基于跨域异构大数据的居民出行方式预测模型研究

In recent years, with the rapid growth in our country’s economy and the acceleration of urbanization process, the transportation systems of modern cities, especially large cities, are facing a series of problems such as insufficient carrying capacity and traffic congestion. Prompting residents to abandon driving their cars and shift to public transport with high utilization of resources is an important measure to alleviate these traffic problems. The accurate grasping of the residents’ travel mode choice behavior is the prerequisite for the government to make the measures..In this project, motivated by the problem that current methods, which are based on surveys or small amount of data sources, cannot give accurate description, interpretation and verification of residents’ complex travel mode choice behavior, we aim to develop a method to forecast residents’ travel mode based on cross-domain heterogeneous big data. Specifically, the key issues we will study include: efficient organization of cross-domain data based on knowledge graph, identification of residents' travel mode and acquiring of influencing factors based on cross-domain data fusion, and accurate prediction of residents' travel mode based on combination learning model. The results of research can provide a theoretical basis for formulating traffic policy, optimizing traffic travel structure and alleviating traffic congestion.

近年来，随着我国经济的快速增长和城市化进程的不断加快，现代城市特别是大型城市交通系统正面临着承载力不足、交通拥挤等一系列难题。促使通勤者放弃小汽车，转向资源利用率高的公共交通出行是缓解交通问题的重要举措，而准确把握居民出行方式选择行为是政府制定此措施的前提。.本项目针对当前基于调查或者少量数据源的方法难以对复杂的居民出行方式选择给出精确的描述、解释以及验证等问题，研究基于跨域异构大数据的居民出行方式预测方法。从基于知识图谱的跨域数据高效组织、基于跨域数据融合的居民出行方式识别和影响因素获取、以及基于组合模型的居民出行方式精确预测等方面开展研究。研究成果可以为交通政策制定、交通出行结构优化、缓解城市的交通拥堵问题提供理论依据。

近年来，随着我国经济的快速增长和城市化进程的不断加快，现代城市特别是大型城市交 通系统正面临着承载力不足、交通拥挤等一系列难题。促使通勤者放弃小汽车，转向资源利 率高的公共交通出行是缓解交通问题的重要举措，而准确把握居民出行方式选择行为是政府制定此措施的前提。 .本项目针对当前基于调查或者少量数据源的方法难以对复杂的居民出行方式选择给出精确的描述、解释以及验证等问题，研究基于跨域异构大数据的居民出行方式建模方法。具体而言，本项目首先提出了基于边际效用理论的跨数据源（手机数据、摄像头、智能卡、WIFI 等）个体出行轨迹和出行方式（轨道交通、公交、私家车）获取方法。比现有方法在出行方式分布获取精度提升30%。.其次，为了提取影响乘客出行方式的因素，例如出行时间、出行舒适度等，本项目根据数据和系统运行特征研究了不同出行方式其出行特征提取方法。在私家车方面，针对影响私家车选择的主要影响因素，道路拥堵状态和出行时间，提出了基于深度学习图神经网络和贪心算法的交通要素与交通状态之间的关联机理，从而还原所有道路在全天各个时间段的交通状态。在轨道交通方面，为了获取轨道交通在各个站点和各个断面的拥挤状态，本项目基于WIFI数据获取部分个体乘客的出行路径，在此基础上，融合自动收费系统采集到的乘客刷卡交易数据利用核聚类算法推算所有乘客出行轨迹，从而得到地铁所有断面的客流分布状态。.最后，本项目将以上技术应用于深圳市交通客流细粒度分析中。通过精准掌握全市、行政区、街道、交通小区、重点片区、特征区域、交通走廊、路段断面、线路及站点维度的客流运行规律，从客流出行特征、出行线路、出行交通方式选择等维度分析公共交通客流现状，从供需匹配、出行服务提升等场景出发，形成量化评价指标，为综合交通组织优化提供决策支撑，已经应用于深圳市综合交通指挥中心，深圳市北斗应用技术有限公司等政府部门和企业。