[发明专利]一种基于大规模手机位置数据的自行车骑车与停车需求评估方法

说明书

本发明涉及一种基于大规模手机位置数据的自行车骑车与停车需求评估方法，以出行为分析单元，筛选自行车出行需求以及计算自行车骑车与停车需求。采用SMoT模型提取用户停留和出行，以单个出行为分析单元，根据路网出行距离筛选适宜自行车作为交通方式的出行；在计算自行车出行需求时，同样以出行为分析单元，根据基站范围内到达与出发的出行来评估自行车骑车和停车需求。同时本发明顾及公共交通接驳的自行车出行需求。针对长距离出行中的公共交通出行方式，通过引入公共交通站点数据，计算出发地和目的地与最近的公共交通站点的距离，提取适合自行车接驳的出行并计算接驳出行需求。

技术领域

本发明涉及智能地理信息技术领域，特别是一种基于大规模手机位置数据的自行车骑车与停车需求评估方法。

背景技术

近年来，国内外许多城市管理部门大力倡导慢行交通出行方式，来改善城市结构体系。在住房和城乡建设部、发展改革委、财政部发布的《关于加强城市步行和自行车交通系统建设的指导意见》中指出，要加快步道、自行车车道以及自行车停车设施等慢行交通基础设施建设，使大中城市慢行交通的出行分担率在55％以上。自行车作为慢行交通的重要组成部分，主要是面向短距离出行需求以及公共交通出行过程中“最后一公里”的接驳问题，因而在距离上和空间分布上具有较为显著的特征。

另一方面，随着科学技术的进步，移动手机在人群中逐渐普及，并高度融入到人们的日常生活中。而移动手机通信依赖于邻近移动信号基站所提供的服务，基于基站定位的方式收集到的手机位置数据能够实现对大规模人群进行连续位置追踪。该数据大样本、低成本的特征，为探索人类移动性特征提供了新的观察视角，因此被广泛用于交通需求评估以及城市人群活动模式研究等应用中。手机位置数据中蕴含丰富的居民出行信息，也包括自行车出行需求评估所需要的信息。

目前，自行车出行需求评估方法主要基于两类模型：概率模型和时间序列模型。其中，概率模型(例如logit模型)主要基于调查数据，探究用户的个人属性(例如性别、年龄、受教育水平、收入)和出行特征(例如距租赁点的距离、出行目的、出行时间)等与自行车出行需求间的关系。而时间序列模型主要针对具有出行记录的公共自行车系统。例如，在公共自行车系统中，基于各个站点的历史使用数据，挖掘历史数据中存在的规律，使用回归分析或ARIMA等时间序列模型对公共自行车需求进行拟合和预测。

但是传统的方法未能有效评估城市居民自行车出行的整体需求。其主要原因在于传统的自行车出行需求评估方法主要是以有桩式公共自行车为研究对象，其需求不能代表整体的自行车出行需求；其次，基于自行车历史使用数据无法反映出潜在的自行车出行需求。

除了以上传统的自行车出行需求评估方法，Xu等人提出利用手机位置数据来筛选短距离出行链，进而评估自行车出行需求(Xu Y,Shaw S-L,Fang Z,et al.EstimatingPotential Demand of Bicycle Trips from Mobile Phone Data—An Anchor-PointBased Approach[J].ISPRS International Journal of Geo-Information,2016,5(8):131)。其具体技术方案是：1)轨迹聚类：遍历用户的数据记录，搜索连接次数最多的基站，并对其周边500m以内的基站进行聚类合并；2)职住地提取：选择00:00至07:00期间持续时间大于4小时、09:00至18:00期间持续6小时的活动锚点分别作为居住和工作所在地；3)出行链提取与筛选：利用职住地分割用户轨迹得到出行链，计算每个出行链中所有基站之间的路网距离，并根据距离最大值对出行链进行过滤(若该最大值在1km至5km之间则保留该出行链，否则不保留)；4)自行车出行需求计算：根据筛选后的出行链，遍历链中所有时间序列相邻且经纬度不相等的数据记录点赋予自行车出行需求。

Xu的方法在评估自行车具体出行需求时存在明显的不足：(1)筛选短距离出行指标时，以出行链为单位，忽略了出行链中的短距离出行需求；(2)在计算具体出行次数指标时，将一个完整出行中的每一次移动均算作一次出行，未能将出行作为一个整体进行考虑；(3)未考虑公共交通出行中的接驳需求。