CN112070259A - 一种预测城市空载出租车数量的方法 - Google Patents

一种预测城市空载出租车数量的方法 Download PDF

Info

Publication number
CN112070259A
CN112070259A CN201910496229.1A CN201910496229A CN112070259A CN 112070259 A CN112070259 A CN 112070259A CN 201910496229 A CN201910496229 A CN 201910496229A CN 112070259 A CN112070259 A CN 112070259A
Authority
CN
China
Prior art keywords
taxi
residents
city
traffic
travel
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910496229.1A
Other languages
English (en)
Other versions
CN112070259B (zh
Inventor
黄雨晨
王昌
万蔚
***
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Aerospace Systems Engineering Co ltd
Original Assignee
China Aerospace Systems Engineering Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Aerospace Systems Engineering Co ltd filed Critical China Aerospace Systems Engineering Co ltd
Priority to CN201910496229.1A priority Critical patent/CN112070259B/zh
Publication of CN112070259A publication Critical patent/CN112070259A/zh
Application granted granted Critical
Publication of CN112070259B publication Critical patent/CN112070259B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及城市交通规划和城市出租车数量规划技术领域，具体涉及一种预测城市空载出租车数量的方法，该方法具体包括：建立多元线性回归计量预测模型，计算当前的城市常住居民的出行强度和未来的城市常住居民的日均出行总量；预测未来常住居民以出租车出行的日均总量和未来总人口中以出租车出行的日均总量；根据上述结果，计算和预测该城市交通所需的最佳出租车数量。

Description

一种预测城市空载出租车数量的方法
技术领域
本发明属于城市交通规划和城市出租车数量规划技术领域，具体涉及一种预测城市空载出租车数量的方法。
背景技术
出租车是城市交通***中重要的组成部分，甚至起着至关重要的作用。不过，在很多大城市“打车难”的现象却十分突出。比如说在北京，周六日、上下班或者是阴雨天，打车就会难上加难，有时甚至是半个小时打不上车；北京的起步价，相较于广州、上海，还不算太高，但是因为路上拥堵的原因，打一次车，成本相对较高。另一方面，对于很多三四线城市来说，打车的人群比较固定，出租车的数量往往大于打车的人的数量，造成出租车运维成本变高，出租车司机的工作状态不稳定，城市居民的日常生活质量也下降了。
因此，基于为城市交通规划种种问题分忧解难的角度出发，综合考虑各方利益，网络预约出租车进入了出租车市场，网络预约出租车的加入给城市居民的日常生活带来了便利。但是，由于传统出租车和网络预约出租车的数量增多，严重影响了城市交通***，造成了道路拥堵和环境污染，以及降低了乘客体验、出租车的运营效率。
常用的出租车预测方法主要有：供需平衡法、比例法及指数平滑法等，采用不同的预测方法对同一个城市的出租车发展规模进行预测的结果是不同的，主要原因是目前的方法本身都有其局限性，使得其不同方法的预测结果存在差异，因此，为了更全面的反映未来出租车的发展状况，尽量准确的预测未来出租车的发展规模，本发明从城市的实际出行需求出发，根据居民乘坐出租车的出行特征不同，将城市居民划分为两类：第一类居民包括常住居民和暂住居民，第二类居民包括短期及当日进出人口，进而构建了一种出租车数量预测方法。
发明内容
本发明的目的在于，为解决现有技术存在上述缺陷，本发明提出了一种预测城市空载出租车数量的方法，该方法预测未来城市交通的变化，以及借助层次分析模型，制定当前及未来最优的空载出租车数量，充分利用道路交通资源，提高出租车的运营效率，使市民和司机满意，使出租车业的发展为城市未来的发展做出应有的贡献。
为了实现上述目的，本发明提出了一种预测城市空载出租车数量的方法，通过分析当前的城市居民出行强度和城市居民的出行总量，预测出租车乘坐人数，进而预测所需的城市出租车最佳数量，以达到充分利用道路交通资源，满足城市居民的出行需要，减少环境污染和资源消耗提供了支撑。该方法具体包括：
建立多元线性回归计量预测模型，计算当前的城市常住居民的出行强度和未来的城市常住居民的日均出行总量；
预测未来常住居民以出租车出行的日均总量和未来总人口中以出租车出行的日均总量；
根据上述结果，计算和预测该城市交通所需的最佳出租车数量。
作为上述技术方案的改进之一，所述建立多元线性回归计量预测模型，计算未来的城市常住居民的出行强度和出行总量；具体包括：
采取截面数据的多元回归预测的方法，选择当前的城市常住居民的出行强度作为因变量，基于城市常住居民的人口密度和城市居民的人均占地面积作为自变量，建立多元线性回归计量预测模型：
Figure BDA0002088666400000021
其中，TIr，k为k年时城市常住居民的出行强度，单位：次数/(人口数*日)；β0、β1、β2为自变量系数；
Figure BDA0002088666400000022
为k年时城市常住居民的人口密度；
Figure BDA0002088666400000023
为k年时城市常住居民的人均占地面积；ε为弹性系数，ε～N(0，σ2)；
根据多元线性回归计量预测模型，计算未来的城市常住居民的日均出行总量；具体包括：
TQr，k＝TIr，k·Popr，k (2)
其中，TQr，k为未来k年的城市常住居民的日均出行总量(Travel Quantum)，例如，TQr，2014表示2014年的城市常住居民的日均出行总量，单位：次数/日；Popr，k为k年城市常住居民的人口数量，单位：人口数。
作为上述技术方案的改进之一，所述计算未来常住居民中乘坐出租车出行的日均总量和未来总人口中以出租车出行的日均总量；具体包括：
步骤2-1)计算各交通小区的城市常住居民乘坐出租车出行的OD矩阵占出行全方式OD矩阵的比例；具体包括：
首先，获取当前的城市常住居民的出行全方式OD矩阵QAll为：
Figure BDA0002088666400000031
其中，aij为从小区i到小区j的常住居民全方式日均出行量；i，j和n分别为小区i，小区j和小区n。
当前的城市常住居民乘坐出租车出行的OD矩阵QTaxi为：
Figure BDA0002088666400000032
其中，tij为从小区i到小区j的城市常住居民乘坐出租车的日均出行量；i，j和n分别为小区i，小区j和小区n，可以得到当前城市常住居民以出租车出行的日均出行总量为：
Figure BDA0002088666400000033
由此，可以得到城市常住居民乘坐出租车出行的OD矩阵QTaxi在城市常住居民出行全方式OD矩阵QAll中的比例RTaxi为：
Figure BDA0002088666400000034
其中，t′ij＝tij/aij；i，j＝1，…，n；
步骤2-2)计算各交通小区间的未来的交通分布量矩阵；具体地，
根据公式(1)和(2)，得到k年时与当前城市常住居民出行的日均总增量Δ为
Δ＝TQr，k-TQr (6)
其中，TQr为当前城市常住居民全方式日均出行总量；
根据城市发展的战略目标，该日均总增量Δ在各交通小区出行量的分配满足如下公式(7)：
Δi＝αiΔ (7)
其中，αi(i＝1，2，…n)为各交通小区出行量所占比重，α1+α2+…+αn＝1。
然后，利用平均增长率法，进行预测k年时全方式出行的日均总量，具体地，首先推出各交通小区出行发生平均增长系数Fgi为
Figure BDA0002088666400000041
各交通小区出行吸引交通量的增长系数为Faj：
Figure BDA0002088666400000042
其中，Gi表示现状各交通小区的交通发生量；Aj表示现状各交通小区的交通吸引量。
作为要推算的交通分布量的第一次迭代的近似值
Figure BDA0002088666400000043
可由Fgi、Faj的函数，用下式给出：
Figure BDA0002088666400000044
对交通分布量
Figure BDA0002088666400000045
求和得到的交通发生量
Figure BDA0002088666400000046
和交通吸引量
Figure BDA0002088666400000047
分别为：
Figure BDA0002088666400000048
Figure BDA0002088666400000049
然后，用
Figure BDA00020886664000000410
分别对应地代替公式(8)和(9)中的Gi、Aj，计算各交通小区出行发生平均增长系数Fgi和各交通小区出行吸引交通量的增长系数为Faj；再求解要推算的交通分布量的第二次迭代的近似值：
Figure BDA0002088666400000051
重复h次上述作业，直至：
Figure BDA0002088666400000052
Figure BDA0002088666400000053
都接近于1时，相应的
Figure BDA0002088666400000054
为未来k年的各交通小区间的交通分布量矩阵QAll，k：
Figure BDA0002088666400000055
根据QAll，k，预测各交通小区间的交通分布量；
步骤2-3)预测各交通小区间未来常住居民以出租车出行的日均总量；具体地，
由于常住居民不同时距出行方式结构不变，通过与出租车出行比例RTaxi矩阵中的对应元素相乘，计算常住居民乘坐出租车出行方式的OD矩阵QTaxi，k为：
Figure BDA0002088666400000056
其中，
Figure BDA0002088666400000057
i，j＝1，…，n。
最后，根据QTaxi，k，预测未来常住居民以出租车出行的日均总量，即k年时常住居民以出租车出行的日均总量为：
Figure BDA0002088666400000058
步骤2-4)预测未来总人口中以出租车出行的日均总量；具体地，
将城市居民划分为两类：第一类居民包括常住居民和暂住居民，第二类居民包括短期及当日进出人口；
假设暂住居民以出租车方式出行的强度一样：
Figure BDA0002088666400000061
Figure BDA0002088666400000062
其中，
Figure BDA0002088666400000063
为未来常住居民以出租车出行的日均总量，即k年时常住居民以出租车出行的日均总量；
Figure BDA0002088666400000064
为未来暂住居民以出租车出行的日均总量，即k年时暂住居民以出租车出行的日均总量；
Figure BDA0002088666400000065
为未来第一类居民以出租车出行的日均总量，即k年时第一类居民以出租车出行的日均总量；Popr,k为k年时城市常住居民的人口数量；Popt,k为k年时城市暂住居民的人口数量；Pop1,k为k年时城市第一类居民的人口数量；
而对于第二类居民而言，假设其出行特征在未来几年内均保持不变，所以根据公式(2)得到：
Figure BDA0002088666400000066
Figure BDA0002088666400000067
其中，
Figure BDA0002088666400000068
为现状第二类居民以出租车出行的日均总量；Pop2为现状城市第二类居民的人口数量；
Figure BDA0002088666400000069
为现状城市第二类居民以出租车出行的出行强度，C值为常数，其值为第二类居民以出租车出行的出行强度；
Figure BDA00020886664000000610
为k年时第二类居民以出租车出行的日均总量；Pop2.k为k年时城市第二类居民的人口数量。
综上所述，根据公式(23)，预测未来总人口中以出租车出行的日均总量
Figure BDA00020886664000000611
即k年时总人口中乘坐出租车的日均出行总量包括第一类居民和第二类居民：
Figure BDA00020886664000000612
作为上述技术方案的改进之一，所述根据上述结果，计算和预测该城市交通所需的最佳出租车数量；具体包括：假设城市中出租车数量与乘车收费标准无关；
步骤3-1)获取空驶率；具体地，
根据现状城市居民总人口中乘坐出租车出行的总量
Figure BDA00020886664000000613
以及现状城市居民的平均坐出租车的出行距离
Figure BDA0002088666400000071
以及出租车平均每趟载客人数
Figure BDA0002088666400000072
则可以计算现状全市出租车总有效行驶里程TDiste：
Figure BDA0002088666400000073
由于空驶率为空驶行程与总行程的比值，因此，可以获取空驶率VR：
Figure BDA0002088666400000074
其中，
Figure BDA0002088666400000075
为该城市出租车运行的平均时间；
Figure BDA0002088666400000076
为该城市出租车运行的平均速度；N为该城市出租车的运营车辆数；
步骤3-2)计算并预测城市交通所需的最佳出租车数量，具体地：
根据获得的现状全市出租车总有效行驶里程TDiste和空驶率VR，进行变换得到现状城市交通所需的最佳出租车数量为NWorking：
Figure BDA0002088666400000077
其中，δ为出租车中每日实际运营的弹性比例；
基于公式(26)，根据步骤2-3)预测得到的未来常住居民以出租车出行的日均总量
Figure BDA0002088666400000078
预测k年时城市交通所需的最佳出租车数量为
Figure BDA0002088666400000079
Figure BDA00020886664000000710
本发明相比于现有技术的有益效果在于：
本发明的方法选择城市规模、人口规模等变量，利用相近城市已有的历史统计资料，建立居民出行强度的回归预测模型，极大降低交通数据调查的人力物力；出租车最佳数量预测模型较传统预测模型着重考虑出租车的空驶率、出租车中每日实际运营的弹性比例，进而对城市交通所需的最佳出租车数量进行计算。
附图说明
图1为本发明的一种预测城市空载出租车数量的方法的流程图；
具体实施方式
现结合附图对本发明作进一步的描述。
如图1所示，本发明提出了一种预测城市空载出租车数量的方法，通过分析当前的城市居民出行强度和城市居民的出行总量，预测出租车乘坐人数，进而预测所需的城市出租车最佳数量，以达到充分利用道路交通资源，满足城市居民的出行需要，减少环境污染和资源消耗提供了支撑。该方法具体包括：
步骤1)建立多元线性回归计量预测模型，计算当前的城市常住居民的出行强度和未来的城市常住居民的日均出行总量；具体地，
所述建立多元线性回归计量预测模型，计算未来的城市常住居民的出行强度和出行总量；具体包括：
通过对我国其他城市，特别是规模相近的城市居民的出行特征的分析，取得对未来城市常住居民的出行总量预测的方法。采取截面数据的多元回归预测的方法，选择当前的城市常住居民的出行强度作为因变量，基于城市常住居民的人口密度和城市居民的人均占地面积作为自变量，建立多元线性回归计量预测模型：
Figure BDA0002088666400000081
其中，TIr，k为k年时城市常住居民的出行强度，单位：次数/(人口数*日)；β0、β1、β2为自变量系数；
Figure BDA0002088666400000082
为k年时城市常住居民的人口密度；
Figure BDA0002088666400000083
为k年时城市常住居民的人均占地面积；ε为弹性系数，ε～N(0，σ2)；
根据多元线性回归计量预测模型，计算未来的城市常住居民的日均出行总量；具体包括：
TQr，k＝TIr，k·Popr，k (2)
其中，TQr，k为未来k年的城市常住居民的日均出行总量(Travel Quantum)，例如，TQr，2014表示2014年的城市常住居民的日均出行总量，单位：次数/日；Popr，k为k年城市常住居民的人口数量，单位：人口数。
步骤2)计算未来常住居民以出租车出行的日均总量和未来总人口中以出租车出行的日均总量；具体地，
步骤2-1)计算各交通小区的城市常住居民乘坐出租车出行的OD矩阵占出行全方式OD矩阵的比例；具体包括：
首先，根据交通调查，得到当前的城市常住居民的出行全方式OD矩阵QAll为：
Figure BDA0002088666400000091
其中，aij为从小区i到小区j的常住居民全方式日均出行量；i，j和n分别为小区i，小区j和小区n。
当前的城市常住居民乘坐出租车出行的OD矩阵QTaxi为：
Figure BDA0002088666400000092
其中，tij为从小区i到小区j的城市常住居民乘坐出租车的日均出行量；i，j和n分别为小区i，小区j和小区n，可以得到当前城市常住居民以出租车出行的日均出行总量为：
Figure BDA0002088666400000093
由此，可以得到城市常住居民乘坐出租车出行的OD矩阵QTaxi在城市常住居民出行全方式OD矩阵QAll中的比例RTaxi为：
Figure BDA0002088666400000094
其中，t′ij＝tij/aij；i，j＝1，…，n；
假设交通道路状况以及城市居民的生活习惯一定的情况下，在各交通小区之间采用的出行方式也相对固定，即城市常住居民从A地到B地所习惯采用的出行方式相对固定，且在未来几年内不变，因此，预测矩阵RTaxi在未来几年内不变。
步骤2-2)计算各交通小区间的未来的交通分布量矩阵；具体地，
根据公式(1)和(2)，可以得到k年时与当前城市常住居民出行的日均总增量Δ为
Δ＝TQr，k-TQr (6)
其中，TQr为当前城市常住居民全方式日均出行总量；
根据城市发展的战略目标，该日均总增量Δ在各交通小区出行量的分配满足如下公式(7)：
Δi＝αiΔ (7)
其中，αi(i＝1，2，…n)为各交通小区出行量所占比重，α1+α2+…+αn＝1。
然后，利用平均增长率法，进行预测k年时全方式出行的日均总量，具体地，首先推出各交通小区出行发生平均增长系数Fgi为
Figure BDA0002088666400000101
各交通小区出行吸引交通量的增长系数为Faj：
Figure BDA0002088666400000102
其中，Gi表示现状各交通小区的交通发生量；Aj表示现状各交通小区的交通吸引量。
作为要推算的交通分布量的第一次迭代的近似值
Figure BDA0002088666400000103
可由Fgi、Faj的函数，用下式给出：
Figure BDA0002088666400000104
对交通分布量
Figure BDA0002088666400000105
求和得到的交通发生量
Figure BDA0002088666400000106
和交通吸引量
Figure BDA0002088666400000107
分别为：
Figure BDA0002088666400000108
Figure BDA0002088666400000109
然后，用
Figure BDA0002088666400000111
分别对应地代替公式(8)和(9)中的Gi、Aj，计算各交通小区出行发生平均增长系数Fgi和各交通小区出行吸引交通量的增长系数为Faj；再求解要推算的交通分布量的第二次迭代的近似值：
Figure BDA0002088666400000112
重复h次上述作业，直至：
Figure BDA0002088666400000113
Figure BDA0002088666400000114
都接近于1时，相应的
Figure BDA0002088666400000115
为未来k年的各交通小区间的交通分布量矩阵QAll,k：
Figure BDA0002088666400000116
根据QAll,k，预测各交通小区间的交通分布量；
步骤2-3)预测各交通小区间预测未来常住居民以出租车出行的日均总量；具体地，
由于常住居民不同时距出行方式结构不变，通过与出租车出行比例RTaxi矩阵中的对应元素相乘，计算常住居民乘坐出租车出行方式的OD矩阵QTaxi,k为：
Figure BDA0002088666400000117
其中，
Figure BDA0002088666400000118
i,j＝1,…,n。
最后，根据QTaxi,k，预测未来常住居民以出租车出行的日均总量，即k年时常住居民以出租车出行的日均总量为：
