留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

行程时间不确定环境下地点可达性研究

王亚飞 袁辉 陈碧宇 李清泉 万梦 王家耀 郭建忠

王亚飞, 袁辉, 陈碧宇, 李清泉, 万梦, 王家耀, 郭建忠. 行程时间不确定环境下地点可达性研究[J]. 武汉大学学报 ● 信息科学版, 2019, 44(11): 1723-1729. doi: 10.13203/j.whugis20180015
引用本文: 王亚飞, 袁辉, 陈碧宇, 李清泉, 万梦, 王家耀, 郭建忠. 行程时间不确定环境下地点可达性研究[J]. 武汉大学学报 ● 信息科学版, 2019, 44(11): 1723-1729. doi: 10.13203/j.whugis20180015
WANG Yafei, YUAN Hui, CHEN Biyu, LI Qingquan, WAN Meng, WANG Jiayao, GUO Jianzhong. Measuring Place-Based Accessibility Under Travel Time Uncertainty[J]. Geomatics and Information Science of Wuhan University, 2019, 44(11): 1723-1729. doi: 10.13203/j.whugis20180015
Citation: WANG Yafei, YUAN Hui, CHEN Biyu, LI Qingquan, WAN Meng, WANG Jiayao, GUO Jianzhong. Measuring Place-Based Accessibility Under Travel Time Uncertainty[J]. Geomatics and Information Science of Wuhan University, 2019, 44(11): 1723-1729. doi: 10.13203/j.whugis20180015

行程时间不确定环境下地点可达性研究

doi: 10.13203/j.whugis20180015
基金项目: 

国家自然科学基金 41571149

湖北省自然科学基金 2016CFB568

详细信息
    作者简介:

    王亚飞, 博士生, 主要从事时空大数据分析与挖掘等研究。wangyafei@whu.edu.cn

    通讯作者: 陈碧宇, 博士, 副教授。chen.biyu@whu.edu.cn
  • 中图分类号: P208

Measuring Place-Based Accessibility Under Travel Time Uncertainty

Funds: 

The National Natural Science Foundation of China 41571149

the Natural Science Foundation of Hubei Province 2016CFB568

More Information
    Author Bio:

    WANG Yafei, PhD candidate, specializes in spatial-temporal big data analysis and mining. E-mail:wangyafei@whu.edu.cn

    Corresponding author: CHEN Biyu, PhD, associate professor. E-mail: chen.biyu@whu.edu.cn
图(12)
计量
  • 文章访问数:  1083
  • HTML全文浏览量:  104
  • PDF下载量:  187
  • 被引次数: 0
出版历程
  • 收稿日期:  2018-07-10
  • 刊出日期:  2019-11-05

行程时间不确定环境下地点可达性研究

doi: 10.13203/j.whugis20180015
    基金项目:

    国家自然科学基金 41571149

    湖北省自然科学基金 2016CFB568

    作者简介:

    王亚飞, 博士生, 主要从事时空大数据分析与挖掘等研究。wangyafei@whu.edu.cn

    通讯作者: 陈碧宇, 博士, 副教授。chen.biyu@whu.edu.cn
  • 中图分类号: P208

摘要: 在传统可达性度量方法的基础上进行改进,提出了一种行程时间不确定环境下地点时空效用可达性度量方法,考虑了行程时间不确定性以及需求端竞争的时变效应。利用深圳市真实的浮动车数据和在线用户原创内容(user-generated content,UGC)数据对深圳市餐饮可达性分布水平进行了分析,结果表明,所提的可达性度量模型比传统可达性度量模型能更准确地表达城市可达性分布。

English Abstract

王亚飞, 袁辉, 陈碧宇, 李清泉, 万梦, 王家耀, 郭建忠. 行程时间不确定环境下地点可达性研究[J]. 武汉大学学报 ● 信息科学版, 2019, 44(11): 1723-1729. doi: 10.13203/j.whugis20180015
引用本文: 王亚飞, 袁辉, 陈碧宇, 李清泉, 万梦, 王家耀, 郭建忠. 行程时间不确定环境下地点可达性研究[J]. 武汉大学学报 ● 信息科学版, 2019, 44(11): 1723-1729. doi: 10.13203/j.whugis20180015
WANG Yafei, YUAN Hui, CHEN Biyu, LI Qingquan, WAN Meng, WANG Jiayao, GUO Jianzhong. Measuring Place-Based Accessibility Under Travel Time Uncertainty[J]. Geomatics and Information Science of Wuhan University, 2019, 44(11): 1723-1729. doi: 10.13203/j.whugis20180015
Citation: WANG Yafei, YUAN Hui, CHEN Biyu, LI Qingquan, WAN Meng, WANG Jiayao, GUO Jianzhong. Measuring Place-Based Accessibility Under Travel Time Uncertainty[J]. Geomatics and Information Science of Wuhan University, 2019, 44(11): 1723-1729. doi: 10.13203/j.whugis20180015
  • 可达性是交通地理和城市规划中的一个基本概念,在政策制定中具有重要的作用,已广泛应用于多个方面,如交通系统性能评估[1-2]、城市公共服务设施(如城市公园绿地、教育和医疗等)的选址分布和公平性评价等[3-4]。文献[5-6]将可达性分为地点可达性与个人可达性。地点可达性指的是某一特定位置(如家的位置)到城市服务设施或活动点的难易程度[7],常用于交通规划和设施选址等研究中。地点可达性度量方法主要有距离度量法、机会累积法、重力模型法[7-8]。地点可达性具有方法简单、数据需求少、计算量小等优点,但是其度量方法忽略了个体的时空约束,在描述个人的可达性大小时存在不足[7]。个人可达性是以文献[9]提出的时间地理学为基础研究个人在各种时空限制下到达活动地点的能力,是反映个人生活质量一个很好的指标。个人可达性度量方法有时空法和效用法[7, 10-11]。个人可达性常用于特殊群体(女性、残疾人群、低收入人群等)的可达性分析[12]及面向个人的活动地点推荐等,其度量方法需要有个人详细的出行活动日志数据,该类型数据主要是通过问卷调查的方式获取,费时费力,所以,目前大多数可达性研究和应用主要是基于地点可达性度量方法。现有的对地点可达性的研究主要有区域交通可达性研究[1]、城市公共交通可达性研究[2]以及城市公共服务设施(公园绿地、教育和医疗等)可达性研究[3-4]。本文中的可达性指的就是地点可达性。

    地点可达性能使用较少的数据反映城市全局可达性差异,且能很好地被政策制定者解读,因此地点可达性常被用来研究大区域公共资源布局的合理性。然而,现有地点可达性研究中存在若干缺陷。首先,现有的可达性研究中所用到的交通路网行程时间往往采用的是行程时间的均值或者自由流的行程时间[13],忽略了行程时间的不确定性。然而实际中各种突发事件(如交通拥堵)的发生都会造成行程时间的不确定性[14]。其次,设施与客户端供需关系的变化也是影响可达性大小的一个重要因素。在高峰期人口密度大,而设施的服务能力是有限的,此时供给能力达不到需求水平,从而一些人无法及时得到服务,因此在可达性计算时,客户端的竞争因素也是需要考虑的。最后,设施吸引度也是衡量可达性大小的一个重要指标,现有研究在描述设施吸引度时一般用设施的面积、规模、等待时间等来描述[15],但这些指标单独都不能准确反映设施吸引度,需要综合设施各种指标为一个评价值[16]。此外,大量的城市设施位置、类别、规模等属性数据获取也是一个难题。随着信息通信技术和移动定位技术的发展,基于位置的服务(location based services,LBS)为设施信息获取提供了新途径,同时为评价设施吸引度提供了新方法。

    基于此,本文提出了行程时间不确定环境下地点可达性度量方法,利用在线用户原创内容(user-generated content,UGC)数据综合评价设施吸引度,且在可达性计算时考虑了客户端竞争关系的因素,并分析了该因素对可达性的影响。

