使用GPS进行个人出行调查的算法流程及丢失数据估算方法.doc

使用GPS进行个人出行调查的算法流程及丢失数据估算方法摘要：通过将GPS收集到的点推移到道路上，最终给出人们的路径选着。而关于这个方面的研究起步比较早，且都已比较深入，有着比较现成的算法（23）（22）。 .关键词：算法,点类别：专题技术来源：牛档搜索（Niudown.COM）本文系牛档搜索（Niudown.COM）根据用户的指令自动搜索的结果，文中内涉及到的资料均来自互联网，用于学习交流经验，作品其著作权归原作者所有。不代表牛档搜索（Niudown.COM）赞成本文的内容或立场，牛档搜索（Niudown.COM）不对其付相应的法律责任！使用GPS进行个人出行调查的算法流程及丢失数据的估算方法Methods of GPS data analysis in personal mobility survey and missing data estimate原树宁法国交通研究所社会与经济学部拉维尔调研所法国+33(0)147407230yuaninrets.frshuning YUANINRETS-DESTISL+33(0)147407230yuaninrets.frPrepared for Forum THNS (Transports Haut Niveau de Service) - Premire Confrence Franco-Chinoise sur les Systmes de Transport Urbains DurablesABSTRACTFor more than a decade, the application of GPS in the transport survey has been passed from to test the feasibility to be the way of the assistant. Travel models become more complex. The investigation needs from the society and politic to become more and more detail. That make traditional research methods increase the burden on respondents. Ultimately it impact on the credibility of the results of the survey. This prompted us to have to use the new technology and methods to get more precise data, and reduce the burden on respondents. GPS technology has provided us with the chance. However, to be used in large-scale use of GPS, we have still a lot of technical problems to resolve.This article will be combined with previous researcher findings put forward the concept of a systematic, specific algorithm, and use the data of the project Personal travel survey in Lille of ISL and the French National Travel Survey Project (ENTD) to assess of the algorithm, in order to make a good balance between the accuracy and scope of application.摘要十多年以来，GPS在交通调查中的应用，已经由原来的以实验可行性为目的，变成为调研的辅助手段。出行模型变得更加复杂，社会、政治各方面对调查的需求变得更多、更细，使得传统的调研方式更进一步增加了受访者的负担，最终影响了调研结果的可信程度。这就促使我们不得不使用新的技术来和方法来得到更加精确的数据，并减小受访者的负担。GPS 技术给我们提供了这样的一个机会。但是在大规模使用GPS做调研之前，我们必须解决很多技术上的问题。本文将结合前人的研究成果，提出系统性的概念，具体的算法。使用法国拉维尔调研所完成的里尔出行调查项目和法国全国出行调查项目(ENTD)中的数据对算法进行评估。以使得这个算法在正确率和适用范围两者之间达到很好的平衡。关键词: 出行调查、交通调研、GIS、GPS、出行、活动1. 背景简介个人的出行方式在时间和空间上的变化越来越大。