CN111860182A - 一种基于遥感影像的地铁客流来源智能分析方法 - Google Patents
一种基于遥感影像的地铁客流来源智能分析方法 Download PDFInfo
- Publication number
- CN111860182A CN111860182A CN202010581503.8A CN202010581503A CN111860182A CN 111860182 A CN111860182 A CN 111860182A CN 202010581503 A CN202010581503 A CN 202010581503A CN 111860182 A CN111860182 A CN 111860182A
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- subway
- subway station
- station
- land
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于遥感影像的地铁客流来源智能分析方法,涉及城市轨道交通中地铁客流来源分析,尤其涉及来自周边不同用地类型、公交、自行车、出租车等复杂来源的分析。为高效准确地确定地铁客流来源,本发明专利基于遥感图像在ArcGIS平台进行影像分类,得到不同用地的面积和质心位置数据。全面考虑地铁客流的四项来源以及地铁站点的区位和连接性,对区域内所有地铁站客流数据建立非线性回归模型,求解可得到该区域内地铁站周边用地、公交、出租车、自行车的客流生成率,进一步得到不同用地和换乘方式对地铁客流的贡献量大小及比例。结果可为城市公共交通线网规划、城市建设布局优化提供决策依据。
Description
技术领域
本发明专利涉及城市轨道交通中地铁客流来源分析,尤其涉及客流来自周边不同用地类型、公交换乘、自行车换乘、出租车换乘等复杂来源的分析。
背景技术
为研究来自周边用地的地铁客流,现有技术往往通过搜集资料和实地调查获取地铁站点周边用地的类型和面积信息,费时费力,成本高,效率低。而应用遥感卫星影像,在ArcGIS中进行相应图像处理可快速统计出不同用地的面积和质心位置数据。
20世纪50年代,遥感技术被广泛应用于城市土地利用动态监控中并得到发展。20世纪70年代,第1颗人造陆地卫星的发射开创了利用卫星遥感技术进行大范围土地利用调查的新纪元。遥感影像可以真实展现地球表面物体的形状、大小、颜色等信息,获取数据范围大,更新周期短,客观准确地记录了地表地物的电磁波辐射(反射和发射)特征,客观实时地反映出地表景观的实况,这是传统方法无法比拟的,已经成为基础地理数据采集与更新的重要手段。随着商业卫星影像的分辨率越来越高(最高已经达到0.5米),它可以满足较大比例尺“4D”产品生产要求。遥感具有动态、多时相采集空间信息的能力,其应用于土地利用状况和土地利用分类的实践,已经取得了良好效果。
遥感信息已经成为地理信息系统(Geographic Information System,GIS)的主要信息源。ArcGIS是由美国环境系统研究所公司(ESRI)发布的用于创建、编辑、管理、共享和分析空间数据的平台,适用于测绘与地图制图、城乡规划、土地调查与环境管理等与空间信息有关的各行各业。用户可应用功能全面的GIS工作站来编辑地理数据集,建立数据编辑和质量控制的工作流,创建地图和分析模型,并将这些工作和方法记录成文档。ArcGIS桌面套件的功能包括空间分析、高级影像、制图和可视化、数据管理、高级编辑、地理编码、地图投影、数据共享等。除了GIS桌面产品,GIS软件还可以被集中在应用服务器上和Web服务器上,或嵌入和部署在用户定制的应用中,把GIS的功能通过网络传递给任意多的用户。
遥感影像自动分类主要是利用地物(或对象)在遥感影像上反映出来的光谱特征来进行识别与分类,在传统的遥感图像分类中,最大似然法的应用比较广泛。最大似然分类在两类或多类判决中,用统计方法根据最大似然比贝叶斯判决准则法建立非线性判别函数集,假定各类分布函数为正态分布,并选择训练区,计算各待分类样区的归属概率,而进行分类的一种图像分类方法。可在ArcGIS平台中,使用最大似然分类工具对兴趣区域进行统计和计算,得到各个类别的均值和方差等参数,从而确定一个分类函数,再将各个像元代入各类函数,以函数值最大的类别作为该像元的归属类别,从而达到分类的效果。
由此,本发明专利将通过遥感图像快速便捷获得地铁周边不同用地类型面积,再结合公交、自行车、出租车相关数据建立非线性回归模型,求解得到不同来源的客流量及占比。结果可为城市地铁线网规划、城市建设布局优化、运输能力调度等方面提供决策依据。
发明内容
为了高效准确地确定地铁站点客流的来源,即确定来自不同换乘方式和周边用地的客流量大小及比例,本发明专利提出一种分析方法,基于地铁周边用地的遥感图像在ArcGIS平台进行影像分类,并得到不同用地的面积和质心位置数据。将周边用地与其他换乘方式的客流数据建立非线性模型,求解客流生成率和客源比例。
本发明采用的技术方案为:一种基于遥感影像的地铁客流来源智能分析方法,包括以下步骤:
基于ArcGIS的土地遥感影像分类:以地铁站点步行吸引范围为研究区,在ArcGIS中导入研究区域的卫星遥感地图,标定地理坐标,进行几何校正,对影像进行分区几何统计,得到土地类型的面积、质心X坐标、质心Y坐标在内的参数;
收集调查数据:收集城市地铁线路、地铁站位置及客流量、公交站位置信息,调查地铁站周边自行车日均停放数和出租车日均停靠数;
模型构建及计算:以地铁站客流量作为被解释变量收集某区域内I个地铁站及周边的日均数据,建立客流模型。
分析城市轨道交通中地铁的客流来源情况,其特征在于:考虑地铁站步行吸引范围内不同用地类型、公交、自行车、出租车四项客流来源,基于遥感影像获得周边用地类型的面积,考虑地铁站点的区位和连接性,建立非线性回归模型并求解,所述非线性回归模型为:
其中,Pi为第i个地铁站的日均客流量,包括进站客流和出站客流;
αi和βi分别为第i个地铁站的接近中心性和中介中心性,r1和r2分别为其权重值;
N为待研究的土地类型数;
Lin为质心位置在第i个地铁站步行吸引范围内的第n个土地类型面积;
ln为地铁站周围第n个土地类型的客流生成率;
Bi为第i个地铁站步行吸引范围内的公交站数量;
b为研究区域内公交站的客流生成率;
Ci为第i个地铁站步行吸引范围内的自行车日均停放数;
c为研究区域内自行车的客流生成率;
Ti为第i个地铁站步行吸引范围内的出租车日均停靠数;
t为研究区域内出租车的客流生成率;
εi为随机扰动项,
使用SPSS的非线性回归模型器,输入公式,将未知参数的初始值设置为0,求解最优参数。
以地铁站为中心,半径770米内的区域为其步行吸引范围。
全面考虑周边用地类型、公交换乘、自行车换乘和出租车换乘四项客流来源,搜集调查地铁站步行吸引范围内的公交站数、自行车日均停放数、出租车日均停靠数。
围内的遥感影像,确定土地类型分类体系,在ArcGIS平台中创建样本,进行最大似然分类,对分类后处理的影像统计不同土地类型的面积和质心位置。
考虑地铁站点的区位和连接性,求解地铁站点在网络中的的接近中心性和中介中心性,赋予权重值,使其以指数倍数的形式作用于客流,保证两个中心性的影响为正。
本发明专利的技术方案主要分为以下三个步骤:
一是依托ArcGIS平台采用最大似然分类法对研究区的遥感影像进行土地类型分类,验证影像分类精度,进行分类后处理,统计不同土地类别的几何面积。
二是收集城市地铁线路、地铁站位置及客流量、公交站位置信息,调查地铁站周边自行车日均停放数、出租车日均停靠数,计算地铁站的接近中心性、中介中心性,根据位置确定地铁站步行吸引范围内的公交站数、自行车停放数、出租车停靠数。
三是以周边用地、公交换乘、自行车、出租车生成的客流量作为解释变量,考虑地铁站的站点区位和连接性,对地铁客流量建立非线性回归模型,应用SPSS统计软件求解,得到不同换乘方式和不同用地类型的客流生成量。
下面将具体阐述。
(一)基于ArcGIS的土地遥感影像分类
(1)以地铁站点步行吸引范围(半径为770米内的区域)为研究区,在ArcGIS中导入研究区域的卫星遥感地图,标定地理坐标,进行几何校正。
(2)确定要研究的N种土地类型,如商业区、住宅区、公园、停车场、运动场所、施工用地等,注意尽量选择遥感图像特征明显、区分度高的样本类别。
(3)创建训练样本,统计样本可分性的度量。
(4)使用ArcGIS的最大似然分类工具对遥感影像进行处理。
(5)根据实际地表数据创建一组随机精度评估点,并将其与分类数据计算混淆矩阵及整体kappa指数,评估分类精度。
(6)对最大似然法分类后的影像,进行分类后处理,如众数滤波、边界清理等。
(7)对影像进行分区几何统计,得到土地类型的面积、质心X坐标、质心Y坐标等参数。
(二)收集调查数据
