共享单车轨迹数据分析:以厦门市共享单车数据为例(八)
副标题:基于POI数据的站点综合评价——以厦门市为例(三)
什么是优劣解距离法(TOPSIS)?
优劣解距离法(Technique for Order Preference by Similarity to Ideal Solution,简称TOPSIS)是一种多属性决策分析方法,用于从多个备选方案中选择最优方案。它的基本思想是通过计算每个备选方案与理想解和负理想解的距离,来评估各个方案的优劣。
关键概念
- 理想解(Positive Ideal Solution, PIS):所有属性值都是最优的方案。比如,如果是最大化问题,理想解的所有属性值都是最大的;如果是最小化问题,理想解的所有属性值都是最小的。
- 负理想解(Negative Ideal Solution, NIS):所有属性值都是最差的方案。比如,如果是最大化问题,负理想解的所有属性值都是最小的;如果是最小化问题,负理想解的所有属性值都是最大的。
一、建模步骤
TOPSIS进行建模,大致分为以下五个步骤:
1、将原始矩阵正向化和标准化
2、计算指标权重(可选)
3、计算最优解和最劣解
4、计算各评价指标与最优及最劣向量之间的差距
5、计算综合得分
步骤详解
-
将原始矩阵正向化:
- 由于不同的属性可能有不同的优化方向(有的越大越好,有的越小越好),我们需要将所有属性值转换成统一的优化方向。具体做法是:
- 效益型属性(越大越好):保持不变。
- 成本型属性(越小越好):用最大值减去该属性值。
- 由于不同的属性可能有不同的优化方向(有的越大越好,有的越小越好),我们需要将所有属性值转换成统一的优化方向。具体做法是:
-
将正向化矩阵标准化:
- 为了消除不同属性之间的量纲差异,使所有属性值在同一个量级上进行比较,我们需要将每个属性值标准化,这里用了最大最小值归一化(Min-Max Normalization)是一种常用的数据标准化方法,用于将数据缩放到[0, 1]的范围内;
- 为了消除不同属性之间的量纲差异,使所有属性值在同一个量级上进行比较,我们需要将每个属性值标准化,这里用了最大最小值归一化(Min-Max Normalization)是一种常用的数据标准化方法,用于将数据缩放到[0, 1]的范围内;
-
确定理想解和负理想解:
- 对于每个属性,根据其是否是最大化或最小化问题,确定理想解和负理想解的值。
- 理想解(PIS):每个属性的最优值。
- 负理想解(NIS):每个属性的最差值。
-
计算距离:
- 计算每个备选方案与理想解和负理想解的欧氏距离。
- 与理想解的距离越小,表示该方案越接近最优。
- 与负理想解的距离越大,表示该方案越远离最差。
-
计算相对接近度:
- 计算每个备选方案与理想解的相对接近度。相对接近度的计算公式为:
-
其中,是第 ( i ) 个方案与理想解(PIS)的距离。
是第 i 个方案与理想解的距离,
是第 i 个方案与负理想解的距离。
的值在0到1之间,值越接近1,表示该方案越优。
- 计算每个备选方案与理想解的相对接近度。相对接近度的计算公式为:
-
排序:
- 根据相对接近度
对所有备选方案进行排序,选择相对接近度最大的方案作为最优方案。
- 根据相对接近度
我们依然以厦门市为例,来通过POI来研究厦门岛内以800m作为辐射范围的地铁站哪些地铁站发展的最好,当然这里只考虑了空间因素,时间因素上篇也提及到了,站点建成时间并不一致,会对站点发展程度有所影响,这里我们依然使用上篇文章用到的在线SPSS分析平台,
【放入正向坐标】:这里我们使用的坐标全部为正向指标也就是指标值越大评价越好的指标,【定类】选择站点,【变量权重】选择熵权法,当然这里也可以自定义权重,或者不设权重;
设置权重的目的是通过引入熵权法,考虑各类型POI(兴趣点)的重要程度,从而进行更科学的TOPSIS分析。在计算每个方案与理想解(D+)和负理想解(D-)的距离时,会将各属性值乘以其对应的权重值,以反映不同POI类型在决策中的实际影响。本文考虑了六类POI的权重情况,包括生活服务、医疗保健服务、商务住宅、科教文化服务、交通设施服务和公司企业。
分析结果表明,医疗保健服务的权重最大达到19.232%,即其对站点综合评价的影响最大;其次是交通设施和服务,分别为18.709%和17.593%。商务住宅和科教文化的权重相当,均为15.940%,而公司企业的权重最低只有12.601%。表明其影响程度相对较小。
因为篇幅原因,这里我们仅放一下前10名的一个综合得分指数;
结合GIS图和综合得分指数,我们可以更直观地理解站点的综合评价结果。从图中可以看出,前十名站点中有8座属于1号线,2号线和3号线各有一座。这些站点的综合得分指数分布状态与厦门人口分布和共享单车订单分布的耦合程度极高,具体表现为:
-
与人口分布的相关性:
- 前十名站点主要集中在人口密集区域。例如,吕厝和湖滨东路等站点位于厦门市人口密度较高的地区,这些地区的综合得分指数较高。
- 人口分布较多的区域,由于人口基数大,即使人们选择共享单车出行的概率不变,也会导致该地区的共享单车订单数量增加。这说明了人口分布对站点综合评价也存在一定相关性。
-
与共享单车订单分布的耦合:
- 综合得分指数高的站点,如吕厝和湖滨东路,其周边的共享单车订单数量也较多。这表明这些站点不仅在POI数据上表现优秀,而且在共享单车实际使用中也存在大量需求。
- 人口密集区域的共享单车订单数量多,反映了这些区域的交通需求旺盛。
关于这两部分的分析详见:共享单车轨迹数据分析:以厦门市共享单车数据为例(五)_基于共享单车轨迹数据的自行车道连续性评价及提升策略研究-CSDN博客
文章仅用于分享个人学习成果与个人存档之用,分享知识,如有侵权,请联系作者进行删除。所有信息均基于作者的个人理解和经验,不代表任何官方立场或权威解读。
相关文章:

