基于活动模式的工作者出行生成预测模型

为改进传统出行生成预测以单个出行为分析单元、难以反映个体出行行为的不足,建立了基于活动模式的工作者出行生成预测模型.采用相关性分析和多项logit方法研究了1617个有效样本的居民个体属性、家庭属性、区位属性、出行属性、活动属性所引起的活动和出行生成模式的差异.通过建立包含显著变量的6种典型活动模式效用函数,获得个体选择概率.按概率集计法分析各交通小区各类活动模式总量,结合活动模式中包含的出行链平均长度,进行工作者出行生成量预测.基于活动模式的工作者出行生成预测模型有助于以出行链整体为单元考察多次出行之间的关联性,增强出行生成模型与行为模型的融合.     

基于结构方程的城市低收入通勤者活动-出行行为模型

为了分析影响低收入通勤者活动-出行的因素,揭示活动与出行之间的互动机理,基于南京市居民一日出行调查数据,采用结构方程模型建立低收入通勤者活动-出行模型.统计数据表明,低收入通勤者较多进行生存型活动,较少参与维持型活动和休闲型活动,出行链以简单工作链为主,电动车是其主要出行方式.模型标定结果显示,个人及家庭社会经济属性、可达性对低收入通勤者的活动参与、出行生成和方式选择有显著影响,并且活动-出行模式变量间也存在较强的相互关系.社会经济属性、可达性主要通过活动参与间接影响出行生成,而方式选择主要受社会经济属性和出行生成的直接影响.     

考虑建成环境交互影响的共享单车需求预测

共享单车的发展有利于交通的节能减排绿色发展。建成环境是影响共享单车出行需求的重要因素，然而很少有学者探究考虑其交互作用。为了准确分析建成环境中各影响因素的交互作用以达到精确预测共享单车出行需求的目的，本文使用了深圳市共享单车出行数据、兴趣点数据（point of interest，POI）、路网数据和公交线路数据等多源数据，采用梯度提升决策树(Gradient Boosting Decision Tree，GBDT)模型预测共享单车出行需求，并与BP(Back Propagation)神经网络模型预测结果进行比较；最后借助SHAP(SHapley Additive explanation)方法解释GBDT模型中各种影响因子对共享单车出行需求产生的影响，并分析各影响因素及其交互作用。实验结果表明：GBDT模型预测结果平均绝对误差为0.683，均方根误差为0.728，较BP神经网络模型预测准确性更高；通过SHAP方法发现自行车道密度、公交站点数等交通属性因素对于共享单车出行需求作用明显，土地利用中土地利用混合度不是简单线性作用且不同POI间存在复杂交互关系。可见通过借助GBDT模型和SHAP方法可以用来共享单车出行需求预测以及影响因素分析，从而为共享单车发展提出改善建议。     

基于空间计量模型的跨区公交通勤需求机理

为了揭示土地利用因素对跨区公共交通需求的影响,从空间角度出发,利用空间计量模型对北京通州与城区之间的跨区公交通勤需求开展研究。首先,利用公共交通IC卡数据获取交通小区出行通勤需求;其次,基于北京市兴趣点(point of interesting,POI)数据量化土地利用类型、交通设施、区位因素三类土地利用指标,其中为降低土地利用类型变量的冗余,利用因子分析方法进行变量降维,生成8个土地利用类型的综合变量;最后,在空间角度验证出行需求具有空间相关性的基础上,分别建立跨区通勤起点O及终点D出行需求与土地利用的空间自回归模型、空间误差模型及空间杜宾模型。通过模型比选,最终选取拟合最优的空间杜宾模型作为土地利用因素对公共交通需求关系模型。研究表明:跨区公共通勤出行O、D点全局Morans I指数分别为0.385、0.503,具有较强的空间相关性,有必要引用空间计量模型;轨道交通站点密度对于O、D点通勤跨区公共交通出行需求具有积极的引导作用,影响系数最大,分别为11.56、9.82;土地利用混合度的空间滞后变量对O、D点通勤需求影响最大且为正相关,影响系数分别为0.51、0.68,即周边小区土地利用混合度较高时,将提升该小区的通勤需求。该研究验证了交通小区高强度的土地利用开发和丰富的公共交通资源对公共交通出行的正向引导作用,为土地利用与公共交通出行需求之间的互动关系提供了定量分析依据。     

基于用地结构熵的广义熵重力模型

针对重力模型存在区内出行量预测精度较低,以及采用非重力模型的方法单独估计区内出行量会导致与出行分布理论不一致的问题,在借鉴熵函数形式的基础上,考虑出行产生(吸引)量、出行成本和用地混合程度的影响,提出了基于用地结构熵的广义熵重力模型,构建了区内出行和区间出行一致的理论模型。以2008年西安市大规模居民出行调查数据为输入参数进行了应用研究,验证了模型的精度。研究结果表明:所构建模型对区间出行估计精度提高了19.56%,而对区内出行估计精度提高了36.44%;该模型将城市用地规划中的构成要素直接引入交通规划理论结构中,实现了土地利用与城市交通在规划理论和技术上的衔接,提高了交通规划的科学性。     

灰色神经网络模型在图书采购复本量预测的应用

针对图书采购复本量预测问题,提出了基于灰色神经网络的采购复本量组合预测模型.根据现有文献记载5年来的G类图书的流通率、拒借率和平均复本量数据,运用组合预测方法对G类图书复本量进行了预测,并与多元线性回归模型以及BP神经网络模型比较.结果表明:组合模型预测值的相对误差更小,精度更高.     

基于改进熵的土地利用混合度对非通勤行为的影响

为研究土地利用混合度对非通勤行为的影响,提出改进熵模型定量描述土地利用混合度,并深入分析土地利用混合度对非通勤者出行距离和出行方式选择的影响.结合甘肃省天水市2015年居民出行调查数据,构建土地利用混合度与非通勤者出行距离的关系模型,并利用MNL模型研究土地利用混合度对非通勤者出行方式选择的影响.结果表明:与传统熵指标相比,改进熵指标对非通勤者出行距离的解释性更强;利用STATA软件标定MNL模型参数并进行弹性分析,进一步表明改进熵指标对居民出行行为的解释性优良,合理的土地利用布局有助于引导居民选择非机动化出行方式.研究结果对城市规划和交通政策的制定具有指导意义.     

中国建筑业碳排放影响因素与预测研究

中国一直是碳排大国,其碳排放增长问题持续引发世界关注.建筑业作为一直在国民经济中占据重要地位的行业,其碳排放量约占全国碳排量的20%.因此,有必要研究建筑业碳排放的影响因素,并预测中国建筑碳排放的趋势.从以往相关研究中识别出12种我国建筑业碳排放影响因素,以2000—2016年的指标数据作为样本,利用灰色关联分析原理,筛选出关联度较高的8种影响因素,并结合BP神经网络模型构建我国建筑业碳排放预测模型.利用神经网络预测2017—2020年碳排放影响因素和碳排放预测值.研究发现,样本预测值对实际值的拟合度良好,说明所得训练网络泛化能力较强,进而证明筛选出的影响因素对建筑业碳排放影响程度高,可以用于预测建筑业碳排放.预测模型提高了神经网络的训练速度,为建筑业碳排放预测提供了新的工具.     

交通量的灰色神经网络预测方法

结合灰色系统思想与神经网络构成灰色神经网络,根据目前灰色模型与神经网络结合的方法,提出并联型、串联型和嵌入型3种预测模型的结构.并联型灰色神经网络首先采用灰色模型、神经网络分别进行预测,而后对预测结果加以组合作为实际预测值;串联型对多个灰色预测的结果使用神经网络进行组合;嵌入型在神经网络的输入端、输出端分别增加一个灰化层和白化层而构成.对并联型灰色神经网络给出一种根据预测模型的有效度确定加权系数的方法.将上述3种灰色神经网络模型用于对京石高速公路断面机动车实时交通量进行预测,模型精度和预测结果比较理想,优于单一预测模型.实验表明:灰色神经网络可提高预测精度,用于交通量预测方法是有效可行的.     

基于发生率的高峰小时机动车OD矩阵预测

城市道路机动车交通分配一般使用的是高峰小时机动车起讫(OD)矩阵,提出一种基于高峰小时发生率调查的高峰小时机动车OD矩阵预测方法.直接调查各类用地的高峰小时机动车发生率以及其出行种类,可以进行高峰小时的小区出发到达量(OD)预测以及到出行产生吸引(PA)的转换.在使用高峰小时机动车PA进行出行分布预测之后,利用调查得到的出行种类比例进行高峰小时机动车PA矩阵到OD矩阵的转换,进而得到高峰小时机动车OD矩阵.