轨道交通站点聚类及其对客流预测的影响分析

城市轨道交通站点受多层面因素交互作用而反映出异质性,为实现站点精细化分类,本文统筹考虑地铁刷卡数据、兴趣点数据和地铁网络数据,提取客流、土地利用和网络性质等特征,其中,客流层面考虑工作日、周末和节假日等不同日期类型下客流状态,土地利用层面考虑站点辐射区用地强度和均衡性,网络层面考虑节点自身特性和影响能力。构建基于主成分分析与K-means++算法的聚类模型,综合聚类评价指标确定簇数,辨析不同类型站点多维度特性,结合站区土地利用和站点网络特征探讨对出行活动的影响,并设计簇内联合预测和整体联合预测策略,采用3种多元时序预测方法探究站点聚类对预测性能的影响。研究结果表明:考虑全部客流特征时,划分为10簇,考虑工作日进站客流特征时,划分为5簇,充分挖掘客流时变特征能够获得更加精细化的聚类结果;各簇站点客流分布特征与其土地利用及网络特征间存在一定的反馈关系;相比于整体联合预测,通过聚类联合相关性强的站点进行预测,以间接捕获空间相关性的方式能有效提升预测性能,各模型均方根误差平均降低9.04%,平均绝对误差平均降低4.94%。研究结果为站点精细化管理和站区设施建设规划提供依据。

基于变色龙算法的共享单车站点聚类研究

为了更好地调度共享单车,提出了一种新的、基于变色龙算法的共享单车站点聚类算法,算法先按照k-近邻思想将站点关联图简化为k-近邻图,并以边割最小原则将图划分成大量子簇;然后,算法按照子簇的相似度不断合并子簇,直到构成指定的聚类数目。详细的实证分析表明:基于变色龙算法的站点聚类分析可以按照不同的聚类数目将站点聚类成不同粒度的聚类,凭借这些聚类可以找出城市中共享单车流动相对封闭的区域(城市小世界特征)。

基于自适应聚类的共享单车需求预测与投放决策

为了解决有桩共享单车系统(BSS)发生站点失衡导致用户不满和真实需求失真的问题,提出一种基于自适应聚类的站点借还车需求预测和投放量决策方法。首先基于XGBoost原理将站点聚类,然后依次在类层次和站点层次估计借还车需求量,考虑导致需求失真的两种场景,最后根据各站点各时段需求量的预测结果多次模拟系统服务过程,以被拒需求数量的期望值为指标计算各站点以客户满意为导向的最优投放量。论文以纽约CitiBike系统为例进行分析,总结了运营建议,并设计对比试验验证了所提方法对捕捉BSS潜在需求并提高服务率的有效性。

基于AFC数据的站点类型与空间特征分析

利用昆明市2020年AFC刷卡数据和POI数据,采用K-means聚类算法将昆明市83个轨道站点划分为商办综合型、商住综合型、商住成熟型、商住开发型、单一就业型及景区枢纽型6类,在此基础上对站点类型进行空间特征挖掘和站点周边土地利用关联性分析。研究发现:(1)轨道对于拉伸城市空间框架、促成重要城市交通走廊作用显著,然而居住用地和就业用地的扩散程度存在不同步现象。(2)建成环境尺度、POI类别与站点类型间存在较强关联,即站点居住功能越强,与用地类别的关联关系影响范围越大,而站点商业功能越强,与用地类别的关联关系影响范围越小。研究成果可以为轨道站点差异化管理策略提供依据。

基于数据场聚类的共享单车需求预测模型

共享单车系统日益普及,积累了海量的出行轨迹数据.在共享单车系统中,用户的借车和还车行为是随机的,且受天气、时间等动态因素影响,使得共享单车调度不平衡,影响单车用户体验,并给运营商造成巨大经济损失.提出了新型基于站点聚类的共享单车需求预测算法,通过构建单车转移网络计算站点活跃度,充分考虑站点地理位置和单车转移模式因素,基于数据场聚类思想,将距离相近和用车模式相似的站点聚合到一个聚簇中,给出最佳簇中心个数求取方法.充分分析时间和天气因素对站点单车需求的影响,利用皮尔逊相关系数,从真实天气数据中选择相关性最大的天气特征,结合历史聚簇内单车需求量,将其转化为三维向量,利用多特征长短时记忆深度神经网络LSTM(long short-term memory)对向量内的特征信息进行学习和训练,以30分钟为长时间间隔,对每个聚簇内的单车需求量进行预测分析.与传统机器学习算法和当前主流方法进行对比,实验结果表明,所提单车需求模型预测性能得到显著提升.

一种新的Web用户群体和URL聚类算法的研究

提出一个基于Web日志的Web用户群体和站点URL聚类算法.使用用户浏览行为描述和用户浏览时间离散化方法建立了Web站点的用户事务矩阵,并在此基础上对Web用户群体和站点URL进行聚类.由于在聚类过程中同时考虑了用户对URL的浏览时间和访问次数,使算法的精度和效率都大大提高.同时,该算法能较好地处理类间重叠问题,使算法具有较好的实用性.最后对算法的有效性和可伸缩性进行了研究.

一种基于Web日志的Web用户群体和URL聚类算法

通过处理和研究Web日志,得到多数用户感兴趣的页面URL和具有相近访问爱好的用户群体,对站点的结构是否适合用户作出判断并进行相应的调整,从而实现对用户的个性化服务.

基于集成学习的城市轨道交通乘客路径选择建模

考虑城市轨道交通路网不同OD间客流构成的异质性,基于数据驱动方法,研究不同OD特性与路径属性组合条件下的乘客路径选择机器学习建模问题,提出将模糊聚类与集成学习相结合的建模方法。运用FCM聚类方法将路网站点划分为若干类别,以模糊聚类结果作为子学习器的划分依据,构建了基于支持向量回归机(SVR)的路径选择子学习器,实现了基于OD类别隶属度对多个子学习器进行组合的路径选择集成预测。该方法既能体现客流特性的差异对路径选择的影响,也解决了难以直接获取乘客属性对建模与预测带来的难题,有效提高了模型准确性。以北京城市轨道交通为案例,对新线开通情况下的路径选择进行预测。

电动汽车分时租赁动态定价策略研究

文章提出一种在电动汽车分时租赁系统日收益最大化前提下的动态定价的策略,通过价格杠杆来调节用户需求,以达到供需平衡。并以上海国际汽车城运营的EVCARD项目为例,验证了实施动态定价策略后系统日收益可以提升19.27%。