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。     

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...     

基于出租车轨迹的居民出行特征分析

研究并实现了一种结合核密度分析的DBSCAN空间聚类方法。首先对从马鞍山市出租车的轨迹数据中提取出上下客轨迹点数据进行预处理;再对上下客轨迹点数据进行聚类分析,识别居民出行热点区域;最后进行居民出行热点分析,并总结了居民出行的时空特征。     

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。     

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。     

出租车轨迹数据的南京人群出行模式挖掘

针对现有出租车轨迹数据挖掘中时间序列邻近度量方法存在的问题,提出一种基于DBSCAN算法和改进的DTW距离的时间序列聚类算法提取具有相似性出行特征的时空模式,进而研究城市人群出行行为的时空差异。以南京市为例,结合电子地图对出行模式的空间分布特征进行分析,证明了本文所提出的方法的有效性。实验结果表明:在空间分布上,工作日出租车出行模式按照平均出行频次由高到低排序,从城市中心向四周扩散,呈中心环状分布,出行模式区域界限较为明显,同类出行模式分布区域对应相似的功能。提出了一种基于DBSCAN算法和改进的DTW距离的时间序列聚类算法提取具有相似性出行特征的时空模式,有效地分析城市人群出行行为的时空差异。     

出租车出行的居民活动区域与住宅价格的相关性

出租车数据能够反映居民出行的时空分布特征,与房价有密切关系。本文通过爬取链家网上公开的大连市房价数据,采用Kriging法对房价数据进行插值,生成大连市住宅价格分布图;通过获取出租车的乘降点数据,采用K-means法对乘降点数据进行聚类,得出居民出行区域的空间分布特征。通过对出租车乘降点空间分布数据与住宅价格数据的相关性进行分析,发现居民出行活动密集、频繁的区域,其周围的房价普遍偏高。实验结果表明房价与出租车数据呈正相关,对利用出租车数据研究房价具有重要意义。     

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。     

一种利用低频轨迹数据提取道路交叉口的方法

为实现从低频轨迹数据中提取城市道路交叉口,本文设计了一种基于数据预处理与聚类算法的道路交叉口精准识别方法。首先结合轨迹数据的特征,采用启发式滤波算法对原始数据进行清洗,剔除冗余点与异常点;然后依据车辆的运行规律,提出了一种分步式道路交叉口的提取算法,由此计算出疑似道路交叉口的特征点;最后利用层次密度聚类算法(HDBSCAN)对筛选过后的轨迹点进行聚类并提取质心,得到道路的交叉口,最终以成都市某日的出租车行驶轨迹为数据源,进行试验分析。结果表明,使用该算法提取交叉口,精确率达95.33%、召回率达82.11%、F值达88.46%,能有效且准确识别城市道路交叉口信息,在城市管理与交通规划中具有一定的应用价值。     

基于Spark的城市居民出行时空特征快速提取

利用交通轨迹挖掘人类活动规律是实现智慧城市与生活的基础,然而常规方法已无法满足高效处理的大数据量要求。以海量出租车轨迹数据分析为例,设计了基于Spark平台的城市居民出行时空特征快速提取方法。借助Spark分布式计算框架,将核心算子匹配应用于二次排序、数据清洗及O/D点提取等预处理工作,并在时间分割和网格剖分统计的基础上完成时空特征提取。利用2014年8月份成都市出租车轨迹数据开展实验验证,结果表明,相较于传统单机环境,在确保准确性的基础上,该方法能够大幅提高特征提取的效率;集群节点一定时,数据规模越大优势越明显;数据规模足够大时,Spark集群节点数量越多,耗时越少。     

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。     

利用出租车轨迹数据识别城市功能区

城市系统的复杂性使得利用出租车轨迹数据理解城市的功能区结构存在结构分区不合理、识别结果精度低及不可靠的问题。对于城市功能区研究单元划分问题,从出租车轨迹空间分布特征入手,提出了一种基于限制条件和轨迹中心线包裹的城市区域划分方法。对于功能区理解问题,针对娱乐地、工作地和居住地的出租车OD(上车点和下车点)时间分布特征,提出从娱乐区、居住区到工作区逐步进阶的功能区识别方法。分别构造了娱乐因子和居住因子对娱乐区和居住区进行提取;结合工作地出租车下车点时间分布特征,利用监督分类对工作地进行了提取。     

