出租车新运营模式下的LED广告精准投放策略

李 科，党延忠

(大连理工大学系统工程研究所，辽宁 大连 116024)

1 引言

广告，即“广而告之”，它的目的在于引起消费者注意，唤起消费者对商品或服务的需要，潜移默化地引导消费者了解企业的商品或服务，诱发消费者的消费行为从而使广告主获得盈利。出租车作为一个流动的“活的媒体”，它具有流动性大、不受区域限制、受众面广的优势。除此之外，出租车会主动寻找人群密集的区域停留，具有其他任何媒体不具备的“追逐人群”的特点。出租车以其独有的特点能够使广告得到很好的推广，是广告信息传播的绝好载体，深受广告主的青睐。出租车LED广告是一种以出租车LED显示屏为传播媒介的广告，基于车载信息服务技术的出租车GPS服务系统运用文字、图片、动画和视频等形式进行传播，是出租车广告的主要形式。出租车LED广告的推广应用与其投放策略有着极其重要的关系。

出租车传统的运营模式以单班制和双班制为主，乘客通过“招手即停”的方式叫车。传统的“马路扬招”打车方式主要由乘客决定出租车行驶的目的地，筛选乘客的余地受乘客影响极大。出租车司机基本是被动地接受“扬招”，如果司机对“扬招”者不予理睬，很可能被投诉“拒载”而遭到处罚。同时，出租车司机“扫马路”式的寻客行为具有随机性与不确定性。在这种传统的运营模式下，出租车司机的行为被出行者行为影响非常大，不同的司机很难有差异化行为。因此，出租车LED广告投放时间不灵活，投放内容单一和投放区域不精细。由于不分车辆、不分广告内容，因此难以针对目标群体进行品牌宣传和满足目标群体的差异化需求。同时，还很难估计发布广告的出租车数量。这使广告主承担着不必要的广告费用，难于达到广告主的预期效果。因此，亟需广告投放的精准策略来提升广告效果。

当前，在“互联网+”时代下，“互联网+交通”依托互联网信息技术实现互联网与传统出租汽车服务行业的深入融合，已从抽象概念变成触手可及的生活体验。利用线上线下O2O的运营模式，乘客线上预约叫车，司机线下服务，打车软件成功建立乘客与司机的“供需”关系，有效降低出租车的空驶率和解决乘客打车难的问题，满足乘客便捷出行和人性服务的需求。与此同时，出租车司机的寻客方式也在逐渐改变。司机可以借助打车软件浏览乘客呼叫订单信息并进行有选择地接单，打车软件给出租车司机赋予了灵活的选择权和主动权，不再担心“拒载”而遭到处罚。出租车司机可以按照自己的意愿和偏好来选择服务的时间、区域和人群。由此看来，打车软件正在潜移默化地改变着人们的出行方式，影响着出租车司机的决策行为[1]，深刻地变革着出租车行业的运营模式[2]。乘客乘坐出租车时的叫车方式已经由“扬招”、“电招”走进“网招”新时代。不仅如此，在新的运营模式下，由于出租车内置了定位设备，在出租车运行时产生了大量GPS轨迹数据，这些数据覆盖范围广，兼有时空特性，既能反应乘客的行为特征也能反映司机的行为特征[3]，为广告的精准投放研究和设计提供了必要条件。

广告精准投放利用相关技术研究用户的兴趣偏好，通过媒介传播平台，选择目标群体和区域，运用文字、图片或视频等方式，将用户感兴趣的广告信息或产品精准地投放给用户[4]。相对于传统的投放策略，它不仅考虑了目标用户之间的差异性，为用户提供个性化的服务，还能提高广告的精准度和命中率，是未来广告行业发展的主流趋势。

