一种基于手机定位的交通出行模式识别方法 技术领域
本发明涉及交通信息服务技术领域，具体涉及一种基于手机定位的交通出
行模式识别方法。
背景技术
交通拥堵问题是城市化面临的最重要问题之一。为了解决交通拥堵问题，
人们提出了不同的解决办法，其中科学规划和调度被认为是解决交通拥堵问题
的有效手段，而科学规划和调度的基础是对于交通出行信息的掌握。交通出行
信息的采集有很多种方法，目前主要的采集方法概括起来主要有定点式采集和
流动式采集两种。定点采集方式包括感应线圈检测器采集、超声波检测器采集、
红外线检测器采集、微波检测器采集、视频检测器采集等。这种采集方式由于
采集器安装位置固定，因此只能采集到重要路段、交叉口的交通信息，因此在
采集范围上存在局限性。流动式采集主要指浮动车采集，浮动车方式采集到的
交通信息数据的可靠性依赖于道路上行程的浮动车数量，因此，当某一路段行
驶的浮动车数量低于要求时，高路段的交通数据的可靠性就会大大降低。为了
获得全面、实时、准确的交通出行信息，近年来很多人开始研究基于手机的交
通出行信息采集技术，该技术具有初期投资规模小、数据采集量大、能实现大
范围覆盖等特点。随着智能手机和GPS手机的广泛普及以及其定位精度的不断
提升，如何充分挖掘手机位置信息成为各个行业领域的一个研究热点，而手机
交通出行信息采集技术作为新的交通信息采集手段，目前还存在许多技术上的
问题。
20世纪90年代以来，以无线定位技术(WLT)为基础的交通检测在国外的实
际测验中被广泛的采用。2000年，加州大学伯克利分校进行了利用网络辅助的
卫星定位技术(AGPS)对圣弗朗西斯科海湾道路网络进行车量行程时间的估算，
该方法整合了一系列模型，包括平均速度估计模型和误差估计模型。加拿大交
通运输发展中心和CELL-Loc公司开展将手机定位技术应用于交通监控系统的
概念性和框架性的研究，该研究利用移动网络定位技术的时间到达差(TDOA)
法，尝试提取手机所在车辆的速度等信息。加拿大交通运输发展中心联合
GLOBIS公司以及滑铁卢大学进行了一项使用手机检测交通信息的研究，通过加
拿大BELL移动运营公司的LBS平台，采集14个AGPS手机使用者的定位数据，
采用相应的地图匹配算法、建立数学模型以实现对测试道路的平均速度进行估
计，并通过互联网将交通信息发布到手机用户。美国加州大学伯克利分校的
Mobile Century项目进行了一系列基于GPS手机采集交通信息的试验与研究，
研究首先利用100辆装备有NOKIA N95(具有GPS定位功能)手机的小汽车，环
绕加利福尼亚州I-800公路驾驶以采集手机定位数据，收集到的数据被实时地进
行处理并通过互联网进行发布。研究对于公路交通，证明在保障手机用户隐私
安全的前提下，不需要大量的采样车辆，系统既可以实现准确的交通状态估计
和发布。对于城市干道交通，开发的Mobile Millenium系统通过逻辑回归和时空
自回归移动平均数两种统计算法实现交通状况的估计，通过来自纽约地区在纽
约地区进行的实地试验数据和Paramics仿真软件的数据，对算法和系统进行了
测试，结果表明通过少量的GPS手机定位数据，能够很好地实现对城市交通主
干道状态的估计。Tsui and Shalaby建立了一套整合的GPS-GIS系统用以对个人
行驶调查数据进行自动化处理。该系统使用一个模糊逻辑识别算法，传统的GPS
数据记录器被分配到调查参者，几天后收回，用以对收集到的GPS数据进行后
期处理，通过统计算法对GPS轨迹进行交通模式的识别，取得了较高的精度。
Byon，Y-J.，ShalabyA等研发了一套整合GPS和GIS的软件，名为GISTT，该
软件可以对线下的和即时的GPS数据进行处理，以实现交通监测和行驶时间的
