CN110633307B - 城市公共自行车接驳地铁时空分析方法 - Google Patents

城市公共自行车接驳地铁时空分析方法 Download PDF

Info

Publication number
CN110633307B
CN110633307B CN201910764141.3A CN201910764141A CN110633307B CN 110633307 B CN110633307 B CN 110633307B CN 201910764141 A CN201910764141 A CN 201910764141A CN 110633307 B CN110633307 B CN 110633307B
Authority
CN
China
Prior art keywords
time
average
passenger flow
station
subway
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
CN201910764141.3A
Other languages
English (en)
Other versions
CN110633307A (zh
Inventor
张健钦
高智文
张学东
徐志洁
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.)
Beijing University of Civil Engineering and Architecture
Original Assignee
Beijing University of Civil Engineering and Architecture
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 Beijing University of Civil Engineering and Architecture filed Critical Beijing University of Civil Engineering and Architecture
Priority to CN201910764141.3A priority Critical patent/CN110633307B/zh
Publication of CN110633307A publication Critical patent/CN110633307A/zh
Application granted granted Critical
Publication of CN110633307B publication Critical patent/CN110633307B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/26—Visual data mining; Browsing structured data
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Pure & Applied Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Optimization (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Fuzzy Systems (AREA)
  • Operations Research (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本发明公开了一种城市公共自行车接驳地铁时空分析方法，包括：通过时序分析发现地铁站的进站客流时序数据、出站客流时序数据与公共自行车租赁点的借车时序数据和还车时序数据均以相同的周期呈现周期性的时间分布规律，采用聚类算法对一个周期中多个时间单元的地铁站的进出站总客流量进行聚类分析，从而将不同的时间单元分成几种出行模式，再计算任一种出行模式下M个时间单元的地铁站的平均进站客流量时间序列、平均出站客流量时间序列、公共自行车租赁点的平均借车量时间序列、平均还车量时间序列，最终计算出在每种出行模式下还车进站接驳相关系数以及出站借车接驳相关系数，从而实现公共自行车接驳地铁出行的定量表达。

