CN108182196A - 一种基于poi的城市交通需求预测方法 - Google Patents
一种基于poi的城市交通需求预测方法 Download PDFInfo
- Publication number
- CN108182196A CN108182196A CN201711204504.5A CN201711204504A CN108182196A CN 108182196 A CN108182196 A CN 108182196A CN 201711204504 A CN201711204504 A CN 201711204504A CN 108182196 A CN108182196 A CN 108182196A
- Authority
- CN
- China
- Prior art keywords
- poi
- trip
- value
- factor
- capability
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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"
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Chemical & Material Sciences (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Analytical Chemistry (AREA)
- Game Theory and Decision Science (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于地图兴趣点(Point of Intrest,POI)的城市交通需求预测方法,该方法将城市空间内POI数据首先按照两级分类体系进行类别划分;然后计算出行生成能力因子清单中的每个因子的数值,并进行归一化处理;进而计算能力因子清单中的每个因子的权重值,包括计算各因子的发生能力权重值和吸引能力权重值及相应归一化权重值;最后根据因子清单中的每个因子的归一化数值以及对应的归一化权重值计算POI的出行生成能力指数。本发明采用实时更新的网络开源数据,通过POI数据的位置、类别等属性计算得到其出行生成能力指数,极大的提高了城市交通需求预测准确度和简化了预测操作流程。
Description
技术领域
本发明属于城市交通运输规划与管理技术,具体涉及一种基于POI的城市交通需求预测方法。
背景技术
出行生成量,又称出行需求量,在城市交通领域反映一定区域内居民社会活动的出行强度。出行需求预测结果是决定城市交通基础设施建设规模的关键决策依据,是在进行各类城市交通规划项目实践过程中均需要测算的重要内容。
在交通需求量的预测方面,现有技术采用“四阶段”预测法,该方法是基于城市土地利用状况及不同类型用地的出行生成率对局部地块的出行量进行预测,然后进一步将其集计得到交通小区的出行量。这种方法利用了土地利用是一切社会活动的根本动因这一原理,但存在以下两点不足:
1、这种集计方法的精度完全依赖于所采用的土地利用数据的准确性,而城市土地利用状况是动态变化的,实践过程中很难获得准确反映用地状态的数据;
2、在实际操作过程中,需要测算目标区域内所有类型地块规模,工作量繁琐且艰巨。
另外,在土地利用数据预测方法的基础上提出的基于活动的预测方法,能够较大程度的提高预测精度,但该法未能从土地利用这一本质出发来反映个体出行活动,同时,个体出行活动链数据的获取同样是一个复杂而艰难的过程,因此这一方法也很难运用在项目实践过程中。
本发明基于POI数据的分析与处理,POI是地理信息系统中的数据基础,能够直观反映城市发展在空间维度上的分布状况,目前已经能够比较方便的从网络获取相关数据。
发明内容
发明目的:针对上述现有技术的不足,本发明提供一种基于POI数据的交通需求预测方法,该方法基于POI实时数据采集和分析,在简化预测过程的同时极大的提高了交通生成量的预测精度。
技术方案:一种基于POI的城市交通需求预测方法,所述的方法在交通生成预测阶段,基于交通小区内各POI的出行发生和出行吸引特征预测目标区域交通需求特征,包括以下步骤:
(1)将目标区域划分为若干交通小区,将分布于目标区域内的POI按其位置属性划分到相应交通小区;
(2)建立POI出行生成能力因子清单并计算各类因子数值,所述的能力生成因子包括POI类型重要度、POI区位度、POI密集度,并对各类因子数值作归一化处理;
(3)计算出行生成能力因子权重值,包括出行发生能力权重和出行吸引能力权重,并作归一化处理;
