考慮上下客點與POI 關系的網約車臨時停靠點研究

邢 雪，翟婭奇

（吉林化工學院信息與控制工程學院，吉林 吉林 132022）

0 引 言

針對車輛停車需求問題，目前已經有很多學者對此進行研究。 楊圣文等學者［7］對現有停車場進行調查，對不滿足停車需求現狀的停車場利用建立的路網通行能力模型進行泊車路段的優化。 Ren 等學者［8］考慮到學生步行的可達性，利用k－means 的迭代聚類方法來分配學生和為校車停車站點進行選址，以獲取最短的學生上學的通勤時間。Vdovychenko［9］通過分析車輛的行駛數據來對車輛的停靠點進行分類，隨后對停靠點的分類與車輛運行路線流量之間的相關性進行建模，并進行實例分析。 王國娟等學者［10］根據設定的商業區停車管理水平評價指標建立基于模糊綜合評價法的停車管理水平評價模型，研究表明構建的模型能夠對商業區路內停車管理水平進行準確評價。 王震邦等學者［11］均衡考慮多個停車需求，設計基于交替方向乘子法（ADMM）分布式優化的停車匹配模型，實驗證明模型優于其他常用模型，并有較優的收斂效果。鄭慧敏［12］對停車需求的影響因素進行分析，并提出基于滴滴出行OD數據的停車需求預測方法，利用模型進行公共停車場的選址分析證明了模型的實際意義。 除此之外，雙層目標模型［13－14］、粒子群算法［15］、DBSCAN［16］等多種方法也被應用在停車選址的研究上。

以上研究已對車輛臨時停車選址的可行性進行了論證，但是以網約車OD數據為出發點，并結合城市熱門POI 數據點對乘客上下車需求的分析，挖掘網約車停靠的交通特性，從而作為網約車臨時停靠點的選址依據的相關研究較少。 針對上述問題，通過對網約車OD數據和爬取到的城市熱門POI 數據進行相關性分析，研究網約車停靠需求的交通特性，在此基礎上提出基于POI 聚類的網約車臨時停靠點的選址策略，并基于成都市滴滴出行數據集進行實例驗證。

1 數據采集與特征分析

1.1 數據采集

POI（Point of Interest）被稱作興趣點，通常指互聯網電子地圖中的點類數據。 應用python 編寫程序在高德地圖上爬取成都局部區域的所有餐飲相關POI 數據，提取時間范圍為2022－10－09 ～2022－10－10。 爬取數據時選取的POI 大類是餐飲服務，中類包括：餐飲相關場所、中餐廳、快餐廳、休閑餐飲場所、咖啡廳、茶藝館、冷飲店、糕餅店、甜品店，字段信息包括POI 的具體名稱、類別、城市、地址、經緯度。

網約車OD需求數據是指乘客在乘坐網約車過程中的上下客數據，包括當前訂單信息、上下客時刻時間戳以及上下客時刻位置經緯度。 采用成都市局部區域網約車軌跡數據進行網約車OD數據提取，字段信息包括訂單ID、時間戳、當前位置經度、當前位置緯度。 根據軌跡數據進行OD需求的提取過程如圖1 所示。

1.2 OD 需求分布與城市POI 耦合關系分析

基于高德地圖，爬取得到餐飲相關POI 位置分布，以及對應區域的網約車上下客需求點的分布，如圖2 所示。

圖2 成都市OD 需求數據及餐飲相關POI 分布情況Fig. 2 Distribution of OD demand data and catering related POI data in Chengdu

近年來，網約車數量在城市的快速擴張極大地加強了城市交通站點不可達區域之間的通達性，改善了城市區域之間的聯系。 以成都市為例，對OD需求數據與餐飲相關POI 數據（數據量分別為104 148條和61 101條）進行分析，研究網約車OD數據和城市餐飲POI 分布之間的關系，乘客的網約車乘車需求順應城市POI 分布的空間特征，OD需求密度分布以城市中心為起點向城市四周輻射開，網約車OD分布受城市POI 點的影響，POI 分布與網約車OD點分布密度大的區域構成了城市繁華地帶，并且POI 與OD數據分布呈現明顯的組團集聚分布形式，區域繁華程度隨著遠離城市中心逐漸遞減。 基于上述結合網約車需求量與POI 的空間分布關系的分析，可以得出網約車OD點與POI 分布具有耦合關系，考慮網約車上下車點與餐飲相關POI 進行網約車臨時停靠點的選取具有一定的現實意義。

（1）依托互聯網工具：企業必須依托互聯網來建立網絡品牌，因此網絡品牌也具有互聯網的全球性、服務的連續性、動態性等特點。

2 網約車OD 需求與餐飲相關POI 關系研究

采用K－means 聚類算法對OD數據進行聚類，使空間上距離很近的POI 盡可能被歸為一類，形成廣義上的POI。 在此基礎上，研究廣義上的OD需求點與周圍一定半徑范圍內的POI 數據之間的關系，為網約車的臨時停靠點的選址提供依據。

2.1 基于K－means 的OD 數據聚類

K－means 算法是一種非監督的聚類算法，其主要思想是對于給定的OD需求點數據集，按照各個OD點之間的距離大小進行區分，將總的OD需求數據劃分成K簇。 劃分后的OD數據的空間分布特點為簇內的OD點盡可能緊密相鄰，而簇與簇之間的距離盡可能地大。 設數據集為D ＝｛x1，x2，x3，…，xn｝，表示n個數據點構成的集合，K－means 算法的實現過程詳見如下：

Step 1確定K個初始OD數據聚類中心C1（0），C2（0），C3（0），…，CK（0）。

Step 2對所有OD數據，求其到K個聚類中心的距離，并將數據點xn歸類到與聚類中心點距離最小的簇內Dm（m ＝1，2，3，…，K），迭代Q次，判定公式如下：

其中，i，j ＝1，2，3，…，Q。

Step 3每次迭代，更新聚類中心。 推得的公式為：

當Jj取得最小值時：

其中，Nj是Dj（Q） 的樣本個數。

Step 4利用Step 2 和Step 3 對聚類中心進行迭代更新，如果點的位置變化很小，可以判定達到穩定狀態，迭代結束。

2.2 OD 需求與POI 數據的相關性分析

使用K－means 聚類算法對網約車OD需求數據進行聚類，以各個類簇的質心作為廣義的OD需求點，并以廣義的網約車OD點為中心，半徑為R畫圓作為廣義OD點的吸引范圍，對于半徑選取，一般認為是400～800 m［17］，目前應用較為廣泛的是800 m，以800 m作為覆蓋半徑，統計區域內所有POI 數據的個數，對成都市局部區域進行網約車OD點和餐飲相關POI 的統計見表1。 使用線性回歸來擬合通過K－means 算法聚類得到的各個類簇中的網約車OD數據與廣義OD點吸引范圍內的POI 數據之間的數量關系。 以廣義OD需求點吸引范圍內的POI數量為x，類簇中的OD需求點數量為y，可得：

表1 成都市局部區域OD 數據與POI 統計情況表Tab. 1 OD data and POI statistics of local regions in Chengdu

代入成都市數據可得x和y之間的函數關系如圖3 所示，x和y滿足y ＝1.705 014 42x ＋152.182 346 1，對應的擬合度R2為0.964 786 13。 結果表明，OD需求數據與POI 數據的數量關系上存在線性正相關關系。

圖3 成都市OD 需求與POI 數量的關系曲線Fig. 3 Relation curve between OD demand and POI quantity in Chengdu

3 結合OD 點和POI 的網約車臨時停靠點的選址及實現

3.1 網約車臨時停靠點選址

上述分析表明OD需求數據與餐飲相關POI 數量之間存在線性正相關性，基于OD需求點和餐飲相關POI 數據進行聚類，以得到的聚類結果作為網約車臨時停靠點的選址是具有合理性的，網約車的臨時停靠點的選址策略如下：

Step 1獲取相應城市區域的餐飲相關POI 數據和網約車軌跡數據。

Step 2對網約車軌跡數據進行OD提取，并基于K－means 聚類算法對OD數據進行聚類，得到廣義上的OD需求點。

Step 3計算廣義上的OD需求點吸引半徑內的POI 的數量，篩選出吸引范圍內POI 數量大于等于某個特定值的OD需求點，將其作為初始候選的網約車臨時停靠點。

Step 4對候選的網約車臨時停靠點吸引范圍內的POI 進行聚類，得到各個初選網約車臨時停靠點吸引范圍內的POI 的聚類中心，即是最終的網約車臨時停靠點的選址。

3.2 實例驗證

以成都市為例，驗證分析選址策略的有效性。

根據選址策略可得：

（1）獲取相關數據：爬取獲得成都市局部區域餐飲相關POI 數據、共61 101個數據點；使用滴滴全樣本軌跡數據作為實驗數據，數據主要來自于2016年11月的成都市二環局部區域軌跡數據，共計706萬條，對11月1日08：00 ～17：00 時間內的軌跡數據進行OD數據提取操作后，獲取到共計104 147條OD數據。

（2）基于K－means 聚類算法進行聚類得到500個聚類中心，即廣義上的OD需求點。

（3）以聚類得到的OD需求點為圓心，統計800 m范圍內POI 數量大于100 的OD需求點，將其作為初選的網約車臨時停靠點，總共篩選獲得318個初候選點。

（4）對初始候選點吸引范圍內的POI 進行聚類，得到的聚類中心即是網約車臨時停靠點的最終選址。

當前網約車上車點分布如圖4 所示，得到的擬選的網約車臨時停靠點如圖5 所示。 由圖4 和圖5可以看出，餐飲商家和OD點呈現邊緣分散、中間密集的分布規律，分布密集的區域主要位于城市中心區域和南部區域，由K－means 聚類得到的廣義的網約車上下車點的分布與城市網約車上下車的餐飲相關POI 的熱門區域相重合，表明廣義上的網約車上下車點位于人流量密集區域；通過對廣義的網約車上下車點根據范圍內的POI 數量進行篩選，完成對臨時網約車停靠點選址的優化。 優化后的網約車臨時停靠點同時具備網約車需求量大、人流量密集等特點，該選址策略對于緩解城市交通擁堵、規范網約車運行具有重要實際意義。

圖4 當前網約車上車點分布圖Fig. 4 Distribution of boarding points for current online car hailing

圖5 擬選網約車臨時停靠點Fig. 5 Proposed temporary parking point for online car hailing

4 結束語

針對網約車臨時停靠點的選址策略問題進行初步研究，考慮到以往的網約車運行特點和城市熱門POI 分布特點，建立了考慮OD點與POI 數據狀態下的基于K－means 聚類算法的網約車臨時停靠點的選址策略。 以城市中餐飲相關POI 數據和網約車OD數據作為研究對象，研究發現網約車OD數據與周邊POI 數據密度之間存在正相關關系，利用模型進行網約車臨時停靠點的選址。 最后以成都局部區域的網約車OD數據和POI 數據進行實例驗證，對K－means 聚類算法得到的候選點進行篩選得到最終的網約車臨時停靠點，并論證該選址策略的合理性和可行性。 未來將在以下方面進行深入研究：

（1）除餐飲相關POI 外，可以研究其他類型的POI 數據的聚類分析對于網約車臨時停靠點選址的影響，進一步建立考慮OD數據和POI 的城市區域劃分方式的優化模型。

（2）對城市進行功能上的交通小區的劃分，并進行交通小區分類，對于不同分類的交通小區提供不同的網約車臨時停靠點的選址。