基于网约车订单数据的居民出行特征研究——以北京市为例

为了解不同类型网约车乘客的出行特征,帮助网约车司机制定合理的寻客策略,以北京市出租车网络订单数据及快车网络订单数据为基础,采用K-均值(K-means)聚类方法,以乘客出行时间、行程时间、上车区域用地性质及下车区域用地性质作为特征变量,对两种网约车的订单数据进行聚类分析,并分别将其划分为4种需求类型。对出租车网络订单及快车网络订单的4种需求类型进行对比分析,发现二者的乘客出行需求呈现出相似的特征。其中有两类需求受乘客出行时间影响较大,工作日早晚高峰的出行需求更为活跃,乘客上下车区域的用地性质集中于混合用地性质。另外两类需求受乘客出行时间影响较小,乘客上下车区域集中于混合用地与居住用地、商业服务设施用地、绿地及广场用地3种用地类型之间。对订单数据进行统计分析发现,快车网络订单行程时间集中在10～20min,出租车网络订单的行程时间集中在10～45min。快车订单以短时出行为主,当乘客行程时间较长时选择出租车的概率更大。     

建成环境对网约车出行行为的影响分析

出行行为是行为主体在建成环境制约下的选择结果,为探讨网约车迅猛发展时期建成环境对网约车出行行为的影响,基于成都市网约车数据和建成环境数据,构建以路网密度、混合度、公交站点密度等建成环境指标为自变量、乘客上下车点数据为因变量的多元线性回归模型,以成都市为例开展实证研究.结果表明,不同的建成环境对网约车出行行为的影响程度不同,其中土地利用混合程度及商务用地和住宅用地对网约车出行行为影响较大.研究结果可为城市交通系统规划、智慧城市建设以及网约车高效管理提供数据支撑.     

弹性需求下的出租车市场均衡模型

为了探究出租车市场均衡模型的性质，假设乘客根据预期出行成本的变动来选择是否乘坐出租车，构建了弹性需求下的出租车市场均衡模型，分析了出租车平均行驶速度、城市规模以及乘客等车时间价值对出租车服务水平、使用效率以及打车软件使用率的影响。算例表明：出租车平均行驶速度的提高使扬招乘客和网约乘客等待时间均减少，巡游车和网约车空驶时间均增加； 随着城市规模的扩大，扬招乘客和网约乘客等待时间先增加后减少，巡游车和网约车空驶时间先减少后增加；乘客等车时间价值的提高使扬招乘客等待时间和网约车空驶时间均减少，网约乘客 等待时间和巡游车空驶时间均增加；不同城市规模下，出租车平均行驶速度的提高均能提高打车软件的使用率，城市规模非常小时，乘客等车时间价值的提高使打车软件的使用率减少，当城市达到一定规模时，乘客等车时间价值的提高则会提高打车软件的使用率。     

考虑手机召车软件的城市出租车网络均衡研究

为了衡量手机召车软件对出租车市场的影响,本文研究了私家车、常规公交、 出租车相互作用的城市路网中出租车的网络均衡问题.将出租车分为使用手机召车软件 的网约车及不使用手机召车软件的巡游车,分析这两种模式在乘客等待时间与空驶出租 车选择概率差异的基础上,量化各交通方式的出行费用.在Wardrop 均衡情况下采用等价 的变分不等式来描述组合网络均衡模型,设计了相应的启发式算法.算例结果表明,手机 召车软件能有效刺激出租车乘客需求,但随着出租车规模增大,网约车所占比例降低并 趋于稳定,其时间空驶率略低于巡游式出租车,手机召车软件对出租车市场的边际效益 递减.     