(4)计算POI出行生成能力指数,包括POI出行发生能力指数和POI出行吸引能力指数;
(5)以交通小区为单元集计各POI出行生成能力指数,包括出行发生相对量和出行吸引相对量。
进一步的,步骤(2)所述的各类生成能力因子数值计算包括如下步骤:
(2.1)将目标区域内的POI数据按照两级分类体系进行划分,包括一级大类和二级小类,所述的大类包括车辆服务、餐饮服务、购物服务、生活服务、体育休闲、医疗保健、住宿住宅、风景名胜、政府社团、科教文化、交通设施、金融保险、公司企业12个,所述的每一级大类细分有二级小类类别;
(2.2)计算POI类型重要度:采用德尔菲法对每一细分类别进行评分得到二级类型重要度,将每一大类中所有二级类别重要度取平均作为一级类型重要度,编制成类型重要度量表;分别从预置的类型重要度量表中获取所述待计算POI所属类型对应的一级类型重要度数值和二级类型重要度数值,将所述类型重要度数值的乘积确定为待计算POI类型重要度的数值;
(2.3)计算POI区位度:分别计算所述POI距离城市中心及城市组团中心的距离指标作为区位度衡量基础,将其平均距离的倒数作为POI区位度的数值;
(2.4)计算POI密集度:计算所述POI周边以单位距离为半径的圆形区域内其他POI点的个数,将该数值作为POI密集度的数值。
步骤(3)包括计算能力因子清单中每个因子对应的权重值,具体包括如下步骤:
(3.1)采用专家法对三种因子的出行发生能力相对值进行评分得到发生能力相对权重值量表,对三种因子的出行吸引能力相对值进行评分得到吸引能力相对权重值量表;
(3.2)从因子间发生能力相对权重值量表和吸引能力相对权重值量表中,分别获取各因子与能力因子清单中其他每一个因子的发生能力相对权重值和吸引能力相对权重值;
(3.3)将因子与能力因子清单中其他每一个能力因子的发生能力相对权重值的乘积的3次方根,作为所述能力因子的发生能力权重值,计算方法如下:
公式1中,Yi为所述POI第i个能力因子的发生能力权重值,y1、y2、y3分别为第i个能力因子与三个因子的发生能力相对权重值。
(3.4)将所述因子与能力因子清单中其他每一个能力因子的吸引能力相对权重值的乘积的3次方根,作为所述能力因子的吸引能力权重值,计算方法如下:
公式2中,Si为所述POI第i个能力因子的吸引能力权重值,s1、s2、s3分别为第i个能力因子与三个因子的吸引能力相对权重值。
步骤(4)包括计算能力因子的归一化数值及其对应的权重值和POI的出行生成能力指数,包括以下步骤:
(4.1)将所有待计算POI的每一类能力因子数值采用min-max方法归一化处理,得到所述待计算POI的归一化能力因子数值,min-max归一化方法如下:
归一化处理公式3中,Xi,norm为第i类能力因子的归一化数值,Xi为该POI第i类能力因子数值,Xi,max为所述交通小区内所有POI第i类能力因子数值的最大值;Xi,min为所述交通小区内所有POI第i类能力因子数值的最小值。
(4.2)将所有待计算POI的每一类能力因子对应的发生能力相对权重值进行归一化处理,得到所述待计算POI的发生能力因子归一化权重值,归一化方法如下:
归一化处理公式4中,Yi,norm为所述POI的第i类能力因子发生能力归一化权重值,Yi为该POI第i类能力因子发生能力权重值。
(4.3)将所有待计算POI的每一类能力因子对应的吸引能力相对权重值进行归一化处理,得到所述待计算POI的吸引能力因子归一化权重值,归一化方法如下:
归一化处理公式5中,Wi,norm为所述POI的第i类能力因子吸引能力归一化权重值,Si为该POI第i类能力因子吸引能力权重值。
(4.4)将所述待计算POI的出行生成能力因子归一化数值与对应发生能力归一化权重值乘积的和作为所述POI的出行发生能力指数,计算方法如下:
公式6中,Z为所述POI的出行发生能力指数,Xi,norm为该POI第i类能力因子生成能力归一化数值,Yi,morm为该POI第i类能力因子对应的发生能力归一化权重值。
(4.5)将所述待计算POI的出行生成能力因子归一化数值与对应吸引能力归一化权重值乘积的和作为所述POI的出行吸引能力指数,计算方法如下:
公式7中,Z为所述POI的出行吸引能力指数,Xi,norm为该POI第i类能力因子生成能力归一化数值,Wi,norm为该POI第i类能力因子对应的吸引能力归一化权重值。
更进一步的,所述的预测方法以交通小区为单位,将各交通小区所覆盖的所有POI出行能力生成指数分别进行求和,包括出行生成能力指数和出行吸引能力指数,分别为所述交通小区的出行发生量相对值和出行吸引量相对值,计算公式如下:
公式8、9中,Pj为交通小区j的出行发生量相对值,Zi为交通小区j内第i个POI的出行发生能力指数;Aj为交通小区j的出行吸引量相对值,Ui为交通小区j内第i个POI的出行吸引能力指数。
