(基于出租车轨迹的中国城市居民出行特征分析:北京、上海、深圳、武汉)
话题点:交通拥堵、出行行为、城市形态
模型:最小二乘法(OLS)和地理加权回归(GWR)
探究内容:日间出租车下车点和城市设施之间的关系,这些城市驱动因素的空间差异
(1) 确定工作日和周末之间的旅行量是否变化,并评估一天中不同时间的旅行量差异;
(2) 检查不同地点车辆上下车活动频率的显着差异;
(3)研究城市形态如何影响居民出行习惯。
1.研究区域
研究根据北京、上海、深圳和武汉的城市地位、地理意义、经济地位、人口密度和交通量,选择性地考察了北京、上海、深圳和武汉的中心城区,如下图:
2.数据处理
研究以北京、上海、深圳和武汉的出租车GPS轨迹数据为主要实验数据集。
数据集内容包括车辆标识符、GPS 数据捕获的时间戳、实时地理坐标(经度和纬度)和乘客状态。为了确保一致性,它们进行了标准化和清理,以消除异常并准确提取起点和终点数据。
3.模型
3.1最小二乘法
采用OLS模型,从全球视角对日间落客点和餐饮服务(CS)、金融保险服务(FI)、医疗保健服务(MS)和外部交通设施服务(ET)进行建模和分析。
选择这些兴趣点的原因:(以后在做这个相关研究的时候可以参考)
CS在现代社会中具有重要的意义和作用。它满足基本需求,促进经济发展,传播文化和传统,促进社会化和交流,促进旅游业,同时还关注食品安全和卫生。金融机构的意义有四个方面:第一,有利于防范金融风险,稳定一国金融体系;二是有利于保护广大存款人的利益,有利于银行信用的整体提升;三是有利于传统观念的革新,增强公众的风险意识;四是有利于加强对中央银行的监管,减轻中央银行的负担。MS以患者和特定社会群体为主要服务对象,以医疗技术为基本服务手段,为社会提供能够满足人们医疗健康需求、给人们带来实际利益的医疗产出和非物质形式的服务。关于外延,一个功能更强的城市通常拥有多种外部交通方式;他们根据自己的特点和适应性联网为城市服务。
3.2 GWR
由于变量的空间异质性,很难从全局角度解释OLS模型的某些系数。为了进一步探究自变量与白天下降点之间的关系,我们选择了地理加权回归(GWR)模型进行实验。GWR模型是基于局部平滑思想的空间回归模型,能有效反映参数的空间异质性。
宽带的确定:
3.3模型评估指标
R^2:衡量回归模型与观测数据的拟合程度的统计量,调整后的R^2是多元详细回归中用于调整经验决定系数的度量。
4.结果
4.1时间轨迹特征
总体而言,这四个城市的工作日旅行趋势显示出相似性,但其他日子也出现了独特的特征。工作日受工作影响,在通勤方式和目的上表现出高度的规律性。上班前和下班后的交通出行增幅较高。其他日子提供更多的个人时间,并允许独立选择旅行时间和目的地,导致旅行模式的多样性,以及假期和日出期间的规律性降低。在北京,非工作日是时间相对充裕的休息时间,少数居民会选择公共交通工具出行,且通勤高峰期不明显。在上海,5月2日的非工作日出行与工作日相比存在显著差异,其中一个主要差异应该是11:00至13:00之间的出行量大幅下降,而大多数居民都在享受美味的午餐和休息,因此出行量急剧下降。在深圳,大多数居民在非工作日出行时会更多地依赖公共交通工具。在武汉,非工作日出行的波动与工作日出行的波动相似,这意味着武汉居民需要在非工作日加班。
4.2空间轨迹特征
考虑到中国城市规划中二级干道之间的平均距离为500 m,试验选择500 m×500 m网格。起点-目的地 (OD) 线是在网格比例尺上绘制的。为了可视化不同网格之间的 OD 线数量,根据数字调整了颜色和线宽。然后,叠加底图以识别网格中包含的任何地标,这些地标在车辆上下车活动之间有许多交互,如图 所示。
在北京,居民出行主要发生在外部交通站点和特定商业区之间。一般来说,火车站和机场之间交通频繁,北京西站、北京南站和王府井购物区之间交通繁忙。此外,北京首都国际机场还与各种电网有着紧密的连通性,尤其是与王府井等大型购物中心的连通性。
从上海市中心地区居民出行模式来看,主要OD点集中在黄浦区及其周边地区。该市在商业区之间都表现出显着的住宅流动性,尤其是在邻近的商业区之间。杨浦区的Pantagram商圈与其他商圈距离较远,与商圈的互动较少,但邻近地区的流量很大。
在深圳,OD点大多集中在福田区和罗湖区,以福田港和深圳站为中心。据观察,这些地点和商业区之间的旅行量很大。此外,位于南山区的深圳港区与其邻近电网具有一定程度的连通性。
武汉的研究强调了OD点在各个地区的广泛分布。汉口站等外部交通站点与武汉K11艺术中心和凯德置地等附近商业区之间的人流量较高。汉口站、武昌站和武汉站之间的连通性值得注意,汉口站和武汉站之间的交通特别高。
虽然每个城市都有独特的出行模式,但外部交通站点和商业区之间的互动也出现了共同点。北京、深圳和武汉三点之间的流动显著,表明车站邻近度对出行行为的影响较大。另一方面,上海主要涉及其商业区内部和商业区之间的居民流动。
4.3轨迹形态与城市模型分析
应用OLS模型从全局角度对日间落客点和餐饮服务(CS)、金融保险服务(FI)、医疗保健服务(MS)和外部交通设施服务(ET)进行仿真和分析。结果总结在表1中。调整后的 R2最小二乘回归模型的值分别为0.593、0.706、0.734和0.618,其中深圳的拟合效果最好,其次是上海、武汉和北京。
局部R^2的空间分布值
该图显示了本地 R2地理加权回归 (GWR) 模型的值适用于北京、上海、深圳和武汉,重点关注下四分位数、中位数和上四分位数以进行可视化。
局部R的空间分布2每个区间中的格网值和比例在北京、上海、深圳和武汉显示出相似的模式。在上海,R^2中心城市的值表明该领域具有更好的可解释性,反映了集中的城市动态。相反,其他三个城市的分布更加分散,表明有多个商业中心,行人交通分布更广。特别是在深圳,具有R^2值超过 0.94 强调了与其他城市相比,其卓越的可解释性。
4.4 比较OLS和GWR
从表格结果表明,与OLS模型相比,GWR模型在所有四个城市的拟合性都更好,GWR诊断中较低的AICc值也证实了这一点
OLS模型的结果表明,外部交通设施服务以及金融保险服务的影响在所研究的城市中最为明显,其次是医疗保健和餐饮服务。GWR结果进一步阐明了这一趋势,显示餐饮、金融和保险以及医疗保健服务的系数值较高,主要位于商业区。这些区域通常包括餐饮场所、休闲和娱乐场所、购物中心、医疗设施和商业办公室。此外,外部交通服务系数高通常出现在这些设施附近的网格中,这与居民使用出租车到达附近入口并步行前进的常见做法一致。
5.结论
-
时间特征:深圳的日均出行量最高,北京和武汉紧随其后。与上海和武汉相比,北京和深圳的旅行波动更为显著。
-
空间特征:4个城市中,车辆上下车的高交互区主要位于商业区和外部交通设施附近,反映了这些地点之间的流动模式。
-
出行特征与城市形态:GWR模型的拟合性优于OLS模型。对出行模式影响最大的是外部运输服务和金融服务,其次是医疗保健和餐饮服务。