1、基于电子车牌RFID的城市交通决策研究011重庆市交通规划研究院重庆市交通规划研究院2016年年11月 重庆月 重庆周涛周涛一、大数据在智能交通中的应用二、电子车牌RFID数据及分析框架三、基于RFID的路网流量还原四、基于RFID的车辆OD切分目录01四、基于RFID的车辆OD切分五、基于RFID的车辆行为画像六、应用研究七、结语21、手机信令数据区域人流分析及交通组织从2011年开始，重庆交通院接入手机信令数据，包括联通和移动数据：重庆联通2/3G信令范围覆盖全市，用户约430万。每日数据记录约2亿条；重庆移动2/3/4G信令范围覆盖全市，用户约2000万，每日约15亿条数据。联通数据覆盖2、范围移动数据覆盖范围一、大数据在智能交通中的应用013注：重庆市域面积8.24万平方公里市域各区县城与主城人流联系强度进行分析，发现江津、合川、璧山、长寿四个区与主城人流交换量最大。主城主城-区县跨区交换量区县跨区交换量1、手机信令数据区域人流分析及交通组织010%10%20%30%40%50%60%70%80%0.05.010.015.020.025.0江津区合川区壁山县长寿区綦江县涪陵区永川区铜梁县潼南县南川区荣昌县大足县垫江县万州区梁平县彭水县忠县武隆县石柱县黔江区丰都县开县酉阳县奉节县秀山县云阳县巫山县巫溪县城口县双向交换量（千人次）双向交换量（千人次）主城合计主城比例跨区通勤交换量：3、通过较长时间的数据分析发现：江津、合川、璧山、长寿与主城之间存在稳定的通勤出行，且居住在主城到区县上班的人数，多于住在区县到主城上班的人数。1、手机信令数据区域人流分析及交通组织01周末主城与区县之间交通量更大周末（周五、周日）相比工作日，区县与主城间跨区出行比例提高约1216%。11.411.512主城-区县交换量（万人次）1、手机信令数据区域人流分析及交通组织0110.519.839.9510.1510.6911.0599.51010.511星期一星期二星期三星期四星期五星期六星期日基于周末需求大的特点，通过调整客运交通组织满足交通需求通过调整主城区至周边区县的铁路动车、客运班车班次，增加4、对外枢纽的轨道运输能力，以及调整部分对外道口信号配时等方式，适应主城与区县的交通联系需求。1、手机信令数据区域人流分析及交通组织01合川区主城区高速铁路71、手机信令数据4G数据的应用目前，我们正在开展移动4G数据分析，4G用户每天的信令数量已由之前的30条左右增加至数百条，能够支持开展更多类型的分析应用，例如轨迹跟踪、交通方式识别、出行时耗、通道人流、小范围区域人流集散等。8009001000活跃用户记录home010100200300400500600700user1user2user3user4user5user6user7user92015051220150513201505142015、505152015051620150517单用户单日手机信令条数条数某用户单日手机轨迹点homejob办事82、车载GPS数据发布重庆交通运行指数，引导居民出行 2011年起，重庆交通院开始接入了GPS数据，现阶段有3类数据：公交车辆GPS数据：主城8000多辆公交车辆 出租车辆GPS数据：约1.4万台出租车。“两客一危（旅游包车、班线客车、危险货车）”车辆GPS数据：1.35万台019出租车辆出租车辆GPS数据覆盖两客一危车辆数据覆盖两客一危车辆GPS数据覆盖数据覆盖2、车载GPS数据发布重庆交通运行指数，引导居民出行重庆交通运行指数（取值范围110），对全路网和重要区域、路段拥堵水平进行定6、量化评价。2013年，利用GPS数据研发重庆交通运行指数，引导居民出行根据道路交通运行状态划分为五个级别，0-2为畅通、2-4为基本畅通、01104-6为缓行、6-8为拥堵、8-10为严重拥堵。30405060708090100013040506070809010021.4212936435057647141.7182429354147535962.2141823273236414582.91014172124283134104810131518202325自由流车速（km/h）交通指数行程时间比主城区交通运行指数数据的共享和发布与网络媒体合作解读交通运行状况，通过交通广播电台实时播报交通状况7、引导出行。