论文部分内容阅读
城市化进程不断推进,城市生活节奏不断加快,人群在空间上的活动与移动也呈现出高时空动态变化的特征。掌握精细时空尺度下的城市人群出行动态,可为优化公共资源配置、协助城市交通诱导、制定公共安全应急预案、探索城市居民活动规律等提供重要科学依据。信息技术、移动通讯技术的快速发展,产生了海量的个体轨迹数据(如手机数据、出租车数据等),与传统的问卷调查数据相比,这些数据样本量大、实时性强,尤其是手机数据,蕴含着丰富的群体移动信息,能够为研究城市人群移动模式、人群分布实时监测、出行预测等提供重要的数据源。本文利用城市手机定位数据,以空间单元上的手机用户为研究对象,基于时间序列分析方法,通过考虑时间序列自相关合理选取时间延迟、引入线性分布的权重分配和高斯预测函数,建立基于改进KNN(K-Nearest Neighbors)的人群数量预测模型,对精细尺度下的城市人群数量开展预测,分析预测误差的分布情况。将本文提出的预测模型与多种预测模型进行对比,结果表明,本文提出的改进KNN预测模型能得到较好的预测结果。最后在改进KNN的人数预测模型的基础上,建立分时段预测模型,进一步提高人群数量分布预测的精度。具体的研究工作和特色包括以下几个方面:(1)对海量手机信令数据进行数据清洗、轨迹重采样等预处理,挖掘手机信令数据信息,将手机用户数近似为人群数量,分析人群的空间分布特征及时间变化规律。(2)阐述了基于传统KNN的预测模型的预测原理,针对传统KNN算法在人群预测上存在的问题,提出相应的改进措施,包括通过考虑时间序列的自相关来合理确定时间延迟、利用线性权重分配方式来赋予历史样本权重以及引入高斯函数的分配权重方式调整近邻预测结果,从而建立基于改进KNN的人数预测模型。(3)利用实际的手机信令数据进行模型校准,通过交叉验证的方式得到最佳的模型参数组合,实现精细尺度下的城市移动人群数量预测。基于预测结果,分别从人数规模、时空分布、多时间尺度及特殊事件等多个角度对模型误差进行分析。将本文提出的预测模型与传统的KNN预测模型、ARIMA模型及历史平均模型进行对比,结果显示本文提出的模型预测效果最好,MAPE达到了2.74%。(4)提出分时段建模的思想。根据人群出行特征将一天划分为不同的时间区间,在每个时间区间内动态调整模型参数,建立分时段的KNN人群预测模型,进一步提高人群数量分布预测的精度。