交通状况对出租车运行区域的影响研究

谢耀漩，卢守峰，江勇东，陶黎明

(长沙理工大学交通运输工程学院，湖南 长沙 410004)

交通状况对出租车运行区域的影响研究

谢耀漩，卢守峰，江勇东，陶黎明

(长沙理工大学交通运输工程学院，湖南 长沙 410004)

针对大中城市高峰期间打车难的现象，利用出租车GPS数据，提出了一种量化研究出租车逃离城市拥堵区域的方法。首先采用射线法进行地图匹配，将中心城区路网划分为多个研究区域，利用出租车GPS数据来统计各区域每5 分钟内的累计车辆频数；再利用不同区域间的累计车辆频数比值来描述区域间出租车的流动情况。研究结果表明，出租车在高峰期间存在逃离交通拥堵区域的现象，并且发现出租车逃离拥堵区域的时段相对于社会车辆的高峰期滞后0.5～1.0 h。该研究成果对于掌握出租车运行特性和出租车管理具有一定的借鉴价值。

出租车GPS数据；拥堵逃离；累计车辆频数

Abstract∶In view of the difficulty of finding a taxi during peak hours in large and medium cities, a quantitive method was proposed to study taxis escape from urban congestion areas by using the GPS data of taxis. Firstly, ray method was used for map matching, the road network of central urban was divided into a plurality of research areas, and the taxi GPS data were used to calculate the cumulative vehicle frequency per 5 minutes in each region; Secondly, the cumulative vehicle frequency ratio between different regions was used to describe the flow of the taxis among different regions. The results show that taxis really have the phenomenon of escaping from traffic jams during peak periods, and it is found that the time of taxis fleeing congested areas lags behind 0.5～1.0 h relative to the peak period of social vehicles. The research results have certain reference value for mastering the characteristics of taxi operation and taxi management.

Key words∶GPS data of taxi; escaping from congestion; cumulative vehicle frequency

GPS、北斗等定位设备的普及和自动识别车辆牌照、蓝牙等多种新型检测技术的出现，为掌握交通状态提供了有力的多源数据支撑，大数据时代随之到来。对于出租车GPS数据的应用，国内外学者从多个角度进行了探索。例如，Geroliminis等[1]首次利用出租车GPS数据构建宏观基本图间接估计路网密度。de Fabritiis等[2]提出了基于人工神经网络算法对路段平均速度进行短时预测。Zhan 等[3]根据OD间的出租车GPS数据，利用了一种新的描述性模型来估计路段上的出行时间。吴佩莉等[4]通过拥堵同伴发现算法对拥堵区域进行预测。林树宽等[5]通过建立道路拥堵向量和拥堵矩阵来预测道路交通状态。Kamran等[6]提出了一种利用出租车GPS数据判别因交通事故造成拥堵的方法，并对拥堵路段进行分级。张俊涛等[7]对出租车的不同运行状态下的速度特征进行分析，并基于轨迹分段进行拥堵鉴别。郭雪婷等[8]利用出租车GPS数据建立隶属度模型判别不同时段、不同路段及路口的拥堵状态。李勇等[9]提出了建立在时空约束上的Apriori算法对城市交通的拥堵关联性作出分析。Cai等[10]用回转半径来描述出租车的出行距离，并发现其分布规律介于指数分布和幂律分布之间。李艳红等[11]通过构建出租车的时间分布和空间分布分析方法来研究出租车的出行特性。童晓君等[12]对工作日和非工作日的出租车出行空间分布进行了分析。齐林[13]对出租车的上下客时间分布、载客时长和运行速度等运行特性进行了研究。以上研究主要集中在交通状态的估计与判别、出租车运行的时空分布等方面，关于交通状况对出租车运行的影响方面的研究较少。因此，本文通过分析高峰期间出租车逃离拥堵区域的现象，解释高峰期打车难的问题。

1 地图匹配算法

长沙市出租车GPS每隔30 s上传一次数据，包括时间、经纬度、速度等。研究路网的经纬度通过Google地图获得。由于种种原因，出租车GPS的经纬度和Google路网的经纬度存在误差，因此需要通过地图匹配算法将出租车位置匹配到Google路网中。本文采用射线法进行匹配。

1.1射线法

射线法[14]判定点q是否在几何区域P内的原理是从q点画一条射线，若射线与几何区域P的交点个数为奇数，则点q在几何区域P内；若交点个数为偶数，则点q在几何区域P外。射线法的伪代码如下：

Char InPoly0(tPointi q, tPolygoni P, int n)

