论文部分内容阅读
对于城市居民出行行为的研究不仅能够为城市规划提供科学合理的决策支持,而且有利于城市中各类资源的合理配置。传统的居民出行特征研究工作大多采取出行调查的方式,不仅需要大量工作人员及受调查者的配合,实施难度大,并且容易受到被调查人主观因素的影响,使得调查结果与实际情况存在偏差。互联网、移动定位和云计算等技术的发展使得海量轨迹数据的获取成为可能,这些轨迹数据中蕴含着的大量信息,为居民出行行为的研究带来了新的机遇。利用轨迹数据挖掘居民的出行特征不仅成本低,而且由于数据分布广、数量大等特点,使得研究结果能够更加客观的反映真实情况。出租车因其随叫随停、无固定站点、可全天候运行等特性,成为了居民生活中重要的交通工具。一方面出租车的停靠地点基本上完全由乘客的上、下车地点所决定;另一方面由车载全球定位系统(Global Positioning System,GPS)终端提供的轨迹数据易获取、数据量大且数据精度较高,因此出租车的轨迹数据能够较为客观地反映居民出行行为的时空分布格局。兴趣点(Point of Interest,POI)数据是另外一种重要的地理大数据。真实的地理实体被抽象为具有位置和属性的点数据,不仅能够直观的描述实体的位置,并且可以标记其功能属性。相比较于传统基于专家经验和遥感影像进行城市功能区判别的方法来说,基于POI数据进行城市功能区属性判断的方法更加客观准确且时效性强,有助于更好地理解城市的空间结构,为城市规划及基础设施建设提供合理的决策支持。居民的出行行为与城市的空间结构有着密切的联系,深入理解二者的关系有助于探索居民出行行为背后的潜在驱动力,继而对城市的功能布局进行合理规划。出租车GPS轨迹数据中蕴含了乘客的动态出行特征,城市POI数据与路网数据则可以很大程度上反映城市的空间结构与功能区分布。本文将以上三种形式的数据相结合,针对城市居民的出行规律提取分析展开研究。提取出出租车轨迹中的上客/下客(O/D)点,设计了出租车乘客的出行热点区域中心提取算法,并对不同时间粒度下的热点区域中心分布情况进行分析。结合基于POI数据计算得到的城市功能区域识别结果,探讨了城市居民的交通需求与城市空间之间的关系。本文主要研究内容体现在下几个方面:(1)提出了GPS轨迹数据中O/D点的判定规则,并基于此规则实现了O/D点的提取。基于轨迹数据中上下车点比行程中的坐标点更能反映居民的出行特征以及出行行为与城市空间结构联系的基本认知,本文从出租车司机视角分析了出租车行车轨迹片段,将整个出租车运营过程分为载客和空载两种行驶状态以及上客事件与下客事件两种驻停状态。并根据车辆编码(ID)及载客状态的相关关系,构建O/D点判定规则,以每辆车每条连续空车轨迹的最后一条数据为O点,每条连续载客轨迹的最后一条数据为D点,进行每辆车该日的O/D点提取。提取出的O点及D点以日为单位在数据库中存储。(2)改进了一种基于POI数据的城市功能区定量识别算法,实现了街区尺度的城市功能区判别。本文将原算法中利用固定大小的格网进行研究单元划分的方法改进为利用路网数据进行研究单元的划分,避免了因人为分割而造成的错误判定结果。并构建基于POI数据的城市功能区判别标准,进行了街区尺度的城市功能区域判别。通过将识别结果与典型区域的电子地图进行对比,证明了算法的有效性及准确性。(3)提出了一种城市居民出行热点区域中心点的提取算法,并实现了对于GPS轨迹数据中O/D点的时空分布特征提取。基于分析提取城市居民出行时空特征的目的,本文首先利用数理统计的方法对轨迹数据中的O/D点的时间分布特征进行研究。针对中心环状发展的城市内数据不均匀分布的特点,提出了一种基于OPTICS(Ordering points to identify the clustering structure)聚类的改进方法。相比于传统方法最大类簇覆盖了整个一环路以内区域的聚类结果,本文所提出的改进方法通过将原始聚类结果进行进一步的局部密度峰值计算,得到了早、午、晚三个高峰时段的出租车上下客事件热点区域中心,达到了居民出行空间特征提取的目的。(4)将不同时段的O/D点热点区域中心与城市功能区识别结果进行叠加分析,选取出行基本特征指标,包括乘客数目分布特征、乘客出行时间分布特征等,以成都市为例,分析了工作日与休息日居民出行特征的异同,进一步深度挖掘了居民出行活动的时空特征及其背后的驱动因素。