已有城市轨道交通车站分类多基于定性分析,不能满足精细化设计和运营的需要。本文提出一种基于聚类站点公共特征的站点精细分类方法。首先,将来源于AFC(Automatic Fare Collection)的进站客流量数据处理为时间序列数据,并基于K-Means++...
详细信息
已有城市轨道交通车站分类多基于定性分析,不能满足精细化设计和运营的需要。本文提出一种基于聚类站点公共特征的站点精细分类方法。首先,将来源于AFC(Automatic Fare Collection)的进站客流量数据处理为时间序列数据,并基于K-Means++算法对各个站点的客流量进行聚类;其次,建立客流量聚类结果与土地利用特征多维参数的拟合方程,计算获得居住密集型、工作就业型以及区域中心型等5种大类站点的客流量公共特征。在此基础上,充分考虑属于同一大类站点不同站点的细分特性,使用5类客流量公共特征比重组合精细描述具体站点类型。实例结果表明,使用本文提出的精细分类方法计算得到的每个站的客流量拟合值与真实客流值间的平均绝对百分比误差控制在14%以内,说明该分类方法具有可行性。
为了有效获取出租车乘客出行目的,提出了一种基于出租车运营数据和POI(Point of Interest)数据的出行目的识别方法.构建了基于乘客出行特征和下车所属POI点类别的乘客出行目的识别模型,该方法从出行特征及乘客下车点最终可能到达的目的...
详细信息
为了有效获取出租车乘客出行目的,提出了一种基于出租车运营数据和POI(Point of Interest)数据的出行目的识别方法.构建了基于乘客出行特征和下车所属POI点类别的乘客出行目的识别模型,该方法从出行特征及乘客下车点最终可能到达的目的地所属POI点类型两个方面确定乘客的出行目的.为了验证所提方法的有效性及实用性,对成都地区展开了出租车出行调查,并利用调查数据对模型进行了精度验证.结果发现,相比于现有的利用出行特征推断出行目的的方法,本文提出的决策树+POI(II)能够提高最终识别准确度15.76%.最后,将所提方法应用于成都1周的实际运营数据中,成功地识别出219 942名乘客的出行目的,说明该方法能够应用于实际数据量较大的出行目的识别.本文提出的方法,可以作为出行调查的辅助手段.
暂无评论