基于小波分析模极大值算法的交通出行换乘点识别方法.pdf

本发明公开了一种基于小波分析模极大值算法的交通出行换乘点识别方法，运用手机GPS定位数据分析提取居民交通出行换乘信息，提出数据修补、数据降噪预处理方法，在此基础上，创造性提出应用小波分析模极大值算法对手机GPS记录的速度数据进行交通方式换乘点识别，提出了数据处理的整套方法以及识别结果优化方法。此外，结合手机GPS定位时间、经纬度数据，该技术最终能够识别提取出居民一次或多次出行的交通方式换乘次数、每次换乘的时间、地理位置等信息，能够为提升我国交通换乘信息采集内容、数据精度提供有力支撑。

权利要求书
1.  一种基于小波分析模极大值算法的交通出行换乘点识别方法，其特征在于：包括如下步骤：
步骤一、采集居民完整出行的时空定位数据，将时空定位数据导入计算机中，并根据用户编号、出行时间顺序将数据进行分类存储，形成基础数据库；所述时空定位数据包括出行时间、出行速度以及经纬度信息；
步骤二、利用Matlab软件调用基础数据库中的数据进行数据预处理，填补缺失数据和修正错误数据；
步骤三、利用小波分析模极大值算法进行交通方式换乘点识别：
设置第一小波分析尺度X，计算1到X尺度下小波分解系数的模值，根据计算结果在时间-尺度坐标轴上绘制模极大值系数曲线图谱，并将各尺度下小波分析系数局部模极大值点进行连线，该连线与时间坐标轴的交点即交通方式换乘时间点，以换乘时间点为索引，从基础数据库中提取换乘点的经纬度信息；
步骤四、对识别结果进行优化：
1）修正停车或明显加减速现象对交通方式换乘点识别的干扰：
设置第二小波分析尺度Y，计算1到Y尺度下小波分解系数的模值，按照步骤三中同样方法绘制模极大值线，选择两次分析中同一时刻均出现了的模极大值线作为准确的交通方式换乘标识线；
2）修正室内活动对交通方式换乘点识别的干扰：
读取步骤二中缺失数据记录的空缺段前后定位数据点时间和经纬度信息，将各点经纬度数据匹配到电子地图上，然后判定数据消失点和重新出现点与地铁站点间距离是否均在50米以内，若是，则判定该缺失段为地铁出行；若否，则判定该缺失段为室内活动，并删除相应换乘信息识别结果；
步骤五、最终交通出行换乘信息提取：
按照不同用户每天出行时间先后顺序，输出所有交通出行的换乘时间点、地理位置、换乘次数等信息。

2.  根据权利要求1所述的基于小波分析模极大值算法的交通出行换乘点识别方法，其特征在于：所述时空定位数据采用手机GPS定位仪进行采集，采集时间间隔为5-10秒。

3.  根据权利要求1所述的基于小波分析模极大值算法的交通出行换乘点识别方法，其特征在于：所述第一小波分析尺度X的取值为30－50；第二小波分析尺度Y的取值为350-500。

4.  根据权利要求1所述的基于小波分析模极大值算法的交通出行换乘点识别方法，其特征在于：所述填补缺失数据的方法为：根据出行时间先后顺序，将出行速度中出现的数据空缺段依次用数值“0”进行填补。

5.  根据权利要求1所述的基于小波分析模极大值算法的交通出行换乘点识别方法，其特征在于：所述修正错误数据的方法为：将出行速度中出现的超过120km/h的数据修正为120km/h。

说明书基于小波分析模极大值算法的交通出行换乘点识别方法
技术领域
本发明属于交通数据采集中居民出行调查领域，尤其涉及一种利用小波分 析模极大值算法对手机GPS定位数据进行分析、处理，从而识别个体交通出行 过程中交通方式换乘点时空位置信息的流程与方法。
背景技术
居民交通出行换乘信息采集是指导城市交通设施优化与建设的重要依据 与基础，尤其在大城市中，了解居民日常交通出行换乘时间和地点信息，能够 为缓解城市热点地区公共交通站点、停车场等基础设施压力提供有力支撑，是 改善城市交通供需矛盾，提高居民出行效率与满意度的重要基础。另一方面， 通过识别交通出行换乘点，可以将居民多种交通方式组合出行全程划分为单一 交通方式出行段，该过程也是相关领域中交通方式识别的重要前提与基础。目 前，交通出行换乘信息采集方法主要有两种：
