CN115099542A - 跨城通勤出行生成和分布预测方法、电子设备及存储介质 - Google Patents

跨城通勤出行生成和分布预测方法、电子设备及存储介质 Download PDF

Info

Publication number
CN115099542A
CN115099542A CN202211032016.1A CN202211032016A CN115099542A CN 115099542 A CN115099542 A CN 115099542A CN 202211032016 A CN202211032016 A CN 202211032016A CN 115099542 A CN115099542 A CN 115099542A
Authority
CN
China
Prior art keywords
traffic
travel
distribution
matrix
generation
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
Application number
CN202211032016.1A
Other languages
English (en)
Other versions
CN115099542B (zh
Inventor
张晓春
李昌铃
刘恒
段谦
张凯
丘建栋
刘星
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Urban Transport Planning Center Co Ltd
Original Assignee
Shenzhen Urban Transport Planning Center Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Urban Transport Planning Center Co Ltd filed Critical Shenzhen Urban Transport Planning Center Co Ltd
Priority to CN202211032016.1A priority Critical patent/CN115099542B/zh
Publication of CN115099542A publication Critical patent/CN115099542A/zh
Application granted granted Critical
Publication of CN115099542B publication Critical patent/CN115099542B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Development Economics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Computing Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出跨城通勤出行生成和分布预测方法、电子设备及存储介质，属于交通需求预测技术领域。首先，提取现状职住数据和跨市通勤分布矩阵；其次，构建出行生成和出行分布模型并标定参数；再次，计算未来年各交通小区的产生量和吸引量；再次，计算未来年初始出行分布矩阵，利用增长率法调整出行分布矩阵；再次，判断当前循环次数，当前循环次数大于1且未来年出行生成结果满足预设的收敛条件，结束循环，输出未来年出行生成和分布预测结果，否则，更新人口可达性和岗位可达性指标，重复前述过程。本发明提高了跨城通勤出行生成和分布预测精度。

Description

跨城通勤出行生成和分布预测方法、电子设备及存储介质
技术领域
本申请涉及出行生成和分布预测方法，尤其涉及跨城通勤出行生成和分布预测方法、电子设备及存储介质，属于交通需求预测技术领域。
背景技术
交通需求分析及预测是交通规划工作的基础，其通过数学模型来解析现状和未来交通演变的数理规律，与规划方案相结合可以更精确且定量的评估交通建设与管理决策的改善效果，从而支持管理者进行科学决策。在城市空间形态不断演化的今天，由于交通可达性的提升、经济产业的转移、核心城市与周边城市住房成本及公共服务的差异等形成了跨市职住结构，在城市边界涌现出了大量跨城通勤出行，这给交通需求预测工作带来了新的挑战。现阶段，应用最广泛的交通需求预测方法仍是传统的四阶段法，即出行生成、出行分布、方式划分、交通分配，针对四阶段法中的每个步骤，学者们又提出了各种预测模型和方法。
目前，在出行生成和分布的预测中，一般采用的流程和方法是：分析现状出行生成量与社会经济指标之间的关系，得到生成率或回归系数，再结合对未来社会经济指标的研判得到未来年各交通小区的产生量和吸引量，进而采用重力模型或目的地选择模型得到交通小区之间的分布量。该技术中出行生成的预测结果仅与社会经济指标相关，结果固定，不受后续出行分布的空间形态和实际交通网络的影响，但对于跨城通勤出行而言，交通小区的区位及可达性会显著影响生成量，进而影响出行分布的预测结果。因此，有必要优化上述流程和方法以满足跨城通勤出行生成和分布预测精度的要求。
发明内容
在下文中给出了关于本发明的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分，也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。
鉴于此，为解决现有技术中存在的出行生成和分布预测精度低的技术问题，本发明提供一种跨城通勤出行生成和分布预测方法、电子设备及存储介质，通过手机信令数据识别现状职住和通勤出行，利用出行分布矩阵和阻抗矩阵构建各小区产生端阻抗和吸引端阻抗模型，进而引出人口可达性和岗位可达性指标，纳入出行生成模型中，采用目的地选择模型预测出行分布PA矩阵，并利用增长率法调整PA矩阵，采用出行生成-出行分布的循环结构使模型能更好的适应出行活动空间的变化以及经济产业要素的迁移，从而提升跨城通勤出行需求预测的精度。
方案一、一种跨城通勤出行生成和分布预测方法，包括以下步骤：
S1.利用手机信令数据提取现状职住数据和跨市通勤分布矩阵，具体包括常住人口识别、职住地识别和跨城通勤出行识别；
S2.基于出行阻抗和社会经济指标构建出行生成模型和出行分布模型，并标定模型参数，具体包括阻抗模型构建、出行生成模型构建及标定、出行分布模型构建及标定；
S3.利用S2所述标定的出行生成模型参数结合对未来年各项指标的研判计算第
Figure 910219DEST_PATH_IMAGE001
次循环未来年交通小区
Figure 76758DEST_PATH_IMAGE002
的产生量
Figure 232933DEST_PATH_IMAGE003
和吸引量
Figure 826725DEST_PATH_IMAGE004
；
S4.利用S2所述标定的出行分布模型参数结合对未来年各项指标的研判计算效用矩阵和选择概率矩阵，根据S3中未来年各交通小区产生量和选择概率矩阵计算初始出行分布矩阵，利用增长率法调整出行分布矩阵；
S5.若当前循环次数大于1且上述S3中出行生成结果满足预设的收敛条件，执行S6，否则，根据上述S4中出行分布矩阵重新计算产生端加权平均阻抗
Figure 435561DEST_PATH_IMAGE005
和吸引端加权平均阻抗
Figure 671371DEST_PATH_IMAGE006
，执行S3；
S6.根据S3所述未来年交通小区的产生量和吸引量结果和S4所述出行分布矩阵输出未来年跨市通勤出行生成和分布预测结果。
优选的，S1所述利用手机信令数据提取现状职住数据和跨市通勤分布矩阵；具体包括以下步骤：
S11.常住人口识别：基于驻留天数识别常住人口；对驻留天数超过2/3分析数据时间的用户，认定为常住人口；
S12.常住人口居住地和工作地识别：基于驻留位置、驻留时段和驻留时长识别常住人口的居住地和工作地；
居住地：对常住人口用户在居家时段[21:00-7:00+1d]累积驻留时长超过2/3分析数据时间的位置作为用户居住地；
工作地：对常住人口用户在工作日工作时段[9:00-17:00]累积驻留时长超过2/3分析数据时间的位置作为用户工作地；
S13.识别常住人口跨市通勤出行：根据出行时间、出行起讫点位置识别跨市通勤出行；
将早高峰时段[6:00-10:00]从居住地出发到工作地或晚高峰时段[17:00-20:00]从工作地出发到居住地，且工作地和居住地不在同一个城市的出行标记为跨市通勤出行，以居住地所在交通小区为起点，工作地所在交通小区为终点集计这些出行得到跨市通勤分布矩阵。
优选的，S2所述基于出行阻抗和社会经济指标构建出行生成和分布模型，并标定模型参数；具体包括以下步骤：
S21.构建阻抗模型：利用时间矩阵和费用矩阵，结合时间价值计算综合阻抗矩阵；利用综合阻抗矩阵和跨市通勤分布矩阵，以分布量为权重分别构建产生端加权平均阻抗和吸引端加权平均阻抗；
综合阻抗：
Figure 682052DEST_PATH_IMAGE007
式中，
Figure 712325DEST_PATH_IMAGE008
为交通小区
Figure 808457DEST_PATH_IMAGE002
到交通小区
Figure 316798DEST_PATH_IMAGE009
的综合阻抗，单位为分钟；
Figure 447565DEST_PATH_IMAGE010
为交通小区
Figure 648740DEST_PATH_IMAGE002
到交通小区
Figure 232168DEST_PATH_IMAGE009
的出行时间，单位为分钟；
Figure 544200DEST_PATH_IMAGE011
为交通小区
Figure 326212DEST_PATH_IMAGE002
到交通小区
Figure 635970DEST_PATH_IMAGE009
的出行费用，单位为元；
Figure 771941DEST_PATH_IMAGE012
为时间价值，单位为元/分钟；
产生端加权平均阻抗：
Figure 825348DEST_PATH_IMAGE013
其中，
Figure 665128DEST_PATH_IMAGE014
为交通小区
Figure 208104DEST_PATH_IMAGE002
产生端加权平均阻抗，单位为分钟；
Figure 500546DEST_PATH_IMAGE015
为交通小区
Figure 419960DEST_PATH_IMAGE002
到交通小区
Figure 114247DEST_PATH_IMAGE009
的出行量；
Figure 828125DEST_PATH_IMAGE016
为交通小区
Figure 873441DEST_PATH_IMAGE002
的产生量；
Figure 330967DEST_PATH_IMAGE017
为交通小区集合[1，2，3，……，n]；
吸引端加权平均阻抗：
Figure 879760DEST_PATH_IMAGE018
其中，
Figure 30119DEST_PATH_IMAGE019
为交通小区
Figure 297152DEST_PATH_IMAGE020
吸引端加权平均阻抗，单位为分钟；
Figure 558369DEST_PATH_IMAGE021
为交通小区
Figure 758406DEST_PATH_IMAGE020
的吸引量；
S22.构建出行生成模型，并标定模型参数的方法是：利用产生端加权平均阻抗和人口构建人口可达性指标，结合其他社会经济指标构建出行产生线性回归模型；利用吸引端加权平均阻抗和岗位构建岗位可达性指标，结合其他社会经济指标构建出行吸引线性回归模型；利用SPSS/Stata等软件标定出行产生和吸引模型参数；
出行产生模型：
Figure 548508DEST_PATH_IMAGE022
=
Figure 571346DEST_PATH_IMAGE023
Figure 105096DEST_PATH_IMAGE024
出行吸引模型：
Figure 628481DEST_PATH_IMAGE025
=
Figure 792746DEST_PATH_IMAGE026
Figure 96688DEST_PATH_IMAGE027
=
Figure 637391DEST_PATH_IMAGE028
Figure 812020DEST_PATH_IMAGE029
其中，
Figure 475083DEST_PATH_IMAGE030
为交通小区
Figure 938425DEST_PATH_IMAGE031
