基于Spark的出租车轨迹处理与可视化平台

大数据技术在分析与挖掘交通大数据方面扮演着越来越重要的角色.为了快速有效地对出租车的运营模式与载客策略进行分析,设计效益指数模型对出租车效益进行量化排序,以高效益出租车为研究对象,基于Spark大数据框架开发一个轨迹数据处理与可视化平台.首先,处理高效益出租车轨迹数据得到用于可视化的特征数据.而后进行可视化分析,包括：统计分析高效益出租车运营特性并实现交互式图表展示,采用蜂窝形格网与DBSCAN算法对不同时段高效益出租车载客点进行热点可视化,实现基于缓冲区的交互式轨迹查询并提取出轨迹相关因子.最后,利用成都市出租车GPS轨迹数据验证了所提平台的有效性及可靠性.     

基于出租车GPS数据的商圈分析

出租车运营特性具有随机性、即走即停、覆盖范围广的特点,行驶的起止点由乘客决定,其运营规律能够很好地反映乘客出行的特点。根据出租车GPS的定位数据在真实地理空间的覆盖情况,可以还原居民出行的活动轨迹,挖掘潜在信息。提出采用出租车GPS定位数据进行商圈分析。通过对GPS定位数据进行网格划分、聚类,使用R语言建立相应的数据模型以及对模型的应用和结果分析。实验结果表明,将不同时段、不同地点的出租车特征进行统计分析做出折线图,可以识别出不同商圈类型,根据这些信息为潜在顾客的分布制定适宜的商业对策。     

基于Spark平台城市出租车乘客出行分析

目前中国经济的迅速发展也催生了出租车行业的产生,通过对出租车轨迹数据进行分析可以得到城市居民的行为特征,为城市建设提供解决依据.Spark数据分析技术有着快速迭代的优势以及优秀的容错和调度机制,它可以将数据进行缓存并对海量的出租车行为数据进行分析,快速得到结果.对出租车行为数据在Spark平台中的分析过程进行了模拟,希望能够为相关行业带来帮助.     

城市出租车乘客出行特征可视化分析方法

可视化技术通过图形表现数据的内在规律，并可利用交互的形式实现数据的层次化展示，其在分析交通数据、发现交通问题以及辅助决策中扮演着越来越重要的角色。为了更加清晰、直观地展示城市出租车GPS轨迹数据传递的信息，解决因其数据量庞大和时空信息复杂而带来的分析难题，提出一种集成聚集可视化、特征可视化对出租车GPS轨迹数据进行可视化分析的方法。首先，通过数据处理得到可用于可视化的特征数据，而后对乘客上下车点进行聚集可视化，并利用多视图协同交互的方法对轨迹数据进行了特征可视化；最后，根据可视化结果对城市出租车乘客出行特征时空分布情况进行了分析。在此基础上，设计了一个交互式可视分析系统，并通过真实数据集案例验证了系统的有效性。     

基于Hadoop的出租车服务策略

出租车服务策略是出租车司机群体智慧的体现,隐藏在大规模的出租车GPS轨迹数据中.基于大数据分析工具,针对出租车GPS轨迹数据进行服务策略挖掘,提取好的服务策略指导司机营运可以提高司机收入和营运效率.乘客搜索策略是出租车服务策略的主要内容,在对GPS轨迹数据进行清洗之后导入HDFS,首先提取司机个人轨迹,并对其收入进行量化,然后对乘客搜索策略建模,根据模型利用hadoop平台统计出司机对各种策略的使用情况,结果表明,收入较高的司机在乘客搜索策略选择上与收入一般的司机有显著差异.     

