基于信令数据与大数据分析识别公交出行上下车站点的方法与系统

摘要

本发明提供一种基于信令数据与大数据分析识别公交出行上下车站点的方法与系统，基于乘客的手机信令数据得到的轨迹数据进行路网匹配，并在得到的路段信息基础上进行出行方式识别，在识别出行方式的基础上提取出其中的公交出行轨迹段，再利用乘客的手机信令数据得到的轨迹以及公交车车载物联网卡反馈数据的基站轨迹进行轨迹匹配，获得用户轨迹匹配到的线路编号信息，再由用户出行轨迹的首末基站与线路站点基站序列进行匹配即可得到上下车站点。通过本发明的方法匹配识别的上下车站点，覆盖度高，而且不需要长期采集历史数据，进行大量概率计算并推测，而是由真实轨迹进行匹配获取，准确度更高，识别过程简单。

说明书

技术领域

本发明涉及智能交通识别技术领域，尤其是手机信令数据在智能交通中的应用，具体而言涉及一种基于信令数据与大数据分析识别公交出行上下车站点的方法与系统、系统与计算机可读存储介质。

背景技术

公共交通是城市居民出行的重要方式之一，分析城市居民及外来旅客乘坐公共交通的流量特征能够有效的对城市的规划和和公交线路的规划，公交运力调整做强有力的支撑。

现阶段公共交通的客流信息主要是通过IC卡数据获取，但现今很多城市的公交系统只有上车刷卡信息而没有下车信息，更甚者，部分城市的公交系统并未实现自动支付方式，仍采用投币的传统模式，对于非IC乘客，无法获知乘客乘坐的公交线路号、上下车站点，对于公交运营机构或者公共交通部门，无法统计公交线路的客流流向，无法准确刻画公共交通客流来源去向、客流强度、客流的时空变化规律，对智能化调整发车班次、车辆类型选择等策略缺少数据支撑。

发明内容

根据本发明改进的第一方面提供一种基于信令数据识别公交出行上下车站点的方法与系统，包括以下步骤：

步骤1、基于城市边界GIS数据，获取城市范围内的用户移动通信终端上报的信令数据，所述信令数据为移动通信终端进行基站扇区切换时上报的包含终端号码、时间以及基站经纬度的数据；然后根据某个用户移动通信终端单日的信令数据获得对应的信令轨迹点集合P

步骤2、根据信令轨迹点集合进行停留点识别，并确定信令轨迹点集合中的行程中间点和行程结束点，识别出用户的连续出行，构造出用户的信令轨迹，并对信令轨迹进行平滑处理；

步骤3、基于停留点为关键点，将平滑后的用户的信令轨迹分为多个以出行结束点为终点的OD链；

步骤4、将OD链中对应的信令轨迹点与GIS路网数据进行路网匹配，得到多个对应的子路段信息，即路段轨迹；

步骤5、计算匹配路径后在每个子路段上对应的出行特征值，然后利用出行方式识别模型，得出某个用户每个子路段及OD链的出行模式；

步骤6、提取出行模式组合中的所有在公交出行模式下的OD链；提取OD链中的基站序列，记为{(Ti,Ci)}；

步骤7、利用所提取的OD链中的基站序列结合公交运行线路筛选出城市目标空间区域，提取目标空间区域内经过的公交线路，以筛选出各公交线路上的车辆物联网卡并获得公交车在运动过程中通过物联网卡返回的数据，从而获得物联网卡轨迹，并从公交车物联网卡轨迹提取得到物联网卡轨迹基站序列{(Tj,Cj)}；

步骤8、利用基于动态距离的相似度度量方法，将OD链中的基站序列{(Ti,Ci)}与车辆物联网卡反馈的物联网卡轨迹基站序列{(Tj,Cj)}进行匹配，获得某个用户的OD链匹配到的线路编号数据；

步骤9、利用线路编号数据下各站点与基站的关系，根据线路站点对应的基站序列，得出用户轨迹的上车站点和下车站点。

根据本发明改进的第二方面提供一种基于信令数据识别公交出行上下车站点的系统，包括：

一个或多个处理器；

存储器，存储可被操作的指令，所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作，所述操作包括执行所述基于信令数据识别公交出行上下车站点的方法的过程。

