江苏省过江特征与交通量分析——基于多源数据融合技术

周 涛，裴剑平，唐 强

(1.中设设计集团股份有限公司，江苏 南京 210014 ；2.苏州大学 轨道交通学院，江苏 苏州 215131)

0 前 言

交通调查是进行交通规划和交通预测的基础，江苏省规划2018～2020年间新建9座过江通道，然而自2007年开展“江苏省主要公路机动车OD调查”以来，近10年全省性交通调查数据未跟新，因此，开展了本次全省过江OD调查。随着交通和信息化的快速发展，本研究结合大数据技术，充分利用行业数据、手机数据和微信问卷进行OD调查，并结合调查数据，采用大数据手段对数据进行聚类分析，形成以出行OD对为基础的出行链，分析各种出行属性的关联性。

1 全省过江调查与多源数据融合

1.1 基于多源数据的调查技术

本次结合江苏省的实际情况，调查主要采用高速公路联网数据、汽渡票根数据、行业统计数据、调查问卷数据和电信手机信令等5种数据。5种不同类型的数据均从特定的角度反映了真实的过江特征，本次调查需对获得的多源异构数据进行整合，形成具有法定效用的出行特征参数，供规划建设单位使用。本次调查综合各种调查方法的优势，采用取长补短，结合实际情况结合，针对全省23处过江调查采取不同调查方法。8处过江大桥(全部收费)分别指南京长江第二大桥、南京长江第三大桥、南京长江第四大桥、润扬大桥、泰州大桥、江阴大桥、苏通大桥和崇启大桥，采用高速公路联网收费数据进行调查；13处汽渡(全部收费)分别指板桥汽渡、镇扬汽渡等汽渡，采用票根数据进行调查；2处隧道分别为扬子江隧道和南京长江隧道(全部免费)，采用隧道监控数据。

1.2 多源数据融合技术

多源数据融合主要分为三类：数据层融合、特征层融合和决策层融合。本次研究主要在特征层和决策层进行融合，采用集中式分布体系，通过对比分析不同数据源的出行特征、OD结果进行融合扩样，数据融合技术路线如图1所示。

本次获得的交通行业数据较全，基本满足过江OD出行分析及主要的出行频次、出行时间、载重等参数分析，因此，本次数据融合采用对比扩样法，以交通行业数据为主，以微信调查数据和手机信令数据为扩样对象，以每个过江通道的OD对小区为扩充对象，按照不同OD小区对交通量的差值进行出行特征扩样，并形成完整的出行特征表(包含OD出行对)。

多源数据处理首先要对数据进行清洗，包含无效数据剔除、数据自校核和数据对比校核；其次数据融合包含数据的融合和扩样。本次融合与扩样均以各通道的区县OD对为基础，首先，将客运单位统一归并到人，货运单位统一归并到t，完成单位归一化处理；其次，依据各通道各区县OD对的比例，对非全样本数据(微信问卷数据和手机信令数据)进行扩样，对应的其他出行特征相应进行扩样；然后，以各通道区县OD对为唯一标示码，用Python语句的Join功能将不同数据源进行连接，将问卷数据中出行目的、载货货种、载客人数、出发时间等信息链接到OD数据对后；最后对数据按照通道、和全省三各维度进行数据合并。最后，根据融合后的数据进行出行特征分析和可视化展示。

图1 多源数据融合体系框架图

2 全省过江出行特征

2.1 出行属性表与出行特征画像

为了深入分析过江出行规律，更好地建立过江出行模型，本次在完整的出行属性表之后，加入了时间、距离和费用参数。本次通过Python语句，调用高德地图的API接口，按照Driving模式，最短时间模式提取任何两个区县OD对之间的出行时间、距离和费用；并且，通过各区县的统计局统计各自的经济GDP数据，并将二者GDP链接到OD对属性表后面，建立了OD交通量、出行特征、时间费用以及经济参数一一对应的属性表，该属性表将为建立过江出行模型提供详实的数据基础。