收集城市地铁线路、地铁站位置及客流量、公交站位置信息,调查地铁站周边自行车日均停放数和出租车日均停靠数,为搭建模型准备基础数据。
(1)根据地铁线路和地铁站位置数据,计算地铁站点的接近中心性。接近中心性(Closeness Centrality),即某地铁站到其他地铁站的最短距离之和的倒数,表示该地铁站点与地铁线路中心的接近程度。接近中心性的值越大,表明该站点的区位越接近地铁线路中心,往往客流量越大。公式如下:
其中vo和vd分别表示网络中的起讫点;M为节点集,共m个节点;g(vo,vd)表示两点间的最短距离。
(2)根据地铁线路和地铁站位置数据,计算地铁站点的中介中心性。中介中心性(Betweenness Centrality),即地铁线路中所有最短路径经过该地铁站点的次数,表示该站点在网络中被经过的频率。中介中心性的值越大,表明该站点的连接性越强,往往是必经之路,客流量越大。公式如下:
其中vo和vd表示网络中一条路径的起讫点,vp表示该路径的一个中间节点;σod为vo到vd的最短路径数量;σod(vp)表示vo到vd的最短路径中经过vp的数量。
(3)收集地铁站日均客流量,包括进站客流量和出站客流量,为建立模型做准备。
(4)根据地铁站位置和公交站位置数据,确定地铁站步行吸引范围内的公交站数量。
(5)根据自行车停放数和出租车停靠数,确定地铁站步行吸引范围内的自行车日均停放数和出租车日均停靠数。
(三)模型构建及计算
以地铁站客流量作为被解释变量。
(1)将地铁站客流视为由周边用地、公交车、自行车、出租车产生的客流之和,以该四项来源作为解释变量,进行客流分离。其中,周边用地因素的影响具体细分为不同用地类型,因此为多个类别的累加项。
(2)考虑到不同地铁站点在地铁线路中的区位和连接性不同,对其接近中心性和中介中心性赋予权重值,使其以指数倍数的形式作用于客流,保证两个中心性的影响为正。添加随机扰动项,表明各种随机因素对模型的影响,反映了未纳入模型中的其他因素的影响。对区域内多个地铁站建立如下客流模型。
(3)根据搜集调查的数据,使用SPSS的非线性回归模型器,输入模型公式,将未知参数的初始值设置为0,通过高斯-牛顿法不断迭代直到收敛,得到最优参数。该模型可用于研究目标区域内地铁站客流的来源分布,可将不同区域进行对比,在接驳设计与优化、建筑规划、交通管理控制等方面提供参考依据。
收集某区域内I个地铁站及周边的日均数据,建立如下客流模型:
其中,Pi为第i个地铁站的日均客流量,包括进站客流和出站客流;
αi和βi分别为第i个地铁站的接近中心性和中介中心性,r1和r2分别为其权重值;
N为待研究的土地类型数;
Lin为质心位置在第i个地铁站步行吸引范围内的第n个土地类型面积;
ln为地铁站周围第n个土地类型的客流生成率;
Bi为第i个地铁站步行吸引范围内的公交站数量;
b为研究区域内公交站的客流生成率;
Ci为第i个地铁站步行吸引范围内的自行车日均停放数;
c为研究区域内自行车的客流生成率;
Ti为第i个地铁站步行吸引范围内的出租车日均停靠数;
t为研究区域内出租车的客流生成率;
εi为随机扰动项。
本发明专利的优势在于:
1.本发明专利使用ArcGIS处理遥感图像,进而统计地铁站周边用地面积十分方便、快捷,可操作性强。遥感手段的引入,为地铁站周边用地的综合分析、区域动态分析的进一步研究、以及提高客流分析的实际应用价值和效益提供了便利和基础。
2.本发明专利覆盖了地铁客流的四项来源,即周边用地、公交换乘、自行车、出租车,基本涵盖了地铁客流的全部生成量,内容全面而广泛。结果可分析不同来源的客流量及占比,可具体确定不同用地类型对地铁客流的贡献量及比例,为城市公共交通线网规划、城市建设布局优化等提供决策依据。
3.本发明专利考虑了不同地铁站点的区位和连接性,更贴合实际情况。
附图说明
图1为本发明专利的方法流程图。
具体实施方式
下面将结合附图对本发明专利做进一步说明。如图1所示,通过下述具体步骤实现:
(一)基于ArcGIS的土地遥感影像分类
(1)选取研究区,标定坐标:以地铁站点步行吸引范围(半径为770米内的区域)为研究区,在ArcGIS中导入研究区的遥感底图,“文件-添加数据-添加数据或添加底图”,以导入截图为例,导入三波段栅格数据集。在“视图-数据框属性-坐标系”设置地理坐标系,如“WGS_1984”。在“ActToolbox-数据管理工具-投影与变换-定义投影”中,将地图定义为地理坐标系,如“WGS_1984”。在“地理配准-添加控制点”,在控制点处右击-“经纬坐标-输入经度和纬度的DMS”,输入控制点的经纬坐标,注意转换成度分秒单位。“地理配准-更新地理配准”,缩放至图层,完成坐标标定。
(2)确定分类体系:确定要研究的土地类型,如商业区、住宅区、公园、停车场、运动场所、施工用地等,注意尽量选择遥感图像特征明显、区分度高的样本类别。
(3)创建训练样本:在“影像分类工具条-绘制多边形”中创建训练样本,可在“样本管理器”进行命名、设置颜色、合并训练样本等操作,保存训练样本为“shp”文件,然后点击“创建特征文件”。
(4)最大似然分类:使用ArcGIS的最大似然分类工具对遥感影像进行处理,在“影像分类工具条-分类-最大似然法分类”中,输入栅格波段底图,输入特征文件,可以根据需要设置剔除分数为0.01,即把正确分类的几率不到1%的像元变成NoData。先验概率权重可默认使用Equal先验概率。
(5)评估分类精度:根据实际地表数据创建一组随机精度评估点,在“ActToolbox-Spatial Analyst工具-影像分割与分类-创建精度评估点”中,以实际地表图层为输入栅格数据,输出精度评估点填写位置和名称,目标字段选择“GROUND_TRUTH”。在“更新精度评估点”中,以最大似然分类图像为输入栅格数据,将创建的精度评估点作为输入精度评估点,输出精度评估点填写位置和名称,目标字段选择“CLASSIFIED”。在“计算混淆矩阵”中使用上一步中生成的表格作为输入,得到混淆矩阵、P_Accuracy及kappa系数。
(6)分类后处理:对最大似然法分类后的影像,在“ActToolbox-Spatial Analyst工具-栅格综合”中选择处理方法,如“众数滤波、边界清理”等,进行分类后处理。
(7)分区几何统计:在“ActToolbox-Spatial Analyst工具-区域分析-以表格显示分区几何统计”中,输入栅格数据选择最大似然分类后的数据,区域字段设为“Value”,确定后得到土地类型的面积、质心X坐标、质心Y坐标、周长、椭圆特征值等参数。
(二)收集调查数据
收集城市地铁线路、地铁站位置及客流量、公交站位置信息,调查地铁站周边770米范围内自行车停放数和出租车停靠数,为搭建模型准备基础数据。
(1)计算地铁站点的接近中心性:把地铁线路看作带权无向图,整理总结地铁站点间的距离信息至excel文件或txt文件中,使用现有程序将其转换为Pajek网络分析软件所需的net文件。在Pajek中选择“Network-Create Vector-Centrality-Closeness-All”,可得到各节点的接近中心性。
(2)计算地铁站点的中介中心性:在Pajek网络分析软件中选择“Network-CreateVector-Centrality-Betweenness”,可得到各节点的中介中心性。
(三)模型构建及计算
最后,根据搜集调查的数据,使用SPSS的非线性回归模型器,输入模型公式,将未知参数的初始值设置为0,通过高斯-牛顿法不断迭代直到收敛,得到最优参数。模型
的各参数的含义如表1。
(1)输入数据:整理已知数据,在SPSS统计软件的数据编辑器中填充以下数据:某个地铁站的接近中心性α和中介中心性β,该地铁站周围的不同用地类型面积Ln(n=1,2,...,N)和公交站数量B,地铁站的多日客流量Pi、多日自行车停放数Ci、多日出租车停靠数Ti。
(2)建立模型:在“分析-回归-非线性”中,选择Pi为因变量,αi,βi,Lin(n=1,2,...,N),Bi,Ci,Ti为自变量,在“模型表达式”中输入上述模型。在“约束”对话框中“定义参数约束”,使所有参数大于等于零,在“选项”对话框中“估计方法”选择“序列二次编程”,点击“确定”,结果输出最优参数。
表1模型参数含义表
序号 | 符号 | 含义 | 已知/未知 |
1 | P | 地铁站的日均客流量,包括进站客流和出站客流 | 由收集资料已知 |
2 | α | 该地铁站的接近中心性 | 由收集资料并计算已知 |
3 | β | 该地铁站的中介中心性 | 由收集资料并计算已知 |
4 | r<sub>1</sub> | 接近中心性的权重值 | 未知 |
5 | r<sub>2</sub> | 中介中心性的权重值 | 未知 |
6 | N | 待研究的土地类型数 | 已知 |
7 | L<sub>n</sub> | 质心位置在地铁站步行吸引范围内的第n个土地类型面积 | 由ArcGIS统计已知 |
8 | l<sub>n</sub> | 第n个土地类型的日均客流生成率 | 未知 |
9 | B | 地铁站步行吸引范围内的公交站数量 | 由查阅资料已知 |
10 | b | 公交站的日均客流生成率 | 未知 |
11 | C | 地铁站步行吸引范围内的自行车日均停放数 | 由实际调查已知 |
12 | c | 自行车的日均客流生成率 | 未知 |
13 | T | 地铁站步行吸引范围内的出租车日均停靠数 | 由实际调查已知 |
14 | t | 出租车的日均客流生成率 | 未知 |
15 | ε | 随机扰动项 | 未知 |
需要说明的是,本发明还可有其他多种实施例,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (6)
1.一种基于遥感影像的地铁客流来源智能分析方法,其特征是:包括以下步骤:
1)基于ArcGIS的土地遥感影像分类:以地铁站点步行吸引范围为研究区,在ArcGIS中导入研究区域的卫星遥感地图,标定地理坐标,进行几何校正,对影像进行分区几何统计,得到土地类型的面积、质心X坐标、质心Y坐标在内的参数;
2)收集调查数据:收集城市地铁线路、地铁站位置及客流量、公交站位置信息,调查地铁站周边自行车日均停放数和出租车日均停靠数;
3)模型构建及计算:以地铁站客流量作为被解释变量收集某区域内I个地铁站及周边的日均数据,建立客流模型。
2.根据权利要求1所述的地铁客流来源智能分析方法,其特征是:分析城市轨道交通中地铁的客流来源情况,其特征在于:考虑地铁站步行吸引范围内不同用地类型、公交、自行车、出租车四项客流来源,基于遥感影像获得周边用地类型的面积,考虑地铁站点的区位和连接性,建立非线性回归模型并求解,所述非线性回归模型为:
其中,Pi为第i个地铁站的日均客流量,包括进站客流和出站客流;
αi和βi分别为第i个地铁站的接近中心性和中介中心性,r1和r2分别为其权重值;
N为待研究的土地类型数;
Lin为质心位置在第i个地铁站步行吸引范围内的第n个土地类型面积;
ln为地铁站周围第n个土地类型的客流生成率;
Bi为第i个地铁站步行吸引范围内的公交站数量;
b为研究区域内公交站的客流生成率;
Ci为第i个地铁站步行吸引范围内的自行车日均停放数;
c为研究区域内自行车的客流生成率;
Ti为第i个地铁站步行吸引范围内的出租车日均停靠数;
t为研究区域内出租车的客流生成率;
εi为随机扰动项,
使用SPSS的非线性回归模型器,输入公式,将未知参数的初始值设置为0,求解最优参数。
3.根据权利要求1所述的地铁客流来源智能分析方法,其特征是:以地铁站为中心,半径770米内的区域为其步行吸引范围。
4.根据权利要求1所述的地铁客流来源智能分析方法,其特征是:全面考虑周边用地类型、公交换乘、自行车换乘和出租车换乘四项客流来源,搜集调查地铁站步行吸引范围内的公交站数、自行车日均停放数、出租车日均停靠数。
5.根据权利要求1所述的地铁客流来源智能分析方法,其特征是:基于地铁站步行吸引范围内的遥感影像,确定土地类型分类体系,在ArcGIS平台中创建样本,进行最大似然分类,对分类后处理的影像统计不同土地类型的面积和质心位置。
6.根据权利要求1所述的地铁客流来源智能分析方法,其特征是:考虑地铁站点的区位和连接性,求解地铁站点在网络中的的接近中心性和中介中心性,赋予权重值,使其以指数倍数的形式作用于客流,保证两个中心性的影响为正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010581503.8A CN111860182B (zh) | 2020-06-23 | 2020-06-23 | 一种基于遥感影像的地铁客流来源智能分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010581503.8A CN111860182B (zh) | 2020-06-23 | 2020-06-23 | 一种基于遥感影像的地铁客流来源智能分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111860182A true CN111860182A (zh) | 2020-10-30 |
CN111860182B CN111860182B (zh) | 2023-09-29 |
Family
ID=72988408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010581503.8A Active CN111860182B (zh) | 2020-06-23 | 2020-06-23 | 一种基于遥感影像的地铁客流来源智能分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111860182B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103310287A (zh) * | 2013-07-02 | 2013-09-18 | 北京航空航天大学 | 基于svm预测乘客出行概率的轨道交通客流预测方法 |
WO2016045195A1 (zh) * | 2014-09-22 | 2016-03-31 | 北京交通大学 | 一种城轨路网客流估算方法 |
CN107103394A (zh) * | 2017-05-27 | 2017-08-29 | 重庆大学 | 一种基于神经网络的轨道交通实时客流预测方法 |
CN107103392A (zh) * | 2017-05-24 | 2017-08-29 | 北京航空航天大学 | 一种基于时空地理加权回归的公交客流影响因素识别与预测方法 |
CN109034474A (zh) * | 2018-07-26 | 2018-12-18 | 北京航空航天大学 | 一种基于poi数据和客流数据的地铁站聚类与回归分析方法及系统 |
-
2020
- 2020-06-23 CN CN202010581503.8A patent/CN111860182B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103310287A (zh) * | 2013-07-02 | 2013-09-18 | 北京航空航天大学 | 基于svm预测乘客出行概率的轨道交通客流预测方法 |
WO2016045195A1 (zh) * | 2014-09-22 | 2016-03-31 | 北京交通大学 | 一种城轨路网客流估算方法 |
CN107103392A (zh) * | 2017-05-24 | 2017-08-29 | 北京航空航天大学 | 一种基于时空地理加权回归的公交客流影响因素识别与预测方法 |
CN107103394A (zh) * | 2017-05-27 | 2017-08-29 | 重庆大学 | 一种基于神经网络的轨道交通实时客流预测方法 |
CN109034474A (zh) * | 2018-07-26 | 2018-12-18 | 北京航空航天大学 | 一种基于poi数据和客流数据的地铁站聚类与回归分析方法及系统 |
Non-Patent Citations (3)
Title |
---|
DAXIN TIAN 等: "A Satellite Image Dataset on Transportation Hubs and Passenger Flow Related Land-Use Types", 《INTERNATIONAL CONFERENCE ON TRANSPORTATION AND DEVELOPMENT 2020》, 29 May 2020 (2020-05-29), pages 259 - 271 * |
曹哲静: "城市商业中心与交通中心的叠合与分异:基于复杂网络分析的东京轨道交通网络与城市形态耦合研究", 《国际城市规划》 * |
曹哲静: "城市商业中心与交通中心的叠合与分异:基于复杂网络分析的东京轨道交通网络与城市形态耦合研究", 《国际城市规划》, no. 03, 17 June 2020 (2020-06-17), pages 42 - 53 * |
Also Published As
Publication number | Publication date |
---|---|
CN111860182B (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Mapping the local climate zones of urban areas by GIS-based and WUDAPT methods: A case study of Hong Kong | |
CN108446470B (zh) | 基于车辆轨迹数据和人口分布的医疗设施可达性分析方法 | |
CN110346517B (zh) | 一种智慧城市工业大气污染可视化预警方法及其系统 | |
Casali et al. | A topological analysis of growth in the Zurich road network | |
Yao et al. | Discovering the homogeneous geographic domain of human perceptions from street view images | |
CN109493119B (zh) | 一种基于poi数据的城市商业中心识别方法及系统 | |
CN109711751A (zh) | 一种基于时空数据融合分析的资源环境承载力评估方法 | |
CN111814596B (zh) | 一种遥感影像与出租车轨迹融合的自动城市功能分区方法 | |
Morales et al. | Mapping urban accessibility in data scarce contexts using space syntax and location-based methods | |
CN114548811B (zh) | 一种机场可达性的检测方法、装置、电子设备及存储介质 | |
CN113112068A (zh) | 一种村镇公共设施选址布局的方法及其系统 | |
Ghassoun et al. | Land use regression models for total particle number concentrations using 2D, 3D and semantic parameters | |
Alahmadi et al. | A comparison of small-area population estimation techniques using built-area and height data, Riyadh, Saudi Arabia | |
CN116796904A (zh) | 一种轨道交通新线客流预测方法、系统、电子设备及介质 | |
Machado et al. | Identifying concentrated areas of trip generators from high spatial resolution satellite images using object-based classification techniques | |
CN113672788A (zh) | 一种基于多源数据和权重系数法的城市建筑功能分类方法 | |
CN113901348A (zh) | 一种基于数学模型的钉螺分布影响因素识别与预测方法 | |
Chen et al. | Which green is more equitable? A study of urban green space equity based on morphological spatial patterns | |
CN113379269A (zh) | 多因素空间聚类的城市商业功能区划方法、装置及介质 | |
CN111008730B (zh) | 基于城市空间结构的人群聚集度预测模型构建方法及装置 | |
Karume et al. | Use of remote sensing for population number determination | |
CN110659774B (zh) | 大数据方法驱动的停车需求预测方法 | |
CN110309953B (zh) | 采用目标流动性分布预测的城市安防监控布局系统及方法 | |
Rosni et al. | Managing urbanisation and urban sprawl in Malaysia by using remote sensing and GIS applications | |
CN111860182B (zh) | 一种基于遥感影像的地铁客流来源智能分析方法 |
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 |