地理空间分析综合应用

出租车交接班行为识别与时空分布研究

  • 唐炉亮 ,
  • 段倩 , * ,
  • 阚子涵 ,
  • 李清泉
展开
  • 武汉大学 测绘遥感信息工程国家重点实验室,武汉 430079
*通讯作者:段倩(1993-),女,硕士生,研究方向为交通地理信息系统、时空轨迹数据分析等。E-mail:

作者简介:唐炉亮(1973-),男,博士生导师,珞珈特聘教授,研究方向为GIS-T、时空数据获取与分析等。E-mail:

收稿日期: 2016-06-16

  要求修回日期: 2016-08-05

  网络出版日期: 2017-02-17

基金资助

国家自然科学基金项目(41571430、41271442、40801155)

Study on Identification and Space-time Distribution Analysis of Taxi Shift Behavior

  • TANG Luliang ,
  • DUAN Qian , * ,
  • KAN Zihan ,
  • LI Qingquan
Expand
  • State Key Laboratory of Information and Engineering in Surveying, Mapping and Remote Sensing,Wuhan University, Wuhan 430079, China
*Corresponding author: DUAN Qian, E-mail:

Received date: 2016-06-16

  Request revised date: 2016-08-05

  Online published: 2017-02-17

Copyright

《地球信息科学学报》编辑部 所有

摘要

在出租车交接班时间段内经常发生打车难,甚至空车拒载的现象,研究出租车交接班行为的时空分布特征不仅能提高出租车运行效率,同时能缓解出租车供需矛盾,方便公众出行。本文采用武汉市出租车GPS轨迹数据,建立了出租车交接班时空序列模式,提出了交接班时空序列模式挖掘与识别方法,分析了交接班事件的时空分布特征,并以车辆区域覆盖强度、区域覆盖密度为指标对交接班停靠点城市资源配置进行了评估。研究结果表明:武汉市出租车交接班集中发生在凌晨1:00-4:00与下午16:00-17:00,下午交接班高峰与晚交通高峰时段有部分重叠,交接班地点比较均匀地遍布中心城区(青山区除外,此区域开发程度较低),武昌区交接班强度最大,江汉区交接班密度最大。此外,结合武汉市2012年出台禁止出租车司机在晚高峰交通时段交接班的规定,探测发现6.5%左右的司机仍存在严重违规交接班行为。

本文引用格式

唐炉亮 , 段倩 , 阚子涵 , 李清泉 . 出租车交接班行为识别与时空分布研究[J]. 地球信息科学学报, 2017 , 19(2) : 167 -175 . DOI: 10.3724/SP.J.1047.2017.00167

Abstract

In the period of taxis taking shift, many city dwellers find it hard to get a taxi or even get turned away in front of vacant ones. Analyzing the spatial and temporal distribution of taxi shift change behavior can improve taxis efficiency, relieve the contradictions of supply and demand of taxi, and facilitate public travelling. This study establishes space-time sequence of taxi shift behavior and puts forward a method to mine and identify taxi shift sequence from GPS trajectory. Furthermore, we adopt taxis′ GPS trajectory data in Wuhan to perform our method. Based on the identified shift events, we analyze the space-time distribution of taxis′ shift behavior and evaluate parking resource allocation for taxis′ shift change by using intensity and density as indicators. The results show that: taxis′ shift behavior in Wuhan peaks in period of 1:00 to 4:00 and 16:00 to 17:00 and the latter peak in the afternoon partially overlaps with evening rush hours, which can introduce the difficulty in taking a taxi; the parking location for taxis taking shift is relatively uniformly distributed throughout the downtown of the city except Qingshan District, which is less prosperous than the others; Wuchang District has the strongest shift intensity and Jianghan District, whose area is the smallest among all the administrative districts, has the greatest shift density. In addition, considering the regulation issued by Wuhan traffic administration in 2012, which prohibits taxi drivers from taking shift in the evening rush hours, it is revealed that about 6.5% of the drivers have serious illegal shift behavior.