(1)居民出行调查。居民出行调查是当前应用最为广泛的传统交通换乘 信息采集方法，主要包含入户纸质问卷、电话采访以及邮件访问等常见调查形 式，居民出行调查依靠受访者回忆过去一天或多天的交通出行换乘事件来完成 信息采集，因此该方法受被调查者主观配合程度及记忆水平影响较大。其主要 缺点有：1.受访者不愿意参与调查或调查随意性过强，主观回忆偏差、错误现 象较为普遍，并且很多短途或短时间出行中换乘信息常常会被遗漏，数据质量 无法得到可靠保障；2.调查工序繁琐、组织难度大，通常开展居民出行调查需 要交通、公安以及街道办事处等多部门协调完成，调查组织难度较大，并且入 户调查前的问卷设计、调查人员培训、人员组织与分工等比较繁琐，需要耗费 大量的人力物力。
(2)公交IC卡调查。随着城市公交IC卡的推广，利用公交IC卡刷卡数 据来提取公交或者地铁等方式出行换乘信息成为了可能。然而该调查方法也存 在一定的缺陷，如只能获取到公交车或者地铁换乘信息，对于步行、自行车、 摩托车、小汽车间的交通方式转换地点、时间点还无法识别，技术应用范围有 一定的局限。
而运用手机GPS定位数据进行交通出行换乘信息提取能够有效避免上述方 法缺陷。首先，手机GPS定位仪能够连续采集居民出行全程时空轨迹信息，通 过对手机GPS时空定位数据的挖掘与处理分析，有望高精度识别出行全程交通 换乘信息。该技术能够避免传统调查法中受访者主观回忆偏差或信息遗漏现 象，数据更加客观真实；此外，手机GPS定位数据精度较高，数据更新周期可 控，并且借助目前已广泛普及的智能手机，该技术在数据采集内容、质量以及 成本方面都得到显著改善。另一方面，本发明提出应用小波分析模极大值算法 进行交通换乘点识别，有效避免了现有依靠经验识别技术的主观缺陷，识别过 程智能、高效，技术适用范围更广，具有很好的行业应用前景。
发明内容
为了克服现有技术的上述缺点，本发明提出了一种基于小波分析模极大值 算法的交通出行换乘点识别方法，运用手机GPS定位数据分析提取居民交通出 行换乘信息，提出数据修补、降噪数据预处理方法，在此基础上，创造性提出 应用小波分析模极大值算法对手机GPS记录的速度数据进行交通方式换乘点识 别，提出了数据处理的整套方法以及识别结果优化方法。此外，结合手机GPS 定位时间、经纬度数据，该技术最终能够识别提取居民一次或多次出行的交通 方式换乘次数、每次换乘的时间、地理位置等信息，能够为提升我国交通换乘 信息采集内容、数据精度提供有力支撑。
本发明解决其技术问题所采用的技术方案是：一种基于小波分析模极大值 算法的交通出行换乘点识别方法，包括如下步骤：
步骤一、采集居民完整出行的时空定位数据，将时空定位数据导入计算机 中，并根据用户编号、出行时间顺序将数据进行分类存储，形成基础数据库； 所述时空定位数据包括出行时间、出行速度以及经纬度信息；
步骤二、利用Matlab软件调用基础数据库中的数据进行数据预处理，填 补缺失数据和修正错误数据；
步骤三、利用小波分析模极大值算法进行交通方式换乘点识别：
设置第一小波分析尺度X，计算1到X尺度下小波分解系数的模值，根据 计算结果在时间-尺度坐标轴上绘制模极大值系数曲线图谱，并将各尺度下小 波分析系数局部模极大值点进行连线，该连线与时间坐标轴的交点即交通方式 换乘时间点，以换乘时间点为索引，从基础数据库中提取换乘点的经纬度信息；
步骤四、对识别结果进行优化：
1)修正停车或明显加减速现象对交通方式换乘点识别的干扰：
设置第二小波分析尺度Y，计算1到Y尺度下小波分解系数的模值，按照 步骤三中同样方法绘制模极大值线，选择两次分析中同一时刻均出现了的模极 大值线作为准确的交通方式换乘标识线；
2)修正室内活动对交通方式换乘点识别的干扰：
读取步骤二中缺失数据记录的空缺段前后定位数据点时间和经纬度信息， 将各点经纬度数据匹配到电子地图上，然后判定数据消失点和重新出现点与地 铁站点间距离是否均在50米以内，若是，则判定该缺失段为地铁出行；若否， 则判定该缺失段为室内活动，并删除相应换乘信息识别结果；
步骤五、最终交通出行换乘信息提取：