基于GCN和TCN的多因素城市路网出租车需求预测

在巡游模式下,出租车与乘客间供需不易匹配,造成出租车空载和乘客打车难现象并存,准确高效地实现路网出租车需求预测有利于有效缓解这一问题.针对现有交通流预测模型对空间特征提取不充分,特别是对城市路网内路段之间的空间关系没有全面挖掘这一问题,充分考虑路网内路段间的3种空间关系,对其分别构建路段间的局部关系图、路段全局关系图和路段OD次数关系图,提出一种由图卷积网络与时间卷积网络相结合的出租车需求预测模型.其中,采用图卷积网络对城市路网内路段的空间关系特征进行挖掘,采用时间卷积网络对交通数据集中的时间序列特征进行挖掘,并且考虑外部因素的影响.实验中,首先从真实出租车GPS轨迹数据中提取城市路网中各个路段的出租车出行量,并利用道路上在多个时隙形成的出行量序列对预测模型进行验证.结果表明,相比其他交通流预测模型,所提出的预测模型具有较优的平均绝对误差、均方根误差和平均绝对百分误差.     

基于MapReduce的出租车停泊点智能推荐算法

现有解决打车难问题的研究工作大部分是集中式地调度出租车,且大多方法在单一服务器上运行串行算法分析海量出租车GPS数据,计算量大,会遇到计算时间和计算资源的瓶颈。为此提出一种基于MapReduce的出租车停泊点智能推荐算法,为司机或乘客推荐更容易接到乘客或打到车的地点。算法通过挖掘大量出租车GPS轨迹数据,检测出停泊点,并生成停泊点知识库。再利用推荐模型为司机或乘客推荐最佳停泊点。实验分析了北京市真实出租车GPS轨迹数据,结果表明该算法能有效为司机和乘客推荐出停泊点,且在大数据量下具有较高的效率。     

基于出租车GPS轨迹的城市区域时空交互特征分析

城市大数据为探索城市内部居民出行的行为特征提供数据支撑。本文将以兰州市出租车GPS轨迹数据为基础,结合数据挖掘和可视化技术,研究兰州市城市居民出行规律和城市空间交互特征。首先,分析4个城区居民出行特征和城区间空间交互特征;然后,采用城市栅格方法,统计分析城市栅格空间之间的交通出行量,并采用CLARA聚类算法识别工作日和周末的城市交通热点区域;最后,建立有向加权复杂网络模型,分析城市交通热点区域之间的空间交互强度。研究结果表明,在工作日和周末兰州市居民出行行为时空特征和城市空间交互特征都存在明显差异,相比于周末,工作日出行更加紧凑密集且具有较强目的性,出行量的聚类结构总体呈现与兰州市河谷型地形相匹配的“哑铃”状分布形状,接近城市中心的相邻聚类区域之间空间交互强度较强。该研究结果可为城市交通管理和居民出行提供决策服务。     

基于大规模GPS轨迹数据的出租车换道行为研究

出租车换道行为的统计特性对研究经济、心理等人类动力学有重要的意义.结合大数据分析技术,基于西安市出租车GPS轨迹数据对出租车司机的换道行为进行了定量研究.设计了一种基于出租车GPS轨迹数据的出租车司机换道行为识别模型,利用大数据平台对出租车司机换道次数按不同时段进行了定量统计,对出租车司机换道次数、出租车平均行驶速度和出租车司机的收入之间进行了相关性分析.分析结果表明,出租车频繁换道行为对司机收益呈现负相关影响,进一步说明出租车司机驾驶习惯和和心理对整个出租车运营有显著影响.     

基于城市交通大数据的车辆类别挖掘及应用分析

实时城市交通监控已成为现代城市管理的一个重要组成部分，视频监控采集的交通大数据在城市管理和交通控制方面得到了越来越多的应用；然而，全城范围内庞大的监控交通大数据还鲜少用于城市交通及城市计算研究。在一个省会城市全城范围内的监控交通大数据上展开了车辆类别挖掘及应用分析研究。首先，定义了周期性私家车、类出租车和公共通勤车三种对城市交通具有重要影响的车辆类别，将车辆类别定义与频繁序列模式挖掘算法相结合提出了相应的挖掘方法。在济南市一周1704个视频监测点，1.2亿次车辆记录数据上，验证了所提定义及挖掘方法的有效性；其次，以4个居民小区为例挖掘分析了居民出行的交通方式及与周围兴趣点（POI）分布关系，此外，还探索了城市交通大数据与POI相结合在城市规划、需求预测和偏好推荐方面的应用潜能。     

