基于移动终端上网数据的移动模式分析及轨迹预测

基于某城市用户移动终端使用某运营商流量上网产生的数据分析用户移动模式及轨迹预测。实证发现个体上网时的移动行为具有阵发性、异质性、弱时间规律性以及短时间内的地点停留特性。基于实证结果,本文提出了动态贝叶斯网络、基于相似度的马尔科夫模型等多种轨迹预测模型及它们的混合模型,并取得了较好的预测结果。

基于交通大数据的移动模式分析综述

交通大数据可为揭示交通主体显性出行行为背后的深层规律(即移动模式)提供重要基础。精确掌握大数据驱动下交通主体的移动模式,可为需求预测、客流组织、土地利用、事件管理等应用提供理论依据。交通大数据主体繁多、时空多态、关联性复杂的特性迫使小数据时代下的移动模式分析方法转型和升级,但仍可能遇到移动模式一致性表达难、异常类型检测难、复杂关联性表达难、时空多态性建模难、一体可视化分析难等普遍问题。针对这些问题,利用科学知识图谱,对2010~2020年期间3 747篇文献的热点关键词分布、发表趋势分布、出版刊物分布等特点进行归纳总结,结合常见的移动模式分析数据集,系统综述现有研究在移动模式常态分析、非常态分析、关联分析、预测分析和可视化分析方向上的阶段性进展。其中,移动模式常态分析综述了个体活动特性分析、出行类别划分、特定群体分析等应用的研究进展。移动模式非常态分析综述了基于模板匹配和数据驱动的非常态事件检测方法的发展脉络。移动模式关联分析综述了面向不同数据源的关联特性检测方法的发展近况。移动模式预测分析综述了基于数理统计和数据驱动的交通属性预测方法的发展状况。移动模式可视化分析综述了用户交互设计、移动模式宏观可视化、微观可视化和整体可视化的发展近况。最后,系统总结各个分支方向面临的主要问题与挑战,并从数据整合、模型创新、机制变革等角度提炼移动模式分析研究的未来发展趋势,期望为后续研究采用新理论技术开展移动模式分析提供参考。

出租车轨迹数据的地域间移动模式分析

基于地域的移动模式(zone-based movement pattern,ZMP)的发掘通过对出租车轨迹的聚类分析,同步发掘地域与移动轨迹。该方法通过ZMP的合并达到新地域发掘的目的,并加以距离和专题属性组成的相邻约束以保留移动的方向性、地域的功能属性以及地域间的距离关系。通过连接矩阵迭代计算得到最优合并的ZMP进行合并,从而发掘ZMP,同时通过覆盖度、精准度以及基于这两者的平衡评估因子等对合并得到的ZMP进行评定。通过现实世界的出租车数据进行实验,结果表明该方法高效可行,能合理地实现合并现有区以发掘新地域。