一种基于居民出行特征的交通小区的划分方法技术

本发明专利技术提出了一种基于居民出行特征的交通小区的划分方法。获取行政区划边界和分等级路网矢量数据，并进行数据预处理；基于路网和行政区划划分基本聚类单元；建立聚类指标体系，并结合聚类单元，通过手机信令获取单元内居民出行特征；根据聚类单元所在行政区位置，采用兼顾空间特性的k

【技术实现步骤摘要】
一种基于居民出行特征的交通小区的划分方法


[0001]本专利技术主要涉及智能交通
，具体涉及一种基于居民出行特征的交通小区的划分方法。

技术介绍

[0002]公路交通是目前规模最大、与生产生活联系最为紧密的交通方式。而公路上出现的交通拥堵、交通混乱等现象正是快速增长的交通需求与已有交通供给不匹配的矛盾表现，若不对交通开展合理的规划调整，这一问题将日益凸显。
[0003]划分交通小区是交通规划中交通需求预测的首要任务。交通小区指交通规划中根据交通源的出行相似性划分所得的集计分析单元，该单元是交通规划中交通调查数据的载体和预测工作的基础，对最终交通规划模型的构建存在着重要的影响。
[0004]传统交通小区划分多以社会经济属性、人口、土地利用等调查数据为依据，缺乏对交通小区内居民出行特性的考虑。随着大数据及计算机技术的发展，划分交通小区时，相关改进技术逐步将居民出行特征纳入考量，如基于公交刷卡数据获取出行特征，并根据出行相似性进行进行划分的技术等。但此类技术的聚类单元基本都是格网，所划分的交通小区边界与实际城市路网及布局有较大差异，不利于后续交通规划模型的构建。
[0005]综上，现有交通小区划分主要存在的缺点为：
[0006](1)没有考虑交通源的出行特性；
[0007](2)划分的交通小区边界与实际道路及行政区划存在较大差异，对后续交通规划模型的构建产生影响。

技术实现思路

[0008]针对上述问题，本专利技术提供一种基于居民出行特征的交通小区划分方法，本方法以路网与行政边界划分聚类单元，结合单元内居民出行特征划分交通小区，在兼顾交通需求主体特性的同时，保证所划的交通小区的边界与实际路网及行政边界相吻合，以满足后续交通规划模型的构建。
[0009]为实现上述目的，本专利技术所采取的技术方案为一种基于居民出行特征的交通小区的划分方法，具体步骤如下：
[0010]步骤1：获取行政区划边界和分等级路网矢量数据，并进行数据预处理；
[0011]步骤2：基于路网和行政区划划分基本聚类单元；
[0012]步骤3：建立聚类指标体系，并结合步骤2的聚类单元，通过手机信令获取单元内居民出行特征；
[0013]步骤4：根据聚类单元所在行政区位置，采用k
‑
means聚类算法初步聚类，得到各聚类数对应的聚类结果及聚类中心；
[0014]步骤5：针对步骤4所得各聚类数的聚类结果，计算聚类有效性指标；
[0015]步骤6：比较各聚类数的聚类有效性指标，确定合适聚类数；
[0016]步骤7：依据步骤6确定的聚类数，通过FCM聚类算法进行最终聚类划分；
[0017]步骤8：结合主要等级道路，对步骤7所得聚类结果进行修正，完成交通小区划分。
[0018]优选地，所述步骤1中，基于获取的基础数据，通过ArcGIS专业软件完成基础的数据处理，包括路网拓扑处理、交叉路口简化等。
[0019]优选地，所述步骤2中，运用路网对行政区划进行分割，划分出后续步骤中的街道尺度的基本聚类单元。
[0020]优选地，所述步骤4中，在使用k
‑
means算法进行聚类之前，需要根据区县内居民出行距离分布确定聚类数范围。
[0021]聚类算法通过代价函数来描述聚类进程，代价函数为：
[0022][0023]其中，n为样本数，c为划分的簇个数，x
i
为第i个数据样本，c
j
为第j个簇的中心，u
ij
表示样本i归属簇j的隶属度，d(x
i
，c
j
)为第i个样本到第j个簇的中心的“距离”。考虑聚类单元作为地理空间对象，该“距离”除基本的属性距离外，还应兼顾空间距离，表达式如下，
[0024][0025]式中，为样本与簇中心的空间距离，其中若样本与簇相邻接，其值为0，否则为样本质心到簇中心质心的空间距离；α为空间效应系数；为样本到簇中心的属性距离，表达式如下，
[0026][0027]式中，x
im
为样本i的第m个聚类因子，c
jm
为簇j的第m个聚类因子，w
m
为第m个聚类因子的权重，为样本i与簇j的属性距离。
[0028]优选地，所述步骤5中，使用综合考虑组内相似性和组间差异性的指标来评价聚类结果，聚类有效性指标表达式如下：
[0029][0030]其中，d
ij
表示聚类单元j到簇i中心的距离，n
i
表示第i个簇聚类单元的个数，D
i
表示第i个簇内部到聚类中心的平均距离，n为全部聚类单元数，D
inner
用于表征聚类簇内聚类单元的相似性。r
ij
为簇i聚类中心到簇j中心的距离，D
outer
为全部簇中心两两距离的和，用于表征聚类簇之间的差异性。
[0031]优选地，所述步骤6中，基于绘制各聚类数、聚类有效性指标图，参考“手肘法”选取最佳聚类数。
[0032]优选地，所述步骤7中，采用引入模糊概念的FCM算法进行二次聚类，其中隶属度
[0033]u
ij
∈[0，1]，且
[0034]优选的，所述步骤8中，对聚类结果的修正即筛选等级道路网络中的主干道路，并据此对步骤7中的聚类结果进行二次分割，得到最终的交通小区划分结果。
[0035]本专利技术的有益效果体现在：
[0036]首先，本专利技术基于路网划分聚类单元，确保了交通小区划分结果边界与实际路网相吻合，更有利于后续交通规划模型的构建与运用。其次，借助于大数据实现聚类单元内居民出行特征的提取，将居民出行特征纳入交通小区划分考量中，满足交通小区内具有相似出行特征这一原则。最后，通过对聚类算法的耦合，一方面解决了传统聚类算法中聚类数难以确定的问题，另一方面提高了交通小区划分结果的鲁棒性。基于本方法划分的交通小区，可支撑后续交通规划模型的构建。
附图说明
[0037]图1：为本专利技术的流程框图；
[0038]图2：为本专利技术实施例中聚类数
‑
聚类有效性值折线示意图；
[0039]图3：为本专利技术实施例中宁波市各区县聚类后结果示意图；
[0040]图4：为本专利技术实施例中宁波市最终交通小区划分结果分布示意图。
具体实施方式
[0041]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0042]本专利技术的第一实施例具体如下：
[0043]S1.数据获取与预处理，本实施例获取的是宁波市11个区县的行政区划边界，以及宁波市范围内的包括高速公路、快速路、一级道路本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于居民出行特征的交通小区的划分方法，其特征在于：步骤1：获取行政区划边界和分等级路网矢量数据，并进行数据预处理；步骤2：基于路网和行政区划划分基本聚类单元；步骤3：建立聚类指标体系，并结合步骤2的聚类单元，通过手机信令获取单元内居民出行特征；步骤4：根据聚类单元所在行政区位置，采用k
‑
means聚类算法初步聚类，得到各聚类数对应的聚类结果及聚类中心；步骤5：针对步骤4所得各聚类数的聚类结果，计算聚类有效性指标；步骤6：比较各聚类数的聚类有效性指标，确定合适聚类数；步骤7：依据步骤6确定的聚类数，通过FCM聚类算法进行最终聚类划分；步骤8：结合主要等级道路，对步骤7所得聚类结果进行修正，完成交通小区划分；所述步骤1中，基于获取的基础数据，通过ArcGIS专业软件完成基础的数据处理，包括路网拓扑处理、交叉路口简化等；所述步骤2中，运用路网对行政区划进行分割，划分出后续步骤中的街道尺度的基本聚类单元；所述步骤4中，在使用k
‑
means算法进行聚类之前，需要根据区县内居民出行距离分布确定聚类数范围；聚类算法通过代价函数来描述聚类进程，代价函数为：其中，n为样本数，c为划分的簇个数，x
i
为第i个数据样本，c
j
为第j个簇的中心，u
ij
表示样本i归属簇j的隶属度，d(x
i
，c
j
)为第i个样本到第j个簇的中心的“距离”；考虑聚类单元作为地理空间...

【专利技术属性】
技术研发人员：俞艳，何宇嘉，徐雅馨，高昕欣，张宸赫，樊建，马薇霖，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：