EN中文

Journal of Geo-information Science >

2019 , Vol. 21 >Issue 1: 118 - 127

DOI: https://doi.org/10.12082/dqxxkx.2019.180122

Impact of Weather Condition on Intra-Urban Travel Behavior: Evidence from Taxi Trajectory Data

  • KANG Chaogui , 1 ,
  • LIU Xuan 1 ,
  • XU Xinyue 1 ,
  • QIN Kun , 1, 2, *
Expand
  • 1. School of Remote Sensing and Information Engineering, Wuhan University, Wuhan 430079
  • 2. Geospatial Information Technology Collaborative Innovation Center, Wuhan 430079, China
*Corresponding author: QIN Kun, E-mail:

Received date: 2018-03-02

  Request revised date: 2018-11-24

  Online published: 2019-01-20

Supported by

National Natural Science Foundation of China, No.41401484, 41830645

National Key Research and Development Project of China, No.2017YFB0503604

Copyright

《地球信息科学学报》编辑部 所有
Fold

Abstract

Weather conditions have a substantial impact on urban residents' daily travel activities. They usually determine the travel demand within a specific spatial location by land use type, as well as the route selection strategy between a pair of travel origin and destination. This information is crucial for stakeholders including urban dwellers, city planners and transport managers to optimize urban mobility, facility allocation and transportation resilience. In this paper, we apply spatiotemporal statistics, multiple linear regression and clustering analysis on taxi data and weather records of Wuhan City, China to understand the spatiotemporal characteristics of residents' travel demand and taxi drivers' route selection under different weather conditions. As a result, the dominant weather condition factors influencing residents' travel activities are revealed on space and time. First, taxi demand is more vulnerable to weather changes on weekdays than weekends. It is negatively proportional to the increasement of rainfall, temperature and wind speed. Second, at city scale taxi demand decreases along with raining on weekdays while the demand increases on weekends. In particular, the short-distance travels increase while medium- and long-distance travels decrease. Third, taxi demand is more vulnerable to weather changes within the urban area than the suburban area. On rainy days, medium-distance travels within the urban area decrease, whereas short-distance travels within the suburban area increase. Fourth, taxi demand on residential area increases, whereas the demand on commercial area decreases on rainy days. Last, taxi drivers are found to prefer the shortest path on sunny days and the fastest path on rainy days. Those research results can assist urban planners and municipal managers to enhance their understanding of urban residents' mobility pattern and their spatiotemporal dynamics more deeply.

Key words： weather condition; taxi mobility; travel demand; route selection; spatiotemporal analysis

Cite this article

KANG Chaogui , LIU Xuan , XU Xinyue , QIN Kun . Impact of Weather Condition on Intra-Urban Travel Behavior: Evidence from Taxi Trajectory Data[J]. Journal of Geo-information Science, 2019 , 21(1) : 118 -127 . DOI: 10.12082/dqxxkx.2019.180122

1 引言

天气状况作为人们生活环境的组成要素之一,对城市居民日常出行有短期可见的影响[1]。以出租车出行为例,天气的影响很可能贯穿于乘客一次完整的出租车出行过程。例如,下雨不仅影响居民对出租车的需求,还会导致区域之间出租车流量的变化[2];同时,在出租车从乘客出发地到目的地的行驶过程中,下雨造成的路况变化还可能会影响行驶过程中的车速、用时和对行驶路线的选择[3]。简而言之,天气状况不同,居民采取的出行对策往往具有明显的差异[4]。
顾及天气因素的人类移动模式研究大多集中于交通领域,主要针对交通量[5]、交通流速度和密度[6,7]、交通事故[8]等方面进行分析。天气变化对车辆本身、路面状况、驾驶员驾驶行为（如心理、判断、反应等）及乘客乘车环境都会产生影响[9]。考虑到天气因素复杂多样,现有研究一般考虑单个气象要素与出行活动的关联关系,如高温、雾霾和大风等天气下的交通出行的需求和安全性等[10,11]。这些研究大多从出行次数、出行方式、出行速度以及出行时间4个方面探究天气要素对不同出行方式的出行者出行行为的影响程度[12]。此外,大量研究将降雨量作为影响居民日常出行活动最主要的原因[13,14],分析晴天、雨天和雪天的出租车供需情况的变 化[15,16,17]。尤其是暴雨条件下,非刚性需求受到抑制和减少,且刚性出行常因避雨延迟出行时间,导致交通需求时空分布变化显著[18]。同时,暴雨天气下“打车难”现象普遍存在,居民通常会选择步行距离短、出行时间可靠的替代交通方式[19]。然而,综合国内外研究现状发现,现有研究对不同天气条件下出行活动时空分布特征的研究较为匮乏,缺少天气对特定空间位置和用地类型范围内出行活动的需求量的影响分析以及天气对道路交通路线选择的影响分析。
近年来,随着交通和开放大数据的涌现,全面、精准理解居民的日常出行活动和地理、气象等背景信息的关联关系成为可能[20]。其中,出租车数据作为代表性的交通出行数据之一,已成为开展此类分析研究的重要基础[21]。现实生活中,一个区域内居民对出租车的需求量与区域的时空环境的组成要素（包括空间构成、时间、气象条件等）相关[22,23]。区域的空间构成在一定程度上反映了居民不同的出行需求,而不同类型的出行受天气的影响也不同。高效、智能化的交通应急管理和城市规划建设亟需理解天气因素影响日常出行活动时空分布的基本规律[24]。特定空间位置上的交通出行需求变化模式既可以揭示居民出行活动产生的动机,也可以反映城市交通出行系统的健壮和稳定程度[25]。通过识别易受天气因素影响的城市内部区域,辅以针对性的管理和维护方案,可以降低极端天气条件下城市交通系统运营的成本,提高居民日常出行活动的效率。
基于此,本文选取武汉市作为典型研究区域,利用时空统计、多元线性回归和聚类等手段,基于出租车、气象和空气质量等数据,根据某一区域内的出租车需求量和其对应的下车区域,将上、下车区域进行关联分析得到区域之间的流量变化与天气的关系,对不同天气下的居民出行模式和司机路径选择模式进行时空分析,并解释2类模式产生变化的原因和机制。

