CN110288198B - 基于交通分区的租赁自行车交通设施承载力测度方法 - Google Patents

基于交通分区的租赁自行车交通设施承载力测度方法 Download PDF

Info

Publication number
CN110288198B
CN110288198B CN201910456886.3A CN201910456886A CN110288198B CN 110288198 B CN110288198 B CN 110288198B CN 201910456886 A CN201910456886 A CN 201910456886A CN 110288198 B CN110288198 B CN 110288198B
Authority
CN
China
Prior art keywords
traffic
motor vehicle
bicycle
bearing capacity
parking
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.)
Active
Application number
CN201910456886.3A
Other languages
English (en)
Other versions
CN110288198A (zh
Inventor
季彦婕
刘攀
易陈钰
徐铖铖
李志斌
刘阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201910456886.3A priority Critical patent/CN110288198B/zh
Publication of CN110288198A publication Critical patent/CN110288198A/zh
Application granted granted Critical
Publication of CN110288198B publication Critical patent/CN110288198B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/06—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
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提出了一种基于交通分区的租赁自行车交通设施承载力测度方法。根据道路时空资源、自行车个体时空消耗、电动自行车对自行车的影响等因素，构建了基于交通分区的租赁自行车道路网络承载力测度方法。根据互联网租赁自行车停车定位数据、公共自行车桩位数据、非机动车停车区域定位数据和租赁自行车停车位周转率等信息，构停车容量识别方法，形成租赁自行车停车设施承载力测度方法。本发明首次针对租赁自行车系统，以交通分区为单位，进行道路网络承载力和停车设施承载力测度方法构建，为租赁自行车交通设施承载力测度提供方法。

