基于朴素贝叶斯分类的居民出行起讫点识别方法

针对手机信令数据存在的精度不高、时间间隔大、信号"乒乓切换"等问题,提出一种基于朴素贝叶斯分类（NBC）的方法来利用手机定位数据识别居民出行起讫点（OD）。首先,利用80位志愿者连续1个月记录的出行活动数据,依据职住距离分类统计移动和停留状态下的条件概率分布;其次,建立用于表征用户移动停留状态的两个特征参数指标：方向夹角和最小覆盖圆直径;最后,依据NBC原理计算用户的移动或停留状态概率,将连续两个以上为移动状态的过程集聚为出行OD。利用厦门市移动的手机定位数据的分析结果表明：所提方法得到的人均出行次数的平均绝对百分比误差（MAPE）误差为7.79%,具备较高的精度,出行OD的分析结果可以较好地反映真实出行规律。     

基于手机定位信息的地铁乘客出行路径辨识方法

针对复杂轨道网络环境的下出行路径选择问题,传统方法采用理论推算往往与实际偏差较大。基于手机定位信息的出行路径辨识方法,利用手机用户在无线通信网络中产生的信令事件数据,根据其在地铁中的正常位置更新规则得到出行路径,针对信令数据存在缺失的情况,以用户的其他信令事件数据及K短路校核法,对路径的有效性进行检测,进而得到实际出行路径。实测结果表明,用该方法得到的用户出行路径与真实路径偏差较小。。     

基于前景理论的地铁/公交出行路径选择模型

以"前景理论"为框架,通过对地铁/公交组合交通出行方式的选择行为特性分析,以地铁在常态运营下的行驶时间为单位广义费用,通过意向调查(SP调查)拟合路径选择影响因素的换算函数,建立了广义出行费用计算模型;然后针对前景理论中关键的参考点选择方法,提出用预留时间作为对期望费用的修正,并对参数进行标定,建立了在风险条件下的地铁/公交出行路径决策模型.实例验证结果表明:模型与被调查者的选择吻合率约90%.     

基于手机信令数据的快递人员辨识方法

提出一种基于朴素贝叶斯分类法(naive Bayesian classifier,NBC)的城市快递人员辨识方法.首先,通过相关问卷调查,研究快递派送人员的手机信令发生规则.然后,依据北京市移动用户手机通信信令数据,利用问卷调查数据和手机信令数据2种数据源中同时包含的通信数据属性,建立通信数据与调查数据中类别变量(快递人员/非快递人员)之间的贝叶斯概率关系,以此为基础构建NBC模型并对其进行训练.最后,使用未参与训练的样本数据测试标定后模型的准确性,测试结果显示快递人员的预测成功率达到88.3%.结果表明:该方法具有较高的精度,可以满足实际应用需求.