城市群(Megalopolis)/城际(inter-city)OD相关研究即Open Access数据集调研

本文主要是介绍城市群(Megalopolis)/城际(inter-city)OD相关研究即Open Access数据集调研,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

文章目录

    • 1 城市群/城际OD定义
    • 2 理论模型与分析方法
      • 2.1 重力模型 Gravity Model
      • 2.2 干预机会模型 Intervening Opportunities Model
      • 2.3 辐射模型 Radiation Model
    • 3 Issues related to OD flows
      • 3.1 OD Prediction
      • 3.2 OD Forecasting
      • 3.3 OD Construction
      • 3.4 OD Estimation
    • 4 OD Data
      • 4.1 Basic Infor About OD Data
      • 4.2 Open Access Dataset
    • Reference

1 城市群/城际OD定义

  • Origin-Destination用于表示空间移动(from the origin to the destination),有时也被称为流数据(flow data)[1]
    • (Origin, Destination, Number, Mode, …)
    • Origin以及Destination表示方法:
        1. Zone ID,例如‘zone1’
        1. 坐标coordinate
    • Number: 该OD对的出行数量
    • Mode: 出行模式
      • 通常只包含1种交通方式,例如bus, train
      • 对于多交通模式出行,例如cycle-train-bus一般也只表示为一种模式,例如train
    • 一般不包含详细的路径数据(routing)
      • 可以选择routing服务基于OD来生产routing数据
      • 例如OSRM(shortest path), Google Directions API, CycleStreets.net or OpenRouteService
      • OSRM

2 理论模型与分析方法

2.1 重力模型 Gravity Model

2.2 干预机会模型 Intervening Opportunities Model

2.3 辐射模型 Radiation Model

3 Issues related to OD flows

3.1 OD Prediction

  • 问题定义与解析
    • 定义: OD prediction
    • 解析:
      • 数据基础:城市的区域(region)特征数据、区域间的OD对数据
      • 方案:基于特征数据以及OD对数据构建OD预测模型
        • 输入:region的属性特征
        • 输出:region间OD数量
      • 用途:基于部分已有数据,构建出区域属性与OD pair之间的推导模型,能够实现由已知到未知的预测
      • 缺陷:数据要求严格(属性数据的充分与否一定程度上决定了模型的泛化能力)

3.2 OD Forecasting

  • 问题定义与解析
    • 定义OD Forecasting
    • 解析:
      • 数据基础:过去一段时间内的OD情况
      • 方案:时序模型构建
        • 输入:过去的OD
        • 输出:未来的OD
      • 用途:由历史数据推测未来数据
      • 缺陷:
          1. 粒度不确定:point-level; matrix-level(city-level); 可以想见的是,预测范围越广,模型越为复杂
          1. OD数据需要具备时间属性
      • 优势:可以在没有任何其他辅助数据的情况下进行OD预测

3.3 OD Construction

  • 问题定义与解析
    • 定义:OD construction
    • 解析:
      • 数据基础:易获取的信息
      • 方案:基于前期获取的信息构建出完整的城市OD Matrix
      • 优势
          1. 无需任何前置OD数据

3.4 OD Estimation

  • 问题定义与解析
    • 定义:OD Estimation
    • 解析:
      • 数据基础:在不同地点采集(例如路段、交叉口等)的具有时间标签的交通agent数量(或其他可用数据)
      • 方案:基于观测数据推测OD流

4 OD Data

4.1 Basic Infor About OD Data

  • 用于OD研究的数据一般可以分为两类
    • 基础OD流数据
      • Survey data:问卷调查数据
      • Individual trajectories:轨迹数据
        • Call Detail Records
        • Cellular Network Access
        • GPS Records
        • Location-based Social Network Check-ins
        • trajectories data
      • Transportation records:交通系统记录数据
        • traffic surveillance video
        • smart cards
        • taxi orders
    • 包含其他辅助数据的OD数据
      • 常用于探究OD与城市属性的空间分布特性(例如用地属性)
      • Region-level socioeconomic data: demographics, land use patterns, points of interest (POIs), and infrastructure
      • Transportation observation data
        • Traffic Flow: link counts,即起点-目的地连线数
        • Vehicle Speed: 车速数据
      • Urban geographic data

4.2 Open Access Dataset

  • CITYDATA.ai[3]
    • Inner City
    • 提供开放数据集以供使用(数据量极大)
    • 提供访问API以供程序调用(需要申请开发者权限)
    • 没有inter-city OD
  • Datarade[4]
    • 可直接购买数据集(价格贵)
    • 可与运营公司联系获取数据集
  • Translink[5]
    • 澳大利亚Queensland公共交通数据 (public transportation)
    • example
  • Cencus[6]
    • 英国威尔士
    • 包含:
      • Migration data:1年范围内的人口迁移OD
      • Workplace data:工作相关OD数据
      • Second Address data:居住地之间的迁移
      • Student data:学生OD
  • 大数据平台
    • 腾讯位置服务[7]

Reference

[1] ‘The importance of OD data’. Accessed: Oct. 23, 2023. [Online]. Available: https://cran.r-project.org/web/packages/od/vignettes/od.html#:~:text=As%20the%20name%20suggests%2C%20origin,represented%20by%20a%20zone%20centroid).
[2] Rong, C., Ding, J., & Li, Y. (2023). An Interdisciplinary Survey on Origin-destination Flows Modeling: Theory and Techniques. ArXiv, abs/2306.10048.
[3] https://data.world/citydataai/spain-regions
[4] https://datarade.ai/use-cases/origin-destination-analysis
[5] https://www.data.qld.gov.au/dataset/translink-origin-destination-trips-2022-onwards
[6] https://www.nomisweb.co.uk/sources/census_2021_od
[7] https://heat.qq.com/wap_qqmap_big_data/qianxi_index.html

这篇关于城市群(Megalopolis)/城际(inter-city)OD相关研究即Open Access数据集调研的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/295833

相关文章

Pandas统计每行数据中的空值的方法示例

《Pandas统计每行数据中的空值的方法示例》处理缺失数据(NaN值)是一个非常常见的问题,本文主要介绍了Pandas统计每行数据中的空值的方法示例,具有一定的参考价值,感兴趣的可以了解一下... 目录什么是空值?为什么要统计空值?准备工作创建示例数据统计每行空值数量进一步分析www.chinasem.cn处

如何使用 Python 读取 Excel 数据

《如何使用Python读取Excel数据》:本文主要介绍使用Python读取Excel数据的详细教程,通过pandas和openpyxl,你可以轻松读取Excel文件,并进行各种数据处理操... 目录使用 python 读取 Excel 数据的详细教程1. 安装必要的依赖2. 读取 Excel 文件3. 读

Python的time模块一些常用功能(各种与时间相关的函数)

《Python的time模块一些常用功能(各种与时间相关的函数)》Python的time模块提供了各种与时间相关的函数,包括获取当前时间、处理时间间隔、执行时间测量等,:本文主要介绍Python的... 目录1. 获取当前时间2. 时间格式化3. 延时执行4. 时间戳运算5. 计算代码执行时间6. 转换为指

Spring 请求之传递 JSON 数据的操作方法

《Spring请求之传递JSON数据的操作方法》JSON就是一种数据格式,有自己的格式和语法,使用文本表示一个对象或数组的信息,因此JSON本质是字符串,主要负责在不同的语言中数据传递和交换,这... 目录jsON 概念JSON 语法JSON 的语法JSON 的两种结构JSON 字符串和 Java 对象互转

C++如何通过Qt反射机制实现数据类序列化

《C++如何通过Qt反射机制实现数据类序列化》在C++工程中经常需要使用数据类,并对数据类进行存储、打印、调试等操作,所以本文就来聊聊C++如何通过Qt反射机制实现数据类序列化吧... 目录设计预期设计思路代码实现使用方法在 C++ 工程中经常需要使用数据类,并对数据类进行存储、打印、调试等操作。由于数据类

SpringBoot使用GZIP压缩反回数据问题

《SpringBoot使用GZIP压缩反回数据问题》:本文主要介绍SpringBoot使用GZIP压缩反回数据问题,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录SpringBoot使用GZIP压缩反回数据1、初识gzip2、gzip是什么,可以干什么?3、Spr

SpringBoot集成Milvus实现数据增删改查功能

《SpringBoot集成Milvus实现数据增删改查功能》milvus支持的语言比较多,支持python,Java,Go,node等开发语言,本文主要介绍如何使用Java语言,采用springboo... 目录1、Milvus基本概念2、添加maven依赖3、配置yml文件4、创建MilvusClient

SpringValidation数据校验之约束注解与分组校验方式

《SpringValidation数据校验之约束注解与分组校验方式》本文将深入探讨SpringValidation的核心功能,帮助开发者掌握约束注解的使用技巧和分组校验的高级应用,从而构建更加健壮和可... 目录引言一、Spring Validation基础架构1.1 jsR-380标准与Spring整合1

Python 中的 with open文件操作的最佳实践

《Python中的withopen文件操作的最佳实践》在Python中,withopen()提供了一个简洁而安全的方式来处理文件操作,它不仅能确保文件在操作完成后自动关闭,还能处理文件操作中的异... 目录什么是 with open()?为什么使用 with open()?使用 with open() 进行

MySQL 中查询 VARCHAR 类型 JSON 数据的问题记录

《MySQL中查询VARCHAR类型JSON数据的问题记录》在数据库设计中,有时我们会将JSON数据存储在VARCHAR或TEXT类型字段中,本文将详细介绍如何在MySQL中有效查询存储为V... 目录一、问题背景二、mysql jsON 函数2.1 常用 JSON 函数三、查询示例3.1 基本查询3.2