基于Circos弦图的居民出行模式可视分析

基于对城市中出租车OD(Origin-Destination：起始点－终止点)流时空模式的研究,能为城市路网规划、出租车营运方案制定以及居民出行计划提供科学的依据.而时空数据可视化与可视分析是从时空轨迹大数据中感知城市动态、分析OD时空模式的重要手段.该文基于Circos软件,以一种全新的可视化方式对出租车轨迹数据中的OD流进行时空多尺度可视分析.这种方式能在不同时空尺度下表征出租车轨迹OD流的流量、流向及OD流属性特征,能够展示多时空尺度下轨迹OD流数据的时空模式,能更好地理解居民在城市内部区域之间的流动模式,进而揭示居民的出行模式.通过对北京出租车历史轨迹GPS数据进行可视化实验,结果表明该可视化技术能在多时空尺度下表征轨迹OD流数据的时空模式.     

一种用户频繁移动模式并行挖掘算法

针对用户的日常移动轨迹进行挖掘,可以有效地发现隐藏在用户生活中频繁出现的移动规律,即用户频繁移动模式,提出了一种基于PrefixSpan算法的用户频繁移动模式并行挖掘算法PASFORM.该算法利用了新的剪枝策略,缩小了搜索空间;引入了时间约束,挖掘出的频繁移动模式带有时间属性;使用前缀树存储频繁移动模式,缩小了存储空间;采用了并行化方法,适用于海量时空数据的挖掘.实验结果表明,该方法能够快速有效地挖掘出用户频繁移动模式.     

多空间尺度融合的出行轨迹规律分析

多源时空轨迹数据隐含丰富的城市出行信息,通过对其进行挖掘、处理和分析,可以找到个体与群体之间的交互关系。针对轨迹数据挖掘研究范围单一,缺少多空间尺度研究的问题,提出一种融合多空间尺度特征的出行轨迹数据挖掘分析方法。以广东为例,结合社交媒体腾讯用户密度(Tencent user density, TUD)数据集,通过具有噪声的基于密度的聚类方法(density-based spatial clustering of applications with noise, DBSCAN)聚类算法与局部密度峰值计算法提取时空相似性轨迹区域,进而簇类分成一系列热点区域,获得不同时间粒度、不同空间尺度下的出行轨迹规律特征。这能够实现在不同空间尺度融合下展示同一地区的热点区域,进一步探讨出行轨迹的规律变化。可见所提出的方法为利用时空大数据进行城市空间结构研究提供科学参考。     

居民出行停留目的识别模型框架

居民出行轨迹通常以样本数据点的形式呈现出来,未经语义信息化处理的样本数据点无法理解出行者的目的.提出了一种新的算法,从居民出行样本数据中挖掘居民出行GPS轨迹的语义,通过解释出行轨迹的停止与运动,对出行轨迹进行活动识别,推断出行停留目的.该算法通过分析轨迹数据点的物理几何特性(停留时长、转角、速度),判断轨迹中的停留,然后,利用领域知识建立的判别信息库进行对比,推断出居民停留目的.实验数据验证了算法的可行性.     

基于树形结构的Web信息抽取

提出了一种基于树形结构的Web结构化数据抽取算法.该算法基于HTML的树形层次结构,包括HTML树构造算法,数据区域挖掘算法,数据记录挖掘算法以及数据记录模式生成算法.算法引入了页面元素布局位置等信息用于清洗页面,采用层次划分思想实现页面数据区域的挖掘,并通过树匹配生成记录模式,实现最终数据项抽取.实验表明,该方法可以有效地实现Web结构化数据抽取.     

