CN111126678B - 一种基于大数据的交通生成预测方法 - Google Patents
一种基于大数据的交通生成预测方法 Download PDFInfo
- Publication number
- CN111126678B CN111126678B CN201911252595.9A CN201911252595A CN111126678B CN 111126678 B CN111126678 B CN 111126678B CN 201911252595 A CN201911252595 A CN 201911252595A CN 111126678 B CN111126678 B CN 111126678B
- Authority
- CN
- China
- Prior art keywords
- population
- travel
- rate
- traffic
- area
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000000611 regression analysis Methods 0.000 claims abstract description 40
- 238000005192 partition Methods 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000004519 manufacturing process Methods 0.000 claims description 16
- 230000011664 signaling Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000009193 crawling Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据的交通生成预测方法,包括:获取交通分区各类人口的数量和交通分区的基础数据;记录交通分区各类人口的交通生成相关数据;分别建立第一回归分析模型,并用获取的现状数据进行模型参数标定;分别建立第二回归分析模型,并利用现状数据进行模型参数标定;利用第一回归分析模型,计算规划年各交通小区的各类人口数量;利用第二回归分析模型计算规划年各交通小区有/无固定工作居住人口的内部出行率;计算有/无固定工作居住人口的产生吸引量;计算岗位人口和外来人口的产生吸引量。
Description
技术领域
本发明涉及可达性技术领域,尤其涉及一种基于大数据的交通生成预测方法。
背景技术
交通小区规划年产生量和吸引量是影响现代城市交通的重要因素。交通小区规划年产生量和吸引量的预测准确率不高会严重影响城市的交通,给人们带来严重的不便。目前市场上计算交通小区的产生吸引量,传统的方案是采用四阶段法预测,采用四阶段法进行预测,准确率低。
如何提升预测交通小区产生吸引量的准确率是本领域亟待解决的问题。
发明内容
本发明提供了一种基于大数据的交通生成预测方法,旨在提升预测交通小区产生吸引量的准确率。
根据本申请实施例提供的一种基于大数据的交通生成预测方法,包括:
获取交通分区各类人口的数量和交通分区的基础数据;
分别记录交通分区各类人口的交通生成相关数据;
分别建立各类人口数量与相关影响因素的第一回归分析模型,并利用所述交通分区各类人口的数量和交通分区的基础数据进行模型参数标定;
分别建立各类人口的内部出行率与相关影响因素的第二回归分析模型,并利用所述交通分区各类人口的交通生成相关数据和交通分区的基础数据进行模型参数标定;
利用所述第一回归分析模型,计算规划年各交通小区的各类人口数量;
利用所述第二回归分析模型,计算规划年各交通小区有固定工作居住人口的内部出行率和无固定工作居住人口的内部出行率;
利用第一回归分析模型计算得到的人口数据、第二回归分析模型计算得到的内部出行率数据、出行强度以及产生吸引比例,计算有固定工作居住人口的产生吸引量和无固定工作居住人口的产生吸引量;利用第一回归分析模型计算得到的人口数据、对外出行强度和产生吸引比例,计算岗位人口的产生吸引量和外来人口的产生吸引量。
本申请实施例提供的技术方案可以包括以下有益效果:本申请设计了一种基于大数据的交通生成预测方法,本申请利用获取的现状各类人口数量、交通生成相关数据和交通分区相关基础数据,分别对建立的各类人口数量与相关影响因素以及各类人口内部出行率与相关影响因素的第一回归分析模型和第二回归分析模型进行参数标定,再利用标定好的各类人口数量回归分析模型,计算规划年各交通小区各类人口数量,利用标定好的各类人口内部出行率回归分析模型,计算规划年各交通小区各类人口的内部出行率,最后结合第一回归分析模型计算得到的人口数据、第二回归分析模型计算得到的内部出行率数据以及交通生成相关数据,计算得到各类人口的产生吸引量。相较于传统的四阶段法,本申请提出的预测方法对于小区总产生量和吸引量的预测准确率有明显提升。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例的交通生成预测方法的流程示意图;
图2是本发明实施例的交通分区可达性指标的获取流程示意图;
图3是本发明实施例的各类型建筑面积的获取流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
附图中所示的流程图仅是示例说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解、组合或部分合并,因此实际执行的顺序有可能根据实际情况改变。
本发明公开了一种基于大数据的交通生成预测方法,其包括步骤S101-S107。
S101、获取交通分区各类人口的数量和交通分区的基础数据。
其中,各类人口包括居住人口、岗位人口和外来人口。本实施例中需要获取交通分区居住人口的数量、岗位人口的数量和外来人口的数量。交通分区各类人口的数量通过手机信令数据获取。交通分区的基础数据包括:平均房价、租金、各类型建筑面积、交通分区可达性指标、无固定工作居住人口占居住人口比例、轨道站点数量、公交站点数量和岗位人口与居住人口比(职住比)。平均房价、租金、轨道站点的数量和公交站点数量通过网站数据爬取得到,无固定工作居住人口占居住人口总量比例通过手机信令数据获得。在一些实施例中,如果交通小区的样本数量不够,可以用该交通小区所在的交通中区的数据替代;如果小区层级的内部出行识别精度不够,则之后的内部出行部分可省略,假定小区层级的内部出行率为0。
在一个可选的实施例中,请参照图2所示,交通分区可达性指标通过步骤S1011-S1012获取。
具体地,S1011、将手机信令识别出的出行距离划分为0-10、10-20、20-30、30-40四个等级。
S1012、获取四个等级平均出行时耗的对应交通量的加权平均值。
在一个可选的实施例中,请参照图3所示,其中各类型建筑面积的获取包括以下步骤。
具体为,S1014、从网站爬取建筑的占地面积和楼层数据;
S1015、利用POI识别建筑的具体类型。
S102、分别记录交通分区各类人口的交通生成相关数据。
其中,交通分区各类人口的交通生成相关数据是指有固定工作居住人口的内部出行率数据、无固定工作居住人口的内部出行率数据、有固定工作居住人口的出行强度及产生吸引比例、无固定工作居住人口的出行强度及产生吸引比例、岗位人口的对外出行强度及产生吸引比例、外来人口的对外出行强度及产生吸引比例。
S103、分别建立各类人口数量与相关影响因素的第一回归分析模型,并利用所述交通分区各类人口的数量和交通分区的基础数据进行模型参数标定。
其中,通过S101获取的数据包括居住人口总量、岗位人口总量、可达性、各类型建筑面积、平均房价、租金数据。在本实施例中建立的第一分析回归模型包括居住人口总量与可达性、各类型建筑面积、平均房价、租金之间的第一回归模型;岗位人口总量与各类型建筑面积之间的第二回归模型;外来人口总量与各类型建筑面积、可达性指标之间的第三回归模型。
第一回归模型具体形式为,
RP=a*kdx+b*areaJZ+c*areaJT+d*areaYL+e*priceh+f*pricer+a0;
第二回归模型具体形式为,
PP=a*areaBG+b*areaJZ+c*areaSY+d*areaJT+e*areaBGLD+a0;
第三回归模型具体形式为,
EP=a*kdx+b*areaBG+c*areaJZ+d*areaSY+e*areaJT+f*areaBGLD+a0,
其中,RP表示居住人口总量,PP表示岗位人口总量,EP表示外来人口总量,kdx表示可达性,areaJZ表示居住建筑面积,areaJT表示交通建筑面积,areaYL表示医疗建筑面积,areaBG表示办公建筑面积,areaSY表示商业建筑面积,areaBGLD表示宾馆旅店建筑面积,priceh表示平均房价,pricer表示租金,其他为模型待标定参数;
有固定工作居住人口总量具体计算公式为Wrp=Rp*(1-η),
无固定工作居住人口总量具体计算公式为NWrp=Rp*η,
其中,Wrp表示有固定工作居住人口总量,NWrp表示无固定工作居住人口总量,η表示无固定工作居住人口所占比例。在通过居住人口总量计算规划有固定工作居住人口和无固定工作居住人口时,η取所述交通分区所在的中区的现状数据的均值。
下面列举一些现状数据的例子。
表1标定第一回归模型、第二回归模型和第三回归模型的部分现状数据
根据构建的第一回归模型具体公式和表1中现状数据,使用R语言标定模型的相关参数,可得第一回归模型的公式为:
RP=-306.166*kdx+0.007614*areaJZ+0.033424*areaJT-0.01006*areaYL-0.01008*priceh+36.19806*pricer+11484.63
第一回归模型的R2为0.81。
根据构建的第二回归模型的具体公式和表1中的现状数据,使用R语言标定模型的相关参数,可得第二回归模型的公式为:
PP=0.000868*areaBG+0.004164*areaJZ-0.00159*areaSY+0.020623*areaJT+0.025286*areaBGLD+1368.086
第二回归模型的R2为0.79。
根据构建的第三回归模型的具体公式和表1中的现状数据,使用R语言标定模型的相关参数,可得第三回归模型的公式为:
EP=0.00318*kdx-0.000735*areaBG+0.003187*areaJZ+0.00398*areaSY+0.093178*areaJT+0.057181*areaBGLD+1471.086
第三回归模型的R2为0.75。
S104、分别建立各类人口的内部出行率与相关影响因素的第二回归分析模型,并利用相关现状数据进行模型参数标定。
第二回归分析模型包括:
有固定工作人口内部出行率与职住比(也就是岗位人口与居住人口的比值)、可达性指标、平均房价、公交站点数量的第四回归模型;
无固定工作居住人口内部出行率与交通小区公交站点数量、可达性指标、平均房价之间的第五回归模型。
第四回归模型的具体形式如下:
travel_rate_inW
=(a0+a*kdx0.5+b*ratio+c*priceh+d*numberb 0.3)^2
第五回归模型的具体形式如下:
travel_rate_inNW=(a0+a*kdx0.5+b*numberb 0.3+c*priceh)^2
其中,travel_rate_inW表示有固定工作居住人口内部出行率,travel_rate_inNW表示无固定工作居住人口内部出行率,kdx表示可达性指标,ratio表示岗位人口与居住人口的比值,priceh表示平均房价,numberb表示公交站点数量,其他为模型待标定参数。
在一些实施例中,考虑到现状数据的准确程度,采用交通中区的现状数据来标定第四回归模型和第五回归模型。
下面列举一些实例对本申请进行详细的说明。
表2标定第四回归模型所需的部分现状数据
根据构建的第四回归模型的具体公式和现状数据,使用R语言标定模型的相关参数,可得第四回归模型的公式为:
travel_rate_inW=(0.6641754+0.006757715*kdx0.5-0.1206038*ratio-(3.95E-06)*priceh+0.1938852*numberb 0.3)^2
第四回归模型的R2为0.83。
表3标定第五回归模型所需的部分现状数据
根据构建的第五回归模型的具体公式和现状数据,使用R语言标定模型的相关参数,可得第五回归模型的公式为:
travel_rate_inNW=(0.9822538+0.01189302*kdx0.5+0.143669*numberb 0.3-(6.78E-06)*priceh)^2
第五回归模型的R2为0.82。
S105、利用所述第一回归分析模型,计算规划年各交通小区的各类人口数量。
表4规划年各交通小区的居住人口、岗位人口和外来人口的部分数据
进一步根据交通分区所在的中区的现状无固定工作居住人口比例的均值,可计算得到各交通小区规划年有固定工作居住人口数和无固定工作居住人口数。
表5规划年各交通小区的有固定工作居住人口和无固定工作居住人口的部分数据
S106、利用第二回归分析模型,计算规划年各小区有固定工作居住人口的内部出行率和无固定工作居住人口的内部出行率。
表6规划年各交通小区的有固定工作居住人口内部出行率和无固定工作居住人口内部出行率的部分数据
S107、利用第一回归分析模型计算得到的人口数据、第二回归分析模型计算得到的内部出行率数据、出行强度以及产生吸引比例,计算有固定工作居住人口的产生吸引量和无固定工作居住人口的产生吸引量;利用第一回归分析模型计算得到的人口数据、对外出行强度和产生吸引比例,计算岗位人口的产生吸引量和外来人口的产生吸引量。
具体地,有固定工作居住人口的产生量和吸引量的具体计算公式如下:
WP=Wrp*tiW*(1-travel_rate_inW)*rate_wp
WA=Wrp*tiW*(1-travel_rate_inW)*rate_wa
其中,WP为有固定工作居住人口的出行产生量,WA为有固定工作居住人口的出行吸引量,Wrp为有固定工作居住人口总量,tiW为有固定工作居住人口的出行总强度,travel_rate_inW为有固定工作居住人口内部出行率,rate_wp为有固定工作居住人口的出行产生占比,rate_wa为有固定工作居住人口的出行吸引占比。
无固定工作居住人口的产生量和吸引量的具体计算公式如下:
NWP=NWrp*tiNW*(1-travel_rate_inNW)*rate_nwp
NWA=NWrp*tiNW*(1-travel_rate_inNW)*rate_nwa
其中,NWP为无固定工作居住人口的出行产生量,NWA为无固定工作居住人口的出行吸引量,NWrp为无固定工作居住人口总量,tiNW为无固定工作居住人口的出行总强度,travel_rate_inNW为无固定工作居住人口内部出行率,rate_nwp为无固定工作居住人口的出行产生占比,rate_nwa为无固定工作居住人口的出行吸引占比。
岗位人口的产生量和吸引量的具体计算公式如下:
PPP=Pp*ti_outp*rate_pp
PPA=Pp*ti_outp*rate_pa
其中,PPP为岗位人口的出行产生量,PPA为岗位人口的出行吸引量,Pp为岗位人口总量,ti_outp为岗位人口的对外出行强度,rate_pp为岗位人口的出行产生占比,rate_pa为岗位人口的出行吸引占比。
外来人口的产生量和吸引量的具体计算公式如下:
EPP=Ep*ti_outE*rate_ep
EPA=Ep*ti_outE*rate_ea
其中,EPP为外来人口的出行产生量,EPA为外来人口的出行吸引量,Ep为外来人口总量,ti_outE为外来人口的对外出行强度,rate_ep为外来人口的出行产生占比,rate_ea为外来人口的出行吸引占比。表7和表8为根据上述的公式计算的部分数据。
表7有固定工作居住人口和无固定工作居住人口的产生吸引量
表8岗位人口和外来人口的产生吸引量
本申请利用获取的现状各类人口数量、交通生成相关数据和交通分区相关基础数据,分别对建立的各类人口数量与相关影响因素以及各类人口内部出行率与相关影响因素的第一回归分析模型和第二回归分析模型进行参数标定,再利用标定好的各类人口数量回归分析模型,计算规划年各交通小区各类人口数量,利用标定好的各类人口内部出行率回归分析模型,计算规划年各交通小区各类人口的内部出行率,最后结合第一回归分析模型计算得到的人口数据、第二回归分析模型计算得到的内部出行率数据以及交通生成相关数据,计算得到各类人口的产生吸引量。相较于传统的四阶段法,本申请提出的预测方法对于小区总产生量和吸引量的预测准确率有明显提升。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (5)
1.一种基于大数据的交通生成预测方法,其特征在于,包括以下步骤:
获取交通分区各类人口的数量和交通分区的基础数据;
分别记录交通分区各类人口的交通生成相关数据;
分别建立各类人口数量与相关影响因素的第一回归分析模型,并利用所述交通分区各类人口的数量和交通分区的基础数据进行模型参数标定;
分别建立各类人口的内部出行率与相关影响因素的第二回归分析模型,并利用所述交通分区各类人口的交通生成相关数据和交通分区的基础数据进行模型参数标定;
利用所述第一回归分析模型,计算规划年各交通小区的各类人口数量;
利用所述第二回归分析模型,计算规划年各交通小区有固定工作居住人口的内部出行率和无固定工作居住人口的内部出行率;
利用第一回归分析模型计算得到的人口数据、第二回归分析模型计算得到的内部出行率数据、出行总强度和产生吸引比例,计算有固定工作居住人口的产生吸引量和无固定工作居住人口的产生吸引量;
利用第一回归分析模型计算得到的人口数据、对外出行强度和产生吸引比例,计算岗位人口的产生吸引量和外来人口的产生吸引量;其中,出行总强度的定义为每天的出行产生总量与吸引总量之和与人口数的比值,内部出行率的定义为内部出行量占出行总量的比例;
所述交通分区各类人口的数量通过手机信令数据获取;
所述交通分区的基础数据包括:平均房价、租金、各类型建筑面积、交通分区可达性指标、无固定工作居住人口占居住人口总量比例、轨道站点数量、公交站点数量、岗位人口与居住人口的比值;
交通分区可达性指标的获取包括以下步骤:
将手机信令识别出的出行距离划分为0-10、10-20、20-30、30-40四个等级;
获取四个等级平均出行时耗的对应交通量的加权平均值;