2、车载GPS数据发布重庆交通运行指数，引导居民出行01华龙网每月运行状况解读11数据的共享和发布面向不同的群体提供查询展示系统，方便了解实时交通运行情况，回溯历史交通运行规律。2、车载GPS数据发布重庆交通运行指数，引导居民出行01交通信息平台运行公众信息网实时路况查询服务12轨道闸机数据、公交IC卡数据每日数据量750万条，每日用户约330万，建立了轨道、地面公交客流监测分析系统。针对老人、学生、通勤、临时卡等分析轨道、公交出行特征，指导轨道、地面公交运行的适时调整。3、轨道闸机、公交IC卡数据适时调整轨道及公交运行01133、轨道闸机、公交IC卡数据乘坐轨道人群研究利用轨道闸机8、数据分析不同人群、特殊节日的出行特征01学生群体出行国庆轨道出行4、多源数据的综合应用干线道路节点畅通提升关键技术研究及示范 重庆市科技重大专项正在开展“干线道路海量异构数据的融合”，旨在以智能为手段，以信息应用为引领，通过关键技术突破、应用技术集成与示范工程建设，实施全产业链科技攻关，实现干线道路节点通行能力提升。01一、大数据在智能交通中的应用二、电子车牌RFID数据及分析框架三、基于RFID的路网流量还原四、基于RFID的车辆OD切分目录01四、基于RFID的车辆OD切分五、基于RFID的车辆行为画像六、应用研究七、结语16二、电子车牌RFID数据及分析框架无线射频识别（RFID，Rad9、io Frequency Identification）俗称电子标签，是一种非接触式的自动识别技术，它通过射频信号自动识别目标对象并获取相关数据。RFID电子车牌0117RFID系统主要组成部件为:无源电子标签、天线、读写器、数据中心计算机电子车牌RFID在重庆的应用 2001年作为全国首个省级“RFID”实验区，重庆市政府正式批准渝籍汽车安装RFID电子车牌。2006年，重庆基于RFID技术建设实施的“重庆交通信息卡系统”（由机动车卡、驾驶员卡、RFID电子牌照共同组成）是当时全国唯二、电子车牌RFID数据及分析框架0118一获得地方立法支撑的城市智能交通项目 截止到2016年7月，重庆全市10、共有机动车489.7万辆，汽车308.7万辆，所有汽车全部安装RFID电子车牌。主城区共有机动车135.7万辆，汽车119.6万辆，主城区每天检测到的汽车数量平均为74.7万辆车。重庆主城区RFID检测点的分布情况重庆主城区面积为2737平方公里，目前该范围内的RFID检测点位有672个。1、内环以内建设用地面积为230.6平方公里，分布有RFID点位623个，占比超过90%主城区RFID点位分布二、电子车牌RFID数据及分析框架011990%2、内环以内相邻两个RFID检测点间的路径平均距离小于3公里，其中最小距离为500米，最大距离为6公里。重庆主城区内环以内已基本建成基于RFID点位的全11、网监控体系电子车牌RFID数据 当带有RFID标签的车辆通过RFID检测点时，系统会产生一条与该车辆相关的通行记录数据，即为电子车牌数据。主城区每天检测到的数据量为900万至1100万条。RFID数据是一种典型的时空数据RFID点位名称点位名称RFID点位方向点位方向车辆车辆ID车辆通过时间车辆通过时间车型代码车型代码 号牌种类号牌种类 使用性质使用性质二、电子车牌RFID数据及分析框架0120RFID点位名称点位名称RFID点位方向点位方向车辆车辆ID车辆通过时间车辆通过时间车型代码车型代码 号牌种类号牌种类 使用性质使用性质重庆主城区RFID检测情况 主城区的RFID检测点，平均每天检测到12、的车辆约为：74.7万类别非营运轿车（A,K33）非营运小客车（A，K31/K32)公交车（C，K11）货车（H*）出租车（D，K33)其他车辆检测车辆数43.1万24.6万0.4万4.0万1.3万1.3万二、电子车牌RFID数据及分析框架0121检测车辆数43.1万24.6万0.4万4.0万1.3万1.3万占比57.7%32.9%0.5%5.3%1.7%1.7%其他车辆包括：警车、使馆车辆、租赁车辆、消防、救护车等 