规划问道
数据精英春季特训营开车啦！
同时报名还可享更多优惠：
任选2套同报，再减200元！
任选3套同报，再减360元！
任选4套同报，再减520元！
任选5套同报，再减700元！
与日俱增的轨迹数据构成了典型的地理时空大数据，为从微观居民移动特征研究宏观交通流现象的演化机理问题提供了数据支撑。如何针对轨迹数据进行居民活动模式挖掘和人文社会关联分析，进而建立合理的模型能够在微观上解释城市居民交通出行中的移动时空模式，同时在宏观上能够揭示交通流时空演化过程，就成了迫切需要解决的科学问题。基于此，本项目利用公安交通卡口和位置签到等多源轨迹数据，提出基于时空约束和城市时空特征结构的出行活动链提取技术。利用时间序列模式挖掘和聚类方法，对出行活动链特征模式进行挖掘并对特征模式所蕴含的社会学发生机制进行分析。在此基础上，提出了基于出行活动特征模式的城市居民交通移动模型，对道路交通流的时空演化过程进行模拟和预测。本研究将有助于更好地理解微观个体活动模式对于宏观城市道路交通流形成与变化的影响，将为道路交通的微观诱导和安全管控提供科学支撑.相关研究成果已经在部分交管部门开展试点应用，效果良好。
项目结题成果报告
以下研究成果内容摘自项目结题成果报告。该项目报告共计24页，关注城市数据派微信公众号，在微信公众号对话框中输入 24410，即可获得报告全文PDF的下载方式：
(1)主要研究内容
①基于时空约束和城市时空结构的出行活动链提取技术
针对目前轨迹数据中存在“移动类轨迹数据缺乏活动目的，活动类轨迹数据缺乏移动路径”，不能获取出行活动链信息的问题。本项目主要基于公安交通卡口数据、导航数据等，研究出行链(不含活动需求)提取方法。然后利用位置签到数据、出租车轨迹数据等，研究出行链中锚点活动需求的识别方法。最终得到个体以天为单位的出行活动链信息。具体研究内容包括:1)公安交通卡口、导航数据等轨迹数据预处理，包括异常点剔除、路网匹配以及个体职住信息关联等内容。2)位置签到、出租车轨迹等数据预处理，包括假签剔除、需求标聚类、上下车锚点识别等内容。3)基于时空约束的出行链提取方法，基于个体移动时空规律，包括步长、速度、停留时间、律动特征等，以天为单位，建立锚点提取规则，从公安交通卡口、导航数据中提取个体出行链信息。4)基于城市时空结构的锚点活动需求识别方法。融合城市功能布局、个体活动律动等因素，研究个体出行链中锚点活动需求模糊匹配的方法。最终，建立个体交通出行活动链数据库。
②顾及人文社会因素的出行活动链特征模式挖掘及关联分析
本项目认为交通流的规律性和可预测性是由于个体出行活动链存在内在基本结构特征，并且该结构与人文社会因素紧密关联。在获取个体交通出行活动链数据集基础上，本部分主要研究内容为:1)挖掘个体出行活动链内在结构特征，主要是研究一种时间序列模式挖掘算法,提取出行活动链中具有显著特征的关联结构。该研究内容的关键是如何定义最小支持度，保证频繁项的代表性。同时要定义合适数据结构和搜索策略，避免多次扫描数据集，以提高搜索效率。2)出行活动链特征模式的社会属性关联分析。研究出行活动链特征模式与人文社会因素之间的交互理论,提出顾及人文社会因素的出行模式分析框架并分析二者的关联机制。
③基于出行活动链特征模式的个体交通移动模型研究
本研究假设基于活动链模式的居民交通移动一般性模型可分为四个部分,包括活动需求转移、目的地选择、交通方式选择和路径选择。在模型构建过程中主要考虑以下几个因素,1)不同出行活动链特征模式中活动需求转移的差异性2)活动需求类型(限制和非限制性活动)城市功能时空结构以及距离衰减特征，对于个体目的地选择的影响。3)路段流量特征、起迄点交互特征对于路径选择的影响;模型建立后，需要通过采用微观模拟方法，重现个体交通出行过程，产生一系列模拟的出行轨迹。主要研究内容包括:1)研究模型中相关参数求解方法，研究不同特征的群体，在四个阶段上的参数率定，如不同特征群体在距离衰减系数B、城市功能结构对于出行吸引作用和路径选择上的差异性等。2)研究模拟初始状态设定对于结果的影响，包括初始的模拟人数，个体职住信息设定以及个体初始状态设定(包括活动链设定，起点时间和空间位置)。根据模拟产生的一系列出行轨迹，需要对其合理性进行验证，主要分为以下研究内容:1)居民交通移动特征检验方法，包括位移步长分布检验、方向检验、出行律动性以及活动需求律动性检验。2)道路需求预测评价方法，以路段为统计单元，研究模拟的路段交通流量与实际道路交通流量相似性比较方法。3)分析模拟值与真实值差异性的原因。
(2)取得的主要研究进展、重要结果、关键数据等及其科学意义或应用前景
①建立了基于时空约束和城市时空结构的出行活动链提取技术框架，实现了对多源轨迹数据预处理、出行链提取及锚点活动需求识别等自动化处理技术方法其中1)提出了公安交通卡口数据、导航数据等移动轨迹数据异常数据剔除规则、路网匹配规则和锚点识别算法;2)提出了签到数据假签数据剔除规则和需求标签聚类算法，将出行需求归纳为6大类(如表1所示);3)提出了一种基于城市时空特征结构的出行链锚点活动概率化语义分析方法。该方法的假设思想为:出行链的锚点是落在城市某一个功能区域中的。而城市区域功能的本质特征是动态的而非静态的，并呈现出多维的复合特征。因此，可对出行链锚点活动需求进行概率化语义分析(如图1所示)。
图1 锚点活动需求概率化示意图
图2某居民一天活动链示意图(2)建立了顾及人文社会因素的出行活动链特征模式挖掘及关联分析技术框架。本项目提出了采用序列线索树数据结构的时间序列模式挖掘算法，相比于传统时间序列模式挖掘算法(如Apriori 算法)，可避免对全局的重复扫描，极大提高了挖掘效率。然后,将个体出行行为表示为一系列特征模式组成的特征向量通过采用在 K-means 聚类算法和夹角余弦(cosine)作为距离度量方法，提取了6类典型出行群体。
主要成果如下所示：
图3 研究区示意图(北京冬奥会北京赛区场馆周边)
图4 出行经过研究区的居民样本时态变化曲线和交互区域分布示意图对出行经过研究区的居民样本进行活动链模式提取后，可得到活动需求转移特征，如下图所示:
图5 出行经过研究区的居民样本活动需求转移特征时态变化示意图
图6 基于活动链特征向量聚类方法提取的6类居民群体出行时态变化曲线图
图7 不同群体活动频繁区域示意图
(3)建立了基于出行活动链特征模式的城市居民交通移动模型。以北京、深圳等地典型区域为研究对象，通过应用本项目所提模型，能够准确预测研究区域周边道路交通流量时态变化、交通需求分布情况以及对路网中拥堵路段交通流量的特征分析，包括起讫点分布、流向分布和需求分布特征，从而为道路交通的微观诱导提供重要参考依据:
图8研究区路网交通流分时段预测结果图(本项目根据道路实际交通量(V)跟道路通行能力(C)之间的比值关系(V/C)确定道路拥堵情况，红色代表V/C>0.9严重拥堵，橙色代表 V/C 介于 0.7至 0.9之间一般拥堵，黄色代表 V/C介于 0.6至 0.7之间较为畅通，绿色代表V/C介于0至0.6之间畅通)
图9研究区对于路网交通流和不同群体吸引结果图(路网中红色代表，要到达研究区的车流所通过不同路段的频繁程度;地块中的红色代表车辆起始点聚集程度;B图位上车起始点位于中关村高校区域:C图上车起始点位于西单商业区区域和北京站交通枢纽区域;D图起始点位于朝阳望京S0H0生活区域)
……
还有更多成果内容，详见项目结题成果报告。该项目报告共计页，关注城市数据派微信公众号，在微信公众号对话框中输入24410，即可获得报告全文PDF的下载方式。
原文始发于微信公众号（城市数据派）：多源轨迹数据驱动的城市居民交通出行活动链特征模式研究丨城市数据派