估计。Zheng等人利用手持GPS设备记录的GPS定位轨迹，选取方式段长度、
平均速度、速度均值、速度协方差等、最大的三个加速度、最大的三个速度等
统计值，分别利用决策树、贝叶斯网、支持向量机、条件随机场等模式识别方
法，对出行者采用的交通方式进行了识别。Uno等人使用来自公交车探测的GPS
数据，对行驶时间的变化和服务的水平进行分析，在他们的研究中，交通的模
式固定为公交车模式。
近年来，随着国内手机的迅速普及以及手机定位精度的提高，对手机数据
信息的挖掘利用成为各行各业研究的热点，国内基于手机定位数据采集交通信
息的研究也逐渐开展起来。杨飞等人通过对TDOA(时间到达差法)，A-GPS(网
络辅助的GPS定位)，Enhanced Cell ID with A(结合时间提前量的手机定位)，
Handover(切换定位)等方法投入成本以及定位准确性的对比，对手机定位釆集交
通信息的主要问题进行了分析，并对该领域的相关成果进行了统计，同时提出
了未来需要攻克的难点。马丽提出了利用手机网络定位进行高速公路实时交通
参数估计的方法，该方法利用移动网络计算出的车载手机的ID信息和位置信息
进行独立车辆的识别与在路车辆数的估计，继而利用这些数据，釆用聚类分析
的方法进行高速公路实时交通参数的估计。张建钦对比分析现有交通信息采集
方式的优点和不足的基础上，提出了利用带有GPS的智能手机采集、处理、发
布交通信息的方法，并给出了利用GPS智能手机进行实时交通信息采集、交通
信息发布与实时动态导航两个系统的框架，提出了研究的技术难点并进行了初
步的探讨。马占刚分析并归纳总结了移动通信技术的特点，建立了以手机短信
和移动定位技术为基础的交通信息采集系统，给出了系统的软件构架和工作流
程。张治华通过利用志愿者采集的GPS轨迹信息交通模式的判别，分别采用神
经网络、贝叶斯和决策树算法，并对比了算法的准确性，取得了较高的识别精
度。张博利用基于手机网络的定位技术，从移动网络段收集出行者位置信息、
出行时间等。他设计了一种简单的路径匹配算法和基于模糊识别的交通方式识
别算法，依据北京市出行调查等经验数据，分别对几种交通方式建立了隶属度
函数，通过C#编程，用路网信息做辅助数据，对轨道交通、步行、机动车等几
种出行方式进行了划分。闫彭提出了一种通过追踪AGPS手机中的定位数据来
识别交通流中的乘客所采用的交通方式的方法，通过Weka软件建立起BP神经
网络来对AGPS定位数据进行交通方式的识别。
上海美慧软件公司在基于手机采集交通信息产品的技术领域申请了以下5
项发明专利：一种基于手机信号数据检测交通状态的方法(CN101510357A)；一
种基于手机信号数据识别机动车与非机动车的方法(CN101620785A)；一种关键
路径实时动态旅行时间计算的方法(CN101982735A)；一种适合交通信息表达的
示意图绘制方法(CN101996488A)。美慧公司研发的软件应用手机信令采集技术，
利用现有的手机网络资源和已有手机通信中的少量信息来定位手机用户，进而
获取实时交通数据。该技术只需在现有的手机网络上安装少量的采集设备，即
能在短时间完成城市内大范围的实时交通数据采集。该技术还可融合环形线圈、
浮动车GPS等其他方式采集的数据，并在上海、重庆等城市进行了实际应用。
总体来说，为了解决城市交通拥堵问题，对城市交通进行科学规划和合理
调度，需要掌握市民的交通出行信息，特别是交通出行模式的客流分配状况。
目前采用的交通流量检测方法和客流调查方法在覆盖面和准确性上均存在不
足，较难获得准确、实时的城市交通出行分配信息。随着智能手机、GPS手机的
迅速普及以及定位精度的不断提高，利用手机定位信息来检测交通流量和识别
交通出行模式，具有准确、实时、覆盖面广、投资少等特点，具有重要的应用