Figure BDA0002088666400000121
步骤2-4)预测未来总人口中以出租车出行的日均总量；具体地，
由于城市人口组成包括常住居民、暂住居民、短期及当日进出人口三类，不同类型的人乘坐出租车出行的特征有所不同，因此将城市居民划分为两类：第一类居民包括常住居民和暂住居民，第二类居民包括短期及当日进出人口。
因为第一类居民中常住居民和暂住居民的出行特征相近，所以暂住居民以出租车方式出行的强度一样，即
Figure BDA0002088666400000122
所以
Figure BDA0002088666400000123
其中
Figure BDA0002088666400000124
为未来常住居民以出租车出行的日均总量，即k年时常住居民以出租车出行的日均总量；
Figure BDA0002088666400000125
为未来暂住居民以出租车出行的日均总量，即k年时暂住居民以出租车出行的日均总量；
Figure BDA0002088666400000126
为未来第一类居民以出租车出行的日均总量，即k年时第一类居民以出租车出行的日均总量；Popr,k为k年时城市常住居民的人口数量；Popt,k为k年时城市暂住居民的人口数量；Pop1,k为k年时城市第一类居民的人口数量；
而对于第二类居民而言，由于假设其出行特征在未来几年内均保持不变，所以根据公式(2)得到：
Figure BDA0002088666400000127
Figure BDA0002088666400000128
其中，
Figure BDA0002088666400000129
为现状第二类居民以出租车出行的日均总量；Pop2为现状城市第二类居民的人口数量；
Figure BDA00020886664000001210
为现状城市第二类居民以出租车出行的出行强度，C值为常数，其值为第二类居民以出租车出行的出行强度；
Figure BDA00020886664000001211
为k年时第二类居民以出租车出行的日均总量；Pop2.k为k年时城市第二类居民的人口数量。
综上所述，根据公式(23)，预测未来总人口中以出租车出行的日均总量
Figure BDA0002088666400000131
即k年时总人口中乘坐出租车的日均出行总量包括第一类居民和第二类居民：
Figure BDA0002088666400000132
步骤3)根据上述结果，计算和预测该城市交通所需的最佳出租车数量；具体包括：
假设城市中出租车数量与乘车收费标准无关；
步骤3-1)获取空驶率；具体地，
根据现状城市居民总人口中乘坐出租车出行的总量
Figure BDA0002088666400000133
以及现状城市居民的平均坐出租车的出行距离
Figure BDA0002088666400000134
以及出租车平均每趟载客人数
Figure BDA0002088666400000135
则可以计算现状全市出租车总有效行驶里程TDiste：
Figure BDA0002088666400000136
由于空驶率为空驶行程与总行程的比值，因此，可以获取空驶率VR：
Figure BDA0002088666400000137
其中，
Figure BDA0002088666400000138
为该城市出租车运行的平均时间；
Figure BDA0002088666400000139
为该城市出租车运行的平均速度；N为该城市出租车的运营车辆数。
步骤3-2)计算并预测城市交通所需的最佳出租车数量，具体地：
根据发达国家和国内出租车营运组织先进城市的经验，城市出租车空驶率大致为30％～40％较为合理。这里以空驶率VR＝35％为城市规划的目标，并进一步提高出租车的使用效率和交通资源，提高出租车中每日实际运营的弹性比例δ。
根据获得的现状全市出租车总有效行驶里程TDiste和空驶率VR，进行变换得到现状城市交通所需的最佳出租车数量为NWorking：
Figure BDA00020886664000001310
同理，根据步骤2-3)预测得到的未来常住居民以出租车出行的日均总量
Figure BDA00020886664000001311
即k年时居民以出租车出行的日均总量，可以预测k年时城市交通所需的最佳出租车数量为
Figure BDA0002088666400000141
Figure BDA0002088666400000142
实施例1.
本发明根据上述方法，给出了一个具体的实施例，以更好地说明本发明的方法。
已知某城市2014年建成区面积为181.77平方公里，属于发展中的大城市。该城市的人均道路面积6.16平方米，人均道路面积偏低，需要加快道路建设与城市的发展同步。这个城市在未来一段时间内人口规模会不断增加，城市规模也会相应的增大，交通需求量也会相应增加，需要对交通合理规划。
其中该城市2014年～2030年各年预计的人口规模，如下表：
表1.1：2014年～2020年各年预计的人口规模
Figure BDA0002088666400000143
步骤1)建立多元线性回归计量预测模型，计算当前的城市常住居民的出行强度和未来的城市常住居民的日均出行总量；
根据部分城市的规模和出行强度数据，进行回归实验，得出：
Figure BDA0002088666400000144
(0.000)(0.008) (0.004)
表1 2014年～2030年各年预计的常住居民出行强度(单位：次/人日)
Figure BDA0002088666400000145
从2014年到2030年城市常住居民出行强度的增加了12.95％，年平均增长率为：0.76％，这说明该城市在短期内出行强度略带增长。
利用2014年～2030年各年城市常住居民人口规模，可以得到未来若干年城市常住居民出行总量的预计如下表：
表2 2014年～2030年各年预计的日均城市常住居民出行总量(单位：万人次/日)
Figure BDA0002088666400000151
步骤2)计算未来常住居民以出租车出行的日均总量和未来总人口中以出租车出行的日均总量；
步骤2-1)计算各交通小区的城市常住居民乘坐出租车出行的OD矩阵占出行全方式OD矩阵的比例；
根据交通调查，得到常住居民出行全方式OD分布和常住居民出行方式结构如表3和表4所示。
表3：常住居民出行全方式OD分布单位：人次
Figure BDA0002088666400000152
表4：常住居民出租车出行OD分布单位：人次
Figure BDA0002088666400000153
根据表3和表4可以推算出租车在常住居民出行全方式中的比例，即OD矩阵RTaxi，由表5所示。
表5：出租车占常住居民全出行方式比例的OD分布
Figure BDA0002088666400000161
并且，由于常住居民不同时距出行方式结构不变，所以矩阵RTaxi在未来几年内不变。
步骤2-2)计算各交通小区间的未来的交通分布量矩阵；具体地，
从2014～2030年各年预计的常住居民出行总量看，对比2014年，到2020年该城市将新增出行总量可以根据城市规划的具体划分按比例分配到中心区和边缘区。
假定城市规划重点在于建设边缘区，按1/3：2/3的比例调配给中心区和边缘区。即具体每一区按规划分到了一定量新增的出行总量，所以各区的交通发生量增长系数如表6所示。
表6各区的交通发生量增长系数
1区 2区 3区 4区 5区 6区
2014年出行总量 635658 741396 720211 524135 860893 79269
2020年出行总量 1006358 926762.7 905577.7 894835 1046260 449969
2030年出行总量 1396625 1121896 1100711 1285102 1241393 840235.7
2020年出行增长率 1.58 1.25 1.26 1.71 1.22 5.68
2030年出行增长率 2.20 1.51 1.53 2.45 1.44 10.60
通过平均增长率法进行OD分布预测得到2020年和2030年常住居民出行全方式OD分布如下表所示。
表7 2020年常住居民出行全方式OD分布单位：人次
Figure BDA0002088666400000162
Figure BDA0002088666400000171
表8 2030年常住居民出行全方式OD分布单位：人次
Figure BDA0002088666400000172
步骤2-3)计算和预测各交通小区间未来常住居民以出租车出行的日均总量；具体地，
所以2020年和2030年常住居民以出租车出行的次数如下表所示。
表9 2020年常住居民出租车出行OD分布单位：人次
Figure BDA0002088666400000173
表10 2030年常住居民出租车出行OD分布单位：人次
Figure BDA0002088666400000174
最后，可以得到常住居民以出租车出行总量2020年为23万人次，2030年为30.7万人次。
步骤2-4)预测未来总人口中以出租车出行的日均总量；具体地，
根据该城市出租车运行的现状(2014年)可知，2014年该城市总人口中以出租车出行的总量为36.7万人次，其中常住人口出行次数占据了为14.2万人次，常住人口为185.15万人，暂住人口为33万人，所以2014年第一类人口出租车的出行总量为：
Figure BDA0002088666400000181
2014年第二类人口22万人中乘坐出租车出行总量为：
Figure BDA0002088666400000182
因此，第二类人口中以出租车出行的出行强度为：
Figure BDA0002088666400000183
所以根据步骤2-3)中所预测的各年常住居民以出租车出行总量，可以得到各年中总人口中以出租车出行的总量：
Figure BDA0002088666400000184
同理：
Figure BDA0002088666400000185
步骤3)根据上述结果，计算和预测该城市交通所需的最佳出租车数量；具体地，根据以上建立的模型和数据，计算
Figure BDA0002088666400000186
其中，
Figure BDA0002088666400000187
根据实际调查数据可知，该市出租车拥有量为N＝6200辆，日客运量为36.7万人次，每车日均载客量为68.9人次/辆，根据计算可以知道出租车的每天实际运营的量为5327辆，出租车中每日实际运营的弹性比例为：δ＝87.5％，可能是车辆处于检修、年检、接受处罚或者是驾驶员的个人情况等没有投入运营，因此在规划出租车拥有量时应考虑到一定的投入运营弹性。该城市中出租车平均每趟载客
Figure BDA0002088666400000191
而平均每趟载客坐出租车的出行距离为
Figure BDA0002088666400000192
出租车平均行驶速度为
Figure BDA0002088666400000193
而平均的运营时间为：
Figure BDA0002088666400000194
这与前面分析结论一致。
Figure BDA0002088666400000195
现状城市出租车平均空驶率达VR＝50.46％，大量道路交通资源被无效的出租车空驶所占用，出租车数量超过了实际需求。根据发达国家和国内出租车营运组织先进城市的经验，城市出租车空驶率大致为30％～40％较为合理。这里以空驶率VR＝35％为城市规划的目标，并进一步提高出租车的使用效率和交通资源，提高出租车中每日实际运营的弹性比例δ到90％的水平。代入数据求解得：
Figure BDA0002088666400000196
Figure BDA0002088666400000197
关于最优出租车数量的验证：
Figure BDA0002088666400000198
经资料显示大于中等城市最低的每千人出租车用有辆数1.5的下限标准。但还达不到大城市的2.0辆/千人的下限标准。
2020年、2030年最佳出租车数量的预测可以根据同样的方式计算求得，这里假设该城市平均每趟载客坐出租车的出行距离
Figure BDA0002088666400000199
将随着城市面积的扩展而增大，通过计算可得为：
Figure BDA00020886664000001910
因此，在2020年和2030年，这个城市的每千人拥有出租车数量将达到大城市的下限标准。这与实际的城市远景规划相一致。
最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (4)