    • 文献[14]在传统时空棱柱的基础上考虑了行程时间不确定性的影响,提出了一种可靠时空棱柱模型,如图 1所示,其中,trts为个人的出行时间计划,m为个人在设施f的最小停留时间。可靠时空棱柱是在传统时空棱柱基础上考虑了个人出行风险态度,分析不同出行风险态度下的个人可达的时空范围。可靠时空棱柱包含了这样一些时空点:假设个人tr时刻从O点出发,能够在位置x处进行一个停留时间不少于m的弹性活动,且能以α概率在ts时刻返回起点O。可靠时空棱柱在平面空间的投影为可靠潜在路径区域(reliable potential path area,RPPA)。

      图  1  可靠时空棱柱示意图

      Figure 1.  Diagram of Reliable Space-Time Prism

      文献[17]在传统的基于个人的时空棱柱基础上进行扩展,提出了基于地点的反向时空棱柱(reverse space-time prism,RSTP)模型,如图 2所示,其中,trts为个人的出行时间计划,tptq是设施f的开放时间,m为个人在设施f的最小停留时间。反向时空棱柱包含了所有满足如下条件的时空点:个人从某个点出发到营业中的设施f参与停留时间不小于m的活动(如到餐厅就餐),且能在给定的出行时间计划内返回该出发点。反向时空棱柱在平面空间的投影为潜在路径区域(potential path area,PPA)。

      图  2  反向时空棱柱示意图

      Figure 2.  Diagram of Reverse Space-Time Prism

      结合文献[14]提出的可靠时空棱柱模型和文献[17]提出的反向时空棱柱模型,本文提出一种反向可靠时空棱柱(reverse reliable space-time prism, RRSTP)模型,如图 3所示。反向可靠时空棱柱是在反向时空棱柱的基础上考虑了行程时间不确定性的影响,分析不同行程时间可靠度下设施的服务范围。反向可靠时空棱柱在平面空间的投影为RPPA。

      图  3  反向可靠时空棱柱示意图

      Figure 3.  Diagram of Reverse Reliable Space-Time Prism

      假设设施f的开放时间为tptq,个人的出行时间计划为trts,个人由位置x出发,到达设施f进行停留时间不少于m的活动,在ts之前返回x,且最大行程时间为bmax,那么,个人的出行时间b可以表示为:

      $$ b = {t_s} - {t_r} - m $$ (1)

      从位置x到设施f的路径行程时间用Txf表示,由于Txf是一个随机变量,不能确保个人准时到达设施,只是可能到达设施,因此准时到达的概率(用α表示)可以用下面的累积分布函数表示:

      $$ \alpha = {\mathit{\Phi }_{{T^{xf}}}}\left( b \right) = \int_0^{\rm{b}} {f\left( t \right){\rm{dt}}} $$ (2)

      式中,ΦTxf (b)和f (t)分别是行程时间Txf的累积分布函数和概率密度函数。文献[18]又将准时到达概率α ∈ (0,1)称为行程时间可靠度[18]α又表示个人面对迟到风险时的态度,如果α > 0.5,认为个人是风险规避型;如果α = 0.5,认为个人是风险中立型;如果α < 0.5,认为个人是风险偏好型。α值取决于个人的社会经济特点和活动类型[14]

      为了保证α的准时到达概率,个人从位置x到设施f的有效出行时间ΦTxf-1 (α)为行程时间Txfα置信水平下的累积分布函数的反函数,同样的,个人从设施fx的有效出行时间ΦTfx-1 (α)为行程时间Tfxα置信水平下的累积分布函数的反函数。因此,个人到达设施的最早到达时间tfa为:

      $$ t_f^a = {t_r} + \mathit{\Phi }_{{T^{xf}}}^{ - 1}\left( \alpha \right) $$ (3)

