CN113868830B - 一种基于交通可达性的同城化城际客流生成模型构建方法 - Google Patents

一种基于交通可达性的同城化城际客流生成模型构建方法 Download PDF

Info

Publication number
CN113868830B
CN113868830B CN202110953865.XA CN202110953865A CN113868830B CN 113868830 B CN113868830 B CN 113868830B CN 202110953865 A CN202110953865 A CN 202110953865A CN 113868830 B CN113868830 B CN 113868830B
Authority
CN
China
Prior art keywords
passenger flow
traffic
intercity
cell
city
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
Application number
CN202110953865.XA
Other languages
English (en)
Other versions
CN113868830A (zh
Inventor
罗典
李汉飞
陆虎
朱墨
何继红
温卫华
卢火平
李健民
王琢玉
张海雷
阎泳楠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Foshan Urban Planning and Design Research Institute Co.,Ltd.
Original Assignee
Foshan Urban Planning And Design Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Foshan Urban Planning And Design Institute filed Critical Foshan Urban Planning And Design Institute
Priority to CN202110953865.XA priority Critical patent/CN113868830B/zh
Publication of CN113868830A publication Critical patent/CN113868830A/zh
Application granted granted Critical
Publication of CN113868830B publication Critical patent/CN113868830B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y02A30/60—Planning or developing urban green infrastructure

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种基于交通可达性的同城化城际客流生成模型构建方法，包含了基础数据获取，平均城际客流生成率标定、初始城际客流生成量计算、出行方式效用函数标定、可达性指标构建、城际客流生成量修正共六个步骤。本发明适用于同城化进程下的城市间客流生成量的精细化预测，并利用多源大数据对模型进行参数标定；研究结果表明，基于交通可达性的同城化城际客流生成模型具有较好的可行性、有效性，为同城化城际客流预测提供了新的思路和方法，在精细化的城际客流预测上具有重要的指导意义。

