[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

说明书

技术领域

本发明属于智能交通信息处理技术领域，具体地说是一种基于时空地理加权回归(GTWR)的公交客流影响因素识别与预测方法。

背景技术

随着城市化进程的不断加快和汽车的普及，道路交通量逐渐增加。大量的私家车导致交通拥堵，环境污染等一系列问题。大力发展公共交通是解决城市拥堵最有效的方式之一。公交需求分析是发展公共交通的基础，而探究公交客流的成因，预测客流量是公交需求分析的核心内容。充分了解客流的影响因素，准确预测公交客流能够有效的提高公共交通规划的可行性，从而提高公共交通的吸引力，减少小汽车的使用，缓解城市拥堵。用地作为交通形成的根本原因，对于客流量的大小和分布起到决定性的作用。目前的研究多以建成环境为自变量，来探索用地对客流的影响。研究发现区域公交客流与周围的用地密度关系密切，用地密度的增加会导致公交出行的增加。

目前最常用的客流预测的模型有普通最小二乘法(OLS)和地理加权回归(GWR)。普通最小二乘回归是最经典的回归模型，但是模型过于简单，难以解决复杂的空间问题。而地理加权回归在最小二乘法回归基础上加入空间信息，将客流的位置坐标加入模型中，能够揭示用地与客流之间关系的空间异质性，即不同地理位置中两者的关系可能存在差异，非常适用于空间客流的分析。然而随着公共交通系统的不断完善和发展，客流不仅表现出空间的不均衡性，也表现出时间上的不均衡性。早晚高峰时间段内客流集中，客流量大；而平峰时间段内公交客流较少。因此挖掘土地利用与客流关系的时间变化对于解决客流的不均衡分布，提高公共交通服务水平起到至关重要的作用。同时考虑客流的时间非平稳性和空间非平稳性的客流预测是研究的新思路，而目前的方法大多以空间变化为基础，不能够将时间变化纳入方法中，因此研究结果会丢失相关性的时间变化信息，不能完整的表征用地与客流关系的变化特征，预测的精度较差。

线路走向和站位选择是公交线路规划的核心问题之一。利用本次研究的结果，能够更好的识别不同地理位置下各种用地与公交需求之间的关系，为站位的选择和线路的走向提供更具针对性的指导。同时根据更准确的客流预测结果能够更好的设计线路的能力和时刻表，提高服务水平，增加公共交通的吸引力。而在公共交通系统的运营过程中，需要随时针对客流情况调整管理方案。本发明识别得到的相关系数时间变化特征可以为公交系统管理者提供更细致的理论指导从而根据不同时段制定出更具针对性的运营措施。

发明内容

本发明为克服上述现有技术和研究的不足，提供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。相比于OLS模型和GWR模型，本发明可以同时考虑时间非平稳性和空间非平稳性，揭示用地对客流影响的时空特征，克服已有方法缺少时间变量的缺点，提高了拟合精度，能够提取更多的时空信息，对于深入探究客流的特征，准确预测客流，进行公交优化具有重要的意义。

本发明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，首先利用公交IC基础数据以小区为单位进行数据聚类处理，以15分钟为一个统计时段计算公交上客量。用地数据使用城市POI(Point of Interest)提取不同小区内各类POI数量，与小区面积相除得到用地密度基础数据。然后根据研究方向，统计需要的时段客流量(小时/天)。基础数据处理得到研究所用的客流时空点，包含每个客流点所在小区的经纬度和测量时间。根据数据结构构建时空坐标系，以小区中心点经纬度为XY平面，客流量为Z轴。因为距离和时间度量使用不同的单位，因此建立的时空坐标是需要对Z坐标进行转换，得到椭圆坐标系。在椭圆坐标系内计算各时空客流点之间的距离，并根据距离构建每一个客流点与其他客流点之间的时空回归权重矩阵。权重值与客流点之间的距离成反比，距离越近相互之间的影响越大。得到时空回归权重矩阵后利用加权最小二乘法计算回归系数，得到不同交通小区不同时段公交上客量与用地密度之间的回归方程。GTWR模型计算复杂，得到的信息十分丰富，根据分析需求可以绘制时间和空间维度的相关系数变化图，探究客流与建成环境相关关系的时空特征。同时能够更加准确的预测公交客流量，为公交规划提供更精确的数据支持。

本发明的优点在于：

(1)本发明最大的特点就是将客流的时间非平稳性加入传统的客流预测和分析模型中，通过构建时空坐标系度量时空客流点之间的距离，以时空回归权重矩阵的形式表达时空客流观测点之间的影响。不仅提高了拟合精度，同时提供更多的细节，对于挖掘客流深层次规律具有十分重要的意义，能够有效提高客流预测的精度。