基于RFID电子车牌数据的机动车出行行为研究

俞 博

（重庆市交通规划研究院，重庆 400020）

RFID又称无线射频识别技术，通过射频信号自动识别目标对象并获取相关数据。RFID系统包括RFID电子车牌、天线、读写器、数据中心计算机。安装RFID电子车牌的车辆通过采集点时，车辆的信息会同时传输给后台系统，其中包括车辆ID、通过时间和采集点位置信息等，实现对车辆位置的实时掌握。RFID系统的工作原理如图1所示。

图1 RFID系统的工作原理

1 RFID数据

1.1 RFID数据内容

RFID通行记录数据包括七个属性，即RFID采集点名称、RFID采集点方向、车辆ID、通过采集点的时刻、车型代码、号牌种类和使用性质。车型代码反映车辆类型，包括客/货、大/中/小型等；号牌种类反映大型车和小型车；使用性质反映营运车、非营运车等。RFID数据属性如表1所示。

表1 RFID数据属性

1.2 RFID数据特征

居民出行活动受时空约束，具有时空参与性。带有RFID电子车牌的车辆在时空中运动时，系统会在不同RFID检测点产生具有个体粒度的时空标记。一辆车一天的出行活动会构成一个24 h的时空轨迹，轨迹中的点被RFID检测系统记录下来时，形成一系列具有时间先后顺序的空间坐标集合，坐标集合定义的点集构成了具有四维空间特性的车辆时空轨迹记录。利用车辆时空移动轨迹长时间、高精度、高效率地跟踪个体时空移动，可以将车辆轨迹划分为若干次有目的出行，并综合土地利用、城市功能以及交通网络特征，分析得到每次出发/到达时间、出行路径、出行时耗、出行方式、出行目的等。

基于RFID数据的时空出行轨迹如图2所示。

图2 基于RFID数据的时空出行轨迹

1.3 应用方向

人的出行行为反映在城市交通层面，体现为个体交通行为和整体交通行为需求的统一，整体交通行为本身是由个体交通行为组成。利用具有个体粒度属性的RFID数据，机动车出行行为的研究可以从宏观与微观两个视角展开分析。基于宏观空间的尺度，利用机动车出行的集聚效应可以探讨城市形成发展和空间结构变化特征，为城市空间的合理功能布局以及城市发展与建设提供依据。基于微观个体的尺度，可以分析机动车个体的出行行为，建立机动车出行行为画像，深入刻画不同机动车出行特征之间的区别和联系。

1.4 RFID在重庆的应用

重庆市所有的渝籍汽车均安装了RFID电子车牌，约280万张。重庆主城区RFID检测点位有672个，每天共采集RFID通行记录数据900万～1 100万条。主城区RFID点位主要分布内环以内，占比超过90%；内环以内的RFID点位的布设密度高，相邻两个RFID检测点间的平均路径距离小于3 km，其中相邻点位最小距离为500 m，最大距离为6 km。重庆市主城区内环以内已经初步建成了基于RFID点位的全路网车辆监控体系。

重庆市主城区RFID检测点位分布如图3所示。

图3 重庆主城区RFID检测点位分布

2 车辆出行特征分析

2.1 车辆出行时间分布

以2016年5月RFID数据为例进行分析，重庆市主城区内环以内平均每天检测出的小汽车（轿车、小型普通客车、小型越野客车）数量大致为45万～49万辆。出行车辆具有明显的周期性，且周期为一周。

（1）工作日出行的车辆数大于周末出行的车辆数，且周一、周五出行的车辆数较大，周二、周三、周四出行的车辆数稍低。

（2）周日出行车辆数最小，周六出行的车辆数比周日出行的车辆数稍高。

一周内的车辆出行规律如图4所示。

图4 一周内的车辆出行规律

2.2 车辆出行时耗分布

主城区平均每天出行的轿车（不包括小型普通客车、小型越野客车）43.1万辆，一天平均累计出行时长78 min。出行时间1 h以内的21.8万辆，占50.6%；出行时间大于3 h的6万辆，占6.0%。小汽车出行时耗分布如图5所示。

图5 小汽车出行时耗分布

2.3 车辆出行频率分布

主城区平均每天出行的43.1万辆轿车（不包括小型普通客车、小型越野客车），高频率出行车辆29.7万辆，占比69%；低频率出行车辆13.4万辆，占比30%。表明近70%的小汽车用户属于长期使用。

小汽车出行频率分布如图6所示。

图6 小汽车出行频率分布

3 网约车分析

3.1 网约车识别

轿车一天平均累计出行时长约78 min，本文假设出行时间超过3 h的非营运轿车为网约车，则重庆市主城区网约车每天出行的车辆数量约为2.6万辆，远超过1.3万辆的出租车规模。

3.2 网约车出行特征分析

（1）网约车使用强度远高于非网约车。

主城区平均每天通过RFID检测到的轿车共43.1万辆，一天的车公里总数约为1 682 万km，平均每辆车的公里数为39.0 km。其中，2.6万辆网约车的车公里数为546 万km，占车公里总数的32%，39.2万辆非网约车的车公里数为1 134 万km，占车公里总数的68%。

平均每辆网约车每天的公里数为210 km，非网约车的公里数为28.9 km，网约车是非网约车的7.3 倍。

网约车以6%的车辆规模贡献了32%的车公里数量，网约车的运行对重庆主城区道路交通具有很大的影响。

（2）网约车的出行主要集中在白天。

重庆市主城区小汽车的使用量呈现明显的早晚双高峰，早高峰出现在8：00～9：00，晚高峰出现在18：00～19：00。网约车出行时间主要集中在8：00～21：00之间，出行量明显高于出租车。21：00～次日8：00，网约出行量明显低于出租车。

小汽车出发时间分布如图7所示，出租车和网约车出发时间分布如图8所示。

图7 小汽车的出发时间分布

图8 出租车和网约车的出发时间分布

（3）网约车出行率明显低于出租车。

2.6 万辆网约车高峰时段出行量约1.3万辆，出行率只有50%。1.3万辆出租车中高峰时段出行量约1.1万辆，出行率高达90%左右。

4 结语

交通大数据在城市交通规划决策、智能交通管理等方面的研究和应用正在不断深入，RFID电子车牌等车联网数据的普及和应用，为城市交通研究者提供了新的视角。利用RFID海量数据，可以深入了解车辆运行的内在机制，为交通决策和管理提供新的支撑。本文结合城市交通规划的需求，从多个层面分析机动车出行行为特征，提出了基于RFID数据的流量还原推算方法和构建车辆出行行为画像模型，并以重庆市主城区为例进行了研究和应用。

目前，对RFID电子车牌数据的挖掘和研究还处于初步阶段，未来拟开展其他方面的研究：

（1）融合车辆RFID数据与视频卡口车牌识别数据、车载GPS数据、手机信令数据（基于轨迹相似性、时间空间属性关联），拓展应用方向领域。

（2）关联更多机动车属性（归属地、车辆事故记录、排放等级、使用年限等），细分车辆类型，开展更多具有针对性的研究。

（3）研究车辆出行活动与城市功能及土地利用的关系（建筑物、POI）。

（4）研究车辆使用影响机制（个人偏好、出行目的、停车、拥堵、公共交通便捷性等外部条件）。