CN107978153A - 一种基于空间向量自回归模型的多模式交通需求影响分析方法 - Google Patents
一种基于空间向量自回归模型的多模式交通需求影响分析方法 Download PDFInfo
- Publication number
- CN107978153A CN107978153A CN201711220863.XA CN201711220863A CN107978153A CN 107978153 A CN107978153 A CN 107978153A CN 201711220863 A CN201711220863 A CN 201711220863A CN 107978153 A CN107978153 A CN 107978153A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- mtd
- msubsup
- traffic
- 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.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 16
- 239000013598 vector Substances 0.000 title claims abstract description 16
- 230000004044 response Effects 0.000 claims abstract description 43
- 230000000694 effects Effects 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000000034 method Methods 0.000 claims description 11
- 238000011160 research Methods 0.000 claims description 6
- 238000007476 Maximum Likelihood Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 241001269238 Data Species 0.000 claims description 2
- 230000007812 deficiency Effects 0.000 claims description 2
- 238000009472 formulation Methods 0.000 claims description 2
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 241000894007 species Species 0.000 claims description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims 2
- 238000012512 characterization method Methods 0.000 claims 1
- 230000001419 dependent effect Effects 0.000 claims 1
- 229910052742 iron Inorganic materials 0.000 claims 1
- 238000000354 decomposition reaction Methods 0.000 abstract description 4
- 238000010276 construction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000001744 unit root test Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000005316 response function Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Chemical & Material Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于空间向量自回归模型的公共交通需求与私家车不同区域间的多模式交通需求影响分析方法。发明主要包括以下内容:(1)构建区域间多模式交通需求协同模型。在传统的spVAR模型基础上进行了改进,引入区域POI指标定义了针对不同交通模式的区域间空间权重,构建了包含区域空间结构关系的多模式交通需求空间VAR模型。(2)提出区域间多模式交通需求协同策略。基于构建的区域多模式交通空间VAR模型求解得到各个交通模式的脉冲响应和方差分解结果,从而据此进一步分析得到交通需求的空间溢出效应,提出和构建针对不同空间状态、交通状态下的协同策略模型。上述模型经过证明具有提高交通效率的可用性和科学性。
Description
技术领域
本发明属于智能交通信息处理技术领域,具体地说是一种基于空间向量自回归模型的多模式交通需求影响分析方法。
背景技术
随着当代城市规模的日益扩大以及城市机动化水平的提高,城市交通发展迅速,交通系统内部结构复杂度逐渐增加。以北京市为例,截止到2016年,私家车保有量达544万辆,公交日均客运量达1356万人次,地铁日均客流达999.8万人次,包括私家车、公交、地铁在内的多模式交通已日益发展成为城市交通体系的主流。
由于交通流沿路网传播以及与地理结构的紧密联系使交通具有一定的空间特性,各种交通模式的需求在区域间往往会存在一定的相互影响和协同关系,同时,加之交通网络本身的复杂性、多层次性和反馈性也使得不同模式的交通系统间存在相互影响作用。顺应大交通时代的特征,多模式交通系统的协同显得尤为重要。因此,新交通时代下的管理应当以居民出行需求为导向,根据各种交通模式的优势与特征实现将总体的目标分解到各子系统目标,将多式联运交通体系下综合交通系统的总体最优化作为各交通子系统追求的共同目标,致力于系统整体利益的最大化[1],从而实现不同交通方式间的协同,有效解决交通问题。然而目前,各种交通方式由于其网络构成要素及方式、技术参数以及系统结构功能等特征的明显差异,以及各自管理部门和建设主体的不同,使得多模式交通间形成了分散式的管理架构,各部门在制定各种政策时只考虑到了所辖的子系统,只着眼于寻求子系统的效能最优。由此,研究交通系统内部的协同以及充分研究多模式交通需求间的相互影响关系成为一个重要且复杂的问题。
发生拥堵时,拥堵会沿交通模式以及区域进行传播,存在相互影响和传播效应。然而,对于区域多模式交通需求,以往学者大多只是进行孤立的研究,而且传统的模型和方法也无法考虑两种以上变量之间的相关、时变以及具有空间特性的复杂影响关系。
因此,在庞大的多模式交通需求以及交通拥堵问题较为严重的情况下,深入挖掘私家车、公交和地铁三种交通模式的需求在区域间及区域内部的演变特征,在一定程度上认识多模式交通间的相互作用关系以及他们在空间上的传导规律,定量了解公共交通需求与私家车区域间的影响机制,可以帮助三者之间实现区域间的协同,真正从管理和供给方面给出有效对策,有助于交通研究人员及决策者明确如何合理建设城市的公共交通以及分配交通网络的流量分布,并且能够通过有效控制交通需求达到多模式交通间的相互协同。
发明内容
本发明对公交、地铁的需求及定义的私家车拥堵指数进行了时空特征及演化规律分析并得到其需求影响关系。