的人口可达性指标，
Figure 345136DEST_PATH_IMAGE032
为交通小区
Figure 843113DEST_PATH_IMAGE031
的第二产业岗位可达性指标，
Figure 411498DEST_PATH_IMAGE033
为交通小区
Figure 627716DEST_PATH_IMAGE031
的第三产业岗位可达性指标，
Figure 572538DEST_PATH_IMAGE034
为交通小区
Figure 925022DEST_PATH_IMAGE031
的人口，
Figure 664308DEST_PATH_IMAGE035
为交通小区
Figure 102242DEST_PATH_IMAGE031
的第二产业岗位数，
Figure 853685DEST_PATH_IMAGE036
为交通小区
Figure 60676DEST_PATH_IMAGE031
的第三产业岗位数，
Figure 970863DEST_PATH_IMAGE037
为交通小区
Figure 896093DEST_PATH_IMAGE031
的国民经济生产总值，
Figure 182718DEST_PATH_IMAGE038
~
Figure 509794DEST_PATH_IMAGE039
为待标定参数；
S23.构建出行分布模型，并标定模型参数的方法是：利用综合阻抗、小区社会经济指标和区位属性等构建效用函数；确定目的地选择概率计算公式；利用Biogeme等软件标定出行分布目的地选择模型参数；
起点在交通小区
Figure 856462DEST_PATH_IMAGE031
的出行选择交通小区
Figure 3410DEST_PATH_IMAGE040
的效用：
Figure 93725DEST_PATH_IMAGE041
式中，
Figure 275308DEST_PATH_IMAGE042
为交通小区
Figure 792877DEST_PATH_IMAGE043
选择交通小区
Figure 692700DEST_PATH_IMAGE044
的效用，
Figure 321127DEST_PATH_IMAGE045
为交通小区
Figure 357217DEST_PATH_IMAGE044
的岗位人口比，
Figure 780108DEST_PATH_IMAGE046
为交通小区
Figure 901647DEST_PATH_IMAGE044
的第二产业岗位占比，
Figure 348414DEST_PATH_IMAGE047
为交通小区
Figure 504589DEST_PATH_IMAGE044
的第三产业岗位占比，
Figure 363961DEST_PATH_IMAGE048
为交通小区
Figure 972796DEST_PATH_IMAGE044
的人均GDP，
Figure 880710DEST_PATH_IMAGE049
为交通小区
Figure 953708DEST_PATH_IMAGE044
所在城市等级，
Figure 921664DEST_PATH_IMAGE050
~
Figure 80113DEST_PATH_IMAGE051
为待标定参数。
起点在交通小区
Figure 854034DEST_PATH_IMAGE043
的出行选择交通小区
Figure 984801DEST_PATH_IMAGE044
的概率：
Figure 123658DEST_PATH_IMAGE052
其中，
Figure 238245DEST_PATH_IMAGE053
为交通小区
Figure 753540DEST_PATH_IMAGE043
选择交通小区
Figure 801130DEST_PATH_IMAGE044
的概率，
Figure 110889DEST_PATH_IMAGE054
表示
Figure 978350DEST_PATH_IMAGE055
的指数，
Figure 31757DEST_PATH_IMAGE056
表示交通小区集合[1，2，3，……，n]；
优选的，S4所述利用S23中标定的出行分布模型参数结合对未来年各项指标的研判计算效用矩阵和选择概率矩阵，根据S3中未来年各交通小区产生量和选择概率矩阵计算初始出行分布矩阵，进一步利用增长率法调整出行分布矩阵，具体包括以下步骤：
S41.利用S23中标定的出行分布模型参数结合对未来年各项指标的研判计算第
Figure 933854DEST_PATH_IMAGE057
次循环目的地选择效用
Figure 414514DEST_PATH_IMAGE058
和概率
Figure 37781DEST_PATH_IMAGE059
；
S42.利用S3中预测的发生量
Figure 691616DEST_PATH_IMAGE060
和S41中选择概率
Figure 651482DEST_PATH_IMAGE061
计算第
Figure 99781DEST_PATH_IMAGE057
次循环初始未来年跨城通勤分布矩阵，公式如下：
Figure 879518DEST_PATH_IMAGE062
S43.利用增长率法调整未来年跨城通勤分布矩阵；
当前各交通小区出行产生量和吸引量分别为：
Figure 337044DEST_PATH_IMAGE063
、
Figure 151416DEST_PATH_IMAGE064
；
当前产生量和吸引量调整系数计算公式为：
Figure 36196DEST_PATH_IMAGE065
、
Figure 303229DEST_PATH_IMAGE066
；
调整方法为：计算吸引端调整系数，按公式
Figure 564446DEST_PATH_IMAGE067
计算得到新矩阵，再计算产生端调整系数，按公式
Figure 233325DEST_PATH_IMAGE068
计算得到新矩阵，两次矩阵更新过程为一次循环，再重新计算吸引端调整系数，重复前述过程，多次循环迭代后至发生量和吸引量增长系数达到收敛标准后结束循环。
优选的，S43所述收敛标准为：
Figure 289005DEST_PATH_IMAGE069
and
Figure 43335DEST_PATH_IMAGE070
，
Figure 108243DEST_PATH_IMAGE071
，
Figure 631628DEST_PATH_IMAGE072
为设定允许误差。
优选的，S5所述收敛标准为：
Figure 795893DEST_PATH_IMAGE073
and
Figure 633924DEST_PATH_IMAGE074
，
Figure 705785DEST_PATH_IMAGE075
，
Figure 349256DEST_PATH_IMAGE076
为设定允许误差。
方案二、一种电子设备，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现方案一所述的一种跨城通勤出行分布预测方法的步骤。
方案三、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现方案一所述的一种跨城通勤出行分布预测方法。
本发明的有益效果如下：
1.将人口可达性和岗位可达性指标引入出行生成模型的指标中，使模型能够适用交通基础设施服务水平的变化，提高出行生成模型预测精度；
2.采用目的地选择模型预测跨城通勤出行分布，引入了目的地的产业经济要素、城市等级等指标，提高出行分布模型预测精度；
3.传统模型中仅有出行分布阶段的选择受到出行生成阶段影响，而没有考虑出行分布的空间形态对出行生成的影响，本发明提出的出行生成与出行分布联合模型，在出行分布完成之后，以小区间分布量为权重，更新各小区产生端和吸引端的阻抗，从而影响出行生成的结果，实现了小区间通勤活动空间的分布对小区总跨市通勤量的反馈。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为跨城通勤出行分布预测方法流程示意图。
具体实施方式
为了使本申请实施例中的技术方案及优点更加清楚明白，以下结合附图对本申请的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
实施例1、参照图1说明本实施方式，一种跨城通勤出行生成和分布预测方法，包括以下步骤：
S1.利用手机信令数据提取现状职住数据和跨市通勤分布矩阵；具体包括常住人口识别、常住人口职住地识别、跨市通勤出行识别三个步骤：
S11.常住人口识别：基于驻留天数识别常住人口；对驻留天数超过2/3分析数据时间的用户，认定为常住人口；空间范围为省级；
S12.常住人口居住地和工作地识别：基于驻留位置、驻留时段和驻留时长识别常住人口的居住地和工作地；
居住地：对常住人口用户在居家时段[21:00-7:00+1d]累积驻留时长超过2/3分析数据时间的位置作为用户居住地；
工作地：对常住人口用户在工作日工作时段[9:00-17:00]累积驻留时长超过2/3分析数据时间的位置作为用户工作地；
S13.识别常住人口跨市通勤出行：根据出行时间、出行起讫点位置识别跨市通勤出行；
将早高峰时段[6:00-10:00]从居住地出发到工作地或晚高峰时段[17:00-20:00]从工作地出发到居住地，且工作地和居住地不在同一个城市的出行，标记为跨市通勤出行，以居住地所在交通小区为起点，工作地所在交通小区为终点集计这些出行得到跨市通勤PA矩阵；
具体的，为了避免对每个出行个体单独分析的繁复工作，会按照地理位置、用地类型、行政区划等将研究区域划分为若干地理单元，划分后的每一个单元即为一个交通小区，后续的分析会将交通数据集计到各个小区或小区之间，如表1跨市通勤分布矩阵表，横坐标即为起点小区
Figure 746739DEST_PATH_IMAGE077
，纵坐标即为终点小区
Figure 475661DEST_PATH_IMAGE078
，单元格的值
Figure 820054DEST_PATH_IMAGE079
即为交通小区
Figure 114769DEST_PATH_IMAGE077
和
Figure 886416DEST_PATH_IMAGE078
之间跨市通勤出行量，行和即为交通小区
Figure 899372DEST_PATH_IMAGE077
跨市通勤产生量
Figure 781877DEST_PATH_IMAGE080
，列和即为交通小区
Figure 196678DEST_PATH_IMAGE078
跨市通勤吸引量
Figure 139226DEST_PATH_IMAGE081
，注意若交通小区
Figure 639478DEST_PATH_IMAGE077
和交通小区
Figure 325674DEST_PATH_IMAGE078
位于同一个城市，则
Figure 329402DEST_PATH_IMAGE079
为0。
表1跨市通勤分布矩阵表
OD 1 2 3 …… n P
1
Figure 442851DEST_PATH_IMAGE082
Figure 433329DEST_PATH_IMAGE083
Figure 657637DEST_PATH_IMAGE084
 ……
Figure 47030DEST_PATH_IMAGE085
Figure 65801DEST_PATH_IMAGE086
2
Figure 540645DEST_PATH_IMAGE087
Figure 568644DEST_PATH_IMAGE088
Figure 812543DEST_PATH_IMAGE089
 ……
Figure 267795DEST_PATH_IMAGE090
Figure 964356DEST_PATH_IMAGE091
3
Figure 530467DEST_PATH_IMAGE092
Figure 894452DEST_PATH_IMAGE093
Figure 520605DEST_PATH_IMAGE094
 ……
Figure 438883DEST_PATH_IMAGE095
Figure 808684DEST_PATH_IMAGE096
…… …… …… …… …… …… ……
n
Figure 27176DEST_PATH_IMAGE097
Figure 824231DEST_PATH_IMAGE098
Figure 486594DEST_PATH_IMAGE099
 ……
Figure 394507DEST_PATH_IMAGE100
Figure 467506DEST_PATH_IMAGE101
A
Figure 435462DEST_PATH_IMAGE102
Figure 859490DEST_PATH_IMAGE103
Figure 102252DEST_PATH_IMAGE104
 ……
Figure 498599DEST_PATH_IMAGE105
 Sum
S2.基于出行阻抗和社会经济等指标构建出行生成模型和出行分布模型，并标定模型参数；具体包括阻抗模型构建，出行生成模型构建及标定，出行分布模型构建及标定三个步骤：
S21.构建阻抗模型；利用时间矩阵和费用矩阵，结合时间价值计算综合阻抗矩阵；利用综合阻抗矩阵和跨市通勤分布矩阵，以分布量为权重分别构建产生端加权平均阻抗和吸引端加权平均阻抗；
综合阻抗：
Figure 637456DEST_PATH_IMAGE106
式中，
Figure 17622DEST_PATH_IMAGE107
为交通小区
Figure 532917DEST_PATH_IMAGE108
到交通小区
Figure 314928DEST_PATH_IMAGE109
的综合阻抗，单位为分钟；
Figure 624686DEST_PATH_IMAGE110
为交通小区
Figure 288886DEST_PATH_IMAGE108
到交通小区
Figure 873451DEST_PATH_IMAGE109
的出行时间，单位为分钟；
Figure 978810DEST_PATH_IMAGE111
为交通小区
Figure 725049DEST_PATH_IMAGE108
到交通小区
Figure 348316DEST_PATH_IMAGE109
的出行费用，单位为元；
Figure 939835DEST_PATH_IMAGE112
为时间价值，单位为元/分钟；
产生端加权平均阻抗：
Figure 430859DEST_PATH_IMAGE113
其中，
Figure 347999DEST_PATH_IMAGE114
为交通小区
Figure 190053DEST_PATH_IMAGE115
产生端加权平均阻抗，单位为分钟，
Figure 585263DEST_PATH_IMAGE116
为交通小区
Figure 461952DEST_PATH_IMAGE115
到交通小区
Figure 284414DEST_PATH_IMAGE109
的分布量，
Figure 613764DEST_PATH_IMAGE117
为交通小区
Figure 812665DEST_PATH_IMAGE115
的产生量，
Figure 543860DEST_PATH_IMAGE118
为交通小区集合[1，2，3，……，n]；
吸引端加权平均阻抗：
Figure 537224DEST_PATH_IMAGE119
其中，
Figure 353870DEST_PATH_IMAGE120
为交通小区
Figure 90882DEST_PATH_IMAGE121
吸引端加权平均阻抗，单位为分钟，
Figure 411005DEST_PATH_IMAGE122
为交通小区
Figure 840849DEST_PATH_IMAGE121
的吸引量；
S22.构建出行生成模型，并标定模型参数的方法是：利用产生端加权平均阻抗和人口构建人口可达性指标，结合其他社会经济指标构建出行产生线性回归模型；利用吸引端加权平均阻抗和岗位构建岗位可达性指标，结合其他社会经济指标构建出行吸引线性回归模型；利用SPSS/Stata等软件标定出行产生和吸引模型参数；
具体的，现状各项指标和产生吸引量均已获得，仅剩系数待标定；
具体的，现状各项人口岗位等指标在统计年鉴、统计公报中直接获取，现状的产生吸引量在S1手机信令数据中已经提取得到；
出行产生线性回归模型：
Figure 147721DEST_PATH_IMAGE123
=
Figure 422845DEST_PATH_IMAGE124
Figure 128633DEST_PATH_IMAGE125
出行吸引线性回归模型：
Figure 463799DEST_PATH_IMAGE126
=
Figure 255038DEST_PATH_IMAGE127
Figure 130590DEST_PATH_IMAGE128
=
Figure 894146DEST_PATH_IMAGE129
Figure 196952DEST_PATH_IMAGE130
其中，
Figure 678749DEST_PATH_IMAGE131
为交通小区
Figure 92412DEST_PATH_IMAGE132
的人口可达性指标，
Figure 710476DEST_PATH_IMAGE133
为交通小区
Figure 653024DEST_PATH_IMAGE132
的第二产业岗位可达性指标，
Figure 153275DEST_PATH_IMAGE134
为交通小区
Figure 573892DEST_PATH_IMAGE132
的第三产业岗位可达性指标，
Figure 108779DEST_PATH_IMAGE135
为交通小区
Figure 222228DEST_PATH_IMAGE132
的人口，
Figure 944197DEST_PATH_IMAGE136
为交通小区
Figure 168505DEST_PATH_IMAGE132
的第二产业岗位数，
Figure 295248DEST_PATH_IMAGE137
为交通小区
Figure 845178DEST_PATH_IMAGE132
的第三产业岗位数，
Figure 257705DEST_PATH_IMAGE138
为交通小区
Figure 348021DEST_PATH_IMAGE132
的国民经济生产总值，
Figure 529603DEST_PATH_IMAGE139
~
Figure 781593DEST_PATH_IMAGE140
为待标定参数；
S23.构建出行分布模型，并标定模型参数的方法是：利用综合阻抗、小区社会经济指标和区位属性等构建效用函数；确定目的地选择概率计算公式；利用Biogeme等软件标定出行分布目的地选择模型参数；
具体的，现状各项指标和出行分布量均已获得，仅剩系数待标定；
起点在交通小区
Figure 681416DEST_PATH_IMAGE141
的出行选择交通小区
Figure 309844DEST_PATH_IMAGE142
的效用：
Figure 611512DEST_PATH_IMAGE143
式中，
Figure 34403DEST_PATH_IMAGE144
为交通小区
Figure 421522DEST_PATH_IMAGE145
选择交通小区
Figure 853640DEST_PATH_IMAGE146
的效用，
Figure 540974DEST_PATH_IMAGE147
为交通小区
Figure 338028DEST_PATH_IMAGE146
的岗位人口比，
Figure 9181DEST_PATH_IMAGE148
为交通小区
Figure 182673DEST_PATH_IMAGE146
的第二产业岗位占比，
Figure 193355DEST_PATH_IMAGE149
为交通小区
Figure 238276DEST_PATH_IMAGE146
的第三产业岗位占比，
Figure 396725DEST_PATH_IMAGE150
为交通小区
Figure 108329DEST_PATH_IMAGE146
的人均GDP，
Figure 35834DEST_PATH_IMAGE151
为交通小区
Figure 174691DEST_PATH_IMAGE146
所在城市等级，
Figure 820436DEST_PATH_IMAGE152
~
Figure 70152DEST_PATH_IMAGE153
为待标定参数。
起点在交通小区
Figure 852163DEST_PATH_IMAGE145
的出行选择交通小区
Figure 161922DEST_PATH_IMAGE146
的概率：
Figure 294963DEST_PATH_IMAGE154
其中，
Figure 348369DEST_PATH_IMAGE155
为交通小区
Figure 250466DEST_PATH_IMAGE145
选择交通小区
Figure 731126DEST_PATH_IMAGE146
的概率，
Figure 85884DEST_PATH_IMAGE156
表示
Figure 942982DEST_PATH_IMAGE157
的指数，
Figure 702515DEST_PATH_IMAGE158
表示交通小区集合[1，2，3，……，n]；
S3.利用S22中标定的出行生成模型参数结合对未来年各项指标的研判计算第
Figure 354076DEST_PATH_IMAGE159
次循环未来年交通小区
Figure 461709DEST_PATH_IMAGE160
的产生量
Figure 653656DEST_PATH_IMAGE161
和吸引量
Figure 202449DEST_PATH_IMAGE162
；
S4.利用S23中标定的出行分布模型参数结合对未来年各项指标的研判计算效用矩阵和选择概率矩阵，根据S3中未来年各交通小区产生量和选择概率矩阵计算初始出行分布矩阵，利用增长率法调整出行分布矩阵，具体包括以下步骤：
S41.利用S23中标定的出行分布模型参数结合对未来年各项指标的研判计算第
Figure 352808DEST_PATH_IMAGE163
次循环目的地选择效用
Figure 619841DEST_PATH_IMAGE164
和概率
Figure 881058DEST_PATH_IMAGE165
；
S42.利用S3中预测的发生量
Figure 284358DEST_PATH_IMAGE166
和S41中选择概率
Figure 605618DEST_PATH_IMAGE167
计算第
Figure 422264DEST_PATH_IMAGE163
次循环初始未来年跨城通勤PA分布矩阵，公式如下：
Figure 159276DEST_PATH_IMAGE168
S43.利用增长率法调整未来年跨城通勤分布矩阵；
当前各交通小区出行产生量为：
Figure 479399DEST_PATH_IMAGE169
，
Figure 909243DEST_PATH_IMAGE170
当前各交通小区出行吸引量为：
Figure 950536DEST_PATH_IMAGE171
，
Figure 491239DEST_PATH_IMAGE172
当前产生量调整系数计算公式为：
Figure 197026DEST_PATH_IMAGE065
，
Figure 532193DEST_PATH_IMAGE173
当前吸引量调整系数计算公式为：
Figure 323431DEST_PATH_IMAGE066
，
Figure 402246DEST_PATH_IMAGE174
调整方法为：计算吸引端调整系数，按公式
Figure 962540DEST_PATH_IMAGE175
计算得到新矩阵，再计算产生端调整系数，按公式
Figure 468608DEST_PATH_IMAGE176
计算得到新矩阵，两次矩阵更新过程为一次循环，再重新计算吸引端调整系数，重复前述过程，多次循环迭代后至发生量和吸引量增长系数达到收敛标准后结束循环；
收敛标准：
Figure 12722DEST_PATH_IMAGE177
and
Figure 426385DEST_PATH_IMAGE178
，
Figure 310028DEST_PATH_IMAGE179
，
Figure 783734DEST_PATH_IMAGE180
为设定允许误差；
S5.若当前循环次数大于1且上述S3中出行生成结果满足预设的收敛条件，执行S6，否则，根据S4所述出行分布矩阵重新计算产生端加权平均阻抗
Figure 752827DEST_PATH_IMAGE181
和吸引端加权平均阻抗
Figure 704603DEST_PATH_IMAGE182
，执行S3；
收敛标准：
Figure 708331DEST_PATH_IMAGE183
and
Figure 556201DEST_PATH_IMAGE184
，
Figure 546679DEST_PATH_IMAGE185
，
Figure 770987DEST_PATH_IMAGE186
为设定允许误差；
S6.根据S3所述未来年交通小区的产生量和吸引量结果和S4所述出行分布矩阵输出未来年跨市通勤出行生成和分布预测结果。
本发明的缩略语和关键术语定义：
跨城通勤（Intercity Commuting）：在一个城市居住，在另一个城市工作而引发的通勤行为；
出行生成（Trip Generation）：通过各种数学方法预测研究区域内各交通小区的出行产生量（Production，P）和出行吸引量（Attraction，A）；
出行分布（Trip Distribution）：将出行生成阶段预测获得的各交通小区的产生量和吸引量转换成小区之间的空间PA量，即研究各小区产生量到了哪些小区，吸引量又是来自哪些小区；
PA矩阵：基家出行的出行分布矩阵。
实施例2、本发明的计算机装置可以是包括有处理器以及存储器等装置，例如包含中央处理器的单片机等。并且，处理器用于执行存储器中存储的计算机程序时实现上述的基于CREO软件的可修改由关系驱动的推荐数据的推荐方法的步骤。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
实施例3、计算机可读存储介质实施例
本发明的计算机可读存储介质可以是被计算机装置的处理器所读取的任何形式的存储介质，包括但不限于非易失性存储器、易失性存储器、铁电存储器等，计算机可读存储介质上存储有计算机程序，当计算机装置的处理器读取并执行存储器中所存储的计算机程序时，可以实现上述的基于CREO软件的可修改由关系驱动的建模数据的建模方法的步骤。
所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。

Claims (8)

1.跨城通勤出行生成和分布预测方法，其特征在于，包括以下步骤：
S1.利用手机信令数据提取现状职住数据和跨市通勤分布矩阵，具体包括常住人口识别、常住人口职住地识别、跨市通勤出行识别；
S2.基于出行阻抗和社会经济指标构建出行生成模型和出行分布模型，并标定模型参数，具体包括阻抗模型构建、出行生成模型构建及标定、出行分布模型构建及标定；
S3.利用S2所述标定的出行生成模型参数结合对未来年各项指标的研判计算第
Figure 15652DEST_PATH_IMAGE001
次循环未来年交通小区
Figure 932792DEST_PATH_IMAGE002
的产生量
Figure 777776DEST_PATH_IMAGE003
和吸引量
Figure 969723DEST_PATH_IMAGE004
；
S4.利用S2所述标定的出行分布模型参数结合对未来年各项指标的研判计算效用矩阵和选择概率矩阵，根据S3中未来年各交通小区产生量和选择概率矩阵计算初始出行分布矩阵，利用增长率法调整出行分布矩阵；
S5.判断当前循环次数，若当前循环次数大于1且S3所述未来年交通小区的产生量和吸引量结果满足预设的收敛条件，执行S6，否则，根据S4所述出行分布矩阵重新计算产生端加权平均阻抗
Figure 784095DEST_PATH_IMAGE005
和吸引端加权平均阻抗
Figure 668875DEST_PATH_IMAGE006
，执行S3；
S6.根据S3所述未来年交通小区的产生量和吸引量结果和S4所述出行分布矩阵输出未来年跨市通勤出行生成和分布预测结果。
2.根据权利要求1所述的跨城通勤出行生成和分布预测方法，其特征在于，S1所述利用手机信令数据提取现状职住数据和跨市通勤分布矩阵具体包括以下步骤：
S11.常住人口识别：基于驻留天数识别常住人口；对驻留天数超过2/3分析数据时间的用户，认定为常住人口；
S12.常住人口居住地和工作地识别：基于驻留位置、驻留时段和驻留时长识别常住人口的居住地和工作地；
居住地：对常住人口用户在居家时段[21:00-7:00+1d]累积驻留时长超过2/3分析数据时间的位置作为用户居住地；
工作地：对常住人口用户在工作日工作时段[9:00-17:00]累积驻留时长超过2/3分析数据时间的位置作为用户工作地；
S13.识别常住人口跨市通勤出行：根据出行时间、出行起讫点位置识别跨市通勤出行；
将早高峰时段[6:00-10:00]从居住地出发到工作地或晚高峰时段[17:00-20:00]从工作地出发到居住地，且工作地和居住地不在同一个城市的出行标记为跨市通勤出行，以居住地所在交通小区为起点，工作地所在交通小区为终点集计所有出行得到跨市通勤分布矩阵。
3.根据权利要求2所述的跨城通勤出行生成和分布预测方法，其特征在于，S2所述基于出行阻抗和社会经济指标构建出行生成和分布模型，并标定模型参数具体包括以下步骤：
S21.构建阻抗模型：利用时间矩阵和费用矩阵，结合时间价值计算综合阻抗矩阵；利用综合阻抗矩阵和跨市通勤分布矩阵，以分布量为权重分别构建产生端加权平均阻抗和吸引端加权平均阻抗；
综合阻抗：
Figure 935908DEST_PATH_IMAGE007
式中，
Figure 197125DEST_PATH_IMAGE008
为交通小区
Figure 928321DEST_PATH_IMAGE009
到交通小区
Figure 921684DEST_PATH_IMAGE010
的综合阻抗，单位为分钟；
Figure 738331DEST_PATH_IMAGE011
为交通小区
Figure 475343DEST_PATH_IMAGE009
到交通小区
Figure 61045DEST_PATH_IMAGE010
的出行时间，单位为分钟；
Figure 490889DEST_PATH_IMAGE012
为交通小区
Figure 529252DEST_PATH_IMAGE009
到交通小区
Figure 804376DEST_PATH_IMAGE010
的出行费用，单位为元；
Figure 513093DEST_PATH_IMAGE013
为时间价值，单位为元/分钟；
产生端加权平均阻抗：
Figure 848260DEST_PATH_IMAGE014
其中，
Figure 639498DEST_PATH_IMAGE015
为交通小区
Figure 718313DEST_PATH_IMAGE016
产生端加权平均阻抗，单位为分钟；
Figure 278607DEST_PATH_IMAGE017
为交通小区
Figure 50254DEST_PATH_IMAGE016
到交通小区
Figure 63209DEST_PATH_IMAGE018
的出行量；
Figure 945714DEST_PATH_IMAGE019
为交通小区
Figure 360515DEST_PATH_IMAGE020
的产生量；
Figure 303064DEST_PATH_IMAGE021
为交通小区集合[1，2，3，……，n]；
吸引端加权平均阻抗：
Figure 537736DEST_PATH_IMAGE022
其中，
Figure 20670DEST_PATH_IMAGE023
为交通小区
Figure 493239DEST_PATH_IMAGE018
吸引端加权平均阻抗，单位为分钟；
Figure 669006DEST_PATH_IMAGE024
为交通小区
Figure 594236DEST_PATH_IMAGE018
的吸引量；
S22.构建出行生成模型，并标定模型参数的方法是：利用产生端加权平均阻抗和人口构建人口可达性指标，结合其他社会经济指标构建出行产生线性回归模型；利用吸引端加权平均阻抗和岗位构建岗位可达性指标，结合其他社会经济指标构建出行吸引线性回归模型；利用SPSS/Stata软件标定出行产生和吸引模型系数：
出行产生模型：
Figure 895510DEST_PATH_IMAGE025
=
Figure 957007DEST_PATH_IMAGE026
Figure 303674DEST_PATH_IMAGE027
出行吸引模型：
Figure 716201DEST_PATH_IMAGE028
=
Figure 806517DEST_PATH_IMAGE029
Figure 988100DEST_PATH_IMAGE030
=
Figure 240089DEST_PATH_IMAGE031
Figure 936650DEST_PATH_IMAGE032
其中，
Figure 502760DEST_PATH_IMAGE033
为交通小区
Figure 866746DEST_PATH_IMAGE034
的人口可达性指标，
Figure 227320DEST_PATH_IMAGE035
为交通小区
Figure 676756DEST_PATH_IMAGE034
的第二产业岗位可达性指标，
Figure 46557DEST_PATH_IMAGE036
为交通小区
Figure 999470DEST_PATH_IMAGE034
的第三产业岗位可达性指标，
Figure 796524DEST_PATH_IMAGE037
为交通小区
Figure 467677DEST_PATH_IMAGE034
的人口，
Figure 641170DEST_PATH_IMAGE038
为交通小区
Figure 717097DEST_PATH_IMAGE034
的第二产业岗位数，
Figure 685053DEST_PATH_IMAGE039
为交通小区
Figure 577923DEST_PATH_IMAGE034
的第三产业岗位数，
Figure 289527DEST_PATH_IMAGE040
为交通小区
Figure 217032DEST_PATH_IMAGE034
的国民经济生产总值，
Figure 355889DEST_PATH_IMAGE041
~
Figure 532793DEST_PATH_IMAGE042
为待标定参数；
S23.构建出行分布模型，并标定模型参数的方法是：利用综合阻抗、小区社会经济指标和区位属性构建效用函数；确定目的地选择概率计算公式；利用Biogeme软件标定出行分布目的地选择模型参数；
起点在交通小区
Figure 313667DEST_PATH_IMAGE043
的出行选择交通小区
Figure 830099DEST_PATH_IMAGE044
的效用：
Figure 671016DEST_PATH_IMAGE045
式中，
Figure 272898DEST_PATH_IMAGE046
为交通小区
Figure 326305DEST_PATH_IMAGE047
选择交通小区
Figure 228402DEST_PATH_IMAGE048
的效用，
Figure 709062DEST_PATH_IMAGE049
为交通小区
Figure 66750DEST_PATH_IMAGE048
的岗位人口比，
Figure 923847DEST_PATH_IMAGE050
为交通小区
Figure 680451DEST_PATH_IMAGE048
的第二产业岗位占比，
Figure 332012DEST_PATH_IMAGE051
为交通小区
Figure 174066DEST_PATH_IMAGE048
的第三产业岗位占比，
Figure 569275DEST_PATH_IMAGE052
为交通小区
Figure 180385DEST_PATH_IMAGE048
的人均GDP，
Figure 268427DEST_PATH_IMAGE053
为交通小区
Figure 597777DEST_PATH_IMAGE048
所在城市等级，
Figure 796677DEST_PATH_IMAGE054
~
Figure 262294DEST_PATH_IMAGE055
为待标定参数；
起点在交通小区
Figure 521237DEST_PATH_IMAGE047
的出行选择交通小区
Figure 337883DEST_PATH_IMAGE048
的概率：
Figure 74895DEST_PATH_IMAGE056
其中，
Figure 660597DEST_PATH_IMAGE057
为交通小区
Figure 90441DEST_PATH_IMAGE047
选择交通小区
Figure 863225DEST_PATH_IMAGE048
的概率，
Figure 403928DEST_PATH_IMAGE058
表示
Figure 112645DEST_PATH_IMAGE059
的指数，
Figure 447812DEST_PATH_IMAGE060
表示交通小区集合[1，2，3，……，n]。
4.根据权利要求3所述的跨城通勤出行生成和分布预测方法，其特征在于，利用S2所述标定的出行分布模型参数结合对未来年各项指标的研判计算效用矩阵和选择概率矩阵，根据S3中未来年各交通小区产生量和选择概率矩阵计算初始出行分布矩阵，利用增长率法调整出行分布矩阵，具体包括以下步骤：
S41.利用S23中标定的出行分布模型参数结合对未来年各项指标的研判计算第
Figure 239050DEST_PATH_IMAGE061
次循环目的地选择效用
Figure 317865DEST_PATH_IMAGE062
和概率
Figure 878159DEST_PATH_IMAGE063
；
S42.利用S3中预测的发生量
Figure 446544DEST_PATH_IMAGE064
和S41中选择效概率
Figure 662761DEST_PATH_IMAGE065
计算第
Figure 607584DEST_PATH_IMAGE061
次循环初始未来年跨城通勤分布矩阵，公式如下：
Figure 960067DEST_PATH_IMAGE066
S43.利用增长率法调整未来年跨城通勤分布矩阵；
当前各交通小区出行产生量为：
Figure 964933DEST_PATH_IMAGE067
，
Figure 402867DEST_PATH_IMAGE068
当前各交通小区出行吸引量为：
Figure 620222DEST_PATH_IMAGE069
，
Figure 92791DEST_PATH_IMAGE070
当前产生量调整系数计算公式为：
Figure 2979DEST_PATH_IMAGE072
，
Figure 981737DEST_PATH_IMAGE073
当前吸引量调整系数计算公式为：
Figure 206045DEST_PATH_IMAGE075
，
Figure 595438DEST_PATH_IMAGE073
调整方法为：计算吸引端调整系数，按公式
Figure 879789DEST_PATH_IMAGE076
计算得到新矩阵，再计算产生端调整系数，按公式
Figure 354633DEST_PATH_IMAGE077
计算得到新矩阵，两次矩阵更新过程为一次循环，再重新计算吸引端调整系数，重复前述过程，多次循环迭代后至发生量和吸引量增长系数达到收敛标准后结束循环。
5.根据权利要求4所述的跨城通勤出行生成和分布预测方法，其特征在于，S43所述收敛标准为：
Figure 117052DEST_PATH_IMAGE078
and
Figure 360952DEST_PATH_IMAGE079
，
Figure 816204DEST_PATH_IMAGE080
，
Figure 512765DEST_PATH_IMAGE081
为设定允许误差。
6.根据权利要求5所述的跨城通勤出行生成和分布预测方法，其特征在于，S5所述收敛标准为：
Figure 141192DEST_PATH_IMAGE082
and
Figure 177281DEST_PATH_IMAGE083
，
Figure 865751DEST_PATH_IMAGE084
，
Figure DEST_PATH_IMAGE085
为设定允许误差。
7.一种电子设备，其特征在于，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现权利要求1-6任一项所述的跨城通勤出行生成和分布预测方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-6任一项所述的跨城通勤出行生成和分布预测方法。
CN202211032016.1A 2022-08-26 2022-08-26 跨城通勤出行生成和分布预测方法、电子设备及存储介质 Active CN115099542B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211032016.1A CN115099542B (zh) 2022-08-26 2022-08-26 跨城通勤出行生成和分布预测方法、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211032016.1A CN115099542B (zh) 2022-08-26 2022-08-26 跨城通勤出行生成和分布预测方法、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN115099542A true CN115099542A (zh) 2022-09-23
CN115099542B CN115099542B (zh) 2023-02-03

Family

ID=83301626

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211032016.1A Active CN115099542B (zh) 2022-08-26 2022-08-26 跨城通勤出行生成和分布预测方法、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN115099542B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116233823A (zh) * 2023-05-10 2023-06-06 深圳市城市交通规划设计研究中心股份有限公司 一种跨城通勤圈的识别方法、电子设备及存储介质
CN117252404A (zh) * 2023-11-20 2023-12-19 武汉市规划研究院 一种城市更新单元的人口、岗位规模测算方法及系统
CN117808169A (zh) * 2024-01-17 2024-04-02 中国科学院地理科学与资源研究所 城市通勤数据预测方法、终端设备及存储介质

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030061132A1 (en) * 2001-09-26 2003-03-27 Yu, Mason K. System and method for categorizing, aggregating and analyzing payment transactions data
US20110238608A1 (en) * 2010-03-25 2011-09-29 Nokia Corporation Method and apparatus for providing personalized information resource recommendation based on group behaviors
CN103208033A (zh) * 2013-03-22 2013-07-17 北京交通大学 一种成网条件下城市轨道交通新线接入客流预测方法
CN104157139A (zh) * 2014-08-05 2014-11-19 中山大学 一种交通拥堵预测方法及可视化方法
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
CN105095993A (zh) * 2015-07-22 2015-11-25 济南市市政工程设计研究院（集团）有限责任公司 一种轨道站点客流量预测系统及方法
CN106504535A (zh) * 2016-11-30 2017-03-15 东南大学 一种结合重力模型与Fratar模型的交通分布预测方法
CN111126678A (zh) * 2019-12-09 2020-05-08 深圳市市政设计研究院有限公司 一种基于大数据的交通生成预测方法
CN113327424A (zh) * 2021-08-02 2021-08-31 深圳市城市交通规划设计研究中心股份有限公司 交通需求的预测方法、预测装置及电子设备
WO2021212866A1 (zh) * 2020-04-21 2021-10-28 长安大学 一种车辆出行量预测模型构建方法及预测方法和系统
CN113642928A (zh) * 2021-08-31 2021-11-12 广州市城市规划勘测设计研究院 应用于城市更新的社区生活圈的规划模拟测度与评价方法
CN113657688A (zh) * 2021-08-31 2021-11-16 广州市城市规划勘测设计研究院 一种社区生活圈的模拟测度方法
CN113868830A (zh) * 2021-08-19 2021-12-31 佛山市城市规划设计研究院 一种基于交通可达性的同城化城际客流生成模型构建方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030061132A1 (en) * 2001-09-26 2003-03-27 Yu, Mason K. System and method for categorizing, aggregating and analyzing payment transactions data
US20110238608A1 (en) * 2010-03-25 2011-09-29 Nokia Corporation Method and apparatus for providing personalized information resource recommendation based on group behaviors
CN103208033A (zh) * 2013-03-22 2013-07-17 北京交通大学 一种成网条件下城市轨道交通新线接入客流预测方法
CN104157139A (zh) * 2014-08-05 2014-11-19 中山大学 一种交通拥堵预测方法及可视化方法
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
CN105095993A (zh) * 2015-07-22 2015-11-25 济南市市政工程设计研究院（集团）有限责任公司 一种轨道站点客流量预测系统及方法
CN106504535A (zh) * 2016-11-30 2017-03-15 东南大学 一种结合重力模型与Fratar模型的交通分布预测方法
CN111126678A (zh) * 2019-12-09 2020-05-08 深圳市市政设计研究院有限公司 一种基于大数据的交通生成预测方法
WO2021212866A1 (zh) * 2020-04-21 2021-10-28 长安大学 一种车辆出行量预测模型构建方法及预测方法和系统
CN113327424A (zh) * 2021-08-02 2021-08-31 深圳市城市交通规划设计研究中心股份有限公司 交通需求的预测方法、预测装置及电子设备
CN113868830A (zh) * 2021-08-19 2021-12-31 佛山市城市规划设计研究院 一种基于交通可达性的同城化城际客流生成模型构建方法
CN113642928A (zh) * 2021-08-31 2021-11-12 广州市城市规划勘测设计研究院 应用于城市更新的社区生活圈的规划模拟测度与评价方法
CN113657688A (zh) * 2021-08-31 2021-11-16 广州市城市规划勘测设计研究院 一种社区生活圈的模拟测度方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
丘建栋等: "基于手机信令数据的居住和出行特征分析——以深圳市为例", 《2018世界交通运输大会》 *
张婷: "基于TransCAD的区域路网OD反推结果评价", 《2019年中国城市交通规划年会》 *
张晓春等: "面向城市交通规划的多源手机信令数据相关性研究", 《交通运输系统工程与信息》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116233823A (zh) * 2023-05-10 2023-06-06 深圳市城市交通规划设计研究中心股份有限公司 一种跨城通勤圈的识别方法、电子设备及存储介质
CN116233823B (zh) * 2023-05-10 2023-08-01 深圳市城市交通规划设计研究中心股份有限公司 一种跨城通勤圈的识别方法、电子设备及存储介质
CN117252404A (zh) * 2023-11-20 2023-12-19 武汉市规划研究院 一种城市更新单元的人口、岗位规模测算方法及系统
CN117252404B (zh) * 2023-11-20 2024-02-23 武汉市规划研究院 一种城市更新单元的人口、岗位规模测算方法及系统
CN117808169A (zh) * 2024-01-17 2024-04-02 中国科学院地理科学与资源研究所 城市通勤数据预测方法、终端设备及存储介质
CN117808169B (zh) * 2024-01-17 2024-05-07 中国科学院地理科学与资源研究所 城市通勤数据预测方法、终端设备及存储介质

Also Published As

Publication number Publication date
CN115099542B (zh) 2023-02-03

Similar Documents

Publication Publication Date Title
CN115099542B (zh) 跨城通勤出行生成和分布预测方法、电子设备及存储介质
CN111222661B (zh) 一种城市规划实施效果分析评估方法
CN109978224B (zh) 一种分析获取不同性质建筑的交通出行率的方法
CN112054943B (zh) 一种移动网络基站流量预测方法
CN108495254B (zh) 一种基于信令数据的交通小区人口特征估计方法
CN112085250B (zh) 一种人口空间分布模拟方法、终端设备及存储介质
CN113611105B (zh) 一种城市交通出行需求总量预测方法
CN110097264A (zh) 一种城市群经济空间联系强度的度量方法
CN112954623A (zh) 一种基于手机信令大数据的居民入住率估算方法
CN115034524A (zh) 基于手机信令的工作居住人口预测方法、系统和存储介质
CN115906235A (zh) 公共建筑节能诊断系统及方法
CN113642928A (zh) 应用于城市更新的社区生活圈的规划模拟测度与评价方法
CN116437291A (zh) 一种基于手机信令的文化圈规划方法和系统
CN112950079B (zh) 绿地供需数据处理方法、系统、计算机设备及存储介质
CN115049215A (zh) 一种城市交通流量空间分布模型的构建方法
CN113537596A (zh) 一种城市轨道交通新线站点短时客流预测方法
CN117094445A (zh) 基于卫星遥感数据的城市空间智能规划方法
CN117037492A (zh) 融合手机信令和出行调查数据的城市交通模型构建方法
CN116662860A (zh) 一种基于能源大数据的用户画像与分类方法
CN106022546B (zh) 一种基于居民小区负荷成长周期的负荷预测方法
CN113409571B (zh) 一种设置公交车道的判定方法、装置、存储介质及终端
CN113850350B (zh) 城市建筑用地智能规划系统及方法
CN113744525A (zh) 一种基于特征提取与深度学习的交通分布预测方法
CN114639239B (zh) 一种改进重力模型交通分布预测方法
CN114613139B (zh) 一种适用于大型体育活动交通预测的出行生成预测方法

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