胡悦 陈露露

摘 要：复杂的交通流系统下的城市结构表现出城市内部固有的联系模式。文章以国内某市大量出租车出行数据为基础，构建空间嵌入网络模型，对城市内部空间互动进行建模，并引入网络科学方法，分析城市交通出行规划。

关键词：出租车;大数据;出行规划

0 引言

城市与交通是一个不可分割的整体，它们相互影响，共同发展。在社会经济快速发展的背景下，城市化进程加快，规模逐步扩大，机动化水平逐步提高。基于这种情况，国家提出了更高的标准来改善城市化地区的交通。中华人民共和国成立70多年来，特别是改革开放40年来，中国城市交通建设取得了舉世瞩目的成就，城市交通服务水平不断提高，城市居民生活方式多元化。

1 我国城市交通与出行规划发展现状

1.1  城市交通概况

几十年来，驾驶一直是世界绝大多数地区到达目的地的主要方式，导致全球汽车数量不断增加，中国也不例外。截至2018年，中国的汽车保有量自2007年以来翻了两番，这给全国的公路网带来了巨大负担。在北京和上海，人们的上班时间平均需要50分钟左右。以北京为例，高峰时段的平均行车速度可低至26.48 km/h。

1.2 出行规划方式

城市结构与其居民的城市内出行模式密切相关。城市内部的资源配置产生了出行需求，推动了人们的出行，而出行流量则相反地表明，需要改变现有的生活环境，建设新的交通设施。在实地调查、遥感和政策咨询等方法的基础上，城市形式比旅游数据更容易获取。因此，与旅游行为对城市结构的影响相比，更多的研究集中在城市结构对旅游行为的影响上。从手机记录、社交媒体登记和出租车轨迹等来源收集大型地理空间数据，为人们在城市周围的移动建模提供了丰富的位置。与传统的旅游调查数据相比，大数据更准确、客观、丰富、经济、易用，为更好地描述人们的出行提供了机会[1]。

2 大数据技术与出租车司机手机定位

2.1 大数据技术

大数据是一个术语，它描述了大量的数据，这些数据每天都会淹没企业。但重要的不是数据量，重要的是组织如何处理数据，对大数据进行分析，以获得有助于做出更好决策和战略业务举措的见解。

2.2 出租车司机手机大数据定位

目前大多数出租车司机都以手机作为导航和接单的工具。在过去的几年里，手机得到了迅速的发展。今天，手机已经成为我们生活中不可或缺的一部分。大多数人无论走到哪里都带着这些设备，即使是在睡觉的时候，他们也希望手机在身边。根据调查报告，这种使用习惯使手机成为一种全天收集消费者信息的有用设备。对一些人来说，手机已经成为他们上网的主要方式，这使得它成了解消费者更有效的方式。

大数据的概念是将不同来源的有价值的信息汇集在一起，唯一的目的是对你可能感兴趣的一个人或一群人得出有意义的结论。随着移动设备在国内的普及，了解消费者行为的机会也在增加，广告商和营销人员现在可以瞄准对他们所提供的产品感兴趣的特定人群。

这些信息不仅对广告商和营销人员有用，而且对应用程序开发人员也有用。像百度、阿里巴巴这样的大数据分析公司，将各种移动应用程序作为他们的信息源，然后这些信息在数据仓库中聚合在一起。作为回报，开发人员从数字仓库中提取信息，用于自己的消费和开发应用程序的改进[2]。

城市是居民和手机用户聚集的地方。与其他大数据优势相比，它与城市规划的兼容性更多地体现在完整的样本，实时、动态且无群体差异方面。

移动信令是移动用户与广播基站或微型站之间的通信数据。打开电话并在电话屏幕上显示话务员的字样（中国移动、中国联通和中国电信）时，将生成信号数据。数据字段始终包含大量的时间和位置信息，并且无法手动定义和分析。过去，这样的历史大数据除了保护和破坏之外，对运营商没有任何影响。手机信号数据具有以下特征：客观性、连续性和准确性。在智能手机的支持下，移动大数据技术使用信息数据分析方法对手机响应、短信、信号平台和其他数据内容进行全面的数据分析，以支持数据技术的规划，开发和相关研究。

3 基于出租车大数据的城市交通出行规划的具体方案

3.1  交通导航网络建设与社区道路检测

城市中的人流将分散的地方连接成一个完整的系统。虽然我们知道客户被出租车接送的确切位置，但客户来自或前往的确切地点或建筑却不得而知。假设一个小的空间单元通常具有相同的土地利用，我们可以聚合出行来获得这些小区域之间的空间相互作用。小单元可以是交通分析区、网格或按主要道路分割的地块。通过将单元视为节点，将运动流视为边缘，我们可以构造空间嵌入式网络，并应用复杂网络方法进一步研究它们的性质和结构。

为了从出租车出行中构建一个网络，将研究区域划分为小区域，每个小区域对应于网络中的一个节点。如果从一个节点到另一个节点有滑行，则两个节点之间存在有向边或连接。一条边的权重等于它所代表的出租车出行量，因此网络的性质反映了城市的结构和小区域之间的空间相互作用。该网络分为4个部分，其中子网络具有相对密集的连接。群落检测结果对应于紧密相连的子区域。

在网络中，一些节点表示它们之间的连接比其他节点强得多。通过将出租车出行网络划分为密集连接的子网络，我们能够将城市划分为高度互动的子区域。在网络科学中，社区检测方法能够将整个网络划分为紧密连接的子网络，称为社区，并揭示网络的聚类特征。社区检测可以使用许多算法来实现，其中Infomap算法能够处理加权和有向网络，并且执行稳定和快速。它对网络上的随机游动采用两级描述，目的是最小化随机游动的预期描述长度或“代码长度”。优化的两级描述对应于网络的社区结构。

3.2  城市地图构建

我们首先构建了一个包含数据集中所有出租车出行的网络。群落检测结果主要由大的空间连续区域组成，表明距离衰减效应对空间相互作用的影响。郊区的一些小镇也属于大型城市社区，因为与城市之间很少有长途旅行。小社区主要存在于郊区和农村地区，因为出租车出行量低。城市地区的社区很大，可能会隐藏详细的结构。为了检测出详细的结构信息，我们从以下3个方面对短途旅行进行了研究。首先，短途旅行将当地联系起来，可能有助于找到更小的区域。其次，短期和长期的城市内旅行往往有不同的目的和旅行模式，特别是在一个大城市，如上海。最后，大部分出租车行程较短（一半的行程短于4.72km，四分之三的行程短于8.32km）。它们代表了紧密地点之间的空间相互作用，因此可以更详细地描述城市结构。短途和长途旅行的不同模式可以通过一些简单的分析得到证实。例如，按中位数长度（4.72 km）将所有出行分为两个子集，并将它们命名为短出行集和长出行集，结果它们的交通量显示出不同的时间分布[3]。

短途旅行在下午2点左右达到较高的交通量峰值，而长途旅行在夜间的交通量较大。特别是在出行丰富的城市地区。这一模式意味着短途旅行主导了当地的空间互动，而长途旅行则起着连接这些当地集群的作用，而不是遵循同样的短途旅行模式，维持子区域的扩张过程。

3.3  大数据支持下出行规划的方案

MapReduce框架本身将根据键值对处理结果排序，对于本文中的出租车大数据，需要根据车牌号和时间这两个属性对清洗后的数据进行两次排序，以提取出租车乘客的轨迹。

第一步是完成数据清理工作后，使用MapReduce中的inputSplit（）方法拆分要排序的数据，并将每个切片分配给map子任务，然后将其作为值输入相应的map函数。第二步是将输出的中间数据输入缓冲区，其中，处理每个记录后需要执行一次该过程。第三步是使用随机播放机制将映射面的输出结果有效地传输到归约面。第四步是reduce端在完成诸如合并排序之类的一系列任务之后将数据分组输出，并且不同的键值对应于不同的组。

4 结语

复杂的交通流系统下的城市结构表现出城市内部固有的联系模式。本文以国内某市大量出租车出行数据为基础，构建空间嵌入网络模型，对城市内部空间互动进行建模，并引入网络科学方法。通过从出行模式的角度结合中心的土地利用，我们进一步研究了次区域形成和中心—地方互动模式，对城市交通出行规划进行了分析。

[参考文献]

[1]李洁.出租车大数据在城市交通中的运用分析[J].建筑工程技术与设计，2018（4）：2346.

[2]纪丽娜，陈凯，于彦伟，等.基于城市交通大数据的车辆类别挖掘及应用分析[J].计算机应用，2019（5）：1343-1350.

[3]王冷.基于大数据分析的教育智库搭建[J].现代教育论坛，2020（7）：86-88.

（编辑 王雪芬）