基于出租车轨迹数据的载客高峰时段和热点区域分析与展示
这是一篇关于出租车GPS轨迹数据,时空特征分析,密度聚类,出租车载客分布系统的论文, 主要内容为随着国家对城市化进程的大力发展,城市人口逐年增加,居民的出行需求日益复杂,对城市交通造成了一定的压力。而出租车作为城市居民日常出行的公共交通工具之一,因其灵活性和便捷性,在满足居民短途出行需求的同时,可以缓解交通压力,促进城市的经济发展。然而,城市居民出行的随机性和出租车行驶的机动性,导致了城市居民和出租车司机双方信息的不对等,出租车供求不均。为解决上述问题,本文基于成都市出租车GPS历史轨迹数据,分析并挖掘出了出租车载客高峰时段和热点区域,为城市出租车的分配提供了一定的参考价值。其主要工作内容如下:(1)轨迹数据的预处理。本文以成都市一万多辆出租车GPS轨迹数据作为研究数据,首先进行Spark计算引擎的配置,然后通过Python语言实现轨迹数据预处理过程。该过程主要包括数据清洗、载客点提取、数据筛选以及坐标转换等,最终得到有效的实验样本数据。(2)出租车载客行为的时空分布特征分析。本文基于出租车载客有效样本数据,进行出租车载客行为的时空特征分析。通过数学统计方法对不同时间段内的出租车载客量进行计算,得到工作日和非工作日的载客高峰;利用Arc GIS工具核密度分析对出租车载客点空间分布进行展示,以得到载客空间的分布规律。(3)出租车载客热点的挖掘。本文基于出租车轨迹数据密度分布不均的特点,提出一种基于密度分区的聚类算法,通过计算轨迹数据点的密度峰值,进行快速密度分区,最后合并各部分分区聚类结果并输出,以得到精准的出租车载客热点区域。(4)基于出租车载客高峰时段和热点区域的系统搭建。本文基于上述研究内容,针对系统用户即出租车司机和乘客,结合Vue前端架构、Docker容器和Postgre SQL数据库,搭建出租车载客高峰时段和热点区域展示系统,对研究结果进行清晰直观的可视化展示。
公交大数据时空特征分布式计算及线路综合评价研究
这是一篇关于公交线路评价,DEA模型,时空特征分析,分布式计算,公交IC卡数据的论文, 主要内容为21世纪以来,我国的经济持续高速发展,机动车保有量的增长势头也连续多年保持强劲。据国家统计局研究,我国机动车保有量保持逐年增长的态势,截至2021年,我国的机动车保有量达到了3.02亿辆,同比增长7.5%。机动车保有量的连年增长,背后蕴含的是居民日益增长的出行需求。据调查相较于其他国家首都城市,北京市私家车出行率最高,然而路网密度却最低,这种居民日益增长的出行需求和并不充分的公共交通供给间存在的矛盾,是形成交通拥堵的最主要原因。因此更加清晰直观地认识乘客的时空出行特征以及时空需求分布情况,为其建立一套符合我国城市公交发展需求、从而为公交发展提供指导性建议的公交评价体系尤为重要。本文主要基于公交IC卡数据,结合GPS数据、公交站点数据以及站点空间矢量数据,采用Hadoop分布式计算对公交IC卡数据进行清洗和处理,利用叠置分析、信息可视化、空间相关性分析等研究方法从工作日和节假日全天和早晚高峰、全市-行政区-线路-公交站点不同时间和空间约束下挖掘北京市公交客流时空特征分布规律以及时空需求分布情况。归纳并总结了具有典型通勤特征的区域和表现较差的站点,为公交线路研究对象的选取与评价计算奠定研究基础。针对分析结果,本文建立了针对公交线路的评价指标体系和评价模型,从公交线路基本布设、运营情况和服务水平三个方面,提出了一种基于改进超效率DEA的综合评价模型,该模型从客流时间特征、空间特征以及客流强度三个方面对建立的公交线路评价体系进行约束并求解效率,避免了单纯采用AHP模型造成评价结果过于主观的问题,满足了城市公交系统动态变化的需求。本文以北京市公交为评价实例,分别采用基于AHM属性层次模型的逼近于理想值的综合评价方法和普通DEA模型以及改进超效率DEA的综合评价模型分别对所构建的评价体系和评价模型进行检验,并选取北京市部分线路作为研究对象进行验证,筛选表现较差的公交线路,结合客流时空特征分析结果找出影响公交线路表现的关键因素,提出了具有针对性的线路和站点的优化策略,为公交线路的改善和优化提供科学依据。本文在进行公交客流时空分析和公交线路综合评价的基础上,基于空间信息可视化技术研发构建B/S架构的公交大数据时空特征及线路综合评价可视化平台,用更加直观、形象的途径和形式,将海量的公交IC卡数据转化成公交车和公交线路的运营状况及运营效率,并在前端进行实时的可视化渲染和分析,为公交线路优化提供了一个可视化工具平台。
基于出租车轨迹数据的载客高峰时段和热点区域分析与展示
这是一篇关于出租车GPS轨迹数据,时空特征分析,密度聚类,出租车载客分布系统的论文, 主要内容为随着国家对城市化进程的大力发展,城市人口逐年增加,居民的出行需求日益复杂,对城市交通造成了一定的压力。而出租车作为城市居民日常出行的公共交通工具之一,因其灵活性和便捷性,在满足居民短途出行需求的同时,可以缓解交通压力,促进城市的经济发展。然而,城市居民出行的随机性和出租车行驶的机动性,导致了城市居民和出租车司机双方信息的不对等,出租车供求不均。为解决上述问题,本文基于成都市出租车GPS历史轨迹数据,分析并挖掘出了出租车载客高峰时段和热点区域,为城市出租车的分配提供了一定的参考价值。其主要工作内容如下:(1)轨迹数据的预处理。本文以成都市一万多辆出租车GPS轨迹数据作为研究数据,首先进行Spark计算引擎的配置,然后通过Python语言实现轨迹数据预处理过程。该过程主要包括数据清洗、载客点提取、数据筛选以及坐标转换等,最终得到有效的实验样本数据。(2)出租车载客行为的时空分布特征分析。本文基于出租车载客有效样本数据,进行出租车载客行为的时空特征分析。通过数学统计方法对不同时间段内的出租车载客量进行计算,得到工作日和非工作日的载客高峰;利用Arc GIS工具核密度分析对出租车载客点空间分布进行展示,以得到载客空间的分布规律。(3)出租车载客热点的挖掘。本文基于出租车轨迹数据密度分布不均的特点,提出一种基于密度分区的聚类算法,通过计算轨迹数据点的密度峰值,进行快速密度分区,最后合并各部分分区聚类结果并输出,以得到精准的出租车载客热点区域。(4)基于出租车载客高峰时段和热点区域的系统搭建。本文基于上述研究内容,针对系统用户即出租车司机和乘客,结合Vue前端架构、Docker容器和Postgre SQL数据库,搭建出租车载客高峰时段和热点区域展示系统,对研究结果进行清晰直观的可视化展示。
2007-2021全球逐日高覆盖度对流层NO2数据研发及应用
这是一篇关于对流层NO2,XGBoost,DINEOF,数据重构,时空特征分析的论文, 主要内容为二氧化氮(NO2)作为痕量气体,当该气体存在于大气中的浓度过高时,将破坏生态系统的平衡,危害人体健康,因此对NO2的防治工作十分必要。卫星遥感观测相比于地面空气质量站点监测的方式,具有大范围、长时序和高一致性的特点,被广泛应用于NO2近实时监测、时空特征分析等领域。作为一颗在轨时间长达19年之久的传感器,臭氧检测仪(OMI)所提供的对流层NO2垂直柱浓度数据被广泛使用,但受限于云遮挡以及自2007年出现的“行异常”的干扰,该产品的空间覆盖度较低,难以满足现有的对NO2监测与分析的需求。因此,本研究提出一种结合机器学习与经验正交函数数据插值(DINEOF)的方法,对2007-2021年全球每日OMI对流层NO2柱浓度数据进行重构,在实验中首先分析比较了两种方法在重构工作中的优势,机器学习方法能很好的构建上下午卫星间的观测数据的回归模型,DINEOF方法针对缺少卫星观测的像元,可以利用目标像元与周围像元的时空关联性进行重构,使用该方法得到一套2007-2021年全球高空间覆盖度逐日对流层NO2垂直柱浓度产品(HSTCM-NO2),该产品的覆盖度由38.3%提升至99.8%。研究结果表明:(1)重构模型的质量与季节之间存在相关性,在春、冬两季所构建的模型质量较高,夏、秋两季所构建出的模型质量较低。在东亚、欧洲以及北美等NO2浓度较高地区的重构结果与原始数据相关性较高。以整年数据构建DINEOF模型,其预期误差为0.49-0.70,收敛值均低于0.001。(2)对HSTCM-NO2进行验证,选取分布于全球的10台地基多轴差分光谱吸收仪,将重构数据与仪器测量结果进行对比验证,在Xianghe与Uccle站点表现出较高一致性,其相关系数为0.59与0.54;利用全球再分析资料(EAC4)与HSTCM-NO2进行验证,重构后NO2垂直柱浓度的空间分布与EAC4中NO2分布基本一致,二者的相关性在0.69-0.81之间。将HSTCM-NO2与TROPOMI卫星数据进行对比验证,二者间具有较好的相关性,其相关系数为0.75。(3)利用HSTCM-NO2对不同地区与城市进行长时序分析,同OMI数据相比,HSTCM-NO2在东亚地区发现了新的变化趋势以及与OMI相似的周循环特征,基于EOF方法对HSTCM-NO2的时空特征进行分析,相比于OMI数据,HSTCM-NO2能够更好地显示特征向量值的梯度变化,在东南亚地区进行EOF分解所得到的时空特征信息与该地区生物质燃烧情况高度吻合,该研究结果进一步验证了HSTCM-NO2数据的可靠性。本论文有图33幅,表12个,参考文献112篇。
基于分布式爬虫的社交媒体灾害信息挖掘系统的设计与实现
这是一篇关于分布式爬虫,新浪微博,地名识别,时空特征分析的论文, 主要内容为近些年来我国社交媒体发展迅猛,社交媒体如新浪微博等每天都会产生大量的数据,如何提高社交媒体数据采集效率,并从中挖掘出灾害相关信息,尤其是时间和空间信息,对于灾害的信息管理和救灾防灾决策支持具有重要意义。基于分布式爬虫的社交媒体灾害信息挖掘系统,通过多节点分布式模式高效采集数据,并提取出其中的时间特征分布和空间特征分布信息,为灾害治理提供数据支撑。灾害信息挖掘系统,使用B/S模式,采用了数据采集、数据存储、数据挖掘和数据展示的四层架构设计。数据采集层以Scrapy-Redis框架为基础,以阿里云服务器上部署的4个Cent OS服务器为爬虫子节点,以新浪微博平台为数据源,以反爬虫技术为辅助手段进行数据抓取。数据存储层包括两个步骤,对原始微博数据进行清洗,将数据存入My SQL数据库。数据挖掘层是对微博数据进行灾害信息挖掘,主要是对时间特征信息和空间特征信息的提取,时间特征信息利用数据库查询技术进行提取,微博文本地名识别采用地名库匹配以及地名前后缀算法同时进行,并借助高德地图开发接口进行逆编码转换成经纬度坐标。数据展示层是将采集的微博信息和分析处理后的数据信息,以图表等形式进行可视化,Django框架搭建的网页是进行数据展示的基础,微博文本信息、微博用户信息和处理分析后的时间特征信息是采用ECharts库以图表形式展示,空间特征信息则采用高德地图展示位置分布。通过四层架构设计完成对社交媒体数据的高效抓取和灾害信息挖掘以及可视化。灾害信息挖掘系统使用发生时间不同并且影响范围也不相同的利奇马台风、白鹿台风灾害作为案例,抓取新浪微博相关数据,挖掘时空特征后,分别进行时间分布分析和空间分布分析。实验结果表明,每次灾害的数据采集时间均能保持在30分钟以内,并且时空分布均能反映台风灾害的演变情况。灾害信息挖掘系统能高效抓取社交媒体数据,并从中挖掘出灾害信息,可应用于包括台风在内的多种灾害场景,为灾害信息管理提供了新的思路。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码客栈 ，原文地址：https://bishedaima.com/lunwen/52761.html
