CN106384509A - 考虑出租车运营状态下的城市道路行程时间分布估算方法 - Google Patents

Abstract

一种考虑出租车运营状态下的城市道路行程时间分布估算方法，属于城市交通规划及管理的技术领域。根据出租车不同运营状态分别估算路径行程时间分布。在估算路径行程时间分布时，路网中相邻路段并不是独立的，本发明加入马尔科夫模型来描述各相邻路段行程时间分布之间的相关性，以提高了估算结果的科学性和准确性。本发明根据两种不同运营状态下车辆数比例大小设定权重，得到最终路径行程时间分布。出租车驾驶员在空车和载客两种运营状态下的驾驶行为会有所差异，直接使用出租车数据估算的行程时间与真实值之间必然存在差异。通过采用深圳市的数据对所提出模型进行计算，发现考虑了运营状态之后，计算得到的行程时间分布函数更加精确。

Description

考虑出租车运营状态下的城市道路行程时间分布估算方法

技术领域

本发明属于城市交通规划及管理的技术领域，涉及城市道路行程时间估计和ITS智能交通系统领域，特别适用于基于出租车数据对城市路径行程时间分布的估算。

背景技术

近年来，随着交通拥堵的日益严重和人们对时间价值的重视，路径行程时间分布成为出行者最关心的问题之一。目前，最广泛使用的是基于出租车数据的行程时间估算，因为相比其他数据来源，出租车具有覆盖范围广，实时性高，收集数据成本低等优点。Jenelius E在《Travel time estimation for urban road networks using lowfrequency probe vehicle data》中提出了一种用低频GPS浮动车观测的车辆运行轨迹估计城市路网出行时间的统计学方法，把路段转向特征和出行条件等作为解释变量，刻画了速度变异性的时空分布背后的影响因素，这对于交通预测十分实用。Chen在《DynamicFreeway Travel Time Prediction Using ProbeVehicle Data:Link-based vs.Path-based》中利用浮动车数据，分别对基于路段和路径的行程时间估计方法进行比较，然后探讨了浮动车所占比例对于估计精度影响，提出通过卡尔曼滤波进行基于浮动车数据的路段行程时间估计，并进行仿真验证。

关于这类研究方法，目前存在着两个问题：一是将各路段行程时间分布简单地叠加作为路径行程时间分布，会增加路径行程时间估算的误差。二是，出租车驾驶员在空车和载客两种运营状态下的驾驶行为会有差异，所以这种驾驶行为的差异必然导致直接使用出租车数据估算行程时间会与真实值之间存在差异。本发明在此基础上，提出一种基于出租车数据更精确的路径行程时间估算方法，并充分考虑出租车运营状态对路径行程时间估算的影响，从而提出更精确的改进方法。

发明内容

本发明要解决的技术问题是先利用各路段出租车GPS数据得到各路段行程时间分布，然后在此基础上构建模型估算出租车在某一运营状态下路径行程时间分布，最后根据两种不同运营状态下车辆数比例大小，设定权重得到最终路径行程时间分布。

本发明的技术方案：

一种考虑出租车运营状态下的城市道路行程时间分布估算方法，步骤如下：

(1)路段行程时间分布

根据所要研究的路段和时段，对收集到的出租车GPS数据进行筛选、校正和匹配，得到各个路段含有车牌号、精度、纬度、速度和载客状态字段的出租车GPS数据，记为表a；

根据表a中出租车GPS数据，计算同一车牌号的出租车平均速度，再根据各出租车平均速度，通过公式(1)计算同一车牌号出租车的行程时间率：

i路段单位距离行程时间，也可以称为行程时间率，单位s/m；

v_i：i路段某一车辆平均速度；

新建各个路段含有车牌号、精度、纬度、行程时间率和载客状态字段的出租车数据表，记为表b。按照空车和载客(0和1)对表进行分类，得到载客状态为0的表c和载客状态1的表d。然后用聚类算法，对表c和表d中的行程时间率数据进行聚类，得到两种运营状态下的多种行驶状态数据。最后，分别对同一行驶状态下的出租车行程时间率数据进行拟合，得到各运营状态下、各行驶状态下各路段行程时间率概率密度分布函数。

(2)各运营状态下路径行程时间分布模型

(2.1)马尔科夫链构建

车辆在当前路段上的行程时间率只决定于其上游路段，而与之前路段的行程时间率无关，因此当前路段上的交通空间变化情况与马尔科夫链的结构相类似，路径上各路段行程时间率具有典型的马尔可夫性质，可以使用马尔科夫链对各路段行程时间率之间的相关性进行建模。

定义当前路段的各出租车行程时间率集中分布区间为马尔科夫链的状态，为路段link l的边界值集合，m_l为link l状态个数，为路段link l+1的边界值集合，n_l为link l+1状态个数；因此，link l的第一个状态表示为最后一个状态表示为其中，τ_l表示link l上各出租车行程时间率；

定义路段link 1的各行驶状态概率分布为马尔科夫链的初始状态概率分布：

$\mathrm{\π}=\left[\begin{array}{c}{\mathrm{\π}}_1\\ {\mathrm{\π}}_2\\ .\\ .\\ .\\ {\mathrm{\π}}_{m_1}\end{array}\right]=\left[\begin{array}{c}\frac{N\left(1\right)}{{\mathrm{\Σ}}_{i=1}^{m_1}N\left(i\right)}\\ .\\ .\\ .\\ \frac{N\left(m_1\right)}{{\mathrm{\Σ}}_{i=1}^{m_1}N\left(i\right)}\end{array}\right]---\left(2\right)$

其中，N(i)代表路段link 1的状态i下，例如link 1的行程时间率处于内的数据点的数量。

定义两个连续路段的行程时间率分布为马尔科夫链的状态转移概率，则一般状态概率转移矩阵P表示为：

p_i,j＝Pr(S_l+1＝j|S_l＝i) (4)

其中，S_l表示路段link l的状态；N(i,j)表示在路段link l上处于i状态且在路段link l+1上处于j状态的数据点的数量。

中间路段link l与其下游路段link l-1之间所能匹配上的车辆和中间路段linkl与其下游路段link l+1之间所能匹配上的车辆可能不同，对于中间路段而言，当其作为上游路段或下游路段时，分类情况会存在差异；根据这种差异分为两种情形：

(2.2)情形1

任意中间路段link l在其作为上游路段或下游路段时，行驶状态分类完全一致。车辆通过路径时处于种不同状态之中的任意一种状态，每一种状态都称为马尔科夫路径。对于给定的马尔科夫路径，所有路段各状态之间的转移概率之积为马尔科夫路径的发生概率：

$\mathrm{Pr}\{S_1=i_1,S_2=i_2,\mathrm{...},S_k=i_k\}={\mathrm{\π}}_{i_1}{p}_{i_1,i_2}^{S_1,S_2}{p}_{i_2,i_3}^{S_2,S_3}\mathrm{...}{p}_{i_{k-1},i_k}^{S_{k-1},S_k}---\left(5\right)$

假设同一路段上各状态之间的行程时间率分布是条件独立的，某一马尔科夫路径的路径行程时间率分布直接用卷积运算得到：

$TTRD\{S_1=i_1,S_2=i_2,\mathrm{...},S_k=i_k\}=TTD\left(i_1^{S_1}\right)*TTD\left(i_2^{S_2}\right)*...*TTD\left(i_k^{S_k}\right)---\left(6\right)$

式中，运算符(*)表示卷积运算，具体的运算规则表示为：

$({\mathrm{TTRD}}_i*{\mathrm{TTRD}}_j)\left(t\right)\stackrel{\mathrm{\Δ}}{=}{\∫}_{-\mathrm{\∞}}^{\mathrm{\∞}}{\mathrm{TTRD}}_i\left(\mathrm{\τ}\right){\mathrm{TTRD}}_j(t-\mathrm{\τ})d\mathrm{\τ}---\left(7\right)$

(2.3)情形2

任意中间路段link l在其作为上游路段和作为下游路段时，各状态分类不一致的情况。因此，需要对马尔科夫链状态进行一定的修订。模型中引入过渡路段link’l和link”l(l＝2，3，…，k-1)；其中，link’l的所有状态均与路段link l-1和路段link l中作为下游路段的link l相等，link”l的所有状态均与路段link l和路段link l+1中作为上游路段的link l相等；车辆在路径上的运行过程的新路段序列表示为link 1、…、link l-1、link’l、link”l、link l+1、…、link k；令为过渡路段link’l的边界值集合，m_l为link’l状态个数；为过渡路段link”l的边界值集合，n_l为link”l状态个数；τ_l表示link l上出租车行程时间率；那么，过渡路段link’l与过渡路段link”l之间的状态转移概率矩阵为

新构建的马尔科夫链形成条马尔科夫路径。对于给定的新马尔科夫路径，包含过渡路段link’l和link”l的所有路段各状态之间的转移概率之积为马尔科夫路径的发生概率：

同理，考虑过路路段link’l和link”l之后，可以利用卷积运算得到某一新马尔科夫路径的路径行程时间率分布：

(2.4)路径行程时间分布叠加

已经知道各马尔科夫路径行程时间率分布以及其发生概率根据马尔科夫链进行叠加便可以得到通过某一路径行程时间率分布(叠加方法如图1所示)：

${\mathrm{TTRD}}_{route}=\underset{q=1}{\overset{Q}{\Σ}}\mathrm{Pr}\left(Markov{\mathrm{path}}_q\right)\·TTRD\left(Markov{\mathrm{path}}_q\right)---\left(12\right)$

(3)总路径行程时间估算模型

用步骤(2)中方法分别计算两种运营状态下路径行程时间率分布，然后根据两种运营状态下的数据量对各自分布函数设定权重。总路径行程时间率分布计算公式如下：

TTRD(x)＝α₀·ttrd₀(x)+α₁·ttrd₁(x) (13)

其中，ttrd₀(x)和ttrd₁(x)分别表示在空车状态下和在载客状态下总路径行程时间率的概率密度函数；α₀、α₁为比例参数，表示各运营状态的车辆占出租车总量的比例即空车比和载客比。

本发明的有益效果：

目前关于道路行程时间的研究多是以路段为对象，来探讨路段行程时间分布，而基于路径的行程时间估算多是将各路段行程时间分布简单的叠加。事实证明，路网中各路段的行程时间分布并不是相互独立的，相邻两条路段之间的车辆运行状态有较强的相关性，因此传统的估算方法忽略了路段之间的时空相关性，这将会产生较大的估算误差。本发明加入马尔科夫模型来描述各相邻路段行程时间分布之间的相关性，将很大程度提高结果的科学性和准确性。

虽然出租车数据可以很好反应和模拟路网中车辆或交通流运行的情况，大部分出租车驾驶员在行驶过程中驾驶行为和决策与一般出行者是不太相同的。出租车驾驶员在空车和载客两种运营状态下的驾驶行为会有所差异。因此直接使用出租车数据估算的行程时间与真实值之间必然存在差异。本发明提出根据两种不同运营状态下车辆数比例大小，设定权重计算最终路径行程时间分布，并通过采用深圳市的数据对所提出模型进行计算，发现考虑了运营状态之后，计算得到的行程时间分布函数更加精确。

附图说明

图1是各组车辆行程时间率叠加方法。

图2是研究区域示意图。

图3(a)是空车状态下link1在“fast”状态下行程时间率概率密度函数图像。

图3(b)是空车状态下link3在“slow”状态下行程时间率概率密度函数图像。

图4是空车和载客状态下路径行程时间率的概率密度分布曲线。

图5是空车和载客状态下路径行程时间率的累积概率分布曲线。

图6是路段行程时间率分布真实值与仿真值比较示意图(部分)。

图7为是否区分运营状态估算行程时间率概率密度分布和真实行程时间率概率密度分布对比图。

图8为是否区分运营状态估算行程时间率累积概率分布和真实行程时间率累积概率分布对比图。

图9为考虑出租车运营状态下的城市道路行程时间分布估算方法的流程图。

具体实施方式

以下结合实例详细叙述本发明的具体实施方式，并模拟发明的实施效果。

1研究对象

选取深圳市福田区滨河大道东往西方向彩田路路口至民田路路口作为案例研究对象，研究区域示意图见附图2。滨河大道是深圳市内的三条主干道之一，邻近深圳会展中心、购物公园等商业中心和福田口岸，交通流量大。使用2014年6月10日深圳市福田区滨河大道东往西方向彩田路路口至民田路路口三个路段上所有的出租车实际数据。

2路段行程时间分布

由于14点至17点期间出租车流量分布以及载客比分布比较一致，所以选取此时段内自东向西方向运行的出租车数据。通过K均值聚类方法，将车辆的行驶状态将分成“fast”和“slow”两种行驶状态类别。对各运营状态下各路段分别进行聚类。

统计各运营状态下各路段的行程时间率，然后对不同行驶状态下的行程时间率分布分别进行拟合。由于当速度越大时，各单位距离行程时间之间差值会变得越小，造成拟合的困难和误差。因此，在计算时取以减少误差。其拟合的结果如表1、表2和表3所示。部分拟合结果的函数图像见图3(a)和图3(b)。

表1空车状态下各路段各行驶状态行程时间率的概率密度函数拟合类型和参数估算值

表2载客状态下各路段各行驶状态行程时间率的概率密度函数拟合类型和参数估算值

表3全状态下各路段各行驶状态行程时间率的概率密度函数拟合类型和参数估算值

3路径行程时间分布

在三种不同的运营状态下，中间路段Link 2在其作为下游路段和上游路段时，它的状态分类是一致的，因此可以直接构成8条马尔科夫路径，满足情形1的使用条件。分别对空车状态和载客状态的数据构建马尔科夫链模型，各运营状态下的初始概率分布如表4所示，概率转移矩阵结果如表5、表6和表7所示，各马尔科夫路径发生概率如表8、表9和表10所示。

表4各运营状态下的初始概率分布表

表5空车状态下马尔科夫链模型概率转移矩阵

表6载客状态下马尔科夫链模型概率转移矩阵

表7全状态下马尔科夫链模型概率转移矩阵

表8空车状态下各马尔科夫路径发生概率

表9载客状态下各马尔科夫路径发生概率

表10全状态下各马尔科夫路径发生概率

已经求得各运营状态和各行驶状态下的路段行程时间率的概率密度函数和各马尔科夫路径发生概率，那么可以按照已经构建好的模型计算在各运营状态下的总路径行程时间，如图4和图5所示。从图像可以发现：空车状态时概率密度函数分布曲线的高峰出现位置与载客状态下高峰出现的位置相差较大，也就是说：空车状态下估算的路径行程时间率明显低于不区分运营状态下路径行程时间率；载客状态下估算的路径行程时间率明显高于不区分运营状态下路径行程时间率。经计算，不区分运营状态路径行程时间率85分位数为1.7259即路径行程时间为275.92秒，空车状态下85分位数为1.1362即路径行程时间为497.61秒，比不区分运营状态下增加80.35％，载客状态下85分位数为1.9047即路径行程时间为230.74秒，比不区分运营状态下减少16.37％，比空车状态下减少53.63％。这说明不同运营状态下出租车驾驶员的驾驶行为与决策并不相同，导致其各自的行程时间率的分布情况有明显差异。所以，出租车的运营状态对路径行程时间的估算有较大的影响。并且，空车和载客两种运用状态下行程时间率的分布情况也会根据载客比的不同，对最终估算值产生较大影响。

3.仿真结果对比

.为了对比区分运营状态和不区分运营状态下路径行程时间估算方法的准确度和分析运营状态对路径行程时间估算的影响的显著性，通过VISSIM软件抽象研究路网，模拟空车和载客状态下出租车的运行状态以及包括出租车、社会车辆、公交车等所有车辆的运行状态，对比各方法估算路径行程时间分布情况。

根据研究区域真实路网建立仿真模型，仿真路网包括单向3条3车道路段和3条3车道匝道。仿真总时长5000秒，以不同的随机种子仿真10次，采用从第1000秒到第4600秒，总时长为1个小时的数据进行的分析。其中，主干道进口流量为10080pcu/h，支路进口流量为800pcu/h，出租车比重为0.244，载客比为0.736。出租车空车和载客状态下的速度分布取15点至16点一个小时时间段内的速度分布，其他社会车辆速度分布情况取均值53.1km/h，服从双对数正态分布。并通过对仿真参数的调整，校正载客和空车两种运营状态下车辆的各路段行程时间率分布的仿真结果。如附图6所示，校正后的模型模拟得到的结果与实际值基本一致，说明校正后的模型可以用来模拟实际的道路交通流。

图7为各方法估算行程时间率概率密度分布和真实行程时间率概率密度分布对比图，图8为其累计概率分布图。其中区分运营状态结果为式(13)估算的结果。

使用平均绝对误差(Mean Absolute Error)和最大百分误差(Maximum PercentError)对两种评价指标所估算结果进行精度分析。

$MAE=\frac{1}{RANGE}{\∫}_{-\mathrm{\∞}}^{+\mathrm{\∞}}|{\mathrm{TTRD}}_{estimated}\left(x\right)-{\mathrm{TTRD}}_{real}\left(x\right)|dx---\left(14\right)$

${\mathrm{PE}}_{max}=max\frac{|{\mathrm{TTRD}}_{estimated}\left(x\right)-{\mathrm{TTRD}}_{real}\left(x\right)|}{{\mathrm{TTRD}}_{real}\left(x\right)}---\left(15\right)$

其中TTRD_estimated和TTRD_real分别代表估算行程时间率分布函数和实际行程时间率的概率密度分布函数，RANGE表示分布函数有效区间长度。区分车辆运营状态(改进方法)和不区分车辆运营状态(原始方法)各自的MAE和PE_max的计算结果如表11所示。可以得知，在区分车辆运营状态之后误差明显减少，平均绝对误差降低了51.44％，最大百分误差降低46.83％。因此，考虑出租车的运营状态之后，新的路径行程时间估算方法可以极大程度地提高估算的准确性。

表11区分运营状态和不区分运营状态两种估算方法所得概率密度分布差值对比表

使用式(13)中的模型估算总路径行程时间率分布，与现有方法下(即不区分运营状态)的路径行程时间率和真实值对比。可以很明显的看出，各估算方法所得总路径行程时间率的累积分布存在明显的误差，比较三者的分位数，如表12所示。区分运营状态下的估算方法的误差远小于不区分运营状态时的误差。经过算法改进后，15分位数的误差绝对值下降了70.73％，中位数的误差绝对值下降了33.90％，85分位数的误差绝对值下降了70.94％。因此，这再一次证明了本发明所提出的方法能大幅度提高使用出租车数据估算路径行程时间的准确性。

表12区分运营状态和不区分运营状态两种估算方法所得累计概率分布分位数比较表

1)“绝对误差”与“相对误差”中，正数表示估算值大于实际值，负数表示估算值小于实际值。

2)“数值”为行程时间率的实际值或估算值。

Claims (1)

1.一种考虑出租车运营状态下的城市道路行程时间分布估算方法，其特征在于，步骤如下：

(1)路段行程时间分布

根据所要研究的路段和时段，对收集到的出租车GPS数据进行筛选、校正和匹配，得到各个路段含有车牌号、精度、纬度、速度和载客状态字段的出租车GPS数据；

根据出租车GPS数据，计算同一车牌号的出租车平均速度，再根据各出租车平均速度，通过公式(1)计算同一车牌号出租车的行程时间率：

i路段单位距离行程时间，称为行程时间率，单位s/m；

v_i：i路段某一车辆平均速度；

建立各个路段含有车牌号、精度、纬度、行程时间率和载客状态字段的出租车数据表；按照空车0和载客1对出租车数据表进行分类，得到载客状态为0的出租车数据表和载客状态为1的出租车数据表；然后用聚类算法，对载客状态为0的出租车数据表和载客状态为1的出租车数据表中的行程时间率进行聚类，得到两种运营状态下的多种行驶状态数据；最后，分别对同一行驶状态下的出租车行程时间率进行拟合，得到各运营状态下、各行驶状态下各路段行程时间率概率密度分布函数；

(2)各运营状态下路径行程时间分布模型

(2.1)马尔科夫链构建

定义当前路段的各出租车行程时间率集中分布区间为马尔科夫链的状态，为路段link l的边界值集合，m_l为link l状态个数，为路段link l+1的边界值集合，n_l为link l+1状态个数；因此，link l的第一个状态表示为最后一个状态表示为其中，τ_l表示link l上各出租车行程时间率；

定义路段link 1的各行驶状态概率分布为马尔科夫链的初始状态概率分布：

$\mathrm{\π}=\left[\begin{array}{c}{\mathrm{\π}}_1\\ {\mathrm{\π}}_2\\ \begin{array}{c}.\\ .\\ .\end{array}\\ {\mathrm{\π}}_{m_1}\end{array}\right]=\left[\begin{array}{c}\frac{N\left(1\right)}{{\mathrm{\Σ}}_{i=1}^{m_1}N\left(i\right)}\\ \begin{array}{c}.\\ .\\ .\end{array}\\ \frac{N\left(m_1\right)}{{\mathrm{\Σ}}_{i=1}^{m_1}N\left(i\right)}\end{array}\right]---\left(2\right)$

其中，N(i)代表路段link1的状态i下，link 1的行程时间率处于内的数据点的数量；

定义两个连续路段的行程时间率分布为马尔科夫链的状态转移概率，则一般状态概率转移矩阵P表示为：

p_i,j＝Pr(S_l+1＝j|S_l＝i) (4)

其中，S_l表示路段link l的状态；N(i,j)表示在路段link l上处于i状态且在路段linkl+1上处于j状态的数据点的数量；

中间路段link l与其下游路段link l-1之间所能匹配上的车辆和中间路段linkl与其下游路段link l+1之间所能匹配上的车辆可能不同，对于中间路段，当其作为上游路段或下游路段时，分类情况会存在差异；根据差异分为两种情形：

(2.2)情形1

任意中间路段link l，在其作为上游路段或下游路段时，行驶状态分类完全一致；车辆通过路径时处于l＝1，2，…，k种不同状态之中的任意一种状态，每一种状态都称为马尔科夫路径；对于给定的马尔科夫路径，所有路段各状态之间的转移概率之积为马尔科夫路径的发生概率：

$\mathrm{Pr}\{S_1=i_1,S_2=i_2,...,S_k=i_k\}={\mathrm{\π}}_{i_1}{p}_{i_1,i_2}^{S_1,S_2}{p}_{i_2,i_3}^{S_2,S_3}...p_{i_{k-1},i_k}^{S_{k-1},S_k}---\left(5\right)$

假设同一路段上各状态之间的行程时间率分布是条件独立的，某一马尔科夫路径的路径行程时间率分布直接用卷积运算得到：

$TTRD\{S_1=i_1,S_2=i_2,...,S_k=i_k\}=TTD\left(i_1^{S_1}\right)*TTD\left(i_2^{S_2}\right)*...*TTD\left(i_k^{S_k}\right)---\left(6\right)$

式中，运算符(*)表示卷积运算，具体的运算规则表示为：

(2.3)情形2

任意中间路段link l，在其作为上游路段和作为下游路段时，各状态分类不一致的情况；对马尔科夫链状态进行修订，引入过渡路段link’l和link”l，l＝2，3，…，k-1；其中，link’l的所有状态均与路段link l-1和路段link l中作为下游路段的link l相等，link”l的所有状态均与路段link l和路段link l+1中作为上游路段的link l相等；车辆在路径上的运行过程的新路段序列表示为link 1、…、linkl-1、link’l、link”l、link l+1、…、linkk；令为过渡路段link’l的边界值集合，m_l为link’l状态个数；为过渡路段link”l的边界值集合，n_l为link”l状态个数；τ_l表示link l上出租车行程时间率；那么，过渡路段link’l与过渡路段link”l之间的状态转移概率矩阵为

新构建的马尔科夫链形成条马尔科夫路径；对于给定的新马尔科夫路径，包含过渡路段link’l和link”l的所有路段各状态之间的转移概率之积为马尔科夫路径的发生概率：

同理，引入过路路段link’l和link”l，利用卷积运算得到某一新马尔科夫路径的路径行程时间率分布：

(2.4)路径行程时间分布叠加

将各马尔科夫路径行程时间率分布以及其发生概率根据马尔科夫链进行叠加，得到通过某一路径行程时间率分 布：

${\mathrm{TTRD}}_{route}=\underset{q=1}{\overset{Q}{\Σ}}\mathrm{Pr}\left(Markov{\mathrm{path}}_q\right)\·TTRD\left(Markov{\mathrm{path}}_q\right)---\left(12\right)$

(3)总路径行程时间估算模型

用步骤(2)中方法分别计算两种运营状态下路径行程时间率分布，然后根据两种运营状态下的数据量对各自分布函数设定权重，总路径行程时间率分布计算公式如下：

TTRD(x)＝α₀·ttrd₀(x)+α₁·ttrd₁(x) (13)

其中，ttrd₀(x)和ttrd₁(x)分别表示在空车状态下和在载客状态下总路径行程时间率的概率密度函数；α₀、α₁为比例参数，表示各运营状态的车辆占出租车总量的比例即空车比和载客比。