车型代码表示机动车登记注册时签注的机动车辆分类名称K33轿车K31小型普通客车K11大型普通客车K32小型越野客车本次研究的主要车型代码二、电子车牌RFID数据及分析框架012213、K32小型越野客车H31轻型普通货车H32轻型厢式货 使用性质表示机动车登记注册时签注的机动车辆使用分类代码名称说明A非营运个人或者单位不以获取运输利润为目的而使用的机动车D出租客运以行驶里程和时间计费，将乘客运载至其指主要车辆使用性质主要车辆使用性质二、电子车牌RFID数据及分析框架0123D出租客运以行驶里程和时间计费，将乘客运载至其指定地点的、以获取利润为目的的扒动车F货运专门从事货物运输的、以获取利润为目的的机动车C公交客运城市内专门从事公共交通客运的、以获取利润为目的的机动车其他的使用性质还包括：旅游客运、租赁、警用、消防等。具体见公安部 GA 24.17-2005 机动车登记信息代14、码 第3部分：使用性质代码1、样本量大，覆盖所有装有RFID标签的车辆2、连续数据，可以在更长的时段内观察数据、发现规1、RFID的点位主要分布在道路上，无法精确至车辆真正的起终点2、RFID的数据采集只针对于优势优势电子车牌RFID数据特点二、电子车牌RFID数据及分析框架0124的时段内观察数据、发现规律3、分析成本低，RFID运营商已经完成数据采集4、采集精度相度较高2、RFID的数据采集只针对于安装RFID标签的车辆劣势劣势一、大数据在智能交通中的应用二、电子车牌RFID数据及分析框架三、基于RFID的路网流量还原目录01四、基于RFID的车辆OD切分五、基于RFID的车辆行为画像六、15、应用研究七、结语25 利用RFID的车辆轨迹实现全路网的流量还原，获取每条路段的实际流量。未来可以为交通流量调查，交通信号优化调整提供数据。1、研究目的基于RFID点位的出行链三、基于RFID的路网流量还原0126出行路径最短路径选择基于单个路段将所有车辆的出行路径进行叠加每条道路的分时段流量 目前，由于RFID点位原因，路段还原流量与调查值相差10%以内的路段仅占研究路段的48%。随着检测点的加密，未来可对主城区全路网进行流量实时监测分析。3、还原结果三、基于RFID的路网流量还原0127道路名称早高峰调查流量还原流量 相差比例向阳隧道9382.597043.43%长江一路8225.590816、010.39%直港大道路口230023080.35%陈庹路7855.57635.5-2.80%建新西路7048.572643.06%渝澳大道1231712261-0.45%盘溪路763078823.30%红色路段代表：流量值与调查值相差10%以内的路段误差主要原因：1、非渝籍车辆无法检测2、RFID检测点可能存在漏检一、大数据在智能交通中的应用二、电子车牌RFID数据概况及分析框架三、基于RFID的路网流量还原四、基于RFID的车辆OD切分目录01四、基于RFID的车辆OD切分五、基于RFID的车辆行为画像六、应用研究七、结语28四、基于RFID的车辆OD切分 连续的RFID通行记录数据无法反17、映车辆的OD出行特征，通过切分，掌握车辆OD在全路网上的分布规律，对道路交通智能化管理意义重大。RFID通行记录数据车辆OD记录切分1、OD切分目的0129某辆车某一天的RFID检测记录位置分布对应的RFID检测记录1、通过RFID通行记录识别每辆车全天的出行链2、计算相邻两个记录的时间间隔，识别停留点3、通过停留点，切分车辆OD空间轴四、基于RFID的车辆OD切分2、OD切分方法0130ABCDEFGHI时间轴空间轴停留点停留点切分切分第一次车辆第一次车辆OD第二次车辆第二次车辆OD第三次车辆第三次车辆OD四、基于RFID的车辆OD切分3、研究范围及对象1、研究区域：内环以内建设用地面积2318、0.6平方公里，分布有623个RFID点位。2、研究对象：研究车型为小汽车（非营运轿车、小型普通客车、小型越野客车）、0131轿车、小型普通客车、小型越野客车）、货车。不包括以下3类车辆：出租车：两次出行之间的间隔时间较短，利用RFID数据识别停留点困难；公交车：固定线路运行；其他车辆（如警车、救护车、使馆车辆和租赁车等）。