CN116703039A - 站城融合数据分析方法及装置 - Google Patents
站城融合数据分析方法及装置 Download PDFInfo
- Publication number
- CN116703039A CN116703039A CN202310955416.8A CN202310955416A CN116703039A CN 116703039 A CN116703039 A CN 116703039A CN 202310955416 A CN202310955416 A CN 202310955416A CN 116703039 A CN116703039 A CN 116703039A
- Authority
- CN
- China
- Prior art keywords
- station
- data
- city
- target
- fusion
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 265
- 238000007405 data analysis Methods 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 69
- 230000000694 effects Effects 0.000 claims abstract description 77
- 238000004458 analytical method Methods 0.000 claims abstract description 43
- 238000004590 computer program Methods 0.000 claims description 27
- 238000011161 development Methods 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000002360 preparation method Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000000513 principal component analysis Methods 0.000 claims description 2
- 238000004445 quantitative analysis Methods 0.000 abstract description 2
- 238000013461 design Methods 0.000 description 15
- 230000010354 integration Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 230000006872 improvement Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 8
- 238000011160 research Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 239000003550 marker Substances 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 238000012216 screening Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000011835 investigation Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000004141 dimensional analysis Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000007431 microscopic evaluation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种站城融合数据分析方法及装置,涉及交通运输技术领域,其中该方法包括:获取历史车站的车站数据、所在城市数据、历史人流数据,并对获取的数据采用多维分析法分析得到站城融合影响因子,再对获取的数据进行分析,根据分析结果和所述站城融合影响因子提取出对目标车站进行站城融合数据分析的多个指标,采用DEMATEL方法,为多个指标分配对应权重;接收对目标车站的站城融合数据分析请求;根据多个指标及指标对应权重,对目标车站的车站数据、目标车站所在城市数据、目标车站人流数据进行分析,输出目标车站的站城融合数据分析结果。本发明可以提高站城融合数据分析的全面性,实现定量分析站城融合效果。
Description
技术领域
本发明涉及交通运输技术领域,尤其涉及一种站城融合数据分析方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
随着铁路和城市建设的快速发展,铁路客站和城市关系日益紧密,既相互影响,又互为支撑。铁路客站带动站区周边大规模开发,对城市空间、业态规模、衔接交通等提出更高要求;城市快速发展带动了人流物流的大范围流动,对客站布局选址、规模等级等也有更高需求,站城融合发展成为路地协同合作的必然要求。
目前对于站城融合的研究集中在内涵研究、策略研究等,例如,从不同视角对站城融合的内涵进行梳理和解读,并提出评价要素及分析框架,或,以站城融合的内涵建立基于产业、城市功能、土地利用、空间开发、接驳及管理为核心维度的宏观和微观分析框架等,又如基于站城融合的内涵建立评价体系,但是从整体角度看,现有技术中对于站城融合的研究,既存在研究论文等理论支撑较少,又存在评价维度片面、反馈不足、实际使用价值低等缺陷,导致对站城融合数据分析的全面性不足,也无法定量分析、精准判断车站的站城融合效果,造成站城融合发展缓慢。
发明内容
本发明实施例提供一种站城融合数据分析方法,用以提高站城融合数据分析全面性,定量分析站城融合效果,为规划新增、改扩建铁路客站提供理论支撑和技术指导,该方法包括:
获取历史车站的车站数据、所在城市数据、历史人流数据;
采用多维分析法对历史车站的车站数据、所在城市数据、历史人流数据进行分析,分析得到站城融合影响因子,所述站城融合影响因子为站城融合效果的影响因素;
对历史车站的车站数据、所在城市数据、历史人流数据进行分析,根据分析结果及所述站城融合影响因子,提取出对目标车站进行站城融合数据分析的多个指标;
采用决策实验室分析DEMATEL方法,为多个指标分配对应权重;
接收对目标车站的站城融合数据分析请求,所述站城融合数据分析请求携带目标车站的车站数据、目标车站所在城市数据、目标车站人流数据;
根据多个指标及指标对应权重,对目标车站的车站数据、目标车站所在城市数据、目标车站人流数据进行分析,输出目标车站的站城融合数据分析结果。
本发明实施例还提供一种站城融合数据分析装置,用以提高站城融合数据分析全面性,定量分析站城融合效果,为规划新增、改扩建铁路客站提供理论支撑和技术指导,该装置包括:
