接驳地铁站的共享单车时空均衡性分析与吸引区域优化

共享单车是接驳地铁出行的最有效选择之一,但共享单车的时空分布不均问题对使用者和管理者造成了很大的不便,尤其是早高峰期间出现这种问题更会大大降低2个交通系统的运行效率。因此,研究用于接驳地铁出行的共享单车的时空均衡性特点对提升早高峰期间的通勤效率有一定意义。为了了解接驳地铁骑行的时空均衡性特点,本文以厦门市作为实验区,将厦门市早高峰期间接驳地铁站的骑行作为主要研究对象,基于出行OD提出了新的地铁站吸引区域建立方法,基于出行特点提出了考虑地铁站点的单车聚类方法。本文还从潮汐比统计角度和吸引区域角度对各个地铁站的早高峰整体出行均衡性做了分析,从时空角度对早高峰中不同时段的地铁站接驳骑行的时空均衡性做了分析, 通过分析得出了3种角度下各个地铁站点均衡性的相似点与不同点,结果表明：① 根据潮汐比特点,地铁站对骑行的接驳职能可划分为4类,分别为起始型,均衡型,到达型和不适合接驳地铁出行型,反映了各地铁站点的总体接驳特征;② 地铁站对接驳骑行的吸引区域与潮汐比特点有所差别,其主要影响因素为地铁站点的地理位置及周边土地利用类型;③ 对于时空均衡性分析结果而言,潮汐比对时空均衡性层面没有显著影响,其最大影响因素为周边土地利用类型。该分析结果能体现出厦门市早高峰期间与各地铁站接驳骑行的共享单车运行的差异性以及与地铁接驳效率的高低,以此来支持共享单车企业的重点区域调度和监管。     

北京市摩拜共享单车源汇时空特征分析及空间调度

共享单车是解决城市出行最后一公里的重要工具。然而,共享单车在使用过程中出现了供需时空失衡的现象,导致部分区域无车可用,而另一些区域却车满为患。这一现象不仅给用户带来不便,同时也降低了单车周转效率。解决供需失衡问题,关键在于探究共享单车供需失衡的时空分布特征。本文定义了共享单车的“源”、“汇”点,采用2017年5月10日至2017年5月16日北京市摩拜单车数据以及土地利用分类等多源数据,分析了共享单车工作日与周末,以及早、晚高峰期间强源、强汇点的分布特征,并结合土地类型信息分析了不同用地类型的单车使用模式,从而进一步提出了共享单车的空间调度模型。结果显示,在考虑不同土地利用类型的影响下,摩拜共享单车强源汇点分布模式具有明显的时空异质性：① 工作日单车使用量明显高于周末,且不同土地利用类型的源汇分布显著不同,如居住用地、商业金融用地等地净流入、流出密度更大,绿地等地区则相对较小;② 对比早晚高峰期间,同一地区的单车使用源汇模式极可能相反,如教育科研用地、商业金融用地等带有办公性质的地区会有“早汇晚源”的特征,而居住用地则是“早源晚汇”;③ 同一类土地利用在工作日与周末的早晚高峰期间,单车使用的源汇特征亦存在差异,如办公性质的地区在周末时源汇比例会明显产下降。基于上述结果,本文提出了一种局部优化的调度模型,并通过实际数据进行了检验。该模型在一定程度上可以解决车辆空间分配不均衡的问题,提高城市共享资源使用率,增加人们出行的方便程度。     

基于多尺度时空聚类的共享单车潮汐特征挖掘与需求预测研究

当前,我国政府和单车企业多以划定电子围栏停车点的方式进行共享单车的规范化管理,由于单个电子围栏内部单车流入流出的随机性和不确定性较大,以单个围栏为单位进行单车管理的工作量大且不具现实意义。因此,有必要对电子围栏停车点进行聚类划分,实行区域化的管理与调度。基于此,本文提出一种基于时空约束的网络图聚类算法,该算法综合考虑空间因素（地理位置、地理环境特征）和时间因素（历史订单）,只需通过距离阈值设定即可实现电子围栏的多尺度聚类划分,实验分别在3000 m和700 m距离阈值条件下对厦门岛和乌石浦地区电子围栏进行聚类,结果显示该算法不仅能够将具有相似时空特征的电子围栏聚到同一社区簇内,而且能够使得单车流动主要集中在划分后的社区内部;随后,在社区划分基础上进行单车潮汐特征挖掘,能够有效识别和定位单车使用的热点地区;最后,利用长短时记忆神经网络（Long-Short Time Memory network, LSTM）进行单车订单需求预测,结果显示有84%以上社区的预测准确率在85%以上,平均预测准确率为91.301%,预测效果较好,可有效满足单车调度需求。本文研究成果可服务于电子围栏停车点规划与共享单车的区域化管理与调度工作。     

