商業區公共停車場需求預測模型研究

張軍 馮悍

摘? 要： 目前各大城市普遍存在停車難的問題，特別是在商業中心區，人、車流量大，以往停車需求預測方法通常采用停車生成率模型，利用土地用地性質及面積進行預測，文中在停車生成率模型研究的基礎上，使用PLS方法對傳統停車生成率模型進行改進，模型考慮混合用地之間的相互關系，能夠更合理地預測停車需求。以哈爾濱香坊區為例，通過現場調查獲得8個綜合商業區數據，預測了2019年、2020年的工作日與周末停車需求，并以2個代表性商業區進行驗證，實驗結果表明，相對原始停車生成率模型，基于PLS改進的停車需求預測模型預測更準確，相對誤差更低。

關鍵詞： 商業區; 停車需求預測; 公共停車場; 停車生成率模型; 混合用地; 偏最小二乘

中圖分類號： TN911.1?34; U121? ? ? ? ? ? ? ? ? ?文獻標識碼： A? ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2020）17?0123?03

Abstract： Parking is a common difficult in metropolises at present. The passenger flow and traffic flow are large， especially in CBDs （central business districts）. In the previous parking demand forecast methods， the previous parking generation rate model is usually used to predict the demand according to the nature and area of land use. On the basis of the research on parking generation rate model， the PLS （partial least squares regression） method is used to improve the traditional model. In the model， the relationship among the mixed?use lands are taken into account， so the parking demand can be predicted more reasonably. Xiangfang District in Harbin is taken as an example in the research， data of 8 comprehensive commercial districts are obtained by on?the?spot investigation to predict the parking demand on working days and weekends in 2019 and 2020. Two representative commercial districts are used for verification. The experimental results show that， in comparison with the original parking generation rate model， the PLS improved parking demand forecast model is of more accuracy and lower relative error.

Keywords： commercial zone; parking demand forecast; public parking lot; parking generation rate model; mixed?use land; partial least squares

0? 引? 言

隨著居民生活水平的提高，私家車出行體現了城市化水平，但也對城市交通環境提出更高的要求。在城市中心商業區，土地資源緊張，停車需求大，交通環境緊張，“停車難”的問題尤其嚴重，為了避免交通擁擠問題的發生，需要合理預測商業區停車需求，對區域停車位進行合理規劃與布局。

目前，國內外停車需求預測的主要模型有用地分析模型、交通量?停車需求模型、多元回歸分析模型、停車生長率模型等。用地分析模型利用土地用途與員工數來估計城區的停車需求，空間分布可信度高，但不適用于遠期預測。交通量?停車需求改進模型認為停車需求是區域吸引該車輛的結果，這種模型適用于用地功能均衡、穩定的短期預測。多元回歸模型是根據歷史數據用回歸方法以人口、建筑面積、高峰停車量等數據進行多元回歸，建立停車需求的多元模型，預測精度較低，適用于時間、空間范圍廣的停車需求預測。停車生成率模型建立在土地利用性質與停車需求生成率的累加，在我國停車需求預測中應用較多，不適用于老城區。

國內外對于城市商業區停車需求預測模型有了一定研究，可以將需求預測模型分為三個大類，即以土地利用與停車需求之間的關系模型、以出行關系與停車需求間的關系模型、以多元回歸分析為基礎的預測模型。

本次研究的地域是黑龍江省的省會城市——哈爾濱市，根據哈爾濱市的統計數據顯示，截止2017年底，市區機動車保有量達到180萬臺，近3年來增長了20%。來自哈爾濱市交通部門的統計數據顯示，哈爾濱市公共交通的分擔率只有35.7%，幾乎占[23]的哈爾濱人開車出行，給城市交通帶來了很大的壓力。

1? 基于PLS改進的商業區停車需求預測模型

1.1? 停車生成率模型

停車生成率模型是建立在土地利用性質與停車需求生成率關系基礎上的，停車需求生成率是指單位建筑面積與其對應的停車需求數量的換算系數，以高峰時間停車需求生成率為計算指標。其基本思路是將區域內各種不同土地利用性質的地塊吸引量求和以獲得預測的停車生成率模型，其模型數據表達如下：

式中：[P]為預測公共場所在某一時間段的停車高峰;[αj]為預測公共場所第[j]種用地的停車生成率，[j=1，2，…，k];[Lj]為第[j]類用地建筑面積指標;[k]為用地分類數。對于不同用地的停車生成率[αj]可以采用停車普查方式獲取，也可以采用最小二乘估計或梯度下降求解。對上述停車生成率模型求解后，可以得到各用地的停車生成率，進而對各商業區停車需求進行預測。

1.2? PLS模型

在實際應用中，各個用地之間存在潛在關系，使用單一的用地停車生成率可能會忽視用地與用地之間的相互關系。偏最小二乘（Partial Least Squares，PLS）回歸是一種最小二乘回歸的擴展，方法集合主成分分析與多元線性回歸的優點，特別在變量存在多重相關性與樣本較少時能夠有較高的預測精度。

PLS算法的具體原理如下：

1.3? 商業區公共停車場停車需求模型

停車生成率模型與PLS模型理論上都能夠反映調查區域的停車需求，要在此基礎上預測商業區等公共場所未來幾年的停車需求，必須考慮到社會經濟的發展、車輛保有水平、出行水平等因素。按照生活中的實際情況，只有車輛出行才會帶來相應的停車需求，在本次使用的停車生成率模型中，將車輛出行水平和機動車保有量作為影響未來停車生成率的因素，以預測未來的停車需求。商業區的停車需求預測模型可以表示為：

式中：[Dx]為[x]年以后公共場所的高峰停車需求預測值;[η]為機動車保有量年增長率;[δ]為車輛出行年增長率，其余變量為PLS模型參數。

2? 案例分析

本次研究中，選取哈爾濱市香坊區的停車數據（2017年），這些停車數據包括公共停車場的配建停車位、工作日高峰停車量（輛）和周末高峰停車量（輛），在本次研究之前，對哈爾濱市香坊區的具體路況和公共停車場的現場狀況進行詳細調查。通過對香坊區的8個綜合商業區進行調查，得到的具體情況如表1所示。

2.1? 各大綜合商業區停車需求預測

通過停車生成率模型，并結合前文中對香坊區的道路規劃和現場實際數據，對上述加權停車生成率模型進行優化計算，得到停車生成率[α]，計算結果如表2所示。

根據住房和城鄉建設部2015年發布的《城市停車場規劃導則》提供的部分城市公共建筑物配建停車位指標，以北京市一類商業地區作為參考（見表3），衡量哈爾濱停車生成率計算結果。

相對北京市商業建筑物配件指標，計算哈爾濱市香坊區部分區域停車生成率較北京市偏低，因為哈爾濱汽車保有率與出行水平較北京偏低，相比較所計算各類型用地生成率較符合實際。

2.2? 規劃年停車需求預測

根據哈爾濱市在2016—2018年發布的《哈爾濱統計年鑒》，并結合該市的2015—2017年機動車保有量數據年平均增長率，預測該市未來的機動車保有量，并取其平均值，使用一元線性回歸方法預測該市未來的機動車保有量。 經計算，機動車保有量年增長率[η=0.146]，2019年、2020年機動車保有量分別為217萬和249萬。

在本次調查中，從哈爾濱市交通部門獲得的數據顯示，2014年哈爾濱市居民使用私家車出行的頻率為2.7次/（天·車），而到了2017年該數值則上升到4.2 次/（天[?]車）。由此可以計算出這一時期哈爾濱市機動車出行年增長率為：[δ=4.22.713-1=0.158]。

將以上已知數值代入到式（8）中進行計算，可以得到如表4所示的停車生成率模型與加權停車生成率模型的對比結果。

為了驗證模型的有效性，與直接展現的兩種模型的預測差別，于2019年對兩個代表性商業區進行高峰停車需求調查，選取松雷國際商廈和凱旋廣場兩個綜合商業中心來驗證，實際調查的停放需求和采用兩種模型預測的數值進行對比。從表5中可以看出，原始停車生成率模型由于未綜合考慮混合用地之間的變量關系，其預測的準確度并不高，但是PLS停車生成率模型則使用了本次調查中的全部數據，其預測的準確度相對來說較高一些。PLS停車生成率模型則較為直接地揭示了停車需求和用地指標之間的聯系，誤差相對較小。

3? 結? 論

在一些二線城市的汽車保有量不斷擴大的同時，其中心城區的公共停車場已經不能滿足居民的停車需求，由此根據城市居民的出行量進行公共停車場的規劃尤為必要。本次研究中以哈爾濱市的中心城區香坊區為例，通過調查該區的部分綜合商業區的用地指標和實際停放量，并使用停車生成率模型對該區的公共停車場的需求進行預測，并基于PLS對模型進行優化，改進的模型考慮了混合用地之間的內在關系，以此計算出該區域內的各大綜合商業區的停車需求預測結果誤差更小，精度更高，對公共停車場規劃與建設具有一定意義，為該區的交通發展提供了有效的數據支持。

參考文獻

[1] 高健夫，王培松.基于神經網絡的城市停車需求預測模型[J].交通科技與經濟，2015，17（5）：5?9.

[2] 段滿珍，陳光，米雪玉，等.居住區停車泊位需求預測二步驟法[J].重慶交通大學學報（自然科學版），2016，35（1）：152?155.

[3] CHENG Tiexin， TAI Miaomiao， MA Ze. The model of parking demand forecast for the urban CCD [J]. Energy procedia， 2012（16）： 1393?1400.

[4] SEN S， AHMED M A， DAS D. A case study on on?street par?king demand estimation for 4?wheelers in urban CBD [J]. Basic Appl. Eng. Res.， 2016， 3： 254?258.

[5] 孫吉瑞.城市混合用地停車需求預測模型研究與實踐[J].交通與運輸，2016（z1）：62?66.

[6] 張雷.基于時間序列模型的停車場泊位特性預測研究[J].南京師大學報（自然科學版），2017，40（2）：24?30.

[7] 尹麗君.中山市主城區公共停車場布局分析及建議[J].交通企業管理，2019，34（1）：88?90.

[8] 程鐵信，陳敬柱，臺苗苗.城市中心商業區停車需求預測模型及實證研究[J].世界科技研究與發展，2012，34（6）：1008?1013.

[9] 周華珍.城市公共停車場選址優化研究[D].蘭州：蘭州交通大學，2015.

[10] 鄒成偉，胡寶雨，王彪.城市公共停車場停車需求預測方法研究及應用[J].公路，2014，59（8）：147?150.

[11] 彭佐康.廣州中心城區公共停車場選址規劃優化研究[J].交通企業管理，2019，34（1）：85?87.