为更好地调度出租车运力,缓解热点载客区域出租车供需不平衡现象,需探究出租车需求的时空分布特征及其影响因素。鉴于此,基于出租车GPS数据、计价器数据、公共交通刷卡数据和兴趣点(Point of Interesting,POI)数据等多源异构数据,结合...为更好地调度出租车运力,缓解热点载客区域出租车供需不平衡现象,需探究出租车需求的时空分布特征及其影响因素。鉴于此,基于出租车GPS数据、计价器数据、公共交通刷卡数据和兴趣点(Point of Interesting,POI)数据等多源异构数据,结合相关性分析法对区域出租车出行需求影响因素进行筛选,建立多维度的影响因素集,构建基于地理加权回归的区域出租车出行需求影响模型。以北京市1 398个交通小区的数据为例,分析不同时空条件下各影响因素对出租车出行需求的影响程度。结果表明:出租车出行需求空间分布具有空间集聚效应,影响因素对出租车需求的影响程度具有空间非稳态特征;各中心区域住宅密度、周边且公司密集区域办公密度及城市外围区域的休闲娱乐服务密度对出租车出行需求有很强的正影响;城市外围区域住宅密度、各中心区域办公密度与出租车出行需求呈负相关;非工作日休闲娱乐服务密度对出租车出行需求促进作用明显大于工作日;区域公共交通产生量对出租车出行需求的影响早、晚高峰差异显著。通过模型对比分析可知,所建模型具有较高的精度,适用于解释各影响因素对出租车出行需求影响的时空差异性。展开更多
为了更好地利用模型对湖北省肾综合征出血热(Hemorrhagic fever with renal syndrome,HFRS)发病率数据的时间和空间分布进行拟合和预测,本文基于传统的时空地理加权回归模型(Geographically and Temporally Weighted Regression model,G...为了更好地利用模型对湖北省肾综合征出血热(Hemorrhagic fever with renal syndrome,HFRS)发病率数据的时间和空间分布进行拟合和预测,本文基于传统的时空地理加权回归模型(Geographically and Temporally Weighted Regression model,GTWR),引入时间序列中的季节性差分方法,同时采用空间自相关法优化模型中的带宽参数,构建了季节性差分时空地理加权回归模型(Seasonal Difference-Geographically and Temporally Weighted Regression model,SDGTWR)。研究结果表明,经过季节性差分优化的GTWR模型拟合精度要优于传统的GTWR模型及最小二乘法模型(OLS)和地理加权模型(GWR)方法。展开更多
为捕捉由轨道交通站点周边建成环境与客流时变特征的互动关系而反映的站点类型差异,基于地铁刷卡数据与站点周边兴趣点(Point of Interest,POI)数据,分别通过客流时间序列分析和地理加权回归模型进行时空维度聚类变量提取.应用K-means+...为捕捉由轨道交通站点周边建成环境与客流时变特征的互动关系而反映的站点类型差异,基于地铁刷卡数据与站点周边兴趣点(Point of Interest,POI)数据,分别通过客流时间序列分析和地理加权回归模型进行时空维度聚类变量提取.应用K-means++聚类算法将杭州地铁1、2、4号线站点划分为工作导向型、居住导向型、商业型以及工作-居住混合型4种类型.研究结果表明:该方法相对于传统K-means算法具有更优的性能表现,其中轮廓系数、Davies-Bouldin指数与Calinski-Harabaz指数等3项聚类评价指标的改善幅度分别为30.43%、10.51%、9.02%,因而能够准确识别时空视角下的轨道交通站点类型并反映其客流出行模式,进而为站点客流预测、站城一体化建设等后续研究提供分析依据.展开更多
文摘为更好地调度出租车运力,缓解热点载客区域出租车供需不平衡现象,需探究出租车需求的时空分布特征及其影响因素。鉴于此,基于出租车GPS数据、计价器数据、公共交通刷卡数据和兴趣点(Point of Interesting,POI)数据等多源异构数据,结合相关性分析法对区域出租车出行需求影响因素进行筛选,建立多维度的影响因素集,构建基于地理加权回归的区域出租车出行需求影响模型。以北京市1 398个交通小区的数据为例,分析不同时空条件下各影响因素对出租车出行需求的影响程度。结果表明:出租车出行需求空间分布具有空间集聚效应,影响因素对出租车需求的影响程度具有空间非稳态特征;各中心区域住宅密度、周边且公司密集区域办公密度及城市外围区域的休闲娱乐服务密度对出租车出行需求有很强的正影响;城市外围区域住宅密度、各中心区域办公密度与出租车出行需求呈负相关;非工作日休闲娱乐服务密度对出租车出行需求促进作用明显大于工作日;区域公共交通产生量对出租车出行需求的影响早、晚高峰差异显著。通过模型对比分析可知,所建模型具有较高的精度,适用于解释各影响因素对出租车出行需求影响的时空差异性。
文摘为捕捉由轨道交通站点周边建成环境与客流时变特征的互动关系而反映的站点类型差异,基于地铁刷卡数据与站点周边兴趣点(Point of Interest,POI)数据,分别通过客流时间序列分析和地理加权回归模型进行时空维度聚类变量提取.应用K-means++聚类算法将杭州地铁1、2、4号线站点划分为工作导向型、居住导向型、商业型以及工作-居住混合型4种类型.研究结果表明:该方法相对于传统K-means算法具有更优的性能表现,其中轮廓系数、Davies-Bouldin指数与Calinski-Harabaz指数等3项聚类评价指标的改善幅度分别为30.43%、10.51%、9.02%,因而能够准确识别时空视角下的轨道交通站点类型并反映其客流出行模式,进而为站点客流预测、站城一体化建设等后续研究提供分析依据.
