基于手机定位数据的出行方式识别方法及系统与流程

1.本发明涉及智能交通技术领域，尤其涉及一种基于手机定位数据的出行方式识别方法及系统。


背景技术：

2.随着手机定位精度的提升，手机三角定位数据可以将手机定位数据从提高到50至100m范围内。主要应用也主要在出行者的交通出行行为分析，高速公路的交通状态(交通速度，行程时间等)分析。然而，在以往的基于手机数据来进行交通状态估计的研究中，通常将单个手机用户数看作独立运行的车辆，但实际上手机数据并没有考虑手机用户与实际车辆之间的差别，以及各个手机用户出行模式之间的差异。
3.当前还存在如下问题：
4.1.使用手机数据来进行交通信息提取研究中，受限于手机定位周期频率不规律的影响，手机数据所提取的交通参数多集中在交通速度、出行距离等，而针对交通量的研究往往较少涉及。而在少量的交通量研究中，受限于手机数据的定位精度与手机数据市场占有率的影响，研究场景多为高速公路中，针对城市道路的研究较少。且将车载手机用户数近似成交通量，而忽视了车载手机用户的车辆同乘影响。而城市路网中选择不同类型交通方式的出行，将会对统计交通信息造成一定的误差。
5.2.在以往出行模式划分的研究中，所划分的出行方式多依据出行距离，行驶速度等特征来进行对地铁、飞机或者步行、机动车出行等出行方式差异较大的识别。较少对具体的机动车出行内部差异进行划分。此外，基于手机数据的交通方式识别研究中，受到真实数据统计困难的限制，所划分的方式较少得到真实数据的验证。
6.3.目前使用手机信令数据的研究中，所应用的数据数据类型多为原始的网络信令切换数据或手机仿真数据等。受限于数据定位精度较低，或与实际定位误差存在差异的缺点。以往出行方式划分的应用场景多集中在远距离出行的城市区域间，或者进出口较少、车辆干扰小的高速公路路段中进行划分。而使用真实的经过定位算法处理后的手机数据研究较少。


技术实现要素：

7.针对现有技术存在的问题，本发明提供一种基于移动信号塔点监控的定位方法，。
8.为达到上述目的，本发明提供了一种基于手机定位数据的出行方式识别方法，包括：
9.获取一段时间内待分析区域中的手机三角定位数据；筛选出实际道路中运行的车载手机用户数据，形成车载手机用户的运行轨迹；
10.以各个车载手机用户的轨迹之间的面积差值作为输入，通过最小支撑树算法来进行数据剪枝，形成聚类结果；
11.将聚类结果中同一类的车载手机用户数看作同时乘坐同一辆车的出行者，识别车
载手机用户的出行模式为单独出行，共享出行或公交出行。
12.进一步地，包括：筛选出实际道路中运行的车载手机用户数据，包括：将手机定位数据映射到路网地图中，计算在各路段单位时间内的平均速度，如果低于设定阈值则剔除该手机定位数据；
13.平均速度计算如下：
[0014][0015]
其中，m表示在单位时段t内的手机用户的定位点个数，tk表示第k个定位时刻与上一时刻的时间段，x(k)表示在第k个时刻所在位置的经纬度坐标信息。
[0016]
进一步地，计算最大瞬时速度，剔除每条路段中最大瞬时速度超过该路段最高限速的手机定位数据；
[0017]
最大瞬时速度如下：
[0018][0019]
其中，tk表示手机用户在第k个时刻与第k-1个时刻内的时段，x(k)与x(k-1)分别表示手机用户的第k个时刻与第k-1个时刻的地理位置经纬度。
[0020]
进一步地，剔除定位点不足两个的手机定位数据。
[0021]
进一步地，以各个车载手机用户的轨迹之间的面积差值作为输入，通过最小支撑树算法来进行数据剪枝，形成聚类结果，包括：
[0022]
在某一路段上的每个车载手机用户作为一个顶点，形成全连接无向图g＝(a,e,ω)；a为顶点集合，即手机用户轨迹所围成的面积集合；顶点之间边的权值为各个车载手机用户轨迹所围成的面积之间的差值e代表连接两个顶点的边集；不同车载手机用户轨迹之间的相互连接的边e＝(au,av)，u＝1,2,
