出租车司机的多源轨迹同轨分析

由于出租车行业普遍存在轮班制,一条出租车的营运轨迹并不完全是一位出租司机的运营轨迹,因此,采用单一的出租车轨迹数据源无法深入分析出租车司机个体及群体的移动行为特征。卫星导航定位系统和地面移动通讯网络,均可对道路移动目标进行跟踪定位,形成不同质量的时空轨迹数据源,多源数据给出租司机移动行为分析提供了一种新的思路。提出一种面向出租车司机的多源时空轨迹的同轨分析建模方法,集成上述两类数据,增强轨迹语义,并利用提出的多源轨迹之间的时空相似度度量指标,对出租车GNSS(global navigation satellite system)轨迹数据和手机Cell-ID数据进行关联分析与同质性检验建模,重建“出租车-司机-手机”关联关系并探测出租车司机出车、收车的时空位置。采用2016年8月4日采集的北京市出租车GNSS轨迹和移动手机信令数据开展验证实验,结果表明:1)本文方法可有效识别“出租车-司机-手机”的关联关系,其中,基于GNSS轨迹与Cell-ID轨迹匹配的“车辆-手机”关联识别精度F1分数为0.91,基于Cell-ID轨迹聚类的“手机-出租车”关联识别精度F1分数为0.94;2)同一出租车的轮班司机的交接间隔时长呈伽马分布,平均1.5 h左右,交接位置的平均间隔距离约91 m,出租车司机交接班点沿交通枢纽呈现空间聚集现象。本文结果与人工解译结果具有高度的一致性,验证了本文方法的有效性。

基于手机轨迹数据的人口流动分析

随着通信技术的发展和智能手机的普及,运营商基站所采集的大规模手机轨迹数据在城市规划、人口迁移等领域中发挥了重要价值。针对城市人口流动问题,提出一种利用手机轨迹数据的基于轨迹行为特征的人口流动判定(MF-JUPF)算法。首先,可对手机轨迹数据进行数据预处理,以提取用户活动轨迹;然后根据进出城市的行为模式提取重要特征,再根据真实标注数据集合利用多种分类模型进行参数训练;最后,根据模型训练结果判定用户轨迹是否为进出城市行为。所提系统使用MapReduce框架进行数据分析,以提高性能和可扩展性。基于真实数据集合的实验结果表明,对于进出城市的判定,该方法的准确率和召回率可达80%以上,与基于信号消失时长的人口流动判定(SD-JUPF)算法相比,在判定进入城市的准确率上提高了19.0%,召回率提高了13.9%;在判定离开城市的准确率上提高了17.3%,召回率提高了6.1%。相比非过滤算法,根据手机轨迹数据特点进行的数据过滤算法可减少处理时间36.1%以上。理论分析和实验结果表明MF-JUPF方法精度高,可扩展性好,因此对城市规划等领域有重要应用价值。