EN中文

Economic geography >

2019 , Vol. 39 >Issue 3: 225 - 231

DOI: https://doi.org/10.15957/j.cnki.jjdl.2019.03.027

Road Traffic Status in the Surrounding of Urban Tourist Attractions Based on FCD

  • GAO Yueer , 1 ,
  • CUI Guizi 1 ,
  • XU Chuan , 2, 3, ※ ,
  • BIAN Jingwei 1
Expand
  • 1. College of Architecture，Huaqiao University，Xiamen 361021，Fujian，China
  • 2. College of Transportation and Logistics，Southwest Jiaotong University，Chengdu 611756，Sichuan，China
  • 3. National United Engineering Laboratory of Integrated and Intelligent Transportation， Southwest Jiaotong University，Chengdu 610031，Sichuan，China

Received date: 2018-04-07

  Revised date: 2018-12-12

  Online published: 2025-04-29

Fold

Abstract

The rapid development of China's tourism industry and the large population base lead to the explosive growth of the traffic demand during holidays, and this problem is particularly prominent in famous tourist attractions. Based on the floating car data in Xiamen, this paper firstly compared various spatial interpolation methods and applied Kriging interpolation method to determine the impact scope of road traffic status in the surrounding of tourist attractions; Secondly, the two-fluid model is introduced to evaluate the traffic status of the tourist attractions; Finally, taking Xiamen University-Nanputuo Temple tourist attractions as a research object, this paper delimited the traffic impact scope of the tourist attractions applying Kriging interpolation method, compared the road traffic status on tourism day, weekday and weekend, and empirically analyzed the impact of tourist attractions on the surrounding road network traffic state. Studying the road traffic state around the urban tourist attractions is helpful to understand the contradiction between the supply and demand, and provide basis for the planning and management of the urban tourist attractions and urban road traffic.

Key words： tourism; urban tourist attractions; floating car data(FCD); spatial interpolation analysis; impact scope; road traffic status; urban road system

Cite this article

GAO Yueer , CUI Guizi , XU Chuan , BIAN Jingwei . Road Traffic Status in the Surrounding of Urban Tourist Attractions Based on FCD[J]. Economic geography, 2019 , 39(3) : 225 -231 . DOI: 10.15957/j.cnki.jjdl.2019.03.027

由于我国国民生活水平的不断提高以及人口基数大的基本国情，近年来我国国内旅游业发展迅速。据国家旅游局统计，2017年上半年国内旅游人数为25.37亿人次，比上年同期增长13.5%[1]。在这样的背景下，旅游景点周边的交通需求往往在节假日期间出现爆炸性增长的现象，城市旅游景点尤其严重。城市旅游景点周边路网不仅需要满足城市日常活动的交通需求，同时还需要满足节假日期间的旅游交通需求，而我国城市的普遍状况是：在满足城市日常活动需求都较为紧张的条件下，再叠加巨大的旅游交通需求，很容易出现道路拥堵甚至路网瘫痪。因此，研究城市旅游景点周边道路网络交通状态的定量化特征，并借此挖掘旅游资源周边道路供需矛盾，可以为城市旅游景区和城市道路交通的规划管理提供依据。
目前国内外对道路交通状态的研究主要集中在研究对象、研究范围和评价方法三个方面。在研究对象上，针对城市道路的交通拥挤情况，学者往往从宏观层面研究道路交通状态的交通流特征以及提出缓解交通拥堵的措施等[2⇓⇓-5]。在研究范围的选取上，常常是通过“线”与“网”两个层面，“线”的研究主要针对单一路段或某一类型道路的交通状态进行评价[6⇓-8]，而“网”的研究通常是对城市的宏观路网或局部片区内的整体交通状态进行评价[9⇓-11]。在评价方法方面，常用的评价方法包括双流模型、模糊判别、仿真分析、神经网络等[12⇓⇓-15]，其中双流模型通常用在路网交通状态的评价上。通过梳理国内外学者在道路交通状态方面的研究可知，首先在研究对象上，以往对路网交通状态的研究往往从宏观的城市层面，较少从微观的、引起交通拥堵的特殊节点和特殊事件层面着手。旅游是特殊时间下的特殊事件，研究特殊节点——旅游景点对周边路网交通的影响可为城市旅游快速发展背景下城市旅游景区和城市道路交通规划提供科学合理的建议与指导。其次在研究范围上，以往的研究没有对路网交通状态的研究范围进行相应的划定，由于特殊节点产生的影响是有范围的，划定出具体的影响范围可以提高研究的准确性。
针对现有研究的上述不足，本文首先通过对比多种常用的空间数据插值方法，确定以克里金插值法将获得的浮动车点状数据推算成面状数据，从而划定出旅游景点对道路交通影响的具体范围；其次，引入双流模型，评价路网交通的实时状态；最终以厦门大学—南普陀寺景点为例进行实证研究，探析旅游景点对城市交通的影响。

1 数据与方法

1.1 数据特征

浮动车数据（Floating Car Data，FCD）是近年来获取道路交通信息的一种新兴智能技术，通过给大量的浮动车覆盖GPS传感器获取车辆行驶过程中的相关数据，具有成本小、采集高效、范围广等优点。以厦门为例，厦门市浮动车系统主要由安装了GPS定位系统的出租车构成，约5 000辆，车辆每10~30 s回传数据一次，一天内可采集8 000多万条数据。数据覆盖了厦门市域范围内约90%的路段，采集到的数据主要包括采集时间、采集时车辆经纬度坐标、瞬时车速等信息。
近年来，越来越多的研究利用FCD展现道路交通状态信息。但FCD具有一定的时空特征，首先在时间上，GPS传感器在数据收集时具有时间间隔，如厦门浮动车的GPS数据回传间隔为10~30 s，采集到的数据不连续；其次在空间上，同一时间下道路覆盖浮动车的情况存在差异，有些道路在某一时间下甚至没有浮动车经过，且浮动车占所有机动车的比例较低，因此在某一时间维度下收集到的FCD在空间覆盖上存在不足。结合以上特征，收集的FCD往往呈现点状特征，无法直观体现数据的整体特征。因此，本文利用空间数据插值法对厦大—南普陀寺景点周边FCD进行插值计算，将空间上不连续的点数据转换成面数据，从而获得厦大—南普陀景点对周边道路交通影响的具体范围，并对其交通状态进行评价。

1.2 研究方法

1.2.1 空间数据插值

空间数据插值是利用地理信息系统（Geographic Information System，GIS）技术进行空间分析的一个重要方法，是通过给一组已知的空间数据赋予一个函数关系式，该函数关系式必须可以较好地描述已知空间数据，并可以推算出区域内其他任意点的值[16]。
在旅游景点对周边路网交通状态的影响研究中，由于收集到的FCD呈现为空间上不连续的点，无法直观表现数据的整体特征，因此需要根据已有的点状数据推算一定范围的面状数据。利用空间插值法根据已知值推测未知值，需要数据具有空间相关性。根据路网交通流的分配特征，上游路段的交通流会依次分配至下游路段，因此路网中的交通流数据具有一定相关性。随着经过路口数量的增加，上游路段分配至下游的流量越来越少，交通流数据的时空相关性会逐渐降低[17]，即路网中交通流数据的相关性随着经过路口数量的增加而降低。旅游景点作为城市的特殊节点，其对城市路网交通产生的影响是小范围的，路网中交通流数据之间具有较高的相关性，因此可以利用空间插值法将点状的交通流数据换算为面状数据。
常用的空间插值法有泰森多边形法（Thiessen，又叫Dirichlet或Voronoi多边形）、反距离加权法（Inverse Distance Weighting，IDW）和克里金插值法（Kriging，KRG）等。泰森多边形法的算法较为简单，插值点的值等于与它距离最近的样本点的值[18]；反距离加权法以插值点到样本点之间的距离为权重，权重的贡献与距离成反比[19]，即每个样本点对插值结果的影响随距离增加而减弱；克里金法认为空间的连续性变化是不规则的，因此无法利用简单的数学函数进行推算，基于这一认知，克里金法提出了在插值过程中动态决定变量数值的优化策略，通过着重确定权重系数，从而使内插函数处于最佳状态，即对给定点上的变量值提供最好的线性无偏估计[19]，其可表示为：
Z 0 ¯ = ∑ i = 0 n σ i z i
式中： Z 0 ¯是点 x 0 , y 0处的估计值； σ i是权重系数； z i是样本点的值。通过将空间上所有样本点数据加权求和来估计插值点数据，与反距离加权法的权重是距离的倒数不同，克里金插值法的权重是能够满足插值点估计值与真实值之差最小的一套最优系数[19]。
根据课题已有成果，本文选取厦门大学—南普陀寺景点周边路网交通为实验区域，选取2014年10月1日上午旅游高峰时刻10∶30~11：30的FCD（车辆经度坐标、车辆纬度坐标、车辆瞬时车速）为实验数据，首先以15 min为单元分别对六条道路的样本点分布情况进行统计，结果如图1所示。图中可以看出，在高峰小时内，每条路在每15 min内收集到的样本数量相对稳定，说明每条路收集到的FCD可信度较高。对比6条路段收集到的样本数量可以发现，不同道路收集到的样本数量相差较大，如思明南路和演武路两条路覆盖的FCD占研究区域总FCD的0.7~0.8左右；而成功大道和大学路收集的FCD分别占总数据的0.1左右；蜂巢山路和民族路所占数据基本少于0.05。浮动车分布的差异性反映出景点周边FCD数据分布不均，存在覆盖不足的问题。分别用泰森多边形法、反距离加权法和克里金插值法三种插值方法对该区域内的FCD数据进行插值分析，插值结果如图2所示。
图1 厦门大学—南普陀寺景点周边浮动车分布

Fig.1 The Distribution of FCD around the Xiamen University-Nanputuo Temple

图2 厦门大学—南普陀寺景点周边路网插值结果

Fig.2 Interpolation results of the road network around the Xiamen University-Nanputuo Temple

为确定以上三种插值方法中哪种插值方法更合适本研究，本文基于厦门市FCD对实验范围内演武路的车速分布情况进行分析，演武路的车速主要分布在10~20 km/h区间。再对图2的三种插值结果进行比对，发现泰森插值法中演武路车速插值结果主要分布在15~25 km/h区间；反距离插值法中演武路车速插值结果主要分布在15~25 km/h区间；克里金插值法中演武路车速插值结果主要分布在10~20 km/h区间。结果表明克里金插值法的插值结果与原始FCD更接近，因此本研究选取克里金插值法进行旅游景点对周边交通影响范围的划定。

1.2.2 双流模型

在划定旅游景点对其周边路网交通影响范围后，需要对影响范围内的路网交通状态进行评估。双流模型是一种常用的宏观交通评价模型，通过设定车辆的最小运行速度对整个研究区域交通流中的车辆运行状态进行划分，从而得出研究范围的交通状态[12]。双流模型认为交通流中的车辆由运行中的车辆以及失去机动性的车辆组成；车辆的速度包括运行车辆的车速以及失去机动性车辆的车速；交通流的车辆行程时间由车辆行驶时间和停驶时间组成，其基本公式为[12]：
T = T r + T s
T s = T - T m 1 n + 1 T n n + 1
式中： T为单位距离的行程时间； T r为单位距离的平均行驶时间； T s为单位距离的停驶时间； T m和 n是双流模型中评价交通拥堵程度的基本参数， T m为单位距离的最小平均行程时间， T m = 1 V m， n是反映交通运行质量的参数。
由式（2）~（3）得出：
T r = T m 1 n + 1 T n n + 1
对式（4）取对数得出：
l n T r = 1 n + 1 l n T m + n n + 1 l n T
利用式（5）建立线性回归，方程的截距和斜率分别对应双流模型基本参数 T m和 n。 T m为单位距离的最小平均行程时间，越小意味着通过交通网络的时间越短，交通质量越好；而 n的变化意味着交通密度越小，车辆的行程时间越短。因此当 T m和 n越小，说明此时交通通行能力越好，交通状态更佳。

2 案例分析

2.1 厦门大学—南普陀寺背景介绍

厦门大学—南普陀寺景点位于厦门市本岛的西南角，属思明区管辖。景点背靠万石山，与鼓浪屿隔海相望，周边包括厦门大学、南普陀寺、厦门园林植物园、沙坡尾、世贸双子塔、演武观景平台、环岛路、曾厝垵、胡里山炮台以及白城沙滩等众多景点。该片区用地性质复合，开发强度较高，景点分布集中，是游客出行选择度非常高的旅游片区。
图3 研究对象区位图

Fig.3 Location of research object

2.2 旅游景点交通影响范围划定

通过ArcGIS软件，使用克里金插值法分析2014年10月1日上午10∶30~11：30厦大—南普陀景点周边路网的交通状态。根据厦门市对各级道路的限速标准，将车速按照0~20 km/h，20~40 km/h，40~60 km/h三个档进行分类，分别代表拥堵、较为拥堵、畅通。插值结果如图4所示。
图4 景点周边插值分析图

Fig.4 Interpolation analysis of scenic spots

通过图4可以看出，在2014年10月1日节假日的高峰时刻，厦大—南普陀寺景点周边道路交通大多区域均处于低速行车环境，呈现出拥堵的状态。厦大—南普陀寺景点北部为大面积山体，西、南为海域，且成功大道部分为隧道，这些片区均无法收集到GPS信号，结合实际的地理环境和克里金插值结果，划定出厦大—南普陀景点对周边路网交通影响的具体范围（图5）。具体道路信息见表1。
图5 交通影响范围内部路段

Fig.5 Traffic impact section

表1 影响范围内的道路性质一览表

Tab.1 List of road properties in the impacted area

序号 道路名称 道路长度（km） 道路等级 道路限速（km/h）
1 成功大道 0.34 城市快速道 60
2 民族路 0.24 城市主干道 30
3 大学路 1.40 城市主干道 40
4 蜂巢山路 0.31 城市次干道 30
5 思明南路 0.92 城市主干道 40
6 演武路 0.64 城市快速道 60

2.3 旅游景点周边道路交通状态评价

为了研究旅游对城市路网交通的影响程度，本文选取了2014年10月1日旅游日、10月14日工作日、10月18日周末三天的数据进行对比分析，得到旅游景点周边道路交通的状态。

2.3.1 空间插值分析结果对比

将上述三日上午10∶30~11：30的FCD数据导入ArcMap，并与厦门市地图进行匹配，随后进行克里金插值分析，以对比不同日期厦大—南普陀景点周边路网交通状态。插值结果如图6。
图6 空间插值对比图

Fig.6 Comparison of spatial interpolation on tourism day，weekday and weekend

从图6可以看出，10月1日旅游日和10月18日周末在上午10∶30~11：30期间，厦大—南普陀寺景点周边路网交通呈现拥堵状态，而10月14日工作日上午10∶30~11：30期间，厦大—南普陀寺景点周边路网交通呈现较为畅通的状态。这说明旅游日和周末旅游景点周边在旅游高峰时刻会出现一定程度的交通需求增加。而工作日同时段旅游景点周边道路交通顺畅，旅游景点对其周边路网交通的影响不明显。

2.3.2 交通评价参数对比

根据双流模型法，分别将10月1日和10月18日的路段单位距离平均行程时间T和单位距离平均行驶时间 T r导入SPSS软件做回归分析，以对比不同日厦大—南普陀景点周边路网交通的拥堵程度。10月1日和10月18日回归方程结果如图7所示。
图7 旅游日与周末高峰时刻回归分析

Fig.7 Regression analysis on the peak time of tourism day and weekend

根据方程（5）分别对以上两个方程求解以获得旅游日和周末的Tm值和n值，结果见表2。 T m值表示单位距离最小平均行程时间， T m值越小，说明单位距离内车辆行驶所需要的时间越短，是代表路网畅通程度的指标。旅游日与周末 T m值相近，说明在旅游日车辆行驶所需要的时间与周末相差不大； n是度量当交通需求增长时路网的阻抗函数指标，可以反映交通状态的不稳定程度， n值越大，说明当交通需求增长时路网运行环境变差的速度越快[20]。旅游日的 n值为7.39，周末的 n值为1.50，旅游日 n值约为周末的5倍。即在旅游日，厦大—南普陀寺景点周边路网运行环境比周末更敏感，当交通需求增加时，交通状态变差的速度更快，更容易出现交通拥堵，因此更需要关注旅游日的交通状态。综合两项指标得出旅游日厦大—南普陀景点周边道路交通状态比周末差。
表2 数据结果对比

Tab.2 Comparison of data results

日期 性质 分析时段 n Tm（min/km） R2
2014.10.01 旅游日 10∶30~11:30 7.39 1.56 0.80
2014.10.18 周末 10∶30~11:30 1.50 2.09 0.73
厦大—南普陀景点是厦门著名的旅游景点，其周边包含众多大大小小的景点，是游客来厦门旅游出行时选择度较高的旅游目的地，因此在旅游日聚集的游客数量更多，景点周边路网也面临着更大的出行需求，路网交通状态更差。后续可依据本研究中定量划定旅游景点对周边路网交通产生的影响范围进行相应的交通管制等措施。

3 结论与展望

城市旅游景点周边路网不仅需要承担日常交通活动，在节假日还面临旅游行为带来的交通需求激增现象。本文基于厦门市浮动车数据，利用空间数据插值法将不连续的点状数据转换成了可以直接展现数据特征的面状数据，进而对研究范围内的路网交通状态进行评价，最终通过厦门大学—南普陀寺景点为例进行实证研究。研究主要结论如下：
①旅游景点影响范围内路网状态具有相关性。空间数据插值法进行插值计算的前提条件是数据具有空间相关性，由于路网交通流数据的相关性特征，即随着经过路口数量的增加而降低，因此作为微观作用点的旅游景点，其对周边路网产生的影响是小范围的，可以采用空间数据插值法划定旅游景点对路网交通影响范围。
②利用克里金插值法可划定出旅游景点对周边路网交通的影响范围。由于获取到的FCD在空间上是不连续的，因此需要通过空间插值法将点数据推算成面数据以直观地展示出数据的特征及内在关联。针对城市旅游景点，在数据空间相关性前提下选择克里金插值法进行旅游景点对周边路网影响范围的划定。
③旅游期间城市旅游景点周边路网交通拥堵。通过厦门大学—南普陀寺景点的案例研究发现，厦大—南普陀寺景点周边路网状态在旅游日比周末更敏感，工作日同时段则较为畅通。旅游行为以旅游景点为目的地，使旅游景点周边路网交通在旅游高峰时段承载着更多的出行压力，因此旅游景点周边路网在特定时间内会出现一定程度的交通拥堵。
本文以厦大—南普陀景点周边路网交通状态研究为例，来探究旅游对城市交通的影响。不同的旅游景点具有不同特征，不同景点所处的区位和景点的吸引力对城市交通的影响程度也不同，因此未来可以针对不同景点对城市交通的影响进行评估。本文通过对比研究旅游日、工作日和周末旅游景点周边路网交通状态的差异，探究旅游行为对旅游景点周边路网交通状态产生的影响。其中旅游日选取国庆节为代表，后续可增加更多旅游时段的研究，例如黄金周期间与周末以及工作日的比较研究等。此外本文采用FCD数据较为单一，未能考虑其他交通方式（如网约车、顺风车、共享汽车等）的选择和组合，未来可以通过多源数据的融合对景点的影响范围进行进一步验证，并评估其影响程度。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
国家旅游局数据中心. 2014年中国旅游业统计公报[EB/OL]. http://www.cnta.com/zwgk/lysj/201708/t20170818_836054.shtml.

[2]
孟娟. 非常态事件下道路交通状态评价指标体系研究[D]. 长春: 吉林大学, 2012.

[3]
陈小鸿, 王翔, 钱昕午. 城市大型活动车队行驶特征与交通影响分析[J]. 同济大学学报:自然科学版, 2013, 41(3):415-421.

[4]
刘文婷. 大型活动影响下区域交通特性及控制策略研究[D]. 北京: 北方工业大学, 2013.

[5]
张伟. 大型公共场所行人交通状态评价及其应急疏散方法研究[D]. 长春: 吉林大学, 2014.

[6]
LEI F S, WANG Y P. A Travel Time Reliability Model of Urban Expressways With Varying Levels of Service[J]. Transportation Research Part C, 2014(48):453-467.

[7]
Vanlommel M, Houbraken M, Audenaert P, et al. An Evaluation of Section Control on Floating Car Data[J]. Transportation Research Part C, 2015(58):617-627.

[8]
岳园圆, 于雷, 朱琳, 等. 基于速度里程分布的快速路宏观交通状态评价模型[J]. 交通运输系统工程与信息, 2014, 14(4):85-92.

[9]
Jenelius E, Koutsopoulos H N. Travel Time Estimation for Ur-ban Road Networks Using Low Frequency Probe Vehicle Data[J]. Transportation Research Part B, 2013(53):64-81.

[10]
Canepa E S, Claudel C G. Networked Traffic State Estimation Involving Mixed Fixed-Mobile Sensor Data Using Hamilton-Jacobi Equations[J]. Transportation Research Part B, 2017(104):686-709.

[11]
王勇, 庄大方, 刘好德. 浮动车车速空间分布特性研究[J]. 交通运输系统工程与信息, 2012, 12(1):36-41.

[12]
Herman R. Prigogine I. A Two-fluid Approach to Town Traffic[J]. Science, 1979,204:148-151.

[13]
刘伟铭, 田世艳. 基于地图匹配的城市道路实时交通状态模糊综合判别方法[J]. 公路交通科技, 2011, 28(10):86-91.

[14]
唐克双, 梅雨, 李克平. 基于浮动车数据的交通状态估计精度仿真评价[J]. 同济大学学报:自然科学版, 2014, 42(9):1347- 1 351,1 407.

[15]
Sekuła P, Marković N, Laan Z V, et al. Estimating Historical Hourly Traffic Volumes Via Machine Learning and Vehicle Probe Data:A Maryland Case Study[J]. Transportation Research Part C, 2018(97):147-158.

[16]
吴立新, 史文中. 地理信息系统原理与算法[M]. 北京: 科学出版社,2003:184-196.

[17]
李欣, 孟德友. 基于路网相关性的分布式增量交通流大数据预测方法[J]. 地理科学, 37(2):209-216.

[18]
李新, 程国栋, 卢玲. 空间内插方法比较[J]. 地球科学进展, 2000(3):260-265.

[19]
朱求安, 张万昌, 余钧辉. 基于GIS的空间插值方法研究[J]. 江西师范大学学报:自然科学版, 2004, 28(2):183-188.

[20]
邹文杰, 翁剑成, 周翔, 等. 基于浮动车数据的宏观路网运行状态评价研究[J]. 公路交通科技, 2009, 26(S1):35-38,57.

Options
Outlines

/

〈 〉