论文笔记：The proposed model for analyzing off-street parking Dynamics: A case study of Taipei City

（分析非街道停车动态的拟议模型：台北市案例研究）

话题点：停车需求、停车位、地理和时间加权回归、POI

模型：地理和时间加权回归模型（GTWR）【与GWR+OLS进行比较】

探究内容：停车场的车位随着时间的变化，以及不同的兴趣点的分布对停车场的周转率的影响（对停车需求进行精细化和可量化分析）

研究的意义：（1）停车位稀缺+供需差距（2）之前的学者对于路外停车也较少（3）POI的动态变量经常被忽视（即POI的营业时间）（4）OLS要求自变量和解释变量之间的回归关系在时间和空间上是同质的，这掩盖了局部数据的细节

1.文献综述

1.1停车相关变量

本研究只涉及公共停车场，不包括私有或者政府组织个人拥有。

停车位的选择与旅行目的有关，并受到停车场条件（停车费、位置和步行距离）、环境因素（土地利用和 POI）和驾驶员/用户特征（年龄、性别和收入）的显着影响。该研究使用这些因素来评估停车位的周转率。

1.2预测回归模型

大多数停车需求研究人员都依赖于全局统计模型来解释停车需求与自变量之间的复杂关系。变量之间的全局关系通常是使用研究区域的所有可用分析来估计和建模的。因此，全球模型已被用于预测停车需求.然而，在使用此类模型时，存在一个假设，即自变量和解释变量之间的回归关系在空间和时间上是固定的和同质的，这进一步模糊了数据的局部特征..为了解决这些空间异质性问题，一些研究者应用了更精确的建模技术，如扩展法、距离衰减加权回归 、空间滞后 、空间误差、贝叶斯层次模型和地理加权回归 （GWR） 模型，以更好地揭示空间过程。但是，只有 GWR 可以通过为每个位置生成单独的回归来捕获局部空间关系 。尽管GWR模型可以准确描述空间异质性，但它不能用于解决时间异质性。因此，本研究选择了地理和时间加权回归（GTWR）模型来确定时空异质性。

2. 研究方法

2.1基于地理加权回归的模型

GWR:

GTWR：（实质上就是增加了一个时间变量）

将空间距离和时间距离合并为时空距离，分别乘空间尺度λ 和时间尺度μ ：

将ds的参数归一化：

对于宽带的选择，使用自适应内核通过相邻观测值的数量来优化带宽的大小。交叉验证 （CV） 功能用于选择此参数。

2.2数据

使用python中的request URL和schedule函数来访问由台北交通局提供的实时公共路外停车数据。该数据集包含位置数据（纬度和经度）和非空间信息（例如停车场名称、停车场类型、地址和服务电话号码）。它还包括几个停车费和可用停车位的动态数据集。

多日路外停车位占用率的时间变化:

停车位占用率：（ Pij是时间 j 时停车场 I 的停车周转率;一个ij表示整个停车位占用率（停放在停车场 i 的车辆总数）;N表示停车场i的停车位总数，T表示时间段。）

研究中应用两个动态解释变量：台北市人口和POIs。

动态人口是根据人口普查中收集的信号和移动数据生成的，公众可以通过内政部获得这些信息。根据收集的时间戳和位置数据，将人口信息（移动数据）分配给每个停车场。另一方面，使用 Python 库和 Selenium 从 Google 地图收集的 POI 类型包括超市、传统市场、学校、酒店、医院、公交车站、地铁站和火车站。这些信息用于评估 POI 对停车周转率的影响。

对POI计算相关系数和Pearson相关性检验：传统市场、捷运站、学校和超市的数量总体上与停车周转率呈显著正相关；然而，公交车站、医院、酒店、火车站和停车费的数量与整体停车周转率呈显著负相关。

动态POI的分布：（即营业时间）

停车场到POI的可步行距离：选择在停车场 1,000 m （700 + 300 m） 半径内包括 POI

3.结果

3.1初步结果

将停车场分为三类：减少、不变、增加，结如下：

如图所示，这三种类型的停车场分布在台北市的各个地区。

第一种，用蓝色圆圈表示，主要位于郊区，被归类为靠近公园、小学和购物中心的辅助停车场。第二种类型，由绿色方块表示，分布在台北市周围。这些地块的周转率非常低，位于行政大楼、社区中心、医院和社会福利中心附近。周转率低且稳定的原因可能是由于 COVID-19 隔离，一些停车场对公众无法进入。然而，那些离职率高或稳定的公司，即昼夜不停地工作，通常位于台北机场和市中心附近。第三类，用红色三角形表示，分布在城市各处，多在中央商务区（CBD），靠近文创园区、儿童游乐园、动物园等景点。

3.2模型比较

为了说明预测变量与停车周转率随位置和时间的变化之间的关联，构建了三个回归模型（两个基于 GWR 的模型和一个 OLS），并对它们进行了比较。最小化CV（h）值后，GWR和GTWR模型的最佳带宽范围为912至2,424个停车场（本地样本），约占总样本量的10%至29%。这表明局部样本量足够大，可以避免多重共线性。

 为了分析整体性能，将模型拟合与 R 平方和 AIC 值进行了比较。在第1种和第2种停车场中，GTWR的Akaike信息准则（AIC）最低，R平方值最高，优于其他模型。对于第一类手数，GTWR模型的AIC值为9,440.65（OLS和GWR模型的AIC分别为10,861.039和9,640.1），第三类为33,445.6（OLS和GWR模型的AIC分别为34,338.703和33,618.3）。有趣的是，在第二类停车场上，GTWR模型的表现与GWR模型相似，AIC值分别为32,073.558和32,072.752（OLS的AIC为33871.293）。研究发现，OLS模型的残差分布不正常，根据Moran's I，残差呈显著聚类（Global Moran's I值显著正).因此，利用局部模型来避免此类停车场的高估和低估。

采用方差膨胀因子（VIF）来衡量变量间的共线性。当预测变量的 VIF 值大于 5 时，应从模型中删除不太重要的变量以避免此问题。根据3个OLS模型，VIF值均小于5，因此无需去除变量，解释变量之间没有显著的依赖性，并且彼此之间没有深刻的影响。

评估这些模型的另一种方法是将全局普通最小二乘法（OLS）估计器的标准误差与GWR和GTWR的局部估计器的四分位数（即下四分位数和上四分位数之间的差异）进行比较.系数的四分位值越大，空间非平稳性越显著。如图所示，根据GTWR模型，大多数POI具有更高的四分位距值，而OLS的标准误差为两倍，GWR模型为1个，表明系数值在空间和时间上具有异质性。因此，采用GTWR模型来检验这些时空效应。

3.3GTWR和GWR模型的比较

如图，GTWR模型在第一类和第三类停车场的CV得分均低于GWR模型，尤其是在下午高峰期。但是，在凌晨 1：00 至上午 7：00 和晚上 11：00 之间。M.-12：00 A.M.，CV分数的差异可以忽略不计。即便如此，总体而言，在研究期间的所有小时内，GTWR模型的拟合优度和准确度略高于GWR。

3.4变量的相关性分析

结果部分仅包括描述性统计量和系数分布图（如下图） 的 GWR 和 GTWR 模型，因为每个停车场的系数对于每个变量都发生了变化。

对于第一种类型，市场和地铁站的平均系数的符号显著为正，这意味着附近POI数量较多的地段往往具有较高的停车周转率，这可能是由于其受欢迎程度。然而，学校、超市、酒店和公交站的平均系数的符号显著为负，表明这些POIs密度高的停车场总体上可能具有较低的停车周转率。这个结果是意料之中的，因为台北的大多数超市和酒店往往都有自己的私人停车场。此外，学区的大多数司机不会停放车辆，而是暂时停下来接送学生。至于公交车站数量众多的地区，使用这种便捷的公共交通服务显然减少了停车需求。对于非POI变量，动态人口系数呈现显著正向趋势，表明停车场附近人口密度越高，停车需求水平越高，停车周转率越高。另一方面，发现停车费系数与停车周转率呈显著负相关，因为人们倾向于寻找最便宜和最近的停车场。

第二种类型的停车场（稳定）被发现具有完全不同的POI、动态人口和停车费的系数估计器。提供24小时服务的POI，如医院，与停车周转率呈显著正相关。这可能是由于患者和医院工作人员长时间停放车辆。相反，动态人口和停车费等时间依赖变量与停车周转率没有显著关系，可能是因为这些类型的停车场周转率相对稳定。附近的火车站对停车周转率产生了负面影响，而公交车站和地铁站的存在微不足道。

关于第三类停车场（增加），除学校和超市外，大多数变量都表现出与第一种类型的相似关系。三类停车场集中在拥挤的市中心，附近有许多必需品，这产生了很高的停车需求。

 3.5系数的时空分布

为了直观地了解环境变量对停车周转率影响的空间变化，我们将系数分为几个区间，由于GTWR模型可以同时处理空间和时间异质性，因此下面结果显示了四个不同时间段内几个关键变量的空间变化。

3.5.1. 传统市场

下图说明了台北市市场系数值从南向北增加时的时空分布。根据台北中部系数的时间变化，由于传统早市附近的停车周转率高，早上7：00开市（蓝色圆圈A），该值在早晨达到峰值。台北市北部的傍晚（红色圆圈B）的系数值有所增加，这是由于其著名的士林夜市。这一结果与Mingardo和Meerker（2012）一致，他们发现停车位周转率与购物区之间存在显著的正相关关系。鉴于其特殊性，这些类型的 POI 往往会吸引来自广泛地区的访客，这可能解释了高流动率的原因。午夜时分，由于周边所有商家都关门，西门地区（蓝色圆圈C）附近的系数和离职率下降。

早晨市场附近停车周转率的GTWR时空分布;（b） 中午;（c） 傍晚和 （d） 夜间

3.5.2. 动态人口

动态人口系数与停车周转率呈显著正相关。动态人口变量的GTWR结果显示，系数值从城市到郊区（从市中心到边境）呈上升趋势。具体来说，人口对居民较少的郊区的停车周转率有显着影响。市区的一些路外停车场（蓝色圆圈A）由于活动和行驶方向的原因，早晨的系数比中午和晚上的系数大。早上，通勤者从郊区前往市中心上班，并将车停在工作场所附近的停车场。然后，在下午和晚上，系数值减小，表明员工在晚上返回郊区，或者在中央商务区待到深夜的人倾向于使用公共交通工具（出租车或捷运），而不是私家车，这解释了此时停车位减少的原因（蓝色圆圈C）。这也是郊区（尤其是南部地区）系数值在傍晚和夜间（红色圆圈B）增加的原因之一。

早晨动态人口的GTWR时空分布;（b） 中午;（c） 傍晚;及（d）夜间：

3.5.3. 停车费

停车费变量与停车周转率呈显著的负相关关系。GTWR模型的系数值表明，这种现象在台北市东向西和以北呈增加趋势。具体来说，它在郊区和西部地区最高，这些地区有许多旅游景点。发现台北市中心的一些地区的系数值在中午比早上高。例如，在台北最大的旅游热点之一的西门区（红色圆圈A），中午时分系数值由负变为正，说明停车费的增加并未降低周转率。台北市东部（红色圆圈B）也呈现出从早晨到中午的系数值递增。然而，该系数的符号仍然是负的，这意味着尽管人们仍在寻找更便宜的停车位，但他们愿意在这个拥挤繁忙的时期支付略高的价格。

上午的停车费GTWR时空分布;（b） 中午;（c） 傍晚;及（d）夜间

5. 讨论与结论

本研究构建了GTWR模型，并与其他现有的预测模型进行了比较，分析了三种不同类型的路外停车场POIs的存在与停车周转率之间的关联：总体下降但保持稳定的路外停车场和周转率普遍增加的停车场。结果表明，与传统的OLS和GWR模型相比，GTWR的拟合优度明显更好。此外，利用GTWR模型可以直观地观察系数的空间和时间变化。本研究通过比较参数估计的标准误差和四分位距，验证了POIs的存在对停车周转率的时空影响的有效性。

此外，还利用动态解释变量来捕捉停车周转率的时空变化。利用GTWR揭示了系数的时空异质性，表明了各动态变量与周转率随时空变化的程度之间的关系。结果显示，市中心、商业服务众多的地区停车周转率高，人口密度高，尤其是在早晨和晚上。