基于MNL模型的居民出行方式选择行为研究——以南方某小城市为例

为明确城市居民出行方式选择的关键影响因素，调节城市居民出行结构，提高城市交通系统效率，以南方某小城市居民出行数据为研究对象，基于随机效用最大化理论构建多项MNL(Multinomial Logit)模型，分析了个人属性、家庭属性和出行方案属性对出行方式选择产生的作用。通过分析MNL模型统计回归结果，得出以下结论：1)个人属性中，年龄、性别、个人月收入、受教育程度、驾照拥有情况对居民出行方式选择行为有显著影响；2)家庭属性中，住户小汽车拥有情况和摩托车拥有情况对居民出行方式选择行为有显著影响；3)出行属性中，出行时间和出行目的对居民出行方式选择行为有显著影响，而出行费用在出行选择过程中没有显著作用。     

基于出行时段选择的节假日免费政策优化

为减少重大节假日期间高速公路的交通拥堵,探究免费时段的合理分配,利用方差分析法检验免费政策对交通量影响的显著性,并在考虑个人属性和出行属性的基础上引入免费时段作为扩展属性,构建基于决策树算法的出行时段选择模型,然后通过迭代计算基尼指数和最小不纯度等参数优化模型,提高模型的拟合优度;基于优化后模型,设置6种免费场景,分析不同免费时段下出行选择的变化特点。仿真结果表明,若保持现有免费政策不变,出发与返程的集中出行比例分别为0.094、0.054;在6:00—18:00时段进行收费时集中出行规模最小,出发和返程比例分别为0.063、0.049。表明在节假日期间设置合理的分时段免费政策可以有效减少集中出行现象,缓解高速公路的交通拥堵。     

共享单车用户骑行起讫点时空特征分析

针对共享单车的供需失衡、分布不均问题，研究了共享单车用户骑行起讫点的聚集区分布以及不同区域的骑行时间特征，为共享单车的调度运营提供理论支撑。基于用户的骑行订单数据，采用均值漂移算法对骑行起讫点进行聚类学习，得到共享单车的骑行聚集区分布；随后采用spearman相关系数来衡量骑行时间特征的相似度，对不同骑行聚集区的借车与还车量的累计差值的时间序列曲线进行聚类处理，划分出6类典型的骑行特征，并对不同骑行特征所在地的兴趣点（POI）进行因子分析，结果表明:在空间上，共享单车的骑行聚集区的空间分布与所在区域的城市路网的布局形式存在较大关联，不同时间段的骑行聚集区的分布大致相同，仅在出行量上存在差异。骑行聚集区的骑行特征与土地利用性质之间存在相关性，例如，对于骑行特征为1天内借车量小于还车量的骑行聚集区，其主导因子为商业用地，占比为0.4；对于1天内用户的借车量大于还车量的骑行聚集区，其主导因子为住宅用地，占比为0.57。多种用地性质混合的区域，借还车的差值较小且易产生波动。此外，同一类型的骑行时间特征的主导因子占比在工作日与非工作日会产生变化，同一区域的骑行时间特征在工作日与非工作日存在差异。      

基于热点探测模型的城市居民出行特征分析

城市居民每天的交通出行活动伴随着一定的规律性和时空特征.现阶段对居民出行特征的研究方法中以聚类算法为主.然而由于聚类算法的参数复杂性,使得低值热点区域往往被忽略.此外研究中对出行OD的无差别考虑,使得很多居民出行特征不能被充分挖掘.针对这一问题,提出了基于密度场的热点探测模型,分别从出租车上、下车密度场中提取热点并对热点进行分级.并以西安出租车GPS数据为例展开实证分析.研究结果表明:①基于密度场的热点探测模型可有效解决传统聚类算法中低值热点无法获取问题;②研究区内城市居民一天中各时段上车频次和下车频次变化趋势基本吻合;③在空间分布上,上下车热点区域集中分布在交通服务区和城市主干道周围;④结合城市功能定位,大型交通服务区及城市道路关键节点上下车热点等级较高,并且工作日和非工作日无明显差异;⑤商业服务区表现为午、晚高峰的上下车热点等级高于早高峰,非工作日早高峰的上车热点等级明显高于工作日.      

共享汽车选择行为影响因素分析

为了探究城市居民的共享汽车选择行为的影响因素,首先基于计划行为理论,分析总结影响其选择共享汽车的用户感知体验心理因素,主要包括租还易用性、出行舒适性、收费合理性、感知风险.选取年龄、性别、居住城市、学历、职业、月收入、最常使用交通工具等个人属性,共享汽车收费标准、出行距离2个出行属性作为效用函数特征变量,构建了仅考虑心...     

基于游客需求的云南高速公路服务区文旅提升研究

随着交通和旅游消费结构的不断升级,云南高速公路对于旅游型服务区的建设需求不断加大,对既有和规划建设的高速公路服务区提出了文化旅游融合提升的更高要求.从游客需求侧的角度,采用RP/SP调查法收集多个云南高速公路服务区游客数据,分析云南高速公路服务区游客个人属性和出行特征,从5个维度分析评价游客关于服务区的水平感知度.研究得出云南高速公路服务区在文旅提升方面值得肯定与需要改进和关注的方面,为云南高速公路服务区在文旅融合方向上的进一步提升提供科学参考.     

基于细节层次模型的公共自行车调度方法

公共自行车系统作为城市公共交通的重要组成部分，对于缓解城市交通拥堵和建设低碳、环保的出行体系起到了积极的作用。然而，由于公共自行车系统的借还车需求在时间和空间分布上存在不均衡性，在使用公共自行车时，经常遇到“借车难”或者“还车难”的问题，使得出行者不得不放弃使用公共自行车出行。为了有效地提升出行者借还公共自行车的成功率，研究了1种基于细节层次模型的自行车调度方法。基于公共自行车站点之间的相似度，采用谱聚类算法对站点进行层次划分，形成基于空间范围（即公共自行车站点所占据的地理空间区域）的站点簇；在每个划分层级上统计不同簇之间的自行车借/还需求，结合遗传算法对调度车辆的运输路径进行求解；将不同层级上的调度方案叠加，形成1种调度粒度由粗到细的自行车调度方案。通过对比实验证明:基于细节层次模型的公共自行车调度方法较传统方法减少了42.70%的调度路径，进而减少了相应的调度时间。      

观测路径出行时间下随机网络交通需求估计

道路网络起讫点（OD）需求是城市决策长期交通规划和短期交通管理中的基础参数,准确的交通需求更是实施交通拥堵控制、限行限速、路径诱导等措施的先决条件。综合运用观测的轨迹已知和未知路径出行时间,建立随机网络交通需求估计双层规划模型。上层广义最小二乘模型最小化历史交通需求与待估交通需求、观测路径出行时间与待估路径出行时间之间的偏差,约束为交通需求、路段流量、路段出行时间与路径出行时间之间的传播关系,通过高斯混合模型（GMM）对其中轨迹未知的观测出行时间依概率聚类。下层为随机网络交通出行均衡模型,分别运用出行时间预算和随机用户均衡处理路网不确定性和出行者感知误差。上、下层之间通过交通需求和OD-路段关联比例进行信息传递。设计迭代算法框架求解双层规划模型,迭代算法包含求解上层模型的最速下降法、求解下层模型的相继平均算法和求解GMM模型的最大期望（EM）算法。通过算例表明轨迹未知的路径出行信息的加入在提升需求估计精度的同时也增大了估计值的方差;设计的迭代算法能够稳定收敛到10^-5的精度;GMM软聚类方法估计的交通需求显著优于硬聚类方法估计的需求值;交通需求值对观测路径出行时间的扰动更加敏感。研究考虑出行者风险态度,通过轨迹信息的重新构建揭示城市交通需求演化规律。     

基于结构方程模型的城市居民出行方式选择研究

研究居民的出行方式是优化出行结构、科学制定交通需求管理措施的前提。目前针对居民出行方式选择的研究多集中在个人属性和出行特征方面,没有考虑交通供给水平和城市规模的影响。文中在山西太原、运城和吕梁3个规模不同的城市进行居民出行调查,选取个人属性、出行偏好、出行特性、交通供给水平、城市规模和出行方式作为变量,构建居民出行方式选择结构方程模型进行出行行为研究,为交通部门制定交通需求管理政策和优化居民出行结构提供依据。结果表明,经济特征对个人属性的影响最大,经济条件越好的出行者越有可能选择私家车出行;公交供给越充足或停车位供给越少,居民越有可能选择公交车出行;出行偏好期望越高、出行距离越远、出行次数越多的居民选择私家车的概率越大;高峰期出行和工作出行时选择公共交通的概率更大;大城市居民相比中小城市居民更倾向于私家车出行。     

基于OBD数据的驾驶人出行模式挖掘

传统的出行模式研究通常依靠问卷调查分析驾驶人出行特征，所得结果易受调查数据主观性影响，针对此问题基于北京市域范围内2个月共计3 570辆私家车的车载诊断数据，对驾驶人的不同出行模式进行分析并建模。通过长期采集的车辆各项参数，采用基于密度峰值的聚类算法进行聚类，将不同的驾驶人分为高频出行者、通勤出行者、长距偶发出行者以及危险出行者，并从平均出行距离、出行频次、百公里危险驾驶行为次数和出行时段等多维度进行分析，反映驾驶人行为的变化性和规律性。根据聚类的结果，使用多维离散隐马尔可夫模型进行建模并完成测试。测试表明，所提出的算法对于驾驶人出行模式的识别具有较高的准确性，对于4种类型的出行者，平均识别率超过91%，最高识别率可达94.5%。      

基于时空聚类的定制公交需求响应机制

预约需求的响应对定制公交的运营至关重要,但是乘客的预约需求是时空分散的,运输企业往往靠经验来确定是否响应预约需求,很有可能降低定制公交的吸引力。提出了一种基于时空聚类法的定制公交需求响应机制。通过时空维度的响应对预约需求点进行筛选,首先从时间维度进行筛选,采用基于时间度量的层次聚类算法保留与出行时间接近的预约需求点;然后从空间维度进行筛选,运用DBSCAN聚类算法剔除空间位置相对孤立且人数较少的特殊请求,得到时空趋同的大众化需求。为了验证该响应机制的有效性,进行了算例分析。结果表明,在聚类参数按照经验值设定的前提下,仅能够响应69%的预约需求点和75%的乘客;通过对聚类参数进行适当调整,当保留时间跨度的最短时间不大于3 min,保留预约需求点的最少乘客人数不大于2人,满足到达地位置接近的条件值不小于1 000 m, DBSCAN聚类算法的输入参数邻域不小于400 m,聚为一类的乘客人数下限值不大于4人时,能够响应75%的预约需求点和80%的乘客,满足了尽量响应大部分定制需求、适当剔除特殊需求的响应原则。可见,该机制对定制需求的响应具有良好的适用性,可为运输企业开通定制公交线路提供决策依据。     

应用GIS的空间分析功能实现道路网与出行小区的动态连接

基于GIS的空间分析功能开发了一种动态连接道路网与出行小区的方法，通过该连接改善了交通量的分配精度；指出位于出行小区的一定范围内的道路结点都可能是该小区与道路网的连接点；为了计算每个结点被利用的概率，探讨了以这些结点为基础对出行小区进行空间的物理分割和属性的数学分割的原理及算法，并以日本的一个城市的数据对此原理和方法进行了数学实验。     

基于组合模型的车辆出行特征模式划分

精准掌握车辆的出行规律研究智能化城市交通管理及规划的基础工作,而掌握车辆出行规律的前提是探究车辆的出行特征。为研究城市道路交通车辆的出行特征模式,通过对历史RFID轨迹数据挖掘,对私家车、出租车样本轨迹数据进行定性分析,总结车辆运行的分布特征规律。基于数理统计分析,建立了出行频次、在网时间、轨迹重复率、出行时段,活动偏好区域、干线影响区偏好等出行特征指标体系。通过对出行特征指标的定制选取,建立基于密度峰值(CFSFDP)算法与BP神经网络算法的出行特征群体辨识模型。研究了私家车、出租车存在的特征群体,辨识出不同的出行模式,即实现出行特征群体的辨识。选取重庆市主城区域内的RFID数据进行试验分析,分别基于私家车、出租车提取的出行特征指标,进行CFSFDP算法的聚类分析,找到聚类中心,归纳分类数据。再利用分类数据进行BP神经网络训练学习,评价模型试验结果。结果表明:私家车存在3种出行特征群体:商用私家车群体、通勤私家车群体、其他私家车群体,群体识别率为97.2%。出租车具有2种出行特征群体:其他区域偏好出租车群体、干线影响区偏好出租车群体;群体识别率高达99.18%。     

基于谱聚类的城市轨道站点分类方法

为明确城市轨道站点的功能与定位,以对站点的设计与建设提供指导,建立了基于谱聚类算法的城市轨道站点分类方法。在确立影响轨道站点属性因素参数的基础上,应用西安地铁2号线现状及规划特征年的数据分别对快速聚类法及非规格化谱聚类算法、SM 算法、NJW 算法等谱聚类算法的站点分类效果进行评述。结果显示谱聚类算法中的 NJW 算法,能够抓住站点的特征进行分类,且能准确反映随着轨道线网和城市发展,站点特性的变化。      

基于数据驱动的城市快速路段拥堵状态辨识及诱导对象选择方法

交通诱导实施效果不佳的主要原因之一是具有差异性出行特征的出行者无法接受单一的诱导方案。针对城市快速路高峰时段拥堵问题, 研究了考虑车辆出行特征差异的交通诱导对象精准识别方法, 以保障诱导方案的实施效果。利用高德路况数据提取拥堵路段, 根据拥堵路段与相邻路段交通状态的相关性提出拥堵源路段识别方法; 利用车牌识别数据提取使用快速路车辆的出行特征, 包括快速路出行强度、地面道路出行强度、快速路出发时刻离散度和快速路路径选择多样性; 采用K-means++算法对车辆出行特征进行聚类, 识别出显著影响道路交通状态的出行者, 并为出行者推荐适合其出行特征的错峰或绕行诱导方案。以苏州快速路为例, 研究发现: 针对拥堵源路段的交通诱导能有效改善拥堵路段的交通状态; 类型3车辆(高频出行且易绕行)占单月工作日早高峰所有使用快速路车辆总数的14%, 却占单日早高峰总交通量的51%, 是重点诱导对象; 通过精准识别, 可推荐诱导车辆数占总车辆数的47%。      

一种用于高速公路通行情况分析的收费数据挖掘方法

为更好地对高速公路通行情况进行分析,利用高速公路海量收费数据,提出了一种用于高速公路通行情况分析的数据挖掘方法。首先,在海量的贵州省高速公路收费数据中,筛选出指定进站名称及出站名称的数据并删除部分字段,仅保留与研究相关的内容,利用车辆进入收费站的时间和驶出收费站的时间计算出其在该路段上行驶的总时长,将行驶时长字段加入原数据。然后,采用孤立点检测算法清洗该数据,剔除其中异常值。完成上述预处理过程后,使用快速峰值聚类算法对行驶时长进行聚类分析,首先计算每条数据之间的距离,将距离矩阵作为该算法的输入并输出聚类结果;对比所采用的算法与K-Means算法对于行驶时长这一指标的聚类效果,可明显地看出该算法的聚类结果更接近于实际情况;然后将春节期间与2月第4周的收费数据进行聚类,通过对比可明显得出节假日期间各个车型通行比例的变化;将上述结果结合不同车型在不同时段的平均通行时间进行分析。研究结果表明：所提出的方法可有效地将在某段高速公路通行的车辆进行分类,并且分类结果与真实运行过程中车辆在高速公路上的通行情况一致,可为高速公路的运营管理以及维护方向提供合理的科学依据和数据支持。     

