出租車新運營模式下的LED廣告精準投放策略

李 科，黨延忠

(大連理工大學系統工程研究所，遼寧 大連 116024)

1 引言

廣告，即“廣而告之”，它的目的在于引起消費者注意，喚起消費者對商品或服務的需要，潛移默化地引導消費者了解企業的商品或服務，誘發消費者的消費行為從而使廣告主獲得盈利。出租車作為一個流動的“活的媒體”，它具有流動性大、不受區域限制、受眾面廣的優勢。除此之外，出租車會主動尋找人群密集的區域停留，具有其他任何媒體不具備的“追逐人群”的特點。出租車以其獨有的特點能夠使廣告得到很好的推廣，是廣告信息傳播的絕好載體，深受廣告主的青睞。出租車LED廣告是一種以出租車LED顯示屏為傳播媒介的廣告，基于車載信息服務技術的出租車GPS服務系統運用文字、圖片、動畫和視頻等形式進行傳播，是出租車廣告的主要形式。出租車LED廣告的推廣應用與其投放策略有著極其重要的關系。

出租車傳統的運營模式以單班制和雙班制為主，乘客通過“招手即?！钡姆绞浇熊?。傳統的“馬路揚招”打車方式主要由乘客決定出租車行駛的目的地，篩選乘客的余地受乘客影響極大。出租車司機基本是被動地接受“揚招”，如果司機對“揚招”者不予理睬，很可能被投訴“拒載”而遭到處罰。同時，出租車司機“掃馬路”式的尋客行為具有隨機性與不確定性。在這種傳統的運營模式下，出租車司機的行為被出行者行為影響非常大，不同的司機很難有差異化行為。因此，出租車LED廣告投放時間不靈活，投放內容單一和投放區域不精細。由于不分車輛、不分廣告內容，因此難以針對目標群體進行品牌宣傳和滿足目標群體的差異化需求。同時，還很難估計發布廣告的出租車數量。這使廣告主承擔著不必要的廣告費用，難于達到廣告主的預期效果。因此，亟需廣告投放的精準策略來提升廣告效果。

當前，在“互聯網+”時代下，“互聯網+交通”依托互聯網信息技術實現互聯網與傳統出租汽車服務行業的深入融合，已從抽象概念變成觸手可及的生活體驗。利用線上線下O2O的運營模式，乘客線上預約叫車，司機線下服務，打車軟件成功建立乘客與司機的“供需”關系，有效降低出租車的空駛率和解決乘客打車難的問題，滿足乘客便捷出行和人性服務的需求。與此同時，出租車司機的尋客方式也在逐漸改變。司機可以借助打車軟件瀏覽乘客呼叫訂單信息并進行有選擇地接單，打車軟件給出租車司機賦予了靈活的選擇權和主動權，不再擔心“拒載”而遭到處罰。出租車司機可以按照自己的意愿和偏好來選擇服務的時間、區域和人群。由此看來，打車軟件正在潛移默化地改變著人們的出行方式，影響著出租車司機的決策行為[1]，深刻地變革著出租車行業的運營模式[2]。乘客乘坐出租車時的叫車方式已經由“揚招”、“電招”走進“網招”新時代。不僅如此，在新的運營模式下，由于出租車內置了定位設備，在出租車運行時產生了大量GPS軌跡數據，這些數據覆蓋范圍廣，兼有時空特性，既能反應乘客的行為特征也能反映司機的行為特征[3]，為廣告的精準投放研究和設計提供了必要條件。

廣告精準投放利用相關技術研究用戶的興趣偏好，通過媒介傳播平臺，選擇目標群體和區域，運用文字、圖片或視頻等方式，將用戶感興趣的廣告信息或產品精準地投放給用戶[4]。相對于傳統的投放策略，它不僅考慮了目標用戶之間的差異性，為用戶提供個性化的服務，還能提高廣告的精準度和命中率，是未來廣告行業發展的主流趨勢。

