轨道交通客流量影响因素是轨道交通方面研究的一个关注点,不同站点客流量的时空非平稳性被认为与站域建成环境有关。通过构建时空地理加权(geographically and temporally weighted regression,GTWR)模型,揭示了土地多样性、密度、站点...轨道交通客流量影响因素是轨道交通方面研究的一个关注点,不同站点客流量的时空非平稳性被认为与站域建成环境有关。通过构建时空地理加权(geographically and temporally weighted regression,GTWR)模型,揭示了土地多样性、密度、站点属性3个方面因素在时间和空间维度上对天津市轨道交通客流量的影响。结果表明:相较于传统的地理加权(geographically weighted regression,GWR)模型和最小二乘法(ordinary least squares,OLS)模型,GTWR具有更好的拟合优度;公交站点密度对轨道交通客流产生促进作用,尤其在工作日的早晚高峰时段和中心城区位置;市中心的商业设施在工作日晚高峰吸引更多的地铁乘客,而在近郊区它们在早高峰吸引更多的地铁乘客;人口密度促进轨道交通的客流量;充足的停车场设施数量可以吸引更多的轨道交通乘客。展开更多
交通智能(IC)卡可以记录居民的移动出行,反映居民的源-目的地(OD)信息;但智能卡记录的OD流数据规模大,直接可视化空间分布容易导致视觉杂乱,并且多元数据类型多,更难以和流数据结合对比分析。首先,针对直接可视化大规模OD数据的空间分...交通智能(IC)卡可以记录居民的移动出行,反映居民的源-目的地(OD)信息;但智能卡记录的OD流数据规模大,直接可视化空间分布容易导致视觉杂乱,并且多元数据类型多,更难以和流数据结合对比分析。首先,针对直接可视化大规模OD数据的空间分布容易视觉遮挡的问题,提出基于正交非负矩阵分解(ONMF)的流聚类方法。所提方法对源-目的地数据聚类后再可视化,可以减少不必要的遮挡。然后,针对多元时空数据类型多难以结合对比分析的问题,设计了公交站点多元时序数据视图。该可视化方法将公交站点的流量大小和空气质量、空气温度、相对湿度、降雨量这四类多元数据在同一时间序列上编码,提高了视图的空间利用率并且可以对比分析。再次,为了辅助用户探索分析,开发了基于OD流和多元数据的交互式可视分析系统,并设计了多种交互操作提升用户探索效率。最后,基于新加坡交通智能卡数据集,从聚类效果和运行时间对该聚类方法评估。结果显示,在用轮廓系数评估聚类效果上,所提方法比原始方法提升了0.028,比用K均值聚类方法提升了0.253;在运行时间上比聚类效果较好的ONMFS(ONMF through Subspace exploration)方法少了254 s。通过案例分析和系统功能对比验证了系统的有效性。展开更多
文摘轨道交通客流量影响因素是轨道交通方面研究的一个关注点,不同站点客流量的时空非平稳性被认为与站域建成环境有关。通过构建时空地理加权(geographically and temporally weighted regression,GTWR)模型,揭示了土地多样性、密度、站点属性3个方面因素在时间和空间维度上对天津市轨道交通客流量的影响。结果表明:相较于传统的地理加权(geographically weighted regression,GWR)模型和最小二乘法(ordinary least squares,OLS)模型,GTWR具有更好的拟合优度;公交站点密度对轨道交通客流产生促进作用,尤其在工作日的早晚高峰时段和中心城区位置;市中心的商业设施在工作日晚高峰吸引更多的地铁乘客,而在近郊区它们在早高峰吸引更多的地铁乘客;人口密度促进轨道交通的客流量;充足的停车场设施数量可以吸引更多的轨道交通乘客。
文摘交通智能(IC)卡可以记录居民的移动出行,反映居民的源-目的地(OD)信息;但智能卡记录的OD流数据规模大,直接可视化空间分布容易导致视觉杂乱,并且多元数据类型多,更难以和流数据结合对比分析。首先,针对直接可视化大规模OD数据的空间分布容易视觉遮挡的问题,提出基于正交非负矩阵分解(ONMF)的流聚类方法。所提方法对源-目的地数据聚类后再可视化,可以减少不必要的遮挡。然后,针对多元时空数据类型多难以结合对比分析的问题,设计了公交站点多元时序数据视图。该可视化方法将公交站点的流量大小和空气质量、空气温度、相对湿度、降雨量这四类多元数据在同一时间序列上编码,提高了视图的空间利用率并且可以对比分析。再次,为了辅助用户探索分析,开发了基于OD流和多元数据的交互式可视分析系统,并设计了多种交互操作提升用户探索效率。最后,基于新加坡交通智能卡数据集,从聚类效果和运行时间对该聚类方法评估。结果显示,在用轮廓系数评估聚类效果上,所提方法比原始方法提升了0.028,比用K均值聚类方法提升了0.253;在运行时间上比聚类效果较好的ONMFS(ONMF through Subspace exploration)方法少了254 s。通过案例分析和系统功能对比验证了系统的有效性。