CN113393353A - 基于ic卡数据的建筑物通勤人口估算方法及其存储介质 - Google Patents
基于ic卡数据的建筑物通勤人口估算方法及其存储介质 Download PDFInfo
- Publication number
- CN113393353A CN113393353A CN202110653199.8A CN202110653199A CN113393353A CN 113393353 A CN113393353 A CN 113393353A CN 202110653199 A CN202110653199 A CN 202110653199A CN 113393353 A CN113393353 A CN 113393353A
- Authority
- CN
- China
- Prior art keywords
- building
- employment
- population
- card
- taz
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000002354 daily effect Effects 0.000 claims description 21
- 238000012546 transfer Methods 0.000 claims description 12
- 230000003203 everyday effect Effects 0.000 claims description 8
- 238000011160 research Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000036541 health Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 239000007787 solid Substances 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 12
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000005667 attractant Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000926 separation method 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
- 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
- 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—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
- G06Q50/265—Personal security, identity or safety
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于IC数据的建筑物通勤人口估算方法及存储介质,该方法包括基于交通IC卡数据整理出行记录,对职住地识别和通勤人判别,综合POI和AOI数据,通勤人群识别和职住地识别等技术,实现对通勤人口空间分布更小尺度的刻画。本发明以建筑物为基本单元通勤人口分布的估算,对随机发生的安全事件,掌握各区域的人口分布,疏通人流等应急救援安排,基于公共事务的应急管理等等打下坚实的基础。
Description
技术领域
本申请涉及一种人口估算方法,具体的,涉及一种基于IC卡数据的建筑物通勤人口估算方法及其存储介质。
背景技术
居民与岗位在物理空间上的分离是通勤活动产生的根本原因,因此,城市居民通勤格局一定程度上反映了职住空间关系和解读了城市空间结构。居民的日常活动基本是以城市建筑为载体,人口区域分布的发生也具有时间阶段性。相较于其他居民活动,通勤活动在时间和空间上存在较大的恒定性,对城市通勤人口空间分布的动态把握是了解通勤人口活动规律、认识城市空间结构、配置城市基础设施和公共服务设施及制订城市公共安全应急保障方案的重要依据。例如,在通勤早高峰开始以后,居住建筑的人口开始逐渐减少,办公建筑人口开始逐渐增加,在早通勤时间结束以后,办公建筑的人口数量趋于稳定。在不同时刻每类建筑的吸引人数不同,获取局部区域的实时人口是应急决策等诸多城市管理应用需要解决的问题,但目前缺乏通勤人口动态变化的统计数据,对于通勤人口空间分布的动态特征方面的研究也较少。
