基于出租车数据的轨迹网络与流动模式研究

城市交通网络在微观尺度具有局部积聚、马太效应等特征;在宏观尺度具有小世界、无标度等特征;除上述两种极端情况,还具有介于宏观和微观之间的层次结构.社区结构就是城市交通网络关键结构特性之一.构建了精细颗粒度空间网格的时空立方体模型,将社区结构发现算法应用于成都市出租车轨迹的研究中,以成都市2016年11月1日-7日的出租车轨迹数据为例,对其进行时空分析,探讨了公交站点核密度估计结果与出租车出行数据之间的相关性;并利用空间热点发现算法发掘了城市不同时刻的热点网格,构建了城市复杂交通网络,进行了节点之间空间相关性分析以及社区结构发现研究.结果表明,城市交通网络符合复杂网络特性,且呈现明显的社区结构,市区人流具有强烈的潮汐效应.     

出租车载客热点精细提取的改进DBSCAN算法

随着城市化水平的提高和居民公共交通出行的需求增长,要求有更精细化的聚类方法提取出租车载客的热点区域。针对基于密度聚类在出租车数据聚类中存在的问题,设计一种基于路网约束的改进DBSCAN算法。该算法通过将行程距离引入DBSCAN算法中,改进原有DBSCAN算法在出租车数据聚类中存在的精细尺度聚类参数选择和设置困难问题,弥补现有聚类算法在出租车载客热点区域提取方面的不足。利用武汉市出租车GPS轨迹数据进行的实验结果表明,在加入道路约束后,算法在出租车载客热点区域的精确提取方面具有较好的效果。     

运用交通运行状况指标分析交通热点时空模式

城市交通热点是居民出行活动的体现,通过出租车的移动轨迹可以分析城市交通运行状况。目前,相关研究主要集中于GPS采样数据的起讫点(origin destination,OD)估计模型以及轨迹流的提取分析算法,而对交通热点的交互作用和时空模式的研究还很少。以中国江苏省南京市的出租车GPS数据为研究对象,通过轨迹流提取和地图匹配,基于宏观基本图模型构建交通运行状况指标,利用数据挖掘技术分析交通热点时空模式。通过研究发现:(1)南京市交通在早晚高峰时拥堵最严重,并且休息日的交通运行状况要优于工作日;(2)在工作日,停车场和办公楼附近最拥堵;在休息日,商场和居民小区附近最拥堵;(3)交通热点的时空交互特征主要表现在交叉路口附近,并具有显著的时空聚集性差异。上述研究结果可为交通管理部门针对不同时段和路段的交通运行状况进行治理提供帮助,并为建立现代化综合交通运输体系提供依据。     

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。     

城市交通多层网络社团结构探测

海量的城市交通流数据已经可以被广泛获取,发现不同类型交通流空间交互结构间的关系以及交通流与交通网络间的联系对于优化城市交通设计、缓解城市交通拥堵具有重要价值。为此,采用北京市六环以内区域2016年5月9日与5月15日的公交刷卡、出租车轨迹、公交线路数据,借助单层与多层社团检测方法,探索：(1)不同交通流空间分布模式间的联系;(2)公交服务与公交乘客之间的供需关系。研究发现：(1)从公交刷卡与出租车轨迹数据中发现的社团结构具有明显差异,表明2种不同交通流反映城市空间交互的不同作用;(2)北京市公交线路社团结构与公交出行社团结构相似性较高,但也存在局部的差异,可以反映公共交通供需不平衡模式。研究结论可为城市交通设计优化提供一定的参考。     

结合空间相关性的城市热点路段提取方法

城市机动车的数量急剧增加给城市带来了严重的交通拥堵问题。为了缓解城市交通压力,本文提出一种城市热点路段的提取方法。该方法首先结合出租车轨迹数据,依据拓扑邻接的规则建立了空间权重矩阵;然后对各个路段交通量的全局相关性进行分析,并通过局部相关统计量提取了城市交通热点路段,对工作日不同时段内的交通热点路段分布进行了分析;最后通过VISSIM软件对已提取的热点路段进行仿真,得到待验证路段的热点路段隶属程度为0.512,从而表明该算法能够有效地提取城市交通的热点路段。     

