CN110399402B - 一种基于大数据的轨道交通站点分类方法 - Google Patents
一种基于大数据的轨道交通站点分类方法 Download PDFInfo
- Publication number
- CN110399402B CN110399402B CN201910628048.XA CN201910628048A CN110399402B CN 110399402 B CN110399402 B CN 110399402B CN 201910628048 A CN201910628048 A CN 201910628048A CN 110399402 B CN110399402 B CN 110399402B
- Authority
- CN
- China
- Prior art keywords
- rail transit
- interest points
- transit station
- data
- space
- 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
Links
Images
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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Abstract
一种基于大数据的轨道交通站点分类方法:共享单车平均出行距离的确定;构建轨道交通站点周边空间缓冲区;构建轨道交通站点周边泰森多边形;确定轨道交通站点空间影响范围;获取研究范围内的兴趣点;统计轨道交通站点空间影响范围内各类兴趣点数量;计算轨道交通站点空间影响范围内兴趣点优势度指数和均匀度指数;确定轨道交通站点分类指标;根据各轨道交通站点的兴趣点优势度指数、兴趣点均匀度指数、以及各类兴趣点所占比例,确定各轨道交通站点的类型。本发明首先确定不同轨道交通站点的空间影响范围,基于影响范围内实际的轨道交通站点要素确定站点类型,有较强的创新和应用性。能够合理有效地解决轨道交通站点分类问题。
Description
技术领域
本发明涉及一种轨道交通站点分类方法。特别是涉及一种基于大数据的轨道交通站点分类方法。
背景技术
城市轨道交通站点既是城市交通网络的重要节点和集散点,又是一个城市中的区域场所。由于轨道交通途经沿线的不同区位、城市功能、既有用地格局的影响,在城市轨道交通站点周边空间土地开发与利用、基础设施衔接规划以及客流吸引特征等相关研究方面,不同类型的站点间往往存在着较大的差异性。因此有必要依据不同功能、区位,对轨道交通站点进行类型划分,分类探讨不同类型站点间的这种差异。
最初卡尔索普提出的两种TOD基本类型奠定了TOD地区分类的基本方式,即将城市特征与交通特征相结合,综合评定TOD站点的类型及特点。纵观国外在理论研究和规划实践中对TOD站点的分类,虽然所分类型不尽相同,但这些分类基本上均可看作是在卡尔索普提出的分类方式的演化:区域中心、城市核心、城市中心、市郊中心等类型均属于城市级TOD,这些类型都具有鲜明的城市公共职能;而通勤小镇中心、公交社区、一般社区、新社区等类型则属于社区级TOD,这些类型都是以TOD站点在空间或功能最鲜明的特点进行细分;以上两大类类型并不能完全涵盖所有的TOD站点类型,如研究院所地区、机场地区、就业区、特殊功能区等分类则是对上述两大类基本类型的有效补充。
通过对国内外轨道交通站点的分类方法可知:国内多通过实地调研数据或站点周边土地利用情况进行站点分类;国外的分类方式则将城市特征因素与交通特征因素相结合,综合评价轨道交通站点并对其分类,并根据不同城市实际情况特点,增加一些特殊分类进行补充。国内外对城市轨道交通站点类型的划分方式都有其科学系统性。
国内研究轨道交通站点分类时,站点所处的区域、用地常不做重点考虑,轨道交通站点的区位因素常被忽略,并没有定量且客观的标准。对TOD轨道交通站点的分类方法多集中借助于实地调研的数据或站点周边用地指标进行分类,引入新的研究方法和数据进行分类的研究还相对较少。
通过上述背景技术分析可知,国内现有的研究多通过实地调研数据或站点周边土地利用情况进行站点分类;国外的分类方式则将城市特征因素与交通特征因素相结合,综合评价轨道交通站点并对其分类,对于站点周边各类实际用地数据的利用不够,从而对站点的分类不够客观。
发明内容
本发明所要解决的技术问题是,提供一种可为不同类型站点周边土地利用规划提供依据的基于大数据的轨道交通站点分类方法。
本发明所采用的技术方案是:一种基于大数据的轨道交通站点分类方法,包括如下步骤:
1)共享单车平均出行距离的确定,包括:提取共享单数据、数据筛选和计算共享单车的平均出行距离;
2)构建轨道交通站点周边空间缓冲区:在ArcGIS软件中以轨道交通站点的空间数据为输入,以步骤1)中得到的共享单车的平均出行距离作为空间缓冲区的半径,构建轨道交通站点周边空间缓冲区;
3)构建轨道交通站点周边泰森多边形,包括:
(1)将所有轨道交通站点连接成德洛内三角网;
(2)画出三角网中每个三角形的外接圆;
(3)连接相邻三角形的外接圆圆心,得到泰森多边形;
4)确定轨道交通站点空间影响范围;
5)获取研究范围内的兴趣点
通过数据挖掘技术从百度地图获取研究范围内的五类兴趣点数据,包括:公司、银行、住宅区、餐厅和学校,数据包含的字段有:名称、地址、经度和纬度;将银行和餐厅归为商服类,公司归为办公类,住宅和学校归为居住类;
6)统计轨道交通站点空间影响范围内各类兴趣点数量;
7)计算轨道交通站点空间影响范围内兴趣点优势度指数和均匀度指数;兴趣点优势度指数值越大,反映研究区域内各类用地面积差异越明显;兴趣点均匀度指数反映研究范围内用地种类的均衡程度,当兴趣点均匀度指数等于1时,代表研究区域内用地种类分布均匀。
8)确定轨道交通站点分类指标
以用地功能为出发点进行轨道交通站点分类,根据轨道交通站点空间影响范围内的土地利用性质、规模以及研究范围内土地所承载的城市功能划分用地类型,将站点划分为居住类、商服类、办公类、混合类4种类型;
9)根据各轨道交通站点的兴趣点优势度指数D、兴趣点均匀度指数E、以及各类兴趣点所占比例,确定各轨道交通站点的类型。
步骤1)所述的:
(1)提取共享单车数据:提取共享单车每天0:00-24:00的开、关锁数据,所述开、关锁数据包括下列信息:车辆ID、开关锁操作时间、开锁或关锁状态、开关锁的位置即经纬度坐标,每辆车对应一个车辆ID。
(2)数据筛选:以车辆ID为排序依据对所有数据记录进行排序,遍历每个车辆ID,剔除车辆ID中没有成对的单条数据的记录,以轨道交通开始运营时间ts、结束运营时间为te为数据筛选区间,依次剔除目的地不是地铁站的单车数据,且开锁时间tl满足te>tl>ts,使得一个车辆ID对应一对开关锁数据,并以所述的一对开关锁数据作为一个完整的出行数据对。
(3)计算共享单车的平均出行距离:通过每个数据对的开关锁坐标得到该数据对的空间距离di,对所有数据对的空间距离di求平均值得到平均出行距离i=1…j,j为数据对的个数,将平均出行距离/>作为空间缓冲区的半径。
步骤4)是将轨道交通站点周边空间缓冲区与泰森多边形进行空间叠加,去掉不重叠的部分,保留重叠部分,得到轨道交通站点空间影响范围。
步骤6)是在ArcGIS软件中,通过空间连接建立轨道交通站点空间影响范围与兴趣点坐标的关系,然后统计出不同轨道交通站点空间影响范围内各类兴趣点的数量。
步骤7)计算方式如下:
D=Ymax-Y
E=Y/Ymax
Ymax=ln(n)
式中:D表示轨道交通站点空间影响范围内兴趣点优势度指数;E表示轨道交通站点空间影响范围内兴趣点均匀度指数;Y表示轨道交通站点空间影响范围内用地的多样性指数;pk为轨道交通站点空间影响范围内第k类兴趣点所占兴趣点数量比例;n为轨道交通站点空间影响范围内兴趣点类别总数;Ymax=ln(n)表示在轨道交通站点空间影响范围内对于给定的n,当各类用地的面积比例相同即pk=1/n时,用地的多样性指数Y的最大值。
步骤8)具体分类标准如下:
居住类:轨道交通站点空间影响范围内以居住类兴趣点为主,要求居住类兴趣点数量占所有兴趣点数量的比例>45%,且兴趣点优势度指数>0.5,兴趣点均匀度指数<0.75;
商服类:轨道交通站点空间影响范围内以商服类兴趣点为主,要求商服类兴趣点数量占所有兴趣点数量的比例>15%,居住类兴趣点数量占所有兴趣点数量的比例<45%,且兴趣点优势度指数>0.3,兴趣点均匀度指数<0.9;
办公类:轨道交通站点空间影响范围内以办公类兴趣点为主,要求办公类兴趣点数量占所有兴趣点数量的比例>15%,居住类兴趣点数量占所有兴趣点数量的比例<45%,且兴趣点优势度指数>0.3,兴趣点均匀度指数<0.9;
混合类:轨道交通站点空间影响范围内没有明显优势兴趣点,要求各类兴趣点数量均衡,且兴趣点优势度指数<0.25,兴趣点均匀度指数>0.85。
本发明的一种基于大数据的轨道交通站点分类方法,首先确定不同轨道交通站点的空间影响范围,基于影响范围内实际的轨道交通站点要素确定站点类型,有较强的创新和应用性。能够合理有效地解决轨道交通站点分类问题。本发明具有如下效果:
1、针对轨道交通站点空间影响范围的确定:创新性地应用了共享单车的大数据,提出了一种合理有效地确定轨道交通站点空间影响范围的方法。
2、针对轨道交通站点分类方法上,创新性地设计了基于兴趣点大数据的分类方法,在当前数据挖掘技术应用背景下,本发明的方法在加快求解速度、充分结合实际等方面都表现良好,对于丰富轨道交通站点分类理论,指导站点周边土地布局优化等方面有着一定的价值。
3、经验证,本发明提出的基于大数据的轨道交通站点分类方法能够合理有效地解决轨道交通站点分类问题。
附图说明
图1是本发明中共享单车数据处理流程图;
图2是本发明中轨道交通站点周边空间缓冲区示意图;
图3a是本发明中构建轨道交通站点周边泰森多边形的原始状态示意图;
图3b是本发明中构建轨道交通站点周边泰森多边形的德洛内三角网示意图;
图3c是本发明中构建出的轨道交通站点周边泰森多边形的示意图;
图4是本发明中轨道交通站点空间影响范围中缓冲区面积不重合时的空间处理示意图;
图5是本发明中轨道交通站点空间影响范围中缓冲区面积重合时的空间处理示意图;
图6是本发明中站点空间影响范围内各类兴趣点的统计示意图;
图7是天津市轨道交通线网示意图;
图8是研究范围内的轨道交通站点示意图;
图9研究范围内的共享单车开关锁数据示意图;
图10泰森多边形创建结果示意图;
图11轨道交通站点空间影响范围结果示意图;
图12研究范围内五类POI数据点数据示意图;
图13研究范围内五类POI数据点与轨道站点匹配结果示意图。
具体实施方式
下面结合实施例和附图对本发明的一种基于大数据的轨道交通站点分类方法做出详细说明。
共享单车数据可以实时表达城市的密度以及居住地和工作地点之间的交通动态。同时作为对公共交通、行人交通、传统自行车出行的补充,共享单车凭借其广泛的布点、便捷的开关锁、优良的骑行性能以及极强的共享性成为轨道交通站点往外围覆盖延伸的微循环,很好地解决了最后一公里的问题。
本发明主要基于摩拜共享单车的骑行开关锁时间、坐标数据分析站点及共享单车出行的关系,探索研究轨道交通站点周边空间影响范围。
本发明的一种基于大数据的轨道交通站点分类方法,包括如下步骤:
1)共享单车平均出行距离的确定,包括:提取共享单数据、数据筛选和计算共享单车的平均出行距离;其中,
(1)提取共享单车数据:提取共享单车每天0:00-24:00的开、关锁数据,所述开、关锁数据包括下列信息:车辆ID、开关锁操作时间、开锁或关锁状态、开关锁的位置即经纬度坐标,每辆车对应一个车辆ID。
(2)数据筛选:如图1所示,以车辆ID为排序依据对所有数据记录进行排序,遍历每个车辆ID,剔除车辆ID中没有成对的单条数据的记录,以轨道交通开始运营时间ts、结束运营时间为te为数据筛选区间,依次剔除目的地不是地铁站的单车数据,且开锁时间tl满足te>tl>ts,使得一个车辆ID对应一对开关锁数据,并以所述的一对开关锁数据作为一个完整的出行数据对。
如表1所示,这两条出行记录构成一个完整的出行数据对Vi(o,d)。
表1共享单车数据表样式
经度 | 纬度 | 车辆ID | 关锁(关1开0) | 操作时间 |
117.2224 | 39.13705 | 100023365 | 0 | 2017/11/2013:32 |
117.2267 | 39.13847 | 100023365 | 1 | 2017/11/2013:38 |
(3)计算共享单车的平均出行距离:通过每个数据对的开关锁坐标得到该数据对的空间距离di,对所有数据对的空间距离di求平均值得到平均出行距离i=1…j,j为数据对的个数,将平均出行距离/>作为空间缓冲区的半径。
2)构建轨道交通站点周边空间缓冲区:如图2所示,在ArcGIS软件中以轨道交通站点的空间数据为输入,以步骤1)中得到的共享单车的平均出行距离作为空间缓冲区的半径,构建轨道交通站点周边空间缓冲区;
3)构建轨道交通站点周边泰森多边形,如图3a、图3b、图3c所示,包括:
(1)将所有轨道交通站点连接成德洛内三角网;
(2)画出三角网中每个三角形的外接圆;
(3)连接相邻三角形的外接圆圆心,得到泰森多边形;
4)确定轨道交通站点空间影响范围;
泰森多边形在轨道交通边缘站点(即周边没有相邻站点覆盖的区域)其范围是划定到边界,跟实际影响范围不符,共享单车的平均覆盖范围在中心城区站点密集度高的区域,不同站点的影响范围有重合,基于上述两点,将共享单车的覆盖范围和泰森多边形的范围进行叠加,即保证了泰森多边形的特性,又避免了站点覆盖范围的重合。
