用出租車GPS數(shù)據(jù)研究分析深圳道路交通情況

1、D 題：用出租車 GPS 數(shù)據(jù)分析深圳道路交通情況各大城市出租車越來越多地安裝了 GPS 終端，這些終端能夠每隔1 分鐘向出租車管理中心發(fā)送本車地位置、速度和方向等信息，是車輛 GPS 實時數(shù)據(jù).原始數(shù)據(jù)主要保存出租車上裝配地 GPS 終端所采集地數(shù)據(jù)，這些數(shù)據(jù)包括序號，車牌號碼，GPS 時間，經(jīng)度，緯度，車輛狀態(tài)(空車、重車)，車輛速度，車輛方向(8 個方向)等信息.附注網(wǎng)站提供了深圳市出租車 GPS 數(shù)據(jù)，從這些數(shù)據(jù)你是否能夠:1. 根據(jù)出租車載客地起訖點，結(jié)合深圳市地交通地圖，恰當(dāng)?shù)貏澐纸煌ㄐ^(qū)，并選擇小區(qū)中地某一點，用其經(jīng)緯數(shù)值作為該小區(qū)地坐標(biāo).2. 根據(jù)小區(qū)劃分和出租車 GPS 數(shù)據(jù)

2、，給出載客出租車地 OD 時空分布.如：某時刻從坐標(biāo)(i, j)到(i, j)、(i , j )地出租車有多少輛.3. 由此，在合理地假設(shè)條件下，能否對人們出行地 OD 時空分布進(jìn)行推斷？4. 根據(jù)出租車載客后地行駛數(shù)據(jù)，篩選出擁堵地路段時段以及擁堵地路口時段.擁堵地標(biāo)準(zhǔn)自己設(shè)定，如某路段在某個時段平均行駛速度小于多少公里/小時（比如，10 公里/小時），可認(rèn)為是擁堵.16 / 16摘要一個完整地城市交通系統(tǒng)非常龐大、復(fù)雜，這種情況使得數(shù)學(xué)建模交通問題分析求解地困難、復(fù)雜度提高，將完整地城市交通系統(tǒng)按照交通流向、路網(wǎng)布局等特性劃分為若干交通小區(qū)，然后對不同地交通小區(qū)進(jìn)行數(shù)學(xué)建模，可以有效地降低

3、這種復(fù)雜性.各大城市出租車越來越多地安裝了 GPS 終端，這些終端能夠每隔 1 分鐘向出租車管理中心發(fā)送本車地位置、速度和方向等信息，是車輛 GPS 實時數(shù)據(jù).原始數(shù)據(jù)主要保存出租車上裝配地 GPS 終端所采集地數(shù)據(jù)目前對于交通小區(qū)地研究主要集中在應(yīng)用層次，本文針對交通出行數(shù)據(jù)地空間分布特征，利用 K-Means 空間聚類算法進(jìn)行交通小區(qū)地自動劃分，為城市交通系統(tǒng)地管理、控制及規(guī)劃提供技術(shù)支持，對交通出行數(shù)據(jù)進(jìn)行優(yōu)化，抽取出租車載客過程中乘客上下車地 GPS 位置坐標(biāo).基于聚類與交通小區(qū)劃分地相似性，采用 K- Means 聚類法進(jìn)行交通小區(qū)地劃分.首先，通過聚類得到交通出行 OD 矩陣，然后

4、據(jù)此劃分出交通小區(qū).基于 Google Maps API，搭建了軟件平臺.通過試驗可以看出，這種動態(tài)劃分方法得到地區(qū)域能夠與現(xiàn)有地交通小區(qū)相吻合.這種高實時地交通小區(qū)劃分方法將對動態(tài)地 OD 估計有著極大地參考價值.關(guān)鍵詞：GPS；交通小區(qū)；K-Means ；空間聚類算法；動態(tài)分析；k 均值聚類；邊界計算一、問題重述各大城市出租車越來越多地安裝了 GPS 終端，這些終端能夠每隔1 分鐘向出租車管理中心發(fā)送本車地位置、速度和方向等信息，是車輛 GPS 實時數(shù)據(jù).原始數(shù)據(jù)主要保存出租車上裝配地 GPS 終端所采集地數(shù)據(jù).問題一，根據(jù)出租車載客地起訖點，結(jié)合深圳市地交通地圖，恰當(dāng)?shù)貏澐纸煌ㄐ^(qū)，并選

5、擇小區(qū)中地某一點，用其經(jīng)緯數(shù)值作為該小區(qū)地坐標(biāo).問題二， 根據(jù)小區(qū)劃分和出租車 GPS 數(shù)據(jù)，給出載客出租車地OD 時空分布.如：某時刻從坐標(biāo)(i, j)到(i, j)、(i , j )地出租車有多少輛.問題三， 由此，在合理地假設(shè)條件下，能否對人們出行地 OD 時空分布進(jìn)行推斷？問題四，根據(jù)出租車載客后地行駛數(shù)據(jù)，篩選出擁堵地路段時段以及擁堵地路口時段.擁堵地標(biāo)準(zhǔn)自己設(shè)定，如某路段在某個時段平均行駛速度小于多少公里/小時（比如，10 公里/小時），可認(rèn)為是擁堵.2、模型假設(shè)一般來說，交通小區(qū)地劃分應(yīng)該遵循以下原則：(1)同質(zhì)性，分區(qū)內(nèi)地經(jīng)濟(jì) 社會等特性盡量一致；(2)小區(qū)劃分盡量不打破行政區(qū)

6、地劃分，以便可以利用行政區(qū)地統(tǒng)計資料；分區(qū)數(shù)量適當(dāng)，中等城市不超過 50 個，大城市最多不超過 100-150 個 數(shù)量太多將加重規(guī)劃地工作量，數(shù)量太少又會降低調(diào)查和分析地精度； (4)對于已做過 OD 調(diào)查地城市，最好維持原已劃分地小區(qū).三、符號說明1. name車牌號2. time 采集時間點(格式：YYYY/MM/DD hh:mm:ss) 3.jd經(jīng)度4. wd緯度5. status車輛狀態(tài)（0非打表，即：空載；1已打表，即：重載）6.v車速（單位為：km/h)7.angle行車方向（0東；1東南；2南；3西南；4西；5西北；6北；7東北）四、問題分析與模型建立4.1 對問題地分析和模型

7、建立4.1.1 交通小區(qū)概念交通小區(qū)是具有一定交通關(guān)聯(lián)度和相似度地節(jié)點或連線地集合，反映 了城市路網(wǎng)交通特征地時空變化特性、交通小區(qū)具有同質(zhì)性、關(guān)聯(lián)性、動態(tài)性、穩(wěn)定性、自組織性等特性.交通小區(qū)地劃分是分析城市交通網(wǎng)絡(luò)地一個很好地方式,因為交通小區(qū)內(nèi)具有相似地交通特征和較強(qiáng)地交通關(guān)聯(lián)性交通小區(qū)地劃分與該城市地人口 面積 經(jīng)濟(jì)特征 產(chǎn)業(yè)結(jié)構(gòu)等密切相關(guān)，并在一定程度上反應(yīng)了一個城市地吸引力4.1.2 交通小區(qū)劃分概況國內(nèi)部分城市在不同時期地交通小區(qū)地平均面積可以看出，單個小區(qū)地平均面積有逐年變小地趨勢，劃分小區(qū)地數(shù)量在逐漸增加，傳統(tǒng)地進(jìn)行交通小區(qū)劃分地方法主要基于大規(guī)模地人工抽樣調(diào)查，這種劃分方法成

8、本高、周期長，調(diào)查地數(shù)據(jù)存在抽樣率低、抽樣統(tǒng)計地精度不高、數(shù)據(jù)更新周期長等問題.由于我國大部分城市正處于快速發(fā)展期， 土地利用不斷變化，人口高速增長，通過這種方式進(jìn)行交通小區(qū)地劃分時效性較差.本文通過交通出行數(shù)據(jù)地聚類運(yùn)算，提供實時地交通原始出租車數(shù)據(jù)小區(qū)地分布狀態(tài)，這種快速、動態(tài)地劃分方法彌補(bǔ)了傳統(tǒng)劃分方式地不足.數(shù)據(jù)預(yù)處理M+包含中心點地數(shù)據(jù)聚類否是交通小區(qū)邊界計算圖 1交通小區(qū)分過程五、模型求解5 .1 基于 K 均值聚類算法地交通小區(qū)劃分方法5.1.1 劃分方法本劃分方法首先對坐標(biāo)數(shù)據(jù)進(jìn)行空間聚類運(yùn)算，得到出行起訖點地OD 矩陣，最后以此為依據(jù)進(jìn)行交通小區(qū)地劃分劃分過程如圖 1 所示.

9、5.1.2 出租車 GPS 數(shù)據(jù)預(yù)處理試驗中所用到地數(shù)據(jù)來源于北京奇華通訊有限公司，主要包括車輛GPS 實時數(shù)據(jù)和車輛類型等相關(guān)數(shù)據(jù)信息，原始數(shù)據(jù)表主要保存了出租車上裝配地GPS 終端所采集地數(shù)據(jù)，這些數(shù)據(jù)包括車牌號時間經(jīng)緯度速度以及該車地空重車狀態(tài)等.由于每天地數(shù)據(jù)量龐大（2.5 千萬條 / 天），基于縮短數(shù)據(jù)查詢時間以及提高整體運(yùn)算性能等方面地考慮，需要對原始數(shù)據(jù)進(jìn)行優(yōu)化.原始數(shù)據(jù)內(nèi)容見表4.表 4原始表據(jù)nametimeJdwdstatusVangle粵B00D102011/04/1800:00:05113.58599923.1332740620粵B4906B2011/04/1800:0

10、0:10113.88836722.780216004粵B00D162011/04/1800:00:04114.05538222.625116052粵B5223B2011/04/1800:00:49114.01363422.665283101粵B5357B2011/04/1800:00:30114.04508222.7112670406粵B5996D2011/04/1800:00:28113.92620822.5657670333粵B6618E2011/04/1800:00:28114.06033322.526083006其中 status 字段代表地是出租車地空重車狀態(tài)，當(dāng)值為 0 時表示車地

11、狀態(tài)為空車，值為 1 時表示車地狀態(tài)為重車當(dāng) status 值由 0 變?yōu)? 時，status 值為 1 地車地位置即為乘客上車時地位置；相反地， 乘客下車時地位置也可以得到 根據(jù)這一特性剔除原始表中地?zé)o用數(shù)據(jù)，優(yōu)化后地數(shù)據(jù)見表 5.表 5優(yōu)化后地數(shù)據(jù)nametimeJdwdstatusVangle粵B00D162011/04/1800:00:04114.05538222.625116052粵2011/04/18114.01322.665101B5223B00:00:49634283粵B5357B2011/04/1800:00:30114.04508222.71126704065.1.3 聚類

12、計算經(jīng)過上一步地數(shù)據(jù)優(yōu)化，即可得到由起訖點數(shù)據(jù)組成地數(shù)據(jù)集，現(xiàn)在需要對這些數(shù)據(jù)進(jìn)行聚類運(yùn)算：一段時間內(nèi)地起點或者訖點被劃分為若干個區(qū)域，每個區(qū)域中地點分布緊湊，區(qū)域與區(qū)域之間自然分開. 本文采用了 K-Means 聚類算法，K-Means聚類算法是一種分割式聚類方法，它是數(shù)據(jù)挖掘技術(shù)中一種經(jīng)典地基于劃分地聚類算法，其目地在于從大量數(shù)據(jù)點中找出具有代表性地數(shù)據(jù)點，即中心點，然后再根據(jù)這些中心點進(jìn)行后續(xù)地處理 K-Means算法采用了迭代更新地運(yùn)算思想，聚類過程如下：首先從 n 個數(shù)據(jù)點隨機(jī)選擇 k 個點作為初始聚類中心；通過運(yùn)算其它點與這些聚類中心點地相似度（距離），將其分別分配給與其相似度最高

13、（距離最近）地中心點所在地聚類；然后對劃分好后地聚類重新運(yùn)算聚類中心.這一過程不斷重復(fù)直到標(biāo)準(zhǔn)測度函數(shù)開始收斂.5.1.4 對區(qū)域數(shù)據(jù)進(jìn)行邊界運(yùn)算聚類運(yùn)算結(jié)束之后，得到若干組包含中心點在內(nèi)地一些坐標(biāo)點，如圖2 所示（點X 表示出租車地坐標(biāo)點，實心圓點表示交通小區(qū)中心）將所有聚類后地坐標(biāo)通過 GIS 平臺輸出，通過這種方式很難看出不同區(qū)域之間地界線 這時需要將區(qū)域地邊界繪制出來.本文采用地邊界運(yùn)算過程如下：首先建立平面直角坐標(biāo)系，將坐標(biāo)系以（0，0）為中心點均分為 n 等份區(qū)域（n 地值將決定邊界運(yùn)算結(jié)果地精度），每個區(qū)域地角度為 360/n，如圖 3 所示圖 3360 度分為 n 份圖 4 距

14、離中心點地距離然后，將某個聚類地點集放入該坐標(biāo)系，使得區(qū)域中心點與坐標(biāo)原點重合，通過計算其它點與中心所形成地角地正余弦，即可得到每個點與中心點所形成地夾角，進(jìn)而將這些點歸入上一步所劃分地區(qū)域. 依次計算第 i 個區(qū)域里每個點距離中心點地距離，記錄距離中心點最遠(yuǎn)地點為 ci，如圖 4 中 P 點等最后，將這所有地 ci 點相連接，即可得到點集地相應(yīng)邊界，如圖 5 所示5.2 試驗平臺搭建與實例分析5.2.1 試驗平臺搭建為了檢驗劃分結(jié)果地準(zhǔn)確度，本文搭建了具有 GIS 功能地試驗平臺平臺，使用 Java 語言進(jìn)行開發(fā)，GIS 功能采用 GoogleMapsAPI 解決方案.平臺通信過程如圖 6

15、所示5.2.2 實例分析通過上述方法，利用 2008 年 8 月 3 號北京市出租車GPS 數(shù)據(jù)進(jìn)行交通小區(qū)地劃分，并將劃分結(jié)果輸出到GIS 平臺上，如圖 7所示可以看出這種動態(tài)劃分方法產(chǎn)生地結(jié)果能夠與現(xiàn)有地部分交通小區(qū)相吻合（標(biāo)注 A 為 CBD 小區(qū)，標(biāo)注 B 為西郊小區(qū)），詳細(xì)地 OD 矩陣數(shù)據(jù)見表 6表 6 中 O 代表起點，D 代表訖點，比如坐標(biāo)位置（2， 5）地值為2，代表某一段時間內(nèi)，共有 2 輛出租車從 5 號區(qū)域前往 2 號區(qū)域， 并且乘客是在 5 號區(qū)域上車，在 2 號區(qū)域下車六、模型評價與推廣6.1 模型評價：本文通過對出租車 GPS 數(shù)據(jù)進(jìn)行聚類運(yùn)算，快速計算出不同時間

16、段內(nèi)出租車載客OD 矩陣，進(jìn)而將劃分好地區(qū)域在 GIS 平臺中顯示出來.從實驗結(jié)果可以看出：這種劃分方法能夠反映出不同時間段內(nèi)交通小區(qū)地絕對動態(tài)性以及相對穩(wěn)定性地特征，對城市交通小區(qū)地劃分具有很高地參考價值.但本文所使用地交通小區(qū)劃分方法也存在一定地不足：首先，劃分算法使用了純粹地 K-Means 空間聚類法，沒有與現(xiàn)有地位置屬性相結(jié)合，比如住宅區(qū)、商業(yè)區(qū)等屬性；其次，算法沒有對出租車地特殊數(shù)據(jù)和異常數(shù)據(jù)進(jìn)行處理，比如紅綠燈停車 GPS 信號機(jī)發(fā)生故障等情況，這些都將影響最終結(jié)果地準(zhǔn)確性；再次，針對特定時間段進(jìn)行交通小區(qū)地劃分更有代表性，比如早晚高峰等，本文沒有對此展開討論，這些都是今后地改進(jìn)

17、方向.6.2 模型推廣：本文中地模型都是在綜合考慮了各種不同情況下得出地滿足實際需求地優(yōu)化模型，因此它地適用性很強(qiáng)，可以推廣到很多類似地現(xiàn)實問題.七、參考文獻(xiàn)1李曉丹,楊曉光,陳華杰.城市道路網(wǎng)絡(luò)交通小區(qū)劃分方法研究.計算機(jī)工程與應(yīng)用， 2009,45(5):19-22.2楊波,劉海洲.基于聚類分析地交通小區(qū)劃分方法地改進(jìn).交通與運(yùn)輸， 2007,(7):23-26.3徐吉謙.交通工程總論.北京:人民交通出版社,2003.4馬超群,王瑞,王玉萍,嚴(yán)寶杰,陳寬民.基于區(qū)內(nèi)出行比例地城市交通小區(qū)半徑計算方法.交通運(yùn)輸工程學(xué)報， 2007,(1):68-72.5張會娜,李楓.OD矩陣估計問題研究綜.

18、預(yù)測技術(shù)，2007,(12):49-51.6張志強(qiáng).人工神經(jīng)網(wǎng)絡(luò)在板形板厚綜合控制中地應(yīng)用研究.秦皇島： 燕山大學(xué)， 2005.7李霞,楊長海.K-Means聚類算法在客戶細(xì)分中地應(yīng)用.五邑大學(xué)學(xué)報,2008,22(4):49-51.8王祝文,劉菁華,任莉.基于K 均值動態(tài)聚類分析地地球物理測井巖性分類方法.華東理工大學(xué)學(xué)報， 2009,32(2):152-156版權(quán)申明本文部分內(nèi)容，包括文字、圖片、以及設(shè)計等在網(wǎng)上搜集整理. 版權(quán)為個人所有This article includes some parts, including text, pictures, and design. Copyr

19、ight is personal ownership.用戶可將本文地內(nèi)容或服務(wù)用于個人學(xué)習(xí)、研究或欣賞，以及其他非商業(yè)性或非盈利性用途，但同時應(yīng)遵守著作權(quán)法及其他相關(guān)法律地規(guī)定，不得侵犯本網(wǎng)站及相關(guān)權(quán)利人地合法權(quán)利.除此以外，將本文任何內(nèi)容或服務(wù)用于其他用途時，須征得本人及相關(guān)權(quán)利人地書面許可，并支付報酬.Users may use the contents or services of this article for personal study, research or appreciation, and other non- commercial or non-profit purposes, but at the same time, they shall abide by the provisions of copyright law and other relevant laws, and sh