基于多源地理大数据与机器学习的地铁乘客出行目的识别方法

发布时间：2023-03-19 09:09

　　探索地铁乘客出行目的识别方法,有助于突破智能卡数据(Smart Card Data,SCD)在具体应用场景中的局限性,提升SCD在交通出行研究、交通发展规划等领域的应用价值。本文融合多源地理大数据,基于城市交通与土地利用时空间互动理论,以北京市居民地铁出行为例,在交通出行调查数据中提取5565个地铁出行样本及其对应的出行目的和出行特征相关变量。基于兴趣点(Point of Interest,POI)数据得到各样本起止站点的土地利用特征相关变量,形成包含每次地铁出行的出行目的、出行特征、土地利用特征的地铁出行数据集。使用基于随机森林(Random Forest,RF)算法对地铁出行数据集进行训练完成的分类器对SCD记录的每一次地铁出行进行分类,获得该次出行的出行目的及其不同目的地铁出行时空间分布规律。研究结果表明,本识别方法可有效预测地铁乘客的出行目的,其中,"上班"、"回家"2类出行目的的预测准确率均超过90%;纳入土地利用特征相关变量可显著提升RF分类器预测准确率,印证了城市交通与土地利用的时空间互动理论。鉴于当前SCD的可获取性逐渐提高,该项技术在居民地铁出行监测与预测、地铁线网布...

【文章页数】：13 页

【文章目录】：
1 引言
2 研究理论基础、数据与方法
    2.1 理论基础
    2.2 数据来源
        2.2.1 交通调查数据
        2.2.2 POI数据
        2.2.3 智能卡数据
    2.3 研究方法
        2.3.1 地铁出行目的识别路线
        2.3.2 技术方法
3 结果及分析
    3.1 特征重要性评估
    3.2 RF分类器特征选择与参数标定
    3.3 RF分类器训练与地铁出行目的识别结果
    3.4 交通与土地利用时空间互动理论映证
4 结论与讨论
    4.1 结论
    4.2 讨论



本文编号：3764980