大数据在交通规划中的应用

大数据在交通规划中的应用
一、基于公交IC卡和GPS数据的居民出行OD矩阵推导与应用
1. 数据准备：公交卡数据：卡号、线路号、车辆号、刷卡时间
公交调度信息：线路号、车辆号、发车时刻、到达时刻
公交线路信息：线路号、线路长度、站点数、起点站、终点站、中间站点、站间距
公交站点信息：站点号、站点名称、站点位置。

公交GPS数据：线路号、车辆号、定位时间、定位经度、定位纬度、速度
2. 公交上车站点获取
（1）基于公交IC卡数据和调度信息的聚类分析法：
乘客前门上车刷卡完成缴费，使公交卡刷卡记录在时间上具有一定的集中性。

聚类分析法的基本思想：以公交卡数据记录为样本,其刷卡时间字段为样本属性，其刷卡时间与下一条记录的刷卡时间之间的时间间隔作为聚类因子，基于设定的时间间隔闽值进行分类，而后与运用公交调度、公交线路和站点信息推断获取的公交到站时间进行匹配，从而获取各个数据记录的上车站点。

基于公交卡数据和调度信息的上车站点判断流程图
（2）基于公交IC卡和GPS数据的时刻匹配分析法：
在城市公交车辆上安装设备能够实时采集车辆的运行状态信息如时间、速度、经纬度等，进而与该条线路的公交站点位置进行匹配获取每条数据记录的站点位置信息，确定该条线路每个车次到达各个站点的精确时刻之后，通过对相应车次的卡数据记录依据时间进行匹配，从而确定每条卡数据记录的上车站点。

基于公交卡和数据的上车站点判断流程图
3. 下车站点获取
（1）公交站点吸引权法
城市居民公交出行特征主要受乘客的站间距以及站点周边设施吸引强度的影响一般而言,城市居民出行距离近似服从正态分布,其中,公交乘客的出行范围主要集中在5-10km。

从城市居民总体出行距离角度而言,当出行距离过长时一般采用更加快速的交通出行方式，如小汽车当出行距离过短时则会采用相对比较方便的交通出行方式，如步行、自行车。

由此，可以推断公交乘客出行距离仍然满足此类规律，并表现在途经站点的数量比较集中于某一范围，即公交乘客从某一站点上车到达站点下车所途经站点数量为的概率明显较高，乘客下车人数明显较多。

同时,城市公交出行还受站点周边用地性质的影响。

一般，周边用地性质为商业、教育、行政的公交站点要比普通站点具有较多的上下车人数，客流相对比较集中，说明该类站点具有明显高于其他类型站点的吸引力。

（2）单个乘客出行链分析法
将公交乘客的单日全部出行作为一个以起讫点为连接点的完整环状出行链结构，以此理念为基础，对公交乘客单日刷卡数据的下车站点进行分析。

基于乘客出行链的理念，在此有两个基本的假设条件乘客前一次出行的终点是其进行下一次出行的起点乘客当日最后一次出行的终点是其第一次出行的起点。

乘客闭合公交出行链
乘客不连续公交出行链
针对不闭合的出行链分为一次出行和多次出行。

一次出行是指当日公交乘客刷卡数据仅有一次，并未形成公交出行链。

多次出行是指乘客当日公交刷卡次数为两次以上，基本保障了公交乘客当日出行形成闭合出行链的可能性。

3. 城市公交OD矩阵
城市公交站间矩阵是对公交卡原始数据进行过大量数据匹配处理之后而生成的，同时它仅仅代表了采用公交卡进行公交出行的群体。

因此，需要对公交站间矩阵进行扩样。

此外,还需将站间矩阵转化为小区矩阵，从而保障与传统的城市交通规划以交通小区为基本单元的出行矩阵标识方式具有相同的基础。

4. 城市公交OD出行矩阵校验
一般进行城市公交出行矩阵校验时,采用推算矩阵与实际矩阵对比分析的方法进行。

常采用的指标主要有相对误差与相关系数。

二、基于手机定位技术的交通分布OD研究
（1）传统OD调查
传统的OD调查有家庭访问法、路边询问法、表格调查法、电话询问法、登记车辆牌照法等。

通过调查可Ｗ获得出行的起点、目的地、出行时间、出行距离、出行方式等详细的日常出行信息Ｗ及出行者的社会经济信息。

随后将调查的信息进行统计分析得到ＯＤ量。

一旦得到样本０Ｄ矩阵后，一般利用OD量除以采样率得到总体的OD矩阵，然而由于该方法采样率较低，一般为３％－５％，所得到的总体OD矩阵往往会有统计偏差。

另一方面，进行一次全面的调查需要经过若干年，无法及时准确把握OD信息的变化。

（2）路段交通流量反推静态OD矩阵
利用路段交通量来估计ＯＤ矩阵的方法需要路段观测交通流量、先验OD矩阵、路径选择概率等，因此路径选择模型、先验ＯＤ矩阵确定、观测路段的选择都会对模型的精度产生影响。

从理论上讲，由路段交通量推算ＯＤ分布量是交通分配的逆过程。

基本原理
路段交通量获取
先验OD矩阵获取
路径选择
（3）手机信令数据
手机信令定位技术具有实时性、大样本、成本低等特点，与居民出行具有密切的关系，越来越成为手机信息获取的重要方式，成为传统居民出行调查的重要补充。

分析手机信令数据的时间分布持性，分析其与该区域的居民活动、用地属性的关系，划分基站小区所属用地类型，同时考虑基站自身的空间属性，采用无量纲化处理统一量纲，进行聚类处理，划分出基于空间位置与用地属性的交通小区，最后，结合行政区划、天然或人工分割等传统方式对基于手机信令数据的交通小区进行边界优化处理。

获取的信令数据一般是经过匿名处理，因而无法得知出行行为与用户个人特征之间的相
关性，因此手机信令并不能完全取代传统交通调查方式。

优点：用户随身携带手机，手机的移动准确反映了用户的活动规律。

通过对连续的手机信令进行分析，可以避免单次调查只能获取特定时间点居民出行信息的不足，全面掌握用户活动的时间-空间特征。

通过对海量的手机信令数据分析掌握大量个体的活动特征，准确的反映城市整个人流特征，特别是大范围空间位置移动特征，从而为城市交通规划研究提供了一种全面的技术方法。

手机信令在交通规划研究中的应用方法可归纳为基于轨迹聚集的分析应用和基于出行的分析应用，区别在于前者不需要对用户进行界定，后者需求构建用户的出行链模型，识别出行起点、终点和停留点。

缺点：乒乓切换，数据获取难，数据量大，分析工作量大
三、基于手机信令数据的城市出行与活动特征分析。