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。     

基于多源地理大数据与机器学习的地铁乘客出行目的识别方法

探索地铁乘客出行目的识别方法,有助于突破智能卡数据（Smart Card Data,SCD）在具体应用场景中的局限性,提升SCD在交通出行研究、交通发展规划等领域的应用价值。本文融合多源地理大数据,基于城市交通与土地利用时空间互动理论,以北京市居民地铁出行为例,在交通出行调查数据中提取5565个地铁出行样本及其对应的出行目的和出行特征相关变量。基于兴趣点（Point of Interest,POI）数据得到各样本起止站点的土地利用特征相关变量,形成包含每次地铁出行的出行目的、出行特征、土地利用特征的地铁出行数据集。使用基于随机森林（Random Forest,RF）算法对地铁出行数据集进行训练完成的分类器对SCD记录的每一次地铁出行进行分类,获得该次出行的出行目的及其不同目的地铁出行时空间分布规律。研究结果表明,本识别方法可有效预测地铁乘客的出行目的,其中,“上班”、“回家”2类出行目的的预测准确率均超过90%;纳入土地利用特征相关变量可显著提升RF分类器预测准确率,印证了城市交通与土地利用的时空间互动理论。鉴于当前SCD的可获取性逐渐提高,该项技术在居民地铁出行监测与预测、地铁线网布局和地铁周边土地利用规划等实践方面,具有很强的推广性,有助于更全面地认知大城市居民的地铁出行行为。     

居民出行视角下的北京市双枢纽机场可达性研究

相较于传统的网络分析,利用在线地图API可以更加准确地获取实时出行时间数据。本文基于高德地图API,在居民出行视角下解析北京首都国际机场（“PEK”,简称“首都机场”）和北京大兴国际机场（“PKX”,简称“大兴机场”）在驾车和公共交通2种出行模式下的可达性空间格局,尝试对双枢纽机场可达性以及城市的“民航+城市交通”一体化发展提出建议。结果表明：(1)大兴机场的投用使北京市民航服务在空间分布上趋于“南北均衡”,两机场分别在驾车出行0.5 h和公共交通出行1 h的覆盖范围形成互补,有效提升了城市内部腹地的覆盖;(2)在以北京为起止点的出行视角下,驾车出行的1 h覆盖范围开始出现重叠;而公共交通出行模式的1.5 h范围呈现重叠;(3)驾车出行模式下的机场可达性高于公共交通出行模式,且在公共交通出行模式下,北京市两机场1 h服务面积和人口数量均有待提高,亟需打造“1 h公共交通服务圈”;(4)在以北京为中转点的视角下,首都机场到各火车站的可达性高于大兴机场;未来应重点提升大兴机场-城市交通枢纽的可达性,以提升城市内部中转能力。本研究有助于为双枢纽机场城市的“民航+城市交通”一体化发展提供科学依...     

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.     

小城市居民出行行为时空动态及驱动机制研究

相比于大城市,中小城市在新型城镇化中至关重要,具有独特的居民出行行为特征,但以往的研究并没有得到足够的关注。目前研究主要使用浮动车数据分析特大城市居民的出行行为,但考虑到小城市土地开发强度低、公共交通不发达、研究空间尺度精细等特点,这些研究方法不能完全适用于针对小城市的研究。因此,本文使用小城市出租车GPS轨迹数据识别上下客事件,沿道路生成随机样点采样得到了分时段的上下客密度,并对其时空动态进行描述和表达;筛选出显著影响上下客密度时空分布的9类设施,建立出租车上下客事件的地理加权回归模型;分析了小城市出租车上下客时空动态与各类城市设施的时空关系,发现在工作日与双休日和一天中不同时段中,不同城市设施对上下客事件的影响具有不同的分布规律及其驱动机制。研究结果可为小城市的城市规划和交通需求精细化管理提供参考。     

基于居民出行特征的北京城市功能区识别与空间交互研究

受区域功能分化影响,城市居民出行呈现出特定的时序特征,因而不同的出行时序特征可以反映区域功能的差异性。同时,区域功能的交互特征可以通过居民出行的空间交互活动体现。大数据时代的到来,使得以GPS数据为代表的个体时空大数据可以从微观视角反映居民出行特征。本文采用个体时空大数据,应用数据挖掘方法,从居民感知视角研究城市区域功能的差异性与联系性。以北京六环为研究区域,采用规则格网划分城市地块,通过北京市3个月的出租车GPS数据提取地块的居民出行时序特征。采用期望最大化算法进行聚类分析,并结合兴趣点数据和居民出行调查实现功能区识别,识别出居住区、商业娱乐区等6类功能区。从距离和时间2个维度分析功能区之间的空间交互特征,发现功能互补性在一定程度上削弱了空间交互强度的距离衰减效应,同时功能交互呈现出显著的时序差异。     

网约车出行分布时空模式及其时间序列模式识别

通信与移动计算技术的快速发展产生了各种出行大数据,为理解和挖掘交通时空出行特征、建设智慧城市提供了新的机会.然而,新兴移动数据规模与复杂性的显著增加也为其结构特征分析带来了挑战.本研究以六边形时空分区为基本聚类单元,提出了一种处理高维网约车出行时空模式的分析框架,通过聚类同质的出行分布群体来识别不同的时空模式.首先,将六边形分区内集计的出行分布时空特征概括为起点的需求量分布、终点的空间分布和终点的需求量分布.进一步,提出了基于时空密度峰值的快速聚类(CFSFSTDP)算法,通过计算时空相似性来识别各分区的网约车出行分布时空模式.最后,采用近邻传播算法来对各分区聚类出的出行分布时空模式的时间变化序列进行聚类分析,捕捉网约车出行分布时空模式的时间序列模式.对成都一个月的滴滴出行订单数据进行实证分析验证了该方法,分析了不同的时空模式在需求大小、位置和时间上的差异,探讨了网约车出行在不同区域的功能类型.其识别出的6类时间序列模式把握了网约车出行分布时空模式的时间连续性,有助于进一步构建网约车出行时空演化数字孪生平台.     

基于出租车GPS数据的居民就医时空特征分析

城市医疗服务在很大程度上影响着城市居民的生活质量,在公共服务领域中发挥着极其重要的作用。近年来,中国城市化发展过程中产生了海量的大数据,基于这些海量数据分析居民就医出行特征对于优化和改善城市医疗资源布局具有重要意义。本文以北京市主要医疗机构空间位置数据为基础,基于出租车GPS移动轨迹数据,采用时空统计分析方法,研究了出租车出行模式下的居民就医出行时空特征。结果表明,利用医院的OD（Origin-Destination）网络结构特征分析,可以识别出不同医院的服务范围以及受众的时空分布模式。市区尤其是四环以内医院的就医网络密集、紧凑,就医密度较高,而四环以外尤其是郊区周边,就医网络稀疏、分散,医疗资源的级别及地理位置影响了居民的就医倾向。本研究基于浮动车GPS数据开展居民就医时空行为模式挖掘研究,可以为城市医疗资源供需分析和优化配置提供决策支持。     

广州地铁网络复杂性特征及时空演变过程研究

本文以广州市地铁网络2003―2019年发展历程为例,将复杂网络理论和地理信息系统(GIS)结合,开展城市轨道交通网络空间结构复杂性特征测算和时空演变过程研究,旨在通过复杂网络理论探析广州地铁网络复杂性为基础,应用GIS空间分析技术对复杂网络拓扑特性时空演变过程进行阐释,研究结果可为广州市及其他大城市轨道交通网络规划发展、运营管理和服务水平提升等提供科学依据与决策支持。     

北京地面沉降时空分布特征研究

20世纪60年代以来,北京市地面沉降不断发展,目前已经形成了东郊八里庄-大郊亭、东北郊-来广营、昌平沙河-八仙庄、大兴榆垡-礼贤和顺义平各庄5个沉降区。本文选取目前地面沉降较为严重的北京市朝阳区、顺义区和通州区作为研究区,利用2003-2010年的47景ASAR影像数据,采用SBAS-InSAR技术获取了研究区的地面沉降监测结果,并分别以SFP点年均沉降速率和各年沉降量作为权重,计算SFP点空间分布中心与方向特征椭圆,定量分析了研究区地面沉降时空特征。结果表明：2004-2010年,北京市地面沉降表现为严重的不均匀沉降,年沉降量最大值由104.04 mm增加到178.83 mm;标准差椭圆长轴与南北方向平行,反映出地面沉降空间发展方向性在南北方向较东西方向明显,椭圆面积由592.25 km²减小到 503.84 km²,表明2004-2010年研究区内发生地面沉降的区域范围变化呈减小趋势,但从沉降量可以发现,北京地面沉降一直处于加重趋势。     

智能卡和出租车轨迹数据中蕴含城市人群活动模式的差异性分析

当前采用交通流数据量化城市人群活动模式研究已经取得了丰硕的研究成果,但是对于同一区域、同一时段不同类型交通流数据反映城市人群活动模式的共性与差异性仍然知之甚少,直接影响了城市人群活动模式挖掘结果的可解释性与实际应用效果。为此,本文旨在对目前广泛采用的智能卡数据(公交和地铁刷卡)和出租车轨迹数据2种重要的交通流数据,从时空分布模式的差异性、行程距离及距离衰减效应的差异性、空间社团结构的差异性3个方面,探索二者反映城市人群活动模式的差异性:①采用北京市六环以内区域2016年5月9日至15日的智能卡和出租车轨迹数据进行实验分析,研究发现:①2种交通流反映出行需求的空间分布呈现出高度相关性,但是在同一空间单元上,2种交通流反映出行需求的时间相关性较低;②2种交通流的使用率在不同空间位置存在明显差异,仅在城市中心区域使用率较为均衡;③2种交通流反映人群行程距离的空间分布、距离衰减效应存在明显差异,公共交通对于促进长距离出行更为重要;④从2种交通流发现的空间社团结构都显示了城市的多中心结构特征,但是二者发现社团结构存在的差异性表明两种交通方式对城市空间交互起着不同的作用。本研究有助于深入理解多源交通流反映城市人群活动的内在机理,提升城市人群活动模式在城市规划、交通管理等领域的应用效果。     

不同测算方法下行程时间不确定性对可达性的影响分析

行程时间不确定性导致了可达性随时间的变化,相关研究表明忽略行程时间不确定性会高估可达性水平。既有可达性研究往往用行程时间可靠性表示行程时间不确定性,但未考虑不同可达性模型结果的差异以及行程时间可靠性价值。本文结合各OD之间的行程时间分布特征,构建方差型的行程时间可靠性来描述行程时间不确定性,并进一步将行程时间可靠性纳入到广义出行时间成本中,建立了时间距离模型、潜力模型、累计机会模型和高斯模型4种基于位置的可达性测算方法,以比较在不同测算方法下,行程时间不确定性对可达性的影响。深圳的案例研究表明：(1)忽略行程时间不确定性会使全区域的可达性至少被高估5.04%,最大被高估95.04%。潜力模型、时间距离模型、累计机会模型和高斯模型的高估幅度由低到高;(2)行程时间不确定性对可达性的影响存在阈值效应,阈值越高,可达性受影响的程度越小;(3)从空间分布来看,行程时间不确定性对可达性水平高和低的区域都有一定影响。若不考虑行程时间不确定性,可达性高的区域高估值大,而在可达性低的区域,可达性高估的百分比较大,高估百分比中位数的差异程度最大可达77.1%;(4)行程时间不确定性对潜力模型可达性分类的...     

基于几何代数的矢量时空数据表达与建模方法

 针对现有矢量时空数据建模时空分离所导致的时空表达不一致、不统一的问题,运用几何代数理论和统一时空观,对时间、空间与属性进行一体化的表达与建模。构建了时空统一表达的层次体系,并基于面向对象技术和UML方法,探讨了时间、空间与属性等组件的逻辑关系。提出了矢量时空数据时空统一建模流程,定义了相应的数据组织结构与存储结构,实现了对几何代数空间的对象表达与存储,以及常见矢量数据的集成与预处理方法。对上述成果进行整合,建立了相应的原型系统。实验以中国东南地区级行政区演化序列数据为例,实验结果验证了本文提出方法在时空数据的统一建模与表达方面的可行性,能够有效支撑变化检测等时空分析方法的构建与实现,为时空GIS的发展提供理论参考与方法借鉴。     

利用实时路况数据聚类方法检测城市交通拥堵点

 城市交通拥堵严重制约其网络总体效率。开展检测交通拥堵点可有效识别网络瓶颈,以整治交通拥堵现象。对此,本文提出一种新的城市交通时空拥堵点检测的方法:即采用实时路况数据,通过定义时空关联,检测时空意义上长期性、规律性交通拥堵点。本文基于DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法,以成都市为试验区,实现了这种拥堵点检测方法。试验表明,该方法可快速、有效、准确地检测出城市道路严重拥堵路段,并确定其拥堵时空范围,为交通管理、交通拥堵机理分析、交通拥堵预测等提供参考。     

