孙维亚，周凌焱，宋志豪

（1．西南交通大学，四川 成都 610031）

基于GIS的城市交通流时空特征分析

孙维亚1，周凌焱1，宋志豪1

（1．西南交通大学，四川 成都 610031）

交通堵塞是当今世界面临的严重问题，分析交通路况在不同时间不同空间上的特征有助于有关部门了解交通信息，及时作出调整或制定政策，缓解交通压力。主要研究了成都市3个环线上交通流的时间特征、空间特征以及时空特征；并对交通数据进行Pearson相关分析，绘制散点分布图，为研究交通状况提供依据。

交通流；特征分析；Pearson相关系数

为了缓解交通拥堵，很多城市采取了汽车限购、尾号限行等措施，但效果并不理想。治理交通拥堵，应先分析交通拥堵的成因。目前各国专家学者从多方面分析交通流的特征，为政府制定缓解交通拥堵的政策提供依据。

时空数据模型的研究兴起于1970年代末[1,2]，Langran将时空数据模型的建模思路分成2种类型，即侧重于反映时空对象状态序列的面向过程的建模和侧重于反映时空过程中因果联系的面向时间点的建模[3]；20世纪80年代后，面向对象的数据建模[4]逐渐成为一种时空数据建模的方向。国内对于空间数据模型的研究起步较国外迟一些，杜道生等于1997年研究建立了基于同步数据项和碎分拓扑弧段时间标记的时空数据模型[5]。舒红、陆锋、李小娟、周成虎等人也在模型方面对时空数据进行了一系列的研究[5,6]。本文基于时空数据模型，分别从时间、空间和时空3方面，对城市的交通流特征进行分析，从而更好地了解交通拥堵的特征，为缓堵提供依据。

1 相关原理与数据信息

1.1 相关分析

相关分析是分析客观事物之间关系的数量分析方法[7]。Pearson相关系数用来衡量2个序列是否在一条线上，以衡量定距变量间的线性关系[7]。其计算公式为：

式中，n为样本量；xi和yi分别为两变量的变量值[7]。当r>0.8时，表示2个变量之间具有较强的相关关系；r＜0.3表示2个变量之间的相关关系较弱[7]。

1.2 数据来源及数据信息

本文实验数据是从Google Earth上直接下载的成都市栅格路况图,如图1所示,其图幅大小为1 792×1 536，每个像素实地距离为19.08 m。图中不同的颜色代表不同的路况信息：绿色表示为畅通无阻；黄色代表车速较快；红色代表拥堵，车速较慢；红黑间隔代表严重拥堵，车速很慢。由于无法直接获取每种颜色所代表的车速信息的精确范围，因此需对路况信息值进行等级划分：绿色为第一等级，黄色为第二等级，红色为第三等级，红黑间隔为第四等级。

图1 原始数据：栅格地图

本次实验采用2012-01-16~2012-01-18从10:00~21:00的非等间隔时间数据，共包含栅格路况地图329幅。由于这3 d是工作日，因此该实验数据具有一般性特点。

1.3 数据的提取与处理

对于交通流信息，直接处理和分析图片数据较为复杂，因此实验中将栅格地图里的路况信息进行提取并数值化，再进行处理和分析。笔者采用C#语言编写相关的应用程序，对栅格路况图的信息进行提取。首先在路况图上获取道路区域的像素范围；再沿着道路等距离提取一些采样点，对其编号并量取对应的像素坐标；然后将这些点号和像素坐标组成数据文件；最后使用编写的数据提取软件，获取图幅上每一个对应像素点的灰度信息。本次实验仅对成都市一环、二环、三环道路进行数据提取和分析，采样间隔为10个像素，即实地间隔190.8 m。表1为采样数据的样表。

表1 采样数据样表

2 交通流时空分析

首先整体统计各个环线上所有采样点路况信息的频数和频率，统计结果如表2所示。

表2 各个环线上采样点路况信息总体统计表

2.1 时间特征分析

时间序列分析是一种对动态数据进行处理的统计方法。该方法在数理统计学和随机过程方法基础上，研究随机数据其中的统计学规律，用来解决实际生活中的决策和预测分析问题[8]。

对于成都市3个环线上交通流的时间特征，实验中将每个采样点的路况等级信息组成1组时间序列，存入Excel文档中。例如，取2012-01-16 上午9：55所有采样点的等级信息组成时间序列1，取下一个时间点10：05的采样点信息组成时间序列2，依次作出序列3、4等，如图2所示。

图2 时间序列双变量相关系数示意图

将所有序列组成的Excel文件导入Spss[7]统计学软件，通过计算序列间的Pearson相关系数，确定2个序列间的关系。由于实验中的时间序列是非等时间间隔的，加上数据量比较大，所以需进行大量统计工作，分别统计序列1与序列2的相关系数，序列1与序列3的相关系数，序列1与序列4的相关系数，直至时间间隔为30 min时停止，继而从序列2以相同的方式统计相关系数，依此类推，得到结果如图3所示。

图3 一、二、三环环线时间相关系数均值回归线图

由图3可知，3个环线在时间上的变化程度基本相当，不能明显区分。这说明，随着时间的增加，3个环线上路况的相似度逐渐降低。

2.2 空间特征分析

空间分析是分析空间数据的一种技术，目的是为了提取和传输空间信息，特别是隐藏的信息，解决地理空间的实际问题，辅助人们决策[9]。

实验中为了分析成都市内交通路况的空间特性，选择了与上述时间特征分析类似的方法，即分析空间序列的相关性。如图4所示，将采样点1的路况信息按照时间顺序排列并定义为序列1，依次定义采样点2的数据为序列2，序列3…，然后用Spss软件统计序列间的相关性。实验中只计算相对距离为1 000内的空间采样点的相关系数。由于采样间隔是10个像素，一个像素实地长宽约19.08 m，故相邻的2个采样点间距约为190 m。用Spss软件计算序列1和序列2 的相关系数，即间隔190 m的2个采样点路况的相关系数；计算序列1和序列3双变量的相关系数，即间隔380 m的2个采样点路况的相关系数，依次计算出序列1和序列4、5、6的双变量相关系数。

图4 空间序列的双变量相关系数示意图

将序列2定义为序列1，序列3定义为序列2，依此分别计算采样点2与采样点3、4、5、6、7上的序列的双变量相关系数。每个采样点计算与其后相邻的5个采样点的相关系数，将相关系数取平均值后作图并展示如图5。

图5 一、二、三环环线空间相关系数均值回归线图

由图5可知，实验区域一环环线和二环环线的路况变化程度基本一致，而三环的路况相对稳定。

2.3 时空特征分析

时空特征结合了时间和空间，将时间和空间同时考虑进去，也是未来分析空间数据的一种趋势。由于在采样时采取了时间上非等间隔、空间上等间隔、使得在研究时空特征时有困难，故在此环节将删除一些时间片段，使采样数据在时间上也是等间隔的，时间间隔固定为10 min，组成等距离间隔、等时间间隔的路况数据。

图6 时空数据组织示意图

图6中t1、t2、t3、t4为等间隔时间点的图幅片段，其间隔为10 min，环形为成都市道路的模拟，1、2、3、4为道路上的采样点，采样间隔190 m。图中同一种颜色表示距离间隔为190 m、时间间隔为10 min的2对序列，用Spss求其相关系数。时空特征分析不等同于单独分析时间和空间特征，有复杂性和动态性。

图7 一、二、三环环线时空相关系数均值散点图

从图7可以看出，随着时间与空间的增加，其相关数逐渐减少，即时间间隔越大，同时增大空间间隔，路况的相似程度会减少。将其与单独的时间增加或空间增加相比较，路况的变化程度更大。

3 结 语

对实验区域而言，整个城市，离城市中心越远，城市的路况越好；对每个环线而言，在时间上，随着时间间隔的增加，采样点间时间间隔相关系数逐渐变小；在空间上，随着空间距离的增长，采样点间空间间隔相关系数逐渐变小；在时间上，3个环线上的路况等级变化频率相似；从空间上看，一环、二环的路况等级变化相似，变化较快，三环相对较为稳定。由于时空数据的动态性和复杂性，因而在同时考虑时间和空间时，情况相对复杂，但可以看出，无论在哪个环线上，随着时间间隔空间间隔的增加，采样点间相关系数逐渐变小。

[1] Langran G. A Review of Temporal Database Research and Its Use in GIS Applications[J]. International Journal of Geographical Information Systems, 1989 (3) :215-232

[2] Flor E N. A Spatiotemporal Data Model for Incorporating Time in Geographic Information System( GEN- STGIS) [D]. Tampa :University of South Florida,1999

[3] 佘江峰,冯学智,都金康. 时空数据模型的研究进展评述[J].南京大学学报：自然科学版,2005(3):260-267

[4] Worboys M F, Hearnshaw H M, Maguire D J.Object-oriented Data Modeling for Spatial Databases[J].International Journal of Geographical Information Systems , 1990(4): 369-383

[5] 杜道生,舒红. 基于同步数据项组和碎粉拓扑弧段时间标记的时态地理数据模型[J].武汉测绘科技大学学报,1997,22(2):96-101

[6] 陆锋,李小娟,周成虎,等.基于特征的时空数据模型:研究进展与问题探讨[J].中国图像图形学报,2001,6(9):830-835

[7] 彭冰,杜闽,徐占华. 基于GIS的海岸带管理信息系统开发[J].地理空间信息,2007,5(1):84-86

[8] 王振龙. 应用时间序列分析[M].北京: 中国统计出版社，2010

[9] 邬伦, 刘瑜. 地理信息系统原理、方法和应用[M]. 北京：科学出版社，2001

[10] Shape J,周靖. Visual C#2005从入门到精通[M].北京：清华大学出版社，2006

Temporal-spatial Characteristics Analysis of City Traffi c Flow Based on GIS

bySUN Weiya

Traffi c jam is a serious problem that we faced today. Analysis road traffi c at diff erent times and diff erent space will help the relevant departments to understand the traffi c information. This article mainly researched on Chengdu traffi c loop line about the time characteristics and space characteristics and the spatial-temporal characteristics.Analysis of traffic data by using Pearson correlation draw the scatter distributions, and provide the basis for traffi c conditions.

traffic flow, characteristics analysis, Pearson correlation

P208

B

1672-4623（2014）02-0076-03

10.11709/j.issn.1672-4623.2014.02.027

2013-06-14。

项目来源：中央高校基本科研业务费西南交通大学创新项目（SWJTU11CX059）;“2011计划”轨道交通安全协同创新中心经费资助项目。

孙维亚，硕士，研究方向为网络、移动与无线GIS。