以北京市四惠枢纽为研究对象,探索以数据驱动为导向满足乘客需求的枢纽动态导向标识方案评估及优化设计方法。首先,搭建KANO乘客需求模型,通过桌面实验,形成动态导向标识在内容、样式及空间位置上的优化设计方案,与四惠枢纽现有方案形...以北京市四惠枢纽为研究对象,探索以数据驱动为导向满足乘客需求的枢纽动态导向标识方案评估及优化设计方法。首先,搭建KANO乘客需求模型,通过桌面实验,形成动态导向标识在内容、样式及空间位置上的优化设计方案,与四惠枢纽现有方案形成对比。其次,基于寻路理论通过建筑信息建模(building information modeling,BIM)+虚拟现实(virtual reality,VR)仿真技术,实现人与枢纽的信息交互,提取新旧导向标识方案作用下乘客寻路过程的特征参数。最后,通过对寻路实验中主客观指标分析可知,被试在新版动态导向标识方案中寻路时间、犯错误点数及迷茫点数显著降低,且新版动态导向标识方案在内容、样式及空间位置上满意度均优于旧版。结果表明:研究搭建BIM+VR的虚拟仿真平台,形成以数据驱动为导向的枢纽动态导向标识方案综合评估及优化设计方法,为枢纽动态导向标识方案设计及合理应用提供技术与理论支撑。展开更多
科学的轨道交通出行模式分析是运营决策优化的重要依据。为挖掘城市轨道交通时空流动特征及其影响机理,提出一种基于非负张量分解的OD客流强度时空分布计算方法,采用融合SHAP归因分析的极端梯度提升树(eXtreme Gradient Boosting,XGBoo...科学的轨道交通出行模式分析是运营决策优化的重要依据。为挖掘城市轨道交通时空流动特征及其影响机理,提出一种基于非负张量分解的OD客流强度时空分布计算方法,采用融合SHAP归因分析的极端梯度提升树(eXtreme Gradient Boosting,XGBoost)对各模式OD客流强度进行拟合预测。使用城市轨道交通AFC(automatic fare collection system,AFC)系统数据,从空间、时段以及出行日3个维度构建3阶客流OD张量,采用交替非负最小二乘法(alternating non negative least squares,ANLS)实现非负CP张量分解。基于张量分解结果,从北京轨道交通344个站点连续1周16266966条出行数据中,提取出晨高峰长距离通勤、早高峰中短通勤、平峰休闲中转出行、晚归出行4种出行模式的时、空分布特征。基于可解释性机器学习模型,对各模式OD客流进行预测。结果表明XGBoost与CatBoost、LightGBM、OLS相比更具优势。根据OD起终点站域环境特征,考虑起终点缓冲区内各类兴趣点(point of interest,POI)数量、小区住户数、房价、人口数量、站点偏离距离以及出行距离等指标,构建OD强度关联指标体系,解释各指标对OD客流强度的正负反馈效应。SHAP归因分析说明,居民更倾向于14站以内的中短途出行,并分别得到了就业类POI数目对晨、早通勤客流正向影响,以及餐饮类POI数目对休闲中转出行客流正向影响的临界阈值。该方法可为轨道交通精细化出行引导和客流组织提供数据支撑,优化城市轨道交通供需平衡及服务水平。展开更多
文摘为分析城市交通运行状况对大气PM2.5质量浓度的影响,针对北京市2014年至2015年12个月的PM2.5质量浓度及交通流量变化情况,基于小波分析的相关理论,对二者的周期性变化特征及其在不同尺度上的相关性进行研究,并进一步分析了特定周期尺度上PM2.5质量浓度变化相对于机动车流量变化的滞后响应现象.研究表明:二者在24 h左右的日周期尺度上显著相关,且PM2.5质量浓度的滞后时间约为9 h.
文摘以北京市四惠枢纽为研究对象,探索以数据驱动为导向满足乘客需求的枢纽动态导向标识方案评估及优化设计方法。首先,搭建KANO乘客需求模型,通过桌面实验,形成动态导向标识在内容、样式及空间位置上的优化设计方案,与四惠枢纽现有方案形成对比。其次,基于寻路理论通过建筑信息建模(building information modeling,BIM)+虚拟现实(virtual reality,VR)仿真技术,实现人与枢纽的信息交互,提取新旧导向标识方案作用下乘客寻路过程的特征参数。最后,通过对寻路实验中主客观指标分析可知,被试在新版动态导向标识方案中寻路时间、犯错误点数及迷茫点数显著降低,且新版动态导向标识方案在内容、样式及空间位置上满意度均优于旧版。结果表明:研究搭建BIM+VR的虚拟仿真平台,形成以数据驱动为导向的枢纽动态导向标识方案综合评估及优化设计方法,为枢纽动态导向标识方案设计及合理应用提供技术与理论支撑。
文摘科学的轨道交通出行模式分析是运营决策优化的重要依据。为挖掘城市轨道交通时空流动特征及其影响机理,提出一种基于非负张量分解的OD客流强度时空分布计算方法,采用融合SHAP归因分析的极端梯度提升树(eXtreme Gradient Boosting,XGBoost)对各模式OD客流强度进行拟合预测。使用城市轨道交通AFC(automatic fare collection system,AFC)系统数据,从空间、时段以及出行日3个维度构建3阶客流OD张量,采用交替非负最小二乘法(alternating non negative least squares,ANLS)实现非负CP张量分解。基于张量分解结果,从北京轨道交通344个站点连续1周16266966条出行数据中,提取出晨高峰长距离通勤、早高峰中短通勤、平峰休闲中转出行、晚归出行4种出行模式的时、空分布特征。基于可解释性机器学习模型,对各模式OD客流进行预测。结果表明XGBoost与CatBoost、LightGBM、OLS相比更具优势。根据OD起终点站域环境特征,考虑起终点缓冲区内各类兴趣点(point of interest,POI)数量、小区住户数、房价、人口数量、站点偏离距离以及出行距离等指标,构建OD强度关联指标体系,解释各指标对OD客流强度的正负反馈效应。SHAP归因分析说明,居民更倾向于14站以内的中短途出行,并分别得到了就业类POI数目对晨、早通勤客流正向影响,以及餐饮类POI数目对休闲中转出行客流正向影响的临界阈值。该方法可为轨道交通精细化出行引导和客流组织提供数据支撑,优化城市轨道交通供需平衡及服务水平。
