CN116233759A - 一种居民出行轨迹调查方法及*** - Google Patents
一种居民出行轨迹调查方法及*** Download PDFInfo
- Publication number
- CN116233759A CN116233759A CN202310450313.6A CN202310450313A CN116233759A CN 116233759 A CN116233759 A CN 116233759A CN 202310450313 A CN202310450313 A CN 202310450313A CN 116233759 A CN116233759 A CN 116233759A
- Authority
- CN
- China
- Prior art keywords
- data
- travel
- sample
- mobile phone
- resident
- 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
Images
Classifications
-
- 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
-
- 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
-
- 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)
- Train Traffic Observation, Control, And Security (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明属于轨迹调查技术领域,特别涉及一种居民出行轨迹调查方法及***。所述调查方法包括:采集居民出行轨迹数据和交通***全要素全场景数据;对所述出行轨迹数据进行特征分析;基于出行轨迹数据对手机信令数据进行扩样;基于手机信令数据生成全样本出行信息。本发明能够判断用户出行起终点的用地信息,根据交通行为特征推断用户的出行及社交信息,包括职住位置、工作性质等,从而实现了用户出行画像构建,实现居民出行特征的调查。
Description
技术领域
本发明属于轨迹调查技术领域,特别涉及一种居民出行轨迹调查方法及***。
背景技术
居民出行调查旨在全面掌握当前城市交通建设、运行和发展现状,通过基础数据的收集、整理和分析,拟对现状交通特征和问题进行分析研究,为城市规划、管理、建设、经营决策制定提供数据支持和定量分析基础。居民“出行特征”调查是居民出行调查的重要内容之一。居民“出行特征”调查包括被调查人调查前一工作日(“昨天”)凌晨5点到次日(“今天”)凌晨5点的24小时内每一次出行,如出行的起止点、出行目的,使用的交通方式以及所用的行程时间等。居民出行特征调查是编制城市综合交通规划及各类相关规划的基础,为政府的交通政策制定提供依据。
在传统的居民“出行特征”调查中,通常采取问卷或询问调查方式获取居民出行轨迹,数据来源被访者对自己一天行程的回忆,由于回忆存在偏差,非常容易出现漏报、错报现象,严重影响了数据准确性和数据质量。同时采用这种方式的调查时间流程长、整体项目进度缓慢,数据时效性差,不能够充分反映用户的出行特征。
为了解决上述问题,需要设计一种居民出行轨迹调查方法及***,在保证用户隐私的前提下,能够高效获取用户的空间位置信息,从而实现居民“出行特征”调查的准确性与时效性。
发明内容
针对上述问题,本发明提供一种居民出行轨迹调查方法,所述调查方法包括:
采集居民出行轨迹数据和交通***全要素全场景数据;
对所述出行轨迹数据进行特征分析;
基于出行轨迹数据对手机信令数据进行扩样;
基于手机信令数据生成全样本出行信息。
优选地,所述采集居民出行轨迹数据和交通***全要素全场景数据之前还包括:
对数据进行样本选取;
所述样本选取包括:
根据预设标准对城市居民进行层次划分;
对不同层次内的居民进行随机抽样。
优选地,所述预设标准包括年龄段、职业类型、居住行政区、交通出行方式。
优选地,所述交通***全要素全场景数据包括建筑体多源数据、交通流量视频数据、交通基础设施数据、共享单车运行数据、慢行/静态交通秩序数据。
优选地,所述特征包括居民出行时间、出行时耗、出行空间分布、出行速度。
优选地,对所述出行轨迹数据进行特征分析,包括:
识别居民全日历次出行信息;
对出行信息进行分析并将分析结果进行反馈确认。
优选地,所述基于出行轨迹数据对手机信令数据进行扩样,包括:
根据出行识别算法对出行轨迹数据进行计算获取出行数据;
将出行数据与手机信令数据进行耦合关联;
构建机器学习算法挖掘耦合关联后的手机信令数据上的深层次特征;
对手机信令数据进行聚类分析,补全原始手机信令数据中缺失的居民出行数据。
优选地,基于出行轨迹数据对手机信令数据进行扩样,还包括:
根据出行轨迹数据和手机信令数据构建用户出行画像。
优选地,所述用户出行画像包括三个属性,分别是人口职业属性、目的偏好属性和空间偏好属性;
所述人口职业属性包括人口属性和职业偏好属性。
优选地,所述人口属性包括基本属性信息和地理位置信息;
所述基本属性信息包括性别和年龄;
所述地理位置信息包括地理位置。
优选地,所述目的偏好属性包括旅游出行信息、通勤出行信息、商务出行信息和交通运输出行信息。
优选地,所述空间偏好属性包括旅行方向信息、速度信息和距离信息;
所述速度信息包括瞬时速度和时间。
优选地,根据出行轨迹数据和手机信令数据构建用户出行画像包括:
对手机信令数据、AOI数据、交通方式识别结果、建筑物轮廓、用户的兴趣点和停留时间进行融合,构建用户出行画像。
优选地,所述基于手机信令数据生成全样本出行信息包括:
基于手机信令调查数据,采用IPU算法构建人口合成模型;
所述人口合成模型依据全样本层次扩样约束,得出扩样系数,生成扩样数据统计特征;
将扩样数据统计特征与人口普查的多层次统计特征进行绝对误差比对,判断是否符合收敛条件;
若不满足收敛条件,则调整扩样系数,得出扩样数据统计特征;
若满足收敛条件,则得出全样本出行扩样结果。
本发明还提出一种居民出行轨迹调查***,所述调查***包括:
采集模块,用于采集居民出行轨迹数据和交通***全要素全场景数据;
分析模块,用于对所述出行轨迹数据进行特征分析;
校验模块,用于对手机信令迹数据进行扩样;
结合生成模块,用于基于手机信令数据生成全样本出行信息。
优选地,所述调查***还包括选取模块:
所述选取模块用于对数据进行样本选取;
所述样本选取包括:
根据预设标准对城市居民进行层次划分;
对不同层次内的居民进行随机抽样。
优选地,所述分析模块用于对所述出行轨迹数据进行特征分析包括:
分析模块用于识别居民全日历次出行信息;
对出行信息进行分析并将分析结果进行反馈确认。
优选地,所述校验模块用于对手机信令迹数据进行扩样,包括:
校验模块用于根据出行识别算法对出行轨迹数据进行计算获取出行数据;
将出行数据与手机信令数据进行耦合关联;
构建机器学习算法挖掘耦合关联后的手机信令数据上的深层次特征;
对手机信令数据进行聚类分析,补全原始手机信令数据中缺失的居民出行数据。
优选地,所述调查***还包括构建模块:
所述构建模块用于根据出行轨迹数据和手机信令数据构建用户出行画像。
优选地,所述结合生成模块用于基于手机信令数据生成全样本出行信息,包括:
结合生成模块基于手机信令调查数据,采用IPU算法构建人口合成模型;
人口合成模型依据全样本层次扩样约束,得出扩样系数,生成扩样数据统计特征;
将扩样数据统计特征与人口普查的多层次统计特征进行绝对误差比对,判断是否符合收敛条件;
若不满足收敛条件,则调整扩样系数,得出扩样数据统计特征;
若满足收敛条件,则得出全样本出行扩样结果。
本发明具有以下有益效果:
本发明融合用户LBS数据与手机信令数据、AOI数据等多源数据,基于出行链的起终点获取用户出行的起止点,能够判断用户出行起终点的用地信息,根据交通行为特征推断用户的出行及社交信息,包括职住位置、工作性质等,从而实现了用户出行画像构建,实现居民出行特征的调查。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书以及附图中所指出的结构来实现和获得。
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一简单地介绍,显而易见地,下面描述中的附图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示出本发明实施例中一种居民出行轨迹调查方法示意图;
图2示出本发明实施例中数据底座多源数据来源体系示意图;
图3示出本发明实施例中用户分层划分抽样示意图;
图4示出本发明实施例中出行轨迹调查及机器学习的出行数据扩样流程示意图;
图5示出本发明实施例中用户画像构建示意图;
图6示出本发明实施例中人口合成理论流程图;
图7示出本发明实施例中一种居民出行轨迹调查***示意图;
图8示出本发明实施例中出行率柱状图;
图9示出本发明实施例中出行方式结构柱状图;
图10示出本发明实施例中志愿者年龄分布柱状图;
图11示出本发明实施例中志愿者性别分布饼图;
图12示出本发明实施例中志愿者空间分布柱状图;
图13示出本发明实施例中志愿者有无车分布饼图;
图14示出本发明实施例中志愿者职业分布饼图;
图15示出本发明实施例中出行率比较柱状图;
图16示出本发明实施例中平均出行距离比较柱状图;
图17示出本发明实施例中出行结构比较柱状图;
图18示出本发明实施例中出行目的比较柱状图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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、完整地说明,显然,所描述的实施例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。
如图1所示,本发明提出一种居民出行轨迹调查方法,本方法基于位置的服务(Location Based Services,LBS),利用手机定位技术获取定位设备当前的所在位置,通过移动互联网向定位设备提供信息资源和基础服务。首先用户可利用定位技术确定自身的空间位置,随后用户便可通过移动互联网来获取与位置相关资源和信息。LBS采样设备通常采样频率高,多用户在完整调查周期内的轨迹数据量庞大,因此需要形成一种标准化方法,分析海量轨迹数据内在的出行特征,高效挖掘数据背后的内在信息。针对轨迹数据信息,本发明融合用户LBS数据与手机信令数据、AOI数据等多源数据,基于出行链的起终点获取用户出行的起止点,能够判断用户出行起终点的用地信息,根据交通行为特征推断用户的出行及社交信息,包括职住位置、工作性质等,从而实现了用户出行画像构建。
具体的,所述调查方法步骤如下:
(1)采集居民出行轨迹数据和交通***全要素全场景数据
如图2所示,所述交通***全要素全场景数据包括建筑体多源数据、交通流量视频数据、交通基础设施数据、共享单车运行数据、慢行/静态交通秩序数据;并实现了对交通行业大数据中心30多项动静态数据的实时接入,实现了对交通***全要素全场景数据的信息化采集。
所述采集居民出行轨迹数据和交通***全要素全场景数据之前还包括:对数据进行样本选取;所述样本选取包括:根据预设标准对城市居民进行层次划分,所述预设标准包括年龄段、职业类型、居住行政区、交通出行方式;对不同层次内的居民进行随机抽样。具体的,采集居民出行轨迹数据的方式包括但不限于以下方式:通过问卷调查的形式获取居民的出行轨迹;使用调查表或者电子表格的方式对居民的出行轨迹进行调查获取出行轨迹数据;通过电子智能手环或者微信小程序对居民的出行轨迹进行调查获取出行轨迹数据。
为保证数据的质量以及具有代表性,对轨迹数据的选取应该遵循城市交通出行的结构,按结构进行分层抽样。在抽样的过程中,需要保证用户的年龄段、职业、居住空间、出行方式多因素的分层抽样,才能够相对客观的反映整个城市的交通运行特征。
本实施例中,在抽样之前,先将总体常住居民按照年龄段、职业类型、居住行政区、交通出行方式因素划分为28类人群,根据标准能将城市居民划分为28层,在每层进行随机抽样,从而抽取符合条件的居民进行轨迹数据采集。如图3所示,横轴表示交通出行方式,纵轴表示年龄段,竖轴表示职业类型。
需要注意的是,在抽样的过程中,通过与当地政府部门沟通,获取脱敏后的用户信息,便于高效对用户进行分层抽样,抽样结果表明:抽样后各项指标均处于平均水平,而抽样前用户选取不均衡。
(2)对所述出行轨迹数据进行特征分析
所述特征包括居民出行时间、出行时耗、出行空间分布、出行速度;
对所述出行轨迹数据进行特征分析,包括:识别居民全日历次出行信息;对出行信息进行分析并将分析结果进行反馈确认。
本实施例通过智能手环采集居民出行轨迹数据,智能手环内置融合GPS、WIFI定位、AGPS定位等多种定位技术的定位模块及基于NB-IOT的物联网通讯模块,确保在各类工况下回传定位数据的鲁棒性和准确性,并根据预定规则智能完成数据清洗及存储过程。在本实施例中,根据居民出行轨迹数据提取居民出行轨迹的方式包括:获取到居民的出行轨迹数据后,需要对出行轨迹数据进行清洗去噪,然后确定居民轨迹停留点的速度阈值条件,并计算出行停留点轨迹密度值,然后结合密度趋势确定驻留点,并且剔除超长和超时的轨迹数据。根据经过上述处理后的出行轨迹数据进行出行时间和距离的统计和分析,提取出居民的出行轨迹。
通过研发与高频等间距轨迹数据相适应的基于规则的居民出行特征分析算法,该算法统筹考虑居民出行时间、出行时耗、出行空间分布、出行速度等多维度特征,能够准确高效识别居民全日历次出行信息,并结合手机端小程序将分析结果推送用户进行信息确认、适当修改与完善,使信息获取和确认形成闭环,从而最终完成居民出行特征的准确获取。该***在郑州、绍兴等多地的得到实际应用,数据准确率达到95%以上,有效提升了居民出行调查准确率,同时该技术无需进行入户,有效避免了入户调查带来的入户困难等风险。
(3)基于出行轨迹数据对手机信令数据进行扩样
手机信令数据中包含有城市居民出行的海量时空信息,但手机(或互联网位置轨迹)位置数据先天的产生机理和分布状况,导致了直接基于手机信令数据识别的居民出行数据,与居民出行时间、出行空间分布等实际出行信息之间存在较大偏差,必须经过扩样比较后才能用于规划设计实践。
基于出行轨迹数据对手机信令数据进行扩样,包括:基于智能手环的出行轨迹技术采集典型居民的出行轨迹数据,根据出行识别算法对出行轨迹数据进行计算获取出行数据,避免由于问卷调查等方式所带来的的错报、漏报等问题;将出行数据与手机信令数据进行耦合关联;具体如图4所示,根据轨迹调查样本方案选择对应的用户,进行手机信令数据的采集,获取到样本集用户手机信令数据;从轨迹调查样本方案中的用户的智能终端采集到居民的出行轨迹数据,基于出行识别算法对出行轨迹数据进行识别计算获取到出行数据,然后运用K-MEANS算法,对手机信令数据进行聚类分析,补全原始手机信令数据中缺失的居民出行数据,完成手机信令数据的扩样过程。将全市所有居民的手机信令数据完成扩样后,即可获取全市出行数据扩样结果。
根据出行轨迹数据和手机信令数据构建用户出行画像包括:对手机信令数据、AOI数据、交通方式识别结果、建筑物轮廓、用户的兴趣点和停留时间进行融合,构建用户出行画像。
所述用户出行画像包括三个属性,分别是人口职业属性、目的偏好属性和空间偏好属性;
如图5所示,所述人口职业属性包括人口属性和职业偏好属性;所述人口属性包括基本属性信息和地理位置信息;所述基本属性信息包括性别和年龄;所述地理位置信息包括地理位置;所述职业偏好属性包括学生、工作、司机和其他。这一类标属性签比较稳定,一旦建立很长一段时间基本不用更新,标签体系也比较固定。
所述目的偏好属性包括旅游出行信息、通勤出行信息、商务出行信息和交通运输出行信息;这类属性标签随时间变化很快,标签有很强的时效性,标签体系也不固定。
所述空间偏好属性包括旅行方向信息、速度信息和距离信息;所述速度信息包括瞬时速度和时间。
具体的,融合AOI数据与手机基站泰森多边形,能够将建筑物边界、AOI用地数据、手机信令数据快速为轨迹数据赋值,结合连接得到的用地属性信息、建筑物信息、手机用户基本信息,能够将多源数据快速融合。其中出行目的信息由用户驻留点、驻留时长、交通方式等属性组合判断;用户人口信息来源其所填写的人口基本属性;根据手机信令数据进行长周期内的聚类分析,从而获取用户的职住空间位置信息;使用轨迹数据与AOI、建筑物面等数据相交判断用户的出行偏好以及出行空间信息。融合以上多种数据能够组合推断用户的职业等信息,从而构建完整的用户画像。
(4)基于手机信令数据生成全样本出行信息
所述基于手机信令数据生成全样本出行信息包括:基于手机信令调查数据,采用IPU算法构建人口合成模型;所述人口合成模型依据全样本层次扩样约束,得出扩样系数,生成扩样数据统计特征;将扩样数据统计特征与人口普查的多层次统计特征进行绝对误差比对,判断是否符合收敛条件;若不满足收敛条件,则调整扩样系数,得出扩样数据统计特征;若满足收敛条件,则得出全样本出行扩样结果。
如图6所示,基于手机信令出行扩样数据,采用人口合成模型,考虑全样本层次的扩样约束(家庭特征因素、人口画像约束以及其他约束)得出扩样系数,生成全样本扩样的数据统计特征。扩样是对一个样本中的观测值乘以扩样系数以使样本在扩样后为总体的估计值。将该特征与人口普查的多层次统计特征进行比对,并计算总体的误差值。采用循环迭代方式计算误差,经过若干次迭代后扩样结果与总体的误差值将逐渐减小并收敛,此时能得到精度较高的扩样结果。为了定量分析绝对误差的收敛判定,规定相对误差(总绝对误差与人口总量的比值)小于0.001时,误差达到收敛、则停止迭代计算。若不满足收敛,则调整样本扩样系数,重新生成数据统计特征,并与人口普查多层次统计特征进行比对,重复调整扩样系数,直至满足收敛,得出全样本出行扩样结果。
具体的,人口合成理论是在一定规模的小样本和多维度联合的总体特征分布控制下,进行合理抽样最终满足总体统计特征的全样本库的过程。本实施例中,在出行信息扩样中创新性的引入人口合成理论,在手机信令出行信息扩样的基础上,充分融合包括第七次人口普查在内的统计数据,采用基于IPU算法的人口合成算方法,首先,基于人口和出行信息种子库,利用IPU算法生成人口属性联合分布,在此基础上利用扩样系数在种子库中生成符合上述联合分布及控制总量的样本,最终得到全样本库。其中人口信息的人口特征约束中包含性别、年龄、民族、教育程度、薪水高低、婚姻情况等信息;家庭特征约束中包含一个家庭的人员结构、户主属性、地理位置、拥有的机动车数量等信息,除此之外,为了更加精准地模拟人口数据,模型中还构建了完备的全尺度地理单元的统计数据,以作为家庭和个人的边际分布。最终获取的全样本出行信息中,不仅保证了以上某一种属性在统计意义上接近现实情况,同时满足不同属性之间的相关结构与真实情况高度相符。
本发明借助LBS技术,提出了一套LBS出行链特征分析、数据挖掘的方法,融合用户LBS数据与手机信令数据、AOI数据等多源数据,基于出行链的起终点获取用户出行的起止点,能够判断用户出行起终点的用地信息,根据交通行为特征推断用户的出行及社交信息,包括职住位置、工作性质等,从而实现了用户出行画像构建,实现居民出行特征的调查。
如图7所示,本发明还提出一种居民出行轨迹调查***,所述调查***包括:
采集模块,用于采集居民出行轨迹数据和交通***全要素全场景数据。
分析模块,用于对所述出行轨迹数据进行特征分析;包括:
分析模块用于识别居民全日历次出行信息;对出行信息进行分析并将分析结果进行反馈确认。
校验模块,用于对手机信令迹数据进行扩样;包括:校验模块用于根据出行识别算法对出行轨迹数据进行计算获取出行数据;将出行数据与手机信令数据进行耦合关联;构建机器学习算法挖掘耦合关联后的手机信令数据上的深层次特征;对手机信令数据进行聚类分析,补全原始手机信令数据中缺失的居民出行数据。
结合生成模块,用于基于手机信令数据生成全样本出行信息;包括:结合生成模块基于手机信令调查数据,采用IPU算法构建人口合成模型;人口合成模型依据全样本层次扩样约束,得出扩样系数,生成扩样数据统计特征;将扩样数据统计特征与人口普查的多层次统计特征进行绝对误差比对,判断是否符合收敛条件;若不满足收敛条件,则调整扩样系数,得出扩样数据统计特征;若满足收敛条件,则得出全样本出行扩样结果。
所述调查***还包括选取模块:所述选取模块用于对数据进行样本选取;所述样本选取包括:根据预设标准对城市居民进行层次划分;对不同层次内的居民进行随机抽样。
所述调查***还包括构建模块:所述构建模块用于根据出行轨迹数据和手机信令数据构建用户出行画像。
基于上述调查方法和调查***,以2021年郑州市居民出行调查为例,首先,居民可在出行调查微信小程序中进行个人信息和家庭信息的填写,其中个人信息包括姓名、性别、年龄、是否持有公交票证、是否常住本地以及单位地址等,家庭信息包括家中人口数量、年收入、是否有汽车以及汽车使用者等。完成信息填写后,即可实现对用户的智能手环与手机设备进行绑定。在每天结束时,微信小程序会推送当天的出行记录,用户可以通过小程序查看当天全部出行记录,并进行出行记录信息的确认,具体的,包括对出发时间、出发地点、到达时间、到达地点以及出行方式进行确认。如果用户发现***自动识别的出行记录中缺少了当天某一次的出行记录,可以手动添加出行记录并提交后台进行审核;如果用户发现当天某次出行识别是错误的,也可以进行手动删除并提交后台进行审核。在出行记录通过后台审核后,微信小程序会发送审核结果通知给用户,从而顺利完成本次的出行轨迹数据调查。
在该实例中,对于智能手环的管理具体包括设备监控、设备管理以及设备绑定三个方面。其中,设备监控具体用于监控手环的基本情况及空间分布情况。手环情况总览包括手环总数、在线手环数、佩戴手环数(通过血压等个人健康检测信息确认是否佩戴了手环)、低电量手环数(统计电量低于20%的手环数量)、离线设备数。手环分布情况主要包括显示目前各手环的空间位置分布,采用聚合分散图(地图显示范围较大时显示行政区级手环数量,地图缩小后显示到POI级别手环分布)的形式进行展示。
设备管理主要用于实现对于手环的设备管理,包括筛选模块及设备列表两部分。筛选模块用于筛选符合要求的手环。筛选字段包括设备编码、设备状态、佩戴状态、剩余电量、当前位置、设备是否有效等。设备列表用于显示符合上述筛选条件的设备信息。包括设备编码、设备状态、佩戴状态、用户ID、剩余电量、当前位置、设备型号、上次上传数据时间、设备是否有效等。
绑定管理主要用于管理手环与用户之间的绑定关系。包括绑定列表、设备绑定详细信息两部分。
绑定列表用于显示当前手环绑定信息,包括设备编码、绑定状态、用户ID、用户姓名、用户手机等,如果手环没有绑定用户,则用户ID、用户姓名、用户手机则为空。添加筛选模块,可以利用绑定状态、用户姓名等对记录进行筛选。设备绑定详细信息:用于展示手环绑定的详细信息。单击已绑定用户的手环记录,显示该手环绑定详细信息,其中包括设备编码、绑定状态、用户ID、用户姓名、用户手机、历史绑定用户等,同时添加“解除绑定”按键,实现手环与用户之间的解绑。单击未绑定用户的手环记录,显示该手环绑定详细信息,其中包括设备编码、绑定状态、历史绑定用户等,用户ID、用户姓名、用户手机等信息显示为空,同时添加“绑定手环”按键,实现后台手环绑定用户。
对于数据采集样本的管理包括样本总览、样本详情以及样本方案导入三个方面。其中,样本总览包括包括样本基本统计数据以及样本分布情况。样本基本信息统计数据包括样本目标数、已完成调查数、正在调查数及已完成进度等。样本分布情况包括利用地图分别展示基于样本来源(微信端样本基础信息中心已填写)及家庭住址(样本家庭住址)两种统计口径的样本分布情况,同时采用图表形式展示行政区级别样本分布情况。
样本详情用于显示参与调查的志愿者的详细信息。包括样本方案及样本明细两个方面。样本方案用于显示样本方案中不同区域、不同单位的样本情况,包括目标样本数量、已完成样本数量、未完成样本数量,添加筛选模块,可以根据区域、目标样本数量、已完成样本数量等对样本方案进行筛选。通过点击某一个单位的样本方案,可以查看该单位已经参加调查的样本的详细信息,包括用户ID、用户姓名、性别、年龄、职业、行政区、绑定手环编号、样本来源以及用户联系方式等。添加筛选模块,可以利用用户姓名、年龄、职业、行政区、样本来源等进行筛选。通过单击某一个样本,可以查看该样本的个人详细信息,包括手环信息、个人信息(微信端已填写个人信息)、家庭信息(微信端已填写家庭信息)。样本明细用于显示所有参与本次调查的样本的详细信息,包括用户ID、用户姓名、性别、年龄、职业、行政区、绑定手环编号、样本来源以及用户联系方式等。添加筛选模块,可以利用用户姓名、年龄、职业、行政区、样本来源等进行筛选。单击样本记录,弹窗信息该名用户的个人详细信息,包括手环信息、个人信息(微信端已填写个人信息)、家庭信息(微信端已填写家庭信息)。
样本方案导入用于将采用excel或csv格式设计的样本方案导入***,其中样本方案模板包括地址、经纬度信息、目标样本数等字段。用户上传文本后,应首先生成预览,可让用户选择文本字段与***需求字段之间的对应关系,用户确认样本方案无误后点击确定,完成样本导入。
对于调查数据的管理主要包括数据总览和调查结果显示两方面。其中,数据总览用于显示本次调查的总体情况,包括总览及轨迹展示两部分内容。总览包括本次调查样本目标数、实际调查数、有效调查数量、已通过审核数及未通过审核数。轨迹展示用于展示目前已经收集到的样本轨迹分布情况,支持筛选。
调查结果显示主要以调查结果列表的形式进行展示,主要展示用户的出行基础信息,包括用户ID、***识别出行次数、用户修正出行次数、审核状态等信息。此外,还额外添加筛选模块,可以根据***识别次数、审核状态、***识别出行次数与用户修正后是否相同等条件筛选调查记录。
对于调查结果的统计和分析,具体包括调查结果的统计和出行指标分析两部分。其中调查结果的统计指标包括样本数量、性别、职业、收入、家庭人口规模、家庭工作人口、家庭车辆数等。支持按照全市范围、按行政区、按街道、按单位等统计口径完成上述指标的统计。支持任意两个指标之间进行交叉分析。统计分析的图表类型包括柱状图、饼图、散点图、折线图等。居民出行指标包括:出行率:样本平均日出行次数。如图8所示,横坐标表示不同市区,纵坐标表示出行率。出行方式构成:不同出行方式出行占出行总数的比例。如图9所示,横坐标表示不同出行距离下的出行方式百分比,纵坐标表示公里数。出行目的构成:不同出行目的出行占出行总数的比例。出行时间分布:每小时出行次数分布。出行距离:居民每一次出行距离和除以居民出行总次数,其中出行距离利用地图API计算。出行时耗:居民每一次出行时间和除以居民出行总次数,其中出行时间利用地图API计算。统计方式包括支持按照全市范围、按行政区、按街道、按单位等统计口径完成上述指标的统计。支持任意两个指标之间进行交叉分析,例如不同出行距离(默认5km出行间隔进行统计)出行方式构成、不同出行时耗下出行方式构成等。图表类型包括柱状图、饼图、散点图、折线图等。
基于上述内容,轨迹调查方案自2017年6月开始,持续时间为2周,调查范围覆盖郑州市域及周边区县,按照调查问卷与轨迹调查同步开展的形式展开,整体抽样比例不低于问卷调查的5%,最终获取1500人·天的有效数据样本。依据郑州市基本统计数据,按照志愿者的年龄、性别、空间分布、有无车辆、家庭住址、职业进行分层抽样,如图10-图14所示,在图10中,横坐标表示不同年龄段,纵坐标表示人口比重,在图12中,横坐标表示志愿者所存在的不同区域,纵坐标表示志愿者人数。如图15-图18所示,使用轨迹调查辅助与原有方法进行比较,改进方法能够有效采集短距离、高频次的出行记录,从而提高出行率,降低平均出行距离。在出行结构中,慢行交通数据通常存在漏报、错报,使用轨迹调查改进方法后,步行、自行车比例大幅提升,慢行出行比例显著提升。通过轨迹调查改进方法,生活类出行目的比例大幅提高,上学类出行目的有一定提高。
本领域的普通技术人员应当理解:尽管参考前述实施例对本发明进行的详细说明,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (20)
1.一种居民出行轨迹调查方法,其特征在于,所述调查方法包括:
采集居民出行轨迹数据和交通***全要素全场景数据;
对所述出行轨迹数据进行特征分析;
基于出行轨迹数据对手机信令数据进行扩样;
基于手机信令数据生成全样本出行信息。
2.根据权利要求1所述的一种居民出行轨迹调查方法,其特征在于,
所述采集居民出行轨迹数据和交通***全要素全场景数据之前还包括:
对数据进行样本选取;
所述样本选取包括:
根据预设标准对城市居民进行层次划分;
对不同层次内的居民进行随机抽样。
3.根据权利要求2所述的一种居民出行轨迹调查方法,其特征在于,
所述预设标准包括年龄段、职业类型、居住行政区、交通出行方式。
4.根据权利要求1所述的一种居民出行轨迹调查方法,其特征在于,
所述交通***全要素全场景数据包括建筑体多源数据、交通流量视频数据、交通基础设施数据、共享单车运行数据、慢行/静态交通秩序数据。
5.根据权利要求1所述的一种居民出行轨迹调查方法,其特征在于,
所述特征包括居民出行时间、出行时耗、出行空间分布、出行速度。
6.根据权利要求1所述的一种居民出行轨迹调查方法,其特征在于,
对所述出行轨迹数据进行特征分析,包括:
识别居民全日历次出行信息;
对出行信息进行分析并将分析结果进行反馈确认。
7.根据权利要求1所述的一种居民出行轨迹调查方法,其特征在于,
所述基于出行轨迹数据对手机信令数据进行扩样,包括:
根据出行识别算法对出行轨迹数据进行计算获取出行数据;
将出行数据与手机信令数据进行耦合关联;
构建机器学习算法挖掘耦合关联后的手机信令数据上的深层次特征;
对手机信令数据进行聚类分析,补全原始手机信令数据中缺失的居民出行数据。
8.根据权利要求1所述的一种居民出行轨迹调查方法,其特征在于,
基于出行轨迹数据对手机信令数据进行扩样,还包括:
根据出行轨迹数据和手机信令数据构建用户出行画像。
9.根据权利要求8所述的一种居民出行轨迹调查方法,其特征在于,
所述用户出行画像包括三个属性,分别是人口职业属性、目的偏好属性和空间偏好属性;
所述人口职业属性包括人口属性和职业偏好属性。
10.根据权利要求9所述的一种居民出行轨迹调查方法,其特征在于,
所述人口属性包括基本属性信息和地理位置信息;
所述基本属性信息包括性别和年龄;
所述地理位置信息包括地理位置。
11.根据权利要求9所述的一种居民出行轨迹调查方法,其特征在于,
所述目的偏好属性包括旅游出行信息、通勤出行信息、商务出行信息和交通运输出行信息。
12.根据权利要求9所述的一种居民出行轨迹调查方法,其特征在于,
所述空间偏好属性包括旅行方向信息、速度信息和距离信息;
所述速度信息包括瞬时速度和时间。
13.根据权利要求8所述的一种居民出行轨迹调查方法,其特征在于,
根据出行轨迹数据和手机信令数据构建用户出行画像包括:
对手机信令数据、AOI数据、交通方式识别结果、建筑物轮廓、用户的兴趣点和停留时间进行融合,构建用户出行画像。
14.根据权利要求1所述的一种居民出行轨迹调查方法,其特征在于,
所述基于手机信令数据生成全样本出行信息包括:
基于手机信令调查数据,采用IPU算法构建人口合成模型;
所述人口合成模型依据全样本层次扩样约束,得出扩样系数,生成扩样数据统计特征;
将扩样数据统计特征与人口普查的多层次统计特征进行绝对误差比对,判断是否符合收敛条件;
若不满足收敛条件,则调整扩样系数,得出扩样数据统计特征;
若满足收敛条件,则得出全样本出行扩样结果。
15.一种居民出行轨迹调查***,其特征在于,所述调查***包括:
采集模块,用于采集居民出行轨迹数据和交通***全要素全场景数据;
分析模块,用于对所述出行轨迹数据进行特征分析;
校验模块,用于对手机信令迹数据进行扩样;
结合生成模块,用于基于手机信令数据生成全样本出行信息。
16.根据权利要求15所述的一种居民出行轨迹调查***,其特征在于,
所述调查***还包括选取模块:
所述选取模块用于对数据进行样本选取;
所述样本选取包括:
根据预设标准对城市居民进行层次划分;
对不同层次内的居民进行随机抽样。
17.根据权利要求15所述的一种居民出行轨迹调查***,其特征在于,
所述分析模块用于对所述出行轨迹数据进行特征分析包括:
分析模块用于识别居民全日历次出行信息;
对出行信息进行分析并将分析结果进行反馈确认。
18.根据权利要求15所述的一种居民出行轨迹调查***,其特征在于,
所述校验模块用于对手机信令迹数据进行扩样,包括:
校验模块用于根据出行识别算法对出行轨迹数据进行计算获取出行数据;
将出行数据与手机信令数据进行耦合关联;
构建机器学习算法挖掘耦合关联后的手机信令数据上的深层次特征;
对手机信令数据进行聚类分析,补全原始手机信令数据中缺失的居民出行数据。
19.根据权利要求15所述的一种居民出行轨迹调查***,其特征在于,
所述调查***还包括构建模块:
所述构建模块用于根据出行轨迹数据和手机信令数据构建用户出行画像。
20.根据权利要求15所述的一种居民出行轨迹调查***,其特征在于,
所述结合生成模块用于基于手机信令数据生成全样本出行信息,包括:
结合生成模块基于手机信令调查数据,采用IPU算法构建人口合成模型;
人口合成模型依据全样本层次扩样约束,得出扩样系数,生成扩样数据统计特征;
将扩样数据统计特征与人口普查的多层次统计特征进行绝对误差比对,判断是否符合收敛条件;
若不满足收敛条件,则调整扩样系数,得出扩样数据统计特征;
若满足收敛条件,则得出全样本出行扩样结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310450313.6A CN116233759B (zh) | 2023-04-25 | 2023-04-25 | 一种居民出行轨迹调查方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310450313.6A CN116233759B (zh) | 2023-04-25 | 2023-04-25 | 一种居民出行轨迹调查方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116233759A true CN116233759A (zh) | 2023-06-06 |
CN116233759B CN116233759B (zh) | 2023-07-28 |
Family
ID=86573406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310450313.6A Active CN116233759B (zh) | 2023-04-25 | 2023-04-25 | 一种居民出行轨迹调查方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116233759B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117858024A (zh) * | 2024-01-09 | 2024-04-09 | 东南大学 | 一种基于手机信令数据的多段出行方式识别方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503843A (zh) * | 2016-10-20 | 2017-03-15 | 上海萃图数字科技有限公司 | 一种基于手机信令数据的常规公交线网优化与调整方法 |
CN107958031A (zh) * | 2017-11-20 | 2018-04-24 | 上海市城市建设设计研究总院(集团)有限公司 | 基于融合数据的居民出行od分布提取方法 |
CN108629972A (zh) * | 2018-05-07 | 2018-10-09 | 广州市交通规划研究院 | 一种基于大数据和传统方法相结合的居民出行调查综合扩样校核方法 |
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 |
WO2020238631A1 (zh) * | 2019-05-31 | 2020-12-03 | 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人群类型识别方法 |
CN112133090A (zh) * | 2020-08-14 | 2020-12-25 | 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多方式交通分布模型构建方法 |
CN115129769A (zh) * | 2022-06-01 | 2022-09-30 | 苏州大学 | 一种居民出行调查扩样方法、装置及存储介质 |
WO2022237213A1 (zh) * | 2021-05-13 | 2022-11-17 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种居民出行链模型构建方法及居民出行链获取方法 |
WO2023273292A1 (zh) * | 2021-06-30 | 2023-01-05 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于多源数据融合的居民出行链生成方法及共乘查询方法 |
-
2023
- 2023-04-25 CN CN202310450313.6A patent/CN116233759B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503843A (zh) * | 2016-10-20 | 2017-03-15 | 上海萃图数字科技有限公司 | 一种基于手机信令数据的常规公交线网优化与调整方法 |
CN107958031A (zh) * | 2017-11-20 | 2018-04-24 | 上海市城市建设设计研究总院(集团)有限公司 | 基于融合数据的居民出行od分布提取方法 |
CN108629972A (zh) * | 2018-05-07 | 2018-10-09 | 广州市交通规划研究院 | 一种基于大数据和传统方法相结合的居民出行调查综合扩样校核方法 |
WO2020238631A1 (zh) * | 2019-05-31 | 2020-12-03 | 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人群类型识别方法 |
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 |
CN112133090A (zh) * | 2020-08-14 | 2020-12-25 | 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多方式交通分布模型构建方法 |
WO2022237213A1 (zh) * | 2021-05-13 | 2022-11-17 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种居民出行链模型构建方法及居民出行链获取方法 |
WO2023273292A1 (zh) * | 2021-06-30 | 2023-01-05 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于多源数据融合的居民出行链生成方法及共乘查询方法 |
CN115129769A (zh) * | 2022-06-01 | 2022-09-30 | 苏州大学 | 一种居民出行调查扩样方法、装置及存储介质 |
Non-Patent Citations (2)
Title |
---|
王媛: "多源数据融合在上海市综合交通模型中的应用", 《城市交通》, pages 86 - 96 * |
苏跃江等: "源数据融合驱动的居民出行特征分析方法", 《交通运输***工程与信息》, vol. 20, no. 5, pages 56 - 63 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117858024A (zh) * | 2024-01-09 | 2024-04-09 | 东南大学 | 一种基于手机信令数据的多段出行方式识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116233759B (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Deng et al. | A big data approach to improving the vehicle emission inventory in China | |
CN102595323B (zh) | 基于手机定位数据的居民出行特征参数的获取方法 | |
Yin et al. | A generative model of urban activities from cellular data | |
Zhong et al. | Inferring building functions from a probabilistic model using public transportation data | |
Prillwitz et al. | Moving towards sustainability? Mobility styles, attitudes and individual travel behaviour | |
Anda et al. | Synthesising digital twin travellers: Individual travel demand from aggregated mobile phone data | |
CN108495254B (zh) | 一种基于信令数据的交通小区人口特征估计方法 | |
US20130166352A1 (en) | Mobile categorization | |
Demissie et al. | Analysis of the pattern and intensity of urban activities through aggregate cellphone usage | |
Wismans et al. | Improving a priori demand estimates transport models using mobile phone data: a Rotterdam-region case | |
CN116233759B (zh) | 一种居民出行轨迹调查方法及*** | |
CN116437291B (zh) | 一种基于手机信令的文化圈规划方法和*** | |
CN115412857B (zh) | 一种居民出行信息预测方法 | |
Bwambale et al. | Getting the best of both worlds: a framework for combining disaggregate travel survey data and aggregate mobile phone data for trip generation modelling | |
CN111080501A (zh) | 基于手机信令数据的真实人群密度时空分布估算方法 | |
CN112738729A (zh) | 一种用手机信令数据判别探亲返乡游客的方法及*** | |
Hong et al. | Conserved quantities in human mobility: From locations to trips | |
Pan et al. | Residency and worker status identification based on mobile device location data | |
Graells-Garrido et al. | A data fusion approach with mobile phone data for updating travel survey-based mode split estimates | |
Yeh et al. | Big data, urban analytics and the planning of smart cities | |
Toader et al. | Using passive data collection methods to learn complex mobility patterns: an exploratory analysis | |
Tsumura et al. | Examining potentials and practical constraints of mobile phone data for improving transport planning in developing countries | |
Amalan et al. | High frequency data in Land use and transport integrated model: A review of sources and application | |
CN110515961B (zh) | 一种基于时空大数据的基础地理信息更新需求评价方法 | |
CN113408867A (zh) | 基于手机用户和poi数据的城市入室盗窃犯罪风险评估方法 |
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 |