李林波 高天爽 姜 嶼

(1同濟(jì)大學(xué)道路與交通工程教育部重點(diǎn)實(shí)驗(yàn)室， 上海201804)(2北京市城市規(guī)劃設(shè)計(jì)研究院， 北京100045)

隨著機(jī)動(dòng)車(chē)保有量的不斷攀升，精細(xì)化的停車(chē)管理成為提高停車(chē)設(shè)施利用效率、緩解停車(chē)難問(wèn)題的重要手段.作為城市停車(chē)設(shè)施精細(xì)化管理的前提和基礎(chǔ)，準(zhǔn)確地進(jìn)行停車(chē)需求預(yù)測(cè)變得十分重要.隨著共享停車(chē)?yán)砟畹纳钊耄?xì)化的停車(chē)管理勢(shì)必要根據(jù)停車(chē)場(chǎng)主體建筑類(lèi)型，對(duì)白天與夜晚的停車(chē)需求進(jìn)行區(qū)分，分別制定相應(yīng)、合理的車(chē)位預(yù)留容量方案，從而達(dá)到掌握停車(chē)需求全天變化情況、保障共享停車(chē)管理有序執(zhí)行的目的.

對(duì)于停車(chē)需求預(yù)測(cè)，宏觀的預(yù)測(cè)方法主要包括停車(chē)生成率模型、出行吸引量模型、交通量停車(chē)需求模型以及多元回歸分析預(yù)測(cè)模型.隨著停車(chē)調(diào)查與需求分析的深入，停車(chē)需求預(yù)測(cè)模型逐漸增加了對(duì)簡(jiǎn)化調(diào)查方法[1]以及交通需求分配[2-3]、停車(chē)行為[4-5]、停車(chē)區(qū)位[6]、路網(wǎng)容量限制[7]等影響因素的考慮.隨著數(shù)據(jù)采集和存儲(chǔ)技術(shù)的發(fā)展，停車(chē)調(diào)查的觀測(cè)尺度越來(lái)越小，連續(xù)停車(chē)數(shù)據(jù)的獲取變得越來(lái)越容易，部分學(xué)者提出了采用時(shí)間序列和機(jī)器學(xué)習(xí)等方法進(jìn)行停車(chē)需求的短時(shí)預(yù)測(cè).傳統(tǒng)的時(shí)間序列預(yù)測(cè)方法主要包括ARIMA(autoregressive integrated moving average)模型[8-11]、考慮時(shí)空相關(guān)性的多元自回歸預(yù)測(cè)模型[12]、馬爾科夫模型[13]、卡爾曼濾波模型[14-16]等；機(jī)器學(xué)習(xí)方法除簡(jiǎn)單的BP(back propagation)神經(jīng)網(wǎng)絡(luò)[17-18]、無(wú)監(jiān)督學(xué)習(xí)算法[19]外，還包括進(jìn)一步提高預(yù)測(cè)精度的組合預(yù)測(cè)模型，如結(jié)合小波分析及馬爾科夫鏈的預(yù)測(cè)模型[20]、基于混沌和BP神經(jīng)網(wǎng)絡(luò)的復(fù)合預(yù)測(cè)模型[21]、基于小波變換的神經(jīng)網(wǎng)絡(luò)改進(jìn)模型[22-24]等.

夜間停車(chē)需求又稱(chēng)基本停車(chē)需求，主要是由車(chē)輛保有量引起的停車(chē)需求.目前專(zhuān)門(mén)針對(duì)夜間停車(chē)需求預(yù)測(cè)的研究很少，大多包含在全天停車(chē)需求預(yù)測(cè)中，且主要是采用區(qū)域注冊(cè)車(chē)輛數(shù)估計(jì)或根據(jù)區(qū)域停車(chē)生成率計(jì)算等宏觀方法.應(yīng)用神經(jīng)網(wǎng)絡(luò)等人工智能方法雖然理論上能獲得較好的預(yù)測(cè)精度，但是該類(lèi)方法包含一些不可認(rèn)知(隱含)的過(guò)程，導(dǎo)致研究者無(wú)法進(jìn)一步掌握停車(chē)需求的變化規(guī)律，大大降低預(yù)測(cè)結(jié)果對(duì)停車(chē)管理決策的指導(dǎo)意義.