{

int i, i1; /*点下标 : i1 = i-1对n取模 */

int d; /* 维数下标 */

double x;/* 边e与x轴的交点坐标 */

int Rcross = 0;/* 交点数量 */

/*通过坐标变换让点q为坐标原点 */

for( i=0; i

for( d=0; d

p[i] [d] = p[i] [d] - q[d];

}

/*判断每个边e=(i-1,i)是否与射线相交. */

}

}

1.2出租车GPS数据地图匹配效果

我们处理长沙市2013年4月22日(星期一)的出租车GPS数据，首先利用米勒投影公式将GPS的经纬度坐标转换为平面距离坐标，坐标转换后各点的空间位置会发生调整，转换后的北侧边界道路为南二环，东侧边界道路为东二环，南侧边界道路为营盘路，西侧边界道路为潇湘路。然后通过射线法对其在长沙市中心城区由营盘路、东二环、南二环、潇湘路组成的路网进行了匹配，匹配结果如图1所示。其中圆圈代表研究范围路段边界，实心点代表出租车位置数据，匹配效果较好。

图1 出租车GPS数据的地图匹配Fig.1 Map-matching of taxi GPS data

2 出租车逃离拥堵区域的现象研究

出租车的运行状态与驾驶员的驾驶行为和路网中乘客的需求分布息息相关，而且出租车总是倾向于行驶在乘客需求较多的路段。但是在高峰期间，出租车司机为避免陷入交通拥堵减少收入，总是倾向于逃离拥堵区域来提高运行效率。根据长沙市的城市结构和经验，我们把图2所示的城市路网根据拥挤程度由内向外划分为3个区域，区域1由五一大道、韶山路、劳动路、芙蓉路围成。区域2由五一大道、曙光路、砂子塘路、黄土岭路、蔡锷路围成。区域3由营盘路、东二环、南二环、潇湘路围成。考虑交通流的稳定性，选取5 min作为数据处理间隔。

图2 路网分区Fig.2 The road network partition

出租车每30秒向基站反馈一次GPS位置，我们可得到一天中每5 分钟 3个区域的累计车辆频数，由图3可知，3个区域的累计出现车辆频数在时间上的趋势大致相近，这说明3个区域的出租车在时间上分布规律比较相近。

图3 各区域累计车辆频数Fig.3 Cumulative vehicle frequency in each region

图4 各区域单位距离累计车辆频数Fig.4 Cumulative frequency of vehicles per unit distance in each region

为进一步研究各区域出租车空间上的分布情况，我们考虑了单位距离的累计车辆频数。如图4所示，区域1和区域2单位距离累计车辆频数相近，而区域3的单位距离累计车辆频数较小。这是因为区域1和区域2靠近市中心，乘客需求量较大；区域3靠近郊区，乘客需求量较小。

出租车在各区域中的时空分布是不均匀的，主要体现在不同时段内各区域的累计车辆频数不守恒，即区域间存在车辆流动现象。如图5所示，我们将区域1每5 分钟的累计车辆频数与区域2每5 分钟的累计车辆频数相除，得到区域1与区域2的频数比值，用符号r12表示，同理得到区域2与区域3的频数比值，用符号r23表示。

图5 各区域累计车辆频数比Fig.5 The ratio of cumulativevehicles frequency in different regions

通过r12可以看出，在平峰期间，区域车辆频数比值波动总是接近于均值1.15，这说明区域1和区域2间相互流动的出租车车辆数基本平衡，交通状态比较稳定。在高峰期间，区域车辆频数比值远小于均值，即区域1流入区域2的出租车数量远大于区域2流入区域1的出租车数量，这是由于高峰期间，区域1比区域2更为拥堵，出租车为提高运行效率而逃离拥堵区域。另外，据实际调查，长沙市的早高峰为7:30—9:30，晚高峰为17:30—19:30，而出租车的逃离拥堵区域的时间集中在8:30—10:30和18:00—20:00。由此可看出出租车的逃离拥堵区域行为存在滞后性，出租车已处于高峰期的拥堵路段，但出租车需结束当前行程后驶离拥堵区域。

根据表1，我们通过公式(1)来计算出租车逃离拥堵区域的比例p，可得出8:30—10:30期间约9.1%的出租车由区域1流入区域2，18:00—20:00期间约8.5%的出租车由区域1流入区域2。

(1)

其中，p为出租车从区域i流入区域j的比例；rij(k)为第k个时间段区域i与区域j的频数比；mij为全天区域i与区域j的频数比的均值；n1为研究起始时间段；n2为研究终止时间段；

由r23可以看出，区域2到区域3的出租车逃离拥堵现象主要集中在早高峰期间，且也存在滞后现象，而晚高峰期间逃离现象不明显。通过r12和r23的对比可知，r23的波动较小，即区域2向区域3车辆流动的现象弱于区域1向区域2车辆流动的现象。这说明了出租车越靠近市中心，逃离拥堵区域的现象越明显。随着服务区域不断远离市中心，出租车的运行受交通拥堵的影响逐渐减弱。

表1 各时段区域1与区域2的频数比

注：全天区域1与区域2的频数比的均值为1.15。

3 结论

本文利用射线法将出租车GPS数据进行地图匹配，对长沙市中心城区路网进行分区域划分，以5 min为时间间隔，通过出租车在一天中的时空分布研究出租车逃离拥堵区域的现象。主要得到以下几点结论：(1)通过各区域的累计车辆频数的统计分析，发现各区域的出租车在时间上分布具有相同的趋势。城市中不同区域的交通状况虽然不同，但利用出租车运行状态可以描述交通状况。(2)通过各区域的单位距离累计车辆频数的统计分析可知，越靠近市中心的区域单位距离累计车辆频数越高，即出租车总是倾向于行驶在乘客需求较多的区域。(3)利用不同区域车辆频数比r12、r23可看出，出租车在高峰期间存在逃离拥堵区域的现象，且出租车逃离现象时间上相对于社会车辆高峰期存在滞后性。本文用不同区域间的出租车流动判别高峰期的拥堵逃离现象，但未考虑出租车的OD分布情况，今后将在这方面进一步研究。

[1]GEROLIMINIS N, DAGANZO C F. Existence of urban-scale macroscopic fundamental diagrams: Some experimental findings[J]. Transportation Research Part B: Methodological, 2008, 42(9): 759-770.

[2]de FABRITIIS C, RAGONA R, VALENTI G. Traffic estimation and prediction based on real time floating car data[C]//11thInternational IEEE Conference on Intelligent Transportation Systems, 2008.[S.l.]:IEEE, 2008.

[3]ZHAN X Y, HASAN S, UKKUSURI S V, et al. Urban link travel time estimation usinglarge-scale taxi data with partial information[J]. Transportation Research Part C: Emerging Technologies, 2013, 33: 37-49.

[4]吴佩莉, 刘奎恩, 郝身刚,等. 基于浮动车数据的快速交通拥堵监控[J].计算机研究与发展， 2014,51(1):189-198.

[5]林树宽, 于伶姿, 乔建忠,等. 基于GPS轨迹数据的拥堵路段预测[J]. 东北大学学报(自然科学版), 2015, 36(11):1530-1534.

[6]KAMRAN S, HAAS O. A multilevel traffic incidents detection approach: Identifying traffic patterns and vehicle behaviours using real-time gps data[C]//2007 IEEE Intelligent Vehicles Symposium. [S.l.]:IEEE, 2007.

[7]张俊涛, 李志勇, 张浩,等. 利用出租车轨迹数据估计城市道路拥堵状况[J]. 测绘工程, 2016, 25(9):68-72.

[8]郭雪婷, 秦艳丽, 雷震. 基于出租车GPS数据的城市道路拥堵判别[J]. 交通信息与安全, 2013, 31(5):140-144.

[9]李勇.基于出租车 GPS 数据的城市交通拥堵识别和关联性分析[D].哈尔滨：哈尔滨工业大学, 2016.

[10]CAI H, ZHAN X W, ZHU J, et al. Understanding taxi travel patterns[J]. Physica A Statistical Mechanics & Its Applications, 2016, 457:590-597.

[11]李艳红, 袁振洲, 谢海红,等. 基于出租车OD数据的出租车出行特征分析[J]. 交通运输系统工程与信息, 2007, 7(5):85-89.

[12]童晓君, 向南平, 朱定局. 基于出租车GPS数据的城市居民出行行为分析[J]. 电脑与电信, 2012(z1):56-59.

[13]齐林. 基于GPS数据的出租车交通运行特性研究及应用[D].哈尔滨：哈尔滨工业大学, 2013.

[14]O’ROURKE J, Computational geometry in C[M].Second Edition. NY, US: Cambridge University Press，1998.

The influence of traffic states on the taxi running areas

XIE Yao-xuan,LU Shou-feng,JIANG Yong-dong,TAO Li-ming

(School of Traffic and Transportation Engineering, Changsha University of Science and Technology，Changsha 410004,China)

U491.1+12

A

1002-4026(2017)05-0079-07

10.3976/j.issn.1002-4026.2017.05.013

2017-04-24

湖南省教育厅优秀青年项目(15B011)

谢耀漩(1991—)，女，硕士研究生，研究方向为交通管理。

*通信作者，卢守峰(1978—)，男，教授，研究方向为交通流理论、交通管理与控制。E-mail：6360580@qq.com