基于卡口圖片數(shù)據(jù)的城市地塊停車(chē)需求特征分析
——以常州市政府片區(qū)為例

龔大鵬，侯 佳，李興東，程曉明

南京市城市與交通規(guī)劃設(shè)計(jì)研究院股份有限公司

0 引 言

1 卡口圖片數(shù)據(jù)預(yù)處理

1.1 卡口圖片識(shí)別

本研究以2019年江蘇省工信廳——工業(yè)和信息產(chǎn)業(yè)轉(zhuǎn)型升級(jí)專(zhuān)項(xiàng)資金課題《城市級(jí)停車(chē)管理云平臺(tái)》為基礎(chǔ)，選擇常州市政府片區(qū)為研究實(shí)例，如圖1所示，藍(lán)色虛線部分為研究片區(qū)，片區(qū)內(nèi)有市政府、奧體中心、河海大學(xué)、萬(wàn)達(dá)廣場(chǎng)等多種性質(zhì)建筑設(shè)施，具有通用性及代表性。為增加片區(qū)研究的準(zhǔn)確性和科學(xué)性，采集卡口數(shù)據(jù)的點(diǎn)位不僅包含片區(qū)內(nèi)部，而且使普通道路延伸至片區(qū)外一個(gè)交叉口，高架及快速路延伸到西側(cè)龍江立交和東側(cè)青洋路立交。獲取的卡口點(diǎn)位根據(jù)卡口的位置及圖片內(nèi)容，分別與路網(wǎng)的道路或交叉口匹配，卡口點(diǎn)位分布及卡口圖片示意圖如圖1所示。

圖1 研究實(shí)例片區(qū)范圍、卡口圖片及點(diǎn)位分布示意圖

基于車(chē)輛及車(chē)牌的形態(tài)學(xué)特征，本研究使用深度學(xué)習(xí)的重新訓(xùn)練和參數(shù)優(yōu)化，得到車(chē)輛車(chē)型和車(chē)牌的圖像識(shí)別算法模型，具體圖像識(shí)別算法本文不做深入闡述[13]。本研究獲取高架及地面道路共92個(gè)卡口點(diǎn)位（包含交叉口、高架、匝道等），每個(gè)點(diǎn)位包含道路不同方向、不同車(chē)道信息，總計(jì)獲取851個(gè)路段車(chē)道點(diǎn)位。時(shí)間維度獲取的數(shù)據(jù)為2020年10月12日至2020年11月08日共計(jì)4周（28天），卡口圖片總量超過(guò)1億張?？紤]到卡口圖片數(shù)據(jù)的保密性及圖像識(shí)別所需要的巨大計(jì)算機(jī)算力，本次圖片識(shí)別環(huán)境布設(shè)在公安內(nèi)部機(jī)房，基于多塊深度學(xué)習(xí)計(jì)算GPU卡共耗時(shí)30 d×24 h計(jì)算完成。算法識(shí)別過(guò)程如圖2所示，最終得到卡口數(shù)據(jù)包括：卡口編號(hào)、卡口所在的道路link編號(hào)、所在車(chē)道編號(hào)、過(guò)車(chē)時(shí)間、車(chē)牌號(hào)碼、車(chē)輛車(chē)型、車(chē)牌顏色等信息。

圖2 卡口圖片識(shí)別過(guò)程示意圖

1.2 車(chē)輛出行提取

停車(chē)的靜態(tài)特征與出行的動(dòng)態(tài)特征是相互聯(lián)系的，只有準(zhǔn)確把握車(chē)輛出行，才能有效分析車(chē)輛停車(chē)特征。在上述識(shí)別卡口圖片得到的信息中，通過(guò)以下步驟得到車(chē)輛的出行時(shí)間、出行起終點(diǎn)、出行軌跡等信息。

（1）卡口點(diǎn)位與GIS道路網(wǎng)匹配，包括復(fù)雜高架、地面道路、匝道等點(diǎn)位的匹配；

（2）基于時(shí)間序列判斷每個(gè)車(chē)牌號(hào)對(duì)應(yīng)車(chē)輛的行駛時(shí)間、所在卡口路段；

（3）基于道路等級(jí)等限速特征計(jì)算各路段的行程時(shí)間；

（4）基于同一車(chē)輛先后經(jīng)過(guò)相鄰兩卡口之間的所有路徑設(shè)計(jì)時(shí)間最短路算法，計(jì)算相鄰兩卡口的最短行程時(shí)間，判斷兩卡口真實(shí)行程時(shí)間是否滿(mǎn)足行程時(shí)間閾值（本次閾值使用絕對(duì)值2 000 s、最短路時(shí)間4倍、最短路時(shí)間1/2倍等特征判別），若滿(mǎn)足則為連續(xù)的出行，若不滿(mǎn)足則為兩次出行的中斷點(diǎn)；

（5）基于每個(gè)車(chē)輛（4）步驟中的連續(xù)和中斷的出行判別，切分和合并車(chē)輛出行鏈，得到車(chē)輛出行鏈數(shù)據(jù)如表1所示（僅展示部分字段）。每一行為車(chē)輛行駛的一次出行，卡口點(diǎn)位列表為該次出行經(jīng)過(guò)的所有卡口路段編號(hào)，完整路徑為該次出行經(jīng)過(guò)的所有路段編號(hào)（由于一次出行經(jīng)過(guò)的路段較多及表格篇幅限制，只展示表格第一行出行完整路徑為['L174235'，'L67319'，L24728'，'L24729'，'L24731'，'L431566'，'L434072'，'L724'，'L1854'，'L1855'，'L736'，'L706'，'L707'，'L1859'，'L29454'，'L29455'，'L433971'，'L29456'，'L20419'，'L20420'，'L28942'，'L29413'，'L29414'，'L130287'，'L130288'，'L72813'，'L29463'，'L434104']，其他完整路徑不做展示）。

美通社（美國(guó)企業(yè)新聞通訊公司）全球副總裁柯佳時(shí)暢想：將來(lái)的人類(lèi)生活，屏幕會(huì)無(wú)處不在，甚至，“你可以一邊刮胡子，一邊在鏡子里看新聞” ?；貧w當(dāng)下，人們猛然間發(fā)現(xiàn)，所有新聞都在以討論的方式展開(kāi)，所有的信息都在議論中傳遞，所有的媒體人都處在一個(gè)巨大的變化中，無(wú)論現(xiàn)在還是未來(lái)，人們不再缺少信息，而無(wú)處不在的、冗余繁雜的信息端口，會(huì)讓所有媒體人看到，“準(zhǔn)確”比“第一”更重要。

表1 車(chē)輛出行提取后的數(shù)據(jù)示例

（6）本研究共得到所有車(chē)輛出行13 564 265次，日均出行約48萬(wàn)次，每車(chē)日均出行2.03次。

1.3 關(guān)聯(lián)地塊生成

計(jì)算得到的車(chē)輛出行起終點(diǎn)為卡口點(diǎn)位所在的點(diǎn)或者道路線上，然而車(chē)輛的最初出發(fā)點(diǎn)和最終到達(dá)點(diǎn)都不僅僅是道路上的點(diǎn)或者線，應(yīng)該是道路圍合成的地塊（面）區(qū)域。本研究基于車(chē)輛起終點(diǎn)所在的道路、車(chē)道及路網(wǎng)拓?fù)潢P(guān)系，判斷所有卡口點(diǎn)位的來(lái)源和可能去向地塊，并基于計(jì)算機(jī)算法直接以路網(wǎng)GIS文件為基礎(chǔ)生成各卡口點(diǎn)位對(duì)應(yīng)的來(lái)源和去向所在地塊。在卡口點(diǎn)位與地塊關(guān)聯(lián)過(guò)程中，重點(diǎn)考慮以下因素：①地塊僅統(tǒng)計(jì)城市干線道路圍合區(qū)域，支路不考慮；②地塊之間不重疊；③高架及匝道卡口點(diǎn)位對(duì)應(yīng)的地塊應(yīng)為與其拓?fù)湎噙B的最近的地面干線道路圍合區(qū)域。通過(guò)以上算法得到本研究92個(gè)卡口點(diǎn)位、851個(gè)路段車(chē)道所一一對(duì)應(yīng)的共計(jì)101個(gè)地塊，與卡口點(diǎn)位不相關(guān)、且不在研究片區(qū)內(nèi)的地塊不做研究。

2 基于職住的缺失出行恢復(fù)

2.1 車(chē)輛職住判斷

為深入分析地塊停車(chē)需求特征，需要掌握車(chē)輛停車(chē)性質(zhì)（例如居住停車(chē)、崗位停車(chē)、彈性出行停車(chē)等），因此需要對(duì)每個(gè)車(chē)輛的居住崗位、出行目的等特征做進(jìn)一步的判斷。每個(gè)車(chē)輛的職住規(guī)律通過(guò)以下算法計(jì)算得到：

（1）提取某一車(chē)輛單次出行的出發(fā)、到達(dá)時(shí)間點(diǎn)st1、et1，到達(dá)點(diǎn)地塊編號(hào)z1，時(shí)間相鄰的下一次出行出發(fā)、到達(dá)時(shí)間點(diǎn)st2、et2；

（2）判斷是否滿(mǎn)足et1<23:59（當(dāng)日）、st2>04:00（次日）、st2-et1>6 h，滿(mǎn)足條件則判斷到達(dá)點(diǎn)z1為夜間居住停車(chē)點(diǎn)；

（3）判斷第一次出行到達(dá)時(shí)間et1至第二次出行出發(fā)時(shí)間st2的時(shí)間區(qū)間是否滿(mǎn)足在周一—周五09:00—12:00、14:00—17:00區(qū)間內(nèi)停留超過(guò)3.5 h，若滿(mǎn)足條件則判斷到達(dá)點(diǎn)z1為崗位停車(chē)點(diǎn)；

（4）基于該車(chē)輛28天數(shù)據(jù)分別計(jì)算（1）～（3）步驟，提取居住和崗位頻率在10天以上的停車(chē)點(diǎn)地塊編號(hào)，則為該車(chē)的職住地塊。例如蘇D1***3的居住、崗位地塊分別為83、101；而有些車(chē)輛可能會(huì)有多個(gè)居住崗位地塊，例如蘇DZ***R居住、崗位地塊分別為[73，96]、[27，43]。

2.2 缺失出行恢復(fù)

在所有車(chē)輛的28天出行中，存在一部分車(chē)輛有去無(wú)回的出行記錄，例如某一車(chē)08:00從地塊z1出發(fā)、08:30到達(dá)地塊z2，而相鄰下一次出行是第二天08:10從地塊z1出發(fā)、08:40到達(dá)地塊z2，因此可以看出第一天08:30—第二天08:10之間缺少了從地塊z2回地塊z1的出行。本研究基于上述得到的車(chē)輛規(guī)律性出行的居住崗位地塊，以及同時(shí)得到的居住崗位出行相對(duì)規(guī)律的時(shí)間點(diǎn)，判斷車(chē)輛出行是否發(fā)生缺失。把已有出行數(shù)據(jù)劃分為訓(xùn)練集和測(cè)試集，使用機(jī)器學(xué)習(xí)中的有監(jiān)督學(xué)習(xí)KNN算法（最近鄰算法），KNN算法的距離使用歐氏距離，見(jiàn)公式（1），分別恢復(fù)缺失出行的出發(fā)、到達(dá)時(shí)間和出發(fā)、到達(dá)地塊編號(hào)4個(gè)變量。通過(guò)對(duì)28天出行數(shù)據(jù)進(jìn)行處理，共恢復(fù)缺失的出行次數(shù)為48.8萬(wàn)次，約為原始出行一天的出行量。

式中：d（x，y）為樣本點(diǎn)之間的歐氏距離；xi，yi為用于計(jì)算歐氏距離的變量坐標(biāo)，在本研究中主要為出發(fā)、到達(dá)時(shí)間和出發(fā)、到達(dá)地塊編號(hào)4個(gè)變量。

3 地塊停車(chē)需求特征分析

3.1 片區(qū)每日停車(chē)特征分析

基于2.1節(jié)和2.2節(jié)得到的車(chē)輛職住特征和補(bǔ)全后的出行數(shù)據(jù)，按照職住特征、地塊聚合28天數(shù)據(jù)進(jìn)行計(jì)算，篩選片區(qū)內(nèi)所有地塊得到片區(qū)內(nèi)停車(chē)需求總量日均約9.2萬(wàn)輛，其中居住停車(chē)需求量日均約4.0萬(wàn)輛、崗位停車(chē)需求量日均約2.1萬(wàn)輛、其他彈性出行停車(chē)需求量日均約3.1萬(wàn)輛。如圖3所示，28天數(shù)據(jù)分成四周展示，每周同一天的停車(chē)需求量波動(dòng)性非常穩(wěn)定，根據(jù)標(biāo)準(zhǔn)差計(jì)算波動(dòng)百分比的平均值約為1.5%。其中居住停車(chē)需求量和片區(qū)內(nèi)車(chē)輛出行次數(shù)相關(guān)，且每日居住停車(chē)需求量約占總出行次數(shù)的40%；崗位停車(chē)需求量在周末有明顯的下降趨勢(shì)；其他彈性出行停車(chē)需求量在周末有上升的趨勢(shì)，且彈性出行每周同一天相較于居住和崗位波動(dòng)性較大，主要是因?yàn)閺椥猿鲂惺艿降挠绊懸蛩剌^多，與剛性出行相比，出行隨機(jī)性較大。

