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

运用交通运行状况指标分析交通热点时空模式

盛宇裕 毕硕本 范京津 NKUNZIMANAAthanase 许志慧

盛宇裕, 毕硕本, 范京津, NKUNZIMANAAthanase, 许志慧. 运用交通运行状况指标分析交通热点时空模式[J]. 武汉大学学报 ( 信息科学版), 2021, 46(5): 746-754. doi: 10.13203/j.whugis20190357
引用本文: 盛宇裕, 毕硕本, 范京津, NKUNZIMANAAthanase, 许志慧. 运用交通运行状况指标分析交通热点时空模式[J]. 武汉大学学报 ( 信息科学版), 2021, 46(5): 746-754. doi: 10.13203/j.whugis20190357
SHENG Yuyu, BI Shuoben, FAN Jingjin, NKUNZIMANA Athanase, XU Zhihui. Analyzing Spatiotemporal Patterns of Traffic Hotspots Using Traffic Operation Indicators[J]. Geomatics and Information Science of Wuhan University, 2021, 46(5): 746-754. doi: 10.13203/j.whugis20190357
Citation: SHENG Yuyu, BI Shuoben, FAN Jingjin, NKUNZIMANA Athanase, XU Zhihui. Analyzing Spatiotemporal Patterns of Traffic Hotspots Using Traffic Operation Indicators[J]. Geomatics and Information Science of Wuhan University, 2021, 46(5): 746-754. doi: 10.13203/j.whugis20190357

运用交通运行状况指标分析交通热点时空模式

doi: 10.13203/j.whugis20190357
基金项目: 

国家自然科学基金 41971340

详细信息
    作者简介:

    盛宇裕,硕士,研究方向为空间数据挖掘。leonardosid@qq.com

    通讯作者: 毕硕本,博士,教授. bishuoben@163.com
  • 中图分类号: P208

Analyzing Spatiotemporal Patterns of Traffic Hotspots Using Traffic Operation Indicators

Funds: 

The National Natural Science Foundation of China 41971340

More Information
  • 摘要: 城市交通热点是居民出行活动的体现,通过出租车的移动轨迹可以分析城市交通运行状况。目前,相关研究主要集中于GPS采样数据的起讫点(origin destination, OD)估计模型以及轨迹流的提取分析算法,而对交通热点的交互作用和时空模式的研究还很少。以中国江苏省南京市的出租车GPS数据为研究对象,通过轨迹流提取和地图匹配,基于宏观基本图模型构建交通运行状况指标,利用数据挖掘技术分析交通热点时空模式。通过研究发现:(1)南京市交通在早晚高峰时拥堵最严重,并且休息日的交通运行状况要优于工作日;(2)在工作日,停车场和办公楼附近最拥堵;在休息日,商场和居民小区附近最拥堵;(3)交通热点的时空交互特征主要表现在交叉路口附近,并具有显著的时空聚集性差异。上述研究结果可为交通管理部门针对不同时段和路段的交通运行状况进行治理提供帮助,并为建立现代化综合交通运输体系提供依据。
  • 图  1  轨迹流示意图

    Figure  1.  Diagram of Trajectory Flow

    图  2  轨迹流提取步骤

    Figure  2.  Flowchart of Extraction Steps for Trajectory Flow

    图  3  网格化地图编码示意图

    Figure  3.  Diagram of Grid Map Coding

    图  4  MFD模型参数关系图

    Figure  4.  Parametric Relationship of MFD Model

    图  5  不同时段交通运行状况热力图

    Figure  5.  Heat Map of Traffic Operation at Different Times

    图  6  不同节点交通热点聚合图

    Figure  6.  Convergence Maps of Traffic Hotspots at Different Nodes

    图  7  早高峰时段学校节点六边形网格计数覆盖图

    Figure  7.  Hexagonal Mesh Counting Coverage Map of School Nodes in Early Peak Period

    图  8  南京市交通热点局部Moran'I值分布图

    Figure  8.  Local Moran'I Value Distribution Map of Traffic Hotspots in Nanjing

    表  1  交通运行状况指标表

    Table  1.   Traffic Operation Indicators

    指标 畅通 基本畅通 轻度拥堵 中度拥堵 严重拥堵
    平均交通流量/(pcu⋅h-1) [0, 610) [610, 1 200) [1 200, 1 430) [1 200, 1 430) [0, 1 200)
    平均行程速度/(km⋅h-1) ≥70 [57, 70) [40, 57) [20, 40) [0, 20)
    平均密度/(pcu⋅km-1) [0, 9) [9, 21) [21, 36) [36, 58) ≥58
    行程时间比 [1, 1.3) [1.3, 1.6) [1.6, 1.9) [1.9, 2.2) [2, 2.5]
    延误时间比 [0, 0.3) [0.3, 0.5) [0.5, 0.6) [0.6, 0.7) [0.7, 1]
    综合指数 [0, 2) [2, 4) [4, 6) [6, 8) [8, 10]
    下载: 导出CSV

    表  2  不同时段交通运行状况表

    Table  2.   Traffic Operation Indicators at Different Times

    时段 平均交通运行状况指数
    工作日 休息日
    0时-1时 2.4 3.7
    1时-2时 2.0 3.2
    2时-3时 1.4 2.6
    3时-4时 0.8 1.2
    4时-5时 1.3 1.6
    5时-6时 4.1 2.4
    6时-7时 6.7 4.3
    7时-8时 8.6 7.6
    8时-9时 9.5 8.9
    9时-10时 7.3 6.6
    10时-11时 5.2 5.2
    11时-12时 5.8 4.5
    12时-13时 5.7 6.4
    13时-14时 6.2 6.7
    14时-15时 6.5 7.3
    15时-16时 7.0 7.5
    16时-17时 7.9 7.7
    17时-18时 8.5 8.3
    18时-19时 9.4 9.1
    19时-20时 7.6 8.5
    20时-21时 6.4 7.8
    21时-22时 5.2 6.9
    22时-23时 3.7 5.6
    23时-24时 2.8 3.9
    下载: 导出CSV

