走向智慧交通不可缺失的基础环节——车辆活动系统观测

从智能交通走向智慧交通，物理系统控制权将部分转交给计算机，要求“人”需要学会继续思考，进而承担起高层次上提升系统能力的职责。这意味着系统具有人-机混合模式的特征。在道路交通管控领域中，需要在信号系统管控交通状态的基础上，进一步深化对车辆活动的调控。即在有限空间资源约束下抑制不合理的车辆使用，保障合理的车辆使用需求；在不断完善基础设施、技术进步的背景下，引导城市交通模式的演化，避免对不可持续交通方式的过度依赖性。

智慧交通的这种深层次思考能力，建立在对城市交通系统的深入观察和理解的基础之上。其中的一项重要任务，是将道路交通状态数据采集，扩展到对于车辆活动的有效观测。

道路网络的交通状态，是大量车辆个体活动的集计表现，这仍然属于系统的一种表象特征。停留于此，很难区分、识别合理与不合理的车辆使用行为，也难以实现城市交通模式的演化引导。由此导致“一刀切”模式的粗放型交通需求管理政策，很难得到社会的积极支持。此外，智能系统算法往往涉及需求保障的优先序问题，即算法背后隐藏着社会利益调节和空间正义。为了合理有效地处理智能系统算法的社会属性，研究者和管理者必须深入把握城市中的车辆使用行为。

城市中的车辆牌照识别系统提供了可以连续追踪的车辆活动信息，尽管由于牌照识别技术的不完善，以及外界环境影响（例如风雨夜间的视觉环境变差等）其观测数据会出现缺失，但是采用大数据分析技术仍然可以在“模糊的正确”原则基础上建立车辆使用画像。

利用上海市车辆牌照数据分析的结果，在图1中可以看到，当我们将车辆划分为主要用于通勤、高频度使用、低频度使用等三种使用属性类型时，不同类型车辆在路网上活动的车辆总数的时间分布具有显著差异；而图2则显示了三种类型车辆每天首次进入路网位置的空间分布差异。由此可以判别区分车辆类型有助于深入了解车辆在城市中使用的时空分布特征，帮助我们更加精细化地设计相关政策。

图1 不同使用类型车辆时间分布的差异

图2 不同使用类型车辆每日首次进入快速路网络位置分布差异

对车辆活动系统的观测，不仅要求实现对车辆连续追踪观测，以及将观测范围从道路拓展到全域空间，而且需要在个体和集计两个层面上建立城市车辆活动系统的描述模型。

个体层面的车辆活动描述，包括建立在统计基础上的特征属性：锚点（车辆夜间最主要的停放位置）、驻点（车辆经常访问的位置，所谓访问是车辆在此停留使用者足以完成活动的时间）、兴趣点（被赋予根据车辆访问频率与停留时间确定的兴趣值的位置）、关联路段（根据访问频率被赋予非零关联值的路段）等，另外则是通过聚类分析等手段被赋予的使用特征类别。

集计层面的车辆活动系统描述，包括直接建立在统计指标基础上的表象特征（例如锚点在同一区域中的车辆的时空活动特征统计值，具有相似兴趣点的车辆的时空活动统计值等），也包括车辆属性与时空环境的关联特征（用以揭示相同类型车辆在不同时空环境中的活动差异，不同类型车辆在相同时空环境中的活动差异）。

更为艰巨的任务是建立车辆空间活动系统的模型，这是做出有限但必要的交通系统对政策调控的响应行为预测需要依赖的分析技术。可能有些读者认为不是已经在车辆使用行为模型研究方面取得了很多成果了吗，为何还认为此方面的龚总任重道远？事实上，根据小样本意愿调查数据（数千至万余样本）构建的模型，只能一般性说明可能发生的变化与响应，但难以精准说明不同空间环境和关系条件下，可能出现的变化分布，因而难以支撑精准化的需求管理等决策。

我们很难仅仅依靠数据统计或者关联分析的结果构建具有较高时空分辨率的行为响应模型，因此不得不进入车辆空间活动分析的深水区。一种可行的技术方向是建立宏微观嵌套的分析模板，将车辆空间活动的大数据分析技术，与细化分类设计的车辆使用行为分析技术有机融合。依托大数据分析技术可以有效掌握得到细化问题结构的时空间版图（不同类型车辆使用在时空间的分布），这为我们创造了根据不同类型问题进行差别化意愿调查以及建模的条件，将帮助研究者规避“选择性偏差”陷阱。而差别化小样本调查数据基础上构建的行为模型，将有助于在因果识别基础上科学判断系统不同响应行为。