按照不同用户每天出行时间先后顺序，输出所有交通出行的换乘时间点、 地理位置、换乘次数等信息。
与现有技术相比，本发明的积极效果是：
针对我国目前居民日常出行过程中交通方式换乘点信息采集方法复杂，费 用昂贵，数据质量较低等问题，提出了一种基于手机GPS定位数据的交通出行 换乘点智能识别方法。运用手机GPS定位仪采集居民多种交通方式换乘出行时 空特征数据，在此基础上，将出行过程中连续变化的速度数据类比为信号波， 将交通方式换乘点类比为信号波奇异点(数据突变点)，进而利用小波分析模 极大值算法对交通出行换乘点进行识别，并提取出每次换乘发生的时间、地理 位置等信息。本方法优点在于：充分利用了手机GPS定位技术高精度、可连续 追踪出行轨迹的特征，并发挥小波分析模极大值算法对数据奇异性识别优势， 实现利用手机及传感器定位数据进行居民交通出行换乘信息智能识别。该发明 可用于高频度、大范围、自动化的居民交通出行换乘信息采集。
附图说明
本发明将通过例子并参照附图的方式说明，其中：
图1是不同交通方式换乘出行速度折线图；
图2某步行-自行车-步行-公交车-步行样例交通方式换乘点识别结果示 意图；
图3为几种居民出行常见交通方式组合模式的换乘点识别结果示意图；
图4为数据预处理后速度折线图；
图5为交通方式换乘点初步识别结果示意图；
图6为误差修正结果示意图。
具体实施方式
一种基于小波分析模极大值算法的交通出行换乘点识别方法，先用手机 GPS定位仪采集居民一趟(或多趟)完整出行时空定位数据，将数据按照用户 编号、出行时间顺序有序导入计算机数据库中存储与管理；再利用Matlab软 件调用原始数据进行数据预处理，填补缺失数据、修正错误数据；在此基础上， 利用小波分析模极大值算法对手机GPS采集的速度数据进行交通方式换乘点识 别，并对识别结果进行优化处理，减少识别误差；最后，根据不同用户及用户 出行时间顺序，将识别结果进行整理统计，形成最终交通换乘信息识别结果， 包换交通出行过程中所有换乘时间点、地点以及换乘次数信息。所述方法中主 要包含下述处理步骤：
步骤1：手机GPS定位数据采集及数据库创建
1)数据采集：利用手机GPS定位仪采集居民出行时空特征数据，具体包 括出行时间、出行速度以及经纬度数据。其中出行速度数据用于判断是否发生 交通换乘事件，出行时间与经纬度则用于表达不同交通方式换乘事件发生的时 间点和地理位置信息。
数据采集时，用户应在出发前2-3分钟打开数据采集软件预热，并确保出 行过程中软件始终处于开启状态，到达出行目的地2-3分钟后关闭软件。数据 采集时间间隔应以5-10秒为宜，间隔过长会增大换乘时间点识别误差，间隔 过短会导致数据量庞大而影响后期数据处理、存储效率。
2)手机GPS定位数据库创建：数据采集结束后，将手机GPS定位数据导 入计算机中，并根据用户编号、调查时间先后顺序将所有数据进行分类存储， 形成基础数据库供后续数据分析和处理。
步骤2：数据预处理
1)缺失数据修补：用Matlab软件读取基础数据库中每个用户每次出行的 速度数据，判别连续记录的出行速度数据是否有空缺段(即没有采集到数据)， 如有空缺，则用数值“0”填补所有空缺，并标记信息填补位置(如记录空缺 段前、后定位点的时间和经纬度)；如没有空缺，则继续识别与修补下一组数 据。
由于用户在地下或室内活动时，采集出行速度的手机GPS传感器信号会被 建筑物遮蔽，造成无法数据采集，出行速度将出现缺失段。因此，为了后续数 量处理能够连续不间断，事先将数据空缺段用数值“0”进行修补。
2)异常数据修正：城市内部居民日常出行速度通常不会大于120km/h， 因此，将定位速度数据中超过120km/h的数据修正为120km/h。
步骤3：利用小波分析模极大值算法识别交通方式换乘点
1)数据导入：打开Matlab小波分析工具箱，将小波分析方法选择为复杂 连续变换。此时，按照用户编号顺序以及数据采集时间顺序依次将步骤2处理 得到的出行速度数据导入Matlab小波分析工具箱。
2)小波分析参数设置：本技术中小波分析函数应选用复高斯函数，消失 矩选择1阶。
3)交通方式换乘点识别：设置第一小波分析尺度X(通常取30－50)，运 行Matlab工具箱多尺度小波分析功能，并进一步计算1到X尺度下小波分解 系数的模值。根据计算结果，在时间-尺度坐标轴上绘制模极大值系数曲线图 谱，并将各分析尺度下小波分析系数局部模极大值点进行连线，该线与时间坐 标轴的交点就是交通方式换乘时间点。当一趟出行过程中有多次交通方式换乘 时，按照上述方法能够产生多条模极大值线，模极大值线的条数即为交通方式 换乘次数，模极大值线与时间轴的交点对应着所有交通方式换乘时间点，以换 乘时间为索引，进而从原始手机GPS定位数据库中提取换乘点经纬度信息。
步骤4：识别结果优化
1)修正停车(或明显加减速)现象对交通方式换乘点识别的干扰：当车 辆在交叉口及公交站点停车时(或出行图中明显加减速时)，车辆运行速度发 生急剧变化，这一特征与交通方式换乘时出行速度波动特征非常相似，因此， 小波分析模极大值算法可能发生误识别现象。识别结果优化具体操作方法为：
(1)重复步骤3中1)、2)；
(2)设置第二小波分析尺度Y(通常取350-500)，按照步骤3，3)中同 样方法绘制模极大值线，此时步骤3与步骤4中在同一时刻均出现了的模极大 值线即为准确的交通方式换乘标识线，只在步骤3中出现而未在步骤4中出现 的模极大值线是停车现象引起的干扰模极大值线。因此，需要在交通方式换乘 点识别结果中将该类错误结果删除。
2)修正室内活动对交通方式换乘点识别的干扰：由于GPS无法采集室内 或地下出行速度数据，而数据缺失段均用数值“0”填补，因此，小波分析模 极大值算法可能将用户在室内活动识别为地铁出行，因此，需要对该类错误识 别结果进行修正。具体操作方法为：
读取步骤2缺失数据修补中记录的空缺段前后定位数据点时间、经纬度信 息，将各点经纬度数据匹配到电子地图上，若数据消失点和重新出现点与地铁 站点间距离均在50米以内，则可以判定该缺失段为地铁出行；若不满足上述 条件，则该缺失段为室内活动，据此去除该类错误换乘信息识别结果。最后整 理提取地铁相关换乘的站点位置及换乘时间信息。
步骤5：最终交通出行换乘信息提取
根据上述步骤，最后按照不同用户每天出行时间先后顺序，统计出所有交 通出行的换乘时间点、地理位置、换乘次数等信息。
我们在成都市多条线路上进行了数据采集与算法应用试验。交通方式组合 出行方案包含：步行-公交车(/小汽车/自行车/地铁)-步行，步行-公交车- (-步行-)公交车-步行(包含了同公交站台换乘和异台换乘)，步行-公交车- 步行-地铁-步行，步行-自行车-步行-公交车-步行，8种组合模式，每种组合 出行样本量为50组。这些方案基本包含了我国居民日常出行中所有交通方式 换乘组合模式。技术应用结果表明，交通方式换乘点识别有效率达到了95％以 上，交通方式换乘时间点平均识别误差都在50s以内，交通方式换乘地点识别 精度在30米以内。这对于长达几十分钟甚至数小时的出行来说，这样的误差 完全在可接受范围内，技术应用效果较好。
以下将结合附图对本发明方法进行详细地说明：
图1是根据手机GPS软件收集的基础速度数据绘制的折线图，其中：(a)步 行-自行车-步行；(b)步行-地铁-步行；(c)步行-公交车-步行；(d)步行- 小汽车-步行；从图上可以看出，不同交通方式出行速度存在明显差异，如步 行一般在0-8km/h，公交车在20-30km/h，小汽车在35-60km/h，当交通方式变 化时，速度折线存在明显波动现象。这为交通方式换乘点识别提供了识别基础。
图2为某步行-自行车-步行-公交车-步行样例的交通出行换乘点识别结 果。其中图2(a)显示了该步行-自行车-公交车-步行样例数据的原始出行速度 折线图；图2(b)为该样本在不同分析尺度下小波分析系数模值计算结果图谱， 可以看出，在交通方式换乘点，小波分析系数模值明显要大于其他位置(即亮 度越高)；图2(c)为图2(b)中尺度取150时得到的小波分析系数模值曲线，可以 看出，交通方式换乘点小波分析系数的模值取得最大；图2(d)为不同分析尺度 下，将模极大值点相连接后获得的模极大值线，随着尺度的增加，最终只有在 交通方式变化点才能够形成模极大值线。对比原始速度数据可以看出，模极大 值线与时间轴交点即为交通方式变化时间点，识别准确率较高。
根据相同原理，图3列出了几种居民出行常见交通方式组合模式的换乘点 识别结果。其中(a)为步行-小汽车-步行样例；(b)为步行-地铁-步行样例； (c)为步行-公交车-步行-公交车-步行样例(公交异台换乘)；(d)为步行-公 交车-公交车-步行样例(公交同台换乘)。可以看出，小波分析模极大值算法 均能够准确识别出不同组合的交通方式换乘点。
以一趟“步行-自行车-步行-公交车-步行”出行为例进行交通换乘信息提 取技术介绍：
步骤1：手机GPS定位数据采集及数据库创建
1.1数据采集：用户日常出行前2分钟打开手机GPS数据采集软件，将数据 采集频率设置为5秒，随后携带该手机出行并进行日常活动(本例中假设居民 将按照步行-自行车-步行-公交车-步行这一交通组合模式去上班)，出行过程 中，始终保证数据采集软件处于开启状态，到达公司2分钟后，关闭数据采集 软件。
1.2数据库创建：将采集到的数据导入计算机中保存，建立基础数据库。 如表1所示为采集到的手机GPS时空定位数据内容样例。
表1 手机GPS定位数据格式样例

步骤2：数据预处理
2.1缺失数据修补：利用Matlab软件读取步骤1中采集到的定位速度数据， 逐点判断每次出行的速度数据是否有缺失现象，如有缺失则用数值“0”填补， 并标记信息填补位置(如记录空缺段前后定位点的时间和经纬度)；若无缺失 则继续检测下一条数据。
2.2异常数据修正：利用matlab重新导入2.1处理后速度数据，逐点检测 是否有速度大于120km/h的数据点，若有，则修正为120km/h。
经过上述两步数据预处理后得到的步行-自行车-步行-小汽车-步行速度 折线图如图4所示。
步骤3：利用小波分析模极大值算法识别交通方式换乘点：
3.1数据导入：打开Matlab小波分析工具箱并选择复杂连续变换方法，将 步骤2处理得到的速度数据导入Matlab小波分析工具箱。
3.2小波分析参数设置：选择复高斯函数为小波分析函数，消失矩选择1阶， 小波分析层数选择为1层。
3.3将小波分析尺度设置为一较小值X，此例X＝50，运行多尺度小波分析， 并计算各尺度下小波系数模值。根据计算结果，在时间-尺度坐标轴上绘制模 极大值系数曲线图谱，并将各分析尺度下小波分析系数局部模极大值点进行连 线，该线与时间坐标轴的交点就是交通方式换乘时间点。当一次出行中有多次 交通换乘时，则会产生多条模极大值线与每次交通换乘相对应。
此外，由于交叉口或者公交站点停车时(或明显加减速时)，相应的速度 波动特征与交通方式换乘时非常相似，因此上述初步的识别结果会存在很多误 识别现象。本例中步骤3的交通方式换乘点识别结果如图5所示。
步骤4：识别结果优化
4.1修正停车(或加减速)现象对交通方式换乘点识别的干扰：将小波分 析尺度设置为一较大值Y，此例Y＝500。按照上述步骤3.3中同样方法绘制模极 大值线，此时寻找步骤3与步骤4中同一时刻均出现了的模极大值线，这些模极 大值线即为准确的交通方式换乘标识线。误差修正结果如图6所示。
4.2修正室内活动对交通方式换乘点识别的干扰：读取步骤2缺失数据修补 中记录的空缺段前后定位数据点时间、经纬度信息，将各点经纬度数据匹配到 地图上，若数据消失点和重新出现点与地铁站点间距离均在50米以内，则可以 判定该缺失段为地铁出行；若不满足上述条件，则该缺失段为室内活动，因此 去除该条错误换乘信息识别结果。最后，整理提取地铁相关换乘的站点位置及 出行时间信息。本例中不包含室内和地下出行，优化结果不变。
步骤5：最终交通出行换乘信息提取
根据上述步骤，最后按照不同用户每天出行时间先后顺序，统计出所有交 通出行的换乘时间点、地理位置、换乘次数等信息。该样例的最终出行换乘信 息统计结果如表2所示。
表2 交通方式换乘信息识别结果样例