Description

一种基于交通可达性的同城化城际客流生成模型构建方法
技术领域
本发明属于交通模型研究技术领域，具体涉及一种基于交通可达性的同城化城际客流生成模型构建方法。
背景技术
都市圈和城市群已经成为中国新型城镇化的发展战略，同城化发展被认为是提升各大城市群竞争力的重要手段。同城化是指一个城市与另一个或几个相邻的城市，在经济、社会以及自然资源等方面相互融合，共同发展。随着同城化发展的进一步深入，各城市之间形成了较大规模的客流联系。同城化发展下的城际客流特征反映了同城化的进程，也是确定城市间交通基础设施建设规模、布局和走向的重要依据。
城际客流预测的方法很多，如基于势能模型的点-点增长率预测，基于神经网络、灰色理论等城际轨道、公交客流预测，而传统四阶段法应用最为广泛。生成量预测作为四阶段模型的第一阶段，其预测精度直接影响最终客流结果。城际客流生成量预测方法一般沿用城市模型中的生成量预测方法，如增长率法、出行率法、回归分析法和交叉分类分析法等，但由于城际客流生成模型往往涉及两个以上的城市，居民调查数据的获取难以突破行政界线壁垒，导致上述方法可行性不高。随着大数据技术的发展，有学者利用手机信令数据、互联网定位数据等多源动态交通数据构建和标定了城际交通生成模型，为大范围的区域交通模型构建奠定了基础。此外，城际客流生成多以市、县级行政单位作为研究对象，采用点-点增长率预测方法，尚未有以小范围交通小区为单元的城际客流生成研究。对同城化进程下的城际客流研究而言，由于城市间产业、空间的融合，以及交通基础设施共建共享，可以参照城市客流研究下的小颗粒度交通分区方法，进行更精细化的城际客流分析。但是，城际客流生成的机理不同于城市客流。城际客流生成强度直接受城际间交通可达性水平的影响，在同城化发展的城市中尤为显著。如在两城市相邻地区的生成量明显高于与邻市距离较远的地区；或者与邻市的距离相同，有跨市轨道交通覆盖的小区客流生成强度也高于非轨道覆盖的小区。同时，城市间建成区的联系强度也会高于非建成区。当前的城际客流生成预测方法基本能考虑不同区域区位的差异，尚无研究将交通基础设施和交通可达性水平对城际客流生成的影响纳入考虑因素，且涉及的数据覆盖量大，数据的标定存在效率低下和准确率低下的问题，以及交通数据的预警不足问题。
发明内容
针对现有技术中的问题，本发明提供了一种基于交通可达性的同城化城际客流生成模型构建方法，或提高交通模型同城化城际客流数据标定效率的方法，或一种提高交通模型同城化城际客流数据准确性的方法，或提高交通模型同城化城际客流数据预警的方法，包含了基础数据获取，平均城际客流生成率标定、初始城际客流生成量计算、出行方式效用函数标定、可达性指标构建、城际客流生成量修正的步骤。本发明适用于同城化进程下的城市间客流生成量的精细化预测，并利用多源大数据对模型进行参数标定；研究结果表明，基于交通可达性的同城化城际客流生成模型具有较好的可行性、有效性，为城际客流预测提供了新的思路和方法，提高交通模型同城化城际客流数据标定效率的方法具有较高的准确性和有效性，为城际客流预测提高了预测效率和精准度，在精细化的城际客流预测上具有重要的指导意义。
为了实现上述目的，本发明采用的技术方案如下：一种基于交通可达性的同城化城际客流生成模型构建方法，包含以下步骤：
第一步，基础数据获取：基于大数据技术获取研究城市各交通小区k的人口POPk和就业数据EMPk，不同圈层i(如核心区、主城区、***区)的人口POPi和就业数量EMPi；城市间不同圈层i、j的现状客流Qij及Qji；
基于现状客流Qij及Qji，得到不同圈层的现状城际客流生成量Gi、现状城际客流吸引量Ai；
Gi＝Qij (1)
Ai＝Qji (2)
第二步，标定各圈层平均城际客流出行率(包括生成率、吸引率)：利用第一步获取的城市间不同圈层的城际客流生成量、吸引量、人口和就业数据，标定各圈层平均城际客流出行率
Figure BDA0003219619190000021
基于生成率法构建城际客流生成模型如下：
Figure BDA0003219619190000022
Figure BDA0003219619190000023
式(3)中，
Figure BDA0003219619190000024
为圈层i居住人口和就业岗位的平均城际客流生成率；
式(4)中，
Figure BDA0003219619190000031
为圈层i居住人口和就业岗位的平均城际客流吸引率；
第三步，计算各交通小区的初始城际客流生成量：利用第二步获取的各圈层的平均城际客流出行率，计算不同圈层所属小区k的初始城际客流生成量
Figure BDA0003219619190000032
初始城际客流吸引量
Figure BDA0003219619190000033
Figure BDA0003219619190000034
Figure BDA0003219619190000035
第四步，标定地面交通(含小汽车、出租车、客运大巴)和轨道交通(含城际铁路、地铁)的出行效用函数；
第五步，构建可达性指标：根据机会累积计算可达性的方法，构建可达性指标Rk；
第六步，修正交通小区初始城际客流生成量：按公式(7)和公式(8)分别计算得到修正后的交通小区城际客流生成量Gk、城际客流吸引量Ak；
Figure BDA0003219619190000036
Figure BDA0003219619190000037
式(7)、式(8)中，
Figure BDA0003219619190000038
为平均可达性，是各圈层内部所有小区可达性的平均值。
进一步地，所述第一步中获取各小区(或各圈层)的人口就业数据的具体步骤为：先根据互联网定位数据获取单位网格单元的居住人口及工作人口，然后将网格人口和交通小区(或各圈层)边界进行关联，即可得到各交通小区(或各圈层)的居住人口和就业岗位数量。
进一步地，所述第一步中获取城市间不同圈层的现状客流的具体步骤为：先用互联网定位数据建立城市圈层与用户停留点的匹配关系，再通过识别人口流动方向，获取城际出行客流。
进一步地，第四步中出行效用函数标定的具体步骤如下：
S41，获取现状本市小区k到达邻市小区g采用采用地面交通(含小汽车、出租车、客运大巴)和轨道交通(含城际铁路、地铁)两类出行方式的比例
Figure BDA0003219619190000039
轨道交通客流可利用铁路票务或公交刷卡数据获取，地面交通客流可通过现状客流减去轨道交通客流得到。
S42：结合S41中获得的各方式出行比例，按式(9)标定本市小区k到达邻市小区g选择方式m出行的出行效用
Figure BDA0003219619190000041
和出行效用函数
Figure BDA0003219619190000042
其中m取1时表示地面交通，m取2时表示轨道交通：
Figure BDA0003219619190000043
式(9)中，
Figure BDA0003219619190000044
为车内行程时间，
Figure BDA0003219619190000045
为车外行程时间，
Figure BDA0003219619190000046
α1、α2为标定的参数；此步骤中的时间变量均为现状值；
S43：将S42中获得的参数
Figure BDA0003219619190000047
α1、α2，及规划年的车内行程时间
Figure BDA0003219619190000048
及车外行程时间
Figure BDA0003219619190000049
带入公式(9)，即可得到规划年本市小区k到达邻市小区g选择方式m出行的比例；