与现有技术相比，本发明的显著优点在于：

相对于现有公交车上下车站点识别方法，本发明采用技术手机信令数据进行上下车站点识别，可覆盖电子支付、投币支付人群，不分市内市外人员，覆盖度高，得到的数据更加全面；同时，本发明识别下车站点不需要进行长期采集历史数据，进行大量概率计算并推测，而是由真实轨迹进行匹配获取，准确度更高，识别过程处理的计算过程简单，效率高。

应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。

结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。

附图说明

附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：

图1是本发明示例性实施例的基于用户手机信令得到的信令轨迹的示例图。

图2是本发明示例性实施例的平滑后的信令轨迹的示例图。

图3是本发明示例性实施例的通过滑动窗口获得的基于路网信息的用户轨迹示意图，其中的每个路段对应的点(例如A-G)表示基站位置。

图4是本发明示例性实施例的提取基站序列的示意图。

图5是本发明示例性实施例的基于信令数据识别公交出行上下车站点的方法的流程图。

具体实施方式

为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。

在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定意在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。

结合图示，根据本发明示例性实施例的基于信令数据识别公交出行上下车站点的方法，基于乘客的手机信令数据得到的轨迹数据(基站轨迹)进行路网匹配，并在得到的路段信息基础上进行出行方式识别，在提取出的出行特征的基础上识别出出行方式并提取出其中的公交出行轨迹段，再利用乘客的手机信令数据得到的轨迹以及公交车车载物联网卡反馈数据的基站轨迹进行轨迹匹配，获得用户轨迹匹配到的线路编号信息，再由用户出行轨迹的首末基站与线路站点基站序列进行匹配即可得到上下车站点。

通过本发明的由用户出行轨迹的首末基站与线路站点基站序列进行匹配识别的上下车站点，覆盖度高，得到的数据更加全面。

公交车车载的物联网卡，提供基础的数据通信功能和公交车运行状态反馈功能，例如建立与无线网络的数据通信，并将公交车的运行状态、时间、位置、站点信息等反馈至公交网络监控或者管理后台系统，实现智能化识别、定位、跟踪、监控和管理。本发明借助于手机信令、公交物联网卡信令数据，结合基站时间变换的序列，使得公交线路、公交上下车站点的推测更加准确可信，而且不需要长期采集历史数据，进行大量概率计算并推测，而是由真实轨迹进行匹配获取，准确度更高，识别过程简单。

作为可选的示例的基于信令数据识别公交出行上下车站点的方法，其实施过程包括以下步骤：

步骤1、基于城市边界GIS数据，获取城市范围内的用户移动通信终端上报的信令数据，所述信令数据为移动通信终端进行基站扇区切换时上报的包含终端号码、时间以及基站经纬度的数据；然后根据某个用户移动通信终端单日的信令数据获得对应的信令轨迹点集合P

步骤2、根据信令轨迹点集合进行停留点识别，并确定信令轨迹点集合中的行程中间点和行程结束点，识别出用户的连续出行，构造出用户的信令轨迹，并对信令轨迹进行平滑处理；

步骤3、基于停留点为关键点，将平滑后的用户的信令轨迹分为多个以出行结束点为终点的OD链；

步骤4、将OD链中对应的信令轨迹点与GIS路网数据进行路网匹配，得到多个对应的子路段信息，即路段轨迹；

步骤5、计算匹配路径后在每个子路段上对应的出行特征值，然后利用出行方式识别模型，得出某个用户每个子路段及OD链的出行模式；

步骤6、提取出行模式组合中的所有在公交出行模式下的OD链；提取OD链中的基站序列，记为{(Ti,Ci)}；

步骤7、利用所提取的OD链中的基站序列结合公交运行线路筛选出城市目标空间区域，提取目标空间区域内经过的公交线路，以筛选出各公交线路上的车辆物联网卡并获得公交车在运动过程中通过物联网卡返回的数据，从而获得物联网卡轨迹，并从公交车物联网卡轨迹提取得到物联网卡轨迹基站序列{(Tj,Cj)}；

