利用手机数据改进传统交通需求模型：一个鹿特丹地区的案例
交通需求模型（transport demand models）常常被用来了解居民的出行行为和基础设施投资的有效性。然而，构建此类传统交通需求模型的数据存在样本数量少、调查成本高、依据重力模型假定等问题。而大数据在监测、规划和管理交通系统方面具有极大的潜在价值。基于这样的背景，作者提出了一种利用手机数据改进鹿特丹地区传统交通需求模型的方法。将连续一个月的手机话单数据（call detail records）作为原始数据，根据特定规则转译为OD信息，再将这部分OD信息与鹿特丹地区传统交通需求模型和荷兰家庭出行调查进行比较。基于比较结果，作者将来自手机数据的OD信息与传统交通模型的OD矩阵相结合，得到新的交通模型，结果显示，新的交通模型的赋值结果与真实数据的拟合效果更好。
1.传统交通需求模型概述。鹿特丹地区传统的交通需求模型是荷兰最大、最详细的运营交通模型之一，用于许多政策决策。它是一个多模式模型，包括汽车、卡车、公共交通和活动模式。该模型中，鹿特丹地区被划分为近6 000个交通分析区域（包括鹿特丹外围的部分区域）。该模型的先验OD矩阵是根据荷兰家庭出行调查数据库所确定的需求模式和出行特征构建的，利用上午和下午2h的高峰时段代表工作日的出行情况，通过计数校准得到后验OD矩阵。该模型有两个方面的问题——模型的构建和校验使用的数据均来自传统数据库；模型使用重力模型表达地区之间的联系，忽略了历史因素带来的实际紧密联系，如祖特梅尔和海牙之间的实际联系比基于重力模型估测的联系要紧密得多。
2.提取基于手机数据库的OD信息。本文所使用的手机数据为话单数据（CDR），其包含的主要信息有：①用户ID：每位手机用户的唯一识别号；②时间戳：事件发生时刻；③基站编号：事件发生地点。根据基站的分布，鹿特丹地区在使用手机数据时被划分1 259个分析区域。本文对提取OD信息设定的规则为：①当手机设备在一个地方超过30min时，它被定义为“停留”，从上一个“停留”地点到下一个“停留”地点之间的出行信息为“可能OD行程”；②在一个月中，只有当该“可能OD行程”出现大于等于16次时，该行程才被定义为一条OD信息。作者选择了2014年11月的工作日，并得到超过100万个OD信息。③手机数据与家庭出行调查数据的对比。荷兰家庭出行调查（OViN）在荷兰当前的交通建模中非常重要，但数据库的样本量要远少于手机数据库。通过将手机OD信息与荷兰家庭出行调查产生的OD信息进行对比，可以看出：①手机数据在短距离出行（少于8km）方面代表性不足；②手机数据在15km-40km范围内的分布比例多于家庭出行调查在此段出行距离中的分布比例；③两种数据库在40km的出行距离处有较好的分布比例的对应；④两种数据库中分布比例最大的出行距离均为60km，60km以后，分布比例非常少。
4.改进传统交通需求模型。本文通过以下步骤改进交通需求模型。①根据手机数据确定平均工作日OD矩阵；②将传统交通模型中的4 000个分区映射至基于手机数据的分区；③聚合分出行方式（汽车、公共交通和自行车）和出行目的的OD矩阵以确定工作日出行的OD矩阵；④根据从手机数据提取的OD关系，按比例对合成的先验OD矩阵进行扩样；⑤将扩样后的OD矩阵映射至传统交通需求模型的分区和每种出行方式中。文中对于先验OD矩阵的改进方法有两种：①根据所有出行距离的手机数据进行等比扩样；②考虑到不同出行距离分布比例的偏差，进行基于修正分布后的等比扩样——出行距离少于8km，大于60km的样本保持传统交通需求模型中的样本量，对8km—13km出行距离的样本量进行扩样，对14km—40km出行距离的样本量进行缩样，大于40km出行距离的样本量保持不变。
5.基于赋值结果的评估。评估对传统OD矩阵与两种改进后的OD矩阵进行赋值（共有1 180个赋值距离），针对赋值结果与真实手机数据之间的拟合程度进行比较。比较结果显示：①在模型的拟合度方面，改进方法1比传统模型有更多的明显偏差。改进方法2比传统模型的明显偏差量少；②三个模型的赋值结果与真实手机数据之间的相关系数存在较小的差异，其中，改进方法1的相关系数比传统模型有所减少，改进方法2比传统模型有所增加；③在赋值结果与真实手机数据的标准差方面，改进方法1的标准差大于传统模型标准差，改进方法2的结果好于传统模型。此外，文章邀请鹿特丹地区的市政交通专家对基于改进方法2得到的模型进行了评估。结果显示，利用改进后的模型进行赋值所得到的结果与专家们的经验一致，如祖特梅尔和海牙之间的联系强于传统模型中的预测结果等现象。
6.研究结论与研究展望。来自手机数据的OD信息在短距离出行方面代表性不足，因此直接使用基于手机数据的OD信息会导致模型准确度降低。而将传统数据与手机数据结合得到的OD矩阵比传统模型的准确度有所改进。作者指出，如果能进一步提高基于手机数据的OD信息的空间分辨率，改进后的模型将会有更高的准确率。此外，将手机数据与其他数据源结合能进一步明确出行目的和出行方式，这也将提高改进模型的质量。
来源：WISMANS L J J, FRISO K, RIJSDIJK J, et al. Improving a priori demand estimates transport models using mobile phone data: a Rotterdam-region case[J]. Journal of Urban Technology, 2018, DOI: 10.1080/10630732.2018.1442075
（供稿人：李渊文）
量化城市景观中行道树的遮荫——使用谷歌街景的美国波士顿案例研究
热舒适度在决定城市生活质量方面起着重要作用，例如行人感受到的热舒适度会影响他们对户外活动的选择以及对城市空间的利用。在全球变暖和快速城市化的背景下，如何提高城市空间的热舒适度已成为城市研究的突出主题。城市热环境受地面覆盖、街道几何形状、树木和街区提供的阴影的影响。传统上用卫星或航拍图像中树冠范围评估城市绿化情况，但缺乏树木垂直层面的阴影捕捉，也没有考虑街道空间构造和方向，因此传统方法不能完全捕获树木的阴影效果。
本研究中，我们使用Google街景（Google Street View, GSV）全景照片和建筑物高度模型来估算行道树的阴影效果。用户可以通过浏览器在Google地图上城市街道的无缝图像浏览GSV全景图。这些GSV全景图可以从Google服务器下载。每个GSV全景图都有一个唯一的ID，可以输入地理坐标，通过Google街景图像API进行请求服务器下载完整全景图。研究范围为波士顿市区，我们收集了319张在植物生长季节捕捉的GSV全景图，剔除22张隧道照片后剩余297张GSV全景图。
本研究使用的数据集包括建筑物足迹图、城市街道地图、树冠覆盖图和标准化数字表面模型。我们通过几何变换从GSV全景图生成半球形（鱼眼）图像，然后从这些图像中计算出天空视图因子(Sky View Factor, SVF)。我们将研究区域内的所有选定地点分成两组，第一组在采样点30m范围内包含行道树树冠覆盖的地点，另一组为30m范围内没有周围行道树树冠覆盖的地点。
为了仅考虑建筑物的遮挡效应，我们基于研究区域的建筑物高度模型模拟SVFS。在模拟方法中，通过模拟建筑物高度模型中的太阳光路径来计算SVFS值。对于每个采样点我们搜索了所有360°水平方向的建筑物，步长为1°。搜索半径设置为500m，假设超过500m的建筑物不会成为障碍物。因为不考虑行道树遮挡，仅基于建筑物高度的SVFS值偏高。
我们使用基于GSV全景图的方法获得准确的SVFP值，包括场景中的所有障碍物（建筑物+树木）遮挡。第一步是从Google数据库下载GSV全景图，并将圆柱GSV全景图转换为半球形（鱼眼）图像。为了收集研究区域内的代表性样本，我们沿街道每隔100m创建样本点，并按地理坐标下载与每个采样点相关联的GSV元数据。第二步将基于对象的图像分析应用于生成的鱼眼图像，以对天空区域进行分类。我们使用基于对象的图像分析从鱼眼图像中提取天空区域。与基于像素的方法相比，基于对象的方法将图像分割成具有物理意义的同质多边形，然后在语义上对这些多边形进行分类。因此基于对象的分类方法可以实现更好的分类结果。第三步基于分类的天空图像计算SVFP。最后二者的差值可视为行道树的遮荫效果。我们使用这种技术量化了波士顿市中心行道树的遮荫效果。
结果1，两侧为高层建筑的街道SVF值较低，而SVF值较高的街道位于研究区域的外围。正如预期的那样，结果与当地城市景观的地形相匹配，因为高层建筑会阻挡天空并导致低SVF值，而周边区域的建筑物高度较低，导致高SVF值。
结果2，我们发现基于模拟的SVFS方法是标准方法，结果可作为参考来验证基于GSV的SVFP结果。有树冠覆盖的站点，SVFP值低于SVFS值，并且二者不是很相关（r-square = 0.68）。这符合我们的预期，因为模拟方法仅考虑建筑的阻碍，而基于GSV全景图方法考虑了建筑和行道树的阻碍。对于那些没有行道树树冠的采样点，SVFP和SVFS值紧密相关。
结果3，二者的差值可视为行道树的阴影效果，对于波士顿而言，街道树在市区减少了18.52％的SVF。研究区域的西部和东北部分SVF差值较大。
因此街道植树，特别是大树是增加街道阴影的有效方法，但拥有许多高层建筑的地区，街道树遮荫效果较差。所提出的SVF计算方法使得今后大规模SVF计算成为可能。本研究可为今后城市绿化适宜城市绿化工程提供重要参考。
来源：LI X, RATTI C, SEIFERLING I, et al. Quantifying the shade provision of street trees in urban landscape: a case study in Boston, USA, using google street view[J]. Landscape and Urban Planning, 2018, 169: 81-91. https://doi.org/10.1016/j.landurbplan.2017.08.011
（供稿：唐皓明）