由于兼职、小时工、在家工作、劳动细化，自动化、越来越多的双职工家庭、日益多样化的家庭成分和娱乐设施等等诸多因素的影响，人们的出行行为日益复杂化。因此，现在对于出行行为的研究越来越多地集中于整个出行链条完整的记录人们每日和每周的出行及活动模式，以便更好地分析活动及出行行为与家庭结构和城市空间结构的关系。（Krizek （ 1 ; Maat ，Timmermans （ 2 ） ; Golob （ 3 ） ; Boarnet，Sarmiento（ 4 ） ） 。一次出行行为已不再被认为是独立事件，而是作为一个更复杂的出行及活动模式的组成部分。因此，能够准确和完整地收集每日出行特性的数据就变得非常重要，如：出行的起点和终点位置，出发和到达时间，目的地类型，出行距离和持续时间，所用交通模式等等。现在，全球定位系统（ GPS ）所带来的各种优点却与上面提出的需求十分吻合。它完全有可能取代传统的，如“活动日记”（activity diaries）等调研方法。传统上，出行行为数据的采集是通过调查问卷或者电话回顾来获得的。受访人员必须描述和重建他们昨天或者几天来的出行行为。之前的研究已经表明，使用这种方法收集到的数据系统地偏离了实际的行为。受访者会低估超短出行的次数。而且所报告的出行常常没有开始或结束于家中。此外，开车出行的人们时常低估了旅行时间，而使用公共交通的人又会把时间高估（ Ettema （ 5） ; Stopher （ 6 ） ）。为了避免这些缺点，“出行日记”在上世纪九十年代流行起来(e.g. Stopher en Wilmot (7); Maat et al. (8) 。这个方法要求人们在一天或者连续的几天中记录出行的时间，目的地，交通方式和其他的特性。这种调查方式也有它固有的了缺点。首先，出行的公里数会被低估，而简单，短小的出行距离又被高估。第二，整天的记录这些细节增加了受访者的负担，从而大大的提高了受访人群的拒绝率。第三，人们还倾向于推迟他们的填表时间。很显然，这会影响时间和地点记录的准确度，甚至忘记填写某次出行。第四，更糟糕的是这种方法不能完全、精确地确定受访者曾经到达过的地点。因为有这些缺点，“出行日记”这个方法在实际应用中，同一个受访者连续被调查的时间不能超过数天。通常从第二天起，收集到的数据质量就开始下降了。(Schnfelder et al.(9); Schlich and Axhausen (10); Arentze et al. (11) )使用GPS收集到的数据更加精确，而且和“出行日记”方式比起来，有效的减轻了受访者的负担。所得到的位置和时间信息都比传统的调查方法更加精确。这样出发地点，出发时间，到达地点，到达时间都变得十分清晰。更令人鼓舞的是，在整个出行过程中，受访者选择的路径都可以被准确地记录下来。(Wolf et al. (12); Forest and Pearson (13): Steer Davies Gleave and Geostats (14); Ohmori et al.(15)更低的受访者负担不仅会减少人们拒绝接受调查的比率，更可以使调查的时间延长（project Lill by ISL）。在如今出行方式在时间和空间上变得越来越复杂的环境下，延长调查时间能使我们更好地分析人们的出行行为。至今为止，手持GPS接收器仅仅在为数不多的大型调研中使用过。他们之中大多数在美国，并且以对汽车的调研为主。然而，很多的对出行行为的研究不仅仅只是局限于汽车。在很多国家，私人汽车甚至不是民众主要的出行方式。因此，我们需要将手持GPS接收器在交通调研中的应用范围扩展到全部的交通方式之中。当然最近几年来，也已经出现了使用GPS，并专门针对公共汽车，步行等其他交通方式的调研( (17); Farzin(18); Steer Davies Gleave and Geostats (14);Kochan et al. (16)。随着，GPS接收机的体积越来越小，电池工作时间越来越长，内存的容量越来越大，由个人携带的机器已经开始应用于一些研究之中了。受访者只需随时携带GPS，并在夜晚充电。GPS便会纪录，被携带的数天内每时每刻的速度和位置坐标。鉴于以上各个条件的出现，使用手持GPS接收器，专门针对个人的多模式，持续数天的交通调研便出现了，如荷兰（Bohte and Maat( 19)），加拿大(Tsui and Shalaby (14);，澳大利亚等项目。然而，这些项目，多是研究性质的或者仅仅是某个交通调研大项目中的研究子项。 虽然GPS 已经在交通调研中应用广泛，但是，到目前为止，各个项目要么只是对单一交通模式的调查，要么在综合的多模式的交通调查中只担当次要角色，提供附加信息，需要和其他方式的调研数据相互补充。现阶段，关于如何从GPS数据中提取出：出行方式，目的地位置和种类，选择路径等出行特性的研究正在全世界各地展开。但是，超越实验室的，大规模应用的经验依然十分缺乏。再加之，由于商业竞争等关系，很多很好得技术和算法无法在很细的层面上交流。