基于互联网位置数据的通勤特征挖掘技术

针对传统通勤特征测算中存在的不足,提出一种基于互联网时空大数据的通勤特征挖掘技术框架。基于互联网定位、地图数据,利用机器学习算法挖掘常驻点、提取通勤OD,基于通勤OD进一步挖掘通勤距离、通勤时间以及通勤方式,并将上述通勤特征数据应用于全国主要城市通勤监测报告和国土空间规划等方面。使用多源时空大数据对通勤监测指标和结果进行校验,结果表明基于互联网位置数据的通勤特征与抽样调查获得的通勤特征具有一致性,且能够以大样本、低成本、高空间精度提供高频更新的通勤监测指标,是对传统方法的有效补充和强化。

大数据城市通勤交通模型的构建与模拟应用

近年来大数据在交通分析中被广泛关注,但目前多以可视化展示和现象空间分析描述为主,缺乏基于大数据的交通数量模型和模拟预测研究,成为大数据技术在交通规划中应用的主要技术障碍。本文基于交通与土地利用之间的交互作用关系,构建区位空间依赖因子(Location-space Dependence Indicator,LSDI),对传统重力模型进行改进,提出大数据城市通勤分布模型。以北京市为例,采用某运营商2017年9月的手机信令大数据,进行模型的应用和校验。模拟结果显示,在出行产生预测中,通勤人口与常住人口表现出良好的线性关系;在出行分布预测中,基于区位空间依赖因子的修正重力模型综合表现最优,在通勤OD分布中实现了低估现象的优化,在OD数量发生率中拟合优度达到0.85。本研究为大数据城市交通预测模型研发提供了新的技术方法,对于推动大数据在交通规划中的应用具有一定价值。