计算机、环境和城市系统外文翻译资料

 2022-08-19 15:57:08

英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料

计算机、环境与城市系统47 (2014)5-15

目录可以在ScienceDirect上找到

计算机、环境和城市系统

杂志主页:www.elsevier.com/locate/compenvurbsys

使用协同视觉分析研究通勤行为

罗杰·比切姆uArr;,乔木,奥黛丽鲍尔曼a,ab

a 英国伦敦城市大学信息科学中心

b

交付计划-自行车，伦敦，英国的运输

a r t i c l e

文章历史:

可在2013年11月12日在线观看

关键词:

协同视觉分析自行车共享计划通勤行为

a b s t r a c t

我们通过伦敦自行车租赁计划(LCHS)挖掘一个大型的起点-终点旅行数据集，开发一种自动分类通勤行为的技术，该技术涉及对骑自行车者的旅行进行空间分析。我们确定了一个潜在的通勤骑自行车者的子集，并为每个人定义一个合理的地理区域代表他们的工作场所。所有高峰时段的旅程都在早上从这个衍生的工作地点附近结束，而在晚上从这个衍生的工作地点出发，我们给通勤贴上标签。使用视觉分析比较了创建这些工作场所的三种技术:加权均值中心计算、空间k均值聚类和内核den- site估计方法。在个人骑自行车的水平上评估这些技术，我们发现通勤者的高峰时间旅行在空间上比预期的更加多样化，而且对于很大一部分通勤者来说，似乎有一个以上的合理的空间工作区域。在对这三种技术进行可视化评估时，我们选择了密度估计作为首选方法。我们发现了两种截然不同的通勤活动:一种是住在伦敦郊外的LCHS客户进行的，他们经常在伦敦的主要铁路枢纽进行通勤旅行;居住在自行车共享停靠点附近的人的通勤行为也更加多样化。我们发现，有证据表明，伦敦各大学之间的许多次出行，显然都被视为骑自行车上班的一部分。在早上通勤和晚上通勤的不平衡，衍生的工作场所，这可能与当地的自行车可用性。关于我们的工作场所分析的重要决策，特别是这些关于通勤行为的更广泛的见解，是通过可视化地研究这些分析而发现的。本文所描述的可视化分析方法能够有效地使具有不同层次分析经验的研究团队参与到这项研究中来。我们认为这种方法适用于许多应用研究领域。

。

1.介绍

自2010年7月推出以来，通过伦敦自行车租赁计划(LCHS)，已经有超过2000万人次的出行。最近对LCHS使用数据的分析发现，自行车进出伦敦市中心的每日潮汐流量与通勤高峰重合(Lathia, Ahmed， amp; Capra, 2012;伍德，斯林斯比，戴克斯，2011)。这些资金流不成比例地将自行车重新分配到城市的特定区域，使得许多停靠点无法使用——要么完全装满自行车，要么完全没有自行车。这是一个常见的问题，大多数城市自行车共享计划(OBIS, 2011)。为了保持系统尽可能的平衡，自行车在高峰时间通过人工运输穿过城市，在优先区域，自行车停靠站不断补充自行车或不断从停靠站移走自行车。因为这类负载

uArr; Corresponding author. Address: giCentre, Information Sciences, City University London, London EC1V0HB, United Kingdom. Tel.: 44 020 7040 3914.

E-mail addresses: roger.beecham.1@city.ac.uk (R. Beecham), j.d.wood@city.ac.uk (J. Wood), audreybowerman@tfl.gov.uk (A. Bowerman).

再平衡是昂贵的，伦敦交通局(TfL)是负责该计划运作的组织，它希望更好地了解通勤的LCHS用户和他们的旅程。

与伦敦交通局不同的同事们一起工作，有三个问题激发了这项研究:

1.参加通勤活动的人有什么特点?

2.通勤事件发生在哪里?

3.在工作天内的行程是在什么情况下进行的?

在调查这三个问题之前，还有一个更广泛的问题:

4.怎样才能合理地检测到上下班和上下班骑自行车的人呢?

识别通勤行为的任务最初可能看起来像一个简单的数据挖掘练习。例如,

0198-9715/$ - see front matter copy; 2013 Elsevier Ltd.

All rights reserved. http://dx.doi.org/10.1016/j.compenvurbsys.2013.10.007

R。比查姆等。/计算机、环境与城市系统47 (2014)5-15

6

确定通勤旅程的一种方法可能是找到LCHS骑车者完成一个封闭高峰时间“循环”的所有实例，其中他们一天的最后一段旅程发生在晚上的通勤时间，并且与他们一天的第一次旅程相反。最近对伦敦地铁系统使用数据的分析发现，这种关于通勤行为的假设往往站不住脚(Lathia, Smith, Froehlich， amp; Capra, 2013)。LCHS的行为尤其如此。与使用大型地铁系统相比，该方案的使用可能更为特别，并受到更广泛的环境和其他变量的影响。此外,虽然伦敦地铁用户可以普遍预计火车在他们最方便的车站,自行车在高峰时期的竞争意味着华尔街骑自行车的人可能更温和的门——条款:个人可能无法持续收集或返回自行车在他们喜欢的车站,因此禄上下班可能不包括只有一两站之间的旅程。

在这篇论文中，我们研究了识别通勤旅程的方法，包括对骑自行车的个人高峰时间旅程的空间分析。我们的一般方法是找到一个广阔的空间区域，或一组空间区域，代表每个通勤的LCHS用户的工作场所，并确定所有从该工作场所结束(早上)或开始(晚上)的旅程。这是我们的第一个贡献:

贡献1。这是一种基于旅行行为空间分析的新技术，用于推导客户的工作区域和标注通勤旅程。

我们认为，这项技术在某种程度上是新颖的，不同于拉西亚等人的类似研究。(2013)和Agard, Morency， amp; Trepanier(2006)发现，个体的主导时间使用与高峰时间一致，它依赖于对旅行行为的空间和时间评估。我们的技术可以合理地应用于其他大规模的自行车共享计划。

第二个贡献与我们的方法有关。我们使用视觉分析来评估各种工作场所识别技术。这种可视化的方法使得相对抽象的数据转换能够被数据分析专家(我们自己)和领域专家(伦敦交通局的同事)理解。这篇论文描述了一个司机接送的过程，伦敦交通局的同事们在这个过程中提出了一个重新搜索的问题，我们提出了一套解决方案，并使用定制的视觉分析，我们共同探索和评估这个解决方案空间。我们认为，这种方法特别适合于需要来自一个包含分析、政策相关和操作特殊主义的多样化团队的决策的研究环境。这样的需求可能在许多应用的分析环境中是通用的。

贡献2。一种可视化分析方法，它促进了不同个体之间的数据驱动的交流。

最后，我们描述了一些通过分析得出的关于通勤型LCHS行为的新见解，这些见解之前伦敦交通局的同事并不知道。这些可能与其他有兴趣研究自行车共享计划的人有关。

贡献3。一组由经验得出的发现，与那些对研究共享单车行为感兴趣的人有关。

2.相关工作

2.1。从原始数据集推断交换行为

从共享传输系统自动收集的使用数据集最近才对研究人员可用，并且

关于从这些数据推断通勤行为的文献并不多见。Lathia等人进行了一项相关研究。(2013)。根据伦敦地铁一个月的使用数据，作者使用各种数据挖掘算法识别通勤行为的性质和程度。首先，他们对通勤出行行为做出了合理的假设:通勤者平均每天出行两次或更多;它们通常会重复相同的起点-终点(OD)对;通勤者将会有一个闭环，即一天的第一个起点和最后一个目的地应该是一样的。Lathia et al。(2013)随后发现许多旅行者并不符合这些预期的模式。66%的用户每两天出行少于一次，只有8%的用户达到了预期的工作日两次出行的标准。在为期一个月的研究期间，用户所进行的所有旅行中，有一半完全是针对这些人的独特的OD对。然而，50%的用户在周一至周四形成闭环，44%在周五，37%在周末(Lathia等人)。,2013)。作者后来提出了一种聚类算法，用于自动查找具有相似时间旅行特征的旅行者群体——他们通常在一天中的特定时间和一周中的特定天数旅行。Agard等人也采用了这种方法。(2006)在分析魁北克的公共汽车使用数据时。作者发现，一大批公交乘客的使用几乎完全与上下班高峰时间重合。

由于我们对研究LCHS成员是否在他们的工作日内乘车感兴趣，这项研究的一个重要方面是在一定程度上确定我们认为可能是通勤的所有乘车事件。而Agard等人提出的无监督聚类算法。(2006)和Lathia等人。(2013)将使那些显然几乎完全用于通勤的人与那些使用特性更多样化的人区别开来，但它不会使通勤的整体、车行层面的观点成为可能。我们有理由认为，那些通勤的人也可能经常使用LCHS来进行非通勤、休闲或实用的周末旅行。如果通勤用户只是被定义为主要出行模式与通勤时间一致的人，那么我们可能会忽略那些通常将该计划用于其他目的的人的通勤行为。此外，LCHS的使用可能比Lathia等人提出的关于通勤活动的假设(比如伦敦地铁)更具有即时性。(2013)应用到LCHS数据集时问题可能更大。

本研究采用的另一种方法是对LCHS用户高峰时间旅行的空间分析。我们试图找出一个广阔的空间区域来代表每个骑自行车的人的工作场所，并把所有早上到达这个工作场所、晚上离开这个工作场所的高峰时段的旅程标记为交通工具。显然，我们对这些工作场所没有先验知识，而是通过探索LCHS骑自行车者高峰旅行的空间模式来获得这些知识。

2.2。协同的视觉分析和司机

图基amp; Wilk(1966),任何数据分析的目的是找到的见解,可以很容易地表示和理解到的个人进行分析:在所有阶段的数据分析的性质和详细输出[hellip;][s]需要匹配能力的人使用它,希望它”(图基,1966:697)。视觉分析是指应用工具和技术来综合信息，并从一般的大型和复杂的数据集中发现见解(Thomas, 2005)。它可以发挥重要作用，使研究成果可解释的个人范围内的专业。例如，罗宾逊(2008)注意，交互式可视接口的使用使具有不同技能集的分析人员团队能够共同参与

R。比查姆等。/计算机、环境与城市系统47 (2014)5-15

7

在困难的分析问题中。团队通常由数据分析专家和领域专家组成，前者在可视化分析工具方面有专长，后者在被研究的特定主题方面有专长(Arias-Hernandez, 2011)。Nunamaker, Dennis, Valacich, Vogel， amp; George (1991)用“司机”这个词来描述这样的研究环境。对他们来说，司机是指在计算机支持的协作工作中，一个高度熟悉计算机系统的人充当那些需要访问该系统，但不具备充分利用该系统的技术技能的人之间的中间人(Nunamaker等人)。,1991)。在信息可视化方面，研究人员使用了一种稍微扩展了的“司机”概念，即“司机”不仅仅是所谓的技术人员的角色，他们还负责“驱动”一个视觉分析系统;技术人员也是从事研究问题的分析师(Slingsby, Dykes， amp; Wood, 2011)。

我们还使用了一个扩展的司机概念来指导我们的方法:领域专家(伦敦交通局的同事)定义一个研究问题;作为分析专家，我们提供了一套可能的解决方案;这些解决方案将使用定制的可视化分析软件进行整体评估。可视化地表示这个分析，可以使数据转换和见解被那些进行分析的人——我们自己和伦敦交通局的同事——所识别。此外，通过视觉上不断地探索这种空间分析，适当的技术、分析参数和可能用于验证性数据分析的更具体的假设被接受、摒弃和细化。

3.方法

这个项目的工作分为三个阶段，这三个阶段与我们对开车的理解密切相关:专题问题说明，二。分析技术的发展和三。假设的产生和洞察力的发展。我们在这里概述了每个阶段所涉及的任务，然后详细介绍了为回答我们的研究问题而开发的技术(第4节)，以及随后的研究结果(第5节)。

3.1。主题规范问题

首先，我们会见了伦敦交通局负责LCHS的5名分析师和政策制定者。这五个人的工作职责详列如下:

-行动主管，

- - -业务经理,

-营运及发展经理

-交付经理,

——政策分析师。

在最初的会议中，讨论了一组分析主题并确定了优先级，同时还列出了可以共享的数据集。在此基础上，提供了两个LCHS综合使用数据集(在第4.1节中进行了描述)。随后，与伦敦交通局负责维护这些数据的一名分析人员安排了单独的会议，并在新出现的研究重点范围内进一步评估数据集的有用性。

我们进行了探索性的数据分析(Tukey, 1977)，在与我们的5名伦敦交通局同事的第二次会议上，我们共同产生了一些研究假设。分析所进行的旅行的空间和时间结构，似乎有一个非常强大的通勤功能，也在LCHS使用的单独研究中确定(Lathia等人)。,2013;木等。,2011)。高峰时期的旅行似乎由特定类型的人主导:男性用户和那些显然生活在伦敦以外的人。它们也与特定的空间区域有关:

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[410323]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章