CN108229751B - 一种基于家长接送空间模式的接送行为预测方法 - Google Patents
一种基于家长接送空间模式的接送行为预测方法 Download PDFInfo
- Publication number
- CN108229751B CN108229751B CN201810044802.0A CN201810044802A CN108229751B CN 108229751 B CN108229751 B CN 108229751B CN 201810044802 A CN201810044802 A CN 201810044802A CN 108229751 B CN108229751 B CN 108229751B
- Authority
- CN
- China
- Prior art keywords
- receiving
- sending
- decision
- attributes
- layer
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012384 transportation and delivery Methods 0.000 title claims abstract description 33
- 230000006399 behavior Effects 0.000 claims abstract description 66
- 230000000694 effects Effects 0.000 claims abstract description 26
- 238000012216 screening Methods 0.000 claims abstract description 16
- 230000008447 perception Effects 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 2
- 238000007621 cluster analysis Methods 0.000 abstract 1
- 238000005259 measurement Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 238000003064 k means clustering Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 101150095230 SLC7A8 gene Proteins 0.000 description 1
- 101150044140 Slc7a5 gene Proteins 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 101150085091 lat-2 gene Proteins 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Images
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于家长接送空间模式的接送行为预测方法,包括以下步骤:首先,以家庭为单位筛选出有接送儿童行为的家庭样本,提取驻点信息;其次,用居住地、学校和单位两两间的相对距离来测度接送者学校‑家‑单位的驻点位置关系;再次,通过对接送者学校‑家‑单位驻点关系的聚类分析,得到接送空间模式的分类;最后,针对每种接送空间模式构建基于结构方程的接送行为预测模型,通过判断属性间的影响权重从而对不同接送空间模式下家长接送儿童的行为进行预测。本发明基于家长接送空间模式对其接送行为进行预测,弥补了传统方法因忽视活动空间关系而导致的预测不精确的缺陷,为通过居民日常活动空间引导可持续的交通出行提供方法支持。
Description
技术领域
本发明属于交通规划中出行行为分析与预测领域,涉及一种接送行为预测方法,更为具体的说,是涉及一种基于家长接送空间模式的接送行为预测方法。
背景技术
近年来,儿童上学对家庭小汽车依赖性的持续增加给城市交通带来了不少负面的影响,特别地加重了早晚高峰的拥堵状况。由于人们对小汽车的依赖程度与其日常活动空间有着密切联系,通过居民日常活动空间引导可持续的交通出行是国际社会的一个趋势。为了促进儿童独立活动以及引导接送者的低碳出行,从接送活动空间角度预测接送行为的研究显得尤为重要,这其中的关键是对不同接送空间模式进行划分。
