聚焦︱基于OD大数据的用地出行率指标计算
The following article is from 百度地图慧眼 Author 慧眼&珠规院
导读
随着城市化进程的加快，城市的用地规模和布局形态千差万别，不同地块的交通产生、吸引率不同。本研究以珠海市为例，基于OD大数据以及城市多源大数据，提出一种城市用地的交通出行率的计算方法，以期为政府部门的管理决策以及交通影响评价等交通规划项目提供可靠支撑。
准确可靠的地块交通出行率对于提高交通规划的科学性和合理性具有重要价值，但由于进行交通出行率调查工作量大、调查周期长，目前多数城市没有建立符合自身实际的交通出行率标准。本研究提出一种利用OD大数据对城市用地的交通出行率的计算方法，并以珠海市为例，论证方法的可行性和准确性，为政府部门的管理决策以及交通影响评价等交通规划项目提供可靠支撑。
问题现状
随着城市化进程的加快，城市人口急剧增加，基础设施建设突飞猛进，使得城市的用地规模和布局形态千差万别，而不同用地类型会对交通系统产生不同的影响，具体体现之一就是不同地块的交通产生、吸引率不同。大多数城市缺乏适合自身实际的建设项目交通影响评价技术标准，这会导致在新建项目的交通预测上缺少一个权威的交通出行率参考依据。这些城市通常采用的是住建部2010年发布的《建设项目交通影响评价技术标准(CJJ/T141-2010)》，而各个城市之间经济、地理、人口等均千差万别，即使是同一城市由于所处区位的不同，周边道路基础设施的不同，交通出行率也可能不同，利用同一套标准计算的交通出行率数据不能完全符合各城市的实际情况，该方法具有明显的局限性。
传统的不同地块交通发生吸引率调查计算方法主要为人工调查法，该方法抽样率低，调查成本较高，组织协调需耗费大量人力、物力和时间，受传统调查采取的手段、时间、区域的不同的影响，导致调查数据往往会产生较大的误差。由于城市基础设施建设突飞猛进、土地利用变化频繁，通常间隔若干年才进行一次全面的交通调查，仅能获取相对静态的现状数据，很难跟上交通需求和供给的更新节奏。因此，交通研究者与交通从业人员都一直在寻找更经济、效率更高、精度更高的居民出行信息获取方法。
OD大数据
出行OD数据是交通调查中最基础的信息，在交通规划中的地位极为重要。面向交通规划行业，百度地图慧眼利用海量位置数据构建出行OD挖掘模型，对人群的出行规律进行挖掘，进一步形成了基于位置大数据的交通调查框架。（注：相关数据处理各环节均匿名化，各环节及输出均不涉及个体隐私）OD挖掘的主要工作是根据用户位置的时空信息捕捉其出行行为，包括出发地、目的地、出发时间，出行耗时等。挖掘算法的处理流程如图2.1：
首先对数据进行脱敏处理，后续对数据的处理均不涉及个体隐私。将定位点按时间排序，去除轨迹中的异常定位点；使用密度聚类算法，将定位轨迹在空间上聚成若干簇；根据定位信息、时间和空间范围，计算每个空间簇的状态，将停留状态的簇标识为O或D，此处辅助常访地和场景化信息判定；停留状态的簇在时间上的切换构成出行OD。图2.2是根据位置数据挖掘出行OD的示例，通过位置点聚类得到6个簇，根据簇的停留时长、活动范围，结合常访地和停留场景等启示信息，识别其中3个簇为静止簇，即用户有目的地停留行为，停留之间的切换形成用户的4次出行OD。
利用OD大数据进行地块出行率计算的过程，包含构建基础数据库、数据预处理、相关计算以及数据处理分析等步骤，本文采用的计算流程具体如下图所示：
本研究将土地利用类型划分为住宅、商业、服务、办公、场馆与园林、医疗、学校、交通、工业、其他等类型，整合城市地理信息数据库中关于各地块用地性质，建筑面积以及混合用地建筑面积比例的数据信息，考虑更细节的数据比如对于住宅区则包含居住户数、而对于医院、疗养院等则包含床位数等数据信息。利用OD大数据，结合相关标准规范中的出行率比值，与珠海市用地数据进行耦合分析，进而计算各类型用地的出行率。具体计算步骤如下：
① 用地数据与居民出行OD数据空间关联
空间数据除了可以通过基本属性表的字段进行关联，也可以通过地理空间位置的拓扑关系进行关联和连接。居民出行OD数据是包含空间位置的O点和D点数据，是空间拓扑点数据，而用地数据是包含用地属性、用地面积的空间面数据。利用GIS数据平台的空间连接（spatial joins）工具，实现对用地数据与居民出行OD数据的关联，利用它们的空间关系作为连接键（join key）来连接来自不同数据表的信息。
② 用地出行率计算
然后，对剩余的用地出行率数据进行统计分析，分别计算各类型用地数据出行率的最大值、最小值、中位值，具体计算模型如下：
本研究以珠海中心城区为例，对珠海市中心城区现状地块的土地利用性质、建筑面积、容积率等进行了摸查，获得了详细的土地利用数据资料。其中土地利用分类包括居住用地、商业用地、工业用地等，建筑用地面积以地块内部实际建成并且投入使用为准。根据调查数据，形成珠海市中心城区现状土地利用空间数据库，并对数据进行可视化处理，为城市规划以及交通管理等提供决策支撑，如下图所示：
目前百度地图慧眼出行OD数据已覆盖全国主要省市区，平均人群抽样率达到20.0%以上，珠海人群抽样率达到31.1%以上，远远超过传统调查1-2%的抽样率。
表4.1 百度地图慧眼出行OD大数据现状
| 出行OD人次（未扩样） | 出行人数（未扩样） | 人群抽样率 | |
| 全国 | 8.68亿 | 3.1亿 | 20.0%以上 |
| 珠海市 | 152万 | 58.8万 | 31.1% |
根据百度地图定位数据，利用交通出行OD计算模型，计算居民出行的OD总量和OD分布。经计算，未扩样前珠海居民工作日日均出行总量为152万人次，扩样后为537.9万人次。珠海市居民出行od分布如图4.2所示，从交通出行产生、吸引量来看，中心城区是全市现状交通产生、吸引强度最高的地区，中心城区日均出行总量为228.6万人次，其交通产生和吸引量占全市日均出行总量的42.5%。
基于用地数据与居民出行OD数据，对其进行地理空间位置的拓扑关系进行关联和连接，并计算各地块的出行率数据，如下图所示：
根据现状用地模型和居民出行OD数据，计算珠海市中心城区不同类型用地的交通出行率进行计算，并与《建设项目交通影响评价技术标准(CJJ/T141-2010)》中的不同类别建设项目高峰小时出行率参考值进行对比，具体数据如下表所示，其中产生率、吸引率中位值分别对应产生率、吸引率范围的中位数：
表4.2珠海市中心城区不同类型用地交通出行率
由表2可知，根据OD大数据测算的珠海市不同用地的高峰小时出行率与住建部发布的参考值大体一致，但也有个别用地类型的数据有较大差距，如行政办公、娱乐、餐饮和商务写字楼等用地类型高峰小时出行率均超出住建部发布的参考值范围，这表明，随着城市社会经济的不断发展，用地的出行规模也不断变化，出行率指标也不断加大，相应的规范也应动态更新。此外，利用OD大数据可以获得的出行率调查值覆盖面更广，如货运场站、加油站、停车设施等建设项目的出行率均可获得。在调查时间上，传统的调查通常只能调查高峰小时出行率，利用OD大数据在调查时间上不受限制，结果数据将更有准确、可靠。
本文从传统的地块出行率指标值获取和计算手段入手，考虑不同城市之间在经济、地理等方面的差异因素，结合OD数据以及城市多源大数据，提出适用于珠海市的地块出行率计算方法，将该方法应用于珠海市中心城区地块出行率的计算，并与国家公布的标准值进行对比分析。结果表明，利用OD数据计算的居民出行率与住建部发布的参考值大体一致，具体较高的准确性和科学性。且利用OD数据进行调查的覆盖面更广，调查时间不受限制，更节约时间和人力成本，方法具体较强的可操作性和普适性。
参考文献
[1]王宝君. 城市建设项目交通影响评价若干问题研究[D].西安建筑科技大学,2008.
[2]张世亮. 大型建设项目交通影响评价若干问题研究[D].长安大学,2014.
[3]李元. 基于多源大数据的居民出行调查校核体系研究[D].长安大学,2017.
[4]李香静,刘向龙,刘好德,杨新征.我国城市交通规划模型研究应用现状及发展趋势[J].交通运输研究,2016,2(04):29-37.
[5]陈尚义.百度地图慧眼OD大数据应用与实践[J].大数据,2015,1(01):104-114.
责任编辑：林冬娜、邓小云
文章来源：百度地图慧眼