摘要 停車需求的獲取，是城市道路交通管理工作中的重點之一。文章提出了基于卡口及個體車輛軌跡數(shù)據(jù)的停車需求分析方法。首先輸入設(shè)定區(qū)域范圍和時間范圍內(nèi)的卡口數(shù)據(jù)，根據(jù)卡口數(shù)據(jù)獲取車輛身份信息并計算個體車輛軌跡，獲取車輛單次出行的起點卡口和終點卡口；然后根據(jù)車輛單次出行起點卡口的數(shù)據(jù)推算車輛的來源地，根據(jù)車輛單次出行終點卡口的數(shù)據(jù)推算車輛的目的地；進而根據(jù)推算得到車輛的來源地和目的地進行統(tǒng)計和分析，得到總體的區(qū)域停車需求結(jié)果。利用現(xiàn)有的交通卡口數(shù)據(jù)，能更加全面地反映研究區(qū)域內(nèi)的停車需求，進一步為停車場的規(guī)劃建設(shè)提供指導。

關(guān)鍵詞 智能交通；城市道路；交通管理；停車需求；卡口數(shù)據(jù)；車牌檢測

中圖分類號 U491.71文獻標識碼 A文章編號 2096-8949（2023）23-0012-04

0 引言

隨著城市的發(fā)展和經(jīng)濟的崛起，城市中的車輛日益增多。據(jù)統(tǒng)計，截至2023年6月底，全國共有各類機動車保有量為4.26億輛，并且每年還在快速增長。隨著停車問題日益嚴峻，尤其是在車流密集的大城市中，如何建設(shè)停車場來滿足日益增長的需求，成為一個重要的課題^[1]。而且，每座城市的老城區(qū)交通基礎(chǔ)設(shè)施薄弱、交通需求集聚，是城市停車問題最典型的區(qū)域。居民停車特征多樣，亦為研究帶來難題，例如居民擁車不用車、亂停車影響社區(qū)出行品質(zhì)、重點區(qū)域停車矛盾突出等^[2]。為此，有學者提出用卡口數(shù)據(jù)、浮動車GPS定位數(shù)據(jù)、停車場運營數(shù)據(jù)等多種直接或間接的停車數(shù)據(jù)來分析停車需求，以此來指導停車場的建設(shè)規(guī)劃^[3-4]。但是目前在傳統(tǒng)的卡口數(shù)據(jù)中，往往只對交通流量和車速較為關(guān)注，對車輛的來源、最后停放地等信息的采集與分析有所忽略，且卡口檢測的漏檢情況亦屢見不鮮，故并不能直接利用這些卡口數(shù)據(jù)來得出停車需求。浮動車GPS數(shù)據(jù)通常只為交通運輸管理部門及城建、城管部門管理所用，第三方導航企業(yè)的GPS數(shù)據(jù)基本不對外共享，使得GPS檢測的樣本量較小、滲透率較低，同時由于GPS數(shù)據(jù)獲取手段和數(shù)據(jù)格式的不同，其在實際操作中存在數(shù)據(jù)格式轉(zhuǎn)換、數(shù)據(jù)導入輸出難度大的問題。停車場數(shù)據(jù)多源于路外停車場出入口的收費設(shè)施，這些收費設(shè)施多為企業(yè)自主投資建設(shè)，在數(shù)據(jù)共享層面存在一定程度上的壁壘，而部分路內(nèi)停車位仍停留在人工收費，或者路邊免費停車，這些情況也較難獲得停車數(shù)據(jù)，所以難以全面反映車輛的停車需求情況。為此，該文提出一種基于卡口及個體車輛軌跡數(shù)據(jù)的停車需求分析方法，無須收集各個停車場的基礎(chǔ)數(shù)據(jù)及運營數(shù)據(jù)，也不需要獲取浮動車GPS、視頻監(jiān)控、交通流檢測等其他類型數(shù)據(jù)，僅需要卡口數(shù)據(jù)及由卡口數(shù)據(jù)推算得到的個體車輛軌跡，便可獲得指定區(qū)域內(nèi)的停車需求。

1 基于卡口數(shù)據(jù)的個體車輛軌跡計算

高清卡口系統(tǒng)可自動獲取車輛的通過時間、地點、行駛方向、號牌號碼、號牌顏色、車身顏色等數(shù)據(jù)，但目前仍有一定的誤差，最典型的誤差就是卡口漏檢，需要進行卡口數(shù)據(jù)校驗及個體車輛軌跡修補^[5]。造成卡口對車輛漏檢的原因有很多，包括但不限于：

（1）卡口拍攝本身需要一定的時間，若同時間經(jīng)過的車輛數(shù)量太多，由于攝像頭延時等因素，會出現(xiàn)遺漏拍攝的情況。

（2）同一方向車道上，大型車輛在轉(zhuǎn)彎、變道、掉頭等時刻往往會遮擋其他小車的車牌信息。

（3）卡口拍攝位置、角度問題，如出現(xiàn)逆光、側(cè)光拍攝或受建筑物遮擋的時候，會導致圖像清晰度受影響而無法識別的情況。

（4）惡劣天氣，如大霧、暴雨雪、臺風或夜晚光線不足情況下，卡口拍攝受外界影響而會出現(xiàn)漏檢的情況。

（5）卡口設(shè)備出現(xiàn)故障而造成漏檢。因此，需要通過軌跡計算，得到較為準確的個體車輛軌跡數(shù)據(jù)支撐停車需求計算。

主要步驟包括：根據(jù)已有的卡口檢測數(shù)據(jù)和漏檢卡口的特征推算漏檢卡口的可能出行路徑；根據(jù)漏檢卡口可能出行路徑和歷史卡口數(shù)據(jù)庫，采用貝葉斯概率模型回溯推算出對應于漏檢卡口的所有可能出行路徑的漏檢概率；根據(jù)回溯推算出的漏檢概率，結(jié)合歷史卡口數(shù)據(jù)庫的數(shù)據(jù)對漏檢卡口進行數(shù)據(jù)檢驗和補全，從而獲得個體車輛軌跡。

1.1 可行路徑計算

在確定的研究范圍和時間段內(nèi)，根據(jù)歷史卡口數(shù)據(jù)庫中所有相同車牌車輛經(jīng)過兩個相鄰卡口的時間差，得到完整的單次出行鏈數(shù)據(jù)。根據(jù)歷史卡口數(shù)據(jù)庫的卡口過車時間記錄，計算歷史卡口數(shù)據(jù)庫中所有相同車牌的車輛經(jīng)過兩相鄰卡口的時間差，判斷計算出時間差是否大于設(shè)定的時間閾值。若是，則判定兩相鄰卡口為非單次出行卡口，反之，則判定兩相鄰卡口為單次出行卡口。將同一車牌的車輛中所有屬于單次出行卡口的數(shù)據(jù)整合成完整的單次出行鏈數(shù)據(jù)，其中完整的單次出行鏈數(shù)據(jù)中第一個數(shù)據(jù)所對應的卡口為同一車牌車輛的起始卡口，最后一個數(shù)據(jù)所對應的卡口為同一車牌車輛的終點卡口。

根據(jù)已有的歷史卡口檢測數(shù)據(jù)和漏檢卡口的特征推算漏檢卡口的可能出行路徑。這里說的“漏檢卡口”是相對于給定的起點卡口和終點卡口來說的，具體是指在起點卡口和終點卡口之間滿足如下任一情形的卡口：缺失記錄的、有檢測記錄但無法識別的、有檢測記錄但有明顯誤差或錯誤的。另外，歷史卡口數(shù)據(jù)庫中所有卡口檢測地點均為已知，但有部分卡口的檢測數(shù)據(jù)（如車輛經(jīng)過該卡口的時刻，即卡口的過車時間記錄）因漏檢而未知。結(jié)合已有卡口檢測數(shù)據(jù)所確定的完整出行鏈與漏檢卡口的特征，進行漏檢數(shù)據(jù)的界定，推算可能的出行路徑，在篩選出單次出行鏈中的漏檢卡口后，即可推算出漏檢卡口的可能出行路徑。

1.2 漏檢概率計算

根據(jù)漏檢卡口的可能出行路徑和歷史卡口數(shù)據(jù)庫，采用貝葉斯概率模型回溯推算出對應于漏檢卡口所有可能出行路徑的漏檢概率，具體步驟如下：在歷史卡口數(shù)據(jù)庫中選擇回溯推算當次出行的起始節(jié)點和終點節(jié)點，并計算起始節(jié)點與終點節(jié)點間每條可能出行路徑的概率P（β_i），其中，β_i為起始節(jié)點與終點節(jié)點間的第i條可能出行路徑，i為正整數(shù)。進而分析可能出行路徑β_i中在歷史卡口數(shù)據(jù)庫內(nèi)已有檢測數(shù)據(jù)的卡口所占的比例P（α|β_i）。根據(jù)可能出行路徑β_i和比例P（α|β_i）采用貝葉斯概率模型計算對應于漏檢卡口的所有可能出行路徑的漏檢概率P（β_i|α）。

