排序方式： 共有2条查询结果，搜索用时 0 毫秒
1
1.
出租车作为城市重要的公共交通工具,其运行产生的轨迹数据有助于我们探究城市人口活动规律。本文首先根据研究区域内数据分布特征,对传统DBSCAN聚类算法进行了参数优化,并对出租车载客点数据进行了聚类分析;然后使用核密度分析方法对出租车载客热点区域进行了热度评估;最终对热点区域进行分日期、分时段差值及可视化,分析了研究区域内出租车载客点的聚集分布状态,以及不同日期、不同时段出租车载客区域的时空分布变化。研究结果反映出了城市内居民出行的规律及变化特征,本研究不仅为出租车司机寻找顾客提供参考,而且还对分析城市功能区、优化城市公共交通系统运行起到辅助作用。 相似文献
2.
公交行程时间的精确预测对于提升公交吸引力具有重要意义。本文基于公交车到离站的历史数据,综合考虑时间周期、站点、站间距离、天气等多个因素,建立了基于BP神经网络的公交车静态行程时间预测模型,以该模型为基础,采用动态迭代的方法,叠加多个站间行程时间预测结果,进一步构建了面向连续站点的公交车动态行程时间预测模型,实现对跨越多个站点的公交行程时间预测。以青岛市125路公交为例对算法进行测试。在模型的横向对比实验中,本模型预测结果的绝对误差均在50 s以内,平均绝对误差百分比(MAPE)为11.74%,均方根误差(RMSE)为23.15,R2的确定系数为0.905 1,SVM的MAPE、RMSE、R2 误差指标分别为:12.38%、38.33、0.743 6,LR对应的误差指标分别为:12.50%、25.59、0.884 1;在静态模型与动态模型的对比实验中,动态模型预测结果的MAPE为11.75%,RMSE为23.15,静态模型对应误差指标分别为:11.63%、26.74。研究结果表明,基于BP神经网络的公交动态行程时间预测模型比传统的静态预测方法具有更高的预测精度。 相似文献
1