多源城市时空数据驱动的流动人口爆发性出行特征挖掘及预测研究

The explosive trips of the floating population is one of the factors to interfere the urban traffic. However, existing researches on travel characteristics of the floating population are mainly on the basis of questionnaire, which can not investigate the detailed influencing factors for the trips of floating population. This project would apply the multisource spatial-temporal data analysis technique, and conduct the long-term and continuous tracking survey on the floating population, which could realize the Feature Mining and Forecasting on Explosive Trips of the floating population. Firstly, this project would construct the differentiation criteria for the floating population according to the spatial-temporal attribute of cellular signaling data; then merge the multisource spatial-temporal data based on the cellular signaling data, and propose the method to explore the individual feature of the floating population through designing the algorithm to investigate the trip characteristics; finally, this project would analyze the interaction between the factors for travel demand and build the multi-mode travel forecasting model for explosive trips of the floating population in special urban area, such as transportation hub and expressway entrance/exit. The proposed model would be validated through the field experiment in terms of a typical city. This project, to promote the development of household travel analysis from overall features to special community features, has important theoretical and practical significance.

城市流动人口的爆发性出行是影响城市交通运行的重要问题之一，而已有的流动人口出行规律研究大多基于传统的问卷调查方法，无法深入解析流动人口出行影响因素。本项目将运用以手机信令数据分析方法为代表的多源时空数据分析技术，对流动人口进行持续“跟踪调查”，进而开展流动人口爆发性出行特征挖掘与预测研究。首先，本项目通过分析手机信令数据的时空属性，建立流动人口的识别标准；然后，融合以手机信令数据为基础的多源城市时空数据，并设计智能数据挖掘算法探索流动人口出行活动属性的相互关系和时空演化规律，提出流动人口爆发性出行特征的挖掘方法；最后，解析流动人口出行影响因素的作用机制，针对交通枢纽、高速公路出入口等城市重点区域，构建多模式的城市流动人口爆发性出行预测模型，并结合我国典型城市的实际应用，验证预测模型有效性。本项目将推动居民出行研究从整体特征向特殊群体特征发展，对于城市交通管理具有重要的理论价值和实际意义。

特殊时间段内的集中性和爆发性出行是影响交通系统出行效率的重要因素。因此，国内外对于出行者的个体交通行为十分重视，本项目为解析个性化交通出行特征，设计了融合地理信息、时间序列信息以及周边环境信息的多源异构数据融合算法，以python为主要平台完成了大规模数据的清洗和规整流程，并以此为基础综合使用时空聚类算法、复杂网络分析、社区发现等方法，探索了出行者在公共交通事件和疫情爆发等情况下的出行规律。其中，在地铁关停影响下，普通用户共享单车出行增加了191%，出行时长变化不显著，并且靠近地铁线路的共享单车站点的出行增幅较高；在疫情影响下，虽然在时空分析中共享单车出行总量下降了80%，但非会员用户出行仍在增加，主要由于必要出行的增加，并且使用网络分析发现了城市出行者的空间集聚性和时间离散性，并将一系列研究成果进行发表，有效的支持了特殊时期的城市交通管理策略的制定。此外，本项目还利用机器学习方法，对于出行方式的选择进行了建模和预测，探索了低碳交通出行的影响因素，例如个人的家庭收入、车辆等个人因素以及对于低碳出行的理解。最后，本项目同时开展了一些原计划没有的工作，例如高速公路的用户个体出行行为以及基于门架的交通运行状态研究，在城市交通出行行为研究的基础上，本项目延伸到了城市之间的高速公路网络，拓展了项目的研究内容。本项目研究成果多样，相关研究进展顺利。

内容获取失败，请点击重试