1.一种预测城市空载出租车数量的方法，该方法具体包括：
建立多元线性回归计量预测模型，计算当前的城市常住居民的出行强度和未来的城市常住居民的日均出行总量；
预测未来常住居民以出租车出行的日均总量和未来总人口中以出租车出行的日均总量；
根据上述结果，计算和预测该城市交通所需的最佳出租车数量。
2.根据权利要求1所述的方法，其特征在于，所述建立多元线性回归计量预测模型，计算未来的城市常住居民的出行强度和出行总量；具体包括：
采取截面数据的多元回归预测的方法，选择当前的城市常住居民的出行强度作为因变量，基于城市常住居民的人口密度和城市居民的人均占地面积作为自变量，建立多元线性回归计量预测模型：
Figure FDA0002088666390000011
其中，TIr,k为k年时城市常住居民的出行强度，单位：次数/(人口数*日)；β0、β1、β2为自变量系数；
Figure FDA0002088666390000012
为k年时城市常住居民的人口密度；
Figure FDA0002088666390000013
为k年时城市常住居民的人均占地面积；ε为弹性系数，ε～N(0，σ2)；
根据多元线性回归计量预测模型，计算未来的城市常住居民的日均出行总量；具体包括：
TQr,k＝TIr,k·Popr,k (2)
其中，TQr,k为未来k年的城市常住居民的日均出行总量(TravelQuantum)，例如，TQr,2014表示2014年的城市常住居民的日均出行总量，单位：次数/日；Popr,k为k年城市常住居民的人口数量，单位：人口数。
3.根据权利要求1所述的方法，其特征在于，所述计算未来常住居民中乘坐出租车出行的日均总量和未来总人口中以出租车出行的日均总量；具体包括：
步骤2-1)计算各交通小区的城市常住居民乘坐出租车出行的OD矩阵占出行全方式OD矩阵的比例；具体包括：
首先，获取当前的城市常住居民的出行全方式OD矩阵QAll为：
Figure FDA0002088666390000021
其中，aij为从小区i到小区j的常住居民全方式日均出行量；i，j和n分别为小区i，小区j和小区n；
当前的城市常住居民乘坐出租车出行的OD矩阵QTaxi为：
Figure FDA0002088666390000022
其中，tij为从小区i到小区j的城市常住居民乘坐出租车的日均出行量；i，j和n分别为小区i，小区j和小区n，可以得到当前城市常住居民以出租车出行的日均出行总量为：
Figure FDA0002088666390000023
由此，可以得到城市常住居民乘坐出租车出行的OD矩阵QTaxi在城市常住居民出行全方式OD矩阵QAll中的比例RTaxi为：
Figure FDA0002088666390000024
其中，t′ij＝tij/aij；i,j＝1,…,n；
步骤2-2)计算各交通小区间的未来的交通分布量矩阵；具体地，
根据公式(1)和(2)，得到k年时与当前城市常住居民出行的日均总增量Δ为
Δ＝TQr,k-TQr (6)
其中，TQr为当前城市常住居民全方式日均出行总量；
根据城市发展的战略目标，该日均总增量Δ在各交通小区出行量的分配满足如下公式(7)：
Δi＝αiΔ (7)
其中，αi，i＝1,2,…n为各交通小区出行量所占比重，α1+α2+…+αn＝1；
然后，利用平均增长率法，进行预测k年时全方式出行的日均总量，具体地，首先推出各交通小区出行发生平均增长系数Fgi为
Figure FDA0002088666390000031
各交通小区出行吸引交通量的增长系数为Faj：
Figure FDA0002088666390000032
其中，Gi表示现状各交通小区的交通发生量；Aj表示现状各交通小区的交通吸引量；
作为要推算的交通分布量的第一次迭代的近似值
Figure FDA0002088666390000033
可由Fgi、Faj的函数，用下式给出：
Figure FDA0002088666390000034
对交通分布量
Figure FDA0002088666390000035
求和得到的交通发生量
Figure FDA0002088666390000036
和交通吸引量
Figure FDA0002088666390000037
分别为：
Figure FDA0002088666390000038
Figure FDA0002088666390000039
然后，用
Figure FDA00020886663900000310
分别对应地代替公式(8)和(9)中的Gi、Aj，计算各交通小区出行发生平均增长系数Fgi和各交通小区出行吸引交通量的增长系数为Faj；再求解要推算的交通分布量的第二次迭代的近似值：
Figure FDA00020886663900000311
重复h次，直至：
Figure FDA0002088666390000041
Figure FDA0002088666390000042
都接近于1时，相应的
Figure FDA0002088666390000043
为未来k年的各交通小区间的交通分布量矩阵QAll,k：
Figure FDA0002088666390000044
根据QAll,k，预测各交通小区间的交通分布量；
步骤2-3)预测各交通小区间未来常住居民以出租车出行的日均总量；具体地，
由于常住居民不同时距出行方式结构不变，通过与出租车出行比例RTaxi矩阵中的对应元素相乘，计算常住居民乘坐出租车出行方式的OD矩阵QTaxi,k为：
Figure FDA0002088666390000045
其中，
Figure FDA0002088666390000046
最后，根据QTaxi,k，预测未来常住居民以出租车出行的日均总量，即k年时常住居民以出租车出行的日均总量为：
Figure FDA0002088666390000047
步骤2-4)预测未来总人口中以出租车出行的日均总量；具体地，
将城市居民划分为两类：第一类居民包括常住居民和暂住居民，第二类居民包括短期及当日进出人口；
假设暂住居民以出租车方式出行的强度一样：
Figure FDA0002088666390000048
Figure FDA0002088666390000051
其中，
Figure FDA0002088666390000052
为未来常住居民以出租车出行的日均总量，即k年时常住居民以出租车出行的日均总量；
Figure FDA0002088666390000053
为未来暂住居民以出租车出行的日均总量，即k年时暂住居民以出租车出行的日均总量；
Figure FDA0002088666390000054
为未来第一类居民以出租车出行的日均总量，即k年时第一类居民以出租车出行的日均总量；Popr,k为k年时城市常住居民的人口数量；Popt,k为k年时城市暂住居民的人口数量；Pop1,k为k年时城市第一类居民的人口数量；
而对于第二类居民而言，假设其出行特征在未来几年内均保持不变，所以根据公式(2)得到：
Figure FDA0002088666390000055
Figure FDA0002088666390000056
其中，
Figure FDA0002088666390000057
为现状第二类居民以出租车出行的日均总量；Pop2为现状城市第二类居民的人口数量；
Figure FDA0002088666390000058
为现状城市第二类居民以出租车出行的出行强度，C值为常数，其值为第二类居民以出租车出行的出行强度；
Figure FDA0002088666390000059
为k年时第二类居民以出租车出行的日均总量；Pop2.k为k年时城市第二类居民的人口数量；
综上所述，根据公式(23)，预测未来总人口中以出租车出行的日均总量
Figure FDA00020886663900000510
即k年时总人口中乘坐出租车的日均出行总量包括第一类居民和第二类居民：
Figure FDA00020886663900000511
4.根据权利要求1所述的方法，其特征在于，所述根据上述结果，计算和预测该城市交通所需的最佳出租车数量；具体包括：假设城市中出租车数量与乘车收费标准无关；
步骤3-1)获取空驶率；具体地，
根据现状城市居民总人口中乘坐出租车出行的总量
Figure FDA00020886663900000512
以及现状城市居民的平均坐出租车的出行距离
Figure FDA0002088666390000061
以及出租车平均每趟载客人数
Figure FDA0002088666390000062
则可以计算现状全市出租车总有效行驶里程TDiste：
Figure FDA0002088666390000063
由于空驶率为空驶行程与总行程的比值，因此，可以获取空驶率VR：
Figure FDA0002088666390000064
其中，
Figure FDA0002088666390000065
为该城市出租车运行的平均时间；
Figure FDA0002088666390000066
为该城市出租车运行的平均速度；N为该城市出租车的运营车辆数；
步骤3-2)计算并预测城市交通所需的最佳出租车数量，具体地：
根据获得的现状全市出租车总有效行驶里程TDiste和空驶率VR，进行变换得到现状城市交通所需的最佳出租车数量为NWorking：
Figure FDA0002088666390000067
其中，δ为出租车中每日实际运营的弹性比例；
基于公式(26)，根据步骤2-3)预测得到的未来常住居民以出租车出行的日均总量
Figure FDA0002088666390000068
预测k年时城市交通所需的最佳出租车数量为
Figure FDA0002088666390000069
Figure FDA00020886663900000610
CN201910496229.1A 2019-06-10 2019-06-10 一种预测城市空载出租车数量的方法 Active CN112070259B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910496229.1A CN112070259B (zh) 2019-06-10 2019-06-10 一种预测城市空载出租车数量的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910496229.1A CN112070259B (zh) 2019-06-10 2019-06-10 一种预测城市空载出租车数量的方法

