在对每个居民一周通勤行为四个方面是固定性或具有差异性进行区分的基础上，结合前文中不同通勤模式的界定，对居民们通勤行为模式的类型进行归类，并利用二次开发在ArcScene中进行不同模式居民一周轨迹的三维可视化，并将每种模式样本量的数量按照社区进行统计（图9－8）。
其中，模式1表示样本的通勤在时间、空间、方式、路径四个维度上都具有固定性，从可视化结果可以发现这类样本的一周时空路径非常规律，一周工作日中各天的时空轨迹都比较相似。模式2表示样本的通勤在路径上具有日间差异，此类样本的时空路径从整体上看也比较规律，但每一天的通勤轨迹有所不同，这种差异性在表示空间的x－y二维平面中更加明显。模式3表示样本在通勤时间上具有日间差异，如每天的下班或到家时间可能不同，这种差异性在表示时间维度的z轴上更加明显。模式4表示样本在通勤时间和轨迹上有所不同，而通勤地点和交通方式相对固定，这种差异性表现在三维空间的各个维度中，时空轨迹开始变得杂乱。模式5表示样本的通勤地点固定，而通勤的时间、方式、路径都均有日间差异性，这意味着每一天的通勤轨迹只有起止点的位置是固定的。模式6表示在一周的通勤中只有交通方式是固定的，不同工作日的时空轨迹表现出很大的差异。模式7表示样本的通勤在各个维度上均表现出日间差异，此类样本的一周时空轨迹非常杂乱，并且相对较难观察出一周的节律性。
图9－8 样本居民一周通勤模式的可视化(www.xing528.com)
（彩图见书末）
从各种通勤模式的样本数量看，模式5（空间固定，时间、方式、路径弹性）是居民最主要的通勤模式，反映了通勤空间较强的固定性。其次是模式7，模式4，模式3，模式6，由于通勤时间的固定性较弱，模式1与模式2样本量较少[2]。从社区差异看，天通苑模式1，模式3，模式5样本量较多，亦庄模式2，模式4，模式6样本量较多。对不同通勤模式居民的平均通勤时间和平均职住距离进行统计（表9－6），模式1与模式2通勤时间固定的两类模式居民的平均通勤时间与职住距离都较长，而模式3与模式4通勤时间具有差异性而方式固定的两类模式居民的平均通勤时间较短，其中路径固定的模式3平均职住距离最小。
表9－6 不同通勤模式居民通勤特征统计
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
