CN109299438A - 一种基于网约车数据的公共交通设施供给水平评价方法 - Google Patents
一种基于网约车数据的公共交通设施供给水平评价方法 Download PDFInfo
- Publication number
- CN109299438A CN109299438A CN201811117535.1A CN201811117535A CN109299438A CN 109299438 A CN109299438 A CN 109299438A CN 201811117535 A CN201811117535 A CN 201811117535A CN 109299438 A CN109299438 A CN 109299438A
- Authority
- CN
- China
- Prior art keywords
- public
- data
- net
- region
- supply
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Strategic Management (AREA)
- Pure & Applied Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
一种基于网约车出行数据的城市公共交通设施供给水平评价方法。该方法构建了一系列城市公共交通设施供给服务指标,包括:公共交通站点承载容量、公共交通站点覆盖质量、公共交通线路覆盖质量和公共交通区域连通性。在该指标体系下,分析网约车出行订单和公共交通设施服务水平在空间上的分布模式,利用地理加权回归方法对网约车出行需求和公共交通设施各项供给服务指标进行局部回归,得到各地区公共交通设施供给服务指标与网约车出行需求之间的回归系数。将各服务指标作为评级项,以各指标对应的回归系数值作为评分值,对区域公共交通供给水平进行评级,以判断在现有公交发展政策和设计规范下,各区域公共交通设施供给水平差异。
Description
技术领域
本发明涉及城市公共交通设施供给服务评价领域,特别是涉及一种基于网约车数据的公共交通设施供给水平评价方法。
背景技术
私人汽车在中国的快速增长导致了环境问题和交通拥堵,进而限制了社会发展。为了实现交通和经济的可持续发展,必须通过增加公共交通的使用率来减少出行者对私人车辆的依赖。在制定有效的公共交通改善策略之前,需要认识到居民出行的公共交通设施供给和服务能力现状,有针对性地改进公共交通设施服务水平以满足居民的出行需求,提高公共交通分担率。近年来,网约车凭借其便捷性和舒适性优势,在一定程度上吸引了使用公共交通出行的用户,对公共交通服务形成了冲击。因此,从网约车出行需求角度分析公共交通设施供给水平有利于推动公共交通设施服务发展,提高公交分担率。
本发明结合网约车出行订单数据及其地理信息特征,提出了城市公共交通设施供给服务水平评价方法。利用地理空间分析技术解析网约车出行订单和公共交通设施服务水平在空间上的分布模式,通过地理加权回归(GWR)方法对网约车出行需求和公共交通设施各项服务指标进行局部回归,得到各地区公共交通设施供给服务指标与网约车出行需求之间的回归关系。该回归关系确定了区域公共交通服务与网约车出行需求之间的发展弹性,将该弹性系数的值作为相应评级项的得分,可以反映出在现有公交发展政策和设计标准下,区域公共交通设施服务能力差异和城市公共交通设施供给水平。
发明内容
为了解决以上问题,本发明提供一种基于网约车数据的公共交通设施供给水平评价方法,将各服务指标作为评级项,以各指标对应的回归系数值作为评分值,对区域公共交通供给水平进行评级,以判断在现有公交发展政策和设计规范下,各区域公共交通设施供给水平差异。结合各区域公共交通设施供给水平特点,可以对城市公共交通供给能力进行综合评价,分析城市公共交通发展所存在的问题,为达此目的,本发明提供一种基于网约车数据的公共交通设施供给水平评价方法,具体步骤如下,步骤一、交通数据采集与处理;
采集网约车出行数据、公共交通设施地理空间数据和人口数据,其中网约车出行数据字段包括出行编号、车辆编号、上下车时间戳和上下车经纬度;公共交通数据从在线电子地图上采集,包括车站设施和公交线路;人口数据由LandScan提供,涉及各个区域的人口密度;
对采集的数据进行处理,筛选出研究范围、时段内所需的数据,去除异质点,对网约车出行数据进行整合,得到具有代表性的居民出行分布模式、时间特征和空间特征,统计公共交通设施分布特征和人口数据特征;
步骤二、构建空间地理分析框架,提取数据的空间地理信息;
对于行政划分矢量地图数据,将研究范围内的矢量面以正六边形进行格网细分,以便于进一步研究区域公共交通设施供给服务水平,将开源网站路网数据导入矢量框架,构建基础路网,并统一地理坐标系,将步骤1中网约车出行数据、公共交通站点、线路和人口数据向地理空间转化,包括数据经纬度坐标转换、数据点在地理空间中的表示和栅格数据的要素转化,并按格网对各类数据进行关联;
步骤三、分析数据的空间自相关性;
对于步骤2中的地理空间数据,在进行地理加权回归之前,需要验证其是否在空间上具有自相关性,利用全局莫兰指数和局部莫兰指数对交通出行数据和公共交通设施数据进行自相关分析,即将研究要素在空间中呈现随机分布的情况作为零假设,并利用z得分和p值检验其显著性;
步骤四、构建城市公共交通设施供给服务指标;
城市公共交通设施供给服务指标包括四个方面内容:公共交通站点承载容量、公共交通站点覆盖质量、公共交通线路覆盖质量和公共交通区域连通性,利用步骤1~2中整理得到的网约车出行订单数据和公共交通站点、线路数据,计算各区域公共交通设施供给服务的各项指标值;
步骤五、地理加权回归模型的构建与标定;
地理加权回归技术将数据的空间结构嵌入到回归模型中,使得回归参数成为观测点的地理位置的函数,并且具有距离衰减的特性,步骤4中计算得出的区域指标值作为自变量参与回归模型的构建,模型的因变量是区域网约车出行订单数量/区域人口数量,该模型标定所得的各自变量回归系数即为区域公交各服务指标对网约车出行需求的相关系数,模型标定过程由专业分析软件完成,按照赤池信息准则迭代计算出具有最优带宽的核函数以确定距离权重矩阵,再由加权最小二乘法实现模型标定;
步骤六、回归系数显著性检验;
对步骤5所得回归系数进行统计检验,以确定其数值具有显著意义,选取t检验方法验证各区域的指标值所对应回归系数的显著性,通过t检验的区域指标系数可直接参与公共交通设施供给服务水平评级;
步骤七、公共交通设施供给水平评级框架构建与供给服务水平评价;
根据步骤4~6得到相关系数,可以分析在既定的公交发展策略与设施设计规范下,区域公共交通服务与网约车出行需求之间的发展弹性,建立公共交通服务水平评级框架对各区域公共交通设施供给服务水平进行分级与评价。
本发明的进一步改进,步骤四中区域公共交通设施供给服务指标具体计算方法如下:
(1)公共交通站点承载容量Vi:
式中,li为停靠区域i内设施的公交线路数,fk为线路k上公交发车频率,αk为线路k车型系数,βki为线路k在区域i的满载率,n为区域个数;
(2)公共交通站点覆盖质量Qi:
式中,si为i区域内设施数,tik为i区域内起点为设施k辐射范围内的单天网约车出行订单数量,Ak为设施辐射范围;
(3)公共交通线路覆盖质量Li:
式中,bik为区域i内线路k的缓冲面积,dik为以线路k缓冲区域为终点,以区域i为起点的单天网约车订单数量;
(4)公共交通区域连通性Ci:
式中,Oij为从区域i到区域j的不换乘可达公交线路数,dij为以区域j为终点,以区域i为起点的单天网约车订单数量。
本发明的进一步改进,步骤七中构建区域公共交通设施供给水平评级框架,所述水平评级框架的评级项由四个指标构成,分别为:公共交通站点承载容量S1、公共交通站点覆盖质量S2、公共交通线路覆盖质量S3和公共交通区域连通性S4,评级项得分由各指标对应的回归系数值决定,若某区域某项供给指标的回归系数不显著,则说明在此区域内该项供给服务的发展不会显著影响公共交通设施供给水平;若回归系数显著大于零,说明该指标值按原有增长水平增长将导致公共交通供给服务逐步失去吸引力,反之网约车出行需求将迅速扩大,该值越大则网约车出行需求增长速度越快;若回归系数显著小于零,说明指标值保持原有增长水平能提高公共交通设施供给水平,有效抑制网约车出行,提高公共交通出行分担率。
本发明的进一步改进,对回归系数进行标准化处理,对于每个评级项Si,具体评分方式如下:
(1)指标对应的回归系数不显著;
相应的评级项评价等级标注为N,表示“指标值维持原有增长水平对公共交通设施供给水平无显著影响”;
(2)指标对应的回归系数显著小于零;
将相应评级项的评价等级按系数值从小到大划分为三类:AI,AII,AIII,其中AI表示供给水平极高,AII表示供给水平较高,AIII表示供给水平良好;
(3)指标对应的相关系数显著大于零;
将相应评级项的评价等级按系数值从小到大划分为三类:BI,BII,BIII,其中BI表示供给水平一般,BII表示供给欠佳,BIII表示供给水平较差。
本发明一种基于网约车数据的公共交通设施供给水平评价方法,与传统交通服务评价方法不同,本发明不止是围绕公共交通设施、线路本身的供给服务属性构建指标体系,而是从现实交通出行数据出发,建立以网约车出行订单数据为重点的服务指标作为区域公共交通设施的供给服务水平的评级项,指标包括:公共交通站点承载容量、公共交通站点覆盖质量、公共交通线路覆盖质量和公共交通区域连通性。本发明利用地理加权回归对各项指标进行整合,输出为区域公交设施供给服务对网约车出行需求的相关系数,并构建公共交通设施供给水平评级框架。该评价方法能较好的反映出城市公共交通设施供给水平在空间上的差异,从而根据各区域公共交通设施供给特点分析公交分担率较低区域所存在问题。
