基于手機大數據的交通規(guī)劃方法與應用

目錄
叢書序
前言
第1章 緒論 1
1.1 本書的定位 1
1.1.1 背景 1
1.1.2 本書特點 3
1.1.3 本書目標 3
1.2 本書的基礎 4
1.2.1 移動互聯(lián)技術發(fā)展 4
1.2.2 傳統(tǒng)交通規(guī)劃方法的缺陷 5
1.2.3 新一代交通規(guī)劃定量分析方法流程 6
1.3 數據集介紹 7
1.3.1 手機信令數據 8
1.3.2 三角定位數據 9
1.3.3 用戶屬性 10
1.4 本書的章 節(jié)簡介 11
1.5 參考文獻 12
第2章 傳統(tǒng)交通規(guī)劃方法概述 14
2.1 交通規(guī)劃的內容 14
2.2 交通調查 14
2.3 交通需求預測與四階段法 16
2.4 交通生成預測 18
2.5 交通分布預測 20
2.5.1 增長系數法 21
2.5.2 重力模型法 22
2.6 交通方式劃分 24
2.6.1 集計分析法——最大熵法 24
2.6.2 非集計分析方法——離散選擇模型 26
2.7 交通分配 28
2.7.1 用戶均衡 28
2.7.2 系統(tǒng)最優(yōu) 32
2.7.3 非平衡分配方法 33
2.7.4 不同交通分配方法對比 35
2.8 傳統(tǒng)交通規(guī)劃方法與基于手機數據方法的對比 37
2.8.1 交通生成 38
2.8.2 交通分布 38
2.8.3 出行方式劃分 39
2.8.4 交通分配 39
2.9 參考文獻 40
第3章 手機數據預處理 41
3.1 背景與意義 41
3.2 手機數據的存儲與計算 41
3.3 數據清洗 42
3.4 用戶基站軌跡重構 43
3.4.1 乒乓數據處理 44
3.4.2 漂移數據處理 47
3.4.3 基于混合降噪算法的用戶軌跡重構 49
3.5 基站與交通小區(qū)的匹配 50
3.6 基站范圍劃分 52
3.7 描述性統(tǒng)計 55
3.8 本章小結 56
3.9 參考文獻 56
第4章 交通生成 58
4.1 背景與意義 58
4.2 相關文獻綜述 59
4.3 基于手機數據的交通生成計算方法 61
4.3.1 常住人口分布識別 61
4.3.2 流動人口分布識別 63
4.3.3 交通生成預測方法 66
4.4 案例結果分析 69
4.4.1 常住人口識別 70
4.4.2 流動人口識別 76
4.4.3 交通生成預測 79
4.5 本章小結 80
4.6 參考文獻 81
第5章 交通分布與出行方式劃分 82
5.1 背景與意義 82
5.2 相關文獻綜述 83
5.3 基于手機信令數據的交通分布與出行方式劃分方法概述 86
5.3.1 交通分布 86
5.3.2 出行方式劃分 88
5.4 案例結果分析 92
5.4.1 交通分布計算 92
5.4.2 出行方式劃分 99
5.5 本章小結 100
5.6 參考文獻 101
第6章 軌道交通客流分析 104
6.1 背景與意義 104
6.2 相關文獻綜述 104
6.3 地鐵系統(tǒng)內部軌跡識別 106
6.3.1 地鐵OD識別 106
6.3.2 手機數據可靠性檢驗及擴樣方法 107
6.3.3 換乘軌跡識別 113
6.4 軌道交通出行者來源去向識別 114
6.4.1 來源去向識別方法 114
6.4.2 來源去向識別結果驗證 115
6.4.3 軌道交通出行者全出行鏈模式識別 115
6.5 案例分析 116
6.5.1 線網客流分析 116
6.5.2 換乘客流分析 118
6.5.3 來源去向結果分析 118
6.5.4 來源去向識別結果與驗證 120
6.6 本章小結 123
6.7 參考文獻 123
第7章 全網流量計算 125
7.1 背景與意義 125
7.2 相關文獻綜述 126
7.3 問題描述和符號定義 127
7.3.1 符號定義 127
7.3.2 問題描述 127
7.4 數據介紹與分析 128
7.4.1 手機定位數據 128
7.4.2 車牌識別數據 129
7.4.3 路網數據 129
7.4.4 數據相關性分析 129
7.5 針對單路段流量估計的集成學習模型 132
7.5.1 模型算法概述 132
7.5.2 手機定位數據過濾 133
7.5.3 時空特征提取 134
7.5.4 多粒度掃描方法 135
7.6 針對全網流量估計的零樣本學習模型 135
7.6.1 模型算法概述 136
7.6.2 交通網絡流量估計的特征提取 137
7.6.3 Z-score數據標準化 140
7.6.4 重標定問題 141
7.7 案例研究 144
7.7.1 單路段流量預測 145
7.7.2 交通網絡流量預測 146
7.8 本章小結 150
7.9 參考文獻 150
第8章 特定區(qū)域與特殊事件流量分析 154
8.1 背景與意義 154
8.2 基于手機數據的特定區(qū)域與特殊事件客流分析方法綜述 155
8.3 城市重點區(qū)域流量分析 156
8.3.1 城市景區(qū)客流分析 157
8.3.2 城市商圈客流分析 159
8.3.3 大型橋梁客流分析 162
8.3.4 交通樞紐客流分析 164
8.4 城市特殊事件客流分析 166
8.4.1 演唱會客流分析 166
8.4.2 施工客流分析 169
8.4.3 重要節(jié)假日客流分析 171
8.5 本章小結 172
8.6 參考文獻 173
第9章 校核線客流識別 175
9.1 背景與意義 175
9.2 校核線客流識別技術發(fā)展綜述 176
9.3 校核線客流識別的算法與技術實踐 180
9.3.1 軌跡信息概述 180
9.3.2 基站層面的軌跡補全 181
9.3.3 基于連續(xù)軌跡的校核線客流識別 184
9.4 案例分析 186
9.4.1 數據集介紹 186
9.4.2 數據預處理 186
9.4.3 案例分析一 189
9.4.4 案例分析二 194
9.5 本章小結 197
9.6 參考文獻 198
第10章 用戶畫像分析 202
10.1 背景與意義 202
10.2 用戶畫像技術綜述 202
10.3 用戶畫像簡介 203
10.3.1 用戶畫像含義 203
10.3.2 用戶畫像研究內容 203
10.3.3 用戶畫像構建方法 204
10.3.4 用戶畫像體系類型 205
10.3.5 用戶畫像體系構建流程 207
10.4 基于手機大數據的用戶畫像體系 208
10.4.1 手機用戶特征標簽化 208
10.4.2 手機用戶畫像標簽體系 209
10.5 基于基站尺度的區(qū)域功能屬性分析 209
10.5.1 區(qū)域屬性計算流程 210
10.5.2 數據獲取與處理 210
10.5.3 基站范圍用地類型的計算方法 212
10.6 用戶畫像標簽識別方法 214
10.6.1 標簽識別流程概述 214
10.6.2 基本屬性標簽 215
10.6.3 出行屬性標簽 216
10.6.4 活動屬性標簽 218
10.7 基于層次聚類算法的群體用戶畫像構建 218
10.7.1 群體用戶畫像構建流程 219
10.7.2 特征提取與數據預處理 219
10.7.3 層次聚類算法原理及模型構建 220
10.8 基于知識圖譜的用戶畫像 222
10.9 案例分析 223
10.9.1 數據預處理 223
10.9.2 基于基站尺度的區(qū)域功能屬性識別結果 225
10.9.3 用戶畫像標簽識別結果 226
10.9.4 基于層次聚類算法的群體畫像構建實例 231
10.10 本章小結 236
10.11 參考文獻 236
《交通與數據科學叢書》書目 259