Description

基于交通分区的租赁自行车交通设施承载力测度方法
技术领域
本发明涉及交通规划中的基础设施承载力测度方法，具体涉及一种基于交通分区的租赁自行车交通设施承载力测度方法。
背景技术
租赁自行车包括没有固定桩位的互联网租赁自行车和有固定桩位的公共自行车，借还车不受时间和空间的限制，具有绿色、节能、环保、经济、方便等优点，与地面公交和轨道交通相互配合能够极大地提高地面公交与轨道交通的吸引力，能够帮助改善传统公共交通的“最后一公里”问题。
然而目前租赁自行车系统在运营过程中出现了供需不平衡的问题，造成无车可借、乱停乱放、占用车道等现象，交通设施承载力是交通设施供给能力的体现。目前缺少针对租赁自行车的城市交通设施承载力研究。
发明内容
发明目的：本发明的目的在于解决现有的租赁自行车系统在运营过程中出现了供需不平衡，而又没有对租赁自行车的城市交通设施承载力研究的前例存在的问题。
技术方案：为解决上述问题，本发明提供以下技术方案：
一种基于交通分区的租赁自行车交通设施承载力测度方法，其特征在于，包括以下步骤：
(1)交通分区划分及道路网络信息提取；
(2)考虑交叉口绿信比、路旁干扰、车流混合干扰、道路布局形式及机动车与非机动车道隔离形式，计算交通分区内非机动车道路网络设施的小时时空总资源；
(3)计算交通分区内非机动车交通个体的时空消耗；
(4)结合城市非机动车道路网络设施时空资源和非机动车交通个体时空消耗，测度交通分区内非机动车道路网络承载力；
(5)测度交通分区内租赁自行车道路网络承载力；
(6)识别交通分区内租赁自行车停车设施容量；
(7)测度交通分区内租赁自行车停车设施承载力。
优选地，所述步骤(1)中交通分区划分及道路网络信息提取方法如下：
交通分区划分依据包括：
①在进行交通分区划分时，同一分区不跨越行政区划；
②在交通分区划分时，将铁路、河流等人工或天然屏障作为交通分区的边界；
③尽量将地形地貌和用地性质一致的区域划分进同一个交通分区；
利用交通分区划分数据和当地路网数据，利用ArcGIS统计出交通分区内不同等级道路的长度。
优选地，所述步骤(2)中考虑交叉口绿信比、路旁干扰、车流混合干扰、道路布局形式及机动车与非机动车道隔离形式，计算交通分区内非机动车道路网络设施的小时时空总资源方法如下：
Figure BDA0002076858600000021
其中，Cr，i为第i个交通分区的非机动车道路有效时空总资源，km·h；li，k为第i个交通分区内第k类非机动车道路的长度，km；ηk，1为非机动车道路的交叉口折减系数；ηk，2为第k类非机动车道路的综合折减系数；ηk，3为第k类非机动车道路的有效车道系数，T为测算非机动车道路网络设施服务时间，单位为小时。
优选地，所述步骤(3)计算交通分区内非机动车交通个体的时空消耗方法如下：
Figure BDA0002076858600000022
其中，α为电动自行车对自行车的换算系数；β为电动自行车占非机动车交通流的比例；lave，e-bike为电动自行车的平均用车距离，km；lave，bike为自行车的平均用车距离，km。
这里引入电动自行车和自行车的换算系数概念，车辆换算系数的定义为：当道路和交通条件一定时，某辆卡车或者公共汽车能够用一定数量的小汽车代替，这里的代替量就称为当量小汽车换算系数。电动自行车对自行车的换算系数为：当道路和交通条件一定时，某辆电动自行车能够用一定数量的自行车代替，这里的代替量就称为电动自行车对自行车的换算系数。
由此，非机动车道路通行能力为：
c＝c·(1-β)+c·β·α
其中，α电动自行车对自行车的换算系数；β为电动自行车占非机动车交通流的比例。
非机动车流的平均用车距离为：
lave＝β·lave，e-bike+(1-β)·lave，bike
其中，lave，e-bike为电动自行车的平均用车距离，km；lave，bike为自行车的平均用车距离，km。
将电动自行车换算成自行车，非机动车个体时空消耗为：
Figure BDA0002076858600000031
优选地，所述步骤(4)结合城市非机动车道路网络设施时空资源和非机动车交通个体时空消耗，测度交通分区内非机动车道路网络承载力方法如下：
Figure BDA0002076858600000032
上式中计算出的非机动车道路网络承载力的交通个体为自行车，实际上，非机动车交通流中，自行车占总体的比例为
Figure BDA0002076858600000033
优选地，所述步骤(5)测度交通分区内互联网租赁自行车道路网络承载力方法如下：
Figure BDA0002076858600000034
其中，ε为租赁自行车占自行车出行的比例。
优选地，步骤(6)中识别交通分区内租赁自行车停车设施容量方法为：
对于没有固定停车桩位的互联网租赁自行车，采用考虑噪声的基于密度的空间聚类算法(Density-based Spatial Clustering of Application with Noise，DBSCAN)，识别互联网租赁自行车停车区域，并据此统计出各交通分区内互联网租赁自行车停车容量。
DBSCAN聚类算法在机器学习和数据挖掘等领域有广泛的应用，特点是按照密度把区域划分为簇。
DBSCAN聚类算法的输入参数分别有簇最小点数量MinPts和领域半径ζ，输出为样本点的聚类结果和噪声数据。
DBSCAN基于密度的聚类即为寻找一些密度相连的对象簇，以实现密度可达的最大化。DBSCAN聚类算法的具体步骤为：
步骤①对于样本集合D，随机取其中的一未被处理的对象p，若在对象p的ξ近邻内有数量大于MinPts个点，则对象p为核对象；
步骤②取样本集合D内所有与对象p密度可达的对象，作为一个簇；
步骤③通过密度相连的过程，产生最终的簇；
步骤④对于未处理的对象，重复步骤②和步骤③，直到所有的对象都经过处理。
据此，利用ArcGIS的空间连接工具，可得到每个交通分区内互联网租赁自行车停车位置。而实际上，不规范停车也可能出现少量的堆积现象，影响DBSCAN算法的识别效果。互联网能够获取的非机动车停车位置信息为经纬度定位数据，一个停车区域通常对应一个坐标点。在此基础上，利用ArcGIS，将识别出的停车区域位置与地图上实际的非机动车停车位置对比，能够确认识别出的停车区域是否为实际的非机动车停车区域，将不落在实际非机动车停车位置的停车区域识别结果删除，可得较为准确的交通分区i内互联网租赁自行车停车设施容量Pi。
对于有固定桩位的公共自行车，根据公共自行车企业的停车桩位定位数据，利用ArcGIS的空间连接工具，可得到每个交通分区内的公共自行车停车容量Pi′。
优选地，步骤(7)中测度交通分区内租赁自行车停车设施承载力方法为：
租赁自行车停车设施承载力需要关注每个停车位在一定的时间内能承载的租赁自行车停车次数。这里引入停车位周转率的概念，停车位周转率为一定时段内平均每个停车位停放车辆的次数。租赁自行车停车设施承载力为：
Figure BDA0002076858600000041
其中，
Figure BDA0002076858600000051
为互联网租赁自行车停车设施承载力，辆/h，λi，t为第i个交通分区在t时段内的互联网租赁自行车停车位周转率，λ′i，t为第i个交通分区在t时段内的公共自行车停车位周转率。
有益效果：本发明与现有技术相比：
本发明从道路网络承载力和停车设施承载力两方面对租赁自行车交通设施承载力测度方法进行构建。根据自行车个体时空消耗、各类型道路的实际通行能力、道路交叉口信号控制影响、自行车与电动自行车的相互影响、自行车出行占非机动车出行的比例及租赁自行车出行占自行车出行的比例等因素，提出基于交通分区的租赁自行车道路网络承载力测度方法。根据互联网租赁自行车停车定位数据、公共自行车桩位容量、和互联网租赁自行车停车位周转率等信息，利用基于密度的DBSCAN算法，识别互联网租赁自行车停车区域及计算交通分区内租赁自行车停车容量，构建租赁自行车停车设施承载力测度方法。对于分析租赁自行车交通基础设施供给水平、改善租赁自行车基础设施及提高租赁自行车服务水平具有重要意义。
附图说明
图1为本发明方法的流程图；
图2为DBSCAN算法基本定义；
图3为交通分区划分结果图。
具体实施方式
下面结合附图通过实施例对本发明的技术方案作进一步说明。
租赁自行车包括没有固定桩位的互联网租赁自行车和有固定桩位的公共自行车，借还车不受时间和空间的限制，具有绿色、节能、环保、经济、方便等优点。本发明定义基于交通分区的租赁自行车交通设施承载力测度方法，分别构建租赁自行车道路网络和停车设施承载力测度方法，为租赁自行车的其他研究提供支撑。参照图1，本发明提出的基于交通分区的租赁自行车交通设施承载力测度方法，包括以下步骤：(1)交通分区划分及道路网络信息提取；(2)考虑交叉口绿信比、路旁干扰、车流混合干扰、道路布局形式及机动车与非机动车道隔离形式，计算交通分区内非机动车道路网络设施的小时时空总资源；(3)计算交通分区内非机动车交通个体的时空消耗；(4)结合城市非机动车道路网络设施时空资源和非机动车交通个体时空消耗，测度交通分区内非机动车道路网络承载力；(5)测度交通分区内租赁自行车道路网络承载力；(6)识别交通分区内租赁自行车停车设施容量；(7)测度交通分区内租赁自行车停车设施承载力。以下详述具体过程。
(1)交通分区划分及道路网络信息提取。
本发明实例使用的交通分区划分数据为Shapefile文件，原始坐标为WGS84坐标系。根据交通分区划分依据，将南京市主城区鼓楼、玄武、建邺、秦淮、雨花台五个行政区划分为193个交通分区，交通分区划分结果如图3所示。统计出每个行政区内划分的交通分区数量，如表1所示。
表1交通分区个数统计
Figure BDA0002076858600000061
南京市道路网络信息数据为Shapefile文件，利用ArcGIS平台，统计出每个交通分区内部不同等级道路的长度。以第27号交通分区为例，测度租赁自行车停车设施承载力。
(2)考虑交叉口绿信比、路旁干扰、车流混合干扰、道路布局形式及机动车与非机动车道隔离形式，计算交通分区内非机动车道路网络设施的小时时空总资源。
Figure BDA0002076858600000062
其中，Cr，i为第i个交通分区的非机动车道路有效时空总资源，km·h；li，k为第i个交通分区内第k类非机动车道路的长度，km；ηk，1为非机动车道路的交叉口折减系数；ηk，2为第k类非机动车道路的综合折减系数；ηk，3为第k类非机动车道路的有效车道系数，T为测算非机动车道路网络设施服务时间，单位为小时。
信号交叉口配时在设置时，主要依据是机动车的道路流量和道路等级，非机动车道路的交叉口折减系数设定依据为同一进口道的机动车道路等级。在信号各类道路类型的交叉口折减系数如下表所示。
表2交叉口折减系数
Figure BDA0002076858600000063
除交叉口折减系数以外，城市道路上，机动车、行人和非机动车之间会互相产生干扰，城市道路的隔离形式将会影响路网的整体效能。因此，需考虑机动车和行人对非机动车的干扰影响，采用道路综合折线系数指标来体现，道路综合折减系数由不同断面形式下城市道路的路旁干扰系数及其在不同断面形式的比例加权平均后确定。道路综合折线系数取值如下表所示。
表3道路综合折减系数
Figure BDA0002076858600000071
根据上述系数，计算得出第27号交通分区的非机动车道路网络设施的小时时空总资源
Figure BDA0002076858600000072
(3)计算交通分区内非机动车交通个体的时空消耗。
非机动车个体时空消耗为：
Figure BDA0002076858600000073
其中，α为电动自行车对自行车的换算系数；β为电动自行车占非机动车交通流的比例lave，e-bike为电动自行车的平均用车距离，km；lave，bike为自行车的平均用车距离，km。
电动自行车与自行车之间的换算系数为1.2995。非机动车道路的通行能力为2512辆/h·m，其中电动自行车的占比约为66.75％。电动自行车通勤出行的平均用时为27.3分钟，非通勤出行的平均用车时间为25.0分钟；电动自行车通勤出行占比为42.7％，非通勤出行占比为57.3％；电动自行车平均出行距离为9.54千米。电动自行车的平均用车时长为27.3×42.7％+25.0×57.3％＝25.98分钟，电动自行车的平均用车距离为9.54×42.7％+25.0×57.3％×9.54/27.3＝9.08千米。
(4)结合城市非机动车道路网络设施时空资源和非机动车交通个体时空消耗，测度交通分区内非机动车道路网络承载力。
Figure BDA0002076858600000074
上式中计算出的非机动车道路网络承载力的交通个体为自行车，实际上，非机动车交通流中，自行车占总体的比例为
Figure BDA0002076858600000081
(5)测度交通分区内租赁自行车道路网络承载力。
Figure BDA0002076858600000082
其中，ε为租赁自行车占自行车出行的比例，这里取值为65％。
(6)识别交通分区内租赁自行车停车设施容量。
DBSCAN聚类算法在机器学习和数据挖掘等领域有广泛的应用，特点是按照密度把区域划分为簇。DBSCAN算法的基本定义如下：
①ξ近邻：对于任意一点p，其半径为ξ范围的领域称为p点的ξ近邻；
②核对象：在点集合D中，对于对象点p，若其ξ近邻内含有的点数至少为满足邻域密度阈值数量MinPts，则称对象p为核对象；
③直接密度可达：在点集合D内，若对象p是对象p的ξ近邻，且对象p为核对象，则对象q到对象p基于MinPts直接密度可达，如图2(a)所示；
④密度可达：在点集合D内，若存在点链p1，p2，...，pn，对于pi∈D(1≤i≤n)，满足pi+1从pi基于MinPts直接密度可达，那么对象pn从对象p1基于MinPts直接密度可达，如图2(b)所示；
⑤密度相连：若存在对象o∈D，对象p和对象q都和对象o基于ξ和MinPts直接密度可达，则对象p和对象q基于ξ和MinPts密度相连，如图2(c)所示。
DBSCAN聚类算法的输入参数分别有簇最小点数量MinPts和领域半径ζ，输出为样本点的聚类结果和噪声数据。
DBSCAN基于密度的聚类即为寻找一些密度相连的对象簇，以实现密度可达的最大化。
本发明实例采用摩拜单车2018年9月26日停车定位数据来识别交通分区内互联网租赁自行车停车设施容量。停车定位数据来自摩拜APP，数据包含日期及时刻、车辆编号、车辆定位经度、车辆定位纬度。南京市摩拜单车运营区域内共124316条数据。数据结构如表4所示。
表4摩拜单车停车定位数据结构(部分)
Figure BDA0002076858600000091
使用ArcGIS软件，筛选出坐标落在27号交通分区内的停车定位有16个，取摩拜单车占租赁自行车的比例为0.12，识别出27号交通分区的互联网租赁自行车停车设施容量为16÷0.12＝133。
由公共自行车公司获取的停车桩位坐标数据，利用ArcGIS软件，筛选出坐标落在27号交通分区内的停车桩位数据，该交通分区内的公共自行车停车设施容量为86。
(7)测度交通分区内租赁自行车停车设施承载力。
租赁自行车停车设施承载力为：
Figure BDA0002076858600000092
其中，
Figure BDA0002076858600000093
为互联网租赁自行车停车设施承载力，辆/h，λi，t为第i个交通分区在t时段内的互联网租赁自行车停车位周转率，λ′i，t为第i个交通分区在t时段内的公共自行车停车位周转率。
租赁自行车停车设施承载力是租赁自行车停车设施所能够承载的最大值。因此，租赁自行车停车位周转率统一取最大值。根据在针对北京市海淀区核心地段(该区域商业、科教文化、办公、住宅等设施分布密集，吸引了大量互联网租赁自行车出行)的相关研究中，取租赁自行车停车位周转率为2/h。
测度得出租赁自行车停车设施承载力
Figure BDA0002076858600000094

Claims (8)

1.基于交通分区的租赁自行车交通设施承载力测度方法，其特征在于，包括以下步骤：
(1)交通分区划分及道路网络信息提取；
(2)考虑交叉口绿信比、路旁干扰、车流混合干扰、道路布局形式及机动车与非机动车道隔离形式，计算交通分区内非机动车道路网络设施的小时时空总资源；
(3)计算交通分区内非机动车交通个体的时空消耗；
(4)结合城市非机动车道路网络设施时空资源和非机动车交通个体时空消耗，测度交通分区内非机动车道路网络承载力；
(5)测度交通分区内租赁自行车道路网络承载力；
(6)识别交通分区内租赁自行车停车设施容量；
(7)测度交通分区内租赁自行车停车设施承载力。
2.根据权利要求1所述的基于交通分区的租赁自行车交通设施承载力测度方法，其特征在于，所述步骤(1)中交通分区划分及道路网络信息提取方法如下：
交通分区划分依据包括：
①在进行交通分区划分时，同一分区不跨越行政区划；
②在交通分区划分时，将铁路、河流等人工或天然屏障作为交通分区的边界；
③尽量将地形地貌和用地性质一致的区域划分进同一个交通分区；
利用交通分区划分数据和当地路网数据，利用ArcGIS统计出交通分区内不同等级道路的长度。
3.根据权利要求1所述的基于交通分区的租赁自行车交通设施承载力测度方法，其特征在于，所述步骤(2)中考虑交叉口绿信比、路旁干扰、车流混合干扰、道路布局形式及机动车与非机动车道隔离形式，计算交通分区内非机动车道路网络设施的小时时空总资源方法如下：
Figure FDA0002076858590000011
其中，Cr，i为第i个交通分区的非机动车道路有效时空总资源，km·h；li，k为第i个交通分区内第k类非机动车道路的长度，km；ηk，1为非机动车道路的交叉口折减系数；ηk，2为第k类非机动车道路的综合折减系数；ηk，3为第k类非机动车道路的有效车道系数，T为测算非机动车道路网络设施服务时间，单位为小时。
4.根据权利要求1所述的基于交通分区的租赁自行车交通设施承载力测度方法，其特征在于，所述步骤(3)计算交通分区内非机动车交通个体的时空消耗方法如下：
Figure FDA0002076858590000021
其中，α为电动自行车对自行车的换算系数；β为电动自行车占非机动车交通流的比例；lave，e-bike为电动自行车的平均用车距离，km；lave，bike为自行车的平均用车距离，km。
5.根据权利要求1所述的基于交通分区的租赁自行车交通设施承载力测度方法，其特征在于，所述步骤(4)结合城市非机动车道路网络设施时空资源和非机动车交通个体时空消耗，测度交通分区内非机动车道路网络承载力方法如下：
Figure FDA0002076858590000022
上式中计算出的非机动车道路网络承载力的交通个体为自行车，实际上，非机动车交通流中，自行车占总体的比例为
Figure FDA0002076858590000023
6.根据权利要求1所述的基于交通分区的租赁自行车交通设施承载力测度方法，其特征在于，所述步骤(5)测度交通分区内互联网租赁自行车道路网络承载力方法如下：
Figure FDA0002076858590000024
其中，ε为租赁自行车占自行车出行的比例。
7.根据权利要求1所述的基于交通分区的租赁自行车交通设施承载力测度方法，其特征在于，所述步骤(6)识别交通分区内租赁自行车停车设施容量方法如下：
对于没有固定停车桩位的互联网租赁自行车，采用考虑噪声的基于密度的空间聚类算法，识别互联网租赁自行车停车区域，并据此统计出各交通分区内互联网租赁自行车停车容量，具体包括以下步骤：
步骤①将样本数据整合并建立样本集合D，对于样本集合D，随机取其中的一未被处理的对象p，若在对象p的ξ近邻内有数量大于Min Pts个点，则对象p为核对象；
步骤②取样本集合D内所有与对象p密度可达的对象，作为一个簇；
步骤③通过密度相连的过程，产生最终的簇；
步骤④对于未处理的对象，重复步骤②和步骤③，直到所有的对象都经过处理；
在此基础上，利用ArcGIS，将识别出的停车区域位置与地图上实际的非机动车停车位置对比，能够确认识别出的停车区域是否为实际的非机动车停车区域，将不落在实际非机动车停车位置的停车区域识别结果删除，可得较为准确的交通分区i内互联网租赁自行车停车设施容量Pi；
对于有固定桩位的公共自行车，根据公共自行车企业的停车桩位定位数据，利用ArcGIS的空间连接工具，可得到每个交通分区内的公共自行车停车容量Pi′。
8.根据权利要求1所述的基于交通分区的租赁自行车交通设施承载力测度方法，其特征在于，所述步骤(7)测度交通分区内租赁自行车停车设施承载力方法如下：
Figure FDA0002076858590000031
其中，
Figure FDA0002076858590000032
为互联网租赁自行车停车设施承载力，单位为辆/h，λi，t为第i个交通分区在t时段内的互联网租赁自行车停车位周转率，λ′i，t为第i个交通分区在t时段内的公共自行车停车位周转率。
CN201910456886.3A 2019-05-29 2019-05-29 基于交通分区的租赁自行车交通设施承载力测度方法 Active CN110288198B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910456886.3A CN110288198B (zh) 2019-05-29 2019-05-29 基于交通分区的租赁自行车交通设施承载力测度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910456886.3A CN110288198B (zh) 2019-05-29 2019-05-29 基于交通分区的租赁自行车交通设施承载力测度方法

Publications (2)

Publication Number Publication Date
CN110288198A CN110288198A (zh) 2019-09-27
CN110288198B true CN110288198B (zh) 2022-12-13

Family

ID=68002815

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910456886.3A Active CN110288198B (zh) 2019-05-29 2019-05-29 基于交通分区的租赁自行车交通设施承载力测度方法

Country Status (1)

Country Link
CN (1) CN110288198B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110851769B (zh) * 2019-11-25 2020-07-24 东南大学 一种基于网络承载力的电动公交网络可靠性评价方法
CN111984924A (zh) * 2020-07-07 2020-11-24 东南大学 一种评估公共自行车租赁政策对区域自行车安全影响的方法
CN112598896B (zh) * 2020-12-07 2021-11-12 吉林大学 一种基于gps数据的工业园区物流关键路段识别方法
CN113724498B (zh) * 2021-11-02 2022-04-22 深圳市城市交通规划设计研究中心股份有限公司 一种中心城区tod项目停车配建的方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102332122A (zh) * 2011-10-18 2012-01-25 东南大学 城市公共自行车租赁点布局优化方法
CN106097590B (zh) * 2016-06-17 2019-01-29 浙江右边数字科技有限公司 电动自行车租赁系统及控制方法
US20180209789A1 (en) * 2017-01-23 2018-07-26 International Business Machines Corporation System and method of acquiring road data
CN109587219B (zh) * 2018-11-07 2021-11-19 重庆光电信息研究院有限公司 定置式城市物联网边缘计算点站的设置与管理方法

Also Published As

Publication number Publication date
CN110288198A (zh) 2019-09-27

Similar Documents

Publication Publication Date Title
CN110288198B (zh) 基于交通分区的租赁自行车交通设施承载力测度方法
Zamir et al. Effects of transit-oriented development on trip generation, distribution, and mode share in Washington, DC, and Baltimore, Maryland
CN108388970B (zh) 一种基于gis的公交站点选址方法
CN109460937B (zh) 评价轨道站点周边慢行交通系统接驳水平的流程与方法
CN112036757B (zh) 基于手机信令和浮动车数据的停车换乘停车场的选址方法
CN112926768A (zh) 基于时空注意力机制的地面道路车道级交通流预测方法
Wu et al. Model for estimation urban transportation supply-demand ratio
Sadeghinasr et al. Mining dockless bikeshare data for insights into cyclist behavior and preferences: Evidence from the Boston region
CN110245774A (zh) 一种根据员工家庭住址进行班车线路优化的方法
Peng et al. Nonlinear, threshold and synergistic effects of first/last-mile facilities on metro ridership
CN114358386A (zh) 一种基于预约出行需求的双出行模式合乘站点生成方法
CN113870559B (zh) 一种基于大数据车联网的交通流量计算方法
Ng et al. The development of model estimation to determine parking needs at LRT stations in suburban area
Faye Modernization and/or sustainable transportation system in Dakar: identification of problems and mode requirements
Izadi et al. Evaluation of the performance of bus special lines according to indicators of quality and transport and its performance improvement using ultra-innovative intelligent models (Case study: Rasht city)
Chauhan et al. Comparative Study of Legal and Illegal On-Street Parking Behaviour in CBD Area—A Case Study of Surat City
Cervero Intrametropolitan trends in sunbelt and western cities: Transportation implications
Annisa et al. Study of Park and Ride Facilities in Cikarang
Zhao et al. Planning bikeway network for urban commute based on mobile phone data: A case study of Beijing
Luo et al. Research on the impact scope of bus stations based on the application of bus lanes
Hemasree et al. Influences and Impressions of Metro Rail Transit Systems in Urban Spaces: A Review
Nithya et al. Pre-feasibility study on light rail transit connecting Kakkanad and Padma junction
Orvin Bicyclists’ travel behavior analysis: modeling bicycling demand, speed choice, destination choice, and usage of shared mobility services
Danilina et al. Comparative analysis of transport services development in the capital cities moscow and colombo
Vergara et al. Site Selection for New Point to Point (P2P) Bus Endpoints and Routes in Metro Manila, Philippines

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