CN113886507B - 一种基于动态网格划分的轨道交通站点选址预测方法 - Google Patents

Abstract

本发明公开了一种基于动态网格划分的轨道交通站点选址预测方法。首先提出了一种能够适应研究对象的空间分布情况的动态网格划分算法，对城市进行划分，然后确定轨道交通站点覆盖及未覆盖网格。最后通过对未覆盖网格内的WiFi进行聚类预测新建轨道交通站点的位置。根据预测的新建轨道交通站点位置，可为城市交通管理和规范部门提出指导性意见以及轨道交通运营组织方案的制定提供依据。

Description

一种基于动态网格划分的轨道交通站点选址预测方法

技术领域

本发明属于数据挖掘领域，涉及一种基于动态网格划分的轨道交通站选址预测方法。根据提出的动态网格划分算法对北京市进行划分，对轨道交通站点未覆盖网格内的WiFi进行聚类，预测新建轨道交通站点位置，可为城市交通管理和规范部门提出指导性意见以及轨道交通运营组织方案的制定提供依据。可以适应不同场景的选址需求，例如连锁店的选址、城市基础设施的修建选址。

背景技术

随着我国轨道交通持续快速发展,市民的出行效率和生活质量都有了极大提高。城市轨道交通站点承载着换乘、停车、集散和引导等功能,与经济、政治、文化、社会息息相关。城市轨道交通建设难度大、风险大、成本高,规划、修建时受城市发展、经济水平、地理条件等诸多因素影响,而轨道交通站点选址又会长期影响轨道交通运行效率、客流稳定度、城市布局甚至社会经济效益。因此，合理的城市轨道交通站点选址方案不仅能充分利用车站资源最大程度吸引周边乘客,也能减少投资成本,还能协调车站、线路设计与城市规划三者之间的相互关系。

现阶段在城市轨道交通站点选址的影响因素方面，李峰研究了被轨道交通站点所影响的各种因素，从交通功能、经济效益、建设实施性、可持续发展四个方面建立轨道交通车站分布的评价指标体系。傅搏峰运用步行半径法演绎了站点聚集效应距离衰减函数曲线，将车站范围内的用地当作主要影响因素对站点功能进行划分。张宁结合个人属性因素、出行时间因素、步行环境因素等，提出了居民出行的多项Logit模型，并以此为基础建立了确定步行接驳范围的方法，通过结果可以对已有站点进行评价，也可以对即将建立的站点进行预测，为合理确定站点提供支持。

现阶段在城市轨道交通站点选址的研究中，优化轨道交通站点的站间距占据很高比例。魏金丽通过对影响轨道交通站点分布因素的研究，如客流分布特征、城市土地利用政策等，以轨道线路系统的总成本最小为目标函数，建立最优站间距优化模型，并根据其优化结果，对轨道交通的站点设置进行了优化。然而城市轨道交通站点的服务对象主要是城市居民，但目前很少有研究利用人口空间分布对城市轨道交通站点的进行选址。

随着现代网络技术的不断发展,WiFi在人们生活中扮演着越来越重要的角色。某个区域的WiFi数量一定程度上反映了该区域某个时段的人口数量，对研究城市的发展规划有着很大的利用价值。一般一个路由器最大接入数量是254个终端，通过对WiFi密度的分析可以辅助支持人口分布和普查工作。本发明基于WiFi数据的密度预测新建站点的位置，这其中涉及到空间数据的聚类。高斯混合模型聚类算法是一种统计混合模型的聚类方法。因此本发明将基于高斯混合模型聚类对数据进行聚类，预测新建站点的位置。下面对高斯混合模型涉及的一些基本概念进行简单介绍。

高斯混合模型是多个单高斯分布函数的组合，每个单高斯分布是一个子分布。理论上高斯混合聚类可以拟合出任意类型的分布，通常用于解决同一集合下的数据包含多种不同的分布的情况。高斯混合模型使用了期望最大(EM)算法对含有隐变量的模型进行训练。EM算法通过迭代地构造似然函数下限的方式不断地提升似然函数的取值,从而完成对含有隐变量模型的参数估计。

发明内容

本发明的目的在于提供一种基于动态网格划分的轨道交通站点选址预测方法。首先提出了一种能够适应研究对象的空间分布情况的动态网格划分算法，对城市进行划分，然后确定轨道交通站点覆盖及未覆盖网格。最后通过对未覆盖网格内的WiFi进行聚类预测新建轨道交通站点的位置。