1 引言

随着城市建设的发展,出租车供需矛盾、运营服务水平低下的问题日益突出,研究如何提高城市出租车运行效率,提高优质高效的运输服务,对构建绿色和谐的公共交通体系有重要意义。交接班作为出租车正常运行的重要组成部分,研究其时空分布特征不仅能提高出租车运行效率,还在很大程度上缓解出租车供需矛盾,促进政府对交接班停靠点城市公共基础设施的优化配置。
出租车交接班行为是指前一班司机停止运营到后一班司机开始运营的过程,现有研究主要从城市规划角度出发,以提高出租车运营能力和提高司机盈利为目标,建立模型优化交接班的时间、地点[1-3],这类研究忽略了真实的交接班时空分布规律;孙蕊结合出租车GPS数据与出租车司机IC卡数据提出了交接班空间分析算法[4]并分析了北京市的交接班时空分布特征[5],但大部分城市出租车没有配备记载司机信息的设备,需要研究从出租车GPS轨迹中识别交接班行为的方法。
随着通信技术、GPS定位技术的发展,产生了大量移动对象的时空轨迹,详细记录了每一时刻该对象的位置[6],但如何从大量轨迹中挖掘其空间行为模式,是全球交通研究者面临的挑战[7-10]。出租车是智慧交通中重要的移动传感器[11],基于出租车GPS轨迹的行为研究主要包括2类:① 以优化出租车运营为目的,如高收入的出租车运营模式[12]以及优质客源分布分析[13];② 为宏观城市规划与管理提供技术分析,如城市瑕疵规划探测[14]、油耗与排放探测[15]以及市民出行模式分析[16]
本文采用武汉市出租车GPS轨迹数据,提出了出租车交接班频繁时空序列模式的挖掘与识别方法,分析了交接班事件的时空分布特征,并以车辆区域覆盖强度、密度为指标对交接班停靠点城市资源配置进行了评估,旨在为城市规划部门和交通管理部门提供技术支持。

2 基于频繁时空序列的出租车交接班行为建模

本文以武汉市2万辆出租车作为研究区域,出租车施行两班制,由2个司机搭档运营,出租车公司不强制规定交接班时间及地点,交接班由司机自行协商决定,2个司机一般居住地点相近,便于交接班,每一班司机的收入与该时间段内的出行强度(呈现早、晚高峰形态[17])成正比,为了保证公平,通常以包含一个出行高峰期为原则确定交接班时间。

2.1 出租车交接班行为分析

经调查发现,武汉市出租车司机每班工作时间在10 h左右,在市民出行强度低的时间段司机收入较低,一般会选择休息。根据出租车司机交班选择的休息时间段,出租车司机主要有2种工作模式,如图1所示。
Fig. 1 Taxi working and rest mode

图1 出租车的工作和休息模式

出租车24 h完成2班运营作为一个工作周期,如图1(a)所示。第1班司机于早上5:00左右接车,运营到下午15:00左右交车;第2班司机接车后一直运营到次日凌晨1:00-4:00左右交车。图1(b)中,第一班司机于凌晨1:00-2:00接车运营至中午12:00左右,出租车停车若干小时后,第2班司机于下午14:00左右接车运营至当天结束或次日早晨。
出租车交接班产生的GPS轨迹如图2所示。不断电情况下(图2(a)),按正常的采样间隔(40-60 s)记录数据,在同一位置留下多个GPS点;在断电情况下(图2(b)),只留下出租车停止运营前记录的最后一个GPS点和开始运营后记录的第一个GPS点,相邻2个GPS点间隔时间较大,距离间隔较小。受GPS定位误差以及采样间隔的影响,交接班行为发生的实际地点与时间存在一定程度的偏差,地点相差最高可达百米,通过聚类可削弱这种影响,时间偏差最高可达80 s,可忽略不计。
Fig. 2 GPS space-time trajectories of taxi shift event

图2 交接班事件的GPS时空轨迹

交接班行为是一个工作周期内的出租车所有交接班行为的时序列,如图3所示,每个菱形代表一个交接班行为,交接班行为发生的时间、地点在菱形范围内,每条复合线代表一个交接班行为序列。交接班地点固定,分为固定1个地点和2个地点,交接班时间不一定固定,与当天交通情况与运营状态有关,时间上下浮动可达几小时,如图3(b)所示。
Fig. 3 Space-time sequential pattern of taxi shift

图3 出租车交接班行为的时空序列模式

2.2 出租车交接班行为建模

出租车日常运营活动中会产生许多如待客、就餐、休息、加气、交接班、上下客等停车行为,本文称为停车事件,记作PE(Parking Event),各类停车行为表现出不同的轨迹特征。一个工作周期内的交接班行为看作一个时空序列,时空序列的长度对应交接班行为的个数(如两班制对应长度为2的交接班时空序列)。交接班行为序列的一个重要特征是周期重复性,是每天都发生的行为,表现为频繁的时空序列模式。本文基于时间注记的时空序列[10]对交接班行为进行建模,并对交接班行为序列的特征加以分析。
2.2.1 出租车停车事件时空序列
针对出租车交接班行为的时空序列特征,本文基于Fosca[10]将出租车交接班行为时空注记的时空序列为TAS(Temporally Annotated Sequence),给定空间地点集合P(预设的地点集),车辆运营轨迹Tra是停车事件PE发生地点、时间的二元组序列,表示为 Tra = { ( l i , t i ) = { ( l 1 , t 1 ) , ( l 2 , t 2 ) , , ( l n , t n ) } , 1 p < q n , t p < t q 。按工作周期分割Tra,得到该车辆每个工作周期内的停车事件序列Tk,各Tk的集合为J
(1)时空序列:1个工作周期内2个停车事件PE组成的时序列,记作T-TAS,序列长度为2,表示为 T = l ̅ , a ̅ ) = l 0 a 1 l 1 ,其中 l 0 , l 1 P , a 1 是2个停车事件的时间间隔。
(2)时间 τ 包含:对于2个时空序列T1T2,如果满足 0 k 1 , l 1 , k = l 2 , k ,且 | a 1 - a 2 | τ ,称T1 τ 包含于T2,记作 T 1 < τ T 2 ,其中 l 1 , k , l 2 , k 分别对应T1T2元组中的地点。
(3)时空序列模式:停车事件地点序列及转移时间范围的时空序列的概括,表示为 Patt = ( l ̅ , TI ¯ ) = l 0 T I 1 l 1 ,其中 TI = [ a left , a right ] 为时间区间。给定时空序 T = ( l ̅ , a ̅ ,当满足 0 k 1 , l 1 , k = l 2 , k a TI 时,称序列与此模式匹配,记作 T~Patt 。交接班时空序列模式记作 Pat t sh ift ,一辆车所有时空序列模式的集合记作Pt。
(4)时空模式 τ 支持,频繁性度量:给定出租车运营天数d,时空序列集J, T * 为集合J中与时空序列模式 Pat t i ( Pat t i Pt ) 匹配的时空序列,则模式 Pat t i 的支持度计算如式(1)所示。
sup p ( Pat t i ) = { T * J | T * ~Pat t i } | d (1)
如果 supp ( Pat t i ) > τ ,则时空序列模式 Pat t i 是频繁时空模式。
2.2.2 出租车交接班时空序列特征
与吃饭、加气、待客等其他时空序列模式相比,交接班时空序列模式在理论上表现为支持度最高,并且支持度等于1。实际上,当两班司机都休息另请人代班时,交接班地点、时间会发生较大变动,与常规的交接班序列不属于互相包含关系,导致交接班时空序列模式的支持度不为1,支持度也不一定最高。在停车事件时空序列的基础上,定义4个交接班时空序列特征:间隔距离、间隔时间、事件时长、空载距离,其对应特征的分布如图4所示。
Fig. 4 Histogram and fitted Gaussian distribution of the characteristics of taxi shift events

图4 交接班事件序列特征直方图与高斯拟合分布

(1)间隔距离。交接班时空序列的间隔距离是对应交接班地点的间距。一般来说,交接班地点相距较近,如图4(a)所示,交接班间隔距离均在5 km范围内,80%以上在1 km范围内。
(2)间隔时间。交接班时空序列间隔时间为其中一班司机的运营时间,如图4(b)所示,交接班间隔时间在8-12 h范围内,近似呈现以10.5 h为均值的正态分布。
(3)事件时长。一个交接班事件的时长是从前一班司机交车到后一班司机接车过程中的停车时长(图2),取2个交接班事件时长的均值作为交接班时空序列的事件时长,如图4(c)所示,90%以上的交接班时空序列事件时长在0.8 h以上。
(4)平均空载距离。空载距离是交接班事件起点到前一个载客状态的距离,如图5所示。平均空载距离是两交接班事件空载距离的均值,如图4(d)所示,交接班事件平均空载距离集中在1 km以下。交接班前,许多出租车司机会将计价表打到满载状态,因此由GPS轨迹算出空载距离为0。
Fig. 5 The explanation of unoccupied distance

图5 空载距离示意图

交接班时空序列特征近似符合高斯分布,其函数模型为:
P ( x k | θ ) = 1 2 π n | C | exp [ - 1 2 ( x - μ ) T C - 1 ( x - μ ) ] (2)
式中: x 为交接班事件序列Tshift的4个特征,即间隔距离、间隔时长、事件时长、平均空载距离; μ 为各特征均值;C为特征间方程协方差矩阵。
时空序列模式 Pat t i ( i = 1,2 , , n ) 为交接班模式 Pat t shift 的概率按式(3)计算。
P ( Pat t i = Pat t shift | Pat t i Pt ) = P ( x k | θ ) (3)
交接班模式为一辆车的时空序列模式集合 Pt 中交接班概率最大的时空序列模式,即:当且仅 p ( Pat t i ) = Max ( Pat t i | Pat t i Pt ) 时, Pat t shift = Pat t i

