基于IC卡刷卡数据的深圳市轨道交通站点活力研究

基于深圳市IC卡刷卡数据,分析深圳市轨道交通网络客流分布的特征规律,探讨轨道交通的客流模式,并提出一种基于客流强度和客流时间持续性的综合评估指标,定量分析深圳轨道交通站点的客流活力分布特征,而后对轨道交通站点进行分类分析。研究结果表明:深圳轨道交通网络的客流分布极不均衡,少数站点占据了大量的轨道交通客流量,前10的站点客流比重为19.64%;不同类型的站点客流模式存在显著差异,工作日和非工作日客流模式也有所不同。深圳轨道交通网络活力相对匮乏的站点比重较大,超过60%,非工作日轨道交通网络的客流活力明显优于工作日。

基于北京公交刷卡数据和兴趣点的功能区识别

城市在其发展过程中逐渐形成居住区、工业区和商业区等不同的功能区。识别这些功能区并理解其分布特征,对于把握城市结构以及制定和使用科学合理的规划具有重要作用。本研究基于2008年4月北京市连续一周的7797余万条公交IC卡刷卡数据,将其转换为每个公交站台流量的二维时间序列数据,结合居民日常出行行为研究,利用数据挖掘技术,构建了基于公交刷卡数据和兴趣点的城市功能区识别模型,并将识别结果在交通分析小区尺度上汇总。研究结果显示,利用城市功能区识别模型,通过冗余数据的筛除和特征的创建实现对数据的有效降维,并选用期望最大化算法对处理后的数据进行聚类分析,结合居民日常出行相关特征和兴趣点分布数据对聚类结果进行诠释,可以快速有效地识别出与北京市土地利用现状地图具有一定匹配度的北京市各功能区。本研究的方法可以辅助规划人员和公众有效识别和理解复杂的城市空间结构,对城市地理及规划研究具有重要的理论和实践价值。

基于刷卡数据的公交-地铁换乘模式研究

随着城市规模的不断扩大,城市居民通勤中混合交通模式普遍出现,即需要借助不同交通工具之间的换乘完成行程。精确提取和分析城市居民换乘行为,对城市交通模式及设施便捷性等研究具有重要意义。目前,换乘行为的提取多采用GPS(Global Positioning System)、GTFS(General Transit Feed Specification)等数据,基于步行速度或经验选取距离阈值或时间阈值,进而实现换乘行为的识别。但这种方式忽略了城市空间内公交或地铁站点密度的差异性特征,识别精度可能受到较大影响。因此,本研究基于公交地铁IC卡数据,提出了一种时间-距离阈值双约束的换乘行为识别算法,即根据公共交通刷卡数据的统计特征,实现时间和距离阈值的自动选择,进而精准提取换乘行为。在此基础上,本文根据前后半程的旅行时间/距离长短将换乘行为分为九类换乘模式:长-长换乘、长-中换乘、长-短换乘、中-长换乘、中-中换乘、中-短换乘、短-长换乘、短中换乘、短-短换乘,并分别对其出行特征进行分析。结果表明,所有类型的换乘行为的早高峰均早于公交和地铁的出行早高峰,短-长换乘的早高峰时间甚至比一般出行的早高峰时间提前了30 min,充分说明了以换乘模式通勤的乘客需要付出更大的努力。相比之下,晚高峰出行时间则各有早晚,如长-长、长-短换乘模式晚高峰明显滞后于一般出行的晚高峰时间,更凸显了换乘群体的通勤成本负担之重。从出行距离上来说,九种换乘行为的通勤距离峰值远大于一般出行的峰值,甚至多分布于20~40 km之间。总之,本文所提出的换乘行为提取算法能够实现城市换乘行为的精确提取,结合对不同换乘行为模式的有效分析,为城市交通、城市活力、公共交通设施和城市规划等方面的研究提供有效的模型算法支撑。

利用公交刷卡数据分析北京职住关系和通勤出行

基于位置服务(Location Based Service,LBS)技术为研究城市系统的时空动态规律提供了新的视角,已往多基于移动通讯(GSM)、全球定位系统(GPS)、社会化网络(SNS)和无线宽带热点(Wi-Fi)数据开展研究,但少有研究利用公交IC卡刷卡数据进行城市系统分析。普遍存在的LBS数据虽然具有丰富的时间和空间信息,但缺乏社会维度信息,使其应用范围受到一定限制。本文基于2008年北京市连续一周的公交IC卡(Smart Card Data,SCD)刷卡数据,结合2005年居民出行调查、地块级别的土地利用图,识别公交持卡人的居住地、就业地和通勤出行,并将识别结果在公交站点和交通分析小区(TAZ)尺度上汇总:①将识别的通勤出行分别从通勤时间和距离角度,与居民出行调查数据和其他已有北京相关研究进行对比,显示较好的吻合性;②对来自3大典型居住区和去往6大典型办公区的通勤出行进行可视化并对比分析;③对全市基于公交的通勤出行进行可视化,并识别主要交通流方向。本研究初步提出了从传统的居民出行调查和城市GIS数据建立规则,用于SCD数据挖掘的方法,具有较好的可靠性。

基于乘客行为的上车站点识别

利用换乘信息识别乘客上车站点的算法,当乘客前后两次乘坐的公交线路不止一个交点时,可识别站点数量少,导致乘客上车站点识别准确率低。针对这一问题,提出基于乘客行为的上车站点识别:对IC刷卡数据进行分组,然后基于地铁换乘,确定部分乘客的上车站点,并将数据切分为多个子段,再通过公交换乘,确定部分数据组的上车站点。最后通过比例关系,得到所有IC刷卡数据组的上车站点。试验表明,该算法具有较高的准确率。