基于时空语义挖掘的城市功能区识别研究

针对目前城市功能区划分大多依靠人工完成,且未充分使用城市中时空数据的问题,提出一种基于时空语义挖掘的城市功能区识别方案.首先,选取某城市矩形区域为研究样本,并以建筑物为划分依据将研究样本划分为有效的基础区域;然后,对各基础区域内的新浪微博位置签到数据及POI(Points of Interest)数据进行时空语义挖掘,采用狄利克雷多项式回归(DMR)主题模型生成区域的功能性向量;最后,通过向量聚类,依据POI类别比例完成区域的功能性识别.实验结果表明,本方案相比基于POI密度的k-means聚类方案和基于潜在狄利克雷分布(LDA)主题模型的城市功能区识别方法具有更高的准确性,位置签到数据所表征出的人们活动模式可以揭示城市功能区之间的差异,在城市地理空间分析上具有良好的效果.     

智能交通刷卡记录中的公交站点恢复方法

随着城市公共交通网络的快速发展以及智能交通卡的普及,智能交通卡中隐藏着越来越丰富的个人及群体移动行为信息.但当前很多城市智能公交卡主要用于收费功能,并未包含乘客确切的上下车时间及站点信息,这给分析挖掘交通卡刷卡数据、提供基于精确位置的服务带来了阻碍.本文针对上海市不含公交上下车站点的刷卡数据集,借助于确定的地铁站点刷卡信息,分析个人的整体刷卡历史记录,提出一个基础的基于时空邻近性的恢复算法(STA,Space-Time Adjacency algorithm)和一个改进的基于历史的恢复算法(HTB,Historical Trip Based algorithm).具体地,STA算法根据刷卡记录线路的时空邻近关系进行恢复,在此基础上,HTB算法将刷卡记录集合根据时间和空间属性进行切分,获得有明确出行意义的出行记录,再利用历史记录集合,提取乘坐线路以及频繁换乘线路,根据线路间的空间关系生成线路带权候选站点列表,再次进行站点恢复.实验证明本文算法可以较好地缩小线路的候选上下车站点范围,且时间效率较高.     

基于移动信令数据的城市热点识别方法

城市热点的识别对于探索解决引导性的人群疏散、规避交通拥堵等问题提供新途径,并为基于位置服务(location based services,LBS)如商铺选址、旅游导航等提供重要的科学参考,具有重要的应用价值。随着个人手机终端的普及与发展,手机已经成为研究用户行为特征的一种理想的探测器。提出了将手机信令数据融合兴趣点(point of interest,POI)数据来挖掘城市的热点区域并进行功能类型标定,重点通过手机信令数据研究人流的出行行为和在蜂窝的驻留时长情况来识别活跃蜂窝,并进一步通过基于密度的聚类算法判别热点区域。选取了重庆市较场口一定范围区域作为研究区域,数据来源于重庆某移动运营商提供的用户手机信令数据,通过实验实例验证分析,证明了该方法可快速识别出城市热点区域,并具有较高的准确性。     

基于移动大数据的城市空间结构感知

准确描绘城市结构、深刻理解城市特性对于智慧城市建设、提升居民生活体验至关重要。遍布于城市的基础设施,如公交车站、银行网点、移动网络等,提供了大量具有时空标记、描述个人行为的数据,使得基于人类行为的城市时空特性分析成为可能,且逐渐成为城市研究的热点。针对这些移动大数据,提出一种方法,将人类移动行为投影到城市空间实体之间的联系中,从而可以方便地从整体和局部研究城市空间实体间联系。基于该方法,利用中国西南某地级市手机上网数据进行实证研究,发现城市空间实体间联系的变化具备周期性,且城市空间结构存在与行政区划相一致的区域中心,这些区域中心的时空变化,反映了人类作息习惯与移动特性。研究结果揭示了城市空间联系的动态特性,为数据治理城市、基础设施的合理配置和资源分配提供了有效的依据。所提出的方法提供一个新的视角,将人类运动整合到空间分布式系统的研究中。     

一种基于MP-tree的频繁路径挖掘算法

针对应用射频识别(radio frequency identification,RFID)技术产生的海量数据,引入挖掘频繁路径的思想,提出挖掘频繁路径的算法MP(movement path)-mine.该算法通过构建MP-tree的形式,只须扫描数据库一次就可以挖掘出所有的频繁移动路径,便于快速向用户提供物品移动趋势方面的信息.理论分析和实验结果表明该算法性能非常有效.     

