CN109767291B - 面向弹性停车激励机制的共享停车方法 - Google Patents

Abstract

本发明提出了一种面向弹性停车激励机制的共享停车方法，包括以下步骤：从泊位拥有者的个体出行行为轨迹获取个体活动出行行为特征与模式，进行相关性分析，得到影响泊位拥有者出行决策的影响因素；以停车竞价持续时长为分析变量，各个影响因素为自变量，构建Cox风险模型；通过显著性检验和共线性诊断分析各个影响因素子变量并进行筛选；应用灵敏度分析法对筛选后的因素进行分析，得到每个因素对泊位拥有者竞价行为演化的影响规律；调整相应因素的取值，提高泊位拥有者参与竞价的概率，将竞价所出让的泊位共享给其他有需求的车主。本方法综合考虑各因素对共享泊位竞价行为演化的影响规律，能有效加强弹性停车激励机制的实施效果，提高泊位的周转率。

Description

面向弹性停车激励机制的共享停车方法

技术领域

本发明属于交通规划中共享停车规划领域，具体涉及一种面向弹性停车激励机制的共享停车方法。

背景技术

弹性停车激励机制是一种通过经济补贴激励小汽车出行者主动共享停车泊位，并选择其他绿色出行方式来完成通勤出行的共享停车策略。拥有泊位的通勤驾车者通过提出竞价申请，将某时段的通勤泊位停车权转让给停车场管理方，管理方选择接受或拒绝竞价，竞价成功的通勤驾车者应选择其他绿色、低碳的出行方式(如公共交通、自行车或步行)完成通勤并获取经济补偿。停车场管理方将该停车权重新投放入停车需求市场，实现共享停车。

随着城市道路车辆的进一步增长，弹性停车激励机制有望在一定程度上缓解停车难的问题。但是在实际实施中其效果并不理想，泊位周转率不高，主要是因为当前的实施主要和激励强度相关，激励强度高，泊位拥有者参与共享停车的积极性就高，激励强度低，参与度就低，为了吸引更多的拥有泊位的驾车者主动参与到停车泊位共享中，当然投入越多激励效果越好，但是激励强度设置过高将显著增加运营成本，从最终取得的综合效益方面考虑并非最佳方案。尽管也有研究者根据博弈论提出激励效益的计算方法，但还只是局限于该单一维度的研究。实际上，面向弹性停车激励机制的泊位共享是涉及多个方面的方案，从出让泊位的角度来看，泊位拥有者是否选择驾车出行可能受多重因素影响，例如距离、路况、时间、天气等客观条件的影响，而如何挖掘出这些因素之间的关系并进而有针对性地进行改进，以加强弹性停车机制的实施效果，提高泊位周转率，当前尚属于一个未知的课题。

发明内容

发明目的：针对现有技术的不足，本发明提出一种面向弹性停车激励机制的共享停车方法，能有效加强弹性停车激励机制的实施效果，提高停车泊位的周转率。

技术方案：本发明的面向弹性停车激励机制的共享停车方法，包括以下步骤：

(1)获取泊位拥有者的个体出行行为轨迹，通过机器学习算法从出行行为轨迹中获得个体活动出行行为特征与模式，将各项出行行为特征与模式作为观测变量进行相关性分析，得到影响泊位拥有者出行决策的影响因素；

(2)获取泊位拥有者的竞价请求，以停车竞价持续时长为分析变量，步骤1中得到的各个影响因素为自变量，构建Cox风险模型，拟合各变量的系数；

(3)通过显著性检验和共线性诊断分析各个影响因素子变量并进行筛选；

(4)根据模型的系数拟合结果，得到停车竞价的Cox风险预测模型，并应用灵敏度分析法对筛选后的影响因素进行分析，得到每个因素对泊位拥有者竞价行为演化的影响规律；

(5)基于当前泊位数的供需状况，根据各因素对泊位拥有者竞价行为演化的影响规律，调整相应因素的取值，提高泊位拥有者参与竞价的概率，将竞价所出让的泊位共享给其他有需求的车主。

优选地，所述步骤1中将各项出行行为特征与模式作为观测变量进行相关性分析，得到影响泊位拥有者出行决策的影响因素包括：

利用SPSS Statistics 22.0中的皮尔逊相关系数对各项个体活动出行行为特征与模式进行相关性分析，公式如下：

ρ_X,Y表示变量X与Y之间线性相关的强弱程度，cov(X,Y)为协方差，σ_X·σ_Y为标准差；

根据计算结果，将系数低于指定标准值的变量剔除，得到泊位拥有者活动出行决策的影响因素，包括以下六类：社会经济属性、外界出行天气、职住区位特征、活动日程安排、停车竞价决策、出行方式决策。

优选地，所述步骤2构建Cox风险模型如下：

h(t,u)＝h₀(t)e^βu

式中，u＝(u₁,u₂,...,u_n)^T表示各个影响因素；h₀(t)是基准风险函数，β＝(β₁,β₂,...,β_n)^T是各个影响因素对应的回归系数向量。

优选地，所述步骤3中，首先通过显著性检验剔除显著性检验值大于0.1的子变量，然后在共线性诊断中剔除方差膨胀因子大于5的子变量，通过多重筛选拟合得到方差膨胀因子小于5的因素，包括性别、家庭人数、电动车数量、家区位熵、单位区位熵、通勤距离、竞价金额、竞价总次数，作为Cox风险模型的参数。

优选地，所述步骤4中停车竞价的Cox风险预测模型如下：

其中，

μ_i为步骤3中筛选后的变量。

有益效果：

1、本发明以弹性停车激励机制的持续作用效果作为切入点，保证了该政策机制实施的可持续性。此外，本发明首次提出将驾车者停车竞价行为视为一组日常行为中携带的状态序列，并引入生存分析理论来刻画停车竞价持续行为的生灭过程。由于停车竞价行为是具备生存特征的，并且存在影响竞价持续的生存因素，若泊位拥有者在某个工作日完成竞价行为，即从生存理论上可以认为该个体的停车竞价处于“生存状态”，若泊位拥有者在某个工作日停止了竞价，则认为该行为处于“死亡状态”，可以看出生存理论可以很好地解释停车竞价意愿与行为的演化情况。

2、本发明通过构建基于Cox风险比例的驾车者竞价行为演化模型，应用灵敏度分析方法探究多个关键因素对驾车者竞价行为持续时长变化的影响机理，进而给出面向弹性停车激励机制的泊位共享方法，多维度的分析和挖掘方法能够充分地掌握该弹性停车激励机制的要素，有效提升其实施效果。

附图说明

图1为根据本发明的共享停车方法的流程图；

图2为根据本发明实施例的停车竞价行为持续时长的风险率预测结果图。

具体实施方式

为了更清楚地了解本发明的技术方案，首先介绍本发明的主要技术构思。

生存分析(Survival Analysis)是根据个体或群体所提供的伴随信息，对一个或多个生存状态进行统计推理。其中所谓“生存资料”是指描述某一个事件或状态发生的时间数据。从时间维度上看，拥有泊位的通勤驾车者(下面称为泊位拥有者)所发起的共享车位竞价属于一种随时间序列变化的“自愿”行为。广义上可以认为停车竞价是泊位拥有者在日常活动出行中所携带的一种决策偏好的“状态”，这种状态可能在某个泊位拥有者身上持续一段时间，而在该时段内这名泊位拥有者也会持续性地参与到停车竞价决策中。

本发明从个体的角度出发，将停车竞价行为看成是一种具备生存特征的持续状态，并且存在影响竞价持续时长的关键因素，进而应用生存分析理论方法解释泊位拥有者停车竞价意愿与行为的演化情况，并以弹性停车激励机制的持续作用效果作为切入点，构建基于生存分析理论的Cox风险模型，将个体竞价发起行为和竞价持续时长看作为因变量，解析多个关键因素对泊位拥有者竞价行为持续时长变化的影响机理，进而调整影响因素的取值来提高泊位拥有者参与竞价的概率，将竞价所出让的泊位共享给其他有需求的车主，提高泊位周转率。

