CN105469157A - 路侧停车需求对停车费率敏感度的空间异质性分析方法 - Google Patents
路侧停车需求对停车费率敏感度的空间异质性分析方法 Download PDFInfo
- Publication number
- CN105469157A CN105469157A CN201510789881.4A CN201510789881A CN105469157A CN 105469157 A CN105469157 A CN 105469157A CN 201510789881 A CN201510789881 A CN 201510789881A CN 105469157 A CN105469157 A CN 105469157A
- Authority
- CN
- China
- Prior art keywords
- parking
- block
- model
- demand
- spatial
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种路侧停车需求对收费价格敏感度的空间异质性分析方法,基于地理加权回归模型和历史数据分析不同空间位置的路侧停车需求对收费价格的敏感度分布规律,采用空间权重矩阵描述了停车需求对价格敏感性的空间异质性,同时基于广义线性回归模型分析了空间异质性的影响因素并构建路侧停车需求弹性预测模型。弥补了之前停车需求与收费价格关系建模中参数全局固定缺乏考虑空间异质性的不足,同时构建了路段、居民信息等与需求弹性间的关系模型,可以差异化分析不同空间位置需求弹性的差异。实例显示,本发明提出的路侧停车需求对收费价格敏感度的空间异质性分析方法为分区域的动态停车收费奠定良好的理论基础,优于以往模型。
Description
技术领域
本发明涉及城市道路交通停车管理与控制领域,特别是一种路侧停车需求对收费价格敏感度的空间异质性分析方法。
背景技术
停车系统中,停车价格是影响驾驶员停车的关键参数,因此停车费率的动态调整成为增加大城市路边可用停车空间的有力工具。现有研究表明最佳停车占有率水平为85%左右或每一街区至少留有一到两个公共停车位,使得驾驶员能更快找到停车位。通过调节停车费用控制停车供需的最终目标是使路侧停车位能准确达到预期停车占有率水平,充分考虑空间异质性对需求弹性的影响能有效修正动态停车费与停车占有率间的关系模型。因此,路侧停车需求对收费价格敏感度的空间异质性分析方法,更细致的分析和描述了停车费和停车需求之间的关系,有利于更准确的预测不同街区存在差异的需求弹性。
目前的动态停车收费方法中主要考虑了需求弹性的时间属性,现有停车费率计算模型中的参数是全局固定且不具备空间性的,对于空间因素对需求弹性的影响考虑不足,不同空间特性对停车需求的影响是截然不同的,不同地区的需求弹性高低不同,因此,以往不加区分的动态停车收费方法可能无法达到预期的停车占有率。本发明提出路侧停车需求对收费价格敏感度的空间异质性分析方法,相比于以往的动态停车收费策略,本发明提出的算法有效分析了不同空间位置内需求弹性的差异性,针对需求弹性具有空间异质性这一特性进行模型描述,为实现分区域差异化的动态停车收费策略奠定了理论基础。
发明内容
发明目的:现有动态停车收费算法中仅考虑了停车需求对价格敏感度的时间特性,对于其空间异质性缺乏考虑因而没有充分考虑价格弹性的空间不均衡性,对于不同街区在同一时段采用统一的需求弹性值。除此之外,也没有考虑社会人口和街区级别特征对价格弹性的影响,导致动态停车收费策略对停车占有率的调整能力受限。本发明提出一种路侧停车需求对收费价格敏感度的空间异质性分析方法,充分考虑了不同街区停车需求对收费价格的不同敏感性,同时分析归纳得到不同街区弹性需求与该街区的居民、路段信息等参数的关系,这一改进为分区域的差异化动态停车收费策略奠定了理论基础。
技术方案:为实现上述目的,本发明的路侧停车需求对停车费率敏感度的空间异质性分析方法,步骤如下:
步骤1:将各街区依序编号为1,2,……n,n为正整数,并将每天的活动时段划分为整数个时段作为作为停车费率调整的最小单位,采集各街区i的停车数据、历史时空变量数据与历史社会人口数据,所述停车数据包括停车占有率与停车费率,其中i=1,2,……n;
步骤2:以各街区i与其他街区的距离为参照构建各街区i的空间权重矩阵用于描述各街区i的空间异质性,先将停车费率变化百分比作为GWR模型的解释变量,不断添加时空变量与社会人口变量作为解释变量到模型表达式,并计算模型的AICc值,最终AICc值最小的GWR模型为最终模型,再根据最终GWR模型中的解释变量与空间权重矩阵可求得各街区GWR模型的模型参数;
步骤3:基于GLM模型分析需求弹性的影响因素,挑选解释变量,代入软件进行广义线性回归得到路侧停车需求弹性预测模型;
步骤4:采集步骤4中得到的停车需求弹性预测模型中各解释变量当前时段的数据,代入计算各街区的需求弹性值,实时采集得到当前时段各街区的停车占有率,计算街区当前时段的停车费率。
进一步地,所述步骤2的具体步骤为:
201)构建街区i的空间权重矩阵W(i)用于描述路侧停车需求对停车费率敏感度的空间异质性,其中i=1,2,……n,空间权重矩阵的形式为
其中,wij是回归街区i的回归方程中街区j的权重,表示街区j对街区i的影响,其中j=1,2,……n,wij的计算公式采用Bi-square函数,具体为
其中,Gi为Bi-square函数中的带宽参数,||ui-uj||为街区i和街区j之间的直线距离;
202)首先仅挑选停车费率变化百分比作为GWR模型的解释变量,然后将步骤103)中采集的时空变量与社会人口变量添加到模型表达式,同时监测这些变量的影响程度和模型的AICc值,选择解释变量需要迭代数次,最终AICc值最小的GWR模型为最终模型;
203)依据步骤202)中所得的最终模型中的解释变量的历史数据和步骤201)中得到的空间权重矩阵W(i),计算各街区i的GWR模型参数β(i);
GWR模型最终表达式为
occChange=β0(ui)+β1(ui)rateChange+β2(ui)X2+β3(ui)X3+…+βJ(ui)XJ+ε1
其中,ui=(uxi,uyi)为第i个街区空间位置的二维坐标,occChange为各街区的停车占有率变化百分比变量,rateChange和X2~XJ分别对应停车费率变化百分比和第三步中得到的最终GWR模型中的其余解释变量,J为正整数;ε1为误差项;β0(ui)、β1(ui)…βJ(ui)为模型参数,可以组合成如下矩阵形式:
其中,每行代表一个街区的GWR模型参数值,街区i的GWR模型参数值计算公式为:
β(i)=(XTW(i)X)-1XTW(i)occChange。
进一步地,所述步骤3的具体步骤为:
301)由步骤3所得各街区i的GWR模型参数β(i)可知各街区i的需求弹性值β1(i),将β1(i)作为GLM模型中的因变量priElasticity,GLM模型的表达式为:
priElasticity=β0+β1X1+β2X2+β3X3+…+βJXJ+ε2
其中,priElasticity为GWR模型输出的各街区的需求弹性值,Xm为第m个解释变量且m=2、3、…J;βn为第n个模型参数且n=0,1,…,J;ε2为误差项;
302)采用R软件的极大似然估计法估算GLM模型中的参数β值,得到各街区i标定后的基于预测变量的停车需求弹性预测模型。
进一步地,所述步骤5中停车费率的计算方法为:
其中,为r(i,t)为当前时段街区i的停车费率,r(i,t-1)为前一时段街区i的停车费率,p(i)为当前时段街区i的需求弹性,o(i)为当前时段街区i的停车占有率。
进一步地,所述步骤1中的停车占有率由安装在每个路侧停车位的路侧停车位传感器采集,所述路侧停车位传感器可感知本停车位是否有车辆停泊。
进一步地,所述步骤1中的停车费率由智能计价器动态调整,所述智能计价器安装在每个路侧停车位上,智能计价器依据街区位置、时间和星期调整停车费率。
进一步地,优选将每天的活动时段划分为5个时段,分别为早上7点到9点、9点到12点、12点到下午4点、下午4点至7点以及下午7点至晚上9点。
进一步地,所述步骤1中的时空变量包括街区的位置、时段以及星期。
进一步地,所述步骤1中的社会人口数据包括但不限于停车占有率、停车费率、时段、工作日/周末、自行车停车位数量、远离路边的停车位数量、运营企业数量、营业餐馆数量、人口、平均收入、贫困人口比例、平均年龄、平均家庭拥有车辆数、平均家庭规模。
有益效果:本发明的路侧停车需求对收费价格敏感度的空间异质性分析方法,基于地理加权回归模型和历史数据分析不同空间位置的路侧停车需求对收费价格的敏感度分布规律,采用空间权重矩阵描述了停车需求对价格敏感性的空间异质性,同时基于广义线性回归模型分析了空间异质性的影响因素并构建路侧停车需求弹性预测模型。弥补了之前停车需求与收费价格关系建模中参数全局固定缺乏考虑空间异质性的不足,同时构建了路段、居民信息等与需求弹性间的关系模型,可以差异化分析不同空间位置需求弹性的差异。实例显示,本发明提出的路侧停车需求对收费价格敏感度的空间异质性分析方法为分区域的动态停车收费奠定良好的理论基础,优于以往模型。
附图说明
附图1为本发明路侧停车需求对收费价格敏感度的空间异质性分析方法的流程图;
附图2为停车占有率变化和停车费率变化关系图;
附图3为广义线性回归结果图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