人口数据的获取最为普遍的方式为人口普查,数据准确但成本高和更新频次低,且一般以行政区划为统计单元,对于单元内更详细的人口空间分布信息难以获得。因此,借助地理信息系统及遥感技术生成的精细尺度人口数据具有获取简单、精度较高等优点。目前关于人口估算多集中于格网尺度,格网人口估算具有计算简单、存储方便、规则性强的等优点,但格网会造成对自然地物的分割,格网内存在较大的地物异质性,对于建筑物尺度的人口估算也较少,缺乏对人口空间分布信息的真实刻画。
总的来说,面对指导城市公共服务设施配置和制定城市公共安全应急保障方案。应对随机发生的安全事件,掌握各区域的人口分布是疏通人流等应急救援安排的基础,都对通勤人口空间分布的时空精度需要日渐提高,因此,如何生成以建筑物为基本单元通勤人口分布已成为一个亟需解决的技术问题。
发明内容
一种基于IC卡数据的建筑物通勤人口估算方法,利用换乘判断、通勤人群识别和职住地识别等技术,实现各种不同的建筑物内通勤人口估算。
为达此目的,本发明采用以下技术方案:
一种基于IC数据的建筑物通勤人口估算方法,其特征在于,包括如下步骤:
交通IC持卡人出行记录整理步骤S110:
获取某地交通IC卡刷卡数据,所述刷卡数据格式包括但不限于卡号、卡类型、交易日期、交易时间、交易金额、车辆号、上车时间和下车时间,对所述刷卡数据进行整理,判别持卡人的每次刷卡记录是换乘还是出行,整理出持卡人的每日出行记录;
职住地识别和通勤人判别步骤S120:
建立职住地识别规则,通过连续一个月的持卡人刷卡出行记录,识别居住站点和就业站点,当对于居住站点或者就业站点的识别站点结果不唯一的情况,考虑“居住潜力”和“就业潜力”,即属于居住地或就业地的概率,利用站点一定距离阈值范围内的POI数据,根据其各类型POI占比判断居住站点或就业站点,识别出通勤人员,并统计在居住站点和就业站点的通勤人平均刷卡笔数;
建筑物通勤人口估算步骤S130:
按一定条件,选择指数模型,得到距离衰减函数,结合兴趣面(Area of Interest,AOI)和兴趣点(Point of Interest,POI)数据筛选出居住类型或办公类型TAZ,计算建筑物的容积,然后利用步骤S120的数据对TAZ单元内的建筑物进行通勤人口分配。
可选的,在交通IC持卡人出行记录整理步骤S110中,判别持卡人的每次刷卡记录是换乘还是出行具体为:根据两次刷卡记录之间的时间阈值判断持卡人是出行或换乘。
可选的,在职住地识别和通勤人判别步骤S120中,
所述识别居住站点具体包括:
1)判断当月每日第一次刷卡站点是否为同一区县,不是则排除异常数据,是则继续下一步;
2)一日居住地识别:每日早晨5点至10点的首次上车刷卡站点为一日居住地站点;
3)一月居住地识别:根据某地交通站点之间的平均距离,一日居住站点距离小于第一阈值的为同一集群,列入同一居住站点集群中,其中不同时间同一地点的交通站点视为两个数据,判断最大居住站点集群内站点个数是否大于第二阈值,是则识别出最终居住地,否则无法识别持卡人的居住地,如果最大居住站点集群不唯一,计算每个站点的居住潜力,最大的为最终居住地;
所述识别就业站点具体包括:
1)判断当月每日第一次刷卡站点是否为同一区县,不是则排除异常数据,是则继续下一步;
2)一日就业地识别:每日16:30以后的首次上车刷卡站点为一日就业站点;
3)一月就业地识别:根据某地交通站点之间的平均距离,一日就业站点距离小于一定阈值的为同一集群,列入同一就业站点集群中,判断最大就业站点集群是否大于一定阈值,是则识别出最终就业地,否则无法识别持卡人的就业地,如果最大就业站点集群不唯一,计算每个站点的就业潜力,最大的为最终就业地。
可选的,在职住地识别和通勤人判别步骤S120中,
通勤人识别包括并不限于下述方式:1)根据出行记录,排除学生卡和持卡时长小于6个月的用户,即排除暂住的用户,剔除火车站和机场交易数据,消除临时客流,2)识别完居住站点和就业站点后,同时具有就业站点和居住站点的持卡人为通勤群体。
可选的,建筑物通勤人口估算步骤S130具体为:
1)通过问卷调查数据得到研究区域出行者可接受和日常的步行接驳时间t或者接驳距离d;
2)选择指数模型:f(d)=Ce-αd,α>0,建立距离衰减模型,C取1,以出行者的日常步行接驳距离d为单一变量进行拟合,确定参数α,得到距离衰减函数;
3)建筑分类:利用某区兴趣面(Area of Interest,AOI)和兴趣点(Point ofInterest,POI)数据确定居住和办公类型的交通小区单元(Traffic Analysis Zone,TAZ);
4)计算建筑物容积:参照土地利用人口密度模型,假设建筑单元面积上的人口密度一样,计算各建筑的体积,建筑物的体积Vj表示为:
Vj=fj·aj
aj为建筑物j的占地面积,fj为建筑j的平均层数;
5)居住建筑人口估算:计算居住TAZ单元内建筑j到四周居住站点i的距离,在通勤人口分配时考虑距离远近的影响和建筑物体积的影响,与距离的远近成反比,与建筑体积成正比,利用如下公式将通勤人口分到各居住建筑j:
i=1,2,…,n;j=1,2,…,m
Aj为居住建筑j的夜晚通勤人口数,Pi为居住站点i的通勤人口刷卡笔数,n为该TAZ单元四周的居住站点数,m为TAZ单元内的居住建筑物总数,dij为建筑物j到站点i的距离;
6)办公建筑人口估算:利用POI数据将办公类TAZ单元内建筑物j分为行政办公建筑、商业金融建筑和医疗卫生建筑,按建筑体积和使用性质将通勤人口分到各办公建筑j上:
i=1,2,…,n;j=1,2,…,m
Bj为办公建筑j的白天通勤人口数,bj为建筑密度系数,方便计算,建筑j为商业金融建筑时设为2,其余设为1,Pi为就业站点i的通勤人口刷卡笔数,n为该TAZ单元四周的就业站点数,m为TAZ单元内的办公建筑物总数。
可选的,建筑物通勤人口估算步骤S130中,
如果在TAZ单元内有1个居住类型的POI或居住类型的AOI,则定义该TAZ为居住类型TAZ,如果TAZ单元内有1个办公类型的POI或办公类型的AOI,则定义该TAZ为办公类型TAZ,如果TAZ单元类型不唯一,分别计算TAZ内居住类和办公类POI占比,根据占比的高低其进行分类。
可选的,在职住地识别和通勤人判别步骤S120中,
第一阈值为600m,第二阈值为12。
本发明进一步公开了一种存储介质,用于存储计算机可执行指令,其特征在于:
所述计算机可执行指令在被处理器执行时执行上述的基于IC数据的建筑物通勤人口估算方法。
综上,本发明基于交通IC卡数据、POI和AOI数据,融合换乘判断、通勤人群识别和职住地识别等技术,实现对通勤人口空间分布更小尺度的刻画,以建筑物为基本单元通勤人口分布的估算是应对随机发生的安全事件,掌握各区域的人口分布是疏通人流等应急救援安排的基础,为基于公共事务的应急管理等等打下坚实的基础。
附图说明
图1是根据本发明具体实施例的基于IC数据的建筑物通勤人口估算方法的流程图;
图2是根据本发明具体实施例的持卡人出行记录整理的换乘判断示意图;
图3(a)和图3(b)分别是根据本发明具体实施例的居住站点识别和就业站点识别的流程图;
图4是根据本发明具体实施例的居住类建筑物通勤人口分配示意图;
图5是根据本发明具体实施例的办公类建筑物通勤人口分配示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
在本发明中,IC卡主要指的是实现交通出行功能的公交卡、地铁卡、月卡、年卡等相应的各种IC卡,本发明以IC卡为例,但本领域技术人员知道,本发明不限于IC方式的卡,只要是能够记录获取交通出行记录的卡即可。
本发明在于:利用基于交通卡的IC卡得到持卡人的出行记录,经过判别、整理后得到通勤人员的数据;对上述数据进行分析识别出职住地和通勤人,并计算得到通勤人平均刷卡笔数;最终将建筑物分为居住类型或办公类型TAZ,然后实现对TAZ单元内的建筑物进行通勤人口分配和估算。
具体的,参见图1,示出了根据本发明具体实施例的基于IC数据的建筑物通勤人口估算方法的流程图,包括如下步骤:
交通IC持卡人出行记录整理步骤S110:
获取某地交通IC卡刷卡数据,所述刷卡数据格式包括但不限于卡号、卡类型、交易日期、交易时间、交易金额、车辆号、上车时间和下车时间,对所述刷卡数据进行整理,判别持卡人的每次刷卡记录是换乘还是出行,整理出持卡人的每日出行记录。
由于出行中,存在道路公交之间的换乘,以及道路公交和轨道交通之间存在换乘问题,因此,应当考虑上述问题,
具体的,参见图2,判别持卡人的每次刷卡记录是换乘还是出行具体为:根据两次刷卡记录之间的时间阈值判断持卡人是出行或换乘。在一个具体的实施例中,时间阈值可以为20分钟,即20分钟之内的刷卡为一次出行中的换乘。
所述每日出行记录包括:包括但不限于上车时间、上车站点、下车时间和下车站点。
职住地识别和通勤人判别步骤S120:
建立职住地识别规则(即包括居住地和就业地),通过连续一个月的持卡人刷卡出行记录,识别居住站点和就业站点,当对于居住站点或者就业站点的识别站点结果不唯一的情况,考虑“居住潜力”和“就业潜力”,即属于居住地或就业地的概率。利用站点一定距离阈值范围内的POI数据,根据其各类型POI占比判断居住站点或就业站点,识别出通勤人员,并统计在居住站点和就业站点的通勤人平均刷卡笔数。该步骤为下一步骤的居住地和就业地内的建筑物人工的估算做准备。需要说明的是,本文中,居住地和就业地都为居住站点和就业站点。
具体的,参见图3(a),所述识别居住站点具体包括:
1)判断当月每日第一次刷卡站点是否为同一区县,不是则排除异常数据,是则继续下一步;
2)一日居住地识别:每日早晨5点至10点的首次上车刷卡站点为一日居住地站点;