圖3 每日停車(chē)需求量變化（按周分布）

3.2 片區(qū)小時(shí)平均停車(chē)特征分析

如圖4所示，按照24 h對(duì)片區(qū)內(nèi)各種性質(zhì)停車(chē)需求量進(jìn)行平均聚合計(jì)算，從圖中可以看出居住停車(chē)需求量由于夜間休息停車(chē)的原因，14:00之后需求量逐漸增加，晚高峰17:00—19:00期間多數(shù)車(chē)輛到達(dá)家中，因此居住停車(chē)需求量最大；崗位停車(chē)需求量的增加主要集中在早高峰07:00—09:00期間；彈性出行全天停車(chē)需求量較為平均。

圖4 研究片區(qū)內(nèi)24 h平均停車(chē)需求量變化

3.3 片區(qū)地塊停車(chē)需求量分布

基于各地塊每日平均停車(chē)需求量，按照停車(chē)需求量數(shù)值大小在GIS中展示各地塊的分布，如圖5所示。工作日居住停車(chē)需求量主要集中在居住小區(qū)較為密集的地塊，工作日崗位停車(chē)需求量則主要集中在市政府、密集寫(xiě)字樓等地塊，周末彈性出行停車(chē)需求量主要集中在萬(wàn)達(dá)廣場(chǎng)、奧體中心等商業(yè)娛樂(lè)地塊。

圖5 片區(qū)居住崗位彈性停車(chē)需求量分布

3.4 地塊停車(chē)結(jié)果驗(yàn)證

基于上述得到的地塊停車(chē)數(shù)據(jù)，選擇大型居住地塊（編號(hào)為46，地塊內(nèi)有多個(gè)大型居住小區(qū)）、市政府地塊（編號(hào)為93，主要為政府辦公）、萬(wàn)達(dá)廣場(chǎng)地塊（編號(hào)為56，主要為商業(yè)娛樂(lè)）三個(gè)屬性地塊的停車(chē)場(chǎng)入場(chǎng)閘機(jī)車(chē)牌數(shù)據(jù)對(duì)結(jié)果進(jìn)行驗(yàn)證。算法計(jì)算得到的地塊停車(chē)需求量與真實(shí)停車(chē)量進(jìn)行比較，如圖6所示為地塊46在2020年10月14日的24 h停車(chē)需求量計(jì)算結(jié)果與真實(shí)值對(duì)比。為了定量描述算法結(jié)果的精度，提出如公式（2）所示平均相對(duì)誤差表示方法，地塊46、93、56的算法平均相對(duì)誤差分別為7.56%、3.23%、5.05%。

圖6 地塊46在2020年10月14日的24 h停車(chē)需求量計(jì)算結(jié)果與真實(shí)值對(duì)比

式中：Pai為第i時(shí)段停車(chē)場(chǎng)入場(chǎng)閘機(jī)實(shí)際檢測(cè)停車(chē)量；Pci為第i時(shí)段算法計(jì)算得到的停車(chē)輛；n為驗(yàn)證數(shù)據(jù)集的所有時(shí)段第i時(shí)段的總數(shù)量；MRE為平均相對(duì)誤差。

4 結(jié) 語(yǔ)

本文基于卡口圖片數(shù)據(jù)通過(guò)圖像識(shí)別算法識(shí)別卡口圖片中的車(chē)牌號(hào)等信息，基于卡口位置及車(chē)牌號(hào)信息獲取車(chē)輛出行，并基于此判斷車(chē)輛職住、恢復(fù)缺失出行，分別對(duì)片區(qū)停車(chē)需求量的每日特征、小時(shí)特征、通勤特征進(jìn)行分析，最后選擇部分地塊停車(chē)場(chǎng)入場(chǎng)閘機(jī)車(chē)牌數(shù)據(jù)對(duì)算法結(jié)果進(jìn)行驗(yàn)證。由于卡口點(diǎn)位分布密度不均勻，后期可通過(guò)增加出行末端的小區(qū)、商場(chǎng)等其他建筑設(shè)備內(nèi)部停車(chē)場(chǎng)閘機(jī)車(chē)牌數(shù)據(jù)的匹配，完善車(chē)輛地塊停車(chē)需求特征；未來(lái)也可以與地塊用地性質(zhì)相結(jié)合，進(jìn)一步分析城市居民出行特征[14]。