一种基于手机信令数据的交通出行模型构建方法与流程

[0001]
本发明涉及交通模型技术领域，具体来说，涉及一种基于手机信令数据的交通出行模型构建方法。


背景技术：

[0002]
交通预测模型是指交通现象各要素之间以及交通现象与社会经济活动各因素之间相互关系的定量描述。用于交通分析和交通预测，是交通规划重要技术方法之一。其表达形式可以是一个或一组数学表达式、图表、或一组数学处理程序。由大量的调查统计数据，通过数理统计等数学方法建立。通常有输人端和输出端。输入端为已知因素，即自变量；输出端为拟推算或拟预测的交通现象，即应变量。正确的交通模型应能重现交通现象，即输人已知的相关因素，可在一定精度范围内得出和实际交通现象相符的交通数据。常用的交通模型有交通需求模型、交通流模型等。模型的建立通常经过模型形式生成、模型参数标定和模型验证等步骤。由于模型反映的是交通现象的历史和现状规律，因此随着情况的变化,应不断用新的调査数据对模型进行新的验证和修正。
[0003]
当前，构建交通模型的数据通常来源于有组织的人工调查，采用人工调查的方式获取居民出行数据，具有以下几点劣势：
[0004]
1、人工调查费时费力，调查开始前需要精心设计调查内容，并对调查人员进行集中培训。2、从出行调查到数据整理满足模型构建，通常周期长，导致数据时效性不足，调查不可能短期内多次进行。3、调查后期需要对数据进行整理加工，剔除不合格数据，该阶段工作量巨大，统计结果难免人为差错。4、受调查成本的制约，抽样率通常较低，样本数量少，容易产生统计偏差。5、调查人员工作量大，调查成本高，调查的地域范围有限。
[0005]
检索中国发明专利cn107103753 a公开了一种交通时间预测系统、交通时间预测方法以及交通模型建立方法。交通时间预测系统用以预测一行车路线所需的行车时间，包含模型建构模块、模型选择模块以及预测模块。模型建构模块用以建立多笔候选预测模型。候选预测模型每一者分别对应于多个路段中的一者以及多个相异的数学模型的一者。模型选择模块用以自该行车路线中各个路段相符的候选预测模型中选择对应于路段的预测模型。预测模块用以根据行车路线中各个路段的预测模型预测各个路段的预测车速以计算行车时间估计值。模型选择模块选择路段所对应的候选预测模型中预测误差值较小的一者作为路段的预测模型。由于每一路段所选用的预测模型皆为准确度高的预测模型，因此可有效提高准确度。但其调查成本高，调查的地域范围有限，周期长，导致数据时效性不足，调查不可能短期内多次进行。
[0006]
针对相关技术中的问题，目前尚未提出有效的解决方案。


技术实现要素：

[0007]
针对相关技术中的问题，本发明提出一种基于手机信令数据的交通出行模型构建方法，以克服现有相关技术所存在的上述技术问题。
[0008]
本发明的技术方案是这样实现的：
[0009]
一种基于手机信令数据的交通出行模型构建方法，包括以下步骤：
[0010]
步骤s1、预先获取手机信令数据并进行对手机信令数据提取，获取出行个体的特征信息，其中包括经过点信息和停留点信息；
[0011]
步骤s2、进行出行模式判定，获取出行距离和出行速度进行判定个体出行的出行方式，其中包括获取个体出行速度v
ij
，表示为：
[0012]
v
ij
＝d
travel
*ρ/t
travel
，ρ为路网非直线系数；
[0013]
步骤s3、通过出行距离与出行速度判定选择的出行方式mode
ij
；
[0014]
步骤s4、获取活动类型，包括基于停留点信息确定活动地点的空间属性；
[0015]
步骤s5、将获取的活动类型和出行方式mode
ij
作为输入信息，建立目标区域的动态交通出行模型作为预测模型。
[0016]
进一步的，预先获取手机信令数据，包括以下步骤：
[0017]
对手机信令大数据进行分割处理，包括将原始数据按照id值进行排序后，分割为每个数据文件包含100万条通信信息的数据包；
[0018]
对获取的数据包信息进行数据清洗。
[0019]
进一步的，还包括以下步骤：
[0020]
获取出行时间t
travel
，第一个出行点信息的时间t
enter
和离开最后一个出行点信息的时间t
leave
之间的时间差，表示为：
[0021]
t
travel
＝t
leave-t
enter
。
[0022]
进一步的，还包括以下步骤：
[0023]
通过停留点信息的空间坐标值(x
i
，y
i
)，确定相邻两个停留点之间的空间距离，即可获取个体的空间出行d
travel
，表示为：
[0024][0025]
本发明的有益效果：
[0026]
本发明基于手机信令数据的交通出行模型构建方法，通过预先获取手机信令数据并进行对手机信令数据提取，获取出行个体的特征信息，进行出行模式判定，获取出行距离和出行速度进行判定个体出行的出行方式，通过出行距离与出行速度判定选择的出行方式mode
ij
并获取活动类型作为输入信息，建立目标区域的动态交通出行模型作为预测模型，实现通过数据挖掘，能够降低交通模型数据获取的成本，大大缩短构建模型的时间，其机信令数据实时更新的，极大的提高了模型的及时性和准确度，可以随时对交通模型进行更新，另外构建的交通模型具有更广的使用性，不仅能够对对未来的交通出行进行预测，而且能够对交通政策的实施效果进行预先模拟，应用范围广。
附图说明
[0027]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0028]
图1是根据本发明实施例的一种基于手机信令数据的交通出行模型构建方法的流程示意图。
具体实施方式
[0029]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
[0030]
根据本发明的实施例，提供了一种基于手机信令数据的交通出行模型构建方法。
[0031]
如图1所示，根据本发明实施例的基于手机信令数据的交通出行模型构建方法，包括以下步骤：
[0032]
步骤s1、预先获取手机信令数据并进行对手机信令数据提取，获取出行个体的特征信息，其中包括经过点信息和停留点信息；
[0033]
步骤s2、进行出行模式判定，获取出行距离和出行速度进行判定个体出行的出行方式，其中包括获取个体出行速度v
ij
，表示为：
[0034]
v
ij
＝d
travel
*ρ/t
travel
，ρ为路网非直线系数；
[0035]
步骤s3、通过出行距离与出行速度判定选择的出行方式mode
ij
；
[0036]
步骤s4、获取活动类型，包括基于停留点信息确定活动地点的空间属性；
[0037]
步骤s5、将获取的活动类型和出行方式mode
ij
作为输入信息，建立目标区域的动态交通出行模型作为预测模型。
[0038]
另外，预先获取手机信令数据，包括以下步骤：
[0039]
对手机信令大数据进行分割处理，包括将原始数据按照id值进行排序后，分割为每个数据文件包含100万条通信信息的数据包；
[0040]
对获取的数据包信息进行数据清洗。
[0041]
另外，还包括以下步骤：
[0042]
获取出行时间t
travel
，第一个出行点信息的时间t
enter
和离开最后一个出行点信息的时间t
leave
之间的时间差，表示为：
[0043]
t
travel
＝t
leave-t
enter
。
[0044]
另外，还包括以下步骤：
[0045]
通过停留点信息的空间坐标值(x
i
，y
i
)，确定相邻两个停留点之间的空间距离，即可获取个体的空间出行d
travel
，表示为：
[0046][0047]
借助于上述技术方案，基于手机信令数据的交通出行模型构建方法，通过预先获取手机信令数据并进行对手机信令数据提取，获取出行个体的特征信息，进行出行模式判定，获取出行距离和出行速度进行判定个体出行的出行方式，通过出行距离与出行速度判定选择的出行方式mode
ij
并获取活动类型作为输入信息，建立目标区域的动态交通出行模型作为预测模型，实现通过数据挖掘，能够降低交通模型数据获取的成本，大大缩短构建模型的时间，其机信令数据实时更新的，极大的提高了模型的及时性和准确度，可以随时对交
通模型进行更新，另外构建的交通模型具有更广的使用性，不仅能够对对未来的交通出行进行预测，而且能够对交通政策的实施效果进行预先模拟，应用范围广。
[0048]
另外，具体的，在一个实施例中，包括如下：
[0049]
