般来说,与交通小区i距离越近的交通小区,对该小区交通需求的影响越大,时空距离矩 阵一般运用高斯函数构建: (d)2 W=exp(-=12) ④对带宽h,时空参数μ和进行标定 为了简化上述模型,令τ=uA,则距离公式可以表示为 (d)2 之=4-4)+(-1)]+(-1)2 (3) 利用交叉验证计算残差平方和,绘制以h为横坐标,以残差平方和为纵坐标来确定参数 h的最优值。 CRSS(h)=∑(y-y2(h) ⑤回归参数估计 GTWR模型基本形式如下所示 Y=B(u1,",)+∑B(u1,,)X从+E 其中,G为误差项,(xy2b为不同类型PO对于交通小区交通需求的时空相关程度, 使用最小二乘估计方法,通过使残差平方和最小来估计相关系数 因此,各种类型POI密度与交通需求之间的参数估计可以表示为: B(u v, =[Xw(u v,oXrY'w(u, v, L, )Y 三、案例分析 在本部分,杭州市是我们选择验证GTWR模型是否适用于交通需求预测研究的城市, 我们应用杭州市车牌数据及杭州市路网进行探究,将杭州市划分为126个交通小区,并且建 立杭州市交通需求影响因素的数据集 )车牌数据 车牌数据相对于其他数据来说具有样本量大和精确度高的特点,车牌数据包括车辆的 车牌号、运行时间、地点以及车辆类别等,因此我们能从数据中获取所有车辆的出行链。杭 州市共有1399个检测器,且检测器覆盖率在90%以上,因此据此获取的车牌数据能够较完 整的描述杭州市机动化出行,表1显示了检测设备的记录表,检测设备的详细经纬度坐标便 (c)1994-2019ChinaAcademicJournalElectronicPublishingHouse.Allrightsreservedhttp://www.cnki.net一般来说，与交通小区 i 距离越近的交通小区，对该小区交通需求的影响越大，时空距离矩 阵一般运用高斯函数构建： exp( ) 2 2 h d W ST ij （ ）   （2） ④对带宽 h，时空参数 μ 和 λ 进行标定 为了简化上述模型，令 τ=μ/λ，则距离公式可以表示为 2 2 2 2 [( ) ( ) ] ( ) ( ) i j i j i j ST u u v v t t d        （3） 利用交叉验证计算残差平方和，绘制以 h 为横坐标，以残差平方和为纵坐标来确定参数 h 的最优值。 2 1 CVRSS(h) ( y y (h)) i i      （4） ⑤回归参数估计 GTWR 模型基本形式如下所示： i i i ik i k Yi   (ui ,vi ,ti)  k (u ,v ,t )X   0 （5） 其中，εi 为误差项，βk(xi,yi,ti)为不同类型 POI 对于交通小区交通需求的时空相关程度， 使用最小二乘估计方法，通过使残差平方和最小来估计相关系数。 因此，各种类型 POI 密度与交通需求之间的参数估计可以表示为： u v t X W u v t X X W ui vi ti Y T i i i T i i i ( , , ) [ ( , , ) ] ( , , ) 1    （6） 三、案例分析 在本部分，杭州市是我们选择验证 GTWR 模型是否适用于交通需求预测研究的城市， 我们应用杭州市车牌数据及杭州市路网进行探究，将杭州市划分为 126 个交通小区，并且建 立杭州市交通需求影响因素的数据集。 （一）车牌数据 车牌数据相对于其他数据来说具有样本量大和精确度高的特点[12]，车牌数据包括车辆的 车牌号、运行时间、地点以及车辆类别等，因此我们能从数据中获取所有车辆的出行链。杭 州市共有 1399 个检测器，且检测器覆盖率在 90%以上，因此据此获取的车牌数据能够较完 整的描述杭州市机动化出行，表 1 显示了检测设备的记录表，检测设备的详细经纬度坐标便