【技术实现步骤摘要】
本专利技术属于城市规划与交通工程，尤其涉及一种基于建成环境的地铁周边非通勤者目的地选择预测方法。
技术介绍
1、地铁系统不仅是城市日常通勤者常用的交通工具，而且对于吸引大量的非通勤者也具有重要作用。在地铁站周围的区域，高密度的独特街道景观、娱乐场所和日常生活服务设施的建设能够吸引大量非通勤人群。这些非通勤活动包括购物、旅游、休闲娱乐以及医疗服务等，使得地铁站周围地区转变为充满活力的城市中心。尽管有研究表明步行偏好与建成环境之间存在非线性关系(tu et al.,2021；tao et al.,2023)，但这些研究并没有专门针对非通勤者的出行行为进行深入探讨。当前的研究往往集中在通勤者出行行为上，而非通勤者的行为特征及其对目的地选择的影响尚未得到充分理解(zhang et al.,2014；tilahun et al.,2016；dill and mcneil,2023)。
2、城市快速发展的过程中，如何有效整合地铁站点与周边建成环境成为一个挑战。由于建成环境的复杂发展及用户需求多样化，不成功的整合会导致功能错配，降低出行目的地的可达性，并影响出行体验(yang et al.,2016；wang et al.,2022)。这些问题阻碍了城市活力的全面实现。
3、传统的统计模型如线性回归和多类别逻辑回归在处理复杂的非线性关系方面存在局限性，无法很好地捕捉到建成环境特征与非通勤者目的地选择之间的复杂互动(prasad et al.,2006；redo et al.,2012)。因此，需要一种更加灵活且强大的方
技术实现思路
1、基于以上
技术介绍
中的问题和不足，本专利技术提供一种基于建成环境的地铁周边非通勤者目的地选择预测方法。
2、本专利技术的一种基于建成环境的地铁周边非通勤者目的地选择预测方法，包括以下步骤：
3、步骤1：数据收集：在目标城市内选定研究区域，收集地铁站集水区内的相关建成环境数据，包括但不限于环境数据、兴趣点poi数据以及交通数据；此外，还需获取具有乘坐地铁进行非通勤出行的受访者的出行记录和目的地选择信息。
4、步骤2：特征选取：根据文献综述和初步分析确定重要的建成环境变量，并结合本地特殊情况，添加可能会对非通勤者产生影响的变量。
5、步骤3：模型构建：采用随机森林算法建立预测模型；使用python编程语言中的scikit-learn模块实现随机森林技术，将旅行者选择的数据集划分为训练集和测试集；设定模型参数为决策树数量、每次分裂考虑的变量数量，且不限制最大树深度；然后，进行模型训练与验证，使用训练集数据训练随机森林模型，并通过袋外错误率评估不同模型变体的性能；确定最优模型后，再利用测试集进行验证，确保模型具有良好的泛化能力。
6、步骤4：shap分析：应用shap技术解析随机森林模型的输出，明确各建成环境因子对于非通勤者目的地选择的重要性排序及其作用机制。
7、步骤5：结果解读与预测：根据shap值大小确定哪些建成环境要素对非通勤者的吸引力最强或最弱；结合实际场景调整相应设施布局或服务供给，确定新场景的各个建成环境因子数值矩阵；将以上模型系数结果代入新的建成环境因子矩阵中，计算得到最终本新场景下，各个非通勤出行个体的目的地选择结果。
8、进一步的，步骤1具体为：
9、s1.1：确定研究区域：
10、选择目标城市中的特定地铁站作为研究对象，并以每个站点为中心，划定半径为1000米的研究区域。
11、s1.2：实地考察与数据获取：
12、环境数据：通过现场测量、街景地图以及高分辨率卫星图像来收集建成环境的相关信息；包括但不限于人行道宽度、绿化面积、建筑平均楼层数和建筑密度。
13、poi数据：记录研究区域内各类兴趣点的类型、位置以及数量。
14、交通数据：统计公交站点的数量及其分布情况，以及道路等级信息。
15、s1.3：问卷设计与发放：
16、问卷内容：设计一份结构化的纸质问卷，分为两部分；第一部分收集受访者的人口统计学信息，包括但不限于年龄、性别、家庭组成；第二部分记录受访者的旅行特征，包括但不限于出发地和目的地、道路长度、旅行目的、旅行持续时间。
17、问卷分发：在选定的地铁站附近随机选取参与者进行面对面访谈；确保问卷调查在工作日和周末均匀进行，以便获得全面的旅行模式数据；所选日期应排除极端天气。
18、s1.4：数据整理与筛选：
19、首先，进行数据录入，将收集到的问卷数据录入电子表格或数据库中；其次，对录入的数据进行细致的筛选和验证，剔除无效或不完整的回答，保证数据的有效性和准确性；最后，进行样本特征分析，对有效样本的人口统计学特征进行描述性统计分析，确保样本具有代表性。
20、s1.5：地理信息系统应用：
21、利用gis软件处理收集到的空间数据，包括poi位置、道路网络、公交站点分布；制作研究区域内的地图表示，直观展示不同类型的建成环境要素和兴趣点的分布情况。
22、s1.6：综合数据集构建：
23、将所有收集到的数据整合成一个统一的数据集，包含建成环境变量、poi数据、交通数据以及非通勤者的出行记录；对数据进行预处理，包括缺失值填充、异常值检测和处理、数据标准化，确保数据质量符合后续建模的要求。
24、进一步的，步骤2具体为：
25、s2.1：文献回顾与初步筛选：
26、回顾相关研究文献，了解哪些建成环境因素已经被证实对非通勤者的目的地选择有显著影响，包括但不限于道路长度、建筑覆盖率、绿化面积、人行道宽度、建筑平均楼层数、建筑地块覆盖率、道路长度、土地利用混合度、公交站点数量以及各种poi的密度。
27、s2.2：数据探索性分析：
28、对收集到的数据进行描述性统计分析，包括计算各变量的最大值、最小值、标准差和均值，以了解数据的基本分布情况；通过计算皮尔逊或斯皮尔曼相关系数来评估各建成环境变量之间的相关性，识别出高度相关的变量，避免多重共线性问题；使用箱形图或散点图图形工具直观展示各变量的分布及与其他变量的关系，帮助识别异常值和潜在的重要特征。
29、s2.3：最终特征列表：
30、基于以上结果，确定最终用于建模的特征列表；这些特征应具有良好的预测能力且相互之间无严重共线性；详细记录每个选定特征的定义、来源及其在模型中的作用，以便于后续解释和应用。
31、进一步的，步骤3具体为：
32、s3.1：数据准备：
33、数据分割，将收集到的数据集划分为训练集和测试集，采用75％的数据作为训练集，25％的数据作为测试集；可通过python的scikit-learn库中的`train_test_split`函数实现。
34、特征与标签分离，从数据集中分离出特征x和本文档来自技高网...
【技术保护点】
1.一种基于建成环境的地铁周边非通勤者目的地选择预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于建成环境的地铁周边非通勤者目的地选择预测方法，其特征在于，所述步骤1具体为：
3.根据权利要求1所述的一种基于建成环境的地铁周边非通勤者目的地选择预测方法，其特征在于，所述步骤2具体为：
4.根据权利要求1所述的一种基于建成环境的地铁周边非通勤者目的地选择预测方法，其特征在于，所述步骤3具体为：
5.根据权利要求1所述的一种基于建成环境的地铁周边非通勤者目的地选择预测方法，其特征在于，所述步骤4具体为：
6.根据权利要求1所述的一种基于建成环境的地铁周边非通勤者目的地选择预测方法，其特征在于，所述步骤5具体为：
【技术特征摘要】
1.一种基于建成环境的地铁周边非通勤者目的地选择预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于建成环境的地铁周边非通勤者目的地选择预测方法，其特征在于，所述步骤1具体为：
3.根据权利要求1所述的一种基于建成环境的地铁周边非通勤者目的地选择预测方法，其特征在于，所述步骤2具体为：
4.根...
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。