【技术实现步骤摘要】
本专利技术涉及交通出行领域，尤其是涉及一种maas环境下城市个体出行链重构方法。
技术介绍
1、随着城市规模的不断扩张和机动化水平的提高，交通问题成为城市发展中急需解决的难题。城市交通的拥堵、环境污染以及居民日常通勤能力不足等挑战日益凸显，而复杂多样的出行模式更增加了城市交通规划与管理的复杂性。居民的出行信息决定了城市交通的需求。居民的出行行为分析是城市交通系统更新、道路规划和相关政策制定的重要理论依据。对城市个体出行链的重构，有利于研究居民出行的特征与规律，获取有关居民出行行为和需求变化的重要信息，为制定科学合理的城市交通规划与管理方案提供依据。
2、传统的居民出行行为信息获取途径主要是基于人工采集的方法，采样难度大、周期长、成本高，且数据质量无法得到保证。近年来，随着移动互联网、大数据、云计算、共享交通、电子支付等技术的发展，出行即服务(mobility as a service，maas)应运而生，它将各种交通方式的出行服务进行整合，汇聚了不同运输服务商所共享的个人出行数据、车辆属性数据以及交通基础数据，可实现实时、全景、全链交通出行信息数据的共享互通，为重构城市个体出行链带来了新的机遇。然而，当前研究尚缺乏一套全面、成熟的基于maas平台的个体出行链数据的监测方法及提取流程。
技术实现思路
1、本专利技术提出了一种maas环境下城市个体出行链重构方法，以精确追溯城市个体的全链出行信息，为交通规划提供科学依据。
2、本专利技术的技术方案为，包括以下步骤
3、步骤1，提出一套基于maas平台的城市个体出行数据监测指标体系，并确定不同类型数据的监测方式、监测频率、监测精度等数据采集标准。
4、步骤2，对gps轨迹数据进行预处理，并基于变化点法将轨迹数据分割为连续的出行段，提取出行段的特征变量并进行特征选择。
5、步骤3，将微观交通特征集作为模型输入，基于lightgbm模型建立出行方式识别模型。
6、步骤4，采用时空关联分析方法从不同数据源中提取每个用户同一天的所有出行段并按时间顺序组合，进而重构城市个体多模式出行链的全过程信息。
7、进一步的，步骤1的具体实现方式如下：
8、maas平台的系统架构主要包含数据源层、基础设施服务(infrastructure as aservice，iaas)层、平台服务(platform as a service，paas)层、行业应用(software as aservice，saas)层和客户端，如图1所示。数据源层采集各个运输服务商提供的个人出行数据、车辆属性数据以及交通基础数据，为云计算平台提供基础数据支撑；iaas层将服务器、存储及网络等资源进行整合，利用虚拟化技术按照用户需求形成不同规模的计算资源；paas层整合出租车/网约车公司、共享单车/汽车平台、公交以及轨道交通等平台，将研发的应用作为一种服务提供给用户；saas层包括出行规划、支付系统、手机app及附加服务等多个应用系统；客户端通过手机app、微信及互联网等为用户提供各种出行服务功能。
9、根据maas平台的系统架构可知，数据源层通过数据共享机制，打通了各种交通方式之间的数据壁垒，汇聚了共享汽车、网约车、出租车、常规公交、轨道交通及共享单车等多种交通出行数据，可以用于完整追溯城市个体的全链出行信息。根据maas平台对于不同出行方式所需要监测的参数和数据，建立多维度与多模式的城市个体出行数据监测指标体系，如图2所示。
10、对于个人出行数据主要采用动态监测的方式，例如，出行起终点、gps轨迹、出行时间和出行距离等指标可通过用户出行期间的手机定位进行实时监测；交通方式和载客人数等指标可由运输服务商或用户在出行期间主动上传。在不能直接获取用户出行方式的情况下，maas平台可以采用人工智能算法推断识别出行方式。对于出行距离，可利用车载gps数据或票务数据对原始轨迹数据的里程计算结果进行交叉验证。
11、对于车辆属性数据主要采用静态监测的方式，例如，车辆类型等参数可在运输服务商在maas平台注册登记时统计完成；公共交通的行车线路及发车间隔由运输服务商根据当天的车辆运营与调度计划分时段提供。
12、对于交通基础数据主要采用调查统计的方式事先确定，并定期更新，更新周期通常为1年。例如，交通方式转换系数、分交通方式的出行量、人均单次出行距离、分车型的机动车保有量及新能源汽车比例等指标，需根据本市官方部门或权威机构发布的统计数据进行确定；车辆平均能耗、年均行驶里程、燃料排放因子及排放因子修正系数等参数需要由具备相应检测资质的单位按照测量方法和程序测量获得。
13、进一步的，步骤2的具体实现方式如下：
14、根据上述maas平台数据监测体系，用户在使用maas平台过程中所产生的完整出行信息与海量轨迹数据将实时上传到云服务器。用户在平台上完成订单后，平台将保存订单数据，包括：订单编号、起止时间、起止位置、出行方式及票价等，存储为出行订单数据集。在出行过程中，平台将监测用户的实时位置，包括：时间戳、经度、纬度、海拔及速度等，并存储为gps轨迹数据集。
