基于移动信令数据的城市热点识别方法

城市热点的识别对于探索解决引导性的人群疏散、规避交通拥堵等问题提供新途径,并为基于位置服务(location based services,LBS)如商铺选址、旅游导航等提供重要的科学参考,具有重要的应用价值。随着个人手机终端的普及与发展,手机已经成为研究用户行为特征的一种理想的探测器。提出了将手机信令数据融合兴趣点(point of interest,POI)数据来挖掘城市的热点区域并进行功能类型标定,重点通过手机信令数据研究人流的出行行为和在蜂窝的驻留时长情况来识别活跃蜂窝,并进一步通过基于密度的聚类算法判别热点区域。选取了重庆市较场口一定范围区域作为研究区域,数据来源于重庆某移动运营商提供的用户手机信令数据,通过实验实例验证分析,证明了该方法可快速识别出城市热点区域,并具有较高的准确性。

基于SSA-ARMA的公交短时客流实时预测

客流量是公交运营调度的依据,为及时掌握客流短时变化情况,利用IC卡和公交车GPS等数据,提出一种基于时空匹配的乘客上车站点识别算法,快速全面地完成客流数据统计;在此基础上,提出一种基于奇异谱分析(singular spectrum analysis,SSA)-自回归移动平均(auto regression moving average,ARMA)的短时客流预测方法。以重庆市2016年5月的公交数据进行验证,实验结果表明,模型预测准确度与支持向量机、BP神经网络等算法相比有明显提升且计算耗时短,具有实用价值。

基于多源数据的出行安全时空评价模型研究

准确评估城市安全态势是保障居民出行安全的关键。针对现有的单一领域静态评价方法难以应对复杂多变的出行安全问题,考虑出行安全的时空相关特性,提出一种基于多源数据的出行安全时空评价模型。针对时间类特征的马尔科夫特性,构建基于条件随机场的时间域评价模型以模拟安全指数的时序相关性;针对空间维度中不同栅格之间的特征相关性和地理位置邻近性与安全指数之间复杂的非线性映射关系,构建基于神经网络的空间域评价模型以模拟安全指数的空间相关性。在模型训练阶段,考虑样本数据稀疏性问题,采用基于协同训练的半监督学习方法使2个模型相互迭代增强,共同作用得到最终评价结果。实验结果表明,该方法分类评价精确率达82.3%,召回率达70.4%,模型性能优于其他几种常用的分类算法。