进一步地，第五步中，可达性指标Rk的具体计算步骤如下：
S51，按公式(10)计算从本市小区k出发，在时间阈值T内可获得邻市小区g的机会数Ok(T)，是不同方式下的获取机会数的加权求和；
Figure BDA00032196191900000410
式(10)中，m取1时表示地面交通，m取2时表示轨道交通，
Figure BDA00032196191900000411
表式本市小区k采用方式m获取的邻市机会数，机会可以用人口和/或就业岗位指代；时间阈值T由现状城际出行时间的分位数得到；行程时间tkg通过交通网络测算得到，等于车内行程时间
Figure BDA00032196191900000412
加车外行程时间
Figure BDA00032196191900000413
分位数取值可以是95％；
S52，计算可达性指标Rk：根据机会累积计算可达性的方法，Rk定义为小区k在时间阈值T内可获得的邻市机会数量占邻市总机会数的比例：
Figure BDA00032196191900000414
式(11)中，O(Tmax)表示时间足够长时可能接触到的所有机会数量，等于邻市所有小区的机会数。
与现有技术相比，本发明的优点在于：
1)本发明创造性地引入交通可达性指标，构建一种新的城际客流生成模型，能够综合考虑区位、距离、交通基础设施等因素对城际客流生成量的影响；
2)本发明利用现代互联网大数据构建城际客流生成模型，克服了传统人工抽样问询调查数据的样本量不足，也摆脱了单一城市行政区划的限制。
3)本发明构建的同城化城际客流生成模型方法，适用于颗粒度小的交通小区分区，为精细化的城际客流预测提供了新的思路和方法。
附图说明
附图1为本发明的实施例1-3流程图；
附图2为基于累积机会的可达性分布曲线示意图；
附图3位本发明实施例4的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。
实施例1：
一种基于交通可达性的同城化城际客流生成模型构建方法，如附图1所示，包含以下步骤：
第一步，基础数据获取：研究城市各交通小区k的人口POPk和就业数据EMPk，不同圈层i(核心区、主城区、***区)的人口POPi和就业数量EMPi；城市间不同圈层i、j的现状客流Qij及Qji；以上数据在城市交通模型中一般由传统的居民出行调查或相关城市的统计部门得到，但是居民出行调查数据的获取难以突破行政界线壁垒，无法为区域交通模型提供支撑，而大数据技术为获取城际出行量和人口、就业岗位数据提供了可能。
获取各小区(或各圈层)的人口就业数据的具体步骤为：先根据互联网定位数据获取单位网格单元(例如200*200米)的居住人口及工作人口，然后将网格人口和交通小区(或各圈层)边界进行关联，即可得到各交通小区(或各圈层)的居住人口和就业岗位数量。
获取城市间不同圈层现状客流的具体步骤为：先用互联网定位数据建立城市圈层与用户停留点的匹配关系，再通过识别人口流动方向，获取城际出行客流；
基于现状城际客流Qij和Qji，集计得到不同圈层的现状城际客流生成量Gi、现状城际客流吸引量Ai，此处i，j∈{核心区、主城区、***区}；
Gi＝Qij (1)
Ai＝Qji (2)
第二步，标定各圈层平均城际客流出行率(包括生成率、吸引率)：利用第一步获取的不同圈层的城际客流生成量、吸引量、人口和就业数据，标定各圈层平均城际客流出行率。基于生成率法构建城际客流生成模型如下：
Figure BDA0003219619190000061
Figure BDA0003219619190000062
式(3)中，
Figure BDA0003219619190000063
为圈层i居住人口和就业岗位的平均城际客流生成率；
式(4)中，
Figure BDA0003219619190000064
为圈层i居住人口和就业岗位的平均城际客流吸引率；
第三步，计算各交通小区的初始城际客流生成量：利用第二步获取的各圈层的平均城际客流出行率，计算不同圈层所属小区k的初始城际客流生成量
Figure BDA0003219619190000065
初始城际客流吸引量
Figure BDA0003219619190000066
Figure BDA0003219619190000067
Figure BDA0003219619190000068
第四步，标定地面交通(含小汽车、出租车、客运大巴)和轨道交通(含城际铁路、地铁)的效用函数；
S41：获取现状本市小区k到达邻市小区g采用地面交通(含小汽车、出租车、客运大巴)和轨道交通(含城际铁路、地铁)两类出行方式的比例
Figure BDA0003219619190000069
轨道交通客流可利用铁路票务或公交刷卡数据获取，地面交通客流可通过现状客流减去轨道交通客流得到。
S42：结合S41中获得的各方式出行比例，按式(7)标定本市小区k到达邻市小区g选择方式m出行的效用函数
Figure BDA00032196191900000610
其中m取1时表示地面交通，m取2时表示轨道交通：
Figure BDA0003219619190000071
式(7)中，
Figure BDA0003219619190000072
表示地面交通和轨道交通的出行效用；
Figure BDA0003219619190000073
为车内行程时间，
Figure BDA0003219619190000074
为车外行程时间，
Figure BDA0003219619190000075
α1、α2为标定的参数；此步骤中的时间变量均为现状值；
S43：将S42中获得的参数
Figure BDA0003219619190000076
α1、α2，及规划年的车内行程时间
Figure BDA0003219619190000077
及车外行程时间
Figure BDA0003219619190000078
代入公式(9)，即可得到规划年本市小区k到达邻市小区g选择方式m出行的比例；
第五步，构建可达性指标：根据机会累积计算可达性的方法，构建可达性指标Rk；
交通可达性反映了交通***与土地利用之间的内在联系，是交通运输规划的首要目标。可达性常被用于评估公共交通***的便利程度，或评估某类人群到达某种公共用地设施(如医院、公园、学校)的难易程度，或以可达性的变化研究网络的脆弱性。目前尚无研究将交通可达性指标引入城际客流生成模型。
本发明采用累积机会(cumulative-opportunity)的概念，构建适用于城际客流生成量预测的可达性指标。累积机会描述的是出行者从某一地点出发，利用某种交通方式，在一定出行时间范围内所能接触发展机会的数量(如工作岗位数)。如附图2所示，只要给定的出行时间足够长，出行者就有可能获得所有的发展机会。
S51：按公式(8)计算从本市小区k出发，在时间阈值T内可获得邻市小区g的机会数Ok(T)，是采用不同出行方式获取机会数的加权求和；
Figure BDA0003219619190000079
式(8)中，
Figure BDA00032196191900000710
表式本市小区k采用方式m获取的邻市机会数，机会可以用人口、就业岗位指代；时间阈值T由现状城际出行时间的分位数得到；行程时间tkg通过交通网络测算得到，等于车内行程时间
Figure BDA0003219619190000081
加车外行程时间
Figure BDA0003219619190000082
分位数取值可以为95％。
S52：计算可达性指标Rk：根据累积机会的概念，Rk定义为小区k在时间阈值T内可获得的邻市机会数量占邻市总机会数的比例：
