CN103218672A - 一种基于gps数据网格统计的出租车巡航行为分析方法 - Google Patents

Abstract

本发明公开了一种交通行为研究领域的基于GPS数据网格统计的出租车巡航行为分析方法。基于出租车行驶轨迹GPS数据识别巡航点，分析巡航点的空间分布特征，生成前一日的载客点以及代表用地、人口、路网等因素的背景信息点，采用网格分析技术，化空间点数据为基于网格的点频率数据，构建零膨胀负二项模型（Zero-inflated Negative binomial，ZINB），分析历史载客点信息、背景信息、巡航点的空间自相关性对出租车巡航点选择行为的影响，总结出租车的巡航策略。方便进一步的出租车交通行为仿真，为优化出租车的巡航行为、解决巡航导致的道路资源浪费、燃油消耗和环境污染提供有效途径。

Description

一种基于GPS数据网格统计的出租车巡航行为分析方法

技术领域

本发明涉及的是一种交通行为研究领域的出租车出行行为分析方法，具体是一种基于GPS数据网格统计的出租车巡航行为分析方法。

背景技术

出租车是一种重要的城市交通工具，出租车的巡航行为分析是交通行为研究领域的一项重要课题。巡航行为指出租车在空载情况下寻找乘客时的运行行为。目前我国大中城市的出租车已普遍安装了车载GPS设备，这为巡航数据的采集提供了方便。借助网格技术和空间点建模分析手段对出租车GPS巡航数据进行处理和分析，总结出租车的巡航行为特点，可以为优化出租车的巡航路线、提高巡航效率，解决巡航导致的道路资源浪费、燃油消耗和环境污染提供有效途径。另外，基于GPS数据的出租车巡航点空间分析方法研究也可以为城市出租车服务区的位置设定以及电话叫车服务系统中出租车集散点的空间布局提供理论基础和技术工具，以提高出租车运营效率和服务水平，降低运营成本。

目前国内外应用出租车GPS数据的交通行为研究多数为路网交通量预测研究，对于出租车巡航行为的研究还较少，尤其国内此方面的研究处于起步阶段。在方法上主要借助交通仿真手段，对巡航策略的设置比较简单，即遵循司机的历史载客点信息和路网信息。对于城市的用地、人口分布等对潜在的乘客乘车地点有影响的因素以及巡航点之间在空间上的相互吸引或排斥影响（也称为巡航点的空间自相关影响）等因素，运用交通仿真手段较难考虑。目前相关研究存在的局限性可总结如下：

（1）没有考虑城市用地属性、人口分布、巡航点的空间自相关性等因素对出租车巡航点选择行为的影响；（2）缺乏应用实际数据进行的出租车巡航策略的研究，无法验证所设置的巡航策略的有效性；（3）出租车巡航点与相关影响因素点的空间分布的相关性研究是获得出租车巡航策略的基础方法，是进行出租车巡航行为交通仿真等相关研究的基础，但此方面的研究目前还未得到重视。

发明内容

本发明针对现有技术存在的上述不足，提供一种进行出租车巡航行为分析的方法，基于出租车行驶轨迹GPS数据，识别巡航点、载客点，生成代表用地、人口、路网等因素的背景影响点数据，采用网格分析方法，分析巡航点的空间分布特征，建立零膨胀负二项模型（Zero-inflated Negative binomial，ZINB），分析用地、人口、路网等背景信息、司机的历史载客点信息以及巡航点的空间自相关性对巡航点选择行为的影响，分析出租车的巡航策略。