有益效果:本发明相比现有技术其显著的效果在于,本发明基于POI数据,很好的利用时更新的网络开源数据,获取渠道众多且过程简单;另一方面通过POI数据的位置、类别等属性计算得到其出行生成能力指数,进一步将其集计得到交通小区的生成能力指数能够准确的反映出行需求状况,并且可行性较高。
附图说明
图1为本发明的步骤流程图。
具体实施方式
为了详细的说明本发明公开的技术方案,下面结合说明书附图和具体实施例做进一步的阐述。
一种基于POI数据的交通需求预测方法,其流程如图1所示,包括以下步骤:
步骤(1):将目标区域划分为若干交通小区,将分布于目标区域内的POI按其位置属性划分到相应交通小区。交通小区的划分应遵循行政区划、自然隔离、建造物隔离、属性一致等基本原则。
步骤(2):计算POI出行生成能力因子清单中各因子的数值,出行生成能力因子清单包括:POI类型重要度、POI区位度和POI密集度。不同的待计算POI对应的客观因子类型相同,即各POI的客观因子清单均包括POI类型重要度、POI区位度和POI密集度三类。
(2.1)对于POI类型重要度因子,分别从预置的一级、二级分类类型重要度量表中获取所述待计算POI所属类型对应的一级类型重要度数值和二级类型重要度数值,将类型重要度数值的乘积确定为所述待计算POI类型重要度的数值。
(2.1.1)将POI数据划分为车辆服务、餐饮服务、购物服务、生活服务、体育休闲、医疗保健、住宿住宅、风景名胜、政府社团、科教文化、交通设施、金融保险、公司企业等12个一级大类,每一级大类细分为数目不等若干小类,例如车辆服务可细分为汽车销售、汽车养护、汽车维修、摩托车服务相关等类别。
(2.1.2)采用抽样调查法获得每个细分类POI的平均人口规模、平均建筑规模和平均占地面积,以此数据为基础对各二级类别的类型重要度进行评分,将每一大类中所有二级类别重要度数值取平均作为该一级类别重要度,将所有类别的一、二级类型重要度汇编成类型重要度量表。
(2.1.3)一级类别按照人流集疏能力大小按照1~10分别给定类型重要度;二级类别可以交通出行生成能力指标中单位建筑面积的出行生成率为参考,线性计算为1~10的区间值后作为二级类型重要度。例如,一个住宅类POI点P1,一级类别重要度为10,二级类型单位建筑面积出行率为69.8,并得到所述交通小区内所有POI的二级类别出行率后,用以下公式将该二级类型出行率映射到区间1~10,作为P1的二级类型重要度,
其中,Hi为第i个POI的二级类别重要度,Xi为该POI的二级类别出行率,Xmin为所在交通小区内所有POI的二级类别出行率最小值,Xmax为所在交通小区内所有POI的二级类别出行率最大值。
(2.1.4)将一级类型和二级类型的区间为[1,10]的类型重要度乘积作为该POI的最终类型重要度,且POI类型重要度区间为[1,100]。
(2.2)对于POI区位度因子,首先确定城市片区或组团中心位置坐标并计算所述POI至各片区或组团中心的距离,计算所述POI到各中心的平均距离,将该平均距离的倒数作为所述POI的区位度数值,区位度取值区间为[0.02,1]。例如POI点P1,其距四个城市中心距离分别为x1,x2,x3,x4,则P1区位度为,
特别的,规定平均距离小于1km或大于50km时,均以该界限值替之处理,即分别取值0.02和1。
(2.3)对于POI密集度因子,计算所述POI周边以单位距离为半径的圆形区域内其他POI点的个数,将该数值作为所述POI密集度的数值。
步骤(3):计算POI的各出行生成能力因子的归一化数值。
(3.1)目标区域内所有POI的能力因子运算完成后,将所述待计算POI的三类能力因子数值分别按照min-max方法进行归一化处理,具体处理方法为:
其中,Xi,j,norm为第j个POI的第i类能力因子的归一化数值,Xi,j为第j个POI的第i类能力因子数值,Xi,max为所述目标区域内所有POI第i类能力因子数值的最大值;Xi,min为所述目标区域内所有POI第i类能力因子数值的最小值。
(3.2)POI的各出行生成能力因子归一化数值是在计算完成目标区域所有POI的出行生成能力因子的基础上,将每一类能力因子进行归一化所得到的结果,具体实施过程如下。
(3.2.1)对于POI类型重要度因子,假设目标区域内所有POI的类型重要度数值分别为H1,H2,H3,…,Hn,则归一化处理方法如下,
其中,Hj,norm为第j个POI的类型重要度因子归一化数值,Hj为该POI的类型重要度因子数值,Hmax为所述目标区域内所有POI的类型重要度因子数值的最大值;Hmin为所述目标区域内所有POI的类型重要度因子数值的最小值。