2 数据预处理

2.1 社区单元

本研究的基本空间分析单元为社区,由武汉市国土资源和规划局提供。在社区地图基础之上,研究区可进一步区分为主城区和郊区。主城区以三环线以内地区为主,其他区域即郊区。同时,参考武汉市城市总体规划图[26],将各个社区划分为工业用地、教育科研用地、居住用地、商业金融用地、体育用地、文化娱乐用地、行政办公用地7类不同的土地利用功能区。

2.2 气象数据

气象数据来源于中国气象局,依据美国国家气候数据中心（National Climatic Data Center, NCDC）提供的地面测报标准[27]中的风速、温度和天气现象3个气象要素：① 直接使用原始风速数据,按风速从小到大分为0-18共19个等级;② 使用绝对温度与平均温度的差值作为实验数据;③ 根据天气编码和对应的天气语义,将天气现象数据预处理为晴天、之前下雨当时为晴天、当时下雨3种类型。本研究选取武昌站和武汉站的气象数据进行实验,空间范围主要涵盖长江两岸的1471个社区,以最短质心距离对应的气象站表示社区天气。

2.3 空气质量数据

因缺少暴露在空气中是否绝对安全的空气质量临界值[28],本研究使用空气质量指数（Air Quality Index,AQI）作为衡量空气质量的指标。原始数据来源于环保部环境监测总站空气质量实时发布系统,包含武汉市10个国控监测点的每小时记录的二氧化硫、二氧化氮、PM10、PM2.5、一氧化碳和臭氧6项污染物的浓度,AQI数值由这6项指标综合评价后得到。与气象数据一致,研究中使用最短质心距离方法将社区数据与监测点进行关联,获取社区的空气质量状况,所覆盖社区空间范围与气象数据保持一致。

2.4 出租车数据

城市居民的出行活动通过出租车的上/下车点信息来反映。本研究包含约6000辆出租车在2015年6月1日至7月31日的载客和空驶信息,并剔除掉行驶距离小于2 km、或行驶时间大于2 h、或车速大于100 km/h的轨迹。根据日常生活经验,人们在周一至周四的生活主要由工作主导,而周六的生活主要由休闲娱乐主导。因此,研究中将周一至周四的出租车数据作为工作日居民出行行为的反映,将周六的数据作为周末居民出行行为的反映,分析在不同时间、空间位置、用地类型区域条件下天气对出租车出行活动的影响。

3 天气对出租车出行活动的影响分析

本文参与分析的社区内有气象站2个、环境监测站10个,二者叠置后共将社区划分为15个具有不同天气数据的子区域。因此,在宏观尺度,考察这些子区域间的差异可以体现出租车出行量与天气因素的相关关系。此外,在各个子区域内,进一步考察不同用地功能社区内出租车出行量与天气因素的相关关系,可以揭示更微观尺度的空间分异。

3.1 天气因素影响度分析

为探究气象要素对不同区域上产生的出租车需求量的影响,本研究使用多元线性回归模型来建立单个区域内不同气象要素与出租车需求量之间的关系,如式（1）所示：
∆ R = β 0 + β RN RN + β RP RP + β t ∆ T + β W W + β α AQI （1）
式中：以出租车需求量的变化量 ∆ R 作为多元线性回归模型的因变量,当时是否下雨变量 RN 、之前是否下雨变量 RP 、气温变化量 ∆ T 、风速 W 和空气质量指数 AQI 这5个因素作为自变量,分别对工作日和周末的全局出租车需求变化量进行多元线性回归,确定各个气象要素对出租车整体需求变化量是否具有显著影响（正向或负向）及其影响程度。其中, RN 和 RP 均用哑变量进行处理,取值都为0或1。 RN = 1 表示当时下雨,反之表示当时晴天; RP = 1 表示在观测时间之前的1 h内有下雨,但观测时间不下雨,反之表示当时晴天。此外,通过分析 AQI 数据发现,监测站空间分布较稠密且其记录值逐时波动非常显著,与其他气象数据的统计时间间隔、波动频率、空间相关性具有明显的不一致性,无法纳入统一的时空尺度进行分析。基于此,在全局大空间尺度（即把整个试验区空间范围看作单个分析单元）回归分析中自变量 AQI 未纳入分析,而在城-郊及社区尺度（即把每个社区看作不同的分析单元）分析中因 AQI 数据具有更好的空间差异度能够揭示详细的关联关系,则被纳入考虑。
如表1所示,工作日和周末的多元线性回归模型的F统计量（以显著性水平小于1%通过F检验）说明各气象要素对工作日和周末的全局出租车需求量均有显著影响,但不同气象要素对不同时间的全局出租车需求量的影响不同。工作日,所有气象因素自变量都呈显著负相关,说明下雨、气温的升高和风速的增强对全局出租车需求量均有明显的抑制作用。周末,仅有气温自变量 ∆ T 呈显著负相关。总体而言,工作日各个气象要素的变化对全局出租车需求量变化的解释能力比周末强,说明工作日的出租车需求量更容易受到天气变化的影响。
Tab. 1 Regression model for taxi demand and weather condition on city scale

表1 出租车需求变化与天气因素全局回归分析结果

变量 工作日 周末
原始回归系数 标准化回归系数 原始回归系数 标准化回归系数
Intercept 62.041*** 16.324
RN -190.120*** -0.281*** 31.798 0.029
RP -137.088*** -0.132*** 34.429 0.025
∆T -22.914*** -0.402*** -30.368*** -0.233
W -17.300*** -0.118*** 1.765 0.009
Adj. R2 0.186 0.045
F stats 68.93(0.000) 4.60(0.001)

注：考虑到相距较近的区域在同一时间的空气质量指数可能存在巨大差别,故自变量AQI未纳入分析。

3.2 晴雨天全市域流量及载客距离的变化

表2显示了出租车需求量与不同气象因素呈正相关和负相关的社区数量和百分比。在与自变量 RN 呈显著的社区中,工作日有81%的社区呈负相关,周末有75%的社区呈正相关,说明当时下雨在工作日和周末对出租车需求量的影响效果完全相反。同理,结合自变量 RP 的统计结果发现,不管是在工作日还是周末,下雨对出租车需求量的滞后影响和实时影响大体相同。显然,从全市域空间尺度上看,下雨使得居民对出租车的需求量在工作日减少,而在周末增加。
Tab. 2 Positively and negatively impacted regions on weekdays and weekends

表2 工作日和非工作日受显著影响的社区数量分布

自变量 工作日 周末
正相关 负相关 正相关 负相关
数量 比例% 数量 比例% 数数量量 比例% 数量 比例%
RN 27 19 113 81 74 75 25 25
RP 35 38 56 62 18 53 16 47
∆T 24 7 310 93 14 10 129 90
W 37 63 22 37 65 64 36 36
AQI 166 94 10 6 121 91 12 9
None 671 961
结合图1(a)中晴天时段和雨天时段全局载客距离频率分布发现,不管是雨天还是晴天,出租车的出行距离在2~3 km占比最多;同时,载客距离频率差值显示在雨天时段3 km以内的载客轨迹比例有所增加,而大于3 km的比例有所减少。进一步结合图1(b)发现,雨天时段行驶相同载客距离所消耗的平均行程时间多于晴天时段,说明道路的通行能力较差。以上结果表明,下雨天居民的短距离出租车出行需求比例增加,而中长距离的出租车出行需求比例则具有一定的减少。值得说明的是,由于不同天气条件下出行总量不同（雨天少于晴天）,采用总量差值无法体现不同距离受天气因素影响的程度,因此本研究采用比例差值度量不同距离的相对差异,但并不表示需求量的绝对增减。
Fig. 1 Distributions of travel distance and duration on sunny and rainy days

图1 晴雨天载客距离及行程时间分布

3.3 晴雨天主城区与郊区流量及载客距离的变化

表3显示主城区内受各气象要素显著影响的社区数量及比例均比郊区高。在工作日,主城区中受天气影响的社区比例为77%,郊区中比例为24%。在周末,二者的比例分别为50%和16%。显然,主城区内人口密度和对出租车的需求量基数比郊区大,出租车需求量相比郊区更容易受到天气变化的影响。
Tab. 3 Significantly impacted regions in urban area and suburban area

表3 受自变量显著影响的主城区和郊区社区数量分布

自变量 工作日 周末
主城区 郊区 主城区 郊区
数量 比例/% 数量 比例/% 数量 比例/% 数量 比例/%
RN 118 14 22 4 81 10 18 3
RP 62 7 29 5 24 3 10 2
∆T 279 33 55 9 116 14 27 4
W 46 5 13 2 85 10 16 3
AQI 152 18 24 4 108 13 25 4
None 193 23 478 76 436 50 525 84
合计 850 100 621 100 850 100 621 100
图2进一步揭示了降雨对主城区与郊区之间出行流量的影响差异。在下雨的工作日和周末,主城区内部的流量均比晴天减少,郊区内部的流量均比晴天增加;而往返于主城区和郊区的流量在下雨的工作日减少,在下雨的周末增加。同时,如图3所示,雨天对主城区和郊区的载客距离频率分布的影响也不相同。在工作日和周末,主城区内部减少的流量主要为4~12 km,郊区内部增加的流量为 1~4 km。在工作日,主城区至郊区减少的流量主要为8~9 km,郊区至主城区减少的流量为0~10 km;在周末,主城区至郊区增加的流量主要为3 km以下,郊区至主城区增加的流量分别为7~8 km和 12~14 km。以上结果表明,因道路状况和替代交通工具的差异,雨天时段主城区内部的中距离流量比例减少,郊区内部的短距离流量比例增加,往返于主城区和郊区的中长距离流量比例在工作日减少、在周末增加。
Fig. 2 Variations of travel flow between urban area and suburban area

图2 工作日和周末晴雨时段主城区和郊区间出行流量变化分布

Fig. 3 Distributions of travel distance between urban area and suburban area on weekdays and weekends