经过OD数据对进行融合扩样后，将得到客货完整的出行属性表如表1所示。

表1 长江二桥客运出行属性表(整理后)

相比于以往的交通调查，本次调查不仅获得了真实完整的OD出行矩阵，并获得了完整的出行特征，并且建立了OD对与出行特征一一对应的关系；同时，加入的时间、距离和经济参数更加丰富了调查结果，理解任意两个OD对间过江量具有重要的意义。图2为出行特征画像。

图2 出行特征画像

2.2 全省过江出行主要特征

根据调查，获得全省过江量约84.6万pcu/d，其中客车占63.3%，货车占36.7%；全省8座大桥机动车过江标准车约为54.5 pcu/d，约占总量的64.5%；两处南京隧道过江机动车当量数约为21.1万/d，约占总量的25.0%，其余13处汽渡过江量约9万pcu/d，占比10.5%。在桥梁过江中，苏通大桥通过车辆约13.0万pcu/d，江阴大桥约9.9万pcu/d，南京长江二桥约9.4万pcu/d，此三座大桥拥堵已成为常态；节假日中，润扬大桥、长江三桥也加入了拥堵行列。跨江大桥主要解决长江南北城市间区域出行，而地处南京两座隧道解决江北新区与南京主城区之间通勤出行。融合分析手机信令数据和隧道流量监控数据，发现江北新区与主城区(江苏省南京市秦淮区、建邺区、鼓楼区等) 、江宁区之间流量占比超过81%。

从板块来看，全省区域过江出行形成了两头重中间轻的空间格局，南京和(沪)苏通过江出行占比超过50%,镇扬和无锡过江占比较低，常州过江出行成为洼地。从OD出行结构来看，一带两轴的过江通道特征明显，沿江两岸区县之间过江出行旺盛，占比超过54%，其次表现为沿我省中部通道和沿海通道沿线分布，通道特征与全省客流走廊基本一致。

从区域客运来看，呈现沿江城市连绵化发展趋势，省内客运出行约占81%，省内货运出行约占73%， 全省过江出行，以省内为主。省内出行占70.9%(隧道占全省25%)，内外交通量(一端在省内，一端在省外)占23.9%，过境交通量出行(两端均占省外)只占5.2%。从对外出行结构来看，安徽和上海与我省联系密切，内外出行占比超过90%，说明我省是沿江大通道上核心省份，东西向交流十分密切；山东和浙江与我省联系较强，内外出行占比约占71%，过境交通约占29%，说明我省是沿海大通道上重要省份，贯通南北。

过江隧道高峰小时位于早7∶00—8∶00，高峰小时系数约为8.8%，大桥客运高峰小时系数约为9%；货运出行无明显高峰特征。受益于南京大力建设江北新区，拥江发展，南京市通勤高频次过江出行远高于全省水平。全省来看，区域出行以公务出差为主，但各个区段又各有特色。全省客车平均载客率为3.5人/辆，其中南京区段最高为4.2人/辆，苏通区段最低为2.6人/辆。全省货种运输中，农副产品、食品比例最高，达到16.5%，其次为金属及制品，其他货种占比较均匀。全省过江平均载重24.5 t/辆(含车辆自重)，南京最高，为26.7 t/辆，锡常泰区段最低，为22.1 t/辆。

2.3 不同出行特征的关联性

采用大数据技术对各属性进行相关性分析，得到各相关性结论如下所示：①江苏过江出行在通道选择时，偏好选择出行时间短的过江通道；而且倾向同一通道往返;②客运交通量、载客人数与经济势差之间有明显的正比关系，而且两城市间经济差越大，二地间客流量越大;③出行时间越短，其交通占比越大，出行频次也越高，上班、上学等通勤出行特征更明显；数据显示，50%以上的过江出行的出行时间均小于1h，江苏省过江出行高频次特征明显;④货运量运输对出行费用更加敏感，客运出行对出行时间更加敏感;⑤通勤出行越明显，载客率越高；运输距离越近，载客率越高；商务出行和个人出行载客率较低;⑥城市的产业分布与货种密切相关，南京区段的运输设备、机械、电子通讯、石油、矿建等占比较高，镇扬区段各产业在全省占比较低，锡常泰区段的金属制品、物流快递占比较高，苏通区段的纺织原料、物流、农副产品、家具等占比较高。

图3为利用过江隧道及全省过江出行期望线图。

(a)两隧道总OD图

(b)板块热力图

(c)江苏省中区总量OD图

3 江苏过江交通量模拟

3.1 过江交通量影响因素

按照区县间OD对的属性表，对过江交通量进行模拟分析。数据显示，客运交通量主要与出行目的、出行频次、时间、费用、两地的经济相关以及过江通道数量有关；而货运交通量主要与两地经济、货种、出行时间、费用、过江通道数量以及货运政策相关。影响过江出行人数的因子主要有：起终点出行时间、出行距离、经济、人口、费用、出行目的等。对全省数万个OD对样本进行综合分析，过江人数与出行目的的相关显著性sig为0.029，与时间相关性最高，而距离、时间和费用三者自相关系数大于0.98，与人口与经济这两个因素的相关系数高达0.926。考虑影响因素之间的相关性后，发现可用出行目的、人口、经济以及出行时间模拟出行人数。

出行目的与人数相关，但相关不强；研究发现，分目的进行相关性分析之后，不同目的人数与人口、经济以及时间的相关性有所提升。本次研究选择按不同目的的出行人数W和人口P、经济G、时间T进行了4种组合，组合1为人口、经济和时间的线性组合；其他参照引力模型，分别建立3种组合，组合2为：W2=P起×E起/T2，组合3为W3E=E起×E/T2，

组合4为W4=E起×E中×P起×P/T4。其中P起代表起点人口，P终代表终点人口，

式中，E起为起点经济，E终为终点经济，Wi为第i种组合。

根据分析，采用引力模型较线性模型能更好地反映过江人数；而在引力模型的三种组合中，组合2(起点人口×终点人口)/时间2相关性最高，相关系数为0.098，sig小于0.01；本次研究选择组合2的方式进行数据分析。

3.2 过江交通量

通过区分出行目的进行人数分析，整体相关性明显提高，本次研究选择通勤出行、公务出差和休闲旅游三种出行目的分别进行出行人数模拟，得到出行各出行目的的方程如下。

上班上学：Y=3872.298×X+150.512，t检验变量之间显著性sig=0.004

休闲旅游：Y=46.666×X+301.427，其中t检验变量间sig=0.001

公务出差：Y=684.616×X+238.63，其中t检验变量间sig=0.0001

其中：W2=P起*E起/T2

以上结果说明自变量可以有效预测因变量，回归模型显著，得到的回归方程有效。

通过过江人数分析发现，过江人数与起点城市相关性最大，与起点城市的经济、人口因子呈正相关，与时间呈负相关，整体呈现以起点城市为核心的圈层结构。从不同出行目的来看，区县间基础过江人数约200～300人；城市人口与经济的发展，通勤出行的人数增长最快，其次是休闲旅游，区域公务出差人数增长最慢。

4 结 论

本次基于多源数据融合调查方法成功应用于区域OD调查实践中，按照交通特征层融合制定了详细的融合扩样规则，以区县OD对为标识码的出行属性表更加科学、高效，便于存入数据库中；加入出行时间、经济和费用等参数后，方便利用机器学习深入分析各出行特征与交通量的关系，通过区分出行目的进行过江人数拟合，得到的模拟方程更准确。数据表明，过江出行主要和起点城市相关，未来随着城市的发展，以通勤出行为目的的交通出行会快速增长，而区域增长相对较小。

[ID:010561]