江蘇省過江特征與交通量分析
——基于多源數據融合技術

周 濤，裴劍平，唐 強

(1.中設設計集團股份有限公司，江蘇 南京 210014 ；2.蘇州大學 軌道交通學院，江蘇 蘇州 215131)

0 前 言

交通調查是進行交通規劃和交通預測的基礎，江蘇省規劃2018～2020年間新建9座過江通道，然而自2007年開展“江蘇省主要公路機動車OD調查”以來，近10年全省性交通調查數據未跟新，因此，開展了本次全省過江OD調查。隨著交通和信息化的快速發展，本研究結合大數據技術，充分利用行業數據、手機數據和微信問卷進行OD調查，并結合調查數據，采用大數據手段對數據進行聚類分析，形成以出行OD對為基礎的出行鏈，分析各種出行屬性的關聯性。

1 全省過江調查與多源數據融合

1.1 基于多源數據的調查技術

本次結合江蘇省的實際情況，調查主要采用高速公路聯網數據、汽渡票根數據、行業統計數據、調查問卷數據和電信手機信令等5種數據。5種不同類型的數據均從特定的角度反映了真實的過江特征，本次調查需對獲得的多源異構數據進行整合，形成具有法定效用的出行特征參數，供規劃建設單位使用。本次調查綜合各種調查方法的優勢，采用取長補短，結合實際情況結合，針對全省23處過江調查采取不同調查方法。8處過江大橋(全部收費)分別指南京長江第二大橋、南京長江第三大橋、南京長江第四大橋、潤揚大橋、泰州大橋、江陰大橋、蘇通大橋和崇啟大橋，采用高速公路聯網收費數據進行調查；13處汽渡(全部收費)分別指板橋汽渡、鎮揚汽渡等汽渡，采用票根數據進行調查；2處隧道分別為揚子江隧道和南京長江隧道(全部免費)，采用隧道監控數據。

1.2 多源數據融合技術

多源數據融合主要分為三類：數據層融合、特征層融合和決策層融合。本次研究主要在特征層和決策層進行融合，采用集中式分布體系，通過對比分析不同數據源的出行特征、OD結果進行融合擴樣，數據融合技術路線如圖1所示。

本次獲得的交通行業數據較全，基本滿足過江OD出行分析及主要的出行頻次、出行時間、載重等參數分析，因此，本次數據融合采用對比擴樣法，以交通行業數據為主，以微信調查數據和手機信令數據為擴樣對象，以每個過江通道的OD對小區為擴充對象，按照不同OD小區對交通量的差值進行出行特征擴樣，并形成完整的出行特征表(包含OD出行對)。

多源數據處理首先要對數據進行清洗，包含無效數據剔除、數據自校核和數據對比校核；其次數據融合包含數據的融合和擴樣。本次融合與擴樣均以各通道的區縣OD對為基礎，首先，將客運單位統一歸并到人，貨運單位統一歸并到t，完成單位歸一化處理；其次，依據各通道各區縣OD對的比例，對非全樣本數據(微信問卷數據和手機信令數據)進行擴樣，對應的其他出行特征相應進行擴樣；然后，以各通道區縣OD對為唯一標示碼，用Python語句的Join功能將不同數據源進行連接，將問卷數據中出行目的、載貨貨種、載客人數、出發時間等信息鏈接到OD數據對后；最后對數據按照通道、和全省三各維度進行數據合并。最后，根據融合后的數據進行出行特征分析和可視化展示。

圖1 多源數據融合體系框架圖

2 全省過江出行特征

2.1 出行屬性表與出行特征畫像

為了深入分析過江出行規律，更好地建立過江出行模型，本次在完整的出行屬性表之后，加入了時間、距離和費用參數。本次通過Python語句，調用高德地圖的API接口，按照Driving模式，最短時間模式提取任何兩個區縣OD對之間的出行時間、距離和費用；并且，通過各區縣的統計局統計各自的經濟GDP數據，并將二者GDP鏈接到OD對屬性表后面，建立了OD交通量、出行特征、時間費用以及經濟參數一一對應的屬性表，該屬性表將為建立過江出行模型提供詳實的數據基礎。

