大数据让城市交通变得更“聪明”

文／杜博文

交通大数据是典型的时空大数据，那什么是时空大数据呢？

我们乘坐的出租、地面公交、城市地铁甚至航空等交通工具所提供的位置数据，都可以映射到空间维度上，而历史状态关联变化，或者居民跨越多个空间位置的移动行为，都可以映射到时间维度，我们把这些数据统一归结为时空数据。

但我们所居住的城市是在不断演化的，特别是近年来京津冀、粤港澳大湾区协同发展被列为国家重大发展战略，综合交通被设为优先发展目标。居民出行范围扩大，出行距离增长；单一交通变为综合交通，居民出行模式增多，他们需要知道哪条道路拥堵应该避开，选择哪条路线更快捷。

针对这一需求，科研人员想到将诸如出租、公交等公共车辆的位置数据视为移动传感器，这样做最大的优点是实现了交通小样本到交通大数据的转变，这就是大家日常使用的导航软件动态路况信息生成。

但这件事做起来并不容易，因为毕竟出租车不像其他车辆可连续行驶，有路边休息的、慢速行驶寻找客人的，甚至没有出租车行驶过路段导致数据缺失的。

如何将缺失扰动信息变成连续可信数据呢？我国科研人员提出了成套方法技术，同时建立了国际上第一个、具有完全自主知识产权、可支持大规模商用的出行信息服务系统。

首先，从公交需求预测方面看。比如北京天通苑区域，是北京人口最集中住宅区域之一，从公交出行记录来看，每天拥有百万级规模，那么该区域出行群体每天都去哪里了呢？每一时刻需要安排多少辆公交车、需要多少节地铁车厢才能满足需求？

对此，就要做通勤群体出行需求解析，通过对到达地点的时空分布分析发现了一个很有意思的结果，天通苑所连接的百余个区域中，仅有9个区域为公交客流的主要通行区域，这就为城市公交线网优化提供了大数据支撑。

另外，现在大家每天出行都不像以前一样，只坐公交或地铁，而是使用共享单车、出租车、地铁等多种交通工具联合出行，比如，先乘坐轨道交通到达目的地大致方位，再使用单车到达最后目的地。这就给城市交通管理部门带来一个问题，每种交通工具需要多少才能满足需求？

这被称为多模式交通需求量预测。遗憾的是，现有方法主要针对单一交通方式，缺乏对多模式交通需求量之间相关性的分析与挖掘。

实际上，某一地铁站附近的共享单车需求量是受地铁客流、公交客流、出租车客流，甚至气象、事件等多因素影响的，也就是说在不同方式的交通需求量之间，存在着较强的关联性。下雨天大家从地铁站出来就会选择坐公交、坐出租而少有选择骑单车，而风和日丽的傍晚，大家的选择就正好相反。所以需求的动态变化产生出不确定性及复杂性。每个时间点上，不只是单一的交通需求量，而是多种交通需求量的综合，我们研究的正是通过挖掘不同交通方式在时间和空间上的关联关系，来实现精准需求预测目的，甚至指导交通规划。

比如，当你去外地旅游，你会想应该先去游览哪些景点？如何规划旅游行程效率最高？实际上已经有很多手机APP服务能满足这个需求，这个在学术界叫出行路径推荐。但以前只注意景点推荐，这些APP软件只会告诉你在哪个景点，下一个需要去哪个景点。但人们的需求并不是都这样，比如，去一个景点旅游很有可能还去逛逛附近的纪念品商店、去喝杯咖啡、去吃个午餐等等，所以这些旅行者访问的实际上不简简单单的是一个景点，一个位置，而是一组位置，这个问题通过科研人员研发的集合式交通行为建模方法，不仅让人们可以了解一个城市更详细的信息，同时，使未来的旅游出行变得更加智慧和便捷。