融合规则方法和机器学习的居民出行目的识别方法

柯日宏; 肖亮; 赵大郅; 李胜楠; 王璞

doi:10.13203/j.whugis20240329

您当前的位置：

首页 >

文章列表页 >

融合规则方法和机器学习的居民出行目的识别方法

地图制图学与地理信息工程 | 更新时间：2026-11-05

- 融合规则方法和机器学习的居民出行目的识别方法
- An Integrated Rule-Based and Machine Learning Method for Trip Purpose Identification
- 武汉大学学报（信息科学版） 2026年51卷第6期页码：1273-1282
- 作者机构：
  
  中南大学交通运输工程学院，湖南长沙，410075
- 作者简介：
  
  柯日宏，博士生，主要研究方向为交通大数据挖掘与可视化。kerihong@csu.edu.cn
  王璞，博士，教授。wangpu@csu.edu.cn
- 基金信息：
  
  湖南省教育厅科学研究重点项目(24A0016);中南大学研究生科研创新项目(1053320252421)
- DOI：10.13203/j.whugis20240329
  中图分类号： TP208
- 收稿：2025-04-05，
  
  纸质出版：2026-06-05
- 稿件说明：
移动端阅览
柯日宏,肖亮,赵大郅，等.融合规则方法和机器学习的居民出行目的识别方法[J].武汉大学学报（信息科学版）,2026,51(6):1273-1282.

KE Rihong,XIAO Liang,ZHAO Dazhi,et al.An Integrated Rule-Based and Machine Learning Method for Trip Purpose Identification[J].Geomatics and Information Science of Wuhan University,2026,51(6):1273-1282.
柯日宏,肖亮,赵大郅，等.融合规则方法和机器学习的居民出行目的识别方法[J].武汉大学学报（信息科学版）,2026,51(6):1273-1282. DOI：10.13203/j.whugis20240329

KE Rihong,XIAO Liang,ZHAO Dazhi,et al.An Integrated Rule-Based and Machine Learning Method for Trip Purpose Identification[J].Geomatics and Information Science of Wuhan University,2026,51(6):1273-1282. DOI：10.13203/j.whugis20240329

摘要

针对手机定位数据缺乏语义信息的问题，探索手机用户出行目的识别方法，有助突破手机定位数据应用的局限性。当前出行目的识别的研究中普遍存在数据量不足、数据类型单一和非通勤出行目的识别效果不理想等问题。基于大规模、长周期的手机定位数据和多源时空数据，提出一种融合规则方法和机器学习的居民出行目的识别框架。首先，基于规则方法提取用户职住信息，进而识别出通勤出行目的；然后，使用兴趣面数据识别部分非通勤出行目的；最后，构建

-Prototypes-XGBoost模型识别剩余非通勤出行目的。模型综合建成环境、用户属性、活动属性和用户历史活动等多源时空数据，构建特征变量，能够有效地捕捉个体出行习惯与行为模式。研究结果表明，所提方法能够较为准确地识别手机用户出行目的；与5种基准方法进行对比，

-Prototypes-XGBoost模型预测非通勤出行目的效果最好。利用

-Prototypes模型提取相似出行行为的人群再进行预测，能够进一步提高模型性能和可解释性。

Abstract

Objectives

Aiming at the lack of semantic information in mobile phone data

the method for identifying the trip purposes of mobile phone users is explored to break through the limitations of mobile phone data application.

Methods

This paper proposes a framework for identifying the trip purposes of residents by combining a rule-based approach and machine learning utilizing large-scale and long-term mobile phone data and multi-source spa

tiotemporal data. The home and work locations of users are first analyzed using the rule-based approach to identify commuting trips. The area of interest data are then used to identify the purposes of some non-commuting trips. Finally

The

-Prototypes-XGBoost model is used to identify the purposes of other non-commuting trips. The proposed model constructs feature vectors based on multi-source spatiotemporal data

including built environment

user attributes

activity attributes and historical activity of user

to capture the travel behavior habits and patterns of individuals.

Results

Comparative experiments on known trip-purpose activity data from May 1st to 31st

2023 show that

without introducing spatiotemporal features of historical activity of user and clustering information

extreme gradient boosting （XGBoost） outperforms adaptive boosting， random forest， gradient boosting decision tree

and artificial neural network

achieving accuracy of 73.2%

precision of 74.3%

recall of 73.2%

and

1-score of 74.3%. After introducing spatiotemporal features of historical activity of user

the prediction performance of all five models is significantly improved

with the average accuracy

precision

recall

and

1-score increasing by 24.2%

21.2%

24.1%

and 23.0%

respectively. On this basis

the proposed

-Prototypes-XGBoost model further improves the prediction performance by incorporating user clustering information. Compared with the conventional XGBoost model

its accuracy

precision

recall

and

1-score increase by 2.7%

1.5%

2.7%

and 2.8%

respectively

and all four evaluation metrics reach 91.5%

indicating the best overall performance in identifying non-commuting trip purposes from large-scale

long-term mobile phone data. The confusion matrix further reveals that the proposed model performs best in identifying medical activities

with an accuracy of 94.7%

whereas dining activities exhibit

the lowest recognition accuracy of 88.4%. The main misclassifications occur among leisure and entertainment

dining

and shopping activities

because these activities often share highly overlapping spatiotemporal characteristics and are frequently located within the same commercial complexes or adjacent areas.

Conclusions

By integrating rule-based inference with the

-Prototypes-XGBoost model

this paper provides an effective solution for recovering the semantic information of trip purposes from mobile phone data. The proposed framework enables a more complete reconstruction of trip purpose chains and promotes the transformation of mobile phone data applications from mobility pattern description to semantic understanding of travel behavior

thereby supporting finer-grained urban transport planning and human activity analysis.

关键词

Keywords

references

李锐，刘朝辉，吴华意 . 城市人口流动感知与建模方法综述［J］. 武汉大学学报（信息科学版）， 2025 ， 50 （ 5 ）： 973 - 995 .

LI Rui ， LIU Zhaohui ， WU Huayi . A Review of Urban Population Mobility Perception and Modeling Methods ［J］. Geomatics and Information Science of Wuhan University ， 2025 ， 50 （ 5 ）： 973 - 995 .

MARIA KOCKELMAN K . Travel Behavior as Function of Accessibility， Land Use Mixing， and Land Use Balance： Evidence from San Francisco Bay Area ［J］. Transportation Research Record： Journal of the Transportation Research Board ， 1997 ， 1607 （ 1 ）： 116 - 125 .

苗辰，王万江 . 基于出站旅客出行目的的地铁站口分析及优化：以乌鲁木齐地铁1号线国际机场站为例［J］. 城市建筑， 2020 ， 17 （ 22 ）： 143 - 147 .

MIAO Chen ， WANG Wanjiang . Analysis and Optimization of Subway Station Exit Based on the Travel Purpose of Outbound Passenger—A Case of International Airport Station of Urumqi Metro Line 1 ［J］. Urbanism and Architecture ， 2020 ， 17 （ 22 ）： 143 - 147 .

黄菲，肖智雄，李旭川，等 . 大语言模型智能体驱动的出行日志生成技术［J］. 武汉大学学报（信息科学版）， 2026 ， DOI： 10.13203/j.whugis20250277 http://dx.doi.org/10.13203/j.whugis20250277 .

HUANG Fei ， XIAO Zhixiong ， LI Xuchuan ， et al . Travel Diary Generation Based on Large Language Model Agent ［J］. Geomatics and Information Science of Wuhan University ， 2026 ， DOI： 10.13203/j.whugis20250277 http://dx.doi.org/10.13203/j.whugis20250277 .

周洋，杨超，郭唐仪 . 基于手机GPS数据的个体出行链提取方法研究［J］. 交通运输系统工程与信息， 2023 ， 23 （ 5 ）： 45 - 54 .

ZHOU Yang ， YANG Chao ， GUO Tangyi . Inferring Individual Trip Chains from Smartphone-Based GPS Data ［J］. Journal of Transportation Systems Engineering and Information Technology ， 2023 ， 23 （ 5 ）： 45 - 54 .

魁星，关雪峰，杨向阳，等 . 顾及时空同步约束的海量轨迹分布式相似查询方法［J］. 测绘地理信息， 2025 ， 50 （ 3 ）： 103 - 109 .

KUI Xing ， GUAN Xuefeng ， YANG Xiangyang ， et al . Distributed Trajectory Similarity Query with Spatio-temporal Synchronization Constraints ［J］. Journal of Geomatics ， 2025 ， 50 （ 3 ）： 103 - 109 .

BOHTE W ， MAAT K . Deriving and Validating Trip Purposes and Travel Modes for Multi-day GPS-Based Travel Surveys： A Large-Scale Application in the Netherlands ［J］. Transportation Research Part C： Emerging Technologies ， 2009 ， 17 （ 3 ）： 285 - 297 .

王冬根，孙冰夏，宋璟璐 . 利用被动式GPS数据的交通行为信息提取方法：发展现状及趋势［J］. 武汉大学学报（信息科学版）， 2014 ， 39 （ 6 ）： 671 - 681 .

WANG Donggen ， SUN Bingxia ， SONG Jinglu . Methods for Detecting Activity-Travel Behavior Information from Passive GPS Data： State-of-the-Art ［J］. Geomatics and Information Science of Wuhan University ， 2014 ， 39 （ 6 ）： 671 - 681 .

郭思慧 . 职住流的空间分布特征及其影响因素分析：以北京市为例［J］. 北京测绘， 2024 ， 38 （ 5 ）： 827 .

GUO Sihui . Analyses of Spatial Distribution Characteristics of Job-Housing Flows and Their Influencing Factors： Taking Beijing as a Case ［J］. Beijing Surveying and Mapping ， 2024 ， 38 （ 5 ）： 827 .

USYUKOV V . Methodology for Identifying Activities from GPS Data Streams ［J］. Procedia Computer Science ， 2017 ， 109 ： 10 - 17 .

NGUYEN M H ， ARMOOGUM J ， MADRE J L ， et al . Reviewing Trip Purpose Imputation in GPS-Based Travel Surveys ［J］. Journal of Traffic and Transportation Engineering （English Edition）， 2020 ， 7 （ 4 ）： 395 - 412 .

GONG L ， LIU X ， WU L ， et al . Inferring Trip Purposes and Uncovering Travel Patterns from Taxi Trajectory Data ［J］. Cartography and Geographic Information Science ， 2016 ， 43 （ 2 ）： 103 - 114 .

WANG P F ， LIU G N ， FU Y J ， et al . Spotting Trip Purposes from Taxi Trajectories： A General Probabilistic Model ［J］. ACM Transactions on Intelligent Systems and Technology ， 2018 ， 9 （ 3 ）： 1 - 26 .

CHEN C ， GONG H M ， LAWSON C ， et al . Evaluating the Feasibility of a Passive Travel Survey Collection in a Complex Urban Environment： Lessons Learned from the New York City Case Study ［J］. Transportation Research Part A： Policy and Practice ， 2010 ， 44 （ 10 ）： 830 - 840 .

FURLETTI B ， CINTIA P ， RENSO C ， et al . Inferring Human Activities from GPS Tracks ［C］// The 2nd ACM SIGKDD International Workshop on Urban Computing ， Chicago， USA ， 2013 .

OLIVEIRA M G S ， VOVSHA P ， WOLF J ， et al . Evaluation of Two Methods for Identifying Trip Purpose in GPS-Based Household Travel Surveys ［J］. Transportation Research Record： Journal of the Transportation Research Board ， 2014 ， 2405 （ 1 ）： 33 - 41 .

LU Y M ， LIU Y . Pervasive Location Acquisition Technologies： Opportunities and Challenges for Geospatial Studies ［J］. Computers， Environment and Urban Systems ， 2012 ， 36 （ 2 ）： 105 - 108 .

MONTINI L ， RIESER-SCHÜSSLER N ， HORNI A ， et al . Trip Purpose Identification from GPS Tracks ［J］. Transportation Research Record： Journal of the Transportation Research Board ， 2014 ， 2405 （ 1 ）： 16 - 23 .

郭茂祖，陈加栋，张彬，等 . 融合空间偏好和语义的个体活动识别方法［J］. 国防科技大学学报， 2022 ， 44 （ 3 ）： 57 - 66 .

GUO Maozu ， CHEN Jiadong ， ZHANG Bin ， et al . Method for Individual Activities Recognition Incorporating Spatial Preference and Semantics ［J］. Journal of National University of Defense Technology ， 2022 ， 44 （ 3 ）： 57 - 66 .

CUI Y ， MENG C S ， HE Q ， et al . Forecasting Current and Next Trip Purpose with Social Media Data and Google Places ［J］. Transportation Research Part C： Emerging Technologies ， 2018 ， 97 ： 159 - 174 .

XIAO G N ， JUAN Z C ， ZHANG C Q . Detecting Trip Purposes from Smartphone-Based Travel Surveys with Artificial Neural Networks and Particle Swarm Optimization ［J］. Transportation Research Part C： Emerging Technologies ， 2016 ， 71 ： 447 - 463 .

丁韦娜，陈碧宇，张津萌 . 可达性与非工作出行需求的非线性关系分析：基于手机大数据的实证分析［J］. 测绘地理信息， 2025 ， DOI： 10.14188/j.2095-6045.20240755 http://dx.doi.org/10.14188/j.2095-6045.20240755 .