研究廣告的精準投放不僅可以滿足目標群體的信息需求，還能夠為企業創造更多的收益利潤。對于廣告精準投放的研究，國外開展的比較早。Wang等[5]的研究成果表明投放用戶感興趣的廣告可以增強用戶體驗進而有助于提高廣告投放效果。Grossman和Shapiro[6]研究表明廣告信息增強了產品和消費者的有效匹配，增加了產品的需求彈性。當企業將信息定向投放于特定消費群體時，企業能夠有效地降低廣告成本。Chatterjee等[7]的研究認為廣告精確化和個性化越強投放效果就越明顯。Athey和Ellison[8]認為向消費者投放定向廣告有助于實現產品和潛在消費者的有效匹配，從而提升廣告的社會價值。國內相關的研究雖然起步較晚，但也取得了一些成果，如鄧瑛[9]認為精準廣告是以個體為單位的受眾需求為中心，將精準的廣告信息，通過合適的渠道，在恰當的時間和地點，傳達給有需求的受眾。鞠宏磊等[10]則提出精準廣告是針對消費者個性化特征和需求而推送具有高度相關性商業信息的傳播與溝通方式。倪寧和金韶[11]認為實現精準廣告要做到目標受眾精準定位、消費需求深度挖掘、投放過程精準可控。對于廣告的精準投放，目前主要集中在互聯網領域。Ha等[12]就以用戶的社交網絡信息構建用戶特征，結合用戶對商品的評價，實現對用戶個性精準化廣告的推薦。Broder等[13]利用改進的算法將網頁和廣告進行分類，通過計算網頁和廣告所屬類別的相似度和其本身的相似度的加權和得到最終的相似度，有效提高了廣告投放的準確率。Lim等[14]提出可先根據已知的用戶年齡和性別信息對用戶進行分類，結合用戶對網絡節目類型的觀看偏好和觀看時間推斷用戶特征，從而實現對用戶個性精準化投放廣告。

綜上所述，目前廣告的精準投放已經得到廣大學者的重視，同時在互聯網領域當中得到行之有效的實現，但是缺少對出租車LED廣告精準投放的研究。究其原因可能是學者很少意識到出租車運營模式的變革以及對司機行為的影響。本文提出了基于出租車軌跡數據的LED廣告精準投放的研究思路，結合數據挖掘技術，提取居民出行行為的時空特征和司機的行為特征及偏好，并根據居民出行行為和司機的興趣偏好，設計了三種廣告精準投放策略，即時段定向廣告投放策略，空間定向廣告投放策略和時空定向廣告投放策略。

2 研究思路

出租車LED廣告投放過程(見圖1)主要涉及四個方面：廣告主、廣告公司、出租汽車公司和廣告受眾，他們之間是相輔相成的關系。廣告主是廣告內容的供應方，為推銷商品或服務委托廣告公司設計和制作廣告。廣告公司與出租汽車公司合作，維護所有的廣告資源并根據產品定位進行廣告投放策略的制定與執行，最終將廣告主的商品或服務信息通過出租車LED顯示屏展示給受眾。廣告受眾是活躍在城市不同功能區內的人群。人群到達一個功能區是為了參加某種社會活動，而人群離開一個區域代表著某個社會活動的結束，這反映了人們的區域活動是抱有特定的目的和需求的[15]。例如，在火車站、汽車站、機場等交通樞紐區活動的人群往往是以出差旅行為目的。顯然，獲知司機喜歡去哪些功能區服務乘客這樣的信息會有益于出租車LED廣告的精準投放。基于此，本研究提出的出租車LED廣告精準投放是指廣告主針對不同的受眾群體發送特定的或相對個性化的廣告信息，使得廣告能夠在合適的時間以較為恰當的方式準確傳遞給目標區域內的消費群體，實現廣告信息和目標受眾之間及時有效的信息匹配。

