基于车载OBD数据的小汽车出行特征分析——以北京市为例

郭继孚，孙建平，温慧敏，赵 祥，雷方舒

(1.北京交通大学，北京100044；2.北京交通发展研究院，城市交通运行仿真与决策支持北京市重点实验室，城市交通北京市国际科技合作基地，北京100073)

基于车载OBD数据的小汽车出行特征分析
——以北京市为例

郭继孚1,2，孙建平1,2，温慧敏2，赵 祥2，雷方舒2

(1.北京交通大学，北京100044；2.北京交通发展研究院，城市交通运行仿真与决策支持北京市重点实验室，城市交通北京市国际科技合作基地，北京100073)

小汽车出行特征是城市道路网运行的重要影响因素之一。采集小汽车出行数据并深入分析其出行行为特征，是引导小汽车出行方式转变、降低机动车使用强度的重要条件，能够为交通精细化管理和政策制定提供支持。基于车载OBD可采集到的小汽车出行数据和轨迹数据，提出小汽车出行特征分析方法，得到出车率、出行次数、出行距离等量化指标，分析不同阶段、不同区域、不同政策下的出行指标变化特征。利用大数据分析方法对出行规律深层挖掘，进一步获得用户画像、路网非直线系数等交通特征。分析结果表明，车载OBD数据能够较好地反映小汽车出行行为特征，并对交通需求管理政策的实施效果做出定量评价。

交通管理；小汽车出行；出行特征；OBD数据；用户画像；出行轨迹

0 引言

近年来中国机动车保有量不断增加，城市交通拥堵形势严峻。降低机动车使用强度、提升绿色交通出行比例，成为中国大城市交通发展战略选择的重要方向。发掘交通参与者的出行规律，谋求解决交通病的良策成为当务之急。随着大数据时代的到来，交通大数据井喷式涌现，使得交通的特征和问题越来越明晰和可视化，如基于手机信令数据对城市职住空间关系进行分析[1]和对流动人口出行特性进行研究[2]；基于IC卡数据获得居民公共交通出行信息[3]，对公共交通客流进行预测[4]；基于浮动车数据对交通运行情况实时监控，提前预测交通拥堵易发区域[5]。近来共享交通给传统交通行业服务模式带来变革的同时，所产生的海量出行数据也有助于更为精细地刻画出行特征。

虽然在道路运行、公共汽车和出租汽车等营运车辆、居民出行等方面已经积累了大量的交通数据以及研究成果，但反映对道路拥堵影响最大的小汽车出行行为的数据采集和分析仍显不足。大量的私人小汽车运行在道路网中，由于对其出行规律和使用特点缺乏掌握，缺少对城市交通宏观变化的跟踪，难以对降低机动车使用强度综合施策提供支持。目前，小汽车出行特征的研究主要是基于传统的居民出行调查，对小汽车的出行特性[6]、出行规律[7]、影响因素[8-10]等进行研究，调查的数据量、信息完整度、动态时效性具有一定的局限，无法深入、准确地把握小汽车的出行特征。因此，交通决策者针对小汽车出行采取的需求管理政策、油价变动、公共交通票价调整以及网约车和共享单车等因素对小汽车出行行为的影响，至今尚没有较好的数据和方法进行定量分析。本文采用基于车载诊断系统(On-Board Diagnostic,OBD)的小汽车出行行为数据(智驾数据)，以北京市2016年数据为例，研究小汽车出行规律，为小汽车使用的合理引导和管控措施制订提供有力支撑。

1.1 数据采集

小汽车出行数据主要通过安装在车上的“智驾盒子”获得。基于车载OBD数据的智驾盒子是一种能够实时采集车辆运行路径、速度、油耗、驾驶行为和发动机运行参数的控制器局域网络(Controller Area Network,CAN)总线设备(见图1)，除了能够提醒驾驶人改善驾驶行为，实现节油、减排、安全之外，还能够详细、无间断地记录车辆和驾驶人的各种数据，成为交通数据云最重要的一部分。

选取一定比例的社会小汽车安装智驾盒子，并以1~10 s的间隔进行能耗及位置数据回传。智驾盒子由CAN总线数据读取、卫星定位和无线通信三个功能模块组成，并通过用户匿名化处理协议进行隐私保护。智驾数据主要包括四大类：驾驶数据、车况数据、出行数据、安防数据。

1）驾驶数据。

分为驾驶行为数据和实时能耗数据。前者包括急加速、减速次数，超速情况等，分析驾驶人发生不良驾驶行为的时间、位置等信息；后者包括采集时间、瞬时油耗等，实时采集小汽车能耗情况，分析其排放贡献。

2）车况数据。

主要包括电子控制单元(Electronic Control Unit,ECU)故障码及描述、电瓶电压、燃油修正值、发动机负荷等车辆基础情况，实时监测小汽车各个重要部件的安全隐患，及时发现车况异常，确保驾驶人行车安全。

3）出行数据。

分为行程数据和位置数据。前者包括点火和熄火时间数据、行驶里程、车速分布等，分析小汽车出车情况、出行时间和距离、通勤情况等；后者包括定位时间、经纬度、方向等，结合行程数据可分析驾驶人日常出行习惯、通勤情况、职住位置等。

4）安防数据。

分为提醒数据和通知数据。提醒数据包括异常提醒、水温提醒、故障提醒、碰撞提醒等，及时提醒车辆异常情况的发生，避免出现事故，提高出行效率。

图1 智驾盒子功能Fig.1 Functionalities of smart driving boxes

1.2 数据处理流程

小汽车出行数据处理主要包括数据获取、基础数据处理、出行特征分析、出行规律深层挖掘和分析结果应用五个层次(见图2)。

1）数据获取。

获取经过脱敏处理的智驾数据，进行解析和清洗。

2）基础数据处理。

以车辆点火记录时间为开始、熄火记录时间为结束记作一条trip，每条trip信息包含点火和熄火时的时间、位置、距离、车辆唯一编码，以及整条trip内的出行轨迹，即每秒时间点的经纬度信息等字段。

图2 小汽车出行数据处理流程Fig.2 Procedure for handling car travel data

图3 2016年月均出车率与月均高峰时段交通指数对比Fig.3 Monthly average car usage rate in 2016 and monthly average traffic indicator during peak hours in 2016

3）出行特征分析。

按照车辆唯一编码，寻找小汽车每条trip发生的时间先后顺序，确定小汽车每天的出行轨迹。将trip信息中的OD点匹配到地图兴趣点POI上，将出行轨迹点匹配到路网上，经过数据分析即可得到小汽车出行特征的量化指标。

4）出行规律深层挖掘。

通过将trip信息匹配到路网中，得到小汽车每日出行情况。设置算法识别出行目的，按照出行目的对trip进行筛选，结合目的地出现的频率或规律，可推测用户所属类群。根据车辆每日出行的实际距离和OD点的直线距离，推算出线路的非直线系数。

5）分析结果应用。

2014年北京市第五次城市交通综合调查(以下简称“大调查”)显示[11]，六环内不含步行的出行方式构成中小汽车出行比例为32.1%，中心城内这一比例为31.5%，均达到近1/3的比例。因而，准确把握小汽车出行特征、挖掘内在出行规律，对疏解交通拥堵具有重要作用。

2.1 出车率变化特征

1）出车率的概念。

出车率指有出行行为的车辆数占车辆总数的比例。通过智驾数据获得出车率指标，可以反映路网运行水平和私人小汽车出行情况。

2）出车率与交通拥堵的关系。

交通指数能够直观地反映和评价道路交通拥堵情况，在中国多个城市得到推广和应用。对比北京市2016年月均出车率和交通指数(见图3)，2月因春节放假影响，出车率较低，交通指数处于较低水平；7—8月暑假期间，出车率和交通指数均降低；9月各学校陆续开学，受中秋节和国庆节前叠加影响，交通指数和出车率均处于最高水平。可以看出，出车率和交通指数具有相似变化趋势，表明小汽车出行行为与交通拥堵具有较强的相关性。

3）交通政策对出车率的影响。

为缓解交通压力，2008年10月北京市实施工作日两个尾号限行政策，2015年起实行特殊天气单双号限行。分析2016年12月日均出车率情况(见图4)，工作日(每周少开一天车)平均出车率为60%(去除每周少开一天车影响后可折算为75%)，单双号限行期间，全网出车率下降至40%，取得了明显效果，但也略高于按照75%的一半计算的出车率37.5%，说明单双号限行之后在一定程度上增加了非限行车辆的使用。

4）出车率区域特征

按行政区分析小汽车出车率(见图5)，总体来看，远郊区出车率较高。西城区出车率最低为51.3%，千人小汽车保有量最高为232辆·千人-1；东城区次之，出车率为50.9%，千人小汽车保有量为231辆·千人-1。由于较为发达的公共交通网络和停车难等因素影响，东城、西城区出车率虽处于较低水平，但较高的千人小汽车保有量以及人口密度导致小汽车出车量处于较高水平，因而中心城区道路网较为拥堵。

对评价指标进行赋权，该项目采用TOPSIS(Technique for Order Preference by Similarity to an Ideal Solution)方法，结合专家以实数形式给出的部分权重信息，遵循悲观准则，基于理想点已知部分的属性权重信息构建城市灾害综合风险评估模型[11]。

分环路分析小汽车出车率情况(见图6)。由五环外至二环内，全目的私人小汽车出车率逐渐降低，五环外出车率为71.5%，二环内出车率为52.0%，表明城市外围区域对小汽车依赖程度较高，城区内公共交通发达，对小汽车依赖程度较低。

将智驾数据分析得到的小汽车出车率与大调查结果进行对比。2014年六环内工作日小汽车出车率为62%，2016年12月基于智驾数据计算得到的日均出车率为60%，基本处于同一水平，说明智驾数据对小汽车出行特征的分析具有一定代表性。

2.2 小汽车出行次数

小汽车出行次数是反映小汽车出行强度的指标之一，也是小汽车使用可控程度的重要体现。分析2016年2月春节期间北京市样本小汽车日均出行次数(见图7)：非假日车辆日均出行次数相对稳定为4.8次·d-1，春节前一周(2月1—6日)小汽车日均出行次数持续增多，达到5.3次·d-1，节前一天(腊月二十八)达到峰值为5.76次·d-1；春节期间小汽车日均出行次数略有降低，平均为4.7次·d-1，2月8日(正月初一)达到低谷4.42次·d-1。

图4 2016年12月单双号限行对出车率的影响Fig.4 Impact of restriction by even and odd license plate numbers on car usage rate in December 2016

图5 不同行政区的出车率及千人小汽车保有量Fig.5 Car usage rate and car ownership per 1,000 people at different administrative regions

图6 分环路出车率Fig.6 Car usage rate on different ring roads

2.3 小汽车出行距离

小汽车出行距离增加会带来出行周转量增加、路网负荷增加。不同的节假日和限行政策下，小汽车出行距离表现出不同特征。

图8 2016年10月节假日对小汽车日次均出行距离的影响Fig.8 Impact of holidays on daily average travel distance by car in October 2016

图9 2016年12月限行对小汽车日次均出行距离的影响Fig.9 Impact of automobile restriction on daily average travel distance by car in December 2016

图10 分环路日次均出行距离Fig.10 Daily average travel distance on different ring roads

图11 某上班族通勤路径Fig.11 Acommuting routing example

北京市小汽车日次均出行距离为11.4 km，对比节假日小汽车出行距离变化(见图8)可以看出，节假日出行距离明显增长，国庆期间平均出行距离为12.4 km。星期一至星期日日次均出行距离呈现逐步增长的周期性特征。

由图9可以看出，单双号限行政策实施期间，小汽车日次均出行距离明显增长，平均出行距离为12.6 km，相比日常增加1.2 km。结合图4，单双号限行期间，小汽车日均出车率明显降低，而日次均出行距离却显著升高。

各环路间日次均出行距离如图10所示，通勤出行距离整体高于全目的出行距离，且越远离中心城区通勤距离越长，五环外通勤出行距离最长为13.7 km，给中心城区道路网带来巨大压力。

除了直接计算小汽车出行特性指标外，通过对智驾数据深层次地挖掘分析，可获得驾驶人特征、路网使用情况等交通特征。

3.1 小汽车用户画像

根据小汽车用户的出行次数、出行距离、出行时间、出行目的地等信息提取，可推测用户是上班族、加班族、接送孩子、专车驾驶员等不同的用户类型。

1）案例一：上班族。

上班族有规律的居住地和工作地，每天规律出行。如图11所示，该驾驶人高峰时段出行频繁往返于广安门内和酒仙桥之间，居住地与工作地间出行占出行总量的60%，具有明显通勤特征，可判断该驾驶人为上班族。

筛选出全体上班族出行特征参数(见图12)，上班族全天出发时间分布比例整体趋势与全类型相吻合，但上班族出行早晚高峰更为集中，早高峰出行出发时间早30 min。

2）案例二：专车驾驶员。

跟踪驾驶人出行轨迹(见图13)，未发现明显的通勤出行规律。将个人用户与路网小汽车平均出行特征指标进行对比，结果显示，路网日均出行距离为59.8 km，个人用户日均为142.4 km，是路网平均值的2.4倍；路网日均出行次数为4.5次，个人用户日均为8.2次，是路网平均值的1.8倍；路网日均出行时耗为122.3 min，个人用户日均为353 min，是路网平均值的2.9倍。个人用户各出行特征参数均显著高于路网平均值，结合出行轨迹判断，推测该驾驶人为专车驾驶员。

筛查出全体专车的出行特征数据，通过与全类型车辆对比(见图14)，专车车辆出车率更高，日间(8:00—20:00)在途车辆比例高于全体平均水平13%。

3.2 非直线系数

非直线系数是指出行路径OD点之间实际行驶距离与空间直线距离之比。北京市的路网类型主要为棋盘式，实际道路由于缺乏轴向快速路和环路联络线，且局部路网不完善，导致绕行距离大大增加，目前北京市路网平均非直线系数(含跨行政区)为1.68，存在绕行较远情况。

不同行政区内出行的非直线系数见图15，其中行政区内出行指出行轨迹全部在该行政区的出行。整体来看，城六区和门头沟区非直线系数较高，其中朝阳区非直线系数最大为1.70，东城区、海淀区、石景山区、门头沟区次之，均为1.68，延庆县最低为1.45。

计算北京市各区县之间非直线系数，分别列举系数最小和最大的前八位(见图16)。以平谷区为起终点的出行绕行较小，其中非直线系数最小的出行是平谷到顺义为1.24；东西城区出行绕行较远，非直线系数最大为2.01。

4 结语

车载OBD数据能够较好地反映小汽车出行全过程的行为特征，填补小汽车出行行为动态跟踪的空白。本文利用北京市2016年智驾数据进行分析，论述了基于车载OBD数据的小汽车整体出行特征指标分析方法，对交通政策的实施效果进行定量评价。此外，作为小汽车出行大数据，通过数据的深入挖掘，可获得更深层次的出行信息，包括精准刻画用户画像、识别用户类型、描绘出行轨迹、评价路网结构、实时监控路网停车分布需求等方面。不仅如此，车载OBD数据还能实时监测评估机动车排放情况，分析驾驶人行为特征。今后还将与其他交通大数据进行融合分析，挖掘更多的出行特征以及对交通运行的影响，深度分析拥堵原因，为小汽车出行精细化管理和政策制定提供支持。

图12 上班族全天出发时间分布比例Fig.12 Distribution of departure time of commuters

图13 某驾驶人一日出行轨迹Fig.13 Travel routing of a driver in one day

图14 专车驾驶员群体出行特征Fig.14 Travel characteristics of drivers of special car reservation

图15 北京市行政区内出行非直线系数Fig.15 Nonlinear coefficients of travel within the administrative districts of Beijing

图16 各区县间出行非直线系数最小和最大前八位Fig.16 Top eight counties and districts with minimum and maximum travel nonlinear coefficients

[1]张天然.基于手机信令数据的上海市域职住空间分析[J].城市交通，2016，14(1)：15-23.Zhang Tianran.Job-Housing Spatial Distribution Analysis in Shanghai Metropolitan Area Based on Cellular Signaling Data[J].Urban Transport of China,2016,14(1):15-23.

[2]马春景.基于手机信令数据的流动人口出行特性分析方法研究[D].南京：东南大学，2016.Ma Chunjing.Study on Methods of Analyzing the Floating Population Trip Characteristics Based on Phone Signaling Data[D].Nanjing:Southeast University,2016.

[3]徐文远，邓春瑶，刘宝义.基于公交IC卡数据的公交客流统计方法[J].中国公路学报，2013，26(5):158-163.Xu Wenyuan,Deng Chunyao,Liu Baoyi.Approach on Public Traffic Passenger Flow Statistics Based on IC Data[J].China Journal of Highway&Transport,2013,26(5):158-163.

[4]左快乐.基于IC卡数据的不同时间层次公交客流预测方法与应用研究[D].南京：东南大学，2016.Zuo Kuaile.Research on Passenger Flow Forecasting Method and Application in Different Level of Time Based on IC Smart Card Data[D].Nanjing:Southeast University,2016.

[5]吴佩莉，刘奎恩，郝身刚，等.基于浮动车数据的快速交通拥堵监控[J].计算机研究与发展，2014，51(1)：189-198.Wu Peili,Liu Kuien,Hao Shengang,et al.Rapid Traffic Congestion Monitoring Based on Floating Car Data[J].Journal of Computer Research and Development,2014,51(1):189-198.

[6]万霞，陈峻，王炜.我国组团式城市小汽车出行特性研究[J].城市规划学刊，2007(3)：86-89.Wan Xia,Chen Jun,Wang Wei.Analysis the Car Trip Characteristics of Clustered City[J].Urban Planning Forum,2007(3):86-89.

[7]高峰，郭彦云，陈金川.基于出行链方式的私人小汽车出行属性分析方法研究[J].交通运输系统工程与信息，2011，11(S1)：132-139.Gao Feng,Guo Yanyun,Chen Jinchuan.Study on the Travel Attributes of Private Cars on the Basis of Home-Based Trip Chains[J].Journal of Transportation Systems Engineering&Information Technology,2011,11(S1):132-139.

[8]刘明君，郭继孚，高利平，等.私人小汽车出行行为特征分析与建模[J].吉林大学学报(工学版)，2009，39(S2)：25-30.Liu Mingjun,Guo Jifu,Gao Liping,et al.Analysis and Modeling of Private Car Usage through Travel Behavior[J].Journal of Jilin University(Engineering and Technology Edition),2009,39(S2):25-30.

[9]武文，帅斌，殷焕焕，等.基于BL模型的居民小汽车出行行为研究[J].交通运输工程与信息学报，2012(3)：71-75.Wu Wen,Shuai Bin,Yin Huanhuan,et al.Study of Travel Behavior by Car Based on BL Model[J].Journal of Transportation Engineering&Information,2012(3):71-75.

[10]文萍，赵鹏军.北京旧城小汽车出行研究及综合规划框架[J].国际城市规划，2014，29(2):52-58.Wen Ping,Zhao Pengjun.Car Use in the Historic City Centre of Beijing:An Empirical Analysis and Integrated Planning Proposal[J].Urban Planning International,2014,29(2):52-58.

[11]北京交通发展研究院.第五次北京城市交通综合调查总报告[R].北京：北京交通发展研究院，2016.

Characteristics of Travel by Car Based on OBD Data:A Case Study in Beijing

Guo Jifu1,2,Sun Jianping1,2,Wen Huimin2,Zhao Xiang2,Lei Fangshu2
(1.Beijing Jiaotong University,Beijing 100044,China;2.Beijing Transport Institute,Beijing Key Laboratory of Urban Traffic Operation Simulation and Decision Support,Beijing International Science and Technology Cooperation Base of Urban Traffic,Beijing 100073,China)

The characteristics of travel by car significantly affect the operation of urban roadway network.Analyzing the characteristics of travel by car with the collected data is critical for developing the strategies that aim to change car travel behavior and reduce the usage of motor vehicles.It can also provide support for adequate traffic management and the policy making.Based on the cars’travel and routing information collected by on vehicle-borne(OBD),this paper proposes a methodology for the car travel characteristics analysis.The paper discusses several indicators such as car usage rate,travel frequency and distance,as well as the characteristics of changes in travel indicators in different time,at different regions and under different policies.By exploring travel characteristics thoroughly using big data,the paper further obtains the user profile and nonlinear coefficient of roadway network.The result shows that the OBD data can effectively reflect the characteristics of car travel and can quantitatively assess the performance of travel demand management policies.

traffic management;car travel;travel characteristics;OBD data;user profile;travel routing

1672-5328（2017）05-0070-08

U491

A

10.13813/j.cn11-5141/u.2017.0511

2017-08-15

科技北京百名领军人才培养工程“交通数据挖掘团队”(Z161100004916021)、北京市科技计划项目“基于伪码信令数据的京津冀出行分析关键技术和系统”(Z161100005116006)、北京市科技计划项目“北京市路况信息融合与统一发布示范平台”(Z161100001116094)

郭继孚(1966—)，男，河北丰宁人，博士，教授级高级工程师，北京交通大学兼职教授，北京交通发展研究院院长。主要研究方向：交通规划、智能交通。E-mail:guojf@bjtrc.org.cn