基于浮动车数据的城市居民出行行为规律分析
基于浮动车数据的哈尔滨市市区出行OD分析
河北工业大学毕业论文作者：学号：学院：土木工程学院系(专业)：交通运输系交通运输专业题目：基于浮动车数据的哈尔滨市市区出行OD分析指导者：评阅者：2015 年 6 月 14 日目录1 绪论 (1)1.1 研究背景 (1)1.2 研究的目的与意义 (1)1.3 国内外研究现状 (2)2 浮动车数据的分析与处理 (5)2.1 相关概念 (5)2.2 浮动车数据的处理 (7)2.3 本章小结 (16)3 利用聚类分析划分交通中区 (17)3.1 聚类分析概述 (17)3.2 交通中区划分概述 (20)3.3 研究区域交通中区的划分 (20)3.4 OD矩阵的获取 (29)3.5 本章小结 (31)4 哈尔滨市居民出行特征分析 (32)4.1 出行量随时间的变化规律 (32)4.2 出行量随空间的变化规律 (35)4.3 基于居民出行特征提出改善交通的几点建议 (36)4.4 本章小结 (37)结论 (38)参考文献 (39)致谢 (41)附录A (42)1 绪论1.1 研究背景随着社会经济的发展，城市人口的不断增加，私家车数量的不断壮大，当前城市交通问题日益严重，各种矛盾日益突出，交通拥堵，事故频发。
为改善市内交通的状况，需要对城市现有的路网合理地规划运用，并适当地增加一些地下通道、立交桥等来疏导拥堵路段的交通，此外合理安排公共交通工具的运营调度，完善市内的公共交通运输系统也是一种有效措施，而要做到以上则首先必须了解居民的出行规律，只有在了解居民的出行规律，能够正确掌握交通流的时空分布特征，才能够对交通各相关方面做出合理的调整，改善市内交通条件，使交通更加地流畅。
OD矩阵作为居民出行特征的数字表现形式，便是改善市内交通的数据基础，如何获取实时准确的乘客OD信息是问题的关键。
此外浮动车技术作为新兴的交通数据采集技术，凭借其成本低，测试范围广，实时性强等优势逐渐地在交通数据采集中得到了广泛应用，如何通过浮动车数据来获取精确的OD矩阵成为国内外学者研究的热点。
基于云技术的城市海量浮动车数据处理分析
基于云技术的城市海量浮动车数据处理分析Massive urban floating car data analysisusing cloud technologies张彤李清泉 余洋 Tong Zhang武汉大学 Wuhan University Qingquan Li Yang Yu 武汉大学 武汉大学Wuhan University Wuhan University摘要当前各种地理数据采集技术的飞速发展使得研究数据密集型(data-intensive)地理计算变得越来越重要。
装载全球卫星定位系统的城市机动车辆，即浮动车(floating car)可以实时收集大量城市路况信息。
海量浮动车数据，如果能够及时处理与分析， 可为监控城市大范围道路交通状态和交通智能管理提供高时空覆盖的基础信息。
然而现有的网络地理信息服务架构和技术不能满足城市海量浮动车及时处理与分析的应用需求。
本文基于城市海量浮动车数据的组织、处理、管理与计算等方面的需求， 提出了云计算环境下地理数据密集型计算的新架构。
文章从基于Bigtable 的非关系数据库技术出发，研究海量浮动车数据的存储、分布式管理和索引， 从MapReduce 技术出发， 研究浮动车数据实时地图匹配和路段平均速度计算，分析在城市交通地理信息系统中应用云技术的优缺点。
通过Amazon Elastic Compute Cloud (EC2)云计算环境进行的数据查询、地图匹配和交通参数计算等实验初步证明了新架构的有效性。
