上海市出租汽车出行时空分布规律研究

为测定大样本视角下出租汽车出行时空规律,采用探索性空间数据分析(ESDA)技术进行相关研究。从上海市出租汽车调度系统的GPS数据提取单个运营日9921辆出租汽车的OD样本,按街道和时段统计出租汽车OD的时空发生量,定义并计算各区域各时段的载客空间密度指标,运用ESDA技术分时段计算、分析全局和局部莫伦值(Moran's I)。全局分析结果表明,上海市出租汽车出行在全局分布上具有较强的空间正自相关性,这与城市中心商业区高度集中的活动分布有关。局部分析结果表明,上海市出租汽车出行分布呈"句"字形聚集结构。全局结构和局部结构在时间序列上变化较小,表明上海市出租汽车出行分布的时空结构明显且稳定。

考虑轨道出行时空分布的断面客流预测

掌握列车区间段客流拥挤情况对列车运行调度有重要支撑作用。全线区间客流与站点分布、类型以及历史客流出行规律相关,提出具有时序化特征的出行引力因子对客流时空分布规律进行量化,选用长短期记忆人工神经网络(LSTM)处理该因子与区间客流间的关系。通过研究模型层数以及城市平均出行时间等对LSTM模型预测性能的影响,综合考虑全线区间客流总体平均绝对误差(MAE)和各轨道区间段客流MAE的离差以选择最佳预测模型。根据重庆市轨道历史数据,建立了时间步为3的双层LSTM模型预测重庆市轨道全线区间客流,结果表明:所提模型预测效果不仅优于时间序列模型,还优于直接将进出站客流作为LSTM输入的同类模型,能为城市轨道交通运营组织优化提供参考。

基于出行时空分布的重力模型标定方法研究

出行时空分布是小区出行总量随出行时间变化的分布形式,可应用于重力模型的标定.现有重力模型标定较常用逐步搜索法,其精度受限于算法中参数步长的选择.建立了一种基于出行时空分布的重力模型标定方法,并以西安市出行数据为例,通过与逐步搜索法结果对比,验证了该方法的可行性,结果显示该方法较逐步搜索法精度高,收敛速度更快.