基于时空数据融合的古城区停车需求模式识别

马晓甦，夏柏杨

（1.东南大学建筑学院，南京 210096；2. 上海市大数据股份有限公司，上海 200072）

引言

以上海、南京、苏州等为代表的城市古城区中，分布着具有较高保护价值的历史街区。而今，这些街区一方面继续承担着满足本地居民日常生活多样化需求的功能；另一方面，街区中的古迹景点、商业设施也吸引着大量外地游客，为城市经济发展与知名度提升作出巨大贡献。随着居民生活水平的提高、城市机动化快速发展，历史街区中往往存在严重的机动车停车供需失衡现象。沿道路两侧路面、建筑退让空间以及小区内公共活动空间停放的机动车，反过来影响了城市外部交通运行效率、居民日常生活以及游客活动的舒适体验，成为当前历史街区保护和城市更新面临的典型问题。

实践中，由于历史街区文保建筑以及可利用交通空间的限制，增加新的停车泊位并不能彻底缓解停车供需矛盾。基于历史街区保护加发展的原则和提升民生福祉的目标，不应因为停车需求矛盾而因噎废食，而是要在合理的目标导向下，充分利用数字化时代广泛的信息来源，通过科学、量化的分析方法，探寻缓解停车问题的对策。

不论是通过挖掘既有停车资源、提升配建标准等供给管理措施，还是借助差异化收费、车位共享等需求管理手段，首要是能准确识别研究对象区域中的实际停车需求规模以及时空分布特征。现实中很难通过汇聚对象区域中所有不同类型的停车场的数据去进行停车需求特征分析。其原因一般包括：（1）住区、商业设施配建停车，以及路内公共停车等停车设施类型多样，停车数据所有权分散在不同的运营管理方手中。（2）部分接入的智慧停车场可能因为日常管理中常常存在的超停现象，造成停车数据反映的需求和实际停车场供给水平不匹配。（3）许多社会停车场还未实现智能化改造，而依赖人工采集上报的数据往往影响数据精度与可持续性。（4）街区内尚存在相当部分非正规停车区域（如老旧小区内公共空间、道路两侧建筑退让空间等），甚至违章停车现象，这部分停车需求难以通过传统停车数据采集方式进行持续监测。（5）停车需求空间分布特征（如起终点）无法估计。因此，传统依赖人工现场调查，或者接入部分智慧停车系统数据的方式，在数据时间精度、可持续性和全面性上存在缺陷。

对此，本研究基于多源时空数据融合与分析技术，利用分布在城市道路路段、交叉口的交通卡口识别的车辆数据，以及对象区域不同地块用地特征数据，结合部分可获取的样本停车场车辆进出数据，提出了一套动态识别对象区域停车需求规模与时空特征的方法。实证研究表明，在交通卡口分布密度较高的城市区域，停车需求规模识别可达到地块级的精度，并可对停车需求来源、时段时长等特征进行模式聚类。为进一步实现区域分时段停车需求预测与预警，优化城市不同类型片区停车配建标准以及差异化收费等管理手段提供决策支撑。

1 相关研究

准确掌握并持续监测研究对象区域的停车需求规模与分布，是进一步识别区域停车问题类型，预测未来停车需求变化趋势的分析基础。

长期以来，受制于现状停车需求数据源的局限性，对停车需求的研究一部分集中在基于现状居民出行调查以及其他停车抽样调查，估计对象区域某个时间点，如特征日以及特征时段的停车需求规模与分布特征，并通过分析停车需求的影响因素进行预测[1-8]。一方面，从区域停车需求角度，陈峻等总结了进行停车需求预测的若干种方法以及主要影响因素（如土地利用、人口就业岗位以及机动车流量等），并利用实证城市停车调查数据进行了基于静态交通发生率法的模型验证[1]。张慧芳、李文权进一步考虑了对象区域区位因素对停车需求的影响[4]。另一方面，从个体出行选择角度，关宏志、刘兰辉基于停车抽样调查数据，利用Logit模型进行了基于个体的停车行为分析，并利用SP（Stated Preference）调查数据进一步进行了价格敏感性分析[2]。

随着各地陆续建立智慧停车数据采集平台/系统[9-13]，一部分研究得以通过平台接入的停车场动态数据，进行更细致的停车行为分析。但是，如前文所述，这类研究依然受到接入的停车数据样本量的限制，无法全面把握区域整体停车需求规模。唐克双等采用商业、办公和体育场三种类型停车场数据，基于BP神经网络等方法进行了停车场泊位占用率的时变特征分析[11]。李林波等基于某对象停车场历史数据，采用生存分析的方法建立了夜间停车需求预测模型，从微观层面估计车辆停放时段、时长等特征[13]。近年来，开始有学者尝试借助交通卡口车辆识别等数据，估计区域停车需求，很大程度上解决了传统停车数据源样本量、时空精度不足带来的问题。余杰、余东豪利用城市道路卡口车牌识别数据进行了车辆的行停分析，并基于卡口点位测算了不同交通小区的停车规模[14]。

本研究在基于交通卡口数据的同时，进一步引入对象区域用地特征数据（性质、规模、业种业态等）、路网数据，以及样本停车场车辆进出数据等，以苏州市观前街区域为实证对象，以相邻地块组成的街区为基本分析单元，进行了停车需求规模与时空特征分析，识别区域停车供需矛盾类型，为城市更新过程静态交通需求管理策略优化提供参考。

2 研究对象与数据

2.1 研究对象

本次研究对象为苏州市古城区观前街片区，以干将路、人民路交叉的乐桥地铁站为核心，北至白塔西路，南至十梓街，东至五卅路，西至西梅巷，占地面积约1.13 km2（图1）。区域内包含居住、办公、商业、文化体育等各种类型设施用地（图2）。目前区域内停车设施包含各类设施配建停车场、路侧社会公共停车场等六千个左右有效停车泊位。研究根据主要道路及机动车可通行性将该区域划分为12个地块/小街区。

图1 研究范围内用地与停车设施分布

图2 研究范围内不同性质用地建筑面积比例

2.2 数据来源

本研究使用的样本数据包括：（1）交通卡口数据。其中：卡口点位数据，包括点位编号、经纬度坐标，用于定位卡口点的空间位置；卡口过车数据，包括车辆识别号、经过的点位编号、经过时间等，该数据与卡口点位数据结合，可以定位每辆车的时空位置，生成出行链的起讫点，并判断车辆行停状态。样本数据时间范围从2020年9—11月。所有卡口数据使用前均事先经过脱敏处理，不包含车辆车牌等隐私信息。（2）用地数据。包括每个地块内的建筑功能、建筑面积等，用于测算特征日分时段单位停车需求规模等。（3）路网数据。源数据来自高德路网，包括道路等级、宽度等，并经过优化处理，构建研究区域的地块与路网的拓扑结构，便于分析中将停车需求分配到可能的地块上。（4）停车场进出场数据。包括车辆的进出场时间等。本研究同时接入了研究对象及周边区域的部分不同类型停车场进出数据，结合所在用地数据，帮助估计不同地块每个时段的停车需求吸引力。（5）停车泊位供给数据。来自苏州规划设计研究院2018年6月进行的停车普查数据，并结合最新接入的停车场数据进行更新。

2.3 研究流程

图3 分析思路与流程

本研究的分析思路与流程如图3所示。经过对所有数据源的清洗与标准化，首先进行以地块/小街区为单元的分时段停车需求估计。接下来，一方面结合对象区域停车供给，判断区域可能存在的停车供需矛盾类型；另一方面进一步通过历史数据进行停车需求时变特征分析与模式识别。再结合用地特征数据，实现对现状停车需求的仿真。最后，基于停车供需问题的判断，利用停车需求仿真，为相关部门制定静态交通管理策略提供决策支持。

3 停车需求估计与问题识别

3.1 停车需求估计

停车需求估计的目标是估计对象区域地块或者小街区尺度的分时段的在停车辆数规模与分布，以及停车高峰时段。研究主要用到的数据包括交通卡口数据、路网数据、部分接入的停车场数据以及用地数据。停车需求估计中主要考虑两个层面的问题，第一个问题是判断出哪些车可能停在区域内或附近，第二个问题是判断这些车有多大概率停到区域内的各个地块上。针对这两个问题，方法设计如下（图4）：

首先，通过卡口数据判断车辆停车的大致位置。假设一辆车很可能停在其一段时间内出现的最后一个卡口，通过经验以及实际对数据的观察，证明基于古城区卡口分布平均间距，可以半小时作为阈值。即如果一辆车行驶一段时间后，最后停留在某一卡口0.5 h以上，则可先判断该车停在该卡口附近。若该车下一次起点距离该卡口点位较近，或者为同一个卡口，那么很可能是停在这两个卡口附近。如果下一次起点距离该卡口位置较远，则其停车位置有很多可能性，不太可能停在该卡口附近。

基于上述判断逻辑，本研究设计了车辆是否停在某个卡口点位附近的判别规则。该规则中，对附近的定义需要针对卡口密度和所估计地块的大小来综合判断。实证研究中，选择在卡口点位附近2—3个地块的距离定义可能停车的区域范围，并通过这一步的判断，得到车辆停在其附近的概率。此外，基于路网数据，以及车辆卡口轨迹方向性，可以进一步缩小可能停车的地块集合。接下来对车辆可能停在每个可能地块的概率进行估计。如果不考虑地块的差异，均匀地将概率分配到各个地块上，一般会造成较大的差异。因为就停车的时空特征角度而言，不同时段人们开车去往的目的地不同，比如人们在工作日的白天倾向于开车去工作区域的写字楼，而在晚上开车回到居住小区。同时，开发强度高的写字楼和小区，其相同时段所吸引的停车量也会相应更大。因此，概率估计需要同时考虑时间段、地块用地性质以及开发强度。对此，本研究定义并计算了不同类型地块的停车吸引力系数，用以刻画不同地块在不同时段对停车需求的吸引力，从而将概率按照吸引力大小的按比例分配到地块上。

图4 停车需求估计流程

在地块吸引力的定量刻画中，研究利用已经接入的一百多家不同类型停车场进出数据作为基础数据。根据停车场的停入车辆数、建筑功能、时段特征、建筑面积，来计算每个停车场的停车吸引力系数。其中，时段划分为6个时段：早高峰、早平峰、午高峰、午平峰、晚高峰、晚平峰。公式为:

其中，G 为停车场的停车吸引力系数；N为该时段停入车辆数；H为该时段小时数；A为停车场所在设施建筑面积（单位：百平方米）。

根据以上公式，可得到不同类型设施在不同时段的停车吸引力系数。而某个地块（可能复合多个用地功能）的停车吸引力，可以由地块上不同类型设施面积与停车吸引力系数相乘并累加得到。在地块吸引力的基础上，可以对每辆停在卡口点上的车可能的停车地块进行概率分配，比如某辆车停在K点的概率为50%，则根据我们提前划定的附近范围、计算好的吸引力值，可以按比例将这50%分配到各个地块上。最终，每个地块的停车量实际上是每辆车可能停的停车概率叠加后的值。

为了验证算法结果的准确性，研究使用2018年6月进行的停车普查数据作为对比。结果显示在区域层级上，上述算法计算的结果与调研数据差异在5%～0%，在地块层级上，差异在5%～30%。算法计算的结果往往偏高，这可能和近两年的车辆保有量增加有关。

经过不同区域的测试，停车需求估计的准确性主要受两个方面影响。其一是交通卡口分布密度。理想状态下，卡口越密集，停车估计越准确。然而在现实中，卡口点位的分布具有不均匀的特征，城市中心区路网密度高的地区，一般卡口较为密集，识别准确率也相对较高。 其二，能够接入数据的停车场数量也会影响不同用地性质地块停车需求吸引力系数的估计，并进一步影响进行地块停车需求分配的准确性。当区域内接入的停车场不能涵盖足够用地性质地块，可以借助于城市其他类似区位的停车场数据进行补充。此时停车场所在区位和所属设施对于小汽车出行的吸引力个体差异，也有可能导致估计偏差[4]。

3.2 停车需求模式识别

除了停车需求规模，研究进一步结合历史数据，进行了研究区域需求模式识别。研究将停车时长和时段两个因素通过K-means聚类方法，得到5种具有明显时空特征的在不同特征日的停车需求模式，占总体停车需求的85%（图5）。剩余15%的停车需求在时长和时段上特征不明显。

图5 特征日区域停车需求模式聚类

从图5的聚类结果可见，工作日主要停车模式包含上午时段（7:00—10:00）、白天工作时段（7:00—18:00）、午后时段（12：00—16：00）、全日时段，以及晚间时段（17:00—22：00）。较好地匹配了工作日前往观前街区域上班、商务出行以及休闲娱乐的主要活动需求。其中，以商务、娱乐休闲类活动为主的上午、午后以及晚间时段占总体停车需求的一半以上。而全日时段的停车需求可能主要来自生活在区域内的本地居民。另一方面，相较工作日，休息日的主要停车模式不再包括白天工作时段的通勤类停车需求，大量停车需求来自上午、下午以及晚间时段在观前街区域活动的人群。就停车时长角度而言，虽然超过10 h的停车需求只占区域停车需求的不到10%，但是剩余大部分停车需求时长也均超过3 h。

3.3 停车供需问题识别

结合停车需求估计和模式识别，本研究将对象区域停车供需问题分成两种类型。

第一种类型定义为停车供需的结构性矛盾，即对象区域总体停车供给不足。在大部分地块和大部分时段，都存在停车泊位供不应求的情况。此类问题研究通过计算区域以及地块停车饱和度进行量化。

其中Si和S分别为地块i和区域的停车饱和度，qi和Q分别为地块i和区域的在停车辆数，ci和C分别为地块i和区域的停车泊位数。

第二种类型定义为区域停车供需不平衡，即在大部分时段区域总体停车供给可以满足需求，但少部分地块存在停车泊位严重不足的问题。此类问题研究通过定义区域停车不平衡度进行量化。

其中 B为区域停车不平衡度，smax为分析时段区域停车饱和度最大的地块的取值。区域停车不平衡度系数大于10时，取10。

分析发现观前街区域停车需求高峰一般出现在中午11：00—15：00，总体停车需求在四千辆左右波动，区域总体停车饱和度尚在可以接受的水平。结合区位因素（区域中心包含一个轨道交通换乘站点）以及可能的疫情影响判断，现状区域停车供需不存在明显的结构性矛盾。

另一方面，通过对研究区域2020年10月和11月数据的测算，观前街区域特征日日均停车供需不平衡度始终保持在较高的水平（表1）。工作日和双休日区域饱和度和最高地块饱和度的差高达52%和53%。这说明在观前街区域，存在地块间停车压力不均衡的现象，部分区域停车资源紧张，但是附近地块却仍然有较多的空余停车位。区域内不平衡度系数较高，这一方面可能是因为停车者不清楚周边停车场的空余泊位情况，另一方面也和停车场是否对外开放、开放时间段、价格高低有一定关系。

表1 区域停车不平衡度

举例而言，图6显示了某日区域停车饱和度情况，图中标记的两个相邻地块。其中地块A停车饱和度接近100%，高峰时段出现在晚上，而地块B的停车高峰时间出现在中午，且饱和度在60%以下。从提升整个区域停车资源利用效率的角度出发，如果相关部门能够打破停车资源信息差，推广合理停车场的错时共享政策，利用网络等媒介引导驾驶者前往目的地周边剩余泊位多的地方停车，一定程度上可以缓解高峰时段的地块停车矛盾，无需进行额外的停车场建设。

4 古城区静态交通管理策略思考

除了识别区域停车需求规模与分布，基于交通卡口等新数据源提供的个体车辆数据，一方面可以进一步帮助研究者、决策者判断对象区域停车的本外地车辆比例以及时段、时长特征；另一方面可以判断车辆行为轨迹，拟合包括活动的起终点在内的驾驶者出行的时空行为链，为古城区、历史街区等存在问题区域提出弹性的动静态交通管理策略（如分时段外地车辆路段、区域限行等），提供量化的决策支持。

城市停车供需矛盾一般通过供给管理（如优化停车设施选址与规模，制定建筑物停车配建标准等）和需求管理（如借助差异化收费等价格杠杆）手段进行调节。苏州市目前为了缓解古城区道路以及停车需求矛盾，采取了分区域、分时段的本地、外地车辆限行政策。具体是将古城区到拙政园核心区分成3个不同区域，对于外地车辆、本地非核心区住户、单位车辆实行不同的限行管理，直接从需求侧限制了限行区域内可能的停车需求。其中对外地车辆在7：00—19：00白天时段在核心区的禁行管理，使得外地游客不能进行自驾前往核心区进行游览等其他目的的活动。而上海市目前采用的是外地车辆在白天时段禁止在中环以内以及部分出城高架通行的策略，此举一定程度上降低了外地车辆（不包含沪C牌照）在上海市区范围内通行的机动性，抑制了外地车辆高峰时段进入上海的潜在需求，但是依然能够保证必要的外地车辆能够前往绝大多数目的地。所以该政策主要以缓解高架快速路等路段交通拥堵为目标，而对于城市停车供需矛盾比较突出的区域，则更多借助于价格杠杆，如分片区和时段的停车收费标准进行调节。

图6 区域停车供需不平衡典型地块

本研究同时开发了一套地块级的停车需求仿真工具，方便使用者评估在古城区范围内指定地块进行用地功能置换后会带来多少停车需求。根据2020年9—11月观前街区域内部以及周边范围部分接入的停车场进出数据、停车场所在用地性质与建筑面积数据，并综合前述停车需求规模估计方法得到的结果，归纳总结了当前研究区域不同类型用地设施的实际停车需求水平与高峰时段，并与《苏州市建筑物配建停车位指标》（2019征求意见稿）[15]进行了比较（表2）。通过对比可见，目前的停车需求水平与高峰时段在不同特征日存在一定差异，特别是商业、办公等类型用地。而与配建标准相比，配建标准基本涵盖了大部分类型的用地高峰期停车需求。除了商业类设施，在双休日的停车水平超过了配建标准的要求。进一步观察发现，办公和商业设施在工作日与双休日的需求高峰恰好相反，说明现实中双休日商业类设施的停车需求压力是有条件通过与办公等其他类型设施泊位的共享去缓解，而不用完全依赖停车配建标准的提升。

事实上，通过对研究区域停车需求持续地监测与评价，资规、交警、城管等部门可以形成对停车供需矛盾的统一认知，在城市更新、历史街区保护与发展的业务场景中，协同优化停车管理策略与手段。一方面，停车配建标准的更新频率可以更加灵活，不必受制于定期进行的大范围的人工停车普查；另一方面，对停车需求的把握可以获得更高的时间与空间精度。藉此，在包括用地功能置换等城市更新实践中，资规部门可以动态掌握对象以及周边用地停车供需水平。通过停车需求仿真，从交通的角度，帮助确定合理的开发规模（功能配比和容积率）。并且在必要的情况下，通过要求配建额外的停车设施，帮助解决周边地块（如老住宅区）的停车需求矛盾。而城管、交警等部门也可以结合不同特征日以及时段的地块及周边区域的停车总体饱和度以及不平衡度变化趋势，提出有针对性的停车错时共享策略，以及节假日等出行高峰的动静态交通需求管理策略。

表2 研究区域现状停车供需水平与配建标准对比

此外，如本文3.2节停车需求模式分析所示，小汽车出行者在观前街区域较长的活动时长，会带来较低的车位周转率，一定程度上降低了区域停车时空资源的利用效率。对此，国内外实践经验，是通过灵活的分时段、阶梯制的差异化收费（如停车收费标准随着停车时长增加）去调节停车需求水平，这也是古城区值得尝试的精细化的停车需求管理策略。

5 结语

本研究以苏州市观前街区域为代表的历史文化名城古城区为对象，通过融合交通卡口、土地利用、抽样停车场等多源时空数据，提出了一套停车需求规模估计以及特征模式识别的方法。分析结果可以帮助使用者准确判断目标区域停车供需矛盾的类型，并进一步通过停车需求仿真，在城市更新决策过程中，从机动车停车供需平衡的角度，提出静态交通管理策略方案，并跟踪监测实施效果，对实施方案进行灵活的优化与调整。

基于数据源的特性，研究提出的方法得以持续动态估计对象区域分时段的停车需求，并结合土地利用、路网、部分抽样停车场数据，实现地块级的精度。当前研究也发现，交通卡口数据的分布密度、识别准确率，以及抽样停车场数据的数量等会对需求估计精度造成一定的影响。而通过历史数据的不断积累、数据样本量的增加，一定程度上可以通过算法的优化调整提升结果准确性。

本次研究中用到的部分样本数据和数据脱敏等支持来自苏州市交通大数据研究的知行项目团队，在此表示感谢！

注释：

①现状停车需求为计算得到的2020年4—11月每日高峰时段平均值。

② 百平方米指的是每平方米建筑面积，游览场所对应单位为每公顷占地面积。

③本次研究区域属于配建标准中划定的一类区。表格中配建标准要求为对应该区域内的设施类型。