一种识别共享单车潮汐点的时空模型和基于KNN-LightGBM的租还需求预测方法

随着互联网租赁自行车(共享单车)的兴起，“共享单车+地铁”“共享单车+公交”已成为城市通勤的主要接驳方式，但共享单车的“潮汐效应”也成为共享单车管理和资源调配的“痛点”和“难点”。因此，发现共享单车的“潮汐规律”，准确预测共享单车停车区(电子围栏)的租还需求，对于共享单车的有序规范发展，优化用车体验和环境等具有重要意义。本文首先基于共享单车订单数据和“电子围栏”空间数据，提出一种识别共享单车潮汐点的时空模型并分析其潮汐性时空特征。该模型将潮汐点定义为短时间内因大量共享单车租或还从而导致无车可租或无车位可停的电子围栏，然后根据电子围栏在某时间段的状态进行分类，并赋予不同的缺车/缺停指数。结果显示该模型能够精准识别特定时段出现的潮汐点。随后，基于共享单车订单、城市信息点(POI)、道路、人口、土地利用、气温、风速等时空数据，并考虑局部范围内的电子围栏相关性，构建KNNLightGBM模型来预测共享单车租还需求：(1)利用主成分分析(Principal Component Analysis,PCA)进行特征提取；(2)利用KNN(K Nearest Neighbors)算法计算局部范围内电子...     

基于共享单车数据的城市短途出行时空模式分析

共享单车的爆发式增长给城市规划管理和交通运行带来较大挑战,如何定量解译城市内共享单车的出行时空规律和空置率情况是单车科学调度的迫切需求.基于北斗平台提供的北京市共享单车数据,辅以POI数据,采用空间统计方法提取不同区域内共享单车的时空特征、挖掘单车与城市功能区间的关系,并提出共享单车空置率模型,从而揭示城市中共享单车用户短途出行的时空规律与多区域、多时段单车空置率情况.研究发现:工作日呈现规律性的早晚骑行高峰,出行具有明显的潮汐现象,且热点区域相比休息日更为集中;空置率随用户出行时序变化,以北京市东单区域为例,定量结果显示交通枢纽在早晚出行高峰单车使用率较高空置率较低,从而反映用车需求.本文研究结论可为单车管理调度、辅助城市规划提供参考.     

地学数据共享网用户Web行为预测及数据推荐方法

网络环境下,如何让用户快速发现所需数据是地学数据共享平台长期面临的挑战之一。本文基于国家地球系统科学数据共享平台网站服务器日志数据获取用户搜索行为及数据集访问行为,使用聚类算法挖掘用户行为模式,并基于会话聚类 模式开发在线搜索和访问预测算法。在数据预处理阶段,对原始服务器日志数据进行清洗、用户识别、用户会话识别、搜索词提取。在模式挖掘阶段,采用DBSCAN算法对会话进行聚类。考虑到会话向量值的二元性,聚类算法中的距离采用Jaccard距离函数计算。视每个会话聚类包含的搜索词集合为一个文本,所有用户历史搜索词集合为语料库,统计各聚类中搜索词的TF-IDF值。在线搜索推荐,以搜索词检索各聚类中TF-IDF值,返回TF-IDF值最高的搜索词所属聚类,并给出该聚类的高频项目作为推荐。在线访问推荐,则以用户实时访问向量为查询向量,计算该向量与聚类中心的聚类。根据聚类排序,给出距离最近的聚类,并产生该聚类中高频项目作为推荐。实验结果表明基于TF-IDF和聚类的搜索推荐有较高的准确率和召回率,访问推荐效果基于高频统计的推荐有较大提高。研究可得出以下结论：① 地学共享网用户访问和搜索行为体现了专业性的特点,其行为较普通网站用户可预测性更好;② 对于地学数据共享用户行为预测,需明确定义用户行为,并采用合适的距离函数描述行为相似性;③ 通过搜索词TF-IDF值来预测用户数据需求的方法可行,以此产生的推荐可作为搜索结果的补充。本研究可服务于地学领域数据共享平台建设,提高共享服务质量,也可为其他领域科学数据共享提供技术方法借鉴。     

