【技术实现步骤摘要】
专利技术涉及交通规划，尤其涉及基于客流特征的轨道交通站点类型分析方法。
技术介绍
1、地铁站点是城市轨道交通网络中的关键节点，是承担城市各类社会经济活动的热点地区，不同类型站点的交通功能、用地功能等方面均存在差异，对地铁站点进行分类，对了解城市功能区分布和交通出行情况具有重要意义。
2、因此，如何分析大中型城市地铁站点客流量，对所有运营地铁站点的刷卡数据进行了特征因子提取和站点类型识别，并结合各类型站点的空间分布分析了城市功能的空间结构，总结城市地铁客流的时空分布规律和城市功能区分布，以期为未来地铁线路规划和站点设计提供参考依据，便成为本领域人员亟待解决的技术问题。
技术实现思路
1、本专利技术的目的在于，解决现有技术的不足之处，提出一种基于客流特征的轨道交通站点类型分析方法，该方法通过分析地铁刷卡数据为研究轨道交通站点的客流时空规律提供了数据支撑。
2、基于客流特征的轨道交通站点类型分析方法，包括以下步骤：
3、步骤1.根据智能交通刷卡数据scd分小时提取客流量；
4、步骤2.基于客流时序特征与客流强度特征两方面计算各项特征值指标；
5、步骤3.动态客流特征指标主成分分析；
6、步骤4.层次聚类与k-means聚类分，得到最终分类结果。
7、优选的，步骤1的客流量提取过程中，需利用python对刷卡数据进行预处理，根据od客流信息以1小时为间隔分时段提取并汇总站点客流数据，并将将地铁客流量的原始数
8、优选的，步骤2的特征值指标及计算方法如下：
9、a.峰值数k1：为序列数据所有峰值点的数量，峰值点为客流时序曲线的某段时间变量区间上的最大值；
10、利用excel计算数据列中的峰数：选择一个空白单元格放置结果，输入公式＝sumproduct(--(b3:b17>b2:b16),--(b3:b17>b4:b18))到配方栏，然后按输入键；在公式中，b3：b17是从第三个单元格到列表的倒数第二个单元格的范围，b2：b16是从第二个单元格到列表的倒数第二个单元格的范围列表，最后b4：b18是从第四个单元格到列表的最后一个单元格的范围；
11、b.偏度k2：是描述数据分布形态的统计量，描述的是某总体取值分布的对称性；该统计量需要与正态分布相比较，偏度为0表示其数据分布形态与正态分布的偏斜程度相同，偏度大于0表示为右偏，偏度小于0表示为左偏；
12、
13、在公式中，xi代表时间序列，μ代表样本平均值，σ代表样本标准差；
14、c.峰度k3：是描述某总体取值分布形态陡缓程度的统计量，峰度为0表示该数据分布与正态分布的陡缓程度相同，峰度大于0表示该数据分布较为陡峭，为尖顶峰，峰度小于0表示较为平坦，为平顶峰；
15、
16、在公式中，xi代表时间序列，μ代表样本平均值，σ代表样本标准差；
17、d.高峰小时系数k4：客流量最大时段值与全天客流量的比值；
18、
19、在公式中，qi代表全天最大客流时段通过该站点的人数，单位/小时，qd代表全天通过该站点的总人数；
20、e.早高峰小时平均系数k5：早高峰时段小时平均客流量与全天客流量的比值，早高峰指7:00-9:00时段；
21、
22、在公式中，qm代表早高峰通过该站点的平均人数，单位/小时，qd代表全天通过站点的总人数；
23、f.晚高峰小时平均系数k6：晚高峰时段小时平均客流量与全天客流量的比值，晚高峰指17:00-19:00时段；
24、
25、在公式中，qe代表晚高峰通过该站点的平均人数，单位/小时，qd代表全天通过站点的总人数；
26、g.客流时段均衡系数k7：高峰时段小时平均客流量与平峰时段小时平均客流量的比值，高峰时段指早高峰7:00-9:00与晚高峰17:00-19:00两组时段，平峰时段指10:00-16:00；
27、k7＝k5+k6/2qf
28、在公式中，qf代表平峰通过该站点的平均人数，单位/小时；
29、采用进站与出站两组数据集统计，所以总计14项特征值。
30、优选的，步骤3的动态客流特征指标主成分分析过程中，由于客流时序特征与客流强度特征部分指标之间存在较强的相关关系，容易出现多元共线性问题，需要对指标进行降维处理，提取主成分特征值；
31、提取过程中首先对包括进站与出站两组数据集的峰值数、偏度、峰度、高峰小时系数、早高峰小时平均系数、晚高峰小时平均系数、客流时段均衡系数14项指标进行标准化处理，标准化处理后分别以x1,x2,x3,x4,x5,x6,x7,x8,x9,x10,x11,x12,x13,x14表示，再利用spss进行因子分析实现降维，提取特征根大于1的主成分n个，并根据主成分的得分系数矩阵计算综合得分：
32、pc1＝a1x1+a2x2+...+akxk
