Journal of Transport Geography 82 (2020) 102568

Contents lists available at ScienceDirect

Journal of Transport Geography

journal homepage: www.elsevier.com/locate/jtrangeo

Analysis on spatiotemporal urban mobility based on online car-hailing data

Bin Zhanga,b, Shuyan Chena,b,⁎, Yongfeng Maa,b, Tiezhu Lia,b, Kun Tanga,b

a School of Transportation, Southeast University, Sipailou 2, Nanjing 210096, China

b Jiangsu Province Collaborative Innovation Center of Modern Urban Traffic Technologies, Southeast University Road #2, Nanjing 211189, PR China

A R T I C L E I N F O

Keywords:

Online car-hailing Activity intensity Points of interest

Spatiotemporal distribution Ordered logistic regression

A B S T R A C T

As an emerging travel mode, online car-hailing plays an increasingly important role in peoples daily travel. Car- hailing data provide a new source to study human mobility in urban areas. This study focuses on identifying the distribution of regions with high travel intensity and the correlation between travel intensity and points of interest (POIs), based on the online car-hailing data collected in Chengdu, China. Firstly, the whole city area was divided into 16,100 uniform blocks and the number of pick-up and drop-off activities in each block was counted. Then, all POIs were categorized into 13 types and the number of different types of POIs in each block was counted. On this basis, the grade of travel intensity and POIs density in each block was identified according to the number of travel activities and POIs respectively. Finally, the correlation between the travel intensity and the POIs density was explored with ordered logistic regression. Experiment results showed that regions with high travel intensity are mainly distributed within the Second Ring Road, while those in the suburbs of city are usually the large transportation hubs, such as airports and train stations. Different types of POIs have different impacts on the online car-hailing travel intensity, and the density of traffic facilities has the greatest impact, including pick-up and drop-off, followed by density of scenic spot. The densities of service facilities and sports facility have an impact on the intensity of pick-up, while the impact on the intensity of drop-off is not significant. The density of company has no significant impact on the intensity of neither pick-up nor drop-off. These findings can contribute to a better understanding of online car-hailing travel activities and their relation with the urban space, and can provide useful information for urban planning and location-based services.

Introduction

1. Background

With the diversification of travel demand and travel mode, online car-hailing plays an increasingly important role in peoples daily travel activities. The Online car-hailing platform generates a large amount of accurate location data, including origins and destinations. Unlike tra- ditional survey data, the data gathered from online car-hailing reflects the wide range of mobile space and actual origin and destination of peoples travel. Thus car-hailing provides a new source of information that can be used to study peoples travel behavior and urban mobility. Increasingly large amounts of accurate positioning data provide a good opportunity to understand the peoples travel in urban context. Researchers have used such data to achieve fruitful research results in many areas such as urban planning, travel demand forecasting and functional region discovering. The related work is divided into three

parts as follows.

1. Related work

A lot of researches have been conducted on travel activity and urban space using the location data. Some examined such location data for analyzing the urban spatial attribute, such as functional region and spatial structure, and such analyses are conducive to understanding peoples travel behavior from the perspective of urban space and ex- ploring the factors behind the behavior. Zheng et al. (2011) detected flawed urban planning using GPS trajectories of taxicabs traveling in urban areas. Roth et al. (2011) utilized the large scale, real-time card database of individuals movements in the London subway to reveal the structure and organization of the city. Yuan et al. (2012) proposed a new framework for discovering different functional regions in a city by using both human mobility and POIs located in a region. Liu et al. (2015) built spatially-embedded networks to model intra-city spatial interactions, introduced network science methods into the issue based on massive taxi trip data of Shanghai, and revealed a two-level hier- archical polycentric city structure of Shanghai. Mao et al. (2016)

⁎ Corresponding author at: School of Transportation, Southeast University, Sipailou 2, Nanjing 210096, PR China.

E-mail addresses: binzhang@seu.edu.cn (B. Zhang), 基于网约车使用数据的城市流动性分析

作为一种新兴的出行方式，网约车正在人们的日常出行中扮演着越来越重要的角色。叫车数据提供了一种新的资源来研究城市区域内人的流动性。这项研究基于中国成都地区收集的网约车数据，重点在于确定高出行强度地区的分布和出行密度与兴趣点之间的联系。首先，整个城市区域被划分为16100个均匀块并且上下车活动在各块被计数。其次，所有的兴趣点被分为13类并且不同种的兴趣点在各块被计数。在此基础上，该级别的出行强度和兴趣点密度根据出行活动和兴趣点的数量在各块分别被确认。最后，出行强度和兴趣点密度之间的相关性通过有序逻辑分析得出。实验结果表明，高出行强度的地区主要分布在二环路以内，而城市郊区通常是大型的交通枢纽，例如机场和火车站。不同种的兴趣点对网约车出行强度有不同影响，以及交通设施密度的影响最大，包括上车和下车，其次是景点的密度。服务设施和运动设施的密度都对上车强度有影响，然而对于下车强度的影响是不明显的。公司的密度无论对于上车还是下车的强度都是没有显著影响的。这些发现有助于更好地理解网约车出行活动和它们与城市空间之间的关系，并可以为城市规划和基于位置的服务提供有效的信息。

随着出行需求的出行方式的多样化，网约车在人们的日常出行活动中扮演着越来越重要的角色。网约车平台所提供的准确位置数据，包括出发地和目的地。从网上收集的数据来看，网约车反映广泛的的空间移动和目的地人们的出行。因此，打车提供了新的信息来源，可用于研究人们的出行行为和城市出行。越来越多的大量精确的定位数据提供了一个很好的机会来了解人们的出行城市环境。研究人员已使用这些数据在许多领域取得了丰硕的研究成果，例如城市规划，旅行需求预测以及功能区域发现，该相关工作被划分成3部分。

很多对于出行活动和城市空间位置使用数据的研究已经开展。一些研究位置数据来分析城市空间属性例如功能区域和空间结构，这种分析有利于从城市空间的角度理解人们的出行行为并且探索行为背后的因素。ZHEN等研究人员在2011年使用在城市中行驶的出租车的GPS轨迹检测到错误的城市规划。罗斯在2011年利用大规模的实时数据库来揭示个人运动对伦敦地铁的影响从而揭示城市的结构和组织。YUAN等研究人员在2012年提出了一个新的框架，该框架通过使用人员流动性和位于该区域的POI来发现城市中的不同功能区域。LIU等研究人员在2015年建立了空间嵌入式网络来模拟同城空间之间的联系，解决了通过使用网络科学方法模型转化为基于上海的大规模出租车行程数据的问题，并介绍了多中心城市例如上海。MAO等研究人员在2015年提出了一种新颖的方法，从滑行轨迹数据来发现城市居民的时空分布，因为这些数据包含大量的点位置。ALFEO等在2018年确定了高密度城市地区并分析了人们随着时间推移的活动。此外，他们通过匹配活动模式，提供了与典型活动模式相异的数据。ZHANNG等研究人员在2018年提出了一个分析框架，用于比较智能交通卡交易与出租车GPS轨迹数据来反映城市居民所选择的出行方式，并发现两种交通方式揭示了城市的多中心结构。CHENTAL在2019年的时候分析了通过考虑客流的动态波动性和非线性来预测地铁客流的时空分布以及遭遇特殊事件时的客流走向。

现有的一些工作将城市空间和人们的旅行结合在一起。Stead和Marshall在2001年期间的研究重点是社会经济因素与城市形态和出行方式的相互作用。JIANG等研究人员在2009年表明，人们的流动模式主要归因于底层的街道网络。QI等在2011年通过定性和定量分析，建立并确认了出租车乘客的上下车特征与城市地区社会功能之间的关系。HU等研究人员在2017年比较了居住在不同规模的城市中的人们的生活方式。他们采用矩阵因子分析来提取显著的流动性和工作休息模式，从而发现了一些有趣的人类行为模式。SUN等研究人员在2018年研究了道路交通之间的关系，汽车尾气排放量对相关建设的环境因素等。CHEN等研究人员在2019年通过考虑出行距离和时间延误提出的一种基于小区的动态拥堵的解决方案，结果表明这是一种更为有效的、更为公平的收费方案。DING等研究人员在2019年提出了一个两级增长模型来识别潜在的多层面因素，以及是否会影响网约车的服务质量需求等。还有用来研究例如商业住宅土地的使用情况、公共交通便利性以及天气状况等。

尽管目前有大量的有关城市空间和人们出行的研究，但仍需要进一步的研究。例如，当研究人们在不同区域的出行活动时，区域划分的规模很大，因此研究粒度不够精细；城市空间高出行强度的地区分布和过去出行强度的改变不能完全被理解；尽管确定了高出行强度的地区，并且形成了这些区域的原因已经被探索，尚未研究出行强度与兴趣点类型和密度之间的关系，这需要进一步的研究。所以，在本篇论文中，我们分析由中国成都地区收集的网约车数据来研究不同交通强度地区的分布和出行强度与兴趣点密度之间的关系。我们通过把整个城市划分为均匀的小块来找准每块的出行强度和不同出行强度区块的分布。结合区块中兴趣点的种类和数量，一项更深层次的对于出行强度和兴趣点密度之间的关系的研究正在展开。这样的研究加深了我们对出行和兴趣点之间关系的理解，也给城市规划、交通部署和基于位置的服务提供了有效的信息。

2.数据描述

用于分析的网约车订单数据来自于中国成都网约车的2016年11月数据。订单包含7个部分：订单ID，乘车开始时间，乘车停止时间，接机经度，接机纬度，下车经度和下车纬度。除了有效数据之外，也有部分数据不适合于使用在本研究当中。如下列条件导致部分数据从研究记录中排除：平均速度超过80km/h；起点和终点之间的距离小于300m；行驶时间少于1分钟或超过2小时；出发地和目的地在城市范围之外的位置等。根据以上标准，我们排除了一些数据，筛选出了适合本研究的180391条记录。我们根据行程计算了每小时的订单量。如图1

根据当天订单量的变化，将一天分为4个阶段：0:00-7:00，7:00-12:00，12:00-17:00和17:00-24:00.来进行单独的数据统计分析。

城市空间以及网约车的起点和终点分布，经度范围为03.93E至104.21E，纬度范围为30.56 N至30.79N。该区域包含整个成都环城高速公路，整个区域被划分成16100个均匀的小块，经度粒度为0.002，纬度粒度为0.002，这对应于东西方向的长度约为190 m，南北方向的长度约为220 m如图2

图2