邱端昇， 鄔群勇， 劉 萌， 孫 梅

(福州大學(xué)地理空間信息技術(shù)國(guó)家地方聯(lián)合工程研究中心， 空間數(shù)據(jù)挖掘與信息共享教育部重點(diǎn)實(shí)驗(yàn)室， 福建省空間信息工程研究中心， 福建 福州 350116)

0 引言

出租車(chē)軌跡數(shù)據(jù)是一種覆蓋范圍廣、 采集成本低的位置大數(shù)據(jù)， 近年來(lái)利用出租車(chē)軌跡研究分析城市居民行為與出租車(chē)行為策略成為熱點(diǎn)[1-5]. Yuan等[6]基于出租車(chē)GPS軌跡， 將載客、 空載、 停車(chē)等因素納入研究分析， 提出停車(chē)位置探測(cè)算法用來(lái)發(fā)現(xiàn)出租車(chē)最可能停車(chē)位置； 唐爐亮等[7]通過(guò)研究出租車(chē)上下客的時(shí)空分布特性以及不同時(shí)段內(nèi)的動(dòng)態(tài)性與熱度， 提出出租車(chē)上下客時(shí)空分布的線密度探測(cè)模型； 孫飛等[8]提出基于GPS軌跡大數(shù)據(jù)的出租客源模型， 引入空載段來(lái)優(yōu)化出租效率評(píng)估模型. 目前多數(shù)對(duì)出租車(chē)的研究將載客與空載割裂， 只關(guān)注載客而忽略空載. 本文提出一種新出租車(chē)優(yōu)質(zhì)客源模型， 將與載客相鄰的前后空載納入研究范圍， 引入出租車(chē)開(kāi)銷(xiāo)系數(shù)與行程速度的關(guān)系， 克服已有客源模型開(kāi)銷(xiāo)系數(shù)均質(zhì)化的問(wèn)題， 并基于新客源模型分析城市優(yōu)質(zhì)客源的時(shí)空分布規(guī)律.

1 優(yōu)質(zhì)客源模型及改進(jìn)

文獻(xiàn)[7]將載客段與相鄰的下一空載段結(jié)合作為研究對(duì)象， 通過(guò)收入、 時(shí)間及效率構(gòu)建模型， 量化出租車(chē)客源.

I=L1×K0-K1×(L1+L2)

(1)

式中：I為一次載客的實(shí)際盈利；L1(km)為載客里程；L2(km)為相鄰空載里程；K0為當(dāng)?shù)氐某鲎庥?jì)價(jià)標(biāo)準(zhǔn)；K1為出租開(kāi)銷(xiāo)系數(shù). 計(jì)算出總盈利后再引入時(shí)間， 定義出租車(chē)盈利效率， 即單位時(shí)間內(nèi)的盈利.

(2)

式中：E為出租車(chē)盈利效率；I是(1)式中盈利；t1(h)為載客狀態(tài)耗時(shí)；t2(h)空載狀態(tài)耗時(shí).

在文獻(xiàn)[7]的客源模型(下文統(tǒng)稱原模型)中出租開(kāi)銷(xiāo)系數(shù)K1為固定值， 將出租載客與空載的開(kāi)銷(xiāo)系數(shù)均質(zhì)化， 忽略不同狀態(tài)與不同速度下出租車(chē)運(yùn)營(yíng)開(kāi)銷(xiāo)存在差異這一事實(shí). 本文所給客源模型(下文統(tǒng)稱新模型)通過(guò)將出租開(kāi)銷(xiāo)系數(shù)與出租行駛速度聯(lián)立以克服原模型開(kāi)銷(xiāo)系數(shù)均質(zhì)化的問(wèn)題.

研究表明[8]出租車(chē)出行主要集中在中短途， 距離城市中心越遠(yuǎn)， 人們乘坐出租車(chē)出行的意愿越低. 遠(yuǎn)離城市中心地區(qū)雖然單程遠(yuǎn)盈利高， 但出租客源少、 空載時(shí)間長(zhǎng)、 空載開(kāi)銷(xiāo)大， 嚴(yán)重影響出租車(chē)盈利效率. 因此新模型將與載客相鄰的前后兩段空載納入研究， 基于以上兩點(diǎn)提出新模型.

