基于人口合成技术的居民出行调查数据扩样

为提高居民出行入户调查样本代表性,使调查数据能够准确反映居民出行特征,在分析居民出行调查数据处理现状及常规扩样方法局限性的基础上,引入基于人口合成技术的IPU算法(iterative proportional updating)和GRE算法(generalized regression),对深圳市居民出行入户调查数据进行实证分析,并利用相关系数及相对误差指标对扩样结果进行评价。结果表明:利用算法关联家庭与个人表的频数矩阵,通过迭代调整扩样权重值、IPU算法和GRE算法均能很好地拟合家庭与个人的属性分布与总体一致,且相对误差控制在6%左右,满足扩样的精度要求。由于IPU算法更具普适性,算法不受初始权重及稀疏样本限制,其扩样误差及波动性较小,扩样结果更为稳健。

基于多源数据的交通出行数据扩样及位置匹配研究

随着城市交通出行规划的日益发展,需要精细的居民交通出行数据作为数据支撑以实现更准确的居民交通出行需求预测。文章基于多源数据,包括地块数据、居民交通出行样本数据以及总人口家庭特征数据,采用迭代比例更新算法(Iterative Proportional Updating,IPU),结合蒙特卡洛模拟,实现了获取小尺度的精细居民交通出行数据的目标,为精细交通出行数据的获取提供了有益的参考和借鉴。