Figure BDA0003219619190000083
式(9)中，O(Tmax)表示时间足够长时可能接触到的所有机会数量，等于邻市所有小区的机会数。
第六步，修正交通小区初始城际客流生成量：按公式(10)和公式(11)分别计算得到修正后的交通小区城际客流生成量Gk、城际客流吸引量Ak；
Figure BDA0003219619190000084
Figure BDA0003219619190000085
式(10)、式(11)中，n为交通小区数量，
Figure BDA0003219619190000086
为平均可达性，是各圈层内部所有小区可达性的平均值。
该实施例构建的同城化城际客流生成模型方法，适用于颗粒度小的交通小区分区，为精细化的城际客流预测提供了新的思路和方法。
实施例2：
一种提高交通模型同城化城际客流数据标定效率的方法，基于交通可达性的同城化城际客流生成构建模型，如附图1所示，包含以下步骤：
第一步，基础数据获取：研究城市各交通小区k的人口POPk和就业数据EMPk，不同圈层i(核心区、主城区、***区)的人口POPi和就业数量EMPi；城市间不同圈层i、j的现状客流Qij及Qji；以上数据在城市交通模型中一般由传统的居民出行调查或相关城市的统计部门得到，但是居民出行调查数据的获取难以突破行政界线壁垒，无法为区域交通模型提供支撑，而大数据技术为获取城际出行量和人口、就业岗位数据提供了可能。
获取各小区(或各圈层)的人口就业数据的具体步骤为：先根据互联网定位数据获取单位网格单元(例如200*200米)的居住人口及工作人口，然后将网格人口和交通小区(或各圈层)边界进行关联，即可得到各交通小区(或各圈层)的居住人口和就业岗位数量。
实时获取互联网定位数据时，基于历史大数据的实时统计和预测，根据研究城市的客流分布基数的不同，预先设置高峰时段、单位网格单元坐标及其居住人口及工作人口的阈值范围[a，b]。当单位网格单元的居住人口及工作人口低于最低阈值a时，根据当期历史同时段的统计平均值自动默认该单位网格数据为统计平均值。人口密度越低，工作人口数量越小，根据当期历史同时段的统计值自动默认该单位网格数据为统计值的平均值，从而有效降低数据获取复杂度，精简数据降低处理数据量，获取量，提升数据实时性获取效率。
获取城市间不同圈层现状客流的具体步骤为：先用互联网定位数据建立城市圈层与用户停留点的匹配关系，再通过识别人口流动方向，获取城际出行客流；
基于现状城际客流Qij和Qji，集计得到不同圈层的现状城际客流生成量Gi、现状城际客流吸引量Ai，此处i，j∈{核心区、主城区、***区}；
Gi＝Qij (1)
Ai＝Qji (2)
第二步，标定各圈层平均城际客流出行率(包括生成率、吸引率)：利用第一步获取的不同圈层的城际客流生成量、吸引量、人口和就业数据，标定各圈层平均城际客流出行率。基于生成率法构建城际客流生成模型如下：
Figure BDA0003219619190000091
Figure BDA0003219619190000092
式(3)中，
Figure BDA0003219619190000093
为圈层i居住人口和就业岗位的平均城际客流生成率；
式(4)中，
Figure BDA0003219619190000094
为圈层i居住人口和就业岗位的平均城际客流吸引率；
第三步，计算各交通小区的初始城际客流生成量：利用第二步获取的各圈层的平均城际客流出行率，计算不同圈层所属小区k的初始城际客流生成量
Figure BDA0003219619190000095
初始城际客流吸引量
Figure BDA0003219619190000096
Figure BDA0003219619190000097
Figure BDA0003219619190000098
第四步，标定地面交通(含小汽车、出租车、客运大巴)和轨道交通(含城际铁路、地铁)的效用函数；
S41：获取现状本市小区k到达邻市小区g采用地面交通(含小汽车、出租车、客运大巴)和轨道交通(含城际铁路、地铁)两类出行方式的比例
Figure BDA0003219619190000101
轨道交通客流可利用铁路票务或公交刷卡数据获取，地面交通客流可通过现状客流减去轨道交通客流得到。
S42：结合S41中获得的各方式出行比例，按式(7)标定本市小区k到达邻市小区g选择方式m出行的效用函数
Figure BDA0003219619190000102
其中m取1时表示地面交通，m取2时表示轨道交通：
Figure BDA0003219619190000103
式(7)中，
Figure BDA0003219619190000104
表示地面交通和轨道交通的出行效用；
Figure BDA0003219619190000105
为车内行程时间，
Figure BDA0003219619190000106
为车外行程时间，
Figure BDA0003219619190000107
α1，α2为标定的参数；此步骤中的时间变量均为现状值；
S43：将S42中获得的参数
Figure BDA0003219619190000108
α1，α2，及规划年的车内行程时间
Figure BDA0003219619190000109
及车外行程时间
Figure BDA00032196191900001010
代入公式(9)，即可得到规划年本市小区k到达邻市小区g选择方式m出行的比例；
第五步，构建可达性指标：根据机会累积计算可达性的方法，构建可达性指标Rk；
交通可达性反映了交通***与土地利用之间的内在联系，是交通运输规划的首要目标。可达性常被用于评估公共交通***的便利程度，或评估某类人群到达某种公共用地设施(如医院、公园、学校)的难易程度，或以可达性的变化研究网络的脆弱性。目前尚无研究将交通可达性指标引入城际客流生成模型。
本发明采用累积机会(cumulative-opportunity)的概念，构建适用于城际客流生成量预测的可达性指标。累积机会描述的是出行者从某一地点出发，利用某种交通方式，在一定出行时间范围内所能接触发展机会的数量(如工作岗位数)。如附图2所示，只要给定的出行时间足够长，出行者就有可能获得所有的发展机会。
S51：按公式(8)计算从本市小区k出发，在时间阈值T内可获得邻市小区g的机会数Ok(T)，是采用不同出行方式获取机会数的加权求和；
Figure BDA0003219619190000111
式(8)中，
Figure BDA0003219619190000112
表式本市小区k采用方式m获取的邻市机会数，机会可以用人口、就业岗位指代；时间阈值T由现状城际出行时间的分位数得到；行程时间tkg通过交通网络测算得到，等于车内行程时间
Figure BDA0003219619190000113
加车外行程时间
Figure BDA0003219619190000114
分位数取值可以为95％。
S52：计算可达性指标Rk：根据累积机会的概念，Rk定义为小区k在时间阈值T内可获得的邻市机会数量占邻市总机会数的比例：
Figure BDA0003219619190000115
式(9)中，O(Tmax)表示时间足够长时可能接触到的所有机会数量，等于邻市所有小区的机会数。
第六步，修正交通小区初始城际客流生成量：按公式(10)和公式(11)分别计算得到修正后的交通小区城际客流生成量Gk、城际客流吸引量Ak；
Figure BDA0003219619190000116
Figure BDA0003219619190000117
式(10)、式(11)中，n为交通小区数量，
Figure BDA0003219619190000118
