CN117196693A - 一种城市地下交通的物流需求预测方法 - Google Patents

Abstract

本发明公开了一种城市地下交通的物流需求预测方法，包括以下步骤：构建物流需求多元线性回归模型，获取兴趣点数据，并根据物流需求多元线性回归模型和兴趣点数据获取交通小区的物流需求量；根据站点之间的运输时效性计算地铁的分担率，并根据地铁的分担率和交通小区的物流需求量，确定交通小区的地铁物流需求量；利用重力模型计算站点与交通小区之间的物流吸引力；根据交通小区的地铁物流需求量和站点与交通小区之间的物流吸引力，计算每个站点的地铁物流需求量以预测地铁物流需求量。本发明考虑了每个地铁站辐射各个交通小区的能力并结合了兴趣点实时数据，提升了地铁物流需求预测的准确度和实时性。

Description

一种城市地下交通的物流需求预测方法

技术领域

本发明涉及城市物流配送技术领域，具体涉及一种城市地下交通的物流需求预测方法。

背景技术

近年来，电子商务增长、生活节奏加快、共享型经济兴起及可持续发展等趋势，不断驱动着城市物流配送的发展。在这一发展过程中，客户对城市物流配送的时效性和准确性的要求也越来越高。传统的城市物流配送多以公路货运为主，而现目前城市机动车保有量的不断增加使得地面道路资源难以满足蓬勃发展的城市物流配送的需求。并且现目前大多数城市针对货运车辆采取了一些列交通管制政策，这进一步加剧了城市物流配送服务的供需矛盾。现有交通资源和物流配送网络体系难以承载城市极高的人口密度带来的物流配送需求。因此优化城市物流配送网络和探索新型可持续发展的配送模式，已经成为城市物流配送领域急需解决的问题。

现目前，利用地铁完成城市物流配送服务受到更多关注。研究者们对地铁运输系统进行了相关研究，认为地铁运输系统是提高城市物流配送效率、缓解城市交通拥堵以及降低物流配送活动对城市负面影响的有效手段。基于对地铁运输系统的研究，一些研究者提供了有关地铁物流需求的预测方法。

现有方法通过线性回归模型，能够实现对城市地铁物流需求的预测，但未考虑每个地铁站辐射各个交通小区的能力，进而导致地铁物流需求预测的准确度不是很高，并且在结合指标数据时未考虑物流需求预测的实时性，导致对地铁物流需求的预测存在滞后性。

发明内容

针对现有技术中的上述不足，本发明提供的一种城市地下交通的物流需求预测方法，考虑了每个地铁站辐射各个交通小区的能力并结合了兴趣点实时数据，提升了地铁物流需求预测的准确度和实时性。

为了达到上述发明目的，本发明采用的技术方案为：

一种城市地下交通的物流需求预测方法，包括以下步骤：

S1、构建物流需求多元线性回归模型，获取兴趣点数据，并根据物流需求多元线性回归模型和兴趣点数据获取交通小区的物流需求量；

S2、根据站点之间的运输时效性计算地铁的分担率，并根据地铁的分担率和步骤S1中交通小区的物流需求量，确定交通小区的地铁物流需求量；

S3、利用重力模型计算站点与交通小区之间的物流吸引力；

S4、根据步骤S2中交通小区的地铁物流需求量和步骤S3中站点与交通小区之间的物流吸引力，计算每个站点的地铁物流需求量以预测地铁物流需求量。

进一步地，步骤S1包括以下分步骤：

S11、构建物流需求多元线性回归模型；

S12、利用人口数据和人均快递量计算物流需求量历史数据；

S13、获取兴趣点历史数据，并将兴趣点历史数据和分步骤S12中的物流需求量历史数据代入至分步骤S11中的物流需求多元线性回归模型，获取物流需求多元线性回归式；

S14、获取兴趣点实时数据，并将兴趣点实时数据代入至分步骤S13中的物流需求多元线性回归式以获取物流需求量；

S15、利用交通小区数据对分步骤S14中的物流需求量进行栅格化，获取交通小区的物流需求量。

进一步地，在分步骤S11中，构建物流需求多元线性回归模型，表示为：

y＝β₀+β₁x₁+β₂x₂+β₃x₃

其中：y为物流需求量，β₀为常数项回归系数，β₁为快递点指标的回归系数，x₁为快递点数量，β₂为商业区指标的回归系数，x₂为商业区数量，β₃为居民区指标的回归系数，x₃为居民区数量。

进一步地，在分步骤S13中，获取物流需求多元线性回归式，表示为：

y＝198.0746+97.4580x₁+293.9860x₂+17.4617x₃

其中：y为物流需求量，x₁为快递点数量，x₂为商业区数量，x₃为居民区数量。

进一步地，步骤S2包括以下分步骤：

S21、计算站点之间的地铁运输时效性；

S22、确定站点之间的公路运输时效性；

S23、根据分步骤S21中站点之间的地铁运输时效性和分步骤S22中站点之间的公路运输时效性，计算地铁的分担率；

S24、根据地铁的分担率和步骤S1中交通小区的物流需求量，确定交通小区的地铁物流需求量。

进一步地，在分步骤S21中，计算站点之间的地铁运输时效性，表示为：

其中：为站点i通过地铁到达其他站点的通行时间，N为站点总数，/>为站点i到站点p之间第k条路径的长度，speed为路段的通行速度。

进一步地，在分步骤S23中，计算地铁的分担率，表示为：

其中：为站点i的地铁的分担率，/>为站点i通过公路到达其他站点的通行时间，/>为站点i通过地铁到达其他站点的通行时间。

进一步地，在步骤S3中，利用重力模型计算站点与交通小区之间的物流吸引力，表示为：

其中：S_ij为站点i与交通小区j之间的吸引力，f_i为站点i的客流量，f_j为交通小区j的客流量，d_ij为站点i与交通小区j质心的距离。

进一步地，在步骤S4中，计算每个站点的地铁物流需求量，表示为：

其中：D_i为站点i的地铁物流需求量，M为交通小区总数，N为站点总数，S_ij为站点i与交通小区j之间的吸引力，W_j为交通小区j的物流量。

本发明的有益效果为：

(1)本发明在构建物流需求多元线性回归模型时，有效结合了兴趣点数据，利用兴趣点历史数据确定物流需求多元线性回归式，并利用兴趣点实时数据获取更具时效性的物流需求量，进而提升了地铁物流需求预测的实时性；

(2)本发明综合考虑了公路运输和地铁运输的特性，利用站点之间公路和地铁的运输时效性确定地铁的分担率，既保证了地铁分担率的准确性，又简化了地铁分担率的获取方式；

(3)本发明通过重力模型计算站点与交通小区之间的物流吸引力，考虑了每个站点辐射到各个交通小区的能力，进而提升了地铁物流需求预测的准确度。

附图说明

图1为一种城市地下交通的物流需求预测方法流程示意图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

如图1所示，一种城市地下交通的物流需求预测方法，包括以下步骤：

S1、构建物流需求多元线性回归模型，获取兴趣点数据，并根据物流需求多元线性回归模型和兴趣点数据获取交通小区的物流需求量。

在本发明的一个可选实施例中，本发明构建物流需求多元线性回归模型，并获取兴趣点数据。兴趣点数据包括兴趣点历史数据和兴趣点实时数据。本发明利用兴趣点历史数据确定物流需求多元线性回归式，并利用兴趣点实时数据获取更具时效性的物流需求量。本发明利用交通小区数据对物流需求量进行栅格化，获取交通小区的物流需求量。

步骤S1包括以下分步骤：

S11、构建物流需求多元线性回归模型。

本发明构建物流需求多元线性回归模型，表示为：

y＝β₀+β₁x₁+β₂x₂+β₃x₃

其中：y为物流需求量，β₀为常数项回归系数，β₁为快递点指标的回归系数，x₁为快递点数量，β₂为商业区指标的回归系数，x₂为商业区数量，β₃为居民区指标的回归系数，x₃为居民区数量。

具体地，本发明利用最小二乘法构建物流需求多元线性回归模型。在构建物流需求多元线性回归模型时，本发明除了考虑居民区数量，还考虑到快递点数量和商业区数量，使选取的指标更全面准确。

S12、利用人口数据和人均快递量计算物流需求量历史数据。

S13、获取兴趣点历史数据，并将兴趣点历史数据和分步骤S12中的物流需求量历史数据代入至分步骤S11中的物流需求多元线性回归模型，获取物流需求多元线性回归式。

本发明获取物流需求多元线性回归式，表示为：

y＝198.0746+97.4580x₁+293.9860x₂+17.4617x₃

其中：y为物流需求量，x₁为快递点数量，x₂为商业区数量，x₃为居民区数量。

具体地，兴趣点数据(points of interest，POI)泛指互联网电子地图中的点类数据，包括名称、地址、坐标和类别这四个属性。本发明获取的兴趣点历史数据包括快递点历史数据、商业区历史数据和居民区历史数据。本发明将获取的快递点历史数据、商业区历史数据、居民区历史数据以及计算的物流需求量历史数据，代入至物流需求多元线性回归模型，获取得到上述的物流需求多元线性回归式。本发明获取的物流需求多元线性回归式，R²＝0.983，R为物流需求多元线性回归式的相关系数，进一步表明本发明选取的考虑居民区数量、快递点数量和商业区数量这三个指标，有显著的线性关系。

S14、获取兴趣点实时数据，并将兴趣点实时数据代入至分步骤S13中的物流需求多元线性回归式以获取物流需求量。

具体地，本发明获取兴趣点实时数据。兴趣点实时数据包括快递点实时数据、商业区实时数据和居民区实时数据。本发明将获取的快递点实时数据、商业区实时数据和居民区实时数据代入至物流需求多元线性回归式以获取更具时效性的物流需求量。

S15、利用交通小区数据对分步骤S14中的物流需求量进行栅格化，获取交通小区的物流需求量。

具体地，交通小区是结合交通分析和交通需求预测模型的需要将研究区域划分成的若干地理单元，是分析居民、车辆出行及分布的最小空间单元。本发明利用交通小区数据对物流需求量进行栅格化，获取交通小区的物流需求量。

S2、根据站点之间的运输时效性计算地铁的分担率，并根据地铁的分担率和步骤S1中交通小区的物流需求量，确定交通小区的地铁物流需求量。

在本发明的一个可选实施例中，本发明根据站点之间的运输时效性计算地铁的分担率。站点之间的运输时效性具体指代公路运输和地铁运输在站点之间的运输时效性。本发明根据地铁的分担率和交通小区的物流需求量，确定交通小区的地铁物流需求量。

具体地，公路运输被视为城市物流的主要运输方式，同时也是地铁物流的主要竞争对手。本发明利用高德API(Application Programming Interface，应用程序编程接口)和ArcGIS工具对各站点之间的公路运输通行时间进行计算，并得到地铁运输通行时间，以进一步计算地铁的分担率。

步骤S2包括以下分步骤：

S21、计算站点之间的地铁运输时效性。

本发明计算站点之间的地铁运输时效性，表示为：

其中：为站点i通过地铁到达其他站点的通行时间，N为站点总数，/>为站点i到站点p之间第k条路径的长度，speed为路段的通行速度。

具体地，由于地铁网络中的部分线路仍在规划阶段，无法通过高德API爬取完整的站点通行时间，因此本发明结合现行地铁网络与远景轨道交通规划，构建地铁交通网络，行驶速度取45km/h，通过ArcGIS计算站点通行时间

S22、确定站点之间的公路运输时效性。

具体地，本发明利用高德API将地图上的道路网络转化为一个有向图，每个节点表示一个站点，每条边表示两个站点之间的道路，并基于有向图构建网络分层图模型。网络分层图模型中每个节点的层级由其对应的道路的等级决定。高速公路的层级较高，普通道路的层级较低。当确定各站点之间的公路通信时间时，本发明在网络分层图模型中找到起始站点和结束站点所对应的节点，然后通过最短路径方法在网络分层图模型中查找从起始站点到结束站点的最短路径，并确定对应的公路运输的行驶速度，以计算公路运输通行时间。

S23、根据分步骤S21中站点之间的地铁运输时效性和分步骤S22中站点之间的公路运输时效性，计算地铁的分担率。

本发明计算地铁的分担率，表示为：

其中：为站点i的地铁的分担率，/>为站点i通过公路到达其他站点的通行时间，/>为站点i通过地铁到达其他站点的通行时间。

S24、根据地铁的分担率和步骤S1中交通小区的物流需求量，确定交通小区的地铁物流需求量。

具体地，本发明根据地铁的分担率和交通小区的物流需求量，即将地铁的分担率乘以交通小区的物流需求量，以确定交通小区的地铁物流需求量。

S3、利用重力模型计算站点与交通小区之间的物流吸引力。

在本发明的一个可选实施例中，本发明利用重力模型计算站点与交通小区之间的物流吸引力，考虑了每个站点辐射到各个交通小区的能力，进而提升了地铁物流需求预测的准确度。

具体地，地铁运输的站点是固定的，不能简单通过划分交通小区的方式对辐射区域进行划分，因此本发明在计算出交通小区的地铁物流需求量后，通过重力模型计算站点与交通小区之间的物流吸引力，以确定每个站点辐射到各个交通小区的能力。

本发明利用重力模型计算站点与交通小区之间的物流吸引力，表示为：

其中：S_ij为站点i与交通小区j之间的吸引力，f_i为站点i的客流量，f_j为交通小区j的客流量，d_ij为站点i与交通小区j质心的距离。

具体地，本发明利用重力模型计算站点与交通小区之间的物流吸引力时，结合历史数据确定客流量与物流量之间存在正相关。因此，本发明在计算吸引力时，以客流量代替未知的物流量计算站点与交通小区的吸引力。

S4、根据步骤S2中交通小区的地铁物流需求量和步骤S3中站点与交通小区之间的物流吸引力，计算每个站点的地铁物流需求量以预测地铁物流需求量。

在本发明的一个可选实施例中，本发明确定各个站点与交通小区之间的物流吸引力，计算交通小区受到的吸引力总和，并对其进行归一化，以得到各个站点的吸引力占比，将交通小区的地铁物流需求量根据吸引力占比分配给各个站点，实现对每个站点的地铁物流需求量的计算，进而得以预测地铁物流需求量。

本发明计算每个站点的地铁物流需求量，表示为：

其中：D_i为站点i的地铁物流需求量，M为交通小区总数，N为站点总数，S_ij为站点i与交通小区j之间的吸引力，W_j为交通小区j的物流量。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (9)

1.一种城市地下交通的物流需求预测方法，其特征在于，包括以下步骤：

S1、构建物流需求多元线性回归模型，获取兴趣点数据，并根据物流需求多元线性回归模型和兴趣点数据获取交通小区的物流需求量；

S2、根据站点之间的运输时效性计算地铁的分担率，并根据地铁的分担率和步骤S1中交通小区的物流需求量，确定交通小区的地铁物流需求量；

S3、利用重力模型计算站点与交通小区之间的物流吸引力；

S4、根据步骤S2中交通小区的地铁物流需求量和步骤S3中站点与交通小区之间的物流吸引力，计算每个站点的地铁物流需求量以预测地铁物流需求量。

2.根据权利要求1所述的一种城市地下交通的物流需求预测方法，其特征在于，步骤S1包括以下分步骤：

S11、构建物流需求多元线性回归模型；

S12、利用人口数据和人均快递量计算物流需求量历史数据；

S13、获取兴趣点历史数据，并将兴趣点历史数据和分步骤S12中的物流需求量历史数据代入至分步骤S11中的物流需求多元线性回归模型，获取物流需求多元线性回归式；

S14、获取兴趣点实时数据，并将兴趣点实时数据代入至分步骤S13中的物流需求多元线性回归式以获取物流需求量；

S15、利用交通小区数据对分步骤S14中的物流需求量进行栅格化，获取交通小区的物流需求量。

3.根据权利要求2所述的一种城市地下交通的物流需求预测方法，其特征在于，在分步骤S11中，构建物流需求多元线性回归模型，表示为：

y＝β₀+β₁x₁+β₂x₂+β₃x₃

其中：y为物流需求量，β₀为常数项回归系数，β₁为快递点指标的回归系数，x₁为快递点数量，β₂为商业区指标的回归系数，x₂为商业区数量，β₃为居民区指标的回归系数，x₃为居民区数量。

4.根据权利要求2所述的一种城市地下交通的物流需求预测方法，其特征在于，在分步骤S13中，获取物流需求多元线性回归式，表示为：

y＝198.0746+97.4580x₁+293.9860x₂+17.4617x₃

其中：y为物流需求量，x₁为快递点数量，x₂为商业区数量，x₃为居民区数量。

5.根据权利要求1所述的一种城市地下交通的物流需求预测方法，其特征在于，步骤S2包括以下分步骤：

S21、计算站点之间的地铁运输时效性；

S22、确定站点之间的公路运输时效性；

S23、根据分步骤S21中站点之间的地铁运输时效性和分步骤S22中站点之间的公路运输时效性，计算地铁的分担率；

S24、根据地铁的分担率和步骤S1中交通小区的物流需求量，确定交通小区的地铁物流需求量。

6.根据权利要求5所述的一种城市地下交通的物流需求预测方法，其特征在于，在分步骤S21中，计算站点之间的地铁运输时效性，表示为：

其中：T_i ^metro为站点i通过地铁到达其他站点的通行时间，N为站点总数，为站点i到站点p之间第k条路径的长度，speed为路段的通行速度。

7.根据权利要求5所述的一种城市地下交通的物流需求预测方法，其特征在于，在分步骤S23中，计算地铁的分担率，表示为：

其中：为站点i的地铁的分担率，T_i ^road为站点i通过公路到达其他站点的通行时间，T_i ^metro为站点i通过地铁到达其他站点的通行时间。

8.根据权利要求1所述的一种城市地下交通的物流需求预测方法，其特征在于，在步骤S3中，利用重力模型计算站点与交通小区之间的物流吸引力，表示为：

其中：S_ij为站点i与交通小区j之间的吸引力，f_i为站点i的客流量，f_j为交通小区j的客流量，d_ij为站点i与交通小区j质心的距离。

9.根据权利要求1所述的一种城市地下交通的物流需求预测方法，其特征在于，在步骤S4中，计算每个站点的地铁物流需求量，表示为：

其中：D_i为站点i的地铁物流需求量，M为交通小区总数，N为站点总数，S_ij为站点i与交通小区j之间的吸引力，W_j为交通小区j的物流量。