检索结果-南通市图书馆

作者：岳梦雪武汉大学

学位级别：硕士

公交车、地铁和出租车作为城市居民日常出行的主要公共交通工具,其轨迹数据和刷卡信息中蕴含着丰富的居民出行行为信息,通过对这些多元流数据进行挖掘,可发现居民出行的不同模式。居民出行模式挖掘的常用方法为聚类分析,而传统聚类方法... 详细信息

公交车、地铁和出租车作为城市居民日常出行的主要公共交通工具,其轨迹数据和刷卡信息中蕴含着丰富的居民出行行为信息,通过对这些多元流数据进行挖掘,可发现居民出行的不同模式。居民出行模式挖掘的常用方法为聚类分析,而传统聚类方法不适用于含有丰富时空信息的地理数据,因此,需要对传统方法进行时空扩展,以满足研究需要。本文以深圳市的出租车轨迹数据和公交车及地铁刷卡数据为实验数据集,通过不同区域内居民出行使用三种不同交通工具的数量和比例的统计,来探索性分析居民出行潜在的规律,然后利用基于邻接关系的时空谱聚类方法来挖掘具体的居民出行模式,并从交通工具的使用关系、社会背景和出行移动三个方面来理解和分析居民出行模式。本文的主要研究工作如下:(1)谱聚类方法的时空扩展谱聚类可对任意形状的样本空间进行聚类分析,且聚类结果能收敛于全局最优,具有很好的应用前景。本文对谱聚类方法的原理和离散化方法进行了总结性介绍,指出谱聚类算法的关键步骤为相似性矩阵的构建,通过分析传统谱聚类构造相似矩阵的方法,发现仅利用欧式空间距离度量时空轨迹的相似性具有很大的局限性,因此,提出一种同时考虑时间序列相似性和空间邻接距离的时空相似性矩阵的构造方法,从而实现谱聚类的时空扩展。(2)多源轨迹数据的时空谱聚类多源轨迹数据分别来自于不同的公共交通工具,记录了丰富的时空信息和居民出行规律,若将多源轨迹数据融合使用,并借助时空谱聚类方法,则可根据聚类分析结果来获取更多有价值的潜在信息。鉴于多源轨迹数据间的相互独立性,需要先根据各交通工具在居民出行中的实际使用情况,建立相同的度量标准,分别计算各交通工具的出行使用量占总出行量的比例,即可把多源轨迹数据信息化归到统一的比例度量体系下,再依次计算各交通方式条件下的时空相似性矩阵。最后结合图像处理领域彩色图像色彩合成原理,把三种交通数据类比成假彩色图像色彩空间中的三个不同维度(RGB)信息,并参考彩色图像灰度化的方法,实现多源轨迹数据时空相似性矩阵的融合,从而完成多源轨迹数据的时空谱聚类,为居民出行模式的挖掘奠定基础。(3)居民出行模式的挖掘与分析利用基于邻接距离的时空谱聚类方法,对多源轨迹数据进行时空聚类,通过对聚类结果的分析和挖掘,发现5种居民出行模式。为了更好地理解出行模式的特点,分别从不同模式下的交通工具使用关系、社会背景以及出行移动三个方面进行分析,从而发现在不同区域及居民出行模式下,公交车、地铁和出租车之间的运营竞争及协同合作关系,以及不同社会背景区域内的居民出行对交通工具的选择差异性,并结合出行移动情况,说明各出行模式在不同空间区域的互动关系。

关键词：公共交通工具多源轨迹数据居民出行模式时空相似性时空谱聚类

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

结合轨迹数据的居民出行模式及功能识别研究

引用

北京测绘 2022年第3期36卷 291-297页

作者：温振威彭定永江西理工大学土木与测绘工程学院江西赣州341000

城市人群的出行特征通过车辆轨迹数据隐含的行为信息可以体现,但传统的单维度模型将不再适用于轨迹数据隐含的多维信息的挖掘。本文将海口市中心城区根据路网划分区域,使用能够挖掘多维信息的非负稀疏约束下张量分解基于“滴滴出行”轨... 详细信息

城市人群的出行特征通过车辆轨迹数据隐含的行为信息可以体现,但传统的单维度模型将不再适用于轨迹数据隐含的多维信息的挖掘。本文将海口市中心城区根据路网划分区域,使用能够挖掘多维信息的非负稀疏约束下张量分解基于“滴滴出行”轨迹数据,从时空维度挖掘居民出行规律并进行区域功能特征识别。结果表明:居民出行时间符合工作日,休息日的早高峰、日间、晚高峰、夜间的出行时间模式;居民出行空间包含6种上/下车出行空间模式,同时发现时间模式与空间模式之间存在交互联系,即居民在不同时间模式下的不同出行空间模式都有不同的上下车冷热点活动,基于该交互联系可以识别出空间功能特征,同时在此基础上基于兴趣点(point of interest,POI)功能识别结合分析,不仅表明居民出行行为识别空间功能特征的可行性,也提高了功能识别结果的准确性,可以为城市管理者解决城市问题如交通拥堵、功能布局失衡等做出决策提供帮助。

关键词：车辆轨迹数据张量分解居民出行模式空间功能特征

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于轨迹数据的城市居民出行热点与出行模式研究

基于轨迹数据的城市居民出行热点与出行模式研究

引用

作者：彭定永江西理工大学

学位级别：硕士

随着信息采集技术的进步,大样本、多维度、细粒度的居民出行GNSS（Global Navigation Satellite System）轨迹数据越来越容易被获取,但由于缺乏有效的多维数据分析挖掘手段,难以实现对海量居民出行信息的有效挖掘和运用。通过居民出行... 详细信息