价值。目前在基于手机定位的交通出行模式识别研究方面，现有的方法存在算
法复杂、运算量大、准确性不高等问题，对交通规划管理决策的作用不明显，
难以进行推广应用。
目前国内外的研究主要集中在利用手机定位数据检测道路交通流量，在交
通出行模式识别方面的研究开展的不多。也有专家利用手机定位信息研究交通
出行模式识别，但在识别方法上存在以下问题：（1）主要通过神经网络、模糊
识别等算法来实现，其算法过于复杂、运算量太大，不易推广；（2）识别的准
确性不高，对决策的作用不大；（3）以研究性质为主，离实际推广应用还有较
长的距离。
发明内容
本发明的目的是提供一种基于手机定位的交通出行模式识别方法，其通过
几种交通出行模式的时空信息特征，建立交通出行模式识别的“多特征匹配
法”，通过对手机定位信息进行采集、分析和特征匹配，可以较为准确地识别
公交出行、自驾车（或出租车）出行和步行出行三种典型的出行模式。本方法
算法简单、容易实现，具有重要的社会经济意义和应用推广价值。
为实现以上目的，本发明采取了的技术方案是：
一种基于手机定位的交通出行模式识别方法，包括以下步骤：
步骤1、通过手机定位算法获取手机位置坐标；
步骤2、根据所述手机位置坐标确定出行路径并计算手机定位移动速度；
步骤3、多模式交通出行识别，所述多模式包括公交模式、小汽车模式以及
步行模式；所述步骤3包括以下步骤：
步骤31、根据轨迹特征匹配法计算公交路径匹配率，当所述公交路径匹配
率不小于公交路径匹配率设定值时，执行步骤32，反之，执行步骤34；
步骤32、根据速度特征匹配法、聚合度特征匹配法以及距离特征匹配法进
行公交模式出行识别，当同时满足速度特征匹配、聚合度特征匹配以及距离特
征匹配时，执行步骤33；
步骤33、识别为公交出行模式；
步骤34、通过速度特征匹配法进行小汽车模式和步行模式的选择，当速度
特征符合小汽车速度时，进行步骤35的操作，当速度特征符合步行速度时，执
行步骤36的操作；
步骤35、根据聚合度特征匹配法进行小汽车模式出行识别，当聚合度特征
满足小汽车模式出行时，则识别为小汽车模式出行；
步骤36、根据距离特征匹配法进行步行模式出行识别，当距离特征满足步
行模式出行特征时，识别为步行模式出行。
所述轨迹特征匹配率计算方法是：
G = 1 R Σ i = 1 n B i - - - ( 1 ) ]]>
其中，R为出行路径的空间矢量值，G为公交路径匹配率，Bi为与出行路径
重合的公交线路空间矢量值，其中，i为与出行路径重合的换乘公交线路数，
1≤i<3，公交路径匹配率设定值为0.9。
速度特征匹配法用于计算速度匹配率，速度匹配率的计算方法是：
M j = S S j _ - - - ( 2 ) ]]>
其中，j为出行模式，j=0时为公交模式出行，j=1时为小汽车模式出行，
j=2时为步行模式出行，Mj为j出行模式下的速度匹配率，S为手机定位移动速
度，为多模式出行下的理论平均速度，是公交模式下的理论平均速度，是
小汽车模式下的理论平均速度，是步行模式下的理论平均速度；
的计算方法是：
S j _ = 1 n Σ e = 1 n S e X e - - - ( 3 ) ]]>
其中，Se为j出行模式下路段e的设计速度，Xe为j出行模式下路段e的路
阻系数，n为路段总数。
步骤32中，公交模式出行满足速度特征匹配的条件是1≥M0≥0.67；步骤
34中，速度特征符合小汽车速度的条件是1≥M1≥0.67；速度特征符合步行速
度的条件是1≥M2≥0.71。
所述聚合度特征匹配法用于计算出行人群的聚合度，所述聚合度的计算方
法为：
其中，f为出行模式，f=1时为自驾车模式出行，f=2时为出租车模式出
行，f=3时为公交模式出行，自驾车模式和出租车模式合称为小汽车模式，Df为
f出行模式下的聚合度，Qmax为f出行模式下的出行聚合数Q的最大值，为f出
