A Comprehensive Taxi Assessment Index Using Floating Car Data

Ｊｏｕｒｎａｌ ｏｆ Ｈａｒｂｉｎ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ （ Ｎｅｗ Ｓｅｒｉｅｓ） ， Ｖｏｌ．２１， Ｎｏ．１， ２０１４

Ａ Ｃｏｍｐｒｅｈｅｎｓｉｖｅ Ｔａｘｉ Ａｓｓｅｓｓｍｅｎｔ Ｉｎｄｅｘ Ｕｓｉｎｇ Ｆｌｏａｔｉｎｇ Ｃａｒ Ｄａｔａ Ｄａｏ⁃Ｚｈｅｎｇ Ｚｈａｎｇ １ ， Ｄａｎｉｅｌ （ Ｊｉａｎ） Ｓｕｎ １ ， Ｚｈｏｎｇ⁃Ｒｅｎ Ｐｅｎｇ １，２

（１． Ｃｅｎｔｅｒ ｆｏｒ ＵＡＶ Ａｐｐｌｉｃａｔｉｏｎｓ ａｎｄ ＩＴＳ Ｒｅｓｅａｒｃｈ， Ｓｈａｎｇｈａｉ Ｊｉａｏｔｏｎｇ Ｕｎｉｖｅｒｓｉｔｙ， Ｓｈａｎｇｈａｉ ２００２４０， Ｃｈｉｎａ； ２． Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｕｒｂａｎ ａｎｄ Ｒｅｇｉｏｎａｌ Ｐｌａｎｎｉｎｇ， Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｆｌｏｒｉｄａ， Ｇａｉｎｅｓｖｉｌｌｅ， Ｆｌｏｒｉｄａ ３２６１１， Ｕｎｉｔｅｄ Ｓｔａｔｅｓ）

Ａｂｓｔｒａｃｔ： Ｗｉｔｈ ｔｈｅ ｅｘｐａｎｓｉｏｎ ｏｆ ｕｒｂａｎ ａｒｅａ ａｎｄ ｄｅｖｅｌｏｐｍｅｎｔ ｏｆ ｔａｘｉ ｓｙｓｔｅｍ， ｐｒｏｂｌｅｍｓ ａｒｉｓｅ， ｓｕｃｈ ａｓ ｌｏｗ ｏｐｅｒａｔｉｏｎ ｅｆｆｉｃｉｅｎｃｙ， ｈｉｇｈ ｔａｘｉ ｉｄｌｉｎｇ ｒａｔｅ， ａｎｄ ｌｏｎｇ ｐａｓｓｅｎｇｅｒ ｗａｉｔｉｎｇ⁃ｔｉｍｅ． Ａｌｔｈｏｕｇｈ ｖａｒｉｏｕｓ ｓｔｕｄｉｅｓ ｈａｖｅ ｂｅｅｎ ｃｏｎｄｕｃｔｅｄ， ｏｎｌｙ ｌｉｍｉｔｅｄ ｏｖｅｒｖｉｅｗ ｏｆ ｔｈｅ ｆａｃｔｏｒｓ ｔｏｗａｒｄｓ ｕｒｂａｎ ｔａｘｉ ｓｙｓｔｅｍ ｈａｓ ｂｅｅｎ ｐｒｏｖｉｄｅｄ． Ｃｏｎｓｅｑｕｅｎｔｌｙ， ａ ｃｏｍｐｒｅｈｅｎｓｉｖｅ ｅｖａｌｕａｔｉｏｎ ｏｆ ｔａｘｉ ｓｙｓｔｅｍ ｉｓ ｅｓｓｅｎｔｉａｌ ｆｏｒ ｔｈｅ ｕｒｂａｎ ｐｌａｎｎｅｒ ｔｏ ａｎａｌｙｚｅ ｔｈｅ ｃｕｒｒｅｎｔ ｓｉｔｕａｔｉｏｎ ａｎｄ ｔａｋｅ ｅｆｆｅｃｔｉｖｅ ｍｅａｓｕｒｅｓ． Ｔｈｉｓ ｐａｐｅｒ， ｂｙ ｕｓｉｎｇ Ｆｌｏａｔｉｎｇ Ｃａｒ Ｄａｔａ （ ＦＣＤ ） ， ｐｒｏｐｏｓｅｓ ａ Ｃｏｍｐｒｅｈｅｎｓｉｖｅ Ｔａｘｉ Ａｓｓｅｓｓｍｅｎｔ Ｉｎｄｅｘ （ ＣＴＡＩ） ｔｏ ｑｕａｎｔｉｆｙ ｔｈｅ ｑｕａｌｉｔｙ ｏｆ ｅｘｉｓｔｉｎｇ ｕｒｂａｎ ｔａｘｉ ｓｙｓｔｅｍ ｗｉｔｈ ｔｈｅ ａｓｓｉｓｔａｎｃｅ ｏｆ Ｇｅｏｇｒａｐｈｉｃ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍ （ ＧＩＳ） ｔｅｃｈｎｏｌｏｇｙ． Ｔｈｅ ｐｒｏｐｏｓｅｄ ｉｎｄｅｘ ｓｙｓｔｅｍ ｅｘｔｒａｃｔｓ ａｎｄ ｃｌａｓｓｉｆｉｅｓ ｋｅｙ ｆａｃｔｏｒｓ， ｒｅｆｌｅｃｔｉｎｇ ｔｈｅ ｔａｘｉ ｓｙｓｔｅｍ ｆｒｏｍ ｔｈｅ ｐｅｒｓｐｅｃｔｉｖｅｓ ｏｆ ｏｐｅｒａｔｉｏｎ ｅｆｆｉｃｉｅｎｃｙ， ｃｕｓｔｏｍｅｒ ａｎｄ ｔａｘｉ⁃ｄｒｉｖｅｒ ｓａｔｉｓｆａｃｔｉｏｎ． Ｔｈｅ ｓｙｓｔｅｍ ｃｏｎｔｒｉｂｕｔｅｓ ｔｏ ｉｍｐｒｏｖｉｎｇ ｔｈｅ ｏｒｇａｎｉｚａｔｉｏｎ ａｎｄ ｏｐｅｒａｔｉｏｎ ｏｆ ｕｒｂａｎ ｔａｘｉ ｓｙｓｔｅｍ． Ｂａｓｅｄ ｏｎ ｔｈｅ ｄａｔａ ｏｂｔａｉｎｅｄ ｆｒｏｍ ｔｈｅ ｃｉｔｙ ｏｆ Ｓｈｅｎｚｈｅｎ， Ｇｕａｎｇｄｏｎｇ Ｐｒｏｖｉｎｃｅ， Ｃｈｉｎａ， ｆｏｒ ｂｏｔｈ ｗｅｅｋｄａｙ ａｎｄ ｗｅｅｋｅｎｄｓ （ Ｄｅｃ．， ２０１１） ， ｔｈｅ ｐｒｏｐｏｓｅｄ ＣＴＡＩ ｗａｓ ｉｌｌｕｓｔｒａｔｅｄ ｂｙ ｕｓｉｎｇ ｔｈｅ Ｐｒｉｎｃｉｐａｌ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ （ ＰＣＡ） ｗｉｔｈ ＡｒｃＧＩＳ １０􀆰 ０ ｐｌａｔｆｏｒｍ． Ｔｈｅ ｒｅｓｕｌｔｓ ｉｎｄｉｃａｔｅ ｔｈａｔ ｔｈｅ ｓｙｓｔｅｍ ｐｒｏｖｉｄｅｓ ａ ｇｏｏｄ ｍｕｌｔｉ⁃ｄｉｍｅｎｓｉｏｎａｌ ｖｉｅｗ ｔｏ ｄｅｌｖｅ ｉｎｔｏ ｔｈｅ ｅｘｉｓｔｉｎｇ ｕｒｂａｎ ｔａｘｉ ｏｐｅｒａｔｉｏｎ， ｔｈｕｓ ｔｏ ｐｏｉｎｔ ｏｕｔ ｔｈｅ ｍｏｓｔ ｓｅｎｓｉｔｉｖｅ ｉｎｄｉｃｅｓ ｔｏｗａｒｄｓ ｔｈｅ ｅｎｔｉｒｅ ｓｙｓｔｅｍ， ｗｈｉｃｈ ｃｏｎｓｅｑｕｅｎｔｌｙ ｐｒｏｖｉｄｅｓ ｇｕｉｄｅｌｉｎｅｓ ｆｏｒ ｆｕｔｕｒｅ ｉｍｐｒｏｖｅｍｅｎｔ ａｎｄ ｍａｎａｇｅｍｅｎｔ ｏｆ ｕｒｂａｎ ｔａｘｉ ｓｙｓｔｅｍ． Ｋｅｙｗｏｒｄｓ： ｔａｘｉ ｅｖａｌｕａｔｉｏｎ ｓｙｓｔｅｍ； ｐｒｉｎｃｉｐｌｅ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ （ ＰＣＡ） ； ｆｌｏａｔｉｎｇ ｃａｒ ｄａｔａ （ ＦＣＤ） ； ｇｅｏｇｒａｐｈｉｃ ｉｎｆｏｒｍａｔｉｏｎ ｓｙｓｔｅｍ （ ＧＩＳ） ＣＬＣ ｎｕｍｂｅｒ： Ｕ１２１　 　 　 Ｄｏｃｕｍｅｎｔ ｃｏｄｅ： Ａ　 　 　 　 Ａｒｔｉｃｌｅ ＩＤ： １００５⁃９１１３（２０１４）０１⁃０００７⁃１０

１　 Ｉｎｔｒｏｄｕｃｔｉｏｎ Ｕｒｂａｎ ｔａｘｉ ｓｙｓｔｅｍ ｉｓ ａｎ ｉｍｐｏｒｔａｎｔ ｃｏｍｐｏｎｅｎｔ ｏｆ ｌｏｃａｌ ｔｒａｎｓｉｔ ｓｙｓｔｅｍ ｄｕｅ ｔｏ ｉｔｓ ｒｅｌａｔｉｖｅ ｆａｓｔ ｓｐｅｅｄ ａｎｄ ｃｏｎｖｅｎｉｅｎｃｅ． Ｈｏｗｅｖｅｒ， ｗｉｔｈ ｔｈｅ ｅｘｐａｎｓｉｏｎ ｏｆ ｃｉｔｉｅｓ ａｎｄ ｄｅｖｅｌｏｐｍｅｎｔ ｏｆ ｕｒｂａｎ ｔａｘｉ ｓｙｓｔｅｍ， ｐｒｏｂｌｅｍｓ ａｒｉｓｅ， ｓｕｃｈ ａｓ ｌｏｗ ｏｐｅｒａｔｉｏｎ ｅｆｆｉｃｉｅｎｃｙ， ｈｉｇｈ ｔａｘｉ ｉｄｌｉｎｇ ｒａｔｅ， ａｎｄ ｌｏｎｇ ｐａｓｓｅｎｇｅｒ ｗａｉｔｉｎｇ⁃ｔｉｍｅ． Ｔｈｅ ｕｎｂａｌａｎｃｅ ｏｆ ｓｕｐｐｌｙ ａｎｄ ｄｅｍａｎｄ ｉｎ ｕｒｂａｎ ｔａｘｉ ｓｙｓｔｅｍ ｓｔｉｒｓ ｕｐ ｃｏｎｃｅｒｎｓ ｏｆ ｂｏｔｈ ｃｉｔｙ ｐｌａｎｎｅｒｓ ａｎｄ ｕｒｂａｎ ｃｉｔｉｚｅｎｓ． Ｐｒｅｖｉｏｕｓ ｓｔｕｄｉｅｓ ｆｏｃｕｓ ｏｎ ｉｎｃｒｅａｓｉｎｇ ｔｈｅ ｏｐｅｒａｔｉｏｎ ｅｆｆｉｃｉｅｎｃｙ ａｎｄ ｒｅｄｕｃｉｎｇ ｉｄｌｉｎｇ ｒａｔｅｓ ［１－３］ ． Ｏｔｈｅｒ ｒｅｓｅａｒｃｈ ｔｅｎｄｓ ｔｏ ａｓｓｅｓｓ ｔｈｅ ｐｅｒｆｏｒｍａｎｃｅ ｏｆ ｕｒｂａｎ ｔａｘｉ ｓｙｓｔｅｍ ｆｒｏｍ ｔｈｅ ｐｅｒｓｐｅｃｔｉｖｅ ｏｆ ｐａｓｓｅｎｇｅｒｓ ［４－５］ ａｎｄ ｔａｘｉ⁃ｄｒｉｖｅｒｓ ［６－７］ ． Ｈｏｗｅｖｅｒ， ｆｅｗ ｓｔｕｄｉｅｓ ｐｒｅｓｅｎｔ ａｎ ｏｖｅｒａｌｌ ａｓｓｅｓｓｍｅｎｔ ｆｒａｍｅｗｏｒｋ ｔｏ ｅｖａｌｕａｔｅ ｔｈｅ ｐｅｒｆｏｒｍａｎｃｅ ｏｆ ｔｈｅ ｅｎｔｉｒｅ ｔａｘｉ ｓｙｓｔｅｍ， ｉｎｃｌｕｄｉｎｇ ｔｈｅ ｓｙｓｔｅｍ ｏｐｅｒａｔｉｏｎａｌ ｅｆｆｉｃｉｅｎｃｙ， ｔｈｅ ｐａｓｓｅｎｇｅｒ ｓａｔｉｓｆａｃｔｉｏｎ ａｎｄ ｅｖｅｎ ｔｈｅ ｂｅｎｅｆｉｔｓ ｏｆ ｔａｘｉ⁃ ｄｒｉｖｅｒｓ． Ｔｈｉｓ ｒｅｓｅａｒｃｈ ａｉｍｓ ｔｏ ｅｓｔａｂｌｉｓｈ ａ ｃｏｍｐｒｅｈｅｎｓｉｖｅ ａｓｓｅｓｓｍｅｎｔ ｆｒａｍｅｗｏｒｋ ｆｒｏｍ ｔｈｅ ｐｅｒｓｐｅｃｔｉｖｅｓ ｏｆ ｓｙｓｔｅｍ ｏｐｅｒａｔｏｒｓ， ｐａｓｓｅｎｇｅｒｓ ａｎｄ ｔａｘｉ⁃ｄｒｉｖｅｒｓ． Ａ ｑｕａｎｔｉｔａｔｉｖｅ ａｎａｌｙｓｉｓ ｍｏｄｅｌ ｉｓ ｐｒｏｖｉｄｅｄ ｔｏ ｖａｌｉｄａｔｅ ｔｈｅ ａｓｓｅｓｓｍｅｎｔ ｆｒａｍｅｗｏｒｋ ｂｙ ｕｓｉｎｇ ｆｌｏａｔｉｎｇ ｃａｒ ｄａｔａ （ ＦＣＤ ） ． Ｍｏｒｅ

ｓｐｅｃｉｆｉｃａｌｌｙ， ｔｈｅ ｔｈｒｅｅ ｓｕｂ⁃ｏｂｊｅｃｔｉｖｅｓ ａｒｅ ｔｏ： １ ） Ｄｅｔｅｒｍｉｎｅ ｔｈｅ ｉｎｄｉｃｅｓ ｗｈｉｃｈ ｃａｎ ｒｅｆｌｅｃｔ ｄｉｆｆｅｒｅｎｔ ａｓｐｅｃｔｓ ｏｆ ｕｒｂａｎ ｔａｘｉ ｓｙｓｔｅｍ； ２） Ｄｅｖｅｌｏｐ ａ ｃｏｍｐｒｅｈｅｎｓｉｖｅ ｆｒａｍｅｗｏｒｋ ｔｏ ｍｏｄｅｌ ｔｈｅ ｇｏｏｄｎｅｓｓ ｏｆ ｕｒｂａｎ ｔａｘｉ ｓｙｓｔｅｍ ｆｒｏｍ ｔｈｅ ｐｅｒｓｐｅｃｔｉｖｅｓ ｏｆ ｓｙｓｔｅｍ ｏｐｅｒａｔｏｒｓ ｐａｓｓｅｎｇｅｒｓ ａｎｄ ｔａｘｉ⁃ｄｒｉｖｅｒｓ； ３） Ｖａｌｉｄａｔｅ ｔｈｅ ｐｒｏｐｏｓｅｄ ｍｏｄｅｌ ｂｙ ｕｓｉｎｇ ｔｈｅ ＦＣＤ ｄａｔａ ａｎｄ ｐｒｏｐｏｓｅ ａｎ ｏｖｅｒａｌｌ ｉｎｄｅｘ ｆｏｒ ｔｈｅ ｐｅｒｆｏｒｍａｎｃｅ ｅｖａｌｕａｔｉｏｎ． Ｔｈｅ ｒｅｍａｉｎｄｅｒ ｏｆ ｔｈｉｓ ｐａｐｅｒ ｉｓ ｓｔｒｕｃｔｕｒｅｄ ａｓ ｆｏｌｌｏｗｓ： ｆｉｒｓｔｌｙ， ｔｈｅ ｌｉｔｅｒａｔｕｒｅｓ ｒｅｌａｔｅｄ ｔｏ ｖａｒｉｏｕｓ ａｓｐｅｃｔｓ ｏｆ ｕｒｂａｎ ｔａｘｉ ｓｙｓｔｅｍ ａｒｅ ｓｕｍｍａｒｉｚｅｄ ｉｎ Ｓｅｃｔｉｏｎ ２； ｔｈｅｎ， ｔｈｅ ｆｒａｍｅｗｏｒｋ ｏｆ ＣＴＡＩ ｉｓ ｐｒｅｓｅｎｔｅｄ ａｎｄ ｋｅｙ ｉｎｄｉｃｅｓ ａｒｅ ｄｅｆｉｎｅｄ ｉｎ Ｓｅｃｔｉｏｎ ３； ｎｅｘｔ， ｉｎ Ｓｅｃｔｉｏｎ ４， ｍｏｄｅｌ ｉｍｐｌｅｍｅｎｔａｔｉｏｎ， ｓｅｎｓｉｔｉｖｉｔｙ ａｎａｌｙｓｉｓ ａｎｄ ｄａｔａ ｃｏｍｐａｒｉｓｏｎ ａｒｅ ｄｅｓｃｒｉｂｅｄ． Ｆｉｎａｌｌｙ， ｔｈｅ ｃｏｎｃｌｕｓｉｏｎ ａｎｄ ｒｅｃｏｍｍｅｎｄａｔｉｏｎｓ ｆｏｒ ｆｕｔｕｒｅ ｗｏｒｋ ａｒｅ ｐｒｅｓｅｎｔｅｄ ｉｎ Ｓｅｃｔｉｏｎ ５． ２　 Ｌｉｔｅｒａｔｕｒｅ Ｒｅｖｉｅｗ Ｌａｒｇｅ ａｍｏｕｎｔｓ ｏｆ ｔａｘｉ⁃ｒｅｌａｔｅｄ ｓｔｕｄｉｅｓ ｈａｖｅ ｂｅｅｎ ｃｏｎｄｕｃｔｅｄ， ｉｎｃｌｕｄｉｎｇ ｔｈｅ ｔｏｐｉｃｓ ｏｆ ｏｖｅｒａｌｌ ｏｐｅｒａｔｉｏｎ ｍａｎａｇｅｍｅｎｔ， ｂｅｓｔ ｐａｔｈ ｃｈｏｉｃｅ ｏｆ ｔａｘｉ ｄｒｉｖｅｒｓ， ｔａｘｉ

Ｒｅｃｅｉｖｅｄ ２０１３－０４－０２． Ｓｐｏｎｓｏｒｅｄ ｂｙ ｔｈｅ Ｎａｔｉｏｎａｌ Ｎａｔｕｒａｌ Ｓｃｉｅｎｃｅ Ｆｏｕｎｄａｔｉｏｎ ｏｆ Ｃｈｉｎａ （ Ｇｒａｎｔ Ｎｏ． ７１１０１１０９） ． Ｃｏｒｒｅｓｐｏｎｄｉｎｇ ａｕｔｈｏｒ： Ｄａｎｉｅｌ （ Ｊｉａｎ） Ｓｕｎ ． Ｅ⁃ｍａｉｌ：ｄａｎｉｅｌｓｕｎ＠ ｓｊｔｕ．ｅｄｕ．ｃｎ．