为平均可达性，是各圈层内部所有小区可达性的平均值。
该实施例基于同城化城际客流生成模型，可以适用于颗粒度小的交通小区分区，并且结合历史人口客流大数据，能够精简数据获取方式，高效获取实时数据，为精细化的城际客流预测提供了效率保障。
实施例3：
一种提高交通模型同城化城际客流数据准确性的方法，如附图1所示，包含以下步骤：
第一步，基础数据获取：研究城市各交通小区k的人口POPk和就业数据EMPk，不同圈层i(核心区、主城区、***区)的人口POPi和就业数量EMPi；城市间不同圈层i、j的现状客流Qij及Qji；以上数据在城市交通模型中一般由传统的居民出行调查或相关城市的统计部门得到，但是居民出行调查数据的获取难以突破行政界线壁垒，无法为区域交通模型提供支撑，而大数据技术为获取城际出行量和人口、就业岗位数据提供了可能。
获取各小区(或各圈层)的人口就业数据的具体步骤为：先根据互联网定位数据获取单位网格单元(例如200*200米)的居住人口及工作人口，然后将网格人口和交通小区(或各圈层)边界进行关联，即可得到各交通小区(或各圈层)的居住人口和就业岗位数量。
实时获取互联网定位数据时，基于历史大数据的实时统计和预测，根据研究城市的客流分布基数的不同，设置高峰时段、单位网格单元坐标及其居住人口及工作人口的阈值范围[a，b]。当单位网格单元坐标内的居住人口及工作人口高于最高阈值b时，该单位网格单元可设置子网格单元，子网格单元取值的范围能够根据各小区居住人口密度、工作人口数量、应急事件、高峰时段等进行实时或周期性调整，例如取值范围可从50*50米到100*100米区间动态调整。当人口密度越高，工作人口数量越大，和/或处于高峰时段时，单位网格单元设置子网格越精准，从而获取定位数据精准度越高。
获取城市间不同圈层现状客流的具体步骤为：先用互联网定位数据建立城市圈层与用户停留点的匹配关系，再通过识别人口流动方向，获取城际出行客流；
基于现状城际客流Qij和Qji，集计得到不同圈层的现状城际客流生成量Gi、现状城际客流吸引量Ai，此处i，j∈{核心区、主城区、***区}；
Gi＝Qij (1)
Ai＝Qji (2)
第二步，标定各圈层平均城际客流出行率(包括生成率、吸引率)：利用第一步获取的不同圈层的城际客流生成量、吸引量、人口和就业数据，标定各圈层平均城际客流出行率。基于生成率法构建城际客流生成模型如下：
Figure BDA0003219619190000121
Figure BDA0003219619190000122
式(3)中，
Figure BDA0003219619190000131
为圈层i居住人口和就业岗位的平均城际客流生成率；
式(4)中，
Figure BDA0003219619190000132
为圈层i居住人口和就业岗位的平均城际客流吸引率；
第三步，计算各交通小区的初始城际客流生成量：利用第二步获取的各圈层的平均城际客流出行率，计算不同圈层所属小区k的初始城际客流生成量
Figure BDA0003219619190000133
初始城际客流吸引量
Figure BDA0003219619190000134
Figure BDA0003219619190000135
Figure BDA0003219619190000136
第四步，标定地面交通(含小汽车、出租车、客运大巴)和轨道交通(含城际铁路、地铁)的效用函数；
S41：获取现状本市小区k到达邻市小区g采用地面交通(含小汽车、出租车、客运大巴)和轨道交通(含城际铁路、地铁)两类出行方式的比例
Figure BDA0003219619190000137
轨道交通客流可利用铁路票务或公交刷卡数据获取，地面交通客流可通过现状客流减去轨道交通客流得到。
S42：结合S41中获得的各方式出行比例，按式(7)标定本市小区k到达邻市小区g选择方式m出行的效用函数
Figure BDA0003219619190000138
其中m取1时表示地面交通，m取2时表示轨道交通：
Figure BDA0003219619190000139
式(7)中，
Figure BDA00032196191900001310
表示地面交通和轨道交通的出行效用；
Figure BDA00032196191900001311
为车内行程时间，
Figure BDA00032196191900001312
为车外行程时间，
Figure BDA00032196191900001313
α1、α2为标定的参数；此步骤中的时间变量均为现状值；
S43：将S42中获得的参数
Figure BDA00032196191900001314
α1、α2，及规划年的车内行程时间
Figure BDA00032196191900001315
及车外行程时间
Figure BDA00032196191900001316
代入公式(9)，即可得到规划年本市小区k到达邻市小区g选择方式m出行的比例；
第五步，构建可达性指标：根据机会累积计算可达性的方法，构建可达性指标Rk；
交通可达性反映了交通***与土地利用之间的内在联系，是交通运输规划的首要目标。可达性常被用于评估公共交通***的便利程度，或评估某类人群到达某种公共用地设施(如医院、公园、学校)的难易程度，或以可达性的变化研究网络的脆弱性。目前尚无研究将交通可达性指标引入城际客流生成模型。
本发明采用累积机会(cumulative-opportunity)的概念，构建适用于城际客流生成量预测的可达性指标。累积机会描述的是出行者从某一地点出发，利用某种交通方式，在一定出行时间范围内所能接触发展机会的数量(如工作岗位数)。如附图2所示，只要给定的出行时间足够长，出行者就有可能获得所有的发展机会。
S51：按公式(8)计算从本市小区k出发，在时间阈值T内可获得邻市小区g的机会数Ok(T)，是采用不同出行方式获取机会数的加权求和；
Figure BDA0003219619190000141
式(8)中，
Figure BDA0003219619190000142
表式本市小区k采用方式m获取的邻市机会数，机会可以用人口、就业岗位指代；时间阈值T由现状城际出行时间的分位数得到；行程时间tkg通过交通网络测算得到，等于车内行程时间
Figure BDA0003219619190000143
加车外行程时间
Figure BDA0003219619190000144
分位数取值可以为95％。
S52：计算可达性指标Rk：根据累积机会的概念，Rk定义为小区k在时间阈值T内可获得的邻市机会数量占邻市总机会数的比例：
Figure BDA0003219619190000145
式(9)中，O(Tmax)表示时间足够长时可能接触到的所有机会数量，等于邻市所有小区的机会数。
第六步，修正交通小区初始城际客流生成量：按公式(10)和公式(11)分别计算得到修正后的交通小区城际客流生成量Gk、城际客流吸引量Ak；
Figure BDA0003219619190000146
Figure BDA0003219619190000151
式(10)、式(11)中，n为交通小区数量，
Figure BDA0003219619190000152
为平均可达性，是各圈层内部所有小区可达性的平均值。
该实施例提高交通模型同城化城际客流数据准确性的方法，适用于颗粒度小的交通小区分区，并且结合历史人口客流大数据，能够高效精准获取实时数据，为精细化的城际客流预测提供了准确性保障。
实施例4：
一种提高交通模型同城化城际客流数据预警的方法，如附图3所示，包含以下步骤：
