利用轨迹数据提取城市居民出行时空分布特征

介绍了利用出租车轨迹数据提取城市居民出行时空分布特征的过程,包括利用数理统计的方法对出租车上下客事件基于时间进行特征分析;给出了一种融合核密度估计(KDE)与兴趣点(POI)分类的密度聚类算法,实现了出租车上下客热点区域的挖掘以及居民出行活动规律与城市功能区之间关系的发现.?研究表明:居民的出行活动特征在"工-休"日之...     

城市居民出行O/D时空分布特征的轨迹数据提取

为了利用轨迹数据提取城市居民出行特征,该文首先从出租车全球定位系统(GPS)轨迹数据中提取上下客事件,利用数理统计的方法对其时间分布特征进行研究;继而针对城市内数据不均匀分布的特性,提出了一种基于OPTICS聚类的改进方法,通过将原始聚类结果进行局部密度峰值的计算,实现了出租车上下客事件热点区域中心的进一步提取。最后,以成都市为实证对象,结合成都市电子地图及用地布局规划图探讨了居民出行时空特征与城市空间结构的相互关系,并对其成因做出了简要的分析,证明了该文所提出方法的有效性。实验结果表明:居民在工作日和休息日的出行特征呈现出明显的差异,且受到城市功能区域分化的影响。     

城市居民出行OD时空分布特征的轨迹数据提取

为了利用轨迹数据提取城市居民出行特征,该文首先从出租车全球定位系统(GPS)轨迹数据中提取上下客事件,利用数理统计的方法对其时间分布特征进行研究;继而针对城市内数据不均匀分布的特性,提出了一种基于OPTICS聚类的改进方法,通过将原始聚类结果进行局部密度峰值的计算,实现了出租车上下客事件热点区域中心的进一步提取。最后,以成都市为实证对象,结合成都市电子地图及用地布局规划图探讨了居民出行时空特征与城市空间结构的相互关系,并对其成因做出了简要的分析,证明了本文所提出方法的有效性。实验结果表明:居民在工作日和休息日的出行特征呈现出明显的差异,且受到城市功能区域分化的影响。     

基于出租车GPS数据的城市居民出行时空分布研究

随着城市的快速发展,道路拥堵、打车难等问题越来越突出,严重影响了居民的出行效率和生活质量。出租车GPS数据,在一定程度上包含了部分居民出行行为的丰富信息。考虑到出租车载客事件发生于一维道路网络空间,本文提出对出租车上下客事件所在路段进行分析,得到不同时段居民出行的热门路段和区域,分析居民出行时空分布特征,有助于了解交通现状和居民出行需求,提高城市对居民出行活动的服务水平。     

北京市出租车GPS轨迹数据统计特征分析

以2015年5月11-17日北京市3万多辆出租车3.85亿条轨迹点数据为研究对象,对非载客段数据点进行剔除,使用R语言从居民出行距离、轨迹段持续时间、分时段出行量、出行方向及平均速度五个角度进行统计特征分析,并通过拟合得到浮动车行驶距离与持续时长所遵循的指数分布,进而发现距离衰减效应、工作日与周末的日律性,并以此分析乘客出行距离、出行时间的潜在规律。     

基于出租车轨迹数据的人口活动分析

根据轨迹数据识别出人们感兴趣的区域,并且挖掘出人们的日常出行特性,作为数据挖掘的一个热点逐渐受到人们的重视。目前,绝大多数大城市的出租车上都安装有GPS,其记录的轨迹数据在时间和空间上都包含丰富的信息,分析出租车的轨迹数据能在一定程度上反映城市人口的出行情况,挖掘有价值的信息。文中挖掘出租车轨迹数据中的乘客上下车的位置点数据,经过数据预处理、地图匹配以及整合后,对位置点进行有权重的热点区域分析,叠加到地图上进行人口活动分析。     

顾及速度约束的基于时间序列GPS漂移数据处理方法

提出了一种基于时间序列的GPS轨迹数据漂移去除算法。本算法无需提供出行目的和交通方式等附加信息,基于原始GPS数据中的经纬度和时间信息来进行漂移点校正处理。首先,对每条轨迹进行分段,并对每段进行自相关系数检测,判断是否存在漂移;然后,利用速度约束条件查找漂移点;最后,用样条插值法校正漂移点。使用该方法对武汉大学学生的出行轨迹数据进行了漂移处理。实验结果表明,本方法能够有效去除轨迹数据中的漂移点,适用于GPS原始数据预处理。     

居民出行与轨迹行为交互模式挖掘与关联技术

出租车是居民出行的重要交通工具,其轨迹数据蕴含着丰富的居民出行信息。原始出租车轨迹数据因缺少语义信息无法直观反映居民出行规律。通过轨迹数据挖掘技术处理之后的出租车轨迹数据能够反映居民活动规律和行为模式,从而为城市规划决策提供参考依据。本文重点研究了基于语义的交互模式度量,通过出租车停留点推断其语义信息;然后根据语义信息构建语义交互矩阵,用以推断和描述行为目的交互模式;最后选取北京市中心为研究区域进行方法验证。结果表明,中心城区内不同类别的停留点聚集分布规律不同,围绕高校和商圈聚集较明显;工作日各类停留点的活跃度持续时间较非工作日长;工作日和非工作日行为目的交互模式差别显著,工作日以职住和工作交互为主,非工作日以休闲和居住交互为主。本文研究可以为城市规划管理、资源调度和应急管理提供一定的决策支持。     

移动轨迹聚类方法研究综述

轨迹数据是人类移动行为的表征,能够映射出人的出行模式和社会属性等信息。怎样有效挖掘轨迹数据蕴藏的人类活动规律一直是研究的热点。通过轨迹聚类发现行为相似的类簇,从而探究群体的移动模式是轨迹挖掘和深度应用常见的方法之一。本文首先根据轨迹数据的特点,将轨迹数据模型分为轨迹点模型和轨迹段模型,并据此定义相应的相似性度量：空间相似性度量和时空相似性度量;然后,对两类模型的聚类方法进行了综述,并总结不同聚类算法的优缺点,以期为不同应用选取聚类算法提供科学依据;最后对移动轨迹数据聚类方法研究的发展趋势进行了讨论。     

结合轨迹数据的居民出行模式及功能识别研究

城市人群的出行特征通过车辆轨迹数据隐含的行为信息可以体现,但传统的单维度模型将不再适用于轨迹数据隐含的多维信息的挖掘.本文将海口市中心城区根据路网划分区域,使用能够挖掘多维信息的非负稀疏约束下张量分解基于"滴滴出行"轨迹数据,从时空维度挖掘居民出行规律并进行区域功能特征识别.结果表明:居民出行时间符合工作日,休息日的早...