关键词:
出租车轨迹
XGBOOST
GTWR
回归分析
需求影响因素
摘要:
随着城市化的发展和时空大数据技术的不断革新,如何更好的提升居民的出行效率,提升交通服务水平,缓解交通拥堵,成为城市发展中需要重点关注的问题。利用出租车轨迹数据进行城市交通研究,可以有效地提升居民的出行效率,减少交通资源的浪费。
在此背景下,本文以西安市为研究区域,使用西安市2021年5月份出租车数据,在Arc GIS中进行正六边形地图网格构建,并对西安市节假日、工作日、周末的时空特征分布和收益地区类型分析。
其次,本研究针对出租车订单量与用地POI影响因素展开分析。基于公司企业、购物消费、交通设施、酒店住宿、旅游景点、汽车相关、商务住宅、生活服务、医疗保健、运动健身等POI数据构建指标体系,通过相关性分析和自相关检验删除不合理变量。基于时空地理加权回归模型(GTWR)构建节假日、工作日、周末的出租车订单需求影响因素模型,同时与最小二乘法(OLS)和地理加权回归模型(GWR)做对比,研究结果表明:GTWR模型拟合效果最好,优于OLS模型和GWR模型。GTWR模型同时兼顾时间异质性和空间异质性,能够更加细致的对出租车订单需求影响因素做出分析。从时间异质性分析结果可知,公司企业和医疗保健仅在节假日和周末呈现负相关,其余影响因素总体均呈现正相关;从空间异质性分析结果可知(以交通设施、旅游景点为例),交通设施影响分布呈单中心分布,节假日交通设施拟合系数最高,即节假日交通设施对出租车需求量的影响范围更广,旅游景点分布主要从高新区大寨路附近开始扩散至莲湖区部分地区以及碑林区部分地区。
最后,本研究针对低、中、高收益地区上下点出租车需求与用地POI影响因素展开分析。使用自然断点法对节假日、工作日、周末的平均收益订单做出分类,class=0,1,2分别对应低、中、高收益地区。选取节假日、工作日、周末的早高峰时段(7:00-9:00)进行POI因素异质性分析,基于XGBOOST机器学习语言对不同收益地区上下车点出租车需求展开分类预测,并用SHAP值对影响因素进行解释分析。研究结果表明:节假日、周末、工作日不同收益地区的影响因素有差别,低收益地区在节假日以购物消费、旅游景点为主,工作日以医疗保健、商务住宅、公司企业为主,周末以医疗保健、商务住宅、购物消费、运动健身为主;中收益地区在节假日、工作日、周末以汽车相关为主,另外工作日还以公司企业为主,周末还以购物消费和健身运动为主;高收益地区节假日以旅游景点和医疗保健为主,工作日以公司企业为主,周末以酒店住宿、运动健身为主。同时基于POI对出租车需求影响程度对西安市出租车运营发展给予建议。