15、接着，对gps轨迹数据集预处理，舍弃缺失“时间戳”、“经度”、“纬度”三个属性任一项属性的轨迹数据记录，舍弃重复冗余数据。按照时间戳先后顺序对gps点排序，将任意相邻两个连续的gps点相连接，转化为轨迹段。计算轨迹段的时间、距离及速度等参数，剔除两个相邻gps轨迹点之间平均速度大于设定阈值的轨迹段，保留有效轨迹段。
16、使用基于变化点的分割方法将行程分割成多个连续的出行段，具体识别步骤为：若轨迹点之间的时间间隔在时间阈值τ以内，则它们被认为是同一次行程中的轨迹点，将轨迹初步分为多个行程；若速度和加速度同时小于速度阈值v’和加速度阈值a’，则判断为步行点，否则为非步行点；若存在连续的步行点或非步行点组成的线段长度小于设定的空间阈值δ时，则将该线段合并到其后段中；若某段的长度超过设定的空间阈值δ，则将其视为确定段，否则视为不确定段；若连续不确定段的数量超过设定的空间阈值δ，则将不确定段合并为一个非步行段；每个步行段的起点和终点被视为划分一个出行段的潜在变化点。
17、从海量时空轨迹数据中提取个体出行链的微观交通特征，包括所有轨迹点的瞬时速度、加速度、方向以及出行段的出行时间、出行距离、平均速度、最大速度、平均加速度和最大加速度等，基于多重共线性(variance inflation factor，vif)对特征进行筛选，通过特征工程构建用于预测出行段交通方式的特征数据集。
18、进一步的，步骤3的具体实现方式如下，
19、将处理过的数据集分为训练数据集和测试数据集两组，将确定的训练样本集的出行特征数据集xa＝{x1,x2,x3...,xa}作为模型的输入变量，基于lightgbm模型建立出行方式识别模型，训练过程中的每一次迭代都会生成一颗新的决策树，直到达到设置本文档来自技高网...
【技术保护点】
1.一种MaaS环境下城市个体出行链重构方法，其特征在于，包括如下步骤：
2.如权利要求书1所述的一种MaaS环境下城市个体出行链重构方法，其特征在于基于MaaS平台的系统架构建立多维度与多模式的城市个体出行数据监测指标体系，对于个人出行数据主要采用动态监测的方式，对于车辆属性数据主要采用静态监测的方式，对于交通基础数据主要采用调查统计的方式事先确定。
3.如权利要求书1所述的一种MaaS环境下城市个体出行链重构方法，其特征在于通过基于时间阈值τ将轨迹初步分割为多个行程，将速度和加速度同时小于速度阈值v’和加速度阈值a’的点判断为步行点，否则为非步行点，然后结合空间阈值δ将轨迹数据分割为不同的出行段。提取出行段的6类微观交通特征，并对同一用户一天的轨迹特征进行融合，最后基于多重共线性对特征进行筛选后，通过特征工程构建用于预测出行段交通方式的特征数据集。
4.如权利要求书1所述的一种MaaS环境下城市个体出行链重构方法，其特征在于将筛选后的特征数据集Xa＝{x1,x2,x3...,xa}作为模型输入，基于轻量梯度提升机模型建立出行方式识别模型，训
5.如权利要求书1所述的一种MaaS环境下城市个体出行链重构方法，其特征在于基于唯一标识的用户ID字段建立索引，关联MaaS平台监测采集的多模式交通出行订单、GPS轨迹等数据，应用时空数据融合方法将用户的所有轨迹段重组为不同交通方式的出行段，并提取每个用户同一天内所有出行段信息，还原个体全过程出行链时空全景数据。然后，计算行链中出行方式y的出行距离Dy，提取最长出行距离Dy所对应的出行方式y，将该出行链分类为以出行方式y为主导的出行链。
...【技术特征摘要】
1.一种maas环境下城市个体出行链重构方法，其特征在于，包括如下步骤：
2.如权利要求书1所述的一种maas环境下城市个体出行链重构方法，其特征在于基于maas平台的系统架构建立多维度与多模式的城市个体出行数据监测指标体系，对于个人出行数据主要采用动态监测的方式，对于车辆属性数据主要采用静态监测的方式，对于交通基础数据主要采用调查统计的方式事先确定。
3.如权利要求书1所述的一种maas环境下城市个体出行链重构方法，其特征在于通过基于时间阈值τ将轨迹初步分割为多个行程，将速度和加速度同时小于速度阈值v’和加速度阈值a’的点判断为步行点，否则为非步行点，然后结合空间阈值δ将轨迹数据分割为不同的出行段。提取出行段的6类微观交通特征，并对同一用户一天的轨迹特征进行融合，最后基于多重共线性对特征进行筛选后，通过特征工程构建用于预测出行段交通方式的...
【专利技术属性】
技术研发人员：刘向龙，李文翔，刘好德，程佳楠，祁昊，杨子杰，李佳杰，丁龙远，李香静，穆凯，
申请(专利权)人：交通运输部科学研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。