论文部分内容阅读
随着大数据技术的发展，利用海量数据研究交通问题越来越受到交通领域研究者的关注。网约车作为依托互联网平台的预约式交通服务方式，在兴起的这十年间产生了大量的数据。然而，网约车行业的快速发展也暴露出很多问题。网约车客流的时空分布不均衡，导致出现了高峰时间和高峰区域打不到车等问题。同时，对于网约车客流影响因素的获取，传统的数据获取方式（调查统计）存在效率低、成本高等问题。因此，本研究基于兴趣点（Point of Interest, POI）数据，探究影响网约车客流的因素及其影响机理，旨在为解决网约车供需不均衡等问题提供方法指导。
本文采集和处理了POI数据、地图数据和滴滴公司提供的网约车数据，分析了网约车客流的时空分布特征，通过传统线性回归模型、地理加权回归模型和时间地理加权回归模型构建了网约车客流与各类POI之间的关系，并对结果进行了深入分析与可视化。主要研究工作如下：
（1）在网约车客流的时空分布研究中，本文在时间上通过早晚高峰、24小时、工作日和双休日等角度分析，在空间上通过对POI重分类，将网约车客流分为工作日和双休日分别与POI的空间分布进行比对分析。
（2）用研究区域各类POI的数量作为自变量，网约车客流作为因变量，构建最小二乘法线性回归模型、地理加权回归模型、时间地理加权回归模型建模，对所用的模型进行对比分析。
（3）采用多种方式分析并呈现建模结果，分析各个参数的影响机理，并结合目前的网约车运行情况及存在问题，对网约车未来的运营管理提出相应的对策与建议。
研究结果表明网约车客流具有时间和空间上的非平稳性，需要引入时间和地理因素才能更好地拟合网约车客流。同时，POI数据能较好地表征影响网约车客流的因素，揭示其中的影响机理。所构建的三个模型中，时间地理加权回归模型相较于传统线性回归模型和地理加权回归模型对网约车客流的拟合最好，可以用于网约车客流时空分布的长期预测。研究结果对于网约车行业监管、网约车供需不平衡以及网约车分区域分时间动态定价等具有指导意义。
本文采集和处理了POI数据、地图数据和滴滴公司提供的网约车数据，分析了网约车客流的时空分布特征，通过传统线性回归模型、地理加权回归模型和时间地理加权回归模型构建了网约车客流与各类POI之间的关系，并对结果进行了深入分析与可视化。主要研究工作如下：
（1）在网约车客流的时空分布研究中，本文在时间上通过早晚高峰、24小时、工作日和双休日等角度分析，在空间上通过对POI重分类，将网约车客流分为工作日和双休日分别与POI的空间分布进行比对分析。
（2）用研究区域各类POI的数量作为自变量，网约车客流作为因变量，构建最小二乘法线性回归模型、地理加权回归模型、时间地理加权回归模型建模，对所用的模型进行对比分析。
（3）采用多种方式分析并呈现建模结果，分析各个参数的影响机理，并结合目前的网约车运行情况及存在问题，对网约车未来的运营管理提出相应的对策与建议。
研究结果表明网约车客流具有时间和空间上的非平稳性，需要引入时间和地理因素才能更好地拟合网约车客流。同时，POI数据能较好地表征影响网约车客流的因素，揭示其中的影响机理。所构建的三个模型中，时间地理加权回归模型相较于传统线性回归模型和地理加权回归模型对网约车客流的拟合最好，可以用于网约车客流时空分布的长期预测。研究结果对于网约车行业监管、网约车供需不平衡以及网约车分区域分时间动态定价等具有指导意义。