基于GPS數(shù)據(jù)的出租車運營特性分析

孫睿靜 姬浩 蘇兵

摘 要：出租汽車是城市交通系統(tǒng)中不可或缺的一部分，它能為出行者提供快捷、靈活的直達運輸服務(wù)。近年來，隨著西安城市規(guī)模的不斷擴大，城市人口數(shù)量的增多，西安市出租汽車客運行業(yè)迅速發(fā)展，在保障城市居民便捷出行方面發(fā)揮了重要的作用。本文通過GPS數(shù)據(jù)收集出租車司機行駛行為特征、行駛路徑、車輛停靠等信息數(shù)據(jù)，對該數(shù)據(jù)進行篩選分析，得到西安市出租車行駛期間的運營特性，為更好地管理城市出租車運營提供理論支持。

關(guān)鍵詞：GPS數(shù)據(jù);運營特性;出租車;數(shù)據(jù)庫;SQL語句

本文索引：孫睿靜，姬浩，蘇兵.<標題>[J].商展經(jīng)濟，2022（02）：-073.

中圖分類號：F572 文獻標識碼：A

1 研究背景、意義

出租汽車是城市交通系統(tǒng)中不可或缺的一部分，隨著西安城市規(guī)模的不斷擴大，城市人口數(shù)量的增多，西安市出租汽車客運行業(yè)迅速發(fā)展，但也存在一些問題。出租車運營時間長，道路覆蓋面廣，采集成本低，便于集中管理。安裝在出租車上的GPS設(shè)備記錄了城市出租車交通、人群移動的動態(tài)變化，為城市出租車交通的研究提供了大量且重要的數(shù)據(jù)信息。而且通過對GPS 數(shù)據(jù)進行提取和分析，獲得人們出行路徑選擇的數(shù)據(jù)，其準確性等同于對出行者進行詳細調(diào)查。因此，對基于GPS軌跡數(shù)據(jù)的出租車運營特性進行分析與研究非常有意義，一方面可以為交通信息服務(wù)系統(tǒng)提供重要的交通路況信息，另一方面可以為城市交通的運營管理和運營特性分析提供重要的決策依據(jù)，以推動城市交通的智能化改革，還可以從側(cè)面反映出城市居民出行的特性和時間分布，為進行此方面研究的學者提供依據(jù)。

2 數(shù)據(jù)處理與樣本選取

從西安市出租汽車管理處獲得出租車三個月的GPS數(shù)據(jù)，先對所有數(shù)據(jù)進行預處理，初步剔除掉無效、錯誤的數(shù)據(jù)，整合一個初期數(shù)據(jù)集，再對該數(shù)據(jù)集進行篩選，篩選出所需要的樣本車輛，并選擇其一周的軌跡GPS數(shù)據(jù)作為樣本。數(shù)據(jù)基本特征如表1所示。

使用SQL語言對誤差數(shù)據(jù)和無效數(shù)據(jù)進行篩選并刪除。接著根據(jù)樣本選取所遵循的普遍性和隨機性原則，剔除趴活的出租車，即熄火狀態(tài)時經(jīng)度和緯度保持不變的車輛;剔除速度字段多數(shù)為0的車輛;剔除節(jié)假日的GPS數(shù)據(jù)，因為節(jié)假日的GPS數(shù)據(jù)不具有普遍性。以此篩選出1000輛掃街出租車一周的數(shù)據(jù)作為樣本進行運營特性分析。經(jīng)過比對，選擇2017年11月13—19日為樣本數(shù)量范圍。樣本車輛數(shù)據(jù)篩選語句如下。

select LICENSEPLATENO，IN_DATE，GPS_TIME，

LONGITUDE，LATITUDE，HEIGHT，SPEED，DIRECTION，EFF，CAR_STAT1，CAR_STAT2 from manage_taxi.gps_log where LICENSEPLATENO = ‘車牌號。

3 基于GPS的西安市出租車運營特性分析

依據(jù)獲取的GPS數(shù)據(jù)對其中三大類指標進行分析，包括運行基本狀態(tài)、停靠行為和載客情況。具體指標如表2所示。

運行時間：出租車基本為全天候運營，且需要進行交接班。目前，西安市出租車基本都在15：00-16：30期間進行交接班。計算公式如下：

其中，被減數(shù)為停駛時間，即熄火狀態(tài)下的車輛時間差。

運行速度計算公式如下：

其中，分子是樣本車輛速度之和，分母是樣本車輛數(shù)。

停靠時長：在行駛狀態(tài)下，車輛行駛速度從0到速度再次變化之間的時間差。

停靠次數(shù)：一天內(nèi)，出租車停靠的次數(shù)。根據(jù)運行速度和時間可以推算出出租車是否停靠。

空載率：空載出租車的行駛時間所占總行駛時間的百分比。

其中，分子是行駛狀態(tài)下出租車的空載時間，分母是運行時間。

接單量：指在一天時間內(nèi)出租車在其工作時間的載客次數(shù)。

對上述三大類指標數(shù)據(jù)進行分析，數(shù)據(jù)分析結(jié)果如圖2所示。

樣本車輛7天內(nèi)行駛平均速度趨于穩(wěn)定，且白天行駛速度相對于晚上較慢，這是因為白天車流量較大、行人較多。在0-7點、22-24點都是平均車速較高的時段，此時道路上人少，0-5點最高的平均車速是38.8，5-7點最高的平均車速是38.18，22～24點最高平均車速是36.9，是最低平均車速的三倍。

一周內(nèi)每個時間段樣本車輛的平均速度呈現(xiàn)出下降—上升—下降—上升的過程。早、晚和中午的平均速度相對其他時間較高。結(jié)合實際情況，速度變化趨勢符合西安市的交通狀況。最低速度是17：00-20：00這個時間段，造成這個時間段平均速度最低的因素具有很大的研究意義（如圖3所示）。

一周內(nèi)的空載趨勢由下降到上升，變化明顯。其中周五的空載率是最低的，說明周五選擇出租車出行的居民較多，可能原因是周五是工作日的最后一天，公司和學校放假從而造成出行人數(shù)的明顯增加，使得空載率降低。接單量是相對穩(wěn)定的，每天40～55單，說明現(xiàn)在每天出租車的載客次數(shù)逐漸穩(wěn)定 （如圖4所示）。

一周內(nèi)停靠次數(shù)的變化是明顯的，從周一到周日經(jīng)歷了先上升后下降的趨勢。其中周二的停靠次數(shù)是最多的，周一最少。但接單量平均只有40～50單/天，除去上下乘客接單時的停靠，剩下較多停靠次數(shù)可能是由交通擁堵、紅綠燈、車輛讓行等因素導致，過多停靠會加重車輛磨損，降低車輛壽命，加重環(huán)境污染。

停靠時長變化趨勢是一個上升—下降—上升的過程。且停靠次數(shù)最多的停靠時間并不是最長的。其中周二的停靠時長最長，周五最少。周五是工作日最后一天，出租車使用率較高，所以整體停靠時長偏短。結(jié)合停靠次數(shù)可以發(fā)現(xiàn)停靠次數(shù)最多的停靠時間并不是最長的，雖然其中可能會有一些城市交通或者司機個人的影響因素，但可以基本反映出一些出租車的運營特性。

4 結(jié)語

本文以樣本車輛的運行基本狀態(tài)、停靠行為、載客情況三類指標，分別對樣本車輛的GPS數(shù)據(jù)進行分析研究。研究表明，西安市出租汽車在一天不同時段內(nèi)，平均速度都在25～34之間;運行時間為18～20小時/天，其中，周六的平均運行時間最少，周日最多，表明西安市出租汽車運營時間過長。一天最高接單量為107單，最低接單量為14單，平均接單量為40～55單;停靠次數(shù)每天165～200次，說明西安市出租汽車停靠次數(shù)過多。停靠時長每天4～5小時，同時，停靠次數(shù)最多時停靠時長不一定最長;平均空載率在40%～50%之間，說明西安市出租汽車空載率過高。

上述表明西安市出租車運營取得了不錯的成績，但也存在一些問題。

（1）運營時間過長。公司份子錢偏高，為了生活，司機必須多拉快跑，出租車運營時間增加，司機缺乏休息，可能會造成疲勞駕駛、隨意停靠等問題。

（2）停靠次數(shù)較多。乘客依舊習慣招手即停，停靠點形同虛設(shè)，且部分乘客所處位置屬于禁停區(qū)，司機只能選擇拒載或者違章停靠，但是為了提高載客，司機大都會停靠載客。

（3）空載率較高。城市公共交通在發(fā)展，人們出行有了更多的選擇，出租車不再是唯一的出行方式。

本文通過對樣本車輛的GPS數(shù)據(jù)進行分析，一定程度上得出了影響西安市出租車發(fā)展的問題，以后應(yīng)針對問題進行逐一改善，以促進西安市的出租車行業(yè)向著更加健康積極的方向發(fā)展。

參考文獻

邵澤寬.西安市出租車管理研究[D].西安：長安大學，2017.

楊夢露.西安市出租汽車行業(yè)管理問題研究[D].西安：長安大學，2014.

付鑫，孫茂棚，孫皓.基于GPS數(shù)據(jù)的出租車通勤識別及時空特征分析[J].中國公路學報，2017，30（7）：134-143.

張紅，王曉明，過秀成，等.出租車GPS軌跡大數(shù)據(jù)在智能交通中的應(yīng)用[J].蘭州理工大學學報，2016，42（1）：109-114.

曹祎，陶竑宇，羅霞.信息條件下城市空駛出租車出行分布預測模型[J].計算機工程，2016，42（02）：62-65.

楊揚，姚恩建，潘龍，等.基于GPS數(shù)據(jù)的出租車路徑選擇行為研究[J].交通運輸系統(tǒng)工程與信息，2015，15（1）：81-86.

盧守峰，王杰，劉改紅，等.基于流量和出租車GPS數(shù)據(jù)的城市道路網(wǎng)絡(luò)宏觀基本圖[J].公路交通科技，2014，31（9）：138-144.

莊立堅，韋清波，何兆成，等.基于浮動車數(shù)據(jù)的出租車運營管理特性建模與分析[J].重慶交通大學學報（自然科學版），2014，33（4）：122-127.

Kamran S，Haas O. A multilevel traffic incidents detection approach： Identifying traffic patterns and vehicle behaviours using real-time gps data[J]. Intelligent Vehicles Symposium， 2007：912-917.

De Fabritiis C， Ragona R， Valenti G. Traffic estimation and prediction based on real time floating car data[M]. Intelligent Transportation Systems， 2008. ITSC 2008.l lth International IEEE Conference on. 2008：197-203.

Zhan X， Hasan S， Ukkusuri S V， et al. Urban link travel time estimation using large-scale taxi data with partial information[J]. Transportation Research Part C：Emerging Technologies， 2013（33）：37-49.