(3.2.2)对于POI区位度因子,假设目标区域内所有POI的区位度因子数值分别为D1,D2,D3,…,Dn,则归一化处理方法如下,
其中,Dj,norm为第j个POI的区位度因子归一化数值,Dj为该POI的区位度因子数值,Dmax为所述目标区域内所有POI的区位度因子数值的最大值;Dmin为所述目标区域内所有POI的区位度因子数值的最小值。
(3.2.3)对于POI密集度因子,假设目标区域内所有POI的密集度因子数值分别为P1,P2,P3,…,Pn,则归一化处理方法如下,
其中,Pj,norm为第j个POI的密集度因子归一化数值,Pj为该POI的密集度因子数值,Pmax为所述目标区域内所有POI的密集度因子数值的最大值;Pmin为所述目标区域内所有POI的密集度因子数值的最小值。
步骤(4):分别计算所述POI的各因子对应权重值,即出行发生能力权重值和出行吸引能力权重值。并计算所述POI的出行发生能力归一化权重值和出行吸引能力归一化权重值。具体实现过程如下:
(4.1)对于生成能力权重值,从因子间发生能力相对权重值表中,获取所述能力因子与其他每一个能力因子的发生能力相对权重值;将所述能力因子与其他两个能力因子的发生能力相对权重值的乘积的3次方根,作为所述能力因子的发生能力权重值。计算方法如下,
计算公式1中,Si为所述POI第i个能力因子发生能力权重值,yi,1、yi,2、yi,3分别为第i个能力因子与三个因子的发生能力的相对权重值。具体实施步骤如下,
(4.1.1)本实施例中,采用专家法对三种因子的出行发生能力相对值进行评分得到发生能力相对权重值量表,对三种因子的出行吸引能力相对值进行评分得到吸引能力相对权重值量表。POI对应的各能力因子两两之间发生能力相对权重值表,可以如下表所示:
X1 | X2 | X3 | |
X1 | a11 | a12 | a13 |
X2 | a21 | a22 | a23 |
X3 | a31 | a32 | a33 |
上表中,aij表示因子Xi的发生能力相对于因子Xj的发生能力的相对权重值,如aij取值为1,则表示xi相对于因子xj的发生能力同等重要;同样的,aij取值为3,则表示xi比因子xj重要;如aij取值为1/5,则表示xi不比因子xj重要;其中,aij>0;aii=1;
(4.1.2)计算因子X1与其他因子的相对权重值的乘积为M1、因子X2与其他因子的相对权重值的乘积为M2、因子X3与其他因子的相对权重值的乘积为M3:
M1=a11*a12*a13;
M2=a21*a22*a23;
M3=a31*a32*a33。
(4.1.3)求Mi的3次方根值:
则因子X1、X2、X3的出行发生能力权重值为s1、s2、s3。其他各因子出行吸引能力权重值实施方法与出行发生能力权重值的类似。
(4.2)对于出行生成能力归一化权重值,将所述每个待计算POI的三类能力因子的发生能力权重值求和,每个因子的发生能力权重值除以所述和值作为该因子发生能力归一化权重值;将所述每个POI的三类因子的吸引能力权重值求和,每个因子的吸引能力权重值除以所述和值作为该因子吸引能力归一化权重值。
对于第j个POI,其三个因子的出行发生能力权重值分别为s1、s2、s3,进行如下计算,
则因子X1、X2、X3的出行发生能力归一化权重值为w1,j,norm、w2,j,norm、w3,j,norm;
各因子出行吸引能力归一化权重值实施方法与出行发生能力归一化权重值的类似,可分别计算得到X1、X2、X3的出行吸引能力归一化权重值为v1,j,norm、v2,j,m、v3,j,m。
步骤(5):将各POI的出行生成能力归一化数值乘以对应归一化权重值并求和,作为所述POI的出行生成能力指数。
POI各因子的出行生成能力归一化数值乘以对应出行发生能力归一化权重值并求和为所述POI的出行发生能力指数;出行生成能力归一化数值乘以对应吸引能力归一化权重值并求和为所述POI的出行吸引能力指数。具体实施方法如下,
Zj=Hj,norm*W1,j,norm+Dj,norm*W2,j,norm+Pj,norm*W3,j,norm (公式7)
Uj=Hj,norm*V1,j,norm+Dj,norm*V2,j,norm+Pj,norm*V3,j,norm (公式8)
计算公式7、8中,Zj为第j个POI的出行发生能力指数,Uj为所述POI的出行吸引能力指数;Hj,norm、Dj,norm、Pj,norm分别为第j个POI的三个归一化因子数值,具体含义如前所述;W1,j,norm、W2,j,norm、W3,j,norm分别为该POI的三类因子发生能力归一化权重值,此处假定具体含义与Hj,norm、Dj,norm、Pj,norm相对应;V1,j,norm、V2,j,norm、V3,j,norm为该POI的三类因子吸引能力归一化权重值,此处假定具体含义与Hj,norm、Dj,norm、Pj,norm相对应。
