基于地铁刷卡数据的城市居民出行行为时空特征分析
发布时间：2021-09-03 19:31
城市居民出行影响着城市生活的方方面面,对城市居民出行行为时空特征的分析与探索是城市地理学与交通工程领域研究的热点问题。一方面,形式各异的海量交通数据信息,为全面解析城市居民出行时空特征提供数据源。另一方面,新兴时空分析模型能够有效地分析时间、空间和属性三者之间的相互作用关系,为揭示城市居民出行活动的时空特征提供手段。城市轨道交通是居民绿色出行、缓解我国大城市交通拥堵的重要交通方式。在人们的日常出行中,随着轨道交通扮演的角色越来越突出,地铁客流随之上升,同时产生了大量的地铁交通数据。利用这些数据,能够帮助我们更好地研究城市居民的出行时空特征。本文利用南京市地铁刷卡数据、南京市地铁网络数据和天气记录数据,在梳理南京城市居民出行一般规律的基础上,分析了居民购物休闲出行的时空特征,重点探讨了天气因素对城市居民地铁出行的影响机理。本文的主要成果如下:（1）研究了城市居民地铁出行的时空特征,研究发现:在时间维度上,工作日有早晚两个高峰时间段,分别是上午7:00-9:00和下午17:00-19:00,周末并无明显的高峰时间段,且周五的客流量均比其他六天的客流量大;2号线承载的地铁客流量最大,一天中各...
【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】：72 页
【学位级别】：硕士
【部分图文】：
研究区域与南京市地铁线路和站点分布图
东南大学硕士学位论文16量，则该站点表现为较强的客流发生能力，反之则具有较强的客流吸引能力。在时间维度上，站点对客流的发生和吸引可以反映居民的来往分布特征；在空间维度上，站点对客流的发生和吸引可以体现出客流的流向。图2.11、图2.12和图2.13分别表示早高峰（7:00-9:00）、晚高峰（17:00-19:00）和全日居民出行的站点发生量与吸引量情况。（1）早高峰站点发生量与吸引量分析从图2.11可以看出，在早高峰时段产生较高客流量的站点一般位于市中心区域。其中，最大出行发生量位于迈皋桥站，其次为柳州东路站和油坊桥站，由实际情况得知这三个站点皆处于大型居住区，早高峰时段上班出行的人流量较大，导致较高的发生量；最大出行吸引量位于新街口站，其次为该站点周围上海路站、大行宫站、珠江路站和鼓楼站，新街口地区是南京市中心区域，拥有强大的就业吸引力，故早高峰时段来此区域上班的人流量大。图2.11早高峰各站点出行发生量（左）与吸引量（右）（2）晚高峰站点发生量与吸引量分析从图2.12可以看出，相比较早高峰时段的客流情况，晚高峰各站点的出行发生量和吸引量特征没有特别明显，特别是出行吸引量图。其中，最大出行发生量是新街口地铁站，其次是其周围的珠江路站、鼓楼站和大行宫站，从早高峰出行图中已经得知这些地铁站有着较强的就业吸引力，于是在晚高峰时段下班的人们同样会从这些站点出发完成归程。然而，晚高峰的出行吸引量并没有显现出较大客流量的站点，这是因为在下班后人们会选择进行其他的休闲娱乐活动，并不是第一时间回家；相较而言，吸引量大的是新街口站、油坊桥站和迈皋桥站，前文已经提及油坊桥和迈皋桥地铁站位于居民住宅聚集区域，下班回家的客流量较大，而新街口站可能是由于其大型商圈的特性吸引着下班后
东南大学硕士学位论文16量，则该站点表现为较强的客流发生能力，反之则具有较强的客流吸引能力。在时间维度上，站点对客流的发生和吸引可以反映居民的来往分布特征；在空间维度上，站点对客流的发生和吸引可以体现出客流的流向。图2.11、图2.12和图2.13分别表示早高峰（7:00-9:00）、晚高峰（17:00-19:00）和全日居民出行的站点发生量与吸引量情况。（1）早高峰站点发生量与吸引量分析从图2.11可以看出，在早高峰时段产生较高客流量的站点一般位于市中心区域。其中，最大出行发生量位于迈皋桥站，其次为柳州东路站和油坊桥站，由实际情况得知这三个站点皆处于大型居住区，早高峰时段上班出行的人流量较大，导致较高的发生量；最大出行吸引量位于新街口站，其次为该站点周围上海路站、大行宫站、珠江路站和鼓楼站，新街口地区是南京市中心区域，拥有强大的就业吸引力，故早高峰时段来此区域上班的人流量大。图2.11早高峰各站点出行发生量（左）与吸引量（右）（2）晚高峰站点发生量与吸引量分析从图2.12可以看出，相比较早高峰时段的客流情况，晚高峰各站点的出行发生量和吸引量特征没有特别明显，特别是出行吸引量图。其中，最大出行发生量是新街口地铁站，其次是其周围的珠江路站、鼓楼站和大行宫站，从早高峰出行图中已经得知这些地铁站有着较强的就业吸引力，于是在晚高峰时段下班的人们同样会从这些站点出发完成归程。然而，晚高峰的出行吸引量并没有显现出较大客流量的站点，这是因为在下班后人们会选择进行其他的休闲娱乐活动，并不是第一时间回家；相较而言，吸引量大的是新街口站、油坊桥站和迈皋桥站，前文已经提及油坊桥和迈皋桥地铁站位于居民住宅聚集区域，下班回家的客流量较大，而新街口站可能是由于其大型商圈的特性吸引着下班后
【参考文献】：
期刊论文
[1]时空大数据背景下并行数据处理分析挖掘的进展及趋势[J]. 关雪峰,曾宇媚. 地理科学进展. 2018(10)
[2]北京市地铁客流的时空分布格局及特征——基于智能交通卡数据[J]. 黄洁,王姣娥,靳海涛,金凤君. 地理科学进展. 2018(03)
[3]公交IC卡数据客流预测模型研究[J]. 谢振东,刘雪琴,吴金成,冷梦甜. 广东工业大学学报. 2018(01)
[4]基于智能公交卡数据的出行行为的时空间分析及规划启示——以布里斯班为例[J]. 陶遂. 上海城市规划. 2017(05)
[5]节假日城市轨道交通客流特征分析——以北京市为例[J]. 刘若鸿,吴海燕. 智能城市. 2017(03)
[6]多元化的多样性:连续6周交通日志的购物出行分析（英文）[J]. Yi-lin SUN,Ari TARIGAN,Owen WAYGOOD,Dian-hai WANG. Journal of Zhejiang University-Science A（Applied Physics & Engineering）. 2017(03)
[7]合肥市农民工日常购物行为时空分布特征研究[J]. 杜席,赵春雨. 科技和产业. 2016(07)
[8]基于智能卡数据的地铁周边职住用地识别与分析[J]. 曹瑞,涂伟,巢佰崇,罗年学,周檬,李清泉. 测绘地理信息. 2016(03)
[9]上海市职住关系和通勤特征分析研究——基于轨道交通客流数据视角[J]. 许志榕. 上海城市规划. 2016(02)
[10]基于SARIMA模型的北京地铁进站客流量预测[J]. 王莹,韩宝明,张琦,李得伟. 交通运输系统工程与信息. 2015(06)
博士论文
[1]站点周边用地特性对轨道客流影响机理研究[D]. 王淑伟.北京工业大学 2015
[2]城市轨道交通系统与城市功能组织协调发展研究[D]. 任利剑.天津大学 2014
[3]基于时空视角的轨道交通与城市空间耦合发展研究[D]. 盛来芳.北京交通大学 2012
硕士论文
[1]地貌环境约束下自行车交通系统规划研究[D]. 胡家骏.西安建筑科技大学 2018
[2]城市轨道交通线路布局与土地利用相互关系研究[D]. 刘伟.西安建筑科技大学 2018
[3]基于GPS轨迹数据的居民出行行为特征分析[D]. 盛勇.江西理工大学 2018
[4]城市轨道交通网络客流分配理论与控制技术研究[D]. 吴正阳.西南交通大学 2018
[5]山地城市轨道站点吸引范围研究[D]. 王振科.重庆交通大学 2018
[6]基于多源公共交通大数据的上海市居民出行特征研究[D]. 巫晓玲.南京师范大学 2018
[7]基于出行链的公交乘客出行特征分析[D]. 王俊兵.北京交通大学 2017
[8]基于出租车GPS数据的居民出行分析[D]. 刘敬帅.兰州理工大学 2017
[9]基于海量IC卡数据的乘客出行网络及动力学研究[D]. 鲍登.西南大学 2017
[10]降雨天气条件下短时公交客流预测研究[D]. 刘欣彤.哈尔滨工业大学 2016
本文编号：3381727
【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】：72 页
【学位级别】：硕士
【部分图文】：
研究区域与南京市地铁线路和站点分布图
东南大学硕士学位论文16量，则该站点表现为较强的客流发生能力，反之则具有较强的客流吸引能力。在时间维度上，站点对客流的发生和吸引可以反映居民的来往分布特征；在空间维度上，站点对客流的发生和吸引可以体现出客流的流向。图2.11、图2.12和图2.13分别表示早高峰（7:00-9:00）、晚高峰（17:00-19:00）和全日居民出行的站点发生量与吸引量情况。（1）早高峰站点发生量与吸引量分析从图2.11可以看出，在早高峰时段产生较高客流量的站点一般位于市中心区域。其中，最大出行发生量位于迈皋桥站，其次为柳州东路站和油坊桥站，由实际情况得知这三个站点皆处于大型居住区，早高峰时段上班出行的人流量较大，导致较高的发生量；最大出行吸引量位于新街口站，其次为该站点周围上海路站、大行宫站、珠江路站和鼓楼站，新街口地区是南京市中心区域，拥有强大的就业吸引力，故早高峰时段来此区域上班的人流量大。图2.11早高峰各站点出行发生量（左）与吸引量（右）（2）晚高峰站点发生量与吸引量分析从图2.12可以看出，相比较早高峰时段的客流情况，晚高峰各站点的出行发生量和吸引量特征没有特别明显，特别是出行吸引量图。其中，最大出行发生量是新街口地铁站，其次是其周围的珠江路站、鼓楼站和大行宫站，从早高峰出行图中已经得知这些地铁站有着较强的就业吸引力，于是在晚高峰时段下班的人们同样会从这些站点出发完成归程。然而，晚高峰的出行吸引量并没有显现出较大客流量的站点，这是因为在下班后人们会选择进行其他的休闲娱乐活动，并不是第一时间回家；相较而言，吸引量大的是新街口站、油坊桥站和迈皋桥站，前文已经提及油坊桥和迈皋桥地铁站位于居民住宅聚集区域，下班回家的客流量较大，而新街口站可能是由于其大型商圈的特性吸引着下班后
东南大学硕士学位论文16量，则该站点表现为较强的客流发生能力，反之则具有较强的客流吸引能力。在时间维度上，站点对客流的发生和吸引可以反映居民的来往分布特征；在空间维度上，站点对客流的发生和吸引可以体现出客流的流向。图2.11、图2.12和图2.13分别表示早高峰（7:00-9:00）、晚高峰（17:00-19:00）和全日居民出行的站点发生量与吸引量情况。（1）早高峰站点发生量与吸引量分析从图2.11可以看出，在早高峰时段产生较高客流量的站点一般位于市中心区域。其中，最大出行发生量位于迈皋桥站，其次为柳州东路站和油坊桥站，由实际情况得知这三个站点皆处于大型居住区，早高峰时段上班出行的人流量较大，导致较高的发生量；最大出行吸引量位于新街口站，其次为该站点周围上海路站、大行宫站、珠江路站和鼓楼站，新街口地区是南京市中心区域，拥有强大的就业吸引力，故早高峰时段来此区域上班的人流量大。图2.11早高峰各站点出行发生量（左）与吸引量（右）（2）晚高峰站点发生量与吸引量分析从图2.12可以看出，相比较早高峰时段的客流情况，晚高峰各站点的出行发生量和吸引量特征没有特别明显，特别是出行吸引量图。其中，最大出行发生量是新街口地铁站，其次是其周围的珠江路站、鼓楼站和大行宫站，从早高峰出行图中已经得知这些地铁站有着较强的就业吸引力，于是在晚高峰时段下班的人们同样会从这些站点出发完成归程。然而，晚高峰的出行吸引量并没有显现出较大客流量的站点，这是因为在下班后人们会选择进行其他的休闲娱乐活动，并不是第一时间回家；相较而言，吸引量大的是新街口站、油坊桥站和迈皋桥站，前文已经提及油坊桥和迈皋桥地铁站位于居民住宅聚集区域，下班回家的客流量较大，而新街口站可能是由于其大型商圈的特性吸引着下班后