因此，考慮到夜間停車(chē)需求時(shí)變波動(dòng)不大，且主要是由日間駛?cè)胲?chē)輛波動(dòng)引起，本文提出采用生存分析的方法，針對(duì)單一建筑類(lèi)型自備路外停車(chē)場(chǎng)，對(duì)日間駛?cè)胲?chē)輛的停車(chē)時(shí)長(zhǎng)進(jìn)行分析，以預(yù)測(cè)夜間駐留車(chē)輛數(shù).

1 夜間停車(chē)需求特征分析

為了研究夜間停車(chē)需求特征，分別選取辦公、醫(yī)院、高鐵站3類(lèi)停車(chē)場(chǎng)的正常工作日停車(chē)數(shù)據(jù)進(jìn)行分析(見(jiàn)表1)，進(jìn)而把握各類(lèi)停車(chē)場(chǎng)夜間停車(chē)需求的大致變化特征.以每天的停車(chē)需求變化為觀測(cè)周期，從全年的觀測(cè)角度來(lái)分析3個(gè)建筑物類(lèi)型的停車(chē)場(chǎng)實(shí)際泊位占用量數(shù)據(jù).

表1 3類(lèi)停車(chē)場(chǎng)數(shù)據(jù)

注：城市等級(jí)根據(jù)《關(guān)于調(diào)整城市規(guī)模劃分標(biāo)準(zhǔn)的通知》中的城市規(guī)模劃分標(biāo)準(zhǔn)確定.

由圖1可知，各類(lèi)停車(chē)場(chǎng)全年實(shí)際泊位占用量每天的時(shí)變趨勢(shì)大致相似；22:00—07:00作為夜間時(shí)段，停車(chē)需求時(shí)變波動(dòng)不大，幾乎所有曲線在該時(shí)段內(nèi)均呈穩(wěn)定的直線狀態(tài)；但從全年的時(shí)間維度來(lái)看，夜間停車(chē)需求仍具有一定的波動(dòng)性，體現(xiàn)在不同日期和月份之間的夜間泊位占用量差異.

因此，在時(shí)變特征分析中，夜間停車(chē)需求具有小時(shí)變化維度上的穩(wěn)定性和日變化維度上的波動(dòng)性，具備預(yù)測(cè)的特征基礎(chǔ).對(duì)于夜間停車(chē)需求預(yù)測(cè)，可采用縱向和橫向2種預(yù)測(cè)思路，分別利用夜間和日間的停車(chē)數(shù)據(jù)進(jìn)行分析.利用夜間停車(chē)數(shù)據(jù)進(jìn)行預(yù)測(cè)，可用分布函數(shù)模型，但預(yù)測(cè)結(jié)果只能獲得需求量處于某個(gè)分布區(qū)間的概率，難以獲得精確的需求.因此考慮到夜間停放車(chē)輛是日間駛?cè)胲?chē)輛的駐留部分，提出利用日間駛?cè)胲?chē)輛的停車(chē)時(shí)長(zhǎng)分布來(lái)估計(jì)過(guò)夜駐留停車(chē)概率的思路和方法.

2 夜間停車(chē)需求預(yù)測(cè)模型構(gòu)建

2.1 生存分析方法

生存分析(survival analysis)是研究生存現(xiàn)象和響應(yīng)時(shí)間數(shù)據(jù)及其統(tǒng)計(jì)規(guī)律的現(xiàn)代統(tǒng)計(jì)分析方法[25]，同時(shí)也是風(fēng)險(xiǎn)模型或持續(xù)模型，其在國(guó)內(nèi)外交通運(yùn)輸研究領(lǐng)域的應(yīng)用主要包括事故分析[26-27]、事件持續(xù)時(shí)間分析[28-30]、機(jī)動(dòng)車(chē)與非機(jī)動(dòng)車(chē)相互影響分析[31]、行人風(fēng)險(xiǎn)分析[32]等.生存分析將事件發(fā)生的結(jié)果和出現(xiàn)此結(jié)果的持續(xù)時(shí)間結(jié)合起來(lái)進(jìn)行研究.與傳統(tǒng)的多因素分析方法(如線性回歸、Logistic回歸等)相比，生存分析在存在以下情況時(shí)具有明顯的優(yōu)勢(shì)：① 在問(wèn)題分析中既需考慮生存結(jié)果，又需考慮生存時(shí)間；② 存在大量失訪的資料，即刪截?cái)?shù)據(jù)，例如與研究對(duì)象失去聯(lián)系、無(wú)法觀測(cè)到結(jié)局等；③ 時(shí)間分布不明確，一般不呈正態(tài)分布，在不同情況下的分布規(guī)律也不相同.

