城市中不同区域的不同功能影响着人们的出行特征。城市交通配备的全球定位系统可以记录城市人口的时空特征,为探索居民的出行模式和城市功能区布局提供了可靠的数据源。本次研究以出租车数据、Point of interest(POI)数据为基础,将西安...城市中不同区域的不同功能影响着人们的出行特征。城市交通配备的全球定位系统可以记录城市人口的时空特征,为探索居民的出行模式和城市功能区布局提供了可靠的数据源。本次研究以出租车数据、Point of interest(POI)数据为基础,将西安市主城区划分为3518个1 km×1 km的网格,计算2019年5月中旬一周的西安市出租车上、下车平均时间序列,并度量时间序列之间的相似性,利用k-medoids聚类方法得到不同类别并通过分析其间的差异来探索不同功能区中居民出行的时间特征,以此识别城市的功能布局。结果表明:对出租车行车数据的挖掘可以快速、准确识别城市功能区,了解居民出行模式,有利于城市管理和城市突发事件中的人员流动限制,对城市交通的统筹也有一定的参考意义;POI数据的加入提高了识别精度,弥补了出租车数据缺乏的城市功能细节。展开更多
随着经济的快速发展,城市内部空间结构不断优化。识别城市功能区空间分布及其相互作用规律,对于把握城市空间结构以及制定科学合理的规划具有重要意义。采用重尾打断分类法和核密度聚类法对兴趣点（points of interest,POI）进行分析,...随着经济的快速发展,城市内部空间结构不断优化。识别城市功能区空间分布及其相互作用规律,对于把握城市空间结构以及制定科学合理的规划具有重要意义。采用重尾打断分类法和核密度聚类法对兴趣点（points of interest,POI）进行分析,识别城市功能区,并结合出租车轨迹数据进行时空挖掘,定量分析典型城市功能区交通吸引规律及其相互作用强度和方向。以北京市五环内主城区为例进行分析,可得：（1）该方法可以识别典型功能区西单、国贸、中关村是以商业为主的混合城市功能区,望京是以居住为主的混合功能区,且居民通勤出行特征明显;（2）国贸对自身的引力较强（39.4%）,说明国贸区域城市功能更加齐全;（3）典型功能区对居民出行距离范围内的区域吸引力随着距离的增加而减弱,符合经验认知和地理空间衰减规律。结果表明,利用POI和移动大数据采用重尾打断分类法和核密度聚类法进行城市功能区识别与分析是可行和有效的。展开更多
以深圳市出租车GPS数据为基础,运用时空拓展的轨迹数据场聚类方法提取城市交通热点区域,结合城市POI(Point of Interest)数据和地理实况对热点区域加以理解和分析。基于复杂网络的视角,计算交互分析指标并可视化热点区域的空间交互网络...以深圳市出租车GPS数据为基础,运用时空拓展的轨迹数据场聚类方法提取城市交通热点区域,结合城市POI(Point of Interest)数据和地理实况对热点区域加以理解和分析。基于复杂网络的视角,计算交互分析指标并可视化热点区域的空间交互网络,探究城市交通和居民出行的时空规律。结果表明:1)交通枢纽(机场、火车站和口岸)、综合性商圈、城市重要主干道周边和城市商务中心在节假日和工作日均表现为持续热点区域;2)节假日热点区域分布较"发散",主要反映了居民个性化出行需求;3)工作日热点区域分布较"收敛",主要表现为职住分离的通勤模式;4)不同热点区域在空间交互网络中的重要性存在明显差异,其空间交互体现了距离衰减效应和局部抱团现象,居民出行的热点区域网络本身具有小世界效应和无标度特征。展开更多
为了有效获取出租车乘客出行目的,提出了一种基于出租车运营数据和POI(Point of Interest)数据的出行目的识别方法.构建了基于乘客出行特征和下车所属POI点类别的乘客出行目的识别模型,该方法从出行特征及乘客下车点最终可能到达的目的...为了有效获取出租车乘客出行目的,提出了一种基于出租车运营数据和POI(Point of Interest)数据的出行目的识别方法.构建了基于乘客出行特征和下车所属POI点类别的乘客出行目的识别模型,该方法从出行特征及乘客下车点最终可能到达的目的地所属POI点类型两个方面确定乘客的出行目的.为了验证所提方法的有效性及实用性,对成都地区展开了出租车出行调查,并利用调查数据对模型进行了精度验证.结果发现,相比于现有的利用出行特征推断出行目的的方法,本文提出的决策树+POI(II)能够提高最终识别准确度15.76%.最后,将所提方法应用于成都1周的实际运营数据中,成功地识别出219 942名乘客的出行目的,说明该方法能够应用于实际数据量较大的出行目的识别.本文提出的方法,可以作为出行调查的辅助手段.展开更多
文摘城市中不同区域的不同功能影响着人们的出行特征。城市交通配备的全球定位系统可以记录城市人口的时空特征,为探索居民的出行模式和城市功能区布局提供了可靠的数据源。本次研究以出租车数据、Point of interest(POI)数据为基础,将西安市主城区划分为3518个1 km×1 km的网格,计算2019年5月中旬一周的西安市出租车上、下车平均时间序列,并度量时间序列之间的相似性,利用k-medoids聚类方法得到不同类别并通过分析其间的差异来探索不同功能区中居民出行的时间特征,以此识别城市的功能布局。结果表明:对出租车行车数据的挖掘可以快速、准确识别城市功能区,了解居民出行模式,有利于城市管理和城市突发事件中的人员流动限制,对城市交通的统筹也有一定的参考意义;POI数据的加入提高了识别精度,弥补了出租车数据缺乏的城市功能细节。
文摘随着经济的快速发展,城市内部空间结构不断优化。识别城市功能区空间分布及其相互作用规律,对于把握城市空间结构以及制定科学合理的规划具有重要意义。采用重尾打断分类法和核密度聚类法对兴趣点（points of interest,POI）进行分析,识别城市功能区,并结合出租车轨迹数据进行时空挖掘,定量分析典型城市功能区交通吸引规律及其相互作用强度和方向。以北京市五环内主城区为例进行分析,可得：（1）该方法可以识别典型功能区西单、国贸、中关村是以商业为主的混合城市功能区,望京是以居住为主的混合功能区,且居民通勤出行特征明显;（2）国贸对自身的引力较强（39.4%）,说明国贸区域城市功能更加齐全;（3）典型功能区对居民出行距离范围内的区域吸引力随着距离的增加而减弱,符合经验认知和地理空间衰减规律。结果表明,利用POI和移动大数据采用重尾打断分类法和核密度聚类法进行城市功能区识别与分析是可行和有效的。
文摘以深圳市出租车GPS数据为基础,运用时空拓展的轨迹数据场聚类方法提取城市交通热点区域,结合城市POI(Point of Interest)数据和地理实况对热点区域加以理解和分析。基于复杂网络的视角,计算交互分析指标并可视化热点区域的空间交互网络,探究城市交通和居民出行的时空规律。结果表明:1)交通枢纽(机场、火车站和口岸)、综合性商圈、城市重要主干道周边和城市商务中心在节假日和工作日均表现为持续热点区域;2)节假日热点区域分布较"发散",主要反映了居民个性化出行需求;3)工作日热点区域分布较"收敛",主要表现为职住分离的通勤模式;4)不同热点区域在空间交互网络中的重要性存在明显差异,其空间交互体现了距离衰减效应和局部抱团现象,居民出行的热点区域网络本身具有小世界效应和无标度特征。
文摘为了有效获取出租车乘客出行目的,提出了一种基于出租车运营数据和POI(Point of Interest)数据的出行目的识别方法.构建了基于乘客出行特征和下车所属POI点类别的乘客出行目的识别模型,该方法从出行特征及乘客下车点最终可能到达的目的地所属POI点类型两个方面确定乘客的出行目的.为了验证所提方法的有效性及实用性,对成都地区展开了出租车出行调查,并利用调查数据对模型进行了精度验证.结果发现,相比于现有的利用出行特征推断出行目的的方法,本文提出的决策树+POI(II)能够提高最终识别准确度15.76%.最后,将所提方法应用于成都1周的实际运营数据中,成功地识别出219 942名乘客的出行目的,说明该方法能够应用于实际数据量较大的出行目的识别.本文提出的方法,可以作为出行调查的辅助手段.
