融合出行拓扑与序列分析的车辆时空出行模式挖掘

城市小汽车出行的时空特性是支撑城市交通规划设计与交通需求管理的重要基础。针对传统的以集计数据或抽样数据研究的局限性,本文基于车牌识别数据,全量感知车辆出行活动,分析城市中个体车辆的出行时空模式。首先,从数据中提取并分离车辆出行链,获得小汽车出行的时间、空间、频率和拓扑特征,根据各时段停留点构造车辆出行活动序列。其次,融合兴趣点(Point of Interest, POI)数据识别出行起讫点关联的土地利用特性作为停留点特征,在出行活动序列上应用k-modes聚类算法挖掘出常规通勤模式、特殊通勤模式、短时活动模式和外来办事模式这4类30种小汽车出行模式。最后,对每一类模式的群体规模、特征和典型出行行为进行详细地分析讨论。结果表明,95%的车辆出行活动可以用不多于3条边组成的简单拓扑结构表示,其中,约30%的车辆可构造出行活动序列,并用k-modes聚类算法有效分离出各类机动车全天出行的时空模式。工作日车辆出行主要表现为常规通勤模式,休息日则以短时活动模式为主。通过对个体车辆的微观行为分析,结合出行拓扑结构和出行活动序列进行出行模式的挖掘,能够全面地反映城市机动车出行的实际情况,为精细化机动车出行行为分析与管控策略制定提供理论支撑。

公交出行时空模式的影响因素和效应研究

为揭示公交出行时空模式的影响因素和作用效应,利用智能公交数据获取公交出行时空特征,应用DBSCAN聚类算法挖掘公交出行的时空规律性。以起点建成环境、终点建成环境、出行路径性能、公交运营性能和公交出行强度5个方面的18个指标为自变量,以公交出行时空特征和公交出行时空规律性2个方面的4个指标为因变量构建变量指标体系,融合智能公交、POI等多源数据对指标进行量化计算,建立结构方程模型对公交出行时空模式的影响效应进行分析。研究结果表明:公交出行模式具有时空异质性,平峰时段公交出行距离和出行时长均长于早、晚高峰时段;时间规律性强的公交出行主要发生在高峰时段,空间规律性强的公交出行集中分布在城市中心区;出行路径性能、公交运营性能、起点建成环境、终点建成环境对公交出行的时空特征有显著影响(早高峰影响效应分别为-0.749,-0.413,-0.244,-0.228);公交出行强度、出行路径性能、起点建成环境和终点建成环境对公交出行的时空规律性有显著影响(早高峰影响效应分别为0.688,0.069,0.022,0.021);各因素对公交出行时空模式的影响具有时间异质性,平峰时段的影响均大于早、晚高峰时段。研究结论能够为公交导向的城市规划设计、公交系统优化等工作提供参考依据。