出租车GPS大数据在东莞市“小山小湖”社区公园选址中的应用

黎海波，陈通利

(1. 东莞市地理信息与规划编制研究中心，广东 东莞 523129； 2. 中山大学地理科学与规划学院，广东 广州 510275)

出租车GPS大数据在东莞市“小山小湖”社区公园选址中的应用

黎海波1,2，陈通利1

(1. 东莞市地理信息与规划编制研究中心，广东 东莞 523129； 2. 中山大学地理科学与规划学院，广东 广州 510275)

选址问题是GIS最基本的任务之一。选址通常是考虑一定条件下的空间位置优化，很难将人类的活动情况作为优化因素考虑进来。本文结合东莞市小山小湖社区公园的选址工作，通过分析海量出租车的OD(上下车)记录数据，在选址任务中引入居民实际居住与出行情况作为参考。通过提高人口分布密度这一重要选址影响因素的精度，进而改进小山小湖社区公园的选址情况，这种方法是对传统分析方法的有效补充和创新。基于出租车轨迹数据的选址方法与传统的选址方法相结合，更有效、合理地提高了选址的可靠度。

出租车GPS；小山小湖；社区公园；选址；GIS

2008年，东莞市划定了生态控制线，对控制线内建设情况进行严格管控，实现了对大山大水的保护[1]。为打造山水东莞、生态东莞、美丽东莞，建成一批方便市民休闲活动的社区公园，2014年，东莞市发布了《东莞市“小山小湖”保护利用工作方案》，对全市小山小湖进行摸底调查、登记造册，切实加强城市生态本底的保护，并从中选出100个建成社区公园，为市民提供优良的公共开放空间和休闲活动场所，提升城市空间品质和宜居水平。如何结合市民的活动情况，合理对100个小山小湖进行选址，建成更加贴近群众的生活的社区公园，是本文研究的主要内容。

选址问题是GIS中最常见的问题，常规的选址问题是找出研究区域中最优的点。黎夏等将遗传算法、蚁群算法、粒子群算法等人工智能算法应用到多点选址问题中[2]；黎海波等利用多目标粒子群优化算法和区域形状变异算法相结合来解决复杂的空间选址问题[3]，取得了较好的效果。但这些实际应用都没有考虑人类活动的因素，造成选址结果与人们真实需要往往存在一定差距。随着信息技术的飞速增长，人类活动逐渐被记录下来，出租车GPS数据、手机信令数据、社交网络数据等大数据渐渐发挥出重要的作用，大数据技术就是将原本看起来很难利用的数据抽丝剥茧，发现其中的真正内涵[4]。出租车GPS数据[5-6]是目前使用比较广的一种大数据类型，目前有不少学者[7]将其应用到地理学研究当中，如Kong[8-9]等使用浮动车数据进行交通拥堵评估和预测，陈世莉[10]等将其应用到城市功能区划分，谭详爽[11]等从浮动车数据中探测路口并分析出转向规则，周素红等使用浮动车数据验证了商业中心吸引力衰减效应[12]。目前将出租车GPS数据应用于规划选址中的研究较少，本文提出基于出租车GPS数据的选址方法，对传统的选址方法进行优化补充，在选址中有效地考虑了人类活动因素，取得了较好的效果。

1 研究内容

1.1 小山小湖概况

依据《东莞市“小山小湖”保护利用工作(登记造册)实施细则》，小山小湖是指生态控制线及基本农田保护线范围以外，城市建设区内具有生态、景观、休闲利用价值的自然山体、河涌水体，划定标准如下：

(1) 小山指山体特征明显，现状植被良好的自然山体。

(2) 小湖指所有河涌和常水位水面面积为1000 m2以上的基塘、湖，水质达到V类水标准(适用于农业用水及一般景观要求)。

(3) 小山小湖周边的地块需要进行新建或改扩建，应通过建筑红线退让的方式留出一定面积的平缓地带作为缓冲区。缓冲区可环绕小山小湖布置或集中布置。面积大于10 000 m2的小山小湖，缓冲区面积不小于沿其边界后退10 m所围合的面积数；面积等于或小于10 000 km2的小山小湖，缓冲区面积不得小于小山小湖面积的30%。缓冲区用于设置方便市民使用的体育场地、停车场、公厕等公共配套设施，但配套建设项目不得占用耕地；如需占地建设的，须完善用地审批手续才能动工建设;同时在缓冲区内的建设项目需满足国家相关规定的建设要求。

通过对东莞市遥感影像进行目视解译，得到全市小山小湖3533处，其中小山1123处，占小山小湖总面积的61.25%；小湖2410处，占小山小湖总面积的38.75%(如图1所示)。

图1 东莞市小山小湖分布

1.2 社区公园选址

从3500多处的小山小湖中选取100处建设社区公园，需要遵循以人为本的原则，考虑适宜的服务半径和慢行可达性，方便居民就近使用。具体考虑因素如下：

1.2.1 选址原则

社区公园主要为居民服务，为居民提供优良的公共开放空间和休闲活动场所，因此小山小湖社区公园选址的最重要原则就是居民就近原则。在选址的过程中，为了使社区公园发挥最大效用，需要找出居住人口密度最大的小山小湖区域，即计算出社区公园服务半径范围内居民人数最多的区域。

1.2.2 影响因素

为了充分发挥社区公园效用，切实提高居民生活品质，选址时需要考虑很多因素。通常情况下，小山小湖主要以居住地密集的地方为优先考虑点；同时又要考虑居住步行距离，一般步行距离在500～800 m可接受；此外还需要考虑土地权属、地块规划等其他影响因素。

1.2.2.1 居住地密度对选址的影响

居住密度是指居住区内的人口数或住房套数与居住区面积之比。为了让社区公园发挥最大价值，最根本的是选择那些服务范围内的居住密度最大的小山小湖建设社区公园。因此，社区公园选址中，居住密度是最重要的因素。

1.2.2.2 城市规划建设对选址的影响

城市规划是为了使城市在发展过程中维持公共生活的空间秩序而提出的，它是保证城市合理建设、城市土地合理开发利用及其他正常经营活动的前提和基础。地块规划和权属情况很大程度上制约着用地的开发，一定程度上影响着小山小湖的选址。

1.2.2.3 实际步行距离对选址的影响

居民居住地到社区公园的步行距离影响着公园的实际使用情况，距离太远居民不愿意步行到社区公园，根据景观设计尺度相关规范，一般步行适宜距离为50 m，因此居住在小山小湖服务半径500 m以内的居民对小山小湖的使用效率最高。

2 研究方法

2.1 研究数据

2.1.1 用地分类数据

用地分类数据是根据2014年底快鸟影像进行人工解译得到的分类数据，按照解译标准共分为9个一级类，其中包括居民地矢量数据。

2.1.2 出租车GPS数据

本文中所用的出租车GPS数据来源于东莞市出租车运营管理公司的管理信息系统，每隔15 s采集一次，记录的基本信息包括出租车的车牌号码、时间、经纬度、速度、方向、里程和车辆状态等(见表1)。本文采用2015-5-14(周四)—2015-5-17(周日)的GPS数据，计算出出租车GPS数据的OD(上下车)点(见表2)。所选数据两天是工作日，两天是周末，基本能够反映东莞市出租车的运营情况。本文4天OD数据总共659 254条记录。

表1 车辆状态定义

表2 东莞市出租车OD统计

2.2 传统选址分析方法

传统的选址方法原理较简单，仅考虑小山小湖对居民地的覆盖范围，认为小山小湖步行服务半径范围内覆盖居民地面积最多的小山小湖最佳。具体方法为：①对小山小湖建立缓冲区，缓冲区距离为500 m；②对小山小湖缓冲区和居民地作叠置分析，计算出每个缓冲区内居住的地的面积大小；③覆盖居民地面积越大的缓冲区越佳，根据缓冲区内居民地面积大小排序，选取服务居民最大的小山小湖作为候选社区公园选址地点；④根据小山小湖的规划情况和权属情况，作为选址的进一步依据。图2是通过该方法提取的500 m缓冲区内居住地面积排在前100位的小山小湖分布情况。

图2 半径500 m缓冲区内居住地面积前100的小山小湖分布

从选址的分布情况可看出，小山小湖主要分布在中心组团、西南组团等居民地密集的地区。

2.3 基于出租车GPS数据的选址分析

2.3.1 数据处理

根据居民的生活习惯，通常可认为7:00—9:30时段内的上车地点、17:00—19:30时段内的下车地点是居民的居住地或活动频繁的目的地，即距离这些地点较近的小山小湖被使用的频率最高，可视为最优因此，首先要在所有的OD记录中筛选出这两个时间段的记录(如图3所示)，作为小山小湖选址的基础数据。可见OD数据密度分布较高的地方分布在市区、中心组团、西南组团、东南组团等地区，与居民地的分布类似。

2.3.2 基于出租车GPS数据的选址分析方法

(1) 准备数据：对出租车GPS数据进行处理，得到2015-5-14—2015-5-17出租车7:00—9:30上车点、17:00—19:30下车点的数据。

(2) 对小山小湖建立缓冲区，缓冲区距离为500 m。

图3 上下班时间段出租车OD记录数据

(3) 对小山小湖缓冲区和出租车OD点作叠置分析，计算出每个缓冲区内OD点的个数。

(4) OD点个数越多，说明此处上下班时间居民活动越频繁，选择该处小山小湖作为社区公园较佳。根据缓冲区内OD点的多少排序，选取落在缓冲区内OD点多的小山小湖作为候选社区公园选址地点。

图4为上下班时间段OD记录数前100的小山小湖，可见这种选址方法更注重的是考虑居民的活动影像因素，选址结果较为集中分布在市区、常平、虎门、清溪、凤岗等地区。

图4 上下班时间段OD记录数前100的小山小湖

3 结果分析与讨论

图5为两种选址方法的结果，深色的小山小湖缓冲区是基于传统选址分析方法的结果，浅色的小山小湖缓冲区是基于出租车GPS数据分析出来的结果。传统方法得出的结果主要分布在镇中心地区，其中厚街、松山湖、大朗、大岭山、樟木头等镇的结果在基于出租车GPS数据的选址结果中没有出现；而万江中部、东城北部、石龙、清溪、常平北部等地区出现在基于出租车GPS数据的选址结果中，但传统的选址结果中反而没有。

图5 两种选址方法结果对比

通过对两种选址方法的公共结果进行统计(如图6所示)，一共有15个小山小湖同时出现在两种选址方法结果中，分布在市区、寮步、常平、虎门、长安等镇区，而这些镇区正是东莞市经济最发达、人口最密集的区域。因此，这15个小山小湖是最佳的选址结果。

图6 两种选址方法的公共结果

可见，两种选址方法各有侧重，各有优劣。传统的方法侧重考虑居民地的分布而没有考虑实际居民活动情况的影响，而基于出租车GPS的方法恰好相反。造成结果差异的原因主要有两点：①东莞市是一个以外来人口为主的城市，根据2010年第六次人口普查的数据，常住人口达820万，但户籍人口只有180万左右，流动人口占了大多数。由于人口的流动性，不排除大量居住区人口的流动性也较大，居住区面积只能在一定程度映射出人口的密度；②本文仅考虑了居住区面积，并没有考虑居住区的层数，因此仅通过居住区面积难以真实反映人口分布情况。基于出租车GPS数据的选址分析方法是通过客观的出租车上下车数据频率来反映居民活动情况的，从而推断人口居住分布的概率情况，这是传统方法所欠缺的。很大程度上，出租车GPS数据的选址方法可作为传统选址方法的有效补充。从两种方法的选址结果上也可看到，两种方法既有共同点，又有差异，可相互补充、互补不足。小山小湖的选址应综合两种方法的结果，再进一步结合地块的规划条件进行分析和论证，最终选取更加合适的选址地点。

4 结 语

本文提出了使用出租车GPS数据进行规划选址的方法，这种基于大数据的方法与传统选址方法相结合，可得到更合理、更科学的选址结果。该方法考虑了人类活动的影响因素，作为传统选址方法的有效补充，能得到更好的效果。但出租车只是人们出行方式的一种，仅以出租车GPS数据代表人们的日常出行行为存在一定的局限性，今后拟结合公交数据、地铁数据等公共交通数据开展进一步研究。同时，还可考虑将手机信令数据引入，更加准确全面地分析居民移动行为模式，开展更深入的研究。

[1] 陈明辉,陈颖彪,郭冠华,等.快速城市化地区生态资产遥感定量评估——以广东省东莞市为例[J]. 自然资源学报, 2012,27(4):601-613.

[2] 黎夏,叶嘉安.遗传算法和GIS结合进行空间优化决策[J]. 地理学报, 2004，59(5):745-753.

[3] 黎海波,黎夏,刘小平,等.多目标粒子群算法与选址中的形状优化[J].遥感学报, 2008，12(5):724-733.

[4] 吴志峰,柴彦威,党安荣,等.地理学碰上“大数据”:热反应与冷思考[J].地理研究, 2015,34(12):2207-2221.

[5] 牟乃夏,张恒才,陈洁,等.轨迹数据挖掘城市应用研究综述[J]. 地球信息科学学报, 2015,17(10):1136-1142.

[6] 庄立坚,宋家骅,段仲渊,等.基于浮动车数据挖掘的出租汽车运营特征研究[J]. 城市交通, 2016(1):59-64.

[7] 刘瑜.社会感知视角下的若干人文地理学基本问题再思考[J].地理学报, 2016,71(4):564-575.

[8] ZHAN H，LEE Z，SHI P, et al. Retrieval of Water Optical Prosperities for Optically Deep Waters Using Genetic Algorithms [J]. Transactions on Geoscience & Remote Sensing, 2003, 41(5):1123-1128.

[9] KONG X, XU Z, SHEN G, et al. Urban Traffic Congestion Estimation and Prediction Based on Floating Car Trajectory Data[J]. Future Generation Computer Systems, 2016,61:97-107.

[10] 陈世莉,陶海燕,李旭亮,等.基于潜在语义信息的城市功能区识别——广州市浮动车 GPS 时空数据挖掘[J].地理学报, 2016,71(3):471-483.

[11] 谭祥爽,王静,宋现锋,等.基于浮动车数据的路口探测方法[J]. 地理与地理信息科学, 2015,31(5):34-38.

[12] 周素红,郝新华,柳林.多中心化下的城市商业中心空间吸引衰减率验证——深圳市浮动车GPS时空数据挖掘[J].地理学报, 2014,69(12):1810-1820.

[13] 曹瑞,涂伟,巢佰崇,等.基于智能卡数据的地铁周边职住用地识别与分析[J].测绘地理信息, 2016,41(3):74-78.

[14] 马晓磊,刘从从,刘剑锋,等.基于公交IC卡数据的上车站点推算研究[J].交通运输系统工程与信息, 2015,15(4):78-84.

[15] 王德,钟炜菁,谢栋灿,等.手机信令数据在城市建成环境评价中的应用——以上海市宝山区为例[J].城市规划学刊, 2015(5):82-90.

HillandlakeCommunity Park Location Analysis in Dongguan Based on Taxi GPS Data

LI Haibo1,2,CHEN Tongli1

(1. Research Center of Geographic Information System & Planning of Dongguan, Dongguan 523129, China; 2. School of Geography and Planning, Sun Yat-sen University, Guangzhou 510275,China)

Location selection issue is one of the most basic tasks in GIS. The general location selection is considered under certain conditions of space optimization, it is difficult to take human activity as the optimization factors into account. This paper proposed a method to improve the community park location selection result by improving the accuracy of population density which is an important factor in community park location selection. We get the population density by analyzing taxi OD (origin and destination) data. Compared with traditional method, this method is innovative and complementory. Combining the traditional location selection method and taxi OD data, we can improve the reliability of the location result more effective and more rational.

taxi GPS; small hill and lake; community park; location analysis; GIS

黎海波，陈通利.出租车GPS大数据在东莞市“小山小湖”社区公园选址中的应用[J].测绘通报，2017(5)：95-99.

10.13474/j.cnki.11-2246.2017.0163.

2016-09-06

住房和城乡建设部2015年科学计划(2015-K8-026)

黎海波(1982—)，男，博士，高级工程师，主要从事GIS、遥感，以及城市规划勘测的研究与应用工作。 E-mail：21238038@qq.com

P208

A

0494-0911(2017)05-0095-05