为实现上述目的，本发明采用的技术方案为一种基于动态网格划分的站点预测分析方法，在介绍该方法的具体实现之前，为了更好的理解本发明提出的方法，首先介绍本发明中涉及到的两个定义。

定义一:城市轨道交通线路集合Lines＝{line₁,…,line_i,...,line_n}，城市轨道交通站点集合Stations＝{s₁,s₂,...,s_i,...,s_n}，轨道交通线路Lines是城市轨道交通线的集合，能被表示为其中line_t＝{s^t ₁,…,s^t _i,…,s^t _n}，s^t _i表示第t个轨道交通线路的第i个站点。

定义二:网格编号grid_i。lng_i和lat_i分别表示网格i右上角的经度和纬度，在确定网格焦点的经纬度(centerLng,centerLat)以及网格步长width之后，网格i的编号被表示为grid_i＝(x,y),其中x＝(lng_i–centerLng)/width,y＝(lat_i–centerLat)/width。因此轨道交通站点覆盖的网格可以被表示为Cov(s_i)＝{grid₁,…,grid_i,…,grid_n},其中grid_t表示站点s_i覆盖的第t个网格。

确定动态网格划分的焦点及网格步长的过程包括以下步骤：

步骤一：确定每条轨道交通线路距离最近的相邻轨道交通站点。为了得到合适的网格步长，minDistance_i＝min{distance(s_j,s_j+1)}，i表示第i条轨道交通线路，j表示第i条轨道交通线路的第j个轨道交通站点，j>＝0；

步骤二：已经得到每条轨道交通线路距离最近的相邻轨道交通站点，通过比较得到所有线路中距离最小的相邻轨道交通站点s_t,s_t+1，最小距离为minDistance＝min{minDistance_i}；

步骤三：已经得到所有线路中距离最小的相邻轨道交通站点s_t,s_t+1，以s_t,s_t+1的中点为网格的焦点focus，焦点距轨道交通站点s_t或s_t+1的垂直距离为dis_v，水平距离为dis_h，因此确定网格的步长为width＝2*max{dis_v，dis_h}。网格焦点与轨道交通站点的位置如图1所示。其中红色的点表示网格焦点，黑色点表示轨道交通站点。

目前大多数研究都采取固定的网格步长及人为确定网格焦点对空间进行划分，不能依据研究对象的空间分布确定合适的步长及焦点。然而网格步长大小决定网格的数量的多少，网格数量的多少直接影响计算结果的精度和计算规模的大小。一般来讲，网格数量增加，计算精度会有所提高，但同时计算规模也会增加，所以在确定网格数量时应权衡两个因数综合考虑。因此选定了适应不同场景及地区的动态网格划分算法，该算法可以依据研究对象的空间分布，动态确定网格的焦点及步长，避免人为主观因素的干扰。

已经得到了网格的焦点和步长，依据轨道交通站点的辐射半径确定城市轨道交通站点未覆盖的网格的过程包括以下步骤：

步骤一：选择合适的距离作为轨道交通站点的辐射半径。如果网格在轨道交通站点的辐射范围内且被辐射面积大于或等于网格面积的一半，则该网格被轨道交通站点覆盖，否则网格未被覆盖。

已经得到轨道交通站点未覆盖网格，依据高斯混合聚类法对未覆盖网格内的WiFi进行聚类预测新建轨道交通站点的位置：

步骤一：确定轨道交通站点未覆盖网格内的WiFi。在确定轨道交通站点未覆盖网格之后，对存储在数据库中的WiFi数据进行查找，确定处于未覆盖网格内的WiFi数据。

步骤二：预测新建轨道交通站点的位置。假设越靠近轨道交通站点，WiFi密度越大，即WiFi密度在轨道交通站点附近呈高斯分布。因此依据未覆盖网格内WiFi的位置信息及新建站点的数量作为输入，对其进行高斯混合聚类，输出新建轨道交通站点的地理位置。

附图说明

图1为网格划分示意图。

图2为古城地铁站点覆盖网格示意图。

具体实施方式

为了使发明的目的、技术方案和特点更加清楚明白，以下结合具体实施例子，并参照附图，对本发明进行进一步的细化说明。本发明以北京市的轨道交通系统为例，具体实施方式如下：

首先，依据北京市的轨道交通站点空间分布确定动态网格划分的网格焦点与步长。

步骤一：首先根据北京市轨道交通线路的站点的位置信息，计算每条轨道交通线路相邻交通站点的距离，通过比较得出每条轨道交通线路距离最近的相邻交通站点。

步骤二：已经得到了每条轨道交通线路距离最近的相邻交通站点，通过比较可以得到北京轨道交通系统中距离最近的相邻交通站点，即南礼士路站和复兴门站。

步骤三：得到距离最近的相邻轨道交通站点后，以其中心点为网格焦点，焦点距距离最近的相邻交通站点的垂直距离为dis_v，水平距离为dis_h，因此网格步长width＝2*max{dis_v，dis_h}。依据以上步骤，经计算北京市的网格步长为445m。

在Algorithm1中描述了对北京市进行动态网格划分确定网格焦点及步长的整个过程。

然后，依据轨道交通站点的辐射半径确定城市轨道交通站点未覆盖的网格。

步骤一：在《城市道路交通规划设计规范》中将交通站点覆盖半径划分为300m、500m及800m，而800m辐射半径更适合于轨道交通这样大运营量的骨干公共交通的分析，因此选择800m作为轨道交通站点的辐射半径。在轨道交通站点的辐射范围内且被辐射面积大于或等于网格面积的一半则该网格被轨道交通站点覆盖，否则未被覆盖。以古城地铁站为例，如图2所示，图中红色的点表示古城地铁站，圆形区域为地铁站点服务范围，网格为被古城地铁站覆盖的网格。

在Algorithm2中描述了获取轨道交通站点未覆盖网格的整个过程。

然后，对轨道交通站点未覆盖的网格内的WiFi进行聚类预测新建交通站点的位置。

步骤一：确定轨道交通站点未覆盖网格内的WiFi。将北京市的WiFi数据存储于MySQL数据库中，查找位于未覆盖网格内的WiFi数据。本发明以北京市中心城区([116.306238,39.853762],[116.483442,39.974105])为例。

步骤二：将北京市中心城区预测站点位置与2013年后实际新建站点位置进行对比。2013年后新建站点共108个，中心区域新建轨道交通站点48个，因此预测新建轨道交通站点数为48。

由于站点选址要考虑到工程施工技术的可实现性，例如原有线路的线型、坡度及城市道路及建筑等，需要及时调整更改站点位置。因此为了测量聚类结果的有效性，我们选择以预测的站点位置为中心，选择600m、800m及1200m为容错半径。如果实际新增站点在预测站点的容错半径内，则表明该站点被预测到了。最终的预测准确率acc＝在容错半径内的实际新增站点数/实际新增站点数。结果如表1所示。实验结果表明，该方法能有效地预测新建站点的位置。

表1不同半径的预测准确率

	600m	800m	1200m
				预测准确率	0.5417	0.7917	0.917

Claims (1)

1.一种基于动态网格划分的轨道交通站点选址预测方法，其特征在于：定义城市轨道交通站点集合Stations＝{s₁,s₂,...,s_i,...,s_n}；

S1确定动态网格划分的焦点及网格步长的过程包括以下：

S11：确定每条轨道交通线路距离最近的相邻轨道交通站点；为了得到合适的网格步长，minDistance_i＝min{distance(s_j,s_j+1)}，i表示第i条轨道交通线路，j表示第i条轨道交通线路的第j个轨道交通站点，j>＝0；

S12：已经得到每条轨道交通线路距离最近的相邻轨道交通站点，通过比较得到所有线路中距离最小的相邻轨道交通站点(s_t,s_t+1)，最小距离为minDistance＝min{minDistance_i}；

S13：已经得到所有线路中距离最小的相邻轨道交通站点s_t,s_t+1，以s_t,s_t+1的中点为网格的焦点focus，焦点距轨道交通站点s_t或s_t+1的垂直距离为dis_v，水平距离为dis_h，因此确定网格的步长为width＝2*max{dis_v，dis_h}；

S2基于轨道交通站点的辐射半径确定城市轨道交通站点未覆盖的网格的过程如下：选择合适的距离作为轨道交通站点的辐射半径；如果网格在轨道交通站点的辐射范围内且被辐射面积大于或等于网格面积的一半，则该网格被轨道交通站点覆盖，否则网格未被覆盖；

S3基于高斯混合聚类法对未覆盖网格内的WiFi进行聚类预测新建轨道交通站点的位置如下：

S31：确定轨道交通站点未覆盖网格内的WiFi；在确定轨道交通站点未覆盖网格之后，对存储在数据库中的WiFi数据进行查找，确定处于未覆盖网格内的WiFi数据；

S32：预测新建轨道交通站点的位置；越靠近轨道交通站点，WiFi密度越大，即WiFi密度在轨道交通站点附近呈高斯分布；因此依据未覆盖网格内WiFi的位置信息及新建站点的数量作为输入，对其进行高斯混合聚类，输出新建轨道交通站点的地理位置。