第一步，基础数据获取：研究城市各交通小区k的人口POPk和就业数据EMPk，不同圈层i(核心区、主城区、***区)的人口POPi和就业数量EMPi；城市间不同圈层i、j的现状客流Qij及Qji；以上数据在城市交通模型中一般由传统的居民出行调查或相关城市的统计部门得到，但是居民出行调查数据的获取难以突破行政界线壁垒，无法为区域交通模型提供支撑，而大数据技术为获取城际出行量和人口、就业岗位数据提供了可能。
获取各小区(或各圈层)的人口就业数据的具体步骤为：先根据互联网定位数据获取单位网格单元(例如200*200米)的居住人口及工作人口，然后将网格人口和交通小区(或各圈层)边界进行关联，即可得到各交通小区(或各圈层)的居住人口和就业岗位数量。
实时获取互联网定位数据时，基于历史大数据的实时统计和预测，根据研究城市的客流分布基数的不同，设置高峰时段、单位网格单元坐标及其居住人口及工作人口的阈值范围[a，b]。当单位网格单元坐标内的居住人口及工作人口高于最高阈值b时，该单位网格单元可设置子网格单元，子网格单元取值的范围能够根据各小区居住人口密度、工作人口数量、应急事件、高峰时段等进行实时或周期性调整，例如取值范围可从50*50米到100*100米区间动态调整。当人口密度越高，工作人口数量越大，和/或处于高峰时段时，单位网格单元设置子网格越精准，从而获取定位数据精准度越高。
获取城市间不同圈层现状客流的具体步骤为：先用互联网定位数据建立城市圈层与用户停留点的匹配关系，再通过识别人口流动方向，获取城际出行客流；
基于现状城际客流Qij和Qji，集计得到不同圈层的现状城际客流生成量Gi、现状城际客流吸引量Ai，此处i，j∈{核心区、主城区、***区}；
Gi＝Qij (1)
Ai＝Qji (2)
第二步，标定各圈层平均城际客流出行率(包括生成率、吸引率)：利用第一步获取的不同圈层的城际客流生成量、吸引量、人口和就业数据，标定各圈层平均城际客流出行率。基于生成率法构建城际客流生成模型如下:
Figure BDA0003219619190000161
Figure BDA0003219619190000162
式(3)中，
Figure BDA0003219619190000163
为圈层i居住人口和就业岗位的平均城际客流生成率；
式(4)中，
Figure BDA0003219619190000164
为圈层i居住人口和就业岗位的平均城际客流吸引率；
第三步，计算各交通小区的初始城际客流生成量：利用第二步获取的各圈层的平均城际客流出行率，计算不同圈层所属小区k的初始城际客流生成量
Figure BDA0003219619190000165
初始城际客流吸引量
Figure BDA0003219619190000166
Figure BDA0003219619190000167
Figure BDA0003219619190000168
第四步，标定地面交通(含小汽车、出租车、客运大巴)和轨道交通(含城际铁路、地铁)的效用函数；
S41：获取现状本市小区k到达邻市小区g采用地面交通(含小汽车、出租车、客运大巴)和轨道交通(含城际铁路、地铁)两类出行方式的比例
Figure BDA0003219619190000169
轨道交通客流可利用铁路票务或公交刷卡数据获取，地面交通客流可通过现状客流减去轨道交通客流得到。
S42：结合S41中获得的各方式出行比例，按式(7)标定本市小区k到达邻市小区g选择方式m出行的效用函数
Figure BDA00032196191900001610
其中m取1时表示地面交通，m取2时表示轨道交通：
Figure BDA00032196191900001611
式(7)中，
Figure BDA0003219619190000171
表示地面交通和轨道交通的出行效用；
Figure BDA0003219619190000172
为车内行程时间，
Figure BDA0003219619190000173
为车外行程时间，
Figure BDA0003219619190000174
α1、α2为标定的参数；此步骤中的时间变量均为现状值；
S43：将S42中获得的参数
Figure BDA0003219619190000175
α1、α2，及规划年的车内行程时间
Figure BDA0003219619190000176
及车外行程时间
Figure BDA0003219619190000177
代入公式(9)，即可得到规划年本市小区k到达邻市小区g选择方式m出行的比例；
第五步，构建可达性指标：根据机会累积计算可达性的方法，构建可达性指标Rk；
交通可达性反映了交通***与土地利用之间的内在联系，是交通运输规划的首要目标。可达性常被用于评估公共交通***的便利程度，或评估某类人群到达某种公共用地设施(如医院、公园、学校)的难易程度，或以可达性的变化研究网络的脆弱性。目前尚无研究将交通可达性指标引入城际客流生成模型。
本发明采用累积机会(cumulative-opportunity)的概念，构建适用于城际客流生成量预测的可达性指标。累积机会描述的是出行者从某一地点出发，利用某种交通方式，在一定出行时间范围内所能接触发展机会的数量(如工作岗位数)。如附图2所示，只要给定的出行时间足够长，出行者就有可能获得所有的发展机会。
S51：按公式(8)计算从本市小区k出发，在时间阈值T内可获得邻市小区g的机会数Ok(T)，是采用不同出行方式获取机会数的加权求和；
Figure BDA0003219619190000178
式(8)中，
Figure BDA0003219619190000179
表式本市小区k采用方式m获取的邻市机会数，机会可以用人口、就业岗位指代；时间阈值T由现状城际出行时间的分位数得到；行程时间tkg通过交通网络测算得到，等于车内行程时间
Figure BDA00032196191900001710
加车外行程时间
Figure BDA00032196191900001711
分位数取值可以为95％。
S52：计算可达性指标Rk：根据累积机会的概念，Rk定义为小区k在时间阈值T内可获得的邻市机会数量占邻市总机会数的比例：
Figure BDA0003219619190000181
式(9)中，O(Tmax)表示时间足够长时可能接触到的所有机会数量，等于邻市所有小区的机会数。
第六步，修正交通小区初始城际客流生成量：按公式(10)和公式(11)分别计算得到修正后的交通小区城际客流生成量Gk、城际客流吸引量Ak；
Figure BDA0003219619190000182
Figure BDA0003219619190000183
式(10)、式(11)中，n为交通小区数量，
Figure BDA0003219619190000184
为平均可达性，是各圈层内部所有小区可达性的平均值。
第七步，根据预设的客流生成量和吸引量进行短期、中期和长期预警。将城际客流生成量Gk、城际客流吸引量Ak与当日的历史周期均值(例如每周、每月、每年)进行比对，并参照节假日、重要活动等的预知情况进行警戒线数值校正，当数值超过警戒线时生成客流量走势图进行预警，对公共交通运力不足、交通规划不合理、紧急突发情况、城市及人口发展长期规划等进行提醒。
该实施例基于同城化城际客流生成模型，适用于颗粒度小的交通小区分区，并且结合历史人口客流大数据，能够高效精准获取实时数据，为精细化的城际客流预测提供了准确性保障。
上面对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种改进，或未经改进直接应用于其它场合的，均在本发明的保护范围之内。

Claims (6)

1.一种基于交通可达性的同城化城际客流生成模型构建方法，其特征在于，包含以下步骤：
第一步，基础数据获取：基于大数据技术获取研究城市各交通小区k的人口POPk和就业数据EMPk，不同圈层i的人口POPi和就业数量EMPi；圈层包括核心区、主城区、***区；城市间不同圈层i、j的现状客流量Qij及Qji；基于现状客流量，得到不同圈层的现状城际客流生成量Gi、现状城际客流吸引量Ai，其中：
Gi＝Qij (1)
Ai＝Qji (2)
第二步，标定各圈层平均城际客流出行率，出行率包括生成率、吸引率；利用第一步获取的城市间不同圈层的城际客流生成量Gi、吸引量Ai、人口POPk和就业数据EMPi，标定各圈层平均城际客流出行率
Figure FDA0003648136530000011
θi 2，
Figure FDA0003648136530000012
其中，构建城际客流生成模型如下：
Figure FDA0003648136530000013
Figure FDA0003648136530000014
式(3)中，
Figure FDA0003648136530000015
θi 2为圈层i居住人口和就业岗位的平均城际客流生成率；
式(4)中，
Figure FDA0003648136530000016
为圈层i居住人口和就业岗位的平均城际客流吸引率；
第三步，计算各交通小区k的初始城际客流生成量：利用第二步获取的各圈层的平均城际客流出行率，计算不同圈层所属小区k的初始城际客流生成量
Figure FDA0003648136530000017
初始城际客流吸引量
Figure FDA0003648136530000018
Figure FDA0003648136530000019
Figure FDA00036481365300000110
第四步，标定出行效用函数，包括地面交通和轨道交通；其中，地面交通包括小汽车、出租车、客运大巴，轨道交通包括城际铁路、地铁；
第五步，构建可达性指标：根据机会累积计算可达性的方法，构建可达性指标Rk；
第六步，修正交通小区初始城际客流生成量和初始城际客流吸引量：按公式(7)和公式(8)分别计算得到修正后的交通小区城际客流生成量Gk、城际客流吸引量Ak；
Figure FDA0003648136530000021
Figure FDA0003648136530000022
式(7)、式(8)中，n为交通小区数量，
Figure FDA0003648136530000023
为平均可达性指标，是各圈层内部所有小区可达性指标的平均值。
2.根据权利要求1所述的构建方法，其特征在于，第一步中，获取各小区或各圈层的人口就业数据的具体步骤为：首先根据互联网定位数据获取单位网格单元的居住人口及工作人口，然后将网格人口和交通小区或各圈层的边界进行关联，得到各交通小区或各圈层的居住人口和就业岗位数量。
3.根据权利要求1所述的构建方法，其特征在于，第一步中，获取城市间不同圈层的现状客流的具体步骤为：首先根据互联网定位数据建立城市圈层与用户停留点的匹配关系，再通过识别人口流动方向，获取现状客流。
4.根据权利要求1所述的构建方法，其特征在于，第四步中，出行效用函数标定的具体步骤如下：
S41：获取现状本市小区k到达邻市小区g采用地面交通和轨道交通两类出行方式的出行比例
Figure FDA0003648136530000024
轨道交通客流利用铁路票务或公交刷卡数据获取，地面交通客流通过现状客流减去轨道交通客流得到；
S42：结合S41中获得的各出行方式的出行比例，按式(9)标定本市小区k到达邻市小区g选择方式m出行的出行效用
Figure FDA0003648136530000025
和出行效用函数
Figure FDA0003648136530000026
其中m取1时表示地面交通，m取2时表示轨道交通：
Figure FDA0003648136530000027
式(9)中，
Figure FDA0003648136530000031
为车内行程时间，
Figure FDA0003648136530000032
为车外行程时间，
Figure FDA0003648136530000033
α1、α2为标定的参数；此步骤中的时间变量均为现状值；
S43：将S42中获得的参数
Figure FDA0003648136530000034
α1、α2，及车内行程时间
Figure FDA0003648136530000035
及车外行程时间
Figure FDA0003648136530000036
代入公式(9)，即可得到本市小区k到达邻市小区g选择方式m出行的比例。
5.根据权利要求1所述的基于交通可达性的同城化城际客流生成模型构建方法，其特征在于，第五步中，可达性指标Rk的具体计算步骤如下：
S51：按公式(10)计算从本市小区k出发，在时间阈值T内可获得的邻市小区g的机会数Ok(T)，是不同出行方式m下获取机会数的加权求和；
Figure FDA0003648136530000037
式(10)中，m取1时表示地面交通，m取2时表示轨道交通，
Figure FDA0003648136530000038
表式本市小区k采用方式m获取的邻市机会数，机会由人口和/或就业岗位指代；时间阈值T由现状城际出行时间的分位数得到；行程时间tkg由交通网络测算得到，等于车内行程时间
Figure FDA0003648136530000039
加车外行程时间
Figure FDA00036481365300000310
S52：计算可达性指标Rk：所述根据机会累积计算可达性的方法，Rk定义为小区k在时间阈值T内可获得的邻市机会数量占可获得的邻市总机会数的比例：
Figure FDA00036481365300000311
式(11)中，O(Tmax)表示时间足够长时能够接触到的所有机会数量，等于邻市所有小区的机会数。
6.根据权利要求5所述的构建方法，其特征在于，分位数取值为95％。
CN202110953865.XA 2021-08-19 2021-08-19 一种基于交通可达性的同城化城际客流生成模型构建方法 Active CN113868830B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110953865.XA CN113868830B (zh) 2021-08-19 2021-08-19 一种基于交通可达性的同城化城际客流生成模型构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110953865.XA CN113868830B (zh) 2021-08-19 2021-08-19 一种基于交通可达性的同城化城际客流生成模型构建方法