共享单车轨迹数据分析:以厦门市共享单车数据为例(八)
副标题:基于POI数据的站点综合评价——以厦门市为例(三) 什么是优劣解距离法(TOPSIS)? 优劣解距离法(Technique for Order Preference by Similarity to Ideal Solution,简称TOPSI…...

sentinel原理源码分析系列(二)-动态规则和transport
本文是sentinel原理源码分析系列第二篇,分析两个组件,动态配置和transport 动态规则 Sentinel提供动态规则机制,依赖配置中心,如nacos,zookeeper,组件支持动态配置,模板类型为规则,支…...

ubuntu切换源方式记录(清华源、中科大源、阿里源)
文章目录 前言一、中科大源二、清华源三、阿里源 前言 记录ubunut切换各个源的方式。 备注:更换源之后使用sudo apt-get update更新索引。 提示:以下是本篇文章正文内容,下面案例可供参考 一、中科大源 地址:https://mirrors.u…...

【10】纯血鸿蒙HarmonyOS NEXT星河版开发0基础学习笔记-泛型基础全解(泛型函数、泛型接口、泛型类)及参数、接口补充
序言: 本文详细讲解了关于ArkTs语言中的泛型,其中包含泛型函数、泛型接口、泛型约束、泛型类及其中参数的使用方法,补充了一部分接口相关的知识,包括接口的继承和具体实现,也写到了一些边边角角的小知识,剩…...
2024年09月CCF-GESP编程能力等级认证C++编程一级真题解析
本文收录于专栏《C++等级认证CCF-GESP真题解析》,专栏总目录:点这里。订阅后可阅读专栏内所有文章。 一、单选题(每题 2 分,共 30 分) 第 1 题 据有关资料,山东大学于1972年研制成功DJL-1计算机,并于1973年投入运行,其综合性能居当时全国第三位。DJL-1计算机运算控制…...

基于多维统计分析与GMM聚类的食品营养特征研究
1.项目背景 在当今社会,随着人们对健康和营养的日益关注,深入了解食品的营养成分及其对人体的影响变得越来越重要,本研究采用了多维度的分析方法,包括营养成分比较分析、统计检验、营养密度分析和高斯混合模型(GMM&am…...
SkyWalking 告警功能
SkyWalking 告警功能是在 6.x 版本新增的,其核心由一组规则驱动,这些规则定义在config/alarm-settings.yml文件中。 告警规则 告警规则:它们定义了应该如何触发度量警报,应该考虑什么条件。Webhook(网络钩子):定义当警告触发时,哪些服务终端需要被告知。常用告警规则 …...