3)一月居住地识别:根据某地交通站点之间的平均距离(例如600米),一日居住站点距离小于一定阈值的为同一集群,列入同一居住站点集群中,其中不同时间同一地点的交通站点视为两个数据,这样能够判断出在该集群中同一站点出现的次数,判断最大居住站点集群站点个数是否大于一定阈值,例如12次(也就是1个月中同一站点出现12次,平均每周3次,则近似于居住地的交通站点),是则识别出最终居住地,否则无法识别持卡人的居住地,如果最大居住站点集群不唯一,计算每个站点的居住潜力,最大的为最终居住地。
在该判别中,主要是考虑到了同一居住地可能有多个不同的交通车站,例如,某小区A,在东门具有a公交车站,在西门具有b公交车站,上述公交车站距离该小区都低于一定的阈值,例如都低于600米。同时预估了,认为平均一周出现过三次及以上的站点应当为居住地交通站点。
参见3(b),所述识别就业站点具体包括:
1)判断当月每日第一次刷卡站点是否为同一区县,不是则排除异常数据,是则继续下一步;
2)一日就业地识别:每日16:30以后的首次上车刷卡站点为一日就业站点;
3)一月就业地识别:根据某地交通站点之间的平均距离(例如600米),一日就业站点距离小于一定阈值的为同一集群,列入同一就业站点集群中,判断最大就业站点集群站点个数是否大于一定阈值,例如12次(也就是1个月中同一站点出现12次,平均每周3次,则近似于居住地的交通站点),是则识别出最终就业地,否则无法识别持卡人的就业地,如果最大就业站点集群不唯一,计算每个站点的就业潜力,最大的为最终就业地。
通勤人员识别具体为:
居住地识别和就业地识别是相互独立的,在既有居住地和就业地的持卡人中识别出通勤人。
具体的,通勤人识别包括并不限于下述方式:1)根据出行记录,排除学生卡和持卡时长小于6个月的用户,即排除暂住的用户,剔除火车站和机场交易数据,消除临时客流。暂住和临时客流都不属于通勤人群。2)识别完居住站点和就业站点后,同时具有就业站点和居住站点的持卡人为通勤群体。
居住站点和就业站点的通勤人平均刷卡笔数可以列为Pi,表示相应的居住站点i或者就业站点i的通勤人口刷卡笔数,
建筑物通勤人口估算步骤S130:
车站的客流需求并不是均匀分布的,客流就随着接驳距离的增大而减少。目前常见的距离衰减函数包括指数形式、幂函数以及高斯函数,在地理学中最基本的两种交互模型是重力模型和Wilson最大熵模型,分别为幂律和指数形式。负指数函数随距离的增加衰减得更快,负指数函数在空间的作用域比负幂律函数有限,就认为指数函数更能刻画对于城市交通站点这样的尺度。
此外,在城市中,居民区和就业区呈现在某一区域集中,在通勤人口估算中,将研究区域划分为交通小区单元(Traffic Analysis Zone,TAZ)。交通小区是一定区域内部具有相似交通特征和交通关联的集合,且交通小区的划分与普查小区边界相协调,本文选取研究区内交通主干道对研究区进行研究单元划分。
按一定条件,选择指数模型,得到距离衰减函数,结合兴趣面(Area of Interest,AOI)和兴趣点(Point of Interest,POI)数据筛选出居住类型或办公类型TAZ,计算建筑物的容积,然后利用步骤S120的数据对TAZ单元内的建筑物进行通勤人口分配。
AOI和POI按照从属关系分为大类、中类和小类三个层次。大类包括餐饮服务、公共设施、购物服务、商务住宅、生活服务、体育休闲服务、地名地址信息、风景名胜、金融保险服务、科教文化服务、医疗保健服务、政府机构及社会团体等共12种大类。
具体的,包括如下步骤:
1)通过问卷调查数据得到研究区域出行者可接受和日常的步行接驳时间t或者接驳距离d,根据平均步行速度将时间t换算为接驳距离d。在设计问卷调查的时候考虑到出行者对时间的感知,相比于距离更加敏感,因此,本步骤对步行接驳时间进行统计,也可以直接对接驳距离d进行统计。
2)选择指数模型:f(d)=Ce-αd(α>0)建立距离衰减模型,为数据分析方便,C取1。以出行者的日常步行接驳距离d为单一变量进行拟合,确定参数α,得到距离衰减函数;
3)建筑分类:利用某区,例如海淀区兴趣面(Area of Interest,AOI)和兴趣点(Point of Interest,POI)数据确定居住和办公类型的交通小区单元(Traffic AnalysisZone,TAZ)。
如果在TAZ单元内有1个居住类型的POI或居住类型的AOI,则定义该TAZ为居住类型TAZ。如果TAZ单元内有1个办公类型的POI或办公类型的AOI,则定义该TAZ为办公类型TAZ,办公建筑一般是指行政办事处、金融服务处和医疗办事处。
如果TAZ单元类型不唯一,分别计算TAZ内居住类和办公类POI占比,根据占比的高低其进行分类。即,如果一个TAZ单元按上段建筑分类方法既可以划为居住类型又可以划为办公类型,就统计居住类和办公类POI占比,居住类POI占比高就为居住类TAZ。
4)计算建筑物容积:参照土地利用人口密度模型,假设建筑单元面积上的人口密度一样,计算各建筑的体积,建筑物的体积Vj可表示为:
Vj=fj·aj
aj为建筑物j的占地面积,fj为建筑j的平均层数;
5)居住建筑人口估算:计算居住TAZ单元内建筑j到四周居住站点i的距离,在通勤人口分配时考虑距离远近的影响和建筑物体积的影响,与距离的远近成反比,与建筑体积成正比,利用如下公式将通勤人口分到各居住建筑j:
(i=1,2,…,n;j=1,2,…,m)
Aj为居住建筑j的夜晚通勤人口数,Pi为居住站点i的通勤人口刷卡笔数,n为该TAZ单元四周的居住站点数,m为TAZ单元内的居住建筑物总数,dij为建筑物j到站点i的距离。n,m可以从步骤S120中得到。
参见图4,示出了将居住站点的通勤人数分配给居住类型TAZ单元内的建筑物。
6)办公建筑人口估算:利用POI数据将办公类TAZ单元内建筑物j分为行政办公建筑、商业金融建筑和医疗卫生建筑,如果是商业建筑,建筑密度系数bj为2,如果是行政和医疗卫生,建筑密度系数bj为1。
商业金融建筑相较于行政办公建筑和医疗卫生建筑人口密度更小,假设同类别建筑人口密度相同,按建筑体积和使用性质将通勤人口分到各办公建筑j上:
(i=1,2,…,n;j=1,2,…,m)
Bj为办公建筑j的白天通勤人口数,bj为建筑密度系数,方便计算,建筑j为商业金融建筑时设为2,其余设为1,Pi为就业站点i的通勤人口刷卡笔数,n为该TAZ单元四周的就业站点数,m为TAZ单元内的办公建筑物总数。
参见图5,示出了将就业站点的通勤人数分配给办公类型TAZ单元内的建筑物。
本发明进一步公开了一种存储介质,用于存储计算机可执行指令,其特征在于:
所述计算机可执行指令在被处理器执行时执行上述的基于IC数据的建筑物通勤人口估算方法。
综上,本发明基于交通IC卡数据、POI和AOI数据,融合换乘判断、通勤人群识别和职住地识别等技术,实现对通勤人口空间分布更小尺度的刻画,以建筑物为基本单元通勤人口分布的估算是应对随机发生的安全事件,掌握各区域的人口分布是疏通人流等应急救援安排的基础,为基于公共事务的应急管理等等打下坚实的基础。
显然,本领域技术人员应该明白,上述的本发明的各单元或各步骤可以用通用的计算装置来实现,它们可以集中在单个计算装置上,可选地,他们可以用计算机装置可执行的程序代码来实现,从而可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件的结合。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施方式仅限于此,对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单的推演或替换,都应当视为属于本发明由所提交的权利要求书确定保护范围。
Claims (8)
1.一种基于IC数据的建筑物通勤人口估算方法,其特征在于,包括如下步骤:
交通IC持卡人出行记录整理步骤S110:
获取某地交通IC卡刷卡数据,所述刷卡数据格式包括但不限于卡号、卡类型、交易日期、交易时间、交易金额、车辆号、上车时间和下车时间,对所述刷卡数据进行整理,判别持卡人的每次刷卡记录是换乘还是出行,整理出持卡人的每日出行记录;
职住地识别和通勤人判别步骤S120:
建立职住地识别规则,通过连续一个月的持卡人刷卡出行记录,识别居住站点和就业站点,当对于居住站点或者就业站点的识别站点结果不唯一的情况,考虑“居住潜力”和“就业潜力”,即属于居住地或就业地的概率,利用站点一定距离阈值范围内的POI数据,根据其各类型POI占比判断居住站点或就业站点,识别出通勤人员,并统计在居住站点和就业站点的通勤人平均刷卡笔数;
建筑物通勤人口估算步骤S130:
按一定条件,选择指数模型,得到距离衰减函数,结合兴趣面(Area of Interest,AOI)和兴趣点(Point of Interest,POI)数据筛选出居住类型或办公类型TAZ,计算建筑物的容积,然后利用步骤S120的数据对TAZ单元内的建筑物进行通勤人口分配。
2.根据权利要求1所属的建筑物通勤人口估算方法,其特征在于,
在交通IC持卡人出行记录整理步骤S110中,判别持卡人的每次刷卡记录是换乘还是出行具体为:根据两次刷卡记录之间的时间阈值判断持卡人是出行或换乘。
3.根据权利要求1所属的建筑物通勤人口估算方法,其特征在于,
在职住地识别和通勤人判别步骤S120中,
所述识别居住站点具体包括:
1)判断当月每日第一次刷卡站点是否为同一区县,不是则排除异常数据,是则继续下一步;
2)一日居住地识别:每日早晨5点至10点的首次上车刷卡站点为一日居住地站点;
