基于道路交通指數大數據的上海市主城區交通擁堵特征研究

鄒 偉

基于道路交通指數大數據的上海市主城區交通擁堵特征研究

鄒 偉

鄒 偉

上海市城市規劃設計研究院 信息服務中心

助理工程師，碩士

隨著上海市道路交通網絡的快速發展，其道路狀況及通達性得到了很好的改善，而當前機動車保有量的快速增長，導致交通規劃無法有效解決交通擁堵問題。為便于了解城市交通擁堵現狀，輔助交通規劃和建設方案編制工作，國內外相繼提出了多種交通擁堵評價指標：國外基于路段速度、道路交通密度、交通量和出行時間等方面計算了交通擁堵評價指標[1-2]；國內基于擁堵里程比例、出行時間比和綜合評價等幾種計算方法，在北京[3-4]、廣州[5]、深圳、武漢及杭州等地開展了交通運行評價指標監測，而上海市則于2002年首次提出道路交通指數（RTI）[6]。鑒于交通運行評價指標的廣泛使用，大數據在城市交通中的應用思路中[7-10]也同步推進，而交通指數大數據方面的實際應用及研究則更為深入：深圳市城市交通規劃設計研究中心[11]、北京交通發展研究中心[12]等研究機構，以及百度、高德[13]等商業公司陸續提供交通大數據應用成果及服務，助力于交通規劃及管理工作。為宏觀識別上海市主城區交通擁堵特征，研究從全局均值、均值時間分布及區域空間相關等角度使用道路交通指數大數據進行數據挖掘、數據分析工作，探索主城區交通運行的通行規律、異常特征及其形成原因。

1 研究區與數據

道路交通指數是以一定范圍內各個路段實時采集的平均車速為基本參數，按不同等級道路設施要素和通行能力，加權集成并經過標準化后計算生成的。該指數反應了一定范圍內道路的平均車速和人們對道路交通擁堵程度的感受，其數值介于0—100之間，數值越大，表明道路交通越擁堵，數值越小，表明交通越暢通[14]。通過對歷史數據統計分析、出行調查和現場驗證，分類歸納出人們對快速路、地面道路交通擁堵的習慣感受程度，將交通擁堵指數劃分為“暢通”、“較暢通”、“擁擠”和“堵塞”4種擁堵程度等級[14]，以便于更直觀地表明交通擁堵狀況（表1）。

表1 交通擁堵指數劃分閾值區間

依據上海市交通委網站及相關文件給定的上海市主城區道路交通指數區域分布圖，本研究采用柵格矢量化手段，確定了該研究的區域范圍（圖1），共計68個區域，并逐一標定了各區域名稱。

研究所使用的道路交通指數數據，按10 min間隔同時計算獲取68個區域的數值，累計數據統計總時間超過8個月，數據總量逾300多萬條。基于該數據的空間分布及時間周期的特點，構建簡潔合理的分析方法，可以快速有效地實現上海市主城區交通擁堵宏觀特征的挖掘與解析。

2 研究方法

上海市主城區內交通出行存在工作日（周一至周五）及休息日（周六、周日）的差異特點，研究特以工作日和休息日作為兩大對照類別，開展上海市主城區數據處理工作。借助SQL查詢語言、GIS軟件等，研究獲得了68個區域的動態分布均值，并在此基礎上開展了4項上海市主城區交通擁堵宏觀特征分析。

（1）全局均值分析：劃分工作日、休息日兩類，匯總統計68個區域的全局平均值，并落點出圖；

（2）均值時間分布分析：劃分工作日、休息日兩類，按照10 min間隔、全天共計24 h的要求，分類匯總68個區域的動態變化數值，以時間、區域為軸，使用漸變色塊進行展現；

（3）綜合工作日及休息日交通擁堵指數的均值、“暢通”時長、“較暢通”時長、首次達到“較暢通”時間點及首次達到“擁擠”時間點等10個數值作為各區域的交通擁堵特征，采用層次聚類方法，劃分68個區域的交通擁堵特征類別；

（4）均值時間分布分析：基于68個區域的動態變化數值，采用皮爾遜相關方法，計算各個區域的全局相關系數及鄰接相關系數，以漸變顏色及粗細線條表現相關性強弱。

3 主城區交通擁堵特征分析

3.1 全局均值分析結果

依據道路交通指數數據，研究分別計算工作日和休息日的上海市主城區68個區域全局平均值，并根據給定的交通擁堵指數劃分閾值區間進行顏色標定（圖2-圖3）。

就工作日計算結果而言，全時段主城區的交通擁堵總體表現為“暢通”及“較暢通”狀態，少數區域表現為“擁擠”狀態。其交通擁堵空間分布存在以下特征：（1）交通擁堵整體以東西高架與南北高架的交點為中心向四周減緩，緩解程度存在方向性差異；（2）浦西大部分區域呈現“較暢通”狀態，以靜安寺、瑞金醫院、五官科醫院、新天地等區域為甚，而浦東均呈現“暢通”狀態，交通擁堵情況優于浦西；（3）浦西“較暢通”狀態區域呈現“東西連片”的分布特點，從西面的龍柏、漕河涇等區域向東延續至黃浦江旁的楊樹浦等區域，而“暢通”與“較暢通”區域在南北方向上呈現交錯的特點。從交通擁堵區域分布比例來看，“暢通”狀態的區域分布數量最多，占總數的56%，位于浦西的外環內邊上、黃浦江邊以及浦東全部區域；“較暢通”狀態的區域分布數量位居次席，占總數的38%，位于浦西的中環內及中環邊的區域，涉及漕河涇、古北、曹家渡、人民廣場、同濟大學等26個區域；“擁擠”狀態區域數量較少，占總數的6%，主要位于內環內，為新天地、五官科醫院、瑞金醫院、靜安寺等4個區域。

圖1 上海市主城區道路交通指數數據區域分布資料來源：作者自繪。

圖2 工作日各區域道路交通指數均值分布資料來源：基于作者研究成果繪制。

圖3 休息日各區域道路交通指數均值分布資料來源：基于作者研究成果繪制。

圖4 工作日各區域的交通擁堵變化趨勢分布結果資料來源：基于作者研究成果繪制。

圖5 休息日各區域的交通擁堵變化趨勢分布結果資料來源：基于作者研究成果繪制。

圖6 工作日各區域的暢通、較暢通、擁擠和堵塞等時長匯總資料來源：基于作者研究成果繪制。

就休息日計算結果而言，全時段主城區交通擁堵總體表現為“暢通”狀態，較少區域表現為“較暢通”狀態，而僅有瑞金醫院區域處于“擁擠”狀態。從空間分布來看，交通擁堵依然呈現以東西高架和南北高架的交點為中心向四周減緩的特征，同時也表現出擁堵狀況在東西方向高于南北方向、浦東優于浦西等情況。從交通擁堵區域分布比例來看，“暢通”狀態的區域數量占研究區域的大多數，占總數的86%，位于主城區大部分區域；“較暢通”狀態的區域數量較少，占總數的13%，主要位于內環內及部分中環邊上，具體為共和新村、閘北公園、新天地、南京西路商圈、曹家渡、五官科醫院、上海影城、靜安寺、中山公園等9個區域；“擁擠”狀態區域則為瑞金醫院區域，占總數的1%。

綜合工作日及休息日分析結果可知，兩者均存在“以東西高架和南北高架的交點為中心向四周減緩”、“擁堵狀況東西方向高于南北方向”、“浦東優于浦西”3個特征。此外，從兩者對比來看，工作日交通擁堵狀況也表現出高于休息日的狀況，并呈現顯著的空間分布特點。

3.2 均值時間分布分析結果

研究采用SQL查詢及統計工具，按照工作日和休息日區分，以10 min為間隔，分類匯總上海市主城區68個區域的交通擁堵變化趨勢數值，計算獲得工作日交通擁堵變化趨勢結果（圖4）和休息日交通擁堵變化趨勢結果（圖5）。此外，為提高交通擁堵變化趨勢分布結果的可視性，研究以5為間隔對交通擁堵指數數值進行加密，區分差異。

依據交通擁堵指數劃分閾值區間（表1），研究對上海市主城區68個區域的暢通、較暢通、擁擠和堵塞等4種交通擁堵狀態的時長進行分類匯總，以暢通時長高低排序獲得工作日及休息日的4種交通擁堵狀態時長分布匯總情況（圖6-圖7）；同時交通擁堵狀態的關鍵時間點是交通狀況研究的重要特征，研究對上海市主城區68個區域的“首次達到‘較暢通’時間點”及“首次達到‘擁擠’時間點”提取排序，生成工作日及休息日的交通擁堵狀態關鍵時間點分布情況（圖8-圖9）。

就工作日交通擁堵變化趨勢分布而言，從總體結果看，工作日交通擁堵狀況存在顯著的雙峰現象（即早高峰及晚高峰）。其中，早高峰（交通擁堵指數數值大于40）總體在8：00左右開始，在8：40左右達到早高峰的峰值，在9：50左右結束，整體持續近2 h；晚高峰（交通擁堵指數數值大于40）總體則在17：20左右開始，在18：30左右達到晚高峰的峰值，而在19：40左右結束，整體持續近2.5 h。相較于交通擁堵時長和數值分布，早高峰比晚高峰更加集中，表明早間出行時間固定、交通擁堵程度顯著，而晚間出行相對錯峰，擁堵時間跨度更大、更分散。

從具體區域統計數值分布來看，張廟、淞南兩個區域遠早于其余區域進入交通“較暢通”狀態，表明這兩塊區域的交通出行早于其余區域；而靜安寺、五官科醫院等區域則不存在雙峰現象，在早晚高峰間交通擁堵狀況一直呈現“較暢通”乃至“擁堵”的情況，該區域位于南北高架及東西高架的交錯處，交通擁堵情況可見一斑。

就休息日交通擁堵變化趨勢分布而言，從總體分布來看，休息日交通擁堵狀況從上午10：00左右開始數值平穩上升，持續到16：00 至18：00左右達到峰值，并穩定下降，為單峰數值變化，其中部分區域一直處在“暢通”狀態下，表明非工作日期間，在沒有明確的上下班時間約束下，上海市主城區交通出行呈現平穩運行狀態。

從具體區域統計數值分布來看，張廟、淞南等兩個區域依然呈現遠早于其他區域的高峰數值，需特殊關注這些區域的交通出行狀況變化；而靜安寺、五官科醫院等區域呈現持續的“較暢通”狀態，核心區域的交通出行狀況有待改善。

綜合工作日和休息日的交通擁堵變化趨勢分布，因工作日相對固定的上下班時間，導致工作日呈現“早高峰”和“晚高峰”的雙峰現象，而休息日則沒有此特點；對此，工作日的交通擁堵指數高值在時間上均較早出現，而休息日的高值則持續較晚，在個別區域延續至22：00左右。此外，工作日和休息日的變化趨勢分布中，張廟、淞南均表現出較早的交通擁堵指數高峰，這一方面值得詳細關注。

3.3 層次聚類分析結果

圖8 工作日各區域首次達到“較暢通”及首次達到“擁擠”狀態時間點分布資料來源：基于作者研究成果繪制。

圖9 休息日各區域首次達到“較暢通”及首次達到“擁擠”狀態時間點分布資料來源：基于作者研究成果繪制。

研究選取工作日及休息日交通擁堵指數的均值、“暢通”時長、“較暢通”時長、首次達到“較暢通”時間點及首次達到“擁擠”時間點等10個數值作為各區域的交通擁堵特征，采用層次聚類方法[15]，計算上海市主城區68個區域的交通擁堵特征距離并分層聚類（圖10）。此外，為進一步對68個區域區別分類，同時確保“類內差異最小、類間差異最大”的原則，將68個區域分成5大類（圖11）。

圖10 各區域交通擁堵特征層次聚類結果資料來源：基于作者研究成果繪制。

圖11 各區域交通擁堵特征分類分布結果資料來源：基于作者研究成果繪制。

圖12 工作日各區域交通擁堵相關關系（分別基于全局關系、鄰接關系）資料來源：基于作者研究成果繪制。

圖13 休息日各區域交通擁堵相關關系（分別基于全局關系、鄰接關系）資料來源：基于作者研究成果繪制。

就交通擁堵特征分類結果來看，1類區域主要分布在內環及中環間的西部和南部，具有聯結成片的特點；2類區域主要分布在中外環間西北部及黃浦江東岸、南岸的沿江區域；3類區域則主要分布在延安高架附近；4類區域則主要分布在浦東外環線附近。該4類區域交通擁堵特征總體呈現“‘西南—東北’走向連片分布”、“沿江西岸異類”的分布特點。而“無法分類”類型區域主要聚集在黃浦江西岸的中部及北部區域，尤其是北部區域聚集顯著。

結合層次聚類結果（圖10），1類、2類、3類、4類區域間的累加聚類程度差異度逐步增加，即1類、2類的聚類差異小于與3類、4類間的聚類差異，說明浦西中環線北部及西部所涉及區域交通擁堵較為均質，相互間差異性較小，而其他主干快速路周邊的差異性較大，尤其在內環內東西高架與南北高架交叉區域更加明顯。

綜合主城區68個區域交通擁堵特征層次聚類結果及分布區域可知，同類區域呈條帶分布，浦西中環周邊區域交通特征較為相近；而黃浦江西沿岸區域特征差異性顯著，較難劃分類別，其交通管理與建設尚需改善。

3.4 空間相關性分析結果

基于交通擁堵指數數據的一致性及交通網絡的通達性，研究采用皮爾遜相關方法[16]對基于全局及鄰接的68個區域分別計算相關系數，表征68個區域與其他區域的關聯程度，并采用顏色及線條粗細直觀表現數值大小（圖12-圖13）。

就工作日主城區交通擁堵相關而言，從全局關系來看，大部分區域相互間關聯性很強，交通網絡連接性很強，說明上海市主城區內交通網絡間的連通性及通暢性優異，不同區域的交通疏導流暢；而新江灣城和張廟區域則顯著異于其他區域，該兩區域與其他區域的相關關系差別很大，交通擁堵狀況存在較大的差異。此外，從鄰接關系來看，龍華、十六鋪、共和新村、淞南等區域也表現出與周邊區域較低的相關關系，表明這些區域與周邊區域的交通網絡有待改善，其區域內交通通行網絡未能達到周邊區域水準。

就休息日而言，從全局關系來看，大部分區域依然呈現出很強的全局相關關系，而十六鋪、新江灣城、淞南等區域表現出較強的相關關系，張廟區域與其他區域的相關關系表現很低。從鄰接關系來看，交通擁堵相關性較差的地點依然在龍華、十六鋪、共和新村、淞南、新江灣城等區域。

綜合工作日及休息日相關關系分布情況，上海市主城區大部分區域交通擁堵相關關系很強，表明了通達性強的交通網絡使整個區域內交通容量飽和，交通運行及分布情況具有一致性；而龍華、十六鋪、共和新村、淞南、新江灣城、張廟等區域則與其他區域的相關關系一般甚至較弱，這些區域位于交通網絡的邊緣或沿江區域，其處在交通運行的起始或終止區域或阻塞區域，無法與其他區域形成有效的關聯性。

4 結論與討論

經過多年的規劃、建設及調整工作，上海市主城區交通網絡已日趨成熟，在全局均值的分布情況中可以表明這一點：主城區各個區域的交通擁堵大部分處在“暢通”及“較暢通”狀態，少數區域處在“擁擠”狀態；同時，鑒于城市建設的先后順序，完善的交通規劃方案促使浦東的交通通暢程度表現優于浦西。

基于大城市的工作時間屬性特征，上海市主城區交通擁堵狀態在工作日同樣呈現出早晚高峰的雙峰現象，早高峰的擁堵表現較為集中，而晚高峰則存在錯峰出行，持續時間高于早高峰；休息日則呈現長時單峰特點，個別區域交通擁堵持續至22：00消退。此外，寶山地區的張廟、淞南等區域則表現出異于其他區域的峰值特點，該兩區域較早進入早高峰狀態，可能源于提前出行等因素。

此外，大部分區域表現出很強的交通相關屬性，表征了主城區交通網絡的良好通達性，而位于外環邊及沿江等區域則呈現較弱的相關關系，表明這些區域的交通網絡有待改善及提升，或者表現出不一樣的交通出行模式。

最后，研究從全局均值、均值時間分布及區域空間相關等角度對上海市主城區的交通擁堵狀況進行了系列特征分析，討論并總結了主城區68個區域的交通擁堵特點與差異，并提出了上海市主城區交通擁堵特征及其可能形成原因，助力于上海市新一輪總體規劃。此外，對于主城區交通擁堵的微觀表現尚在研究中，將結合多種數據源，采取更加豐富的方法及手段，提取各個區域的交通擁堵特征，以此輔助交通規劃方案，改變上海市主城區交通擁堵現狀。

（注：本文數據來源于上海“SODA”開放數據創新應用大賽，經授權使用。）

References

[1]INRIX National Traffic Scorecard. INRIX Index Methodology[EB/OL]. (2015-12-20)[2016-03-15]. http://scordcard.inrix.com/scorecard.

[2]Texas Transportation Institute. Urban mobility report[R]. 2001.

[3]北京交通委員會.國外交通擁堵定義指標簡介[EB/OL]. (2012-12-28)[2016-03-16]. http://www. bjjtw.gov.cn/gzdt/yjzl/201212/20121228_70291.htm. Beijing Municipal Commission of Transportation. Introduction todefinition of traffic congestion in foreign countries[EB/OL].(2012-12-28) [2016-03-16].http://www.bjjtw.gov.cn/gzdt/ yjzl/201212/20121228_70291.htm.

[4]北京市質量技術監督局. 城市道路交通運行評價指標體系[R]. 2011. Beijing Municipal Bureau of Quality and Technical Supervision.Evaluation index system of urban road traffic operation[R].2011.

[5]廣州市質量技術監督局. 城市道路交通運行評價指標體系（征求意見稿）[R].2012. Administration of Quality and Technology Supervision of Guangzhou Municipality.Evaluation index system of urban road traffic operation (draft for comments)[R].2012.

[6]魏正明. 上海推出交通指數評價運行質量[J]. 上海環境科學，2002（9）：556. WEI Zhengming. Shanghai launched traffic index quality[J]. Shanghai Environmental Sciences,2002(9): 556.

[7]牛強. 城市規劃大數據的空間化及利用之道[J].上海城市規劃，2014（5）：35-38. NIU Qiang.The spatialization of urban planning big data and its using methods[J].Shanghai Urban Planning Review,2014 (5):35-38.

[8]趙鵬軍，李鎧. 大數據方法對于緩解城市交通擁堵的作用的理論分析[J]. 現代城市研究，2014 （10）：25-30. ZHAO Pengjun, LI Kai.A theoretical analysis for the applications of big-data methods for traffic congestion relief[J].Modern Urban Research,2014 (10):25-30.

[9]楊東援，段征宇. 大數據背景下的城市交通理論變革[J]. 城市規劃學刊，2015（4）：120. YANG Dongyuan, DUAN Zhenyu. Urban transportation theory reform under the background of big data[J].Urban Planning Forum,2015 (4):120.

[10]薛原. 轉型時期特大城市總體規劃中綜合交通規劃編制改進方法的研究[J]. 上海城市規劃，2015 （3）：82-86. XUE Yuan.Research on methodology improvements of transport part in the urban master planning of megacities in China[J]. Shanghai Urban Planning Review,2015 (3):82-86.

[11]林群，李鋒，關志超. 深圳市城市交通仿真系統建設實踐[J]. 城市交通，2007（5）：22-27. LIN Qun, LI Feng, GUAN Zhichao. Practices of constructing the Shenzhen urban transportation simulation system[J].Urban Transport of China,2007 (5):22-27.

[12]北京交通發展研究中心. 北京市道路交通指數研究[R].2011. Beijing Transportation Research Center.Study on road traffic index of Beijing[R].2011.

[13]高德交通. 高德交通第一季度分析報告[R/OL]. 2014[2015-03-04].http://trp.autonavi.com/traffic/. Gaode Tansportation. Gaode Tansportation First Quarter Analysis Report[R/OL]. 2014[2015-03-04].http://trp.autonavi.com/traffic/.

[14]上海市交通委員會.上海交通出行網[EB/OL]. [2015-12-20]. http://www.jtcx.sh.cn/zhishu/jiedu. html. Shanghai Municipal Transportation Commission. Shanghai traffic travel network[EB/OL].[2015-12-20]. http://www.jtcx.sh.cn/zhishu/jiedu.html.

[15]孫吉貴，劉杰，趙連宇. 聚類算法研究[J]. 軟件學報，2008（1）：48-61. SUN Jigui, LIU Jie, ZHAO Lianyu. Research on clustering algorithm[J].Journal of Software,2008 (1): 48-61.

[16]余建英，何旭宏. 數據統計分析與SPSS應用[M].北京：人民郵電出版社，2003. YU Jianying, HE Xuhong. Data statistical analysis and SPSS application [M].Beijing: People's Posts and Telecommunications Press,2003.

Analysis on Traffic Congestion of Shanghai Central City Based on Road Transportation Index Big Data

采用道路交通指數大數據，從全局均值、均值時間分布、層次聚類及區域空間等相關角度對上海市主城區的交通擁堵狀況進行了系列特征分析。上海市主城區各個區域的交通擁堵主要表現為“暢通”及“較暢通”狀態，少數呈現“擁擠”狀態；在工作日存在“早晚高峰”的雙峰現象，休息日則呈現長時單峰特點；位于外環邊及沿江等區域則呈現較弱的相關關系，表明這些區域的交通網絡有待改善及提升，或者表現出獨特的交通出行模式。提出了上海市主城區交通擁堵特征及其可能形成原因，助力于上海市新一輪總體規劃。

From the point of global mean, mean time distribution, hierarchical clustering and regional spatial correlation, this research uses big data to analyze condition of traffic jams in downtown Shanghai. The results show that most of the 68 areas in downtown Shanghai are unblocked or some and few areas are under crowded condition. The traffic in downtown has a phenomenon of bimodal distribution in workdays, while in weekends there is a longstanding unimodal distribution. In addition, some areas beside the outer ring or along the river have different features. It shows that the transportation network remains to be improving. This research gives suggestions on traffic jams and provides references for Shanghai Master Plan (2015—2040).

交通擁堵 | 道路交通指數 | 大數據 | 層次聚類 | 皮爾遜相關

Traffic congestion | Road transportation index | Big data | Hierarchical clustering | Pearson correlation

1673-8985（2017）02-0076-06

TU981

A