In=S1×(K0-K1)-S2×K2-S3×K3

(3)

式中：In為一次載客實(shí)際盈利；S1(km)為載客里程；S2(km)為前空載里程；S3(km)為后空載里程. 因出租車(chē)營(yíng)運(yùn)狀態(tài)為載客與空載交替， 為恰好覆蓋出租車(chē)一日行程又避免重復(fù)計(jì)算， 一次載客僅選取相鄰的前后空載段各一半計(jì)算開(kāi)銷(xiāo)；K2、K3分別是前后空載段出租車(chē)隨速度變化的開(kāi)銷(xiāo)系數(shù).

(4)

式中：En為出租盈利效率；In是(3)式中盈利；t1(h)為載客狀態(tài)耗時(shí)；t2(h) 和t3(h)分別是前后空載狀態(tài)耗時(shí)， 同樣為避免重復(fù)計(jì)算僅取前后空載段耗時(shí)的一半.

2 實(shí)驗(yàn)數(shù)據(jù)及預(yù)處理

以福州市2015年5月份487輛出租車(chē)GPS軌跡數(shù)據(jù)作為數(shù)據(jù)源. GPS軌跡數(shù)據(jù)采樣間隔短， 連續(xù)性好， 缺失點(diǎn)少， 具有較高的精度與可信度. 一條完整正確的出租車(chē)GPS數(shù)據(jù)記錄， 包括編號(hào)(ID)， 標(biāo)識(shí)號(hào)(TELEPHONE)， 時(shí)間(RECETIME， GPSTIME)， 速度(SPEED)， 經(jīng)緯度(LONGITUDE， LATITUDE)和載客狀態(tài)(TRANSPORTSTATUS). 其中載客狀態(tài)與出租車(chē)計(jì)價(jià)器相關(guān)， 當(dāng)出租車(chē)載客時(shí)計(jì)價(jià)器啟用， 則GPS記錄中的TRANSPORTSTATUS 值為 3. 出租車(chē)空載時(shí)計(jì)價(jià)器閑置， 則TRANSPORTSTATUS 值為4， 依據(jù)此字段區(qū)分載客段與空載段. 出租車(chē)軌跡數(shù)據(jù)如圖1所示.

圖1 出租車(chē)軌跡數(shù)據(jù)實(shí)例Fig.1 Example of taxi trajectory data

出租車(chē)計(jì)價(jià)標(biāo)準(zhǔn)K0采用福州出租車(chē)公司2015年的計(jì)價(jià)標(biāo)準(zhǔn). 新模型對(duì)載客開(kāi)銷(xiāo)系數(shù)K1、 前后空載開(kāi)銷(xiāo)系數(shù)K2、K3做改進(jìn)， 通過(guò)將出租開(kāi)銷(xiāo)系數(shù)與出租行駛速度聯(lián)立以克服原模型開(kāi)銷(xiāo)系數(shù)均質(zhì)化的問(wèn)題. 文中出租車(chē)開(kāi)銷(xiāo)主要指油耗， 國(guó)內(nèi)外針對(duì)車(chē)輛能耗的測(cè)算模型大致可分為四類[9]： 基于發(fā)動(dòng)機(jī)負(fù)載的油耗模型、 基于速度-加速度的油耗模型、 基于機(jī)動(dòng)車(chē)比功率( VSP) 的油耗模型和基于碳平衡法的油耗模型. 以上模型在應(yīng)用中存在車(chē)輛標(biāo)準(zhǔn)不統(tǒng)一和無(wú)法模擬實(shí)際油耗兩個(gè)問(wèn)題， 為此引入一種基于車(chē)輛行駛速度模擬油耗的方法， 即VSP Bin分布設(shè)計(jì)的道路油耗方法， 該方法通過(guò)模擬與實(shí)測(cè)給出一個(gè)車(chē)輛行駛速度與油耗的關(guān)系. 經(jīng)PEMS(車(chē)載尾氣檢測(cè))檢測(cè)， 取得較好的效果. 基于此方法換算出租車(chē)隨行程速度變化的動(dòng)態(tài)開(kāi)銷(xiāo)系數(shù)， 結(jié)果如表1所示.

