文摘

随着社会的快速发展,交通问题日益严重,传统的方法不能有效解决当前社会交通行为问题。尽管人类交通行为的动力学研究基于交通模式可以有效地揭示异常交通行为,一些研究集成智能交通行为与多个交通模式。基于大量的公共自行车的交通数据和ride-hailing中国城市,本文揭示了城市各种交通行为的动态特性结合时空特征指数和城市空间结构与人类交通行为模式。实验结果表明,城镇的交通行为提出了一种双对数幂律分布特征,有一个与城市空间结构相互依存的动态关系密切。本文的研究可以揭示双向幂律分布和空间特征的关系复杂系统和社会交通问题有效地帮助解决社会现实。进一步的研究结果可以为行为提供实际的规划指导集成多个智能城市的交通。

1。介绍

自2005年至2006年,巴斯(1)和布罗et al。2)发表了两篇论文对人类行为动力学性质,发起了一个新兴的跨学科领域的研究热潮的人类行为动力学。研究人员试图建立一个量化的人类行为理论通过许多个人或团体行为的统计分析数据,挖掘隐藏的模式和规则(3]。2009年,研究人员研究了人类行为的个人和团体收集和分析大量的人类行为的数据。他们加强或改变了人们的认知和理解他们的行为和社会系统活动从数据驱动的角度来看。15著名学者共同发表了一篇题为“计算社会学”在科学(4),形成的跨学科领域的数据驱动计算社会学。

定量描述的人类活动,传统的工作通常假定人类行为是随机分布随着时间的推移,大约符合泊松过程。由于任务本身的重要性,提出了基于任务优先级队列的排队论模型(1]。参考文献(5,6介绍了时间到任务队列模型池因素。社会因素的影响在[任务队列模型被认为是7,8]。巴斯克斯(9)提出了一个模型基于人们的历史记忆。建立一个级联非齐次泊松过程模型(9,10)来测试人类行为的周期性节律(10,11]。考虑利益变化因素对人类行为的影响,汉et al。12)提出了一种自适应interest-driven模型。奎因et al。13]分析了用水量的周期性数据收集从水表的著名家庭每15分钟八个多月,发现周期性也存在于人们的用水行为。周et al。14]分析了用户的电影点播记录,发现他们的权力指数的变化呈正相关,他们的活动。力量指数从1.5到2.7不等,变化范围达到80%。香港et al。15)也发现了相似的单调的现象在短消息通信间隔时间。然而,王et al。16)发现,力量指数并不是单调依赖于活动却略有下降后达到峰值间隔时间的顺序的在线网站。上述研究发现,个人活动会导致显著差异的特征显示了用户或用户组。

理解人类行为的空间特征研究具有重要意义的复杂现象由人类太空运动。例如,在交通流的研究,在不同地方的人的运动直接导致了交通网络中的各种复杂的流动现象。例如,黄等。17]分析了人群运动行为的特点,利用智能卡600万地铁乘客和13000辆出租车的旅行跟踪数据。网络移动开发方法来识别和预测大群聚会,它提供了一种新方法合理化城市交通设施和预防和控制交通拥堵。人们在和城市之间的运动一直是交通工程研究的主题。交通工程师早就开始收集城市居民的日常出行数据利用问卷调查和其他方法和基于这些数据构建模型预测交通流量(18]。然而,这些传统的交通调查方法通常有高成本,使得它难以观察和记录人类大规模空间运动行为和很长时间了。随着现代电子技术的发展,越来越多的手段(如手机定位系统和GPS)可以记录人类个体的空间运动数据很长一段时间。这些数据提供了统计方法研究空间运动行为;基于人类集体迁移的研究,Giannotti et al。19)开发了一种知识发现方法;使用原始GPS轨迹数据,转换成整体的运动模式。Rhee et al。20.]研究了空间运动行为44志愿者手持GPS终端的小场景,如校园,公园,城市区域和展厅。人运动停留时间的分布在一个小范围内提出了一种通过统计研究幂律。虽然很多学者用电子足迹数据来研究城市社会发展和社会运输从太空中,仍有一些研究在解决社会交通问题从人类行为动力学。此外,大多数以前的研究分析和解决问题通过单一的电子足迹数据流量模式。一些研究使用多种交通模式来解决交通问题。

摘要交通行为的时序特征强调人类行为动力学分析交通行为的材料属性不同的个人和团体。通过这种方式,我们可以找出交通行为模式的规律,进一步服务于智能交通规划。本文的主要贡献如下:首先,分析人类旅游行为的特点,通过实际数据集共享在线ride-hailing自行车和在一个中国的城市。其次,基于交通行为动力学的分析在多种交通模式,交通行为模式之间的关系和城市空间结构集成揭示城市交通行为的特点。第三,基于随机游走模型,多个交通行为模式进行了分析,揭示了法律组进一步交通行为和服务于智能交通。

剩下的纸是组织如下:部分2讨论了适当的研究方法。部分3介绍了数据集和处理方法。部分4介绍了常用的模型和优化算法,通过实际数据进行了实证分析。第五节总结了研究成果。

2。相关工作

2.1。研究多个交通行为的时序特征

随着互联网技术的发展,新的交通工具,如在线car-hailing和共享的自行车已经成为我们的日常交通工具。这些新车的运动轨道在城市地区已经成为必不可少的一部分交通旅行跟踪数据。通过挖掘和分析这些车辆的运动轨迹,我们可以提供一种新的思维角度和一个新的方法来解决城市问题的社会发展和社会交通问题。

许多学者都致力于研究自行车共享的停车位置。李,王21)抽象所有候选人租赁点的集合和自行车道到一个复杂的网络。基于复杂网络理论,分析公共自行车租赁点的位置。它使用复杂网络理论来分析区域是最重要的。然而,该模型没有考虑可能的网络结构和参数变化后网站复杂网络的变化。彭et al。22)提出了一个优化方案关键城市公共自行车网络节点通过考虑公共自行车网络的功能性质,用户旅游目的地和旅行距离,结合关键节点和波阵面理论。首先,净表面波流高峰时段进行分析以确定的关键节点,然后节点计划或添加到这个地区实现例行分流。最后,介绍了中间指数来评估分流的效果。高et al。23]讨论了传统的时空特征在盐城公共自行车使用时间序列聚类的电台。子等。24)提出了一种新的深度图卷积网络(GCN)模型随着时间的关注,预测自行车查看/在每个车站交通。TagCN可以模拟不同站点之间的时空相关性,反映不同时间粒度的影响,即周期性的时间在小时,天,周的水平。的帮助下一个设计良好的时间关注机制,该模型可以有效地捕捉动态时间相关和全面的自行车流的空间格局。

近年来,在线ride-hailing市场需求增加,需求和快速增长的预测已成为一个热点话题。例如,陈等人。25)提出了一个需求预测模型在线car-hailing基于k - means和支持向量回归(SVR),讨论了k - means聚类与最初的经度和纬度在线car-hailing订单作为特征值。聚类的结果是作为区域划分的结果。贾(26)南京ride-hailing数据用于研究居民的旅游行为特征。首先,根据不同的土地类型,南京的核心部门分为102个独立的地区。然后,旅游需求的时空特征的分析可以动态地调整不断变化的旅游需求和交通供应一天。最后,耦合WAV-SVM模型用于预测居民的旅游需求。结果表明,该方法具有较高的预测精度,可以捕捉短期交通需求的非平稳的特点。此外,江et al。27)提出了一种在线car-hailing服务基于短期需求预测方法利用最小二乘支持向量机回归模型(二)。这些是预测在线ride-hailing提高乘客满意度的需求。

第二部分列出相关研究主要从供给和需求的角度。相应的预测模型算法是用来预测流程,需求,解决交通资源利用率低的问题。人们不能满足交通需求在一个相对短的时间内,没有交通服务,等等。然而,所有这些研究直接分析交通问题从现有模型算法和寻求最优解。没有人为研究对象来诊断问题,无法找到问题的根源。因此,他们的回答不能从根本上消除问题。在实验研究中,从人类的角度研究中心,我们分析居民行为模式的共享自行车的交通时间和在线ride-hailing为城市交通管理提供相应的研究支持。

2.2。研究多个交通行为的空间特征

研究人类迁移城市规模一直是许多学者关注的焦点。手机数据和车辆GPS轨迹数据一直是研究人类流动性至关重要的手段。巴博萨et al。28)使用“呼叫详细记录”来识别里约热内卢城市人类的移动模式。他们介绍了手机的数据传输和空间造型研究区域的地理单位结合聚合呼叫详细记录(CDR)与人口数据和其他来源。算法用于估计旅行时间的术语叫做矩阵收益率分布符合2013年的家庭调查。赵et al。29日)使用高频手机位置数据一阶马尔可夫过程的特征和定量重现个人在适当的时间尺度和人口旅游模式基于一个独特的优先级传输机制。

近年来,研究人员的学术利益已经见证了城市多中心的主题。胡锦涛et al。(30.)模型与城市交通互动关系函数在路上段水平通过引入地理语义分析。首先,他们建立了一个语料库的道路跟踪和训练他们来获取语义嵌入表示道路段。考虑拓扑之间的连接部分,图卷积神经网络模型用于处理上下文信息和拓扑信息的区域。沿着街道的社会功能进行分类。基于许多准确的出租车轨迹数据,进行了一个案例研究在北京,中国。结果表明,该方法具有更少的损失和更高的分类精度,优于其他分类方法在道路等级。Siangsuebchart et al。31日]GPS探测和跟踪门的数据用于公共交通在曼谷市区,泰国,评估人的移动模式。然而,大多数以前的研究未能检查精细polycenters的区域特征以及它们与不同的城市功能的变化在大都会的规模。为了填补这一空缺,刘等人。32)仔细测量了东京都市圈的功能城市多中心(TMA)。他们发现与人类移动模式的区域特征的关系通过一系列探索性统计分析。结果显示城市功能结构的静态和动态设计在原multiperspective分析框架。参考文献(33- - - - - -35]探索人类运动的普遍性和多样性模式在许多城市。特别是,Noulas et al。34)使用基于位置的社交网站Foursquare的用户签到数据发现人类的分布运动步长34大城市是明显不同的。

大多数的研究只使用一种旅行的数据进行分析。大多数的研究主要集中在揭示不同的行为规则通过供求关系和在线ride-hailing车辆的停车位置。一些研究表明城市交通行为通过集成多种交通模式来帮助城市规划。在本文中,我们以在线ride-hailing为研究对象,点的移动轨迹在线ride-hailing在整个城市,分析城市空间结构和交通空间之间的互动,和弥补研究缺口。

3所示。数据集

3.1。数据集共享的自行车

作为bicycle-sharing服务提供的企业校园,地铁站,公交车站,居住区,商业区,和公共服务领域,bicycle-sharing是一个新的环境保护基于分时共享经济租金。

自行车的数据集采用本文是实际的公共自行车数据集从中国北方城市5月25日开始的那一周,2017年,2017年5月31日。这里,5月25日、26日和27日,2017年,周四,周五,周六,28日,29日和30日是休息日(据调查,2017年5月30日,是端午节;国家规定28、29日和30日三天,所以周六不休息),31日,周三,是一个工作日。同时该数据集包括工作日和节假日,所以高的研究意义。我们可以把这个数据集作为一个例子来确定居民的交通模式使用共享自行车在工作日和假期在这个城市。自行车共享的属性如表所示1。

数据集的存储大小为161.69 MB, 1966年,727行,和六个字段(OrderID、标识、自行车、自行车类型StstartTime,和Geohash-Start)。两种类型的自行车,自行车类型= 1和自行车类型= 2(1和2是两种不同的自行车共享,职责)。StstartTime记录开始时间当用户使用共享自行车。Geohash地址编码方法,将二维空间经度和纬度数据编码成一个字符串(在这个实验中,我们关注的是人类交通行为模式的特点,因此这一领域将不会处理和相应的试验)。

4所示。实验结果

作为一个新的边缘学科,人类行为动力学还没有提出很长一段时间,但其重要的理论和应用意义已经出现。在理论层面,人们观察到的各种现象的复杂系统由人类行为。人类动力学的研究提供了新的视角和新的解释。我也是相当大的应用价值的人类行为的统计特征在时间和空间。然后,在交通方面的智能城市为例,统计交通属性的时空和经理使用的用户可以帮助社会根据他们的特点。社会交通旅行时间、频率的商务旅行,科学、系统的管理使交通非常适合用户的旅游习惯,提高交通资源的利用率,并提高居民的社会幸福。社会管理者可以看到用户的空间运动轨迹之间的交互和城市空间结构在本节中,通过分析其空间特征。例如,在某些方面与大客流,社会管理者将设立相应数量的服务区域或加油站来满足用户的需求。

