CN116362422B - 基于活动空间和重力模型的城市人流量预测方法及装置 - Google Patents
基于活动空间和重力模型的城市人流量预测方法及装置 Download PDFInfo
- Publication number
- CN116362422B CN116362422B CN202310630142.5A CN202310630142A CN116362422B CN 116362422 B CN116362422 B CN 116362422B CN 202310630142 A CN202310630142 A CN 202310630142A CN 116362422 B CN116362422 B CN 116362422B
- Authority
- CN
- China
- Prior art keywords
- urban
- access
- individual
- space
- area
- 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.)
- Active
Links
- 230000000694 effects Effects 0.000 title claims abstract description 121
- 230000005484 gravity Effects 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 58
- 239000011159 matrix material Substances 0.000 claims abstract description 43
- 238000011156 evaluation Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 8
- 235000006629 Prosopis spicigera Nutrition 0.000 description 3
- 240000000037 Prosopis spicigera Species 0.000 description 3
- 238000013439 planning Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
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
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于活动空间和重力模型的城市人流量预测方法及装置,属于人流量预测领域,具体方法包括:基于历史人群移动轨迹数据获取个体的访问地点,并划分多个城市区域,根据个体对访问地点的访问轨迹构建各城市区域间人流量的OD矩阵;根据个体的访问地点提取个体的活动空间,并确定各活动空间的边界,根据各活动空间的边界,计算各城市区域的活动空间加权数量;根据活动空间加权数量和OD矩阵,拟合城市人流量预测模型的模型参数,以利用该模型预测城市区域间人流量及一天中各时段城市区域间人流量的变化特征。该方法能够准确地刻画城市区域的吸引力,反映城市区域吸引力的动态变化特征,数据依赖性弱,更适用于城市尺度的人流量预测。
Description
技术领域
本发明涉及人流量预测技术领域,特别涉及一种基于活动空间和重力模型的城市人流量预测方法及装置。
背景技术
城市区域间人流的建模和预测是城市人群移动研究和城市管理实践中的重要科学问题。城市区域间人流建模和预测,旨在根据各城市区域的特征(人口、建成环境特征、社会经济学特征等)预测城市区域间的人流量,得到城市区域间交通出行需求分布的起止点出行量矩阵(Origin and Destination Travel Matrix),即OD矩阵。城市区域间人流的准确预测对交通规划、城市规划和城市交通管理有着重要的意义。如果区域间人流量预测的结果存在较大偏差,就无法为相关政策的制定提供有效参考,会为交通规划方案和城市资源配置方案的制定埋下隐患。
当前,国内外研究已经提出了一系列城市人流量预测模型,如重力模型、介入机会模型、辐射模型等。其中重力模型是最广为使用的城市人流量预测模型并且目前已经被广泛用于各种地理尺度下的人流量预测中。然而,重力模型依赖于相关参数及距离衰减函数的选择,因此需要依赖大量历史人群移动数据来进行参数的拟合和距离衰减函数的确定,在实际应用的过程中受到一定限制。此外,包括重力模型在内的现有模型通常采用区域内的人口来测度城市区域的吸引力。然而,人口数量并不能够准确地刻画城市区域的吸引力:一方面,城市区域的吸引力是城市中机会、资源和服务的空间分布特征的综合体现,人口数量很难准确反映城市区域这些复杂的特征;另一方面,城市区域的吸引力往往是动态变化的,一天中不同时刻的城市区域吸引力会有所不同,然而,人口数量是来自人口普查的静态统计指标,其数值并不会在短期内随时间改变,因此并不能反映城市区域动态变化的吸引力水平,也就无法刻画城市区域间人流在一天中的动态变化特征。
因此,相关技术中缺少一种能够更准确刻画区域吸引力且能刻画其动态变化特征的指标,并基于该指标进行城市区域间人流量预测的模型。
发明内容
本发明提供一种基于活动空间和重力模型的城市人流量预测方法及装置,提出一种能够准确刻画区域吸引力且能刻画其动态变化特征的指标,并基于该指标构建城市人流量预测模型,该模型可以准确预测城市区域间的人流量及一天中各时段城市区域间人流量的变化特征。
本发明的第一方面实施例提供一种基于活动空间和重力模型的城市人流量预测方法,包括以下步骤:基于历史人群移动轨迹数据获取个体的访问地点,并划分多个城市区域,根据个体对访问地点的访问轨迹构建各城市区域间人流量的OD矩阵;根据个体的访问地点提取个体的活动空间,并确定各活动空间的边界,根据各活动空间的边界,计算各城市区域的活动空间加权数量;根据所述活动空间加权数量和所述OD矩阵,拟合城市人流量预测模型的模型参数,以利用所述城市人流量预测模型预测城市区域间的人流量。
可选地,在本发明的一个实施例中,基于历史人群移动轨迹数据获取个体的访问地点,并划分多个城市区域,根据个体对访问地点的访问轨迹构建各城市区域间人流量的OD矩阵,包括:
根据所述历史人群移动轨迹数据识别个体的停留位置记录点;
对所述停留位置记录点进行聚类,根据个体在每个位置记录点聚类中的单次停留时间确定个体的访问地点,其中,访问地点的坐标为对应位置记录点聚类的中心;
根据个体的移动轨迹数据及聚类结果,确定个体对多个访问地点的访问轨迹,其中,所述访问轨迹包括个体对各访问地点的到达时间、离开时间及访问顺序;
根据所述访问轨迹和所述城市区域计算各城市区域间的人流量,得到所述OD矩阵,其中,所述OD矩阵的行向量为人群从某个城市区域到其他城市区域的流出量,列向量为人群从其他城市区域到某个城市区域的流入量。
可选地,在本发明的一个实施例中,根据个体的访问地点提取个体的活动空间,并确定各活动空间的边界,包括:
对个体的所有访问地点进行聚类,得到个体的多个活动空间及每个活动空间包含的访问地点;
利用标准误差椭圆方法确定每个活动空间的边界。
可选地,在本发明的一个实施例中,利用标准误差椭圆方法确定每个活动空间的边界,包括:
根据每个活动空间内各访问地点的坐标确定标准误差椭圆的中心坐标,其中,/>,/>,n为单个活动空间内的访问地点总数,/>为访问地点的横坐标,/>为访问地点的纵坐标;
计算统计量A、B、C,其中,,/>;其中,/>和/>为活动空间内所有访问地点坐标的平均值;
计算标准误差椭圆长轴与水平方向的角度,其中,/>;
计算标准误差椭圆长轴与短轴的长度和/>,其中,,/>;
根据标准误差椭圆的中心坐标,长轴与短轴的长度以及长轴与水平方向的角度确定活动空间的边界。
可选地,在本发明的一个实施例中,根据活动空间的边界,计算各城市区域的活动空间加权数量,包括:
根据活动空间k的边界计算活动空间k的总面积;
计算活动空间k与城市区域i的重叠面积;
以//>为权重,对所有个体的所有活动空间的贡献进行加权,计算城市区域i的活动空间加权数量/>的取值,/>,其中,N为个体总数,/>为个体n的活动空间总数。
可选地,在本发明的一个实施例中,根据所述活动空间加权数量和所述OD矩阵,拟合城市人流量预测模型的模型参数,包括:
对于城市区域i和城市区域j,根据所述OD矩阵,得到区域i到区域j间的实际人流量;
对于城市区域i和城市区域j,根据各城市区域的活动空间加权数量计算城市区域i到区域j之间的距离衰减函数值;
根据区域i到区域j间的实际人流量、城市区域i到区域j之间的距离衰减函数值以及城市区域i和城市区域j的活动空间加权数量/>和/>,拟合所述城市人流量预测模型的参数/>,其中,所述城市人流量预测模型为/>。
可选地,在本发明的一个实施例中,根据各城市区域的活动空间加权数量计算城市区域i到区域j之间的距离衰减函数值,包括:
确定以城市区域i为圆心,城市区域i到城市区域j之间的距离为半径的圆形区域;
将所得的圆形区域内覆盖的所有城市区域的活动空间加权数量累加,得到距离衰减函数值。
可选地,在本发明的一个实施例中,在利用所述城市人流量预测模型预测城市区域间的人流量之后,还包括:
根据所述OD矩阵获取各城市区域间的实际人流量;
利用所述城市人流量预测模型得到城市区域间的人流量预测值;
使用评价指标评价所述城市人流量预测模型的预测效果,所述评价指标为,其中,M为城市区域的总数,所述评价指标的取值在0至1之间,数值越接近于1表示所述城市人流量预测模型的预测效果越好。
本发明的第二方面实施例提供一种基于活动空间和重力模型的城市人流量预测装置,包括:
构建模块,用于基于历史人群移动轨迹数据获取个体的访问地点,并划分多个城市区域,根据个体对访问地点的访问轨迹构建各城市区域间人流量的OD矩阵;
计算模块,用于根据个体的访问地点提取个体的活动空间,并确定各活动空间的边界,根据各活动空间的边界,计算各城市区域的活动空间加权数量;
预测模块,用于根据所述活动空间加权数量和所述OD矩阵,拟合城市人流量预测模型的模型参数,以利用所述城市人流量预测模型预测城市区域间的人流量。
可选地,在本发明的一个实施例中,所述计算模块进一步用于,对个体的所有访问地点进行聚类,得到个体的多个活动空间及每个活动空间包含的访问地点,利用标准误差椭圆方法确定每个活动空间的边界。
本发明实施例的基于活动空间和重力模型的城市人流量预测方法及装置,提出一种准确刻画区域吸引力且能刻画其动态变化特征的指标,即活动空间加权数量,在城市区域吸引力刻画指标的基础上,提出了基于活动空间和重力模型的城市人流量预测模型,该模型采用活动空间加权数量为区域吸引力的刻画指标,继承了重力模型形式简洁、计算便捷、可解释性强的特征;同时改进了重力模型的距离衰减函数,使用了PWO函数,使距离衰减函数不包含任何需拟合的参数,相比于重力模型对数据的依赖性更弱;在预测能力上,本发明不仅在预测全时段的城市区域间人流量时相比重力模型有一定提升,也能够解决重力模型无法预测一天中某一时段的城市区域间人流量的问题。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明实施例提供的一种基于活动空间和重力模型的城市人流量预测方法的流程图;
图2为根据本发明实施例提供的活动空间加权数量计算方法示意图;
图3为根据本发明实施例提供的一种基于活动空间和重力模型的城市人流量预测方法的执行过程示意图;
图4为根据本发明实施例提供的重力模型和本发明在预测广州市内人群移动时的参数拟合结果;
图5(a)为重力模型对广州市内人群移动的预测情况示意图;
图5(b)为本发明对广州市内人群移动的预测情况示意图;
图6(a)为根据本发明实施例提供的重力模型在预测广州市内各时段人群移动时的参数拟合结果;
图6(b)为根据本发明实施例提供的本发明在预测广州市内各时段人群移动时的参数拟合结果;
图7为根据本发明实施例提供的城市人流量预测模型和重力模型对广州市内各时段人群移动的预测效果对比示意图;
图8(a)为重力模型对广州市9:00-10:00人群移动的预测效果;
图8(b)为本发明对广州市内9:00-10:00人群移动的预测效果;
图8(c)为重力模型的对广州市内17:00-18:00人群移动的预测效果;
图8(d)为本发明对广州市内17:00-18:00人群移动的预测效果;
图9为根据本发明实施例提供的一种基于活动空间和重力模型的城市人流量预测装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
本发明提出一种基于活动空间和重力模型的城市人流量预测方法及装置,提出了从个体移动轨迹中识别个体活动空间,并确定各活动空间边界的方法,以描述城市居民活动空间的分布特征,该方法也可以应用于个体在一天中某一时段的移动轨迹,以描述个体和城市居民在一天中某一时段的活动空间的分布特征。提出了一种刻画城市区域内居民活动空间分布特征的指标,即活动空间加权数量,以作为量化城市区域吸引力的指标,该指标也可以刻画城市居民在一天中某一时段的活动空间的分布特征,以量化城市区域在一天中某一时段的吸引力。在此基础上提出的城市人流量预测模型以重力模型为基础,以活动空间加权数量为城市区域吸引力的刻画指标,并引入population-weighted opportunities(PWO)函数为模型的距离衰减函数。模型形式简洁,其距离衰减函数中没有需拟合的参数,即不需要对历史数据进行拟合以确定其具体的函数形式。此外,该模型也可以依据城市区域一天中某一时段的活动空间加权数量,以准确预测一天中某一时段的城市区域间人流量。
本发明的城市人流量预测模型的应用场景包括预测全天的城市区域间人流量和预测一天中某一时段的城市区域间人流量。
下面以预测全天的城市区域间人流量为例对本发明的基于活动空间和重力模型的城市人流量预测方法进行说明。
图1为根据本发明实施例提供的一种基于活动空间和重力模型的城市人流量预测方法的流程图。
如图1所示,该基于活动空间和重力模型的城市人流量预测方法包括以下步骤:
在步骤S101中,基于历史人群移动轨迹数据获取个体的访问地点,并划分多个城市区域,根据个体对访问地点的访问轨迹构建各城市区域间人流量的OD矩阵。
基于特定的城市,基于该城市过去一段时间的历史人群移动轨迹数据提取出数据中每个个体的访问地点,并划分城市区域,计算城市区域间人流量的OD矩阵,具体包括:
根据历史人群移动轨迹数据识别个体的停留位置记录点;
对停留位置记录点进行聚类,根据个体在每个位置记录点聚类中的单次停留时间确定个体的访问地点,其中,访问地点的坐标为对应位置记录点聚类的中心;
根据个体的移动轨迹数据及聚类结果,确定个体对多个访问地点的访问轨迹,其中,访问轨迹包括个体对各访问地点的到达时间、离开时间及访问顺序;
根据访问轨迹和城市区域计算各城市区域间的人流量,得到OD矩阵,其中,OD矩阵的行向量为人群从某个城市区域到其他城市区域的流出量,列向量为人群从其他城市区域到某个城市区域的流入量。
具体而言,定义个体的轨迹,定义/>是带有时间戳的位置记录点。
位置记录的状态可以分为停留状态和移动状态,识别中属于停留状态的位置记录点,识别方法如下:
给速度阈值∆的取值(推荐取值为1.3m/s),从第一个记录点向后扫描,当记录点满足/>时,该记录点的状态为停留状态,反之则为移动状态;
给定最大扫描半径和最小样本数量的取值(推荐取值分别为50米和2个),使用DBSCAN (Density-Based Spatial Clustering of Applications with Noise) 算法(一种基于密度的聚类算法),对给定个体的所有属于静止状态的位置记录点进行聚类;
根据聚类结果,统计给定个体在每个位置记录点聚类中的单次最大停留时间;
保留所有单次最大停留时间大于5分钟的位置记录点聚类,剩余的每个位置记录点聚类代表给定个体的一个访问地点,访问地点的坐标为对应位置记录点聚类的中心;
根据个体的轨迹及聚类结果,个体轨迹可表示为一系列带有时间戳的访问地点记录,进一步地,可以确定给定个体对一系列访问地点的到达时间、离开时间及访问顺序;
对于给定城市,将其划分为一系列城市区域,根据数据集中每个个体对其访问地点的访问顺序,统计各城市区域间的人流量,得到OD矩阵。
在步骤S102中,根据个体的访问地点提取个体的活动空间,并确定各活动空间的边界,根据各活动空间的边界,计算各城市区域的活动空间加权数量。
在本发明的实施例中,根据提取的每个个体的访问地点,设定聚类提取参数和最小样本数量(推荐取值分别为1千米和2个),利用层次聚类算法(HDBSCAN(HierarchicalDensity-Based Spatial Clustering of Applications with Noise),一种基于DBSCAN算法的层次聚类算法)对个体的所有访问地点进行聚类,根据访问地点的聚类结果,可以确定每个个体的各活动空间,以及每个活动空间内的访问地点;
对于每个活动空间,使用标准误差椭圆(Standard Deviational Ellipse,SDE)确定其边界,具体步骤如下:
根据每个活动空间内各访问地点的坐标确定标准误差椭圆的中心坐标,其中,/>,/>,n为单个活动空间内的访问地点总数,/>为访问地点的横坐标,/>为访问地点的纵坐标;
计算统计量A、B、C,其中,,/>;其中/>和/>为给定的活动空间内所有访问地点坐标的平均值;
计算标准误差椭圆长轴与水平方向的角度,/>;
计算标准误差椭圆长轴与短轴的长度和/>,,/>;
根据标准误差椭圆的中心坐标,长轴与短轴的长度以及长轴与水平方向的角度确定活动空间的边界,如图2所示的椭圆区域。
在本发明的实施例中,对于给定城市区域i,将其活动空间加权数量表示为ai,在本发明提出的城市人流量预测模型中ai为城市区域吸引力的量化指标。
如图2所示,对于给定个体的给定活动空间k,根据活动空间k的边界计算活动空间k的总面积;
计算活动空间k与城市区域i的重叠面积;
以//>为权重,对所有个体的所有活动空间的贡献进行加权,计算城市区域i的活动空间加权数量/>的取值,/>,其中,N为个体总数,/>为个体n的活动空间总数。
在步骤S103中,根据活动空间加权数量和OD矩阵,拟合城市人流量预测模型的模型参数,以利用城市人流量预测模型预测城市区域间的人流量。
在本发明的一个实施例中,对于城市区域i和城市区域j,根据OD矩阵,得到区域i到区域j间的实际人流量;
对于城市区域i和城市区域j,根据各城市区域的活动空间加权数量计算城市区域i到区域j之间的距离衰减函数值;其计算方法为:确定以城市区域i为圆心,城市区域i到城市区域j之间的距离为半径的圆形区域;将所得的圆形区域内覆盖的所有城市区域的活动空间加权数量累加,得到距离衰减函数值/>;
根据区域i到区域j间的实际人流量、城市区域i到区域j之间的距离衰减函数值以及城市区域i和城市区域j的活动空间加权数量/>和/>,拟合城市人流量预测模型的参数/>,其中,城市人流量预测模型为/>。
根据本发明提出的基于活动空间和重力模型的城市人流量预测模型,,即城市区域间的人流量与起点区域和终点区域的吸引力成正比,与起点区域到终点区域的距离衰减函数取值成反比,进而根据上述得到的OD矩阵和各城市区域的活动空间加权数量,可通过线性拟合的方法确定参数θ的数值。将区域i到区域j之间人流量的预测值记为,根据本模型/>,可得到城市区域间人流量的预测值。
可选地,在本发明的实施例中,在利用城市人流量预测模型预测城市区域间的人流量之后,还包括:
根据OD矩阵获取各城市区域间的实际人流量;
利用城市人流量预测模型得到城市区域间的人流量预测值;
使用评价指标评价城市人流量预测模型的预测效果,评价指标为,其中,M为城市区域的总数,评价指标的取值在0至1之间,数值越接近于1表示城市人流量预测模型的预测效果越好。
上述实施例为预测全天的城市区域间人流量的场景,下面介绍预测一天中某一时段的城市区域间人流量的场景。
具体操作步骤如下:
步骤1:将一天拆分为多个时段(如24个小时),对于特定城市,将该城市过去一段时间的历史人群移动数据按照所设置的时段拆分为若干部分,对于每部分数据提取每个个体在一天中特定时段的访问地点,并划分城市区域,计算一天中特定时段的城市区域间人流量的OD矩阵;
步骤2:依据步骤1中得到的每个个体在一天中特定时段的访问地点,进一步提取出每个个体在一天中特定时段的活动空间,并确定每个活动空间的边界;
步骤3:依据步骤2中确定的每个个体在一天中特定时段的各活动空间的边界,计算各城市区域在一天中特定时段的活动空间加权数量;
步骤4:依据步骤3中计算的各城市区域在一天中特定时段的活动空间加权数量和步骤1中得到的给定城市在一天中特定时段的OD矩阵,拟合每个时段模型参数θ的数值,进而预测一天中特定时段的城市区域间人流量;
步骤5:将步骤4中预测的一天中特定时段的城市区域间人流量与实际该时段的城市区域间人流量进行对比,对模型的预测效果进行评价。
如图3所示,预测一天内某一时段的城市区域间人流量的场景中步骤的具体操作与预测全天的城市区域间人流量的场景基本一致,不再赘述。
与现有的城市人流量预测模型相比,本发明的模型具有以下优点:首先,本发明通过引入活动空间的视角,提出了一种新的刻画城市区域吸引力的指标,即活动空间加权数量。该指标相比于传统的用人口刻画城市区域吸引力的方法有明显优势:第一,城市区域的吸引力是城市中机会、资源和服务的空间分布特征的综合体现,人口数量很难准确反映城市区域这些复杂的特征;而活动空间的分布特征能够反映城市居民对城市空间的实际使用情况,居民活动空间的形成也受到城市中机会、资源和服务的空间分布特征的影响,因此本发明提出的指标能够更准确地刻画城市区域的吸引力;第二,人口数在短期内不会随时间发生变化,无法刻画城市区域吸引力在一天中的动态变化特征,而本发明提出的指标能够反映这种城市区域吸引力的动态变化特征,填补了原有方法的不足。
进一步地,本发明在所提出的城市区域吸引力刻画指标的基础上,进一步提出了基于活动空间和重力模型的城市人流量预测模型,该模型采用活动空间加权数量为区域吸引力的刻画指标,继承了重力模型形式简洁、计算便捷、可解释性强的特征;同时本模型改进了重力模型的距离衰减函数,使用了population-weighted opportunities(PWO)函数,使距离衰减函数不包含任何需拟合的参数,相比于重力模型对数据的依赖性更弱;在预测能力上,本发明不仅在预测全时段的城市区域间人流量时相比重力模型有一定提升,也能够解决重力模型无法预测一天中某一时段的城市区域间人流量的问题。
下面通过具体实施例对本发明的基于活动空间和重力模型的城市人流量预测方法进行说明。
本模型在广州市的人群移动轨迹数据集上进行了测试。该数据集包含18768个个体在2018年5月至9月共5个月的数据。本实施例将广州市用2km×2km的栅格划分为2025个区域,并搜集了广州市2018年每平方千米区域的人口分布数据。
首先使用重力模型和本发明提出的城市人流量预测模型对整个时段内工作日的城市区域间人流量进行了预测。重力模型和本发明的参数拟合结果,R2和CPC(模型预测效果评价指标)如图4所示,可见本发明比重力模型的预测效果更好,且R2数值较为接近。本发明和重力模型对广州市各区域间人流量的预测值与真实值的对比如图5(a)和图5(b)所示。图5(a)为重力模型对广州市内人群移动的预测情况,其中T(data)代表城市区域间人流量的实际值,Tpopulation(model)代表重力模型对城市区域间人流量的预测值;图5(b)为本发明对广州市内人群移动的预测情况,其中T(data)代表城市区域间人流量的实际值,Tspace(model)代表本发明对城市区域间人流量的预测值。图中的数据点表示一组给定城市区域间人流量的真实值和预测值(横纵坐标轴均为对数坐标轴);根据区域间人流量真实值的取值,将数据点分为多组,对于每组数据,用箱型图表示城市区域间人流量预测值的分布,图中位于对角线的直线代表城市区域间人流量预测值等于真实值。
本发明的实施例将每天划分为24个小时,对人群移动轨迹数据进行了拆分,并使用重力模型和本发明提出的城市人流量预测模型对工作日各时段的城市区域间人流量进行了预测。重力模型和本发明在各时段的参数拟合结果,R2和CPC(模型预测效果评价指标)如图6(a)和图6(b)所示,重力模型和本发明在各时段CPC(步骤5中的模型预测效果评价指标)的变化如图7所示。图7中将一天分为24个小时,分别检验重力模型和本发明对广州市区域间各时段人流量的预测效果,图中两条线分别为重力模型和本发明预测广州市区域间各时段人流量的CPC值。可见本发明在各时段的预测效果均优于重力模型,且在部分时段的R2数值显著高于重力模型;此外,本发明在各时段的预测效果较为一致(均比较理想),而重力模型在各时段的预测效果差异很大:具体来讲,重力模型在9:00-10:00,11:00-12:00,15:00-16:00,17:00-18:00这四个时间段的预测效果较差,远远低于本发明。本发明和重力模型对广州市9:00-10:00和17:00-18:00各区域间人流量的预测值与真实值的对比如图8(a)、图8(b)、图8(c)、图8(d)所示。图8(a)展示了重力模型对广州市内9:00-10:00人群移动的预测效果,图8(b)展示了本发明对广州市内9:00-10:00人群移动的预测效果;图8(c)展示了重力模型的对广州市内17:00-18:00人群移动的预测效果,图8(d)展示了本发明对广州市内17:00-18:00人群移动的预测效果。图8(a)、图8(b)、图8(c)、图8(d)的图示说明与图5相同。
通过在城市人流量预测模型中引入了活动空间的视角,本发明反映了活动空间对人群移动的影响,是人群移动的潜在驱动力,对现有的对城市人群移动的理解有所贡献,在本发明的基础上可以实现个体活动空间和城市空间的联系,有助于进一步通过城市空间特征预测城市区域间人流量。
根据本发明实施例提出的基于活动空间和重力模型的城市人流量预测方法,提出一种准确刻画区域吸引力且能刻画其动态变化特征的指标,即活动空间加权数量,在城市区域吸引力刻画指标的基础上,提出了基于活动空间和重力模型的城市人流量预测模型,该模型采用活动空间加权数量为区域吸引力的刻画指标,继承了重力模型形式简洁、计算便捷、可解释性强的特征;同时改进了重力模型的距离衰减函数,使用了PWO函数,使距离衰减函数不包含任何需拟合的参数,相比于重力模型对数据的依赖性更弱;在预测能力上,本发明不仅在预测全时段的城市区域间人流量时相比重力模型有一定提升,也能够解决重力模型无法预测一天中某一时段的城市区域间人流量的问题。
其次参照附图描述根据本申请实施例提出的基于活动空间和重力模型的城市人流量预测装置。
图9为根据本发明实施例提供的一种基于活动空间和重力模型的城市人流量预测装置的结构示意图。
如图9所示,该基于活动空间和重力模型的城市人流量预测装置10包括:构建模块100、计算模块200和预测模块300。
其中,构建模块100用于基于历史人群移动轨迹数据获取个体的访问地点,并划分多个城市区域,根据个体对访问地点的访问轨迹构建各城市区域间人流量的OD矩阵。计算模块200用于根据个体的访问地点提取个体的活动空间,并确定各活动空间的边界,根据各活动空间的边界,计算各城市区域的活动空间加权数量。预测模块300用于根据活动空间加权数量和OD矩阵,拟合城市人流量预测模型的模型参数,以利用城市人流量预测模型预测城市区域间的人流量。
可选地,在本发明的一个实施例中,构建模块100进一步用于,根据历史人群移动轨迹数据识别个体的停留位置记录点;对停留位置记录点进行聚类,根据个体在每个位置记录点聚类中的单次停留时间确定个体的访问地点,其中,访问地点的坐标为对应位置记录点聚类的中心;根据个体的移动轨迹数据及聚类结果,确定个体对多个访问地点的访问轨迹,其中,访问轨迹包括个体对各访问地点的到达时间、离开时间及访问顺序;根据访问轨迹和城市区域计算各城市区域间的人流量,得到OD矩阵,其中,OD矩阵的行向量为人群从某个城市区域到其他城市区域的流出量,列向量为人群从其他城市区域到某个城市区域的流入量。
可选地,在本发明的一个实施例中,计算模块进一步用于,对个体的所有访问地点进行聚类,得到个体的多个活动空间及每个活动空间包含的访问地点,利用标准误差椭圆方法确定每个活动空间的边界。
可选地,在本发明的一个实施例中,利用标准误差椭圆方法确定每个活动空间的边界,包括:
根据每个活动空间内各访问地点的坐标确定标准误差椭圆的中心坐标,其中,/>,/>,n为单个活动空间内的访问地点总数,/>为访问地点的横坐标,/>为访问地点的纵坐标;
计算统计量A、B、C,其中,,/>;其中,/>和/>为活动空间内所有访问地点坐标的平均值;
计算标准误差椭圆长轴与水平方向的角度,其中,/>;
计算标准误差椭圆长轴与短轴的长度和/>,其中,,/>;
根据标准误差椭圆的中心坐标,长轴与短轴的长度以及长轴与水平方向的角度确定活动空间的边界。
可选地,在本发明的一个实施例中,根据活动空间的边界,计算各城市区域的活动空间加权数量,包括:
根据活动空间k的边界计算活动空间k的总面积;
计算活动空间k与城市区域i的重叠面积;
以//>为权重,对所有个体的所有活动空间的贡献进行加权,计算城市区域i的活动空间加权数量/>的取值,/>,其中,N为个体总数,/>为个体n的活动空间总数。
可选地,在本发明的一个实施例中,根据活动空间加权数量和OD矩阵,拟合城市人流量预测模型的模型参数,包括:
对于城市区域i和城市区域j,根据OD矩阵,得到区域i到区域j间的实际人流量;
对于城市区域i和城市区域j,根据各城市区域的活动空间加权数量计算城市区域i到区域j之间的距离衰减函数值;
根据区域i到区域j间的实际人流量、城市区域i到区域j之间的距离衰减函数值以及城市区域i和城市区域j的活动空间加权数量/>和/>,拟合城市人流量预测模型的参数/>,其中,城市人流量预测模型为/>。
可选地,在本发明的一个实施例中,根据各城市区域的活动空间加权数量计算城市区域i到区域j之间的距离衰减函数值,包括:
确定以城市区域i为圆心,城市区域i到城市区域j之间的距离为半径的圆形区域;
将所得的圆形区域内覆盖的所有城市区域的活动空间加权数量累加,得到距离衰减函数值。
可选地,在本发明的一个实施例中,基于活动空间和重力模型的城市人流量预测装置10还包括:
评价模块,用于在利用城市人流量预测模型预测城市区域间的人流量之后,根据OD矩阵获取各城市区域间的实际人流量;利用城市人流量预测模型得到城市区域间的人流量预测值/>;使用评价指标评价城市人流量预测模型的预测效果,评价指标为,其中,M为城市区域的总数,评价指标的取值在0至1之间,数值越接近于1表示城市人流量预测模型的预测效果越好。
需要说明的是,前述对基于活动空间和重力模型的城市人流量预测方法实施例的解释说明也适用于该实施例的基于活动空间和重力模型的城市人流量预测装置,此处不再赘述。
根据本申请实施例提出的基于活动空间和重力模型的城市人流量预测装置,提出一种准确刻画区域吸引力且能刻画其动态变化特征的指标,即活动空间加权数量,在城市区域吸引力刻画指标的基础上,提出了基于活动空间和重力模型的城市人流量预测模型,该模型采用活动空间加权数量为区域吸引力的刻画指标,继承了重力模型形式简洁、计算便捷、可解释性强的特征;同时改进了重力模型的距离衰减函数,使用了PWO函数,使距离衰减函数不包含任何需拟合的参数,相比于重力模型对数据的依赖性更弱;在预测能力上,本发明不仅在预测全时段的城市区域间人流量时相比重力模型有一定提升,也能够解决重力模型无法预测一天中某一时段的城市区域间人流量的问题。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“N个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
Claims (7)
1.一种基于活动空间和重力模型的城市人流量预测方法,其特征在于,包括以下步骤:
基于历史人群移动轨迹数据获取个体的访问地点,并划分多个城市区域,根据个体对访问地点的访问轨迹构建各城市区域间人流量的OD矩阵;
根据个体的访问地点提取个体的活动空间,并确定各活动空间的边界,根据各活动空间的边界,计算各城市区域的活动空间加权数量;
根据所述活动空间加权数量和所述OD矩阵,拟合城市人流量预测模型的模型参数,以利用所述城市人流量预测模型预测城市区域间的人流量;
其中,根据个体的访问地点提取个体的活动空间,并确定各活动空间的边界,包括:对个体的所有访问地点进行聚类,得到个体的多个活动空间及每个活动空间包含的访问地点;利用标准误差椭圆方法确定每个活动空间的边界;
根据活动空间的边界,计算各城市区域的活动空间加权数量,包括:
根据活动空间k的边界计算活动空间k的总面积;
计算活动空间k与城市区域i的重叠面积;
以//>为权重,对所有个体的所有活动空间的贡献进行加权,计算城市区域i的活动空间加权数量/>的取值,/>,其中,N为个体总数,/>为个体n的活动空间总数。
2.根据权利要求1所述的方法,其特征在于,基于历史人群移动轨迹数据获取个体的访问地点,并划分多个城市区域,根据个体对访问地点的访问轨迹构建各城市区域间人流量的OD矩阵,包括:
根据所述历史人群移动轨迹数据识别个体的停留位置记录点;
对所述停留位置记录点进行聚类,根据个体在每个位置记录点聚类中的单次停留时间确定个体的访问地点,其中,访问地点的坐标为对应位置记录点聚类的中心;
根据个体的移动轨迹数据及聚类结果,确定个体对多个访问地点的访问轨迹,其中,所述访问轨迹包括个体对各访问地点的到达时间、离开时间及访问顺序;
根据所述访问轨迹和所述城市区域计算各城市区域间的人流量,得到所述OD矩阵,其中,所述OD矩阵的行向量为人群从某个城市区域到其他城市区域的流出量,列向量为人群从其他城市区域到某个城市区域的流入量。
3.根据权利要求1所述的方法,其特征在于,利用标准误差椭圆方法确定每个活动空间的边界,包括:
根据每个活动空间内各访问地点的坐标确定标准误差椭圆的中心坐标,其中,/>,/>,n为单个活动空间内的访问地点总数,/>为访问地点的横坐标,/>为访问地点的纵坐标;
计算统计量A、B、C,其中,,;其中,/>和/>为活动空间内所有访问地点坐标的平均值;
计算标准误差椭圆长轴与水平方向的角度,其中,/>;
计算标准误差椭圆长轴与短轴的长度和/>,其中,/>,;
根据标准误差椭圆的中心坐标,长轴与短轴的长度以及长轴与水平方向的角度确定活动空间的边界。
4.根据权利要求1所述的方法,其特征在于,根据所述活动空间加权数量和所述OD矩阵,拟合城市人流量预测模型的模型参数,包括:
对于城市区域i和城市区域j,根据所述OD矩阵,得到区域i到区域j间的实际人流量;
对于城市区域i和城市区域j,根据各城市区域的活动空间加权数量计算城市区域i到区域j之间的距离衰减函数值;
根据区域i到区域j间的实际人流量、城市区域i到区域j之间的距离衰减函数值/>以及城市区域i和城市区域j的活动空间加权数量/>和/>,拟合所述城市人流量预测模型的参数/>,其中,所述城市人流量预测模型为/>。
5.根据权利要求4所述的方法,其特征在于,根据各城市区域的活动空间加权数量计算城市区域i到区域j之间的距离衰减函数值,包括:
确定以城市区域i为圆心,城市区域i到城市区域j之间的距离为半径的圆形区域;
将所得的圆形区域内覆盖的所有城市区域的活动空间加权数量累加,得到距离衰减函数值。
6.根据权利要求1-5任一项所述的方法,其特征在于,在利用所述城市人流量预测模型预测城市区域间的人流量之后,还包括:
根据所述OD矩阵获取各城市区域间的实际人流量;
利用所述城市人流量预测模型得到城市区域间的人流量预测值;
使用评价指标评价所述城市人流量预测模型的预测效果,所述评价指标为,其中,M为城市区域的总数,所述评价指标的取值在0至1之间,数值越接近于1表示所述城市人流量预测模型的预测效果越好。
7.一种基于活动空间和重力模型的城市人流量预测装置,其特征在于,包括:
构建模块,用于基于历史人群移动轨迹数据获取个体的访问地点,并划分多个城市区域,根据个体对访问地点的访问轨迹构建各城市区域间人流量的OD矩阵;
计算模块,用于根据个体的访问地点提取个体的活动空间,并确定各活动空间的边界,根据各活动空间的边界,计算各城市区域的活动空间加权数量;
预测模块,用于根据所述活动空间加权数量和所述OD矩阵,拟合城市人流量预测模型的模型参数,以利用所述城市人流量预测模型预测城市区域间的人流量;
其中,所述计算模块进一步用于,对个体的所有访问地点进行聚类,得到个体的多个活动空间及每个活动空间包含的访问地点,利用标准误差椭圆方法确定每个活动空间的边界;
根据活动空间的边界,计算各城市区域的活动空间加权数量,包括:
根据活动空间k的边界计算活动空间k的总面积;
计算活动空间k与城市区域i的重叠面积;
以//>为权重,对所有个体的所有活动空间的贡献进行加权,计算城市区域i的活动空间加权数量/>的取值,/>,其中,N为个体总数,/>为个体n的活动空间总数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310630142.5A CN116362422B (zh) | 2023-05-31 | 2023-05-31 | 基于活动空间和重力模型的城市人流量预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310630142.5A CN116362422B (zh) | 2023-05-31 | 2023-05-31 | 基于活动空间和重力模型的城市人流量预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116362422A CN116362422A (zh) | 2023-06-30 |
CN116362422B true CN116362422B (zh) | 2023-08-08 |
Family
ID=86934926
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310630142.5A Active CN116362422B (zh) | 2023-05-31 | 2023-05-31 | 基于活动空间和重力模型的城市人流量预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116362422B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507879A (zh) * | 2020-04-15 | 2020-08-07 | 北京交通大学 | 一种城市空间结构识别方法 |
CN114297532A (zh) * | 2021-12-31 | 2022-04-08 | 哈尔滨工业大学 | 一种基于人群移动轨迹的高清城市功能区识别方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140089036A1 (en) * | 2012-09-26 | 2014-03-27 | Xerox Corporation | Dynamic city zoning for understanding passenger travel demand |
-
2023
- 2023-05-31 CN CN202310630142.5A patent/CN116362422B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507879A (zh) * | 2020-04-15 | 2020-08-07 | 北京交通大学 | 一种城市空间结构识别方法 |
CN114297532A (zh) * | 2021-12-31 | 2022-04-08 | 哈尔滨工业大学 | 一种基于人群移动轨迹的高清城市功能区识别方法及系统 |
Non-Patent Citations (1)
Title |
---|
信睿 ; 艾廷华 ; 杨伟 ; 冯涛 ; .顾及出租车OD点分布密度的空间Voronoi剖分算法及OD流可视化分析.地球信息科学学报.(第10期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN116362422A (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A simple baseline for travel time estimation using large-scale trip data | |
CN106503840B (zh) | 停车场可用车位预测方法及系统 | |
Nandugudi et al. | Pocketparker: Pocketsourcing parking lot availability | |
Poonawala et al. | Singapore in motion: Insights on public transport service level through farecard and mobile data analytics | |
CN113191023B (zh) | 群智感知的任务分配和用户招募模型交叉验证方法及系统 | |
CN111401743B (zh) | 一种城市道路施工期的动态交通影响评价方法 | |
CN110956807B (zh) | 基于多源数据与滑动窗口组合的高速公路流量预测方法 | |
Wang et al. | Trajectory analysis for on-demand services: A survey focusing on spatial-temporal demand and supply patterns | |
Willekens | Modeling approaches to the indirect estimation of migration flows: From entropy to EM | |
Hankaew et al. | Inferring and modeling migration flows using mobile phone network data | |
CN108345987B (zh) | 一种道路基础设施建设项目影响评价决策支持系统及方法 | |
Gore et al. | Congestion index and reliability-based freeway level of service | |
CN112419711B (zh) | 基于改进gmdh算法的封闭式停车场停车需求预测方法 | |
CN116437291A (zh) | 一种基于手机信令的文化圈规划方法和系统 | |
Xing et al. | Sustainable development evaluation of urban traffic system | |
Wang et al. | An innovative method to predict the thermal parameters of construction assemblies for urban building energy models | |
CN116362422B (zh) | 基于活动空间和重力模型的城市人流量预测方法及装置 | |
Hu et al. | Discovering urban travel demands through dynamic zone correlation in location-based social networks | |
CN115640756A (zh) | 一种基于多源数据的停车需求预测模型、方法及其应用 | |
Carpentieri et al. | Urban Energy Consumption in the City of Naples (Italy): A Geographically Weighted Regression Approach | |
McCool et al. | Maximum interpolable gap length in missing smartphone-based GPS mobility data | |
Rahman et al. | MDLpark: available parking prediction for smart parking through mobile deep learning | |
CN113077079A (zh) | 一种基于数据驱动的轨道交通新线接入客流预测方法 | |
Lai et al. | Fine‐scale simulation of spatial population distribution by coupling GA–ABM and big data: A case study of Dongguan, China | |
CN115994313B (zh) | 基于访问地点聚类的人群移动建模方法及装置 |
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 |