大家说某城市副中心是睡城,你这个图我都了解,那大数据的意义何在?其实本身大数据对决策在于精细化,从宏观到微观,实际上从这个图我们可以看到不仅是了解宏观的不平衡,还可以看到具体在哪个区域,也就是说从城市副中心之外工作,到底在哪个区域,结合刚才的新一线的研究,可以看到城市副中心应该引用什么样的商业能够减少拥堵,这就是我们大数据的力量。
这是跨乡镇出行的人口流量,这是2014年 - 2016年城市副中心15个乡镇出行人数的变化。后面这个是跨镇出行居住地和工作地的改变,黄色的箭头是上升的,蓝色的箭头是下降的,具体在城市规划当中的作用怎么去解读?怎么分析?这个工作我们交给具体的城市规划师,作为数据科学和数据建设,把数据是展现在大家的面前。
这是城市副中心2014年-2016年的网格化差异,这两个图的比例是一样的,差异的比例不一样。箭头点的地方是城市副中心新城的位置,点击这个位置可以显示出网格里公交和地铁刷卡的人数的变化。我们也提出过用数据支撑"公共交通+单车"的联合出行方式这样的方案;也有用算法进行客流预测,采用三年的数据,用一年的数据去做验证,最后的效果还是不错的,预测可以达到90%多的准确率,目前的误差原因是有天气因素。还有一些数据由于开放性不够,国内的数据开放度不如美国,这个地方也是随着数据的政府共享的提高,精确的程度还会进一步的提高。这是我们2017年年初的,可以真正预测到后面的一些时间真实的预测客流,以后我们要做到每天每个站点的提前一周的预测。
第二个案例,这个案例更新鲜出炉,北京市某地铁站要封站三年,这里有一些正面的、负面的反馈,原来在某地铁站上车的这些人怎么办?这是最关键的问题,传统的是用问卷调查的方式,我们现在有数据就可以从"宏观数据+问卷调查"对客流样本进行研究,再去分析分段客流的状态,最后提出解决的思路。这是一个基本的建模,把高峰出行建模,出站前、站中和站后,我们重点做站前和出站后的两端。中间部分我们也在开发,因为这里涉及一些地铁内部的信号辐射和一些技术的问题都没有解决。