降雪天气下高速公路交通流状态划分

为了给降雪天气下高速公路交通管理者提供合理、准确的交通状态信息,提出了一种可用于高速公路降雪天气下交通状态划分方法。考虑到高速公路交通状态分类存在模糊性的特点,以速度、密度作为样本数据的特征属性,提出了改进的模糊C均值聚类(FCM)的交通状态分类方法。针对传统算法要求事先确定交通状态划分的数目c存在的缺陷,利用自适应函数求得聚类数c。以乌鲁木齐市机场高速公路为实例进行分析,获得降雪天气下交通流状态的划分结果。     

基于K-prototypes算法的高速公路货物适运性研究

为了减少运输过程中碳排放,对高速公路与铁路适运货物进行研究。基于高速公路联网收费调查数据和主动调查数据,采用灰色关联度评价法与改进的K-prototypes聚类算法(DAC KP算法)相结合的方式,对收集到的高速公路大数据进行数据挖掘,得到相应的基于指标权重的聚类模型,得出聚类结果分为3种Cluster。对于部分货物由高速公路改为铁路运输更加适合,减少碳排放29.871%,为下一步运输结构调整提供数据支撑和理论依据。     

基于多源数据的夜间出行需求空间效应及其异质性分析

为了揭示多维因素对出租车夜间出行需求的空间影响机制与局部关联特征，基于多源数据，利用空间计量模型和多尺度地理加权回归（MGWR）模型分别从全局和局部视角研究多维因素对夜间出行需求影响的空间效应及其异质性。首先，利用出租车GPS数据在分析夜间出行时空分布特征的基础上，明确夜间场景下的研究区域及时段划分；其次，从建成环境、人口分布、路网结构3个维度提出夜间出行需求影响因素指标体系，并基于POI数据、手机信令数据和路网数据进行指标量化。在交通小区尺度下分时段构建空间杜宾模型，从全局视角探讨不同时段下主要影响因素对夜间出行需求的空间效应；通过构造距离负指数衰减形式的空间权重矩阵，量化分析关键影响因素的空间溢出效应随地理距离变动的过程。最后，借助MGWR模型从局部视角分析主要影响因素对夜间出行需求影响的空间异质特征。研究结果表明：各解释变量对夜间出行需求的直接效应大多在0.05水平下显著，而溢出效应差异明显；美食与停车设施密度影响最为显著，两者的溢出效应在不同时段分别表现为负向和正向影响，即美食设施呈现出虹吸现象，停车设施具有诱发作用；停车和美食设施对夜间出行需求的空间溢出效应随距离变化均具有非线性衰减特征，分别呈现先增强后减弱的倒“U”形过程和负向先减弱后增强的过程，并在地理距离分别为1 500 m和1 000 m时，空间溢出效应达到最强；MGWR模型拟合效果优于经典GWR模型，局部回归系数的空间分布模式表明关键影响因素对夜间出行需求空间作用的异质特征显著。研究结论从夜间设施影响范围及强度的空间差异等方面为夜间交通需求的科学预测提供理论依据，进而为夜间商业及交通配套设施的合理配置提供方法支撑。     

二分K-FCM结合算法在交通运行状态判别中的应用

正确判别交通运行状态是交通运营管理的理论依据。以高速公路交通状态判别为研究对象,综合考虑交通流三参数(流量、速度、占有率)的基础上,应用模糊C均值(FCM)与二分K均值结合算法对交通运行状态进行判别。首先,对交通数据集分布特征及交通运行状态特征进行分析,确定以V05~V85为最小欧氏距离判别的数据范围。其次,为解决算法收敛较慢及任意初始化质心对聚类结果的不良影响,对传统模糊C均值聚类算法进行了改进,将运行二分K均值算法的聚类结果矩阵作为FCM的初始聚类中心。经检验,改进的FCM可以有效减少算法迭代次数,得到的目标路段交通状态判别矩阵能较精准地划分高速公路不同的交通状态。