地铁站点多时间维度客流影响因素的精细建模——以广州市中心城区为例

当前我国地铁规划建设进入了快速发展阶段,地铁站点客流影响因素的精细建模与分析对站点的规划、管理具有重要意义。该文基于地铁刷卡数据、高分辨率影像及网络爬虫获取的POIs数据、互联网房产数据和建筑物轮廓高度数据等多源空间数据,采用向后逐步回归分析法对广州市中心城区地铁站点多时间维度上客流的影响因素进行精细建模与分析。研究发现:1)整体上,地铁1号线早进晚出客流较其他线路大;站点早出晚进客流集聚效应显著,主要集中在以体育西路为中心的天河中心圈和以公园前为中心的老城区中心圈。2)在所构建的8种客流回归模型中,CBD虚拟变量、商业用地、三类居住用地、进出站口数量和站点吸引范围内平均小区容积率5种因素对站点客流具有显著正向影响,其中CBD虚拟变量影响最大,而房价、水体对客流具有显著负向影响。3)工作日和休息日客流影响因素存在明显差异,二类居住用地、教育科研用地和医疗卫生用地只在工作日客流中具有显著正向影响,用地多样性只在休息日客流中具有显著的负向影响。4)二类居住用地与工作日早进晚出客流关系密切;站点吸引范围内平均建筑层数只在工作日早出晚进客流回归模型中保留并起显著作用。     

Ekman模型时间变化风应力系数的伴随参数估计

本文基于时间分布参数设置,利用伴随同化方法,反演了Ekman模型中随时间变化的风应力拖曳系数,并在孪生实验和实际实验中对该方法进行了验证。在孪生实验中,研究了参数反演结果对不同影响因素的响应,包括:风速分布、风应力系数分布、风应力系数初始猜测值、风应力系数独立变量个数、观测数据误差和观测的深度。孪生实验结果验证了伴随同化方法反演Ekman模型中时变风应力系数的有效性,具体包括如下五个方面结论:1)不同风速分布下均能成功反演出不同风应力拖曳系数分布; 2)反演结果对初始猜测值较为敏感,风应力系数初始猜测值越接近给定值,反演结果越好;3)风应力系数独立点个数的选取会显著影响反演结果,合理的选择有利于提高反演效率及减小观测数据误差;4)观测误差能够影响反演结果,观测数据误差在20%以下时能取得合理的反演结果; 5)反演结果对观测数据的表层和次表层流速更为敏感,这是由Ekman流的物理性质决定的。实际实验,利用百慕大锚系试验平台的风速和流速数据,去除周期性潮流和地转流成分后得到Ekman流成分,并作为观测输入到该同化模型,反演出了适用于该区域和该时段的随时间变化的风应力系数。通过比较模拟流速和观测流速,证明利用伴随同化方法能从实测数据中反演出合理的时变风应力系数,对于海洋模型风应力系数的确定是一项有益的尝试。     

青藏高原月NDVI时空动态变化及其对气候变化的 响应

青藏高原脆弱的高寒植被对外界干扰十分敏感,使其成为研究植被对气候变化响应的理想区域之一。青藏高原气候变化剧烈,在较短的合成时间研究气候变化对植被的影响十分必要。因此,本文利用GIMMS NDVI时间序列数据集,研究了1982-2012年青藏高原生长季月尺度植被生长的时空动态变化,探讨了其与气温、降水量和日照时数等气候因子的响应关系。结果表明：在区域尺度上,除8月外,其他各月份植被均呈增加趋势,显著增加多发生在4-7月和9月;大部分月份的NDVI增加速率随着时段的延长显著减小,表明NDVI增加趋势放缓;在像元尺度上,月NDVI显著变化的区域多呈增加趋势,但显著减少范围的扩张多快于显著增加。4月和7月植被生长主要是受气温和日照时数共同作用,6月和9月受气温的控制,而8月则主要受降水量的影响。长时间序列NDVI数据集的出现为采用嵌套时段研究植被生长变化趋势奠定了前提,而植被活动变化趋势的持续性则有助于形象表征植被活动变化过程、深入理解植被对气候变化的响应和预测植被未来生长变化趋势。由此推测,青藏高原月NDVI未来增加趋势总体上趋于缓和,但在像元尺度显著变化的区域趋于增加。     

北京市居民地铁出行出发时间弹性时空分布特征研究

伴随城市转型进程的加快,交通需求不断膨胀,导致大城市交通拥堵日趋严重,以调节出行者的选择行为为核心要素的交通需求管理理念成为相关政策的重要理论基础,但现有研究也表明,交通需求管理对出行弹性较高的出行具有显著调节作用,而对出行弹性较低的出行调节作用并不明显。因此,加强出行弹性等居民出行行为研究日益迫切,而公交刷卡数据等新的时空数据为居民复杂出行行为的挖掘提供了新的契机。本文利用北京市2014年3月地铁刷卡数据,以出行者出发时刻的可变性来测度出发时间选择的可改变程度,对居民地铁出行出发时间选择弹性进行测度,并结合GIS空间分析技术对其时空分布特征进行分析。研究表明：① 北京市地铁出行的居民出行弹性平均值为0.521,出发时间选择弹性整体上较大,表明北京居民出发时间选择相对较为灵活;② 北京市居民地铁出行弹性存在时空差异,居民个体休息日出行弹性高于工作日,一天中高峰时段出行弹性高于非高峰时段;③ 居民出行弹性存在空间自相关,倾向于在空间上发生集聚,存在明显的冷热点区域;内城居民的出行弹性明显高于城市外围居民。     

