地铁站点与无桩共享单车接驳出行的影响因素分析方法技术

本发明专利技术涉及交通大数据和机器学习领域，提供地铁站点与无桩共享单车接驳出行的影响因素分析方法，本发明专利技术良好结合时间和空间两个维度的大规模数据，使用拥有强表征能力和解释性的模型建模预测不平衡程度。本发明专利技术采用特征工程技术对多源数据进行处理，采用更适合用于大规模数据的集成模型即梯度增强树，并摒弃树模型自带的特征重要度的指标，使用SHAP方法计算对各个特征的边际贡献，以此得到影响因变量的重要程度详情。本发明专利技术使用统一的指标来衡量所有地铁站点的无桩共享单车系统的不平衡度，以此来确定共享单车出行的平衡阈值。此来确定共享单车出行的平衡阈值。此来确定共享单车出行的平衡阈值。

【技术实现步骤摘要】
地铁站点与无桩共享单车接驳出行的影响因素分析方法


[0001]本专利技术涉及交通大数据和机器学习领域，尤其涉及地铁站点与无桩共享单车接驳出行的影响因素分析方法。

技术介绍

[0002]无桩共享单车是一种越来越受欢迎的与地铁相关交通方式，并鼓励人们转向更环保的交通方式和减少能源消耗排放。无桩共享单车可以提供一种简单的换乘公共交通工具的方式，显著减少“第一英里和最后一英里”的出行问题。作为一种与地铁的接驳模式，地铁站点附近的共享单车行为可以分为地铁站点的进入出行和地铁站点的离开出行。同时，无桩共享单车的分布是不平衡的，且具有时空异质性。尽管无桩共享单车与地铁的综合利用越来越受到关注，但很少有研究探索时空因素对不平衡现象的影响。了解无桩共享单车使用不平衡的影响机制，可以为提高无桩共享单车系统服务和再分配效率提供科学依据。
[0003]在过去，现有的大多数方法使用线性回归模型来检验建成环境对共享自行车需求的影响。然而，传统的基于预先假设的统计方法不能反映复杂的变量关系，而且只考虑有限数量的特征和特定的时间。随着机器学习的发展，越来越多的机器学习本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.地铁站点与无桩共享单车接驳出行的影响因素分析方法，其特征在于，所述分析方法包括：(1)识别以共享单车为接驳出行的交通行为；(2)确定每个地铁站点周围建筑环境的研究区域；(3)衡量不同地铁站点的不平衡程度；(4)将影响因素多源数据集统一到同一尺度；(5)利用梯度增强决策树模型进行训练，在验证集上进行调优并在测试集上进行测试，确定模型性能；(6)使用机器学习模型解释性方法衡量各种因素对于不同地铁站点不平衡度的影响。2.根据权利要求1所述的地铁站点与无桩共享单车接驳出行的影响因素分析方法，其特征在于，步骤(1)中识别的具体方法为：(11)在地铁站点的每个出入口创建m米的缓冲区，并将每一个地铁站的所有出入口的缓冲区合并；(12)考虑兴趣面数据，从缓冲区的面数据中删除兴趣面数据；所述兴趣面数据包括位于缓冲区内的居民区、工作区、娱乐和购物区。3.根据权利要求1所述的地铁站点与无桩共享单车接驳出行的影响因素分析方法，其特征在于，步骤(2)的具体的确定方法为：设S
i
为各地铁站点单独环境缓冲区面积之和，S
total
为所有地铁站点的建筑环境缓冲区的融合总面积，地铁站点缓冲区的重叠度指标ρ为：通过启发式算法确定每个地铁站点的最优缓冲半径，确定每个地铁站点周围建筑环境的研究区域。4.根据权利要求3所述的地铁站点与无桩共享单车接驳出行的影响因素分析方法，其特征在于，所述启发式算法的具体算法步骤如下：Algorithm 1//计算每一个地铁站点的缓冲半径；输入:地铁站点的名称a，地铁站点的数量n；输出:地铁站点缓冲半径//定义L(a,b)为地铁站点a与地铁站点b的半正矢距离；初始化：集合集合//定义一个集合来储存地铁站点a及其邻近地铁站点的长度；//定义一个集合去储存地铁站点a的邻近地铁站点；for{a＝1,2,...,n}；for each{b
i
in B}；计算L(a,bi)；更新集合L
a
；结束for；计算L
a
的平均值；
令R
a
＝L
a
/2；结束for；返回5.根据权利要求1所述的地铁站点与无桩共享单车接驳出行的影响因素分析方法，其特征在于，步骤(3)的具体步骤为：(31)定义高峰时段地铁站点i的流入
‑
流出比值为：为：其中，S

【专利技术属性】
技术研发人员：申永刚，宋宴存，
申请(专利权)人：浙江大学，
类型：发明
国别省市：