应用手机GPS数据预测交通流速度

准确估计交通状况,定位交通拥堵是方便人们出行的重要一步。利用手机GPS信息,预测交通拥堵具有很广阔的应用前景。本文采用基于主成分分析的多元线性回归的方法构建预测模型,利用GPS定位数据对短时交通流速度进行预测。实验结果表明,基于手机GPS数据所构建的回归模型能够对交通流速度进行有效的预测。

基于GPS数据的城市居民多日出行活跃度分析

通过提出居民出行活跃度的概念和测度方法,分析居民多日出行行为的活跃程度,丰富多日出行行为分析的理论体系,为城市空间优化和交通政策引导提供参考。居民出行的活跃程度是出行频率、出行距离、出行时长、出行方式和出行目的等出行要素的综合体现。基于上海市2014—2015年智能手机GPS辅助的居民一周活动-出行调查,通过分析居民的出行频率、出行距离、出行时长、出行方式和出行目的等多个出行活跃度指标,运用K-均值聚类的方法定义四种出行活跃度类型——多方式、多目的、长距离三种活跃出行者类型和较不活跃出行者类型。数据显示,不同活跃度类型人群在平日、工作日及周末拥有的出行特征具有明显差异,同时通过多项Logistic回归模型分析得出居民的个人及家庭社会经济属性对活跃度类型的显著影响。出行活跃度概念和测度方法的提出有助于分析城市居民出行行为的复杂性,便于对居民出行的活跃程度形成综合全面的考量,有助于分析居民出行需求对城市空间与交通政策的反馈作用。

基于手机GPS定位数据的交通方式换乘点识别方法研究

交通方式换乘点识别长期以来是手机大数据交通调查领域的一大技术难点,既有研究大多通过设置出行时间、距离阈值进行识别,算法经验性强,普适性不佳,且易将起讫点、信号控制、交通拥堵等停留误识别为换乘停留。为此,提出了一种基于手机GPS定位数据的交通方式换乘点识别新方法:首先,构建模糊时空聚类算法识别个体运动-静止状态,算法同步实现了定位点时空密度双重聚类约束与聚类边界弹性需求,对个体运动状态识别效果更佳;其次,建立支持向量机模型进行交通方式换乘点识别,有效解决了起讫点、信号控制、交通拥堵等停留对换乘停留造成的干扰;最后,从出行链视角出发,提出了基于序列相似度算法的误差回溯自检与优化模型,能够有效修复换乘点漏识别与错误识别问题。此外,在成都市开展了大范围实测试验,由150名志愿者采集了近2 160 h得到的777.6万条数据被用于技术实证评估。试验结果表明:所述方法对交通方式换乘点平均识别准确率达89.3%,换乘时间平均识别误差控制在20 s以内;与既有空间聚类、小波分析算法相比,换乘点识别精度提升近10%,换乘时间误差最大可降低20 s以上,算法适用性与效果更佳。研究成果可为基于活动的交通需求模型演进提供数据支撑,为交通规划与管理部门决策提供技术支持。