CN113947719A - 基于多源数据的轨道站点骑行接驳综合活力评估方法 - Google Patents
基于多源数据的轨道站点骑行接驳综合活力评估方法 Download PDFInfo
- Publication number
- CN113947719A CN113947719A CN202111244199.9A CN202111244199A CN113947719A CN 113947719 A CN113947719 A CN 113947719A CN 202111244199 A CN202111244199 A CN 202111244199A CN 113947719 A CN113947719 A CN 113947719A
- Authority
- CN
- China
- Prior art keywords
- riding
- connection
- data
- station
- rail
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 18
- 230000000694 effects Effects 0.000 claims abstract description 60
- 238000005070 sampling Methods 0.000 claims abstract description 15
- 230000011218 segmentation Effects 0.000 claims abstract description 9
- 238000013135 deep learning Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000005065 mining Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims abstract description 5
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000011160 research Methods 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 19
- 238000002955 isolation Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多源数据的轨道站点骑行接驳综合活力评估方法,包括:基于共享单车数据,确定各轨道站点骑行接驳距离,构建轨道站点骑行接驳骑行活力指标;获取轨道站点骑行接驳区域内的城市道路网数据、兴趣点数据,通过处理得到道路数据采样点并提取多视角街景图片,构建轨道站点骑行接驳用地活力指标;通过深度学习算法训练语义分割及目标物识别模型,构建轨道站点骑行接驳环境活力指标;基于轨道站点骑行接驳骑行活力、用地活力、环境活力指标,对轨道站点骑行接驳区域进行分析,得到城市各轨道站点骑行接驳活力分布模式,挖掘轨道站点骑行接驳活跃程度与城市骑行空间环境的关系。本发明可获取、可对比、可量化评估不同地区、不同轨道站点骑行接驳情况,精细化评估轨道站点骑行接驳活力,为城市交通规划与设施建设提供参考依据。
Description
技术领域
本发明涉及城乡规划及地理图像领域,特别是涉及一种基于多源数据的轨道站点骑行接驳综合活力评价方法。
背景技术
随着“双碳目标”的提出,人们日益注重低碳出行方式,采用共享单车作为日常出行工具,其与地铁的衔接有助于扩大地铁的辐射范围,提高出行效率。同时,各大城市立足于城市健康可持续发展,逐步建立起城市体检与评估的相关指标体系,主要从宏观角度探究城市发展新理念与城市居住、出行环境高质量发展之间的关系,仍欠缺基于轨道站点骑行接驳区域的评估标准,可针对性提出轨道站点接驳活跃程度与城市骑行空间环境的关系。
因此,在大数据驱动下,急需设计一种流程化实现大范围数据挖掘、数据提取及深度分析,可获取、可对比、可量化评估不同地区、不同轨道站点骑行接驳情况,精细化评估轨道站点骑行接驳活力的评估方法。为改善骑行空间环境品质、完善慢行交通基础设施建设、提升轨道服务范围、加强共享单车治理、促进居民绿色出行做出指导建议。
发明内容
本发明的目的在于,提出一种基于多源数据的轨道站点骑行接驳综合活力评估方法,系统、高效且客观地评价轨道站点骑行接驳综合活力,挖掘轨道站点骑行接驳活跃程度与城市骑行空间环境的关系,有助于指导轨道周边骑行设施与环境的精细化设计,提高共享单车治理、促进城市绿色出行。
本发明是通过采用下述技术方案来解决上述技术问题的:
本发明提供了一种基于多源数据的轨道站点骑行接驳综合活力评估方法,其特点在于,所述评估方法包括:
步骤一、基于共享单车数据,确定各轨道站点骑行接驳距离,构建轨道站点骑行接驳骑行活力指标;
步骤二、根据步骤一获取的各轨道站点骑行接驳距离,获取骑行接驳区域内的城市道路网、兴趣点数据,通过处理得到道路数据采样点并提取多视角街景图片,构建骑行接驳骑行活力指标;
步骤三、通过深度学习算法训练语义分割及目标物识别模型,提取街景特征要素,构建轨道站点骑行接驳环境活力指标;
步骤四、基于轨道站点骑行接驳骑行活力、用地活力、环境活力指标,对轨道站点骑行接驳区域进行分析,得到城市各轨道站点骑行接驳活力分布模式,挖掘轨道站点骑行接驳活跃程度与城市骑行空间的关系。
优选地,所述步骤一包括:
提取共享单车数据:提取共享单车全日出行数据,包括用户ID、车辆编号、租车起终点时间、租车起终点经纬度坐标。
数据清洗:剔除共享单车不完整数据、未移动数据;剔除超出轨道交通运营时间数据、骑行时间大于1h数据;剔除出行距离大于10Km数据;剔除平均骑行速度大于30Km/h数据。
计算轨道站点骑行接驳距离:建立轨道站点800米缓冲区,统计该区域内共享单车出行距离情况,选取第85%位出行距离为该站点接驳范围。
计算骑行接驳骑行活力指标:根据上述所求的轨道站点接驳范围计算轨道站点骑行接驳骑行活力指标。
优选地,所述步骤二包括:
获取轨道站点骑行接驳区域内的城市道路网数据、兴趣点数据:获取研究区域的城市道路网,将道路向两侧拓宽一定距离构建缓冲区,以丰富街道提取要素;获取研究区域内不同类别的兴趣点数据,并进行数据清洗。
获取轨道站点骑行接驳区域内的道路数据采样点,并提取多视角街景图片:根据研究区域内的城市路网非机动车道数据,以每50米为采样间隔提取街景采样经纬度,通过调用百度地图API获取前、后、左、右四个方位的街景图像。
计算轨道站点骑行接驳用地活力指标:通过研究区域内的城市道路网、兴趣点数据,计算相应的轨道站点骑行接驳用地活力指标。
优选地,所述步骤三包括:
将多视角的街景图片应用于训练好的PSPNET语义分割模型,提取各街景特征要素彩图,并通过四个方位对特征要素求均值,得到最终的街景语义特征要素数据;将多视角的街景图片应用于训练好的YOLO目标识别模型,提取各街景特征目标物,并对目标物进行统计,得到街景目标物数据;通过街景语义特征要素数据、街景目标物数据构建轨道站点骑行接驳环境活力指标。
优选地,所述步骤四包括:
基于轨道站点骑行接驳骑行活力、用地活力、环境活力指标,并通过ArcGIS平台对轨道站点骑行接驳区域进行分析,可视化分析各站点/街道骑行接驳活力情况,得到城市各轨道站点骑行接驳综合活力分布模式,挖掘轨道站点骑行接驳活跃程度与城市骑行空间的关系。
本发明的积极进步效果在于:
根据本发明的基于多源数据的轨道站点骑行接驳综合活力评估方法,融合了街景语义及目标物数据、城市道路网数据、城市兴趣点数据、共线单车骑行特征数据,系统、高效且客观地评价了轨道站点骑行接驳活力。该方法考虑市民骑行出行特征,充分挖掘微观城市空间品质要素、宏观用地类型划分,可获取、可对比、可量化评估不同地区、不同轨道站点骑行接驳情况,有效地对比人因与骑行用地、环境优劣的密切关系。因此,该方法在城市交通体检、国土规划、交通规划和管理中具有广泛的指导建议。
附图说明
图1为本发明基于多源数据的轨道站点骑行接驳综合活力评估方法的流程示意图。
图2为本发明的指标体系图。
具体实施方式
下面结合说明书附图,进一步对本发明进行详细描述,以下的描述为示例性的,并不限定于本发明。
本发明轨道站点骑行接驳活力指标涉及的术语/变量做的定义或说明如下,其中部分定义或说明仅为了便于理解下文涉及的公式。并且,应当理解的是,下述定义或说明为说明性而非限制性的理解。
本发明采用的技术方案为一种基于多源数据的轨道站点骑行接驳综合活力评估方法,包括:基于共享单车数据,确定各轨道站点骑行接驳距离,构建轨道站点骑行接驳骑行活力指标;获取轨道站点骑行接驳区域内的城市道路网数据、兴趣点数据,通过处理得到道路数据采样点并提取多视角街景图片,构建轨道站点骑行接驳用地活力指标;通过深度学习算法训练语义分割及目标物识别模型,提取街景特征要素,构建轨道站点骑行接驳环境活力指标;基于轨道站点骑行接驳骑行活力、用地活力、环境活力指标,对轨道站点骑行接驳区域进行分析,得到城市各轨道站点骑行接驳活力分布模式,挖掘轨道站点骑行接驳活跃程度与城市骑行空间环境的关系。本发明综合宏微观尺度对轨道站点进行评价,可获取、可对比、可量化评估不同地区、不同轨道站点骑行接驳情况,精细化评估轨道站点骑行接驳活力,为城市交通规划与设施建设提供参考依据。
参照图1,图1为本发明基于多源数据的轨道站点骑行接驳综合活力评估方法的流程示意图,其特征在于,包括以下步骤:
S1、基于共享单车数据,确定各轨道站点骑行接驳距离,构建轨道站点骑行接驳骑行活力指标;
S2、获取骑行接驳区域内的城市道路网数据、兴趣点数据,通过处理得到道路数据采样点并提取多视角街景图片,构建轨道站点骑行接驳用地活力指标;
S3、通过深度学习算法训练语义分割及目标物识别模型,提取街景特征要素,构建轨道站点骑行接驳环境活力指标;
S4、基于轨道站点骑行接驳骑行活力、用地活力、环境活力指标,对轨道站点骑行接驳区域进行分析,得到城市各轨道站点骑行接驳活力分布模式,挖掘轨道站点骑行接驳活跃程度与城市骑行空间的关系。
进一步地,所述步骤S1包括:
S11:提取共享单车全日出行数据,不限车辆品牌类型,提取共享单车全日出行数据,包括用户ID、车辆编号、租车起终点时间、租车起终点经纬度坐标。
S12:剔除共享单车不完整的数据、车辆未移动的数据;剔除超出轨道交通运营时间数据、骑行时间大于1h数据;剔除出行距离大于10Km数据;剔除平均骑行速度大于30Km/h数据。
S13:建立轨道站点800米缓冲区,统计该区域内共享单车出行距离情况,选取第85%位出行距离为该站点接驳范围。
S14:基于轨道站点骑行接驳范围,构建并计算轨道站点骑行接驳骑行活力指标。具体实现时,轨道站点骑行接驳骑行活力指标主要为骑行特性,包括:日均骑行接驳总量、平均骑行接驳距离、平均骑行接驳时耗、用户夜间骑行接驳占比,计算方式如下:
1、日均骑行接驳总量
该指标表示各轨道站点接驳范围内出发及到达的共享单车骑行接驳总量的日平均值,计算方式如下:
其中,n为轨道站点编号,i为统计天数,CNproduct为轨道站点骑行产生总量,CNattraction为轨道站点骑行吸引总量。
2、平均骑行接驳距离
该指标表示各轨道站点接驳范围内出发及到达的共享单车骑行接驳距离的平均值,计算方式如下:
其中,n为轨道站点编号,i为骑行产生用户数,j为骑行到达用户数,CDproduct为每位用户从轨道站点出发的骑行距离,CDattraction为每位用户到达轨道站点的骑行距离。
3、平均骑行接驳时耗
该指标表示各轨道站点接驳范围内出发及到达的共享单车骑行接驳时耗的平均值,计算方式如下:
其中,n为轨道站点编号,i为骑行产生用户数,j为骑行到达用户数,CTproduct为每位用户从轨道站点出发的骑行时耗,CTattraction为每位用户到达轨道站点的骑行时耗。
4、用户夜间骑行接驳占比
该指标表示轨道站点骑行接驳范围内夜间骑行量与总出行量的比值(夜间骑行时间为晚8点-轨道运营结束时间),计算方式如下:
其中,n为轨道站点编号,i为骑行产生用户数,j为骑行到达用户数,NCNproduct为用户夜间从轨道站点出发的数量,NCNattraction为用户夜间到达轨道站点的数量,CNn为骑行接驳总量。
进一步地,所述步骤S2包括:
S21:从开放数据平台获取OpenStreetMap获取城市道路数据,该数据包括城市快速路、主干道、次干道、支路、非机动车道、公交设施、地铁站点及线路。从开放数据平台百度地图获取兴趣点数据,该数据类型来源于该平台分类标准,包含教育机构、医疗、购物、美食、旅游景点、生活服务、交通设施等。需要说明的是,开放数据平台及分类标准不限于上述方式。
S22:基于轨道站点骑行接驳范围,构建并计算轨道站点骑行接驳用地活力指标。具体实现时,轨道站点骑行接驳用地活力指标主要为便捷性和连续性。
其中,便捷性指标包括:服务可达性、功能多样性、供给适配性;连续性指标包括:路网通达性、道路连通性、道路宽敞度。
需要说明的是,以下表述的研究区域为轨道站点骑行接驳区域。
1、服务可达性
该指标表示轨道站点骑行接驳范围内兴趣点的密度,体现了城市慢行环境空间服务的能力,计算方式如下:
其中,n为轨道站点编号,PS为研究区域内兴趣点总量,A1为研究区域总用地面积。
2、功能多样性
该指标表示轨道站点骑行接驳范围内土地利用功能类型的混合度,体现了不同兴趣点类型下用地功能的多样性,计算方式如下:
其中,n为轨道站点编号,c为研究区域内各土地利用类型总数,Pk为研究区域内各土地利用类型k的百分比。
3、供给适配性
该指标表示轨道站点骑行接驳范围内地铁线路数、公交线路数和共享单车投放量的供给情况,并采用权重综合计算表征,计算方式如下:
Supply Suitabilityn=0.4*SRN+0.3*BRN+0.3*SBN
其中,n为轨道站点编号,SRN为研究区域内地铁线路数量,BRN为研究区域内公交线路数量,SBN为研究区域内共享单车数量。
4、路网通达性
该指标表示轨道站点骑行接驳范围内的非机动车道道路网密度值,体现了街道空间联系接触作用的强弱,计算公式如下:
其中,n为轨道站点编号,L为研究区域内非机动车道总长度,A1为研究区域总用地面积。
5、道路连通性
该指标表示轨道站点骑行接驳范围内非机动车道路网中各节点间进行移动的难易程度,计算公式如下:
其中,n为轨道站点编号,L为接驳范围内非机动车道总长度,ε为非直线系数,m为接驳范围内的节点数,H为相邻两节点间的平均空间直线距离/Km,A1为研究区域总用地面积。
6、道路宽敞度
该指标表示轨道站点骑行接驳范围内平均有效非机动车道宽度,计算方式如下:
其中,n为轨道站点编号,i为研究区域内非机动车道数,D为自行车道设计宽度/m,γ为机非隔离修正系数,α为人非隔离修正系数。当机非隔离为物理隔离时,γ=1;当车行道无物理隔离时,γ=0.9;当人非不共板时,α=1;当人非共板时,α=0.9。
S23:基于骑行接驳区域内的城市道路网数据,转换为WGS-84坐标系,并在ArcGIS中转为点要素,以每50米为采样间隔,获取道路街景采样点的经纬度。然后,调用百度地图应用程序接口,利用Python语言编写网络爬虫批量获取采样点前、后、左、右四个角度的街景图片(水平视角heading分别设置为0°,90°,180°,270°;垂直视角pitch均设置为20°),每个视角的视线范围为90°(field of view,即FOV设置为90°),并剔除无街景图像的采样点。
进一步地,所述步骤S3包括:
S31:将多视角的街景图片应用于训练好的PSPNET语义分割模型,提取各街景特征要素彩图,并通过四个方位对要素特征求均值,得到最终的街景语义要素数据。
S32:将多视角的街景图片应用于训练好的YOLO目标识别模型,提取各街景特征目标物,并对目标物进行统计,得到街景目标物数据。
S33:基于上述街景语义要素及目标物数据,构建并计算轨道站点骑行接驳环境活力指标。具体实现时,轨道站点骑行接驳用地活力指标主要为舒适性和安全性。
其中,舒适性指标包括:街道绿视率、天空开阔度、建筑围合度、空间整洁度;安全性指标包括:标识指示度、骑行干扰度、灯杆照明度、护栏隔离度。
特别声明的是,下述轨道站点骑行接驳环境活力指标以站点维度计算,也可根据需求按照道路维度计算。
1、街道绿视率
该指标表示轨道站点骑行接驳范围内道路街景图片中绿色植被的面域像素比,计算公式如下:
其中,n为轨道站点编号,GV为所有街景图片中绿色植被的面域像素总量,A2为所有街景图片的面域像素总量。
2、天空开阔度
该指标表示轨道站点骑行接驳范围内道路街景图片中天空的面域像素比,计算公式如下:
其中,n为轨道站点编号,SV为街景图片中天空的面域像素总量,A2为所有街景图片的面域像素总量。
3、建筑围合度
该指标表示轨道站点骑行接驳范围内道路街景图片中建筑物及绿色植被的面域像素比,计算公式如下:
其中,n为轨道站点编号,SE1、SE2分别为所有街景图片中建筑物、绿色植被的面域像素总量,A2为所有街景图片的面域像素总量。
4、空间整洁度
该指标表示轨道站点骑行接驳范围内道路街景图片中柱体与小广告的面域像素比,计算公式如下:
其中,n为轨道站点编号,SS1、SS2分别为所有街景图片中柱体、小广告的面域像素总量,A2为所有街景图片的面域像素总量。
5、标识指示度
该指标表示轨道站点骑行接驳范围内道路街景图片中交通信号灯和交通标识的面域像素比,计算公式如下:
其中,n为轨道站点编号,SI1、SI2分别为所有街景图片中交通信号灯、交通标识的面域像素总量,A2为所有街景图片的面域像素总量。
6、骑行干扰度
该指标表示轨道站点骑行接驳范围内道路街景图片中车辆占用非机动车道的比例,计算公式如下:
其中,n为轨道站点编号,VN为轨道站点骑行接驳范围内占用非机动车道的车辆总数,A1为轨道站点接驳范围总用地面积。
7、灯杆照明度
该指标表示轨道站点骑行接驳范围内灯杆密度,计算公式如下:
其中,n为轨道站点编号,LS为轨道站点骑行接驳范围内灯杆总量,A1为轨道站点接驳范围总用地面积。
8、护栏隔离度
该指标表示轨道站点骑行接驳范围内道路街景图片中护栏的面域像素比,计算公式如下:
其中,n为轨道站点编号,BI为所有街景图片中护栏的面域像素总量,A2为所有街景图片的面域像素总量。
进一步地,所述步骤S4包括:
S41:基于轨道站点骑行接驳活力综合指标,通过ArcGIS平台研究轨道站点骑行接驳区域,可视化分析各站点/街道骑行接驳活力情况。
S42:根据综合评估结果,挖掘轨道站点骑行接驳活跃程度与城市骑行空间的关系,对活力评估指标较差区域可提出指导性划建议。
Claims (5)
1.基于多源数据的轨道站点骑行接驳综合活力评估方法,其特征在于,包括如下步骤:
(1)基于共享单车数据,确定各轨道站点骑行接驳距离,构建轨道站点骑行接驳骑行活力指标,包括:提取共享单车数据、共享单车数据清洗、计算各轨道站点骑行接驳总量、平均骑行接驳距离指标;
(2)获取轨道站点骑行接驳区域内的城市道路网数据、兴趣点数据,通过处理得到道路数据采样点并提取多视角街景图片,构建轨道站点骑行接驳用地活力指标;
(3)通过深度学习算法训练语义分割及目标物识别模型,提取街景特征要素,构建轨道站点骑行接驳环境活力指标;
(4)基于轨道站点骑行接驳骑行活力、用地活力、环境活力指标,对轨道站点骑行接驳区域进行分析,得到城市各轨道站点骑行接驳活力分布模式,挖掘轨道站点骑行接驳活跃程度与城市骑行空间环境的关系。
2.根据权利要求1所述的基于多源数据的轨道站点骑行接驳综合活力评估方法,其特征在于,所述的基于共享单车数据,确定各轨道站点骑行接驳距离,构建轨道站点骑行接驳骑行活力指标,包括:
(1)提取共享单车数据:提取共享单车全日出行数据,包括用户ID、车辆编号、租车起终点时间、租车起终点经纬度坐标;
(2)数据清洗:剔除共享单车不完整的数据、车辆未移动的数据;剔除超出轨道交通运营时间数据、骑行时间大于1h数据;剔除出行距离大于10Km数据;剔除平均骑行速度大于30Km/h数据;
(3)计算轨道站点骑行接驳距离:建立轨道站点800米缓冲区,统计该区域内共享单车出行距离情况,选取第85%位出行距离为该站点接驳范围;
(4)计算骑行接驳骑行活力指标:根据(3)所求的轨道站点接驳范围计算轨道站点骑行接驳骑行活力指标。
3.根据权利要求1所述的基于多源数据的轨道站点骑行接驳综合活力评估方法,其特征在于,所述的获取轨道站点骑行接驳区域内的城市道路网数据、兴趣点数据,构建轨道站点骑行接驳用地活力指标,通过处理得到道路数据采样点并提取多视角街景图片,包括:
基于开放数据平台获取轨道站点骑行接驳区域内的城市道路网数据、兴趣点数据,构建并计算相应的骑行接驳用地活力指标;根据研究区域内的城市道路网数据,以每50米为采样间隔,提取道路街景采样点的经纬度,并通过百度地图获取前、后、左、右四个角度的街景图像。
4.根据权利要求1所述的基于多源数据的轨道站点骑行接驳综合活力评估方法,其特征在于,通过深度学习算法训练语义分割及目标物识别模型,提取街景特征要素,构建轨道站点骑行接驳环境活力指标,包括:
将多视角的街景图片应用于训练好的PSPNET语义分割模型,提取各街景特征要素彩图,并通过四个方位对特征要素求均值,得到最终的街景语义特征要素数据;将多视角的街景图片应用于训练好的YOLO目标识别模型,提取各街景特征目标物,并对目标物进行统计,得到街景目标物数据;通过街景语义特征要素数据、街景目标物数据构建轨道站点骑行接驳环境活力指标。
5.根据权利要求1所述的基于多源数据的轨道站点骑行接驳综合活力评估方法,其特征在于,基于轨道站点骑行接驳骑行活力、用地活力、环境活力指标,对轨道站点骑行接驳区域进行分析,得到城市各轨道站点骑行接驳综合活力分布模式,挖掘轨道站点骑行接驳活跃程度与城市骑行空间环境的关系,包括:
基于上述指标,构建轨道站点骑行接驳综合活力指标,并通过ArcGIS平台研究轨道站点骑行接驳区域,可视化分析各站点/街道骑行接驳活力情况,得到城市各轨道站点骑行接驳综合活力分布模式,挖掘轨道站点骑行接驳活跃程度与城市骑行空间环境的关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111244199.9A CN113947719A (zh) | 2021-10-26 | 2021-10-26 | 基于多源数据的轨道站点骑行接驳综合活力评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111244199.9A CN113947719A (zh) | 2021-10-26 | 2021-10-26 | 基于多源数据的轨道站点骑行接驳综合活力评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113947719A true CN113947719A (zh) | 2022-01-18 |
Family
ID=79332551
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111244199.9A Pending CN113947719A (zh) | 2021-10-26 | 2021-10-26 | 基于多源数据的轨道站点骑行接驳综合活力评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113947719A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114626733A (zh) * | 2022-03-21 | 2022-06-14 | 北京工业大学 | 公共空间活力评测方法、装置、电子设备及存储介质 |
CN116894609A (zh) * | 2023-09-08 | 2023-10-17 | 北京交通发展研究院 | 一种基于半监督图神经网络的公交轨道接驳评价方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110902A (zh) * | 2019-04-16 | 2019-08-09 | 东南大学 | 一种共享单车接驳轨道交通站点的可达性测算方法 |
CN112184088A (zh) * | 2020-11-12 | 2021-01-05 | 同济大学 | 一种基于多源数据的城市可骑行性评价方法及系统 |
CN112561401A (zh) * | 2020-12-29 | 2021-03-26 | 中国地质大学(武汉) | 一种基于多源大数据的城市活力测度与表征方法及系统 |
CN113033959A (zh) * | 2021-02-26 | 2021-06-25 | 苏州城室科技有限公司 | 基于tod发展模式的轨道交通站点周边建成环境评价方法 |
-
2021
- 2021-10-26 CN CN202111244199.9A patent/CN113947719A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110902A (zh) * | 2019-04-16 | 2019-08-09 | 东南大学 | 一种共享单车接驳轨道交通站点的可达性测算方法 |
CN112184088A (zh) * | 2020-11-12 | 2021-01-05 | 同济大学 | 一种基于多源数据的城市可骑行性评价方法及系统 |
CN112561401A (zh) * | 2020-12-29 | 2021-03-26 | 中国地质大学(武汉) | 一种基于多源大数据的城市活力测度与表征方法及系统 |
CN113033959A (zh) * | 2021-02-26 | 2021-06-25 | 苏州城室科技有限公司 | 基于tod发展模式的轨道交通站点周边建成环境评价方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114626733A (zh) * | 2022-03-21 | 2022-06-14 | 北京工业大学 | 公共空间活力评测方法、装置、电子设备及存储介质 |
CN116894609A (zh) * | 2023-09-08 | 2023-10-17 | 北京交通发展研究院 | 一种基于半监督图神经网络的公交轨道接驳评价方法 |
CN116894609B (zh) * | 2023-09-08 | 2023-11-24 | 北京交通发展研究院 | 一种基于半监督图神经网络的公交轨道接驳评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xing et al. | Exploring travel patterns and trip purposes of dockless bike-sharing by analyzing massive bike-sharing data in Shanghai, China | |
D'Orso et al. | A GIS-based method for evaluating the walkability of a pedestrian environment and prioritised investments | |
Zuo et al. | Determining transit service coverage by non-motorized accessibility to transit: Case study of applying GPS data in Cincinnati metropolitan area | |
Lundberg et al. | Non-motorized transport and university populations: an analysis of connectivity and network perceptions | |
Basu et al. | How do street attributes affect willingness-to-walk? City-wide pedestrian route choice analysis using big data from Boston and San Francisco | |
Imani et al. | Cycle accessibility and level of traffic stress: A case study of Toronto | |
Gan et al. | Associations between built environment, perceived walkability/bikeability and metro transfer patterns | |
Ngo et al. | Effects of new urban greenways on transportation energy use and greenhouse gas emissions: A longitudinal study from Vancouver, Canada | |
CN113947719A (zh) | 基于多源数据的轨道站点骑行接驳综合活力评估方法 | |
Yiannakoulias et al. | Mapping commuter cycling risk in urban areas | |
Zhao et al. | Impact of land use on bicycle usage | |
Standen et al. | Determinants of mode and route change following the opening of a new cycleway in Sydney, Australia | |
Appleyard | New methods to measure the built environment for human-scale travel research: Individual access corridor (IAC) analytics to better understand sustainable active travel choices | |
Ding et al. | Role of exposure in bicycle safety analysis: Effect of cycle path choice | |
Chen et al. | Rail transit ridership: station-area analysis of Boston’s Massachusetts Bay transportation authority | |
Mitropoulos et al. | A composite index for assessing accessibility in urban areas: A case study in Central Athens, Greece | |
Lefebvre-Ropars et al. | A needs-gap analysis of street space allocation | |
Luo et al. | Spatially varying impacts of the built environment on physical activity from a human-scale view: using street view data | |
Zacharias | Environmental correlates of dock-less shared bicycle trip origins and destinations | |
Gao et al. | Does greenness bring more green travelling? Evidence from free-floating bike-sharing in Beijing | |
Buehler et al. | Bicycling in the Washington DC Region | |
Wang et al. | Evaluating the bikeability of urban streets using dockless shared bike trajectory data | |
Galanis et al. | Bikeability audit in urban road environment: Case study in the city of Volos, Greece | |
Ignaccolo et al. | Auditing streets’ pedestrian compatibility: A study of school sites’ requalification | |
Xu | BIKE-FRIENDLY STREETS IN ITHACA, NY: THE ROLE OF BUILT ENVIRONMENT ON REVEALED PREFERENCE FOR SHARING-BIKE ROUTE CHOICE IN SMALL NORTHERN CITIES |
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 |