内环以内的RFID点位分布（1）计算一辆车相邻两次检测点记录的时间间隔T点位方向id时间陈庹路石坪桥方向1000092015/12/1 6:20大公馆立交转盘石坪桥横街往转盘方向1000092015/12/1 6:22长江二路奥体2015/12/1 2分钟分钟2分钟分钟四、19、基于RFID的车辆OD切分4、切分步骤0132长江二路奥体中心车站袁家岗轻轨1000092015/12/1 6:24菜袁路水果批发市场菜园坝火车站方向1000092015/12/1 6:29菜袁路（龙门架）菜园坝方向1000092015/12/1 6:30四新路（向阳隧道口）牛角沱立交方向1000092015/12/1 7:15牛角沱上清寺方向1000092015/12/1 7:162分钟分钟5分钟分钟1分钟分钟45分钟分钟1分钟分钟基于RFID的车辆OD切分4、切分步骤（2）计算相邻1小时内所有通过该路段车辆的平均行驶时间间隔T1，若T T1，再进行时距相符度（TDMI）判断，反之则属于连续20、行驶状态。菜袁路（龙门架）菜园坝方向1000092015/12/1 6:30四新路（向阳隧道口）牛角沱立交方向1000092015/12/1 7:15T=45分钟分钟T T10133计算6:00至7:00之间，从菜袁路（龙门架）到四新路（向阳隧道口）的所有车辆的平均时间。得到中间80%的平均行驶时间间隔T110%10%80%平均时间间隔平均时间间隔19分钟分钟T1=19分钟分钟T T145分钟分钟19分钟分钟AB四基于RFID的车辆OD切分4、切分步骤（3）计算时距相符度（TDMI）计算所有在研究车辆之后通过点A检测点，并在研究车辆之前到达点B检测点的车辆行驶时间差，得到其中行驶最快的前10%21、的车辆行驶时间的平均值T2 计算研究车辆的TDMI（T与T2的比值）0134 计算研究车辆的TDMI（T与T2的比值）AB12323455、OD切分结果四、基于RFID的车辆OD切分013534511:陈庹路-菜袁路（龙门架）2:四新路（向阳隧道口）-人民路（大溪沟街路口）3:滨江路（聚金大厦）-菜袁路水果批发市场4:南区路（菜园坝派出所）-北区路5:临江门（重医附二院）-菜袁路水果批发市场通过OD切分算法，将某车辆的原始RFID记录可切分成5个车辆OD：四、基于RFID的车辆OD切分5、OD切分结果 利用车辆OD切分模型，对所有车辆的OD进行了切分 平均每天检测车辆共74.7万辆，其中出租车22、和公交车1.7万辆，其他车辆1.3万辆 参与切分的车辆包括（非营运轿车、小型普通客车、小型越野客车、货车），共71.7万辆0136车），共71.7万辆 成功切分，并识别OD位置的车辆数为60.9万辆，识别率为85%部分切分出的车辆OD只有一个点，这类出行无法识别OD位置，共10.8万辆无法识别无法识别OD的车辆的车辆一、大数据在智能交通中的应用二、电子车牌RFID数据概况及分析框架三、基于RFID的路网流量还原四、基于RFID的车辆OD切分目录01四、基于RFID的车辆OD切分五、基于RFID的车辆行为画像六、应用研究七、结语37五、基于RFID的车辆行为画像 利用连续的车辆OD数据，根据车辆23、不同的使用特征，对车辆进行分类识别，可以全面掌握每类车辆的出行行为。车辆行为画像0138人群画像（素材来源网络）车辆行为画像车辆行车辆行为为出行规律性出行规律性出行强度出行强度出行时间特征出行时间特征出行频率出行频率五、基于RFID的车辆行为画像例如，利用聚类分析得到的通勤车辆、高频率使用车辆等特征，对未来制定中心区限行、拥堵收费等管理措施方案具有非常重要的意义，可以极大地提高交通政策的针对性。利用RFID的OD数据分析车辆的使用特征，进行车辆行为的聚类分析，为未来对车辆进行分类交通运行管理提供了条件。0139。