用出租车GPS数据分析深圳道路交通情况

2011年浙江科技学院校内选拔赛（初赛）承诺书我们仔细阅读了中国大学生数学建模竞赛的竞赛规则.我们完全明白，在竞赛开始后参赛队员不能以任何方式（包括电话、电子邮件、网 上咨询等）与队外的任何人（包括指导教师）研究、讨论与赛题有关的问题。我们知道，抄袭别人的成果是违反竞赛规则的 ，如果引用别人的成果或其他公开的 资料（包括网上查到的资料），必须按照规定的参考文献的表述方式在正文引用处和参 考文献中明确列出。我们郑重承诺，严格遵守竞赛规则，以保证竞赛的公正、公平性。如有违反竞赛规 则的行为，我们将受到严肃处理。我们参赛选择的题号是（从 A/B/C/D中选择一项填写）： B我们的参赛报名号为（如果赛区设置报名号的话）：所属学校（请填写完整的全名）：浙江科技学院参赛队员（打印并签名）：1.康文豪2. 3. 指导教师或指导教师组负责人（打印并签名）：日期：2011 年7 月/曰编号专用页赛区评阅编号（由赛区组委会评阅前进行编号）：赛区评阅记录（可供赛区评阅时使用）：评阅人评分备注全国统一编号（由赛区组委会送交全国前编号）：全国评阅编号（由全国组委会评阅前进行编号）：用由租车GPsa据分析深圳道路交通情况摘要本文根据深圳市区出租车实时 GPSR据，通过SAS软件、MATLAB与EXCELS 件等工具与物理、数学等知识对整个深圳市区交通情况作一个实时动态分析。对于问题一，首先我们利用SASft件、EXCE欧件与物理运动学知识较精确统计出部分出租车在2011.4.18 2011.4.26 一个星期内所有上下客点的位置坐标，然后用MATLA颤件对这些数据点画出散点图与深圳地图对比，从而不断改进数据以减少误差。接着用SAS软件对这些数据点进行动态聚类分析，进而分成6个区，并以小区的重心坐标作为各小区坐标。对于问题二，我们用SASa件对以上数据点进行判别分析， 可得所 有上下客点所属小区，进而得出载客出租车的OD时空分布。对于问题三，我们对人们出行的OD时空分布进行空间和时间两角度推断：空间角度推断，在模型二中得出的人 们出行的OD寸空数量分布，我们先计算出人们出行的 OD时空百分数分布（人们出行的 OD寸空数量分布=人们出行的总数*人们出行的OD寸空百分数分布）；时间角度推断， 同问题二研究方法相同，我们再统计出1： 00， 3:00,5:00,7:00,9 ： 00， 11： 00， 13：00, 15: 00, 17: 00, 19: 00, 21: 00, 23: 00十二个时刻下人们的 OD寸空百分数分 布，根据这十二个时刻下的人们出行 OD时空百分数分布情况，采用MATLA版合工具箱 多项式拟合，得拟合曲线，这样即可推断出一天24小时里任一时刻下人们出行 OD时空 百分数分布情况。对于问题四，我们用MATLA歆件对部分出租车在一天24小时内载客 速度关于时间的散点图，从而得出拥挤的时段。再采用问题二的判别分析方法，对部分出租车出行的OD时空分布进行分析，同时统计出采样出租车的车速，计算出每种OD寸空分布的平均车速。路段交通情况用各小区之间的交通平均车速大小来表示；路口交通情况用各小区内部的交通平均车速大小来表示。假定：25km/h 以上为畅通，25km/h 以下为拥堵。本文对各问题皆做了较为完整的回答，并在模型检验时不断修正以减少误差，并对仍存在的误差给出了合理的解释。所用的方法思想在解决本题的同时具备适用范围广与可靠性强的特点。关键词： GPS 动态分析SAS 动态聚类分析Matlab 判别分析OD 时空分布一、问题重述各大城市出租车越来越多的安装了 GP索端，这些终端能够每隔1分钟向出租车管 理中心发送本车的位置、速度和方向等信息，是车辆GPSK时数据。原始数据主要保存出租车上装配的GP索端所采集的数据，这些数据包括序号，车牌号码，GPS寸问，经度，纬度，车辆状态（ 空车、重车） ，车辆速度，车辆方向（8 个方向 ） 等信息。附注网站提供了深圳市出租车GP酸据，从这些数据你是否能够：1 . 根据出租车载客的起讫点，结合深圳市的交通地图，恰当的划分交通小区，并 选择小区中的某一点，用其经纬数值作为该小区的坐标。2 .根据小区划分和出租车GP漱据，给出载客出租车的OD时空分布。如：某时刻 从坐标 （i, j） 到 （i , j ）、 （i , j ）的出租车有多少辆。3 .由此，在合理的假设条件下，能否对人们出行的OD寸空分布进行推断？4 . 