基于特征图谱的区域出租车出行需求分布特征研究

以北京为例,基于出租车计价器数据和GPS数据,提取各活动空间的出租车需求发生、吸引强度,选取载客热点交通小区作为典型居民活动空间.采用主成份分析法实现数据降维,并采用Canopy-K means聚类方法,将典型活动空间划分为6类,包括居住地、就业区、商业娱乐区、旅游景区、交通枢纽区及综合型区域.采用特征图谱表征方法,分析了不同类型活动空间出租车出行需求分布时空特征.研究对于掌握区域出租车出行需求产生和吸引的时空分布特征与预测、改善出租汽车运输服务质量,具有重要的意义.     

融合XGBoost和图谱修正的公交通勤乘客目的地预测方法

准确把握公共交通通勤乘客的目的地, 有助于明确乘客出行需求, 提升公共交通服务水平。基于北京市1个月的公共交通出行数据和RP调查数据, 通过关联分析乘客公交卡号与公共交通刷卡数据和线站数据, 匹配获得563名通勤乘客完整出行链数据, 并利用关联规则实现302名公交通勤乘客高、中、低出行稳定性辨识。引入XGBoost集成学习算法, 分别以不同公交出行稳定性乘客出行目的地显著影响因素为输入变量, 以下次出行目的地为输出变量, 通过模型参数调优, 分类构建了公共交通通勤个体乘客下次出行目的地预测模型, 高、中、低稳定性乘客出行目的地预测准确率分别为90%, 66.67%和50%。借助个体乘客出行图谱转移概率对模型预测结果进行修正, 将预测准确率分别提升至91.2%, 83.21%和69.5%, 可以有效提升中、低稳定性乘客出行目的地的预测准确性。采用公交都市系统记录的目的地数据对下次出行目的地预测聚合结果进行对比验证, 客流预测值与真值变化梯度的绝对百分误差小于10%。因此, 在划分通勤乘客出行稳定性的基础上, 融合XGBoost和图谱修正的公交通勤乘客目的地预测预测方法具有较高准确性。      

基于个体出行图谱的公共交通通勤行为辨别方法研究

不同公共交通类型乘客的出行特征存在显著差异,实现公共交通通勤乘客准确辨识,有助于获取精细化的公共交通出行特征,更好地满足不同类型乘客的出行需求.基于北京市公共交通刷卡和线站数据,对公共交通多源数据进行关联匹配并提取出行链.利用北京市连续1个月的公共交通刷卡出行数据,采用多层规划理论构建了个体出行知识图谱,提取了出行天数、出行空间均衡度等7类特征指标.通过RP调查获得乘客出行行为类别.以特征指标为输入,乘客分类为输出,构建了面向公共交通乘客分类的BP神经元网络模型.验证表明,模型平均分类精度为94.5%,Kappa系数为0.879.本文研究有助于准确识别不同类别的公共交通乘客,为优化公共交通运营及公共交通精准化服务提供支撑.