Description

城市公共自行车接驳地铁时空分析方法
技术领域
本发明涉及软件领域，尤其涉及一种城市公共自行车接驳地铁时空分析方法。
背景技术
近年来，公共自行车因其环保、经济、便捷等方面的优势而备受广大市民的青睐，国内公共自行车和轨道交通结合的建设正处于蓬勃发展阶段，因此，了解公共自行车接驳轨道交通的出行模式至关重要。然而在城市公共交通发展逐渐完善的背景下，特别是在国家“公交都市”建设标准规定的公交车站500米覆盖率达到90％以上的城市建成区，市民在生活中可能并非主要将公共自行车作为公共交通的接驳手段使用，尤其是在短距离的出行中，公共自行车与公共交通也存在着竞争关系。大多数学者通过研究用户的出行模式来挖掘吸引乘客的关键因素，从而理解公共自行车接驳轨道交通乘客的出行模式，但仅通过分析公共自行车IC卡数据或问卷调查的方式单方面的探讨公共自行车接驳轨道交通影响因素，并没有将轨道交通刷卡数据与公共自行车刷卡数据融合分析，而且相关研究以定性分析为主，缺少定量分析及数理统计方法的应用，难以深入研究公共自行车接驳轨道交通这一出行模式，再者分析结果的可视化方法视图单一，并不能充分体现公共自行车接驳地铁出行的高维性与时空性。
发明内容
本发明的一个目的是解决至少上述问题和/或缺陷，并提供至少后面将说明的优点。
为了实现根据本发明的这些目的和其它优点，提供了城市公共自行车接驳地铁时空分析方法，包括以下步骤：
步骤一、选取一定时期内地铁站的进站客流量时间序列和出站客流量时间序列以及位于所述地铁站接驳范围内的公共自行车租赁点的借车量时间序列和还车量时间序列，其中，所述时间序列以时间间隔作为最小时间单位，所述一定时期包含若干由相同个数时间间隔组成的时间单元；
步骤二、对所述一定时期内所述地铁站的进站客流量时间序列和出站客流量时间序列以及所述公共自行车租赁点的借车量时间序列和还车量时间序列进行时序分析，进而获取以下分析结果：所述地铁站的进站客流量时间序列和出站客流量时间序列以及所述公共自行车租赁点的借车量时间序列和还车量时间序列均以相同的周期呈现周期性的时间分布规律，其中，所述周期由多个时间单元构成；
步骤三、根据所述步骤二分析出的周期，以一个周期中每个时间单元的所述地铁站的进出站总客流量作为聚类对象，采用聚类算法对一个周期中多个时间单元的所述地铁站的进出站总客流量进行聚类分析，从而将一个周期中的多个时间单元划分成至少两种出行模式；
步骤四、计算在一个周期中任一种出行模式下M个时间单元的所述地铁站的平均进站客流量时间序列{se,t}(t＝1,2,3…,n)，M个时间单元的所述地铁站的平均出站客流量时间序列{so,t}(t＝1,2,3…,n)，M个时间单元的所述公共自行车租赁点的平均借车量时间序列{bl,t}(t＝1,2,3…,n)，M个时间单元的所述公共自行车租赁点的平均还车量时间序列{br,t}(t＝1,2,3…,n)，其中，M为该出行模式所包含的时间单元的个数，t代表时间间隔的编号，n代表在该出行模式下任一个时间单元所包含的时间间隔的个数；
步骤五、依次计算在每种出行模式下M个时间单元的所述地铁站的平均进站客流量时间序列{se,t}(t＝1,2,3…,n)和所述公共自行车租赁点的平均还车量时间序列{br,t}(t＝1,2,3…,n)的相关系数时间序列{Rer,t}(t＝1,2,3…,n)，作为该种出行模式的还车进站接驳相关系数时间序列；依次计算在每种出行模式下M个时间单元的所述地铁站的平均出站客流量时间序列{so,t}(t＝1,2,3…,n)和所述公共自行车租赁点的平均借车量时间序列{bl,t}(t＝1,2,3…,n)的相关系数时间序列{Rol,t}(t＝1,2,3…,n)，作为该种出行模式的出站借车接驳相关系数时间序列。
优选的是，所述的城市公共自行车接驳地铁时空分析方法中，所述时间间隔设定为1小时，所述时间单元设定为一个自然日。
优选的是，所述的城市公共自行车接驳地铁时空分析方法中，所述步骤二分析出的周期为一周；所述步骤三中，聚类分析的分类数为3，从而将一周中的周一至周四划分为第一类出行日，周五划分为第二类出行日，周六和周日划分为第三类出行日。
优选的是，所述的城市公共自行车接驳地铁时空分析方法中，在所述步骤五之后进行以下步骤：
分别采用笛卡尔坐标系下的热力图展示每种出行模式的还车进站接驳相关系数时间序列；以及分别采用笛卡尔坐标系下的热力图展示每种出行模式的出站借车接驳相关系数时间序列。
优选的是，所述的城市公共自行车接驳地铁时空分析方法中，在所述步骤五之后进行以下步骤：
利用每种出行模式的还车进站接驳相关系数时间序列{Rer,t}(t＝1,2,3…,n)与该出行模式下M个时间单元的所述公共自行车租赁点的平均还车量时间序列{br,t}(t＝1,2,3…,n)的乘积计算还车进站接驳人数时间序列{Fer,t}(t＝1,2,3…,n)，利用该出行模式的出站借车接驳相关系数时间序列{Rol,t}(t＝1,2,3…,n)与该出行模式下M个时间单元的所述公共自行车租赁点的平均借车量时间序列{bl,t}(t＝1,2,3…,n)的乘积计算出站借车接驳人数时间序列{Fol,t}(t＝1,2,3…,n)。
优选的是，所述的城市公共自行车接驳地铁时空分析方法中，在所述步骤五之后进行以下步骤：
利用折线和柱状统计图展示每种出行模式下M个时间单元的所述公共自行车租赁点的平均还车量时间序列{br,t}(t＝1,2,3…,n)，还车进站接驳人数时间序列{Fer,t}(t＝1,2,3…,n)，所述公共自行车租赁点的非还车进站接驳人数时间序列{Ger,t}(t＝1,2,3…,n)，该出行模式下M个时间单元的所述公共自行车租赁点的平均借车量时间序列{bl,t}(t＝1,2,3…,n)，出站借车接驳人数时间序列{Fol,t}(t＝1,2,3…,n)以及所述公共自行车租赁点的非出站借车接驳人数时间序列{Gol,t}(t＝1,2,3…,n)。
优选的是，所述的城市公共自行车接驳地铁时空分析方法中，在所述步骤五之后进行以下步骤：
在三维地图上进行可视化渲染，利用三维柱状图展示每种出行模式下任一个时间间隔或者由若干时间间隔构成的时段的所述公共自行车租赁点的借车量、还车量、还车进站接驳人数以及出站借车接驳人数。
优选的是，所述的城市公共自行车接驳地铁时空分析方法中，所述步骤三中，所述一个周期中每个时间单元的所述地铁站的进出站总客流量的计算过程为：
获取多周中周一至周日中每天的所述地铁站的进出站总客流量Pw，i，w表示第w周，i表示第w周中的第i天；
采用以下公式分别计算在一个周期内周一至周日中每天所述地铁站的进出站总客流量的平均值
Figure GDA0003420652680000041
W代表周数。
优选的是，所述的城市公共自行车接驳地铁时空分析方法中，所述步骤四中，计算在一个周期中任一种出行模式下M个时间单元的所述地铁站的平均进站客流量时间序列{se,t}(t＝1,2,3…,n)，其具体过程包括：
设在一个周期中任一个出行模式下第m个时间单元内所述地铁站的进站客流量时间序列{se,t,m}(t＝1,2,3…,n)，则有：
Figure GDA0003420652680000042
其中，m代表在该出行模式下时间单元的编号；
计算在一个周期中任一种出行模式下M个时间单元的所述地铁站的平均出站客流量时间序列{so,t}(t＝1,2,3…,n)，其具体过程包括：
设在一个周期中任一个出行模式下第m个时间单元内所述地铁站的出站客流量时间序列{so,t,m}(t＝1,2,3…,n)，则有：
Figure GDA0003420652680000043
计算在一个周期中任一种出行模式下M个时间单元的所述公共自行车租赁点的平均借车量时间序列{bl,t}(t＝1,2,3…,n)，其具体过程包括：
设在一个周期中任一个出行模式下第m个时间单元内所述公共自行车租赁点的平均借车量时间序列{bl,t,m}(t＝1,2,3…,n)，则有：
Figure GDA0003420652680000051
计算在一个周期中任一种出行模式下M个时间单元的所述公共自行车租赁点的平均还车量时间序列{br,t}(t＝1,2,3…,n)，其具体过程包括：
设在一个周期中任一个出行模式下第m个时间单元内所述公共自行车租赁点的平均还车量时间序列{br,t,m}(t＝1,2,3…,n)，则有：
Figure GDA0003420652680000052
优选的是，所述的城市公共自行车接驳地铁时空分析方法中，所述步骤五中，计算在每种出行模式下M个时间单元的所述地铁站的平均进站客流量时间序列{se,t}(t＝1,2,3…,n)和所述公共自行车租赁点的平均还车量时间序列{br,t}(t＝1,2,3…,n)的相关系数时间序列{Rer,t}(t＝1,2,3…,n)，其具体通过以下公式计算：
Figure GDA0003420652680000053
其中，
Figure GDA0003420652680000054
代表在每种出行模式下所述地铁站的平均进站客流量时间序列{se,t}(t＝1,2,3…,n)的均值，
