基于車載OBD數據的小汽車出行特征分析
——以北京市為例

郭繼孚，孫建平，溫慧敏，趙 祥，雷方舒

(1.北京交通大學，北京100044；2.北京交通發展研究院，城市交通運行仿真與決策支持北京市重點實驗室，城市交通北京市國際科技合作基地，北京100073)

基于車載OBD數據的小汽車出行特征分析
——以北京市為例

郭繼孚1,2，孫建平1,2，溫慧敏2，趙 祥2，雷方舒2

(1.北京交通大學，北京100044；2.北京交通發展研究院，城市交通運行仿真與決策支持北京市重點實驗室，城市交通北京市國際科技合作基地，北京100073)

小汽車出行特征是城市道路網運行的重要影響因素之一。采集小汽車出行數據并深入分析其出行行為特征，是引導小汽車出行方式轉變、降低機動車使用強度的重要條件，能夠為交通精細化管理和政策制定提供支持?；谲囕dOBD可采集到的小汽車出行數據和軌跡數據，提出小汽車出行特征分析方法，得到出車率、出行次數、出行距離等量化指標，分析不同階段、不同區域、不同政策下的出行指標變化特征。利用大數據分析方法對出行規律深層挖掘，進一步獲得用戶畫像、路網非直線系數等交通特征。分析結果表明，車載OBD數據能夠較好地反映小汽車出行行為特征，并對交通需求管理政策的實施效果做出定量評價。

交通管理；小汽車出行；出行特征；OBD數據；用戶畫像；出行軌跡

0 引言

近年來中國機動車保有量不斷增加，城市交通擁堵形勢嚴峻。降低機動車使用強度、提升綠色交通出行比例，成為中國大城市交通發展戰略選擇的重要方向。發掘交通參與者的出行規律，謀求解決交通病的良策成為當務之急。隨著大數據時代的到來，交通大數據井噴式涌現，使得交通的特征和問題越來越明晰和可視化，如基于手機信令數據對城市職住空間關系進行分析[1]和對流動人口出行特性進行研究[2]；基于IC卡數據獲得居民公共交通出行信息[3]，對公共交通客流進行預測[4]；基于浮動車數據對交通運行情況實時監控，提前預測交通擁堵易發區域[5]。近來共享交通給傳統交通行業服務模式帶來變革的同時，所產生的海量出行數據也有助于更為精細地刻畫出行特征。

雖然在道路運行、公共汽車和出租汽車等營運車輛、居民出行等方面已經積累了大量的交通數據以及研究成果，但反映對道路擁堵影響最大的小汽車出行行為的數據采集和分析仍顯不足。大量的私人小汽車運行在道路網中，由于對其出行規律和使用特點缺乏掌握，缺少對城市交通宏觀變化的跟蹤，難以對降低機動車使用強度綜合施策提供支持。目前，小汽車出行特征的研究主要是基于傳統的居民出行調查，對小汽車的出行特性[6]、出行規律[7]、影響因素[8-10]等進行研究，調查的數據量、信息完整度、動態時效性具有一定的局限，無法深入、準確地把握小汽車的出行特征。因此，交通決策者針對小汽車出行采取的需求管理政策、油價變動、公共交通票價調整以及網約車和共享單車等因素對小汽車出行行為的影響，至今尚沒有較好的數據和方法進行定量分析。本文采用基于車載診斷系統(On-Board Diagnostic,OBD)的小汽車出行行為數據(智駕數據)，以北京市2016年數據為例，研究小汽車出行規律，為小汽車使用的合理引導和管控措施制訂提供有力支撐。

1.1 數據采集

小汽車出行數據主要通過安裝在車上的“智駕盒子”獲得?；谲囕dOBD數據的智駕盒子是一種能夠實時采集車輛運行路徑、速度、油耗、駕駛行為和發動機運行參數的控制器局域網絡(Controller Area Network,CAN)總線設備(見圖1)，除了能夠提醒駕駛人改善駕駛行為，實現節油、減排、安全之外，還能夠詳細、無間斷地記錄車輛和駕駛人的各種數據，成為交通數據云最重要的一部分。

選取一定比例的社會小汽車安裝智駕盒子，并以1~10 s的間隔進行能耗及位置數據回傳。智駕盒子由CAN總線數據讀取、衛星定位和無線通信三個功能模塊組成，并通過用戶匿名化處理協議進行隱私保護。智駕數據主要包括四大類：駕駛數據、車況數據、出行數據、安防數據。

1）駕駛數據。

分為駕駛行為數據和實時能耗數據。前者包括急加速、減速次數，超速情況等，分析駕駛人發生不良駕駛行為的時間、位置等信息；后者包括采集時間、瞬時油耗等，實時采集小汽車能耗情況，分析其排放貢獻。

2）車況數據。

主要包括電子控制單元(Electronic Control Unit,ECU)故障碼及描述、電瓶電壓、燃油修正值、發動機負荷等車輛基礎情況，實時監測小汽車各個重要部件的安全隱患，及時發現車況異常，確保駕駛人行車安全。

3）出行數據。

分為行程數據和位置數據。前者包括點火和熄火時間數據、行駛里程、車速分布等，分析小汽車出車情況、出行時間和距離、通勤情況等；后者包括定位時間、經緯度、方向等，結合行程數據可分析駕駛人日常出行習慣、通勤情況、職住位置等。

4）安防數據。

分為提醒數據和通知數據。提醒數據包括異常提醒、水溫提醒、故障提醒、碰撞提醒等，及時提醒車輛異常情況的發生，避免出現事故，提高出行效率。

圖1 智駕盒子功能Fig.1 Functionalities of smart driving boxes

1.2 數據處理流程

小汽車出行數據處理主要包括數據獲取、基礎數據處理、出行特征分析、出行規律深層挖掘和分析結果應用五個層次(見圖2)。

1）數據獲取。

獲取經過脫敏處理的智駕數據，進行解析和清洗。

2）基礎數據處理。

以車輛點火記錄時間為開始、熄火記錄時間為結束記作一條trip，每條trip信息包含點火和熄火時的時間、位置、距離、車輛唯一編碼，以及整條trip內的出行軌跡，即每秒時間點的經緯度信息等字段。

圖2 小汽車出行數據處理流程Fig.2 Procedure for handling car travel data

圖3 2016年月均出車率與月均高峰時段交通指數對比Fig.3 Monthly average car usage rate in 2016 and monthly average traffic indicator during peak hours in 2016

3）出行特征分析。

按照車輛唯一編碼，尋找小汽車每條trip發生的時間先后順序，確定小汽車每天的出行軌跡。將trip信息中的OD點匹配到地圖興趣點POI上，將出行軌跡點匹配到路網上，經過數據分析即可得到小汽車出行特征的量化指標。

4）出行規律深層挖掘。

通過將trip信息匹配到路網中，得到小汽車每日出行情況。設置算法識別出行目的，按照出行目的對trip進行篩選，結合目的地出現的頻率或規律，可推測用戶所屬類群。根據車輛每日出行的實際距離和OD點的直線距離，推算出線路的非直線系數。

5）分析結果應用。

2014年北京市第五次城市交通綜合調查(以下簡稱“大調查”)顯示[11]，六環內不含步行的出行方式構成中小汽車出行比例為32.1%，中心城內這一比例為31.5%，均達到近1/3的比例。因而，準確把握小汽車出行特征、挖掘內在出行規律，對疏解交通擁堵具有重要作用。

2.1 出車率變化特征

1）出車率的概念。

出車率指有出行行為的車輛數占車輛總數的比例。通過智駕數據獲得出車率指標，可以反映路網運行水平和私人小汽車出行情況。

2）出車率與交通擁堵的關系。

交通指數能夠直觀地反映和評價道路交通擁堵情況，在中國多個城市得到推廣和應用。對比北京市2016年月均出車率和交通指數(見圖3)，2月因春節放假影響，出車率較低，交通指數處于較低水平；7—8月暑假期間，出車率和交通指數均降低；9月各學校陸續開學，受中秋節和國慶節前疊加影響，交通指數和出車率均處于最高水平?？梢钥闯?，出車率和交通指數具有相似變化趨勢，表明小汽車出行行為與交通擁堵具有較強的相關性。

3）交通政策對出車率的影響。

為緩解交通壓力，2008年10月北京市實施工作日兩個尾號限行政策，2015年起實行特殊天氣單雙號限行。分析2016年12月日均出車率情況(見圖4)，工作日(每周少開一天車)平均出車率為60%(去除每周少開一天車影響后可折算為75%)，單雙號限行期間，全網出車率下降至40%，取得了明顯效果，但也略高于按照75%的一半計算的出車率37.5%，說明單雙號限行之后在一定程度上增加了非限行車輛的使用。