圖1 廣告投放流程

為了實現本文的研究目的，研究思路如下圖2所示。首先對大規模真實有效的出租車軌跡數據進行預處理，包括篩選數據范圍，刪除重復數據，剔除錯誤數據和識別載客狀態等過程，提取乘客上下車位置數據和空載狀態下的軌跡數據。其次，提取居民出行時間特征。對乘客上下車位置數據做統計處理，分析居民出行在時間上的特征和規律，構造差分函數劃分居民出行的時間段。隨后，提取居民出行空間特征。采用密度峰值聚類算法對上下位置數據進行聚類，把最終的類簇輸出到地圖上進行匹配，采用人工標識的方法識別區域功能，進而了解居民在不同功能區的分布情況。然后，提取司機行為特征。在居民出行時空分布的基礎之上，從工作日和休息日這兩個維度出發，計算各個時段下每輛出租車在空載狀態下到達各個功能區域的概率，即司機對功能區的偏好度，使用K-均值對司機偏好度進行聚類，進而得出具有不同行為特征的司機群體。最后，針對居民出行行為規律和司機偏好特征提出出租車LED廣告精準投放策略，即時段定向廣告投放策略，空間定向廣告投放策略和時空定向廣告投放策略。本文中所指的“居民”即乘坐出租車出行的乘客。

3 特征提取方法

3.1 居民出行行為時間特征提取方法

居民出行時間分布反映了居民出行在時間上的特征和規律[16-17]，可以幫助我們了解人們日常出行的高峰和非高峰情況。出租車軌跡數據可以反映居民出行在時間上的分布，具有一定的客觀真實性。日常生活中，居民出行時間呈現不規則曲線分布，結合差分函數算法尋找曲線上取得極大值與極小值的位置點對時段進行劃分。

設數據集V={vt1，vt2，…，vtn}，其中vti代表一天中第ti(i=1,2，…，n)時刻乘客上/下車位置數據點數量。差分函數Diff(i)為：

Diff(i)=V(ti+1)-V(ti)，i=1,2，…，n

(1)

符號函數Sign(x)為：

(2)

居民出行時段的劃分算法可描述為：

步驟1采用公式(1)計算V的一階差分Diff(i)

步驟 2采用公式(2)對Diff(i)取符號函數運算，記作S=sign(Diff(i))。若S(ti)=0且S(ti+1)≥0，則S(ti)=1；若S(ti)=0且S(ti+1)<0，則S(ti)=-1

步驟3對S進行一階差分運算，記作R=Diff(S)。若R(ti)=-2，則于ti+1時刻為V的一個極大值位置，對應的極大值為V(ti+1)；若R(ti)=2，則ti+1時刻為V的一個極小值位置，對應的極小值為V(ti+1)。

步驟4依據[ti+1-δ，ti+1+δ]，[ti+1-δ，ti+1]，[ti+1，ti+1+δ]區間劃分出時段，其中δ表示常數值，最后得到時段T={T1，T2，…，TJ}。不同城市居民有各自的出行特點，出行時間和時段劃分需要根據具體出行情況進行調整。

3.2 居民出行行為空間特征提取方法

城市區域功能是城市區域的重要信息，在一定程度上影響著居民出行，而居民的日常出行活動又與功能區域的分布密切相關。出租車上下車位置數據蘊含了行人移動性和出行目的信息，既能實現對城市土地利用類型實時、精確地動態感知[18]，也能刻畫居民出行的空間分布[19]。不同區域的位置數據密集程度反映了居民出行情況，揭示區域對人們的吸引程度，數據點越密集越能說明人們對該區域感興趣[20]。因此我們使用密度峰值聚類算法對上下車位置數據進行聚類分析，結合地圖根據區域實際功能進行標識，研究居民出行在空間上的分布特征。

首先，通過密度峰值聚類算法自動劃分不同的類簇?？紤]到本研究使用的數據是軌跡數據，本文采用的是快速搜索和發現密度峰值聚類算法(Clustering by Fast Search and Find of Density Peaks,CFSFDP)[24-25]。CFSFDP是基于密度的聚類算法，可以聚類非球星數據集，自動獲得類的正確個數，具有聚類速度快、實現簡單等優點。該算法基于兩個重要假設：①聚類中心的密度大于環繞它的鄰居節點；②聚類中心與任意比其局部密度高的節點具有相對遠的距離。

設數據集D={x1，x2，…，xn}，數據點總數為N，對于數據集中任意一點i，計算該節點的局部密度ρi以及節點到其他具有更高局部密度的節點的距離δi。其中，節點i的局部密度ρi為：

(3)

式中：dc為截斷距離。如果dij-dc<0，則χ(dij-dc)=1；否則，χ(dij-dc)=0。

節點i到比其局部密度更高節點的距離δi為：

(4)

