基于文本数据的计划内特殊活动打车需求分析:聚集阶段与分散阶段的对比
《Travel Behaviour and Society》:A text-data-driven analysis of ride-hailing demand for planned special events: A comparison between aggregation and dissipation phases
【字体:
大
中
小
】
时间:2026年08月11日
来源:Travel Behaviour and Society 5.8
编辑推荐:
摘要:有计划的特殊活动为城市带来可观的经济效益,但同时也会给城市交通系统带来压力。现有研究要么依赖覆盖范围有限的调查数据,要么采用无法精准识别与特殊活动相关的出行行为的汇总分析方法。本研究利用包含详细地址信息的打车数据,准确识别了中国天津的演唱会相关出行行为,并通过机器学习模型及
摘要:有计划的特殊活动为城市带来可观的经济效益,但同时也会给城市交通系统带来压力。现有研究要么依赖覆盖范围有限的调查数据,要么采用无法精准识别与特殊活动相关的出行行为的汇总分析方法。本研究利用包含详细地址信息的打车数据,准确识别了中国天津的演唱会相关出行行为,并通过机器学习模型及SHAP值分析方法,探究了此类出行行为的时空特征及其决定因素。研究共识别出7,022次前往场馆的出行和3,381次离开场馆的出行。其中约70%的前往场馆的出行发生在场馆开放前1小时至音乐会开始前1小时之间,而约70%的离开场馆的出行则发生在音乐会结束后1小时内。从行驶距离来看,86.1%的前往场馆的出行和77.5%的离开场馆的出行集中在距离场馆12公里范围内。在空间分布上,前往场馆的出行起点多集中在城市核心区及一些知名景点附近,而离开场馆的出行目的地则多指向酒店、大学区及火车站。机器学习分析结果表明,演唱会相关的打车需求主要受地理位置和城市环境特征的影响,且不同时段存在明显差异。距离天津奥林匹克中心以及酒店等兴趣点的密度是影响最大的因素。在前往场馆的出行中,距离效应更为显著,而在离开场馆的出行中则相对较弱;酒店等兴趣点的密度则始终呈现正相关关系,在离开场馆的出行中影响更大。人口密度与打车需求呈负相关关系。停车场、餐厅、公交站以及土地使用多样性等因素则表现出与不同阶段相关的效应,共同反映了大型活动期间交通基础设施和城市环境对打车需求的影响。这些研究结果有助于深入理解与特殊活动相关的打车行为模式,为大型活动期间的交通管理提供实用依据。
1. 引言
有计划的特殊活动是指那些具有预定日期、地点和持续时间的公共活动,由于出行需求增加,这类活动可能会扰乱正常的交通系统运行(美国联邦公路管理局,2007年)。典型的例子包括音乐会、体育赛事和粉丝聚会等活动,它们是推动城市活力和经济增长的重要力量,通过吸引大量游客来创造巨大的本地消费和经济效益,因此被视为推动目的地发展的战略工具(Getz,2008年;Pham等人,2019年)。2024年,中国举办的各类大型和中型音乐会及节日活动吸引了超过2900万名参与者,门票收入高达近41亿美元,这反映出以特殊活动为驱动的文化消费日益受欢迎(Nan,2025年)。然而,尽管这些活动对城市经济有着重要贡献,但它们也会产生巨大且高度集中的出行需求,给当地的交通网络和运营系统带来巨大压力(Currie和Shalaby,2012年)。因此,特殊活动给城市交通规划和管理带来了诸多挑战(Y. Bao等人,2023年)。
为了应对特殊活动带来的高强度且集中出现的出行需求,活动场馆通常选址在交通便利、配套设施完善的地区(Zhang等人,2020年)。地铁、公交车、出租车以及打车服务等多种交通方式共同保障了参与者的往返交通(Parkes等人,2016年)。轨道交通的运载能力和网络优势使其成为应对此类活动中集中客流的理想选择,专门用于管理地铁系统中因活动而产生的不规则客流激增的预测模型也进一步强调了这一作用(Y. Li等人,2017年)。与此同时,对参与者出行方式选择和公共交通需求的分析也表明,公交车和出租车在为参与者提供灵活的出行方式和“最后一公里”接驳服务方面发挥着重要作用(Rodrigues等人,2017年;Yue等人,2009年)。而基于道路的交通方式则在特殊活动期间更容易受到局部拥堵、安全检查以及绕行措施的影响,从而显著影响出行的效率和可靠性(Villiers等人,2019年)。
打车服务为研究特殊活动期间的出行行为提供了独特的视角。与传统交通方式不同,打车行程在出发前就会记录下出发地和目的地的文本信息,这些信息能够提供关于出行目的的丰富语义线索。近期研究表明,这些信息有助于更深入地理解出行意图,而不仅仅是简单的空间邻近性(Ma等人,2025年)。此外,相比出租车,打车服务往往被认为价格更低;相比公交车和地铁,它更加舒适灵活,而且没有固定的运营时间(Qiao和Yeh,2023年),因此越来越成为人们参加特殊活动的优先选择(Pfeil等人,2025年)。然而,过度依赖打车服务也会在特殊活动期间带来运营上的挑战。例如,在2015年奥斯汀的独立日烟花庆典期间,由于停车位有限且道路容量不足,打车服务的溢价倍数超过了6倍,乘客的等待时间也超过了50分钟,这表明在此类情况下打车系统面临着极大的短期压力(Jiao,2018年)。Olayode等人(2023年)的系统性综述指出,现有的打车服务研究大多基于常规运营情况,侧重于稳定的需求模式和监管环境,而对非常规情境关注较少。Abkarian等人(2022年)发现,特殊活动会引发高度集中的时空出行需求,以及参与者独特的出行行为模式。例如,大型活动期间的出行和活动序列呈现出明显的聚集特征和时间使用模式,这与活动之外的常规城市出行模式有很大不同。同时,近期研究也越来越强调城市环境特征与出行行为之间的非线性及情境依赖性关系,这凸显出需要采用更灵活的建模方法(H. Jiang等人,2025a年;Liu等人,2025年;Zafri和Zhang,2026年)。
现有研究已经探讨了特殊活动期间的出行需求,并指出了与活动相关的出行行为的独特特征(Fernando,2019年)。然而,这类需求往往只针对某个特定阶段进行分析,尤其是活动后的返程阶段(Tian等人,2023年),而没有对不同阶段进行系统性的研究。实际上,与特殊活动相关的出行需求既包括人员聚集阶段,也包括人员散去阶段,这两个阶段的时空动态、空间分布以及背后的行为机制可能都有所不同。虽然人们普遍认为与特殊活动相关的交通流量通常由对应于人员到达和离开的两个波峰组成(Kwoczek等人,2014年),但这些阶段往往被分开研究。因此,比较聚集阶段和散去阶段有助于更全面地了解与特殊活动相关的打车需求的动态变化,从而为大型活动期间的交通管理和打车服务运营策略提供更有针对性的指导。
本研究利用在中国天津收集的包含地址信息的打车订单数据,识别与演唱会相关的出行行为,并分析其时空特征。首先,运用机器学习模型量化与特殊活动相关的打车需求与不同区域属性之间的关系,然后再通过SHAP值分析方法,探究各关键变量之间的非线性关系和交互效应。本研究的贡献如下:
•利用包含地址信息的出发地和目的地数据,识别与特殊活动相关的打车出行,区分人员聚集阶段和散去阶段,进而描述这两个阶段内与特殊活动相关的打车需求的时空分布特征。
•运用机器学习模型,分析与特殊活动相关的打车需求与各种区域属性之间的关系,这些属性包括社会经济特征、城市环境特征以及地理位置因素,同时量化各个关键决定因素在聚集阶段和散去阶段中的相对重要性及交互效应。
本文的其余部分结构如下:第2节回顾了关于特殊活动期间出行需求以及打车服务的相关研究。第3节介绍了研究区域以及本研究使用的数据来源。第4节阐述了研究方法框架,包括所采用的机器学习模型和分析方法。第5节展示了实证研究结果,包括与特殊活动相关的出行的时空特征以及基于模型的影响因素分析。第6节总结了主要研究发现,提出了政策建议,并指出了未来研究的方向。
2. 文献综述
2.1 特殊活动期间的出行模式
与活动相关的出行通常被视为一种派生需求,由于活动有固定的日程安排和场馆位置,这类出行会在时间上出现明显的峰值,空间分布也极为集中,这与常规的城市通勤模式有所不同(Robbins等人,2007年)。Getz和Page(2016年)在回顾活动旅游相关研究时指出,有计划的特殊活动会在活动日程和地点周边形成高度集中的出行需求,这也使其有别于常规的城市通勤模式。Nalin等人(2024年)利用手机信号数据,识别并分析了诸如一级方程式赛车这类定期举办的大型体育赛事中参与者的规模以及他们的时空行为模式,他们发现,即便比赛在下午举行,参与者通常也会提前很久到达,而他们的离场高峰则与活动结束时间紧密相连。Bao等人(2025年)对特殊活动期间参与者的离场时间选择进行了建模分析,结果表明,活动后的离场交通在时间上更为集中,造成的拥堵也更为严重,因此更难以管理。
Robbins等人(2007年)基于多个案例研究和旅游统计数据进行了全面的文献综述,提出了一种多维概念框架,从理论上描述了大型活动期间的交通系统特征,强调了出行在时空上的高度集中以及碳排放量增加等问题。为了支持实证和定量分析,Kuppam等人(2011年)对20项大型活动进行了抽样调查和数据扩展工作,还开发了一套系统化的数据收集和处理方法,为后续研究提供了实证基础。同样利用这套数据,Kuppam等人(2013年)建立了特殊活动模型,该模型能够对与特殊活动相关的出行分布和出行方式选择进行定量分析。Kwoczek等人(2014年)利用浮动车辆数据、全球移动通信系统探测数据以及固定传感器,分析了多种类型的特殊活动,他们发现出行存在与人员进入和离开相关的典型两波流量模式,其中离开阶段的流量通常更为明显。在此基础上,Kwoczek等人(2015年)将研究重点放在整个赛季定期举行的职业足球比赛中,他们不再关注整体区域状况,而是致力于识别受活动影响的道路路段。他们的研究结果表明,特殊活动对交通的影响具有很强的空间局限性,其影响主要体现在少数关键的道路上。值得注意的是,分析还发现,活动参与者倾向于使用那些原本并非为该场馆服务的附近停车场,这就导致了交通需求在空间分布上的独特模式。Lin和Chen(2017年)基于新年前夜庆祝活动中的交通数据和问卷调查数据,建立了一个针对特殊活动的多模式、多时间尺度的出行需求预测和评估框架,他们发现,这类活动会导致出行方式结构发生变化,且参与者的离场时间分布也会更加分散。Cui等人(2024年)利用实证交通数据和调查数据,研究了在不确定性条件下特殊活动参与者的出行方式选择问题,他们发现,出行时间和成本是影响决策的最主要因素,其次是出行的可靠性和便捷性,而舒适性则影响较小,不过这项分析并未区分参与者是前往场馆还是返回。
尽管这些研究为了解特殊活动相关的出行模式提供了重要见解,但大多数研究都依赖于交通传感器、浮动车辆数据、手机信号数据、自动收费系统数据或基于调查的方法(Kwoczek等人,2014年;Lin和Chen,2017年;Nalin等人,2024年)。这类数据来源主要能够捕捉到整体的出行模式或空间轨迹,而很难获取有关参与者预期目的地和出行目的的详细信息。近期研究表明,包含文本信息的出行记录能够提供额外的语义信息,有助于仅凭空间邻近性之外的一些因素来识别出行意图和活动背景(Ma等人,2025年)。在特殊活动期间,由于会有临时的交通管制,以及上车和下车地点较为分散,这些优势就显得尤为重要,因为这些情况会增加了识别与活动相关的出行行为的难度(Xiao和Lou,2022年)。
之前的研究还表明,特殊活动会系统性地改变不同交通方式下的出行模式。Li等人(2017年)利用北京地铁的自动收费系统数据,构建了一个多尺度径向基函数网络,用于预测音乐会和大型体育赛事等特殊活动期间的短期客流量。该模型通过整合整个地铁网络的乘客上车流量,并运用匹配追踪正交最小二乘算法,能够准确预测未来30分钟内可能出现的客流激增情况,还能找出导致客流激增的关键车站。这种方法有助于提前进行人群管理,也能揭示大型活动期间地铁系统内的时空关联关系。Cheng等人(2025年)发现,大型活动会导致地铁客流量出现无规律、波动剧烈且呈脉冲状的激增现象,这些激增的客流主要集中在活动场馆附近的车站,从而形成了稳定的上下车异常空间模式。Rodrigues等人(2017)利用新加坡的智能卡数据表明,在更广泛的公共交通系统中,大型活动会引发剧烈且短期的需求峰值,这些峰值的强度会因活动类型而异。从私人车辆出行的角度来看,Yue等人(2009)运用离散选择理论,以一场奥运会足球比赛为案例构建了多项逻辑回归模型,用于分析人们在大型活动期间的出行方式选择及停车需求,研究发现出行方式的选择受到个人特征与出行相关因素的共同影响。Parkes等人(2016)对2012年伦敦奥运会期间的出行行为进行了分析,发现大型活动会显著改变人们的出行模式,有证据表明在活动期间,人们更多选择步行和公共交通工具,常规出行习惯也发生变化。Hu等人(2025)指出,由活动引发的出行需求具有不规律、非平稳的特征,这类波动是由特殊事件和干扰因素导致的,与日常出行模式有本质区别,也给基于历史平均数据的传统需求建模带来了挑战。
2.2 出行模式与网约车需求的形成机制
现有研究已发现,在不同城市环境中,网约车需求存在明显的时空聚集特征。Rayle等人(2016)发现,网约车出行常常替代出租车以及部分私人车辆出行,尤其是在非常规的城市出行中。Henao和Marshall(2019)则指出,网约车服务多用于前往机场、餐厅、酒吧和活动场所等地点,而这些地方往往与休闲或非常规出行目的相关。在空间分布层面,X. Li等人(2023)发现出行呈现明显的中心-边缘扩散模式,短途出行集中在城市核心区域,而长途出行则向郊区延伸。Du等人(2022)也得出了类似结论,他们发现网约车需求高度集中在城市中心区域,且受活动场所距离的影响较大。此外,时间上的差异也很明显。Xu等人(2025)发现工作日与周末的网约车需求模式存在显著差异,市中心区域和机场周边区域的出行需求更为集中;而Ding等人(2024)则发现,在不同时间背景下,网约车需求与地铁系统的空间互动关系也有所不同。另外,Marquet(2020)指出,网约车出行多发生在步行便利且具有吸引力的城市区域,而非分散的边缘地带。总体而言,这些研究表明网约车需求对城市活动模式和空间环境极为敏感,因此在像大型活动这样的非常规出行场景下,可能会出现特殊的供需动态。
现有研究还表明,建筑环境特征会对网约车需求产生重要影响,且这种影响在不同城市中存在显著差异。Ghaffar等人(2020)发现,在土地用途多样化、居民收入水平较高且私家车拥有率较低的地区,网约车需求通常更高,同时他们还发现了网约车需求与交通供给及停车条件之间的非线性关系。S. Wang和Noland(2021)也观察到了类似的时空规律,他们发现网约车出行的生成具有明显的空间聚集特征和时段差异,需求会随着当地城市形态和交通便利程度的变化而相应调整。从空间角度来看,Yu和Peng(2019)发现不同城市地区的网约车需求存在很大差异,并非在整个城市范围内均匀分布;Yan等人(2020)进一步证实,出行距离、行程时间、通勤流量以及就业密度等因素,比单纯的社会经济指标更能影响网约车需求的空间分布。关于共享出行行为的研究也揭示了这些关系的复杂性。例如,Tu等人(2021)发现,到市中心的距离、土地用途多样性以及道路密度都会对拼车行为的采用产生非线性和空间上不均匀的影响。Sabouri等人(2020a)和Sabouri等人(2020b)也共同指出,社会经济因素和建筑环境因素的影响在空间上存在差异,这进一步体现了网约车需求本身的复杂性。这些研究结果表明,网约车需求受复杂的空间机制调控,无法仅通过简单的线性关系来解释。
近期的研究越来越强调,建筑环境特征与出行行为之间的关系往往是非线性的,并且在空间上存在差异,因此人们开始采用先进的机器学习方法来分析城市出行问题。例如,H. Jiang等人(2025a)发现,无论是客观存在的还是人们主观感知的建筑环境特征,都会对居民和工作场所中的主动出行行为产生显著的非线性和阈值效应。Zafri和Zhang(2026)则进一步结合机器学习与推断建模方法,识别出建筑环境因素与出行行为之间的阈值效应及复杂的非线性关系,同时强调了可解释性机器学习框架在分析城市出行机制方面的优势。在多模式出行领域也发现了类似的非线性关系,比如受地面建筑环境特征影响的地铁-自行车一体化系统(Luo等人,2026)。尽管取得了这些进展,但现有研究对于非线性建筑环境机制在异常情况或与活动相关的网约车场景下的作用了解甚少,尤其是在大规模计划性大型活动期间。针对大型活动背景下网约车现象的研究仍然十分有限。Xiao和Lou(2022)的一项相关研究主要关注活动场地周围的交通调度、停车管理以及拼车上下客点的优化,而对于与活动相关的网约车需求的复杂时空特征及其背后的建筑环境机制,则研究得相对较少。此外,大多数现有研究依赖于综合性的出行指标或传统的空间数据,这限制了它们准确识别与活动相关的网约车活动,也无法区分不同类型出行需求的特征。
2.3 研究缺口
尽管关于大型活动期间出行需求的研究日益增多,但仍存在一些不足之处:
- 现有研究大多依赖调查数据、汇总的交通流量数据或移动传感器数据,这些数据虽然能够反映整体需求上升趋势,但无法精确识别出是活动参与者所进行的出行,因此难以进行精细的时空分析。
- 网约车需求目前主要在常规城市出行条件下被研究,而大型活动带来的出行模式则具有高度集中且由活动驱动的特点,这使得从日常出行研究中得出的结论难以直接应用到大型活动场景中。
- 现有研究对不同大型活动阶段网约车需求的差异特征及其形成机制探讨不足,尤其是对于需求在活动期间的聚集与分散过程,以及社会经济因素和建筑环境因素所带来的非线性影响,研究不够深入。
3 研究区域与数据描述
3.1 研究区域
天津是中国中央政府直接管辖的一个直辖市,也是中国北方重要的经济和交通枢纽,如图1(a)所示。2024年,该市的GDP约为2500亿美元,在中国城市中排名第12位。截至2024年底,天津的常住人口为1364万,城市化率为86.01%,即有1173万城市居民。天津市的面积为11966.45平方公里,行政区划为16个区,如图1(b)所示。天津的公共交通系统包括11条地铁线路,还有市郊铁路和轻轨9号线,每年的客运量约为6.4亿人次(天津市交通运输委员会,2025年)。此外,该市还有865条公交线路,大约35500辆巡游出租车,同时还有71500辆获得许可的网约车(天津市统计局,2025年)。
下载:下载高分辨率图片(812KB)
下载:下载全尺寸图片
图1. 研究区域以及天津奥林匹克中心与地铁站的位置。
天津奥林匹克中心是一座具有重要意义的场馆,可容纳6万名观众,其位置如图1(c)所示。该场馆有三个地铁站,距离场馆入口均仅有大约10分钟的步行距离,因此公共交通便捷性很高。
3.2 数据描述
3.2.1 在天津奥林匹克中心举办的大型活动
本研究聚焦的是2024年4月13日和14日在天津奥林匹克中心举行的林俊杰“JJ20”世界巡回演唱会,这是一场预先安排的大型活动,由两场连续的演唱会组成。每场演唱会的开始时间为19:45,结束时间大约在21:45左右,观众入场时间为17:45。此次活动共有约10万名观众出席,其中大部分来自天津以外地区,因此导致了大量短期游客涌入,同时也带动了相关的旅游活动(天津市文化和旅游局,2024年)。在活动举办的两个日子里,场馆周边道路网络从16:00到24:00实行临时交通管制(天津市公安交通管理局,2024年)。在此期间,除授权车辆和本地车辆外,其他车辆不得进入场馆附近的指定道路,控制区域内也不允许路边停车。警方还建议司机选择其他路线,以避免在场馆周边遇到拥堵。在这样的情况下,包括传统出租车和在线网约车在内的网约车服务,成为了人们进出演唱会场馆的重要出行方式。
3.2.2 网约车订单数据
本研究使用的网约车订单数据来自天津智能交通运行监测中心,这是一个负责收集和管理天津各类多模式交通数据的官方平台,其中包含了地铁、公交车、出租车、共享单车以及网约车服务的历史出行记录。该数据集涵盖了2024年4月12日和13日,也就是在天津奥林匹克中心举行演唱会的两天时间。这些数据由获得许可的网约车平台公司提供,包含详细的行程记录。本研究主要分析2024年4月12日和13日的数据,即演唱会举办的两天。每条记录都包含订单编号、上车时间、起点和终点的文字描述以及对应的地理坐标。由于数据中没有直接给出行程距离和时长,因此研究人员使用Amap路由API,根据起点和终点的地址信息,假设以两点之间最短的汽车行驶路径来计算行程距离(Ma等人,2025年;Shen,2022年)。那些起点或终点信息缺失或不一致、坐标无效、时间戳异常或存在重复记录的都被剔除了。此外,只有那些起点和终点都在天津市范围内的行程才被保留下来。随后,研究人员利用文字形式的地址信息,筛选出与天津奥林匹克中心相关的行程,并对与大型活动相关的进出城行程进行分类。具体来说,如果行程的起点或终点地址中包含预定义的与场馆相关的关键词,比如场馆的正式名称及其常见缩写形式,那么这条行程就被视为与活动相关的行程。通过部分字符串匹配,可以找出地址字段中包含这些关键词的记录,而那些地址对应的是商业设施或其他使用类似场馆相关词汇的地点的记录,则会被手动剔除。采用这种方法是因为在演唱会期间,由于临时交通管制,网约车的上下客地点会偏离实际场馆区域,因此使用固定空间缓冲区基于坐标进行识别的效果不佳。不过,仍有一些与活动相关但无法通过文字信息识别出场馆关联的行程可能被遗漏。经过筛选后,共有7022条在活动高峰期的行程记录和3381条在活动结束后需求下降阶段的行程记录被保留下来,用于后续分析。这种数量上的差异可能反映出活动不同阶段人们出行方式的选择存在差异,因为在大型活动前后,人们的出行偏好和时间敏感性可能会有所不同(Chang和Lu,2013年;Cui等人,2024年)。表1总结了该数据的结构以及一条样本记录的内容。
表1. 分析所用数据字段的名称、描述及样本值
变量名称 | 变量描述 | 样本值
--------|----------|--------
订单编号 | 每笔网约车订单的唯一标识符 | 240*****913
上车时间 | 行程开始的时刻戳 | 2024-04-13 17:41:00
起点地址 | 行程的起始地点,以文字地址形式表示 | 天津师范大学主校区西侧
起点坐标 | 行程起点的经度和纬度 | 东经117.355198度,北纬39.130454度
终点地址 | 行程的结束地点,以文字地址形式表示 | 天津奥林匹克中心体育场
终点坐标 | 行程终点的经度和纬度 | 东经117.172194度,北纬39.073332度
行程距离 | 起点和终点之间的距离,单位为公里 | 6.67
注:为保护用户隐私,表格中未完整显示订单编号。
天津各地兴趣点(POI)的地理信息是通过Amap API获取的,这些信息被分为14大类。社会经济相关数据,如GDP和人口密度,则是从天津市规划局和全球资源数据云平台获取的。房价数据则来自中国知名的房地产平台链家。
4 研究方法
4.1 因变量与自变量
本研究将因变量定义为由演唱会引发的特定区域内的网约车需求。根据网约车行程是前往活动场馆还是从场馆出发,以及所处的活动阶段不同,本研究构建了两种方向的衡量指标。具体而言,IngressTrips表示在聚合阶段从各TAZ出发并最终抵达TJOC的与PSE相关的网约车出行次数,而EgressTrips则表示在分散阶段从TJOC出发并最终抵达各TAZ的出行次数。自变量则涵盖了建筑环境、社会经济状况以及位置信息。社会经济变量包括TAZ级别的人口密度、通过栅格数据汇总的GDP估算值,以及从地理编码的房屋交易记录中得到的平均房价。建筑环境属性则包括14类综合型兴趣点的密度,还有用于衡量TAZ级别土地使用多样性的兴趣点熵指数(Lundberg和Lee,2017)。与位置相关的因素则反映了各个区域的相对位置及其功能作用,主要体现为到TJOC的最短路径距离。为避免多重共线性问题,所有候选变量都计算了方差膨胀因子。那些VIF值超过10的变量被剔除,以确保数值的稳定性和可解释性(Fu等人,2023)。具体来说,由于VIF值超出阈值,表明存在严重共线性,因此“到中心距离”这一变量被移除。分析中使用的所有因变量和自变量的定义及描述性统计数据汇总在表2中。
表2. 模型分析中各变量的描述及描述性统计数据
变量 | 描述 | 均值 | 标准差 | 最小值 | 最大值
--- | --- | --- | --- | --- | ---
因变量 | IngressTrips | 1.68 | 6.89 | 0 | 167
| EgressTrips | 0.81 | 4.71 | 0 | 182
自变量 | 社会经济属性 | GDP | 18,655.63 | 9,731.00 | 0.00276,441.00
| 人口密度 | 各TAZ的人口密度(人/平方公里) | 1848.16 | 2119.92 | 12.51 | 23558.03
| 房价 | 各TAZ的平均房价(美元) | 1,065.34 | 1,684.67 | 0.00 | 9,715.00
建筑环境属性 | 地铁站密度 | 各TAZ的地铁站密度(站/平方公里) | 0.51 | 1.56 | 0.00 | 24.89
| 公交站密度 | 各TAZ的公交站密度(站/平方公里) | 4.31 | 5.44 | 0.00 | 58.89
| 停车场兴趣点密度 | 各TAZ的停车场密度(个/平方公里) | 43.97 | 58.29 | 0.00 | 368.19
| 餐厅兴趣点密度 | 各TAZ的餐厅密度(家/平方公里) | 97.28 | 187.41 | 0.00 | 1849.85
| 商业服务兴趣点密度 | 各TAZ的商业服务密度(家/平方公里) | 133.56 | 276.29 | 0.00 | 2921.50
| 酒店兴趣点密度 | 各TAZ的酒店密度(家/平方公里) | 17.80 | 65.25 | 0.00 | 1015.58
| 景点兴趣点密度 | 各TAZ的景点密度(家/平方公里) | 4.87 | 18.20 | 0.00 | 321.45
| 居住区兴趣点密度 | 各TAZ的居住区密度(户/平方公里) | 18.60 | 26.02 | 0.00 | 222.25
| 办公场所兴趣点密度 | 各TAZ的办公场所密度(家/平方公里) | 45.33 | 75.79 | 0.00 | 924.07
| 生活服务兴趣点密度 | 各TAZ的生活服务密度(家/平方公里) | 85.70 | 145.71 | 0.00 | 2795.62
| 汽车服务兴趣点密度 | 各TAZ的汽车服务密度(家/平方公里) | 9.99 | 19.17 | 0.00 | 366.48
道路密度 | 各TAZ的道路密度(公里/平方公里) | 25.89 | 17.08 | 0.75 | 156.99
| 土地使用多样性 | 各TAZ的兴趣点多样性 | 0.65 | 0.19 | 0.00 | 0.93
与位置相关的因素 | 到TJOC的距离 | TAZ中心到TJOC的最短路径距离(公里) | 15.03 | 7.54 | 0.35 | 29.98
| 到中心的距离 | TAZ中心到市区的欧几里得距离(公里) | 10.43 | 6.23 | 0.20 | 32.35
注:土地使用多样性是通过兴趣点熵指数Hj来衡量的,其计算公式为Hj=-∑i=1k(ni,j/Nj)log(ni,j/Nj)/log(k),其中ni,j表示TAZ j内第i类兴趣点的密度,Nj为总兴趣点密度,k为兴趣点类别的数量(Lundberg和Lee,2017)。
4.2 机器学习模型
在PSE条件下,人们的出行行为会与常规城市出行方式有显著差异,为此采用了机器学习模型来捕捉网约车需求与其影响因素之间可能存在的非线性及空间异质性关系(Koushik等人,2020;Santanam等人,2024)。共研究了四种模型,其中包括作为线性基准的普通最小二乘法,以及三种基于树的模型:梯度提升决策树、极端梯度提升法和随机森林。模型训练与性能评估采用五折交叉验证方法,即将数据集随机分为五个大小相等的子集,每种模型都会循环进行训练和验证,确保每个子集都能作为一次验证集(Krueger等人,2023;Sabouri等人,2020a;Sabouri等人,2020b)。为了优化验证性能,还对集成模型的超参数进行了调整。根据交叉验证结果,依据出行需求建模领域的常规做法,使用多种性能指标对模型进行比较,这些指标包括平均R2值、MAE、MSE以及各折R2值的标准差(Du等人,2022)。之后,将整体性能和稳定性最佳的模型在完整数据集上重新训练。随后运用SHAP技术对训练好的模型进行解读,通过量化各个解释变量的边际贡献,并分析它们对预测出的网约车需求的定向影响(Wagner等人,2022)。这一框架有助于清晰地了解在社会经济、空间以及建筑环境因素的作用下,网约车需求在PSE的聚合阶段和分散阶段是如何变化的。
5 结果
5.1 网约车数据的分布特征
为系统地描述与活动相关的网约车需求,分析从三个相互补充的维度展开,逐步呈现时间动态、空间范围以及二者之间的时空交互关系。具体而言,时间分布特征能显示需求出现的时间,距离分布特征则能说明出行距离的范围,而时空分布特征则将二者结合,揭示需求在空间和时间上的变化规律。
5.1.1 时间分布特征
如图2(a)所示,尽管4月13日的总出行量更高,但两天的时间分布结构极为相似,这说明活动前的出行安排相当稳定。具体来看,70%的网约车进程出行发生在场馆开放时间(17:45)前1小时到音乐会开始时间(19:45)前1小时之间,这反映出参与者为了避免可能的延误和排队不确定性,普遍采取了提前到达的策略。这种提前达峰的现象与以往关于活动导致的出行时间调整的研究结果一致,即在需求集中且交通管制措施实施的情况下,人们倾向于更早出发以避免拥堵(Niu等人,2022)。如图2(b)所示,大约70%的网约车出程出行发生在音乐会结束时间(22:20)后1小时内,这说明活动结束后有一段短暂但高度同步的出行高峰,这给现场的车辆调配及周边交通管理系统带来了较大压力(Y. Bao等人,2025)。此外,估计约有18%的参与者会在音乐会的最后阶段之前离开,可能是为了避免拥堵和网约车难以叫到的情况,这类提前离开的行为可能会影响整体的出行体验。与4月13日相比,4月14日的出行高峰更为陡峭,幅度也稍高,且出现时间晚约10分钟,这可能是由于音乐会结束时间稍晚,以及人们的出发时间更加同步所致。高峰过后,出行量呈逐渐下降的趋势,这可能反映出活动结束后短时间内交通流量增加,同时网约车与乘客的匹配难度也上升了(Tian等人,2023)。
下载:下载高分辨率图片(242KB)
下载:下载全尺寸图片
图2. 进程出行与出程出行的时间分布特征
5.1.2 距离分布特征
为进一步研究网约车需求的距离分布特征,以2公里的间隔分析了不同出行距离下的出行次数分布,如图3所示。结果显示,大部分出行都集中在距离场馆较近的范围内。具体而言,99.1%的进程出行和97.9%的出程出行都发生在30公里范围内。在12公里范围内,进程出行和出程出行分别占总出行量的86.1%和77.5%,这说明大多数网约车需求都集中在距离场馆较近的区域。进程出行在6–8公里区间达到峰值,约为2,300次,而在4–6公里区间约为1,450次,这表明出行需求在场馆周边相对集中。与进程出行不同,出程出行在8–10公里区间达到峰值,约为840次,而在6–8公里区间约为770次,这说明活动后的出行模式相对更为分散。在12公里之外,两种出行类型的频率都大幅下降,这体现了与音乐会相关的网约车需求具有明显的距离衰减特性。
下载:下载高分辨率图片(259KB)
下载:下载全尺寸图片
图3. 出行距离分布及累积频率
5.1.3 时空分布特征
虽然时间和距离分析能够让我们了解出行发生的时间和距离范围,但它们无法全面反映需求在空间和时间上的同步变化情况。为了解决这一问题,如图4和图5所示,通过核密度估计方法分析了时空分布特征,从而展现活动不同阶段网约车需求的动态空间结构。这些图表展示了网约车出行的核密度图,反映了音乐会期间全市范围内的需求空间分布情况,同时也凸显了天津境内进程出行与出程出行在时空分布上的差异。进程出行时段为14:00至20:00,而出程出行时段则为21:00至24:00。
下载:下载高分辨率图片(1MB)
下载:下载全尺寸图片
图4. 2024年4月13日至14日进程出行起点的核密度图。
下载:下载高分辨率图片(1MB)
下载:下载全尺寸图片
图5. 2024年4月13日至14日出程出行目的地的核密度图。
图4显示,进程出行的起点在天津市区内分布广泛,且两个音乐会的空间分布模式极为相似。在市中心的主要功能区和景区,如天津之眼景区、五大道景区以及天津文化中心附近,出现了多个高密度的热点区域,这说明除了居住在这些区域的居民外,还有一部分参与者会直接从附近的旅游景点前往音乐会场馆,这反映出一种观光与参加活动相结合的出行模式,也体现了活动旅游中旅游流动与大型活动之间的关联,这一概念在活动旅游理论中已有阐述(Getz,2008)。在出行高峰前的时段(A–B列),这些需求聚集区主要集中在市中心区域,而在高峰时段(C–D列),出行需求的覆盖范围向周边扩展,这意味着更多来自城市其他区域的参与者加入了出行行列,不过高需求区域仍然主要分布在市中心以及TJOC周边。在高峰过后时段(E–F列),出行活动大多仍集中在这些已确定的热点区域,同时整体出行量也有明显下降。
图5展示了出程出行目的地的核密度图,反映了音乐会结束后乘客下车的地点空间分布变化情况。与进程出行模式类似,出程需求也主要集中在市中心和TJOC周边,但在乘客分散过程中,需求明显向各大交通枢纽转移。从21:00到22:00(A–B列),下车活动在场馆附近开始较为稀少,随后逐渐增多,天津火车站周边较早出现了集中下车的现象,这说明有一部分参与者在音乐会结束后立即或甚至提前就离开了。那些提前离开的参与者,除了担心拥堵外,也可能是因为提前预订了后续的交通工具,比如定时的火车班次,这反映出参加活动往往会被纳入更整体的出行计划之中(Getz和Page,2016;Mou等人,2023)。音乐会结束后,需求迅速上升,到了22:30到23:00(D列),下车密度达到明显峰值,乘客在下车点形成密集集群,这些集群不仅分布在TJOC周边,还向高校区及火车站方向扩展,反映出学生以及非本地参与者正在陆续离开。这种空间聚集现象与节假日时人们在交通枢纽周边打车的情况类似,Z. Jiang等人(2025b)也观察到了类似现象。值得注意的是,在出程阶段,天津西站和天津火车站的表现存在差异。虽然天津西站距离场馆更远,但它有直达TJOC的地铁线路,能够提供无需换乘且更经济的出行方式,而前往天津火车站通常至少需要换乘一次。现有研究表明,在选择出行方式时,换乘需求比出行时间更具决定性作用(Shih等人,2024),这也使得地铁服务的竞争力更强,因此前往天津西站的网约车订单相对较少。在23:00到23:30的后续时段(E列),高密度集群逐渐减弱,不过在更广阔的区域内仍存在中等密度的出行活动,而到了23:30到24:00的时段(F列),网约车出行活动继续减少,最终恢复到活动前的稀疏状态。
5.2 模型选择与验证
表3总结了普通最小二乘法以及三种机器学习模型在预测进程出行量和出程出行量方面的性能表现。对于进程出行量,梯度提升决策树的表现最为出色,其R2值最高,为0.59,MAE和RMSE值最低,R2的标准差也为0.029,这说明该模型不仅准确度很高,而且稳定性也不错。出程出行量的预测结果也呈现出类似的趋势,梯度提升决策树再次获得了最高的R2值,为0.40。总体而言,梯度提升决策树在两种出行量类型的预测中都持续优于其他模型,因此被选为后续分析的模型。用于聚合阶段的最佳梯度提升决策树模型的学习率为0.0218,最大深度为5,估计器数量为230;而用于分散阶段的相应参数分别为0.0158,深度为4,估计器数量为190。所选模型具有最高的预测精度和稳定的交叉验证性能,这表明其更能捕捉潜在的需求规律,而非随机统计波动。由于SHAP解释是基于模型所学的输入输出关系得出的,更高的预测精准度为解读各解释变量的影响提供了更可靠的依据。Kashifi等人(2022)比较了多种机器学习模型,并将SHAP解释方法应用于旅行行为分析中表现最佳的模型。Z. Li(2022)研究表明,将SHAP分析应用于基于树的机器学习模型,可有效揭示空间因素对出行需求的影响。Wagner等人(2022)进一步证明,基于SHAP的可解释GBDT分析能够发现建成环境变量对出行行为的非线性关系及阈值效应。
表3. 不同模型在进出场景下的预测结果
空白单元格 | 模型 | R2 | MAE | MSE | R2.std
---|---|---|---|---|---
Ingress | OLS | 0.51 | 0.653 | 0.764 | 0.059
| GBDT | 0.59 | 0.570 | 0.629 | 0.029
| XGBoost | 0.58 | 0.579 | 0.637 | 0.038
| RF | 0.59 | 0.567 | 0.627 | 0.040
Egress | OLS | 0.34 | 0.594 | 0.662 | 0.046
| GBDT | 0.40 | 0.547 | 0.595 | 0.046
| XGBoost | 0.39 | 0.551 | 0.609 | 0.052
| RF | 0.39 | 0.537 | 0.604 | 0.055
5.3 使用SHAP解读影响因素
5.3.1 关键因素识别
本节利用前文确定的最佳模型所对应的SHAP值,解读网约车需求的决定因素。图6和图7展示的结果显示,进出场景的网约车需求存在共同的决定因素,同时也存在明显差异。两图中左侧面板为基于SHAP的解释变量重要性排序,右侧面板则为SHAP汇总图,展示各变量对网约车需求的影响分布与方向。对于进入场景的网约车需求,最具影响力的变量包括到TJOC的距离、酒店景点密度、人口密度、停车景点密度、餐厅景点密度以及公交站密度。而对于离开场景的网约车需求,主要影响变量包括酒店景点密度、到TJOC的距离、人口密度、停车景点密度、土地利用多样性以及餐厅景点密度。
下载:高清图片(540KB) 下载:全尺寸图片
图6. 进入场景的SHAP重要性及汇总图
下载:高清图片(563KB) 下载:全尺寸图片
图7. 离开场景的SHAP重要性及汇总图
从SHAP条形图可见,到TJOC的距离在进出场景的网约车需求中都是极具影响力的因素。这一特征表明,距离活动场地的空间近远在大型活动参与者の出行行为中起着核心作用。这一结论与Dragin-Jensen等人(2018)的研究一致,该研究指出,与活动地点的空间距离是决定参与者行为的关键因素,距离越近,与位置相关的因素重要性越高,参与者出席的可能性也越大。酒店景点密度在进出场景中始终属于最具影响力的变量之一,这说明与住宿相关的土地利用类型在活动相关的网约车需求中起着稳定作用。由于许多音乐会参与者是需要住宿的外地游客,因此酒店密集的区域会成为持续的空间吸引力,这一现象与以往的旅游流研究结果一致,即完善的住宿服务对吸引外地游客具有重要作用(Kádár和Gede,2021)。
人口密度在进出场景中均位列第三大影响因素,且与网约车需求呈持续的负相关关系。对于进入场景的出行,这一趋势可能反映出其他交通方式的竞争,从而降低了人们对网约车服务的依赖(Yang等人,2022)。而对于离开场景的出行,负相关关系可能源于出行目的地的空间分布特点:乘客通常会前往酒店或交通枢纽,而这些场所往往位于居民密度较低的区域(Kádár和Gede,2021)。停车景点密度在进出场景中始终属于影响网约车需求的核心因素。这一结果与Henao和Marshall(2019)的研究相符,他们发现停车条件会显著影响人们选择网约车而非自驾出行的决策。餐厅景点密度在进出场景中都发挥着重要作用,这与以往研究强调的餐饮设施对出行需求的影响结论一致(Marrocu和Paci,2013)。其在进入场景中更为显著的作用,可能反映了常见的出行模式——观众在用餐后会使用网约车前往活动场地,这一现象为观察到的趋势提供了合理解释。
公交站密度在进入场景中影响力更强,这是因为在音乐会开始前,公交服务仍在正常运营。这一特征与Zheng等人(2022)的研究结果一致,他们指出公交站密度是影响网约车需求的重要建成环境因素,体现了交通便利性在催生网约车出行中的作用。相比之下,土地利用多样性在离开场景中的重要性更高。正如Zheng等人(2022)所指出的,不同的土地利用类型与网约车需求呈显著的正相关关系,这意味着土地利用功能更为多元的区域往往会产生更多、分布更广的出行活动。活动结束后,当乘客前往不同的目的地而非单一的集中地点时,土地利用多样性的影响就会更加明显。
总体而言,进出场景的直接对比显示出,不同阶段关键变量的影响存在显著差异。具体来说,到TJOC的距离在进入场景中影响更为显著,而随着目的地分布越来越分散,其在离开场景中的影响力则有所减弱。相反,与酒店相关的因素以及土地利用特征在离开场景中更为突出,反映出目的地属性的重要性不断提升。同时,餐厅景点密度和公交站密度等变量则表现出与场景相关的特殊影响,说明活动前的各类条件以及交通便利性在进入场景中更为重要。这些对比结果表明,解释变量在不同聚集与分散阶段的影响力存在显著差异。
5.3.2 非线性模式与交互效应
为确保分析的严谨性与可解释性,本研究重点关注SHAP重要性最高的变量,选取了六个最具影响力的特征进行后续的非线性分析。对于每个关键变量,都通过SHAP依赖图来探究可能的交互效应。在这些图表中,与主要变量一同显示的交互特征是由SHAP TreeExplainer自动识别的,即那些具有最强交互效应的特征,而非人工指定(Ji等人,2022;Lundberg等人,2020)。
图8(a)展示了进入场景中明显的非线性距离衰减规律:在距离TJOC 10公里范围内,预测的SHAP值通常为正,这与图3中的出行距离分布一致,图3显示大多数网约车出行都发生在这一距离范围内;而超过大约15公里后,该数值会稳定在持续负值的水平,这可能反映出长距离出行时人们更倾向于选择成本更低的公共交通工具。颜色渐变还显示出与酒店景点密度的交互效应:酒店密度较高的区域集中在较短距离范围内,且通常对应较高的SHAP值,而酒店密度较低的区域的分布范围更广,其中也包括一些距离较近但贡献较小的区域。这一交互效应表明,在住宿设施集中的区域,距离活动场地的近处会显著提升网约车需求。
下载:高清图片(480KB) 下载:全尺寸图片
图8. 进入场景中最重要特征的SHAP依赖图
图8(b)展示了进入场景中酒店景点密度的非线性影响规律。当酒店景点密度接近零时,SHAP值为负,但随着密度上升,SHAP值会迅速上升,达到大约100/km2的阈值后逐渐趋于平稳。超过这一阈值后,样本数量较少,且其SHAP值在相对较高的水平上波动。其与到TJOC的距离存在交互效应,即距离活动场地较远的区域通常酒店密度较低,SHAP值的范围也较为狭窄。总体而言,距离会削弱该效应的强度,这说明尽管随着距离增加,与住宿相关的网约车需求会减弱,但较高的酒店景点密度在不同距离条件下仍会持续带来较强的进入场景需求。
图8(c)展示了进入场景中人口密度对网约车需求的显著非线性影响。在人口密度较低的水平(大约低于2,000人/平方公里)时,SHAP值仍为正,但随着密度上升,SHAP值会迅速下降,不久之后变为负值并稳定在较低水平。这一规律与常规出行条件下人口密度与网约车需求通常呈正相关的现象不同(Marquet,2020),凸显了大型活动带来的独特需求机制。从SHAP图中的趋势可以看出,无论到TJOC的距离如何,人口密度的影响基本保持不变,不过SHAP值的绝对大小会随着距离增加而减小,这说明虽然距离越远人口密度对需求的影响越弱,但其整体趋势依然保持一致。
图8(d)显示,停车景点密度与网约车需求总体上呈正相关关系:随着停车设施的增多,SHAP值会上升,超过大约100的阈值后,虽然数值仍处于较高水平,但分布更为分散。这一结果与以往研究一致,即停车条件的可用性与网约车使用频率呈正相关(J. Bao等人,2018)。Henao和Marshall(2019)认为,更多的停车资源可以增加潜在的网约车司机数量,因为大多数网约车司机使用的是私人车辆,非工作时段这些车辆会停放在某处。其与到TJOC的距离存在交互效应,即距离活动场地大约5–15公里范围内的部分区域,SHAP值明显更高,这说明在适度距离内、停车条件较好的区域在进入场景中可能发挥更重要的作用。这一现象可能与活动场地周边停车资源匮乏有关,同时也有大量出行来自周边城市,这类乘客更可能先开车前往距离适中、停车条件良好的区域,再在最后一段路程使用网约车。
图8(e)展示了进入场景中餐厅景点密度对网约车需求的显著非线性影响。在餐厅景点密度较低时,SHAP值多为负值,表明存在抑制作用。当餐厅景点密度上升到大约500/km2时,SHAP值会迅速上升,并在较宽的中间区间内保持略为正值的水平。超过这一密度后,正贡献会更为明显,不过在这一高密度区间内的样本数量相对较少。颜色渐变表明,到TJOC的距离是主要的交互因素,餐厅密度较高的区域通常位于活动场地附近。在密度适中时,该效应会随距离增加而减弱,这说明参与者更可能在靠近活动场地的区域用餐,之后再使用网约车出行。
图8(f)显示,公交站密度与网约车需求之间的非线性关系相对较弱。大多数样本对应的公交站密度较低(低于20/km2),此时SHAP值虽略有波动,但总体呈上升趋势。这一规律表明,公交服务与网约车服务之间存在空间上的异质性交互效应,这与Zheng等人(2022)的研究结果一致,他们发现二者交互的方向和强度会因地点不同而有所差异。公交站密度较高的情况较为少见,但对应的SHAP值贡献更大。到TJOC的距离是主要的交互因素:公交站密度较高的区域通常位于活动场地附近,这说明在公交站密集的区域,尤其是活动场地周边,网约车需求依然有较强响应。总体而言,公交站密度在进入场景中虽然影响有限,但作用较为复杂。
图9(a)展示了离开场景中酒店景点密度的非线性影响规律。其模式与进入场景类似:在酒店景点密度极低时,SHAP值为负,随着酒店密度上升,SHAP值会迅速上升,达到大约100/km2的阈值后趋于平稳。超过这一阈值后,样本数量较少,但这些样本的SHAP值通常较高,且分布更为分散。其与到TJOC的距离存在交互效应,即距离较远的区域酒店密度较低,SHAP值的范围也较窄。与图8(b)中的进入场景相比,整体模式保持一致,但效应的强度明显更大,这说明在离开场景中,酒店作为目的地吸引力的作用比作为出发地时的作用更为突出。这一对比凸显出,在活动结束后的人员疏散过程中,酒店作为目的地吸引者的作用要强于进入场景时作为出发地的作用。
下载:高清图片(529KB) 下载:全尺寸图片
图9. 离开场景中最重要特征的SHAP依赖图
图9(b)展示了离开场景中到TJOC的距离对网约车需求的非线性影响规律。在大约10公里范围内,SHAP值保持正值,并且随着距离的增加而逐渐下降,而在大约15公里之外则稳定在持续的负值上。尽管整体衰减模式及其与酒店兴趣点密度的相互作用与图8(a)中观察到的情况一致,但SHAP值的绝对范围明显较小,这表明在疏散过程中距离效应有所减弱。与进入阶段相比,这种幅度的减小意味着活动结束后,人们对于前往场馆附近的敏感度降低。在短距离范围内,酒店兴趣点密度越高,SHAP值越低,这可能与活动结束后场馆周边酒店密集区域的拥堵以及取车条件受限有关。总体而言,这些结果表明,疏散阶段的网约车需求对距离场馆的接近程度不太敏感,而更与目的地特征相关。图9(c)展示了人口密度在疏散阶段对网约车需求的非线性影响。当人口密度低于每平方公里约1,000人时,SHAP值仍为正,但随着密度增加而急剧下降。在大约4,000人以上时,SHAP值转为负值且分布更加分散,表明在高密度水平下其贡献逐渐减弱且稳定性降低。与停车兴趣点密度的相互作用显示出明显的空间异质性:在低密度区域,更多的停车设施与更强的正向贡献相关,而在高密度区域,更高的停车密度则对应更低的SHAP值。这一模式表明,居住密度较低且停车设施充足的区域更有可能成为活动结束后理想的下车目的地,而人口密集的区域可能因其他土地使用功能而降低其在疏散过程中的吸引力。与进入阶段相比,这种效应变得更加分散且不稳定,反映出疏散阶段目的地选择的多样性更大。图9(d)显示了停车兴趣点密度与疏散阶段网约车需求之间总体呈正相关但非线性的关系,其特点是低密度时需求迅速上升,随后逐渐平稳。大多数观测数据集中在每平方公里100个兴趣点以下,此时SHAP值接近零,而只有当停车密度超过这一阈值时,才会出现明显的较高SHAP值。与人口密度的相互作用显示出一致的衰减效应:在停车供应充足的情况下,较高的人口密度与较低的SHAP值相关。结合图9(c),这些结果表明,活动结束后,网约车需求在停车设施充足且居住密度相对较低的区域内更为旺盛,而人口密集区域则会削弱停车可用性带来的正向贡献。图9(e)显示,土地使用多样性与时段密切相关,大约在0.7这个数值处存在明显转折。在此阈值以下,SHAP值主要为负,且仅缓慢上升;而在此阈值以上,观测数据更加集中,正向贡献增强,表明功能混合的区域在吸引活动后的网约车出行方面起着更重要的作用。在土地使用多样性较低的区域内(低于0.7),较高的停车兴趣点密度与较大的SHAP值相关,而超过这一阈值后,模式则发生逆转,即在相似多样性水平下,停车密集区域的贡献反而低于停车较少的区域。这种条件性相互作用表明,停车设施主要在较少功能混合的环境中提升疏散阶段的网约车需求;在高度混合的区域,其作用则会被削弱。图9(f)显示,餐厅兴趣点密度对疏散阶段网约车需求的影响较为温和且非线性。当密度超过大约50个/平方公里时,SHAP值从负转正,在大约250个/平方公里时达到局部最大值,之后在保持正值的同时逐渐下降。与图8(e)中的进入阶段相比,高密度餐厅区域(超过约500个/平方公里)在疏散阶段的贡献要弱得多,SHAP值接近零。这一对比表明,与餐厅相关的需求主要与活动前的活动有关,活动结束后则有所减弱。这种模式很可能反映了活动的时机,即参与者往往在到达场馆之前就会用餐,因此在进入阶段,来自餐厅密集区域的网约车出行较多。颜色渐变表明,与人口密度的相互作用在餐厅密度较低时最为明显,此时较高的居民密度会导致SHAP值贡献减弱,而在较高密度范围内,这种差异则不那么显著。总体而言,疏散阶段的网约车需求与餐厅集中度适中的区域最为相关,尤其是在人口密度较低的区域内。6. 结论6.1. 主要发现基于2024年4月8日、13日和14日在天津收集的网约车出行数据,本研究识别了与音乐会相关的网约车出行,并分析了它们的时间和空间模式。研究采用了机器学习模型来探讨进入和离开场馆的网约车需求的决定因素。通过SHAP分析进一步解读了最优模型,包括相对重要性度量和依赖图,以研究关键特征之间的非线性效应和交互模式。基于这些分析,下面介绍了关于音乐会相关网约车出行的时间和空间模式及其决定因素的主要发现。从时间上看,进入场馆的需求在活动开始前的几小时内逐渐增加,在场馆开放前大约一小时达到高峰,然后在音乐会开始前一小时结束,这表明参与者通常会提前到达,以应对可能的延误和排队情况;而离开场馆的需求则在音乐会实际结束后大约一小时内出现短暂而强烈的上升,表明人们的离开时间高度同步。从空间上看,进入场馆的出行在城区范围内广泛分布,在天津之眼、五大道景区和天津文化中心等关键区域形成高密度热点,这些热点在高峰期向外扩展;而离开场馆的出行在活动开始时在场馆周边较为稀少,音乐会结束后则急剧增加,在场馆、火车站和大学区附近形成密集的出行群,之后逐渐分散。从行驶距离来看,几乎所有出行都发生在30公里半径范围内,其中大部分在12公里以内,进入和离开场馆的出行都呈现出先上升至峰值然后逐渐下降的趋势,进入场馆的出行在靠近场馆的地方达到峰值,而离开场馆的出行则在稍远的地方达到峰值。机器学习分析结果显示,与音乐会相关的网约车需求主要受位置相关因素和建筑环境特征的影响,进入和离开场馆的阶段之间存在系统性差异。在两个阶段中,到天津奥林匹克中心站和酒店兴趣点密度的距离都是最具影响力的变量。距离场馆越近,网约车需求越高,进入场馆时的距离效应比离开时更为明显。酒店兴趣点密度在两个阶段都与网约车需求呈正相关,但在离开场馆时的效应更为显著。人口密度在进入和离开场馆的两个阶段都与网约车需求呈负相关。停车兴趣点密度在两个阶段都与网约车需求呈正相关,而餐厅兴趣点密度在进入场馆时的效应比离开时更为显著。公交车站密度主要在进入场馆阶段影响需求变化,而土地使用多样性在离开场馆阶段是更具影响力的变量之一。总体而言,关键变量在两个出行阶段的相对重要性和方向性效应存在系统性差异。这类差异与以往的研究结果一致,即建筑环境因素的影响可能会因不同的行为背景和时间条件而有所不同。6.2. 建议6.2.1. 对音乐会组织者的政策建议进入场馆的高峰期在场馆开放前大约一小时开始,而在演出开始前大约一小时结束。组织者可以考虑提前开放场馆。一个实用的策略是举办活动前的活动,如主题商品销售,这不仅能提升活动的吸引力和收入,还能激励参与者提前到达,从而减轻场馆入口的拥堵。组织者还可以利用附近的住宿和交通枢纽,因为网约车需求很大程度上受酒店和城市中心区域距离的影响,通过与当地酒店和交通节点协调,可以更均匀地分配到达人群,减轻场馆入口的压力。鉴于音乐会结束后立即会出现高度集中的离开场馆需求,因此必须在场馆设置明确的步行路线、管理良好的网约车取车区域以及有序的排队系统,以便高效引导参与者上车。与网约车平台合作,可以帮助将车辆供应与预测的活动后高峰期相匹配,从而减少等待时间,提高乘客疏散的效率。此外,组织者还可以考虑采用错峰离场策略或提供可选的活动后活动,稍微延长离开时间,平缓高峰需求。提供清晰的标识和实时指引可以进一步减少拥堵,确保参与者能够安全、高效地从场馆前往网约车。6.2.2. 对网约车平台的政策建议进入场馆的出行数据显示,活动前的网约车需求在空间和时间上都非常集中,出行主要来自靠近场馆和附近酒店集群的区域,而在一定距离之外需求则急剧下降。鉴于这一模式,平台应优先在核心服务区域内调度司机和匹配订单,采取一种以距离为敏感度的策略,重点处理距离场馆大约12公里以内的短途出行。这样的针对性分配可以提高活动前高峰期的匹配效率,减少来自周边区域的不必要的车辆流动,更好地使供给与短途出行需求相匹配,从而在高峰到达时段稳定系统性能。在离开场馆的阶段,需求在活动结束后短时间内激增,然后向包括酒店、火车站和大学区在内的一组明确的目的地分散。为此,平台应在活动结束前主动将司机从这些目的地区域调往场馆,同时降低人口密集的住宅区的调度优先级。这一策略可以减少任务完成后空车的行驶,加快初始疏散高峰期的乘客匹配速度,提高整体运营效率,同时避免过度占用需求较低的住宅区。离开场馆阶段的网约车需求在空间上高度集中,尤其是在酒店和交通枢纽等关键目的地周围。为此,网约车平台可以通过为拼车提供更高的匹配优先级或给予激励措施,鼓励乘客在离开场馆阶段选择拼车。这一策略可以减少车辆流动,缓解拥堵,提高运营效率,并通过更多人选择拼车来增加收入。6.2.3. 对交通管理部门的政策建议时间分析表明,进入场馆的网约车需求在活动前的一个明确时间段内加剧,在场馆开放前一小时到演出开始前一小时之间达到高峰,且在场馆、附近酒店和主要交通节点周边空间上高度集中。为了应对这一可预见的增长,交通管理部门可以在进入场馆的高峰期通过优化信号灯时间、实施临时交通路线方案以及主动引导车辆流向关键通道来加强交通管理。这些措施可以平滑到达车辆的流量,减少局部拥堵,提高在最关键的活动前时期的通行可靠性。离开场馆的阶段则表现为音乐会结束后短时间内出行需求迅速集中,主要目的地包括酒店、大学区和火车站。为了应对这种突然的疏散,管理部门可以部署临时巴士或长途客车服务,将场馆与这些需求较高的目的地连接起来,同时配合实时交通指引和动态控制策略。将资源集中在这些主要的疏散通道上,可以缩短乘客的等待时间,减轻周边道路网络的压力,提高活动后交通运行的整体效率,同时让需求较低的住宅区保持常规管理。停车兴趣点密度与网约车需求之间的正相关关系进一步表明,有一部分参与者选择开车前往距离场馆较远的地点,然后再使用网约车服务完成最后一段行程。基于这一模式,交通管理部门可以在大型活动中指定并推广周边的停车设施作为临时停车换乘中心,可能还会提供免费或优先购票的停车优惠。通过规范这种换乘行为,这样的安排可以减少私人车辆进入场馆周边拥堵区域的情况,更好地利用现有的停车资源,支持在活动期间实现私人驾驶和网约车服务的更有序整合。6.3. 局限性与未来研究本研究存在若干局限性。首先,分析仅依赖于网约车订单数据,这限制了捕捉完整的多模式交通体系的能力,该体系还包括出租车、公共交通和私人车辆。未来的研究可以整合多种交通方式的数据,从而更全面地了解大型活动期间的出行状况,并探讨打车服务与其他出行方式之间的互动关系。其次,本研究仅以一场音乐会为例,这限制了研究结果在体育赛事、展览或节日等其他类型活动中的适用性。若能将分析范围扩展到更多类型的公共空间事件、不同规模以及不同的城市环境,未来研究就能更好地理解各类特定活动下的出行模式。第三,目前的分析并未考虑个体层面的社会人口统计因素、天气状况或其他可能影响打车行为的特定情境变量。纳入这些因素有助于揭示行为上的差异性,尤其是在学生等特定群体中。此外,识别与活动相关的出行路线主要依赖于文本地址匹配,这可能会遗漏那些没有可识别文本信息的场地相关出行路线。未来研究可以通过结合文本信息与时空数据来进一步改进出行路线的识别。未来的研究还可以探索针对打车平台的针对性运营策略,以及在大型活动期间如何协调打车服务与出租车及公共交通的调度,从而从单纯的预测建模转向更具实用性的以活动为导向的调度规划。
作者贡献说明:马新伟:撰写——审阅与编辑、概念设计。周凯:撰写——初稿、可视化、软件使用、方法论、数据收集与整理。崔洪军:验证、方法论、概念设计。于伟杰:撰写——审阅与编辑、方法论。程龙:撰写——审阅与编辑、监督指导。
资金支持:本研究得到了中国国家自然科学基金[项目编号52372301、52202387、52172304]以及重点人才项目(海外归国人员培养计划)[项目编号A20240013]的支持。
马新伟|周凯|崔洪军|于伟杰|程龙
中国天津市河北工业大学土木与交通工程学院,邮编300401
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号