    表  3  研究区节点覆盖度状况表

    Table  3.   Status of Node Coverage in Study Area

    节点类型 节点个数 节点覆盖度/%
    学校 1 376 71.3
    收费站 35 47.9
    医院 1 881 74.8
    银行 2 284 83.3
    停车场 324 97.3
    酒店宾馆 1 345 85.6
    商场 4 381 71.7
    居民小区 2 161 22.4
    办公楼 462 94.1
    下载: 导出CSV

    表  4  不同节点交通运行状况指数

    Table  4.   Traffic Operation Indicators at Different Nodes

    节点类型 平均交通运行状况指数
    工作日 休息日
    学校 3.1 2.8
    收费站 2.5 2.7
    医院 3.6 3.4
    银行 4.8 5.6
    停车场 8.7 7.3
    酒店宾馆 6.9 6.4
    商场 5.3 8.8
    居民小区 7.3 8.2
    办公楼 8.3 5.2
    下载: 导出CSV

    表  5  早高峰时段学校节点交通运行状况表

    Table  5.   Traffic Operation Status at School Nodes in Early Peak Period

    节点类型 节点个数 交通运行状况指数
    幼儿园 348 3.9
    小学 253 3.2
    中学 173 2.5
    高中 105 2.2
    大学 252 3.0
    其他学校 245 3.1
    下载: 导出CSV

    表  6  基于分级采样的算法性能分析

    Table  6.   Performance Analysis of Algorithm Based on Hierarchical Sampling

    分级采样 数据容量 时间/ms 准确性/%
    原数据 29.8 GB 52.3105 88.2
    轨迹流 2.86 GB 44.8104 94.6
    停留点 2.36 GB 36.3104 97.8
    起讫点 216 MB 32.7103 99.7
    下载: 导出CSV
  • [1] 吴瑞龙, 朱欣焰, 呙维, 等. 城市道路交通事故时空分布模式分析[J]. 测绘与空间地理信息, 2018, 41(7): 103-106 doi:  10.3969/j.issn.1672-5867.2018.07.028

    Wu Ruilong, Zhu Xinyan, Guo Wei, et al. Spatiotemporal Distribution Patterns of Urban Road Traffic Accidents[J]. Geomatics and Spatial Information Technology, 2018, 41(7): 103-106 doi:  10.3969/j.issn.1672-5867.2018.07.028
    [2] 邹超, 吴琳, 李笑语, 等. 南京市交通流与NO2、CO时空分布特征关系研究[J]. 环境科学学报, 2017, 37(10): 3 894-3 905 https://www.cnki.com.cn/Article/CJFDTOTAL-HJXX201710034.htm

    Zou Chao, Wu Lin, Li Xiaoyu, et al. Relationship Between Traffic Flow and Temporal and Spatial Variations of NO2 and CO in Nanjing[J]. Acta Scientiae Circumstantiae, 2017, 37(10): 3 894-3 905 https://www.cnki.com.cn/Article/CJFDTOTAL-HJXX201710034.htm
    [3] 郑宇. 城市计算概述[J]. 武汉大学学报∙信息科学版, 2015, 40(1): 1-13 http://ch.whu.edu.cn/article/id/3172

    Zheng Yu. Introduction to Urban Computing[J]. Geomatics and Information Science of Wuhan University, 2015, 40(1): 1-13 http://ch.whu.edu.cn/article/id/3172
    [4] 赵光辉. 我国大数据交通治理的政策研究[J]. 大数据时代, 2018(9): 24-37 https://www.cnki.com.cn/Article/CJFDTOTAL-DSJD201809006.htm

    Zhao Guanghui. A Study on the Transportation Policy of China's Traffic by Big Data Governance[J]. Big Data Time, 2018(9): 24-37 https://www.cnki.com.cn/Article/CJFDTOTAL-DSJD201809006.htm
    [5] Jenelius E, Koutsopoulos H N. Travel Time Estimation for Urban Road Networks Using Low Frequency Probe Vehicle Data[J]. Transportation Research Part B: Methodological, 2013, 53: 64-81 doi:  10.1016/j.trb.2013.03.008
    [6] Hao Fu, William H K L, Hu Shao, et al. Optimization of Traffic Count Locations for Estimation of Travel Demands with Covariance Between Origin-Destination Flows[J]. Transportation Research Part C, 2019, 108(11): 49-73 http://www.sciencedirect.com/science/article/pii/S0968090X19301160
    [7] Zhao P, Qin K, Ye X, et al. A Trajectory Clustering Approach Based on Decision Graph and Data Field for Detecting Hotspots[J]. International Journal of Geographical Information Science, 2016, 31(7): 1-27 doi:  10.1080/13658816.2016.1213845
    [8] 朱递, 刘瑜. 一种路网拓扑约束下的增量型地图匹配算法[J]. 武汉大学学报∙信息科学版, 2017, 42(1): 77-83 doi:  10.13203/j.whugis20150016

    Zhu Di, Liu Yu. An Incremental Map-Matching Method Based on Road Network Topology[J]. Geomatics and Information Science of Wuhan University, 2017, 42(1): 77-83 doi:  10.13203/j.whugis20150016
    [9] Zhou Y, Fang Z X, Thill J C, et al. Functionally Critical Locations in an Urban Transportation Network: Identification and Space-Time Analysis Using Taxi Trajectories[J]. Computers, Environment and Urban Systems, 2015, 52: 34-47 doi:  10.1016/j.compenvurbsys.2015.03.001
    [10] 秦昆, 周勍, 徐源泉, 等. 城市交通热点区域的空间交互网络分析[J]. 地理科学进展, 2017, 36(9): 1 149-1 157 https://www.cnki.com.cn/Article/CJFDTOTAL-DLKJ201709012.htm

    Qin Kun, Zou Qing, Xu Yuanquan, et al. Spatial Interaction Network Analysis of Urban Traffic Hotspots[J]. Progress in Geography, 2017, 36(9): 1 149-1 157 https://www.cnki.com.cn/Article/CJFDTOTAL-DLKJ201709012.htm
    [11] Lee J G, Han J W, Li X L. Trajectory Outlier Detection: A Partition-and-Detect Framework[C]//The 24th International Conference on Data Engineering, Cancun, Mexico, 2008
    [12] 刘良旭, 乐嘉锦, 乔少杰, 等. 基于轨迹点局部异常度的异常点检测算法[J]. 计算机学报, 2011, 34(10): 1 966-1 975 https://www.cnki.com.cn/Article/CJFDTOTAL-JSJX201110022.htm

    Liu Liangxu, Le Jiajin, Qiao Shaojie. Trajectory Outliers Detection Based on Local Outlying Degree[J]. Chinese Journal of Computers, 2011, 34(10): 1 966-1 975 https://www.cnki.com.cn/Article/CJFDTOTAL-JSJX201110022.htm
    [13] Gormley C, Tong Z. Elasticsearch the Definitive Guide: A Distributed Real-Time Search and Analytics Engine[M]. Boston, MA: O'Reilly Media Inc, 2015
    [14] 韩博洋, 汪兆洋, 金蓓弘. 一种基于轨迹大数据离线挖掘与在线实时监测的出租车异常轨迹检测算法[J]. 中国科学技术大学学报, 2016, 46(3): 247-252 https://www.cnki.com.cn/Article/CJFDTOTAL-ZKJD201603010.htm

    Han Boyang, Wang Zhaoyang, Jin Beihong. An Anomaly Detection Algorithm for Taxis Based on Trajectory Data Mining and Online[J]. Journal of University of Science and Technology of China, 2016, 46(3): 247-252 https://www.cnki.com.cn/Article/CJFDTOTAL-ZKJD201603010.htm
    [15] 中国国家标准化管理委员会. 城市交通运行状况评价规范: GB/T33171-2016[S]. 北京: 中国标准出版社, 2016

    Standardization Administration. Specification for Urban Traffic Performance Evaluation: GB/T22171-2016[S]. Beijing: Standards Press of China, 2016
    [16] Geroliminis N, Daganzo C F. Existence of Urban-Scale Macroscopic Fundamental Diagrams: Some Experimental Findings[J]. Transportation Research Part B: Methodological, 2008, 42(9): 759-777 doi:  10.1016/j.trb.2008.02.002
    [17] 朱琳. 城市快速路交通态势评估理论与方法研究[D]. 北京: 北京交通大学, 2013

    Zhu Lin. Theory and Method Studies on Traffic Situation Assessment for Urban Expressways[D]. Beijing: Beijing Jiaotong University, 2013
    [18] 徐婷. 城市交通拥堵分类研究: 以南京市为例[C]// 2018年中国城市交通规划年会, 北京, 2018

    Xu Ting. Research on Classification of Urban Traffic Congestion: Taking Nanjing City as an Example[C]//The 2018 China Urban Transportation Planning Annual Conference, Beijing, 2018
    [19] 王劲峰, 葛咏, 李连发, 等. 地理学时空数据分析方法[J]. 地理学报, 2014, 69(9): 1 326-1 345 https://www.cnki.com.cn/Article/CJFDTOTAL-DLXB201409008.htm

    Wang Jinfeng, Ge Yong, Li Lianfa, et al. Spatiotemporal Data Analysis in Geography[J]. Acta Geographica Sinica, 2014, 69(9): 1 326-1 345 https://www.cnki.com.cn/Article/CJFDTOTAL-DLXB201409008.htm
    [20] 曲昭伟, 王鑫, 宋现敏, 等. 基于出租车GPS大数据的城市热点出行路段识别方法[J]. 交通运输系统工程与信息, 2019, 19(2): 238-246 https://www.cnki.com.cn/Article/CJFDTOTAL-YSXT201902034.htm

    Qu Shaowei, Wang Xin, Song Xianmin, et al. Urban Hotspot Travel Section Identification Method Based on Taxi GPS Large Data[J]. Journal of Transportation Systems Engineering and Information Technology, 2019, 19(2): 238-246 https://www.cnki.com.cn/Article/CJFDTOTAL-YSXT201902034.htm
    [21] 许俊, 毕硕本, 张悦. 基于PSO-SVM模型的南京市区交叉口交通流分析[J]. 现代电子技术, 2016, 39(17): 128-131 https://www.cnki.com.cn/Article/CJFDTOTAL-XDDJ201617033.htm

    Xu Jun, Bi Shuoben, Zhang Yue. PSO-SVM Model Based Analysis on Traffic Flow of Road Intersections in Nanjing[J]. Modern Electronics Technique, 2016, 39(17): 128-131 https://www.cnki.com.cn/Article/CJFDTOTAL-XDDJ201617033.htm
  • [1] 季航宇, 蔡忠亮, 姜莉莉, 李桂娥, 李伯钊.  出租车出行的空间不平等及其与人口结构的关联 . 武汉大学学报 ( 信息科学版), 2021, 46(5): 766-776. doi: 10.13203/j.whugis20190327
    [2] 付诗航, 刘耀林, 方莹, 杨孝军, 刘艳芳, 彭明军.  基于SCD的公共交通换乘时空模式——以武汉市为例 . 武汉大学学报 ( 信息科学版), 2020, 45(7): 1089-1098. doi: 10.13203/j.whugis20190158
    [3] 涂伟, 曹劲舟, 高琦丽, 曹瑞, 方志祥, 乐阳, 李清泉.  融合多源时空大数据感知城市动态 . 武汉大学学报 ( 信息科学版), 2020, 45(12): 1875-1883. doi: 10.13203/j.whugis20200535
    [4] 姚尧, 张亚涛, 关庆锋, 麦可, 张金宝.  使用时序出租车轨迹识别多层次城市功能结构 . 武汉大学学报 ( 信息科学版), 2019, 44(6): 875-884. doi: 10.13203/j.whugis20170111
    [5] 贾涛, 李琦, 马楚, 李雨芊.  武汉市出租车轨迹二氧化碳排放的时空模式分析 . 武汉大学学报 ( 信息科学版), 2019, 44(8): 1115-1123. doi: 10.13203/j.whugis20170334
    [6] 李锐, 沈雨奇, 蒋捷, 刘朝辉, 吴华意.  公共地图服务中访问热点区域的时空规律挖掘 . 武汉大学学报 ( 信息科学版), 2018, 43(9): 1408-1415. doi: 10.13203/j.whugis20160424
    [7] 龚希, 陈占龙, 谢忠.  出租车轨迹数据的地域间移动模式分析 . 武汉大学学报 ( 信息科学版), 2018, 43(10): 1595-1602. doi: 10.13203/j.whugis20170035
    [8] 唐建波, 刘启亮, 刘博, 邓敏, 黄金彩, 胡卫松.  一种基于重排检验的时空聚类方法 . 武汉大学学报 ( 信息科学版), 2017, 42(4): 503-511. doi: 10.13203/j.whugis20141016
    [9] 万幼, 周脚根, 翁敏.  点集数据不规则形状时空异常聚类模式挖掘研究 . 武汉大学学报 ( 信息科学版), 2017, 42(7): 924-930. doi: 10.13203/j.whugis20150069
    [10] 周洋, 方志祥, 李清泉, 郭善昕.  利用经验约束规则和证据理论进行出租车异常轨迹检测 . 武汉大学学报 ( 信息科学版), 2016, 41(6): 797-802. doi: 10.13203/j.whugis20140221
    [11] 许宁, 尹凌, 胡金星.  从大规模短期规则采样的手机定位数据中识别居民职住地 . 武汉大学学报 ( 信息科学版), 2014, 39(6): 750-756. doi: 10.13203/j.whugis20140085
    [12] 牛瑞卿, 韩舸.  利用数据挖掘的滑坡监测数据处理流程 . 武汉大学学报 ( 信息科学版), 2012, 37(7): 869-872.
    [13] 李德仁, 眭海刚, 单杰.  论地理国情监测的技术支撑 . 武汉大学学报 ( 信息科学版), 2012, 37(5): 505-512.
    [14] 金培权, 张旭, 岳丽华.  NBR-tree:面向城市交通网络的一种新型时空索引 . 武汉大学学报 ( 信息科学版), 2010, 35(2): 147-151.
    [15] 王健, 王翀, 何克清.  RGPS元建模框架在城市交通需求中的应用 . 武汉大学学报 ( 信息科学版), 2008, 33(4): 413-417.
    [16] 喻永平, 陈晓勇, 刘经南, 都洁.  状态扩展元胞自动机模型在时空数据挖掘中的应用 . 武汉大学学报 ( 信息科学版), 2008, 33(6): 592-595.
    [17] 曹雪, 柯长青.  基于TM影像的南京市土地利用遥感动态监测 . 武汉大学学报 ( 信息科学版), 2006, 31(11): 958-961.
    [18] 王树良, 王新洲, 曾旭平, 史文中.  滑坡监测数据挖掘视角 . 武汉大学学报 ( 信息科学版), 2004, 29(7): 608-610,627.
    [19] 刘妙龙, 黄佩蓓.  分形理论在城市交通网络时空演变特征研究中的应用——以上海市为例 . 武汉大学学报 ( 信息科学版), 2003, 28(6): 749-753.
    [20] 孙玉国, 边经卫.  计算机辅助襄樊市城市交通规划 . 武汉大学学报 ( 信息科学版), 1990, 15(1): 48-57.
  • 加载中
图(8) / 表(6)
计量
  • 文章访问数:  791
  • HTML全文浏览量:  248
  • PDF下载量:  87
  • 被引次数: 0
出版历程
  • 收稿日期:  2019-09-18
  • 刊出日期:  2021-05-05

运用交通运行状况指标分析交通热点时空模式

doi: 10.13203/j.whugis20190357
    基金项目:

    国家自然科学基金 41971340

    作者简介:

    盛宇裕,硕士,研究方向为空间数据挖掘。leonardosid@qq.com

    通讯作者: 毕硕本,博士,教授. bishuoben@163.com
  • 中图分类号: P208

摘要: 城市交通热点是居民出行活动的体现,通过出租车的移动轨迹可以分析城市交通运行状况。目前,相关研究主要集中于GPS采样数据的起讫点(origin destination, OD)估计模型以及轨迹流的提取分析算法,而对交通热点的交互作用和时空模式的研究还很少。以中国江苏省南京市的出租车GPS数据为研究对象,通过轨迹流提取和地图匹配,基于宏观基本图模型构建交通运行状况指标,利用数据挖掘技术分析交通热点时空模式。通过研究发现:(1)南京市交通在早晚高峰时拥堵最严重,并且休息日的交通运行状况要优于工作日;(2)在工作日,停车场和办公楼附近最拥堵;在休息日,商场和居民小区附近最拥堵;(3)交通热点的时空交互特征主要表现在交叉路口附近,并具有显著的时空聚集性差异。上述研究结果可为交通管理部门针对不同时段和路段的交通运行状况进行治理提供帮助,并为建立现代化综合交通运输体系提供依据。