步骤(6):将各交通小区内所有POI的出行生成能力指数分别进行集计,计算得到所述交通小区的出行发生能力指数和出行吸引能力指数,即为出行生成预测中出行发生量和出行吸引量的相对值。计算公式如下,
计算公式9、10中,Pi为交通小区i的出行发生量相对值,Zj为交通小区i内第j个POI的出行发生能力指数;Ai为交通小区i的出行吸引量相对值,Wj为交通小区i内第j个POI的出行吸引能力指数。
Claims (5)
1.一种基于POI的城市交通需求预测方法,所述的方法在交通生成预测阶段,基于交通小区内各POI的出行发生和出行吸引特征预测目标区域交通需求特征,其特征在于:所述的方法包括以下步骤:
(1)将目标区域划分为若干交通小区,将分布于目标区域内的POI按其位置属性划分到相应交通小区;
(2)建立POI出行生成能力因子清单并计算各类因子数值,所述的能力生成因子包括POI类型重要度、POI区位度、POI密集度,并对各类因子数值作归一化处理;
(3)计算出行生成能力因子权重值,包括出行发生能力权重和出行吸引能力权重,并作归一化处理;
(4)计算POI出行生成能力指数,包括POI出行发生能力指数和POI出行吸引能力指数;
(5)以交通小区为单元集计各POI出行生成能力指数,包括出行发生相对量和出行吸引相对量。
2.根据权利要求1所述的一种基于POI的城市交通需求预测方法,其特征在于:步骤(2)所述的各类生成能力因子数值计算包括如下步骤:
(2.1)将目标区域内的POI数据按照两级分类体系进行划分,包括一级大类和二级小类,所述的大类包括车辆服务、餐饮服务、购物服务、生活服务、体育休闲、医疗保健、住宿住宅、风景名胜、政府社团、科教文化、交通设施、金融保险、公司企业12个,所述的每一级大类细分有二级小类类别;
(2.2)计算POI类型重要度:采用德尔菲法对每一细分类别进行评分得到二级类型重要度,将每一大类中所有二级类别重要度取平均作为一级类型重要度,编制成类型重要度量表;然后分别从所述的类型重要度量表中获取所述待计算POI所属类型对应的一级类型重要度数值和二级类型重要度数值,将所述类型重要度数值的乘积确定为待计算POI类型重要度的数值;
(2.3)计算POI区位度:分别计算所述POI距离城市中心及城市组团中心的距离指标作为区位度衡量基础,将其平均距离的倒数作为POI区位度的数值;
(2.4)计算POI密集度:计算所述POI周边以单位距离为半径的圆形区域内其他POI点的个数,将该数值作为POI密集度的数值。
3.根据权利要求1所述的一种基于POI的城市交通需求预测方法,其特征在于:步骤(3)包括计算能力因子清单中每个因子对应的权重值,具体包括如下步骤:
(3.1)采用专家法对三种因子的出行发生能力相对值进行评分得到发生能力相对权重值量表,对三种因子的出行吸引能力相对值进行评分得到吸引能力相对权重值量表;
(3.2)从因子间发生能力相对权重值量表和吸引能力相对权重值量表中,分别获取各因子与能力因子清单中其他每一个因子的发生能力相对权重值和吸引能力相对权重值;
(3.3)将因子与能力因子清单中其他每一个能力因子的发生能力相对权重值的乘积的3次方根,作为所述能力因子的发生能力权重值,计算方法如下:
公式1中,Yi为所述POI第i个能力因子的发生能力权重值,y1、y2、y3分别为第i个能力因子与三个因子的发生能力相对权重值;
(3.4)将所述因子与能力因子清单中其他每一个能力因子的吸引能力相对权重值的乘积的3次方根,作为所述能力因子的吸引能力权重值,计算方法如下:
公式2中,Si为所述POI第i个能力因子的吸引能力权重值,s1、s2、s3分别为第i个能力因子与三个因子的吸引能力相对权重值。
4.根据权利要求1所述的一种基于POI的城市交通需求预测方法,其特征在于:步骤(4)包括计算能力因子的归一化数值及其对应的权重值和POI的出行生成能力指数,包括以下步骤:
(4.1)将所有待计算POI的每一类能力因子数值采用min-max方法归一化处理,得到所述待计算POI的归一化能力因子数值,min-max归一化方法如下:
公式3中,Xi,norm为第i类能力因子的归一化数值,Xi为该POI第i类能力因子数值,Xi,max为所述目标区域内所有POI第i类能力因子数值的最大值;Xi,min为所述目标区域内所有POI第i类能力因子数值的最小值;
(4.2)将所有待计算POI的每一类能力因子对应的发生能力相对权重值进行归一化处理,得到所述待计算POI的发生能力因子归一化权重值,归一化方法如下:
公式4中,Yi,norm为POI的第i类能力因子发生能力归一化权重值,Yi为该POI第i类能力因子发生能力权重值;
(4.3)将所有待计算POI的每一类能力因子对应的吸引能力相对权重值进行归一化处理,得到所述待计算POI的吸引能力因子归一化权重值,归一化方法如下:
归一化处理公式5中,Wi,norm为所述POI的第i类能力因子吸引能力归一化权重值,Si为该POI第i类能力因子吸引能力权重值;
(4.4)将所述待计算POI的出行生成能力因子归一化数值与对应发生能力归一化权重值乘积的和作为所述POI的出行发生能力指数,计算方法如下:
公式6中,Z为所述POI的出行发生能力指数,Xi,norm为该POI第i类能力因子生成能力归一化数值,Yi,norm为该POI第i类能力因子对应的发生能力归一化权重值;
(4.5)将所述待计算POI的出行生成能力因子归一化数值与对应吸引能力归一化权重值乘积的和作为所述POI的出行吸引能力指数,计算方法如下:
公式7中,Z为所述POI的出行吸引能力指数,Xi,norm为该POI第i类能力因子生成能力归一化数值,Wi,norm为该POI第i类能力因子对应的吸引能力归一化权重值。
5.根据权利要求1所述的一种基于POI的城市交通需求预测方法,其特征在于:所述的预测方法以交通小区为单位,将各交通小区所覆盖的所有POI出行能力生成指数分别进行求和,包括出行生成能力指数和出行吸引能力指数,分别为所述交通小区的出行发生量相对值和出行吸引量相对值,计算公式如下:
公式8、9中,Pj为交通小区j的出行发生量相对值,Zi为交通小区j内第i个POI的出行发生能力指数;Aj为交通小区j的出行吸引量相对值,Ui为交通小区j内第i个POI的出行吸引能力指数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711204504.5A CN108182196B (zh) | 2017-11-27 | 2017-11-27 | 一种基于poi的城市交通需求预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711204504.5A CN108182196B (zh) | 2017-11-27 | 2017-11-27 | 一种基于poi的城市交通需求预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108182196A true CN108182196A (zh) | 2018-06-19 |
CN108182196B CN108182196B (zh) | 2021-09-07 |
Family
ID=62545261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711204504.5A Active CN108182196B (zh) | 2017-11-27 | 2017-11-27 | 一种基于poi的城市交通需求预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108182196B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188953A (zh) * | 2019-05-31 | 2019-08-30 | 大连理工大学 | 一种基于空间杜宾模型的o-d时空分布预测方法 |
CN111861040A (zh) * | 2020-07-31 | 2020-10-30 | 长沙理工大学 | 公交线路的优化调整方法及装置、设备、存储介质 |
CN113192321A (zh) * | 2021-03-17 | 2021-07-30 | 东南大学 | 一种面向综合土地利用的交通需求分布提取方法 |
CN114613139A (zh) * | 2022-03-16 | 2022-06-10 | 北京工业大学 | 一种适用于大型体育活动交通预测的出行生成预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105513370A (zh) * | 2015-12-29 | 2016-04-20 | 浙江大学 | 基于稀疏车牌识别数据挖掘的交通小区划分方法 |
US20160202076A1 (en) * | 2015-01-14 | 2016-07-14 | Telenav, Inc. | Navigation system with an itinerary planning mechanism and method of operation thereof |
CN106250540A (zh) * | 2016-08-09 | 2016-12-21 | 大连理工大学 | 基于百度地图开放数据与Web数据挖掘的区域停车难易指数的分析方法 |
CN107194505A (zh) * | 2017-05-10 | 2017-09-22 | 华中科技大学 | 一种基于城市大数据预测公共汽车出行量的方法和系统 |
-
2017
- 2017-11-27 CN CN201711204504.5A patent/CN108182196B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160202076A1 (en) * | 2015-01-14 | 2016-07-14 | Telenav, Inc. | Navigation system with an itinerary planning mechanism and method of operation thereof |
CN105513370A (zh) * | 2015-12-29 | 2016-04-20 | 浙江大学 | 基于稀疏车牌识别数据挖掘的交通小区划分方法 |
CN106250540A (zh) * | 2016-08-09 | 2016-12-21 | 大连理工大学 | 基于百度地图开放数据与Web数据挖掘的区域停车难易指数的分析方法 |
CN107194505A (zh) * | 2017-05-10 | 2017-09-22 | 华中科技大学 | 一种基于城市大数据预测公共汽车出行量的方法和系统 |
Non-Patent Citations (2)
Title |
---|
ALEXANDRE A: "Advanced trip generation/attraction models", 《XI CONGRESO DE INGENIERIA DEL TRANSPORTE(CIT 2014)》 * |
龙雪琴: "基于土地利用和出行链的出行分布量预测方法", 《中国公路学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188953A (zh) * | 2019-05-31 | 2019-08-30 | 大连理工大学 | 一种基于空间杜宾模型的o-d时空分布预测方法 |
CN110188953B (zh) * | 2019-05-31 | 2022-09-06 | 大连理工大学 | 一种基于空间杜宾模型的o-d时空分布预测方法 |
CN111861040A (zh) * | 2020-07-31 | 2020-10-30 | 长沙理工大学 | 公交线路的优化调整方法及装置、设备、存储介质 |
CN111861040B (zh) * | 2020-07-31 | 2024-03-22 | 长沙理工大学 | 公交线路的优化调整方法及装置、设备、存储介质 |
CN113192321A (zh) * | 2021-03-17 | 2021-07-30 | 东南大学 | 一种面向综合土地利用的交通需求分布提取方法 |
CN114613139A (zh) * | 2022-03-16 | 2022-06-10 | 北京工业大学 | 一种适用于大型体育活动交通预测的出行生成预测方法 |
CN114613139B (zh) * | 2022-03-16 | 2024-04-19 | 北京工业大学 | 一种适用于大型体育活动交通预测的出行生成预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108182196B (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
He et al. | Mining transition rules of cellular automata for simulating urban expansion by using the deep learning techniques | |
CN110334864B (zh) | 一种基于gis的多规合一城乡空间分区划定的方法 | |
CN108182196A (zh) | 一种基于poi的城市交通需求预测方法 | |
CN110533038A (zh) | 一种基于信息数据的城市活力区和中心城区边界识别的方法 | |
Zhang et al. | Simulation and analysis of urban growth scenarios for the Greater Shanghai Area, China | |
Meng et al. | A GIS-based multicriteria decision analysis approach for mapping accessibility patterns of housing development sites: a case study in Canmore, Alberta | |
CN102750411B (zh) | 基于多智能体离散选择模型城市动态微观仿真方法 | |
Campos et al. | Multi‐criteria analysis procedure for sustainable mobility evaluation in urban areas | |
Tian et al. | Restructuring rural settlements based on mutualism at a patch scale: A case study of Huangpi District, central China | |
CN104361255B (zh) | 一种改进元胞自动机城市扩张模拟方法 | |
CN107506433A (zh) | 城市发展空间格局情景模拟系统 | |
CN113642757A (zh) | 一种基于人工智能的物联网充电桩建设规划的方法及系统 | |
Dadashpour Moghaddam et al. | A GIS-based assessment of urban tourism potential with a branding approach utilizing hybrid modeling | |
Mahdi et al. | Modelling the Accommodation Preferences of Tourists by Combining Fuzzy‐AHP and GIS Methods | |
CN115809378A (zh) | 一种基于手机信令数据的医疗短缺区识别及布局优化方法 | |
Li et al. | The functional assessment of agricultural ecosystems in Hubei Province, China | |
Kang et al. | Potential of urban land use by autonomous vehicles: Analyzing land use potential in Seoul capital area of Korea | |
Buzási et al. | Mixed approach to assess urban sustainability and resilience–A spatio-temporal perspective | |
Song | Infrastructure and Urban development: Evidence from Chinese cities | |
Tian et al. | Interactive effect and spatial characteristics of agricultural development level and transport superiority degree in main grain-producing areas of the central Jilin Province, China | |
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 | |
CN116502837A (zh) | 一种基于大数据的体育设施配置方法、装置及储存介质 | |
Shi et al. | Modeling vibrant areas at nighttime: A machine learning-based analytical framework for urban regeneration | |
Ajrina et al. | Comparison of MOORA and COPRAS methods based on geographic information system for determining potential zone of pasir batu mining | |
Ou et al. | Computational experiments for studying impacts of land use on traffic systems |
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 |