CN110458589B - 基于轨迹大数据的路侧式出租车停靠站选址优选方法 - Google Patents
基于轨迹大数据的路侧式出租车停靠站选址优选方法 Download PDFInfo
- Publication number
- CN110458589B CN110458589B CN201910101781.6A CN201910101781A CN110458589B CN 110458589 B CN110458589 B CN 110458589B CN 201910101781 A CN201910101781 A CN 201910101781A CN 110458589 B CN110458589 B CN 110458589B
- Authority
- CN
- China
- Prior art keywords
- taxi
- travel
- stop
- data
- sub
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000005457 optimization Methods 0.000 title claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000010276 construction Methods 0.000 claims description 11
- 230000029305 taxis Effects 0.000 claims description 11
- 230000005855 radiation Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 238000003032 molecular docking Methods 0.000 claims description 5
- 238000012800 visualization Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000007405 data analysis Methods 0.000 abstract 1
- 230000006399 behavior Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000003915 air pollution Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0204—Market segmentation
- G06Q30/0205—Location or geographical consideration
-
- G06Q50/40—
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0841—Registering performance data
Abstract
本发明公开了一种基于轨迹大数据的路侧式出租车停靠站选址优化方法,包括:获取出租车GPS轨迹数据,预处理,提取出租车需求数据;对上述数据进行时空分析,识别出租车出行热点;判断热点状态特征,确定合理的路侧式出租车停靠站待建区;在待建区内划分乘客出行子区,计算子区的出行需求量;选择子区的质心作为停靠站候选点,建立乘客出行距离矩阵;构建路侧式出租车停靠站模型;通过启发式算法优化求解模型,确定最佳选址方案。本发明通过数据分析和优化建模,为路侧式出租车停靠站的选址提供科学、严谨的决策标准,具有适用性强、准确性高的优点,解决了乘客打车难与出租车空驶率高并存的矛盾问题,为公众创造一种便捷、高效的候车环境。
Description
技术领域
本发明属于数据挖掘技术和交通系统规划领域,具体的说是一种基于轨迹大数据的路侧式出租车停靠站选址优化方法。
背景技术
出租车是城市多层次公共交通出行系统的重要组成部分。随着互联网通讯技术的发展,网约车逐渐成为年轻人青睐的一种打车方式,然而,目前出租车的主要运作模式仍是路边扬招。在这种传统模式下,乘客和出租车司机处于信息隔离的状态,经常出现人找车、车找人的矛盾现象。在时间和空间上存在的供需不匹配,致使打车难和出租车空驶率高、运营效率低等问题并存。为了增加收入,出租车司机通常前往交通繁忙、人流量较大的区域寻找客户,随之产生的出租车路侧随意停靠、占道、换道行为,在一定程度上加剧了周边交通的拥堵和空气污染问题。
路侧式出租车停靠站,指在道路上供出租车泊车候客,但不配有现场调度功能的出租车专用区域。在路侧设置出租车停靠站能够有效规范出租车无序的载客行为,降低出租车空驶率,缓解交通压力,为乘客提供高效、便捷的候车条件。但是,大量、密集地设置出租车停靠站是不现实的,会导致出租车失去其灵活性和便利性。在实际规划中,出租车停靠站的位置选择主要取决于交警部门的经验或者部分司机和乘客的调查反馈。由于缺乏科学、严谨的决策标准,导致目前国内大部分城市的路侧式出租车停靠站利用率极低,甚至形同虚设,不但无法发挥停靠站自身的积极作用,还造成了公共空间资源的浪费。因此,为了便于市政规划部门合理增设交通便民设施,提高出租车运营效率,方便社会公众出行,缓解城市交通的区域压力,对路侧式出租车停靠站的选址方案作出科学、客观的决策显得尤为重要。
发明内容
本发明提供了一种基于轨迹大数据的路侧式出租车停靠站选址优化方法,旨在从真实的出租车需求出发,通过识别出租车出行热点、选择停靠站的待建区,生成合理的候选点,构建选址模型等一系列渐进的方法过程逐步确定最佳的停靠站位置优化方案,解决了现有路侧式出租车停靠站选址方法存在的不足。