图3 工作日和周末晴雨时段主城区和郊区间载客距离分布

3.4 晴雨天不同用地功能区流量及载客距离的变化

如图4所示,工作日的商业金融用地、行政办公用地负相关的比例明显大于正相关比例,说明下雨使得该用地类型上出租车需求量主要呈减少趋势;而工作日的工业用地、非工作日的行政办公用地负相关的比例明显小于正相关比例,说明下雨使得该用地类型上出租车需求量主要呈增加趋势。结合日常经验,工作日的雨天可能使一部分居民取消在商业金融用地上的活动。同时,生活或工作在这类社区的多为白领及以上的阶层,私家车拥有率较高,在雨天时更可能选择开私家车出行,使出租车需求量降低。而工业用地主要分布在城郊,交通不便且基础设施不及主城区,故下雨乘坐出租车较为便捷。
Fig. 4 Proportions of regions with different land use types impacted by raining

图4 工作日和周末受下雨影响的用地类型分布

图5显示了下雨时段相对晴天时段不同用地类型之间的流量变化率。在工作日,下雨使得从工业用地和教育科研用地出发的流量普遍增多,到达商业金融用地的流量普遍减少。在下雨的周末,往返于工业用地、教育科研用地、居住用地和商业金融用地的流量则普遍增加。图6进一步揭示了从工业用地、教育科研用地、居住用地出发前往商业金融用地的出租车载客距离分布情况。在下雨的工作日,从工业用地和居住用地到商业金融用地的流量减少部分为4~10 km;而从教育科研用地到商业金融用地的流量增加部分为2~4 km。在下雨的周末,从工业用地和居住用地到商业金融用地的流量增加部分为1~3 km,而从教育科研用地到商业金融用地的流量增加部分为1~8 km和14~19 km。以上结果说明,对于生活在工业用地和居住用地的居民而言,下雨对出租车需求量的正向影响体现在短距离出行,负向影响则体现在中长距离出行;对于教育科研用地的居民而言,下雨的正向和负向影响在出行距离上的分界并不明晰。
Fig. 5 Variations of travel flow between regions with different land use types on weekdays and weekends

图5 工作日和周末晴雨时段不同用地类型间出行流量变化分布

Fig. 6 Distributions of travel distance from industrial, educational and residential area to commercial area on weekdays and weekends

图6 工作日和周末工业、教育科研、居住用地至商业金融用地间载客距离分布

3.5 典型受影响区域及路线选择变化

图7显示了只与自变量 RN 呈显著（即受下雨影响）的社区空间分布。在下雨的工作日,出租车需求量减少（负相关）的社区数量比需求量增加（正相关）的社区多。其中,呈负相关的社区主要分布在三环内的武汉市主城区,以中南路-武珞路商业中心、航空路商业中心和菱角湖商业中心最为集中;而呈正相关的社区零散分布在三环以外的郊区。下雨的周末则与工作日相反,出租车需求量增加的社区数量比需求量减少的社区多。其中,呈正相关的社区主要分布在长江以东的武昌区和洪山区,沿着光谷、卓刀泉和武珞路南北两侧分布;而呈负相关的社区仅分布在汉口的武汉中央商务区。
Fig. 7 Impacted regions by raining on weekdays and weekends

图7 工作日和周末受下雨影响的社区空间分布

天气的变化不仅影响区域及区域间的出行流量,还会影响整个行驶过程。为提取典型的载客路线,本研究在传统的基于编辑距离的相似性度量方法中引入轨迹的时空特征,基于归一化编辑距离的轨迹相似性度量方法[29]和基于Ward's方法的层次聚类[30],挖掘晴雨天出租车载客路线,对比晴雨天载客路线的异同,对路线的变化进行分析和解释。图8显示了2015年6月7日雨天（周日）和7月12日晴天（周日）行驶于关山二路立交桥附近的居住小区（当代国际花园和万科城市花园等）和光谷之间的37条出租车频繁载客路线。结合图9发现,雨天3种路线的行程时间相比晴天具有不同的增减变化,雨天时选择行驶关山大道（路线1）的平均行程时间相比晴天增加了约10 min,而其余两条路线的行程时间相比晴天均有所下降。虽然光谷大道（路线2）在晴雨天均为车速最快和用时最少的路线,但是只有在雨天选择光谷大道（路线2）的车辆比例最大,而在晴天出租车更偏好距离最短的关山大道（路线1）。这说明出租车司机在晴天时更偏好根据距离来判断最佳路线。而在雨天时,由于路况改变,关山大道（路线1）的车速和用时与光谷大道（路线2）的差距被拉大,故司机会更倾向于改变原先路线选择策略,将距离和车速共同作为最佳路线的指标,选择用时最少的最佳路线（路线2）。以上结果表明,大多数出租车司机并不仅仅遵循晴天的路线选择经验,同时会根据实时天气情况做出更加合理和明智的判断。
Fig. 8 Travel paths between International Garden and Optical Valley on sunny days and rainy days

图8 晴天和雨天往返当代国际花园和光谷的载客轨迹分布

Fig. 9 Traffic volume, speed and duration between International Garden and Optical Valley on sunny days and rainy days

图9 晴雨天当代国际花园至光谷间不同载客路线车辆比例、车速及时间分布

4 结语

本研究将武汉市的气象数据、空气质量数据和出租车数据有机结合,分析和对比了不同气象因素对居民出行模式和出租车司机路径选择模式的影响。研究成果揭示了天气与居民出行活动间的关联：① 从时间上看,工作日的出租车需求量更容易受到天气变化的影响;② 从全市域空间尺度上看,下雨使得居民对出租车的需求量在工作日时段减少,而在周末时段增加;③ 从城郊区空间尺度上看,雨天时段主城区内部的中距离流量减少,郊区内部的短距离流量增加,往返于主城区和郊区的中长距离流量在工作日减少、在周末增加;④ 从功能区空间尺度上看,下雨使得行政办公用地的出租车需求量减少,商业金融用地的出租车需求量在工作日减少、在周末增加,工业用地的出租车需求量在工作日增加、在周末减少;⑤ 从行驶路径上看,出租车司机在晴天时偏好根据距离来判断最佳路线,而在雨天倾向于改变原先路线选择策略,将距离和车速共同作为最佳路线的指标,选择用时最少的最佳路线。这些发现有助于更加深入地理解城市居民出行规律和时空分布特征,提升城市应急管理响应能力。
本研究虽然取得了初步成果,但仍存在一些问题需进一步深入和完善。后续工作将主要围绕以下4个方面展开：
（1） 轨迹数据地图匹配。使用未经地图匹配处理的轨迹点数据,有时会由于轨迹数据采样周期较长、数据质量不佳等问题,导致轨迹行驶距离的计算和轨迹相似性度量等方面出现较大误差,可采用路网约束下的轨迹数据解决以上问题;
（2） 特定区域的天气状况的判定。气象数据中尚未包含表示天气发生的空间尺度,使用气象站到区域质心的最短质心距离的方法去判定区域的天气状况存在较大的误差。在气象数据尽可能丰富的情况下,可使用反距离加权方法获得各个位置的天气信息;
（3） 各气象因素与居民出行模式的相关性分析。本文使用多元线性回归分析评价各气象因素对出租车需求量的影响,但多元线性回归模型是否是最优模型还有待商榷,可通过对比多个模型的拟合效果来选择更为适合的分析模型;
（4） 精细空间粒度影响分析。在社区尺度基础之上,可以进一步结合研究区内的道路和兴趣点空间分布特征,解析天气对特定城市场所之上出租车出行活动的影响空间差异。

The authors have declared that no competing interests exist.

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Koetse M J, Rietveld P.The impact of climate change and weather on transport: An overview of empirical findings[J]. Transportation Research Part D: Transport & Environment, 2009,14(3):205-221.This paper presents a survey of the empirical literature on the effects of climate change and weather conditions on the transport sector. Despite mixed evidence on many issues, several patterns can be observed. On a global scale especially shifts in tourism and agricultural production due to increased temperatures may lead to shifts in passenger and freight transport. The predicted rise in sea levels and the associated increase in frequency and intensity of storm surges and flooding incidences may furthermore be some of the most worrying consequences of climate change, especially for coastal areas. Climate change related shifts in weather patterns might also cause infrastructure disruptions. Clear patterns are that precipitation affects road safety by increasing accident frequency but decreasing severity. Precipitation also increases congestion, especially during peak hours. Furthermore, an increased frequency of low water levels may considerably increase costs of inland waterway transport. Despite these insights, the net impact of climate change on generalised costs of the various transport modes are uncertain and ambiguous, with a possible exception for inland waterway transport.

DOI

[2]
章锡俏,安实,盛洪飞.不利天气下离散化动态交通路网容量研究[J].哈尔滨工业大学学报,2009,41(7):85-88.为了制定合理的不利天气下交通管理方案，采用离散化动态交通路网容量描述道路网容量变化情 况．定义了不利天气下离散化动态路网容量，提出了与时空消耗概念相类似的基于通行能力的离散化动态路网容量计算模型，并对模型中的通行能力和平均出行距离 两个变量进行了说明：采用径向基函数神经网络模型处理不利天气下通行能力与众多非线性影响因素；用概率统计理论推导出行距离的概率密度函数，概率密度函数 的均值即为交通平均出行距离．通过对哈尔滨市暴雨天气下道路实际数据的分析，验证了模型的可行性和有效性．

[Zhang X, An S, Sheng H.Discrete dynamic road network capacity under adverse weather[J]. Journal of Harbin Institute of Technology, 2009,41(7):85-88. ]

[3]
龚大鹏,宋国华,黎明,等.降雨对城市道路行程速度的影响[J].交通运输系统工程与信息,2015,15(1):218-225.以北京市实时天气数据和基于浮动车的城市道路行程速度、交通运行指数数据为基础,对比分析降雨天气和正常天气的行程速度、指数、降雨量等数据指标.然后从降雨强度、时间段、拥堵等级等角度展开对城市道路运行参数的分析,建立降雨天气速度预测修正模型,并进行模型验证.研究得出,在夜间降雨强度达到中雨及以上时,快速路、主干路、次支路的速度下降百分比分别为:8.8%、4.8%、5.9%,分别得出高峰和平峰时降雨强度与行程速度下降之间的关系;得出在全路网不同拥堵等级下降雨强度与行程速度下降之间的关系.最后对速度预测模型进行实测验证.结果表明,该模型可以对降雨天气条件下的行程速度进行有效预测,预测的平均误差在5%以内.

DOI

[Gong D, Song G, Li M, et al.Impact of rainfalls on travel speed on urban roads[J]. Journal of Transportation Systems Engineering and Information Technology, 2015,15(1):218-225. ]

[4]
Cools M, Moons E, Creemers L, et al.Changes in travel behavior in response to weather conditions: Do type of weather and trip purpose matter?[J]. Transportation Research Record: Journal of the Transportation Research Board, 2010,2157:22-28.

DOI

[5]
Keay K, Simmonds I.The association of rainfall and other weather variables with road traffic volume in Melbourne, Australia[J]. Accident Analysis & Prevention, 2005,37(1):109-124.An investigation into the effect of weather variables on traffic flow at a site in Melbourne, Australia, for the period 1989–1996 was performed. Rainfall was the strongest correlated weather parameter and it had the greatest impact in winter and spring, when traffic volume is reduced on wet days. There are statistically significant decreases of 1.35 and 2.11% in traffic volume on wet days in winter and spring. The reduction increases to 2–3% over the 2–10 mm range, the largest being 3.43% for the 2–5 mm class in spring. For the first time, our study considers separately daytime and nighttime periods. We found a reduction of 1.86% in winter and 2.16% in spring during daytime rainfall. The reduction at nighttime is significant over all seasons, ranging from 0.87% in winter to 2.91% in spring. We have explored an application where the traffic volume was used to normalise the road accident count and found the rain effect to increase by 2.4, 1.9 and 5.2% relative to the daily, daytime and nighttime dry mean accident count. Generally, the normalised count is greater than the raw count, with a larger increase for the higher rainfall classes.

DOI PMID

[6]
Lin L, Ni M, He Q, et al.Modeling the impacts of inclement weather on freeway traffic speed: Exploratory study with social media data[J]. Transportation Research Record: Journal of the Transportation Research Board, 2015,2482:82-89.

DOI

[7]
马符铭,刘浩.降雪天气对快速路交通特征的影响及对策[J].交通科技与经济,2016,18(4):53-56.冬季下雪的城市路面积雪影响道路交通，降雪天气会极大增加驾驶员发生交通事故的概率。从降雪天气条件下快速路的交通问题着手，首先分析快速路的交通特征，主要包括到达规律特征、速度特征和通行能力特征。其次，针对这三个特征，从车速、饱和流率和交叉口运行时间三个角度，定量对快速路的交通特征进行分析。最后，研究从管理者和驾驶员两个角度出发，提出在降雪天气条件下快速路的交通问题解决措施。

DOI

[Ma F, Liu H.The influence of snow weather affects fact road traffic characteristics and its countermeasures[J]. Technology & Economy in Areas of Communications, 2016,18(4):53-56. ]

[8]
Theofilatos A, Yannis G.A review of the effect of traffic and weather characteristics on road safety[J]. Accident Analysis & Prevention, 2014,72:244-256.

[9]
敖曼,瞿润平.气象条件对道路交通的影响分析[J].公路与汽运,2011(2):58-62.交通安全与气象条件的关系相当密切.文中分析了季节气候特点对交通安全的影响,研究了道路交通事故与气象条件的关系,分析指出秋季和冬季发生的交通事故较多,事故造成的死亡人数也较多;提出了不利天气条件下行车安全的对策措施.

DOI

[Ao M, Qu R.Analysis of the influence of meteorological conditions on road traffic[J]. Higways & Automotive Applications, 2011(2):58-62. ]

[10]
Stern E, Zehavi Y.Road safety and hot weather: A study in applied transport geography[J]. Transactions of the Institute of British Geographers, 1990,15(1):102-111.A fairly neglected aspect of the relationship between atmospheric environment and human behaviour concerns the association between thermal conditions and road safety; an aspect which has both a theoretical and a practical value. This study examines two hypotheses concerning the effect of heat stress on the risk level of road accidents and their type. Based on the common assumption that the occurrence probability of road accidents follows the Poisson distribution, the Nordens' model for identifying 'black spots' is used with a 7 year data set from the Arava road in Israel. Risk level of road accidents in general is found to increase with the severity of hot weather. The majority of accidents occurring under hot weather conditions are those involving only one-person judgement, from which 'running off the road' accidents are especially associated with high levels of heat stress. The common lore linking heat stress and road safety is statistically confirmed.

DOI

[11]
Edwards J B.Weather-related road accidents in England and Wales: A spatial analysis[J]. Journal of Transport Geography, 1996,4(3):201-212.

DOI

[12]
李聪颖,黄一哲,李敢,等.雾霾天气对出行行为的影响机理研究[J].西安建筑科技大学学报(自然科学版),2015,47(5):728-733.雾霾天气下,较多出行者会对出行行为进行调整,为系统分析雾霾天气对于出行者出行行为的影响机理,将计划行为理论拓展后建立关于出行者态度、主观规范、行为控制认识、身体状况等潜变量的结构方程分析模型,并对分析模型进行了检验和改进.结果表明,雾霾天气会对采用不同出行方式的出行者产生不同程度的影响,其中出行者的态度、心理状态以及身体状况对此有较大的解释力,对应的路径系数分别为0.565、0.268、0.164;出行者过去积累的经验以及对自己雾霾天气下出行能力的认识会对其出行态度产生较大影响.

DOI

[Li C, Huang Y, Li G, et al.Analysis of the influence of smog on the travel behavior[J]. Journal of Xi'an University of Architecture & Technology, 2015,47(5):728-733. ]

[13]
Eisenberg D.The mixed effects of precipitation on traffic crashes[J]. Accident Analysis & Prevention, 2004,36(4):637-647.Purpose: This paper investigates the relationship between precipitation and traffic crashes in the US during the period 1975–2000. Traffic crashes represent the leading cause of death and injury for young adults in the US, and the ninth leading cause of death for the overall population. Prior studies have found that precipitation raises the risk of traffic crashes significantly. Methods: A negative binomial regression approach is employed. Two different units of analysis are examined: state–months and state–days. The sample includes all 48 contiguous states. Results: A surprising negative and significant relationship between monthly precipitation and monthly fatal crashes is found. However, in the daily level analysis, a strong positive relationship is estimated, as in prior studies. The source of the contrasting results appears to be a substantial negative lagged effect of precipitation across days within a state–month. In other words, if it rained a lot yesterday, then on average, today there are fewer crashes. Additional analysis shows that the risk imposed by precipitation increases dramatically as the time since last precipitation increases. For example, 1 cm of precipitation increases the fatal crash rate for a state–day by about 3% if exactly 2 days have passed since the last precipitation and by about 9% if more than 20 days have passed. This basic pattern holds for non-fatal crashes as well. Conclusions: The lagged effects of precipitation across days may be explained by the clearing of oil that accumulates on roads during dry periods or by the conditioning of people to drive more safely in wet conditions. Either way, policy interventions that prepare drivers more adequately for the risks of precipitation following dry periods are likely to be beneficial.

DOI PMID

[14]
Kamga C, Yazici M A, Singhal A.Hailing in the rain: Temporal and weather-related variations in taxi ridership and taxi demand-supply equilibrium[C]. Proceedings of the Transportation Research Board Annual Meeting, 2013,13:31-31.

[15]
Farber H S.Why you can't find a taxi in the rain and other labor supply lessons from cab drivers[J]. The Quarterly Journal of Economics, 2015,130(4):1975-2026.

DOI

[16]
Chung E, Ohtani O, Warita H, et al.Effect of rain on travel demand and traffic accidents[C]. Proceedings of the IEEE Intelligent Transportation Systems, 2005:1080-1083.

[17]
Federal climate complex data documentation for integrated surface data. Available from

[18]
苏跃江,周芦芦,崔昂.极端天气对城市交通运行的影响分析及对策[J].交通企业管理,2016(10):6-9.正《雅典宪章》明确提出了"居住、工作、游憩和交通"成为城市的四大基本活动。交通在城市生活中扮演着重要的角色,在汽车保有量逐年增长的大环境下,城市交通管理是城市管理者面临的重要问题之一。城市交通管理分为日常管理(常发性事件管理)和应急管理(偶发性事件管理)。目前,针对日常管理已经形成相对健全的管理机制,然而,针对应急管理的响应机制、

DOI

[ Su Y, Zhou L, Cui A.Analysis of the influence of extreme weather on urban traffic[J]. Transportation Enterprise Management, 2016(10):6-9. ]

[19]
张凡,韩志玲,陈艳艳,等.降雨天气下公路出行者出行方式转移模型[J].公路交通科技,2018(6):105-111.降雨会导致公众出行方式选择行为发生改变,出行方式选择行为是交通需求预测的重要基础理论。为探究降雨天气下致使公路出行者出行方式发生转移的影响因素及转移的其他出行方式的概率,以公路出行者在降雨天气下对使用小汽车、高铁、客运班车、飞机或不出行的出行方式选择行为为研究对象,设计并完成降雨天气下公路出行者出行意愿问卷调查(SP调查)。根据不同降雨程度以及出行目,围绕4种场景展开。主要考虑的因素有6种:出行时耗、性别、年龄、职业、出行频次、驾龄。基于出行意愿调查问卷数据,分别构建4种场景下出行方式转移的多项Logistic回归模型,探讨大雨和中雨天气下刚性出行计划和弹性出行计划中以使用小汽车为参照的出行方式转移模型及主要影响因素。模型结果显示,居民的驾龄、出行频次对研究范围出行方式转移模型具有显著影响。而休闲出行计划中,出行时耗的影响变得显著,并且大雨天气下的休闲计划出行中性别亦有显著影响。各因素在不同情景下对出行方式转移模型的影响程度存在明显差异。本研究可以为综合运输网络的交通规划、需求预测以及制定决策提供理论支撑和决策依据。

[ Zhang F, Han Z, Chen Y, Li J, Cui W.A model of highway travelers’ travel mode shift under rainy weather[J]. Journal of Highway and Transportation Research and Development, 2018(6):105-111. ]

[20]
Zhang J, Zheng Y, Qi D.Deep spatio-temporal residual networks for citywide crowd flows prediction[C]. Proceedings of the Thirty-First AAAI Conference on Artificial Intelligence, 2017:1655-1661.

[21]
Analyzing 1.1 billion NYC taxi and Uber trips with a vengeance. Available from nalyzing 1.1 billion NYC taxi and Uber trips with a vengeance. Available from .

[22]
杜轶群. 雾霾对私家车主交通方式选择行为的影响[J].中国公路学报,2014,27(7):105-110.为分析雾霾天气对城市中的私家车主出行方式选择行为的影响，以北京市为例，通过向私家车主发放350份调查问卷获得基础数据，首先利用回归模型进行初步的单因素分析，对空气质量与私家车主交通方式选择的关系进行分析，进而建立包括空气污染程度、公共交通质量等多因素的非集计模型，最后对不同性别私家车主的交通方式偏好进行分析。研究结果表明：随着空气污染程度的提高，私家车主选择公共交通出行的比例逐渐增加，特别是当空气质量指数超过200时，继续选择私家车出行的比例快速减少，而选择公共交通出行的比例相对急速上升；公共交通服务质量的提升可以有效促进私家车主放弃私家车和采用公共交通出行，会争取更多的女性私家车主改用公共交通出行；研究结果对制定更科学的出行政策，优化居民出行方式结构和减少城市空气污染具有指导意义。

[ Du Y.Impact of haze on travel mode choice behaviors for private car owners[J]. China Journal of Highway and Transport, 2014,27(7):105-110. ]

[23]
吴健生,李博,黄秀兰.小城市居民出行行为时空动态及驱动机制研究[J].地球信息科学学报,2017,19(2):176-184.相比于大城市,中小城市在新型城镇化中至关重要,具有独特的居民出行行为特征,但以往的研究并没有得到足够的关注。目前研究主要使用浮动车数据分析特大城市居民的出行行为,但考虑到小城市土地开发强度低、公共交通不发达、研究空间尺度精细等特点,这些研究方法不能完全适用于针对小城市的研究。因此,本文使用小城市出租车GPS轨迹数据识别上下客事件,沿道路生成随机样点采样得到了分时段的上下客密度,并对其时空动态进行描述和表达;筛选出显著影响上下客密度时空分布的9类设施,建立出租车上下客事件的地理加权回归模型;分析了小城市出租车上下客时空动态与各类城市设施的时空关系,发现在工作日与双休日和一天中不同时段中,不同城市设施对上下客事件的影响具有不同的分布规律及其驱动机制。研究结果可为小城市的城市规划和交通需求精细化管理提供参考。

DOI

[ Wu J, Li B, Huang X.Spatio-temporal dynamics and driving mechanisms of resident trip in small cities[J]. Journal of Geo-information Science, 2017,19(2):176-184. ]

[24]
Aaheim H A, Hauge K E.Impacts of climate change on travel habits[J]. International Climate and Environmental Research, 2005,93(2):227-241.

[25]
牟乃夏,张恒才,陈洁,等.轨迹数据挖掘城市应用研究综述[J].地球信息科学学报,2015,17(10):1136-1142.轨迹数据作为泛在地理信息环境中社会遥感数据的主要表现形式之一，为从个体的视角研究群体的空间移动规律，提供了新的数据支撑和研究思路。特别是在当前的大数据背景下，通过轨迹数据发掘人类的移动规律和活动模式，进而探求蕴含的深层次知识，是解决城市问题的重要途径，轨迹数据挖掘也由此成为地理信息科学及相关学科的研究热点。本文首先阐述了人类移动规律研究常用的轨迹数据集及在该数据集上开展的相关研究和典型应用;然后从城市空间结构功能单元的识别及城市韵律分析、人类活动模式的发现与空间移动行为预测、智能交通的时间估算与异常探测、城市计算的其他4个方面，综述了轨迹数据挖掘在城市中的应用;最后，指出了轨迹数据挖掘面临的挑战和进一步的发展方向。

DOI

[ Mou N X, Zhang H C, Chen J, et al.A review on the application research of trajectory data mining in urban cities[J]. Journal of Geo-information Science, 2015,17(10):1136-1142. ]

[26]
Wuhan Land Resources and Planning Bureau. The comprehensive planning of Wuhan[J/OL]. .

[27]
柳雪丽. 特殊气象条件对交通出行安全影响的研究综述[J].智能城市,2017(7):29-31.为研究特殊气象条件对交通出行安全的影响,针对国内外在交通安全影响和安全保障技术方面进行研究,分析了常见灾害性天气对道路交通流和交通出行安全的影响,以及特殊气象条件下交通安全保障技术研究与应用。通过研究不同的天气条件下的道路交通特性,提出了针对特殊天气条件下完善道路交通安全管理的研究方向,为交通安全事故的预警和对策研究提供理论依据。

[ Liu X.Review on the influence of special meteorological conditions for traffic security[J]. Intelligent City, 2017(7):29-31. ]

[28]
WHO. Review of evidence on health aspects of air pollution - REVIHAAP Project 2013 (cited 21 May 2015)[EB/OL]. .

[29]
Yuan H, Zhang Y, Zhou T.A trajectory pattern learning approach based on the normalized edit distance and spectral clustering algorithm[J]. Journal of Computer-Aided Design and Computer Graphics, 2008,20(6):753-758.For the inaccuracy problem of using Euclidean and Hausdorff distances to measure the trajectories' difference,a motion trajectory learning approach is developed based on the normalized edit distance and spectral clustering algorithm.Firstly,the trajectories are recoded through vector quantization.Then,a normalized edit distance is adopted to measure the difference among the trajectories.After that,the spectral clustering algorithm is applied to obtain the trajectories' distribution patterns based on the pair-wise distance matrix.Finally the learned patterns are used to detect the local and global anomaly.Experiments on synthetic and real world data sets demonstrate the effectiveness of our proposed approach to trajectory analysis and anomaly detection.

DOI

[30]
Ward J H.Hierarchical grouping to optimize an objective function[J]. Journal of the American Statistical Association, 1963,58:236-244.A procedure for forming hierarchical groups of mutually exclusive subsets, each of which has members that are maximally similar with respect to specified characteristics, is suggested for use in large-scale (n > 100) studies when a precise optimal solution for a specified number of groups is not practical. Given n sets, this procedure permits their reduction to n 090808 1 mutually exclusive sets by considering the union of all possible n(n 090808 1)/2 pairs and selecting a union having a maximal value for the functional relation, or objective function, that reflects the criterion chosen by the investigator. By repeating this process until only one group remains, the complete hierarchical structure and a quantitative estimate of the loss associated with each stage in the grouping can be obtained. A general flowchart helpful in computer programming and a numerical example are included.

DOI

Options
Outlines

/

〈 〉