• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于手機(jī)信令數(shù)據(jù)的通勤與交通運(yùn)行關(guān)系模型

      2021-12-01 02:42:24雷方舒溫慧敏孫建平
      交通運(yùn)輸研究 2021年5期
      關(guān)鍵詞:信令路網(wǎng)高峰

      雷方舒,溫慧敏,孫建平,趙 祥

      (1.北京交通發(fā)展研究院 城市交通運(yùn)行仿真與決策支持北京市重點(diǎn)實(shí)驗(yàn)室,北京 100073;2.北京交通發(fā)展研究院 城市交通北京市國(guó)際科技合作基地,北京 100073)

      0 引言

      通勤出行是指通勤者往返于居住地、工作地之間的出行,是城市居民最基本和最重要的出行。通勤出行在高峰時(shí)段高度聚集,對(duì)大城市交通運(yùn)行,尤其是早晚高峰時(shí)段的交通運(yùn)行起著至關(guān)重要的作用,是導(dǎo)致早晚高峰擁堵的主要原因之一,而交通擁堵也會(huì)影響通勤出行的效率和品質(zhì),是社會(huì)關(guān)注的重點(diǎn)。因此,深入分析城市通勤出行特征,挖掘通勤出行與交通擁堵的關(guān)系機(jī)理,為優(yōu)化通勤出行的組織管理和服務(wù)提供依據(jù),是緩解高峰擁堵、提升出行品質(zhì)的重要突破口。

      對(duì)通勤特征的挖掘一直受到研究者的廣泛關(guān)注,目前已有的針對(duì)通勤出行的研究主要集中于4 個(gè)方面。一是通勤基本參數(shù)提取與通勤特征分析。該類(lèi)研究主要通過(guò)識(shí)別通勤出行鏈獲得通勤時(shí)耗、距離、出發(fā)時(shí)間等信息[1],進(jìn)而研究各通勤參數(shù)的相關(guān)性[2],或通過(guò)不同城市、不同區(qū)域的指標(biāo)對(duì)比,識(shí)別城市或區(qū)域的典型通勤特征[3],抑或?qū)O端通勤[4]、跨城通勤[5]等特殊通勤出行進(jìn)行分析,以評(píng)估典型城市或區(qū)域通勤特征。二是通勤行為選擇模型搭建,包括探討通勤出行方式選擇影響因素(如土地利用[6]、城市建成環(huán)境[7]、行程時(shí)間[8]等),研究在個(gè)體及家庭[9]、有無(wú)私家車(chē)、時(shí)間價(jià)值差異[10]等方面擁有不同特征的通勤者的出發(fā)時(shí)間選擇、通勤路徑選擇行為[11]等。該類(lèi)研究嘗試通過(guò)調(diào)整所識(shí)別的通勤行為影響因素,實(shí)現(xiàn)通勤出行干預(yù)。三是通勤與城市空間關(guān)系分析,主要應(yīng)用在城市規(guī)劃、交通規(guī)劃方面,包括城市或區(qū)域通勤圈識(shí)別[12]、職住平衡探討[13]、基于通勤出行的城市空間結(jié)構(gòu)分析[14]、城市空間問(wèn)題識(shí)別與規(guī)劃建議[15]等。該類(lèi)研究以通勤空間分布特征指導(dǎo)城市空間規(guī)劃,以達(dá)到優(yōu)化城市空間結(jié)構(gòu)的目的。四是通勤與交通運(yùn)行的關(guān)系研究。已有研究大多從通勤行為影響因素的調(diào)節(jié)或城市空間優(yōu)化入手,開(kāi)展以高峰期緩堵為目的的錯(cuò)峰通勤方案研究[16]、高峰通勤擁堵收費(fèi)研究[17]、通勤合乘拼車(chē)研究[18]等,間接作用于緩解交通擁堵,直接開(kāi)展通勤與交通運(yùn)行關(guān)系研究的較少。Wu 等[19]研究了不同通勤行為與擁堵滿(mǎn)意度的關(guān)系,但并未探討如何緩堵;胡曉婧等[20]探討了通勤出行與交通運(yùn)行的關(guān)系,但僅得出了通勤量大、通勤距離長(zhǎng)會(huì)導(dǎo)致交通擁堵加劇等定性結(jié)論,缺乏對(duì)通勤出行與交通運(yùn)行關(guān)系的量化研究;Scott 等[21]研究發(fā)現(xiàn)通過(guò)職住平衡來(lái)提高通勤效率可有效緩解擁堵,但從現(xiàn)實(shí)角度考慮實(shí)施難度大;Amirgholy 等[22]構(gòu)建了城市路網(wǎng)擁堵宏觀(guān)基本圖,并嘗試通過(guò)調(diào)節(jié)高峰通勤出行量來(lái)優(yōu)化交通運(yùn)行狀態(tài),但并未探討二者的相關(guān)性;陳燕凌等[23]研究了通勤出行對(duì)路網(wǎng)速度的貢獻(xiàn)度,雖給出了通勤周轉(zhuǎn)量與路網(wǎng)速度的函數(shù)關(guān)系,但擬合相對(duì)簡(jiǎn)單,誤差較大,所提出的模型對(duì)諸多通勤交通現(xiàn)象尚無(wú)法給出理論解釋。

      從信息獲取來(lái)看,傳統(tǒng)通勤出行信息主要基于交通調(diào)查手段獲得,存在更新慢、不連續(xù)等缺陷。手機(jī)信令等大數(shù)據(jù)資源,為通勤出行的深入探索提供了數(shù)據(jù)基礎(chǔ),拓展了通勤出行特征分析的維度,提升了指標(biāo)結(jié)果的精準(zhǔn)度。手機(jī)信令數(shù)據(jù)已逐步應(yīng)用于通勤出行研究的多個(gè)層面,但現(xiàn)階段已有的研究仍重點(diǎn)關(guān)注數(shù)據(jù)的基礎(chǔ)處理[24]與通勤指標(biāo)的提取等,需深入挖掘與探索手機(jī)信令數(shù)據(jù)在通勤特征研究中的應(yīng)用。

      總體來(lái)看,現(xiàn)有通勤出行研究重點(diǎn)關(guān)注通勤行為、指標(biāo)評(píng)價(jià)、城市規(guī)劃等方面,對(duì)面向緩解交通擁堵的通勤出行與交通運(yùn)行關(guān)系的機(jī)理研究不足。在此背景下,本文將借助手機(jī)信令大數(shù)據(jù),在對(duì)比通勤、非通勤出行特征差異的基礎(chǔ)上,分析通勤出行與交通運(yùn)行的相關(guān)關(guān)系,建立考慮時(shí)變差異的通勤出行與路網(wǎng)速度六段模型,探討不同模型區(qū)間的含義及所揭示的交通運(yùn)行機(jī)理,并基于模型給出典型交通現(xiàn)象與特征的理論解釋。

      1 數(shù)據(jù)與方法

      1.1 通勤出行界定

      本文所述通勤出行指上下班、上下學(xué)等有明顯早晚高峰往返出行規(guī)律的出行,相比于休閑娛樂(lè)、探親訪(fǎng)友、就醫(yī)、旅游等非通勤出行,通勤出行的空間分布、指標(biāo)參數(shù)等具有其典型特征。

      1.2 數(shù)據(jù)源說(shuō)明

      手機(jī)信令數(shù)據(jù)的獲取具有長(zhǎng)期持續(xù)性,可用于對(duì)通勤出行的連續(xù)追蹤與特征識(shí)別。本文以北京市為背景,基于2020年全年手機(jī)偽碼信令數(shù)據(jù)進(jìn)行中心城區(qū)通勤出行識(shí)別與特征提取,并以2020年12月數(shù)據(jù)為代表進(jìn)行分析。同時(shí),選取與信令數(shù)據(jù)相同時(shí)空范圍的道路網(wǎng)運(yùn)行速度指標(biāo)表征交通運(yùn)行態(tài)勢(shì),開(kāi)展通勤出行與交通運(yùn)行關(guān)系研究。

      1.3 通勤出行識(shí)別方法

      本文通過(guò)雷方舒等[25]提出的基于手機(jī)信令數(shù)據(jù)的通勤人口識(shí)別方法提取通勤出行信息。

      (1)基于TOPSIS打分與K-Means聚類(lèi)相結(jié)合的方法識(shí)別北京市通勤人口

      通過(guò)分析通勤出行的時(shí)間、空間、頻次等屬性特征,提取典型通勤出行特征指標(biāo);基于熵權(quán)法[24]確定各通勤特征指標(biāo)權(quán)重,結(jié)合主觀(guān)權(quán)重,確定各通勤特征指標(biāo)綜合權(quán)重值;基于TOPSIS(Technique for Order Preference by Similarity to an Ideal Solution)打分法,分別給每位手機(jī)用戶(hù)進(jìn)行通勤屬性評(píng)分;基于K-Means 聚類(lèi)法進(jìn)行通勤屬性得分聚類(lèi),識(shí)別通勤特征最顯著類(lèi),定義為通勤人口。

      (2)識(shí)別通勤人口工作地與居住地地理空間信息

      針對(duì)(1)中識(shí)別的每位通勤用戶(hù),根據(jù)其連續(xù)一個(gè)月內(nèi),日間10:00—15:00 駐留空間、駐留總時(shí)長(zhǎng)等參數(shù),識(shí)別通勤人口日間工作地空間信息;根據(jù)其連續(xù)一個(gè)月內(nèi),夜間23:00—04:00駐留空間、駐留總時(shí)長(zhǎng)等參數(shù),識(shí)別通勤人口夜間居住地空間信息。

      (3)識(shí)別通勤人口往返于居住地與工作地之間的通勤出行

      基于雷方舒等[26]提出的手機(jī)信令數(shù)據(jù)出行鏈識(shí)別方法,識(shí)別通勤人口每一次出行的起訖點(diǎn)(OD),根據(jù)(2)中識(shí)別的通勤人口職住地信息,提取每位通勤者往返于居住地、工作地間的出行,定義為通勤出行。其中,中心城區(qū)通勤出行是指出發(fā)地或目的地至少一端在中心城區(qū)的出行。

      (4)結(jié)合綜合交通調(diào)查等數(shù)據(jù)進(jìn)行結(jié)果擴(kuò)樣校核

      以北京市綜合交通調(diào)查中相同時(shí)空范圍的出行量、通勤出行量數(shù)據(jù)為基準(zhǔn),進(jìn)行手機(jī)信令數(shù)據(jù)通勤出行結(jié)果的擴(kuò)樣校核。

      2 通勤出行特征分析

      2.1 出行時(shí)段

      通勤出行在早晚高峰出行中占據(jù)主導(dǎo)地位,早高峰7:00—9:00,北京中心城區(qū)通勤出行約占全部出行的80%,晚高峰17:00—19:00通勤出行占比也達(dá)到60%左右;但在平峰時(shí)段11:00—15:00,非通勤出行量占比超過(guò)80%,占據(jù)主導(dǎo)地位。因而,要緩解北京早晚高峰交通擁堵水平,通勤出行是核心因素;而對(duì)于平峰時(shí)段,應(yīng)重點(diǎn)考慮非通勤出行的影響。

      2.2 出行距離與出行時(shí)耗

      北京中心城區(qū)通勤出行平均距離約13.3km,通勤出行平均時(shí)耗約51min;非通勤出行平均距離約10.5km,非通勤出行平均時(shí)耗約40min??梢?jiàn),由于通勤出行受城市用地特征等因素的影響,出行距離與時(shí)耗顯著高于非通勤出行。

      2.3 出行結(jié)構(gòu)

      通勤出行中地鐵、公交出行占比明顯高于非通勤出行,非通勤出行中步行出行方式占比較為突出(見(jiàn)圖1)。整體來(lái)看,通勤出行中的綠色出行(包含地鐵、公交、班車(chē)、自行車(chē)、步行)占比約為73.2%[27],略低于非通勤出行中的綠色出行占比(73.8%),但二者差異并不顯著。

      圖1 通勤出行與非通勤出行結(jié)構(gòu)差異

      2.4 出行空間分布

      北京市通勤出行呈現(xiàn)出明顯的按走廊集聚的特性(見(jiàn)圖2)。早高峰出行人群由外圍向中心城區(qū)聚集,形成了昌平城關(guān)鎮(zhèn)—回龍觀(guān)—上地—中關(guān)村方向、天通苑—泛CBD 方向、順義城關(guān)鎮(zhèn)—望京—泛CBD方向、通州—泛CBD方向、房山城關(guān)鎮(zhèn)—豐臺(tái)科技園方向5 條明顯的通勤走廊(見(jiàn)圖2(a));而非通勤出行呈現(xiàn)出分散的特性(見(jiàn)圖2(b)),無(wú)明顯走廊聚集特征。

      3 通勤出行與交通運(yùn)行模型構(gòu)建

      3.1 通勤出行與路網(wǎng)速度關(guān)系分析

      為探究交通運(yùn)行與通勤出行之間的關(guān)系機(jī)理,本文以北京市2020 年12 月21 日為例,選取5:00—22:45 時(shí)段,以15min 為時(shí)間粒度,還原通勤出行與路網(wǎng)速度關(guān)系曲線(xiàn)(見(jiàn)圖3)。結(jié)果顯示,受一天中不同時(shí)段通勤出行、非通勤出行差異的影響,通勤出行與路網(wǎng)速度的關(guān)系也呈現(xiàn)明顯的按時(shí)間分段特征。

      圖3 通勤出行與路網(wǎng)速度的關(guān)系

      (1)5:00—8:15早高峰逐漸形成,隨著通勤出行量的增加,路網(wǎng)速度基本呈線(xiàn)性降低趨勢(shì);

      (2)8:15—11:30早高峰逐步消散,通勤出行量逐漸回落,路網(wǎng)速度基本呈線(xiàn)性升高趨勢(shì),但受非通勤出行增多的影響,路網(wǎng)速度回升速率明顯低于早高峰形成階段速度降低速率;

      (3)11:30—15:00為平峰,通勤出行量處于較低水平且與路網(wǎng)速度關(guān)系無(wú)明顯規(guī)律性,路網(wǎng)速度主要受非通勤出行的影響;但明顯可見(jiàn),當(dāng)通勤出行量低時(shí),非通勤出行對(duì)路網(wǎng)速度的影響不大;

      (4)15:00—18:00晚高峰逐漸形成,隨著通勤出行量的再一次增加,路網(wǎng)運(yùn)行速度再次呈線(xiàn)性降低趨勢(shì),且同樣受非通勤出行的影響,降低速率的大小與早高峰消散階段回升速率接近;

      (5)18:00—18:45處于晚高峰出行量高點(diǎn),通勤出行與路網(wǎng)速度關(guān)系無(wú)明顯規(guī)律性,通勤、非通勤出行量均處于較高水平,路網(wǎng)速度是二者共同作用的結(jié)果;

      (6)18:45—22:45晚高峰逐步消散,通勤出行量逐漸回落,路網(wǎng)速度再次呈線(xiàn)性回升特征,且回升速率的大小與早高峰形成階段下降速率相近。

      3.2 模型構(gòu)建

      基于以上特征分析,劃分出早高峰形成階段A[05:00—08:15]、早高峰消散階段B[08:15—11:30]、晚高峰形成階段C[15:00—18:00]、晚高峰消散階段D[18:45—22:45]、晚高峰階段E[18:00—18:45]、平峰階段F[11:30—15:00]共6 個(gè)時(shí)段,構(gòu)建通勤出行對(duì)交通運(yùn)行貢獻(xiàn)度六段模型。在高峰形成及消散階段,以線(xiàn)性函數(shù)表征通勤出行量與路網(wǎng)速度的關(guān)系;平峰階段,認(rèn)為路網(wǎng)速度呈現(xiàn)一定范圍內(nèi)的隨機(jī)特征;晚高峰階段,路網(wǎng)速度為通勤、非通勤出行量的二元函數(shù):

      式(1)中:y為路網(wǎng)速度(km/h);t為時(shí)間切片;a,b,c,d分別為早高峰形成與消散階段、晚高峰形成與消散階段線(xiàn)性函數(shù)系數(shù),表征相同通勤出行量變化水平下路網(wǎng)速度變化速率,本文將其絕對(duì)值定義為通勤出行對(duì)交通運(yùn)行的貢獻(xiàn)度;e,f分別為晚高峰和平峰階段函數(shù)系數(shù);δ為一定取值范圍內(nèi)的隨機(jī)變量;x1為通勤出行量(萬(wàn)人次);x2為非通勤出行量(萬(wàn)人次);f(x1,x2)為通勤、非通勤出行量的二元函數(shù)。

      3.3 模型參數(shù)標(biāo)定

      本文選取北京市中心城區(qū)工作日2020 年12月14 日至18 日05:00—22:45 時(shí)段內(nèi)以15min 為時(shí)間粒度的通勤出行量與路網(wǎng)速度數(shù)據(jù)進(jìn)行模型參數(shù)標(biāo)定。高峰形成與消散階段通勤出行量與路網(wǎng)速度關(guān)系擬合曲線(xiàn)如圖4所示。

      圖4 不同時(shí)段通勤出行與路網(wǎng)速度擬合曲線(xiàn)

      得到模型參數(shù)標(biāo)定結(jié)果:

      其中,|a|,|b|,|c|,|d|分別為早高峰形成與消散階段、晚高峰形成與消散階段通勤出行對(duì)路網(wǎng)速度的貢獻(xiàn)度;R2為表征模型解釋作用的可決系數(shù)。模型參數(shù)標(biāo)定結(jié)果顯示,高峰形成與消散階段通勤出行與路網(wǎng)運(yùn)行速度高度線(xiàn)性相關(guān),可決系數(shù)R2均超過(guò)0.85;早高峰形成階段、晚高峰消散階段通勤出行對(duì)路網(wǎng)速度的貢獻(xiàn)度最高;早高峰消散階段及晚高峰形成階段,非通勤出行量增加導(dǎo)致通勤出行貢獻(xiàn)度減弱。此外,相同通勤出行量水平下,周五晚高峰形成與消散階段路網(wǎng)速度較其他工作日明顯偏低,為非通勤出行量增加所致。

      晚高峰階段,通勤出行減少,非通勤出行增加,雖總出行量不變,但路網(wǎng)速度降低,本文以熵函數(shù)計(jì)算晚高峰階段通勤、非通勤出行的混合程度:

      式(2)中:f(x1,x2)為通勤、非通勤出行混合熵函數(shù);p(x1),p(x2)分別為通勤、非通勤出行量占總出行量的比例。

      基于北京市中心城區(qū)2020 年12 月14 日—17日18:00—18:45 時(shí)段內(nèi)以15min 為時(shí)間粒度的通勤、非通勤出行量數(shù)據(jù),計(jì)算晚高峰時(shí)段通勤、非通勤出行混合熵。以12 月15 日18:00 數(shù)據(jù)為例,通勤出行量x1為49 萬(wàn)人次,非通勤出行量x2為26萬(wàn)人次,則通勤、非通勤出行占總出行量比例p(x1),p(x2)分別為:p(x1)=x1/(x1+x2)=0.65,p(x2)=x2/(x1+x2)=0.35。

      基于式(2)熵函數(shù)計(jì)算該時(shí)刻通勤、非通勤出行混合熵,有:f(x1,x2)=-0.65log20.65-0.35log20.35=0.934。

      以此類(lèi)推可計(jì)算晚高峰所有時(shí)段通勤、非通勤出行混合熵?;陟刂涤?jì)算結(jié)果與相同時(shí)段路網(wǎng)速度數(shù)據(jù)進(jìn)行模型參數(shù)標(biāo)定(見(jiàn)圖5)。擬合發(fā)現(xiàn)線(xiàn)性函數(shù)可較好地表征晚高峰階段通勤、非通勤混合熵與路網(wǎng)速度的關(guān)系,可決系數(shù)R2達(dá)0.83,函數(shù)系數(shù)e=-64.64,進(jìn)而可得出結(jié)論:晚高峰階段,當(dāng)通勤、非通勤出行均處于較高水平時(shí),路網(wǎng)速度受通勤、非通勤混合程度影響,混合熵越高,路網(wǎng)速度越低。

      圖5 出行混合熵與路網(wǎng)速度擬合曲線(xiàn)

      平峰階段,路網(wǎng)速度處于較高水平,與通勤、非通勤出行均未呈現(xiàn)明顯函數(shù)關(guān)系,本文認(rèn)為平峰階段的交通運(yùn)行狀態(tài)呈現(xiàn)一定范圍內(nèi)的隨機(jī)特征。

      基于此,得到標(biāo)定后的通勤出行對(duì)道路運(yùn)行貢獻(xiàn)度六段模型(周一至周四):

      3.4 機(jī)理解釋

      本文所建的通勤出行對(duì)交通運(yùn)行貢獻(xiàn)度模型可對(duì)兩個(gè)交通現(xiàn)象作出解釋?zhuān)?/p>

      (1)工作日早高峰出行量、通勤出行量均高于晚高峰(見(jiàn)圖6),但晚高峰卻更為擁堵(見(jiàn)圖7),其原因?yàn)橥砀叻宓某鲂谢旌响孛黠@高于早高峰,導(dǎo)致了晚高峰擁堵程度更為顯著。

      (2)周五晚高峰通勤出行量低于其他工作日(見(jiàn)圖6(a)),總出行量與其他工作日基本持平(見(jiàn)圖6(b)),路網(wǎng)擁堵水平卻明顯加?。ㄒ?jiàn)圖7)。這是由于非通勤出行量增加,使得通勤、非通勤出行量均處于較高水平,根據(jù)模型中的晚高峰階段函數(shù),出行混合熵增加導(dǎo)致了周五晚高峰擁堵程度加劇。

      圖6 一周工作日出行量

      圖7 一周工作日路網(wǎng)速度

      此外,本文進(jìn)一步探索了出行混合熵增加導(dǎo)致?lián)矶录觿〉脑颉Mㄇ诔鲂兄苻D(zhuǎn)量大,但具有走廊聚集特性,非通勤出行周轉(zhuǎn)量小但具有無(wú)序性,在較高強(qiáng)度通勤出行基礎(chǔ)上疊加非通勤出行,會(huì)使路網(wǎng)無(wú)序性增加,加速整個(gè)交通系統(tǒng)的熵增,導(dǎo)致出行時(shí)耗增加,相同出行量條件下在途出行增多,進(jìn)而導(dǎo)致?lián)矶滤郊觿?。本文提取工作日各時(shí)間切片的在途出行量(即從出發(fā)地到目的地走行途中的出行),發(fā)現(xiàn)不同于出行量早高峰高于晚高峰、一周各天基本無(wú)差異的分布特征(見(jiàn)圖6(b)),在途出行量(見(jiàn)圖8)表現(xiàn)出晚高峰高于早高峰,且周五較其他工作日晚高峰明顯增加的特征,證實(shí)了前文所述。

      圖8 一周工作日在途出行量

      3.5 模型討論

      通勤出行對(duì)交通運(yùn)行貢獻(xiàn)度六段模型可用于量化評(píng)估不同時(shí)段、不同程度的通勤及非通勤出行需求變化帶來(lái)的交通運(yùn)行狀態(tài)變化水平,模型使用簡(jiǎn)便、可操作性強(qiáng),可用于以緩堵為目的的高峰時(shí)段出行需求干預(yù)與調(diào)節(jié),并量化評(píng)估出行需求變化對(duì)交通運(yùn)行的影響程度,可為擁堵收費(fèi)、錯(cuò)時(shí)通勤、非通勤出行引導(dǎo)干預(yù)等需求調(diào)控政策的制定提供依據(jù),支撐城市交通擁堵治理工作的開(kāi)展。

      4 結(jié)論

      本文基于手機(jī)信令等大數(shù)據(jù)對(duì)通勤、非通勤出行的時(shí)耗、距離、空間分布等特征進(jìn)行了剖析,通過(guò)分析通勤出行與路網(wǎng)速度的分時(shí)間段關(guān)系構(gòu)建了通勤出行對(duì)交通運(yùn)行貢獻(xiàn)度六段模型,并分段進(jìn)行模型參數(shù)標(biāo)定,得出如下結(jié)論:

      (1)通勤出行距離、時(shí)耗偏長(zhǎng),周轉(zhuǎn)量大,具有一定走廊聚集特性;非通勤出行距離、時(shí)耗較小,周轉(zhuǎn)量小,具有空間無(wú)序性;

      (2)在高峰形成及消散階段通勤出行量與路網(wǎng)速度呈顯著的線(xiàn)性關(guān)系,可決系數(shù)超過(guò)0.85;早高峰形成階段與晚高峰消散階段通勤出行對(duì)路網(wǎng)速度的貢獻(xiàn)度最高;

      (3)晚高峰階段,路網(wǎng)速度是通勤、非通勤出行量的混合熵函數(shù),路網(wǎng)速度隨熵值的增加而降低;

      (4)晚高峰較早高峰擁堵更顯著、周五晚高峰擁堵加劇都是由于通勤、非通勤出行混合熵增加,帶來(lái)網(wǎng)絡(luò)無(wú)序性增加,進(jìn)而導(dǎo)致交通系統(tǒng)熵增所致。

      由此可知,若要緩解高峰時(shí)段擁堵,除了引導(dǎo)錯(cuò)峰通勤等通勤需求管理措施外,降低彈性的非通勤出行量也具有重要作用。需要指出的是,本文主要以線(xiàn)性函數(shù)進(jìn)行模型標(biāo)定,下一步工作中,將以更高階函數(shù)或更細(xì)粒度的時(shí)間段劃分進(jìn)行擬合,并深入挖掘平峰階段函數(shù)特征,以進(jìn)一步提升模型精度和準(zhǔn)確性。

      猜你喜歡
      信令路網(wǎng)高峰
      病毒病將迎“小高峰”全方位布控巧應(yīng)對(duì)
      石慶云
      SLS字段在七號(hào)信令中的運(yùn)用
      移動(dòng)信令在交通大數(shù)據(jù)分析中的應(yīng)用探索
      打著“飛的”去上班 城市空中交通路網(wǎng)還有多遠(yuǎn)
      基于信令分析的TD-LTE無(wú)線(xiàn)網(wǎng)絡(luò)應(yīng)用研究
      省際路網(wǎng)聯(lián)動(dòng)機(jī)制的錦囊妙計(jì)
      首都路網(wǎng) 不堪其重——2016年重大節(jié)假日高速公路免通期的北京路網(wǎng)運(yùn)行狀況
      路網(wǎng)標(biāo)志該如何指路?
      LTE網(wǎng)絡(luò)信令采集數(shù)據(jù)的分析及探討
      青河县| 彭水| 温州市| 蛟河市| 上杭县| 余庆县| 洛隆县| 大城县| 陈巴尔虎旗| 教育| 化隆| 甘孜| 本溪市| 元朗区| 太谷县| 和林格尔县| 祁门县| 青阳县| 密山市| 满洲里市| 建昌县| 邯郸市| 岐山县| 广宁县| 浮梁县| 祁门县| 瑞丽市| 西峡县| 扎赉特旗| 镇远县| 肥城市| 博野县| 九寨沟县| 高青县| 禄劝| 南漳县| 深州市| 舒兰市| 辰溪县| 承德县| 芦溪县|