【《出租车出行轨迹时空分布模式分析概述》6800字】

出租车出行轨迹时空分布模式分析概述目录TOC\o"1-3"\h\u16954出租车出行轨迹时空分布模式分析概述 170461.1出租车出行密度分析 1213991.1.1核密度分析 147951.1.2热点分析 4178491.2出租车出行空间时序特征 8102841.3出租车出行轨迹时空模式 11267451.3.1局部莫兰指数的应用 1189101.3.2聚类与出行时空模式 12出租车出行密度分析核密度分析核密度原理本文采取核密度分析法来对出租车出行密度进行分析。核密度分析用于计算某一特征值在其周围邻域中的密度。由于本文用到的点没有高程，位置信息由经纬度表达，故只介绍针对点要素的二维核密度。核密度分析的目的是获得密度函数的每一点的估计值，从而表示出数据的分布情况。应用在ArcGIS中即是计算每个输出栅格像元周围的点的某一特征值的密度。通过分析出租车出行信息数据库可以得到出租车的轨迹点，在理论上可以认为每个点上方都存在一个很小的平滑曲面。曲面在该点处的特征值最高，随着距离点的距离越远越小，在距离恰好等于搜索半径时表面值为0，且邻域为圆形邻域。每个输出栅格像元的密度均为叠加在栅格像元中心的所有核表面的值之和。核函数以Silverman的著作中描述的四次核函数[54]为基础。预测点的密度由公式（3-1）确定。（3-1）其中，i=1,…,n是输入点；popi是i点的population字段值，是可选参数；disti是i点和预测点之间的距离，小于等于搜索半径；r是预测点的搜索半径。然后将计算的密度乘以点数。该实现使用四次核[54]，需要为要估算密度的每个位置分别计算公式。本文将以每辆出租车的出行起讫点为基础进行核密度分析。核密度图绘制与对比分析基于ArcGIS的核密度分析功能，利用出行信息数据库提取的OD信息，得到北京市9月25日早高峰（7:00到9:00）和晚高峰（5:00到7:00）的出租车出行核密度图，如图3-1和3-2所示。分析北京市内区域的出行热点情况，颜色越深代表出行密度越大。图3-12019年9月25日北京市早高峰出租车出行核密度图由图3-1知，北京市9月25日早高峰出租车出行密度最大的仍是北京市市中心区域如西城、东城、朝阳等区。出行密度由中心向四周逐渐减少，但是每个区都有相对出租车出行密度较大的区域，且这些区域都与中心城区距离较近。可以推测无论是中心城区还是远郊区县，总会有一部分选择乘坐出租车出行的乘客。造成这一结果的原因推测是北京目前仍旧存在比较明显的职住分离现象，大部分工作岗位仍集中在市中心城区，郊区多为居住小区。所以，大部分出租车早高峰出行的起点或终点仍以中心城区为主。且图3-1也反映出早高峰存在明显的往中心城区聚集的出租车出行特征，从而导致中心区域的出租车出行密度较大。从区域的土地利用性质看图3-1可知，西单商区、CBD区、中关村片区等都是出行密度较大的区域。可以看出大型办公区域、商业服务业设施用地的出行密度普遍偏大。图3-22019年9月25日北京市晚高峰出租车出行核密度图由图3-2可知，北京市9月25日晚高峰出租车出行密度最大的仍是北京市市中心区域如西城、东城等城区。出租车出行密度的变化趋势是由中心向四周逐渐减少，与中心城区距离较近的城区比距离较远的城区出行密度大。造成这一结果的原因推测是北京目前仍旧存在比较明显的职住分离现象，大部分工作岗位仍集中在中心城区。所以，晚高峰大部分出租车出行的起点仍以中心城区为主，部分乘客选择乘坐出租车返回住处。且图3-2也反映出晚高峰存在明显的由中心城区向外辐射疏散的出租车出行特征，从而导致中心区域的出租车出行密度较大，四周密度逐渐降低。对比图3-1和图3-2可知，北京市2019年9月25日的出租车早晚高峰的出行特征有一定相似之处也有不同之处。早晚高峰的出租车出行密度都是中心密度大，越远离市中心出行密度越小。但是也存在不同之处，从图例可知，晚高峰市中心的出行密度较早高峰而言更大，推测是由于工作单位下班时间相对统一，而上班时间会有一定的差距；早高峰影响的范围更大，即出租车跨区出行的概率会提高，晚高峰的影响范围相对较小，出租车基本集中在少数几个区域之间。热点分析热点分析原理为了具体分析早晚高峰出租车出行的时空特征，采用热点分析的方法进行研究。热点分析会对数据集中的每一个要素计算Getis-OrdGi*统计，得到z得分和p值。这两个值用来帮助判断是否可以拒绝零假设。热点分析的零假设是要素的完全空间随机性。当局部与预期有很大差异，会产生一个具有显著统计学意义的z得分。p值表示概率，即空间模式是由某种随机过程创建而成的概率。如果p很小，则说明空间模式不太可能产生随机过程（小概率事件），因此可以拒绝零假设。热点分析的目的是确定高值或低值要素在空间上发生聚类的位置。只有当观测要素及其周围要素均为高值时，该观测要素才被识别为热点；反之，只有当观测要素及其周围要素均为低值时，观测要素才被识别为冷点。z得分的绝对值越高，热点的聚类就越紧密。正值表示热点，负值表示冷点。Getis-OrdGi*局部统计可由式（3-2）、（3-3）和（3-4）确定。（3-2）（3-3）（3-4）其中，xj是点要素j的属性值；wij是点要素i和j之间的空间权重；n是点要素的总数；Gi*是z得分。如果要对冷点和热点作出判断，则必须确定置信度。表3-1为不同置信度和临界p值、临界z得分之间的关系。表3-1不同置信度临界p值和z得分的关系Z得分p值置信度<-1.65或>+1.65<0.1090%<-1.96或>+1.96<0.0595%<-2.58或>+2.58<0.0199%热点图绘制与对比分析利用出行信息数据库提取的OD信息，确定北京市各个区在早晚高峰时间段经过的出租车数量。为了更好地研究高峰时间段的热点区域变化，将早高峰和晚高峰分别再分为两个时段进行研究从而探索高峰内部的变化。借助ArcGIS的热点分析功能绘制了得到北京市9月25日早高峰前期（7:00到8:00）、早高峰后期（8:00到9:00）的热点图如图3-3所示，从而分析北京市内区域的出租车热点情况，颜色越深代表越是热点。(a)早高峰前期(b)早高峰后期图3-32019年9月25日北京市早高峰前期和后期出租车出行热点对比图由图3-3(a)可知，北京市2019年9月25日早高峰前期(7:00到8:00)没有冷点区域。顺义区、通州区、朝阳区、海淀区、东城区和西城区为置信度95%的出租车出行热点区域；丰台区和大兴区为置信度90%的出租车出行热点区域，其余区域都无明显统计特性。中心城区仍是出租车早高峰前期出行的热点区域，通州区和顺义区由于靠近主城区故同样是热点区域。丰台区和大兴区有大量居住区，所以也是出租车经过或者出行的起点。北京的主要工作区集中在北京市中心城区，所以是大量出租车出行的目的地，故是热点区域。由图3-3(b)可知，北京市2019年9月25日早高峰后期(8:00到9:00)没有冷点区域。顺义区、通州区、朝阳区、海淀区、东城区和西城区为置信度95%的出租车出行热点区域；丰台区、大兴区和昌平区为置信度90%的出租车出行热点区域，其余区域都无明显统计特性。与图3-3(a)对比可知，早高峰后期90%的热点区域增加了昌平区，其余热点区域保持不变。两图对比可以看出北京市2019年9月25日早高峰后期比前期热点区域增加，即随着时间的变化，距离中心城区较近的城区也成为了出租车出行的热点区域。早高峰的影响范围在逐渐扩大。为了分析晚高峰中出租车出行热点的变化，并对比早晚高峰中热点的不同，探究北京市出租车出行规律。利用ArcGIS的热点分析功能绘制了北京市2019年9月25日出租车晚高峰前期（5:00到6:00）、晚高峰后期（6:00到7:00）的热点图，如图3-4所示。(a)晚高峰前期(b)晚高峰后期图3-42019年9月25日北京市晚高峰前期和后期出租车出行热点对比图由图3-4(a)可知，北京市2019年9月25日晚高峰前期(17:00到18:00)没有冷点区域。顺义区、通州区、朝阳区、海淀区、东城区和西城区为置信度95%的出租车出行热点区域；丰台区、大兴区和昌平区为置信度90%的出租车出行热点区域，其余区域都无明显统计特性。中心城区仍是出租车晚高峰前期出行的热点区域，通州区和顺义区由于靠近主城区故同样是热点区域。存在大量居住区的近郊区域如大兴区等行政区也是出租车经过或者出行的终点。部分乘客会选择乘坐出租车下班回家，故这些近郊区也是出租车出行热点区域。由图3-4(b)可知，北京市2019年9月25日晚高峰后期(18:00到19:00)没有冷点区域。顺义区、通州区、朝阳区、海淀区、东城区和西城区为置信度95%的出租车出行热点区域；丰台区、大兴区和昌平区为置信度90%的出租车出行热点区域，其余区域都无明显统计特性。与图3-4(a)对比可知，晚高峰后期的热点区域与前期相比保持不变，即随着时间的变化，晚高峰的影响范围基本保持不变。对早晚高峰的热点区域变化进行对比可知，早高峰前期的影响范围较小，但后期热点区域增加，影响范围逐渐增大；晚高峰前期的影响范围较大，但后期热点区域无增加，影响范围保持不变。推测产生这种现象的原因是早高峰的上班时间比较集中，对时间要求较高，部分乘客会选择出租车前往工作地点。尤其是早高峰后期更是包含了绝大部分上班时间，导致出租车出行的数量增加，热点区域增加，影响逐渐扩大；晚高峰包含的下班时间较早高峰而言更加分散，对时间的要求较低，乘客选择乘坐出租车回家的可能性降低。由于晚高峰包含的下班时间较为分散，导致出租车出行的数量变化幅度较小，前期的影响范围较大，但是后期影响范围基本不变。综上所述，从出租车出行热点区域的变化可知，早高峰较晚高峰开始影响范围较小，但是会逐渐扩大影响范围。早高峰比晚高峰更不稳定，对道路的运输效率和道路管理控制的挑战性也更大。出租车出行空间时序特征基于ArcGIS的分析功能，利用出行信息数据库提取的OD信息和轨迹数据与道路网依据几何算法进行匹配，绘制了北京市内2019年9月25日的出租车出行轨迹，并以颜色的深浅表示道路上轨迹的密集程度，颜色越深表示轨迹点越多。由于数据量较大，将一部分坐标一致的数据删除得到轨迹图如图3-5所示。图3-5北京市2019年9月25日出租车轨迹分布图由图3-5可知，北京市出租车出行区域包含所有区，每个区都有轨迹密度较大的地方，但是主要集中于五环范围内，即海淀区、东城区、西城区、朝阳区等中心城区。轨迹的密集程度从中心向四周逐渐降低。通州、顺义、昌平、大兴等区靠近中心城区也有较多的出租车出行轨迹。从轨迹密集程度来看，快速路及主干路明显高于次干道及支路。五环范围内西单、CBD核心区及国贸附近轨迹明显多于其他地区，颜色更深。此外，五环范围外的北京市京通快速路、机场高速和京藏高速也是出租车出行的密集路段。总的来说，中心城区的出租车轨迹更多。反映出中心城区的道路网利用率更高，出租车更倾向于在中心城区运行。从侧面看出人们选择出租车出行时中心城区是主要的出发地或目的地。为分析北京市出租车出行的空间时序特征，以北京市2019年9月25日数据为例，展示了一天内重点时间的出租车轨迹的时空变化。利用ArcGIS绘制了早高峰(7:00到9:00)、平峰（9:00到11:00）、晚高峰（17:00到19:00）的出租车轨迹分布图。其中，为了方便对比，早晚高峰的轨迹图都是截取主要影响的区域进行放大，平峰则是完整的北京市区域，如图3-6所示。(a)早高峰(b)平峰(c)晚高峰图3-6北京市2019年9月25日早高峰、平峰、晚高峰出租车轨迹分布图由图3-6(a)可知，北京市出租车早高峰出行区域包含所有区，每个区都有轨迹密度较大的地方，但是主要集中于五环范围内，即海淀区、东城区、西城区、朝阳区等中心城区。轨迹的密集程度从中心向四周逐渐降低。通州、顺义、昌平、大兴等区靠近中心城区也有较多的出租车出行轨迹。从轨迹密集程度来看，快速路及主干路明显高于次干道及支路。五环内的西单及国贸附近轨迹明显多于其他地区，颜色更深。此外，五环外的北京市京通快速路、机场高速和京藏高速也是出租车出行的密集路段。总的来说，早高峰人们出于通勤需要会选择出租车出行，所以进城的道路上的轨迹明显多于其他道路，也从侧面反映出北京市大部分的工作岗位仍集中在中心区域。由图3-6(b)可知，北京市出租车平峰(9:00到11:00)出行区域包含所有区，每个区都有轨迹密度较大的地方，但是主要集中于五环范围内。轨迹的密集程度从中心向四周逐渐降低。通州、顺义、昌平、大兴等区靠近中心城区也有较多的出租车出行轨迹。与图3-6(a)展示的早高峰出行轨迹对比，平峰的出行轨迹数量明显小于早高峰，且与早高峰相比分布较为松散，比较随机，五环以内的区域轨迹数量差距较小。产生这种现象的原因推测是平峰时乘客对出租车的需求降低，大部分出租车司机选择在自己熟悉的区域等待订单，故呈现出相对比较随机的空间分布。总的来说，平峰时期出租车出行轨迹较少，分布相对均匀。通过图3-6(a)、图3-6(b)和图3-6(c)对比可知，晚高峰的出租车出行区域同样包含所有行政区，但是主要集中于五环范围内，即海淀区、东城区、西城区、朝阳区等中心城区，基本符合工作日通勤早晚高峰的打车情况。轨迹的密集程度从中心向四周逐渐降低。从轨迹密集程度来看，晚高峰与早高峰的特征基本一致。快速路及主干路在晚高峰时也明显高于次干道及支路。五环内CBD、国贸等地区附近轨迹明显多于其他地区。此外，五环外的机场高速也是出租车出行的密集路段。北京市2019年9月25日的出租车早晚高峰的出行特征有一定相似之处也有不同之处。早晚高峰的出租车出行轨迹都是中心城区轨迹更密集，越远离市中心轨迹越少。但是也存在不同之处，从图例可知，晚高峰市中心的轨迹密集程度较早高峰而言更大，推测是由于工作单位下班时间相对统一，因此打车时间也相对统一，由此有大量的出行轨迹；早高峰影响的范围更大，即出租车跨区出行的概率会提高。在图3-6中显示为其他非中心区的轨迹同样比较密集；晚高峰的影响范围相对较小，出租车出行轨迹基本集中在少数几个区域之间。从一天的出租车出行时序特征看出7:00到9:00时，出租车出行主要集中在五环以内，主干路轨迹十分密集，影响范围较大；9:00到11:00，出租车出行轨迹较少，分布在各个行政区，相对均匀，有消退的趋势；17:00到19:00，出租车出行轨迹仍主要集中在市中心区域，估计数量较早高峰更多，影响范围比早高峰小；全天中7:00到9:00和17:00到19:00的出租车轨迹数量明显多于其他时间段，较符合工作日早晚高峰因通勤的打车情况。出租车出行轨迹时空模式局部莫兰指数的应用本文对出租车出行轨迹的时空模式的判断需要莫兰指数这一重要指标。莫兰指数分为全局莫兰指数和局部莫兰指数。在全局相关分析时，利用全局莫兰指数判断该区域是否有空间相关性。局部莫兰指数(LocalMoran’I)可以确定具体哪些区域存在空间聚集现象。本文是基于局部莫兰指数进行分析的。局部莫兰指数可由式（3-5）、（3-6）确定。（3-5）（3-6）其中，xj是轨迹点j的属性值；wij是轨迹点i和j之间的空间权重；n是轨迹点总数目；X是对应属性的平均值。局部莫兰指数不仅可识别具有高值或低值的轨迹点的空间聚类，还可以识别空间异常值。空间聚类包括具有统计显著性的高值(HH)聚类、低值(LL)聚类；异常值是指高值主要由低值围绕的异常值(HL)以及低值主要由高值围绕的异常值(LH)。局部莫兰指数为正表示该轨迹点的邻近点和它的属性值同样高或同样低；该轨迹点是聚类的一部分。反之，为负表示该轨迹点具有包含不同值的邻近点；该要素是异常值。聚类与出行时空模式为了得到出租车出行的时空模式，结合出租车的起讫点和部分轨迹数据，通过ArcGIS的聚类和异常值分析功能实现空间聚类。并根据时间段分为早高峰（7:00到9:00）和晚高峰（17:00到19:00），绘制了图3-7和3-8，从而分析北京市不同时间段下的出租车出行时空模式。

图3-7北京市2019年9月25日早高峰空间聚类图聚类和异常值分析功能是基于局部莫兰指数的，生成无显著聚类和具有统计显著性的高值聚类和低值聚类。异常值则是高值主要由低值围绕的异常值以及低值主要由高值围绕的异常值。图例中展示了这五类。由图3-7