3 出租车交接班行为的识别与时空分布

本文选取武汉市2013年7月31日至2013年8月30日共31天1585辆车的GPS轨迹数据,包含经纬度坐标、时间戳、载客信息等属性。首先采用人工标定60辆车2013年8月1日至2013年8月7日7天的交接班时空序列共840个,作为训练样本,得到交接班事件时空序列的间隔距离、间隔时间、事件时长、空载距离等特征的高斯分布,即式(2)所示函数。然后对于待识别的1585辆车,分别获取停车事件序列,挖掘停车事件时空序列模式,并按式(3)计算各时空序列模式属于交接班模式的概率,识别交接班时空序列模式。其中,与交接班模式匹配的停车事件时空序列即为交接班行为序列。
基于识别的2013年8月1日至2013年8月7日的交接班事件数据,从时间、空间角度研究交接班行为的分布规律。

3.1 交接班行为识别

从待识别车辆的GPS轨迹中自动识别交接班事件的流程,包括数据预处理、时空序列模式挖掘、基于高斯模型的交接班事件识别3个步骤,如图6所示。
Fig. 6 The identification procedures of taxi shift event

图6 出租车交接班事件识别流程

(1)数据预处理,从GPS轨迹得到事件时空序列集J
停车事件可分不断电停车、断电停车两种情况,分别如图2(a)、(b)所示(忽略交接班地点限制)。根据出租车停车行为的时间特征和空间特征从出租车GPS轨迹中提取停车事件。对于时间特征,本文通过实地调查发现出租车停车行为中,加气事件的平均时长最低,且最低不小于2 min,因此,本文定义停车事件的起止点时间间隔在120 s以上。对于距离特征,出租车停车行为的极限情况是出租车在回传信息之后正常行驶40 s后开始停车,并在停车完成之后正常行驶40 s才回传一条记录。在这种情况下,一个停车事件中出租车正常行驶了80 s。假设出租车以50 km/h的速度行驶,80 s内最大行驶距离不超过1200 m,因此将出租车停车行为的起止点间距离限制为1200 m。
根据上述分析,首先从GPS轨迹中提取停车事件,保留事件停车时长、起止点坐标、空载距离等信息。其次,采用DBSCAN[18]算法生成地点集P,其中领域半径Eps取100 m,最少聚类点数Pts取3。最后,进行事件翻译,将停车事件序列与地点集P对照,滤除非聚类停车事件(其对应的地点聚类编号为0),得到停车事件时空序列Tra,按工作周期分割事件序列Tra,一个工作周期取当日22:01到次日21:59,得到子事件序列Tk的集合J。集合J所含元素个数表示出租车运营天数d
(2)时空序列模式挖掘,从停车事件中挖掘时空序列模式,得到模式集合Pt
给定地点序列 l seq = ( l 0 , l 1 ) , l 0 , l 1 P ,给定时间τ-包含阈值τtime_con(60 min),τ-支持阈值τsurp(0.5),时空序列模式的时间区间长度阈值|TI|(150 min)。基于Fosca[10]提出的算法,挖掘长度为2的时空序列模式,按式(1)计算各时空序列模式的支持度,保留支持度大于τsurp的时空序列模式,得到的频繁时空序列模式集为Pt。
(3)基于高斯模型识别交接班行为模式
将人为识别60辆车2013年8月1日至2013年8月7日的交接班时空序列共840个,作为训练样本,得到交接班事件时空序列的4个特征的4维高斯分布,即x=[间隔时间(h),间隔距离(km),事件时长(h),空载距离,空载距离(km)],算得高斯模型拟合参数为:平均数 μ = [ 10.5877 , 0.8243 , 1.4302 , 0.955 1
方差协方差为:
C = 1.2834 - 0.0659 - 0.2104 0.0807 - 0.0659 2.1570 0.0089 - 0.0461 - 0.2104 0.0089 0.3014 - 0.0428 0.0807 - 0.0461 - 0.0428 2.9839 (4)
计算与时空序列模式 Pat t i 匹配的时空序列 T * T * J T * ~Pat t i )的间隔距离、间隔时间、事件时长、空载距离等特征值,按式(2)计算模式 Pat t i 为交接班模式的概率,概率最大的模式则为交接班模式 Pat t shift
实验得到1433辆车共69 094个交接班事件,识别车辆比例为90.4%,总有效运营天数为37 348天,平均每辆车识别的交接班事件为1.85个。将已识别交接班事件的未参与训练的30辆车7天共420个交接班事件用于精度评价,识别准确率为94.5%,召回率为90.00%。一周内,搭档运营的出租车司机都会休息另请人代班(俗称花班),这时交接班时间、地点会发生较大变动,导致识别的召回率较低。

3.2 交接班事件时空分布

基于2013年8月1日至2013年8月7日的1433辆出租车15 580个交接班事件数据,分析交接班随时间分布规律,并通过交接班地点空间分布评估城市交接班停靠点是否合理配置。此外,武汉市为了化解“6点钟打车难”的困境于2012年颁布了禁止出租车在晚交通高峰时间段(17:00-19:00)交接班的政策,基于本文数据分析该政策的执行力度。
3.2.1 时间分布分析
分时统计交接班车辆数,分析交接班时间规律,从图7可知:
(1)交接班集中发生在上午1:00-4:00、下午 16:00-17:00,中午11:00-13:00也出现了交接班车辆数增多的现象,说明图1(a)所示的工作模式是武汉市出租车主要的工作模式,也有少量的出租车按照图1(b)所示的工作模式运营。
Fig. 7 Temporal distribution of the taxis shift numbers

图7 交接班车辆数的时间分布

(2)结合出租车OD随时间变化规律[17],在上午1:00-4:00时段,出租车载客数较低,而交接班强度高,这个时段交接班不会引起出租车供需矛盾;在下午16:00-17:00时段,出租车OD数逐渐增高,交接班强度也越来越大,这个时间段容易引发打车难的问题;其他时间段,出租车交接班强度低,出租车服务水平基本不受影响。
(3)在2013年8月3号的交接班车辆数比其它日期少,但变化趋势一致,这是因为出租车司机通常选择周六休息,运营的出租车较少。
3.2.2 空间分布分析
交接班地点密度分布与路网、加气站图层的叠加,分析交接班地点空间分布特征,并按武汉市行政区划统计各区域内交接班强度(交接班车辆数)与交接班密度(单位面积的交接班车辆数),制成图表分析各行政区交接班停靠点的资源配置情况。如图8所示,从绿色到红色,交接班车辆密度逐渐 增加。
Fig. 8 Spatial distribution of parking location for taxis shift change

图8 交接班地点空间分布

(1)中心城区(青山区除外)交接班地点比较均匀地分布,雄楚大道、解放大道、后湖大道、汉阳大道处交接班分布较为集中。
(2)交接班地点与加气站的分布呈现比较强的相关性,原因是出租车司机一般在会交接班前加满气以便结算。
武汉市有13个行政功能区(新洲区的出租车未配备GPS设备),中心城区包括:江岸区、江汉区、硚口区、汉阳区、武昌区、洪山区、青山区。分别统计13个行政区的交接班强度、交接班密度,结果如图9所示。
Fig. 9 Spatial distribution of parking location for taxis shift based on administrative districts

图9 基于行政区的交接班地点空间分布

(1)武昌区的交接班强度最高,武昌区拥有中南商圈、徐东商圈、街道口商圈、楚河汉街等商业中心,区域内市民出行强度高,选择在此区域内交接班,对司机的运营收益影响最小。
(2)交接班地点在非中心城区分布较少,一个原因是这些区域居民出行强度低,本区域的居民较少选择出租车司机作为谋生职业。另一个原因是,这些区域的出租车司机一般到中心城区揽客,运营结束后乘坐公共交通回居住地以节省油费,而不在居住地附近交接班。
(3)江汉区是武汉市的商业中心,交接班强度不高,但面积小,导致交接班密度最大,城市规划者应关注此区域内停车场配置或对交接班车辆加以疏导,不至影响本区域的交通状况以及出租车服务水平。
3.2.3 违规交接班现象分析
武汉市为了解决“晚高峰打车难”的困境,于2012年颁布了禁止出租车在晚交通高峰时间段(17:00-19:00)交接班的规定,对于违规的出租车司机处以500元以上1000元以下罚款,并按拒载处罚,停运15 d。实际执行时由武汉市客管处每日派遣10个稽查组,以每日不低于300台的检查幅度上路检查。本文提出的算法可从出租车GPS轨迹数据中自动识别交接班发生的时间地点,为交通部门提供技术支持。
以10 min为时间区间,统计17:00-19:00时段交接班车辆数,如图10所示。
Fig. 10 The dynamic of taxis taking shift in 17:00-19:00

图10 17:00-19:00内出租车交接班数量变化

平均每天有283辆车违规交接班,占样本总数的19.74%。交接班车辆数17:00-19:00呈急速下降趋势,在17:00-17:30交接班的车辆有189辆,占违规总数的66.9%,属于轻度违规,可以酌情处理。超过此范围,视为严重违规,严重违规车辆数约占样本总数的6.5%。
图11是严重违规的车辆交接班地点分布,车辆交接班地点分布比较均匀,稽查组采用实地路面排查的手段很难打击所有的违规行为,而且无法发现在远离主干道的地方(如小区巷道)交接班的行为。
Fig. 11 Spatial distribution of serious irregular taxi shift change

图11 严重违规车辆交接班地点分布

4 结论

本文采用武汉市出租车GPS轨迹数据,提出了出租车交接班频繁时空序列模式的挖掘与识别方法,分析了交接班事件的时空分布特征,并以车辆区域覆盖强度、密度为指标对交接班停靠点城市资源配置进行了评估,发现了实际出租车运营过程中的违规现象,旨在为城市规划部门和交通管理部门提供技术支持。实验结果显示:武汉市出租车交接班集中发生在与下午16:00-17:00,交接班地点比较均匀地遍布中心城区,武昌区交接班强度最大,江汉区交接班密度最大。此外,尽管武汉市出台了禁止出租车司机在晚交通高峰时间段交接班的规定,6.5%左右的司机仍存在严重违规行为。

The authors have declared that no competing interests exist.

[1]
孟品超,汤新昌,杨琼,等.出租车交接班问题的数学模型[J].数学的实践与认识,2010,40(24):247-252.针对长春市出租车交接时段和居民出行高峰相互矛盾的现状,首先预测了不同天气条件下该市居民出行强度及市民出行对出租车的需求量,然后分析了出租车的最佳数量,最后建立了出租车交接地点模型,合理设置出租车交车地点,以缓解原来的交接方式在高峰期给交通所带来的压力.

[ Meng P C, Tang X C, Yang Q, et al.The mathematical model of taxi shift change[J]. Mathematics in Practice and Theory, 2010,40(24):247-252. ]

[2]
王晶妍,李雨梦.确定出租车交接班时间[J].科技资讯,2012(21):242-242.针对城市交通高峰期与出租车的交接班时间冲突这一问题,根据深圳市出租车GPS数据,以出租车的使用效率和出租公司的收益为综合指标,建立出租车交接班时间优化模型,给出了改进出租车交接班时间的两种合理方案,并绘制出不同时刻各指标的变化图像,从而得出优化后的出租车交接班时间段。

DOI

[ Wang J Y, Li Y M.Determing the time for taxi shift change[J]. Science & Technology Information, 2012,21:242-242. ]

[3]
李雨梦,王晶妍.聚类分析法确定城市出租车交接班最优地点[J].科协论坛,2012(10):94-96.旨在建立一种数学模型方法,为城市的出租车统一确定出适当数目的交接班地点。首先改进了C-模糊聚类分析方法,利用Manab软件为深圳市划分交通小区。然后根据深圳市城区的具体情况制定了交接班地点确定原则,依此原则,计算各交通小区的交接班地点数目,并对其划分次级交通小区。再对每一交通小区应用图论中的最短路径模型及矩阵算法为小区寻找交接班地点,最后结合最大指派问题及上述交接班地点制定原则,对此模型进行了检验,得到不合理程度指标值0.044,这个值相当小,验证了该模型在确定城市出租车交接班地点时的优越性。

DOI

[ Li Y M, Wang J Y.Determining the optimized location for taxishift change using a clustering methodology[J]. Science & Technology Association Forum, 2012,10:94-96. ]

[4]
孙蕊,于海涛,杜勇.出租车交接班空间分析算法研究[C]// 中国智能交通年会,2012.

[ Sun R, Yu H T, Du Y.Spatial analysis algorithm for taxi shift[C]// The Annual Conference of ITS China, 2012. ]

[5]
孙蕊,于海涛,杜勇.北京出租汽车交接班时空分布特性研究[J].交通运输系统工程与信息,2014,14(1):221-228.随着经济社会和城市建设的发展,出租车出行供需矛盾和运营服务水 平不高的问题日益突出,有必要对出租汽车的运营特征,尤其是出租车交接班行为特征进行深入地分析,正确评估出租车交接班行为对出租车供给能力的影响.本文 以北京市出租汽车数据为例,利用出租车交接班分析算法,研究了出租汽车的交接班时空分布特征.以交接班车辆数、交接班车辆比例和交接班覆盖强度为指标,采 用样本分析的方法,研究结果表明:交接班车辆数在一天中的时变规律与出行需求变化基本一致,上午10时至晚22时,交接班车辆数均处于相对较低的水平;交 接班地点大都集中在进出京高速公路的周边,呈现出明显的区域集中特性;交接班的时间间隔对交接班的时空分布影响明显.

DOI

[ Sun R, Yu H T, Du Y.Time space distribution characteristics of taxi shift in Beijing[J]. Journal of Transportation Systems Engineering and Information Technology, 2014,14(1):221-228. ]

[6]
王海涛,郑年波.中国导航与位置服务产业的机遇与挑战[J]. 星应用,2012(2):17-20.卫星导航与位置服务是由卫星导航定位系统、移动通信提供商、终端设备制造商、移动位置内容与服务提供商、公众和行业应用组成的新兴高技术产业,是继互联网、移动通信之后全球发展最快的第三大信息产业。卫星导航具有广泛的产业关联度,

[ Wang H T, Zheng N B.Satellite application, opportunities and challenges of China's navigation and location services industry[J]. Satellite Application, 2012,2:17-20. ]

[7]
Jeung H, Man L Y, Jensen C S.Trajectory Pattern Mining[C]// ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. ACM, 2007:330-339.

[8]
Gong L, Liu X, Wu L, et al.Inferring trip purposes and uncovering travel patterns from taxi trajectory data[J]. Cartography & Geographic Information Science, 2015,43(2):1-12.

[9]
刘瑜,康朝贵,王法辉.大数据驱动的人类移动模式和模型研究[J].武汉大学学报·信息科学版,2014,39(6):660-666.大数据时代的到来使得基于个体粒度的海量时空轨迹获取人类移动模式成为可能.来自不同领域的学者基于手机通话数据、公交卡刷卡记录、社交网站签到数据、出租车轨迹、银行刷卡记录等进行了人类移动模式的研究,这些研究丰富了地理信息系统的时空分析方法,为从个体角度审视人与地理环境之间的交互关系提供了一个新视角,并可以应用于交通、公共卫生等领域.总结了基于大数据的人类移动模式研究流程,归纳了人类移动模式的基本度量方法,探讨了解释所观测移动模式的模型构建方法,指出了地理环境对于移动模型建立的影响.

DOI

[ Liu Y, Kang C G, Wang F H.Towards big data-driven human mobility patterns and models[J]. Geomatics and Information Science of Wuhan University, 2014, 39(6):660-666. ]

[10]
Fosca Giannotti, Mirco Nanni, Dino Pedreschi.Efficient Mining of Temporally Annotated Sequences[C]// Siam International Conference on Data Mining, April 20-22, 2006, Bethesda, Md, Usa. 2006:346-357.

[11]
Weifeng L V, Bowen D U, Dianfu M A, et al.Applied research of data sensing and service to ubiquitous intelligent transportation system[J]. Frontiers of Computer Science in China, 2010,4(3):417-426.Abstract High-efficiency transportation systems in urban environments are not only solutions for the growing public travel demands, but are also the premise for enlarging transportation capacity and narrowing the gap between urban and rural areas. Such transportation systems should have characteristics such as mobility, convenience and being accident-free. Ubiquitous-intelligent transportation systems (U-ITS) are next generation of intelligent transportation system (ITS). The key issue of U-ITS is providing better and more efficient services by providing vehicle to vehicle (V2V) or vehicle to infrastructure (V2I) interconnection. The emergence of cyber physical systems (CPS), which focus on information awareness technologies, provides technical assurance for the rapid development of U-ITS. This paper introduces the ongoing Beijing U-ITS project, which utilizes mobile sensors. Realization of universal interconnection between real-time information systems and large-scale detectors allows the system to maximize equipment efficiency and improve transportation efficiency through information services.

DOI

[12]
Ding L, Fan H, Meng L.Understanding Taxi Driving Behaviors from Movement Data[C]// Agile, 2015:219-234.

[13]
孙飞,张霞,唐炉亮,等.基于GPS轨迹大数据的优质客源时空分布研究[J].地球信息科学学报,2015,7(3):329-335.出租车客源的时空分布不均衡,不仅影响着出租车司机的收入,更重要的是极大地影响着出租车作为城市公共交通重要补充作用效益的发挥和提升。由于拒载、空载等因素的影响,传统研究出租车驾驶行为的评价方法,已无法准确表达出租车运营效率。本文以出租车GPS数据为研究对象,通过加入出租车空载状态的影响来优化出租车效率评估模型,首次提出了出租车优质客源的概念,对出租车优质客源进行定义与量化,建立优质客源的时空分析方法,并从出租车行驶轨迹中提取优质客源信息与优质客源的时空分布规律,为改善出租车司机的收益及提高出租车运营效率提供科学依据。

DOI

[ Sun F, Zhang X, Tang L L, et al.Temporal and spatial distribution of high efficiency passengers based on GPS trajectory big data[J]. Journal of Geo-Information Science, 2015,17(3):329-335. ]

[14]
Zheng Y, Liu Y, Yuan J, et al.Urban computing with taxicabs[C]//UBICOMP 2011: Ubiquitous Computing, International Conference, UBICOMP 2011, Beijing, China, September 17-21, 2011, Proceedings, 2011:89-98.

[15]
Shang J, Zheng Y, Tong W, et al.Inferring gas consumption and pollution emission of vehicles throughout a city[C]//Acm Sigkdd International Conference on Knowledge Discovery & Data Mining. ACM, 2014:1027-1036.

[16]
Liu Y, Kang C, Gao S, et al.Understanding intra-urban trip patterns from taxi trajectory data[J]. Journal of Geographical Systems, 2012,14(4):463-483.Intra-urban human mobility is investigated by means of taxi trajectory data that are collected in Shanghai, China, where taxis play an important role in urban transportation. From the taxi trajectories, approximately 1.5 million trips of anonymous customers are extracted on seven consecutive days. The globally spatio-temporal patterns of trips exhibit a significant daily regularity. Since each trip can be viewed as a displacement in the random walk model, the distributions of the distance and direction of the extracted trips are investigated in this research. The direction distribution shows an NEE-SWW-dominant direction, and the distance distribution can be well fitted by an exponentially truncated power law, with the scaling exponent beta = 1.2 +/- A 0.15. The observed patterns are attributed to the geographical heterogeneity of the study area, which makes the spatial distribution of trajectory stops to be non-uniform. We thus construct a model that integrates both the geographical heterogeneity and distance decay effect, to interpret the observed patterns. Our Monte Carlo simulation results closely match to the observed patterns and thus validate the proposed model. According to the proposed model, in a single-core urban area, the geographical heterogeneity and distance decay effect improve each other when influencing human mobility patterns. Geographical heterogeneity leads to a faster observed decay, and the distance decay effect makes the spatial distribution of trips more concentrated.

DOI

[17]
唐炉亮,郑文斌,王志强,等.城市出租车上下客的GPS轨迹时空分布探测方法[J].地球信息科学学报,2015,17(10):1179-1186.出租车作为城市公共交通的重要补充,是城市面向公众的一个窗口,在人们日常出行中起到越来越重要的作用。出租车资源时空分布的不均衡,直接影响到城市公共交通的运行效率和城市形象。通过研究出租车上下客的时空分布特征,不仅可以反映城市居民的工作、生活、出行的规律和模式,也可反映城市空间在不同时段内的动态性和&#x0201c;热度&#x0201d;。本文基于出租车GPS轨迹大数据,针对出租车上下客事件轨迹呈现的线状特征,以及城市道路网络空间不同时段&#x0201c;热度&#x0201d;的动态分段特征,提出了出租车上下客时空分布的线密度探测模型。该模型通过对时间多粒度描述与表达,对不同城市道路网络空间,进行出租车上下客事件的探测和分析,获取城市出租车上下客的时空分布规律,更深刻地理解和认知了城市空间的动态性。

DOI

[ Tang L L, Zheng W B, Wang Z Q, et al.Space time analysis on the pick-up and drop-off of taxi passengers based on GPS big data[J]. Geo-Information Science, 2015,17(10):1179-1186. ]

[18]
新延,李德仁.DBSCAN空间聚类算法及其在城市规划中的应用[J].测绘科学,2005,30(3):51-53.空间聚类是空间数据挖掘和知识发现的主要方法之一.DBSCAN算法可以从带有'噪声'的空间数据库中发现任意形状的聚类,是一种较好的聚类算法.本文介绍了DBSCAN算法的基本概念和原理,并应用GIS二次开发组件MapObjects予以了实现.然后,本文将该算法应用于城市规划中,对某城市中小学和商业网点等公共设施的分布进行了聚类分析,并根据聚类结果对城市规划设计规范中的某些条款进行了讨论.

DOI

[ Xin Y, Li D R.DBSCAN spatial clustering algorithm and its application in urban planning[J]. Science of Surveying and Mapping, 2005,30(3):51-53. ]

文章导航

/