所述第一回归分析模型,包括:居住人口总量与可达性、各类型建筑面积、平均房价、租金之间的第三回归模型;岗位人口总量与各类型建筑面积之间的第四回归模型;外来人口总量与各类型建筑面积、可达性指标之间的第五回归模型;
所述第三回归模型具体形式为,
RP=a*kdx+b*areaJZ+c*areaJT+d*areaYL+e*priceh+f*pricer+a0;
所述第四回归模型具体形式为,
PP=a*areaBG+b*areaJZ+c*areaSY+d*areaJT+e*areaBGLD+a0;
所述第五回归模型具体形式为,
EP=a*kdx+b*areaBG+c*areaJZ+d*areaSY+e*areaJT+f*areaBGLD+a0,
其中,RP表示居住人口总量,PP表示岗位人口总量,EP表示外来人口总量,kdx表示可达性,areaJZ表示居住建筑面积,areaJT表示交通建筑面积,areaYL表示医疗建筑面积,areaBG表示办公建筑面积,areaSY表示商业建筑面积,areaBGLD表示宾馆旅店建筑面积,priceh表示平均房价,pricer表示租金,其他为模型待标定参数;
有固定工作居住人口总量具体计算公式为Wrp=Rp*(1-η),
无固定工作居住人口总量具体计算公式为NWrp=Rp*η,
其中,Wrp表示有固定工作居住人口总量,NWrp表示无固定工作居住人口总量,η表示无固定工作居住人口所占比例;
所述第二回归分析模型,包括:
有固定工作居住人口内部出行率与职住比、可达性指标、平均房价、公交站点数量的第六回归模型;
无固定工作居住人口内部出行率与交通小区公交站点数量、可达性指标、平均房价之间的第七回归模型;
所述第六回归模型的具体形式如下:
travel_rate_inW=(a0+a*kdx0.5+b*ratio+c*priceh+d*numberb0.3)^2
所述第七回归模型的具体形式如下:
travel_rate_inNW=(a0+a*kdx0.5+b*numberb0.3+c*priceh)^2
其中,travel_rate_inW表示有固定工作居住人口内部出行率,travel_rate_inNW表示无固定工作居住人口内部出行率,kdx表示可达性指标,ratio表示岗位人口与居住人口的比值,priceh表示平均房价,numberb表示公交站点数量,其他为模型待标定参数。
2.根据权利要求1所述的基于大数据的交通生成预测方法,其特征在于,通过网站数据爬取得到所述平均房价、租金以及轨道站点数量和公交站点数量;通过手机信令数据获取所述无固定工作居住人口占居住人口总量比例;
所述各类型建筑面积的获取包括以下步骤:从网站爬取建筑的占地面积和楼层数据;利用POI识别建筑的具体类型。
3.根据权利要求1所述的基于大数据的交通生成预测方法,其特征在于,通过手机信令数据获取所述交通分区各类人口的交通生成相关数据;所述交通分区各类人口的交通生成相关数据包括有固定工作居住人口的内部出行率数据、无固定工作人口的内部出行率数据、有固定工作居住人口的出行强度以及产生吸引比例、无固定工作居住人口的出行强度以及产生吸引比例、岗位人口的对外出行强度以及产生吸引比例和外来人口的对外出行强度以及产生吸引比例。
4.根据权利要求1所述的基于大数据的交通生成预测方法,其特征在于,在通过居住人口总量计算规划的有固定工作居住人口和无固定工作居住人口时,η取所述交通分区所在的中区的现状数据的均值。
5.根据权利要求1所述的基于大数据的交通生成预测方法,其特征在于,有固定工作居住人口的产生量和吸引量的具体计算公式如下:
WP=Wrp*tiW*(1-travel_rate_inW)*rate_wp
WA=Wrp*tiW*(1-travel_rate_inW)*rate_wa
其中,WP为有固定工作居住人口的出行产生量,WA为有固定工作居住人口的出行吸引量,Wrp为有固定工作居住人口总量,tiW为有固定工作居住人口的出行总强度,travel_rate_inW为有固定工作居住人口内部出行率,rate_wp为有固定工作居住人口的出行产生占比,rate_wa为有固定工作居住人口的出行吸引占比;
无固定工作居住人口的产生量和吸引量的具体计算公式如下:
NWP=NWrp*tiNW*(1-travel_rate_inNW)*rate_nwp
NWA=NWrp*tiNW(1-travel_rate_inNW)*rate_nwa
其中,NWP为无固定工作居住人口的出行产生量,NWA为无固定工作居住人口的出行吸引量,NWrp为无固定工作居住人口总量,tiNW为无固定工作居住人口的出行总强度,travel_rate_inNW为无固定工作居住人口内部出行率,rate_nwp为无固定工作居住人口的出行产生占比,rate_nwa为无固定工作居住人口的出行吸引占比;
岗位人口的产生量和吸引量的具体计算公式如下:
PPP=Pp*ti_outp*rate_pp
PPA=Pp*ti_outp*rate_pa
其中,PPP为岗位人口的出行产生量,PPA为岗位人口的出行吸引量,Pp为岗位人口总量,ti_outp为岗位人口的对外出行强度,rate_pp为岗位人口的出行产生占比,rate_pa为岗位人口的出行吸引占比;
外来人口的产生量和吸引量的具体计算公式如下:
EPP=Ep*ti_outE*rate_ep
EPA=Ep*ti_outE*rate_ea
其中,EPP为外来人口的出行产生量,EPA为外来人口的出行吸引量,Ep为外来人口总量,ti_outE为外来人口的对外出行强度,rate_ep为外来人口的出行产生占比,rate_ea为外来人口的出行吸引占比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911252595.9A CN111126678B (zh) | 2019-12-09 | 2019-12-09 | 一种基于大数据的交通生成预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911252595.9A CN111126678B (zh) | 2019-12-09 | 2019-12-09 | 一种基于大数据的交通生成预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111126678A CN111126678A (zh) | 2020-05-08 |
CN111126678B true CN111126678B (zh) | 2023-03-31 |
Family
ID=70497978
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911252595.9A Active CN111126678B (zh) | 2019-12-09 | 2019-12-09 | 一种基于大数据的交通生成预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111126678B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111784084B (zh) * | 2020-08-17 | 2021-12-28 | 北京市城市规划设计研究院 | 基于梯度提升决策树的出行生成预测方法、系统及装置 |
CN112512032B (zh) * | 2020-11-16 | 2021-09-14 | 南京瑞栖智能交通技术产业研究院有限公司 | 一种基于手机信令数据的对外出行人群识别方法 |
CN113409570B (zh) * | 2021-04-27 | 2022-11-18 | 上海同济城市规划设计研究院有限公司 | 体力交通可达性的评估方法 |
CN113423065B (zh) * | 2021-08-25 | 2022-01-07 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于手机信令数据确定交通小区人口岗位数据的方法 |
CN115049159B (zh) * | 2022-08-12 | 2022-10-21 | 北京大学 | 人口分布预测方法和装置、存储介质及电子设备 |
CN115099542B (zh) * | 2022-08-26 | 2023-02-03 | 深圳市城市交通规划设计研究中心股份有限公司 | 跨城通勤出行生成和分布预测方法、电子设备及存储介质 |
CN116193369B (zh) * | 2022-12-13 | 2023-10-27 | 南京大学 | 一种基于手机信令数据的居住人口生成率估算方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101694706A (zh) * | 2009-09-28 | 2010-04-14 | 深圳先进技术研究院 | 基于多源数据融合的人口时空动态出行特征建模方法 |
CN105070042A (zh) * | 2015-07-22 | 2015-11-18 | 济南市市政工程设计研究院(集团)有限责任公司 | 一种交通预测的建模方法 |
CN107767659A (zh) * | 2017-10-13 | 2018-03-06 | 东南大学 | 基于arima模型的共享单车吸引量和发生量预测方法 |
