李林波， 姜 嶼， 鄒亞杰， 吳 兵

(同濟(jì)大學(xué) 道路與交通工程教育部重點(diǎn)實(shí)驗(yàn)室，上海 201804)

由于人工采集手段的局限，傳統(tǒng)停車需求特征分析往往以一天的調(diào)查數(shù)據(jù)為樣本，并將由此獲得的停車需求特征指標(biāo)作為停車需求預(yù)測(cè)、配建指標(biāo)制定以及停車管理的重要依據(jù)[1-4]，但數(shù)據(jù)的粒度和廣度很難達(dá)到研究的深度要求，因此所獲得的停車特征信息比較粗糙.此外，在停車需求特征指標(biāo)的實(shí)際應(yīng)用中還隱含了兩個(gè)重要的潛在特性：①基于樣本分析的停車需求特征具有代表性，但實(shí)際上由于調(diào)查日期往往是憑經(jīng)驗(yàn)確定的，并且無(wú)法進(jìn)行縱向?qū)Ρ?，因此樣本的代表性是存疑的；②基于樣本分析的停車需求特征具有穩(wěn)定性，即所獲得的停車需求特征并不會(huì)隨著日期的變化而發(fā)生顯著變化，在每一個(gè)正常工作日都會(huì)保持相應(yīng)的需求特征不變，然而這種需求特征的穩(wěn)定性從未得到過(guò)驗(yàn)證.陳峻等[5]在提出基于時(shí)空資源容量的停車設(shè)施共享資源匹配方法時(shí)，將片區(qū)停車需求時(shí)變規(guī)律作為前提，同樣李林波等[6]所建立的綜合體停車需求預(yù)測(cè)三步驟模型，實(shí)際上也蘊(yùn)含一個(gè)停車穩(wěn)定性的假設(shè)條件.由于對(duì)以上兩個(gè)潛在特性沒(méi)有進(jìn)行過(guò)驗(yàn)證，因此不能明確這些假設(shè)在多大程度上或是在什么條件下可以成立，從而限制了相關(guān)方法在實(shí)際工程項(xiàng)目中的推廣應(yīng)用.

停車需求特征的穩(wěn)定性與代表性是停車規(guī)劃與管理的重要應(yīng)用基礎(chǔ)，值得注意的是，這里的穩(wěn)定性概念與有些文獻(xiàn)中所談到的“穩(wěn)定性”并不一樣.冉江宇等[7]應(yīng)用聚類非參數(shù)檢驗(yàn)方法，分時(shí)段地對(duì)一天內(nèi)停車到達(dá)與駛離量及停車時(shí)長(zhǎng)進(jìn)行了參數(shù)擬合分布檢驗(yàn)，發(fā)現(xiàn)檢驗(yàn)對(duì)象均服從相關(guān)參數(shù)的分布，停車需求存在“穩(wěn)定性”特征.同樣，文獻(xiàn)[8-10]也通過(guò)相應(yīng)的擬合模型說(shuō)明了停車需求特征“穩(wěn)定性”的存在.這些文獻(xiàn)中所提到的“穩(wěn)定性”均是指停車需求特征模型的數(shù)據(jù)擬合度，如果擬合度高就代表“穩(wěn)定”.然而，同一停車設(shè)施在不同日期的停車需求特征是否相似，隨機(jī)選取某一天的數(shù)據(jù)所獲得的停車需求特征能否代表停車需求總體特征，停車需求特征是否具有季節(jié)性差異等問(wèn)題并沒(méi)涉及.隨著信息技術(shù)的發(fā)展，連續(xù)停車數(shù)據(jù)的獲取已經(jīng)成為可能，擬在連續(xù)數(shù)據(jù)環(huán)境下，對(duì)停車需求特征的穩(wěn)定性和代表性進(jìn)行研究，以促進(jìn)停車需求分析與管理技術(shù)的發(fā)展.

1 連續(xù)數(shù)據(jù)環(huán)境下停車需求特征描述

停車需求特征主要有停車到達(dá)與駛離特征、停車時(shí)長(zhǎng)分布特征以及停車需求時(shí)變特征等.隨機(jī)選取2015年1月5日至2015年12月28日某高新國(guó)際廣場(chǎng)停車設(shè)施(甲級(jí)寫(xiě)字樓和區(qū)政務(wù)中心，總面積為2.3×105m2，有632個(gè)泊位)自動(dòng)采集的停車數(shù)據(jù)進(jìn)行分析.對(duì)于商務(wù)辦公場(chǎng)所而言，停車矛盾主要出現(xiàn)在工作日，因此在數(shù)據(jù)處理及篩選過(guò)程中，剔除節(jié)假日及中到大雨條件下的數(shù)據(jù)，最終獲得有效樣本共223天正常工作日數(shù)據(jù)，如表1所示.

表1 某高新國(guó)際廣場(chǎng)停車需求每月有效樣本天數(shù)

Table.1 Sample data of parking demand in each month in a High-tech International Plaza

月份天數(shù)月份天數(shù)月份天數(shù)月份天數(shù)1月204月197月2310月162月105月198月2111月213月226月199月1612月17

從圖1發(fā)現(xiàn)，每日停放量(統(tǒng)計(jì)間隔為1 min)的曲線形狀非常相似，并且各月每日停放量時(shí)變曲線重合度很高，但是在不同月份時(shí)變曲線在大小上呈現(xiàn)顯著差異.利用聚類分析方法對(duì)12個(gè)月的數(shù)據(jù)，分5組(3～6月，1、2、7、8月，9、11月，10月，12月)進(jìn)行討論。圖1中，黑實(shí)線代表每組每日停放量時(shí)變曲線的特征擬合曲線.同樣，停車到達(dá)與駛離量曲線(統(tǒng)計(jì)間隔為30 min)也出現(xiàn)類似的特征，線形相似但大小不同，按聚類分析可以劃分為三組(2月，1、3～8月，9～12月)，如圖2和圖3所示.顯然，傳統(tǒng)上按絕對(duì)值來(lái)處理的停車到達(dá)時(shí)變特征和駛離時(shí)變特征，并不存在假設(shè)中的穩(wěn)定性與代表性，盡管曲線形狀呈現(xiàn)出高度的相似性，但曲線大小隨著時(shí)間的變化呈現(xiàn)出不同程度的差異.為了盡量消除外部動(dòng)態(tài)環(huán)境對(duì)停車到達(dá)時(shí)變特征和駛離時(shí)變特征的影響，對(duì)該停車設(shè)施單位時(shí)間內(nèi)的停放量以及到達(dá)與駛離量采用高峰比指標(biāo)(停車高峰比是指每單位時(shí)間內(nèi)停放量或駛離量與當(dāng)日最大停放量的比值)進(jìn)行處理[6]，發(fā)現(xiàn)穩(wěn)定性和代表性特征開(kāi)始出現(xiàn).此外，將每日停車時(shí)長(zhǎng)分布(統(tǒng)計(jì)間隔為30 min)擬合成平滑曲線后，曲線間也呈現(xiàn)出極度相似的特性，振幅較小且比較穩(wěn)定(見(jiàn)圖4).

圖1 某高新國(guó)際廣場(chǎng)每日停放量時(shí)變曲線

Fig.1 Time-varying curves of daily parking demand in a High-tech International Plaza

圖2 某高新國(guó)際廣場(chǎng)停車設(shè)施每日停車到達(dá)量時(shí)變曲線

Fig.2 Arrival time-varying curves of daily parking demand in a High-tech International Plaza

圖3 某高新國(guó)際廣場(chǎng)停車設(shè)施每日停車駛離量時(shí)變曲線

Fig.3 Departure time-varying curves of daily parking demand in a High-tech International Plaza

圖4 某高新國(guó)際廣場(chǎng)停車設(shè)施每日停車時(shí)長(zhǎng)分布曲線

Fig.4 Duration distribution curves of daily parking demand in a High-tech International Plaza

2 停車需求特征穩(wěn)定性檢驗(yàn)方法

停車需求特征穩(wěn)定性主要體現(xiàn)在停車需求特征曲線線形波動(dòng)的相似性和對(duì)應(yīng)時(shí)刻停車需求變化幅度的有限性上.因此，該問(wèn)題轉(zhuǎn)化為對(duì)一系列時(shí)間序列數(shù)據(jù)的相似性分析，即對(duì)不同日期的停車需求特征時(shí)變曲線族擬合出一條合適的曲線，并檢驗(yàn)出其統(tǒng)計(jì)有效性.一般的統(tǒng)計(jì)檢驗(yàn)如非參數(shù)檢驗(yàn)、z-檢驗(yàn)或t-檢驗(yàn)，針對(duì)的是1組或2組無(wú)序的隨機(jī)數(shù)，而此處針對(duì)的是多組有對(duì)應(yīng)關(guān)系的隨機(jī)數(shù)序列，因此根據(jù)問(wèn)題的特征，采用同步統(tǒng)計(jì)推斷法來(lái)進(jìn)行停車需求特征穩(wěn)定性檢驗(yàn)[11].

2.1 同步統(tǒng)計(jì)推斷法原理

同步統(tǒng)計(jì)推斷方法的建立基于以下兩個(gè)假設(shè)：①假設(shè)1,預(yù)測(cè)是無(wú)偏的；②假設(shè)2,模型誤差足夠小.為了解決樣本中的相關(guān)性和自相關(guān)性，以上兩個(gè)假設(shè)的檢驗(yàn)將在“組均值處理”的基礎(chǔ)上進(jìn)行.

設(shè)Xi為預(yù)測(cè)模型的預(yù)測(cè)結(jié)果值，Yi為實(shí)際觀測(cè)值，則殘差Zi=Xi-Yi,i=1,2,…,n.此時(shí)，Z可能是非獨(dú)立分布的.因此，需要對(duì)數(shù)據(jù)進(jìn)行分組，如下所示：

組1:Z1,Z2,…,Zm

組2:Zm+1,Zm+2,…,Z2m

?

組b:Z(b-1)m+1,Z(b-1)m+2,…,Zbm

2.2 同步統(tǒng)計(jì)推斷法求解

3 停車需求特征穩(wěn)定性檢驗(yàn)

對(duì)某高新國(guó)際廣場(chǎng)223天停車樣本數(shù)據(jù)(見(jiàn)表1)進(jìn)行停車需求高峰比時(shí)變特征穩(wěn)定性檢驗(yàn).為有效分析工作時(shí)間段停車需求高峰比時(shí)變特征，選取每天早8點(diǎn)至晚19點(diǎn)的停車數(shù)據(jù)，并利用Matlab曲線擬合工具箱中的平滑樣條對(duì)各日停車需求高峰比時(shí)變曲線進(jìn)行擬合，擬合結(jié)果如圖5中黑實(shí)線所示.

圖5 某高新國(guó)際廣場(chǎng)停車需求高峰比時(shí)變曲線擬合

Fig.5 Time-varying fitting curve of parking demand peak ratio in a High-tech International Plaza

a 停車到達(dá)量高峰比分布曲線

b 停車駛離量高峰比分布曲線

圖6 某高新國(guó)際廣場(chǎng)停車到達(dá)與駛離量高峰比時(shí)變曲線擬合

Fig.6 Time-varying fitting curve of parking demand peak ratio of arrival and departure in each month in a High-tech International Plaza

圖7 某高新國(guó)際廣場(chǎng)每月停車時(shí)長(zhǎng)分布曲線擬合

Fig.7 Duration distribution fitting curve in each month in a High-tech International Plaza

4 停車需求特征穩(wěn)定性比較

為進(jìn)一步驗(yàn)證其他類型停車設(shè)施的停車需求特征是否也存在穩(wěn)定性，隨機(jī)選取新華醫(yī)院、某人民醫(yī)院和某高鐵站東廣場(chǎng)的停車庫(kù)在2015年7月的自動(dòng)停車數(shù)據(jù)，剔除非工作日和惡劣天氣等非正常日數(shù)據(jù)后，獲得分析天數(shù)分別為20、17、22，對(duì)各自停車需求時(shí)變曲線和停車時(shí)長(zhǎng)分布的穩(wěn)定性特征進(jìn)行驗(yàn)證.

a 停車需求高峰比時(shí)變特征曲線

b 停車時(shí)長(zhǎng)分布曲線

5 結(jié)語(yǔ)

通過(guò)對(duì)不同業(yè)態(tài)停車設(shè)施連續(xù)停車數(shù)據(jù)的分析，在外部條件相對(duì)穩(wěn)定的情況下，即停車設(shè)施周邊沒(méi)有發(fā)生顯著性用地開(kāi)發(fā)時(shí)，停車設(shè)施的停車需求高峰比時(shí)變曲線、停車時(shí)長(zhǎng)分布特征和到達(dá)與駛離量高峰比特征指標(biāo)均具有穩(wěn)定性，即在不同的正常工作日，三大特征指標(biāo)的變化曲線呈現(xiàn)出高度相似性，因此對(duì)于某一天的數(shù)據(jù)而言就具有了代表性的特征.該研究結(jié)果對(duì)停車規(guī)劃過(guò)程中的需求預(yù)測(cè)提供了重要的依據(jù)，也為停車泊位功能的精細(xì)劃分、投資收益的確定性分析和停車費(fèi)用的制定等提供量化依據(jù).

a 停車需求高峰比時(shí)變曲線

b 停車時(shí)長(zhǎng)分布曲線

a 停車需求高峰比時(shí)變曲線

b 停車時(shí)長(zhǎng)分布曲線

Fig.10 Test results of parking stability in a high-speed railway station

值得注意的是，各停車設(shè)施的停車需求和到達(dá)與駛離量時(shí)變曲線并不存在假設(shè)中的穩(wěn)定性特征，而是根據(jù)月份不同具有聚類特征.這說(shuō)明，以某類停車設(shè)施某一天的停車需求數(shù)據(jù)獲得的停車需求特征指標(biāo)作為該類停車設(shè)施代表性的特征指標(biāo)的做法存在著很大的問(wèn)題，只有經(jīng)過(guò)高峰比轉(zhuǎn)換后，停車需求和到達(dá)與駛離量高峰比時(shí)變曲線才出現(xiàn)默認(rèn)假設(shè)中的穩(wěn)定性特征.該發(fā)現(xiàn)可為停車需求分時(shí)刻預(yù)測(cè)提供充分的科學(xué)依據(jù)，在對(duì)未來(lái)建設(shè)項(xiàng)目進(jìn)行停車需求預(yù)測(cè)時(shí)，可以選用功能類型相同的建筑的停車需求高峰比時(shí)變曲線進(jìn)行類比，結(jié)合停車需求生成率指標(biāo)或預(yù)測(cè)結(jié)果，即可獲得新建項(xiàng)目分時(shí)刻的停車需求預(yù)測(cè)規(guī)模，為停車的精細(xì)化管理方案制定提供可靠的量化支撐.同樣，由于憑經(jīng)驗(yàn)的隨機(jī)抽樣數(shù)據(jù)并不能很好地反映停車需求的實(shí)際狀態(tài)，在進(jìn)行停車需求規(guī)模預(yù)測(cè)和生成率指標(biāo)制定時(shí)，在缺乏連續(xù)數(shù)據(jù)的情況下，應(yīng)該選取停車需求最大的組別作為停車需求的抽樣表征，因此停車需求的聚類分析為停車抽樣調(diào)查日期的選定也提供了一定的參考依據(jù)，如本文研究表明，在某高新國(guó)際廣場(chǎng)所在區(qū)域?qū)ι虅?wù)辦公場(chǎng)所進(jìn)行停車抽樣調(diào)查時(shí)，采用3～6月的數(shù)據(jù)是比較合理的.