基于时空聚类的出租车载客热点区域挖掘研究

针对出租车运营过程缺少路径优化指导造成运营能力分布不均、空载率高的问题,本文以成都市安装有GPS设备的出租车所采集的轨迹数据为研究对象,以提高出租车效益为目标,采用了一种基于网格的出租车载客热点聚类算法,通过对出租车GPS轨迹数据进行处理和聚类分析,充分挖掘出租车载客热点区域,从而为出租车的运营者和管理者提供信息决策服务。     

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。     

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...     

出租车轨迹数据挖掘进展

大数据、物联网与精密定位技术的发展推动了城市感知的进步。随着社会活动的与日俱增,出租车轨迹数据不仅记录了出租车的行车轨迹,还蕴藏着道路交通状态、城市居民出行规律、城市结构及其他社会问题。通过各种数据分析与挖掘手段对出租车轨迹数据进行深入探究,对于智能交通、城市规划等有着重要意义。本文综述了近十年国内外基于出租车轨迹大数据的相关研究,按照空间统计方法、时间序列方法、图论与网络方法及机器学习方法等4类,详细阐述各类方法的研究现状。随后,本文分析了现有研究的应用领域、热点主题和发展趋势。最后,本文指出了出租车轨迹数据挖掘研究领域面临的挑战和未来研究方向。     

基于介数中心性的交通拥堵指数计算

本文以北京城市交通为例,选取北京城市路网数据,计算城市路网介数中心性,以反映城市各道路路段的通达情况;并利用北京出租车GPS定点数据,计算实际的交通轨迹。传统的路网介数中心性主要依据各路段最短路径的比重评价理论上的道路通达性,而本文以网络介数中心性为基础,提出动态介数的方法,从城市各路段交通量比重的角度评价各道路实际拥堵情况。利用两个介数的对比能够全面客观地反映交通拥堵状况,提高交通拥堵指数的参考价值,并为城市建设规划决策及道路改建等方案提供依据,有利于缓解城市道路交通拥堵现状。     

基于时间序列相似度的城市功能区识别研究

随着城市化的快速发展,城市空间结构愈发复杂,城市功能区的快速有效识别对资源的有效配置和城市规划具有重要意义。传统的功能区识别缺乏对居民这一城市空间活动主体的动态表征,而长时间序列的出租车数据能动态表征居民出行行为,进而反映城市空间结构。动态时间扭曲(DTW)距离比传统的欧氏距离更能有效挖掘高维数据,泛化后的LB_Keogh距离和LB_Hust距离相继克服了DTW距离时间复杂度高和不对称的缺点。为了探究基于时间相似性度量的聚类算法在识别城市功能区方面的可行性,首先基于OpenStreetMap(OSM)路网数据获取研究单元,再通过滴滴订单数据提取上下车点、构建研究单元内的居民出行时间序列,然后利用PAM算法结合4种相似度度量方法进行聚类,最后结合兴趣点(POI)数据识别城市功能区,并对结果进行精度验证。结果表明,基于LB_Hust距离的PAM算法能有效挖掘高维时间序列数据,应用于城市功能区识别的精度高达86%,为应用时间序列数据进行城市研究提供了一种新的方法。     