Figure GDA0003420652680000055
代表在每种出行模式下所述公共自行车租赁点的平均还车量时间序列{br,t}(t＝1,2,3…,n)的均值；
计算在每种出行模式下M个时间单元的所述地铁站的平均出站客流量时间序列{so,t}(t＝1,2,3…,n)和所述公共自行车租赁点的平均借车量时间序列{bl,t}(t＝1,2,3…,n)的相关系数时间序列{Rol,t}(t＝1,2,3…,n)，其具体通过以下公式进行计算：
Figure GDA0003420652680000056
其中，
Figure GDA0003420652680000057
代表在每种出行模式下所述地铁站的平均出站客流量时间序列{so,t}(t＝1,2,3…,n)的均值，
Figure GDA0003420652680000058
代表在每种出行模式下所述公共自行车租赁点的平均借车量时间序列{bl,t}(t＝1,2,3…,n)的均值。
本发明至少包括以下有益效果：
(1)本发明选取一定时期地铁站进站客流时序数据、出站客流时序数据与其周边公共自行车租赁点的借车时序数据和还车时序数据，通过时序分析发现地铁站的进站客流时序数据、出站客流时序数据与公共自行车租赁点的借车时序数据和还车时序数据均以相同的周期呈现周期性的时间分布规律，采用聚类算法对一个周期中多个时间单元的地铁站的进出站总客流量进行聚类分析，从而将不同的时间单元分成几种出行模式，再计算任一种出行模式下M个时间单元的地铁站的平均进站客流量时间序列、平均出站客流量时间序列、公共自行车租赁点的平均借车量时间序列、公共自行车租赁点的平均还车量时间序列，最终计算出在每种出行模式下地铁站的平均进站客流量时间序列与公共自行车租赁点的平均还车量时间序列的相关系数，用以表征还车进站接驳的相关性，以及计算出地铁站的平均出站客流量时间序列和公共自行车租赁点的平均借车量时间序列的相关系数，用以表征出站借车接驳的相关性，从而从真实客流数据层面准确反映出地铁站周边的公共自行车租赁点承载接驳功能的状态。
(2)本发明进一步采用笛卡尔坐标系下的热力图对还车进站接驳相关系数以及出站借车接驳相关系数进行可视化展示，通过折线和柱状统计图和构建在三维地图之上的三维柱状图对出站借车接驳人数、还车进站接驳人数进行可视化展示，通过将复杂的数据转换为直观、动态交互的图形图像，使人们通过视觉感知手段发现数据中隐藏的时空规律，可以更直观地掌握城市公共自行车接驳地铁出行的出行特征，为有关部门进行规划布局、需求预测与调度车辆提供参考依据。
本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为在一个实施例中本发明所述的城市公共自行车接驳地铁时空分析方法的流程图；
图2为一个实施例中本发明所述的地铁站周平均进站客流量、出站客流量的时间分布图；
图3为一个实施例中本发明所述的公共自行车租赁点周平均借车量和还车量的时间分布图；
图4为一个实施例中本发明所述的聚类分析过程中分段数与最小误差函数关系曲线；
图5(a)为一个实施例中本发明所述的第一种出行模式的接驳热度时序变化图；
图5(b)为一个实施例中本发明所述的第二种出行模式的接驳热度时序变化图；
图5(c)为一个实施例中本发明所述的第三种出行模式的接驳热度时序变化图；
图6(a)为一个实施例中本发明所述的第一种出行模式的出行时序折线柱状图；
图6(b)为一个实施例中本发明所述的第二种出行模式的出行时序折线柱状图；
图6(c)为一个实施例中本发明所述的第三种出行模式的出行时序折线柱状图；
图7为一个实施例中本发明所述的第一种出行模式的17:00-18:00的出行时序三维柱状图。
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
如图1所示，本发明提供了一种城市公共自行车接驳地铁时空分析方法，包括以下步骤：
步骤一、选取一定时期内地铁站的进站客流量时间序列和出站客流量时间序列以及位于所述地铁站接驳范围内的公共自行车租赁点的借车量时间序列和还车量时间序列，其中，所述时间序列以时间间隔作为最小时间单位，所述一定时期包含若干由相同个数时间间隔组成的时间单元；
步骤二、对所述一定时期内所述地铁站的进站客流量时间序列和出站客流量时间序列以及所述公共自行车租赁点的借车量时间序列和还车量时间序列进行时序分析，进而获取以下分析结果：所述地铁站的进站客流量时间序列和出站客流量时间序列以及所述公共自行车租赁点的借车量时间序列和还车量时间序列均以相同的周期呈现周期性的时间分布规律，其中，所述周期由多个时间单元构成；
步骤三、根据所述步骤二分析出的周期，以一个周期中每个时间单元的所述地铁站的进出站总客流量作为聚类对象，采用聚类算法对一个周期中多个时间单元的所述地铁站的进出站总客流量进行聚类分析，从而将一个周期中的多个时间单元划分成至少两种出行模式；
步骤四、计算在一个周期中任一种出行模式下M个时间单元的所述地铁站的平均进站客流量时间序列{se,t}(t＝1,2,3…,n)，M个时间单元的所述地铁站的平均出站客流量时间序列{so,t}(t＝1,2,3…,n)，M个时间单元的所述公共自行车租赁点的平均借车量时间序列{bl,t}(t＝1,2,3…,n)，M个时间单元的所述公共自行车租赁点的平均还车量时间序列{br,t}(t＝1,2,3…,n)，其中，M为该出行模式所包含的时间单元的个数，t代表时间间隔的编号，n代表在该出行模式下任一个时间单元所包含的时间间隔的个数；
步骤五、依次计算在每种出行模式下M个时间单元的所述地铁站的平均进站客流量时间序列{se,t}(t＝1,2,3…,n)和所述公共自行车租赁点的平均还车量时间序列{br,t}(t＝1,2,3…,n)的相关系数时间序列{Rer,t}(t＝1,2,3…,n)，作为该种出行模式的还车进站接驳相关系数时间序列；依次计算在每种出行模式下M个时间单元的所述地铁站的平均出站客流量时间序列{so,t}(t＝1,2,3…,n)和所述公共自行车租赁点的平均借车量时间序列{bl,t}(t＝1,2,3…,n)的相关系数时间序列{Rol,t}(t＝1,2,3…,n)，作为该种出行模式的出站借车接驳相关系数时间序列。
本发明选取一定时期地铁站进站客流时序数据、出站客流时序数据与其周边公共自行车租赁点的借车时序数据和还车时序数据，通过时序分析发现地铁站的进站客流时序数据、出站客流时序数据与公共自行车租赁点的借车时序数据和还车时序数据均以相同的周期呈现周期性的时间分布规律，采用聚类算法对一个周期中多个时间单元的地铁站的进出站总客流量进行聚类分析，从而将不同的时间单元分成几种出行模式，再计算任一种出行模式下M个时间单元的地铁站的平均进站客流量时间序列、平均出站客流量时间序列、公共自行车租赁点的平均借车量时间序列、公共自行车租赁点的平均还车量时间序列，最终计算出在每种出行模式下地铁站的平均进站客流量时间序列与公共自行车租赁点的平均还车量时间序列的相关系数，用以表征还车进站接驳的相关性，以及计算出地铁站的平均出站客流量时间序列和公共自行车租赁点的平均借车量时间序列的相关系数，用以表征出站借车接驳的相关性，从而从真实客流数据层面反映出地铁站周边的公共自行车租赁点承载接驳功能的状态。
本发明中所述一定时期至少要能够计算出地铁站进站、出站客流量时间序列和公共自行车租赁点的借车量、还车量时间序列的时间变化周期为宜。
本发明所述时间序列的选择可以根据研究目的来进行确定。当以每天不同时段内的公共自行车和地铁接驳情况作为研究目的时，则时间间隔可以选择成2个小时、1个小时、30分钟、10分钟等，时间单元则可以设定为1天。当地铁站进站出站客流越大，公共自行车租赁点的借车还车量越大，所设定的时间间隔可以越小；反之，所设定的时间间隔越大。当以每月中不同日期的公共自行车和地铁接驳情况作为研究目的时，则时间间隔可以设定为1天，时间单元可以设定为1周。
在所设定的时间间隔和时间单元不同的情况下，本发明步骤二所分析出的周期也会不同。通过时序分析发现，地铁站的进站、出站客流以及公共自行车的借车量、还车量均存在相同的时间变化周期，那么根据所分析出的周期，只要进一步分析出在一个周期内不同时间单元的不同时间间隔下公共自行车和地铁的接驳规律，就可以全面了解在该时间维度下公共自行车和地铁的接驳规律。
由于在一个周期中某几个时间单元内公共自行车和地铁的接驳规律存在相似的规律，因此可以将以一个周期中每个时间单元中的地铁站的进出站总客流量作为聚类对象，将一个周期所包含的时间单元分成几类，即几种出行模式，再将相同出行模式下几个时间单元的数据进行平均计算，即计算出在几个时间单元内的地铁站的平均进站客流量和平均出站客流量以及公共自行车租赁点的平均借车量和平均还车量。上述方法有助于提高现有样本相关系数计算结果的有效性和准确性。尤其是在地铁站客流数据和公共自行车的借还车数据量较小的时候，先通过聚类分析出几种出行模式，然后将相同出行模式下的出行数据进行平均计算，更有助于减小数量小所带来的相关系数的分析误差。
步骤三在进行聚类分析时，以一个周期中每个时间单元的所述地铁站的进出站总客流量作为聚类对象。单独的地铁站的进站客流或者出站客流并不能够全面地反应地铁站的客流变化规律，因此，采用进出站总客流来进行聚类计算，以提高对于聚类分析的准确度。
本发明将公共自行车与地铁的接驳关系定义为：骑行者从地铁站出站后在公共自行车租赁点租借公共自行车完成换乘的出站借车接驳关系，以及骑行者骑行至公共自行车租赁点归还公共自行车并进入地铁站乘坐地铁的还车进站接驳关系。根据上述定义，利用地铁站的平均进站客流量时间序列{se,t}(t＝1,2,3…,n)和公共自行车租赁点的平均还车量时间序列{br,t}(t＝1,2,3…,n)计算二者的相关系数时间序列{Rer,t}(t＝1,2,3…,n)，作为该种出行模式的还车进站接驳相关系数时间序列，利用地铁站的平均出站客流量时间序列{so,t}(t＝1,2,3…,n)和公共自行车租赁点的平均借车量时间序列{bl,t}(t＝1,2,3…,n)计算二者的相关系数时间序列{Rol,t}(t＝1,2,3…,n)，作为该种出行模式的出站借车接驳相关系数时间序列。
优选地，为了研究每天中不同时段内各个时刻的公共自行车和地铁的接驳规律，所述的城市公共自行车接驳地铁时空分析方法中，所述时间间隔设定为1小时，所述时间单元设定为一个自然日。
优选地，所述的城市公共自行车接驳地铁时空分析方法中，所述步骤二分析出的周期为一周；所述步骤三中，聚类分析的分类数为3，从而将一周中的周一至周四划分为第一类出行日，周五划分为第二类出行日，周六和周日划分为第三类出行日。
本发明进一步采用笛卡尔坐标系下的热力图对还车进站接驳相关系数以及出站借车接驳相关系数进行可视化展示，通过折线和柱状统计图和构建在三维地图之上的三维柱状图对出站借车接驳人数、还车进站接驳人数进行可视化展示，通过将复杂的数据转换为直观、动态交互的图形图像，使人们通过视觉感知手段发现数据中隐藏的时空规律，可以更直观地掌握城市公共自行车接驳地铁出行的出行特征，为有关部门进行规划布局、需求预测与调度车辆提供参考依据。
优选地，所述的城市公共自行车接驳地铁时空分析方法中，在所述步骤五之后进行以下步骤：分别采用笛卡尔坐标系下的热力图展示每种出行模式的还车进站接驳相关系数时间序列；以及分别采用笛卡尔坐标系下的热力图展示每种出行模式的出站借车接驳相关系数时间序列。
优选地，所述的城市公共自行车接驳地铁时空分析方法中，在所述步骤五之后进行以下步骤：利用每种出行模式的还车进站接驳相关系数时间序列{Rer,t}(t＝1,2,3…,n)与该出行模式下M个时间单元的所述公共自行车租赁点的平均还车量时间序列{br,t}(t＝1,2,3…,n)的乘积计算还车进站接驳人数时间序列{Fer,t}(t＝1,2,3…,n)，利用该出行模式的出站借车接驳相关系数时间序列{Rol,t}(t＝1,2,3…,n)与该出行模式下M个时间单元的所述公共自行车租赁点的平均借车量时间序列{bl,t}(t＝1,2,3…,n)的乘积计算出站借车接驳人数时间序列{Fol,t}(t＝1,2,3…,n)。
即通过上述过程计算出任一时段还车进站、出站借车的接驳人数，进而更清晰地了解公共自行车和地铁的接驳规律。
优选地，所述的城市公共自行车接驳地铁时空分析方法中，在所述步骤五之后进行以下步骤：利用折线和柱状统计图展示每种出行模式下M个时间单元的所述公共自行车租赁点的平均还车量时间序列{br,t}(t＝1,2,3…,n)，还车进站接驳人数时间序列{Fer,t}(t＝1,2,3…,n)，所述公共自行车租赁点的非还车进站接驳人数时间序列{Ger,t}(t＝1,2,3…,n)，该出行模式下M个时间单元的所述公共自行车租赁点的平均借车量时间序列{bl,t}(t＝1,2,3…,n)，出站借车接驳人数时间序列{Fol,t}(t＝1,2,3…,n)以及所述公共自行车租赁点的非出站借车接驳人数时间序列{Gol,t}(t＝1,2,3…,n)。
优选地，所述的城市公共自行车接驳地铁时空分析方法中，在所述步骤五之后进行以下步骤：在三维地图上进行可视化渲染，利用三维柱状图展示每种出行模式下任一个时间间隔或者由若干时间间隔构成的时段的所述公共自行车租赁点的借车量、还车量、还车进站接驳人数以及出站借车接驳人数。
优选地，所述的城市公共自行车接驳地铁时空分析方法中，所述步骤三中，所述一个周期中每个时间单元的所述地铁站的进出站总客流量的计算过程为：获取多周中周一至周日中每天的所述地铁站的进出站总客流量Pw，i，w表示第w周，i表示第w周中的第i天；采用以下公式分别计算在一个周期内周一至周日中每天所述地铁站的进出站总客流量的平均值
Figure GDA0003420652680000121
W代表周数。
优选地，所述的城市公共自行车接驳地铁时空分析方法中，所述步骤四中，计算在一个周期中任一种出行模式下M个时间单元的所述地铁站的平均进站客流量时间序列{se,t}(t＝1,2,3…,n)，其具体过程包括：
设在一个周期中任一个出行模式下第m个时间单元内所述地铁站的进站客流量时间序列{se,t,m}(t＝1,2,3…,n)，则有：
Figure GDA0003420652680000122
其中，m代表在该出行模式下时间单元的编号；
计算在一个周期中任一种出行模式下M个时间单元的所述地铁站的平均出站客流量时间序列{so,t}(t＝1,2,3…,n)，其具体过程包括：
设在一个周期中任一个出行模式下第m个时间单元内所述地铁站的出站客流量时间序列{so,t,m}(t＝1,2,3…,n)，则有：
Figure GDA0003420652680000123
计算在一个周期中任一种出行模式下M个时间单元的所述公共自行车租赁点的平均借车量时间序列{bl,t}(t＝1,2,3…,n)，其具体过程包括：
设在一个周期中任一个出行模式下第m个时间单元内所述公共自行车租赁点的平均借车量时间序列{bl,t,m}(t＝1,2,3…,n)，则有：
Figure GDA0003420652680000124
计算在一个周期中任一种出行模式下M个时间单元的所述公共自行车租赁点的平均还车量时间序列{br,t}(t＝1,2,3…,n)，其具体过程包括：
设在一个周期中任一个出行模式下第m个时间单元内所述公共自行车租赁点的平均还车量时间序列{br,t,m}(t＝1,2,3…,n)，则有：
Figure GDA0003420652680000131
优选地，所述的城市公共自行车接驳地铁时空分析方法中，所述步骤五中，计算在每种出行模式下M个时间单元的所述地铁站的平均进站客流量时间序列{se,t}(t＝1,2,3…,n)和所述公共自行车租赁点的平均还车量时间序列{br,t}(t＝1,2,3…,n)的相关系数时间序列{Rer,t}(t＝1,2,3…,n)，其具体通过以下公式计算：
Figure GDA0003420652680000132
其中，
Figure GDA0003420652680000133
代表在每种出行模式下所述地铁站的平均进站客流量时间序列{se,t}(t＝1,2,3…,n)的均值，
Figure GDA0003420652680000134
代表在每种出行模式下所述公共自行车租赁点的平均还车量时间序列{br,t}(t＝1,2,3…,n)的均值；
计算在每种出行模式下M个时间单元的所述地铁站的平均出站客流量时间序列{so,t}(t＝1,2,3…,n)和所述公共自行车租赁点的平均借车量时间序列{bl,t}(t＝1,2,3…,n)的相关系数时间序列{Rol,t}(t＝1,2,3…,n)，其具体通过以下公式进行计算：
Figure GDA0003420652680000135
其中，
Figure GDA0003420652680000136
代表在每种出行模式下所述地铁站的平均出站客流量时间序列{so,t}(t＝1,2,3…,n)的均值，
Figure GDA0003420652680000137
代表在每种出行模式下所述公共自行车租赁点的平均借车量时间序列{bl,t}(t＝1,2,3…,n)的均值。
为了进一步说明本发明的技术方案，现提供以下实施例。
1、数据选取
本实施例以2016年3月28日-4月25日的北京市公共自行车租赁刷卡数据、地铁客流数据以及北京市各项要素的矢量数据等作为研究的数据基础。公共自行车刷卡数据与地铁客流数据如下表1和表2所示。
表1公共自行车刷卡数据字段
Figure GDA0003420652680000138
Figure GDA0003420652680000141
表2地铁客流数据字段
字段名称 说明
ID 记录编号
LINE_CODE 地铁线路编号
LINE_NAME 地铁线路名称
STATION_CODE 地铁站点编号
STATION_NAME 刷卡地铁站站名
ENDTIME 终止时间
LOCATIO_CODE 站点编号
STARTTIME 开始时间
TOTALENTRYCOUNT 总登量
TOTALEXITCOUNT 总降量
TOTALTICKETSSOLD 总发售量
这些数据均为2016年3月28日-4月25日北京市居民出行时产生的数据。其中，公共自行车的刷卡数据为传感器采集的原始数据，具有冗余度高、噪点数据多、体量巨大等特点。在进行研究之前，需要对这些数据进行存储、降噪等预处理。
本实施例提取2016年3月28日-4月25日连续四周的北京市西城区范围内重点换乘站宣武门地铁站的地铁客流数据，并选取以该地铁站为中心，500米为接驳半径缓冲区内的公共自行车租赁点同时期的刷卡数据。表3给出了位于宣武门地铁站接驳范围内的公共自行车租赁点的情况。所选取的时序数据的时间间隔设定为1小时，时间单元设定为1天。为保证后续研究的科学性与合理性，在对其进行模型检索之前，需要滤除数据中的“噪点”(存在错误、遗漏以及与研究无关的干扰数据)。因此，筛选并剔除了公共自行车刷卡数据中租赁时长为0的无效数据，同时考虑到公共自行车为人力骑行，连续骑行1h以上的情况并不多见，为保证数据的集中性，剔除了租赁时长在1h以上的数据，经预处理后得到共计约16000条刷卡数据，地铁站进出站总和累计约100万人次。
表3宣武门地铁站接驳范围租赁点情况
Figure GDA0003420652680000151
2、时序分析
基于上述获取的四周的时序数据，对地铁站的进站客流量时间序列和出站客流量时间序列以及公共自行车租赁点的借车量时间序列和还车量时间序列进行时序分析发现，地铁站的进站、出站客流以及公共自行车租赁点的借车量、还车量的周相似性很高，因此，将周作为时间范围更有利于分析地铁客流以及公共自行车借车还车量的时间分布规律。
设4周中第w周第i天的第t个小时地铁站的进站客流量Iw，i，t，w表示第w周，i表示第w周中的第i天。采用以下公式分别计算一周中第i天第t个小时地铁站的进站客流量的平均值
Figure GDA0003420652680000152
W代表周数，W取值为4，可以得到地铁站周平均进站客流量时间序列
Figure GDA0003420652680000153
(t＝1,2,3…,n)。
设4周中第w周第i天的第t个小时地铁站的出站客流量Uw，i，t，w表示第w周，i表示第w周中的第i天。采用以下公式分别计算一周中第i天第t个小时地铁站的出站客流量的平均值
Figure GDA0003420652680000154
W代表周数，W取值为4，可以得到地铁站周平均出站客流量时间序列
Figure GDA0003420652680000161
(t＝1,2,3…,n)。
设4周中第w周第i天的第t个小时公共自行车租赁点的借车量Gw，i，t，w表示第w周，i表示第w周中的第i天。采用以下公式分别计算一周中第i天第t个小时公共自行车租赁点的借车量的平均值
Figure GDA0003420652680000162
W代表周数，W取值为4。可以得到公共自行车租赁点的借车量时间序列
Figure GDA0003420652680000163
(t＝1,2,3…,n)。
设4周中第w周第i天的第t个小时公共自行车租赁点的还车量Hw，i，t，w表示第w周，i表示第w周中的第i天。采用以下公式分别计算一周中第i天第t个小时公共自行车租赁点的还车量的平均值
Figure GDA0003420652680000164
W代表周数，W取值为4。可以得到公共自行车租赁点的还车量时间序列
Figure GDA0003420652680000165
(t＝1,2,3…,n)。
图2展示了地铁站周平均进站客流量、周平均出站客流量的时间分布图。从图2可看出工作日的进出站客流远高于周末，且在工作日期间，该地铁站的客流呈明显的双峰特性，其中早高峰时段为6:00至9:00，晚高峰时段为17:00至19:00，早高峰的出站人数明显高于进站人数，晚高峰的进站人数则明显高于出站人数，这通常与地铁站的周边土地利用性质相关。周末的地铁客流无明显早晚高峰现象，且进出站人数基本相同。
图3展示了其中一个公共自行车租赁点周平均借车量、周平均还车量的时间分布图。由图3可知工作日的租还量明显高于周末，且呈现不同的分布规律，在工作日，租还量呈现出一致的规律性，高峰期主要集中在早晨7:00至9:00，以及下午的17:00至19:00，同时有部分居民中午选择回家或外出，因此在12:00至13:00左右会出现一个小高峰。此外，该站的早高峰总借量明显高于总还量，而晚高峰则是总还量略高于总借量，这也与地铁站的周边土地利用性质相关，而周末主要在白天8:00至18:00，该时段占全天租还量的比例较大且分布较为平均。
而且通过对地铁站客流与接驳范围内公共自行车租赁点整体租还量的时序分析，可知两者之间无论是在整体形态、周内早晚高峰时间、周末出行规律上都具有一定的相似性。
3、聚类分析
研究地铁客流与公共自行车租还量的总体时间分布发现，地铁站点进出客流与公共自行车租还量在一个周期内的某一时段里总是呈现相似的时变特征，主要表现为一周中某几天的相似性。鉴于这种相对稳定的特征，本发明以地铁客流样本为标准，先将性质相似时段的地铁客流进行归类分析，然后再对不同出行日中每小时的进出客流与公共自行车租还量进行接驳相关系数的计算。通过划分一周内地铁客流的相似出行日，减小采用相同计算样本进行不同类型出行日相关性分析带来的误差，同时，对不同类型出行日的划分可以提高现有样本的各小时相关系数计算结果的有效性和准确性。
采用K-means聚类算法进行相似出行日聚类分析，假设地铁进出站总客流时序变量为{xi,t}(i＝1,2,3…,28；t＝1,2,3…,n)，xi,t为第i天第t个小时的地铁进出站总人数。设28天(即4周)中周一至周日中每天的地铁站的进出站总客流量Pw，i，w表示第w周，i表示第w周中的第i天。采用公式分别计算在一个周期内周一至周日中每天地铁站的进出站总客流量的平均值
Figure GDA0003420652680000171
Figure GDA0003420652680000172
W代表周数。将聚类数K＝i,(i＝1,2,3…,7)依次带入公式进行聚类分析。
具体的聚类过程如下：
(1)输入：聚类簇：K，数据对象集：D；
(2)在数据对象集D中随机选择K个初始中心；μ(1)，μ(2)，…，μ(n)，计算其余对象与聚类中心距离，归类，再次重新计算每个类簇中的数据平均值得到新的聚类中心，反复进行迭代，直到聚类收敛；
(3)输出：满足最小标准的K个聚类；
K-means算法在选取聚类点时迭代次数均不多于20次，计算效率较高。算法的误差平方和的收敛图如图4所示，根据图4可看出确定分类数为3较为合适，得到出行日聚类结果如表4所示，可知周一至周四为第一类出行日，周五为第二类出行日，周末为第三类出行日。
表4出行日划分结果
Figure GDA0003420652680000173
Figure GDA0003420652680000181
4、接驳相关系数分析
根据公共自行车与地铁接驳特性分析，地铁站的进出站客流与该地铁站合理接驳范围内的公共自行车租赁点的借还量主要有以下两种关系：
(1)骑行者从地铁站出站后在地铁站点合理接驳范围内的公共自行车租赁点租借公共自行车完成换乘。
(2)骑行者从其他自行车租赁点骑行至地铁站接驳范围内公共自行车租赁点归还公共自行车，并进入地铁站乘坐地铁。
除以上两种情况外的借还行为称为其他借还行为，其他的借还行为均不属于公共自行车与地铁交通的合作关系，即有可能为接驳公交或独立出行等。因此，在同一时间段内，地铁站点合理接驳范围内的公共自行车租赁点的租还量将分别与地铁站出站客流量与进站客流量有一定的相关关系。
为了进一步探究地铁站周边的公共自行车租赁点每小时承载地铁换乘情况，本文提出基于Pearson(皮尔森)相关系数建立接驳相关系数的方法对其相关性进行再分析。
对于任一个类型的出行日，设地铁站的平均进站客流量和平均出站客流量为两组时间序列{se,t}(t＝1,2,3…,n)和{so,t}(t＝1,2,3…,n)，对于公共自行车租赁点而言，则有平均借车量时间序列为{bl,t}(t＝1,2,3…,n)和平均还车量时间序列为{br,t}(t＝1,2,3…,n)。还车进站的相关系数时间序列为{Rer,t}(t＝1,2,3…,n)，出站借车的相关系数时间序列为{Rol,t}(t＝1,2,3…,n)。
因此，还车进站的相关系数Rer为：
Figure GDA0003420652680000182
对于出站借车的相关系数Rol,t为：
Figure GDA0003420652680000183
在式(1)和式(2)中，
Figure GDA0003420652680000184
代表在该类型的出行日地铁站的平均进站客流量时间序列{se,t}(t＝1,2,3…,n)的均值，
Figure GDA0003420652680000185
代表在该类型的出行日公共自行车租赁点的平均还车量时间序列{br,t}(t＝1,2,3…,n)的均值，
Figure GDA0003420652680000191
代表在该类型的出行日所述地铁站的平均出站客流量时间序列{so,t}(t＝1,2,3…,n)的均值，
Figure GDA0003420652680000192
代表在该类型的出行日公共自行车租赁点的平均借车量时间序列{bl,t}(t＝1,2,3…,n)的均值。
三种类型出行日中各时段公共自行车和地铁的接驳相关系数见表5、表6和表7。
表5出行日类别一各时段三个公共自行车租赁点和地铁站的接驳相关系数
Figure GDA0003420652680000193
表6出行日类别二各时段三个公共自行车租赁点和地铁站的接驳相关系数
Figure GDA0003420652680000201
表7出行日类别三各时段三个公共自行车租赁点和地铁站的接驳相关系数
Figure GDA0003420652680000202
Figure GDA0003420652680000211
相关系数取值范围为[-1,1]，系数为正表示线性正相关，系数为负表示线性负相关，一般通过相关系数绝对值的取值范围来判断变量之间相关强度的大小，相关系数绝对值越接近1代表相关性越强，表示此时段内该公共自行车租赁点承载接驳地铁出行的比重越大。
5、可视化分析与实现
本实施例首先通过相似出行日聚类分析，将连续的地铁客流周数据划分为三类出行日：第一类为周一至周四，第二类为周五，第三类为周六至周日；然后计算同一类型相同时刻出行日的接驳相关系数，得到三类不同出行日6：00至23：00每小时的还车进站相关系数和出站借车相关系数。
根据数据特性，为了实现多维度分析公共自行车接驳地铁出行相关性的时空特征，本实施例主要从公共自行车接驳地铁出行的时空相关性进行数据探索，对可视化图表与地图进行视觉设计和优化，从而开发呈现出完整的、多角度的公共自行车接驳地铁出行时空可视化方案。
为了实现客流时空分布的可视化效果，本发明采用B/S架构，主要分为数据库管理、后台逻辑、Web端表现三层结构。数据库管理层采用PostgreSQL数据库；后台逻辑层采用Spring MVC的后台框架并结合Mybatis技术实现数据库与前台程序的通信；Web端表现层的系统前台采取HTML+CSS+JavaScript的开发模式，通过Mapbox底图框架、leaflet地图插件与ECharts图表库进行数据的可视化表达，利用GeoServer开源地图服务器发布系统所需的地图服务，并通过Tomcat进行软件部署。可提供的可视化分析方法包括特征可视化和空间信息可视化，本发明以基于地图方式和基于统计数据方式分别进行呈现。
首先通过笛卡尔坐标系下的热力图来展示同一出行日类别中从早6：00至晚23:00共16个小时各公共自行车租赁点与地铁站的接驳相关系数，从而直观的对比不同时段下承载接驳地铁出行的相关程度以及变化规律。图5(a)、图5(b)以及图5(c)中横轴表示时间，纵轴有六个单元，分别代表三个公共自行车租赁点的两种接驳方式，其中纵轴中标有“借”字样代表出站借车相关系数，标有“还”字样代表还车进站相关系数。矩形单元格的圆形代表相关性，圆形越大表示相关系数越大，反之，圆形越小表示相关系数越小。
从图5(a)和图5(b)可发现，周一至周四全天的重点接驳出行时段在早晚高峰，且周内的早高峰时段的出站借车相关性明显高于还车进站相关性，而晚高峰则是还车进站的相关性高于出站借车。同时，由于通勤日的午休特性，在中午12:00至13:00也会有一个小高峰。此外，晚上10：00后的接驳相关性同样较高，推测其原因可能由于地铁站停运，此时有更多的人选择换乘公共自行车从而缩短出行时间。周五的早高峰与其他通勤日较为相似，但晚高峰相关性则明显较低，周末的出行与周内有很大不同，其中重点接驳时段在14:00至15:00。由此可得出地铁站周边的公租自行车接驳情况并非完全符合日常地铁出行特征。
进一步，利用接驳相关系数与该时段内的借还人数的乘积，得到地铁接驳借还人数。具体地，利用还车进站接驳相关系数时间序列{Rer,t}(t＝1,2,3…,n)与公共自行车租赁点的平均还车量时间序列{br,t}(t＝1,2,3…,n)的乘积计算还车进站接驳人数时间序列{Fer,t}(t＝1,2,3…,n)，利用出站借车接驳相关系数时间序列{Rol,t}(t＝1,2,3…,n)与公共自行车租赁点的平均借车量时间序列{bl,t}(t＝1,2,3…,n)的乘积计算出站借车接驳人数时间序列{Fol,t}(t＝1,2,3…,n)。即计算出在任一时段具体的还车进站接驳人数和出站借车接驳人数。
如图6(a)、图6(b)和图6(c)所示，横轴表示从早6:00至晚23:00共16个时间段，两条折线分别代表在各时间段的借车量和还车量，柱状图中的黑色实心柱子代表还车进站接驳人数，矩形方块层叠而成的柱子代表非还车进站接驳人数，菱形块层叠而成的柱子代表出站借车接驳人数，三角块层叠而成的柱子代表非出站还车接驳人数。在借还总人数已定的前提下，对比分析同一出行日类型中每小时接驳与非接驳乘客数量关系，从中挖掘公共自行车接驳地铁出行客流量的时间分布规律。
以图6(a)、图6(b)以及图6(c)展示的宣武门B口公共自行车租赁点的时间分布为例，从中可发现大多数时间段内，随着借还量的增加，接驳人数也随之上升，但在部分时间段内，尽管借车人数、还车人数仍在全天的平均值以上，但该租赁点的自行车接驳地铁出行的人数却很低，即地铁站周边的公租自行车站在部分时间段内仍存在较长时间以非接驳人数为主的使用比例。例如类型一(周一至周四)的出站借车人数达到站点规模的50％以上，但出站借车人数却仅有2人，由此可知该时段内公共自行车主要承载较短距离出行中全程使用的功能。
此外，周五的晚高峰时段17:00至19:00虽然整体借还量较高，但接驳人数却不足50％，说明乘客在周五下午的接驳选择上更为多样。周末整体接驳地铁出行人数较为平均，仅有一个高峰期在下午的15：00至17：00，这可能是因为周末出行以休闲活动为主，对出行时间并没有严格要求。
由于地铁站与缓冲区内的公共自行车租赁点在空间上以散点的形式分布，故本发明还采用在三维地图语境下进行可视化渲染，利用三维柱状图对地铁站进出客流、缓冲区内公共自行车租赁点接驳与非接驳租还量进行综合展示，从量化的角度说明不同类型出行日公共自行车接驳地铁出行的空间分布。如图7为出行日类型一17:00-18:00宣武门地铁站进出客流与其缓冲区内接驳与非接驳租还量的三维柱状图，图中立柱的柱底为对应的站点空间位置，即地铁站与公共自行车租赁点，每组立柱分别用于显示在上述出行日类型一17:00-18:00的时段公共自行车租赁点的借车量、还车量、出站借车量、进站还车量，立柱的颜色和相对高度取决于人数，代表宣武门B口公共自行车租赁点的一组立柱从高到底的含义分别为还车量18，还车进站接驳人数15，借车量8，出站借车接驳人数6。
如图7所示，图中展示的是出行日类型一17:00-18:00的借还情况，此时刻整体上进站还车人数较多，但这一时刻距离最近的宣武门B口租赁点总租还量与借还接驳人数均较其他两个点低，推测可能与地铁站西侧区域的通勤人数较大或该租赁点当前无空余桩位有关。通过空间信息可视化的方法观测地铁站周边每时刻的接驳出行人数，可得出并非距离越近的租赁点每时刻的接驳人数越多，受土地利用情况、道路交通环境等多重因素影响。
由于自行车接驳轨道交通人数受地铁站周边土地利用、道路交通环境等各种因素影响，因此，对每时刻的接驳相关性分析有利于更好地对租赁点进行实时自行车调配，规模改造，以及对地铁站“井喷”式客流风险的协调疏散具有重要意义。
公共自行车作为一种有效的末端出行方式，可以显著提高城市交通出行载运能力，解决出行的“最初/最后一公里”问题。本实施例通过挖掘地铁客流与公共自行车IC卡数据，采用时空可视化的方法对比分析了接驳出行模式，旨在从真实客流数据层面反映不同时段内各时刻地铁站周边的各个公共自行车租赁点承载接驳功能的状态。结论归纳如下：
(1)提出了一种探究城市公共自行车接驳轨道交通出行的分析方法。该方法采用K-means算法对地铁客流周数据进行聚类分析，再计算各类出行日每时刻的出站借车与还车进站两种接驳相关系数，从而实现公共自行车接驳地铁出行的定量表达。
(2)通过对宣武门地铁站的可视化分析，直观地对比了不同出行日模式下的接驳与非接驳客流的时空特征，并分析了不同出行日中每小时的接驳使用情况，研究结果可为城市交通规划和相关部门提供辅助决策依据。
此外，为了更全面的揭示公共自行车接驳相关特性，未来可将多地铁站进行区域联合分析，同时结合土地利用模式、路网密度、道路交通环境等因素，更深入地与地铁和公共自行车出行数据进行融合，最终得到基于地铁、公交、公共自行车等多源数据融合下的联合出行接驳模式与时空分布结果，该研究对公交车与公共自行车的接驳出行具有非常重要的价值。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用。它完全可以被适用于各种适合本发明的领域。对于熟悉本领域的人员而言，可容易地实现另外的修改。因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (9)

