基于公交刷卡数据的北京城市居民周末户外休闲行为特征研究

根据北京城市公共交通刷卡数据,采用矢量数据符号法、核密度法分析城市居民周末户外休闲行为特征、休闲集聚场点布局和演变规律以及城市休闲场所布局与户外休闲行为之间的作用关系。结果表明:北京市居民周末户外休闲在全日时间内呈单峰状分布,休闲时段集中在8:00—15:00,大多数居民在周末会选择1个休闲场所;居民休闲场所具有明显的极化效应,以公共交通刷卡人次占比0.5%为断点,共有37个热点场所,主要为大型商圈、文化公园和传统景点;以热点场所为核心形成4种类型的休闲集聚区,即商业休闲型、文化休闲型、多功能休闲型和生态休闲型。与传统休闲空间相比,北京城市休闲场所类型与功能发生了巨大变化,呈现出场所多元化、分布板块化、功能完善化的特点,这是城市公共交通网络日益完善背景下户外休闲消费需求和吸引物交织作用的结果。通过城市休闲空间改善和户外休闲行为引导,促进城市物质空间和居民行为空间匹配,是未来城市优化发展的重要内容。

基于公交刷卡数据的城市通勤时空分析

目前大部分公交卡仅用于收费,刷卡记录中不包含乘客的出行站点信息,无法研究乘客的空间出行特征。为了获取乘客的上车站点,将公交刷卡数据和GPS定位数据相匹配,增加到离站弹性阈值,改进传统的上车站点推导算法;通过对公交刷卡行为进行分析,将乘客个体融入到公交乘客整体中,提出下车站点推导算法;在此基础上提出出行时间链的概念,结合PTD模型来识别通勤乘客。以青岛市西海岸新区的公交大数据为例验证了该算法的可行性,并对其进行了通勤时空分析。

基于北京公交刷卡数据和兴趣点的功能区识别

城市在其发展过程中逐渐形成居住区、工业区和商业区等不同的功能区。识别这些功能区并理解其分布特征,对于把握城市结构以及制定和使用科学合理的规划具有重要作用。本研究基于2008年4月北京市连续一周的7797余万条公交IC卡刷卡数据,将其转换为每个公交站台流量的二维时间序列数据,结合居民日常出行行为研究,利用数据挖掘技术,构建了基于公交刷卡数据和兴趣点的城市功能区识别模型,并将识别结果在交通分析小区尺度上汇总。研究结果显示,利用城市功能区识别模型,通过冗余数据的筛除和特征的创建实现对数据的有效降维,并选用期望最大化算法对处理后的数据进行聚类分析,结合居民日常出行相关特征和兴趣点分布数据对聚类结果进行诠释,可以快速有效地识别出与北京市土地利用现状地图具有一定匹配度的北京市各功能区。本研究的方法可以辅助规划人员和公众有效识别和理解复杂的城市空间结构,对城市地理及规划研究具有重要的理论和实践价值。

基于公交刷卡数据的老年乘客与普通成年乘客上车时间差别分析（英文）

作为公交停车时间的重要组成,乘客上车时间对公交运行可靠性及公交服务水平具有重大影响.为研究老年乘客与成年乘客上车时间差异以及影响上车时间长短的因素,进而更好地理解乘客上车行为过程、减少乘客上车所花时间,提出了一种乘客上车时间回归分析模型.通过计算常州公交IC刷卡连续记录之间的时间差,得到了每位乘客上车时间的估计值,定义为上车时间间隔.然后,利用方差分析验证2种乘客的上车时间间隔是否存在显著差异,最后,建立回归模型分析乘客类型、每多一位乘客带来的边际效益及上车踏板数量对总上车时间的影响.研究结果表明,即使不考虑公交车型特征,普通成年乘客与老年乘客的上车时间间隔也存在一定差异;每一车次乘客平均上车时间随乘客数量的增加而减少;公交上车踏板数量越多,乘客尤其是老年乘客上车所花的时间越长.

基于公交刷卡数据的武汉市职住通勤特征研究

通勤出行和职住关系对于理解城市空间结构和职住组织模式具有重要意义。基于公交刷卡数据,以武汉市主城区和都市发展区为研究区,通过构建出行模型和职住地识别规则,识别了职住通勤群体,从职住密度、通勤时间与距离、通勤流向和可视化等方面对武汉市的通勤出行和职住平衡进行测度,并识别了武汉市的职住通勤模式。结果表明:①核心城区的职住密度明显高于其它城区,承载着较多的居住和就业人口;②通勤距离与时间具有核心—外围—边缘的递增模式;③城市主要通勤流位于核心城区和外围城区;④职住通勤模式总体可以概括为核心—外围—边缘的单中心向内通勤模式,越往外围区域越呈现职住错位的趋势。

基于公交刷卡数据和兴趣点数据的城市街区功能类型识别研究——以北京市朝阳区为例

作者利用公交刷卡数据(Smart Card Data,SCD)和兴趣点(Point of Interest,POI)数据,借助Oracle数据库和地理信息系统对城市街区层面的功能属性识别进行了研究。其中SCD用于刻画街区客流特征的功能属性,POI。数据用于刻画街区设施功能属性。作者首先利用公交站点客流出行规律的功能属性对城市街区进行初步的分类。在此基础之上,利用POI数据的设施功能属性字段进行蚁群聚类,对城市功能进行进一步细分和识别。最后利用遥感影像分析对识别结果进行检验。检验结果表明,综合利用公交刷卡数据和兴趣点数据能较为准确刻画城市街区的功能特征。

基于阶梯收费刷卡数据的公交下车站点算法优化与实证评估

以某市连续5日全天公交阶梯收费刷卡数据、公交出行GPS(global positioningsystem)数据及公交站点数据为基础,结合出行链算法与随机森林网络,构建了一套公交下车站点融合分析模型。在模型中,首先匹配GPS数据与公交站点数据,确定不同时刻的公交到站信息,再以乘客上车站点位置、出行频率、活动空间、下车点用地类型分布、下车概率为输入,识别乘客下车站点,最终下车站点推算率提升至100%,全样本有效率达76.2%,相比现有基于出行链的方法,识别有效率提升37%。

基于刷卡数据的民族节日期间公交线网优化

为了缓解高原城市部分居民出行需求不能得到有效满足的问题,基于对公交车刷卡数据的挖掘,研究西藏民族宗教节日期间公交线网的优化问题.首先,基于公交IC卡和车载GPS数据,提出乘客上下车站点判断的方法;其次,根据计算的乘客上下车数据,构建站点之间的OD矩阵,判断现有线网与路网条件下公交系统客流发生与吸引量大的节点;然后,利用Dijkstra广义最短路算法,计算发生与吸引点之间的最优路径;以直达乘客量最大为优化目标构建0-1模型,对公交线网进行优化;最后选取民族宗教节日期间,公众出行较为集中的布达拉宫区域公交运营情况为研究对象,对该区域的公交线路始末站设置进行应用优化,缓解节日期间居民集中出行引发的出行难问题,特别是保障力求满足朝圣人群的出行需求,维持民族宗教节日期间正常的出行秩序.

利用公交刷卡数据分析北京职住关系和通勤出行

基于位置服务(Location Based Service,LBS)技术为研究城市系统的时空动态规律提供了新的视角,已往多基于移动通讯(GSM)、全球定位系统(GPS)、社会化网络(SNS)和无线宽带热点(Wi-Fi)数据开展研究,但少有研究利用公交IC卡刷卡数据进行城市系统分析。普遍存在的LBS数据虽然具有丰富的时间和空间信息,但缺乏社会维度信息,使其应用范围受到一定限制。本文基于2008年北京市连续一周的公交IC卡(Smart Card Data,SCD)刷卡数据,结合2005年居民出行调查、地块级别的土地利用图,识别公交持卡人的居住地、就业地和通勤出行,并将识别结果在公交站点和交通分析小区(TAZ)尺度上汇总:①将识别的通勤出行分别从通勤时间和距离角度,与居民出行调查数据和其他已有北京相关研究进行对比,显示较好的吻合性;②对来自3大典型居住区和去往6大典型办公区的通勤出行进行可视化并对比分析;③对全市基于公交的通勤出行进行可视化,并识别主要交通流方向。本研究初步提出了从传统的居民出行调查和城市GIS数据建立规则,用于SCD数据挖掘的方法,具有较好的可靠性。

基于复杂网络的快速公交-轨道交通站点分级研究

为研究大运量交通站点精细化管理问题,构建复杂网络,分析站点分级。通过构建Space-L有向加权复杂网络模型,并基于站点客流提取节点强度、加权介数中心性、加权接近中心性以及加权PageRank4项指标,运用系统聚类方法进行站点分级。以厦门快速公交(BRT)-轨道双模式网络系统为研究对象,从复杂网络视角分析站点网络特征和层级关系。结果表明:1)在复杂网络模型下,网络站点可分为核心枢纽型、局部联系型、网络中转型、强网络传导型、弱网络传导型和网络尽端型6类。2)各类换乘站点呈现不同特点,单模式换乘站具有调节网络客流的能力,双模式换乘站具有吸引网络客流的能力,单-双模式结合的换乘站具有辐射网络客流的能力。3)在BRT-轨道交通网络的单模式站点中,岛内的BRT站点发挥效果优于轨道站点。文章提出的站点分级指标和方法能很好地揭示站点网络特性,有助于提高城市BRT-轨道网络系统运营效率。

基于乘客行为的上车站点识别

利用换乘信息识别乘客上车站点的算法,当乘客前后两次乘坐的公交线路不止一个交点时,可识别站点数量少,导致乘客上车站点识别准确率低。针对这一问题,提出基于乘客行为的上车站点识别:对IC刷卡数据进行分组,然后基于地铁换乘,确定部分乘客的上车站点,并将数据切分为多个子段,再通过公交换乘,确定部分数据组的上车站点。最后通过比例关系,得到所有IC刷卡数据组的上车站点。试验表明,该算法具有较高的准确率。

基于交通一卡通的城市老年人出行行为特征的分析研究

随着老龄化社会的到来,老年人的出行需求日益增长,为了解老年人的出行规律,为他们提供安全舒适的出行环境,本文以某城市部分公交刷卡数据为基础,通过对老年卡用户在出行时间、跨区出行比率、出行目的等出行行为特征进行分析研究,探索和改善老年人的公交出行需求。