基于卡口及個體車輛軌跡數據的停車需求分析方法

摘要 停車需求的獲取，是城市道路交通管理工作中的重點之一。文章提出了基于卡口及個體車輛軌跡數據的停車需求分析方法。首先輸入設定區域范圍和時間范圍內的卡口數據，根據卡口數據獲取車輛身份信息并計算個體車輛軌跡，獲取車輛單次出行的起點卡口和終點卡口；然后根據車輛單次出行起點卡口的數據推算車輛的來源地，根據車輛單次出行終點卡口的數據推算車輛的目的地；進而根據推算得到車輛的來源地和目的地進行統計和分析，得到總體的區域停車需求結果。利用現有的交通卡口數據，能更加全面地反映研究區域內的停車需求，進一步為停車場的規劃建設提供指導。

關鍵詞 智能交通；城市道路；交通管理；停車需求；卡口數據；車牌檢測

中圖分類號 U491.71文獻標識碼 A文章編號 2096-8949（2023）23-0012-04

0 引言

隨著城市的發展和經濟的崛起，城市中的車輛日益增多。據統計，截至2023年6月底，全國共有各類機動車保有量為4.26億輛，并且每年還在快速增長。隨著停車問題日益嚴峻，尤其是在車流密集的大城市中，如何建設停車場來滿足日益增長的需求，成為一個重要的課題^[1]。而且，每座城市的老城區交通基礎設施薄弱、交通需求集聚，是城市停車問題最典型的區域。居民停車特征多樣，亦為研究帶來難題，例如居民擁車不用車、亂停車影響社區出行品質、重點區域停車矛盾突出等^[2]。為此，有學者提出用卡口數據、浮動車GPS定位數據、停車場運營數據等多種直接或間接的停車數據來分析停車需求，以此來指導停車場的建設規劃^[3-4]。但是目前在傳統的卡口數據中，往往只對交通流量和車速較為關注，對車輛的來源、最后停放地等信息的采集與分析有所忽略，且卡口檢測的漏檢情況亦屢見不鮮，故并不能直接利用這些卡口數據來得出停車需求。浮動車GPS數據通常只為交通運輸管理部門及城建、城管部門管理所用，第三方導航企業的GPS數據基本不對外共享，使得GPS檢測的樣本量較小、滲透率較低，同時由于GPS數據獲取手段和數據格式的不同，其在實際操作中存在數據格式轉換、數據導入輸出難度大的問題。停車場數據多源于路外停車場出入口的收費設施，這些收費設施多為企業自主投資建設，在數據共享層面存在一定程度上的壁壘，而部分路內停車位仍停留在人工收費，或者路邊免費停車，這些情況也較難獲得停車數據，所以難以全面反映車輛的停車需求情況。為此，該文提出一種基于卡口及個體車輛軌跡數據的停車需求分析方法，無須收集各個停車場的基礎數據及運營數據，也不需要獲取浮動車GPS、視頻監控、交通流檢測等其他類型數據，僅需要卡口數據及由卡口數據推算得到的個體車輛軌跡，便可獲得指定區域內的停車需求。

1 基于卡口數據的個體車輛軌跡計算

高清卡口系統可自動獲取車輛的通過時間、地點、行駛方向、號牌號碼、號牌顏色、車身顏色等數據，但目前仍有一定的誤差，最典型的誤差就是卡口漏檢，需要進行卡口數據校驗及個體車輛軌跡修補^[5]。造成卡口對車輛漏檢的原因有很多，包括但不限于：

（1）卡口拍攝本身需要一定的時間，若同時間經過的車輛數量太多，由于攝像頭延時等因素，會出現遺漏拍攝的情況。

（2）同一方向車道上，大型車輛在轉彎、變道、掉頭等時刻往往會遮擋其他小車的車牌信息。

（3）卡口拍攝位置、角度問題，如出現逆光、側光拍攝或受建筑物遮擋的時候，會導致圖像清晰度受影響而無法識別的情況。

（4）惡劣天氣，如大霧、暴雨雪、臺風或夜晚光線不足情況下，卡口拍攝受外界影響而會出現漏檢的情況。

（5）卡口設備出現故障而造成漏檢。因此，需要通過軌跡計算，得到較為準確的個體車輛軌跡數據支撐停車需求計算。

主要步驟包括：根據已有的卡口檢測數據和漏檢卡口的特征推算漏檢卡口的可能出行路徑；根據漏檢卡口可能出行路徑和歷史卡口數據庫，采用貝葉斯概率模型回溯推算出對應于漏檢卡口的所有可能出行路徑的漏檢概率；根據回溯推算出的漏檢概率，結合歷史卡口數據庫的數據對漏檢卡口進行數據檢驗和補全，從而獲得個體車輛軌跡。

1.1 可行路徑計算

在確定的研究范圍和時間段內，根據歷史卡口數據庫中所有相同車牌車輛經過兩個相鄰卡口的時間差，得到完整的單次出行鏈數據。根據歷史卡口數據庫的卡口過車時間記錄，計算歷史卡口數據庫中所有相同車牌的車輛經過兩相鄰卡口的時間差，判斷計算出時間差是否大于設定的時間閾值。若是，則判定兩相鄰卡口為非單次出行卡口，反之，則判定兩相鄰卡口為單次出行卡口。將同一車牌的車輛中所有屬于單次出行卡口的數據整合成完整的單次出行鏈數據，其中完整的單次出行鏈數據中第一個數據所對應的卡口為同一車牌車輛的起始卡口，最后一個數據所對應的卡口為同一車牌車輛的終點卡口。

根據已有的歷史卡口檢測數據和漏檢卡口的特征推算漏檢卡口的可能出行路徑。這里說的“漏檢卡口”是相對于給定的起點卡口和終點卡口來說的，具體是指在起點卡口和終點卡口之間滿足如下任一情形的卡口：缺失記錄的、有檢測記錄但無法識別的、有檢測記錄但有明顯誤差或錯誤的。另外，歷史卡口數據庫中所有卡口檢測地點均為已知，但有部分卡口的檢測數據（如車輛經過該卡口的時刻，即卡口的過車時間記錄）因漏檢而未知。結合已有卡口檢測數據所確定的完整出行鏈與漏檢卡口的特征，進行漏檢數據的界定，推算可能的出行路徑，在篩選出單次出行鏈中的漏檢卡口后，即可推算出漏檢卡口的可能出行路徑。

1.2 漏檢概率計算

根據漏檢卡口的可能出行路徑和歷史卡口數據庫，采用貝葉斯概率模型回溯推算出對應于漏檢卡口所有可能出行路徑的漏檢概率，具體步驟如下：在歷史卡口數據庫中選擇回溯推算當次出行的起始節點和終點節點，并計算起始節點與終點節點間每條可能出行路徑的概率P（β_i），其中，β_i為起始節點與終點節點間的第i條可能出行路徑，i為正整數。進而分析可能出行路徑β_i中在歷史卡口數據庫內已有檢測數據的卡口所占的比例P（α|β_i）。根據可能出行路徑β_i和比例P（α|β_i）采用貝葉斯概率模型計算對應于漏檢卡口的所有可能出行路徑的漏檢概率P（β_i|α）。

式中，k——貝葉斯概率模型的累計參數。

1.3 出行軌跡補全

根據回溯推算出的漏檢概率，結合歷史卡口數據庫的數據對漏檢卡口進行數據檢驗和補全，具體步驟如下：回溯推算的起始節點和終點節點根據漏檢卡口進行選取，其需要滿足的條件是起始節點到終點節點間的路徑至少有2條，且至少有1條路徑包含漏檢卡口。回溯推算的起始節點和終點節點可在不滿足設定的校驗條件時重新進行選擇和調整。然后求出所有可能出行路徑的漏檢概率P（β_i|α）中的最大概率max[P（β_i|α）]以及最大概率max[P（β_i|α）]對應的可能出行路徑。然后以最大概率max[P（β_i|α）]對應的可能出行路徑作為當前回溯路徑，根據判斷的結果執行相應操作：若當前回溯路徑滿足設定的校驗條件，則執行下一步驟；反之，則以次最大概率對應的可能出行路徑作為當前回溯路徑，重新判斷當前回溯路徑是否滿足設定的校驗條件。

最后根據歷史卡口數據庫中已有的過車時間記錄、當前回溯路徑起始節點和終點節點間車輛的平均行駛時間以及已有檢測數據卡口的過車時間記錄，對漏檢卡口的過車時間記錄進行補全，得到漏檢卡口補全后的過車時間記錄。最終，結合歷史卡口數據庫中已有的卡口檢測數據對漏檢卡口的數據進行自校驗和補全。

2 基于個體車輛軌跡的停車需求估算

通過選定指定區域范圍和時間范圍內的卡口數據及個體車輛軌跡計算結果數據，獲取車輛單次出行的起點位置和終點位置。然后根據車輛單次出行的起點卡口與終點卡口的檢測數據，推算車輛所屬的來源地與目的地。再把各輛個體車輛的來源地和目的地進行聚類統計，從而實現停車需求的估算。

2.1 來源地與目的地推算

根據輸入的卡口數據及個體車輛軌跡數據，計算車輛單次出行的平均車速。針對來源地的推算，根據車輛單次出行的起點卡口的數據，得到車輛經過起點卡口的時刻、所在的車道和行駛方向，并結合車輛該次出行的平均車速，考慮上一次出行的目的地及到達時刻，關聯所在路段的停車場信息，推算車輛的來源地及出發時刻，必要時修正上一次出行的目的地及到達時刻。

針對目的地的推算，根據車輛單次出行的終點卡口的數據，得到車輛經過終點卡口的時刻、所在的車道和行駛方向（左、直、右、掉頭等），得到該次出行末次卡口檢測的下一行駛路段，關聯下一行駛路段的停車場信息，并結合車輛該次出行的平均車速，推算車輛目的地及到達時刻。

2.2 指定區域的停車需求分析

根據推算得到的車輛單次出行的來源地和目的地，以及出發時刻和到達時刻，推算每一個路段不同時刻的車輛出發量與到達量，從而得到一個區域路網中虛擬停車場不同時刻的車輛出發量與到達量。進而對區域路網中虛擬停車場不同時刻的車輛出發量與到達量進行統計和分析，得到該區域路網的停車需求估算，包括停車需求分布圖、停車時間特征分布圖和停車供給不足的位置分布圖等。

其中，所述虛擬停車場是假定在路段的某側分布的一個區域，虛擬停車場可包括獨立占地的停車場，也可能是路邊停車場，也可以是空中立體停車場，也可以指代一片區域，總之是區域內可以用于停車的空間。所劃分虛擬停車場的邊界及大小，根據路網結構及卡口檢測密度分布而定，代表著車輛駐停的可能區域。利用虛擬停車場的概念，通過分析車輛可能停車的位置，將現實的多種停車情況歸納為統一的情況，降低了分析的難度，使得使用卡口數據分析停車需求可以簡單實現。

3 算例

車牌為AD12345的某一輛車在某市內的完整卡口軌跡數據片段如表1所示。該車在這天某個時段內一共有5個卡口數據記錄，其中編號為1、2和3的三條卡口數據，相鄰兩個卡口所記錄車輛經過的時刻的時間差分別為18 min和10 min，編號為4和5的兩條卡口數據，所記錄的時間差為10 min，編號為3和4的兩條卡口數據，所記錄的時間差為2 h 34 min。明顯地，從中山三路到烈士陵園的幾百米路程并不需要2 h 34 min，因此編號3和4的兩條卡口數據并非單次出行的數據，可以推斷在車輛經過編號3的卡口后進行了停車，在第二次單次出行時才經過編號4的卡口，系統需要預先設定一個閾值作為判斷兩條卡口數據是否為同一次出行的判斷依據。此閾值的選取，可以根據不同城市不同道路交通運作特征而定。

以系統設定閾值為1.5 h為例，此時，系統會將編號為1、2和3的三條卡口數據判定為車牌AD12345的一次單次出行記錄，并將這三條數據整合成一條出行數據鏈，其中編號1的卡口（所在地越秀公園）會被確認為這一次單次出行的起點卡口，而其中編號3的卡口（所在地中山三路）會被確認為這一次單次出行的終點卡口。表1中，車輛AD12345從起點卡口越秀公園到終點卡口中山三路，可以根據起點卡口和終點卡口的時間差，以及該兩個卡口的距離，算出車輛的平均車速。而編號3和4的兩條卡口數據，因為車輛經過的時間差超過設定閾值，會判斷為非單次出行。同理，編號4和編號5的兩條卡口數據會判定為單次出行，起點為烈士陵園，終點為楊箕村。

另外，設定閾值可以根據實際情況靈活調整，可以根據地理上兩個卡口的實際路網距離，對兩個卡口之間的經過時間設定閾值。例如，從越秀公園到北京路口的路程約為3 km，正常通行時間為5 min，考慮堵車問題，可以將這兩個卡口的閾值設定為20 min。

