融合多源移动定位时空数据的居民出行调查与活动行为分析技术研究

传统居民出行调查缺陷导致的数据质量瓶颈长期影响交通规划实践效果有效发挥、制约需求分析模型应用演进，利用手机定位技术成本低、用户普及率高、覆盖范围广等优势提取精细化出行特征数据，提升出行调查质量成为国际前沿热点。辅助融合GPS定位技术，贯通运用实验交通工程学思想，综合运用定性、定量、实证、系统建模等研究方法，运用序列比对、神经网络、模糊逻辑、聚类分析、模式识别等多种数据挖掘手段，结合实地测试与手机通信网络仿真试验，依托移动通信理论、数理统计理论、出行行为理论，区分坐标定位和基站小区时空序列定位两类不同本质的科学问题，研究出行OD、出行方式、出行时间等微观出行数据及出行需求主流向、出行活动强度空间分布与迁移规律、区域动态出行总量等宏观出行规律的提取算法，评估不同定位精度、更新频率、断链修复等因素下技术应用效果，为交通管理部门提供新型出行调查技术，有助于推进需求模型理论向实践演进提供数据支撑。

本课题依托手机定位为主导、辅助GPS 定位技术，研究了居民出行调查的新方法。大量开展了实地测试与仿真试验，融合手机定位、GPS 定位两种不同技术来源的时空位置数据，探索了移动定位技术在出行调查与分析中的应用。第一，课题首先提出了一种基于手机无线通信仿真的道路行程车速采样方法，评估不同道路、交通、通信环境下技术应用效果。所建仿真模型去除了已有研究中基站小区边界规则、静态等假设，切换流程遵照实际手机切换准则和协议，仿真数据与真实数据一致性较好。在此基础上，本课题系统地评估了道路类型、交通状态、通话时长、样本采样率等实际因素对手机切换速度、路段样本量、路段行程车速及路网覆盖率造成的影响，分析了城市交叉口信号灯延误对技术应用效果的影响机理。第二，本课题探索了利用手机GPS、加速度计等手机传感器数据挖掘提取居民出行链信息的新流程和新方法，所提取的个体出行链信息包括出行时间、出行地点、出行方式，出行换乘时间，换乘点地理位置等。课题开发了一款手机传感器数据采集软件用于出行数据采集试验，创新性地将小波变换模极大值算法用于交通方式换乘点识别，在此基础上，通过融合应用手机GPS数据与加速度数据，进一步建立了神经网络模型进行交通方式识别。结果表明，交通方式评价识别正确率均达到85%以上，交通方式换乘时间点识别误差能够控制在2min以内。相对于传统纸质问卷调查方法，数据采集精度得到大幅提高。第三，由于小汽车和公交车的出行特性非常相似，这两种交通方式的区分识别一直是一大难点问题，且先前研究大多凭借专家经验来设定一些阈值参数来提取出行链信息，交通环境变化后方法的普适性较差。因此，本次课题进一步尝试探索应用人工智能算法来提高个体出行信息识别准确率。研究首先运用了神经网络、支持向量机、随机森林和贝叶斯网络算法来识别步行，自行车和机动车交通方式（公交车或小汽车），对比评估了四种智能算法的识别精度与效果；在此基础上，通过识别GPS轨迹中的关键点，辅助以GIS地图公交站点信息来，进一步提出了关键点匹配算法进行公交车和小汽车两种机动化出行方式的识别。结果表明，人工智能算法能够使步行，自行车和机动车交通方式识别精度均高于90%，但小汽车和公交车的识别精度大都不足75%；关键点匹配算法很好的提升小汽车和公交车的识别精度，提升幅度达14%-30%，最终四种交通方式的识别精度均超过90%。