式中，k——貝葉斯概率模型的累計參數(shù)。

1.3 出行軌跡補全

根據(jù)回溯推算出的漏檢概率，結(jié)合歷史卡口數(shù)據(jù)庫的數(shù)據(jù)對漏檢卡口進行數(shù)據(jù)檢驗和補全，具體步驟如下：回溯推算的起始節(jié)點和終點節(jié)點根據(jù)漏檢卡口進行選取，其需要滿足的條件是起始節(jié)點到終點節(jié)點間的路徑至少有2條，且至少有1條路徑包含漏檢卡口?；厮萃扑愕钠鹗脊?jié)點和終點節(jié)點可在不滿足設(shè)定的校驗條件時重新進行選擇和調(diào)整。然后求出所有可能出行路徑的漏檢概率P（β_i|α）中的最大概率max[P（β_i|α）]以及最大概率max[P（β_i|α）]對應的可能出行路徑。然后以最大概率max[P（β_i|α）]對應的可能出行路徑作為當前回溯路徑，根據(jù)判斷的結(jié)果執(zhí)行相應操作：若當前回溯路徑滿足設(shè)定的校驗條件，則執(zhí)行下一步驟；反之，則以次最大概率對應的可能出行路徑作為當前回溯路徑，重新判斷當前回溯路徑是否滿足設(shè)定的校驗條件。

最后根據(jù)歷史卡口數(shù)據(jù)庫中已有的過車時間記錄、當前回溯路徑起始節(jié)點和終點節(jié)點間車輛的平均行駛時間以及已有檢測數(shù)據(jù)卡口的過車時間記錄，對漏檢卡口的過車時間記錄進行補全，得到漏檢卡口補全后的過車時間記錄。最終，結(jié)合歷史卡口數(shù)據(jù)庫中已有的卡口檢測數(shù)據(jù)對漏檢卡口的數(shù)據(jù)進行自校驗和補全。

2 基于個體車輛軌跡的停車需求估算

通過選定指定區(qū)域范圍和時間范圍內(nèi)的卡口數(shù)據(jù)及個體車輛軌跡計算結(jié)果數(shù)據(jù)，獲取車輛單次出行的起點位置和終點位置。然后根據(jù)車輛單次出行的起點卡口與終點卡口的檢測數(shù)據(jù)，推算車輛所屬的來源地與目的地。再把各輛個體車輛的來源地和目的地進行聚類統(tǒng)計，從而實現(xiàn)停車需求的估算。

2.1 來源地與目的地推算

根據(jù)輸入的卡口數(shù)據(jù)及個體車輛軌跡數(shù)據(jù)，計算車輛單次出行的平均車速。針對來源地的推算，根據(jù)車輛單次出行的起點卡口的數(shù)據(jù)，得到車輛經(jīng)過起點卡口的時刻、所在的車道和行駛方向，并結(jié)合車輛該次出行的平均車速，考慮上一次出行的目的地及到達時刻，關(guān)聯(lián)所在路段的停車場信息，推算車輛的來源地及出發(fā)時刻，必要時修正上一次出行的目的地及到達時刻。

針對目的地的推算，根據(jù)車輛單次出行的終點卡口的數(shù)據(jù)，得到車輛經(jīng)過終點卡口的時刻、所在的車道和行駛方向（左、直、右、掉頭等），得到該次出行末次卡口檢測的下一行駛路段，關(guān)聯(lián)下一行駛路段的停車場信息，并結(jié)合車輛該次出行的平均車速，推算車輛目的地及到達時刻。

2.2 指定區(qū)域的停車需求分析

根據(jù)推算得到的車輛單次出行的來源地和目的地，以及出發(fā)時刻和到達時刻，推算每一個路段不同時刻的車輛出發(fā)量與到達量，從而得到一個區(qū)域路網(wǎng)中虛擬停車場不同時刻的車輛出發(fā)量與到達量。進而對區(qū)域路網(wǎng)中虛擬停車場不同時刻的車輛出發(fā)量與到達量進行統(tǒng)計和分析，得到該區(qū)域路網(wǎng)的停車需求估算，包括停車需求分布圖、停車時間特征分布圖和停車供給不足的位置分布圖等。

其中，所述虛擬停車場是假定在路段的某側(cè)分布的一個區(qū)域，虛擬停車場可包括獨立占地的停車場，也可能是路邊停車場，也可以是空中立體停車場，也可以指代一片區(qū)域，總之是區(qū)域內(nèi)可以用于停車的空間。所劃分虛擬停車場的邊界及大小，根據(jù)路網(wǎng)結(jié)構(gòu)及卡口檢測密度分布而定，代表著車輛駐停的可能區(qū)域。利用虛擬停車場的概念，通過分析車輛可能停車的位置，將現(xiàn)實的多種停車情況歸納為統(tǒng)一的情況，降低了分析的難度，使得使用卡口數(shù)據(jù)分析停車需求可以簡單實現(xiàn)。

3 算例

車牌為AD12345的某一輛車在某市內(nèi)的完整卡口軌跡數(shù)據(jù)片段如表1所示。該車在這天某個時段內(nèi)一共有5個卡口數(shù)據(jù)記錄，其中編號為1、2和3的三條卡口數(shù)據(jù)，相鄰兩個卡口所記錄車輛經(jīng)過的時刻的時間差分別為18 min和10 min，編號為4和5的兩條卡口數(shù)據(jù)，所記錄的時間差為10 min，編號為3和4的兩條卡口數(shù)據(jù)，所記錄的時間差為2 h 34 min。明顯地，從中山三路到烈士陵園的幾百米路程并不需要2 h 34 min，因此編號3和4的兩條卡口數(shù)據(jù)并非單次出行的數(shù)據(jù)，可以推斷在車輛經(jīng)過編號3的卡口后進行了停車，在第二次單次出行時才經(jīng)過編號4的卡口，系統(tǒng)需要預先設(shè)定一個閾值作為判斷兩條卡口數(shù)據(jù)是否為同一次出行的判斷依據(jù)。此閾值的選取，可以根據(jù)不同城市不同道路交通運作特征而定。

以系統(tǒng)設(shè)定閾值為1.5 h為例，此時，系統(tǒng)會將編號為1、2和3的三條卡口數(shù)據(jù)判定為車牌AD12345的一次單次出行記錄，并將這三條數(shù)據(jù)整合成一條出行數(shù)據(jù)鏈，其中編號1的卡口（所在地越秀公園）會被確認為這一次單次出行的起點卡口，而其中編號3的卡口（所在地中山三路）會被確認為這一次單次出行的終點卡口。表1中，車輛AD12345從起點卡口越秀公園到終點卡口中山三路，可以根據(jù)起點卡口和終點卡口的時間差，以及該兩個卡口的距離，算出車輛的平均車速。而編號3和4的兩條卡口數(shù)據(jù)，因為車輛經(jīng)過的時間差超過設(shè)定閾值，會判斷為非單次出行。同理，編號4和編號5的兩條卡口數(shù)據(jù)會判定為單次出行，起點為烈士陵園，終點為楊箕村。

另外，設(shè)定閾值可以根據(jù)實際情況靈活調(diào)整，可以根據(jù)地理上兩個卡口的實際路網(wǎng)距離，對兩個卡口之間的經(jīng)過時間設(shè)定閾值。例如，從越秀公園到北京路口的路程約為3 km，正常通行時間為5 min，考慮堵車問題，可以將這兩個卡口的閾值設(shè)定為20 min。

根據(jù)基于車輛身份檢測數(shù)據(jù)的城市道路使用特征^[6]，一般車輛行駛在最右側(cè)的車道（如圖1所示中的車道1），車輛的走向很可能是右轉(zhuǎn)進入路段C，并且在路段C的一側(cè)停車；而車輛位于左側(cè)車道（如圖1中的車道3），該車輛很可能左轉(zhuǎn)進入路段A，并且在路段A的一側(cè)停車；而在中間車道2的車輛通常是直行進入路段B，并且在路段B的一側(cè)停車。所以可以根據(jù)車輛經(jīng)過起點卡口時所在的車道和車輛的行駛方向判斷車輛的來源，根據(jù)編號1的卡口數(shù)據(jù)（起點卡口數(shù)據(jù)），車輛在車道1，結(jié)合車道1的行駛方向，可以推算車輛來源于車道1行駛方向右側(cè)的停車場，或者來自車道1前一個右轉(zhuǎn)路口的停車場，即得到車輛單次出行的來源地；同理，根據(jù)編號3的卡口數(shù)據(jù)（終點卡口數(shù)據(jù)），可知車輛經(jīng)過終點卡口時也是處于車道1，結(jié)合車道1的行駛方向，可以推斷出車輛的目的地是道路前方右側(cè)的停車場，或者為路口右轉(zhuǎn)后的停車場。可以通過車輛單次出行的平均車速來調(diào)整車輛的來源地和目的地的區(qū)域范圍。

將數(shù)據(jù)中所有車輛單次出行的來源地和目的地進行分類，將屬于同一區(qū)域的停車目的地或者來源地歸為同一個虛擬停車場，記錄每個虛擬停車場不同時刻的車輛出發(fā)量與到達量。對虛擬停車場不同時刻的車輛出發(fā)量與到達量進行統(tǒng)計和分析，包括停車需求分布、停車時間特征分布和停車供給不足的位置分布。停車需求分布體現(xiàn)研究區(qū)域內(nèi)不同地點停車需求分布；停車時間分布體現(xiàn)研究區(qū)域內(nèi)不同時段同一地點的停車地點的停車需求；停車供給不足分布體現(xiàn)研究區(qū)域內(nèi)停車需求大于現(xiàn)有停車位地點分布情況。

4 小結(jié)與展望

該文所提出的基于卡口及個體車輛軌跡數(shù)據(jù)的停車需求分析方法，無須收集各個停車場的基礎(chǔ)數(shù)據(jù)及運營數(shù)據(jù)，也不需要獲取浮動車GPS、視頻監(jiān)控、交通流檢測等其他類型數(shù)據(jù)，僅利用現(xiàn)有的交通卡口檢測到的車輛所處車道信息，推斷車輛的停車位置，獲知車輛的來源地和前往的目的地分布，即可分析停車需求，實現(xiàn)簡單、成本低。同時，利用了虛擬停車場的概念，通過分析車輛可能停車的位置，將現(xiàn)實的多種停車情況歸納為統(tǒng)一的情況，降低了分析難度，使得使用卡口數(shù)據(jù)分析停車需求可以簡單實現(xiàn)。并可指導實體停車場建設(shè)，并為后續(xù)通過停車誘導等方式合理解決停車難問題、解決相關(guān)路網(wǎng)的交通擁堵，制定相關(guān)措施提供了有效、可靠的計算方法。

基于該文提出的停車需求估算方法，還可以進一步繼續(xù)進行更深入地研究與分析，獲取更多不同方面的交通數(shù)據(jù)，包括但不限于：一是可以獲知交通停車需求較大的路段，通過卡口、GPS等其他數(shù)據(jù)分析周邊是否有車輛繞行、慢行來尋找空余停車場或路邊車位的情況，在相關(guān)路段完善交通標志標線指引及停車誘導等信息化設(shè)施，科學引導車輛選擇合適的地點合理停放；二是可以獲知交通區(qū)域路網(wǎng)中的停車需求，在重要路口、路段中經(jīng)常有車輛出入的地點，可考慮增派必要的警力到現(xiàn)場指揮，解決停車場入口車輛等待進場排隊長度過長的問題；三是可以獲知車輛單次出行的完整信息，其停車信息等可供交通、公安交警部門進行車輛搜捕、緝查布控提供定位信息情報、車輛軌跡信息情報等；四是可以獲知常用的停車信息，可開發(fā)相應移動互聯(lián)App產(chǎn)品，為車主提供實時動態(tài)的停車位置信息指引，科學引導車輛停放。

參考文獻

[1]王波. 面向?qū)嵤┑墓餐＼噲鲇玫匾?guī)劃方法研究——以廣州為例[J]. 城市規(guī)劃， 2020（8）： 107-111.

[2]杜剛誠， 楊銳爍， 張海霞. 廣州市老城區(qū)停車困境及治理策略[J]. 城市交通， 2023（4）： 9-16.

[3]馬榮葉， 劉曉華， 劉四奎， 等. 一種基于OD矩陣的停車需求預測方法： CN105489056A[P]. 2016-4-13.

[4]劉曼， 黃經(jīng)南， 王國恩. 基于需求導向的城市公共停車場規(guī)劃方法探討[J]. 規(guī)劃師， 2017（10）： 101-106.

[5]余志， 廖瓊?cè)A， 何兆成. 基于車輛身份感知數(shù)據(jù)的路段軌跡重構(gòu)方法研究[J]. 交通運輸系統(tǒng)工程與信息， 2019（4）： 87-93.

[6]鄒兵， 余志， 何兆成， 等. 基于車輛身份檢測數(shù)據(jù)的城市道路使用特征[J]. 中山大學學報（自然科學版）（中英文）， 2022（3）： 132-139.

收稿日期：2023-10-16

作者簡介：沙志仁（1984—），男，工學博士，工程師，研究方向：智能交通系統(tǒng)。

基金項目：廣州市南沙區(qū)重點領(lǐng)域科技項目“基于元場景生成的云車協(xié)控增強技術(shù)與開放實驗平臺”（2022ZD014）。