基于卡口數據的車輛常發性出行規律研究

鄭之幗，屈新明

（深圳城市交通規劃設計研究中心，深圳 518000）

隨著城市規模的擴張及城市路網的不斷擴展及延伸，城市的機動車擁有量逐年攀升，城市交通系統的復雜程度也在不斷提高。如何高效地治理城市交通，提升交通系統的運行效率成為亟待解決的重要問題。目前全國很多城市和地區為了解決城市道路交通問題都已積極部署智能交通系統[1–2]，其中的卡口信息系統，全國聯網的數量數以萬計，每天匯集上傳的車輛軌跡數量以億級遞增，但往往卻“重建設、輕應用”，大量卡口數據簡單地被用作執法處理依據[3]，缺少更深層次的應用。交通系統作為一個復雜系統，研究系統中的不變性，是調控和治理的關鍵。在城市中，常發性出行，如通勤出行，作為城市車輛出行中重要的一部分，能夠顯著影響交通路網的整體路況。此類出行而由于私家車的GPS 軌跡往往難以完整獲取，相關實證研究依然較為匱乏。

以深圳市及瀘州市城區卡口采集的數據為基礎，對大型和小城市早晚高峰及工作日與非工作日的常發性出行的特征進行了對比分析，反映了不同類型城市的不同出行規律，有助于針對性地制定適宜當地的交通調控策略。

1 車輛常發性出行挖掘

1.1 數據說明

文章所采用的數據分別為瀘州市2021 年10 月12—17日的卡口數據及深圳市2018年3月12—18日的卡口數據。其主要字段包括passTimeLocal（車輛經過卡口的時間），crossingIndexCode（車輛所經過卡口的編碼），plateNo（車輛車牌號）。在計算前，對數據中未識別到車牌、所識別到的車牌部分不符合實際車牌規則的數據記錄進行了刪除。

1.2 車輛常發性出行定義及計算

將常發性出行定義為在同一車輛在不同天的同一特定時段內多次進行的出行。同時，結合卡口數據實際，可以定義某個特定卡口的常發性出行為在每天同一時間段內高頻出現的車輛產生的交通量，此處給出常發性出行比例的統計方法：

其中，A為卡口在目標時間段t1通過車輛集合，B為卡口在目標時間段t2通過車輛集合。通過集合交集的占比度量卡口常發性出行比例。

文中的早晚高峰分別指7：00—9：00，17：00—19：00 兩個時段，在圖例中簡稱為hush；平峰指除早晚高峰時間段之外的時間段，在圖例中簡稱為normal。

2 車輛常發性出行分析

2.1 工作日車輛常發性出行分析

通過上述數據清洗及計算流程，能夠獲得深圳和瀘州的不同天之間的卡口常發性交通量比例。由此，可以繪制出不同天的高峰卡口常發性交通量比例分布直方圖，如圖1、圖2所示。對比工作日期間卡口常發性流量占比頻率分布直方圖，明顯發現早晚高峰對應的藍色圖線更靠右側，常發性流量占比明顯高于平峰。另外，早晚高峰期間，常發性流量占比超過60 %的卡口數量不足10 %。對比深圳和瀘州卡口常發性流量占比分布圖，瀘州的高峰常發性流量占比分重心在0.35附近，平峰分布重心在0.27附近，深圳的高峰常發性流量占比分布重心在0.30附近，平峰分布重心在0.22附近，瀘州的常發性流量占比高于深圳，說明瀘州車輛出行的穩定性較高，這種情況的出現可能是因為三線城市的整體出行量較低且城市中的出行吸引點較少，使得居民出行行為復雜程度較低。

圖1 深圳工作日常發性流量占比

圖2 瀘州工作日常發性流量占比

2.2 非工作日車輛常發性出行分析

筆者進一步對非工作日期間深圳及瀘州的卡口常發性流量占比進行了統計分析，其頻率直方圖如圖3所示。由圖3可以看出，非工作日期間，深圳平峰期間的常發性流量占比高于高峰時間段，但瀘州平峰和高峰期間的常發性流量占比分布總體差異性不大.相對而言，平峰期間不同卡口的常發性流量占比分布更為分散，而高峰期則較為集中，這說明有部分卡口在非工作日的平峰期間相比高峰期呈現更高的常發性流量占比。非工作日深圳全天常發性流量占比低于瀘州，深圳全天常發性流量占比平均低于20 %，瀘州全天常發性流量占比平均為25 %。

圖3 深圳及瀘州非工作日常發性流量占比

2.3 工作日與非工作日車輛常發性出行對比分析

對比工作日和非工作日的常發性交通量占比分布圖，深圳工作日和非工作日的出行規律截然不同，反映在數據分布上，深圳的非工作日高峰常發性流量占比分布重心在0.14～0.18，非工作日平峰分布重心在0.16～0.20；工作日高峰常發性流量占比分布重心在0.28～0.32，非工作日平峰分布重心在0.18～0.22。對比來看，深圳工作日高峰的常發性流量比例大于平峰常發性流量比例，非工作日則相反。

瀘州非工作日高峰和平峰分布重心一致，在0.22～0.26；工作日高峰分布重心在0.33～0.36，工作日平峰分布重心在0.26～0.30。瀘州工作日高峰的常發性流量比例大于平峰常發性流量比例，非工作日基本一致。這說明深圳的交通出行相比瀘州更易受到上班出行的影響。其原因是瀘州城區范圍較小，居民通勤距離相對應當較短，因此，居民使用車輛進行通勤的比例較低，由卡口統計得到的常發性出行流量中通勤出行的比例因而可能較低，因此從工作日與非工作日的對比上看差異更不顯著。

計算得到不同天的常發性流量占比均值并繪制對比圖如圖4。整體而言，深圳工作日高峰時期常發性流量占比平均值為31 %，平峰為26 %，非工作日高峰15 %，平峰22 %；瀘州工作日高峰時期常發性流量占比平均值為35 %，平峰為27 %，非工作日高峰23 %，平峰25 %。可以看出，兩地的常發性流量比例均值都呈現工作日高，節假日低；工作日高峰期比平峰期高，非工作日平峰期比高峰期高的特征。

圖4 常發性流量占比均值對比圖

3 結語

以深圳及瀘州兩地為例，基于城區卡口數據，對兩地城市車輛常發性出行的規律進行了探索分析。分析發現常發性流量占比總體不高，平均占比不超過36 %；瀘州常發性流量占比高于深圳。工作日常發性流量占比高于非工作日。這說明整體而言大型一線城市的城市車輛出行行為更為復雜，流量更加不穩定；而三線城市因其可能的出行吸引點較少，車輛出行行為較為單一，常發性流量占比較大。同時，工作日高峰時期常發性流量占比比平峰時期高出6個百分點左右；非工作日平峰時期常發性流量占比高于高峰時期；反映了不同等級城市之間交通系統的差異性，為針對性的調控措施提供了參考。