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
基于生成率法构建城际客流生成模型如下:
式(3)中,
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,
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
初始城际客流吸引量
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;
式(7)、式(8)中,
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
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
和出行效用函数
其中m取1时表示地面交通,m取2时表示轨道交通:
式(9)中,
为车内行程时间,
为车外行程时间,
α
1、α
2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
α
1、α
2,及规划年的车内行程时间
及车外行程时间
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;
式(10)中,m取1时表示地面交通,m取2时表示轨道交通,
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t
kg通过交通网络测算得到,等于车内行程时间
加车外行程时间
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:
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。
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:
式(3)中,
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,
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
初始城际客流吸引量
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
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
其中m取1时表示地面交通,m取2时表示轨道交通:
式(7)中,
表示地面交通和轨道交通的出行效用;
为车内行程时间,
为车外行程时间,
α
1、α
2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
α
1、α
2,及规划年的车内行程时间
及车外行程时间
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;
式(8)中,
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t
kg通过交通网络测算得到,等于车内行程时间
加车外行程时间
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:
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;
式(10)、式(11)中,n为交通小区数量,
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:
式(3)中,
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,
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
初始城际客流吸引量
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
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
其中m取1时表示地面交通,m取2时表示轨道交通:
式(7)中,
表示地面交通和轨道交通的出行效用;
为车内行程时间,
为车外行程时间,
α
1,α
2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
α
1,α
2,及规划年的车内行程时间
及车外行程时间
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;
式(8)中,
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t
kg通过交通网络测算得到,等于车内行程时间
加车外行程时间
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:
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;
式(10)、式(11)中,n为交通小区数量,
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:
式(3)中,
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,
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
初始城际客流吸引量
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
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
其中m取1时表示地面交通,m取2时表示轨道交通:
式(7)中,
表示地面交通和轨道交通的出行效用;
为车内行程时间,
为车外行程时间,
α
1、α
2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
α
1、α
2,及规划年的车内行程时间
及车外行程时间
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;
式(8)中,
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t
kg通过交通网络测算得到,等于车内行程时间
加车外行程时间
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:
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;
式(10)、式(11)中,n为交通小区数量,
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:
式(3)中,
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,
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
初始城际客流吸引量
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
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
其中m取1时表示地面交通,m取2时表示轨道交通:
式(7)中,
表示地面交通和轨道交通的出行效用;
为车内行程时间,
为车外行程时间,
α
1、α
2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
α
1、α
2,及规划年的车内行程时间
及车外行程时间
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;
式(8)中,
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t
kg通过交通网络测算得到,等于车内行程时间
加车外行程时间
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:
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;
式(10)、式(11)中,n为交通小区数量,
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。