【畢業(yè)學(xué)位論文】（Word原稿）基于出租車GPS數(shù)據(jù)分析深圳交通擁堵情況-統(tǒng)計(jì)教育學(xué)

基于出租車 析 深圳交通 擁堵情況 解放軍信息工程大學(xué) 摘要： 本文基于出租車 據(jù)，從區(qū)域交通量 布角度出發(fā)， 結(jié)合深圳市交通地圖， 研究 深圳市 交通小區(qū)的劃分，建立載客出租車和人們出行的 析篩選出擁堵的路段時(shí)段以及擁堵的路口時(shí)段。 本文特點(diǎn)在于把經(jīng)過(guò)處理的數(shù)據(jù)顯示在地里信息系統(tǒng)軟件上，并結(jié)合 馬克威分析系統(tǒng)完成小區(qū)的劃分以及交通擁堵模型的檢驗(yàn)。 首先， 采用隨機(jī)抽樣的方法獲取數(shù)據(jù)樣本，并 利用C+編程對(duì) 數(shù)據(jù)進(jìn)行優(yōu)化 處理 ， 得到 出租車載客 起訖點(diǎn) 時(shí)刻的 據(jù)，基于聚類與交通小區(qū)劃分的相 似性 原理 ， 利用馬克威分析系統(tǒng)中的快速 聚類 方 法進(jìn)行交通小區(qū)的劃分 ，共求得 200個(gè)小區(qū)以及各小區(qū)的坐標(biāo) 。 其次 ， 利用合理假設(shè)，建立交通量 布概率模型，采用 法 對(duì)模型的參數(shù)進(jìn)行估計(jì)、對(duì) 模型的整體擬合效果進(jìn)行了檢驗(yàn) ，利用馬克威分析系統(tǒng)處理數(shù)據(jù)得出小區(qū)交通量，進(jìn)而求解出交通量的 布。 再次 ， 根據(jù)各區(qū)域總體居民出行時(shí)耗 (出行距離 )與出行比例的總體分布，將交通小區(qū)發(fā)生量離散為不同出行時(shí)耗 (出行距離 )區(qū)間上的出行量，并將相應(yīng)區(qū)間內(nèi)的出行量按區(qū)間所包含的交通吸引小區(qū)的面積及吸引量大小進(jìn)行分配，得到了人們出行時(shí)耗 特征圖。 最后 ， 根據(jù)出租車載客后的行駛數(shù)據(jù)，編寫程序篩選出有用的數(shù)據(jù)，并且把這些數(shù)據(jù)顯示在 找車輛比較擁堵的路段以及擁堵的路口時(shí)段。通過(guò)馬克威分析系統(tǒng)軟件處理 據(jù)，得到各個(gè)路段的車輛數(shù)據(jù)。 關(guān)鍵字： 交通小區(qū)、 布概率模型 、聚類分析、馬克威分析系統(tǒng) 一、 問(wèn)題的提出 近年來(lái)，隨著國(guó)民經(jīng)濟(jì)的快速增長(zhǎng)，人流、物流、信息流以前所未有的密度涌向大中城市并向周邊輻射，城市化進(jìn)程明顯加快，城市規(guī)模不斷擴(kuò)大，人口不斷集中。此種狀態(tài)在帶動(dòng)城市交通需求高速增長(zhǎng)， 機(jī)動(dòng)車輛快速增加的同 時(shí)，也促使 城市道路負(fù)荷加重，交通擁堵現(xiàn)象日益加劇。交通擁堵使交通延誤增大，行車速度降低、時(shí)間損失、燃料費(fèi)用增加、排污量增大、城市環(huán)境惡化、并誘發(fā)交通事故，直接影響人們的工作效率和身體健康。 出租車是城市客運(yùn)交通的重要組成部分，是常規(guī)公共交通的重要補(bǔ)充。隨著出租車數(shù)量的不斷增長(zhǎng)，出租車交通量已成為城市道路交通總量中的重要組成部分，成為影響城市道路交通分布及分配預(yù)測(cè)準(zhǔn)確性的重要因素之一。由于出租車運(yùn)行的隨機(jī)性，沒(méi)有固定的起訖點(diǎn)和運(yùn)行線路，給定量分析帶來(lái)一定的困難。 各大城市 越來(lái)越多的出租車 的安裝了 端，這 些終端能夠每隔 1分鐘向出租車管理中心發(fā)送本車的位置、速度和方向等信息，是車輛 始數(shù)據(jù)主要保存出租車上裝配的 些數(shù)據(jù)包括序號(hào)，車牌號(hào)碼， 度，緯度，車輛狀態(tài) (空車、重車 )，車輛速度，車輛方向(8個(gè)方向 )等信息。 這些 現(xiàn)階段在交通擁堵方面主要集中在研究某個(gè)路口的情況，并且用緩沖區(qū)方法 ，而沒(méi)有對(duì)整個(gè)區(qū)域有個(gè)整體的描述，而 對(duì)于整個(gè)區(qū)域 的研究則是基于交通需求建立模型，數(shù)據(jù)采集的精度不高。本文基于 出租車 立 深圳整個(gè)區(qū)域的交通擁堵模型。 二、 數(shù)據(jù)的采集和預(yù)處理 我們從網(wǎng)絡(luò) （什么網(wǎng)） 上下載了深圳市出租車的 于數(shù)據(jù)量較大 ，硬件設(shè)備無(wú)法對(duì)這些數(shù)據(jù)全部進(jìn)行處理 ，我們采取了隨機(jī)抽樣的方式，從一萬(wàn)多輛出租車中隨機(jī)抽取了 100 輛出租車的 據(jù)進(jìn)行建模分析。然而，原有的一些數(shù)據(jù)的經(jīng)緯度超出深圳市范圍，還有些車輛的狀態(tài)明顯錯(cuò)誤） ，我們用 C+語(yǔ)言編程對(duì)數(shù)據(jù)進(jìn)行了篩選處理，得到了有效的 用這些數(shù)據(jù)我們進(jìn)行了下面的數(shù)學(xué)建模分析。 數(shù)據(jù)格式見(jiàn)表 1。 表格 1 數(shù)據(jù)格式 字段 示例 備注 車牌號(hào) 日期 時(shí)間 經(jīng)度 緯度 運(yùn)營(yíng)狀態(tài) 速度 方位角 粵 011/04/18 08:44:27 53 0 0 為空載； 1 為重載 該點(diǎn)車輛的瞬時(shí)速度 行車方向 三、 問(wèn)題的分析 與模型的建立 劃分小區(qū) 理數(shù)據(jù) 根據(jù)出租車載客的起訖點(diǎn)，結(jié)合深圳市的交通地圖，恰當(dāng)?shù)膭澐纸煌ㄐ^(qū)，并選擇小區(qū)中的某一點(diǎn)，用其經(jīng)緯數(shù)值作為該小區(qū)的坐標(biāo) 。 租車的狀態(tài)為 0表 示載人，為 1表示空車。在間隔幾分鐘后得到的下一數(shù)據(jù)多和上一數(shù)據(jù)的狀態(tài)相同。要得到出租車載客的起訖點(diǎn)，我們需要 對(duì)數(shù)據(jù)進(jìn)行處理，使得到的數(shù)據(jù)中相鄰的出租車運(yùn)營(yíng)狀態(tài) 不相同。當(dāng)運(yùn)營(yíng)狀態(tài)由 0變?yōu)?1時(shí)表示出租車由空車到有客人上車，當(dāng)運(yùn)營(yíng)狀態(tài)由 1變?yōu)?0時(shí)表示出租車由載客到客人下車。處理前后的數(shù)據(jù)見(jiàn)表 2、表 3： 表格 2 原始數(shù)據(jù) jd wd v 011/04/24 18:27:32 0 4 粵 011/04/24 18:28:27 6 0 粵 011/04/24 18:29:19 37 7 粵 011/04/24 18:29:58 23 0 粵 011/04/24 18:30:53 0 4 粵 011/04/24 18:31:48 8 3 粵 011/04/24 18:32:44 17 3 粵 011/04/24 18:33:38 22 4 粵 011/04/24 18:34:33 12 4 表格 3 優(yōu)化后的數(shù)據(jù) jd wd v 011/04/24 18:29:19 37 7 粵 011/04/24 18:29:58 23 0 粵 011/04/24 18:33:38 22 4 型建立 類算法 經(jīng)過(guò)上一步的數(shù)據(jù)優(yōu)化，即可得到由起訖點(diǎn)數(shù)據(jù)組成的數(shù)據(jù)集 。 現(xiàn)在需要對(duì)這些數(shù)據(jù)進(jìn)行聚類 運(yùn)算：一段時(shí)間內(nèi)的起點(diǎn)或者訖點(diǎn)被劃分為若干個(gè)區(qū)域，每個(gè)區(qū)域中的點(diǎn)分布緊湊，區(qū)域與區(qū)域之間自然分開(kāi) 本文采用了 類算法 。是數(shù)據(jù)挖掘技術(shù)中一種經(jīng)典的基于劃分的聚類算法 。 其目的在于從大量數(shù)據(jù)點(diǎn)中找出具有代表性的數(shù)據(jù)點(diǎn)，即中心點(diǎn)，然后再根據(jù)這些中心點(diǎn)進(jìn)行后續(xù)的處理 。 類過(guò)程如下： 首先從 過(guò)運(yùn)算其它點(diǎn)與這些聚類中心點(diǎn)的相似度（距離），將其分別分配給與其相似度最高（距離最 近）的中心點(diǎn)所在的聚類；然后對(duì)劃分好后的聚類重新運(yùn)算聚類中心這一過(guò)程不斷重復(fù)直到標(biāo)準(zhǔn)測(cè)度函數(shù)開(kāi)始收斂 。 設(shè) X=, 21 R 為待聚類樣本的全體 (稱為論域 )， 即道路網(wǎng)絡(luò) ， , 21 為觀測(cè)樣本 各個(gè)路段 )的特征矢量或模式矢量 ， 對(duì)應(yīng)特征空間中的一個(gè)對(duì)象 ， 設(shè) c 為聚類數(shù) ， 為樣本數(shù) ， 聚類中心點(diǎn)集 , 21 ,且, 為硬劃分矩陣。若按照最近距離進(jìn)行樣本劃分，則樣本硬劃分矩陣計(jì)算如下： ,2,1;,2,10,m i ，其它， 式中，以類內(nèi)平方誤差和最小化為聚類目標(biāo)函數(shù)，則聚類目標(biāo)函數(shù)表示 為： m (用馬克威分析系統(tǒng)聚類分析 利用馬克威分析系統(tǒng)，通過(guò)聚類分析得到了 200個(gè)交通小區(qū) 的 坐標(biāo) ， 如圖表1， 各個(gè)小區(qū)內(nèi)的交通量和各小區(qū)之間的歐氏距離。 在 圖表 2。 圖表 1 交通小區(qū)坐標(biāo)分布圖 14 2 小區(qū)的大致區(qū)域 根據(jù)小區(qū)劃分和出租車 據(jù)，給出載客出租車的 ：某時(shí)刻從坐標(biāo) (, ) ( , )、 ( , ) 的出租車有多少輛 。 域交通量 布概率模型 假設(shè) 某一小區(qū)交通發(fā)生量分布到不同小區(qū)的 與這些小區(qū)的吸引量成正比。 這是 許多分布模型的基礎(chǔ)，不再解釋。 整個(gè)深圳區(qū)域共劃分為 m 個(gè)小區(qū)，則區(qū)域交通量 布矩陣為： . . . . . . . . . 示從小區(qū) i 到小區(qū) j 的交通 量。設(shè)區(qū)域交通為 , 則有 : ,總 并記：總i,j=1,2, ,m 式中 示從 i 小區(qū)到 j 小區(qū)的交通量與整個(gè)研究區(qū)域的交通量之比。 取隨機(jī)變量 x 、 y 分別表示個(gè)交通的起點(diǎn)、終點(diǎn)，利用參數(shù) ( x 、 y ) 的聯(lián)合分布。 表格 4 聯(lián)合分布 , 0 i=1,2, ,m 上式為 ( x , y) 率分布。 型求解 把條件概率 | 簡(jiǎn)記為 P( j / I ）用來(lái)表示區(qū)域 i 的交通生成量與分布到其它各 小區(qū)之間的關(guān)系。 由于 |,即： 要求解 得先求出 P x=i 與 pj/i。 為討論方便 , 將 記為 P , 取得小區(qū) i 的交通生成量為 行全樣本抽樣 , 設(shè) 小區(qū) i 的交通生成量 , 則 然是隨機(jī)變量 , 且服從二項(xiàng)分布 P ) , P =P( j/ i) i , j = 1 , 2 , , . 若僅僅考慮機(jī)會(huì)均等 , P 的估計(jì)量為 p=X/ Q , 這僅是一個(gè)均值 ,而對(duì) j 區(qū)城和其它各小區(qū)的區(qū)別未能反映 ,過(guò)去的信息和運(yùn)行狀況未起作用 , 通過(guò)對(duì) P 采用 計(jì) , x y 1 , 2 , , , m x=i 1 2 m y=j , , , ,pm p1 就能克服上述缺點(diǎn)。 法認(rèn)為參數(shù) P 不是一個(gè)確定的常 t , 而被看作是一個(gè)隨機(jī)變量 P 的一個(gè)值 , 因而符合客觀實(shí)際。 型檢驗(yàn) 根據(jù)已獲得的關(guān)于 P 的信息 , 可建立準(zhǔn)確程度不同的 P 先驗(yàn)分布 , 作為對(duì) P 進(jìn)行修正的后臉?lè)植嫉囊罁?jù)。 如果所研究的各個(gè)小區(qū)的社會(huì)經(jīng)濟(jì)地理 特點(diǎn)沒(méi)什么大的區(qū)別 , 各區(qū)的相對(duì)位置近似?；谶@樣的情況 , 如果對(duì)各區(qū)間的交通分布情況了解不多 , 可假設(shè) P 的先驗(yàn)分布為均勻分布的 , 密度函數(shù)為 : 其他當(dāng),010,1)( P 為交通量， f(p) 為密度函數(shù)。 由概率和前述可知 , x 的概率函數(shù)也服從二項(xiàng)式分布 ,則有 : )1()/( 式中： X 是隨機(jī)變量 ( X=0,1,2， ， ； 小區(qū) I 的交通生成量。 所以 X , P 的聯(lián)合分布為： 1)1()/()(),( X 的邊緣分布為： )1(),()(10P 的后驗(yàn)分布為 : 10 11)(),( P 的 計(jì)量就是后驗(yàn)分布的均值 : 10 2111101 上式中的 通量后驗(yàn)分布均值 ;為變量 ;為交通生成量 。 用馬克威分析系統(tǒng)處理數(shù)據(jù) 根據(jù)第一題有關(guān)劃 分小區(qū)的情況，以及出租車 用馬克威分析系統(tǒng)軟件可以得出區(qū)域交通分布情況。 如圖表 4、 5、 6。 表格 5 部分小區(qū)交通量以及所占的交通比例 小區(qū) 小區(qū) 1 小區(qū) 2 小區(qū) 3 小區(qū) 4 小區(qū) 5 小區(qū) 6 交通量 270 31 18 42 10 6 交通比例 表 3 部分小區(qū)交通量 表格 6 小區(qū)交通分布情況 j i 1 , 2 , , , m 總量 1 2 m , , , 求解交通量 布 對(duì)于某一固定小區(qū)來(lái)說(shuō) ,設(shè) 0 為 平均值 , 02為 方差 , 參數(shù) P 顯然服從正態(tài)分布 N ( 0 , 02 ) , 故 P 的先驗(yàn)概率密度函數(shù)為 : 20200 2ex )( 這樣可做到綜合考慮交通分布情況 , 避免隨機(jī)因素的影響 。 最后轉(zhuǎn)化為具體的交通量 布 , 由 P = 得 從而求得整個(gè)區(qū)域的交通量 布 。如表格 7。 表格 7 部分小區(qū)交通量 分布表 小區(qū) 1 小區(qū) 2 小區(qū) 3 小區(qū) 4 小區(qū) 5 小區(qū) 6 小區(qū) 7 小區(qū) 1 區(qū) 2 區(qū) 3 區(qū) 4 區(qū) 5 區(qū) 6 區(qū) 7 合理的假設(shè)條件下， 推斷 人們出行的 空分布 。 型假設(shè) 本文提出的出行 陣估算方法中假定：城市一定區(qū)域內(nèi)交通小區(qū)的出行時(shí)耗 (出行距離 )特征具有相似性，區(qū)域總體出行特征可近似代表各小區(qū)征，并將城市區(qū)域劃 分為中心區(qū)、過(guò)渡區(qū)、外圍區(qū)等 (視城市規(guī)模和空間布局可進(jìn)一步細(xì)化為多個(gè)區(qū)域，區(qū)域劃分越多，計(jì)算精度越高，但計(jì)算量也越大 )。 就假定條件而言，城市不同的區(qū)域其出行特征存在一定差異，但具有相同區(qū)位和特征的區(qū)域內(nèi)的居民出行特征具有一定相似性，而且區(qū)域總體的出行特征正是各交通小區(qū)出性特征的綜合， 圖 7為 深圳市 調(diào)查結(jié)果，從圖中可以看出各小區(qū)的出行比例與出行時(shí)耗關(guān)系曲線與區(qū)域總體關(guān)系曲線基本一致，并以 2x 檢驗(yàn)證明了假設(shè)條件的成立。 型算法 本方法的基本思路：根據(jù)各區(qū)域 總體居民出行時(shí)耗 (出行距離 )與出行比例的總體分布，將交通小區(qū)發(fā)生量離散為不同出行時(shí)耗 (出行距離 )區(qū)間上的出行量，并將相應(yīng)區(qū)間內(nèi)的出行量按區(qū)間所包含的交通吸引小區(qū)的面積及吸引量大小進(jìn)行分配。 具體計(jì)算思路如下圖 4、 5所示，圖 4中曲線 f(x)為小區(qū) 區(qū) 上的出行比例為圖 5陰影面積 ,設(shè)小區(qū) 對(duì)應(yīng)的區(qū)間 上出行量P；圖 4為城市規(guī)劃小區(qū)的空間分布，陰影為空間上小區(qū) 所覆蓋的區(qū)域，然后根據(jù)陰影區(qū)域內(nèi)各吸引小區(qū)的大致面積和吸引量將區(qū)間出行量P按比例進(jìn)行分配。 圖表 4 小區(qū) i 時(shí)耗分布圖 圖表 5 時(shí)耗覆蓋區(qū)域示例 按照上述思路，主要計(jì)算公式 如下： （ 1） 式中，i 到交通小區(qū) j 的出行量 ; k 個(gè)時(shí)耗 (距離 )區(qū)間交通小區(qū) j 的出行量；交通小區(qū) i 所在區(qū)域出行分布特征中第 k 個(gè)時(shí)耗 (距離 )區(qū)間的出行比例， 且1k 交通小區(qū) j 隸屬于交通小區(qū) i 的第 k 個(gè)出行區(qū)間的隸屬系數(shù)，可由下式計(jì)算。 0,2m a x,2m 其它 2,2 （ 2） 其中，距離 )； 距離 )； 時(shí)耗 (距 離 )區(qū)間 限。 式 (2)實(shí)際反映了交通小區(qū) j 在交通小區(qū) i 出行時(shí)耗 (距離 )軸上覆蓋區(qū)間的情況，由圖 4 示例可以理解，圖中交通小區(qū) j 相對(duì)于交通小區(qū) i 在出行時(shí)耗 (距離 )區(qū)間 15， 20、 20， 25、 25， 30、 30， 35上的隸屬系數(shù) 別為： 0，易知式 (2)能保證1k 由計(jì)算過(guò)程可知，根據(jù)式 (1)計(jì)算得到的 陣能夠滿足矩陣發(fā)生總量約束ik j ，但不一定能夠滿足吸引總量約束 i q。因此上述結(jié)果還需要進(jìn)行修正，可根據(jù)交通小區(qū)吸引量進(jìn)行 公式類同式 (1)，如下： （ 3） 式中，j 所在區(qū)域出行分布特征中第 k 各時(shí)耗（距離）區(qū)間的出行比例； 交通發(fā)生區(qū) i 隸屬交通吸引區(qū) j 的第 k 個(gè)出行時(shí)耗區(qū)間的隸屬系數(shù)，其它符號(hào)意義同上。公式（ 2）變 為： 0,2m m 其它 2,2 （ 4）其中， 距離 )直徑；其它符號(hào)意義同上。 按照式 (1)和式 (3)計(jì)算，分別得到滿足出行總量約束和吸引總量約束的 其元素分別為多 最終計(jì)算 2 （ 5） 型修正 實(shí)例分 析驗(yàn)證，利用上式 (5)得到的 陣，基本能滿足約束條件的精度要求，如果仍不能滿足，利用下式 (6)進(jìn)行迭代運(yùn)算，逐步修正結(jié)果： 22)1()()1()()1()( （ 6） 式中， 1 k=1 時(shí) 05)所求得 陣； 陣所對(duì)應(yīng)的交通 小區(qū) 1 q， )0( j 已求得的第 陣所對(duì)應(yīng)的交通小區(qū) j 的出行吸引量，即 1 q，且 0j 的出行吸引量 。根據(jù)式 (6)進(jìn)行迭代運(yùn)算，直到滿足精度要求)1()()1()(近于 1為止。 圖表 6 計(jì)算公式圖解 圖表 7 出行時(shí)耗特征 由圖 7 可以看出人們出行的交通量隨出行距離的增加先增長(zhǎng)然后呈下降趨勢(shì)，這與實(shí)際情況基本吻合。 根據(jù)出租車載客后的行駛數(shù)據(jù)，篩選出擁堵的路段時(shí)段以及擁堵的路口時(shí)段。 通擁堵分析 交通擁堵 既是一個(gè)經(jīng)濟(jì)問(wèn)題，又是一個(gè)社會(huì)問(wèn)題，已經(jīng)成為現(xiàn)代城市經(jīng)濟(jì)發(fā)展過(guò)程中的瓶頸，備受人們的廣泛關(guān)注。交通擁堵程度的判斷，廣大市民往往是憑經(jīng)驗(yàn)和直覺(jué)進(jìn)行的，如，“ 人車擠成一團(tuán) ”、“ 前看不到頭，后看不到尾 ”等等，缺乏量化手段，具有一定的主觀性和片面性。因此，對(duì)交通擁堵程度的量化及評(píng)價(jià)的研究具有重要意義和理論價(jià)值。 通擁堵的定義 交通擁堵的定義：某路段在某個(gè)時(shí)段平均行駛速度小于 15 公里 /小時(shí)為擁堵。根據(jù)出租車載客后的行駛數(shù)據(jù)，編寫程序篩選出有用的數(shù)據(jù)，并且把這些數(shù)據(jù)顯示在 找車輛比較擁堵的路段 以及擁堵的路口時(shí)段。 圖表 8 紅色表示擁堵的路段 通過(guò)馬克威分析系統(tǒng)軟件處理 到各個(gè)路段的車輛數(shù)據(jù)。 表格 8 深圳擁堵路段 擁堵路段 1 布吉關(guān) 2 沙灣關(guān) 3 南頭關(guān)（瓶頸路段） 4 華強(qiáng)北 5 東門中路 6 清水河 7 深南路華僑城路段 8 深鹽路鹽田港區(qū) 9 鹽壩高速入口 10 布吉路路段 11 深惠路路段 12 坂田五和大道 13 羅沙路 路段 14 107 國(guó) 道 設(shè)平均速度