一种基于手机信令数据的城市交通出行特征确定方法技术

本发明专利技术公开了一种基于手机信令数据的城市交通出行特征确定方法，包括：对手机信令数据进行预处理，快速提取可用字段，形成以用户ID为关键字段的存储格式；对每个用户的移动位置按时间排序，根据速度和角度异常判断法进行去噪；利用DBSCAN聚类算法形成聚集点，识别出每个用户每天的所有停留点及停留时间；对停留点进行分类，计算出城市交通发生量、交通吸引量、出行次数、人均出行次数、出行距离、通勤出行距离、居住指数和就业指数。本发明专利技术充分利用手机信令数据，快速地、较为准确的计算出城市交通发生量、交通吸引量、出行次数、人均出行次数、出行距离、通勤出行距离、居住指数和就业指数，为城市交通规划、交通管理和交通战略研究提供数据支撑。

A method for determining urban traffic trip characteristics based on mobile phone signaling data

The invention discloses a method to determine the traffic characteristics of the city based on mobile phone signaling data includes: the mobile phone signaling data pretreatment, rapid extraction of available fields, forming a storage format to ID users is a key field; mobile location of each user according to the time sequence, according to the speed and angle of abnormal judgment method for denoising the aggregation point; using DBSCAN clustering algorithm to identify all stops each user every day and residence time; to classify the stay point, calculate the city traffic amount, traffic volume, attract travel times, per capita travel times, travel distance, commuting distance, living index and employment index. The invention makes full use of mobile phone signaling data, calculate quickly and accurately the city traffic volume, traffic attraction, travel times, per capita travel times, travel distance, commuting distance, living index and employment index for city traffic planning, traffic management and traffic strategy research to provide data support.

