一种考虑极端天气条件的交通可达性评估方法

1.本发明涉及公共交通技术领域，尤其涉及一种考虑极端天气条件的交通可达性评估方法。


背景技术：

2.计算可达性常用的方法和模型主要有最小距离法、缓冲区分析法、网络分析法、两步移动搜索法以及引力模型法。近年来，学者们多用缓冲区分析法、两步移动搜索法和引力模型法对可达性进行测度。
3.缓冲区分析法的不足在于人为划定区域服务半径，未将区域面积、等级等因素纳入考虑；两步移动搜索法虽然考虑了供给地区的服务能力和需求地区的居民人口数，但未将需求地区居民对终点资源的竞争这一实际情况纳入考虑；引力模型方法的主要不足在于其对出行距离以及时间成本的测算与实际情况存在较大差异。现今可达性评估大都未将极端天气情况考虑在内，极端天气下居民真实出行方式、实际路况、道路等级以及出行高峰段与平峰段等因素都会影响可达性的测算。


技术实现要素：

4.本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
5.鉴于上述现有存在的问题，提出了本发明。
6.因此，本发明提供了一种考虑极端天气条件的交通可达性评估方法，能够解决未将区域面积、等级、需求地区居民对终点资源的竞争等因素纳入考虑，导致可达性的测算不够准确的问题。
7.为解决上述技术问题，本发明提供如下技术方案，一种考虑极端天气条件的交通可达性评估方法，包括：
8.进行城市道路匹配；
9.筛选城市道路实时数据；
10.使用局部加权回归季节趋势分解方法对筛选出的车速和行程时间进行分解；
11.对分解后的残余数据进行广义极值学生化离差测试，识别与正常交通状况下的行程时间观测值有较大偏差的车速和行程时间观测值，确定行进时间数据集中的极端车速和行程时间观测值；
12.收集极端天气数据集，与所述有较大偏差的车速和行程时间观测值起止时间进行全域时空叠加分析，形成新数据集；
13.对所述新数据集使用改进的引力模型计算交通可达性。
14.作为本发明所述的考虑极端天气条件的交通可达性评估方法的一种优选方案，其中：所述城市道路匹配包括，结合gps轨迹点信息，选取出一个候选区域，所述候选区域中的
路段即是候选路段，查找所述候选路段的序列点经纬度，将所述序列点经纬度，以及gps轨迹点的经纬度、速度、航向角的值，代入公式计算得出投影距离、航向夹角、轨迹夹角三个几何特征值及动态参数，最后进行gps轨迹数据几何匹配。
15.作为本发明所述的考虑极端天气条件的交通可达性评估方法的一种优选方案，其中：所述几何匹配的公式表示为：
[0016][0017]
其中，i表示候选路段的序号，n表示候选路段的总数目，si表示序号为i的候选路段得分值，di表示gps轨迹点在i候选路段上的投影距离，δθh，δθ
t
分别表示gps轨迹点与i候选路段的航向夹角、轨迹夹角，候选路段的航向夹角、轨迹夹角，分别表示gps点与所有候选路段投影距离、航向夹角、轨迹夹角总和，wd，wh，w
t
分别表示三者的权值系数。
[0018]
作为本发明所述的考虑极端天气条件的交通可达性评估方法的一种优选方案，其中：所述城市道路实时数据的筛选包括，
[0019]
用gps的记录序列表示地图匹配结果，在路段平均行程车速的计算过程中，将匹配到各道路上的所有gps轨迹点根据时间间隔t＝15分钟划分不同时段区间，利用路长加权空间平均车速分别得到瞬时车速；
[0020]
统计15分钟内通过该道路的所有车辆记录，计算其平均值，得到路段平均行程车速，再根据车速跟行驶距离得到行程时间；
[0021]
根据现场实时观测的数据获取的平均车速与所述gps轨迹数据获取的平均车速进行对比分析，计算得到校正系数，从而实现对研究区道路网络车速和行程时间的校正。
[0022]
作为本发明所述的考虑极端天气条件的交通可达性评估方法的一种优选方案，其中：所述分解包括，使用局部加权回归季节趋势分解方法对车速和行程时间分解出长期趋势、季节性变化以及残余部分长期趋势、季节性变化以及残余部分，计算公式表示为：yw＝w
t
+ws+wr，其中w
t
，ws，wr分别为趋势分量、季节性分量和剩余分量。
[0023]
作为本发明所述的考虑极端天气条件的交通可达性评估方法的一种优选方案，其中：所述广义极值学生化离差测试包括，检查偏离值，即从样本中删除最大测试统计量的观测值，并重新计算其余观测值的测试统计量，重复此过程，直到删除r个潜在异常值。