下面结合附图对本发明的技术方案做出详细说明。

如背景技术中所述，弹性停车激励机制主要涉及两个主体：停车管理方和竞价请求者(也即泊位拥有者)，工作思路是泊位拥有者向停车管理方发起竞价请求，停车管理方接受竞价或拒绝。下面以停车管理方的角度阐述本发明的方法过程，但是泊位拥有者的工作过程以及他们二者之间的交互过程，从以下结合附图的具体实施方式中也可以清楚地得知。参照图1，本发明的一种面向弹性停车激励机制的共享停车方法，包括以下步骤：

步骤1、从泊位拥有者的个体出行行为轨迹获取个体活动出行行为特征与模式，并进行相关性分析，得到影响泊位拥有者出行决策的影响因素。

在具体实施时，可以通过对泊位拥有者进行调查获取个人信息，如性别、家庭规模、住所、居住时长、家庭拥有交通工具的数量等，也可以通过从相关数据库中获取此类信息，例如，利用网页爬虫从统计部门的网站上爬取信息并对关键字段进行分析而获得。同时，可以从泊位拥有者的智能移动终端或车载导航设备的GPS模块获取其日常出行行为轨迹，利用GPS轨迹数据的固有时空结构，结合机器学习算法挖掘出高质量的出行信息，将仪器记录的时间位置数据转化为可认知的语义信息，得到个体活动出行行为特征与模式，作为出行决策的影响因素的候选变量集。

在进行相关性分析时，实施例中应用SPSS Statistics 22.0中的皮尔逊相关系数(Pearson correlation coefficient)对各项观测变量(个体活动出行行为特征与模式)进行相关性分析，公式如下：

两个变量之间的皮尔逊相关系数定义为两个变量之间的协方差和标准差的商，它描述的是两个变量间线性相关强弱的程度。ρ的取值在-1与+1之间，若ρ＞0，表明两个变量是正相关；若ρ＜0，表明两个变量是负相关。ρ的绝对值越大表明相关性越强，若ρ＝0，表明两个变量间不是线性相关。

上述获取的个体活动出行行为特征与模式各变量中，实施例中选定0.25为判断是否相关的标准，在剔除相关系数低于标准值的变量同时，得到泊位拥有者活动出行决策的影响因素，将其分为以下六类：社会经济属性、外界出行天气、职住区位特征、活动日程安排、停车竞价决策、出行方式决策。

步骤2、获取泊位拥有者的竞价请求，以停车竞价持续时长为分析变量，各个影响因素为自变量，构建Cox风险模型，拟合各变量的系数。

从泊位拥有者发起的竞价请求消息中，可以根据各事件的时间戳获得竞价申请过程中各行为的时间节点，竞价持续时长为发起请求到撤销请求事件之间的时间长度。

Cox风险模型是一种半参数回归模型，在进行各参数估计时不需要要求生存时长(即泊位拥有者停车竞价持续时长)服从某种分布形式，此外该模型能够以生存状态结果(即竞价持续状态)和生存时长为因变量，同时对众多影响因素进行回归拟合，具体停车竞价持续时长t的风险函数可以表示为：

h(t,u)＝h₀(t)e^βu

式中，u＝(u₁,u₂,...,u_n)^T表示各个影响因素；h₀(t)是基准风险函数，β＝(β₁,β₂,...,β_n)^T是各个影响因素对应的回归系数向量，可以看出，进行Cox风险模型假设的优势是确保模型基线部分只与停车竞价持续时长t有关，与各影响因素u无关，而指数部分则仅与影响因素u有关，与停车竞价持续时长t无关。

实施例中对23名泊位拥有者841例停车竞价行为样本进行单因素Cox回归分析，具体的回归分析结果如表1所示，表中指标皆为回归分析中常用指标。

表1单因素Cox风险模型回归分析结果

步骤3、通过显著性检验和共线性诊断分析各个影响因素子变量并进行筛选。

根据单因素Cox风险模型回归分析结果，一些变量由于与其他变量的相关性不足或不显著相关，在构建结构方程模型时应被剔除掉，因此先对结果变量进行显著性检验，即事先对变量的参数做出一个假设，然后利用样本信息来判断这个假设是否合理，判断总体的真实情况与原假设是否有显著性差异。此外，若在Cox风险模型拟合时，多个因素存在显著的多重共线性则会使模型参数估计失真或难以估计准确，因此需对上述指标进行共线性诊断，筛选并整理符合要求的变量，再将这些因素纳入到Cox风险模型参数拟合中。

通过显著性检验值筛选相关变量，显著性的值即概率，通常用p来表示，反映某一事件发生的可能性大小。统计学根据显著性检验方法所得到的p值，其含义是样本间的差异由抽样误差所致的概率，一般以p＜0.1为显著。从表1可以看出，除“活动日程安排”，其他各分类均有显著性检验值小于0.1的子变量，即可以认为这些子变量属于显著变量，而对于显著性检验值大于0.1的子变量则认定为不显著，必须将其剔除。此外，对上述指标进行共线性诊断，其结果如表2所示。

表2共线性诊断结果

从表2第一列可以看出，在初始的回归拟合方案中“最高华氏度”、“最低华氏度”、“平均华氏度”和“露点”这四个因素之间具有显著的多重共线性，导致其方差膨胀因子(VIF，Variance Inflation Factor)值大于5。为了保障参数拟合的有效性，模型仅将方差膨胀因子最小的“露点”项纳入后续建模过程中。同理，对于“当前竞价累计”、“竞价成功次数”和“竞价总次数”这三个因素之间的多重共线性特征，模型参数拟合过程也仅保留“竞价总次数”。表2第二列是对于初次筛选后的因素再进行一次多重共线性检验，结果发现筛选后的因素均符合共线性检验要求(即VIF值小于5)，因此将这些因素纳入到Cox风险模型参数拟合中，结果如表3所示，根据显著性检验，10个关键因素中有8个因素都对停车竞价行为产生不同程度的影响，其中家庭规模情况对停车竞价行为的影响程度最为显著，其相对危险率达到1.446。

表3多因素Cox风险模型回归分析结果

步骤4、根据模型的系数拟合结果，得到停车竞价的Cox风险预测模型，并应用灵敏度分析法对筛选后的因素进行分析，得到每个因素对泊位拥有者竞价行为演化的影响规律。

通过上述拟合结果推导出泊位拥有者停车竞价的Cox风险模型表达式如下：

式中，拟合参数和影响因素的下标号分别对应表3中的编号，而h₀(t)的函数值可以根据如下公式可以计算得到：

为进一步解析关键因素对泊位拥有者停车竞价持续时长的影响演化机理，实施例中以该公式作为预测模型，假设泊位拥有者是一位单身女性司机，家里没有其他电动自行车可作为替代的交通工具且通勤距离为20公里，则通过Cox风险模型公式可以从职住区位熵和经济激励变化对她的停车竞价行为进行灵敏度分析。

图2(a)为家或单位区位熵初始设置为3时，当调节另一方区位熵从3变化至5时，该驾车者组群(即满足同样职住区位条件的驾车者)停车竞价持续时长的风险率变化结果。当家区位熵值从3变化至5时，该风险率将从39.6％逐渐降低至27.79％；而当单位区位熵值从3变化至5时，该风险率将从39.6％逐渐降低至30.29％。因此可以说改善泊位拥有者职住区位的基础设施服务水平能有效协助弹性停车激励机制的实施效果，当职住片区区位熵值能提升2个点，则泊位拥有者参与停车竞价的持续性将提升约10％至15％。从图2(b)可以看出，若弹性停车激励机制竞价金额从20元调节到30元时，泊位拥有者停车竞价行为中断的风险将从39.6％降低至16.25％。这是因为在停车竞价时若泊位拥有者能够提交更高的竞价申请额，就可以更有效地对冲选择其他交通工具所产生的心理出行成本，进而持续地激励他们参与到停车泊位共享中。图2(c)为泊位拥有者参与竞价的总次数与停车竞价行为持续性的对应关系图，其所表达的含义与调研实际结果相符：即泊位拥有者参与停车共享的主动性越高，参与停车竞价的次数就越多，停车竞价行为被中断的风险率也就越低。

步骤5、基于当前泊位数的供需状况，根据各因素对泊位拥有者竞价行为演化的影响规律，调整相应因素的取值，提高泊位拥有者参与竞价的概率，将竞价所出让的泊位共享给其他有需求的车主。

随着外界各种不同因素的影响，泊位拥有者群体对每个停车泊位不同时段的使用权估值就会存在差异性，这种差异性就会最终体现在他们的竞价金额上。政策制定者或管理方获取泊位拥有者的个体出行行为特征与模式后，根据泊位拥有者的竞价申请分析各个影响因素对泊位拥有者竞价行为的演化规律，可以根据计算结果对于职住区位条件较差的泊位拥有者提升他们职住区位基础设施的服务水平；可以根据计算结果找到最合适的弹性停车激励强度。根据影响规律找到最合适的影响因素调整值既保证每位驾车者参与停车共享的积极性，又减轻了由于弹性激励机制的运营成本所造成的影响，自然而然就会吸引更多的泊位拥有者主动参与到停车泊位共享中，提高泊位周转率。

尽管本发明的实施例已公开如上，但还应该解释的是，以上实施例仅用于说明本发明的技术方案，而非对发明的实施方法的限制，例如根据不同的泊位拥有者个体，其出行轨迹的不同，获得的具体变量也会不尽相同，但这并不影响本发明的实施过程。并且本领域的普通技术人员应当理解，仍然可以对本发明提及的相关规则或方法进行修改和填充；而一切不脱离本发明的精神和范围的技术方案及其改进，均应涵盖在本发明的权利要求范围。

Claims (5)

1.一种面向弹性停车激励机制的共享停车方法，其特征在于，所述方法包括以下步骤：

(1)获取泊位拥有者的个体出行行为轨迹，通过机器学习算法从出行行为轨迹中获得个体活动出行行为特征，将各项出行行为特征作为观测变量进行相关性分析，得到影响泊位拥有者出行决策的影响因素；

(2)获取泊位拥有者的竞价请求，以停车竞价持续时长为分析变量，步骤(1)中得到的各个影响因素为自变量，构建Cox风险模型，拟合各变量的系数；

(3)通过显著性检验和共线性诊断分析各个影响因素子变量并进行筛选；

(4)根据模型的系数拟合结果，得到停车竞价的Cox风险预测模型，并应用灵敏度分析法对筛选后的影响因素进行分析，得到每个因素对泊位拥有者竞价行为演化的影响规律；

(5)基于当前泊位数的供需状况，根据各因素对泊位拥有者竞价行为演化的影响规律，调整相应因素的取值，提高泊位拥有者参与竞价的概率，将竞价所出让的泊位共享给其他有需求的车主。

2.根据权利要求1所述的面向弹性停车激励机制的共享停车方法，其特征在于，所述步骤(1)中将各项出行行为特征与模式作为观测变量进行相关性分析，得到影响泊位拥有者出行决策的影响因素包括：

利用SPSS Statistics 22.0中的皮尔逊相关系数对各项个体活动出行行为特征与模式进行相关性分析，公式如下：

ρ_X,Y表示变量X与Y之间线性相关的强弱程度，cov(X,Y)为协方差，σ_X、σ_Y分别为标准差；

根据计算结果，将系数低于指定标准值的变量剔除，得到泊位拥有者活动出行决策的影响因素，包括以下六类：社会经济属性、外界出行天气、职住区位特征、活动日程安排、停车竞价决策、出行方式决策。

3.根据权利要求1所述的面向弹性停车激励机制的共享停车方法，其特征在于，所述步骤(2)构建Cox风险模型如下：

h(t,u)＝h₀(t)e^βu

式中，u＝(u₁,u₂,...,u_n)^T表示各个影响因素；h₀(t)是基准风险函数，β＝(β₁,β₂,...,β_n)^T是各个影响因素对应的回归系数向量。

4.根据权利要求1所述的面向弹性停车激励机制的共享停车方法，其特征在于，所述步骤(3)中，首先通过显著性检验剔除显著性检验值大于0.1的子变量，然后在共线性诊断中剔除方差膨胀因子大于5的子变量，通过多重筛选拟合得到方差膨胀因子小于5的因素，包括性别、家庭人数、电动车数量、家区位熵、单位区位熵、通勤距离、竞价金额、竞价总次数，作为Cox风险模型的参数。

5.根据权利要求4所述的面向弹性停车激励机制的共享停车方法，其特征在于，所述步骤(4)中停车竞价的Cox风险预测模型如下：

其中，

μ_i为步骤(3)中筛选后的变量。

Images