基于GPS轨迹数据的深圳市居民出行热点研究.docx

基于GPS轨迹数据的深圳市居民出行热点研究
一、前言
深圳市是我国改革开放的先行者之一，也是中国的创新之城，在发展过程中，交通运输是社会发展的重要支撑。近年来，随着移动互联网时代的到来，人们的出行方式也发生了巨大变化，移动支付、智能公交、共享单车、网约车等新兴服务迅速崛起，使得出行更为便捷和智能化。本文选取深圳市居民出行热点作为研究对象，探讨基于GPS轨迹数据的出行行为，从而为城市交通规划提供参考。
二、数据来源
本文选取了深圳市交通运输局2016年GxF计划数据集，包含10万名居民的出行轨迹数据，以及相关属性信息如性别、年龄、职业等。为保护用户隐私，数据经过脱敏处理。
三、数据预处理
在对数据进行分析之前，需要对数据进行初步预处理。本文采用的预处理方法主要包括去噪、路网匹配、众包标注、地理编码等。
1）去噪
GPS轨迹数据是由GPS设备记录的一系列时空数据点组成的，由于GPS信号容易受到环境的影响，导致数据中存在误差点，需要进行噪声过滤。本文采用的方法是基于密度的聚类算法，将轨迹点分为噪声点和有效点。
2）路网匹配
GPS轨迹数据是基于地球坐标系的经纬度数据，需要转换为道路网上的点。本文采用的方法是把道路网划分为一系列小区域，每个小区域都有一个对应的道路网上的点，然后根据轨迹数据点的位置信息把它们转化为对应的道路网上的点。
3）众包标注
由于人类出行行为的复杂性，只依靠机器算法无法准确地识别出行模式，需要进行人工标注。本文采用的方法是众包标注，即将标注任务发布到互联网上，由多个标注人员完成标注任务。
4）地理编码
在进行数据分析前，需要将经纬度信息转化为行政区名称。本文采用的方法是百度地图API，将所有点的经纬度转化为对应行政区。
四、数据分析
在对数据进行分析时，本文主要采用了聚类分析和热力图分析两种方法。
1）聚类分析
聚类分析是一种无监督学习算法，将数据点分成若干组，每组内部的点相似度高，组与组之间的相似度尽量低。在本文中，我们采用了K-Means算法对出行轨迹进行聚类分析，得出了不同出行模式的轨迹簇。
2）热力图分析
热力图是一种地理信息可视化技术，将数据集中在地图上的空间分布用色彩深浅的方式展现出来，便于直观地观察空间分布的热度。在本文中，我们根据K-Means聚类的结果，利用ArcGIS软件绘制出不同出行模式的热力图。
五、实验结果
本次研究的实验结果主要包括以下几个方面：
1）人口统计学特征分析
在深圳市居民出行热点中，男性的出行比例略高于女性；年龄在25-45岁的居民出行频次较高；白领和灰领的出行频次较高。
2）出行模式分析
通过K-Means聚类分析，将所有出行轨迹分为10类。其中，代步类出行占比最高，包括了步行、骑行和公共交通等模式；私家车类出行占比最低，包括了私家车、出租车等模式。经过比较分析，发现不同聚类簇的出行方式和出行时间存在显著差异。
3）热力图分析
绘制轨迹热力图后，发现代步类出行的轨迹热度最高，主要集中在市区的商业中心和住宅区域，私家车类出行的轨迹热度相对较低，主要集中在较为偏远的郊区和工业区。
六、结论
从本文研究结果来看，深圳市居民出行热点主要集中在市区的商业中心和住宅区域。代步类出行占比最高，私家车类出行占比最低。通过研究不同聚类簇的出行模式和出行时间，可以为城市交通规划提供参考。