[发明专利]一种基于手机网格数据的交通出行模式识别方法

摘要

本发明公开了一种基于手机网格数据的交通出行模式识别方法，通过手机网格数据构建手机用户出行序列，获取序列的时间特征、距离特征与速度特征；基于惩罚因子清洗所获取的手机用户出行序列数据，去除“噪声”数据；根据获得的清洗后的手机用户出行序列，基于速度聚类方法划分手机用户子出行序列；根据获得的子出行序列，生成手机用户出行链，获取出行链的时间特征、距离特征与速度特征；识别手机用户各出行链多模式交通出行模式；基于已识别的手机用户出行链多模式交通出行模式比例，识别用户全日出行时段主要交通出行模式。本发明能够基于非集计层面获取用户个体的交通出行模式，用于降低模型复杂度与提升预测准确性。

主权项

1.一种基于手机网格数据的交通出行模式识别方法，其特征在于，包括如下步骤：

(1)通过手机网格数据构建手机用户出行序列，获取序列的时间特征、距离特征与速度特征；

(2)基于惩罚因子清洗所获取的手机用户出行序列数据，去除包括“乒乓效应”数据和“长时驻留”冗余数据在内的“噪声”数据；

(3)根据获得的清洗后的手机用户出行序列，基于速度聚类方法划分手机用户子出行序列；

(4)根据获得的子出行序列，生成手机用户出行链，获取出行链的时间特征、距离特征与速度特征；

(5)识别手机用户各出行链多模式交通出行模式，所述多模式交通出行模式包含地铁模式、公交模式、机动车模式与慢行交通模式；

(6)基于已识别的手机用户出行链多模式交通出行模式比例，识别用户全日出行时段主要交通出行模式。

2.如权利要求1所述的基于手机网格数据的交通出行模式识别方法，其特征在于，步骤(1)中，通过手机网格数据构建手机用户出行序列，获取序列的时间特征、距离特征与速度特征具体为：

选取特定研究区域，获取研究区域覆盖范围所有基站记录的手机网格数据，以手机用户唯一识别码进行分组，并按时间顺序进行排序，提取手机用户全天出行序列；

手机用户出行序列的时间特征包含出行时刻与行程时间；距离特征为相邻两条手机网格数据的网格中心点距离；速度特征为相邻两条手机网格数据的网格中心点速度，具体特征获取方式如下：

若手机用户出行序列中，相邻的两条手机网格数据的时空坐标为(lng_i,lat_i,t_i)和(lng_i+1,lat_i+1,t_i+1)，则可根据下式计算两条手机网格数据之间的出行时刻T_i、行程时间Δt_i、网格中心点距离D_i与网格中心点速度v_i：

Δt_i＝t_i+1‑t_i

D_i＝(|lng_i+1‑lng_i|+|lat_i+1‑lat_i|)·d

其中，lng_i为出行序列中第i个记录网格中心点经度编号，lat_i为出行序列中第i个记录网格中心点纬度编号，t_i为出行序列中第i个记录时刻，u为时间粒度系数，d为地理网格长度。

3.如权利要求1所述的基于手机网格数据的交通出行模式识别方法，其特征在于，步骤(2)中，基于惩罚因子清洗所获取的手机用户出行序列数据，去除包括“乒乓效应”数据和“长时驻留”冗余数据在内的“噪声”数据具体为：

通过设置速度识别变量v′_i，并求取对应速度识别阈值v′_T，去除v′_i＞v′_T的手机网格数据，以消除“乒乓效应”数据，具体计算公式如下：

其中，θ_v为速度惩罚因子，v_max为最大可接受速度，Δt_min为相邻手机网格数据最小时间间隔，r为权重比率；

通过设置时间识别变量Δt′_i，并求取对应时间识别阈值Δt′_T，去除Δt′_i＞Δt′_T的手机网格数据，以消除“长时驻留”冗余数据，具体计算公式如下：

其中，θ_t为时间惩罚因子，Δt_max为相邻手机网格数据最大可接受时间跨度，v_min为最小可接受速度，r为权重比率。

4.如权利要求1所述的基于手机网格数据的交通出行模式识别方法，其特征在于，步骤(3)中，根据获得的清洗后的手机用户出行序列，基于速度聚类方法划分手机用户子出行序列具体为：

(31)将每条输入的手机网格数据看作一类，计算两两之间的向量距离；

(32)对于每一类，获取与其距离最近的类，合并成一个新类；

(33)重新计算新类之间的向量距离；

(34)重复步骤(32)‑(33)，直到向量距离大于向量距离阈值，构成若干个子出行序列。

5.如权利要求1所述的基于手机网格数据的