CN108898533A (zh) * | 2018-06-26 | 2018-11-27 | 中国联合网络通信有限公司深圳市分公司 | 人口流动数据的获取方法、装置及计算机可读存储介质 |
-
2019
- 2019-12-09 CN CN201911252595.9A patent/CN111126678B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101694706A (zh) * | 2009-09-28 | 2010-04-14 | 深圳先进技术研究院 | 基于多源数据融合的人口时空动态出行特征建模方法 |
CN105070042A (zh) * | 2015-07-22 | 2015-11-18 | 济南市市政工程设计研究院(集团)有限责任公司 | 一种交通预测的建模方法 |
CN107767659A (zh) * | 2017-10-13 | 2018-03-06 | 东南大学 | 基于arima模型的共享单车吸引量和发生量预测方法 |
CN108898533A (zh) * | 2018-06-26 | 2018-11-27 | 中国联合网络通信有限公司深圳市分公司 | 人口流动数据的获取方法、装置及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111126678A (zh) | 2020-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111126678B (zh) | 一种基于大数据的交通生成预测方法 | |
CN109327841B (zh) | 基于覆盖、价值关联的多维评定及精准建设评估方法 | |
CN111465025B (zh) | 一种基于新型容量预测模型的旅游城市5g网络组网方法 | |
CN109886533A (zh) | 一种基站建设的分析方法及装置 | |
CN109768886A (zh) | 网络规划评价方法及装置 | |
CN107241743B (zh) | 电网专网布局建设方法 | |
CN111143769B (zh) | 一种基于大数据的出行方式分担率的预测方法和预测装置 | |
CN116233823B (zh) | 一种跨城通勤圈的识别方法、电子设备及存储介质 | |
CN112954623A (zh) | 一种基于手机信令大数据的居民入住率估算方法 | |
CN112288311A (zh) | 一种基于poi数据的居住区配套设施便捷度计量方法 | |
CN110288125B (zh) | 一种基于手机信令数据的通勤模型建立方法及应用 | |
CN107222871B (zh) | 一种td-lte 230无线专网电力基站规划方法 | |
CN110377679B (zh) | 一种基于轨迹定位数据的公共空间活力测度方法及系统 | |
CN115049215A (zh) | 一种城市交通流量空间分布模型的构建方法 | |
CN114154880A (zh) | 一种评价街道单元层面公共服务设施步行可达性的方法 | |
CN106980942A (zh) | 测算自行车快速道对公共自行车租赁点的影响范围的方法 | |
Geng et al. | Geographically Weighted Regression model (GWR) based spatial analysis of house price in Shenzhen | |
CN113011768B (zh) | 公共设施数据的处理方法、系统、电子设备及介质 | |
CN115983681A (zh) | 基于游憩公平性的绿道游憩服务价值评价系统与方法 | |
CN107493579B (zh) | 一种高校无线网建设前规划方法和装置 | |
CN113935583B (zh) | 基于站点吸引力的轨道交通选址方法、装置及存储介质 | |
CN111581318B (zh) | 一种共享单车骑行目的推断方法、装置及存储介质 | |
CN115375084A (zh) | 一种基于电力数据的图数据库构建方法及系统 | |
CN113032693A (zh) | 一种考虑医疗设施服务能力的15分钟生活圈划分方法 | |
CN110189029A (zh) | 一种基于大规模手机位置数据的自行车骑车与停车需求评估方法 |
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 |