目前,国内外已有关于活动空间测度的研究主要针对的是空间范围的测度。例如,通过置信椭圆、核密度估计和最小生成树法对活动空间的大小进行测度,以识别个体受到的社会排斥力。利用标准置信椭圆和日常路径区域的方法对居民个人属性、环境特征与活动空间和其中的行为之间的关系做研究,指出拥有小汽车使居民的活动空间范围增大。然而,对活动空间范围的测度并不适合于接送活动。那是因为大多数的接送儿童行为具有固定的出行路径,相比于活动范围它与职-住-学三者的空间关系和接送者对接送空间的感知有着更为紧密的联系,特别是在特殊的国情和政策背景下。在中国,义务教育阶段的适龄儿童实行“就近入学”政策。但是,由于教育资源配置的不均衡以及家长对优质教育的诉求,
“择校”现象普遍存在。不少家长为了避免“择校”行为带来的负效应,不惜通过高价在学校周边购买“学区房”来获取理想学校的入学资格。事实上,不论是“择校”行为还是购买“学区房”行为的存在,很大程度上都会改变家庭-学校-单位三者的空间关系。先前关于接送儿童的空间研究中,多是以距离作为空间约束的度量指标,鲜有从空间位置关系测度角度对接送空间模式划分的研究。
在我国,交通需求管理是解决交通问题的主要手段,而交通需求管理的前提是对交通行为深刻的理解。随着移动定位技术的不断发展与广泛应用,使用手持PDA等定位技术的活动日志调查数据已被广泛应用于居民日常活动与出行行为的研究中,为接送活动空间的测度提供了新的契机。而传统的出行行为预测过程复杂,且没有考虑家、单位和学校三者的驻点关系对接送行为的影响。因此,为更好的理解接送儿童行为以引导接送者低碳出行,亟需发明一种基于家长接送空间模式的接送行为预测方法。
发明内容
为解决上述问题,本发明提出了一种能够弥补接送空间相对方位关系考虑不足的基于家长接送空间模式的接送行为预测方法,该方法在测度接送空间位置关系的基础上,对接送空间模式进行分类,并结合接送者的社会经济属性和空间主观感知来预测不同接送活动空间模式下的接送行为。
为了达到上述目的,本发明提供如下技术方案:
基于家长接送空间模式的接送行为预测方法,包括如下步骤:
(1)接送行为筛选与预处理:对居民活动日志调查数据中有儿童的家庭,按照筛选原则,以家庭为单位对调查当日有接送儿童行为的家庭进行识别,筛选出符合条件的接送家庭,建立包括家庭属性、个人属性和出行属性的接送家庭数据库,并从所述接送家庭数据库中提取出每个接送者的停留“驻点”信息;
(2)接送驻点位置关系测度:用所述接送家庭数据库中接送者在接送过程中主要驻留的三个活动地点,即居住地S1、学校S2、单位S3的经纬度计算驻点两两之间的欧式距离,得到居住地到学校的相对距离居住地到单位的相对距离和学校到单位的相对距离
(3)接送空间模式分类:对所述步骤(2)计算得到的所有接送者的接送驻点位置关系使用Q型聚类法进行聚类,把聚类结果落在同一分组的接送驻点位置关系归为一类,得到k类接送空间模式,并根据分类结果把接送家庭数据库中的数据按照接送空间模式分为k组;
(4)建立接送决策层:把复杂的接送决策过程简化为三个接送决策层,即个人及家庭属性层H0、接送者空间主观感知层H1和接送行为层H2;并设定约束条件为层H0同时影响接送者空间主观感知层H1和接送行为层H2,且接送者空间主观感知层H1影响接送行为层H2;
(5)将接送家庭数据库的属性分别对应到所述步骤(4)简化得到的三个接送决策层,得到接送决策层属性集;
(6)建立接送决策模型:将所述步骤(5)确定的接送决策层属性集按所述步骤(4)设定的约束条件,建立接送决策模型;将步骤(3)所述k组数据分别代入模型,采用最大似然估计法估计模型中的未知参数;根据评估结果对模型进行调整修正,从而确定最终的接送决策模型以及模型的未知参数;
(7)接送行为预测:把已知H0层所需个人及家庭属性的待预测数据代入所述步骤(6) 构建的接送决策模型,得到接送者的空间主观感知属性,然后将带有接送者空间主观感知属性和H0层属性的数据,再次代入所述接送决策模型中,得到家长的接送行为的预测结果。
具体的,所述步骤(1)中筛选原则包括:1)调查当日“是否接送儿童”选项为“是”;2)儿童和家长具有相同的出行起讫点;3)儿童的出发时刻与家长的出发时刻之间,以及儿童的到达时刻与家长的到达时刻之间相差均小于或等于阈值t。筛选条件的设定要尽可能准确的识别出出行当天有至少一次接送行为的家庭。
具体的,所述步骤(1)中“驻点”信息包括接送者居住地、单位和学校的经纬度。
经过筛选得到的所需样本量要能满足后期分组建模要求,一般要大于600个样本,在反映更多规律的同时尽可能的减少样本不足带来的随机误差。
具体的,所述步骤(3)中,Q型聚类法为k-means方法。聚类数目k的确定是借助实际操作经验,通过观察样本属性,根据数据结构的需求设定适合的值。
具体的,所述步骤(5)中确定的接送决策层属性集中,其元素以向量形式表示,H0层的属性包括家庭规模、家庭收入、家庭区位、就业人数和接送者性别、年龄、收入、驾龄及职业类型;H1层的属性包括接送者空间主观感知;H2层的属性包括接送交通方式机动化水平、接送出行时长出发、出行链复杂程度。
具体的,所述步骤(6)中,所建立的接送决策模型采用结构方程模型,需要估计的未知参数包括两个方面,一是表示各接送决策层与其对应属性间关系的未知参数,二是表示各接送决策层间关系的未知参数。
具体的,所述步骤(6)中,所述决策模型包括表示各接送决策层与其对应属性间关系的模型以及表示各接送决策层间关系的模型;
所述表示各接送决策层与其对应属性间关系的模型如下所示:
x=Λxξ+δ
y=Λyη+ε
其中,x是接送行为属性组成的向量,Λx是接送行为属性x在接送行为决策层ξ上的因子负荷矩阵,δ是接送行为属性x的误差项;y是个人、家庭属性以及主观感知属性组成的向量,Λy是y在个人及家庭决策层η上的因子负荷矩阵,ε是y的误差项;
所述表示各接送决策层间的关系模型如下所示:
η=βη+Γξ+ζ
其中,β是描述个人及家庭属决策层η的系数矩阵,Γ是描述接送行为决策层ξ的系数矩阵,ζ是结构方程的残差项。
具体的,所述步骤(6)中,对所述模型的调整修正具体包括两个步骤:首先对整个接送决策模型的拟合指数进行检验,若检验通过,则对单个参数的显著性进行检验,剔除不满足显著性要求的参数;若检验未通过,则通过增加或删除接送决策层属性间的约束条件,对模型进行反复调整,直到修正后的模型通过检验,再对单个参数的显著性进行检验,剔除不满足显著性要求的参数。
与现有技术相比,本发明具有如下优点和有益效果:
本发明提供的基于家长接送空间模式的接送行为预测方法,简化接送决策过程,能够对接送行为进行预测,预测过程简单快捷,从而能实时迅速的得到预测结果为交通需求管理提供决策依据;通过把家、单位和学校三者间的驻点距离转化为接送空间模式,可以客观的测度接送者受到的空间约束,弥补了传统测度方法仅从单一距离因素来反映接送者受到的空间约束导致的预测结果不准确的缺陷;在接送空间模式分类的基础上结合个人及家庭属性和接送者空间主观感知构建接送决策模型,可以使预测结果更好的符合中国国情和政策,进一步提高接送行为的预测精确度。
附图说明
图1为本发明方法步骤流程图。
图2为本发明的建模步骤示意图。
具体实施方式
以下将结合具体实施例对本发明提供的技术方案进行详细说明,应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
本发明提供的基于家长接送空间模式的接送行为预测方法,如图1所示,包括如下步骤:
Step1、接送行为识别
在调查日志数据库中,删除有缺失项的数据记录,按照筛选原则,以家庭为单位对调查当日有接送儿童行为的家庭进行识别,筛选出符合条件的接送家庭。首先筛选出调查当日“是否接送儿童”选项为“是”的家庭,并且同时满足家长接送出行和儿童上学出行起讫点相同的家庭;进一步以家庭为单位把儿童的出发时刻与家长的出发时刻之间,以及儿童的到达时刻与家长的达到时刻之间相差均小于或等于阈值t的样本筛选出来,此处阈值t设定为5min。使用筛选出的样本重新建立接送数据库,根据接送者活动发生先后次序,把“活动驻点”按顺序链接起来形成“居住地-学校-单位”的出行链,完成对接送行为的识别。筛选条件的设定要尽可能准确的识别出出行当天有至少一次接送行为的家庭,所需样本量要能满足后期分组建模要求,一般要大于600个样本,在反映更多规律的同时尽可能的减少样本不足带来的随机误差。接送数据库中包含家庭属性、个人属性和出行属性。家庭属性包括但不限于:家庭规模、家庭收入、家庭区位、就业人数,个人属性包括但不限于:接送者性别、年龄、收入、驾龄及职业类型,出行属性包括但不限于接送者空间主观感知,例如是否顺路接送,交通方式机动化水平、接送出行时长、出行链复杂程度,从以上信息中提取出的“驻点”信息包括接送者居住地、单位和学校的经纬度、到达和离开时间等。
Step2、接送空间测度及模式分类
用接送者主要驻留的三个活动地点经纬度:居住地S1(Long1,Lat1)、学校 S2(Long2,Lat2)、单位S3(Long3,Lat3),通过如下公式计算居住地到学校的欧式距离:
采用K-means聚类方法对上述三个欧式距离同时进行聚类,除K-means方法以外,也可以采用其他的Q型聚类法对上述欧式距离进行聚类。聚类数目k的确定是借助实际操作经验,通过观察样本属性,根据数据结构的需求设定适合的值。K-means聚类计算步骤如下:
(1)选取k个聚类质心点为μ1,μ2,...,μk∈Rn初始聚类中心,此处k值取3;
(2)计算每个样本x(i),i=1,2,3...,m到聚类中心的距离,重复下面过程直到收敛:
(3)对于每一个类j,重新计算该类的质心:
(4)重复迭代(2)和(3)直到质心不变或者变化很小。
通过本发明方法对接送家庭数据库中的样本聚类后,得到如表1所示的接送空间分类结果。
表1 空间分布和聚类结果
可以看出,模式1:家-学校、家-单位和单位-学校的相对距离值均小,该空间模式属于空间聚合型;模式2:家-单位的距离较远,其他两个距离较近,该空间模式属于职住分离型;模式3:家-学校的相对距离较远、其他两个距离较近,该空间模式属于学住分离型。
Step3、接送决策层及对应属性集确定
建立接送行为决策层,包括个人及家庭属性层H0、主观感知层H1和接送行为层H2;并设定它们的约束条件是层H0同时影响层H1和H2,且层H1影响层H2。
把所有属性集对应上每个决策层中,H0层的属性包括家庭规模、家庭收入、家庭区位、就业人数和接送者性别、年龄、收入、驾龄及职业类型;H1层的属性包括接送者空间主观感知,例如是否顺路接送;H2层的属性包括接送交通方式机动化水平、接送出行时长、出行链复杂程度。在此基础上,根据属性特征把各类属性分别处理为连续变量、次序变量和类别变量。其中,家庭规模、家庭收入、就业人数、年龄、收入、出行链复杂程度用连续变量表示;性别{男性、女性}、家庭区位{核心区、非核心区}、职业{固定工作、非固定工作}用类别变量{1,0}表示;交通方式{步行、自行车、公交、小汽车}、接送出行时长{< 10min,10-30min,30-60min,>60min}用次序变量{1,2,3,4}表示,数字越大表示机动化水平越高以及出行时间越长。属性集中的元素均以向量形式表示,每个决策层对应一个d 维属性向量
Step4、建立接送决策模型
在Step3的基础上,对Step2得到的每一类接送空间模式的家长建立基于结构方程的接送决策模型,其过程如图2所示。其中,对各接送决策层与其对应属性间的关系评估采用结构方程中的测量模型构建,公式如下:
x=Λxξ+δ
y=Λyη+ε
其中,x是接送行为属性组成的向量,Λx是接送行为属性x在接送行为决策层ξ上的因子负荷矩阵,δ是接送行为属性x的误差项;y是个人、家庭属性以及主观感知属性组成的向量,Λy是y在个人及家庭决策层η上的因子负荷矩阵,ε是y的误差项。
对各接送决策层间的关系评估采用结构方程中的结构模型构建,公式如下:
η=βη+Γξ+ζ
其中,β是描述个人及家庭属决策层η的系数矩阵,Γ是描述接送行为决策层ξ的系数矩阵,ζ是结构方程的残差项。
借助AMOS软件导入筛选后的数据(即步骤(3)得到的分类结果),根据上述公式采用极大似然估计法对模型的未知参数进行估计,并采用拟合指标检验和路径系数显著性检验对模型结果进行检验。当模型的拟合优度指数GFI>0.9时,则模型被接受,此时通过剔除初始模型结构中相伴概率值大于0.05的路径,使模型求解结果最优;若模型被拒绝,则通过删除、增加约束条件以及增加残差相关路径等方法对模型进行反复评价和修正,直至模型被接受为止。通过本发明方法所构建模型对上述数据进行分析后,得到三个模型的拟合优度分别是0.9、0.91、0.91,说明所建立的基于结构方程的接送决策模型是有效的。此时得到各决策层间的路径系数。例如,层H0到层H1的路径系数为0.78,表示个人及家庭属性对个人空间主观感知影响为0.78,即前者每增加1个单位,后者将增加0.78个单位。同理可得到层H0对层H2以及层H1对层H2的影响关系。其次,得到各决策层属性变量间的影响关系。例如,层H0中的家庭收入变量到层H2中的交通方式变量的路径系数为0.36,表示家庭收入每增加1个单位,则选择机动化方式接送儿童的可能增加0.36个单位。同理可得到层H0及层H1中所有属性变量对层H2中属性变量的影响关系。
Step5、基于家长接送空间模式的接送行为预测
把已知H0层所需个人及家庭属性(包括家庭收入、家庭区位、就业人数和接送者性别、年龄、收入、职业)的待预测数据,按所属空间模式分为三个组别。把三组数据分别代入对应Step4构建的接送决策模型,得到每种接送空间模式下接送者的空间主观感知属性。然后将带有家庭收入、家庭区位、就业人数、接送者性别、年龄、收入、职业属性信息和带有接送者空间主观感知属性的数据样本分别代入对应空间模式的接送决策模型,得到接送者交通方式机动化水平、接送出行时长趋势以及出行链复杂程度,进而实现对基于家长接送空间模式的接送行为进行预测。我们还通过后期意向调查或其他预测得到待预测数据,与本步骤得到的预测结果进行对比,以证明本发明预测方法的有效性。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段,还包括由以上技术特征任意组合所组成的技术方案。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (8)
1.基于家长接送空间模式的接送行为预测方法,其特征在于,包括如下步骤:
(1)接送行为筛选与预处理:对居民活动日志调查数据中有儿童的家庭,按照筛选原则,以家庭为单位对调查当日有接送儿童行为的家庭进行识别,筛选出符合条件的接送家庭,建立包括家庭属性、个人属性和出行属性的接送家庭数据库,并从所述接送家庭数据库中提取出每个接送者的停留“驻点”信息;
(2)接送驻点位置关系测度:用所述接送家庭数据库中接送者在接送过程中主要驻留的三个活动地点,即居住地S1、学校S2、单位S3的经纬度计算驻点两两之间的欧式距离,得到居住地到学校的相对距离居住地到单位的相对距离和学校到单位的相对距离
(3)接送空间模式分类:对所述步骤(2)计算得到的所有接送者的接送驻点位置关系使用Q型聚类法进行聚类,把聚类结果落在同一分组的接送驻点位置关系归为一类,得到k类接送空间模式,并根据分类结果把接送家庭数据库中的数据按照接送空间模式分为k组;
(4)建立接送决策层:把复杂的接送决策过程简化为三个接送决策层,即个人及家庭属性层H0、接送者空间主观感知层H1和接送行为层H2;并设定约束条件为个人及家庭属性层H0同时影响接送者空间主观感知层H1和接送行为层H2,且接送者空间主观感知层H1影响接送行为层H2;
(5)将接送家庭数据库的属性分别对应到所述步骤(4)简化得到的三个接送决策层,得到接送决策层属性集;
(6)建立接送决策模型:将所述步骤(5)确定的接送决策层属性集按所述步骤(4)设定的约束条件,建立接送决策模型;将步骤(3)所述k组数据分别代入模型,采用最大似然估计法估计模型中的未知参数;根据评估结果对模型进行调整修正,从而确定最终的接送决策模型以及模型的未知参数;
(7)接送行为预测:把已知个人及家庭属性层H0所需个人及家庭属性的待预测数据代入所述步骤(6)构建的接送决策模型,得到接送者的空间主观感知属性,然后将带有接送者空间主观感知属性和个人及家庭属性层H0属性的数据,再次代入所述接送决策模型中,得到家长的接送行为的预测结果。
2.根据权利要求1所述的基于家长接送空间模式的接送行为预测方法,其特征在于:所述步骤(1)中筛选原则包括:1)调查当日“是否接送儿童”选项为“是”;2)儿童和家长具有相同的出行起讫点;3)儿童的出发时刻与家长的出发时刻之间,以及儿童的到达时刻与家长的到达时刻之间相差均小于或等于阈值t。
3.根据权利要求1所述的基于家长接送空间模式的接送行为预测方法,其特征在于:所述步骤(1)中“驻点”信息包括接送者居住地、单位和学校的经纬度。
4.根据权利要求1所述的基于家长接送空间模式的接送行为预测方法,其特征在于:所述步骤(3)中,Q型聚类法为k-means方法。
5.根据权利要求1所述的基于家长接送空间模式的接送行为预测方法,其特征在于:所述步骤(5)中确定的接送决策层属性集中,其元素以向量形式表示,H0层的属性包括家庭规模、家庭收入、家庭区位、就业人数和接送者性别、年龄、收入、驾龄及职业类型;H1层的属性包括接送者空间主观感知;H2层的属性包括接送交通方式机动化水平、接送出行时长出发、出行链复杂程度。
6.根据权利要求1所述的基于家长接送空间模式的接送行为预测方法,其特征在于:所述步骤(6)中,所建立的接送决策模型采用结构方程模型,需要估计的未知参数包括两个方面,一是表示各接送决策层与其对应属性间关系的未知参数,二是表示各接送决策层间关系的未知参数。
7.根据权利要求1所述的基于家长接送空间模式的接送行为预测方法,其特征在于:所述步骤(6)中,所述决策模型包括表示各接送决策层与其对应属性间关系的模型以及表示各接送决策层间关系的模型;
所述表示各接送决策层与其对应属性间关系的模型如下所示:
x=Λxξ+δ
y=Λyη+ε
其中,x是接送行为属性组成的向量,Λx是接送行为属性x在接送行为决策层ξ上的因子负荷矩阵,δ是接送行为属性x的误差项;y是个人、家庭属性以及主观感知属性组成的向量,Λy是y在个人及家庭决策层η上的因子负荷矩阵,ε是y的误差项;
所述表示各接送决策层间的关系模型如下所示:
η=βη+Γξ+ζ
其中,β是描述个人及家庭属决策层η的系数矩阵,Γ是描述接送行为决策层ξ的系数矩阵,ζ是结构方程的残差项。
8.根据权利要求1所述的基于家长接送空间模式的接送行为预测方法,其特征在于,所述步骤(6)中,对所述模型的调整修正具体包括两个步骤:首先对整个接送决策模型的拟合指数进行检验,若检验通过,则对单个参数的显著性进行检验,剔除不满足显著性要求的参数;若检验未通过,则通过增加或删除接送决策层属性间的约束条件,对模型进行反复调整,直到修正后的模型通过检验,再对单个参数的显著性进行检验,剔除不满足显著性要求的参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810044802.0A CN108229751B (zh) | 2018-01-17 | 2018-01-17 | 一种基于家长接送空间模式的接送行为预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810044802.0A CN108229751B (zh) | 2018-01-17 | 2018-01-17 | 一种基于家长接送空间模式的接送行为预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108229751A CN108229751A (zh) | 2018-06-29 |
CN108229751B true CN108229751B (zh) | 2021-11-16 |
Family
ID=62640609
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810044802.0A Active CN108229751B (zh) | 2018-01-17 | 2018-01-17 | 一种基于家长接送空间模式的接送行为预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108229751B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114625974B (zh) * | 2022-05-13 | 2022-09-06 | 佛山市城市规划设计研究院 | 一种幼儿园信息推送方法、装置、电子设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105096223A (zh) * | 2015-08-04 | 2015-11-25 | 侯丹 | Rfid技术双感应安全监护***及应用方法 |
CN105427001A (zh) * | 2015-12-03 | 2016-03-23 | 北京理工大学 | 地区中小学校校车最优路线与配置方法 |
-
2018
- 2018-01-17 CN CN201810044802.0A patent/CN108229751B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105096223A (zh) * | 2015-08-04 | 2015-11-25 | 侯丹 | Rfid技术双感应安全监护***及应用方法 |
CN105427001A (zh) * | 2015-12-03 | 2016-03-23 | 北京理工大学 | 地区中小学校校车最优路线与配置方法 |
Non-Patent Citations (2)
Title |
---|
城市家庭日常活动—出行交互制约机制研究;何保红、刘阳、高良鹏、徐伟;《交通运输***工程与信息》;20150615;第15卷(第3期);第7-12页 * |
通勤制约度对儿童陪伴出行决策过程的影响;何保红、刘阳、何民;《交通运输***工程与信息》;20141215;第14卷(第6期);第223-230页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108229751A (zh) | 2018-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111081016B (zh) | 一种基于复杂网络理论的城市交通异常识别方法 | |
CN106446208B (zh) | 一种考虑路网契合度的智能手机出行方式识别方法 | |
CN109146144A (zh) | 基于改进贝叶斯网络的滑坡灾害预测方法 | |
CN108108808B (zh) | 一种基于深度信念网络的位置预测方法及装置 | |
CN105404947A (zh) | 用户质量侦测方法及装置 | |
CN110188882A (zh) | 一种基于模糊推理的高冲突证据融合方法 | |
CN103577876A (zh) | 基于前馈神经网络的可信与不可信用户识别方法 | |
CN105046407B (zh) | 一种电网与用户双向互动服务运营模式的风险评估方法 | |
CN106845559A (zh) | 顾及poi数据空间异质性的地表覆盖验证方法及*** | |
CN113887908A (zh) | 考虑主客观交叉融合权重的桥梁风险评估方法 | |
CN112054943A (zh) | 一种移动网络基站流量预测方法 | |
CN115630129A (zh) | 一种社区体育健身设施步行适应性的评价方法 | |
CN104427505A (zh) | 一种小区场景划分的方法及装置 | |
CN108920892A (zh) | 一种城市轨道交通站点脆弱性测量方法 | |
CN108229751B (zh) | 一种基于家长接送空间模式的接送行为预测方法 | |
Zhao et al. | A driving risk prediction algorithm based on PCA-BP neural network in vehicular communication | |
CN107609938A (zh) | 一种基于用户定性和定量偏好的服务推荐方法 | |
CN107622354B (zh) | 一种基于区间二元语义的突发事件应急能力评估方法 | |
Richards et al. | Modelling mode choice with machine learning algorithms | |
CN117273380A (zh) | 一种面向不同出行场景的出行方案规划及推荐方法和*** | |
CN111914052A (zh) | 一种区域空间关联关系确定方法及装置 | |
CN111552882A (zh) | 一种新闻影响力计算方法、装置、计算机设备及存储介质 | |
CN114970693B (zh) | 一种基于联邦学习的充电桩用户画像方法 | |
Zhao | [Retracted] Optimization of Human Motion Recognition Information Processing System Based on GA‐BP Neural Network Algorithm | |
CN114528619A (zh) | 一种居民地约束下的道路网综合方法 |
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 |