步骤8、利用基于动态距离的相似度度量方法，将OD链中的基站序列{(Ti,Ci)}与车辆物联网卡反馈的物联网卡轨迹基站序列{(Tj,Cj)}进行匹配，获得某个用户的OD链匹配到的线路编号数据；

步骤9、利用线路编号数据下各站点与基站的关系，根据线路站点对应的基站序列，得出用户轨迹的上车站点和下车站点。

本发明在实施过程中，基于城市边界GIS数据，筛选处于城市范围内的用户手机信令数据进行采集，手机信令数据包含了丰富的信息，本发明使用了其中的终端号码(即在运营商处登记的手机通信号码信息)、时间以及对应基站经纬度的数据。其中，用户的终端号码采用脱敏处理。

由此，通过某一个用户一个周期范围(如一天24h)的手机信令数据，获得其关于基站的信令轨迹，即由基站构成的轨迹序列，获得对应的信令轨迹点集合P

在可选的实施例中，由于移动通信终端进行基站扇区切换时，由于基站的实际覆盖等原因，会存在比较多的噪声数据，例如ABA、ABC等方式的乒乓切换或者数据漂移。对此，我们在本发明中对信令数据需要进行预处理，即对信令轨迹点进行优化处理，尤其是指乒乓切换优化和过滤漂移点。本发明的实施过程中，可采用现有技术中的处理方式对信令数据进行乒乓切换优化和过滤漂移点，对信令数据进行预处理。

接下来在步骤2中，我们利用停留点识别算法，识别个体用户每天信令轨迹中的停留点，结合停留点发生的时间、POI信息，进一步增强停留点识别的可靠性。

具体地，根据信令轨迹点集合进行停留点识别，并确定信令轨迹点集合中的行程中间点和行程结束点，识别出用户的连续出行，构造出用户的信令轨迹。

例如，图1示例性的表示了某一用户一段时间内的出行轨迹点示意。

在出行链分析之前，要先识别用户的每次连续出行轨迹，然后再对每次连续出行轨迹进行细化分析。用户的出行轨迹识别包括3个部分：起始点识别、出行持续状态识别、结束点识别。

优选地，根据信令轨迹点集合按照下述方式构造用户的信令轨迹，具体包括：对信令轨迹点集合采用DBSCAN密度聚类算法，根据预设的距离范围阈值Dis以及预设时间阈值Tpre进行停留识别以识别出停留点，并根据停留点确定信令轨迹点集合中的行程中间点和行程结束点，基于行程结束点从而确定出用户每段行程的开始时间、开始位置、结束时间以及结束位置，构造用户的信令轨迹。

在可选的实施例中，本发明的实施例中采用下述方式进行停留点识别。

定义用户出行起始点

用户开始持续运动状态，在指定时间T中，离开指定范围A，则范围A为用户出行开始区域。

用户离开区域的时间，即在区域A最后一次上报的时间，为用户的出行开始时间。

而用户实际出行位置，则通过权重算法模型进行计算。计算用户在区域A的位置重心坐标：

选取距离重心最近的位置上报点作为出行起始点，即：

P＝min{(lng(P)-lng(G))

定义用户持续出行

对于用户轨迹中任意的位置点P，从P点的时间开始，在指定时间T中，用户活动范围超出P周围指定范围A，则认为用户保持持续运动状态。

定义用户出行结束点

用户结束持续运动状态，在指定时间T中，持续停留在指定范围A，则范围A为用户出行结束区域。

用户到达A区域的时间，即用户在区域A首次出现的时间，为用户的出行结束时间。

而用户实际出行位置，则通过权重算法模型进行计算。计算用户在区域A的位置重心坐标：

选取距离重心最近的位置上报点作为出行结束点，即：

P＝min{(lng(P)-lng(G))

结合图1、图2所示，其中的每个点表示对应时刻的信令轨迹点位置。

可选地，按照上述定义，在指定时间T(例如30分钟)内，指定范围A(例如500米)的条件下，图1所示的轨迹中，圈内的轨迹点形成了停留状态，如p3,p4,p5是一个停留，如果停留时间＝T5-T3小于30分钟，且未超过A范围，则该停留属于短暂停留。形成短暂停留现象的原因非常多，例如出行中交通方式切换时的换乘等待，或者是交通堵塞导致的停滞不前，亦或者是散步中的短暂休息，等等。又如p8,p9,……,p12，如果停留时间＝T12-T8大于30分钟，且未超过A范围，则该停留可能是一次出行的结束点。

本发明基于密度聚类DBSCAN算法，参数eps＝500，minPts＝5，进行停留识别，并通过计算停留时长、停留范围，将停留点识别为行程中间点，行程结束点。继而，按照上述定义推算每个行程的开始时间，开始位置，结束时间，结束位置。

通过上述处理，在获得的信令轨迹基础上，对于停留点集采用停留点集的质心(O1、O2)进行替代，平滑用户的信令轨迹，使得轨迹变得平滑且简洁，如图2所示。

图2所示为实际根据用户上报的信令数据进行平滑后得到的轨迹的示例，此处的轨迹是指信令轨迹，是基于基站位置进行连线形成的轨迹，其可能穿过实际GIS路网中的道路路段或者偏离路段，并非是指用户实际出行的轨迹。

接下来，结合图2所示，基于识别出来的停留点为关键点，将平滑后的用户的信令轨迹分为多个以出行结束点为终点的OD链。

例如，利用停留点p3,p5,p8,p12，将某个个体用户的每天的信令轨迹切分为以出行目的地为终点的OD链，例如p1,p2,p3；p5,p6,p7,p8；p12,p13,p14,p15为三段出行段，数据存在表dm_travel_user_detail_day。

在步骤4中，将OD链中对应的信令轨迹点与GIS路网数据进行路网匹配，得到多个对应的子路段信息，即路段轨迹。

优选地，所述步骤4中，利用路网的GIS数据及OD链中对应的信令数据中的基站的位置，计算基站位置对应映射到路网的道路上的所有可能的路段信息，并取基站到路网道路上距离最短的路段信息作为OD链匹配到路网中的匹配结果，输出对应的子路段信息。

通过路网匹配，获得了基站位置(即信令轨迹点)对应到实际路网中的路段信息。

所述步骤5中，基于匹配路径后在每个子路段信息计算对应的出行特征值，然后利用出行方式识别模型，得出某个用户每个子路段及OD链的出行模式，其具体处理包括：

对某个用户每天的路网匹配结果按照时间字段排序，然后按照预设的窗口时长和滑动步长进行时间窗口切割；

基于切割的时间窗口内子路段对应的各信令轨迹点获取出行特征值，所述出行特征值包括用户的个人年龄和性别信息以及时间窗口的各信令轨迹点的最大瞬时速度、平均速度、速度方差与移动位移；

将出行特征值输入训练好的的基于SVM二分类器的出行方式识别模型中，识别出用户的出行方式。

在步骤5中，本发明的出行方式识别所采用的出行特征值包括用户年龄，性别，最大瞬时速度，平均速度，速度方差和移动距离。

其中，出行特征值的获取，基于用户的信令数据构造的OD链，并通过滑动窗口切割后的方式计算获得。

作为可选的方式，在步骤5中，窗口切割过程首先对个体用户的路网匹配结果按照time字段排序，并剔除speed异常的轨迹点(例如设定为速度小于0.3m/s、大于40m/s的异常点)，然后以窗口时长为基础(例如选择为1200s)，以滑动步长(例如选择为120s)作为滑动间隔进行窗口滑动处理。

本发明的示例性的滑动窗口切割过程如下：

St4.1.对停留时长和滑动间隔时间进行参数配置

St4.2.假设停留时长设置为1200s，滑动间隔120s，例如某个用户的轨迹为A-B-C-D-E-F-G

A:2020-08-24 11:00:00

B:2020-08-24 11:01:00

C:2020-08-24 11:05:00

D:2020-08-24 11:15:00

E:2020-08-24 11:20:00

F:2020-08-24 11:35:00

G:2020-08-24 11:40:00

第一次切割直接从起始点开始，每次进行时间间隔的累加

step1轨迹点A停留时长为0

step2轨迹点B停留时长为0+60＝60<＝1200s

step3轨迹点C停留时长为0+60+240＝300<＝1200s

step4轨迹点D停留时长为0+60+240+600＝900<＝1200s

step5轨迹点E停留时长为0+60+240+900+300＝1200<＝1200s

step6轨迹点F停留时长为0+60+240+600+300+900＝2100>1200s

则第一段时间窗口为A-B-C-D-E。

第二次切割的开始时间为：A的时间+滑动间隔120s则开始时间为2020-08-24 11:02:00；

step1轨迹点B时间为2020-08-24 11:01:00<2020-08-24 11:02:00直接跳过；

step2轨迹点C时间为2020-08-24 11:05:00>＝2020-08-24 11:02:00停留时长为0；

step3轨迹点D停留时长为0+600＝600<＝1200s；

step4轨迹点E停留时长为0+600+300＝900<＝1200s；

step5轨迹点F停留时长为0+600+300+900＝1800>1200s，

则第二段时间窗口为C-D-E。

第三次切割的开始时间为：C的时间+滑动间隔120s则开始时间为2020-08-24 11:07:00；

同上过程，第三段时间窗口为D-E-F。

第四次切割的开始时间为：D的时间+滑动间隔120s则开始时间为2020-08-24 11:17:00：

step1轨迹点E时间2020-08-24 11:20:00>2020-08-24 11:17:00停留时长为0；

step2轨迹点F停留时长为0+900＝900<＝1200s；

step3轨迹点G停留时长为0+900+300＝1200<＝1200s,且到达最后一个轨迹点；

则第四段时间窗口为E-F-G，切割结束。

最后切割为四段时间窗口：

A-B-C-D；C-D-E；D-E-F；E-F-G。

结合以上实施过程，在时间窗口切割过程中，针对的是信令轨迹点进行处理，也即基站信息进行处理。信令轨迹点已经在前面的步骤中进行路网匹配处理，获得相应的子路段信息。

然后，计算出行特征值，包括：

(1)利用用户终端号码msisdn从用户资料表提取匹配获取年龄与性别信息；

(2)最大瞬时速度，取值为时间窗口中各信令轨迹点的speed字段最大值；

(3)平均速度，取值为时间窗口中各信令轨迹点的speed字段的平均值；

(4)速度方差，取值为时间窗口中各信令轨迹点的speed字段的方差；

(5)移动位移，取值为时间窗口内各信令轨迹点对应子路段的距离、上一子路段终点与下一子路段起始点之间的距离以及最后一段子路段的剩余距离。

在可选的实施例中，上述出行特征值的获取具体包括以下步骤：

(1)利用用户终端号码msisdn从用户资料表提取匹配获取年龄与性别信息；

(2)最大瞬时速度，取值为时间窗口中各信令轨迹点的speed字段最大值；

最大瞬时速度＝max(speed

speed

(3)平均速度，取值为时间窗口中各信令轨迹点的speed字段的平均值；

N表示时间窗口内的信令轨迹点的个数。

(4)速度方差，取值为时间窗口中各信令轨迹点的speed字段的方差；

(5)移动位移，取值为时间窗口内各信令轨迹点对应子路段的距离、上一子路段终点与下一子路段起始点之间的距离以及最后一段子路段的剩余距离。

例如，结合图3所示的示意，如果时间窗口为A-B-C-D，则移动距离等于A.distance+A的终点与B的起点之间的路段距离+B.distance+B的终点与C的起点之间的路段距离+C.distance+C的终点与D的起点之间的路段距离+D.distance+D的剩余的时间*D.speed，其中D的剩余时间为：(A.time+时间窗口时长–D.time)，如果A.time为2020-08-24 11:00:00，时间窗口时长为20min，D.time为2020-08-24 11:19:00，则剩余时间为60s。移动位移为所有连线的线路长度。

由此，通过上述方式提取获得每个子路段上对应的出行特征值。

在出行方式识别模型的选取上，本发明使用基于SVM二分类器的出行方式识别。在具体的识别过程中，基于用户的OD链，可首先进行专用交通出行方式的识别，例如基于城市专有场景交通基础设施数据及其专有场景专用基站，采用基站经纬度匹配识别OD链中高铁、动车、轻轨以及轨道交通四种专有出行方式，然后从OD链中提出，对剩下的OD链进行识别，识别其出行方式，并且提取和筛选出其中采用公交出行的OD链。

基于SVM二分类器的出行方式识别模型，被设置成根据用户年龄，性别，最大瞬时速度，平均速度，速度方差和移动距离进行训练获得识别模型。

作为可选的实施例，基于SVM二分类器的出行方式识别模型被设置成根据以下方式进行训练生成：

采用SVM二分类器进行出行方式识别模型训练，获得识别模型的具体操作包括：构建多个SVM二分类器，并根据用户上传的出行数据和信令数据历史样本提取出行特征值，对步行、出租车、私家车和公交车四种出行方式进行模型训练，输出出行方式识别模型，具体训练过程包括：

(1)对四种出行方式分别赋予类别标识，步行0，出租车为1，私家车为2，公交车为3；

(2)构造6个二分类器，并确定每个二分类的决策函数；

(3)将特征值输入6个二分类器中，并基于投票机制进行训练，计算哪种出行方式的二分配器预测出现的方式最多，即为哪种出行方式；若出现每种出行方式预测出现的测试次数相同，则获取对应出行方式组合的二分配器再进行训练，直到二分配器只有一个出行方式次数最多，或者每种出行方式预测出来都等于1，则随机分配；或者每种出行方式预测出来的结果都相同，则随机分配；

(4)将特征值训练得到的模型作为测试对象，将样本数据进行k等分，分成训练集和测试机，将训练集训练得到的模型用测试集进行k交叉测试，与实际上报的出行方式进行对比，计算K个对比结果进行验证，如果验证结果的预测准确性达到预设值，则输出模型，否则调整二分类器决策函数的惩罚系数和核函数进行重新训练，直到满足预测准确性的预设值标准。

可选地，每个二分类的决策函数为：

其中参数选择过程中，惩罚系数C(0.1，50)，以及核函数参数σ(0.1，50)，通过参数选择调整模型训练的效果。

在另外的实施例，本发明的出行方式识别还可以基于其他预设或者现有的识别模型进行识别，其目的旨在基于用户的信令轨迹数据识别出其出行方式即可，然后可筛选出其中采用公交出行的OD链。

由此，我们在用户的一天的信令轨迹数据中获得了其公交出行的OD链。在此基础上，进一步提取这些OD链中的基站序列，记为{(Ti,Ci)}。

例如，结合图4示例所示，以某一用户的一段公交出行OD链提取的基站序列为{(t1,c1),(t2,c2),(t3,c5),(t4,c7),……,(t18,c30)}进行示例性说明。

在步骤7中，进一步基于公交车车载物联网卡反馈的基站序列信息，获取物联网卡轨迹，并从公交车物联网卡轨迹提取得到物联网卡轨迹基站序列{(Tj,Cj)}。

例如，我们可以利用用户出行轨迹基站序列筛选出分析的城市目标空间区域，利用线路GIS数据与地图匹配提取该区域内经过的公交线路，进一步选出各线路上的车辆物联网卡号进行分析。例如，该区域内某一公交车物联网卡轨迹提取基站序列{(Tj,Cj)}，如图3所示获得的物联网卡轨迹基站序列为{(t1,c1),(t2,c2),(t3,c4),(t4,c6),……,(t20,c32)}进行示例性说明。

接下来，我们在步骤8中基于动态距离的相似度度量方法进行OD链中的基站序列{(Ti,Ci)}与物联网卡轨迹基站序列{(Tj,Cj)}进行匹配，推导出用户轨迹匹配到的线路编号信息，公交车辆与线路编号关系表TN_BUS_VEH_INFO，其具体过程包括：

对于任意两个轨迹，分别为轨迹A和轨迹B，则两条轨迹之间的相似距离定义为：

d(A，B)＝max{D

D

D

其中，m

St8.1：以轨迹A的第一个轨迹点开始，与轨迹B的所有轨迹点计算欧几里得距离，取最小距离，即：d

St8.2：将轨迹A的每一个轨迹点i，与轨迹B的所有的轨迹点计算欧几里得距离，取最小距离，即d

St8.3：则D

St8.4：以轨迹B的第一个轨迹点开始，与轨迹A的所有点计算欧几里得距离，取最小距离，即：d

St8.5：将轨迹B的每一个轨迹点i，与轨迹A的所有的轨迹点计算欧几里得距离，取最小距离，即：d

St8.6：则D

St8.7：则轨迹A和轨迹B之间的相似度量为d(A，B)＝max{D

由此，将某一个用户的出行OD链与目标空间区域内公交物联网卡卡中的一个公交物联网卡出行轨迹进行匹配，得到用户OD链匹配到的公交车辆与线路编号关系。

例如，以图3所示示例所提取的两端基站轨迹为例。

物联网卡轨迹基站序列为{(t1,c1),(t2,c2),(t3,c4),(t4,c6),……,(t20,c32)}

OD链提取的基站序列为{(t1,c1),(t2,c2),(t3,c5),(t4,c7),……,(t18,c30)}

轨迹A：traA＝{(t1,c1),(t2,c2),(t3,c5),(t4,c7),……,(t18,c30)}；

轨迹B：traB＝{(t1,c1),(t2,c2),(t3,c4),(t4,c6),……,(t20,c32)}；

其中ci＝(lat,lng)，lat为基站的经度，lng为基站的纬度。

以traA的第一个轨迹(t1,c1)开始，与traB的所有点计算欧氏距离：

则：d

St8.2：将轨迹A的每一个轨迹点i，与轨迹B的所有的轨迹点计算欧几里得距离，取最小值：

d

St8.3：则D

St8.4：以轨迹B的第一个轨迹点开始，与轨迹的所有点计算欧几里得距离，取最小值：

d

以前述两条轨迹A、B为例，进行说明。

traA＝{(t1,c1),(t2,c2),(t3,c5),(t4,c7),……,(t18,c30)}；

traB＝{(t1,c1),(t2,c2),(t3,c4),(t4,c6),……,(t20,c32)}；

其中ci＝(lat,lng)，lat为基站经度，lng为基站纬度。

以traB的第一个轨迹(t1,c1)开始，与traA的所有点计算欧氏距离：

则：d

St8.5：将轨迹B的每一个轨迹点i，与轨迹A的所有的轨迹点计算欧几里得距离，取最小值：

d

St8.6：则D

St8.7：则轨迹A和轨迹B之间的相似度量为d(A，B)＝max{D

由此，通过上述两端基站序列的提取以及相似度处理，将某一条用户的出行OD链(即出行轨迹)与城市目标区域范围内众多公交物联卡中的一个公交物联网卡出行轨迹进行匹配，再可在步骤9中由用户出行轨迹的首末基站与线路站点基站序列进行匹配即可得到上下车站点。

在步骤9中，利用线路编号下各站点与基站的关系DIM_BTS_TRAFFIC_COORIDOR，线路站点对应的基站序列{(s1,c1),(s2,c2,c3),(s3,c4,c5),……,(s15,c30),……}，得出用户轨迹的上车站点s1，和下车站点s15，存储在表TD_BUS_UP_DOWN_STATION中，得到该单一用户的上下车站点的信息。

结合图示，根据本发明示例性实施例还提出一种基于信令数据识别公交出行上下车站点的系统，包括：

一个或多个处理器；

存储器，存储可被操作的指令，所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作，所述操作包括执行前述基于信令数据识别公交出行上下车站点的方法的过程。

根据本发明的示例性实施例，还提出一种存储软件的计算机可读取介质，所述软件包括能通过一个或多个计算机执行的指令，所述指令在被所述一个或多个计算机执行时执行包括执行前述基于信令数据识别公交出行上下车站点的方法的过程。

虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。