基于众包模式的智慧城市时空信息云平台构建研究

智慧城市建设是拓展城市综合承载能力、促进城市转型升级发展的重要途径,时空信息云平台是智慧城市建设的重要基础设施,为城市大数据的发掘、应用提供时空化承载。借鉴互联网商业的众包理念建设智慧城市时空信息云平台,将有助于满足城市发展的现实需求,解决城市治理的主要问题。     

融合天气因素与时空注意力残差双向网络的共享单车短时序轨迹预测模型

共享单车轨迹预测是科学合理规划其基础设施的前提条件,但现有研究预测机制较单一、影响因素较片面,致使轨迹预测准确度不高,制约了共享单车的进一步发展.因此为揭示共享单车出行的时空特性与天气因素对出行轨迹的影响,提高轨迹预测精度,本文构建融合天气因素与时空注意力残差双向网络(WSTAR-BiLSTM)的轨迹预测模型.本研究利用2021年数字中国大赛公开数据开放平台提供的厦门市共享单车订单及轨迹大数据,分析其出行时空分布规律与天气因素对出行轨迹的影响.考虑气温、天气现象、风速、空气质量因素,将共享单车轨迹数据按周期性分割时间序列,融合注意力机制进行残差学习,根据天气因素调整预测结果.将轨迹数据按7:2:1划分为训练集、测试集与验证集,分别进行模型训练及预测、模型参数自适应调整及预测结果对比验证实验.实验结果表明,WSTAR-BiLSTM模型轨迹预测精度高于传统模型LSTM、BiL-STM、CNN和自建对比模型(不含天气因素的STAR-BiLSTM、不含注意力机制的WSTR-BiLSTM和不含残差网络的WSTA-BiLSTM),准确率分别提升了12.02%、14.5%、12.02%、4.86%、6.96%、10.80%;绝对轨迹误差分别降低了1.83、2.53、1.85、1.07、1.23、1.53 m.研究表明,WSTAR-BiLSTM模型不仅继承了普通残差网络模型的优势,还创新性融合了注意力机制与多个天气因素的影响,在提升轨迹预测精度的同时还具有较强的智能学习与成长特性,使轨迹预测的精度随反馈次数的增加而进一步提高.研究结果对共享单车轨迹的精准预测具有理论指导意义,对该出行模式的推广具有实际应用价值.     

基于室内定位数据的群体时空行为可视化分析

室内定位数据记录了用户在室内空间活动的时空轨迹,是研究人群室内行为的重要信息源。室内数据时空耦合、分布复杂,可视化分析可以更好地揭示其规律。然而,与室外数据不同,室内数据具有时空粒度细、定位精度高等特点,与POI之间的空间关系更为明确,其轨迹受到室内设施和空间的制约,出现高维和不规则的特征,而这给室内行为研究提供依据的同时,又给可视化分析带来一定的挑战。现有的可视化方法主要应用于室外定位数据,关注轨迹自身的活动轨迹分析,往往忽略了所经过POI语义信息表达。针对这一问题,首先分析室内空间结构与定位数据的特征,阐述室内空间可视化分析的特殊性;在此基础上,面向室内人群的时空分布、移动模式及相关POI之间的对比、关联分析的需求,细化可视化分析的内容,明确可视化分析与展示的对象,并设计数据结构;从数据结构、可视化方法、展示图件及用户交互4个层次构建时空行为可视化分析模型;基于上述方法,采用WebGIS和WebGL技术综合设计和实现了面向商场定位的商场客流分析系统;最后,通过某一大型商场的用户定位数据进行可视化分析,从而验证了研究成果的正确性和有效性。     

基于OGC简单要素规范的面向对象时空数据模型

针对时空数据模型与时态地理信息系统研究中存在的几类问题,本文提出了一种通用的面向对象的时空数据模型,即GOO-STDM。该模型从时空对象的基本属性和行为出发,运用面向对象方法,将地学对象封装为空间、专题、时间的整体,满足地学对象的what/where/when语义。在此基础上,利用开放地理空间联盟(OGC)的简单要素规范(SFS)以及对象-关系型数据库设计了模型的时空类结构、时空拓扑关系函数、存储方案和时空中间件实现方法。GOO-STDM模型具有较好的扩展性、实用性和通用性,为时空数据模型的研究提供了新的思路。