(b) 新華醫(yī)院

(c) 高鐵站南車(chē)庫(kù)

2.2 基于夜間駐留停車(chē)需求的生存模型

2.2.1 駐留停車(chē)需求的生存分析問(wèn)題

針對(duì)夜間駐留的停車(chē)需求，研究擬獲取白天時(shí)段(07:00—22:00，共計(jì)15 h)駛?cè)胪＼?chē)場(chǎng)車(chē)輛在多種因素影響下的夜間駐留停車(chē)行為變化情況.本文將觀測(cè)時(shí)段定義為日間07:00—22:00，將22:00后車(chē)輛仍停放在停車(chē)場(chǎng)定義為夜間駐留現(xiàn)象.

由于夜間停車(chē)需求變化很小，基本保持穩(wěn)定，因此夜間駐留停車(chē)需求或行為的產(chǎn)生即來(lái)自于日間駛?cè)胪＼?chē)場(chǎng)的車(chē)輛.基于此，針對(duì)夜間駐留停車(chē)的問(wèn)題即可轉(zhuǎn)化為針對(duì)白天時(shí)段(07:00—22:00)不同時(shí)刻下駛?cè)胪＼?chē)場(chǎng)的車(chē)輛的停放時(shí)間持續(xù)到22:00之后的問(wèn)題.此時(shí)，對(duì)應(yīng)的生存分析研究中的興趣(關(guān)注)事件為白天時(shí)段不同時(shí)刻下駛?cè)胪＼?chē)場(chǎng)的車(chē)輛駛離停車(chē)場(chǎng)的行為.對(duì)應(yīng)的生存分析問(wèn)題要素定義如下：

1) 事件開(kāi)始的時(shí)間指車(chē)輛在白天駛?cè)胪＼?chē)場(chǎng)的時(shí)刻.

2) 事件終止的時(shí)間指車(chē)輛駛離停車(chē)場(chǎng)的時(shí)刻或研究時(shí)段結(jié)束時(shí)刻(22:00).

3) 生存時(shí)間指車(chē)輛在停車(chē)場(chǎng)停放的時(shí)間，即車(chē)輛駛離與駛?cè)胪＼?chē)場(chǎng)的時(shí)間差.

4) 結(jié)局變量存在2種情況：① 車(chē)輛在白天時(shí)段內(nèi)駛離停車(chē)場(chǎng)；② 車(chē)輛在白天時(shí)段內(nèi)駛?cè)氲谘芯繒r(shí)段內(nèi)未駛離，即出現(xiàn)駐留現(xiàn)象.

根據(jù)研究對(duì)象的結(jié)局，生存時(shí)間數(shù)據(jù)可分為2種：完全數(shù)據(jù)和刪截?cái)?shù)據(jù).通過(guò)以上分析可知，第1種結(jié)局明確知道事件開(kāi)始時(shí)間、結(jié)束時(shí)間，故為完全數(shù)據(jù)；而第2種結(jié)局只知道車(chē)輛駛?cè)胪＼?chē)場(chǎng)的時(shí)刻，對(duì)于駛離時(shí)刻無(wú)法確切知道，但能夠知道其停放時(shí)間至少大于多長(zhǎng)時(shí)間，因此為刪截?cái)?shù)據(jù)，且全部為右刪截?cái)?shù)據(jù).

2.2.2 駐留停車(chē)需求的生存函數(shù)

用T表示生存時(shí)間，即車(chē)輛在停車(chē)場(chǎng)的停放時(shí)間，其分布函數(shù)F(t)表示事件T≤t發(fā)生的概率，即P(T≤t)，具體表示形式為

(1)

式中，f(t)為生存時(shí)間T的概率密度函數(shù).

