典型文献
基于改进Apriori算法的乘客公共交通依赖性层级转移分析
文献摘要：
为深入探究重大疫情条件下不同乘客公共交通依赖性的影响与层级转移策略,基于多源公共交通出行数据进行乘客公共交通出行链提取与出行知识图谱构建,利用K-means聚类算法识别乘客公共交通依赖性的层次等级,利用改进的Apriori算法挖掘不同依赖性层级的强关联规则,并提出依赖性层级转移激励政策.结果表明:重大疫情条件下乘客公共交通依赖性强关联规则的前件项集数与其支持度呈负相关关系,依赖性越低,则关联规则指标的共现度与发生概率越低;家和目的地到站点总距离、小汽车可用性与亲友对公共交通支持度为各依赖性层级需改善的关键指标,而是否途径中高风险区域为较高依赖性群体重点改善的指标.该研究有利于后疫情时期公共交通政策的制定与服务提升,可为保障和平衡城市出行中绿色出行结构比例提供支撑.
文献关键词：
公共交通;依赖性水平;Apriori算法;关联规则;激励政策
中图分类号：
作者姓名：
胡松;林鹏飞;翁剑成;梁泉;周伟
作者机构：
北京工业大学北京市交通工程重点实验室,北京100124;交通运输部管理干部学院道路教研部,北京101601;中华人民共和国交通运输部,北京100736
文献出处：
引用格式：
[1]胡松;林鹏飞;翁剑成;梁泉;周伟-.基于改进Apriori算法的乘客公共交通依赖性层级转移分析)[J].东南大学学报（自然科学版）,2022(02):344-351
A类：
依赖性水平
B类：
Apriori,乘客,公共交通,重大疫情,转移策略,交通出行,出行链,行知,知识图谱构建,means,聚类算法,算法识别,层次等级,强关联规则,激励政策,前件,支持度,共现度,发生概率,目的地,小汽车,可用性,亲友,关键指标,高风险区域,后疫情时期,交通政策,服务提升,绿色出行,出行结构,结构比例
AB值：
0.375833
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