不过明显的是，从GPS数据中得到出行的距离和时间是比较容易的，但是，如何获得出行方式和目的地的种类就相对而言困难一些了。本文将着重于讨论如果仅仅使用GPS提供的数据，并结合GIS，我们最多能够获得多少有关出行的信息。出发地点、出发时间、出发点的种类、到达地点，到达时间、目的地种类、出行距离、时间、所用交通方式、路径的选者等等，这些所有的出行特性我们都有可能得到吗？同时，还将提供一种算法，如何从GPS 原始数据中提炼出行信息。最后，使用法国拉维尔调研所完成的里尔出行调查项目和法国全国出行调查（ENTD）项目中的数据对算法进行评估；即比较这种算法的结果和理论值的差距。以确定在使用 GPS进行调查中，我们还需要哪些附加的信息，使调查更加完整。2. 理论分析首先，让我么来看一下GPS能够提供给我们什么样的数据。附表一是法国全国出行调查，GPS分项目中使用的royaltech 公司生产的blueGPS 提供的原始数据的一部分。从这张表格中我们可以看出，GPS 为我们提供了日期、时间、在该时刻的GPS所在位置的三维球面坐标、GPS机的瞬时速度大小和方向、能够收到多少颗卫星信号、以及与太空中GPS卫星几何分布有关的三个DOP值。这些信息可以让我们知道在某一时刻，GPS接收机的位置和速度。并且通过三个DOP值大致可以判断GPS手持机提供的该点位置坐标是否足够精确。我们可以想象一下：在一个三维的空白的空间中，每隔数秒钟就会出现一个点。其次，地理信息系统GIS又能提供哪些有用的信息呢？我们可能能找到，道路网，铁路网，水网，POI(point of interest)如，餐馆、购物中心、体育场、地铁站、公交车站等等。结合GIS使得GPS获得的点，变得有背景。它提供了一个单点周边的环境。这样就在我们想象的三维空间中出现了道路、河流、商店等等。当我们将GIS提供的环境和GPS收集到的点集结合在一起的时候，我们就仿佛置身于当时的环境，在哪一刻，他到达了哪里，速度有多块，在哪条路上，周围有什么店。他是否曾在公交车站停留等车，在哪个加油站给车加油如此这般，能够完全的重现过去的那一个时刻，我们所要得到的出行方式，目的地出行距离等等的目标不就可以轻易的获得了吗？只要将GPS和GIS相互结合，就可以得到我们想要的结果了。如图2.1GPS 数据后验算法GIS出行特性图2.1但是，我们对过去的纪录（GPS收集的数据）和对环境的抽象（GIS）都是有偏差的。GPS提供的每个点的位置信息都是有误差的。它不仅仅取决于太空中GPS卫星的几何分布，而且，地球大气中电离层和对流层对最终的坐标都有影响，并且城市中大楼，街道会使卫星信号产生多路径效应，最终影响测量到的坐标（20）。其次，在大楼中，地下，封闭的环境中卫星的信号是无法到达的。也就是说接收机便无法计算此刻的位置坐标。更糟的是，在使用中，无论冷启动、热启动，还是重新获得卫星信号，GPS接收机都需要启动时间（21）。而在GIS方面，符号化的道路和POI都使得地图上的标示产生误差。最后，也是最重要的一点，受访者自身的失误，如：将GPS置于信号不好的地方，让其在恶略的环境中工作。没有给GPS充电，没有将GPS打开等。甚至，故意关闭GPS。因为以上的误差和遗漏等，我们就需要一个算法去调整误差，估计遗漏，最大限度的从GPS收集到的数据中正确地提取出我们所需要的出行特性。3. 算法流程总结一下前文，我们可以从三个不同的来源获得不同的信息：u GPS采集的数据哪个时刻，在哪里。u GIS（POI）哪个时刻在哪里的那个位置的周边环境。u GIS（路网）选择的路径。以及三个不同来源的误差和遗漏：u GPS采集的数据坐标误差、无信号时的遗漏、开机等待导致的遗漏。u GIS（POI）电子地图系统误差和符号化产生的误差。u 受访者恶略条件下使用GPS、没有充电、没有打开、故意关闭等产生的遗漏。当我们想得到这些信息时，就必须采用一个或者多个方法来处理原始的数据。这就使得在图2.1中的算法变成了至少三个子算法。3.1痕迹与停止点首先，如果认为知道坐标和时间就可以认为是知道了“哪个时刻在哪里”。我们就可以不需要GIS的帮助，GPS采集的数据就可以为我们大致解决这个问题。只要将这些数据中误差过大的点剔除之后，就可以得到了。我们称这个步骤为：“剔除不合格数据”。当然，至于那些遗漏的部分和大误差点剔除后的空当中，我们暂时是无法知道受访者在哪里的。此时，结合GPS数据中的速度一项，我们就可以判断持有GPS的人的状态是在运动中，还是在停止中。如果在运动中就很有可能是在出行中。至于由于误差剔除后产生的时间空当和其他的遗漏使用在这期间的平均速度作为替代，以判断其状态。然后，依据速度，把每一次的停顿和每个连续的运动从一团的原始数据中抽提出来。我们称一段连续运动的点集为：“一个痕迹”；一段连续的停止点集为：“一个停止点”。这个步骤称之为：“剪切”。于是我们就有了图3.1GPS原始数据剔除剪切图3.1停止状态（停止点）运动状态（痕迹）3.2 丢失数据估算GPS原始数据首先被剔除掉不合格的，然后通过“剪切”这个方法最后将数据分为“痕迹”和“停止点” 。理论上，每一条痕迹和两头都是两个停止点，每一个停止点都是上一条痕迹的终点和后一条痕迹的起点。但是在实际中，我们常常会遇见两个连续的停止点中间没有痕迹。或者说，两个连续的痕迹互不相连。很显然，这里存在一个比较大的数据丢失或者遗漏。比如说，离家临走之前，忘记打开GPS，但在去办公室的途中发觉，重新开启。那么两个停止点分别是昨晚到达的家中和早晨GPS打开的地点。这里需要说明的是：象汽车经过隧道、乘坐地铁等虽然信号丢失的时间较长，但是，由于在这段时间中，使用平均速度作为“剪切”的标准，因而，整个时间段都会被划分到“痕迹”之中。通常GPS接收机在重新启动时往往是一个新的出行的开始。无论是热启动还是冷启动，他都需要一定的时间来重新捕获卫星信号。因此，可能会丢失出行的开始阶段。为避免这种情况所造成的损失，只要后一个痕迹开始点距离前一痕迹终点少于某个值，我们就认为后一痕迹开始于前一痕迹的终点。如果后一痕迹起始点距离超过这个值，但是，它的起始速度已经很高，说明这个痕迹的开始部分丢失了很大一部分。我们可以根据这个速度本身的大小，弥补一定的距离。从而也可以认为，它开始于前一痕迹的终点。这样我们就最终得到了一个经过重新估算过的，更加精确的“痕迹”与“停止点”。3.3 交通模式我们知道，每一种交通方式都有着他自己的特性。而这种特性也会表现在GPS所收集的数据之中。就速度而言，步行最慢，一般会稳定在36公里每小时；自行车次之，摩托车，公交，汽车的速度比较接近，变化范围也比较大；而地铁的速度一般小于城市间的火车，而火车小于飞机的速度。就收集到的数据质量而言（实际记录点数/应当记录点数），汽车、摩托车、自行车最优，步行次之，公交更次，而很少的情况下在火车中可以收到卫星信号；至于地铁除非如同火车一样在露天中行驶，否则根本不可能收集到数据；在飞机中由于其全封闭的环境产生法拉第笼效应，也不能收到信号。每个交通方式都有着它不同的特性，从而为我们提供了推导各种交通方式的依据。在得到了痕迹和停止点之后，我们可以通过计算每一条痕迹的平均非零速度、中位数速度、95%最大的速度，95%最大加速度、数据质量，最大卫星信号消失时间、最大卫星信号消失时间与痕迹持续时间的比值来初步确定一条痕迹的交通方式。其中，使用本段痕迹中第95%的最大速度作参考值，因为错误的数据往往会成为极值。当然，这个方法只是初步的确定出行方式。他的正确率还需要进一步的附加信息来完善。例如，它很难分清公交和汽车。也无法分清楚摩托车和汽车。我们称这个步骤为“方式推测”。流程如图3.2方式推测图3.2运动状态（痕迹）痕迹的交通方式3.4 访问点通过对受访者一周或者更长时间的调研，他的出行会呈现出一定的规律性。尤其是某些特殊的停止点会被高频率地重复，如家、学校、办公室、超市、甚至餐馆、体育场、地铁站等。而通过对调查期内所有停止点的比较，我们可以获得哪些地点是受访人经常访问的。其中，最具特色的地点就是“家”，因为它通常是过夜的地方，也是访问频率最高的地点。这两条特性，就可以几乎确定家的位置。其次是办公室，或者学校，他通常是访问频率次高，停留时间次长的地点。进一步，对所有同一地点的坐标加权平均后，经常访问的地点坐标可以变得相当精确。为下一步，确定出行起始点的种类提供基础。流程如图3.3同点合并图3.3停止状态（停止点）访问点3.5 POI和数据修正至此，以上四步骤都只使用了GPS采集的原始数据，而完全还没有用到GIS。虽然，以上四步所获得的结果，轮廓已经存在，但是，很明显，它所得到的结果依然十分粗糙。现在我们引入GIS中的最理想的强大数据库。它包括我们所想要的一切：公交车站、地铁车站、火车站、机场候机楼、码头、加油站、停车场、体育场、体育馆、健身房、购物中心、电影院、餐馆、学校、医院，以及所有大楼的地址等等。这个强大的数据库将有力的修正前四步得到的结果。3.5.1 模式转换点和活动点如果我们拥有所有公共汽车站，地铁车站的坐标，我们就可以确定在3.4中得到的访问点中，哪些是出行方式的转换点。而另外一些访问点如果是购物中心，体育场等就可以确定，这些访问点是一个活动点(activity)。3.5.2 修正交通模式如上段所言，一旦我们确定了某些访问点是出行方式的转换点，并且它对应的是公共汽车站或者地铁站。那么，我们也就可以很好将进入加油站或者在道路交叉口因红灯而停下的汽车和公共汽车区分开来，将经过隧道的汽车和乘坐地铁区分开来。因为，公共汽车的上下必须在停车点。同理对于地铁，无论是路面上的，还是地下的，痕迹都会在此地停留或者消失。如果再考虑，乘坐公共交通的人，在到达地铁站，共交站之前，通常都要经过步行，那么我们就几乎可以肯这段痕迹的交通模式是公交车或者地铁了。同理，我们甚至可以测出巴黎市公共自行车，这种出行方式。3.5.3 痕迹和出行一次出行是连接两个活动的部分，它可以使用多种交通模式的组合（20）。例如：从家中走路去地铁站，乘坐地铁，到另一地铁站后乘坐公交，到站后，步行来到朋友家中，就是一次出行中使用了多种交通模式。如就餐、办公、会家、购物、娱乐休闲等都属于一次活动（20）。我们最终调研的结果，就是需要得到，关于出行和活动的各项特性。因此，我们必须将痕迹联结成出行。3.5.1给了我们最好的方法。我只需将那些被归为出行方式转换点的访问点分割开来的前后两条痕迹连接起来，一直到某一条痕迹的终点是一个活动点为止。这几条痕迹就构成了一次出行。将最后一个痕迹的到达时间减去第一条痕迹的出发时间就是本次出行的时间。将这几条痕迹中所有记录的各点之间的距离相加就是出行的距离。出发点和目的地的类型就是两个访问点的类型。各段痕迹的交通模式就是出行方式。现在，我们大致得到了我们想得到的各类数据了。流程如图3.3寻找POI图3.4访问点模式转换点痕迹痕迹的交通模式活动点确定模式痕迹的最终交通模式合并出行3.6地图匹配map-matching到目前为止，我们已经从GPS原始数据中提取出了出行和活动，并且拥有了他们的各项特性，除了出行的路径选择。而路径的选择又是专门针对汽车、摩托车、自行车或者步行而言的。幸运的是，这几种交通模式他们的数据质量都比其它的模式要好。通过将GPS收集到的点推移到道路上，最终给出人们的路径选着。而关于这个方面的研究起步比较早，且都已比较深入，有着比较现成的算法（23）（22）。这个步骤我们称之为map-matching。流程如图3.5：地图匹配图3.5出行路径选择3.7 流程总揽我们将所有的流程汇总如下：1) 剔除GPS原始数据中不合格的点。2) 将剩下的合格数据剪切成痕迹与停止点，并估算丢失数据。3) 依据数度和数据质量推测痕迹的交通模式。4) 将个相同的停止点合并得到访问点。5) 引入POI将访问点分成模式转换点和活动点，确定痕迹交通模式，依据转换点和活动点连接痕迹成为出行，并计算出行和活动的特性。6) 使用地图匹配算法得到路径选择。流程图3.6寻找POI图3.6访问点模式转换点痕迹的交通模式活动点确定模式痕迹的最终交通模式合并出行GPS原始数据剔除剪切停止状态（停止点）运动状态（痕迹）方式推测同点和并地图匹配路径选择4结论与讨论上文中，我们讨论了如何从GPS收集的数据，并结合GIS，获得有关出行的信息。我们可以看到，上面的算法中，最最关键的一步，就是需要一个强大而完整地POI数据库。他决定了我们是否可以提炼出足够精确的出行和活动信息。活动点和模式转换点的区分，从理论上说，出行方式的确定，甚至确定如何能算作一次出行本身都需要POI数据库的支持。否则，我们从前几步中得到的结果只能是不准确的，模糊的。但是，迄今为止，在实际中能够获得如此完整的数据库是十分困难的或者是十分昂贵的。并且，往往没有一家能够提供这样完整地数据库。数家以上的提供商，又存在着数据兼容等等问题。很难将它们融合在一个数据处理平台之上。所以，使用GPS进行个人出行调查，其所的结果的质量，不仅与GPS收集到的数据质量直接相关。也与GIS支持有着决定性的关系。因此，在GPS手持机，日益完善：体积变小、内存变大、电池续航能内增加、价格日趋便宜的情况下。我们也必须期待更加完整的和廉价的GIS提供更好的支持。至于GPS是否可能完全替代传统的交通调研方式?就现阶段而言，我们依然有较长的路要走。例如现在的算法，无法区别私人摩托车和汽车。可能还要等待更加优秀的算法出现。或者GPS本身的特性决定了他根本不可能区别开着两种模式。但是，GPS已经可以成为一个很好的辅助手段，甚至主要手段，来完成交通调研。不过他依然需要某些辅助方法。感谢十分感谢法国交通研究所和拉维尔调研所提供作者参与法国全国出行调查（ENTD）和里尔个人出行调研项目，并提供GPS数据。参考资料：1. Krizek, K.J. Neighborhood Services, Trip Purpose, and Tour-Based Travel.Transportation, Vol. 30, 2003, pp. 387410.2. Maat, K. and H. Timmermans. Influence of Land Use on Tour-complexity, a Dutch case.In Transportation Research Record: Journal of the Transportation Research Board, No.1977, TRB, National Research Council, Washington D.C., 2006, pp. 234241.3. Golob, T.F. A Simultaneous Model of Household Activity Participation and Trip ChainGeneration. Transportation Research B, Vol. 34, 2000, pp. 355-376.4. Boarnet, M.G. and S. Sarmiento. Can land-use Policy Really Affect Travel Behaviour? AStudy of the link between Non-Work Travel and Land-use Characteristics. Urban Studies,Vol. 35, No. 7, 1998, pp. 1155-1169.5. Ettema, D.F., H.J.P. Timmermans and L. van Veghel. Effects of Data Collection Methodsin Travel and Activity Research. European Institute of Retailing and Services Studies,Eindhoven University of Technology, Eindhoven, 1996.6. Stopher, P. Use of an activity-based diary to collect household travel data. Transportation,Vol. 19, 1992, pp. 159-176.7. Stopher, P.R. and C.G. Wilmot. Some new approaches to designing household travelsurveys time-use diaries and GPS. Presented at the 79th Annual Meeting of theTransportation Research Board, Washington, D.C., 2000.8. Maat, K., H. Timmermans and E. Molin. A Model of Spatial Structure, ActivityParticipation and Travel Behavior. Presented at 10th World Conference on TransportResearch, Istanbul, 2004.9. Schnfelder, S., K.W. Axhausen, N. Antille and M. Bierlaire. Exploring the Potentials ofAutomatically Collected GPS Data for Travel Behaviour Analysis - a Swedish DataSource, in J. Mltgen, and A. Wytzisk (Eds.). GI-Technologien fr Verkehr und Logis-tik,IfGIprints, 13, Institut fr Geoinformatik, Universitt Mnster, Mnster, 220, pp.155-179.10. Schlich, R. en K.W. Axhausen. Habitual Travel Behaviour: Evidence from a Six-WeekTravel Diary. Transportation, Vol. 30, 2003, pp. 13-36.11. Arentze, T., M. Dijst, E. Dugundji, J. Chang-Hyeon, L. Kapoen, S. Krygsman, K. Maatand H. Timmermans. New Activity Diary Format: Design and Limited EmpiricalEvidence. In Transportation Research Record: Journal of the Transportation ResearchBoard, No. 1768, TRB, National Research Council, Washington D.C., 2001, pp. 79-88.12. Wolf, J., M. Oliviera and M. Thompson. Impact of Underreporting on mileage and TravelTime Estimates: Results from Global Positioning System-enhanced Household TravelSurvey. In Transportation Research Record: Journal of the Transportation ResearchBoard, No. 1854, TRB, National Research Council, Washington D.C., 2003, pp. 189-198.13. Forest, T.L. and D.F. Pearson. A comparison of trip determination methods in GPSenhancedhousehold travel surveys. Presented at 84th Annual Meeting of theTransportation Research Board, Washington, D.C., 2005.14. Steer Davies Gleave and Geostats. The Use of GPS to Improve Travel Data, study report.Prepared for the DTLR New Horizons Programme, submitted to the London Departmentfor Transport, London, 2003.15. Ohmori, N., M. Nakazato and N. Harata. GPS Mobile Phone-Based Activity DiarySurvey. Proceedings of the Eastern Asia Society for Transportation Studies, Vol. 5, 2005,pp. 1104-1115.16. Kochan, B., Bellemans, T., Janssens, D. and G. Wets. Dynamic Activity-Travel DiaryData Collection, Using a GPS-Enabled Personal Digital Assistant. Presented at theInnovations in Travel Modelling Conference, Austin, 2006.17. A Comparison of GPS and Travel Diaries to Characterize Walking Behavior newyork, 200718. Janine M. Farzin Constructing an Automated Bus Origin-Destination Matrix Using Farecard and GPS Data, New York 2007.19. Wendy Bohte1 and Kees Maat Deriving and Validating Trip Destinations and Modes for Multi-day GPSbasedTravel Surveys: An Application in the Netherlands,Netherlands ,200720. /wiki/GPS accessed September 200821. http:/www.bctech.fr/gps/royaltekrbt3000.html accessed September 200822. F. Marchal, J. Hackney, and K. W. Axhausen, Efficient Map Matching of Large GlobalPositioning System Data Sets Tests on Speed-Monitoring Experiment in Zrich, zurich, 200323. Carola A. Blazquez and Alan P. Vonderohe, Simple Map-Matching Algorithm Appliedto Intelligent Winter Maintenance Vehicle Data,2003附表一：1826 recordsMax Speed 199.468338 KMs/hr, record 2Max Acceleration 70.347633 KMs/hr, record 373Average Speed 11.591100 KMs/hrAverage Speed (without stop) 30.830743 KMs/hrRecord:Date:Time:Latitude:Longitude:Altitude:PDOP:HDOP:VDOP:Satellite No:Speed(KMs/hr):Direction:0000110/05/200517:40:02.77646.7417760.478511115.9435583.9261002.0336120.0000004198.930099215.6065670000210/05/200517:41:17.77146.7247250.431119105.3996663.9180542.0413510.0000004199.468338229.8126830000310/05/200517:41:50.76946.7095510.423713109.20488729.54830421.7508370.0000003198.276352191.0771480000410/05/200517