最近打算看一些拥堵方面的文章，这是看的第一篇，因为和我一个想法比较相关。文章题目是：Impact Analysis of Land Use on Traffic Congestion Using Real-Time Traffic and POI

1.文章概述

文章主要是分析了土地利用类型对交通拥堵的影响。首先用爬虫爬取了POI数据和实时交通状态信息，其中实时交通状态信息是拥堵、一般、畅通三级的数据。然后根据实时交通状态信息提取出拥堵时间，拥堵时间就是某个路段点维持为拥堵状态的时间。在此基础上根据拥堵时间将城市区域划分为不同的拥堵等级区域。在此基础上以拥堵区域为单元，拥堵时间为因变量、区域各类型建筑面积为自变量建立多元回归方程，探究土地利用类型对拥堵时间的影响。

2.方法论

文章主要是两方面的方法论，第一是如何通过爬虫获取分析数据；第二是数据处理和分析上的方法论。

2.1数据爬取

POI数据爬取不过多介绍，之前我自己爬取过，感兴趣可以直接看我写的POI爬取的文章，这里主要介绍下文章提到的实时交通数据的爬取及处理，作者爬取及处理流程分为以下几步：

1. 选取早晚高峰每隔5min爬取一次，爬取的是地图的热力图，也就是各条道路的交通状态，状态分为3级，分别是拥堵、一般和畅通。
2. 将数据整理成每隔50m为一个单元，作为一个点，构成一个shp文件，每个点都有其状态交通信息。
3. 按照下述的规则提取出primary congestion points以及secondary congestion points。
   
4. 按照上述方法提取出拥堵点，然后提取出拥堵点的拥堵时间。
5. 用克里金差值对拥堵时间做差值，得到连续的拥堵时间。
6. 根据拥堵时间指标用65, 95, 125, 155, 185, 215, and 245作为间隔，将区域划分如下表所示的区域。
   

2.2 多元回归

以拥堵时间为因变量，各个区域中各建筑类型面积为自变量，建立回归模型。

where α was the estimable intercept term (equalling zero), the dependent variable Y was the average congestion time of congestion region, the independent variables $E_P,B_P,R_P,C_P,L_P$ were architectural area ratio of fve main types of POIs (education, shopping, residential, work, and leisure) within the congestion region, and $x_1,x_2,x_3,x_4,x_5$ were the corresponding coefcients.

3.结论

文章最后结论就是区域内公司、学校等面积越大就越堵，具体可参见论文，作者自己叙述的文章创新点摘一下：

One of the main contributions of this study is that it provides a feasible way to analyze trafc congestions from the online map data. Moreover, this study provides policy guidance for urban reform and gives a reference for the planning of urban land use. Te regression models in the study can help us predict and estimate the correlation between land use and congestion intensity without the dependency on complex traffic models (such as traffic four-stage method) and large numbers of data acquisitions.

4.参考文献

[1] Zhang T , Sun L , Yao L , et al. Impact Analysis of Land Use on Traffic Congestion Using Real-Time Traffic and POI[J]. Journal of Advanced Transportation, 2017, 2017(1):1-8.