用户名
密码
(30天内有效)
注册
注册
首页 > 案例资料 >

研究推荐:共享单车骑行目的地时空特征与影响因素

我要收藏
2020-07-15

摘    要


以广州市主城区为例,引入地理探测器,精细分析目的地分布影响因素的时间差异。研究发现:

① 共享单车骑行目的地分布具有显著的早晚高峰特征。

② 影响力较大的因子依次是住宅、餐饮、公司、购物设施分布、路网密度、地铁站距离和POI多样性。

③ 因子影响力存在明显时间差异。

④ 因子间均为双因子增强关系。



问题的提出


1594803554216734.jpg


共享单车诞生以来,解决了“最后一公里”出行问题,同时也带来了如乱停乱放、等问题。其根源在于缺乏精准投放。挖掘共享单车出行的时空特征与影响因素,能够为需求精准预测、有效投放及调度管理提供科学依据。


相关研究存在以下不足:1、主要关注起点,较少关注骑行目的地时空分布及其影响因素;2、建模时间尺度不精细,大多属全局建模,无法揭示影响因素的时间差异规律;3、因子交互作用的探讨鲜有所见。


本文以广州市主城区为例,分析骑行目的地时空分布规律。进一步引入地理探测器模型,以小时为时间尺度深入探讨共享单车骑行影响因素的时间差异规律。



数    据


1、共享单车数据:通过Python网络爬虫获得。


2、影响因子数据:设施因子POI与公共交通站点数据源自百度地图API;土地利用混合度基于POI计算单位格网上信息熵;道路数据源自OSM地图;各距离因子为路网距离;建筑物数据源自高德地图API;DEM源于地理空间数据云;气温数据源自广州气象数据网。



方    法

模型:地理探测器(因子,交互探测器)。

尺度:100*100M格网。

时段:四个工作日,以小时为间隔(共建了4*24,即96个模型)。



结    果


共享单车骑行目的地时空分布特征如图1所示。影响因素模型结果如图2,表1所示。

1594803606615625.jpg

图1  骑行目的地时空分布


1594803627192606.jpg

图2 影响因子时间差异

(折线参考左纵坐标,柱状图参考右纵坐标)


1594803654775403.jpg

1594803671567582.jpg

表1 交互探测结果



结    论

研究发现:

(1)共享单车骑行目的地分布具有显著的早晚高峰特征。骑行目的地分布呈现与主城区中心距离衰减的“多中心”集聚特征。


(2)因子探测发现:

① 从类别看,总体上骑行目的地受服务设施分布类影响最显著,交通可达、土地利用和自然环境类别次之。

② 从因子看,影响力较大的因子依次是住宅、餐饮、公司、购物设施分布、路网密度、距地铁站口距离和POI多样性。

③ 各因子影响力存在明显的时间差异,所有建成环境因子在早晚高峰时段的影响力最大。


(3)交互探测发现:

① 因子间均为双因子增强关系。

② 早高峰的核心交互因子是公司企业与住宅小区分布,晚高峰则是餐饮设施与住宅小区分布。

③ 交通可达与服务设施类别因子间的交互影响力较大,表明服务设施因素与交通因素是重要影响因素。


1594803699608421.png

第一作者:高枫,广州大学地理科学学院,地图学与地理信息系统硕士研究生。


通讯作者:李少英,博士,广州大学地理科学学院,副教授,硕士生导师。主要研究方向:地理大数据与城市研究,交通与土地利用,地理模拟。2019年认定为广州市高层次人才(青年后备人才)。主持国家自然科学面上基金、青年基金等科研项目10余项。在国内外权威刊物发表论文30余篇。


Reference:

高枫,李少英*,吴志峰,吕帝江,黄冠平,刘小平.广州市主城区共享单车骑行目的地时空特征与影响因素[J].地理研究,2019,38(12):2859-2872.


本文转载自微信公众号:城市数据派,如需转载请联系城市数据派。

本站声明

本文仅代表作者观点,不代表城市数据派立场;
本文系作者授权城市数据派发表,未经许可,不得转载;
本网站上的所有内容均为虚拟服务,一经购买成功概不退款,请您理解。

点赞0

全站浏览排行

TOP ARTICLES