基于时空建模的城市出行模式分析及其传导效应
发布时间：2021-07-19 10:32
如何以城市感知大数据为城市发展过程中所面临的诸多现实问题（如交通拥堵、城市规划等）提供科学合理的对策建议,是近年来城市计算领域的研究热点。然而,一方面城市感知数据时空分布不均衡,存在的“变分辨率”问题对于数据表示与刻画存在挑战;另一方面,城市多源感知数据在各自运行系统内相互独立,在语义知识方面彼此关联,因此充分有效融合多源感知数据也是城市计算领域所面临的又一个研究挑战。本文聚焦城市交通应用领域,综合利用出租车轨迹数据、滴滴出行数据、城市道路网络数据、气象数据和兴趣点等多源城市感知数据,分析城市环境下市民群体的出行时空特性与规律,在多时空粒度下挖掘人群出行模式,分析交通传导效应,并将城市出行模式及其传导效应应用于交通状况预测中。本文的研究工作主要包含以下三个方面:（1）城市感知数据时空多粒度结构化表示。在数据预处理阶段,针对城市感知数据的时空分布不均衡特性,本文提出了3DTree和细分-合并两种时空多粒度结构化表示方法,避免了传统时空数据表示方法效率低下、语义不准确、精度不高等问题,同时以不同类型、不同时间、不同地域的数据验证了所提时空多粒度结构化数据表示方法的稳定性、普适性和泛化能力。...
【文章来源】：西安科技大学陕西省
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
全文组织结构图
2城市出行模式分析及传导效应相关理论基础7模式，在不同时空粒度下做关联规则发现，空间粒度取1km*1km，2km*2km，3km*3km，时间粒度取1小时、2小时和3小时，分别研究不同时间粒度及空间粒度下的轨迹运动模式。多粒度关联规则发现结果如图2.1所示，研究结果表明：轨迹的属性和长度具有极强的时间依赖性，选择不同的空间粒度发现的轨迹运动模式差异较大。图2.1不同时间粒度及空间粒度下轨迹模式挖掘结果LingboLiu等[3]利用手机数据将城市空间固定为1km*1km的等粒度网格，研究不同时间尺度下的城市人口分布情况。统计工作时间及非工作时间的人口分布得出结论：中部地区就业集群相对紧促，城市结构呈现多元化趋势。HumbertoT[4]等利用手机数据分析城市大型活动（如：足球赛、音乐会、新年庆祝活动等）造成的人员迁移模式，预测移动电话网络基础设施的工作负载，帮助运营商基础设施规划来满足大型活动负载的容量需求。以空间等网格统计展会期间不同时段的人群流动模式发现：早晨9:45-10:00人们从四面八方向展会地点聚集，中午13:00-13:15人员流动较少，下午5:45-6:00展会结束，人员向四周扩散，其中东南方向有大量人员流动。刘瑜等[5]将北京市划分为11664个500m*500m的空间网格，结合城管执法数据、POI数据、出租车OD点数据和地铁出行数据预测网格内城市违法事件发生的概率。提取地理位置相关特征、POI相关特征、出租车相关特征，以随机森林预测每个网格是否会发生违法事件，预测结果准确率为88.7%。WeiLY等[6]基于空间等网格划分提出不确定路线的轨迹推断方法，该方法分为路径生成和路径细化两个阶段，生成阶段以top-k的方式生成连续的空间等网格路径，细化阶段从不确定轨迹的起点开始生成连续时空序列。WangQ等[7]对不同城市尺度的电能储量预测展开
