一种基于大规模手机位置数据的自行车骑车与停车需求评估方法技术

本发明专利技术涉及一种基于大规模手机位置数据的自行车骑车与停车需求评估方法，以出行为分析单元，筛选自行车出行需求以及计算自行车骑车与停车需求。采用SMoT模型提取用户停留和出行，以单个出行为分析单元，根据路网出行距离筛选适宜自行车作为交通方式的出行；在计算自行车出行需求时，同样以出行为分析单元，根据基站范围内到达与出发的出行来评估自行车骑车和停车需求。同时本发明专利技术顾及公共交通接驳的自行车出行需求。针对长距离出行中的公共交通出行方式，通过引入公共交通站点数据，计算出发地和目的地与最近的公共交通站点的距离，提取适合自行车接驳的出行并计算接驳出行需求。

A Needs Assessment Method for Bicycle Cycling and Parking Based on Large-scale Mobile Location Data

【技术实现步骤摘要】
一种基于大规模手机位置数据的自行车骑车与停车需求评估方法
本专利技术涉及智能地理信息
，特别是一种基于大规模手机位置数据的自行车骑车与停车需求评估方法。
技术介绍
近年来，国内外许多城市管理部门大力倡导慢行交通出行方式，来改善城市结构体系。在住房和城乡建设部、发展改革委、财政部发布的《关于加强城市步行和自行车交通系统建设的指导意见》中指出，要加快步道、自行车车道以及自行车停车设施等慢行交通基础设施建设，使大中城市慢行交通的出行分担率在55％以上。自行车作为慢行交通的重要组成部分，主要是面向短距离出行需求以及公共交通出行过程中“最后一公里”的接驳问题，因而在距离上和空间分布上具有较为显著的特征。另一方面，随着科学技术的进步，移动手机在人群中逐渐普及，并高度融入到人们的日常生活中。而移动手机通信依赖于邻近移动信号基站所提供的服务，基于基站定位的方式收集到的手机位置数据能够实现对大规模人群进行连续位置追踪。该数据大样本、低成本的特征，为探索人类移动性特征提供了新的观察视角，因此被广泛用于交通需求评估以及城市人群活动模式研究等应用中。手机位置数据中蕴含丰富的居民出行信息，也包括自行车出行需求评估所需要的信息。目前，自行车出行需求评估方法主要基于两类模型：概率模型和时间序列模型。其中，概率模型(例如logit模型)主要基于调查数据，探究用户的个人属性(例如性别、年龄、受教育水平、收入)和出行特征(例如距租赁点的距离、出行目的、出行时间)等与自行车出行需求间的关系。而时间序列模型主要针对具有出行记录的公共自行车系统。例如，在公共自行车系统中，基于各个站点的历史使用数据，挖掘历史数据中存在的规律，使用回归分析或ARIMA等时间序列模型对公共自行车需求进行拟合和预测。但是传统的方法未能有效评估城市居民自行车出行的整体需求。其主要原因在于传统的自行车出行需求评估方法主要是以有桩式公共自行车为研究对象，其需求不能代表整体的自行车出行需求；其次，基于自行车历史使用数据无法反映出潜在的自行车出行需求。除了以上传统的自行车出行需求评估方法，Xu等人提出利用手机位置数据来筛选短距离出行链，进而评估自行车出行需求(XuY,ShawS-L,FangZ,etal.EstimatingPotentialDemandofBicycleTripsfromMobilePhoneData—AnAnchor-PointBasedApproach[J].ISPRSInternationalJournalofGeo-Information,2016,5(8):131)。其具体技术方案是：1)轨迹聚类：遍历用户的数据记录，搜索连接次数最多的基站，并对其周边500m以内的基站进行聚类合并；2)职住地提取：选择00:00至07:00期间持续时间大于4小时、09:00至18:00期间持续6小时的活动锚点分别作为居住和工作所在地；3)出行链提取与筛选：利用职住地分割用户轨迹得到出行链，计算每个出行链中所有基站之间的路网距离，并根据距离最大值对出行链进行过滤(若该最大值在1km至5km之间则保留该出行链，否则不保留)；4)自行车出行需求计算：根据筛选后的出行链，遍历链中所有时间序列相邻且经纬度不相等的数据记录点赋予自行车出行需求。Xu的方法在评估自行车具体出行需求时存在明显的不足：(1)筛选短距离出行指标时，以出行链为单位，忽略了出行链中的短距离出行需求；(2)在计算具体出行次数指标时，将一个完整出行中的每一次移动均算作一次出行，未能将出行作为一个整体进行考虑；(3)未考虑公共交通出行中的接驳需求。
技术实现思路
有鉴于此，本专利技术的目的是提出一种基于大规模手机位置数据的自行车骑车与停车需求评估方法，能够克服现有技术中的不足。本专利技术采用以下方案实现：一种基于大规模手机位置数据的自行车骑车与停车需求评估方法，具体包括以下步骤：步骤S1：对大规模手机位置数据进行数据整理和数据筛选；步骤S2：进行用户停留识别，从原始轨迹RT中找出一定范围区域内持续一定时间长度的轨迹分段，该轨迹分段即为停留S，而原始轨迹中除去停留的部分，剩下的轨迹分段即为移动M；步骤S3：进行用户目标出行提取，当移动的距离满足一定距离阈值α和β时，该移动构成用户的一个目标出行TM；步骤S4：把自行车的出行需求分为骑车需求和停车需求两个方面，并将一天划分为24个小时，计算每个时段内自行车出行需求情况。进一步地，步骤S1具体为：对手机位置数据中的记录数据、原始轨迹、轨迹分段、移动、停留、出行以及目标出行进行定义；所述记录数据r表示形成轨迹的原始记录数据，表示为四元组＜用户编号，时间，经度，维度＞，如下式：r＝＜OID,t,lon,lat＞；式中，OID为对象编号，t为时间，lon和lat分别表示经纬度；所述原始轨迹RT表示具有相同的对象编号的记录数据按照时间顺序从先到后的方式组织形成的序列，如下式：RT＝[r1,r2,...,rn]；式中，n为记录个数，对任意的1≤i＜j≤n，rj.time＞ri.time，即记录rj的时间晚于记录ri；所述轨迹分段TS是原始轨迹的记录子集，分段是个体轨迹的一部分，由多个连续的记录组成，将轨迹分段表示为一个六元组，如下：RTTS＝＜UserID,start,end,type,RECORDS＞；式中，UserID表示用户编号，start和end分别是分段开始和结束的时间，type是分段的类型，包括停留S和移动M；RECORDS为组成分段的初始记录集，不少于两个元素；所述停留S是轨迹分段的子类，表示个体没有发生移动或在局部范围内活动，并且持续时间大于设定值T0，表示为一个五元组＜UserID,start,end,type,RECORDS＞，其中type类型为S；所述移动M是轨迹分段的子类，表示该段时间内，个体处于移动的状态，表示为一个五元组＜UserId,start,end,type,RECORDS＞，其中type类型为M；移动表示停留之间的出行行为；所述目标出行TM表示用户的出行在距离上满足相应的筛选条件，如下式：{m∈TM|α＜DIS(m)＜β}式中，m是移动的实例，DIS是距离函数，以实际路网距离为参考，α和β分别表示用于过滤产生自行车出行方式对应的目标出行参数。进一步地，步骤S2具体包括以下步骤：步骤S21：从第一条记录开始，判断待判定下一个记录数据j到第一个记录之间的距离是否小于设定的空间距离阈值DO；步骤S22：若两个记录之间的空间距离(计算欧式距离)小于距离阈值DO，则将记录j加入潜在的停留集合Q；并继续判断下一个数据记录，计算其与集合Q中每一个记录之间的距离，如果距离均小于DO，则将其添加到集合Q中；步骤S23：如果集合Q不为空且集合Q中第一个记录与最后一个记录之间的时间距离大于时间阈值T0，则集合Q中的记录构成一个停留；步骤S24：从当前记录开始，重复步骤S21-步骤S23，直到所有的记录均被处理。较佳的，在现实生活中，当移动距离太短或太长时，自行车不适合被选为出行工具。出发点到目的地之间的距离太短时人们较大可能会选择步行，而距离过长时人们会选择更快速的出行方式。因而自行车出行具有一定的距离特征，即：当出行的距离长度在α到β时，自行车适宜被选作出行本文档来自技高网...

【技术保护点】
1.一种基于大规模手机位置数据的自行车骑车与停车需求评估方法，其特征在于：包括以下步骤：步骤S1：对大规模手机位置数据进行数据整理和数据筛选；步骤S2：进行用户停留识别，从原始轨迹RT中找出一定范围区域内持续一定时间长度的轨迹分段，该轨迹分段即为停留S，而原始轨迹中除去停留的部分，剩下的轨迹分段即为移动M；步骤S3：进行用户目标出行提取，当移动的距离满足一定距离阈值α和β时，该移动构成用户的一个目标出行TM；步骤S4：把自行车的出行需求分为骑车需求和停车需求两个方面，并将一天划分为24个小时，计算每个时段内自行车出行需求情况。

【技术特征摘要】
1.一种基于大规模手机位置数据的自行车骑车与停车需求评估方法，其特征在于：包括以下步骤：步骤S1：对大规模手机位置数据进行数据整理和数据筛选；步骤S2：进行用户停留识别，从原始轨迹RT中找出一定范围区域内持续一定时间长度的轨迹分段，该轨迹分段即为停留S，而原始轨迹中除去停留的部分，剩下的轨迹分段即为移动M；步骤S3：进行用户目标出行提取，当移动的距离满足一定距离阈值α和β时，该移动构成用户的一个目标出行TM；步骤S4：把自行车的出行需求分为骑车需求和停车需求两个方面，并将一天划分为24个小时，计算每个时段内自行车出行需求情况。2.根据权利要求1所述的一种基于大规模手机位置数据的自行车骑车与停车需求评估方法，其特征在于：步骤S1具体为：对手机位置数据中的记录数据、原始轨迹、轨迹分段、移动、停留、出行以及目标出行进行定义；所述记录数据r表示形成轨迹的原始记录数据，表示为四元组＜用户编号，时间，经度，维度＞，如下式：r＝＜OID,t,lon,lat＞；式中，OID为对象编号，t为时间，lon和lat分别表示经纬度；所述原始轨迹RT表示具有相同的对象编号的记录数据按照时间顺序从先到后的方式组织形成的序列，如下式：RT＝[r1,r2,...,rn]；式中，n为记录个数，对任意的1≤i＜j≤n，rj.time＞ri.time，即记录rj的时间晚于记录ri；所述轨迹分段TS是原始轨迹的记录子集，分段是个体轨迹的一部分，由多个连续的记录组成，将轨迹分段表示为一个六元组，如下：RTTS＝＜UserID,start,end,type,RECORDS＞；式中，UserID表示用户编号，start和end分别是分段开始和结束的时间，type是分段的类型，包括停留S和移动M；RECORDS为组成分段的初始记录集，不少于两个元素；所述停留S是轨迹分段的子类，表示个体没有发生移动或在局部范围内活动，并且持续时间大于设定值T0，表示为一个五元组＜UserID,start,end,type,RECORDS＞，其中type类型为S；所述移动M是轨迹分段的子类，表示该段时间内，个体处于移动的状态，表示为一个五元组＜UserId,start,end,type,RECORDS＞，其中type类型为M；移动表示停留之间的出行行为；所述目标出行TM表示用户的出行在距离上满足相应的筛选条件，如下式：{m∈TM|α＜DIS(m)＜β}式中，m是移动的实例，DIS是距离...

【专利技术属性】
技术研发人员：吴升，周亚娟，赵志远，李代超，方莉娜，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建,35