基于百度地图应用程序接口的轨道交通生成预测

李晓峰 ，黄海南 ，李金海，许红

(1. 北京交通大学城市交通复杂系统理论与技术教育部重点实验室，北京 100044；2. 福建农林大学交通与土木工程学院，福建 福州350002；3. 北京城建设计发展集团股份有限公司交通研究中心，北京 100037；)

【交通运输】

基于百度地图应用程序接口的轨道交通生成预测

李晓峰1，黄海南2*，李金海3，许红1

(1. 北京交通大学城市交通复杂系统理论与技术教育部重点实验室，北京 100044；2. 福建农林大学交通与土木工程学院，福建 福州350002；3. 北京城建设计发展集团股份有限公司交通研究中心，北京 100037；)

基于百度地图应用程序接口，设计了收集辨识轨道交通站点范围内关注点的查询收集系统，实现了收集关注点信息自动化。通过优化交通小区单元化识别方法构建了出行预测模型，对A市某轨道交通沿线现状进行分析。研究结果表明，应用该方法对轨道新线进行短期的交通发生与吸引预测，有助于提高交通生成基础数据的收集效率和预测精度。

百度地图应用程序接口；土地使用类别；关注点；交通生成；轨道交通

城市轨道交通是公共交通系统的重要组成部分。目前，国内轨道交通的建设热潮持续高涨，然而由于前期对客流预测的精确度过低，导致轨道交通运营过程中问题频发，成为城市交通一大症结。从目前建成使用的城市轨道交通统计数据可以看出，客流预测值一般高于实际值，表明预测精度还有待于提高[1]。国内外城市轨道交通客流预测一般采用“四阶段法”，包括出行生成、出行分布、交通方式划分和交通流分配4个阶段，每一环节都是以上一环节的计算结果为基础数据的[2]。所以，交通出行生成预测结果的精确度尤为重要。交通出行预测通常由两部分组成，首先是根据城市发展现状分析规划年经济、人口增长和土地利用特征，推算出行特征参数；其次应用预测模型计算各交通小区在规划年发生与吸引的总交通量。目前国内外对于预测模型的研究已经趋于成熟，例如增长率法、交叉分类分析法和Lowry重力模型等[3]。但是现在的交通数据收集基本上采取人工现场抽样调查方法，不仅消耗大量的人力物力，而且其结果的可靠性有待商榷。

百度地图应用程序接口(applicationprograminterface，API)是一套由JavaScript语言编写的应用程序接口，能够帮助在网站中构建功能丰富、交互性强的地图应用。其包含了构建地图基本功能的各种接口，提供了诸如本地搜索、路线规划等数据服务[4]。利用百度地图API功能，可以实现对POI(pointofinterest)的精细化收集，从中观层面进行功能细化，不仅节省了人力物力，提高工作效率，而且使基础资料收集趋于自动化，预测精度趋于实际化。

本文运用百度地图API开发地图服务，设计了POI查询收集系统，通过优化单元化交通小区出行预测模型，对轨道交通沿线的交通生成进行预测。

1 调用百度地图API和POI信息收集

百度API通过地图服务应用接口将应用开发平台和地理信息数据捆绑，将复杂的地理信息系统底层进行封装，用户可不必了解它的技术细节就能在应用中快速构建基础地理底图[5]。调用API可以进行各种查询设计的地图特色化重构，从而能够构建功能丰富的应用程序，简便地自动收集地图中的基本信息。

POI是现代互联网与地理信息系统共同的产物，每个POI包含多方面信息，如名称、类别、经纬度、附近的酒店饭店商铺等。

1.1 查询系统设计

系统由界面、Web服务层、百度地图服务层以及数据库组成。Web服务层用于处理程序界面的查询访问，以ASP.NET技术和C#对访问界面进行分析，接入百度地图服务器；使用C#调用JavaScript脚本获取数据再进行存储或者用ajax调用后台服务储存。系统设计结构见图1。

图1 查询系统设计Fig.1 The designation of query system

该查询系统包括接入API应用模块、站点辨识模块以及POI兴趣点信息收集模块。POI兴趣点信息收集模块是系统的核心功能模块，主要实现POI数据源的获取和输出。系统采用Access数据库建立相应的detail_info表、location表和result表。detail_info表主要包括站点名称、POI的类型、网址、距离和人均消费等；location表主要包括站点名称和站点经纬度；result表主要包括站点名称、POI名称、地址和电话等。在庞大的数据面前，主要是对result表中数据的处理和运用。result表结构如表1所示。

表1 result表结构

图2 POI信息查询界面Fig.2 POI query interface

1.2 辨识提取POI数据信息实现

随着互联网和电子地图的发展，POI建设和信息趋向全方位化，API调试平台逐渐开放。然而,进一步地系统性提取POI信息以及收集整理相关数据还存在一定困难。此系统是接入API平台，利用POI数据分析沿线客流的吸引发生点，对客流预测提供精确的数据支撑。设计查询界面如图2所示。

首先，输入查询POI的类型如购物、学校、住宅区等关键词，确定搜索半径和输出数据的储存位置，采用经纬度来描述地图上的站点位置，如：varmyPoint=newBMap.Point(118.404,38.915)。具体程序流程如图3所示。

图3 POI搜索模块流程图Fig.3 The flow chart of POI searching module

2 基于POI数据的交通出行生成预测

2.1 单元化交通小区出行生成预测模型建立

根据普遍性、一致性、扩展性以及公共性原则，结合土地使用类别将POI分为商用、住宅、教育培训、医疗卫生、休闲娱乐、餐饮购物和交通设施等[6-7]。根据孙松伟[8]提出的基于小区细化建立的交通出行生成预测模型进行改进和参数更新，使模型充分将交通小区内的建筑物按照类别单元化，更加契合POI的分类，具体出行模型如下：

GM=Gzz+Gjy+Gqt,

(1)

其中,GM为轨道站点M出行总生成量；Gzz为交通小区内住宅单元的交通出行生成量；Gjy为交通小区内教育单元的交通出行生成量；Gqt为交通小区内其他单元的交通出行生成量。

(2)

(3)

其中，μ2M为站点M教育机构平均人员数量；γ2M为站点M教育机构日平均人口出行强度；μ2WM为站点M教育机构对外来人口的平均吸引量。

(4)

其中，μ3M为站点M其他机构平均人员数量；γ3M为站点M其他机构日平均人口出行强度；μ3WM为站点M其他机构外来人口的平均吸引量。

利用设计的程序按照POI属性，分别提取住宅、教育、其他(医疗卫生、休闲娱乐、餐饮购物、交通设施)的建筑物数量，自动分类输出到Access数据库，提供各类设施的数量规模，进而统计各类设施的人员数量，以便得出出行次数。

2.2 案例应用

以A市某规划轨道交通线路为例，规划图详见图4，应用所设计的数据收集程序进行POI收集并预测各个站点交通生成量，验证提取方法的实用性和便捷性。

图4 A市某规划轨道线路示意图Fig.4 The blueprint of a planning urban rail transit line in A city

由于城市区域发展不协调，城市范围内的出行指标参数并不完全一致，根据城市发展现状将A市划分为1类、2类、3类和4类并分别定义各个范围的模型参数，如图4所示。通过实地抽样调查，分类统计4类地区的指标和相关系数,如表2所示。

表2 A市相关指标抽样调查统计

POI搜索半径R的确定主要考虑以下两方面：(1)城市轨道沿线站点的有效吸引范围。通过实地调研、分析城市发展、站点间距设置以及居民出行特征等因素，设置最小搜索半径为200m，最大半径为500m；(2)为避免相邻站点搜索范围的重叠造成交通出行预测计算复杂化，选取相邻站点间距最小值的二分之一值。具体公式如下：

(5)

其中，R为POI提取半径；DF为站点与其前一站点的站间距；DL为站点与其后一站点的站间距。

以k站为例计算过程如表3所示。

表3 k站点出行生成量计算示例

将轨道站点的数据代入公式(1)～(5)，计算各个站点的交通出行生成值见表4，并使用热力图呈现，如图5所示。

表4 各站点POI属性及其出行生成预测值

图5 轨道线交通出行生成量热力示意图Fig.5 The heat map of an urban rail trip generation

针对不同土地使用性质，将其单元化建立交通出行生成预测模型，应用百度地图API自动收集相关POI属性数据的系统，大大提高了数据收集和处理效率，结果显示，经此方法预测的出行生成更加契合实际情况，能够为下一阶段的交通方式划分奠定基础。

3 结语

城市轨道交通出行生成预测在结合城市的土地利用特点的前提下，深入考虑其发展结构现状，并选择适当的模型和参数。本文利用现有百度地图POI分类，调用百度地图API，实现站点小区建筑物自动分类统计，确定规划目标，建立单元化出行生成预测模型进行交通出行预测，取得了较好的结果，为新建轨道线提供了更为符合实际的数据提取方法。下一步研究是细化系统功能模块，使其自动识别城市发展不均衡区域，生成预测模型中的相关系数，丰富POI模块的收集内容并提高计算效率,使其具有先进性、实用性和自动性，力求完全满足轨道交通出行生成预测的需求。

[1]叶知骁. 城市轨道交通线路客流量与沿线土地利用关系研究[D].南昌：华东交通大学, 2014.

[2]于洪. 城市轨道交通出行生成预测方法研究[D]. 青岛：中国海洋大学, 2014.

[3]黄海南,郭建钢,陈金山,等.TransCAD在大学校园交通需求预测中的应用——以福建农林大学金山校区为例[J]. 公路与汽运, 2014 (3): 39-43.

[4]兰燕, 吴明东, 余代俊. 基于百度地图API高校移动导航地图制作[J]. 测绘, 2016，38 (6): 249-253.

[5]李艳,高扬.基于地图API的Web地图服务及应用研究[J].地理信息世界,2010 (2):54-57

[6]XIEBL,DINGC.Anevaluationoncoordinatedrelationshipbetweenurbanrailtransitandland-useunderTODmode[J].JTranspnSysEng&IT,2013,13(2):9-13.

[7]YIMKKW,WONGSC,CHENA,etal.Areliability-basedlanduseandtransportationoptimizationmodel[J].TransportationResearchPartC:EmergingTechnologies, 2011,19(2):351-362.

[8]孙松伟.城市轨道交通客流预测模型及方法研究[D].成都：西南交通大学,2008

AresearchonrailtrafficgenerationforecastingbasedonBaiduMapAPI

LIXiao-feng1，HUANGHai-nan2*，LIJin-hai3，XUHong1

(1.MOEKeyLaboratoryforUrbanTransportationComplexSystemsTheoryandTechnology,BeijingJiaotongUniversity,Beijing100044,China;2.CollegeofTransportationandCivilEngineering,FujianAgricultureandForestryUniversity,Fuzhou350002,China;3.TRC,BeijingUrbanConstructionDesign&DevelopmentGroupCo.,Ltd.,Beijing100037，China)

∶BasedonBaiduMapAPI(applicationprograminterface),aquerysystemwasdevelopedforcollectingandidentifyingPOI(pointofinterest)inthesurroundingareaofmetrorailtransitstation,whichrealizedtheautomaticcollectionofPOI.Byoptimizingthetrafficzoneblockingmethod,atrafficgenerationforecastingmodelwasconstructed,whichwasusedtoanalyzethestatusquoalonganurbanrailtransitlineinACity.Theresultsshowthatthismethodishelpfultoimprovedatacollectingefficiencyandaccuracyoftrafficgenerationforecastingwhenit’sappliedtoforecasttheshort-termtripgenerationandtripattractionofaplanningurbanrailtransitline.

∶BaiduMapAPI；land-usepatterns；POI；tripgeneration；railtransit

2016-05-15

福建省中青年教师教育科研项目(JAT160167)；福建农林大学校青年教师基金(2012xjj24)

李晓峰(1990—)，男，硕士研究生，研究方向为交通运输规划。

*通信作者，黄海南(1983—)，男，讲师，博士。E-mail：hhnan021@foxmail.com

U

A

1002-4026(2017)02-0082-07

10.3976/j.issn.1002-4026.2017.01.014