一种基于车流量的司乘推荐模型

作为城市交通的基础设施,出租车在日常交通中起着重要作用。随着城市规模的扩大,人们的出行需求不断增加,然而出租车的分布与叫车需求分布之间难以匹配,从而导致打车困难问题的出现,这一现象在大型城市尤其明显。造成打车难的主要原因在于司乘之间信息不能互通,GPS、车联网等技术能够提供车辆位置、运行轨迹等信息,通过对这些信息数据进行处理,可以获得有价值的信息,将其提供至司乘双方能够提升出租车运营效率。现有信息处理方法较为简单,忽略了较多关键影响因素,难以达到理想的效果。因此,本文提出了一种基于出租车轨迹和路网数据来衡量打车难度的出租车流量模型,并通过综合时间、天气等因素对模型进行优化,提升了模型的实用性。基于该模型利用数据挖掘算法抽取有用信息,提供给出租车司机和乘客。最后,本文基于实际出租车数据对模型进行实验验证,结果证明了模型的有效性及实用性。     

交通大数据驱动的地铁和出租车接驳出行规划

现有的城市居民常用出行工具为出租车、公交车和地铁,城市道路的拥挤使得机动车的便捷性大打折扣,地铁也难以覆盖城市各个角落。针对此问题提出了一种接驳出租车和地铁的出行方案,基于上海交通数据的详细分析,提取不同时段下每条道路的行驶时间,地铁线路的出行时间,并对城市分区域计算等车时间,给乘客提供不同时段的差异化线路规划服务和一个较为准确的出行时间。接驳地铁和出租车的出行方式能够在保证较低的出行时间条件下较为明显地降低乘客的出行价格,减少城市道路压力,降低社会的整体能耗,同时在某些拥堵线路上能够提供给乘客出行时间较少也较为准确的方案,增加了公共交通系统的覆盖范围。     

基于出租车GPS轨迹和POI数据的商业选址推荐

针对商业选址问题,提出一种基于城市出租车GPS轨迹和POI数据的商业选址推荐算法。首先,对城市出租车GPS轨迹和POI数据进行预处理及地图匹配,然后将城区进行交通小区划分,用OD矩阵分析交通小区之间的交通流量特征,并结合交通小区内POI的分布特征和语义属性,构建基于OD矩阵和对应小区POI数据相结合的商业地址推荐模型。最后,应用兰州市出租车GPS轨迹与POI数据验证了推荐算法的有效性和实用性,并将推荐结果在交通小区尺度上进行可视化呈现。实验结果表明,该推荐算法不仅能够推荐合理的商业选址,为商业选址决策提供快速有效的可视化定量分析方法,同时能够为城市公共服务设施空间布局规划提供决策依据。     

基于出租车数据的载客热点与打车热点研究

面对城市出租车高空载率和乘客打车难问题,本文针对出租车司机端和乘客端分别进行载客热点和打车热点的分析研究,提出了一种基于DBSCAN算法的数据处理模型.利用这个模型对北京市182辆出租车的GPS轨迹数据进行处理,提高了数据精度;对于不同的受众,采用K-means算法对数据进行聚类分析,得到相关热点.实验表明,划分目标用户进行各热点的推荐不仅可以有效地为出租车司机提供高概率的载客热点,乘客打车难问题也有了一种可行的解决方法.     

多重处理的道路拥堵识别可视化融合分析

目的 随着城市交通拥堵问题的日益严重,建立有效的道路拥堵可视化系统,对智慧城市建设起着重要作用。针对目前基于车辆密度分析法、车速判定法、行驶时间判定法等模式单一,可信度低的问题,提出了一种基于DBSCAN+（density-based spatial clustering of applications with noise plus）的道路拥堵识别可视化方法。方法 引入分块并行计算,相较于传统密度算法,可以适应大规模轨迹数据,并行降维聚类速度快。对结果中缓行区类簇判别路段起始点和终止点,通过曲线拟合和拓扑网络纠偏算法,将类簇中轨迹样本点所表征的路段通过地图匹配算法匹配在电子地图中,并结合各类簇中浮动车平均行驶速度判别道路拥堵程度,以颜色深浅程度进行区分可视化。结果 实验结果表明,DBSCAN+算法相较现有改进的DBSCAN算法时间复杂度具有优势,由指数降为线性,可适应海量轨迹点。相较主流地图产品,利用城市出租车车载OBD（on board diagnostics）数据进行城区道路拥堵识别,提取非畅通路段总检出长度相较最优产品提高28.9%,拥堵识别命中率高达91%,较主流产品城区拥堵识别平均命中率提高15%。结论 在城市路网中,基于DBSCAN+密度聚类和缓行区平均移动速度的多表征道路拥堵识别算法与主流地图产品相比,对拥堵识别率、通勤程度划分更具代表性,可信度更高,可以为道路拥堵识别的实时性提供保障。     

基于多源出行数据的居民行为模式分析方法

基于对智能交通卡数据的挖掘与分析能够为城市交通建设和城市管理提供有力支持,但现有研究数据大都仅包含公交或地铁这两方面数据,且主要关注群体性宏观出行规律。针对这一问题,以某城市交通卡数据为例,该数据包含着城市居民日常出行公交、地铁、出租车等多源数据,首先提出行程链的概念对居民出行行为建模,在此基础上给出不同维度的周期性出行特征;然后提出一种基于最长公共子序列的空间周期性特征提取方法,并对城市居民出行规律进行聚类分析;最后通过规则定义5个评价指标对该方法的有效性进行初步验证。结果表明引入该方法的聚类算法对聚类结果有6.8%的效果提升,有利于发现居民的行为模式。     

基于轨迹数据的出租车交接班时空分布识别方法

针对目前出租车交接班行为识别不够精准的问题,提出了一种基于轨迹数据挖掘的出租车交接班行为精准识别的方法。首先,分析出租车停留状态的数据特性后,提出了一种出租车非运营状态停留点检测方法;然后,对停留点进行聚类,从而得出了潜在的出租车交接班地点;最后,基于出租车交接班事件的判断指标与出租车交接班时间的核密度估计,有效地识别出出租车交接班地点和时间。以福州市4 416辆出租车的轨迹数据为实验样本,共识别出了5 639个交接班地点,这些交接班地点在市民主要工作区域、交通枢纽、商圈以及风景名胜。而识别出的交接班时间主要在凌晨4：00—6：00与傍晚16：00—18：00,与福州市民众出行规律相吻合。实验结果表明,该方法能有效地检测出出租车交接班的时空分布,能为城市的交通资源规划与管理提供合理建议,且使公众打车出行更加便捷,提高了出租车的运行效率,为城市加油站、充电站等汽车相关设施的选址优化提供了参考。     

基于公共交通智能卡数据的可视化分析

针对现有公共交通数据的可视分析方法很难在不同空间粒度下对乘客时空分布、客流时空分布、区域间客流时序变化进行多任务分析的问题,设计实现了一个多视图融合的可视化分析系统。该系统结合城市公共交通的智能卡数据、车辆GPS数据、地铁和公交线路信息,利用出行链路模型和基于出行时空特征的回归模型完成了乘客起讫点（origin-destination,OD）推断;然后,设计了层次聚类的地图可视化方法,结合了融合方位信息的玫瑰图和动态对比堆叠折线流图来分析各区域间的客流时序特点、关联关系;最后,利用真实的深圳市公共交通数据的可视分析结果验证了系统的有效性。