龔大鵬，侯 佳，李興東，程曉明

南京市城市與交通規(guī)劃設(shè)計研究院股份有限公司

0 引 言

1 卡口圖片數(shù)據(jù)預(yù)處理

1.1 卡口圖片識別

本研究以2019年江蘇省工信廳——工業(yè)和信息產(chǎn)業(yè)轉(zhuǎn)型升級專項資金課題《城市級停車管理云平臺》為基礎(chǔ)，選擇常州市政府片區(qū)為研究實例，如圖1所示，藍(lán)色虛線部分為研究片區(qū)，片區(qū)內(nèi)有市政府、奧體中心、河海大學(xué)、萬達(dá)廣場等多種性質(zhì)建筑設(shè)施，具有通用性及代表性。為增加片區(qū)研究的準(zhǔn)確性和科學(xué)性，采集卡口數(shù)據(jù)的點位不僅包含片區(qū)內(nèi)部，而且使普通道路延伸至片區(qū)外一個交叉口，高架及快速路延伸到西側(cè)龍江立交和東側(cè)青洋路立交。獲取的卡口點位根據(jù)卡口的位置及圖片內(nèi)容，分別與路網(wǎng)的道路或交叉口匹配，卡口點位分布及卡口圖片示意圖如圖1所示。

圖1 研究實例片區(qū)范圍、卡口圖片及點位分布示意圖

基于車輛及車牌的形態(tài)學(xué)特征，本研究使用深度學(xué)習(xí)的重新訓(xùn)練和參數(shù)優(yōu)化，得到車輛車型和車牌的圖像識別算法模型，具體圖像識別算法本文不做深入闡述[13]。本研究獲取高架及地面道路共92個卡口點位（包含交叉口、高架、匝道等），每個點位包含道路不同方向、不同車道信息，總計獲取851個路段車道點位。時間維度獲取的數(shù)據(jù)為2020年10月12日至2020年11月08日共計4周（28天），卡口圖片總量超過1億張。考慮到卡口圖片數(shù)據(jù)的保密性及圖像識別所需要的巨大計算機(jī)算力，本次圖片識別環(huán)境布設(shè)在公安內(nèi)部機(jī)房，基于多塊深度學(xué)習(xí)計算GPU卡共耗時30 d×24 h計算完成。算法識別過程如圖2所示，最終得到卡口數(shù)據(jù)包括：卡口編號、卡口所在的道路link編號、所在車道編號、過車時間、車牌號碼、車輛車型、車牌顏色等信息。

圖2 卡口圖片識別過程示意圖

1.2 車輛出行提取

停車的靜態(tài)特征與出行的動態(tài)特征是相互聯(lián)系的，只有準(zhǔn)確把握車輛出行，才能有效分析車輛停車特征。在上述識別卡口圖片得到的信息中，通過以下步驟得到車輛的出行時間、出行起終點、出行軌跡等信息。

（1）卡口點位與GIS道路網(wǎng)匹配，包括復(fù)雜高架、地面道路、匝道等點位的匹配；

（2）基于時間序列判斷每個車牌號對應(yīng)車輛的行駛時間、所在卡口路段；

（3）基于道路等級等限速特征計算各路段的行程時間；

（4）基于同一車輛先后經(jīng)過相鄰兩卡口之間的所有路徑設(shè)計時間最短路算法，計算相鄰兩卡口的最短行程時間，判斷兩卡口真實行程時間是否滿足行程時間閾值（本次閾值使用絕對值2 000 s、最短路時間4倍、最短路時間1/2倍等特征判別），若滿足則為連續(xù)的出行，若不滿足則為兩次出行的中斷點；

（5）基于每個車輛（4）步驟中的連續(xù)和中斷的出行判別，切分和合并車輛出行鏈，得到車輛出行鏈數(shù)據(jù)如表1所示（僅展示部分字段）。每一行為車輛行駛的一次出行，卡口點位列表為該次出行經(jīng)過的所有卡口路段編號，完整路徑為該次出行經(jīng)過的所有路段編號（由于一次出行經(jīng)過的路段較多及表格篇幅限制，只展示表格第一行出行完整路徑為['L174235'，'L67319'，L24728'，'L24729'，'L24731'，'L431566'，'L434072'，'L724'，'L1854'，'L1855'，'L736'，'L706'，'L707'，'L1859'，'L29454'，'L29455'，'L433971'，'L29456'，'L20419'，'L20420'，'L28942'，'L29413'，'L29414'，'L130287'，'L130288'，'L72813'，'L29463'，'L434104']，其他完整路徑不做展示）。

美通社（美國企業(yè)新聞通訊公司）全球副總裁柯佳時暢想：將來的人類生活，屏幕會無處不在，甚至，“你可以一邊刮胡子，一邊在鏡子里看新聞” ?；貧w當(dāng)下，人們猛然間發(fā)現(xiàn)，所有新聞都在以討論的方式展開，所有的信息都在議論中傳遞，所有的媒體人都處在一個巨大的變化中，無論現(xiàn)在還是未來，人們不再缺少信息，而無處不在的、冗余繁雜的信息端口，會讓所有媒體人看到，“準(zhǔn)確”比“第一”更重要。

表1 車輛出行提取后的數(shù)據(jù)示例

（6）本研究共得到所有車輛出行13 564 265次，日均出行約48萬次，每車日均出行2.03次。

1.3 關(guān)聯(lián)地塊生成

計算得到的車輛出行起終點為卡口點位所在的點或者道路線上，然而車輛的最初出發(fā)點和最終到達(dá)點都不僅僅是道路上的點或者線，應(yīng)該是道路圍合成的地塊（面）區(qū)域。本研究基于車輛起終點所在的道路、車道及路網(wǎng)拓?fù)潢P(guān)系，判斷所有卡口點位的來源和可能去向地塊，并基于計算機(jī)算法直接以路網(wǎng)GIS文件為基礎(chǔ)生成各卡口點位對應(yīng)的來源和去向所在地塊。在卡口點位與地塊關(guān)聯(lián)過程中，重點考慮以下因素：①地塊僅統(tǒng)計城市干線道路圍合區(qū)域，支路不考慮；②地塊之間不重疊；③高架及匝道卡口點位對應(yīng)的地塊應(yīng)為與其拓?fù)湎噙B的最近的地面干線道路圍合區(qū)域。通過以上算法得到本研究92個卡口點位、851個路段車道所一一對應(yīng)的共計101個地塊，與卡口點位不相關(guān)、且不在研究片區(qū)內(nèi)的地塊不做研究。

2 基于職住的缺失出行恢復(fù)

2.1 車輛職住判斷

為深入分析地塊停車需求特征，需要掌握車輛停車性質(zhì)（例如居住停車、崗位停車、彈性出行停車等），因此需要對每個車輛的居住崗位、出行目的等特征做進(jìn)一步的判斷。每個車輛的職住規(guī)律通過以下算法計算得到：

（1）提取某一車輛單次出行的出發(fā)、到達(dá)時間點st1、et1，到達(dá)點地塊編號z1，時間相鄰的下一次出行出發(fā)、到達(dá)時間點st2、et2；

（2）判斷是否滿足et1<23:59（當(dāng)日）、st2>04:00（次日）、st2-et1>6 h，滿足條件則判斷到達(dá)點z1為夜間居住停車點；

（3）判斷第一次出行到達(dá)時間et1至第二次出行出發(fā)時間st2的時間區(qū)間是否滿足在周一—周五09:00—12:00、14:00—17:00區(qū)間內(nèi)停留超過3.5 h，若滿足條件則判斷到達(dá)點z1為崗位停車點；

（4）基于該車輛28天數(shù)據(jù)分別計算（1）～（3）步驟，提取居住和崗位頻率在10天以上的停車點地塊編號，則為該車的職住地塊。例如蘇D1***3的居住、崗位地塊分別為83、101；而有些車輛可能會有多個居住崗位地塊，例如蘇DZ***R居住、崗位地塊分別為[73，96]、[27，43]。

2.2 缺失出行恢復(fù)

在所有車輛的28天出行中，存在一部分車輛有去無回的出行記錄，例如某一車08:00從地塊z1出發(fā)、08:30到達(dá)地塊z2，而相鄰下一次出行是第二天08:10從地塊z1出發(fā)、08:40到達(dá)地塊z2，因此可以看出第一天08:30—第二天08:10之間缺少了從地塊z2回地塊z1的出行。本研究基于上述得到的車輛規(guī)律性出行的居住崗位地塊，以及同時得到的居住崗位出行相對規(guī)律的時間點，判斷車輛出行是否發(fā)生缺失。把已有出行數(shù)據(jù)劃分為訓(xùn)練集和測試集，使用機(jī)器學(xué)習(xí)中的有監(jiān)督學(xué)習(xí)KNN算法（最近鄰算法），KNN算法的距離使用歐氏距離，見公式（1），分別恢復(fù)缺失出行的出發(fā)、到達(dá)時間和出發(fā)、到達(dá)地塊編號4個變量。通過對28天出行數(shù)據(jù)進(jìn)行處理，共恢復(fù)缺失的出行次數(shù)為48.8萬次，約為原始出行一天的出行量。

式中：d（x，y）為樣本點之間的歐氏距離；xi，yi為用于計算歐氏距離的變量坐標(biāo)，在本研究中主要為出發(fā)、到達(dá)時間和出發(fā)、到達(dá)地塊編號4個變量。

3 地塊停車需求特征分析

3.1 片區(qū)每日停車特征分析

基于2.1節(jié)和2.2節(jié)得到的車輛職住特征和補全后的出行數(shù)據(jù)，按照職住特征、地塊聚合28天數(shù)據(jù)進(jìn)行計算，篩選片區(qū)內(nèi)所有地塊得到片區(qū)內(nèi)停車需求總量日均約9.2萬輛，其中居住停車需求量日均約4.0萬輛、崗位停車需求量日均約2.1萬輛、其他彈性出行停車需求量日均約3.1萬輛。如圖3所示，28天數(shù)據(jù)分成四周展示，每周同一天的停車需求量波動性非常穩(wěn)定，根據(jù)標(biāo)準(zhǔn)差計算波動百分比的平均值約為1.5%。其中居住停車需求量和片區(qū)內(nèi)車輛出行次數(shù)相關(guān)，且每日居住停車需求量約占總出行次數(shù)的40%；崗位停車需求量在周末有明顯的下降趨勢；其他彈性出行停車需求量在周末有上升的趨勢，且彈性出行每周同一天相較于居住和崗位波動性較大，主要是因為彈性出行受到的影響因素較多，與剛性出行相比，出行隨機(jī)性較大。

圖3 每日停車需求量變化（按周分布）

3.2 片區(qū)小時平均停車特征分析

如圖4所示，按照24 h對片區(qū)內(nèi)各種性質(zhì)停車需求量進(jìn)行平均聚合計算，從圖中可以看出居住停車需求量由于夜間休息停車的原因，14:00之后需求量逐漸增加，晚高峰17:00—19:00期間多數(shù)車輛到達(dá)家中，因此居住停車需求量最大；崗位停車需求量的增加主要集中在早高峰07:00—09:00期間；彈性出行全天停車需求量較為平均。

圖4 研究片區(qū)內(nèi)24 h平均停車需求量變化

3.3 片區(qū)地塊停車需求量分布

基于各地塊每日平均停車需求量，按照停車需求量數(shù)值大小在GIS中展示各地塊的分布，如圖5所示。工作日居住停車需求量主要集中在居住小區(qū)較為密集的地塊，工作日崗位停車需求量則主要集中在市政府、密集寫字樓等地塊，周末彈性出行停車需求量主要集中在萬達(dá)廣場、奧體中心等商業(yè)娛樂地塊。

圖5 片區(qū)居住崗位彈性停車需求量分布

3.4 地塊停車結(jié)果驗證

基于上述得到的地塊停車數(shù)據(jù)，選擇大型居住地塊（編號為46，地塊內(nèi)有多個大型居住小區(qū)）、市政府地塊（編號為93，主要為政府辦公）、萬達(dá)廣場地塊（編號為56，主要為商業(yè)娛樂）三個屬性地塊的停車場入場閘機(jī)車牌數(shù)據(jù)對結(jié)果進(jìn)行驗證。算法計算得到的地塊停車需求量與真實停車量進(jìn)行比較，如圖6所示為地塊46在2020年10月14日的24 h停車需求量計算結(jié)果與真實值對比。為了定量描述算法結(jié)果的精度，提出如公式（2）所示平均相對誤差表示方法，地塊46、93、56的算法平均相對誤差分別為7.56%、3.23%、5.05%。

圖6 地塊46在2020年10月14日的24 h停車需求量計算結(jié)果與真實值對比

式中：Pai為第i時段停車場入場閘機(jī)實際檢測停車量；Pci為第i時段算法計算得到的停車輛；n為驗證數(shù)據(jù)集的所有時段第i時段的總數(shù)量；MRE為平均相對誤差。

4 結(jié) 語

本文基于卡口圖片數(shù)據(jù)通過圖像識別算法識別卡口圖片中的車牌號等信息，基于卡口位置及車牌號信息獲取車輛出行，并基于此判斷車輛職住、恢復(fù)缺失出行，分別對片區(qū)停車需求量的每日特征、小時特征、通勤特征進(jìn)行分析，最后選擇部分地塊停車場入場閘機(jī)車牌數(shù)據(jù)對算法結(jié)果進(jìn)行驗證。由于卡口點位分布密度不均勻，后期可通過增加出行末端的小區(qū)、商場等其他建筑設(shè)備內(nèi)部停車場閘機(jī)車牌數(shù)據(jù)的匹配，完善車輛地塊停車需求特征；未來也可以與地塊用地性質(zhì)相結(jié)合，進(jìn)一步分析城市居民出行特征[14]。