专栏首页深度学习与交通大数据基于手机信令数据的动态出行OD以及出行需求估计

基于手机信令数据的动态出行OD以及出行需求估计

这篇文章主要是推荐给大家,有信令数据的可以仔细阅读下原文主体部分~

1、文章信息

《Estimating Dynamic Origin-Destination Data and Travel Demand Using Cell Phone Network Data》。

海南大学2013年的一篇文章,放到现在似乎也不过时。

2、摘要

本研究以大型手机信令数据为基础,开发了手机定位追踪算法,以估计动态的起点-终点(O-D)交通流量、出行需求量以及通勤客流量。以堪萨斯州地铁走廊为例,分析了使用手机数据来跟踪跨区域(城市)交通活动的可行性,并基于6周的观测数据得出了交通走廊沿线的O-D交通流量、出行需求量和通勤客流量。结果发现,与堪萨斯州地铁沿线的年平均日交通量数据相比,可用的手机信令数据检测到约17.6%的日常交通流量。大约58%的交通流量被确定为所研究走廊的OD流量。这表明大部分的交通来自三个主要地区(堪萨斯城大都市区、托皮卡市、和劳伦斯市),估计的动态出行需求可用于公共交通系统规划和时刻表优化。由于使用的手机信令数据分辨率较低,更利于收集长途或城际出行的交通数据。另外,需要收集更长时间的手机信令数据以增加样本量,这有利于获得稳定的交通流量,减少数据偏差。

3、简介

城市的快速发展导致了土地利用、出行方式和交通网络规划的巨大变化。住在郊区,但在市中心或其他邻近城市工作,是美国主要大都市区常见的通勤模式。随着时间的推移,这些相邻城市之间的出行需求预计会增加。因此,了解这些城市之间的交通流和出行需求是交通网络规划和管理的首要任务。传统的方法O-D数据收集通常依赖于家庭电话调查、人口普查数据或每隔5-10年进行一次的路边调查。但是,大多数这些方法在时间和费用方面需要额外的资源,并且可能不提供最新数据和每日数据。

无线网络和移动设备的发展使人们越来越有兴趣使用这些设备来提供有关车辆网络的信息。人们已经开始利用一些无线设备,如GPS,蓝牙和手机,进行交通数据收集和实时交通状况监测的测试。其中,手机的普及率最高,是一个能用于车辆和出行追踪的潜在设备。以往的研究[1-4]评价了手机在出行速度和出行时间估计以及拥挤路段识别方面的应用。

几位研究人员在推导O-D矩阵中检验了不同类型的手机网络数据。white和Wells[5]提出了一项试点研究,该研究调查了在英国肯特地区使用电话账单数据获取O-D信息的可行性。电话账单数据包括信号塔的位置,表明电话是在何时何地打出的,该研究证明了从手机数据中获取O-D信息的可能性。Caceres等人[6]也评估了使用手机位置数据库来推断O-D矩阵的可行性。利用手机通信网络模拟器,模拟并提取手机网络的O-D矩阵。Zhang 等人[7]使用模拟的细胞探针轨迹信息估计了每日的O-D需求,并通过VISSIM仿真验证了该方法。这些结果表明,可以使用手机轨迹作为一种测量方法来估计O-D矩阵。然而,这些研究仅限于抽样和模拟测试。没有解决使用实地数据进行数据验证的问题。

本研究以大型手机手机信令为基础,开发了手机定位追踪算法,以估计动态的起点-终点(O-D)交通流量、出行需求量以及通勤客流量。以堪萨斯州地铁走廊为例,分析了使用手机数据来跟踪跨区域(城市)交通活动的可行性,并基于6周的观测数据得出了交通走廊沿线的O-D交通流量、出行需求量和通勤客流量。下一节介绍手机定位技术和现有的手机信令数据,接下来介绍开发的手机定位追踪算法,包括跟踪数据库生成、O-D和出行需求估计算法。案例研究部分给出了跟踪过程和结果分析,包括与地面计数流量的比较。最后是结论和建议部分。

本文分享自微信公众号 - 当交通遇上机器学习(Transportation-ML),作者:张金雷 J Zhang

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2020-02-12

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 时空循环卷积神经网络用于交通速度预测

    《Spatiotemporal Recurrent Convolutional Networks for Traffic Prediction in Trans...

    深度学习与交通大数据
  • 交通预测-如何在深度学习框架下考虑动态时空相似性—案例研究(附数据集下载方式)

    本篇文章是上一篇文章的案例研究部分。公众号内回复“纽约”获取文章使用的相关数据下载地址,包括美国纽约10年的出租车轨迹数据以及7年的共享单车轨迹数据。

    深度学习与交通大数据
  • 一种基于时空图神经网络的出行时间估计解决方案

    《ConSTGAT: Contextual Spatial-Temporal Graph Attention Network for Travel Time E...

    深度学习与交通大数据
  • 行业前景 | DNV GL:51%的全球企业打算在大数据上有更多投入!但有清晰规划的仅23%!

    国际调查机构DNV GL联合GFK Eurisko共同开展了一项关于大数据使用的调查。调查访问了1189位专业人士,来自82个不同的企业,遍及欧洲、亚洲、北美、...

    数说君
  • 你的手机能卖多少钱?快用这款小程序测一下

    如何处理这些闲置或淘汰的设备?也许大多数人都没有特别在意,无形之中其实也是不小的资源浪费和经济损失。

    知晓君
  • 【编程基础第六讲】需要掌握什么知识才能做项目?

    存在问题: 什么是做项目?因为大家学习的时候都是有人指导,又书可循,但项目是加上的时间以及一些不确定因数的集合,我们真正做项目要知道些什么呢? 解决方案: 常常...

    程序员互动联盟
  • 知识分享:2017年趋势与展望

    孙 怡  腾讯研究院高级研究员   从分享经济的大背景来看,这股席卷全球的风潮,核心是破解经济剩余的问题。经济剩余在个人层面,简要体现在三类资源:闲钱、闲物和...

    腾讯研究院
  • 【教程】机器学习Python教程:1机器学习

    机器学习是一种编程,它使计算机能够在没有显式编程的情况下自动地从数据中学习。换句话说,这意味着这些程序通过学习数据来改变它们的行为。

    陆勤_数据人网
  • 干货 | 如何用超大规模真实驾驶视频数据集做端到端自动驾驶

    AI 科技评论按:自动驾驶是人工智能落地的重要应用之一,许多业界公司和学校实验室都在以自己的方法研究自动驾驶系统。本次 AI 科技评论请到了许华哲博士介绍他们团...

    AI科技评论
  • JavaScript初探 五

    Mirror王宇阳

扫码关注云+社区

领取腾讯云代金券