基于时间序列聚类方法分析北京出租车出行量的时空特征

受城市资源配置、区域功能分化的影响,城市中居民的出行往往呈现出特定的模式和规律,而这种出行模式的背后反映出城市的功能结构。城市车辆GPS导航的广泛使用,以及车辆轨迹数据的大量获取,为分析城市居民出行模式及理解城市功能结构提供了数据支撑。本文以道路分割城市得到的地块为研究单元,利用北京市一个月的出租车轨迹数据,对北京居民的出行模式及城市功能格局进行分析。在轨迹数据分析中,本文从轨迹数据中提取每个地块的出行量时间序列信息,然后采用结合时间序列距离度量和时间序列自身相关性的聚类方法,对出行量时间序列数据进行聚类分析,从而研究乘客出行的时空分布特征,最后结合北京市POI数据,探讨了不同区域乘客出行规律和区域功能类型的相互关系。结果表明,出租车出行量时间序列模式在工作日和周末间存在明显差异。此外,工作日的2个出行高峰与通常的通勤早晚高峰不同。由出行量所得的区域聚类结构,除具有重要交通枢纽功能的地块外,总体上以市中心为圆心大致呈同心圆分布,且距离市中心越远出行量越小。研究结果对于分析北京市居民出行行为、辅助城市交通规划具有一定的意义。     

一种适合于科学数据的聚类算法

聚类是科学数据挖掘中的核心问题.在已提出的聚类算法中大都是基于＂距离＂的概念,这类算法的缺点在于处理数据量大和维数高的科学数据时不够有效,因此提出迭代网格算法.这个算法与基于距离的损法有根本不同,它抛弃了距离的概念,而采取一种新的思路.它不仅能够自动发现包含有趣知识的子空间,并将里面存在的所有聚类挖掘出来;而且它能很好的处理维数高和数据量大的科学数据.     

基于犯罪空间分异和建成环境的公共场所侵财犯罪热点预测

机器学习是当前犯罪热点预测的主流方法,随机森林算法因需要的数据量较小、有较好的预测能力和预测精确度、且有较高的可理解度,更是被广泛应用,代表地理环境和建成环境的多源数据也被广泛用于模型改进的尝试实践中,但这些实践都只考虑研究区整体的预测精度变化情况,并未区分不同区域犯罪热点预测结果的差异及其原因。因此,本文以公共场所侵财犯罪为例,根据历史犯罪分布情况及过往犯罪热点分布规律,将研究区分为稳定高发热点网格、较高发热点网格、偶发热点网格及非热点网格这4类,并依据社会失序理论、日常活动理论和犯罪模式理论,选取城中村范围、路网密度及POI（餐饮、娱乐、商场3类设施）密度这3个具有代表性的协变量加入到随机森林预测模型中,探讨预测结果精度的变化情况。根据2017年26个双周的犯罪热点预测实验的预测结果,得到以下结论：加入协变量后,研究区整体、稳定高发热点网格及较高发热点网格的预测精度都有不同程度的提高,分区模型的精度显著高于整体模型的精度,说明考虑空间分异对提高模型精度起重要作用。     

网络地理信息服务中用户空间访问聚集行为研究

研究网络地理信息服务用户的访问行为,有利于了解用户地理信息兴趣、实现按需服务。本文基于全空间信息系统建模的理论,构建用户-访问城市关系网络,研究用户访问的空间聚集性。顾及到关系网络中行为关系强度的表达需要同时考虑用户访问行为、城市关联关系和城市结构,仅用单一的用户访问行为数据会存在偏差,本文提出了基于矩阵分解的数据融合方法,对网络地理信息服务中用户访问数据、城市关联数据以及城市的POI（兴趣点）数据进行融合,表达用户-城市访问关联强度。在此基础上,基于关系网络聚类方法实现用户的聚集模式挖掘。考虑到只以空间距离实现聚类的方法无法兼顾关系网络中用户对不同城市的访问偏好特征,本文在FCM（模糊C均值聚类算法）的基础上以用户对城市的访问概率定义访问偏好提出PFCM算法,同时兼顾关系网络中城市间的空间距离和访问行为关系强度,减小聚类结果的偏差。本研究通过用户访问的空间聚类表达用户访问的空间兴趣偏好,有助于理解用户访问行为与城市之间的相互关系,为网络地理信息服务在数据缓存和提前推送等方面的性能提升提供指引,从而更好的服务于用户访问。     

Travel Behaviours of Sharing Bicycles in the Central Urban Area Based on Geographically Weighted Regression: The Case of Guangzhou,China

Mobile information and communication technologies(MICTs) have fully penetrated everyday life in smart societies;this has greatly compressed time, space, and distance, and consequently, reshaped residents’ travel behaviour patterns. As a new mode of shared mobility, the sharing bicycle offers a variety of options for the daily travel of urban residents. Extant studies have mainly examined the travel characteristics and influencing factors of public bicycles with piles, while the travel patterns for sharing bicycles and their driving mechanisms have been largely ignored. Using one week’s travel data for Mobike, this study investigated the spatial and temporal distribution patterns of sharing bicycle travel behaviours in the central urban area of Guangzhou, China;furthermore, it identified the influences of built environment density factors on sharing bicycle travel behaviours based on the geographically weighted regression method. Obvious morning and evening peaks were observed in the sharing bicycle travel patterns for both weekdays and weekends. The old urban area, which had a high degree of mixed function, dense road networks, and cycling-friendly built environments, was the main travel area that attracted sharing bicycles on both weekdays and weekends. Furthermore, factors including the point of interest(POI) for the density of public transport stations, the functional mixing degree, and the density of residential POIs significantly affected residents’ travel behaviours. These findings could enrich discourse regarding shared mobility with a Chinese case characterised by rapidly developing MICTs and also provide references to local authorities for improving slow traffic environments.     

基于夜光遥感与POI数据空间耦合关系的南海港口城市空间结构研究

南海港口城市研究是南海资源环境监测的重要内容,目前对于南海港口城市空间结构特别是港口在城市空间结构中的地位缺乏研究。夜光遥感数据和POI数据均为城市空间结构研究的重要数据源,但对于2种数据的空间耦合关系与集成应用研究存在不足。针对上述问题,本文选取南海港口城市典型代表的三亚市为研究区,以研究区2016年NPP-VIIRS夜光遥感数据和POI数据为数据源,利用叠加分析将夜光遥感数据和POI核密度分析结果数据分别网格化。然后,利用双因素组合制图法对两种数据的空间耦合关系进行可视化,分析空间耦合关系相异区域和城市空间结构的关系,并在此基础上探讨港口在三亚城市结构中的地位。研究表明,三亚市夜光遥感和POI数据的空间分布总体趋势相一致,空间耦合关系相近的区域占比达85.6%;夜光遥感和POI数据空间耦合关系在三亚市内存在一定量的相异区域,如新城区、经济开发区、城市边缘区和乡镇中心等,结合2种数据的特点可以更显著地表征这些区域的城市空间结构特征;三亚市作为重要的南海港口城市,其城市的中心区域与港口密切关联。本研究为港口城市空间结构研究提供了新视角。     

江苏省商业网点的空间分布特征及其区域差异因素

以江苏省商业网点POI（兴趣点）数据为基础,结合经济社会统计数据,分别对批发零售业、住宿业和餐饮业三种业态类型,运用标准差椭圆、核密度、最近邻指数以及多元线性回归等分析方法,探讨不同发展水平、发展阶段城市商业网点的空间分布模式和业态结构特征,并揭示其区域差异的影响因素。研究发现：江苏省商业网点总体上具有西北走向分布态势,呈现相对集中分布格局,表现出在长江以南地区集聚和在地级城市中心城区密集布局的特征;不同业态类型网点空间分布具有差异,批发零售业网点的空间集聚特征最显著,住宿业网点的分布相对均衡;各市商业业态结构呈现出批发零售业和餐饮业网点数量为主,以及批发零售业销售额独大的特征;地区生产总值、人口规模、居民人均可支配收入、城市综合可达性以及第三次产业产值比重是影响商业网点分布的重要因素,不同因素对商业网点分布的影响程度差异性较大,居民消费能力和地区发展水平是江苏省商业网点分布差异的主要驱动力。     

