Exploring Impact of COVID-19 on Travel Behavior

这是我们发表在Networks and Spatial Economics 期刊上的一篇论文,论文做的是新冠肺炎疫情对城市机动化出行行为的影响 的内容。由于期间经历了重投等一些过程,因此见刊时间比较晚,工作其实在疫情期间就投出去了。文章对于新冠肺炎的一些交通策略支撑当然已经有些out of date了,但是文章的方法论对于以下领域还是有启发的。特殊事件对交通系统影响的量化评估。 新冠肺炎疫情无疑是一种强力的特殊事件,因此该文章实际上也可以被修改为其他任何一种特殊事件,该方法论可以被应用于任何一种特殊事件对交通系统的影响的量化分析。

该文章与 Understanding travel behavior adjustment under COVID-19 实际上是我们针对疫情影响下的行为分析做的两部分工作,两部分工作刚好形成一个系列。Exploring Impact of COVID-19 on Travel Behavior 工作主要是从宏观和中观交通系统的角度出发分析特殊事件对交通系统的影响, Understanding travel behavior adjustment under COVID-19 主要从微观行为的角度出发分析特殊事件对交通系统的影响。

Yao, W., Hu, Y., Bai, C. et al. Exploring Impact of COVID-19 on Travel Behavior. Netw Spat Econ (2023). https://doi.org/10.1007/s11067-023-09610-2

Yao, W., Yu, J., Yang, Y., Chen, N., Jin, S., Hu, Y., Bai, C., Understanding travel behavior adjustment under COVID-19, Communications in Transportation Research, https://doi.org/10.1016/j.commtr.2022.100068.

文章概述

本文将新冠肺炎疫情发展阶段划分为四个阶段,分别是疫情前的对照阶段、复工复产初始阶段、全面复工复产阶段和后疫情时代。然后利用车辆画像的方法将路网上的车辆划分为本地化运营车辆、非本地化运营车辆、网约出租车辆。关于车辆画像可以详见我们发表的另一篇论文。在上述两个准备步骤完成后,首先从宏观层面来分析疫情发展不同阶段的交通状态。基于车牌识别数据提取出流量(被检测频次)、在运车辆数、出行强度、车辆每日平均的出行时间和出行距离、出行分布(城市栅格出行频次的变异系数)。利用这些宏观交通状态指标来分析疫情发展不同阶段路网交通状态的差异,以及各个类别车辆的出行行为差异。这部分分析实际上是建立指标库来监测交通状态。

然后对于各类别车辆分别进行分析,这部分分析我称之为中观分析,即针对某个群体的分析。对于非本地化运营车辆,主要是分析各个省份的车辆与义乌之间的联系,这可以反应出区域间的沟通强弱。此外,还对非本地化运营车辆在义乌市的出行分布进行了分析。对于本地化运营车辆,对起讫点分布、出行分布、首末次被检测时间分布进行了细致刻画。

基于上述分析得到新冠肺炎疫情对城市机动化出行行为的影响的完整分析内容,实际上这部分工作也可以作为一份完整的分析报告。

在之前我们提到,我们这部分工作主要是宏观和中观层面的分析,宏观在这边指的是利用宏观指标对整体交通状态和各个群体宏观状态的分析。中观主要指的是对各个群体的行为进行更为细致的分析。自然而然想到,还缺少了一块微观分析,微观分析详见: Understanding travel behavior adjustment under COVID-19 ,通过对出行者时空轨迹进行刻画和分析,来探究疫情对微观行为的影响。这两篇文章组合在一起,实现了宏中微观的分析。

数据

这篇文章的数据量是较大的,分析的主要难度和工作量其实也是对这样比较大的数据量进行分析。我们用了4个阶段,每个阶段是两周,即共4*14=56天的车牌识别数据进行分析。具体的方法论实际上不难。

方法论

本文的方法论实际上是比较简单的,但是对于基于车牌识别数据提取交通状态指标这个方面而言,我们的工作还是比较全面的。

  1. 方差分析。方差分析主要用来分析不同阶段,其交通状态是否存在显著性的差异。
  2. 谱聚类。聚类算法主要对本地化运营车辆的起讫点进行聚类分析,得到本地化运营车辆的出行模式。
  3. 基于车牌识别数据的交通状态指标定义。我们基于车牌识别数据定义了很多交通状态指标,这些指标的计算方式详见论文。

参考文献

欢迎引用。

Yao, W., Hu, Y., Bai, C. et al. Exploring Impact of COVID-19 on Travel Behavior. Netw Spat Econ (2023). https://doi.org/10.1007/s11067-023-09610-2

链接是:https://link.springer.com/article/10.1007/s11067-023-09610-2#citeas

Yao, W., Yu, J., Yang, Y., Chen, N., Jin, S., Hu, Y., Bai, C., Understanding travel behavior adjustment under COVID-19, Communications in Transportation Research, https://doi.org/10.1016/j.commtr.2022.100068.

链接是:https://www.sciencedirect.com/science/article/pii/S277242472200018X?via%3Dihub

相关推荐
lilye6610 分钟前
程序化广告行业(39/89):广告投放的数据分析与优化秘籍
大数据·人工智能·数据分析
橘猫云计算机设计2 小时前
基于ssm的食物营养成分数据分析平台设计与实现(源码+lw+部署文档+讲解),源码可白嫖!
后端·python·信息可视化·数据挖掘·数据分析·django·毕业设计
谁家有个大人4 小时前
数据分析问题思考路径
数据库·数据分析
慕丹4 小时前
虫洞数观系列三 | 数据分析全链路实践:Pandas清洗统计 + Navicat可视化呈现
python·mysql·数据挖掘·数据分析·pandas
Mostcow8 小时前
数据分析_Data-Formulator-0.1.7调用Ollama-0.5问题记录
人工智能·数据挖掘·数据分析
北洛学Ai19 小时前
DeepSeek接入飞书多维表格,效率起飞!
信息可视化·数据挖掘·数据分析
谱度众合1 天前
组学数据分析实操系列 | (六)蛋白相互作用域可视化分析
数据挖掘·数据分析
十三画者1 天前
【工具】BioPred一个用于精准医疗中生物标志物分析的 R 软件包
数据挖掘·数据分析·r语言·数据可视化
卑微小文1 天前
惊!代理 IP 助力股海菜鸟变身赛场冠军!
爬虫·深度学习·数据分析
Allen_LVyingbo1 天前
文章配图新纪元:OpenAI新推出的GPT-4o原生图像生成功能启示
人工智能·学习·架构·数据分析·健康医疗