一种基于手机定位数据的地铁优势腹地出行链生成方法与流程

1.本发明属于轨道交通规划技术领域，尤其涉及一种基于手机定位数据的地铁优势腹地出行链生成方法。


背景技术：

2.轨道交通作为城市交通的重要组成部分，传统轨道交通研究主要是基于地铁刷卡数据或闸机数据，完成轨道交通站点之间的出行量和客流强度分析。而对于轨道集散客流的来源地和交通衔接方式，主要借助于问卷调查，完成对轨道交通客流腹地和时空特征分析。
3.随着移动通信网络建设的不断完善，借助于沿地铁线路专门的微蜂窝系统，使得移动通信已实现了沿地铁线路的无线覆盖。目前利用手机定位数据，通过沿地铁线路专用网络标识地铁客流，并与地上基站的用户唯一识别号匹配，已开展了关于地铁客流出行来源地、地铁客流换乘线路路径选择等研究。对比传统问卷调查方式获取客流来源地，手机定位数据具有样本采样率更高、成本更低、覆盖范围更广的优点。
4.考虑到地铁基站信号覆盖范围、基站信号强弱不同、用户数过多基站过载、用户手机并未与基站产生数据交互等问题，在沿地铁线路出行过程中经常会发生信号缺失或缺乏起讫站点，即一次出行的出行链信息并不是完整站点线路数据。因此，基于手机定位数据的地铁出行轨迹还原技术，需结合地铁出行路径准则，如“最短路径法”、“最少换乘站法”、“最优路径法”等方法，进行一系列的地铁出行路径判断。同时，虽然手机定位数据的用户覆盖范围广，用户采样率高，但相对于地铁闸机进出站点的全部客流数据，仍存在一定差距，如何利用手机定位样本数据实现地铁集散客流的全样本数据腹地和数据校核，仍是目前轨道客流研究亟需解决的问题。因此，本次提出利用手机定位数据和地铁客流刷卡数据相结合，进行地铁全样本集散客流腹地和数据校核，进一步提高地铁客流全过程出行链还原的准确性。


技术实现要素：

5.为了克服现有技术中存在的上述问题，本发明提出了一种基于手机定位数据的地铁优势腹地出行链生成方法，该方法是一种基于多元数据校核的地铁客流出行链还原方法，有效地提高了地铁客流全样本的腹地分析和路径还原的准确性、且极大地降低了成本。通过低成本、广覆盖、高采样率的手机定位数据进行不同区位站点分类的地铁站点优势服务范围和地铁客流腹地分析，再结合站点周边土地利用和人口覆盖，实现地铁全样本集散客流的来源地腹地和数据校核，以生成地铁客流出行的完整出行链，从而为交通规划和地铁设计管理者在轨道竞争优势分析和客流引导方面提供了技术支撑。
6.技术方案具体如下：
7.一种基于手机定位数据的地铁优势腹地出行链生成方法，所述生成方法的具体步骤如下：
8.步骤1：获取手机定位数据，所述手机定位数据包括地面基站的手机定位数据和地铁基站的手机定位数据；
9.步骤2：根据轨道线网地理信息获取城市地铁网络中所有的地铁链路表；所述地铁链路表包括地铁线路、地铁站点、上/下行信息，换乘站标识；
10.步骤3：基于手机定位数据判断地铁站客流起讫点；
11.根据所述手机定位数据，先将地铁客流数据区分为沿地铁线路客流数据和地面基站驻留客流数据，再根据地面基站与地铁基站进行信号切换的时间点进行分割，根据最短距离和最小换乘原则，判断地面基站的用户驻点数据与信号切换的站点是否满足最优路径，若满足最优路径，则判定为起讫点，否则，根据地铁链路表进行上下行搜索，遍历获得同线路的最优站点作为用户的起讫点；
12.步骤4：基于手机定位数据的客流腹地的空间竞争优势分析；
13.基于步骤3得到的基于手机定位数据的地铁出行链od信息表，再结合站点分类表，进行基于手机定位数据的客流腹地的空间竞争优势分析，确定小区与站点之间的空间分布权重和人口覆盖权重，再融合站点区位空间分布和人口覆盖，生成基于地铁闸机数据的站点客流来源地和目的地od表；
14.步骤5：基于多元数据的地铁客流腹地和站点od分布的校核；
15.基于步骤4客流腹地的空间竞争优势分析，结合线网站点客流od路径推断，最终生成地铁线网站点客流出行链od分布表；然后基于站点客流od数据和调查数据，实现基于手机定位数据的轨道客流出行链还原和修正。
16.优选地，所述地面基站的手机定位数据包括用户编号、基站编号、时间戳、事件类型、经度、纬度；所述地铁基站的手机定位数据包括用户编号、基站编号、对应地铁站点、时间戳、事件类型、经度、纬度。
17.优选地，步骤3：基于手机定位数据判断地铁站客流起讫点具体为：
18.根据所述手机定位数据，先将地铁客流数据区分为沿地铁线路客流数据和地面基站驻留客流数据，再根据地面基站与地铁基站进行信号切换的时间点进行分割，分别判断地铁客流的起-讫点，具体操作为：
19.1)根据地面基站与地铁基站进行信号切换的时间点进行分割，获取地铁基站标识的用户沿地铁线路数据集s:{s
l1
,s
l2
,s
l3
,
…
,s
ln
},其中l指的是出行的线路，s
lk
站点信息包含用户编号、线路、站点、站点经纬度坐标、时间戳、对应小区编号和站点顺序号；
20.2)起始站判断：基于地铁基站检测到用户信号的起始时刻t
lk
，提取用户与地铁基站切换之前的前一刻t
lk-1
的地面基站驻点数据taz
o_ij
，所述地面基站驻点数据taz
o_ij
包含用户在地面基站所在小区编号、经纬度坐标、驻留时刻t
ij
界于time(t
lk-1
,t
lk
)和驻留时长，再计算信号切换的地面基站驻点小区与基站的距离dist
lk_ij
，并与地铁链路表匹配，判断是否遵循最优路径，即遵循最短距离和最少换乘，生成基于最优路径d(z
lk_ij
)的起始站数据集l:list.add(s
lk
)：
[0021][0022]
若地面基站对应小区与地铁信号切铁的起始站点s
lk
不满足最短距离，则在该线路上行搜索前一站s
lk-1
，判断其是否符合最优路径，若符合则加入l:list.add(s
lk-1
)，若不在
同一条线路，不满足最优路径，则基于地铁链路表，搜索紧邻线路的上行站点s
l_adj_k-1
，再进行最优路径判断，若符合则加入起始站数据集l:list.add(s
l_adj_k-1
)；
[0023]
3)终点站判断：基于地铁基站检测到用户信号的终点时刻t
lk+n
，提取用户与地铁基站切换之前的下一刻t
lk+n+1
的地面基站驻点数据taz
d_ij
，所述地面基站驻点数据taz
d_ij
包含用户在地面基站所在小区编号、经纬度坐标、驻留时刻t
d_ij
界于time(t
lk+n
,t
lk+n+1
)和驻留时长，再计算信号切换的地面基站驻点小区与基站的距离dist
lk+n_ij
，并与地铁链路表匹配，判断是否遵循最优路径原则，即遵循最短距离和最少换乘，生成基于最优路径d(z
lk_ij
)的终点站数据集l:list.add(s
lk+n
)：
[0024][0025]
若地面基站对应小区与地铁信号切铁的终点站点s
lk+n
不满足最短距离，则在该线路下行搜索下一站s
lk+n+1
，判断其是否符合最优路径，若符合则加入l:list.add(s
lk+n+1
)，若不在同一条线路，不满足最优路径，则基于地铁链路表，搜索紧邻线路的下行站点s
l_adj_k+n+1
，再进行最优路径判断，若符合则加入终点站数据集l:list.add(s
l_adj_k+n+1
)；
[0026]
4)最后，结合上述起始站和终点站判断，更新基于手机定位数据的地铁出行链od信息表。
[0027]
优选地，步骤4：基于手机定位数据的客流腹地的空间竞争优势分析具体为：
[0028]
1)根据地铁闸机不同票种刷卡数据m:{m
f1
,m
f2
,m
f3
,
…
,m
fn
}，生成不同票种的站点od信息表list.add(x
od_l
)，再结合线路站点空间分布、人口覆盖、客流波动系数，生成站点分类表s:{s
l1_type
,s
l2_type
,s
l3_type
,
…
,s
ln_type
}；
[0029]
2)根据站点分类表，结合步骤3生成的基于手机定位数据的地铁出行链od信息表，生成区域不同站点分类的od信息表，再结合小区与站点空间分布情况，进行基于手机定位数据的客流腹地的空间竞争优势分析；确定小区与站点之间的空间分布权重和人口覆盖权重，再融合站点区位空间分布和人口覆盖，生成站点客流出行链od数据。
[0030]
优选地，所述小区与站点之间的空间分布权重确定方式具体为：根据站点与小区之间的距离关系，确定小区与站点之间的空间分布权重：
[0031][0032]
其中，m
l_o
和m
l_d
分别是起始站和终点站的来源地和目的地小区覆盖的小区数，k
l_o
和k
l_d
分别是起始站和终点站的来源地和目的地小区的距离分级数，dist
o_ij
和dist
d_ij
分别是来源地和目的地小区(和)距离站点起始站s
l_o
和终点站s
l_d
的距离，α
l_o
和α
l_d
分别是起始站和终点站的来源地和目的地小区的距离分布系数，t
ij_o
和t
ij_d
分别是界于time(t
x_o
,t
x_ij_o
)和time(t
x_d
,t
x_ij_d
)的时刻，t
x_o
和t
x_d
分别是起始时刻和终点时刻，t
x_ij_o
和t
x_ij_d
分别是来源地小区和目的地小区的时刻，和分别是起始站和
终点站的来源地和目的地小区的空间分布权重系数。
[0033]
优选地，所述小区与站点之间的人口覆盖权重确定方式具体为：基于七普人口数据，融合小区的土地利用情况，确定小区与站点之间的人口覆盖权重：
[0034][0035]
其中，p
l_o_ij
和p
l_d_ij
分别是起始站和终点站的来源地和目的地小区覆盖的单位人口数，g
l_o_ij
和g
l_d_ij
分别是起始站和终点站的来源地和目的地小区覆盖的建筑面积，β
l_o
和β
l_d
分别是起始站和终点站的来源地和目的地小区的小区人口系数，和分别是起始站和终点站的来源地和目的地小区的人口布权重系数，t
ij_o
和t
ij_d
分别是界于time(t
x_o
,t
x_ij_o
)和time(t
x_d
,t
x_ij_d
)的时刻，t
x_o
和t
x_d
分别是起始时刻和终点时刻，t
x_ij_o
和t
x_ij_d
分别是来源地小区和目的地小区的时刻。
[0036]
优选地，所述生成基于地铁闸机数据的站点客流来源地和目的地od表具体为：结合不同区域站点分类和地铁客流站点od数据，生成地铁闸机数据的站点客流的来源地和目的地客流数据集f(x
l_ij_od
)：
[0037][0038]
其中，x
l_o
(σ)和x
l_d
(σ)分别是起始站和终点站的来源地和目的地小区的客流数据，σ则为客流数据调整系数，和分别是起始站和终点站的来源地和目的地小区的空间分布权重系数，和分别是起始站和终点站的来源地和目的地小区的人口布权重系数，t
ij_o
和t
ij_d
分别是界于time(t
x_o
,t
x_ij_o
)和time(t
x_d
,t
x_ij_d
)的时刻，t
x_o
和t
x_d
分别是起始时刻和终点时刻，t
x_ij_o
和t
x_ij_d
分别是来源地小区和目的地小区的时刻。
[0039]
优选地，步骤5：基于多元数据的地铁客流腹地和站点od分布的校核具体为：
[0040]
基于步骤4客流腹地的空间竞争优势分析，结合线网站点客流od路径推断，最终生成地铁线网站点客流出行链od分布表；然后基于站点客流od数据和调查数据，实现基于手机定位数据的轨道客流出行链还原和修正；
[0041][0042]
其中，和分别是起始站和终点站的来源地和目的地小区之间不同线路的客流腹地数据，是指在起始站和终点站的来源地和目的地小区之间不同线路的
客流调整系数，x
l_od
(σ)指不同线路在起始站和终点站之间的od出行量数据，f
α
(σ,x(σ))即为在一定的时间范围内获得地铁客流出行链还原od数据与站点之间od数据在不同区域站点分类的最小化过程。
[0043]
本发明提供的基于手机定位数据的地铁优势腹地分析和出行链还原方法，符合国家法律隐私规定，结合运营商地铁基站数据，具有获取方式简单、成本较低，信息样本大、取样时间灵活、自动化获取的特点，可实现地铁客流全样本出行链的还原，可进一步提高地铁客流腹地的合理性和精确性，本发明相对于现有技术的优势效果具体如下：
[0044]
1)本发明基于手机定位数据的地铁客流优势腹地分析，相对传统交通调查，可极大弥补传统调查的小样本和长周期静态数据的缺陷，实现地铁优势出行的短周期实时动态更新；
[0045]
2)本发明基于手机定位数据的地铁优势腹地分析和出行链还原方法，立足于地铁客流全过程链分析，进行地铁客流优势腹地分析和出行链校核，有助于区域不同交通方式的出行竞争分析研究，对交通分析提供数据基础。
[0046]
3)本发明结合地铁客流多维空间数据分析方法，利用大数据和传统ic卡客流结合，支撑地铁客流全过程分析和校核，有利于提高地铁客流分析的科学性和准确性，以提升交通设施的利用效率。
附图说明
[0047]
图1基于手机定位数据地铁优势腹地分析和出行链还原方法流程图；
[0048]
图2基于地铁站点客流腹地的空间分布情况示意图；
[0049]
图3基于地铁站点客流腹地的人口覆盖情况示意图；
[0050]
图4基于不同行政区的站点客流空间分布距离示意图；
[0051]
图5基于不同站点的地铁客流腹地空间分布示意图。
具体实施方式
[0052]
下面结合附图对本发明的具体实施方式作详细说明，参见附图1，本发明的一种基于手机定位数据的地铁优势腹地出行链生成方法，具体实施步骤如下：
[0053]
步骤1：获取地面手机数据和地铁专有蜂窝网络的手机定位数据。
[0054]
获取的手机数据信息包括来自地面基站的手机数据和地铁专有蜂窝网络的手机定位数据。其中来自地面基站的手机数据包括用户编号、基站编号、时间戳、事件类型、经度、纬度等标签属性信息，用以地铁专有蜂窝网络切换的起-讫点判断。
[0055]
获取的地铁专有蜂窝网络的手机定位数据包括用户编号、基站编号、对应地铁站点、时间戳、事件类型、经度、纬度等标签属性信息，用以乘坐地铁出行的途径站线路和站点判断。
[0056]
表1地铁专用蜂窝网络数据字段信息表
[0057]
字段名数据类型字段信息内容isdnstring手机识别号，用以手机用户的唯一识别号lacstring位置区编号timestampstring时间戳，信令发生时的时间标记
eventtypestring信令事件类型latitudestring纬度longitudestring经度stopidstring对应的地铁站点编号，地铁专用蜂窝网络对应的地铁站点
[0058]
步骤2：获取城市地铁网络中，所有的地铁线路链路表信息。
[0059]
地铁链路表信息包括地铁线路、地铁站点、上/下行信息，换乘站标识等地铁属性信息。
[0060]
表2地铁线路的链路字段信息表
[0061]
字段名数据类型字段信息内容lineidstring地铁线路编号，用以地铁线路标识stopidstring地铁站点编号，用以地铁站点标识directionstring地铁线路上/下行标识，用以标识沿地铁出行的方向信息trans_flagstring地铁换乘站信息，用以标识换乘站点可换乘线路信息
[0062]
步骤3：基于手机定位数据的地铁站客流起讫点判断。
[0063]
对于地铁客流数据，根据地铁专用蜂窝标识数据，先将地铁客流区分为沿地铁线路客流数据和地面基站驻留客流数据，再根据地面基站与地铁专用蜂窝数据进行信号切换的时间点进行分割，分别判断地铁客流的起-讫点，具体操作为：
[0064]
首先，根据地面基站与地铁专用蜂窝数据进行信号切换的时间点进行分割，获取地铁基站标识的用户沿地铁线路数据集s:{s
l1
,s
l2
,s
l3
,
…
,s
ln
},其中l指的是出行的线路，s
ln
站点信息包含用户编号、线路、站点，站点经纬度坐标、时间戳、对应小区编号和站点顺序号等信息。
[0065]
起始站判断：基于地铁基站检测到用户信号的起始时刻t
lk
，提取用户与地铁基站切换之前的前一刻(t
lk-1
)地面基站驻点数据taz
o_ij
，taz
o_ij
包含用户在地面基站所在小区编号、经纬度坐标，驻留时刻和驻留时长等信息，再计算信号切换的地面基站驻点小区与基站的距离dist
lk_ij
，并与地铁链路表匹配，判断是否遵循最优路径原则(最短距离和最少换乘)，生成基于最优路径的起始站数据集l:list.add(s
lk
)：
[0066][0067]
若地面基站对应小区与地铁信号切铁的起始站点s
lk
不满足最短距离，则在该线路上行搜索前一站s
lk-1
，判断其是否符合最优路径，若符合则加入l:list.add(s
lk-1
)，若不在同一条线路，不满足最优路径，则基于地铁链路表，搜索紧邻线路的上行站点s
l_adj_k-1
，再进行最优路径判断，若符合则加入起始站数据集l:list.add(s
l_adj_k-1
)。
[0068]
终点站判断：与起始站判断原理相似，基于地铁基站检测到用用户信号的终点时刻t
lk+n
，提取用户与地铁基站切换之前的下一刻(t
lk+n+1
)地面基站驻点数据taz
d_ij
，taz
d_ij
包含用户在地面基站所在小区编号、经纬度坐标，驻留时刻和驻留时长等信息，再计算信号切换的地面基站驻点小区与基站的距离dist
lk+n_ij
，并与地铁链路表匹配，判断是否遵循最优路径原则(最短距离和最少换乘)，生成基于最优路径的终点站数据集l:list.add(s
lk+n
)：
[0069][0070]
若地面基站对应小区与地铁信号切铁的终点站点s
lk+n
不满足最短距离，则在该线路下行搜索下一站s
lk+n+1
，判断其是否符合最优路径，若符合则加入l:list.add(s
lk+n+1
)，若不在同一条线路，不满足最优路径，则基于地铁链路表，搜索紧邻线路的下行站点s
l_adj_k+n+1
，再进行最优路径判断，若符合则加入终点站数据集l:list.add(s
l_adj_k+n+1
)。
[0071]
最后，结合上述起始站和终点站判断，更新基于手机定位数据的地铁出行链od信息表。
[0072]
步骤4：基于手机定位数据的站点空间竞争优势分析。
[0073]
首先，根据地铁闸机不同票种刷卡数据m:{m
f1
,m
f2
,m
f3
,
…
,m
fn
}，生成不同票种的站点od信息表list.add(x
od_l
)，再结合线路站点空间分布、人口覆盖、客流波动系数等分析，生成站点分类表s:{s
l1_type
,s
l2_type
,s
l3_type
,
…
,s
ln_type
}。
[0074]
然后，根据线网站点分类情况，结合步骤3生成的基于手机数据的小区与站点od信息表，生成区域不同站点分类的od信息表，再结合小区与站点空间分布情况，进行地铁站点客流的空间竞争优势分析，发现地铁客流来源地在不同空间范围内与站点的距离和周边人口覆盖相关，并且，与小区站点之间的距离成反比，与周边人口覆盖成正比，因此，基于手机定位数据的客流腹地和空间竞争优势分析，分别确定小区与站点之间的空间分布权重和不同区域人口覆盖的客流权重系数，再融合空间分布和人口覆盖，生成基于地铁闸机数据的站点客流来源地和目的地od表list.add(x
l_ij_od
)。
[0075]
小区与站点之间的空间分布权重判断：基于手机定位数据的站点客流腹地的空间竞争优势分析，站点客流与小区之间的距离存在反比关系，并且，针对不同的距离范围，站点客流随着距离的增长而对站点客流影响越小。因此，根据站点客流与小区之间的距离关系，确定站点小区来源地和目的地空间分布权重系数：
[0076][0077]
其中，m
l_o
和m
l_d
分别是起始站和终点站的来源地和目的地小区覆盖的小区数，k
l_o
和k
l_d
分别是起始站和终点站的来源地和目的地小区的距离分级数，dist
o_ij
和dist
d_ij
分别是来源地和目的地小区距离站点起始站和终点站的距离，α
l_o
和α
l_d
分别是起始站和终点站的来源地和目的地小区的距离分布系数，和分别是起始站和终点站的来源地和目的地小区的空间分布权重系数。
[0078]
小区与站点之间的人口覆盖权重判断：基于手机定位数据的站点客流腹地的空间竞争优势分析，站点客流与小区之间的人口覆盖存在正比关系，并且，针对不同区域的土地类型和人口覆盖，站点客流的产生和吸引也不同。因此，基于七普人口数据，融合小区的土
地利用情况，确定站点小区来源地和目的地的人口覆盖权重系数：
[0079][0080]
其中，p
l_o_ij
和p
l_d_ij
分别是起始站和终点站的来源地和目的地小区覆盖的单位人口数，g
l_o_ij
和g
l_d_ij
分别是起始站和终点站的来源地和目的地小区覆盖的建筑面积，β
l_o
和β
l_d
分别是起始站和终点站的来源地和目的地小区的小区人口系数，和分别是起始站和终点站的来源地和目的地小区的人口布权重系数。
[0081]
基于地铁闸机数据的站点客流od腹地：基于手机定位数据的站点客流腹地的空间竞争优势分析，确定了站点客流与小区之间的空间分布人口覆盖的权重关系之后，再结合不同区域站点分类和地铁客流站点od数据，生成地铁闸机数据的站点客流的来源地和目的地客流数据x
l_ij_od
:
[0082][0083]
步骤5：基于多元数据的地铁客流腹地和站点od分布的校核。
[0084]
综合考虑步骤4客流空间竞争优势和站点周边人口的产生吸引影响因素，结合线网站点客流od路径推断，最终生成地铁线网站点客流出行链od分布表。然后基于站点客流od数据和调查数据，实现基于手机定位数据的轨道客流出行链还原和修正。
[0085][0086]
其中，和分别是起始站和终点站的来源地和目的地小区之间不同线路的客流腹地数据，是指在起始站和终点站的来源地和目的地小区之间不同线路的客流调整系数，x
l_od
(σ)指不同线路在起始站和终点站之间的od出行量数据，f
α
(α,x(α))即为在一定的时间范围内获得地铁客流出行链还原od数据与站点之间od数据在不同区域站点分类的最小化过程。
[0087]
下面将结合附图和实施实例对本发明做进一步的详细说明。
[0088]
在基础资料收集方面，采集的信息资源包括市域范围内的手机信令数据和上网数
据(日均21亿条)、地铁闸机所有票种的刷卡数据(日均500多万条)、轨道地理信息数据、建筑数据、人口普查等数据。获取的沿地铁线路专有标识的手机数据包括站点名称stanam、站点出入口信息ne_nam、基站识别号cgi、城市名city，地铁覆盖场景唯一标识cov_scene，地铁覆盖类型cov_typ，以及经纬度信息:cell_lng,cell_lat，用户识别号msisdn。
[0089]
表3地铁专用蜂窝网络数据样例
[0090][0091]
以获取的个体用户的在地铁基站的一周多天信号数据为例，个体用户存在较多的地铁站信号缺失，仅在换乘站或停留时长较长的站点会有信号数据，存在大量地铁基站数据缺失现象，因此，需要进行用户地铁起-讫站点信号数据的还原。
[0092]
表4用户在地铁专用蜂窝网络所获取的信号数据样例
[0093]
[0094][0095]
利用步骤3的基于手机定位数据的地铁客流起讫点数据判断，可获取基于手机定位数据的地铁客流的来源地和目的地数据，日均共获取约200万条地铁腹地数据，通过地铁客流的来源地和目的地分布情况来看，地铁站点客流的分布与小区与站点的空间距离和站点土地利用对应的人口覆盖相关，并且，地铁站点客流与小区站点之间的空间距离成反比，如附图2，与人口覆盖成反比，如附图3。
[0096]
基于手机定位数据的地铁客流的来源地和目的地数据，综合考虑空间分布和人口覆盖情况，可获取不同区域站点的客流来源地和目的地客流空间分布数据，如附图4。
[0097]
基于地铁闸机不同票种刷卡数据，生成不同票种的站点之间od数据后，再结合线路站点空间分布、人口覆盖、客流波动系数等分析，融合土地利用情况生成现站点分类数据，实现不同站点的客流腹地和空间分布数据，如附图5。
[0098]
对于本领域的普通技术人员来说，在不脱离本技术创造构思的前提下，还可以对本发明的实施例做出若干变型和改进，这些都属于本技术的保护范围。