表1 出租車(chē)的動(dòng)態(tài)開(kāi)銷(xiāo)系數(shù)

3 優(yōu)質(zhì)客源的時(shí)空分布

優(yōu)質(zhì)客源的時(shí)空分布既與城市居民的出行習(xí)慣相關(guān)， 也與城市公共交通的營(yíng)運(yùn)時(shí)間有關(guān)， 為探究城市出租車(chē)優(yōu)質(zhì)客源的時(shí)空分布規(guī)律將研究時(shí)長(zhǎng)定為60 min. 研究表明[3-4]對(duì)出租車(chē)而言優(yōu)質(zhì)客源應(yīng)是單程收入高， 時(shí)間短， 盈利效率高. 部分客源雖然單程收入高， 但前后空載時(shí)間長(zhǎng)， 導(dǎo)致出租車(chē)的平均盈利效率不高， 因此從盈利效率上來(lái)篩選優(yōu)質(zhì)客源更合理. 通過(guò)新模型計(jì)算出租車(chē)營(yíng)運(yùn)的實(shí)際盈利與盈利效率， 將優(yōu)質(zhì)客源定義為每個(gè)時(shí)段盈利效率的前30%的客源[7]. 經(jīng)過(guò)模型處理與密度計(jì)算可得城市優(yōu)質(zhì)客源的時(shí)空分布， 從時(shí)間上看， 可以尋找出租車(chē)出行需求在不同時(shí)段的變化規(guī)律， 探究城市居民的出行習(xí)慣； 從空間上看， 可以找到城市中優(yōu)質(zhì)客源的分布區(qū)域， 挖掘分布規(guī)律及其主客觀原因.

3.1 優(yōu)質(zhì)客源的時(shí)間分布

經(jīng)過(guò)數(shù)據(jù)處理與模型計(jì)算可得出租車(chē)總體客源與優(yōu)質(zhì)客源在時(shí)間上的分布狀況. 為更好地進(jìn)行可視化分析， 將結(jié)果導(dǎo)入Origin Pro制作成風(fēng)向玫瑰圖， 出租車(chē)總體客源與優(yōu)質(zhì)客源在時(shí)間上的分布與變化規(guī)律如圖2所示.

圖2 出租車(chē)總體客源與優(yōu)質(zhì)客源在24 h內(nèi)的分布Fig.2 Distrubution of whole passenger and high quality passenger within 24 hour

圖2采用風(fēng)向玫瑰圖的方法表示客源的時(shí)間分布， 圖中24條柱表示24個(gè)時(shí)段的數(shù)量. 左側(cè)坐標(biāo)軸表示玫瑰圖中的一格代表2 000個(gè)客源， 柱狀越長(zhǎng)則該時(shí)段客源量越大. 對(duì)比發(fā)現(xiàn)優(yōu)質(zhì)客源的分布與總體客源分布并不一致， 客源多的時(shí)段優(yōu)質(zhì)客源并不一定多， 優(yōu)質(zhì)客源在夜間20-24時(shí)集中出現(xiàn).

圖3 優(yōu)質(zhì)客源在全體客源中的比例Fig.3 Proportion of high quality passenger in the total passenger

根據(jù)圖2(b)中優(yōu)質(zhì)客源數(shù)量在時(shí)間上的變化趨勢(shì)將其分為三段： 凌晨1-5時(shí)優(yōu)質(zhì)客源總量小且逐漸減少； 日間6-19時(shí)優(yōu)質(zhì)客源總量大且逐漸增加， 夜間20-24時(shí)優(yōu)質(zhì)客源總量最大且數(shù)量激增. 兩個(gè)谷值出現(xiàn)在凌晨4-5時(shí)與日間16-17時(shí). 凌晨4-5時(shí)居民活動(dòng)少， 出租客源少. 而在日間16-17時(shí)情況不同， 首先此時(shí)是下班高峰期， 道路擁堵導(dǎo)致通行時(shí)間長(zhǎng)效率低； 其次福州出租司機(jī)多在此時(shí)交接班， 載客率低； 最后出租司機(jī)主觀載客意愿低， 此時(shí)交通擁堵導(dǎo)致司機(jī)挑客、 拒載. 在圖2(b)上看出優(yōu)質(zhì)客源數(shù)量在夜間20時(shí)后激增， 并在夜間22-23時(shí)達(dá)到頂峰. 此時(shí)道路通暢出租效率普遍提高； 其次， 非通勤高峰期， 非常規(guī)出行居多， 出租車(chē)靈活快速的特性成為首選； 最后， 公共交通的停運(yùn)減少了出行選擇， 迫使居民選擇出租出行， 也是出租車(chē)作為公共交通重要補(bǔ)充的體現(xiàn).

圖3為優(yōu)質(zhì)客源占總體客源的比例. 從時(shí)間分布上來(lái)看， 在通勤高峰期優(yōu)質(zhì)客源比例不足15%. 優(yōu)質(zhì)比例最低出現(xiàn)在日間7-8時(shí)， 而非客源數(shù)量最少時(shí). 在夜間22-23時(shí)比例最高， 此時(shí)段內(nèi)優(yōu)質(zhì)客源占全體客源的46.7%. 這說(shuō)明在路況、 居民生活習(xí)慣及公共交通營(yíng)運(yùn)時(shí)間的共同作用下， 優(yōu)質(zhì)客源在此時(shí)段內(nèi)集中出現(xiàn)， 出租車(chē)司機(jī)在此時(shí)多載客可實(shí)現(xiàn)盈利效率最大化.

3.2 優(yōu)質(zhì)客源的空間分布

本次實(shí)驗(yàn)從優(yōu)質(zhì)客源的時(shí)空分布上比較原模型與新模型的異同. 基于同樣的數(shù)據(jù)， 利用原模型與新模型分別計(jì)算整體優(yōu)質(zhì)客源和各時(shí)段的優(yōu)質(zhì)客源， 計(jì)算結(jié)果通過(guò)ArcGIS進(jìn)行密度分析并輸出密度分布圖， 新老模型的空間分布如圖4～5所示. 圖4中兩個(gè)客源模型結(jié)果總體差異不大， 熱區(qū)都集中在火車(chē)站、 新興商圈及城市CBD. 主要區(qū)別在火車(chē)南站， 此地距離城市中心遠(yuǎn)， 出租車(chē)等待時(shí)間長(zhǎng)、 等待消耗大， 盈利效率低. 新模型在考慮前后空載后， 火車(chē)南站的優(yōu)質(zhì)客源密度顯著下降.

圖4 新老模型在空間分布上的對(duì)比Fig.4 Comparison between the original model and the new model

新老模型明顯的區(qū)別在于市區(qū)優(yōu)質(zhì)客源數(shù)量. 以差異最明顯的日間6-7時(shí)為例： 圖5(a)為原模型結(jié)果， 圖上距離城市中心遠(yuǎn)的地區(qū)出現(xiàn)一個(gè)熱區(qū). 因其距離遠(yuǎn)， 單程收入高， 但需較長(zhǎng)時(shí)間攬客所以平均盈利效率低， 將此地定為出租車(chē)熱區(qū)有悖常理. 圖5(b)是新模型結(jié)果， 圖上市區(qū)盈利效率顯著提高優(yōu)質(zhì)客源增加， 直接原因就是市區(qū)出租需求大， 空載時(shí)間短. 司機(jī)不需花太長(zhǎng)時(shí)間去攬客， 平均盈利效率高， 這與日常的認(rèn)知相符合， 說(shuō)明本文的新模型更合理.

圖5 新老模型在日間6-7時(shí)空間分布上的對(duì)比Fig.5 Comparison between the original model and the new model at 6am-7am

根據(jù)優(yōu)質(zhì)客源在每個(gè)研究時(shí)段內(nèi)的空間分布特征， 可將其劃分為： 緊縮期、擴(kuò)張期、 高發(fā)期. 為探究其空間分布差異與規(guī)律， 選取凌晨4-5時(shí)(緊縮期)， 午間12-13時(shí)(擴(kuò)張期)和夜間22-23時(shí)(高發(fā)期)對(duì)比分析， 新模型下的優(yōu)質(zhì)客源空間分布如圖6所示. 圖6(a)中， 在凌晨4-5時(shí)出行的人少， 出租需求少導(dǎo)致優(yōu)質(zhì)客源少， 集中在長(zhǎng)途汽車(chē)站和CBD. 此時(shí)城市居民活動(dòng)極少， 乘出租車(chē)出行的人也少， 分布范圍小且集中分布. 圖6(b)中， 在午間12-13時(shí)出行的人較多， 出租需求增加也使優(yōu)質(zhì)客源增加， 集中在火車(chē)北站， 僅在汽車(chē)南站與萬(wàn)寶商圈稍多. 此時(shí)城市居民活躍出租需求多， 分布范圍廣密度低但較均勻. 圖6(c)中， 在夜間22-23時(shí)出行的人多， 夜間出租需求的激增使優(yōu)質(zhì)客源激增. 集中在火車(chē)站與城市CBD， 分布范圍廣密度高. 此時(shí)道路通行壓力小， 路況的改善使出租效率普遍提高； 公共交通停運(yùn)， 人們出行選擇少； 人們多從活動(dòng)地返回住所. 多種原因綜合使出租車(chē)優(yōu)質(zhì)客源激增， 出租此時(shí)盈利效率顯著提升.