龙瀛等[9]以北京市连续一周的公交卡刷卡数据为研究对象，以公交站点位置为中心生成Thiessen多边形划分多粒度城市空间，同时结合居民出行调查问卷、土地利用的具体类型数据来识别公共系统出行用户的居住地点、工作地点和人群频繁出行模式。把识别结果和挖掘到的人群出行模式在以公交站点为中心的泰森多边形上分析得出以下结论：从人群出行时间和出行路程角度挖掘人群出行模式，将发现的模式与居民出行调查问卷数据和其他北京市人群出行相关研究进行对比，对比结果显示泰森多边形发现的人群出行模式与其他数据相比比较吻合。图2.2Thiessen多边形的空间分布2.1.3基于道路网络的空间多粒度建模以城市道路作为最小研究单元也是常见的建模方式。RanWang等[10]通过聚类将城市路网划分为多粒度道路集群（如图2.3所示），邻近不同的颜色代表不同的道路群集，对每个道路群集建立极值学习机评价模型，评价模型反映每一条道路群集的出行需求状况。YuanJ等[11]结合轨迹数据集和POI信息提出DROF方法（DiscoversRegionsofdifferentFunctions，DROF）发现城市不同区域的功能。首先根据道路结构信息将城市划分为多粒度空间区域，然后使用基于主题的推断模型发现区域功能。该模型将多粒度空间区域视为文档，将功能视为主题，将行为模式视为语句，将POI及其他信息视为单词，以基于主题的模型推断城市功能的结果与TF-IDF和LDA的对比如图2.4所示。实验结果表明TF-IDF效果较差，DRoF稍优于LDA。
【参考文献】：
期刊论文
[1]基于夜间灯光数据的晋陕蒙能源消费碳排放时空格局[J]. 武娜,沈镭,钟帅. 地球信息科学学报. 2019(07)
[2]集成多源地理大数据感知城市空间分异格局[J]. 刘瑜,詹朝晖,朱递,柴彦威,马修军,邬伦. 武汉大学学报(信息科学版). 2018(03)
[3]一个基于基站轨迹数据的城市移动模式可视分析系统[J]. 李致昊,朱闽峰,黄兆嵩,丁铁成,罗月童,葛嘉恒,陈为. 计算机辅助设计与图形学学报. 2018(01)
[4]基于多尺度空间聚类的江西省经济区域划分[J]. 邹凤琼,张刚华. 地域研究与开发. 2017(05)
[5]基于CNN特征空间的微博多标签情感分类[J]. 孙松涛,何炎祥. 工程科学与技术. 2017(03)
[6]基于AdaBoost分类器的实时交通事故预测[J]. 张军,胡震波,朱新山. 计算机应用. 2017(01)
[7]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)
[8]关联规则挖掘综述[J]. 崔妍,包志强. 计算机应用研究. 2016(02)
[9]城市计算概述[J]. 郑宇. 武汉大学学报(信息科学版). 2015(01)
[10]基于多尺度空间划分与路网建模的城市移动轨迹模式挖掘[J]. 王亮,胡琨元,库涛,吴俊伟. 自动化学报. 2015(01)
本文编号：3290538
【文章来源】：西安科技大学陕西省
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
全文组织结构图
2城市出行模式分析及传导效应相关理论基础7模式，在不同时空粒度下做关联规则发现，空间粒度取1km*1km，2km*2km，3km*3km，时间粒度取1小时、2小时和3小时，分别研究不同时间粒度及空间粒度下的轨迹运动模式。多粒度关联规则发现结果如图2.1所示，研究结果表明：轨迹的属性和长度具有极强的时间依赖性，选择不同的空间粒度发现的轨迹运动模式差异较大。图2.1不同时间粒度及空间粒度下轨迹模式挖掘结果LingboLiu等[3]利用手机数据将城市空间固定为1km*1km的等粒度网格，研究不同时间尺度下的城市人口分布情况。统计工作时间及非工作时间的人口分布得出结论：中部地区就业集群相对紧促，城市结构呈现多元化趋势。HumbertoT[4]等利用手机数据分析城市大型活动（如：足球赛、音乐会、新年庆祝活动等）造成的人员迁移模式，预测移动电话网络基础设施的工作负载，帮助运营商基础设施规划来满足大型活动负载的容量需求。以空间等网格统计展会期间不同时段的人群流动模式发现：早晨9:45-10:00人们从四面八方向展会地点聚集，中午13:00-13:15人员流动较少，下午5:45-6:00展会结束，人员向四周扩散，其中东南方向有大量人员流动。刘瑜等[5]将北京市划分为11664个500m*500m的空间网格，结合城管执法数据、POI数据、出租车OD点数据和地铁出行数据预测网格内城市违法事件发生的概率。提取地理位置相关特征、POI相关特征、出租车相关特征，以随机森林预测每个网格是否会发生违法事件，预测结果准确率为88.7%。WeiLY等[6]基于空间等网格划分提出不确定路线的轨迹推断方法，该方法分为路径生成和路径细化两个阶段，生成阶段以top-k的方式生成连续的空间等网格路径，细化阶段从不确定轨迹的起点开始生成连续时空序列。WangQ等[7]对不同城市尺度的电能储量预测展开
龙瀛等[9]以北京市连续一周的公交卡刷卡数据为研究对象，以公交站点位置为中心生成Thiessen多边形划分多粒度城市空间，同时结合居民出行调查问卷、土地利用的具体类型数据来识别公共系统出行用户的居住地点、工作地点和人群频繁出行模式。把识别结果和挖掘到的人群出行模式在以公交站点为中心的泰森多边形上分析得出以下结论：从人群出行时间和出行路程角度挖掘人群出行模式，将发现的模式与居民出行调查问卷数据和其他北京市人群出行相关研究进行对比，对比结果显示泰森多边形发现的人群出行模式与其他数据相比比较吻合。图2.2Thiessen多边形的空间分布2.1.3基于道路网络的空间多粒度建模以城市道路作为最小研究单元也是常见的建模方式。RanWang等[10]通过聚类将城市路网划分为多粒度道路集群（如图2.3所示），邻近不同的颜色代表不同的道路群集，对每个道路群集建立极值学习机评价模型，评价模型反映每一条道路群集的出行需求状况。YuanJ等[11]结合轨迹数据集和POI信息提出DROF方法（DiscoversRegionsofdifferentFunctions，DROF）发现城市不同区域的功能。首先根据道路结构信息将城市划分为多粒度空间区域，然后使用基于主题的推断模型发现区域功能。该模型将多粒度空间区域视为文档，将功能视为主题，将行为模式视为语句，将POI及其他信息视为单词，以基于主题的模型推断城市功能的结果与TF-IDF和LDA的对比如图2.4所示。实验结果表明TF-IDF效果较差，DRoF稍优于LDA。
【参考文献】：
期刊论文
[1]基于夜间灯光数据的晋陕蒙能源消费碳排放时空格局[J]. 武娜,沈镭,钟帅. 地球信息科学学报. 2019(07)
[2]集成多源地理大数据感知城市空间分异格局[J]. 刘瑜,詹朝晖,朱递,柴彦威,马修军,邬伦. 武汉大学学报(信息科学版). 2018(03)
[3]一个基于基站轨迹数据的城市移动模式可视分析系统[J]. 李致昊,朱闽峰,黄兆嵩,丁铁成,罗月童,葛嘉恒,陈为. 计算机辅助设计与图形学学报. 2018(01)
[4]基于多尺度空间聚类的江西省经济区域划分[J]. 邹凤琼,张刚华. 地域研究与开发. 2017(05)
[5]基于CNN特征空间的微博多标签情感分类[J]. 孙松涛,何炎祥. 工程科学与技术. 2017(03)
[6]基于AdaBoost分类器的实时交通事故预测[J]. 张军,胡震波,朱新山. 计算机应用. 2017(01)
[7]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)
[8]关联规则挖掘综述[J]. 崔妍,包志强. 计算机应用研究. 2016(02)
[9]城市计算概述[J]. 郑宇. 武汉大学学报(信息科学版). 2015(01)
[10]基于多尺度空间划分与路网建模的城市移动轨迹模式挖掘[J]. 王亮,胡琨元,库涛,吴俊伟. 自动化学报. 2015(01)
本文编号：3290538
本文链接：https://www.wllwen.com/shoufeilunwen/boshibiyelunwen/3290538.html