經過OD數據對進行融合擴樣后，將得到客貨完整的出行屬性表如表1所示。

表1 長江二橋客運出行屬性表(整理后)

相比于以往的交通調查，本次調查不僅獲得了真實完整的OD出行矩陣，并獲得了完整的出行特征，并且建立了OD對與出行特征一一對應的關系；同時，加入的時間、距離和經濟參數更加豐富了調查結果，理解任意兩個OD對間過江量具有重要的意義。圖2為出行特征畫像。

圖2 出行特征畫像

2.2 全省過江出行主要特征

根據調查，獲得全省過江量約84.6萬pcu/d，其中客車占63.3%，貨車占36.7%；全省8座大橋機動車過江標準車約為54.5 pcu/d，約占總量的64.5%；兩處南京隧道過江機動車當量數約為21.1萬/d，約占總量的25.0%，其余13處汽渡過江量約9萬pcu/d，占比10.5%。在橋梁過江中，蘇通大橋通過車輛約13.0萬pcu/d，江陰大橋約9.9萬pcu/d，南京長江二橋約9.4萬pcu/d，此三座大橋擁堵已成為常態；節假日中，潤揚大橋、長江三橋也加入了擁堵行列?？缃髽蛑饕鉀Q長江南北城市間區域出行，而地處南京兩座隧道解決江北新區與南京主城區之間通勤出行。融合分析手機信令數據和隧道流量監控數據，發現江北新區與主城區(江蘇省南京市秦淮區、建鄴區、鼓樓區等) 、江寧區之間流量占比超過81%。

從板塊來看，全省區域過江出行形成了兩頭重中間輕的空間格局，南京和(滬)蘇通過江出行占比超過50%,鎮揚和無錫過江占比較低，常州過江出行成為洼地。從OD出行結構來看，一帶兩軸的過江通道特征明顯，沿江兩岸區縣之間過江出行旺盛，占比超過54%，其次表現為沿我省中部通道和沿海通道沿線分布，通道特征與全省客流走廊基本一致。

從區域客運來看，呈現沿江城市連綿化發展趨勢，省內客運出行約占81%，省內貨運出行約占73%， 全省過江出行，以省內為主。省內出行占70.9%(隧道占全省25%)，內外交通量(一端在省內，一端在省外)占23.9%，過境交通量出行(兩端均占省外)只占5.2%。從對外出行結構來看，安徽和上海與我省聯系密切，內外出行占比超過90%，說明我省是沿江大通道上核心省份，東西向交流十分密切；山東和浙江與我省聯系較強，內外出行占比約占71%，過境交通約占29%，說明我省是沿海大通道上重要省份，貫通南北。

過江隧道高峰小時位于早7∶00—8∶00，高峰小時系數約為8.8%，大橋客運高峰小時系數約為9%；貨運出行無明顯高峰特征。受益于南京大力建設江北新區，擁江發展，南京市通勤高頻次過江出行遠高于全省水平。全省來看，區域出行以公務出差為主，但各個區段又各有特色。全省客車平均載客率為3.5人/輛，其中南京區段最高為4.2人/輛，蘇通區段最低為2.6人/輛。全省貨種運輸中，農副產品、食品比例最高，達到16.5%，其次為金屬及制品，其他貨種占比較均勻。全省過江平均載重24.5 t/輛(含車輛自重)，南京最高，為26.7 t/輛，錫常泰區段最低，為22.1 t/輛。

2.3 不同出行特征的關聯性

采用大數據技術對各屬性進行相關性分析，得到各相關性結論如下所示：①江蘇過江出行在通道選擇時，偏好選擇出行時間短的過江通道；而且傾向同一通道往返;②客運交通量、載客人數與經濟勢差之間有明顯的正比關系，而且兩城市間經濟差越大，二地間客流量越大;③出行時間越短，其交通占比越大，出行頻次也越高，上班、上學等通勤出行特征更明顯；數據顯示，50%以上的過江出行的出行時間均小于1h，江蘇省過江出行高頻次特征明顯;④貨運量運輸對出行費用更加敏感，客運出行對出行時間更加敏感;⑤通勤出行越明顯，載客率越高；運輸距離越近，載客率越高；商務出行和個人出行載客率較低;⑥城市的產業分布與貨種密切相關，南京區段的運輸設備、機械、電子通訊、石油、礦建等占比較高，鎮揚區段各產業在全省占比較低，錫常泰區段的金屬制品、物流快遞占比較高，蘇通區段的紡織原料、物流、農副產品、家具等占比較高。