基于网约车数据的级联城市区域分析框架研究

针对城市区域的复杂性和多变性，提出了一个级联城市区域分析框架(cascaded urban area analysis framework, CUAAF),用来对城市区域进行时空聚类分析.首先，将城市区域划分为多个地理栅格.其次，采用新的区域时空行为指标(area behavior index, ABI)评估任意2个栅格之间的相关性.接着，用Louvain算法对相应的栅格网络进行分析，得到聚类区域.在得到聚类区域后，可再次将该区域输入CUAAF框架，进行级联分析，得到更多分层信息.级联实验可以采用多种指标分析城市区域，从不同层次了解城市区域，获得更详细的城市区域信息.最后，分别用周中周末的数据做了对比实验，结果显示本文方法具有稳健性和数据敏感性.     

一种基于不确定数据的频繁模式分布式挖掘算法研究

大多数真实世界的数据都是局部收集,分区组织的,因此真实数据一般具有分布式特性.通过挖掘这些数据将提供决策者辅助决策信息.提出了一种基于不确定数据的频繁模式分布式挖掘算法,该算法在构建不确定数据生成交易决策树的基础上,提出了在分布式环境下,顺序执行和并行执行分别处理决策树的方法和技巧.实验结果表明,该算法可节省大量的处理时间,提供可靠的辅助决策信息.     

基于机器学习聚类算法的城市公交车站点优化分析

随着"低碳环保,绿色出行"的理念深入人心,城市公交出行成为越来越多人的选择,但公交出行拥堵、低效率问题仍然是一个热点问题.采用聚类算法对城市公交车进行优化分析,通过三种聚类算法(DBSCAN、k-means、DIANA)、OD矩阵模型、统计与概率学等相关技术,对公交车刷卡数据进行挖掘建模,并分析提出居民出行规律、OD矩...     

城市企事业人群出行链提取及出行特征分析

居民出行特征分析是研究交通需求和探寻交通拥堵症结的基础手段.为研究居民出行特征,基于企事业单位人群出行特征调研数据,改进经典DBSCAN聚类算法,识别出居民出行停留点,进而结合关联规则提取出居民出行轨迹数据;根据出行轨迹数据的时空特征,分别从时空角度和功能区划分角度,挖掘出企事业人群出行时空分布规律,以及不同功能区企事...     

城市居民出行碳排放研究进展

在应对全球气候变化和解决城市交通问题中,居民出行碳排放逐渐成为科学研究的重要课题.文章从居民出行碳排放的核算、影响因素和模拟三方面系统归纳了居民出行碳排放的研究内容及相关研究方法.可以认为:使用自下而上方法核算居民出行直接碳排放能明晰社区-家庭层级上居民出行碳排放的变化特征,由于数据获取困难,使用复杂方法核算居民出行间接碳排放的可操作性差;区域-城市环境特征和社区-家庭因素共同作用影响居民出行碳排放的变化,单方面分析居民出行碳排放的影响因素会出现研究结果的偏差,将二者结合使用复杂的数理统计方法量化各因子是揭示居民出行碳排放驱动机制的关键;基于时间地理学理论和GIS空间技术模拟居民出行时空轨迹可以较为直观地分析居民出行碳排放的时空特征,且为居民出行碳排放驱动机制分析提供支持.虽然考虑城市形态、土地利用、交通系统和居民个体行为的综合模型的时间和空间精度较低,却是未来模拟和调控居民出行碳排放的有效途径.     

兰州市轨道交通对城市时空格局影响初探

随着国内轨道交通的规划与兴建,有效提高了城市居民的出行效率,对研究城市空间演变也具有重要意义.以兰州市地面公共交通和轨道交通的出行时间以及交通路网为基础数据,运用比较分析法和最小阻抗的可达性分析模型研究轨道交通对城市时空格局的影响.研究发现,兰州市轨道交通相比地面公共交通工具出行效率提高了2.64倍,有效缩短了居民的出行时间;市区外围轨道交通站的辐射范围大于中心城区,轨道交通的建设更有利于市区外围居民.轨道交通影响下兰州城市空间结构由扁椭圆状变为近似圆状特征,城市的时空压缩效应明显;城市的空间可达性得到明显提高且分布更加均衡,有效增强了城关区、安宁区、七里河区、西固区之间的城市联系.     

面向移动时空轨迹数据的频繁闭合模式挖掘

移动泛在感知设备的广泛普及为移动轨迹数据的大规模采集、存储与分析开拓了广阔的空间。通过对用户的移动轨迹数据进行分析挖掘,发现其中所蕴含的有价值的行为模式与特征,对于基于位置的服务(Location-based Service,LBS),城市交通管理,精准广告营销等领域均具有重要的价值。文中针对移动轨迹频繁模式规模过大、信息冗余问题定义了频繁闭合移动轨迹模式,以经典闭合序列模式挖掘算法为基础提出了适应于移动轨迹数据的频繁闭合模式Close Traj算法,分别通过对仿真数据与真实数据的实验测试,结果显示文中所提出的Close Traj算法对于频繁闭合移动轨迹模式挖掘问题具有较强的适用性,同时在运行效率方面具有显著优势。     

基于非负矩阵分解的OD矩阵预测

提出了一种非负矩阵分解-自回归模型,并用该模型对居民出行流量进行预测.该模型首先利用非负矩阵分解方法挖掘城市区域内的居民出行特征,而后在非负矩阵分解获得的特征矩阵和系数矩阵基础上对时序系数矩阵建立自回归模型,进而对起讫矩阵进行预测.以北京市出租车数据为基础,与时空权重K近邻、传统K近邻、反向神经网络、朴素贝叶斯、随机森林和C4.5决策树回归模型对比,实验结果表明,该模型的预测准确率有显著提升.     

一种传感器网络中频繁移动模式挖掘算法

针对传感器网络中包括目标位置和时间的二维属性频繁移动模式挖掘问题,建立了一种新的树状结构OMP-tree,OMP-tree可以压缩存储大量的原始移动模式.同时提出了一种条件搜索算法,使用该算法可以大大减少满足条件的前缀模式数量.基于OMP-tree和条件搜索算法,设计了一种新的挖掘目标的频繁移动模式算法OMP-mine.该算法基于模式增长思想,直接递归地从条件模式基中得到频繁的前缀模式,然后连接后缀,达到模式增长的目的.仿真结果表明,OMP-mine算法可以有效挖掘出传感器网络中具有二维属性的频繁移动模式,并较好地降低了算法的时间和空间复杂度.     

基于大数据的南京市共享单车时空特征研究

共享单车的兴起极大地便利了人们的短距离出行,利用单车大数据来挖掘和分析短距离的出行规律已成为智慧城市和智慧交通的重要热点.利用南京市的摩拜单车时空数据,研究了单车的时空分布规律与差异,并重点挖掘了早晚高峰时刻以及区域间单车流动规律等,研究表明:(1)南京市整体早、晚高峰时间分别为7:10-8:37和17:15-18:25;副中心早高峰比主城区早35min开始,且晚高峰持续时间长;(2)早、晚高峰高强度骑行主要分布在以新街口、百家湖等为中心的区域;主城区和副中心区有着骑行差异,短距离骑行主城区相对副中心具有更高的比例,副中心则具有更多的长距离骑行;(3)单车骑行围绕地铁站而显现聚集趋势,并且集中于地铁1,2,3号线区域.