结合轨迹数据的城市居民出行热点识别与分析

彭定永 兰小机 温振威

（江西理工大学土木与测绘工程学院 江西赣州 341000）

从轨迹数据中提取居民出行热点并挖掘其他隐含信息是研究居民出行特征的重要途径。目前，已有众多学者利用轨迹数据进行居民出行热点等相关研究，如张斌等基于居民打车记录，使用OPTICS 聚类算法识别居民出行热点[1]。李岩等基于西安市出租车GNSS (Global Navigation Satellite System) 轨迹数据，提取OD（Origin Destination）点，采用密度场模式算法进行出行热点研究[2]。康朝贵等通过划分交通小区的方法对武汉市热点区域进行提取[3]。周素红等通过挖掘深圳市的海量浮动车GNSS 轨迹数据，识别商业热点并分析和验证热点间的相互作用关系[4]。张俊涛等基于出租车轨迹数据，结合高斯定理挖掘居民出行行为的时空特征并发现城市的热点区域[5]。史新颖等提出了将DBSCAN 算法与kmeans 算法相结合的点聚合算法，通过对手机信令数据的挖掘进而提取城市热点区域[6]。江慧娟等提出了一种路网约束条件下的改进DBSCAN 算法，利用武汉市出租车GNSS 轨迹数据进行出租车载客热点区域的精确提取[7]。周博等利用出租车轨迹数据，结合数据场理论，借助城市兴趣点数据辅助识别居民出行热点[8-9]。上述研究较少关注能否利用居民出行热点构建城市内部热点区域交互网络。复杂网络理论已成为研究网络结构的一种有效手段，例如：Zhou 等从武汉市浮动车轨迹数据中，将提取的主要交叉路口作为网络节点，以交通流量为边构建城市空间交互网络，结合复杂网络理论探讨城市主要道路交叉口对居民日常出行的影响[10-11]。

本文从海口市中心城区“滴滴出行”平台打车订单数据中提取OD 点数据，分析居民打车出行量在工作日和休息日的变化，基于核密度估计法识别城市热点，提取城市热点区域并结合复杂网络理论构建热点区域空间交互网络，揭示热点区域间的交互特征。

2.1 研究区域

海口市中心城区作为海口市乃至整个海南岛的核心区域，城市内部空间结构复杂多元，适用于本文进行的相关研究，故作为本文的研究区域。

2.2 轨迹数据及其预处理

本文从“盖亚”数据开放计划申请下载了海口市2017 年6 月1 日-6 月30 日的居民打车订单数据，总计180 余万条记录，包含了居民打车出行的起/终点经纬度以及上/下车时间等属性数据，以此作为本文的居民出行轨迹数据来源。轨迹数据预处理主要步骤如下：

（1）数据清理：剔除不在研究区域内，以及数据属性出现缺失、错误和重复的记录。

（2）上/下车点提取：在工作日和休息日下，分时段提取轨迹数据中的OD 点数据。

3.1 基于核密度估计法识别居民出行热点

居民出行热点识别的主要流程为：

（1）对OD 点进行核密度分析，由于带宽对分析结果影响显著，需多次调整至效果最佳，得到最佳带宽为300m。

（2）对生成的连续密度值表面进行焦点统计，利用焦点统计对栅格数据进行邻域运算，提取指定邻域内所有输入像元值的最大值，构建最大密度值表面。

（3）将最大密度值表面与原密度值表面做差，获取含零密度值表面。

（4）对含零密度值表面重分类，分为零值域和其他域，并将零值域逐步转为点要素，从而获取最大密度点要素，并通过点要素提取点的位置坐标；

（5）将核密度表面对应点坐标位置的核密度估计值提取至最大密度点要素，将核密度值定义为热度值，得到热点要素。

3.2 基于复杂网络的建立热点区域空间交互网络

综合研究区域面积、热点数量特征等情况，合理设定居民出行热点的有效辐射半径为400m，作为热点辐射区域，以此提取居民出行热点区域，并对在空间上存在重叠现象的热点区域进行合并，将合并后的热点区域几何中心作为新的居民出行热点，并对该热点区域的居民出行量进行累加计算。

结合复杂网络理论，利用提取的居民出行热点区域，构建热点区域空间交互网络，每个热点区域对应网络图中的节点，热点区域间的交互关系对应网络图中的边；
利用热点区域间居民出行交互往来次数作为边权值（Weight）赋予热点网络中边的权重，通过节点强度和边权值来度量热点区域间的交互强弱，探究热点区域在整个网络系统中的时空交互特征等隐含信息，其定义如下：

式中：ω（vj，vi）为节点i 与节点j 之间的边权值；
S（vi）为节点i 的节点强度；
Sin（vi）为节点入度；
Sout（vi）为节点出度；
Vin（vi）为其他节点指向节点i 的节点集合；
Vout（vi）为从节点i 指向其他节点的节点集合。

4.1 居民出行时间特征

在研究时段内，统计打车用户在工作日和休息日的出行量随时段分布情况，如图1 所示。

图1 居民上/下车量随时段分布

由图1 可以看出，在工作日，居民出行由于通勤、返家、购物、就餐以及休闲娱乐等需求，出现了5个高峰时间段，分别是8:00-10:00、10:00-13:00、14:00-17:00、17:00-19:00、21:00-22:00；
相较于工作日，休息日出行量总体处于较低水平，出现了4 个高峰时间段，分别是11:00-13:00、14:00-16:00、17:00-19:00、21:00-22:00。可知在工作日和休息日下的每天各时段的居民上/下车出行频次特征与居民出行规律存在一致性。

4.2 热点识别结果

基于获取的9 个居民出行高峰时段进行居民出行热点识别，识别结果如图2 所示。

图2 各高峰时段热点分布

由图2 可知，部分热点“冷热”程度不受时段变化的影响，即为持续型热点。如车站和机场等大型交通枢纽（美兰机场）、综合性大型商圈（玉沙京华城）、城市重要的生活性主干道（丘海一横路西段、山高街）周边地区在休息日和工作日均为居民出行热点。工作日热点热度值显著高于休息日，日间热度值显著高于夜间，且在白天热度值随时间逐渐攀升，在下午达到峰值，随后开始回落。海口市中心城区出行热点呈现集聚现象，主要热点分布于研究区域核心部分，且在远离核心区域的大型交通枢纽所在区域也有集聚现象发生。

4.3 热点区域空间交互结果

根据热点区域间的交互关系，基于复杂网络理论构建热点区域空间交互网络图，图中节点强度和边权值（Weight）作为衡量热点区域间交互强度的分析指标，图中节点越大则表示该节点的节点强度越大，节点间交互强度越高则节点连边的颜色越深、线型越粗，并按照节点强度大小对节点进行顺序编号，如图3 示。

图3 各时段热点交互网络

由图3 知，在研究区域中心地带出行量大，构建的热点网络在此附近的节点连边权重最高，交互最为活跃，且节点上的交互强度由中心向四周衰减，距离越远、强度越低，体现地理学的距离衰减特性。除大型交通枢纽所在节点外，其他节点均集聚于城市核心区域，且工作日节点强度明显大于休息日。网络中任意两节点能够以较短路径相互连通，并且核心区域存在高强度节点抱团倾向，体现了热点空间交互网络的小世界特性。热点网络只有少数节点之间交互较为活跃，新节点更趋向于与交互强度更高的节点相连接，不同节点的连接能力受该节点交互强度高低以及距离网络中心远近的影响而存在显著差异，揭示了该热点网络具有无标度的特征。

本文基于核密度估计法识别居民出行热点，并结合复杂网络理论探讨热点区域间空间交互特征，揭示了居民出行潜在规律，得出以下结论：

（1）工作日出行量显著高于休息日，且出现9 个居民出行高峰时间段。

（2）基于核密度估计法能够较好的识别居民出行热点，当指定合适带宽时，其能更好地识别低热度值的出行热点。

（3）热点网络存在中心集聚现象，在研究区域核心部分交互频繁。

不足之处是所用轨迹数据不是全面反映居了民日常出行轨迹。今后可结合其他多源轨迹数据作为居民出行数据来源，以期更加全面、深入地挖掘居民出行潜在规律。