研究广告的精准投放不仅可以满足目标群体的信息需求，还能够为企业创造更多的收益利润。对于广告精准投放的研究，国外开展的比较早。Wang等[5]的研究成果表明投放用户感兴趣的广告可以增强用户体验进而有助于提高广告投放效果。Grossman和Shapiro[6]研究表明广告信息增强了产品和消费者的有效匹配，增加了产品的需求弹性。当企业将信息定向投放于特定消费群体时，企业能够有效地降低广告成本。Chatterjee等[7]的研究认为广告精确化和个性化越强投放效果就越明显。Athey和Ellison[8]认为向消费者投放定向广告有助于实现产品和潜在消费者的有效匹配，从而提升广告的社会价值。国内相关的研究虽然起步较晚，但也取得了一些成果，如邓瑛[9]认为精准广告是以个体为单位的受众需求为中心，将精准的广告信息，通过合适的渠道，在恰当的时间和地点，传达给有需求的受众。鞠宏磊等[10]则提出精准广告是针对消费者个性化特征和需求而推送具有高度相关性商业信息的传播与沟通方式。倪宁和金韶[11]认为实现精准广告要做到目标受众精准定位、消费需求深度挖掘、投放过程精准可控。对于广告的精准投放，目前主要集中在互联网领域。Ha等[12]就以用户的社交网络信息构建用户特征，结合用户对商品的评价，实现对用户个性精准化广告的推荐。Broder等[13]利用改进的算法将网页和广告进行分类，通过计算网页和广告所属类别的相似度和其本身的相似度的加权和得到最终的相似度，有效提高了广告投放的准确率。Lim等[14]提出可先根据已知的用户年龄和性别信息对用户进行分类，结合用户对网络节目类型的观看偏好和观看时间推断用户特征，从而实现对用户个性精准化投放广告。

综上所述，目前广告的精准投放已经得到广大学者的重视，同时在互联网领域当中得到行之有效的实现，但是缺少对出租车LED广告精准投放的研究。究其原因可能是学者很少意识到出租车运营模式的变革以及对司机行为的影响。本文提出了基于出租车轨迹数据的LED广告精准投放的研究思路，结合数据挖掘技术，提取居民出行行为的时空特征和司机的行为特征及偏好，并根据居民出行行为和司机的兴趣偏好，设计了三种广告精准投放策略，即时段定向广告投放策略，空间定向广告投放策略和时空定向广告投放策略。

2 研究思路

出租车LED广告投放过程(见图1)主要涉及四个方面：广告主、广告公司、出租汽车公司和广告受众，他们之间是相辅相成的关系。广告主是广告内容的供应方，为推销商品或服务委托广告公司设计和制作广告。广告公司与出租汽车公司合作，维护所有的广告资源并根据产品定位进行广告投放策略的制定与执行，最终将广告主的商品或服务信息通过出租车LED显示屏展示给受众。广告受众是活跃在城市不同功能区内的人群。人群到达一个功能区是为了参加某种社会活动，而人群离开一个区域代表着某个社会活动的结束，这反映了人们的区域活动是抱有特定的目的和需求的[15]。例如，在火车站、汽车站、机场等交通枢纽区活动的人群往往是以出差旅行为目的。显然，获知司机喜欢去哪些功能区服务乘客这样的信息会有益于出租车LED广告的精准投放。基于此，本研究提出的出租车LED广告精准投放是指广告主针对不同的受众群体发送特定的或相对个性化的广告信息，使得广告能够在合适的时间以较为恰当的方式准确传递给目标区域内的消费群体，实现广告信息和目标受众之间及时有效的信息匹配。

图1 广告投放流程

为了实现本文的研究目的，研究思路如下图2所示。首先对大规模真实有效的出租车轨迹数据进行预处理，包括筛选数据范围，删除重复数据，剔除错误数据和识别载客状态等过程，提取乘客上下车位置数据和空载状态下的轨迹数据。其次，提取居民出行时间特征。对乘客上下车位置数据做统计处理，分析居民出行在时间上的特征和规律，构造差分函数划分居民出行的时间段。随后，提取居民出行空间特征。采用密度峰值聚类算法对上下位置数据进行聚类，把最终的类簇输出到地图上进行匹配，采用人工标识的方法识别区域功能，进而了解居民在不同功能区的分布情况。然后，提取司机行为特征。在居民出行时空分布的基础之上，从工作日和休息日这两个维度出发，计算各个时段下每辆出租车在空载状态下到达各个功能区域的概率，即司机对功能区的偏好度，使用K-均值对司机偏好度进行聚类，进而得出具有不同行为特征的司机群体。最后，针对居民出行行为规律和司机偏好特征提出出租车LED广告精准投放策略，即时段定向广告投放策略，空间定向广告投放策略和时空定向广告投放策略。本文中所指的“居民”即乘坐出租车出行的乘客。

3 特征提取方法

3.1 居民出行行为时间特征提取方法

居民出行时间分布反映了居民出行在时间上的特征和规律[16-17]，可以帮助我们了解人们日常出行的高峰和非高峰情况。出租车轨迹数据可以反映居民出行在时间上的分布，具有一定的客观真实性。日常生活中，居民出行时间呈现不规则曲线分布，结合差分函数算法寻找曲线上取得极大值与极小值的位置点对时段进行划分。

设数据集V={vt1，vt2，…，vtn}，其中vti代表一天中第ti(i=1,2，…，n)时刻乘客上/下车位置数据点数量。差分函数Diff(i)为：

Diff(i)=V(ti+1)-V(ti)，i=1,2，…，n

(1)

符号函数Sign(x)为：

(2)

居民出行时段的划分算法可描述为：

步骤1采用公式(1)计算V的一阶差分Diff(i)

步骤 2采用公式(2)对Diff(i)取符号函数运算，记作S=sign(Diff(i))。若S(ti)=0且S(ti+1)≥0，则S(ti)=1；若S(ti)=0且S(ti+1)<0，则S(ti)=-1

步骤3对S进行一阶差分运算，记作R=Diff(S)。若R(ti)=-2，则于ti+1时刻为V的一个极大值位置，对应的极大值为V(ti+1)；若R(ti)=2，则ti+1时刻为V的一个极小值位置，对应的极小值为V(ti+1)。

步骤4依据[ti+1-δ，ti+1+δ]，[ti+1-δ，ti+1]，[ti+1，ti+1+δ]区间划分出时段，其中δ表示常数值，最后得到时段T={T1，T2，…，TJ}。不同城市居民有各自的出行特点，出行时间和时段划分需要根据具体出行情况进行调整。

3.2 居民出行行为空间特征提取方法

城市区域功能是城市区域的重要信息，在一定程度上影响着居民出行，而居民的日常出行活动又与功能区域的分布密切相关。出租车上下车位置数据蕴含了行人移动性和出行目的信息，既能实现对城市土地利用类型实时、精确地动态感知[18]，也能刻画居民出行的空间分布[19]。不同区域的位置数据密集程度反映了居民出行情况，揭示区域对人们的吸引程度，数据点越密集越能说明人们对该区域感兴趣[20]。因此我们使用密度峰值聚类算法对上下车位置数据进行聚类分析，结合地图根据区域实际功能进行标识，研究居民出行在空间上的分布特征。

首先，通过密度峰值聚类算法自动划分不同的类簇。考虑到本研究使用的数据是轨迹数据，本文采用的是快速搜索和发现密度峰值聚类算法(Clustering by Fast Search and Find of Density Peaks,CFSFDP)[24-25]。CFSFDP是基于密度的聚类算法，可以聚类非球星数据集，自动获得类的正确个数，具有聚类速度快、实现简单等优点。该算法基于两个重要假设：①聚类中心的密度大于环绕它的邻居节点；②聚类中心与任意比其局部密度高的节点具有相对远的距离。

设数据集D={x1，x2，…，xn}，数据点总数为N，对于数据集中任意一点i，计算该节点的局部密度ρi以及节点到其他具有更高局部密度的节点的距离δi。其中，节点i的局部密度ρi为：

(3)

式中：dc为截断距离。如果dij-dc<0，则χ(dij-dc)=1；否则，χ(dij-dc)=0。

节点i到比其局部密度更高节点的距离δi为：

(4)

式中：若i点为数据集中局部密度最大的点，则δi=maxj(dij)，选取i点到相邻节点距离的最大值作为其δi；否则，选取局部密度大于i点的数据点到i点的距离中的最小值，作为i点的δi。

由上述定义可知，作为聚类中心的数据点一定会比一点节点具有更高的ρi和δi。在得到所有ρi和δi的值后，算法会得到一个决策图：

γi=ρi×δi

(5)

结合ρ值和δ值综合考量，决策图中具有高δ和相对较高ρ值的节点会被选作聚类中心，即γ值较高的节点。对γ数值进行降序排列，并把γ值进行数值检测。通过检测，作为聚类中心的γ值差异性较大，斜率也较大；非聚类中心的γ值差异性较小，斜率也较小。因此，通过判断一γ拐点值识别聚类中心，把从最大的γ值到拐点值均视为聚类中心，那么也就确定了聚类数目。剩余节点将会按照局部密度从高至低分派到各个聚类簇中。Rodriguez等[24]论证了CFSFDP算法中节点分配过程的可靠性以及对大数据集的鲁棒性。

然后，把聚出的类簇匹配到地图，根据区域的实际功能进行标识类簇。对只有单一功能的区域直接标注功能属性，而对于非单一功能的区域根据区域中主要的功能标注该区域功能属性。

居民出行行为空间特征提取算法可描述为：

步骤1用公式(3)(4)分别计算数据点xi的局部密度ρi和到比其局部密度更高节点的距离δi；

步骤2通过公式(5)确定聚类中心点的个数，即确定聚类个数；

步骤3分配其余数据点到高于当前数据点密度的最近数据点的类中；

步骤4利用dc算出类边界区域，然后指定边界区域中密度最高点密度值为去除噪声数据点阈值，将密度小于此阈值的数据点视为噪声点，获得类簇；

步骤5依据地图标识最终聚类结果，得到功能区Z={Z1，Z2，…，Zn}

3.3 司机行为特征提取方法

大多数出租车司机会根据自己的兴趣爱好到不同类型的功能区域寻找乘客，在未载客时司机的这种偏好会更加明显。因此从空载的轨迹数据中提取司机行为特征，发现司机的兴趣偏好，对广告的精准化投放是很有必要的。

由于同一类型中的司机相似度较高，而不同类型中的司机差异较大，因此在构建司机行为特征时首先需要计算在未载客状态下不同司机人群个体到不同功能区的偏好度，计算偏好的公式如下：

(6)

式中：xij表示第i个司机在空载行驶时落到第j个区域轨迹点数，pij表示第i个司机对第j个功能区域的偏好程度，i=1，2，…，m，j=1，2，…，n。这样就建立了司机的偏好度矩阵Rm×n，如(7)所示：

(7)

然后，基于距离是度量相似度常用的方式这一特点，使用K-均值对司机进行聚类。针对司机偏好的聚类研究适用于基于划分的聚类方法，其代表算法有K-means、K-mediods和CLARANS(Clustering LARge Applications)。而K-means的聚类耗时较短，聚类结果易于解释和理解。此外，对于海量数据集K-means不仅具备高度的可伸缩性，还能够处理高维空间下的数据对象。选择均方根误差RMSE作为聚类判度函数，如下所示：

(8)

式中：M表示类别j中司机的功能区域偏好度，Cj表示类别j中司机的集合，Aj表示类别j的功能区域偏好度均值。

最后，依据聚类结果筛选出比较相似的司机以及差异较大的司机。根据司机表现出的偏好特征向不同类型的出租车上投放不同的广告内容，可以提高广告的精准度和命中率。

提取司机行为特征过程可描述为：

步骤1在ArcGIS10.2平台对不同时段T下空载的轨迹数据P={p1，p2，…，pn},pi(long.，lat.)和不同的功能区A进行矢量化；

步骤2利用Python操作ArcToolbox中叠加分析工具进行分析；

步骤3利用公式(6)计算司机的偏好度，将其整理到(7)中，建立司机的偏好度矩阵；

步骤4使用K-means++算法确定K个司机的功能区域偏好度作为初始聚类中心，计算其余司机功能区域的偏好度与该初始值的距离，将其指派给与其距离最小的聚类人群；

步骤5计算更新后每类司机功能区域偏好度的统计平均值以及每个司机的功能区域偏好度与更新后均值的距离，将其指派给与其距离最小的聚类人群，从而更新聚类，并且根据公式(8)计算每类的均方根误差；

步骤6重复步骤5，直到聚类判度函数收敛时聚类结束，得到K类司机人群。

4 精准投放策略制定

时段定向投放策略指根据居民出行规律的时间进行定向投放广告。由于居民出行行为呈现出较强的时间波动性，在高峰时段人流量密集，而在非高峰时段人流量稀疏。因此，在不同的时段人群流动的情况不同，企业投放广告应符合人群波动规律，在不同时段分配合适的广告类型。

设广告种类用集合Ad={ad(1)，ad(2)，…，ad(n)}，∀ad(i)(i=1，2，…，n)，适合投放广告时段{Tk}(k=1，2，…，K)。若T={Tk}∩{Tj}≠φ，则在T时段投放ad(i)类广告；若T={Tk}∩{Tj}=φ，则在T时段不投放ad(i)类广告。另外，由于高峰时段投放广告会增大广告曝光度，提高产品被购买的可能性，因此可以制定合理的广告定价策略，完善广告收费标准。

空间定向投放策略指从居民出行行为空间特征为出发，针对居民经常去的功能区域投放与区域相关的广告。居民到达某个功能区域往往解决自身某种需求的，如科研文化区的人们大都是从事科学文化教育的学生、教师、研究员等，他们对文娱比赛、学术交流会议之类的信息比较感兴趣。所以，让身处不同功能区域的人群看到能够符合自己喜好和意愿的信息，这样企业广告的投放范围会缩小到某一特定的区域，对实现广告的精准投放是大有裨益的。

∀ad(i)适合投放广告的区域有{Zl}(l=1，2，…，L)，若Z={Zl}∩{Zr}≠φ，则在Z功能区域投放广告ad(i)；若Z={Zl}∩{Zr}=φ，则在Z功能区域不投放广告ad(i)。

时空定向投放策略指企业在不同时段向不同区域的人群投放广告。∀ad(i)类广告于不同Tj时段在不同的功能区域Zr投放与否用xij构成的矩阵(9)表示，其中xij取1或0，xij=1表示投放，xij=0表示不投放。

(9)

在Tj时段下第k=(1，2，…，K)类的司机到达功能区域Zr与否用yij构成的矩阵(10)表示，其中yij取1或0，yij=1表示司机到达该区域，yij=0表示司机未到达该区域。

(10)

若xrj=1且yrk=1，则就在Tj时段向Zr区域投放ad(i)类广告。

5 实验

5.1 实验数据

本文通过对某市某行政区的5000辆出租车轨迹数据进行分析以阐述上述方法的实现。该研究数据记录的基本信息包括出租车的车辆编号、定位时间、经纬度和速度等。本文采用2014年5月5日至11日(该时间范围包含工作日和休息日)历时一周的轨迹数据，总共为2723万条。由于所获得到的轨迹数据存在误差，因此，在进行数据分析之前，需要结合本研究目的对出租车轨迹上数据进行预处理，如剔除错误数据和越界数据，删除重复数据和记录不全的数据，识别出租车重载和空载状态。

5.2 结果分析

依据广告主题内容的划分标准把广告分为快消类广告、酒店类广告、餐饮类广告、旅游类广告、娱乐休闲类广告、教育类广告等[26]。接下来分别统计工作日和休息日下的上下车位置数据，如下图3和图4所示。

图3 工作日居民出行规律

图4 休息日居民出行规律

从图3和图4可以看出工作日和休息日乘客上下车次数在00:00-07:00最少，而在08:00-10:00，11:00-13:00和18:00-22:00最多。这反映了工作日和休息日居民出行的时间段主要集中在08:00-10:00，11:00-13:00和18:00-22:00。居民在休息日早高峰时段达到峰值的速度比在工作日早高峰时段达到峰值的速度要快，结合居民的生活习惯，原因可能是在休息日人们更多倾向于参与购物、娱乐、休闲等活动，为了避免交通拥堵，往往会选择尽早出门；在工作日15:00-18:00这一时段上/下车次数出现小幅波动，而在休息日该时段上/下车次数呈现变动增长，原因可能是在休息日居民外出返回居住地准备下周工作，或者外出参加晚上亲朋好友的聚会等活动。总之，居民出行有明显的波动趋势，存在高峰和平峰特点。但从工作日和休息日城市居民出行时间规律来看，居民日常出行大致趋势相似。按照居民出行时段划分的步骤，取δ=2，最终把居民出行人流时段可以大致如下划分：8:00-10:00为早高峰时段，11：00-13:00为午高峰时段，18:00-20:00为晚高峰时段，20:00-22:00为夜高峰时段，其余时段为平峰时段。由于居民出行时间的波动性，广告主在投放广告时有必要考虑高峰时段和非高峰时段人群流动特性，分时段进行广告投放。如在早高峰投放快消类广告和时效性强的餐饮类广告以达到快速曝光的目的，引起消费者关注和食欲；在午高峰时段和晚高峰时段投放具有优惠折扣的酒店类广告，这样会刺激购买欲望。

采用CFSFDP聚类算法提取居民出行行为空间特征，最终将该市行政区划划分44个类簇，结合《城市公共设施规划规范》和地图，在专家参与下人为标识之后得到8种不同类型的功能区。详细信息如图5和表1所示：

图5 某市某行政区功能区域

表1 最终标定的功能区域

功能区域内的人群都会有目的地从事活动。如科研文化区内的人群以学生和年轻人为主，这些人大多会钟情于吃喝玩乐、体育赛事、文艺公演等新鲜事物，企业可以根据区域内人群特点“投其所好”。对喜欢去商务办公区的人而言，该区域的人群以上班族和商户较多，这类人群具有较高的消费能力，因此可以向这类出租车上投放以招聘，房屋交易、租赁、装修等为主题的广告。对喜欢去交通枢纽区的人来说，该区域的人群大多是进出火车站、汽车站等地方的旅客，因此可以向交通枢纽区投放观光旅游、酒店住宿、特色美食之类的广告，目的是吸引往来的旅客消费。

基于ArcGIS平台计算出每个司机在不同时段下到达8个功能区的概率，但是由于数据的数量比较庞大，就部分数据给予显示。表2和表3分别表示在工作日和休息日早高峰时段下司机到达功能区域的概率。

表2 在工作日早高峰时段下司机到达功能区域的概率

表3 在休息日早高峰时段下司机到达功能区域的概率

使用K-means对司机进行聚类，最终均分别得到在工作日和休息日不同时段下的6类司机。由于文章篇幅限制，现仅对工作日和休息日早高峰时段下的司机进行分析。图6和图7所示的是出租车司机在工作日和休息日早高峰时段呈现出不同的行驶特征。

图6 工作日早高峰时段出租车司机行驶特征

图7 休息日早高峰时段出租车司机行驶特征

从图6可以发现，司机在行驶过程中对不同的功能区表现出不同的偏好。在早高峰时段，图6(1)中的这类司机去商务办公区和商业购物区的概率大于去其他区域，这说明该类司机喜欢去商务办公区和商业购物区工作可能性多一些，这类司机占25%；图6(2)中的这类司机去交通枢纽区的概率大于去其他的区域，这说明该类司机喜欢去交通枢纽区工作，这类司机占9%；图6(3)中的这类司机到旅游休闲区的概率远远高于到其他功能区，可以看出这类司机更加喜欢到旅游休闲区工作，这类司机占6%；图6(4)这类司机到各个功能区的概率相差不大，这说明该类司机喜欢全城寻客，这类司机占29%；图6(5)中的这类司机去商业购物区的概率大于去其他功能区的概率，这表明了该类司机偏向于到商业购物区工作，这类司机占21%；图6(6)中的这类司机去居民住宅区的概率远远高于去其他功能区的概率，这说明了该类司机更加喜欢到居民住宅区载客，这类司机占10%。

从图7可以发现，图7(1)中的这类司机去旅游休闲区的概率远比到其他功能区的概率高，这表明了该类司机更喜欢去旅游休闲区工作，这类司机占7%；图7(2)和图7(5)中的这类司机去各个功能区的概率相差不大，这表明了该类司机并没有表现出对个别功能区的偏好，这类司机分别占23%和27%；图7(3)中的这类司机去居民住宅区的概率远比到其他功能区的概率高，这表明了该类司机更喜欢去居民住宅区工作，这类司机占12%；图7(4)中的这类司机去交通枢纽区的概率远比到其他功能区的概率高，这表明了该类司机更喜欢去交通枢纽区工作，这类司机占15%；图7(6)中的这类司机去商业购物区的概率远比到其他功能区的概率高，这表明了该类司机更喜欢去商业购物区工作，这类司机占16%。

综合上述分析可知，根据司机对功能区域的偏好投放广告更加具有针对性，广告投放效果会更好。例如，城市中的商务办公区以商务办公大厦和银行为主，如果银行需要推广自己的理财产品和服务，那么可以在工作日早高峰时段向商务办公区的上班族和个体经营商户投放存款借贷、投资理财与互联网金融为主题的广告，这样可以避免地面推广所带来的人力成本浪费。不仅如此，城市中有庞大的出租车基数和多样化的消费需求，获知偏好某些功能区的特定出租车数量，依此制定广告投放比例，这样会降低投放成本。例如，在休息日早高峰时段百货零售企业的广告主可以根据出现在居民住宅区的出租车数量制定合理的广告投放比例，投放以商场促销活动为主题的广告，引起生活区居民对购物消息的注意。

6 结语

打车软件的出现改变了出租车的运营模式，也改变了出租车司机的行为方式，加上相关数据的大量产生，为出租车LED广告的精准投放提供了现实条件。本文基于这一事实，对出租车LED广告的精准投放问题进行了研究。

首先，本文对出租车LED广告精准投放策略的相关文献进行了梳理，提出居民出行行为时间特征和空间特征提取方法以及出租车司机的行为特征提取方法。然后，利用真实的出租车轨迹数据验证了这些行为特征的客观存在性。最后，基于数据结果提出了广告的精准投放策略即时段定向投放策略，空间定向投放策略和时空定向投放策略。

出租车LED广告精准投放策略是一种崭新的广告投放策略。它符合广告主和广告公司对广告投放精准化的强烈诉求，可以在投放广告时给广告主和广告公司一定的启示和参考。出租车LED广告精准投放策略可以实现四个参与者的共赢。广告主可以将广告投放给最具有价值的目标人群起到宣传推广作用，减少广告费用的浪费。广告公司为出租汽车公司和广告主服务获取一定的佣金。出租汽车公司凭借独特的广告传播媒介吸引更多的广告主与其合作，收取丰厚的广告费用，提高公司效益。广告受众则可以获取和自己需求相匹配的信息。

本文选择出租车轨迹数据作为数据源，尽管反映出的客观规律值得肯定，但是仅仅以出租车轨迹数据反映出的规律代表人们日常出行行为时空特征尚且存在一定的偏差。另外，由于人类社会活动的复杂以及城市功能的逐渐完善，这就会出现一个功能区相互重叠的情况，如一个居民住宅功能区往往会包含一些配套设施，如超市、餐馆、公园等，因此本文功能区域的划分与标识还需要更加精细。此外，乘客的特征属性，如年龄、职业、性别等，无法从出租车轨迹数据中获知。若在日后的研究中结合打车软件平台数据、POI数据、手机活动数据等多源数据进行深入挖掘和分析，不仅有利于城市区域功能的精细划分，还有利于提出更加个性化、精细化的广告投放策略，这也是未来在出租车LED广告行业值得深耕和探索的工作。