文摘

城市系统的重要组成部分,公路网络扮演着一个关键角色,城市结构的演变。因此,研究城市道路网络的结构特性对提高交通网络的效率是关键节点和缓解交通压力。本文城市道路网络分析方法适用于测量多尺度道路网络的中心在深圳,中国。出租车GPS数据从10月17日到10月23日,2017年,被选为分析的空间分布特征。本文还建立了回归模型出租车上车和下车的频率和道路网络中心进行进一步分析。几个有趣的观察。关于增加搜索半径,亲密中心指标变化从单中心分布的多中心分布,而中间性中心指标变化从片状分布分布沿主要道路。此外,平直度指标从分散分布集中度point-axis分布,集中在城市的南部。第二,有不同道路网络的中心和出租车上车和下车的位置点。回归模型得到的最高价值R2的情况下,表明显著相关搜索半径3公里。最后,中间性展品之间有明显的正相关的关系中心和出租车上车和下车点。另一方面,亲密中心与这些点并不相关。平直度中心有负相关的频率在3公里出租车上车和下车,8公里。

1。介绍

作为任何一个城市的城市道路网络是至关重要的,评价道路网络结构可以帮助提高城市交通的效率。在城市交通领域,它是一种常见的做法,使用指标的道路网络中心定位重要的交通枢纽、公路部分。

这样的研究侧重于从网络的角度来看,城市结构,因此,研究道路和社会经济活动之间的关系。例如,Crucitti等人研究了网络结构和分布特征的18个城市道路网络的帮助中心(1]。使用相同的方法,王等人调查了中国航空网络的结构和中心(2]。此外,道路网络中心之间的关系和社会经济活动,如零售和服务密度从区位角度探讨了门。门等人还研究了巴塞罗那的道路网络中心之间的关系和不同类型的经济活动(3]。这研究声称城市交通应该研究社区中心而不是边界在城市规划4]。

上述研究使用道路网络中心指标调查之间的联系可访问性和结构特点的交通网络5,6]。例如,王等人研究了土地利用与交通网络中心的指标之间的相关性在巴吞鲁日7]。此外,周等人建立了带中潜在的多模式交通枢纽和道路网络计划。在他们的论文中,他们构建了一个基于网络中心multimethodological模型和引力模型(8]。最后,使用网络中心指标,这等人机密城市街道功能和结构评估的重要性(街道9]。

网络中心的措施是有用的预测许多有趣的城市现象。有许多研究道路网络中心和观察到的交通流之间的关系。江和刘发现车辆流相关街道的形态属性比与轴向线(10]。Akbarzadeh等人发现,交通量与节点中心。节点加权程度高和中间性应给予更多的重视,加强连接在城市街道和弹性系统(11]。赖昌星等人出租车大数据应用于构建一个旅游流网络调查不同城市功能区域之间的空间相互作用在深圳,中国12]。此外,还有研究使用网络中心预测交通流量。杨等人使用城市网络分析(UNA)客观地、准确地研究一个社区的街道活力和预测各个年龄段居民的步行行为(13]。该方法结合了定量和可视化分析和预测一个社区内居民的步行活动基于社区的居住密度和道路和公共空间的分布。高等人基于道路网络中心城市交通流预测指标模型,青岛,中国14]。敏等人用在道路网络拓扑距离模型的空间关系对交通预测交通流(15]。然而,这种基于距离模型忽略道路交通的空间异质性互动。路上的交通流网络非常异构空间,交通道路必须各向异性之间的传播(16,17]。因此,有必要衡量交通道路之间的相互作用,考虑他们的异质性。

总之,许多研究研究了道路网络中心和社会活动之间的关系,设备配置,和旅游行为。此外,还有研究使用网络中心分析预测交通流量。然而,道路网络中心不断变化的模式和道路网络中心和居民的活动之间的关系在多个尺度尚未详细研究。按照改变搜索半径测量多尺度公路网络的中心有助于理解全球和地方道路网络的层次结构,以及空间异质性。因此,本文应用多尺度城市道路网络中心指标(亲密中心、介数中心和直线度中心)调查道路网络中心不断变化的空间分布模式考虑街道异质性。本文还探讨了网络结构之间的关系在不同的尺度和住宅旅行对街上的环境。这是分析结合出租车上车和下车的模式。这项研究的结果可能援助的配置和优化路网结构,以及在城市交通管理和规划。

2。研究区和数据集

2.1。研究区域

深圳位于广东省的南部,也构成了北香港特别行政区(香港特别行政区),形成珠江三角洲(PRD)与广州,香港,澳门,和其他几个城市。由于它的地理优势和政治环境,深圳已迅速从一个小渔村发展到区域中心城市在过去的40年。这个城市的总面积约为1991公里2和一个约有12528300人口在2017年底来衡量。深圳有十个区,即深圳市罗湖区、福田区、南山区、盐田区,宝安区,龙华区,龙岗区,屏山,光明区,大鹏区(图1)。它被认为是一个典型的移民城市,随着人口规模继续增长。因此,居民的旅游活动对城市交通造成巨大的压力。


图1
深圳街段和统计单位。
2.2。数据集
2.2.1。数据源

本文使用基本的城市信息数据收集和出租车GPS数据在本周的10月17日至10月23日,2017年。基本信息数据包括深圳道路网络数据,地铁和巴士站数据(2017),构建人口普查数据(2016),和POI数据(2018)。更具体地说,从政府获得的道路网络数据网站,而建筑普查数据来自深圳信息中心。POI数据表示583620兴趣点从百度获得搜索引擎。

出租车GPS数据预处理。处理步骤包括数据格式转换、异常清洁和OD点提取。首先,CSV格式的数据转换成一个图形文件格式(空间点数据)和必要的属性字段得救了。第二,数据异常点(外的空间范围、时间范围外,或错过属性)被删除。最后,跟踪点数据是按出租车身份号码和时间。之后,点的操作状态从“空”改为“重”被标记为寄宿点和标记为“1。“另一方面,点的操作状态已经改变了从“重”,“空”是标记为下降点,贴上“0。“出租车没有改变他们的操作状态或有旅行时间小于1分钟被删除。处理后,3503396年为17342辆出租车旅行数据在深圳,中国。其中有2421156上车和下车点在工作日和周末1082240上车和下车点。这些数据包括出租车ID(汽车ID),提货点的经度和纬度坐标(O-lon O-lat),启动时间(o时间),下车点的经度和纬度坐标(D-lon纬度差),和下降时间(D-time)(表1)。

表1
出租车数据样本。
2.2.2。空间单元

在微观层面,人类活动、景观特性,可以观察到街道和城市结构的水平。本文采用街段的空间单位城市网络测量。最常见,托德是根据定义的理解多少人愿意走到乘坐公共交通。在亚洲城市,500被认为是可接受的步行距离(Sung等。18])。因此,本文以分配空间面积不超过500欧氏距离的每一部分。此外,泰森多边形作为统计单位,应用于计算环境指标。ArcGIS的道路中心线提取深圳道路网络和建立一个网络数据集。总共有35590街段和网络数据集(图24833十字路口1)。最后,本文使用地图匹配算法来计算点之间的距离(上车和下车)和网络中街段。选择最接近街段为每个点匹配。

3所示。方法

3.1。指标

表2显示了指标框架。道路网络的中心和街道周边环境属性,总共有9个指标选择测量街道的空间环境。此外,居民旅游行为是衡量的频率在街上出租车皮卡和氯化氢。

表2
指标框架。

三项指标的道路网络中心(亲密中心、介数中心和直线度中心)评估街道网络可访问性、交通功能,方便直接访问(6,19,20.]。对于周围环境的指标,包括地铁站的距离,距离汽车站,地铁和公交车站附近,频率周围的街道上车和下车的POI密度,和开发强度。

亲密关系中心(Cc)代表的倒数之和最短路径距离从一个节点到其他所有节点。换句话说,它是网络中节点的相对的可访问性。在一个城市交通网络,网络中心的距离越近,越接近中心的节点。这可以被定义在以下公式:

如上面所提到的公式,dij代表节点最短的距离我到节点j。

中间性中心(Cb)代表总数所有节点之间的最短路径通过给定的节点,也就是说,它代表了交通网络内的节点和连接功能。在城市交通网络,中间性中心增加街道的交通承载能力增加。Cb可以定义如下: 在哪里δij代表的总数从节点的最短路径我到节点j。此外, 代表的数量需要通过节点的最短路径k。

最后,平直度中心(C年代)是两个节点之间的最短路径的偏离直线路径。简单地说,他们偏离越少,越好C年代将。如果一个人可以从一个节点转移到其他网络的最短的直线,然后,该节点被认为有最好的平直度和最高的交通效率。这个指标评估城市交通网络的结构和定义如下:

在上述公式, 代表节点之间的欧氏距离我和节点j。

路上的交通流网络非常异构空间,交通道路必须各向异性之间的传播。因此,考虑到街上的异质性是必要的交通流模型,在本研究的特点是街周边环境的指标。周围的环境指标包括剩下的六项,其分布特征说明了深圳的地图数据2- - - - - -7。例如,有大量的出租车旅行在地铁站(图2)。因此,指标距离地铁站有重要影响出租车旅行。第二,公交车站是均匀分布(图3)。图3表明,街头,公交车站的平均距离是166米,平均每个街道都有6.82地铁或公交车站100米。此外,超过50%的街道还不到100米距离最近的汽车站,而76%的街道还不到200米距离最近的汽车站。只有1659个街道(4.66%)有500多米的距离最近的公交/地铁车站。第三,有更多的公交车站在中等和分支道路在城市比在主要道路上。这是在图表示4,这说明了指标数量的地铁和公交车站附近。城市道路的交通状态经常受到邻近道路(21]。不同的术语,如空间相关性、交通的关系,和空间相关性,用于文学来表达这样一个邻近的道路之间的关系。皮卡和氯化氢的指示叫频率周围的街道是由频率之和出租车皮卡和氯化氢的周边街道街道(图5)。这个数字记录在周边街道的行为是观察到影响旅游行为在街上,展示空间自相关。POI密度指标反映了街道的活力。它被定义为POIs的数量的比例统计单位的长度(图6)。最后,开发强度指标代表的总建筑面积的比例统计单元的长度。这个指标已经观察到产生重大影响出租车旅行。即迅速发展的领域有更多的出租车旅行由于更高的旅游需求产生的高人口密度(图7)。


图2
距离地铁站。

图3
距离汽车站。

图4
周围站的数量。

图5
OD周边道路的频率。

图6
深圳的POI密度。

图7
深圳的开发强度。
3.2。模型
3.2.1之上。多重中心分析

本文的分析是基于多个中心分析(MCA)模型。MCA针对空间分析的中心城市网络由街道链接或“边缘”和十字路口”节点。“这是进行城市网络分析的应用(UNA) (UNA代表一个城市的网络分析工具开发的新加坡理工大学设计与麻省理工学院合作。它是基于ArcGIS软件平台,使交通网络中心)的测量,测量在深圳道路网络的中心。UNA基于ArcGIS软件,应用于空间网络,使所有距离沿着网络和基于网络的路由距离占网络结构。UNA构建基于交通网络空间连接,这是更接近人们的感知真实的生活环境。

在我们的研究中,我们选择UNA工具主要是因为它集成了MAC模型,它可以帮助我们计算和可视化多尺度网络中心。此外,近年来它已经被广泛应用。一些现有的研究应用UNA工具来模拟的最佳位置和规模零售中心的客流预测计划零售中心城市(22),或者预测站的位置和布局社区通过模拟旅游行为(23,24]。

3.2.2。线性回归模型

在城市地区,研究地理数据空间的交互影响。线性回归分析量化的强度一个因变量与多个自变量之间的相关性。在这项研究中,多尺度线性回归模型是基于出租车上车和下车的频率,以及九个提到的指标。此外,SPSS软件进行回归分析,研究多尺度公路网络的中心和居民旅游行为的统计特征。

4所示。实证研究

4.1。描述性统计
以下4.4.1。出租车旅行的时间特征

24小时的出租车旅行时间的分析揭示了一个下降趋势0:00至5:00。5点和6点之间的最低频率。此外,有一个显著的增加趋势观察从6点至9点。总之,出租车旅行似乎有三个典型的山峰(8点到10点)发生在早晨,下午15:00(12:00),和晚上(19:00至22:00)。这些山峰见图8。一个出租车旅行的平均旅行时间测量是10.5分钟。


图8
24小时在深圳旅游频率。

此外,我们的分析表明,整个周末旅游频率高于工作天。白天在工作的日子里,旅行数量的增加不断从7点到16:00时,用“低峰值”发生在18:00。工作日的晚上比周末晚高峰出现(图9)。


图9
在深圳比较工作日和周末。
4.1.2。出租车旅行的空间分布特征

出租车皮卡和氯化氢的频率反映了居民对出租车的需求。通过分析其空间分布模式一个多星期,本文发现活动发生在街头单位有显著的异质性(图10)。高频率的活动主要集中在大型运输终端,城市中心,主要公共服务设施,休闲和娱乐网站,和旅游景点。如图10所示,出租车上车和下车热点主要是位于罗湖中心,福田中心,南山中心。他们也显示出一个清晰的减少从南到北分布。出租车热点地区包括社区坐落在主要公共服务设施(深圳市中医医院、深圳市第二人民医院,深圳图书馆、音乐厅、博物馆)和重要旅游景点(世界之窗和前往浴室),以及大型居住区。此外,机场,码头,高速铁路车站,火车站,车站,和其他主要交通枢纽也表现出增加出租车的活动水平。


图10
深圳出租车上车和下车活动的频率从10月17日到10月23日,2017年。
4.2。道路网络中心

多尺度的空间异质性道路网络中心有助于识别道路网络中心的响应特性。此外,空间异质性决定了在规模与空间分布的关系是最和谐的动态流动的出租车。我们使用实际轨迹距离而不是出发地和目的地之间的欧几里得距离的旅行因为人们敏感的长度价格相对昂贵的出租车旅行,这与实际轨迹距离。根据分析出租车旅游分销在深圳一个星期,50%,85%,和95%的旅行距离在2844米,7945米,14537米,分别。本文选择四个尺度的中心(全球、3公里,8公里,15公里半径)。

4.2.1。准备全球中心路

图11说明了三路的分布在深圳全球中心指标。亲密中心特征表明,全球亲密的价值中心分布在城市中心。此外,它显示了一个负相关距离中心(图(11日))。因此,高值区主要集中在深圳的中心轴。配送中心全球亲密中心街道大致匹配的网络中心。换句话说,这些街道交通网络的贡献的可访问性明显比之前认为的更大。

(一)
(一)
(b)
(b)
(c)
(c)
图11
全球中心深圳的空间分布。(一)中心的亲密接触。(b)中间性中心。(c)平直度中心。

高中间性中心值的地区主要分布在城市主干道路(滨河大道,深南大道,和Beihuan大道)和高速公路(南平公路、Shen-Hai公路、南光高速公路)。这个分布见图11 (b)。在城市规划、介数中心分析可以帮助增加城市道路网络和基础设施的效率。

最后,平直度的地区高值中心主要位于深圳市罗湖区、福田区、南山区、宝安区。平直度中心值明显高于南部的深圳比在北方。此外,在街道,在东西方向上运行(图比南北方向11 (c))。高价值的平直度的地区中心交通效率高,因此居民的旅游中受益。

4.2.2。当地道路中心

本研究的核心价值是通过检查网络中的所有节点计算与给定半径。在某种程度上,这些计算的结果也城市的空间形式,正逐渐成为一个多中心模式。深圳是一个城市经历了人口增长和经济发展,建设用地的发展不连续是由于生态控制线路。选择半径短,生成的节点数量从一个节点将更小,使当地的道路网的结构特点清晰。相反,随着搜索半径的增加,当地道路网络的范围也逐渐增加,揭示道路结构的空间异质性。

本研究选择等一系列搜索半径3公里,8公里,15公里。他们是用来测量本地网络中心的深圳(图12)。随着选择的搜索半径的增加,高亲密中心值变换的地区从单中心分布分散的多中心分布。此外,中间性中心的空间格局变化在不同的搜索半径。换句话说,随着选择的搜索半径的增加,高中间性中心值的地区首先代表分散分布。一段时间后,他们积累的主要道路两侧沿东西方向。最后,还有许多空间格局的变化对平直度中心。即平直度中心远离分散分布对积累在南部城市的中心区域。这种积累主要是集中在地区(罗湖、福田、南山、宝安)主要通过城市道路(滨海大道,深南大道,Beihuan大道)。这里,Beihuan大道展品平直度最高的中心价值。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
(e)
(e)
(f)
(f)
(g)
(g)
(h)
(h)
(我)
(我)
图12
深圳当地的道路空间分布中心。(一)亲密中心(3公里)。(b)中间性中心(3公里)。(c)平直度中心(3公里)。(d)亲密中心(8公里)。(e)中间性中心(8公里)。(f)平直度中心(8公里)。(g)亲密中心(15公里)。(h)中间性中心(15公里)。(我)平直度中心(15公里)。
4.3。回归分析

回归分析是至关重要的对于理解之间的关系多尺度道路网络中心和出租车皮卡和氯化氢的空间分布特征。在这项研究中,回归分析需要出租车上车和下车的频率一周(从10月17日到2017年10月23日)为因变量,和道路网络中心和周围环境作为自变量。根据分析的分布在深圳出租车旅行一周,50%,85%,和95%的旅行距离是2844米,7945米,14537米,分别分析是应用于四个搜索半径(3公里,8公里,15公里,和全球)。

在多元线性回归自变量的选择是非常重要的。为了建立最好的方程,强的独立变量对因变量的影响应尽可能选择进入回归方程,而自变量对因变量的影响较弱应该尽可能地排除在外。我们分析了相关矩阵的多尺度(3公里,8公里,15公里,和全球)独立变量指标表3。大部分指标的相关系数在0.6。值得注意的是,相关系数的绝对值的两双指标在0.6和0.8之间。的相关系数C年代(8公里)和DMS,C年代(15公里)和DMS−−0.641和0.707。他们的关系更重要。然后,我们使用逐步回归的方法进行进一步的指标选择,没有一个独立的变量模型具有统计学意义外,在模型中的所有变量都显著(表4)。

表3
在多尺度独立变量的相关矩阵的指标。
表4
回归分析的结果。

的R2值在每个规模为0.584(3公里),0.579(8公里),0.577(15公里),和0.573(全球),分别为(表4)。所有的 的显著性检验值是0.000。VIF的所有变量的值低于3表示没有过多的多重共线性25]。我们知道VIF 5以上是对回归模型,因为这可能会使其他重要变量冗余(26]。结果表明,回归模型可以解释出租车上车和下车的频率在一个良好的健身,和模型中的解释变量可以解释出租车旅游行为。根据出租车轨迹距离分析,多数出租车旅行很短在深圳(一半的旅行比3公里短和旅行的85%都是短于8公里)是不同的从上海27]。的R2在不同尺度模型的变化。从搜索半径3公里到深圳全球范围内,R2随着搜索半径的增加逐渐减少。因此,它是有用的,研究典型的距离为一个特定的城市,以及开发一个多尺度的旅游行为模式。

回归分析表明,两种道路网络中心(不同的规模)和周围环境关联不同的出租车皮卡和氯化氢。的显著放缓影响模型展示在表4。分析了模型的意义三个信心水平的99%,95%,90%。回归结果表明,出租车出行的频率在每个规模是中间性中心(呈极显著的正相关关系, )。此外,较高的交通网络内的节点和连接功能,出租车上车和下车的频率越高。相比之下,亲密中心不与出租车旅行。另一方面,平直度中心有一个负相关与出租车上车和下车的频率在3公里,8公里范围内( )。

街道环境的指标可以反映出旅游需求。地铁和巴士站的远,出租车的需求越多。高密度的区域公共交通车站往往更集中,和旅行对出租车的需求也将增加。街周边环境指标(fs, PD, DI)是正相关的出租车上车和下车频率更高( ),这在很大程度上是与先前的研究一致(21,28]。

5。结论

作为理解的中心是至关重要的密集的交通网络的结构特点,道路网络中心的指标在城市规划和交通管理至关重要。本文分析了时间和空间分布特征的出租车皮卡和氯化氢在深圳,中国。以街道为单位的研究中,道路网络分析研究了多尺度公路网络的中心。之后,本文模拟出租车皮卡和氯化氢的频率与多尺度网络中心。从这些分析得到了一些结论。

首先,峰值时间与通勤者的特征。居民的平均旅行时间一次是10.5分钟,表明仍有相当一部分的旅行是为了上下班。此外,出租车的差异之间的旅行时间工作日和周末展示居民对休闲的需求和娱乐活动在周末。根据分析出租车旅游分销在深圳一个星期,50%,85%,和95%的旅行距离在2844米,7945米,14537米,分别。出租车在深圳旅游的空间分布集中分布在大型运输终端,城市中心,主要公共服务设施,休闲和娱乐网站,和旅游景点。具体来说,出租车皮卡和经历都集中在罗湖中心,福田中心,南山中心。他们也显示了减少从南到北分布。

其次,随着搜索半径的增加,这三个道路网络中心指标表现出不同程度的浓度。首先,亲密中心展品多中心积累分布,然后,逐渐转换成一个单一的分布。其次,中间性的高值区中心最初显示分散分布,只沿着东西后积累的主要道路。最后,平直度中心从分散分布转换为积累在南部城市的核心部分。

最后,回归分析表明,道路网络中心(不同的规模)和周围环境关联不同的出租车皮卡和氯化氢。出租车出行的频率显著积极与中间性中心( )。亲密中心不与出租车旅行。另一方面,平直度中心有一个负相关与出租车上车和下车的频率在3公里,8公里范围内( )。随着搜索半径的增加,R2逐渐减少。

未来的城市网络研究中心应继续探索与出租车轨迹的关系以及其他居民的旅游行为。这种类型的研究将有助于使有效建议道路网络优化和相关设施的配置。

数据可用性

本文使用基本的城市信息数据和出租车GPS数据聚集在本周从10月17日到10月23日,2017年。基本信息数据包括深圳道路网络数据,地铁和巴士站数据(2017);建立人口普查数据(2016);和POI数据(2018)。更具体地说,从政府网站获得道路网络数据,而建筑普查数据来自深圳信息中心。POI数据表示583620 POI的兴趣点从搜索引擎获得百度。本研究中使用的数据是可用的。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究得到了国家自然科学基金(批准号41830645和41830645)和深圳市科技创新委员会(GXWD20201230155427003 - 20200822000944001)。