相比与传统的交通工具,自行车和共享在线ride-hailing有很多优势,它将满足当代社会的需要,现代的交通工具的重要组成部分。共享自行车和在线ride-hailing的分析可以帮助我们解决社会交通问题。在实验中在这一节中,我们进行了一项研究人类行为的时间和空间行为模式的数据集共享自行车和在线ride-hailing和发现不同的动态的各种交通方式。在这里,我们专注于分析时间特征视角的周期性波动的用户,两个相邻交通行为的时间间隔相同的用户在不同的时间尺度,不同的组下的行为活动组,用具,和记忆。在太空,我们点的移动数据跟踪在线将车辆和简要分析城市空间结构和交通空间运动之间的交互行为。所有实验都是在计算机上与Windows 1064位操作系统,一个3.10 GHz CPU, 256 GB的RAM。

4.1。周期和波动分析

周期和波动在活动中观察到广泛的人类行为,和周期性有时是直接在时间间隔分布的表达。个体的运动的频率是单位时间内一个特定的行为。直观地说,人类的日常行为应该有明显的波动和周期性。研究人类交通行为的周期和波动行为特征有助于解决现有的交通问题。

在本节的实验,人们的活动的周期和波动分析使用共享的自行车和在线ride-hailing执行。由于数据集的限制,时间不长。现有数据集下的数据分析表明,共享自行车以一个星期为一个单位,这可能是周期性的。共享自行车和ride-hailing活跃和频繁使用的通勤时间。数据1和2分别显示的次数的统计用户使用共享自行车24小时从5月25日,2017年5月31日,2017年,和在线用户使用的次数car-hailing在24小时内从12月20日,2019年。

在图3,横坐标是日期,纵坐标是每小时共享自行车使用的总数。如图3,当人们使用共享自行车旅行,在工作日的平均次数比在假日更重要。在上下班高峰时间,人们使用共享自行车比在假日经常在工作日。此外,使用共享自行车的人数显示周期性波动分布在工作日和节假日的周期。假期后第一天,使用共享自行车的人数低于普通工作日,并在上下班高峰时间的差距是最大的。

横坐标是时间,一天24小时,纵坐标是总次数使用e-hailing汽车每小时。如图4如果有一天作为一个周期,没有周期性在线car-hailing人们使用的次数。人们使用在线ride-hailing微薄的次数从1到7点,但它从7到9点大幅增加,从9点到11点大幅下降。从12到22日,有一个稳定的波动,在这两个小时的使用时间(19和20)是这一时期最和最在整个一天。人民使用* 19点钟达到顶峰并开始下降。

4.2。多个交通时间间隔分析

在研究人类行为动力学的特征时,时间间隔分布在不同的系统形式的人类行为是不同的。在本节中,多个车辆的时间特征分析主要通过 在哪里P是概率,τ之间的间隔时间是两个相邻的行为的人,然后呢α是它的权力。

消除尾的波动和混乱现象的实证结果P(τ在对数坐标系),我们使用静态的装箱方法36)的统计分析观察和计算幂指数衰减趋势α在对数坐标系。

4.2.1。准备共用一辆自行车

在这里,我们主要考虑假期和工作日区分时期,人们对自行车共享的需求。也有两种类型的自行车共享数据集,即类型= 1和类型= 2。因此,根据不同的类别进行交叉分析。图1显示了相同的时间间隔分布图用户使用共享自行车两次相邻类型= 1在工作日和假期。

命的图1是τ之间的时间间隔,代表两个相邻乘坐相同的用户在几秒钟内。P(τ)的概率是人们使用共享自行车在不同的时间间隔。是否在平时或假日,时间间隔相同的用户使用共享的自行车两次相邻呈现出双峰幂律分布在双对数坐标系统。值得注意的是,无论我们如何更改时间特征在这个实验中,共享的自行车将会显示一个明显的双峰现象。虽然分布曲线的两个是大致相同的,与工作日相比,我们可以看到,左边的第一个假期更连续的函数曲线的峰值比工作日。极端点的第一个峰值接近身手广场,尤其有一个轻微的扭曲函数曲线的最后工作日。但最后工作日比假期结束混乱。

在本文的工作之前,我们读了很多相关的人类行为动力学的研究发现,人类行为的时间间隔呈现出幂律分布和重尾现象显示了单调指数分布,我们没有看到任何类似于我们的研究;这篇文章的研究结果有两个明显的峰幂律分布。因此,我们专注于这项研究。研究发现,许多大城市在中国目前有一个坏了的自行车,它可能有几个破自行车停车位。所以,当用户打开一个自行车,意识到坏了,他们立即切换到另一个,这是第一个峰值τ= 35,用户会发现一辆车坏了,改变到另一个。这个调查解释第一个高峰。在我们的调查中,我们发现有多个原因第二高峰。最重要的第一个原因是,与共享自行车的大规模生产在过去的十年中,不正确的使用用户和停车人员的粗鲁行为,有共享自行车在某些领域的广泛的破坏。因此,城市居民谁想使用一个共享的自行车来绕过甚至不能找到一个不受损,在一个共享的自行车站工作正常。第二个原因是,持续改进公共交通设施,长途公路可以解决公共汽车或地铁,虽然自行车共享主要是解决“最后一公里的问题。“例如,当城市居民在上班的路上,他们发现有许多汽车和拥挤在某些部分点附近工作,所以他们将使用共享的自行车旅行。然而,一些地区可能不仅大量交通流也流的人。在这个时候,人们会选择步行。再次,人们会寻找自行车停车位,并使用自行车。τ对应第二个峰值约为250秒,这可以解释这一社会现象。

图1(b)是相同的时间间隔分布用户使用自行车共享彼此相邻两次在工作日和节假日的自行车共享模型类型= 2。

在图2,我们可以看到同样的现象如图1,这表明无论什么类型的车辆,他们之间有一个共同的特点,就是与上面一致。

因为端午节是中国的传统节日,这个节日对中国人来说有着特殊的意义。因此,假期的情况下,它是进一步细分为节假日白天(8:00-17:00),在午夜之前假期(18:00-23:30),午夜后和节假日(0:00-6:00)。更好的验证的活动特征共享单元在不同的时间,实验没有分类类型的自行车共享。不过,这两种类型的自行车共享用于比较分析。图5显示了相同的时间间隔分布图用户使用共享自行车两次在白天,在午夜之前,分别和午夜之后的假期。

从图可以看出,点的幂律分布更分散在节日的夜晚比白天。还可以看到,人的活动和行为在节日的夜晚更多样化和随机的。与此同时,几乎没有函数曲线的左侧第一个峰值在图5(c),而函数曲线左边的第一个高峰5(一)和5(b)是完整的相比,在图5(c)。

在上述实证分析的周期分布共享自行车,它是发现,早上在一定时期内和一定时期内的工作日下午,用户也使用共享自行车的数量达到一天两座山峰。因此,进一步研究这两个时期的显示,这两个时期对应于高峰时间。根据调查,这个城市的上班高峰时间从早上7点到9点,下午4点到下午7点(数据6(一)和6(b)),分别对应于相同的时间间隔分布用户使用共享自行车彼此相邻的两次高峰,高峰期间。

图6(一)发现第一个峰值非常不完整,而图6(b)相当完整。有一个相对简单的拐点的曲线在图的函数6(一)τ= 1400,P(τ)= 3.17e−5中,虽然没有这样分布现象在图6(b)。

4.2.2。对汽车网络

在本部分中,我们使用ride-hailing跟踪数据集在中国的一个北方城市做一个比较分析的幂律曲线之间的时间间隔的两个相邻旅行ride-hailing用户和用户使用不同的ride-hailing公司之间的时间间隔。在数据7和8,x协调是τ(时间间隔)y协调是P (τ)(事件发生的概率在相应的时间间隔)。

测试的部分4.1,我们发现人们在这个城市使用的次数从1到7点在线car-hailing很少,大幅增加从7到9点,并从9到11点大幅下降。从12到22日,有一个相对稳定的波动,两个小时的使用时间(19和20)是最在这一时期,在整个一天。人民使用* 19点钟达到高峰并开始下降。进一步揭示这一现象和更好地服务交通决策,本节选择两个代表性的时期进行幂律分布的实验分析。如图所示的细节7。

数据7(一)和7(b),分别显示相同的用户的时间间隔分布图表使用e-hailing汽车连续两次两个破发的7点至11点,12点至放送的这一天。的时间间隔分布是不连续从7 - 11和12 - 24。有一个打破260≤τ≤≤346826τ≤1003,形成一个three-segment函数曲线。整个时间间隔分布提出了一种两段幂律分布。

ride-hailing数据集包含不同的公司id。图8显示是否有差异的两个相邻时间之间的时间间隔分布的ride-hailing服务其他公司。

在图8,我们合适的时间间隔分布的四个公司,而且我们可以看到,不同公司的权力指数是不同的。指数是2.17,B公司是1.08,公司C约为2.96,公司D约为1.95。其他权力指数显示用户的活动执行(活动代表用户组的频率的行为)。能量指数越高,越高的活动。因此,通过分析这四个公司的权力指数,我们发现用户使用公司C在线ride-hailing最高频率和最低的公司B的频率。这种现象可以支持政府进行准确、有效的监管和控制在线ride-hailing市场。例如,政府可以了解人们的行为偏好通过比较不同公司的权力指数。根据这一行为偏好,它可以,一方面,增加努力促进用户青睐的e-hailing公司的发展,并提供相应的帮助和支持e-hailing公司而不是由用户青睐。另一方面,政府还可以重新分配这些公司的车辆运输资源,使它们更有效。

不同的公司的时间间隔分布显示了其他特征。本节分析公共自行车的时间特性和ride-hailing使用时,发现他们更倾向于服从幂律分布的双对数坐标系统,这是指导意义的放置多个车辆在城市。为例,通过分析不同公司的比较研究,我们可以根据用户使用不同的网络汽车公司网络关于汽车服务间隔和网络规划汽车的汽车司机的时机和时间间隔,这样可以减少用户的等待时间;提升幸福指数的用户也可以减少网络对汽车司机不必要的等待时间。它还可以给ride-hailing司机更多的时间休息。

这里提到的应该是这个数字7研究的数据集在线ride-hailing服务由于不同的研究条件。相比之下,图8显示不同的数据集的在线ride-hailing服务公司。从图可以看出8在幂律函数曲线有显著差异的其他公司,以及功率指标的差异。图7发现城市居民的时间特点使用e-hailing,而图8比较了不同时间的特点从不同e-hailing e-hailing公司的用户使用。因此,这两个实验可以被视为相互独立的实验几乎没有相关性。

4.3。在线Ride-Hailing数据集

对于普通用户来说,在线ride-hailing有很多优势,如安全、短的等待时间,任意出租车的地方,和透明的费用。ride-hailing数据集采用本文数据在同一个城市设置为共享的自行车。数据集采用精确的在线ride-hailing跟踪数据的一组24小时12月20日2019年。原始数据集的在线ride-hailing跟踪数据的每个区域城市记录每5分钟。总共有288 CSV文件,总体规模为1.97 G。这个轨迹数据集包括每个在线的轨迹将汽车配备GPS设备,主要包括公司ID、车牌号码、车辆区域号码、定位时间、经度、纬度、速度、和旅游。特定字段的详细描述如表所示2。

在跟踪数据挖掘和分析之前,原始数据应该分类,总结,清洗,排序根据输入的数据结构要求根据本文提出的方法的一部分。冗余数据、噪声数据应该被删除。当车辆处于静止状态时,会产生大量的冗余点。例如,重复跟踪点时将生成的车没有启动或当车辆停在一个特定的地方在路上一个特定的时期。方法提出了需要路径发现在每个选定的时间间隔内,时间间隔设置为1小时根据可用的在线将车辆的使用时间。具体数据处理过程如下:使用熊猫库类车牌号码和位置的跟踪数据,或者按订单号和位置排序时间,每个在线预订车的运动轨迹。此外,每个网络的冗余点的跟踪数据将汽车被删除(或数据与订单号0)。自从OsitionTime数据类型和UpdateTime是时间戳,这不利于相关时间计算,我们将时间戳格式转换为数据类型。

4.4。关键的分析活动分组

活动是指特定行为发生的频率在一定时期内。频率越高,越活跃用户会;频率越低,越活跃的用户。

在以前的实证研究,个人有不同的活动水平将定期改变相应的统计特征。在本节中,用户分组根据他们使用的次数自行车共享。表3显示了活动统计后的子类型。

在表3的最大用户数量,使用共享自行车在此期间是34岁,最少只有一个。用户的总数是972521。从表可以看出3,使用1 - 3次的用户数量最多,和19-27用户使用的次数是最少的。用户的数量越少,越用途。

在图9、三角形、圆形、方形、菱形和倒三角形从更小更被分组。如图9更频繁的使用,更明显的双峰现象的时间间隔自行车共享。随着用户数量的增加,整个函数曲线上升,两座山峰的极端值是最高的。越频繁使用集团下半年结束时,曲线越高。

在这里,我们发现了一个现象不同于先前的实证研究其他学者进行的活动。他们发现,有一个积极的人民运动和力量指数之间的相关性α。我们把函数曲线τ> 730年下半年τ> 730曲线拟合,其权力指数计算。我们可以看到这个图9那τ730年>曲线的后期没有显示一个简单的正相关关系,与函数的最后一部分是截断τ= 84300。后τ≥84300(即。,close to 23.4 hours), the power index of 730 ≤ τ≤84300保持正相关而立即大幅增加。

4.5。分析情景记忆

是否从人类交流方式如电子邮件或自然现象,如地震,他们的行为往往显示短期集中爆发和长时间的沉默,我们称之为人类行为的用品(37]。大部分的时间间隔小于平均时间间隔,也和一些相当大的时间间隔出现,导致显著的时间间隔分布的标准偏差。研究发布行为的爆发在qq空间,我们将组织用户根据他们的月平均体积,使相应的BM相图。首先,我们定义分析指数时间发作。文献[38)提出了一个指数来描述的狂热间隔时间: 在哪里代表间隔时间的标准偏差,代表了期望的时间间隔,就会很容易地从(1)−1≤B≤1,B= 1意味着事件proxy-like坚实的行为,B= 0意味着一个事件是一个随机事件服从泊松的行为,和B=−1意味着事件定期的时间周期。

例如,在自然界中,极端气候的时间和地点有很强的记忆力。当我们订单事件的时间间隔,如果长时间间隔之后,很长一段时间区间概率相当大,反之亦然。当一个短的时间间隔是紧随其后的是一个短的时间间隔显著的可能性,这种类型的时间表显示好难忘;否则,它显示了薄弱或antimemorability。这个序列由元素(即行为发生),第一个指定元素形成序列1和最后一次指定元素形成序列2。如方程所示(3),这两个序列之间的皮尔逊相关性可以用来衡量这个序列的记忆(38]。

其中,间隔时间的记忆系数如下(27]: 在哪里和是序列,序列的平均值,σ₁和σ₂序列1和序列的标准差是2,分别。米作为一个偏差估计的自相关函数;它的范围是在(1,1)。米接近1,间隔时间相同的行为通常是长间隔时间和间隔时间,间隔时间短和短间隔时间先后出现。中性接近0,当米接近−1,间隔相同的行为通常是长时间间隔和短间隔,和短间隔和长间隔先后出现。

我们主要分析用户使用的时间行为模式不同ride-hailing ride-hailing服务的公司而言,情景记忆。下面的表显示了使用的用户数量的在线ride-hailing服务其他公司从1到24倍,和细节如表所示4。

这里使用的数据集,我们实际上拥有12 ride-hailing公司,其中八家公司的数据量太小,这使得数据分析不真实。因此,我们没有这个实验分析。在这个实验中,我们使用四个数据量最大的公司,分别为公司,公司B, C公司,和公司d。然后,我们分析用户的行为模式的时间规律和记忆使用在线将车辆的四家公司,发现用户有不同的情景记忆当使用其他在线将汽车。以下四个图形分别对应图表BM paroxymoron和内存的用户使用在线ride-hailing服务的公司,B, C, D。

图10 ()BM情节提供了一个倒“J”型。头部和尾部的“J”密集的点,而中间连接部分点相对稀疏。密度点的脑袋和尾巴米=−0.11,B= 0.39:米= 0.38,B分别=−0.58。图10 (b)显示了一个中央附近的现象米=−0.17和b=−0.35。因为公司的数据量很小,一些点在图10 (c)。虽然有几个点,容易找到的值M和b。因此,我们可以认为这几个点一个点的用户公司ride-hailing是一个特定群体的人,和他们的情景和难忘的行为特点是几乎一样的。记忆系数图的形成方法10 (c)是米= 0.002,B= 0.856。点在图10 (d)相对分散,记忆矩阵系数的范围主要是在−0.8≤米≤≤0.78−0.77B≤0.51。

在以前的时间特征的人类行为动机的研究法律的内存,最集中(见上图数据10 (b)和10 (c))或法律提供了一个平面分散记忆(如上所示图10 (d)),形成两个集中,两组BM系数值的很少,所以很有可能实验现象如图10是一个全新的发现。透露,形成记忆特点在同样的行为模式不一定是独一无二的,和只有一个组BM系数值。

至于时间行为模式的用户使用共享自行车,这里讨论的情景记忆是短暂的。点在图11也类似于图吗10 (d),分布相对发散。记忆矩阵系数的范围主要是−0.791≤米≤≤0.747−0.547B≤0.405。

4.6。综合分析城市空间结构和人类的交通行为模式

它已成为一个重要的研究课题使用电子碳足迹计算社会学的大数据进行定量分析人体运动行为的探索人类行为模式和城市运行规律。在本部分中,我们把城市为例,分析城市空间结构的关系和连接的空间运动轨迹使用在线ride-hailing的跟踪数据。

从图可以看出12,car-hailing跟踪主要分布在一些行政区域的辐射网络不同的水平。组织级别越高,密度car-hailing方式和辐射越大表面。相反,行政级别越低,越高的系数ride-hailing跟踪和辐射表面越小。的一般轨迹在线ride-hailing显示了一个辐射网络分布。所谓的“网络”是基于交通线路(如普通省、县、乡公路、高速公路)一个重要城市及周边区域结构(住宅、工业、商业、行政、文化、旅游、和绿色区域,等等)。公司的ride-hailing跟踪数据遵循一条高速公路在地市级城市在上面的跟踪表中。

5。结论

随着城市化进程的加速,机动车辆的数量和使用的频率大幅上升,和城市交通拥堵问题越来越突出。在过去,这是一个挑战来缓解交通设施的供给通过建设交通设施,扩大新道路来缓解需求。本文使用自行车和ride-hailing数据从一个城市在中国检查周期和波动和时间间隔。交通行为动力学在多种交通方式,如城市交通空间结构和人类的行为模式,进行了研究。实验结果表明,用户对汽车使用共享自行车和网络分布在两个双对数坐标系统之间的时间间隔呈现幂律分布。用户使用共享循环两次之间的时间间隔的幂律分布显示相对突出的双峰分布特征。在网络上,汽车数据集没有这种现象。提出了一种典型的幂律分布在两个相邻ride-hailing服务之间的时间间隔。发现用户的权力指数选择其他ride-hailing服务时是不同的。之间存在着正相关用户的活动和幂律双峰现象在双对数坐标系中。 The stronger the action is, the higher the peak shape and the extreme value of the two peaks are and the peak shape is different under different activities. The lower the action is, the less noticeable the bimodal phenomenon is. Finally, we analyze the characteristics of the city’s urban spatial structure and find a close relationship between the behaviour pattern of people, whether using shared bikes or online ride-hailing, and the urban spatial design. The experimental results can provide planning support for constructing a smart city by analyzing the behaviour model.

数据可用性

数据主要指的是自行车和ride-hailing数据的发达的城市在中国,不能向公众披露合作伙伴的要求。

的利益冲突

作者宣称他们没有利益冲突或者人际关系可能出现影响工作报告。

作者的贡献

宏伟精主要是负责数据整理和写作。小明李主要修改和抛光。徐Guangquan设计论文框架和模型。Mengli朱镕基和彭Haoyang主要设计论文计划。李沈方圆刘得到数据和研究结果的证实。

确认

这部分工作是由中国国家重点研发项目(没有。中国2019 yfb2101700),美国国家科学基金会(62172297和62172297),四川省重点研发项目(没有。21 sysx0082)、天津智能制造专项基金项目(20201159),635年重点研究和开发项目的新疆生产建设兵团12(没有。SR202103)。