基于GWR的建成环境对公共自行车出行模式的影响分析

为分析建成环境对公共自行车出行模式的影响，文章结合公共自行车运营数据和建成环境数据，以公共自行车站点为中心建立缓冲区并提取缓冲区内兴趣点(point of interest, POI),在考虑POI规模的基础上划分站点类型；根据站点类型对出行起讫点(origin-destination, OD)分类，以OD类型确定公共自行车出行模式，使用地理加权回归(geographically weighted regression, GWR)模型，分析建成环境对公共自行车出行模式的影响；以昆明市为例进行实证分析。结果表明：昆明市公共自行车出行模式可划分为16种，OD皆为住宅主导型和公司(企业)主导型站点的出行模式约占69.26%;建成环境对不同出行模式的影响效应存在差异；土地利用混合度是公共自行车出行模式的主要影响因素。研究结果可为公共自行车布局优化及运营管理提供参考。     

基于长短期记忆神经网络模型的共享单车短时需求量预测

共享单车具有很强的流动性和高随机性,为了更加准确地预测某区域内每小时的单车使用数量,通过爬取纽约市Citi Bike共享单车的天气特征数据信息,并分析时间因子、气象因子等对单车需求量的影响;采用长短期记忆(long short-term memory,LSTM)神经网络模型预测共享单车的短期需求量,并与传统的循环神经网络(recurrent neural network,RNN)和BP(back-propagation)神经网络模型预测结果进行比较。实验结果表明:影响单车需求量的主要因素包括温度、节假日、季节以及早晚高峰时间段等因素;与传统BP神经网络算法和循环神经网络RNN算法相比,LSTM鲁棒性高,泛化能力强,且预测结果曲线与真实结果曲线相吻合;预测精度高(精确度为0.860)均方根误差最小(为0.090),误差小。可见LSTM模型可以用来对共享单车的短时需求量进行预测。     

中国大陆城市建成环境与共享单车配置的关系

共享单车是一种绿色健康灵活的交通出行方式,给城市居民提供便捷出行服务的同时也造成了资源浪费和配置错位等问题。当前该领域的研究主要侧重于建成环境与共享单车的互动关系,集中对某些城市和区域的出行需求与共享单车相关性进行分析,对国家层面建成环境与共享单车配置的研究相对较少。以中国大陆275个城市为研究样本,利用多元回归分析对中国大陆城市建成环境与共享单车配置之间的关系进行了测算,在此基础上利用地理加权回归(GWR)模型分析了建成环境各变量对共享单车配置影响的空间异质性。结果显示:①建成环境与共享单车配置之间存在相关性,零售业服务人数、道路密度对共享单车配置数量产生正向影响,收入水平与城市化区域面积对共享单车配置数量产生负向影响。②建成环境对共享单车配置数量的影响存在显著的空间异质性。从东部到西部,零售业服务人数、道路密度对共享单车配置的正向影响与收入水平的负向影响皆在增强;城市化区域面积对共享单车配置的影响在大部分城市区域呈负向作用,整体呈现以中部地区为核心向外负向作用逐渐减弱的圈层结构。     

考虑宏微观建成环境的共享单车骑行影响因素分析

针对共享单车骑行影响因素分析中对微观建成环境因素探讨的不足，以北京市五环内及附近街道为研究对象，基于城市多源数据，从公共交通设施、土地利用、人口经济属性、空间设计及道路环境五方面提取宏微观建成环境因素，并构建全局回归模型(global Regression, GR)、地理加权回归模型 (geographically Weighted Regression, GWR)及多尺度地理加权回归模型 (multi-scale Geographically Weighted Regression, MGWR)，对共享单车骑行密度进行分析。研究结果表明：MGWR模型有更好的回归效果，调整拟合优度R2高达0.91；共享单车骑行密度空间上呈现“高-高”及“低-低”聚类两级分化现象；地铁站点密度为局部影响因素，公交线路密度及隔离护栏出现率为区域影响因素，其他建成环境变量为全局尺度；骑行密度显著影响因素的回归系数在空间上较为平稳，单一变量的空间影响关系均为正向或负向影响；微观建成环境中，绿视率、交通信号出现率为正向影响，色彩丰富性及路灯出现率为负向影响。     

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。     

基于贝叶斯网络的大学生共享单车出行行为研究

为研究大学生共享单车出行行为,以福州市大学城各高校学生为研究对象,利用问卷调查采集各年级学生共享单车出行数据.首先,基于所获得的数据计算各节点的互信息值,假设贝叶斯网络参数服从Dirichlet分布,采用K2算法进行贝叶斯网络结构学习,利用贝叶斯估计法进行贝叶斯网络的参数学习,从而构建大学生共享单车出行行为的贝叶斯网络.然后,利用所构建的网络进行共享单车出行方式预测,计算该模型的预测值与实际值的误差,分析模型的精度,且与常用的Logit模型预测结果进行比较.最后,在所构建的网络模型基础上,应用联合树引擎分析是否拥有私人交通工具、出行距离等影响因素对大学生共享单车出行行为的影响.分析结果表明,贝叶斯网络学习精度较高,比Logit模型预测结果更有效.     

基于FA-BPNN的城市共享单车满意度影响因素研究

为了提高共享单车用户满意度和影响因素的评价精度,提出一种基于因子分析法的BP神经网络满意度分析模型(FA-BPNN).采用因子分析法将影响用户满意度的21个指标简化为4个公共因子降低输入维数,并以附加动量法改进BP神经网络建立模型,避免了其他综合评价方法中过于依赖主观性的不足,提高模型的效率和可靠性.以广州市共享单车为研究对象,实证研究共享单车使用满意度与影响因素.研究表明车况与服务、经济成本、易用性、手机终端等因素对用户满意度有显著影响.相对于传统BP神经网络模型,FA-BPNN提高了模型的效率与可靠性,该方法能有效反映广州市共享单车用户的满意度与影响因素,具有广泛应用前景.     

共享单车低碳出行的实证研究——以合肥市居民为例

以问卷、SPSS等作为调查研究工具,分析了合肥市居民在选用低碳交通工具——共享单车上的使用目的和意愿,运用多元统计学,结合社会人口学特征相关数据,深入研究了其对居民选用共享单车作为低碳出行工具上的使用意图;结果表明:合肥市居民对共享单车作为低碳出行工具的使用意愿较高,并对共享单车的可行性与未来发展持乐观态度,但是他们在共享单车投放数量、城市公共绿道和存在安全隐患方面也表现出担忧;同时,绝大部分居民对共享单车作为低碳出行工具的使用意愿及目的一致度较高;社会人口学特征的多因子交互作用共同影响着居民低碳出行使用共享单车的最终意图;最后,共享单车作为低碳交通的重要补充,在国家低碳城市建设中,应重点关注"公共绿道/慢道系统"在国家低碳城市建设中的开发与规划;"监管与规范"构建良好的使用环境;将居民对共享单车的使用频次、公里数等,纳入碳补偿机制体系,有效提升居民低碳出行的积极性。     

建成环境与共享单车流率的非线性关系研究

共享单车流率的大小体现了城市空间环境内车辆盈缺的程度，理解其变化及其诱因对于城市单车的调度具有重要意义。由于出行目的和外界环境因素的复杂多变，共享单车流率和建成环境特征之间的关系很难通过具有线性假设的统计学模型来解析。基于此，本研究利用上海市中心城区的共享单车数据，基于极端梯度提升树模型(XG‐Boost)和机器学习的解释性方法部分依赖图(PDP)来探究建成环境对共享单车流率的贡献度和非线性影响，以及流率的非线性模式在工作日和周末的变化。结果显示，特征重要度和非线性机制在两个时段差异化显著。居住人口密度、教育设施密度和住宅设施密度对工作日单车流率的解释度较高，分别为 19.18%、13.16% 和 12.92%，并且具有明显的阈值效应。其中居住人口密度和教育设施密度对于单车净流出率具有正向影响，分别在 11 600 人/km²和 8 个/km²达到最大；住宅设施密度对单车净流出率具有负向影响，对应的阈值为 40 个/km²。各变量对周末单车流率的解释度差异较小，但非线性关系仍不可忽视。具体来说，到市中心的距离和公交线数密...     

基于共享单车数据的人口流动与城市空间活力研究——以沈阳市浑南新区为例

文章通过利用共享单车的骑行数据,对浑南新区短途出行轨迹进行可视化,以分析其慢交通出行为例,并结合POI(point of interest)数据识别城市功能空间,探究二者之间的关系,以此得到人口慢交通出行特征以及城市活力区域空间分布情况。分析显示,人们骑行大都在3km左右,以通勤和休闲为主要目的,城市高活力区呈现散点分布,与商业区、大学城以及产业园区联系不强,功能体系尚有待完善。     

基于随机森林与时空聚类的共享单车站点需求量预测

为方便准确地预测出城市共享单车站点的需求量,根据站点需求量的随机性和时变性,提出了一种基于随机森林和时空聚类的共享单车站点需求量预测模型;该模型研究了时间因子、气象因子以及关联站点对需求量的影响;应用分层聚类对站点进行了时空分析;结合对数优化后的随机森林作为预测器。面向湾区共享单车出行数据进行需求量预测。结果表明:该模型相比极限学习机、支持向量机与随机森林等经典机器学习算法在需求量预测方面有较好的预测结果,可为实际车辆调度提供参考依据。     

共享单车需求预测及调度优化

为了更加准确地预测共享单车的需求量,制定合理的调度优化方案。针对共享单车骑行数据的周期性、非线性和随机性的特点,提出了季节性灰色Markov模型来预测共享单车需求量。在此基础上,根据双层规划模型结果来制定调度优化方案。在季节性灰色Markov模型中,首先将原始数据带入季节性GM(1,1)模型得到预测结果,然后用Markov模型对预测的残差进行修正,得到最终的预测值。在双层规划模型中,上层目标为运营商的调度成本,下层目标为调度中心的调度时间,双层规划模型用GUROBI求解器求解。最后将两种模型应用于纽约市17个Citi Bike共享单车站点的算例分析。数值计算结果表明：季节性灰色Markov模型在17个站点从周一到周五的需求量预测的平均绝对百分比误差(mean absolute percentage error,MAPE)为10.68%,预测精度较高。利用双层规划模型制定的调度优化方案能确定调度中心数量、位置,调度范围和调度路径,可以在满足用户需求的同时使调度成本和调度时间最优。研究提出的需求预测模型和调度优化方案可以为共享单车运营部门和交通管理部门提供有效的参考。     

基于因果分析和相似日选择的共享单车需求量预测组合模型

共享单车的需求量预测是优化车辆系统布局、实现车辆合理调度的基础。为了提高共享单车需求量预测模型的精度，建立了基于格兰杰因果分析和相似日选择的组合预测模型，研究了时间和天气因素对共享单车出行需求的影响。应用格兰杰因果检验方法，筛选出影响共享单车需求量变化的关键天气指标。然后，基于天气特征向量的灰色关联度指标，提取待预测日各时段的相似日样本集。综合随机森林回归、支持向量回归等机器学习算法，建立了Stacking策略的组合预测模型，对区域分时共享单车需求量进行预测。最后，对北京市共享单车用户的骑行数据进行实例分析。结果表明相较单个机器学习预测模型，提出的组合预测模型的平均绝对百分比误差下降了9.1%，提高了共享单车短时需求预测的科学性和准确性，可为实际车辆调度提供参考依据。     

热镀锌钢卷力学性能GBDT预报模型

针对热镀锌钢卷力学性能预报建模条件属性选取难、预报精度不足的问题,研究了热镀锌钢卷力学性能梯度提升树(gradient boosting decision tree,GBDT)预报模型。利用互信息差算法综合评估工艺参数、化学成分和钢卷尺寸参数等条件属性的相对重要性以及属性之间冗余性,进行模型条件属性筛选;采用同分布原理进行样本划分,结合网格搜索法和交叉验证法优化模型参数,建立力学性能GBDT预报模型。将GBDT模型预报结果与随机森林(random forest,RF)、AdaBoost算法和BP神经网络的预报结果进行比较,比较表明GBDT模型优于其他模型,90%的数据样本预测的绝对误差小于14.24 MPa,94.6%的数据样本相对误差在6%范围内,具有更高的预测精度。     

基于行程数据的公交车到站时间预测

为向乘客提供较为准确的上下车时间参考,解决长距离预测中误差累积明显的问题,构建基于双层、双注意力、双向长短期记忆(LSTM)神经网络的公交车到站时间预测模型,提出一种基于行程数据的公交车到站时间预测方法.以广州市B2路、 560路公交车工作日的实际运行数据为例,对该预测方法进行精度验证.结果表明,由该模型所预测的行程时间,其平均绝对百分比误差为8.09%,在长距离到站时间估算上,15个站点的预测误差可保持在4.00 min左右.     

基于MW-REF算法的心肺复苏影响因素分析

针对传统模型对心肺复苏结果预测准确率较低、模型可解释性较差,提出了一种基于多模型加权递归消除法(MW-REF)的心肺复苏结果预测模型,并在Shapley加法解释(Shapley additive explanation, SHAP)框架下分析影响心肺复苏结果的关键因素。采用了随机森林、GBDT、XGBOOST作为基模型,将其特征重要性得分加权后使用递归消除法过滤特征并对3种及模型采用Voting进行模型融合,利用五折交叉验证下的准确率作为最终特征选择标准。最后对最终特征数据集下的融合模型进行可解释性分析。实验结果表明,与传统的递归特征消除算法对比,该模型提升了心肺复苏结果预测的准确率,模型预测结果具有可解释性,可为临床诊断提供辅助,提高诊断效率与心肺复苏成功率。     

基于数据融合的公共自行车接驳公交行为辨识

城市智能交通卡和公交自动车辆定位系统的大规模应用为研究公共自行车换乘公交的出行规律提供了契机。本文结合多源数据,研究公共自行车接驳公交的换乘时空阈值,根据自行车站点与公交站点间距离构建匹配站点对;并基于时间阈值提取匹配站点对的刷卡记录构建换乘识别模型的训练集和测试集,应用关联规则挖掘算法实现同一用户公共自行车IC卡卡号与公交IC卡号的匹配;根据设定的验证规则,92%的匹配规则通过验证。之后基于换乘识别结果分析公共自行车接驳常规公交的换乘客流的时空特性。结果表明：公共自行车接驳常规公交呈现出明显的早晚高峰时段,且接驳出行主要分布在城市中心区域。     

技术站列车晚点时间预测方法

准确地对技术站整体列车到达晚点时间进行预测不仅可以为技术站调度预警,也可以为车站合理安排列车进路预留时间,从而尽可能保证货物运到期限,对技术站能力的提高和铁路货运市场的保证具有重要意义.本文分析技术站列车到达晚点情况和技术站列车晚点的主要影响因素.建立GM(1,2)模型对列车晚点时间进行预测,再利用马尔可夫矩阵进行误差修正,确定目标所处区间范围,往复预测并修正,使未来一段时间内的模糊预测结果准确地落在预测区间内;同时利用径向基神经网络(RBF)对数据进行插值扩充,从而对晚点时间进行精确预测,平均相对误差保持在3%以下.最后分析比较了两种预测方法的优劣并分别指出了预测方法的适用范围.     

基于系统动力学的高铁客运需求预测

为了确定中国高铁客运需求的发展规模和规律,通过分析与高铁客运需求相关的经济、人口、设施供给及民航竞争的影响因素,建立了高铁客运需求的系统动力学模型.经过对既有历史数据的验证分析,证明系统动力学模型的有效性,且预测精度优于传统方法.根据经济人口及出行要素设定了三种增长情景,预测发现,中国未来不同情境发展下的高铁客运需求将持续上升,高铁客运周转量2024年突破1万亿人公里,高铁出行量2026年突破30亿人次.基于以上结论,提出了中国高铁建设、票价及服务方面的建议.