数据精英年终大冲刺开车啦！
同时报名还可享更多优惠：
任选2套同报，再减200元！
任选3套同报，再减360元！
任选4套同报，再减520元！
任选5套同报，再减700元！
任选6套同报，再减900元！
1.1 技术路线
本文选取常发拥堵路段①作为研究对象，这些路段的拥堵具有一定的时空规律性，更能体现特定城市空间拥堵的一般性特征。研究思路如下：
首先，构建早高峰地面交通出行的时空轨迹数据集。以手机信令数据提取的出行OD作为交通发生量，基于交通拥堵态势数据中的车速信息，使用随机多路径交通流分配法②，模拟获得每个OD的时空轨迹。算法分3个步骤实现：（1）为每一个OD基于时耗计算10条最短路径；（2）以各路径与最短路径的时耗差作为阻抗，生成10条带有选择概率的时空轨迹；（3）根据概率随机选择1条轨迹作为结果。
其次，开展城市道路拥堵的总体溯源。筛选轨迹数据中集中遭遇拥堵的出行，定义为拥堵出行或拥堵人群。汇总所有拥堵人群经过拥堵路段长度的总和，定义为拥堵贡献里程，通过计算其在出发侧、到达侧的空间分布量和时间分布量，来刻画拥堵形成的空间、时间与出行人群的特征。
再次，解析具体路段拥堵形成的时空行为模式。本文从空间、时间、行为3个关键维度，对每条拥堵路段定量溯源并划分类型。
在空间维度，提出拥堵出行的出发地、到达地拥堵源概念，度量贡献路段拥堵的关键源头区域；对存在拥堵源的路段，针对性地开展源头管控将更有成效。在时间维度，定义拥堵时间集中度指标，度量路段流量的时变特征；高指标值表示拥堵存在明显的高峰时段，更适合采取错峰策略。在行为维度，定义拥堵主导人群指标，度量不同人群对路段拥堵的贡献差异；结合人群活动特征制定个性化引导策略，能够提高精准治理水平。
最后，对具体路段拥堵成因的特征进行综合分析，归纳典型的拥堵形成模式，并提出时空行为规划应对策略。
1.2 研究数据
拥堵态势数据方面，本文采用高德地图平台提供的交通态势API接口，获取上海市2020年11月2日—2020年11月6日（连续5个工作日）内早高峰时段（7：00—10：00，15 min间隔）的交通态势数据，其中包括拥堵路段名称、空间矢量、路况③、车流速度等字段信息。为了简化问题，本文假设在15 min内每一条拥堵路段的路况、车流速度不发生变化。
手机信令数据方面，本文采用联通公司提供的2020年11月上海市手机信令数据，使用1 km网格汇总拥堵数据对应时段内的出行OD数据。筛选联通公司平台定义的“地面交通出行”且距离大于3 km的出行作为研究对象，即机动车出行。在此基础上，按出行目的与规律性划分人群属性：将OD组合为“家—工作地”“其他地—工作地”的出行人群识别为通勤人群；将1个月内同一OD空间位置机动车出行次数大于3次的人群视为惯常人群。
出行时空轨迹数据集方面，为了验证交通分配结果的有效性，随机抽取1 000条轨迹作为实验组，以高德地图导航推荐轨迹结果作为对照组（每一组出发时间相同）。结果表明，出行时耗、距离的R2都大于0.9，在0.001水平上显著，平均绝对误差分别为200 s、582 m；相似路段（容差50 m以内）总长度占比约80%，最远偏移距离的中位数仅为103 m，平均值为402 m。
2.1 常发拥堵的基本特征
2.2 拥堵溯源的OD空间特征
2.3 拥堵溯源的时间特征
2.4 拥堵溯源的人群特征
拥堵贡献的出发地分布
来源：笔者自绘。
3.1 空间模式解析
为厘清各拥堵路段贡献出行在空间上的分布特征，基于前文所定义的空间维度指标，对其来源与去向的集聚程度进行评估。结果表明，58%的常发拥堵路段在出发侧存在拥堵源，55%的路段在到达侧存在拥堵源。进一步分析这些存在拥堵源路段的空间特征，发现其中超过90%的路段拥堵源呈现聚集特征，且拥堵源与拥堵路段的距离较近，说明路段的拥堵基本受到单一拥堵源的影响，且空间作用距离较近。
基于拥堵出行首末点分布的异同，将常发拥堵归纳为4种典型的空间形成模式。其中，同O不同D型占25%，主要分布于大型居住片区通往就业中心的主次干道上，在外环内呈片状聚集分布，郊区则较为分散；不同O同D型占22%，主要分布于就业中心片区的主次干道上；同O同D型占33%，在空间邻近前二者且呈片状聚集、连续分布的特征；不同O不同D型占20%，主要分布于高速、高架等城市结构性通道上。可以看出，不同等级道路因其服务对象、交通功能的差异，在拥堵的空间组织逻辑上也有所不同。
常发拥堵空间模式的空间分布
来源：笔者自绘。
3.2 时间模式解析
3.3 行为模式解析
典型拥堵路段的各类人群占比图
来源：笔者自绘。
4.1 拥堵形成主要模式
为了提出缓堵应对策略，需要综合归纳拥堵路段的空间、时间、行为模式。因此，将3个维度的不同模式交叉分析，拥堵路段可以被分为32种模式。
一方面，从路段长度占比看，最高的4类分别是“尖峰—同O同D—惯常通勤主导”（以下简称“时空集中型”）、“尖峰—同O不同D—惯常通勤主导”（以下简称“出发集中型”）、“尖峰—不同O同D—惯常通勤主导”（以下简称“到达集中型”）、“厚尾—不同O不同D—随机非通勤主导”（以下简称“时空分散型”），各占23%、12%、9%、9%，合计54%，即这4类拥堵的时空行为模式可以解释早高峰大部分路段的拥堵成因。
另一方面，从3个维度之间的关系出发同样可以归纳出这4种主要模式。尖峰型拥堵通常与惯常通勤主导型拥堵相关联，且在此基础上根据空间特征的具体形式，演化出时空集中型（同O同D）、出发集中型（同O不同D）、到达集中型（不同O同D）3种类型。其中，时空集中型可被认为是出发集中型、到达集中型的特殊形式，同时具备出发集中型、到达集中型的相关特征。厚尾型拥堵通常与不同O不同D型、随机非通勤主导型拥堵相关，定义为时空分散型。
从空间分布来看，出发集中型拥堵主要分布于中环外大型居住片区；到达集中型拥堵主要分布于中环内就业中心片区；时空集中型拥堵则与出发集中型、到达集中型拥堵分布特征相似，主要在居住—就业复合片区内聚集成片分布；时空分散型拥堵主要分布于结构性交通廊道内的快速路上。
4.2 不同拥堵模式的规划应对策略
基于对拥堵时空行为模式的理解，可以针对性地制定缓堵对策，以提高时空行为规划的可实施性：
（1）拥堵贡献的空间集中度越高，对拥堵贡献的出发、到达空间进行干预的潜力越高，越适合进行空间规划以实现源头管控。
（2）时间集中度越高，表明越有可能通过时间规划管理措施来降低拥堵波峰。
（3）惯常通勤人群因受到较强的时空约束，宜采用“自上而下”的措施改变其出行选择，而随机非通勤人群敏感性较低，可通过引导使其优化自身出行行为。
因此，对于4种主要拥堵模式，根据其空间、时间、行为特征，可以制定相应的规划策略。
本文从时空行为视角分析上海市早高峰拥堵的形成模式，建立基于手机信令数据和交通态势数据的出行轨迹还原方法，对拥堵进行溯源并归纳了拥堵形成的时空模式，基于时空行为规划框架制定了缓堵应对策略。一方面，刻画了上海市早高峰拥堵形成的特征，另一方面，解析了具体道路拥堵的时空行为模式。在实践方面，本文为拥堵治理提供以下参考：一是为城市交通体检提供普适性的数据与方法框架；二是为精细化的拥堵治理提供切入点；三是为交通规划方案提供缓堵潜力评估。
详情请关注《上海城市规划》2024年第2期《时空行为视角下上海市早高峰拥堵的形成模式与规划应对》，作者：涂鸿昌，同济大学建筑与城市规划学院；晏龙旭（通信作者），同济大学建筑与城市规划学院，自然资源部国土空间智能规划技术重点实验室；王德，同济大学建筑与城市规划学院，上海同济城市规划设计研究院有限公司数字规划研究中心；胡杨，同济大学建筑与城市规划学院；骆晓，同济大学交通运输工程学院。本文内容仅代表作者观点。
本文转载自：上海城市规划杂志
