基于IC卡数据的城市地铁绿色出行碳减排机理分析

本文基于地铁IC卡数据来获取并且筛选地铁出行信息(Origin and Destination,OD),计算比较OD站点间人均碳减排量。使用API获取兴趣点(point of interest,POI)数据,选取城市地铁站周边的建成环境、出行距离和非直线系数等影响因素。基于梯度提升决策树(Gradient Boosting Decision Tree,GBDT)模型的机器学习方法对各个影响因素进行回归分析,发现各影响因素对碳减排量的重要性分别为:出行距离占23.1%,非直线系数占9.3%,总建成环境占68.6%。

基于GBDT算法的地铁IC卡通勤人群识别

随着公交IC卡的应用和普及,从IC卡数据中挖掘通勤用户,为下阶段采取分流措施缓解早晚高峰压力,优化票价制定等具有重要意义。以广州市地铁数据为依托,选取合适的特征属性,提出了一种基于梯度提升树(gradient boosting decision tree,GBDT)机器学习算法为基础的通勤人群识别方法。首先以周工作日的首末次平均刷卡时间、首末次平均刷卡时长、首末次刷卡时长波动程度、刷卡次数总和等5个特征来制定调查问卷的数据格式。然后利用处理过的带标签(通勤/非通勤)的调查问卷数据去训练GBDT分类器模型,测试样本的通勤识别的准确率高达94.16%。最后利用该模型对广州地铁IC卡数据通勤人群进行识别,结果显示广州地铁刷卡数据中通勤人群数量为131万左右,占总地铁刷卡出行人数32%左右。