附图说明
图1.为本发明基于网约车数据的城市公共交通设施供给水平评价流程图;
图2.为本发明成都市网约车订单与公共交通设施分布热力图;
图3.为本发明基于网约车数据的城市公共交通设施供给水平评价指标示意图;
图4.为本发明相关系数及t检验值分布情况(以服务指标“站点承载容量”为例)示意图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述:
本发明提供一种基于网约车数据的公共交通设施供给水平评价方法,将各服务指标作为评级项,以各指标对应的回归系数值作为评分值,对区域公共交通供给水平进行评级,以判断在现有公交发展政策和设计规范下,各区域公共交通设施供给水平差异。结合各区域公共交通设施供给水平特点,可以对城市公共交通供给能力进行综合评价,分析城市公共交通发展所存在的问题。
实施例。
基于网约车数据的城市公共交通设施供给水平评价流程图如图1所示,包括以下步骤:
1)交通数据采集与处理;
采集网约车出行数据、公共交通设施地理空间数据和人口数据,数据字段包括出行编号、车辆编号、上下车时间戳和上下车经纬度;公共交通设施数据,包括车站设施和公交线路。具体实施时,交通出行数据由滴滴出行公司提供,覆盖了2016年11月1日到11月30日的成都市网约车订单数据,单天订单数据约20万条。对11月份工作日的网约车订单数据进行空间平滑处理,得到具有典型意义的网约车出行分布模式,以此作为实验对象。通过网络爬虫技术对百度地图上公交设施和线路信息进行抓包,解析储存为地理数据。人口数据由LandScan公司提供的栅格图层提取获得。
对采集好的数据进行处理,利用SQL数据库筛选出研究范围、时段内所需的数据,去除异质点,对多天交通出行数据进行整合,得到具有代表性的单日居民出行分布模式、时间特征和空间特征,以热力图的形式进行展示如图2所示;统计公共交通设施分布特征和人口数据特征。
2)提取数据的空间地理信息,构建空间地理分析框架;
具体实施过程通过地理信息处理软件Arcgis实现。利用arcgis中的空间分析工具箱、数据管理工具箱等将步骤1中网约车出行数据、公共交通设施和人口数据向地理空间转化,包括不同地理坐标系数据的经纬度坐标转换、数据点的地理空间表示、数据点的要素转化和栅格数据的信息提取。对于由国家地理信息中心获取的行政划分矢量地图,将研究范围内的矢量面以正六边形进行格网细分,以便于进一步研究区域公共交通设施供给服务水平。构建基础路网,将开源网站OpenStreetMap上的路网数据导入矢量框架,并统一地理坐标系。按细分格网对各类数据进行关联,并将数据以地理数据库的形式储存。
3)分析数据的空间自相关性;
对于步骤2中的地理空间数据,在进行地理加权回归之前,需要验证其是否在空间上具有自相关性。利用全局莫兰指数(Global Moran’s I)和局部莫兰指数(Anselin LocalMoran’s I)对网约车出行数据和公共交通设施数据进行分析,分析结果如表1所示。结果表明网约车出行订单和公共交通设施均在空间上有聚类分布特性,符合地理加权回归分析条件。
表1网约车出行订单和公共交通设施的全局Moran's I指数
4)构建城市公共交通设施供给服务水平指标;
如图3所示,城市公共交通设施供给服务指标包括四个方面内容:公共交通站点承载容量、公共交通站点覆盖质量、公共交通线路覆盖质量和公共交通区域连通性,利用步骤1~2中整理得到的网约车出行订单数据和公共交通站点数据,计算各区域公共交通设施供给服务的各项指标值。
(1)公共交通站点承载容量Vi的具体计算方法为:
式中,li为停靠区域i内设施的公交线路数(条),fk为线路k上公交发车频率(班次/小时),αk为线路k车型系数,βki为线路k在区域i的满载率(%),n为区域数量(个)。具体实施时,车型系数按实际情况设为αk=1.0,1.1,1.2……,计算地铁时取αk=4,满载率βki为站点的实际载客量与额定载客量的比值pik/rik。
(2)公共交通站点覆盖质量Qi的具体计算方法为:
式中,si为i区域内设施数(个),tik为i区域内起点为设施k辐射范围内的网约车出行订单数量(个),Ak为设施辐射范围(平方米)。公交车站辐射范围半径取值500米,地铁站辐射范围半径取值800米。
(3)公共交通线路覆盖质量Li的具体计算方法为:
式中,bik为区域i内线路k的缓冲面积(平方米),dik为以线路k缓冲区域为终点,以区域i为起点的网约车订单数量(个)。具体实施时,公共交通线路缓冲距离均取300米。
