一种基于多源数据的轨道站点周边过街通道需求评估方法与流程

摘要: 本技术涉及交通,具体涉及一种基于多源数据的轨道站点周边过街通道需求评估方法。背景技术:1、目前,轨道交通站点过街需求识别主要采用以下几种技术方案:(1)基于计算...
一种基于多源数据的轨道站点周边过街通道需求评估方法与流程

本技术涉及交通,具体涉及一种基于多源数据的轨道站点周边过街通道需求评估方法。

背景技术:

1、目前,轨道交通站点过街需求识别主要采用以下几种技术方案:(1)基于计算机视觉的站内客流识别技术:通过在地铁站内安装摄像头,利用计算机视觉技术识别站内客流密度、行人行为和通行瓶颈,主要用于站内设施优化,但无法覆盖站外过街需求。(2)基于手机信令数据的出行方式识别技术:现有技术利用手机信令数据识别轨道交通出行方式,通过位置匹配、轨迹相似度和速度特征判断是否为轨道交通出行,但主要聚焦于od识别和客流预测,缺乏对站外过街行为的精细化分析。(3)基于od聚类的客流廊道识别方法:通过od点聚类处理,考虑o点距离、d点距离和路径重合度等因素识别客流廊道,但未专门针对过街需求进行建模,也未结合多源数据进行综合评估。(4)传统人工调查方法:通过问卷调查、人工观测等方式获取过街需求数据,存在样本量小、覆盖时间短、成本高等问题,难以反映真实动态需求。

2、上述现有技术存在以下问题:(1)数据覆盖不全面:现有技术多依赖单一数据源(如仅手机信令或仅afc数据),无法全面反映轨道站点周边复杂的过街需求特征,特别是对"绕行"和"横穿马路"等隐性需求识别不足。(2)缺乏精准的空间定位:传统方法对用户在站外道路两侧的具体行走轨迹和等待行为识别精度低,无法准确定位过街需求热点区域,导致过街通道选址缺乏科学依据。(3)评估维度单一:现有技术主要关注客流量大小,未综合考虑道路等级、红线宽度、对侧吸引点强度、人口岗位密度等多维度因素,无法全面评估过街需求的紧迫程度。(4)实时性差:人工调查方法周期长、更新慢,无法适应城市动态变化,难以支撑精细化、实时化的交通规划决策。(5)算法精度不足:现有轨迹匹配算法在复杂城市环境中存在漂移误差,路网匹配精度不高,影响对用户真实行走路径的回溯准确性。

技术实现思路

1、本技术目的在于提供一种基于多源数据的轨道站点周边过街通道需求评估方法,解决了数据覆盖不全面、缺乏精准的空间定位、评估维度单一、实时性差和/或算法精度不足的问题。

2、本技术通过下述技术方案实现:

3、一种基于多源数据的轨道站点周边过街通道需求评估方法,包括:

4、采集多源异构数据;所述多源异构数据包括手机信令数据、土地利用与poi数点数据、现状市政过街设施数据以及路网数据;

5、对所述手机信令数据进行数据清洗以及轨迹重构,获取行人的连续时空轨迹数据,并根据所述连续时空轨迹数据,采用深度学习算法进行轨道交通出行识别以及路径回溯,得到进出站路径;

6、基于所述进出站路径,结合轨道站点出入口的真实位置信息,提取用户在站外道路两侧的步行轨迹特征;

7、以所述用户在站外道路两侧的步行轨迹特征为基础,识别过街需求的热力区域,并将所述过街需求的热力区域与轨道站点出入口进行匹配分析,确定过街缺口位置;

8、采用土地利用与poi数点数据、现状市政过街设施数据以及路网数据构建多维度评价指标,并对所述多维度评价指标进行标准化以及权重确定处理,得到标准化之后的多维度评价指标及其对应的权重;

9、根据所述准化之后的多维度评价指标及其对应的权重,获取所述过街缺口位置对应的需求紧迫度指数,并根据所述需求紧迫度指数进行轨道站点周边过街通道需求评估以及评估结果的可视化。

10、在一种可能的实施方式中,对所述手机信令数据进行数据清洗以及轨迹重构,获取行人的连续时空轨迹数据,包括:

11、对原始的手机信令数据进行质量检查,并剔除异常数据,得到预处理之后的手机信令数据;

12、采用卡尔曼滤波算法对所述预处理之后的手机信令数据进行动态修正,获取行人的连续时空轨迹数据。

13、在一种可能的实施方式中,根据所述连续时空轨迹数据,采用深度学习算法进行轨道交通出行识别以及路径回溯,得到进出站路径,包括:

14、将研究区域进行网格划分,得到多个代分析的网格单元;其中,所述研究区域是指进行轨道站点周边过街通道需求评估的区域;

15、针对任意一个网格单元,从所述网格单元对应的连续时空轨迹数据提取特征参数;所述特征参数包括出行持续时间、出行距离、平均速度、轨迹点数量、停留点数量、是否经过轨道站点缓冲区和周边道路密度中的一种或多种;

16、采用预先设置的深度学习算法对所述特征参数进行分析,识别轨道交通出行轨迹,并提取每条轨道交通出行的起讫点信息,得到出行方式;

17、基于所述出行方式,采用隐马尔可夫模型进行路径回溯,得到进出站路径。

18、在一种可能的实施方式中,基于所述出行方式,采用隐马尔可夫模型进行路径回溯,得到进出站路径,包括:

19、基于所述出行方式,将路网中的每个路段视为隐藏状态,将连续时空轨迹数据中的每个观测点视为观测序列,依次进行隐马尔可夫模型构建、状态转移概率计算、观测概率计算、维特比算法求解以及路网匹配,以实现路径回溯,得到进出站路径。

20、在一种可能的实施方式中,所述多源异构数据还包括轨道交通afc数据;

21、在得到出行方式之后,还包括:采用轨道交通afc数据对所述出行方式进行时空匹配,得到时空匹配结果;所述时空匹配结果包括匹配或不匹配;

22、在所述时空匹配结果为不匹配的基础上,通过对比识别结果与afc数据的差异,评估出行识别和路径回溯的准确率,得到评估结果;

23、根据所述评估结果,调整深度学习算法的参数或路网匹配的阈值。

24、在一种可能的实施方式中,基于所述进出站路径,结合轨道站点出入口的真实位置信息,提取用户在站外道路两侧的步行轨迹特征,包括:

25、以所述进出站路径为基础,将每条进出站路径按照道路边界进行分段,识别出道路两侧的步行轨迹段,对于跨越道路的步行轨迹段,标记为潜在的过街行为;

26、针对存在潜在过街行为的步行轨迹段,分析步行轨迹段中的停留点,识别用户在道路边缘的等待行为;

27、针对任意一个存在等待行为的步行轨迹段,通过计算步行轨迹段的几何特征,识别用户的绕行行为,得到绕行点;

28、通过分析轨迹的穿越角度和穿越位置,识别用户的横穿马路行为,得到横穿马路点;

29、将所述绕行点以及所述横穿马路点共同作为用户在站外道路两侧的步行轨迹特征。

30、在一种可能的实施方式中,以所述用户在站外道路两侧的步行轨迹特征为基础,识别过街需求的热力区域,包括:

31、将所述步行轨迹特征中的绕行点以及横穿马路点作为过街需求的样本点,采用dbscan空间聚类算法自动识别过街需求的热力区域。

32、在一种可能的实施方式中,将所述过街需求的热力区域与轨道站点出入口进行匹配分析,确定过街缺口位置,包括:

33、轨道交通设计图纸或实地调查中获取站点各出入口的精确位置坐标;所述精确位置坐标包括出入口编号、位置坐标、朝向和宽度信息;

34、基于所述精确位置坐标,计算每个出入口与各热点区域的距离,若距离小于设定的匹配半径,则判定该出入口与热点区域匹配;

35、针对任意一个与出入口匹配的热点区域,分析出入口缺失型、设施缺失型、设施不足型以及位置不当型的过街缺口位置;

36、根据热点区域的密度、出入口的流量以及道路的等级,对识别出的过街缺口进行优先级排序,输出排序之后的过街缺口位置。

37、在一种可能的实施方式中,采用土地利用与poi数点数据、现状市政过街设施数据以及路网数据构建多维度评价指标,并对所述多维度评价指标进行标准化以及权重确定处理,得到标准化之后的多维度评价指标及其对应的权重,包括:

38、以所述土地利用与poi数点数据、现状市政过街设施数据以及路网数据为基础,分别构建行为特征维度、流量特征维度、土地利用维度、道路特征维度以及设施特征维度中的多种评价指标,得到多维度评价指标;

39、对所述多维度评价指标进行去量纲处理,得到标准化之后的多维度评价指标;

40、采用层次分析法获取所述标准化之后的多维度评价指标对应的指标权重,得到标准化之后的多维度评价指标及其对应的权重。

41、在一种可能的实施方式中,根据所述准化之后的多维度评价指标及其对应的权重,获取所述过街缺口位置对应的需求紧迫度指数,并根据所述需求紧迫度指数进行轨道站点周边过街通道需求评估以及评估结果的可视化,包括:

42、根据所述准化之后的多维度评价指标及其对应的权重,进行加权求和,得到所述过街缺口位置对应的需求紧迫度指数;

43、将所述过街缺口位置对应的需求紧迫度指数与预设的需求等级划分范围进行匹配,确定轨道站点周边过街通道的需求等级;

44、针对任意一个需求等级,将所述过街缺口位置按照需求紧迫度指数从高到低的顺序进行排列,生成优先级评估清单;

45、将所述需求等级以及优先级评估清单进行可视化输出。

46、本技术与现有技术相比,具有如下的优点和有益效果:

47、本技术公开了一种基于多源数据的轨道站点周边过街通道需求评估方法,该方法融合手机信令、土地利用与poi、现状过街设施及路网等多源异构数据,并通过数据清洗、轨迹重构与深度学习算法识别轨道交通出行路径,提取站外步行轨迹特征,结合dbscan聚类识别过街需求热力区域并匹配确定过街缺口;构建多维度评价指标体系,经标准化与权重赋值计算过街缺口的需求紧迫度指以及将需求评估结果可视化,提升了过街需求识别精度与评估科学性,为城市过街通道规划提供量化决策支持,有效降低规划成本、提升交通运行效率。