使用时序出租车轨迹识别多层次城市功能结构

地理时空大数据被广泛用于城市功能结构识别，其中功能层次性的研究对于系统理解城市功能的结构特征和分布形态具有重大意义，但相关研究仍处于空缺状态。基于时序出租车出行数据和感兴趣点数据描述居民出行模式，结合动态时间规整和K-MEDOIDS聚类算法识别城市的功能属性和空间结构。研究结果表明，广州市中心城区的城市功能具有明显的层次性。随着层次细致程度的提升，其功能属性由"职-住"二元结构向"职-住-休"三元结构发展；其空间结构符合环状圈层构造，功能由外围的居住游憩向中心的商业休闲过渡，并在不同的圈层上呈现出各自的功能倾向。这为城市规划人员系统理解城市功能的属性变化和结构特征提供了有效的参考价值。     

利用多源城市数据划定地铁站点吸引范围

随着时代的发展,世界城市规模不断扩大,各大城市的交通需求陡然增加,而地面出行所带来的堵塞和环保问题导致政府部门把目光转向地下交通发展,其中地铁是地下交通发展中最重要的交通工具。准确划定地铁站点吸引范围,分析影响地铁站点吸引范围主要因素,不仅对于优化地铁交通服务和规划地铁周边建成环境具有重要意义,同时对于新建地铁站点设施规划具有参考价值。传统的地铁吸引范围划定方法大多依赖于居民日常出行活动的调查和经验意见,存在时间周期长且耗费巨大和吸引范围划定不准确的问题;而多源城市数据的涌现为量化地铁站点周边建成环境及客流空间分布、合理划定地铁站点提供了全新的解决方案。TOD（Transit Oriented Development,TOD）是高密度城市（如深圳、北京等）寻求的城市和交通和谐发展的重要选择,也是未来交通建设的主要参考理念。因此,从公共交通导向的开发视角出发,本文利用2017年的兴趣点、道路网络、公共交通线路等多源城市数据刻画地铁站点周围的TOD信息指标,利用K均值聚类进行地铁站点聚类,结合TOD指标的空间变化趋势,确定深圳市不同类型地铁站点的吸引范围。研究结果表明：① 基于TOD密度指标划定的地铁站点吸引范围能够揭示地铁站点的吸引范围的差异,且就业地点密度和土地混合利用度对地铁站点吸引范围的影响较大; ② 与城市非中心区域相比,城市中心区域的地铁站点吸引半径较小但出行需求较高,其凸显了地铁站点规划在空间服务密度和居民出行需求之间的取得均衡;③ 深圳市地铁站点吸引范围重叠与城市区域发展程度相关程度较高,可为利用现有地铁站点空间覆盖,发展城市功能集中区域提供参考。     

基于深度强化学习的电动出租车运营优化

作为公共交通的重要组成部分,电动出租车对电动车推广具有重要的示范意义。相较于燃油出租车,电动出租车需要耗费更多充电时间,降低了出租车司机的使用意愿,全面推广面临较大阻力。强化学习方法方兴未艾,适用于出租车运营的顺序决策过程。基于强化学习,本文构建双深度Q学习网络（double deep Q-learning network,DDQN）模型模拟电动出租车的运行。根据出租车的实时状态选择并执行最优载客、充电、空驶和等待等动作,通过训练得到全局最优的电动出租车运营策略,实现电动出租车运营智能优化。利用美国纽约市曼哈顿岛的出租车出行数据进行试验。结果表明：相较于简单的电动出租车运营模式,DDQN优化策略最高将充电等待时长降低70%,拒载率降低53%,司机的载客收入提高7%。相对于电池容量,充电速率和车辆总数对出租车运营收入影响更大,当充电速率达到120 kW时,电动出租车达到最佳的运营表现,政府在推广电动出租车的过程中应当建设更多高速率的充电站以提升电动出租车的运营表现。