聚聚类类分分析析车辆行为画像四、基于RFID的车辆行为画像1、车辆出行时间分布内环24、以内平均每天检测出的小汽车（轿车，小型普通客车，小型越野客车）的车辆数大致在45-49万辆，分布如下图：50万49万48万49.1万01401、工作日出行的车辆数大于周末出行的车辆数2、周五出行的车辆数较大，周日出行车辆数最小48万47万46万45万44万43万42万47.1万万46.2万万46.1万万46.3万45.8万45.0万 主城区平均每天出行的非营运轿车43.1万辆，一天平均累计出行时长78分钟（1小时18分钟）。出行时间1小时以内的21.8万辆，占50.6%。出行时间大于3小时的有2.6万辆，占6.0%。2、车辆出行时长分布五、基于RFID的车辆行为画像25000025万21.8万25、，万，50.6%出行时长分布01410500001000001500002000001小时2小时3小时大于3小时25万20万15万10万5万021.8万，万，50.6%14.3万，万，33.1%4.4万，万，10.3%2.6万，万，6.0%出行时长分布3、高频率出行识别 将10个工作日内使用天数大于等于5天的定义为高频率出行车，分析结果发现，高频率出行车辆占达到比69.1%60五、基于RFID的车辆行为画像01420102030405060高频车低频车万万万万万万万50.2万，万，69.1%21.5万，万，30.9%定义：规律出行是指一辆车在不同日存在着规律性的出行行为分析某辆车在不同天之间的26、出行记录分布：在红色检测点位置，该车辆在不同天内反复出现4、规律出行识别五、基于RFID的车辆行为画像0143周二周三周四周五周六周日周一14条记录5条记录8条记录32条记录13条记录6条记录5条记录一辆车一周的RFID检测记录 分析某车辆不同天的出行OD是否为相似OD 相似OD：O1D1O2D2Day1五、基于RFID的车辆行为画像4、规律出行识别0144O2D2Day2相似OD的判断条件为：1、O1与O2的出发时间以及D1与D2的到达时间差均在1个小时以内。2、O1与O2检测点距离以及D1与D2检测点距离也均在3公里以内。3、对车辆OD相似的天数统计起来，如果超过研究天数一半，则认定为规律27、出行车辆 上午出行的规律性很强，在这个月的20天工作日，有19天在聚类簇1中 下午出行也有规律性，在这个月的20天工作日，有11天在聚类簇2中 该车辆有两组规律出行，聚类天数大于研究天数的一半，该车辆为规律出行车辆上班出行上班出行家家五、基于RFID的车辆行为画像4、规律出行识别0145天数的一半，该车辆为规律出行车辆聚类簇聚类簇1，上班出行，上班出行经过点位：（渝鲁大道（海事局）新溉大道方向新溉东路（北滨二路路口）北滨二路方向经过时间：7:00-8:00聚类簇聚类簇2，下班出行，下班出行经过点位：（新溉东路（北滨二路路口）内环快速路方向新溉大道（兴盛大道路口）唐家院子轻轨站方向经过时间：1728、:00-18:00上班出行上班出行下班出行下班出行工作地工作地 主城区平均每天检测到的小汽车有67.7万辆，其中早晚高峰时段出行的车辆有41.6万辆，占比61.4%。以观音桥组团（1）为中心，以人和（2）、沙坪（3）、大杨石（4）、渝中（6）和南坪（5）形成主要规律出行圈层五、基于RFID的车辆行为画像4、规律出行空间分布0146各组团间的规律出行各组团间的规律出行OD分布分布412356 主城区平均每天具有规律出行特征的车辆有12.2万辆，早上7:009:00，下午17:0019:00具有规律出行特征的车辆为9.6万辆，占规律出行车辆的78.7%。这部分车辆我们判断为通勤车辆。4、规律出行时29、间分布五、基于RFID的车辆行为画像014701000020000300004000050000600000123456789 10 11 12 13 14 15 16 17 18 19 20 21 22 235.7万3.9万6万5万4万3万2万1万0时间/h车辆数/辆一、大数据在智能交通中的应用二、电子车牌RFID数据概况及分析框架三、基于RFID的路网流量还原四、基于RFID的车辆OD切分目录01四、基于RFID的车辆OD切分五、基于RFID的车辆行为画像六、应用研究七、结语48应用研究重庆主城区网约车识别及特征分析1、网约车识别 据前面的分析可知：非营运轿车一天平均累计出行时长约78分钟30、，我们假设出行时间超过3小时的非营运轿车是网约车，则重庆市主城区网约车每天运行的车辆数量约为2.6万辆左右，远远超过1.3万辆的出租车规模。