基于時空地理加權(quán)回歸的服務區(qū)駛?cè)肓坑绊懸蛩胤治?/h1>

2023-07-31 05:05:46田曉梅崔洪軍朱敏清馬新衛(wèi)

科學技術(shù)與工程訂閱 2023年20期 收藏

關(guān)鍵詞：小型車交通量服務區(qū)

田曉梅,崔洪軍*,朱敏清,馬新衛(wèi)

(1.河北工業(yè)大學土木與交通學院,天津 300401;2.河北工業(yè)大學建筑與藝術(shù)設計學院,天津 300401)

近年來,隨著中國高速公路的高速發(fā)展以及汽車保有量的提升,公眾出行不斷增長,服務區(qū)數(shù)量也隨之增加,截至2020年底,中國高速公里數(shù)達1.6×104km[1],按中國服務區(qū)50 km標準間距估算,目前服務區(qū)數(shù)量約3 220對。在發(fā)展過程中,部分區(qū)域的服務區(qū)不同車型在某些時段的車位供需矛盾也日益凸顯。問題的產(chǎn)生原因,很大程度是由于車位規(guī)模及比例通常依賴標準進行配置,沒有考慮不同服務區(qū)不同車型駛?cè)肓烤哂袝r空特性,導致停車位配置不合理。服務區(qū)車輛駛?cè)肓渴沁M行服務區(qū)基礎設施規(guī)劃設計的前提,其影響因素十分復雜,包括服務區(qū)建設運營因素、道路交通因素以及車輛及司乘人員因素等,時間和空間作為基本要素卻往往被忽略。因此,急需從時間和空間的維度揭示各種因素對服務區(qū)不同車型駛?cè)肓康挠绊?從而為科學合理地進行服務區(qū)停車位統(tǒng)籌規(guī)劃提供理論依據(jù)。

眾多學者針對服務區(qū)車輛駛?cè)腴_展了研究。部分學者運用數(shù)理統(tǒng)計方法,閆寒等[1]提出了基于車輛連續(xù)行駛時間的駛?cè)肼蕼y算方法。王殊等[2]基于排隊理論對傳統(tǒng)的高峰小時駛?cè)肼实拇_定進行了改進,李彤[3]結(jié)合司乘需求產(chǎn)生規(guī)律采用Logistic模型研究貨車駛?cè)敕諈^(qū)的概率。還有學者基于各類影響因素對駛?cè)肼蔬M行建模預測研究,姬楊蓓蓓等[4]在美國聯(lián)邦公路局FHWA模型的基礎上引入集裝箱卡車流量特有影響因素,提出了改進的集裝箱卡車流量預測法。陳力云等[5]結(jié)合服務區(qū)運營狀況及服務區(qū)上下游路段車輛因素與時序特征構(gòu)建了服務區(qū)車流量時序優(yōu)化預測模型。孫朝云等[6]采用機器學習的方法,基于時間序列特征以及服務區(qū)交通量特征,對服務區(qū)短期交通流量進行預測。

總的來說,目前對于服務區(qū)駛?cè)肓康难芯恐饕ɑ跀?shù)理統(tǒng)計的測算和基于影響因素的預測。前者依賴大量樣本數(shù)據(jù)的數(shù)量和質(zhì)量,且有效性難以得到驗證,而后者的研究聚焦于預測方法上的創(chuàng)新,影響因素大多局限于的服務區(qū)建設運營情況、道路交通及車輛特征方面[7]。目前已有學者基于服務區(qū)駛?cè)肓康臅r序特征進行了建模研究,但從時空角度結(jié)合復雜影響因素對服務區(qū)不同車型駛?cè)肓孔饔玫难芯咳詫儆诳瞻住，F(xiàn)有的影響因素分析與建模常用的模型有最小二乘法回歸模型[8]、空間誤差模型[9]、空間滯后模型[10]等傳統(tǒng)的常參數(shù)計量模型。袁夢雨等[11]在普通最小二乘法模型中引入樣本點地理位置的函數(shù),構(gòu)建了地理加權(quán)回歸模型(geographically weighted regression,GWR),描述研究對象在空間上的差異性,但該模型無法刻畫交通領域車輛數(shù)據(jù)的潮汐性。

為同時考慮高速公路服務區(qū)不同車型駛?cè)肓康臅r間非平穩(wěn)性和空間非平穩(wěn)性,基于多源數(shù)據(jù)構(gòu)建時空地理加權(quán)回歸模型(geographically and temporally weighted regression,GTWR),影響因素的選取除基本的服務區(qū)規(guī)模及其所在高速公路屬性外,還引入地理區(qū)位因素用來表征服務區(qū)的空間特性。針對服務區(qū)關(guān)聯(lián)區(qū)域考慮了土地利用變量的影響,將各服務區(qū)每月小型車、中型車和大型車駛?cè)肓孔鳛轭A測的因變量,從空間和時間兩方面揭示服務區(qū)規(guī)模、地理區(qū)位、關(guān)聯(lián)區(qū)域土地利用、所在高速公路屬性幾類因素對服務區(qū)車輛駛?cè)肓考败囆徒Y(jié)構(gòu)的影響,最終針對不同區(qū)域特點的服務區(qū)提出有利的停車位規(guī)劃及調(diào)整的建議。從時空角度研究了服務區(qū)駛?cè)肓坑绊懸蛩氐淖饔脵C理,對于今后宏觀調(diào)控以及合理配置服務區(qū)各類服務設施與資源具有一定的參考作用。

1 研究區(qū)概況與數(shù)據(jù)處理

1.1 研究區(qū)域

截至2019年,河北省高速公路總里程達7 476 km,省內(nèi)共33條高速路線(含在建高速),服務區(qū)數(shù)量達110個。以河北省內(nèi)的26條高速路線(包括京秦高速、榮烏高速、黃石高速、京滬高速、青銀高速、長深高速、大廣高速京衡段、大廣高速衡大段、京港澳高速等)沿線的78個服務區(qū)作為研究對象,數(shù)據(jù)來源由河北省高速公路管理局提供,所提供服務區(qū)2019年全年正常營業(yè)。圖1為所研究的服務區(qū)一月車輛駛?cè)肓康目臻g分布情況。

圖1 服務區(qū)車輛駛?cè)肓靠臻g分布圖Fig.1 Spatial distribution map of vehicle entry in the service area

1.2 解釋變量與數(shù)據(jù)來源

主要目的是探究服務區(qū)規(guī)模、地理區(qū)位因素、關(guān)聯(lián)區(qū)域土地利用及其所處高速公路屬性之間的關(guān)系。其中地理區(qū)位是一個復雜的要素,包括地理位置、因特定目的聯(lián)系起來的地區(qū)的社會經(jīng)濟因素[11]。選取服務區(qū)地理位置、斷面交通量、社會經(jīng)濟人口屬性及三類因子來解釋地理區(qū)位要素。根據(jù)文獻[3],貨車連續(xù)行駛時間2.5～4 h區(qū)間的駛?cè)肓空伎偭康?0%;而客車連續(xù)行駛時間2～3.5 h區(qū)間的駛?cè)肓空伎偭康?0%。因此2～4 h車程區(qū)域內(nèi)土地利用可以反映出區(qū)域內(nèi)交通出發(fā)點的類型。

所需多源數(shù)據(jù)包括服務區(qū)歷史車輛駛?cè)霐?shù)據(jù)、服務區(qū)規(guī)模數(shù)據(jù)、服務區(qū)斷面交通量、服務區(qū)地理位置相關(guān)數(shù)據(jù)、所屬縣區(qū)社會經(jīng)濟人口數(shù)據(jù)(年GDP、路網(wǎng)密度、客運站點密度及人口密度)、關(guān)聯(lián)區(qū)域(2～4 h車程)內(nèi)的土地利用,及其所屬高速公路等級和沿途資源型城市數(shù)量。其中,服務區(qū)車輛駛?cè)肓繑?shù)據(jù)與服務區(qū)規(guī)模數(shù)據(jù)由河北省高速公路管理局提供,包括78個2019年全年正常營業(yè)的服務區(qū)。車輛駛?cè)肓繑?shù)據(jù)時間跨度為2019年1—12月,數(shù)據(jù)結(jié)構(gòu)包含:服務區(qū)名稱、服務區(qū)所屬高速公路、樁號、每月小型車、中型車及大型車駛?cè)肓?。服務區(qū)規(guī)模數(shù)據(jù)包括服務區(qū)占地面積、建筑面積、服務設施數(shù)量。服務區(qū)月斷面交通量來源為河北省交通運輸廳編制的《2019年河北省公路交通情況調(diào)查資料匯編》。服務區(qū)地理位置數(shù)據(jù)(與上下游相鄰服務區(qū)、收費站間距、距行政中心距離)由高德地圖測量得到。年GDP、路網(wǎng)密度、人口密度數(shù)據(jù)來源于各城市統(tǒng)計年鑒。服務區(qū)2～4 h車程內(nèi)土地利用數(shù)據(jù)包括:客運站點密度(包括火車站、高鐵站)、風景名勝密度、興趣點(POI)數(shù)據(jù),由河北省各城市統(tǒng)計年鑒或通過Python軟件爬蟲獲得。高速公路等級分為國家級和地方級兩大類,用0-1變量表示(國家級=1,地方級=0)。資源型城市依據(jù)《全國資源型城市可持續(xù)發(fā)展規(guī)劃(2013—2020年)》所列出的資源型城市名單確定。

將服務區(qū)每月小型車、中型車及大型車駛?cè)肓孔鳛橐蜃兞?車型劃分及車輛折算系數(shù)參考《汽車分類國家標準》(GB 9417—89)。解釋變量分為四類:服務區(qū)屬性、地理區(qū)位因素變量、關(guān)聯(lián)城市土地利用變量和所處高速公路屬性。表1為各變量的定義與描述性統(tǒng)計。

表1 變量的定義與描述性統(tǒng)計Table 1 Definition and descriptive statistics of dependent and explanatory variables

2 研究方法

2.1 多重共線性

多重共線性是指線性回歸模型中的自變量之間具有高度相關(guān)關(guān)系,這將影響模型估計的準確性[12]。因此,在建模前采用方差膨脹因子(VIF)對解釋變量與服務區(qū)車輛駛?cè)肓筷P(guān)系進行共線性檢驗[13],其計算公式為

(1)

式(1)中:R為線性回歸中的決定系數(shù),表示回歸方程中解釋變量變化的大小。

VIF越大,說明解釋變量共線性越嚴重,VIF低于10,則解釋變量之間不存在高度共線性,可直接進行回歸分析[14]。本研究的解釋變量VIF值均小于10,VIF結(jié)果如表2所示。

表2 VIF結(jié)果Table 2 The results of VIF

2.2 空間自相關(guān)性

空間自相關(guān)性是指變量在同一空間分布內(nèi)的觀測數(shù)據(jù)之間具有潛在相關(guān)性,GWR建模前需進行自變量空間相關(guān)性分析[12]。Moran’s I(記為I)是進行空間自相關(guān)性分析的有效工具[12-14],其計算公式為

(2)

Z-score(記為Z)是檢驗Moran’s I指數(shù)統(tǒng)計顯著性的指標,其計算公式為[15]

(3)

式(3)中:E(I)和V(I)分別為I統(tǒng)計量的期望和標準偏差。

本研究的顯著性水平為0.05。

2.3 回歸模型

研究對最小二乘法(OLS)、GWR模型和GTWR模型進行證實分析,并對其擬合效果進行分析與比較。

最小二乘法(OLS)是進行回歸分析常用的線性回歸模型,其表達式為

(4)

式(4)中:i為第i個樣本點;Yi為第i個樣本點的被解釋變量;α0為線性回歸方程的截距;k為第k個解釋變量;αk為第k個解釋變量的回歸系數(shù);Xik為第i個樣本點的第k個解釋變量;θi為隨機誤差。

OLS模型無法反映參數(shù)在空間上的非平穩(wěn)性,GWR模型對傳統(tǒng)線性回歸模型進行了改進,引入了代表區(qū)域地理位置的函數(shù),在線性回歸模型之中加入了空間權(quán)重矩陣,從而展現(xiàn)參數(shù)估計的空間結(jié)構(gòu)差異,其計算公式為[15]

(5)

式(5)中:Yi為第i個樣本點的被解釋變量;(ui,vi)為第i個樣本點的空間經(jīng)緯度坐標;α0(ui,vi)為第i個樣本點的常數(shù)項;αk(ui,vi)為第k個解釋變量在第i個樣本點的回歸系數(shù);Xik為第i個樣本點的第k個解釋變量;θi為隨機誤差。

GTWR將時間維度嵌入回歸參數(shù)中,在時間上擴展了GWR模型。GTWR模型中自變量的回歸參數(shù)是隨著時空位置的變化而變化,不同服務區(qū)的車輛駛?cè)肓吭诓煌瑫r空也呈現(xiàn)出明顯差異性,因此使用GTWR模型在對其進行建模時能發(fā)揮其優(yōu)勢。GTWR模型表達式為[15]

(6)

式(6)中:ui、vi和ti分別為第i個樣本點的經(jīng)緯度坐標和時間坐標;(ui,vi,ti)為第i個樣本點的時空維度坐標;α0(ui,vi,ti)為第i個樣本點的常數(shù)項;αk(ui,vi,ti)為第k個解釋變量在第i個樣本點的回歸系數(shù)。

GTWR采用局部加權(quán)最小二乘進行回歸參數(shù)估計,計算公式為[15]

XTW(ui,vi,ti)Y

(7)

Wij(1≤j≤n)為時空距離衰減函數(shù),其計算公式為[16]

(8)

(9)

式(9)中:λ為調(diào)節(jié)系數(shù);uj、vj、tj分別為第j個樣本點的空間經(jīng)緯度坐標與時間坐標。

(10)

利用修正后的赤池信息量(AICc)作為模型決策的度量標準,AICc值最低的模型擬合優(yōu)度最佳[16]。所使用的模型參數(shù)估計工具為GWR4.0軟件。

3 模型結(jié)果與分析

3.1 模型結(jié)果比較

進行多重共線性分析和空間自相關(guān)性檢驗之后,分別建立OLS、GWR和GTWR模型,進行分析比較。模型決策度量指標中,R2越高,AICc值越小,說明自變量對因變量的解釋度越強[15]。如表3所示,GTWR模型的R2在小型車、中型車和大型車的分析中比傳統(tǒng)的GWR模型分別提高了0.443、0.509和0.505,比OLS模型分別提高了0.411、0.493和0.472;同時,GTWR模型的AICc值比傳統(tǒng)的GWR和OLS模型都小,表明GTWR模型能更好地刻畫解釋變量對服務區(qū)不同種類車輛駛?cè)肓康挠绊?能更好地擬合具有時空特征的數(shù)據(jù)。

表3 OLS、GWR和GTWR模型的比較結(jié)果Table 3 Comparison result of OLS,GWR and GTWR models

圖2為3種車型的GTWR模型擬合系數(shù),可表示各解釋變量對服務區(qū)小型車、中型車和大型車駛?cè)肓康挠绊懗潭?。其?擬合系數(shù)為正值時,表示對因變量有促進的影響,且絕對值越大,影響越大;擬合系數(shù)為負值時,表示對因變量有抑制的影響,且絕對值越大,影響越大[11]。

圖2 3種車型的GTWR模型擬合系數(shù)Fig.2 GTWR model fitting coefficients for three types of vehicles

3.2 擬合系數(shù)的時空特性

GTWR模型各個解釋變量的擬合系數(shù)隨著空間和時間的變化而變化。由于本文著重分析地理要素以及社會經(jīng)濟要素的影響,因此結(jié)合3.1節(jié)中3種車型的模型擬合系數(shù),從地理區(qū)位因素、關(guān)聯(lián)區(qū)域土地利用和高速公路屬性三類影響因素中選擇影響最為顯著的4個變量:2～4 h車程區(qū)域內(nèi)風景名勝密度、2～4 h車程區(qū)域內(nèi)工商業(yè)型POI密度、所屬高速沿途資源型城市數(shù)量與服務區(qū)周邊客運站點密度。服務區(qū)車輛駛?cè)肓渴菙嗝娼煌颗c駛?cè)肼实某朔e[5-6],見式(11),服務區(qū)斷面交通量是服務區(qū)車輛駛?cè)肓康闹匾绊懸蛩?。因?選擇服務區(qū)斷面交通量、2～4 h車程區(qū)域內(nèi)風景名勝密度、2～4 h車程區(qū)域內(nèi)工商業(yè)型POI密度、所屬高速沿途資源型城市數(shù)量與服務區(qū)周邊客運站點密度5個變量對模型擬合系數(shù)的時間與空間特性進行可視化分析。

Q=λQsection

(11)

式(11)中:Q為車輛駛?cè)肓?λ為車輛駛?cè)肼?Qsection為該服務區(qū)所處高速公路的斷面交通量。

3.2.1 擬合系數(shù)的時間特性

選取解釋變量擬合系數(shù)的平均值在時間維度的變化情況如圖3所示,3種線形分別代表各變量在對小型車、中型車、大型車駛?cè)肓康挠绊憽?/p>

圖3 所選取的5種變量的平均系數(shù)的時間分布Fig.3 Time distribution of the average coefficients for the five variables selected

由圖3(a)可知,服務區(qū)斷面交通量對車輛駛?cè)肓烤哂写龠M作用(這種促進作用可用駛?cè)肓颗c斷面交通量的比值來表示,稱為駛?cè)肼蔥5],促進作用越大駛?cè)肼试礁?。駛?cè)肼试?—9月份達到峰值,這是由于河北省夏季高溫炎熱,車輛空調(diào)能耗增大,且高溫天氣下駕駛員更容易產(chǎn)生疲勞,駕駛員生理以及心理需求均有所增加。相對于大中型車,小型車駛?cè)肼适軙r間的影響浮動更大,這是由于小型車出行通常更為靈活,彈性需求較多,而大中型車(大客車及大貨車)休息時間相對固定,駛?cè)肼适軙r間影響較小。圖3(b)表明服務區(qū)2～4 h區(qū)域內(nèi)風景名勝密度對駛?cè)肓坑写龠M作用,特別是5月、8月和10月作為一年中的旅游旺季,風景名勝作為吸引點提升了中小型車輛交通量,使得2～4 h車程距離服務區(qū)駛?cè)肓吭黾?。圖3(c)反映了2～4 h車程區(qū)域內(nèi)工商業(yè)型POI密度起促進作用。工商業(yè)型POI密度大的地方多為商品集散地,因此以這些地方作為起訖點的中小型貨車交通量較大,從而增加了2～4 h距離服務區(qū)的中小型車輛駛?cè)肓?促進作用的峰值出現(xiàn)在一年中的貨運高峰時期(12月—次年2月)。從圖3(d)可以看出,服務區(qū)所屬高速沿途資源型城市數(shù)量對于車輛駛?cè)刖哂写龠M作用,尤其是對于大中型車輛,且最高峰出現(xiàn)在11月—次年3月,對小型車駛?cè)肓康淖饔貌伙@著且無明顯時間規(guī)律。其原因為河北省供暖日期為11月—次年3月,期間煤炭貨運周轉(zhuǎn)量增加,而途徑資源型城市的高速路線,很大一部分承擔了煤炭運輸工作,從而對沿線服務區(qū)大中型車輛駛?cè)肓砍尸F(xiàn)顯著促進作用。如圖3(e)所示,服務區(qū)所在縣區(qū)大型客運站點密度對于中型車駛?cè)肓科鸫龠M作用,對小型車和大型車起抑制作用。這主要由于客運站點包括長途汽車站,增加了大客車駛?cè)肓?尤其是在1月春運,以及5月、10月小長假客運繁忙期,促進作用尤為顯著。而對應時期對小型車與大型車駛?cè)肓康囊种谱饔蔑@著,這是由于鐵路運輸與公路客貨運輸為競爭關(guān)系,客運站點密度大會導致更多人選擇鐵路運輸旅行或運輸貨物。

3.2.2 擬合系數(shù)的空間特性

借助ArcGIS可視化工具從空間的角度分析解釋變量擬合系數(shù)的平均值的分布情況。

如圖4所示,斷面交通量對3種車型駛?cè)肓烤鸫龠M作用,對小型車的影響最為顯著,中型車次之,對大型車的影響作用較小。這是由于小客車屬于個性化出行車流,其出行目的多樣化,出行時間線路隨意性較大,因此斷面交通量起到的促進作用顯著。而大型車由大型卡車、集裝箱車輛構(gòu)成,這類型車在高速公路上行使的線路和時間相對固定,因此斷面交通量起到的促進作用較小。3種車型在西北部受到的影響均較小。主要原因在于西北部的張家口、承德區(qū)域夏季氣溫相對較低,即使在一年中的駛?cè)肼史逯灯谙募?駛?cè)肼蕽q幅也不大,因此該地區(qū)服務區(qū)駛?cè)肓渴軘嗝娼煌坑绊懗潭刃　?/p>

圖4 服務區(qū)斷面交通量平均系數(shù)的空間分布Fig.4 Spatial distribution of average coefficients for traffic volume in the service area section

如圖5所示,2～4 h車程區(qū)域內(nèi)風景名勝密度對車輛駛?cè)肓科鸫龠M作用。小型車的擬合系數(shù)在張涿高速、榮烏高速、京秦高速路線達到峰值,中型車擬合系數(shù)在京秦高速、張承高速路段達到峰值。主要原因是張家口市、承德市、秦皇島市以及保定市旅游綜合競爭力高[7],形成了完善的旅游產(chǎn)業(yè)鏈,因此連接這些區(qū)域的高速路線上會吸引更多的大小客車,從而增加沿線服務區(qū)中小型車輛駛?cè)肓俊６笮蛙囀艿降挠绊懘蟛糠值貐^(qū)并不顯著,擬合系數(shù)在張家口市中心以及秦皇島市中心附近服務區(qū)達到峰值,主要原因為兩地旅游業(yè)繁榮,旅游景區(qū)物流供應增加了附近服務區(qū)大型車駛?cè)肓俊?/p>

圖5 2～4 h車程區(qū)域內(nèi)風景名勝密度平均系數(shù)的空間分布Fig.5 Spatial distribution of average coefficients for density of scenic spots in the driving area of 2 to 4 h

如圖6所示,2～4 h車程區(qū)域內(nèi)工商業(yè)型POI密度對車輛駛?cè)肓科鸫龠M作用,其中對于大中型車的影響最為顯著。這是由于工商業(yè)型POI密度大的地方多為商品集散地,貨運周轉(zhuǎn)量大。擬合系數(shù)峰值集中在石家莊、邯鄲、雄安新區(qū)以及環(huán)京津區(qū)域的服務區(qū),主要原因是石家莊、邯鄲的大型企業(yè)數(shù)量在河北省位于前列,包括冶金、鋼鐵、汽車以及醫(yī)藥等方面,而雄安新區(qū)以及環(huán)京津地區(qū)是“京津冀一體化”建設的重要樞紐,因此該區(qū)域交通量受到工商業(yè)密度的影響更顯著。

如圖7所示,高速沿途資源型城市數(shù)量對于沿途服務區(qū)車輛駛?cè)肓科鸫龠M作用,尤其是對于大中型車。高速沿途資源型城市可以在一定程度上反映高速公路行駛的貨運車輛數(shù)量。從空間上看,擬合系數(shù)在唐山、張家口、邢臺以及邯鄲市區(qū)域達路段達到峰值,這些資源型城市,擁有煤礦、石油礦以及金屬礦等豐富的礦產(chǎn)資源,沿線高速公路承擔著向全國各地輸送礦產(chǎn)的任務,大中型貨車交通量相對較大,因此大中型車輛駛?cè)肓渴艿降拇龠M作用顯著。

圖7 高速沿途資源型城市數(shù)量平均系數(shù)的空間分布Fig.7 Spatial distribution of average coefficients for number of resource-based cities along the highway

如圖8所示,服務區(qū)所在地(區(qū)縣)客運站點密度對于服務區(qū)中型車駛?cè)肓烤哂写龠M作用,而對小型車及大型車駛?cè)肓慨a(chǎn)生抑制作用。客運站密度大使得客流更多地選擇大客車,高速公路上中型車流量增加;貨流選擇鐵路運輸,高速公路小型車及大型車流量減少。從空間上看,衡水、承德及張家口地區(qū)服務區(qū)的小型車駛?cè)肓渴芸瓦\站點密度的影響最為顯著,其原因在于這些城市的經(jīng)濟在省內(nèi)排名靠后,經(jīng)濟欠發(fā)達地區(qū)人均機動車擁有量相對較低,居民更傾向于選擇客運站點出行。

圖8 服務區(qū)所在地客運站點密度平均系數(shù)的空間分布Fig.8 Spatial distribution of average coefficients for density of passenger stations where the service area is located

4 結(jié)論

采用時空地理加權(quán)回歸模型,研究了服務區(qū)大中小3種車型的駛?cè)肓康挠绊懸蛩卦跁r空上的特性及規(guī)律,得到以下結(jié)論。

(1)與OLS模型和GWR模型相比,地理加權(quán)回歸模型能更好地從時空的角度刻畫解釋變量對服務區(qū)不同類型車輛駛?cè)肓康挠绊?擬合度高,針對3種車型構(gòu)建的模型R2均達到了0.8以上,遠遠高于其他模型。

(2)對小型車駛?cè)肓坑绊懽畲蟮囊蛩貫?～4 h車程區(qū)域內(nèi)風景名勝POI密度,其促進作用在旅游旺季最為顯著,斷面交通量對于小型車駛?cè)肓看龠M作用次之,且在夏季高溫地區(qū)顯著。同時這些地區(qū)服務區(qū)的大型車駛?cè)肓渴艿降拇龠M作用不顯著,因此建議2～4 h車程區(qū)域內(nèi)風景名勝POI密度大的服務區(qū)和位于夏季高溫地區(qū)的服務區(qū)分別在旅游旺季和夏季高溫月份增設小型車停車位,或者將空閑率較高的大型車停車位臨時改為小型車停車位,緩解這些服務區(qū)在旅游旺季的小型車停車壓力。

(3)2～4 h車程區(qū)域內(nèi)工商業(yè)型POI密度對于大中型車駛?cè)肓坑绊懽畲?尤其是當服務區(qū)位于大型企業(yè)數(shù)量多的貿(mào)易發(fā)達城市時影響最為顯著,并在一年中的貨運高峰時期達到峰值。建議針對此類服務區(qū)在每年的貨運高峰期提高大中型車輛停車位的占比。

(4)高速沿線資源型城市數(shù)量對大型車的駛?cè)肓看龠M作用最為顯著,尤其是在北方冬季供暖的月份,而該因素對中小型車輛的作用相對較小。針對這一特點,建議在供暖月份為高速沿線資源型城市數(shù)量大的服務區(qū)增設大型車停車位,具備技術(shù)條件的服務區(qū),也可探索建設小型車立體停車位,節(jié)省用地空間,從而滿足大型車停車需求。

(5)在未來,智慧服務區(qū)建設成為發(fā)展方向,在把握駛?cè)肓繒r空規(guī)律的基礎上與智慧基礎設施建設相結(jié)合,提高司乘人員服務體驗,該領域尚需進一步探討。

猜你喜歡

小型車交通量服務區(qū)

基于AIoT+GIS的智慧服務區(qū)構(gòu)建

中國交通信息化(2023年1期)2023-03-18 02:01:40

基于ETC門架數(shù)據(jù)的高速公路交通量轉(zhuǎn)換探究

中國交通信息化(2022年4期)2022-06-17 01:05:00

高速公路服務區(qū)信息技術(shù)的應用

中國交通信息化(2020年4期)2021-01-14 01:30:40

基于動態(tài)差法的交通量監(jiān)測技術(shù)應用

中國交通信息化(2018年6期)2018-08-29 01:19:34

高速公路補償交通量模型研究

中國交通信息化(2017年5期)2017-06-06 07:20:05

建言高速公路服務區(qū)實現(xiàn)“雙提升”

中國公路(2017年5期)2017-06-01 12:10:10

基于四階段法的公路交通量預測研究

北方交通(2016年12期)2017-01-15 13:52:51

小型車用液壓混合動力系統(tǒng)的開發(fā)

汽車與新動力(2015年1期)2015-02-27 12:11:02

小型汽車在美打“翻身仗”

中國報道(2010年2期)2010-08-15 00:47:43

通用舍中國在印度造小型車

環(huán)球時報(2010-01-20)2010-01-20 12:04:41

科學技術(shù)與工程2023年20期

科學技術(shù)與工程的其它文章

半開放式的多車場移動充電車路徑優(yōu)化

基于多指標評估云模型的車載動力鋰電池火災風險研究

基于雙向耦合作用流場中異形筘內(nèi)緯紗運動穩(wěn)定性分析

考慮光伏機理與數(shù)據(jù)驅(qū)動結(jié)合的短期功率預測

基于三維多上行先導模型的高建筑物年雷擊次數(shù)分析

基于響應面法的片麻巖尾礦燒結(jié)磚優(yōu)化工藝研究