[发明专利]一种基于时空地理加权回归的公交客流影响因素识别与预测方法

权利要求书

1.一种基于时空地理加权回归的公交客流影响因素识别与预测方法，包括如下步骤：

步骤一、客流与用地密度提取；

将原始公交IC卡和用地POI数据进行预处理，提取特定地理单元的用地密度和客流量数据作为后续步骤的基础数据；

步骤二、基于时空地理加权回归(GTWR)模型的时空特征计算；

采用GTWR模型对步骤一中提取的客流与用地进行回归，得到用地密度对区域公交客流的影响，根据回归可以进一步预测客流量；

步骤三、用地对客流影响系数时空分布可视化处理；

根据GTWR计算结果，将回归参数进行可视化处理，表征相关性在空间和时间内的变化特征。

2.根据权利要求1所述的一种基于时空地理加权回归的公交客流影响因素识别与预测方法，所述的步骤一具体为：

原始的IC卡数据采集以个体为基本单位，表征个体的出行特征。根据数据需求需要对IC卡数据进行数据融合，以固定地理单位(交通小区、站点)为基础进行公交客流统计，得到每个地理单位上的单位时间客流量，同时剔除没有客流的单位。根据需求，统计时间可取小时或天，计算客流取平均值。

同时需要处理GIS数据，使用兴趣点(POI)密度数据作为系统输入的自变量。将POI数据与基础地图数据进行叠加分析，得到各个地理单位内的各类POI的数量，与地理单位面积相除，得到用地密度基础数据，同时根据需求对数据进行简化合并，将基础POI数据合并成为2大类11组用地属性，分别为交通属性和用地属性。

3.根据专利要求1所述的一种基于时空地理加权回归的公交客流影响因素识别与预测方法，所述步骤二具体为：

GTWR模型是一种最新提出的基于时空特征的回归算法，相比于传统的回归算法，该算法能够识别时空数据的自相关性，提高回归精度，回归结果可以提供更多信息。整个算法的基本步骤为：

1)从基础数据中提取客流采样区域的坐标u和v，y表示客流值，t表示采样时间。n表示采样点数目，X_i表示用地密度.

2)计算每一个样本区域与其他样本区域之间的时空三维距离。因为时空单位的差异，需要构建椭圆三维坐标系。类比欧氏距离的计算公式，采样区域i和采样区域j的三维距离的计算公式为：

(d^ST)²＝λ[(u_i-u_j)²+(v_i-v_j)²]+μ(t_i-t_j)²

其中，参数λ和μ为平衡时空差异的参数，通过优化回归残差平方和进行选取。

3)根据距离构建客流观测区域之间的时空相关性矩阵W.W＝diag(W₁,…,W_n)为对角矩阵，对角线元素表示两个客流采样区域之间相互影响的权重值，其他元素都为0.常用的权重值计算公式为高斯函数：

Wij=-exp(dij2hST2)]]>

其中h_ST为带宽，表示权重随时空距离衰减的比例。利用交叉验证选取最优的带宽值。

4)以时空相关性矩阵为基础，建立密度与客流之间的时空回归方程：

Yi=β0(ui,vi,ti)+Σk=1jβk(ui,vi,ti)Xik+ϵi]]>

其中ε_i为误差项，β_k(u_i,v_i,t_i)为时空相关系数，表示用地变量X_ik与客流的时空相关程度。使用加权最小二乘估计方法，回归系数通过使得残差平方和最小来进行估计：

Σi=1nWiuvt(yi-β0(ui,vi,ti)-Σkβk(ui,vi,ti)Xik)2]]>

将参数估计用矩阵表示，则参数可表示为：

β^(ui,vi,ti)=[XTW(ui,vi,ti)X]-1XTW(ui,vi,ti)Y]]>

4.根据权利要求1所述的一种基于时空地理加权回归的公交客流影响因素识别与预测方法，步骤三具体为：

利用GTWR模型计算结果输出用地对客流影响的相关系数的空间和时间变化图。空间变化图表征同一时间段内同一类用地在不同采样区域内的相关系数的空间差异，时间变化图表征同一用地同一采样区域内的相关系数随时间的变化规律。