System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及城市货运交通规划,尤其涉及一种城市重型卡车的出行空间分布模式分类方法。
技术介绍
1、城市货运系统保证城市的生产生活,是城市经济发展的基础。近年来,快速的城市化使得满足城市发展需求的货运出行量增加,然而,随之而来的交通拥堵、环境污染、安全事故等一系列问题也增加了城市交通系统的压力。量化城市重型卡车出行空间分布整体特征能够掌握城市中骨干货运需求的空间分布,有利于科学的为城市货运交通规划与管理策略的制定提供建议,从而提高城市的货运效率,缓解城市货运交通系统的压力。
2、在现有的技术方法中,主要使用基于出行分布矩阵绘制的出行期望线图来可视化展示重型卡车出行空间整体分布。然而,该方法无法客观的对重型卡车出行空间分布整体特征进行定量描述。量化城市重型卡车出行空间分布整体特征至关重要,因为量化结果能够客观的对城市货运系统进行统一的评估。因此,亟需一种可以全面量化城市重型卡车出行空间分布整体特征的方法及系统。
技术实现思路
1、本专利技术的实施例提供了一种城市重型卡车的出行空间分布模式分类方法,为制定提高城市货运效率,缓解城市货运交通系统压力的货运政策提供指导和建议。
2、为了实现上述目的,本专利技术采取了如下技术方案。
3、一种城市重型卡车的出行空间分布模式分类方法,包括:
4、划分城市重型卡车的出行点,根据各个出行点之间的出行链数据,获取城市重型卡车出行分布矩阵;
5、按照城市重型卡车的出行分布矩阵中出行发生量的大小把
6、计算不同出行点的重型卡车出行发生量的异质性与空间分离指数,将不同出行点的重型卡车出行发生量的异质性与归一化的空间分离指数相乘得到城市重型卡车的城市中心性指数;
7、根据所述城市重型卡车的出行流层级指数和城市中心性指数,对城市重型卡车的出行空间分布模式进行分类。
8、优选地,所述的划分城市重型卡车的出行点,根据各个出行点之间的出行链数据,获取城市重型卡车出行分布矩阵,包括:
9、以设定面积为单位将城市划分为多个交通分区,将每个交通分区记录为一个重型卡车的出行点,忽略每个出行点内部的出行,仅统计各出行点上的出行发生量、吸引量和各个出行点之间的出行分布量,利用所有统计的出行链数据建立城市重型卡车的出行分布矩阵,所述出行分布矩阵的行坐标表示起点交通分区,列坐标表示讫点交通分区,所述出行分布矩阵中的元素为一对起讫点之间的出行分布量,表示从起点出发,到达讫点的出行量,出行发生量是所述出行分布矩阵的行元素之合,表示从该行所对应的起点出发的总出行量;出行吸引量是所述出行分布矩阵的列元素之合,表示从其他起点出发,到达该列所对应的讫点的总出行量。
10、优选地,所述的按照城市重型卡车的出行分布矩阵中出行发生量的大小把城市重型卡车的出行点分成多个层级,建立出行流层级矩阵,根据出行流层级矩阵计算出城市重型卡车的出行流层级指数,包括:
11、提取城市重型卡车的出行分布矩阵中出行点的出行发生量,绘制出行发生量的洛伦兹曲线;
12、在所述洛伦兹曲线的顶点处求切线,将切线与横轴的交点记为第一层出行点的阈值,将落入该阈值右侧的出行点记为第一层出行点,将第一层出行点从总出行地点中移除,由余下出行点的出行发生量绘制第二条洛伦兹曲线,重复上述处理过程,直到洛伦兹曲线在顶点处切线为1时停止,此时重型卡车出行地点被划分为l层;
13、统计第p层出行点与第q层出行点之间出行分布量占总出行发生量的比例mpq,以mpq为元素,构造大小为l×l的流层级矩阵m,流层级矩阵m中的行元素指的是从某一层的出行点出发到达其他层的出行点的出行量占总出行量的比例,流层级矩阵m中的列元素指的是从其他层的出行点出发,到达某一层的出行点的出行量占总出行量的比例;
14、将出行流层级矩阵m中三对角迹的元素求和,得到出行流层级指数,计算公式如下:
15、
16、式中,φ反映货运发生量相近地点之间的交互强度,指数值越大,货运发生量相近地点之间的交互强度就越强,mll表示流层级矩阵m中位于第l行第l列的元素,表示从第l层的出行点出发,到达第l层出行点的出行量占总出行量的比例。
