一种基于时空地理加权回归的公交客流影响因素识别与预测方法技术

本发明专利技术公开了一种基于时空地理加权回归的公交客流影响因素识别与预测方法1.交通小区小时公交客流提取与建成环境密度计算；2.根据客流观测点的时间和经纬度构建时空三维坐标系计算时空距离，根据高斯函数和距离推算空间回归权重矩阵；3.基于时空地理加权回归(GTWR)计算客流量与土地利用在不同时空条件下的相关关系；4.根据计算得到相关参数对系数的变化进行时间和空间中的可视化处理，分析内在规律。本发明专利技术考虑到时间因素对于公交客流与建成环境关系的影响，能够深入挖掘客流与土地利用之间的内在关系，更准确预测公共交通客流，为公共交通线路规划，运营管理提供更科学的理论指导。

【技术实现步骤摘要】
一种基于时空地理加权回归的公交客流影响因素识别与预测方法
本专利技术属于智能交通信息处理
，具体地说是一种基于时空地理加权回归(GTWR)的公交客流影响因素识别与预测方法。
技术介绍
随着城市化进程的不断加快和汽车的普及，道路交通量逐渐增加。大量的私家车导致交通拥堵，环境污染等一系列问题。大力发展公共交通是解决城市拥堵最有效的方式之一。公交需求分析是发展公共交通的基础，而探究公交客流的成因，预测客流量是公交需求分析的核心内容。充分了解客流的影响因素，准确预测公交客流能够有效的提高公共交通规划的可行性，从而提高公共交通的吸引力，减少小汽车的使用，缓解城市拥堵。用地作为交通形成的根本原因，对于客流量的大小和分布起到决定性的作用。目前的研究多以建成环境为自变量，来探索用地对客流的影响。研究发现区域公交客流与周围的用地密度关系密切，用地密度的增加会导致公交出行的增加。目前最常用的客流预测的模型有普通最小二乘法(OLS)和地理加权回归(GWR)。普通最小二乘回归是最经典的回归模型，但是模型过于简单，难以解决复杂的空间问题。而地理加权回归在最小二乘法回归基础上加入空间信息，将客流的位置坐标加入模型中，能够揭示用地与客流之间关系的空间异质性，即不同地理位置中两者的关系可能存在差异，非常适用于空间客流的分析。然而随着公共交通系统的不断完善和发展，客流不仅表现出空间的不均衡性，也表现出时间上的不均衡性。早晚高峰时间段内客流集中，客流量大；而平峰时间段内公交客流较少。因此挖掘土地利用与客流关系的时间变化对于解决客流的不均衡分布，提高公共交通服务水平起到至关重要的作用。同时考虑客流的时间非平稳性和空间非平稳性的客流预测是研究的新思路，而目前的方法大多以空间变化为基础，不能够将时间变化纳入方法中，因此研究结果会丢失相关性的时间变化信息，不能完整的表征用地与客流关系的变化特征，预测的精度较差。线路走向和站位选择是公交线路规划的核心问题之一。利用本次研究的结果，能够更好的识别不同地理位置下各种用地与公交需求之间的关系，为站位的选择和线路的走向提供更具针对性的指导。同时根据更准确的客流预测结果能够更好的设计线路的能力和时刻表，提高服务水平，增加公共交通的吸引力。而在公共交通系统的运营过程中，需要随时针对客流情况调整管理方案。本专利技术识别得到的相关系数时间变化特征可以为公交系统管理者提供更细致的理论指导从而根据不同时段制定出更具针对性的运营措施。
技术实现思路
本专利技术为克服上述现有技术和研究的不足，提供一种基于时空地理加权回归的公交客流影响因素识别与预测方法。相比于OLS模型和GWR模型，本专利技术可以同时考虑时间非平稳性和空间非平稳性，揭示用地对客流影响的时空特征，克服已有方法缺少时间变量的缺点，提高了拟合精度，能够提取更多的时空信息，对于深入探究客流的特征，准确预测客流，进行公交优化具有重要的意义。本专利技术的一种基于时空地理加权回归的公交客流影响因素识别与预测方法，首先利用公交IC基础数据以小区为单位进行数据聚类处理，以15分钟为一个统计时段计算公交上客量。用地数据使用城市POI(PointofInterest)提取不同小区内各类POI数量，与小区面积相除得到用地密度基础数据。然后根据研究方向，统计需要的时段客流量(小时/天)。基础数据处理得到研究所用的客流时空点，包含每个客流点所在小区的经纬度和测量时间。根据数据结构构建时空坐标系，以小区中心点经纬度为XY平面，客流量为Z轴。因为距离和时间度量使用不同的单位，因此建立的时空坐标是需要对Z坐标进行转换，得到椭圆坐标系。在椭圆坐标系内计算各时空客流点之间的距离，并根据距离构建每一个客流点与其他客流点之间的时空回归权重矩阵。权重值与客流点之间的距离成反比，距离越近相互之间的影响越大。得到时空回归权重矩阵后利用加权最小二乘法计算回归系数，得到不同交通小区不同时段公交上客量与用地密度之间的回归方程。GTWR模型计算复杂，得到的信息十分丰富，根据分析需求可以绘制时间和空间维度的相关系数变化图，探究客流与建成环境相关关系的时空特征。同时能够更加准确的预测公交客流量，为公交规划提供更精确的数据支持。本专利技术的优点在于：(1)本专利技术最大的特点就是将客流的时间非平稳性加入传统的客流预测和分析模型中，通过构建时空坐标系度量时空客流点之间的距离，以时空回归权重矩阵的形式表达时空客流观测点之间的影响。不仅提高了拟合精度，同时提供更多的细节，对于挖掘客流深层次规律具有十分重要的意义，能够有效提高客流预测的精度。(2)本专利技术可以同时提供相关系数在时间和空间上的变化，满足不同的分析需求，同时可以进行可视化处理，提高分析的形象性和可读性。其中相关系数的时间序列是本次专利技术的亮点之一，根据相关系数的时间变化可以指定具有时间针对性的客流管理方案，在不同时段采取不同的管理措施更好的满足乘客的需求。附图说明图1时空三维坐标系示意图图2北京市六环交通小区示意图图3公交相关系数均值空间分布示意图具体实施方式下面将结合附图和实施例对本专利技术作进一步的详细说明。本专利技术提供一种基于时空地理加权回归的公交客流影响因素识别与预测方法，包括以下几个步骤：步骤一、客流与用地密度提取公交客流的原始数据为IC卡数据，利用IC数据中乘客的上车站点、时间等信息将乘客聚类至交通小区内，统计不同时段小区公交上客量，具体时长可根据研究需求确定，通常情况以小时或天为单位进行客流统计。用地密度以城市POI数据为基础，同样以交通小区为基本空间统计单位，首先计算不同小区不同用地POI的数量，与小区面积相除得到小区用地密度数据作为城市建成环境的度量。POI具体分类如下表：步骤二、基于GTWR模型的时空特征计算本专利技术以GTWR模型为基础，最大创新点是同时加入时间和空间的非平稳性，考虑不同时空下的客流之间的相互影响。具体计算步骤为：1)构建时空坐标系度量非平稳性的关键是建立权重矩阵度量不同观测点之间的影响程度的大小，通常认为距离与相互之间的影响成反比。计算时空距离的关键是平衡时间和空间的度量单位。在空间三维坐标系中，因为XYZ轴单位相同，可以利用一个球体表征各点之间的相对关系。而时空坐标系中，因为时间和空间度量的单位不同，因此使用椭圆形坐标系更合理，如图1所示。设两点之间的空间距离差为其中表示观测点i、j点之间的空间距离，ui和vi表示观测点的经度和维度。观测点之间时间距离可表示为：其中表示观测点i、j点之间的时间距离，ti和tj表示数据的观测时间。类比三维空间欧氏距离计算公式，构建时空距离计算公式如下：其中λ，μ为平衡时空单位的权重参数。2)计算时空回归权重矩阵根据各个观测点的时空距离可以构建每个观测点的时空权重矩阵用来度量回归分析中不同测量点之间的影响。使用高斯函数构建权重矩阵：其中为点i，j之间的时空距离，hST为高斯函数中比例权重，称为带宽。将时空距离计算公式带入权重计算中得到其中是空间权重，是时间权重。当客流量在同一平面内时，权重值λ＝0；当客流量在同一时间段测量时，则权重值μ＝0。在实际应用中，一般情况下观测点的时间和空间都不相同，因此必须同时确定λ，μ的值。为了简化模型，令则距离计算公式可以改写成：同理，权重值公式可以改写成：其中，因为Wij的分子分母本文档来自技高网...

【技术保护点】
一种基于时空地理加权回归的公交客流影响因素识别与预测方法，包括如下步骤：步骤一、客流与用地密度提取；将原始公交IC卡和用地POI数据进行预处理，提取特定地理单元的用地密度和客流量数据作为后续步骤的基础数据；步骤二、基于时空地理加权回归(GTWR)模型的时空特征计算；采用GTWR模型对步骤一中提取的客流与用地进行回归，得到用地密度对区域公交客流的影响，根据回归可以进一步预测客流量；步骤三、用地对客流影响系数时空分布可视化处理；根据GTWR计算结果，将回归参数进行可视化处理，表征相关性在空间和时间内的变化特征。

【技术特征摘要】
1.一种基于时空地理加权回归的公交客流影响因素识别与预测方法，包括如下步骤：步骤一、客流与用地密度提取；将原始公交IC卡和用地POI数据进行预处理，提取特定地理单元的用地密度和客流量数据作为后续步骤的基础数据；步骤二、基于时空地理加权回归(GTWR)模型的时空特征计算；采用GTWR模型对步骤一中提取的客流与用地进行回归，得到用地密度对区域公交客流的影响，根据回归可以进一步预测客流量；步骤三、用地对客流影响系数时空分布可视化处理；根据GTWR计算结果，将回归参数进行可视化处理，表征相关性在空间和时间内的变化特征。2.根据权利要求1所述的一种基于时空地理加权回归的公交客流影响因素识别与预测方法，所述的步骤一具体为：原始的IC卡数据采集以个体为基本单位，表征个体的出行特征。根据数据需求需要对IC卡数据进行数据融合，以固定地理单位(交通小区、站点)为基础进行公交客流统计，得到每个地理单位上的单位时间客流量，同时剔除没有客流的单位。根据需求，统计时间可取小时或天，计算客流取平均值。同时需要处理GIS数据，使用兴趣点(POI)密度数据作为系统输入的自变量。将POI数据与基础地图数据进行叠加分析，得到各个地理单位内的各类POI的数量，与地理单位面积相除，得到用地密度基础数据，同时根据需求对数据进行简化合并，将基础POI数据合并成为2大类11组用地属性，分别为交通属性和用地属性。3.根据专利要求1所述的一种基于时空地理加权回归的公交客流影响因素识别与预测方法，所述步骤二具体为：GTWR模型是一种最新提出的基于时空特征的回归算法，相比于传统的回归算法，该算法能够识别时空数据的自相关性，提高回归精度，回归结果可以提供更多信息。整个算法的基本步骤为：1)从基础数据中提取客流采样区域的坐标u和v，y表示客流值，t表示采样时间。n表示采样点数目，Xi表示用地密度.2)计算每一个样本区域与其他样本区域之间的时空三维距...

【专利技术属性】
技术研发人员：马晓磊，张继宇，丁川，于海洋，刘剑锋，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京,11