如图4、图5所示,本发明是将轨道交通站点周边空间缓冲区与泰森多边形进行空间叠加,去掉不重叠的部分,保留重叠部分,得到轨道交通站点空间影响范围。
5)获取研究范围内的兴趣点
通过数据挖掘技术从百度地图获取研究范围内的五类兴趣点数据,包括:公司、银行、住宅区、餐厅和学校,数据包含的字段有:名称、地址、经度和纬度;将银行和餐厅归为商服类,公司归为办公类,住宅和学校归为居住类;数据样式如表2所示:
表2兴趣点数据表样式
6)统计轨道交通站点空间影响范围内各类兴趣点数量;
如图6所示,是在ArcGIS软件中,通过空间连接建立轨道交通站点空间影响范围与兴趣点坐标的关系,然后统计出不同轨道交通站点空间影响范围内各类兴趣点的数量。
7)计算轨道交通站点空间影响范围内兴趣点优势度指数和均匀度指数;
城市用地性质是决定城市用地功能类型的关键要素。以研究区域内的不同性质用地为决定要素,划分研究区域内的用地功能。传统用地研究的多用各类用地的占比数值计算影响区域内的用地优势度指数和用地均匀度指数,进而来研究各站点影响区域内的用地功能特征,因不同用地的容积率存在差异,仅用用地面积来确定站点类型不够精确,本发明在这里提出了一种站点周边兴趣点(POI)优势度和兴趣点(POI)均匀度的方法,该方法用不同POI类型反映站点周边各类用地功能的均匀度,用POI数量反映站点周边不同用地的活力。POI优势度反映某一类用地的集中程度,优势度值越大,说明研究区域内各类用地面积差异越明显,并且某一类用地的主导地位越强。POI均匀度指数则相反,它能够反映研究范围内用地种类的均衡程度。当均匀度指数约等于1时,代表研究区域内用地种类多样不唯一,分布均匀。优势度和均匀度两个指标都可以相互验证,共同描述研究区域内的用地功能特征。
本发明的轨道交通站点空间影响范围内兴趣点优势度指数和均匀度指数计算方式如下:
D=Ymax-Y
E=Y/Ymax
Ymax=ln(n)
式中:D表示轨道交通站点空间影响范围内兴趣点优势度指数;E表示轨道交通站点空间影响范围内兴趣点均匀度指数;Y表示轨道交通站点空间影响范围内用地的多样性指数;pk为轨道交通站点空间影响范围内第k类兴趣点所占兴趣点数量比例;n为轨道交通站点空间影响范围内兴趣点类别总数;Ymax=ln(n)表示在轨道交通站点空间影响范围内对于给定的n,当各类用地的面积比例相同即pk=1/n时,用地的多样性指数Y的最大值。
兴趣点优势度指数值越大,反映研究区域内各类用地面积差异越明显;兴趣点均匀度指数反映研究范围内用地种类的均衡程度,当兴趣点均匀度指数等于1时,代表研究区域内用地种类分布均匀。
8)确定轨道交通站点分类指标
城市建设用地分为居住用地、公共管理与公共服务设施用地、商业服务业设施用地、工业用地、物流仓储用地、道路与交通设施用地、公用设施用地、绿地与广场用地。基于TOD的开发理念主要针对商服、办公、居住用地进行高强度开发,因此,本发明以用地功能为出发点进行轨道交通站点分类,根据轨道交通站点空间影响范围内的土地利用性质、规模以及研究范围内土地所承载的城市功能划分用地类型,将站点划分为居住类、商服类、办公类、混合类4种类型;如表3所示,具体分类标准如下:
居住类:轨道交通站点空间影响范围内以居住类兴趣点为主,要求居住类兴趣点数量占所有兴趣点数量的比例>45%,且兴趣点优势度指数>0.5,兴趣点均匀度指数<0.75;
商服类:轨道交通站点空间影响范围内以商服类兴趣点为主,要求商服类兴趣点数量占所有兴趣点数量的比例>15%,居住类兴趣点数量占所有兴趣点数量的比例<45%,且兴趣点优势度指数>0.3,兴趣点均匀度指数<0.9;
办公类:轨道交通站点空间影响范围内以办公类兴趣点为主,要求办公类兴趣点数量占所有兴趣点数量的比例>15%,居住类兴趣点数量占所有兴趣点数量的比例<45%,且兴趣点优势度指数>0.3,兴趣点均匀度指数<0.9;
混合类:轨道交通站点空间影响范围内没有明显优势兴趣点,要求各类兴趣点数量均衡,且兴趣点优势度指数<0.25,兴趣点均匀度指数>0.85。
表3轨道交通站点分类指标
9)根据各轨道交通站点的兴趣点优势度指数D、兴趣点均匀度指数E、以及各类兴趣点所占比例,确定各轨道交通站点的类型。
下面给出一实例:
实例分析以天津市为例,数据选取摩拜单车2017年11月20日全天的开关锁数据。共享单车数据包含下列信息:车辆ID、车辆开关锁的位置(即经纬度坐标)、开锁or关锁,运营状态、企业代号、数据进入数据库的时间以及开关锁操作的时间,本研究主要应用开关锁的操作时间、开锁or关锁(关锁为0,开锁为1)、车辆ID、开关锁的位置(即经纬度坐标)。车辆以车辆ID为唯一标识。为和共享单车数据时点一致,选择截止到2017年11月20日天津市轨道交通线网为研究对象(如图7、8所示)。基础数据样式如表4所示,数据点的空间表示如图9所示:
表4摩拜单车数据表样式
(1)通过筛选共享单车数据有效出行数据对,得到轨道交通站点的空间影响范围为1650m,作为缓冲区的半径,创建站点空间缓冲区。
(2)以边缘站点10km为矩形边界,创建泰森多边形,如图10所示。
(3)对泰森多边形和空间缓冲区进行空间处理,得到各轨道交通站点空间影响范围,如图11所示。
(4)通过Python爬取地图POI点的数据,如下图所示:进行空间处理,得到各轨道交通站点影响范围内不同类别POI的数量,如图12、图13所示。
(5)计算POI优势度和均匀度指数,通过站点分类指标确定站点类型,表5显示的是部分站点的最终分类结果。
表5部分站点分类的计算结果
Claims (4)
1.一种基于大数据的轨道交通站点分类方法,其特征在于,包括如下步骤:
1)共享单车平均出行距离的确定,包括:提取共享单数据、数据筛选和计算共享单车的平均出行距离;
2)构建轨道交通站点周边空间缓冲区:在ArcGIS软件中以轨道交通站点的空间数据为输入,以步骤1)中得到的共享单车的平均出行距离作为空间缓冲区的半径,构建轨道交通站点周边空间缓冲区;
3)构建轨道交通站点周边泰森多边形,包括:
(1)将所有轨道交通站点连接成德洛内三角网;
(2)画出三角网中每个三角形的外接圆;
(3)连接相邻三角形的外接圆圆心,得到泰森多边形;
4)确定轨道交通站点空间影响范围;
是将轨道交通站点周边空间缓冲区与泰森多边形进行空间叠加,去掉不重叠的部分,保留重叠部分,得到轨道交通站点空间影响范围
5)获取轨道交通站点空间影响范围内的兴趣点
通过数据挖掘技术从百度地图获取轨道交通站点空间影响范围内的五类兴趣点数据,包括:公司、银行、住宅区、餐厅和学校,数据包含的字段有:名称、地址、经度和纬度;将银行和餐厅归为商服类,公司归为办公类,住宅和学校归为居住类;
6)统计轨道交通站点空间影响范围内各类兴趣点数量;
7)计算轨道交通站点空间影响范围内兴趣点优势度指数和均匀度指数;兴趣点优势度指数值越大,反映轨道交通站点空间影响范围内用地差异越明显;兴趣点均匀度指数反映轨道交通站点空间影响范围用地种类的均衡程度,当兴趣点均匀度指数等于1时,代表轨道交通站点空间影响范围内用地种类分布均匀;
轨道交通站点空间影响范围内兴趣点优势度指数计算方式如下:
D=Ymax-Y
E=Y/Ymax
Ymax=ln(n)
式中:D表示轨道交通站点空间影响范围内兴趣点优势度指数;E表示轨道交通站点空间影响范围内兴趣点均匀度指数;Y表示轨道交通站点空间影响范围内用地的多样性指数;pk为轨道交通站点空间影响范围内第k类兴趣点所占兴趣点数量比例;n为轨道交通站点空间影响范围内兴趣点类别总数;Ymax=ln(n)表示在轨道交通站点空间影响范围内对于给定的n用地的多样性指数Y的最大值;
8)确定轨道交通站点分类指标
根据各轨道交通站点的兴趣点优势度指数D、兴趣点均匀度指数E、以及各类兴趣点所占比例,确定各轨道交通站点的类型;将站点划分为居住类、商服类、办公类、混合类4种类型。
2.根据权利要求1所述的一种基于大数据的轨道交通站点分类方法,其特征在于,步骤1)所述的:
(1)提取共享单车数据:提取共享单车每天0:00-24:00的开、关锁数据,所述开、关锁数据包括下列信息:车辆ID、开关锁操作时间、开锁或关锁状态、开关锁的位置即经纬度坐标,每辆车对应一个车辆ID;
(2)数据筛选:以车辆ID为排序依据对所有数据记录进行排序,遍历每个车辆ID,剔除车辆ID中没有成对的单条数据的记录,以轨道交通开始运营时间ts、结束运营时间为te为数据筛选区间,依次剔除目的地不是地铁站的单车数据,且开锁时间tl满足te>tl>ts,使得一个车辆ID对应一对开关锁数据,并以所述的一对开关锁数据作为一个完整的出行数据对;
3.根据权利要求1所述的一种基于大数据的轨道交通站点分类方法,其特征在于,步骤6)是在ArcGIS软件中,通过空间连接建立轨道交通站点空间影响范围与兴趣点坐标的关系,然后统计出不同轨道交通站点空间影响范围内各类兴趣点的数量。
4.根据权利要求1所述的一种基于大数据的轨道交通站点分类方法,其特征在于,步骤8)具体分类标准如下:
居住类:轨道交通站点空间影响范围内以居住类兴趣点为主,要求居住类兴趣点数量占所有兴趣点数量的比例>45%,且兴趣点优势度指数>0.5,兴趣点均匀度指数<0.75;
商服类:轨道交通站点空间影响范围内以商服类兴趣点为主,要求商服类兴趣点数量占所有兴趣点数量的比例>15%,居住类兴趣点数量占所有兴趣点数量的比例<45%,且兴趣点优势度指数>0.3,兴趣点均匀度指数<0.9;
办公类:轨道交通站点空间影响范围内以办公类兴趣点为主,要求办公类兴趣点数量占所有兴趣点数量的比例>15%,居住类兴趣点数量占所有兴趣点数量的比例<45%,且兴趣点优势度指数>0.3,兴趣点均匀度指数<0.9;
混合类:轨道交通站点空间影响范围内没有明显优势兴趣点,兴趣点优势度指数<0.25,兴趣点均匀度指数>0.85。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910628048.XA CN110399402B (zh) | 2019-07-12 | 2019-07-12 | 一种基于大数据的轨道交通站点分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910628048.XA CN110399402B (zh) | 2019-07-12 | 2019-07-12 | 一种基于大数据的轨道交通站点分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110399402A CN110399402A (zh) | 2019-11-01 |
CN110399402B true CN110399402B (zh) | 2023-05-23 |
Family
ID=68325354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910628048.XA Active CN110399402B (zh) | 2019-07-12 | 2019-07-12 | 一种基于大数据的轨道交通站点分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110399402B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112533140B (zh) * | 2020-11-24 | 2021-10-12 | 天津市赛英工程建设咨询管理有限公司 | 一种基于指数的共享单车分布情况评估方法 |
CN112597402B (zh) * | 2020-12-17 | 2022-11-18 | 东南大学 | 基于多源数据的轨道交通换乘共享单车影响区界定方法 |
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 |
CN113096377B (zh) * | 2021-02-18 | 2022-07-29 | 西南交通大学 | 一种基于城市异质性的车辆合乘规划方法 |
CN114461841B (zh) * | 2022-04-14 | 2022-07-05 | 自然资源部第三地理信息制图院 | 一种土地利用数据自动缩编方法 |
CN116776207B (zh) * | 2023-08-22 | 2023-11-03 | 中国科学院地理科学与资源研究所 | 站点的分类方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102033932A (zh) * | 2010-12-17 | 2011-04-27 | 东南大学 | 面向一体化设计的城市轨道交通站点分类方法 |
CN107578619A (zh) * | 2017-09-11 | 2018-01-12 | 东南大学 | 基于ic卡数据测定地铁站点公共自行车服务范围的方法 |
CN107729938A (zh) * | 2017-12-11 | 2018-02-23 | 北方工业大学 | 一种基于公交接驳辐射区特征的轨道站点分类方法 |
CN107832779A (zh) * | 2017-12-11 | 2018-03-23 | 北方工业大学 | 一种轨道站点分类系统 |
CN108665191A (zh) * | 2018-06-05 | 2018-10-16 | 北方工业大学 | 基于聚集效应的地铁站外关联区域计算方法 |
-
2019
- 2019-07-12 CN CN201910628048.XA patent/CN110399402B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102033932A (zh) * | 2010-12-17 | 2011-04-27 | 东南大学 | 面向一体化设计的城市轨道交通站点分类方法 |
CN107578619A (zh) * | 2017-09-11 | 2018-01-12 | 东南大学 | 基于ic卡数据测定地铁站点公共自行车服务范围的方法 |
CN107729938A (zh) * | 2017-12-11 | 2018-02-23 | 北方工业大学 | 一种基于公交接驳辐射区特征的轨道站点分类方法 |
CN107832779A (zh) * | 2017-12-11 | 2018-03-23 | 北方工业大学 | 一种轨道站点分类系统 |
CN108665191A (zh) * | 2018-06-05 | 2018-10-16 | 北方工业大学 | 基于聚集效应的地铁站外关联区域计算方法 |
Non-Patent Citations (7)
Title |
---|
"自行车+轨道交通"导向型城市空间发展策略研究――以上海为例;黄一哲等;《交通与运输》;20180925(第05期);全文 * |
公共自行车接驳轨道交通服务范围研究;蒋源等;《交通运输系统工程与信息》;20181215;全文 * |
北京市轨道站点吸引范围研究;王淑伟等;《交通运输系统工程与信息》;20130615(第03期);全文 * |
国外城市轨道交通与站域土地利用互动研究进展;王亚洁;《国际城市规划》;20180219(第01期);全文 * |
土地利用优化视角下的城市轨道站点分类研究――以西安地铁2号线为例;段德罡等;《城市规划》;20130909(第09期);全文 * |
城市轨道交通对土地利用变化的时空效应;谭章智等;《地理学报》;20170515(第05期);全文 * |
基于步行指数与网络分析的轨道交通站点影响区划定及分类方法――以天津为例;王维礼等;《城市》;20190425(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110399402A (zh) | 2019-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110399402B (zh) | 一种基于大数据的轨道交通站点分类方法 | |
Zhao et al. | Uncovering the spatiotemporal patterns of CO2 emissions by taxis based on Individuals' daily travel | |
Wang et al. | Analyzing urban traffic demand distribution and the correlation between traffic flow and the built environment based on detector data and POIs | |
CN108876475B (zh) | 一种基于兴趣点采集的城市功能区识别方法、服务器及存储介质 | |
Li et al. | Explore the recreational service of large urban parks and its influential factors in city clusters–Experiments from 11 cities in the Beijing-Tianjin-Hebei region | |
Sevtsuk et al. | Predicting pedestrian flow along city streets: A comparison of route choice estimation approaches in downtown San Francisco | |
CN114139251B (zh) | 一种边境地区陆路口岸整体布局方法 | |
CN105844031B (zh) | 一种基于手机定位数据的城市交通廊道识别方法 | |
CN117056823A (zh) | 一种识别共享单车通勤用户职业类型的方法及系统 | |
Ji et al. | A spatial-temporal model for locating electric vehicle charging stations | |
Bhatt et al. | GIS and Gravity Model-Based Accessibility Measure for Delhi Metro | |
Liu et al. | The role of data in sustainability assessment of urban mobility policies | |
Jayasinghe | A network centrality-based simulation approach to model traffic volume | |
Parcianello et al. | Transportation: An overview from open data approach | |
Valdes et al. | Extracting relevant Points of Interest from Open Street Map to support E-Mobility Infrastructure Models | |
Mondschein et al. | Hitting the sweet spot: Variability in commute lengths and vehicle emissions across a diverse state | |
Yang et al. | Footprints of goods movements: Spatial heterogeneity of heavy-duty truck activities and its influencing factors in the urban context | |
Masoumi | Transformation of urban form and the effects on travel behavior in Iran | |
Makki | Geographical Information Systems in Analysis and Enhancement for Problems Solving and Decision Making | |
Pourramazani et al. | Concept of accessibility in sustainable transport: Criteria and perspectives | |
Stroissnig | Digitization in Austrian small-town regions: opportunities and risks for spatial planning and development | |
Li et al. | Spatial distribution of travel activities and its relationship with points of interest | |
Valánszki et al. | Cultural ecosystem services and local identity–A ppGIS case study from Budapest Metropolitan Region | |
Trenggana | The accessibility level of Cigudeg Village as prospective capital city of West Bogor Regency | |
Zuidgeest et al. | Measuring accessibility to jobs for the urban poor in Ahmedabad |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 300051 No. 239, Yingkou Road, Heping District, Tianjin Applicant after: Tianjin municipal engineering design and Research Institute Co.,Ltd. Address before: 300051 No. 239, Yingkou Road, Heping District, Tianjin Applicant before: TIANJIN MUNICIPAL ENGINEERING DESIGN & Research Institute |
|
GR01 | Patent grant | ||
GR01 | Patent grant |