一种基于多源交通数据的全局动态出行需求估计方法技术

本发明专利技术公开了一种基于多源交通数据的全局动态出行需求估计方法，将动态的交通数据与静态手机历史信令数据相融合，结合居民全局历史出行数据与实时交通出行数据来实时估计居民全局出行数据，可以大大减小OD调查的时间和经济成本。此外，引入Chi‑square distance来度量所构建的融合模型的准确度，进而确定最佳的主导出行方式阈值，获得估计准确的融合模型。本发明专利技术所述方法通过出租车出行与地铁出行的实时数据结合手机历史信令数据，可以有效感知大规模居民出行的实时出行状态，对于发生一些人群聚集的事件能够及时的感知并预警，对于城市的规划和管理具有十分重要的借鉴意义。

A Global Dynamic Travel Demand Estimation Method Based on Multi-source Traffic Data

The invention discloses a global dynamic travel demand estimation method based on multi-source traffic data, which integrates dynamic traffic data with static mobile phone historical signaling data, estimates resident global travel data in real time by combining resident global historical travel data with real-time traffic travel data, and greatly reduces the time of OD survey. And economic cost. In addition, Chi_square distance is introduced to measure the accuracy of the fusion model, and then the optimal threshold of dominant travel mode is determined to obtain the fusion model with accurate estimation. The method of the invention can effectively perceive the real-time travel status of large-scale residential trips by combining the real-time data of taxi trips and subway trips with the mobile phone historical signaling data, can timely sense and early warn the occurrence of some crowd gathering events, and has a very important reference for urban planning and management. Significance.

【技术实现步骤摘要】
一种基于多源交通数据的全局动态出行需求估计方法
本专利技术属于交通
，特别涉及一种基于多源交通数据的全局动态出行需求估计方法。
技术介绍
城市居民的出行与社会经济的发展息息相关，了解居民的出行需求不仅有利于城市的土地合理布局，也对城市交通的规划和管理具有十分重要的意义。长期以来，居民的出行OD调查受到各国政府和科研工作者的广泛重视，从政府管理层面，了解居民的出行特征不仅有利于维持城市的安全和稳定，也关乎行政人员对城市经济发展的宏观把控。从科研发展层面，科研工作者们广泛研究居民的出行特征，一方面是为了对居民的生活方式有更深刻的了解，同时也为从居民的出行规律中提取出有益信息，实现对诸如疫情传播等意外事故等的及时缓解与预警。传统的居民出行OD调查主要是通过问卷调查的形式，采样统计城市居民在一天中的各种活动地点与活动时间，之后随着手机的广泛普及，手机基站覆盖范围广且其服务的用户数量众多。已有部分专利技术利用手机通话详单数据(CDR)对居民出行进行提取，但是CDR数据由于采样频率低，往往不能提供精细而全面的出行信息。而手机信令数据作为另一种手机数据，克服了CDR数据的稀疏性的问题，记录频率高，根据精度要求的不同，一般数分钟至数小时就对用户进行一次扫描，通过手机信令数据来了解大规模的居民出行成为一种可行的方式。综上所述，现有的城市居民出行信息估计方法存在如下问题：1)传统的问卷调查等方法不仅要耗费大量的人力物力财力，很大获取大规模的数据且记录信息并不十分精准。2)由于手机基站数据被手机运营商收集，第三方机构难以实时获取，只能获取少量历史数据，故通过手机信令数据并不能对居民出行进行实时估计。由此可见，找到一种成本较低且能实时有效估计居民出行需求的方法具有十分重要的现实意义。因为人们在日常使用各种信息设备时，设备会记录下用户的标识与使用信息，这些都将成为人们的社会信息。因此社会信号是一种静默的、广泛存在的个人行为数据。但是不同的社会信号数据的记录精度与获取难度各不相同，如何充分利用各种社会信号的优势对于实时出行感知方法的建立至关重要。
技术实现思路
本专利技术针对现有技术中存在的问题，提出一种基于多源交通数据的全局动态出行需求估计方法，将动态的交通数据与静态手机信令数据相融合，结合居民全局历史出行数据与实时交通出行数据来实时估计居民全局出行数据，有效的描述居民的实时出行需求特征。交通数据作为社会信号中十分重要的一类，可以很好的记录人们的位置信息，为提取出行信息、估计交通需求提供数据支持。一种基于多源交通数据的全局动态出行需求估计方法，包括以下步骤：步骤1：依据道路网络和居民出行信息，构建城市交通小区；步骤2：基于手机历史信令数据，提取居民出行OD作为居民全局出行信息；步骤3：基于交管局实时记载的出租车GPS数据和地铁出行刷卡数据，提取居民出行OD作为居民实时交通出行信息；一次居民出行OD是指某居民在某个时间从起点交通小区(O)到终点交通小区(D)的行为，OD交通量就是指起终点间的交通出行量；步骤4：依据居民实时交通出行信息占居民全局出行信息的比值，选取不同居民出行OD估计模型，对不同交通小区之间的居民出行需求进行估计；所述居民出行OD估计模型包括以下两种：1)若β(i,j,tp)<δ，TR(i,j,t)＝f(i,j,t)×<TM(i,j,tp)>；2)若β(i,j,tp)>δ，TR(i,j,t)＝T(i,j,t)×(1/β(i,j,tp))；其中，δ表示主导出行方式阈值，取值为范围为(0-1)；t表示当前时间窗，tp表示历史日期数据中与t相同的时间窗；β(i,j,t)表示居民实时交通出行信息占居民全局出行信息的比值：β(i,j,tp)＝<T(i,j,tp)>/<TM(i,j,tp)>T(i,j,t)为利用出租车GPS数据和地铁出行刷卡数据记录到的在t时间窗从交通小区i到达交通小区j的居民数量；<T(i,j,tp)>为与当前时间窗t所在日期前的至少连续30天内每天在在tp时间窗从交通小区i到达交通小区j的平均居民数量；<TM(i,j,tp)>表示利用手机历史信令数据记录到的与当前时间窗t所在日期前的至少连续30天内每天在tp时间窗从交通小区i到达交通小区j的平均居民数量；所选的至少连续30天是指利用手机历史信令数据记录了居民出行数据的日期，在实际使用过程中，选取与当前时间窗所在日期越接近的日期越好；所述的时间窗t和tp即为不同日期中同一时间段，例如，t表示当前日期内的上午8:00到9:00，tp表示当前日期之前的某天中的上午8:00到9:00；f(i,j,t)表示活力系数，为t时间窗从交通小区i以及i周围εd＝2km范围以内的所有交通小区选择出租车或地铁出发的居民数量；为与当前时间窗t所在日期前的至少连续30天内每天在在tp时间窗从交通小区i以及i周围εd范围以内的所有交通小区选择出租车或地铁出发的平均居民数量；为在t时间窗选择出租车或地铁到达交通小区j或j周围εd范围以内的所有交通小区的居民数量；为与当前时间窗t所在日期前的至少连续30天内每天在在tp时间窗选择出租车或地铁到达交通小区j或j周围εd范围以内的所有交通小区的平均居民数量；TR(i,j,t)为所估计的在t时间窗从i交通小区到达j交通小区的实时真实居民数量。进一步地，将主导出行方式阈值δ从0开始，递增步长为0.05，选用居民历史出行数据进行多次计算xi,j和yi,j，从而得到d(x,y)，选取d(x,y)的拐点处的横坐标作为最佳主导出行方式阈值δ：其中，d(x,y)表示差异化程度；xi,j表示在至少连续30天的历史数据中，利用出租车GPS数据和地铁出行刷卡数据记录到的在tp时间窗从交通小区i到达交通小区j的居民数量以及居民出行OD估计模型估计出的居民真实出行的归一化值：xi,j,t＝TR(i,j,tp)/∑i,jTR(i,j,tp)yi,j表示在至少连续30天的历史数据中，利用手机信令数据计算得到的居民真实出行的归一化值：yi,j＝TM(i,j,tp)/∑i,jTM(i,j,tp)。通过利用历史出行数据，在主导出行方式阈值的取值范围中，按照步长遍历阈值的各种取值，得到使得估计值和真实值差异化程度对应拐点处的阈值；进一步地，所述利用出租车GPS数据和地铁出行刷卡数据记录到的在t时间窗从交通小区i到达交通小区j的居民数量的计算过程如下：T(i,j,t)＝βsub×Tsub(i,j,t)+βtaxi×Ttaxi(i,j,t)其中，βsub和βtaxi分别为地铁出行与出租车出行的扩样系数，和与分别为交通管理部门发布的日均地铁出行总量与日均出租车出行总量，Tsub(i,j,t)和Ttaxi(i,j,t)分别为在时间窗t从交通小区i到达交通小区j选择地铁出行和出租车出行的居民数量。进一步地，所述时间窗的时间为1小时。有益效果本专利技术提供了一种基于多源交通数据的全局动态出行需求估计方法，将动态的交通数据与静态手机历史信令数据相融合，结合居民全局历史出行数据与实时交通出行数据来实时估计居民全局出行数据，可本文档来自技高网...