AbstractData-intensive geocomputation gains importance with the rapid development of various geospatial data collection techniques. Floating cars, which are equipped with global positioning systems, can collect a large amount of traffic data in real-time. Massive floating car data (FCD), if processed and analyzed responsively, can offer valuable basic information for urban traffic monitoring and surveillance with high spatio-temporal coverage. However, current Internet geographic information services cannot accommodate the needs of FCD analysis. This paper, in response to the requirements of massive FCD storage, processing, management and computation, proposes a new architecture of data-intensive geocomputation under cloud environments. We study distributed storage, management and indexing techniques of massive FCD using Bigtable and investigate real-time map matching and speed computation with MapReduce.The pros and cons of using cloud technologies in the context of GIS-T (geographic information systems for transportation) are discussed. The effectiveness of the new architecture is demonstrated via preliminary experiments of data query, map matching and speed computation using Amazon Elastic Compute Cloud (EC2).關鍵詞：云技术、浮动车、Bigtable、MapReduceKeywords: cloud technologies, FCD, Bigtable, MapReduce發表人：张彤是否具學生身份：□是▓否聯絡人：张彤電話：86-139********E-m ail：g eogrid@地址：武汉市珞瑜路129号武汉大学信息学部导言各种地理信息采集技术，如遥感卫星、全球定位系统、数字制图等，使得收集和存储海量地理数据变得日益简单。
稀疏浮动车数据下的路段异常交通行为识别
稀疏浮动车数据下的路段异常交通行为识别关键词：稀疏浮动车数据；交通行为识别；路段异常；聚类算法；车流量；速度引言稀疏浮动车数据是指在特定时间和区域内，由GPS设备采集的车辆位置、速度和方向信息等数据。
由于成本及技术限制，稀疏浮动车数据的采集总量较小，且不平均地分布在城市各个交通路段上，这给交通行为识别和交通管理带来了困难。
本文旨在探究如何在稀疏浮动车数据下，以路段为单位来识别异常交通行为，为城市交通管理提供支持。
相关工作传统的异常交通行为识别方法主要基于传感器数据（如电子警察、地磁感应器等）。
但传感器采集的数据存在数据噪声、设备故障等问题。
