大数据环境下交通模型解决方案课件.pptVIP

三、大数据在上海交通规划模型中的应用 三、大数据在上海交通规划模型中的应用 新城 新城内部 中心城 69.7% 78.1% 85.6% 64.8% 86.1% 6.0% 2.5% 4.3% 2.3% 1.9% 其他 24.4% 19.4% 10.1% 32.9% 12.0% 合计 100% 100% 100% 100% 100% 2 、通勤圈分析 通勤圈定义： 区域内至中心城的通勤量与该 区域通勤的总量比例不低于一定的比例（东 京定义的比例为 5% ，通勤圈 50km ， 85% 的 通勤者居住在 30km 圈内）。 内环内通勤圈 嘉定新城 青浦新城 松江新城 奉贤新城 南汇新城 金山城区 城桥城区 69.3% 72.5% 2.0% 0.6% 28.7% 26.9% 100% 100% 中心城通勤圈 主城区通勤圈 三、大数据在上海交通规划模型中的应用 3 、通勤圈时间分析 三、大数据在上海交通规划模型中的应用 4 、典型居住区通勤特征 ① 通勤空间形态和轨道交通网的关系密切； ② 居住区位和通勤形态的关系密切； ③ 通勤距离与区位； ④ 通勤空间发散度和居民社会经济条件； 相关指标 人口密度（万人 / 平方公里） 顾村 1.62 大华 3.68 曹杨 4.43 长寿路 3.84 联洋 1.72 职住比 45 分钟可达范围（平方公里） 45 分钟累积通勤者（万人） 0.09 210.7 2.2 0.21 185.5 2.8 0.32 232.4 4.4 81.4 0.53 214.5 2.2 84.9% 1.87 0.79 176.0 1.3 70.1 % 1.37 45 分钟累积通勤者比例（ % ） 45 分钟可达范围岗位密度（万个 / 平方公里） 42.3% 0.24 69.9% 1.60 % 1.66 三、大数据在上海交通规划模型中的应用 5 、上海交通模型基本情况 交通小区： 4550 个 路段数： 10 万以上 公交线路（含列车交路）： 2500 余条 站点数据： 6 万 矩阵数： 500 多个 三、大数据在上海交通规划模型中的应用 6 、模型应用 （ 1 ）城市总体规划应用 三甲医院公共交通服务范围分析 周边地区与中心城通勤联系 城市副中心公交可达性分析 手机大数据识别公共活动中心 城镇空间交通联系分析 特定区域居民工作地分布 四、正确看待大数据 1 、对大数据本身的认识 概念和定义： ① 大数据：是指数据，有其本身的特点； ② 大数据技术：是指数据处理和挖掘的技术； ③ 大数据思维：是指分析的方法，关联的判断等。 大数据的优点： ① 采集手段自动化； ② 能够反映人或物的空间位置和联系； ③ 覆盖面广； ④ 规模巨大； ⑤ 具有较细的空间分辨率和时间分辨率。 四、正确看待大数据 大数据的缺陷： ① 很多数据本意不是为我们决策分析服 务，利用副产品是有难度的； ② 很多数据需要清洗，清洗的规则有时 候并不明确； ③ 数据要反映传统定义的特征，需要做 一定的假设和推断，这也是大数据处 理的“关键技术”； ④ 数据反映的往往只是一个方面，并不 能完整地反映现实世界；我们需要用 多种数据来分析城市交通问题！ 四、正确看待大数据 2 、多元数据的融合校核分析 大数据犹如提供了海量的地图矫正点，可通过自动 化的手段，对传统调查进行融合校核分析！ 四、正确看待大数据 3 、大数据和交通模型的关系：共同成长 大数据、大数据技术、大数据思维无法替传统交通模型 数据 + 处理方法，或者思维，区别于理论体系 大数据 特征挖掘 关联分析 融合分析 决策参考 数据综合 模 型 计算结果 参数标定 决策参考 谢 谢！ 大数据环境下的 交通模型解决方案 提纲 一、互联网 + 交通大数据时代的数据资源 二、挖掘大数据，改进交通模型 三、大数据在上海交通规划模型中的应用 四、正确看待大数据 一、互联网 + 交通大数据时代的数据资源 1 、数据是交通模型的基本原材料 交通模型 数 据