4）出車率區域特征

按行政區分析小汽車出車率(見圖5)，總體來看，遠郊區出車率較高。西城區出車率最低為51.3%，千人小汽車保有量最高為232輛·千人-1；東城區次之，出車率為50.9%，千人小汽車保有量為231輛·千人-1。由于較為發達的公共交通網絡和停車難等因素影響，東城、西城區出車率雖處于較低水平，但較高的千人小汽車保有量以及人口密度導致小汽車出車量處于較高水平，因而中心城區道路網較為擁堵。

對評價指標進行賦權，該項目采用TOPSIS(Technique for Order Preference by Similarity to an Ideal Solution)方法，結合專家以實數形式給出的部分權重信息，遵循悲觀準則，基于理想點已知部分的屬性權重信息構建城市災害綜合風險評估模型[11]。

分環路分析小汽車出車率情況(見圖6)。由五環外至二環內，全目的私人小汽車出車率逐漸降低，五環外出車率為71.5%，二環內出車率為52.0%，表明城市外圍區域對小汽車依賴程度較高，城區內公共交通發達，對小汽車依賴程度較低。

將智駕數據分析得到的小汽車出車率與大調查結果進行對比。2014年六環內工作日小汽車出車率為62%，2016年12月基于智駕數據計算得到的日均出車率為60%，基本處于同一水平，說明智駕數據對小汽車出行特征的分析具有一定代表性。

2.2 小汽車出行次數

小汽車出行次數是反映小汽車出行強度的指標之一，也是小汽車使用可控程度的重要體現。分析2016年2月春節期間北京市樣本小汽車日均出行次數(見圖7)：非假日車輛日均出行次數相對穩定為4.8次·d-1，春節前一周(2月1—6日)小汽車日均出行次數持續增多，達到5.3次·d-1，節前一天(臘月二十八)達到峰值為5.76次·d-1；春節期間小汽車日均出行次數略有降低，平均為4.7次·d-1，2月8日(正月初一)達到低谷4.42次·d-1。

圖4 2016年12月單雙號限行對出車率的影響Fig.4 Impact of restriction by even and odd license plate numbers on car usage rate in December 2016

圖5 不同行政區的出車率及千人小汽車保有量Fig.5 Car usage rate and car ownership per 1,000 people at different administrative regions

圖6 分環路出車率Fig.6 Car usage rate on different ring roads

2.3 小汽車出行距離

小汽車出行距離增加會帶來出行周轉量增加、路網負荷增加。不同的節假日和限行政策下，小汽車出行距離表現出不同特征。

圖8 2016年10月節假日對小汽車日次均出行距離的影響Fig.8 Impact of holidays on daily average travel distance by car in October 2016

圖9 2016年12月限行對小汽車日次均出行距離的影響Fig.9 Impact of automobile restriction on daily average travel distance by car in December 2016

圖10 分環路日次均出行距離Fig.10 Daily average travel distance on different ring roads

圖11 某上班族通勤路徑Fig.11 Acommuting routing example

北京市小汽車日次均出行距離為11.4 km，對比節假日小汽車出行距離變化(見圖8)可以看出，節假日出行距離明顯增長，國慶期間平均出行距離為12.4 km。星期一至星期日日次均出行距離呈現逐步增長的周期性特征。

由圖9可以看出，單雙號限行政策實施期間，小汽車日次均出行距離明顯增長，平均出行距離為12.6 km，相比日常增加1.2 km。結合圖4，單雙號限行期間，小汽車日均出車率明顯降低，而日次均出行距離卻顯著升高。

各環路間日次均出行距離如圖10所示，通勤出行距離整體高于全目的出行距離，且越遠離中心城區通勤距離越長，五環外通勤出行距離最長為13.7 km，給中心城區道路網帶來巨大壓力。

除了直接計算小汽車出行特性指標外，通過對智駕數據深層次地挖掘分析，可獲得駕駛人特征、路網使用情況等交通特征。

3.1 小汽車用戶畫像

根據小汽車用戶的出行次數、出行距離、出行時間、出行目的地等信息提取，可推測用戶是上班族、加班族、接送孩子、專車駕駛員等不同的用戶類型。

1）案例一：上班族。

上班族有規律的居住地和工作地，每天規律出行。如圖11所示，該駕駛人高峰時段出行頻繁往返于廣安門內和酒仙橋之間，居住地與工作地間出行占出行總量的60%，具有明顯通勤特征，可判斷該駕駛人為上班族。

篩選出全體上班族出行特征參數(見圖12)，上班族全天出發時間分布比例整體趨勢與全類型相吻合，但上班族出行早晚高峰更為集中，早高峰出行出發時間早30 min。

2）案例二：專車駕駛員。

跟蹤駕駛人出行軌跡(見圖13)，未發現明顯的通勤出行規律。將個人用戶與路網小汽車平均出行特征指標進行對比，結果顯示，路網日均出行距離為59.8 km，個人用戶日均為142.4 km，是路網平均值的2.4倍；路網日均出行次數為4.5次，個人用戶日均為8.2次，是路網平均值的1.8倍；路網日均出行時耗為122.3 min，個人用戶日均為353 min，是路網平均值的2.9倍。個人用戶各出行特征參數均顯著高于路網平均值，結合出行軌跡判斷，推測該駕駛人為專車駕駛員。

篩查出全體專車的出行特征數據，通過與全類型車輛對比(見圖14)，專車車輛出車率更高，日間(8:00—20:00)在途車輛比例高于全體平均水平13%。

3.2 非直線系數

非直線系數是指出行路徑OD點之間實際行駛距離與空間直線距離之比。北京市的路網類型主要為棋盤式，實際道路由于缺乏軸向快速路和環路聯絡線，且局部路網不完善，導致繞行距離大大增加，目前北京市路網平均非直線系數(含跨行政區)為1.68，存在繞行較遠情況。

不同行政區內出行的非直線系數見圖15，其中行政區內出行指出行軌跡全部在該行政區的出行。整體來看，城六區和門頭溝區非直線系數較高，其中朝陽區非直線系數最大為1.70，東城區、海淀區、石景山區、門頭溝區次之，均為1.68，延慶縣最低為1.45。

計算北京市各區縣之間非直線系數，分別列舉系數最小和最大的前八位(見圖16)。以平谷區為起終點的出行繞行較小，其中非直線系數最小的出行是平谷到順義為1.24；東西城區出行繞行較遠，非直線系數最大為2.01。

4 結語

車載OBD數據能夠較好地反映小汽車出行全過程的行為特征，填補小汽車出行行為動態跟蹤的空白。本文利用北京市2016年智駕數據進行分析，論述了基于車載OBD數據的小汽車整體出行特征指標分析方法，對交通政策的實施效果進行定量評價。此外，作為小汽車出行大數據，通過數據的深入挖掘，可獲得更深層次的出行信息，包括精準刻畫用戶畫像、識別用戶類型、描繪出行軌跡、評價路網結構、實時監控路網停車分布需求等方面。不僅如此，車載OBD數據還能實時監測評估機動車排放情況，分析駕駛人行為特征。今后還將與其他交通大數據進行融合分析，挖掘更多的出行特征以及對交通運行的影響，深度分析擁堵原因，為小汽車出行精細化管理和政策制定提供支持。

圖12 上班族全天出發時間分布比例Fig.12 Distribution of departure time of commuters

圖13 某駕駛人一日出行軌跡Fig.13 Travel routing of a driver in one day

圖14 專車駕駛員群體出行特征Fig.14 Travel characteristics of drivers of special car reservation

圖15 北京市行政區內出行非直線系數Fig.15 Nonlinear coefficients of travel within the administrative districts of Beijing

圖16 各區縣間出行非直線系數最小和最大前八位Fig.16 Top eight counties and districts with minimum and maximum travel nonlinear coefficients

[1]張天然.基于手機信令數據的上海市域職住空間分析[J].城市交通，2016，14(1)：15-23.Zhang Tianran.Job-Housing Spatial Distribution Analysis in Shanghai Metropolitan Area Based on Cellular Signaling Data[J].Urban Transport of China,2016,14(1):15-23.

[2]馬春景.基于手機信令數據的流動人口出行特性分析方法研究[D].南京：東南大學，2016.Ma Chunjing.Study on Methods of Analyzing the Floating Population Trip Characteristics Based on Phone Signaling Data[D].Nanjing:Southeast University,2016.

[3]徐文遠，鄧春瑤，劉寶義.基于公交IC卡數據的公交客流統計方法[J].中國公路學報，2013，26(5):158-163.Xu Wenyuan,Deng Chunyao,Liu Baoyi.Approach on Public Traffic Passenger Flow Statistics Based on IC Data[J].China Journal of Highway&Transport,2013,26(5):158-163.

[4]左快樂.基于IC卡數據的不同時間層次公交客流預測方法與應用研究[D].南京：東南大學，2016.Zuo Kuaile.Research on Passenger Flow Forecasting Method and Application in Different Level of Time Based on IC Smart Card Data[D].Nanjing:Southeast University,2016.

[5]吳佩莉，劉奎恩，郝身剛，等.基于浮動車數據的快速交通擁堵監控[J].計算機研究與發展，2014，51(1)：189-198.Wu Peili,Liu Kuien,Hao Shengang,et al.Rapid Traffic Congestion Monitoring Based on Floating Car Data[J].Journal of Computer Research and Development,2014,51(1):189-198.

[6]萬霞，陳峻，王煒.我國組團式城市小汽車出行特性研究[J].城市規劃學刊，2007(3)：86-89.Wan Xia,Chen Jun,Wang Wei.Analysis the Car Trip Characteristics of Clustered City[J].Urban Planning Forum,2007(3):86-89.

[7]高峰，郭彥云，陳金川.基于出行鏈方式的私人小汽車出行屬性分析方法研究[J].交通運輸系統工程與信息，2011，11(S1)：132-139.Gao Feng,Guo Yanyun,Chen Jinchuan.Study on the Travel Attributes of Private Cars on the Basis of Home-Based Trip Chains[J].Journal of Transportation Systems Engineering&Information Technology,2011,11(S1):132-139.

[8]劉明君，郭繼孚，高利平，等.私人小汽車出行行為特征分析與建模[J].吉林大學學報(工學版)，2009，39(S2)：25-30.Liu Mingjun,Guo Jifu,Gao Liping,et al.Analysis and Modeling of Private Car Usage through Travel Behavior[J].Journal of Jilin University(Engineering and Technology Edition),2009,39(S2):25-30.

[9]武文，帥斌，殷煥煥，等.基于BL模型的居民小汽車出行行為研究[J].交通運輸工程與信息學報，2012(3)：71-75.Wu Wen,Shuai Bin,Yin Huanhuan,et al.Study of Travel Behavior by Car Based on BL Model[J].Journal of Transportation Engineering&Information,2012(3):71-75.

[10]文萍，趙鵬軍.北京舊城小汽車出行研究及綜合規劃框架[J].國際城市規劃，2014，29(2):52-58.Wen Ping,Zhao Pengjun.Car Use in the Historic City Centre of Beijing:An Empirical Analysis and Integrated Planning Proposal[J].Urban Planning International,2014,29(2):52-58.

[11]北京交通發展研究院.第五次北京城市交通綜合調查總報告[R].北京：北京交通發展研究院，2016.

Characteristics of Travel by Car Based on OBD Data:A Case Study in Beijing

Guo Jifu1,2,Sun Jianping1,2,Wen Huimin2,Zhao Xiang2,Lei Fangshu2
(1.Beijing Jiaotong University,Beijing 100044,China;2.Beijing Transport Institute,Beijing Key Laboratory of Urban Traffic Operation Simulation and Decision Support,Beijing International Science and Technology Cooperation Base of Urban Traffic,Beijing 100073,China)

The characteristics of travel by car significantly affect the operation of urban roadway network.Analyzing the characteristics of travel by car with the collected data is critical for developing the strategies that aim to change car travel behavior and reduce the usage of motor vehicles.It can also provide support for adequate traffic management and the policy making.Based on the cars’travel and routing information collected by on vehicle-borne(OBD),this paper proposes a methodology for the car travel characteristics analysis.The paper discusses several indicators such as car usage rate,travel frequency and distance,as well as the characteristics of changes in travel indicators in different time,at different regions and under different policies.By exploring travel characteristics thoroughly using big data,the paper further obtains the user profile and nonlinear coefficient of roadway network.The result shows that the OBD data can effectively reflect the characteristics of car travel and can quantitatively assess the performance of travel demand management policies.

traffic management;car travel;travel characteristics;OBD data;user profile;travel routing

1672-5328（2017）05-0070-08

U491

A

10.13813/j.cn11-5141/u.2017.0511

2017-08-15

科技北京百名領軍人才培養工程“交通數據挖掘團隊”(Z161100004916021)、北京市科技計劃項目“基于偽碼信令數據的京津冀出行分析關鍵技術和系統”(Z161100005116006)、北京市科技計劃項目“北京市路況信息融合與統一發布示范平臺”(Z161100001116094)

郭繼孚(1966—)，男，河北豐寧人，博士，教授級高級工程師，北京交通大學兼職教授，北京交通發展研究院院長。主要研究方向：交通規劃、智能交通。E-mail:guojf@bjtrc.org.cn