基于OD流向语义和时空语义聚类的居民出行特征分析方法

分析居民的出行特征是解决和缓解日益凸显的城市问题的一种重要途径。当前采用出租车OD流向数据挖掘居民出行特征已经取得了丰富的研究成果,但是大部分研究忽略了OD流向的语义信息。针对时空聚类算法中语义信息考虑不足的问题,本文提出了一种基于GloVe(Global Vectors)模型的OD流向语义提取方法和基于密度的时空语义聚类算法(STS-DBSCAN,Spatial Temporal Semantic-DBSCAN)。首先,结合POI访问概率和GloVe模型提取了OD流向语义。在此基础上,提出了一种OD流向的时空语义相似性度量规则。然后,根据时空语义相似性度量规则改进了DBSCAN聚类算法,实现了OD流向数据的时空语义聚类。最后,以厦门岛为例进行居民出行特征分析,共提取了7种居民出行语义,发现:(1)居民出行语义受时间因素的影响较大,不同时间段的主要居民出行语义不同;(2)居民出行热点主要分布在厦门岛的中部发达区域;(3)通过时空语义聚类分析,从4种主要居民出行语义中提取了7种典型的居民出行模式。结果表明,基于OD流向语义和时空语义聚类方法能够有效地挖掘城市居民的出行特征。

一种识别共享单车潮汐点的时空模型和基于KNN-LightGBM的租还需求预测方法

随着互联网租赁自行车(共享单车)的兴起,“共享单车+地铁”“共享单车+公交”已成为城市通勤的主要接驳方式,但共享单车的“潮汐效应”也成为共享单车管理和资源调配的“痛点”和“难点”。因此,发现共享单车的“潮汐规律”,准确预测共享单车停车区(电子围栏)的租还需求,对于共享单车的有序规范发展,优化用车体验和环境等具有重要意义。本文首先基于共享单车订单数据和“电子围栏”空间数据,提出一种识别共享单车潮汐点的时空模型并分析其潮汐性时空特征。该模型将潮汐点定义为短时间内因大量共享单车租或还从而导致无车可租或无车位可停的电子围栏,然后根据电子围栏在某时间段的状态进行分类,并赋予不同的缺车/缺停指数。结果显示该模型能够精准识别特定时段出现的潮汐点。随后,基于共享单车订单、城市信息点(POI)、道路、人口、土地利用、气温、风速等时空数据,并考虑局部范围内的电子围栏相关性,构建KNNLightGBM模型来预测共享单车租还需求:①利用主成分分析(Principal Component Analysis,PCA)进行特征提取;②利用KNN(K Nearest Neighbors)算法计算局部范围内电子围栏之间相关信息;③整合PCA提取的特征向量和电子围栏相关信息作为输入特征,利用LightGBM方法进行租还需求预测;④评估影响租还需求预测的特征重要性。结果表明:与常用的4种机器学习方法进行对比,KNN-LightGBM在不同时间尺度下的预测实验中RMSE、MAE的平均值均最小,R2和r平均值均最大,预测效果较好;利用KNN计算局部范围内的电子围栏相关性,能够有效的提高预测精度,与LightGBM相比,KNN-LightGBM的RMSE和MAE分别降低了10%和11%,R2和r分别提高了3%和4%;共享单车的历史订单数据对租还需求预测最为重要,与最近公共交通接驳站距离的重要性次之。