[發明專利]一種基于時空地理加權回歸的公交客流影響因素識別與預測方法

在審

• 申請號: 201710371064.6
• 申請日: 2017-05-24
• 公開（公告）號: CN107103392A
• 公開（公告）日: 2017-08-29
• 發明（設計）人: 馬曉磊;張繼宇;丁川;于海洋;劉劍鋒
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/26
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明屬于智能交通信息處理技術領域，具體地說是一種基于時空地理加權回歸(GTWR)的公交客流影響因素識別與預測方法。

背景技術

隨著城市化進程的不斷加快和汽車的普及，道路交通量逐漸增加。大量的私家車導致交通擁堵，環境污染等一系列問題。大力發展公共交通是解決城市擁堵最有效的方式之一。公交需求分析是發展公共交通的基礎，而探究公交客流的成因，預測客流量是公交需求分析的核心內容。充分了解客流的影響因素，準確預測公交客流能夠有效的提高公共交通規劃的可行性，從而提高公共交通的吸引力，減少小汽車的使用，緩解城市擁堵。用地作為交通形成的根本原因，對于客流量的大小和分布起到決定性的作用。目前的研究多以建成環境為自變量，來探索用地對客流的影響。研究發現區域公交客流與周圍的用地密度關系密切，用地密度的增加會導致公交出行的增加。

目前最常用的客流預測的模型有普通最小二乘法(OLS)和地理加權回歸(GWR)。普通最小二乘回歸是最經典的回歸模型，但是模型過于簡單，難以解決復雜的空間問題。而地理加權回歸在最小二乘法回歸基礎上加入空間信息，將客流的位置坐標加入模型中，能夠揭示用地與客流之間關系的空間異質性，即不同地理位置中兩者的關系可能存在差異，非常適用于空間客流的分析。然而隨著公共交通系統的不斷完善和發展，客流不僅表現出空間的不均衡性，也表現出時間上的不均衡性。早晚高峰時間段內客流集中，客流量大；而平峰時間段內公交客流較少。因此挖掘土地利用與客流關系的時間變化對于解決客流的不均衡分布，提高公共交通服務水平起到至關重要的作用。同時考慮客流的時間非平穩性和空間非平穩性的客流預測是研究的新思路，而目前的方法大多以空間變化為基礎，不能夠將時間變化納入方法中，因此研究結果會丟失相關性的時間變化信息，不能完整的表征用地與客流關系的變化特征，預測的精度較差。

線路走向和站位選擇是公交線路規劃的核心問題之一。利用本次研究的結果，能夠更好的識別不同地理位置下各種用地與公交需求之間的關系，為站位的選擇和線路的走向提供更具針對性的指導。同時根據更準確的客流預測結果能夠更好的設計線路的能力和時刻表，提高服務水平，增加公共交通的吸引力。而在公共交通系統的運營過程中，需要隨時針對客流情況調整管理方案。本發明識別得到的相關系數時間變化特征可以為公交系統管理者提供更細致的理論指導從而根據不同時段制定出更具針對性的運營措施。

發明內容

本發明為克服上述現有技術和研究的不足，提供一種基于時空地理加權回歸的公交客流影響因素識別與預測方法。相比于OLS模型和GWR模型，本發明可以同時考慮時間非平穩性和空間非平穩性，揭示用地對客流影響的時空特征，克服已有方法缺少時間變量的缺點，提高了擬合精度，能夠提取更多的時空信息，對于深入探究客流的特征，準確預測客流，進行公交優化具有重要的意義。

本發明的一種基于時空地理加權回歸的公交客流影響因素識別與預測方法，首先利用公交IC基礎數據以小區為單位進行數據聚類處理，以15分鐘為一個統計時段計算公交上客量。用地數據使用城市POI(Point of Interest)提取不同小區內各類POI數量，與小區面積相除得到用地密度基礎數據。然后根據研究方向，統計需要的時段客流量(小時/天)。基礎數據處理得到研究所用的客流時空點，包含每個客流點所在小區的經緯度和測量時間。根據數據結構構建時空坐標系，以小區中心點經緯度為XY平面，客流量為Z軸。因為距離和時間度量使用不同的單位，因此建立的時空坐標是需要對Z坐標進行轉換，得到橢圓坐標系。在橢圓坐標系內計算各時空客流點之間的距離，并根據距離構建每一個客流點與其他客流點之間的時空回歸權重矩陣。權重值與客流點之間的距離成反比，距離越近相互之間的影響越大。得到時空回歸權重矩陣后利用加權最小二乘法計算回歸系數，得到不同交通小區不同時段公交上客量與用地密度之間的回歸方程。GTWR模型計算復雜，得到的信息十分豐富，根據分析需求可以繪制時間和空間維度的相關系數變化圖，探究客流與建成環境相關關系的時空特征。同時能夠更加準確的預測公交客流量，為公交規劃提供更精確的數據支持。

本發明的優點在于：

(1)本發明最大的特點就是將客流的時間非平穩性加入傳統的客流預測和分析模型中，通過構建時空坐標系度量時空客流點之間的距離，以時空回歸權重矩陣的形式表達時空客流觀測點之間的影響。不僅提高了擬合精度，同時提供更多的細節，對于挖掘客流深層次規律具有十分重要的意義，能夠有效提高客流預測的精度。