DING Weina ， CHEN Binyu ， ZHANG Jinmeng . Research on Nonlinear Associations Between Accessibility and Non-work Travel Demand：An Empirical Analysis Based on Mobile Big Data ［J］. Journal of Geomatics ， 2025 ， DOI： 10.14188/j.2095-6045.20240755 http://dx.doi.org/10.14188/j.2095-6045.20240755 .

ERMAGUN A ， FAN Y L ， WOLFSON J ， et al . Real-Time Trip Purpose Prediction Using Online Location-Based Search and Discovery Services ［J］. Transportation Research Part C： Emerging Technologies ， 2017 ， 77 ： 96 - 112 .

翟鸣宇，程建，王苏桐，等 . 基于 K -Prototype聚类的学生教育画像分析［J］. 大连理工大学学报（社会科学版）， 2021 ， 42 （ 6 ）： 22 - 31 .

ZHAI Mingyu ， CHENG Jian ， WANG Sutong ， et al . Portraying Student Education Based on the K -Prototype Clustering Method ［J］. Journal of Dalian University of Technology （Social Sciences）， 2021 ， 42 （ 6 ）： 22 - 31 .

RANTI K S ， SALIM K ， YULIONO A D ， et al . Clustering Behavioral Data for Advertising Purposes Using K -Prototypes Algorithm ［J］. International Journal of Innovative Technology and Exploring Engineering ， 2019 ， 9 （ 1 ）： 2329 - 2334 .

JIANG S ， YANG Y X ， GUPTA S ， et al . The TimeGeo Modeling Framework for Urban Motility Without Travel Surveys ［J］. Proceedings of the National Academy of Sciences of the United States of America ， 2016 ， 113 （ 37 ）： E5370 - E5378 .

CHEN Y Y ， YIN C ， SUN B D . Nonlinear Associations of Built Environments Around Residences and Workplaces with Commuting Satisfaction ［J］. Transportation Research Part D： Transport and Environment ， 2024 ， 133 ： 104315 .

许宁，尹凌，胡金星 . 从大规模短期规则采样的手机定位数据中识别居民职住地［J］. 武汉大学学报（信息科学版）， 2014 ， 39 （ 6 ）： 750 - 756 .

XU Ning ， YIN Ling ， HU Jinxing . Identifying Home-Work Locations from Short-Term， Large-Scale， and Regularly Sampled Mobile Phone Tracking Data ［J］. Geomatics and Information Science of Wuhan University ， 2014 ， 39 （ 6 ）： 750 - 756 .

TOOLE J L ， COLAK S ， STURT B ， et al . The Path most Traveled： Travel Demand Estimation Using Big Data Resources ［J］. Transportation Research Part C： Emerging Technologies ， 2015 ， 58 ： 162 - 177 .

柯玮文，吴升，柯日宏 . 基于OD流向语义和时空语义聚类的居民出行特征分析方法［J］. 地球信息科学学报， 2023 ， 25 （ 11 ）： 2150 - 2163 .

KE Weiwen ， WU Sheng ， KE Rihong . A Method for Analyzing Residents’ Travel Characteristics Based on OD Flow Semantics and Spatio-temporal Semantic Clustering ［J］. Journal of Geo⁃Information Science ， 2023 ， 25 （ 11 ）： 2150 - 2163 .

HUANG Z X ， NG M K . A Fuzzy K -Modes Algorithm for Clustering Categorical Data ［J］. IEEE Transactions on Fuzzy Systems ， 1999 ， 7 （ 4 ）： 446 - 452 .

CHEN T Q ， GUESTRIN C . XGBoost： A Scalable Tree Boosting System ［C］// The 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining ， San Francisco， USA ， 2016 .

CAI M ， ZHANG Z X ， XIONG C ， et al . An Adaptive Staying Point Recognition Algorithm Based on Spatiotemporal Characteristics Using Cellular Signaling Data ［J］. IEEE Transactions on Intelligent Transportation Systems ， 2022 ， 23 （ 8 ）： 10458 - 10468 .

OKADA S ， OHZEKI M ， TAGUCHI S . Efficient Partition of Integer Optimization Problems with One-Hot Encoding ［J］. Scientific Reports ， 2019 ， 9 ： 13036 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

土壤水分机器学习遥感反演：进展与挑战

城市建成环境活动流时空建模分析与预测研究进展

广域特征优化的机载点云建筑屋顶边缘点提取方法

GRACE反演长江流域陆地水储量变化的机器学习降尺度方法研究

资源枯竭型城市热环境空间网络的自然与人类活动影响量化评估