圖6 新模型下優(yōu)質(zhì)客源空間分布的三階段Fig.6 Three periods of the spatial distribution of high quality passenger by the new model

4 結(jié)語(yǔ)

提出并構(gòu)建一種出租車(chē)優(yōu)質(zhì)客源評(píng)價(jià)模型， 適用于研究帶載客狀態(tài)的出租車(chē)軌跡數(shù)據(jù). 提出的模型將出租載客段和相鄰的前后空載段納入研究， 并將出租運(yùn)營(yíng)開(kāi)銷(xiāo)與行程速度關(guān)聯(lián)， 成功克服原模型開(kāi)銷(xiāo)系數(shù)均質(zhì)化的問(wèn)題， 實(shí)現(xiàn)了模擬出租車(chē)隨速度變化的動(dòng)態(tài)消耗. 以福州市出租車(chē)為例， 通過(guò)新模型量化出租車(chē)盈利效率， 研究分析不同時(shí)段出租車(chē)優(yōu)質(zhì)客源的時(shí)空分布. 結(jié)果表明在時(shí)間分布上出租車(chē)優(yōu)質(zhì)客源集中出現(xiàn)在夜間22-24時(shí)， 在空間分布上優(yōu)質(zhì)客源可劃分為緊縮期、 擴(kuò)張期與高發(fā)期三個(gè)階段.

參考文獻(xiàn)：

[1] ZHENG Y, LIU Y, YUAN J,etal. Urban computing with taxicabs[C]//UBICOMP 2011: Ubiquitous Computing, International Conference, ACM： Beijing， 2011: 89-98.

[2] 齊觀德, 潘遙, 李石堅(jiān),等. 基于出租車(chē)軌跡數(shù)據(jù)挖掘的乘客候車(chē)時(shí)間預(yù)測(cè)[J]. 軟件學(xué)報(bào), 2013,24 (Suppl 2): 14-23.

[3] ZHANG D, SUN L, LI B,etal. Understanding taxi service strategies from taxi GPS traces[J]. IEEE Transactions on Intelligent Transportation Systems, 2015, 16(1): 123-135.

[4] YUAN J, ZHENG Y, XIE X,etal. Driving with knowledge from the physical world[J]. Acm Sigkdd International Conference on Knowledge Discovery and Data Mining, 2011: 316-324.

[5] 袁長(zhǎng)偉, 米雪玉, 吳群琪,等. 交通擁堵環(huán)境下的城市出租車(chē)候時(shí)費(fèi)優(yōu)化模型[J]. 交通運(yùn)輸工程學(xué)報(bào), 2014(2): 75-81.

[6] 唐爐亮, 鄭文斌, 王志強(qiáng),等. 城市出租車(chē)上下客的GPS軌跡時(shí)空分布探測(cè)方法[J]. 地球信息科學(xué)學(xué)報(bào), 2015, 17(10): 1179-1186.

[7] 孫飛, 張霞, 唐爐亮,等. 基于GPS軌跡大數(shù)據(jù)的優(yōu)質(zhì)客源時(shí)空分布研究[J]. 地球信息科學(xué)學(xué)報(bào), 2015, 17(3): 329-335.

[8] YUAN J, ZHENG Y, ZHANG L,etal. Where to find my next passenger[C]// UBICOMP 2011: Ubiquitous Computing, International Conference, ACM： Beijing， 2011: 109-118.

[9] 侯亞美, 陳艷艷, 吳克寒,等. 基于BP神經(jīng)網(wǎng)絡(luò)的北京市出租車(chē)油耗模型研究[J]. 道路交通與安全, 2015(5): 43-49.