33、pc2＝a1x1+a2x2+...+akxk
34、pc3＝a1x1+a2x2+...+akxk
35、……。
36、优选的，步骤4中根据提取的动态客流主成分特征根，采用层次聚类与k-均值聚类结合的方法对站点类型进行识别；先利用层次聚类研判所有站点的特征差异，初步确定合适的聚类数量，将初步确定的聚类数量设置为k-均值聚类的k值，通过k-均值聚类法确定站点类型的最终聚类结果；
37、在层次聚类方法中，首先确定距离的基本定义和类间距离的计算方式，随后按照距离的远近，将距离较近的数据依次并入一类，依次类推，直到数据完全归为一类为止；或是首先将所有数据视为同一类别，然后按照距离远近，将距离远的数据依次分离开来，直到所有的数据各自成为一类为止，整个分析过程都可以用树形图表示；在进行层次聚类时选用组间联接方法，以平方欧氏距离为度量标准，变量为4项主成分特征根；平方欧氏距离计算公式如下：
38、
39、式中，d(x,y)表示n维对象中x(x1,x2,···,xn)和y(y1,y2,···,yn)之间的距离，xk与yk分别为n维对象中x,y的第k个指标。
40、优选的，步骤4中k-means聚类法是为了将案例快速分成k类，具体的类别个数需在分析前加以确定，整个分析过程使用迭代的方式，首先起步于一个初始的分类，然后通过不断的迭代将数据在不同类别间进行移动，直到最后达到一定的标准为止，再进行k-means聚类是采用误差平方作为标准测度函数，具体定义如下：
41、
42、式中：sse表示集合中所有对象与它所在子集的中心的误差平方总和；x为对象空间中的一个点；xi为聚类di的均值；...
【技术保护点】
1.基于客流特征的轨道交通站点类型分析方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于客流特征的轨道交通站点类型分析方法，其特征在于：所述步骤1的客流量提取过程中，需利用python对刷卡数据进行预处理，根据OD客流信息以1小时为间隔分时段提取并汇总站点客流数据，并将将地铁客流量的原始数据按进出站处理成两个数据集以充分揭示数据特征；以此得到各站点6:00-24:00每小时的进出站客流量与OD量。
3.根据权利要求1所述的基于客流特征的轨道交通站点类型分析方法，其特征在于：所述步骤2的特征值指标及计算方法如下：
4.根据权利要求1所述的基于客流特征的轨道交通站点类型分析方法，其特征在于：所述步骤3的动态客流特征指标主成分分析过程中，由于客流时序特征与客流强度特征部分指标之间存在较强的相关关系，容易出现多元共线性问题，需要对指标进行降维处理，提取主成分特征值；
5.根据权利要求1所述的基于客流特征的轨道交通站点类型分析方法，其特征在于：所述步骤4中根据提取的动态客流主成分特征根，采用层次聚类与K-均值聚类结合的方法对站点类
6.根据权利要求5所述的基于客流特征的轨道交通站点类型分析方法，其特征在于：所述步骤4中K-Means聚类法是为了将案例快速分成K类，具体的类别个数需在分析前加以确定，整个分析过程使用迭代的方式，首先起步于一个初始的分类，然后通过不断的迭代将数据在不同类别间进行移动，直到最后达到一定的标准为止，再进行K-Means聚类是采用误差平方作为标准测度函数，具体定义如下：
...【技术特征摘要】
1.基于客流特征的轨道交通站点类型分析方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于客流特征的轨道交通站点类型分析方法，其特征在于：所述步骤1的客流量提取过程中，需利用python对刷卡数据进行预处理，根据od客流信息以1小时为间隔分时段提取并汇总站点客流数据，并将将地铁客流量的原始数据按进出站处理成两个数据集以充分揭示数据特征；以此得到各站点6:00-24:00每小时的进出站客流量与od量。
3.根据权利要求1所述的基于客流特征的轨道交通站点类型分析方法，其特征在于：所述步骤2的特征值指标及计算方法如下：
4.根据权利要求1所述的基于客流特征的轨道交通站点类型分析方法，其特征在于：所述步骤3的动态客流特征指标主成分分析过程中，由于客流时序特征与客流强度特征部分指标之间存在较强的相关关系，容易出现多元共线性问...
【专利技术属性】
技术研发人员：阎爽，刘治国，方新涛，吴永红，任利剑，庞磊，刘雅文，陈俊波，史春，周永彪，张照东，李亚威，郑娜，黄鹏，马清华，
申请(专利权)人：中国市政工程华北设计研究总院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。