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
文章选取成都市内一个65 km^(2)范围为研究区域,运用表征城市建成环境的6种兴趣点(point of interest,POI)和土地利用混合度数据,结合网约车订单数据,构建影响网约车客流的建成环境因素集,建立基于时空地理加权回归(geographically and ...文章选取成都市内一个65 km^(2)范围为研究区域,运用表征城市建成环境的6种兴趣点(point of interest,POI)和土地利用混合度数据,结合网约车订单数据,构建影响网约车客流的建成环境因素集,建立基于时空地理加权回归(geographically and temporally weighted regression,GTWR)模型的网约车客流影响模型,探究各因素与网约车客流之间的关系。相比于普通最小二乘(ordinary least squares,OLS)法和地理加权回归(geographically weighted regression,GWR)模型,采用GTWR模型能更好地解释城市建成环境因素对网约车客流的影响,并定量分析解释城市建成环境因素的时空异质性影响。研究结果表明:网约车客流主要受购物服务、公司企业、餐饮服务影响,且影响程度时空分布不均衡;土地利用混合度始终会抑制网约车的客流出行,但抑制程度较弱。研究结果可为网约车的运营管理提供参考。展开更多
为掌握河北省服务区驶入量的时空分布规律,构建了时空地理加权回归(geographically and temporally weighted regression,GTWR)模型,揭示了服务区规模、服务区地理区位、关联地区土地利用、高速公路类型等因素在时间和空间上对服务区不...为掌握河北省服务区驶入量的时空分布规律,构建了时空地理加权回归(geographically and temporally weighted regression,GTWR)模型,揭示了服务区规模、服务区地理区位、关联地区土地利用、高速公路类型等因素在时间和空间上对服务区不同车型驶入量的影响。结果表明:时空地理加权回归模型的拟合结果显著优于最小二乘回归模型与地理加权回归模型;断面交通量对3种车型均具有促进作用,特别是在夏季高温地区服务区对于小型车驶入量促进作用显著;2~4 h车程范围内,风景名胜密度对小型车驶入量具有促进作用,且在旅游旺季及位于旅游业发达城市的服务区影响最显著;2~4 h车程范围内工商业型信息点(point of information,POI)密度对大中型车驶入量具有促进作用,特别是在货运高峰期及位于商贸发达城市的服务区促进作用显著;所属高速公路沿途资源型城市数量对服务区大型车驶入量具有显著促进作用,特别是在供暖季节。展开更多
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.
文摘文章选取成都市内一个65 km^(2)范围为研究区域,运用表征城市建成环境的6种兴趣点(point of interest,POI)和土地利用混合度数据,结合网约车订单数据,构建影响网约车客流的建成环境因素集,建立基于时空地理加权回归(geographically and temporally weighted regression,GTWR)模型的网约车客流影响模型,探究各因素与网约车客流之间的关系。相比于普通最小二乘(ordinary least squares,OLS)法和地理加权回归(geographically weighted regression,GWR)模型,采用GTWR模型能更好地解释城市建成环境因素对网约车客流的影响,并定量分析解释城市建成环境因素的时空异质性影响。研究结果表明:网约车客流主要受购物服务、公司企业、餐饮服务影响,且影响程度时空分布不均衡;土地利用混合度始终会抑制网约车的客流出行,但抑制程度较弱。研究结果可为网约车的运营管理提供参考。
文摘为掌握河北省服务区驶入量的时空分布规律,构建了时空地理加权回归(geographically and temporally weighted regression,GTWR)模型,揭示了服务区规模、服务区地理区位、关联地区土地利用、高速公路类型等因素在时间和空间上对服务区不同车型驶入量的影响。结果表明:时空地理加权回归模型的拟合结果显著优于最小二乘回归模型与地理加权回归模型;断面交通量对3种车型均具有促进作用,特别是在夏季高温地区服务区对于小型车驶入量促进作用显著;2~4 h车程范围内,风景名胜密度对小型车驶入量具有促进作用,且在旅游旺季及位于旅游业发达城市的服务区影响最显著;2~4 h车程范围内工商业型信息点(point of information,POI)密度对大中型车驶入量具有促进作用,特别是在货运高峰期及位于商贸发达城市的服务区促进作用显著;所属高速公路沿途资源型城市数量对服务区大型车驶入量具有显著促进作用,特别是在供暖季节。