T的生存函數(shù)S(t)表示車(chē)輛在停放時(shí)間為t時(shí)仍停留在停車(chē)場(chǎng)的概率，也稱(chēng)為可靠度函數(shù)或累計(jì)生存概率，其公式為

(2)

式中，P(T>t)表示事件T>t發(fā)生的概率.

令h(t)表示與生存函數(shù)對(duì)應(yīng)的風(fēng)險(xiǎn)函數(shù)，即停放時(shí)間為t的車(chē)輛在下一個(gè)很小的時(shí)間段內(nèi)駛離停車(chē)場(chǎng)的概率，其公式如下：

(3)

對(duì)應(yīng)的累計(jì)危險(xiǎn)率函數(shù)H(t)為

(4)

S(t)與H(t)的關(guān)系為

(5)

2.2.3 駐留停車(chē)需求的生存估計(jì)方法

生存分析常用的估計(jì)方法有3種：參數(shù)分析法、非參數(shù)分析法及半?yún)?shù)分析法.考慮到停車(chē)時(shí)間本身是一個(gè)隨機(jī)變量，其分布形式無(wú)法事先獲得，且停車(chē)時(shí)間的長(zhǎng)短會(huì)受到多個(gè)因素的影響，同時(shí)本文研究的停車(chē)數(shù)據(jù)中存在刪截，因此在估計(jì)方法上選擇半?yún)?shù)分析法.

半?yún)?shù)分析法可以在未知生存時(shí)間分布的情況下，分析多個(gè)因素對(duì)生存時(shí)間的影響程度.通過(guò)分析在這些影響因素的作用下，生存事件在不同時(shí)刻結(jié)束的風(fēng)險(xiǎn)函數(shù)，得到帶有影響因素的生存函數(shù).因此針對(duì)夜間駐留停車(chē)需求的生存分析，研究將采用半?yún)?shù)分析法中的Cox比例風(fēng)險(xiǎn)模型，通過(guò)構(gòu)建白天時(shí)段駛?cè)胪＼?chē)場(chǎng)的車(chē)輛停車(chē)時(shí)長(zhǎng)的Cox比例風(fēng)險(xiǎn)模型，運(yùn)用調(diào)查數(shù)據(jù)對(duì)模型參數(shù)進(jìn)行估計(jì)，從而對(duì)停車(chē)場(chǎng)夜間駐留停車(chē)需求進(jìn)行預(yù)測(cè).

2.3 駐留停車(chē)需求的Cox比例風(fēng)險(xiǎn)模型

Cox比例風(fēng)險(xiǎn)回歸模型(proportional hazards model)是一種半?yún)?shù)回歸模型，該模型以生存結(jié)局和生存時(shí)間為因變量，可同時(shí)分析眾多因素對(duì)生存時(shí)間的影響，適用于本研究的模型建立.

基本Cox比例風(fēng)險(xiǎn)模型表達(dá)式為

h(t|x1,x2,…,xp)=h0(t)g(x1,x2,…,xp)

(6)

式中，x={x1,x2,…,xp}表示p個(gè)協(xié)變量組成的向量；h0(t)為潛在危險(xiǎn)率函數(shù)，代表x1=x2=…=xp=0時(shí)車(chē)輛停放時(shí)間為t的風(fēng)險(xiǎn)函數(shù)；g(x)表示各個(gè)協(xié)變量的效應(yīng)函數(shù).在Cox比例風(fēng)險(xiǎn)模型中，假定各個(gè)協(xié)變量的效應(yīng)服從指數(shù)分布，因此，生存時(shí)間T的風(fēng)險(xiǎn)函數(shù)可以寫(xiě)成如下形式：

(7)

式中，b={b1,b2,…,bp}為協(xié)變量對(duì)應(yīng)的系數(shù)(參數(shù))向量，系數(shù)bj(j=1,2,…,p)可以從觀測(cè)到的數(shù)據(jù)中估計(jì)得出，表示對(duì)其協(xié)變量的影響大小.

