北京市核心区共享单车骑行时空特征分析

共享单车在“低碳交通”的背景之下应运而生，给人们的出行带来了极大的便捷，同时，在共享单车的使用和管理过程中也存在一些问题，例如共享单车的投放不均衡等。本研究以北京市核心区为研究区，利用空间大数据分析等方法，对共享单车出行的时间序列和空间特征进行了分析，结果表明：(1)从共享单车出行的时间特征来看，一是从工作日的共享单车日均出行量远远大于休息日的日均出行量，工作日的日均出行量为623 257辆，休息日的日均出行量为245 039辆；二是工作日和休息日的共享单车出行高峰时段均为上午8点—9点以及下午的17点—18点；三是共享单车的出行时长主要集中在10 min以内，30 min以上的占比较少；(2)从共享单车出行的空间特征来看，一是北京市核心区工作日共享单车的出行呈现出“大聚集，小分散”的特点，且早高峰与晚高峰共享单车出行的空间流动趋势恰好相反，休息日呈现出“早分散，晚集聚”的特点。     

基于"POI_OD"矩阵的共享单车出行特征分析

将空间分析中的POI与交通出行领域的起始(OD)点分析相结合,构建了"POI_OD"矩阵。以上海市普陀区为例,结合共享单车与道路类型的关联性以及共享单车的时空变化特性,从道路类型、出行时间、"POI_OD"矩阵3个方面分析了共享单车人群的出行特征,以期为普陀区共享单车市政规划提出合理建议。     

基于SCD的公共交通换乘时空模式——以武汉市为例

换乘问题直接影响数十万乘客出行方便,已成为影响城市公共交通系统运营的一个重要因素。基于武汉市2015年3月份完整一周的公共交通智能卡数据(smart card data,SCD),识别公共交通换乘行为,研究乘客换乘时空特征,分析轨道交通发展现状,总结换乘出行模式。研究结果如下:①换乘行为在工作日和休息日均呈现早高峰单高峰分布,大概率存在加班行为;②换乘行为地理特征的3个影响因素为城市地理格局、轨道交通建设、站点辐射范围;③根据武汉市的圈层结构和换乘出行方向,将换乘行为总结为4种模式。基于交通大数据识别乘客换乘行为及其时空分布特征并归纳换乘模式,可为城市规划、城市空间合理利用提供科学依据和决策支持。     

运用交通运行状况指标分析交通热点时空模式

城市交通热点是居民出行活动的体现,通过出租车的移动轨迹可以分析城市交通运行状况。目前,相关研究主要集中于GPS采样数据的起讫点(origin destination,OD)估计模型以及轨迹流的提取分析算法,而对交通热点的交互作用和时空模式的研究还很少。以中国江苏省南京市的出租车GPS数据为研究对象,通过轨迹流提取和地图匹配,基于宏观基本图模型构建交通运行状况指标,利用数据挖掘技术分析交通热点时空模式。通过研究发现:(1)南京市交通在早晚高峰时拥堵最严重,并且休息日的交通运行状况要优于工作日;(2)在工作日,停车场和办公楼附近最拥堵;在休息日,商场和居民小区附近最拥堵;(3)交通热点的时空交互特征主要表现在交叉路口附近,并具有显著的时空聚集性差异。上述研究结果可为交通管理部门针对不同时段和路段的交通运行状况进行治理提供帮助,并为建立现代化综合交通运输体系提供依据。     

出租车轨迹数据的南京人群出行模式挖掘

针对现有出租车轨迹数据挖掘中时间序列邻近度量方法存在的问题,提出一种基于DBSCAN算法和改进的DTW距离的时间序列聚类算法提取具有相似性出行特征的时空模式,进而研究城市人群出行行为的时空差异。以南京市为例,结合电子地图对出行模式的空间分布特征进行分析,证明了本文所提出的方法的有效性。实验结果表明:在空间分布上,工作日出租车出行模式按照平均出行频次由高到低排序,从城市中心向四周扩散,呈中心环状分布,出行模式区域界限较为明显,同类出行模式分布区域对应相似的功能。提出了一种基于DBSCAN算法和改进的DTW距离的时间序列聚类算法提取具有相似性出行特征的时空模式,有效地分析城市人群出行行为的时空差异。     

利用共享单车大数据的城市骑行热点范围提取

共享单车成为市民出行不可或缺的一种代步方式,也对城市交通运行管理和规划发展带来压力和挑战。本文利用Python程序获取了2017年9月20日ofo单车的全天候位置数据,通过Arc GIS传统分析工具进行了西安市用户骑行行为的时空间特征分析,提取了用户出行OD模型及城市骑行热点路段。结果发现,在城市轨道交通、城市产业分配、医院学校分布及时间维度的影响下,骑行存在不同空间特征。基于大数据分析提取热点,利用可视化表达数据集合与相关城市数据集综合分析,可为集中规划非机动车设施、更好地优化城市空间布局提供新思路。     

城市共享单车需求的多特征CNN-BiLSTM预测方法

共享单车的需求量预测对于共享单车企业的精细化运营十分重要,是解决单车区域供需平衡的前提。为精准预测共享单车需求量,本文首先分析了纽约Citi Bike 2017—2019年共享单车数据的时空特征,探究了共享单车出行的分布规律;其次,融合卷积神经网络的特征提取能力和双向长短期记忆网络的双向时序数据处理能力,构建了卷积双向长短时记忆网络CNN-BiLSTM模型;然后,结合出行数据、气象数据及单车时空出行特征,采用相关性分析法探究了单车需求量的显著影响因子,并作为模型输入特征,对模型进行训练,生成单车预测模型;最后,选取CNN、LSTM、BiLSTM、CNN-LSTM作为对比模型,对CNN-BiLSTM预测模型效果进行评价。对比结果表明,CNN-BiLSTM模型的MAE和RMSE最小,分别为0.035和0.058;R²最大,为0.922,模型预测效果最佳。本文可为实际的共享单车调度与再分配提供参考依据。     

基于POI的南京市主城区范围商业中心集聚特征分析

以面向公众服务的兴趣点(POI,Point of Interest, 2014、2015、2016年三期)数据为研究对象,研究南京市主城区商业中心集聚区,分析其空间分布特征。研究表明:①2014-2016年,南京市主城区形成"一主一副"的商业中心空间格局,"主核"位于新街口、夫子庙一带,"副核"则位于湖南路-山西路一带,其他地区商业中心集聚相对较弱;②2014-2016年,主城区的"一主一副"商业中心集聚格局变化不大,在城郊的小部分地区,出现了商业中心密度减弱的现象。     

结合轨迹数据的居民出行模式及功能识别研究

城市人群的出行特征通过车辆轨迹数据隐含的行为信息可以体现,但传统的单维度模型将不再适用于轨迹数据隐含的多维信息的挖掘.本文将海口市中心城区根据路网划分区域,使用能够挖掘多维信息的非负稀疏约束下张量分解基于"滴滴出行"轨迹数据,从时空维度挖掘居民出行规律并进行区域功能特征识别.结果表明:居民出行时间符合工作日,休息日的早...     

基于“天地图”的共享单车大数据监管平台设计研究——以南京市为例

为了解决共享单车乱停乱放等问题,满足政府对相关企业统一监管的需求,本文通过研究了数据处理、存储、分析技术以及基于道路网络分析Voronoi图(简称网络Voronoi图)的共享单车监管技术,设计了基于"天地图"的共享单车大数据监管平台。平台调用"天地图·江苏"最新基础地理信息数据服务,叠加公交、小区、交通设施等专题数据,基于大数据框架,建立了大数据分析模型,对单车骑行分布进行统计分析,实现了单车查询统计、停车区域管理、单车聚集预警、轨迹分析预测、监管区域划分、监管轨迹跟踪等功能,为统一的精准监管提供了有效途径,可提高单车企业调度维护车辆的积极性,为"绿色出行"的实现奠定基础。     

城市居民出行O/D时空分布特征的轨迹数据提取

为了利用轨迹数据提取城市居民出行特征,该文首先从出租车全球定位系统(GPS)轨迹数据中提取上下客事件,利用数理统计的方法对其时间分布特征进行研究;继而针对城市内数据不均匀分布的特性,提出了一种基于OPTICS聚类的改进方法,通过将原始聚类结果进行局部密度峰值的计算,实现了出租车上下客事件热点区域中心的进一步提取。最后,以成都市为实证对象,结合成都市电子地图及用地布局规划图探讨了居民出行时空特征与城市空间结构的相互关系,并对其成因做出了简要的分析,证明了该文所提出方法的有效性。实验结果表明:居民在工作日和休息日的出行特征呈现出明显的差异,且受到城市功能区域分化的影响。     

城市居民出行OD时空分布特征的轨迹数据提取

为了利用轨迹数据提取城市居民出行特征,该文首先从出租车全球定位系统(GPS)轨迹数据中提取上下客事件,利用数理统计的方法对其时间分布特征进行研究;继而针对城市内数据不均匀分布的特性,提出了一种基于OPTICS聚类的改进方法,通过将原始聚类结果进行局部密度峰值的计算,实现了出租车上下客事件热点区域中心的进一步提取。最后,以成都市为实证对象,结合成都市电子地图及用地布局规划图探讨了居民出行时空特征与城市空间结构的相互关系,并对其成因做出了简要的分析,证明了本文所提出方法的有效性。实验结果表明:居民在工作日和休息日的出行特征呈现出明显的差异,且受到城市功能区域分化的影响。     

基于出租车上下客点的城市人口流动分析

掌握城市人口流动动态有利于进行交通预测、应急快速响应,以及合理的城市规划。出租车作为城市主要的交通运输工具之一,可以反映城市中人口的流动。本文以出租车上下客点数据为例,对比在工作日以及休息日的人口流动差异,分析出租车数据的空间分布及其动态变化,揭示城市人口流动模式。     

地理空间数据结合手机信令等多源数据刻画城市居民出行特征

本文提出了以地理空间数据为支撑,结合手机信令、POI等多源数据刻画城市居民出行特征的方法。首先将信令数据与地理信息区块绑定,根据时间特征和地理区块的社会属性,识别居民的基本职住娱信息;然后综合民生POI点、出行特征拓展关键词、图谱等多源数据,运用工作日通勤分析模型和节假日出行特征提取模型,识别用户的通勤距离、通勤方式、日均通勤频次、周均工作时长、节假日出行场景、出行频次、驻留时长等内容,并形成涵盖职住娱信息的出行特征类标签集。以成都市为例,采集连续1个月的手机信令数据和同时期的POI等数据,验证了该方法的可行性,该成果作为反映城市实际人口规模数量和空间分布特征的城市人口地图大数据产品的重要内容,为政府部门、商企用户开展相关分析业务提供数据支撑。     

利用轨迹数据提取城市居民出行时空分布特征

介绍了利用出租车轨迹数据提取城市居民出行时空分布特征的过程,包括利用数理统计的方法对出租车上下客事件基于时间进行特征分析;给出了一种融合核密度估计(KDE)与兴趣点(POI)分类的密度聚类算法,实现了出租车上下客热点区域的挖掘以及居民出行活动规律与城市功能区之间关系的发现.?研究表明:居民的出行活动特征在"工-休"日之...     

南京市住宅租金空间分异特征与影响因素分析

针对当前城市住宅租金空间分异研究的不足,尤其是从宏观层面揭示城市租金空间结构影响因素研究的欠缺,通过网络爬虫法抓取南京市租房信息及相关数据,运用趋势面分析、空间插值分析、空间自相关分析等方法研究南京城市住宅租金的空间分异特征,并分析其空间分异的影响因素。结果表明:南京住宅租金具有显著空间自相关性,租金总体趋势呈现出由中心向外的圈层式递减特征,H-H集聚区域分布在中心城区,L-L集聚分布在地铁线末端等区域。人口分布及就业中心、城市规划引导、轨道交通及公共服务设施水平是影响南京住宅租金水平空间分异的主要因素。本研究可为城市住宅租金管理与住房开发决策提供参考。     

北京市出租车GPS轨迹数据统计特征分析

以2015年5月11-17日北京市3万多辆出租车3.85亿条轨迹点数据为研究对象,对非载客段数据点进行剔除,使用R语言从居民出行距离、轨迹段持续时间、分时段出行量、出行方向及平均速度五个角度进行统计特征分析,并通过拟合得到浮动车行驶距离与持续时长所遵循的指数分布,进而发现距离衰减效应、工作日与周末的日律性,并以此分析乘客出行距离、出行时间的潜在规律。     

新疆地区空气质量时空分布特征分析

以新疆2015-2017年AQI日均值监测数据为基础,利用数学统计和GIS空间分析方法,探析了新疆空气质量时空分布特征,从而直观地描述了大气污染地域分布差异;利用全局与局部空间自相关分析,进一步揭示了全区大气污染空间集聚特征。研究表明,新疆空气质量月、季节演变呈周期性U型波动规律,地区大气污染存在"南高北低"的显著差异;2015-2017年主要污染区域格局并未发生太大变化;受地形影响,地区空气质量具有显著的空间自相关结构,空间集聚与分布特征一致。     

基于空间分析的徐州市居民点分布模式研究

居民点空间分布的研究是聚落地理学的主要内容之一,运用空间分析的方法研究居民点的分布能更准确地刻画出其空间分布的本质规律。本文根据2004年TM遥感图像和城市地图得到徐州市城乡居民点空间分布的信息,继而运用样方分析(QA)法、最近邻距离指数(NNI)、K(d)函数、热点探测技术(NNH)研究了徐州市居民点空间分布格局与模式。结果显示:徐州市居民点的空间分布具有明显的空间依赖性,总体上呈现出集聚分布的特点;随着研究尺度的变大,居民点空间分布的集聚性指数也增大;居民点空间分布的热点区域在微观尺度上具有空间随机性、在中观尺度上具有轴带延伸性、宏观尺度上具有面状集中性的特点。     

出租车出行的居民活动区域与住宅价格的相关性

出租车数据能够反映居民出行的时空分布特征,与房价有密切关系。本文通过爬取链家网上公开的大连市房价数据,采用Kriging法对房价数据进行插值,生成大连市住宅价格分布图;通过获取出租车的乘降点数据,采用K-means法对乘降点数据进行聚类,得出居民出行区域的空间分布特征。通过对出租车乘降点空间分布数据与住宅价格数据的相关性进行分析,发现居民出行活动密集、频繁的区域,其周围的房价普遍偏高。实验结果表明房价与出租车数据呈正相关,对利用出租车数据研究房价具有重要意义。