互聯(lián)網(wǎng)+時代的出租車資源配置

1、“互聯(lián)網(wǎng)+”時代的出租車資源配置摘要本文通過搜集相關(guān)數(shù)據(jù)、建立數(shù)學(xué)模型，描述了在不同時空下影響出租車供求的各變量間的內(nèi)在關(guān)系，并在此基礎(chǔ)上構(gòu)造出合理的指標(biāo)，定量分析出租車資源的“供求匹配”程度。而后，在此基礎(chǔ)上分析了現(xiàn)行各出租車補(bǔ)貼方案是否對“緩解打車難”，即提高出租車資源“供求匹配”程度有所幫助。最后，以提高早晚高峰擁堵時期的供求匹配度為出發(fā)點(diǎn)，提出了新的補(bǔ)貼政策。對于問題(1)，本文對兩個環(huán)境變量時間和地點(diǎn)進(jìn)行了分段和分塊處理，并對其編號，既在一定程度上平滑了數(shù)據(jù)、簡化了計(jì)算，又方便在建模比較過程中控制變量。而后，用其他內(nèi)部變量分別構(gòu)造了需求函數(shù)和供給函數(shù)，利用多元線性回歸模型解得二者的參

2、數(shù)并進(jìn)行顯著性檢驗(yàn)。其中，為了將線段化的出行量點(diǎn)陣化，先利用Dijkstra最短路算法求得最佳出行路徑,進(jìn)而求出各路段平均出行量和平均空駛率。最后，將供給函數(shù)與需求函數(shù)之差選作了衡量供求匹配程度的指標(biāo)。隨機(jī)挑選了兩個不同的時段和地段進(jìn)行實(shí)證分析，發(fā)現(xiàn)供求匹配程度最好的地址恰巧是，北京市海淀區(qū)玉淵潭公園附近，該地是著名休閑旅游區(qū)，供需兩旺。對于問題(2)，在研究了目前各大打車軟件常見的補(bǔ)貼方式，及其對供求函數(shù)的自變量產(chǎn)生的影響后，本文對問題（1）中的模型進(jìn)行了適當(dāng)改進(jìn)。重新回歸并求出參數(shù)后，將不同補(bǔ)貼比例和數(shù)額的匹配度指標(biāo)值進(jìn)行比較，可以看出對司機(jī)的補(bǔ)貼政策確實(shí)可以提高供求匹配程度，但對乘客進(jìn)行

3、數(shù)額補(bǔ)貼卻會使匹配程度降低。對于問題（3），本文的著眼點(diǎn)在于如何提高早晚高峰擁堵期間出租車的供求匹配程度。首先利用經(jīng)濟(jì)學(xué)原理進(jìn)行了簡單預(yù)測，而后利用改進(jìn)后的供求匹配程度模型進(jìn)行定量檢驗(yàn)，證明了在高峰時段對司機(jī)發(fā)放額外補(bǔ)貼，和在軟件中增加小費(fèi)功，雖無法完全抵消高峰擁堵期增加的供求差，但確實(shí)有改善作用。關(guān)鍵詞：出租車供求匹配程度 定量分析 補(bǔ)貼方案最短路算法 高峰擁堵一、問題重述出租車是市民出行的重要交通工具之一，“打車難”是人們關(guān)注的一個社會熱點(diǎn)問題。隨著“互聯(lián)網(wǎng)+”時代的到來，有多家公司依托移動互聯(lián)網(wǎng)建立了打車軟件服務(wù)平臺，實(shí)現(xiàn)了乘客與出租車司機(jī)之間的信息互通，同時推出了多種出租車的補(bǔ)貼方案。

4、要求建立數(shù)學(xué)模型研究如下問題： (1) 搜集相關(guān)數(shù)據(jù)并建立合理的指標(biāo)，分析不同時空下出租車資源的“供求匹配”程度。 (2) 分析現(xiàn)行各公司的出租車補(bǔ)貼方案是否對“緩解打車難”有幫助。(3) 如果要創(chuàng)建一個新的打車軟件服務(wù)平臺，設(shè)計(jì)并論證合理的補(bǔ)貼方案。二、問題分析本題要求我們搜集相關(guān)數(shù)據(jù)并建立合理的指標(biāo)，分析不同時空下出租車資源的“供求匹配”程度。然后，在此基礎(chǔ)上分析各公司的出租車補(bǔ)貼方案是否對“緩解打車難”，即提高出租車資源“供求匹配”程度有幫助。最后，嘗試創(chuàng)建一個新的打車軟件服務(wù)平臺，設(shè)計(jì)合理的補(bǔ)貼方案，并論證其合理性。因?yàn)槌鞘谐鲎廛囘\(yùn)營屬于公共事業(yè)，其收費(fèi)標(biāo)準(zhǔn)及投放數(shù)量都是由各市政府統(tǒng)一

5、規(guī)劃的，所不同城市的出租車基礎(chǔ)運(yùn)價和出租車保有量存在較大差異，因此在建模分析時應(yīng)當(dāng)具體城市具體分析。2.1問題(1)的分析問題(1)目前可收集到的數(shù)據(jù)有：9月4日0時至9月11日24時，北京市不同地點(diǎn)（經(jīng)緯度坐標(biāo)）的出租車數(shù)、打車需求量、從下單到接單所需等候的時間、車費(fèi)、出行起始點(diǎn)及對應(yīng)出行量。根據(jù)生活經(jīng)驗(yàn)，用時段及車費(fèi)構(gòu)造出租車數(shù)的函數(shù)，用時段、車費(fèi)及下單到接單所需等候時間構(gòu)造打車需求量的函數(shù)，利用多元線性回歸模型解得二者的參數(shù)并進(jìn)行顯著性檢驗(yàn)。根據(jù)出行起始點(diǎn)及對應(yīng)出行量和北京市交通軌道圖，利用Dijkstra最短路算法1求得起始點(diǎn)間的最佳路徑,進(jìn)而求出各路段平均出行量，得到該時段不同地點(diǎn)的

6、空載出租車數(shù)作為供給量。將供給函數(shù)與需求函數(shù)之差作為衡量供求匹配程度的指標(biāo)。2.2問題(2)的分析問題(2)要求分析補(bǔ)貼方案對“緩解打車難”的作用，即在打車軟件補(bǔ)貼政策下，乘客打車時的供求匹配程度是否發(fā)生變化。目前，各大打車軟件最常見的補(bǔ)貼方式是，每完成一筆訂單，分別對乘客和司機(jī)補(bǔ)貼一定數(shù)額，即需求函數(shù)中的車費(fèi)變量降低，供給函數(shù)中的車費(fèi)變量提高。利用問題(1)中模型的變形解出匹配度指標(biāo)并觀察變化情況。2.3問題(3)的分析我們在問題(2)中所分析的補(bǔ)貼政策是以完成的訂單數(shù)來計(jì)量的?，F(xiàn)實(shí)中還存在另外一種情況，行車高峰時期的道路擁堵使得出租車司機(jī)為節(jié)約成本而放棄出車，但此時乘客對于出租車需求卻相比

7、非高峰時期有大幅度提升2。因此，為了提高高峰時段的供求匹配程度，可以考慮在高峰時段對司機(jī)發(fā)放額外補(bǔ)貼，或在軟件中增加小費(fèi)功能。三、模型假設(shè)1. 本文以北京市為例，且只統(tǒng)計(jì)北京市主城區(qū)（116.21°E-116.56°E，39.78°N -40.02°N）內(nèi)的數(shù)據(jù)。2. 假設(shè)出租車選擇最佳路徑時只會選擇城市主干道和快速路。3. 假設(shè)用城市道路的設(shè)計(jì)最大時速作為計(jì)算最短路時該路段的權(quán)，不考慮該路段內(nèi)因擁堵等因素導(dǎo)致的速度變化。4. 假設(shè)出行量在最佳路徑上是平均分布的，所以計(jì)算出的空駛率也是各路段的平均空駛率。5.假設(shè)每天不同時段出租車的供求匹配程度都是相似的

8、，不考慮工作日與休息日的差別。4、 符號說明符號說明i時段編號，i=1,2,3,，24j地段編號，j=1,2,3,，840D打車需求量P車費(fèi)W下單到接單所需等待時間YUSO出租車總量空駛率出租車供給量出行量（注：其它未提及的符號在文中說明）五、模型建立與求解5.1問題(1)的模型建立與求解問題(1)要求建立合理的指標(biāo)，分析不同時空下出租車資源的“供求匹配”程度。城市中出租車的需求和供給在一天當(dāng)中的不同時段是存在波動的。早晚高峰來臨時，居民整體的出行需求明顯增加，出租車作為城市交通方式其中的一種也隨之增加 3。而不同地段由于繁華程度和交通通達(dá)度等方面的不同，供給和需求函數(shù)也不盡相同。因此，我們需

9、對北京市各地段每天不同時段建立供給和需求函數(shù)，并求二者差值作為衡量供求匹配程度的指標(biāo)。5.1.1對原始數(shù)據(jù)的預(yù)處理因?yàn)樵谠紨?shù)據(jù)中，各時段表示不同地段的經(jīng)緯度坐標(biāo)并不相同，所以為了固定表示地段的參數(shù)，需要將整個城區(qū)分成若干0.001°×0.001°的地段，并分別統(tǒng)計(jì)每個地段對應(yīng)的各種變量值。具體方法如下： （1）其中，代表經(jīng)度，代表緯度,j代表第j個地區(qū)，代表數(shù)據(jù)總行數(shù),代表區(qū)域左端，代表區(qū)域右端，為時間，為需要累加的各個變量。最終將北京市城區(qū)劃分為了840個小塊，在之后的建模過程中，我們將用地段編號j代替經(jīng)緯度值表示不同地段。為使模型進(jìn)一步簡化，不再考慮如工作日

10、與休息日等不同日期間的差別，將不同日期的數(shù)據(jù)按日內(nèi)相同時段進(jìn)行平均，建立一天內(nèi)不同時段不同地點(diǎn)的供求匹配程度模型。5.1.2需求函數(shù)模型的建立與求解根據(jù)生活常識，打車需求量Dij與以下兩個變量相關(guān)：1) 下單到接單所需等待時間Wij。該相關(guān)性有兩種可能的解釋：一方面，等待時間短，說明此時在該區(qū)域附近供大于求，即需求相對較少，二者可能是正相關(guān)關(guān)系；另一方面，等待時間過長可能會使乘客放棄打車，導(dǎo)致需求下降，二者此時就是負(fù)相關(guān)關(guān)系。2) 車費(fèi)Pij。根據(jù)經(jīng)濟(jì)學(xué)原理，價格與需求一般成負(fù)相關(guān)關(guān)系。據(jù)此建立多元線性回歸模型：（2）以9點(diǎn)（i=9）為例，估計(jì)得，擬合優(yōu)度較差；,顯著水平較高；p，回歸模型成立

11、，且絕大多數(shù)殘差處于置信區(qū)間之內(nèi)（如圖1），1=12.30。圖1 殘差圖同理估計(jì)得其他時段的多元線性回歸模型，參數(shù)見表1。表1 不同時段需求的多元線性回歸函數(shù)參數(shù)表5.1.3供給函數(shù)模型的建立與求解同樣依據(jù)生活經(jīng)驗(yàn)，出租車數(shù)量Yij該地車費(fèi)Pij相關(guān)，據(jù)此建立出租車數(shù)量的多元線性回歸模型：（3）估計(jì)得不同時段出租車數(shù)量多元線性回歸函數(shù)，參數(shù)見表2表2 不同時段出租車數(shù)量的多元線性回歸函數(shù)參數(shù)表因?yàn)槌鲎廛嚬┙o量S空駛率U×出租車數(shù)量Y，所以：（4）其中，Uij為某地區(qū)七天內(nèi)的平均空駛率。為求得Uij的具體數(shù)值，需首先求出人們在不同路段上的平均出行量Oij,即出現(xiàn)在該路段的載客出租車數(shù)量

12、，則：（5）用經(jīng)緯度坐標(biāo)系與北京市區(qū)快速路與主干路系統(tǒng)規(guī)劃圖4抽象出一張賦權(quán)有向圖，基本包含北京市的主要快速路和主干道，其中不同路段的權(quán)重為通過該路段的最大限速。具體權(quán)重數(shù)據(jù)和可選路徑見表3和圖2.表3北京市主要道路最大限速及其在圖1中代號一覽表圖2基于北京市實(shí)際交通情況構(gòu)建的賦權(quán)有向圖根據(jù)某一組出行起始點(diǎn)的經(jīng)緯度坐標(biāo)，在圖中確定乘車點(diǎn)和落客點(diǎn)，利用Dijkstra最短路算法1，解出當(dāng)?shù)暮妥畲髸r的最短路。假設(shè)在所有路段上，出行量都是平均分布的，將不同出行軌跡上的出行量累加后求平均，可得圖3。圖3北京市不同路段平均出行量Oij分布圖根據(jù)公式（5）即可得出平均空載率Uij,進(jìn)而解得供給函數(shù)參數(shù)表表

13、4 不同時段供給的多元線性回歸函數(shù)參數(shù)表5.1.4構(gòu)造供求匹配程度指標(biāo)用供給函數(shù)與需求函數(shù)的差值來構(gòu)造供求匹配程度指標(biāo)k，即： （6）kij函數(shù)的參數(shù)見表5。表5不同時段kij函數(shù)的參數(shù)表計(jì)算得到的kij的值越趨近于0，該地區(qū)供求匹配程度越好；越偏離0，該地區(qū)供求匹配程度越差。我們可以用表6來舉例說明：表6 j i 813178-5.74194-11.341282-6.99077-7.04461通過比較可知，表中供求匹配程度最好的點(diǎn)是i=8,j=178.該點(diǎn)的實(shí)際位置是海淀區(qū)玉淵潭公園附近，是著名的旅游度假區(qū)。5.2問題(2)的解答問題(2)要求分析補(bǔ)貼方案對“緩解打車難”的作用，即在打車軟件

14、補(bǔ)貼政策下，乘客打車時的供求匹配程度是否發(fā)生變化。目前，各大打車軟件最常見的補(bǔ)貼方式是，每完成一筆訂單，分別對乘客和司機(jī)給予一定數(shù)額或比例的補(bǔ)貼。5.2.1給予一定比例補(bǔ)貼對供求匹配程度的影響假設(shè)，現(xiàn)在打車軟件給予乘客m的折扣，給予司機(jī)n的補(bǔ)貼，則公式（2）和公式（3）會被改寫成（2.1）（3.1）在其他條件都不變的情況下，重新估計(jì)Dij和Yij的參數(shù)，得到新的kij函數(shù)參數(shù)表，參見支撐文件“補(bǔ)貼比例改變對參數(shù)的影響.Xls”此時，當(dāng)我們固定比例分別為0%,20%,40%時，對某一區(qū)塊，某一時間的k值影響如下表7。表7觀察可知，當(dāng)對乘客折扣率越大，對司機(jī)補(bǔ)貼率越大，供求匹配程度越好。5.2.2

15、給予一定數(shù)額補(bǔ)貼對供求匹配程度的影響假設(shè)，現(xiàn)在打車軟件給予乘客c元的折扣，給予司機(jī)d元的補(bǔ)貼，則公式（2）和公式（3）會被改寫成（2.2）（3.2）在其他條件都不變的情況下，重新估計(jì)Dij和Yij的參數(shù)，得到新的kij函數(shù)參數(shù)，參見支撐材料“定額補(bǔ)貼對參數(shù)的影響.xls”此時，當(dāng)我們對司機(jī)和乘客的補(bǔ)貼額分別為0元、5元、10元時，對某一區(qū)塊，某一時間的k值影響如下表8。表8觀察可知，給予乘客的補(bǔ)貼越多，匹配程度越差；給予司機(jī)的補(bǔ)貼越多，匹配程度越差。5.3問題(3)的解答我們在問題(2)中所分析的補(bǔ)貼政策是以完成的訂單數(shù)來計(jì)量的?，F(xiàn)實(shí)中還存在另外一種情況，行車高峰時期的道路擁堵使得出租車司機(jī)為

16、節(jié)約成本而放棄出車，但此時乘客對于出租車需求卻相比非高峰時期有大幅度提升2。因此，為了提高高峰時段的供求匹配程度，可以考慮在高峰時段對司機(jī)發(fā)放補(bǔ)貼，同時在軟件中增加小費(fèi)功能。高峰時段對司機(jī)發(fā)放補(bǔ)貼增加小費(fèi)功能對供求匹配程度的影響北京市的早晚高峰高峰時間為：07：0009：00、17：0019：00，即當(dāng)i=8、9、18、19時，司機(jī)會拿到補(bǔ)貼。假設(shè)，高峰期司機(jī)每接一單，可拿到c元補(bǔ)貼，乘客會支付小費(fèi)d元，則公式（2）和公式（3）會被改寫成（2.3）（3.3）在其他條件都不變的情況下，重新估計(jì)Dij和Yij的參數(shù)，得到新的kij函數(shù)參數(shù)，參見支撐材料“高峰時補(bǔ)貼參數(shù)變化.xls”此時，當(dāng)我們固定

17、補(bǔ)貼和小費(fèi)分別為0元、5元、10元時，對某一區(qū)塊，某一時間的k值影響如下表9。表9 觀察可知，小費(fèi)和補(bǔ)貼的增大，雖無法完全抵消高峰擁堵期增加的供求差，但從k值的增長速度并非十分迅速來看，該補(bǔ)貼政策確實(shí)有改善作用。七、模型評價模型的優(yōu)點(diǎn)：1. 本文創(chuàng)造性地利用地段編號替代繁瑣的經(jīng)緯度數(shù)據(jù)來描述地點(diǎn)的變化，既簡化了模型，又在一定程度上起到了平滑數(shù)據(jù)的作用；2. 本文利用Dijkstra最短路算法求解最佳路徑得到各路段平均出行量，達(dá)到了微觀宏觀與宏觀兼顧的效果。3. 成功將所有可用數(shù)據(jù)都用作了模型的變量，考慮較為全面。模型的缺點(diǎn)：1. 本文假設(shè)條件具有一定的局限性，空間上只選取了北京市和城市主干路及

18、快速路，在時間上忽略了不同日期供求匹配程度的差異性。在一定程度上不具有普遍適用性。2，模型未考慮其他交通工具，如地鐵等對出租車市場產(chǎn)生的擠出效應(yīng)。八、模型推廣本文對兩個環(huán)境變量時間和地點(diǎn)進(jìn)行了分段和分塊處理，并對其編號，既在一定程度上平滑了數(shù)據(jù)、簡化了計(jì)算，又方便在建模比較過程中控制變量。該方法在研究不同時空下的多元函數(shù)模型的性質(zhì)時具有一定的普遍適用性。參考文獻(xiàn)1 運(yùn)籌學(xué)教材編寫組，運(yùn)籌學(xué)（第三版）M，北京：清華大學(xué)出版社，2005.6，262-264頁。2 王一帆, 基于打車軟件的出租車服務(wù)模式優(yōu)化研究D，上海：上海交通大學(xué)安泰經(jīng)濟(jì)與管理學(xué)院，2014，第1頁。3 王一帆, 基于打車軟件的出

19、租車服務(wù)模式優(yōu)化研究D，上海：上海交通大學(xué)安泰經(jīng)濟(jì)與管理學(xué)院，2014，第24頁。4 新浪網(wǎng)，北京市區(qū)快速路與主干路系統(tǒng)規(guī)劃圖，201。附錄程序所用軟件：MATLAB程序1：北京車輛統(tǒng)計(jì)繪圖clc;clear;load 'bj_car_0411.mat'car=bj01,bj02,bj03,bj04,bj05,bj06,bj07;ss(1:24,1:840)=0;q=length(car);for q=1:7%數(shù)據(jù)天數(shù)obj=carq; column,row = size(obj); for i= 1:column%截取obj(i,1)=24*obj(i,1); if obj(

20、i,2)<116.21 | obj(i,2)>116.56 | obj(i,3)>40.02 |obj(i,3)<39.78 %劃出北京城主城區(qū)范圍（六環(huán)以內(nèi)）obj(i,:)=0;endendobj(all(obj=0,2),:)=;%截取 column,row = size(obj);%分塊 35*24=840塊 k=0;j=0;group=0;s(1:24,1:840)=0;for k=11621:1:11655for j=3978:1:4001group=group+1;fori= 1:column% if obj(i,2)>= (k/100) &

21、& obj(i,2)<(k+1)/100) && obj(i,3)>=(j/100) && obj(i,3)<(j+1)/100) s(obj(i,1)+1,group)=s(obj(i,1)+1,group)+obj(i,4);%下標(biāo)需大于0，進(jìn)行處理 %計(jì)算分塊計(jì)車數(shù)endendendendfori=1:24for j=1:840ss(i,j)=s(i,j)+ss(i,j);%累加endendendfori=1:24for j=1:840ss(i,j)=ss(i,j)/q;%均值endendM=moviein(24);for tim

22、e=1:24sx=ss(time,:);c=reshape(sx,35,24);fori=1:35for j=1:24x(i*35+j)=i;y(i*35+j)=j;z(i*35+j)=c(i,j); endendX,Y,Z=griddata(x,y,z,linspace(1,35)',linspace(1,24),'v4');%插值set(0,'DefaultFigureVisible', 'on');figure,surf(X,Y,Z);axis(0,35,0,24,0,300)title('分塊插值后不同地點(diǎn)車輛數(shù)隨時間變動

23、情況');xlabel('經(jīng)度分塊');ylabel('緯度分塊');zlabel('車輛數(shù)');M(:,time)=getframe; endmovie(M,1,1)%movie2avi(M,'filename.avi','fps',1)程序2：北京車費(fèi)數(shù)據(jù)處理繪圖per=0.4241;m=0;n=0;%aerfaxuqiufor time=1:24load ('average.mat')need=avneed(time,:);car=avcar(time,:);wait=avwait(t

24、ime,:);fee=(1-m/100)*avfee(time,:);x=ones(840,1) fee' wait' ;b,bint,r,rint,stats=regress(need',x); %rcoplot(r,rint);set(gca,'Color','w'); c1(time,1:3)=b(1:3,1);%c(time,4)=stats(4);endfor time=1:24load ('average.mat')need=avneed(time,:);car=avcar(time,:).*per;wait=

25、avwait(time,:);fee=(1+n/100)*avfee(time,:);x=ones(840,1) fee' ;b,bint,r,rint,stats=regress(car',x); %rcoplot(r,rint);set(gca,'Color','w'); c2(time,1:2)=b(1:2,1);%c(time,4)=stats(4);endc(:,1)=c1(:,1)-c2(:,1);c(:,2)=c1(:,2)-c2(:,2);c(:,3)=c1(:,3)clc;clear;load 'bj_fee_0611.

26、mat'fee=bj01,bj02,bj03,bj04,bj05,bj06;ss(1:24,1:840)=0;q=length(fee);for q=1:length(fee)%數(shù)據(jù)天數(shù)obj=feeq; column,row = size(obj); for i= 1:column%截取obj(i,1)=24*obj(i,1); if obj(i,2)<116.21 | obj(i,2)>116.56 | obj(i,3)>40.02 |obj(i,3)<39.78 %劃出北京城主城區(qū)范圍（六環(huán)以內(nèi)）obj(i,:)=0;endendfori=1:column

27、obj(i,1)=0;obj(i,1)=fix(i/(column/23.99);endobj(all(obj=0,2),:)=;%截取 column,row = size(obj);%分塊 35*24=840塊 k=0;j=0;group=0;s(1:24,1:840)=0;for k=11621:1:11655for j=3978:1:4001group=group+1;fori= 1:column% if obj(i,2)>= (k/100) && obj(i,2)<(k+1)/100) && obj(i,3)>=(j/100) &

28、;& obj(i,3)<(j+1)/100) s(obj(i,1)+1,group)=s(obj(i,1)+1,group)+obj(i,4);%下標(biāo)需大于0，進(jìn)行處理 %計(jì)算分塊計(jì)數(shù)endendendendfori=1:24for j=1:840ss(i,j)=s(i,j)+ss(i,j);%累加endendendfori=1:24for j=1:840ss(i,j)=ss(i,j)/q;%均值endendM=moviein(24); %對不同時間的不同位置模擬變化fori=1:24sx=ss(i,:);c=reshape(sx,35,24);surf(c);M(:,i)=ge

29、tframe; endmovie(M,1,0.5) %播放畫面1次程序三：北京需求量數(shù)據(jù)處理繪圖clc;clear;load 'bj_car_0411.mat'need=bj01,bj02,bj03,bj04,bj05,bj06,bj07;ss(1:24,1:840)=0;q=length(need);for q=1:7%數(shù)據(jù)天數(shù)obj=needq; column,row = size(obj); for i= 1:column%截取obj(i,1)=24*obj(i,1); if obj(i,2)<116.21 | obj(i,2)>116.56 | obj(i,

30、3)>40.02 |obj(i,3)<39.78 %劃出北京城主城區(qū)范圍（六環(huán)以內(nèi)）obj(i,:)=0;endendobj(all(obj=0,2),:)=;%截取 column,row = size(obj);%分塊 35*24=840塊 k=0;j=0;group=0;s(1:24,1:840)=0;for k=11621:1:11655for j=3978:1:4001group=group+1;fori= 1:column% if obj(i,2)>= (k/100) && obj(i,2)<(k+1)/100) && obj(

31、i,3)>=(j/100) && obj(i,3)<(j+1)/100) s(obj(i,1)+1,group)=s(obj(i,1)+1,group)+obj(i,5);%下標(biāo)需大于0，進(jìn)行處理 %計(jì)算分塊計(jì)車數(shù)endendendendfori=1:24for j=1:840ss(i,j)=s(i,j)+ss(i,j);%累加endendendfori=1:24for j=1:840ss(i,j)=ss(i,j)/q;%均值endendM=moviein(24); %對不同時間的不同位置模擬變化fori=1:24sx=ss(i,:);c=reshape(sx,35

32、,24);surf(c);M(:,i)=getframe; endmovie(M,1,0.5) %播放畫面1次程序四：北京等待時間數(shù)據(jù)處理clc;clear;load 'bj_wait_0711.mat'wait=bj01,bj02,bj03,bj04,bj05;ss(1:24,1:840)=0;q=length(wait);for q=1:length(wait)%數(shù)據(jù)天數(shù)obj=waitq; column,row = size(obj); for i= 1:column%截取obj(i,1)=24*obj(i,1); if obj(i,2)<116.21 | obj(

33、i,2)>116.56 | obj(i,3)>40.02 |obj(i,3)<39.78 %劃出北京城主城區(qū)范圍（六環(huán)以內(nèi)）obj(i,:)=0;endendfori=1:columnobj(i,1)=0;obj(i,1)=fix(i/(column/23.99);endobj(all(obj=0,2),:)=;%截取 column,row = size(obj);%分塊 35*24=840塊 k=0;j=0;group=0;s(1:24,1:840)=0;for k=11621:1:11655for j=3978:1:4001group=group+1;fori= 1:co

34、lumn% if obj(i,2)>= (k/100) && obj(i,2)<(k+1)/100) && obj(i,3)>=(j/100) && obj(i,3)<(j+1)/100) s(obj(i,1)+1,group)=s(obj(i,1)+1,group)+obj(i,4);%下標(biāo)需大于0，進(jìn)行處理 %計(jì)算分塊計(jì)數(shù)endendendendfori=1:24for j=1:840ss(i,j)=s(i,j)+ss(i,j);%累加endendendfori=1:24for j=1:840ss(i,j)=ss(i,

35、j)/q;%均值endendM=moviein(24); %對不同時間的不同位置模擬變化fori=1:24sx=ss(i,:);c=reshape(sx,35,24);surf(c);M(:,i)=getframe; endmovie(M,1,0.5) %播放畫面1次程序五：對司機(jī)和乘客定比例補(bǔ)貼分析per=0.4241;d%aerfaxuqiufor time=1:24load ('average.mat')need=avneed(time,:);car=avcar(time,:);wait=avwait(time,:);fee=(1-m/100)*avfee(time,:)

36、;x=ones(840,1) fee' wait' ;b,bint,r,rint,stats=regress(need',x); %rcoplot(r,rint);set(gca,'Color','w'); c1(time,1:3)=b(1:3,1);%c(time,4)=stats(4);endfor time=1:24load ('average.mat')need=avneed(time,:);car=avcar(time,:).*per;wait=avwait(time,:);fee=(1+n/100)*avfee

37、(time,:);x=ones(840,1) fee' ;b,bint,r,rint,stats=regress(car',x); %rcoplot(r,rint);set(gca,'Color','w'); c2(time,1:2)=b(1:2,1);%c(time,4)=stats(4);endc(:,1)=c1(:,1)-c2(:,1);c(:,2)=c1(:,2)-c2(:,2);c(:,3)=c1(:,3)程序六：固定額度補(bǔ)貼乘客司機(jī)分析per=0.4241;d=0;c=0;%aerfaxuqiufor time=1:24load ('average.mat')need=avneed(time,:);car=avcar(time,:);wait=avwait(time,:);column,row = size(avfee);fori=1:columnfor j=1:columnfee(i,j)=avfee(1,j)-d;endendx=ones(840,1) fee' wait' ;b,bint,r,rint,stats=regress(need',x); %rcoplot(r,rint);set(gca,'Color','w'); c1(t