· ７·

Ｊｏｕｒｎａｌ ｏｆ Ｈａｒｂｉｎ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ （ Ｎｅｗ Ｓｅｒｉｅｓ） ， Ｖｏｌ．２１， Ｎｏ．１， ２０１４ ａｖａｉｌａｂｉｌｉｔｙ ｐｒｏｂａｂｉｌｉｔｙ ｔｏ ｐａｓｓｅｎｇｅｒｓ， ｍｅａｓｕｒｅｍｅｎｔ ｔｏ ｉｍｐｒｏｖｅ ｐａｓｓｅｎｇｅｒ ｓｅｒｖｉｃｅ， ａｎｄ ｓｏ ｏｎ． Ｆｏｃｕｓ ｏｆ ｔｈｅ ｐａｓｔ ｒｅｓｅａｒｃｈｅｓ ｃａｎ ｂｅ ｃａｔｅｇｏｒｉｚｅｄ ｆｒｏｍ ｐｅｒｓｐｅｃｔｉｖｅ ｏｆ ｓｙｓｔｅｍ ｏｐｅｒａｔｏｒ， ｔａｘｉ ｄｒｉｖｅｒ ａｎｄ ｐａｓｓｅｎｇｅｒ． Ｙａｎｇ ａｎｄ Ｗｏｎｇ ｐｒｏｐｏｓｅｄ ａ ｎｅｔｗｏｒｋ ｔｏ ｄｅｓｃｒｉｂｅ ｔｈｅ ｃｒｕｉｓｉｎｇ ｓｔｒａｔｅｇｙ ｆｏｒ ｂｏｔｈ ｖａｃａｎｔ ａｎｄ ｏｃｃｕｐｉｅｄ ｔａｘｉ ｉｎ ａ ｒｏａｄ ｎｅｔｗｏｒｋ， ｗｈｉｃｈ ｄｅｔｅｒｍｉｎｅｄ ａ ｎｕｍｂｅｒ ｏｆ ｓｙｓｔｅｍ ｐｅｒｆｏｒｍａｎｃｅ ｍｅａｓｕｒｅｍｅｎｔｓ ａｔ ｅｑｕｉｌｉｂｒｉｕｍ ［１］ ． Ｗｏｎｇ ｅｔ ａｌ． ｍｏｄｉｆｉｅｄ ｔｈｅ ｍｏｄｅｌ ｂｙ ｃｏｎｓｉｄｅｒｉｎｇ ｔｈｅ ｒｅｌａｔｉｏｎｓｈｉｐ ｂｅｔｗｅｅｎ ｖａｒｉａｂｌｅ ｄｅｍａｎｄ ａｎｄ ｍｕｌｔｉｃｌａｓｓ ｖｅｈｉｃｌｅ ａｓｓｉｇｎｍｅｎｔ ［２］ ． Ａｆｔｅｒ ｔｈａｔ， Ｙａｎｇ ｅｔ ａｌ． ｐｒｏｐｏｓｅｄ ａｎｏｔｈｅｒ ｅｑｕｉｌｉｂｒｉｕｍ ｍｏｄｅｌ ｔｏ ｃｈａｒａｃｔｅｒｉｚｅ ｔｈｅ ｂｉｌａｔｅｒａｌ ｓｅａｒｃｈｉｎｇ ａｎｄ ｍｅｅｔｉｎｇ ｂｅｔｗｅｅｎ ｐａｓｓｅｎｇｅｒｓ ａｎｄ ｔａｘｉ ｏｎ ｒｏａｄ ｎｅｔｗｏｒｋ ［３］ ． Ｔｈｅ ｍｏｄｅｌｓ ａｂｏｖｅ ｃｏｎｔｒｉｂｕｔｅｄ ｔｏ ｔｈｅ ｕｎｄｅｒｓｔａｎｄｉｎｇ ｏｆ ｔａｘｉ ｏｐｅｒａｔｉｏｎ ｓｙｓｔｅｍ ｂｙ ｐｒｏｖｉｄｉｎｇ ｇｕｉｄｅｌｉｎｅｓ ｔｏ ｐｒｅｖｉｅｗ ｉｔｓ ｅｆｆｉｃｉｅｎｃｙ． Ｍｏｒｅｏｖｅｒ， ｔｈｅ ｔａｘｉ ｄｉｓｐａｔｃｈｉｎｇ ｓｙｓｔｅｍ ｗａｓ ｓｔｕｄｉｅｄ ｄｕｒｉｎｇ ｔｈｅ ｌａｓｔ ｓｅｖｅｒａｌ ｙｅａｒｓ ｔｏ ｐｒｏｍｏｔｅ ｓｙｓｔｅｍ ｏｐｅｒａｔｉｏｎ ｅｆｆｉｃｉｅｎｃｙ． Ｌｅｅ ｉｎｉｔｉａｌｌｙ ｐｒｏｐｏｓｅｄ ａ ｄｉｓｐａｔｃｈｉｎｇ ｓｙｓｔｅｍ ｂａｓｅｄ ｏｎ ｒｅａｌ⁃ ｔｉｍｅ ｔａｘｉ ｄｅｍａｎｄ ａｎｄ ｔｒａｆｆｉｃ ｃｏｎｄｉｔｉｏｎ ［８］ ． Ｉｎ ｈｉｓ ｒｅｓｅａｒｃｈ， ａ ｒｅａｌ⁃ｔｉｍｅ， ｔｗｏ⁃ｓｔｅｐ ｔａｘｉ ｐｏｏｌｉｎｇ ｄｉｓｐａｔｃｈｉｎｇ ｓｙｓｔｅｍ ｗａｓ ｐｒｏｐｏｓｅｄ ｔｏ ｉｍｐｒｏｖｅ ｔｈｅ ｐａｓｓｅｎｇｅｒ ｓａｔｉｓｆａｃｔｉｏｎ ［９］ ． Ｃｈａｎｇ ｅｔ ａｌ． ｐｒｏｐｏｓｅｄ ａ ｄａｔａ ｍｉｎｉｎｇ ｐｒｏｃｅｓｓ ｂａｓｅｄ ｏｎ ｈｏｔｓｐｏｔｓ ａｎａｌｙｓｉｓ ｔｏ ｐｒｅｄｉｃｔ ｔａｘｉ ｄｅｍａｎｄ ｃｏｎｓｉｄｅｒｉｎｇ ｔｈｅ ｆａｃｔｏｒｓ ｏｆ ｔｉｍｅ， ｗｅａｔｈｅｒ ａｎｄ ｔａｘｉ ｌｏｃａｔｉｏｎ ［１０］ ． Ｐｒｅｖｉｏｕｓ ｒｅｓｅａｒｃｈｅｓ ｐｒｏｖｉｄｅｄ ｄｅｅｐ ｉｎｓｉｇｈｔ ａｂｏｕｔ ｔｈｅ ｉｎｄｉｃａｔｏｒｓ ｗｈｉｃｈ ｃａｎ ｉｎｆｌｕｅｎｃｅ ｔｈｅ ｐｅｒｆｏｒｍａｎｃｅ ｏｆ ｔａｘｉ ｏｐｅｒａｔｉｏｎ ｓｙｓｔｅｍ， ｗｈｉｌｅ ｆｅｗ ｄｉｓｃｕｓｓｅｄ ｔｈｅ ｒｅｌａｔｉｏｎｓｈｉｐ ｂｅｔｗｅｅｎ ｓｕｃｈ ｉｎｄｉｃａｔｏｒｓ． Ｆｒｏｍ ｔｈｅ ｐｅｒｓｐｅｃｔｉｖｅ ｏｆ ｔａｘｉ⁃ｄｒｉｖｅｒ， Ｌｉｕ ｅｔ ａｌ． ｃａｔｅｇｏｒｉｚｅｄ ｔａｘｉ ｄｒｉｖｅｒｓ ｉｎｔｏ ｔｏｐ ｄｒｉｖｅｒ ａｎｄ ｏｒｄｉｎａｒｙ ｄｒｉｖｅｒ ｂｙ ｔｈｅｉｒ ｄａｉｌｙ ｉｎｃｏｍｅ ［６］ ． Ｙｕａｎ ｅｔ ａｌ． ｄｅｔａｉｌｅｄ ｔｈｅ ｒｅｓｅａｒｃｈ， ｃｏｎｓｉｄｅｒｉｎｇ ｔｈｅ ｆａｒｅ （ ｏｃｃｕｐｉｅｄ） ｄｉｓｔａｎｃｅ ｐｅｒ ｕｎｉｔ ｏｆ ｗｏｒｋｉｎｇ ｔｉｍｅ． Ｔｈｒｅｅ ｇｒｏｕｐｓ ｗｅｒｅ ｄｉｖｉｄｅｄ⁃ｔｏｐ １０％ ａｓ ｈｉｇｈ⁃ｐｒｏｆｉｔ ｄｒｉｖｅｒｓ， ｂｏｔｔｏｍ １０％ ａｓ ｌｏｗ⁃ｐｒｏｆｉｔ ｄｒｉｖｅｒｓ ａｎｄ ｔｈｅ ｒｅｓｔ ａｓ ｍｅｄｉｕｍ ｐａｒｔ ［７］ ． Ｔｈｅ ｓｉｍｉｌａｒｉｔｙ ｏｆ ａｂｏｖｅ ｒｅｓｅａｒｃｈ ｉｓ ｔｈｅ ｕｓｅ ｏｆ Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ （ ＧＰＳ） ｉｎｓｔａｌｌｅｄ ｉｎ ｔａｘｉ． Ｔｈｅ ａｐｐｌｉｃａｔｉｏｎ ｏｆ ＧＰＳ ｉｎ ｔｒａｎｓｐｏｒｔａｔｉｏｎ ｗａｓ ｌａｒｇｅｌｙ ｓｔｕｄｉｅｄ ａｎｄ ｉｍｐｌｅｍｅｎｔｅｄ ［１１－１３］ ． ＦＣＤ ｄａｔａ， ｏｂｔａｉｎｅｄ ｆｒｏｍ ＧＰＳ，

ｐｒｏｖｉｄｅｄ ａｎｏｔｈｅｒ ａｓｐｅｃｔ ｔｏ ｖｉｅｗ ｔｈｅ ｔａｘｉ ｓｙｓｔｅｍ ［４，１４－１６］ ． Ｔｈｅ ｄｉｆｆｅｒｅｎｃｅ ｂｅｔｗｅｅｎ ［６－７］ ａｎｄ ｔｈｉｓ ｓｔｕｄｙ ｉｓ ｔｈａｔ ａｎ ｅｖａｌｕａｔｉｏｎ ｓｙｓｔｅｍ ｐｒｏｖｉｄｉｎｇ ｈｅｒｅ ｃａｎ ｉｌｌｕｓｔｒａｔｅ ａ ｓｙｓｔｅｍａｔｉｃ ｗａｙ ｔｏ ｖｉｅｗ ｔｏｐ⁃ｄｒｉｖｅｒｓ’ ｐｅｒｆｏｒｍａｎｃｅ ｉｎ ｔｈｅ ｗｈｏｌｅ ｔａｘｉ ｓｙｓｔｅｍ． Ｆｒｏｍ ｔｈｅ ｐｅｒｓｐｅｃｔｉｖｅ ｏｆ ｐａｓｓｅｎｇｅｒ， Ｌｉ ｅｔ ａｌ． ｐｒｏｐｏｓｅｄ ｔｈｅ ｈｏｔｓｐｏｔｓ ｂｙ ｃｏｕｎｔｉｎｇ ａｌｌ ｔｈｅ ｐｉｃｋｕｐ ａｎｄ ｄｒｏｐｄｏｗｎ ｅｖｅｎｔｓ ｉｎ ｐａｒｔｉｔｉｏｎｅｄ ｇｒｉｄｓ ［５］ ． Ｙｕａｎ ｅｔ ａｌ． ｉｍｐｒｏｖｅｄ ｔｈｉｓ ｍｅｔｈｏｄ ｂｙ ｐｒｏｖｉｄｉｎｇ ａ ｐａｒｋｉｎｇ ｃａｎｄｉｄａｔｅ ｄｅｔｅｃｔｉｏｎ ａｌｇｏｒｉｔｈｍ， ｃｏｎｓｉｄｅｒｉｎｇ ｔｈｅ ｓｐａｔｉａｌ⁃ｔｅｍｐｏｒａｌ ｆｅａｔｕｒｅ， ｐｏｉｎｔ⁃ｏｆ⁃ｉｎｔｅｒｅｓｔ （ ＰＯＩ ） ｆｅａｔｕｒｅ， ａｎｄ ｃｏｌｌａｂｏｒａｔｉｖｅ ｆｅａｔｕｒｅ． Ｔｈｅ ｐｏｐｕｌａｒｉｔｙ ｏｆ ａｒｅａ ｗａｓ ｃａｌｃｕｌａｔｅｄ ｖｉａ ｆｉｌｔｅｒｉｎｇ ａｎｄ ｃｌｕｓｔｅｒｉｎｇ ｔｈｅ ｈｉｓｔｏｒｉｃａｌ ｔａｘｉ ｄａｔａ． Ａ ｐｒｏｂａｂｉｌｉｔｙ ｍｏｄｅｌ ｗａｓ ｕｓｅｄ ｔｏ ｍｉｎｉｍｉｚｅ ｐａｓｓｅｎｇｅｒｓ ｗａｉｔｉｎｇ ｔｉｍｅ ａｎｄ ｈａｉｌ⁃ｗａｌｋｉｎｇ ｄｉｓｔａｎｃｅ ［７］ ． Ｔｈｅ ｓｔｕｄｙ ｏｆ ｐａｓｓｅｎｇｅｒ’ ｓ ｄｅｃｉｓｉｏｎ ａｎｄ ｐｒｅｆｅｒｅｎｃｅ ａｌｓｏ ｉｎｃｌｕｄｅｄ ａ ｃａｓｅ ｓｔｕｄｙ ｍｏｄｅｌｅｄ ｐａｓｓｅｎｇｅｒ’ ｓ ｐｒｅｆｅｒｅｎｃｅ ｆｏｒ ｄｉｓｐａｔｃｈｉｎｇ ｓｙｓｔｅｍ ［１７］ ． Ｓｈｅｕ ｅｔ ａｌ． ｉｎｖｅｓｔｉｇａｔｅｄ ｔａｘｉ ｈａｉｌｉｎｇ ｉｎ ｖｅｈｉｃｕｌａｒ ｈｏｔｓｐｏｔ ｎｅｔｗｏｒｋｓ ａｎｄ ｐｒｏｐｏｓｅｄ ａ ｐｒｏｔｏｃｏｌ ｆｏｒ ｔａｘｉ ｈａｉｌｉｎｇ， ｗｈｉｃｈ ｉｎｄｉｃａｔｅｄ ａ ｄｅｓｉｒｅｄ ｉｍｐｒｏｖｅｍｅｎｔ ｏｆ ｔａｘｉ ｏｐｅｒａｔｉｏｎ ｅｆｆｉｃｉｅｎｃｙ ［１８］ ． Ｔｈｅｓｅ ｒｅｓｅａｒｃｈｅｓ ｔｅｎｄｅｄ ｔｏ ａｎａｌｙｚｅ ｃｕｓｔｏｍｅｒ ｓａｔｉｓｆａｃｔｉｏｎ ｆｒｏｍ ｄｉｆｆｅｒｅｎｔ ａｓｐｅｃｔｓ ｉｎｄｉｖｉｄｕａｌｌｙ， ｗｈｉｌｅ， ｌｅｓｓ ｄｉｓｃｕｓｓｉｏｎ ｃｏｖｅｒｅｄ ｔｈｅ ｉｎｎｅｒ ｒｅｌａｔｉｏｎｓｈｉｐ ｂｅｔｗｅｅｎ ｔｈｅｓｅ ａｓｐｅｃｔｓ． Ｉｎ ｓｕｍｍａｒｙ， ｐｒｅｖｉｏｕｓ ｓｔｕｄｉｅｓ ｏｎ ｕｒｂａｎ ｔａｘｉ ｓｙｓｔｅｍ ｆｏｃｕｓｅｄ ｏｎ ｓｐｅｃｉｆｉｃ ａｓｐｅｃｔｓ， ｈｉｎｄｅｒｉｎｇ ａｎ ａｌｌ⁃ ｒｏｕｎｄ ａｓｓｅｓｓｍｅｎｔ ｔｏｗａｒｄｓ ｔｈｅ ｗｈｏｌｅ ｓｙｓｔｅｍ． Ｔｏ ｔｈｉｓ ｅｎｄ， ｔｈｉｓ ｓｔｕｄｙ ｄｅｌｖｅｄ ｉｎｔｏ ｔｈｅ ｐｒｏｂｌｅｍ ｂｙ ｏｆｆｅｒｉｎｇ ａ ｓｅｒｉｅｓ ｉｎｄｉｃｅｓ ｃｌｏｓｅｌｙ ｒｅｌａｔｅｄ ｔｏ ｔｈｅ ａｓｓｅｓｓｍｅｎｔ ｏｆ ｕｒｂａｎ ｔａｘｉ ｓｙｓｔｅｍ， ｆｒｏｍ ｔｈｒｅｅ ｄｉｆｆｅｒｅｎｔ ｌｅｖｅｌｓ， ｗｈｉｃｈ ａｒｅ ｏｐｅｒａｔｉｏｎ ｅｆｆｉｃｉｅｎｃｙ， ｃｕｓｔｏｍｅｒ ａｎｄ ｄｒｉｖｅｒ ｓａｔｉｓｆａｃｔｉｏｎ． ３　 Ｒｅｓｅａｒｃｈ Ｆｒａｍｅｗｏｒｋ ａｎｄ Ｋｅｙ Ｉｎｄｉｃｅｓ Ｉｎ ｔｈｉｓ ｓｔｕｄｙ， ａｎ ｕｒｂａｎ ｔａｘｉ ｅｖａｌｕａｔｉｏｎ ｓｙｓｔｅｍ ｉｓ ｐｒｏｐｏｓｅｄ ｂａｓｅｄ ｏｎ ｍｕｌｔｉ⁃ｄｉｍｅｎｓｉｏｎａｌ ｉｎｄｉｃｅｓ． Ａｓ ｉｌｌｕｓｔｒａｔｅｄ ｉｎ Ｆｉｇ． １， ｔｈｅ Ｃｏｍｐｒｅｈｅｎｓｉｖｅ Ｔａｘｉ Ａｓｓｅｓｓｍｅｎｔ Ｉｎｄｅｘ （ ＣＴＡＩ） ｃａｎ ｂｅ ａｎａｌｙｚｅｄ ｆｒｏｍ ｔｈｒｅｅ ｄｉｆｆｅｒｅｎｔ ｐｅｒｓｐｅｃｔｉｖｅｓ ｉｎｃｌｕｄｉｎｇ ｏｐｅｒａｔｉｏｎ ｓｙｓｔｅｍ， ｃｕｓｔｏｍｅｒｓ ａｎｄ ｔａｘｉ⁃ｄｒｉｖｅｒｓ．

Ta r g e tl e v e l

Co mpr e he ns i v et a x ia s s e s s me nti nde x

Sy s t e ml e v e l o pe r a t r i o ne f f i c i e nc y i nde x ( OEI )

Ti mei dl i ng r a t ei nde x ( TI RI )

Spa c ei dl i ng r a t ei nde x ( SI RI )

Dr i v e rl e v e l dr i v e rs a t i s f a c t i o n i nde x ( DSI )

Cus t o me rl e v e l c us t o me rs a t i s f a c t i o n i nde x ( CS)

Ta x i Wa l k i ng a i l a b i l i t y di s t a nc e Av i nde x i nde x ( TAI ) ( WDI )

Dr i v i ng d i s t a n c e r a t i o ( DDR)

Dr i v i ng t i me r a t i o ( DTR)

Pr o f i t i n d e x ( PI )

Oc c u pi e d s p e e d i nde x ( OSI )

Ｆｉｇ．１　 Ｃｏｍｐｒｅｈｅｎｓｉｖｅ ｔａｘｉ ａｓｓｅｓｓｍｅｎｔ ｉｎｄｅｘ ｆｒａｍｅｗｏｒｋ

· ８·

Wo r k i ng t i me i nde x ( WTI )

Subt a r g e t l e v e l

I nde xl e v e l

Ｊｏｕｒｎａｌ ｏｆ Ｈａｒｂｉｎ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ （ Ｎｅｗ Ｓｅｒｉｅｓ） ， Ｖｏｌ．２１， Ｎｏ．１， ２０１４ Ｒ ＝ ｔ ｉ

Ｔｉ －

Ｎ

Ｔ ｉｊ ∑ ｊ＝１

Ｔｉ Ｓｉ －

Ｎ

Ｓ ｉｊ ∑ ｊ＝１

（ ｉ ＝ １，２，…，ｎ） ， Ｒ ｔｉ ∈ ［０，１］ ，

（ ｉ ＝ １，２，…，ｎ） ， Ｒ ｓｉ ∈ ［０，１］ ， Ｓｉ ｗｈｅｒｅ， Ｎ ｉｓ ｔｈｅ ｔｏｔａｌ ｎｕｍｂｅｒ ｏｆ ｐａｓｓｅｎｇｅｒ⁃ｔａｋｅｎ ｔｉｍｅｓ； Ｔ ｉｊ ｉｓ ｔｈｅ ｔｉｍｅ ｉｎ ｊ ｔｈ ｔａｘｉ⁃ｔａｋｅｎ ｉｎｔｅｒｖａｌ ｆｏｒ ｉ ｔｈ ｖｅｈｉｃｌｅ； Ｓ ｉｊ ｉｓ ｔｈｅ ｍｉｌｅａｇｅ ｉｎ ｊ ｔｈ ｔａｘｉ⁃ｔａｋｅｎ ｉｎｔｅｒｖａｌ ｆｏｒ ｉ ｔｈ ｖｅｈｉｃｌｅ． Ｆｒｏｍ ｔｈｅ ｄｅｆｉｎｉｔｉｏｎ ａｂｏｖｅ， ｔｈｅ ｒａｔｅ ｃｏｎｃｅｒｎｉｎｇ ｂｏｔｈ ｔｉｍｅ ｉｄｌｉｎｇ ａｎｄ ｓｐａｃｅ ｉｄｌｉｎｇ ｏｆ ｔｈｅ ｗｈｏｌｅ ｓｙｓｔｅｍ ｉｎ ａ ｓｐｅｃｉｆｉｃ ｐｅｒｉｏｄ ｉｓ： Ｒ ＝ ｓ ｉ

Ｔｉｍｅ Ｉｄｌｉｎｇ Ｒａｔｅ （ ＴＩＲ） ＝

Ｓｐａｃｅ Ｉｄｌｉｎｇ Ｒａｔｅ （ ＳＩＲ） ＝

ｎ

Ｒ ｔｉ ∑ ｉ＝１ ｎ

Ｒ ｓｉ ∑ ＝ ｉ １

Ｐｒａｃｔｉｃａｌ ｏｐｅｒａｔｉｏｎｓ ａｎｄ ｍａｎａｇｅｍｅｎｔ ｅｘｐｅｒｉｅｎｃｅ ｏｆ ｕｒｂａｎ ｔａｘｉ ｓｙｓｔｅｍ ｉｎｄｉｃａｔｅｓ ｔｈａｔ ｔｈｅ ｔａｘｉ⁃ｉｄｌｉｎｇ ｒａｔｅ ｓｈｏｕｌｄ ｂｅ ｒａｔｉｏｎａｌｌｙ ｋｅｐｔ ｗｉｔｈｉｎ ｔｈｅ ｒａｎｇｅ ｏｆ ３０％ － ４０％ ［１９］ ． Ａｓ ａ ｒｅｓｕｌｔ， ｔｈｅ Ｔｉｍｅ Ｉｄｌｉｎｇ Ｒａｔｅ Ｉｎｄｅｘ （ ＴＩＲＩ ） ａｎｄ Ｓｐａｃｅ Ｉｄｌｉｎｇ Ｒａｔｅ Ｉｎｄｅｘ （ ＳＩＲＩ ） ａｒｅ ｃａｌｃｕｌａｔｅｄ， ａｓ ｓｈｏｗｎ ｉｎ Ｆｉｇ．２． 10 Sc o r eo fTI RIo rSI RI

　 　 Ｔｈｅ ｓｙｓｔｅｍ⁃ｌｅｖｅｌ ｉｎｄｉｃｅｓ ｆｏｃｕｓ ｏｎ ｔｈｅ ｅｖａｌｕａｔｉｏｎ ｏｆ ｔｈｅ ｓｙｓｔｅｍ’ ｓ ｏｐｅｒａｔｉｏｎ ｅｆｆｉｃｉｅｎｃｙ． Ｉｎ ｏｔｈｅｒ ｗｏｒｄｓ， ｔｈｅ ｏｐｅｒａｔｉｏｎ ｅｆｆｉｃｉｅｎｃｙ ｉｓ ｔｈｅ ｒｅｆｌｅｃｔｉｏｎ ｏｆ ｔｈｅ ｄｅｍａｎｄ⁃ ｓｕｐｐｌｙ ｅｑｕｉｌｉｂｒｉｕｍ ｏｆ ｕｒｂａｎ ｔａｘｉ ｓｙｓｔｅｍ． Ａｌｔｈｏｕｇｈ ｔｈｅｒｅ ａｒｅ ｐｌｅｎｔｙ ｏｆ ｉｎｄｉｃａｔｏｒｓ ｗｈｉｃｈ ｃａｎ ｂｅ ｕｓｅｄ ｔｏ ｄｅｓｃｒｉｂｅ ｔｈｅ ｅｆｆｉｃｉｅｎｃｙ ｏｆ ｕｒｂａｎ ｔａｘｉ ｓｙｓｔｅｍ， ｍｏｓｔ ｏｆ ｔｈｅｍ ａｒｅ ｃｌｏｓｅｌｙ ｒｅｌａｔｅｄ， ｓｕｃｈ ａｓ ｒｏａｄ ｉｄｌｉｎｇ ｒａｔｅ， ｔａｘｉ ｓｐａｃｅ ｉｄｌｉｎｇ ｒａｔｅ ａｎｄ ｅｔｃ．， ｒｅｆｌｅｃｔｉｎｇ ｔｈｅ ｓｙｓｔｅｍ ｏｐｅｒａｔｉｏｎ ｐｅｒｆｏｒｍａｎｃｅ ｆｒｏｍ ｓｌｉｇｈｔｌｙ ｄｉｆｆｅｒｅｎｔ ａｎｇｌｅｓ． Ｂａｓｅｄ ｏｎ ＦＣＤ ｄａｔａ， ｔｈｅ ｓｙｓｔｅｍ ｏｐｅｒａｔｉｏｎ ｅｆｆｉｃｉｅｎｃｙ ｃａｎ ｂｅ ｑｕａｎｔｉｆｉｅｄ ａｎｄ ａｎａｌｙｚｅｄ ｆｒｏｍ ｔｈｅ ｉｎｄｉｃａｔｏｒｓ ｏｆ ｔｉｍｅ ｉｄｌｉｎｇ ｒａｔｅ ａｎｄ ｓｐａｃｅ ｉｄｌｉｎｇ ｒａｔｅ， ｔｈｒｏｕｇｈ ｗｈｉｃｈ， ｔｈｅ ｄｅｍａｎｄ⁃ｓｕｐｐｌｙ ｒｅｌａｔｉｏｎｓｈｉｐ ｂｅｔｗｅｅｎ ｔａｘｉ ａｎｄ ｐａｓｓｅｎｇｅｒ ｃａｎ ｂｅ ａｓｓｅｓｓｅｄ． Ｔｈｅ ｃｕｓｔｏｍｅｒ⁃ｌｅｖｅｌ ｉｎｄｉｃｅｓ ａｉｍ ｔｏ ｒｅｆｌｅｃｔ ｔｈｅ ｓａｔｉｓｆａｃｔｉｏｎ ｏｆ ｃｕｓｔｏｍｅｒｓ （ ｐａｓｓｅｎｇｅｒｓ） ， ｗｈｉｃｈ ｃａｎ ｂｅ ｆｕｒｔｈｅｒ ｓｅｐａｒａｔｅｄ ｂａｓｅｄ ｏｎ ｔｗｏ ｓｃｅｎａｒｉｏｓ． Ｂｅｆｏｒｅ ｇｅｔｔｉｎｇ ｏｎ ｔｈｅ ｖｅｈｉｃｌｅ， ｃｕｓｔｏｍｅｒ’ ｓ ｓａｔｉｓｆａｃｔｉｏｎ ｉｓ ｄｅｔｅｒｍｉｎｅｄ ｂｙ ｉｎｄｉｃａｔｏｒｓ ｗｈｉｃｈ ｃａｎ ｒｅｆｌｅｃｔ ｔｈｅ ｒｅｌａｔｉｏｎｓｈｉｐ ｂｅｔｗｅｅｎ ｔｈｅｉｒ ｌｏｃａｔｉｏｎ ａｎｄ ｐｏｔｅｎｔｉａｌ ｈｏｔｓｐｏｔｓ （ ａｒｅａ ｗｉｔｈ ｈｉｇｈｅｒ ｃｏｎｃｅｎｔｒａｔｉｏｎ ｏｆ ｔａｘｉｓ ） ． Ｗｈｅｎ ｃｕｓｔｏｍｅｒ ｉｓ ｄｒｉｖｅｎ ｂｙ ｔｈｅ ｔａｘｉ， ｔｈｅ ｓａｔｉｓｆａｃｔｉｏｎ ｏｆ ｃｕｓｔｏｍｅｒ ｃａｎ ｂｅ ｒｏｕｇｈｌｙ ｄｅｔｅｒｍｉｎｅｄ ｂｙ ｔｈｅ ｃｏｍｐａｒｉｓｏｎ ｂｅｔｗｅｅｎ ｒｅａｌ ｐａｔｈ ａｎｄ ｔｈｅ ｓｈｏｒｔｅｓｔ ｐａｔｈ． Ｔｈｅｒｅｆｏｒｅ， ｔｈｅ ｃｕｓｔｏｍｅｒ ’ ｓ ｓａｔｉｓｆａｃｔｉｏｎ ｃａｎ ｂｅ ｇｅｎｅｒａｌｉｚｅｄ ｂｙ Ｗａｌｋｉｎｇ Ｄｉｓｔａｎｃｅ Ｉｎｄｅｘ， Ｔａｘｉ Ａｖａｉｌａｂｉｌｉｔｙ Ｉｎｄｅｘ， Ｄｒｉｖｉｎｇ Ｄｉｓｔａｎｃｅ Ｒａｔｉｏ， ａｎｄ Ｄｒｉｖｉｎｇ Ｔｉｍｅ Ｒａｔｉｏ ａｓ ｅｘｐｌａｉｎｅｄ ｉｎ ｔｈｅ ｆｏｌｌｏｗｉｎｇ ｓｅｃｔｉｏｎ． Ｔｈｅ ｄｒｉｖｅｒ⁃ｌｅｖｅｌ ｉｎｄｉｃｅｓ ａｒｅ ｉｎｄｉｃａｔｏｒｓ ｔｏ ｒｅｆｌｅｃｔ ｔｈｅ ｓａｔｉｓｆａｃｔｉｏｎ ｏｆ ｉｎｄｉｖｉｄｕａｌ ｔａｘｉ⁃ｄｒｉｖｅｒ． Ｔｏ ｔｈｉｓ ｅｎｄ， ｔｈｅ ｄｒｉｖｅｒ ’ ｓ ｄａｉｌｙ ｗｏｒｋｉｎｇ ｐｒｏｆｉｔ， ｗｏｒｋｉｎｇ ｔｉｍｅ ａｎｄ ｏｃｃｕｐｉｅｄ ｗｏｒｋｉｎｇ ｓｐｅｅｄ ａｒｅ ｔｈｒｅｅ ｓｉｇｎｉｆｉｃａｎｔ ｉｎｄｉｃａｔｏｒｓ ［２］ ， ｗｈｉｃｈ ｃａｎ ｐｅｒｆｏｒｍ ｒｅｌａｔｉｖｅ ｓｏｕｎｄ ｒｅｆｌｅｃｔｉｏｎ ａｂｏｕｔ ｄｒｉｖｅｒ ’ ｓ ｆｅｅｌｉｎｇ ｔｏｗａｒｄｓ ｔｈｅ ｗｏｒｋｉｎｇ ｃｏｎｄｉｔｉｏｎ． ３􀆰 １　 Ｏｐｅｒａｔｉｏｎａｌ Ｅｆｆｉｃｉｅｎｃｙ Ｉｎｄｅｘ Ａｔ ｔｈｅ ｓｙｓｔｅｍ⁃ｌｅｖｅｌ， ｔａｘｉ⁃ｉｄｌｉｎｇ ｒａｔｅｓ ａｒｅ ｋｅｙ ｉｎｄｉｃａｔｏｒｓ ｔｏ ｒｅｆｌｅｃｔ ｔｈｅ ｏｖｅｒａｌｌ ｓｙｓｔｅｍ ｐｅｒｆｏｒｍａｎｃｅ ａｂｏｕｔ ｔｈｅ ｏｐｅｒａｔｉｏｎ ｏｆ ｕｒｂａｎ ｔａｘｉ ｓｙｓｔｅｍ． Ｔｈｅ ｉｄｌｉｎｇ ｒａｔｅｓ ｓｈｏｕｌｄ ｂｅ ｋｅｐｔ ｉｎ ａ ｃｅｒｔａｉｎ ｒａｎｇｅ ｔｏ ｋｅｅｐ ａ ｂａｌａｎｃｅ ｏｆ ｓｕｐｐｌｙ⁃ｄｅｍａｎｄ ｒｅｌａｔｉｏｎｓｈｉｐ． Ｈｉｇｈ ｔａｘｉ⁃ｉｄｌｉｎｇ ｒａｔｅ ｉｎｄｉｃａｔｅｓ ｓｕｒｐｌｕｓ ｏｆ ｕｒｂａｎ ｔａｘｉ ｖｅｈｉｃｌｅｓ ａｎｄ ｒｅｄｕｎｄａｎｔ ｃｒｕｉｓｉｎｇ ｖｅｈｉｃｌｅｓ． Ｏｎ ｔｈｅ ｏｔｈｅｒ ｈａｎｄ， ｌｏｗ ｔａｘｉ⁃ｉｄｌｉｎｇ ｒａｔｅ ｒｅｖｅａｌｓ ｔｈａｔ ｒｅｌａｔｉｖｅ ｈｉｇｈ ｖｅｈｉｃｌｅｓ ｏｃｃｕｐａｎｃｙ， ｗｈｉｃｈ ｃａｎ ｌｅａｄ ｔｏ ａ ｌａｒｇｅｒ ａｍｏｕｎｔ ｏｆ ｐａｓｓｅｎｇｅｒｓ ｗａｉｔｉｎｇ ｆｏｒ ｔａｘｉｓ ｏｎ ｔｈｅ ｒｏａｄ． Ｆｒｏｍ ｔｈｉｓ ｐｅｒｓｐｅｃｔｉｖｅ， ｔｈｅ ｉｄｌｉｎｇ ｒａｔｅｓ， ｉｎｃｌｕｄｉｎｇ ｔｉｍｅ⁃ｉｄｌｉｎｇ ｒａｔｅ ａｎｄ ｓｐａｃｅ⁃ｉｄｌｉｎｇ ｒａｔｅ， ａｒｅ ｓｉｇｎｉｆｉｃａｎｔ ｉｎｄｉｃａｔｏｒｓ ｔｏ ｔｈｅ ｅｆｆｉｃｉｅｎｃｙ ｏｆ ｔａｘｉ ｓｙｓｔｅｍ． Ｔｈｅｓｅ ｉｎｄｉｃｅｓ ｃａｎ ｂｅ ｄｅｆｉｎｅｄ ａｓ ｆｏｌｌｏｗｓ： Ｔｉｍｅ ｉｄｌｉｎｇ ｖｅｃｔｏｒｓ： ｒ ｔ ＝ （ Ｒ １ｔ ， Ｒ ２ｔ ，…，Ｒ ｔｎ ） ； Ｓｐａｃｅ ｉｄｌｉｎｇ ｖｅｃｔｏｒｓ： ｒ ｓ ＝ （ Ｒ １ｓ ， Ｒ ２ｓ ，…，Ｒ ｓｎ ） ； Ｒ ｔｎ ａｎｄ Ｒ ｓｎ ｉｎｄｉｃａｔｅ ｔｈｅ ｔｉｍｅ ｉｄｌｉｎｇ ｒａｔｅ ａｎｄ ｓｐａｃｅ ｉｄｌｉｎｇ ｒａｔｅ ｆｏｒ ａ ｓｐｅｃｉｆｉｃ ｖｅｈｉｃｌｅ ｄｕｒｉｎｇ ａ ｐｅｒｉｏｄ ｏｆ ｔｉｍｅ

8 6 4 2 0

20

40 60 80 Spa c eo rt i mei dl i ngr a t e ( %)

100

Ｆｉｇ．２　 Ｃａｌｃｕｌａｔｉｏｎ ｏｆ ｉｄｌｉｎｇ ｒａｔｅ ｉｎｄｉｃｅｓ

３􀆰 ２　 Ｃｕｓｔｏｍｅｒ Ｓａｔｉｓｆａｃｔｉｏｎ Ｉｎｄｅｘ Ｔｈｅ ｓａｔｉｓｆａｃｔｉｏｎ ｏｆ ｃｕｓｔｏｍｅｒ ｃａｎ ｂｅ ａｓｓｅｓｓｅｄ ｆｒｏｍ ｔｗｏ ｐｅｒｉｏｄｓ： ｃｕｓｔｏｍｅｒ ｗａｉｔｉｎｇ ｐｅｒｉｏｄ ａｎｄ ｉｎ⁃ｖｅｈｉｃｌｅ ｐｅｒｉｏｄ． Ｉｎｄｉｃａｔｏｒｓ ａｒｅ ｐｒｏｐｏｓｅｄ ｔｏ ｒｅｆｌｅｃｔ ｔｈｅ ｃｕｓｔｏｍｅｒ ｓａｔｉｓｆａｃｔｉｏｎ ｕｎｄｅｒ ｔｈｅ ａｓｓｕｍｐｔｉｏｎ ｔｈａｔ ｃｕｓｔｏｍｅｒｓ ｉｎ ｔｈｅ ｓａｍｅ ｌｏｃａｌ ａｒｅａ （ ｗｉｔｈ ｒａｄｉｕｓ ｌｅｓｓ ｔｈａｎ １ ｋｍ ） ａｒｅ ｇｅｎｅｒａｌｌｙ ｗｉｔｈ ｓｉｍｉｌａｒ ｔｒａｖｅｌ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ［８］ ． Ｔｈｅ ａｓｃｅｒｔａｉｎｅｄ ｐｒｏｃｅｄｕｒｅ ｏｆ ｃｕｓｔｏｍｅｒ⁃ｌｅｖｅｌ ｉｎｄｅｘ ｉｓ ｓｈｏｗｎ ｉｎ Ｆｉｇ．３： １ ） Ｄａｔａ ｐｒｏｃｅｓｓｉｎｇ． Ｔｈｅ ｏｒｉｇｉｎａｌ ＦＣＤ ｄａｔａ ｃｏｎｔａｉｎｓ ｉｎｖａｌｉｄ ｐｏｉｎｔｓ ｐｒｏｄｕｃｅｄ ｂｙ ｅｑｕｉｐｍｅｎｔ ｅｒｒｏｒ ａｎｄ ｓｉｇｎａｌ ｔｒａｎｓｍｉｓｓｉｏｎ ｍｉｓｓｉｎｇ， ｓｏ ｉｔ ｉｓ ｅｓｓｅｎｔｉａｌ ｔｏ ｆｉｌｔｅｒ ｔｈｅ ｄａｔａ ｂｅｆｏｒｅ ｕｓａｇｅ． ２） Ｈｏｔｓｐｏｔ ｄｅｔｅｒｍｉｎａｔｉｏｎ． Ｐｉｃｋ⁃ｕｐ ｐｏｉｎｔｓ ｉｎ ｅａｃｈ ｆｉｓｈｎｅｔ ｇｒｉｄ （１ ｋｍ × １ ｋｍ） ａｒｅ ｃｏｕｎｔｅｄ ａｎｄ ｒａｎｋｅｄ ｉｎ ｄｅｃｒｅａｓｉｎｇ ｏｒｄｅｒ ｎｕｍｅｒｉｃａｌｌｙ． Ｔｈｅ ａｒｅａｓ ｗｉｔｈ ｈｉｇｈ ｐｏｐｕｌａｒｉｔｙ （ ｈｏｔｓｐｏｔｓ） ， ｉｎｄｉｃａｔｉｎｇ ｈｉｇｈ ｔａｘｉ⁃ｄｅｍａｎｄｉｎｇ ａｒｅａｓ， ａｒｅ ｃｈｏｓｅｎ ａｓ ｔｈｅ ｔａｒｇｅｔ ａｒｅａｓ． Ａｆｔｅｒ ｔｈｅｎ， ｔｈｅ · ９·

Ｊｏｕｒｎａｌ ｏｆ Ｈａｒｂｉｎ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ （ Ｎｅｗ Ｓｅｒｉｅｓ） ， Ｖｏｌ．２１， Ｎｏ．１， ２０１４ ｃｕｓｔｏｍｅｒ ｓａｔｉｓｆａｃｔｉｏｎ ｉｎ ｓｕｃｈ ａｒｅａｓ ｃａｎ ｂｅ ｑｕａｎｔｉｆｉｅｄ． ３ ） Ｉｎｄｉｃｅｓ ｏｂｔａｉｎｉｎｇ． Ｉｎｄｉｃａｔｏｒｓ ｃｏｖｅｒｉｎｇ ｂｏｔｈ

ｃｕｓｔｏｍｅｒ ｗａｉｔｉｎｇ ｐｅｒｉｏｄ ａｎｄ ｉｎ⁃ｖｅｈｉｃｌｅ ｐｅｒｉｏｄ ａｒｅ ｃｈｏｓｅｎ ａｎｄ ｃａｌｃｕｌａｔｅｄ ｉｎ ＣＴＡＩ ｓｃｏｐｅ．

Da t ai n i t i a l i z a t i o n

Fl o a t i n gc a rda t a

Ma pf i l e s

-Da t af i l t e r i n g *De l e t eda t ao fno nus ec a r *De l e t eda t ao u to fma pr a ng e *De l e t ec a rs pe e dl e s st ha n0 o rhi g he rt ha n100km/ h

-Co o r di na t et r a ns f o r ma t i o n -Ma pma t c hi ng

Ho t s po ts e l e c t i o n Di v i det hema pus i ng “f i s hne t ”t o o lbo x ( 20) Co un tt hepi c kupp o i nti ne a c hg r i d Se l e c tt het o p50g r i dswi t hhi g h e s tpi c kupt i me s

Cus t o me rl e v e li nde x e s Wa l ki ng di s t a nc ei nde x -Ca l c ul a t et he di s t a nc e

Ta x ia v a i l a bi l i t y i nde x -Ca l c ul a t et he

Dr i v i ng di s t a nc er a t i o -Ca l c ul a t et he

Dr i v i ngt i me r a t i o -Ca l c ul a t et he

t a x ia v a l i a bl e

r e a lt r a v e l l i ng

r e a lt r a v e l l i n g

pr o ba bi l i t yo f

pa t hdi s t a nc e

pi c kuppo i nt

e a c hpi c kup

-Ca l c ul a t et he

-Ca l c ul a t et he

a n dt h eh o t s p o t

po i nt

s ho r t e s tpa t h

s ho r t e s tpa t h

be t we e ne a c h

c e nt e r Wa i t i ngpe r i o d

pa t ht i me

di s t a nc e

t i me I nv e hi c l epe r i o d

Ｆｉｇ．３　 Ａｓｃｅｒｔａｉｎｅｄ ｐｒｏｃｅｄｕｒｅ ｏｆ ｃｕｓｔｏｍｅｒ⁃ｌｅｖｅｌ ｉｎｄｅｘ

３􀆰 ２􀆰 １　 Ｗａｌｋｉｎｇ Ｄｉｓｔａｎｃｅ Ｉｎｄｅｘ （ ＷＤＩ） Ｐｒｅｖｉｏｕｓ ｒｅｓｅａｒｃｈ ｉｎｄｉｃａｔｅｄ ｔｈａｔ ｐａｓｓｅｎｇｅｒ ｐｒｅｆｅｒｒｅｄ ｔｏ ｗａｌｋ ｌｅｓｓ ｔｈａｎ ４００ ｍ ｗｈｅｎ ｗａｉｔｉｎｇ ｆｏｒ ｔａｘｉ ［２０］ ． Ｄｕｅ ｔｏ ｔｈｅ ｄｉｆｆｉｃｕｌｔｙ ｉｎ ｏｂｔａｉｎｉｎｇ ａｃｔｕａｌ ｐｉｃｋ⁃ ｕｐ ｌｏｃａｔｉｏｎ ｂａｓｅｄ ｏｎ ＦＣＤ ｄａｔａ， ｃｏｌｌｅｃｔｅｄ ｄａｔａ ｐｏｉｎｔｓ ｗｈｅｒｅ ｔｈｅ ｔａｘｉ ｓｔａｔｕｓ ｃｈａｎｇｅｓ ｆｒｏｍ “ ａｖａｉｌａｂｌｅ ” ｔｏ “ ｏｃｃｕｐｉｅｄ” ｃａｎ ｂｅ ｒｏｕｇｈｌｙ ｒｅｇａｒｄｅｄ ａｓ ｔｈｅ ｒｅａｌ ｐｉｃｋ⁃ ｕｐ ｐｏｉｎｔｓ． Ｔｈｅ ｒａｄｉｕｓ ｏｆ ｈｏｔｓｐｏｔ ｉｓ ｓｅｔ ａｔ ５０ ｍ ａｎｄ ｔｈｅ ｂｕｆｆｅｒ ４００ ｍ ｉｎ ｏｒｄｅｒ ｔｏ ｃｏｕｎｔ ａｌｌ ｔｈｅ ｐｉｃｋ⁃ｕｐ ｐｏｉｎｔｓ． Ｔｈｅ ｄｅｔａｉｌｅｄ ｉｌｌｕｓｔｒａｔｉｏｎｓ ｏｎ ｈｏｔｓｐｏｔ ａｎｄ ｂｕｆｆｅｒ ａｒｅａ ａｒｅ ｐｒｏｖｉｄｅｄ ｉｎ Ｆｉｇ．４． 　 　 Ｗａｌｋｉｎｇ Ｄｉｓｔａｎｃｅ Ｉｎｄｅｘ （ ＷＤＩ ） ｉｎｄｉｃａｔｅｓ ｔｈｅ ｄｉｓｔａｎｃｅ ｂｅｔｗｅｅｎ ｐｉｃｋ⁃ｕｐ ｐｏｉｎｔ ａｎｄ ｈｏｔｓｐｏｔ ａｒｅａ． １０ ｒ ∈ ［０，ｒ ０ ］ ìï ïæ ｒ Ｒ ö ＋ ÷ × １０ ＷＤＩ ＝ íç － ｒ ∈ （ ｒ ０ ，Ｒ］ ïè Ｒ － ｒ ０ Ｒ － ｒ ０ ø ï ０ Ｏｔｈｅｒｗｉｓｅ î ｗｈｅｒｅ， ｒ ０ ｉｓ ｔｈｅ ｒａｄｉｕｓ ｏｆ ｈｏｔｓｐｏｔ； Ｒ ｉｓ ｔｈｅ ｒａｄｉｕｓ ｏｆ ｂｕｆｆｅｒ ａｒｅａ； ｒ ｉｓ ｔｈｅ ｄｉｓｔａｎｃｅ ｂｅｔｗｅｅｎ ｐｉｃｋ⁃ｕｐ ｐｏｉｎｔ ａｎｄ ｔｈｅ ｈｏｔｓｐｏｔ ｃｅｎｔｅｒ． · １０·

R:Ra di uso ft hebuf f e ra r e a r :Di s t a nc ebe t we e npi c kup po i nta ndho t s po t s R

r

Ｆｉｇ．４　 Ｉｌｌｕｓｔｒａｔｉｏｎ ｆｏｒ ｈｏｔｓｐｏｔ ａｎｄ ｂｕｆｆｅｒ ａｒｅａ

３􀆰 ２􀆰 ２　 Ｔａｘｉ Ａｖａｉｌａｂｉｌｉｔｙ Ｉｎｄｅｘ （ ＴＡＩ） Ｗｈｅｎ ｃｕｓｔｏｍｅｒ ｉｓ ｗａｉｔｉｎｇ ｆｏｒ ｔｈｅ ｒｉｄｅ， ｔｈｅ ｐｒｏｂａｂｉｌｉｔｙ ｏｆ ｔａｘｉ ｃｏｍｉｎｇ ｉｓ ａ ｋｅｙ ｉｎｄｉｃａｔｏｒ ｄｉｒｅｃｔｌｙ ｉｎｆｌｕｅｎｃｉｎｇ ｔｈｅ ｓａｔｉｓｆａｃｔｉｏｎ ｏｆ ｔａｘｉ ｓｙｓｔｅｍ． Ａ ｒｅｌａｔｉｖｅ ｈｉｇｈ ｐｒｏｂａｂｉｌｉｔｙ ｍｅａｎｓ ｔｈａｔ ｃｕｓｔｏｍｅｒ ｗｏｕｌｄ ｓｐｅｎｄ ｌｅｓｓ ｔｉｍｅ ｏｎ ｗａｉｔｉｎｇ． Ｕｎｄｅｒ ｔｈｅ ａｓｓｕｍｐｔｉｏｎ ｔｈａｔ ｎｏ ｒｅａｌ⁃ｔｉｍｅ ｉｎｆｏｒｍａｔｉｏｎ ａｒｅ ｐｒｏｖｉｄｅｄ ｔａｘｉ⁃ｄｒｉｖｅｒ ａｎｄ ｎｏ ｐｒｅｆｅｒｒｅｄ

Ｊｏｕｒｎａｌ ｏｆ Ｈａｒｂｉｎ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ （ Ｎｅｗ Ｓｅｒｉｅｓ） ， Ｖｏｌ．２１， Ｎｏ．１， ２０１４ ｒｏｕｔｅｓ ａｎｄ ｗａｉｔｉｎｇ ｓｐｏｔｓ ｆｏｒ ｔａｘｉ⁃ｄｒｉｖｅｒ， ｔｈｅ ｄｒｉｖｉｎｇ ｐａｔｈ ｃｈｏｓｅｎ ｉｓ ｒａｎｄｏｍ ａｎｄ ａｉｍｌｅｓｓ． Ｔｈｅ ｔａｘｉ⁃ｃｏｍｉｎｇ ｐｒｏｂａｂｉｌｉｔｙ ｓａｔｉｓｆｉｅｓ ｔｈｅ Ｐｏｉｓｓｏｎ ｄｉｓｔｒｉｂｕｔｉｏｎ： （ λｘ） ｋ －λｋ Ｐｋ ＝ ｅ ｋ！ ｗｈｅｒｅ， Ｐ ｋ ｉｓ ｔｈｅ ｐｒｏｂａｂｉｌｉｔｙ ｏｆ ｋ ｔａｘｉｓ ａｖａｉｌａｂｌｅ ｄｕｒｉｎｇ ｔｉｍｅ ｉｎｔｅｒｖａｌ ｘ， λ ｉｓ ｔｈｅ ａｖｅｒａｇｅ ｔａｘｉ ｃｏｍｉｎｇ ｒａｔｅ， ａｎｄ ｘ ｉｓ ｔｉｍｅ ｉｎｔｅｒｖａｌ． Ｎｌｉ Ｖｉ Ｉｎ ｔｈｉｓ ｃａｓｅ， λ ＝ ， ｗｈｅｒｅ， ｌ ｉ ｉｓ ｔｈｅ ｌｅｎｇｔｈ ｏｆ ｌｉ ｒｏａｄ ｓｅｇｍｅｎｔ ｉ， Ｎ ｌ ｉ ｉｓ ｎｕｍｂｅｒ ｏｆ ｔａｘｉ ｏｎ ｔｈｉｓ ｒｏａｄ， ａｎｄ Ｖ ｉ ｉｓ ａｖｅｒａｇｅ ｓｐｅｅｄ ｏｎ ｔｈｉｓ ｒｏａｄ． Ｔｈｅ ｐｒｏｂａｂｉｌｉｔｙ ｏｆ ｔａｘｉ ｃｏｍｉｎｇ ｋ æ Ｎｌｉ Ｖｉ ö ç ÷ Ｔ ＋∞ è ｌｉ ø æ Ｎｌ Ｖｉ ö Ｐｒ ｔａｘｉ ＝ １ － ∑ ｅｘｐ ç － ｉ Ｔ ÷ （１ － Ｒ Ｔｉ ） ｋ！ ｋ＝０ ｌｉ ø è

（１） ｗｈｅｒｅ Ｔ ｉｓ ｔｉｍｅ ｉｎｔｅｒｖａｌ ａｎｄ Ｒ Ｔｉ ｉｓ ｔｉｍｅ ｉｄｌｉｎｇ ｒａｔｅ． Ｎｌｉ Ｄｅｎｏｔｅ ｔｈｅ ｔａｘｉ ｎｕｍｂｅｒ ｄｅｎｓｉｔｙ ｎ ｌ ｉ ＝ ， ｂａｓｅｄ ｏｎ ｌｉ Ｔａｙｌｏｒ’ ｓ ｅｘｐａｎｓｉｏｎ， Ｅｑ． （ １ ） ｃａｎ ｂｅ ｓｉｍｐｌｉｆｉｅｄ ａｓ

ｆｏｌｌｏｗｓ：

æ Ｎｌ Ｖｉ Ｔ Ｔ ö Ｐｒ ｔａｘｉ ＝ １ － ｅｘｐ ç － ｉ （２） Ｒｉ ÷ ｌｉ è ø 　 　 Ｆｒｏｍ Ｅｑ． （ ２ ） ， ｔｈｅ ｐｒｏｂａｂｉｌｉｔｙ ｏｆ ｔａｘｉ ａｖａｉｌａｂｌｅ ｃａｎ ｂｅ ｒｅｐｒｅｓｅｎｔｅｄ ｗｉｔｈ ｔｈｅ ｅｑｕａｔｉｏｎ ｗｉｔｈ ｖａｒｉａｂｌｅｓ ｏｆ ｎｕｍｂｅｒ ｏｆ ｔａｘｉ ｏｎ ｒｏａｄ， ｒｏａｄ ｌｅｎｇｔｈ， ａｖｅｒａｇｅ ｓｐｅｅｄ， ａｎｄ ｔｉｍｅ ｉｄｌｉｎｇ ｒａｔｅ． Ｈｅｎｃｅ， ｔｈｅ Ｔａｘｉ Ａｖａｉｌａｂｉｌｉｔｙ Ｉｎｄｅｘ ｃａｎ ｂｅ ｄｅｆｉｎｅｄ ａｓ ＴＡＩ ＝ １０ × Ｐｒ ｔａｘｉ ． ３􀆰 ２􀆰 ３　 Ｄｒｉｖｉｎｇ Ｄｉｓｔａｎｃｅ Ｒａｔｉｏ （ ＤＤＲ ） ａｎｄ Ｄｒｉｖｉｎｇ Ｔｉｍｅ Ｒａｔｉｏ （ ＤＴＲ） Ｄｒｉｖｉｎｇ Ｄｉｓｔａｎｃｅ Ｒａｔｉｏ （ ＤＤＲ ） ｉｓ ｔｈｅ ｒａｔｉｏ ｂｅｔｗｅｅｎ ｒｅａｌ ｐａｔｈ ｍｉｌｅａｇｅ ａｎｄ ｓｈｏｒｔｅｓｔ ｐａｔｈ ｍｉｌｅａｇｅ， ｗｈｉｌｅ Ｄｒｉｖｉｎｇ Ｔｉｍｅ Ｒａｔｉｏ （ ＤＴＲ ） ｒｅｆｌｅｃｔｓ ｔｈｅ ｒａｔｉｏ ｂｅｔｗｅｅｎ ｒｅａｌ ｐａｔｈ ｔｉｍｅ ａｎｄ ｓｈｏｒｔｅｓｔ ｐａｔｈ ｔｉｍｅ． Ｕｓｕａｌｌｙ， ｔｈｅ ｔａｘｉ ｄｒｉｖｅｒ ｔｅｎｄｓ ｔｏ ｃｈｏｏｓｅ ｔｈｅ ｒｅｌａｔｉｖｅ ｆａｓｔ ｐａｔｈ ｉｎｓｔｅａｄ ｏｆ ｔｈｅ ｓｈｏｒｔｅｓｔ ｐａｔｈ ［６］ ， ａｓ ｓｈｏｗｎ ｉｎ Ｆｉｇ． ５． Ｈｏｗｅｖｅｒ， ｔｈｉｓ ｓｔｒａｔｅｇｙ ｍｉｇｈｔ ｎｏｔ ｂｅ ａ ｄｅｓｉｒａｂｌｅ ｃｈｏｉｃｅ ｕｎｄｅｒ ａ ｓｙｓｔｅｍａｔｉｃ ｃｏｎｓｉｄｅｒａｔｉｏｎ， ｗｈｉｃｈ ｃｏｍｐｒｏｍｉｓｉｎｇ ｔｈｅ ｃｕｓｔｏｍｅｒ ｓａｔｉｓｆａｃｔｉｏｎ ｆｏｒ ａ ｓｉｎｇｌｅ ｔｒｉｐ． Ｉｎ ｐｒａｃｔｉｃｅ， ＤＴＲ ｉｓ ｈｉｇｈｅｒ ｔｈａｎ ＤＤＲ ｓｉｎｃｅ ｕｎｅｘｐｅｃｔｅｄ ｃｏｎｄｉｔｉｏｎ ｓｕｃｈ ａｓ ｃｏｎｇｅｓｔｉｏｎ ｗｉｌｌ ｄｅｌａｙ ｔｈｅ ａｃｔｕａｌ ｔｉｍｅ．

Se l e c t e dho t s po t Or i g i na ndde s t i na t i o n Re a ld a t apo i nt Sho r t e s tpa t hf r o mo r i g i nt ode s t i n a t i o n

Ｆｉｇ．５　 Ｔａｘｉ’ ｓ ｒｅａｌ ｐａｔｈ ａｎｄ ｓｈｏｒｔｅｓｔ ｐａｔｈ

　 　 Ｔｈｅ ｄｅｆｉｎｉｔｉｏｎ ｏｆ ＤＴＲ ａｎｄ ＤＤＲ ａｒｅ ｐｒｏｖｉｄｅｄ ａｓ ｆｏｌｌｏｗｓ： ＴＲ ｉ － ＴＲ ｍｉｎ（ Ｎ） × １０ ＤＴＲ ＝ ＴＲ ｍａｘ（ Ｎ） － ＴＲ ｍｉｎ（ Ｎ） ＤＲ ｉ － ＤＲ ｍｉｎ（ Ｎ） × １０ ＤＤＲ ＝ ＤＲ ｍａｘ（ Ｎ） － ＤＲ ｍｉｎ（ Ｎ） ｗｈｅｒｅ， ＴＲ ｉ ｉｓ ｒａｔｉｏ ｏｆ ｒｅａｌ ｔｒｉｐ ｔｉｍｅ ａｎｄ ｓｈｏｒｔｅｓｔ ｐａｔｈ ｔｉｍｅ， ＤＲ ｉ ｉｓ ｒａｔｉｏ ｏｆ ｒｅａｌ ｔｒｉｐ ｍｉｌｅａｇｅ ａｎｄ ｓｈｏｒｔｅｓｔ ｐａｔｈ ｍｉｌｅａｇｅ， ＴＲ ｍａｘ（ Ｎ） ， ＴＲ ｍｉｎ（ Ｎ） ａｒｅ ｔｈｅ ｍａｘｉｍａｌ ａｎｄ ｍｉｎｉｍａｌ ｖａｌｕｅ ｏｆ ＴＲ ｉ ｗｉｔｈｉｎ ａｌｌ ｔｒｉｐｓ ｗｈｏｓｅ ｐｉｃｋ⁃ｕｐ ｐｏｉｎｔ ｉｎ ｔｈｅ ｈｏｔｓｐｏｔ ｒｅｓｐｅｃｔｉｖｅｌｙ， ａｎｄ ＤＲ ｍａｘ（ Ｎ） ， ＤＲ ｍｉｎ（ Ｎ） ａｒｅ ｔｈｅ ｍａｘｉｍａｌ ａｎｄ ｍｉｎｉｍａｌ ｖａｌｕｅ ｏｆ ＤＲ ｉ ｗｉｔｈｉｎ ａｌｌ ｔｒｉｐｓ ｗｈｏｓｅ ｐｉｃｋ⁃ｕｐ ｐｏｉｎｔ ｉｎ ｈｏｔｓｐｏｔ ａｒｅａ ｒｅｓｐｅｃｔｉｖｅｌｙ．

３􀆰 ３　 Ｄｒｉｖｅｒ Ｓａｔｉｓｆａｃｔｉｏｎ Ｉｎｄｅｘ Ｔｈｅ ｓａｔｉｓｆａｃｔｉｏｎ ｏｆ ｉｎｄｉｖｉｄｕａｌ ｔａｘｉ ｄｒｉｖｅｒ ｉｓ ａｎｏｔｈｅｒ ａｓｐｅｃｔ ｔｏ ａｓｓｅｓｓ ｔｈｅ ｑｕａｌｉｔｙ ｏｆ ｅｘｉｓｔｉｎｇ ｔａｘｉ ｏｐｅｒａｔｉｏｎ ｓｙｓｔｅｍ． Ｉｎ ｔｈｉｓ ｌｅｖｅｌ， ｔｈｅ ｉｎｄｉｃａｔｏｒｓ ｗｈｉｃｈ ｃａｎ ｒｅｆｌｅｃｔ ｔｈｅ ｔａｘｉ ｄｒｉｖｅｒｓ ’ ｃｏｎｃｅｒｎ ａｒｅ ｐｒｏｐｏｓｅｄ． Ｈｅｎｃｅ， ｔｈｅ Ｄｒｉｖｅｒ’ ｓ Ｓａｔｉｓｆａｃｔｉｏｎ Ｉｎｄｅｘ （ ＤＳＩ） ｃｏｎｓｉｄｅｒｓ ｉｎｄｉｖｉｄｕａｌ ｄｒｉｖｅｒ’ ｓ ｐｒｏｆｉｔｓ ａｎｄ ｗｏｒｋｉｎｇ ｃｏｎｄｉｔｉｏｎ， ｒｅｆｌｅｃｔｅｄ ｂｙ ｔｈｅ ｉｎｄｉｃｅｓ ｏｆ Ｐｒｏｆｉｔ Ｉｎｄｅｘ （ ＰＩ ） ， Ｗｏｒｋｉｎｇ Ｔｉｍｅ Ｉｎｄｅｘ （ ＷＴＩ） ａｎｄ Ｗｏｒｋｉｎｇ Ｏｃｃｕｐｉｅｄ Ｓｐｅｅｄ Ｉｎｄｅｘ （ ＯＳＩ） ． Ｗｏｒｋｉｎｇ ｐｒｏｆｉｔ ｉｓ ｃｌｏｓｅｌｙ ｒｅｌａｔｅｄ ｔｏ ｉｎｄｉｖｉｄｕａｌ ｄｒｉｖｅｒ ’ ｓ ｓａｔｉｓｆａｃｔｉｏｎ． Ｂａｓｅｄ ｏｎ ｔｈｅ ｃｏｎｄｉｔｉｏｎ ｔｈａｔ ｄｉｆｆｅｒｅｎｔ ｃｉｔｉｅｓ ｈａｖｅ ｔｈｅｉｒ ｕｎｉｑｕｅ ｒｕｌｅｓ ｔｏ ｃｈａｒｇｅ ｔｈｅ ｆｅｅ ｐｅｒ ｐａｓｓｅｎｇｅｒ ｔｒｉｐ， ｄｒｉｖｅｒ’ ｓ ｐｒｏｆｉｔ ｄｉｆｆｅｒｓ ｏｎ ｔｈｅ ｃａｓｅ ｂｙ ｃａｓｅ ｂａｓｉｓ． Ｔａｋｉｎｇ ｔｈｅ ｃｈａｒｇｉｎｇ ｒｕｌｅ ｉｎ Ｃｈｉｎａ ａｓ ａｎ ｅｘａｍｐｌｅ， ｔｈｅ ｆａｒｅ ｉｓ ｓｅｐａｒａｔｅｄ ｉｎｔｏ ｔｗｏ ｐａｒｔｓ⁃ｓｔａｒｔｉｎｇ · １１·

Ｊｏｕｒｎａｌ ｏｆ Ｈａｒｂｉｎ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ （ Ｎｅｗ Ｓｅｒｉｅｓ） ， Ｖｏｌ．２１， Ｎｏ．１， ２０１４ ｆｅｅ （ ｍｉｎｉｍｕｍ ｃｈａｒｇｅ） ａｎｄ ｆｅｅｓ ｐｅｒ ｍｉｌｅ． Ｓｔａｒｔｉｎｇ ｆｅｅｓ ｄｉｆｆｅｒ ｂｅｔｗｅｅｎ ｄａｙ ａｎｄ ｎｉｇｈｔ， ｓｏ ｔｈｅ ｄｒｉｖｅｒ ’ ｓ ｄａｉｌｙ ｗｏｒｋｉｎｇ ｐｒｏｆｉｔ ｃａｎ ｂｅ ｃａｌｃｕｌａｔｅｄ ｓｅｐａｒａｔｅｌｙ ｂｙ ｒｅｖｅｎｕｅ ｏｆ ｄａｙ （ Ｒ ｄ ） ａｎｄ ｒｅｖｅｎｕｅ ｏｆ ｔｈｅ ｎｉｇｈｔ （ Ｒ ｎ ） ． Ｄａｉｌｙ Ｗｏｒｋｉｎｇ Ｐｒｏｆｉｔ ＝ Ｒ ｄ ＋ Ｒ ｎ Ｄ － ｃＳ ｉ Ｓ ｉ ＜ ３􀆰 ０ ｋｍ Ｒｄ ＝ Ｄ ＋ ｂ（ Ｓ ｉ － ３􀆰 ０） － ｃＳ ｉ Ｓ ｉ ≥ ３􀆰 ０ ｋｍ Ｄ ｎ － ｃＳ ｉ Ｓ ｉ ＜ ３􀆰 ０ ｋｍ Ｒｎ ＝ Ｄ ｎ ＋ ｂ ｎ（ Ｓ － ３􀆰 ０） － ｃＳ ｉ Ｓ ｉ ≥ ３􀆰 ０ ｋｍ ｗｈｅｒｅ， Ｓ ｉ ｉｓ ｔｈｅ ｔａｘｉ ｔｒａｖｅｌｉｎｇ ｄｉｓｔａｎｃｅ ｗｈｅｎ ｏｃｃｕｐｉｅｄ； Ｄ ｉｓ ｔｈｅ ｓｔａｒｔｉｎｇ ｆｅｅ ｗｈｅｎ ｔｈｅ ｔｒａｖｅｌｉｎｇ ｄｉｓｔａｎｃｅ ｉｓ ｌｅｓｓ ｔｈａｎ ３􀆰 ０ ｋｍ； ｂ ｉｓ ｔｈｅ ｆｅｅｓ ｐｅｒ ｍｉｌｅ ｏｖｅｒ ３􀆰 ０ ｋｍ； Ｄ ｎ ｉｓ ｔｈｅ ｓｔａｒｔｉｎｇ ｆｅｅ ａｔ ｎｉｇｈｔ （２３：００ － ０５：００） ； ｂ ｎ ｉｓ ｔｈｅ ｆｅｅｓ ｐｅｒ ｍｉｌｅ ｏｖｅｒ ３􀆰 ０ ｋｍ ａｔ ｎｉｇｈｔ （ ｕｓｕａｌｌｙ ｂ ｎ ＞ ｂ） ； ｃ ｉｓ ｔｈｅ ｇａｓｏｌｉｎｅ ｐｒｉｃｅ ｐｅｒ ｍｉｌｅ． Ｒｅｓｅａｒｃｈ ｓｈｏｗｓ ｔｈａｔ ｔｈｅ ｉｎｃｏｍｅ ｏｆ ｔａｘｉ ｄｒｉｖｅｒ ｓａｔｉｓｆｉｅｓ ｔｈｅ ｎｏｒｍａｌ ｄｉｓｔｒｉｂｕｔｉｏｎ ［６］ ． Ｄｒｉｖｅｒ’ ｓ ｄａｉｌｙ ｐｒｏｆｉｔ ｅｑｕａｌｓ ｔｏ ｉｎｃｏｍｅ ｓｕｂｔｒａｃｔｅｄ ｂｙ ｅｘｐｅｎｓｅ ｏｆ ｇａｓｏｌｉｎｅ， ｗｈｉｃｈ ａｌｓｏ ｓａｔｉｓｆｉｅｓ ｔｈｅ ｎｏｒｍａｌ ｄｉｓｔｒｉｂｕｔｉｏｎ． Ｔｈｅ Ｐｒｏｆｉｔ Ｉｎｄｅｘ （ ＰＩ） ｃａｎ ｂｅ ｄｅｆｉｎｅｄ： Ｐ ｉ － Ｐ ｍｉｎ（ Ｎ） × １０ ＰＩ ｉ ＝ Ｐ ｍａｘ（ Ｎ） － Ｐ ｍｉｎ（ Ｎ） ｗｈｅｒｅ Ｐ ｉ ｉｓ ｔｈｅ ｄａｉｌｙ ｐｒｏｆｉｔ ｏｆ ｄｒｉｖｅｒ ｉ； Ｐ ｍｉｎ（ Ｎ） ｉｓ ｔｈｅ ｍｉｎｉｍａｌ ｐｒｏｆｉｔ ｗｉｔｈｉｎ ｔｈｅ ｔｏｔａｌ Ｎ ｄｒｉｖｅｒｓ； Ｐ ｍａｘ（ Ｎ） ｉｓ ｔｈｅ ｍａｘｉｍａｌ ｐｒｏｆｉｔ ａｍｏｎｇ ａｌｌ ｄｒｉｖｅｒｓ． Ｗｏｒｋｉｎｇ Ｔｉｍｅ Ｉｎｄｅｘ （ ＷＴＩ） ｉｓ ｄｅｔｅｒｍｉｎｅｄ ｂｙ ｔｈｅ ｄａｉｌｙ ｗｏｒｋｉｎｇ ｈｏｕｒｓ ｏｆ ｅａｃｈ ｄｒｉｖｅｒ． Ｗｉｄｅｌｙ ｒｅｃｏｇｎｉｚｅｄ ｖｉｅｗｐｏｉｎｔ ｉｓ ｔｈａｔ ｔｈｅ ｓｕｉｔａｂｌｅ ｗｏｒｋｉｎｇ ｔｉｍｅ ｐｅｒ ｄａｙ ｉｓ ８ ｈｏｕｒｓ． Ｉｎ Ｃｈｉｎａ， ｍｏｓｔ ｔａｘｉ⁃ｄｒｉｖｅｒｓ ｔｅｎｄ ｔｏ ａｄｏｐｔ ｔｈｅ ｔｗｏ⁃ｓｈｉｆｔ ｒｕｌｅｓ ｔｏ ｍａｘｉｍｉｚｅ ｔｈｅ ｐｒｏｆｉｔ， ｗｈｉｃｈ ｍｅａｎｓ ｔｈａｔ ｔｗｏ ｄｒｉｖｅｒｓ ｏｐｅｒａｔｅ ｔｈｅ ｓａｍｅ ｖｅｈｉｃｌｅ ｉｎ ｅｎｔｉｒｅ ｄａｙ． Ｔａｋｉｎｇ ｔｈｉｓ ｆａｃｔｏｒ ｉｎｔｏ ＷＴＩ ｄｅｆｉｎｉｔｉｏｎ： Ｈ ìï １􀆰 ２５ × Ｈ ∈ （０，１６］ ï ２ ＷＴＩ ＝ í ï１０ － １􀆰 ２５ × æç Ｈ － ８ ö÷ Ｈ ∈ （１６，２４］ ï î è２ ø ｗｈｅｒｅ Ｈ ｉｓ ｔｈｅ ｔｏｔａｌ ｗｏｒｋｉｎｇ ｈｏｕｒｓ ｆｏｒ ｅａｃｈ ｖｅｈｉｃｌｅ． Ｔｈｅ ｏｃｃｕｐｉｅｄ ｓｐｅｅｄ ｏｆ ｔａｘｉ ｉｎ ｗｏｒｋ ｉｓ ａｎ ｉｎｄｉｃａｔｏｒ ｔｏ ｒｅｆｌｅｃｔ ｔｈｅ ｓｐｅｅｄ ｗｈｅｎ ｔｈｅｒｅ ａｒｅ ｐａｓｓｅｎｇｅｒｓ ｉｎ ｔｈｅ ｖｅｈｉｃｌｅ． Ｅｘｐｅｒｉｅｎｃｅ ｓｈｏｗｓ ｔｈａｔ ｄｒｉｖｅｒｓ ｔｅｎｄ ｔｏ ｒｅａｃｈ ｔｈｅ ｄｅｓｔｉｎａｔｉｏｎ ｗｉｔｈ ｒｅｌａｔｉｖｅ ｈｉｇｈｅｒ ｓｐｅｅｄ ｔｏ ｍａｘｉｍｉｚｅ ｐｒｏｆｉｔ ［２２］ ． Ｃｏｎｓｉｄｅｒｉｎｇ ｔｈｅ ｓｐｅｅｄ ｌｉｍｉｔａｔｉｏｎ ｏｆ ｄｉｆｆｅｒｅｎｔ ｒｏａｄｓ， Ｏｃｃｕｐｉｅｄ Ｓｐｅｅｄ Ｉｎｄｅｘ （ ＯＳＩ） ｃａｎ ｂｅ ｄｅｆｉｎｅｄ ａｓ ｆｏｌｌｏｗｓ： ｉ ｉ ｖｉｎ ö æ æ ｖ１ ｖ２ æ ö ö ＋ ＋ ＋ … ç ｉ ÷ ç ç ÷ ÷ ｉ ｉ ＯＳＩ ＝ ∑ ç ∑ ç ／ｉ ／ Ｖ Ｖø èＶ × ç ç ÷÷ ÷÷ １０ ｋ ｉ ∑ ｎ è è ｎ ø ø ｋ × １０ ｗｈｅｒｅ， ｋ ｉｓ ｔｈｅ ｎｕｍｂｅｒ ｏｆ ｐａｓｓｅｎｇｅｒｓ ｗｈｏ ｗｅｒｅ ｔａｋｅｎ ｄｕｒｉｎｇ ａｎ ｉｎｔｅｒｖａｌ； ｉ ｉｓ ｔｈｅ ｓｅｑｕｅｎｃｉｎｇ ｌａｂｅｌ ｏｆ ｒｏａｄ ｉｎ ｔｈｅ ｋ ｔｈ ｐａｓｓｅｎｇｅｒ ｔａｋｅｎ ｅｖｅｎｔ； ｎ ｉｓ ｔｈｅ ｓｅｑｕｅｎｃｉｎｇ ｎｕｍｂｅｒ ｏｆ ｒｅｃｏｒｄ ｉｎ ｉ ｔｈ ｒｏａｄ； Ｖ ｉ ｉｓ ｔｈｅ ｓｐｅｅｄ ｌｉｍｉｔａｔｉｏｎ ｏｆ Ｒｏａｄ ｉ； ｖ ｉｎ ｉｓ ｔｈｅ ｎｔｈ ｉｎｓｔａｎｔａｎｅｏｕｓ ｓｐｅｅｄ ｏｎ ｔｒａｖｅｌ

