一种量化分析城市建成环境对道路行程时间影响的方法与流程

本发明属于城市交通规划及交通大数据研究领域，特别涉及应用城市出租车gps数据和空间地理信息数据来研究城市建成环境对道路行程时间的影响。
背景技术：
：近年来，伴随着人们出行时间观念的加强以及交通路网运行效率的恶化，道路行程时间的研究已经成为智能交通系统研究的热点。现有关于道路行程时间的研究多是基于交通流理论或数据驱动方法进行道路行程时间估计和预测。如hofleitnera在《arterialtraveltimeforecastwithstreamingdata:ahybridapproachofflowmodelingandmachinelearning》中用大量浮动车gps数据提出一种混合模型框架来估计干线出行时间；mucsik在《anadaptiveneuro-fuzzyinferencesystemforestimatingthenumberofvehiclesforqueuemanagementatsignalizedintersections》中利用浮动车采集的稀疏数据预测整个路段行程时间的三层神经网络；马超锋在《基于低频采样gps数据的路段行程时间估计》中基于交通流理论重点考虑交叉口的影响，并用低频gps数据对路段行程时间进行深入研究以提高估计精度。然而，这些方法往往无法分析影响道路行程时间的主要因素，且受限于所研究区域自身建成环境属性和数据，研究成果很难被直接应用到其他区域。以往的研究已经证实城市建成环境与出行者出行行为之间存在密切关系，城市建成环境会影响出行者的出行目的地、出行方式、出行频率、出行路线等出行行为，并最终影响道路网络行程时间。因此，有必要从城市建成环境的角度入手，深入研究影响道路行程时间的主要因素。此外，由于空间异质性的存在，城市建成环境对不同区域道路行程时间的影响规律也不尽相同。本发明在此基础上，应用城市出租车gps数据和空间地理数据，提出一种量化分析城市建成环境对道路行程时间影响的方法。技术实现要素：本发明要解决的技术问题是：先将研究道路分成多个小路段，并基于研究道路上的出租车gps数据和空间地理信息数据提取出各小路段的平均速度和建成环境属性信息。然后以各小路段的平均速度作为因变量，路段建成环境属性作为关键自变量，路段最近交叉口类型虚拟变量作为调节变量，考虑关键自变量与调节变量的交互影响做回归分析，并从回归结果中选取出显著影响路段平均速度的关键自变量。最后将提取的关键自变量带入地理加权回归模型(gwr)中，进行量化分析。本发明的技术方案：一种量化分析城市建成环境对道路行程时间影响的方法，步骤如下：1.基础数据对选取的研究道路(8公里以上)，按每20—30米进行分段。(1)路段平均速度和载客比数据提取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，得到各个路段上含有速度和载客状态的出租车gps数据，记为表a，然后根据表a中出租车gps数据，分别计算每个路段所有出租车的平均速度和载客比(各路段载客状态下出租车样本量与全状态下出租车样本量之比)。(2)路段建成环境属性信息提取根据路网地理信息数据，首先统计研究路段周边500米范围内的大厦数量、银行数量、宾馆酒店数量、药店数量、停车场数量、超市数量、餐饮店数量、公交站点数量以及学校数量；然后统计距离各小路段最近的学校距离、最近的交叉口距离以及最近的公交站点距离；最后统计各小路段的限速大小。(3)道路交叉口类型分类对研究道路上所有交叉口按进口车道数、是否有左转车道、左转车道是否独立分成n(n>＝2)类。然后将最后一种交叉口类型(即类型n)作为参照项，其余n-1种交叉口类型设为“虚拟变量”，具体设置如表1所示：表1交叉口类型虚拟变量的设置交叉口类型d1d2…dn-1类型110…0类型201…0……………类型n-100…12.含交叉项的全局回归分析在全局回归分析中，以各路段平均速度作为因变量，路段建成环境属性作为关键自变量，路段最近交叉口类型虚拟变量作为调节变量，考虑关键自变量与调节变量的交互影响。具体模型结构如下：其中：模型中s表示路段平均速度大小；βo为回归常数；χ1，χ2，…，χ14分别表示大厦数量、银行数量、宾馆酒店数量、药店数量、停车场数量、超市数量、餐饮店数量、公交站点数量、载客比、学校数量、最近学校距离、最近交叉口距离、最近公交站点距离、限速大小，共14个关键自变量，其中β1，β2，…，β14为其对应的回归系数；d1，d2，…，dn-1分别表示n-1个交叉口类型虚拟变量，其中η1，η2，…，ηn-1为其对应的回归系数；λkp为建成环境属性与交叉口类型虚拟变量的交互影响系数；ε为随机误差项；通过全局回归分析，可以得到显著影响道路行程时间的关键自变量，并且可以证明了空间异质性的存在，因此需要使用空间局部模型做进一步的量化分析。3.空间局部模型分析将全局回归分析中得到的显著影响道路行程时间的关键自变量，带入空间局部模型中，即地理加权回归模型(gwr模型)。具体模型结构如下：其中：si为第i个路段的平均速度；(ui,vi)为第i个路段坐标；βo(ui,vi)为第i个路段回归常数；χik为第i个路段第k个自变量，βk(ui,vi)为其对应的回归系数；m表示在全局回归中有m个关键自变量是显著的；εi为第i个路段的随机误差项；空间局部模型考虑不同地理位置建成环境对道路行程时间影响的空间异质性，从定量角度研究这种空间异质性现象和成因，从而揭示城市建成环境与道路行程时间的内在影响规律。本发明的有益效果：本发明从根源上分析了道路行程时间的影响因素，因此得到的结果反映的是更普遍的规律，易于推广和应用到其他研究区域；本发明的结果可以得到研究线路各区域路段的影响规律，因此可以帮助交通管理者明确了城市路网中问题存在地点，进而有针对性的设计方案来改善交通系统的性能；本发明的结果还有助于提升交通规划者和管理者对城市建成环境与交通系统关系的认识，从而制定有针对性的城市规划和管理策略，以期通过城市建成环境的改善进而从根源上提高路网通行效率，减少交通拥堵和道路行程时间时间。附图说明图1是研究道路交叉口位置图。图2是公交站点数量的回归系数空间分布图。图3是公交站点数量的t值空间分布图。图4是最近交叉口距离的回归系数空间分布图。图5是最近交叉口距离的t值的空间分布图。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.基础数据选取深圳市南山区工业八路与后海大道交叉口到侨城东路与白石路交叉口之间的路段作为案例研究对象。使用2014年6月9日到2014年6月13日7：:30到9:30之间该路段上所有的出租车实际数据。先将该研究道路按25米一段，分成397段。然后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，并计算每个路段上所有出租车平均速度和载客比。最后根据路网地理信息数据，统计研究路段周边500米范围内大厦数量、银行数量、宾馆酒店数量、药店数量、停车场数量、超市数量、餐饮店数量、公交站点数量以及学校数量，各小路段最近学校距离、最近交叉口距离、最近公交站点距离以及限速大小。由于要考虑交叉口类型与建成环境的交互影响，需要对研究道路交叉口类型进行处理。该研究道路一共包含17个交叉口，交叉口名称见表2所示，交叉口位置图如图1所示。表2交叉口名称交叉口编号交叉口名称交叉口编号交叉口名称交叉口1工业八路与后海大道交叉口交叉口10沙河东路与白石路交叉口交叉口2东滨路与后海大道交叉口交叉口11石洲中路、深湾一路与白石路交叉口交叉口3登良路与后海大道交叉口交叉口12红树街、深湾二路与白石路交叉口交叉口4创业路与后海大道交叉口交叉口13深湾三路与白石路交叉口交叉口5海德一道与后海大道交叉口交叉口14深湾四路与白石路交叉口交叉口6学府路与后海大道交叉口交叉口15深湾五路与白石路交叉口交叉口7岗园路与白石路交叉口交叉口16云天路、海园一路与白石路交叉口交叉口8科苑南路与白石路交叉口交叉口17侨城东路与白石路交叉口交叉口9科技南路与白石路交叉口对研究道路上所有交叉口按进口车道数、是否有左转车道、左转车道是否独立分成4类。由于交叉口类型变量无法像停车场数量、公交站点数量、载客比等变量可以定量去度量。因此需要通过引入“虚拟变量”来具体“量化”其对道路行程时间的影响。为了避免“虚拟变量陷阱”(多重共线性问题)，本案例将交叉口类型4作为参照项，交叉口类型1、类型2和类型3设为虚拟变量，具体交叉口类型分类方法见表3所示，虚拟变量设置见表4所示：表3交叉口类型分类方法交叉口类型特点类型1进口车道数不超过四车道，有独立左转车道；类型2进口车道数不超过四车道，有左转车道但不是独立的；类型3进口车道数不超过四车道，无左转车道；类型4进口车道数大于四车道，有独立左转车道；表4虚拟变量设置交叉口类型d1d2d3类型1100类型2010类型30012.含交叉项的全局回归分析结果将基础数据带入本发明技术方案中提出的全局模型中，用spss进行多元线性回归，其结果见表5所示。当各个变量t值的绝对值大于1.96时，说明该变量是显著的，则被选择列入表5中。表5多元线性回归模型结果分析：模型估计结果的f值为13.805，给定显著水平α＝0.05，有f>f0.05(58,338)，则表明拒绝原假设，至少有一个自变量的系数显著不等于0，模型的线性关系在95％的置信水平下显著成立。模型结果中radj2为0.648，说明模型中的自变量能够解释路段平均速度64.8％的变化。从表5中可以看到，交叉口类型1和交叉口类型2与路段平均速度均呈显著正相关，而交叉口类型3由于共线性而被排除。说明交叉口类型2有左转车道但不是独立的，交叉口类型3无左转车道，而事实上交叉口类型2左转车道的效果与交叉口类型3没有差异。当交叉口没有左转专用车道时，左转车受前面直行车辆的干扰，导致交叉口类型2与交叉口类型3相差不多。此外，根据表5中的结果还可以看到，停车场数量、最近交叉口距离、限速大小以及载客比与路段平均速度呈显著正相关，而公交站点数量和最近学校距离与路段平均速度呈显著负相关。以交叉口类型4作为对比项，当最近交叉口类型为1时，停车场数量、公交站点数量、最近学校距离、最近交叉口距离、载客比以及限速大小对路段平均速度产生的影响会显著不同；当最近交叉口类型为2时，公交站点数量和限速大小对路段平均速度产生的影响会显著不同；当最近交叉口类型为3时，公交站点数量、最近交叉口距离以及载客比对路段平均速度产生的影响也会显著不同。由此可见，在整个研究线路上，当路段最近交叉口类型不同时，城市建成环境对路段平均速度的影响规律也不相同，存在空间异质性特点。在全局回归模型中，估计的是城市建成环境属性对整个区域路段的平均影响，忽略了不同区域路段的空间异质性。因此有必要应用空间局部模型—gwr来探索不同区域路段平均速度的影响因素以及其空间分布特征。3.空间局部模型分析结果在全局回归结果中选取停车场数量、公交站点数量、载客比、最近学校距离、最近交叉口距离以及限速大小作为自变量。gwr模型标定采用gwr4.0软件包。输出结果可以得到397个小路段各自对应的自变量回归系数和t值。表6和表7分别列出各自变量回归系数和t值的最小值、25％分位数、中位数、平均值、75％分位数以及最大值。表6gwr模型自变量系数估计结果变量最小25％分位中位数平均值75％分位数最大值常量-121.072-13.91416.439-0.00631.87075.133停车场数量-4.928-2.700-1.540-1.581-0.4501.747公交站点数量-0.347-0.0420.3940.3320.6471.093载客比-1.1114.81610.2889.52115.06719.033最近学校距离-0.023-0.0120.0050.0070.0300.038最近交叉口距离0.0390.0490.0680.0630.0720.087限速大小-0.861-0.259-0.0500.3000.6862.329表7gwr模型自变量t值估计结果从表6和表7中可以看到，同一解释变量对不同路段平均速度的影响并不相同。在某些路段上解释变量对其平均速度的影响为正相关，而在其他路段上却是负相关。同时，在某些路段上这种相关性是显著的，而在其他路段上却是非显著的。根据空间局部模型结果，可以将不同建成环境属性的自变量系数和t值用空间分布图表示。本案例中给出公交站点数量和最近交叉口距离的回归系数和t值空间分布结果，图2和图3分别表示公交站点数量的回归系数与t值空间分布图；图4和图5分别表示最近交叉口距离的回归系数与t值空间分布图；从图2和图3中可以看到公交站点数量在交叉口5与交叉口6之间，交叉口7与交叉口9之间以及交叉口16与交叉口17之间对路段平均速度呈显著正相关。说明在这个三个区域路段，道路行程时间对公交站点数量比较敏感，且公交站点数量越多，道路行程时间越短。本研究道路上有公交专用道，且研究的出租车gps数据正好处于公交专用道使用时间(7:30—9:30)。因此，在这些路段上虽然公交站点多，但是由于公交专用道和港湾停靠站配合，公交车辆停靠不会对社会车辆速度产生负面影响；其次，公交站点越多，出行者乘坐公交的概率越大，而乘坐出租车的概率就相对越小，则出租车需要减速至停车来载客的概率就越小，因此当用出租车数据来采集整个路段的平均速度时，路段平均速度就会越大。从图4和图5中可以看到最近交叉口距离在整个研究线路上对路段平均速度均是呈显著正相关，但不同区域系数大小不同。这说明，最近交叉口距离对路段平均速度具有显著的影响，与最近交叉口距离越近，路段平均速度就越小，道路行程时间就越长。对比每个路段其最近交叉口类型发现，当路段最近交叉口类型为1和4时，其回归参数相对较大，而当其最近交叉口类型为2和3时，其回归参数相对较小。交叉口类型1和类型4都有独立的左转车道。这说明是否有左转专用道会对路段平均速度的大小产生影响。在其他因素相同条件下，当最近交叉口有独立左转专用道的路段其平均速度更快。因此，在城市主干道上，如果条件允许，在交叉口应该尽量设置左转专用车道，这样既可以保证了交叉口安全以及左转车道通行效率，还能减少道路行程时间的大小。当前第1页12