3)一月居住地识别:根据某地交通站点之间的平均距离,一日居住站点距离小于第一阈值的为同一集群,列入同一居住站点集群中,其中不同时间同一地点的交通站点视为两个数据,判断最大居住站点集群内站点个数是否大于第二阈值,是则识别出最终居住地,否则无法识别持卡人的居住地,如果最大居住站点集群不唯一,计算每个站点的居住潜力,最大的为最终居住地;
所述识别就业站点具体包括:
1)判断当月每日第一次刷卡站点是否为同一区县,不是则排除异常数据,是则继续下一步;
2)一日就业地识别:每日16:30以后的首次上车刷卡站点为一日就业站点;
3)一月就业地识别:根据某地交通站点之间的平均距离,一日就业站点距离小于一定阈值的为同一集群,列入同一就业站点集群中,判断最大就业站点集群是否大于一定阈值,是则识别出最终就业地,否则无法识别持卡人的就业地,如果最大就业站点集群不唯一,计算每个站点的就业潜力,最大的为最终就业地。
4.根据权利要求3所属的建筑物通勤人口估算方法,其特征在于,
在职住地识别和通勤人判别步骤S120中,
通勤人识别包括并不限于下述方式:1)根据出行记录,排除学生卡和持卡时长小于6个月的用户,即排除暂住的用户,剔除火车站和机场交易数据,消除临时客流,2)识别完居住站点和就业站点后,同时具有就业站点和居住站点的持卡人为通勤群体。
5.根据权利要求1所属的建筑物通勤人口估算方法,其特征在于,
建筑物通勤人口估算步骤S130具体为:
1)通过问卷调查数据得到研究区域出行者可接受和日常的步行接驳时间t或者接驳距离d;
2)选择指数模型:f(d)=Ce-αd,α>0,建立距离衰减模型,C取1,以出行者的日常步行接驳距离d为单一变量进行拟合,确定参数α,得到距离衰减函数;
3)建筑分类:利用某区兴趣面(Area of Interest,AOI)和兴趣点(Point ofInterest,POI)数据确定居住和办公类型的交通小区单元(Traffic Analysis Zone,TAZ);
4)计算建筑物容积:参照土地利用人口密度模型,假设建筑单元面积上的人口密度一样,计算各建筑的体积,建筑物的体积Vj表示为:
Vj=fj·aj
aj为建筑物j的占地面积,fj为建筑j的平均层数;
5)居住建筑人口估算:计算居住TAZ单元内建筑j到四周居住站点i的距离,在通勤人口分配时考虑距离远近的影响和建筑物体积的影响,与距离的远近成反比,与建筑体积成正比,利用如下公式将通勤人口分到各居住建筑j:
Aj为居住建筑j的夜晚通勤人口数,Pi为居住站点i的通勤人口刷卡笔数,n为该TAZ单元四周的居住站点数,m为TAZ单元内的居住建筑物总数,dij为建筑物j到站点i的距离;
6)办公建筑人口估算:利用POI数据将办公类TAZ单元内建筑物j分为行政办公建筑、商业金融建筑和医疗卫生建筑,按建筑体积和使用性质将通勤人口分到各办公建筑j上:
Bj为办公建筑j的白天通勤人口数,bj为建筑密度系数,方便计算,建筑j为商业金融建筑时设为2,其余设为1,Pi为就业站点i的通勤人口刷卡笔数,n为该TAZ单元四周的就业站点数,m为TAZ单元内的办公建筑物总数。
6.根据权利要求5所属的建筑物通勤人口估算方法,其特征在于,
建筑物通勤人口估算步骤S130中,
如果在TAZ单元内有1个居住类型的POI或居住类型的AOI,则定义该TAZ为居住类型TAZ,如果TAZ单元内有1个办公类型的POI或办公类型的AOI,则定义该TAZ为办公类型TAZ,如果TAZ单元类型不唯一,分别计算TAZ内居住类和办公类POI占比,根据占比的高低其进行分类。
7.根据权利要求1所属的建筑物通勤人口估算方法,其特征在于,
在职住地识别和通勤人判别步骤S120中,
第一阈值为600m,第二阈值为12。
8.一种存储介质,用于存储计算机可执行指令,其特征在于:
所述计算机可执行指令在被处理器执行时执行权利要求1-7中任意一项所述的基于IC数据的建筑物通勤人口估算方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110653199.8A CN113393353B (zh) | 2021-06-11 | 2021-06-11 | 基于ic卡数据的建筑物通勤人口估算方法及其存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110653199.8A CN113393353B (zh) | 2021-06-11 | 2021-06-11 | 基于ic卡数据的建筑物通勤人口估算方法及其存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113393353A true CN113393353A (zh) | 2021-09-14 |
CN113393353B CN113393353B (zh) | 2022-03-22 |
Family
