期刊文献+
共找到2篇文章
< 1 >
每页显示 20 50 100
TOD typology:A review of research achievements 被引量:1
1
作者 Bian Yang Li Ling +1 位作者 Han Tangshan Jia Dazhi 《Journal of Southeast University(English Edition)》 EI CAS 2021年第3期306-316,共11页
To comprehensively and systematically review the research achievements of transit-oriented development(TOD)typology,a total of 41 papers were collected from the Scopus and Web of Science Core Collection databases.Thes... To comprehensively and systematically review the research achievements of transit-oriented development(TOD)typology,a total of 41 papers were collected from the Scopus and Web of Science Core Collection databases.These papers were analyzed by bibliometric indicators,in adopting VOSviewer software to draw graphical visualizations.A review of international and domestic research progress in TOD typologies was conducted.The results indicate that the number of published papers has increased over time.Luca Bertolini is the most contributive author,and the top three contributing organizations are Queensland University of Technology,the University of Amsterdam,and the University of Lisbon.The United States is the most active source country,followed by the Netherlands and Australia.TOD typology methods were analyzed from the aspects of principles,indicators,advantages,and disadvantages and their applications.In recent years,domestic scholars have paid attention to the importance of TOD typologies and applied them in different urban contexts to facilitate the TOD development in China.The understanding of the TOD typology research progress is helpful for developing context-based TOD typology approaches. 展开更多
关键词 transit-oriented development(TOD) literature review BIBLIOMETRICS VOSviewer
下载PDF
基于轨迹数据的共享电动自行车逆行风险行为影响因素研究 被引量:7
2
作者 边扬 杨家夏 +2 位作者 赵晓华 张晓龙 韩唐姗 《中国公路学报》 EI CAS CSCD 北大核心 2021年第12期262-275,共14页
为改善电动自行车带来的交通安全问题,研究逆行风险行为与其影响因素间的相关关系。基于长沙市芙蓉区共享电动自行车GPS轨迹数据,实现逆行行为的精准识别,采用机器学习CatBoost模型与SHAP可解释机器学习框架,从道路条件、交通状态、土... 为改善电动自行车带来的交通安全问题,研究逆行风险行为与其影响因素间的相关关系。基于长沙市芙蓉区共享电动自行车GPS轨迹数据,实现逆行行为的精准识别,采用机器学习CatBoost模型与SHAP可解释机器学习框架,从道路条件、交通状态、土地利用性质等方面开展逆行行为影响要素挖掘及作用解析。研究结果表明:CatBoost模型能够有效预测路段逆行频次并提取逆行行为的重要影响因素,主要包括出行时段、公共交通设施、土地利用性质、道路条件及交通状态等;从出行时段来看,工作日、早晚高峰时段更容易发生逆行;从公共交通设施与土地利用性质来看,道路周围公交站地铁站出口数量及餐饮、公司、购物等设施数量与逆行频次呈现非线性影响关系,在一定范围内设施数量与逆行行为存在正影响作用;从道路条件来看,过街通道间距在50~400 m时不易发生逆行,在非机动车道无物理隔离设施或过街通道间距在400~600 m时容易发生逆行,间距大于600 m时作用不稳定;从路段机非分隔形式来看,护栏分隔的逆行概率较低,绿化带分隔的逆行概率较高;从交通状态来看,当骑行速度、加速度较低或较高时与逆行行为负相关,当骑行速度在6~16 km·h^(-1)及加速度在0.3~1.0 m·s^(-2)时与逆行行为正相关。研究成果可为共享电动自行车风险骑行行为辨识、非机动车交通安全管理提供有效的技术支持。 展开更多
关键词 交通工程 逆行影响因素 可解释机器学习 共享电动自行车 轨迹数据 CatBoost模型
原文传递
上一页 1 下一页 到第
使用帮助 返回顶部