[0024]
作为本发明所述的考虑极端天气条件的交通可达性评估方法的一种优选方案，其中：大小为n的样本中每个所述观测值的测试统计量表示为：
[0025][0026]
其中，ri是最大测试统计量的观测值，xi是样本中的第i个观察值；x是平均值；是平均值，s是样本的标准偏差。
[0027]
作为本发明所述的考虑极端天气条件的交通可达性评估方法的一种优选方案，其中：对应于计算出的r测试统计量，r检验临界值表示为：
[0028][0029]
其中t
p,n-i-1
是t分布中对应于第100百分位数，n-i-1表示自由。
[0030]
作为本发明所述的考虑极端天气条件的交通可达性评估方法的一种优选方案，其中：所述r检验临界值计算公式中的p值表示为：
[0031][0032]
其中，α为置信水平，样本中异常值的数量由最大的i值决定，因此ri》λi。
[0033]
作为本发明所述的考虑极端天气条件的交通可达性评估方法的一种优选方案，其中：所述交通可达性表示为：
[0034][0035][0036]
其中，pai为聚合后居民区i的终点空间可达性水平；pai值越高意味着起点i处的工作区可达性越好；sj是工作区j的服务能力，用工作区面积表示；aj是工作区j的吸引指数，用等级表示，其值越大，意味着该地的吸引能力越大；t
ij
(m1)、t
ij
(m2)和t
ij
(m3)分别是出租车，公交车和共享单车3种出行方式下从起点i到终点j之间所需的出行时间；cj(m1)、cj(m2)、cj(m3)分别表示出租车、公共交通和共享单车3种出行方式在极端天气影响下，满足时间阈值的聚合后区域居民对工作区资源的竞争；pk为k处聚合后居住区的人口数；m为满足条件的聚合后居住区数量。
[0037]
本发明的有益效果：本发明方法基于gps大数据的极端天气下区域交通可达性的计算方法，可兼顾极端天气条件下人们对工作地区域的资源竞争情况，能够有助于高效、全面、一致地对不同地区的区域交通可达性进行计算对比，帮助做出更好的公共决策，例如，帮助综合考虑城市交通和区域交通的衔接并发现改善区域交通可达性的可行途径，增强极端天气下的人群疏散能力等。在区域交通、国土空间、灾害天气人群疏散以及城市交通等规划和管理中具有广泛的应用前景。
附图说明
[0038]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0039]
图1为本发明一个实施例提供的一种考虑极端天气条件的交通可达性评估方法流程示意图；
[0040]
图2为本发明一个实施例提供的一种考虑极端天气条件的交通可达性评估方法的荷花池正常天气条件下典型职住小区的公交通勤出行圈；
[0041]
图3为本发明一个实施例提供的一种考虑极端天气条件的交通可达性评估方法的瘦西湖正常天气条件下典型职住小区的公交通勤出行圈；
[0042]
图4为本发明一个实施例提供的一种考虑极端天气条件的交通可达性评估方法的京华城正常天气条件下典型职住小区的公交通勤出行圈；
[0043]
图5为本发明一个实施例提供的一种考虑极端天气条件的交通可达性评估方法的万达广场正常天气条件下典型职住小区的公交通勤出行圈；
[0044]
图6为本发明一个实施例提供的一种考虑极端天气条件的交通可达性评估方法的荷花池正常天气与暴雨天气条件下典型职住小区的公交通勤出行圈的差值图；
[0045]
图7为本发明一个实施例提供的一种考虑极端天气条件的交通可达性评估方法的瘦西湖正常天气与暴雨天气条件下典型职住小区的公交通勤出行圈的差值图；
[0046]
图8为本发明一个实施例提供的一种考虑极端天气条件的交通可达性评估方法的京华城正常天气与暴雨天气条件下典型职住小区的公交通勤出行圈的差值图；
[0047]
图9为本发明一个实施例提供的一种考虑极端天气条件的交通可达性评估方法的万达广场正常天气与暴雨天气条件下典型职住小区的公交通勤出行圈的差值图。
具体实施方式
[0048]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
[0049]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
[0050]
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
[0051]
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
[0052]
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0053]
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人
员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0054]
实施例1
[0055]
参照图1，为本发明的第一个实施例，该实施例提供了一种考虑极端天气条件的交通可达性评估方法，包括：
[0056]
s1：进行城市道路匹配；
[0057]
(1)确定待匹配gps轨迹点为中心的动态候选区域，
[0058]
(2)查找到候选区域中候选路段的序列点经纬度，
[0059]
(3)将路段序列点的经纬度，gps点的经纬度、速度、航向角等值，代入公式计算得出投影距离、航向夹角、轨迹夹角三个几何特征值及动态参数
[0060]
(4)进行gps轨迹数据几何匹配，公式如下
[0061][0062]
i表示候选路段的序号，n表示候选路段的总数目，si表示序号为i的候选路段得分值，di表示gps轨迹点在i候选路段上的投影距离，δθh，δθ
t
分别表示gps轨迹点与i候选路段的航向夹角、轨迹夹角，分别表示gps点与所有候选路段投影距离、航向夹角、轨迹夹角总和，wd、wh、w
t
分别表示三者的权值系数。总分值最小的候选路段即为gps轨迹点的匹配路段。
[0063]
应说明的是，结合gps轨迹点信息，选取出一个候选区域，候选区域中的路段即是候选路段，查找候选路段的序列点经纬度，将序列点经纬度，以及gps轨迹点的经纬度、速度、航向角的值，代入公式计算得出投影距离、航向夹角、轨迹夹角三个几何特征值及动态参数，最后进行gps轨迹数据几何匹配。
[0064]
s2：筛选城市道路实时数据；
[0065]
更进一步的，用gps的记录序列表示地图匹配结果，在路段平均行程车速的计算过程中将匹配到各道路上所有gps点根据时间间隔t＝15分钟划分不同时段区间，利用路长加权空间平均车速分别得到瞬时车速(t＝15分钟)
[0066]
统计15分钟内通过该道路的所有车辆记录，计算其平均值，得到路段平均行程车速(t＝1小时)，再根据车速跟行驶距离得到行程时间。
[0067]
根据现场实时观测的数据获取的平均车速与gps轨迹数据获取的平均车速进行对比分析，计算得到校正系数，从而实现对研究区道路网络车速和行程时间的校正。
[0068]
s3：使用局部加权回归季节趋势分解方法对筛选出的车速和行程时间进行分解；
[0069]
更进一步的，选择局部加权回归季节趋势分解方法对车速和行程时间进行分解，分解出长期趋势、季节性变化以及残余部分，公式如下：
[0070]yw
＝w
t
+ws+wr[0071]
其中，w
t
、ws、wr分别为趋势分量、季节性分量和剩余分量。
[0072]
s4：对分解后的残余数据进行广义极值学生化离差测试，识别与正常交通状况下的行程时间观测值有较大偏差的车速和行程时间观测值，确定行进时间数据集中的极端车速和行程时间观测值；
[0073]
下式为大小为n的样本中每个观测值的测试统计量
[0074][0075]
其中，ri是最大测试统计量的观测值，xi是样本中的第i个观察值；x是平均值；是平均值，s是样本的标准偏差。
[0076]
应说明的是，从样本中删除最大测试统计量ri的观测值，并重新计算其余观测值的测试统计量，重复此过程，直到删除r个潜在异常值。
[0077]
对应于计算出的r测试统计量，r检验临界值用下式计算：
[0078][0079]
其中t
p,n-i-1
是t分布中对应于第100百分位数，n-i-1表示自由度。
[0080]
p值表示为：
[0081][0082]
其中，α为置信水平，样本中异常值的数量由最大的i值决定，因此ri》λi，r值设置为总行程时间观测值的20％，α设置为0.05，为r选择一个相对较高的值防止所选置信水平上无法识别任何异常值。
[0083]
s5：收集极端天气数据集，与有较大偏差的车速和行程时间观测值起止时间进行全域时空叠加分析，形成新数据集。
[0084]
更进一步的，观测气象站数据并收集dem数据和gsmap雷达遥感数据，利用dem数据识别易涝点：利用arcgis模型生成器对30mdem数据进行内涝空间扩散的动态模拟，识别出可能的易涝点；
[0085]
雷达卫星遥感降水数据的准备：收集包括美国国家海洋和大气管理局(noaa)发布的cmorph全球降水数据产品(时间分辨率为0.5小时，空间分辨率为0.07
°×
0.07
°
)；以及日本宇宙航空研究开发机构(jaxa)发布的gsmap降水数据产品(空间覆盖范围为60
°
n～60
°
s，时间分辨率为1小时，空间分辨率为0.1
°×
0.1
°
)。
[0086]
应说明的是，收集水文站等地的观测数据，挖掘极端天气事件报道中文本信息，对极端天地的影响路段和时间再次进行验证
[0087]
s6：对新数据集使用改进的引力模型计算交通可达性；
[0088]
交通可达性表示为：
[0089][0090]
其中，pai为聚合后居民区i的终点空间可达性水平；pai值越高意味着起点i处的工作区可达性越好；sj是工作区j的服务能力，用工作区面积表示；aj是工作区j的吸引指数，用等级表示，其值越大，意味着该地的吸引能力越大；t
ij
(m1)、t
ij
(m2)和t
ij
(m3)分别是出租车，公交车和共享单车3种出行方式下从起点i到终点j之间所需的出行时间；cj(m1)、cj(m2)、cj(m3)分别表示出租车、公共交通和共享单车3种出行方式在极端天气影响下，满足时间阈值的聚合后区域居民对工作区资源的竞争；pk为k处聚合后居住区的人口数；m为满足条件的聚合后居住区数量。
[0091]
实施例2
[0092]
本实施例基于实际应用场景，对本发明的一种考虑极端天气条件的交通可达性评估方法作进一步说明。
[0093]
g表示候选区域，指需要匹配的路段所在的圆形区域范围，多边形区域g范围内的所有路段都视为候选路段；sr表示候选路段集合；lr表示路段；nr表示路网集合；pi表示序列点，始终位于候选区域g中。
[0094]
以公式表达为：
[0095]
确定候选路段集合后，求取几何特征值，几何特征值包括待匹配的gps轨迹点和候选路段的投影距离、航向夹角、轨迹夹角。
[0096]
投影距离计算：
[0097]
计算gps点和候选路段间的欧式距离，将其定义为投影距离d
proj
，(x
p
,y
p
)是gps点的经纬度坐标，(x
α
,y
α
)(x
β
,y
β
)是候选路段序列点的经纬度坐标。
[0098][0099]
判断路段斜率是否存在，根据斜率存在情况判断轨迹点是否在投影路段延长线上，当gps轨迹点投影在路段上，则投影距离为轨迹点路段的垂直距离；当gps轨迹点投影在路段延长线上，则投影距离为轨迹点到两个序列点欧式距离的最小值。
[0100]
将航向角定义为：车辆行驶方向与正北方向顺时针形成的夹角；将路段方向定义为：路段与相邻两点形成的连线与正北方向的顺时针夹角；将航向夹角定义为：航向角与路段方向之差。一般的，航向夹角的值越小，候选路段与实际行驶路段的相似度越高。
[0101]
航向角通过采样设备直接获得，路段方向由序列点的起点和终点决定，路段方向通过几何角度计算获得。在计算中，该角度必须是路段与正北方向(y轴)的顺时针夹角，通过路段起点pa(x1,y1)，终点pb(x2,y2)的经纬度之差，将轨迹方向定义为：相邻上一刻gps轨迹点与当前匹配gps轨迹点的连线和正北方向形成的顺时针角度，将轨迹夹角定义为轨迹方向与路段方向之差，值越小，匹配度越高。
[0102]
如上述评估方法，在车辆行驶中历史轨迹点与当前点的连线与路段的平行程度越接近，轨迹夹角越小，表示gps轨迹点与该路段越匹配。θ
vehicle
为轨迹方向，相邻的两个gps点前一时刻的为起点(x1,y1)，后一时刻点为(x2,y2)，δx＝x
2-x1，δy＝y
2-y1。
[0103]
距离系数计算：
[0104]
gps点和候选路段越近，候选路段是车辆行驶路段的可能性越高，距离系数的值与投影距离相关，通过动态设立距离系数来改变距离得分，值在0到1之间。计算公式为：
[0105][0106]
wd为距离系数，d为gps点到候选路段的投影距离，d1、d2为投影距离阈值。
[0107]
航向系数计算：
[0108]
航向系数与速度密切相关，速度越小，采集越不准确，反之，速度越高，采集的数据越可靠，航向系数wd与速度成正相关，值在0到1之间
[0109][0110]
v是车辆速度，直接采集获得，v1、v2为速度阈值，分别为10.8km/h和80km/h。
[0111]
轨迹系数计算：
[0112]
轨迹系数的值在0到1之间，大小与车辆的行驶距离s成正相关关系
[0113][0114]s′
为车辆行驶距离的阈值，设置为600m。
[0115]
将计算后的值代入下式中进行加权求和得到总分值：
[0116][0117]
其中，i表示候选路段的序号，n表示候选路段的总数目，si表示序号为i的候选路段得分值，di表示gps轨迹点在i候选路段上的投影距离，δθh、δθ
t
分别表示gps轨迹点与i候选路段的航向夹角、轨迹夹角，候选路段的航向夹角、轨迹夹角，分别表示gps点与所有候选路段投影距离、航向夹角、轨迹夹角总和，wd、wh、w
t
分别表示三者的权值系数。总分值最小的候选路段即为gps轨迹点的匹配路段。用gps的记录序列表示地图匹配结果，在路段平均行程车速的计算过程中将匹配到各道路上所有gps点根据时间间隔t＝15分钟划分不同时段区间，利用路长加权空间平均车速分别得到瞬时车速(t＝15分钟)。
[0118]
统计该时段通过该道路的所有车辆记录，计算其平均值，得到路段平均行程车速(t＝1小时)，再根据车速跟行驶距离得到行程时间。
[0119]
根据现场实时观测的数据获取的平均车速与gps轨迹数据获取的平均车速进行对比分析，计算得到校正系数，从而实现对研究区道路网络车速和行程时间的校正。
[0120]
分解出长期趋势、季节性变化以及残余部分；时间序列分解公式如下:
[0121]yt
＝t
t
+s
t
+r
t
[0122]
其中t
t
、s
t
、r
t
分别为趋势分量、季节性分量和剩余分量。
[0123]
广义极值学生化离差测试方法，检查偏离值，下式为大小为n的样本中每个观测值的测试统计量：
[0124]
其中，ri是最大测试统计量的观测值，xi是样本中的第i个观察值；x是平均值；xi是平均值，s是样本的标准偏差。从样本中删除最大测试统计量ri的观测值，并重新计算其余观测值的测试统计量。重复此过程，直到删除r个潜在异常值。
[0125]
对应于计算出的r测试统计量，r检验临界值用下式计算:
[0126][0127]
其中t
p,n-i-1
是t分布中对应于第100百分位数，n-i-1表示自由度.
[0128]
p值由下式计算:
[0129][0130]
α为置信水平，样本中异常值的数量由最大的i值决定，因此ri》λi。r值设置为总行程时间观测值的20％，α设置为0.05。需注意，为r选择一个相对较高的值防止所选置信水平上无法识别任何异常值。
[0131]
因为不同模式的可达性数值不同，为了便于将多种交通方式可达性进行综合，采用min-max标准化方法，对可达性进行标准化。的min-max标准化方法如下:
[0132][0133]
通过多种公共交通出行方式、可达时间阈值及地点吸引指数对其进行改造，如下式：
[0134][0135][0136]
pai为聚合后居住区i的工作区空间可达性水平；pai越高意味着居住区i处的工作地可达性越好，sj是工作地j的服务能力，用工作地面积表示；aj是工作地j的吸引指数，用等级表示，其值越大，意味着该地的吸引能力越大；t
ij
(m1)、t
ij
(m2)和t
ij
(m3)分别是出租车，公交车和共享单车3种出行方式下从居住区i到工作地j之间所需的出行时间；cj(m1)、cj(m2)、cj(m3)分别表示出租车、公交车和共享单车3种出行方式在极端天气影响下，满足时间阈值的聚合后居住区居民之间对工作地资源的竞争；pk为k处聚合后居住区的人口数，m为满足条件的聚合后居住区数量。
[0137]
实施例3
[0138]
参考图2-9，本实施例提供了一种考虑极端天气条件的交通可达性评估方法，为了验证本发明的有益效果，通过具体应用场景的实验进行科学论证。
[0139]
根据扬州市公交公司提供的公交车辆gps数据，提取了2021年7月15日-30日、12月12日-18日的gps点位数据，其中7月24日-30日为极端天气(台风-暴雨)，12日-18日为晴天天气。从数据中提取出扬州市主城区的51条公交线路，全部数据共有89077360条数据，大小共计41.2g。通过python编程筛选2021年7月24日至7月30日之间日(台风-暴雨天气)早晚高峰时段(07:00-09:00、17:00-19:00)与2021年12月12日-18日(正常天气条件)的早晚高峰时段(07:00-09:00、17:00-19:00)时段扬州市主城区公交通勤出行的数据，同时直接剔除无效或异常的数据。经预处理后，获得了每天约三十万条的有效线路数据，每一条轨迹数据都代表了公交运行的状态，包含公交在当前时间每个数据点的经纬度、车速、时间信息等位置信息。
[0140]
以扬州市四个典型小区为例，为了分析极端天气条件对典型职住小区通勤可达性的影响，应用该评估方法计算可达性，并使用空间统计分析的方法来计算不同天气条件下公交通勤出行圈的面积，对比其在不同天气影响下通勤可达性的变化量。对以荷花池、瘦西湖、京华城、万达广场为通勤出行点构建的不同天气条件下的公交通勤出行圈的面积进行分析。
[0141]
分析发现，这四个典型职住小区在暴雨天气条件下公交通勤出行圈的面积均有所缩小：荷花池处公交通勤≤20min的出行圈面积缩小最为显著，面积整体缩小了10％；瘦西湖的公交通勤出行圈整体面积减少不超过6.8％；京华城的公交通勤出行圈在通勤时间为20min～50min内的面积缩小的较为显著，平均缩小8％；万达广场的公交通勤出行圈整体面积减少不超过5.5％，其中公交通勤10min出行圈的面积仅减少了0.46％。
[0142]
在暴雨条件下荷花池地区的公交通勤出行圈面积变化最为显著，万达广场的公交通勤出行圈面积变化最小。这是由于荷花池位于扬州市主城区的中心地带，人流量是这四个典型小区中最大的小区，在暴雨天气条件下，此地公交出行除了受降雨影响外还受到诸如交通流量大以及道路通行能力的影响；而万达广场前的交叉口设置了专门的公交转向信号灯，并且附近是城南快速路，公交在此出行相对于其它典型小区仅受降雨影响。由极端天气条件下典型小区的通勤可达性分析结果可知，暴雨天气通过影响公交出行速度，使得居民通勤出行在相同时间内的公交通勤出行圈面积减小，影响居民通勤出行的可达性，从而降低居民出行的舒适度，增加居民出行时间，造成居民的弹性出行(如游憩、文化、体育等)需求减少。
[0143]
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
[0144]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产
品的形式。本技术实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言java和直译式脚本语言javascript等。
[0145]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0146]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0147]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0148]
尽管已描述了本技术的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本技术范围的所有变更和修改。
[0149]
显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。

技术特征：
1.一种考虑极端天气条件的交通可达性评估方法，其特征在于：包括，进行城市道路匹配；筛选城市道路实时数据；使用局部加权回归季节趋势分解方法对筛选出的车速和行程时间进行分解；对分解后的残余数据进行广义极值学生化离差测试，识别与正常交通状况下的行程时间观测值有较大偏差的车速和行程时间观测值，确定行进时间数据集中的极端车速和行程时间观测值；收集极端天气数据集，与所述有较大偏差的车速和行程时间观测值起止时间进行全域时空叠加分析，形成新数据集；对所述新数据集使用改进的引力模型计算交通可达性。2.如权利要求1所述的考虑极端天气条件的交通可达性评估方法，其特征在于：所述城市道路匹配包括，结合gps轨迹点信息，选取出一个候选区域，所述候选区域中的路段即是候选路段，查找所述候选路段的序列点经纬度，将所述序列点经纬度，以及gps轨迹点的经纬度、速度、航向角的值，代入公式计算得出投影距离、航向夹角、轨迹夹角三个几何特征值及动态参数，最后进行gps轨迹数据几何匹配。3.如权利要求2所述的考虑极端天气条件的交通可达性评估方法，其特征在于：所述几何匹配的公式表示为：其中，i表示候选路段的序号，n表示候选路段的总数目，s
i
表示序号为i的候选路段得分值，d
i
表示gps轨迹点在i候选路段上的投影距离，δθ
h
、δθ
t
分别表示gps轨迹点与i候选路段的航向夹角、轨迹夹角，分别表示gps点与所有候选路段投影距离、航向夹角、轨迹夹角总和，w
d
、w
h
、w
t
分别表示三者的权值系数。4.如权利要求1～3任一所述的考虑极端天气条件的交通可达性评估方法，其特征在于：所述城市道路实时数据的筛选包括，用gps的记录序列表示地图匹配结果，在路段平均行程车速的计算过程中，将匹配到各道路上的所有gps轨迹点根据时间间隔t＝15分钟划分不同时段区间，利用路长加权空间平均车速分别得到瞬时车速；统计15分钟内通过该道路的所有车辆记录，计算其平均值，得到路段平均行程车速，再根据车速跟行驶距离得到行程时间；根据现场实时观测的数据获取的平均车速与所述gps轨迹数据获取的平均车速进行对比分析，计算得到校正系数，从而实现对研究区道路网络车速和行程时间的校正。5.如权利要求4所述的考虑极端天气条件的交通可达性评估方法，其特征在于：所述分解包括，使用局部加权回归季节趋势分解方法对车速和行程时间分解出长期趋势、季节性变化以及残余部分，计算公式表示为：y
w
＝w
t
+w
s
+w
r
，其中w
t
、w
s
、w
r
分别为趋势分量、季节性分量和剩余分量。6.如权利要求1～3或5任一所述的考虑极端天气条件的交通可达性评估方法，其特征
在于：所述广义极值学生化离差测试包括，检查偏离值，即从样本中删除最大测试统计量的观测值，并重新计算其余观测值的测试统计量，重复此过程，直到删除r个潜在异常值。7.如权利要求6所述的考虑极端天气条件的交通可达性评估方法，其特征在于：大小为n的样本中每个所述观测值的测试统计量表示为：其中，r
i
是最大测试统计量的观测值，x
i
是样本中的第i个观察值；x是平均值；是平均值，s是样本的标准偏差。8.如权利要求1～3、5或7任一所述的考虑极端天气条件的交通可达性评估方法，其特征在于：对应于计算出的r测试统计量，r检验临界值表示为：其中t
p,n-i-1
是t分布中对应于第100百分位数，n-i-1表示自由度。9.如权利要求8所述的考虑极端天气条件的交通可达性评估方法，其特征在于：所述r检验临界值计算公式中的p值表示为：其中，α为置信水平，样本中异常值的数量由最大的i值决定，因此r
i
>λ
i
。10.如权利要求1～3、5、7或8任一所述的考虑极端天气条件的交通可达性评估方法，其特征在于：所述交通可达性表示为：特征在于：所述交通可达性表示为：其中，pa
i
为聚合后居民区i的终点空间可达性水平；pa
i
值越高意味着起点i处的工作区可达性越好；s
j
是工作区j的服务能力，用工作区面积表示；a
j
是工作区j的吸引指数，用等级表示，其值越大，意味着该地的吸引能力越大；t
ij
(m1)、t
ij
(m2)和t
ij
(m3)分别是出租车，公交车和共享单车3种出行方式下从起点i到终点j之间所需的出行时间；c
j
(m1)、c
j
(m2)、c
j
(m3)分别表示出租车、公共交通和共享单车3种出行方式在极端天气影响下，满足时间阈值的聚合后区域居民对工作区资源的竞争；p
k
为k处聚合后居住区的人口数；m为满足条件的聚合后居住区数量。

技术总结
本发明公开了一种考虑极端天气条件的交通可达性评估方法包括，进行城市道路匹配；筛选城市道路实时数据；使用局部加权回归季节趋势分解方法对筛选出的车速和行程时间进行分解；对分解后的残余数据进行广义极值学生化离差测试，识别与正常交通状况下的行程时间观测值有较大偏差的车速和行程时间观测值，确定行进时间数据集中的极端车速和行程时间观测值；收集极端天气数据集，与所述有较大偏差的车速和行程时间观测值起止时间进行全域时空叠加分析，形成新数据集；对所述新数据集使用改进的引力模型计算交通可达性。本方法可以解决未将区域面积、等级、需求地区居民对终点资源的竞争等因素纳入考虑，导致可达性的测算不够准确的问题。确的问题。确的问题。


技术研发人员：嵇涛 廖华军 姚炎宏 黄鲜 邓社军 于世军 张俊 宓建 窦玥 虞宇浩 马天启 秦婧逸 沈梓怡 杜婷婷 陈红红 安靖彤
受保护的技术使用者：扬州大学
技术研发日：2022.10.17
技术公布日：2023/7/6