基于時空數據融合的古城區停車需求模式識別

馬曉甦，夏柏楊

（1.東南大學建筑學院，南京 210096；2. 上海市大數據股份有限公司，上海 200072）

引言

以上海、南京、蘇州等為代表的城市古城區中，分布著具有較高保護價值的歷史街區。而今，這些街區一方面繼續承擔著滿足本地居民日常生活多樣化需求的功能；另一方面，街區中的古跡景點、商業設施也吸引著大量外地游客，為城市經濟發展與知名度提升作出巨大貢獻。隨著居民生活水平的提高、城市機動化快速發展，歷史街區中往往存在嚴重的機動車停車供需失衡現象。沿道路兩側路面、建筑退讓空間以及小區內公共活動空間停放的機動車，反過來影響了城市外部交通運行效率、居民日常生活以及游客活動的舒適體驗，成為當前歷史街區保護和城市更新面臨的典型問題。

實踐中，由于歷史街區文保建筑以及可利用交通空間的限制，增加新的停車泊位并不能徹底緩解停車供需矛盾。基于歷史街區保護加發展的原則和提升民生福祉的目標，不應因為停車需求矛盾而因噎廢食，而是要在合理的目標導向下，充分利用數字化時代廣泛的信息來源，通過科學、量化的分析方法，探尋緩解停車問題的對策。

不論是通過挖掘既有停車資源、提升配建標準等供給管理措施，還是借助差異化收費、車位共享等需求管理手段，首要是能準確識別研究對象區域中的實際停車需求規模以及時空分布特征。現實中很難通過匯聚對象區域中所有不同類型的停車場的數據去進行停車需求特征分析。其原因一般包括：（1）住區、商業設施配建停車，以及路內公共停車等停車設施類型多樣，停車數據所有權分散在不同的運營管理方手中。（2）部分接入的智慧停車場可能因為日常管理中常常存在的超停現象，造成停車數據反映的需求和實際停車場供給水平不匹配。（3）許多社會停車場還未實現智能化改造，而依賴人工采集上報的數據往往影響數據精度與可持續性。（4）街區內尚存在相當部分非正規停車區域（如老舊小區內公共空間、道路兩側建筑退讓空間等），甚至違章停車現象，這部分停車需求難以通過傳統停車數據采集方式進行持續監測。（5）停車需求空間分布特征（如起終點）無法估計。因此，傳統依賴人工現場調查，或者接入部分智慧停車系統數據的方式，在數據時間精度、可持續性和全面性上存在缺陷。

對此，本研究基于多源時空數據融合與分析技術，利用分布在城市道路路段、交叉口的交通卡口識別的車輛數據，以及對象區域不同地塊用地特征數據，結合部分可獲取的樣本停車場車輛進出數據，提出了一套動態識別對象區域停車需求規模與時空特征的方法。實證研究表明，在交通卡口分布密度較高的城市區域，停車需求規模識別可達到地塊級的精度，并可對停車需求來源、時段時長等特征進行模式聚類。為進一步實現區域分時段停車需求預測與預警，優化城市不同類型片區停車配建標準以及差異化收費等管理手段提供決策支撐。

1 相關研究

準確掌握并持續監測研究對象區域的停車需求規模與分布，是進一步識別區域停車問題類型，預測未來停車需求變化趨勢的分析基礎。

長期以來，受制于現狀停車需求數據源的局限性，對停車需求的研究一部分集中在基于現狀居民出行調查以及其他停車抽樣調查，估計對象區域某個時間點，如特征日以及特征時段的停車需求規模與分布特征，并通過分析停車需求的影響因素進行預測[1-8]。一方面，從區域停車需求角度，陳峻等總結了進行停車需求預測的若干種方法以及主要影響因素（如土地利用、人口就業崗位以及機動車流量等），并利用實證城市停車調查數據進行了基于靜態交通發生率法的模型驗證[1]。張慧芳、李文權進一步考慮了對象區域區位因素對停車需求的影響[4]。另一方面，從個體出行選擇角度，關宏志、劉蘭輝基于停車抽樣調查數據，利用Logit模型進行了基于個體的停車行為分析，并利用SP（Stated Preference）調查數據進一步進行了價格敏感性分析[2]。