【参考文献】：
期刊论文
[1]时空大数据背景下并行数据处理分析挖掘的进展及趋势[J]. 关雪峰,曾宇媚. 地理科学进展. 2018(10)
[2]北京市地铁客流的时空分布格局及特征——基于智能交通卡数据[J]. 黄洁,王姣娥,靳海涛,金凤君. 地理科学进展. 2018(03)
[3]公交IC卡数据客流预测模型研究[J]. 谢振东,刘雪琴,吴金成,冷梦甜. 广东工业大学学报. 2018(01)
[4]基于智能公交卡数据的出行行为的时空间分析及规划启示——以布里斯班为例[J]. 陶遂. 上海城市规划. 2017(05)
[5]节假日城市轨道交通客流特征分析——以北京市为例[J]. 刘若鸿,吴海燕. 智能城市. 2017(03)
[6]多元化的多样性:连续6周交通日志的购物出行分析（英文）[J]. Yi-lin SUN,Ari TARIGAN,Owen WAYGOOD,Dian-hai WANG. Journal of Zhejiang University-Science A（Applied Physics & Engineering）. 2017(03)
[7]合肥市农民工日常购物行为时空分布特征研究[J]. 杜席,赵春雨. 科技和产业. 2016(07)
[8]基于智能卡数据的地铁周边职住用地识别与分析[J]. 曹瑞,涂伟,巢佰崇,罗年学,周檬,李清泉. 测绘地理信息. 2016(03)
[9]上海市职住关系和通勤特征分析研究——基于轨道交通客流数据视角[J]. 许志榕. 上海城市规划. 2016(02)
[10]基于SARIMA模型的北京地铁进站客流量预测[J]. 王莹,韩宝明,张琦,李得伟. 交通运输系统工程与信息. 2015(06)
博士论文
[1]站点周边用地特性对轨道客流影响机理研究[D]. 王淑伟.北京工业大学 2015
[2]城市轨道交通系统与城市功能组织协调发展研究[D]. 任利剑.天津大学 2014
[3]基于时空视角的轨道交通与城市空间耦合发展研究[D]. 盛来芳.北京交通大学 2012
硕士论文
[1]地貌环境约束下自行车交通系统规划研究[D]. 胡家骏.西安建筑科技大学 2018
[2]城市轨道交通线路布局与土地利用相互关系研究[D]. 刘伟.西安建筑科技大学 2018
[3]基于GPS轨迹数据的居民出行行为特征分析[D]. 盛勇.江西理工大学 2018
[4]城市轨道交通网络客流分配理论与控制技术研究[D]. 吴正阳.西南交通大学 2018
[5]山地城市轨道站点吸引范围研究[D]. 王振科.重庆交通大学 2018
[6]基于多源公共交通大数据的上海市居民出行特征研究[D]. 巫晓玲.南京师范大学 2018
[7]基于出行链的公交乘客出行特征分析[D]. 王俊兵.北京交通大学 2017
[8]基于出租车GPS数据的居民出行分析[D]. 刘敬帅.兰州理工大学 2017
[9]基于海量IC卡数据的乘客出行网络及动力学研究[D]. 鲍登.西南大学 2017
[10]降雨天气条件下短时公交客流预测研究[D]. 刘欣彤.哈尔滨工业大学 2016
本文编号：3381727
本文链接：https://www.wllwen.com/kejilunwen/jiaotonggongchenglunwen/3381727.html
