基于网络核密度的网约车上下客热点识别

交通运输系统工程与信息 ›› 2021, Vol. 21 ›› Issue (3): 86-93.

• 智能交通系统与信息技术 • 上一篇下一篇

基于网络核密度的网约车上下客热点识别

龙雪琴^{*a, b}，周萌^{a, b}，赵欢^{a, b}，张学宇^{a, b}

长安大学，a.生态安全屏障区交通网设施管控级循环修复技术交通运输行业重点实验室; b.运输工程学院，西安 710064

收稿日期:2021-03-11 修回日期:2021-04-07 出版日期:2021-06-25 发布日期:2021-06-25
作者简介:龙雪琴(1982- )，女，湖北钟祥人，副教授，博士。
基金资助:
国家重点研发计划/National Key Research and Development Program of China (2019YBFB1600500)；陕西省科技计划项目/Science Program of Shaanxi Province(2020JM-222)。

Passengers' Hot Spots Identification of Online Car-hailing Based on Network Kernel Density

LONG Xue-qin^{* a, b}, ZHOU Meng^{a, b}, ZHAO Huan^{a, b}, HANG Xue-yu^{a, b}

a. Key Laboratory of Transport Industry of Management Control and Cycle Repair Technology for Traffic Network Facilities in Ecological Security Barrier Area; b. School of Transportation Engineering, Chang'an University, Xi'an 710064, China

Received:2021-03-11 Revised:2021-04-07 Online:2021-06-25 Published:2021-06-25

摘要/Abstract

摘要：

为分析网约车上下客热点的时空分布特性，利用网约车订单数据，构建基于网络核密度估计的上下客热点识别模型，采用回归模型对热点进行聚类和分级。通过研究区域划定、数据清洗和筛选，引入以路网距离为度量的网络核密度估计方法，基于非均质网络方向延展和网络距离衰减效应，对工作日和非工作日的特征时段内网约车上下客点的核密度值进行估计。采用零膨胀负二项回归模型对核密度值进行聚类，识别出研究区域的热点路段分布及其等级。通过与平面核密度估计结果对比分析，本文提出的网络核密度估计方法体现了上下客热点在路段和交叉口的分布特点，表征了实际的交通需求与路网结构的关系。研究结论为优化城市网约车的运营管理、提高城市居民出行效率提供理论依据。

关键词: 城市交通, 上下客热点识别, 网络核密度, 零膨胀负二项回归, 时空分布

Abstract:

In order to analyze temporal and spatial distribution characteristics of online car-hailing hot spots, data of trip orders is used to build a hot- spot identification model based on network kernel density estimation, in which a regression model is used to cluster and classify the hot spots. Through the delineation of the research area, data cleaning, and screening, the network kernel density estimation method measured by road network distance is introduced. Based on the heterogeneous network direction extension and network distance attenuation effect, the kernel density of pick-up and drop-off points at specific periods during working days and weekends are estimated. The zeroexpansion negative binomial regression model is used for kernel density clustering, and the distribution of hot road sections is identified and classified. By comparing with the results of kernel density estimation, the network kernel density estimation method reflects the distribution characteristics of passenger hot-spots on road sections and intersections, and characterizes the relationship between actual traffic demand and road network structure. The conclusions help to optimize the operation and management of online car-hailing and improve the travel efficiency of urban residents.

Key words: urban traffic, identification of hot spots, network kernel density, zero expansion negative binomial regression, time and space distribution

中图分类号:

U491

龙雪琴，周萌，赵欢，张学宇. 基于网络核密度的网约车上下客热点识别[J]. 交通运输系统工程与信息, 2021, 21(3): 86-93.

LONG Xue-qin, ZHOU Meng, ZHAO Huan, ZHANG Xue-yu. Passengers' Hot Spots Identification of Online Car-hailing Based on Network Kernel Density[J]. Journal of Transportation Systems Engineering and Information Technology, 2021, 21(3): 86-93.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://www.tseit.org.cn/CN/abstract/abstract30247.shtml

http://www.tseit.org.cn/CN/Y2021/V21/I3/86

参考文献

[1] 韩勇, 樊顺, 周林, 等. 基于聚类算法的出租载客点时空分布特征研究[J]. 中国海洋大学学报(自然科学版), 2019, 49(S1): 155-162. [HAN Y, FAN S, ZHOU L, et al. Exploring the temporal and spatial distribution of passengers based on taxi trajectory data[J]. Periodical of Ocean University of China, 2019, 49(S1): 155-162.]

[2] 刘汇慧, 阚子涵, 孙飞, 等. 采用轨迹大数据探测短时非营运行为[J]. 武汉大学学报(信息科学版), 2016, 41 (9): 1192- 1198. [LIU H H, KAN Z H, SUN F, et al. Taxis' short-term out-of-service behaviors detection using big trace data[J]. Geomatics and Information Science of Wuhan University, 2016, 41(9): 1192-1198.]

[3] HTUT K Z, PIYATADSANANON P, RATANAVARAHA V. Identifying the spatial clustering of road traffic accidents on naypyitaw-mandalay expressway[C]// 9th ATRANS Sympossium: Young Researcher's Forum 2016, "Transportation for A Better Life: Safe and Smart Cities", 2016.