隨著各地陸續建立智慧停車數據采集平臺/系統[9-13]，一部分研究得以通過平臺接入的停車場動態數據，進行更細致的停車行為分析。但是，如前文所述，這類研究依然受到接入的停車數據樣本量的限制，無法全面把握區域整體停車需求規模。唐克雙等采用商業、辦公和體育場三種類型停車場數據，基于BP神經網絡等方法進行了停車場泊位占用率的時變特征分析[11]。李林波等基于某對象停車場歷史數據，采用生存分析的方法建立了夜間停車需求預測模型，從微觀層面估計車輛停放時段、時長等特征[13]。近年來，開始有學者嘗試借助交通卡口車輛識別等數據，估計區域停車需求，很大程度上解決了傳統停車數據源樣本量、時空精度不足帶來的問題。余杰、余東豪利用城市道路卡口車牌識別數據進行了車輛的行停分析，并基于卡口點位測算了不同交通小區的停車規模[14]。

本研究在基于交通卡口數據的同時，進一步引入對象區域用地特征數據（性質、規模、業種業態等）、路網數據，以及樣本停車場車輛進出數據等，以蘇州市觀前街區域為實證對象，以相鄰地塊組成的街區為基本分析單元，進行了停車需求規模與時空特征分析，識別區域停車供需矛盾類型，為城市更新過程靜態交通需求管理策略優化提供參考。

2 研究對象與數據

2.1 研究對象

本次研究對象為蘇州市古城區觀前街片區，以干將路、人民路交叉的樂橋地鐵站為核心，北至白塔西路，南至十梓街，東至五卅路，西至西梅巷，占地面積約1.13 km2（圖1）。區域內包含居住、辦公、商業、文化體育等各種類型設施用地（圖2）。目前區域內停車設施包含各類設施配建停車場、路側社會公共停車場等六千個左右有效停車泊位。研究根據主要道路及機動車可通行性將該區域劃分為12個地塊/小街區。

圖1 研究范圍內用地與停車設施分布

圖2 研究范圍內不同性質用地建筑面積比例

2.2 數據來源

本研究使用的樣本數據包括：（1）交通卡口數據。其中：卡口點位數據，包括點位編號、經緯度坐標，用于定位卡口點的空間位置；卡口過車數據，包括車輛識別號、經過的點位編號、經過時間等，該數據與卡口點位數據結合，可以定位每輛車的時空位置，生成出行鏈的起訖點，并判斷車輛行停狀態。樣本數據時間范圍從2020年9—11月。所有卡口數據使用前均事先經過脫敏處理，不包含車輛車牌等隱私信息。（2）用地數據。包括每個地塊內的建筑功能、建筑面積等，用于測算特征日分時段單位停車需求規模等。（3）路網數據。源數據來自高德路網，包括道路等級、寬度等，并經過優化處理，構建研究區域的地塊與路網的拓撲結構，便于分析中將停車需求分配到可能的地塊上。（4）停車場進出場數據。包括車輛的進出場時間等。本研究同時接入了研究對象及周邊區域的部分不同類型停車場進出數據，結合所在用地數據，幫助估計不同地塊每個時段的停車需求吸引力。（5）停車泊位供給數據。來自蘇州規劃設計研究院2018年6月進行的停車普查數據，并結合最新接入的停車場數據進行更新。

2.3 研究流程

圖3 分析思路與流程

本研究的分析思路與流程如圖3所示。經過對所有數據源的清洗與標準化，首先進行以地塊/小街區為單元的分時段停車需求估計。接下來，一方面結合對象區域停車供給，判斷區域可能存在的停車供需矛盾類型；另一方面進一步通過歷史數據進行停車需求時變特征分析與模式識別。再結合用地特征數據，實現對現狀停車需求的仿真。最后，基于停車供需問題的判斷，利用停車需求仿真，為相關部門制定靜態交通管理策略提供決策支持。

3 停車需求估計與問題識別

3.1 停車需求估計

停車需求估計的目標是估計對象區域地塊或者小街區尺度的分時段的在停車輛數規模與分布，以及停車高峰時段。研究主要用到的數據包括交通卡口數據、路網數據、部分接入的停車場數據以及用地數據。停車需求估計中主要考慮兩個層面的問題，第一個問題是判斷出哪些車可能停在區域內或附近，第二個問題是判斷這些車有多大概率停到區域內的各個地塊上。針對這兩個問題，方法設計如下（圖4）：

首先，通過卡口數據判斷車輛停車的大致位置。假設一輛車很可能停在其一段時間內出現的最后一個卡口，通過經驗以及實際對數據的觀察，證明基于古城區卡口分布平均間距，可以半小時作為閾值。即如果一輛車行駛一段時間后，最后停留在某一卡口0.5 h以上，則可先判斷該車停在該卡口附近。若該車下一次起點距離該卡口點位較近，或者為同一個卡口，那么很可能是停在這兩個卡口附近。如果下一次起點距離該卡口位置較遠，則其停車位置有很多可能性，不太可能停在該卡口附近。

基于上述判斷邏輯，本研究設計了車輛是否停在某個卡口點位附近的判別規則。該規則中，對附近的定義需要針對卡口密度和所估計地塊的大小來綜合判斷。實證研究中，選擇在卡口點位附近2—3個地塊的距離定義可能停車的區域范圍，并通過這一步的判斷，得到車輛停在其附近的概率。此外，基于路網數據，以及車輛卡口軌跡方向性，可以進一步縮小可能停車的地塊集合。接下來對車輛可能停在每個可能地塊的概率進行估計。如果不考慮地塊的差異，均勻地將概率分配到各個地塊上，一般會造成較大的差異。因為就停車的時空特征角度而言，不同時段人們開車去往的目的地不同，比如人們在工作日的白天傾向于開車去工作區域的寫字樓，而在晚上開車回到居住小區。同時，開發強度高的寫字樓和小區，其相同時段所吸引的停車量也會相應更大。因此，概率估計需要同時考慮時間段、地塊用地性質以及開發強度。對此，本研究定義并計算了不同類型地塊的停車吸引力系數，用以刻畫不同地塊在不同時段對停車需求的吸引力，從而將概率按照吸引力大小的按比例分配到地塊上。

圖4 停車需求估計流程

在地塊吸引力的定量刻畫中，研究利用已經接入的一百多家不同類型停車場進出數據作為基礎數據。根據停車場的停入車輛數、建筑功能、時段特征、建筑面積，來計算每個停車場的停車吸引力系數。其中，時段劃分為6個時段：早高峰、早平峰、午高峰、午平峰、晚高峰、晚平峰。公式為:

其中，G 為停車場的停車吸引力系數；N為該時段停入車輛數；H為該時段小時數；A為停車場所在設施建筑面積（單位：百平方米）。

根據以上公式，可得到不同類型設施在不同時段的停車吸引力系數。而某個地塊（可能復合多個用地功能）的停車吸引力，可以由地塊上不同類型設施面積與停車吸引力系數相乘并累加得到。在地塊吸引力的基礎上，可以對每輛停在卡口點上的車可能的停車地塊進行概率分配，比如某輛車停在K點的概率為50%，則根據我們提前劃定的附近范圍、計算好的吸引力值，可以按比例將這50%分配到各個地塊上。最終，每個地塊的停車量實際上是每輛車可能停的停車概率疊加后的值。

為了驗證算法結果的準確性，研究使用2018年6月進行的停車普查數據作為對比。結果顯示在區域層級上，上述算法計算的結果與調研數據差異在5%～0%，在地塊層級上，差異在5%～30%。算法計算的結果往往偏高，這可能和近兩年的車輛保有量增加有關。

經過不同區域的測試，停車需求估計的準確性主要受兩個方面影響。其一是交通卡口分布密度。理想狀態下，卡口越密集，停車估計越準確。然而在現實中，卡口點位的分布具有不均勻的特征，城市中心區路網密度高的地區，一般卡口較為密集，識別準確率也相對較高。 其二，能夠接入數據的停車場數量也會影響不同用地性質地塊停車需求吸引力系數的估計，并進一步影響進行地塊停車需求分配的準確性。當區域內接入的停車場不能涵蓋足夠用地性質地塊，可以借助于城市其他類似區位的停車場數據進行補充。此時停車場所在區位和所屬設施對于小汽車出行的吸引力個體差異，也有可能導致估計偏差[4]。

3.2 停車需求模式識別

除了停車需求規模，研究進一步結合歷史數據，進行了研究區域需求模式識別。研究將停車時長和時段兩個因素通過K-means聚類方法，得到5種具有明顯時空特征的在不同特征日的停車需求模式，占總體停車需求的85%（圖5）。剩余15%的停車需求在時長和時段上特征不明顯。

圖5 特征日區域停車需求模式聚類

從圖5的聚類結果可見，工作日主要停車模式包含上午時段（7:00—10:00）、白天工作時段（7:00—18:00）、午后時段（12：00—16：00）、全日時段，以及晚間時段（17:00—22：00）。較好地匹配了工作日前往觀前街區域上班、商務出行以及休閑娛樂的主要活動需求。其中，以商務、娛樂休閑類活動為主的上午、午后以及晚間時段占總體停車需求的一半以上。而全日時段的停車需求可能主要來自生活在區域內的本地居民。另一方面，相較工作日，休息日的主要停車模式不再包括白天工作時段的通勤類停車需求，大量停車需求來自上午、下午以及晚間時段在觀前街區域活動的人群。就停車時長角度而言，雖然超過10 h的停車需求只占區域停車需求的不到10%，但是剩余大部分停車需求時長也均超過3 h。

3.3 停車供需問題識別

結合停車需求估計和模式識別，本研究將對象區域停車供需問題分成兩種類型。

第一種類型定義為停車供需的結構性矛盾，即對象區域總體停車供給不足。在大部分地塊和大部分時段，都存在停車泊位供不應求的情況。此類問題研究通過計算區域以及地塊停車飽和度進行量化。

其中Si和S分別為地塊i和區域的停車飽和度，qi和Q分別為地塊i和區域的在停車輛數，ci和C分別為地塊i和區域的停車泊位數。

第二種類型定義為區域停車供需不平衡，即在大部分時段區域總體停車供給可以滿足需求，但少部分地塊存在停車泊位嚴重不足的問題。此類問題研究通過定義區域停車不平衡度進行量化。

其中 B為區域停車不平衡度，smax為分析時段區域停車飽和度最大的地塊的取值。區域停車不平衡度系數大于10時，取10。

分析發現觀前街區域停車需求高峰一般出現在中午11：00—15：00，總體停車需求在四千輛左右波動，區域總體停車飽和度尚在可以接受的水平。結合區位因素（區域中心包含一個軌道交通換乘站點）以及可能的疫情影響判斷，現狀區域停車供需不存在明顯的結構性矛盾。

另一方面，通過對研究區域2020年10月和11月數據的測算，觀前街區域特征日日均停車供需不平衡度始終保持在較高的水平（表1）。工作日和雙休日區域飽和度和最高地塊飽和度的差高達52%和53%。這說明在觀前街區域，存在地塊間停車壓力不均衡的現象，部分區域停車資源緊張，但是附近地塊卻仍然有較多的空余停車位。區域內不平衡度系數較高，這一方面可能是因為停車者不清楚周邊停車場的空余泊位情況，另一方面也和停車場是否對外開放、開放時間段、價格高低有一定關系。

表1 區域停車不平衡度

舉例而言，圖6顯示了某日區域停車飽和度情況，圖中標記的兩個相鄰地塊。其中地塊A停車飽和度接近100%，高峰時段出現在晚上，而地塊B的停車高峰時間出現在中午，且飽和度在60%以下。從提升整個區域停車資源利用效率的角度出發，如果相關部門能夠打破停車資源信息差，推廣合理停車場的錯時共享政策，利用網絡等媒介引導駕駛者前往目的地周邊剩余泊位多的地方停車，一定程度上可以緩解高峰時段的地塊停車矛盾，無需進行額外的停車場建設。

4 古城區靜態交通管理策略思考

除了識別區域停車需求規模與分布，基于交通卡口等新數據源提供的個體車輛數據，一方面可以進一步幫助研究者、決策者判斷對象區域停車的本外地車輛比例以及時段、時長特征；另一方面可以判斷車輛行為軌跡，擬合包括活動的起終點在內的駕駛者出行的時空行為鏈，為古城區、歷史街區等存在問題區域提出彈性的動靜態交通管理策略（如分時段外地車輛路段、區域限行等），提供量化的決策支持。

城市停車供需矛盾一般通過供給管理（如優化停車設施選址與規模，制定建筑物停車配建標準等）和需求管理（如借助差異化收費等價格杠桿）手段進行調節。蘇州市目前為了緩解古城區道路以及停車需求矛盾，采取了分區域、分時段的本地、外地車輛限行政策。具體是將古城區到拙政園核心區分成3個不同區域，對于外地車輛、本地非核心區住戶、單位車輛實行不同的限行管理，直接從需求側限制了限行區域內可能的停車需求。其中對外地車輛在7：00—19：00白天時段在核心區的禁行管理，使得外地游客不能進行自駕前往核心區進行游覽等其他目的的活動。而上海市目前采用的是外地車輛在白天時段禁止在中環以內以及部分出城高架通行的策略，此舉一定程度上降低了外地車輛（不包含滬C牌照）在上海市區范圍內通行的機動性，抑制了外地車輛高峰時段進入上海的潛在需求，但是依然能夠保證必要的外地車輛能夠前往絕大多數目的地。所以該政策主要以緩解高架快速路等路段交通擁堵為目標，而對于城市停車供需矛盾比較突出的區域，則更多借助于價格杠桿，如分片區和時段的停車收費標準進行調節。

圖6 區域停車供需不平衡典型地塊

本研究同時開發了一套地塊級的停車需求仿真工具，方便使用者評估在古城區范圍內指定地塊進行用地功能置換后會帶來多少停車需求。根據2020年9—11月觀前街區域內部以及周邊范圍部分接入的停車場進出數據、停車場所在用地性質與建筑面積數據，并綜合前述停車需求規模估計方法得到的結果，歸納總結了當前研究區域不同類型用地設施的實際停車需求水平與高峰時段，并與《蘇州市建筑物配建停車位指標》（2019征求意見稿）[15]進行了比較（表2）。通過對比可見，目前的停車需求水平與高峰時段在不同特征日存在一定差異，特別是商業、辦公等類型用地。而與配建標準相比，配建標準基本涵蓋了大部分類型的用地高峰期停車需求。除了商業類設施，在雙休日的停車水平超過了配建標準的要求。進一步觀察發現，辦公和商業設施在工作日與雙休日的需求高峰恰好相反，說明現實中雙休日商業類設施的停車需求壓力是有條件通過與辦公等其他類型設施泊位的共享去緩解，而不用完全依賴停車配建標準的提升。

事實上，通過對研究區域停車需求持續地監測與評價，資規、交警、城管等部門可以形成對停車供需矛盾的統一認知，在城市更新、歷史街區保護與發展的業務場景中，協同優化停車管理策略與手段。一方面，停車配建標準的更新頻率可以更加靈活，不必受制于定期進行的大范圍的人工停車普查；另一方面，對停車需求的把握可以獲得更高的時間與空間精度。藉此，在包括用地功能置換等城市更新實踐中，資規部門可以動態掌握對象以及周邊用地停車供需水平。通過停車需求仿真，從交通的角度，幫助確定合理的開發規模（功能配比和容積率）。并且在必要的情況下，通過要求配建額外的停車設施，幫助解決周邊地塊（如老住宅區）的停車需求矛盾。而城管、交警等部門也可以結合不同特征日以及時段的地塊及周邊區域的停車總體飽和度以及不平衡度變化趨勢，提出有針對性的停車錯時共享策略，以及節假日等出行高峰的動靜態交通需求管理策略。

表2 研究區域現狀停車供需水平與配建標準對比

此外，如本文3.2節停車需求模式分析所示，小汽車出行者在觀前街區域較長的活動時長，會帶來較低的車位周轉率，一定程度上降低了區域停車時空資源的利用效率。對此，國內外實踐經驗，是通過靈活的分時段、階梯制的差異化收費（如停車收費標準隨著停車時長增加）去調節停車需求水平，這也是古城區值得嘗試的精細化的停車需求管理策略。

5 結語

本研究以蘇州市觀前街區域為代表的歷史文化名城古城區為對象，通過融合交通卡口、土地利用、抽樣停車場等多源時空數據，提出了一套停車需求規模估計以及特征模式識別的方法。分析結果可以幫助使用者準確判斷目標區域停車供需矛盾的類型，并進一步通過停車需求仿真，在城市更新決策過程中，從機動車停車供需平衡的角度，提出靜態交通管理策略方案，并跟蹤監測實施效果，對實施方案進行靈活的優化與調整。

基于數據源的特性，研究提出的方法得以持續動態估計對象區域分時段的停車需求，并結合土地利用、路網、部分抽樣停車場數據，實現地塊級的精度。當前研究也發現，交通卡口數據的分布密度、識別準確率，以及抽樣停車場數據的數量等會對需求估計精度造成一定的影響。而通過歷史數據的不斷積累、數據樣本量的增加，一定程度上可以通過算法的優化調整提升結果準確性。

本次研究中用到的部分樣本數據和數據脫敏等支持來自蘇州市交通大數據研究的知行項目團隊，在此表示感謝！

注釋：

①現狀停車需求為計算得到的2020年4—11月每日高峰時段平均值。

② 百平方米指的是每平方米建筑面積，游覽場所對應單位為每公頃占地面積。

③本次研究區域屬于配建標準中劃定的一類區。表格中配建標準要求為對應該區域內的設施類型。