根據(jù)生存函數(shù)、風(fēng)險(xiǎn)函數(shù)和累計(jì)危險(xiǎn)率函數(shù)的等價(jià)對(duì)應(yīng)關(guān)系，則生存時(shí)間T的生存函數(shù)S(t)可以表示如下：

(8)

式中，H0(t)為忽略所有協(xié)變量影響后的基準(zhǔn)車(chē)輛駛離累計(jì)危險(xiǎn)率函數(shù)；S0(t)為忽略所有協(xié)變量影響后的基準(zhǔn)停車(chē)時(shí)長(zhǎng)生存函數(shù).

對(duì)于協(xié)變量的顯著性檢驗(yàn)，可采用對(duì)數(shù)似然比(log-partial-likelihood ratio)檢驗(yàn)、Score統(tǒng)計(jì)量檢驗(yàn)、Wald統(tǒng)計(jì)量檢驗(yàn)3種方法；對(duì)模型整體擬合度檢驗(yàn)，可采用Cox-Snell殘差檢驗(yàn).

3 案例應(yīng)用

上海某科技園位于上海市浦東新區(qū)，靠近中環(huán)，占據(jù)張江高科技園區(qū)產(chǎn)業(yè)核心區(qū)域，是典型的辦公建筑.科技園建筑面積7.6萬(wàn)m2，辦公面積約6.5萬(wàn)m2，自備路外停車(chē)場(chǎng)總停車(chē)位為502個(gè)，包括地面停車(chē)位181個(gè)和地庫(kù)停車(chē)位321個(gè).本文選取該科技園2016年6—11月共6個(gè)月的停車(chē)數(shù)據(jù)對(duì)模型進(jìn)行性能評(píng)價(jià)，其中2016-06-01—2016-08-31共超過(guò)3×104條的停車(chē)數(shù)據(jù)作為模型訓(xùn)練樣本，2016-09-01—2016-11-30的停車(chē)數(shù)據(jù)作為測(cè)試樣本.

3.1 夜間駐留停車(chē)的生存函數(shù)

通過(guò)綜合現(xiàn)有關(guān)于單一自備停車(chē)場(chǎng)停車(chē)行為的相關(guān)研究文獻(xiàn)，結(jié)合對(duì)停車(chē)場(chǎng)基礎(chǔ)信息的調(diào)研及刷卡數(shù)據(jù)特征，并考慮數(shù)據(jù)采集處理的難易程度3個(gè)方面，最終本文考慮的主要協(xié)變量可分為3類(lèi)：固定信息特征、停車(chē)行為特征以及環(huán)境特征，具體協(xié)變量的定義及說(shuō)明如表2所示.

表2 協(xié)變量的定義及說(shuō)明

對(duì)表2中協(xié)變量建立Cox比例風(fēng)險(xiǎn)模型，采用向后逐步回歸法對(duì)模型中的各協(xié)變量進(jìn)行篩選和參數(shù)估計(jì).每步回歸中，似然比檢驗(yàn)水平設(shè)置為0.05，得到Cox比例風(fēng)險(xiǎn)模型協(xié)變量的參數(shù)估計(jì)結(jié)果，如表3所示.

表3 保留的參數(shù)最大似然估計(jì)結(jié)果

注：χ2表示卡方；P表示參數(shù)顯著性檢驗(yàn)的結(jié)果.

由表3可知，影響車(chē)輛停放時(shí)長(zhǎng)的影響因素包括駛?cè)霑r(shí)刻、用戶(hù)類(lèi)型、駛?cè)胩鞖夂凸ぷ魅?，參?shù)估計(jì)值反映了協(xié)變量的影響程度，影響程度最大的因素是“用戶(hù)類(lèi)型”；危險(xiǎn)比表示在其他自變量不變的情況下，該變量從a增加到a+1，相對(duì)的事件發(fā)生危險(xiǎn)指數(shù)變化，反映了變量促進(jìn)風(fēng)險(xiǎn)發(fā)生的效應(yīng)，如因素“駛?cè)霑r(shí)刻”的危險(xiǎn)比為1.035，代表駛?cè)霑r(shí)刻每延后一個(gè)時(shí)段，發(fā)生駐留的概率是前一個(gè)時(shí)段發(fā)生駐留概率的1.035倍，說(shuō)明駛?cè)霑r(shí)刻對(duì)于停車(chē)駐留來(lái)說(shuō)呈正向作用，因此因素“駛?cè)霑r(shí)刻”的作用效應(yīng)最大.

從表4模型協(xié)變量的顯著性檢驗(yàn)來(lái)看，在零假設(shè)為β=0，即回歸系數(shù)與0無(wú)差異時(shí)，3種檢驗(yàn)的顯著性均小于0.05，表示對(duì)應(yīng)的4個(gè)解釋變量對(duì)模型的影響顯著，均為有效變量.

表4 模型顯著性檢驗(yàn)

圖2 Cox-Snell殘差圖

模型的檢驗(yàn)結(jié)果表示模型有效且具有優(yōu)良的擬合效果，得到不同影響因素下的停車(chē)時(shí)長(zhǎng)生存時(shí)間模型的表達(dá)式如下：

(9)

式中，xit、xc、xif、xw分別表示駛?cè)霑r(shí)刻、用戶(hù)類(lèi)型、駛?cè)胩鞖夂凸ぷ魅?

3.2 夜間駐留停車(chē)需求預(yù)測(cè)

根據(jù)式(9)的Cox比例風(fēng)險(xiǎn)模型可以進(jìn)行不同影響因素條件下的停車(chē)時(shí)長(zhǎng)生存時(shí)間的可能性預(yù)測(cè)，即對(duì)不同影響因素下過(guò)夜駐留停車(chē)概率的預(yù)測(cè).下面將以3個(gè)例子進(jìn)行預(yù)測(cè)結(jié)果展示.

1) 算例1 以晴天、周一09：00駛?cè)胪＼?chē)場(chǎng)的長(zhǎng)期用戶(hù)車(chē)輛過(guò)夜駐留概率預(yù)測(cè)為例.

基于各個(gè)協(xié)變量的定義，該題設(shè)條件下，長(zhǎng)期用戶(hù)的取值xc=1，周一的取值xw=1，晴天的取值xif=0，駛?cè)霑r(shí)刻09：00的取值xit=9，代入Cox比例風(fēng)險(xiǎn)模型式(9)中，其停車(chē)時(shí)長(zhǎng)的生存時(shí)間曲線如圖3所示.

圖3 算例1駛?cè)胲?chē)輛的停車(chē)時(shí)長(zhǎng)生存時(shí)間概率轉(zhuǎn)移曲線

圖3中曲線的任意一點(diǎn)表示在該題設(shè)條件下，09：00駛?cè)胪＼?chē)場(chǎng)的車(chē)輛停放至橫坐標(biāo)時(shí)長(zhǎng)的概率.隨著時(shí)間的后移，車(chē)輛繼續(xù)停放的概率在逐漸降低，且在17:00之后有一個(gè)明顯的下降，原因可能是通勤人員大多在17:00下班.在95%置信區(qū)間下，車(chē)輛在22:00后仍然駐留在停車(chē)場(chǎng)的概率為(0.069 03，0.078 36)，均值為0.073 55，即有0.073 55的概率會(huì)出現(xiàn)過(guò)夜駐留停車(chē)情況.

在相同條件下，利用測(cè)試集數(shù)據(jù)進(jìn)行檢驗(yàn).根據(jù)9—11月實(shí)際情況統(tǒng)計(jì)得到的過(guò)夜概率為0.031 15，相對(duì)誤差約為4.2%.其中9—11月09：00駛?cè)胪＼?chē)場(chǎng)的最大車(chē)輛數(shù)量為55輛(統(tǒng)計(jì)間隔為15 min)，即模型預(yù)測(cè)結(jié)果的誤差約為2輛，認(rèn)為該模型預(yù)測(cè)精度良好，滿(mǎn)足實(shí)際需求.此外，根據(jù)Cox比例風(fēng)險(xiǎn)模型，同樣可以預(yù)測(cè)車(chē)輛在其他停車(chē)時(shí)長(zhǎng)的駛離行為，為精細(xì)化的停車(chē)管理提供信息支持.

2) 算例2 以晴天、周一各時(shí)刻駛?cè)胪＼?chē)場(chǎng)的長(zhǎng)期用戶(hù)車(chē)輛過(guò)夜駐留概率預(yù)測(cè)為例.

進(jìn)一步拓展模型的使用，預(yù)測(cè)同一日不同駛?cè)霑r(shí)刻的車(chē)輛發(fā)生過(guò)夜駐留停車(chē)行為的概率.模型的參數(shù)設(shè)定與算例1中相同，xc=1、xw=1、xif=0，分別預(yù)測(cè)各個(gè)駛?cè)霑r(shí)刻相應(yīng)的停車(chē)時(shí)長(zhǎng)達(dá)到過(guò)夜駐留條件(即停放至22：00之后)時(shí)的生存可能性，其結(jié)果如圖4所示.

圖4 算例2駛?cè)胲?chē)輛的過(guò)夜駐留停車(chē)概率轉(zhuǎn)移曲線

圖4中曲線的任意一點(diǎn)表示在該橫坐標(biāo)時(shí)刻駛?cè)胪＼?chē)場(chǎng)的車(chē)輛過(guò)夜駐留的概率.在09:00前，隨著駛?cè)霑r(shí)刻的推后，車(chē)輛發(fā)生過(guò)夜駐留停車(chē)行為的概率逐漸降低；09:00后，隨著時(shí)間的推移，整體的過(guò)夜駐留停車(chē)概率呈遞增的趨勢(shì)；值得注意的是，從19:00開(kāi)始，過(guò)夜駐留停車(chē)的概率急速增加.考慮原因，可能是09:00前駛?cè)氲亩酁橥ㄇ谌藛T，過(guò)夜駐留的概率較低，而之后駛?cè)氲亩酁槠渌鐣?huì)車(chē)輛，隨著駛?cè)霑r(shí)刻的后移駐留概率也相應(yīng)增大，且該停車(chē)場(chǎng)附近多為商務(wù)辦公區(qū)域，休閑娛樂(lè)區(qū)域較少，因此19：00之后駛?cè)胲?chē)輛的停車(chē)目的有很大的可能性是過(guò)夜，模型預(yù)測(cè)結(jié)果與實(shí)際基本符合.結(jié)合上述分析，在停車(chē)管理中，可對(duì)19:00之后的停車(chē)收費(fèi)規(guī)則進(jìn)行相應(yīng)的調(diào)整以使停車(chē)效益最大化.

計(jì)算得到在該條件下，模型預(yù)測(cè)過(guò)夜停車(chē)數(shù)的全天平均相對(duì)誤差約為7.9%，預(yù)測(cè)精度達(dá)到92.1%，滿(mǎn)足預(yù)測(cè)精度的需要.為了驗(yàn)證研究方法預(yù)測(cè)過(guò)夜駐留停車(chē)需求的可靠性，在測(cè)試集內(nèi)選取相同條件下的9月12日的實(shí)際數(shù)據(jù)進(jìn)行比較，結(jié)果如圖5所示.9月12日全天預(yù)測(cè)駐留停車(chē)數(shù)為46，而實(shí)際預(yù)測(cè)駐留停車(chē)數(shù)為31，誤差為15輛，約占停車(chē)場(chǎng)容量的3.0%，可以認(rèn)為所提方法的預(yù)測(cè)效果可靠，滿(mǎn)足實(shí)際停車(chē)管理的要求.

3) 算例3 以晴天、一周內(nèi)各工作日駛?cè)胪＼?chē)場(chǎng)的長(zhǎng)期用戶(hù)車(chē)輛過(guò)夜駐留概率預(yù)測(cè)為例.

圖5 長(zhǎng)期用戶(hù)9月12日各時(shí)刻的預(yù)測(cè)與實(shí)際駐留車(chē)輛數(shù)

設(shè)定模型參數(shù)xif=0、xc=1，分別預(yù)測(cè)一周各工作日不同時(shí)刻駛?cè)胪＼?chē)場(chǎng)車(chē)輛的停車(chē)時(shí)長(zhǎng)達(dá)到過(guò)夜駐留條件時(shí)的生存可能性，結(jié)果如圖6所示.

圖6 算例3駛?cè)胲?chē)輛的過(guò)夜駐留停車(chē)概率預(yù)測(cè)曲面圖

計(jì)算該條件下的各時(shí)刻預(yù)測(cè)過(guò)夜停車(chē)數(shù)的相對(duì)誤差如圖7所示，可以看到10:00前的誤差均在0.05以下，處于較低的水平，而中午時(shí)段和20:30以后的時(shí)段概率預(yù)測(cè)誤差較大，可能與在這些時(shí)段內(nèi)實(shí)際駛?cè)氲能?chē)輛數(shù)較少有關(guān).對(duì)全天時(shí)段的相對(duì)誤差取平均值得到全天的平均相對(duì)誤差約為6.2%，在可接受的誤差允許范圍內(nèi).

圖7 算例3各時(shí)刻預(yù)測(cè)過(guò)夜駐留車(chē)輛數(shù)的相對(duì)誤差

最后，結(jié)合當(dāng)前已有研究對(duì)于日間停車(chē)需求時(shí)變預(yù)測(cè)方法的應(yīng)用，提出基于Cox比例風(fēng)險(xiǎn)模型的過(guò)夜駐留停車(chē)預(yù)測(cè)流程.在獲取日間停車(chē)特性后，通過(guò)短時(shí)停車(chē)需求預(yù)測(cè)方法對(duì)日間各時(shí)刻的停車(chē)駛?cè)肓窟M(jìn)行預(yù)測(cè)，然后結(jié)合本文通過(guò)時(shí)間生存分析方法所獲得的過(guò)夜駐留停車(chē)模型，即可求得相應(yīng)的過(guò)夜駐留停車(chē)數(shù)量，從而為精細(xì)化停車(chē)管理中夜間駐留停車(chē)需求的分析與預(yù)測(cè)提供切實(shí)、有效、準(zhǔn)確的理論依據(jù)與技術(shù)支持.

4 結(jié)論

1) 針對(duì)夜間駐留停車(chē)需求預(yù)測(cè)，提出了將過(guò)夜駐留停車(chē)預(yù)測(cè)問(wèn)題轉(zhuǎn)化為停車(chē)時(shí)長(zhǎng)的生存時(shí)間分析的思路.由此，構(gòu)建了半?yún)?shù)的生存分析方法，建立不同影響因素下的停車(chē)時(shí)長(zhǎng)預(yù)測(cè)模型，進(jìn)而預(yù)測(cè)停車(chē)駐留概率，獲得夜間停車(chē)需求.

2) 案例分析結(jié)果表明該方法預(yù)測(cè)精度良好，全天夜間駐留預(yù)測(cè)精度達(dá)到92.1%，同時(shí)能夠擴(kuò)展到對(duì)停車(chē)時(shí)長(zhǎng)的潛在影響因素分析，有一定的應(yīng)用價(jià)值.

3) 研究結(jié)論能夠?yàn)橥＼?chē)場(chǎng)的精細(xì)化管理提供理論支撐和決策依據(jù).預(yù)測(cè)的夜間泊位使用量能夠幫助停車(chē)場(chǎng)做出相應(yīng)的夜間停車(chē)管理決策，例如對(duì)外開(kāi)放停車(chē)場(chǎng)使用權(quán)，或加強(qiáng)管控措施以預(yù)防停車(chē)高峰問(wèn)題，或優(yōu)化收費(fèi)結(jié)構(gòu)等；也可應(yīng)用在停車(chē)分區(qū)方面，例如劃分夜間專(zhuān)用停放區(qū)域等；同時(shí)可針對(duì)影響夜間停車(chē)需求的因素施行管理決策，例如吸引固定用戶(hù)或臨時(shí)用戶(hù)等，對(duì)需求進(jìn)行調(diào)控.

4) 停車(chē)時(shí)長(zhǎng)還受交通狀況、出行目的、停車(chē)場(chǎng)狀況等多方面的影響，限于研究獲得的停車(chē)場(chǎng)基礎(chǔ)數(shù)據(jù)信息，本文僅選取了7個(gè)主要因素，在實(shí)際的應(yīng)用過(guò)程中可以考慮更多的影響因素，以提高夜間停車(chē)需求的預(yù)測(cè)精度.另外本文只針對(duì)辦公類(lèi)型的停車(chē)場(chǎng)進(jìn)行了實(shí)例驗(yàn)證，后續(xù)會(huì)增加其他類(lèi)型的停車(chē)場(chǎng)，以全方位驗(yàn)證該方法的可靠性.