CN110188953B - 一种基于空间杜宾模型的o-d时空分布预测方法 - Google Patents
一种基于空间杜宾模型的o-d时空分布预测方法 Download PDFInfo
- Publication number
- CN110188953B CN110188953B CN201910467629.XA CN201910467629A CN110188953B CN 110188953 B CN110188953 B CN 110188953B CN 201910467629 A CN201910467629 A CN 201910467629A CN 110188953 B CN110188953 B CN 110188953B
- Authority
- CN
- China
- Prior art keywords
- traffic
- space
- effect
- attraction
- built
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 16
- 230000000694 effects Effects 0.000 claims abstract description 60
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000011160 research Methods 0.000 claims description 11
- 230000001419 dependent effect Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 230000032823 cell division Effects 0.000 claims description 2
- SQNZJJAZBFDUTD-UHFFFAOYSA-N durene Chemical compound CC1=CC(C)=C(C)C=C1C SQNZJJAZBFDUTD-UHFFFAOYSA-N 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000007726 management method Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000003892 spreading Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000007619 statistical method Methods 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
- G06Q10/04—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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于空间杜宾模型的O‑D时空分布预测方法,属于城市交通规划及管理和智能交通***的技术领域。加入建成环境作为O‑D时空分布的解释变量,并通过案例证明了建成环境对于O‑D时空分布的解释性;给出了一种用某一交通小区交通生成量或吸引量估计邻近小区交通生成或吸引量的方法。本发明的效果和益处是解释了建成环境对O‑D时空分布影响的溢出效应,并将这种溢出效应分解为直接效应、间接效应和总效应,提高城市O‑D时空分布预测结果的精度。
Description
技术领域
本发明属于城市交通规划及管理的技术领域,涉及交通出行起讫点(Origin-Destination,简称O-D)时空分布和ITS智能交通***领域,特别适用于基于城市建成环境对O-D时空分布的解释和O-D时空分布的预测方法。
背景技术
现有关于O-D需求分布的研究主要分为O-D数据获取、O-D矩阵构建两个步骤来获得城市交通***的O-D分布。Alexander采用手机三角定位数据作为个人及家庭日常出行轨迹,其准确性和时效性可替代传统的家庭出行调查数据。Hadavi和Shafahi提出了一种基于交通传感器数据的O-D估计,其应用车牌识别传感器并提出了四个位置模型以获取O-D流。O-D矩阵构建方法主要分为两类:统计学方法和数学规划方法。Ge和Fukuda运用极大熵原理,基于手机GPS轨迹数据实现了工作相关的出行O-D需求估计。Lee提出了一种鲁棒优化方法用于O-D网络评估,其能够产生O-D矩阵并克服O-D需求分布的不确定性。
不管是在O-D数据获取过程还是O-D矩阵构建过程,其在研究中更多的是使用历史起讫点数据、采用数学方法进行O-D反推,往往没有(无法)分析影响O-D分布的内在因素。因此,本发明采用出租车数据,提出一种基于空间杜宾模型的O-D时空分布预测方法,充分考虑了城市建成环境对O-D时空分布的影响,从而提出更精确的预测方法。
发明内容
本发明要解决的技术问题是先利用各交通小区内出租车GPS数据得到各小区O-D分布,然后在此基础上构建空间杜宾模型估算城市建成环境对O-D分布的溢出效应,用城市交通小区内车辆O-D的分布数估计邻近小区的O-D分布数的方法。
本发明的技术方案:
一种基于空间杜宾模型的O-D时空分布预测方法,其特征在于,步骤如下:
(1)交通小区划分
首先对研究区域进行交通小区划分,可采用行政乡镇街道划分或栅格化划分方式。
(2)城市建成环境要素提取与统计
依据研究需要,提取交通小区内各种城市建成环境要素的指标,主要包括密度、土地利用多样性、街区设计、目的地可达性和距离公交设施距离,并进行交通小区内建成环境要素统计。此外,还要通过基础数据处理得到研究时段内各交通小区的交通生成量和吸引量。
(3)空间杜宾模型的基本形式
y=ρWy+Xβ+γWX+ε,ε~N(0,σ2In) (1)
式中,n为交通小区数量;y是n×1的向量,表示被解释变量即某交通小区早高峰交通生成量或吸引量;X是n×k数据矩阵,代表解释变量即某交通小区各种建成环境指标,k为城市建成环境要素个数;W是空间权重矩阵,ρ是空间滞后因变量Wy的系数,γ是空间滞后自变量WX的系数,β反映解释变量对因变量y变化产生的影响,ε为随机误差项;
空间权重矩阵W揭示了空间单元之间的相互作用,形式如下:
空间权重矩阵中的每个要素为空间权重,空间权重的计算方法采用反距离权重矩阵,形式如下:
(4)空间杜宾模型的效应分解
为了解释空间杜宾模型中的溢出效应,引入自变量对因变量的直接效应、间接效应和总效应,即与任一交通小区内交通生成量或吸引量相关联的单个建成环境要素的变化,不仅对本小区交通生成量或吸引量产生影响,同时还间接影响其他相邻地区的交通生成量和吸引量;
为了便于测度直接效应和间接效应,将式(1)改写为下式:
(In-ρW)y=ιnα+Xβ+WXθ+ε (4)
y=(In-ρW)-1ιnα+(In-ρW)-1X(Inβ+Wθ)+(In-ρW)-1ε (5)
令(In-ρW)-1=V(W),S(W)=V(W)(Inβ+Wθ),则得式(6),矩阵形式为式(7),参数效应的矩阵表达为式(8):
y=V(W)ιnα+S(W)X+V(W)ε (6)
式(8)中主对角线元素之和除以n为平均直接效应;矩阵中Sr(W)所有元素之和除以n为平均总效应;平均总效应与平均直接效应之差记为平均间接效应;如下所示:
上式中,r=1,2,3,...,k,为城市建成环境要素个数,ιn表示n×1阶矩阵,M(k)Direct表示城市建成环境要素对本交通小区内交通生成量或吸引量的直接效应,M(k)Indirect表示城市建成环境要素对邻近交通小区内交通生成量或吸引量的间接效应,M(k)total表示城市建成环境要素对交通小区内交通生成量或吸引量的总效应。
本发明的有益效果:本发明的基于空间杜宾模型的O-D时空分布预测方法加入建成环境作为交通小区交通生成量和吸引量的解释变量,证明了建成环境对于O-D时空分布的解释性;并在此基础上证明了城市建成环境对O-D分布影响的溢出效应,对其进行量化,将这种溢出效应分解为直接效应、间接效应和总效应,完善了空间相关性的细节信息,为城市管理与规划部门开展城市用地规划提供参考。
具体实施方式
以下结合技术方案,详细叙述本发明的具体实施方式,并模拟发明的实施效果。
(1)研究对象
选取深圳市市域为研究范围,深圳市不仅是全国的经济中心,基础设施建设完善,城市建成环境要素丰富且分布范围广;也是珠三角地区人口集聚中心,其人口流动量不管是内部还是对外都相当庞大,便于开展研究。
(2)基础数据
应用ArcGIS软件完成交通小区划分,考虑到交通小区内部建成环境丰富性和栅格数据的可操作性,本研究最终选取1.5km*1.5km大小的栅格为单位交通小区尺度,得到1031个交通小区。采用Oracle编程选取2014年6月9日-14日每天6:00-8:30期间浮动车轨迹的起讫点,将匹配后的浮动车GPS点撒到交通小区中去,在ArcGIS中提取每个小区的交通生成量和吸引量,即为因变量。选取研究小区内的宾馆酒店密度、餐饮店密度、超市密度、药店密度、大厦密度、学校密度、医院密度、银行密度、政府单位密度、公交站点密度、交叉口密度、地铁站点密度、土地利用多样性和距交通枢纽距离,共14个建成环境要素作为建成环境自变量。表1中给出各建成环境属性的统计值。
表1各交通小区主要自变量统计值
(3)全局回归确定显著自变量
对于大多数空间实证分析而言,空间计量建模一般首先从非空间线性回归模型开始,然后进一步讨论该模型是否需要扩展以考虑空间交互效应进而建立空间计量模型,因此本研究首先建立了全局回归模型作为空间计量分析的基准参考。
在全局回归模型中,以1031个交通小区早高峰交通生成量和吸引量(O-D)为因变量,城市建成环境属性为自变量,模型标定在SPSS软件中完成。估计结果见表2所示,当t值的绝对值大于1.96时,说明该自变量对交通吸引量或发生量影响是显著的。
表2全局回归模型结果
注:***、**、*分别表示显著性水平为99%、95%和90%。
模型结果中被解释变量为交通生成量时,Ra 2为0.610,说明模型中的自变量能够解释61.0%的交通生成量的变化;被解释变量为交通吸引量时,Ra 2为0.640,说明模型中的自变量能够解释64.0%的交通吸引量的变化。
从表2中可以看出,宾馆数量、大厦数量和公交站点数量与交通生成存在显著的正相关;而商超数量、多样性和距交通枢纽距离与交通生成存在显著的负相关。大厦数量、地铁站点、公交站点和和政府数量与交通吸引存在显著的正相关,多样性与交通吸引存在显著的负相关。
(4)将显著自变量代入空间杜宾模型
基于Matlab编程,空间Durbin模型的结果如下表3和4所示。
表3空间Durbin模型参数估计结果(交通生成)
注:***、**、*分别表示显著性水平为99%、95%和90%。
表4空间Durbin模型参数估计结果(交通吸引)
注:***、**、*分别表示显著性水平为99%、95%和90%。
从表3和表4可以看出,宾馆密度、大厦密度和公交站密度与交通生成有着显著的正相关关系,超市密度与交通生成有着显著的负相关关系;大厦密度、地铁站点密度、公交站点密度和政府密度与交通吸引存在显著的正相关关系,与全局回归模型结果一致。然而,多样性对交通吸引和交通生成影响都不显著,这是由于空间权重矩阵的存在,使得多样性对被解释变量的效应被分解,而且多样性对自身交通生成或吸引的影响并不显著。
表3和表4中带W的变量表示的是空间滞后项,代表该交通小区的交通生成或交通吸引受到周边交通小区建成环境变量的影响。对交通生成而言,除了超市密度和公交站点的空间滞后变量不显著外,其余空间滞后变量均显著。具体而言,周边小区宾馆密度和大厦密度对本小区交通生成存在显著的正向影响,而周边小区多样性对本小区交通生成存在显著的负向影响。对交通吸引而言,除了公交站点的空间滞后变量不显著外,其余变量的空间滞后变量均显著。周边小区大厦密度和地铁站点密度对本小区交通吸引存在显著的正向影响,而周边小区政府密度和多样性对本小区交通吸引有着显著的负向影响。
空间滞后变量系数ρ为正且统计显著,说明研究建成环境对O-D分布的影响时,不能忽略空间溢出效应。且周边交通小区的出行或吸引提高1%,本小区的交通生成或吸引将提高约0.24%和0.25%。
将表3和表4中的模型参数分解为直接效应、间接效应,进而得出总效应。分解计算结果见表5和表6所示。
表5空间Durbin模型的直接、间接和总效应(交通生成)
注:***、**、*分别表示显著性水平为99%、95%和90%。
表6空间Durbin模型的直接、间接和总效应(交通吸引)
注:***、**、*分别表示显著性水平为99%、95%和90%。
从定量的角度来看,公交站点密度对交通生成影响均为显著正相关,且直接效应占总效应的51%,间接效应占总效应的49%,说明公交站点密度对交通生成增加来自于解释变量的双重作用。这体现了居民日常出行是以公交站为中心向周边扩散的,且扩散范围可观,提示交通管理者应当在公交站附近适当增设出租车上客点以满足这部分出行需求。此外,多样性不管对交通生成或吸引,间接效应和总效应均统计显著且为负值,且系数上看间接效应是总效应的绝对贡献,说明多样性并不是交通产生或吸引的直接决定因素。一般认为某一区域配套设施完善,土地利用类型多样,街区设计科学合理,该小区被认为是成熟社区,跟以往的研究一致,成熟社区多样性程度越高,会带动周围小区多样性的提高,从而产生较少的交通生成和吸引。
Claims (1)
1.一种基于空间杜宾模型的O-D时空分布预测方法,其特征在于,步骤如下:
(1)交通小区划分
首先对研究区域进行交通小区划分,采用行政乡镇街道划分或栅格化划分方式;
(2)城市建成环境要素提取与统计
依据需要,提取交通小区内各种城市建成环境要素的指标,包括密度、土地利用多样性、街区设计、目的地可达性和距离公交设施距离,并进行交通小区内建成环境要素统计;此外,还要通过基础数据处理得到研究时段内各交通小区的交通生成量和吸引量;
(3)空间杜宾模型的基本形式
y=ρWy+Xβ+γWX+ε,ε~N(0,σ2In) (1)
式中,n为交通小区数量;y是n×1的向量,表示被解释变量即某交通小区早高峰交通生成量或吸引量;X是n×k数据矩阵,代表解释变量即某交通小区各种建成环境指标,k是城市建成环境要素个数;W是空间权重矩阵,ρ是空间滞后因变量Wy的系数,γ是空间滞后自变量WX的系数,β反映解释变量对因变量y变化产生的影响,ε为随机误差项;
空间权重矩阵W揭示空间单元之间的相互作用,形式如下:
空间权重矩阵中的每个要素为空间权重,空间权重的计算方法采用反距离权重矩阵,形式如下:
(4)空间杜宾模型的效应分解
为了解释空间杜宾模型中的溢出效应,引入自变量对因变量的直接效应、间接效应和总效应,即与任一交通小区内交通生成量或吸引量相关联的单个建成环境要素的变化,不仅对本小区交通生成量或吸引量产生影响,同时还间接影响其他相邻地区的交通生成量和吸引量;
为了便于测度直接效应和间接效应,将式(1)改写为下式:
(In-ρW)y=ιnα+Xβ+WXθ+ε (4)
y=(In-ρW)-1ιnα+(In-ρW)-1X(Inβ+Wθ)+(In-ρW)-1ε (5)
令(In-ρW)-1=V(W),S(W)=V(W)(Inβ+Wθ),则得式(6),矩阵形式为式(7),参数效应的矩阵表达为式(8):
y=V(W)ιnα+S(W)X+V(W)ε (6)
V(W)ιnα+V(W)ε
式(8)中主对角线元素之和除以n为平均直接效应;矩阵中Sr(W)所有元素之和除以n为平均总效应;平均总效应与平均直接效应之差记为平均间接效应;如下所示:
上式中,r=1,2,3,...,k,为城市建成环境要素个数,ιn表示n×1阶矩阵,M(k)Direct表示城市建成环境要素对本交通小区内交通生成量或吸引量的直接效应,M(k)Indirect表示城市建成环境要素对邻近交通小区内交通生成量或吸引量的间接效应,M(k)total表示城市建成环境要素对交通小区内交通生成量或吸引量的总效应。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910467629.XA CN110188953B (zh) | 2019-05-31 | 2019-05-31 | 一种基于空间杜宾模型的o-d时空分布预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910467629.XA CN110188953B (zh) | 2019-05-31 | 2019-05-31 | 一种基于空间杜宾模型的o-d时空分布预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110188953A CN110188953A (zh) | 2019-08-30 |
CN110188953B true CN110188953B (zh) | 2022-09-06 |
Family
ID=67719313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910467629.XA Active CN110188953B (zh) | 2019-05-31 | 2019-05-31 | 一种基于空间杜宾模型的o-d时空分布预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110188953B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728305B (zh) * | 2019-09-16 | 2024-01-05 | 南京信息工程大学 | 基于网格信息熵聚类算法的出租车载客热点区域挖掘方法 |
CN111401612A (zh) * | 2020-03-06 | 2020-07-10 | 山东省交通规划设计院有限公司 | 经济新常态下高速公路交通生成分析与建模方法 |
CN114331058B (zh) * | 2021-12-15 | 2023-04-21 | 东南大学 | 建成环境对交通运行状况影响的评估方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107622325A (zh) * | 2017-09-12 | 2018-01-23 | 大连理工大学 | 基于建成环境和微博数据的交通事故时空分布量化方法 |
CN108182196A (zh) * | 2017-11-27 | 2018-06-19 | 东南大学 | 一种基于poi的城市交通需求预测方法 |
-
2019
- 2019-05-31 CN CN201910467629.XA patent/CN110188953B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107622325A (zh) * | 2017-09-12 | 2018-01-23 | 大连理工大学 | 基于建成环境和微博数据的交通事故时空分布量化方法 |
CN108182196A (zh) * | 2017-11-27 | 2018-06-19 | 东南大学 | 一种基于poi的城市交通需求预测方法 |
Non-Patent Citations (1)
Title |
---|
基于空间杜宾模型的金融集聚与绿色经济效率研究;许宁等;《资源开发与市场》;20181231(第10期);第1340-1347页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110188953A (zh) | 2019-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xia et al. | Analyzing spatial relationships between urban land use intensity and urban vitality at street block level: A case study of five Chinese megacities | |
CN107016851B (zh) | 一种量化分析城市建成环境对道路行程时间影响的方法 | |
Liu et al. | Urban land uses and traffic ‘source-sink areas’: Evidence from GPS-enabled taxi data in Shanghai | |
CN110188953B (zh) | 一种基于空间杜宾模型的o-d时空分布预测方法 | |
CN105493109B (zh) | 使用多个数据源的空气质量推断 | |
Cheng et al. | Urban land administration and planning in China: Opportunities and constraints of spatial data models | |
CN105809962A (zh) | 一种基于手机数据的交通出行方式划分的方法 | |
Zhu et al. | Solar accessibility in developing cities: A case study in Kowloon East, Hong Kong | |
CN110781267A (zh) | 一种基于地理国情的多尺度空间分析评价方法及*** | |
CN107679663A (zh) | 一种教育资源监测预警*** | |
CN108388970A (zh) | 一种基于gis的公交站点选址方法 | |
Zhang et al. | Using street view images to identify road noise barriers with ensemble classification model and geospatial analysis | |
Domingo et al. | Long-term changes in 3D urban form in four Spanish cities | |
CN101599142A (zh) | 基于空间数据场的土地评价指标分类量化方法 | |
CN110210667B (zh) | 基于变尺度地理加权回归模型的o-d时空分布预测方法 | |
Ren et al. | Analysis of the spatial characteristics of inhalable particulate matter concentrations under the influence of a three-dimensional landscape pattern in Xi'an, China | |
CN116976692A (zh) | 一种基于适应性循环路径的传统村落分类分区保护控制方法 | |
Jaber et al. | How do land use, built environment and transportation facilities affect bike-sharing trip destinations? | |
Han et al. | Spatiotemporal changes in the urban heat island intensity of distinct local climate zones: Case study of Zhongshan District, Dalian, China | |
Yao et al. | Estimating China’s poverty reduction efficiency by integrating multi-source geospatial data and deep learning techniques | |
CN109684604A (zh) | 一种基于上下文感知的非负张量分解的城市动态分析方法 | |
CN111738527B (zh) | 一种基于热点探测模型的城市交通小区划分方法 | |
CN114612800A (zh) | 一种核算城市群建筑物质存量及时空变化的方法、*** | |
Chmielewski et al. | Hexagonal Zones in Transport Demand Models | |
CN112836000A (zh) | 基于出租车od数据的非常态居民出行模式挖掘方法 |
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 |