近年来，利用浮动车数据来识别交通异常行为也逐渐成为探究的焦点。
基于浮动车数据的方法不仅可以防止传感器设备的局限，而且能够遮盖更广泛的交通路段，具有更高的好用性。
但是，由于数据量较小，浮动车数据采集存在时间和空间的限制，因此如何在稀疏数据下精确识别异常交通行为是一个难题。
方法为了识别稀疏浮动车数据下的路段异常交通行为，本文提出了一种基于车流量和速度的交通行为识别方法。
2.1 数据预处理对浮动车数据进行处理，对数据间的间隔时间计算，并删除时间间隔大于3秒的数据。
然后进行空间上的统一，将区域划分成一定的格网，将每辆车所在的位置信息映射到对应的格网上，统计每个格网内的车辆数目作为该格网的车流量；同时，计算每辆车通过该格网所需要的时间，并计算速度。
2.2 聚类算法为了能够有效地进行车流量和速度的聚类分析，本文选择了K均值算法和RBF核聚类算法。
2.2.1 K均值算法K均值算法是一种常用的聚类算法，该算法主要将数据分成K个类别，通过计算距离将每个数据归到与其最近的簇中。
本文利用K均值算法对车流量进行聚类，分为稠密区域和稀疏区域。
稠密区域是指车流量大于平均值的路段，稀疏区域是指车流量小于平均值的路段。
2.2.2 RBF核聚类算法RBF核聚类算法是一种基于核函数的聚类算法，该算法的本质是在高维空间的特征向量之间进行基于核函数的相似度计算，即将数据映射到高维空间并计算其距离。
基于活动的居民出行行为研究综述
２００８年第３期总第１０１期文章编号：１００３－２３９８（２００８）０３－００８５－０７基于活动的居民出行行为研究综述丁威１，２，杨晓光２，伍速锋２（１．西安建筑科技大学土木工程学院，西安７１００５５；２．同济大学交通运输工程学院，上海２０００９２）ＡＲＥＶＩＥＷＯＦＡＣＴＩＶＩＴＹ－ＢＡＳＥＤＴＲＡＶＥＬＢＥＨＡＶＩＯＲＲＥＳＥＡＲＣＨＤＩＮＧＷｅｉ１，２，ＹＡＮＧＸｉａｏ－ｇｕａｎｇ２，ＷＵＳｕ－ｆｅｎｇ２（１ＳｃｈｏｏｌｏｆＣｉｖｉｌＥｎｇｉｎｅｅｒｉｎｇ，Ｘｉ＇ａｎＵｎｉｖｅｒｓｉｔｙｏｆＡｒｃｈｉｔｅｃｔｕｒｅ＆Ｔｅｃｈｎｏｌｏｇｙ，Ｘｉ＇ａｎ７１００５５，Ｃｈｉｎａ；２ＳｃｈｏｏｌｏｆＴｒａｆｆｉｃＥｎｇｉｎｅｅｒｉｎｇ，ＴｏｎｇｊｉＵｎｉｖｅｒｓｉｔｙ，Ｓｈａｎｇｈａｉ２０００９２，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔｓ：ＴｈｅＡｃｔｉｖｉｔｙ－ｂａｓｅｄｔｒａｖｅｌｂｅｈａｖｉｏｒｔｈｅｏｒｉｅｓｍａｉｎｌｙｓｔｕｄｙｉｎｄｉｖｉｄｕａｌｏｒｈｏｕｓｅｈｏｌｄｓ＇ｔｒａｖｅｌｂｅｈａｖｉｏｒｌａｗｓａｎｄｄｅｃｉｓｉｏｎｃｈａｒａｃｔｅｒｓｉｎｔｒｉｐｃｈａｉｎ．Ａｎａｂｕｎｄａｎｔｒｅｓｅａｒｃｈｈａｒｖｅｓｔｈａｓｂｅｅｎｇａｉｎｅｄｓｉｎｃｅｔｈｅｓｙｓｔｅｍａｔｉｃａｌｓｔｕｄｉｅｓｗｅｒｅｃａｒｒｉｅｄｔｈｒｏｕｇｈｉｎｗｅｓｔｅｒｎｃｏｕｎｔｒｉｅｓ．Ｔｈｉｓｐａｐｅｒｆｉｒｓｔｌｙｉｎｔｒｏｄｕｃｅｓｔｈｅｏｒｉｇｉｎｏｆａｃｔｉｖｉｔｙ－ｂａｓｅｄｔｒａｖｅｌｂｅｈａｖｉｏｒｒｅｓｅａｒｃｈ．Ｔｈｅａｃｔｉｖｉｔｙ－ｂａｓｅｄａｐｐｒｏａｃｈｔｏｔｈｅａｎａｌｙｓｉｓｏｆｔｒａｖｅｌｂｅｈａｖｉｏｒａｎｄｔｒａｖｅｌｄｅｍａｎｄｏｒｉｇｉｎａｔｅｄｉｎｔｈｅＵＫ，ｔｈｅＵＳａｎｄＧｅｒｍａｎｙｉｎ１９７０＇ｓｔｏｏｖｅｒｃｏｍｅｔｈｅｌｉｍｉｔａｔｉｏｎｓｏｆｔｈｅｓｔａｎｄａｒｄｆｏｕｒ－ｓｔａｇｅａｐｐｒｏａｃｈｅｓ．Ｔｈｅｓｔａｒｔｉｎｇｐｏｉｎｔｏｆｔｈｅａｐｐｒｏａｃｈｗａｓｔｈｅｓｗｉｔｃｈｏｆｆｏｃｕｓｆｒｏｍａｇｇｒｅｇａｔｅｔｒｉｐｍａｋｉｎｇｔｏｉｎｄｉｖｉｄｕａｌａｃｔｉｖｉｔｙｐａｒｔｉｃｉｐａｔｉｏｎａｎｄｔｈｅｉｄｅｎｔｉｆｉｃａｔｉｏｎｏｆｔｒａｖｅｌａｓａｄｅｒｉｖｅｄｄｅｍａｎｄ．Ｔｈｅｎｔｈｅｄｅｖｅｌｏｐｍｅｎｔａｎｄｆｒｕｉｔｓｏｆａｃｔｉｖｉｔｙ－ｂａｓｅｄｔｒａｖｅｌｂｅｈａｖｉｏｒｒｅｓｅａｒｃｈｉｎｗｅｓｔｅｒｎｃｏｕｎｔｒｉｅｓａｒｅｓｙｓｔｅｍａｔｉｃａｌｌｙｉｌｌｕｓｔｒａｔｅｄ，ｉｎｃｌｕｄｉｎｇｔｈｅｆｕｎｄａｍｅｎｔａｌｔｈｅｏｒｉｅｓ，ｓｔｕｄｙｍｅｔｈｏｄｓ，ａｎｄｔｈｅａｃｔｉｖｉｔｙ－ｂａｓｅｄｔｒａｖｅｌｄｅｍａｎｄｍｏｄｅｌｓｙｓｔｅｍｓ．Ｔｈｅａｃｔｉｖｉｔｙ－ｂａｓｅｄｔｒａｖｅｌｔｈｅｏｒｙｃａｎｂｅｓｕｍｍａｒｉｚｅｄｉｎｔｗｏｂａｓｉｃｉｄｅａｓ：ｆｉｒｓｔ，ｔｈｅｄｅｍａｎｄｆｏｒｔｒａｖｅｌｉｓｄｅｒｉｖｅｄｆｒｏｍｔｈｅｄｅｍａｎｄｆｏｒａｃｔｉｖｉｔｉｅｓ．Ｓｅｃｏｎｄｌｙ，ｈｕｍａｎｓｆａｃｅｔｅｍｐｏｒａｌ－ｓｐａｔｉａｌｃｏｎｓｔｒａｉｎｔｓ．Ａｓｕｂｓｔａｎｔｉａｌａｍｏｕｎｔｏｆａｎａｌｙｓｉｓｈａｓｂｅｅｎｄｏｎｅｔｏｒｅｆｉｎｅｔｈｅｔｈｅｏｒｙ，ｔｅｓｔｓｐｅｃｉｆｉｃｂｅｈａｖｉｏｒａｌｈｙｐｏｔｈｅｓｅｓ，ａｎｄｅｘｐｌｏｒａｔｏｒｙｍｅｔｈｏｄｓｏｆｍｏｄｅｌｉｎｇｉｍｐｏｒｔａｎｔａｓｐｅｃｔｓｏｆａｃｔｉｖｉｔｙ－ｂａｓｅｄｔｒａｖｅｌｂｅｈａｖｉｏｒ．Ｂｏｔｈｔｈｅｏｒｅｔｉｃａｌｄｅｖｅｌｏｐｍｅｎｔｓａｒｅｓｅｅｎａｓｔｗｏｔｈｒｅａｄｓｏｒｉｇｉｎａｔｉｎｇｆｒｏｍａｃｏｍｍｏｎｂｅｈａｖｉｏｒａｌａｓｓｕｍｐｔｉｏｎ，ｎａｍｅｌｙｔｈａｔｔｒｉｐｃｈａｉｎｉｎｇｉｓｂａｓｅｄｏｎａｎｒ－ｓｅｑｕｅｎｔｉａｌｄｅｃｉｓｉｏｎｍａｋｉｎｇｐｒｏｃｅｓｓ．Ｔｈｅｓｔｕｄｙｍｅｔｈｏｄｏｆａｃｔｉｖｉｔｙ－ｂａｓｅｄｔｒａｖｅｌｂｅｈａｖｉｏｒｉｓｍａｉｎｌｙｏｎｔｈｒｅｅａｓｐｅｃｔｓ：ｉｎｔｅｒｓｐａｃｅ－ｂａｓｅｄｉｎｔｅｒａｃｔｉｏｎａｐｐｒｏａｃｈ，ｕｔｉｌｉｔｙ－ｂａｓｅｄａｐｐｒｏａｃｈａｎｄｈｅｕｒｉｓｔｉｃａｐｐｒｏａｃｈ．Ｔｈｅｓｅａｐｐｒｏａｃｈｅｓｏｖｅｒｃｏｍｅｔｈｅａｒｅａｄｉｖｉｓｉｏｎｌｉｍｉｔａｔｉｏｎｓｏｆｔｈｅｆｏｕｒ－ｓｔａｇｅａｐｐｒｏａｃｈｅｓａｎｄｐｒｅｓｅｎｔｄａｙ－ｔｏ－ｄａｙｔｒａｖｅｌｂｅｈａｖｉｏｒｏｆｉｎｄｉｖｉｄｕａｌｓａｎｄｈｏｕｓｅｈｏｌｄｓａｓｂａｓｉｃｓｔｕｄｙｕｎｉｔ．Ａｃｔｉｖｉｔｙ－ｂａｓｅｄｄｅｍａｎｄｆｏｒｅｃａｓｔｉｎｇｍｏｄｅｌｉｎｃｌｕｄｅｓｔｗｏａｓｐｅｃｔｓ：ｅｃｏｎｏｍｅｔｒｉｃｍｏｄｅｌａｎｄｍｉｘｓｉｍｕｌａｔｉｏｎｍｏｄｅｌ．Ｔｈｅｓｅｍｏｄｅｌｓｙｓｔｅｍｓｇａｉｎｄｅｖｅｌｏｐｍｅｎｔｉｎｔｈｒｅｅｓｕｃｃｅｓｓｉｖｅｐｈａｓｅｓ：ＭＴＣ（ＭｅｔｒｏｐｏｌｉｔａｎＴｒａｎｓｐｏｒｔａｔｉｏｎｃｏｍｍｉｓｓｉｏｎ）ｓｙｓｔｅｍ，Ｎｅｔｈｅｒｌａｎｄｓ＇ｔｏｕｒ－ｂａｓｅｄｍｏｄｅｌａｎｄｄａｙ－ｔｏ－ｄａｙｔｒａｖｅｌｂｅｈａｖｉｏｒｃｈｏｉｃｅｍｏｄｅｌ．ＦｉｎａｌｌｙｔｈｅｓｔａｔｕｓｑｕｏａｎｄｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｔｒａｖｅｌｂｅｈａｖｉｏｒｒｅｓｅａｒｃｈｉｎＣｈｉｎａａｒｅａｎａｌｙｚｅｄ．Ｔｈｅｒｅｓｕｌｔｓｉｎｄｉｃａｔｅｔｈａｔｔｒａｖｅｌｄｅｍａｎｄｄｅｒｉｖｉｎｇｆｒｏｍａｃｔｉｖｉｔｙｄｅｍａｎｄ，ｐｅｏｐｌｅｆａｃｉｎｇｔｈｅｃｏｎｓｔｒａｉｎｔｏｆｔｈｅｔｉｍｅａｎｄｓｐａｃｅ，ｔｈｅｌｉｆｅｓｔｙｌｅｉｎｆｌｕｅｎｃｉｎｇｐｅｏｐｌｅ＇ｓｄｅｃｉｓｉｏｎｓ，ａｎｄｔｈｅｔｒａｖｅｌｄｅｃｉｓｉｏｎｓｉｎｆｌｕｅｎｃｉｎｇｅａｃｈｏｔｈｅｒｄｙｎａｍｉｃａｌｌｙａｎｄｍｕｔｕａｌｌｙｕｎｄｅｒｖａｒｉａｂｌｅｃｏｎｄｉｔｉｏｎｓ．ＴｈｅｒｅｓｅａｒｃｈｉｓｊｕｓｔｕｎｄｅｒｗａｙａｎｄＣｈｉｎａｓｈｏｕｌｄｄｅｖｅｌｏｐｔｈｅａｃｔｉｖｉｔｙ－ｂａｓｅｄｔｒａｖｅｌｂｅｈａｖｉｏｒｒｅｓｅａｒｃｈｂａｓｅｄｏｎａｎａｌｙｚｉｎｇＣｈｉｎｅｓｅｔｒａｖｅｌｂｅｈａｖｉｏｒｄｅｅｐｌｙｉｎｏｒｄｅｒｔｏｓｕｐｐｏｒｔｔｒａｆｆｉｃｐｌａｎｎｉｎｇａｎｄｄｅｃｉｓｉｏｎ－ｍａｋｉｎｇｏｆｔｒａｎｓｐｏｒｔｍａｎａｇｅｍｅｎｔｐｏｌｉｃｙ．Ｋｅｙｗｏｒｄｓ：ａｃｔｉｖｉｔｙ－ｂａｓｅｄ；ｔｒａｖｅｌｂｅｈａｖｉｏｒ；ｔｒｉｐｃｈａｉｎ；ｔｒａｖｅｌｄｅｍａｎｄｍｏｄｅｌ基金项目：国家自然科学基金项目（７０５０１０２３）；西安建筑科技大学青年科技基金项目（ＱＮ０６０８）作者简介：丁威（１９７１—），男，河南安阳人，讲师，同济大学交通运输工程学院博士生，西安建筑科技大学讲师，研究方向为出行行为理论。
基于浮动车技术的城市路况计算方法_章威
第7卷 第1期
交通运输系统工程与信息
2007 年 2 月
Journal of Transportation Systems Engineering and Information Technology
文章编号 :1009-6744 (2007)01-0043-07
Abstract : Urban traffic situation information is the basis of effective traffic guidance and traffic control .It is usu-
ally expressed by average speed and average travel time of the vehicles on the road.This paper proposes the urban
(1.College of Traffic and Communications, South China University of Technology , Guangzhou 510640 , China ; 2.Guangzhou Traffic Information Investment Business and M anagement Limited Company , Guangzhou 510033, China)
V1
V0 V1 V2
(1)
1 V1
=
S1 S
S 0 V2 +S 2 V0 S 1 V0 V2
+
1 V1
目标路段的平均速度可以表示为
(2)
2第二章 居民出行调查分析
—12—
第二章 居民出行调查分析
高。 日出行次数最少的是家务人员，这也是符合他们的特点的。这类人员一般出
行主要是生活购物，所以每天的出行次数较少。 合肥市不同年龄居民出行产生见表 2-2 及图 2-2：
表 2-2 合肥市不同年龄居民出行产生表（单位：次/人·日）
年龄段
6-14
15-19
20-39
40-59 60 以上
第二章 居民出行调查分析
第二章 居民出行调查分析
居民出行调查是城市综合交通规划的一项最基本的工作，通过对居民出行的 调查统计与分析，可以掌握城市的基本客流──居民出行状况、特征以及其形成 的规律，为客流预测、网络规划提供基础资料和科学依据，以建立便于居民出行 的城市交通体系。
合肥市居民的调查对象是常住或暂住在被抽中家庭户 6 周岁以上的居民。合 肥市现状人口约 142 万，本次居民出行调查采用问卷（调查表）方式进行，共调 查了有效居民样本 32234 人，总抽样率为 2.56%左右。本章将这次居民出行调查 的数据，进行分析、推理和归纳，得出全市居民出行的规律及变化特征。
50
45
40
35
30
25
20
15
10
5
0
1
2
3
4
5
6
7
8
9 10 >10
图 2-3 不同出行次数所占比例图（单位：%）
