[发明专利]一种基于手机信令数据且含个人属性修正的城市出行方式综合识别方法

说明书

本发明公开了一种基于手机信令数据且含个人属性修正的城市出行方式综合识别方法，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。为了更进一步的提高方式划分结果的准确性及合理性，基于个人属性及出行行为特性对方式识别结果进行进一步修正，提高了方式划分结果的准确性。

技术领域

本发明涉及交通规划领域，具体是交通需求预测领域。

背景技术

交通需求预测是城市交通规划的基础，能够准确地预测城市交通需求对合理管理和控制城市交通系统具有重要意义。在现有的交通需求预测方法(例如交通分配模型)中都高度依赖于不同出行方式下的出行需求估计。然而，鉴于其高度复杂的性质，准确预测不同方式的需求具有一定的难度。这是由于运输系统的运行和交通流的时间/空间波动是不可检测的，因此，有效识别交通方式是当前技术的关键。

以往通过传统调查手段获取出行方式等交通信息的方法存在许多缺陷，如调查成本高，抽样率低等，近年来移动智能设备迅速发展，如何从包含有居民移动位置信息的轨迹数据比如GPS数据、手机信令数据中获取出行方式成为了交通领域关注的热点。

目前现有技术中，张锦等人公开了一种基于手机信令数据的居民出行方式综合判别的方法(CN201510452430.1)，采用了出行方式子链与GIS线网匹配结合构建先验概率的方法，将属于机动车出行方式的子链分别与GIS的轨道交通线网、公交线网进行匹配来判别轨道交通出行与常规公交出行，后通过平均速度、最大速度与出行时长三个属性，对剩下可能的出行方式构建先验概率进行判别。该方法采用的GIS线网匹配判断轨道交通出行和公交出行的方法忽略了与轨道线网和公交线网相重叠的小汽车出行的情况，容易造成误判；以及后续构建先验概率的过程中，仅考虑了平均速度、最大速度与出行时长三个属性，由于手机信令数据的位置更新是以基站为单位，得到的出行特征与实际情况都存在一定误差，所以仅考虑这三个属性容易造成误判。

张锦等人还公开了一种基于手机信令数据的半监督SVM的交通方式判别方法(CN201910076104.3)，通过人工识别流程对部分出行进行方式识别后，将已标记的样本和未标记的样本一起训练半监督SVM分类器。该方法由于采用了部分人工判别流程，在实际操作中专家的选取与工人标记的组织都有一定困难，耗时长且结果受主观因素影响。

杨继伟等人公开了一种基于大数据机器学习的出行方式辨识方法(CN201710693960.4)，通过采集训练样本调查对象的手机信令数据和加速度检测设备数据，分析数据波动特征，获取速度加速度波动特征数据作为预测输入值，出行方式作为输出值，训练机器学习算法，最终选取精度高的算法进行出行方式划分。该方法需要调查对象配合采集加速度检测设备数据，此过程受人力物力等多重因素影响实施难度大，不仅样本数量受到限制，而且数据质量受加速度检测设备质量以及调查对象使用程度影响，且将一次调查采集的数据训练得到的算法模型运用于此后所有出行数据的方式识别并不合理。

发明内容

针对背景技术中存在的问题，本发明提出了一种基于手机信令数据的城市出行方式综合识别方法。

技术方案：

一种基于手机信令数据且含个人属性修正的城市出行方式综合识别方法，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；