根据出租车载客后的行驶数据，筛选出拥堵的路段时段以及拥堵的路口时段。拥堵的标准自己设定，如某路段在某个时段平均行驶速度小于多少公里/ 小时（比如，10公里 /小时），可认为是拥堵。二、模型假设一股来说，交通小区的划分应该遵循以下原则：1）同质性，分区内的经济社会等特性尽量一致2）小区划分尽量不打破行政区的划分，以便可以利用行政区的统计资料3）分区数量适当，数量太少又会降低调查和分析的精度（4）对于已做过OD调查的城市，最好维持原已划分的小区三、符号说明1 .name车牌号2 .time 采集时间点（格式： YYYY/MM/DD hh:mm:ss）3 .jd 经度4 .wd 纬度5 .status车辆状态（0 =非打表，即：空载；1 =已打表，即：重载）6 .v 车速（单位为：km/h）7 .angle行车方向（0 =东；1=东南；2=南；3 =西南；4=西；5=西北；6=北;7=东北）四、模型建立与求解1、问题一我们选择部分出租车在2011.4.18 2011.4.26 一个星期内GP缴据信息出租车 作为研究对象，如果出租车在两分钟内完成客人上车又下车两个过程，或者下车又上车两个过程的话，我们先将这些特殊的数据去掉。0-1表示出租车上客过程，1-0表示出租车下客过程，结合匀变速直线运动相关知识，可以计算出客人确切的上客点和下客点 位置坐标，然后用matlab软件作出出租车上客点和下客点的散点图，这样我们得到了 深圳区人流的分布图。再用SASB计软件对这些数据点进行动态聚类分析， 共分成六类， 同时作出对应的聚类图。然后，选取每个聚类中各点的重心坐标作为这个该小区的坐标。1.1模型建立出租汽车上客点与下客点位置的确定：根据装载GPS的出租汽车在传回数据中的运营状态指标来判断出租汽车的载客情 况，0表示空车,1表示重车（载客）。上客表示相邻两点出租汽车的状况从空车变成重 车，即从0变成1,下客表示相邻两点出租汽车的状况从重车变成空车，即从1变成0。从而可以确定车辆运营状态的转换区间。在找出转换区间之后，需要确定上下客点的位置。为此，利用物理学知识求解，具 体过程如下：相邻两点运营状态值为不同值（即0和1）,假定前一个点P1 （速度为VJ到停车点（上客或者下客点）之间车辆作匀减速运动，停车点P（速度为0）到后一个点P2 （速度V2） 之间车辆作加速度大小相同的匀加速运动，加速度为a。上客和下客停车时间很短，可 以忽略不计。显然，相邻两点之间的距离S、时间t、瞬时速度V1和V2为已知的。只要求出从前一个点到停车点的距离6或者从停车点到后一个点的距离 S2,即可确定上下客点的位置。假设线段P1P2在P点的定比分比为。P P这段路程，出租车作匀减速直线运动，对应的物理学规律为：2V 2asP P2这段路程，出租车作匀加速直线运动，对应的物理学规律为：V22 2aS2根据定比分比的定义，我们可以得到：S, VS2 V22进而可以得到上下客点坐标公式为：xpXi1yiiX2y2根据上面的计算结果，可以得到较为准确的上下客点的位置(Xp, yp),据此可以得出上下客点所属的路段和小区01.2数据处理为了作图方便，将采集到的数据点中的经纬度坐标作如下变换处理。经纬度坐标与区域坐标换算公式如下：x (wd 22.49548) 1000y (jd 113.8148) 1000其中，用excel软件分析可以得到，采集的数据点中纬度的最小值为22.49548,经度的最小值为113.8148。最后我们可以得到出租车上下客点的位置坐标，具体数据 见附录一。当用excel软件统计分析计算出上客点和下客点坐标后，然后用 matlab软件做出 这些数据点的散点图。对应的 Matlab程序见附录二。Matlab散点图：16020140120100806040050100150200250300350400450图上下客点散点图从matlab散点图中，我们可以看出，深圳市东南部区域的人流密度比较大，人口 比较集中；深圳市西南部区域人流密度相对比较小，人口相对比较稀松。这和实际情况比较符合。同时，将其与深圳市实际地图作对照，散点图的轮廓基本与深圳市的市区边 界相符。图深圳市的区域图为了进一步了解深圳市人流分布情况以及考虑到区域划分实际情况，我们用SAS次件对这些数据点进行动态聚类分析，并且作出对应的聚类图。SASS序见附录三。通过聚类分析，我们也可以得到每一个区域的数据点坐标。 数据见附录四。我们以每个区域 的重心坐标作为每个小区的位置坐标。聚类图：16014012010080604005010015020025030035040045020图上下客点聚类图结合聚类分析的结果，以及上下客点聚类图，我们可以知道：这六个小区的大致位 置，具体编号如上图所示，以及这六个小区的位置坐标。小区编号位置坐标1(410.0, 58.4)2(1.0 ,152.7)3(304.2 , 67.4)4(124.2 , 47.0)5(222.0 , 115.0)6(240.8 , 47.9)用matlab软件作出每个小区的大致轮廓图以及每个小区的重心。程序见附录五图各小区轮廓图从该图中，我们可以大致看出六个小区的轮廓，这和深圳市实际划分比较符合。聚类分析：聚类分析是研究分类问题的一种多元统计方法。所谓类，就是指相似元素的集合。把相似的东西归成类，根据相似的程度将研究目标进行分类。所谓距离，就是表示测度 样品之间的亲疏程度。将每一个样品看作 p维空间的一个点，并用某种度量测量点与 点之间的距离，距离较近的归为一类，距离较远的点应属于不同的类。本文中，我们用 欧氏距离对数据之间进行测距。dj J (Xi x-i 1动态聚类法：基本思想：选取若干个样品作为凝聚点， 计算每个样品和凝聚点的距离，进行初始 分类，然后根据初始分类计算其重心， 再进行第二次分类，一直到所有样品不再调整为 止。流程图：图动态聚类法流程图基本步骤：一、选择凝聚点；二、初始分类；对于取定的凝聚点，视每个凝聚点为一类，将每个样品根据定义的距离向最近的凝聚点归类。三、修改分类；得到初始分类，计算各类的重心，以这些重心作为新的凝聚点，重新进 行分类，重复步骤2, 3,直到分类的结果与上一步的分类结果相同，表明分类已 经合理为止。2、问题二为了得到载客出租车的OD时空分布，我们将对2011.4.18那天13: 30的367辆载 客出租车进行研究。分别找出13: 30之前最近的01变化的两个数据（上客点），13: 30之后最近的10变化的两个数据（下客点），由上客点的两个数据和下客点的两个 数据，和模型一同理，我们可以分别计算出上客点和下客点的具体经纬度坐标。再结合 模型一已经聚类分析后的六个区域，运用SASa件，我们对这些数据点再进行判别分析， 进而可以得到这些上客点和下客点分别属于哪个区域。再对这些数据点进行分类，共分 为36类。然后统计下每个类别的数量，这样我们就得到了给定时刻下的载客出租车的 OD寸空分布。2.1模型建立为了得到载客出租车的OD时空分布，我们将对2011.4.18那天13: 30的367辆载 客出租车进行研究。分别找出13: 30之前最近的01变化的两个数据（上客点），13: 30之后最近的10变化的两个数据（下客点），每一辆出租车就有四个数据点，这样 我们得到了 1468个数据点。具体数据见附录六。与模型一同理，根据物理学规律，由上客点的两个数据和下客点的两个数据， 我们 可以分别计算出上客点和下客点的具体经纬度坐标。具体数据见附录七。运用SASS计软件，在模型一聚类分析的基础上，我们对模型二中的上下客点的位 置坐标作进一步的判别分析。SA*U别分析程序见附录八。这样我们可以得到上下客点 所属的区域。具体数据见附录九。然后，根据每个乘客的上客点和下客点情况不一样，上客点有 6种情况，同样，下 客点也有6种情况，这样出租车从上客点到下客点总共有：6*6=36种OD寸空分布情况。 对每种OD时空分布数量进行统计，我们可以得到如下的 OD寸空分布表。1234561212021010120000003201600154002410540405060022012表中O代表上客点，D代表下客点，比如坐标位置（3, 1）的值为20,代表某 一段时间内，共有20辆出租车从3号区域前往1号区域，并且乘客是在3号区域上 车，在1号区域下车由表可以知道，2011.4.18那天13: 30,所选的367辆载客出租车的OD寸空分布。 同理，我们可以对任意时刻，任意数量的载客出租车进行同样的OD时空分布分析。3、问题二人们出行的OD时空分布，我们可以从两个角度进行推测，一个是空间角度推断， 还有一个是时间角度推断。所谓的空间角度推断，就是说在给定的时刻下，统计推断出 人们出行的OD时空数量分布；所谓的时间角度推断，就是说根据之前的人们出行的OD时空数量分布情况，我们推断出下一个时刻的人们出行的OD时空数量分布。3.1模型建立1）空间角度推断我们选择2011.4.18那天下午13:30作为研究对象，根据模型二，我们已经得到了 该时刻下的载客出租出的OD时空分布，也就是该时刻下的人们出行的 OD时空分布。1234561212021010120000003201600154002410540405060022012接着用excel软件作出人们出行 OD时空数量分布的条形图。2011.4.18 ,13:30,人们出行0时空数量分布图口 11 12 13 14 15口 16 2 1口 22 B23 24口 2 5口 26 3 1 32 33 34 3 5口 36口 4 1口 4 2 口 4 3口 44 4 5 46 5 1 5 2口 5 3 5 4口 55口 56 6 1口 62 63 64 6 5 6 6起讫点为0D了更加准确的描绘人们出行的0D时空分布，我们将数据值转变成百分数。这样便得到人们出行时空百分数分布表。123456157.8%0.0%5.7%0.0%2.7%0.3%20.0%0.0%0.0%0.0%0.0%0.0%35.4%0.3%16.3%0.0%0.3%1.4%40.0%0.0%0.5%1.1%0.3%0.0%51.1%0.0%1.1%0.0%1.4%0.0%60.0%0.0%0.5%0.5%0.0%3.3%同时用excel软件作出人们出行0D寸空百分数分布的条形图2011.4.18,13:30 ,人们出行OD寸空百分数分布图70.0%起讫点 11 12口 13口 14 1 5 01 6 21 2 2 23 24口 25口 26 31 32 33 34 35口 36 4 1 4 2口 43口 44口 45口 46 51 5 2 53口 54 55 56 6 1 6 2 6 3 64 6 5 66同理，我们可以对任意时刻下，人们出行的OD时空分布进行统计分析。2）时间角度推断对于某时刻下的深圳市，人们出行的OD时空分布，我们用百分数表示，这样有：人们出行的OD时空数量分布=人们出行的总数*人们出行的OD时空百分数分布。 我们选取2011.4.18那天下午 5 个时间点作为研究对象，13:30,14:30,15:30,16:30,17:30 。对于13:30时刻下，我们已经得到了人们出行的OD时空百分数分布。人们出行的OD时空百分数分布表7123456157.8%0.0%5.7%0.0%2.7%0.3%20.0%0.0%0.0%0.0%0.0%0.0%35.4%0.3%16.3%0.0%0.3%1.4%40.0%0.0%0.5%1.1%0.3%0.0%51.1%0.0%1.1%0.0%1.4%0.0%60.0%0.0%0.5%0.5%0.0%3.3%人们出行的OD时空百分数分布图 11 12口 13口 14 1 5 01 6 21 2 2 23 24口 25口 26 31 32 33 34 35口 36 4 1 4 2口 43口 44口 45口 46 51 5 2 53口 54 55 56 6 1 6 2 6 3 64 6 5 66起讫点同样方法，对其它时刻下的，人们出行的OD时空百分数分布进行研究。这样，我们便得到了:14:30时刻下，人们出行的 OD时空百分数分布表:7123456159.0%0.0%9.0%0.0%6.0%1.0%20.0%0.0%0.0%0.0%0.0%0.0%36.0%0.0%15.0%0.0%3.0%0.0%40.0%0.0%0.0%0.0%0.0%0.0%50.0%0.0%0.0%0.0%1.0%0.0%60.0%0.0%0.0%0.0%0.0%0.0%14:30时刻下，人们出行的 OD时空百分数分布图:2011.4.18 , 14:30,人们出行OD寸空百分数分布图70.0%60.0%数分百50.0%40.0%30.0%20.0%10.0%0.0%1起讫点 1 1口 12 13 口 14 1 5 口 1 6 21口 22 23口 24 口 25 口 26 31 32 33 34口 35 口 36 口 41口 42 口 43口 44 口 45 口 46 51 52口5354 55 56 61 6 2 6 3 6 4 6 5 6 615:30时刻下，人们出行的 OD时空百分数分布表:%?、123456164.2%0.0%3.2%0.0%6.3%0.0%20.0%0.0%0.0%0.0%0.0%0.0%32.1%0.0%17.9%0.0%4.2%1.1%40.0%0.0%0.0%0.0%0.0%0.0%51.1%0.0%0.0%0.0%0.0%0.0%60.0%0.0%0.0%0.0%0.0%0.0%15:30时刻下，人们出行的 OD时空百分数分布图:2011.4.18 , 15:30,人们出行OD寸空百分数分布图70.0%60.0%50.0%40.0%30.0%20.0%10.0%0.0%起讫点 11 12口 13口 14 1 5 01 6 2 1 口2 2 23 24口 25 26 31 32 33 34口 35 口 3641 口4 2口 43口 44口 45 口 46 51 5 2 53 54口 55 口 56 6 1 口6 2 6 3 64 65 6616:30时刻下，人们出行的 OD时空百分数分布表:0,123456153.1%0.0%8.2%0.0%4.1%0.0%20.0%0.0%0.0%0.0%0.0%0.0%36.1%0.0%17.3%0.0%3.1%0.0%40.0%0.0%0.0%0.0%0.0%0.0%53.1%0.0%4.1%0.0%0.0%0.0%60.0%0.0%0.0%0.0%1.0%0.0%16:30时刻下，人们出行的 OD时空百分数分布图:布情况。预测数据见下表。起讫点 11 12口 13口 14 15口 1 6 21口22 23 24口 25 26 31 32 33 34口 35口 36 4 1口 4 2 口 4 3口 44口 45 4 6 51 5 2 53口 54口 55 56 6 1口62 63 64 6 5 66数分百17:30时刻下，人们出行的 OD时空百分数分布表:123456157.6%0.0%6.1%0.0%5.1%0.0%20.0%0.0%0.0%0.0%0.0%0.0%34.0%0.0%12.1%0.0%5.1%1.0%40.0%0.0%0.0%0.0%0.0%0.0%53.0%0.0%4.0%0.0%2.0%0.0%60.0%0.0%0.0%0.0%0.0%0.0%17:30时刻下，人们出行的 OD时空百分数分布图:2011.4.18 , 17:30,人们出行OD寸空百分数分布图起讫点70.0%60.0%数分百50.0%40.0%30.0%20.0%10.0%0.0% 111一2 13口14 1501 6 21口22 23 24 25 26 3132口 33 34 35 36 410 42 43 44 口45 46口 51口52 53口54口55 5661口626364 6566然后，我们用matlab软件cftool拟合工具箱对人们出行的 OD时空百分数分布，进 行拟合，总共可以得到36条拟合曲线，这这些曲线刚好对应于36种人们出行的OD时 空百分数分布情况，通过拟合曲线我们可以预测下一时刻人们出行的 OD时空百分数分13:3014:3015:3016:3017:3018:30（预测数 据）1 10.5780.5900.6420.5310.5760.6781 20.0000.0000.0000.0000.0000.0001 30.0570.0900.0320.0820.0610.0921 40.0000.0000.0000.0000.0000.0001 50.0270.0600.0630.0410.0510.1081 60.0030.0100.0000.0000.0000.020210.0000.0000.0000.0000.0000.000220.0000.0000.0000.0000.0000.000230.0000.0000.0000.0000.0000.000240.0000.0000.0000.0000.0000.000250.0000.0000.0000.0000.0000.000260.0000.0000.0000.0000.0000.000310.0540.0600.0210.0610.0400.029320.0030.0000.0000.0000.0000.003330.1630.1500.1790.1730.1210.078340.0000.0000.0000.0000.0000.000350.0030.0300.0420.0310.0510.042360.0140.0000.0110.0000.0100.012410.0000.0000.0000.0000.0000.000420.00.00.00.00.00.0000000000000430.0050.0000.0000.0000.0000.005440.0110.0000.0000.0000.0000.011450.0030.0000.0000.0000.0000.003460.0000.0000.0000.0000.0000.000510.0110.0000.0110.0310.0300.052520.0000.0000.0000.0000.0000.000530.0110.0000.0000.0410.0400.079540.0000.0000.0000.0000.0000.000550.0140.0100.0000.0000.0200.038560.0000.0000.0000.0000.0000.000610.0000.0000.0000.0000.0000.000620.0000.0000.0000.0000.0000.000630.0050.0000.0000.0000.0000.003640.0050.0000.0000.0000.0000.003650.0000.0000.0000.0100.0000.000660.0330.0000.0000.0000.0000.020我们截取几张具有代表性的拟合曲线。1 1表示从第一小区到第一小区的OD时空分布。Linear model Poly4:f(x) = p1*xA4 + p2*xA3 + p3*xA2 + p4*x + p5 Coefficients:pl =0.02175p2 =-0.2948p3 =1.394p4 =-2.691p5 =2.364Goodness of fit:SSE: 5.301e-029R-square: 1Adjusted R-square: NaNRMSE: NaN1-3表示从第一小区到第三小区的OD时空分布。Linear model Poly4:f(x) = p1*xA4 + p2*xA3 + p3*xA2 + p4*x + p5 Coefficients:pl =-0.01575p2 =0.2222p3 =-1.105p4 =2.268p5 =-1.529Goodness of fit:SSE: 3.693e-029R-square: 1Adjusted R-square: NaNRMSE: NaNLinear model Poly4:f(x) = p1*xA4 + p2*xA3 + p3*xA2 + p4*x + p5Coefficients:pl =P2 = p3 = p4 = p5 =0.002167-0.025170.09033-0.093710.03828Goodness of fit:SSE: 2.769e-031R-square: 1Adjusted R-square: NaNRMSE: NaNLinear model Poly4:f(x) = p1*xA4 + p2*xA3 + p3*xA2 + p4*x + p5Coefficients:pl =-0.011P2 =0.1527P3 =-0.744p4 =1.486p5 =-0.9603Goodness of fit:SSE: 1.827e-029R-square: 1Adjusted R-square: NaNRMSE: NaN3-3Linear model Poly4:f(x)= Coefficients:p1 = p2 = P3 = p4 = p5 =p1*xA4 + p2*xA3 + p3*xA2 + p4*x + p50.00275-0.045830.2589-0.58050.5921Goodness of fit:SSE: 3.687e-030R-square: 1Adjusted R-square: NaNRMSE: NaN3-5Linear model Poly4:f(x) = p1*xA4 + p2*xA3 + p3*xA2 + p4*x + p5Coefficients:p1 =0.002583P2 =-0.03233P3 =0.1355p4 =-0.2069p5 =0.1045Goodness of fit:SSE: 2.092e-030R-square: 1Adjusted R-square: NaNRMSE: NaN从以上拟合曲线可看出效果较好，现根据统计一天十二个时刻的1-1的百分比数(1,3,5,7,9,11,13,15, 17,19,21,23:0.12,0.11,0.19,0.61,0.71,0.48,0.59,0.44,0.37,0.65,0.73,0.42) 做出拟合曲线Linear model Poly8:f(x) = p1*xA8 + p2*xA7 + p3*xA6 + p4*xA5 +p5*xA4 + p6*xA3 + p7*xA2 + p8*x + p9Coefficients (with 95% confidence bounds):pl =P2 =6.374e-0101.713e-008p3 = -4.973e-006p4 = p5 = p6 =P7 = p8 = p9 =0.0002126-0.0038110.03079-0.095290.086550.2035(-6.714e-008, 6.841e-008) (-6.496e-006, 6.53e-006)(-0.0002637, 0.0002537) (-0.005275, 0.0057) (-0.07081,0.06319) (-0.4415, 0.5031) (-1.914, 1.723) (-3.229, 3.403) (-1.764, 2.171)Goodness of fit:SSE: 0.01284R-square: 0.9698Adjusted R-square: 0.8893RMSE: 0.06542Linear model Poly9:f(x) = p1*xA9 + p2*xA8 + p3*xA7 + p4*xA6 +p5*xA5 + p6*xA4 + p7*xA3 + p8*x-2 + p9*x + p10Coefficients (with 95% confidence bounds):pl =9.237e-009(6.523e-009, 1.195e-008)P2 =-9.97e-007(-1.29e-006, -7.037e-007)p3 =4.556e-005(3.214e-005, 5.898e-005)p4 =-0.001149(-0.001488, -0.0008105)p5 =0.01746(0.01232, 0.0226)p6 =-0.1633(-0.2114, -0.1153)p7 =0.9187(0.6472, 1.19)p8 =-2.883(-3.752, -2.015)p9 =4.368(3.004, 5.732)p10 =-2.036(-2.765, -1.308)Goodness of fit:SSE: 0.0001186R-square: 0.9997Adjusted R-square: 0.9985RMSE: 0.007701从而可推断一天里任一时刻的 1-1的OD时空情况。我们假设：某时刻下人们出行的总数 =该时刻下 载客出租车数量，再结合统计公式：人们出行的OD时空数量分布=人们出行的总数*人们出行的OD时空百分数分布，我们可以推测出一天里任一时刻下人们出行的OD时空数量分布。4、问题四我们用MATLAB软件对部分出租车在一天 24小时内载客速度关于时间的散点图，从而得出拥挤的时段。我们选择2011.4.18那天14:30,100辆载客出租出作为研究对象，和问题二处理方式一样，每一辆出租车，我们采集六组数据：14:30之前最近的01状态变化的两个数据，14:30之后最近的1 0状态变化的两个数据，对于这四组数据，我们用 SAS软件进行判别分析，从而得到这些出 租车的OD时空分布；还有14:30前后最近两个数据， 我们用这两组数据统计出，这些出租车在14:30时刻的车速，采用算术平均统计方式。我们假设：路段的拥堵情况，可以用不同小区之间的交通拥堵情况来表示，即对应小区之间的 平均车速大小来表示；路口的拥堵情况，可以用小区到自身小区的交通拥堵情况来表示，即小区内 部的平均车速大小来表示。4.1模型建立我们用MATLAB软件对部分出租车在一天 24小时内载客速度关于时间的散点图，从而得出拥挤的时段。我们选择2011.4.18那天14:30,100辆载客出租出作为研究对象，和问题二处理方式一样，每一辆出租车，我们采集六组数据（具体数据见附录十一）：14:30之前最近的01状态变化的两个数据，14:30之后最近的1 0状态变化的两个数据，对于这四组数据，我们用SAS软件进行判别分析（SAS判别程序见附录十二），从而得到这些出租车的 OD时空分布；还有14:30前后最近两个 数据，我们用这两组数据统计出，这些出租车在14: 30时刻的车速，采用算术平均统计方式。整合后的数据见附录十三。我们先分类出所有1 1,1 26 6的车辆，并对每一类的车速计算其算术平均数。 1）拥堵时段统计。 8g OOGDcm oO GDGDO Ogo*：溺oo wCCD) 0008 g Q) GCOOooCDoo:)oQ 。 000001 碰回co oOO 8gWOMCCSD000oooo00OCTO 00O (O OOB&OOOOO OO ? OOCDOaugwsa111 gSooooooooo 0029g pcocml000LOSOC088S80Q9 o o8 o oo ooo 。声已。ooosss- Beooo I?Fg宣 xLAljlao 一 图，0902080680 o og oo i 0800 80 0 0ooo 080U OOO0O8KM-glxl( Qgixote1_8Ko 昌03豆一篙分arrOXXEaKtlnD2Ksm?0OS畲。o OSS8OOO s8 acwraElgi人二日Ba苍o oo o o ooo oo oo 00o o oo o o 您00825o 80 00809 o CWAgQQcc8C Q 8 c00SHS s 08 o D。 IC86HBO cc20 e0080 asus R8 Hv08 OQfls o 0 008o Q 8 08BO o coOODCEEEE/I5 g QHBnssasoQ Bi- 0 SSSCOB- aoBoo 821SBQ s c10Q o o 8 - 一 一 - e Q 一 o u o 00 0 9 8 7 6 5ooJI0 080t 8 &g ByB Q 038 o os 0 ooiswHBOBW o co 0 Q iHloisilB- Q o o ccfl i SW- o 。 89 B BilBBO a Qc cosecGSDmw15 。口目。8 o * ooo OB o o o 8 so c OQ。o。 OQO O 2 9O88 &iBIBi808X 。 o # 6 .sgft00A8 aBdoso o o o 口口。目 as oOQ 0-C8C Qg BiH- fly 8 #Q 目平均速 度123456117.70.023.40.026.131.020.00.00.00.00.00.0可看出拥堵时段为：7:00-8:00,17:00 18:00.2）拥堵路段、路口统计345.60.025.50.025.20.040.00.00.0P 0.0 10.00.050.00.00.00.016.00.060.00.00.00.00.00.0对该表格中的数据，我们可以知道：平均车速越大的交通，也不拥堵；平均车速越小的交通，越拥堵。由于采样的数据比较少，导致有些类别情况的车辆为零，进而计算平均速度时其值也为零。结合实际情况，我们可以知道，当某个小区的车辆数量接近零时，或者小区到另一小区的车辆数量接近零时，明显，这种情况下的交通会比较通畅。因此，我们对该表中的数据进行修正。将0.0等效于很大的车速，不如用畅通来表示。平均速 度123456117.7畅通23.4畅通26.1r 31.02畅通畅通畅通畅通畅通畅通345.6畅通25.5畅通25.2畅通4畅通畅通畅通畅通畅通畅通5畅通畅通畅通畅通16.0畅通6畅通畅通畅通畅通畅通畅通我们假设：25km/h以上的车速的道路，认为是畅通的；25km/h以下的车速的道路，认为是拥堵的。这样我们可以得到路段路口交通情况表。平均速 度1234561拥堵畅通拥堵畅通畅通畅通2畅通畅通畅通畅通畅通畅通3畅通畅通畅通畅通畅通畅通4畅通畅通畅通畅通畅通畅通5畅通畅通畅通畅通拥堵畅通6畅通畅通畅通畅通畅通畅通由该路段路口交通情况表，我们可以得到：2011.4.18下午14:30,深圳市路段、路口交通拥堵情况：路段交通拥堵情况A小区到第二小区畅通A小区到第三小区拥堵A小区到第四小区畅通A小区到第五小区畅通A小区到第六小区畅通第二小区到第一小区畅通第二小区到第三小区畅通第二小区到第四小区畅通第二小区到第五小区畅通第二小区到第六小区畅通第三小区到第一小区畅通第三小区到第二小区畅通第三小区到第四小区畅通第三小区到第五小区畅通第三小区到第六小区畅通第四小区到第一小区畅通第四小区到第二小区畅通第四小区到第三小区畅通第四小区到第五小区畅通第四小区到第六小区畅通第五小区到第一小区畅通第五小区到第二小区畅通第五小区到第三小区畅通第五小区到第四小区畅通第五小区到第六小区畅通第六小区到第一小区畅通第六小区到第二