English Abstract

盛宇裕, 毕硕本, 范京津, NKUNZIMANAAthanase, 许志慧. 运用交通运行状况指标分析交通热点时空模式[J]. 武汉大学学报 ( 信息科学版), 2021, 46(5): 746-754. doi: 10.13203/j.whugis20190357
引用本文: 盛宇裕, 毕硕本, 范京津, NKUNZIMANAAthanase, 许志慧. 运用交通运行状况指标分析交通热点时空模式[J]. 武汉大学学报 ( 信息科学版), 2021, 46(5): 746-754. doi: 10.13203/j.whugis20190357
SHENG Yuyu, BI Shuoben, FAN Jingjin, NKUNZIMANA Athanase, XU Zhihui. Analyzing Spatiotemporal Patterns of Traffic Hotspots Using Traffic Operation Indicators[J]. Geomatics and Information Science of Wuhan University, 2021, 46(5): 746-754. doi: 10.13203/j.whugis20190357
Citation: SHENG Yuyu, BI Shuoben, FAN Jingjin, NKUNZIMANA Athanase, XU Zhihui. Analyzing Spatiotemporal Patterns of Traffic Hotspots Using Traffic Operation Indicators[J]. Geomatics and Information Science of Wuhan University, 2021, 46(5): 746-754. doi: 10.13203/j.whugis20190357
  • 在社会发展进程中,城市交通对人们生活的影响日益显著,伴随城市规模的持续扩大,由于道路规划落后而造成的交通拥堵和事故等日益增多[1],还引发了能源耗费、空气污染等问题[2]。由于城市路网及其周围空间环境复杂,仅简单增加道路基础设施或限制交通出行,很难从根本上解决城市交通存在的诸多问题[3]。大数据、人工智能和地理信息系统集成,可以促进智慧城市建设,为新时代中国城市交通治理提供一种有效的治理方案[4]。因此,如何获取GPS数据中蕴含的丰富信息显得尤为关键。

    出租车GPS轨迹数据作为一种常用的轨迹数据,具有数据量大、覆盖范围广等优点,已被国内外学者广泛应用于城市交通研究。基于出租车GPS采样数据,文献[5]提出了一种城市道路网形成时间估计模型,文献[6]提出了一种测量起讫点(origin destination,OD)需求方差估计精度的新标准,这些研究大幅提升了路段流量的估计精度。文献[7]提出了一种基于决策图的轨迹聚类算法,文献[8]提出了一种路网拓扑约束下的增量型地图匹配算法,这些研究通过数据场的参数选择降低了GPS采样数据在复杂城市路网下的计算复杂性。文献[9]利用基于地理空间的模糊神经网络方法提取了武汉市出租车运动轨迹,文献[10]利用基于时空数据场的聚类方法提取了武汉市交通热点,这些研究主要是对热点之间的交互作用进行分析,为改善城市交通管理提供了参考。综上,利用GPS轨迹数据对城市交通热点进行研究,对于城市交通管理具有重要的现实意义。

    本文以出租车GPS数据为研究对象,利用局部异常度检验方法提取轨迹流,通过网格化地图编码方式进行地图匹配,根据宏观基本图模型构建交通运行状况指标,对中国江苏省南京市主城区交通热点进行挖掘,并在交通热点时空分布特征的基础上进行时空模式分析。结果表明,南京市交通热点存在时空交互。

    • 南京市位于长江下游平原中部地区,是长三角辐射带动中西部地区发展的重要门户城市。本文选取的研究区范围为118°33′E ~118°55′E、31°51′N ~ 32°15′N,覆盖南京市主城区。

      研究数据主要包括南京市地物要素集数据和南京市出租车GPS数据。其中,南京市地物要素集数据来源于百度地图;南京市出租车GPS数据来源于数据堂(https://www.datatang.com),该数据包含约7 800辆出租车,采样间隔为30 s,随机选取2015年、2016年、2017年连续3 a各一周数据,分别是从1月25日至1月31日、2月2日至2月8日、2月13日至2月19日。在ArcGIS中,采用数据管理工具箱中的常规工具剪除研究区边缘相对独立的部分地物要素和GPS点,确保路段连续且无重复。对于地物要素集数据,采用网络分析工具箱中的OD成本矩阵对路网节点的中心性进行计算,提取道路网络数据集。对于出租车GPS数据集,采用空间分析工具箱中的核密度估计对近似上下客位置分布区间内的轨迹进行计算,提取OD对数据集。

    • 轨迹流是采样点在时间维度和空间维度构成的曲线,每个采样点记录了移动对象的位置、速度、方向和时间等信息,刻画了移动对象在地理空间中一段时间内的移动轨迹,记录了移动对象的历史移动行为[11]。轨迹流示意图如图 1所示。

      图  1  轨迹流示意图

      Figure 1.  Diagram of Trajectory Flow

      轨迹流可以分为两类,第1种类型的轨迹流如图 1中的轨迹流1、2、3、5、6所示,该轨迹流在全局都具有相似的运动特征。这种类型的轨迹流在路段中较为常见,属于正常轨迹,可以直接进行地图匹配。

      第2种类型的轨迹流如图 1中的轨迹流4所示,该轨迹流仅在局部具有相似的运动特征。这种类型的轨迹流在路段中较为罕见,属于异常轨迹,通过异常检验后才可以进行地图匹配。

      对于异常轨迹流检测,往往通过分割轨迹片段的方式来提取轨迹流的特征,但是轨迹流具有局部性、多样性和关联性等特征,使得轨迹流在不同粒度下表现出不同的相似度,进而造成轨迹流的全局特征无法保持一致。如图 1中轨迹流1的全局特征显然与轨迹流6的全局特征相似,而轨迹流1的局部特征L1L2L3L4L5L6L7L8和轨迹流4的局部特征L'1L'2L'3L'4L'5L'6L'7L'8相似,每条轨迹线段均具有相同的长度和方向。由于轨迹1与轨迹4的距离比其与轨迹6的距离更近,从而得出轨迹流1和轨迹流4具有更高相似度的错误结果,这显然与实际情况不符。

      因此,为了解决轨迹流全局特征不一致的问题,本文通过局部异常度检验方法[12],根据每段轨迹的局部异常程度以及轨迹间的相对距离对轨迹流进行检验。具体的轨迹流提取方法如图 2所示。

      图  2  轨迹流提取步骤

      Figure 2.  Flowchart of Extraction Steps for Trajectory Flow

    • 因待匹配的轨迹流和候选路段数据量较大,而二级网格索引可以优化地图匹配效率,故本文通过GeoJSON地理编码[13]方法网格化地图,将经纬度坐标转换为字符串编码,每个编码代表一个正方形区域,如图 3所示。

      图  3  网格化地图编码示意图

      Figure 3.  Diagram of Grid Map Coding

      为了提高地图匹配算法的可扩展性,并进一步提升地理编码的效率,引入图优化的概念。通过Pathlet方法[14]将网格化地图中的轨迹流处理为序列,由多个连续网格组成的字典集包含一条或多条轨迹流,通过有约束的整数线性规划方法来评价地图匹配结果。由于轨迹流可以看作由轨迹点组合而成的轨迹片段,所以动态规划方程的优化目标值可以通过回溯求解最优字典集。

    • 首先,根据《城市交通运行状态评价规范》[15]定义基本交通流参数:平均交通流量、平均行程速度、平均密度,以及其他表征交通流宏观特征的参数:行程时间比、延误时间比。

      平均交通流量采用15 min间隔作为计算基础,计算公式为:

      $$ \bar Q = \frac{1}{{n\tau }}\mathop \sum \limits_{k = 1}^n {Q_k} $$ (1)

      式中,Q为平均交通流量,即每小时标准车辆数,单位为pcu/h;Qk为第k时间间隔的交通流量;n为时间间隔数;τ为时间间隔。

      平均行程速度采用15 min间隔作为计算基础,计算公式为:

      $$ \bar V = \mathop \sum \limits_{i = 1}^n \frac{{{L_{kji}}}}{{{t_{kji}}}} $$ (2)

      式中,V为平均行程速度,即每小时行驶千米数,单位为km/h;Lkji为在第k时间间隔内第i辆车在路段j上的行驶距离;tkji为在第k时间间隔内第i辆车通过路段j的行程时间。

      平均密度采用1 km长度单位作为计算基础,计算公式为:

      $$ K = \frac{N}{L} $$ (3)

      式中,K为平均密度,即每千米标准车辆数,单位为pcu/km;N为某时刻路段上的标准车辆数;L为路段长度。

      行程时间比和延误时间比均采用15 min间隔作为计算基础,计算公式为:

      $$ {I_{kj}} = \frac{{{{\bar t}_{kj}}}}{{t_j^f}} $$ (4)
      $$ {P_{kj}} = \frac{{{{\bar t}_{kj}} - t_j^f}}{{{{\bar t}_{kj}}}} $$ (5)

      式中,行程时间比Ikj和延误时间比Pkj值越大,表示交通运行状况越差,即越拥堵;tkj为第k时间间隔内车辆行驶过路段j所用的平均时间,即$\frac{1}{n}\mathop {\mathop \sum \limits_{i = 0} }\limits^n {t_{kji}}$;tjf为路段j在自由流(每一时间间隔平均行程速度的平均值)状态下的行程时间。

      然后,根据平均交通流量、平均行程速度和平均密度构建交通网络宏观基本图(macroscopic fundamental diagram,MFD)模型[16]。MFD模型参数关系如图 4所示。

      图  4  MFD模型参数关系图

      Figure 4.  Parametric Relationship of MFD Model

      MFD模型参数关系的基本特征为:

      1)当平均密度趋近于0时,平均行程速度趋近于自由流的平均速度Vf,平均交通流量趋近于0。

      当平均密度达到临界密度Km时,平均交通流量达到最大Qm,此时的平均行程速度为临界速度Vm

      3)当平均密度趋近于最大时,即趋近于阻塞密度Kj时,平均行程速度趋近于0,平均交通流量也趋近于0。

      最后,根据MFD模型参数关系,结合行程时间比和延误时间比,建立交通状态综合指数[17],交通运行状况指标如表 1所示。

      表 1  交通运行状况指标表

      Table 1.  Traffic Operation Indicators

      指标 畅通 基本畅通 轻度拥堵 中度拥堵 严重拥堵
      平均交通流量/(pcu⋅h-1) [0, 610) [610, 1 200) [1 200, 1 430) [1 200, 1 430) [0, 1 200)
      平均行程速度/(km⋅h-1) ≥70 [57, 70) [40, 57) [20, 40) [0, 20)
      平均密度/(pcu⋅km-1) [0, 9) [9, 21) [21, 36) [36, 58) ≥58
      行程时间比 [1, 1.3) [1.3, 1.6) [1.6, 1.9) [1.9, 2.2) [2, 2.5]
      延误时间比 [0, 0.3) [0.3, 0.5) [0.5, 0.6) [0.6, 0.7) [0.7, 1]
      综合指数 [0, 2) [2, 4) [4, 6) [6, 8) [8, 10]

      交通运行状况指标的基本特征为:(1)"畅通"表示样本点落在低流量、高速度、低密度区间,基本没有道路拥堵;(2)"基本通畅"表示样本点落在中流量、中高速度、中低密度区间,有少量道路拥堵;(3)"轻度拥堵"表示样本点落在高流量、中速度、中密度区间,部分环路和主干路拥堵;(4)"中度拥堵"表示样本点落在高流量、中低速度、中高密度区间,大量环路和主干路拥堵;(5)"严重拥堵"表示样本点落在中低流量、低速度、高密度区间,大部分道路拥堵。

    • 交通热点与居民出行目的紧密相关,由于居民在不同时段的出行目的不同,从而导致热点在不同时段有不同的分布。本文以15 min间隔为采样基础,每小时进行一次统计,分别对普通工作日和周末休息日进行数据挖掘,以3周数据的平均值来计算交通运行状况指数,如表 2所示。

      表 2  不同时段交通运行状况表

      Table 2.  Traffic Operation Indicators at Different Times

      时段 平均交通运行状况指数
      工作日 休息日
      0时-1时 2.4 3.7
      1时-2时 2.0 3.2
      2时-3时 1.4 2.6
      3时-4时 0.8 1.2
      4时-5时 1.3 1.6
      5时-6时 4.1 2.4
      6时-7时 6.7 4.3
      7时-8时 8.6 7.6
      8时-9时 9.5 8.9
      9时-10时 7.3 6.6
      10时-11时 5.2 5.2
      11时-12时 5.8 4.5
      12时-13时 5.7 6.4
      13时-14时 6.2 6.7
      14时-15时 6.5 7.3
      15时-16时 7.0 7.5
      16时-17时 7.9 7.7
      17时-18时 8.5 8.3
      18时-19时 9.4 9.1
      19时-20时 7.6 8.5
      20时-21时 6.4 7.8
      21时-22时 5.2 6.9
      22时-23时 3.7 5.6
      23时-24时 2.8 3.9

      表 2中可以得出:工作日的交通运行状况,在7时至9时时段和17时至19时时段最拥堵,在2时至5时时段最畅通;休息日的交通运行状况,在8时至9时时段和17时至20时时段最拥堵,在3时至5时时段最畅通。并且在严重拥堵指标方面,工作日的交通运行状况指标明显高于休息日。

      为进一步呈现南京市交通热点的时间分布特征,本文选取了5个具有代表性的时段,基于百度地图应用程序接口(application programming interface,API),对轨迹流进行热力分析,热力半径为1 km,以递进12色进行热度区分,颜色越偏红色表示越拥堵,颜色越偏蓝色表示越畅通,如图 5所示。

      图  5  不同时段交通运行状况热力图

      Figure 5.  Heat Map of Traffic Operation at Different Times

      图 5中可以更清楚地发现,交通热点随时段变化,在上下班高峰期表现较明显,在凌晨时段表现较模糊。其中,高热度区域多出现在龙蟠路、内环北线、中山路、中山东路与内环东线的交叉路、双塘街道、中央门立交桥以及中央路。受长江、玄武湖、紫金山以及明城墙等山水自然条件和历史文化名城保护限制,市区路网密度低且干道间距大,再加之断头路和瓶颈路多,导致路网通行能力较差,所以早高峰时期拥堵严重。

    • 交通热点与城市功能区划紧密相关,由于不同地物有不同的功能,从而导致城市交通运行状况在不同节点有不同分布。本文选取的节点包含了城市主要功能区,涵盖了居民活动的集中区域,大致分为9类:学校、收费站、医院、银行、停车场、酒店宾馆、商场、居民小区和办公楼,所选节点在研究区内均具有较好的覆盖度(见表 3)。

      表 3  研究区节点覆盖度状况表

      Table 3.  Status of Node Coverage in Study Area

      节点类型 节点个数 节点覆盖度/%
      学校 1 376 71.3
      收费站 35 47.9
      医院 1 881 74.8
      银行 2 284 83.3
      停车场 324 97.3
      酒店宾馆 1 345 85.6
      商场 4 381 71.7
      居民小区 2 161 22.4
      办公楼 462 94.1

      分别对普通工作日和周末休息日进行数据挖掘,以3周数据的平均值来计算交通运行状况指数,如表 4所示。

      表 4  不同节点交通运行状况指数

      Table 4.  Traffic Operation Indicators at Different Nodes

      节点类型 平均交通运行状况指数
      工作日 休息日
      学校 3.1 2.8
      收费站 2.5 2.7
      医院 3.6 3.4
      银行 4.8 5.6
      停车场 8.7 7.3
      酒店宾馆 6.9 6.4
      商场 5.3 8.8
      居民小区 7.3 8.2
      办公楼 8.3 5.2

      表 4中可以得出,在工作日,停车场和办公楼附近最拥堵,具体在天安国际大厦、金轮国际广场和银城大厦等停车场,以及苏武写字楼、江苏科技大厦和汇杰广场等办公楼附近表现明显。在休息日,商场和居民小区附近最拥堵,具体在彩霞街菜市场、大洋百货南京店和金鹰国际购物中心等商场,以及高楼门、陈家牌坊和荷花塘等居民小区附近表现明显。

      为进一步呈现南京市交通热点的空间分布特征,本文选取了5个具有代表性的时段,基于百度API对节点进行聚合分析,聚合半径为20 km,以递进12色进行强度区分,颜色越偏红色表示聚合度(单位聚合范围内交通热点个数)越强,颜色越偏蓝色表示聚合度越弱,如图 6所示。从图 6中可以看出,交通热点在不同节点附近的聚合度差异明显,高聚合度节点大多出现在交叉路口和匝道口附近,例如中山路和中山东路交叉口等,以及中山门大街和沪蓉高速连接线匝道口等,表现出交通热点在主干道和快速路之间的交互较多,而在乡镇村道和县道之间的交互较少。该结果与文献[18]研究的交通拥堵分类情况相同,高聚合度节点主要出现在老城干道和进城通道瓶颈处,具有"长期稳定型"和"瓶颈卡口型"拥堵的特征,即交通热点在热力较高区域的节点附近表现出较高的聚合度,这与居民出行模式密切相关,如居民上班时的出行模式是从居住地到工作地,休息时的出行模式是从工作地到周边步行街,下班时的出行模式是从工作地到居住地。此外,由于出租车轨迹相对较长且交互半径范围较大,没有严格的地域界限特征,所以导致在不同时段的交通节点聚合结果会出现部分重叠,这表现了节点的活跃性。

      图  6  不同节点交通热点聚合图

      Figure 6.  Convergence Maps of Traffic Hotspots at Different Nodes

    • 由于城市交通在居民活动和城市区划的相互作用下,同时受到时间和空间变量的影响,在时间和空间尺度上均具有显著的聚集性,所以城市交通热点属于时空事件[19]

      在城市热点的时空分布特征基础上,以工作日早高峰8时至9时时段为例,提取了包含有显著时空聚集性起讫点对的轨迹流,对学校节点进行时空模式分析,如表 5所示。

      表 5  早高峰时段学校节点交通运行状况表

      Table 5.  Traffic Operation Status at School Nodes in Early Peak Period

      节点类型 节点个数 交通运行状况指数
      幼儿园 348 3.9
      小学 253 3.2
      中学 173 2.5
      高中 105 2.2
      大学 252 3.0
      其他学校 245 3.1

      为进一步呈现8时至9时时段学校节点附近交通热点的时空交互特征,本文通过覆盖度(单位覆盖面积内交通热点个数)来分析热点的时空聚集性,基于百度地图API接口,以出租车唯一标识号(identification,ID)为关键字按时间序列对轨迹流进行六边形网格计数,覆盖半径为1 km,以递进的12色进行覆盖度区分,颜色越偏红色表示聚集性越高,颜色越偏蓝色表示聚集性越低,如图 7所示。

      图  7  早高峰时段学校节点六边形网格计数覆盖图

      Figure 7.  Hexagonal Mesh Counting Coverage Map of School Nodes in Early Peak Period

      图 7中可以更清楚地发现,在覆盖度较高的区域,交通热点的时空交互特征显著,在南京市商业幼儿园、石鼓路小学、第一中学、海外工商管理学院、东方金字塔儿童潜能培训学校、江苏省行政学院和江苏省委党校等附近时空聚集性较高。而在覆盖度较低的区域,空间分布特征不随时间变化。

    • 本文不同于文献[20]直接选择道路交叉口为节点,而是在城市功能区的居民活动集中区域,基于MFD模型选取交通流量大、道路通达性好的路口作为节点。因此,本文在对城市热点进行提取时,并非直接选择出租车乘客上下车点进行计算,而是在近似上下客位置分布区间内利用核密度估计的方法提取OD后再进行计算。对GPS数据集分级采样不仅提高了轨迹流提取的计算效率,还提高了地图匹配的准确性,大大降低了内存和算法复杂度,使得算法性能近似于线性增长,优化了城市交通热点的提取与分析。用配置为2.0 GHz处理器和8 GB内存的Windows 10系统电脑进行实验,结果如表 6所示。

      表 6  基于分级采样的算法性能分析

      Table 6.  Performance Analysis of Algorithm Based on Hierarchical Sampling

      分级采样 数据容量 时间/ms 准确性/%
      原数据 29.8 GB 52.3105 88.2
      轨迹流 2.86 GB 44.8104 94.6
      停留点 2.36 GB 36.3104 97.8
      起讫点 216 MB 32.7103 99.7

      本文不同于文献[21]仅通过Moran'I指数来分析空间聚集情况,而是以时空结合角度分析南京市交通热点的时空模式。因此,本文在对城市热点进行分析时,并非直接看空间相关系数误差,而是在时空数据集成的基础上,辅以动态轨迹图等可视化效果进行模拟。本文数据按权重对全局Moran'I指数进行标准化处理后,以局部Moran'I指数值来看,提取出的南京市交通热点的空间分布特征相较于文献[21]的研究更明显,如图 8所示。

      图  8  南京市交通热点局部Moran'I值分布图

      Figure 8.  Local Moran'I Value Distribution Map of Traffic Hotspots in Nanjing

    • 城市交通热点是居民出行活动的体现,通过交通热点之间的时空交互作用进行时空模式分析,基于交通运行状况指标对南京市主城区交通热点进行挖掘。结论如下:

      1) 在时间分布上,交通热点随时段变化,在上下班高峰期的表现较明显,在凌晨时段的表现较模糊。在工作日,交通热点的热度在7时至9时和17时至19时时段最显著;在休息日,交通热点的热度在8时至9时和17时至20时时段最显著。

      2) 在空间分布上,交通热点在不同节点附近表现各异,在主干道和快速路之间交互较多,在乡镇村道和县道之间交互较少。在工作日,拥堵较严重的节点为停车场和办公楼附近;在休息日,拥堵较严重的节点为居民小区和商场附近。

      3) 在时空模式上,以8时至9时时段学校节点附近的交通热点为例,交通热点的时空交互作用随时空聚集性的增高而变强,具有显著正相关性。

      目前,关于城市交通热点的提取与分析的研究还不多,有待基于城市道路网络、功能区划、经济活动等多元数据相集成的空间交互网络的构建,今后还需继续深入挖掘居民出行与城市交通之间的相互影响,进一步从轨迹数据中发现居民出行及其与城市交互的规律。总之,从时间和空间的角度,研究人与城市之间的相互影响和交互作用是下一步的研究方向。

参考文献 (21)

目录

    /

    返回文章
    返回