出租车和网约车载客空间特征分析

本研究的目的在于通过挖掘出租车和滴滴的上下客数据,描述出租车和网约车载客行程的统计特征和空间特征并比较两者的异同。首先通过对出租车和滴滴的GPS数据进行处理获取了上下客数据,然后以OD对为单元分析了出租车和网约车行程的距离、时间和平均速度;接着分别以出租车、滴滴的上下客点为对象,通过热力图、全局Moran’sI检验和局部Moran’sI检验分析了两种方式的热点和空间特征。结果表明:网约车的平均行程距离和平均行程时间都更长,而出租车的平均速度更快;滴滴和出租车的大部分热点位置比较类似,但滴滴的服务范围比出租车更广;两类车辆的上下客点都分别存在空间相关性,但在城市外围有滴滴活跃而出租车不活跃的交通分析小区存在。     

基于机器学习的网约车合乘出行碳减排状态预测

网约车合乘出行可有效提高车辆运输效率,与常规网约车出行相比具有显著的碳减排潜力。然而,现实中网约车合乘出行能否真正减少碳排放受多方面因素影响,往往存在较大差异与不确定性。为识别碳减排潜力较大的网约车合乘订单,提出一种基于机器学习的网约车合乘出行碳减排状态预测模型,并解析其碳减排机理。首先,基于成都市真实的网约车合乘订单与轨迹数据,应用COPERT(COmputer Program to calculate Emissions from Road Transport)排放模型分别计算合乘出行碳排放量及其替代的独乘出行碳排放量,进而得到合乘出行相比独乘出行的碳减排量。然后,基于历史的合乘行程碳减排及其订单特征数据,训练XGBoost(eXtreme Gradient Boosting)模型以预测未来潜在合乘出行的碳减排状态。最后,采用ALE (Accumulated Local Effects)分析方法对预测模型进行特征变量解析,以识别影响合乘出行碳减排状态的关键因素。结果显示：研究区域内平均每次网约车合乘出行可减少碳排放307.23 g,但仍有15%的网约车合乘行程未能实现减碳;XGBo...     

基于多源数据的网约车与地铁接驳特征分析

网约车出行作为一种新兴的出行模式,在人们日常出行中发挥着重要作用。基于网约车订单数据,引入手机信令、地图导航等多源数据,首先,分析网约车与地铁接驳的时空特征,并与手机用户的地铁接驳出行数据进行对比;其次,基于XGBoost(extreme gradient boosting,极端梯度增强算法)构造充分考虑接驳距离、地铁乘距、接驳需求、公交便利程度、通勤出行占比等因素的回归模型;最后,从到达地铁站与离开地铁站两个方面,分析各因素对网约车与地铁接驳的影响。结果表明:使用网约车到达地铁站的订单量远大于离开地铁站的订单量,网约车与地铁接驳距离在1.5~3.5km的接驳量最大;网约车与地铁接驳存在明显的早高峰和晚高峰时段,高峰时段使用网约车与地铁接驳的出行占比与手机用户使用地铁出行的占比一致。     

基于混合Logit 模型的网约车选择行为研究

近年来,网约车发展迅速,而现有研究较少从市场角度理解用户对网约车的选择偏 好.本文构建了基于混合Logit选择模型,选取网约车依赖性、出行目的等出行相关属性,年龄等 个人社会经济属性为效用函数特征变量,假设到达时间、在车时间和费用为随机变量并服从对 数正态分布.使用D-efficient效率设计法生成问卷,在成都市开展网约车使用特征与选择偏好的 实证调查.基于观察数据标定模型,参数显著性及符号解释了城市综合交通背景下出行方式选 择的关键因素.对出租车和网约车费用进行边际效应分析,明确了价格变化对出行结构的影响.     

基于网络核密度的网约车上下客热点识别

为分析网约车上下客热点的时空分布特性,利用网约车订单数据,构建基于网络核密度估计的上下客热点识别模型,采用回归模型对热点进行聚类和分级。通过研究区域划定、数据清洗和筛选,引入以路网距离为度量的网络核密度估计方法,基于非均质网络方向延展和网络距离衰减效应,对工作日和非工作日的特征时段内网约车上下客点的核密度值进行估计。采用零膨胀负二项回归模型对核密度值进行聚类,识别出研究区域的热点路段分布及其等级。通过与平面核密度估计结果对比分析,本文提出的网络核密度估计方法体现了上下客热点在路段和交叉口的分布特点,表征了实际的交通需求与路网结构的关系。研究结论为优化城市网约车的运营管理、提高城市居民出行效率提供理论依据。     

需求不确定下的网约车司机最优工资水平研究

在网约车出行系统中,乘客出行需求的不确定性会影响网约车平台制定合理的工资水平, 进而影响平台利润。本文研究出行需求不确定下的网约车司机工资水平。根据问题的数学描述,假设实际出行需求服从随机分布,司机数量供给服从劳动力供给理论,采用网约车研究领域广泛采纳的精准乘客-司机匹配函数描述乘客与司机间的匹配关系。在此基础上,建立求解网约车平台利润最大化的模型框架。案例研究发现：存在最优的工资水平,使得网约车平台利润最大化;最优工资水平、司机人数与乘客最大需求正相关,最优工资水平与平台影响力负相关;本模型给出期望利润最大化下的最优解,比平均值模型具有一定的鲁棒性,有效保障网约车平台利润。 结果表明,本文建立的最优工资水平模型可以有效研究需求不确定性下的网约车出行系统。     

市域轨道交通线路快慢列车停站方案研究

为解决市域通勤客流欲快速到达目的地的需求问题，以乘客的出行时间节约值最大为优化 目标，建立大小交路条件下的快慢列车停站方案模型。基于乘客出行时间效益优先原则，考虑乘客候车时间、乘客在车区间运行时间、乘客在车等待时间以及越行对慢车乘客的延误和快车乘客 的时间变化影响等因素，构建了目标函数，同时以列车开行密度、满载率等作为约束条件，建立 0-1 整数规划模型。通过在实际算例中运用遗传-禁忌算法对模型进行求解，得到快车的最佳停站方案，并将计算所得方案的乘客出行时间与相同交路条件、发车间隔以及开行比例下的普通站站 停开行模式的时间进行了对比分析。结果表明，该方案可以节省总出行时间约8 062h，节省人均出行时间约8.5min，人均延误时间约0.86min，总体提高了乘客出行效率和服务水平，具有有效性和合理性。     

基于网约车数据的城市区域出行时空特征识别与预测研究

针对交通需求特征识别和需求预测问题，构建改进的LDA(Latent Dirichlet Allocation)城市区域内出行需求识别与预测组合模型，快速识别城市区域内出行需求特征并对需求做出预测. 构建城市交通小区尺度内的空间和时间维度下的主要出行需求特征分布挖掘辨识方法，以及数据集在不同时间尺度下时间维度出行特征构建及预测方法. 利用北京市三环内网约车出行订单数据，验证模型的有效性和准确性. 结果表明，模型能够对不同时间窗口下的区域出行需求特征进行辨识和预测，取得较好的结果.     

基于GPS数据的出租车回程候客点布局研究

出租车作为城市交通的重要组成部分,往往通过设置出租车侯客点,实现异地载客。基于出租车GPS原始数据,给出数据处理方法,在此基础上对广佛间出行乘客上下车行为进行分析,获取其空间特征,最后提出基于K-means聚类算法的出行距离最短的回程侯客点的布局模型,为科学地设置出租车回程侯客点提供一定的理论基础。     

考虑乘客理性疏忽的网约车订单取消惩罚策略

分析乘客的订单取消行为并制定合理的惩罚策略是网约车公司运营优化的重要问题。本文基于理性疏忽理论,研究网约车和出租车共存的市场中,乘客的订单取消行为和公司对乘客取消订单的惩罚策略。不同于现有完美信息或者完全无信息的假设,本文考虑乘客自主选择信息策略并基于获取的信息做出决策,建立了双层优化模型。上层分别以公司利益和网约车市场的社会福利最大化为优化目标,确定取消订单的惩罚金额。下层构建了基于理性疏忽理论的用户决策模型,并比较了固定费用、分段和基于时间三种惩罚策略的特点。通过粒子群优化算法和逐次平均法相结合的方法求解该模型。研究表明,随着信息获取成本的降低,单个出行者的出行成本最多降低8%,做出正确决策的概率最多增加40%。同时随着信息获取成本的增加,最优的公司收益和社会福利分别减少了16.8%和5.1%。在公司收益和社会福利最优的目标下三种惩罚策略几乎无差别,但在公司收益最大化时,惩罚金额显著高于在社会福利最优时的水平,且订单取消率更低。研究结果为网约车公司制定惩罚策略提供了参考性思路和实践价值。     

网约车进入市场利益方博弈策略及效果分析

运用博弈论方法探讨了网约车作为一种新的出行方式进入市场后,市场已存者(即出租车)与其的策略互动,市场已存者通过调整出行费用,从而采取不同的策略应对潜在进入者(即网约车)是否会进入市场.假定出行者根据时间价值(VOT)函数选择出行方式,求出给定需求情况下的需求均衡,并根据两阶段博弈理论求出各策略均衡下的市场均衡,利用均衡时各出行方式的利润和总社会成本评估各策略的影响.最后给出实例分析,结果显示,虽然网约车的进入会减少出租车的利润,但是社会总成本却降低了.因此,合理发展网约车是经济可行的.     

长春市轨道交通换乘方式选择影响因素分析

通过对长春市居民轨道交通换乘方式的调查数据整理,利用多元Logistic模型,分析不同影响因素对居民城市轨道交通换乘方式选择的影响,得出出行者性别对出租车换乘有显著影响,男性更偏向于选择出租车换乘,拥有网约车打车APP对常规公交换乘有显著影响。打车软件的流行使居民出行换乘的方便性大大增加。学历水平越高的出行者越喜欢选择比较环保的步行和自行车换乘方式。月收入越高的更加注重出行的时效性,更偏好选择高效率的网约车换乘方式出行。出行距离对出行者是否选择轻轨+轻轨换乘影响较大,出行时间在出租车、小汽车、网约车这几种出行时间相差不大的换乘方式中影响不大。最后对城市的轨道交通换乘发展的优化提出合理的建议。     

基于出行特征的用地类型推断方法研究

提出一种基于卷积神经网络推测城市交通小区内用地特征的算法,同时对交通小区内多种用地类型进行预测.选用公共交通出行数据集和网约车出行数据集,融合多种出行方式的出行特征对交通小区内用地特征刻画.提取交通小区内发生强度,吸引强度和产吸差强度3个指标作为模型输入,训练得到基于区域内出行特征双通道的卷积神经网络模型,采用网格寻优方法确定最优网络结构.选取北京市六环内交通小区作为研究对象,结果表明,本文算法能够同时推断交通小区内居住、工作和休闲用地特征,并获得各用地类型在小区内占比分布.     

网约车进入市场利益方博弈策略及效果分析

运用博弈论方法探讨了网约车作为一种新的出行方式进入市场后，市场已存者(即出租车)与其的策略互动，市场已存者通过调整出行费用，从而采取不同的策略应对潜在进入者(即网约车)是否会进入市场.假定出行者根据时间价值(VOT)函数选择出行方式，求出给定需求情况下的需求均衡，并根据两阶段博弈理论求出各策略均衡下的市场均衡，利用均衡时各出行方式的利润和总社会成本评估各策略的影响.最后给出实例分析，结果显示，虽然网约车的进入会减少出租车的利润，但是社会总成本却降低了.因此，合理发展网约车是经济可行的.     

基于出行特征的用地类型推断方法研究

提出一种基于卷积神经网络推测城市交通小区内用地特征的算法，同时对交通小区内多种用地类型进行预测.选用公共交通出行数据集和网约车出行数据集，融合多种出行方式的出行特征对交通小区内用地特征刻画.提取交通小区内发生强度，吸引强度和产吸差强度3个指标作为模型输入，训练得到基于区域内出行特征双通道的卷积神经网络模型，采用网格寻优方法确定最优网络结构.选取北京市六环内交通小区作为研究对象，结果表明，本文算法能够同时推断交通小区内居住、工作和休闲用地特征，并获得各用地类型在小区内占比分布.     

基于出租车GPS大数据的城市热点出行路段识别方法

连续两个出租车 GPS定位点之间的时空间隔使得乘客上下车的位置必然介于一个线性区间内,据此提出轨迹线密度方法,用于在位置界限模糊的热点出行区域进一步搜索热点路段.利用成都市出租车 GPS数据,借助核密度估计分析出租车上下客位置的时空特性;基于轨迹线密度方法,计算了成都市春熙路商圈的路网密度值,划分路段热点强度,识别出了热点路段的位置,结合实际的出行需求分布完成方法有效性的验证.结果表明,本文所采用的方法能够有效识别出行需求旺盛的城市热点路段,不仅可以为出租车司机寻找客源提供重要的参考,还能够在交通相关部门选择出租车停靠站的位置时提供数据支持.