邢 雪，翟婭奇

（吉林化工學(xué)院信息與控制工程學(xué)院，吉林 吉林 132022）

0 引 言

針對(duì)車輛停車需求問題，目前已經(jīng)有很多學(xué)者對(duì)此進(jìn)行研究。 楊圣文等學(xué)者［7］對(duì)現(xiàn)有停車場(chǎng)進(jìn)行調(diào)查，對(duì)不滿足停車需求現(xiàn)狀的停車場(chǎng)利用建立的路網(wǎng)通行能力模型進(jìn)行泊車路段的優(yōu)化。 Ren 等學(xué)者［8］考慮到學(xué)生步行的可達(dá)性，利用k－means 的迭代聚類方法來分配學(xué)生和為校車停車站點(diǎn)進(jìn)行選址，以獲取最短的學(xué)生上學(xué)的通勤時(shí)間。Vdovychenko［9］通過分析車輛的行駛數(shù)據(jù)來對(duì)車輛的停靠點(diǎn)進(jìn)行分類，隨后對(duì)停靠點(diǎn)的分類與車輛運(yùn)行路線流量之間的相關(guān)性進(jìn)行建模，并進(jìn)行實(shí)例分析。 王國娟等學(xué)者［10］根據(jù)設(shè)定的商業(yè)區(qū)停車管理水平評(píng)價(jià)指標(biāo)建立基于模糊綜合評(píng)價(jià)法的停車管理水平評(píng)價(jià)模型，研究表明構(gòu)建的模型能夠?qū)ι虡I(yè)區(qū)路內(nèi)停車管理水平進(jìn)行準(zhǔn)確評(píng)價(jià)。 王震邦等學(xué)者［11］均衡考慮多個(gè)停車需求，設(shè)計(jì)基于交替方向乘子法（ADMM）分布式優(yōu)化的停車匹配模型，實(shí)驗(yàn)證明模型優(yōu)于其他常用模型，并有較優(yōu)的收斂效果。鄭慧敏［12］對(duì)停車需求的影響因素進(jìn)行分析，并提出基于滴滴出行OD數(shù)據(jù)的停車需求預(yù)測(cè)方法，利用模型進(jìn)行公共停車場(chǎng)的選址分析證明了模型的實(shí)際意義。 除此之外，雙層目標(biāo)模型［13－14］、粒子群算法［15］、DBSCAN［16］等多種方法也被應(yīng)用在停車選址的研究上。

以上研究已對(duì)車輛臨時(shí)停車選址的可行性進(jìn)行了論證，但是以網(wǎng)約車OD數(shù)據(jù)為出發(fā)點(diǎn)，并結(jié)合城市熱門POI 數(shù)據(jù)點(diǎn)對(duì)乘客上下車需求的分析，挖掘網(wǎng)約車?？康慕煌ㄌ匦裕瑥亩鳛榫W(wǎng)約車臨時(shí)?？奎c(diǎn)的選址依據(jù)的相關(guān)研究較少。 針對(duì)上述問題，通過對(duì)網(wǎng)約車OD數(shù)據(jù)和爬取到的城市熱門POI 數(shù)據(jù)進(jìn)行相關(guān)性分析，研究網(wǎng)約車停靠需求的交通特性，在此基礎(chǔ)上提出基于POI 聚類的網(wǎng)約車臨時(shí)?？奎c(diǎn)的選址策略，并基于成都市滴滴出行數(shù)據(jù)集進(jìn)行實(shí)例驗(yàn)證。

1 數(shù)據(jù)采集與特征分析

1.1 數(shù)據(jù)采集

POI（Point of Interest）被稱作興趣點(diǎn)，通常指互聯(lián)網(wǎng)電子地圖中的點(diǎn)類數(shù)據(jù)。 應(yīng)用python 編寫程序在高德地圖上爬取成都局部區(qū)域的所有餐飲相關(guān)POI 數(shù)據(jù)，提取時(shí)間范圍為2022－10－09 ～2022－10－10。 爬取數(shù)據(jù)時(shí)選取的POI 大類是餐飲服務(wù)，中類包括：餐飲相關(guān)場(chǎng)所、中餐廳、快餐廳、休閑餐飲場(chǎng)所、咖啡廳、茶藝館、冷飲店、糕餅店、甜品店，字段信息包括POI 的具體名稱、類別、城市、地址、經(jīng)緯度。

網(wǎng)約車OD需求數(shù)據(jù)是指乘客在乘坐網(wǎng)約車過程中的上下客數(shù)據(jù)，包括當(dāng)前訂單信息、上下客時(shí)刻時(shí)間戳以及上下客時(shí)刻位置經(jīng)緯度。 采用成都市局部區(qū)域網(wǎng)約車軌跡數(shù)據(jù)進(jìn)行網(wǎng)約車OD數(shù)據(jù)提取，字段信息包括訂單ID、時(shí)間戳、當(dāng)前位置經(jīng)度、當(dāng)前位置緯度。 根據(jù)軌跡數(shù)據(jù)進(jìn)行OD需求的提取過程如圖1 所示。

1.2 OD 需求分布與城市POI 耦合關(guān)系分析

基于高德地圖，爬取得到餐飲相關(guān)POI 位置分布，以及對(duì)應(yīng)區(qū)域的網(wǎng)約車上下客需求點(diǎn)的分布，如圖2 所示。

圖2 成都市OD 需求數(shù)據(jù)及餐飲相關(guān)POI 分布情況Fig. 2 Distribution of OD demand data and catering related POI data in Chengdu

近年來，網(wǎng)約車數(shù)量在城市的快速擴(kuò)張極大地加強(qiáng)了城市交通站點(diǎn)不可達(dá)區(qū)域之間的通達(dá)性，改善了城市區(qū)域之間的聯(lián)系。 以成都市為例，對(duì)OD需求數(shù)據(jù)與餐飲相關(guān)POI 數(shù)據(jù)（數(shù)據(jù)量分別為104 148條和61 101條）進(jìn)行分析，研究網(wǎng)約車OD數(shù)據(jù)和城市餐飲POI 分布之間的關(guān)系，乘客的網(wǎng)約車乘車需求順應(yīng)城市POI 分布的空間特征，OD需求密度分布以城市中心為起點(diǎn)向城市四周輻射開，網(wǎng)約車OD分布受城市POI 點(diǎn)的影響，POI 分布與網(wǎng)約車OD點(diǎn)分布密度大的區(qū)域構(gòu)成了城市繁華地帶，并且POI 與OD數(shù)據(jù)分布呈現(xiàn)明顯的組團(tuán)集聚分布形式，區(qū)域繁華程度隨著遠(yuǎn)離城市中心逐漸遞減。 基于上述結(jié)合網(wǎng)約車需求量與POI 的空間分布關(guān)系的分析，可以得出網(wǎng)約車OD點(diǎn)與POI 分布具有耦合關(guān)系，考慮網(wǎng)約車上下車點(diǎn)與餐飲相關(guān)POI 進(jìn)行網(wǎng)約車臨時(shí)停靠點(diǎn)的選取具有一定的現(xiàn)實(shí)意義。

（1）依托互聯(lián)網(wǎng)工具：企業(yè)必須依托互聯(lián)網(wǎng)來建立網(wǎng)絡(luò)品牌，因此網(wǎng)絡(luò)品牌也具有互聯(lián)網(wǎng)的全球性、服務(wù)的連續(xù)性、動(dòng)態(tài)性等特點(diǎn)。

2 網(wǎng)約車OD 需求與餐飲相關(guān)POI 關(guān)系研究

采用K－means 聚類算法對(duì)OD數(shù)據(jù)進(jìn)行聚類，使空間上距離很近的POI 盡可能被歸為一類，形成廣義上的POI。 在此基礎(chǔ)上，研究廣義上的OD需求點(diǎn)與周圍一定半徑范圍內(nèi)的POI 數(shù)據(jù)之間的關(guān)系，為網(wǎng)約車的臨時(shí)?？奎c(diǎn)的選址提供依據(jù)。

2.1 基于K－means 的OD 數(shù)據(jù)聚類

K－means 算法是一種非監(jiān)督的聚類算法，其主要思想是對(duì)于給定的OD需求點(diǎn)數(shù)據(jù)集，按照各個(gè)OD點(diǎn)之間的距離大小進(jìn)行區(qū)分，將總的OD需求數(shù)據(jù)劃分成K簇。 劃分后的OD數(shù)據(jù)的空間分布特點(diǎn)為簇內(nèi)的OD點(diǎn)盡可能緊密相鄰，而簇與簇之間的距離盡可能地大。 設(shè)數(shù)據(jù)集為D ＝｛x1，x2，x3，…，xn｝，表示n個(gè)數(shù)據(jù)點(diǎn)構(gòu)成的集合，K－means 算法的實(shí)現(xiàn)過程詳見如下：

Step 1確定K個(gè)初始OD數(shù)據(jù)聚類中心C1（0），C2（0），C3（0），…，CK（0）。

Step 2對(duì)所有OD數(shù)據(jù)，求其到K個(gè)聚類中心的距離，并將數(shù)據(jù)點(diǎn)xn歸類到與聚類中心點(diǎn)距離最小的簇內(nèi)Dm（m ＝1，2，3，…，K），迭代Q次，判定公式如下：

其中，i，j ＝1，2，3，…，Q。

Step 3每次迭代，更新聚類中心。 推得的公式為：

當(dāng)Jj取得最小值時(shí)：

其中，Nj是Dj（Q） 的樣本個(gè)數(shù)。

Step 4利用Step 2 和Step 3 對(duì)聚類中心進(jìn)行迭代更新，如果點(diǎn)的位置變化很小，可以判定達(dá)到穩(wěn)定狀態(tài)，迭代結(jié)束。

2.2 OD 需求與POI 數(shù)據(jù)的相關(guān)性分析

使用K－means 聚類算法對(duì)網(wǎng)約車OD需求數(shù)據(jù)進(jìn)行聚類，以各個(gè)類簇的質(zhì)心作為廣義的OD需求點(diǎn)，并以廣義的網(wǎng)約車OD點(diǎn)為中心，半徑為R畫圓作為廣義OD點(diǎn)的吸引范圍，對(duì)于半徑選取，一般認(rèn)為是400～800 m［17］，目前應(yīng)用較為廣泛的是800 m，以800 m作為覆蓋半徑，統(tǒng)計(jì)區(qū)域內(nèi)所有POI 數(shù)據(jù)的個(gè)數(shù)，對(duì)成都市局部區(qū)域進(jìn)行網(wǎng)約車OD點(diǎn)和餐飲相關(guān)POI 的統(tǒng)計(jì)見表1。 使用線性回歸來擬合通過K－means 算法聚類得到的各個(gè)類簇中的網(wǎng)約車OD數(shù)據(jù)與廣義OD點(diǎn)吸引范圍內(nèi)的POI 數(shù)據(jù)之間的數(shù)量關(guān)系。 以廣義OD需求點(diǎn)吸引范圍內(nèi)的POI數(shù)量為x，類簇中的OD需求點(diǎn)數(shù)量為y，可得：

表1 成都市局部區(qū)域OD 數(shù)據(jù)與POI 統(tǒng)計(jì)情況表Tab. 1 OD data and POI statistics of local regions in Chengdu

代入成都市數(shù)據(jù)可得x和y之間的函數(shù)關(guān)系如圖3 所示，x和y滿足y ＝1.705 014 42x ＋152.182 346 1，對(duì)應(yīng)的擬合度R2為0.964 786 13。 結(jié)果表明，OD需求數(shù)據(jù)與POI 數(shù)據(jù)的數(shù)量關(guān)系上存在線性正相關(guān)關(guān)系。

圖3 成都市OD 需求與POI 數(shù)量的關(guān)系曲線Fig. 3 Relation curve between OD demand and POI quantity in Chengdu

3 結(jié)合OD 點(diǎn)和POI 的網(wǎng)約車臨時(shí)?？奎c(diǎn)的選址及實(shí)現(xiàn)

3.1 網(wǎng)約車臨時(shí)?？奎c(diǎn)選址

上述分析表明OD需求數(shù)據(jù)與餐飲相關(guān)POI 數(shù)量之間存在線性正相關(guān)性，基于OD需求點(diǎn)和餐飲相關(guān)POI 數(shù)據(jù)進(jìn)行聚類，以得到的聚類結(jié)果作為網(wǎng)約車臨時(shí)?？奎c(diǎn)的選址是具有合理性的，網(wǎng)約車的臨時(shí)?？奎c(diǎn)的選址策略如下：

Step 1獲取相應(yīng)城市區(qū)域的餐飲相關(guān)POI 數(shù)據(jù)和網(wǎng)約車軌跡數(shù)據(jù)。

Step 2對(duì)網(wǎng)約車軌跡數(shù)據(jù)進(jìn)行OD提取，并基于K－means 聚類算法對(duì)OD數(shù)據(jù)進(jìn)行聚類，得到廣義上的OD需求點(diǎn)。

Step 3計(jì)算廣義上的OD需求點(diǎn)吸引半徑內(nèi)的POI 的數(shù)量，篩選出吸引范圍內(nèi)POI 數(shù)量大于等于某個(gè)特定值的OD需求點(diǎn)，將其作為初始候選的網(wǎng)約車臨時(shí)停靠點(diǎn)。

Step 4對(duì)候選的網(wǎng)約車臨時(shí)?？奎c(diǎn)吸引范圍內(nèi)的POI 進(jìn)行聚類，得到各個(gè)初選網(wǎng)約車臨時(shí)?？奎c(diǎn)吸引范圍內(nèi)的POI 的聚類中心，即是最終的網(wǎng)約車臨時(shí)?？奎c(diǎn)的選址。

3.2 實(shí)例驗(yàn)證

以成都市為例，驗(yàn)證分析選址策略的有效性。

根據(jù)選址策略可得：

（1）獲取相關(guān)數(shù)據(jù)：爬取獲得成都市局部區(qū)域餐飲相關(guān)POI 數(shù)據(jù)、共61 101個(gè)數(shù)據(jù)點(diǎn)；使用滴滴全樣本軌跡數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)，數(shù)據(jù)主要來自于2016年11月的成都市二環(huán)局部區(qū)域軌跡數(shù)據(jù)，共計(jì)706萬條，對(duì)11月1日08：00 ～17：00 時(shí)間內(nèi)的軌跡數(shù)據(jù)進(jìn)行OD數(shù)據(jù)提取操作后，獲取到共計(jì)104 147條OD數(shù)據(jù)。

（2）基于K－means 聚類算法進(jìn)行聚類得到500個(gè)聚類中心，即廣義上的OD需求點(diǎn)。

（3）以聚類得到的OD需求點(diǎn)為圓心，統(tǒng)計(jì)800 m范圍內(nèi)POI 數(shù)量大于100 的OD需求點(diǎn)，將其作為初選的網(wǎng)約車臨時(shí)?？奎c(diǎn)，總共篩選獲得318個(gè)初候選點(diǎn)。

（4）對(duì)初始候選點(diǎn)吸引范圍內(nèi)的POI 進(jìn)行聚類，得到的聚類中心即是網(wǎng)約車臨時(shí)?？奎c(diǎn)的最終選址。

當(dāng)前網(wǎng)約車上車點(diǎn)分布如圖4 所示，得到的擬選的網(wǎng)約車臨時(shí)?？奎c(diǎn)如圖5 所示。 由圖4 和圖5可以看出，餐飲商家和OD點(diǎn)呈現(xiàn)邊緣分散、中間密集的分布規(guī)律，分布密集的區(qū)域主要位于城市中心區(qū)域和南部區(qū)域，由K－means 聚類得到的廣義的網(wǎng)約車上下車點(diǎn)的分布與城市網(wǎng)約車上下車的餐飲相關(guān)POI 的熱門區(qū)域相重合，表明廣義上的網(wǎng)約車上下車點(diǎn)位于人流量密集區(qū)域；通過對(duì)廣義的網(wǎng)約車上下車點(diǎn)根據(jù)范圍內(nèi)的POI 數(shù)量進(jìn)行篩選，完成對(duì)臨時(shí)網(wǎng)約車?？奎c(diǎn)選址的優(yōu)化。 優(yōu)化后的網(wǎng)約車臨時(shí)停靠點(diǎn)同時(shí)具備網(wǎng)約車需求量大、人流量密集等特點(diǎn)，該選址策略對(duì)于緩解城市交通擁堵、規(guī)范網(wǎng)約車運(yùn)行具有重要實(shí)際意義。

圖4 當(dāng)前網(wǎng)約車上車點(diǎn)分布圖Fig. 4 Distribution of boarding points for current online car hailing

圖5 擬選網(wǎng)約車臨時(shí)停靠點(diǎn)Fig. 5 Proposed temporary parking point for online car hailing

4 結(jié)束語

針對(duì)網(wǎng)約車臨時(shí)?？奎c(diǎn)的選址策略問題進(jìn)行初步研究，考慮到以往的網(wǎng)約車運(yùn)行特點(diǎn)和城市熱門POI 分布特點(diǎn)，建立了考慮OD點(diǎn)與POI 數(shù)據(jù)狀態(tài)下的基于K－means 聚類算法的網(wǎng)約車臨時(shí)?？奎c(diǎn)的選址策略。 以城市中餐飲相關(guān)POI 數(shù)據(jù)和網(wǎng)約車OD數(shù)據(jù)作為研究對(duì)象，研究發(fā)現(xiàn)網(wǎng)約車OD數(shù)據(jù)與周邊POI 數(shù)據(jù)密度之間存在正相關(guān)關(guān)系，利用模型進(jìn)行網(wǎng)約車臨時(shí)?？奎c(diǎn)的選址。 最后以成都局部區(qū)域的網(wǎng)約車OD數(shù)據(jù)和POI 數(shù)據(jù)進(jìn)行實(shí)例驗(yàn)證，對(duì)K－means 聚類算法得到的候選點(diǎn)進(jìn)行篩選得到最終的網(wǎng)約車臨時(shí)?？奎c(diǎn)，并論證該選址策略的合理性和可行性。 未來將在以下方面進(jìn)行深入研究：

（1）除餐飲相關(guān)POI 外，可以研究其他類型的POI 數(shù)據(jù)的聚類分析對(duì)于網(wǎng)約車臨時(shí)?？奎c(diǎn)選址的影響，進(jìn)一步建立考慮OD數(shù)據(jù)和POI 的城市區(qū)域劃分方式的優(yōu)化模型。

（2）對(duì)城市進(jìn)行功能上的交通小區(qū)的劃分，并進(jìn)行交通小區(qū)分類，對(duì)于不同分類的交通小區(qū)提供不同的網(wǎng)約車臨時(shí)?？奎c(diǎn)的選址。