EN中文

Journal of Geo-information Science >

2015 , Vol. 17 >Issue 3: 336 - 343

DOI: https://doi.org/10.3724/SP.J.1047.2015.00336

Orginal Article

A Spatio-temporal Analysis on the Heterogeneous Distribution of Urban Road Network Capacity Based on Floating Car Data

  • ZHANG Xirui , 1 ,
  • FANG Zhixiang , 1, * ,
  • LI Qingquan 1, 2 ,
  • LU Shiwei 1
Expand
  • 1. State Key Laboratory of Information Engineering in Surveying Mapping and Remote Sensing, Wuhan University, Wuhan 430079, China
  • 2. Shenzhen Key Laboratory of Spatial Smart Sensing and Services, Shenzhen University, Shenzhen 538060, China
*Corresponding author: FANG Zhixiang, Email:

Received date: 2014-08-04

  Request revised date: 2014-10-24

  Online published: 2015-03-10

Copyright

《地球信息科学学报》编辑部 所有
Fold

Abstract

The spatio-temporal distribution of road network transportation capacity in Shenzhen City was analyzed based on floating car data. The raw floating car data was pre-processed before it was matched to the exact road. Then, the trajectory of each floating car was rebuilt. This paper calculated the travel speed of all different types of road in different time periods. Meanwhile, a new urban road capacity indicator was proposed, by which the road capacity was directly derived from the travel speed. Taking consideration of various traffic conditions and interactions between vehicles, the indices used to describe lane reduction and lane width reduction were applied to adjust the road capacity. The influence of intersections on road capacity can be ignored when taking the traffic flow as a continuous flow. Time-varying characteristics and heterogeneous spatial distribution was found in the urban road capacity. The trend of hourly road capacity was significantly different between weekdays and weekends. Road capacity kept stable in weekdays until it revealed a peak that appeared at noon in weekends. Reserve capacity changed greatly in both weekdays and weekends. And it decreased significantly at noon in weekends. The road capacity varied dramatically within different districts of the city: the road capacity in Yantian District and Nanshan District were both high, and they shared similar trends, while the road capacity in Longgang District and Bao'an District, which also shared similar trends, were in the average level of the capacity within the city, and slightly lower than the former two districts. Additionally, the road capacity of Futian District and Luohu District were in the lower level of the city. We also found that the urban road capacity was overall evidently low in the areas with higher population density and higher development level, and didn’t change much during the day. Road grade had significant influence on the road capacity and reserve capacity. For higher grade of the urban roads in Shenzhen, the capacity and the reserve capacity varied obviously with time, however there was little change in reserve capacity for lower level of the urban roads.

Key words： GIS-T; floating car data; road capacity; spatio-temporal distribution

Cite this article

ZHANG Xirui , FANG Zhixiang , LI Qingquan , LU Shiwei . A Spatio-temporal Analysis on the Heterogeneous Distribution of Urban Road Network Capacity Based on Floating Car Data[J]. Journal of Geo-information Science, 2015 , 17(3) : 336 -343 . DOI: 10.3724/SP.J.1047.2015.00336

1 引言

当今城市交通量高速增长,日益加剧的交通拥堵问题,给居民的工作生活带来极大不便,并严重制约了城市的发展进程。道路上的车流和行人流,构成了交通流（Traffic Flow）[1],其具有时空特征。通行能力是量化交通状态的标准之一,也是交通规划、交通设施的设计和改善,交通管理与评价等的最重要的指标之一[2-3]。道路通行能力（Road Capacity）是道路上某一车道或某一断面处,单位时间内可能通过的最大交通实体数,用辆/小时/车道（pcu/h/ln）表示[3]。车辆多指小汽车,当有其他车辆混入时,均采用等效通行能力的标准车辆（小汽车）为单位。道路通行能力更多反映的是整个系统的绩效。
美国运输研究委员会（Transportation Research Board, TRB）对全美范围的公路网进行广泛观测,获取交通流数据,进行了公路与城市道路的通行能力研究[3]。通行能力会受到多种实际条件的影响,如道路条件[4-5]、环境条件[6]和车辆间相互作用[7]的影响。当前文献中对通行能力的研究,主要以城市交叉路口、特定路段或是指定的O/D道路为对象。例如,Wu改进了无信号交叉口通行能力的计算方法[8];当有信号控制时,杨晓光等人总结出交叉路口通行能力的常用计算方法：有饱和流率法、停止线法、停车线法和冲突点法[9]。另外,孙锋等人分析了直线式和港湾式公交站点对路段通行能力的影响,并提出相对应的通行能力计算方法[10];Yang针对给定OD对的交通需求模式,推导出对应的交通流模式,并对城市道路网的通行能力和服务水平进行了模拟计算[11];杜攀峰等人以高速公路交通流通行特征作为分析对象,对通行能力仿真研究的关键参数进行了标定与评价[12]。这些研究成果为分析道路通行能力提供了理论依据,本文将现有理论拓展到整个城市内的道路网络通行能力的计算。
传统方法中获取通行能力的规定值多取自实地的观测[13],将消耗大量的人力和物力。随着ICT（Information and Communication Technology）的发展,移动式交通信息采集技术在城市交通研究领域得到了广泛的应用。浮动车数据（Floating Car Data）[14]采集技术,利用车载GPS设备,定时获取车辆实时定位信息,是获取道路交通实时路况的有效技术方法。Vinagre Diaz等利用浮动车定位数据计算指定O/D道路的通行速度,并结合立体视觉传感器的影像数据,来评估道路的占有率[15]并衡量道路的通行能力;Wang等分析了交叉路口的路段长度、车道数、左转车道类型和数量以及道路的饱和度与道路运行速度显著相关[16];Fang等人结合时间地理学理论,利用时空棱镜动态测定武汉市跨江桥梁间的通行车辆的相互转移与分配,来降低各桥梁的通行压力[17]。此外,由于城市经济和社会发展的不均衡性,城市内不同区域间的交通状况存在显著差异,利用浮动车数据探索整个城市各级道路通行能力的时空模式特征具有较大的应用价值。
本文提出基于浮动车数据的城市不同等级道路通行能力评估方法,并以深圳市为例分析了城市道路通行能力和通行能力余量的时空分异特征和规律。以较低的成本全面掌握城市交通状态在空间和时间上的不同特征,可为城市规划及交通管理者提供决策参考依据,优化城市交通管理;也可为公众出行提供重要参考信息,提高公众出行效率和质量。

2 基于浮动车数据的城市道路通行能力计算方法

该方法首先利用浮动车数据获取路段行程速度,然后结合车道数、路段速度等信息,计算城市道路通行能力,并用车道折减系数和车道宽度折减系数对其进行修正。

2.1 路段行程速度估计

以单个路段为单位,采用浮动车数据中某时间段内,经由该路段所有记录的瞬时速度的平均值vtrading,作为该路段在该时间段的行程速度v(km/h)。由于不同时段在城市不同区域的交通需求不同,故会存在某些时段某些路段无浮动车记录的情况,若该路段无记录,则采用相同时间段内,相同道路等级所有道路的行程速度的平均值vroad,作为该路段的行程速度的补充[17]。
v = v tr ading v road （1）
此处采用Fang[17]的方法,将一天分为6:00-22:00和22:00-6:00两个时间段。以深圳市路网数据将道路划分为7个等级,其中,第1等级道路为快速路;第2等级道路为主干路;次干路对应路网数据中的第3、4、5等级,这3个等级道路宽度不同;支路对应路网数据中的第6、7等级道路,这2个等级道路宽度存在差异。由式（1）计算出7个等级道路在2个时间段内的平均速度,作为路段行程速度vroad。表1为深圳市一周出租车数据的计算结果。
Tab. 1 The values of vroad

表1 vroad取值

城市道路等级 快速路 主干路 次干路 支路
1 2 3 4 5 6 7
6:00-22:00 58.3 52.0 36.8 32.0 24.8 16.6 12.8
22:00-6:00 61.9 50.7 35.9 30.1 23.6 16.2 12.5

2.2 道路基本通行能力公式推导

城市道路网总体通行能力反映了道路网的综合服务水平。道路的基本通行能力是在理想的道路与交通条件下,标准车辆以最小的车头间距连续行驶,且全部车辆保持同一速度,在单位时间内通过道路断面的车辆数,记为CB,单位为pcu/h/ln[18],基本通行能力的最大值即为最大基本通行能力。CB的计算公式如式（2）[1]所示,用单位时间3600 s除以标准车辆通过单位长度所需时间t。v的单位是km/h,除以3.6转换单位为m/s。
C B = 3600 t = 3600 ÷ l v 3.6 = 1000 v l （2）
l = l 反 + l 制 + l 车 + l 安 （3）
l 反 = v 3.6 r （4）
式（2）中,与车速相适应的最小车头间隔时距为t(s);间隔长度为l(m);车速为v(km/h)。式（3）中,l反为在反应时间内行驶的距离;l制为制动距离;l车为标准型汽车（小汽车）长度,取6 m;l安为安全距离,取2 m。式（4）中,r(s)为驾驶员的反应时间,可取0.75 s。由牛顿第二定律推导得：
2 μ β l 制 = v 3.6 2 （5）
f W = β W g （6）
式中,设制动减速的加速度为β(m/s2);刹车的制动效率设为μ,在浮动车实际速度范围内,取μ=1;重力加速度为g(9.8 m/s2);f为轮胎与路面的纵向滑行摩擦系数;W(kg)为车的质量。
由式（5）和式（6）得：
l 制 = v 2 2 μ g f × 3 . 6 2 （7）
纵向滑行摩擦系数f因车速变化而变化,变化情况见表2[1]。
Tab. 2 The relation between longitudinal frictional coefficient f and speed v

表2 纵向滑行摩擦系数f与车速v的关系表

v(km/h) 30 35 40 50 60 70 90
f 0.45 0.40 0.35 0.35 0.30 0.30 0.25
对纵向滑行摩擦系数f与车速v的关系做回归分析,得：
f = 2.2719 × v - 0.487 （8）
综合可得,道路基本通行能力CB可写为与道路行程速度v单相关的式子：
（9）
图1为单车道通行能力CB随速度v（取值范围为0~120 km/h）的变化图。单车道通行能力CB并非v的单调函数,CB随v的增大先增大,在速度为25.3 km/h处达到最大值1358 pcu/h/ln,即为最大基本通行能力,将此值设为CBmax,此时的速度值记为vmax,之后CB再随v的增大而减小。可见,并非行车速度越大,道路的通行能力越大。
Fig. 1 The relation between capacity and speed

图1 通行能力随速度变化图

2.3 道路通行能力修正

可能通行能力是以基本通行能力为基础,通常指某已知道路在实际的道路条件、交通条件、管制条件和环境条件下,单位时间内通过道路断面的车辆数[1,18]。实际的道路条件,指道路的几何特征,包括交通设施所处的环境、车道数、车道宽度、平面和纵面线型等方面;通常,交通条件主要指车辆类型的分布,本文采用等效的标准车辆（小汽车）为单位进行计算;管制条件指间断流设施,主要为交通信号;环境条件,主要表现为气候及天气条件的影响等。本文受数据采集限制,没有对管制条件、环境条件等进行深入分析,有待在后续研究中做深入探讨。本文通过确定修正系数（如车道折减系数和车道宽度折减系数）来修正基本通行能力,得到道路可能通行能力。
在一些快速路和主干路上,同方向的车道往往大于1条。多车道行驶情况下,同向行驶的机动车的交通行为会相互影响,进而影响临近车道的通行能力。一般情况下,越靠近中心线,对车道的通行能力影响越小[19]。车道折减系数用α条来表示,取值如表3[20]所示。
Tab. 3 The lane reduction index value

表3 车道折减系数取值

车道数 1 2 3 4 5
α条 1.00 1.87 2.65 3.20 3.65
车道宽度对行车速度影响较大,因此,对通行能力和行车舒适程度的影响也较大。标准车道的设计宽度在我国为3.5 m[21],车道宽度若高于该值,则有利于车速提高和车辆行驶;车道宽度若低于该值,则对车辆的行驶起到限制作用。快速路的主路宽度一般采用3.75 m,小车道采用3.5 m;主干路车道宽度一般为3.5 m;次干路车道宽度一般为3.0~3.25 m;支路一般取2.75~3.0 m[21]。车道宽度折减系数用α车道宽来表示,取值如表4[1]所示。
Tab. 4 The lane width reduction index value

表4 车道宽度折减系数取值

车道宽度（m） ≥3.50 3.25 3.00 2.75
α车道宽 1.00 0.94 0.85 0.77
根据车道数和车道宽度信息对多车道路段基本通行能力进行修正,将每条道路（含多个车道）的可能通行能力记为Cp,如式（10）所示,即为本文运用实际观测交通参数计算道路通行能力的方法。
Cp = C B × α 条 × α 车道宽 （10）
Tab.5 The value of α车道宽

表5 α车道宽在不同等级道路上的取值

城市道路等级 1 2 3 4 5 6 7
α车道宽 1.00 1.00 0.94 0.85 0.85 0.85 0.77
根据道路的实际情况,计算每条道路（含多车道）的可能通行能力的最大值,为最大可能通行能力,记为Cmax。道路的最大通行能力Cmax减去该时段的可能通行能力值Cp,定义为通行能力余量,记为R。
R = C max - C p （11）

3 城市道路通行能力时空特征计算结果与分析

3.1 实验数据

本文以深圳市为实验区域,路网数据采用较详细的导航地图数据,属性信息包括道路ID、名称、长度、宽度、方向、车道数、道路等级等。深圳市道路等级分布如图2所示,行政区划图如图3所示。对深圳市道路的长度属性做统计,各行政区域不同等级道路的总长度与深圳市道路总长度的比值如表6所示。
Fig. 2 The road grade map of Shenzhen City

图2 深圳市道路等级图

Fig. 3 The administrative map of Shenzhen City

图3 深圳市行政区划图

Tab. 6 The proportion of road length in each administrative region and road grade

表6 各行政区域不同等级道路长度比值表

宝安区 南山区 福田区 龙岗区 盐田区 罗湖区
快速路（%） 2.44 0.29 0.37 0.91 0.00 0.00
主干路（%） 1.09 0.65 0.49 2.42 0.36 0.59
次干路（%） 15.75 5.94 4.05 9.96 1.15 2.30
支路（%） 22.19 3.98 3.91 17.37 1.01 2.78
为了获取深圳市路段的交通参数[22],本文使用深圳市浮动车数据。采集时间为2012年5月7日-2012年5月13日,全天24小时采集共计7天,平均日采集记录41 944 587条,日工作出租车为17 392辆。数据包括车辆ID、采样时间、经纬度坐标、瞬时速度、方位角、载客状态、GPS状态。数据平均每36 s收发采集一次。全部出租车运营范围能较全面地覆盖深圳市各城区。
出租车上预装的GPS精度有限,数据会出现位置漂移、瞬时速度异常等情况,因此,需要对原始数据进行预处理。首先,剔除GPS状态记录异常的数据;其次,剔除采样点地理位置不在深圳市城区范围内的数据;剔除瞬时速度和方位角超过合理取值范围的数据,速度合理范围限定于0~120 km/h,方位角限定于0~359˚;对于在相同地理位置不同时间点的多条记录情况,如果记录时间处于22:00至次日6:00之间,且同一地理位置的最后一条记录与第一条记录的时间差大于120 s,则认为此车停驶,删除记录数据。预处理后,将剩余记录修正定位误差,地图匹配[23]到道路网上,赋予该记录其行驶的道路编号及其在该道路上的位置和方向,并恢复出租车的行驶轨迹。经地图匹配后的浮动车记录,包含修正后的经纬度坐标、系统时间、瞬时速度、角度、行驶所在道路的编号、采样点在该道路的位置和行驶方向。

3.2 通行能力时间分布

取典型工作日（2012年5月9日,周三）和休息日（2012年5月13日,周日）数据,以30 min为一个时段,计算一天共48个时段各行政区域道路网的平均通行能力,及所有道路通行能力的平均值,如图4所示。
Fig. 4 Variations of the average capacity of different road networks in 24 h

图4 各时段路网平均通行能力日变化

图4中,路网的通行能力具有区域分类现象,并在工作日和休息日呈现出明显不同的特点。无论在工作日还是休息日中,盐田区、南山区的通行能力都相对最高;龙岗区、宝安区次之,并与所有道路通行能力的平均值大致相符;福田区和罗湖区的通行能力最低。工作日中,龙岗区和宝安区的道路通行能力变化曲线相似,且趋势平稳,约为1350 pcu/h,与全市平均水平及其趋势符合程度较高,如表6所示,宝安区和龙岗区主干路及以上等级道路长度占比分别为3.53%和3.33%,比其他的区都要高,说明高等级道路在此发挥了重要作用。福田区和罗湖区的通行能力水平为全市较低水平,变化曲线相似,福田区的道路通行能力在7:00-7:30和16:30-17:00较高,在20:00-20:30最低,福田区的主干路及以上道路占0.86%,但次干路及以下道路占7.96%,路网较为密集,处于比较通畅的情形;罗湖区的通行能力在各个时段均为最低,主要因为罗湖区次干路及其以上的道路仅占为2.89%,火车站和香港口岸等原因导致人流量非常大,通行能力比较差。盐田区的道路通行能力最高,在22:00达到最高,为1566 pcu/h,但一天内波动相对较大,盐田区所处位置较偏,虽然主干路及以上的道路只占0.36%,处于低位水平,但该区主要为旅游地点,在该时段车流量较小,通行能力较高,在白天随着旅游增多,通行能力变化较大;通行能力也较高的南山区变化则相对平缓,主要因为南山区是高新技术区,绝对人流量不及罗湖区等,而且与高等级道路连接相近。
休息日中,各行政区域路网通行能力随时间变化形式与工作日显著不同。各行政区域均在中午的11:00达到通行能力峰值,此高峰均维持到13:00结束,这体现了深圳市道路在休息日的午间,出现出行高峰,道路使用程度明显提高,公众此时的出行体验会出现下降。福田区和罗湖区的通行能力在高峰时段达到1640 pcu/h,通行能力最高的盐田区仍波动较大。龙岗区和宝安区高峰时段的通行能力约为1470 pcu/h,其他时段变化平缓,并与全市的平均水平大致持平。罗湖区的通行能力仍为最低,在20:00-20:30达到低谷,为1110 pcu/h。各区域在中午高峰时段的通行能力均高于同区域工作日的通行能力,其他时段则与同区域工作日较相符。

3.3 通行能力余量时间分布

取典型工作日（2012年5月9日,周三）和休息日（2012年5月13日,周日）数据,计算一天48个时段各行政区域道路网的平均通行能力余量,及所有道路网通行能力余量的平均值,如图5所示。
Fig. 5 Variations of average reserve capacity of different road networks in 24 h

图5 各时段路网平均通行能力余量日变化

图5中,各行政区域通行能力余量在一天中的波动均较大,在工作日和休息日中的特点也明显不同。工作日中,龙岗区和宝安区的通行能力余量变化曲线形状相似,与全市平均水平较相符。福田区和罗湖区的曲线形状相似,罗湖区的通行能力余量也维持在全市较低水平,在15:00-15:30和23:00-23:00达到低谷,为180 pcu/h。盐田区的通行能力余量,在一天中仍保持在相对较高水平,波动仍最大,这与该区域通行能力的表现相似,在6:30-7:00和19:30-20:00达到高峰,约为320 pcu/h;而南山区的通行能力余量变化与盐田区显著不同,在21:30-22:00达到高峰,为297 pcu/h。
休息日中,各行政区域路网通行能力余量随时间变化形式与工作日显著不同,且各区域的低谷明显低于工作日的最小值。各行政区域通行能力余量均在中午的11:00达到低谷,此低谷均维持到13:00结束。低谷时段,盐田区的通行能力余量最大,为287 pcu/h,而南山区则最小,约为100 pcu/h,这与工作日的各区域通行能力余量排序情况截然不同。南山区、福田区和罗湖区在非高峰时段曲线变化相似。宝安区的通行能力余量仍与全市平均水平相仿,而龙岗区则不同。各时段通行能力余量最大值发生在盐田区,在1:00-1:30达到333 pcu/h,高于工作日的最高水平。

3.4 通行能力及通行能力余量空间分布

取典型工作日（2012年5月9日,周三）,计算全天道路网的通行能力和通行能力余量的平均值和标准差[24],利用ArcGIS软件绘制空间分布图,如图6所示。
Fig. 6 Spatial distribution of capacity and reserve capacity

图6 通行能力和通行能力余量空间分布图

道路网通行能力的变化具有区域分布差异性。通行能力明显较低的道路（低于836 pcu/h）集中在发展程度较高的福田区、罗湖区和南山区。深圳市的商圈多集中分布在这些区域,车流及行人密度较高。而在宝安区、龙岗区和盐田区,由于人口密度和开发强度相对较低,其通行能力较高,多出现在837 pcu/h到2143 pcu/h的范围内。这种区域分布的差异性也表现在通行能力余量上。一天内变化明显较小的道路（标准差小于130.0）,集中在宝安区的西北角,及龙岗区的东北角和东南角,这两个区域开发强度相对较低,这些方位也是深圳市的边缘方位。宝安区和龙岗区的其余方位,及其他行政区的通行能力余量变化相对较大。对比图6（c）和图2可发现,一天内通行能力和通行能力余量,变化最大的道路是道路等级较高的快速路和主干路。

4 结论

深圳市道路系统的通行能力和通行能力余量具有明显的时变特征和空间分布的不均衡性。其变化趋势在工作日和休息日有明显不同,通行能力在工作日中变化平缓,在休息日11:00-13:00出现高峰;通行能力余量无论在工作日和休息日都浮动较大,并在休息日11:00-13:00出现显著下降。道路通行能力的区域分类现象十分明显,盐田区和南山区通行能力较高,变化趋势相似;龙岗区和宝安区通行能力值较前两个区域较小,处于中间水平,并与全市平均水平相符合,变化趋势相似;福田区和罗湖区通行能力相似,处于全市较低水平。
道路等级对通行能力和通行能力余量影响显著,较高等级道路（快速路和主干路）的通行能力和通行能力余量一天内变化较大,低等级道路则较平稳。城市内不同区域的人口密度和发展程度不同,这在道路通行能力和通行能力余量上有所体现。繁华区域的道路通行能力整体较低,且一天内的变化较小。

The authors have declared that no competing interests exist.

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
李作敏. 交通工程学[M].北京:人民教育出版社,2000.

[2]
张亚平,裴玉龙.道路通行能力研究现状及发展综述[J].交通运输工程学报,2002,2(2):91-97.

[3]
Transportation Research Board.Highway capacity manual[M]. Washington, D C: National Research council, 2000.

[4]
Hoban C J.Evaluating traffic capacity and improvements to road geometry[M]. Washington, D C: World Bank, 1987.

[5]
Chandra S, Kumar U.Effect of lane width on capacity under mixed traffic conditions in India[J]. Journal of Transportation Engineering, 2003,129(2):155-160.

[6]
Kwon T J, Fu L, Jiang C.Effect of winter weather and road surface conditions on macroscopic traffic parameters[J]. Transportation Research Record: Journal of the Transportation Research Board, 2013,2329(1):54-62.

[7]
Ben-Akiva M E, Gao S, Wei Z, et al. A dynamic traffic assignment model for highly congested urban networks[J]. Transportation Research Part C: Emerging Technologies, 2012,24:62-82.

[8]
Wu N.A universal procedure for capacity determination at unsignalized (priority-controlled) intersections[J]. Transportation Research Part B: Methodological, 2001,35(6):593-623.

[9]
杨晓光,赵靖,马万经,等.信号控制交叉口通行能力计算方法研究综述[J].中国公路学报,2014,27(5):148-157.

[10]
孙锋,金茂菁,王殿海等.公交站点对路段通行能力的影响研究[J].北京理工大学学报,2013,33(12):1284-1288.

[11]
Yang H, Bell M G H, Meng Q. Modeling the capacity and level of service of urban transportation networks[J]. Transportation Research Part B: Methodological, 2000,34(4):255-275.

[12]
杜攀峰,金双泉,李嘉.高速公路路段通行能力仿真研究[J].湖南大学学报(自然科学版),2009,36(6):7-12.

[13]
杨小宝,王文凯.道路通行能力研究现状及展望[J].中外公路,2006,26(4):217-220.

[14]
Schäfer R P, Thiessenhusen K U, Wagner P A.Traffic information system by means of real-time floating-car data[C]. ITS world congress, Chicago, 2002.

[15]
Vinagre Diaz J J, Fernandez Llorca D, Rodríguez González A B, et al. Extended floating car data system: Experimental results and application for a hybrid route level of service[J]. IEEE Transactions on Intelligent Transportation Systems, 2012,13(1):25-35.

[16]
Wang X, Liu H, Yu R, et al.Exploring operating speeds on urban arterials using floating car data: Case study in Shanghai[J]. Journal of Transportation Engineering, 2014,140(9): 04014044.

[17]
Fang Z, Shaw S L, Tu W, et al.Spatiotemporal analysis of critical transportation links based on time geographic concepts: A case study of critical bridges in Wuhan, China[J]. Journal of Transport Geography, 2012,23:44-59.

[18]
马健霄,吕志英,王大明.城市道路通行能力分析与改善技术[J].南京林业大学学报,2001,25(2):71-74.

[19]
钟连德,李秀文,荣建.城市快速路基本路段通行能力的确定[J].北京工业大学学报,2006,32(7):605-609.

[20]
JTGB01-2003,公路工程技术标准[S].北京:中华人民共和国交通部,2003.

[21]
CJJ37-2012,城市道路交通规范设计规范[S].北京:中华人民共和国住房和城乡建设部,2012.

[22]
童小华,陈建阳,吴淑琴.基于GIS和GPS的交通状态参数估计仿真[J].同济大学学报(自然科学版),2006,34(1):47-52.

[23]
Chen B Y, Yuan H, Li Q, et al.Map-matching algorithm for large-scale low-frequency floating car data[J]. International Journal of Geographical Information Science, 2014, 28(1):22-38.

[24]
Fouladvand M E, Darooneh A H.Statistical analysis of floating-car data: An empirical study[J]. The European Physical Journal B-Condensed Matter and Complex Systems, 2005,47(2):319-328.

Options
Outlines

/

〈 〉