为识别城市轨道交通网络关键站点并研究其多年演化,构建基于截断奇异值分解(truncated singular value decomposition,TSVD)的关键站点识别方法,选取北京市2011—2019年早高峰时段的OD数据,通过关键特征向量分析网络客流演变并对城轨网...为识别城市轨道交通网络关键站点并研究其多年演化,构建基于截断奇异值分解(truncated singular value decomposition,TSVD)的关键站点识别方法,选取北京市2011—2019年早高峰时段的OD数据,通过关键特征向量分析网络客流演变并对城轨网络中关键站点进行识别,将其与复杂网络方法的识别结果进行对比。分析表明:TSVD法能很好地应用于考虑OD分布的网络关键站点识别,识别结果能更好代表网络客流的空间分布。从识别结果看,北京轨道交通关键站点空间布局呈现多中心发展趋势,如西北西二旗,西南丰台科技园等站点逐步形成网络客流中心并相互联系;东南土桥、东北俸伯等站点也初步呈现网络客流中心的特征。展开更多
城轨线网上服务不同类型客流车站的分布能反映城市结构特征,本文基于多年的城轨AFC数据,应用随机森林模型(RF),分析了全网车站服务客流类型的时空演变.对于传统RF在选择训练集时过于依靠主观经验的问题,本文首先利用传统随机森林度量车...城轨线网上服务不同类型客流车站的分布能反映城市结构特征,本文基于多年的城轨AFC数据,应用随机森林模型(RF),分析了全网车站服务客流类型的时空演变.对于传统RF在选择训练集时过于依靠主观经验的问题,本文首先利用传统随机森林度量车站之间的相似性,再采用Partitioning Around Medoid(PAM)方法对度量结果进行聚类,结果表明无监督随机森林方法拥有更好的准确性;最后采用无监督随机森林对北京市2014—2017年的车站服务客流属性的时空变化情况进行分析,结果显示,北京市近4年来城市职住结构在大的空间尺度上基本保持不变,但城市内部各功能区正经历缓慢变化,而服务于居住与工作混合类客流的车站所处区域将是今后城市结构演变中热点区域.本文的研究结果可以为城市轨道交通与城市结构互动关系的认识提供新视角.展开更多
文摘为识别城市轨道交通网络关键站点并研究其多年演化,构建基于截断奇异值分解(truncated singular value decomposition,TSVD)的关键站点识别方法,选取北京市2011—2019年早高峰时段的OD数据,通过关键特征向量分析网络客流演变并对城轨网络中关键站点进行识别,将其与复杂网络方法的识别结果进行对比。分析表明:TSVD法能很好地应用于考虑OD分布的网络关键站点识别,识别结果能更好代表网络客流的空间分布。从识别结果看,北京轨道交通关键站点空间布局呈现多中心发展趋势,如西北西二旗,西南丰台科技园等站点逐步形成网络客流中心并相互联系;东南土桥、东北俸伯等站点也初步呈现网络客流中心的特征。
文摘城轨线网上服务不同类型客流车站的分布能反映城市结构特征,本文基于多年的城轨AFC数据,应用随机森林模型(RF),分析了全网车站服务客流类型的时空演变.对于传统RF在选择训练集时过于依靠主观经验的问题,本文首先利用传统随机森林度量车站之间的相似性,再采用Partitioning Around Medoid(PAM)方法对度量结果进行聚类,结果表明无监督随机森林方法拥有更好的准确性;最后采用无监督随机森林对北京市2014—2017年的车站服务客流属性的时空变化情况进行分析,结果显示,北京市近4年来城市职住结构在大的空间尺度上基本保持不变,但城市内部各功能区正经历缓慢变化,而服务于居住与工作混合类客流的车站所处区域将是今后城市结构演变中热点区域.本文的研究结果可以为城市轨道交通与城市结构互动关系的认识提供新视角.