隨著世界范圍內(nèi)全球化影響的日益加深,世界各地不同的城市文化和城市建設(shè)在全球化與本土化相互碰撞融合的背景下,正逐漸的被更新和重組,城市趨同化現(xiàn)象日漸顯著。但城市既受全球化影響,仍有本土地方性的特征。在全球化和本地化的雙重影響下,不同城市間的地鐵站點(diǎn)客流特征是否會(huì)體現(xiàn)出越來越多的共性,還是存在更多的個(gè)性,值得我們進(jìn)行更深入的探索。當(dāng)今,地鐵作為承擔(dān)日常出行活動(dòng)的重要交通工具,記錄了人們出行的普遍規(guī)律,而隨著智能卡在公共交通領(lǐng)域的廣泛應(yīng)用,它已經(jīng)成為分析人類行為和公共交通系統(tǒng)的最流行的工具之一。本文基于客流時(shí)間序列數(shù)據(jù),對(duì)深圳和上海的地鐵站點(diǎn)的客流變化特征比較研究。首先整理了國(guó)內(nèi)外對(duì)城市比較、智能卡數(shù)據(jù)與出行行為、站點(diǎn)客流特征及周邊環(huán)境、基于特征分解的時(shí)空行為等的相關(guān)研究,對(duì)文章中涉及的相關(guān)概念進(jìn)行界定,并基于客流特征的相關(guān)理論研究展開了對(duì)論文的思路框架的構(gòu)建。其次根據(jù)現(xiàn)有的理論及研究方法,對(duì)深圳和上海的客流特征進(jìn)行提取,并根據(jù)客流特征對(duì)站點(diǎn)進(jìn)行分類,根據(jù)分類結(jié)果文章從群體性共性站點(diǎn)、群體性個(gè)性站點(diǎn)、城市性共性站點(diǎn)和城市性個(gè)性站點(diǎn)四個(gè)方面對(duì)兩個(gè)城市實(shí)際站點(diǎn)的客流變化特征進(jìn)行了比較分析。最后結(jié)... 

【文章來源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁(yè)數(shù)】：120 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

研究思路框架

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文-20-圖2-2軌道交通客流時(shí)間分布曲線[65]342.4.1.2基于特征分解的客流時(shí)間分布研究方法客流時(shí)間序列數(shù)據(jù)一般為復(fù)雜的多維矩陣，且矩陣中包含有很多重復(fù)性的特征，為了對(duì)客流數(shù)據(jù)的規(guī)律性特征進(jìn)行深入的分析解讀，應(yīng)選取相應(yīng)的研究方法。矩陣分解方法（MatrixDecompositionMethods）是研究乘客時(shí)間序列數(shù)據(jù)結(jié)構(gòu)特征的常用方法，其本質(zhì)是將原本大型的矩陣近似為若干小型矩陣的乘積，特征分解（Eigendecomposition，ED）是矩陣分解中應(yīng)用較為廣泛的方法之一。特征分解可以將大型矩陣數(shù)據(jù)進(jìn)行有效的降維，使問題得以簡(jiǎn)化、易于分析。特征向量和特征值是與方陣相關(guān)聯(lián)的數(shù)和向量，它們共同提供了矩陣的特征分解，從而分析了該矩陣的結(jié)構(gòu)[49]305。特征向量和特征值也被稱為特征向量和潛在根或特征方程。矩陣的特征值集合也稱為其頻譜（Spectrum）。對(duì)于任意長(zhǎng)寬m×n的矩陣A，其特征向量、特征值與其自身的數(shù)學(xué)關(guān)系見公式（2-1）：Acorrν=λν式中Acorr——原矩陣A的相關(guān)性矩陣；v——特征向量；λ——特征值。公式中存在的特征向量v之間均是線性無(wú)關(guān)的，且矩陣的一組特征向量是一組正交的向量，如圖2-3所示。通過特征分解所獲取的特征值和特征向量分別為λ1，λ2，λ3…λn，和α1，α2，α3…αn。特征值可組成n×n的對(duì)角矩陣Σ，特征向量αi可組成n×n的正交矩陣V，且特征值矩陣的行與向量矩陣的列分別對(duì)應(yīng)，通常按特征值貢獻(xiàn)大小排序?yàn)棣?≥λ2≥λ3≥…≥λn，其對(duì)應(yīng)主成分的重要程度也與之對(duì)應(yīng)。（2-1）

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文-21-a)b)圖2-3一個(gè)矩陣的兩個(gè)特征向量[49]306設(shè)V為矩陣A及其主成分的負(fù)載，它的列則為特征向量，其關(guān)系見公式（2-2）：Z=AV在運(yùn)用特征分解方法時(shí)，往往會(huì)對(duì)一般矩陣進(jìn)行矩陣的轉(zhuǎn)化，使其成為可以進(jìn)行數(shù)據(jù)處理的方陣，即系數(shù)矩陣，在這一轉(zhuǎn)化過程中不影響原始數(shù)據(jù)的方差，使數(shù)據(jù)簡(jiǎn)化易于分析。前文已經(jīng)提及，矩陣的一組向量為正交的向量，這也就表明特征向量矩陣的逆矩陣與其轉(zhuǎn)置矩陣相等，即V1=VT。繼而可得公式（2-3）：A=ZVT根據(jù)特征值和特征向量的屬性，z1為捕獲n個(gè)變量的最大方差，這意味著z1包含n個(gè)變量的最常見信息。以此類推，z則是包含原始變量的第i個(gè)最大方差。由于具有最大特征值的前幾個(gè)主成分包含原始變量的最大方差，因此可以用前幾個(gè)主成分和相應(yīng)的載荷來近似原始矩陣，其近似關(guān)系見公式（2-4）：A=ZVT≈(z1,z2,…,zp)(α1,α2,…,αp)T(p<n)式中A——原矩陣；Z——長(zhǎng)寬為m×n的主成分矩陣；V——長(zhǎng)寬為n×n的特征向量矩陣；zi——第i個(gè)主成分向量；αi——第i個(gè)特征向量；P——能夠有效對(duì)原始數(shù)據(jù)進(jìn)行還原的主成分的個(gè)數(shù)。在運(yùn)用特征分解探索地鐵站點(diǎn)客流變化的共同模式時(shí)，可以使用VT來評(píng)估每個(gè)主成分的重要程度，這就將一個(gè)復(fù)雜的大型多維矩陣轉(zhuǎn)化為了少數(shù)的小型矩陣對(duì)原始數(shù)據(jù)進(jìn)行還原解釋。（2-4）（2-2）（2-3）


本文編號(hào)：3250651