…
,n,v＝1,2,
…
,n,u≠v，边的权重为ω(e)＝(au,au)，权重计算公式为：
[0023]
ω(e)＝|a
u-av|
[0024]
其中，au，av分别表示车载手机用户u与车载手机用户v的轨迹与横坐标轴所包围的总面积，计算所有车载手机用户轨迹面积之间差值作为各顶点间的距离，即为边的权重，分别计算所有用户的轨迹之间的面积，从而获得权重矩阵：
[0025][0026]
通过prim算法的将无向图g划分成若干子集图sisi的最小支撑树形式；
[0027]
针对每个子集图si，重复剔除子集图si中权重最大的边，使得类内距离最小，类间距离最大，使得聚类子集的数量达到该子集图si最佳聚类数，完成聚类。
[0028]
进一步地，生成每个子集图si的最小支撑树中的子枝，包括：
[0029]
(1)若某一聚类子集图si是无环图，则子集图直接看作最小支撑树，转至(5)，否则继续(2)；
[0030]
(2)查找具有环的某一聚类子集图si中的最小权值的边《au,av》；
[0031]
(3)将边《au,av》及与该边相连接的新顶点放入集合t中，若集合t中包含了图g中的所有顶点，转至(5)，否则进入步骤(4)；
[0032]
(4)寻找t中每一顶点与t外顶点组成的边中权值最小的边《au,av》，转至(3)；
[0033]
(5)形成的集合t是聚类子集图si的最小支撑树。
[0034]
进一步地，子集图si最佳聚类数的确定包括：在[c
min
，c
max
]区间寻找使vrc值达到最大值时的聚类数作为最佳聚类数，c
max
是车载手机用户的总数，c
min
等于1；
[0035]
计算：
[0036][0037][0038][0039]
其中，bgss表示两个不同类别的各个手机用户之间距离的和，其具有k-1个自由度；wgss表示同一类别内各个手机用户之间距离的和，其具有n-k个自由度；n表示用于构建该个支撑树的车载手机用户总数；k表示所构建的最小支撑树所拆分后的类别数，即聚类数；nj表示所构建的最小支撑树分割后第j个类别内的手机用户数，μ表示基于所有车载手机用户所构建的最小支撑树中边的权重的均值，μj表示聚类后的类别j内边的权重均值，cj表示聚类后的类别j内边的权重子集，x表示聚类后类别j内各个边的权值；
[0040]
计算当wgss值最小并且bgss值最大时对应的k值作为最佳聚类数。
[0041]
进一步地，识别车载手机用户的出行模式包括：当聚类后该类别内的车载手机用户数为1时，表示为单独出行；当聚类后该类别内的车载手机用户数为时，表示为合乘出行；当聚类后该类别内的车载手机用户数为大于7时，表示为公交出行。
[0042]
另一方面提供一种基于手机定位数据的出行方式识别系统，包括：
[0043]
数据筛选模块，获取一段时间内待分析区域中的手机三角定位数据；筛选出实际道路中运行的车载手机用户数据；
[0044]
轨迹形成模块，形成各个车载手机用户的运行轨迹；
[0045]
聚类模块，以各个车载手机用户的轨迹之间的面积差值作为输入，通过最小支撑树算法来进行数据剪枝，形成聚类结果；
[0046]
出行模式识别模块，将聚类结果中同一类的车载手机用户数看作同时乘坐同一辆车的出行者，识别车载手机用户的出行模式为单独出行，共享出行或公交出行。
[0047]
第三方面提供一种计算机可读存储介质，所述计算机可读存储介质中存储有程序指令，当所述程序指令由处理器运行时，实现所述的基于手机定位数据的出行方式识别方法。
[0048]
本发明的上述技术方案具有如下有益的技术效果：
[0049]
(1)本发明针对车载手机用户数与实际交通量不匹配的问题，本发明选用了数据定位精度高，市场占有率大的手机三角定位数据。能够准确识别出行方式为单独出行，共享
出行或公交出行三种出行模式，从而提供了更加准确的城市路网中出行方式信息以及各出行方式的比例信息。
[0050]
(2)本发明针对手机数据定位周期受到手机用户的流量交互频次不规律，而定位间隔不规律的影响，本发明提出轨迹面积间的最小面积差值方法，在满足最小研究路段长度要求情况下，通过将路段交叉口作为研究出行方式的起终点，从而确定研究区域。以最小通过时间间隔为单位，分析该区域内所有手机用户的出行轨迹。选择以经度和纬度映射到横纵坐标内，选择使用各手机用户轨迹与坐标轴之间的面积差值作为聚类。能够较为准确地确定同车人员。
[0051]
(3)本发明针对应用手机定位信息来处理复杂城市交通路网的问题，本研究创新性的提出了两阶段的针对手机数据的交通信息处理方法。首先，通过确定车载手机用户的行驶速度阈值，筛选出非机动化的手机用户。并基于该手机数据的定位精度，确定路段的研究范围。针对所筛选出的车载手机用户，本发明创新性的提出了基于图论的最小支撑树聚类方法，该方法作为非监督学习中比较有效的方法，能够依据车载手机用户的定位轨迹比较准确的进行出行方式划分。
附图说明
[0052]
图1是基于手机定位数据的出行方式识别流程示意图；
[0053]
图2为手机轨迹连接后面积计算示意图；
[0054]
图3为最小支撑树聚类中树的拆分示意图；
[0055]
图4为实施例中手机定位数据分布示意图；
[0056]
图5为基于手机定位数据的出行方式识别系统组成示意图。
具体实施方式
[0057]
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
[0058]
通过使用最小支撑树聚类的方法来对手机三角定位数据用户进行出行模式的划分以及各个出行模式的是识别。
[0059]
一种基于手机定位数据的出行方式识别方法，结合图1，包括以下步骤：
[0060]
s100获取一段时间内待分析区域中的手机三角定位数据；筛选出实际道路中运行的车载手机用户数据，形成车载手机用户的运行轨迹。
[0061]
将手机定位数据映射到路网地图中，具体包括：先将手机定位数据在考虑其定位误差精度情况下将其映射至研究路网中各路段上，即为手机定位数据的路网映射过程。该步骤作为获得交通参数信息的前提，主要是一个将包含地理位置信息的手机定位数据与路网地图信息相关联的过程。
[0062]
使用的手机三角定位数据采用的原始坐标系为gcj-02，它是一种由中国国家测绘局制定的地理信息坐标系统。采用github中所公开的坐标转换算法，将基于gci-02坐标下的手机定位数据转换为wgs84坐标场景。在一个实施例中，选用由python工具包开发的
transform_utils模块来实现两种坐标系的转换操作。
[0063]
由于手机三角定位数据只记录了手机的经纬度位置信息，并没有任何与路段位置信息相关的标签。因此，需要将手机定位数据与电子地图中路网进行匹配，完成手机定位数据与路网地理坐标信息相互关联。拓扑算法，自动打点法，概率法等方法实现该匹配。
[0064]
选择先计算手机用户的平均移动速度，并通过设定不同出行方式的速度阈值来进行筛选出非机动车的出行模式。然后通过评估手机用户的瞬时速度最大值是否满足所在道路的最大限速要求，从而判断是否为错误或者漂移数据。其中，如果超过最大限速的阈值，可能为手机用户的漂移或错误数据，同样需要剔除该手机用户的数据。
[0065]
基于手机定位数据的平均速度计算公式如下所示：
[0066][0067]
其中，k表示每个手机用户在第k个时刻，m表示在时段t内的手机用户的定位点个数，tk表示第k个时刻与上一时刻的时间段，x(k)表示在第k个时刻所在位置的经纬度坐标信息。
[0068]
考虑到研究所在南京市的城市路网实际交通运行状况，本章设定步行出行的速度阈值范围为0-7km/h，自行车出行的速度阈值范围在0-15km/h之间。而当城市路网内路段不出现交通拥堵的状况下，车辆的平均速度一般都大于16km/h。因此，选择16km/h的平均速度作为车载手机用户数出行的最低速度阈值。如果所计算的平均速度大于16km/h，则我们可认为该手机定位数据是由车载手机用户发送的。
[0069]
此外，还使用手机数据的最大瞬时速度来判断该手机三角定位数据是否来自行驶车辆中所发送的连续信号。最大瞬时速度计算公式如下所示：
[0070][0071]
其中，tk表示手机用户在第k个时刻与第k-1个时刻内的时段。x(k)与x(k-1)分别表示手机用户的第k个时刻与第k-1个时刻的地理位置经纬度。
[0072]
城市中所有道路划分为主干路，次干路，支路。而不同道路等级下所要求的最大速度要求也不同。在一个实施例中选择80km/h的手机用户瞬时速度作为最大速度阈值。如果最大速度超过80km/h，则认为该手机用户的定位数据是不连续的，进而需要剔除。
[0073]
需要保证研究路段中的每个手机用户至少有两个定位点信息，从而能够使轨迹之间构成合并的多边形。剔除定位点不足两个的用户数据。
[0074]
为避免所有经过同一研究路段的手机用户都进行计算，在输入模型之前，需要设定单位研究时段，进而预筛选掉在不同时段下行驶在目标路段下的手机用户。
[0075]
在地图中以车辆驶入的十字路口为起点。如果车辆驶出交叉路口，则此交叉路口作为终点。可以提取每个手机的位置轨迹。
[0076]
s200以各个车载手机用户的轨迹之间的面积差值作为输入，通过最小支撑树算法来进行数据剪枝，形成聚类结果。
[0077]
通过判断手机用户之间的距离，来建立最小支撑树。从而实现聚类后对手机用户的出行方式识别。
[0078]
最小支撑树是一种由带有权值的边相互连接组成的无向图g。一个无向图g由一组顶点p和连接顶点的边e构成，即可表示为g＝(p,e)。无向图g中的每条边ei赋以权值ω(ei)。当图g中所有顶点都由边相互连接，且不包含环，则称为支撑树。所谓的最小支撑树即为满足下列条件的支撑树：
[0079][0080]
即所组成目标支撑树中所有边的权值和最小。
[0081]
在一个实施例中。使用轨迹之间面积差值作为权值构建最小支撑树模型，因此首先需要建立一个参考坐标系，计算不同手机用户的轨迹之间的面积。
[0082]
手机用户定位轨迹为手机用户在前后几个时刻下的前后相连的几个的定位点所组成的位置轨迹信息。其中，本章选择使用大地坐标系中的经度作为研究的横坐标，纬度作为研究的纵坐标。并选择研究路段中所有车载手机定位数据中经纬度数据集{loni，lati}中最小的经纬度数值作为所建坐标系的原点，即为(min(loni),min(lati))。把这些手机定位数据映射到所建的坐标系，如图2所示的各个点为手机定位数据映射点。
[0083]
通过以待识别出行方式的n部手机用户来表示成全连接无向图中的n个顶点。其中，顶点之间边的权值可用各个手机用户轨迹之间所构成的面积差值表示，如图2所示。
[0084]
假设有n个需要进行出行模式划分的车载手机用户数，且每个手机用户包含了m个经纬度位置数据，其可用p
it
来表示。p
it
＝(x
it
,y
it
)是表示手机用户i在t时刻的经纬度坐标位置，其中，i＝1,2,
…
,n,t＝1,2,
…
,m。通过同一手机用户的m个定位数据通过直线相连接，并将待识别出行模式的轨迹投影到相同的位置坐标系中，进而获得一条与经度坐标轴所围成的面积，如图2所示，其中，ps与pe分别表示由研究路段的交叉口作为路段的起点与终点。接下来，可以使用以下方程式计算位置轨迹数据所包围的梯形面积：
[0085]si,t
＝[(x
i,t-x
base
) (x
i,t 1-x
base
)]
×
(y
i,t 1-y
i,t
)/2(4)
[0086]
其中，x
base
表示经纬度坐标轴中上的原点，此处x
base
取研究路段中所有手机定位数据集中经纬度取值最小的纬度值，即为min(lati)；x
i,t
和x
i,t 1
表示手机用户i分别在t和t 1时刻下的纬度；y
i,t
和y
i,t 1
表示手机用户i分别在t和t 1时刻下的经度，其中y
i,t 1-y
i,t
表示两个不同时刻定位到投影到经度坐标轴后所围成的梯形面积中的高。进而s
i,t
可表示为手机用户i分别在t和t 1内的轨迹与横坐标之间所组成梯形的面积。
[0087]
每个手机用户i的所有轨迹与横坐标所包围的总面积可表示为如下：
[0088][0089]
其中，ai表示手机用户i在研究路段中任意两个轨迹与横坐标所构成面积的总和。
[0090]
通过分别计算坐标系中任意两条不同手机用户的轨迹面积ai。进而，可获得不同手机用户的轨迹面积之差a
ij
，计算如下：
[0091]aij
＝|a
i-aj|,i＝1,2,...,n,j＝1,2,...,n(5)
[0092]
其中，a
ij
表示手机用户i轨迹面积和手机用户j轨迹面积的差值。因此，通过计算整个研究路段的单位周期内的所有手机用户轨迹面积的差值，可表示成如下的面积差值矩阵形式：
[0093][0094]
结合综上基于手机定位轨迹所围成的抽象化面积的计算，本发明所提出的基于最小支撑树聚类的出行模式识别方法的具体步骤如下：
[0095]
第1步：假设研究路段上有n个手机用户数，则可构造n个手机用户的轨迹与坐标轴的面积，其可表示成全连接无向图g中的n个顶点。此时顶点之间边的权值为各个手机轨迹所围成的面积之间的差值，即可表示为如上述的面积差值矩阵式；此外，相互连接且无向的图可表示为g＝(a,e,ω)，其中，a为顶点集合，即手机用户轨迹所围成的面积，e代表连接两个顶点的边集，其中，每个边可被定义为e＝(au,av)，即为不同手机用户轨迹之间的相互连接的边，u＝1,2,
…
,n,v＝1,2,
…
,n,u≠v。边的权重可表示为ω(e)＝(au,av)，权重计算公式为
[0096]
ω(e)＝|a
u-av|(7)
[0097]
其中，au，av分别表示手机用户u与手机用户v的轨迹与横坐标轴所包围的总面积。然后，计算所有手机用户轨迹面积之间差值，即可获得权重矩阵，如式(6)所示。
[0098]
第2步：通过prim算法的将无向图g划分成若干子集图si；生成每个子集图si的最小支撑树中的子枝。
[0099]
通过prim算法的应用将相互连接的图g中划分出子集图si。prim算法是一种从起点出发，通过选择所有权值最小的边，并在支撑树中依次加入其他顶点的聚类方法。假设在连通无向图g＝(v,e)中，可将顶点集合v分别划分为两个子集t
′
和t。其中，t
′
不属于当前支撑树的顶点集合，t属于当前支撑树顶点集合。进而，可表示成t
′
∪t＝v。
[0100]
创建结果如图3所示，算法构建步骤如下:
[0101]
(1)若某一聚类子集图si是无环图，则可将该子集图直接看作最小支撑树，转至(5)，否则继续(2)；
[0102]
(2)选取具有环的某一聚类子集图si中的最小权值的边《au,av》；
[0103]
(3)将该边《au,av》及与该边相连接的新顶点放入集合t中，若集合t中包含了图g中的所有顶点，转至(5)，否则进入步骤(4)。
[0104]
(4)寻找t中每一顶点与t外顶点组成的边中权值最小的边《au,av》，转至(3)；
[0105]
(5)结束，此时t是聚类子集图si的最小支撑树。
[0106]
第3步：重复剔除子集图si中权重最大的边，使得聚类子集的数量达到该子集图si最佳聚类数，完成聚类。
[0107]
寻找各聚类子集图si中最小支撑树的权值最大者max(ti(e
max
))，移去max(ti(e
max
))所对应的边，从而得到c个聚类子集；若c《c
max
，则c＝c 1，并重复本步骤，否则分类结束。c
max
是车载手机用户的总数。
[0108]
第4步：假设总共有c
max
评估集群，其中，c
max
是车载手机用户的总数，c
min
等于1。然后，使用上述聚类准则来获得最佳聚类数(车内手机用户数)，建立聚类有效性指标函数f(c)，在[c
min
，c
max
]区间寻找使vrc值达到最大值时的聚类数c
*
。此时c
*
可被定义为最佳聚类数，即最终得到的车辆数。构建完最小支撑树后，对最小支撑树进行拆分，拆分成最佳聚类
子集。
[0109]
聚类有效性函数可用来评价聚类效果的好坏或者求解最佳聚类数。其中，最佳理想的聚类效果是能够获得类内的距离最小而类间的距离最大。选择ch函数作为评价路段行驶的手机用户中的最佳聚类数的效果。ch函数具体定义如下：
[0110][0111][0112][0113]
其中，bgss表示组间距离(不同移动车辆中的手机)和，其具有k-1个自由度；wgss表示组内距离(同一移动车辆中的手机)和，其具有n-k个自由度；n表示用于构建该个支撑树的手机用户总数，即样本量；k表示所构建的最小支撑树所拆分后的类别数，即聚类数；nj表示聚类后(即所构建的最小支撑树分割后)第j个类别内的手机用户数，μ表示基于所有手机用户所构建的最小支撑树中边的权重的均值，μj表示聚类后的类别j内边的权重均值。cj表示聚类后的类别j内边的权重子集，x表示聚类后类别j内各个边的权值。综上所述，该聚类算法的主要原理是在进行最小支撑树的拆分过程中，要求组内距离(wgss)最小化并且组间距离(bgss)最大化。
[0114]
最终，vrc函数用于表示类间距离和类内距离之间的比例，其中vrc的最大值对应的类数为最佳聚类个数。
[0115]
s300将聚类结果中的车载手机用户数看作同时乘坐同一辆车的出行者，识别车载手机用户的出行模式为单独出行，共享出行或公交出行。
[0116]
城市路网出行模式估计研究中，选择根据车载手机用户的数量作为划分的出行模式的依据，并将出行模式主要划分为：单独出行，合乘出行，公交出行。其中各个出行模式的判断标准如下：
[0117]
单独出行：当聚类后该类别内的车载手机用户数为1时，表示为单独出行；
[0118]
合乘出行：当聚类后该类别内的车载手机用户数为时，表示为合乘出行；
[0119]
公交出行：当聚类后该类别内的车载手机用户数为大于7时，表示为公交出行。
[0120]
实施例
[0121]
选取江苏省南京市南京高铁站周边的5公里范围内的路网来进行该出行模式的划分与交通量估计，该研究路网约为80平方公里的区域。该研究范围内共有99条双向路段，其中装有lpr检测器设备的路段为27条，这些路段能够获取路段真实流量。另外72条路段的真实流量未知，可应用奔赴卖给你提供的方法进行估计。此外，路网内包含了主干路、次干路、支路等不同道路等级的路段。
[0122]
出行模式识别与交通流量估计所选取的数据，主要是通过手机三角定位技术(tdoa)处理后的手机定位数据，该数据的定位精度约为50～150m。其中，数据采集周期从2016/09/26到2016/10/09，共14天数据。每天在该区域所获取的数据量约为600多万条。数据标签主要包括,手机用户ismi识别码，时间戳，经度，纬度，具体数据样式见下表1所示。
[0123]
表1手机用户数据标签
[0124]
ismi时间戳经度纬度46003023075935303-sep-16 11.36.52.000000pm118.770286631.992719746003169856642803-sep-16 11.36.54.000000pm118.803131131.978689246003074104466103-sep-16 11.36.40.000000pm118.770156931.992679646003759097093603-sep-16 11.36.51.000000pm118.7703431.9930305
[0125]
通过计算手机用户的出行速度来判别手机数据是否为车载手机用户的数据。选择使用oracle数据库来对数据进行筛选。将所有手机数据输入到oracle数据库中，选择通过时间戳，将行驶在同一路段中手机用户的定位数据进行排序，计算手机数据的平均速度与瞬时速度。剔除非车载用户数据以及非连续信号。
[0126]
需要保证研究路段中的每个手机用户至少有两个定位点信息，从而能够使轨迹之间构成合并的多边形。剔除定位点不足两个的用户数据。
[0127]
根据交叉路口的位置，城市道路分为几个部分。通常，在每个路段中都有两个方向。我们以车辆驶入的十字路口为起点。如果车辆驶出交叉路口，则此交叉路口作为终点。然后，可以提取每个手机的位置轨迹。
[0128]
选用python作为程序运行平台，结合github中所提供的graph clustering包，进行最小支撑树的构建。
[0129]
基于手机定位数据的出行模式识别方法，可以计算出这三个路段上不同出行方式的比例，如下表2。通过分析估计结果可知，主干路中与支路路段估计结果相比，公交车出行的比例是最高的，约为10％。此外，主干路中合乘车的比例为37％，支路的比例较低。在支路中，单独乘车出行的比例较大，约占61％。这主要是由于在支路中公交线路数较少，在整个城市路网中主要起到服务各个交通小区的功能，而作为区域间交通出行的功能较小。此外，对于不同类型的研究路段，车道数的不同同样可能导致出行方式的比例不同。
[0130]
表2不同路段下所估计出出行模式误差分析
[0131][0132][0133]
提供一种基于手机定位数据的出行方式识别系统，结合图5，包括数据筛选模块、轨迹形成模块、聚类模块以及出行模式识别模块。
[0134]
数据筛选模块，获取一段时间内待分析区域中的手机gps数据；筛选出实际道路中运行的车载手机用户数据；
[0135]
轨迹形成模块，形成各个车载手机用户的运行轨迹；
[0136]
聚类模块，以两个车载手机用户之间各个轨迹之间的面积差值作为输入，通过最小支撑树算法来进行数据剪枝，形成聚类结果；
[0137]
出行模式识别模块，将聚类结果中同一类的车载手机用户数看作同时乘坐同一辆车的出行者，识别车载手机用户的出行模式为单独出行，共享出行或公交出行。
[0138]
提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序指令，当所述程序指令由处理器运行时，实现所述的基于手机定位数据的出行方式识别方法。
[0139]
综上所述，本发明涉及一种基于手机定位数据的出行方式识别方法及系统，获取一段时间内待分析区域中的手机gps数据；筛选出实际道路中运行的车载手机用户数据，形成车载手机用户的运行轨迹；以两个车载手机用户之间各个轨迹之间的面积差值作为输入，通过最小支撑树算法来进行数据剪枝，形成聚类结果；将聚类结果中同一类的车载手机
用户数看作同时乘坐同一辆车的出行者，识别车载手机用户的出行模式为单独出行，共享出行或公交出行。本发明针对所筛选出的车载手机用户，创新性的提出了基于图论的最小支撑树聚类方法，能够依据车载手机用户的定位轨迹比较准确的进行出行方式划分。
[0140]
应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。