用出租车GPS数据分析深圳道路交通情况.doc

D题：用出租车GPS数据分析深圳道路交通情况 各大城市出租车越来越多的安装了GPS终端，这些终端能够每隔1分钟向出租车管理中心发送本车的位置、速度和方向等信息，是车辆GPS实时数据。原始数据主要保存出租车上装配的GPS终端所采集的数据，这些数据包括序号，车牌号码，GPS时间，经度，纬度，车辆状态(空车、重车)，车辆速度，车辆方向(8个方向)到、的出租车有多少辆。 3. 由此，在合理的假设条件下，能否对人们出行的OD时空分布进行推断？ 4. 根据出租车载客后的行驶数据，筛选出拥堵的路段时段以及拥堵的路口时段。拥堵的标准自己设定，如某路段在某个时段平均行驶速度小于多少公里/小时（比如，10公里/小时），可认为是拥堵。 附注：部分有关资料请上网站，在数学建模基础数据页之交通问题基础数据下载：深圳出租车GPS数据，数据文件较大，我们分解成若干个小文件提供。 摘要 一个完整的城市交通系统非常庞大、复杂，这种情况使得数学建模——交通问题分析求解的困难、复杂度提高，将完整的城市交通系统按照交通流向、路网布局等特性划分为若干交通小区，然后对不同的交通小区进行数学建模，可以有效地降低这种复杂性。各大城市出租车越来越多的安装了GPS终端，这些终端能够每隔1分钟向出租车管理中心发送本车的位置、速度和方向等信息，是车辆GPS实时数据。原始数据主要保存出租车上装配的GPS终端所采集的数据目前对于交通小区的研究主要集中在应用层次，本文针对交通出行数据的空间分布特征，利用 K-Means 空间聚类算法进行交通小区的自动划分，为城市交通系统的管理、控制及规划提供技术支持，对交通出行数据进行优化，抽取出租车载客过程中乘客上下车的 GPS 位置坐标。基于聚类与交通小区划分的相似性，采用 K- Means 聚类法进行交通小区的划分。首先，通过聚类得到交通出行 OD 矩阵，然后据此划分出交通小区。基于 Google Maps API，搭建了软件平台。通过试验可以看出，这种动态划分方法得到的区域能够与现有的交通小区相吻合。这种高实时的交通小区划分方法将对动态的 OD 估计有着极大的参考价值。 关键词：GPS；交通小区；K-Means ；空间聚类算法；动态分析；k 均值聚类；边界计算 一、问题重述 各大城市出租车越来越多的安装了GPS终端，这些终端能够每隔1分钟向出租车管理中心发送本车的位置、速度和方向等信息，是车辆GPS实时数据。原始数据主要保存出租车上装配的GPS终端所采集 的数据。 问题一，根据出租车载客的起讫点，结合深圳市的交通地图，恰当的划分交通小区，并选择小区中的某一点，用其经纬数值作为该小区的坐标。 问题二， 根据小区划分和出租车GPS数据，给出载客出租车的OD时空分布。如：某时刻从坐标到、的出租车有多少辆。 问题三， 由此，在合理的假设条件下，能否对人们出行的OD时空分布进行推断？ 问题四， 根据出租车载客后的行驶数据，筛选出拥堵的路段时段以及拥堵的路口时段。拥堵的标准自己设定，如某路段在某个时段平均行驶速度小于多少公里/小时（比如，10公里/小时），可认为是拥堵。 模型假设 一般来说，交通小区的划分应该遵循以下原则： 同质性，分区内的经济 社会等特性尽量一致； 小区划分尽量不打破行政区的划分，以便可以利用行政区的统计资料； 分区数量适当，中等城市不超过 50 个，大城市最多不超过100-150 个 数量太多将加重规划的工作量，数量太少又会降低调查和分析的精度； 对于已做过 OD调查的城市，最好维持原已划分的小区。 三、符号说明 1.name 车牌号 2.time 采集时间点(格式：YYYY/MM/DD hh:mm:ss) 3.jd 经度 4.wd 纬度 5.status 车辆状态（0＝非打表，即：空载；1＝已打表，即：重载） 6.v 车速（单位为：km/h) 7.angle 行车方向（0＝东；1＝东南；2＝南；3＝西南；4＝西；5＝西北；6＝北；7＝东北） 四、 问题分析与模型建立 4.1对问题的分析和模型建立 4.1.1 交通小区概念 交通小区是具有一定交通关联度和相似度的节点或连线的集合，反映了城市路网交通特征的时空变化特性、交通小区具有同质性、关联性、动态性、稳定性、自组织性等特性。交通小区的划分是分析城市交通网络的一个很好的方式,因为交通小区内具有相似的交通特征和较强的交通关联性交通小区的划分与该城市的人口 面积 经济特征 产业结构等密切相关，并在一定程度上反应了一个城市的吸引力 4.1.2 交通小区划分概况 国内部分城市