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。

集时空聚类和指标筛选的公共交通通勤者识别

通勤者作为公共交通乘客构成的核心部分,其识别提取是此类人群特征分析的前提。本文基于南京市常规公交、轨道交通和公共自行车的刷卡与设施数据,进行公共交通通勤者识别。首先,根据数据信息是否完整,分别采用两步聚类法和线路相似性整合法提取相似性出行;然后,识别职住地,再通过出行天数、单次出发时间差和工作往返出发时间差3项指标完成筛选。经通勤调查验证和方法有效性比较,各类参数取值合理,方法有效并存在应用优势。本文提出的通勤识别方法将出行时空规律与指标筛选紧密结合,考虑了数据完备与不完备条件下的不同数据处理思路,方法通用性和操作性强,识别结果能够为公共交通通勤乘客特征分析提供数据基础,有效指导后续城市公共交通设施布局和服务优化。

基于高速公路流水数据的通勤车辆特征研究

随着居民利用高速公路进行通勤出行车辆的增加,高速公路缓行和交通拥堵等问题时有发生,特别是在重大节假日期间.目前,解决上述交通问题的主要方法是交通需求管理措施,而实现有针对性的交通需求管理需要对高速公路收费流水数据进行精确的挖掘分析,掌握车辆在高速公路上的运行状态与时空分布特征.本文基于高速公路收费流水数据,借助K-means++聚类方法识别使用高速公路日常通勤的车辆,进一步分析通勤车辆的出行时空分布特征.从通勤出行的角度,挖掘城市通勤快速出行廊道分布,研究高速公路网与城市道路网络的关系,对提高交通系统效率和缓解交通问题具有重要的意义.