步骤一：对手机信令大数据进行分割处理。从通信运营商获取的脱敏手机信令数据，数据量较大，通常都在十几个gb级，随着研究区域的扩大和数据收集时间的增加有时会达到tb级，这么庞大的数据量，必须首先进行分割处理，本发明将原始数据按照id值进行排序后，分割为每个数据文件包含100万条通信信息的数据包。
[0050]
步骤二：对数据进行清洗。原始的手机信令数据通常包含较多的干扰数据，这些数据通常是在通信信号不佳的情况下产生的，这其中包括信号漂移、乒乓切换、信号不连续。
[0051]
步骤三：数据挖掘。在剔除偏误数据的基础上，通过聚类分析，确定每一个出行个体的“经过点”和“停留点”。
[0052]“经过点”就是在出行过程中，经过的每一个基站信号点，通常在“经过点”停留的时间较为短暂，而且会在较短的时间内通过一系列的点，如果符合这些特征，就判定个体是在出行的过程中，通过计算进入第一个“出行点”的时间t
enter
和离开最后一个“出行点”的时间t
leave
之间的时间差，可以获取出行时间t
travel
；
[0053]
t
travel
＝t
leave-t
enter
[0054]“停留点”就是出行的目的地，个体通常在“停留点”需要花费一定的时间来进行某一项活动，即在某一个基站位置停留时间较长，则该点判定为“停留点”。通过“停留点”的空间坐标值(x
i
，y
i
)，计算相邻两个停留点之间的空间距离，即可获取个体的空间出行d
travel
。
[0055][0056]
步骤五：出行模式判定。通过出行距离和出行速度的计算，判定个体出行采用的出行方式。根据已有的交通出行研究成果，采用不同的出行方式所能达到的出行距离明显是不同的，据此可以判断个体出行所选择的出行方式。
[0057]
首先，计算个体出行速度v
ij
，即
[0058]
v
ij
＝d
travel
*ρ/t
travel
[0059]
其中，ρ为路网非直线系数。
[0060]
其次，通过出行距离与出行速度判定选择的出行方式mode
ij
，
[0061]
(1)当d
travel
≥0.5km时，则出行方式mode
ij
＝步行；
[0062]
(2)当0.5＜d
travel
≤1.5km时：
[0063]
如果v
ij
≤5km/h时，则mode
ij
＝步行；
[0064]
如果5＜v
ij
≤10km/h时，则mode
ij
＝自行车；
[0065]
如果10＜v
ij
≤20km/h时，则mode
ij
＝电动自行车、摩托车；
[0066]
如果35＜v
ij
≤60km/h时，则mode
ij
＝小汽车；
[0067]
如果v
ij
＞60km/h时，则mode
ij
＝其他。
[0068]
(3)当1.5km＜d
travel
≤5km时，
[0069]
如果v
ij
≤5km/h时，则mode
ij
＝步行；
[0070]
如果5＜v
ij
≤10km/h时，则mode
ij
＝自行车；
[0071]
如果10＜v
ij
≤20km/h时，则mode
ij
＝电动自行车、摩托车；
[0072]
如果20＜v
ij
≤35km/h时，则mode
ij
＝公交；
[0073]
如果35＜v
ij
≤60km/h时，则mode
ij
＝小汽车；
[0074]
如果v
ij
＞60km/h时，则mode
ij
＝其他。
[0075]
(4)当5km＜d
travel
≤10km时，
[0076]
如果10＜v
ij
≤20km/h时，则mode
ij
＝电动自行车、摩托车；
[0077]
如果20＜v
ij
≤35km/h时，则mode
ij
＝公交；
[0078]
如果35＜v
ij
≤60km/h时，则mode
ij
＝小汽车；
[0079]
如果v
ij
＞60km/h时，则mode
ij
＝其他。
[0080]
(5)当10km＜d
travel
≤30km时，
[0081]
如果20＜v
ij
≤35km/h时，则mode
ij
＝公交；
[0082]
如果35＜v
ij
≤60km/h时，则mode
ij
＝小汽车；
[0083]
如果v
ij
＞60km/h时，则mode
ij
＝其他。
[0084]
(6)当30km＜d
travel
时，
[0085]
如果35＜v
ij
≤60km/h时，则mode
ij
＝小汽车；
[0086]
如果v
ij
＞60km/h时，则mode
ij
＝其他。
[0087]
步骤六：判定活动类型。通过对“停留点”坐标进行“反地理坐标”运算，获取活动地点的空间属性，据此判定个体的活动类型。通过vab程序访问高德地图的api接口，通过返回的空间位置信息判定活动类型，共计划分11类活动，即家，商务，购物，工作，就医，上学，7探亲访友，8休闲，务农，其他。
[0088]
步骤七：将上述数据转换成xml格式数据，借助matsim平台进行仿真运算，建立研究区域的动态交通出行模型。
[0089]
综上所述，借助于本发明的上述技术方案，基于手机信令数据的交通出行模型构建方法，通过预先获取手机信令数据并进行对手机信令数据提取，获取出行个体的特征信息，进行出行模式判定，获取出行距离和出行速度进行判定个体出行的出行方式，通过出行距离与出行速度判定选择的出行方式mode
ij
并获取活动类型作为输入信息，建立目标区域的动态交通出行模型作为预测模型，实现通过数据挖掘，能够降低交通模型数据获取的成本，大大缩短构建模型的时间，其机信令数据实时更新的，极大的提高了模型的及时性和准确度，可以随时对交通模型进行更新，另外构建的交通模型具有更广的使用性，不仅能够对对未来的交通出行进行预测，而且能够对交通政策的实施效果进行预先模拟，应用范围广。
[0090]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。