[4] LIU Y Z, LIU J X, WANG J Z, et al. Recommending a personalized sequence of pick- up points[C]// AsiaPacific Services Computing Conference, Springer, Cham, 2016.

[5] 付鑫, 孙茂棚, 孙皓. 基于GPS数据的出租车通勤识别及时空特征分析[J]. 中国公路学报, 2017, 30(7): 134- 143. [FU X, SUN M P, SUN H. Taxi commute recognition and temporal-spatial characteristics analysis based on GPS data[J]. China Journal of Highway and Transport, 2017, 30(7): 134-143.]

[6] PAN G, QI G, WU Z, et al. Land-use classification using taxi GPS traces[J]. IEEE Transactions on Intelligent Transportation Systems, 2013, 14(1): 113-123.

[7] 冯慧芳, 杨振娟. 基于时空相似度聚类的热点载客路径挖掘[J]. 交通运输系统工程与信息, 2019, 19(5): 94- 100. [FENG H F, YANG Z J. Hot Passenger routes mining based on spatial-temporal similarity clustering[J]. Journal of Transportation Systems Engineering and Information Technology, 2019, 19(5): 94-100.]

[8] OKABE A, SATOH T, SUGIHARA K. A kernel density estimation method for networks, its computational method and a GIS-based tool[J]. International Journal of Geographical Information Science, 2009, 23(1): 7-32.

[9] PROUDIT T, LACHENCEBERNARD N, JOOST S, et al. A network based kernel density estimator applied to barcelona economic activities[J]. Lecture Notes in Computer Science, 2010, 6016(6760): 32-45.

[10] 杨红磊, 彭军还. 基于马尔可夫随机场的模糊C-均值遥感影像分类[J]. 测绘学报, 2012, 41(2): 213- 218. [YANG H L, PENG J H. Remote sensing classification based on markov random field and fuzzy C-means clustering[J]. Acta Geodaetica et Cartographica Sinica, 2012, 41(2): 213-218.]

[1]	刘晓冰, 李奉孝, 田欣妹, 闫学东. 基于通勤模式的都市圈中心结构判别研究[J]. 交通运输系统工程与信息, 2022, 22(2): 17-28.
[2]	许奇, 陈越, 黄靖茹, 高顺祥, 张志健. 考虑出行费用的就业可达性分析[J]. 交通运输系统工程与信息, 2022, 22(2): 37-44.
[3]	刘春禹, 刘永红, 罗霞, 朱颖. 混合交通流环境下单交叉口自动驾驶车辆轨迹优化[J]. 交通运输系统工程与信息, 2022, 22(2): 154-162.
[4]	张小雨, 邵春福, 王博彬, 黄士琛. 新冠疫情影响下居民共享出行方式选择行为研究[J]. 交通运输系统工程与信息, 2022, 22(2): 186-196.
[5]	李欣, 戴章, 李怀悦, 胡笳. 基于连续近似模型的轨道交通与常规公交耦合优化设计[J]. 交通运输系统工程与信息, 2022, 22(2): 206-213.
[6]	郝妍熙, 刘戎阳, 胡华, 方勇, 刘志钢. 单向通道行人-自行车混合流建模及自组织现象研究[J]. 交通运输系统工程与信息, 2022, 22(2): 223-229.
[7]	赵传林, 贺少松, 孙淑敏, 王钰涵. 基于理性疏忽理论的交通疏散网络双层优化模型[J]. 交通运输系统工程与信息, 2022, 22(2): 239-246.
[8]	陈小红, 蓝秋雨. 不确定交通需求下交叉口信号配时区间优化模型[J]. 交通运输系统工程与信息, 2022, 22(2): 247-256.
[9]	李冰, 王正辉, 马铭炜, 杨鸿宇, 冯悦. 信号交叉口行人二次过街下右转车通行能力与延误估计模型[J]. 交通运输系统工程与信息, 2022, 22(2): 257-267.
[10]	朱彤, 秦丹, 董傲然, 杜雨萌, 魏雯. 公交驾驶员违规类型同交通事故间的关联分析[J]. 交通运输系统工程与信息, 2022, 22(2): 322-329.
[11]	毛保华, 王敏, 何天健, 陈海波. 城市公共交通服务水平研究回顾和展望[J]. 交通运输系统工程与信息, 2022, 22(1): 2-13.
[12]	王子甲, 贾慧慧, 朱亚迪, 陈峰. 基于智能卡数据的轨道与公交复合网络通勤方式选择行为研究[J]. 交通运输系统工程与信息, 2022, 22(1): 67-73.
[13]	贾斌, 朱凌, 李树凯, 刘家林. 城市轨道交通小交路计划与客流控制协同优化策略[J]. 交通运输系统工程与信息, 2022, 22(1): 124-132.
[14]	牟振华, 汪寒冰, 林本江, 陈逸群, 金程程, 陈艳艳. 基于演化博弈的违章停车动态罚金策略效用仿真评价[J]. 交通运输系统工程与信息, 2022, 22(1): 152-162.
[15]	贾富强, 李引珍, 杨信丰, 马昌喜, 代存杰. 基于演化博弈的政府鼓励条件下共享停车行为分析[J]. 交通运输系统工程与信息, 2022, 22(1): 163-170.

基于网络核密度的网约车上下客热点识别

Passengers' Hot Spots Identification of Online Car-hailing Based on Network Kernel Density

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics