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

javaScript在表单提交时获取表单数据的示例代码

《javaScript在表单提交时获取表单数据的示例代码》本文介绍了五种在JavaScript中获取表单数据的方法:使用FormData对象、手动提取表单数据、使用querySelector获取单个字... 方法 1:使用 FormData 对象FormData 是一个方便的内置对象,用于获取表单中的键值

Rust中的BoxT之堆上的数据与递归类型详解

《Rust中的BoxT之堆上的数据与递归类型详解》本文介绍了Rust中的BoxT类型,包括其在堆与栈之间的内存分配,性能优势,以及如何利用BoxT来实现递归类型和处理大小未知类型,通过BoxT,Rus... 目录1. Box<T> 的基础知识1.1 堆与栈的分工1.2 性能优势2.1 递归类型的问题2.2

Python使用Pandas对比两列数据取最大值的五种方法

《Python使用Pandas对比两列数据取最大值的五种方法》本文主要介绍使用Pandas对比两列数据取最大值的五种方法,包括使用max方法、apply方法结合lambda函数、函数、clip方法、w... 目录引言一、使用max方法二、使用apply方法结合lambda函数三、使用np.maximum函数

使用 sql-research-assistant进行 SQL 数据库研究的实战指南(代码实现演示)

《使用sql-research-assistant进行SQL数据库研究的实战指南(代码实现演示)》本文介绍了sql-research-assistant工具,该工具基于LangChain框架,集... 目录技术背景介绍核心原理解析代码实现演示安装和配置项目集成LangSmith 配置(可选)启动服务应用场景

Redis的数据过期策略和数据淘汰策略

《Redis的数据过期策略和数据淘汰策略》本文主要介绍了Redis的数据过期策略和数据淘汰策略,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一... 目录一、数据过期策略1、惰性删除2、定期删除二、数据淘汰策略1、数据淘汰策略概念2、8种数据淘汰策略

轻松上手MYSQL之JSON函数实现高效数据查询与操作

《轻松上手MYSQL之JSON函数实现高效数据查询与操作》:本文主要介绍轻松上手MYSQL之JSON函数实现高效数据查询与操作的相关资料,MySQL提供了多个JSON函数,用于处理和查询JSON数... 目录一、jsON_EXTRACT 提取指定数据二、JSON_UNQUOTE 取消双引号三、JSON_KE

Python给Excel写入数据的四种方法小结

《Python给Excel写入数据的四种方法小结》本文主要介绍了Python给Excel写入数据的四种方法小结,包含openpyxl库、xlsxwriter库、pandas库和win32com库,具有... 目录1. 使用 openpyxl 库2. 使用 xlsxwriter 库3. 使用 pandas 库

SpringBoot定制JSON响应数据的实现

《SpringBoot定制JSON响应数据的实现》本文主要介绍了SpringBoot定制JSON响应数据的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们... 目录前言一、如何使用@jsonView这个注解?二、应用场景三、实战案例注解方式编程方式总结 前言

Ollama整合open-webui的步骤及访问

《Ollama整合open-webui的步骤及访问》:本文主要介绍如何通过源码方式安装OpenWebUI,并详细说明了安装步骤、环境要求以及第一次使用时的账号注册和模型选择过程,需要的朋友可以参考... 目录安装环境要求步骤访问选择PjrIUE模型开始对话总结 安装官方安装地址:https://docs.

使用Python在Excel中创建和取消数据分组

《使用Python在Excel中创建和取消数据分组》Excel中的分组是一种通过添加层级结构将相邻行或列组织在一起的功能,当分组完成后,用户可以通过折叠或展开数据组来简化数据视图,这篇博客将介绍如何使... 目录引言使用工具python在Excel中创建行和列分组Python在Excel中创建嵌套分组Pyt