(4)公共交通区域连通性Ci的具体计算方法为:
式中,Oij为从区域i到区域j的不换乘可达公交线路数(条),dij为以区域j为终点,以区域i为起点的网约车订单数量(个)。
5)地理加权回归模型的构建与标定
步骤4中计算得出的区域指标值作为自变量参与回归模型的构建,模型的因变量是区域网约车出行订单数量/区域人口数量。该模型标定所得的各自变量回归系数即为区域公交各项服务指标对网约车出行需求的相关系数。模型的具体标定过程由专业软件GWR4完成,按照赤池信息准则(AIC)迭代计算出具有最优带宽的核函数以确定距离权重矩阵,再由加权最小二乘法实现模型标定。
6)回归系数显著性检验
对步骤5所得回归系数进行统计检验,以确定其数值具有显著意义。选取t检验方法验证各区域的指标值所对应回归系数的显著性,通过t检验的区域指标系数可参与公共交通设施供给服务水平评价。具体实施通过GWR4软件完成,模型标定系数和t检验值分布情况如图4所示。
7)区域公共交通设施供给水平评价
根据步骤4~6得到相关系数及显著性,分析在既定的公交发展策略与设施设计规范下,区域公共交通设施服务与网约车出行需求之间的发展弹性,对成都市各区域公共交通设施供给服务水平进行评价与分级。评级项由步骤4所述四个指标构成,分别为:公共交通站点承载容量(S1)、公共交通站点覆盖质量(S2)、公共交通线路覆盖质量(S3)和公共交通区域连通性(S4)。对回归系数进行标准化处理,对于每个评级项Si,具体评分方式如下:
(1)指标对应的回归系数不显著
相应的评级项评价等级标注为N,表示“指标值维持原有增长水平对公共交通设施供给水平无显著影响”。
(2)指标对应的回归系数显著小于零
将相应评级项的评价等级按系数值从小到大划分为三类:AI,AII,AIII,其中AI表示供给水平极高,AII表示供给水平较高,AIII表示供给水平良好,如表2。
表2 相关系数小于零时分级标准
系数范围 | 等级 | 供给水平 |
≤(μ-1/2σ) | AI | 极高 |
(μ-1/2σ)—(μ+1/2σ) | AII | 较高 |
≥(μ+1/2σ) | AIII | 良好 |
(1)指标对应的相关系数显著大于零
将相应评级项的评价等级按系数值从小到大划分为三类:BI,BII,BIII,其中BI表示供给水平一般,BII表示供给欠佳,BIII表示供给水平较差,如表3。
表3 相关系数大于零时分级标准
系数范围 | 等级 | 供给水平 |
≤(μ-1/2σ) | BI | 一般 |
(μ-1/2σ)—(μ+1/2σ) | BII | 欠佳 |
≥(μ+1/2σ) | BIII | 较差 |
根据该评级体系,2016年成都市城市公共交通设施供给水平如表4所示。
表4 成都市各区域公共交通设施供给评级表
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作任何其他形式的限制,而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所要求保护的范围。
Claims (4)
1.一种基于网约车数据的公共交通设施供给水平评价方法,具体步骤如下,其特征在于:
步骤一、交通数据采集与处理;
采集网约车出行数据、公共交通设施地理空间数据和人口数据,其中网约车出行数据字段包括出行编号、车辆编号、上下车时间戳和上下车经纬度;公共交通数据从在线电子地图上采集,包括车站设施和公交线路;人口数据由全球人口动态统计分析数据库LandScan提供,涉及各个区域的人口密度;
对采集的数据进行处理,筛选出研究范围、时段内所需的数据,去除异质点,对网约车出行数据进行整合,得到具有代表性的居民出行分布模式、时间特征和空间特征,统计公共交通设施分布特征和人口数据特征;
步骤二、构建空间地理分析框架,提取数据的空间地理信息;
对于行政划分矢量地图数据,将研究范围内的矢量面以正六边形进行格网细分,以便于进一步研究区域公共交通设施供给服务水平,将开源网站路网数据导入矢量框架,构建基础路网,并统一地理坐标系,将步骤1中网约车出行数据、公共交通站点、线路和人口数据向地理空间转化,包括数据经纬度坐标转换、数据点在地理空间中的表示和栅格数据的要素转化,并按格网对各类数据进行关联;
步骤三、分析数据的空间自相关性;
对于步骤2中的地理空间数据,在进行地理加权回归之前,需要验证其是否在空间上具有自相关性,利用全局莫兰指数和局部莫兰指数对交通出行数据和公共交通设施数据进行自相关分析,即将研究要素在空间中呈现随机分布的情况作为零假设,并利用z得分和p值检验其显著性;
步骤四、构建城市公共交通设施供给服务指标;
城市公共交通设施供给服务指标包括四个方面内容:公共交通站点承载容量、公共交通站点覆盖质量、公共交通线路覆盖质量和公共交通区域连通性,利用步骤1~2中整理得到的网约车出行订单数据和公共交通站点、线路数据,计算各区域公共交通设施供给服务的各项指标值;
步骤五、地理加权回归模型的构建与标定;
地理加权回归技术将数据的空间结构嵌入到回归模型中,使得回归参数成为观测点的地理位置的函数,并且具有距离衰减的特性,步骤4中计算得出的区域指标值作为自变量参与回归模型的构建,模型的因变量是区域网约车出行订单数量/区域人口数量,该模型标定所得的各自变量回归系数即为区域公交各服务指标对网约车出行需求的相关系数,模型标定过程由专业分析软件完成,按照赤池信息准则迭代计算出具有最优带宽的核函数以确定距离权重矩阵,再由加权最小二乘法实现模型标定;
步骤六、回归系数显著性检验;
对步骤5所得回归系数进行统计检验,以确定其数值具有显著意义,选取t检验方法验证各区域的指标值所对应回归系数的显著性,通过t检验的区域指标系数可直接参与公共交通设施供给服务水平评级;
步骤七、公共交通设施供给水平评级框架构建与供给服务水平评价;
根据步骤4~6得到相关系数,可以分析在既定的公交发展策略与设施设计规范下,区域公共交通服务与网约车出行需求之间的发展弹性,建立公共交通服务水平评级框架对各区域公共交通设施供给服务水平进行分级与评价。
2.根据权利要求1所述的一种基于网约车数据的公共交通设施供给水平评价方法,其特征在于:步骤四中区域公共交通设施供给服务指标具体计算方法如下:
(1)公共交通站点承载容量Vi:
式中,li为停靠区域i内设施的公交线路数,fk为线路k上公交发车频率,αk为线路k车型系数,βki为线路k在区域i的满载率,n为区域个数;
(2)公共交通站点覆盖质量Qi:
式中,si为i区域内设施数,tik为i区域内起点为设施k辐射范围内的单天网约车出行订单数量,Ak为设施辐射范围;
(3)公共交通线路覆盖质量Li:
式中,bik为区域i内线路k的缓冲面积,dik为以线路k缓冲区域为终点,以区域i为起点的单天网约车订单数量;
(4)公共交通区域连通性Ci:
式中,Oij为从区域i到区域j的不换乘可达公交线路数,dij为以区域j为终点,以区域i为起点的单天网约车订单数量。
3.根据权利要求1所述的一种基于网约车数据的公共交通设施供给水平评价方法其特征在于:步骤七中构建区域公共交通设施供给水平评级框架,所述水平评级框架的评级项由四个指标构成,分别为:公共交通站点承载容量S1、公共交通站点覆盖质量S2、公共交通线路覆盖质量S3和公共交通区域连通性S4,评级项得分由各指标对应的回归系数值决定,若某区域某项供给指标的回归系数不显著,则说明在此区域内该项供给服务的发展不会显著影响公共交通设施供给水平;若回归系数显著大于零,说明该指标值按原有增长水平增长将导致公共交通供给服务逐步失去吸引力,反之网约车出行需求将迅速扩大,该值越大则网约车出行需求增长速度越快;若回归系数显著小于零,说明指标值保持原有增长水平能提高公共交通设施供给水平,有效抑制网约车出行,提高公共交通出行分担率。
4.根据权利要求3所述的一种基于网约车数据的公共交通设施供给水平评价方法其特征在于:对回归系数进行标准化处理,对于每个评级项Si,具体评分方式如下:
(1)指标对应的回归系数不显著;
相应的评级项评价等级标注为N,表示“指标值维持原有增长水平对公共交通设施供给水平无显著影响”;
(2)指标对应的回归系数显著小于零;
将相应评级项的评价等级按系数值从小到大划分为三类:AI,AII,AIII,其中AI表示供给水平极高,AII表示供给水平较高,AIII表示供给水平良好;
(3)指标对应的相关系数显著大于零;
将相应评级项的评价等级按系数值从小到大划分为三类:BI,BII,BIII,其中BI表示供给水平一般,BII表示供给欠佳,BIII表示供给水平较差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811117535.1A CN109299438B (zh) | 2018-09-21 | 2018-09-21 | 一种基于网约车数据的公共交通设施供给水平评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811117535.1A CN109299438B (zh) | 2018-09-21 | 2018-09-21 | 一种基于网约车数据的公共交通设施供给水平评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109299438A true CN109299438A (zh) | 2019-02-01 |
CN109299438B CN109299438B (zh) | 2023-01-17 |
Family
ID=65164379
