摘要 為應對ETC行業(yè)從發(fā)展階段向運營階段轉變的需求，精準挖掘潛在客戶的價值，文章采用關聯(lián)分析和聚類分析等數(shù)據(jù)分析方法，基于ETC用戶基礎數(shù)據(jù)，對用戶群體進行了多方面的特征及閾值分析，并構建了轎車通勤群體和轎車旅游群體的劃分方法流程體系。研究結果表明，所采用的分析方法能夠準確挖掘轎車通勤和旅游群體的潛力和價值，為ETC企業(yè)的業(yè)務拓展提供理論支持，同時也為其他行業(yè)的精細化運營提供了參考。文章對轎車通勤群體和轎車旅游群體進行了詳細分析，驗證了劃分方法的有效性，為提高ETC企業(yè)的市場競爭力和客戶滿意度提供了理論依據(jù)，有助于該行業(yè)的可持續(xù)發(fā)展。

關鍵詞 ETC數(shù)據(jù)；轎車通勤群體；轎車旅游群體；群體劃分方法

中圖分類號 U293 文獻標識碼 A 文章編號 2096-8949（2024）17-0028-05

0 引言

隨著數(shù)字和信息技術的飛速發(fā)展，大數(shù)據(jù)技術在眾多領域中成為研究熱點，其中包括智慧交通[1]。ETC是全球最大的電子收費系統(tǒng)之一，擁有豐富的車輛行駛信息。在國外，ETC技術已非常成熟，如美國的E-Zpass、葡萄牙的ViaVarde和意大利的Telepass等。在亞洲，日本政府從2000年開始推廣ETC系統(tǒng)，在名古屋和大阪等地建立了首批收費站[2]。自二十世紀進入我國以來，ETC系統(tǒng)逐步融入我國高速交通系統(tǒng)，近年來得到了廣泛應用，提高了高速公路收費效率，降低了收費難度。我國ETC聯(lián)網(wǎng)系統(tǒng)已成為全球里程最長、站點最多、客戶規(guī)模和交易增長最快的高速公路智能化收費系統(tǒng)。目前，ETC已進入后期階段，全國各地均在積極推廣應用。截至2018年年底，全國聯(lián)網(wǎng)收費站達9 322個，覆蓋率達98.9%等[3]。截至2021年，ETC已發(fā)行用戶1.23億，總數(shù)達2.04億。交通運輸部也在2021年2月發(fā)布通知，重慶等27個城市將作為ETC智慧停車城市建設試點城市。重慶將率先進行“ETC+車生活服務”主題試點。截至2022年年底，全市民用車輛擁有量890.52萬輛，民用轎車擁有量289.70萬輛，民用轎車占民用車輛的32.53%，由此可見轎車出行在人們出行方式中的占比非常高。而轎車通勤和旅游群體是現(xiàn)代社會兩個重要的交通出行類別，它們的行駛特征和消費行為不同，對出行方式的依賴程度也有所差異。而隨著ETC系統(tǒng)的不斷發(fā)展和普及，更多的ETC用戶信息被積累并儲存，為轎車通勤和旅游群體的劃分提供了新的研究途徑和空間。制定合理、準確的劃分方法，對ETC業(yè)務的拓展和市場份額的提升具有重要意義。

國內外許多學者基于大量的ETC數(shù)據(jù)開展了一系列的研究。Klodzinski J等[4]通過建立模型對高速公路的通行效率進行了評價；王旭[5]用模糊綜合評價分析ETC全國聯(lián)網(wǎng)數(shù)據(jù)對高速公路運營產生的影響；馬春平[6]針對ETC運營數(shù)據(jù)與大數(shù)據(jù)相結合的商業(yè)模式進行了調研與分析，通過大量研究表明了基于ETC數(shù)據(jù)開展高速公路ETC業(yè)務的可行性，同時對比于其他數(shù)據(jù)，ETC的數(shù)據(jù)覆蓋面更加廣泛，能夠全面地反映全國高速轎車的運營水平。在用戶出行特征方面，針對軌跡數(shù)據(jù)的分割技術和車輛行為分析，Sini Guo等[7]提出了一種高效的數(shù)據(jù)值算法；Zun Wang等[8]使用GPS數(shù)據(jù)中瞬時速度分布的變化系數(shù)衡量行程時間的可靠性，并提出了旅行時間可靠性與道路密度的模型；國內學者董宏輝等[9]則利用GPS數(shù)據(jù)開發(fā)了兩種轉換點的識別方法，并將其應用于四種識別算法中，結果表明采用SVM能夠取得最好的結果；徐海玲等[10]提出了用戶自然屬性、用戶行為特征和用戶需求偏好的用戶標簽體系；楊雙亮[11]提出了原始數(shù)據(jù)層、事實數(shù)據(jù)層、特征偏好層以及模型預測層的用戶畫像模型。

該文旨在基于ETC用戶基礎數(shù)據(jù)，通過大數(shù)據(jù)技術和數(shù)據(jù)分析方法，探究轎車通勤和旅游群體的劃分方法，并深入揭示不同群體的特征和需求，為ETC業(yè)務拓展和智慧出行建設提供理論支持。通過關聯(lián)分析和聚類分析等數(shù)據(jù)分析方法，該文將精確地揭示ETC潛在客戶的市場空間，為推進ETC業(yè)務的管理和實踐提供重要的實用價值。

1 轎車群體劃分方法

通過對重慶高速ETC系統(tǒng)數(shù)據(jù)庫中多源異構的數(shù)據(jù)類型、格式和質量的梳理，包括對收費站過車數(shù)據(jù)、用戶數(shù)據(jù)、車輛信息、交易數(shù)據(jù)、門架數(shù)據(jù)、用戶操作日志、會員數(shù)據(jù)等進行了詳細說明。接著進行數(shù)據(jù)清洗處理，主要用于檢查數(shù)據(jù)的一致性，處理無效值和缺失值，替換、修改或刪除不合格數(shù)據(jù)，方便后續(xù)數(shù)據(jù)關聯(lián)和整個數(shù)據(jù)的挖掘過程，將對后續(xù)關鍵特征分析產生重要影響。該文采用關聯(lián)規(guī)則，結合業(yè)務實戰(zhàn)需要對現(xiàn)階段接入的多源異構數(shù)據(jù)表進行定制化數(shù)據(jù)的關聯(lián)融合處理，構建轎車通勤群體的數(shù)據(jù)關聯(lián)表。

ETC數(shù)據(jù)關聯(lián)處理是決定ETC企業(yè)是否成功的重要因素之一。通過關聯(lián)規(guī)則對不同信息的數(shù)據(jù)表進行關聯(lián)，可以發(fā)現(xiàn)不同數(shù)據(jù)表之間的關系。數(shù)據(jù)關聯(lián)主要是通過這種方法實現(xiàn)。ETC企業(yè)所接入的各種數(shù)據(jù)，包括ETC通行數(shù)據(jù)、結算中心數(shù)據(jù)、移動支付數(shù)據(jù)、用戶信息和車架數(shù)據(jù)、站名編碼映射表等多源異構數(shù)據(jù)表，需要通過定制化數(shù)據(jù)的關聯(lián)融合處理進行數(shù)據(jù)關聯(lián)。這些數(shù)據(jù)不僅可以幫助企業(yè)挖掘出不同用戶群體的特征和需求，還為ETC企業(yè)推送定制化服務信息，以提升用戶服務水平，為提高市場競爭力和客戶滿意度打好基礎。

定制化數(shù)據(jù)關聯(lián)表主要包括轎車群體數(shù)據(jù)關聯(lián)表、客車群體數(shù)據(jù)關聯(lián)表、貨車群體數(shù)據(jù)關聯(lián)表和消費數(shù)據(jù)關聯(lián)表。這些數(shù)據(jù)關聯(lián)表包含了ETC企業(yè)業(yè)務所需的關鍵特征，可以幫助企業(yè)深入了解用戶的需求和偏好。ETC企業(yè)可以利用這些數(shù)據(jù)關聯(lián)表將ETC用戶與其對應的車輛關聯(lián)在一起，為每個用戶提供有針對性的產品和服務。

1.1 轎車通勤群體劃分方法

1.1.1 群體刻畫指標

經過數(shù)據(jù)清洗、關聯(lián)，在數(shù)據(jù)關聯(lián)匯總表的基礎上，提取轎車通勤群體識別指標，針對各指標制定分類標準，并以3個月的數(shù)據(jù)作為識別模型樣本容量開展群體的識別與分類工作。

考慮通勤行為的特點，梳理出轎車通勤群體的刻畫指標，主要包括：車輛類型識別號、用戶類型識別號、月出行頻次、通行時間、入口/出口站名（OD分布）。

（1）車輛類型識別號

車輛類型識別號對應關聯(lián)匯總表中的“veh_cust_class”字段，該字段僅包含數(shù)字1與數(shù)字2。數(shù)字1表示該車為客車，而數(shù)字2表示該車為非客車。

（2）用戶類型識別號

用戶類型識別號對應關聯(lián)匯總表中的“usertype”字段，該字段僅包含數(shù)字1與數(shù)字2。數(shù)字1表示為個人用戶，而數(shù)字2表示為單位用戶。

（3）月出行頻次

月出行頻次是指車輛單月內在高速路網(wǎng)上的通行天數(shù)。該次研究統(tǒng)計所有車輛的月出行頻次，即先利用“platenum”和“entime”獲取車輛每天出現(xiàn)的次數(shù)，然后通過“entime”對“platenum”計次，最終得到車輛的月出現(xiàn)頻次。其中“platenum”表示車輛車牌，“entime”表示車輛進入高速路網(wǎng)的時刻，并基于車輛的月出行頻次對通勤群體進行初步篩選。

（4）通行時間

該次研究將篩選通行時間在工作日的早晚高峰（早上6：30～9：00，晚上17：00～19：30）時段的車輛，且車輛在非工作日無此規(guī)律。

（5）入口/出口站名（OD分布）

通勤群體在工作日車輛入口/出口站名相對固定。該次研究將對車輛入口/出口站名進行重復性統(tǒng)計。

統(tǒng)計結果顯示，符合條件的車輛月出行天數(shù)主要集中在12～25次之間，轎車在通勤日的出行頻次占比如圖1所示：

通常情況下，一個月有30 d，其中工作日約為22 d，因此通勤者一個月內至少會出行22 d。但不能排除一些特殊情況的存在，因此需要確定通勤行為中出行天數(shù)的閾值，并通過樣本驗證和檢測進行確定。

從1個月的早晚高峰均出現(xiàn)車輛月出行次數(shù)統(tǒng)計圖中可以發(fā)現(xiàn)，出行天數(shù)大多集中在12～25次之間，對每一天數(shù)選取20輛車作為實驗樣本，通過對比起點、終點的重復情況，判斷其中具體通勤行為車輛的占比，最后得到如圖2所示的車輛出行占比統(tǒng)計圖，圖中天數(shù)為16 d時有一個顯著的斷層現(xiàn)象（分界點），從而可以以此作為判斷通勤車輛出行的特征條件之一，即月早晚高峰均出現(xiàn)天數(shù)應大于等于16 d。

1.1.2 群體指標標準構建

經過數(shù)據(jù)清洗和關聯(lián)，并結合前期基礎信息采集得到的通勤標簽性質的收費站點，在數(shù)據(jù)關聯(lián)匯總表的基礎上，依據(jù)轎車通勤群體分類指標，對大量ETC過車數(shù)據(jù)進行了分類篩選，并為所需指標制定了分類標準，具體內容見表1所示。

基于前面梳理的轎車通勤群體分類指標，分別對車輛類型識別號、用戶類型識別號、月出行頻次、通行時間、OD分布等5個指標制定標準，轎車通勤群體分類標準如表1所示：

1.1.3 群體辨識結果

根據(jù)重慶市9月份的數(shù)據(jù)，依照轎車通勤群體用戶的分類指標及劃分方法，共識別出9月份高速ETC轎車通勤車輛的個體數(shù)為2 020輛，通行數(shù)據(jù)共計70 455條。

1.2 轎車旅游群體劃分方法

1.2.1 群體刻畫指標

基于轎車車輛的特征（刻畫指標）對轎車群體進一步細化，同時考慮旅游行為的特點，梳理出轎車旅游群體刻畫指標，主要包括以下內容：（1）車輛品牌：非客車品牌、非貨運品牌；（2）用戶類型：個人；（3）車輛類型：客車；（4）通行時間：主要在周末或節(jié)假日時段；（5）入口/出口站名（OD分布）：主要為帶有旅游景點標簽的站名；（6）通行頻次：歷史上通過單個旅游標簽站點的頻次低；（7）歷史上在周末、節(jié)假日期間通過多個旅游標簽站點、帶有旅游標簽的收費站。劃分流程如圖3所示，統(tǒng)計到重慶市內收費站共331個，其中劃分為帶有旅游標簽的收費站共計63個。

1.2.2 群體指標標準構建

對經過數(shù)據(jù)清洗和關聯(lián)的收費站點進行了進一步分析，結合前期基礎信息采集得出了旅游標簽性質。在此基礎上，提取了轎車旅游群體的識別指標，并為每個指標制定了分類標準。最終，運用這些指標對大量ETC過車數(shù)據(jù)進行分類篩選，具體分類標準如表2所示：

（1）群體分類標準

面對梳理的轎車旅游群體分類指標，分別對車輛類型識別號、用戶類型識別號、是否通過旅游標簽站點、通行時間、通行頻次等5個指標制定標準，通過對以上5個指標進行轎車旅游群體識別，得出旅游群體，具體識別步驟如圖4所示：

1.2.3 群體劃分結果

以重慶市10月份的數(shù)據(jù)作為識別模型的樣本容量，開展群體識別與分類工作，按照轎車旅游群體劃分指標及標準進行篩選，依照分類指標及其對應標準，識別出10月份高速ETC轎車旅游車輛的個體數(shù)為224 833輛。

2 轎車群體驗證

2.1 轎車通勤群體驗證

基于前期所做的大量數(shù)據(jù)分析處理工作，對轎車ETC用戶進行了群體劃分，并對群體相應特征進行了分析。為保障群體劃分的準確性以及特征分析的有效性，需對劃分的用戶群體進行驗證。

隨機挑選該群體車輛，分析其通行規(guī)律，判斷是否屬于轎車通勤群體。以渝C7E**2為例，對其通行頻次以及OD分布進行統(tǒng)計，如表3所示：

通過對其通行特征規(guī)律的觀察分析以及對其OD分布的探究，所選車輛符合轎車通勤群體分類依據(jù)，其通行特征充分體現(xiàn)了轎車通勤群體的運行規(guī)律。基于此，斷定所選車輛歸屬轎車通勤群體，渝C7E**2的OD分布如圖5所示。

2.2 轎車旅途群體驗證

基于前期所做的大量數(shù)據(jù)分析處理工作，對轎車ETC用戶進行了群體劃分，并對群體相應特征進行了分析。為保障群體劃分的準確性以及特征分析的有效性，需對劃分的用戶群體進行驗證。隨機挑選該群體車輛，分析其通行規(guī)律，判斷是否屬于轎車旅游群體。以渝GDG**7為例，對其通行頻次以及OD分布進行統(tǒng)計，如表4所示：

通過對其通行特征規(guī)律的觀察分析以及對其OD分布的探究，所選車輛符合轎車旅游群體分類依據(jù)，其通行特征充分體現(xiàn)轎車旅游群體的運行規(guī)律。基于此，斷定所選車輛歸屬轎車旅游群體，渝GDG**7的 OD分布如圖6所示。

3 總結

基于ETC用戶基礎數(shù)據(jù)，通過關聯(lián)分析、聚類分析等數(shù)據(jù)分析方法，針對ETC用戶群體出行方式、消費行為等多特征及閾值進行轎車通勤用戶畫像的指標體系構建，該方法已經群體驗證，證實了該方法的準確性和有效性?；贓TC數(shù)據(jù)的轎車通勤群體和轎車旅游群體的劃分方法，有助于ETC運營業(yè)務的延伸和拓展，為其提供理論支撐。

參考文獻

[1]曹景揚.ETC用戶精準畫像系統(tǒng)的研究與設計[D].長春：長春工業(yè)大學，2019.

[2]嚴鈺.高速公路收費站車輛尾氣排放預測模型研究[D].南京：東南大學，2018.

[3]夏陸然，高薪.ETC聯(lián)網(wǎng)運營與典型區(qū)域社會經濟關系初探——以“一帶一路”重點區(qū)域京津冀和長三角為例[J].中國交通信息化，2019（12）：42-44.

[4] Klodzinski J， AI-Deek H M.New Methodology for Ddfining Level of Service at Toll Plazes[J]. Journal of Transportation Engineering， 2002（2）： 173-181.

[5]王旭.高速公路電子不停車收費系統(tǒng)效益評價及營銷推廣[D].廣州：華南理工大學，2016.

[6]馬春平.基于全國聯(lián)網(wǎng)ETC運營數(shù)據(jù)的應用研究[D].北京：北京郵電大學，2018：10-45.

[7]Sini Guo， Xiang Li， Wai-Ki Ching， etal.GPS trajectory data segmentation based on probabilistic logic[J]. International Journal of Approximate Reasoning， 2018（12）： 227-247.

[8]Zun Wang， Anne Goodchild， Edward McCormack. A methodology for forecasting freeway travel time reliability using GPS data[J]. Transportation Research Procedia， 2017： 842-852.

[9]董宏輝，孫曉亮，賈利民，等.多模態(tài)的交通流量預測模型[J].吉林大學學報（工學版），2011（3）：645-649.

[10]徐海玲，張海濤，魏明珠，等.社交媒體用戶畫像的構建及資源聚合模型研究[J].圖書情報工作，2019（9）：109-115.

[11]楊雙亮.用戶畫像在內容推送的研究與應用[D].北京：北京工業(yè)大學，2017：8-9.