基于混合匹配算法的出租汽車運行時空特性研究

唐詩韻 李博威 戶佐安

(廣西交通規劃勘察設計研究院有限公司1) 南寧 530029) (西南交通大學交通運輸與物流學院2) 成都 611756) (西南交通大學綜合交通運輸智能化國家地方聯合工程實驗室3) 成都 611756)

0 引 言

近年來，隨著大數據技術的提升，諸多專家學者運用車載GPS數據對出租汽車進行研究，并取得了一些進展[1-2].胡小文等[3]以深圳市出租汽車GPS數據為基礎，從交通出行需求分布、出行距離分布、出行市場分布等方面對出租汽車運營特性進行研究，但對運營指標的分析較為欠缺；翁劍成等[4-5]以北京市為例，運用GPS數據分析了路網內出租汽車的行駛里程、虛擬里程數比、路網時空分布，以及駕駛員疲勞程度等參數，對交通管理計劃和交通控制設施的性能評價提供定量參考，便于直觀快速地判斷城市交通狀況；莊立堅等[6]提出面向出租汽車運營管理的大規模GPS數據處理框架，建立出租汽車運營需求指標、里程指標、時間指標和速度指標，并結合廣州市數據進行分析研究，但沒有深入分析出租汽車運營的空間分布特性；曹祎等[7-8]考慮了現階段打車軟件背景下，空駛出租汽車的出行分布預測問題，但未對部分未使用打車軟件的空駛出租汽車，其運營時空特性問題納入整體研究范圍，因此，在對出租汽車群體的刻畫描述上有所缺失.

本文將提出實現出租車GPS數據可視化的方法，并主要從時間和空間兩方面分析出租汽車的運營特性，提出相關運營指標的模型和計算方法.最后，結合成都市1周的出租汽車GPS數據進行具體分析.

1 浮動車數據采集與處理

1.1 數據采集與預處理

本研究的數據源自成都市交通運輸委員會提供的成都市2014年11月17—24日1周內的出租汽車GPS數據.每天的數據記錄超過7 000萬條，涵蓋了成都市12 000多輛出租汽車.出租汽車在運營過程中以一定的周期向數據中心上傳當前時刻的狀態信息，主要包括：車輛標識信息、位置狀態信息、運行狀態信息、運營狀態信息、時間信息等.考慮到數據體量龐大，本文采用SQL Sever數據庫對出租汽車GPS數據進行操作與管理.因設備故障、天氣狀況，以及建筑物遮擋等因素，在上傳GPS數據時會產生部分異常數據，無法參與研究應用，需將其剔除.由于異常數據所占比例較小，出租汽車GPS數據整體質量較好，為本研究奠定了堅實的數據基礎.

基于大規模出租汽車GPS數據，設計了提取出租汽車運營時空特性的技術流程，見圖1.

圖1 大規模出租汽車GPS數據處理技術流程圖

1.2 地圖匹配

選取部分成都市道路網絡，通過路網拓撲關系將路網模型化，即轉變為矢量路網地圖導入至地理信息系統平臺ArcGIS中.其中，路網數據包含：路段編號、路段名稱、路段起始點經緯度坐標、路段長度.

由于出租汽車始終是在道路上行駛，GPS定位點在除交叉口之外的區域基本都較為規律地貼合道路分布.當出租車GPS定位點非常緊密的貼合某1條道路，或位于2條近似平行的道路間時，可以很直觀地判斷出GPS定位點的匹配路段，即可采用最短投影距離匹配算法，能夠簡化匹配計算的過程.

最短投影距離匹配原理以當前投影點為圓心，考慮出租車GPS定位誤差，選擇以50 m為半徑作圓，將所有與所作圓相交的道路作為候選匹配道路集，依次將GPS定位點投影到候選道路上，并計算距各候選道路的投影距離，選擇投影距離最短的道路作為最終匹配道路，投影點即為最終匹配點.

若僅采用最短投影距離匹配算法，會出現出租汽車軌跡中斷的情況，錯誤匹配情況見圖2，在道路交叉口處，匹配點5，6匹配在道路b上，而前后匹配點1，2，3，4，7，8，9都匹配在路段a上，顯然，出租汽車的運行軌跡位于道路a上，因此，單純采用最短距離投影法會在道路交叉口處產生大量的匹配錯誤.

多項式擬合匹配算法能夠有效地避免該種錯誤的發生，即將由當前待匹配點與該時刻相鄰的4個GPS原始點組成的擬合曲線(由于時間間隔較短，這里可以將曲線看作為直線來處理)的斜率K，與候選路徑集中各路段的斜率Ki相比較，斜率最相近的路段作為最終的匹配路段，見圖3.

[(xi,yi),i=1,2,…,5]為包含當前點的相鄰5個定位點的平面坐標.另外，由多項式匹配原理可知擬合直線斜率K的計算公式為

圖2 錯誤匹配

圖3 多項式擬合匹配

(1)

道路斜率：

(2)

但是，多項式擬合匹配算法仍有一個缺陷，該算法規定與軌跡點的擬合曲線間的夾角在30°以內的道路才能作為匹配道路，即0

在地圖匹配過程中采用最短投影距離和多項式擬合的混合匹配算法，算法流程見圖4.

圖4 混合地圖匹配算法流程圖

通過計算分析得出，選取相鄰點個數的多少對擬合直線的斜率影響非常小，因此，考慮到2個GPS點間的距離、交叉口轉彎半徑及計算工作量，在保證準確匹配的條件下，確定選取5個GPS點來進行直線擬合.另外，由于現實生活中，城市道路網絡密集復雜，當匹配路網密度較大，即除了主、次干路外，還包含支路時，見圖5，按照上述算法進行匹配時，由于支路1與次干路1平行，將會產生2條與擬合直線夾角最小的道路，從而無法確定最終匹配道路.這種情況下，仍需要進一步采用最短投影距離算法進行確定.

圖5 密集路網匹配問題

因此，在使用混合匹配算法確定某GPS定位點時，路網過于復雜不但要增加算法的復雜度，也會影響算法的運行效率，要考慮出租汽車運行特性合理的選取匹配路網.同時，在匹配過程中要考慮平行道路間的距離，合理地選取搜索圓的半徑，保證候選道路集中只存在一條道路與擬合直線的夾角最小.

將本文提到的混合匹配算法與最短投影距離匹配算法進行比較，見圖6.由圖6b)可知，有7個GPS定位點(見標號)出現匹配錯誤，而圖6c)中未出現匹配錯誤，僅有3個GPS定位點(見標號)因其投影點在待匹配路段的延長線上，或其擬合曲線與所有候選道路夾角都大于30°而被匹配在交叉口處.對比分析可以得出，混合匹配算法能夠更精準的實現出租車實際運行軌跡的還原，但其匹配效率較低.

為了較好地實現該匹配算法，需要將GPS數據中的經緯度坐標轉換為以米為單位的平面坐標，最終將匹配結果導出成表格，見表3.

圖6 不同匹配算法的效果比較

車輛ID匹配后X匹配后Y1.001 01×101134 697973.413 398072.064時間載客狀態速度路段編號10:38:51021.512

2 出租汽車運營時間特性分析

2.1 上下客時間分布

出租汽車上下客次數在全天24 h內的分布反映出城市居民出行活動的時間特征，可用于掌握居民出行活動的高峰時段和平峰時段，對分析居民出行行為有很好的指導作用.運營指標及計算公式為

工作日全天上下客比例：

(3)

出租車OD數據依據出租車原始數據中的Incomeflag屬性值提取，當值由1變為0，則表示出租車載客狀態由載客變為空載，即單次載客行程的終點；反之，則為起點.在SQL數據庫中運用T-SQL語言進行操作實現.

通過數據分析得到成都市工作日與休息日全天上下客比例分布圖見圖7.

圖7 成都市工作日與休息日各小時上下客次數分布圖

由圖7可知，出租車的出行特征與常規公交有所差異，常規公交存在顯著的早晚高峰通勤出行特征，而出租車出行的通勤特征不明顯，同時出租車在21:00—24:00迎來全天需求最高峰，可以說明出租車乘客的出行目的較之常規公交更為多元化，同時也彌補了其他公共交通系統在夜間產生的運力真空情況.工作日17:00—19:00時段乘客上下客次數有所回落，由于該時段為多數出租車駕駛員的交接班時間，發生拒載的情況較多，且此時恰好是下班晚高峰時期，打車需求急劇上升，供給與需求的極度不平衡造成“打車難”的情況時有發生，進而導致上下客次數出現回落特征.休息日09：00—23：00期間各小時的上下客次數無明顯波動起伏，均處于高位需求水平，主要成因由于休息日居民出行需求主要以休閑娛樂為主，出行時間的隨機性較大，因此在時間分布上無明顯特征.

2.2 載客、候客時長分布

載客時長分布能較好地反映乘客選擇出租汽車作為出行方式的期望行程時間范圍，同時也能明顯地表征出租汽車服務的乘客類型.候客時長分布反映出租汽車駕駛員空駛狀態尋客的時間特性.各運營指標計算公式為

(4)

(5)

(6)

由OD數據表可計算同一條記錄中起終點的時間差即單次載客時長T1；而計算相鄰兩條行程間的時間間隔即為單次空載時間T0.

分析數據得到車輛載客時長分布、平均候客時長分布見圖8.由圖8可知，30 min以上的載客行程只占10.26%，這些行程一般以公務出行為主，或市區往返機場等出行需求；其次，57.17%的乘客在行程時間為15 min以內時會選擇搭乘出租汽車，因此，屬于出租汽車的重點服務時域.分析平均候客時長分布發現，只有29.32%的出租汽車能在10 min以內完成尋客工作，大部分出租汽車駕駛員的空駛時間較長，運營質量較差.

圖8 載客時長與候客時長分布

2.3 時間空駛率分布

時間空駛率為出租汽車全天總空駛時間與全天總運營時間之比，其反映出租汽車駕駛員全天的運營效率，可用Roff表示，其計算公式為

(7)

式中：T空，T全天分別為出租汽車全天總空駛時間與全天總運營時間.

3 出租汽車運營空間特性研究

3.1 載客距離

載客距離表示居民選擇出租汽車出行的平均距離，反映出租汽車的平均服務距離.由于車載GPS設備平均每10 s上傳一次數據，并且在城市道路中的行駛速度在30～40 km/h，因此在SQL數據庫中對匹配后的出租汽車GPS軌跡中的每兩點之間求地球球面距離，并求和，用來近似的表示一條載客軌跡的距離.運營指標及計算公式為

單次載客距離：

(8)

地球球面距離：

d(A,B)=R·arccos(sin(x1)·sin(x2)+

cos(x1)·cos(x2)·cos(y1-y2))

(9)

式中：zi，zi+1為單次載客記錄中相鄰的2條記錄的位置點；R為地球半徑.

通過統計分析得到成都市出租汽車所有單次載客距離分布見圖9，由圖9可知，平均出行距離在5～9 km范圍的行程數量占84.03%，為主要服務半徑.按成都市出租汽車價格(起步價8元/2 km，超過2 km的每公里1.9元)計算，5～9 km的價格范圍在13.7～21.3元，即為出租汽車駕駛員單程的主要收益范圍.

圖9 單程載客距離分布

3.2 里程空駛率

里程空駛率為出租汽車全天空駛總里程與全天運營總里程的比值，反映出租汽車駕駛員全天的無效能源耗費程度.里程空駛率可用Koff表示，計算公式為

(10)

式中：S空，S全天分別為出租汽車全天空駛總里程與全天運營總里程.

時間空駛率與里程空駛率的車輛分布情況見圖10，由圖10可知，成都市出租汽車的時間空駛率主要集中在30%～40%，而里程空駛率主要集中在20%～30%.出租汽車的時間空駛率要略高于里程空駛率，出現這種現象的原因是大多數出租汽車在空駛狀態時都選擇停車等待或減速慢行來尋找乘客.

圖10 各時間空駛率與里程空駛率范圍的車輛分布

3.3 路段載客概率分布

(11)

以成都市一環內、地鐵二號線與府河所圍區域的路網為例，通過分析數據得到路段各指標及載客概率的分布見圖11.

圖11 9：00—10：00時段路段各指標及載客概率的分布圖

參照百度地圖與圖11可知，載客概率最高的路段(顏色較深路段)基本都為與居民小區、醫院、大型活動中心、旅游景區等場所出入口直接相連的支路.但這些支路并不是出行需求旺盛的路段，這是因為該類支路上的出行需求是隨機的，而出租汽車在支路上行駛數量較少且也是隨機的，二者若能保持基本平衡，則載客概率才會呈現出較高水平.由于本文對出行需求的分析是采用的出租車歷史數據，對潛在的乘客無法預計，因此，對路網中的供需關系評估也較為模糊.對比圖11中3幅圖發現，載客概率次高的路段分布基本與出行需求旺盛的路段分布一致，表明出行需求越旺盛的路段，載客概率也相對較高.

由圖11a)可知，產生上客次數較多的路段附近的土地利用性質主要有3種：居民小區、大型商圈、體育中心、醫院及學校等.這些路段周圍的人流量相對較多，對出租汽車的潛在需求較大.而在圖11b)中，由于09：00—10：00時段緊接上班高峰期尾聲，因此短時間內在寫字樓及商場附近會發生空駛出租汽車較多的現象.對比圖11a)～b)可知，大部分空駛車數較多的路段，在該時段對應的出行需求并不大，這反映出許多出租汽車駕駛員對路網中出行需求的時空分布關系并不熟悉，盲目巡游等現象嚴重，駕駛員缺乏一定的載客引導.

4 結 束 語

本文在研究出租汽車GPS數據地圖匹配方面提出了一種混合匹配算法，并驗證了該算法的匹配結果相較于單一匹配算法更為精準，能夠更好地還原出租汽車實際運行軌跡.同時，本文分別從時間和空間兩方面建立運營指標、計算模型及提取方法，以成都市出租汽車1周的GPS數據為例做具體分析，得出成都市出租汽車的主要服務時域為5～10 min，服務半徑為6～7 km，出行通勤特征不明顯，時間空駛率較高，且大多數駕駛員對路網動態客流分布關系并不十分熟悉，缺乏針對性的載客引導.最后，若對出租汽車空載時的空間運行規律進行深入研究，能更好地了解出租汽車駕駛員空載時的路徑選擇偏好，對探索降低出租汽車空載率的方法將起到一定幫助，可作為下一步的研究方向.

參考文獻

[1] LIU L, ANDRIS C, BIDERMAN A, et al. Revealing taxi driver’s mobility intelligence through his trace[J]. IEEE Pervasive Computing, 2009(1):1-17.

[2] LIU X, LIU S, CHEN Z, et al. Urban traffic condition analysis based on GPS floating car data[C] International Conference on Computer Science & Service System,Nanjing,2012.

[3] 胡小文,馮均佳.基于GPS數據采集的出租汽車交通運行特點研究[J].城市交通,2007,5(2):91-95.

[4] 翁劍成,劉文韜,陳智宏,等.基于浮動車數據的出租車運營管理研究[J].北京工業大學學報,2010,36(6):779-784.

[5] WENG J C，ZHAI Y Q，ZHAO X, et al. Floating car data based taxi operation characteristics analysis in Beijing[C]. Computer Science and Information Engineering, 2009 WRI World Congress on, IEEE, Los Angeles, 2009.

[6] 莊立堅,韋清波,何兆成,等.基于浮動車數據的出租車運營管理特性建模與分析[J].重慶交通大學學報(自然科學版),2014,33(4):122-127.

[7] 曹祎,羅霞.打車軟件背景下空駛出租車出行分布預測模型[J].武漢理工大學學報(交通科學與工程版),2015,39(1):51-54.

[8] 唐詩韻.基于GPS數據的空駛出租車尋客路線推薦研究[D].成都：西南交通大學,2017.