{ {

· １２·

ｓｅｇｍｅｎｔ ｉ． ３􀆰 ４ 　 Ｐｒｉｎｃｉｐａｌ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ Ａｐｐｒｏａｃｈ ｔｏ ｔｈｅ Ｓｙｓｔｅｍ Ｔｏ ａｎａｌｙｚｅ ｌａｒｇｅ ａｍｏｕｎｔｓ ｏｆ ｄｙｎａｍｉｃ ｄａｔａ， Ｐｒｉｎｃｉｐａｌ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ （ ＰＣＡ） ｉｓ ｗｉｄｅｌｙ ｕｓｅｄ ｉｎ ｖａｒｉｏｕｓ ｆｉｅｌｄｓ ｏｆ ｒｅｓｅａｒｃｈ． ＰＣＡ ｅｘｔｒａｃｔｓ ｔｈｅ ｃｏｍｐｏｎｅｎｔ ｆｒｏｍ ｄａｔａ ｓｔｒｕｃｔｕｒｅｓ ｗｈｉｃｈ ｅｘｐｌａｉｎｓ ｍｏｓｔ ｏｆ ｔｈｅ ｖａｒｉａｎｃｅ． Ｉｎ ｔｈｉｓ ｐａｐｅｒ， ＰＣＡ ｉｓ ｕｓｅｄ ｔｏ ｅｖａｌｕａｔｅ ｔｈｅ ＣＴＡＩ ｏｆ ｕｒｂａｎ ｔａｘｉ ｓｙｓｔｅｍ． Ｓｉｎｃｅ ｔｈｅ ｌａｒｇｅｓｔ ｅｉｇｅｎｖｅｃｔｏｒｓ ｃｏｎｔａｉｎ ｔｈｅ ｍｏｓｔ ｕｓｅｆｕｌ ｉｎｆｏｒｍａｔｉｏｎ ｒｅｌａｔｉｎｇ ｔｏ ｔｈｅ ｐｒｏｂｌｅｍ， ｗｈｉｌｅ， ｔｈｅ ｒｅｍａｉｎｉｎｇ ｅｉｇｅｎｖｅｃｔｏｒｓ ｍｏｓｔｌｙ ｃｏｎｔｒｉｂｕｔｅ ｔｏ ｔｈｅ ｎｏｉｓｅ． Ｉｎ ｔｈｅ ｃａｓｅ ｏｆ ｕｒｂａｎ ｔａｘｉ ｓｙｓｔｅｍ ａｓｓｅｓｓｍｅｎｔ， ｔｈｅ ｃｕｍｕｌａｔｉｖｅ ｐｅｒｃｅｎｔａｇｅ ｏｆ ｔｏｔａｌ ｖａｒｉａｎｃｅ ｅｘｐｌａｉｎｅｄ ｃａｎ ｂｅ ｃｏｎｓｉｄｅｒｅｄ ｔｏ ｅｘｐｌｏｒｅ ｔｈｅ ｄｉｍｅｎｓｉｏｎ ｒｅｄｕｃｔｉｏｎ． Ｔｈｅ ｄｅｔａｉｌｅｄ ｄｉｓｃｕｓｓｉｏｎ ａｂｏｕｔ ｕｓｉｎｇ ＰＣＡ ｍｅｔｈｏｄ ｔｏ ａｓｓｅｓｓ ｔｈｅ ＣＴＡＩ ｃａｎ ｂｅ ｆｏｕｎｄ ｉｎ Ｓｅｃｔｉｏｎ ４． ４　 Ｉｍｐｌｅｍｅｎｔａｔｉｏｎ ａｎｄ Ａｎａｌｙｓｉｓ Ｕｓｉｎｇ ＧＩＳ ４􀆰 １　 Ｄａｔａ Ｄｅｓｃｒｉｐｔｉｏｎ Ｔｈｅ Ｆｌｏａｔｉｎｇ Ｃａｒ Ｄａｔａ （ ＦＣＤ） ｉｓ ｃｏｌｌｅｃｔｅｄ ｂｙ ｔｈｅ ＧＰＳ ｅｑｕｉｐｍｅｎｔ ｉｎ ｅａｃｈ ｔａｘｉ， ｗｈｉｃｈ ｃｏｎｔａｉｎｓ ｓｐｅｃｉｆｉｃ ｉｎｆｏｒｍａｔｉｏｎ ａｂｏｕｔ ｅａｃｈ ｔａｘｉ ｉｎ ｏｐｅｒａｔｉｏｎ． Ｔｈｅ ｉｎｆｏｒｍａｔｉｏｎ ｃｏｌｌｅｃｔｅｄ ｉｎｃｌｕｄｅｓ ｔａｘｉ ｌｏｃａｔｉｏｎ ｉｎ ｌｏｎｇｉｔｕｄｅ， ｌａｔｉｔｕｄｅ， ｔｉｍｅｓｔａｍｐ， ｖｅｈｉｃｌｅ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ， ｏｐｅｒａｔｉｏｎ ｓｔａｔｕｓ （ｅｍｐｔｙ ｏｒ ｏｃｃｕｐｉｅｄ）， ｓｐｏｔ ｓｐｅｅｄ， ａｎｄ ａｚｉｍｕｔｈ． Ｔｈｅ ＣＴＡＩ ｓｙｓｔｅｍ ｗａｓ ｉｍｐｌｅｍｅｎｔｅｄ ｗｉｔｈ ｔｈｅ ＦＣＤ ｄａｔａ ｆｒｏｍ Ｓｈｅｎｚｈｅｎ， Ｃｈｉｎａ ｏｎ Ｄｅｃ． ２ｎｄ， ２０１１ （ ｗｅｅｋｄａｙ ） ａｎｄ Ｄｅｃ． ４ｔｈ， ２０１１ （ ｗｅｅｋｅｎｄｓ ） ， ｉｎｃｌｕｄｉｎｇ ｔｈｅ ｉｎｆｏｒｍａｔｉｏｎ ｆｒｏｍ ３０９６ ｔａｘｉｓ ｗｉｔｈ ｍｏｒｅ ｔｈａｎ ５􀆰 ７３ ｍｉｌｌｉｏｎ ｒｅｃｏｒｄｓ． ４􀆰 ２　 ＰＣＡ Ｍｅｔｈｏｄ Ｉｍｐｌｅｍｅｎｔａｔｉｏｎ ａｎｄ Ｓｅｎｓｉｔｉｖｉｔｙ Ａｎａｌｙｓｉｓ Ｂａｓｅｄ ｏｎ ｔｈｅ ｅｓｔａｂｌｉｓｈｅｄ ＣＴＡＩ， ＰＣＡ ｃａｎ ｂｅ ｉｍｐｌｅｍｅｎｔｅｄ ｗｉｔｈ ＦＣＤ ｄａｔａ ｆｒｏｍ ｔｈｅ ｌｅｖｅｌｓ ｏｆ ｓｙｓｔｅｍ， ｃｕｓｔｏｍｅｒ ａｎｄ ｄｒｉｖｅｒ ｒｅｓｐｅｃｔｉｖｅｌｙ． Ｔｈｅ ｓｔａｔｉｓｔｉｃａｌ ｒｅｓｕｌｔｓ ａｒｅ ｓｈｏｗｎ ｉｎ Ｔａｂｌｅ １． 　 　 Ｕｓｉｎｇ ＰＣＡ ｔｏ ａｓｓｅｓｓ ｔｈｅ ＣＴＡＩ ｓｙｓｔｅｍ， ｔｈｅ ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔｓ ｗｉｔｈ ｈｉｇｈｅｒ Ｖａｒｉａｎｃｅ Ｅｘｐｌａｉｎｅｄ ａｒｅ ｃｈｏｓｅｎ． Ｔｈｅ ｒｅｓｕｌｔ ｏｆ ａｐｐｌｙｉｎｇ ｔｈｉｓ ｍｅｔｈｏｄ ｉｓ ｐｒｅｓｅｎｔｅｄ ｉｎ Ｔａｂｌｅ ２． Ｆｒｏｍ ｗｈｉｃｈ， ｉｔ ｃａｎ ｂｅ ｓｅｅｎ ｔｈａｔ ｗｈｅｎ ｃｈｏｏｓｉｎｇ ｓｉｘ ｃｏｍｐｏｎｅｎｔｓ， ｔｈｅ ｔｏｔａｌ ｖａｒｉａｎｃｅ ｅｘｐｌａｉｎｅｄ ｒｅａｃｈｅｓ ９０􀆰 ９％． 　 　 Ｔａｂｌｅ ２ ａｎｄ Ｆｉｇ．６ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｔｏｐ ｆｏｕｒ ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔｓ ｏｃｃｕｐｙ ｏｖｅｒ ７０％ ｏｆ ｔｏｔａｌ ｖａｒｉａｎｃｅｓ ｉｎ ｄａｔａ ａｎｄ ｔｈｅ ｆｉｒｓｔ ｃｏｍｐｏｎｅｎｔ ｃｏｕｎｔｓ ｆｏｒ ３０％ ｏｆ ｔｏｔａｌ ｖａｒｉａｎｃｅ． Ｃａｌｃｕｌａｔｉｎｇ ｔｈｅ ｉｎｉｔｉａｌ ｆａｃｔｏｒ ｌｏａｄｉｎｇ ｍａｔｒｉｘ ｏｆ ｔｈｅ ｆｉｒｓｔ ｆｏｕｒ ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔｓ， ｔｈｅ ｒｅｓｕｌｔ ｃａｎ ｂｅ ｓｈｏｗｎ ｉｎ Ｅｑ．（３） ． Ｉｔ ｃａｎ ｂｅ ｓｅｅｎ ｔｈａｔ ｉｎｄｉｃｅｓ， ｓｕｃｈ ａｓ ＳＩＲＩ， ＷＤＩ ａｎｄ ＯＳＩ， ｏｗｎ ａ ｒｅｌａｔｉｖｅ ｈｉｇｈｅｒ ｗｅｉｇｈｔ ｔｈａｎ ｏｔｈｅｒｓ ｗｈｅｎ ｃｏｎｓｉｓｔｉｎｇ ｔｈｅ ｍｏｓｔ ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ． Ｔｈｉｓ ｏｂｓｅｒｖａｔｉｏｎ ｉｎｄｉｃａｔｅｓ ｔｈａｔ ｔｈｅ ａｂｏｖｅ ｉｎｄｉｃｅｓ ａｌｓｏ ｐｌａｙ ａ ｓｉｇｎｉｆｉｃａｎｔ ｒｏｌｅ ｉｎ ｄｅｔｅｒｍｉｎｉｎｇ ｔｈｅ ｆｉｎａｌ ｅｖａｌｕａｔｉｏｎ ｏｆ ＣＴＡＩ ｓｙｓｔｅｍ．

Ｊｏｕｒｎａｌ ｏｆ Ｈａｒｂｉｎ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ （ Ｎｅｗ Ｓｅｒｉｅｓ） ， Ｖｏｌ．２１， Ｎｏ．１， ２０１４ Ｄｅｓｃｒｉｐｔｉｏｎ

Ｔａｂｌｅ １　 Ｏｒｉｇｉｎａｌ ｓｔａｔｉｓｔｉｃｓ ｆｏｒ ｖａｒｉｏｕｓ ｉｎｄｉｃｅｓ ｃａｌｃｕｌａｔｉｏｎ （ Ｄｅｃ． ４ ｔｈ ， ２０１１） Ｉｎｄｅｘ

Ｔｉｍｅ Ｉｄｌｉｎｇ Ｒａｔｅ

Ｍｉｎ

ＴＩＲＩ

Ｓｐａｃｅ Ｉｄｌｉｎｇ Ｒａｔｅ

０􀆰 ２９

ＳＩＲＩ

Ｄｉｓｔａｎｃｅ ｔｏ Ｈｏｔｓｐｏｔ（ ｍ）

ＷＤＩ

Ｄｒｉｖｉｎｇ Ｔｉｍｅ Ｒａｔｉｏ

ＤＤＲ

Ｄａｉｌｙ Ｐｒｏｆｉｔ （ ＲＭＢ）

ＰＩ

Ｔａｘｉ Ａｖａｉｌａｂｉｌｉｔｙ Ｐｒｏｂａｂｉｌｉｔｙ Ｄｒｉｖｉｎｇ Ｄｉｓｔａｎｃｅ Ｒａｔｉｏ Ｏｃｃｕｐｉｅｄ Ｓｐｅｅｄ （ ｋｍ ／ ｈ） Ｄａｉｌｙ Ｗｏｒｋｉｎｇ Ｔｉｍｅ （ ｈ）

０􀆰 ２７ １３７

ＯＳＩ

７􀆰 ９１

４３􀆰 ６

１９２

１４􀆰 １

３

１􀆰 ２４９

１３􀆰 ８８２

６１􀆰 １６１

０􀆰 ７２２ ０􀆰 ６５６

８

０􀆰 １４５

９

０􀆰 ０１５

１７􀆰 ０５５

４７􀆰 ２７９

１１􀆰 ３５８

７２􀆰 ５１９

１０􀆰 ３９７

８２􀆰 ９１６

８􀆰 ０１８

９０􀆰 ９３３

７􀆰 ２９２

９８􀆰 ２２６

１􀆰 ６１３

９９􀆰 ８３８

０􀆰 １６２

１００􀆰 ０００

Va r i a nc ee x pl a i ne d( %)

Cumul a t e dv a r i a n c ee x pl a i ne d ( %)

120

35

100 25

80 60

15

40 20

5

0 1

2

3

4 5 6 7 Pr i nc i pa lc o mpo ne nt

8

9

Ｆｉｇ．６　 Ｃｏｎｔｒｉｂｕｔｉｏｎ ｏｆ ｖａｒｉｏｕｓ ｃｏｍｐｏｎｅｎｔｓ ｉｎ ＰＣＡ ｍｅｔｈｏｄ

　 ０．１５５ ö 　 ０．３６４ ÷ 　 ０．０９１ ÷ ÷ 　 ０．３７０ ÷ 　 ０．７７７ ÷ － ０．１３２÷ － ０．２４１÷ － ０．１８７÷ ÷ 　 ０．０８３ ø （３） Ｔｈｅ ＣＴＡＩ ｍｏｄｅｌ ｃｏｕｌｄ ｂｅ ｃａｌｃｕｌａｔｅｄ ａｓ ｆｏｌｌｏｗｓ： ＣＴＡＩ ＝ ０􀆰 ２４ＳＩＲＩ ＋ ０􀆰 ０６ＴＩＲＩ ＋ ０􀆰 ２４ＷＤＩ －

æ ＳＩＲＩ ö ç ＴＩＲＩ ÷ ç ＷＤＩ ÷ ç ÷ ç ＴＡＩ ÷ Ｖ ＝ ç ＤＤＲ ÷ ç ＤＴＲ ÷ ç ＰＩ ÷ ç ÷ ç ＯＳＩ ÷ è ＷＴＩ ø

Ｔ

æ 　 ０．９１４ ç － ０．２０３ ç 　 ０．９０７ ç ç 　 ０．２８５ ç － ０．００８ ç － ０．２１３ ç 　 ０．６１６ ç ç 　 ０．７１５ è 　 ０．０４７

－ ０．２１７ 　 ０．５９７ － ０．２０４ － ０．４０１ 　 ０．２４１ － ０．２３３ 　 ０．３１６ 　 ０．５６８ － ０．６２８

３１􀆰 ３

０􀆰 ０８１

３０􀆰 ２２４

７

２３３

１􀆰 ３７

３０􀆰 ２２４

６

８􀆰 ６１

２８１

１􀆰 ５９

２􀆰 ７２０

０􀆰 ９３６

８􀆰 ５４

１􀆰 １９

１

５

０􀆰 ０９５

ＤＴＲ

１􀆰 １

Ｔｏｔａｌ Ｖａｒｉａｎｃｅ Ｅｘｐｌａｉｎｅｄ （ ％）

１􀆰 ０２２

０􀆰 ４９

０􀆰 ０８４

Ｖａｒｉａｎｃｅ Ｅｘｐｌａｉｎｅｄ （ ％）

４

０􀆰 ６７

０􀆰 ８６

Ｖａｌｕｅ

１􀆰 ５３５

Ｍｅａｎ Ｓｃｏｒｅ

０􀆰 ０３６

０􀆰 ９９

Ｅｉｇｅｎｖａｌｕｅｓ

２

Ｓｔｄ． Ｄｅｖ

０􀆰 ３５

０􀆰 ６０

Ｔａｂｌｅ ２　 Ａｎａｌｙｓｉｓ ｏｆ ｖａｒｉａｎｃｅ ｉｎ ＰＣＡ Ｃｏｍｐ．

Ｍｅａｎ

ＴＡＩ

ＷＴＩ

　 　 　 （ ＃ ｏｆ ｐｉｃｋｅｄ ｏｂｓｅｒｖａｔｉｏｎｓ： ５０）

Ｍａｘ

０􀆰 ４６

　 ０．１６０ － ０．３７０ 　 ０．２０６ － ０．４９４ 　 ０．４２７ 　 ０．６５５ － ０．３０２ 　 ０．１０６ － ０．２９４

５􀆰 ５

３􀆰 １

０􀆰 ８０８

１２８５

７５２􀆰 ８

２０１􀆰 ０４

２４􀆰 ０

２３􀆰 ６８

１􀆰 ３９６

２５􀆰 ３９

５􀆰 ４８９

１０

５􀆰 ５４ ５􀆰 ５１ ５􀆰 ４７ ５􀆰 １３ ４􀆰 ８９ ５􀆰 １９

０􀆰 ０３ＴＡＩ ＋ ０􀆰 ２３ＤＤＲ － ０􀆰 ０１ＤＴＲ ＋ ０􀆰 １２ＰＩ ＋ ０􀆰 ２８ＯＳＩ － ０􀆰 １４ＷＴＩ （４） Ｔｏ ｐｅｒｆｏｒｍ ａ ｑｕａｎｔｉｆｉｃａｔｉｏｎａｌ ａｎａｌｙｓｉｓ ｏｆ ｉｎｄｅｘ ｃｈａｎｇｅ ｉｎ ＣＴＡＩ ｓｙｓｔｅｍ， ｓｅｎｓｉｔｉｖｉｔｙ ａｎａｌｙｓｉｓ ｉｓ ｃｏｎｄｕｃｔｅｄ ｂｙ ｖａｒｙｉｎｇ ｓｐｅｃｉｆｉｃ ｉｎｄｅｘ ｔｏ ｏｂｓｅｒｖｅ ｔｈｅ ｃｈａｎｇｉｎｇ ｏｆ ｆｉｎａｌ ｏｕｔｐｕｔ． Ｉｎ ｓｅｎｓｉｔｉｖｉｔｙ ａｎａｌｙｓｉｓ， ｔｈｅ ｍｅａｎｓ ｉｎｄｉｃｅｓ ａｒｅ ｃｈａｎｇｅｄ ｆｒｏｍ － ２０％ ｔｏ ２０％． Ｔｈｒｏｕｇｈ ｔｈｅ ｖａｌｕｅ ａｄｊｕｓｔｍｅｎｔ， ｔｈｅ ｒｅｓｕｌｔｉｎｇ ＣＴＡＩ ｃａｎ ｂｅ ｏｂｔａｉｎｅｄ ａｎｄ ｔｈｅ ｄｉｆｆｅｒｅｎｃｅ ｆｒｏｍ ｔｈｅ ｏｒｉｇｉｎ ｃａｎ ｂｅ ｃａｌｃｕｌａｔｅｄ． Ｔｈｅ ｒｅｓｕｌｔｓ ａｒｅ ｐｒｅｓｅｎｔｅｄ ｉｎ Ｔａｂｌｅ ３． Ｉｔ ｃａｎ ｂｅ ｓｈｏｗｎ ｔｈａｔ ｒａｉｓｉｎｇ ＳＩＲＩ ｆｏｒ ２０％ ｃａｎ ｃｏｎｔｒｉｂｕｔｅ ｔｏ ｔｈｅ ｌａｒｇｅｓｔ ｖａｌｕｅ ｉｍｐｒｏｖｅｍｅｎｔ （ ６􀆰 ５２％） ｏｆ ＣＴＡＩ． Ａｓ ｅｘｐｅｃｔｅｄ， ｈｉｇｈｅｒ ＳＩＲＩ， ＷＤＩ ａｎｄ ＯＳＩ ｗｉｌｌ ｒｅｓｕｌｔ ｉｎ ａ ｈｉｇｈｅｒ ｖａｌｕｅ ｏｆ ｔｈｅ ｗｈｏｌｅ ｓｙｓｔｅｍ． Ａｔ ｔｈｅ ｓｙｓｔｅｍ⁃ｌｅｖｅｌ， ｔｈｅ ｍｅａｓｕｒｅｍｅｎｔ ｏｎ ｉｍｐｒｏｖｉｎｇ ｔｈｅ ＳＩＲＩ ｃａｎ ｂｅ ａ ｓｅｎｓｉｂｌｅ ｃｈｏｉｃｅ； ａｔ ｔｈｅ ｃｕｓｔｏｍｅｒ⁃ｌｅｖｅｌ， ｗａｌｋｉｎｇ ｄｉｓｔａｎｃｅ ｉｎｄｅｘ ｉｓ ｉｍｐｏｒｔａｎｔ ｔｏ ｃｕｓｔｏｍｅｒ ｓａｔｉｓｆａｃｔｉｏｎ； ａｔ ｔｈｅ ｄｒｉｖｅｒ⁃ｌｅｖｅｌ， ｉｎｃｒｅａｓｉｎｇ ｔｈｅ ｄｒｉｖｉｎｇ ｓｐｅｅｄ ｗｈｅｎ ｐａｓｓｅｎｇｅｒ ｉｎ ｖｅｈｉｃｌｅ ｂｙ ２０％ ｃａｎ ｌｅａｄ ｔｏ ４􀆰 ４５％ ｉｎｃｒｅａｓｅ ｏｆ ＣＴＡＩ ｓｙｓｔｅｍ． 　 　 Ｍｅａｎｗｈｉｌｅ， ｔｈｅ ｒｅｓｕｌｔｓ ｖａｌｉｄａｔｅ ｔｈｅ ｃａｓｅ ｉｎ Ｓｈｅｎｚｈｅｎ． Ｔｈｅ ｓｐａｃｅ ｉｄｌｉｎｇ ｒａｔｅ ｏｆ ｅｎｔｉｒｅ ｔａｘｉ ｓｙｓｔｅｍ ｉｓ ４９％ ｂａｓｅｄ ｏｎ ｔｈｅ ＦＣＤ ｄａｔａ， ｉｎｄｉｃａｔｉｎｇ ｔｈａｔ ｎｅａｒｌｙ ｈａｌｆ ｄｒｉｖｉｎｇ ｍｉｌｅａｇｅｓ ｏｆ ｔｈｅ ｔａｘｉ ａｒｅ ｗａｓｔｅｄ ｏｎ ｃｒｕｉｓｉｎｇ ｆｏｒ ｐａｓｓｅｎｇｅｒ． Ｔｈｅ ｃｕｒｒｅｎｔ ｃｏｎｄｉｔｉｏｎ ｉｎ Ｓｈｅｎｚｈｅｎ ｃｏｎｆｏｒｍｓ ｔｏ ｔｈｅ ｒｅｓｕｌｔ， ｓｈｏｗｉｎｇ ｔｈａｔ ｔｈｅ ｓｕｐｐｌｙ ｏｆ ｔａｘｉ ｉｓ ｈｉｇｈｅｒ ｔｈａｎ ｐａｓｓｅｎｇｅｒ ’ ｓ ｄｅｍａｎｄ． Ｆｏｒ ｇｏｖｅｒｎｍｅｎｔ ｔｒａｎｓｐｏｒｔａｔｉｏｎ ｐｌａｎｎｅｒ， ｐｏｌｉｃｙ ｆｏｒ ｒｅｄｕｃｉｎｇ ｓｐａｃｅ ｉｄｌｉｎｇ ｒａｔｅ ｏｆ ｔａｘｉ ｉｓ ｔｈｅ ｍｏｓｔ ｓｉｇｎｉｆｉｃａｎｔ ｆａｃｔｏｒ， ｗｈｉｃｈ ｓｈｏｕｌｄ ｂｅ ｔａｋｅｎ ｉｎｔｏ ｃｏｎｓｉｄｅｒａｔｉｏｎ． Ｂｅｓｉｄｅｓ， ｆｒｏｍ ｔｈｅ ｃｕｓｔｏｍｅｒ ｐｏｉｎｔ ｏｆ ｖｉｅｗ， ＷＤＩ ｉｓ ｔｈｅ ｋｅｙ ｉｎｄｅｘ ｆｏｒ ｉｍｐｒｏｖｉｎｇ ｔｈｅ ＣＴＡＩ ｐｅｒｆｏｒｍａｎｃｅ． Ｐｒｏｊｅｃｔｓ ｌｉｋｅ ａｄｄｉｎｇ ｔａｘｉ ｓｔａｎｄｓ ｉｎ ｔｈｅ ｈｏｔｓｐｏｔ ａｒｅａ ｃａｎ ｉｎｃｒｅａｓｅ ｔｈｅ ｐｒｏｂａｂｉｌｉｔｙ ｏｆ ｔａｘｉ ａｖａｉｌａｂｌｅ ｆｏｒ ｐａｓｓｅｎｇｅｒｓ． Ｉｎ ＣＴＡＩ ｓｃｏｐｅ， ｓｕｃｈ ｐｒｏｊｅｃｔｓ ｃａｎ ｌｅａｄ ｔｏ ａｎ ｉｎｃｒｅａｓｅ ｏｆ ＷＤＩ ａｎｄ ＴＡＩ， ｗｈｉｃｈ ｉｍｐｒｏｖｅｓ ｔｈｅ ｅｎｔｉｒｅ ｓｙｓｔｅｍ ｐｅｒｆｏｒｍａｎｃｅ． ４􀆰 ３　 Ｃｏｍｐａｒｉｓｏｎ ｏｆ ＣＴＡＩ Ｐｅｒｆｏｒｍａｎｃｅ ｉｎ Ｗｅｅｋｄａｙｓ ａｎｄ Ｗｅｅｋｅｎｄｓ ＦＣＤ ｄａｔａ ｆｒｏｍ Ｓｈｅｎｚｈｅｎ ｏｎ ｂｏｔｈ Ｄｅｃ． ２ｎｄ ， ２０１１ ａｎｄ Ｄｅｃ． ４ｔｈ ， ２０１１ ａｒｅ ｕｓｅｄ， ｉｎｃｌｕｄｉｎｇ ｗｅｅｋｄａｙ （Ｄｅｃ． ２ｎｄ ） ａｎｄ ｗｅｅｋｅｎｄ （Ｄｅｃ． ４ｔｈ ）， ｔｏ ａｎａｌｙｚｅ ｔｈｅ ｐｅｒｆｏｒｍａｎｃｅ ａｎｄ ｖａｒｉａｎｃｅ ｏｆ ＣＴＡＩ ｂｅｔｗｅｅｎ ｄｉｆｆｅｒｅｎｔ ｄａｙｓ ｉｎ ａ ｗｅｅｋ． · １３·