本发明对spVAR模型做出了改进——在邻接矩阵中引入区域POI数据定义多模式交通的空间权重,通过改进的空间VAR模型进行回归分析,拟合得到在几个具有各自空间属性的区域内三种交通模式一定时间段内的回归模型,由此分析区域间多模式的相关关系。最后通过求解模型的脉冲响应和方差分解,同时结合各种交通模式的特征及所在研究区域的实际情况,定量分析区域多模式交通需求间的影响关系及机理,提出交通拥堵消散控制策略,给予相关建议。本发明不仅能够较好地量化变量间的相互影响,而且还考虑了区域特征,量化空间溢出效应,能定量表征多模式交通需求(包括公交、地铁、私家车)之间在区域间的空间溢出效应及时间演化规律,能够有针对性的制定拥堵消散策略,合理应用于公交的调度、地铁限流与疏导、私人汽车的管控,实现区域间多模式交通的协同具有很大的现实意义。
本发明首先对多模式交通公交、地铁IC卡数据和高德路网数据进行区域化的处理,得到一定时间段的如每15分钟的需求量。创新性地定义了区域路网交通拥堵指数,并对北京市交通小区的三种交通模式数据进行了空间自相关分析及时空特征分析,为建立模型提供数据支持和理论基础。然后,本发明提出了对于空间向量自回归模型中空间权重的定义方法,基于空间之间的权值构建了SPVAR模型,并基于全信息极大似然法进行了参数估计。基于构建的spVAR模型,通过脉冲响应量化受到冲击时区域间各交通模式的相互影响程度,并通过方差分解确定各交通模式对于影响的贡献程度,对分析得到的结果进行定量研究,基于脉冲响应分析结果进行区域及模式间的影响因素、程度等分析,并从交通策略层面作出进一步研究。
本发明的优点在于:
(1)本发明最大的特点就是不再依靠传统的复杂的OD路网分析,而是通过挖掘交通流数据中的空间相关规律和特点并运用计量经济学知识对交通流数据进行建模分析,具有很强的创新意义。
(3)在多模式交通需求研究中,大多都没有考虑到区域间的空间联系,无法对区域间各种交通模式需求的相关影响进行深入研究。本发明通过改进spVAR模型,考虑了区域间的空间溢出效应,进行了多模式交通需求间的空间分析。
附图说明
图1为本发明的方法流程示意图;
图2为多模式交通需求相互影响示意图;
图3为北京市交通小区的划分示意图。
图4为实例中两个交通小区的示意图
图5为地铁需求量对各区域各交通模式需求量的脉冲响应结果
具体实施方式
下面将结合附图和实施例对本发明作进一步的详细说明。
本发明提供一种基于空间自回归模型的多模式交通需求影响分析方法,流程图如图1所示,包括如下步骤:
1)、数据的处理:本发明中的公交地铁需求量数据来源于乘客上下车刷卡时由AFC(自动售检票系统)采集得到的IC卡数据。其中地铁IC卡数据包含的字段有:进站线路编号、进站站码、进站时间、出站线路号、出战站码等字段。公交IC卡数据包含的字段有上车时间、上车线路、下车线路、下车站号等字段。高德路网数据为私家车在路网区域的需求量综合信息。数据分为速度相关数据和流量相关数据。其中,速度数据主要包括记录时间、线路编号、线路长度、速度、线路行驶时间等字段信息,流量数据包括记录时间、线路编号、线路流量等字段信息。采集内容以道路为单位,记录了每条道路内车流的相关信息。
基于高德路网数据,我们提出了基于区域的路网拥堵指数指标TCI,其定义如下:
Ti表示第i条路段车辆实际行驶时间,Ti0表示第i条路段车辆在自由流条件下的期望行驶时间,Vi为第i条路段的流量。其中,为了方便表示自由流行驶时间这一指标,我们将Ti0定义为路长与限速的比值。即Li表示第i条路的长度,vi0表示第i条路的规定限速。
然后,根据地铁站点和公交站点在地图上的投影,以交通小区为单位,统计投影在每个交通小区内的全天内每15分钟的所有地铁乘客进站量和公交乘客上车量。同理,统计投影在所在研究交通小区的所有路段的全部高德手机数据。然后基于交通小区内各路段的长度、行驶时间、流量以及各路段的限速等数据,计算各交通小区的拥堵指数TCI。
2)、构建spVAR模型:对应于我们所进行的区域间的多模式交通影响研究,假设我们要研究N个交通小区间公交、地铁、私家车间的相互影响,即K=3,Yt=P[Y′1t,Y′2t,…,Y′Nt]',Ynt表示第n个交通小区的交通需求,并且有其中,表示地铁交通需求,即n交通小区n中以15分钟为粒度的地铁进站量的时间序列,表示公交的交通需求,即交通小区n中以15分钟为粒度的公交上车量的时间序列,表示私家车拥堵指数,即交通小区n中以15分钟为粒度的路网交通拥堵指数值的时间序列。对变量构建如下模型:
C0yt=α+C1yt-1+C2yt-2+…+Cpyt-p+εt
其中,
上式中,C0是表征SVAR模型同期相关性的系数矩阵:
Ch是包含空间结构的系数矩阵:
其中,
k,r=1,2,…,K
h=1,2,…,p
l=1,2,…,s
展开Ch得到:
在上式中,h为时间滞后阶数,l为空间滞后阶数,表示第k个变量受到第r个变量在第h期时间滞后上的影响。表征区域间第r个变量对第k个变量在第h阶时间滞后和第l阶空间滞后上产生的影响作用,表示第i个区域的第r个变量对其他各区域的第k个变量的总溢出效应,综合溢出效应值通过构建的空间权重矩阵分解到每个区域中。
3)、空间权重的确定:
在spVAR模型中,空间权重的表达形式为:
其中,dij表示区域j和区域i之间的距离,在此我们直接用第j交通小区和i交通小区地理的中心距离表示。Zj和Zi分别是表征j区域和i区域空间尺度效应的量。
为此,我们将各种属性的兴趣点在一定权重下的叠加值通过一定变换所得到的结果来表征该区域的空间尺度效应。在此,我们选取逻辑斯蒂回归模型,即,
其中,Xi为交通小区中各属性的兴趣点的个数,是一个M维向量,M为该区域中兴趣点的种类。Wi同为为M维向量,向量中的每个元素对应的兴趣点的权重,是通过训练得到。
4)、参数的估计
spVAR参数的极大似然函数生成如下似然函数:
其中,是常数项,满足对于给定条件下三角分块矩阵C0有 T表示连续时间序列的观测值的个数。
求解似然函数最小时的各参数的值。
5)、脉冲响应求解
对于spVAR模型yt=μ+C1yt-1+C2yt-2+…+Cpyt-p+εt的脉冲响应(Ch矩阵中包含空间
权重因子),过程如下:
将上式写为滞后算子的形式,可得:
其中,
A1=C1
A2=C1A1+C2
……
Aq=C1Aq-1+C2
yt的第i个变量yit可写为:
为Aq的第i行的第j列元素,它表示的是当其它残差项在任意时刻都不发生改变时,当变量yjt的误差项εjt在t时刻被作用一个单位量的冲击扰动后,变量yit在t+q期受到的直接影响。它还可表示为如下形式:
由yj的脉冲引起的yi的响应函数为:
t=0时,
t=1时,
t=2时,
……
t=q时,
因此,由变量yj的脉冲所引起的yi的响应函数一般被表示为
由yj的脉冲所引起的yi的累积脉冲响应函数可以表示为
然而对于以上求得的脉冲响应函数的结果的解释却存有一个问题:之前我们所设定的协方差阵Σ为非对角矩阵,这就意味着元素εjt的变化时,残差向量εt中其他的元素将也会随之发生变化。因此选择用由Koop等(1996)年提出的广义脉冲响应函数解决这一问题。最终得到,变量j的冲击引起的向量yt+q的响应为:
其中,Σj表示εt协方差矩阵Σ的第j列元素,σjj表示残差项εjt的方差,δj表示残差项εjt
受到的冲击;
6)、多模式交通需求协同策略的制定
通过脉冲响应我们可以分析得到区域和变量间的相互影响关系和影响程度,由此制定区域多模式交通协同策略,策略主要包括如下几方面:
