基于多源数据的货车交通模型构建及应用研究——以广州市为例.pdf

1 货运模型专题|FREIGHT MODEL作者简介张科（1989），男，江西南昌人，硕士，工程师，主要研究方向：交通规划与管理、交通模型。陈先龙（1978），男，安徽当涂人，工学博士，教授级高级工程师，研究方向：交通模型、交通大数据开发与应用。Email:摘要：通过分析既有货运交通模型的难点及建模数据源的独立性，设计了多源数据融合的数据驱动货车交通模型框架。面向长周期道路卡口监测数据，运用轨迹溯源方法，建立了基于卡口交通分析小区的车辆出行OD。针对重型货车长距离和短距离出行活动特征的差异性，基于重型货车GPS数据的时空OD出行链生成算法，建立了区分高速公路和非高速公路的重型货车出行OD矩阵。基于数据驱动的货车模型框架，建立土地利用数据与高速公路收费流水数据、重型货车GPS数据及道路卡口监测数据之间的联系，推算得到以高速公路和非高速公路、重型货车和非重型货车为分类基础的货车出行需求矩阵。结合广州实例，从货车出行总体特征、时空分布、道路货车交通及与城市空间结构的协调性等方面进行了分析。研究结果表明，基于多源数据融合的货车交通模型能够较好地适应城市现状和初近期货车交通预测分析的需要。关键词：数据驱动；货车模型；道路卡口；GPS轨迹；土地利用Abstract:Abstract:By analyzing the difficulties of established freight transport models and the independence of modeling data sources,a data-driven truck transport model framework with multi-source data fusion is designed.Facing the long-cycle road checkpoint monitoring data,using the trajectory traceability method,the vehicle travel OD based on the checkpoint traffic analysis zone is established.For the differences in the characteristics of long-distance and short-distance travel activities of heavy trucks,based on the spatio-temporal OD trip chain generating algorithm of GPS data of heavy trucks,the OD matrix of heavy trucks trips that distinguishes between highways and non-highways is established.Based on the data-driven truck model framework,the linkage between land use data and highway toll data,heavy truck GPS data and road checkpoint monitoring data is established,and the truck travel demand matrix based on the classification of highways and non-highways,heavy trucks and non-heavy trucks is derived.Combined with the example of Guangzhou,the overall characteristics of truck travel,spatial and temporal distribution,road truck transport and the coordination with urban spatial structure are analyzed.The results show that the truck transport model based on multi-source data fusion can be better adapted to the current situation of the city and the needs of the initial and near-term truck transport prediction and analysis.Keywords:Keywords:Data driven;Truck transport model;Road checkpoint;GPS trajectory;Land use0引言货运交通是城市社会经济运行状况的缩影，而城市系统是一个复杂的巨系统，对城市复杂巨系统建模无疑是非常困难的。货运交通也直接反映经济运行指标，在一定程度上关系到商业秘密，这也进一步产生了数据获取的障碍。从交通模式组成来看，货运交通也包含航空、铁路、水运、管道、公路，且各模式之间也存在竞合关系；从空间联系来看，货运交通涉及从城市基于多源数据的货车交通模型构建及应用研究以广州市为例张科，陈先龙，宋程广州市交通规划研究院有限公司，广东省可持续交通工程技术研究中心Truck Transport Model Development and Application Based on Multi-source Data:A Case Study of Guangzhou City2 货运模型专题|FREIGHT MODEL到地区、全国乃至全球；从服务对象来看，包括商业货运和生活货运。此外，从货运交通建模理论来看，主要的建模方法是城市客运交通建模的衍生，包括四阶段货运模型1（Four-Step Freight Model）、出行链货运模型2（Tour-Based Freight Model）、基于活动货运模型3（Activity-Based Freight Model）和智能体货运模型4-5（Agent-Based Freight Model），也包括货运交通与土地利用整合模型6等。然而，由于货运交通和生产要素之间的联系更为紧密，且模型输入条件在一定程度上处于模糊状态，货运系统的复杂性、数据质量与获取难度，这使得货运交通建模几乎是交通需求建模的最大难点。货车模型是货运模型的简化版，可以看作是四阶段货运模型的一种形式，但同样数据获取是建模的难点。伴随着科技的发展，越来越多的货运交通运行监测数据被应用于货运交通模型开发，包括重型货车GPS数据、高速公路收费数据、道路卡口检测数据7等。新的数据源为货车交通模型开发提供了直接且相对准确的输入条件，但各种数据之间存在一定的独立性，且各种数据也存在自身的缺陷。重型货车GPS数据主要覆盖了12 t以上的重型货车8，高速公路收费数据缺少收费站以外的货车活动信息，而道路卡口检测数据则缺少连续的轨迹信息，同时这些数据源之间很难建立直接的联系。为此，本文尝试建立融合交通运行监测和检测数据的货车交通模型，以期更好地揭示城市货运交通运行特征规律。1数据基础本文所使用的数据主要包括重型货车GPS数据、高速公路收费流水数据、道路卡口检测数据和土地利用数据四大类。正如前文所述，四类数据所包含的货车信息各有不同，本文将通过算法设计进行融合，并以此为基础构造增量货运交通模型框架。1.1重型货车GPS数据重型货车GPS数据包括广东省域范围内12 t以上重型货车GPS轨迹数据，采样间隔为30 s，日均活动车辆31.2万辆，包括车辆ID、牌照颜色、时间戳、地理位置、车载终端速度（km/h）、行驶记录仪速度（km/h）、方向、海拔高度、行驶里程、警告状态等。基于重型货车GPS数据可以进一步推断货车出行OD。1.2高速公路收费流水数据高速公路收费流水数据包括省域范围内各个收费站的收费流水数据，包含车辆ID、车辆类型、进/出收费站名称和时间。基于高速公路收费流水数据统计可得基于高速公路收费站的货车OD数据。1.3道路卡口监测数据道路卡口监测数据包括各个卡口途经车辆的ID、通过时间和基于视频识别获得的车辆类型。截至2022年6月，具有有效数据采集条件的道路卡口4 572个，其空间位置见图1，道路卡口主要设置在城市主干道，约占50%，能够更好地反映城市内部出行活动分析的需要。所有卡口日均采集车辆出行记录约3 000万条。图1 广州市道路卡口分布位置示意3 货运模型专题|FREIGHT MODEL1.4土地利用数据土地利用数据主要包括居住、商业服务业设施、工业、村庄建设、物流仓储、公用设施、公共管理与公共服务、区域交通设施等在内的建设开发用地共约1 786 km2，用地组成情况见表1。表1 现状建设用地组成结构用地类型面积占比/%居住用地15.0商业服务业设施用地5.1工业用地17.2村庄建设用地25.9物流仓储用地1.9公用设施用地2.1公共管理与公共服务用地7.9区域交通设施用地10.2道路与交通设施用地11.9绿地与广场用地2.92货车交通模型设计考虑当前中国城市已经从增量规划进入存量规划发展阶段，城市活动日趋稳定，在一定程度上，现状交通运行状况不仅决定了近期总体发展态势，也将影响中远期。因此，通过长周期运行监测和检测数据挖掘城市现状出行特征，以提升交通模型精度是一种行之有效的手段。然而，正如前文所述，各种不同口径获得的货车交通数据之间难以建立有效的联系，本节尝试通过构建模型来解决该问题。2.1模型总体结构货车模型设计的总体思路是基于海量的货车运行监测和检测数据，通过数据驱动的模型结构实现对现状货车交通出行的复刻。同时，再结合土地利用的变化，构造增量模型（Incremental Model），能够在更好继承现状的基础上开展近期预测。模型结构中采用精度优先的原则，首先是重型货车GPS数据和高速公路收费流水数据，其次为基于道路卡口检测数据推算的货车OD数据，最后形成以重型和非重型、高速公路与非高速公路为基础的四种货车OD矩阵组成的总体货车交通需求矩阵，实现对现状货车交通运行状况的描述，模型总体结构示意见图2。2.2关键技术本次设计的模型结构中关键技术主要包含基于卡口检测数据的车辆溯源、GPS轨迹驻点识别与轨迹切分、基于用地数据的货车产生吸引建模、货车OD矩阵拆分及高速公路收费站与交通小区映射关系模型等。本文重点介绍基于卡口检测数据的车辆溯源技术和GPS轨迹驻点识别与轨迹切分技术。（1）基于卡口检测数据的车辆溯源根据卡口的点位分布情况，将广州市划分129个卡口交通分区，并建立卡口与卡口交通分区的关系，再结合卡口检测数据对各类车辆的归属地进行判别。基于车辆归属地信息和车辆活动卡口触发信息进行车辆活动OD分析，开发了基于卡口时空出行链的OD驻点判断算法9，算法流程见图3。该算法面向道路中所有机动车，通过车辆的使用频次和卡口捕获情况，区分低、中和高三种情形，识别车辆的归属地（夜间停放）等信息和活动轨迹信息。（2）GPS轨迹驻点识别与轨迹切分重型货车GPS轨迹为12 t以上重型货车，其驻点识别和轨迹切分是数据处理的核心难点。本文结合货车出行活动特点设计了考虑长距离和短距离出行两种状态的驻点判别方法，并利用POI（Point of Interest）信息，在长距离出行轨迹切分中考虑了经停高速公路服务区要素的影响（见图4），货车OD识别算法见图5。图2 多源数据融合的货车交通模型框架4 货运模型专题|FREIGHT MODEL结合敏感性测试，选取1 km作为短距离出行的控制阈值，并以20 min逗留时间作为驻留点的判断条件。3模型结果分析3.1货车交通总体特征道路卡口车辆分类主要基于视频抓拍的车辆轮廓，可划分为大货车、轻型货车、微型货车、大型客车和小型客车，共五种车型，日均活跃车辆数约320万辆，其中货车总量45.9万辆。需要注意的是卡口数据识别大型货车包含重型货车、大型货车和中型货车，日均总量约38.1万辆，而重型货车GPS数据挖掘得到的车辆数为54 970辆。本研究中用大货车总量减去12 t以上重型货车总量作为大中型货车，货车组成见表2。从总量来看，广州市道路网络承担的货车出行总量约为252万pcu/d。其中收费道路承担约50万pcu/d，占比约20%；非收费道路承担约202万pcu/d，占比约80%。收费路网货车需求量约50万pcu/d，占收费路网承担的客货总需求的25%左右。收费道路和非收费道路货车交通分布见图6，白云区收费道路货车产生量超过15万pcu/d，占比达到37%。从各行政区的货车占比来看（见表3），外围区货车占比普遍超过20%，白云、黄埔、南沙货车占比达到30%或以上，对城市生活出行形成一定干扰。货车产生量占比超过20%的行政区主要集中在外围区，接近或超过30%的包括白云、黄埔、南沙3个区，其中白云区的客车出行量超过100万pcu/d，货运占比较高对生活出行造成一定的干扰。3.2货车交通时空分布特征从时间和空间分布来看，货车交通也存在明显的差异性。时间上呈白天强度大而夜间强度低的特点；空间上则和用地类型密切相关，产业聚集度高则货车出行强度高，具体见图7。图3 基于卡口检测数据的OD驻点判断算法图4 某重型货车活动轨迹开始短距离出行的驻点判断满足时间序列的距离判断d距离阈值短距离出行集聚点驻留判断：T时间阈值d距离阈值时空特征驻留点位移点集合时空出行链OD驻点判断驻留判断：T速度阈值有效驻留点结束驻留点拐点判断：T时间阈值A为锐角YYNYY位移点NN基于货车GPS数据的时空OD出行链生成算法生成OD表时空特征驻留点位移点地图匹配N图5 基于重型货车GPS数据的时空OD出行链生成算法5 货运模型专题|FREIGHT MODEL表2 广州市日活跃货车组成结构车辆类型重型货车非重型货车合计大中型货车轻型货车微型货车车辆数/辆54 970326 53649 69727 724458 927占比/%12.071.210.86.0100.0（a）收费道路（b）非收费道路图6 货车出行OD分布表3 各行政区客货车交通产生量行政区客车产生量/（万pcu/d）货车产生量/（万pcu/d）客货合计/（万pcu/d）货车比例/%越秀24.52.827.210荔湾55.912.368.218海珠75.912.188.014天河121.919.0141.013白云102.446.6149.031黄埔55.623.178.829番禺78.317.395.618南沙34.818.353.135花都116.432.1148.522从化19.46.225.724增城73.425.598.926合计758.4215.4973.8223.3道路货运交通流量分布货车模型的结果包括全市日均货车出行需求矩阵（区分收费及非收费）及其车流分配结果，可获取主要走廊货车流量及占比、货车在市内的空间分布以及主要工业集聚区的货车生成量等。从形态看，现状货车廊道分布呈现较为明显的“环+放射”形态，形成2个环及多条射线的货运走廊。2个环分别为环城高速、北二环东二环南二环。货车流量较为突出的对外放射线廊道包括向北的广清高速、向西的广佛高速以及向东的广深高速。将货车流量与全市工业生产集聚区（包括大型工业集聚区、大型物流园区、港口码头等）叠加分析（见图8），发现工业生产集聚区的空间格局是影响货车在市内的空间分布的主要因素，大致分布在2个货运环线的沿线以及主要对外放射廊道的起终点位置。3.4货车与城市空间结构协调分析基于货车流量起终点溯源，对全市各分区的货车交通占该分区交通量的比例进行统计，结合国土规划提出城市空间结构，进行货运交通与城市空间协调性分析。6 货运模型专题|FREIGHT MODEL从空间层面看，全市客车主导区（货车占比20%以下）形成了主城区+5个中心的分布格局（见图9），与国土空间规划提出的“双核五极”相比，总体分布一致，但仍存在部分问题，如南沙区作为“双核”之一，货车流量在路网中的占比过高；主城区的西北部（白云西部、北部，以及天河北部）部分区域虽有一定的限货政策（白天禁止外市籍5 t及以上货车通行），但货车占比仍达30%以上，货运对城市生活干扰仍较为严重，限货政策效果有待完善。图9 货车产生量占客货总流量的比例从廊道层面看，占比较高的廊道（货车当量占比40%以上）主要是2个环线的局部段以及向花都、从化、增城、番禺等各个方向辐射的射线（见图10）。梳理廊道功能定位与货车占比，发现也存在部分不协调之处，如中心城区与东部城区间的联系廊道在国土空间规划中定位为“珠江高质量发展带”，中心城区至国家知识中心城联系廊道为“活力创新走廊”，但上述廊道货车流量占比均较高，存在一定的功能不协调。4结语多源数据融合的货车交通模型框架的本质是数据驱动的模型，这使得其既得益于数据也受制于数据。与传统基于货运图7 各时段货车交通空间分布图8 广州路网货车流量与工业生产集聚区叠合图7 货运模型专题|FREIGHT MODEL图10 道路断面流量中货车当量占比特征的建模方法相比，长周期运行监测数据能够在很大程度上避免特征调查的偶然性带来的误差，有助于模型精度的提升，但长周期海量数据的分析和处理技术也对模型设计和开发提出了新的挑战。本文通过多源数据的融合，构建数据驱动的模型对现状进行高精度模拟和复刻，分析方法对现状和近期预测具有较好的适用性。此外，基于对现状的高精度模拟，通过增量模型的设计可以实现预测年对现状的继承和延续10，特别是存量发展时代，这将有助于预测结果更加贴合城市发展实际。然而，由于模型的核心数据源源自现状，必然产生对中长期预测的局限性。此外，对于货车总体出行分析的主要数据源自道路卡口图像识别所得的货车分类，而现实中存在大量面包车作为货运用途，在结果中难以得到响应。另一方面，即便道路卡口数量超过4 500个，仍然不足以对短距离出行的全覆盖，因此模型结果仍有进一步提升的空间。总体来说，本文提出的基于多源数据融合的数据驱动货车交通模型是一种新的尝试，是对既有货车（货运）交通模型体系的有益补充。参考文献 1 AKIVA M B,MEERSMAN H,van de VOORDE E.Freight Transport ModellingM.Emerald Group Publishing Limited,2013.2 VENKADAVARAHAN M,RAJ C T,MARISAMYNATHAN S.Development of freight travel demand model with characteristics of vehicle tour activitiesJ.Transportation Research Interdisciplinary Perspectives,2020,08:100241.3 REICHE S.A Disaggregate Freight Transport Model for GermanyM.Springer Vieweg,2018.4 ZILSKE M,SCHRDER S,NAGEL K,et al.Adding freight traffic to MATSimZ.VSP Working Paper 12-02,TU Berlin,Transport Systems Planning and Transport Telematics,2012.5 S A K A I T,R O M A N O A L H O A,BHAVATHRATHAN B K,et al.SimMobility Freight:An agent-based urban freight simulator for evaluating logistics solutionsJ.Transportation Research Part E:Logistics and Transportation Review,2020,141:102017.6 焦熙和.土地利用模型与货运交通模型的整合英国货运模型实例分析J.国际城市规划,2022,37(06):9-16.7 胡少鹏,郑淑鉴.基于车牌识别数据的错峰上下班措施效果评估以广州市为例J.城市交通,2021,19(03):69-73.8 陈小鸿,刘涵,张华,等.重型货运车辆出行时空差异性和影响因素分析J.交通运输系统工程与信息,2022,22(06):160-171.9 景国胜,李彩霞,马小毅,等.一种基于卡口车牌识别的车辆出行特征分类的OD矩阵形成方法:202011211775.5P.2020-11-03.10 陈先龙,张华,陈小鸿,等.基于时空推演的城市活动模型研究J.城市交通,2023,21(01):60-68,120.