Extracting the temporal and spatial distribution characteristics of urban residents by using trajectory data
-
摘要: 介绍了利用出租车轨迹数据提取城市居民出行时空分布特征的过程，包括利用数理统计的方法对出租车上下客事件基于时间进行特征分析；给出了一种融合核密度估计(KDE)与兴趣点(POI)分类的密度聚类算法，实现了出租车上下客热点区域的挖掘以及居民出行活动规律与城市功能区之间关系的发现. 研究表明：居民的出行活动特征在“工-休”日之间以及不同时段之间都表现出明显的差异，并且这种差异性与城市功能区的分布有着密切的联系.Abstract: A process of extracting the temporal and spatial distribution characteristics of urban residents by using taxi trajectory data is introduced, including: using the method of mathematical statistics to analyze the time-based characteristics of taxi boarding and alighting events; A density clustering algorithm integrating kernel density estimation (KDE) and point of interest (POI) classification is proposed, which realizes the mining of taxi loading and unloading hot spots and the discovery of the relationship between residents' travel activity law and urban functional areas. The research shows that the trajectory characteristics of residents show obvious differences between “work-rest” days and different periods, and this difference is closely related to the distribution of urban functional areas.
-
表 1 杭州市出租车轨迹数据字段描述
字段 数据类型 数据样式 数据描述 ID Long Int 1 075 某出租车车辆编号为1075 Lat Float 30.578 975 纬度 30.578 975°N Lon Float 104.066 385 经度 104.066 385°E Sta Int 1 载客状态（0为空载，1为载客） Time Timestamp 2014-09-08T13:27:18 数据记录的时间戳 
下载: 导出CSV
-
[1] 李婷, 裴韬, 袁烨城, 等. 人类活动轨迹的分类、模式和应用研究综述[J]. 地理科学进展, 2014, 33(7): 938-948. DOI: 10.11820/dlkxjz.2014.07.009 [2] GUO D S. Flow mapping and multivariate visualization of large spatial interaction data[J]. IEEE transactions on visualization and computer graphics, 2009, 15(6): 1041-1048. DOI: 10.1109/TVCG.2009.143 [3] 陈占龙, 周路林, 禹文豪, 等. 顾及兴趣点潜在上下文关系的城市功能区识[J]. 测绘学报, 2020, 49(7): 907-920. [4] 姜晶莉, 郭黎, 李豪. 基于出租车轨迹数据的道路空驶率分析[J]. 兰州交通大学学报, 2019, 38(3): 95-100. DOI: 10.3969/j.issn.1001-4373.2019.03.016 [5] 姚尧, 张亚涛, 关庆锋, 等. 使用时序出租车轨迹识别多层次城市功能结构[J]. 武汉大学学报(信息科学版), 2019, 44(6): 875-884. [6] 贾涛, 李琦, 马楚, 等. 武汉市出租车轨迹二氧化碳排放的时空模式分析[J]. 武汉大学学报(信息科学版), 2019, 44(8): 1115-1123. [7] 赵夏君. 基于GPS轨迹数据的城市路段交通拥堵时序分析[J]. 湖南交通科技, 2018, 44(3): 210-215. DOI: 10.3969/j.issn.1008-844X.2018.03.057 [8] 邬群勇, 张良盼, 吴祖飞. 利用出租车轨迹数据识别城市功能区[J]. 测绘科学技术学报, 2018, 35(4): 413-417,424. [9] 许涛. 基于海量出租车轨迹数据的旅行时间预测[D]. 上海: 华东师范大学, 2017. [10] 许震洲. 轨迹大数据下城市异常移动模式研究及可视化[D]. 西安: 西北大学, 2019. [11] LAHA A K, PUTATUDA S. Real time locating prediction with taxi-GPS data streams[J]. Transportation research part C:emerging technologies, 2018(92): 298-322. DOI: 10.1016/j.trc.2018.05.005 [12] ZHOU Z J, DOU W C, JIA G C, et al. A method for real-time trajectory monitoring to improve taxi service using GPS big data[J]. Information and management, 2016, 53(8): 964-977. DOI: 10.1016/j.im.2016.04.004 [13] GONG S H, CARTLIDGE J, BAI R B, et al. Activity modelling using journey pairing of taxi trajectory data[C]// The 4th IEEE International Conference on Big Data Analytics(ICBDA), 2019. DOI: 10.1109/ICBDA.2019.8712832 [14] 李明晓, 张恒才, 仇培元, 等. 一种基于模糊长短期神经网络的移动对象轨迹预测算法[J]. 测绘学报, 2018, 47(12): 1660-1669. DOI: 10.11947/j.AGCS.2018.20170268 [15] 边文涛. 基于轨迹分段及聚类的GPS轨迹地图匹配方法研究[D]. 西安: 西北大学, 2020. [16] 马云飞. 基于出租车轨迹点的居民出行热点区域与时空特征研究: 以昆山市为例[D]. 南京: 南京师范大学, 2014. [17] DAVIS R A, LII K S, POLITIS D N. Remarks on some nonparametric estimates of a density function[J]. Selected works in probability and statistics, 2011, 27(3): 832-837. DOI: 10.1007/978-1-4419-8339-8_13 [18] PARZEN E. On estimation of a probability density function and mode[J]. Annals of mathermatical statistics, 1962, 33(3): 1065-1076. DOI: 10.1214/aoms/1177704472 [19] 孙涛. 1644—1855年间黄河决溢的时空分布规律初探[J]. 云南大学学报(社会科学版), 2020, 19(1): 78-86. [20] BORRUSO G. Network density estimation: a GIS approach for analyzing point patterns in a network space[J]. Transactions in GIS, 2010, 12(3): 377-402. DOI: 10.1111/j.1467-9671.2008.01107.x [21] 禹文豪, 艾廷华, 刘鹏程, 等. 设施POI分布热点分析的网络核密度估计方法[J]. 测绘学报, 2015, 44(12): 1378-1383. -
点击查看大图
图(15) / 表(1)
计量
- 文章访问数: 528
- HTML全文浏览量: 279
- PDF下载量: 61
- 被引次数: 0