Publications (2)

Publication Number Publication Date
CN112070259A true CN112070259A (zh) 2020-12-11
CN112070259B CN112070259B (zh) 2023-12-22

Family

ID=73658210

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910496229.1A Active CN112070259B (zh) 2019-06-10 2019-06-10 一种预测城市空载出租车数量的方法

Country Status (1)

Country Link
CN (1) CN112070259B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114066062A (zh) * 2021-11-18 2022-02-18 中国民用航空飞行学院 一种城市空中交通的物流需求预测方法及***
CN114724414A (zh) * 2022-03-14 2022-07-08 中国科学院地理科学与资源研究所 城市空中交通分担率的确定方法、装置、电子设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102054222A (zh) * 2010-12-10 2011-05-11 吉林大学 基于居民出行分析的城市机动车排放量化方法
CN107704976A (zh) * 2017-11-06 2018-02-16 东南大学 基于居民出行调查的城市家庭交通尾气排放量预测方法
WO2018214675A1 (zh) * 2017-05-24 2018-11-29 大连理工大学 一种量化分析城市建成环境对道路行程时间影响的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102054222A (zh) * 2010-12-10 2011-05-11 吉林大学 基于居民出行分析的城市机动车排放量化方法
WO2018214675A1 (zh) * 2017-05-24 2018-11-29 大连理工大学 一种量化分析城市建成环境对道路行程时间影响的方法
CN107704976A (zh) * 2017-11-06 2018-02-16 东南大学 基于居民出行调查的城市家庭交通尾气排放量预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HUAXIU YAO, ETC.: "Deep multi-view spatial-temporal network for taxi demand prediction", 《ARXIV》 *
杨泽民: "基于数学建模的城市出租车供需分配方案设计", 《山西大同大学学报（自然科学版）》, vol. 32, no. 3 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114066062A (zh) * 2021-11-18 2022-02-18 中国民用航空飞行学院 一种城市空中交通的物流需求预测方法及***
CN114066062B (zh) * 2021-11-18 2023-04-07 中国民用航空飞行学院 一种城市空中交通的物流需求预测方法及***
CN114724414A (zh) * 2022-03-14 2022-07-08 中国科学院地理科学与资源研究所 城市空中交通分担率的确定方法、装置、电子设备及介质
CN114724414B (zh) * 2022-03-14 2023-06-09 中国科学院地理科学与资源研究所 城市空中交通分担率的确定方法、装置、电子设备及介质

Also Published As

Publication number Publication date
CN112070259B (zh) 2023-12-22

Similar Documents

Publication Publication Date Title
Tam et al. Modeling air passenger travel behavior on airport ground access mode choices
Amirgholy et al. Optimal design of sustainable transit systems in congested urban networks: A macroscopic approach
Sui et al. Mining urban sustainable performance: Spatio-temporal emission potential changes of urban transit buses in post-COVID-19 future
Tam et al. The impact of travel time reliability and perceived service quality on airport ground access mode choice
CN107679654B (zh) 一种停车规模预估控制***及实现方法
CN108537391B (zh) 一种基于出租车轨迹数据的出租车停靠站设置优化方法
Nam et al. Estimation of value of travel time reliability
CN112309119B (zh) 一种城市交通***容量分析优化方法
CN107609677A (zh) 一种基于出租车gps大数据的定制公交线路规划方法
CN111510488B (zh) 一种智能停车场搜寻与导航方法
Xiong et al. Understanding operation patterns of urban online ride-hailing services: A case study of Xiamen
Pencheva et al. Evaluation of passenger waiting time in public transport by using the Monte Carlo method
CN116720997A (zh) 一种基于大数据分析的公交线路评价体系及优化方法
CN112070259A (zh) 一种预测城市空载出租车数量的方法
Das et al. On-street parking demand estimation in urban CBD using FI and CF model: a case study–Kolkata, India
CN110222884B (zh) 基于poi数据和客流量的车站可达性评估方法
CN109190935B (zh) 一种考虑服务区和车辆事故的高速公路充电站规划方法
Poorzahedy et al. Dynamic Network Pricing to Contain Urban Air Pollutionin Stochastic Environment
Setiawan et al. Modeling the potential of demand for design Cikembar airport terminal capacity, Sukabumi, West Java, Indonesia
CN115130868A (zh) 基于手机信令的城市土地利用与交通一体化互动反馈模型
CN115049272A (zh) 一种基于电池交换进行中间站充电的电动公交调度方法
Lei et al. Research on multi-objective bus route planning model based on taxi GPS data
Jin et al. Time-of-day choice modeling for long-distance trips
Mattson et al. Marginal cost pricing and subsidy of small urban transit
Pöhler et al. Urban land use policies for efficient autonomous on-demand transportation–a case study on the japanese island of izu oshima

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant