数据挖掘在居民出行调查数据分析中的应用

针对居民出行调查数据背后信息挖掘的需求,介绍了居民出行调查数据挖掘的理论及方法,概述了居民出行调查数据挖掘的常规流程,选择Apriori模型对居民出行调查数据进行分析。以南京市居民出行调查数据为样本实例,采用职业、年龄、受教育程度、出行目的等几种属性,以SPSS软件平台对各属性数据进行关联分析,确定影响居民出行方式选择的因素,得出改善居民出行方式构成的相应建议。     

北京公共交通通勤出行者满意度研究

公交出行满意度是一项乘客对公交直接反馈的重要信息指标,综合反映了一个城市的公交状况。本文在调查研究的基础上建立了北京通勤公交乘客满意度测评模型,根据建立的模型进行调查方案设计、安排调查,最后根据调查数据和所建模型进行测评分析,得出了现状通勤公交乘客的满意度情况,找出其最关心的问题和最需要解决的问题,并提出针对性建议。     

基于机器学习的公交卡数据中通勤人群辨识方法

以厦门市公交IC卡数据为依托,提出一种基于问卷调查数据的机器学习分类方法——决策树模型,用于分类辨识公交刷卡数据中的通勤人群.研究中利用公交刷卡数据与调查问卷中同时包含的公交出行信息作为非类别属性变量,以公交通勤人群/非公交通勤人群作为分类变量,分别构建决策树模型中的树节点与叶节点.之后,利用随机抽取的2/3调查样本数据构成决策树算法的训练集,余下数据作为决策树算法的测试集,对模型进行构建、训练与测试,结果显示模型预测效果良好,其覆盖率约为98.1%,命中率也达到81%,最终将该模型用于公交刷卡数据中通勤人群的分类辨识.     

基于聚类分析方法的公交站点客流匹配方法研究

对公交IC卡数据收集、处理和分析得到的结果可以为公交客流分析提供重要依据。文中针对一票制IC卡数据信息不完善的缺陷,结合公交其他运营信息,利用聚类分析方法,研究基于公交IC卡数据的匹配技术,并给出应用于匹配技术的实例计算结果。结果表明,提出的方法有很强的实用性,为得到准确、实时且连续的公交客流信息提供良好的平台。     

基于Apriori算法对地面沉降影响因素的数据挖掘及分析

为有效利用盾构法施工过程中产生和积累的大量掘进历史数据、挖掘知识和信息,以优化掘进参数、控制地表沉降,采集某地铁相邻两区间的地面沉降数据及掘进参数,基于数据挖掘技术,通过对比优缺点,综合等宽离散和k-means聚类2种方法将数据离散化,并采用Aprioir算法进行关联规则挖掘。通过分析关联规则得到以下结论: 出土率、注浆填充率和俯仰角对沉降值影响较大,掘进速度和刀盘转矩对沉降值也有一定影响。根据数据离散区间和关联规则,给出穿越土层为圆砾和卵石时的注浆填充率建议值为185%~190%,注浆压力建议区间为0.16~0.22 MPa,同时建议俯仰角纠偏幅度宜平均每3环小于±0.2°。     

基于聚类分析法的公路数据集成应用研究

从数据驱动模型入手,在系统性地梳理了路政行业数据资源情况与应用情况的基础上,首次采用聚类分析方法,对上海公路长期积累的PCI、RQI数据进行挖掘示例,发现了考虑管养条件影响的路面性能变化的主要模式,可对管养水平进行定量评价,揭示了聚类方法在此类数据挖掘中的适用性,实现对数据深度挖掘并进行深层次应用的目的。     

公交IC卡信息处理的数据挖掘技术研究

主要探讨数据挖掘技术在公交IC卡信息处理方面的运用，设计了公交IC数据仓库结构，提出数据挖掘系统的框架。从公交运营决策者和公交规划者两个角度提出数据挖掘目标，并根据挖掘目标阐述数据分析过程及挖掘方法。     

公交信息条件下的公交出行意愿研究

深入解析公交信息对居民公交出行意愿的影响机理,是合理规划城市公交出行信息环境的理论基础,对于城市交通管理以及交通拥堵的缓解有着重要的意义。基于计划行为理论在行为态度、主观规范、知觉行为控制3个基本变量的基础上加入公交信息、出行经验、个人属性等变量,对计划行为理论加以改进,利用改进的计划行为理论建立公交信息条件下的公交出行意愿模型。以南京市居民为调查研究对象,运用结构方程模型对调查数据进行验证分析,确定了各变量的相互作用关系以及它们对公交出行意愿的影响效应。结果表明公交信息对公交出行态度、主观规范、知觉行为控制等变量有直接显著影响,且为正向关系,影响系数分别为0.533、0.451和0.576;公交信息会对公交出行意愿产生间接影响,影响总效应为0.92,说明高质量的公交信息可以提升公交吸引力,增强居民的公交出行意愿。      

基于层次聚类分析的城乡公交线路诊断倡——以安宁市为例

合理设置城乡公交为城乡居民出行提供优质的公交服务,是打破城乡二元分割的重要手段之一。分析城乡居民出行特征和城乡公交服务特性,从公交乘客及公交企业2个角度,构建表征城乡公交线路物理、运营和公交客流特性的诊断指标体系。以安宁市15条城乡公交线路为例,对选取样本的8类指标数据进行主成分分析,经定量分析各成分贡献率后,确定出3个主成分(贡献率累计为92%)。将主成分作为城乡公交线路层次聚类分析的变量,作出线路的聚类关系图,构建判别函数定量诊断四类线路。结合实际验证了指标体系的合理性及诊断方法的有效性。提供了1种较准确高效的城乡公交线路诊断方法,并为城乡公交线路的优化与运营调整提供决策依据。      

基于天气影响分析的公交客流调查日期确定方法

目前公交客流调查日期的确定往往过于经验性和随机性,不利于调查数据质量的把握。文中通过建立多元回归模型,定量研究了公交日常客流随机波动的天气影响因素,并结合IC卡数据样本特征分析,提出了确定公交客流辅助调查日期的具体方法。该方法在工程实践中得到良好应用,且为相应区域公交规划的调查日期确定提供了参考依据。     

DM技术在联网收费中的研究与应用

文章介绍了数据挖掘技术概念和相关内容,并利用数据挖掘技术中常用的聚类分析,结合硬聚类和模糊聚类的方法,描述了如何通过数据挖掘方法对收费系统中的大量数据进行规律分析和模型预测,文章给出了详细的计算步骤和框图。     

交通枢纽中换乘客流的非集计模型研究与应用

在基于非集计离散选择模型的基本理论与建模方法上,结合上海南站乘客换乘调查数据,并选择公交车、出租车、私人小汽车等在内的枢纽站中拥有的交通方式作为居民出行的方式选择方案,建立了交通方式选择MNL模型。然后应用SPSS数据统计软件对所建的MNL模型的参数进行了标定。结果表明,非集计建模方法能够较全面的考虑换乘乘各出仃选择的各方面影响阕素,该方法是可行的。并且相对于集计模型,它减轻了调查样本的数量,从而使得该方法更为经济和有效。     

改进的YOLOv3算法在道路环境目标检测中的应用

近年来,社会经济持续高速的发展,人均汽车占有量迅速增加。为了避免车辆追尾等事故发生,结合道路环境下目标检测的难点及要求,文章选择基于卷积神经网络的YOLOv3算法,并针对YOLOv3中使用的k-means聚类算法初始时随机选择质心这一不稳定性以及原本的darknet53网络层数较低导致精度不是很高的问题,引用k-means++聚类算法对k-means聚类算法进行优化,并将darknet53替换成特征提取能力更强的resnet101,进行算法优化。实验结果显示优化后的算法mAP提高了12.2%,基本符合实际应用检测的精度要求。     

基于巢式Logit模型的航空港集疏运方式选择研究

为研究航空旅客出行方式选择行为,在航空港集疏运系统需求描述的基础上,介绍并运用巢式Logit模型原理,以广州白云国际机场为实例,建立适用于白云机场集疏运系统的方式选择模型(NL模型),分析确定各相关影响因素项的影响机理,运用最大似然估计法对虚拟选择枝的共性和相异部分的参数进行修正和标定,从而获取各种集疏运方式的选择概率.结合调查选取的20份样本数据,运用模型编程计算得出私人小汽车、出租车、机场巴士、城际巴士和城市轨道共5种集疏运方式的方式选择概率分布结果,结果显示私人小汽车和出租车二者占比大于45%,机场巴士和城际巴士占比约40%,城市轨道仅占比15%.因此,为大力发展城市的公共交通,需要对白云机场提出具有参考性集疏运系统改进方案,为今后航空港集疏运系统的发展和航空旅客交通方式选择行为研究提供一定的借鉴.      

基于数据挖掘的城市机动车停车调查分析研究

进行城市机动车停车场规划前需要开展停车场调查,以得到停车场的基本特征参数、机动车进出记录和停车者的停车行为等信息。通过数据挖掘中的一些方法可以在数据库中挖掘出有用的信息。根据机动车进出停车场的记录计算一系列的停车指标,并借助多元统计分析中典型相关分析的方法,分析停车指标与停车场基本特征参数之间的关系。然后利用关联规则挖掘停车问询调查数据中的潜在信息,分析停车者的行为特征,以掌握更多的停车信息。     

基于手机GPS定位数据的交通方式换乘点识别方法研究

交通方式换乘点识别长期以来是手机大数据交通调查领域的一大技术难点,既有研究大多通过设置出行时间、距离阈值进行识别,算法经验性强,普适性不佳,且易将起讫点、信号控制、交通拥堵等停留误识别为换乘停留。为此,提出了一种基于手机GPS定位数据的交通方式换乘点识别新方法：首先,构建模糊时空聚类算法识别个体运动-静止状态,算法同步实现了定位点时空密度双重聚类约束与聚类边界弹性需求,对个体运动状态识别效果更佳;其次,建立支持向量机模型进行交通方式换乘点识别,有效解决了起讫点、信号控制、交通拥堵等停留对换乘停留造成的干扰;最后,从出行链视角出发,提出了基于序列相似度算法的误差回溯自检与优化模型,能够有效修复换乘点漏识别与错误识别问题。此外,在成都市开展了大范围实测试验,由150名志愿者采集了近2 160 h得到的777.6万条数据被用于技术实证评估。试验结果表明：所述方法对交通方式换乘点平均识别准确率达89.3%,换乘时间平均识别误差控制在20 s以内;与既有空间聚类、小波分析算法相比,换乘点识别精度提升近10%,换乘时间误差最大可降低20 s以上,算法适用性与效果更佳。研究成果可为基于活动的交通需求模型演进提供数据支撑,为交通规划与管理部门决策提供技术支持。     

通用某新能源车型总线数据获取策略研究

随着车联网以及智能驾驶概念的提出及实施,车辆的总线数据安全变得越来越重要,因此通用汽车广泛采用设置车辆网关模块以及防火墙用以隔绝汽车内部总线数据与外界的直接联系以保证车辆安全性,但是在车辆的开发测试阶段,无法直接获取总线数据对问题的分析与解决造成了很大障碍;本文基于通用某新能源车型在开发测试阶段总线数据获取困难的问题,对各种获取总线数据的方法进行了分析与比较,提出了使用跳线人造工程接口的方法获取车辆的总线数据。