行模式下的出行聚合数Q的平均值，Af是f出行模式下的聚合常数，其为一区
间值；
所述和Qmax的计算方法如下：
Q _ = 1 n Σ e = 1 n Qe - - - ( 5 ) ]]>
Qmax=MAX{Qe} （6）
Qe为路段e的出行聚合数。
所述步骤32中，公交模式出行满足聚合度特征匹配的方法是1≥D3≥0.6，
所述步骤35中，聚合度特征满足小汽车模式出行的方法包括满足自驾车模式出
行和出租车模式出行，其中，聚合度特征满足自驾车模式出行的方法是1≥D3≥
0.8，聚合度特征满足出租车模式出行的方法是1≥D3≥0.8。
所述步骤32中，公交模式出行满足距离特征匹配的方法是出行路径大于5
公里且小于20公里时，步骤36中，距离特征满足步行模式出行的方法是出行
路径小于2公里时。
所述步骤1包括：
步骤11、检测手机用户是否主动参与手机定位其位置坐标，如果是，执行
步骤12，反之，执行步骤13；
步骤12、通过基于AGPS的手机定位算法获取手机位置坐标，并执行步骤
14；
步骤13、基于移动通信网络的手机定位算法获取手机位置坐标，并执行步
骤14；
步骤14、检测是单个手机用户还是多个手机用户，如果是单个手机用户，
则执行步骤2，反之，执行步骤15；
步骤15，重复步骤12或步骤13，获取所有用户的手机位置坐标，基于多
目标重合定位算法获取该多个手机用户的手机融合位置坐标，并执行步骤2。
所述基于移动通信网络的手机定位算法为基于TDOA的定位算法。
所述步骤2包括：
步骤21、对每个手机用户的手机位置坐标或手机融合位置坐标做多次定位
并筛选；
步骤22、根据筛选后的手机位置坐标或手机融合位置坐标确定出行的起点
和终点；
步骤23、确定出行路径，出行路径确定的方法是：采用移动通信网络对手
机定位时，将起点以及终点位置与最优路径搜索相结合，重建用户的出行轨迹，
所述出行轨迹即为出行路径；采用AGPS对手机定位时，将起点和终点之间的
GPS轨迹与道路网络进行匹配，以获取出行路径；
步骤24、将出行路径除以总的有效时间间隔，获取手机定位移动速度，所
述总的有效时间间隔为从起点至终点过程中手机移动时总时间。
本发明与现有技术相比，其有益效果在于：本发明提出一种算法简单、准
确性高、容易实现的手机定位交通出行模式识别方法，通过对几种交通出行模
式的时空信息特征进行分析和归纳，建立交通出行模式识别的“多特征匹配法”，
对手机定位信息进行采集、分析和时空特征匹配，可以较为准确地识别公交出
行、自驾车（或出租车）出行和步行出行三种典型的出行模式。通过本发明的
推广应用，可以为城市交通规划、建设和运营管理提供基础数据支撑，有利于
交通管理部门科学决策。
附图说明
图1为本发明一种基于手机定位交通出行模式识别方法的流程图。
具体实施方式
下面结合附图和具体实施方式对本发明的内容做进一步详细说明。
实施例
请参照图1所示，一种基于手机定位交通出行模式识别方法其包括以下内
容：
（1）手机定位算法
按照出行调查手机用户的参与形式，可分为手机用户主动参与和被动参与。
主动参与一般通过征集手机志愿者，通过志愿者在手机上安装数据采集软件，
主动进行数据上传的形式；被动参与是在手机用户不知情的情况下，通过移动
定位网络釆取特定定位技术来进行数据的采集，在这种情况下，需要保护手机
用户的隐私安全。一般来说，主动参与形式下，采用基于终端设备的定位技术
(GPS，AGPS)；而被动参与形式下，采用基于移动通信网络的定位技术
（Handover、E-OTD等）。
1）基于移动通信网络的定位
在手机定位中，目前主要的定位方法有：起源蜂窝小区COO、到达角度
AOA、到达时间TOA、到达时间差TDOA、观测时间差OTDOA和增强型观
测时间差E-OTD等。本发明采用TDOA定位方法对单个手机进行定位。TDOA
定位是一种基于信号传播时间的无线定位方法，通过测量信号到达相邻基站的
时间差对信号源进行定位。通信基站检测移动电话的传输信号，记录信号到达
相邻基站的时间(TimeofArrival，TOA)，并把TOA传送到定位服务中心(LSC)，
在LSC完成TDOA测量。同一信号到达两个基站的时间差就决定了一条移动电
话所在的双曲线，测出两条轨迹双曲线并求它们的交点就可以得到移动电话的
位置。假设基站JZ1(x1,y1)，JZ2(x2,y2)，JZ3(x3,y3)呈蜂窝状分布，手机处在三个基
站所包含的正三角形区域内，手机位置坐标为MP(x,y)，则手机与第i个基站之间
的距离为：
ri = ( x - xi ) 2 + ( y - yi ) 2 ]]>
若信号从手机到第i个基站的传输时间为ti，电波在空气中的传播速度为c，
则可以得到TDOA双曲线定位方程组：
( x - x 1 ) 2 + ( y - y 1 ) 2 - ( x - x 2 ) 2 + ( y - y 2 ) 2 = c ( t 1 - t 2 ) ( x - x 2 ) 2 + ( y - y 2 ) 2 - ( x - x 3 ) 2 + ( y - y 3 ) 2 = c ( t 2 - t 3 ) ]]>
通过解上述双曲线定位方程组便可以获得手机的位置(x,y)。但在实际应用
中，由于信号传播过程中的干扰和信号检测过程中引入的随机误差，获得的到
达时间差必定存在误差，最终导致定位双曲线与理想条件下的双曲线之间存在
位置偏移，相应的交点位置与移动电话的真实位置也会存在偏差。
2）基于AGPS定位
GPS定位原理是：将天空中GPS卫星作为已知点，根据GPS卫星星历求得
GPS卫星的已知坐标，由GPS接收机测得卫星发射的无线电信号到达接收机的
传播时间△t，即
△t=t2-t1
上式中t1是卫星发射定位信号时刻，t2是GPS接收机接收到卫星定位信号的
时刻。则卫星到接收机的观测距离为：
∂ ′ = c . Δt ]]>
上式中c是电磁波传播速度，用X、Y、Z表示卫星坐标，用x、y、z表示
GPS接收机坐标，则星站间真实距离为：
∂ = ( X - x ) 2 + ( Y - y ) 2 + ( Z - z ) 2 ]]>
考虑到接收机钟的误差σt，则可得到如下观测值方程：
∂ ′ = ( X - x ) 2 + ( Y - y ) 2 + ( Z - z ) 2 + c . σ t ]]>
上式中为观测量，X、Y、Z为己知量，x、y、z、σt为未知数。可见，
只要观测4颗以上卫星，即可列出4个以上这样的方程式，便能解出4个未知
数x、y、z、σt，从而确定接收机的坐标x、y、z。
GPS定位精度主要依赖两部分：定位设备捕捉到的卫星数量以及分布和测量
的精度。GPS定位法是一种基于终端的定位技术，其优点在于定位精度高，理
论上可以达到5到10米。其缺点在于GPS技术在市区内定位的概率较低，初次
启动需要较长的时间，在冷启动的情况下通常需要120秒以上。为了克服GPS
定位技术在初次启动时间上的缺点，出现了称为辅助GPS定位法，网络辅助的
GPS卫星定位是目前移动通信网定位业务系统中广泛支持的一种定位技术。
AGPS定位仍然是基于GPS的，因此定位的首要步骤还是先搜索到当前地区
的可用GPS卫星。在传统GPS定位中需要全频段搜索以找到可用卫星因而耗时
较长，而AGPS通过网络直接下载当前地区的可用卫星信息，从而提高了搜星
速度。同时，也减小了设备的电量消耗。AGPS中从定位启动到GPS接收器找
到可用卫星的基本流程如下：
a)设备从峰窝基站获取到当前所在的小区位置(即一次TDOA定位)；
b)设备通过蜂窝网络将当前蜂窝小区位置传送给网络中的AGPS位置服务
器；
c)AGPS位置服务器根据当前小区位置查询该区域当前可用的卫星信息(包括
卫星的频段、方位、仰角等相关信息)，并返回给设备；
d)GPS接收器根据得到的可用卫星信息，可以快速找到当前可用的GPS卫星，
完成GPS初始化过程结束；
e)接收卫星信号并进行定位，主要有两种方式：在移动设备端进行计算的
MS-Based方式和在网络端进行计算的MS-Assisted方式；
f)设备将处理后的GPS信息(伪距信息)通过蜂窝网络传输给AGPS位置服务
器；
g)AGPS服务器根据伪距信息，并结合其他途径蜂窝基站定位、参考GPS定
位等得到的辅助定位信息，计算出最终的位置坐标，返回给设备。
（2）多目标融合定位算法
通过单个手机定位算法获得一部手机的位置测量值(xi,yi)，经过数据融合算
法进行处理，最终获得出行人群的聚集中心位置(x,y)。假设第i部手机在k时刻
的测量值为xi(k)，则k时刻得到的多手机的平均位置值为（由于高程z值的应用
意义不大，这里不考虑）：
X _ ( k ) = 1 n Σ i = 1 n X i ( k ) ; Y _ ( k ) = 1 n Σ i = 1 n Y i ( k ) ]]>
每个手机对应的定位测量方差估计为：
σ ix 2 = ( X i ( k ) - X _ ( k ) ) 2 ; σ iy 2 = ( Y i ( k ) - Y _ ( k ) ) 2 ]]>
则多个手机融合后的结果为：
（3）手机定位移动速度的计算方法
1）手机定位数据的筛选
考虑手机用户出行的规律性，在一般情况下，手机用户在周末出行的规律性
一般较小，变化大且不可预测；而在工作日出行的规律性则较强，变化小。因
此，将每个月工作日的手机定位数据单独提取出来，即筛选出周一至周五的历
史手机定位数据，并分时段存储将用户规律出行的历史手机定位数据。
2）确定出行OD
将休息时段，即凌晨0点至7点的时间段内，手机定位个数的峰值小区设为
规律出行的起始点；将工作时段，即在9点至12点的时间段内，手机定位小区
个数的峰值小区设为终点。
3）确定出行路径
若采用移动通信网络定位，将历史定位小区的概率与最优路径搜索过程相结
合，重建用户的出行轨迹，可以找出手机用户最大可能途经的路段。对于在两
个定位小区之间没有出现历史定位数据的情况，则使用常见的Dijkstra最短路径
算法进行路径的搜索。对于规律出行的手机用户，在工作日的部分时段内会有
规律的出行，离开居住地去公司上班，即从O小区运动到D小区，下班后即从
公司返回居住地，即从D小区运动到O小区。首先根据大概率历史定位小区的
位置确定路径搜索区域，遍历搜索区域内的所有历史定位小区，根据定位小区
的历史概率，为小区内的路段的相应字段赋值，结合路段长度、道路等级、用
户出行习惯等相关因子进行最大概率路径搜索，直至形成从O小区到D小区连
通的出行轨迹。
若采用GPS、AGPS定位，则直接用出行OD之间的GPS轨迹与道路网络进
行匹配，即可得到准确的出行路径。
（4）手机定位移动速度的计算
针对单个手机或多部手机融合后的移动目标，用OD之间的总路径长度除以
总的有效时间间隔，即可计算出该时段所经过路段的平均速度：
手机定位移动速度（S）=OD之间的总路径长度（L）/总的有效时间间隔（T）
（4）多模式交通出行识别方法
本发明所指的多模式交通运输系统仅包括公交车、小汽车（含自驾车和出租
车）、步行三种。本发明仅包含三种市内交通出行方式，不包括长途出行（如飞
机、高铁、长途汽车等）和地铁出行。本发明采用“多特征匹配法”进行识别，“多
特征匹配法”包括轨迹特征匹配、速度特征匹配、聚合度特征匹配和距离特征匹
配。
1）轨迹特征匹配
假设实际出行轨迹为R（R是出行轨迹的空间矢量数据，为线性对象），OD
之间与实际出行轨迹重合的最少换乘公交线路数为i（i>=1，当i=1时表示公交
直达），与实际出行路径重合的公交线路轨迹为Bi（Bi是OD间公交线路空间矢
量数据，为线性对象），则公交路径匹配率（G）计算方法如下：
G = 1 R Σ i = 1 n B i ]]>
当G=1时，表示实际出行轨迹与OD之间的公交线路完全重合，在本发明较
佳的实施例中，以G≥0.9为公交模式出行的先决条件；当i>3时，一般不认为是
公交出（因换乘2次以上公交出行的接受度极小）。
2）速度特征匹配
公交车、小汽车（含自驾车和出租车）和步行三种交通方式的出行速度有着
显著差别。通过将实际出行速度与这三种交通方式的理论出行速度进行对比，
可以得到二者之间的速度匹配率（Mj）。
M j = S S j _ ]]>
其中，j为出行模式，j=0时为公交模式出行，j=1时为小汽车模式出行，j=2
时为步行模式出行，Mj为j出行模式下的速度匹配率，S为手机定位移动速度，
为多模式出行下的理论平均速度，是公交模式下的理论平均速度，是小
汽车模式下的理论平均速度，是步行模式下的理论平均速度，0<Mj≤1，当Mj
越接近于1，则表示j出行模式的可能性越大，在本发明较佳的实施例中，公交
模式出行满足速度特征匹配的条件是1≥M0≥0.67（市区公交车平均时速区间
设定为20公里/小时至30公里/小时）；步骤34中，速度特征符合小汽车速度
的条件是1≥M1≥0.67（市区小汽车平均时速区间设定为40公里/小时至60公
里/小时）；速度特征符合步行速度的条件是1≥M2≥0.71（市区步行出行平均
时速区间设定为5公里/小时至7公里/小时）。
实际受道路等级、出行时间（如是否出行高峰期）、道路限速等相关因子的
影响。计算方法如下：
S j = 1 n Σ e = 1 n _ S e X e ]]>
Se为j出行模式下路段e的设计速度（根据城市道路等级和限速来确定，不同
路段的设计速度是常数），Xe为j出行模式下路段e的路阻系数。Xe受多种因素
的影响，其中最主要的是出行时间，k时刻路段e的X值为常数，该常数为经验
值。
3）聚合度特征匹配
不同的交通出行方式出行人群的聚集特征也不相同。例如：自驾车和出租车
一般为5人以下，公交车一般为10人以上。通过对出行人群的聚特集征进行分
析，可以识别出小汽车和公交车两种出行模式。
聚合度（D）匹配方法有两种：一种是用出行聚合数（Q）的最大值Qmax与
聚合常数（A）进行匹配，来识别交通出行模式；另一种是用出行聚合数（Q）
的平均值来与聚合常数（A）进行匹配，识别交通出行模式。计算方法如下：
其中，f为出行模式，f=1时为自驾车模式出行，f=2时为出租车模式出行，
f=3时为公交模式出行，自驾车模式和出租车模式合称为小汽车模式，Df为f出
行模式下的聚合度，Qmax为f出行模式下的出行聚合数Q的最大值，为f出行
模式下的出行聚合数Q的平均值，Af是f出行模式下的聚合常数，其为一个区
间常数。根据自驾车、出租车和公交车三种交通模式的特征，以及不同地区的
实际情况来确定Af的具体区间。例如：
A1=[1，5]，A2=[1，3]，A3=[10，80]
是研究对象在一次出行OD之间n段的聚合数（Qe）的平均值，计算方法
如下：
Q _ = 1 n Σ e = 1 n Qe ]]>
Qmax是研究对象在一次出行OD之间n段的聚合数（Qe）的最大值，计算方
法如下：
Qmax=MAX{Qe}
公交模式出行满足聚合度特征匹配的方法是1≥D3≥0.6，聚合度特征满足
小汽车模式出行的方法包括满足自驾车模式出行和出租车模式出行，其中，聚
合度特征满足自驾车模式出行的方法是1≥D3≥0.8，聚合度特征满足出租车模
式出行的方法是1≥D3≥0.8。
聚合度（D）无论是用聚合数（Q）的最大值还是平均值（），都有其优缺
点，具体应用可根据实际情况进行选择。
4）距离特征匹配
对于步行和公交出行来说，距离是一个非常重要的影响因子。经调查表明（以
广州市为例）：步行模式的可接受距离一般在2公里以内；公交出行的可接受距
离一般在5公里和20公里之间最为适宜。征对不同城市的公交出行和步行可接
受距离进行调查，建立区域的公交出行和步行可接受距离常量（L），将实际出
行数据与可接受距离常量进行对比，可对轨迹特征匹配、速度特征匹配和聚合
度特征匹配的结果进行检验。
以征集智能手机用户志愿者参与方式，对本发明的具体实施方式进行说明：
1、征集智能手机用户志愿者；
2、在志愿者的智能手机（Android平台）上安装手机定位信息采集软件；
3、设定信息采集时间段，并自动采集、上传志愿者的出行信息；
4、采集完成后，对数据库中的采集信息进行处理，剔除无效数据；
5、对有效数据进行处理，形成完整的有效OD出行记录；
5、对有效OD出行数据进行识别：
（1）应用轨迹特征匹配，对所有有效出行数据进行分析、匹配；
（2）若轨迹特征匹配成功，则进行速度特征、距离特征和聚合度特征检验；
（3）若速度特征、距离特征和聚合度特征检验均符合，则识别为公交出行
模式；
（4）对轨迹特征匹配不成功的OD出行数据，应用速度特征匹配；
（5）若速度特征符合自驾车和出租车速度，则识别为自驾车或出租车出行
模式；
（6）若速度特征不符合自驾车和出租车速度，应用距离特征匹配；
（7）若距离特征符合步行特征，则识别为步行模式；
（8）若距离特征不符合步行特征，则为其他出行模式。
为了对本发明所提出的方法进行检验，采用主动参与方式，征集智能手机
用户志愿者参与。在保护志愿者隐私的前提下，在志愿者的智能手机（Android
平台）上安装手机定位信息采集软件。该软件在能够获取GPS信号时采用AGPS
定位算法，不能获取GPS信号时采用移动通信网络定位算法，获取实时位置信
息，并设置每隔5秒上传一次位置信息（经度、纬度、时间）到服务器上。考
虑到工作日早、晚高峰的出行规律性较强，并且获取早、晚高峰的出行规律更
有意义，为减少志愿者手机网络流量消耗，软件设置的信息采集时间段为：工
作日6：30—9：30，17：00—20：00。理想情况下每部手机每天上传记录为4320
条，10个工作日共上传43200条。但是，由于网络、软件及其他影响因素，会
造成信息采集失败或信息上传不成功（如GPS不能定位、网络未连接等）。有效
出行数据必须是在6：30—9：30或17：00—20：00时间段内的一次完整的OD
出行信息记录。以一次完整的OD出行手机定位记录作为1条有效出行数据的
话，则理想状态下10个工作日每部手机可以采集20条有效出行数据。本次共
征集了100名志愿者参与，采集时间为期2周（10个工作日），其中有13名志
愿者因手机定位信息采集软件问题（未连接网络、软件未能成功启动等）而未
能采集到数据。其余87部手机共采集到3119472条手机定位信息（有部分数据
上传服务器过程中丢失，也有部分是无效数据，如长时间在O、D位置上传的
定位信息），经分析、提取，剔除无效出行数据（数据不完整，未能有效覆盖整
个OD出行过程，或非正常出行，未按日常OD出行等），共获得1146条有效出
行数据，含866524条手机定位信息。
应用“多特征匹配法”对以上获得的1146条有效出行数据进行交通出行模
式识别，结果如下：对公交车出行的识别准确率达到81%，自驾车/出租车出行
的识别准确率达为72%，步行的识别准确率达到87%。从准确率来看，本发明
具备较好的推广应用价值。
上列详细说明是针对本发明可行实施例的具体说明，该实施例并非用以限
制本发明的专利范围，凡未脱离本发明所为的等效实施或变更，均应包含于本
案的专利范围中。