顾及兴趣点潜在上下文关系的城市功能区识别

城市功能结构的探索对人们理解城市及城市规划有着重要的作用。兴趣点(point of interest,POI)数据作为城市设施的代表,被广泛应用于城市功能区提取。以往对城市功能区研究大多只考虑了POI统计信息,忽略了POI中丰富的空间分布信息,而POI空间分布特征与区域功能密切相关。本文利用空间共位模式挖掘方法挖掘POI潜在上下文关系,提取POI空间分布信息,构建区域特征向量,并进行区域聚类;再利用POI类别比例、居民的出行特征等对聚类结果进行识别。以北京市核心城市功能区为例,将研究结果与北京市百度地图、居民出行特征进行对比验证分析。试验表明,本文方法能识别出具有明显特征的城市功能区,如成熟的娱乐商业区、科教文化区、居住区等。同时,与基于POI语义信息的LDA方法及顾及POI线性空间关系的Word2Vec方法进行对比分析,证明了本文方法的优越性。     

基于多源数据的城市功能区识别及相互作用分析

随着经济的快速发展,城市内部空间结构不断优化。识别城市功能区空间分布及其相互作用规律,对于把握城市空间结构以及制定科学合理的规划具有重要意义。采用重尾打断分类法和核密度聚类法对兴趣点（points of interest,POI）进行分析,识别城市功能区,并结合出租车轨迹数据进行时空挖掘,定量分析典型城市功能区交通吸引规律及其相互作用强度和方向。以北京市五环内主城区为例进行分析,可得:①该方法可以识别典型功能区西单、国贸、中关村是以商业为主的混合城市功能区,望京是以居住为主的混合功能区,且居民通勤出行特征明显;②国贸对自身的引力较强（39.4%）,说明国贸区域城市功能更加齐全;③典型功能区对居民出行距离范围内的区域吸引力随着距离的增加而减弱,符合经验认知和地理空间衰减规律。结果表明,利用POI和移动大数据采用重尾打断分类法和核密度聚类法进行城市功能区识别与分析是可行和有效的。     

利用轨迹大数据进行城市道路交叉口识别及结构提取

交叉口是城市交通路网生成、更新的重要组成部分。本文基于车辆时空轨迹大数据,提出了一种城市交叉口自动识别方法。该方法首先通过轨迹跟踪识别轨迹数据中包含的车辆转向点对;然后基于距离和角度的生长聚类方法进行转向点对的空间聚类,并采用基于局部点连通性的聚类方法识别交叉口;最后利用交叉口范围圆和转向点对提取城市各级别路网下的交叉口结构。以武汉市出租车轨迹大数据为例,对武汉市城区内189个交叉口进行了探测。试验结果表明,本文所提方法可以准确地从轨迹大数据中识别出城市交叉口及其结构。     

基于轨迹数据的道路交叉口及其结构提取方法

针对轨迹大数据自动提取城市道路,特别是交叉口问题,该文提出一种新的基于出租车轨迹数据的道路交叉口识别及其结构提取方法:识别轨迹中的转弯片段及其中心点;利用中心点周围轨迹的面积自适应确定聚类半径,并借助自适应聚类半径的DBSCAN方法识别可能的交叉口;对交叉口的轨迹数据进行清洗,用公共子轨迹相似性和角度相似性对转弯片段聚...     

众源车辆轨迹加油停留行为探测与加油站点提取

针对当前加油站点信息采集成本高、更新周期长等问题,提出了运用车辆轨迹数据提取加油站点的方法。首先,从轨迹运动特征、几何模式等方面分析个体和群体加油行为轨迹特征。其次,基于Stop/Move模型,集成加油轨迹运动特征提出速度序列线性聚类算法提取加油停留轨迹。最后,运用Delaunay三角网层次聚类加油停留轨迹线,综合运用傅里叶形状识别、语义约束等方法识别、提取加油站点。运用北京市7d的出租车轨迹数据进行试验分析,共提取482个加油站,正确率为93.1%,且位置精度高。     

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。     

一种基于核距离的车辆轨迹点聚类方法

基于聚类算法进行车辆轨迹点信息提取与挖掘,在高精度车道信息提取与更新、道路拥堵时空分析与治理、用户出行线路规划与推荐等应用中具有重要意义。针对现有聚类算法的不足,提出基于核距离的车辆轨迹点聚类方法。首先给出车辆轨迹点的定义,分析车辆轨迹的几何特征和轨迹聚类的要求,然后基于核函数的概念,推导核距离的计算过程,提出核距离密度聚类算法,重定义密度聚类算法中核邻域、核心对象等概念,最后以郑州市出租车轨迹数据进行验证。实验表明,聚类算法在减少参数数量、结果沿道路中心线对称分布、降低计算时间、提取长类簇等方面具有显著优势,可以有效地实现有向轨迹点的聚类。     

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。