【技术保护点】
1.一种基于多源交通数据的全局动态出行需求估计方法，其特征在于，包括以下步骤：步骤1：依据道路网络和居民出行信息，构建城市交通小区；步骤2：基于手机历史信令数据，提取居民出行OD作为居民全局出行信息；步骤3：基于交管局实时记载的出租车GPS数据和地铁出行刷卡数据，提取居民出行OD作为居民实时交通出行信息；步骤4：依据居民实时交通出行信息占居民全局出行信息的比值，选取不同居民出行OD估计模型，对不同交通小区之间的居民出行需求进行估计；所述居民出行OD估计模型包括以下两种：1)若β(i,j,tp)

【技术特征摘要】
1.一种基于多源交通数据的全局动态出行需求估计方法，其特征在于，包括以下步骤：步骤1：依据道路网络和居民出行信息，构建城市交通小区；步骤2：基于手机历史信令数据，提取居民出行OD作为居民全局出行信息；步骤3：基于交管局实时记载的出租车GPS数据和地铁出行刷卡数据，提取居民出行OD作为居民实时交通出行信息；步骤4：依据居民实时交通出行信息占居民全局出行信息的比值，选取不同居民出行OD估计模型，对不同交通小区之间的居民出行需求进行估计；所述居民出行OD估计模型包括以下两种：1)若β(i,j,tp)<δ，TR(i,j,t)＝f(i,j,t)×<TM(i,j,tp)>；2)若β(i,j,tp)>δ，TR(i,j,t)＝T(i,j,t)×(1/β(i,j,tp))；其中，δ表示主导出行方式阈值，取值为范围为(0-1)；t表示当前时间窗，tp表示历史日期数据中与t相同的时间窗；β(i,j,t)表示居民实时交通出行信息占居民全局出行信息的比值：β(i,j,tp)＝<T(i,j,tp)>/<TM(i,j,tp)>T(i,j,t)为利用出租车GPS数据和地铁出行刷卡数据记录到的在t时间窗从交通小区i到达交通小区j的居民数量；<T(i,j,tp)>为与当前时间窗t所在日期前的至少连续30天内每天在在tp时间窗从交通小区i到达交通小区j的平均居民数量；<TM(i,j,tp)>表示利用手机历史信令数据记录到的与当前时间窗t所在日期前的至少连续30天内每天在tp时间窗从交通小区i到达交通小区j的平均居民数量；f(i,j,t)表示活力系数，为t时间窗从交通小区i以及i周围εd＝2km范围以内的所有交通小区选择出租车或地铁出发的居民数量；为与当前时间窗t所在日期前的至少连续30天内每天在...

【专利技术属性】
技术研发人员：王璞，黄智仁，刘洋，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南,43