融合时空上下文特征的共享单车站点功能区自动识别方法

张羿祺; 黄浩然; 信睿; 杨敏

您当前的位置：

首页 >

文章列表页 >

融合时空上下文特征的共享单车站点功能区自动识别方法

技术热点研究 | 更新时间：2026-08-11

- 融合时空上下文特征的共享单车站点功能区自动识别方法
- 融合时空上下文特征的共享单车站点功能区自动识别方法
- 地理空间信息 2025年23卷第11期页码：27-32
- 作者机构：
  
  1. 武汉大学资源与环境科学学院
  2. 山东科技大学测绘与空间信息学院
- 作者简介：
- 基金信息：
  
  国家自然科学基金资助项目（42101452）
- DOI：
  中图分类号： TP181;U491.225;P208
- 纸质出版：2025
- 稿件说明：
移动端阅览
张羿祺, 黄浩然, 信睿, 等. 融合时空上下文特征的共享单车站点功能区自动识别方法[J]. 地理空间信息, 2025,23(11):27-32.

张羿祺, 黄浩然, 信睿, et al. 融合时空上下文特征的共享单车站点功能区自动识别方法[J]. 2025, 23(11): 27-32.
张羿祺, 黄浩然, 信睿, 等. 融合时空上下文特征的共享单车站点功能区自动识别方法[J]. 地理空间信息, 2025,23(11):27-32. DOI：

张羿祺, 黄浩然, 信睿, et al. 融合时空上下文特征的共享单车站点功能区自动识别方法[J]. 2025, 23(11): 27-32. DOI：

摘要

提出了一种融合多重时空上下文特征的共享单车站点功能区自动识别方法，解决了共享单车OD数据缺乏站点所在区域类型描述信息的问题，从而更好地支撑出行模式分析与规律挖掘。该方法从多源数据中提取共享单车站点周围区域的社会经济、城市形态、骑行流量变化等特征，综合运用规则判定和机器学习方法构建分类模型，最终实现对站点区域功能类型的识别。采用纽约市Citi Bike数据进行实验，结果表明基于反向传播神经网络模型的居住区、商业区、工业区站点分类精度达到89.37%。将该训练模型应用于芝加哥Divvy Bike和华盛顿特区Capital Bikeshare数据，分类精度均高于85%，表明该方法具有较好的泛化能力。根据分类结果，剖析了上述3个城市两个不同时期的出行模式变化和可能的成因。

Abstract

关键词

Keywords

references

Yu Zheng.Trajectory Data Mining[J].ACM Transactions on Intelligent Systems and Technology (TIST),2015.

Hongyun Si,Jian-gang Shi,Guangdong Wu,Jindao Chen,Xianbo Zhao.Mapping the bike sharing research published from 2010 to 2018: A scientometric review[J].Journal of Cleaner Production,2018.

Andrea Hess,Karin Anna Hummel,Wilfried N. Gansterer,Günter Haring.Data-driven Human Mobility Modeling[J].ACM Computing Surveys (CSUR),2015.

刘瑜,康朝贵,王法辉.大数据驱动的人类移动模式和模型研究[J].武汉大学学报(信息科学版),2014(06).

严海,杨荣荣,熊文,刘涛,陈楠.步行和自行车接驳轨道交通时空阈值研究[J].城市交通,2013(02).

郑国强,乔宇昊,孙思民.基于POI数据的城市功能区识别研究[J].地理空间信息,2023(10).

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于自适应遗传算法的个性化旅游景点智能推荐方法

多机器学习算法下沧源县滑坡地质灾害易发性评价

基于SHAP可解释特征优选的乌克兰作物制图研究

利用机器学习算法评价湖南省生态旅游适宜性

监督非监督分类器比较研究