国内旅游:现状与未来趋势分析
在当今社会快速发展的背景下,国内旅游更是呈现出蓬勃的发展态势。中国,这片拥有悠久历史、灿烂文化和壮丽山河的广袤土地,为国内旅游的兴起与发展提供了得天独厚的条件。 本报告将借助 DataEase 强大的数据可视化分析能力,深入剖…...

西电25考研 VS 24考研专业课大纲变动汇总
01专业课变动 西安电子科技大学专业课学长看到953网络安全基础综合变为 893网络安全基础综合,这是因为工科要求都必须是8开头的专业课,里面参考课本还是没变的,无非就是变了一个名字 对于其他变动专业课也是同理的 02专业课考纲内容变化 对于…...

【Linux】进程管理:状态与优先级调度的深度分析
✨ 山海自有归期,风雨自有相逢 🌏 📃个人主页:island1314 🔥个人专栏:Linux—登神长阶 ⛺️ 欢迎关注:👍点赞 …...
同轴电缆笔记
同轴电缆笔记 射频同轴电缆的阻抗标准为什么是50Ω或75Ω呢? 在PCB设计中,在合理的范围内,传输线阻抗的具体数值并不重要。只要控制好整条传输线的阻抗,不要出现阻抗不连续的情况就好了。设计中的其他因素往往决定了我们用什么样…...

【Verilog学习日常】—牛客网刷题—Verilog企业真题—VL74
异步复位同步释放 描述 题目描述: 请使用异步复位同步释放来将输入数据a存储到寄存器中,并画图说明异步复位同步释放的机制原理 信号示意图: clk为时钟 rst_n为低电平复位 d信号输入 dout信号输出 波形示意图: 输入描…...

在Linux系统安装Nginx
注意:Nginx端口号是80(云服务器要放行) 我的是基于yum源安装 安装yum源(下面这4步就好了) YUM源 1、将源文件备份 cd /etc/yum.repos.d/ && mkdir backup && mv *repo backup/ 2、下载阿里源文件 curl -o /etc/yum.repos.d/CentOS-Base.repo ht…...

C初阶(六)--- static 来喽
前言:C语言中有许多关键字(关键字是预先保留的标识符,具有特殊意义,不能用作变量 名、函数名等普通标识符。) 比如:前面在变量与常量那一节提到的extern 就是一个关键字,应该还记得e…...

Git版本控制工具--关于命令
Git版本控制工具 学习前言 在项目开发中,总是需要多个人同时对一个项目进行修改,如何高效快速地进行修改,且控制各自修改的版本不会和他人的进行重叠,这就需要用到Git分布式版本控制器了 作用 解决了一致性,并发性…...

【iOS】计算器的仿写
计算器 文章目录 计算器前言简单的四则运算UI界面事件的逻辑小结 前言 笔者应组内要求,简单实现了一个可以完成简单四则运算的计算器程序。UI界面则是通过最近学习的Masonry库来实现的,而简单的四则运算内容则是通过栈来实现一个简单的四则运算。 简单…...
报错 libgomp.so.1, needed by vendor/llama.cpp/ggml/src/libggml.so, not found
在安装 xinference时报错 安装命令 pip install "xinference[all]" 报错内容 ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 1.2/1.2 MB 3.7 MB/s eta 0:00:00 INFO: pip is looking at multiple versions of multiprocess t…...
wsl(3) -- USB使用
1. 简介 WSL1中可以直接使用Windows的串口,其对应关系就是COMx对应WSL的/dev/ttySx,例如COM2对应WSL的/dev/ttyS2。WSL2是不支持USB设备的,但可以通过usbipd-win程序将windows上的usb设备映射到wsl2中,参考微软官方文档连接 USB …...

从原理到代码:如何通过 FGSM 生成对抗样本并进行攻击
从原理到代码:如何通过 FGSM 生成对抗样本并进行攻击 简介 在机器学习领域,深度神经网络的强大表现令人印象深刻,尤其是在图像分类等任务上。然而,随着对深度学习的深入研究,研究人员发现了神经网络的一个脆弱性&…...

从零开始学习OMNeT++系列第一弹——OMNeT++的介绍与安装
最近由于由于工作上的需求,接了一个网络仿真的任务。于是开始调研各个仿真平台,然后根据目前的需求和网络上公开资料的多少,决定使用omnet这个网络仿真平台。现在也是刚开始学习,所以决定记录一下从零开始的这个学习过程。因为虽然…...
Oracle查询表空间大小
1 查询数据库中所有的表空间以及表空间所占空间的大小 SELECTtablespace_name,sum( bytes ) / 1024 / 1024 FROMdba_data_files GROUP BYtablespace_name; 2 Oracle查询表空间大小及每个表所占空间的大小 SELECTtablespace_name,file_id,file_name,round( bytes / ( 1024 …...

Python:操作 Excel 折叠
💖亲爱的技术爱好者们,热烈欢迎来到 Kant2048 的博客!我是 Thomas Kant,很开心能在CSDN上与你们相遇~💖 本博客的精华专栏: 【自动化测试】 【测试经验】 【人工智能】 【Python】 Python 操作 Excel 系列 读取单元格数据按行写入设置行高和列宽自动调整行高和列宽水平…...

大型活动交通拥堵治理的视觉算法应用
大型活动下智慧交通的视觉分析应用 一、背景与挑战 大型活动(如演唱会、马拉松赛事、高考中考等)期间,城市交通面临瞬时人流车流激增、传统摄像头模糊、交通拥堵识别滞后等问题。以演唱会为例,暖城商圈曾因观众集中离场导致周边…...

PPT|230页| 制造集团企业供应链端到端的数字化解决方案:从需求到结算的全链路业务闭环构建
制造业采购供应链管理是企业运营的核心环节,供应链协同管理在供应链上下游企业之间建立紧密的合作关系,通过信息共享、资源整合、业务协同等方式,实现供应链的全面管理和优化,提高供应链的效率和透明度,降低供应链的成…...
vue3 字体颜色设置的多种方式
在Vue 3中设置字体颜色可以通过多种方式实现,这取决于你是想在组件内部直接设置,还是在CSS/SCSS/LESS等样式文件中定义。以下是几种常见的方法: 1. 内联样式 你可以直接在模板中使用style绑定来设置字体颜色。 <template><div :s…...

自然语言处理——Transformer
自然语言处理——Transformer 自注意力机制多头注意力机制Transformer 虽然循环神经网络可以对具有序列特性的数据非常有效,它能挖掘数据中的时序信息以及语义信息,但是它有一个很大的缺陷——很难并行化。 我们可以考虑用CNN来替代RNN,但是…...
【学习笔记】深入理解Java虚拟机学习笔记——第4章 虚拟机性能监控,故障处理工具
第2章 虚拟机性能监控,故障处理工具 4.1 概述 略 4.2 基础故障处理工具 4.2.1 jps:虚拟机进程状况工具 命令:jps [options] [hostid] 功能:本地虚拟机进程显示进程ID(与ps相同),可同时显示主类&#x…...

推荐 github 项目:GeminiImageApp(图片生成方向,可以做一定的素材)
推荐 github 项目:GeminiImageApp(图片生成方向,可以做一定的素材) 这个项目能干嘛? 使用 gemini 2.0 的 api 和 google 其他的 api 来做衍生处理 简化和优化了文生图和图生图的行为(我的最主要) 并且有一些目标检测和切割(我用不到) 视频和 imagefx 因为没 a…...

并发编程 - go版
1.并发编程基础概念 进程和线程 A. 进程是程序在操作系统中的一次执行过程,系统进行资源分配和调度的一个独立单位。B. 线程是进程的一个执行实体,是CPU调度和分派的基本单位,它是比进程更小的能独立运行的基本单位。C.一个进程可以创建和撤销多个线程;同一个进程中…...

【 java 虚拟机知识 第一篇 】
目录 1.内存模型 1.1.JVM内存模型的介绍 1.2.堆和栈的区别 1.3.栈的存储细节 1.4.堆的部分 1.5.程序计数器的作用 1.6.方法区的内容 1.7.字符串池 1.8.引用类型 1.9.内存泄漏与内存溢出 1.10.会出现内存溢出的结构 1.内存模型 1.1.JVM内存模型的介绍 内存模型主要分…...