基于POI数据及四叉树思想的“三生空间”识别方法

城市区域内部建筑物较密集,外围建筑物逐渐稀疏,因此大多存在内部区域POI数据密度大,外围区域POI数据密度逐渐减小的现象,在使用均等网格作为识别单元进行城市“三生空间”的识别的过程中,就会出现网格尺度较大导致识别准确率较低或网格尺度较小导致无数据区较多两种情况。针对以上问题,本研究提出一种基于POI数据及四叉树思想的”三生空间”识别方法：综合利用互联网地图POI、行政区划、遥感影像等数据,引入四叉树思想对网格识别单元进行分级;将POI数据与城市建设用地分类和土地利用现状分类进行衔接,对POI进行重分类;综合各类POI的功能和面积,构建POI分类“三生功能”赋分体系,定量识别“三生空间”。以西安市中心城区为实验区进行实例验证,结果显示正确率在95%左右。通过与均等格网识别结果的对比,进一步证明引入四叉树思想对网格进行分级一方面能有效减少无数据区的存在,另一方面能使识别结果准确率大幅提高,为基于POI数据的城市三生空间的识别提供了一种新思路。     

广州市零售业态空间分异影响因素识别与驱动力研究

以广州市47 026个零售业网点为基本数据,通过梳理零售业空间分异的机制,构建包含人口密度、商务条件、公共交通便利性、业态丰富度与租金条件5个影响因子的零售业态空间分异影响因素评价体系,通过信息熵、核密度函数与空间回归模型分析零售业态的空间分异影响因素,对比不同城市圈层区位与不同零售业态集聚分异的因素差异。结果表明：① 需求、区位、竞争与成本构成了广州市零售业态空间分异的主要驱动力,同时,零售的景观分异也由于业态异质性与城市的空间异质性而存在驱动力分异;② 5个影响因素强度格局圈层差异明显,城市内圈层人口集聚度高,具备更好的公共交通便利性条件、商务条件与业态丰富度,同时也承受更高的地租;③ 人口密度是零售空间分异的核心要素,公共交通便利性条件、商务条件与业态丰富度对零售的集聚也有正向驱动作用,租金的影响较弱;不同圈层区位的零售空间分布与不同类型业态的空间分异的主要影响因素各不相同。     

基于夜光遥感和小区POI的住宅发展与经济增长的空间耦合研究

针对城市住宅业发展与其经济增长之间的单向或双向因果关系问题,有关学者利用宏观统计分析的方法得到了不同的结论。本文通过构建二者的时空数据集,在城市内部微观层面上剖析了二者的耦合联系及其空间差异性,以期在细尺度上解释二者之间的关系。本文选取郑州市作为研究区,提出了一种基于夜光遥感数据的GDP空间化估算方法,进而生成GDP时空数据集;基于住宅小区POI点数据对城市住宅进行空间密度估计,得到住宅小区的时空分布数据集;最后对GDP和住宅建设密度进行了空间互相关分析,探究住宅发展与经济增长像元尺度上的共变趋势。结果表明：与前人的宏观研究论断不同,耦合分析结果显示住宅业发展与经济增长之间的关系在城市内部具有空间差异性,两者既存在相互影响的区域,也存在无相关的区域;耦合协调关系极显著的区域约占两成,且主要位于市属区和县域中心区;耦合不显著和不相关的区域超过七成,大部分位于市属县域。     

基于出行时空数据的分时租赁汽车与网约车出行场景比较研究

分时租赁和网约车同属共享汽车,但规模对比悬殊。找到差异化的出行场景有利于分时租赁在网约车主导的共享汽车市场中谋求立足之地。本文以北京地区某分时租赁公司2017年5月1日—30日的出行订单和2018年4月23日—29日的网约车出行订单为研究对象,结合城市兴趣点数据,利用地理信息层次聚类、关联规则等方法挖掘两共享汽车的典型出行场景,并进行比较分析。研究表明：① 网约车主要服务于“通勤出行”和“市内商务区之间的出行”,2种出行场景分别占网约车订单总量的40.3%和28.7%;② 分时租赁主要服务非通勤出行,其特色出行场景是“往返城市旅游景区的出行”、“城市旅游景区之间的出行”和“外城住宅商务混合区的午夜出行”,分别占分时租赁订单总量的24.4%、6.9%和5.5%。③ 在分时租赁的特色出行场景中,分时租赁与网约车或传统租车等共享出行方式相比费用更低,仅占其费用的25%~35%,具有较大的竞争优势。本研究有关出行场景挖掘的方法和结论可以为北京市分时租赁的推广以及其他共享出行研究提供借鉴和参考。