智慧城市网

　　【中国安防展览网 企业关注】11月23日，由中国智能交通协会、公安部交通管理科学研究所、国家道路交通管理工程技术研究中心主办的2017’第十二届中国智能交通年会城市交通组织优化与控制论坛上，浙江大学交通研究院王殿海教授发表《基于多源数据的交通分析案例》的演讲，本文为速记整理，未经演讲者本人审核。鸣谢中国智能交通协会提供速记材料。
 

　　王殿海：各位下午好！今天下午我个讲，大家就当是开胃小菜了，后面有大餐。
 

　　多年来，我们一直想做交通评价方面的一个框架，不论是公安交管，还是城市管理都需要这份东西，但苦于一直没有数据，所以一直做不来。本次年会我的命题作文是交通评价，但不敢做这么大的内容，所以就点了“一盘小菜”。首先是建立交通评价的理论框架，其次是供需匹配和运行状态，三是交通系统复杂程度，四是管理的质量。这四方面，我也写了一些理论和过程，做了一个指标体系设计。今天分享几个小案例，和大家共同探讨。
 

　　应用案例1：基于手机信令的公交覆盖评价
 

　　交通评价中一个较重要的内容是城市公交的覆盖，谈公交的服务水平就会谈到公交服务覆概率。这个事情我想用手机信令的数据来评价分析公交覆盖，我们杭州五万多个基站，这是移动基站覆盖的情况，这是手机信令，我们可以把大概六百万左右出行者的运动轨迹描述出来。
 

　　手机信令和公交覆盖是怎么关联的？方圆五百米要有公交站点，是公交覆盖的概念，五百米半径覆盖要占多少？95%，还是？其实这个指标有问题，首先是覆盖面对人的出行吻合不太合适，因为这是空间的半径距离。一般来讲，公交站点覆盖的是二维，但是人出行还有一个时间维度，城市公交覆盖五百米没有时间的概念，这不是一个简单的半径问题，公交服务到底是什么水平？能不能跟手机运行轨迹匹配一下？
 

 

　　我做的就是这个事情。公交站点是有公交服务方向的，手机也有运动方向，和公交站点运动方向匹配。考虑出行习惯的时候，除了要和公交吻合以外，还要和开车一样，比如说开车和公交比较，综合成本考量应该选择什么出行？公交如果能覆盖，需要换乘几次？在这样情况下，就可以估计公交覆盖的情况。这个是我们的结果，实际上早高峰和晚高峰截然不同。
 

 

　　大家看这个图，这个是早高峰，这个是晚高峰，不同颜色公交覆盖的程度是不一样的，这个不直接，下面我们给直接的，左边这个是晚高峰，按手机信令覆盖的话，早高峰、晚高峰大概的覆盖程度是在0.3左右。也就是说公交覆盖与出行不太契合，按手机信令来看只有30%。这张图这个位置是按空间覆盖，接近90%多，但横向看手机信令覆盖是20%多，不到30%。可以得到一个结论，实际坐公交出行比较方便的人只有30%，公交分担率达不到百分之四五十，剩下的一些人要开车，不坐公交，所以公交分担率就上不去。这个分析大的作用，就是按照手机信令运动轨迹来优化公交站点的铺设。
 

　　应用案例2：基于车牌识别数据的在运车辆数计算
 

　　在一个城市里，或者一个路网中，有多少车辆在经常跑？限牌限号都要基于这个数据来做。车牌识别数据是公安交警都有的数据，比如说描述出行轨迹，时空分布，起始点的判断等。研究对象为在机动车道上行驶的城市机动车，以卡口布设点位作为出行的起讫点，将卡口数据按照车牌以时间顺序进行排列，可以得到每辆车经过的地点集合，即每辆车的出行路径。按照一次出行的定义，分别对卡口相邻记录行数据的时空信息进行筛选，将一条出行路径分割为若干次出行，得到出行的O点、中间点、D点以及出发、到达时间。将出行发生量与吸引量按照时间进行累计并做差值，得到任意时刻路网运行车辆数。
 

　　什么意思呢？我们叫打断出行链，如果有长期的数据，可以24小时不停的循环跟踪一辆车的轨迹，区分出不同的机动车出行模式 但是想知道滞留在路网上的车辆数，必须要把这个出行链条打断，什么意思？就是在时空两维意义上的停留，把它提出来，我们就可以计算O和D，进入路网多少车，出了路网多少车，用OD做差。
 

 

　　图上两个颜色，一个蓝色一个是粉色，一个是O，一个是D。从颜色来看，杭州市的几个结点，A点，早上送小孩的时候小高峰，B点上班早高峰，C点限号车带来的高峰，E点是晚上又一个高峰。OD做差得出来这张图就是路网上滞留的车辆数，把限号和不限号的高峰重合在一起了。所以这张路网上，大概只有七千辆左右的车，就形成了所说的堵车。这样的话，24小时都可以知道路上到底有多少车。从而为限号或是限牌决策，提供理论依据。
 

　　通勤车在城市交通当中究竟是起什么作用？我们经常说开车上班是城市交通里的重要组成部分。通过交警的车牌识别数据，我们可以来分析通勤车占的交通比重到底有多大？这件事儿的核心，还是要打断出行链的问题。这是一个比较具有交通涵义的，或者是交通学术意义的问题。怎么打断出行链？打断出行链以后，学术过程就不讲了。关键就是说，我们能打断出行链不要紧，得定义好什么叫通勤？指在工作时段内规律性地往返两地的机动车辆，一定要把通勤的概念搞清楚。除了一般的通勤以外，还有一种是高度依赖型通勤，大部分时间开车，有的是偶尔开车，今天分享的车牌识别分析是高度依赖。高度依赖型通勤是指一个月大概有65%左右的时间是开车上班，20天左右有超过13天是开车上班。
 

 

　　这是我们基于贵阳市2015年12月的卡口数据做的分析，贵阳登记有128万辆车，实际上我们每天能检测到上路的，平均85万。虽然上路未必能被抓拍到，但所有点位都抓不到的概率很低。贵阳高度依赖车辆通勤的大概有16.2万辆车。图上部的是周一到周五全部的车辆，底下的是周一到周五的通勤车辆，曲线是指不同时间占的比例。
 

　　应用案例3：基于电警数据的雨雪天交通运行状态评估
 

　　我们知道，一到下雨天就堵车，能不能用卡口数据分析一下，为什么下雨就堵？好多人说一下雨开车的人就多，后统计出的结果表明这不正确，一个月里面，下雨天和非雨天的车辆数是一样，没什么变化，下雨为什么堵了呢？这个也很容易分析，抓两个特点，一是车头时距怎么变，搞交通的都知道，通过估计饱和车头时据，计算通行能力折减。出行速度的变化，也影响了车辆输入输出的速度。
 

行程时间滤波流程图
 

　　饱和车头时距，这两个图的饱和车头时距不一样，晴天和下雨天差了0.2，损失的通行能力是百分之十几。行驶时间也增加了，一个固定的路程长度，雨天和晴天行驶时间差别很大。不同的雨，不同的雪，不同的天气是不一样的，但我们只找了两个雨天和晴天对比，就已经发现问题了。如果我们有常年的数据积累，会有更多的现象被挖掘出来。
 

　　我就讲这几个小案例，不是交通评价，是交通评价尾巴上的内容。如果要讲交通评价的话，像我前面讲大系统理论上的连接分析，也叫系统分析，现在这个显然不是。我们就做了一点点工作，和大家分享，作为开胃小菜，谢谢！
 

　　原标题 王殿海教授：基于多源数据的交通分析案例