基于居民出行特征的职住地精细化识别

为了解决传统职住模型测算规则的单一性和局限性,降低各区域居民用户因作息规律差异或临时性变化而造成的职住地识别误差,创新性提出一种基于不同区域居民出行特征的职住地精细化识别方法。首先,采用“3 min切片”和“角度+驻留时间+连接次数”等多种方式对手机信令数据进行降噪提炼;然后,基于时空约束密度聚类进行驻留点识别分析;最后,根据各城市居民日常出行特征,通过引入加权驻留时长动态更新各城市区域居民用户职住地测算规则,进而精细化识别不同城市用户职住地分布。实验结果表明,所提方法涉及的过程均合理有效,且最终的职住地识别效果要明显优于传统单一职住模型测算规则,适用于同时批量处理多个区域职住地问题,尤其对因突发状况而产生作息时间变化的城市效果更为显著。

城市公共交通常乘客通勤出行提取方法

为挖掘公共交通通勤出行精准化特征,从追踪出行链的角度出发,利用公交与轨道多源数据研究常乘客通勤出行提取方法。通过选取潜在职住地设置高频职住地集合,提出公共交通常乘客职住地识别算法,结合出行链起讫站点与职住地空间信息匹配提取通勤出行链,并将常乘客出行分为home-work通勤、work-home通勤和非通勤出行。以北京市“回天地区”公交与轨道出行链数据为例,提取常乘客通勤出行。结果表明:常乘客职住地识别率达到85.9%,常乘客通勤出行和非通勤出行在出行时空分布和出行方式上存在明显差异,通勤出行提取可为北京市面向常乘客开展“预约出行”并分析其出行需求动态特征变化提供依据。

基于位置轨迹挖掘的城市居民职住地识别方法研究

城市居民居住与就业的空间组织在城市空间结构的研究中非常重要,居民职住地的识别则是城市居民职住空间组织研究的首要任务。本文从位置轨迹入手,在基于时间聚类提取出停留点序列的基础上,重点对停留点序列的时间特征进行分析,对其做进一步的归纳,筛选出职住地出候选类,最终完成居住地、工作地的识别。实验结果表明,该方法能够有效地从位置轨迹数据中识别出城市居民的居住地和工作地。

基于时空约束密度聚类的职住地识别方法

为了从移动终端位置数据中精准识别居民职住地,提出了一种基于时空约束密度聚类的职住地识别方法。首先,利用基于K-means的DBSCAN(density-based spatial clustering of applications with noise)时空驻点聚类过程将居民多天的原始轨迹点分成不同的时空驻点簇;然后,利用基于速度阈值的停留点簇和移动点簇识别过程将居民的每一个时空驻点簇区分为停留点簇或移动点簇;接着,利用基于K近距离的DBSCAN重要停留点聚类过程将居民的停留点分成不同的重要停留点簇;最后,利用基于KD-tree优化的KNN(K-nearest neighbor)职住地识别过程将居民的每个重要停留点识别为工作地、居住地、职住同一区域或兴趣地点区域。实验结果表明,该方法的每个过程都是合理有效的,并且最终的职住地识别效果要优于时间阈值法、累加时间法和信息熵法。

社交网络定位数据在居民职住地识别方法中的研究

结合土地利用类型数据和容积率数据,本文提出一种基于逻辑回归模型的社交网络定位数据识别居民职住地的方法,并与人口普查数据、交通调查数据进行多角度多指标的对比验证,分析该数据源在城市居民职住地研究中的可靠性。该研究成果为大数据时代下的城市居民职住地研究提供了一种新型大规模数据源的可行性探讨,对城市规划和交通规划等问题具有重要参考意义。