【摘 要】
：
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
【机 构】
：
长安大学运输工程学院,陕西西安710061;北京交通大学交通运输学院,北京100044;西南交通大学交通运输与物流学院,四川成都611756
论文部分内容阅读
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2160 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.
其他文献
城市路网短时交通流预测是实现智慧城市的关键技术,随着人工智能的发展,越来越多的深度学习算法被应用于城市道路交通状态估计和预测研究.但是深度学习因缺少对交通流演化机理的刻画导致其可解释性不强,而交通流解析模型常因预测精度问题导致其应用效果受到限制.为了取长补短,首先对路段传输模型(Link Transmission Model.LTM)进行改进,提出了可以利用真实数据实时校准仿真网络从而提高预测精度的数据驱动型路段传输模型(Data-driven Link Transmission Model,D2LTM)
为掌握大跨度斜拉桥结构参数变异对结构状态的影响规律,确保斜拉桥的施工安全和工程质量,针对该类型桥梁施工控制参数敏感性分析的实际需求,考虑不同结构参数和不同结构部位相同结构参数的变异性,实现了大跨度斜拉桥施工过程控制中的多元统计敏感性分析.从统计学角度明确了参数敏感性分析为边缘分布问题后,将试验设计方法引入统计多参数敏感性分析,结合参数显著性检验评价参数的敏感性.将同一批次或类似条件制造、施工的构件归为同一子结构,子结构内的相同参数视为一个随机变量,在减少随机变量个数的同时,提升了计算效率.采用分组试验设计
路径选择建模的主要任务是基于合理假设,定量分析交通参与者的路径选择行为,并估计和预测交通参与者对交通网络的使用情况.基于此,全面总结路径选择建模的研究现状,介绍各种出行数据的特点,阐释常见的选择集生成方法,对文献中提出的众多离散选择模型进行归类和讨论,对比模型估计的2类主要方法,并展望机器学习在路径选择建模中的广阔前景.研究结果表明:随着交通感知技术的全息化发展,在海量车辆轨迹数据的支撑下,路径选择研究取得了全方位的进步;路径选择模型可分为基于路径和基于路段的模型,前者以路径为基本选项,从通过确定性或随机
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3747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
外部环境因素对城市交通预测有较大影响,尤其在交通事件发生时,由于交通流的随机性和非线性特征,交通异常情况下的预测精度往往较低.为此,基于深度学习理论,提出一种以序列到序列模型(Sequence-to-sequence,Seq2Seq)为主体,融合外部因素特征的城市道路行程时间预测方法.利用时间序列分解算法(Seasonal and Trend Decomposition Using Loess,STL)挖掘交通历史数据的时序周期规律,结合交通事件数据深入分析交通异常产生的原因,并建立堆叠降噪自编码器模型(
信息技术的快速发展,为交通研究和城市交通管理提供了大规模、多样化的数据资源,并为城市交通状态估计和交通流预测方法的研究提供了有力支持.将城市交叉口视为一个微观交通系统,采用数据驱动与领域知识结合的方式,建立微观层次的交通因子状态网络模型(Traffic Factor State Network,TFSN),考察交通因素之间的相互关联,并考虑环境因素的影响.该模型结合交通因子和环境影响因子的影响,通过对交通流数据进行聚类分析,估算出对应于环境影响因子的交通状态,并通过实际案例验证其物理意义以及与交通流实际状
现有的无人机(UAV)交通状态感知方法,主要针对宏观交通状态参数的获取,同时尚未克服UAV自运动对交通参数检测精度的影响,难以满足智能交通系统对于高精度微观交通参数的应用需求.为此,提出一种基于地空信息融合的UAV交通状态感知方法,该方法包括:地空信息融合模型、道路关键点(IKP)检测及跟踪、车辆目标检测及追踪算法和交通状态参数提取及估计.其中,地空信息融合模型利用地基信息(IKP世界坐标)与空基信息(IKP像素坐标)进行最优化融合,并通过自适应IKP追踪算法与自适应UAV位置偏移判断算法实时更新模型参数
为改善电动自行车带来的交通安全问题,研究逆行风险行为与其影响因素间的相关关系.基于长沙市芙蓉区共享电动自行车GPS轨迹数据,实现逆行行为的精准识别,采用机器学习Cat-Boost模型与SHAP可解释机器学习框架,从道路条件、交通状态、土地利用性质等方面开展逆行行为影响要素挖掘及作用解析.研究结果表明:CatBoost模型能够有效预测路段逆行频次并提取逆行行为的重要影响因素,主要包括出行时段、公共交通设施、土地利用性质、道路条件及交通状态等;从出行时段来看,工作日、早晚高峰时段更容易发生逆行;从公共交通设施
为解决城市快速路正面临的日益严重的交通拥堵问题,提出了一种针对城市快速路的基于有向图卷积神经网络的交通预测与拥堵管控方法,该方法能够有效利用海量交通数据进行交通预测,实现拥堵的主动管控.首先,基于交通路网的空间有向性和交通流的时空特性,定义了有向的距离影响矩阵、修正欧式距离矩阵和自由流可达矩阵,构建出有向的图卷积算子,并将其应用于长短时记忆神经网络模型中,提出了能学习交通路网时空双重特性的有向图卷积.长短时记忆神经网络(Directed Graph Convolution-LSTM,DGC-LSTM)模型
为了揭示多维因素对出租车夜间出行需求的空间影响机制与局部关联特征,基于多源数据,利用空间计量模型和多尺度地理加权回归(MGWR)模型分别从全局和局部视角研究多维因素对夜间出行需求影响的空间效应及其异质性.首先,利用出租车GPS数据在分析夜间出行时空分布特征的基础上,明确夜间场景下的研究区域及时段划分;其次,从建成环境、人口分布、路网结构3个维度提出夜间出行需求影响因素指标体系,并基于POI数据、手机信令数据和路网数据进行指标量化.在交通小区尺度下分时段构建空间杜宾模型,从全局视角探讨不同时段下主要影响因素