基于浮动车数据的哈尔滨市市区出行OD分析资料.docx
《基于浮动车数据的哈尔滨市市区出行OD分析资料.docx》由会员分享，可在线阅读，更多相关《基于浮动车数据的哈尔滨市市区出行OD分析资料.docx（59页珍藏版）》请在冰点文库上搜索。
基于浮动车数据的哈尔滨市市区出行OD分析资料
河北工业大学
毕业论文
作者：
学号：
学院：
土木工程学院
系（专业）：
交通运输系交通运输专业
题目：
基于浮动车数据的哈尔滨市
市区出行OD分析
指导者：
评阅者：
2015年6月14日
毕业论文中文摘要
基于浮动车数据的哈尔滨市市区出行OD分析
摘要：
随着社会经济的发展，人们出行日渐频繁，并且私家车的数量不断增加，导致交通拥堵现象频发，尤其是在城市内部路网中。
要改善交通拥堵现象，便需要合理规划城市路网，大力发展公共交通运输方式，而只有掌握居民的出行规律，以此作为支撑才能够更加合理地进行路网的规划，公共交通运输工具的调度等。
OD矩阵是居民出行规律的数字表示方式，因此如何获取精确的OD矩阵便成为关键。
同时，浮动车技术作为近几年发展起来的交通数据采集技术，由于其数据量大、时效性强、客观准确等优点，在交通数据采集中应用越来越广。
本论文以出租车为例，将其作为浮动车，结合哈尔滨市出租车的运营期间所采集到的GPS等数据，通过数据处理获取了居民乘坐出租车出行的OD矩阵，并对居民的出行规律进行了分析，为哈尔滨市的交通的改善提供了数据基础。
关键词：
OD矩阵浮动车技术出租车数据
毕业论文外文摘要
TitleTheAnalysisofTheODTripsofTheHarbinCity
BasedontheFloatingCarsData
Abstract
Withthedevelopmentoftheeconomyandsociety,peopletravelmorefrequently,andthenumberoftheprivatecarisincreasing,leadingtomoreandmorefrequenttrafficjam,especiallyincity.Toimprovetrafficcondition,weneedrationalplanningoftheurbanroadnetwork,todeveloppublictransportmode.Todothat,masteroftheresidentstravelruleasthesupportisnecessary.ODmatrixoftheresidentsisthedigitalrepresentationoftheresidentstravelruleandhowtoobtainapreciseODmatrixisthekeytosolvetheproblem.
Meanwhile,floatingcarinformationcollectingtechnologyhasdevelopedasafrequency-usedtrafficdatacollectiontechniqueinrecentyears.Itsadvantagesthatthedatacollectedismorereal-time,objective,accurateandtheamountofthedataisbiggermakeitmoreandmorewidelyusedintrafficdatacollection.
Inthispaper,wetakethetaxiasexampleoffloatingcarsandgettheODmatrixoftheresidents’tripbytaxi,byprocessingthedatausingtheGPSdatacollectedfromHarbintaxisduringtheiroperation.Besides,weanalyzedtheresidenttriprule,andprovidedbaseforthetrafficimprovement.
Keywords：
ODmatrixFloatingcartechnologytaxitripdata
目录
1绪论1
1.1研究背景1
1.2研究的目的与意义1
1.3国内外研究现状2
2浮动车数据的分析与处理5
2.1相关概念5
2.2浮动车数据的处理7
2.3本章小结16
3利用聚类分析划分交通中区17
3.1聚类分析概述17
3.2交通中区划分概述20
3.3研究区域交通中区的划分20
3.4OD矩阵的获取29
3.5本章小结31
4哈尔滨市居民出行特征分析32
4.1出行量随时间的变化规律32
4.2出行量随空间的变化规律35
4.3基于居民出行特征提出改善交通的几点建议36
4.4本章小结37
结论38
参考文献39
致谢41
附录A42
1绪论
1.1研究背景
随着社会经济的发展，城市人口的不断增加，私家车数量的不断壮大，当前城市交通问题日益严重，各种矛盾日益突出，交通拥堵，事故频发。
为改善市内交通的状况，需要对城市现有的路网合理地规划运用，并适当地增加一些地下通道、立交桥等来疏导拥堵路段的交通，此外合理安排公共交通工具的运营调度，完善市内的公共交通运输系统也是一种有效措施，而要做到以上则首先必须了解居民的出行规律，只有在了解居民的出行规律，能够正确掌握交通流的时空分布特征，才能够对交通各相关方面做出合理的调整，改善市内交通条件，使交通更加地流畅。
OD矩阵作为居民出行特征的数字表现形式，便是改善市内交通的数据基础，如何获取实时准确的乘客OD信息是问题的关键。
此外浮动车技术作为新兴的交通数据采集技术，凭借其成本低，测试范围广，实时性强等优势逐渐地在交通数据采集中得到了广泛应用，如何通过浮动车数据来获取精确的OD矩阵成为国内外学者研究的热点。
市内公共交通工具，出租车、公交车等由于其运行的空间和时间跨度均比较大，且属于公共交通工具，GPS等数据信息容易获取到，非常适于作为浮动车采集市内路网的交通数据信息，其中由于出租车具有机动灵活，不受线路和运行时刻表等的约束，运营时间自由，可以实现门到门的服务，因此相对于公交车而言，通过出租车的运行特点所获取的城市居民OD矩阵更加地准确，同时居民出行在时间上的分布也更加全面，因为公交车存在运营时间的限制，而对于整体出租车而言，其是全天运行的，能够很好地填补了公交车在运营时间上的空白，因此在本文中，将出租车作为浮动车，通过出租车在运行期间所采集的相关数据信息来获取研究范围内居民出行OD特征。
1.2研究的目的与意义
本课题的研究目的在于利用浮动车数据获取城市居民的OD矩阵，在本文中以出租车为例，通过对出租车运营过程中所采集的GPS数据、状态值、等信息的分析与处理，获取实时、准确的城市居民乘坐出租车出行的OD矩阵。
精确的OD矩阵对于交通需求估计的准确性、交通设施的优化管理，提高公共交通设施服务水平等是至关重要的，通过OD矩阵可以知道乘客的出行规律，出行分布，可以据此来调整道路的使用，对各项交通设施的部署进行空间和时间上的调整，以使其能够更好地与居民的出行相契合，为出行者提供更加高水平的服务。
传统的交通调查技术，如跟车调查法、问卷调查法等往往存在采集到的数据量少、测试范围不全面，成本高等问题，浮动车法是近几年来发展起来的一种进行交通数据采集的技术，其很好地弥补了传统交通调查的缺点，大大地提高了交通调查数据的准确性、全面性保证了所得到乘客出行OD矩阵的准确性。
1.3国内外研究现状
鉴于传统的OD矩阵的获取需要进行大量的交通调查，需要耗费大量的人力、财力和物力，而且数据生命周期短，时效性差，因此自1978年vanZuyle和Willumsen[1]利用检测到的交通量，运用最大熵原理来进行OD矩阵“反推”以来，各国便就OD估计展开了研究，各种估计方法层出不穷，由于相对于静态OD矩阵而言，动态OD矩阵具有更好的时效性，更能够满足交通规划与管理的需要，因此自20世纪80年代以来，各国的研究重点便放到了动态OD矩阵上。
我国相关方面的研究起步较晚，但是也是发展迅猛。
以下就是目前国内外OD矩阵估计的研究现状。
1.3.1国外研究现状
国外关于公共交通OD矩阵估计的研究重点主要放在了如何得到一个通用且有效的算法上，在动态OD矩阵估计方面常用的算法主要有：
最大似然法、广义最小二乘法、极大熵法、最小信息量法、BP-神经网络模型，均衡算法与非均衡算法，双层规划数学模型等等[2]。
1991年，基于交通控制中心和车辆之间的相互通信规定，使得有效的动态OD矩阵的连续估计成为可能，皇后大学的VanAerde,M.[3]提出了建立动态OD矩阵的四阶段法的数学方法，并且说明了OD矩阵估计的统计方法的局限性，作者提出只有在网络的市场渗透率足够高的情况下，才能保证OD矩阵估计的准确性，利用车辆数据与控制中心的交互生成动态OD矩阵在当时是不现实的，但是这种方法是一个非常具有潜力的方法。
2000年，Turksma,S.[4]提出交通控制以及交通信息服务在很大程度上依赖于路网信息的精确性，通过感应线圈获取的路网信息情况不能满足实际需求，而通过浮动车技术可以精确地测量在城市内复杂的道路网络中以及高速公路网络中车辆的行驶时间以及获取精确的OD矩阵。
2004年，Eisenman,S.M.[5]提出探针的使用为OD矩阵的估计提供了一种全新的数据源，并且对于利用探针估计OD矩阵存在的问题给出了解决方案。
Matschke,I.[6]提出了通过使用交叉口级别的附加信息来估计OD矩阵的方法，作者通过检测流量数据和交叉口信号灯的配时信息来确定其所需的附加信息，并通过将信息向周边连接传播，进而扩大OD估计的范围。
2007年，Caceres，N.[7]提出了通过移动手机网络生成OD数据的想法，利用移动通信系统移动电话网络全球系统来检测路网中车流的运动状况，由于检测活动仍然在GSM网络中进行，只需要从基站数据库中提取数据即可，成本效益比相对于传统方法更优。
2009年Biletska,K.[8]指出交通信号灯控制路口的OD矩阵是交通系统中的一个关键信息，作者提出了一个新的动态两步法用来估计信号交叉口的OD矩阵。
2011年，Frederix，R.[9]提出通过分解来简化复杂的拥堵路网，将其细化为多个等级，在每个等级上单独进行OD估计的方法。
2015年，Mahmoudabadi，A.[10]提出了一个两阶段过程，包括确定路径的最小化观测值与预测值之间的误差，来获取所需调查路网中的OD矩阵。
1.3.2国内研究现状
我国关于OD矩阵的研究自上世纪九十年代便开始了，1995年，广东工学院的林思能[11]提出了通过处理记录车牌照法所得的数据来进行OD矩阵推断的思想，虽然该方法在当时的各种方法中相对简单，但是由于对计算的要求较高，而当时我国的数据计算能力还较低，所以在当时这种方法没有得到推广，但之后我国相关方面的研究逐渐地多了起来。
1996年，王炜、孙俊[12]两人就对于大型交通网络OD矩阵的推算的方法进行了研究，其利用极大熵模型，通过路段的交通量进行OD矩阵的推算；丁以冲[13]提出了利用交通量观测值进行OD流估计的贝叶斯——交通流均衡模型。
1999年，安梅，高自友[14]提出了一个进行多模式OD估计双层规划问题的新的解法——多模式逐步更新比例矩阵算法，提供了一种更加简单的方法来确定均衡状态下的比例矩阵，在得出OD需求估计值的同时也得出了各个末端的路段的流量估计值。
2000年张文新、胡列格[15]等人提出了一种新的交通OD流估计的解法——四维搜索，通过将节点的迂回流与直达流相分离，求解节点的发生量与集中量来进行交通流估计；尹娟、郭国会[16]提出了利用神经网络进行交通OD矩阵的推算。
2001年，史峰、付印平[17]提出了在拥挤网络中，OD矩阵的估计模型以及算法，采用用户平衡分配与随机用户平衡分配的方法来进行OD矩阵的推算。
2003年陈森发、周振国[18]等人基于极大熵原理，推导出相应的数学模型，并利用迭代算法，建立了一种动态OD矩阵的估计算法。
在2004年林勇、蔡远利、黄勇宣[19]结合了递推法以及一步法二者的优点，建立了滑动窗广义最小二乘法模型来进行动态的OD矩阵估计，并且提出了一种更加切合实际的分配矩阵的计算公式。
2005年董敬欣、吴建平[20]提出了利用浮动车进行OD矩阵的检测，即利用浮动车车辆上的车载工具记录的车辆的运行数据作为数据基础对所估计的OD矩阵进行检测。
2009年，郭仁拥、黄海军[21]根据路网中可能出现的变异情况，提出了一个改进的网络交通流演化模型。
2014年，陈震霆[22]等人提出了利用移动定位来获取OD矩阵的想法，考虑到我国移动手机用户量之庞大，这是一个很可行的方法。
此外，在数据采集方面目前，现行的公共交通OD矩阵数据采集常用的方法主要有人工调查法和非人工调查法。
人工调查法主要通过发放调车问卷、跟车调查、电话咨询等方式来获取乘客的出行信息，这种方法可以节省高新技术设备的成本，而且机动灵活，可以随时根据需要进行工作的调整，但其也存在自身的缺点：
人力有限不可能进行大范围的数据收集工作，人工调查的调查周期有限，数据的时效性比较差等；非人工调查法是近几年新兴的，主要通过道路上安装的检测设备，公交IC卡信息信息统计，浮动车法，图像识别技术等。
非人工调查法主要是利用一些技术手段来获取乘客的OD信息，比如利用IC卡信息技术统计，利用车辆内的监控信息通过图像识别技术判断车内的人数，利用路边安装的检测设备检测车辆信息等等，由于非人工调查法收集的数据一般为实时数据，时效性比较强，可以不断地更新收集到的数据，因此对其的应用越来越广。
1.4本文主要研究内容
本论文研究目的是找出一种方法能够根据所采集到的浮动车数据信息来得到较准确的城市居民的出行特点，得出较精确的OD矩阵。
在此我们以哈尔滨市的出租车数据为例，将其作为浮动车数据，听过对所获取的数据的处理来获取居民乘坐出租车出行的OD矩阵，分析哈尔滨市居民的出行特征。
本研究的优先之处在于浮动车收集的数据时效性较强，相对于人工调查的数据更加客观准确，本研究的数据基础是哈尔滨市全市的出租车的GPS数据，数据全面，不是通过某一具体算法来估计OD分布，而是通过分析收集到的大量数据来得出居民的出行特征。
2浮动车数据的分析与处理
2.1相关概念
2.1.1OD矩阵
OD矩阵是在道路网中的出行者所有的起、终点之间出行量所组成的数量表格，其很好地反映了出行者对交通网络中道路交通通过量的需求，是进行交通管理与规划的基础依据，其中动态OD矩阵能够反映在特定的时间内每一个OD对之间的交通需求，但是在通常情况下，需要进行大量的调查以来收集OD数据，需要大量的人力和财力作为支撑，同时得到的数据往往是静态OD矩阵，因此如何在避免交通调查的情况下更加省时省力地获取出行者的OD数据成为当今交通领域研究的热点问题。
2.1.2交通信息采集技术
根据设备工作的地点不同，将交通信息采集的技术分为固定式和移动式两种信息采集技术，以下是对两种信息采集技术的基本介绍以及两者之间的比较。
（1）固定式交通信息采集技术
顾名思义，固定式交通信息采集技术主要是通过安装在需要采集信息的道路上的可进行信息采集的固定检测设备以来观测所经过的车辆，来获取交通信息，其中常用的交通信息检测技术主要有视频采集技术、波频采集技术、磁频采集技术三种，下面对三者进行简单说明：
视频信息采集技术，其是综合利用视频采集与模式识别的新兴的检测技术，是通过特定的软件来处理持续采集到的视频图像来获取交通信息。
波频信息采集技术，根据其主被动性分为被动式采集技术和主动式采集技术。
其中被动式采集技术是通过检测器来接收所经过的车辆发出的能量波，并对其进行分析，提取所需信息；主动式采集技术是采集设备主动发出能量波，当车辆经过时便会将能量波反射回来，检测器接收到以后对其进行分析处理获取所需信息。
磁频信息采集技术，主要是利用电磁感应原理，当车辆经过检测区的时候，会改变检测器的磁场进而使其内部电流发生变化，当其变化超过设定阈值时便会计入记录，完成车辆信息的采集工作。
（2）移动式信息采集技术
移动式信息采集技术是指将可进行交通信息采集的特定设备安装到车辆上，然后利用车辆在路网中的移动来收集所需的交通信息。
常见的移动式信息采集技术目前主要有以下三种：
电子标签信息采集技术、手机浮动车信息采集技术以及GPS浮动车信息采集技术。
电子标签信息采集技术是指将特定的电子发射器安装到车辆中，在车辆行驶过程中其发射的信息会被道路两侧的信号接收天线采集到，继而利用计算机处理采集到的信息获取所需的交通信息。
手机浮动车信息采集技术是指在车辆中放入手机，通过车辆在路网中行驶，通过手机与各个移动通信基站之间的位置变化来将车辆移动轨迹匹配到路网中，进而获取所需的交通信息。
GPS浮动车信息采集技术主要是指将可以进行测速和定位的GPS设备安装到车辆中，在其在路网中行驶过程中，GPS设备会定时返回车辆的速度、经纬度等数据信息，通过对这些数据处理获取所需的信息。
（3）交通信息采集技术之间的比较
表1-2各种交通信息采集技术之间的比较
采集方式
采集技术
优点
缺点
固定式
视频信息采集技术
可以为管理者提供图像，可获取数量极大的交通视频信息。
受雨、雪、雾等天气的影响比较大，覆盖范围小，而且会由于车辆之间的相互遮挡而降低信息的准确性
波频信息采集技术
受天气影响比较小，可以全天工作，对于静止车辆也可以检测到。
覆盖范围比较小，受环境的影响大
磁频采集技术
技术已经比较成熟，精度高
安装需要破坏道路，妨碍交通，此外寿命较短，覆盖范围较短
移动式
电子标签信息采集技术
可全天工作，数据连续性比较好
需要大量的设备作为支撑，投资比较大。
手机浮动车信息采集技术
覆盖范围广，投资相对较少
采集的数据精度较差
GPS浮动车信息采集技术
精度高，覆盖面广，数据实时性比较强，维护成本低，可全天工作。
必须使用安装有GPS设备的车辆。
目前，随着智能交通系统的建设，对交通信息数据的广度要求越来越高，固定式信息采集技术在信息采集范围、成本方面的不足日渐显现出来，与此同时随着GPS定位的精度的不断提高以及信息传输技术的不断发展和进步，移动式信息采集技术数据的精度不断提高，此外由于其覆盖范围广、维护成本低、数据实时性较强等优点，越来越受到人们的青睐，应用越来越广泛，其中尤以GPS浮动车信息采集技术的应用最为广泛。
2.1.3GPS浮动车信息采集技术
GPS浮动车信息采集技术是近几年世界上在进行智能交通系统的建设时采用的交通信息采集的先进的技术之一，是指在城市路网中行驶的车辆上安装可进行速度、位置、车辆运行状态等数据信息的设备终端，在车辆行驶过程中其会间隔固定的时间间隔采集车辆的数据信息并通过无线网络回传给控制中心，然后控制中心对数据信息进行接收、存储以及分析、处理、发布等工作，进行地图匹配、路径推算等，将浮动车的数据在时间和空间上与城市的路网联系起来，通过浮动车数据获取城市路网的状态信息[23]。
GPS浮动车信息采集技术主要由安装着GPS终端设备的车辆，即浮动车、无线网络、控制中心等组成。
2.2浮动车数据的处理
在此以出租车数据处理为例，由于出租车机动灵活，不受线路的约束等特点，可以认为乘客上下车点便是其出行的始终点，因此只需判断乘客的上下车点便可获取出租车乘客的OD矩阵。
本文主要进行出租车GPS数据的研究和处理，以来、获取研究区域的OD数据，由于市内交通状况变化以一天作为一个小周期，一周作为一个大周期，因此在本研究中选取2014年1月6日到12日这一周作为研究周期。
由于作为浮动车的出租车辆有13686辆，每辆出租车每天全天24小时每分钟上传两条数据，每天会上传将近3000条数据，所有出租车每天会上传两千多万条数据，数据量过大，数据处理时间过长，在硬件和时间上都不太可行，因此需要进行抽样调查的方法，根据确定样本量的经验法则，当总体规模较小的时候，在研究时需要较大的抽样比例，一般大约为30%，才能有较高的精确度；对于中等规模的总体，抽样比率为10%便可以达到同样的精确性；而对于规模比较大的总体，抽样比率为1%，便可以得到比较精确的结果；当样本的规模非常大的时候，大约0.25%的抽样比率便可以达到比较精确的结果[24],鉴于确定样本容量的经验法则，并且考虑到硬件方面的条件，将抽样比率确定为1%，即每天随机选取137辆出租车的数据作为样本进行研究处理，由于对于所研究的这七天数据的处理过程均相同，为避免赘述，故下文中数据处理过程均选择研究期限内一天的数据处理来进行阐述，本文选的是2014年1月7日的数据。
原始数据是dmp格式的oracle备份数据文件，下面对出租车GPS数据表格内各个字段进行简要的说明，见表2-1。
表2-1GPS数据各字段说明
字段名称
字段类型
备注
GPSDATA_ID
NUMBER（20）
出租车数据上传的顺序号
DEVID
VAERCHAR2（20）
出租车编号
STIME
DATE
数据上传时的时间（北京时间）
ALARMFLAG
NUMBER（6）
警告标识符
STATE
NUMBER（6）
上传数据时出租车的各项状态值（以十进制形式存储）
LONGTITUDE
NUMBER
上传数据时出租车所在位置的经度
LATITUDE
NUMBER
上传数据时出租车所在位置的纬度
SPEED
NUMBER
上传数据时车辆的瞬时速度（km/h）
ORIENTATION
NUMBER
上传数据时车辆的车头方向（度）
GPSTIME
DATE
数据接收到的时间（北京时间）
2.2.1数据预处理
由于GPS定位精度的不足、大气层对信号传输的影响、建筑物的遮挡或者人为操作错误等原因会导致GPS原始数据中的一些数据存在很大的误差，无法通过其来获取交通信息，因此要对原始的数据进行预处理以来剔除问题数据，由于本研究旨在进行OD分析，所以在这里主要考虑经纬度越界这种形式的误差的处理。
通过对哈尔滨市2014年1月7日这一天数据的分析得出全天有约96.7%的出租车的坐标点位于哈尔滨G1001绕城高速公路以内的范围，故将研究范围锁定在G1001所圈画起来的范围内，其经纬度的坐标范围为：
纬度45.635406至45.861084，经度126.478385至126.842994，坐标圈定范围如图2-1所示，故可利用这一数据范围来进行经纬度越界数据的处理，将这一范围外的数据剔除出去。
图2-1范围圈定示
本研究的原始数据是dmp格式的数据，因此直接将其导入oracle数据库中，采用oracle数据库对数据进行处理。
但经过试验发现，Oracle数据库数据处理速度比较慢，处理少量的数据还可以，当数据量比较大的时候其数据处理速度慢这一缺点便尤为突出，故在本文中采取oracle完成对数据的预处理，之后将数据导出，利用excelVBA进行数据处理，由于对于七天的数据而言，处理过程是完全相同的，在此以2014年1月7日的数据处理为例，在oracle中完成
升级会员 