17、优选地,所述的计算不同出行点的重型卡车出行发生量的异质性与空间分离指数,将不同出行点的重型卡车出行发生量的异质性与归一化的空间分离指数相乘,得到城市重型卡车的城市中心性指数,包括:
18、统计城市中每个出行点i的重型卡车出行发生量占城市中总出行发生量的比例si;
19、计算不同出行点的重型卡车出行发生量的异质性,计算公式如下:
20、
21、式中,n表示城市中的区域总数,h表示该城市的重型卡车出行发生量的异质性;
22、将各出行点重型卡车出行发生量占城市中总出行发生量的比例组成的列向量s=(s1,s2,s3…sn)t;
23、建立城市出行点间距离矩阵d,城市出行点间距离矩阵d中的元素dij是区域i与区域j质心之间的欧式距离,d主对角线上的元素都为0;
24、设定空间分离指数v计算公式如下:
25、v=s′×d×s
26、式中,当所有重型卡车出行发生量集中在一个区域时,v为0;当重型卡车出行发生量均匀的分散在城市最外围时,空间分离指数取得最大值vmax;s′是各出行点重型卡车出行发生量占城市中总出行发生量的比例组成的列向量s的转置,是一个行向量;
27、对空间分离指数v进行归一化处理,计算公式如下:
28、p=1-v/vmax
29、式中,p越接近于0,重型卡车出行发生量空间分布越分散;p越接近于1,重型卡车出行发生量在空间分布越集中;
30、将不同地点重型卡车出行发生量的异质性与归一化后的空间分离指数相乘,得到城市中心性指数ψ,计算公式如下:
31、ψ=h·p
32、式中,ψ的值越高,城市重型卡车出行发生量空间分布的中心化程度越高;ψ的值越低,城市重型卡车出行发生量空间分布的中心化程度越低。
33、优选地,所述的根据所述城市重型卡车的出行流层级指数和城市中心性指数,对城市重型卡车的出行空间分布模式进行分类,包括:
34、将设定数量个城市绘制于以流层级指数φ值为纵轴,和以城市中心性指数ψ值为横轴组成的二维坐标平面上,城市在所述二维坐标平面上的坐标位置表示为(该城市的中心性指数ψ值,该城市的流层级指数v值),在所述二维坐标平面上进行kmeans聚类,将设定数量个城市的流层级指数指数v值和城市中心性指数ψ值作为python编程语言的sklearn库中的kmeans()函数的输入,kmeans()函数的输出结果即为每个城市中重型卡车的出行空间分布模式所属的类别,该类别包括集中在城市的中心区域、围绕城本文档来自技高网...
【技术保护点】
1.一种城市重型卡车的出行空间分布模式分类方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述的划分城市重型卡车的出行点,根据各个出行点之间的出行链数据,获取城市重型卡车出行分布矩阵,包括:
3.根据权利要求1所述的方法,其特征在于,所述的按照城市重型卡车的出行分布矩阵中出行发生量的大小把城市重型卡车的出行点分成多个层级,建立出行流层级矩阵,根据出行流层级矩阵计算出城市重型卡车的出行流层级指数,包括:
4.根据权利要求1所述的方法,其特征在于,所述的计算不同出行点的重型卡车出行发生量的异质性与空间分离指数,将不同出行点的重型卡车出行发生量的异质性与归一化的空间分离指数相乘,得到城市重型卡车的城市中心性指数,包括:
5.根据权利要求1至4任一项所述的方法,所述的根据所述城市重型卡车的出行流层级指数和城市中心性指数,对城市重型卡车的出行空间分布模式进行分类,包括:
【技术特征摘要】
1.一种城市重型卡车的出行空间分布模式分类方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述的划分城市重型卡车的出行点,根据各个出行点之间的出行链数据,获取城市重型卡车出行分布矩阵,包括:
3.根据权利要求1所述的方法,其特征在于,所述的按照城市重型卡车的出行分布矩阵中出行发生量的大小把城市重型卡车的出行点分成多个层级,建立出行流层级矩阵,根据出行流层级矩阵计算出城市重型...
【专利技术属性】
技术研发人员:闫小勇,吕瀛玥,贾斌,杨一涛,
申请(专利权)人:北京交通大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。