的地OD表具体为：结合不同区域站点分类和地铁客流站点OD数据，生成地铁闸机数据的站点客流的来源地和目的地客流数据集F(Xl_ij_od)：
Figure FDA0003913159330000036
其中，xl_o(σ)和xl_d(σ)分别是起始站和终点站的来源地和目的地小区的客流数据，σ则为客流数据调整系数，
Figure FDA0003913159330000037
和
Figure FDA0003913159330000038
分别是起始站和终点站的来源地和目的地小区的空间分布权重系数，
Figure FDA0003913159330000039
和
Figure FDA00039131593300000310
分别是起始站和终点站的来源地和目的地小区的人口布权重系数，tij_o和tij_d分别是界于time(tx_o,tx_ij_o)和time(tx_d,tx_ij_d)的时刻，tx_o和tx_d分别是起始时刻和终点时刻，tx_ij_o和tx_ij_d分别是来源地小区和目的地小区的时刻。
8.根据权利要求7所述的一种基于手机定位数据的地铁优势腹地出行链生成方法，其特征在于，步骤5：基于多元数据的地铁客流腹地和站点OD分布的校核具体为：
基于步骤4客流腹地的空间竞争优势分析，结合线网站点客流OD路径推断，最终生成地铁线网站点客流出行链OD分布表；然后基于站点客流OD数据和调查数据，实现基于手机定位数据的轨道客流出行链还原和修正；
Figure FDA0003913159330000041
其中，
Figure FDA0003913159330000042
和
Figure FDA0003913159330000043
分别是起始站和终点站的来源地和目的地小区之间不同线路的客流腹地数据，
Figure FDA0003913159330000044
是指在起始站和终点站的来源地和目的地小区之间不同线路的客流调整系数，xl_od(σ)指不同线路在起始站和终点站之间的OD出行量数据，Fα(σ,x(σ))即为在一定的时间范围内获得地铁客流出行链还原OD数据与站点之间OD数据在不同区域站点分类的最小化过程。
CN202211340202.1A 2022-10-27 2022-10-27 一种基于手机定位数据的地铁优势腹地出行链生成方法 Active CN115599878B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211340202.1A CN115599878B (zh) 2022-10-27 2022-10-27 一种基于手机定位数据的地铁优势腹地出行链生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211340202.1A CN115599878B (zh) 2022-10-27 2022-10-27 一种基于手机定位数据的地铁优势腹地出行链生成方法

Publications (2)

Publication Number Publication Date
CN115599878A true CN115599878A (zh) 2023-01-13
CN115599878B CN115599878B (zh) 2023-06-13

Family

ID=84849977

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211340202.1A Active CN115599878B (zh) 2022-10-27 2022-10-27 一种基于手机定位数据的地铁优势腹地出行链生成方法

Country Status (1)

