基于智能卡数据的票价策略对公共交通出行方式选择的影响研究
发布时间：2021-01-04 02:59
公共交通票价策略深刻影响着公共交通的客流分布。随着城市公共交通的快速发展,如何制定合理的票价策略来控客流量的合理分布且提高地铁的营收成为世界许多城市交通部门关注的问题。我国各大城市的公共交通正处于快速发展的过程中,目前的公共交通的票价机制较为单一,难以满足未来我国大型城市的需求,发展多样化的公共交通票价策略是今后的趋势。伦敦作为全球的超大型城市之一,在公共交通票价策略制定方面首创了“地铁分区+公交免费”的票价策略（仅针对travelcard用户）,取得了良好的效果并沿用多年。本文以公共交通发展较为成熟的英国伦敦市作为研究案例,深入分析伦敦的公共交通票价策略对乘客出行方式选择行为的影响。本文主要的研究的对象为伦敦市使用travelcard进行出行的用户。首先从伦敦市8个工作日的地铁+公交刷卡数据中随机抽样出30万个乘客的出行记录作为实验的样本。为了准确地从刷卡记录中提取出乘客的出行链信息,本文在先前研究方法中的提出的标准换乘时间比较法的基础上,准确地结合了公交线路数据和公交运行速度数据,成功地估算出了乘客乘坐公交的下车站点和乘车时间,得到乘客完整的出行信息。利用标准换乘时间与出行记录之间...
【文章来源】：东南大学江苏省 211工程院校 985工程院校 教育部直属院校
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
伦敦地铁网络图
第四章用户出行链计算与推测254.1.3KD-tree结构基本介绍KD-tree（k-dimensionaltree）是一种组织K维空间点进行空间数据分割的数据结构。KD-tree作为一种高效的数据结构被应用在很多领域，例如应用较多的范围搜索和最近邻搜索。索引结构中相似性查询有两种基本的方式：一种是范围查询（rangesearches），另一种是K近邻查询（K-neighborsearches）。范围查询是给定查询点和查询距离的阈值，并且从数据集中找到小于查询点的阈值的所有数据；当K=1时，就是最近邻查询（nearestneighborsearches）。KD-tree的原理是是将二叉树推广到多维数据的一种多维树状数据结构。Kd-tree的每一级在制定维度上分开所有的子节点。在树的根部所有子节点是以第一个指定的维度上被分开（如果第一维坐标小于根节点的点它将分在左边的子树中，如果大于根节点的点它将分在右边的子树中）。建立KD-tree最高效的方法是利用快速分割法，把指定维度的值放在树的根部，较小的值放图4.3Kd-tree结构示意图在左子树，较大的值放在右子树，直到用户准备分类的最后一个树仅有一个元素组成（如图4.3）。KD-tree在本文中主要应用在4.6小节中，多条出行链的重复值计算。该方法大大缩短了计算过程中的搜索时间，提高了运行效率。
第四章用户出行链计算与推测29图4.4伦敦部分轨道交通站点图另外一个问题涉及公交站点附近的地铁站准确识别。按照一般的思维逻辑，寻找某个站点附近最近的点通常所用的方法是:假设所求的点为O，为了能够求出离O点最近的几个点A,B,C,…。首先基于球面距离公式求出O点与伦敦地图中所有的地铁站点的距离。然后在对每一个距离进行排序比较，从中选出距离值最小几个相对应的点，就是O点的邻近点。本文采用建立KD-tree的方法来快速实现公交站附近最邻近地铁站点的搜寻。伦敦的公交与地铁站点的坐标主要的计算步骤为：1）确定伦敦地铁与公交的标准坐标值。2）对伦敦所有的地铁和公交站点建立KD-tree索引，便于找出公交站点附近的地铁站。3）取初始值K=3,得到K个地铁站的区域值，取个数较多的区值。由于部分地铁站的区值可能为多个，因此个数较多的取值不唯一。接着取k=k+1，重复计算K个地铁站的区域值，直到取到的区域值频次较多值唯一。4）得到目标公交站的区域估计值。4.4Travelcard合理乘车区间在本小节，重点将解决的两个问题是：一、基于智能卡数据推测用户Travelcard的合理乘车区间的确定。二、RTIC值的确定。其中，问题1的确定是顺利解决问题2的
本文编号：2956014
【文章来源】：东南大学江苏省 211工程院校 985工程院校 教育部直属院校
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
伦敦地铁网络图
第四章用户出行链计算与推测254.1.3KD-tree结构基本介绍KD-tree（k-dimensionaltree）是一种组织K维空间点进行空间数据分割的数据结构。KD-tree作为一种高效的数据结构被应用在很多领域，例如应用较多的范围搜索和最近邻搜索。索引结构中相似性查询有两种基本的方式：一种是范围查询（rangesearches），另一种是K近邻查询（K-neighborsearches）。范围查询是给定查询点和查询距离的阈值，并且从数据集中找到小于查询点的阈值的所有数据；当K=1时，就是最近邻查询（nearestneighborsearches）。KD-tree的原理是是将二叉树推广到多维数据的一种多维树状数据结构。Kd-tree的每一级在制定维度上分开所有的子节点。在树的根部所有子节点是以第一个指定的维度上被分开（如果第一维坐标小于根节点的点它将分在左边的子树中，如果大于根节点的点它将分在右边的子树中）。建立KD-tree最高效的方法是利用快速分割法，把指定维度的值放在树的根部，较小的值放图4.3Kd-tree结构示意图在左子树，较大的值放在右子树，直到用户准备分类的最后一个树仅有一个元素组成（如图4.3）。KD-tree在本文中主要应用在4.6小节中，多条出行链的重复值计算。该方法大大缩短了计算过程中的搜索时间，提高了运行效率。
第四章用户出行链计算与推测29图4.4伦敦部分轨道交通站点图另外一个问题涉及公交站点附近的地铁站准确识别。按照一般的思维逻辑，寻找某个站点附近最近的点通常所用的方法是:假设所求的点为O，为了能够求出离O点最近的几个点A,B,C,…。首先基于球面距离公式求出O点与伦敦地图中所有的地铁站点的距离。然后在对每一个距离进行排序比较，从中选出距离值最小几个相对应的点，就是O点的邻近点。本文采用建立KD-tree的方法来快速实现公交站附近最邻近地铁站点的搜寻。伦敦的公交与地铁站点的坐标主要的计算步骤为：1）确定伦敦地铁与公交的标准坐标值。2）对伦敦所有的地铁和公交站点建立KD-tree索引，便于找出公交站点附近的地铁站。3）取初始值K=3,得到K个地铁站的区域值，取个数较多的区值。由于部分地铁站的区值可能为多个，因此个数较多的取值不唯一。接着取k=k+1，重复计算K个地铁站的区域值，直到取到的区域值频次较多值唯一。4）得到目标公交站的区域估计值。4.4Travelcard合理乘车区间在本小节，重点将解决的两个问题是：一、基于智能卡数据推测用户Travelcard的合理乘车区间的确定。二、RTIC值的确定。其中，问题1的确定是顺利解决问题2的
本文编号：2956014
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/2956014.html
