一车abs线路怎么量_利用Python构建空间滞后模型分析网约车出行量影响因素

在毕业论文写作之余，为大家带来一篇干货文章。通常我们在做空间计量模型的时候，最常用的应该是Geoda(然而我并不会用)，但又想学习一下怎么办？Pysal帮我们解决了这个大问题，Pysal集成了众多空间分析与空间计量的功能，十分强大，其中的子模块spreg即可实现众多的空间计量模型，对于空间计量经济学方面的理论我一无所知，因此本篇文章是从GIS及数据分析角度出发的，如果有错误的话，还请各位老师同学多多指出，欢迎私信公众号后台与我交流。

---

正常针对数据建模的话，我们最常用的便是基于最小二乘OLS的多重线性回归。多重线性回归假设样本之间都是相互独立的。而对于空间数据，这一假设常常是不成立的。举个例子，如果我想研究网约车出行量与POI数量之间的关系，把交通小区内网约车出行量设置为y，把各类POI个数设置为x，然后做OLS回归，其实这时我们默认了交通小区之间都是相互独立的。但是，实际上，根据地理学第一定律，相邻的交通小区之间，必然存在相关关系，比如，网约车出行量大的小区，通常是扎堆的，一个小区的出行量与其相邻小区的出行量通常是相关的，这就是空间依赖(spatial dependence)或空间自相关(spatial autocorrection)。OLS忽略了这种空间依赖，会导致模型设定错误，造成错误或有偏的结果。通过空间计量模型，我们可以捕捉空间依赖的结构，将其放入方程中，使模型更为准确。常用的空间计量模型包括空间滞后模型(SLM)和空间误差模型(SEM)，前者假设空间依赖存在于因变量中，后者假设空间依赖存在于误差项(不可观测的因素)中。下面上代码，给大家介绍一下应用空间计量模型的基本流程。用到的数据还是GWR那篇文章中的数据，感谢滴滴盖亚计划。

首先，我们对数据进行处理，具体的方法在前几期都讲过了，这里不展开。本次分析是以成都市的街道作为分析单位的，共有90个街道，也就是说有90个样本。处理过后的数据长这样：