区域，包括外围区域共有18个交通小区，则出行需求矩阵可以表示为 18*18的矩阵，第m行第n列的数字表明以小区m为起点以小区n为终点的出行需求量。根据 同一用户产生的所有定位点分别所在的小区编号，分析用户在小区间的出行路线，例如，根 据表3中数据可以判断的用户1-005-ZXY-6的出行路线为11-17-1-11，用户1-015-ZXY-16 的出行路线为2-12-2。
[0084] (S44)根据所述出行路线的子区域的编号修改所述矩阵中的数据。将矩阵中相应 位置的数字分别加1。
[0085] (S45)依次统计所述第一融合数据中的每个用户的出行路线并修改所述矩阵中 相应位置的数据，直到统计完所有的用户的出行路线以获得最终的0D矩阵数据，如下表所 示：
[0086] 表4居民工作日出行需求矩阵
[0087]
[0089]
[0090] (S46)根据所述居民活动特性数据对所述最终的0D矩阵数据进行校核，得到所述 预定区域在预定时间段内各个子区域之间的出行需求0D矩阵信息。
[0091] 与居民活动特性数据对比，区域总人口为256343人，人均日出行次数为2. 93,因 此估计总出行次数为750184,而无线通讯设备统计结果显示总出行次数为202628,存在差 异的原因是并非所有居民均持有无线通讯设备或或部分居民持有设备但并未参与调查。假 设参与调查的人口在研宄区域内均匀分布，据此对统计结果进行校核。
[0092] 所述校核具体包括如下步骤：
[0093] (S461)根据所述最终的0D矩阵数据在预定时间段内获取各个子区域的交通发生 吸引量。如根据前面得到的表4的信息获取各个小区的交通发生吸引量，得到的各个子区 域的交通发生吸引量如表5所示：
[0094] 表5各小区工作日交通发生吸引量
[0097] (S462)根据所述各个子区域的交通发生吸引量计算所述预定区域的总出行次数。 以表5为例，通过对交通发生量或吸引量求和统计出总出行次数为202628。
[0098] (S463)根据居民活动特性数据计算所述预定区域的实际出行次数。将从居民出行 调查结果列表中获得的研宄区域的总人口乘以该区域的人均出行次数所得到的乘积即为 该区域的实际出行次数。
[0099] (S464)将所述总出行次数除以所述实际出行次数得到的比例值作为校核因子；
[0100] (S465)将最终的0D矩阵中的数据除以所述校核因子，得到所述预定区域在预定 时间段内各个子区域之间的出行需求0D矩阵信息。以表4为例，将表4中的数据除以校核 因子，即可得到所述预定区域在预定时间段内各个子区域之间的实际出行需求0D矩阵数 据。
[0101] 校核后的居民工作日出行需求矩阵如下表所示：
[0102] 表6居民工作日出行需求矩阵（校核后）
[0105]
[0106] 在进一步的实施方案中，步骤S4还可以包括：
[0107] (S4_l)根据所述第一融合数据中的用户在定位点停留的时间长度、所处时间段和 所述定位点所在的子区域的用地属性中的至少一项特征来判断所述定位点作为目的地的 目的地类型。所述目的地的类型包括居住地、工作地和购物休闲地中的至少一种。
[0108] 对于一个用户，分析其在较长的研宄时间段内的工作时间中主要停留的小区，定 义为工作地，例如设定如下标准：在工作日的9:00-18:00中停留6小时以上的地点记为一 日工作地；在研宄时间段内（大于一周），若一半以上工作日在同一个一日工作地，则将其 记为用户的工作地。用户的居住地根据夜间主要停驻地点用类似的方法判定。判定标准可 以根据实际情况适当提高或降低。
[0109] 其次，判定除工作地和居住地以外的停留地点是否是商业用地，从而获取购物/ 休闲目的的出行。
[0110] (S4_2)依次将判定得到的定位点作为目的地的目的地类型信息标记到所述第一 融合数据中的相应记录中以获得第二融合数据，所述第二融合数据表示出行目的标记后的 用户数据。表7为所述第二融合数据的样例，其对经过出行目的判定后的用户数据进行标 记：
[0111] 表7出行目的标记后的用户数据
[0112]
[0115] 上述实施方式在判断定位点作为目的地的类型时结合了用户在定位点停留的时 间长度、所处时间段和所述定位点所在的子区域的用地属性进行判断，由于在判别过程中 同时考虑了定位点所在的子区域的用地属性，使得对于定位点作为目的地的类型的判定更 加严谨，判断结果更加准确可靠。
[0116] 作为优选实施方案，上述步骤S4_2之后还可以进一步包括如下步骤：（S4_3)选 取一特定的出行目的，根据所述第二融合数据如表7的数据统计获得所述预定区域在预定 时间段内各个子区域之间的以所述特定的出行目的的出行需求0D矩阵数据在预定时间段 内。
[0117] (S4_4)根据所述居民活动特性数据对所述预定区域在预定时间段内各个子区域 之间的以所述特定的出行目的的出行需求0D矩阵数据进行校核，得到所述预定区域在预 定时间段内各个子区域之间的以所述特定的出行目的的实际出行需求0D矩阵数据在预定 时间段内。
[0118] 如前所述，与居民活动特性数据对比，区域总人口为256343人，人均日出行次 数为2. 93,因此估计总出行次数为750184,而无线通讯设备统计结果显示总出行次数为 202628,存在差异的原因是并非所有居民均持有无线通讯设备或部分居民持有设备但并未 参与调查。假设参与调查的人口在研宄区域内均匀分布，据此对统计结果进行校核。
[0119] 所述校核中对于获得校核因子的过程同前述的步骤（S461)-(S464)，此处不再赘 述。在获取所述校核因子之后，将所述预定区域在预定时间段内各个子区域之间的以所述 特定的出行目的的出行需求0D矩阵数据除以所述校核因子，得到所述预定区域在预定时 间段内各个子区域之间的以所述特定的出行目的的实际出行需求0D矩阵数据。以工作出 行目的为例，表8示出了校核后的工作日工作出行目的的出行需求矩阵。
[0120] 表8工作日工作出行目的的出行需求矩阵（校核后）
[0123]
[0125] 作为优选实施方案，上述的步骤S3也可以被替换为：
[0126] (S3_l)对所述土地使用数据、居民活动特性数据和无线通讯设备数据进行清洗处 理。所述清洗处理例如可以通过以下方法实现：判断土地使用数据和居民活动特性数据的 数据格式是否正确，剔除错误格式的数据；对无线通讯设备数据中冗余重复数据和格式错 误的数据进行剔除。本领域技术人员应当理解，对数据的清洗处理不以上述方法为限，只要 能够实现剔除异常的数据即可。通过对获取的数据进行清洗，去除异常数据对后续处理的 干扰，降低了系统计算和存储的负担。
[0127] (S3_2)对清洗处理过的土地使用数据和所述无线通讯设备数据进行融合处理，得 到第一融合数据。此步骤与前述的步骤S3的原理基本相同，此处不再赘述。
[0128] 实施例2:
[0129] 不同出行目的大致反映了各个小区的人口、岗位以及商业吸引力等情况。根据小 区的特点、交通规划领域的相关规范以及专业技术人员的经验，对不同预测时间后的人口、 岗位以及商业吸引力等的增长率进行估计，即可获得未来各交通小区的交通发生与吸引 量。
[0130] 本实施例提出了一种用于预测预定区域未来出行需求的方法，该方法根据实施例 1所提供的用于评估预定区域当前出行需求的方法所获得的数据预测所述预定区域未来出 行需求，所述数据包括各个子区域的交通发生吸引量数据和所述在预定时间段内各个子区 域之间的实际出行需求0D矩阵数据，或各个子区域的交通发生吸引量数据和所述预定区 域在预定时间段内各个子区域之间的以所述特定的出行目的的实际出行需求0D矩阵数据 在预定时间段内。所述预测预定区域未来出行需求的步骤包括：假定未来0D交通量的分布 形态与当前出行需求的0D矩阵的分布形态相同，利用前述步骤中得到的数据预估未来各 子区域的发生、吸引交通量，通过循环迭代的方式计