本发明技术方案结合附图说明如下:
一种基于轨迹大数据的路侧式出租车停靠站选址优化方法,该方法包括以下步骤:
步骤一、获取出租车GPS轨迹数据,对原始数据进行预处理,删除无效和冗余的数据,提取出租车需求信息,包括出租车上客点和下客点数据;
步骤二、对上述数据进行时空分析,识别出租车出行热点,包括出租车上客和下客热点;
步骤三、结合实际位置环境,判断热点状态特征,确定合理的路侧式出租车停靠站待建区;
步骤四、在待建区内划分乘客出行子区,计算各个子区的出行需求量;
步骤五、选择子区的质心作为停靠站候选点,建立乘客出行距离矩阵;
步骤六、构建路侧式出租车停靠站选址模型,包括总经济费用最小的目标函数和考虑实际限制因素的约束条件;
步骤七、通过启发式算法优化求解模型,确定最佳选址方案,包括:路侧式出租车停靠站的设置数量、位置以及理想的出行需求分配方式。
所述的步骤一的具体步骤如下:
11)获取出租车GPS轨迹数据,所述的出租车GPS轨迹数据包括车辆标识号ID、定位时间Timestamp、经纬度坐标(x,y)、车载状态Status(0/1),其中,0代表空载,1代表重载;
12)提取车载状态由0变成1时的1点数据,构建出租车上客点数据集R1(0→1)={t,s,(x,y)};提取车载状态由1变成0时的0点数据,构建出租车下客点数据集R0(1→0)={t,s,(x,y)},其中,t表示定位时间,s表示车载状态。
3、根据权利要求1所述的一种基于轨迹大数据的路侧式出租车停靠站选址优化方法,其特征在于,所述的步骤二的具体步骤如下:
21)将出租车上、下客数据按照时间进行分类即以周为单位进行分类,根据日变化规律确定出租车出行的高峰日;
22)将高峰日的出租车上、下客数据导入ArcGIS平台进行空间核密度分析,实现出租车出行热点区域的可视化。
所述的步骤三中结合实际位置环境,判断热点状态特征的具体方法如下:
出租车出行热点由于所处位置环境的不同通常呈现两种状态:一、点状的辐射态,该状态出现在火车站、汽车站、机场和大型人流聚集和疏散的场所,这些地方已经配备了出租车停靠站以满足旅客的出行需求,因此不适宜作为路侧式出租车停靠站的待建区;二、网状的分布态,该状态出现在商圈、居民区、并且覆盖多条街道,人车流量大,交通繁忙的区域,适合并需要设置路侧式出租车停靠站。
所述步骤四的具体方法如下:
41)选取分割长度2R,将待建区内的道路划分为相邻的网格,沿着道路中线将网格分成上行和下行两个方向的出行子区;定义向东或向南为顺时针方向CW,向西或向北为逆时针方向CCW,根据上行和下行方向定义顺时针方向出行子区Scw和逆时针方向出行子区Sccw;
42)相对于顺时针出行子区Scw的位置,将逆时针出行子区Sccw沿着道路中线整体平移距离R,形成交错排列的位置结构;
43)判断上客点在道路中线两侧的位置,统计顺时针方向出行子区Scw内的上客次数Ncw和逆时针方向出行子区Sccw内的上客次数Nccw;
44)根据出租车平均每次上客人数n,计算出行子区Scw和Sccw的出行需求量分别为:Qcw=Ncw·n和Qccw=Nccw·n。
所述的步骤43)中判断上客点在道路中线两侧的位置的具体方法如下:
提取与上客数据点相邻的下一时刻的出租车GPS数据,计算两点的位置坐标之差,如式(1),根据差值的正负判断乘客上车后出租车的行驶方向,向东(△x>0)或向南(△y<0)表示上客点位于顺时针方向的出行子区Scw,向西(△x<0)或向北(△y>0)表示上客点位于逆时针方向出行子区Sccw;
D(taxi)=[{ti+1,si+1,(xi+1,yi+1)}-{ti,si,(xi,yi)}]=[{△t,△s,(△x,△y)}] (1)
式中:△t表示定位时间间隔,△s=1-1=0,(△x,△y)表示经纬度的差值。
所述步骤五中建立乘客出行距离矩阵的具体方法如下:
计算出行子区i到停靠站候选点j的平均步行距离dij,构造乘客出行距离矩阵Di×j=[dij],其中,平均步行距离dij根据子区i与候选点j之间的3种位置关系进行计算:
(1)属于相同子区:假设同一子区内的乘客均匀分布在候选点两侧,则可通过式(2)计算dij;(2)属于道路同侧的不同出行子区:dij等于两个子区质心即停靠站候选点之间的城市距离;(3)属于道路两侧的出行子区:dij等于两个子区质心即停靠站候选点之间的城市距离与街道宽度之和;
式中,qi表示出行子区i的出行需求量,R表示分割长度的一半。
所述步骤六中构建路侧式出租车停靠站选址模型的具体方法如下:
61)对于市政规划部门,要求投资建设费用最小化;对于服务对象即乘客,要求出行便利性最大化;出行便利性通常可以用出行距离或时间表示,为了整体目标的一致性,计算乘客单位步行时间价值cp,将出行距离或时间转化为出行成本,建立总经济费用最小的目标函数模型,用数学语言描述,如式(3):
Min(C)=Min(C1+C2) (3)
式中,C为总的经济费用,包括出租车停靠站的建设成本C1和乘客的出行成本C2;ct为出租车停靠站的单位建设成本;Xj为二元决策变量,如果出租车停靠站设置在候选点j,则值为1,否则为0;λ为行人平均步速的倒数;表示乘客总步行距离,其中,qit为出行子区i在t时段的出行需求量,Yij为二元决策变量,如果出行子区i的乘客到停靠站j候车,则值为1,否则为0;dij等于两个子区质心即停靠站候选点之间的城市距离与街道宽度之和;
62)、所述的约束条件为设置路侧式出租车停靠站的实际限制因素,包括:乘客可接受的最大步行距离Dmax、待建区的需求覆盖率Dc、出租车停靠站的停车位数量Np和停车位的最大服务能力Pmax;
其中,所述的待建区的需求覆盖率Dc为出租车停靠站所能服务的出行需求量与待建区内总的出行需求量之比;所述的停车位的最大服务能力Pmax为每个停车位每小时可以服务的最大乘客数,在停靠站面积和几何尺寸适当的情况下可通过式(6)进行计算:
式中,g/C表示每个信号周期内有效绿灯时间即在无信号交叉口或路段的停靠站为1.0,
tc表示连续两辆出租车之间的时间间隔,单位:秒;td表示车辆平均停留时间;Za表示对应于在出租车停靠站后排队概率的单边检验量;cv表示停留时间的偏差系数。
本发明的有益效果为:
1、准确度高:根据交警经验和市民调查进行选址决策的方法具有主观性强、误差较大的缺点,相对现有的选址方法,本发明通过出租车GPS数据提取真实的乘客上、下车位置信息,获取站点在待建区路网上具体路段内的位置,科学性和客观性强,准确度高。
2、逻辑性强:本方法基于真实的出租车需求信息,选择路侧式出租车停靠站的待建区,生成停靠站候选站点,构建选址模型,确定选址方案,各个步骤循序渐进,整体流程设计严谨。
3、适用性好:本发明仅需采集出租车GPS轨迹数据构建出租车出行历史数据库,分析确定候选站点,求解选址模型即可得到路侧式出租车停靠站的最佳选址方案,对于为出租车安装了GPS设备的城市均具有可行性。
附图说明
图1为本发明的总体流程图。
具体实施方式
参阅图1,本发明的基于轨迹大数据的路侧式出租车停靠站选址优化方法,通过对获取的出租车GPS轨迹数据进行预处理,得到出租车上、下客点数据;对上、下客数据进行时空分析,可视化出租车出行热点,判断热点状态特征,选择合理的热点作为路侧式出租车停靠站待建区;在待建区内划分乘客出行子区,确定停靠站的候选点;构建以总经济费用为优化目标的路侧式出租车停靠站选址模型,通过启发式算法进行求解,确定最佳的选址方案。
实施例
本实施例以某市的出租车GPS轨迹数据为例,对本发明的具体实施方案作详细描述。
1、提取出租车上、下客点数据
本发明使用的原始GPS数据是2015年6月的一周内某市出租车轨迹数据,如表1,包括车辆标识号ID,定位时间Timestamp,经纬度坐标(x,y),车载状态Status(0/1)字段;对原始数据进行预处理,删除无效和冗余的数据。
提取出租车需求信息,包括出租车上客和下客数据,具体方法为:在SQLsever2008数据库中以ID(车辆标识号)为主要关键字,以Timestamp(定位时间)为次要关键字,对预处理后的出租车GPS数据由小到大进行排序;针对每一组相同ID的数据,提取Status(车载状态)由0变为1时的1点数据以及由1变为0时的0点数据,分别建立出租车上客点数据集和下客点数据集。
表1原始出租车GPS轨迹数据
ID | Timestamp | Longitude(x) | Latitude(y) | Status |
1075 | 2015-06-22 13:04:38.000 | 120.1749**** | 30.2603**** | 1 |
5843 | 2015-06-22 12:29:41.000 | 120.1625**** | 30.2758**** | 0 |
10170 | 2015-06-22 21:42:13.000 | 120.1709**** | 30.2766**** | 1 |
10384 | 2015-06-22 23:28:59.000 | 120.1712**** | 30.2766**** | 1 |
16185 | 2015-06-22 16:19:28.000 | 120.1661**** | 30.2766**** | 0 |
…… | …… | …… | …… | …… |
2、识别出租车出行热点,确定路侧式出租车停靠站待建区
将一周的出租车上、下客数据按照时间(星期)进行分类,统计每日的上、下客次数,绘制出租车上客和下客次数的周变化曲线,确定该市出租车出行的高峰日为周五;
在ArcGIS 10.2中分别导入出租车出行高峰日(周五)的上、下客数据,选择空间分析工具箱【Spatial Analyst Tools】中的密度分析【Density】,点击核密度分析【KernelDensity】,设置搜索半径【Search radius】,可视化结果显示该市出租车上客热点6个,下客热点4个。
选择下客热点与上客热点重合的区域,结合所处位置的实际环境,判断出行热点的状态特征,如表2所示;出租车出行热点通常呈现两种状态:一种是点状辐射态,出现在火车站、汽车站、机场等大型人流聚集和疏散的场所,这些地方通常配备出租车停靠站以满足旅客的出行需求,因此不适宜作为路侧式出租车停靠站的待建区;另一种是网状分布态,出现在商圈等覆盖多条街道,人车流量较大的区域,适合并需要设置路侧式出租车停靠站;将呈现网状分布态的热点选定为路侧式出租车停靠站的待建区;结合表2,确定出租车出行热点4为路侧式出租车停靠站待建区。
表2出租车出行热点数量及分布区域
热点序号 | 分布位置 | 上客热点 | 下客热点 | 热点状态 |
1 | 火车站 | 是 | 是 | 点状辐射态 |
2 | 火车站 | 是 | 否 | |
3 | 汽车站 | 是 | 是 | 点状辐射态 |
4 | 商业圈 | 是 | 是 | 网状分布态 |
5 | 火车站 | 是 | 否 | |
6 | 汽车站 | 是 | 是 | 点状辐射态 |
3、在待建区内划分乘客出行子区,计算各个子区的出行需求量
选取分割长度2R=100米,将待建区内的道路划分为24个相邻的网格,沿着道路中线将网格分成上行和下行两个方向的出行子区;定义向东或向南为顺时针方向CW,向西或向北为逆时针方向CCW,根据上行和下行方向定义顺时针方向出行子区Scw和逆时针方向出行子区Sccw;
相对于顺时针出行子区Scw的位置,将逆时针出行子区Sccw沿着道路中线整体向顺时针方向平移距离R=50米,形成交错排列的位置结构;判断上客点在道路中线两侧的位置,具体方法为:
在经过预处理的出租车GPS数据库中以ID(车辆标识号)为主关键字,以Timestamp(定位时间)为次关键字,由小到大对数据进行排序;提取与上客数据点相邻的下一时刻的出租车GPS数据,添加到出租车上客点数据集中,再以ID为主关键字,以Timestamp为次关键字,由小到大进行排序,如表3所示,计算相邻时刻两点的位置坐标之差:
根据差值的正负判断乘客上车后出租车的行驶方向,向东(△x>0)或向南(△y<0)表示上客点位于顺时针方向的出行子区Scw,向西(△x<0)或向北(△y>0)表示上客点位于逆时针方向出行子区Sccw;两点经度坐标之差△x=0.00001012>0,表示乘客上车后出租车的行驶方向为向东,上客点位于顺时针方向的出行子区Scw内;
统计顺时针方向出行子区Scw内的上客次数Ncw和逆时针方向出行子区Sccw内的上客次数Nccw;根据出租车平均每次上客人数n=2人/次,计算出行子区Scw和Sccw的出行需求量分别为:Qcw=2Ncw和Qccw=2Nccw,如表4所示。
表3添加与上客数据点相邻的下一时刻的出租车GPS数据
ID | Timestamp | Longitude(x) | Latitude(y) | Status |
8095 | 2015-06-26 13:04:30.000 | 120.1648**** | 30.2790**** | 1 |
8095 | 2015-06-26 13:04:50.000 | 120.1648**** | 30.2790**** | 1 |
8095 | 2015-06-26 13:42:52.000 | 120.1656**** | 30.2791**** | 1 |
8095 | 2015-06-26 13:43:12.000 | 120.1656**** | 30.2791**** | 1 |
8095 | 2015-06-26 14:06:52.000 | 120.1643**** | 30.2790**** | 1 |
…… | …… | …… | …… | …… |
表4各个子区的出行需求量
子区方向属性 | 子区编号i | 全天上客次数N | 出行需求量Q<sub>i</sub> |
S<sub>cw</sub> | 1 | 67 | 134 |
S<sub>ccw</sub> | 2 | 71 | 142 |
S<sub>cw</sub> | 3 | 59 | 118 |
S<sub>ccw</sub> | 4 | 67 | 134 |
S<sub>cw</sub> | 5 | 126 | 252 |
S<sub>ccw</sub> | 6 | 15 | 230 |
S<sub>cw</sub> | 7 | 192 | 384 |
…… | …… | …… | …… |
4、选择子区的质心作为停靠站候选点,建立乘客出行距离矩阵;
选择上述在道路中线两侧交错排列的出行子区的质心作为出租车停靠站的候选点;构造乘客出行距离矩阵Di×j=[dij],根据出行子区i与停靠站候选点j的3种位置关系,计算出行子区i的乘客到候选停靠站j的步行距离dij,具体方法如下:
(1)属于相同的出行子区:假设同一子区内的乘客均匀分布在候选点两侧,例如出行子区1的乘客在1号停靠站乘车,则人均步行距离为:
(2)属于道路同侧的不同出行子区:步行距离等于两个子区质心(候选停靠站点)之间的城市距离,例如出行子区1的乘客去3号停靠站乘车,则步行距离d13=84米;
(3)属于道路两侧的出行子区:步行距离等于两个子区质心(候选停靠站点)之间的城市距离与街道宽度之和,例如出行子区1的乘客去4号停靠站乘车,则步行距离d14=163+37=200米;
5、构建路侧式出租车停靠站选址模型
(1)目标函数:对于市政规划部门,要求投资建设费用最小化;对于服务对象(乘客),要求出行便利性最大化;出行便利性通常可以用出行距离或时间表示,为了整体目标的一致性,计算乘客单位步行时间价值cp=112.5元/小时,将出行距离或时间转化为出行成本,建立总经济费用最小的优化目标:
Min(C)=Min(C1+C2) (3)
式中C为总的经济费用,包括出租车停靠站的建设成本C1和乘客的出行成本C2;ct=12000元,表示出租车停靠站的单位建设成本;Xj为二元决策变量,如果出租车停靠站设置在候选点j,则值为1,否则为0;λ=1秒/米,表示行人平均步速(1米/秒)的倒数;表示乘客总步行距离,其中,qit为出行子区i在t时段的出行需求量,Yij为二元决策变量,如果出行子区i的乘客到停靠站j候车,则值为1,否则为0;
(2)约束条件:设置路侧式出租车停靠站的实际限制因素包括:乘客可接受的最大步行距离Dmax、待建区的需求覆盖率Dc(出租车停靠站所能服务的出行需求量与待建区内总的出行需求量之比)、出租车停靠站的停车位数量Np和停车位的最大服务能力Pmax;基于上述限制因素建立选址模型的约束条件:
约束(6)保证仅在候选点j存在出租车停靠站时乘客才可能到j处候车;约束(7)保证只有在距离dij不超过乘客可接受的最大步行距离Dmax时,出行子区i的乘客才会选择到候选点j候车;约束(8)说明乘客可以选择不去停靠站,如果去,一个出行子区的乘客只能选择相同的停靠站。约束(9)保证待建区内停靠站所服务的乘客数量满足需求覆盖率Dc的要求;约束(10)保证在任意时间段t内任意一个出租车停靠站j服务的乘客数不超过其最大服务能力;
6、计算模型相关参数,启发式算法优化求解模型,确定最佳选址方案
参考《城市道路交通规划设计规范》(GB 50220-95),设置乘客可接受的最大步行距离Dmax=300米;路侧式出租车停靠站的停车位数量Np=2;每个停车位每小时可以服务的最大乘客数Pmax通过下式进行计算:
式中:g/C表示每个信号周期内有效绿灯时间(为了简化计算,假设均为路段的停靠站为1.0),tc表示连续两辆出租车之间的时间间隔(单位:秒);td表示车辆平均停留时间;Za表示对应于在出租车停靠站后排队概率的单边检验量(车辆待位率大于等于50%时,Za=0);cv表示停留时间的偏差系数。
选择启发式算法中的遗传算法对模型进行求解,要求待建区的需求覆盖率Dc=80%,当循环达到最大迭代次数或目标函数值在固定迭代次数下无改进时,算法终止;优化结果最终给出了该市在出行热点4区域内共需设置6个出租车停靠站,分布位置和理想的出行需求分配方式如表5所示;该方案下,总费用为91354.80元,其中停靠站的总建设费用为72000元,乘客总出行成本为19354.8元。
表5路侧式出租车停靠站最优选址方案
综上,本发明是一种准确度高、逻辑性强、适用性好的基于GPS轨迹大数据的路侧式出租车停靠站选址优化方法。
Claims (4)
1.一种基于轨迹大数据的路侧式出租车停靠站选址优化方法,其特征在于,该方法包括以下步骤:
步骤一、获取出租车GPS轨迹数据,对原始数据进行预处理,删除无效和冗余的数据,提取出租车需求信息,包括出租车上客点和下客点数据;
步骤二、对上述数据进行时空分析,识别出租车出行热点,包括出租车上客和下客热点;
步骤三、结合实际位置环境,判断热点状态特征,确定合理的路侧式出租车停靠站待建区;
步骤四、在待建区内划分乘客出行子区,计算各个子区的出行需求量;
步骤五、选择子区的质心作为停靠站候选点,建立乘客出行距离矩阵;
步骤六、构建路侧式出租车停靠站选址模型,包括总经济费用最小的目标函数和考虑实际限制因素的约束条件;
步骤七、通过启发式算法优化求解模型,确定最佳选址方案,包括:路侧式出租车停靠站的设置数量、位置以及理想的出行需求分配方式;
所述的步骤一的具体步骤如下:
11)获取出租车GPS轨迹数据,所述的出租车GPS轨迹数据包括车辆标识号ID、定位时间Timestamp、经纬度坐标(x,y)、车载状态Status(0/1),其中,0代表空载,1代表重载;
12)提取车载状态由0变成1时的1点数据,构建出租车上客点数据集R1(0→1)={t,s,(x,y)};提取车载状态由1变成0时的0点数据,构建出租车下客点数据集R0(1→0)={t,s,(x,y)},其中,t表示定位时间,s表示车载状态;
所述的步骤二的具体步骤如下:
21)将出租车上、下客数据按照时间进行分类即以周为单位进行分类,并且根据日变化规律确定出租车出行的高峰日;
22)将高峰日的出租车上、下客数据导入ArcGIS平台进行空间核密度分析,实现出租车出行热点区域的可视化;
所述的步骤三中结合实际位置环境,判断热点状态特征的具体方法如下:
出租车出行热点由于所处位置环境的不同通常呈现两种状态:一、点状的辐射态,该状态出现在火车站、汽车站、机场和大型人流聚集和疏散的场所,这些地方已经配备了出租车停靠站以满足旅客的出行需求,因此不适宜作为路侧式出租车停靠站的待建区;二、网状的分布态,该状态出现在商圈、居民区、并且覆盖多条街道,人车流量大,交通繁忙的区域,适合并需要设置路侧式出租车停靠站;
所述步骤四的具体方法如下:
41)选取分割长度2R,将待建区内的道路划分为相邻的网格,沿着道路中线将网格分成上行和下行两个方向的出行子区;定义向东或向南为顺时针方向CW,向西或向北为逆时针方向CCW,根据上行和下行方向定义顺时针方向出行子区Scw和逆时针方向出行子区Sccw;
42)相对于顺时针出行子区Scw的位置,将逆时针出行子区Sccw沿着道路中线整体平移距离R,形成交错排列的位置结构;
43)判断上客点在道路中线两侧的位置,统计顺时针方向出行子区Scw内的上客次数Ncw和逆时针方向出行子区Sccw内的上客次数Nccw;
44)根据出租车平均每次上客人数n,计算出行子区Scw和Sccw的出行需求量分别为:Qcw=Ncw·n和Qccw=Nccw·n。
2.根据权利要求1所述的一种基于轨迹大数据的路侧式出租车停靠站选址优化方法,其特征在于,
所述的步骤43)中判断上客点在道路中线两侧的位置的具体方法如下:
提取与上客数据点相邻的下一时刻的出租车GPS数据,计算两点的位置坐标之差,如式(1),根据差值的正负判断乘客上车后出租车的行驶方向,向东(△x>0)或向南(△y<0)表示上客点位于顺时针方向的出行子区Scw,向西(△x<0)或向北(△y>0)表示上客点位于逆时针方向出行子区Sccw;
D(taxi)=[{ti+1,si+1,(xi+1,yi+1)}-{ti,si,(xi,yi)}]=[{△t,△s,(△x,△y)}] (1)
式中:△t表示定位时间间隔,△s=1-1=0,(△x,△y)表示经纬度的差值。
3.根据权利要求1所述的一种基于轨迹大数据的路侧式出租车停靠站选址优化方法,其特征在于,所述步骤五中建立乘客出行距离矩阵的具体方法如下:
计算出行子区i到停靠站候选点j的平均步行距离dij,构造乘客出行距离矩阵Di×j=[dij],其中,平均步行距离dij根据子区i与候选点j之间的3种位置关系进行计算:
(1)属于相同子区:假设同一子区内的乘客均匀分布在候选点两侧,则可通过式(2)计算dij;(2)属于道路同侧的不同出行子区:dij等于两个子区质心即停靠站候选点之间的城市距离;(3)属于道路两侧的出行子区:dij等于两个子区质心即停靠站候选点之间的城市距离与街道宽度之和;
式中,qi表示出行子区i的出行需求量,R表示分割长度的一半。
4.根据权利要求1所述的一种基于轨迹大数据的路侧式出租车停靠站选址优化方法,其特征在于,所述步骤六中构建路侧式出租车停靠站选址模型的具体方法如下:
61)对于市政规划部门,要求投资建设费用最小化;对于服务对象即乘客,要求出行便利性最大化;出行便利性通常可以用出行距离或时间表示,为了整体目标的一致性,计算乘客单位步行时间价值cp,将出行距离或时间转化为出行成本,建立总经济费用最小的目标函数模型,用数学语言描述,如式(3):
Min(C)=Min(C1+C2) (3)
式中,C为总的经济费用,包括出租车停靠站的建设成本C1和乘客的出行成本C2;ct为出租车停靠站的单位建设成本;Xj为二元决策变量,如果出租车停靠站设置在候选点j,则值为1,否则为0;λ为行人平均步速的倒数;表示乘客总步行距离,其中,qit为出行子区i在t时段的出行需求量,Yij为二元决策变量,如果出行子区i的乘客到停靠站j候车,则值为1,否则为0;dij等于两个子区质心即停靠站候选点之间的城市距离与街道宽度之和;
62)、所述的约束条件为设置路侧式出租车停靠站的实际限制因素,包括:
乘客可接受的最大步行距离Dmax、待建区的需求覆盖率Dc、出租车停靠站的停车位数量Np和停车位的最大服务能力Pmax;
其中,所述的待建区的需求覆盖率Dc为出租车停靠站所能服务的出行需求量与待建区内总的出行需求量之比;所述的停车位的最大服务能力Pmax为每个停车位每小时可以服务的最大乘客数,在停靠站面积和几何尺寸适当的情况下可通过式(6)进行计算:
式中,g/C表示每个信号周期内有效绿灯时间即在无信号交叉口或路段的停靠站为1.0,tc表示连续两辆出租车之间的时间间隔,单位:秒;td表示车辆平均停留时间;Za表示对应于在出租车停靠站后排队概率的单边检验量;cv表示停留时间的偏差系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910101781.6A CN110458589B (zh) | 2019-02-01 | 2019-02-01 | 基于轨迹大数据的路侧式出租车停靠站选址优选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910101781.6A CN110458589B (zh) | 2019-02-01 | 2019-02-01 | 基于轨迹大数据的路侧式出租车停靠站选址优选方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110458589A CN110458589A (zh) | 2019-11-15 |
CN110458589B true CN110458589B (zh) | 2023-02-10 |
Family
ID=68480585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910101781.6A Active CN110458589B (zh) | 2019-02-01 | 2019-02-01 | 基于轨迹大数据的路侧式出租车停靠站选址优选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110458589B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111275296B (zh) * | 2020-01-14 | 2022-06-24 | 北京交通大学 | 一种基于轨迹数据的单向共享汽车系统选址优化方法 |
CN111582985A (zh) * | 2020-05-09 | 2020-08-25 | 北京首汽智行科技有限公司 | 一种基于用户推荐的共享出行服务网点确定方法和装置 |
CN111696354B (zh) * | 2020-06-22 | 2022-07-26 | 东北大学 | 一种智慧交通调控系统 |
CN111968365B (zh) * | 2020-07-24 | 2022-02-15 | 武汉理工大学 | 一种非信号交叉口车辆行为分析方法、系统及存储介质 |
CN112926894A (zh) * | 2021-04-07 | 2021-06-08 | 河北师范大学 | 一种基于遗传算法建立出租车站点的方法 |
CN113393030A (zh) * | 2021-06-11 | 2021-09-14 | 上海钧正网络科技有限公司 | 车辆运营区域潜力站点选址方法、系统、终端及介质 |
CN113435777A (zh) * | 2021-07-13 | 2021-09-24 | 北京交通大学 | 一种电动运营车辆充电站规划方法及系统 |
CN113739814B (zh) * | 2021-08-27 | 2023-09-26 | 南通大学 | 一种基于出租车轨迹序列的乘客下客点提取优化方法 |
CN117131149B (zh) * | 2023-10-26 | 2024-01-23 | 四川国蓝中天环境科技集团有限公司 | 一种基于运渣车gps轨迹的土石方点位和运输网络识别方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002297833A (ja) * | 2001-03-30 | 2002-10-11 | Daiwa House Ind Co Ltd | 交通検証システム,交通検証装置,交通検証方法,プログラム並びにデータ記録媒体 |