ID=77620565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110653199.8A Active CN113393353B (zh) | 2021-06-11 | 2021-06-11 | 基于ic卡数据的建筑物通勤人口估算方法及其存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113393353B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108122131A (zh) * | 2017-12-15 | 2018-06-05 | 东南大学 | 基于公共自行车刷卡数据的通勤行为和职住地识别方法 |
CN108717676A (zh) * | 2018-04-23 | 2018-10-30 | 深圳市数字城市工程研究中心 | 基于多数据融合的不同尺度下的职住空间评价方法及系统 |
WO2019155494A1 (en) * | 2018-02-08 | 2019-08-15 | Tvs Motor Company Limited | A vehicle with a power unit |
CN110674208A (zh) * | 2018-07-03 | 2020-01-10 | 百度在线网络技术(北京)有限公司 | 用于确定用户的职住地信息的方法和装置 |
CN111026738A (zh) * | 2019-11-08 | 2020-04-17 | 福建新大陆软件工程有限公司 | 区域人口监控方法、系统、电子设备及存储介质 |
CN111612223A (zh) * | 2020-05-06 | 2020-09-01 | 武汉理工大学 | 基于土地和交通多源数据的人口就业分布预测方法及装置 |
-
2021
- 2021-06-11 CN CN202110653199.8A patent/CN113393353B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108122131A (zh) * | 2017-12-15 | 2018-06-05 | 东南大学 | 基于公共自行车刷卡数据的通勤行为和职住地识别方法 |
WO2019155494A1 (en) * | 2018-02-08 | 2019-08-15 | Tvs Motor Company Limited | A vehicle with a power unit |
CN108717676A (zh) * | 2018-04-23 | 2018-10-30 | 深圳市数字城市工程研究中心 | 基于多数据融合的不同尺度下的职住空间评价方法及系统 |
CN110674208A (zh) * | 2018-07-03 | 2020-01-10 | 百度在线网络技术(北京)有限公司 | 用于确定用户的职住地信息的方法和装置 |
CN111026738A (zh) * | 2019-11-08 | 2020-04-17 | 福建新大陆软件工程有限公司 | 区域人口监控方法、系统、电子设备及存储介质 |
CN111612223A (zh) * | 2020-05-06 | 2020-09-01 | 武汉理工大学 | 基于土地和交通多源数据的人口就业分布预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113393353B (zh) | 2022-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8977496B2 (en) | System and method for estimating origins and destinations from identified end-point time-location stamps | |
Zhu et al. | Spatio-temporal analysis of rail station ridership determinants in the built environment | |
Ortega-Tong | Classification of London's public transport users using smart card data | |
Chakirov et al. | Activity identification and primary location modelling based on smart card payment data for public transport | |
CN111932925A (zh) | 一种公共交通站点的出行客流的确定方法、装置及系统 | |
Puan et al. | Transportation mode choice binary logit model: A case study for Johor Bahru city | |
Newmark et al. | Income, location efficiency, and VMT: Affordable housing as a climate strategy | |
Tushara et al. | Mode choice modelling for work trips in Calicut City | |
Ebadi et al. | Constructing activity–mobility trajectories of college students based on smart card transaction data | |
Kuppam et al. | Innovative methods for collecting data and for modeling travel related to special events | |
CN117114210B (zh) | 无障碍公共设施布局优化方法、装置、设备及存储介质 | |
CN116227791B (zh) | 基于语义融合模型探索城市功能区动态划分的可视分析方法 | |
Jin et al. | Spatio-temporally constrained origin–destination inferring using public transit fare card data | |
Caicedo et al. | Influence of Socioeconomic Factors on Transit Demand During the COVID-19 Pandemic: A Case Study of Bogotá’s BRT System | |
Demissie et al. | Understanding the temporal and spatial interactions between transit ridership and urban land-use patterns: an exploratory study | |
CN113393353B (zh) | 基于ic卡数据的建筑物通勤人口估算方法及其存储介质 | |
Viggiano et al. | Inferring public transport access distance from smart card registration and transaction data | |
Ganić et al. | New perspectives on spatial and temporal aspects of aircraft noise: Dynamic noise maps for Heathrow airport | |
Cats et al. | Unravelling the spatial properties of individual mobility patterns using longitudinal travel data | |
CN111833229B (zh) | 一种基于地铁依赖度的出行行为时空分析方法及装置 | |
Mercier et al. | Measure of accessibility to postal services in France: A potential spatial accessibility approach applied in an urban region | |
Manes et al. | Modeling the influence of land use developments on transportation system performance | |
NAKANISHI et al. | Investigating the public transport use and transport disadvantage in a low density environment | |
Zhou et al. | A GPS-based Analysis Household Travel Behavior | |
Collins et al. | Daytime population tracking for planning and pollution exposure assessment |
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 |