圖3為利用過江隧道及全省過江出行期望線圖。

(a)兩隧道總OD圖

(b)板塊熱力圖

(c)江蘇省中區總量OD圖

3 江蘇過江交通量模擬

3.1 過江交通量影響因素

按照區縣間OD對的屬性表，對過江交通量進行模擬分析。數據顯示，客運交通量主要與出行目的、出行頻次、時間、費用、兩地的經濟相關以及過江通道數量有關；而貨運交通量主要與兩地經濟、貨種、出行時間、費用、過江通道數量以及貨運政策相關。影響過江出行人數的因子主要有：起終點出行時間、出行距離、經濟、人口、費用、出行目的等。對全省數萬個OD對樣本進行綜合分析，過江人數與出行目的的相關顯著性sig為0.029，與時間相關性最高，而距離、時間和費用三者自相關系數大于0.98，與人口與經濟這兩個因素的相關系數高達0.926?？紤]影響因素之間的相關性后，發現可用出行目的、人口、經濟以及出行時間模擬出行人數。

出行目的與人數相關，但相關不強；研究發現，分目的進行相關性分析之后，不同目的人數與人口、經濟以及時間的相關性有所提升。本次研究選擇按不同目的的出行人數W和人口P、經濟G、時間T進行了4種組合，組合1為人口、經濟和時間的線性組合；其他參照引力模型，分別建立3種組合，組合2為：W2=P起×E起/T2，組合3為W3E=E起×E/T2，

組合4為W4=E起×E中×P起×P/T4。其中P起代表起點人口，P終代表終點人口，

式中，E起為起點經濟，E終為終點經濟，Wi為第i種組合。

根據分析，采用引力模型較線性模型能更好地反映過江人數；而在引力模型的三種組合中，組合2(起點人口×終點人口)/時間2相關性最高，相關系數為0.098，sig小于0.01；本次研究選擇組合2的方式進行數據分析。

3.2 過江交通量

通過區分出行目的進行人數分析，整體相關性明顯提高，本次研究選擇通勤出行、公務出差和休閑旅游三種出行目的分別進行出行人數模擬，得到出行各出行目的的方程如下。

上班上學：Y=3872.298×X+150.512，t檢驗變量之間顯著性sig=0.004

休閑旅游：Y=46.666×X+301.427，其中t檢驗變量間sig=0.001

公務出差：Y=684.616×X+238.63，其中t檢驗變量間sig=0.0001

其中：W2=P起*E起/T2

以上結果說明自變量可以有效預測因變量，回歸模型顯著，得到的回歸方程有效。

通過過江人數分析發現，過江人數與起點城市相關性最大，與起點城市的經濟、人口因子呈正相關，與時間呈負相關，整體呈現以起點城市為核心的圈層結構。從不同出行目的來看，區縣間基礎過江人數約200～300人；城市人口與經濟的發展，通勤出行的人數增長最快，其次是休閑旅游，區域公務出差人數增長最慢。

4 結 論

本次基于多源數據融合調查方法成功應用于區域OD調查實踐中，按照交通特征層融合制定了詳細的融合擴樣規則，以區縣OD對為標識碼的出行屬性表更加科學、高效，便于存入數據庫中；加入出行時間、經濟和費用等參數后，方便利用機器學習深入分析各出行特征與交通量的關系，通過區分出行目的進行過江人數擬合，得到的模擬方程更準確。數據表明，過江出行主要和起點城市相關，未來隨著城市的發展，以通勤出行為目的的交通出行會快速增長，而區域增長相對較小。

[ID:010561]