本发明是通过以下技术方案得以实现的，参照图1，本发明至少包括以下步骤：

第一步、获取GPS数据

获取出租车行驶轨迹GPS数据，选择任意两个连续工作日的数据作为待研究基础数据；

第二步、转换数据格式

将基于GPS的地理坐标数据转换为大地坐标数据；

第三步、筛选数据

设定数据筛选原则，进行数据筛选和清理；

第四步、划分网格

将研究区域划分为若干正方形网格，网格边长用以下公式计算：

$a=\sqrt{2A/Q}$

其中a为网格边长，A为研究区域面积，Q为平均每台车每日的GPS行驶轨迹点个数；

第五步、筛选网格

核查研究区域的整体用地属性，识别湖泊、公园等出租车无法驶入区域所在的网格，从网格图中去除这些网格，仅保留有效网格；

第六步、生成巡航点数据和载客点数据

筛选出GPS数据中载客状态为0（即空载）的数据，生成巡航点数据。筛选出GPS数据中载客状态由0变为1的数据，生成载客点数据；

第七步、生成背景点数据

搜集有关城市用地密度、路网布局、人口分布等背景信息，生成背景点数据；

第八步、生成网格数据

将巡航点数据、载客点数据和背景点数据投射到网格中，计算研究区域内每一网格的如下数据项：后一日全部车辆的巡航点数之和、前一日全部车辆的载客点数之和、背景点数，生成在列方向包括这三项数据、在行方向的记录条数为区域有效网格总数的网格数据库；

第九步、计算巡航点的空间自相关影响值

对于任意网格（记为网格i），计算除网格i外其他所有网格（记为）的巡航点数对网格i巡航点的空间影响值，即巡航点的空间自相关影响值，计算方法为：

W_i＝D_i·T^T

其中，W_i为其他网格中巡航点对网格i中巡航点的空间自相关影响值，i=1…n，n为网格总数，T为由所有网格的巡航点数组成的向量，D_i为其他所有网格对网格i影响的空间权重矩阵，由网格i与任意网格

之间的空间相关权重D_ij组成，D_ij由下式计算：

$D_{\mathrm{ij}}=\frac{1}{d_{\mathrm{ij}}}$

其中d_ij为网格i与j之间的空间距离，i,j=1…n，网格i自身的空间自相关影响值D_ii为0。

第十步、建立和标定ZINB模型

以任意网格i的巡航点数为应变量，以网格i的背景点数、前一日的载客点数和巡航点的空间自相关影响值为自变量，应用网格数据库，建立Zero-inflated Negative binomial模型，进行参数标定和检验。

第十一步、分析巡航策略

比较分析模型的参数标定值，对比分析历史载客点信息、背景信息、巡航点的空间自相关性三个因素对巡航点空间分布的影响，总结出租车的巡航策略。

所述的第三步中数据筛选原则为：

1）核查各台车的数据是否有缺项，选择没有缺项的车辆数据；

2）确定待研究空间整体区域范围，去除区域范围外的数据；

3）如果同一台车连续2分钟以上采集的数据点均为同一经纬度点，则去掉此经纬度点2分钟以外的记录。

所述的第七步背景点数据生成方法为：将出租车行驶轨迹GPS数据库中各日所有车辆的载客点数据整合并投射到研究区域中，生成背景点数据，代表城市用地密度、路网布局和人口分布等背景因素对巡航行为的整体影响。

所述的第十步中Zero-inflated Negative binomial模型由Count和Zero两部分模型组成，其中主要应用Count模型进行巡航策略分析，Count模型的期望计数μ_i按如下函数计算：

log(μ_i)＝β+β_LL_i+β_YY_i+β_WW_i+ε_μ

其中L_i和Y_i分别为网格i的背景点数和前一日的载客点数；W_i为其他网格中巡航点对网格i中巡航点的空间自相关影响值，也叫巡航点的空间自相关性；T是由所有网格巡航点数组成的向量；β、β_L、β_Y和β_W为待标定参数，ε_μ为随机误差。

有益效果：

与现有技术相比本发明的有益效果是：

1.本发明所述的基于GPS数据网格统计的出租车巡航行为分析方法不但考虑了出租车司机的历史载客点信息，而且考虑了土地利用、人口、路网密度等背景因素以及巡航点的空间自相关性对出租车巡航行为的影响；

2.本发明所述的基于GPS数据网格统计的出租车巡航行为分析方法应用零膨胀负二项模型实现了出租车巡航点网格分布数据的拟合，解决了出租车巡航点空间分布聚集性强、大部分网格点数记录为0的问题；

3.本发明所述的基于GPS数据网格统计的出租车巡航行为分析方法应用网格分析技术化空间点数据为基于网格的点频率数据，化空间点分析问题为数据的模型拟合问题，不但考虑了空间多平面间的相关关系，更实现了应用多条网格记录进行巡航策略拟合的目的。

附图说明

图1是本发明的总体流程图；

图2是本发明的实施例中深圳市区域划分和路网布局图；

图3是本发明的背景点密度分布图；

图4是本发明的网格、巡航点、载客点和背景点的示意图。

具体实施方式

下面结合附图对本发明作详细的描述：

本发明对基于GPS数据网格统计的出租车巡航行为分析方法中的相关概念说明如下：

1.巡航点的定义

指出租车空载并寻找乘客时的行驶轨迹点。

2.载客点的定义

指出租车接到乘客时的轨迹点，也即其行驶状态由空载变为满载时的轨迹点。

3.历史载客点信息

指出租车司机之前接到过乘客的地点信息，在本发明中用前一日的载客点分布表示。

4.巡航点的空间自相关性

指在研究的空间区域范围内的巡航点自身的观测数据之间存在的空间相关性，可以表现为空间上的相互吸引或排斥。具体指空间内其他所有网格的巡航点数对网格i巡航点数的影响值。例如司机如果愿意在网格i的周边相邻网格巡航则也愿意在网格i巡航，即周边相邻网格对网格i有正的空间自相关影响。

一种基于GPS数据网格统计的出租车巡航行为分析方法，至少包括以下步骤：

第一步、获取GPS数据：获取出租车行驶轨迹GPS数据，选择任意两个连续工作日的数据作为待研究的基础数据。

第二步、转换数据格式：将基于GPS的地理坐标数据转换为大地坐标数据；

第三步、筛选数据：设定数据筛选原则，进行数据筛选和清理；

所述的数据筛选原则为：

1）核查各台车的数据是否有缺项，选择没有缺项的车辆数据；

2）确定待研究空间整体区域范围，去除区域范围外的数据；

3）如果同一台车连续2分钟以上采集的数据点均为同一经纬度点，则去掉此经纬度点2分钟以外的记录；

所述的数据项及数据示例见下表

车牌号	日期	时间	X坐标	Y坐标	载客状态	速度	角度
								粤000H7	2011.4.18	00:37:03	203.6783	2499.3193	0	31	6
粤000H7	2011.4.18	00:37:33	203.6724	2499.2585	1	43	5
								粤000H7	2011.4.18	00:38:03	203.6701	2499.2215	1	18	5
…	…	…	…	…	…	…	…

注：载客状态为0表示空载（没有乘客），为1表示满载（有乘客）

第四步、划分网格：计算空间网格大小，将研究区域划分为若干正方形网格；

所述的网格大小计算方法为：计算待研究区域的空间面积，统计平均每台车每日的GPS数据点个数，应用下式计算网格边长，

$a=\sqrt{2A/Q}$

其中A为研究区域面积，Q为平均每台车每日的GPS行驶轨迹点个数；

应用此方法将待研究区域划分为边长为a，面积为a×a的若干网格；

第五步、筛选网格：核查研究区域的整体用地属性，识别湖泊、公园等出租车无法驶入区域所在的网格，从网格图中去除这些网格，仅保留有效网格；

第六步、生成巡航点数据和载客点数据

筛选出GPS数据中载客状态为0（即空载）的数据，生成巡航点数据。筛选出GPS数据中载客状态由0变为1的数据，生成载客点数据；

第七步、生成背景点数据：识别载客点数据，搜集有关城市用地密度、路网布局、人口分布等背景信息，生成背景点数据；

由于有关城市用地密度、路网布局、人口分布等背景信息的数据格式一般不统一，经常有非矢量图文件、线型矢量图文件等形式的数据存在，比较难统一整合成建模所用的点型矢量图文件，可以应用出租车行驶轨迹GPS数据，通过计算和转化，以近似替代背景数据，以便建模应用。具体方法为：将出租车行驶轨迹GPS数据库中各日所有车辆的载客点数据整合并投射到研究区域中，生成背景点数据，代表城市用地密度、路网布局和人口分布等背景因素对巡航行为的整体影响；

第八步、生成网格数据：将巡航点数据、载客点数据和背景点数据投射到网格中，计算研究区域内每一网格的如下数据项：后一日全部车辆的巡航点数之和、前一日全部车辆的载客点数之和、背景点数，生成在列方向包括这三项数据、在行方向的记录条数为区域有效网格总数的网格数据库；

第九步、计算巡航点的空间自相关影响值

对于任意网格（记为网格i），计算除网格i外其他所有网格（记为

）的巡航点数对网格i巡航点的空间影响值，即巡航点的空间自相关影响值，计算方法为：

W_i＝D_i·T^T

其中，W_i为其他网格中巡航点对网格i中巡航点的空间自相关影响值，i=1…n，n为网格总数，T为由所有网格的巡航点数组成的向量，D_i为其他所有网格对网格i影响的空间权重矩阵，由网格i与任意网格

之间的空间相关权重D_ij组成，D_ij由下式计算：

$D_{\mathrm{ij}}=\frac{1}{d_{\mathrm{ij}}}$

其中d_ij为网格i与j之间的空间距离，i,j=1…n，网格i自身的空间自相关影响值D_ii为0。

第十步、建立和标定ZINB模型

以任意网格i的巡航点数为应变量，以网格i的背景点数、前一日的载客点数和巡航点的空间自相关影响值为自变量，应用网格数据库，建立零膨胀负二项模型，标定模型中的参数，进行模型检验；

选择零膨胀负二项模型的原因是根据应用出租车巡航点数据进行的各项指标的计算和分析，获知出租车巡航点的空间分布特征为点的空间分布极其不均衡，呈现高度的空间聚集状态，且巡航点数为0的网格数占总网格数的50%以上。具体的计算指标为：巡航点数为0的网格数、网格的平均巡航点数（Mean）、网格的最小巡航点数（Min）、网格的最大巡航点数（Max）、各网格巡航点数的方差（Var）、均值方差比Mean/Var。按下列条件判断巡航点的空间分布特征：

零膨胀负二项模型适合对样本为0数非常多，且样本聚合度高的数据进行拟合。它由点数为零模型和计数模型两部分组成，分别拟合网格点数是否为0和网格计数。模型的基本结构为：

$f\left(y_i\right)=\left\{\begin{array}{cc}{p}_i+(1-p_i)q\left(0\right|{\mathrm{\μ}}_i,\mathrm{\θ})& y_i=0\\ (1-p_i)q\left(y_i\right|{\mathrm{\μ}}_i,\mathrm{\θ})& y_i=\mathrm{1,2},...\end{array}\right.$

其中y_i是网格i的巡航点数，p_i和1-p_i分别为网格i的巡航点数为0或非0的概率（0≤p_i≤1），p_i是点数为零模型的结果，q(y_i|μ_i,θ)是计数模型的结果。

点数为零模型的p_i依据下式计算：

$\log \left(p_i\right)=\log \frac{p_i}{1-p_i}=\mathrm{\γ}+{\mathrm{\γ}}_L{L}_i+{\mathrm{\γ}}_Y{Y}_i+{\mathrm{\γ}}_W{W}_i+{\mathrm{\ϵ}}_p$

其中L_i和Y_i分别为网格i的背景点数和前一日的载客点数，W_i为其他网格中巡航点对网格i中空间自相关影响值，γ为常变量，γ_L、γ_Y和γ_W分别为背景点数、前一日的载客点数和巡航点的空间自相关性三个变量对点数为0的影响参数，ε_p为随机误差。

计数模型的q(y_i|μ_i,θ)依据下式计算：

$q\left(y_i\right|{\mathrm{\μ}}_i,\mathrm{\θ})=\frac{\mathrm{\Γ}(\mathrm{\θ}+y_i)}{\mathrm{\Γ}\left(\mathrm{\θ}\right)\mathrm{\Γ}(y_i+1)}{\left(\frac{\mathrm{\θ}}{\mathrm{\θ}+{\mathrm{\μ}}_i}\right)}^{\mathrm{\θ}}{\left(\frac{{\mathrm{\μ}}_i}{\mathrm{\θ}+{\mathrm{\μ}}_i}\right)}^{y_i}$

其中μ_i和θ分别为期望计数和聚集指数，μ_i≥0，θ>0；Γ(.)为伽马函数。

期望计数μ_i服从如下函数：

log(μ_i)＝β+β_LL_i+β_YY_i+β_WW_i+ε_μ

其中β为常变量，β_L、β_Y和β_W分别为背景点数、前一日的载客点数和巡航点的空间自相关性三个变量对网格计数的影响参数，ε_μ为随机误差。

将网格数据库中所有网格的巡航点数、背景点数、前一日的载客点数和巡航点的空间自相关影响值带入零膨胀负二项模型，应用极大似然函数方法可以标定出β、β_L、β_Y、β_W、γ、γ_L、γ_Y、γ_W共8个参数的值。基于极大似然函数方法的R软件的pscl模块中的zeroinfl()命令可以用于对所建立的零膨胀负二项模型进行参数标定。该命令的基本语句为：

f=zeroinfl(y～L+Y+W|L+Y+W,data=数据文件名,dist=″negbin″,EM=TRUE)

其中y、L、Y和W分别为网格数据库中巡航点数、背景点数、前一日的载客点数和巡航点的空间自相关影响值四个数据项的列名，在“data=”后写入数据文件名。

所得文件f即为模型参数标定结果文件，用命令summary(f)可使所有参数的标定值得以显示。

第十一步、分析巡航策略

分析零膨胀负二项模型中的背景点数、前一日的载客点数和巡航点的空间自相关影响值三个自变量的影响参数β_L、β_Y和β_W，总结三个因素对巡航点数的影响，分析方法为：影响参数值为正表明该因素对巡航点数有积极影响，即网格的该因素值越大则巡航点越多，反之表明网格的该因素值越大则巡航点越少；而某因素的参数值的绝对值大于另一因素表明某因素对巡航点数的影响程度大于另一因素，总结出租车的巡航策略。

本发明所述的网格分析和零膨胀负二项建模方法不仅局限于对历史载客点、背景点和巡航点的空间自相关性三个变量的分析，可拓展用于其他变量与巡航点间相关性的建模分析。

下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了实施方式、操作过程和分析结果，但本发明的保护范围不限于下述的实施例。

应用2011年11月21日（周四）和22日（周五）深圳市出租车GPS系统采集得到的3309台出租车的行驶轨迹数据，经数据筛选得到合格的2536台车的行驶轨迹数据（深圳市区域划分和路网布局如图2所示）。将所有车辆的载客点数据整合，得到背景数据，背景点空间分布如图3所示。

以深圳市市域范围（3962.2平方公里）为研究区域建立网格，经计算网格边长为0.93公里，由此划分出96×50共4800个网格。

筛选巡航点、前一日的载客点和背景点，投影到网格上，网格示例如图4所示。基于网格，计算三类点的点数分布，并统计巡航点数的各项统计指标如下：

由于Mean/Var远小于1，并且网格点数有一半以上为0，此出租车巡航点的空间点分布特征可以总结为，点的空间分布极其不均衡，呈现高度聚集状态。

构建零膨胀负二项模型模型，并应用R软件pscl模块中的zeroinfl()命令编程实现模型标定，所得参数估计结果如下：

结果表明，历史载客点信息、背景信息（包括用地、人口、路网等）以及巡航点的空间自相关性均对巡航点的空间分布有一定影响。其中，历史载客点和背景点的参数标定值为正（β_Y>0，β_L>0），表明二者会给巡航点的选择带来积极影响，也即如果在某地点出租车司机之前接到过乘客或者某地点是用地密度高（或人口密度大、路网密度大）的区域，则司机倾向于去此地点巡航。巡航点的空间自相关性对巡航点的影响为负（β_W<0），表明如果某一地点的周边区域有巡航点，则此地点被司机巡航的概率较小。

对比历史载客点信息和背景信息的参数标定结果可知，背景信息的参数标定值大于历史载客点信息（β_L>β_Y），这说明用地、人口、路网等对出租车巡航点选择的影响大于历史载客点信息，或者说司机在巡航策略上更倾向于遵循城市背景信息，而历史载客点信息的影响相比之下较小。

Claims (4)

1.一种基于GPS数据网格统计的出租车巡航行为分析方法，其特征在于，包括以下步骤：

第一步、获取GPS数据

获取出租车行驶轨迹GPS数据，选择任意两个连续工作日的数据作为待研究基础数据；

第二步、转换数据格式

将基于GPS的地理坐标数据转换为大地坐标数据；

第三步、筛选数据

设定数据筛选原则，进行数据筛选和清理；

第四步、划分网格

将研究区域划分为若干正方形网格，网格边长用以下公式计算：

$a=\sqrt{2A/Q}$

其中a为网格边长，A为研究区域面积，Q为平均每台车每日的GPS行驶轨迹点个数；

第五步、筛选网格

核查研究区域的整体用地属性，识别湖泊、公园等出租车无法驶入区域所在的网格，从网格图中去除这些网格，仅保留有效网格；

第六步、生成巡航点数据和载客点数据

筛选出GPS数据中载客状态为0（即空载）的数据，生成巡航点数据。筛选出GPS数据中载客状态由0变为1的数据，生成载客点数据；

第七步、生成背景点数据

搜集有关城市用地密度、路网布局、人口分布等背景信息，生成背景点数据；

第八步、生成网格数据

将巡航点数据、载客点数据和背景点数据投射到网格中，计算研究区域内每一网格的如下数据项：后一日全部车辆的巡航点数之和、前一日全部车辆的载客点数之和、背景点数，生成在列方向包括这三项数据、在行方向的记录条数为区域有效网格总数的网格数据库；

第九步、计算巡航点的空间自相关影响值

对于任意网格（记为网格i），计算除网格i外其他所有网格（记为）的巡航点数对网格i巡航点的空间影响值，即巡航点的空间自相关影响值，计算方法为：

W_i＝D_i·T^T

其中，W_i为其他网格中巡航点对网格i中巡航点的空间自相关影响值，i=1…n，n为网格总数，T为由所有网格的巡航点数组成的向量，D_i为其他所有网格对网格i影响的空间权重矩阵，由网格i与任意网格

之间的空间相关权重D_ij组成，D_ij由下式计算：

$D_{\mathrm{ij}}=\frac{1}{d_{\mathrm{ij}}}$

其中d_ij为网格i与j之间的空间距离，i,j=1…n，网格i自身的空间自相关影响值D_ii为0；

第十步、建立和标定ZINB模型

以任意网格i的巡航点数为应变量，以网格i的背景点数、前一日的载客点数和巡航点的空间自相关影响值为自变量，应用网格数据库，建立零膨胀负二项模型（Zero-inflatedNegative binomial，ZINB），标定模型中的参数，进行模型检验；

第十一步、分析巡航策略

分析零膨胀负二项模型中的背景点数、前一日的载客点数和巡航点的空间自相关影响值三个自变量对网格计数的影响参数，分析三个因素对巡航点数的影响：影响参数值为正表明该因素对巡航点数有积极影响，即网格的该因素值越大则巡航点越多，反之表明网格的该因素值越大则巡航点越少；而某因素的参数值的绝对值大于另一因素表明某因素对巡航点数的影响程度大于另一因素；总结出租车的巡航策略。

2.根据权利要求1所述的基于GPS数据网格统计的出租车巡航行为分析方法，其特征是，所述的第三步中数据筛选原则为：

1）核查各台车的数据是否有缺项，选择没有缺项的车辆数据；

2）确定待研究空间整体区域范围，去除区域范围外的数据；

3）如果同一台车连续2分钟以上采集的数据点均为同一经纬度点，则去掉此经纬度点2分钟以外的记录。

3.根据权利要求1所述的基于GPS数据网格统计的出租车巡航行为分析方法，其特征是，所述的第七步背景点数据生成方法为：将出租车行驶轨迹GPS数据库中各日所有车辆的载客点数据整合并投射到研究区域中，生成背景点数据，代表城市用地密度、路网布局和人口分布等背景因素对巡航行为的整体影响。

4.根据权利要求1所述的基于GPS数据网格统计的出租车巡航行为分析方法，其特征是，所述的第十步中零膨胀负二项模型由点数为零模型和计数模型两部分组成，点数为零模型的基本结构为：

$\log \left(p_i\right)=\log \frac{p_i}{1-p_i}=\mathrm{\&gamma;}+{\mathrm{\&gamma;}}_L{L}_i+{\mathrm{\&gamma;}}_Y{Y}_i+{\mathrm{\&gamma;}}_W{W}_i+{\mathrm{\&epsiv;}}_p$

其中p_i和1-p_i分别为网格i的巡航点数为0或非0的概率（0≤p_i≤1），L_i和Y_i分别为网格i的背景点数和前一日的载客点数，W_i为其他网格中巡航点对网格i中空间自相关影响值，γ为常变量，γ_L、γ_Y和γ_W分别为背景点数、前一日的载客点数和巡航点的空间自相关性三个变量对点数为0的影响参数，ε_p为随机误差；

计数模型的期望计数μ_i按如下函数计算：

log(μ_i)＝β+β_LL_i+β_YY_i+β_WW_i+ε_μ

其中β为常变量，β_L、β_Y和β_W分别为背景点数、前一日的载客点数和巡航点的空间自相关性三个变量对网格计数的影响参数，ε_μ为随机误差。

Images