交通狀況對出租車運行區域的影響研究

謝耀漩，盧守峰，江勇東，陶黎明

(長沙理工大學交通運輸工程學院，湖南 長沙 410004)

交通狀況對出租車運行區域的影響研究

謝耀漩，盧守峰，江勇東，陶黎明

(長沙理工大學交通運輸工程學院，湖南 長沙 410004)

針對大中城市高峰期間打車難的現象，利用出租車GPS數據，提出了一種量化研究出租車逃離城市擁堵區域的方法。首先采用射線法進行地圖匹配，將中心城區路網劃分為多個研究區域，利用出租車GPS數據來統計各區域每5 分鐘內的累計車輛頻數；再利用不同區域間的累計車輛頻數比值來描述區域間出租車的流動情況。研究結果表明，出租車在高峰期間存在逃離交通擁堵區域的現象，并且發現出租車逃離擁堵區域的時段相對于社會車輛的高峰期滯后0.5～1.0 h。該研究成果對于掌握出租車運行特性和出租車管理具有一定的借鑒價值。

出租車GPS數據；擁堵逃離；累計車輛頻數

Abstract∶In view of the difficulty of finding a taxi during peak hours in large and medium cities, a quantitive method was proposed to study taxis escape from urban congestion areas by using the GPS data of taxis. Firstly, ray method was used for map matching, the road network of central urban was divided into a plurality of research areas, and the taxi GPS data were used to calculate the cumulative vehicle frequency per 5 minutes in each region; Secondly, the cumulative vehicle frequency ratio between different regions was used to describe the flow of the taxis among different regions. The results show that taxis really have the phenomenon of escaping from traffic jams during peak periods, and it is found that the time of taxis fleeing congested areas lags behind 0.5～1.0 h relative to the peak period of social vehicles. The research results have certain reference value for mastering the characteristics of taxi operation and taxi management.

Key words∶GPS data of taxi; escaping from congestion; cumulative vehicle frequency

GPS、北斗等定位設備的普及和自動識別車輛牌照、藍牙等多種新型檢測技術的出現，為掌握交通狀態提供了有力的多源數據支撐，大數據時代隨之到來。對于出租車GPS數據的應用，國內外學者從多個角度進行了探索。例如，Geroliminis等[1]首次利用出租車GPS數據構建宏觀基本圖間接估計路網密度。de Fabritiis等[2]提出了基于人工神經網絡算法對路段平均速度進行短時預測。Zhan 等[3]根據OD間的出租車GPS數據，利用了一種新的描述性模型來估計路段上的出行時間。吳佩莉等[4]通過擁堵同伴發現算法對擁堵區域進行預測。林樹寬等[5]通過建立道路擁堵向量和擁堵矩陣來預測道路交通狀態。Kamran等[6]提出了一種利用出租車GPS數據判別因交通事故造成擁堵的方法，并對擁堵路段進行分級。張俊濤等[7]對出租車的不同運行狀態下的速度特征進行分析，并基于軌跡分段進行擁堵鑒別。郭雪婷等[8]利用出租車GPS數據建立隸屬度模型判別不同時段、不同路段及路口的擁堵狀態。李勇等[9]提出了建立在時空約束上的Apriori算法對城市交通的擁堵關聯性作出分析。Cai等[10]用回轉半徑來描述出租車的出行距離，并發現其分布規律介于指數分布和冪律分布之間。李艷紅等[11]通過構建出租車的時間分布和空間分布分析方法來研究出租車的出行特性。童曉君等[12]對工作日和非工作日的出租車出行空間分布進行了分析。齊林[13]對出租車的上下客時間分布、載客時長和運行速度等運行特性進行了研究。以上研究主要集中在交通狀態的估計與判別、出租車運行的時空分布等方面，關于交通狀況對出租車運行的影響方面的研究較少。因此，本文通過分析高峰期間出租車逃離擁堵區域的現象，解釋高峰期打車難的問題。

1 地圖匹配算法

長沙市出租車GPS每隔30 s上傳一次數據，包括時間、經緯度、速度等。研究路網的經緯度通過Google地圖獲得。由于種種原因，出租車GPS的經緯度和Google路網的經緯度存在誤差，因此需要通過地圖匹配算法將出租車位置匹配到Google路網中。本文采用射線法進行匹配。

1.1射線法

射線法[14]判定點q是否在幾何區域P內的原理是從q點畫一條射線，若射線與幾何區域P的交點個數為奇數，則點q在幾何區域P內；若交點個數為偶數，則點q在幾何區域P外。射線法的偽代碼如下：

Char InPoly0(tPointi q, tPolygoni P, int n)

{

int i, i1; /*點下標 : i1 = i-1對n取模 */

int d; /* 維數下標 */

double x;/* 邊e與x軸的交點坐標 */

int Rcross = 0;/* 交點數量 */

/*通過坐標變換讓點q為坐標原點 */

for( i=0; i

for( d=0; d

p[i] [d] = p[i] [d] - q[d];

}

/*判斷每個邊e=(i-1,i)是否與射線相交. */

}

}

1.2出租車GPS數據地圖匹配效果

我們處理長沙市2013年4月22日(星期一)的出租車GPS數據，首先利用米勒投影公式將GPS的經緯度坐標轉換為平面距離坐標，坐標轉換后各點的空間位置會發生調整，轉換后的北側邊界道路為南二環，東側邊界道路為東二環，南側邊界道路為營盤路，西側邊界道路為瀟湘路。然后通過射線法對其在長沙市中心城區由營盤路、東二環、南二環、瀟湘路組成的路網進行了匹配，匹配結果如圖1所示。其中圓圈代表研究范圍路段邊界，實心點代表出租車位置數據，匹配效果較好。

圖1 出租車GPS數據的地圖匹配Fig.1 Map-matching of taxi GPS data

2 出租車逃離擁堵區域的現象研究

出租車的運行狀態與駕駛員的駕駛行為和路網中乘客的需求分布息息相關，而且出租車總是傾向于行駛在乘客需求較多的路段。但是在高峰期間，出租車司機為避免陷入交通擁堵減少收入，總是傾向于逃離擁堵區域來提高運行效率。根據長沙市的城市結構和經驗，我們把圖2所示的城市路網根據擁擠程度由內向外劃分為3個區域，區域1由五一大道、韶山路、勞動路、芙蓉路圍成。區域2由五一大道、曙光路、砂子塘路、黃土嶺路、蔡鍔路圍成。區域3由營盤路、東二環、南二環、瀟湘路圍成。考慮交通流的穩定性，選取5 min作為數據處理間隔。

圖2 路網分區Fig.2 The road network partition

出租車每30秒向基站反饋一次GPS位置，我們可得到一天中每5 分鐘 3個區域的累計車輛頻數，由圖3可知，3個區域的累計出現車輛頻數在時間上的趨勢大致相近，這說明3個區域的出租車在時間上分布規律比較相近。

圖3 各區域累計車輛頻數Fig.3 Cumulative vehicle frequency in each region

圖4 各區域單位距離累計車輛頻數Fig.4 Cumulative frequency of vehicles per unit distance in each region

為進一步研究各區域出租車空間上的分布情況，我們考慮了單位距離的累計車輛頻數。如圖4所示，區域1和區域2單位距離累計車輛頻數相近，而區域3的單位距離累計車輛頻數較小。這是因為區域1和區域2靠近市中心，乘客需求量較大；區域3靠近郊區，乘客需求量較小。

出租車在各區域中的時空分布是不均勻的，主要體現在不同時段內各區域的累計車輛頻數不守恒，即區域間存在車輛流動現象。如圖5所示，我們將區域1每5 分鐘的累計車輛頻數與區域2每5 分鐘的累計車輛頻數相除，得到區域1與區域2的頻數比值，用符號r12表示，同理得到區域2與區域3的頻數比值，用符號r23表示。

圖5 各區域累計車輛頻數比Fig.5 The ratio of cumulativevehicles frequency in different regions

通過r12可以看出，在平峰期間，區域車輛頻數比值波動總是接近于均值1.15，這說明區域1和區域2間相互流動的出租車車輛數基本平衡，交通狀態比較穩定。在高峰期間，區域車輛頻數比值遠小于均值，即區域1流入區域2的出租車數量遠大于區域2流入區域1的出租車數量，這是由于高峰期間，區域1比區域2更為擁堵，出租車為提高運行效率而逃離擁堵區域。另外，據實際調查，長沙市的早高峰為7:30—9:30，晚高峰為17:30—19:30，而出租車的逃離擁堵區域的時間集中在8:30—10:30和18:00—20:00。由此可看出出租車的逃離擁堵區域行為存在滯后性，出租車已處于高峰期的擁堵路段，但出租車需結束當前行程后駛離擁堵區域。

根據表1，我們通過公式(1)來計算出租車逃離擁堵區域的比例p，可得出8:30—10:30期間約9.1%的出租車由區域1流入區域2，18:00—20:00期間約8.5%的出租車由區域1流入區域2。

(1)

其中，p為出租車從區域i流入區域j的比例；rij(k)為第k個時間段區域i與區域j的頻數比；mij為全天區域i與區域j的頻數比的均值；n1為研究起始時間段；n2為研究終止時間段；

由r23可以看出，區域2到區域3的出租車逃離擁堵現象主要集中在早高峰期間，且也存在滯后現象，而晚高峰期間逃離現象不明顯。通過r12和r23的對比可知，r23的波動較小，即區域2向區域3車輛流動的現象弱于區域1向區域2車輛流動的現象。這說明了出租車越靠近市中心，逃離擁堵區域的現象越明顯。隨著服務區域不斷遠離市中心，出租車的運行受交通擁堵的影響逐漸減弱。

表1 各時段區域1與區域2的頻數比

注：全天區域1與區域2的頻數比的均值為1.15。

3 結論

本文利用射線法將出租車GPS數據進行地圖匹配，對長沙市中心城區路網進行分區域劃分，以5 min為時間間隔，通過出租車在一天中的時空分布研究出租車逃離擁堵區域的現象。主要得到以下幾點結論：(1)通過各區域的累計車輛頻數的統計分析，發現各區域的出租車在時間上分布具有相同的趨勢。城市中不同區域的交通狀況雖然不同，但利用出租車運行狀態可以描述交通狀況。(2)通過各區域的單位距離累計車輛頻數的統計分析可知，越靠近市中心的區域單位距離累計車輛頻數越高，即出租車總是傾向于行駛在乘客需求較多的區域。(3)利用不同區域車輛頻數比r12、r23可看出，出租車在高峰期間存在逃離擁堵區域的現象，且出租車逃離現象時間上相對于社會車輛高峰期存在滯后性。本文用不同區域間的出租車流動判別高峰期的擁堵逃離現象，但未考慮出租車的OD分布情況，今后將在這方面進一步研究。

[1]GEROLIMINIS N, DAGANZO C F. Existence of urban-scale macroscopic fundamental diagrams: Some experimental findings[J]. Transportation Research Part B: Methodological, 2008, 42(9): 759-770.

[2]de FABRITIIS C, RAGONA R, VALENTI G. Traffic estimation and prediction based on real time floating car data[C]//11thInternational IEEE Conference on Intelligent Transportation Systems, 2008.[S.l.]:IEEE, 2008.

[3]ZHAN X Y, HASAN S, UKKUSURI S V, et al. Urban link travel time estimation usinglarge-scale taxi data with partial information[J]. Transportation Research Part C: Emerging Technologies, 2013, 33: 37-49.

[4]吳佩莉, 劉奎恩, 郝身剛,等. 基于浮動車數據的快速交通擁堵監控[J].計算機研究與發展， 2014,51(1):189-198.

[5]林樹寬, 于伶姿, 喬建忠,等. 基于GPS軌跡數據的擁堵路段預測[J]. 東北大學學報(自然科學版), 2015, 36(11):1530-1534.

[6]KAMRAN S, HAAS O. A multilevel traffic incidents detection approach: Identifying traffic patterns and vehicle behaviours using real-time gps data[C]//2007 IEEE Intelligent Vehicles Symposium. [S.l.]:IEEE, 2007.

[7]張俊濤, 李志勇, 張浩,等. 利用出租車軌跡數據估計城市道路擁堵狀況[J]. 測繪工程, 2016, 25(9):68-72.

[8]郭雪婷, 秦艷麗, 雷震. 基于出租車GPS數據的城市道路擁堵判別[J]. 交通信息與安全, 2013, 31(5):140-144.

[9]李勇.基于出租車 GPS 數據的城市交通擁堵識別和關聯性分析[D].哈爾濱：哈爾濱工業大學, 2016.

[10]CAI H, ZHAN X W, ZHU J, et al. Understanding taxi travel patterns[J]. Physica A Statistical Mechanics & Its Applications, 2016, 457:590-597.

[11]李艷紅, 袁振洲, 謝海紅,等. 基于出租車OD數據的出租車出行特征分析[J]. 交通運輸系統工程與信息, 2007, 7(5):85-89.

[12]童曉君, 向南平, 朱定局. 基于出租車GPS數據的城市居民出行行為分析[J]. 電腦與電信, 2012(z1):56-59.

[13]齊林. 基于GPS數據的出租車交通運行特性研究及應用[D].哈爾濱：哈爾濱工業大學, 2013.

[14]O’ROURKE J, Computational geometry in C[M].Second Edition. NY, US: Cambridge University Press，1998.

The influence of traffic states on the taxi running areas

XIE Yao-xuan,LU Shou-feng,JIANG Yong-dong,TAO Li-ming

(School of Traffic and Transportation Engineering, Changsha University of Science and Technology，Changsha 410004,China)

U491.1+12

A

1002-4026(2017)05-0079-07

10.3976/j.issn.1002-4026.2017.05.013

2017-04-24

湖南省教育廳優秀青年項目(15B011)

謝耀漩(1991—)，女，碩士研究生，研究方向為交通管理。

*通信作者，盧守峰(1978—)，男，教授，研究方向為交通流理論、交通管理與控制。E-mail：6360580@qq.com