基于BP神经网络的城市公交服务质量影响因素主成分分析

为改善城市公交服务质量,根据乘客服务质量问卷调查数据分析,运用主成分分析方法对公交服务质量影响因素进行降维处理,把15个影响变量提取为8个主成分变量。在此基础上,运用MATLAB7.0建立影响因素主成分与公交服务质量认可度的BP神经网络模型,在不同参数下进行试验和比较,计算出模拟数据下公交服务质量认可度折减影响系数均方差为0.000 957,表明该模型所选参数值可以用于评估公交服务质量的影响因素分析。最后,根据权值和阀值计算得出影响城市公交服务质量的关键因素为公交车内拥挤程度、驾驶员服务态度和首末班车时间,其影响程度分别为53.09%、32.02%和30.36%。研究结论可以为城市公交服务质量改善提供依据并明确重点改进的方向。

“轨道交通微中心”理念下的慢行影响区范围确定方法

为响应北京地铁站周边用地一体化、打造轨道微中心的理念,本研究利用多源大数据,从公共客流、路网设计、人口密度和用地多样性等方面提取了23个影响因素,定量地刻画站点慢行影响区内的建成环境及出行特征,其中重点考虑了共享单车的接驳特征。为了弥补以往以出行者的步行时间确定轨道站点影响范围的不足,提出了融合主成分分析和K-均值聚类的站点分类模型去划定慢行影响区的范围。以北京市为例,站点影响区被分为4簇:接驳低效-连通度弱-居住主导型,接驳高效-连通度高-均衡型,接驳高效-连通度弱-混合型,接驳高效-连通度高-工作主导型。为了验证聚类的合理性,利用空间自相关的方法判断簇内指标的空间依赖性,结果显示簇1、3、4的空间分布与随机模式没有显著的差异,而簇2接驳高效-连通度高-均衡型站点在空间上存在一定的自相关特性。最后,基于聚类结果定义了轨道站点的慢行影响范围,分别为2000、1600、1600、1700 m。不同轨道站点类型慢行影响范围的明确,有助于城市规划者确定轨道微中心的建设范围,也可为以公共交通为主导的城市模式开发奠定基础。

基于Wi-Fi探针数据分析末端片区交通行为特征——以北京西城区月坛街区为例

为合理地评估街区个体交通行为特征,弥补以往从人类行为角度对相关理论研究的不足,提出以Wi-Fi探针技术为主,路况数据和视频采集数据为辅的方法,对城市小街区的人群活动进行研究,识别末端街区人群出行特征.以北京市西城区月坛街区为研究对象,通过分析单位职员末端公共出行分布、末端接驳时耗、接驳出行方式和接驳路径偏好等特征论证了该方法的适用性.结果表明:该街区的公共出行时长均在5 min以内,公交可达性良好;该街区内距地铁站点1 km路径位置的吸引力仍然占优势;行人的路径选择偏好条件宽敞和环境舒适的道路;以Wi-Fi探针技术得到的街道流量的缩样指数为17~23.未来Wi-Fi覆盖密度的增加可提高数据分析精度,为街区的设计和管理决策提供强有力的支持.