式中：若i點為數據集中局部密度最大的點，則δi=maxj(dij)，選取i點到相鄰節點距離的最大值作為其δi；否則，選取局部密度大于i點的數據點到i點的距離中的最小值，作為i點的δi。

由上述定義可知，作為聚類中心的數據點一定會比一點節點具有更高的ρi和δi。在得到所有ρi和δi的值后，算法會得到一個決策圖：

γi=ρi×δi

(5)

結合ρ值和δ值綜合考量，決策圖中具有高δ和相對較高ρ值的節點會被選作聚類中心，即γ值較高的節點。對γ數值進行降序排列，并把γ值進行數值檢測。通過檢測，作為聚類中心的γ值差異性較大，斜率也較大；非聚類中心的γ值差異性較小，斜率也較小。因此，通過判斷一γ拐點值識別聚類中心，把從最大的γ值到拐點值均視為聚類中心，那么也就確定了聚類數目。剩余節點將會按照局部密度從高至低分派到各個聚類簇中。Rodriguez等[24]論證了CFSFDP算法中節點分配過程的可靠性以及對大數據集的魯棒性。

然后，把聚出的類簇匹配到地圖，根據區域的實際功能進行標識類簇。對只有單一功能的區域直接標注功能屬性，而對于非單一功能的區域根據區域中主要的功能標注該區域功能屬性。

居民出行行為空間特征提取算法可描述為：

步驟1用公式(3)(4)分別計算數據點xi的局部密度ρi和到比其局部密度更高節點的距離δi；

步驟2通過公式(5)確定聚類中心點的個數，即確定聚類個數；

步驟3分配其余數據點到高于當前數據點密度的最近數據點的類中；

步驟4利用dc算出類邊界區域，然后指定邊界區域中密度最高點密度值為去除噪聲數據點閾值，將密度小于此閾值的數據點視為噪聲點，獲得類簇；

步驟5依據地圖標識最終聚類結果，得到功能區Z={Z1，Z2，…，Zn}

3.3 司機行為特征提取方法

大多數出租車司機會根據自己的興趣愛好到不同類型的功能區域尋找乘客，在未載客時司機的這種偏好會更加明顯。因此從空載的軌跡數據中提取司機行為特征，發現司機的興趣偏好，對廣告的精準化投放是很有必要的。

由于同一類型中的司機相似度較高，而不同類型中的司機差異較大，因此在構建司機行為特征時首先需要計算在未載客狀態下不同司機人群個體到不同功能區的偏好度，計算偏好的公式如下：

(6)

式中：xij表示第i個司機在空載行駛時落到第j個區域軌跡點數，pij表示第i個司機對第j個功能區域的偏好程度，i=1，2，…，m，j=1，2，…，n。這樣就建立了司機的偏好度矩陣Rm×n，如(7)所示：

(7)

然后，基于距離是度量相似度常用的方式這一特點，使用K-均值對司機進行聚類。針對司機偏好的聚類研究適用于基于劃分的聚類方法，其代表算法有K-means、K-mediods和CLARANS(Clustering LARge Applications)。而K-means的聚類耗時較短，聚類結果易于解釋和理解。此外，對于海量數據集K-means不僅具備高度的可伸縮性，還能夠處理高維空間下的數據對象。選擇均方根誤差RMSE作為聚類判度函數，如下所示：

(8)

式中：M表示類別j中司機的功能區域偏好度，Cj表示類別j中司機的集合，Aj表示類別j的功能區域偏好度均值。

最后，依據聚類結果篩選出比較相似的司機以及差異較大的司機。根據司機表現出的偏好特征向不同類型的出租車上投放不同的廣告內容，可以提高廣告的精準度和命中率。

提取司機行為特征過程可描述為：

步驟1在ArcGIS10.2平臺對不同時段T下空載的軌跡數據P={p1，p2，…，pn},pi(long.，lat.)和不同的功能區A進行矢量化；

步驟2利用Python操作ArcToolbox中疊加分析工具進行分析；

步驟3利用公式(6)計算司機的偏好度，將其整理到(7)中，建立司機的偏好度矩陣；

步驟4使用K-means++算法確定K個司機的功能區域偏好度作為初始聚類中心，計算其余司機功能區域的偏好度與該初始值的距離，將其指派給與其距離最小的聚類人群；

步驟5計算更新后每類司機功能區域偏好度的統計平均值以及每個司機的功能區域偏好度與更新后均值的距離，將其指派給與其距離最小的聚類人群，從而更新聚類，并且根據公式(8)計算每類的均方根誤差；

步驟6重復步驟5，直到聚類判度函數收斂時聚類結束，得到K類司機人群。

4 精準投放策略制定

時段定向投放策略指根據居民出行規律的時間進行定向投放廣告。由于居民出行行為呈現出較強的時間波動性，在高峰時段人流量密集，而在非高峰時段人流量稀疏。因此，在不同的時段人群流動的情況不同，企業投放廣告應符合人群波動規律，在不同時段分配合適的廣告類型。

設廣告種類用集合Ad={ad(1)，ad(2)，…，ad(n)}，?ad(i)(i=1，2，…，n)，適合投放廣告時段{Tk}(k=1，2，…，K)。若T={Tk}∩{Tj}≠φ，則在T時段投放ad(i)類廣告；若T={Tk}∩{Tj}=φ，則在T時段不投放ad(i)類廣告。另外，由于高峰時段投放廣告會增大廣告曝光度，提高產品被購買的可能性，因此可以制定合理的廣告定價策略，完善廣告收費標準。

空間定向投放策略指從居民出行行為空間特征為出發，針對居民經常去的功能區域投放與區域相關的廣告。居民到達某個功能區域往往解決自身某種需求的，如科研文化區的人們大都是從事科學文化教育的學生、教師、研究員等，他們對文娛比賽、學術交流會議之類的信息比較感興趣。所以，讓身處不同功能區域的人群看到能夠符合自己喜好和意愿的信息，這樣企業廣告的投放范圍會縮小到某一特定的區域，對實現廣告的精準投放是大有裨益的。

?ad(i)適合投放廣告的區域有{Zl}(l=1，2，…，L)，若Z={Zl}∩{Zr}≠φ，則在Z功能區域投放廣告ad(i)；若Z={Zl}∩{Zr}=φ，則在Z功能區域不投放廣告ad(i)。

時空定向投放策略指企業在不同時段向不同區域的人群投放廣告。?ad(i)類廣告于不同Tj時段在不同的功能區域Zr投放與否用xij構成的矩陣(9)表示，其中xij取1或0，xij=1表示投放，xij=0表示不投放。

(9)

在Tj時段下第k=(1，2，…，K)類的司機到達功能區域Zr與否用yij構成的矩陣(10)表示，其中yij取1或0，yij=1表示司機到達該區域，yij=0表示司機未到達該區域。

(10)

若xrj=1且yrk=1，則就在Tj時段向Zr區域投放ad(i)類廣告。

5 實驗

5.1 實驗數據

本文通過對某市某行政區的5000輛出租車軌跡數據進行分析以闡述上述方法的實現。該研究數據記錄的基本信息包括出租車的車輛編號、定位時間、經緯度和速度等。本文采用2014年5月5日至11日(該時間范圍包含工作日和休息日)歷時一周的軌跡數據，總共為2723萬條。由于所獲得到的軌跡數據存在誤差，因此，在進行數據分析之前，需要結合本研究目的對出租車軌跡上數據進行預處理，如剔除錯誤數據和越界數據，刪除重復數據和記錄不全的數據，識別出租車重載和空載狀態。

5.2 結果分析

依據廣告主題內容的劃分標準把廣告分為快消類廣告、酒店類廣告、餐飲類廣告、旅游類廣告、娛樂休閑類廣告、教育類廣告等[26]。接下來分別統計工作日和休息日下的上下車位置數據，如下圖3和圖4所示。

圖3 工作日居民出行規律

圖4 休息日居民出行規律

從圖3和圖4可以看出工作日和休息日乘客上下車次數在00:00-07:00最少，而在08:00-10:00，11:00-13:00和18:00-22:00最多。這反映了工作日和休息日居民出行的時間段主要集中在08:00-10:00，11:00-13:00和18:00-22:00。居民在休息日早高峰時段達到峰值的速度比在工作日早高峰時段達到峰值的速度要快，結合居民的生活習慣，原因可能是在休息日人們更多傾向于參與購物、娛樂、休閑等活動，為了避免交通擁堵，往往會選擇盡早出門；在工作日15:00-18:00這一時段上/下車次數出現小幅波動，而在休息日該時段上/下車次數呈現變動增長，原因可能是在休息日居民外出返回居住地準備下周工作，或者外出參加晚上親朋好友的聚會等活動?？傊?，居民出行有明顯的波動趨勢，存在高峰和平峰特點。但從工作日和休息日城市居民出行時間規律來看，居民日常出行大致趨勢相似。按照居民出行時段劃分的步驟，取δ=2，最終把居民出行人流時段可以大致如下劃分：8:00-10:00為早高峰時段，11：00-13:00為午高峰時段，18:00-20:00為晚高峰時段，20:00-22:00為夜高峰時段，其余時段為平峰時段。由于居民出行時間的波動性，廣告主在投放廣告時有必要考慮高峰時段和非高峰時段人群流動特性，分時段進行廣告投放。如在早高峰投放快消類廣告和時效性強的餐飲類廣告以達到快速曝光的目的，引起消費者關注和食欲；在午高峰時段和晚高峰時段投放具有優惠折扣的酒店類廣告，這樣會刺激購買欲望。

采用CFSFDP聚類算法提取居民出行行為空間特征，最終將該市行政區劃劃分44個類簇，結合《城市公共設施規劃規范》和地圖，在專家參與下人為標識之后得到8種不同類型的功能區。詳細信息如圖5和表1所示：

圖5 某市某行政區功能區域

表1 最終標定的功能區域

功能區域內的人群都會有目的地從事活動。如科研文化區內的人群以學生和年輕人為主，這些人大多會鐘情于吃喝玩樂、體育賽事、文藝公演等新鮮事物，企業可以根據區域內人群特點“投其所好”。對喜歡去商務辦公區的人而言，該區域的人群以上班族和商戶較多，這類人群具有較高的消費能力，因此可以向這類出租車上投放以招聘，房屋交易、租賃、裝修等為主題的廣告。對喜歡去交通樞紐區的人來說，該區域的人群大多是進出火車站、汽車站等地方的旅客，因此可以向交通樞紐區投放觀光旅游、酒店住宿、特色美食之類的廣告，目的是吸引往來的旅客消費。

基于ArcGIS平臺計算出每個司機在不同時段下到達8個功能區的概率，但是由于數據的數量比較龐大，就部分數據給予顯示。表2和表3分別表示在工作日和休息日早高峰時段下司機到達功能區域的概率。

表2 在工作日早高峰時段下司機到達功能區域的概率

表3 在休息日早高峰時段下司機到達功能區域的概率

使用K-means對司機進行聚類，最終均分別得到在工作日和休息日不同時段下的6類司機。由于文章篇幅限制，現僅對工作日和休息日早高峰時段下的司機進行分析。圖6和圖7所示的是出租車司機在工作日和休息日早高峰時段呈現出不同的行駛特征。

圖6 工作日早高峰時段出租車司機行駛特征

圖7 休息日早高峰時段出租車司機行駛特征

從圖6可以發現，司機在行駛過程中對不同的功能區表現出不同的偏好。在早高峰時段，圖6(1)中的這類司機去商務辦公區和商業購物區的概率大于去其他區域，這說明該類司機喜歡去商務辦公區和商業購物區工作可能性多一些，這類司機占25%；圖6(2)中的這類司機去交通樞紐區的概率大于去其他的區域，這說明該類司機喜歡去交通樞紐區工作，這類司機占9%；圖6(3)中的這類司機到旅游休閑區的概率遠遠高于到其他功能區，可以看出這類司機更加喜歡到旅游休閑區工作，這類司機占6%；圖6(4)這類司機到各個功能區的概率相差不大，這說明該類司機喜歡全城尋客，這類司機占29%；圖6(5)中的這類司機去商業購物區的概率大于去其他功能區的概率，這表明了該類司機偏向于到商業購物區工作，這類司機占21%；圖6(6)中的這類司機去居民住宅區的概率遠遠高于去其他功能區的概率，這說明了該類司機更加喜歡到居民住宅區載客，這類司機占10%。

從圖7可以發現，圖7(1)中的這類司機去旅游休閑區的概率遠比到其他功能區的概率高，這表明了該類司機更喜歡去旅游休閑區工作，這類司機占7%；圖7(2)和圖7(5)中的這類司機去各個功能區的概率相差不大，這表明了該類司機并沒有表現出對個別功能區的偏好，這類司機分別占23%和27%；圖7(3)中的這類司機去居民住宅區的概率遠比到其他功能區的概率高，這表明了該類司機更喜歡去居民住宅區工作，這類司機占12%；圖7(4)中的這類司機去交通樞紐區的概率遠比到其他功能區的概率高，這表明了該類司機更喜歡去交通樞紐區工作，這類司機占15%；圖7(6)中的這類司機去商業購物區的概率遠比到其他功能區的概率高，這表明了該類司機更喜歡去商業購物區工作，這類司機占16%。

綜合上述分析可知，根據司機對功能區域的偏好投放廣告更加具有針對性，廣告投放效果會更好。例如，城市中的商務辦公區以商務辦公大廈和銀行為主，如果銀行需要推廣自己的理財產品和服務，那么可以在工作日早高峰時段向商務辦公區的上班族和個體經營商戶投放存款借貸、投資理財與互聯網金融為主題的廣告，這樣可以避免地面推廣所帶來的人力成本浪費。不僅如此，城市中有龐大的出租車基數和多樣化的消費需求，獲知偏好某些功能區的特定出租車數量，依此制定廣告投放比例，這樣會降低投放成本。例如，在休息日早高峰時段百貨零售企業的廣告主可以根據出現在居民住宅區的出租車數量制定合理的廣告投放比例，投放以商場促銷活動為主題的廣告，引起生活區居民對購物消息的注意。

6 結語

打車軟件的出現改變了出租車的運營模式，也改變了出租車司機的行為方式，加上相關數據的大量產生，為出租車LED廣告的精準投放提供了現實條件。本文基于這一事實，對出租車LED廣告的精準投放問題進行了研究。

首先，本文對出租車LED廣告精準投放策略的相關文獻進行了梳理，提出居民出行行為時間特征和空間特征提取方法以及出租車司機的行為特征提取方法。然后，利用真實的出租車軌跡數據驗證了這些行為特征的客觀存在性。最后，基于數據結果提出了廣告的精準投放策略即時段定向投放策略，空間定向投放策略和時空定向投放策略。

出租車LED廣告精準投放策略是一種嶄新的廣告投放策略。它符合廣告主和廣告公司對廣告投放精準化的強烈訴求，可以在投放廣告時給廣告主和廣告公司一定的啟示和參考。出租車LED廣告精準投放策略可以實現四個參與者的共贏。廣告主可以將廣告投放給最具有價值的目標人群起到宣傳推廣作用，減少廣告費用的浪費。廣告公司為出租汽車公司和廣告主服務獲取一定的傭金。出租汽車公司憑借獨特的廣告傳播媒介吸引更多的廣告主與其合作，收取豐厚的廣告費用，提高公司效益。廣告受眾則可以獲取和自己需求相匹配的信息。

本文選擇出租車軌跡數據作為數據源，盡管反映出的客觀規律值得肯定，但是僅僅以出租車軌跡數據反映出的規律代表人們日常出行行為時空特征尚且存在一定的偏差。另外，由于人類社會活動的復雜以及城市功能的逐漸完善，這就會出現一個功能區相互重疊的情況，如一個居民住宅功能區往往會包含一些配套設施，如超市、餐館、公園等，因此本文功能區域的劃分與標識還需要更加精細。此外，乘客的特征屬性，如年齡、職業、性別等，無法從出租車軌跡數據中獲知。若在日后的研究中結合打車軟件平臺數據、POI數據、手機活動數據等多源數據進行深入挖掘和分析，不僅有利于城市區域功能的精細劃分，還有利于提出更加個性化、精細化的廣告投放策略，這也是未來在出租車LED廣告行業值得深耕和探索的工作。