      个人为了能够以α概率准时返回x,从设施f的最晚离开时间tfd为:

      $$ t_f^d = {t_s} - \mathit{\Phi }_{{T^{fx}}}^{ - 1}\left( \alpha \right) $$ (4)

      考虑个人最大行程时间bmax,则个人的活动出行时间限制Bfx (α)为:

      $$ C_f^x\left( \alpha \right) = {\rm{min}}\left( {{t_q},t_f^d} \right) - {\rm{max}}\left( {{t_p},t_f^a} \right) \ge m $$ (5)

      考虑个人最大行程时间bmax,则个人的活动出行时间限制Bfx (α)为:

      $$ B_f^x\left( \alpha \right) = \mathit{\Phi }_{{T^{xf}}}^{ - 1}\left( \alpha \right) + \mathit{\Phi }_{{T^{fx}}}^{ - 1}\left( \alpha \right) \le {\rm{min}}\left( {b,{b_{{\rm{max}}}}} \right) $$ (6)

      因此,RPPA可以表示为:

      $$ {\rm{RPPA}} = \left\{ {x|C_f^x\left( \alpha \right) \ge m \wedge B_f^x\left( \alpha \right) \le {\rm{min}}\left( {b,{b_{{\rm{max}}}}} \right)} \right\} $$ (7)

      反向可靠时空棱柱RRSTP是以设施f为中心,考虑到设施f的开放时间为tptq,出行者的个人时间计划为trts,个人从x出发去设施进行停留时间不少于m的活动并且能以α的概率准时返回起点x的时空点,且个人最大出行时间为bmax,则RRSTP用Rf表示:

      $$ \begin{array}{*{20}{c}} {{R_f} = \{ \left( {x,t} \right)|{t_r} \le t \le {t_s},C_f^x\left( \alpha \right) \ge m,B_f^x\left( \alpha \right) \le }\\ {{\rm{min}}\left( {b,{b_{{\rm{max}}}}} \right),{\rm{max}}\left( {{t_p},t_f^a} \right) + m + \mathit{\Phi }_{{T^{fx}}}^{ - 1}\left( \alpha \right) \le {t_s}\} } \end{array} $$ (8)

      图 3所示,反向可靠时空棱柱的大小由个人对可靠度α的要求决定。当α = 0.5时,反向可靠时空棱柱等于文献[17]提出的反向时空棱柱,即文献[17]提出的反向时空棱柱是本文中提出的反向可靠时空棱柱在可靠度α = 0.5时的特例。

    • 本文根据文献[10]的时空效用法可达性模型提出一种基于地点的时空效用可达性度量模型。该模型以反向可靠时空棱柱为基础,综合考虑行程时间不确定性和客户端的竞争因素。对设施f的RPPA内任一位置x,个人从x处到设施f处参与活动又返回起点x获得的收益U (x)可以表示为:

      $$ U\left( x \right) = {\left( {{a_f}} \right)^\delta }{\left( {{c_f}} \right)^\beta }{\rm{exp}}\left( { - \lambda {b_f}} \right),x \in {R_f} $$ (9)

      式中,af是设施f的吸引力;cf是个人在设施f处参与活动的时间;bf是个人从x到设施f行程时间与设施fx的行程时间和;δβλ分别是设施吸引力、活动停留时间和行程时间的敏感系数。x处可能由多个设施的RPPA覆盖,那么x处的可达性为:

      $$ A\left( x \right) = \sum\limits_{\forall f \in F} {{{\left( {{a_f}} \right)}^\delta }{{\left( {{c_f}} \right)}^\beta }{\rm{exp}}\left( { - \lambda {b_f}} \right)} $$ (10)

      式中,A(x)代表x处的可达性值;F是设施的RPPA覆盖x处的所有设施的集合。

    • 考虑了行程时间不确定性的影响后,位置x处的可达性可以表示为:

      $$ A\left( x \right) = \sum\limits_{\forall f \in F} {{{\left( {{a_f}} \right)}^\delta }{{\left( {C_f^x\left( \alpha \right)} \right)}^\beta }{\rm{exp}}\left( { - \lambda B_f^x\left( \alpha \right)} \right)} $$ (11)

      α = 0.5时,个人出行风险态度为中立型,只考虑行程时间的均值,不考虑行程时间不确定性的影响,此时式(11)与式(10)相同。

    • 由于人口密度的变化,个人与设施间的供需关系也会发生变化,没有考虑供需关系(竞争关系)的可达性计算会导致可达性结果的偏差[19]。本文从需求端出发,获取设施服务范围内的人口数,即只考虑了需求端的竞争因素。因此,考虑了需求端竞争因素的设施服务水平可以表示为:

      $$ {O_f} = \eta {\rm{exp}}\left( { - \mu {\rm{ln}}\left( {{P_f}} \right)} \right) $$ (12)

      式中,Of表示设施服务水平;Pf表示在设施服务范围内的人口总数;μη为敏感系数。Pf越大,Of越小,考虑需求端竞争因素的可达性模型可以表示为:

      $$ A\left( x \right) = \sum\limits_{\forall f \in F} {{O_f}{{\left( {{a_f}} \right)}^\delta }{{\left( {C_f^x\left( \alpha \right)} \right)}^\beta }{\rm{exp}}\left( { - \lambda B_f^x\left( \alpha \right)} \right)} $$ (13)

      式(11)是在式(13)中Of = 1下的特例,即不考虑设施服务范围内人口数对可达性的影响。

    • 本文研究区域是中国广东省深圳市。截至2012年末,深圳市常住人口为1 054.74万人,土地面积为1 996 km2,深圳特有的社会经济特点使其成为研究可达性的热点区域。

      本文使用的数据包括深圳市路网数据、浮动车数据、餐饮类兴趣点(point of interest,POI)数据和手机位置数据。深圳市路网数据是城市主干道路网,包括32 066个节点和40 809条边。浮动车数据是从深圳市交通运输委员会获取的2012年3月某一工作日的数据,有14 451辆出租车,包含了48 120 185个GPS采样点,采样频率为25 s,其中,95%的点的定位误差在40 m范围内。

      由于GPS的定位误差,GPS轨迹点偏离了实际行驶的道路,需要先对出租车GPS轨迹数据进行地图匹配处理。地图匹配算法使用多标准动态规划地图匹配(multi-criteria dynamic programming map matching,MDP-MM)算法[20]。再根据地图匹配结果计算每个时段每个路段的平均速度以及行程时间的均值、方差和变异系数(coefficient of variation,CV),得到每个时段的交通时间分布。18:00至19:00时段的速度和CV的空间分布如图 4图 5所示。

      图  4  速度空间分布图

      Figure 4.  Mean Link Speed of Shenzhen Network

      图  5  CV空间分布图

      Figure 5.  CV Distribution of Link Travel Time of Shenzhen Network

      图 4中,晚高峰时段有20.49%的道路出现拥堵,这些道路主要分布在商圈附近。图 5中,道路平均CV值为0.33,其中,13.82%的道路的CV值大于0.5,说明这些路段的行程时间变化比较大,不确定性很高。因此,在进行可达性分析时,考虑行程时间的不确定性是很有必要的。

      餐饮类POI数据是从百度地图上获取的,包含POI的ID、名称、经度、纬度、地址、营业时间、用户评分等信息,共包含6 868个POI,如图 6所示。

      图  6  深圳餐饮类POI分布

      Figure 6.  POI Distribution of Food Service Facilities in Shenzhen

      表示客户端竞争关系的人口数据是利用手机基站定位数据生成的,人口分布以300 m×300 m网格划分, 在18:00至19:00的人口分布如图 7所示。

      图  7  在18:00至19:00时段的人口分布

      Figure 7.  Distribution of Population at 18:00 to 19:00

    • 实验程序使用C#编程语言在Visual Studio 2010下使用ESRI ArcEngine 10.2开发,可达性结果以300 m×300 m网格划分。其中,个人时间计划(trts)为18:00至19:00,最大行程时间bmax为20 min,最小设施停留活动时间m为30 min,参数δβλ分别设置为0.5、0.7和0.9[10]

    • 本文利用在线UGC评分数据表示设施吸引度,评分值在[ 0,10 ]之间,是大量用户对设施评分的均值结果。为了验证UGC评分数据作为设施吸引度指标的有效性,利用式(11)来计算城市可达性分布。行程时间可靠度α为0.5,可达性结果如图 8所示。作为对比,不考虑评分信息将设施吸引度设置为均值a f = 5,可达性结果见图 9所。

      图  8  利用用户评分作为设施吸引度可达性结果

      Figure 8.  Accessibility with User Rating as Facility' Attractiveness

      图  9  传统模拟值作为设施吸引度可达性结果

      Figure 9.  Accessibility with Traditional Fixed Value as Facility' Attractiveness

      图 8图 9可以看出,利用评分作为设施吸引度的可达性值整体上比传统的利用模拟值作为设施吸引度的可达性值要高,能够反映设施间的差别,更加真实地反映城市可达性分布。

    • 为了验证个人出行风险态度对可达性的影响,根据式(11),设置行程时间可靠度α分别为0.3、0.5和0.9,不同可靠度下城市可达性分布如图 10所示。

      图  10  不同可靠度下可达性分布

      Figure 10.  Accessibility Under Various Travel Time Reliability Constraints

      图 10可以看出,不同可靠度下城市可达性分布模式基本一致。当α = 0.5时,个人属于风险中立型,可达性计算时只考虑行程时间的均值而不考虑行程时间的不确定性,城市可达性总值为1.99×107。当α = 0.3时,个人属于风险偏好型,城市可达性总值为2.07×107,和α = 0.5相比,城市可达性总值增加了4.0%。当α = 0.9时,个人属于风险规避型,城市可达性总值为1.75×107,和α = 0.5相比,城市可达性总值降低了12.06%。因此,个人出行风险态度对可达性评估具有显著的影响,在地点可达性计算时,应当考虑行程时间不确定性的影响。当可靠度α从0.5升高到0.9时,可达性下降百分比的空间分布如图 11所示。

      图  11  行程时间不确定性对可达性的影响

      Figure 11.  Impact of Travel Time Reliability on Accessibility

      图 11可以看出,随着可靠度的增加,可达性整体降低了,但各个区域降低的比例不同,中心城区附近的可达性降低的比例较小(如图 11中蓝色椭圆区域),而远离中心城区位置的可达性降低的比例较大。导致这种结果的原因是远离中心城区的位置的餐饮类POI分布稀少,居住在此的人需要出行较远的距离才能有较多的设施可达,当可靠度增加时,活动范围减少了,导致可达的设施显著减少,因此可达性降低比例较大。

    • 为了验证需求端竞争等时变因素对可达性的影响,根据式(13),设置行程时间可靠度α为0.5,参数μη分别设置为0.1和1。考虑需求端竞争关系的可达性结果如图 12所示。

      图  12  考虑需求端竞争关系的可达性结果

      Figure 12.  Accessibility Considering Competition on the Demand Side

      图 8相比,由于考虑了人口分布因素的影响,整体可达性是降低的,特别是中心城区,由于晚高峰时段人数较多,各设施的服务能力下降,导致中心城区的可达性降低明显。因此,考虑了需求端竞争因素的可达性结果更加真实。

    • 本文提出了一种时空效用结合的可靠地点时空可达性度量方法,该方法在传统可达性度量方法上考虑了行程时间不确定性以及需求端竞争等时变因素的影响。利用深圳市真实的浮动车数据和在线UGC数据对深圳市餐饮可达性分布水平进行了实验分析,结果表明,本文提出的可达性度量模型比传统可达性度量模型能更准确地表达城市的可达性分布。下一步的工作将研究多模式(地铁、公交、出租)交通环境下的地点可达性。

参考文献 (20)

目录

    /

    返回文章
    返回