数据分析准备模块,用于获取历史车站的车站数据、所在城市数据、历史人流数据;采用多维分析法对历史车站的车站数据、所在城市数据、历史人流数据进行分析,分析得到站城融合影响因子,所述站城融合影响因子为站城融合效果的影响因素;对历史车站的车站数据、所在城市数据、历史人流数据进行分析,根据分析结果及所述站城融合影响因子,提取出对目标车站进行站城融合数据分析的多个指标;采用DEMATEL方法,为多个指标分配对应权重;
站城融合分析请求接收模块,用于接收对目标车站的站城融合数据分析请求,所述站城融合数据分析请求携带目标车站的车站数据、目标车站所在城市数据、目标车站人流数据;
数据分析模块,用于根据多个指标及指标对应权重,对目标车站的车站数据、目标车站所在城市数据、目标车站人流数据进行分析,输出目标车站的站城融合数据分析结果。
本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述站城融合数据分析方法。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述站城融合数据分析方法。
本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现上述站城融合数据分析方法。
本发明实施例中,获取历史车站的车站数据、所在城市数据、历史人流数据;采用多维分析法对历史车站的车站数据、所在城市数据、历史人流数据进行分析,分析得到站城融合影响因子,所述站城融合影响因子为站城融合效果的影响因素;对历史车站的车站数据、所在城市数据、历史人流数据进行分析,根据分析结果及所述站城融合影响因子,提取出对目标车站进行站城融合数据分析的多个指标;采用DEMATEL方法,为多个指标分配对应权重;接收对目标车站的站城融合数据分析请求,所述站城融合数据分析请求携带目标车站的车站数据、目标车站所在城市数据、目标车站人流数据;根据多个指标及指标对应权重,对目标车站的车站数据、目标车站所在城市数据、目标车站人流数据进行分析,输出目标车站的站城融合数据分析结果。本发明实施例利用历史车站的车站数据、所在城市数据、历史人流数据进行数据分析,提取出多个指标,并为多个指标分配权重,可快速输出目标车站的站城融合数据分析结果,实现了定量分析站城融合效果,并且由于充分利用目标车站的车站数据、目标车站所在城市数据、目标车站人流数据,使得站城融合数据分析更加全面,可以为规划新增、改扩建铁路客站提供理论支撑和技术指导。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本发明实施例中站城融合数据分析方法的流程示意图;
图2为本发明实施例中站城融合数据分析维度框架;
图3为本发明实施例中站城融合数据分析方法的一具体实例图;
图4为本发明实施例中站城融合数据分析结果的示意图;
图5为本发明实施例中站城融合数据分析装置的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
申请人发现,现有技术中对于站城融合的研究分析,存在研究论文等理论支撑较少、评价维度片面、反馈不足、实际使用价值低等缺陷,导致难以精准判断阻碍站城融合的影响因素,造成站城融合发展缓慢。为此,申请人提出了一种站城融合数据分析方法。
图1为本发明实施例中站城融合数据分析方法的流程示意图,如图1所示,该方法包括:
步骤101、获取历史车站的车站数据、所在城市数据、历史人流数据;
步骤102、采用多维分析法对历史车站的车站数据、所在城市数据、历史人流数据进行分析,分析得到站城融合影响因子,所述站城融合影响因子为站城融合效果的影响因素;
步骤103、对历史车站的车站数据、所在城市数据、历史人流数据进行分析,根据分析结果及所述站城融合影响因子,提取出对目标车站进行站城融合数据分析的多个指标;
步骤104、采用DEMATEL方法,为多个指标分配对应权重;
步骤105、接收对目标车站的站城融合数据分析请求,所述站城融合数据分析请求携带目标车站的车站数据、目标车站所在城市数据、目标车站人流数据;
步骤106、根据多个指标及指标对应权重,对目标车站的车站数据、目标车站所在城市数据、目标车站人流数据进行分析,输出目标车站的站城融合数据分析结果。
从图1所示流程可以看出,本发明实施例利用历史车站的车站数据、所在城市数据、历史人流数据进行数据分析,提取出多个指标,并为多个指标分配权重,可快速输出目标车站的站城融合数据分析结果,实现了定量分析站城融合效果,并且由于充分利用目标车站的车站数据、目标车站所在城市数据、目标车站人流数据,使得站城融合数据分析更加全面,可以为规划新增、改扩建铁路客站提供理论支撑和技术指导。
需要说明的是,本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
下面对本发明实施例中站城融合数据分析方法进行详细解释。
首先,在步骤101至步骤104中,进行对目标车站站城融合数据分析的准备。
步骤101,获取历史车站的车站数据、所在城市数据、历史人流数据,例如,通过调研铁路客站、走访相关人员、与相关主管部门开展座谈等方式,获取路地双方在规划、设计、建设、运管各阶段对历史车站关于站城融合的实施要求等历史车站的车站数据、所在城市数据,铁路车次、公交车次、站点位置等历史人流数据,还可以获取关于历史车站的以“站城融合”、“枢纽一体化”、“站城一体化”、“衔接换乘”、“集疏运体系”、“枢纽经济”、“临站经济”、“综合开发”、“协调机制”等为关键词的行业标准要求文件数据,也可以通过线上与线下相结合的方式,向相关从业人员、行业专家及到站旅客、城市群众等发放问卷调查表,获取各方对各历史车站站城融合的满意度数据,以及搜集对历史车站的车站数据、所在城市数据、历史人流数据的网络评价数据、统计数据等等。
在一个实施例中,获取与目标车站相同类型的历史车站的车站数据、所在城市数据、历史人流数据,这样可以更加具有针对性的对目标车站进行站城融合数据分析。
本发明实施例中将车站的基建流程划分为规划-设计-建管三阶段,其中,在规划阶段进行车站建立的可行性研究;在设计阶段,结合在规划阶段进行的车站建立的可行性研究进行初步设计,例如施工图设计,设计阶段结束时,待建车站的基建相关设计无法更改;在建管阶段,进行车站的建设实施、运营管理。因此,本发明实施例中可以按照基建流程对车站进行分类,将车站划分为处于规划阶段、处于设计阶段、处于建管阶段三个类型的车站。本发明实施例中也可以按照车站是否已经建设完成,将车站划分为未建立、处于建立中、建立完成三个类型的车站。本发明实施例中还可以按照车站位置、车站规模、车站所处城市类型等多个车站的特点、属性划分车站类型。本发明实施例中对车站类型不做限定,仅作示例,本发明实施例中的目标车站和历史车站可以是上述任一类型的车站。
例如,目标车站是处于规划阶段的车站,则可以通过调研、搜索等数据获取方式,获取同样处于规划阶段的历史车站的车站数据、所在城市数据、历史人流数据等。需要说明的是,在数据分析准备阶段,与目标车站类型相同的历史车站较多,因此可以获取多个与目标车站相同类型的历史车站的车站数据、所在城市数据、历史人流数据。
为了使目标车站的站城融合数据分析结果更加可靠,能够后续有针对性的为目标车站的站城融合效果提升提出可实施的优化对策或调整建议,在一个实施例中,所述历史车站的车站数据,是指对历史车站的站城融合效果的影响力大于第一阈值的车站数据;所述历史车站的所在城市数据,是指对历史车站的站城融合效果的影响力大于第二阈值的所在城市数据。
本例中,由于能够获取到的历史车站的车站数据、所在城市数据较多,且繁杂,因此可以对数据进行筛选,筛选其中对站城融合效果的影响力较大的数据。例如,提前预设对站城融合效果影响较大的关键词,采用相似度计算的方式对所有获取的历史车站的车站数据、所在城市数据进行筛选,得到对历史车站的站城融合效果的影响力大于第一阈值的车站数据、对历史车站的站城融合效果的影响力大于第二阈值的所在城市数据。
筛选完成后,所述历史车站的车站数据,可以包括:车站距中心城区距离、车站与周边建筑步行衔接道路数;
所述历史车站的所在城市数据,包括如下任一或任意组合:车站所在城市的总人口数、车站所在城市中城镇人口占总人口的比重、车站所在城市GDP、车站所在城市人均可支配收入、车站第一预设距离内道路网密度、车站第二预设距离内干线道路与集散道路比、车站第三预设距离内开发土地面积、车站第四预设距离内的建筑容积率、车站第五预设距离内的可建设用地等;
所述历史车站的人流数据,可以包括:人均铁路出行次数、车站公交线路数、车站公交线路每万人发送量、车站轨道线路数、车站轨道线路每万人发送量、车站客运量、高铁与城际的客流比例等。
为了使目标车站的站城融合数据分析结果更加可靠,本发明实施例中还提供了另一种数据筛选方式。具体的,本发明实施例中站城融合数据分析结果可以包括表示站城融合效果等级数值,例如1、2、3、4,站城融合效果等级数值越小表示站城融合效果越好,则可以从获取的所有历史车站的车站数据、所在城市数据、历史人流数据中筛选得到站城融合效果等级数值小于第三阈值的历史车站的车站数据、所在城市数据、历史人流数据。
本例具体实施时,可以提前获取已经执行过站城融合数据分析的所有类型的历史车站的数据,并根据站城融合数据分析结果,选取其中站城融合数据分析结果较佳的历史车站,建立标杆项目库。例如,根据站城融合效果的数值设定第三阈值,选取站城融合效果的数值为小于第三阈值的历史车站进入标杆项目库,第三阈值可以为3。在步骤101中获取历史车站的车站数据、所在城市数据、历史人流数据时,可以从标杆项目库中,获取站城融合效果的数值小于第三阈值的、且与目标车站相同类型的历史车站的车站数据、所在城市数据、历史人流数据。需要说明的是,在数据分析准备阶段,可以获取多个与目标车站相同类型的历史车站的车站数据、所在城市数据、历史人流数据。
步骤102,采用多维分析法对历史车站的车站数据、所在城市数据、历史人流数据进行分析,分析得到站城融合影响因子,所述站城融合影响因子为站城融合效果的影响因素。
(1)采用多维分析法遴选出共有影响因子的关键词:将获取的历史车站的车站数据、所在城市数据、历史人流数据进行多源数据链接,通过多维分析法构建对于站城融合的行业要求、路地实施要求、人的要求的三维空间坐标,对所有历史车站的车站数据、所在城市数据、历史人流数据进行多维交叉组合,遴选出二维视角下、三维视角下的共有影响因子的关键词;
(2)将共有影响因子的关键词与调查获取的用户对历史车站站城融合满意度数据进行相关性分析,筛选出相互关联的影响因子,并剔除与历史车站站城融合满意度数据相关性较弱的影响因子,最后遴选出站城融合效果的影响因素,即站城融合影响因子。如表1所示,为站城融合影响因子;
表1站城融合影响因子
步骤103,对历史车站的车站数据、所在城市数据、历史人流数据进行分析,根据分析结果及所述站城融合影响因子,提取出对目标车站进行站城融合数据分析的多个指标。
1、对历史车站的车站数据、所在城市数据、历史人流数据进行分析,得到多个关键词。
(1)对所有获取的历史车站的车站数据、所在城市数据、历史人流数据再次进行分析,将文本中的语句拆分成具备独立语意的不同词语,剔除其中的动词和共性词,如“对”“形成”等动词,以及“首批”“其次”等不具备实际意义的词,析出数千个原始关键词;
(2)设置共现次数,对数千个关键词进行筛选,获得首批共现关键词;其中,共现次数建议为5次;
(3)对无法识别的无效关键词和重复关键词进行剔除;
(4)对同义词进行合并,如车站与城市、站与城,获得最终的、多个关键词。
2、根据扎根理论,对多个关键词和所述站城融合影响因子依次进行开放式编码、主轴式编码、选择式编码,提取出对目标车站进行站城融合数据分析的多个指标;多个指标包括关于目标车站、目标车站所在城市、目标车站人流的多个指标。具体如下:
(1)对多个关键词和所述站城融合影响因子进行开放式编码,对编码结果进行归类,得到多个三级指标。
例如,对重复概念、相似概念或反应类似事件的概念进行归类,形成车站站点与其他中心/枢纽区域的距离、公共交通的协调性等25个三级指标;
(2)对多个三级指标进行主轴式编码,得到多个二级指标;所述二级指标包括乘客便捷性、乘客舒适性、城市生活嵌入度、城市发展嵌入度、城市价值提升、区位和交通、规模和能力、安全性。
例如,对多个三级指标进行组合,辨析各三级指标之间的关系,进一步抽象和概括,挖掘出区位和交通、规模和能力等多个二级指标。
(3)对多个二级指标进行选择式编码,对多个二级指标提炼核心范畴,并用故事线对二级指标及其关系进行理论化整合,得到多个一级指标;所述一级指标包括关于目标车站、目标车站所在城市、目标车站人流的多个指标,例如人、城、站。
其中,故事线如图2所示,图2为本发明实施例中站城融合数据分析维度框架。
从图2中可以看出,本发明实施例中站城融合数据分析围绕着站、人、城三个方面。
(1)围绕提升“站”:
车站作为服务和融合的核心载体,其能力程度直接关系到站城融合基础,数据分析主要从以下三个方面对车站站点能力提升进行。
区位和交通
车站区位和交通主要体现站点与城市交通网络的融合程度,包括站点与其他中心/枢纽区域的距离、公共交通的协调性、汽车交通的融合程度。
规模和能力
车站规模和能力主要体现站点对自身资源的整合程度,以及车站和城市之间的资源挤兑效应,包括能力利用率、规模合理性、站区商业完整性、站区商业发展强度。
安全性
车站安全性是车站设计、运营的底线,所有站城融合的最终呈现都是功能性与安全性相平衡的结果,安全性作为独立的二级指标,凸显对安全问题的重视。
(2)围绕服务“人”:
尽管人不属于站城融合概念的一部分,但作为站城融合效果的最终受众,却是融合过程重要的参与者,其对站城融合效果的感知,是决定融合成果和未来发展方向的重要依据,本发明实施例中数据分析尝试从乘客便捷性、乘客舒适性两方面进行。
乘客便捷性
乘客便捷性主要体现乘客从进出站到站内通行过程的流畅程度,包括交通接驳方式的便捷性、车站智能化程度。
乘客舒适性
乘客对车站最直观的感受来源于直接的感官体验,是以人为本理念下,影响站城融合体验感的重要因素,包括空间拥挤度、空间环境综合适宜度、交通空间的可理解性。
(3)围绕建好“城”:
推动城市高质量发展是站城融合的关键目标,主要包括城市生活嵌入度、城市发展嵌入度、城市价值提升。
城市生活嵌入度
分析车站与城市的融合成程度,很重要的角度就是分析车站及其周边功能设施是否融入到了周边居民的生活和工作,包括居民对车站公共功能的使用频率、居民对车站商业功能的满意度、周边居民整体满意度。
城市发展嵌入度
车站与城市的融合发展,意味着车站能够自然而完整的融入到城市的发展当中,从车站与城市文化、发展方向以及车站周边三方面的嵌入关系,能够很好的体现车站与城市发展的嵌入程度,包括车站与城市文化的嵌入程度、车站与城市发展方向的嵌入程度、站点与周边的嵌入程度。
城市价值提升
站城融合最直接的体现就是对城市价值的提升,这种提升包括土地价值提升带来的直接提升和对土地进行集约利用带来的间接提升,包括土地价值增长、土地集约利用。
综上,如表2所示,表2为本发明实施例中站城融合数据分析的多个指标。
表2 站城融合数据分析的多个指标
步骤104,采用DEMATEL方法,为多个指标分配对应权重。
具体的,采用DEMATEL方法,为多个指标分配对应权重,可以包括:生成针对目标车站的站城融合效果的直接影响矩阵;所述直接影响矩阵中每个元素为不同指标之间的影响力数值;根据直接影响矩阵,确定各指标的权重。
实施时,依据多个指标生成针对目标车站的站城融合指标的直接影响矩阵A。直接影响矩阵A中包含不同指标之间的关系,其中每个元素为不同指标之间的影响力数值,具体指标i和指标j之间的影响关系用a ij 表示,可以分为无影响、低影响、中等影响、高影响四类,直接影响矩阵示例如下:
根据直接影响矩阵A求得规范化矩阵B和综合影响矩阵C,求解方式如下:
(1)
C=B(1-B) -1 (2)
根据综合影响矩阵C中各元素的值,可以计算出各指标的相互关系,元素i的影响度e i 是矩阵C中第i列的总和,具体计算公式如下:
(3)
元素i的被影响度f i 为综合影响矩阵C中第i行的总和,具体计算公式如下:
(4)
中心度z i 计算为e i 和f i 的和:
z i= e i +f i (5)
根据中心度的差异确定各三级指标的权重值,其为元素i的中心度在所有元素中心度之和中的占比,公式如下:
(6)
三级指标权重值确定后,可根据所属关系汇总计算得出二级指标权重值,如三级指标B11和B12的权重值分别为0.05和0.02,则二级指标B1权重则为0.07,以此类推可计算得到一级指标权重值。
在一个实施例中,在步骤104之后,建立人工智能模型,定期对各指标的权重值进行更新。
实施时,获取大量历史的站城融合数据分析的多个指标及对应的权重,构建训练集和测试,建立机器学习模型,利用训练集对机器学习模型进行训练,利用测试集对机器学习模型进行测试,得到训练好的权重分配模型,在获得最新的站城融合数据分析的多个指标,将其输入权重分配模型,输出重新分配好的权重值。
在结束步骤101至步骤104数据分析准备后,步骤105中,接收对目标车站的站城融合数据分析请求,所述站城融合数据分析请求携带目标车站的车站数据、目标车站所在城市数据、目标车站人流数据。本步骤105也可以在步骤101之前执行。
为了对目标车站的站城融合数据进行全面分析,可以通过调研、搜索、专家访谈、从相关单位获取等技术手段获取目标车站的车站数据、目标车站所在城市数据、目标车站人流数据等多个维度的数据,其中,目标车站的车站数据可以包括例如车站距中心城区距离、车站与周边建筑步行衔接道路数等,目标车站所在城市数据可以包括例如车站所在城市的总人口数、车站所在城市中城镇人口占总人口的比重、车站所在城市GDP、车站所在城市人均可支配收入等,目标车站人流数据可以包括例如人均铁路出行次数、车站公交线路数、车站公交线路每万人发送量、车站轨道线路数、车站轨道线路每万人发送量、车站客运量、高铁与城际的客流比例等。需要说明的是,如果目标车站没有建立完成,所述目标车站人流数据包括计划中的预设人流数据,如果目标车站已经建立完成,所述人流数据可以包括已有的历史人流数据。
还需要说明的是,本发明实施例中的目标车站的车站数据、目标车站所在城市数据、目标车站人流数据不仅限于上述内容,本发明实施例在此仅作示例说明。
最后,在步骤106中,根据多个指标及指标对应权重,对目标车站的车站数据、目标车站所在城市数据、目标车站人流数据进行分析,输出目标车站的站城融合数据分析结果。
具体的,对目标车站的车站数据、目标车站所在城市数据、目标车站人流数据进行分析处理,得到对应的目标车站的各个指标的值,利用指标对应权重进行分析处理,得到目标车站的各个指标的最终值,对比、结合历史车站的各个指标的最终值或者根据经验设定站城融合效果的标准,输出目标车站的站城融合数据分析结果,例如目标车站的站城融合效果等级、站城融合效果提升对策、站城融合调整建议信息,站城融合数据分析结果可以以不同的形式输出,本发明实施例在此仅作示意说明。
图3为本发明实施例中站城融合数据分析方法的一具体实例图,如图3所示,根据多个指标及指标对应权重,对目标车站的车站数据、目标车站所在城市数据、目标车站人流数据进行分析,输出目标车站的站城融合数据分析结果,可以包括:
步骤301、根据多个指标,对目标车站的车站数据、目标车站所在城市数据、目标车站人流数据进行分析,输出目标车站的多个指标的数值;
步骤302、根据多个指标对应权重和目标车站的多个指标的数值,输出目标车站的站城融合效果数据、目标车站的站城融合效果待提升指标;
步骤303、根据目标车站的站城融合效果待提升指标,输出目标车站的站城融合调整建议信息。
实施时,首先,对目标车站的车站数据、目标车站所在城市数据、目标车站人流数据进行数据处理,整理输出目标车站的多个指标的数值。
然后,根据多个指标对应权重和目标车站的多个指标的数值,得到目标车站的按权重计算后的多个指标的数值;根据按权重计算后的多个指标的数值输出目标车站的站城融合效果数据、目标车站的站城融合效果待提升指标;还可以输出其他形式的站城融合数据分析结果,例如,图4为本发明实施例中站城融合数据分析结果的示意图,如图4所示,以某高铁沿线车站作为数据分析对象,最后可以输出该高铁沿线车站的数据分析雷达图。实施时,例如指标数值越小表示相应的站城融合效果越差,则可以将目标车站的所有指标中数值最小或所有指标中数值小于预先设定的第四阈值的指标直接作为待提升指标;也可以提前预设站城融合各级指标的第五阈值,将目标车站不满足第五阈值条件的指标作为目标车站的站城融合效果待提升指标。最后,根据目标车站的站城融合效果待提升指标,输出目标车站的站城融合调整建议信息。
为提高目标车站的站城融合效果提升对策的可靠性,在一个实施例中,根据目标车站的站城融合效果待提升指标,输出目标车站的站城融合调整建议信息,可以包括:
采用主成分分析PCA方法,建立目标车站的车站数据、目标车站所在城市数据、目标车站人流数据与各指标的相关性对应关系;
从目标车站的车站数据、目标车站所在城市数据、目标车站人流数据与各指标的相关性对应关系,调取与目标车站的站城融合效果待提升指标对应的目标车站的车站数据、目标车站所在城市数据、目标车站人流数据,调整数据范围,输出站城融合调整建议信息。
实施时,由于获取的原始数据,即目标车站的车站数据、目标车站所在城市数据、目标车站人流数据较多,而最后用于数据分析的具体是多个指标,因此可以建立原始数据与多个指标的相关性对应关系,在得到数据分析结果后,根据待提升指标获取相关的原始数据,从而有针对性的进行调整。数据范围调整之后,可以根据调整数据范围后的车站数据、所在城市数据、人流数据再次进行分析,当目标车站的站城融合效果待提升指标满足阈值条件,则根据对应的调整数据范围后的车站数据、所在城市数据、人流数据输出站城融合调整建议信息。
例如,目标车站的站城融合效果待提升指标为二级指标:区位和交通,从目标车站的车站数据、目标车站所在城市数据、目标车站人流数据与各指标的相关性对应关系获得与“区位和交通”相关性较高的目标车站的车站数据有:客站距中心城区距离,原数据为30,修改时以c为步长,利用程序自动遍历30±c,30±2c,……,进行数据分析,直至30+5c时,目标车站的“区位和交通”的数值≥d(d为预先设置的第四或第五阈值,推荐取值为0.8~0.9),得到目标车站的站城融合调整建议信息:将客站距中心城区距离调整为30+5c。
为进一步提高目标车站的站城融合效果提升对策的可靠性,在一个实施例中,根据目标车站的站城融合效果待提升指标,输出目标车站的站城融合调整建议信息,可以包括:
首先,采用计算向量相似度的方式,从与目标车站相同类型的历史车站中选取车站数据、所在城市数据、历史人流数据分别与目标车站的车站数据、目标车站所在城市数据、目标车站人流数据相似度值最大的第一车站,获取该第一车站的车站数据、所在城市数据、历史人流数据;
实施时,可以利用历史已经进行过站城融合数据分析,且数据分析结果显示站城融合效果较好的车站,以其作为参考进行调整。
例如,从前述的标杆项目库中获取与目标车站相似度值最大的车站。利用目标车站的车站数据、所在城市数据、人流数据建立目标车站“站”、“城”、“人”三个分析维度的向量数据,记为(X1,X2,X3),将标杆项目库中所有标杆项目的数据也转换为“站”、“城”、“人”三个维度的向量数据,记为(N1,N2,N3),N为标杆项目库中任一车站,依次将(X1,X2,X3)与(N1,N2,N3)依次进行向量相似度计算,获取与(X1,X2,X3)相似度值最大的车站,进而获取与目标车站相似度值最大的第一车站的车站数据、所在城市数据、历史人流数据。其中,向量相似度计算的方式可以采用余弦相似度法、欧氏距离法、曼哈顿距离法、切比雪夫距离法、Tanimoto谷本系数法、皮尔逊相关系数法、杰卡德相似系数法等,本发明实施例中采用余弦相似度法,其度量的是多维空间两点与所设定的点形成夹角的余弦值,其范围是[-1,1],余弦相似度的值越大,说明夹角越大,两点相距就越远,相似度越小。
然后,根据该第一车站的车站数据、所在城市数据、历史人流数据,调整目标车站的车站数据、目标车站所在城市数据、目标车站人流数据的范围,输出目标车站的站城融合调整建议信息。
实施时,利用目标车站的车站数据、目标车站所在城市数据、目标车站人流数据,与该第一车站的车站数据、所在城市数据、历史人流数据之间的差异性,以该第一车站的车站数据、所在城市数据、历史人流数据为标准,调整目标车站的车站数据、目标车站所在城市数据、目标车站人流数据,再次进行分析验证,当目标车站的站城融合效果待提升指标满足阈值条件,则根据对应的调整数据范围后的目标车站的车站数据、目标车站所在城市数据、目标车站人流数据,输出站城融合调整建议信息。
本发明实施例中,在输出站城融合调整建议信息时,调整的所述目标车站的车站数据、目标车站所在城市数据、目标车站人流数据,可以包括目标车站的影响因子数据、处于设计阶段的目标车站的项目设计数据等,调整这些数据再次进行数据分析,输出合适的站城融合效果提升对策。例如,处于设计阶段的目标车站的项目设计数据,包括例如“站”相关的设计数据,例如:站房形式、进出站流线形式、站房面积、候车厅面积、进站口数量、拥有进站口的楼层数量等;“城”相关的设计数据,例如:铁路客站相关公共服务设施与铁路客站的距离、公共服务设施的布置形式、公共服务设施与铁路客站的相邻界面长度等;“人”相关的设计数据,例如:地铁站与铁路客站的距离、公交车站与铁路客站的距离、停车场与铁路客站的距离、出租车上下客点与铁路客站的距离、铁路客站智能化设备的数量、铁路客站的绿化率等,这些数据可以通过调研的方式获取,或者从车站及相关设施的设计单位处、管理单位处获取。通过调整的数据范围,重新整理目标车站的车站数据、目标车站所在城市数据、目标车站人流数据,进行分析验证输出站城融合调整建议信息。
综上,本发明实施例具备如下优点:
1、克服了现有技术中站城融合数据分析偏于理论、系统性不足、无法用于铁路车站实施、建立指导的问题;
2、提高了站城融合数据分析全面性,实现了定量分析站城融合效果,有针对性的提出站城融合调整建议信息,为规划新增、改扩建铁路客站提供理论支撑和技术指导;
3、在经济效益方面,有助于提升铁路客站及站区的吸引力,有效促进铁路客站和站区城市更新,提高铁路客站和站区的人流量和经济活力;在社会效益方面,有助于提高交通效率,方便人们对外出行和城市活动,提高居民对铁路客站的满意度。
本发明实施例中还提供了一种站城融合数据分析装置,如下面的实施例所述。由于该装置解决问题的原理与站城融合数据分析方法相似,因此该装置的实施可以参见站城融合数据分析方法的实施,重复之处不再赘述。
图5为本发明实施例中站城融合数据分析装置的示意图,如图5所示,该装置包括:
数据分析准备模块501,用于获取历史车站的车站数据、所在城市数据、历史人流数据;采用多维分析法对历史车站的车站数据、所在城市数据、历史人流数据进行分析,分析得到站城融合影响因子,所述站城融合影响因子为站城融合效果的影响因素;对历史车站的车站数据、所在城市数据、历史人流数据进行分析,根据分析结果及所述站城融合影响因子,提取出对目标车站进行站城融合数据分析的多个指标;采用DEMATEL方法,为多个指标分配对应权重;
站城融合分析请求接收模块502,用于接收对目标车站的站城融合数据分析请求,所述站城融合数据分析请求携带目标车站的车站数据、目标车站所在城市数据、目标车站人流数据;
数据分析模块503,用于根据多个指标及指标对应权重,对目标车站的车站数据、目标车站所在城市数据、目标车站人流数据进行分析,输出目标车站的站城融合数据分析结果。
在一个实施例中,所述历史车站的车站数据,是指对历史车站的站城融合效果的影响力大于第一阈值的车站数据;所述历史车站的所在城市数据,是指对历史车站的站城融合效果的影响力大于第二阈值的所在城市数据。
在一个实施例中,所述历史车站的车站数据,包括如下任一或任意组合:车站距中心城区距离、车站与周边建筑步行衔接道路数;
所述历史车站的所在城市数据,包括如下任一或任意组合:车站所在城市的总人口数、车站所在城市中城镇人口占总人口的比重、车站所在城市GDP、车站所在城市人均可支配收入、车站第一预设距离内道路网密度、车站第二预设距离内干线道路与集散道路比、车站第三预设距离内开发土地面积、车站第四预设距离内的建筑容积率、车站第五预设距离内的可建设用地;
所述历史车站的人流数据,包括如下任一或任意组合:人均铁路出行次数、车站公交线路数、车站公交线路每万人发送量、车站轨道线路数、车站轨道线路每万人发送量、车站客运量、高铁与城际的客流比例。
在一个实施例中,数据分析准备模块501具体用于:
从历史车站的车站数据、所在城市数据、历史人流数据提取关键词和历史车站的站城融合效果的影响因素;
根据扎根理论,对关键词和所述站城融合影响因子依次进行开放式编码、主轴式编码、选择式编码,提取出对目标车站进行站城融合数据分析的多个指标;多个指标包括关于目标车站、目标车站所在城市、目标车站人流的多个指标。
在一个实施例中,数据分析准备模块501具体用于:
生成针对目标车站的站城融合效果的直接影响矩阵;所述直接影响矩阵中每个元素为不同指标之间的影响力数值;
根据直接影响矩阵,确定各指标的权重。
在一个实施例中,数据分析模块503具体用于:
根据多个指标,对目标车站的车站数据、目标车站所在城市数据、目标车站人流数据进行分析,输出目标车站的多个指标的数值;
根据多个指标对应权重和目标车站的多个指标的数值,输出目标车站的站城融合效果数据、目标车站的站城融合效果待提升指标;
根据目标车站的站城融合效果待提升指标,输出目标车站的站城融合调整建议信息。
在一个实施例中,数据分析模块503具体用于:
采用PCA方法,建立目标车站的车站数据、目标车站所在城市数据、目标车站人流数据与各指标的相关性对应关系;
从目标车站的车站数据、目标车站所在城市数据、目标车站人流数据与各指标的相关性对应关系,调取与目标车站的站城融合效果待提升指标对应的目标车站的车站数据、目标车站所在城市数据、目标车站人流数据,调整数据范围,输出站城融合调整建议信息。
在一个实施例中,数据分析模块503具体用于:
采用计算向量相似度的方式,从与目标车站相同类型的历史车站中选取车站数据、所在城市数据、历史人流数据分别与目标车站的车站数据、目标车站所在城市数据、目标车站人流数据相似度值最大的第一车站,获取该第一车站的车站数据、所在城市数据、历史人流数据;
根据该第一车站的车站数据、所在城市数据、历史人流数据,调整目标车站的车站数据、目标车站所在城市数据、目标车站人流数据的范围,输出目标车站的站城融合调整建议信息。
本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述站城融合数据分析方法。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述站城融合数据分析方法。
本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现上述站城融合数据分析方法。
本发明实施例中,获取历史车站的车站数据、所在城市数据、历史人流数据;采用多维分析法对历史车站的车站数据、所在城市数据、历史人流数据进行分析,分析得到站城融合影响因子,所述站城融合影响因子为站城融合效果的影响因素;对历史车站的车站数据、所在城市数据、历史人流数据进行分析,根据分析结果及所述站城融合影响因子,提取出对目标车站进行站城融合数据分析的多个指标;采用DEMATEL方法,为多个指标分配对应权重;接收对目标车站的站城融合数据分析请求,所述站城融合数据分析请求携带目标车站的车站数据、目标车站所在城市数据、目标车站人流数据;根据多个指标及指标对应权重,对目标车站的车站数据、目标车站所在城市数据、目标车站人流数据进行分析,输出目标车站的站城融合数据分析结果。本发明实施例利用历史车站的车站数据、所在城市数据、历史人流数据进行数据分析,提取出多个指标,并为多个指标分配权重,可快速输出目标车站的站城融合数据分析结果,实现了定量分析站城融合效果,并且由于充分利用目标车站的车站数据、目标车站所在城市数据、目标车站人流数据,使得站城融合数据分析更加全面,可以为规划新增、改扩建铁路客站提供理论支撑和技术指导。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (19)
1.一种站城融合数据分析方法,其特征在于,包括:
获取历史车站的车站数据、所在城市数据、历史人流数据;
采用多维分析法对历史车站的车站数据、所在城市数据、历史人流数据进行分析,分析得到站城融合影响因子,所述站城融合影响因子为站城融合效果的影响因素;
对历史车站的车站数据、所在城市数据、历史人流数据进行分析,根据分析结果及所述站城融合影响因子,提取出对目标车站进行站城融合数据分析的多个指标;
采用决策实验室分析DEMATEL方法,为多个指标分配对应权重;
接收对目标车站的站城融合数据分析请求,所述站城融合数据分析请求携带目标车站的车站数据、目标车站所在城市数据、目标车站人流数据;
根据多个指标及指标对应权重,对目标车站的车站数据、目标车站所在城市数据、目标车站人流数据进行分析,输出目标车站的站城融合数据分析结果。
2.如权利要求1所述的方法,其特征在于,所述历史车站的车站数据,是指对历史车站的站城融合效果的影响力大于第一阈值的车站数据;所述历史车站的所在城市数据,是指对历史车站的站城融合效果的影响力大于第二阈值的所在城市数据。
3.如权利要求2所述的方法,其特征在于,所述历史车站的车站数据,包括如下任一或任意组合:车站距中心城区距离、车站与周边建筑步行衔接道路数;
所述历史车站的所在城市数据,包括如下任一或任意组合:车站所在城市的总人口数、车站所在城市中城镇人口占总人口的比重、车站所在城市GDP、车站所在城市人均可支配收入、车站第一预设距离内道路网密度、车站第二预设距离内干线道路与集散道路比、车站第三预设距离内开发土地面积、车站第四预设距离内的建筑容积率、车站第五预设距离内的可建设用地;
所述历史车站的人流数据,包括如下任一或任意组合:人均铁路出行次数、车站公交线路数、车站公交线路每万人发送量、车站轨道线路数、车站轨道线路每万人发送量、车站客运量、高铁与城际的客流比例。
4.如权利要求1所述的方法,其特征在于,对历史车站的车站数据、所在城市数据、历史人流数据进行分析,根据分析结果及所述站城融合影响因子,提取出对目标车站进行站城融合数据分析的多个指标,包括:
从历史车站的车站数据、所在城市数据、历史人流数据提取关键词;
根据扎根理论,对关键词和所述站城融合影响因子依次进行开放式编码、主轴式编码、选择式编码,提取出对目标车站进行站城融合数据分析的多个指标;多个指标包括关于目标车站、目标车站所在城市、目标车站人流的多个指标。
5.如权利要求1所述的方法,其特征在于,采用DEMATEL方法,为多个指标分配对应权重,包括:
生成针对目标车站的站城融合效果的直接影响矩阵;所述直接影响矩阵中每个元素为不同指标之间的影响力数值;
根据直接影响矩阵,确定各指标的权重。
6.如权利要求1所述的方法,其特征在于,根据多个指标及指标对应权重,对目标车站的车站数据、目标车站所在城市数据、目标车站人流数据进行分析,输出目标车站的站城融合数据分析结果,包括:
根据多个指标,对目标车站的车站数据、目标车站所在城市数据、目标车站人流数据进行分析,输出目标车站的多个指标的数值;
根据多个指标对应权重和目标车站的多个指标的数值,输出目标车站的站城融合效果数据、目标车站的站城融合效果待提升指标;
根据目标车站的站城融合效果待提升指标,输出目标车站的站城融合调整建议信息。
7.如权利要求6所述的方法,其特征在于,根据目标车站的站城融合效果待提升指标,输出目标车站的站城融合调整建议信息,包括:
采用主成分分析PCA方法,建立目标车站的车站数据、目标车站所在城市数据、目标车站人流数据与各指标的相关性对应关系;
从目标车站的车站数据、目标车站所在城市数据、目标车站人流数据与各指标的相关性对应关系,调取与目标车站的站城融合效果待提升指标对应的目标车站的车站数据、目标车站所在城市数据、目标车站人流数据,调整数据范围,输出站城融合调整建议信息。
8.如权利要求6所述的方法,其特征在于,根据目标车站的站城融合效果待提升指标,输出目标车站的站城融合调整建议信息,包括:
采用计算向量相似度的方式,从与目标车站相同类型的历史车站中选取车站数据、所在城市数据、历史人流数据分别与目标车站的车站数据、目标车站所在城市数据、目标车站人流数据相似度值最大的第一车站,获取该第一车站的车站数据、所在城市数据、历史人流数据;
根据该第一车站的车站数据、所在城市数据、历史人流数据,调整目标车站的车站数据、目标车站所在城市数据、目标车站人流数据的范围,输出目标车站的站城融合调整建议信息。
9.一种站城融合数据分析装置,其特征在于,包括:
数据分析准备模块,用于获取历史车站的车站数据、所在城市数据、历史人流数据;采用多维分析法对历史车站的车站数据、所在城市数据、历史人流数据进行分析,分析得到站城融合影响因子,所述站城融合影响因子为站城融合效果的影响因素;对历史车站的车站数据、所在城市数据、历史人流数据进行分析,根据分析结果及所述站城融合影响因子,提取出对目标车站进行站城融合数据分析的多个指标;采用DEMATEL方法,为多个指标分配对应权重;
站城融合分析请求接收模块,用于接收对目标车站的站城融合数据分析请求,所述站城融合数据分析请求携带目标车站的车站数据、目标车站所在城市数据、目标车站人流数据;
数据分析模块,用于根据多个指标及指标对应权重,对目标车站的车站数据、目标车站所在城市数据、目标车站人流数据进行分析,输出目标车站的站城融合数据分析结果。
10.如权利要求9所述的装置,其特征在于,所述历史车站的车站数据,是指对历史车站的站城融合效果的影响力大于第一阈值的车站数据;所述历史车站的所在城市数据,是指对历史车站的站城融合效果的影响力大于第二阈值的所在城市数据。
11.如权利要求10所述的装置,其特征在于,所述历史车站的车站数据,包括如下任一或任意组合:车站距中心城区距离、车站与周边建筑步行衔接道路数;
所述历史车站的所在城市数据,包括如下任一或任意组合:车站所在城市的总人口数、车站所在城市中城镇人口占总人口的比重、车站所在城市GDP、车站所在城市人均可支配收入、车站第一预设距离内道路网密度、车站第二预设距离内干线道路与集散道路比、车站第三预设距离内开发土地面积、车站第四预设距离内的建筑容积率、车站第五预设距离内的可建设用地;
所述历史车站的人流数据,包括如下任一或任意组合:人均铁路出行次数、车站公交线路数、车站公交线路每万人发送量、车站轨道线路数、车站轨道线路每万人发送量、车站客运量、高铁与城际的客流比例。
12.如权利要求9所述的装置,其特征在于,数据分析准备模块具体用于:
从历史车站的车站数据、所在城市数据、历史人流数据提取关键词;
根据扎根理论,对关键词和所述站城融合影响因子依次进行开放式编码、主轴式编码、选择式编码,提取出对目标车站进行站城融合数据分析的多个指标;多个指标包括关于目标车站、目标车站所在城市、目标车站人流的多个指标。
13.如权利要求9所述的装置,其特征在于,数据分析准备模块具体用于:
生成针对目标车站的站城融合效果的直接影响矩阵;所述直接影响矩阵中每个元素为不同指标之间的影响力数值;
根据直接影响矩阵,确定各指标的权重。
14.如权利要求9所述的装置,其特征在于,数据分析模块具体用于:
根据多个指标,对目标车站的车站数据、目标车站所在城市数据、目标车站人流数据进行分析,输出目标车站的多个指标的数值;
根据多个指标对应权重和目标车站的多个指标的数值,输出目标车站的站城融合效果数据、目标车站的站城融合效果待提升指标;
根据目标车站的站城融合效果待提升指标,输出目标车站的站城融合调整建议信息。
15.如权利要求14所述的装置,其特征在于,数据分析模块具体用于:
采用PCA方法,建立目标车站的车站数据、目标车站所在城市数据、目标车站人流数据与各指标的相关性对应关系;
从目标车站的车站数据、目标车站所在城市数据、目标车站人流数据与各指标的相关性对应关系,调取与目标车站的站城融合效果待提升指标对应的目标车站的车站数据、目标车站所在城市数据、目标车站人流数据,调整数据范围,输出站城融合调整建议信息。
16.如权利要求14所述的装置,其特征在于,数据分析模块具体用于:
采用计算向量相似度的方式,从与目标车站相同类型的历史车站中选取车站数据、所在城市数据、历史人流数据分别与目标车站的车站数据、目标车站所在城市数据、目标车站人流数据相似度值最大的第一车站,获取该第一车站的车站数据、所在城市数据、历史人流数据;
根据该第一车站的车站数据、所在城市数据、历史人流数据,调整目标车站的车站数据、目标车站所在城市数据、目标车站人流数据的范围,输出目标车站的站城融合调整建议信息。
17.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8任一所述方法。
18.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至8任一所述方法。
19.一种计算机程序产品,其特征在于,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现权利要求1至8任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310955416.8A CN116703039B (zh) | 2023-08-01 | 2023-08-01 | 站城融合数据分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310955416.8A CN116703039B (zh) | 2023-08-01 | 2023-08-01 | 站城融合数据分析方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116703039A true CN116703039A (zh) | 2023-09-05 |
CN116703039B CN116703039B (zh) | 2023-11-10 |
Family
ID=87831416
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310955416.8A Active CN116703039B (zh) | 2023-08-01 | 2023-08-01 | 站城融合数据分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116703039B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210151578A (ko) * | 2020-06-05 | 2021-12-14 | 서울시립대학교 산학협력단 | 보행 네트워크를 활용한 도시철도 역세권 한계범위 방법 |
CN115115198A (zh) * | 2022-06-17 | 2022-09-27 | 北京工业大学 | 站城融合项目评价方法、系统、电子设备、存储介质 |
-
2023
- 2023-08-01 CN CN202310955416.8A patent/CN116703039B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210151578A (ko) * | 2020-06-05 | 2021-12-14 | 서울시립대학교 산학협력단 | 보행 네트워크를 활용한 도시철도 역세권 한계범위 방법 |
CN115115198A (zh) * | 2022-06-17 | 2022-09-27 | 北京工业大学 | 站城融合项目评价方法、系统、电子设备、存储介质 |
Non-Patent Citations (2)
Title |
---|
邓荟: "基于站城融合模式的大型铁路客站选址适应性研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》, pages 58 - 82 * |
黎新华 等: "基于DEMATEL和ISM融合的城市轨道交通车站运营安全评价方法研究", 《铁道运输与经济》, vol. 40, no. 7, pages 116 - 121 * |
Also Published As
Publication number | Publication date |
---|---|
CN116703039B (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102867408B (zh) | 一种公交出行路线的选择方法 | |
Guo et al. | Efficiency Assessment of Transit‐Oriented Development by Data Envelopment Analysis: Case Study on the Den‐en Toshi Line in Japan | |
CN110836675B (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
CN107145991B (zh) | 一种考虑路段相关性的时变随机网络动态路径搜索方法 | |
CN110889562A (zh) | 一种基于情景规划的动态城市模型系统 | |
Jahanishakib et al. | Land use change modeling through scenario-based cellular automata Markov: improving spatial forecasting | |
Uddin et al. | A framework to measure transit-oriented development around transit nodes: Case study of a mass rapid transit system in Dhaka, Bangladesh | |
CN112580951B (zh) | 基于乘客出行的城市地面公交运行监测关键指标筛选方法 | |
Song et al. | Research on a scientific approach for bus and metro networks integration | |
CN116703039B (zh) | 站城融合数据分析方法及装置 | |
Jajac et al. | Planning support concept to implementation of sustainable parking development projects in ancient Mediterranean cities | |
CN116415756B (zh) | 一种基于vr技术的城市虚拟场景体验管理系统 | |
CN108764518B (zh) | 一种基于物联网大数据的交通资源动态优化方法 | |
CN116187495A (zh) | 基于多模型耦合的慢行交通站点选址方法、装置和设备 | |
Ibrahim et al. | Planning transit-oriented development (TOD): a systematic literature review of measuring the transit-oriented development levels | |
Hu et al. | A study on urban road traffic safety based on matter element analysis | |
Ma et al. | Node-place model extended by system support: Evaluation and classification of metro station areas in Tianfu new area of Chengdu | |
CN113642162A (zh) | 一种城市道路交通应急预案仿真综合分析方法 | |
Keskin et al. | Cohort fertility heterogeneity during the fertility decline period in Turkey | |
Bulut et al. | Optimizing bus lines using genetic algorithm for public transportation | |
Morton et al. | Need a boost? a comparison of traditional commuting models with the xgboost model for predicting commuting flows (short paper) | |
Chu et al. | Application of Pedestrian Microscopic Simulation Technology in Researching the Influenced Realm around Urban Rail Transit Stations | |
CN113591327B (zh) | 一种基于vissim的局部交通规划多尺度评价方法 | |
Arenas et al. | Application of a co-evolutionary genetic algorithm to solve the periodic railway timetabling problem | |
Gardes et al. | Traffic Modeling to Evaluate Potential Benefits of Advanced Traffic Management and In-Vehicle Information Systems in a Freeway/Arterial Corridor |
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 |