基于手機(jī)傳感器數(shù)據(jù)的出行特征提取方法

楊 飛，姚振興

(西南交通大學(xué)交通運(yùn)輸與物流學(xué)院，四川成都610031)

基于手機(jī)傳感器數(shù)據(jù)的出行特征提取方法

楊 飛，姚振興

(西南交通大學(xué)交通運(yùn)輸與物流學(xué)院，四川成都610031)

手機(jī)調(diào)查方法的已有研究較多集中于基于手機(jī)信令數(shù)據(jù)的宏觀出行特征獲取，而手機(jī)傳感器數(shù)據(jù)在個(gè)體出行鏈微觀出行特征提取方面具有優(yōu)勢(shì)。針對(duì)城市居民多采用組合交通方式出行的特征，研發(fā)智能手機(jī)應(yīng)用軟件，實(shí)現(xiàn)GPS數(shù)據(jù)(位置坐標(biāo)與速度)、加速度計(jì)、服務(wù)基站、WiFi等傳感器數(shù)據(jù)采集。運(yùn)用小波分析、神經(jīng)網(wǎng)絡(luò)等數(shù)據(jù)挖掘技術(shù)分析不同交通方式出行數(shù)據(jù)差異，探索多種數(shù)據(jù)挖掘算法用于個(gè)體出行參數(shù)提取的可行性及效果。結(jié)合實(shí)際案例，總結(jié)應(yīng)用手機(jī)傳感器數(shù)據(jù)進(jìn)行出行特征精細(xì)化提取的難點(diǎn)和技術(shù)關(guān)鍵。最后，探討精細(xì)化個(gè)體出行數(shù)據(jù)在交通模型和理論優(yōu)化方面的應(yīng)用。

大數(shù)據(jù)；智能手機(jī)；傳感器數(shù)據(jù)；出行特征；數(shù)據(jù)挖掘；交通模型優(yōu)化

紙質(zhì)問卷、電話采訪、郵件訪問等傳統(tǒng)居民出行調(diào)查方式依賴被調(diào)查者主觀回憶，長期存在數(shù)據(jù)精度低、樣本量有限、組織煩瑣困難等缺陷，越來越難以支撐規(guī)劃師對(duì)居民出行時(shí)變規(guī)律和個(gè)體精細(xì)化出行參數(shù)的把握，交通規(guī)劃方案常常不能達(dá)到預(yù)期效果。隨著無線通信技術(shù)的發(fā)展和智能手機(jī)的快速普及，利用手機(jī)采集居民日常出行位置數(shù)據(jù)具有很好的應(yīng)用前景。據(jù)工業(yè)和信息化部統(tǒng)計(jì)，截至2015年7月，中國手機(jī)用戶已達(dá)到12.9億[1]。相對(duì)傳統(tǒng)調(diào)查技術(shù)，手機(jī)調(diào)查方法具備數(shù)據(jù)客觀精確、時(shí)空連續(xù)、樣本量大、內(nèi)容豐富等優(yōu)勢(shì)。目前手機(jī)出行調(diào)查技術(shù)正處于起步后快速發(fā)展階段，技術(shù)創(chuàng)新和應(yīng)用推廣是當(dāng)前階段研究的重點(diǎn)與難點(diǎn)。

1 研究綜述

根據(jù)研究對(duì)象不同，應(yīng)用手機(jī)移動(dòng)定位技術(shù)提取個(gè)體出行參數(shù)主要分為手機(jī)信令調(diào)查技術(shù)和手機(jī)傳感器(GPS、加速度計(jì)、WiFi等)調(diào)查技術(shù)兩大方向。

21世紀(jì)初開始，逐漸有研究機(jī)構(gòu)致力于利用手機(jī)信令數(shù)據(jù)分析城市居民活動(dòng)規(guī)律和出行特征。當(dāng)前該技術(shù)已能夠采集城市人口職住分布、通勤出行特征、熱點(diǎn)地區(qū)人流來源去向、大區(qū)OD量等內(nèi)容。研究指出，手機(jī)定位調(diào)查技術(shù)在動(dòng)態(tài)數(shù)據(jù)獲取、數(shù)據(jù)精度方面存在明顯優(yōu)勢(shì)[2]，手機(jī)信令調(diào)查技術(shù)相對(duì)其他評(píng)估手段具備數(shù)據(jù)精確、完整、操作方便、成本低廉等優(yōu)點(diǎn)[3]。上海等城市從2010年開始陸續(xù)開展手機(jī)信令調(diào)查技術(shù)研究和應(yīng)用試驗(yàn)，在人口晝夜分布特征、職住平衡、查核線調(diào)查、大區(qū)OD調(diào)查等方面取得較好的研究成果[4]。

隨著智能手機(jī)的快速發(fā)展和普及，手機(jī)GPS、加速度計(jì)、WiFi等傳感器的精確定位能力快速引起國內(nèi)外學(xué)者的關(guān)注，手機(jī)傳感器數(shù)據(jù)能夠很好地彌補(bǔ)手機(jī)基站大尺度定位問題，對(duì)提取精細(xì)化交通參數(shù)具有更好的幫助和支撐。2008年，文獻(xiàn)[5]提出一種基于網(wǎng)站信息提示的個(gè)體出行調(diào)查方法，首先利用手機(jī)GPS定位數(shù)據(jù)識(shí)別個(gè)體出行活動(dòng)特征，進(jìn)而利用網(wǎng)站信息公布的形式幫助出行者完成出行活動(dòng)回憶調(diào)查，從而最大限度地減少被調(diào)查者回憶負(fù)擔(dān)。研究表明，該方法對(duì)于個(gè)體出行活動(dòng)的調(diào)查效果較好，居民調(diào)查配合意愿較高。2012年，美國俄亥俄州交通部(Ohio Department of Transportation)依托綜合交通調(diào)查對(duì)克利夫蘭市4 545戶家庭進(jìn)行手機(jī)GPS出行數(shù)據(jù)采集，并要求其中的1 300戶家庭進(jìn)行網(wǎng)上出行日志填寫，這些出行日志信息主要用來校核出行目的、出行方式等識(shí)別結(jié)果[6]，該綜合交通調(diào)查首次完全應(yīng)用手機(jī)GPS調(diào)查技術(shù)取代傳統(tǒng)問卷調(diào)查。

由于中國居民日常出行經(jīng)常由多種交通方式組合完成，國外已有數(shù)據(jù)提取算法對(duì)中國城市的針對(duì)性和適用性不足，且對(duì)于一些關(guān)鍵數(shù)據(jù)的處理經(jīng)驗(yàn)性較強(qiáng)，當(dāng)交通環(huán)境變化時(shí)，方法普適性不理想。同時(shí)，當(dāng)前智能手機(jī)大都配備了GPS、加速度計(jì)、陀螺儀、WiFi等多種傳感器芯片，多類傳感器數(shù)據(jù)有望實(shí)現(xiàn)互補(bǔ)融合，彌補(bǔ)單一數(shù)據(jù)源的局限和缺陷，若能結(jié)合用地性質(zhì)和GIS地理信息，手機(jī)傳感器調(diào)查技術(shù)用于精細(xì)化交通參數(shù)提取將具有很好的行業(yè)前景。

2 個(gè)體出行精細(xì)化特征提取方法

不同交通方式出行將產(chǎn)生差異化手機(jī)傳感器數(shù)據(jù)，高效的個(gè)體出行信息提取算法應(yīng)具備準(zhǔn)確識(shí)別不同交通方式數(shù)據(jù)規(guī)律的特性。應(yīng)用手機(jī)傳感器數(shù)據(jù)進(jìn)行個(gè)體出行參數(shù)提取通常包含兩大步驟：1)通過識(shí)別出行停留點(diǎn)(出行目的地和換乘點(diǎn))，將全天候手機(jī)傳感器數(shù)據(jù)分割為多個(gè)出行數(shù)據(jù)段，每段出行又進(jìn)一步分割為多個(gè)單一交通方式出行子段；2)應(yīng)用數(shù)據(jù)挖掘算法識(shí)別每一字段對(duì)應(yīng)的交通方式、出行時(shí)間等出行鏈信息。

2.1 出行停留點(diǎn)識(shí)別

已有研究大多通過設(shè)置時(shí)間和距離閾值來判斷個(gè)體出行停留點(diǎn)，當(dāng)兩個(gè)連續(xù)定位點(diǎn)間隔時(shí)長超過時(shí)間閾值且間距小于距離閾值時(shí)，則認(rèn)為該個(gè)體到達(dá)目的地或者換乘點(diǎn)。該類方法中時(shí)間和距離閾值通常根據(jù)經(jīng)驗(yàn)設(shè)定，依賴專業(yè)人員對(duì)大量樣本數(shù)據(jù)的學(xué)習(xí)和判斷，方法普適性和可移植性較差，不同案例中時(shí)間和距離閾值差異較大[7-10]。當(dāng)前還有待探索更為智能、普適的數(shù)據(jù)挖掘算法用于手機(jī)傳感器數(shù)據(jù)切割。

由于手機(jī)GPS傳感器能夠以1s·次-1的頻率連續(xù)記錄個(gè)體出行過程中的速度數(shù)據(jù)，速度波動(dòng)特征與信號(hào)波的波動(dòng)特征非常相似，而個(gè)體出行停留點(diǎn)則與信號(hào)波奇異點(diǎn)(突變點(diǎn))特征非常相似，因此本文提出應(yīng)用小波分析算法進(jìn)行交通停留點(diǎn)識(shí)別。

若信號(hào)f(t)在某點(diǎn)有突變或某階導(dǎo)數(shù)不連續(xù)，則稱信號(hào)在此處有奇異性。一般用Lipschitz指數(shù)(簡稱Lipα)來描述信號(hào)的奇異性程度，設(shè)有非負(fù)整數(shù)n，n≤α≤n+1，如果存在常數(shù)A＞0以及n次多項(xiàng)式使得

根據(jù)小波變換原理，當(dāng)小波分析尺度較小時(shí)，母小波高速振蕩并快速衰減，時(shí)間定位能力最強(qiáng)；而隨著尺度的增加，小波將發(fā)生自身膨脹，母小波振蕩頻率減慢，時(shí)間定位能力變差。因此，小尺度上小波變換模極大值點(diǎn)對(duì)居民出行方式換乘時(shí)間定位最準(zhǔn)確，本文出行停留點(diǎn)識(shí)別就是通過最小尺度上小波變換模極大值對(duì)應(yīng)的時(shí)間點(diǎn)精確提取，即模極大值線與時(shí)間軸的交點(diǎn)為出行停留時(shí)間點(diǎn)。

小波分析中，一個(gè)奇異點(diǎn)處可能出現(xiàn)多條模極大值線，模極大值線的條數(shù)取決于小波函數(shù)的消失矩階數(shù)。對(duì)于居民多種方式組合出行，交通換乘通?？梢岳斫鉃樵谀车攸c(diǎn)瞬時(shí)完成，因此選擇小波函數(shù)時(shí)，函數(shù)消失矩應(yīng)盡量小一些，最好為1階消失矩函數(shù)。同時(shí)，小波函數(shù)的選擇也應(yīng)兼顧奇異點(diǎn)時(shí)間識(shí)別的準(zhǔn)確性。本文檢驗(yàn)了Haar小波、Daubechies系列小波(D(n))、Gaussian系列小波(Gaus(n))等不同小波函數(shù)的應(yīng)用效果，結(jié)果顯示Complex Gaussian(1)在交通方式換乘點(diǎn)識(shí)別應(yīng)用中效果最佳。

2.2 出行特征提取

出行時(shí)間、出行距離等交通參數(shù)能夠從手機(jī)傳感器數(shù)據(jù)直接或簡單計(jì)算獲得，交通方式識(shí)別是手機(jī)傳感器調(diào)查技術(shù)的主要難點(diǎn)。應(yīng)用手機(jī)傳感器數(shù)據(jù)進(jìn)行交通方式識(shí)別的算法主要有邏輯規(guī)則算法和智能數(shù)據(jù)挖掘算法兩大類。

邏輯規(guī)則算法通過學(xué)習(xí)不同交通方式出行數(shù)據(jù)特征，設(shè)置多組分類指標(biāo)閾值進(jìn)行識(shí)別[7-9,11]。通常這類算法運(yùn)算較為簡單，數(shù)據(jù)量大時(shí)仍能保持較高的計(jì)算效率，但算法過多依賴分類指標(biāo)閾值的合適性，且道路交通條件變化時(shí)，固定的分類閾值必然會(huì)導(dǎo)致交通方式識(shí)別正確率較低。

為了減少主觀經(jīng)驗(yàn)判定，同時(shí)提升交通方式識(shí)別準(zhǔn)確率，智能數(shù)據(jù)挖掘算法得到了廣泛關(guān)注。目前能夠用于交通方式識(shí)別的智能數(shù)據(jù)挖掘算法主要有神經(jīng)網(wǎng)絡(luò)[12]、模糊邏輯[10]、隨機(jī)森林[13]、支持向量機(jī)[14]和貝葉斯網(wǎng)絡(luò)[15]。智能數(shù)據(jù)挖掘算法的基本原理是通過大量自適應(yīng)學(xué)習(xí)手機(jī)傳感器數(shù)據(jù)與交通方式對(duì)應(yīng)內(nèi)在聯(lián)系，進(jìn)而構(gòu)建交通方式判別函數(shù)進(jìn)行模式識(shí)別。根據(jù)已有研究，智能數(shù)據(jù)挖掘算法一般能夠準(zhǔn)確識(shí)別步行、自行車和機(jī)動(dòng)車三類方式，而對(duì)于機(jī)動(dòng)車中小汽車和公共汽車方式，由于兩者出行特征過于相似，區(qū)分較為困難，識(shí)別正確率約為40%～80%[10,13-14]。近年來，逐漸有學(xué)者嘗試?yán)肎IS地理信息匹配技術(shù)輔助公共汽車和小汽車的識(shí)別，例如基于公共汽車站匹配的公共汽車模式識(shí)別，公共汽車和小汽車的區(qū)分正確率約達(dá)到90%[13]，算法具有較好的應(yīng)用價(jià)值。

本文應(yīng)用非線性識(shí)別能力較好的神經(jīng)網(wǎng)絡(luò)算法進(jìn)行交通方式識(shí)別。對(duì)于神經(jīng)網(wǎng)絡(luò)輸入屬性設(shè)置，由于不同交通方式出行平均速度、最大速度都存在明顯差異，因此將每分鐘平均速度、最大速度作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練輸入屬性；擁堵時(shí)段機(jī)動(dòng)車流通常表現(xiàn)出斷續(xù)前進(jìn)現(xiàn)象，每分鐘速度標(biāo)準(zhǔn)差和加速度方差能夠較好地反映擁堵時(shí)段不同交通方式速度波動(dòng)差異，同樣也作為神經(jīng)網(wǎng)絡(luò)輸入屬性。交通方式為神經(jīng)網(wǎng)絡(luò)模型的輸出屬性。

3 數(shù)據(jù)采集與分析

3.1 數(shù)據(jù)采集軟件

本文基于開發(fā)的一款智能手機(jī)應(yīng)用軟件(APP)(見圖1)進(jìn)行手機(jī)傳感器數(shù)據(jù)采集。與傳統(tǒng)手持GPS儀器相似，智能手機(jī)GPS模塊能夠連續(xù)采集日期、時(shí)間、經(jīng)緯度、衛(wèi)星數(shù)、水平定位精度(HDOP)等數(shù)據(jù)；手機(jī)加速度計(jì)能夠連續(xù)記錄運(yùn)動(dòng)過程中手機(jī)平面三維加速度數(shù)據(jù)；手機(jī)WiFi模塊則能夠?qū)崟r(shí)記錄沿途W(wǎng)iFi熱點(diǎn)名稱。

圖1 手機(jī)傳感器數(shù)據(jù)采集軟件Fig.1 Mobile app for cellular probe data collection

該軟件同時(shí)考慮了數(shù)據(jù)采集和商業(yè)推廣問題，強(qiáng)化了用戶體驗(yàn)。數(shù)據(jù)采集方式分為兩種：一種為定時(shí)性數(shù)據(jù)采集，即交通相關(guān)部門或企業(yè)根據(jù)需要在特定時(shí)間組織開展居民出行調(diào)查，按照現(xiàn)有抽樣模式，安裝軟件并完成數(shù)據(jù)采集，給予被調(diào)查者一定的調(diào)查補(bǔ)貼；另一種方式為不定期數(shù)據(jù)采集，即在APP上發(fā)布各類調(diào)查活動(dòng)，居民根據(jù)意愿參加數(shù)據(jù)采集，按規(guī)定上傳完成調(diào)查數(shù)據(jù)后，給予一定的話費(fèi)、打車券或公交刷卡次數(shù)等獎(jiǎng)勵(lì)。

圖2 手機(jī)GPS傳感器數(shù)據(jù)地圖匹配結(jié)果Fig.2 Results of matching between mobile GPS data and map

圖3 交通方式換乘點(diǎn)識(shí)別結(jié)果Fig.3 Transfer point identification for different travel modes

3.2 應(yīng)用案例

如圖2所示為從出發(fā)點(diǎn)(重慶火車北站)到目的地(伊美大酒店)的一次試驗(yàn)出行分析過程。黃色點(diǎn)串為APP記錄的GPS位置點(diǎn)軌跡，該用戶從走出火車車廂A點(diǎn)開始打開APP記錄傳感器數(shù)據(jù)，步行至輕軌站B乘坐輕軌，其中B—C、D—E段為地下輕軌出行，因GPS信號(hào)受屏蔽而無法獲得數(shù)據(jù)，用戶在E點(diǎn)下車后步行到達(dá)目的地H。該次出行組合交通方式為步行—輕軌(部分位于地下)—步行。

圖3為根據(jù)前文所述方法獲得的交通方式換乘點(diǎn)識(shí)別結(jié)果。圖3a為原始GPS速度折線圖，其中有三段速度波動(dòng)曲線，第一段和第三段速度波動(dòng)較小，為步行出行段，中間速度波動(dòng)較大的部分為輕軌在地上運(yùn)行的數(shù)據(jù)曲線。圖3b為該樣本在不同分析尺度下小波變換系數(shù)模值計(jì)算結(jié)果圖譜，可以看出，在交通方式換乘點(diǎn)，小波變換系數(shù)模值明顯大于其他位置(即亮度增高)。圖3c為圖3b中尺度取特定值70時(shí)得到的小波變換系數(shù)模值曲線，交通方式換乘點(diǎn)小波變換系數(shù)的模值最大。圖3d為不同分析尺度下，將模極大值點(diǎn)相連后獲得的模極大值線，隨著尺度的增加，最終只有在交通方式變化點(diǎn)才能夠形成模極大值線。

對(duì)比出行日志數(shù)據(jù)發(fā)現(xiàn)，圖3d識(shí)別結(jié)果基本與實(shí)際出行一致，其中輕軌在地面和地下運(yùn)行的轉(zhuǎn)換點(diǎn)也成功識(shí)別。在結(jié)束輕軌出行后步行穿過一個(gè)大型立體交叉口下時(shí)，由于GPS信號(hào)遮擋產(chǎn)生的波動(dòng)也順利識(shí)別，但這只是臨時(shí)變換點(diǎn)而沒有改變交通方式，需要將前后兩段合并整合為同一步行方式段。

本案例的交通方式換乘點(diǎn)識(shí)別結(jié)果為：189 s(步行—輕軌)，1 105 s(輕軌—步行)。對(duì)比出行日志發(fā)現(xiàn)，交通方式換乘點(diǎn)誤差均在20 s以內(nèi)，數(shù)據(jù)采集精度相較于傳統(tǒng)調(diào)查方法得到大幅提升。這一案例也部分驗(yàn)證了在山地城市多GPS信號(hào)遮擋環(huán)境下算法的適用性。

4 交通模型優(yōu)化應(yīng)用

1）構(gòu)建基于活動(dòng)的交通模型。

四階段模型存在明顯缺陷，交通領(lǐng)域一直在探索用于交通需求分析的新模型，基于活動(dòng)(Activity-based)的交通需求分析成為研究重點(diǎn)。然而基于活動(dòng)的交通需求預(yù)測(cè)模型要實(shí)現(xiàn)從理論到實(shí)踐的跨越，必須有足夠精細(xì)、準(zhǔn)確的個(gè)體出行特征數(shù)據(jù)作為支撐，傳統(tǒng)問卷調(diào)查獲得的數(shù)據(jù)質(zhì)量遠(yuǎn)遠(yuǎn)不能滿足交通需求模型的升級(jí)要求。

本文提出的基于手機(jī)傳感器數(shù)據(jù)的交通出行調(diào)查技術(shù)能夠連續(xù)、全天候追蹤個(gè)體出行活動(dòng)全過程，通過互補(bǔ)、融合多種手機(jī)傳感器數(shù)據(jù)，未來結(jié)合城市GIS、用地性質(zhì)等數(shù)據(jù)，有望獲得大樣本(甚至全樣本)個(gè)體出行鏈詳細(xì)參數(shù)，包括出行OD、出行時(shí)間、出行距離、出行方式、換乘時(shí)間、換乘點(diǎn)、出行軌跡、出行目的等，能夠?yàn)闃?gòu)建基于活動(dòng)的新一代交通規(guī)劃模型提供支撐。

2）提升傳統(tǒng)四階段模型精度。

通過采集個(gè)體出行參數(shù)，能夠利用小樣本精確數(shù)據(jù)標(biāo)定優(yōu)化傳統(tǒng)四階段模型，提升模型應(yīng)用效果。例如交通分配階段，不再根據(jù)路網(wǎng)阻抗，而是真實(shí)個(gè)體出行軌跡偏好和規(guī)律進(jìn)行分配，路段流量分配結(jié)果將更加符合實(shí)際。再如，精細(xì)化的手機(jī)傳感器數(shù)據(jù)能夠支撐更加細(xì)化的交通小區(qū)劃分(見圖4)，基于交通小區(qū)細(xì)分的四階段模型能夠取得更好的交通需求預(yù)測(cè)和分配效果；小樣本準(zhǔn)確數(shù)據(jù)還能夠用于四階段模型應(yīng)用結(jié)果的校正與優(yōu)化。

3）優(yōu)化公共交通線網(wǎng)。

優(yōu)先發(fā)展公共交通是緩解中國大城市交通擁堵問題的根本手段。當(dāng)前很多城市公共交通車站300 m，500 m覆蓋率達(dá)到較高水平，然而這并不意味居民能夠方便乘車(如附近無所乘線路)。因此，準(zhǔn)確掌握個(gè)體出行線路軌跡，解決公共交通出行難問題，成為提升居民公共交通出行意愿，進(jìn)而提升公共交通分擔(dān)率的重要手段。

手機(jī)傳感器調(diào)查技術(shù)能夠準(zhǔn)確追蹤并獲得個(gè)體從公共交通車站到出發(fā)地和目的地的過程及時(shí)空距離，有助于深入了解車站客流來源去向，掌握公共交通沿線主要客流吸發(fā)點(diǎn)，揭示最后一公里規(guī)律特征，對(duì)指導(dǎo)軌道交通與公共汽車接駁、優(yōu)化已有公共汽車交通線網(wǎng)有很好的指導(dǎo)意義。

4）指導(dǎo)新區(qū)開發(fā)建設(shè)規(guī)模與時(shí)序。

大型城市新區(qū)開發(fā)建設(shè)過程中的土地利用和開發(fā)項(xiàng)目是按照時(shí)序逐步推進(jìn)的，商業(yè)項(xiàng)目建成后的人氣聚集需要長時(shí)間的積累過程，面對(duì)新區(qū)逐漸增長的交通需求不確定性，交通服務(wù)配置較為困難。例如公交線路、發(fā)車頻率的確定，以及公共自行車配置規(guī)模等。

傳統(tǒng)居民出行調(diào)查方法很難獲取新區(qū)開發(fā)過程中動(dòng)態(tài)的出行需求，而手機(jī)傳感器調(diào)查技術(shù)通過采集進(jìn)入新區(qū)內(nèi)個(gè)體移動(dòng)軌跡、基站小區(qū)服務(wù)人數(shù)等信息，有助于摸清新區(qū)范圍內(nèi)以及與新區(qū)相關(guān)區(qū)域的全天候出行活動(dòng)特征，從而彈性配置交通配套服務(wù)，避免設(shè)施閑置浪費(fèi)。

5）其他應(yīng)用。

基于智能手機(jī)傳感器數(shù)據(jù)的出行特征精細(xì)化提取方法還可用于掌握大型交通樞紐客流的集散交通方式和流向分布，為交通樞紐精細(xì)化交通組織設(shè)計(jì)提供科學(xué)依據(jù)。此外，還能夠用于監(jiān)測(cè)地區(qū)人員活動(dòng)強(qiáng)度，對(duì)大型活動(dòng)期間公共場所安全人流密度監(jiān)測(cè)和控制提供支撐，預(yù)防踩踏事故等。

圖4 交通小區(qū)與交通子區(qū)的出行OD期望線對(duì)比Fig.4 Comparison of desire lines between traffic zones and sub-zones

5 結(jié)語

本文將理論研究與實(shí)踐相結(jié)合，深入探索利用手機(jī)傳感器數(shù)據(jù)挖掘提取個(gè)體交通出行鏈信息的技術(shù)流程和實(shí)現(xiàn)方法，提取的精細(xì)化個(gè)體出行數(shù)據(jù)可應(yīng)用于構(gòu)建基于活動(dòng)的交通模型、傳統(tǒng)四階段模型校正、公共交通線網(wǎng)布局優(yōu)化、新區(qū)交通規(guī)劃、公共安全預(yù)警等方面?；诖顺晒梢赃M(jìn)一步探索在多種道路交通環(huán)境條件下，手機(jī)傳感器數(shù)據(jù)提取出行信息的可行性及效果評(píng)估方法。

[1]中華人民共和國工業(yè)和信息化部.2015年7月電話用戶分省情況[EB/OL].2015[2015-07-16].http://www.miit.gov.cn/n1146312/n1146904/n1648372/c3337869/content.html.

[2]Calabrese F,Diao M,Di Lorenzo G.Understanding Individual Mobility Patterns from Urban Sensing Data:A Mobile Phone Trace Example[J].Transportation Research Part C:Emerging Technologies,2013,26:301-313.

[3]Aguiléra V,Allio S,Benezech V,et al.Using Cell Phone Data to Measure Quality of Service and Passenger Flows of Paris Transit System[J].Transportation Research Part C:Emerging Technologies,2014,43:198-211.

[4]Shanghai Meihui Software Co.,Ltd.Traffic Data Experts with Muti-source Data[EB/OL].2015[2015-11-21].http://www.meihuichina.com/e-index.htm.

[5]Auld J,Williams C,Mohammadian A,et al.An Automated GPS-based Prompted Recall Survey with LearningAlgorithms[J].Transportation Letters,2009,1(1):59-79.

[6]Wolf J,Bachman W,Auld J,et al.Applying GPS Datato Understand Travel Behavior[R].NCHRPR 775,Washington DC:Transportation Research Board,2014.

[7]Bohte W,Maat K.Deriving and Validating Trip Purposes and Travel Modes for Multiday GPS-based Travel Surveys:A Large-scale Application in the Netherlands[J].Transportation Research Part C:Emerging Technologies,2009,17(3):285-297.

[8]Stopher P,FitzGerald C,Zhang J.Search for a Global Positioning System Device to Measure Person Travel[J].Transportation Research Part C:Emerging Technologies,2008,16(3):350-369.

[9]Chen C,Gong H,Lawson C,Bialostozky E.Evaluating the Feasibility of a Passive Travel Survey Collection in a Complex Urban Environment:Lessons Learned from the New York City Case Study[J].Transportation Research Part A:Policy&Practice,2010,44(10):830-840.

[10]Tsui S Y A,Shalaby A S.Enhanced System for Link and Mode Identification for Personal Travel Surveys Based on Global Positioning Systems[J].Transportation Research Record,2006,1972(1):38-45.

[11]Chung E H,Shalaby A.A Trip Reconstruction Tool for GPS-based Personal Travel Surveys[J].Transportation Planning and Technology,2005,28(5):381-401.

[12]Gonzalez P A.Automating Mode Detection for Travel Behavior Analysis by Using Global Positioning Systems-enabled Mobile Phones and NeuralNetworks[J].IETIntelligent Transportation System,2010,4(1):37-49.

[13]Stenneth L,Wolfson O,Yu P S,Xu B.Transportation Mode Detection Using Mobile Phones and GIS Information[C]//Agrawal D,Cruz I,et al.Proceedings of the 19th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems.Chicago:ACM SIGSPATIAL,2011:54-63.

[14]Zheng Yu,Liu Like,Wang Longhao,Xie Xing.Learning Transportation Mode from Raw GPS Data for Geographic Applications on the Web[C]//Huai J,Robin C.Proceedings of International Conference on World Wild Web.Beijing:Beijing Beihang Assets Management Co.,Ltd.,2008:247-256.

[15]Feng T,Timmermans H J.Transportation Mode Recognition Using GPS and AccelerometerData[J].Transportation Research Part C:Emerging Technologies,2013,37:118-130.

Cellular-based Data Extracting Method for Travel Characteristics

Yang Fei,Yao Zhenxing
(School of Transportation and Logistics,Southwest Jiaotong University,Chengdu Sichuan 610031,China)

Existing research of cellular-based survey methods mainly focus on travel characteristics at macro level.It should be known that cellular probe data also have great advantages of extracting travel characteristics at micro level–individual travel chains.Considering majority of urban residents'multimodal travel patterns,a mobile app is developed to retrieve traveler disaggregated data,such as GPS(coordinates and speed),accelerometer through base station and Wi-Fi connectivity.This paper analyzes the difference in data from various travel modes using wavelet analysis,neural network and other data mining techniques.The feasibility and multiple data mining algorithms used to extract individual travel parameters are discussed.Based on case studies,the paper summarizes difficulties and key technical points of using cellular probe data to extract accurate travel characteristics.Finally,the paper discusses the application of individual travel data in transportation modeling.

big data;smartphone;probe data;travel characteristics;data mining;optimization of transportation models

1672-5328（2016）01-0009-06

U491.1

A

10.13813/j.cn11-5141/u.2016.0102

2015-08-31

國家自然科學(xué)基金面上項(xiàng)目“融合多源移動(dòng)定位時(shí)空數(shù)據(jù)的居民出行調(diào)查與活動(dòng)行為分析技術(shù)研究”(51178403)、教育部“新世紀(jì)優(yōu)秀人才支持計(jì)劃”項(xiàng)目“基于新一代移動(dòng)通信事件和定位技術(shù)的城市交通管理決策支持研究”(NCET-13-0977)、成都科技局資助項(xiàng)目“新型城鎮(zhèn)化戰(zhàn)略下的成都市城鄉(xiāng)交通發(fā)展策略研究”(2014-RK00-00034-ZF)

楊飛(1980—)，男，重慶人，教授，博士生導(dǎo)師，主要研究方向：智能交通。

E-mail:yangfei_traffic@163.com