Publications (2)

Publication Number Publication Date
CN113868830A CN113868830A (zh) 2021-12-31
CN113868830B true CN113868830B (zh) 2022-07-05

Family

ID=78990620

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110953865.XA Active CN113868830B (zh) 2021-08-19 2021-08-19 一种基于交通可达性的同城化城际客流生成模型构建方法

Country Status (1)

Country Link
CN (1) CN113868830B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114724414B (zh) * 2022-03-14 2023-06-09 中国科学院地理科学与资源研究所 城市空中交通分担率的确定方法、装置、电子设备及介质
CN114971085B (zh) * 2022-07-13 2022-11-11 湖南省交通科学研究院有限公司 一种公交站点可达性的预测方法、***及存储介质
CN115099542B (zh) * 2022-08-26 2023-02-03 深圳市城市交通规划设计研究中心股份有限公司 跨城通勤出行生成和分布预测方法、电子设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102024206A (zh) * 2010-12-20 2011-04-20 江苏省交通科学研究院股份有限公司 市郊轨道交通客流的预测方法
US8738292B1 (en) * 2013-05-14 2014-05-27 Google Inc. Predictive transit calculations
CN111932084A (zh) * 2020-07-15 2020-11-13 江苏大学 一种评估城市公共交通可达性的***

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170178044A1 (en) * 2015-12-21 2017-06-22 Sap Se Data analysis using traceable identification data for forecasting transportation information
CN110415508B (zh) * 2019-09-04 2021-07-06 广州市交通规划研究院 一种基于城市引力的区域客运交通模型构建方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102024206A (zh) * 2010-12-20 2011-04-20 江苏省交通科学研究院股份有限公司 市郊轨道交通客流的预测方法
US8738292B1 (en) * 2013-05-14 2014-05-27 Google Inc. Predictive transit calculations
CN111932084A (zh) * 2020-07-15 2020-11-13 江苏大学 一种评估城市公共交通可达性的***

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Study and Application of Distribution Ratios Model of Passenger Flows in City Group Inter-City Transportation Structure Configuration;Hui Peng;《IET》;20101231;全文 *
低碳可达性城市土地利用与空间发展研究评析;刘旭等;《华中建筑》;20170410(第04期);全文 *
城市群客流生成预测精度控制模型研究;李安勋等;《都市快轨交通》;20070418(第02期);全文 *
基于交通***与城市空间结构互馈机制的城际轨道交通走廊客流预测;李夏苗等;《中国铁道科学》;20090715(第04期);全文 *
基于客流性质的铁路客流预测方法;宋嘉雯等;《铁道运输与经济》;20110315(第03期);全文 *

Also Published As

Publication number Publication date
CN113868830A (zh) 2021-12-31

Similar Documents

Publication Publication Date Title
CN113868830B (zh) 一种基于交通可达性的同城化城际客流生成模型构建方法
CN109978224B (zh) 一种分析获取不同性质建筑的交通出行率的方法
Xu et al. How does City-cluster high-speed rail facilitate regional integration? Evidence from the Shanghai-Nanjing corridor
CN104636828B (zh) 基于马尔科夫链的公共自行车站点供需预测方法
CN113222271A (zh) 综合交通运输体系下的中小机场选址布局方法
CN111612223B (zh) 基于土地和交通多源数据的人口就业分布预测方法及装置
CN106980942A (zh) 测算自行车快速道对公共自行车租赁点的影响范围的方法
CN115809378A (zh) 一种基于手机信令数据的医疗短缺区识别及布局优化方法
CN110188953B (zh) 一种基于空间杜宾模型的o-d时空分布预测方法
CN108876075A (zh) 城市轨道交通站点地区宜步行性评价方法
Efthymiou et al. Spatially aware model for optimal site selection: method and application in a greek mobility center
Lin et al. Passenger flow scale prediction of urban rail transit stations based on multilayer perceptron (mlp)
Li et al. A novel approach for predicting urban pavement damage based on facility information: A case study of Beijing, China
CN113380071B (zh) 一种面向大型综合体的车位级停车需求状态评价方法
CN115759779A (zh) 电动汽车充换电站选址方法、电子设备及存储介质
CN111833229B (zh) 一种基于地铁依赖度的出行行为时空分析方法及装置
CN115439295A (zh) 一种变电站基建过程中施工车辆碳排量计算方法
Li et al. Evaluation of joint development of park and ride and transit-oriented development near metro stations in Chengdu, China
Vaishampayan et al. Hedonic pricing model for impact of infrastructure facilities on land rates: case study of Kudi Bhagtasni, Jodhpur, India
Ilina et al. Comprehensive spatial differentiation of territorial communities: case of Zhytomyr region
CN110738373A (zh) 一种土地交通生成和分布预测方法及***
Flores et al. Comparative Spatial Analysis Between Inner-City Socialized Housing and Private Housing Developments in Metro Manila, the Philippines
Juhász et al. Spatial and Temporal Analysis of Location and Usage of Public Electric Vehicle Charging Infrastructure in the United States
Manes et al. Modeling the influence of land use developments on transportation system performance
Weng et al. Influence model of regional taxi travel demand based on Geographical weighted regression

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240414

Address after: 528000, 26th Floor, Building B, Vanke Financial Center, No. 57 Jihua Fifth Road, Zumiao Street, Chancheng District, Foshan City, Guangdong Province (Residence Declaration)

Patentee after: Foshan Urban Planning and Design Research Institute Co.,Ltd.

Country or region after: China

Address before: 528000 No.62, Lingnan Avenue North, Chancheng District, Foshan City, Guangdong Province

Patentee before: FOSHAN URBAN PLANNING AND DESIGN INSTITUTE

Country or region before: China