劉俊宇，葛振澎，李 想

(沈陽(yáng)化工大學(xué)，遼寧 沈陽(yáng) 110142)

隨著經(jīng)濟(jì)的高速發(fā)展，國(guó)內(nèi)各大機(jī)場(chǎng)客流量的逐漸加大。各大機(jī)場(chǎng)出租車(chē)拒載、宰客等不良現(xiàn)象時(shí)有發(fā)生。一般來(lái)說(shuō)出租車(chē)送完客人到達(dá)浦東機(jī)場(chǎng)后，空載駛回市區(qū)成本較高，大多數(shù)就地加入排隊(duì)接客行列中[1]。但某些時(shí)刻司機(jī)在機(jī)場(chǎng)排隊(duì)等客時(shí)間較長(zhǎng)，且司機(jī)并不希望從機(jī)場(chǎng)拉載近途乘客，一部分司機(jī)會(huì)選擇空車(chē)回城。因此，司機(jī)從機(jī)場(chǎng)返程時(shí)產(chǎn)生了進(jìn)入等客區(qū)排隊(duì)載客，即載客回城和直接開(kāi)空車(chē)回城到市區(qū)再拉客，即空載回城，這兩種返程方式。對(duì)出租車(chē)司機(jī)返程方式的預(yù)測(cè)將有利于對(duì)機(jī)場(chǎng)出租車(chē)的數(shù)量監(jiān)控和調(diào)度管理。本文綜合考慮決策影響因素，引入小時(shí)客流量指數(shù)、替代物因子、氣象因子、機(jī)場(chǎng)出租車(chē)飽和度、空載損失度等指標(biāo)在MATLAB環(huán)境下利用層次分析法構(gòu)建出綜合決策權(quán)重得分模型，并通過(guò)控制限和得分的比較給出決策。

1 數(shù)據(jù)預(yù)處理

首先參考文獻(xiàn)[2]對(duì)上海強(qiáng)生公司出租車(chē)GPS 數(shù)據(jù)[3]進(jìn)行速度閾值、時(shí)間閾值、空載去噪、時(shí)間降維等數(shù)據(jù)預(yù)處理并篩選出浦東機(jī)場(chǎng)附近的出租車(chē)坐標(biāo)，數(shù)據(jù)預(yù)處理流程如圖1所示。

圖1 數(shù)據(jù)預(yù)處理流程圖

圖2 處理好的機(jī)場(chǎng)出租車(chē)GPS數(shù)據(jù)樣表

處理好的數(shù)據(jù)樣表如圖 2 所示。其列標(biāo)從左到右依次代表車(chē)機(jī)號(hào)、控制字、業(yè)務(wù)狀態(tài)、載客狀態(tài)、頂燈狀態(tài)、業(yè)務(wù)狀態(tài)、無(wú)意義字段、接收日期、GPS時(shí)間經(jīng)度緯度速度方向、衛(wèi)星數(shù)。其中應(yīng)尤為關(guān)注的是第4、12、13、14列。

提取上海市2018年4月8日12:00 和16:00浦東機(jī)場(chǎng)內(nèi)出租車(chē)GPS數(shù)據(jù)，建立出租車(chē)分布可視化模型如圖3、4所示，其中紅色為滿(mǎn)載車(chē)，綠色為空載車(chē)，從圖可以看出不同時(shí)間段內(nèi)機(jī)場(chǎng)內(nèi)出租車(chē)數(shù)量和空載比變化較大。

圖3 12:00機(jī)場(chǎng)出租車(chē)分布

圖4 16:00機(jī)場(chǎng)出租車(chē)分布

2 指標(biāo)定義

2.1 小時(shí)客流量指數(shù)

為簡(jiǎn)便模型我們以機(jī)場(chǎng)單位時(shí)間內(nèi)航班數(shù)表征機(jī)場(chǎng)小時(shí)客流量，并假設(shè)每個(gè)航班有50%的乘客選擇乘坐出租車(chē)?？傻脷w一化機(jī)場(chǎng)小時(shí)客流量指數(shù)：

其中，Nri為小時(shí)流量指數(shù)，NMAXNmin分別為某天每小時(shí)進(jìn)出港航班數(shù)的最大最小值，Ni為第i小時(shí)進(jìn)出港航班數(shù)。

2.2 替代物因子

考慮到機(jī)場(chǎng)周邊其他交通工具對(duì)選擇乘坐出租車(chē)人數(shù)的影響，假設(shè)有25%的人選擇出租車(chē)以外的公共交通工具，可引入替代物因子Rri：

其中，Rri為第i小時(shí)的替代物因子，RMAX,Rmin分別表示第i小時(shí)內(nèi)機(jī)場(chǎng)周邊可用公共交通工具數(shù)的最大最小值。

2.3 氣象因子

陰雨天打車(chē)人數(shù)、平均打車(chē)?yán)锍痰纫蛩貢?huì)發(fā)生變化，特引入氣象因子如下：

2.4 機(jī)場(chǎng)出租車(chē)飽和度

將租車(chē)在“乘車(chē)區(qū)”的排隊(duì)時(shí)間對(duì)出租車(chē)司機(jī)決策的影響因素稱(chēng)機(jī)場(chǎng)出租車(chē)飽和度飽和度：

其中，Tri為出租車(chē)飽和度，Tli為載客出租車(chē)個(gè)數(shù)，Tei為空載出租車(chē)數(shù)。

2.5 空載損失度

損失度表征出租車(chē)空載回城的收益損失程度：

其中，Ce出租車(chē)一次載客的收益，Ch為出租車(chē)各小時(shí)最高、低收益。

其中，Ti為機(jī)場(chǎng)出租車(chē)小時(shí)飽和度，Tei,Tfi分別為小時(shí)機(jī)場(chǎng)內(nèi)空車(chē)和載客出租車(chē)數(shù)，TMAX，Tmin分別為某天機(jī)場(chǎng)內(nèi)最大最小出租車(chē)數(shù)。

3 權(quán)重模型

利用層次分析法[4]綜合考量各影響指標(biāo)可得出租車(chē)決策層次模型，如圖5所示。參考Saaty等人提出的成對(duì)比較尺度在查閱大量資料和文獻(xiàn)后，綜合考量各成分的相對(duì)重要性后得相對(duì)比較矩陣A。

圖5 出租車(chē)決策層次模型

在MATLAB 2019a環(huán)境下運(yùn)行AHP算法0.006360秒后可求得綜合權(quán)重矩陣：

因此可得綜合決策權(quán)重模型：

ωi表示第i小時(shí)的綜合決策指標(biāo)，該值越大越應(yīng)該選擇載客回城?？山o出租車(chē)司機(jī)的決策方案。

4 模型求解

圖6 小時(shí)-機(jī)場(chǎng)航班數(shù)曲線(xiàn)

從上海市機(jī)場(chǎng)管理局官方網(wǎng)站[5]可獲得航班信息和交通情況，經(jīng)過(guò)處理可得浦東機(jī)場(chǎng)一天(以19年5月12日為例)內(nèi)航班數(shù)隨小時(shí)變化曲線(xiàn)如圖6。可看出凌晨0～5時(shí)航班數(shù)較少，且2～3時(shí)航班數(shù)出現(xiàn)波谷，8～22時(shí)航班數(shù)較多且變化較為穩(wěn)定。此外，可得機(jī)場(chǎng)周邊可用交通工具數(shù)隨時(shí)間變化曲線(xiàn)(圖7)?？芍?～17時(shí)交通工具數(shù)達(dá)峰值且不發(fā)生變化，3～5時(shí)和17～23時(shí)變化幅度較大。

圖7 小時(shí)-機(jī)場(chǎng)公共交通工具數(shù)曲線(xiàn)

圖8 全市出租車(chē)坐標(biāo)K-means聚類(lèi)分析

現(xiàn)實(shí)生活中出租車(chē)每單收益與行駛里程存在分段函數(shù)關(guān)系。為簡(jiǎn)便計(jì)算出租車(chē)平均收益，可以認(rèn)為某時(shí)刻某點(diǎn)出租車(chē)密度越大出租車(chē)則越有可能前往該地，為進(jìn)一步簡(jiǎn)化模型我們使用K-means算法對(duì)出租車(chē)坐標(biāo)點(diǎn)進(jìn)行聚類(lèi)分析，將區(qū)域中心坐標(biāo)值代替該區(qū)域其他坐標(biāo)點(diǎn)的坐標(biāo)值。從而可以由的收益計(jì)算方法近似得到由機(jī)場(chǎng)載客駛出的平均收益。以12:10數(shù)據(jù)為例，代碼運(yùn)行時(shí)間 0.831527 秒得聚類(lèi)圖(圖8)、各區(qū)中心坐標(biāo)(表1)。

表1 各區(qū)域中心點(diǎn)信息表

對(duì)表1中距離對(duì)區(qū)域內(nèi)坐標(biāo)個(gè)數(shù)取加權(quán)平均后，帶入表的收益計(jì)算規(guī)則，可得由機(jī)場(chǎng)載客駛出的平均收益：

白天平均載客駛出的平均收益 (05:00-23:00)：143.5968(元)

夜間平均載客駛出的平均收益 (23:00-05:00)：186.0486(元)

由權(quán)重模型的各指標(biāo)計(jì)算公式，計(jì)算出相應(yīng)指標(biāo)如表2(空載損失度由本問(wèn)中的平均收益計(jì)算值代替)，其中出走空車(chē)比表示某時(shí)刻機(jī)場(chǎng)內(nèi)靜止空車(chē)與運(yùn)動(dòng)空車(chē)的比值，可較好的表征出租車(chē)司機(jī)的實(shí)際決策情況，以此檢驗(yàn)決策模型的可靠度并對(duì)控制限進(jìn)劃定。

表2 各指標(biāo)計(jì)算結(jié)果統(tǒng)計(jì)表

5 劃定控制限

圖9 決策控制限劃定圖

由表3，可發(fā)現(xiàn)決策指標(biāo)在0.4左右變化時(shí)出走空車(chē)比的變化幅度顯著，如對(duì)比表格第一行和第四行發(fā)現(xiàn)ω由0.42變化為0.36時(shí)出走空車(chē)比變化較大。因此我們將控制限擬定為0.4，如圖9所示，在控制限左側(cè)認(rèn)為大部分出租車(chē)司機(jī)會(huì)選擇空車(chē)回城，在控制限右側(cè)則大部分司機(jī)會(huì)選擇客回城。

6 相關(guān)性檢驗(yàn)

可使用Spss軟件求取各指標(biāo)與出走空車(chē)比的相關(guān)性，其中各因子得分均較高，結(jié)果如表3所示。 再用Spss對(duì)ω與出走空車(chē)比進(jìn)行了皮爾遜相關(guān)性分析，兩者線(xiàn)性相關(guān)性顯著如表4，這證明了模型各指標(biāo)選取的合理性。

表3 各指標(biāo)與出走空車(chē)比的相關(guān)性

表4 ω與出走空車(chē)比的相關(guān)性

注：**，在0.01級(jí)別(雙尾)，相關(guān)性顯著。

7 總結(jié)

本文提出的是一種基于層次分析法的理想化的機(jī)場(chǎng)出租車(chē)返程方式預(yù)測(cè)模型，并使用Spss軟件驗(yàn)證了各指標(biāo)選擇的合理性。本模型只需對(duì)GPS數(shù)據(jù)進(jìn)行簡(jiǎn)單處理，運(yùn)算簡(jiǎn)便可用性強(qiáng)。不足之處在于抽取的樣本數(shù)過(guò)少，本文劃定的控制限僅供參考。進(jìn)一步的研究可多取數(shù)據(jù)使控制限的劃定更合理。