原文传递
基于GPS数据的出租车出行时空特征分析
| 论文题名： | 基于GPS数据的出租车出行时空特征分析 |
| 关键词： | GPS数据;出租车;出行特征;候车热点;载客区域识别 |
| 摘要： | 出租车在城市交通中扮演着重要角色，出租车的时空特性不仅体现出一个城市交通状况，也反映出了城市居民的出行活动行为。出租车的运营规律与居民的出行行为都具有随机性与不确定性的特征，而我国目前尚未实现出租车司机与乘客之间的信息共享，常常会导致出租车与乘客之间的区域性供需矛盾。本文在挖掘出租车出行时空特性的基础上，深入探讨了出租车运营的行为规律，从而分别为乘客候车与司机的巡游调度提供科学合理的建议，可在一定程度上缓解出租车与乘客之间的供需矛盾。本文的主要研究内容如下： （1）数据预处理。根据研究内容的需要建立数据清洗的规则，从原始出租车GPS数据中提取出有效的轨迹数据，并将轨迹数据中因设备精度影响产生的漂移点、偏离点匹配到相应的道路上，解决了数据误差问题，最后从轨迹数据中提取出出租车运营中的载客点与落客点。 （2）出行时空特性分析。从出行的时空特征、时空模式、对外出行接驳特征三个角度，探究出租车运营的基本特性。时间上以天和小时为单位，对比分析了出租车的运营规律，空间上以泰森正六边形格网为单位，计算分析了不同区域出租车出行强度与发生吸引规律。利用标准差椭圆与核密度估计的分析方法，研究了兰州市出租车与对外交通枢纽的接驳规律，以及OD点的时空分布特征。 （3）乘客候车热点区域挖掘。通过ST-DBSCAN时空聚类算法提取出乘客打车热点时空序列，将得到的时空序列使用K近邻算法结合道路网转化为可以赋予地理空间位置属性的乘客打车兴趣面。建立乘客候车时间概率分布模型，计算出每个兴趣面的乘客候车时间概率，然后根据POI数据计算出兴趣面的功能信息熵。最后结合得到的指标对乘客打车兴趣面进行多因素排序，进而得出乘客候车的热点区域，并为后续司机载客区域的识别提供了参考。 （4）司机载客区域识别。结合空间正六边形格网将出租车GPS数据、POI数据、以及研究得到的乘客候车热点区域数据进行多源数据融合，在出租车运营时空规律的基础上，建立了基于深度学习的出租车载客区域识别模型，将融合的多源数据作为特征值计算单元网格内的出租车发生吸引情况，并依次介绍了神经网络的参数选择和模型构建，最终得出计算的结果。并将此方法的结果与随机森林模型和岭回归模型进行对比，计算了各种情况下的A类不确定度和RMSE值，验证了本文所提方法的优越性和稳定性。 |
| 作者： | 何佳曦 |
| 专业： | 交通运输工程 |
| 导师： | 吕斌;马忠学 |
| 授予学位： | 硕士 |
| 授予学位单位： | 兰州交通大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
