黄石市居民出行特征分析及客运交通发展战略研究

根据黄石市2000年居民出行调查的有关数据，分析黄石市居民出行基本特征：出行次数，出行目的构成，出行方式构成，不同出行方式的平均出行时耗，出行时辰分布。并在此基础上，结合黄石市客运交通现状及城市总体规划，从道德网通行能力，公共客运交通优先，快速交通系统，客运交通管理，政府的公共客运交通政策，公共客运交通发展规模及公共客运交通行业服务标准等方面，提出了黄石市客运交通发展战略和保障措施。     

迁安市居民出行调查与交通特性分析

为指导中心城区交通规划的展开,迁安市展开中心城区范围内居民出行调查,对迁安市居民交通出行特征进行全面分析.通过居民出行调查数据分析,从性别、年龄、职业、交通工具拥有量、出行率、出行方式、出行分布等方面,梳理迁安市居民样本特征及出行特性,在相应的调查分析基础上,对迁安市交通特性的发展方向进行预测,为交通需求模型的搭建提供参数,为新城交通政策的制定提供依据,也为类似城市的发展提供借鉴.     

基于Logit模型的大连市居民通勤出行行为研究

针对大连市主城区进行通勤出行方式的意向偏好调查.选取7家企事业单位的200名驾车通勤者作为研究对象,建立以私家车、公共汽车为选择对象的二元Logit模型,研究停车收费及公交服务水平的变化对不同特性停车者的出行选择方式影响.结果表明:停车收费费率及公交服务水平对城市居民的通勤出行方式选择有显著影响.将合理的停车收费体系与提高公共交通服务水平相结合,是一种优秀的交通需求管理手段.     

莆田市城市居民出行特征分析及交通需求管理的对策建议

以莆田市2009年城市居民出行调查的有关数据为对象,通过出行强度、出行方式、出行的时间分布、出行的空间分布等一系列指标总结归纳出莆田市城市居民出行的规律、变化特征及其原因。针对莆田市居民出行总量、出行距离、出行耗时、私人交通方式、高峰小时峰值等特点,对莆田市城市交通需求管理提出相应的对策建议。     

基于居民出行的低碳交通结构优化研究

优化城市交通结构可有效降低交通碳排放。文中采用基于居民出行的碳排放模型测算2017—2019年郑州交通碳排放量,并运用碳排放最低目标函数构建城市交通碳排放优化模型,最后对促进郑州低碳交通发展提出措施与建议。     

杭州市居民出行特征分析及交通发展对策探讨

该文根据杭州市2005年居民出行调查的相关数据,结合杭州市城市交通现状,对杭州市居民出行次数、出行时段、出行方式等一系列的指标进行了分析研究,总结归纳杭州市居民出行特征的规律、变化特征及其原因,并在此基础上对杭州市的交通发展提出相关的建议。     

基于BP神经网络的居民出行方式选择模型

以城市居民出行方式选择行为作为研究对象,分析了影响出行方式选择行为的主要因素,利用BP神经网络可以自动获取研究对象的输入、输出间关系和较强的学习训练特性,建立了基于BP神经网络的居民出行方式选择模型,并通过2009年济南市居民出行调查数据对模型进行了实例分析。结果表明：BP神经网络模型能够较好地描述居民出行交通方式选择行为。     

基于智能手机调查数据的居民出行活动特征分析

城市居民出行活动信息是城市规划、交通管理和居民行为研究的重要参考依据。采用传统的基于入户访问和纸质问卷的居民出行调查方式存在受访者负担重、调查精度低、调查成本高等问题,设计并实现了一种基于嵌入 GPS(Global Positioning System)模块的智能手机的居民出行调查系统。通过高频的手机 GPS 定位获取居民出行轨迹,设计基于规则的轨迹数据处理算法,自动提取出行信息。以上海市杨浦区同济新村为例,对比传统问卷调查和基于手机的调查所得的出行数据。利用调查结果对基于智能手机调查的出行生成模型进行系数修正,并对传统调查方式的误差进行分析。发现传统调查的总体误差在33%左右,其中非基家出行的误差更是达到近159%。最后,基于手机调查的数据,对区域内居民活动特征进行分析。     

居民出行调查中的抽样技术研究

居民出行调查的数据是城市交通规划的基础,它的准确度直接影响着规划的质量。恰当的调查方法和抽样率对保证数据精度和节省费用至关重要。目前,我国绝大多数城市在进行居民出行调查时,根据国外经验来确定抽样率,理论依据不充分,无法估计调查数据的精度和预测数据的准确性。运用抽样技术理论,首先对居民出行调查中用的抽样方法和抽样率的计算做理论上的阐述,然后对常用的抽样率计算公式进行推导,并讨论其他相关问题,最后给出计算实例。     

城市居民出行特性比较分析

在综合分析国内外城市的社会经济发展和居民出行调查资料的基础上,从居民人均出行次数、出行目的分布和出行方式构成等3个方面入手,将国内城市居民出行特征与发达国家城市进行分析比较,又对国内相同城市不同时期的调查结果进行对比研究,目的在于把握城市居民出行特性的发展变化趋势。研究结果发现,我国城市居民出行特征随着社会经济和城市的发展发生了显著的变化,国内经济比较发达地区大城市的部分出行特征已经开始与发达国家状况相似,中小城市和欠发达地区城市的出行特征则与国外差别较大。研究同时发现了国内城市居民出行结构中的隐患,指出了发展的方向。     

基于出行链理论的城际旅客出行特征研究

在传统"四阶段法"不满足城际出行研究要求的情况下,借鉴出行活动分析理论对城镇群内城际出行行为进行研究。通过构建城际出行链理论模型,结合长江三角洲城镇群旅客城际出行调查数据,采用统计分析方法,探讨了城镇群内旅客城际出行全过程的时空变化规律,分析了各类客流在城际出行不同阶段的差异性。     

基于出行生成约束模型的交通需求预测方法研究

针对传统城市交通需求预测方法在解决交通供需平衡关系的缺陷,文章结合OD反推技术建立了交通出行生成约束模型,在西安曲江新区综合交通规划中的应用实例表明,模型可对城市交通需求预测中的路段交通量、机动车拥有量、停车需求进行合理预测,可改善城市交通供需平衡等问题.     

基于多源数据的公交出行特征分析

为准确分析公交消费数据不完整情况下的公交出行特征,基于乘客上车刷卡数据、支付宝扫码数据及公交GPS数据,运用时空匹配法和出行链理论挖掘分析乘客上下车站点、公交线路OD矩阵、出行空间分布特性及消费时间分布特征。实际验证结果表明:1)使用IC卡和支付宝的乘客数量近似相等,使用现金人数较少,约占整体的6%;2)乘客出行次数在2次以下占总数的84%,换乘需求较少,公交可达性较高;3)高峰期消费次数均超过25000次/h,约占全天总数的23%,居民出行目的较为单一,大部分往返于居民区与办公商业区,与实际情况相符。     

基于引力模型的县域区际公路客运需求分析方法

将区位理论、区域科学、交通规划等学科中广泛应用的引力模型引入县域区际客运需求分析,提出了基于引力模型的县域区际客运需求分析方法。该方法突破了传统方法仅限于用县域范围内的经济、社会变量去解释客流生成的局限,对县域交通需求生成分布特性进行了学术归纳,建立了区际客流量与基于相互作用区域的生产总值、人口、距离、车程时间、区域面积5个经济、社会及交通条件变量之间的方程关系。实证应用表明:该方法模型能被实例数据所标定,能很好地解释县域区际客运需求生成、分布机理,量化识别客运需求影响因素,预测客运需求内生变量的变化对线路客流量与需求潜力的影响;该方法丰富了县域区际客运需求分析理论,具有较重要的理论与实践应用意义。     

基于公交数据的公交乘客上客特征分析

城市公共交通是城市交通的重要组成部分,具有缓解交通拥堵、降低能源消耗、改善生态环境等优势,一直是政府大力支持与提倡优先的出行方式。基于公交的运营数据,提取了每次刷卡数据的上客站点数据,进一步分析出公交网络层面站点上客特征,最后,结合居住人口、工作人口分布,分析出公交乘客上客与空间人口分布的关联性。     

基于分布式出行信息的轨道交通出行特征辨识

为准确识别网络化运营环境下城市轨道交通乘客的出行特征,设计了可采集Wi-Fi信息的分布式交通行为识别系统,并建立出行特征识别算法.布设在各站点的检测设备可采集乘客所携带移动设备独一无二的M AC地址信息,并上传至信息中心.信息中心通过对比同一设备在各站点获取的时间戳和对应站点编号,可识别乘客的出行路径和行程时间,结合轨道交通车辆的走行时间信息可获取换乘站的换乘时间,并应用上述时间信息验证所识别出行路径信息的有效性.在西安市轨道交通系统的测试结果表明,同由客票信息获取的出行行为相比,该系统能采集所有网络形态下的乘客出行路径及行程时间,测试数据的平均采样率可达32.86%,误差为3.8%.该系统的分析结果可用于城市轨道交通系统的客票清分、站点设计等环节.     

居民公交出行链重复性量化分析及其出行规律研究

作为城市交通的枢纽,公共交通系统承载了大量的居民出行。自动数据采集系统收集的IC卡数据包含了大量的乘客出行信息,通过这些数据可分析居民公交出行规律,进而优化公交服务。引入信息熵及熵率对居民公交出行链重复性进行量化,研究了基于量化指标分析居民公交出行规律的方法。通过出行地点状态标定,将乘客的出行链转化为离散的出行序列;利用信息熵和熵率对出行序列进行量化分析,得到出行重复性与量化指标的关系,即出行序列的信息熵越大,熵率越小,该乘客出行重复性越高,出行规律越强。基于重复性量化处理,以石家庄公交智能卡乘客出行数据为例,分别从群体和个人这2个方面对公交乘客的出行规律进行分析。结果表明,出行链重复性量化指标可以对出行规律的强弱进行直观判断。当乘客出行规律不明显,但信息熵高于样本均值2.53 bits、熵率低于样本均值1.13 bits/事件时,可通过进一步分析挖掘出乘客潜在出行规律。     

基于GPS数据的出租车出行需求预测研究

近年来“网约车”数量越来越多,“网约车”等待时间长与载客热区需求大等问题也逐步显现,乘车体验亟需改善。在成都市出租车GPS数据的基础上,研究出租车出行分布规律,划分工作日为早、晚、夜高峰相关时段,引入k-距离曲线改进DBSCAN空间聚类算法,对出租车上下客点进行聚类分析,并用数据挖掘得出载客热区。采用BP神经网络预测载客热区的出行需求,预测结果表明,早高峰时段BP神经网络模型的MAPE分别较随机森林模型、岭回归模型提高了3.25%和5.87%,晚高峰时段提高了2.98%和4.32%、夜高峰时段提高了1.44%和2.58%,验证了BP神经网络在出租车需求预测方面的可行性。