【技术实现步骤摘要】
一种基于手机信令数据的城市交通出行特征确定方法
本专利技术属于交通规划数据分析领域，特别涉及一种基于手机信令数据的城市交通出行特征确定方法。
技术介绍
城市交通发生量、交通吸引量、出行次数、人均出行次数、出行距离、通勤出行距离、居住指数和就业指数是反映城市交通出行需求的重要参数，是交通规划、城市建设和城市管理的科学依据。当前，随着城市建设速度的加快和功能的不断完善，人们对城市的交通规划、建设和管理提出了更高的要求。传统获取城市交通发生量、交通吸引量、出行次数、人均出行次数、出行距离、通勤出行距离、居住指数和就业指数的方法主要靠入户调查、路边询问、表格调查、车辆牌照和月票调查等人工调查方式，这种方式存在采样率低、周期长、人力财力花费较大，以及由于采样率低且数据质量的等问题，难以实现预期的效果。手机信令数据是指手机用户在打电话、发短信、位置变化以及周期性更新时产生的移动位置数据，近年来随着手机的普及和无线定位技术的发展，手机信令数据不断完善和增长，使得利用手机定位来计算城市交通发生量、交通吸引量、出行次数、人均出行次数、出行距离、通勤出行距离、居住指数和就业指数的方法成为一种可能。现在几乎人人都拥有一部手机，各通信公司有着海量的用户资源及相关的基础数据，相对于传统调查方式，无疑可以获取更全面、更准确的数据，为进行更深入的城市交通发生量、交通吸引量、出行次数、出行距离、居住指数和就业指数计算提供了良好的数据基础。由于每天的手机信令数据量大(一天约7亿条记录、70G的数据)，且文件储存大小差异大，为提高处理效率，我们采用将一天的原始手机信令数据按文件大小均匀分开的方式进行存储。DBSCAN是一个比较有代表性的基于密度的聚类算法。与划分和层次聚类方法不同，它将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在有噪声的空间数据库中发现任意形状的聚类。这一步的处理既可以进一步消除抖动数据对计算的影响，也可以聚合停留点，为出行计算做准备。居住指数和就业指数统称职住指数。职住指数可以反映区域职住平衡情况。职住平衡是指，在一个特定区域内，就业人口的数量、就业岗位的数量和职住都在本区的数量大致相等，大部分居民可以就近工作。就业指数和居住指数越大，表明该区域越接近职住平衡，就业指数和居住指数的最大值为1，理论上职住平衡最理想的情况，就是就业指数和居住指数无限趋近于1。目前尚未有相关文献报导。
技术实现思路
有鉴于此，本专利技术的技术解决问题：克服现有技术的不足，提供一种基于手机信令数据的城市交通出行特征确定方法，快速地、准确地基于手机信令数据的城市交通发生量、交通吸引量、出行次数、人均出行次数、出行距离、通勤出行距离、居住指数和就业指数计算方法，为城市交通规划、交通管理和交通战略研究提供较为实时和准确的数据支撑。本专利技术的技术解决方案：主要针对城市交通发生量、交通吸引量、出行次数、人均出行次数、出行距离、通勤出行距离、居住指数和就业指数进行计算，(1)对手机信令数据进行预处理，快速提取可用字段，形成以用户ID为关键字段的存储格式；(2)对每个用户的移动位置数据按时间排序，根据速度和角度异常判断法进行去噪；(3)利用DBSCAN聚类算法形成聚集点，识别出每个用户每天的所有停留点及停留起止时间；(4)对停留点进行分类，计算交通发生量、交通吸引量、出行次数、出行距离、居住指数和就业指数。通过以下步骤实现：(1)对手机信令数据进行预处理，提取可用字段，形成以用户ID，即用户唯一标识UID为关键字段的存储格式，形成用户的移动位置数据；(2)对每个用户的移动位置数据按时间排序，根据速度异常判断法和角度异常判断法进行去噪，得到去噪后的移动位置数据；(3)根据步骤(2)去噪后的移动位置数据，利用DBSCAN聚类算法进行聚类分析形成聚集点，识别出每个用户每天的所有停留点及停留起止时间；所述停留点及停留起止时间识别方法是将同一用户全天所有移动位置数据根据时间戳先后排序，将同一个簇号中时间连续的聚集点，划分为一个停留点，并将停留点的最早时间和最晚时间作为该停留点的起止时间；(4)根据步骤(3)得到的停留点，将相邻2个停留点计为1次出行，将这2个停留点按时间先后顺序依次作为该次出行的O、D点，在特定区域内，计算该区域的交通发生量和交通吸引量。(5)根据步骤(4)的O、D点，计算特定区域总出行次数和人均出行次数。(6)根据停留点起止时间，判断每个用户的居住地和就业地(即通勤OD)，计算特定区域平均出行距离和平均通勤出行距离。(7)在特定区域内，分别计算该区域就业人口数、就业岗位数和职住都在本区人数，然后分别计算居住指数和就业指数。所述步骤(4)中，计算用户一天出行次数的过程为：计算用户全天的停留点个数之和，若等于0，则用户出行次数为0；若大于等于1，则减1得到用户出行次数。所述步骤(4)中，计算特定区域的交通发生量的过程为：计算该区域内所有O点的数量之和，得到该区域的交通发生量。所述步骤(4)中，计算特定区域的交通吸引量的过程为：计算该区域内所有D点的数量之和，得到该区域的交通吸引量。所述步骤(5)中，计算特定区域的总出行次数的过程为：计算O点或D点在该区域内的出行次数之和，得到该区域的总出行次数。所述步骤(5)中，计算特定区域的人均行次数的过程为：该区域总出行次数除以该区域人数，得到该区域的人均出行次数。所述步骤(6)中，计算每次出行距离的过程为：计算该次出行的O、D点之间的曼哈顿距离，得到出行距离。所述步骤(6)中，计算特定区域平均出行距离的过程为：计算该区域所有用户所有出行距离之和，除以该区域总出行次数，得到该区域平均出行距离。所述步骤(6)中，判断单个ID居住地的过程为：判断用户在一天中的(0,6)∪(21,24)(指0:00-6:00和21:00-24:00)的时间区间内是否存在停留点，如果存在，将停留时间最长的停留点作为用户的居住地。所述步骤(6)中，判断单个ID就业地的过程为：判断用户在工作日中的(8,18)时间区间内存在停留点，并且停留点起止时间差大于4小时，若存在，则将符合上述条件且停留时间最长的停留点作为用户的就业地。所述步骤(6)中，计算特定区域平均通勤出行距离的过程为：计算该区域所有用户居住地和就业地的曼哈顿距离之和，除以该区域用户数，得到该区域的平均通勤出行距离。所述步骤(7)中，计算特定区域就业人口数的过程为：计算居住地在该区域，且存在就业地的用户数量之和，得到该区域就业人口数。所述步骤(7)中，计算特定区域就业岗位数的过程为：计算就业地在该区域的用户数量之和，得到该区域就业岗位数。所述步骤(7)中，计算特定区域职住都在本区人数的过程为：计算居住地和就业地均在该区域的用户数量之和，得到该区域职住都在本区人数。所述步骤(7)中，计算特定区域居住指数的过程为：计算该区域职住都在本区人数与就业人口数(不论是否在本区就业)的比值，得到居住指数。所述步骤(7)中，计算特定区域就业指数的过程为：计算该区域职住都在本区人数与就业岗位数(不论是否在本区居住)的比值，得到就业指数。本专利技术与现有技术相比的优点在于：(1)本专利技术充分利用手机信令数据，经过以上步骤，快速地、准确的计算出城市交通发生量、交通吸引量、出行次数、本文档来自技高网...

【技术保护点】
一种基于手机信令数据的城市交通出行特征确定方法，其特征在于：对停留点及停留起止时间进行分类，计算出城市交通发生量、交通吸引量、出行次数、人均出行次数、出行距离、通勤出行距离、居住指数和就业指数；所述交通发生量(Trip Generation)是计算特定区域为出行起点的出行量；所述交通吸引量(Trip Attraction)是计算特定区域为出行终点的出行量；所述出行次数为特定区域出行总量(Trip Summation)；所述人均出行次数为特定区域内的人均出行量；所述出行距离为特定区域内的人均出行距离，即出行起点或出行终点在特定区域内的全部出行，出行起点到出行终点的曼哈顿距离的平均值；所述通勤出行距离为特定区域内的人均通勤出行距离，即居住地或就业地在特定区域内的全部用户，居住地到就业地的曼哈顿距离的平均值；所述居住指数为职住都在特定区域内的人数与就业人口数的比值；所述就业指数为职住都在特定区域内的人数与就业岗位数的比值。

【技术特征摘要】
1.一种基于手机信令数据的城市交通出行特征确定方法，其特征在于：对停留点及停留起止时间进行分类，计算出城市交通发生量、交通吸引量、出行次数、人均出行次数、出行距离、通勤出行距离、居住指数和就业指数；所述交通发生量(TripGeneration)是计算特定区域为出行起点的出行量；所述交通吸引量(TripAttraction)是计算特定区域为出行终点的出行量；所述出行次数为特定区域出行总量(TripSummation)；所述人均出行次数为特定区域内的人均出行量；所述出行距离为特定区域内的人均出行距离，即出行起点或出行终点在特定区域内的全部出行，出行起点到出行终点的曼哈顿距离的平均值；所述通勤出行距离为特定区域内的人均通勤出行距离，即居住地或就业地在特定区域内的全部用户，居住地到就业地的曼哈顿距离的平均值；所述居住指数为职住都在特定区域内的人数与就业人口数的比值；所述就业指数为职住都在特定区域内的人数与就业岗位数的比值。2.根据权利要求1所述的基于手机信令数据的城市交通出行特征确定方法，其特征在于：所述计算交通发生量的方法是：用户相邻2个停留点为1次出行，出行的2个停留点按时间先后顺序依次作为本次出行的O、D点，交通发生量为出行起点O在特定区域U内的出行总量，首先判断第i次出行的起点Oi是否在该区域内，如果是则累计加1，然后遍历所有的出行得到的累计量为该区域的交通发生量TG，计算方式为：3.根据权利要求1所述的基于手机信令数据的城市交通出行特征确定方法，其特征在于：所述计算交通吸引量的方法是：用户相邻2个停留点为1次出行，出行的2个停留点按时间先后顺序依次作为本次出行的O、D点，交通吸引量为出行终点D在特定区域U内的出行总量，首先判断第i次出行的终点Di是否在该区域内，如果是则累计加1，然后遍历所有的出行得到的累计量为该区域的交通吸引量TA，计算方式为：4.根据权利要求1所述的基于手机信令数据的城市交通出行特征确定方法，其特征在于：所述计算出行次数的方法是：用户相邻2个停留点为1次出行，出行的2个停留点按时间先后顺序依次作为本次出行的O、D点，出行次数为出行起点Oi或出行终点Di其中任意一点在特定区域U内的出行总量，首先判断第i次出行的起点或终点其中任意一点是否在该区域内，如果是则累计加1，然后遍历所有的出行得到的累计量为该区...

【专利技术属性】
技术研发人员：王家川，吴东东，石睿轩，肖冉东，郭彦茹，王忱，黄建玲，
申请(专利权)人：北京市交通信息中心，北京市智能交通协会，
类型：发明
国别省市：北京,11