25000025万21.8万，万，50.6%01490500001000001500002000001小时2小时3小时大于3小时20万15万10万5万021.8万，万，50.6%14.3万，万，33.1%4.4万，万，10.3%2.6万，万，6.0%网约车使用强度高，单车每天车公里数约210公里平均每天通过RFID检测到的主城区非运营轿车共43.1万辆，一天的车公里总数为1680万公里，平均每辆车的公里数为39.0公里。扣除2.6万辆的网约车，非网约车为331、9.2万辆，车公里数为1134万公里，平均每辆车的公里数为28.9公里2、网约车出行特征分析应用研究重庆主城区网约车识别及特征分析0150均每辆车的公里数为28.9公里 2.6万辆网约车的车公里数为546万公里，占车公里总数的32%，平均每辆车的公里数为210公里，是非网约车的7.3倍。网约车以6.0%的车辆数的车辆数行驶了行驶了32%的车辆里程的车辆里程 网约车出行时间集中在白天。轿车的使用量呈现明显的早晚双高峰。网约车出行时间主要集中在上午8点至晚上21点之间，21点至第二天上午8点时段，网约出行量明显低于出租车。应用研究重庆主城区网约车识别及特征分析01518:00-9:0018:00-32、19:00轿车的时间分布轿车的时间分布14万万12万万10万万8万万6万万4万万2万万0 出租车和网约车的时间分布出租车和网约车的时间分布0200040006000800010000120001400016000180000 1 2 3 4 5 6 7 8 9 1011121314151617181920212223出租车网约车网约车使用量较大的时段网约车使用量较大的时段8:0021:001.8万万1.6万万1.4万万1.2万万1.0万万0.8万万0.6万万0.4万万0.2万万0 网约车与出租车高峰时段出行量基本相同，但出行率明显低于出租车。2.6万辆网约车高峰时段出行量约1.3万辆，而1.333、万辆出租车中高峰时段出行量约1.1万辆。2.6万辆网约车高峰时段出行率只有50%，而1.3万辆出租车中高峰时段出应用研究重庆主城区网约车识别及特征分析0152行率高达90%左右。出租车和网约出租车和网约车的时间分布车的时间分布0200040006000800010000120001400016000180000 1 2 3 4 5 6 7 8 9 1011121314151617181920212223出租车网约车网约车使用量较大的时段网约车使用量较大的时段8:0021:001.8万万1.6万万1.4万万1.2万万1.0万万0.8万万0.6万万0.4万万0.2万万0 90%以上的网约车是全职司34、机 在2.6万辆网约车中，同时具有规律出行行为的车辆有2255辆，我们判断这部分车辆为兼职网约车，仅占网约车的8.6%。其余的2.4万辆左右的网约车驾驶员均为专职网约车司机，其规模已远超出租车。应用研究重庆主城区网约车识别及特征分析0153网约车空间特征 网约车的活跃区域与出租车的活跃区域基本相同。2.6万辆网约车每天的车公里数为546万公里，平均每辆车的公里数为210公里。1.3万辆出租车每天的车公里数为746.8万公里，平均每辆车的公里数为574.5公里，是网约车的2.9倍。应用研究重庆主城区网约车识别及特征分析01网约车分布出租车分布网约车数量的变化趋势从2015年底至2016年6月，主35、城区网约车数量一直保持强劲的增长势头。到10月份，可能由于网约车新政的发布以及奖励措施改变，网约车的数量有所回落。应用研究重庆主城区网约车识别及特征分析2.532.3万2.6万万辆万辆0100.511.522015年12月2016年3月2016年6月2016年10月1.6万1.8万 内环快速路前身为内环高速公路，于2002年建成，双向6车道，全长74km，立交20座。2010年内环高速公路转变为内应用研究重庆主城区内环快速路高架方案分析研究背景星光立交星光立交涂山立交高家花园立交龙头寺立交龙头寺立交0101 2010年内环高速公路转变为内环快速路，沿线立交增加6座。现状高峰断面流量超过1万pc36、u，运行效率不断下降。56鹿角立交鹿角立交图例原有高速路立交变为快速路后增加立交内环快速路立交节点分布1、通过RFID分析内环快速路车辆运行特征，识别出射线高速之间的绕行交通量、进出城集散交通量、内部转研究目的绕行功能绕行功能应用研究重庆主城区内环快速路高架方案分析0101换交通量三类交通量构成情况。2、通过交通量构成分析，支撑内环高架方案的制定，指导内环高架方案的断面能力、出入口匝道、立交节点等的设计和实施。57内部转换内部转换集散功能集散功能 点位数量内环断面及出入口的RFID点位共85个（其中断面41个，出入口RFID点位特征应用研究重庆主城区内环快速路高架方案分析0101共85个（其中37、断面41个，出入口44个）。点位分布主要的立交之间均分布有RFID点位，共覆盖22个立交。581、平均每天进出内环节点的车辆数为51.6万辆运行特征分析总OD量51.6万100%内环以内转换量23.4万46%绕行功能绕行功能按交通功能分类人和立交应用研究重庆主城区内环快速路高架方案分析010159内环车辆OD分布内环以内转换量23.4万46%高速公路绕行量4.7万9%进出内环集散量23.4万45%内部转换内部转换集散功能集散功能人和立交杨公桥立交江南立交新华立交茶园立交快速路快速路快速路2、内环快速路出行距离分析运行特征分析内环上车辆平均出行距离8.5公里，出行距离10km以内占比66%，1038、km以上占比34%。小于10km出行25万应用研究重庆主城区内环快速路高架方案分析0101600500001000001500002000002500005公里5-10公里10-15公里大于15公里小于10km出行66%大于10km出行34%25万20万15万10万5万0运行特征分析 小于10km出行OD分布15000200002500030000应用研究重庆主城区内环快速路高架方案分析0101610500010000东环至五童五童至东环东环至人和人和至东环茶园至江南江南至茶园高滩岩至西环南山至江南短距离OD期望线运行特征分析 大于10km分布8000100001200014000应用研究重庆39、主城区内环快速路高架方案分析01016202000400060008000东环至江南江南至东环南环至江南江南至南环杨公桥至东环长距离OD期望线运行特征分析3、重要断面的流量流向分布230582454720792229066288683973706428286288229062305824547200283923683978850应用研究重庆主城区内环快速路高架方案分析01016316048296616387999464836503376311332981238101394536早高峰流向图全日流向图基本结论：现状内环快速路上“集散、绕行、内部转换”三种类型的交通量重叠。在断面流量不断增加的背景40、下，考虑通过高架方式承担“集散交通和绕行交通，实现长、短距离交通分离，提升通道效率。同时，还可基于车辆流线分析，指导进出高架匝道方案设计，避免短距离出行使用高架。江南立交至茶园全日流量流向应用研究重庆主城区内环快速路高架方案分析0101642305824547207922290662886839737064全日流向图高架。1174223928一、大数据在智能交通中的应用二、电子车牌RFID数据概况及分析框架三、基于RFID的路网流量还原四、基于RFID的车辆OD切分目录01四、基于RFID的车辆OD切分五、基于RFID的车辆行为画像六、应用研究几个案例七、结语65 交通大数据在城市交通规划决策、智能交通管理等方面的研究和应用正在不断深入。电子车牌RFID等车联网数据的普及及应用，为城市交通研究者提供了新的视角。利用RFID海量数据，可以深入了解车辆七、结 语0166者提供了新的视角。利用RFID海量数据，可以深入了解车辆运行的内在机理，为交通决策和管理提供了新的支撑。目前，我们对电子车牌RFID数据的挖掘和研究还处于摸索阶段，仍在努力提高之中。谢谢聆听！0167谢谢聆听！