Ｊｏｕｒｎａｌ ｏｆ Ｈａｒｂｉｎ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ （ Ｎｅｗ Ｓｅｒｉｅｓ） ， Ｖｏｌ．２１， Ｎｏ．１， ２０１４ Ｔａｂｌｅ ３　 Ｓｅｎｓｉｔｉｖｉｔｙ ａｎａｌｙｓｉｓ ｒｅｓｕｌｔｓ Ｖａｌｕｅ

Ｃｈａｎｇｅ ｉｎ ｐｅｒｃｅｎｔ

ＣＴＡＩ Ｃｈａｎｇｅ

Ｄｉｆｆｅｒｅｎｃｅ

Ｄｉｆｆｅｒｅｎｃｅ ｉｎ Ｐｅｒｃｅｎｔａｇｅ

７􀆰 ５２

－１０

５􀆰 ９５

－０􀆰 ２０

－３􀆰 ２６

６􀆰 ６８

ＳＩＲＩ

８􀆰 ３５

３􀆰 ２６

７􀆰 ９５

－２０

６􀆰 ０３

－０􀆰 １２

－１􀆰 ９４

９􀆰 ９４

－

６􀆰 １５

０

８􀆰 ９５

－０􀆰 ９７ ０

０􀆰 ９７

４􀆰 ４３

－２０

５􀆰 ８８

－０􀆰 ２７

－４􀆰 ３３

５􀆰 ５４

－

６􀆰 １５

０

４􀆰 ９９

＋２０

－１０

６􀆰 ２７

６􀆰 ０２

０􀆰 １２

－０􀆰 １３

１􀆰 ９４

－２􀆰 １６ ０

６􀆰 １０

＋１０

６􀆰 ２８

０􀆰 １３

２􀆰 １６

６􀆰 ８９

－２０

６􀆰 ２０

０􀆰 ０５

０􀆰 ８４

８􀆰 ６１

－

６􀆰 １５

０ －０􀆰 ４２

－４􀆰 １２

７􀆰 ７５

＋２０

－１０

６􀆰 ４２

６􀆰 １８

０􀆰 ２７

０􀆰 ０３

９􀆰 ４７

＋１０

６􀆰 １２

０ －０􀆰 ０３

４􀆰 ４１

－２０

５􀆰 ９０

－０􀆰 ２５

５􀆰 ５１

－

６􀆰 １５

０

４􀆰 ９６

＋２０

－１０

６􀆰 １０

６􀆰 ０２

－０􀆰 ０５

－０􀆰 １３

４􀆰 ３３

０􀆰 ４２

－０􀆰 ８４

－２􀆰 ０６ ０

６􀆰 ０６

＋１０

６􀆰 ２８

０􀆰 １３

２􀆰 ０６

４􀆰 ３８

－２０

６􀆰 １６

０􀆰 ０１

０􀆰 １８

５􀆰 ４７

－

６􀆰 １５

０ －０􀆰 ０９

－２􀆰 ００

４􀆰 ９２

＋２０

－１０

６􀆰 ４０

６􀆰 １５

０􀆰 ２５

０􀆰 ０１

６􀆰 ０２

＋１０

６􀆰 １４

０ －０􀆰 ０１

４􀆰 １０

－２０

６􀆰 ０３

－０􀆰 １２

５􀆰 １３

－

６􀆰 １５

０

４􀆰 ６２

＋２０

－１０

６􀆰 １４

６􀆰 ０９

－０􀆰 ０１

－０􀆰 ０６

４􀆰 １２

０􀆰 ０９

－０􀆰 １８

－１􀆰 ００ ０

５􀆰 ６４

＋１０

６􀆰 ２１

０􀆰 ０６

１􀆰 ００

３􀆰 ９１

－２０

５􀆰 ８８

－０􀆰 ２７

－４􀆰 ４５

４􀆰 ８９

－

６􀆰 １５

０

４􀆰 ４０

＋２０

－１０

６􀆰 ２７

６􀆰 ０１

０􀆰 １２

－０􀆰 １４

２􀆰 ００

－２􀆰 ２３ ０

５􀆰 ３８

＋１０

６􀆰 ２９

０􀆰 １４

２􀆰 ２３

４􀆰 １２

－２０

６􀆰 ２９

０􀆰 １４

２􀆰 ３４

５􀆰 １５

－

６􀆰 １５

０ －０􀆰 ０７

０ －１􀆰 １７

４􀆰 ６３ ５􀆰 ６６ ６􀆰 １８

· １４·

－０􀆰 ０６

６􀆰 ５２

０􀆰 ０６

５􀆰 ８７

ＷＴＩ

６􀆰 ０９

０􀆰 ４０

６􀆰 ２１

６􀆰 １５

ＯＳＩ

－１０

６􀆰 ５５

＋１０

６􀆰 ５７

ＰＩ

＋２０

１０􀆰 ９３

６􀆰 ６１

ＤＴＲ

０

０􀆰 ２０

１０􀆰 ３３

ＤＤＲ

０

－６􀆰 ５２

６􀆰 ３５

６􀆰 ６５

ＴＡＩ

６􀆰 １５

－０􀆰 ４０

＋１０

１１􀆰 ９３

ＷＤＩ

－

５􀆰 ７５

９􀆰 １９

１０􀆰 ０２

ＴＩＲＩ

－２０

＋２０

－１０ ＋１０ ＋２０

６􀆰 ４２

６􀆰 ２２ ６􀆰 ０８ ６􀆰 ０１

０􀆰 ２７

０􀆰 ０７

－０􀆰 １４

４􀆰 ４５

１􀆰 １７

－２􀆰 ３４

Ｊｏｕｒｎａｌ ｏｆ Ｈａｒｂｉｎ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ （ Ｎｅｗ Ｓｅｒｉｅｓ） ， Ｖｏｌ．２１， Ｎｏ．１， ２０１４ 　 　 Ｆｒｏｍ Ｔａｂｌｅ ４， ａｎ ｏｖｅｒｖｉｅｗ ｔｏｗａｒｄｓ ｔｈｅ ｉｎｄｉｃａｔｏｒｓ ｏｆ ｕｒｂａｎ ｔａｘｉ ｓｙｓｔｅｍ ｃａｎ ｂｅ ｏｂｔａｉｎｅｄ． Ａｔ ｔｈｅ ｃｕｓｔｏｍｅｒ⁃ ｌｅｖｅｌ， ａｎ ｉｎｃｒｅａｓｉｎｇ ｔｒｅｎｄ ｉｎ ｔａｘｉ ｉｄｌｉｎｇ ｒａｔｅ ｉｓ ｉｄｅｎｔｉｆｉｅｄ ｄｕｒｉｎｇ ｗｅｅｋｅｎｄｓ ｃｏｍｐａｒｅｄ ｗｉｔｈ ｗｅｅｋｄａｙ． Ｍｏｒｅｏｖｅｒ， ｔｈｅ ｈｉｇｈ ｉｄｌｉｎｇ ｒａｔｅｓ ｌｅａｄ ｔｏ ｔｈｅ ｄｒｏｐ ｏｆ ｄａｉｌｙ ｐｒｏｆｉｔ ｆｏｒ ｅａｃｈ ｔａｘｉ⁃ｄｒｉｖｅｒ， ｗｈｉｃｈ ｒｅｄｕｃｅｓ ｔｈｅ ＣＴＡＩ ｓｃｏｒｅ ｏｆ ｔｈｅ ｕｒｂａｎ ｔａｘｉ ｓｙｓｔｅｍ． 　 　 Ｉｎ ｃｕｓｔｏｍｅｒ⁃ｌｅｖｅｌ， ｉｔ ｉｓ ａｌｓｏ ｆｏｕｎｄ ｆｒｏｍ Ｆｉｇ．７ ｔｈａｔ ｔｈｅ ｐｉｃｋ⁃ｕｐ ｐｏｉｎｔｓ ｉｎ ａｌｌ ｔｈｅ ｔｏｐ ｈｏｔｓｐｏｔｓ ｄｒｏｐｓ ｏｎ ｔｈｅ ｗｅｅｋｅｎｄ． Ｉｎ ａｄｄｉｔｉｏｎ， ｔｈｅ ｈｏｔｓｐｏｔｓ ｓｐｒｅａｄ ｗｉｄｅｒ ｓｉｎｃｅ ｆａｃｔｏｒｓ ｓｉｍｉｌａｒ ｔｏ ｗｅｅｋｅｎｄ⁃ｔｒｉｐ ｃａｎ ｃａｕｓｅ ｎｅｗ ｈｏｔｓｐｏｔｓ

（ ｔｈｅ ｒｉｇｈｔｅｓｔ ｇｒｉｄ ｉｎ ｔｈｅ ｂｅｌｏｗ ｇｒａｐｈ ） ． Ｆｒｏｍ ｉｎｄｅｘ ａｓｐｅｃｔ ｔｏ ｒｅｖｉｅｗ ｔｈｅ ｄａｔａ ａｂｏｖｅ， ＷＤＩ ｃｈａｎｇｅｓ ｓｌｉｇｈｔｌｙ ｓｉｎｃｅ ｔｈｅ ｄｉｓｔｒｉｂｕｔｉｏｎ ｏｆ ｃｕｓｔｏｍｅｒ ｄｅｍａｎｄ⁃ｏｃｃｕｒｒｉｎｇ ｐｏｉｎｔ ｒｅｍａｉｎ ｒｅｌａｔｉｖｅｌｙ ｔｈｅ ｓａｍｅ ｆｏｒ ｂｏｔｈ ｗｅｅｋｄａｙ ａｎｄ ｗｅｅｋｅｎｄｓ． Ｂａｓｅｄ ｏｎ ｔｈｅ ｉｎｆｏｒｍａｔｉｏｎ ｏｂｔａｉｎｅｄ ｆｒｏｍ ｄｒｉｖｅｒ⁃ｌｅｖｅｌ ｔｈａｔ ｄｒｉｖｅｒ ’ ｓ ｗｏｒｋｉｎｇ ｏｃｃｕｐｉｅｄ ｓｐｅｅｄ ｉｎｃｒｅａｓｅｓ ｂｙ ２􀆰 ２％， ｉｔ ｉｓ ｃｏｎｖｉｎｃｉｎｇ ｔｈａｔ ｔｈｅ ｖａｌｕｅ ｏｆ ＤＤＲ ｉｎｃｒｅａｓｅｓ ｂｏｔｈ ｏｎ ａｖｅｒａｇｅ ｖａｌｕｅ ａｎｄ ｖａｒｉａｎｃｅ， ｗｈｉｃｈ ｉｓ ｐｒｏｂａｂｌｙ ｆｒｏｍ ｔｈｅ ｒｅａｓｏｎ ｔｈａｔ ｄｒｉｖｅｒｓ ｔｅｎｄ ｔｏ ｇｉｖｅ ｕｐ ｔｈｅ ｓｈｏｒｔｅｓｔ ｐａｔｈ ｆｏｒ ｔｈｅ ｒｅｌａｔｉｖｅ ｇｏｏｄ ｒｏａｄ ｃｏｎｄｉｔｉｏｎ ｏｎ ｗｅｅｋｅｎｄｓ．

Ｔａｂｌｅ ４　 Ｏｒｉｇｉｎａｌ ｓｔａｔｉｓｔｉｃｓ ａｎｄ ｓｃｏｒｅ ｏｆ ｖａｒｉｏｕｓ ｉｎｄｉｃｅｓ （ Ｄｅｃ． ２ ｎｄ ａｎｄ Ｄｅｃ． ４ ｔｈ ） Ｄｅｓｃｒｉｐｔｉｏｎ Ｔｉｍｅ Ｉｄｌｉｎｇ Ｒａｔｅ

Ｓｐａｃｅ Ｉｄｌｉｎｇ Ｒａｔｅ

Ｗｏｒｋｉｎｇ Ｄｉｓｔａｎｃｅ （ ｍ）

Ｍｅａｎ ０􀆰 ３３ ０􀆰 ４５ ２３３

Ｄｅｃ． ２ ｎｄ（ ｗｅｅｋｄａｙ） Ｓｔｄ． Ｄｅｖ

Ｍｅａｎ Ｓｃｏｒｅ

Ｍｅａｎ

０􀆰 ０８０

８􀆰 ８４

０􀆰 ４９

０􀆰 ０３２ ３２􀆰 ２

Ｔａｘｉ Ａｖａｉｌａｂｉｌｉｔｙ Ｐｒｏｂ．

０􀆰 ８７

０􀆰 ０６４

Ｄｒｉｖｉｎｇ Ｄｉｓｔａｎｃｅ Ｒａｔｉｏ

１􀆰 ３５

０􀆰 ０６１

Ｄｒｉｖｉｎｇ Ｔｉｍｅ Ｒａｔｉｏ

３􀆰 １

０􀆰 ４９６

Ｄａｉｌｙ Ｐｒｏｆｉｔ （ ＲＭＢ）

８８３􀆰 ９

１４４􀆰 ５８７

Ｄａｉｌｙ Ｗｏｒｋｉｎｇ Ｔｉｍｅ （ ｈ）

２４􀆰 ０

０􀆰 １０５

Ｏｃｃｕｐｉｅｄ Ｓｐｅｅｄ （ ｋｍ ／ ｈ）

２４􀆰 ８

　 　 （ ＃ ｏｆ ｐｉｃｋｅｄ ｏｂｓｅｒｖａｔｉｏｎｓ： ５０ ｒｅｓｐｅｃｔｉｖｅｌｙ）

３􀆰 ５５４

９􀆰 ８９ ５􀆰 ５５

０􀆰 ３５ ２３５

Ｄｅｃ． ４ ｔｈ（ ｗｅｅｋｅｎｄ） Ｓｔｄ． Ｄｅｖ

Ｍｅａｎ Ｓｃｏｒｅ

０􀆰 ０９５

８􀆰 ５４ ８􀆰 ６１

０􀆰 ０３６ ３１􀆰 ３

８􀆰 ６８

０􀆰 ８６

０􀆰 ０８４

５􀆰 ５９

１􀆰 ３７

０􀆰 ０８１

４􀆰 ９６

３􀆰 １

０􀆰 ８０８

５􀆰 ４９

７５２􀆰 ８

２０１􀆰 ０３９

５􀆰 ２３

２３􀆰 ６８

１􀆰 ３９６

４􀆰 ３２

２５􀆰 ３９

５􀆰 ４８９

１０

５􀆰 ５４ ５􀆰 ５１ ５􀆰 ４７ ５􀆰 １３ ４􀆰 ８９ ５􀆰 １９

De c . 2nd,20 11,Fr i da y （ ａ） Ｗｅｅｋｄａｙ

De c . 4th,2011,Sunda y （ ｂ） Ｗｅｅｋｅｎｄ

Ｆｉｇ．７　 Ｈｏｔｓｐｏｔ ｓｐｒｅａｄ ｉｎ ｗｅｅｋｄａｙ ａｎｄ ｗｅｅｋｅｎｄ

· １５·

Ｊｏｕｒｎａｌ ｏｆ Ｈａｒｂｉｎ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ （ Ｎｅｗ Ｓｅｒｉｅｓ） ， Ｖｏｌ．２１， Ｎｏ．１， ２０１４ ５　 Ｃｏｎｃｌｕｓｉｏｎｓ Ｔｈｉｓ ｐａｐｅｒ ｐｒｏｐｏｓｅｓ ａｎ ｏｖｅｒａｌｌ ｅｖａｌｕａｔｉｏｎ ｍｅｔｈｏｄ （ＣＴＡＩ） ｏｆ ｕｒｂａｎ ｔａｘｉ ｓｙｓｔｅｍ， ｗｈｉｃｈ ａｓｓｅｓｓｅｓ ｔｈｅ ｕｒｂａｎ ｔａｘｉ ｓｙｓｔｅｍ ｉｎ ｌｅｖｅｌｓ ｏｆ ｓｙｓｔｅｍ， ｃｕｓｔｏｍｅｒ ａｎｄ ｄｒｉｖｅｒ， ｃｏｎｓｉｓｔｉｎｇ ｏｆ ｎｉｎｅ ｋｅｙ ｉｎｄｉｃｅｓ． Ｔｈｅ ｑｕａｌｉｔｙ ｏｆ ｕｒｂａｎ ｔａｘｉ ｓｙｓｔｅｍ ｃａｎ ｂｅ ｏｂｔａｉｎｅｄ ｅａｓｉｌｙ ａｎｄ ｑｕａｎｔｉｔａｔｉｖｅｌｙ ｆｒｏｍ ｔｈｅ ＦＣＤ ｄａｔａ ｃｏｌｌｅｃｔｅｄ ｆｒｏｍ ｕｒｂａｎ ｔａｘｉｓ． Ｔｈｉｓ ｒｅｓｅａｒｃｈ ｅｘｔｅｎｄｓ ｔｈｅ ｔｒａｄｉｔｉｏｎａｌ ｒｅｓｅａｒｃｈ， ａｎｄ ｓｉｇｎｉｆｉｃａｎｔｌｙ ｆｕｒｔｈｅｒ ａｎａｌｙｚｅｓ ｔｈｅ ｃｏｒｒｅｌａｔｉｏｎ ｂｅｔｗｅｅｎ ｖａｒｉｏｕｓ ｆａｃｔｏｒｓ ｗｉｔｈｉｎ ｔｈｅ ｕｒｂａｎ ｔａｘｉ ｓｙｓｔｅｍ． Ｈｏｗｅｖｅｒ， ａｓ ｄｉｓｃｕｓｓｅｄ， ｔｈｅ ＳＩＲＩ ａｎｄ ＴＩＲＩ ａｒｅ ｃｏｎｓｔｒｕｃｔｅｄ ｂａｓｅｄ ｏｎ ｏｐｅｒａｔｉｏｎａｌ ｅｘｐｅｒｉｅｎｃｅｓ， ｗｈｉｃｈ ｎｅｅｄｓ ｔｏ ｂｅ ｆｕｒｔｈｅｒ ｖａｌｉｄａｔｅｄ． Ｉｎ ａｄｄｉｔｉｏｎ， ａ ｒｅａｌ ｔｉｍｅ ｄａｔａ ｓｏｕｒｃｅ ｉｎｐｕｔ ｗｏｕｌｄ ａｓｓｉｓｔ ｔｏ ｐｒｅｓｅｎｔ ａ ｄｙｎａｍｉｃ ｒｅｆｌｅｃｔｉｏｎ ｏｆ ｔｈｅ ｅｎｔｉｒｅ ｓｙｓｔｅｍ， ｗｈｉｃｈ ｉｓ ｅｓｓｅｎｔｉａｌ ｔｏ ｔｈｅ ｒｅａｌ ｔｉｍｅ ｄｅｃｉｓｉｏｎ⁃ｍａｋｅｒｓ． Ｒｅｆｅｒｅｎｃｅｓ

［１ ］ Ｙａｎｇ Ｈ， Ｗｏｎｇ Ｓ Ｃ． Ａ ｎｅｔｗｏｒｋ ｍｏｄｅｌ ｏｆ ｕｒｂａｎ ｔａｘｉ ｓｅｒｖｉｃｅｓ． Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｒｅｓｅａｒｃｈ Ｐａｒｔ Ｂ： Ｍｅｔｈｏｄｏｌｏｇｉｃａｌ， １９８８， ３２：２３５－２４６． ［ ２ ］ Ｗｏｎｇ Ｋ Ｉ， Ｗｏｎｇ Ｓ Ｃ， Ｙａｎｇ Ｈ． Ｍｏｄｅｌｉｎｇ ｕｒｂａｎ ｔａｘｉ ｓｅｒｖｉｃｅｓ ｉｎ ｃｏｎｇｅｓｔｅｄ ｒｏａｄ ｎｅｔｗｏｒｋｓ ｗｉｔｈ ｅｌａｓｔｉｃ ｄｅｍａｎｄ． Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｒｅｓｅａｒｃｈ Ｐａｒｔ Ｂ： Ｍｅｔｈｏｄｏｌｏｇｉｃａｌ， ２００１， ３５：８１９－８４２． ［３］ Ｙａｎｇ Ｈ， Ｌｅｕｎｇ Ｃ Ｗ Ｙ， Ｗｏｎｇ Ｓ Ｃ， ｅｔ ａｌ． Ｅｑｕｉｌｉｂｒｉｕｍ ｏｆ ｂｉｌａｔｅｒａｌ ｔａｘｉ⁃ｃｕｓｔｏｍｅｒ ｓｅａｒｃｈｉｎｇ ａｎｄ ｍｅｅｔｉｎｇ ｏｎ ｎｅｔｗｏｒｋｓ． Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｒｅｓｅａｒｃｈ Ｐａｒｔ Ｂ： Ｍｅｔｈｏｄｏｌｏｇｙ， ２０１０， ４４： １０６７－１０８３． ［ ４ ］ Ｈｕ Ｘ Ｂ， Ｇａｏ Ｓ， Ｃｈｉｕ Ｙ Ｃ， ｅｔ ａｌ． Ｍｏｄｅｌｉｎｇ ｒｏｕｔｉｎｇ ｂｅｈａｖｉｏｒ ｆｏｒ ｖａｃａｎｔ ｔａｘｉ ｃａｂｓ ｉｎ ｕｒｂａｎ ｔｒａｆｆｉｃ ｎｅｔｗｏｒｋｓ． Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｒｅｓｅａｒｃｈ Ｒｅｃｏｒｄ： Ｊｏｕｒｎａｌ ｏｆ ｔｈｅ Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｒｅｓｅａｒｃｈ Ｂｏａｒｄ， ２０１２，２（２２８４） ：８１－８８． ［５］ Ｌｉ Ｂ， Ｚｈａｎｇ Ｄ Ａ， Ｓｕｎ Ｌ， ｅｔ ａｌ． Ｈｕｎｔｉｎｇ ｏｒ Ｗａｉｔｉｎｇ？ Ｄｉｓｃｏｖｅｒｉｎｇ ｐａｓｓｅｎｇｅｒ⁃ｆｉｎｄｉｎｇ ｓｔｒａｔｅｇｉｅｓ ｆｒｏｍ ａ ｌａｒｇｅ⁃ｓｃａｌｅ ｒｅａｌ⁃ｗｏｒｌｄ ｔａｘｉ ｄａｔａｓｅｔ． Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ８ ｔｈ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｗｏｒｋｓｈｏｐ ｏｎ Ｍａｎａｇｉｎｇ Ｕｂｉｑｕｉｔｏｕｓ Ｃｏｍｍｕｎｉｃａｔｉｏｎ ａｎｄ Ｓｅｒｖｉｃｅｓ． Ｐｉｓｃａｔａｗａｙ： ＩＥＥＥ， ２０１１． ６３－６８． ［６］ Ｌｉｕ Ｌ， Ａｎｄｒｉｓ Ｃ， Ｒａｔｔｉ Ｃ． Ｕｎｃｏｖｅｒｉｎｇ ｃａｂｄｒｉｖｅｒｓ’ ｂｅｈａｖｉｏｒ ｐａｔｔｅｒｎｓ ｆｒｏｍ ｔｈｅｉｒ ｄｉｇｉｔａｌ ｔｒａｃｅ． Ｃｏｍｐｕｔｅｒｓ， Ｅｎｖｉｒｏｎｍｅｎｔ ａｎｄ Ｕｒｂａｎ Ｓｙｓｔｅｍｓ， ２０１０， ３４（６） ： ５４１－５４８． ［ ７］ Ｙｕａｎ Ｊ， Ｚｈｅｎｇ Ｙ， Ｚｈａｎｇ Ｌ Ｈ， ｅｔ ａｌ． Ｗｈｅｒｅ ｔｏ ｆｉｎｄ ｍｙ ｎｅｘｔ ｐａｓｓｅｎｇｅｒ？ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １３ ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｕｂｉｑｕｉｔｏｕｓ Ｃｏｍｐｕｔｉｎｇ． Ｎｅｗ Ｙｏｒｋ： ＡＣＭ， ２０１１􀆰 １０９－１１８． ［８］ Ｌｅｅ Ｄ Ｈ， Ｗａｎｇ Ｈ， Ｃｈｅｕ Ｒ Ｌ， ｅｔ ａｌ． Ｔａｘｉ ｄｉｓｐａｔｃｈｉｎｇ ｓｙｓｔｅｍ ｂａｓｅｄ ｏｎ ｃｕｒｒｅｎｔ ｄｅｍａｎｄｓ ａｎｄ ｒｅａｌ⁃ｔｉｍｅ ｔｒａｆｆｉｃ ｃｏｎｄｉｔｉｏｎｓ． Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｒｅｓｅａｒｃｈ Ｒｅｃｏｒｄ： Ｊｏｕｒｎａｌ ｏｆ ｔｈｅ Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｒｅｓｅａｒｃｈ Ｂｏａｒｄ， ２００４， ２３ （ １８８２） ： １９３ － ２００．

· １６·

［９］ Ｌｅｅ Ｋ Ｔ， Ｌｉｎ Ｄ Ｊ， Ｗｕ Ｐ Ｊ． Ｐｌａｎｎｉｎｇ ａｎｄ ｄｅｓｉｇｎ ｏｆ ａ ｔａｘｉｐｏｏｌｉｎｇ ｄｉｓｐａｔｃｈｉｎｇ ｓｙｓｔｅｍ． Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｒｅｓｅａｒｃｈ Ｒｅｃｏｒｄ： Ｊｏｕｒｎａｌ ｏｆ ｔｈｅ Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｒｅｓｅａｒｃｈ Ｂｏａｒｄ， ２００５， １０（１９０３） ：８６－９５． ［１０］ Ｃｈａｎｇ Ｈ Ｗ， Ｔａｉ Ｙ Ｃ， Ｈｓｕ Ｙ Ｊ． Ｃｏｎｔｅｘｔ⁃ａｗａｒｅ ｔａｘｉ ｄｅｍａｎｄ ｈｏｔｓｐｏｔｓ ｐｒｅｄｉｃｔｉｏｎ． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｂｕｓｉｎｅｓｓ Ｉｎｔｅｌｌｉｇｅｎｃｅ ａｎｄ Ｄａｔａ Ｍｉｎｉｎｇ， ２０１０， ５ （ １） ：３ － １８． ［１１］ Ａｓｈｂｒｏｏｋ Ｄ， Ｓｔａｒｎｅｒ Ｔ． Ｕｓｉｎｇ ＧＰＳ ｔｏ ｌｅａｒｎ ｓｉｇｎｉｆｉｃａｎｔ ｌｏｃａｔｉｏｎｓ ａｎｄ ｐｒｅｄｉｃｔ ｍｏｖｅｍｅｎｔ ａｃｒｏｓｓ ｍｕｌｔｉｐｌｅ ｕｓｅｒｓ． Ｐｅｒｓｏｎａｌ ａｎｄ Ｕｂｉｑｕｉｔｏｕｓ Ｃｏｍｐｕｔｉｎｇ， ２００３， ７（ ５） ： １６８ － １７７． ［１２ ］ Ｔｕｒｎｅｒ Ａ． Ｔｈｅ ｒｏｌｅ ｏｆ ａｎｇｕｌａｒｉｔｙ ｉｎ ｒｏｕｔｅ ｃｈｏｉｃｅ： ａｎ ａｎａｌｙｓｉｓ ｏｆ ｍｏｔｏｒｃｙｃｌｅ ｃｏｕｒｉｅｒ ＧＰＳ Ｔｒａｃｅｓ． Ｌｅｃｔｕｒｅ Ｎｏｔｅｓ ｉｎ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ， ２００９， ５７５６：４８９－５０４． ［ １３ ］ Ｈａｎ Ｓ， Ｌｅｅ Ｓ， Ｈｏｎｇ Ｔ， ｅｔ ａｌ． Ｓｉｍｕｌａｔｉｏｎ ａｎａｌｙｓｉｓ ｏｆ ｐｒｏｄｕｃｔｉｖｉｔｙ ｖａｒｉａｔｉｏｎ ｂｙ ｇｌｏｂａｌ ｐｏｓｉｔｉｏｎｉｎｇ ｓｙｓｔｅｍ （ ＧＰＳ） ｉｍｐｌｅｍｅｎｔａｔｉｏｎ ｉｎ ｅａｒｔｈｍｏｖｉｎｇ ｏｐｅｒａｔｉｏｎｓ． Ｃａｎａｄｉａｎ Ｊｏｕｒｎａｌ ｏｆ Ｃｉｖｉｌ Ｅｎｇｉｎｅｅｒｉｎｇ， ２００６， ３９（９） ：１１０５－１１１４． ［１４］ Ｆｕ Ｈ Ｗ， Ｑｕ Ｌ Ｃ． Ａｎ ｅｖａｌｕａｔｉｏｎ ｍｅｔｈｏｄ ｆｏｒ ｔｈｅ ｅｓｔｉｍａｔｅｄ ｔｒａｖｅｌ ｓｐｅｅｄ ａｎｄ ｔｒａｖｅｌ ｔｉｍｅ ｂｙ ｔａｘｉ ｆｌｏａｔｉｎｇ ｃａｒ ｄａｔａ． Ａｐｐｌｉｅｄ Ｍｅｃｈａｎｉｃｓ ａｎｄ Ｍａｔｅｒｉａｌｓ， ２０１２， １７８（５） ： ２８０５－ ２８１０． ［１５］ Ｗａｎｇ Ｚ． Ｕｓｉｎｇ ｆｌｏａｔｉｎｇ ｃａｒｓ ｔｏ ｍｅａｓｕｒｅ ｔｒａｖｅｌ ｔｉｍｅ ｄｅｌａｙ： ｈｏｗ ａｃｃｕｒａｔｅ ｉｓ ｔｈｅ ｍｅｔｈｏｄ？ Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｒｅｓｅａｒｃｈ Ｒｅｃｏｒｄ： Ｊｏｕｒｎａｌ ｏｆ ｔｈｅ Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｒｅｓｅａｒｃｈ Ｂｏａｒｄ， ２００４， １１（１８７０） ：８４－９３． ［１６］ Ｚｈａｏ Ｎ， Ｙｕ Ｌ， Ｚｈａｏ Ｈ， ｅｔ ａｌ． Ａｎａｌｙｓｉｓ ｏｆ ｔｒａｆｆｉｃ ｆｌｏｗ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｎ ｒｉｎｇ ｒｏａｄ ｅｘｐｒｅｓｓｗａｙｓ ｉｎ Ｂｅｉｊｉｎｇ： ｕｓｉｎｇ ｆｌｏａｔｉｎｇ ｃａｒ ｄａｔａ ａｎｄ ｒｅｍｏｔｅ ｔｒａｆｆｉｃ ｍｉｃｒｏｗａｖｅ ｓｅｎｓｏｒ ｄａｔａ． Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｒｅｓｅａｒｃｈ Ｒｅｃｏｒｄ： Ｊｏｕｒｎａｌ ｏｆ ｔｈｅ Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｒｅｓｅａｒｃｈ Ｂｏａｒｄ， ２００９， １７ （ ２１２４） ： １７８ － １８５． ［ １７ ］ Ｈｗａｎｇ Ｋ Ｐ， Ｗｕ Ｈ Ｃ， Ｊｉａｎ Ｒ Ｊ． Ｍｏｄｅｌｉｎｇ ｃｏｎｓｕｍｅｒ ｐｒｅｆｅｒｅｎｃｅ ｆｏｒ ｇｌｏｂａｌ ｐｏｓｉｔｉｏｎｉｎｇ ｓｙｓｔｅｍ⁃Ｂａｓｅｄ ｔａｘｉ ｄｉｓｐａｔｃｈｉｎｇ ｓｅｒｖｉｃｅ： Ｃａｓｅ ｓｔｕｄｙ ｏｆ Ｔａｉｃｈｕｎｇ Ｃｉｔｙ， Ｔａｉｗａｎ． Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｒｅｓｅａｒｃｈ Ｒｅｃｏｒｄ： Ｊｏｕｒｎａｌ ｏｆ ｔｈｅ Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｒｅｓｅａｒｃｈ Ｂｏａｒｄ， ２００６， ８（１９７１） ： ９９－１０６． ［１８］ Ｓｈｅｕ Ｊ Ｐ， Ｃｈａｎｇ Ｇ Ｙ， Ｃｈｅｎ Ｃ Ｈ． Ａ ｄｉｓｔｒｉｂｕｔｅｄ ｔａｘｉ ｈａｉｌｉｎｇ ｐｒｏｔｏｃｏｌ ｉｎ ｖｅｈｉｃｕｌａｒ ａｄ⁃ｈｏｃ ｎｅｔｗｏｒｋｓ． Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ７１ｓｔ ＩＥＥＥ Ｖｅｈｉｃｕｌａｒ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏｎｆｅｒｅｎｃｅ． Ｐｉｓｃａｔａｗａｙ：ＩＥＥＥ， ２０１０． １－５． ［１９］ Ｌｕ Ｊ， Ｗａｎｇ Ｗ． Ｃｏｎｆｉｒｍｉｎｇ ｍｅｔｈｏｄ ｏｆ ｕｒｂａｎ ｔａｘｉ ｑｕａｎｔｉｔｙ． Ｊｏｕｒｎａｌ ｏｆ Ｔｒａｆｆｉｃ ａｎｄ Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ， ２００４， ４ （１） ： ９２－９５． ［２０］ Ｓｕｎ Ｄ Ｊ， Ｐｅｎｇ Ｚ Ｐ， Ｃｈｅｎ Ｗ Ｙ， ｅｔ ａｌ． Ｄｅｖｅｌｏｐｍｅｎｔ ｏｆ ｗｅｂ⁃ｂａｓｅｄ ｔｒａｎｓｉｔ ｔｒｉｐ⁃ｐｌａｎｎｉｎｇ ｓｙｓｔｅｍ ｂａｓｅｄ ｏｎ ｓｅｒｖｉｃｅ⁃ ｏｒｉｅｎｔｅｄ ａｒｃｈｉｔｅｃｔｕｒｅ． Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｒｅｓｅａｒｃｈ Ｒｅｃｏｒｄ： Ｊｏｕｒｎａｌ ｏｆ ｔｈｅ Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｒｅｓｅａｒｃｈ Ｂｏａｒｄ， ２０１１， ２ （２２１７） ：８７－９４． ［ ２１ ］ ＥＳＲＩ． ＡｒｃＭａｐ １０􀆰 ０ Ｕｓｅｒ ’ ｓ Ｇｕｉｄｅ． ｈｔｔｐ： ／ ／ ｒｅｓｏｕｒｃｅｓ． ａｒｃｇｉｓ．ｃｏｍ．２０１３－０２－２７． ［２２］ Ｒｉｚｗａｎ Ａ， Ｍｅｍｏｎ Ｇ Ｂ， Ｋｈａｓｋｈｅｌｉａ Ａ， ｅｔ ａｌ． Ｏｐｅｒａｔｉｎｇ ｓｐｅｅｄ ｍｏｄｅｌｓ ｆｏｒ ｔｗｏ⁃ｌａｎｅ ｒｕｒａｌ ｒｏａｄｓ ｉｎ Ｐａｋｉｓｔａｎ． Ｃａｎａｄｉａｎ Ｊｏｕｒｎａｌ ｏｆ Ｃｉｖｉｌ Ｅｎｇｉｎｅｅｒｉｎｇ， ２００８， ３５ （ ５ ） ： ４４３－４５３．