[发明专利]一种基于网约车检索请求数据的交通小区划分方法

说明书

本发明公开了一种基于网约车检索请求数据的交通小区划分方法，该方法基于每次出行具有唯一确定出行目的的理论，利用网约车检索请求数据的可存储性，考虑同一订单中被检索请求过的下客地点之间存在同质性，基于栅格化，应用改进的K‑means++算法，通过大量真实客观的网约车检索请求数据划分交通小区。本发明能够更加合理的划分交通小区，使得交通小区之间的差异性最大，而交通小区内部保持高同质性。

技术领域

本发明涉及一种基于网约车检索请求数据的交通小区划分方法，属于智能交通技术领域。

背景技术

交通小区是指内部性质、交通特性等具有一定关联性、相似性的分析单元，不同交通小区之间差异性较大，但交通小区内部却保持高度同质性。对研究区域进行离散化、区域化，可以针对每个区域进行相关的交通分析，有利于进行差异化的交通优化。目前已存在的交通小区划分方法，主要包括基于居民调查资料、路网基本结构、行政管理区划、栅格几何图案等的传统方法，上述方法虽简单易行，但存在部分参数设定需人工干预，主观性较强以及交通小区内部同质性无法保证等局限性。由于交通小区的集计效果直接影响后续相关交通分析的结果，因此提出一种能够最大程度保证交通小区内部同质性的交通小区划分方法在交通工程领域是一个热门领域。

网约车同其他交通工具的本质区别是包括起终点检索、叫车服务类型、车费支付等过程全部基于互联网进行，且各检索请求数据可被网约车企业平台储存。因出行者每一次出行都具有唯一确定的出行目的，其一次订单中曾被检索过的所有下客地点均与此次出行目的相关，可认为所有下客地点具有极高的同质性，进而通过合理的方法将所有下客地点及其周边区域进行聚合得到的交通小区也具有极高的同质性。因交通工具特点、存储手段等原因，其他交通工具同一订单中曾被检索过的下客地点无法记录，而网约车检索请求数据中的终点检索字段可以完整记录，为上述交通小区划分方法的实现提供了可能。

发明内容

本发明所要解决的技术问题是：提供一种基于网约车检索请求数据的交通小区划分方法，该方法能够有效划分交通小区，达到交通小区内部差异性最小、交通小区之间差异性最大的目的，降低了交通系统的复杂性。

本发明为解决上述技术问题采用以下技术方案：

一种基于网约车检索请求数据的交通小区划分方法，包括如下步骤：

步骤1，确定待划分区域，获取待划分区域中的网约车订单检索请求数据和待划分区域的GIS地理数据；

步骤2，从待划分区域中选择一矩形区域作为样本区域，获取样本区域中的网约车订单检索请求数据和样本区域的GIS地理数据，选取不同尺寸的正方形网格，将样本区域在每种尺寸下进行网格分割，并对网格按照从左往右、从上至下的顺序依次编号，对于每种尺寸的分割，均进行步骤3-步骤4；

步骤3，提取每条网约车订单检索请求数据的下客地点，将下客地点匹配至其所在网格，定义下客地点所在网格范围为该下客地点的同质性区域，同时定义同一订单中所有被检索请求过的下客地点为高同质性关联地点；

步骤4，提取每条网约车订单对应的同质性区域的编号，利用组合原理，确定每条网约车订单对应的所有同质性区域的两两组合情况，根据所有网约车订单，统计所有网格两两组合的频数，并进一步计算两两网格之间的同质性指数；

步骤5，利用改进的K-means++算法对网格进行聚类，从而得到样本区域在每种尺寸下的划分效果，比较每种尺寸下的划分效果，将最佳划分效果对应的尺寸作为待划分区域的分割尺寸并对待划分区域进行分割；

步骤6，对待划分区域分割后得到的网格按照从左往右、从上至下的顺序依次编号，并进行步骤3-步骤4的操作，利用改进的K-means++算法对网格进行聚类，从而得到待划分区域的交通小区划分，其中，改进的K-means++算法根据网格与聚类中心之间的相似度对网格进行聚类。

作为本发明的一种优选方案，步骤4所述计算两两网格之间的同质性指数，具体过程为：