張曉亮， 陳智宏， 劉冬梅，3， 龔翔， 李俊衛(wèi)， 王文靜

(1.交通部公路科學研究院， 北京 100088； 2.北京市交通運行監(jiān)測調(diào)度中心， 北京 100073；3.北京工業(yè)大學， 北京 100124； 4.深圳市交通運輸委員會， 深圳 518000)

?

一種基于多源數(shù)據(jù)的出租車分布預測方法研究

張曉亮1， 陳智宏2， 劉冬梅1，3， 龔翔4， 李俊衛(wèi)1， 王文靜1

(1.交通部公路科學研究院， 北京 100088； 2.北京市交通運行監(jiān)測調(diào)度中心， 北京 100073；3.北京工業(yè)大學， 北京 100124； 4.深圳市交通運輸委員會， 深圳 518000)

為了改善傳統(tǒng)的交通需求預測方法以居民出行OD調(diào)查為基礎，得出的交通分布結果受樣本量等因素影響，預測值與實際值相差較大的問題，本文提出基于現(xiàn)有出租車GPS數(shù)據(jù)、計價器數(shù)據(jù)和電召數(shù)據(jù)的一種基于多源數(shù)據(jù)融合的出租車分布預測方法，進行出租車出行分布預測. 該方法可以根據(jù)多源歷史數(shù)據(jù)估計出租車OD分布，并可通過預測未來出租車OD分布，提高預測準確率.

交通工程； 出租車； 交通分布預測； 多源數(shù)據(jù)

0 引言

出租車作為城市公共交通的重要組成部分，截至2012年底，我國北京、石家莊、大連、哈爾濱、泰州、杭州、宣城、濰坊、鄭州、深圳、成都、重慶、昆明、西安、蘭州15個城市，共有出租汽車204 622輛，出租車對居民的出行承擔著越來越重要的角色. 近年來隨著我國對出租車信息化建設的重視和投入，上述一些城市的出租車上都安裝了GPS車載設備、計價器，同時大部分城市已經(jīng)開展了電召服務，包括電話招車和手機招車等方式.

這些先進設備的增加豐富了出租車的運行數(shù)據(jù)采集內(nèi)容，打破了傳統(tǒng)調(diào)查數(shù)據(jù)的局限. 傳統(tǒng)的交通需求預測方法以居民出行OD調(diào)查分析為基礎，預測得出的出租車交通分布受樣本量等影響，預測值與實際值相差較大. 基于現(xiàn)有出租車GPS數(shù)據(jù)、計價器數(shù)據(jù)和電召數(shù)據(jù)，進行出租車出行分布預測將大大提高預測準確率. 除了樣本量影響的問題，在東南大學王昊等[3]提到傳統(tǒng)的集計預測模型只考慮了載客出租車的出行量,這種方法缺乏對出租車行駛狀態(tài)的全面分析，缺少空駛車輛數(shù)據(jù),結果當然是誤差很大的.

本文利用出租車GPS數(shù)據(jù)、計價器數(shù)據(jù)和電召數(shù)據(jù)，針對出租車出行, 對出租車出行規(guī)律進行分析, 建立了基于多源數(shù)據(jù)的出租車出行分布預測模型,構建基于多源歷史數(shù)據(jù)的出租車分布OD矩陣, 該方法可以根據(jù)多源歷史數(shù)據(jù)估計出租車OD分布，并可通過預測未來出租車OD分布，對于提高預測準確率，改進傳統(tǒng)方法數(shù)據(jù)準確性，有很大作用.

1 出租車出行分布預測

出行發(fā)生預測可以得知對象區(qū)域各分區(qū)出行產(chǎn)生量和出行吸引量. 出租車從出發(fā)點到目的地移動的過程即為1次出租車出行. 出租車出行主要包括載客出行、空駛出行和停駛3種狀態(tài). 載客出行主要以乘客的需求為主；空駛出行主要以司機避免空駛，試圖以最小的成本找到新乘客為主要因素；停駛分為長時間停駛和短時間停駛，一般是由于其他因素，比如司機休息、車輛故障等. 利用采集的各種數(shù)據(jù)對各種出行狀態(tài)進行分析，即可進行出租車出行分布預測.

出租車出行分布量是指：分區(qū)i與分區(qū)j之間平均單位時間內(nèi)的出行量，單位時間可以是1天、1周、1月、1年等，也可以是專指高峰小時. 就一對分區(qū)i和j而言，它由2部分qij、qji組成：qij為以分區(qū)i為產(chǎn)生點(注：不一定是出行的起點)，以分區(qū)j為吸引點(不是出行的終點)的出行量；qji為以分區(qū)j為產(chǎn)生點，分區(qū)i為吸引點的出行量. 其中同一個分區(qū)的產(chǎn)生量不一定等于吸引量.qij、qji共同組成出行分布矩陣，出租車出行分布預測實際上就是由已知矩陣求未知矩陣的過程. 而在求解過程中，傳統(tǒng)的方法是基于傳統(tǒng)OD調(diào)查法進行計算，再通過增長系數(shù)法、重力模型等方法進行預測；本文是基于多源數(shù)據(jù)進行多種信息優(yōu)化OD分布矩陣，再運用增長系數(shù)法進行出租車未來年交通分布預測.

2 數(shù)據(jù)分析與處理

2.1 數(shù)據(jù)格式

根據(jù)目前出租車信息系統(tǒng)已接入的數(shù)據(jù)，本文將對出租車GPS數(shù)據(jù)、計價器數(shù)據(jù)和電召數(shù)據(jù)進行分析和處理，這部分內(nèi)容也是整個研究的核心組成部分，以下是這3種數(shù)據(jù)的接入格式.

1)GPS數(shù)據(jù)

表1

2)計價器數(shù)據(jù)

字段類型備注交易類型String現(xiàn)金，刷卡交易金額number(10)單位(001元)交易順序號number(10)交易時間String格式：yyyy?MM?ddHH：mm：ss應收金額number(10)單位(001元)等候時間String字符串格式：HHmm行駛里程number(10)單位(01km)空駛里程number(10)單位(01km)上車天數(shù)number(10)上車時間String格式：HHmm車牌號String如：BL7781單價number(10)單位(001元)車隊編號String

3)電召數(shù)據(jù)(括電話電召數(shù)據(jù)、手機電召數(shù)據(jù)等).

字段備注arrange＿channel約車渠道，0電話、1網(wǎng)站、2手機軟件arrange＿type約車類型，0：即時30min內(nèi)用車，1：預約30min以上assign＿type派車狀態(tài)，0：自動調(diào)派，1：人工指派order＿type 訂單狀態(tài)，0無應答：無司機應招、司機應招前乘客取消；1訂單完成；2司機爽約：司機沒去接乘客；3乘客爽約：有司機應招后乘客不用車/由于乘客原因司機沒接上乘客cancel＿reason爽約原因，1、事前告知，2、事后告知，3、無告知，4、其他order＿time訂單生成時間passenger＿name乘客稱謂passenger＿tel乘客電話號碼use＿locale用車地點，行政區(qū)，路(區(qū)域)，標志物use＿lon用車地點經(jīng)度use＿lat用車地點緯度use＿time用車時間destination目的地driver＿code司機服務監(jiān)督卡號driver＿tel司機聯(lián)系電話vehicle＿code車牌號create＿date創(chuàng)建時間，默認為系統(tǒng)當前時間reply＿time短信或電話告知乘客約車信息的時間

2.2 數(shù)據(jù)分析

在出租車交通分布預測中關鍵是將所有的出租車OD信息提取并與選擇的交通小區(qū)對應，并累計數(shù)據(jù)，從而得到基年交通出行分布OD矩陣.

目前大部分車載GPS 都是與計價器聯(lián)機的，即可以通過這些設備實現(xiàn)對出租車各項運營指標的實時信息收集. 可以從上面所采集的數(shù)據(jù)抽取所有出租車實時運行信息(載客、 空駛、駐車OD位置信息、時間信息等). 在實際數(shù)據(jù)中采集的GPS數(shù)據(jù)會出現(xiàn)部分數(shù)據(jù)錯誤、丟失或延遲問題，而計價器數(shù)據(jù)受設備影響也會在回傳的數(shù)據(jù)中出現(xiàn)個別不準的問題. 因此必須對數(shù)據(jù)進行補充和校正.

電召數(shù)據(jù)采集比較全面準確，但是只是部分數(shù)據(jù)，并不是所有的乘客都是通過電召方式乘坐出租車的，所以將電召數(shù)據(jù)與GPS數(shù)據(jù)和計價器數(shù)據(jù)結合使用將大大提高整個數(shù)據(jù)的使用價值.

2.3 數(shù)據(jù)處理

1) 數(shù)據(jù)預處理

首先根據(jù)研究需要，選取1年的出租車GPS數(shù)據(jù)、計價器數(shù)據(jù)和電召數(shù)據(jù). 分別對數(shù)據(jù)進行預處理，包括數(shù)據(jù)標準化、噪聲數(shù)據(jù)剔除、屬性分離歸納、屬性匹配等. 此步驟的目的是有利于3種數(shù)據(jù)的有效融合. 其中，出租車GPS數(shù)據(jù)的空、重車數(shù)據(jù)要與計價器的數(shù)據(jù)的交易時間和上車時間對應，電召數(shù)據(jù)要與出租車GPS數(shù)據(jù)對應.

2) 多源數(shù)據(jù)融合

多源數(shù)據(jù)融合分3個層次，即像素級、特征級和決策級，本文研究的基于出租車GPS數(shù)據(jù)、計價器數(shù)據(jù)和電召數(shù)據(jù)的應用采用特征級融合. 常用的特征級數(shù)據(jù)融合法包括：貝葉斯法、熵法、加權平均法、神經(jīng)網(wǎng)絡法、聚類分析法、表決法等. 由于本文提取的特征屬性主要集中在出租車的時間屬性與地點屬性上，采用聚類分析法較適用，即將3類數(shù)據(jù)進行時間屬性和地點屬性的聚類分析，得出一組具有一致OD屬性的出租車出行數(shù)據(jù)，以備接下來的模型運算.

3 模型與方法

3.1 模型對象描述

根據(jù)大量數(shù)據(jù)統(tǒng)計得出停駛狀態(tài)在整個出租車行業(yè)存在的比例較小，并且考慮這部分小量的數(shù)據(jù)對于出租車出行分布影響較小，本研究將不考慮停駛狀態(tài)，只考慮載客、空駛和短時駐車3種狀態(tài)，下面是對出租車出行狀態(tài)的描述：

1) 出租車載客狀態(tài)：乘客上車的地點為出發(fā)點即出行起點, 乘客下車的地點為目的地即出行終點.

2) 出租車空駛狀態(tài)：上一乘客下車的地點為出發(fā)點即出行起點，下一乘客上車的地點為目的地即出行終點.

3) 出租車駐車狀態(tài)：對短時間(小于1 h)駐車，駐車地點為出發(fā)點即出行起點，乘客上車的地點為目的地即出行終點.

3.2 模型構建

3.2.1 研究假設條件

1) 假設研究對象滿足出行產(chǎn)生吸引平衡規(guī)律，即小區(qū)對出租車出行的吸引量等于該小區(qū)出租車出行的產(chǎn)生量.

2) 假設交通區(qū)間出行分布量與交通區(qū)發(fā)生吸引量成正比.

3) 假設交通區(qū)間出行分布量與交通區(qū)間阻抗成反比.

4) 假設當交通小區(qū)i到交通小區(qū)j的阻抗趨近于零時i到j的區(qū)間出行量，趨近于j的吸引量.

5) 當交通小區(qū)i到j的阻抗趨近于無窮時i到j的區(qū)間出行量趨近于零.

3.2.2 模型建立

1) 選定研究交通小區(qū)，如圖1所示.

圖1 交通小區(qū)

選取第N年的出租車數(shù)據(jù)作為基年數(shù)據(jù)，提取出租車的OD信息，列出初始現(xiàn)狀OD矩陣表示交通小區(qū)i到交通小區(qū)j之間的交通分布矩陣，qij表示由交通小區(qū)i到交通小區(qū)j之間的交通量，O表示出發(fā)地，D表示目的地，T為研究對象小區(qū)的生成交通量. 通過將出租車GPS數(shù)據(jù)、計價器數(shù)據(jù)和電召數(shù)據(jù)的融合，可以得到完成的出租車出行現(xiàn)狀OD矩陣,如表1所示.

按照守恒原則，∑qij=Oi,∑qij=Di,∑Oi= ∑Oi=T.

2)選用增長系數(shù)法，進行交通分布預測. 在增長系數(shù)的確定上有2種方法：一種是根據(jù)經(jīng)驗預設每個小區(qū)未來目標年的發(fā)生增長系數(shù)為FOi和吸引增長系數(shù)為FDi；另一種是利用N+1年的歷史數(shù)據(jù)計算增長系法，這種方法是基于實際數(shù)據(jù)進行，需要列出N+1年的出行矩陣，如表2所示.

表1 基年出租車出行分布現(xiàn)狀OD矩陣

表2 N+1年出租車出行分布現(xiàn)狀OD矩陣

每個小區(qū)未來目標年的發(fā)生增長系數(shù)可通過歷史年的數(shù)據(jù)計算：F′Oi=Ui/Oi，吸引增長系數(shù)F′Dj=Vj/Dj，如果是多個歷史年份的數(shù)據(jù)則可以求得平均值，或通過線性擬合推測，求出每個小區(qū)未來目標年的發(fā)生增長系數(shù).

