基于手机信令数据的出行方式识别方法研究

合集下载

基于手机信令数据的人员出行特征跟踪调查

基于手机信令数据的人员出行特征跟踪调查人员出行特征调查是一项重要的研究领域，可以帮助我们了解人群的行为习惯和出行模式。

随着智能手机的普及，手机信令数据成为研究人员进行出行特征跟踪调查的重要工具。

通过手机信令数据，我们可以获取到用户的位置信息、移动路径以及出行时间等相关信息，从而对人员的行为进行有效分析。

手机信令数据主要包括基站信息、信号强度、通话记录等内容。

通过对这些数据进行分析，可以揭示出人员的出行特征，比如每天的出行时间分布、常去的地点、出行方式等。

这些信息对于城市规划、交通管理和旅游行业具有重要意义。

首先，通过手机信令数据可以分析人员的出行时间分布。

人们的出行时间受到工作、学习等活动的影响，通常可以分为早高峰、晚高峰和非高峰时段。

通过对手机信令数据的分析，可以了解到不同人群在不同时间段的出行情况，为城市交通管理提供参考依据。

其次，手机信令数据还可以揭示人们的出行路径和常去地点。

通过手机信令数据可以追踪用户的移动轨迹，分析其常去的地点以及出行路径。

这有助于了解人们的活动范围，进而为商业、旅游等行业提供精准的服务。

另外，通过手机信令数据还可以了解人们的出行方式。

根据手机信令数据可以判断用户是步行、骑车还是乘车出行，从而了解人们在不同情况下选择的出行方式，为城市交通规划和出行服务提供依据。

综上所述，基于手机信令数据的人员出行特征跟踪调查具有重要的研究意义和实践价值。

通过对手机信令数据的分析，可以揭示出人们的行为习惯和出行模式，为城市规划、交通管理和商业服务提供参考依据。

在未来的研究中，可以结合更多的数据源和技术手段，进一步深入挖掘人员出行特征，为社会发展提供更多有益信息。

基于手机信令技术的区域交通出行特征研究

基于手机信令技术的区域交通出行特征研究一、本文概述随着城市化进程的加速，交通问题日益成为制约城市发展的重要因素。

为了更好地理解和解决交通问题，对区域交通出行特征的研究显得尤为重要。

手机信令技术作为一种新兴的交通数据采集手段，以其覆盖范围广、实时性强、成本相对较低等优势，逐渐在交通研究领域得到广泛应用。

本文旨在利用手机信令技术，对区域交通出行特征进行深入研究，以期为城市规划、交通管理以及智能交通系统的发展提供理论支持和实践指导。

本文将首先介绍手机信令技术的基本原理及其在交通领域的应用背景，阐述其相较于传统交通调查方法的优势。

随后，将详细介绍如何利用手机信令数据提取和分析区域交通出行特征，包括出行时间分布、出行空间分布、出行方式选择等方面。

在此基础上，本文还将探讨不同区域、不同时间段的交通出行特征差异及其影响因素，为城市交通规划和管理提供决策依据。

通过本文的研究，我们期望能够揭示区域交通出行的内在规律和潜在问题，为城市交通的可持续发展提供科学依据。

本文也期望能够为手机信令技术在交通领域的进一步应用和发展提供有益的探索和参考。

二、手机信令技术概述手机信令技术，作为现代通信技术的重要组成部分，为区域交通出行特征研究提供了新的视角和方法。

手机信令，指的是手机在通信网络中与基站之间交互的一系列指令和响应，这些指令和响应包含了手机的位置信息、通信状态等关键数据。

通过收集和分析这些信令数据，我们可以获取到大量关于手机用户移动行为的信息，进而揭示区域交通出行的特征。

手机信令技术具有实时性、连续性和覆盖范围广等特点。

手机信令数据是实时产生的，能够反映手机用户的即时移动状态，这对于研究交通出行的实时特征具有重要意义。

手机用户在日常使用中会持续产生信令数据，这些数据构成了连续的移动轨迹，为研究交通出行的连续性和规律性提供了可能。

由于手机网络覆盖广泛，手机信令数据可以覆盖到城市的各个角落，为研究区域交通出行提供了全面的数据支持。

基于手机信令和导航数据的出行方式识别方法

引言
如何方便居民的出行是城市交通规划的重要使命。及时掌握城市居民出行方式及其发展变化，不仅可以及时了解城市当前交通结构状态，同时对于日后涉及城市规划、交通管理等方面的发展也有着重要的参考价值［１］。
传统居民出行方式数据获取的方法大多是基于调查问卷以及电话问询等，此类方法成本高、效率低、样本量小，并且由于出行的隐私性导致的心理顾虑，所以可信度不高。随着信息化时代的到来以及智能终端的普及，利用手机构建用户轨迹进而判别用户出行方式逐渐成为一种重要手段，利用手机中的相关传感器是最直接、精度最高的一种方法。部分学者利用手机中的ＧＰＳ或加速度计等模块，提取定位数据，计算平均速度、加速度、速度中值等特征参数，利用支持向量机、神经网络等机器学习算法［２～４］和模糊推理［５］等算法识别出行方式。但由于密闭空间的干扰以及需实时开启ＧＰＳ模块，该方法无法对大规模人群长期的出行方式进行有效识别［６］。利用手机信令数据是另外一种重要方法。手机信令数据具有样本量大、覆盖面
（１．ＣｈｏｎｇｑｉｎｇＣｏｌｌａｂｏｒａｔｉｖｅＩｎｎｏｖａｔｉｏｎＣｅｎｔｅｒｆｏｒＮｅｗＧｅｎｅｒａｔｉｏｎＩｎｆｏｒｍａｔｉｏｎＮｅｔｗｏｒｋ＆Ｔｅｒｍｉｎａｌ，Ｃｈｏｎｇｑｉｎｇ４０００６５，Ｃｈｉｎａ；２．ＥｌｅｃｔｒｏｎｉｃＩｎｆｏｒｍａｔｉｏｎ＆ＮｅｔｗｏｒｋｉｎｇＥｎｇｉｎｅｅｒｉｎｇＩｎｓｔｉｔｕｔｅ，ＣｈｏｎｇｑｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＰｏｓｔｓ＆Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ，Ｃｈｏｎｇｑｉｎｇ４０００６５，Ｃｈｉｎａ；３．ＣｈｉｎａＭｏｂｉｌｅＣｏｍｍｕｎｃａｔｉｏｎｓＧｒｏｕｐＣｈｏｎｇｑｉｎｇＣｏｍｐａｎｙＬｉｍｉｔｅｄ，Ｃｈｏｎｇｑｉｎｇ４０００６５，Ｃｈｉｎａ）

基于手机信令数据的用户出行方式识别

长春理工大学学报（自然科学版）Journal of Changchun University of Science and Technology （Natural Science Edition ）Vol.44No.3Jun.2021第44卷第3期2021年6月收稿日期：2019-12-19基金项目：国家自然科学基金（11671170）作者简介：曹晓蕊（1995-），女，硕士研究生，E-mail ：****************通讯作者：孟品超（1978-），女，博士，副教授，硕士生导师，E-mail ：***************.cn基于手机信令数据的用户出行方式识别曹晓蕊1，赖丽娜2，孟品超1（1.长春理工大学理学院，长春130022；2.长春市市政工程设计研究院，长春130022）摘要：基于通信网络获取的手机信令数据，挖掘用户出行轨迹，在传统模糊C 均值聚类算法（fuzzy c-means algorithm ，FCMA ）的基础上，依据出行方式的先验知识构建初始隶属度函数，并将传统欧氏距离替换为对多维度数据之间变化关系更加敏感的马氏距离，提出基于改进模糊C 均值聚类算法的出行方式识别模型，对长春市区范围内用户的三种常见出行方式，即步行、自行车、机动车进行识别，并从用户出行距离、出行时耗、平均行程速度三方面验证了模型识别结果的准确性。

关键词：手机信令数据；模糊C 均值聚类算法；出行方式识别中图分类号：U491.1文献标志码：A文章编号：1672-9870（2021）03-0134-09User Travel Mode Identification Based on Mobile Phone Signaling DataCAO Xiao-rui 1，LAI Li-na 2，MENG Pin-chao 1（1.School of Scince ，Changchun University of Science and Technology ，Changchun 130022；2.Changchun Municipal Engineering Design and Research Institute ，Changchun 130022）Abstract ：Based on the mobile phone signaling data obtained by the communication network ，in this paper ，user travel tra-jectories was mined and a travel mode recognition model based on an improved fuzzy C-means clustering algorithm was proposed.Based on the traditional fuzzy c-means clustering algorithm ，the initial membership function was constructed based on the prior knowledge of the travel mode ，and the traditional Euclidean distance was replaced by the Mahalanobis distance ，which was more sensitive to changes in multi-dimensional data.The three common travel modes of users in the urban area of Changchun ，namely walking ，cycling ，and motor vehicles ，were identified ，and the accuracy of the model recognition re-sults was verified in terms of user travel distance ，travel time ，and average travel speed.Key words ：cellphone signaling data ；Fuzzy C-means clustering algorithm ；travel mode identification交通出行方式识别是建立在基于位置的服务技术、智能终端设备基础之上的一个新兴的研究领域。

基于手机信令的轨道交通乘客出行行为分析方法研究

基于手机信令的轨道交通乘客出行行为分析方法研究轨道交通具有大运量、长距离、准时性、速达性、舒适性、安全性、高效性等诸多优点。

提高轨道交通服务水平,增加轨道交通方式吸引力,是解决城市交通问题的重要手段。

利用智能交通技术,对交通信息进行精细化的采集和分析,既可以为交通管理者提供运营管理决策的依据,也可以为出行者提供出行信息诱导,从而提高轨道交通的运营效率和服务质量。

手机信令数据作为交通大数据的一种,在个体与群体出行特征分析、交通系统运行状态分析领域有着日益广泛的应用。

论文首先提出了基于手机信令的个人出行活动分析以及群体出行特征分析的方法体系。

由手机信令数据分析交通特征参数的核心是从个人信令事件记录的序列中提取出个人活动的时空轨迹,这一过程中包括信令记录的空间定位,根据交通设施的时空约束与个人活动能力的时空约束进一步定位个人活动轨迹,并根据已知的轨迹点进一步结合时空约束对信令记录未能反映的活动过程进行推断。

最后根据轨迹点的时空属性进行统计可以得到站点、车辆的交通特征参数。

上述匹配、过滤、推断和统计方法分别应用于数据定位、预处理、历史数据分析、实时数据分析等步骤。

信令数据的初始位置匹配采用起源蜂窝小区定位的方法,利用开源数据和实地测量来获取基站地理位置信息,根据基站位置区和小区编码,对信令事件发生的位置进行匹配,确定每条信令记录的经纬度坐标。

论文提出了轨道交通站点线路的编码方案和换乘站点的编码方案,将轨道交通系统相关基站与线路和站点编码进行匹配。

对于经纬度坐标缺失的情况,提出了基于时空约束的坐标修复方法。

该方法以坐标精确的基站为基准,以乘客途经三个基站所花费时间内活动能力上限为时空约束,确定基站信号的可能覆盖范围。

计算结果表明该方法修复的经纬度误差与起源蜂窝小区定位本身的精度接近,可用于修复产生信令数量较多的坐标缺失基站。

移动信号的波动性和个人空间活动复杂性会在信令记录中留下冗余和错误的信息。

针对上述两类成因,论文分别基于时空约束提出了手机信令的预处理方法和个人出行轨迹提取算法。

一种基于手机信令数据的出行方式识别方法[发明专利]

专利名称：一种基于手机信令数据的出行方式识别方法专利类型：发明专利
发明人：冯红霞,杨辉,于洋,王予洲,秦棚超,赵振乾,景晓虎申请号：CN202011366779.0
申请日：20201126
公开号：CN112511971A
公开日：
20210316
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于手机信令数据的出行方式识别方法，本发明的方法避免了传统机器学习方法多源数据难以获取、单次多种出行方式混合数据难以识别、数据浪费等问题。

本发明采取了手机信令、公交线路网识别、规划分时段速度阈值区间建立等多源数据对用户出行方式进行多次识别。

通过对数据所在城市的分时段交通运行速度进行计算，数据与城市所在公交线路网契合度作为参考，根据每次出行数据的时间段使用不同阈值条件对数据进行初次识别；对未识别数据再参考单次出行OD距离，与上述条件进行二次识别。

本发明方法有效利用了大量无法识别数据，同时极大地降低了多交通方式对于出行速度选取区间值的干扰，提高了识别的准确性。

申请人：西安建筑科技大学
地址：710055 陕西省西安市碑林区雁塔路13号
国籍：CN
代理机构：西安通大专利代理有限责任公司
代理人：安彦彦
更多信息请下载全文后查看。

基于手机信令识别交通出行方式的方法与系统[发明专利]

专利名称：基于手机信令识别交通出行方式的方法与系统专利类型：发明专利
发明人：李永军,赵海燕,马荣叶,王幸,戴培,杨旭
申请号：CN202011399981.3
申请日：20201201
公开号：CN112542045A
公开日：
20210323
专利内容由知识产权出版社提供
摘要：本发明提供一种基于手机信令识别交通出行方式的方法与系统，基于用户上报的手机信令数据实现。

在实现过程中，首先基于用户上报的样本数据进行识别模型的训练，在剔除专有出行方式后，基于SVM二分类器的模型训练，采用年龄、性别、速度、瞬时速度、平均速度以及移动距离多维度特征进行训练，提高模型的辨识度和准确性；然后在预测模型的基础上，采用专用出行与SVM模型进行融合的方式，基于实际上报的信令数据进行特征提取并识别出出行方式；最后以时间序列为基础，将不同的出行方式的OD链合并，形成完整的交通方式出行轨迹段。

申请人：江苏欣网视讯软件技术有限公司
地址：210000 江苏省南京市建邺区奥体大街69号新城科技大厦01幢5层
国籍：CN
代理机构：南京行高知识产权代理有限公司
更多信息请下载全文后查看。

一种基于手机信令数据的出行目的识别方法及装置[发明专利]

专利名称：一种基于手机信令数据的出行目的识别方法及装置专利类型：发明专利
发明人：刘娟,陆振波,万紫吟,张改,张静芬,施玉芬,丁向燕
申请号：CN202010658543.8
申请日：20200709
公开号：CN111737605A
公开日：
20201002
专利内容由知识产权出版社提供
摘要：本发明涉及出行目的识别技术领域，尤其涉及一种基于手机信令数据的出行目的识别方法及装置。

出行目的识别方法，步骤：提取OD数据，划分人口类型及职住地；获取POI及基站位置，并分别与其所在地块关联，形成位置对应关系；基于出行终点基站所在地块与该地块对应的POI类型及职住地的对应关系对出行目的进行初步识别，提取特征参数基于K‑means聚类算法对剩余样本进行聚类，最终获取出行目的；由人口类型，对出行目的结果进行修正。

本实施例基于手机信令数据及POI 点，通过机器学习算法对居民出行目的进行划分，同时结合人群的出行行为特性对结果进行修正，该方法不仅减少了对先验经验知识的依赖与需求，而且可以避免单一规则判别法所带来的主观性。

申请人：南京瑞栖智能交通技术产业研究院有限公司
地址：210000 江苏省南京市栖霞区栖霞街道广月路26号S12栋4楼、5楼
国籍：CN
代理机构：深圳市朝闻专利代理事务所(普通合伙)
代理人：谭育华
更多信息请下载全文后查看。

一种基于手机信令数据的城市出行方式识别方法[发明专利]

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202010478118.0(22)申请日 2020.05.29(71)申请人南京瑞栖智能交通技术产业研究院有限公司地址 210000 江苏省南京市经济开发区栖霞街道广月路26号S12栋5楼(72)发明人万紫吟　陆振波　张改　夏井新　余启航　刘娟　张念启　张静芬　(74)专利代理机构南京天华专利代理有限责任公司 32218代理人刘畅(51)Int.Cl.G08G 1/01(2006.01)G06F 16/28(2019.01)G06F 16/29(2019.01)G06K 9/62(2006.01)H04W 4/024(2018.01)H04W 4/029(2018.01)H04W 4/20(2018.01)H04W 4/42(2018.01)(54)发明名称一种基于手机信令数据的城市出行方式识别方法(57)摘要本发明公开了一种基于手机信令数据的城市出行方式识别方法，针对目标城市全天产生的手机信令数据，识别出每个人的停驻点及全天出行OD，首先通过地铁专用基站精准识别出所有地下轨道交通出行方式，然后在提取手机数据特征参数的基础上与高德GPS真实导航数据相比较，利用无监督的机器学习算法识别居民出行的交通方式。

本发明基于手机信令数据在利用地铁专用基站判断地下轨道交通出行的基础上，结合显著出行特征的划分、高德GPS导航规划不同方式的出行路径特征偏移度判断、无监督的模糊K -means聚类机器学习算法，对目标城市一天产生的全样本出行的交通方式进行识别。

权利要求书2页说明书6页附图2页CN 111653096 A 2020.09.11C N 111653096A1.一种基于手机信令数据的城市出行方式识别方法，其特征在于具体步骤为：S1、根据手机信令数据识别用户停驻点，得到出行OD；S2、对出行OD进行预处理，提取出行特征参数，并删除无效OD；S3、根据地铁专用基站信息识别地铁出行OD；S4、根据出行距离与出行平均速度对步行及远距离小汽车出行OD进行划分，获得特征显著的出行OD划分结果，剩余未识别的出行OD进行S5；S5、根据出行起讫点的坐标爬取高德导航规划路径API中的步行、自行车、公交、小汽车这四类交通方式规划路径的出行距离与出行时耗，根据手机数据与高德数据的偏移度值识别OD出行方式，剩余未识别的出行OD进行S6；S6、使用模糊K-means聚类算法对剩余未识别的出行OD进行方式划分。

基于手机信令数据的出行方式识别方法研究

高峰时段平峰时段
工作日情景 1 情景 4
周末情景 2 情景 5
节假方式(骑行、步行、小汽车(不区分私家车
和出租车)、公交车)在相似情景下的导航数据。定义获得的导航数据集合为 H = {h1, h2 ,, hi ,, hn} ，hi
Figure 1. Division of mode 图 1. 方式划分
3.1.1. 地面出行方式识别地面交通出行方式识别算法流程如图 2 所示。具体步骤如下： 1) 获取用户一次有效出行段的信令数据集合 A，包含此次出行轨迹点的经纬度坐标、时间戳等信息。
DOI: 10.12677/ojtt.2020.91001
Received: Dec. 25th, 2019; accepted: Jan. 8th, 2020; published: Jan. 15th, 2020
Abstract
In order to study the application of mobile signaling data in the field of identifying user’s travel mode, and improve the accuracy of travel mode identification, firstly, we introduce the principle of signaling data generation, the selection and principle of clustering algorithm. Then, according to the difference between the aboveground and underground base stations, the identification of travel mode can be divided into two directions: the identification of ground travel mode, and the identification of subway. Then, the signaling data is combined with the navigation track data and the base station database data to establish the model for the ground traffic and the subway travel, so as to determine the user’s travel mode. Finally, the model is validated based on the signaling data of volunteers provided by operators. The result shows that the accuracy of the algorithm is 86.12%, which effectively improves the accuracy of the algorithm.

一种基于手机定位数据的出行行程识别方法概要

第 37卷第 5期 2013年 10月武汉理工大学学报 (交通科学与工程版J o u r n a l o f W u h a n U n i v e r s i t yo f T e c h n o l o g y (T r a n s p o r t a t i o n S c i e n c e &E n g i n e e r i n gV o l . 37 N o . 5O c t . 2013一种基于手机定位数据的出行行程识别方法 *张健钦 1, 2 仇培元 1, 2 徐志洁 3 杜明义1, 2(北京建筑工程学院测绘与城市空间信息学院 1 北京 100044(现代城市测绘国家测绘地理信息局重点实验室 2 北京 100044 (北京建筑工程学院理学院 3 北京 100044 摘要 :提出并实现了一种基于手机定位轨迹数据的出行行程识别方法 . 通过速度对轨迹点进行划分 , 将低于一定速度阈值以下的轨迹点合并为候选停留位置 , 再利用距离阈值和时间阈值对候选停留位置进行合并 , 从而确定出真正的停留点 , 继而自动统计出行次数和出行时间 . 该方法解决了手机定位数据的定位漂移和抖动的问题 ,行程识别精度高 , 识别结果可为交通规划工作提供相关数据 , 并具有比传统交通调查方法更低的成本和更短的数据更新周期 . 关键词 :手机定位 ; 时空数据挖掘 ; 行程识别 ; 出行调查 ; 交通 G I S 中图法分类号 :T P 39d o i :10. 3963/j. i s s n . 2095-3844. 2013. 05. 009收稿日期 :2013-04-20张健钦 (1977-:男 , 博士 , 副教授 , 主要研究领域为交通 G I S 、智能交通系统 *现代城市测绘国家测绘地理信息局重点实验室开放基金项目 (批准号 :20111216N 、北京市教育委员会科技发展计划项目 (批准号 :KM 201210016014 、北京市优秀人才培养资助个人项目 (批准号 :2011D 005017000005 、北京建筑工程学院博士科研启动基金项目 (批准号 :Z 10044, Z 09074资助目前国外在 GP S 轨迹数据的获取与处理方面取得了一定的研究成果 ,能够根据轨迹数据进行行程识别得到出行相关的信息 , 并与出行日志比较分析结果准确性 .国内的学者也陆续开展了 G P S 轨迹数据信息自动提取方面的研究 [1-3].具体到行程识别的算法方面主要有探索性方法和聚类法两大类 [4].探索性方法首先考虑个体发生停留活动时的时空表现或定位设备的特征 , 以这些作为已知经验 , 设计算法对原始数据进行处理 . 具体算法包括基于记录间隙的方法 [5-6], 基于静止点的方法及基于缺失点的方法 [7], 基于方向特征的方法 [8]等 , 聚类法主要考虑轨迹数据一般以等时间间隔的方式采集 , 因此发生停留活动时将会有大量轨迹点聚集在某一位置附近 , 故可以使用聚类的方法进行识别 .具体算法包括基于 K -均值聚类 [9]、基于 D B S C A N 聚类 [10-11].由于 G P S 数据和手机定位数据在定位精度和数据质量方面存在不同 , 用于G P S 数据的行程识别方法不一定适用于手机定位数据 , 因此国内国外都从手机定位的原理、定位精度以及进行出行调查的可行性等方面做了相关的研究和模拟工作 [12-13].本文针对所获取的手机定位轨迹数据特征 , 借鉴 G P S 轨迹数据识别的探索性方法 , 提出并实现了一种的行程自动识别方法 ,通过速度对轨迹点进行划分 , 将低于一定速度阈值以下的轨迹点合并为候选停留位置 ,再利用距离阈值和时间阈值对候选停留位置进行合并 , 从而确定出真正的停留点 . 该方法解决了手机定位数据的定位漂移和抖动的问题 ,行程识别精度高 , 识别结果可为交通规划工作提供出行次数和出行时间方面的数据 , 并具有比传统交通调查方法更低的成本和更短的数据更新周期 .1研究方法行程识别的任务就是将无法直接理解的轨迹点转化为能够认知的停留位置和在各个停留位置之间的移动 .如图 1所示 , 就是将在空间上离散的轨迹点划分成停留点和移动点 2大类 . 通过停留点获取出行者进行停留活动时的位置或位置范围 , 通过移动点生成出行者的出行路径 . 进一步 , 停留时间、停留活动目的等信息可以由停留位置信息进行挖掘分析 , 出行次数、出行时间、出行方式、出行距离等信息则可以从出行路径中提取.图 1行程识别的示意图1. 1手机定位数据源本文采用的手机定位数据通过在招募的志愿者手机上安装位置记录软件 (M o b i l e t r a c k 获得 . 该软件支持 W i n C E , S ym b i a n S 60和 A n d r o i d 等智能手机系统 , 采用 C e l l -I D 定位方法 . 采集时间间隔为 1m i n , 经蚁足网 (h t t p ://m ym o b i l e t r a c k . c o m / 网站进行基站信息处理后得到 k m l 格式的文本数据 , 如图 2所示 . 主要包括位置记录的时间、经度和纬度信息 , 还需要添加记录关键字、志愿者编号等信息以便对位置记录区分.图 2手机定位数据文本格式1. 2行程识别算法目前已有的探索性方法主要针对 G P S 定位方式获取的出行轨迹数据 , 用于手机定位轨迹数据的相关识别算法研究很少 . 在充分研究本文手机定位数据特征的基础之上 ,提出了基于速度的轨迹点合并行程识别算法 , 通过编程实验验证了算法的准确性 . 算法主要流程分为 3个部分 :(1 速度计算 ; (2 候选停留位置生成 ; (3 停留点识别 .1. 2. 1速度计算获得的原始轨迹数据中不包含速度信息 ,算法的第一步需要根据轨迹点记录的经度、纬度和时间信息计算出行者在各轨迹点的速度 . 严格意义的瞬时速度计算比较困难和复杂 , 因此考虑用轨迹点所在的一段轨迹上的平均速度来代替 . 对于手机定位轨迹数据 , 其定位精度和漂移特征有赖于移动基站的分布密度 , 在远离市中心的区域漂移的距离较大 ,有时可能出现 1或 2k m 的定位漂移和抖动 . 针对以上问题 , 尝试采用轨迹点间的直线距离代替轨迹路径距离参与速度计算 . 如图 3所示 , 在计算轨迹点 p 3的速度时 , 不再计算轨迹点 p 1, p 2, p 3, p 4, p 5之间相邻距离之和 , 直接计算轨迹点p 1, p 5间的直线距离作为出行者在 t 1, t 5时刻之间经过的路径长度 .计算公式见式 (1.图 3轨迹点速度计算示意图p 3.v =D (1, 5Δt (1, 2 +Δt (2, 3 +Δt (3, 4 +Δt (4, 5(1式中 :p 3. v 为轨迹点 p 3速度 ; D (i , j 为轨迹点 p i 与轨迹点 p j 间的距离; Δt (i , j为轨迹点 p i 与轨迹点 p j 间的时间间隔 .1. 2. 2候选停留位置生成1 静止点合并静止点和移动点的划分主要依靠设定的速度阈值 , 速度阈值一般取居民出行方式中的最低速度下限 ,即步行方式的速度下限 . 正常人的步行速度一般在 3~6k m /h 之间 , 步行方式的最慢速度约为 0. 8m /s . 考虑速度计算误差的影响 , 以及前期试验的基础 , 取 1m /s 作为速度阈值将轨迹点进行分类 . 然后 , 将 2个以上连续的静止点 p s 合并为候选停留位置 S t a y′ , 候选停留位置是出行者有可能发生停留活动的位置 ,是否确定为停留点需要后续工作做进一步处理 . 该过程示意见图 4.2停留中心计算合并为候选停留位置的候选停留点在空间上不会完全重叠 , 需要根据这些候选停留点的坐标计算出可以代表各候选停留位置的停留中心 , 也就是候选停留位置的坐标 . 在轨迹数据等时间间隔记录的前提下 , 可以通过计算各候选停留点的平均坐标得到停留中心的坐标 , 但在实际中会发生数据缺失的情况 , 对计算结果造成影响 .因此 , 本文采用时间加权的方式计算候选停留位置的坐标 .·539·第 5期张健钦 , 等 :一种基于手机定位数据的出行行程识别方法图 4静止点合并过程示意图首先 , 依次计算连续两候选停留点 p s i , p s i +1的平均坐标 (x (i , i +1 , y (i , i +1. x (i , i +1 =s i . x s i +1. x 2; y (i , i +1 =s i . s i +1. 2式中 :p s i . x 为候选停留点 p s i 经度坐标 ; p s i . y 为候选停留点 p s i 纬度坐标 .其次 , 将 2候选停留点间的时间间隔Δt (i , i +1 与整个候选停留位置的停留时长 S t a y′ . Δt 的比值作为该平均坐标的权重 w i g h t (i , i +1 =t (i , i +1 S t a y′ . Δt 最后 ,计算候选停留位置的坐标 . S t a y ′ . x =n -1∑ n -11w i g h t (i , i +1 ·x (i , i +1 ; S t a y ′ . y =n -1∑ n -11w i g h t (i , i +1 ·y (i , i +1 式中:S t a y ′ . x 为候选停留位置S t a y ′ 的经度坐标; S t a y ′ . y 为候选停留位置S t a y ′ 的纬度坐标 . 1. 2. 3停留点识别将候选停留点合并成候选停留位置后 , 需要做进一步判别 , 才能得到出行者发生活动的停留点 .主要通过考虑距离和时间两个因素对候选停留位置进行取舍和合并 , 算法流程图见图 5, 算法步骤具体描述如下 .步骤 1读取第一个候选停留位置S t a y ′ 1, 将其放入停留序列 S q , 将S t a y ′ 1的坐标作为停留序列 S q 的中心坐标 .步骤 2判断是否还有未读取的候选停留位置 , 如果是 , 读取下一个候选停留位置S t a y ′ i , 计算S t a y ′ i 的中心坐标与 S q 中心坐标的距离 D (i , S q ,转到步骤 3; 如果否 , 转到步骤 4. 步骤 3 D (i , S q 是否小于设定的距离阈值 T d , 如果是 , 将S t a y ′ i 放入停留序列 S q , 重新计算停留序列 S q 的中心坐标 , 转到步骤 2; 如果否 , 转到步骤 4.步骤 4计算 S q 的停留开始时刻 S q .s t 和停留结束时刻 S q . e t 的时间间隔 S q .Δt , 此处的时间间隔S q . Δt 是停留序列中第一个候选停留位置图 5停留点识别算法流程图的停留时长的开始时刻到最后一个候选停留位置的停留时长的结束时刻之间的时间间隔 .步骤 5S q . Δt 是否大于设定的时间阈值 T t , 如果是 , S q 中的候选停留位置合并为停留点 :(1 将包含在 S q 的时刻 S q . s t 和时刻 S q .e t 之间的轨迹点删除 ; (2 将时刻 S q . s t 和时刻 S q . e t 之间所有的轨迹点的坐标均用 S q 的中心坐标替换 , 转到步骤 6; 如果否 , S q 中的候选停留位置不构成停留点 , 则时刻 S q . s t 和时刻 S q .e t 之间所有的轨迹点均判定为移动点 , 判断 S q 中是否包含·639·武汉理工大学学报 (交通科学与工程版2013年第 37卷最后一个候选停留位置 , 如果是 , 结束本次停留点判断 , 如果否 , 转到步骤 6.步骤 6清空 S q 中的候选停留位置 , 将S t a y ′ i 放入 S q , 将S t a y ′ i 的停留中心坐标作为停留序列 S q 的中心坐标 , 转到步骤 2. 当 S q 中没有包含最后一个候选停留位置 , 则还要继续对候选停留位置的判定 , 以识别新的停留点 , 那么在S t a y ′ i -1与S t a y ′ i 之间的候选移动点也被判定为移动点 .上述步骤 2中重新计算停留序列 S q 的中心坐标时 , 采用时间加权的方法 , 计算公式如下 .w i g h t i =iS q . e t -S q . s tS q . x =w i g h t i ·S t a y ′ i . x +(1-w i g h t i ·S q . x S q . y =w i g h t i ·S t a y ′ i . y +(1-w i g h t i ·S q . y 式中 :w i g h t i 为候选停留位置S t a y ′ i 的权重值 ; S q . s t 为停留序列 S q 的停留开始时间 (第一个候选停留位置的停留时长的开始时刻 ; S q . e t 为停留序列 S q 的停留结束时间 (最后一个候选停留位置的停留时长的结束时刻 ; S q . x 为停留序列 S q 中心点经度坐标 ; S q . y 为停留序列 S q 中心点纬度坐标 .1. 3行程识别算法效果评价指标评价行程识别算法识别效果的指标主要包括查全率和查准率 , 定义如下 .查全率 R = S ; 查准率 P = D式中 :D S 为识别出的真实停留点个数 ; S 为实际的真实停留点个数 ; D 为识别出的停留点个数 .2结果和分析本文采用 8位志愿者共 20d 的手机定位数据作为实验研究对象 . 每位志愿者填写出行活动日志从而确定真实停留点个数 . 首先参考已有研究得到的经验 , 设定时间阈值和距离值以 120s 和 200m 为起始值 , 然后以 60s 和 100m 为单位依次增加 , 最大增加到 600s 和 1 500m. 这样 , 实验中共有 9个时间阈值和 14个距离阈值 , 可以得到 126组阈值组合 , 根据每一个组合识别出的停留点与实际停留点比较 , 分别计算每一种组合的查全率和查准率 , 得到如图 6和图 7所示的查全率和查准率三维柱状图 . 分析图 6和图 7可以得出 , 随着时间阈值和距离阈值的增大 , 停留点识别的查全率下降而查准率上升 , 主要原因为较小的阈值会将一次停留割裂为多次 , 而较大的阈值则会将时间或空间上发生的较近停留合并为一次停留 . 通过反复对比分析 , 时间阈值取 300s , 距离阈值取 1100m 时 , 对手机定位数据的行程识别能够取得相对较好效果 , 查全率为 87. 66%, 查准率为 81. 56%. 图 6查全率图 7查准率3结束语针对目前基于手机定位轨迹数据的行程识别方法研究相对较少的现状 , 结合手机定位轨迹数据的特征 , 提出并实现了基于速度的轨迹点合并行程自动识别算法 , 通过设定不同的时间阈值和距离阈值对实验数据进行试验 , 并与相应的活动日志比对识别结果的查全率和查准率 , 最终获得较好识别效果 . 通过实验证明 , 该算法对克服手机定位方式在静止活动时产生的大范围漂移具有良好效果 , 解决了手机定位数据的定位漂移和抖动的问题 , 行程识别精度高 , 识别结果为进一步挖掘分析交通分析区域内常住居民出行链信息 , 包括出行次数、出行距离、出行时间等奠定了可靠基础 .参考文献[1]邓中伟 , 季民河 , 陈雯 , 等 . 耦合被动式 G P S 与网络调查的居民出行调查 [J ]. 交通运输系统工程与信息 , 2010, 10(2 :178-183.[2]张俊峰 . 基于 G P S 技术的出行 O D 调查研究 [D ]. 北京 :北京交通大学 , 2011.·7 3 9·第 5期张健钦 , 等 :一种基于手机定位数据的出行行程识别方法[3]张波 . 用于交通出行调查的 G P S 时空轨迹数据简化与语义增强研究 [D ]. 上海 :华东师范大学 , 2011. [4]季民河 , 张治华 , 邓中伟 . G P S 出行调查中信息自动提取研究进展 [E B /O L ]. h t t p ://w w w. p a p e r . e d u . c n /i n d e x . p h p /d e f a u l t /r e l e a s e p a p e r /c o n t e n t /201101-252, 2011.[5]WO L F J , G U E N S L E R R , B A C HMA N W. E l i m i n a -t i o n o f t h e t r a v e l d i a r y :e x p e r i m e n t t o d e r i v et r i p p u r -p o s e f r o m g l o b a l p o s i t i o n i n g s y s t e m t r a ve l d a t a [J ]. T r a n s p o r t a t i o n R e s e a r c h R e c o r d :J o u r n a l of t h e T r a n s p o r t a t i o n R e s e a r c h B o a r d , 2001, 1768(1 :125-134.[6]P E A R S O N D. G l o b a l p o s i t i o n i n gs y s t e m (G P S a n d t r a v e l s u r v e y s :r e s u l t s f r o m t h e1997a u s t i n h o u s e -h o l d s u r v e y [C ]∥ 8t h C o n f e r e n c e o nt h e A p p l i c a t i o n o f T r a n s p o r t a t i o n P l a n n i n gM e t h o d s , 2001. [7]D U J , A -H L . I n c r e a s i n g t h e a c c u r a c y o f t r i pr a t e i n f o r -m a t i o n f r o m p a s s i v e m u l t i -d a y G P St r a v e l d a t a s e t s :a u -t o m a t i c t r i p e n d i d e n t i f i c a t i o n i s s u e s [J ]. T r a n s p o r t a t i o n R e s e a r c h P a r t A , 2007, 41(3 :220-232. [8]F O R R E S T T L , P E R S O N D F . C o m p a r i s o n o f t r i pd e t e r m i n a t i o n m e t h o d s i n h o u s e h o l d t r a v e l s u r v e y s e n h a n c e d b y a g l o b a l p o s i t i o n i n g s y s t e m [J ]. T r a n s -p o r t a t i o n R e s e a r c h R e c o r d :J o u r n a l o f t h e T r a n s p o r -t a t i o n R e s e a r c h B o a r d , 2005, 1917(1 :63-71. [9]HA R I HA R A NR , T O Y AMA K. P r o je c t l a c h e s i s :p a r s i n g a n d m o d e l i n g l o c a t i o n h i s t o r i e s [J ]. G e o -g r a ph i c I n f o r m a t i o n S c i e n c e , 2004:106-124. [10]Z H O U C , F RA N K OW S K I D , L U D F O R D P , e ta l . D i s c o v e r i n g p e r s o n a l g a z e t t e e r s :a n i n t e r a c t i v e c l u s -t e r i n ga p p r o a c h [C ]. A C M , 2004. [11]T I E T B O H L A , B O G O R N Y V , K u i j pe r s B , e t a l . A c l u s t e r i n g -b a s e d a p p r o a c hf o r d i s c o v e r i ng I n t e r -e s t i n g P l a c e s i n t r a j e c t o r i e s [C ]. S AC , 2008. [12]张健钦 , 陆锋 , 徐志洁 , 多智能体协作动态路况信息服务系统研究 .武汉理工大学学报 :交通科学与工程版 , 2010, 34(4 :679-683[13]黄美灵 , 陆百川 . 基于手机定位的交通 O D 数据获取技术 [J ]. 重庆交通大学学报 :自然科学版 , 2010, 29(1 :162-166. A M e t h o d t o I d e n t i f y T r i pB a s e d o n t h e M o b i l e P h o n e P o s i t i o n i n gD a t a Z H A N G J i a n q i n 1,2 Q I U P e i y u a n 1,2 X U z h i j i e 1D U M i n g yi 1,2(B e i j i n g U n i v e r s i t y o f C i v i l E n g i n e e r i n ga n d A r c h i t e c t u r e , B e i j i n g 100044, C h i n a 1(K e y L a b o r a t o r y f o r U r b a n G e o m a t i c s o f N a t i o n a l A d m i n i s t r a t i o n o fS u r v e y i n g , M a p p i n ga n d G e o i n f o r m a t i o n , B e i j i n g 100044, C h i n a 2 Ab s t r ac t :Am e t h o d t o i d e n t i f y t r i p b a s e d o n t h e m o b i l e p h o n e p o s i t i o n i n gd a t a i s p r o p o se d a n d i m p l e -m e n t e d . A c c o r d i n g t o t h e i r s p e e d t h e t r a c k p o i n t s a r e d i v i d e d i n t ot w o t y p e s , a n d t h e s e l o w e r t h a n a c e r t a i n s p e e d a r e m e r g e d t o c a n d i d a t e s t a y p o s i t i o n . I n o r d e r t o d e t e r m i n e t h e s e r e a l s t a yp o i n t , t h e d i s t a n c e t h r e s h o l d a n d t i m e t h r e s h o l da r e u s e d t o m e r g e s t a y p o s i t i o n , a n d t h e n a u t o m a t i c s t a t i s t i c s o f t r a v e l t i m e s a n d t r a v e l t i m e i s f o l l o w e d .T h e m e t h o d r e s o l v e t h e d r i f t a n d j i t t e r pr o b l e m o f m o b i l e p h o n e p o s i t i o n i n g d a t a , a n d h a s h i g h i d e n t i f i c a t i o n a c c u r a c y . T h e r e c o g n i t i o n r e s u l t s c a n p r o v i d e r e l e -v a n t d a t a f o r t r a n s p o r t a t i o n p l a n n i n g , a n d h a s l o w e r c o s t a n d s h o r t e r d a t a u p d a t e c y c l e t h a n t r a d i t i o n a l t r a f f i c s u r v e ym e t h o d s . K e yw o r d s :m o b i l e p h o n e p o s i t i o n i n g ; s p a t i a l -t i m e d a t a m i n i n g ; t r i p i d e n t i f i c a t i o n ; t r a f f i c s u r v e y ; G I S f o r t r a n s po r t a t i o n ·839·武汉理工大学学报 (交通科学与工程版2013年第 37卷。

大数据背景下基于手机信令的道路识别研究

大数据背景下基于手机信令的道路识别研究杜翠凤;余艺【摘要】The paper mainly focuses on handover signaling of mobile phone which is able to match road and identify road user. Speciifcally, collaborative ifltering algorithm was innovatively adopted to match mobile handover signaling with “maximum weight path” in road test. The urban main roads in Baoding city were selected to be validated. The match of user signaling information processing with road was analyzed. The feasibility of road recognition based on mobile phone signaling was veriifed. The achievement provides data support to statistical analysis of trafifc lfow.%研究主题是如何利用手机用户产生的切换信令数据进行道路匹配，完成道路用户识别。

其基本原理是创新性地采用协同过滤的算法将手机用户的切换信令与通过路测产生的“最大权重路径”实现道路匹配。

选取保定城市主干道为实验路网进行验证，对用户信令信息处理和道路匹配进行分析，证明了基于手机信令的道路识别的可行性，该成果将会为交通人流量的统计分析提供数据支撑。

【期刊名称】《移动通信》【年(卷),期】2015(000)013【总页数】4页(P21-24)【关键词】手机信令;切换序列;最大权重路径;协同过滤;道路识别【作者】杜翠凤;余艺【作者单位】广州杰赛科技股份有限公司，广东广州 510310;广州杰赛科技股份有限公司，广东广州 510310【正文语种】中文【中图分类】TP3911 引言采用手机信令数据进行道路识别是当前国内外交通工程研究的重点、难点。