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811117535.1A Active CN109299438B (zh) | 2018-09-21 | 2018-09-21 | 一种基于网约车数据的公共交通设施供给水平评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109299438B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110297875A (zh) * | 2019-05-15 | 2019-10-01 | 北京邮电大学 | 一种评估城市各功能区之间联系需求紧密度的方法和装置 |
CN110555544A (zh) * | 2019-07-16 | 2019-12-10 | 广东工业大学 | 一种基于gps导航数据的交通需求估计方法 |
CN110852547A (zh) * | 2019-08-19 | 2020-02-28 | 上海元卓信息科技有限公司 | 一种基于位置数据和聚类算法的公共服务设施分级方法 |
CN110889622A (zh) * | 2019-11-22 | 2020-03-17 | 深圳市综合交通设计研究院有限公司 | 基于公交服务水平的公交线网布局确定方法、装置及设备 |
CN111159451A (zh) * | 2019-12-18 | 2020-05-15 | 广州地理研究所 | 一种基于空间数据库的电力线路点云动态单体化方法 |
CN111275305A (zh) * | 2020-01-16 | 2020-06-12 | 西南交通大学 | 一种高峰时段传统出租车和网约车服务的公平评估方法 |
CN112463136A (zh) * | 2020-06-29 | 2021-03-09 | 中国铁路设计集团有限公司 | 基于热力图技术的城市空间区域人流活力分析方法 |
CN112613770A (zh) * | 2020-12-28 | 2021-04-06 | 北京市市政工程设计研究总院有限公司 | 颗粒化空间尺度公共交通便利指数计算方法和装置 |
CN113066304A (zh) * | 2021-06-03 | 2021-07-02 | 云上(南昌)大数据运营有限公司 | 一种应用城市大脑云平台的交通容量配置系统 |
CN114254250A (zh) * | 2021-12-14 | 2022-03-29 | 北京航空航天大学 | 一种考虑时空非平稳性的网约车出行需求预测方法 |
CN115129799A (zh) * | 2022-06-24 | 2022-09-30 | 绍兴市勘察测绘院 | 基于地理权重矩阵的网络时空大数据处理分析方法 |
CN116542560A (zh) * | 2023-05-06 | 2023-08-04 | 哈尔滨工业大学(深圳) | 一种基于多源数据融合的社区适老性评价方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745089A (zh) * | 2013-12-20 | 2014-04-23 | 北京工业大学 | 一种多维公共交通运行指数评价方法 |
CN107563632A (zh) * | 2017-08-28 | 2018-01-09 | 华南理工大学 | 一种基于支付意愿的灵活公交站点等级划分与转化方法 |
-
2018
- 2018-09-21 CN CN201811117535.1A patent/CN109299438B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745089A (zh) * | 2013-12-20 | 2014-04-23 | 北京工业大学 | 一种多维公共交通运行指数评价方法 |
CN107563632A (zh) * | 2017-08-28 | 2018-01-09 | 华南理工大学 | 一种基于支付意愿的灵活公交站点等级划分与转化方法 |
Non-Patent Citations (1)
Title |
---|
姜毅等: "小城市公共交通服务评价指标体系", 《交通科技与经济》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110297875A (zh) * | 2019-05-15 | 2019-10-01 | 北京邮电大学 | 一种评估城市各功能区之间联系需求紧密度的方法和装置 |
CN110555544A (zh) * | 2019-07-16 | 2019-12-10 | 广东工业大学 | 一种基于gps导航数据的交通需求估计方法 |
CN110555544B (zh) * | 2019-07-16 | 2022-04-08 | 广东工业大学 | 一种基于gps导航数据的交通需求估计方法 |
CN110852547A (zh) * | 2019-08-19 | 2020-02-28 | 上海元卓信息科技有限公司 | 一种基于位置数据和聚类算法的公共服务设施分级方法 |
CN110889622A (zh) * | 2019-11-22 | 2020-03-17 | 深圳市综合交通设计研究院有限公司 | 基于公交服务水平的公交线网布局确定方法、装置及设备 |
CN111159451A (zh) * | 2019-12-18 | 2020-05-15 | 广州地理研究所 | 一种基于空间数据库的电力线路点云动态单体化方法 |
CN111275305A (zh) * | 2020-01-16 | 2020-06-12 | 西南交通大学 | 一种高峰时段传统出租车和网约车服务的公平评估方法 |
CN111275305B (zh) * | 2020-01-16 | 2022-04-29 | 西南交通大学 | 一种高峰时段传统出租车和网约车服务的公平评估方法 |
CN112463136B (zh) * | 2020-06-29 | 2023-12-05 | 中国铁路设计集团有限公司 | 基于热力图技术的城市空间区域人流活力分析方法 |
CN112463136A (zh) * | 2020-06-29 | 2021-03-09 | 中国铁路设计集团有限公司 | 基于热力图技术的城市空间区域人流活力分析方法 |
CN112613770A (zh) * | 2020-12-28 | 2021-04-06 | 北京市市政工程设计研究总院有限公司 | 颗粒化空间尺度公共交通便利指数计算方法和装置 |
CN112613770B (zh) * | 2020-12-28 | 2024-01-19 | 北京市市政工程设计研究总院有限公司 | 颗粒化空间尺度公共交通便利指数计算方法和装置 |
CN113066304A (zh) * | 2021-06-03 | 2021-07-02 | 云上(南昌)大数据运营有限公司 | 一种应用城市大脑云平台的交通容量配置系统 |
CN114254250A (zh) * | 2021-12-14 | 2022-03-29 | 北京航空航天大学 | 一种考虑时空非平稳性的网约车出行需求预测方法 |
CN115129799A (zh) * | 2022-06-24 | 2022-09-30 | 绍兴市勘察测绘院 | 基于地理权重矩阵的网络时空大数据处理分析方法 |
CN116542560A (zh) * | 2023-05-06 | 2023-08-04 | 哈尔滨工业大学(深圳) | 一种基于多源数据融合的社区适老性评价方法及系统 |
CN116542560B (zh) * | 2023-05-06 | 2024-01-09 | 哈尔滨工业大学(深圳) | 一种基于多源数据融合的社区适老性评价方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109299438B (zh) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109299438A (zh) | 一种基于网约车数据的公共交通设施供给水平评价方法 | |
Li et al. | The varying patterns of rail transit ridership and their relationships with fine-scale built environment factors: Big data analytics from Guangzhou | |
Li et al. | Exploring urban taxi ridership and local associated factors using GPS data and geographically weighted regression | |
Pan et al. | Investigating the impacts of built environment on traffic states incorporating spatial heterogeneity | |
CN112288048B (zh) | 一种基于多源数据驱动的城市人群出行识别方法 | |
Yu et al. | Understanding spatial-temporal travel demand of free-floating bike sharing connecting with metro stations | |
Zhang et al. | Green travel mobility of dockless bike-sharing based on trip data in big cities: A spatial network analysis | |
Zhong et al. | Identifying Spatial Structure of Urban Functional Centers Using Travel Survey Data: A Case Study of Singapore | |
Wu et al. | Establishing a" dynamic two-step floating catchment area method" to assess the accessibility of urban green space in Shenyang based on dynamic population data and multiple modes of transportation | |
Limtanakool et al. | Ranking functional urban regions: A comparison of interaction and node attribute data | |
Saputra et al. | Accessibility model of BRT stop locations using Geographically Weighted regression (GWR): A case study in Banjarmasin, Indonesia | |
CN115100012A (zh) | 一种轨道交通站点步行可达性计算方法 | |
Li et al. | Impact of traffic exposure and land use patterns on the risk of COVID-19 spread at the community level | |
CN107121143B (zh) | 一种协同poi数据的道路选取方法 | |
CN112734216A (zh) | 一种基于通信定位数据的居民出行目的的识别方法 | |
Hatziioannidu et al. | Passenger Demand And Patterns Of Tourists’ Mobility In The Aegean Archipelago With Combined Use Of Big Datasets From Mobile Phones And Statistical Data From Ports And Airports | |
Sun et al. | A data-driven method for measuring accessibility to healthcare using the spatial interpolation model | |
CN109544005A (zh) | 基于大数据框架的比较区域内公交客流和出租客流差异的系统 | |
CN113408867B (zh) | 基于手机用户和poi数据的城市入室盗窃犯罪风险评估方法 | |
CN111581318B (zh) | 一种共享单车骑行目的推断方法、装置及存储介质 | |
Li et al. | Identifying spatial structure of travel modes through community detection method | |
Anciães | Population decline and accessibility in the Portuguese interior | |
Li et al. | Understanding the mobility of public transport systems based on weighted multiplex networks | |
Sun et al. | A high-resolution, yet scalable framework for transport infrastructure accessibility based on open big data | |
CN116227791B (zh) | 基于语义融合模型探索城市功能区动态划分的可视分析方法 |
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 |