随着信息采集技术的进步,大样本、多维度、细粒度的居民出行GNSS（Global Navigation Satellite System）轨迹数据越来越容易被获取,但由于缺乏有效的多维数据分析挖掘手段,难以实现对海量居民出行信息的有效挖掘和运用。通过居民出行轨迹数据识别交通热点,挖掘城市居民活动规律和居民出行模式特征,是优化城市内部空间结构的重要途径,轨迹数据挖掘也因此成为GIS（Geographic Information Science）等相关学科的新兴研究热点。本文以海口市中心城区为研究区域,结合居民出行轨迹数据等多源数据。从居民出行热点和出行模式两个视角出发:一方面分析居民出行时空特征,识别出行热点并分析热点区域间时空交互规律;另一方面分析不同维度下的居民出行模式特征和出行区域的功能特征变化情况。本文的主要研究内容与研究结论如下:（1）居民出行时空特征分析及出行热点识别。首先提取居民出行OD（Origin/Destination）数据探讨居民出行时空特征,发现在工作日和休息日分别出现5个和4个出行高峰时间段且工作日出行量高于休息日,对9个出行高峰时间段的OD数据进行平面核密度分析,发现居民出行活跃程度由四周向中心递增,且居民出行存在多中心现象。然后基于平面核密度估计法建立出行热点识别模型,识别出行热点,挖掘热点分布规律并分析热点热度值变化趋势,结果表明:该模型识别精度较高,人流密集区域存在部分持续型热点,且持续型热点的热度值长时间保持较高水平,体现居民出行活动的集聚性特征。（2）居民出行热点区域空间交互分析。结合复杂网络理论,构建居民出行热点区域空间交互网络,分析热点区域间的空间交互特征。通过实验发现:热点区域间交互强度存在距离衰减现象,只有热门商圈、大型交通枢纽等少数热点区域间存在较强的空间交互,大多数热点区域的空间交互作用较弱,热区区域交互网络还具有小世界特性和无标度特征。（3）居民出行时空模式与时空关联性分析。基于张量分解原理,构建三阶居民出行起/终点张量,挖掘不同维度的居民出行模式规律。结果表明:日期维度共有两种模式,即工作日与休息日模式;时段维度共有四种模式,即早高峰、日间、晚高峰及夜间模式;在空间维度方面,得到6种出行模式将研究区域分为不同组团。（4）居民出行区域功能特征分析。根据张量分解结果分析居民出行模式的时空交互特征,推测出行区域功能特征,最终结合研究区域POI（Point of Interest）数据合理确定出行区域的功能性质,结果表明:在不同时间段的出行区域对应了居住、商业、交通运输、休闲娱乐等多种功能特征,且出行区域的功能特征会随时间动态变化,分析结果与现实认知基本一致。

关键词：轨迹数据挖掘出行热点识别热点区域交互居民出行模式区域功能特征

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多重关系挖掘的城市居民出行流量预测的研究

基于多重关系挖掘的城市居民出行流量预测的研究

引用

作者：刘玉强南京航空航天大学

学位级别：硕士

居民出行流量预测对于城市管理与规划有着重要的指导作用,而居民的出行与城市发展和功能区分布密切相关,基于城市功能区分布和居民出行之间关系的研究逐渐受到关注。以往的相关研究主要基于静态的城市功能区分布数据,而忽略了城市功能... 详细信息

居民出行流量预测对于城市管理与规划有着重要的指导作用,而居民的出行与城市发展和功能区分布密切相关,基于城市功能区分布和居民出行之间关系的研究逐渐受到关注。以往的相关研究主要基于静态的城市功能区分布数据,而忽略了城市功能区发展变化与居民出行流量变化之间存在的多种影响关系,这对于探索未来居民出行流量模式是不足的。针对以上问题,本文基于城市区域下,通过挖掘居民出行流量和区域发展变化之间存在的多重关系来预测居民长期出行流量,在更宏观的角度探索流量变化,并进行了相关的实验验证与分析。主要的研究内容如下:(1)针对居民出行流量数据和城市功能区分布数据之间存在诸如采集频率不一致、数据变化不一致等问题,我们对居民群体流量数据进行出行模式的刻画,深入分析和挖掘了群体出行变化模式,一定程度缓解了两种数据之间的差异性。(2)针对城市功能区发展变化对居民出行可能产生的影响,我们深入分析和挖掘了城市功能区发展变化模式,通过挖掘城市功能区发展变化模式与群体出行变化模式之间的相关性来学习区域发展变化对居民出行产生的影响。(3)针对预测居民长期出行流量可能存在的信息不足等问题,我们提出了长期出行流量预测模型(Long-Time Traffic Prediction,LTTP),通过对时空特征进行建模,并基于(2)中所挖掘的相关性特征来预测居民长期出行流量;进一步针对预测居民长期出行流量模式可能存在的信息丢失等问题,我们提出了长期出行流量模式预测模型(Long-Time Traffic Pattern Forecast,LTTPF),在LTTP的基础上对时空特征施加注意力机制,创新性提出多尺度周期性特征融合模块来捕获周期特征,综合利用多维度特征信息对居民长期出行模式进行预测。(4)在真实的北京市和纽约市居民出行流量数据集以及城市功能区分布数据集上,通过对比实验、模型健壮性分析和消融实验等方面的验证,证明了所提出的方法的有效性与优越性;同时基于上述研究内容初步实现了基于多重关系挖掘的城市居民长期出行流量预测系统,有效地解决居民长期出行流量预测问题。

关键词：城市功能区相关性挖掘居民出行模式时空特征流量预测

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：