郭繼孚，孫建平，溫慧敏，趙 祥，雷方舒

(1.北京交通大學(xué)，北京100044；2.北京交通發(fā)展研究院，城市交通運(yùn)行仿真與決策支持北京市重點實驗室，城市交通北京市國際科技合作基地，北京100073)

基于車載OBD數(shù)據(jù)的小汽車出行特征分析
——以北京市為例

郭繼孚1,2，孫建平1,2，溫慧敏2，趙 祥2，雷方舒2

(1.北京交通大學(xué)，北京100044；2.北京交通發(fā)展研究院，城市交通運(yùn)行仿真與決策支持北京市重點實驗室，城市交通北京市國際科技合作基地，北京100073)

小汽車出行特征是城市道路網(wǎng)運(yùn)行的重要影響因素之一。采集小汽車出行數(shù)據(jù)并深入分析其出行行為特征，是引導(dǎo)小汽車出行方式轉(zhuǎn)變、降低機(jī)動車使用強(qiáng)度的重要條件，能夠為交通精細(xì)化管理和政策制定提供支持。基于車載OBD可采集到的小汽車出行數(shù)據(jù)和軌跡數(shù)據(jù)，提出小汽車出行特征分析方法，得到出車率、出行次數(shù)、出行距離等量化指標(biāo)，分析不同階段、不同區(qū)域、不同政策下的出行指標(biāo)變化特征。利用大數(shù)據(jù)分析方法對出行規(guī)律深層挖掘，進(jìn)一步獲得用戶畫像、路網(wǎng)非直線系數(shù)等交通特征。分析結(jié)果表明，車載OBD數(shù)據(jù)能夠較好地反映小汽車出行行為特征，并對交通需求管理政策的實施效果做出定量評價。

交通管理；小汽車出行；出行特征；OBD數(shù)據(jù)；用戶畫像；出行軌跡

0 引言

近年來中國機(jī)動車保有量不斷增加，城市交通擁堵形勢嚴(yán)峻。降低機(jī)動車使用強(qiáng)度、提升綠色交通出行比例，成為中國大城市交通發(fā)展戰(zhàn)略選擇的重要方向。發(fā)掘交通參與者的出行規(guī)律，謀求解決交通病的良策成為當(dāng)務(wù)之急。隨著大數(shù)據(jù)時代的到來，交通大數(shù)據(jù)井噴式涌現(xiàn)，使得交通的特征和問題越來越明晰和可視化，如基于手機(jī)信令數(shù)據(jù)對城市職住空間關(guān)系進(jìn)行分析[1]和對流動人口出行特性進(jìn)行研究[2]；基于IC卡數(shù)據(jù)獲得居民公共交通出行信息[3]，對公共交通客流進(jìn)行預(yù)測[4]；基于浮動車數(shù)據(jù)對交通運(yùn)行情況實時監(jiān)控，提前預(yù)測交通擁堵易發(fā)區(qū)域[5]。近來共享交通給傳統(tǒng)交通行業(yè)服務(wù)模式帶來變革的同時，所產(chǎn)生的海量出行數(shù)據(jù)也有助于更為精細(xì)地刻畫出行特征。

雖然在道路運(yùn)行、公共汽車和出租汽車等營運(yùn)車輛、居民出行等方面已經(jīng)積累了大量的交通數(shù)據(jù)以及研究成果，但反映對道路擁堵影響最大的小汽車出行行為的數(shù)據(jù)采集和分析仍顯不足。大量的私人小汽車運(yùn)行在道路網(wǎng)中，由于對其出行規(guī)律和使用特點缺乏掌握，缺少對城市交通宏觀變化的跟蹤，難以對降低機(jī)動車使用強(qiáng)度綜合施策提供支持。目前，小汽車出行特征的研究主要是基于傳統(tǒng)的居民出行調(diào)查，對小汽車的出行特性[6]、出行規(guī)律[7]、影響因素[8-10]等進(jìn)行研究，調(diào)查的數(shù)據(jù)量、信息完整度、動態(tài)時效性具有一定的局限，無法深入、準(zhǔn)確地把握小汽車的出行特征。因此，交通決策者針對小汽車出行采取的需求管理政策、油價變動、公共交通票價調(diào)整以及網(wǎng)約車和共享單車等因素對小汽車出行行為的影響，至今尚沒有較好的數(shù)據(jù)和方法進(jìn)行定量分析。本文采用基于車載診斷系統(tǒng)(On-Board Diagnostic,OBD)的小汽車出行行為數(shù)據(jù)(智駕數(shù)據(jù))，以北京市2016年數(shù)據(jù)為例，研究小汽車出行規(guī)律，為小汽車使用的合理引導(dǎo)和管控措施制訂提供有力支撐。

1.1 數(shù)據(jù)采集

小汽車出行數(shù)據(jù)主要通過安裝在車上的“智駕盒子”獲得。基于車載OBD數(shù)據(jù)的智駕盒子是一種能夠?qū)崟r采集車輛運(yùn)行路徑、速度、油耗、駕駛行為和發(fā)動機(jī)運(yùn)行參數(shù)的控制器局域網(wǎng)絡(luò)(Controller Area Network,CAN)總線設(shè)備(見圖1)，除了能夠提醒駕駛?cè)烁纳岂{駛行為，實現(xiàn)節(jié)油、減排、安全之外，還能夠詳細(xì)、無間斷地記錄車輛和駕駛?cè)说母鞣N數(shù)據(jù)，成為交通數(shù)據(jù)云最重要的一部分。

選取一定比例的社會小汽車安裝智駕盒子，并以1~10 s的間隔進(jìn)行能耗及位置數(shù)據(jù)回傳。智駕盒子由CAN總線數(shù)據(jù)讀取、衛(wèi)星定位和無線通信三個功能模塊組成，并通過用戶匿名化處理協(xié)議進(jìn)行隱私保護(hù)。智駕數(shù)據(jù)主要包括四大類：駕駛數(shù)據(jù)、車況數(shù)據(jù)、出行數(shù)據(jù)、安防數(shù)據(jù)。

1）駕駛數(shù)據(jù)。

分為駕駛行為數(shù)據(jù)和實時能耗數(shù)據(jù)。前者包括急加速、減速次數(shù)，超速情況等，分析駕駛?cè)税l(fā)生不良駕駛行為的時間、位置等信息；后者包括采集時間、瞬時油耗等，實時采集小汽車能耗情況，分析其排放貢獻(xiàn)。

2）車況數(shù)據(jù)。

主要包括電子控制單元(Electronic Control Unit,ECU)故障碼及描述、電瓶電壓、燃油修正值、發(fā)動機(jī)負(fù)荷等車輛基礎(chǔ)情況，實時監(jiān)測小汽車各個重要部件的安全隱患，及時發(fā)現(xiàn)車況異常，確保駕駛?cè)诵熊嚢踩?/p>

3）出行數(shù)據(jù)。

分為行程數(shù)據(jù)和位置數(shù)據(jù)。前者包括點火和熄火時間數(shù)據(jù)、行駛里程、車速分布等，分析小汽車出車情況、出行時間和距離、通勤情況等；后者包括定位時間、經(jīng)緯度、方向等，結(jié)合行程數(shù)據(jù)可分析駕駛?cè)巳粘３鲂辛?xí)慣、通勤情況、職住位置等。

4）安防數(shù)據(jù)。

分為提醒數(shù)據(jù)和通知數(shù)據(jù)。提醒數(shù)據(jù)包括異常提醒、水溫提醒、故障提醒、碰撞提醒等，及時提醒車輛異常情況的發(fā)生，避免出現(xiàn)事故，提高出行效率。

圖1 智駕盒子功能Fig.1 Functionalities of smart driving boxes

1.2 數(shù)據(jù)處理流程

小汽車出行數(shù)據(jù)處理主要包括數(shù)據(jù)獲取、基礎(chǔ)數(shù)據(jù)處理、出行特征分析、出行規(guī)律深層挖掘和分析結(jié)果應(yīng)用五個層次(見圖2)。

1）數(shù)據(jù)獲取。

獲取經(jīng)過脫敏處理的智駕數(shù)據(jù)，進(jìn)行解析和清洗。

2）基礎(chǔ)數(shù)據(jù)處理。

以車輛點火記錄時間為開始、熄火記錄時間為結(jié)束記作一條trip，每條trip信息包含點火和熄火時的時間、位置、距離、車輛唯一編碼，以及整條trip內(nèi)的出行軌跡，即每秒時間點的經(jīng)緯度信息等字段。

圖2 小汽車出行數(shù)據(jù)處理流程Fig.2 Procedure for handling car travel data

圖3 2016年月均出車率與月均高峰時段交通指數(shù)對比Fig.3 Monthly average car usage rate in 2016 and monthly average traffic indicator during peak hours in 2016

3）出行特征分析。

按照車輛唯一編碼，尋找小汽車每條trip發(fā)生的時間先后順序，確定小汽車每天的出行軌跡。將trip信息中的OD點匹配到地圖興趣點POI上，將出行軌跡點匹配到路網(wǎng)上，經(jīng)過數(shù)據(jù)分析即可得到小汽車出行特征的量化指標(biāo)。

4）出行規(guī)律深層挖掘。

通過將trip信息匹配到路網(wǎng)中，得到小汽車每日出行情況。設(shè)置算法識別出行目的，按照出行目的對trip進(jìn)行篩選，結(jié)合目的地出現(xiàn)的頻率或規(guī)律，可推測用戶所屬類群。根據(jù)車輛每日出行的實際距離和OD點的直線距離，推算出線路的非直線系數(shù)。

5）分析結(jié)果應(yīng)用。

2014年北京市第五次城市交通綜合調(diào)查(以下簡稱“大調(diào)查”)顯示[11]，六環(huán)內(nèi)不含步行的出行方式構(gòu)成中小汽車出行比例為32.1%，中心城內(nèi)這一比例為31.5%，均達(dá)到近1/3的比例。因而，準(zhǔn)確把握小汽車出行特征、挖掘內(nèi)在出行規(guī)律，對疏解交通擁堵具有重要作用。

2.1 出車率變化特征

1）出車率的概念。

出車率指有出行行為的車輛數(shù)占車輛總數(shù)的比例。通過智駕數(shù)據(jù)獲得出車率指標(biāo)，可以反映路網(wǎng)運(yùn)行水平和私人小汽車出行情況。

2）出車率與交通擁堵的關(guān)系。

交通指數(shù)能夠直觀地反映和評價道路交通擁堵情況，在中國多個城市得到推廣和應(yīng)用。對比北京市2016年月均出車率和交通指數(shù)(見圖3)，2月因春節(jié)放假影響，出車率較低，交通指數(shù)處于較低水平；7—8月暑假期間，出車率和交通指數(shù)均降低；9月各學(xué)校陸續(xù)開學(xué)，受中秋節(jié)和國慶節(jié)前疊加影響，交通指數(shù)和出車率均處于最高水平?？梢钥闯觯鲕嚶屎徒煌ㄖ笖?shù)具有相似變化趨勢，表明小汽車出行行為與交通擁堵具有較強(qiáng)的相關(guān)性。

3）交通政策對出車率的影響。

為緩解交通壓力，2008年10月北京市實施工作日兩個尾號限行政策，2015年起實行特殊天氣單雙號限行。分析2016年12月日均出車率情況(見圖4)，工作日(每周少開一天車)平均出車率為60%(去除每周少開一天車影響后可折算為75%)，單雙號限行期間，全網(wǎng)出車率下降至40%，取得了明顯效果，但也略高于按照75%的一半計算的出車率37.5%，說明單雙號限行之后在一定程度上增加了非限行車輛的使用。

4）出車率區(qū)域特征

按行政區(qū)分析小汽車出車率(見圖5)，總體來看，遠(yuǎn)郊區(qū)出車率較高。西城區(qū)出車率最低為51.3%，千人小汽車保有量最高為232輛·千人-1；東城區(qū)次之，出車率為50.9%，千人小汽車保有量為231輛·千人-1。由于較為發(fā)達(dá)的公共交通網(wǎng)絡(luò)和停車難等因素影響，東城、西城區(qū)出車率雖處于較低水平，但較高的千人小汽車保有量以及人口密度導(dǎo)致小汽車出車量處于較高水平，因而中心城區(qū)道路網(wǎng)較為擁堵。

對評價指標(biāo)進(jìn)行賦權(quán)，該項目采用TOPSIS(Technique for Order Preference by Similarity to an Ideal Solution)方法，結(jié)合專家以實數(shù)形式給出的部分權(quán)重信息，遵循悲觀準(zhǔn)則，基于理想點已知部分的屬性權(quán)重信息構(gòu)建城市災(zāi)害綜合風(fēng)險評估模型[11]。

分環(huán)路分析小汽車出車率情況(見圖6)。由五環(huán)外至二環(huán)內(nèi)，全目的私人小汽車出車率逐漸降低，五環(huán)外出車率為71.5%，二環(huán)內(nèi)出車率為52.0%，表明城市外圍區(qū)域?qū)π∑囈蕾嚦潭容^高，城區(qū)內(nèi)公共交通發(fā)達(dá)，對小汽車依賴程度較低。

將智駕數(shù)據(jù)分析得到的小汽車出車率與大調(diào)查結(jié)果進(jìn)行對比。2014年六環(huán)內(nèi)工作日小汽車出車率為62%，2016年12月基于智駕數(shù)據(jù)計算得到的日均出車率為60%，基本處于同一水平，說明智駕數(shù)據(jù)對小汽車出行特征的分析具有一定代表性。

2.2 小汽車出行次數(shù)

小汽車出行次數(shù)是反映小汽車出行強(qiáng)度的指標(biāo)之一，也是小汽車使用可控程度的重要體現(xiàn)。分析2016年2月春節(jié)期間北京市樣本小汽車日均出行次數(shù)(見圖7)：非假日車輛日均出行次數(shù)相對穩(wěn)定為4.8次·d-1，春節(jié)前一周(2月1—6日)小汽車日均出行次數(shù)持續(xù)增多，達(dá)到5.3次·d-1，節(jié)前一天(臘月二十八)達(dá)到峰值為5.76次·d-1；春節(jié)期間小汽車日均出行次數(shù)略有降低，平均為4.7次·d-1，2月8日(正月初一)達(dá)到低谷4.42次·d-1。

圖4 2016年12月單雙號限行對出車率的影響Fig.4 Impact of restriction by even and odd license plate numbers on car usage rate in December 2016

圖5 不同行政區(qū)的出車率及千人小汽車保有量Fig.5 Car usage rate and car ownership per 1,000 people at different administrative regions

圖6 分環(huán)路出車率Fig.6 Car usage rate on different ring roads

2.3 小汽車出行距離

小汽車出行距離增加會帶來出行周轉(zhuǎn)量增加、路網(wǎng)負(fù)荷增加。不同的節(jié)假日和限行政策下，小汽車出行距離表現(xiàn)出不同特征。

圖8 2016年10月節(jié)假日對小汽車日次均出行距離的影響Fig.8 Impact of holidays on daily average travel distance by car in October 2016

圖9 2016年12月限行對小汽車日次均出行距離的影響Fig.9 Impact of automobile restriction on daily average travel distance by car in December 2016

圖10 分環(huán)路日次均出行距離Fig.10 Daily average travel distance on different ring roads

圖11 某上班族通勤路徑Fig.11 Acommuting routing example

北京市小汽車日次均出行距離為11.4 km，對比節(jié)假日小汽車出行距離變化(見圖8)可以看出，節(jié)假日出行距離明顯增長，國慶期間平均出行距離為12.4 km。星期一至星期日日次均出行距離呈現(xiàn)逐步增長的周期性特征。

由圖9可以看出，單雙號限行政策實施期間，小汽車日次均出行距離明顯增長，平均出行距離為12.6 km，相比日常增加1.2 km。結(jié)合圖4，單雙號限行期間，小汽車日均出車率明顯降低，而日次均出行距離卻顯著升高。

各環(huán)路間日次均出行距離如圖10所示，通勤出行距離整體高于全目的出行距離，且越遠(yuǎn)離中心城區(qū)通勤距離越長，五環(huán)外通勤出行距離最長為13.7 km，給中心城區(qū)道路網(wǎng)帶來巨大壓力。

除了直接計算小汽車出行特性指標(biāo)外，通過對智駕數(shù)據(jù)深層次地挖掘分析，可獲得駕駛?cè)颂卣鳌⒙肪W(wǎng)使用情況等交通特征。

3.1 小汽車用戶畫像

根據(jù)小汽車用戶的出行次數(shù)、出行距離、出行時間、出行目的地等信息提取，可推測用戶是上班族、加班族、接送孩子、專車駕駛員等不同的用戶類型。

1）案例一：上班族。

上班族有規(guī)律的居住地和工作地，每天規(guī)律出行。如圖11所示，該駕駛?cè)烁叻鍟r段出行頻繁往返于廣安門內(nèi)和酒仙橋之間，居住地與工作地間出行占出行總量的60%，具有明顯通勤特征，可判斷該駕駛?cè)藶樯习嘧濉?/p>

篩選出全體上班族出行特征參數(shù)(見圖12)，上班族全天出發(fā)時間分布比例整體趨勢與全類型相吻合，但上班族出行早晚高峰更為集中，早高峰出行出發(fā)時間早30 min。

2）案例二：專車駕駛員。

跟蹤駕駛?cè)顺鲂熊壽E(見圖13)，未發(fā)現(xiàn)明顯的通勤出行規(guī)律。將個人用戶與路網(wǎng)小汽車平均出行特征指標(biāo)進(jìn)行對比，結(jié)果顯示，路網(wǎng)日均出行距離為59.8 km，個人用戶日均為142.4 km，是路網(wǎng)平均值的2.4倍；路網(wǎng)日均出行次數(shù)為4.5次，個人用戶日均為8.2次，是路網(wǎng)平均值的1.8倍；路網(wǎng)日均出行時耗為122.3 min，個人用戶日均為353 min，是路網(wǎng)平均值的2.9倍。個人用戶各出行特征參數(shù)均顯著高于路網(wǎng)平均值，結(jié)合出行軌跡判斷，推測該駕駛?cè)藶閷＼囻{駛員。

篩查出全體專車的出行特征數(shù)據(jù)，通過與全類型車輛對比(見圖14)，專車車輛出車率更高，日間(8:00—20:00)在途車輛比例高于全體平均水平13%。

3.2 非直線系數(shù)

非直線系數(shù)是指出行路徑OD點之間實際行駛距離與空間直線距離之比。北京市的路網(wǎng)類型主要為棋盤式，實際道路由于缺乏軸向快速路和環(huán)路聯(lián)絡(luò)線，且局部路網(wǎng)不完善，導(dǎo)致繞行距離大大增加，目前北京市路網(wǎng)平均非直線系數(shù)(含跨行政區(qū))為1.68，存在繞行較遠(yuǎn)情況。

不同行政區(qū)內(nèi)出行的非直線系數(shù)見圖15，其中行政區(qū)內(nèi)出行指出行軌跡全部在該行政區(qū)的出行。整體來看，城六區(qū)和門頭溝區(qū)非直線系數(shù)較高，其中朝陽區(qū)非直線系數(shù)最大為1.70，東城區(qū)、海淀區(qū)、石景山區(qū)、門頭溝區(qū)次之，均為1.68，延慶縣最低為1.45。

計算北京市各區(qū)縣之間非直線系數(shù)，分別列舉系數(shù)最小和最大的前八位(見圖16)。以平谷區(qū)為起終點的出行繞行較小，其中非直線系數(shù)最小的出行是平谷到順義為1.24；東西城區(qū)出行繞行較遠(yuǎn)，非直線系數(shù)最大為2.01。

4 結(jié)語

車載OBD數(shù)據(jù)能夠較好地反映小汽車出行全過程的行為特征，填補(bǔ)小汽車出行行為動態(tài)跟蹤的空白。本文利用北京市2016年智駕數(shù)據(jù)進(jìn)行分析，論述了基于車載OBD數(shù)據(jù)的小汽車整體出行特征指標(biāo)分析方法，對交通政策的實施效果進(jìn)行定量評價。此外，作為小汽車出行大數(shù)據(jù)，通過數(shù)據(jù)的深入挖掘，可獲得更深層次的出行信息，包括精準(zhǔn)刻畫用戶畫像、識別用戶類型、描繪出行軌跡、評價路網(wǎng)結(jié)構(gòu)、實時監(jiān)控路網(wǎng)停車分布需求等方面。不僅如此，車載OBD數(shù)據(jù)還能實時監(jiān)測評估機(jī)動車排放情況，分析駕駛?cè)诵袨樘卣?。今后還將與其他交通大數(shù)據(jù)進(jìn)行融合分析，挖掘更多的出行特征以及對交通運(yùn)行的影響，深度分析擁堵原因，為小汽車出行精細(xì)化管理和政策制定提供支持。

圖12 上班族全天出發(fā)時間分布比例Fig.12 Distribution of departure time of commuters

圖13 某駕駛?cè)艘蝗粘鲂熊壽EFig.13 Travel routing of a driver in one day

圖14 專車駕駛員群體出行特征Fig.14 Travel characteristics of drivers of special car reservation

圖15 北京市行政區(qū)內(nèi)出行非直線系數(shù)Fig.15 Nonlinear coefficients of travel within the administrative districts of Beijing

圖16 各區(qū)縣間出行非直線系數(shù)最小和最大前八位Fig.16 Top eight counties and districts with minimum and maximum travel nonlinear coefficients

[1]張?zhí)烊?基于手機(jī)信令數(shù)據(jù)的上海市域職住空間分析[J].城市交通，2016，14(1)：15-23.Zhang Tianran.Job-Housing Spatial Distribution Analysis in Shanghai Metropolitan Area Based on Cellular Signaling Data[J].Urban Transport of China,2016,14(1):15-23.

[2]馬春景.基于手機(jī)信令數(shù)據(jù)的流動人口出行特性分析方法研究[D].南京：東南大學(xué)，2016.Ma Chunjing.Study on Methods of Analyzing the Floating Population Trip Characteristics Based on Phone Signaling Data[D].Nanjing:Southeast University,2016.

[3]徐文遠(yuǎn)，鄧春瑤，劉寶義.基于公交IC卡數(shù)據(jù)的公交客流統(tǒng)計方法[J].中國公路學(xué)報，2013，26(5):158-163.Xu Wenyuan,Deng Chunyao,Liu Baoyi.Approach on Public Traffic Passenger Flow Statistics Based on IC Data[J].China Journal of Highway&Transport,2013,26(5):158-163.

[4]左快樂.基于IC卡數(shù)據(jù)的不同時間層次公交客流預(yù)測方法與應(yīng)用研究[D].南京：東南大學(xué)，2016.Zuo Kuaile.Research on Passenger Flow Forecasting Method and Application in Different Level of Time Based on IC Smart Card Data[D].Nanjing:Southeast University,2016.

[5]吳佩莉，劉奎恩，郝身剛，等.基于浮動車數(shù)據(jù)的快速交通擁堵監(jiān)控[J].計算機(jī)研究與發(fā)展，2014，51(1)：189-198.Wu Peili,Liu Kuien,Hao Shengang,et al.Rapid Traffic Congestion Monitoring Based on Floating Car Data[J].Journal of Computer Research and Development,2014,51(1):189-198.

[6]萬霞，陳峻，王煒.我國組團(tuán)式城市小汽車出行特性研究[J].城市規(guī)劃學(xué)刊，2007(3)：86-89.Wan Xia,Chen Jun,Wang Wei.Analysis the Car Trip Characteristics of Clustered City[J].Urban Planning Forum,2007(3):86-89.

[7]高峰，郭彥云，陳金川.基于出行鏈方式的私人小汽車出行屬性分析方法研究[J].交通運(yùn)輸系統(tǒng)工程與信息，2011，11(S1)：132-139.Gao Feng,Guo Yanyun,Chen Jinchuan.Study on the Travel Attributes of Private Cars on the Basis of Home-Based Trip Chains[J].Journal of Transportation Systems Engineering&Information Technology,2011,11(S1):132-139.

[8]劉明君，郭繼孚，高利平，等.私人小汽車出行行為特征分析與建模[J].吉林大學(xué)學(xué)報(工學(xué)版)，2009，39(S2)：25-30.Liu Mingjun,Guo Jifu,Gao Liping,et al.Analysis and Modeling of Private Car Usage through Travel Behavior[J].Journal of Jilin University(Engineering and Technology Edition),2009,39(S2):25-30.

[9]武文，帥斌，殷煥煥，等.基于BL模型的居民小汽車出行行為研究[J].交通運(yùn)輸工程與信息學(xué)報，2012(3)：71-75.Wu Wen,Shuai Bin,Yin Huanhuan,et al.Study of Travel Behavior by Car Based on BL Model[J].Journal of Transportation Engineering&Information,2012(3):71-75.

[10]文萍，趙鵬軍.北京舊城小汽車出行研究及綜合規(guī)劃框架[J].國際城市規(guī)劃，2014，29(2):52-58.Wen Ping,Zhao Pengjun.Car Use in the Historic City Centre of Beijing:An Empirical Analysis and Integrated Planning Proposal[J].Urban Planning International,2014,29(2):52-58.

[11]北京交通發(fā)展研究院.第五次北京城市交通綜合調(diào)查總報告[R].北京：北京交通發(fā)展研究院，2016.

Characteristics of Travel by Car Based on OBD Data:A Case Study in Beijing

Guo Jifu1,2,Sun Jianping1,2,Wen Huimin2,Zhao Xiang2,Lei Fangshu2
(1.Beijing Jiaotong University,Beijing 100044,China;2.Beijing Transport Institute,Beijing Key Laboratory of Urban Traffic Operation Simulation and Decision Support,Beijing International Science and Technology Cooperation Base of Urban Traffic,Beijing 100073,China)

The characteristics of travel by car significantly affect the operation of urban roadway network.Analyzing the characteristics of travel by car with the collected data is critical for developing the strategies that aim to change car travel behavior and reduce the usage of motor vehicles.It can also provide support for adequate traffic management and the policy making.Based on the cars’travel and routing information collected by on vehicle-borne(OBD),this paper proposes a methodology for the car travel characteristics analysis.The paper discusses several indicators such as car usage rate,travel frequency and distance,as well as the characteristics of changes in travel indicators in different time,at different regions and under different policies.By exploring travel characteristics thoroughly using big data,the paper further obtains the user profile and nonlinear coefficient of roadway network.The result shows that the OBD data can effectively reflect the characteristics of car travel and can quantitatively assess the performance of travel demand management policies.

traffic management;car travel;travel characteristics;OBD data;user profile;travel routing

1672-5328（2017）05-0070-08

U491

A

10.13813/j.cn11-5141/u.2017.0511

2017-08-15

科技北京百名領(lǐng)軍人才培養(yǎng)工程“交通數(shù)據(jù)挖掘團(tuán)隊”(Z161100004916021)、北京市科技計劃項目“基于偽碼信令數(shù)據(jù)的京津冀出行分析關(guān)鍵技術(shù)和系統(tǒng)”(Z161100005116006)、北京市科技計劃項目“北京市路況信息融合與統(tǒng)一發(fā)布示范平臺”(Z161100001116094)

郭繼孚(1966—)，男，河北豐寧人，博士，教授級高級工程師，北京交通大學(xué)兼職教授，北京交通發(fā)展研究院院長。主要研究方向：交通規(guī)劃、智能交通。E-mail:guojf@bjtrc.org.cn