出租车是公共汽车、轨道交通等城市常规公共交通的重要补充, 是城市客运交通的重要组成部分[1].然而由于缺乏有效管理, 在北京、上海等大城市, 高峰时段打不到车但出租车空驶率却较高的现象普遍存在[2].全面分析与掌握出租车运营特征, 可以有效提高行业整体运营效率, 为出租车运营公司车辆调度、出租车行业规划、交通管理部门政策制定提供决策支持.
传统出租车运营数据采集方式有人工调查方法和基于计价器IC卡数据的方法.前者需耗费大量的人力, 调查数据的可靠性低；后者无法记录每次出行的空间地理信息, 而无法获得车辆的空间分布情况.随着移动传感技术的发展, 浮动车技术已逐渐成为出租车信息采集的主要手段.近年来, 国内外学者已开始利用浮动车数据(Floating Car Data, FCD)开展出租车运营特征的研究.文献[3-5]对出租车运营服务评价进行了建模, 并通过仿真验证了其效用; 文献[6]利用100个出租车GPS数据确定出租车上下客点的位置, 分析出行需求、出行距离和出行时长3项指标; 文献[7]设计开发了出租车运营状况分析系统; 文献[8]以北京为例提出了基于浮动车数据的出租车运营管理指标计算模型, 计算了每日运营里程、每日运营时间等6个指标; 文献[9]以广州市为例, 选取5个典型工作日的出租车GPS数据, 分析了广州市出租车运营的出行需求分布、里程空载率、时间空载率等6个指标, 提取了广州市出租车运营管理水平的重要特征参数; 文献[10]提出面向出租汽车运营特征分析的数据处理流程, 选取一个典型工作日, 针对空驶率、运营速度、载客运营时长等方面, 分析了深圳市出租汽车行业运营现状与特点; 文献[11]设计了空驶率的计算方法; 文献[12]利用葡萄牙里斯本的出租车数据讨论了出租车的运营策略; 文献[13]采用了时空观测模型分析了北京市出租车的各项指标.然而, 过往研究或未对浮动车数据源及数据处理方面进行探讨[3-5], 目前也尚未有论文全面研究面向出租车管理的数据处理方法; 或样本过小, 指标过少[6, 13];或对运营状况缺乏具体的分析, 忽略了周末及节假日的运营情况[7-13];尤其对空间分析略显不足[3-10].
为全面掌握出租车出行规律, 科学评估其运营效率, 本研究提出了一种面向于大规模出租车运营管理的数据处理方法.以上海市一个月的出租车GPS数据为基础, 通过对多项运营指标的计算全面分析工作日、周末及节假日上海市出租车的运营特点.
1 数据处理 1.1 原始数据描述 1.1.1 出租车轨迹数据研究使用的FCD来源于上海市强生出租车公司管理的出租车行驶轨迹数据集.强生出租车公司是上海乃至中国最大的出租汽车经营商, 有出租车近14 000辆, 约占上海市出租汽车总量的25%.出租车以一定周期(平均10 s)回传数据, 记录行驶状态(如位置坐标、航向、速度等)及营运状态(如空驶、载客等)信息.在强生公司提供的数据集中, 包含约13 700辆出租车在2015年4月份共30日的轨迹点采样数据.轨迹点采样数据按照行记录的方式存储在文本文件中, 每一行记录一个轨迹点的信息, 每日归档一个文本文件.每日归档文件的大小约10 GB, 包含近1.2亿行采样记录.每一条记录包含13个字段, 分别表示车辆编号、GPS设备的报警标志、是否空驶状态、车顶指示灯的状态、是否行驶在高架上、是否刹车、数据中心接受数据的时间、GPS设备测定的时间、采样点的经度坐标、采样点的纬度坐标、采样时刻的即时速度、车辆移动方向与指北针的夹角、用于定位的卫星个数.
1.1.2 路网数据论文研究所用的路网数据来源于OpenStreetMap[14]. OpenStreetMap数据的优点是数据可以免费获得, 缺点是数据质量不能严格保证.为此, 对下载的数据利用2015年上海市航空遥感数据进行了编辑, 修正原有数据中存在的错误.
1.2 数据处理流程面向出租车运营管理的大规模FCD处理流程包括数据预处理、地图匹配、轨迹切分3个主要阶段.整个数据处理过程依赖基于ESRI ArcGIS Engine 10.1的GIS二次开发.使用C#.NET及Visual Studio 2010作为开发语言和工具; 微软SQL Server 2012作为存放轨迹及中间数据的数据库管理系统; DevExpress XPO(eXpress Persistent Objects)作为对象持久化模型, 以简化对数据库的操作.
1.2.1 数据预处理数据预处理阶段主要包括去噪处理、数据缺失检测及轨迹压缩三个步骤.
(1) 去噪处理 根据轨迹点的速度和时间字段剔除速度过大或时间记录有误的点(异常点).例如由于管控限制, 行程速度一般不会超过80 km/h(限速), 故速度大于80 km/h的点将会被剔除.本研究去除的异常点约占总数的0.3%.
(2) 数据缺失检测 根据轨迹点的时间字段检测数据缺失的轨迹.设定最长时间间隔阈值, 如相邻两个轨迹点时间间隔大于阈值, 则认为两点之间有数据缺失, 两边的轨迹不应相连, 而应作为两段子轨迹分别对待.本研究的样本采样间隔由1 s到240 s不等, 55%左右稳定在10 s, 绝大多数在120 s之内(99.9%).由样本计算出租车的平均速度约为18 km/h, 若缺失120 s, 则连续两个回传数据的轨迹点间距过长, 将大大影响地图匹配及路径重现的精度.故本研究将采用120 s作为时间间隔阈值.
(3) 轨迹压缩 去除冗余数据.根据轨迹点坐标字段计算相邻两点距离, 如后一个点与前一个点的距离小于阈值, 则认为这两个点处于同一位置, 后一个点是冗余的点, 可以去除.本研究选择的距离阈值为10 m(与GPS的定位误差相近).本研究的数据压缩比(压缩之后的轨迹点数与压缩之前的轨迹点数之比)约为50%.
1.2.2 地图匹配地图匹配的目的是要将车辆与当前行驶的道路进行关联.为了能从整体上保证轨迹点的地图匹配精度, 研究采用了基于点序列的地图匹配方法, 每次同时对一个序列中的点进行地图匹配, 以保证匹配后前后点是路径连接的.具体方法是:每次从轨迹数据中读取一个点序列; 对序列中的每个点根据距离阈值查找候选匹配路段, 根据路网数据中路段的连接关系和方向确定拓扑连通的所有组合路段(如候选匹配路段没有拓扑连通则从路网数据中提取所有可能经过的路段); 从所有组合路段中确定最佳的组合路段, 可选择采用最佳路径(距离最短或速度最快)作为确定最佳的组合路段.本研究采用的是最短路径的方法.
1.2.3 轨迹切分出租车的状态首先可分为行驶和停车.前者包括载客行驶和空车行驶; 后者包括停车下班、停车吃饭、停车加油、停车修车、停车等客等实际停留情况(不包括由于堵车、等红绿灯等引起的行驶过程中的停留, 行驶过程中的停留作为行驶状态).为了全面掌握出租车的运营状态, 按停留/移动对轨迹进行分割; 对停留轨迹按停留的持续时间、所处的时段时间以及与地标点的位置关系作进一步的划分; 对行驶轨迹, 按照是否载客进一步分割为载客轨迹和空车轨迹.
本文改进了传统的DBSCAN(Density-Based Spatial Clustering of Applications with Noise)方法, 寻找轨迹线上被高速移动轨迹隔开的低速(包括静止)移动轨迹作为停留. DBSCAN是在数据集中寻找对象高密度聚集的区域, 将每个独立的高密度区域标注为类簇.与其他聚类方法相比, DBSCAN在噪声处理、聚类速度和分组有效性方面都有很多的优点.然而传统的DBSCAN方法是基于欧氏平面, 关注的密度为单位面积中点的个数, 阈值根据点的个数来定义; 而停留检测是基于道路网络, 密度为单位距离的持续时间, 阈值根据停留的持续时间来决定.针对停留检测的特点, 本研究对DBSCAN方法进行了改进, 包括:在搜索中, 按照时间顺序查找前后相邻点; 在确定邻域点时, 以速度阈值代替距离阈值; 以及在确定是否为核心点时, 以最短时间间隔阈值代替最少点数阈值, 即在邻域内持续停留的时间必须大于某个阈值.另外由于在低速移动的轨迹中, 偶尔也会有速度较快的点(如采样时间间隔很小情况下, 定位误差造成的位置偏移也会使计算出的速度有较大的值), 如果按照每个点的即时速度进行判断, 就会造成有些停留不能检测到或一个停留会分割成多个停留.针对这种情况, 本研究在确定邻域点时, 采用两个速度阈值:即时速度阈值和平均速度阈值.平均速度是指通过邻域内所有点的平均速度(邻域内首末点的路径距离与时间差之比), 即时速度阈值稍高于平均速度阈值, 以保证速度稍高的点也能进入邻域; 平均速度阈值用于保证邻域内所有点整体上是一个慢速移动过程.本研究中, 平均速度阈值为5 km/h, 最大瞬时速度阈值为20 km/h, 持续时间阈值为10 min(600 s).
根据检测出的停留对轨迹进行分割, 并进一步区分载客轨迹和空车轨迹.对停留轨迹根据停留的持续时间、停留的间隔时间等进行综合评判, 分成休息停留轨迹和工作停留轨迹.休息停留的判断方法为: ① 若持续时间超过1 h, 则判断出租车司机下班, 出租车停运; ② 若持续时间15 min到1 h, 之前的3 h内没有停车吃饭事件, 则判断出租车司机停车吃饭, 停留轨迹为休息停留轨迹.本研究出租车``运营''指的是行车轨迹以及除停车下班和休息以外的所有停留轨迹.
2 出租车运营特征分析本研究基于2015年4月1-30日的出租车轨迹数据, 对影响出租车运营水平的多项指标进行计算, 分析上海地区出租车基本运营特征.
2.1 运营时间和运营里程日均运营时间(里程)指该日运营出租车的运营时间(里程)总和与该日运营的出租车总数之比, 反映出租车的使用率以及出租车司机的工作强度.图 1是日均运营时间及运营里程30 d变化图.表 1为日均运营时间和运营里程按每个工作日、周末以及清明节分别计算的平均值和标准差.
|
注:横坐标表示2015年4月对应日期, 以及对应周一至周日 图 1 日均运营时间和运营里程统计表 Fig.1 Daily average operation time and mileage |
|
表 1 参数估计模拟结果 Tab.1 Statistics on daily average operation time and mileage |
出租车的日均运营时间在12-16 h之间波动, 30 d的平均日均运营时间为14.8 h.翁剑成等基于2008年7月20-26日北京市中心区的出租车轨迹数据计算出单班出租车的日均运营时间为9.59 h, 双班为15.16 h; 不考虑单双班, 日均运营时间为11.82 h[8].由该数据可得, 上海市出租车的日均运营时间要高于北京市.由周一至周日的变异系数可知日均运营时间的周差异较小.与周日相比, 周一至周六运营时间较长, 尤以周五为最.清明节的日均运营时间明显低于平日.出租车运营时间的变化可能与以下两个原因有关：一方面节假日出行的人相对较少, 出租车需求量较平时有所下降; 另一方面与出租车司机的休息行为有关, 选择节假日休息的出租车司机较平日多.工作日中, 周一的运营时间也相对较短(平均约为14.64 h), 原因可能是周一往往交通拥堵情况比较严重, 出租车司机可能会减少运营时间.
在30 d里, 出租车日均运营里程在350$\sim$480 km之间, 30 d的平均值为422 km.在出租车运行速度保持一致的情况下, 日均运营里程和运营时间的30 d变化情况应该相近, 但对比两条曲线及表 1的数值, 变化并不一致, 日均运营里程在节假日与工作日的差别并不似运营时间那般明显, 且周波动较大.例如清明节日均运营时间为12.90 h, 远低于平日, 而运营里程为431.48 km, 与平日相仿, 主要原因可能是节假日往往道路交通状况较好, 车辆通行顺畅.
2.2 载客分析载客情况包括载客时间、载客里程等指标, 反映出租车的收益情况.
2.2.1 日均载客时间和日均载客里程日均载客时间(里程)指该日运营出租车的载客总时间(里程)与该日运营的出租车总数之比.上海日均载客时间多数处在8$\sim$10 h范围内, 总平均值约为8.8 h; 而日均载客里程一般在220$\sim$280 km之间, 总平均值为250 km.
日均载客时间(里程)比率是指出租车一天的载客时间(里程)与运营时间(里程)的比例, 反映驾驶员工作的有效性.图 2为日均载客时间与载客里程比率图.表 2为日均载客时间以及日均载客里程比率按每个工作日、周末以及清明节分别计算的平均值和标准差.平均载客利用率一般在56%~63%之间.清明节假期载客时间比率远低于其他时间, 但载客里程比率的差距不明显, 这也说明清明节的路况可能好于平时.而周五的载客时间比率要高于其他时间, 但这种差异在载客里程比率中不明显, 可能是周五的交通状况较差导致出租车行驶不畅所致.
|
注:横坐标表示2015年4月对应日期, 以及对应周一至周日 图 2 日均载客时间和载客里程比率 Fig.2 Daily average ratio of time and mileage of trips with passengers |
|
|
表 2 日均载客时间和载客里程比率统计表 Tab.2 Statistics on daily average ratio of time and mileage of trips with passengers |
日均单次载客时间(里程)是指一天中平均每次载客的时间(里程), 即所有出租车一天的载客时间(里程)总和与载客次数总和的比例.图 3为4月份30 d单次载客时间及载客里程曲线图.表 3为单次载客时间及载客里程统计表.与工作日相比, 周末单次载客时间及单次载客里程低于工作日, 一方面周末市民能有更多的选择空间规划最优出行路线; 另一方面周末市民更可能选择就近活动.工作日可能受严格约定的工作时间限制, 选择长距离坐出租车以保证时间的人会比较多.由于清明假期期间长距离出行的可能性比较大, 故清明节单次载客里程最远(约为9.14 km), 而由于路况原因, 花费的时间最少(单次载客时间均值约为15 min).
|
注:横坐标表示2015年4月对应日期, 以及对应周一至周日 图 3 日均单次载客时间和载客里程 Fig.3 Daily average travelling time and mileage per trip with passengers |
|
|
表 3 日均单次载客时间和载客里程统计表 Tab.3 Statistics on daily average travelling time and mileage per trip with passengers |
为进一步分析载客时间情况, 将载客时间分成10个时间段, 统计不同载客时间的频率.图 4为各个载客时间段的比例及累计比例图.上海的单次载客时间主要分布在30 min以内, 所占比例高达86%.作为地铁的转乘交通工具之一, 单次短时间载客的比例非常高.载客时间小于5 min的次数占10%以上, 小于10 min的载客占比高达四分之一.这主要归因于上海相对发达的城市轨道交通网络, 多数人会优先选择轨道交通出行.对于轨道交通不能直接到达的地方, 则倾向于选择先到离目的地最近的轨道交通站, 然后再转乘出租车, 既经济又能保证出行时间.
|
图 4 单次载客时间比例和累积比例 Fig.4 Percentages and accumulative percentages of time on trips with passengers |
为进一步分析载客里程情况, 将载客里程分成10个不同等级, 统计不同载客里程的频率.图 5为各等级载客里程的比例及累积比例图.上海出租汽车载客出行距离在3 km(起步里程)范围内约占四分之一, 6 km以内占比超过一半, 10 km以上比例约为25.6%, 15 km以上比例约为12.8%.以上数据充分反映2015年10月上海将出租车加价里程由10 km提高到15 km的政策[15]是有必要的、与时俱进的.
|
图 5 载客里程比例和载客里程累积比例 Fig.5 Percentages and accumulative percentages of mileage on trips with passengers |
对空驶时间与里程的分析亦可反映出租车运营的效益, 对合理分配资源有着极其重要的意义.
2.3.1 空驶时间和空驶里程日均空驶时间是指该日运营出租车的空驶总时间与该日运营的出租车总数之比.而日均空驶时间比例, 也称为日均时间空驶率, 是指出租车一天的空驶时间与运营时间的比例. 30 d均空驶时间在5.4~6 h之间变动, 变化幅度很小.空驶时间比率在35%~40%之间变化, 总的变化趋势与载客时间比率的变化趋势(见图 2) 相反, 即波峰点出现在周日和清明节, 而波谷出现在周五.出租车空驶率的合理区间目前还没有统一标准.借鉴发达国家和国内先进城市的经验, 城市出租车空驶率大致为30%~40%较为合理[11].关金平等人利用深圳市2008年11月至2009年2月的出租车轨迹数据计算出深圳市空驶率为30.1%[16];翁剑成等基于2008年7月20-26日北京市中心区的出租车轨迹数据计算出单、双班车空驶时间占运行时间的比例分别为41.19%和43.47%[8].上海市的日均时间空驶率为39.1%, 高于深圳市, 低于北京市, 已近警戒值.
为进一步分析不同时段的空驶情况, 以1 h为分析单位, 计算出租车在24个不同时段内的每小时空驶时间比例, 了解周一至周日不同时段出租车的使用情况.表 4为空驶比例过高(大于40%)或者过低(低于30%)的时段在工作日、周末及清明节的统计情况.周一到周四的空驶时间分布比较相似, 空驶比例高的时间段一般在夜间23点至第2天早上7点(空驶时间比例在40%以上), 出租车载客繁忙的时段主要为通勤时段, 值得注意的是从下午1点开始直至晚高峰出租车空驶比率都在30%以下, 可能的原因是午饭过后上午外出工作结束的业务员回单位用车需求以及下午外出工作的业务员的用车需求.与其他工作日相比, 周五23-24点的空驶比例比其他工作日低, 可能的原因是由于朋友聚会或者周末前加班.此外, 由于双休日市民出行时间不如工作日那样集中, 工作日比较繁忙的上午8-9点时段在周日、节假日却是空驶率较高的时段.一般周日市民出行晚, 但归家较早, 故周日晚22-23点出租车的空驶比例就已经达到40%以上.
|
|
表 4 高(或低)空驶比例时段统计表 Tab.4 Time slots of high (or low) rate of empty cruise |
日均空驶里程是指该日运营出租车的空驶总里程与该日运营的出租车总数之比.而日均空驶里程比例, 也称为日均空间空驶率, 是指出租车一天的空驶里程与运营里程的比例.上海日均空驶里程变化范围在130~210 km之间, 平均值约为172 km, 变化幅度比较大.空驶里程比例一般在35%~45%之间, 没有明显的周期变化, 平均值为40.5%, 高于空驶时间比例1.4%, 说明空驶速度稍高于载客速度(载客时间比例与载客里程比例相当, 见2.2节).
2.3.2 道路空驶比例道路空驶比例指一段时间内经过该路段的出租车中空车的比例, 能从空间维度分析运营空驶情况.研究选择一个典型工作日周一(4月20日)和周日(4月26日), 计算一天中每个路段的日均空驶比例, 将其分为6个等级(每隔20%分为一级).图 6为周一和周日道路空驶比例空间分布图(外环线以内地区).无论工作日还是周日, 外环-中环之间东部与北部以及中环和内环之间位于浦东新区东南部地区的路段空驶率较高, 而靠近内环空车越少.工作日和周日相比较, 周日整体空驶比例要高于工作日, 尤其在内环区域中表现明显.这与上海职住分布对应(工作地点在内环区域而居住地在内环外的市民占比较大).
|
图 6 日均道路空驶比例空间分布图 Fig.6 Spatial distribution of daily average idle taxi ratio |
为了进一步分析道路空驶率的空间分布, 将研究区域划分为500 m×500 m的网格, 分析网格中的平均空驶率与感兴趣点以及人口的关系.具体步骤如下: ① 计算每个网格的平均空驶率, 计算公式为
| $ \begin{align*} x=\dfrac{\sum\mbox{路段长度}\times \mbox{空驶率}}{\sum \mbox{路段长度}}; \end{align*} $ |
② 计算每个网格的人口总数与感兴趣点总数; ③ 分别计算空驶率与人口总数及感兴趣点总数的相关系数.其中人口数据为上海门牌人口数, 来自公安局人口数据库统计数据; 感兴趣点为2014年上海科研、购物、娱乐、旅游、住宿等兴趣点数据, 通过百度API获取.结果如表 5所示.由表可知, 人口和感兴趣点皆与空驶率相关, 人口多、感兴趣点多的地方, 空驶率较低的可能性更大; 人口稀疏、感兴趣点少的地方(比如上文提到的外环和中环之间东部和北部的某些区域), 空驶率普遍比较高.相比人口, 空驶率与感兴趣点的相关性更大.而周日与工作日相比, 周日的空驶率与人口和感兴趣点的关联度更大.可能的原因是工作日乘坐出租车是工作需要, 而周日出行的目的地是友人居所或者商铺、旅游景点等感兴趣点.
|
|
表 5 相关性检验结果 Tab.5 Results of the correlation |
对于工作日, 结合2.3.1节分析结果, 选取上午8-9点(早高峰)以及17-18点(晚高峰)两个典型低谷时段计算道路空驶比例, 其网格平均空驶率如图 7所示.早晚高峰差别较大, 早高峰时期内环内多数道路空驶比例低于20%, 内环外中环内大多数道路的空驶比例也较低, 这说明上班高峰是乘坐出租车的高峰期.而晚高峰内环、中环道路空驶比例远高于早高峰, 原因可能在于晚高峰时期市民有充足时间, 可以选乘其他较为廉价的交通工具返回居住地.
|
图 7 工作日典型时段网格平均空驶率 Fig.7 Averageidle taxi ratio by grid on typical time intervals in a normal weekday |
对于周日, 结合2.3.1节分析结果, 选取低谷17-18点作为重点分析时段, 结果如图 8所示.与工作日晚高峰时期(见图 7b)相比, 内环中心城区的出租车载客的概率更高.主要原因在于中心城区是传统的商业区, 尽管上海在向多中心城市发展, 但周末前往传统商业区购物会友的市民依然比较多, 尤其在静安寺、人民广场等商业区, 沿路候车的人较多, 大大降低了空驶的概率.而西部及西南部空驶率也比较低, 可能与周日晚离沪人员搭乘出租车前往虹桥机场或高铁站有关.
|
图 8 周日典型时段道路空驶比例空间分布图 Fig.8 Averageidle taxi ratio by grid on typical time intervals on Sunday |
基于上海市出租车GPS数据, 本文提出了数据处理的基本流程, 尤其设计了基于改进的DBSCAN的轨迹切分方法, 提取了上海市出租车整体运营、载客和空驶3个方面的指标, 分析了上海市出租车的运营特征.结果表明:与工作日相比, 周日和节假日的运营时间及载客时间短, 且运营效率不高; 单次载客时间在10 min以内占四分之一, 30 min以内占86%;单次载客里程在起步里程3 km范围内占四分之一, 在10 km以上比例为25.6%, 15 km以上比例为12.8%;空驶比例均值为39.1%, 接近合理范围的临界上限值; 空驶速度略大于载客速度.空驶率空间分布差异明显, 与周边人口和感兴趣点的关系密切.
总体来说, 上海市日均出租车空驶比例虽在合理区间之内, 但仍略为偏高, 道路空驶率时空差异明显; 与工作日相比, 周日和节假日的运营效率不高, 需要有关部门作出相应调整.
需要指出的是, 本研究仅利用了强生公司开放的一个月的数据, 因受数据限制, 并不能更进一步分析月、季差异.如果今后可以获得更完备的数据, 可以对本研究所得的结论进一步验证和补充.本文采用空间分析的方法探讨了空驶率的空间分布, 发现了空驶率受周边环境影响.今后可继续挖掘空间因素的影响程度, 例如从时间和空间维度上深入研究各项环境因素(如各类感兴趣点)对载客的影响, 为决策者提供更多有用的信息.
| [1] | 陆建, 王炜. 城市出租车拥有量确定方法[J]. 交通运输工程学报, 2004, 4(1): 92-95. |
| [2] | 陈盛, 陆建. 出租车交通调查分析及对策[J]. 交通标准化, 2003(5): 41-44. |
| [3] | DENG C C, ONG H L, ANG B W, et al. A modelling study of a taxi service operation[J]. International Journal of Operations & Production Management, 1992, 12(11): 65-78. |
| [4] | KIM H, OH J S, JAYAKRISHNAN R. Effect of taxi information system on efficiency and quality of taxi services[J]. Transportation Research Record Journal of the Transportation Research Board, 2005, 1903(1): 96-104. |
| [5] | XU J, WONG S C, TONG C O, et al. Modeling level of urban taxi services using neural network[J]. Journal of Transportation Engineering, 1999, 125(3): 216-223. DOI:10.1061/(ASCE)0733-947X(1999)125:3(216) |
| [6] | 胡小文, 冯均佳. 基于GPS数据采集的出租汽车交通运行特点研究[J]. 城市交通, 2007, 5(2): 91-95. |
| [7] | 扈中伟, 于泉, 邵长桥, 等. 北京市出租车运营状况分析系统开发[J]. 道路交通与安全, 2007(4): 45-47. |
| [8] | 翁剑成, 刘文韬, 陈智宏, 等. 基于浮动车数据的出租车运营管理研究[J]. 北京工业大学学报, 2010, 36(6): 779-784. |
| [9] | 庄立坚, 韦清波, 何兆成, 等. 基于浮动车数据的出租车运营管理特性建模与分析[J]. 重庆交通大学学报(自然科学版), 2014, 33(4): 122-127. |
| [10] | 庄立坚, 宋家骅, 段仲渊, 等. 基于浮动车数据挖掘的出租汽车运营特征研究[J]. 城市交通, 2016, 14(1): 59-64. |
| [11] | 康留旺. 基于FCD的城市出租车空驶率及拥有量的计算[J]. 数字技术与应用, 2010(7): 81-82. |
| [12] | VELOSO M, PHITHAKKITNUKOON S, BENTO C, et al. Exploratory study of urban flow using taxi traces[C]// Proceedings ofthe First Workshop on Pervasive Urban Applications (PURBA'11), in conjunction with PERVASIVE'11, 2011. |
| [13] | ZHANG J, QIU P, DUAN Y, et al. A space-time visualization analysis method for taxi operation in Beijing[J]. Journal of Visual Languages & Computing, 2015, 31: 1-8. |
| [14] | OSMF. OpenStreetMap[CP/DK]. [2016-04-23].https://download.geofabrik.de/asia/china.html. |
| [15] | 摇号网. 2015年上海出租车调价最新通知[EB/OL]. (2015-10-08)[2016-3-24].http://www.bitenews.cn/zixun/6547.html. |
| [16] | 关金平, 朱竑. 基于FCD的出租车空驶时空特性及成因研究--以深圳国贸CBD为例[J]. 中山大学学报(自然科学版), 2010, 49(s1): 29-36. |