(1)交通预警——因为人为因素或演唱会等突发事件导致某区域的一种或几种交通方式的需求量产生冲击时,通过spVAR的脉冲响应结果可分析得到冲击对该地区其他交通模式和对其他地区各交通模式需求量的影响状况,从而对应发生较大影响的滞后期时间内采取预警措施,防止发生道路交通拥堵和公共交通供给不足的状况。
(2)地铁限流——研究分析地铁对私家车拥堵指数的脉冲响应,如果地铁进站量的冲击在一定时间段内对私家车拥堵指数有正向影响时,可对地铁进站量产生冲击的地区进行限流,同时根据影响程度和对象决定限流程度和限流区域。
(3)公交调度——①当已知某区域的某种交通模式需求量发生冲击时对公共交通需求量在一定时间内会有较大正向影响时,可根据影响的时间和大小对公交的调度进行调整或引导。②当某区域公共交通的需求量发生冲击对私家车拥堵指数有负向影响时,可适当增加公交的发车频次来增大公交上车量,从而达到对相应地区私家车拥堵状况的缓解效果。
(4)道路交通疏导——当发现冲击对某区域的私家车拥堵指数有正向较大程度影响时,可对该区域的交通进行疏导,防止发生过度拥堵情况。
实施例
一种基于空间自回归模型的多模式交通需求影响分析方法,具体如下:
1)、如图4所示,为北京市的西单和复兴门附近的两个交通小区,对所选择的交通小区的地铁进站量、公交上车量、路网拥堵指数分别进行统计,得到的结果的示意如下:
表taz1小区地铁、公交、路网数据
表taz2小区地铁、公交、路网数据
2)、变量的平稳性检验。将两个小区的三种交通方式的需求量——地铁进站量、公交上车量、私家车拥堵指数一共六个变量作为模型的输入变量对原数据的六个变量进行单位根检验定量分析变量平稳性,单位根检验结果如下:
由此可得,taz1的公交、私家车需求量,taz2的私家车需求量的原数据不满足0阶单整,我们对序列进行一阶差分处理。一阶差分序列的单位根检验结果如下:
因此,经检验显示,变量都满足一阶或一阶以下单整。
接下来对原序列进行协整检验。
通过Engle-Granger两步法检验确定原始时间序列是否存在协整关系。借助Eviews建立响应序列与输入序列之间的回归模型,然后对回归残差序列{εt}进行平稳性检验,我们选择采用单位根检验的方法考查回归残差序列的平稳性。检验结果如下:
由上表得出可以在显著性水平小于0.05的情况下拒绝原假设,说明回归残差序列平稳,也就是说六个非平稳变量的序列之间存在0阶协整关系。
可判断能够对两个交通小区间的三种交通模式需求量的序列建立spVAR模型。
3)、通过AIC准则、SC准则、LR检验综合对模型进行定阶,对一阶差分序列进行确定滞后阶数如下表所示:
结果显示,LR、AIC两个准则显示模型适合的滞后阶数为4阶,而HQ和SC准则选择的最优滞后阶数为2阶,因此选择模型滞后阶数为2阶。
4)、模型构建
对变量构建如下模型:yt=α+C1yt-1+C2yt-2+εt
其中是一个六维向量,向量中的各元素分别为地铁在taz1的需求量、地铁在taz2的需求量、公交在taz1的需求量、公交在taz2的需求量、私家车在taz1的拥堵指数、私家车在taz2的拥堵指数。
5)、空间权重求解
对区域空间尺度效应构建逻辑斯蒂回归模型其中,Xi分别为三个交通小区土地利用的各种属性的兴趣点个数,属性种类分别为居住地、旅店、娱乐服务、服务设施、就业、旅游共六种,ωik为经过训练得到的权重,期望Zi为所求的各个交通小区内的各交通模式需求量归一化后的值。我们选取北京市所有地铁站和公交站数量均不为0的交通小区作为样本进行训练(样本示意如下表所示,2、3、4列为各自的期望,5-10列为样本数据),训练方式为梯度下降法。定义迭代次数为10000次,进行训练。训练得到逻辑斯谛回归函数的权重值,代入公式求解各小区各种交通模式的的区域空间尺度效应,得taz1和taz2两个交通小区的结果分别为Z1R=0.1814,Z2R=0.1478,Z1B=0.1644,Z2B=0.2049Z1C=0.5496,Z2C=0.4976。
最后,根据公式()求对不同交通模式各小区间空间权重:
6)、参数识别
对待估参数通过FIML进行估计,我们定义最大迭代次数为100,容忍度为Tolerance=0.001,最终在迭代次数为17次之后收敛,得到参数结果及其统计值如下:
表C1矩阵
表C2矩阵
7)、脉冲响应分析
本问题的脉冲响应公式为:以地铁需求量对各区域各交通模式需求量的脉冲响应为例进行说明:
图5描述的是各个区域的地铁进站量在初始时刻即7:00产生一个单位的冲击时对各个变量产生的脉冲响应。其中,左边三个图为区域1的地铁进站量所产生的各个脉冲响应,右边三个图为区域2的地铁进站量所产生的各个脉冲响应。
从图中可看出,当在本期给区域1的地铁进站量一个单位的正向冲击后,区域2的地铁进站量会从第3期至13期产生负向的响应即抑制作用,并在第7期时达到最低点(影响值为-3.4),意味着7点时地铁进站量产生一个单位人的冲击会导致在8:45时区域2地铁进站量有3.4个人减少。在第13期之后该响应会有一个长时间较小的波动,于第23期时正向响应达到最大(响应值为1.6)。当在本期给区域2的地铁进站量一个单位的正向冲击后,前6期时对冲击发生区域地铁进站量的需求量有一个正向冲击,初始时刻响应值最大,然后逐渐减小,之后会有一个长期的波动并逐渐趋于0。
对于公交上车量,从图中可看出,当在本期给区域1的地铁进站量一个单位的正向冲击后,本区域响应值几乎为0,区域2的公交上车量会有一个较小的波动,之后逐渐趋于0。当在本期给区域2的地铁进站量一个单位的正向冲击后,对本区域的响应在前24期始终为负向响应,之后逐渐趋于0,响应值均较小,在第6期时负向影响程度达到最大为-0.01。
对于私家车需求量,从图中可看出,区域1地铁进站量的一个单位正向冲击会使本区域的私家车拥堵指数在前4期先有一个负向的响应,并在第2期的负向影响程度达到最大(响应值为-0.012),第4-11期有正向响应,于第7期正向影响程度达到最大(响应值为0.017)。之后进入长期的波动最后逐渐趋于0。区域2的私家车拥堵指数当在受到本期区域2的地铁进站量一个单位的正向冲击后,在前4期有一个正向逐渐减小的响应,在4-11期为负向响应,并于第7期达到负向影响的最大值(响应值为-0.022)。12期之后进入长期的波动,逐渐趋于0。当在本期给区域2的地铁进站量一个单位的正向冲击后,区域1和区域2的私家车拥堵指数的响应均较小,在-0.005和0.005之间波动,其中区域1的私家车拥堵指数在前6期为正向响应,6-13期为负向响应,之后逐渐趋于0,区域2的私家车拥堵指数在1-6期为负向逐渐减小的脉冲响应,之后进入长期波动并逐渐趋于0。
由此可看出,区域1和区域2地铁进站量的冲击对均区域2的地铁进站量影响程度最大,且在初始一段时间内均为较大的正向响应,说明两区域地铁进站量的增加会在短时间内导致区域2地铁进站量的增加,具有一定的空间正向溢出效应,应该在冲击发生后立马对区域2地铁站的客流量采取疏导等人为干预措施。同时,该冲击对区域2公交上车量在短时间内产生的均为负向冲击即抑制作用。对于私家车拥堵指数,在短时间内均对区域2产生了正向的响应,对区域1产生了负向的响应。因此当区域1和区域2的地铁进站量产生冲击后,应及时对区域2路网运行的车辆进行疏导,防止发生拥堵状况。同时可通过人为干预使地铁进站量发生冲击从而缓解区域1的路网交通拥堵情况。
Claims (2)
1.一种基于空间向量自回归模型的多模式交通需求影响分析方法,包括如下步骤:
1)、数据的处理:基于数字地图的路网数据,限定基于区域的路网拥堵指数指标TCI,其定义如下:
<mrow>
<mi>T</mi>
<mi>C</mi>
<mi>I</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msub>
<mi>T</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>i</mi>
<mn>0</mn>
</mrow>
</msub>
</mrow>
<msub>
<mi>T</mi>
<mrow>
<mi>i</mi>
<mn>0</mn>
</mrow>
</msub>
</mfrac>
<mo>&times;</mo>
<mfrac>
<msub>
<mi>V</mi>
<mi>i</mi>
</msub>
<mrow>
<mi>s</mi>
<mi>u</mi>
<mi>m</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>V</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>T</mi>
<mrow>
<mi>i</mi>
<mn>0</mn>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>L</mi>
<mi>i</mi>
</msub>
<msub>
<mi>v</mi>
<mrow>
<mi>i</mi>
<mn>0</mn>
</mrow>
</msub>
</mfrac>
</mrow>
M表示路段的数量,Ti表示第i条路段车辆实际行驶时间,Ti0表示第i条路段车辆在自由流条件下的期望行驶时间,Vi为第i条路段的流量。其中,为了方便表示自由流行驶时间这一指标,将Ti0定义为路长与限速的比值,即Li表示第i条路的长度,vi0表示第i条路的规定限速。
然后,根据地铁站点和公交站点在所述地图上的投影,以交通小区为单位,统计投影在每个交通小区内的全天内每15分钟的所有地铁乘客进站量和公交乘客上车量;同时统计投影在所在目标交通小区的所有路段的全部数字地图数据,然后基于所述目标交通小区内各路段的长度、行驶时间、流量以及各路段的限速数据,计算各交通小区的拥堵指数TCI;
2)、构建spVAR模型:对应于所进行的区域间的多模式交通影响研究,当要研究N个交通小区间公交、地铁、私家车间的相互影响时(即有三个变量),有Yt=P[Y′1t,Y′2t,…,Y′nt,…,Y′Nt]',Ynt表示第n个交通小区的交通需求,并且有其中,表示地铁交通需求,即交通小区n中以15分钟为粒度的地铁进站量的时间序列,表示公交的交通需求,即交通小区n中以15分钟为粒度的公交上车量的时间序列,表示私家车拥堵指数,即交通小区n中以15分钟为粒度的路网交通拥堵指数值的时间序列。对变量构建如下模型:
C0yt=α+C1yt-1+C2yt-2+…+Cpyt-p+εt
其中, 表示第n个区域的第k种交通方式的需求量。α为独立固定效应,p为时间滞后阶数,εt为残差项,C0是表征spVAR模型同期相关性的系数矩阵:
其中,分别为对应变量的同期相关系数。
Ch是包含空间结构关系的系数矩阵:
<mrow>
<msub>
<mi>C</mi>
<mi>h</mi>
</msub>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msubsup>
<mi>A</mi>
<mn>11</mn>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>)</mo>
</mrow>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>A</mi>
<mn>12</mn>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>)</mo>
</mrow>
</msubsup>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msubsup>
<mi>A</mi>
<mrow>
<mn>1</mn>
<mi>K</mi>
</mrow>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>)</mo>
</mrow>
</msubsup>
</mtd>
</mtr>
<mtr>
<mtd>
<msubsup>
<mi>A</mi>
<mn>21</mn>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>)</mo>
</mrow>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>A</mi>
<mn>22</mn>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>)</mo>
</mrow>
</msubsup>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msubsup>
<mi>A</mi>
<mrow>
<mn>2</mn>
<mi>K</mi>
</mrow>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>)</mo>
</mrow>
</msubsup>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msubsup>
<mi>A</mi>
<mrow>
<mi>K</mi>
<mn>1</mn>
</mrow>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>)</mo>
</mrow>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>A</mi>
<mrow>
<mi>K</mi>
<mn>2</mn>
</mrow>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>)</mo>
</mrow>
</msubsup>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msubsup>
<mi>A</mi>
<mrow>
<mi>K</mi>
<mi>K</mi>
</mrow>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>)</mo>
</mrow>
</msubsup>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
<mi>h</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>p</mi>
</mrow>
上式中,表示在第h时间滞后期数上第k种交通方式受到第r种交通方式在第h期时间滞后上的影响系数,包含空间权重系数矩阵。即有,
<mrow>
<msubsup>
<mi>A</mi>
<mrow>
<mi>k</mi>
<mi>r</mi>
</mrow>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>s</mi>
</munderover>
<msubsup>
<mi>&Psi;</mi>
<mrow>
<mi>k</mi>
<mi>r</mi>
</mrow>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mi>l</mi>
<mo>)</mo>
</mrow>
</msubsup>
<msubsup>
<mi>W</mi>
<mrow>
<mi>k</mi>
<mi>r</mi>
</mrow>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mi>l</mi>
<mo>)</mo>
</mrow>
</msubsup>
</mrow>
<mrow>
<msubsup>
<mi>&Psi;</mi>
<mrow>
<mi>k</mi>
<mi>r</mi>
</mrow>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mi>l</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>=</mo>
<mi>d</mi>
<mi>i</mi>
<mi>a</mi>
<mi>g</mi>
<mo>{</mo>
<mo>&lsqb;</mo>
<msubsup>
<mi>&psi;</mi>
<mrow>
<mn>1</mn>
<mi>k</mi>
<mi>r</mi>
</mrow>
<mrow>
<mi>h</mi>
<mi>l</mi>
</mrow>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>&psi;</mi>
<mrow>
<mn>2</mn>
<mi>k</mi>
<mi>r</mi>
</mrow>
<mrow>
<mi>h</mi>
<mi>l</mi>
</mrow>
</msubsup>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msubsup>
<mi>&psi;</mi>
<mrow>
<mi>N</mi>
<mi>k</mi>
<mi>r</mi>
</mrow>
<mrow>
<mi>h</mi>
<mi>l</mi>
</mrow>
</msubsup>
<mo>&rsqb;</mo>
<mo>}</mo>
</mrow>
k,r=1,2,…,K
h=1,2,…,p
l=1,2,…,s
展开Ch得到:
在上式中,h为时间滞后阶数,l为空间滞后阶数。表征区域间第r个变量对第k个变量在第h阶时间滞后和第l阶空间滞后上产生的影响作用,表示第i个区域的第r个变量对其他各区域的第k个变量的总溢出效应,综合溢出效应值通过构建的空间权重矩阵分解到每个区域中;
3)、空间权重的确定:
在spVAR模型中,空间权重的表达形式为:
<mrow>
<msubsup>
<mi>w</mi>
<mrow>
<mi>k</mi>
<mi>r</mi>
</mrow>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msub>
<mi>d</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mfrac>
<mfrac>
<msub>
<mi>Z</mi>
<mi>i</mi>
</msub>
<mrow>
<msub>
<mi>Z</mi>
<mi>j</mi>
</msub>
<mo>+</mo>
<msub>
<mi>Z</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
</mrow>
其中,dij表示区域j和区域i之间的距离,在此直接用第j交通小区和i交通小区地理的中心距离表示。Zj和Zi分别是表征j区域和i区域空间尺度效应的量。
为此,将各种属性的兴趣点在一定权重下的叠加值通过一定变换所得到的结果来表征该区域的空间尺度效应。在此,选取逻辑斯蒂回归模型,即,
<mrow>
<msub>
<mi>Z</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<msubsup>
<mi>&omega;</mi>
<mi>i</mi>
<mi>T</mi>
</msubsup>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
</mrow>
</msup>
</mrow>
</mfrac>
</mrow>
其中,Xi为交通小区中各属性的兴趣点的个数,是一个M维向量,M为该区域中兴趣点的种类。ωi同为M维向量,表示向量中的每个元素对应的兴趣点的权重,通过梯度下降法训练得到;T表示连续时间序列的观测值的个数;
4)、参数的估计
spVAR参数的极大似然函数生成如下似然函数:
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>L</mi>
<mo>~</mo>
</mover>
<mi>&theta;</mi>
</msub>
<mo>=</mo>
<mover>
<mi>c</mi>
<mo>~</mo>
</mover>
<mo>+</mo>
<mi>T</mi>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>r</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<mi>log</mi>
<mrow>
<mo>(</mo>
<mo>|</mo>
<msubsup>
<mi>A</mi>
<mrow>
<mi>r</mi>
<mi>r</mi>
</mrow>
<mn>0</mn>
</msubsup>
<mo>|</mo>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mfrac>
<mi>T</mi>
<mn>2</mn>
</mfrac>
<mi>log</mi>
<mrow>
<mo>(</mo>
<mo>|</mo>
<mover>
<mi>&Omega;</mi>
<mo>~</mo>
</mover>
<mo>|</mo>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mover>
<mi>c</mi>
<mo>~</mo>
</mover>
<mo>+</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>r</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<mi>log</mi>
<mrow>
<mo>(</mo>
<mo>|</mo>
<msubsup>
<mi>A</mi>
<mrow>
<mi>r</mi>
<mi>r</mi>
</mrow>
<mn>0</mn>
</msubsup>
<mo>|</mo>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mfrac>
<mi>T</mi>
<mn>2</mn>
</mfrac>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mi>log</mi>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>&omega;</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>r</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<msub>
<mover>
<mi>L</mi>
<mo>~</mo>
</mover>
<msub>
<mi>&theta;</mi>
<mi>r</mi>
</msub>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mrow>
<msub>
<mover>
<mi>L</mi>
<mo>~</mo>
</mover>
<msub>
<mi>&theta;</mi>
<mi>r</mi>
</msub>
</msub>
<mo>=</mo>
<msub>
<mover>
<mi>c</mi>
<mo>~</mo>
</mover>
<mi>k</mi>
</msub>
<mo>+</mo>
<mi>T</mi>
<mi> </mi>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mo>|</mo>
<msubsup>
<mi>A</mi>
<mrow>
<mi>r</mi>
<mi>r</mi>
</mrow>
<mn>0</mn>
</msubsup>
<mo>|</mo>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mfrac>
<mi>T</mi>
<mn>2</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>&omega;</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
其中,是常数项,满足对于给定条件下三角分块矩阵C0有 T表示连续时间序列的观测值的个数。
通过极大似然法求解似然函数最小时各参数的值;
5)、脉冲响应求解
对于spVAR模型yt=μ+C1yt-1+C2yt-2…+Chyt-h…+Cpyt-p+εt,将其写为滞后算子的形式,可得:
<mrow>
<mo>(</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>N</mi>
<mi>K</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>C</mi>
<mn>1</mn>
</msub>
<mi>L</mi>
<mo>-</mo>
<msub>
<mi>C</mi>
<mn>2</mn>
</msub>
<msup>
<mi>L</mi>
<mn>2</mn>
</msup>
<mo>-</mo>
<mo>...</mo>
<mo>-</mo>
<msub>
<mi>C</mi>
<mi>p</mi>
</msub>
<msup>
<mi>L</mi>
<mi>p</mi>
</msup>
<mo>)</mo>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>t</mi>
</msub>
<mo>-</mo>
<mi>&mu;</mi>
<mo>)</mo>
<mo>=</mo>
<msub>
<mover>
<mi>&epsiv;</mi>
<mo>~</mo>
</mover>
<mi>t</mi>
</msub>
</mrow>
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>y</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<mi>&mu;</mi>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>N</mi>
<mi>K</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>C</mi>
<mn>1</mn>
</msub>
<mi>L</mi>
<mo>-</mo>
<msub>
<mi>C</mi>
<mn>2</mn>
</msub>
<msup>
<mi>L</mi>
<mn>2</mn>
</msup>
<mo>-</mo>
<mn>...</mn>
<mo>-</mo>
<msub>
<mi>C</mi>
<mi>p</mi>
</msub>
<msup>
<mi>L</mi>
<mi>p</mi>
</msup>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<msub>
<mover>
<mi>&epsiv;</mi>
<mo>~</mo>
</mover>
<mi>t</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mi>&mu;</mi>
<mo>+</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>N</mi>
<mi>K</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>A</mi>
<mn>1</mn>
</msub>
<mi>L</mi>
<mo>+</mo>
<msub>
<mi>A</mi>
<mn>2</mn>
</msub>
<msup>
<mi>L</mi>
<mn>2</mn>
</msup>
<mo>+</mo>
<mn>...</mn>
<mo>)</mo>
</mrow>
<msub>
<mover>
<mi>&epsiv;</mi>
<mo>~</mo>
</mover>
<mi>t</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
变量yjt受到残差一个标准差的冲击时引起向量yt+q的广义脉冲响应如下:
<mrow>
<mi>&Psi;</mi>
<mrow>
<mo>(</mo>
<mi>q</mi>
<mo>,</mo>
<msub>
<mi>&delta;</mi>
<mi>j</mi>
</msub>
<mo>,</mo>
<msub>
<mi>&Omega;</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>A</mi>
<mi>q</mi>
</msub>
<mi>&delta;</mi>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msub>
<mi>A</mi>
<mi>q</mi>
</msub>
<msub>
<mi>&Sigma;</mi>
<mi>j</mi>
</msub>
</mrow>
<msqrt>
<msub>
<mi>&sigma;</mi>
<mrow>