根據基于車輛身份檢測數據的城市道路使用特征^[6]，一般車輛行駛在最右側的車道（如圖1所示中的車道1），車輛的走向很可能是右轉進入路段C，并且在路段C的一側停車；而車輛位于左側車道（如圖1中的車道3），該車輛很可能左轉進入路段A，并且在路段A的一側停車；而在中間車道2的車輛通常是直行進入路段B，并且在路段B的一側停車。所以可以根據車輛經過起點卡口時所在的車道和車輛的行駛方向判斷車輛的來源，根據編號1的卡口數據（起點卡口數據），車輛在車道1，結合車道1的行駛方向，可以推算車輛來源于車道1行駛方向右側的停車場，或者來自車道1前一個右轉路口的停車場，即得到車輛單次出行的來源地；同理，根據編號3的卡口數據（終點卡口數據），可知車輛經過終點卡口時也是處于車道1，結合車道1的行駛方向，可以推斷出車輛的目的地是道路前方右側的停車場，或者為路口右轉后的停車場。可以通過車輛單次出行的平均車速來調整車輛的來源地和目的地的區域范圍。

將數據中所有車輛單次出行的來源地和目的地進行分類，將屬于同一區域的停車目的地或者來源地歸為同一個虛擬停車場，記錄每個虛擬停車場不同時刻的車輛出發量與到達量。對虛擬停車場不同時刻的車輛出發量與到達量進行統計和分析，包括停車需求分布、停車時間特征分布和停車供給不足的位置分布。停車需求分布體現研究區域內不同地點停車需求分布；停車時間分布體現研究區域內不同時段同一地點的停車地點的停車需求；停車供給不足分布體現研究區域內停車需求大于現有停車位地點分布情況。

4 小結與展望

該文所提出的基于卡口及個體車輛軌跡數據的停車需求分析方法，無須收集各個停車場的基礎數據及運營數據，也不需要獲取浮動車GPS、視頻監控、交通流檢測等其他類型數據，僅利用現有的交通卡口檢測到的車輛所處車道信息，推斷車輛的停車位置，獲知車輛的來源地和前往的目的地分布，即可分析停車需求，實現簡單、成本低。同時，利用了虛擬停車場的概念，通過分析車輛可能停車的位置，將現實的多種停車情況歸納為統一的情況，降低了分析難度，使得使用卡口數據分析停車需求可以簡單實現。并可指導實體停車場建設，并為后續通過停車誘導等方式合理解決停車難問題、解決相關路網的交通擁堵，制定相關措施提供了有效、可靠的計算方法。

基于該文提出的停車需求估算方法，還可以進一步繼續進行更深入地研究與分析，獲取更多不同方面的交通數據，包括但不限于：一是可以獲知交通停車需求較大的路段，通過卡口、GPS等其他數據分析周邊是否有車輛繞行、慢行來尋找空余停車場或路邊車位的情況，在相關路段完善交通標志標線指引及停車誘導等信息化設施，科學引導車輛選擇合適的地點合理停放；二是可以獲知交通區域路網中的停車需求，在重要路口、路段中經常有車輛出入的地點，可考慮增派必要的警力到現場指揮，解決停車場入口車輛等待進場排隊長度過長的問題；三是可以獲知車輛單次出行的完整信息，其停車信息等可供交通、公安交警部門進行車輛搜捕、緝查布控提供定位信息情報、車輛軌跡信息情報等；四是可以獲知常用的停車信息，可開發相應移動互聯App產品，為車主提供實時動態的停車位置信息指引，科學引導車輛停放。

參考文獻

[1]王波. 面向實施的公共停車場用地規劃方法研究——以廣州為例[J]. 城市規劃， 2020（8）： 107-111.

[2]杜剛誠， 楊銳爍， 張海霞. 廣州市老城區停車困境及治理策略[J]. 城市交通， 2023（4）： 9-16.

[3]馬榮葉， 劉曉華， 劉四奎， 等. 一種基于OD矩陣的停車需求預測方法： CN105489056A[P]. 2016-4-13.

[4]劉曼， 黃經南， 王國恩. 基于需求導向的城市公共停車場規劃方法探討[J]. 規劃師， 2017（10）： 101-106.

[5]余志， 廖瓊華， 何兆成. 基于車輛身份感知數據的路段軌跡重構方法研究[J]. 交通運輸系統工程與信息， 2019（4）： 87-93.

[6]鄒兵， 余志， 何兆成， 等. 基于車輛身份檢測數據的城市道路使用特征[J]. 中山大學學報（自然科學版）（中英文）， 2022（3）： 132-139.

收稿日期：2023-10-16

作者簡介：沙志仁（1984—），男，工學博士，工程師，研究方向：智能交通系統。

基金項目：廣州市南沙區重點領域科技項目“基于元場景生成的云車協控增強技術與開放實驗平臺”（2022ZD014）。