CN116052436B - 一种跨城出行方式识别方法、电子设备及存储介质 - Google Patents
一种跨城出行方式识别方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116052436B CN116052436B CN202310344408.XA CN202310344408A CN116052436B CN 116052436 B CN116052436 B CN 116052436B CN 202310344408 A CN202310344408 A CN 202310344408A CN 116052436 B CN116052436 B CN 116052436B
- Authority
- CN
- China
- Prior art keywords
- travel
- base station
- speed
- line
- attribute
- 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 43
- 230000011664 signaling Effects 0.000 claims abstract description 16
- 238000012935 Averaging Methods 0.000 claims abstract description 8
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 30
- 238000011835 investigation Methods 0.000 claims description 16
- 229910052742 iron Inorganic materials 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012567 pattern recognition method Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/012—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from other sources than vehicle or roadside beacons, e.g. mobile networks
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/20—Services signaling; Auxiliary data signalling, i.e. transmitting data via a non-traffic channel
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明提出一种跨城出行方式识别方法、电子设备及存储介质,属于交通方式识别技术领域。包括以下步骤:S1.提取跨城出行数据;S2.标记特征明显的非机动化出行和高铁出行;S3.构建线路和站点缓冲区;S4.将手机信令基站图层与线路和站点缓冲区相交,为基站赋予线路属性和站点属性;S5.遍历当前未标记的出行数据的基站轨迹序列,对基站轨迹序列的网络属性求平均值,对当前起讫点基站的站点属性求平均值;S6.识别当前出行记录出行方式;S7.统计各方式分担率,若与先验概率误差不满足预设条件,调整缓冲区半径和线路属性平均值阈值,转到S3;S8.结束循环,输出出行记录的出行方式。本发明有效提高了出行方式识别的准确度。
Description
技术领域
本申请涉及一种跨城出行方式识别方法,尤其涉及一种跨城出行方式识别方法、电子设备及存储介质,属于交通方式识别技术领域。
背景技术
现阶段,获取个体出行方式最常见的方法是问卷调查,调查内容至少包括被调查者的个人社会经济属性和各项时间、费用情景下的方式选择,调查方式包括RP调查和SP调查,RP调查针对已经发生的事情进行观测性调查,获取被调查者已经发生的实际行动和选择行为;SP调查针对未实际发生的事情进行主观性调查,获取被调查者在假定条件下对多个备选方案表现出的主观偏好。问卷调查具有较高的数据可靠性,但在城际出行中,样本难以捕获,样本量受限且调查成本过高,大范围调查时并不适用。
近年来,各类通信和互联网位置数据被用到交通分析中,其中手机信令数据因其覆盖范围广、用户持有率高、具有连续性,能够较好的揭示用户出行的时空规律,被广泛应用到交通规划实践中。相较于传统的居民出行问卷调查数据,手机信令数据样本量大,覆盖范围广,且能够获取用户的出行轨迹信息,通过数据挖掘能够较精准的识别用户的出行特征。在利用手机信令数据识别出行方式方面,学者们提出了各种识别模型和方法,主要包括出行指标阈值、出行轨迹匹配、机器学习算法等。
CN106448173A提出了一种基于手机数据的长距离出行交通方式划分方法,该方法预先罗列起讫点间各类出行方式的路径轨迹点基站集合及各路径出行时耗,进一步提取出行者实际出行基站集合,与前述集合求交集,若交集仅一个元素,即为对应的出行方式,若交集有多个元素,进一步对比出行时耗,选择交集中出行时耗最为接近的元素对应的方式作为出行者采用的交通方式。
CN111653097B提出了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,该方法预先通过地铁专用基站剥离地铁出行,通过出行距离和平均速度剥离特征明显的步行和小汽车出行,进一步对比手机信令数据与同一起讫点下高德路径规划中各方式出行距离和时耗的偏移度识别步行、自行车、电动车、公交和小汽车出行,最后结合个人属性和出行行为修正出行方式。
上述两种方法,存在的技术问题是:
当手机信号缺失时会出现交集为空的情况,对于长途出行而言此情景很常见,并未对此进行进一步处理,因此识别率不高;
需要穷举起讫点之间的所有路径对应的基站集合,尤其对于道路出行,路径选择多样,对于大规模识别出行方式适用性不强;
利用起讫点之间的出行距离和出行时耗指标与高德路径规划结果的偏移度来识别电动车、公交及小汽车出行,部分城市经验数据显示高峰期拥堵时三者出行距离与出行时耗无显著差距,因此识别效果不佳;
对指标的考虑不足,没有充分利用手机信令数据能通过基站获取轨迹的优势,若引入轨迹与公交线路的偏移度能更准确的识别小汽车和公交出行。
发明内容
在下文中给出了关于本发明的简要概述,以便提供关于本发明的某些方面的基本理解。应当理解,这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分,也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念,以此作为稍后论述的更详细描述的前序。
鉴于此,为解决上述提出的至少一项技术问题,本发明提供一种跨城出行方式识别方法、电子设备及存储介质。
方案一、一种跨城出行方式识别方法,包括以下步骤:
S1.通过手机信令数据提取跨城出行数据,获取出行涉及的基站轨迹序列,标记出行在基站的出行时刻和行驶速度;
S2.根据距离和速度指标标记出行数据中的非机动化出行数据和高铁出行数据;
S3.将线路和站点以指定距离做缓冲区,构建线路缓冲区和站点缓冲区;
S4.将手机信令基站图层与线路缓冲区和站点缓冲区相交,为基站赋予线路属性和站点属性;
S5.遍历S2中未被标记的出行数据,提取当前出行数据的基站轨迹序列,对基站轨迹序列的网络属性求平均值,对当前起讫点基站的站点属性求平均值;
S6.结合S5计算结果,基于既定规则识别当前出行方式;
S7.根据S2标记结果和S6识别结果,统计各出行方式分担率,判断与先验概率误差是否满足收敛条件,调整S3所述缓冲区半径和S6所述线路属性平均值阈值,并转到S3,否则转到S8;
S8.结束循环,输出出行记录的出行方式。
优选的,S2具体包括以下步骤:
S21.计算出行记录的出行距离、平均速度/>、90%位速度/>、50%位速度/>指标;
S22.若 & /> & />,出行标记为非机动化出行,其中/>、/>、/>依据调查所得,分别为非机动化出行距离阈值、平均速度阈值和瞬时速度阈值;
S23.若 & /> & />,出行标记为高铁出行,其中/>、/>、/>依据调查所得,/>为两城市间最近的两个高铁站之间的距离,/>为高铁出行平均速度阈值,/>为高铁出行中位速度阈值。
优选的,为基站赋予网络属性或站点属性方法是:基站位于线路或站点缓冲区内,则线路或站点属性标记为1,否则标记为0;一个基站包括多个线路和站点属性标记。
优选的,线路属性包括高铁、普铁、城际和高速;
站点属性包括高铁站点、普铁站点、城际站点和长途汽车站点。
优选的,S6具体包括以下步骤:
S61.若当前基站序列的高铁属性平均值大于阈值,起讫点基站的高铁站点属性平均值不低于0.5,则该出行标记为高铁出行,转到下一条出行记录,否则转到S62;
S62.若当前基站序列的普铁属性平均值大于阈值,起讫点基站的普铁站点属性平均值不低于0.5,则该出行标记为普铁出行,转到下一条出行记录,否则转到S63;
S63.若当前基站序列的城际属性平均值大于阈值,起讫点基站的城际站点属性平均值不低于0.5,则该出行标记为城际出行,转到下一条出行记录,否则转到S64;
S64.若起讫点基站的长途汽车站点属性平均值不低于0.5,则该出行标记为长途巴士出行,否则标记为小汽车出行,转到S65;
S65.若当前基站序列的高速公路属性平均值大于阈值,则该出行标记为高速出行,否则标记为国省道出行,转到下一条出行记录;
其中,、/>、/>、/>分别为高铁、普铁、城际、高速公路线路的平均值阈值。
优选的,调整缓冲区半径距离和线路属性平均值阈值方法是:
S71.若识别的高铁分担率高,调低高速铁路线缓冲区半径,否则调低高铁线路属性平均值阈值/>;
S72.若识别的普铁分担率偏高,调低普速铁路线缓冲区半径,否则调低普铁线路属性平均值阈值/>;
S73.若识别的城际分担率偏高,调低城际铁路线缓冲区半径,否则调低城际线路属性平均值阈值/>;
S74.若识别的高速分担率偏高,调低高速公路线缓冲区半径,否则调低高速公路网络属性平均值阈值/>;
其中,、/>、/>、/>分别为当前路径沿高铁、普铁、城际、高速公路线路的平均值阈值,/>、/>、/>、/>分别为当前高铁、普铁、城际、高速公路分担率,/>、/>、/>、/>分别为统计的高铁、普铁、城际和高速公路先验概率。
方案二、一种电子设备,包括存储器和处理器,存储器存储有计算机程序,所述的处理器执行所述计算机程序时实现方案一所述的一种跨城出行方式识别方法的步骤。
方案三、一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现方案一所述的一种跨城出行方式识别方法。
本发明的有益效果如下:本发明通过手机信令数据提取目标城市间出行数据,预先剥离特征明显的高铁出行和非机动化出行,进一步计算每条出行记录涉及的基站序列的路网和站点属性,以划分高铁、普铁、城际、小汽车(高速、国省道)、长途大巴(高速、国省道)等出行方式,最后基于先验概率调整缓冲区半径距离和线路属性平均值阈值,通过循环反馈获取稳定准确的方式识别结果。本发明提出的为基站赋予线路属性和站点属性,仅和缓冲区半径大小相关,单个基站将同时具有铁路、公路等属性,区别于一般的基站匹配路网,路径匹配结果过于绝对,受公路网覆盖密度影响,识别结果偏向于公路出行,且本方法识别速度较路径匹配快。本发明利用调查数据/统计数据所得的各出行方式总体分担率为导向,设置循环反馈自动调整规则阈值和缓冲区半径,使得识别的总体方式分担率向实际靠拢,能有效提高个体出行方式识别的准确度。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为一种跨城出行方式识别方法流程示意图。
具体实施方式
为了使本申请实施例中的技术方案及优点更加清楚明白,以下结合附图对本申请的示例性实施例进行进一步详细的说明,显然,所描述的实施例仅是本申请的一部分实施例,而不是所有实施例的穷举。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
实施例1、参照图1说明本实施方式,一种跨城出行方式识别方法,包括以下步骤:
S1.通过手机信令数据提取跨城出行数据,获取出行涉及的基站轨迹序列,标记出行在基站的出行时刻和行驶速度;
出行时刻取手机信令在该基站停留时间的中位数,行驶速度根据该基站前后两基站间距离和出行时刻测算。
S2.根据距离和速度指标标记出行数据中的非机动化出行数据和高铁出行数据,具体包括以下步骤:
S21.计算出行记录的出行距离、平均速度/>、90%位速度/>、50%位速度/>指标;
S22.若 & /> & />,出行标记为非机动化出行,其中/>、/>、/>依据调查所得,分别为非机动化出行距离阈值、平均速度阈值和瞬时速度阈值;
跨城非机动化出行一般仅在相邻城市间,非相邻城市间不做考虑;
S23.若 & /> & />,出行标记为高铁出行,其中/>、/>、/>依据调查所得,/>为两城市间最近的两个高铁站之间的距离,/>为高铁出行平均速度阈值,/>为高铁出行中位速度阈值。
高铁出行仅在城市间存在高铁线路时考虑。
S3.将目标城市间高速铁路线、普速铁路线、城际铁路线、高速公路线路和高铁站点、普铁站点、城际站点、长途汽车站点以指定距离做缓冲区,构建线路缓冲区和站点缓冲区;
城市建成区域各网络及站点缓冲区初始半径设为1km,其他区域设为2km。
S4.将手机信令基站图层与线路缓冲区和站点缓冲区相交,为基站赋予线路属性或站点属性;
为基站赋予网络属性或站点属性方法是:基站位于线路或站点缓冲区内,则线路或站点属性标记为1,否则标记为0;一个基站包括多个线路和站点属性标记;即同时具有铁路网、公路网及站点属性,这里区别于一般的基站匹配网络,匹配结果绝对或以概率表示匹配某条路段的几率;
线路属性包括高铁、普铁、城际和高速;
站点属性包括高铁站点、普铁站点、城际站点和长途汽车站点。
S5.遍历S2中未被标记的出行数据,提取当前出行数据的基站轨迹序列,对基站轨迹序列的网络属性(高铁、普铁、城际、高速)求平均值,对当前起讫点基站的站点属性(高铁站点、普铁站点、城际站点、长途汽车站点)求平均值;
以高铁属性为例,平均值代表该出行涉及的基站沿高铁线路的概率,以高铁站点属性为例,平均值代表起讫点为高铁车站的概率,两者均能反映该出行方式为高铁的概率。
S6.结合S5计算结果,基于既定规则识别当前出行的方式,包括高铁、普铁、城际、小汽车、长途大巴等出行方式,对于小汽车和长途大巴出行进一步识别高速公路出行或国省道出行,具体包括以下步骤:
S61.若当前基站序列的高铁属性平均值大于阈值,起讫点基站的高铁站点属性平均值不低于0.5,则该出行标记为高铁出行,转到下一条出行记录,否则转到S62;
S62.若当前基站序列的普铁属性平均值大于阈值,起讫点基站的普铁站点属性平均值不低于0.5,则该出行标记为普铁出行,转到下一条出行记录,否则转到S63;
S63.若当前基站序列的城际属性平均值大于阈值,起讫点基站的城际站点属性平均值不低于0.5,则该出行标记为城际出行,转到下一条出行记录,否则转到S64;
S64.若起讫点基站的长途汽车站点属性平均值不低于0.5,则该出行标记为长途巴士出行,否则标记为小汽车出行,转到S65;
S65.若当前基站序列的高速公路属性平均值大于阈值,则该出行标记为高速出行,否则标记为国省道出行,转到下一条出行记录;
其中,、/>、/>、/>分别为高铁、普铁、城际、高速公路线路的平均值阈值。
S7.根据S2标记结果和S6识别结果,统计各出行方式分担率,判断与先验概率误差是否满足收敛条件,调整S3所述缓冲区半径和S6所述线路属性平均值阈值,并转到S3,否则转到S8;
调整缓冲区半径和线路属性平均值阈值方法是:
S71.若识别的高铁分担率高,调低高速铁路线缓冲区半径,否则调低高铁线路属性平均值阈值/>;
S72.若识别的普铁分担率偏高,调低普速铁路线缓冲区半径,否则调低普铁线路属性平均值阈值/>;
S73.若识别的城际分担率偏高,调低城际铁路线缓冲区半径,否则调低城际线路属性平均值阈值/>;
S74.若识别的高速分担率偏高,调低高速公路线缓冲区半径,否则调低高速公路网络属性平均值阈值/>;
其中,、/>、/>、/>分别为当前路径沿高铁、普铁、城际、高速公路线路的平均值阈值,/>、/>、/>、/>分别为当前高铁、普铁、城际、高速公路分担率,/>、/>、/>、/>分别为统计的高铁、普铁、城际和高速公路先验概率。
先验概率,由各方式客运量等统计数据或调查获得。
S8.结束循环,输出出行记录的出行方式。
实施例2、本发明的计算机装置可以是包括有处理器以及存储器等装置,例如包含中央处理器的单片机等。并且,处理器用于执行存储器中存储的计算机程序时实现上述的一种跨城出行方式识别方法的步骤。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列 (Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
实施例3、计算机可读存储介质实施例
本发明的计算机可读存储介质可以是被计算机装置的处理器所读取的任何形式的存储介质,包括但不限于非易失性存储器、易失性存储器、铁电存储器等,计算机可读存储介质上存储有计算机程序,当计算机装置的处理器读取并执行存储器中所存储的计算机程序时,可以实现上述的一种跨城出行方式识别方法的步骤。
所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
尽管根据有限数量的实施例描述了本发明,但是受益于上面的描述,本技术领域内的技术人员明白,在由此描述的本发明的范围内,可以设想其它实施例。此外,应当注意,本说明书中使用的语言主要是为了可读性和教导的目的而选择的,而不是为了解释或者限定本发明的主题而选择的。因此,在不偏离所附权利要求书的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围,对本发明所做的公开是说明性的,而非限制性的,本发明的范围由所附权利要求书限定。
Claims (5)
1.一种跨城出行方式识别方法,其特征在于,包括以下步骤:
S1.通过手机信令数据提取跨城出行数据,获取出行涉及的基站轨迹序列,标记出行在基站的出行时刻和行驶速度;
S2.根据距离和速度指标标记出行数据中的非机动化出行数据和高铁出行数据;
S3.将线路和站点以指定距离做缓冲区,构建线路缓冲区和站点缓冲区;
S4.将手机信令基站图层与线路缓冲区和站点缓冲区相交,为基站赋予线路属性和站点属性;
为基站赋予线路属性或站点属性方法是:基站位于线路或站点缓冲区内,则线路或站点属性标记为1,否则标记为0;一个基站包括多个线路和站点属性标记;
线路属性包括高铁、普铁、城际和高速;
站点属性包括高铁站点、普铁站点、城际站点和长途汽车站点;
S5.遍历S2中未被标记的出行数据,提取当前出行数据的基站轨迹序列,对基站轨迹序列的线路属性求平均值,对当前起讫点基站的站点属性求平均值;
S6.结合S5计算结果,基于既定规则识别当前出行方式,具体包括以下步骤:
S61.若当前基站序列的高铁属性平均值大于阈值,起讫点基站的高铁站点属性平均值不低于0.5,则该出行标记为高铁出行,转到下一条出行记录,否则转到S62;
S62.若当前基站序列的普铁属性平均值大于阈值,起讫点基站的普铁站点属性平均值不低于0.5,则该出行标记为普铁出行,转到下一条出行记录,否则转到S63;
S63.若当前基站序列的城际属性平均值大于阈值,起讫点基站的城际站点属性平均值不低于0.5,则该出行标记为城际出行,转到下一条出行记录,否则转到S64;
S64.若起讫点基站的长途汽车站点属性平均值不低于0.5,则该出行标记为长途巴士出行,否则标记为小汽车出行,转到S65;
S65.若当前基站序列的高速公路属性平均值大于,则该出行标记为高速出行,否则标记为国省道出行,转到下一条出行记录;
其中,、/>、/>、/>分别为高铁、普铁、城际、高速公路线路的平均值阈值;
S7.根据S2标记结果和S6识别结果,统计各出行方式分担率,判断与先验概率误差是否满足收敛条件,调整S3所述缓冲区半径和S6所述线路属性平均值阈值,并转到S3,否则转到S8;
S8.结束循环,输出出行记录的出行方式。
2.根据权利要求1所述一种跨城出行方式识别方法,其特征在于,S2具体包括以下步骤:
S21.计算出行记录的出行距离、平均速度/>、90%位速度/>、50%位速度/>指标;
S22.若 & /> & />,出行标记为非机动化出行,其中/>、/>、/>依据调查所得,分别为非机动化出行距离阈值、平均速度阈值和瞬时速度阈值;
S23.若 & /> & />,出行标记为高铁出行,其中/>、/>、/>依据调查所得,/>为两城市间最近的两个高铁站之间的距离,/>为高铁出行平均速度阈值,/>为高铁出行中位速度阈值。
3.根据权利要求2所述一种跨城出行方式识别方法,其特征在于,调整缓冲区半径距离和线路属性平均值阈值方法是:
S71.若识别的高铁分担率高,调低高速铁路线缓冲区半径,否则调低高铁线路属性平均值阈值/>;
S72.若识别的普铁分担率偏高,调低普速铁路线缓冲区半径,否则调低普铁线路属性平均值阈值/>;
S73.若识别的城际分担率偏高,调低城际铁路线缓冲区半径,否则调低城际线路属性平均值阈值/>;
S74.若识别的高速分担率偏高,调低高速公路线缓冲区半径,否则调低高速公路网络属性平均值阈值/>;
其中,、/>、/>、/>分别为当前路径沿高铁、普铁、城际、高速公路线路的平均值阈值,/>、/>、/>、/>分别为当前高铁、普铁、城际、高速公路分担率,/>、/>、/>、/>分别为统计的高铁、普铁、城际和高速公路先验概率。
4.一种电子设备,其特征在于,包括存储器和处理器,存储器存储有计算机程序,所述的处理器执行所述计算机程序时实现权利要求1-3任一项所述的一种跨城出行方式识别方法的步骤。
5.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-3任一项所述的一种跨城出行方式识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310344408.XA CN116052436B (zh) | 2023-04-03 | 2023-04-03 | 一种跨城出行方式识别方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310344408.XA CN116052436B (zh) | 2023-04-03 | 2023-04-03 | 一种跨城出行方式识别方法、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116052436A CN116052436A (zh) | 2023-05-02 |
CN116052436B true CN116052436B (zh) | 2023-08-01 |
Family
ID=86118613
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310344408.XA Active CN116052436B (zh) | 2023-04-03 | 2023-04-03 | 一种跨城出行方式识别方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116052436B (zh) |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106197458B (zh) * | 2016-08-10 | 2018-11-13 | 重庆邮电大学 | 一种基于手机信令数据和导航路线数据的手机用户出行方式识别方法 |
CN109561386A (zh) * | 2018-11-23 | 2019-04-02 | 东南大学 | 一种基于多源定位数据的城市居民出行活动模式获取方法 |
CN111341135B (zh) * | 2019-12-24 | 2021-05-14 | 中山大学 | 基于兴趣点及导航数据的手机信令数据出行方式识别方法 |
CN111653096B (zh) * | 2020-05-29 | 2022-10-04 | 南京瑞栖智能交通技术产业研究院有限公司 | 一种基于手机信令数据的城市出行方式识别方法 |
CN111653094B (zh) * | 2020-05-29 | 2022-11-15 | 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路网修正的城市出行方式综合识别方法 |
CN112000755B (zh) * | 2020-08-14 | 2024-03-12 | 青岛市城市规划设计研究院 | 一种基于手机信令数据的区域出行廊道识别方法 |
CN112542045B (zh) * | 2020-12-01 | 2021-09-24 | 江苏欣网视讯软件技术有限公司 | 基于手机信令识别交通出行方式的方法与*** |
CN112711576B (zh) * | 2020-12-11 | 2023-03-10 | 上海城市交通设计院有限公司 | 一种识别手机信令数据高铁、飞机城际出行方式的方法 |
CN113887617A (zh) * | 2021-09-30 | 2022-01-04 | 同济大学 | 一种市域内部铁路出行轨迹识别方法、装置及存储介质 |
-
2023
- 2023-04-03 CN CN202310344408.XA patent/CN116052436B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN116052436A (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Schuessler et al. | Map-matching of GPS traces on high-resolution navigation networks using the Multiple Hypothesis Technique (MHT) | |
CN109215372A (zh) | 路网信息更新方法、装置及设备 | |
CN111881243B (zh) | 一种出租车轨迹热点区域分析方法及*** | |
WO2023123616A1 (zh) | 一种快速路车辆od位置提取方法及*** | |
CN116071929B (zh) | 基于卡口车牌识别数据的实时路况监测***及其方法 | |
CN115630988B (zh) | 陆路综合交通可达性测算方法和装置 | |
CN113887617A (zh) | 一种市域内部铁路出行轨迹识别方法、装置及存储介质 | |
CN110377687A (zh) | 用户出行方式判别方法、装置和服务器 | |
CN110431607A (zh) | 停车场信息管理***、停车场引导***、停车场信息管理程序以及停车场引导程序 | |
CN116052436B (zh) | 一种跨城出行方式识别方法、电子设备及存储介质 | |
Chen et al. | A travel mode identification framework based on cellular signaling data | |
CN104978859A (zh) | 一种计算城市任意区域公交线网密度的方法 | |
CN113177046A (zh) | 路网拓扑图的生成方法、装置、设备及存储介质 | |
CN111582317B (zh) | 一种道路定位方法及装置 | |
CN111310340B (zh) | 基于人类移动的城市区域交互异常关系识别方法及设备 | |
CN113483729A (zh) | 一种基于隐私保护和机器负载平衡的经纬测距方法 | |
CN116129643B (zh) | 一种公交车出行特征识别方法、装置、设备及介质 | |
CN115294773B (zh) | 一种公交专用道优化配置方法、电子设备及存储介质 | |
CN115587503B (zh) | 基于多模式仿真的个体出行链还原方法 | |
CN107229716A (zh) | 一种生成铁路线路经纬度坐标的方法和*** | |
CN117146848A (zh) | 路径规划方法、装置及电子设备 | |
JP5437383B2 (ja) | 道路路側部通行量算出装置及び道路路側部通行量算出方法 | |
CN115311887A (zh) | 优质公共服务资源可达性模型构建方法、设备及存储介质 | |
CN115497301A (zh) | 一种交通组织优化方案的评估方法、电子设备及存储介质 | |
CN108391265B (zh) | 一种确定漫游过境用户的方法及装置 |
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 |