<mi>j</mi>
<mi>j</mi>
</mrow>
</msub>
</msqrt>
</mfrac>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>&delta;</mi>
<mi>j</mi>
</msub>
<msqrt>
<msub>
<mi>&sigma;</mi>
<mrow>
<mi>j</mi>
<mi>j</mi>
</mrow>
</msub>
</msqrt>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
其中,Σj表示εt协方差矩阵Σ的第j列元素,σjj表示残差项εjt的方差,δj表示残差项εjt受到的冲击;
6)、多模式交通需求协同策略的制定
通过脉冲响应求解的分析,得到区域和变量间的相互影响关系和影响程度,由此制定区域多模式交通协同策略。
2.根据权利要求1所述的方法,其特征在于,所述交通协同策略主要包括如下(1)、(2)、(3)、(4)中的一种或多种:
(1)交通预警——因为人为因素或演唱会等突发事件导致某区域的一种或几种交通方式的需求量产生冲击时,通过spVAR的脉冲响应结果可分析得到冲击对该地区其他交通模式和对其他地区各交通模式需求量的影响状况,从而对应发生较大影响的滞后期时间内采取预警措施,防止发生道路交通拥堵和公共交通供给不足的状况;
(2)地铁限流——研究分析地铁对私家车拥堵指数的脉冲响应,如果地铁进站量的冲击在一定时间段内对私家车拥堵指数有正向影响时,可对地铁进站量产生冲击的地区进行限流,同时根据影响程度和对象决定限流程度和限流区域;
(3)公交调度——①当已知某区域的某种交通模式需求量发生冲击时对公共交通需求量在一定时间内会有较大正向影响时,可根据影响的时间和大小对公交的调度进行调整或引导。②当某区域公共交通的需求量发生冲击对私家车拥堵指数有负向影响时,可适当增加公交的发车频次来增大公交上车量,从而达到对相应地区私家车拥堵状况的缓解效果;
(4)道路交通疏导——当发现冲击对某区域的私家车拥堵指数有正向较大程度影响时,可对该区域的交通进行疏导,防止发生过度拥堵情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711220863.XA CN107978153B (zh) | 2017-11-29 | 2017-11-29 | 一种基于空间向量自回归模型的多模式交通需求影响分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711220863.XA CN107978153B (zh) | 2017-11-29 | 2017-11-29 | 一种基于空间向量自回归模型的多模式交通需求影响分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107978153A true CN107978153A (zh) | 2018-05-01 |
CN107978153B CN107978153B (zh) | 2019-07-26 |
Family
ID=62008345
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711220863.XA Active CN107978153B (zh) | 2017-11-29 | 2017-11-29 | 一种基于空间向量自回归模型的多模式交通需求影响分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107978153B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108877226A (zh) * | 2018-08-24 | 2018-11-23 | 交通运输部规划研究院 | 景区交通旅游预测方法及预警系统 |
CN109615112A (zh) * | 2018-11-16 | 2019-04-12 | 上海理工大学 | 一种响应型社区公交行车调度优化方法 |
CN111191900A (zh) * | 2019-12-23 | 2020-05-22 | 北京航空航天大学合肥创新研究院 | 公共交通出行服务车头时距和可靠性价值评估方法和装置 |
CN111402585A (zh) * | 2020-03-25 | 2020-07-10 | 中南大学 | 偶发性拥堵路径的探测方法 |
CN113050606A (zh) * | 2021-03-29 | 2021-06-29 | 中国人民解放军火箭军工程大学 | 一种复杂非平稳过程的质量相关故障检测方法 |
CN113393671A (zh) * | 2021-06-24 | 2021-09-14 | 公安部道路交通安全研究中心 | 一种道路交通组织方案优化方法及装置 |
JP7232487B1 (ja) * | 2023-01-10 | 2023-03-03 | 株式会社アドインテ | 推定システム及び推定方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007103180A2 (en) * | 2006-03-03 | 2007-09-13 | Inrix, Inc. | Assessing road traffic conditions using data from mobile data sources |
CN102737508A (zh) * | 2012-06-19 | 2012-10-17 | 银江股份有限公司 | 一种融合svm与bp神经网络的城市道路交通状态检测方法 |
CN102750824A (zh) * | 2012-06-19 | 2012-10-24 | 银江股份有限公司 | 基于多种神经网络分类器投票的城市道路交通状态检测方法 |
CN105206056A (zh) * | 2015-09-25 | 2015-12-30 | 珠海高凌信息科技有限公司 | 道路交通污染源智能预测方法及系统 |
CN106205126A (zh) * | 2016-08-12 | 2016-12-07 | 北京航空航天大学 | 基于卷积神经网络的大规模交通网络拥堵预测方法及装置 |
-
2017
- 2017-11-29 CN CN201711220863.XA patent/CN107978153B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007103180A2 (en) * | 2006-03-03 | 2007-09-13 | Inrix, Inc. | Assessing road traffic conditions using data from mobile data sources |
CN102737508A (zh) * | 2012-06-19 | 2012-10-17 | 银江股份有限公司 | 一种融合svm与bp神经网络的城市道路交通状态检测方法 |
CN102750824A (zh) * | 2012-06-19 | 2012-10-24 | 银江股份有限公司 | 基于多种神经网络分类器投票的城市道路交通状态检测方法 |
CN105206056A (zh) * | 2015-09-25 | 2015-12-30 | 珠海高凌信息科技有限公司 | 道路交通污染源智能预测方法及系统 |
CN106205126A (zh) * | 2016-08-12 | 2016-12-07 | 北京航空航天大学 | 基于卷积神经网络的大规模交通网络拥堵预测方法及装置 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108877226A (zh) * | 2018-08-24 | 2018-11-23 | 交通运输部规划研究院 | 景区交通旅游预测方法及预警系统 |
CN109615112A (zh) * | 2018-11-16 | 2019-04-12 | 上海理工大学 | 一种响应型社区公交行车调度优化方法 |
CN109615112B (zh) * | 2018-11-16 | 2023-07-07 | 上海理工大学 | 一种响应型社区公交行车调度优化方法 |
CN111191900A (zh) * | 2019-12-23 | 2020-05-22 | 北京航空航天大学合肥创新研究院 | 公共交通出行服务车头时距和可靠性价值评估方法和装置 |
CN111191900B (zh) * | 2019-12-23 | 2023-04-25 | 北京航空航天大学合肥创新研究院 | 公共交通出行服务车头时距和可靠性价值评估方法和装置 |
CN111402585A (zh) * | 2020-03-25 | 2020-07-10 | 中南大学 | 偶发性拥堵路径的探测方法 |
CN113050606A (zh) * | 2021-03-29 | 2021-06-29 | 中国人民解放军火箭军工程大学 | 一种复杂非平稳过程的质量相关故障检测方法 |
CN113393671A (zh) * | 2021-06-24 | 2021-09-14 | 公安部道路交通安全研究中心 | 一种道路交通组织方案优化方法及装置 |
CN113393671B (zh) * | 2021-06-24 | 2022-11-15 | 公安部道路交通安全研究中心 | 一种道路交通组织方案优化方法及装置 |
JP7232487B1 (ja) * | 2023-01-10 | 2023-03-03 | 株式会社アドインテ | 推定システム及び推定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107978153B (zh) | 2019-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107978153A (zh) | 一种基于空间向量自回归模型的多模式交通需求影响分析方法 | |
Tang et al. | Taxi trips distribution modeling based on Entropy-Maximizing theory: A case study in Harbin city—China | |
Wu et al. | Traffic and emissions impact of congestion charging in the central Beijing urban area: A simulation analysis | |
Bassolas et al. | Mobile phone records to feed activity-based travel demand models: MATSim for studying a cordon toll policy in Barcelona | |
CN104217250B (zh) | 一种基于历史数据的城市轨道交通新线开通客流预测方法 | |
Bao et al. | Relevance of airport accessibility and airport competition | |
CN106503843A (zh) | 一种基于手机信令数据的常规公交线网优化与调整方法 | |
CN103208033B (zh) | 一种成网条件下城市轨道交通新线接入客流预测方法 | |
CN107086935A (zh) | 基于wifi ap的人流量分布预测方法 | |
CN107730115A (zh) | 一种基于ahp的多源位置轨迹数据的质量评估方法 | |
CN104320789A (zh) | 一种基于博弈论的车联网rsu最优配置方法 | |
Cordera et al. | Trip distribution model for regional railway services considering spatial effects between stations | |
CN105404934A (zh) | 一种基于条件随机场的城市人口移动数据模型分析方法 | |
CN104915731B (zh) | 一种基于车辆自动识别数据的车辆出行路径重构宏微观整合方法 | |
CN106370198A (zh) | 一种考虑出行异质性的路径选择方法 | |
CN103020733A (zh) | 一种基于权重的机场单航班噪声预测方法及其系统 | |
Li et al. | Impact of traffic exposure and land use patterns on the risk of COVID-19 spread at the community level | |
Bao et al. | Optimization of airport shuttle bus routes based on travel time reliability | |
Li et al. | Optimization of time-varying parking charges and parking supply in networks with multiple user classes and multiple parking facilities | |
CN106844626A (zh) | 利用微博关键词和位置信息模拟空气质量的方法及系统 | |
Yang et al. | Performance evaluation of handoff-based cellular traffic monitoring systems using combined wireless and traffic simulation platform | |
CN111723991A (zh) | 大型活动散场客流对地铁车站冲击影响的预测评估方法 | |
Xia et al. | Deeprailway: a deep learning system for forecasting railway traffic | |
Hwang et al. | An examination of the accuracy of an activity-based travel simulation against smartcard and navigation device data | |
Hu et al. | Online footprints of workforce migration and economic implications |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |