本发明涉及数据分析，特别涉及一种面向私人电动自行车稀疏轨迹的出行行为分析方法。
背景技术：
1、目前，国内外相关学者建立了多种电动自行车出行的分析方法去探索电动自行车出行的驱动机制。例如，wang等(2024)面向电动自行车轨迹建立了一种城市街道的可骑性评估框架，量化了骑行需求与城市环境可骑性之间的定量线性关系；zhou等(2022)基于电动自行车轨迹建立了城内人群的通勤需求识别方法，并利用地理和时间加权回归模型(geographically and temporally weighted regression model，gtwr)揭示了建成环境、交通设施、社会经济和天气条件对电动自行车需求的时空影响。
2、尽管已经做了很多的电动自行车出行的研究，但依然存在不足。现有研究主要面向共享电动自行车出行，而非私人自行车出行的研究十分有限(liu等,2023；yu等,2022)。其次，现有方法受限于拟合能力和解释性的权衡问题，尤其是考虑时空异质性的情况下。例如，线性模型可以很好的解释电动车出行与驱动因素之间的关系，但拟合能力有限(线性回归、地理加权回归、时空地理加权回归)。非线性模型拟合能力很强，但是可解释性不足(随机森林，支持向量机等)。
3、近年来，为了加强对私人电动自行车的管理，一些城市安装了监测站来收集它们的轨迹。与共享电动自行车的gps轨迹不同，监测站收集的轨迹具有明显的稀疏性，从而保护了个人隐私。对私人电动自行车轨迹的收集促成了大量研究。
4、为此，本申请提出了一种面向私人电动自行车稀疏轨迹的出行行为分析方法，可以揭露传统方法难以发现的现象，为深入了解电动车出行模式和行为特征提供了一种新颖的数据挖掘方法。
技术实现思路
1、本发明为了弥补现有技术中的不足，提供了一种面向私人电动自行车稀疏轨迹的出行行为分析方法。
2、一种面向私人电动自行车稀疏轨迹的出行行为分析方法，其特征在于，包括以下步骤：
3、s1，识别轨迹数据中的点簇，点簇包括潜在停留区域和确定停留区域，并依据点簇的时序关系提取私人电动自行车的出行行为；
4、s2，扩展经典随机森林提出时空随机森林建立起14个影响因素与私人电动自行车出行的非线性关系；
5、s3，扩展经典shap方法提出时空shap，将shapley值映射到时间轴和空间轴，探索驱动因素的时空变化效应。
6、进一步地，为了更好的实现本发明，所述s1中的数据包括私人电动自行车轨迹数据、交通路网数据、兴趣点数据、高德拥堵数据、天气数据、房价数据及人口数据。
7、进一步地，为了更好的实现本发明，所述s1中轨迹数据中的停留区域分为两大类，一是确定的停留区域，二是潜在的停留区域；当电动车停放着监测桩附近时，电动车的实时轨迹点将会按照一定频率上传至数据库，且轨迹点将在监测桩附近形成点簇，即确定的停留区域；当电动车没有停放着监测桩附近时，电动车实时轨迹点将会在数据库中丢失，当再一次监测到轨迹点时，首次监测到区域可能就是电动车停放的区域，即潜在的停留区域；对于潜在的停留区域，只需要提取轨迹片段的第一个点或者最后一个点，对于确定的停留区域，通过时空聚类的方法提取，当识别轨迹点中的停留区域时，可以根据停留区域之间的时序关系生成电动自行车的出行，其中包括从确定停留区域到确定停留区域、从确定停留区域到潜在停留区域、从潜在停留区域到确定停留区域、从潜在停留区域到潜在停留区域。
8、进一步地，为了更好的实现本发明，所述时空随机森林方法为：时空随机森林在经典随机森林基础上引入了时空邻域，并利用时空邻域中内部驱动因子和外部驱动因子共同去推断将来的出行频次，其中内部驱动因子指的是目标格网中的历史出行频次，外部驱动因子指的是目标格网中城市建成环境、空间位置及时间窗口信息；时空随机森林模型通过集成外部驱动因子和内部驱动因子进一步提升了模型对时空关系的捕捉能力，进而提高对城市出行的建模精度；本方法需要融合目标格网自身的驱动因子与邻域中的驱动因子，以确保驱动因子与出行频次之间的一一对应关系，具体的融合方法如下公式：
9、
10、式中：和分别表示目标格网i的融合前和融合后的第k个驱动因子，其中第一个驱动因子为图12中的historical trip frequency，第十四个驱动因子为图12中的houseprice；ωi表示目标格网i的时空邻居集合；表示目标格网i与邻域格网j的距离；通过上式可知，对于第5个至第13个驱动因子而言，融合后的驱动因子是邻域中驱动因子的总和；对于第14个驱动因子而言，融合后的驱动因子是邻域中驱动因子的加权均值。
11、进一步地，为了更好的实现本发明，所述s3具体为：以空间格网索引为s轴、以时间窗口t轴、以驱动因子为f轴建立一个三维立方体，针对三维立方体中的任意驱动因子，基于博弈论原理计算相应驱动因子的shapley值，并通过空间映射和时间映射将shapley值赋予相应的空间位置和时间窗口，当三维立方体中的所有驱动因子映射完毕后，可以分析驱动因素随不同时间段和不同空间位置的变化情况，三维立方体中驱动因子的shapley值由下式计算：
12、
13、式中：strf表示时空随机森林模型；表示目标格网i的第k个驱动因子；n表示时间窗口×空间格网的总数，可以分解为ns×nt；表示三维立方体中的驱动因子，由分解得到；表示第s个格网在第t个时间窗口中驱动因子的shapley值；当大于0时，表示驱动因子在第s个格网在第t个时间窗口中对电动车出行有正向作用；当小于0时，表示驱动因子在第s个格网在第t个时间窗口中对电动车出行有负向作用。
14、本发明的有益效果是：
15、相较于面向共享电动自行车轨迹的出行分析方法，本发明的方法具有更好的普适性。首先，本方法可以直接通过电动自行车的实时位置推断人类的出行行为，这减少了出行行为提取对于订单数据的依赖，有利于在多个城市中的推广。其次，本发明还建立了一种考虑空间相关性和异质性的非线性驱动机制建模方法，与现有建模方法相比，本发明不仅实现了更高的拟合精度，还可以探索驱动因素的时空变化效应。最后，本发明可以在非线性模型中探索驱动因素的时空变化效应。
1.一种面向私人电动自行车稀疏轨迹的出行行为分析方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的面向私人电动自行车稀疏轨迹的出行行为分析方法，其特征在于：
3.根据权利要求1所述的面向私人电动自行车稀疏轨迹的出行行为分析方法，其特征在于：
4.根据权利要求1所述的面向私人电动自行车稀疏轨迹的出行行为分析方法，其特征在于：
5.根据权利要求1所述的面向私人电动自行车稀疏轨迹的出行行为分析方法，其特征在于：