由表 2-3 和图 2-3 可知，合肥市居民每天出行 2 次和 4 次的比例较高，分别 占 45.30%和 40.70%。出行次数为 2 次的比例较高，是因为居民早出晚归。而出 行 4 次的比例较高，是由于部分交通条件便利的居民中午回家吃中饭。由于居民 出行多数是就近范围的，一般有回程，所以出行为奇数的较小，这符合实际情况。
交通拥挤的度量方法与基于浮动车的交通拥挤检测共3篇
交通拥挤的度量方法与基于浮动车的交通拥挤检测共3篇交通拥挤的度量方法与基于浮动车的交通拥挤检测1交通拥挤一直是城市发展过程中的一大问题，往往会引发公众的关注和热议。
但是，如何科学地度量交通拥挤的程度呢？传统上人们往往使用交通工具行驶速度和拥堵时间作为测量标准，但这只是表面上的现象，无法真正体现交通拥堵的本质。
本文将介绍一些现代化的交通拥堵度量方法以及基于浮动车的交通拥堵检测方法，为城市交通治理提供参考。
传统测量方法的局限性：传统上，我们往往使用交通工具行驶速度和拥堵时间作为交通拥堵的评价标准。
但是，这种方法往往局限于宏观层面，无法精确地反映交通拥堵现象，而且在实践中会受到很多因素的干扰。
特别是随着城市发展进程的加速和交通工具数量的快速增长，这种局限性更加突出。
新型交通拥堵度量方法的发展：随着科技的发展，人们开始使用更加高级的交通拥堵度量方法，这种方法基于新型传感器和模型，可以更加精确地测量交通拥堵指标。
例如，近年来流行的GPS信号和交通监控系统大大提高了交通拥堵的测量精度，通过这些高新技术，我们可以精确测量每辆车的速度和位置信息。
浮动车技术的应用：建立交通拥挤的监测系统的一个有效手段是使用浮动车技术，该技术已广泛用于研究交通测量和管理。
浮动车技术基于GPS信号，使用一组全局定位车辆（移动车辆）设备，记录并提供交通流的信息。
基于浮动车技术的交通拥堵检测方法：基于浮动车的交通拥堵检测方法包括两个主要步骤：1. 数据采集和处理：利用GPS装置和其他传感器设备，对车辆的位置、速度、方向等信息进行实时采集，并对数据进行质量管理和有效性检验。
2. 数据分析和展示：基于采集到的数据，实现交通拥堵的客观量化测量，并将结果展示在数字地图上，通过多种视觉工具预测交通拥堵的持续时间和影响，以促进交通管理和政策制定。
结论：总之，交通拥堵的度量方法不仅应该注重表面上的测量标准，更应该结合科学技术和模型，深入挖掘其中的本质和规律，以找到有效解决交通拥堵问题的方法。
基于GPS数据的城市居民多日出行活跃度分析
基于GPS数据的城市居民多日出行活跃度分析张蕾;隽志才;高晶鑫【摘要】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.【期刊名称】《上海管理科学》【年(卷),期】2018(040)004【总页数】7页(P89-95)【关键词】交通运输系统工程;多日出行活跃度;K-均值聚类;多项Logistic回归模型;手机GPS数据;出行调查【作者】张蕾;隽志才;高晶鑫【作者单位】上海交通大学安泰经济与管理学院,上海200030;上海交通大学安泰经济与管理学院,上海200030;上海交通大学安泰经济与管理学院,上海200030【正文语种】中文【中图分类】U-91 研究的数据来源本调查以智能手机为载体，是基于GPS轨迹数据的活动-出行调查，研究区域选在上海市。
调查过程中每位志愿者需要提供自己的社会经济属性，然后在自己的手机上安装相关定位-上传软件，连续上传一周的GPS定位数据。
研究人员通过数据挖掘的可视化处理后，通过带提示的电话回访调查确认志愿者的行程和活动-出行信息。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于浮动车数据的城市居民出行行为规律分析摘要：基于浮动车数据对代表居民活动地的特征点进行提取,并采用K均值算法对特征点进行聚类。
本文采用这种方法对居民周末出行的空间分布规律进行分析。
分析结果表明周末出行主要集中在商业娱乐休闲区，且城区分布相对于郊区更集中。
关键词：浮动车数据特征点提取K均值聚类空间分布
1 引言
城市是衡量国家社会经济发展水平的重要标志之一。
城市交通作为城市的一个重要组成部分，在很大程度上决定着城市的发展。
居民的出行活动是各大交通问题产生的根源。
因此，对城市居民的出行行为规律进行分析和研究是解决城市交通问题的重要途径之一，在现实生活中具有重要的意义。
本文利用浮动车数据对城市居民的出行行为规律进行分析和研究，探究居民出行的空间分布特征。
浮动车数据可以一定程度地反应居民出行轨迹，从而论证了本文研究的可行性。
2 研究内容
浮动车数据（Floating Caring Data）[1]采集技术是近几年来兴起的一种动态交通信息检测技术，其基本原理是在浮动车辆上配置车载GPS（Global Positioning System，简称GPS）设备，再由该设备定时向车辆调度中心发送车辆的相关信息，如车辆编号、记录时间、行驶
速度、行驶方向、载客状态、经纬度等，从而获得道路的交通运行状况。
与人工调查、感应线圈、微波雷达等交通信息采集方式相比，浮动车数据具有采集范围广、成本低、更新速度快等优点。
通过对浮动车数据进行分析，能够挖掘出一些潜在有价值的信息，如居民出行时间及热点区域等。
本文基于浮动车数据，主要研究了居民的周末出行在空间上的分布。
居民的出行时间分布反映了居民周末出行的时间高峰期，而居民出行的空间分布则反映了居民周末出行的热点区域。
通过对居民出行的时间和空间分布进行研究，可以为居民日常出行提供信息辅助和决策支持。
2.1 数据预处理
由于数据量较大，首先需要对数据进行入库。
浮动车数据的数据库表结构设计如图1所示。
在数据中，主要包含了浮动车的车牌号、
经纬度坐标、记录时间、行驶方向、瞬时速度、载客状态等属性信息。
在图1中，ID为每个轨迹点的唯一标识码；VEHICLENUMBER为浮动车
的车牌号(唯一标识码)；GPS_DATE为每个轨迹点的记录时间；LON和LAT为浮动车的经纬度坐标；DIRECTION为浮动车的行驶方向(以正北为0度，正南为180度，如“90”表示正东方向)；GPS_SPEED为浮动车的瞬时速度(km/h)；STATE表示浮动车的载客状态，0为空车，1为载客。
浮动车数据中，乘客上、下车的GPS轨迹点可认为是居民日常出行的目的地，我们将这些点归类为本文所要研究的特征点。
这些特征点的位置在一定程度上反映了居民日常出行的空间分布。
当浮动车载客状态由1变为0时，表示乘客在该点下车；反之，载客状态由0变为1时，表示乘客在该点上车。
这些上、下车的位置点代表了一种特征范围，能够用来识别热点区域[2]。
因此，本文中对浮动车数据的预处理主要是对特征点的提取。
对于特征点中的一些异常轨迹数据点应予以清除，如经纬度偏差比较明显等。
提取特征点的具体方法如下：假如点集表示某辆车在一天内的所有GPS轨迹点，当时，若且，则为上车点；若且，则为下车点。
通过对选取的浮动车逐辆车进行遍历，即可获得所选浮动车数据的所有特征点。
2.2 K均值聚类
本文采用K-means算法对特征点进行聚类分析。
K-means算法是基于距离的聚类算法，采用距离作为相似性评价指标，即两个对象的距离越近，相似性越大。
该类算法认为类是由距离相近的对象所组成，因此把得到的紧凑且独立的类作为最终目标。
K-means的目标是根据输入的参数，将数据划分成个类。
算法首先随机选取个点作为初始聚类中心，然后计算各个特征点到聚类中心的距离，把特征点归到离它最近的那个聚类中心所在的类；对调整后的新类计算新的聚类中心，并重复上述聚类过程。
整个过程不断重复迭代，直到目标测度函数收敛为止[3]。
通常采用的目标函数形式为误差平方和准则函数：
K-means聚类算法的流程图如图2所示。
具体计算步骤如下：
（1）从个数据对象随机选取个作为初始聚类中心；
（2）计算每个对象与聚类中心的距离，并根据最小距离重新归类；
（3）重新计算每个类中所有对象的均值（即聚类中心）；
（4）计算标准测度函数，函数收敛时，算法终止；反之则回到步骤（2）。
3 实验与分析
本文选取了深圳市某周日5000辆出租车的GPS轨迹数据，对该市居民周末的出行进行分析。
首先对数据进行了预处理，然后利用K 均值聚类算法对提取的特征点进行聚类分析，最终的聚类结果如图3所示。
整体上看，居民的出行主要集中在六个区域。
分别为：暗红色区域A（经度113.80-113.87、纬度22.63-22.73）；灰色区域B（经度114.01-114.09、纬度220.58-22.67）；黄色区域C（经度114.21-114.28、纬度22.66-22.74）；蓝色区域D（经度113.84-113.97、纬度22.48-22.57）；绿色区域E（经度113.99-114.08、纬度22.52-22.57）；青色区域F（经度114.09-114.16、纬度22.54-22.63）。
理论上，聚类结果中的区域代表了居民周末出行的密集区域，即空间维度中的热点区域。
热点区域通常包含了较多与居民生活密切相关的基础设施。
结合电子地图可知，A区域中，居民主要集中在龙安区的燕岭公园、松岗公园附近；B区域中，居民主要集中在平湖生态园以及附近的度假村；C区域中，居民主要集中在龙岗区的龙城公园附近；D区域中，居民主要集中在南山区的深圳西站、南山公园附近；E区域中，居民主要集中在福田区的商业区华强北附近；F区域中，
居民主要集中在罗湖区的商业区东门附近。
通过分析六个区域的地理位置发现，区域A、B、C属于城市郊区，区域D、E、F属于城市市区。
综上分析，城市居民周末出行在空间分布上具有以下规律：节假日时，居民的出行活动往往会趋于公园等娱乐场所和商场等购物场所。
这种现象主要是由居民生活节奏的不断加快导致的，居民在节假日趋向于进行放松娱乐等活动。
A、B、C区域属于郊区，公园、度假村等基础设施分布相对分散；D、E、F区域属于市区，商业区分布相对比较集中。
因此，D、E、F等区域相对于A、B、C等区域，居民分布更集中一些。
4 结语
作为城市发展的重要影响因素，城市交通问题的解决是城市得以稳定发展的关键。
居民日常的出行活动是城市交通问题产生的根源。
本文重点对城市居民日常出行的空间分布规律进行研究:基于出租车的GPS轨迹数据，利用K均值聚类方法对城市居民周末出行的空间分布
规律进行了分析和研究。
从实验结果可以看出，这种分析方法可以给城市规划、基础设施建设、居民日常出行等提供信息辅助和决策支持。
本文所采用的分析方法也存在一定的不足：首先，分析方法使用了纯粹的K均值聚类算法，未考虑商业区、住宅区等人口稠密区域的属性；其次，由于交通信息的实时性，将时间因素融入到居民出行的分析模式当中是必需的。
这些为今后进一步研究提供方向。
参考文献
[1] Guhnemann A, Schafer R-P, Thiessenhusen K-U, et al. Monitoring Traffic and Emssions by Floating Car Data[J]. Berlin: German Aerospace Center, 2004.
[2] Yue Yang, Zhuang Yan, Li Qingquan, et al.Mining Time-dependent Attractive Areas and Movement Patterns from Taxi
Trajectory Data[J]. The 17th International Conference of Geoinformatics,2009,1-6.
[3] 周慧芳. 自适应的k-means 聚类算法SA-K-means[J].科技创新导报, 2009,NO.34。