1.城市公共自行车接驳地铁时空分析方法，其特征在于，包括以下步骤：
步骤一、选取一定时期内地铁站的进站客流量时间序列和出站客流量时间序列以及位于所述地铁站接驳范围内的公共自行车租赁点的借车量时间序列和还车量时间序列，其中，所述时间序列以时间间隔作为最小时间单位，所述一定时期包含若干由相同个数时间间隔组成的时间单元；
步骤二、对所述一定时期内所述地铁站的进站客流量时间序列和出站客流量时间序列以及所述公共自行车租赁点的借车量时间序列和还车量时间序列进行时序分析，进而获取以下分析结果：所述地铁站的进站客流量时间序列和出站客流量时间序列以及所述公共自行车租赁点的借车量时间序列和还车量时间序列均以相同的周期呈现周期性的时间分布规律，其中，所述周期由多个时间单元构成；
步骤三、根据所述步骤二分析出的周期，以一个周期中每个时间单元的所述地铁站的进出站总客流量作为聚类对象，采用聚类算法对一个周期中多个时间单元的所述地铁站的进出站总客流量进行聚类分析，从而将一个周期中的多个时间单元划分成至少两种出行模式；
步骤四、计算在一个周期中任一种出行模式下M个时间单元的所述地铁站的平均进站客流量时间序列{se,t}(t＝1,2,3…,n)，M个时间单元的所述地铁站的平均出站客流量时间序列{so,t}(t＝1,2,3…,n)，M个时间单元的所述公共自行车租赁点的平均借车量时间序列{bl,t}(t＝1,2,3…,n)，M个时间单元的所述公共自行车租赁点的平均还车量时间序列{br,t}(t＝1,2,3…,n)，其中，M为该出行模式所包含的时间单元的个数，t代表时间间隔的编号，n代表在该出行模式下任一个时间单元所包含的时间间隔的个数；
步骤五、依次计算在每种出行模式下M个时间单元的所述地铁站的平均进站客流量时间序列{se,t}(t＝1,2,3…,n)和所述公共自行车租赁点的平均还车量时间序列{br,t}(t＝1,2,3…,n)的相关系数时间序列{Rer,t}(t＝1,2,3…,n)，作为该种出行模式的还车进站接驳相关系数时间序列；依次计算在每种出行模式下M个时间单元的所述地铁站的平均出站客流量时间序列{so,t}(t＝1,2,3…,n)和所述公共自行车租赁点的平均借车量时间序列{bl,t}(t＝1,2,3…,n)的相关系数时间序列{Rol,t}(t＝1,2,3…,n)，作为该种出行模式的出站借车接驳相关系数时间序列；
所述步骤五中，计算在每种出行模式下M个时间单元的所述地铁站的平均进站客流量时间序列{se,t}(t＝1,2,3…,n)和所述公共自行车租赁点的平均还车量时间序列{br,t}(t＝1,2,3…,n)的相关系数时间序列{Rer,t}(t＝1,2,3…,n)，其具体通过以下公式计算：
Figure FDA0003420652670000021
其中，
Figure FDA0003420652670000022
代表在每种出行模式下所述地铁站的平均进站客流量时间序列{se,t}(t＝1,2,3…,n)的均值，
Figure FDA0003420652670000023
代表在每种出行模式下所述公共自行车租赁点的平均还车量时间序列{br,t}(t＝1,2,3…,n)的均值；
计算在每种出行模式下M个时间单元的所述地铁站的平均出站客流量时间序列{so,t}(t＝1,2,3…,n)和所述公共自行车租赁点的平均借车量时间序列{bl,t}(t＝1,2,3…,n)的相关系数时间序列{Rol,t}(t＝1,2,3…,n)，其具体通过以下公式进行计算：
Figure FDA0003420652670000024
其中，
Figure FDA0003420652670000025
代表在每种出行模式下所述地铁站的平均出站客流量时间序列{so,t}(t＝1,2,3…,n)的均值，
Figure FDA0003420652670000026
代表在每种出行模式下所述公共自行车租赁点的平均借车量时间序列{bl,t}(t＝1,2,3…,n)的均值。
2.如权利要求1所述的城市公共自行车接驳地铁时空分析方法，其特征在于，所述时间间隔设定为1小时，所述时间单元设定为一个自然日。
3.如权利要求2所述的城市公共自行车接驳地铁时空分析方法，其特征在于，所述步骤二分析出的周期为一周；所述步骤三中，聚类分析的分类数为3，从而将一周中的周一至周四划分为第一类出行日，周五划分为第二类出行日，周六和周日划分为第三类出行日。
4.如权利要求1至3中任一项所述的城市公共自行车接驳地铁时空分析方法，其特征在于，在所述步骤五之后进行以下步骤：
分别采用笛卡尔坐标系下的热力图展示每种出行模式的还车进站接驳相关系数时间序列；以及分别采用笛卡尔坐标系下的热力图展示每种出行模式的出站借车接驳相关系数时间序列。
5.如权利要求1至3中任一项所述的城市公共自行车接驳地铁时空分析方法，其特征在于，在所述步骤五之后进行以下步骤：
利用每种出行模式的还车进站接驳相关系数时间序列{Rer,t}(t＝1,2,3…,n)与该出行模式下M个时间单元的所述公共自行车租赁点的平均还车量时间序列{br,t}(t＝1,2,3…,n)的乘积计算还车进站接驳人数时间序列{Fer,t}(t＝1,2,3…,n)，利用该出行模式的出站借车接驳相关系数时间序列{Rol,t}(t＝1,2,3…,n)与该出行模式下M个时间单元的所述公共自行车租赁点的平均借车量时间序列{bl,t}(t＝1,2,3…,n)的乘积计算出站借车接驳人数时间序列{Fol,t}(t＝1,2,3…,n)。
6.如权利要求5所述的城市公共自行车接驳地铁时空分析方法，其特征在于，在所述步骤五之后进行以下步骤：
利用折线和柱状统计图展示每种出行模式下M个时间单元的所述公共自行车租赁点的平均还车量时间序列{br,t}(t＝1,2,3…,n)，还车进站接驳人数时间序列{Fer,t}(t＝1,2,3…,n)，所述公共自行车租赁点的非还车进站接驳人数时间序列{Ger,t}(t＝1,2,3…,n)，该出行模式下M个时间单元的所述公共自行车租赁点的平均借车量时间序列{bl,t}(t＝1,2,3…,n)，出站借车接驳人数时间序列{Fol,t}(t＝1,2,3…,n)以及所述公共自行车租赁点的非出站借车接驳人数时间序列{Gol,t}(t＝1,2,3…,n)。
7.如权利要求5所述的城市公共自行车接驳地铁时空分析方法，其特征在于，在所述步骤五之后进行以下步骤：
在三维地图上进行可视化渲染，利用三维柱状图展示每种出行模式下任一个时间间隔或者由若干时间间隔构成的时段的所述公共自行车租赁点的借车量、还车量、还车进站接驳人数以及出站借车接驳人数。
8.如权利要求1所述的城市公共自行车接驳地铁时空分析方法，其特征在于，所述步骤三中，所述一个周期中每个时间单元的所述地铁站的进出站总客流量的计算过程为：
获取多周中周一至周日中每天的所述地铁站的进出站总客流量Pw，i，w表示第w周，i表示第w周中的第i天；
采用以下公式分别计算在一个周期内周一至周日中每天所述地铁站的进出站总客流量的平均值
Figure FDA0003420652670000041
W代表周数。
9.如权利要求1所述的城市公共自行车接驳地铁时空分析方法，其特征在于，所述步骤四中，计算在一个周期中任一种出行模式下M个时间单元的所述地铁站的平均进站客流量时间序列{se,t}(t＝1,2,3…,n)，其具体过程包括：
设在一个周期中任一个出行模式下第m个时间单元内所述地铁站的进站客流量时间序列{se,t,m}(t＝1,2,3…,n)，则有：
Figure FDA0003420652670000042
其中，m代表在该出行模式下时间单元的编号；
计算在一个周期中任一种出行模式下M个时间单元的所述地铁站的平均出站客流量时间序列{so,t}(t＝1,2,3…,n)，其具体过程包括：
设在一个周期中任一个出行模式下第m个时间单元内所述地铁站的出站客流量时间序列{so,t,m}(t＝1,2,3…,n)，则有：
Figure FDA0003420652670000043
计算在一个周期中任一种出行模式下M个时间单元的所述公共自行车租赁点的平均借车量时间序列{bl,t}(t＝1,2,3…,n)，其具体过程包括：
设在一个周期中任一个出行模式下第m个时间单元内所述公共自行车租赁点的平均借车量时间序列{bl,t,m}(t＝1,2,3…,n)，则有：
Figure FDA0003420652670000044
计算在一个周期中任一种出行模式下M个时间单元的所述公共自行车租赁点的平均还车量时间序列{br,t}(t＝1,2,3…,n)，其具体过程包括：
设在一个周期中任一个出行模式下第m个时间单元内所述公共自行车租赁点的平均还车量时间序列{br,t,m}(t＝1,2,3…,n)，则有：
Figure FDA0003420652670000045
CN201910764141.3A 2019-08-19 2019-08-19 城市公共自行车接驳地铁时空分析方法 Active CN110633307B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910764141.3A CN110633307B (zh) 2019-08-19 2019-08-19 城市公共自行车接驳地铁时空分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910764141.3A CN110633307B (zh) 2019-08-19 2019-08-19 城市公共自行车接驳地铁时空分析方法

Publications (2)

Publication Number Publication Date
CN110633307A CN110633307A (zh) 2019-12-31
CN110633307B true CN110633307B (zh) 2022-05-10

Family

ID=68970463

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910764141.3A Active CN110633307B (zh) 2019-08-19 2019-08-19 城市公共自行车接驳地铁时空分析方法

Country Status (1)

Country Link
CN (1) CN110633307B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111833229A (zh) * 2020-03-28 2020-10-27 东南大学 一种基于地铁依赖度的出行行为时空分析方法及装置
CN111581310A (zh) * 2020-04-07 2020-08-25 杭州视在数科信息技术有限公司 一种在二维地图上将城市建筑拉高成三维建筑的方法及应用
CN111553761A (zh) * 2020-04-23 2020-08-18 天津市城市规划设计研究院 一种提取共享单车接驳轨道骑行的方法
CN111882475B (zh) * 2020-06-24 2024-01-05 北京工业大学 一种城市轨道交通站点的出行模式可视化分析方法
CN113340320A (zh) * 2021-08-09 2021-09-03 江西鹭鹭行科技有限公司 结合地铁和出租车出行的路线规划方法及系统
CN113779398B (zh) * 2021-09-14 2024-02-02 成都市规划设计研究院 一种共享单车接驳轨道交通骑行行为识别方法及系统
CN117349632B (zh) * 2023-12-05 2024-03-26 北京紫光青藤微系统有限公司 用于磁条卡时间序列的分析方法及装置、刷卡机

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107451299A (zh) * 2017-09-11 2017-12-08 东南大学 基于ic卡数据的地铁与公共自行车换乘行为识别方法
CN107516155A (zh) * 2017-05-31 2017-12-26 东南大学 城市轨道交通站点接驳自行车数量确定方法
CN107590239A (zh) * 2017-09-11 2018-01-16 东南大学 一种基于ic卡数据测定地铁站点公共自行车接驳半径的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2017417171A1 (en) * 2017-06-13 2019-01-17 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for determining estimated time of arrival

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107516155A (zh) * 2017-05-31 2017-12-26 东南大学 城市轨道交通站点接驳自行车数量确定方法
CN107451299A (zh) * 2017-09-11 2017-12-08 东南大学 基于ic卡数据的地铁与公共自行车换乘行为识别方法
CN107590239A (zh) * 2017-09-11 2018-01-16 东南大学 一种基于ic卡数据测定地铁站点公共自行车接驳半径的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Incorporating the impact of spatio-temporal interactions on bicycle sharing system demand: A case study of New York CitiBike system;Ahmadreza Faghih-Imani等;《Journal of Transport Geography》;20160630;第218-227页 *
Usage Demand Forecast and Quantity Recommendation for Urban Shared Bicycles;Yifeng Cui等;《International Conference on Cyber-Enabled Distributed Computing and Knowledge Discovery, CyberC》;20181020;第238-2388页 *
基于人流密集度的网点数量与布局预测模型――以宁波市公共自行车系统为例;毛小燕等;《宁波大学学报(理工版)》;20160410(第02期);第18-22页 *

Also Published As

Publication number Publication date
CN110633307A (zh) 2019-12-31

Similar Documents

Publication Publication Date Title
CN110633307B (zh) 城市公共自行车接驳地铁时空分析方法
Hua et al. Estimating the parking demand of free-floating bike sharing: A journey-data-based study of Nanjing, China
Faghih-Imani et al. Analysing bicycle-sharing system user destination choice preferences: Chicago’s Divvy system
Li et al. Factors influencing the access duration of free-floating bike sharing as a feeder mode to the metro in Shenzhen
Zhu et al. Understanding the spatiotemporal patterns of public bicycle usage: A case study of Hangzhou, China
US20240013091A1 (en) Identification method of urban functional areas based on mixing degree of functions and integrated learning
Lv et al. Mobility pattern recognition based prediction for the subway station related bike-sharing trips
Munoz-Mendez et al. Community structures, interactions and dynamics in London's bicycle sharing network
Wang et al. Spatial dependence and spillover effects in customized bus demand: Empirical evidence using spatial dynamic panel models
Jin et al. Nonlinear public transit accessibility effects on housing prices: Heterogeneity across price segments
Shi et al. The visual analysis of flow pattern for public bicycle system
Cheng et al. Mining customized bus demand spots based on smart card data: A case study of the Beijing public transit system
Liu et al. Associations of built environments with spatiotemporal patterns of shared scooter use: A comparison with shared bike use
Wang et al. Exploring regional sustainable commuting patterns based on dockless bike-sharing data and POI data
Choi et al. Inferring land use from spatialtemporal taxi ride data
Sun et al. The relative roles of different land-use types in bike-sharing demand: A machine learning-based multiple interpolation fusion method
Guo et al. Spatiotemporal heterogeneity of the shared e-scooter–public transport relationships in Stockholm and Helsinki
CN113468243A (zh) 地铁客流分析与预测方法及分析与预测系统
CN116090785B (zh) 针对大型活动散场场景两阶段的定制公交规划方法
Zhou et al. Big data for intrametropolitan human movement studies A case study of bus commuters based on smart card data
CN110263783A (zh) 基于深度学习的多特征充电选址影响因素分析方法及系统
Linh et al. Exploring the spatial transferability of FEATHERS–An activity based travel demand model–For Ho Chi Minh city, Vietnam
Yang et al. GIS‐Based Analysis of Railway’s Origin/Destination Path‐Selecting Behavior
Li et al. Spatiotemporal influence of built environment on intercity commuting trips considering nonlinear effects
Nian et al. Exploring built environment influence on taxi vacant time in megacities: A case study of Chongqing, China

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