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...     

交通流量时空特征可视化分析——以海口市2017年5月至10月滴滴出行数据为例

滴滴出行数据中包含了丰富的用户位置信息、出行时空属性、用户行为规律与特征,通过对这些信息的深入分析与挖掘,并结合可视化技术,以图形图像的方式展示,有助于分析用户出行的规律.为了直观展示海口市交通流量动态变化,分析车辆出行的时空规律和交通出行路况,设计一个可视化分析系统.以日历图、径向柱状图等可视化方法为依据,结合可视化工具,从出行数据的不同维度着手分析海口市交通流量情况.该系统能够客观地反映海口市交通变化情况,可以为交通管理规划提供合理的依据.     

城市交通热点区域识别及空间交互分析

出租车载客数据可以用于研究居民的出行特征,提取城市的交通热点区域,但对城市交通热点区域的交互关系研究相对较少。本文以纽约市的出租车行程记录数据为数据源,利用交通小区划分结合出租车载客数据提取城市交通热点区域,基于复杂网络的方法对不同日期类型和天气情况的城市交通热点区域空间交互网络进行研究并进行社区发现。结果表明,热点区域受城市核心区的影响而聚集在核心区域周围,城市内社区的形成可以克服地形和行政区域等因素的影响。研究结论有望为城市规划、城市交通管理、出租车调度、以及人们的出行等提供信息参考。     

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。     

基于手机信令的空间位置数据计算职住地

通过手机信令数据提取人们在使用手机时记录下来的基站位置和服务时间,用以识别居民出行的职业地和居住地。在分析提取到的手机信令数据时,由于数据采集、整合的质量问题,需要对手机信令数据进行提取、清洗、关联等预处理,在预处理后的标准化数据的基础上,通过搭建数学算法、模型来识别职业地和居住地,用以辅助城市交通调查、规划。     

大数据视角下的武汉市综合交通特征分析

交通设施的完善提升了交通保障能力,丰富了居民出行方式,全方位、多尺度的城市综合交通特征分析是制定城市交通规划和提升交通管理水平的基础。利用腾讯位置大数据和手机信令大数据,从宏观上分析了武汉市对外交通可达性和区域联系强度,从中观上分析了市域交通圈层结构,从微观上分析了职住通勤特征。结果表明,武汉市交通可达性好,中部交通枢纽地位明显,居民出行以内部出行为主,三镇通勤特征差异明显。     

城市出行天空可视指数

开阔的天空视野有利于营造舒适的城市出行体验,针对如何评价城市交通出行的天空可视能力这一问题,提出了城市出行天空可视指数(sky view index-urban transportation, SVI-UT)。采用4步走策略:街景全景照片获取;基于街景全景照片的天空视觉量计算;腾讯地图服务路径规划;城市出行天空可视指数各指标计算。以中国云南省昆明市中心城区为实验区,多角度衡量居民的城市出行天空可视能力。实验结果表明,SVI-UT为研究人在交通过程中对天空的视觉感知提供了一个新的理论和框架。从公共的街景和交通数据出发,提出了SVI-UT的定量计算框架,拓展了街景图像的实际应用。该指数可以从新的角度指导城市交通规划和城市建设,居民可通过选取SVI-UT值较高的线路和出行方式来提高出行舒适感。     

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...     

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。     

地理空间数据结合手机信令等多源数据刻画城市居民出行特征

本文提出了以地理空间数据为支撑,结合手机信令、POI等多源数据刻画城市居民出行特征的方法。首先将信令数据与地理信息区块绑定,根据时间特征和地理区块的社会属性,识别居民的基本职住娱信息;然后综合民生POI点、出行特征拓展关键词、图谱等多源数据,运用工作日通勤分析模型和节假日出行特征提取模型,识别用户的通勤距离、通勤方式、日均通勤频次、周均工作时长、节假日出行场景、出行频次、驻留时长等内容,并形成涵盖职住娱信息的出行特征类标签集。以成都市为例,采集连续1个月的手机信令数据和同时期的POI等数据,验证了该方法的可行性,该成果作为反映城市实际人口规模数量和空间分布特征的城市人口地图大数据产品的重要内容,为政府部门、商企用户开展相关分析业务提供数据支撑。