基于手机信令数据的城市轨道交通客流特征研究

摘要

目前，中国城市化进程仍处在快速演变时期，城市用地规模不断扩大，城市人口总量也不断攀升，城市居民的时空出行范围进一步扩展，所面临的交通问题也越来越严重。具备大运量、长距离等优点的城市轨道交通出行方式给城市居民带来了出行便利。但随着城市轨道交通网络规模的不断扩大，轨道交通营运也面临着大客流预警、轨道交通线路布局优化和营运组织改善等方面的难题，而解决这些难题的的基础在于及时准确地把握轨道交通客流出行特征。但是轨道交通客流出行特征的分析依赖于准确、完整的客流数据，传统的数据获取方法局限性明显。作为新兴的研究方向——手机信令数据，一方面，手机用户群体数量和手机使用率的不断提高，保证了手机信令数据的样本数量和随机性特征;另一方面，无线通信网络覆盖区域的不断扩大，使得手机信令数据的时空信息具备时间连续性和空间广覆盖性等优点。本文研究利用手机信令数据的时空信息，对轨道交通客流出行特征进行定量化的科学分析和研判，挖掘出实时动态交通信息，为大客流预警、轨道交通营运组织改善等提供科学定量化的决策支持。
　　本文首先结合无线通信网络相关知识，着重介绍手机COO定位技术和手机切换定位技术，从原理方面解释手机信令数据的生成和时空特性。根据手机信令数据的记录规则，解释信令数据中各个字段的详细定义。使用SQL Server数据库软件，存储和管理经数据预处理后的手机信令数据以及地铁GSM系统地下和地面的基站信息等数据，奠定后续分析研究的数据基础。
　　无论是分析轨道交通客流出行特征还是挖掘实时动态交通信息，关键的第一步是如何通过手机信令数据的时空信息识别出地铁乘客的几个重要出行行为和相关的移动路径。在深入分析地铁无线通信网络系统特点的基础上，提出地铁乘客出行路径识别原理，进而构建高效的地铁出行路径识别流程，主要包括手机信令数据的预处理、地铁出行数据的筛选以及地铁出行站点匹配算法和路径有效性判别。重点研究了地铁出行站点匹配算法和路径有效性判别的内容。实例数据验证的结果表明:地铁乘客出行路径识别流程能够准确、高效地识别出单个手机用户地铁出行路径。为进一步的地铁乘客出行特征分析提供研究基础。
　　以地铁乘客出行路径识别为基础，利用工作日一天的手机信令数据，对指定地铁站点的乘客进、出站行为和换乘行为特征进行研究。提出进、出站行为和换乘行为的算法识别思路:当筛选出疑似出行行为的特征数据后，回溯判断该用户前一条信令数据的LAC信息是否符合要求，若符合计入客流量，若不符合舍弃该用户。依据这一思路进行Java编程，分别获取指定地铁站点的进、出站行为和换乘行为客流量时变图，结合地铁站点的周边土地利用性质等实际情况，分别对进站行为特征、出站行为特征和换乘行为特征进行分析。研究发现:一、不同站点的进站客流高峰现象跟站点周边土地利用性质有关;二、商业办公区的地铁站点具有十分明显的上下班潮汐现象，且中午时段活动量较大;三、换乘站点不同线路间的换乘客流具有潮汐现象，其余时间段换乘客流量波动不大。因此，利用手机信令数据能够获取准确的轨道交通客流出行特征信息，并且能够契合站点周边土地利用性质。
　　针对地铁占有率指标，定量评估高峰期间特定车次的地铁占有率波动情况。首先，利用地铁出行中的通话信令数据的特点，结合地铁运行时刻表信息，再统计分析得到的多组具有随机性的进站时间和出站时间，建立指定站点的进站时间和出站时间分配模型。依据时间分配模型，将待分析车次在指定站点的上、下车乘客数转化为特定时间分布区间的进、出站客流量。统计沿线每个站点特定时间分布区间内的进、出站客流量来获得对应站点的上、下车乘客数，再依次进行累次加减来定量评估该车次的地铁占有率波动情况。随机选取高峰期通话信令数据进行验证，验证结果表明精度可到90％，此方法具备一定的适用性。

目录

声明

摘要

第一章 绪论

1．1 研究背景

1．2 研究目的及意义

1．3 国内外研究现状

1．3．1 手机数据获取交通信息的研究发展

1．3．2 轨道交通乘客出行路径研究

1．3．3 轨道交通客流特征研究

1．4 主要研究内容

1．4．1 研究内容

1．4．2 技术路线

第二章 手机数据处理研究

2．1 GSM系统通信原理

2．1．1 移动台(Mobile Station)

2．1．2 基站子系统(Base Station Subsystem)

2．1．3 网络子系统(Network SubSystem)

2．1．4 操作支持子系统(Operation Support System)

2．1．5 GSM系统中的区域划分关系

2．2 手机定位技术

2．2．1 COO定位技术

2．2．2 手机切换定位技术

2．3 手机信令数据的处理

2．3．1 手机信令数据生成

2．3．2 手机信令数据定义

2．3．3 手机信令数据的预处理

2．3．4 数据扩样要求

2．4 地铁GSM系统信息数据库

2．4．1 地铁GSM系统的特点

2．4．2 地铁基站信息数据库

2．4．3 地铁网络GIS信息数据库

2．5 本章小结

第三章 地铁乘客出行路径识别

3．1 地铁出行路径识别原理

3．1．1 路径识别原理

3．1．2 出行类型的划分

3．2 出行路径识别流程

3．2．1 数据预处理

3．2．2 地铁出行相关数据筛选

3．2．3 地铁出行站点匹配算法

3．2．4 出行路径有效性判别

3．2．5 出行路径修正

3．3 实例分析

3．3．1 单个用户数据筛选排序

3．3．2 一次地铁出行中的路径识别(无换乘)

3．3．3 一次地铁出行行为的路径识别(有换乘)

3．3．4 一天多次地铁出行行为的路径识别

3．4 本章小结

第四章 地铁乘客出行特征研究

4．1 数据处理和计算

4．1．1 进站流量数据统计

4．1．2 出站流量数据统计

4．1．3 换乘流量数据统计

4．2 流量统计程序编程

4．2．1 数据库链接程序

4．2．2 进站流量统计程序

4．2．3 出站流量统计程序

4．2．4 换乘客流统计程序

4．3 轨道交通客流特征分析

4．3．1 地铁站点进站客流时间变化特征

4．3．2 地铁站点出站客流时间变化特征

4．3．3 地铁站点换乘客流时间变化特征

4．4 本章小结

第五章 高峰期地铁占有率评估

5．1 站点通道走行时间分布研究

5．2 地铁占有率评估基本思路

5．3 地铁出行阶段的划分

5．3．1 进站时间

5．3．2 乘车时间

5．3．3 换乘时间

5．3．4 出站时间

5．3．5 阶段划分的两种模式

5．4 时间分配模型的建立

5．4．1 时间分配模型基本思路

5．4．2 地铁通话出行者筛选

5．4．3 通话信令数据分析和路径识别

5．4．4 确定乘坐车次

5．4．5 确定上、下车时刻

5．4．6 确定出行各阶段时间

5．4．7 实例分析和统计

5．4．8 数学评估和建立时间模型

5．5 验证时间模型

5．6 本章小结

第六章 结论与展望

6．1 研究结论

6．2 研究展望

致谢

参考文献

附录

作者简介