JP2012088885A (ja) * | 2010-10-19 | 2012-05-10 | Shunnosuke Shimano | シティサイクルシステムの運営方法 |
CN102682497A (zh) * | 2011-03-02 | 2012-09-19 | 福特全球技术公司 | 一种车辆数据汇集和报告的方法 |
CN103295394A (zh) * | 2013-06-24 | 2013-09-11 | 东南大学 | 基于广义gps数据的出租车候客站点备选地址确定方法 |
CN103578265A (zh) * | 2012-07-18 | 2014-02-12 | 北京掌城科技有限公司 | 基于出租车gps数据的打车热点获取方法 |
CN105632173A (zh) * | 2015-12-31 | 2016-06-01 | 河海大学 | 利用出租车gps数据进行城市公交系统的优化识别方法 |
CN106548367A (zh) * | 2016-10-12 | 2017-03-29 | 电子科技大学 | 多源数据的选址模型及其应用研究 |
CN106952414A (zh) * | 2016-01-07 | 2017-07-14 | 覃鹏 | 一种针对高峰期公共自行车租赁点选址布局方法 |
CN107316208A (zh) * | 2017-06-20 | 2017-11-03 | 国网重庆市电力公司电力科学研究院 | 一种共享汽车共享网点布局与选址模型 |
CN108053058A (zh) * | 2017-11-29 | 2018-05-18 | 东南大学 | 一种基于大数据的电动出租车充电桩选址方法 |
CN108171452A (zh) * | 2017-12-08 | 2018-06-15 | 苏宁云商集团股份有限公司 | 一种快递点选址方法及装置 |
CN108537391A (zh) * | 2018-04-25 | 2018-09-14 | 哈尔滨工业大学 | 一种基于出租车轨迹数据的出租车停靠站设置优化方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218672B (zh) * | 2013-03-24 | 2016-03-02 | 吉林大学 | 一种基于gps数据网格统计的出租车巡航行为分析方法 |
CN105809278A (zh) * | 2016-03-03 | 2016-07-27 | 华北电力大学(保定) | 一种基于排队论算法的电动汽车换电站选址规划方法 |
US20180075327A1 (en) * | 2016-09-14 | 2018-03-15 | Realtymaps, Llc | Automated location based comparative market analysis |
CN107169605B (zh) * | 2017-05-18 | 2020-06-30 | 东南大学 | 基于车辆定位信息的城市电动汽车充电站选址方法 |
CN108230020B (zh) * | 2017-12-28 | 2021-05-04 | 西北大学 | 一种基于多维时间粒度时空频繁区域挖掘的方法 |
-
2019
- 2019-02-01 CN CN201910101781.6A patent/CN110458589B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002297833A (ja) * | 2001-03-30 | 2002-10-11 | Daiwa House Ind Co Ltd | 交通検証システム,交通検証装置,交通検証方法,プログラム並びにデータ記録媒体 |
JP2012088885A (ja) * | 2010-10-19 | 2012-05-10 | Shunnosuke Shimano | シティサイクルシステムの運営方法 |
CN102682497A (zh) * | 2011-03-02 | 2012-09-19 | 福特全球技术公司 | 一种车辆数据汇集和报告的方法 |
CN103578265A (zh) * | 2012-07-18 | 2014-02-12 | 北京掌城科技有限公司 | 基于出租车gps数据的打车热点获取方法 |
CN103295394A (zh) * | 2013-06-24 | 2013-09-11 | 东南大学 | 基于广义gps数据的出租车候客站点备选地址确定方法 |
CN105632173A (zh) * | 2015-12-31 | 2016-06-01 | 河海大学 | 利用出租车gps数据进行城市公交系统的优化识别方法 |
CN106952414A (zh) * | 2016-01-07 | 2017-07-14 | 覃鹏 | 一种针对高峰期公共自行车租赁点选址布局方法 |
CN106548367A (zh) * | 2016-10-12 | 2017-03-29 | 电子科技大学 | 多源数据的选址模型及其应用研究 |
CN107316208A (zh) * | 2017-06-20 | 2017-11-03 | 国网重庆市电力公司电力科学研究院 | 一种共享汽车共享网点布局与选址模型 |
CN108053058A (zh) * | 2017-11-29 | 2018-05-18 | 东南大学 | 一种基于大数据的电动出租车充电桩选址方法 |
CN108171452A (zh) * | 2017-12-08 | 2018-06-15 | 苏宁云商集团股份有限公司 | 一种快递点选址方法及装置 |
CN108537391A (zh) * | 2018-04-25 | 2018-09-14 | 哈尔滨工业大学 | 一种基于出租车轨迹数据的出租车停靠站设置优化方法 |
Non-Patent Citations (2)
Title |
---|
城市垃圾收运系统选址和选线优化研究;郇鹏;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20120515(第5期);第11-19页 * |
基于大创项目需求的交通工程专业选修课设置及课程内容设计研究;陶鹏飞;《教育教学论坛》;20181231(第52期);第125-126页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110458589A (zh) | 2019-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110458589B (zh) | 基于轨迹大数据的路侧式出租车停靠站选址优选方法 | |
CN108564226B (zh) | 一种基于出租车gps及手机信令数据的公交线路优化方法 | |
Chiu Chuen et al. | Mode choice between private and public transport in Klang Valley, Malaysia | |
CN103985247A (zh) | 基于城市叫车需求分布密度的出租车运力调度系统 | |
CN108537391B (zh) | 一种基于出租车轨迹数据的出租车停靠站设置优化方法 | |
CN105679009B (zh) | 一种基于出租车gps数据挖掘的打车/接单poi推荐系统及方法 | |
CN107679654B (zh) | 一种停车规模预估控制系统及实现方法 | |
CN112784000B (zh) | 基于出租车轨迹数据的寻客方法 | |
Qu et al. | Location optimization for urban taxi stands based on taxi GPS trajectory big data | |
CN105427001A (zh) | 地区中小学校校车最优路线与配置方法 | |
Ku et al. | The effect of a smart mobility hub based on concepts of metabolism and retrofitting | |
CN104282142B (zh) | 一种基于出租车gps数据的公交站台设置方法 | |
CN108388970A (zh) | 一种基于gis的公交站点选址方法 | |
CN113361754A (zh) | 一种基于dbscan算法的弹性公交站点布局方法 | |
CN112949987A (zh) | 基于预测的出租车调度和匹配方法、系统、设备及介质 | |
González-Rodríguez et al. | Urban traffic flow mapping of an andean capital: Quito, ecuador | |
Emmanuel | Energy-efficient urban design guidelines for warm-humid cities: strategies for Colombo, Sri Lanka | |
Seo et al. | Analysis of overlapping origin–destination pairs between bus stations to enhance the efficiency of bus operations | |
Mirza | Systematized Traffic Pattern-Solution for Multiple Problems: A case study of traffic pattern at selected roads (Shahrah-e-Quaid-e-Azam) in Lahore. | |
Mamdoohi et al. | An Analysis of Public Transit Connectivity Index in Tehran. The Case Study: Tehran Multi-Modal Transit Network | |
Harish | Urban transport and traffic management-For sustainable transport development in Mysore city | |
Lee et al. | Ensemble-based methodology to identify optimal personal mobility service areas using public data | |
Duong | Bus Rapid Transit in Hanoi: A Case Study of Applying a New Model of Public Transportation | |
Variyam et al. | Trip assignment modelling for an Indian city to assess the benefits of proposing ring roads | |
CN116341944B (zh) | 一种城市公交可持续适宜发展区评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |