基于手机大数据的交通规划方法与应用

　　本书从现代城市交通发展现状出发，将新兴的交通大数据和人工智能技术与传统交通规划相结合，详细介绍在以手机数据为核心的多源大数据环境下新一代交通规划方法体系。与传统交通规划方法相比，本书所介绍的方法具有成本低、精度高、适用性强等优势，可以替代传统的四阶段法，应用于城市交通规划，希望通过理论与交通规划实践结合的方法，促进大数据在交通规划教学和实际应用中的不断深入。

暂缺《基于手机大数据的交通规划方法与应用》作者简介

目录
丛书序
前言
第1章 绪论 1
1.1 本书的定位 1
1.1.1 背景 1
1.1.2 本书特点 3
1.1.3 本书目标 3
1.2 本书的基础 4
1.2.1 移动互联技术发展 4
1.2.2 传统交通规划方法的缺陷 5
1.2.3 新一代交通规划定量分析方法流程 6
1.3 数据集介绍 7
1.3.1 手机信令数据 8
1.3.2 三角定位数据 9
1.3.3 用户属性 10
1.4 本书的章 节简介 11
1.5 参考文献 12
第2章 传统交通规划方法概述 14
2.1 交通规划的内容 14
2.2 交通调查 14
2.3 交通需求预测与四阶段法 16
2.4 交通生成预测 18
2.5 交通分布预测 20
2.5.1 增长系数法 21
2.5.2 重力模型法 22
2.6 交通方式划分 24
2.6.1 集计分析法——最大熵法 24
2.6.2 非集计分析方法——离散选择模型 26
2.7 交通分配 28
2.7.1 用户均衡 28
2.7.2 系统最优 32
2.7.3 非平衡分配方法 33
2.7.4 不同交通分配方法对比 35
2.8 传统交通规划方法与基于手机数据方法的对比 37
2.8.1 交通生成 38
2.8.2 交通分布 38
2.8.3 出行方式划分 39
2.8.4 交通分配 39
2.9 参考文献 40
第3章 手机数据预处理 41
3.1 背景与意义 41
3.2 手机数据的存储与计算 41
3.3 数据清洗 42
3.4 用户基站轨迹重构 43
3.4.1 乒乓数据处理 44
3.4.2 漂移数据处理 47
3.4.3 基于混合降噪算法的用户轨迹重构 49
3.5 基站与交通小区的匹配 50
3.6 基站范围划分 52
3.7 描述性统计 55
3.8 本章小结 56
3.9 参考文献 56
第4章 交通生成 58
4.1 背景与意义 58
4.2 相关文献综述 59
4.3 基于手机数据的交通生成计算方法 61
4.3.1 常住人口分布识别 61
4.3.2 流动人口分布识别 63
4.3.3 交通生成预测方法 66
4.4 案例结果分析 69
4.4.1 常住人口识别 70
4.4.2 流动人口识别 76
4.4.3 交通生成预测 79
4.5 本章小结 80
4.6 参考文献 81
第5章 交通分布与出行方式划分 82
5.1 背景与意义 82
5.2 相关文献综述 83
5.3 基于手机信令数据的交通分布与出行方式划分方法概述 86
5.3.1 交通分布 86
5.3.2 出行方式划分 88
5.4 案例结果分析 92
5.4.1 交通分布计算 92
5.4.2 出行方式划分 99
5.5 本章小结 100
5.6 参考文献 101
第6章 轨道交通客流分析 104
6.1 背景与意义 104
6.2 相关文献综述 104
6.3 地铁系统内部轨迹识别 106
6.3.1 地铁OD识别 106
6.3.2 手机数据可靠性检验及扩样方法 107
6.3.3 换乘轨迹识别 113
6.4 轨道交通出行者来源去向识别 114
6.4.1 来源去向识别方法 114
6.4.2 来源去向识别结果验证 115
6.4.3 轨道交通出行者全出行链模式识别 115
6.5 案例分析 116
6.5.1 线网客流分析 116
6.5.2 换乘客流分析 118
6.5.3 来源去向结果分析 118
6.5.4 来源去向识别结果与验证 120
6.6 本章小结 123
6.7 参考文献 123
第7章 全网流量计算 125
7.1 背景与意义 125
7.2 相关文献综述 126
7.3 问题描述和符号定义 127
7.3.1 符号定义 127
7.3.2 问题描述 127
7.4 数据介绍与分析 128
7.4.1 手机定位数据 128
7.4.2 车牌识别数据 129
7.4.3 路网数据 129
7.4.4 数据相关性分析 129
7.5 针对单路段流量估计的集成学习模型 132
7.5.1 模型算法概述 132
7.5.2 手机定位数据过滤 133
7.5.3 时空特征提取 134
7.5.4 多粒度扫描方法 135
7.6 针对全网流量估计的零样本学习模型 135
7.6.1 模型算法概述 136
7.6.2 交通网络流量估计的特征提取 137
7.6.3 Z-score数据标准化 140
7.6.4 重标定问题 141
7.7 案例研究 144
7.7.1 单路段流量预测 145
7.7.2 交通网络流量预测 146
7.8 本章小结 150
7.9 参考文献 150
第8章 特定区域与特殊事件流量分析 154
8.1 背景与意义 154
8.2 基于手机数据的特定区域与特殊事件客流分析方法综述 155
8.3 城市重点区域流量分析 156
8.3.1 城市景区客流分析 157
8.3.2 城市商圈客流分析 159
8.3.3 大型桥梁客流分析 162
8.3.4 交通枢纽客流分析 164
8.4 城市特殊事件客流分析 166
8.4.1 演唱会客流分析 166
8.4.2 施工客流分析 169
8.4.3 重要节假日客流分析 171
8.5 本章小结 172
8.6 参考文献 173
第9章 校核线客流识别 175
9.1 背景与意义 175
9.2 校核线客流识别技术发展综述 176
9.3 校核线客流识别的算法与技术实践 180
9.3.1 轨迹信息概述 180
9.3.2 基站层面的轨迹补全 181
9.3.3 基于连续轨迹的校核线客流识别 184
9.4 案例分析 186
9.4.1 数据集介绍 186
9.4.2 数据预处理 186
9.4.3 案例分析一 189
9.4.4 案例分析二 194
9.5 本章小结 197
9.6 参考文献 198
第10章 用户画像分析 202
10.1 背景与意义 202
10.2 用户画像技术综述 202
10.3 用户画像简介 203
10.3.1 用户画像含义 203
10.3.2 用户画像研究内容 203
10.3.3 用户画像构建方法 204
10.3.4 用户画像体系类型 205
10.3.5 用户画像体系构建流程 207
10.4 基于手机大数据的用户画像体系 208
10.4.1 手机用户特征标签化 208
10.4.2 手机用户画像标签体系 209
10.5 基于基站尺度的区域功能属性分析 209
10.5.1 区域属性计算流程 210
10.5.2 数据获取与处理 210
10.5.3 基站范围用地类型的计算方法 212
10.6 用户画像标签识别方法 214
10.6.1 标签识别流程概述 214
10.6.2 基本属性标签 215
10.6.3 出行属性标签 216
10.6.4 活动属性标签 218
10.7 基于层次聚类算法的群体用户画像构建 218
10.7.1 群体用户画像构建流程 219
10.7.2 特征提取与数据预处理 219
10.7.3 层次聚类算法原理及模型构建 220
10.8 基于知识图谱的用户画像 222
10.9 案例分析 223
10.9.1 数据预处理 223
10.9.2 基于基站尺度的区域功能属性识别结果 225
10.9.3 用户画像标签识别结果 226
10.9.4 基于层次聚类算法的群体画像构建实例 231
10.10 本章小结 236
10.11 参考文献 236
《交通与数据科学丛书》书目 259