4．2实例分析
通过上述方法，利用2008年8月3号北京市出租车GPS 数据进行交通小区的划分，并将划分结果输出到GIS平台上，
如图7所示。

图7区域划分结果
可以看出这种动态划分方法产生的结果能够与现有的部
分交通小区相吻合(标注A为CBD小区，标注B为西郊小
区)。

详细的OD矩阵数据见表6。

表6中“O”代表起点，“D”代表讫点。

比如坐标位置(2，5)
的值为2，代表某一段时间内。

共有2辆出租车从5号区域前
往2号区域，并且乘客是在5号区域上车，在2号区域下车
5总结
本文通过对出租车GPS数据进行聚类运算，快速计算出
不同时间段内出租车载客OD矩阵，进而将划分好的区域在
GIS平台中显示出来。

从实验结果可以看出：这种划分方法能
够反映出不同时I．日J段内交通小区的绝对动态性以及相对稳定性的特征，对城市交通小区的划分具有很高的参考价值。

本文所使用的交通小区划分方法也存在一定的不足：首
先．划分算法使用了纯粹的K—Means空间聚类法，没有与现有的位置属性相结合，比如住宅区、商业区等属性；其次，算法没有对出租车的特殊数据和异常数据进行处理，比如红绿灯停车、GPS信号机发生故障等情况，这些都将影响最终结果的准
确性；再次，针对特定时间段进行交通小区的划分更有代表性。

比如早晚高峰等，本文没有对此展开讨论。

这些都是今后的改进方向。