轨迹数据的时间采样间隔对停留识别和出行网络构建的影响

个体轨迹数据已经广泛用于人群活动的研究中。在静止的局部空间开展的活动是个体日常生活的基本元素,在轨迹数据中对应停留部分。因此学者常从轨迹数据中识别停留来研究个体活动信息。然而,轨迹数据的时间采样间隔会对停留识别带来影响。针对该问题,首先提出了一个框架,量化不同持续时间长度的活动在不同时间采样间隔的轨迹数据中被识别为停留的概率。其次,考虑到个体出行网络依赖于停留识别结果,基于该框架,研究分析了时间采样间隔对出行网络分析结果的影响。最后,利用该框架分别对深圳市居民出行调查数据和手机轨迹数据进行了分析。研究表明,在面向人群活动的研究和应用中,该框架能支持时间采样间隔的选择决策和面向活动类型的研究结果评价。

基于时空约束密度聚类的停留点识别方法

轨迹停留点的识别是轨迹分析、出行活动语义挖掘的关键。针对基于密度聚类的停留点识别方法对时空信息的表达缺陷,提出新的时空约束停留点识别方法,在密度聚类中引入轨迹的间接时空特征表示,将具有时空相似性的轨迹点进行聚合;采用与聚类过程相统一的时空特征约束对轨迹簇进行细粒度识别。算法在进行约束的时候再次利用到聚类时候所用的输入数据特征,特征的充分利用提高了识别的准确率。实验结果验证了本文方法的有效性。

基于手机信令的交通出行特征分析——以日照市为例

利用手机信令数据了解人口规模、职住分布、出行特征等指标,有助于城市空间规划与设施布局等的应用研究。原始手机信令数据需要经过一系列算法处理,才能提炼、分析相应指标。首先对手机信令数据的处理流程进行梳理,再介绍数据处理的关键算法及其参数确定方法,最后结合应用实践,对案例城市的人口岗位分布、居民出行特征及通勤特征开展分析,相关流程及方法可为类似项目提供参考。

基于滑动窗口的手机定位数据个体停留区域识别算法

手机的普及使手机定位数据成为分析个体时空行为特征的新兴重要数据源之一,并被逐渐应用到人口管理、城市规划、交通分析和流行病防控等众多领域的研究中。从手机定位数据中识别个体的停留区域是众多基于手机定位数据研究的重要基础环节。然而,当前常用的手机定位数据定位精度相对较低,且往往存在定位震荡和定位漂移导致的数据噪声,这些因素增加了从手机定位数据中识别停留区域的难度。为了提高从手机定位数据中识别个体停留区域的准确性,本研究结合个体行为的时空连续性,提出了一种基于滑动窗口的增长聚类算法。实验结果显示,相较常用的ST-DBSCAN算法和SMo T算法,对于采样时间间隔稀疏的手机定位数据,本研究提出的滑动窗口聚类算法在准确率方面的提升幅度最大可以达到35%。由于隐私问题,当前研究和应用中使用的大规模手机定位数据集中的时间分辨率往往较低,因此,本研究提出的滑动窗口聚类算法具有较为广泛的应用场景,可增强基于手机用户停留区域的众多研究结果的可靠性,为手机定位数据的广泛合理应用提供关键技术支撑。

手机APP出行调查系统开发及其模型应用研究

出行调查是出行需求预测模型的重要的数据来源,而国内外近几年使用的调查方法费时费力、数据量不大且很多处于理论阶段无法应用到实际中。为了解决当前调查方法中存在的问题,设计了一套基于手机APP的出行调查系统,同时还探讨了将收集到的出行数据运用到交通规划模型中的问题。该系统在注册填写个人信息以及收集轨迹数据的基础上,利用当前定位技术无法准确获知居民室内位置的特点,以达到收集居民出行数据的目的。具体方法是计算一定时间内轨迹数据的定位精度和速度来判断该段时间居民是否停留,然后将识别出的停留点根据距离进行合并,居民出行结束后在合并后的停留点位置填写相应的出行信息。从在上海青浦区的居民调查中可知,此系统使用的停留点识别方法其识别精度达到96%,因此利用该方法能够客观地收集居民出行过程中活动的空间位置和时间信息,对提升出行预测模型的精度具有重要意义。

城市企事业人群出行链提取及出行特征分析

居民出行特征分析是研究交通需求和探寻交通拥堵症结的基础手段。为研究居民出行特征,基于企事业单位人群出行特征调研数据,改进经典DBSCAN聚类算法,识别出居民出行停留点,进而结合关联规则提取出居民出行轨迹数据;根据出行轨迹数据的时空特征,分别从时空角度和功能区划分角度,挖掘出企事业人群出行时空分布规律,以及不同功能区企事业人群的出行特征。最后,以北京市亦庄区为例进行分析,得到以下结果:居民出行群体以中低收入的中青年通勤族为主,出行潮汐现象明显,工作日居民出行起讫点分布有明显规律,而休息日居民出行时间灵活,出行起终点分布较分散;商务区、居住区内居民出行量较大,起终点时间分布主要集中在早晚高峰时期,而混合区居民出行起终点分布呈现双高峰规律,休闲区居民出行规律不显著。

Residence Time Distribution at Laminar Pulsatile Flow in a Straight Pipe

This paper deals with the problem of theoretical identification of the residence time distribution （RTD） characteristics of a straight pipe at laminar pulsatile flow, if tracer diffusion can be neglected. This situation is typical for micro-apparatuses （e.g. fluidic element） and also for flow in large arteries. Residence time distribution based on velocity profiles at pulsatile flow of a Newtonian liquid in a rigid pipe will be derived theoretically and compared with the well known results for a constant flow rate E（τ） = τ-^2/2τ^3 at τ 〉 τ^-/2, where E （τ） is differential distribution, x is residence time and τ^- is the mean residence time. The following part of the paper deals stimulus response experimental techniques using tracers. The principal problem related to laminar and convection dominated pulsatile flows is discussed： Can the impulse response also be identified with the actual residence time distribution in the case of variable flow？ The general answer is no, and differences between RTD and impulse responses are evaluated as a function of the frequency and amplitude of pulsatile flows.

基于AIS数据的船舶锚位面积计算

针对锚泊船舶实际占用水域面积的快速计算和分析问题,提出一种基于船舶自动识别系统(automatic identification system,AIS)数据的船舶锚位面积计算方法.首先,对AIS轨迹数据进行集成、清洗、分段等预处理,提高数据质量;其次,使用一种基于密度的停留点识别算法识别船舶锚泊点,提取船舶锚位信息;再次,使用单调链凸包算法从船舶锚泊点中提取船舶锚位边界;最后,分别使用鞋带定理和多边形形心公式完成对锚位面积和落锚点概位的求取.实验结果表明,利用该方法得到船舶锚位面积是可行的.

基于大规模手机位置数据的城市潜在自行车出行需求评估

潜在自行车出行是指可能会使用自行车作为交通工具的出行,评估潜在自行车出行需求能够帮助指导城市自行车资源配置方案的优化。大规模手机位置数据蕴含丰富的人群移动信息,而且具有大样本、低成本的特点,能够用于评估城市潜在自行车出行需求。本文结合自行车出行的时间和距离特征,提出一种基于大规模手机位置数据的潜在自行车出行需求评估方法。该方法以单次出行为分析单元,从手机用户的轨迹中提取出具有短距离出行特征和公共交通接驳出行特征的移动轨迹段,并根据该移动轨迹段评估潜在自行车出行需求。基于该方法,利用上海市大规模手机位置数据评估上海市潜在自行车出行需求并分析其时空分布特征,发现在空间上,潜在自行车短距离出行需求主要分布在城市中心和郊区的商业中心,而公共交通接驳的自行车需求主要分布在郊区。在时间上,上午,自行车出行需求从非中心城区向中心城区聚拢;晚上,上海市自行车出行骑车与停车需求从中心城区向非中心城区扩散。