GNSS变形监测网短基线时间序列噪声特性分析

利用时间跨度为5 a的GNSS短基线时间序列对噪声特性进行分析,发现长周期噪声分量(随机游走噪声)。选取最优噪声模型,评估不同噪声模型对测站周期振幅和线性速度估值的影响。结果表明,短基线时间序列中有色噪声应顾及闪烁噪声和随机游走噪声,对于表现出随机游走噪声的分量,可能与测站的真实运动有关;假设只有白噪声时求得的速度估值与最优噪声模型下求得的速度估值存在0.4～0.6 mm/a的偏差,对周期振幅的影响可以忽略。     

基于位置大数据的国庆假期青藏高原人群分布时空变化模式挖掘

人类活动是引起青藏高原生态环境发生改变的重要因素。很多学者对青藏高原史前人类活动和近几十年的人口分布格局与人口流动开展了大量研究,但有关人群时空分布的精细尺度研究相对缺乏。海量的位置大数据为认识高原人群短期的动态变化提供了新途径。本文利用手机定位数据、人口迁徙数据等高时空分辨率的位置大数据,通过时间序列分解方法和基于统计检验的异常判别方法,分析了2017年国庆期间青海与西藏的人群分布时空变化特征,并探讨了假期旅游行为及人口迁徙与变化特征之间的关系。研究结果显示：① 在省级和城市整体尺度上,定位请求量的假期变化在时间上呈现先降后升的“潮汐”变化模式;② 在精细网格尺度上,西宁和拉萨城市及周边地区的人群分布变化在空间上呈现中心跌、周边涨的“离心化”变化模式。国庆假期人们向城市周边热门景点移动聚集的旅游行为和城市之间的人口迁徙都是导致西宁和拉萨周边地区定位请求量上涨的重要潜在原因,而两座高原城市中心定位请求的下跌不仅与人口迁徙有关,还与假期人类日常行为及定位请求频次的变化等因素有关。通过位置大数据挖掘节庆假期人群分布的时空变化,不仅加深了对高原人口分布格局与流动变化的认识,也为高原城镇化与生态保护的精细化管理与决策提供支撑。     

环渤海海岸带土地利用变化格局研究

环渤海海岸带是人-地相互作用的强烈地区,土地利用是人-地作用的重要方式,并通过格局变化体现。文章利用2000年和2010年中国土地利用现状遥感监测数据,利用GIS软件平台,对环渤海海岸带及所属的38个县区土地利用变化进行了省际和距海缓冲区分析。结果表明:(1)地类面积在省(市)际间分布不均衡,其中林地集中分布在辽宁省,草地集中分布在山东省,河北省城镇工矿建设用地、天津市水域和城镇工矿建设用地比重大,耕地在三省一市分布较均衡,且为区域基质地类;(2)地类面积按照距离海岸线由近到远的次序,分布有差异。其中城市建设用地集中分布在距海岸线15 km区域内,林地占比随离海岸线距离增加逐渐提高,未利用地和水域占比逐渐降低,其他地类无明显变化;(3)从地类转移情况看,在2000—2010年期间,地类呈现由草地—耕地—建设用地的转移路径;其中在15 km范围内,水域和耕地成为建设用地的主要转入源;在其他范围转入源以耕地为主;(4)从空间热点上看,渤海湾的天津地区是建设用地增加热点地区,而莱州湾西部是耕地增加热点地区;(5)环渤海海岸线不断向海洋延伸,其中渤海湾延伸最大,其次为莱州湾东南部和辽东湾的东岸。     

时间域精细速度建模的策略与试验

速度在地震勘探中十分重要,压制多次波、偏移成像和地震反演都需要准确的速度模型。为了高效和准确的获取速度模型,基于时间域精细速度建模方法,利用疑似含气区的二维多道地震资料,针对初始模型、层位约束和基于人工速度拾取的速度反演3个方面开展了试验,探讨实际资料中时间域精细速度建模方法的关键点和效果。试验表明:无需人工速度拾取,时间域精细速度建模能够实现浅地层速度的准确反演,进而高效地完成浅地层速度异常的识别;层位约束能提高速度建模的效率和精度;在地层结构复杂区域,人工速度拾取有利于时间域精细速度建模。     

实时卫星钟差基准精化方法

在基于精密单点定位(PPP)的授时方法中,卫星钟差产品的高精度时间基准至关重要.针对实时卫星钟差产品时间基准不够稳定的问题,本文采用一组具有原子钟外部输入的国际全球卫星导航系统(GNSS)服务(IGS)跟踪站建立了顾及原子钟变化特性的基准精化方法.该方法首先采用阿伦方差对不同的IGS跟踪站外接原子钟进行稳定度分析,挑选出一组稳定度高的原子钟用以精化时间基准.在此基础上,利用阿伦方差分析各台原子钟的噪声参数特征,并确定不同原子钟之间的权比关系.最终,建立时间基准改正量的随机模型,并计算出精化后的时间基准.通过实例验证表明:与IGS事后精密钟差产品定义的时间基准比较,改正后的实时钟差基准单天内的标准差(STD)优于0.1 ns,相比于改正前最高提升了93%.同时,基准改正后的天内万秒稳达到10^-15量级,实现了一个量级的提高.此外,通过相对钟差精度的分析,表明钟差基准修正不影响PPP的定位精度.     

基于支持向量机的GNSS时间序列预测

在深度学习的理论框架下,针对预测全球卫星导航系统(GNSS)时间序列,传统的经验风险最小化预测模型误差大精度低,泛化性能差且对历史数据的经验依赖大的问题.提出一种采用结构风险最小化原则的基于支持向量机(SVM)的时间序列预测模型.通过和多层的BP神经网络预测模型预测效果比较,结果证明SVM预测模型拥有更好的时间序列预测效果.