利用词向量模型分析城市道路交通空间相关性

刻画城市道路之间的交通相关性是提高交通插值及预测水平的基础。现有研究及应用通常假设一定空间或拓扑距离内的道路相互之间具有相关性,这种方式忽视了道路之间交通影响的时空异质性。例如,上游道路交通流通常不会均匀扩散到所有下游道路,而是集中在特定方向上。道路之间产生交通影响和交互作用的根本原因是大量机动车辆穿梭其中。为从数据驱动的角度度量道路之间的交通相关性,从而顾及其时空异质性,本文利用词向量模型Word2Vec从大量机动车出行路径中挖掘道路之间的交通交互影响关系。首先把"路段-路径"类比为"词-文档";其次利用Word2Vec模型从大量路径(文档)中为每条路段(词)训练出一个实数向量(词向量);然后以向量之间的余弦相似度度量对应路段之间的交通相关性;最后利用交通状态数据对结果进行验证。以北京市200万条出租车出行路径为数据进行试验,结果表明:(1)平均水平上,向量相似度越高的邻近路段,其交通状态变化趋势也越相似,证明了本文方法可以正确度量道路之间的交通相关性,并刻画出其空间异质性;(2)工作日早、晚高峰及节假日路段之间的交通相关性大于工作日平峰和周六日,其合理性体现了本文方法可以正确捕捉道路交通相关性的时间异质性。本文方法及分析可为交通规划、诱导等提供方法论和理论基础。     

泛在测绘及其在城市交通领域的典型化应用

泛在测绘的发展为实时动态采集交通系统状态信息提供了新的技术手段和技术形式。本文在分析泛在测绘基本特征的基础上,从平均行车速度与交通量的估计、交通热点的实时获取,以及交通诱导服务几个方面研究了泛在测绘在城市交通领域的典型化应用。研究表明,泛在测绘的发展能为解决城市交通领域存在的许多问题提供新的方法和技术支持。     

基于高分辨率影像的道路交通可达性分析

基于完善的交通规划理论和模型,以某市为例,借助RS技术的空间数据获取能力和GIS技术的空间分析能力,综合考虑最短出行距离、最短出行时间以及网络节点人口密度3个因素,研究分析某市的道路交通可达性,并对现有的道路交通网络进行评价,为未来城市道路交通规划以及城市建设提供科学可靠的参考依据。     

基于位置点统计的时空异常检测与分析

探讨了位置数据异常分析的一种新思路,给出了面向异常的时空表达模型,建立了基于区域位置点统计的异常检测和分析框架,探寻异常在事件影响下的时空发展趋势和分布特征。通过纽约两个月的出租车出行数据的实验分析验证了框架的有效性,并发现一些有趣的规律,为公共安全、交通管控应急、城市功能区分析等提供指导信息。     

出租车数据的时间序列谱聚类分析

城市空间运行的出租车产生大量的OD数据，数据的时序呈现周期性特点，客观反映人们的出行行为模式，本文采用谱聚类算法对北京五环区域内各空间单元的出行特征及其相似性进行探究。由于空间单元的时空行为特征受空间邻域和功能区划的影响，研究添加邻域因子和功能区因子以改进时间序列的相似性度量方法，从而实现时间序列谱聚类算法的空间和功能区拓展，进而增加人们对不同时空条件下出行行为特征的了解，以便对不同空间单元提供差异性服务，如不同时段公交的发车频次、动态调整商场营业时间、不同时空环境出租车候车点的实时变换、调控和优化不同区域服务保障等，将有助于降低城市能耗，更加合理地利用资源，也有助于居民实现智慧生活。     

A network distance and graph-partitioning-based clustering method for improving the accuracy of urban hotspot detection

Clustering is an important approach to identifying hotspots with broad applications, ranging from crime area analysis to transport prediction and urban planning. As an on-demand transport service, taxis play an important role in urban systems, and the pick-up and drop-off locations in taxi GPS trajectory data have been widely used to detect urban hotspots for various purposes. In this work, taxi drop-off events are represented as linear features in the context of the road network space. Based on such representation, instead of the most frequently used Euclidian distance, Jaccard distance is calculated to measure the similarity of road segments for cluster analysis, and further, a network distance and graph-partitioning-based clustering method is proposed for improving the accuracy of urban hotspot detection. A case study is conducted using taxi trajectory data collected from over 6500 taxis during one week, and the results indicate that the proposed method can identify urban hotspots more precisely.