Country Link
CN (1) CN115599878B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116167787A (zh) * 2023-04-25 2023-05-26 深圳市深圳通有限公司 轨道交通清分***及方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108055645A (zh) * 2018-01-19 2018-05-18 深圳技术大学（筹） 一种基于手机信令数据的路径识别方法及***
CN109905845A (zh) * 2018-12-10 2019-06-18 华南理工大学 一种基于手机信令的公交客流od获取方法
CN110309936A (zh) * 2019-04-03 2019-10-08 广州市交通规划研究院 一种基于手机定位数据和路径推断相结合的地铁换乘站识别方法
CN112686466A (zh) * 2021-01-12 2021-04-20 北京交通发展研究院 地铁乘客的路径确认方法及装置
WO2021237812A1 (zh) * 2020-05-29 2021-12-02 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且含个人属性修正的城市出行方式综合识别方法
CN113891252A (zh) * 2021-09-18 2022-01-04 苏州规划设计研究院股份有限公司 基于手机信令数据的轨道客流全程od提取方法及***
CN114446048A (zh) * 2021-12-29 2022-05-06 东南大学 基于手机信令数据的轨道交通出行者全出行链分析方法
CN115168529A (zh) * 2022-09-07 2022-10-11 广州市交通规划研究院有限公司 一种基于手机定位数据的枢纽客流溯源方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108055645A (zh) * 2018-01-19 2018-05-18 深圳技术大学（筹） 一种基于手机信令数据的路径识别方法及***
CN109905845A (zh) * 2018-12-10 2019-06-18 华南理工大学 一种基于手机信令的公交客流od获取方法
CN110309936A (zh) * 2019-04-03 2019-10-08 广州市交通规划研究院 一种基于手机定位数据和路径推断相结合的地铁换乘站识别方法
WO2021237812A1 (zh) * 2020-05-29 2021-12-02 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且含个人属性修正的城市出行方式综合识别方法
CN112686466A (zh) * 2021-01-12 2021-04-20 北京交通发展研究院 地铁乘客的路径确认方法及装置
CN113891252A (zh) * 2021-09-18 2022-01-04 苏州规划设计研究院股份有限公司 基于手机信令数据的轨道客流全程od提取方法及***
CN114446048A (zh) * 2021-12-29 2022-05-06 东南大学 基于手机信令数据的轨道交通出行者全出行链分析方法
CN115168529A (zh) * 2022-09-07 2022-10-11 广州市交通规划研究院有限公司 一种基于手机定位数据的枢纽客流溯源方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张伟伟 等: "基于移动定位信息的地铁站客流来源分析", 《交通信息与安全》, vol. 34, no. 6, pages 70 - 76 *
李追日: "基于手机定位数据的城市道路交通需求推估及分析", 《中国优秀硕士学位论文全文数据库》, no. 2017 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116167787A (zh) * 2023-04-25 2023-05-26 深圳市深圳通有限公司 轨道交通清分***及方法

Also Published As

Publication number Publication date
CN115599878B (zh) 2023-06-13

Similar Documents

Publication Publication Date Title
Caceres et al. Deriving origin–destination data from a mobile phone network
Wang et al. Estimating dynamic origin-destination data and travel demand using cell phone network data
Bonnel et al. Passive mobile phone dataset to construct origin-destination matrix: potentials and limitations
CN112133090A (zh) 一种基于手机信令数据的多方式交通分布模型构建方法
US8504034B2 (en) System and method for population tracking, counting, and movement estimation using mobile operational data and/or geographic information in mobile network
CN108055645A (zh) 一种基于手机信令数据的路径识别方法及***
CN111653099B (zh) 基于手机信令数据的公交客流od获取方法
CN105142106A (zh) 基于手机信令数据的出行者职住地识别与出行链刻画方法
CN110309936A (zh) 一种基于手机定位数据和路径推断相结合的地铁换乘站识别方法
CN115168529B (zh) 一种基于手机定位数据的枢纽客流溯源方法
CN109190685A (zh) 融合空间聚类和基站序列规则的轨道出行特征提取方法
CN108549976A (zh) 智慧旅游大数据分析方法
CN110909434A (zh) 一种低碳导向下的城市公共交通干线网络设计方法
CN112036757A (zh) 基于手机信令和浮动车数据的停车换乘停车场的选址方法
CN115599878A (zh) 一种基于手机定位数据的地铁优势腹地出行链生成方法
Yamada et al. Travel estimation using Control Signal Records in cellular networks and geographical information
Yang et al. Detecting home and work locations from mobile phone cellular signaling data
CN114141008B (zh) 一种基于手机信令数据的共享公共交通服务区域选取方法
Imai et al. Origin-destination trips generated from operational data of a mobile network for urban transportation planning
CN113407872A (zh) 基于poi的城市空中交通飞行载具起降点选址方法
CN116562545A (zh) 融合多源大数据分析与需求预测的公交规划gis平台
CN115186049B (zh) 一种智能公交备选站点选址方法、电子设备及存储介质
Asakura et al. Tracking individual travel behaviour using mobile phones: recent technological development
Lwin et al. Identification of various transport modes and rail transit behaviors from mobile CDR data: A case of Yangon City
CN109409731B (zh) 一种融合断面检测交通数据及众包数据的公路节假日出行特征识别方法

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