基于机器学习的出租车行为分析.docxVIP

基于机器学习的出租车行为分析 一、背景 伴随国民经济的迅猛发展、城市化进程的加快、城市规模的日益扩张、机动车的快速增长以及居民日常出行需求的增加，各种城市问题越来越凸现，交通堵塞现象频繁，严重地影响了城市的正常运行和城市的可持续发展，另外也给城市医疗卫生、教育、环境、治安等带来很大的压力，尤其城市交通拥堵问题亟待解决，它是城市建设滞后和人口过快增长的最直接表现。 总结我国交通问题可以归结于以下几大问题： （1）城市人均道路面积不足造成的道路承载力低下； （2）快速经济发展带来的城市机动车保有量过快增长； （3）除个别大城市如上海北京，城市公交交通发展不足甚至停滞不前; （4）面对增加过快的机动车保有量，城市交通管理水平例如城市交通信号控制系统，人工智能技术在城市管理的普及应用、现代化交通管理设施均与发达国家存在差距，交通管理水平有待提高。 为了提高城市居民的幸福度水平和改善城市的可持续发展状况，如何有效的解决这些问题至关重要。目前，不管是欧美等发达国家，还是我国等发展中国家，都在不断探索与寻求解决城市交通问题以及城市化进程中遇到的问题的策略及对策。 本文以湖北省武汉市9000多辆出租车的行为轨迹作为研究对象，来分析出租车出行特征。内容主要包括以下几个方面： （1）采集出租车数据，并进行预处理将出租车点数据空间化在地图中展示； （2） 出租车载客热点提取，使用带range的空间DBSCAN聚类算法提取出租车载客热点； （3）出租车行为分析，从日出行总量、各时段出行量、空驶率三个方面分析出租车需求时间分布特征； （4）构建od轨迹路径，提取出租车在不同载客状态下的热门路线选择。 二、实现方法 以武汉市目前9700多辆出租车为例，采集到出租车出行起始点、运行状态、路段出行速度、路段通行时间等反应出行需求和交通流信息，为交通管理部门与城市规划管理部门提供可靠性高、数据量丰富的研究数据，处理流程如下图： 1.???出租车数据预处理 将以txt存储的出租车一个月的GPS点数据（包含出租车经纬度、速度、开动或熄火、载客状态等）矢量空间化到地图中，每一个点代表一个GPS数据，如下图所示： 此时的出租车点位在地图上凌乱分布的，为了方便后续的出租车行为分析，将点数据进行地图匹配规整化，使GPS点数据与道路网数据进行匹配。 2.???基于聚类的出租车载客热点提取方法 目前聚类方法有很多，根据数据类型和特征采用不同的聚类算法，在我们在这里使用传统的DBSCAN基于密度的聚类算法和带range范围的DBSCAN算法提取出租车载客热点结果进行对比： 从上图可知，带有Range的DBSCAN算法，所产生的类簇面积大小相对均匀，而且区域面积也较小，能更好地反应沿线道路的热点分布，加范围后的DBSCAN算法提取出来的热点图更加平滑，减少了很多峰值点。 3.???出租车载客需求分布 通过对武汉市2014年5月11日同5月12日整体出租车运营情况的宏观了解，为更好地了解不同时段出租车载客需求的空间分布特征形成对比，工作日与休息日上下客次数柱状图如图： 出租车各时段内空驶率与出租车出行需求有密不可分的关系，而上图中对武汉市5月11日，5月12日出租车上下客次数的时间分布，下图通过空驶率结果分析进一步推断出租车出行需求并与上图进行相互印证。下图是5月11日和12日在24小时内的空载率分布: 从2时、8时、12时、18时、20时这几个时间段的分析。得到范围内1-10个热点区域。得到1、5、8、9热度最高，休息日中2、3、4热度明显高于工作日，10号点工作日高于休息日。 4.???出租车出行特征分析 前面挖掘了出租车的出行需求，从乘客上车下车时间、车辆运行速度、运行方向等等我们反算出出租车热门路径，如下图： 得到热门路径，然后可以对照道路交通等级网了解道路承载能力从而为交通规划疏通提供决策信息，道路等级网如下图： 将道路网数据和出租车热门路径作比较，如上图M点为次干道，假设道路网车辆通过量阈值为150，但在出租车热门路径中通过量为225，超过该道路负载能力，于是我们尽量疏通此道路车辆。 三、总结 本文基于带range的DBSCAN机器学习算法提取出租车行为特征，分析不同时段出租车热点与空载情况，并根据提取的行为特征分析出租车行动类型和道路，根据避免拥堵、追求时间性、出行流畅性、减少路径复杂度等选择因素去选择最合适路径，也为交通规划部门或地图相关应用提供决策咨询。