3)確定了增長系數(shù)，可對預測目標年的出租車出行分布進行求解，即反復迭代使得新計算的OD矩陣收斂,主要步驟如下：

(1)

步驟3：收斂判別

(2)

(3)

(4)

其中，ε為任意給定的誤差常數(shù).

反復迭代直到滿足式(3)和式(4)，即求得目標年出租車出行分布矩陣.

3.3 小結

上述方法通過全面的和準確的出租車現(xiàn)狀出行矩陣，采用增長系數(shù)法，進行目標年的出租車出行分布預測. 2種確定增長系數(shù)的方法中，第1種是傳統(tǒng)方法常用的方法之一，第2種本文建議在有充足的歷史數(shù)據(jù)情況下應用，因為這種方法來源于大量的實際數(shù)據(jù)，具有更科學和準確性的特點. 同時，在應用歷史數(shù)據(jù)的情況下，實際上已經(jīng)將除了交通小區(qū)本身的發(fā)生增長因素和吸引增長因素考慮進來，同時也考慮了增長函數(shù)影響的其他的無形因素，從整體上提高了方法的準確性.

4 結束語

本文在交通規(guī)劃四階段法的基礎上,提出通過對出租車GPS數(shù)據(jù)、計價器數(shù)據(jù)和電召數(shù)據(jù)的融合，得到全面的和準確的出租車出行矩陣，進行出租車出行分布預測. 該方法可根據(jù)多源歷史數(shù)據(jù)估計出租車OD分布，并可預測未來出租車OD分布. 對于傳統(tǒng)方法數(shù)據(jù)的局限性，本方法增加了出租車準確的位置信息，運行狀態(tài)數(shù)據(jù)及乘客意愿數(shù)據(jù),該方法對出租車出行分布的預測更為全面、準確、方便.

利用多源數(shù)據(jù)研究交通分布預測對于利用現(xiàn)有信息化設備產(chǎn)生的數(shù)據(jù)具有巨大的意義，本文只是做了初步探討，今后還需進行深入研究：在數(shù)據(jù)清洗中的更加全面和優(yōu)化的清洗方法；迭代算法確定是否能優(yōu)化；能否通過分擔率來進行更全面的綜合交通規(guī)劃交通需求預測等等.

[1] 邵春福. 交通規(guī)劃原理[M]. 北京: 中國鐵道出版社, 2004.

[2] 遲光華. 基于浮動車數(shù)據(jù)的出租車運行特點分析[J]. 交通世界, 2011(20): 84-85.

[3] 王昊, 王煒, 陳峻, 等. 城市出租車交通分布預測模型[J]. 公路交通科技, 2006(23): 145-148.

[4] 賈永基. 車輛調(diào)度問題優(yōu)化算法研究[D]. 上海: 上海交通大學, 2004: 1-115.

[5] 鄧明君, 王鐵中. 居民出行分布預測的改進模型研究[J]. 交通信息與安全, 2010, 28(3): 71-74

[6] 李旭宏. 城市交通分布預測模型研究[J]. 東南大學學報, 1997(11): 152-155.

A Taxi Travel Forecasting Method Based on Multi-source Data

ZHANG Xiao-liang1， CHEN Zhi-hong2, LIU Dong-mei1, GONG Xiang4, LI Jun-wei1, WANG Wen-jing1

(1.Research Institute of Highway, Ministry of Transport, Beijing, 100088 China；2.Beijing Municipal Transportation Operation Coordination Center, Beijng 100073 China；3.Beijing University Of Technology， Beijing 100124，China;4.Transport Commission of Shenzhen Municipality， Shenzhen 518000, China)

The traditional method of travel forecasting based on the analysis of residents travel OD survey, is often limited due to the sample size and other factors. This paper proposes a travel prediction method based on the existing taxi GPS data, pricing data, and phone-call data. The method can estimate the distribution status of the city’s taxi traffic based on historical data and can predict the distribution of taxi traffic in planning year.The forecasting accuracy rate of taxi trip distribution will be greatly enhanced.

traffic engineering; taxi; traffic distribution forecast; multi-source data

10.13986/j.cnki.jote.2015.01.009

2014- 10- 31.

交通運輸部應用基礎研究項目(項目編號：2013319223210).

張曉亮(1983—)，女，助理研究員，研究方向為城市交通智能交通. E-mail:zxl@itsc.cn.

U 491

A

1008-2522(2015)01-47-05