本发明是基于地理加权回归法(GWR)和广义线性回归法(GLM)提出的路侧停车需求对收费价格敏感度的空间异质性分析方法,通过路侧停车位传感器采集停车占有率信息,基于各街区间的直线距离采用Bi-square函数产生各街区的空间权重矩阵用以描述空间异质性,基于历史书和GWR模型回归得到需求弹性在不同空间位置的分布规律,基于GLM模型回归得到影响需求弹性的因素并构建路侧停车需求弹性预测模型,依据街道、居民等空间特性对路侧停车需求对价格的敏感度进行预测。路侧停车需求对收费价格敏感度的空间异质性分析方法的流程图如图1所示。
路侧停车需求对收费价格敏感度的空间异质性分析方法的具体步骤为:
步骤1:
在各路侧停车位安装路侧停车位传感器及智能计价器,采集停车数据、时空变量数据以及社会人口数据变量。具体方法为:
101)将每天活动时段划分为多个时段作为停车费率调整的最小分析单位,具体时段划分方法因不同国家和地区情况而异,针对中国提出的推荐划分方法为:将每天活动时段划分为五个时段,分别是早上7点到9点(时段1),9点到12点(时段2),12点到下午4点(时段3),下午4点至7点(时段4)以及下午7点至晚上9点(时段5)。对控制范围内的街区依序标号1,2,…,n。
102)采集各路侧停车位各时刻的停车占有率数据并上传至数据处理中心,同时设置能依据位置、时间和星期改变停车价格的智能计价器进行动态停车收费。停车占有率数据采用路侧停车位传感器代替路侧停车位交易数据估算的方法,使停车数据更精确。
103)采集构建GWR模型和GLM模型所需的历史数据,包括往年停车占有率、停车费率、时段、工作日/周末、自行车停车位数量、远离路边的停车位数量、运营企业数量、营业餐馆数量、人口、平均收入、贫困人口比例、平均年龄、平均家庭拥有车辆数、平均家庭规模。
步骤2:
201)由于本发明提出路侧停车需求对收费价格敏感度存在空间异质性,其中空间异质性是指不同空间位置对应的参数大小不同,因此需要采用不同街区的空间权重差异来描述空间异质性。分别产生各街区i的空间权重矩阵W(i)的具体方法为,由于第三步中的GWR建模框架中,各街区的回归方程由附近街区的观察值估算得到,距离回归街区越近的街区数据权重越大。因此,各街区i(i=1,2,…,n)的空间权重矩阵W(i)的计算公式如下:
其中,wij(j=1,2,…,n)是回归街区i的回归方程中街区j的权重,计算公式如下:
其中,Gi为Bi-square函数中的带宽参数,||ui-uj||为街区i和街区j之间的直线距离。
回归街区i的回归方程中街区j的权重wij的计算公式采用Bi-square函数,Bi-square函数(自适应内核)可以根据密度随空间的改变而变动加权方案。实现数据稀疏的内核拥有更大的带宽,数据充足的内核有较小的带宽。从而避免因校准数据点过少导致的参数估计出现较大标准差和不可预知的结果。
202)首先仅挑选停车费率变化百分比作为GWR模型的解释变量,然后将步骤103)中采集的时空变量与社会人口变量添加到模型表达式,同时监测这些变量的影响程度和模型的AICc值,选择解释变量需要迭代数次,最终AICc值最小的GWR模型为最终模型;
203)依据103)和202)中所得的最终模型中解释变量的历史数据和201)中计算得到的各街区i的空间权重矩阵W(i),计算各街区i的GWR模型参数β(i)。
具体方法为,GWR模型的表达式为:
occChange=β0(ui)+β1(ui)rateChange+β2(ui)X2+β3(ui)X3+…+βJ(ui)XJ+ε1(3)其中,ui=(uxi,uyi)为第i个街区空间位置的二维坐标,occChange为各街区的停车占有率变化百分比变量,rateChange和X2~XJ分别对应停车费率变化百分比和其余解释变量,J为正整数;ε1为误差项;其中的模型参数β0(ui)、β1(ui)…βJ(ui),i=1,2,……n可以组合成如下矩阵形式:
其中,每行代表一个街区的GWR模型参数值,街区i的GWR模型参数值计算公式为:
β(i)=(XTW(i)X)-1XTW(i)occChange(5)
步骤3:基于GLM模型构建基于预测变量的停车需求弹性预测模型。具体方法为:
301)由步骤203)所得各街区i的GWR模型参数β(i)可知各街区i的需求弹性值β1(i),将β1(i)作为GLM模型中的因变量priElasticity。GLM模型的表达式为:
priElasticity=β0+β1X1+β2X2+β3X3+…+βJXJ+ε(6)
其中,priElasticity为GWR模型输出的各街区i的需求弹性值,Xm为第m个解释变量且m=2、3、…J;βn为第n个模型参数且n=0,1,…,J;ε2为误差项;
302)采用R软件的极大似然估计法估算参数β值,得到各街区i标定后的基于预测变量的停车需求弹性预测模型。
步骤4:基于第五步中建立的基于预测变量的停车需求弹性预测模型确定当前时刻各街区i的动态停车收费策略。具体方法为,对于街区i(i=1,2,…,n),将第一步采集得到的各解释变量的当前数据带入第五步得到的基于预测变量的停车需求弹性预测模型中,计算街区i的需求弹性priElasticity,记为符号p(i)。基于停车传感器实时采集当前时段街区i对应的停车占有率o(i),则街区i当前时段t的停车费率r(i,t)的计算方法为:
其中,r(i,t)为当前时段街区i的停车费率,r(i,t-1)为前一时段街区i的停车费率,p(i)为当前时段街区i的需求弹性,o(i)为当前时段街区i的停车占有率。
将本发明专利提出的GWR模型的预测结果与常用动态收费计算中采用的全局模型进行预测结果比较。具体方法为,预测结果比较的指标有三个,分别为:平均绝对偏差(MAD)、均方预测误差(MSPE)和Moran’sI。其中,MAD和MSPE用于衡量预
测精度,计算公式分别如公式(8)和公式(9)所示:
其中,Yi为观测到的街区i的停车占有率变化,为预测的停车占有率变化,N为街区数量。
Moran’sI测试则用于衡量各街区预测的需求弹性的残差是否与相邻街区空间特性有关,Moran’sI值的变化范围为-1(表示完全不相关)到+1(完全相关)。
总体模型和GWR模型预测精度的计算结果如下表所示:
模型 | MAD | MSPE | Moran’s I |
GWR模型 | 7.30 | 109.54 | 0.1113 |
全局模型 | 8.85 | 152.37 | 0.2029 |
结果表明GWR模型的MAD和MSPE值均小于全局模型,分别比全局模型减少了17.50%和28.11%,因此GWR模型对各街区的停车需求预测更精确。同时,Moran’sI统计值测试表明,GWR模型考虑了需求弹性的空间异质性因而残差的空间相关性较弱。
下面结合附图对发明的动态停车收费方法进行了实例演示:
在旧金山地区6000个路边停车位设置智能停车表,可以根据位置、时间、星期改变停车价格,将每天活动时间划分为五个时段,分别是早上7点到9点(时段1),9点到12点(时段2),12点到下午4点(时段3),下午4点至7点(时段4)以及下午7点至晚上9点(时段5)。通过在路侧停车位设置传感器采集停车占有率数据。从旧金山开放数据源获取街区特征数据,从城市数据获取社会人口相关数据。上述变量的统计信息如表1所示。
表1变量的描述性统计表
变量 | 描述 | 最小值 | 最大值 | 中间值 | 标准差6 --> |
parkOcc | 停车占有率(%) | 0 | 100 | 64.40 | 20.88 |
parkRate | 停车费率(美元) | 0.25 | 6 | 2.77 | 12.29 |
occChange | 停车占有率变化百分比(%) | -90 | 85 | -0.13 | 12.9 |
rateChange | 停车费率变化值(美元) | -0.5 | 0.25 | 0 | 0.22 |
ratePercent | 停车费率变化百分比(%) | -0.67 | 1 | -0.02 | 0.13 |
dweekend | 周末时为1,其他为0 | ||||
timeBand2 | 12:00pm~3:00pm时段为1 | ||||
timeBand3 | 3:00pm~6:00pm时段为1 | ||||
timeBand4 | 6:00pm~9:00pm时段为1 | ||||
bicycle | 自行车停车位数量 | 0 | 614 | 76.82 | 114.66 |
offSpace | 路外停车容量 | 0 | 980 | 189.5 | 204.71 |
business | 运营企业数量 | 0 | 493 | 96.99 | 89.47 |
restaurant | 营业餐厅数量 | 0 | 272 | 39.87 | 46.56 |
population | 人口数 | 809 | 42403 | 13271 | 10881 |
popDensity | 人口密度 | 3652 | 57487 | 29041 | 18562 |
income | 平均收入(美元) | 34099 | 103899 | 60878 | 23961 |
age | 平均年龄 | 35.6 | 46.9 | 41.14 | 3.48 |
size | 平均家庭规模(人) | 1.5 | 2.4 | 1.72 | 0.24 |
cars | 平均家庭拥有车辆数(辆) | 1.2 | 1.6 | 1.32 | 0.15 |
poverty | 贫困人口比例(%) | 0.2 | 26.1 | 14.22 | 10.28 |
停车占有率变化和停车费率变化之间的关系如图2所示,结果表明停车费率降低时,平均停车占有率增加;停车费率不变时,平均停车占有率变化约为零;停车费率上涨时,多数路侧停车位的平均停车占有率降低。因此,将停车费率变化百分比作为GWR的解释变量,不断添加其他解释变量到GWR模型表达式并计算模型的AICc值,AICc值最小对应的GWR模型中的解释变量包括:停车费率变化百分比、工作日/周末、时段、自行车停车位数量、运营企业数量、营业餐馆数量和平均年龄,进而估算各街区GWR中的各参数,结果如表2所示。
表2GWR模型参数估计值
变量 | 最小值 | 下四分位数 | 中位数 | 上四分位数 | 最大值 |
rateChange | -21.1400 | -21.1200 | -20.5500 | -19.2900 | -17.9200 |
Weekend | -1.1220 | -0.7980 | -0.7517 | -0.7231 | -0.2948 |
timeBand2 | 1.4300 | 2.0620 | 2.1670 | 2.1850 | 2.3000 |
timeBand3 | 0.9160 | 1.6750 | 1.7760 | 1.7810 | 2.0220 |
Bicycle | -0.0004 | 0.0003 | 0.0010 | 0.0013 | 0.0017 |
restaurant | 0.0026 | 0.0037 | 0.0035 | 0.0053 | 0.0077 |
business | -0.0038 | -0.0016 | -0.0012 | -0.0008 | -0.0008 |
age | -0.3227 | -0.3156 | -0.2938 | -0.2935 | -0.26267 --> |
Intercept | 9.8640 | 10.0400 | 11.1100 | 11.7000 | 12.8600 |
构建GLM模型判定影响需求弹性的因素,挑选的解释变量如表3所示,带入软件进行广义线性回归所得结果如图3所示,将各街区解释变量值带入标定后的广义线性回归模型中计算得到各街区的需求弹性值。
表3GLM模型解释变量描述性统计表
变量 | 描述 | 最小值 | 最大值 | 中间值 | 标准差 |
bicycle | 自行车停车位数量 | 0 | 614 | 76.82 | 114.66 |
offSpace | 路外停车容量 | 0 | 980 | 189.5 | 204.71 |
business | 运营企业数量 | 0 | 493 | 96.99 | 89.47 |
restaurant | 营业餐厅数量 | 0 | 272 | 39.87 | 46.56 |
population | 人口数 | 809 | 42403 | 13271 | 10881 |
popDensity | 人口密度 | 3652 | 57487 | 29041 | 18562 |
income | 平均收入(美元) | 34099 | 103899 | 60878 | 23961 |
age | 平均年龄 | 35.6 | 46.9 | 41.14 | 3.48 |
size | 平均家庭规模(人) | 1.5 | 2.4 | 1.72 | 0.24 |
cars | 平均家庭拥有车辆数(辆) | 1.2 | 1.6 | 1.32 | 0.15 |
poverty | 贫困人口比例(%) | 0.2 | 26.1 | 14.22 | 10.28 |
最后,验证GWR模型得到的预测结果更精确,将其结果与全局模型的计算结果进行精度计算。精度衡量指标主要有三,其中平均绝对偏差(MAD)和均方预测误差(MSPE)均用于衡量模型的预测精度,值越小表明预测结果越好。Moran’sI测试是用于衡量各街区预测的需求弹性的残差是否与相邻街区空间相关,Moran’sI值的变化范围从-1(表示完全不相关)到+1(完全相关)。
结果表明GWR模型的MAD和MSPE值均比全局模型小,表明GWR模型的预测结果与真实数据更接近。GWR模型的Moran’sI值为正且小于全局模型的Moran’sI值,因此GWR模型残差的空间相关性较弱,表明GWR模型解释了需求弹性的空间异质性。
本发明的路侧停车需求对收费价格敏感度的空间异质性分析方法,基于地理加权回归模型和历史数据分析不同空间位置的路侧停车需求对收费价格的敏感度分布规律,采用空间权重矩阵描述了停车需求对价格敏感性的空间异质性,同时基于广义线性回归模型分析了空间异质性的影响因素并构建路侧停车需求弹性预测模型。弥补了之前停车需求与收费价格关系建模中参数全局固定缺乏考虑空间异质性的不足,同时构建了路段、居民信息等与需求弹性间的关系模型,可以差异化分析不同空间位置需求弹性的差异。实例显示,本发明提出的路侧停车需求对收费价格敏感度的空间异质性分析方法为分区域的动态停车收费奠定良好的理论基础,优于以往模型。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.路侧停车需求对停车费率敏感度的空间异质性分析方法,其特征在于,步骤如下:
步骤1:将各街区依序编号为1,2,……n,n为正整数,并将每天的活动时段划分为整数个时段作为作为停车费率调整的最小单位,采集各街区i的停车数据、历史时空变量数据与历史社会人口数据,所述停车数据包括停车占有率与停车费率,其中i=1,2,……n;
步骤2:以各街区i与其他街区的距离为参照构建各街区i的空间权重矩阵用于描述各街区i的空间异质性,先将停车费率变化百分比作为GWR模型的解释变量,不断添加时空变量与社会人口变量作为解释变量到模型表达式,并计算模型的AICc值,最终AICc值最小的GWR模型为最终模型,再根据最终GWR模型中的解释变量与空间权重矩阵可求得各街区GWR模型的模型参数;
步骤3:基于GLM模型分析需求弹性的影响因素,挑选解释变量,代入软件进行广义线性回归得到路侧停车需求弹性预测模型;
步骤4:采集步骤4中得到的停车需求弹性预测模型中各解释变量当前时段的数据,代入计算各街区的需求弹性值,实时采集得到当前时段各街区的停车占有率,计算街区当前时段的停车费率。
2.根据权利要求1所述的路侧停车需求对停车费率敏感度的空间异质性分析方法,其特征在于,所述步骤2的具体步骤为:
201)构建街区i的空间权重矩阵W(i)用于描述路侧停车需求对停车费率敏感度的空间异质性,其中i=1,2,……n,空间权重矩阵的形式为
其中,wij是回归街区i的回归方程中街区j的权重,表示街区j对街区i的影响,其中j=1,2,……n,wij的计算公式采用Bi-square函数,具体为
其中,Gi为Bi-square函数中的带宽参数,||ui-uj||为街区i和街区j之间的直线距离;
202)首先仅挑选停车费率变化百分比作为GWR模型的解释变量,然后将步骤103)中采集的时空变量与社会人口变量添加到模型表达式,同时监测这些变量的影响程度和模型的AICc值,选择解释变量需要迭代数次,最终AICc值最小的GWR模型为最终模型;
203)依据步骤202)中所得的最终模型中的解释变量的历史数据和步骤201)中得到的空间权重矩阵W(i),计算各街区i的GWR模型参数β(i),具体为:
GWR模型最终表达式为
occChange=β0(ui)+β1(ui)rateChange+β2(ui)X2+β3(ui)X3+…+βJ(ui)XJ+ε1
其中,ui=(uxi,uyi)为第i个街区空间位置的二维坐标,occChange为各街区的停车占有率变化百分比变量,rateChange和X2~XJ分别对应停车费率变化百分比和第三步中得到的最终GWR模型中的其余解释变量,J为正整数;ε1为误差项;β0(ui)、β1(ui)…βJ(ui)为模型参数,可以组合成如下矩阵形式:
其中,每行代表一个街区的GWR模型参数值,街区i的GWR模型参数值计算公式为:β(i)=(XTW(i)X)-1XTW(i)occChange。
3.根据权利要求4所述的路侧停车需求对停车费率敏感度的空间异质性分析方法,其特征在于,所述步骤3的具体步骤为:
301)由步骤3所得各街区i的GWR模型参数β(i)可知各街区i的需求弹性值β1(i),将β1(i)作为GLM模型中的因变量priElasticity,GLM模型的表达式为:
priElasticity=β0+β1X1+β2X2+β3X3+…+βJXJ+ε2
其中,priElasticity为GWR模型输出的各街区的需求弹性值,Xm为第m个解释变量且m=2、3、…J;βn为第n个模型参数且n=0,1,…,J;ε2为误差项;
302)采用R软件的极大似然估计法估算GLM模型中的参数β值,得到各街区i标定后的基于预测变量的停车需求弹性预测模型。
4.根据权利要求1所述的路侧停车需求对停车费率敏感度的空间异质性分析方法,其特征在于,所述步骤5中停车费率的计算方法为:
其中,为r(i,t)为当前时段街区i的停车费率,r(i,t-1)为前一时段街区i的停车费率,p(i)为当前时段街区i的需求弹性,o(i)为当前时段街区i的停车占有率。
5.根据权利要求1-4中任一项所述的路侧停车需求对停车费率敏感度的空间异质性分析方法,其特征在于,所述步骤1中的停车占有率由安装在每个路侧停车位的路侧停车位传感器采集,所述路侧停车位传感器可感知本停车位是否有车辆停泊。
6.根据权利要求1-4中任一项所述的路侧停车需求对停车费率敏感度的空间异质性分析方法,其特征在于,所述步骤1中的停车费率由智能计价器动态调整,所述智能计价器安装在每个路侧停车位上,智能计价器依据街区位置、时间和星期调整停车费率。
7.根据权利要求1-4中任一项所述的路侧停车需求对停车费率敏感度的空间异质性分析方法,其特征在于,优选将每天的活动时段划分为5个时段,分别为早上7点到9点、9点到12点、12点到下午4点、下午4点至7点以及下午7点至晚上9点。
8.根据权利要求1-4中任一项所述的路侧停车需求对停车费率敏感度的空间异质性分析方法,其特征在于,所述步骤1中的时空变量包括街区的位置、时段以及星期。
9.根据权利要求1-4中任一项所述的路侧停车需求对停车费率敏感度的空间异质性分析方法,其特征在于,所述步骤1中的社会人口数据包括但不限于停车占有率、停车费率、时段、工作日/周末、自行车停车位数量、远离路边的停车位数量、运营企业数量、营业餐馆数量、人口、平均收入、贫困人口比例、平均年龄、平均家庭拥有车辆数、平均家庭规模。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510789881.4A CN105469157A (zh) | 2015-11-16 | 2015-11-16 | 路侧停车需求对停车费率敏感度的空间异质性分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510789881.4A CN105469157A (zh) | 2015-11-16 | 2015-11-16 | 路侧停车需求对停车费率敏感度的空间异质性分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105469157A true CN105469157A (zh) | 2016-04-06 |
Family
ID=55606826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510789881.4A Pending CN105469157A (zh) | 2015-11-16 | 2015-11-16 | 路侧停车需求对停车费率敏感度的空间异质性分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105469157A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107729293A (zh) * | 2017-09-27 | 2018-02-23 | 中南大学 | 一种基于多元自适应回归的地理空间异常探测方法 |
CN108765944A (zh) * | 2018-05-30 | 2018-11-06 | 东南大学 | 基于多重路径集的最优交通流预测方法与拥挤收费方法 |
CN113689731A (zh) * | 2021-08-20 | 2021-11-23 | 福建工程学院 | 基于车辆雾计算的城市开放泊位信息共享方法及其系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140046874A1 (en) * | 2012-08-08 | 2014-02-13 | Palo Alto Research Center Incorporated | Real time dynamic vehicle parking price management methods, systems and processor-readable media |
CN105118303A (zh) * | 2015-07-17 | 2015-12-02 | 袁丽 | 智能泊车监控管理系统及停车模式下车辆入位检测方法 |
-
2015
- 2015-11-16 CN CN201510789881.4A patent/CN105469157A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140046874A1 (en) * | 2012-08-08 | 2014-02-13 | Palo Alto Research Center Incorporated | Real time dynamic vehicle parking price management methods, systems and processor-readable media |
CN105118303A (zh) * | 2015-07-17 | 2015-12-02 | 袁丽 | 智能泊车监控管理系统及停车模式下车辆入位检测方法 |
Non-Patent Citations (4)
Title |
---|
ÁNGEL IBEAS等: "Modelling demand in restricted parking zones", 《TRANSPORTATION RESEARCH PART A》 * |
DADI BALDUR OTTOSSON等: "The sensitivity of on-street parking demand in response to price changes: A case study in Seattle", 《TRANSPORT POLICY》 * |
容美平: "基于R的地理加权广义线性模型理论及应用研究", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》 * |
张磊: "基于 logit 模型的停车费率变化对居民出行方式的影响分析", 《运输经济》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107729293A (zh) * | 2017-09-27 | 2018-02-23 | 中南大学 | 一种基于多元自适应回归的地理空间异常探测方法 |
CN107729293B (zh) * | 2017-09-27 | 2019-11-12 | 中南大学 | 一种基于多元自适应回归的地理空间异常探测方法 |
CN108765944A (zh) * | 2018-05-30 | 2018-11-06 | 东南大学 | 基于多重路径集的最优交通流预测方法与拥挤收费方法 |
CN108765944B (zh) * | 2018-05-30 | 2019-07-12 | 东南大学 | 基于多重路径集的最优交通流预测方法与拥挤收费方法 |
CN113689731A (zh) * | 2021-08-20 | 2021-11-23 | 福建工程学院 | 基于车辆雾计算的城市开放泊位信息共享方法及其系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Spatial variations in active mode trip volume at intersections: a local analysis utilizing geographically weighted regression | |
CN108564790B (zh) | 一种基于交通流时空相似性的城市短时交通流预测方法 | |
Abbasabadi et al. | An integrated data-driven framework for urban energy use modeling (UEUM) | |
CN105303882B (zh) | 基于时空维度动态停车收费策略的停车管理系统及方法 | |
CN107610464B (zh) | 一种基于高斯混合时间序列模型的轨迹预测方法 | |
CN110517492B (zh) | 基于平行集成学习的交通路径推荐方法、系统、装置 | |
CN101751777B (zh) | 基于空间聚类分析的城市路网交通小区动态划分方法 | |
CN103218675B (zh) | 一种基于聚类和滑动窗口的短期负荷预测方法 | |
CN102750411B (zh) | 基于多智能体离散选择模型城市动态微观仿真方法 | |
CN104715292A (zh) | 基于最小二乘支持向量机模型的城市短期用水量预测方法 | |
CN105741549B (zh) | 一种基于空间copula理论的交通流量预测方法 | |
CN106951976A (zh) | 一种基于模式分类的公交客流预测方法 | |
CN101853290A (zh) | 基于地理信息系统的气象服务效益评估方法 | |
CN103177570A (zh) | 一种早晚高峰交通拥堵指数的预测方法 | |
CN106910199A (zh) | 面向城市空间信息采集的车联网众包方法 | |
CN105243428A (zh) | 基于蝙蝠算法优化支持向量机预测公交车到站时间的方法 | |
CN104751249A (zh) | 一种空间负荷预测方法 | |
CN112489426A (zh) | 一种基于图卷积神经网络的城市交通流量时空预测方案 | |
CN109543897A (zh) | 地方政府债务风险动态评估及预测方法 | |
CN111612223B (zh) | 基于土地和交通多源数据的人口就业分布预测方法及装置 | |
CN104240040A (zh) | 基于土地转换风险的城市智能电网规划方法 | |
CN105469157A (zh) | 路侧停车需求对停车费率敏感度的空间异质性分析方法 | |
CN115713130A (zh) | 基于超参数网络权重分配深度强化学习的车辆调度方法 | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
CN113674524A (zh) | 基于lstm-gasvr的多尺度短时交通流预测建模、预测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Pu Ziyuan Inventor after: Li Zhibin Inventor before: Pu Ziyuan Inventor before: Li Zhibin |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160406 |