基于公交IC卡和AVL数据的客流OD推导方法

公交IC卡收费系统和车辆定位系统的广泛应用,为获取公交客流OD提供了新的途径。针对现有公交客流OD推导算法的不足,从上车站点识别和下车站点推导两方面入手,对公交客流OD推导算法进行了改进。为了修正公交IC卡数据时间偏差,提高上车站点识别的准确性,在分析公交乘客上车刷卡行为的基础上,提出了基于AVL数据的公交IC卡数据时间修正方法。根据公交出行链的特性差异,将公交出行链划分为连续链和非连续链两大类,在此基础上,建立了不同公交出行链的下车站点推导模型,优化了下车站点推导流程。以苏州市的公交IC卡和AVL数据为例进行实例研究,通过对推导结果合理性的讨论分析,论证了改进算法的可行性和有效性。实践表明,改进后的公交客流OD推导算法流程清晰,易于程序实现,可以用于公交客流的自动分析。

城市轨道交通网络脆弱性分析

城市轨道交通网络是城市公交系统的重要组成部分。以北京地铁和深圳地铁为研究对象,建立两个城市的轨道交通网络模型,利用两个城市的地铁乘客刷卡数据,估计城市轨道交通需求OD;基于复杂网络理论分析两个城市轨道交通网络的拓扑结构,提出城市轨道交通网络脆弱性的评价指标;建立城市公共交通双层网络,对城市轨道交通网络的脆弱性进行更深层次的分析。研究结果表明:北京市与深圳市轨道交通网络脆弱边地理分布很相似,深圳市轨道交通网络平均而言更加脆弱;轨道交通网络的脆弱性与其网络复杂度密切相关;城市常规公交网络可以降低城市轨道交通系统的脆弱性。

峰前折扣票价下轨道交通乘客出发时间弹性

以北京地铁峰前折扣票价政策为背景,利用自动售检票数据研究折扣票价对乘客出发时间的影响.首先,从"消费行为"视角建立客观的分类指标并对客运市场进行细分;其次,以较长时期内出发时间中位数为指标,基于"事前—事后对比法"对出发时间发生转移的乘客进行辨识;最后,准确测定不同类型乘客出发时间对票价变动的敏感程度.结果显示:乘客出发时间票价弹性随转移时长增加而急剧下降,30 min几乎是乘客所能接受的最大转移时长;通勤类乘客弹性最低,低频及生活类乘客相对富有弹性;限制当前折扣票价政策效果的主要因素在于折扣截止时间过早.该研究能够为差别定价方案编制及优化提供关键参数.

基于IC卡数据的公交下车站点区间不确定性客流推导方法

在交通大数据背景下,针对现有公交客流推导研究中站点客流皆为固定单一值与实际波动区间值不符的问题,利用区间不确定性理论,以及公交IC卡数据与GPS数据相结合,得到上车站点的公交区间客流。对公交刷卡行为进行分析,考虑乘客个体出行特征和乘客出行距离于站点吸引权重中,得到下车站点客流推导概率模型,结合区间不确定性理论,得到下车站点客流区间值。以深圳市的21路公交IC卡数据和GPS数据为例进行实例分析。通过对推导结果的合理性分析,表明得到的公交区间不确定性客流,更符合实际,算法流程清晰,具有更好的可靠性。

基于智能卡数据的地铁站点拥堵水平分级研究

结合智能卡数据的特点,选择由日均客流量和单位闸机日均客流量组成的复合指标作为地铁站点拥堵水平划分依据,采用“等比分级法”将其划分为严重拥堵、中度拥堵、轻度拥堵、基本畅通四个级别。对南京地铁128个站点拥堵级别进行了核定,分析了不同拥堵级别地铁站点的时空特征,并探讨了降低拥堵水平的对策。

基于智能卡数据的地铁站点拥堵水平分级研究

结合智能卡数据的特点,选择由日均客流量和单位闸机日均客流量组成的复合指标作为地铁站点拥堵水平划分依据,采用“等比分级法”将其划分为严重拥堵、中度拥堵、轻度拥堵、基本畅通四个级别。对南京地铁128个站点拥堵级别进行了核定,分析了不同拥堵级别地铁站点的时空特征,并探讨了降低拥堵水平的对策。

基于客流特征的城市轨道交通站点分类——以青岛市为例

为提高城市轨道交通与常规公交衔接服务能力,提升城市公共交通系统整体吸引力,结合服务需求对轨道交通站点进行了分类,并针对不同类型的轨道交通站点提出常规公交接驳服务建议。基于青岛市轨道交通刷卡数据,提取乘客出行特征和车站客流分布特征,应用K-Means算法对轨道交通站点进行分类,并结合轨道交通站点客流特征将轨道交通站点识别为就业导向型、职住混合型、居住导向型、娱乐购物型等4类。在此基础上,提出不同类型站点常规公交出行接驳服务建议:对于就业导向型站点,建议实施以乘客总换乘时间最短为目标的接驳公交运营时刻表,减少乘客等车时间;对于职住混合型站点,建议采用定制公交模式提供个性化接驳出行服务;对于居住导向型站点,建议提供“区域巡游定制公交”服务,在保障公共服务的基础上,提升接驳公交车运营效益;对于娱乐购物型站点,建议在周末或旅游旺季提供休闲微循环线路,以满足该区域乘客游玩购物的出行需求。

基于地铁售检票系统刷卡数据的乘客出行模式分析

地铁自动售检票系统可以采集大量乘客刷卡数据,可提供更全面的地铁乘客时空信息。对乘客的出行模式分析有利于城市轨道交通运营企业预测地铁客流和制定运营策略。提出了分析地铁乘客出行模式的数据挖掘方法:对地铁刷卡数据进行预处理,根据其时空信息生成乘客出行链;分析反映乘客时空特性的聚类变量;利用K-means聚类算法对各聚类变量进行乘客聚类;分析潜在的乘客出行模式。以深圳地铁刷卡数据为例,对提出的地铁乘客出行模式分析方法进行了试验验证。

基于复杂网络的快速公交-轨道交通站点分级研究

为研究大运量交通站点精细化管理问题,构建复杂网络,分析站点分级。通过构建Space-L有向加权复杂网络模型,并基于站点客流提取节点强度、加权介数中心性、加权接近中心性以及加权PageRank4项指标,运用系统聚类方法进行站点分级。以厦门快速公交(BRT)-轨道双模式网络系统为研究对象,从复杂网络视角分析站点网络特征和层级关系。结果表明:1)在复杂网络模型下,网络站点可分为核心枢纽型、局部联系型、网络中转型、强网络传导型、弱网络传导型和网络尽端型6类。2)各类换乘站点呈现不同特点,单模式换乘站具有调节网络客流的能力,双模式换乘站具有吸引网络客流的能力,单-双模式结合的换乘站具有辐射网络客流的能力。3)在BRT-轨道交通网络的单模式站点中,岛内的BRT站点发挥效果优于轨道站点。文章提出的站点分级指标和方法能很好地揭示站点网络特性,有助于提高城市BRT-轨道网络系统运营效率。

基于多源大数据的轨道交通线网与上海城市中心体系匹配度测度研究

基于相关研究,提出一种定量化测度轨道交通(以下简称“轨交”)线网与城市中心体系匹配程度的方法。以功能联系为基础,使用多源大数据量化分析轨交线网与上海城市中心体系匹配程度。从轨交刷卡数据中依据乘客使用轨交出行时空规律,获取轨交通勤出行、轨交游憩出行的功能联系,用于表征轨交功能联系下的就业中心体系、公共活动中心体系。从手机信令数据中获取用户的通勤出行、游憩出行的功能联系,用于表征全方式出行功能联系下的就业中心体系、公共活动中心体系。随后分别使用规模等级一致性、来源范围一致性指标,量化分析轨交线网与就业中心体系、公共活动中心体系的匹配程度。研究结论认为除了轨交线网与中心体系的空间关系之外,就业中心的产业特征、公共活动中心的职能也影响了轨交线网与城市中心体系的匹配程度。

基于智能交通卡数据的城市轨道交通乘客个体路径选择模型

在分析城市轨道交通乘客旅行时间组成要素的基础上,提出了一种基于智能交通卡数据的乘客个体路径选择模型,克服了传统路径选择模型只考虑群体路径选择的弊端。通过分析轨道交通刷卡出行的特点,建立了乘客旅行时间模型,确立了各旅行时间要素并分析了其独立性。对出行要素进行了估计,计算出路径旅行时间,提出了乘客个体的出行路径选择模型。以北京地铁网络为案例,分析了乘客个体的路径选择,并用实际数据验证了模型的有效性。

城市公交过剩通勤分析与评价——以广州市为例

利用公共交通出行的IC卡(smart card)数据,对城市公交通勤出行进行多种交通方式的过剩通勤分析,综合评估城市公交通勤,提出多交通方式的优化建议.以中国广州市作为研究案例,结果表明,广州居民公共交通平均通勤距离处于合理水平,不区分交通方式的过剩通勤指标与北京和上海近似,体现了3个城市整体公共交通发展水平一致;但广州市常规公交的过剩通勤指标高于地铁,与交通方式的预期不符,表明广州市常规公交和地铁尚有较大优化空间.过剩通勤可以有效评价城市公共交通空间结构的合理性,多交通方式的过剩通勤分析可以进一步发掘多种交通方式联合优化方向.

基于智能公交卡数据的出行行为的时空间分析及规划启示——以布里斯班为例

智能公交卡作为越来越普遍的城市公共交通付费方式产生了大量详细的出行数据。这种大数据的出现为出行行为研究特别在时空间方面带来新的机会和挑战。以布里斯班为例,展示了一种地理可视化方法——条件流量图及其在分析智能公交卡数据方面的应用。对该数据进行可视化后,揭示了基于巴士公交的出行在一个城市尺度下相对精细的时空间分布和特征,以及在不同因素(包括快速巴士公交道、乘客组群和天气)作用下的变化。这些发现对建立城市公交系统更有针对性地规划和运营以更好满足乘客出行需求有一定的启示作用。同时,未来研究需要进一步完善和补充智能公交卡数据,并发展更成熟的分析方法。

天气因素对公交客流量的影响研究

公交客流量是公交企业在经营中最关注的经济指标,研究天气因素对公交客流量的影响可以帮助公交企业提前应对天气变化造成的公交客流量波动。利用2014年8—12月广州市6路公交的刷卡数据和日平均及小时天气数据,将公交客流量残差作为因变量,气温、天气状况、风力作为自变量,基于多元线性回归方法分别建立经常性乘客和偶发性乘客的工作日、休息日公交日客流量和小时客流量模型。研究发现,天气对公交客流量的影响随着乘客类型(经常性/偶发性)的不同、出行模式(工作日/休息日)的不同呈现明显的差异性:小雨、中雨/大雨会显著降低公交客流量,休息日相比工作日、偶发性乘客相比经常性乘客更加明显;雷阵雨会显著增加偶发性乘客的公交客流量,但对于经常性乘客的影响不显著;气温、多云、阴、雾对公交客流量的影响仅在小时模型中显著。最后从公交运营、公交站点设计及站点周边步行环境设计等方面提出了应对不利天气的建议。

基于时空序列相似性的城轨乘客出行模式识别

基于轨道交通智能卡数据,提出一种通过建模个体的时空序列识别出行模式的方法。首先,提取乘客个体访问的所有站点,以站间出行频次、站间距离和站点活动时长计算站点的相似性,利用层次聚类算法划分该个体的主要空间活动区域。其次,基于个体的出行次序推断时空序列,该序列为一组表征时空状态的离散值,依次采用PCA-KL和K-Means++提取相似性序列结构以识别乘客出行模式。最后,以西安某月的轨道交通智能卡数据为例,识别其乘客出行模式。结果表明,复杂的客流具有5种出行模式,其中3种典型模式宏观上属通勤出行,客流占比79%。可见,本文基于个体时空序列相似性的模式识别充分体现了研究方法的特殊性和通用性,针对不同城市操作性强。

基于客流时间序列的城市轨道交通车站分类

针对不同类型的车站在城市中的区域特征、交通功能、用地功能等方面差异,进行科学合理的车站分类,了解城市功能分区、解读居民出行特征、理解城市格局和演化以及评价轨道交通基础设施建设情况。采用主成分分析(PCA)方法对轨道交通进出站客流进行特征提取,采用Hopkins统计量分析聚类趋势并探讨聚类数量确定方法,采用CH系数、轮廓系数和DB指标对比分析高斯混合模型(GMM)和K-means聚类的优劣,基于南京市轨道交通2017年连续2周工作日的刷卡数据,采用GMM对其车站的类型进行识别,并对不同类型的轨道交通车站进行空间分析。研究结果表明:在相同的输入变量和迭代次数下,GMM的3个检验指标均优于K-means聚类;采用GMM将南京市轨道交通车站分为居住导向型、就业导向型、职住错位型、错位偏居住型、错位偏就业型和枢纽综合型6类;南京市轨道交通车站具有明显的圈层式分布特点,人口稠密的城市中心区域以就业导向型和错位偏就业型车站为主,人口密度适中的主城区以混合型车站(职住错位型、错位偏居住型和错位偏就业型)为主,人口密度较低的远郊区的轨道交通车站功能相对单一;人口密度超过2万人/km^(2)的轨道交通车站有14个,以就业导向型和错位偏就业型为主,人口密度在1万~2万人/km^(2)的轨道交通车站有16个,以就业导向型、职住错位型和错位偏就业型为主,人口密度在0.5万~1万人/km^(2)的轨道交通车站有12个,以职住错位型、错位偏居住型和错位偏就业型为主。研究结果可以辨识城市轨道交通车站工作日的客流高峰时段,为轨道交通运营管理部门制定有效的进出站客流组织、避免大客流冲击造成的拥挤踩踏等群体性事件的发生具有指导意义。

基于公交IC卡数据的城市空间活动多中心性

城市的空间结构以及功能布局一直以来是城市规划相关学科关注的重点,城市中心带+多个城市副中心的空间布局结构业已成为目前中国大中型城市普遍的规划发展方向。基于上海市轨道交通IC卡数据,通过空间聚类方法对上海城市空间活动联系的多中心结构进行定量分析。分析结果确定了人民广场中心、陆家嘴中心以及静安寺中心等8个城市空间活动中心,与城市总体规划中东西走向的经济发展轴带的预期设想保持基本一致,而4个规划确立的城市副中心(徐家汇地区、真如地区、花木地区以及五角场地区)的发展还尚未完全成熟。研究结果有效识别了城市空间活动联系的多中心结构、提取了相关空间活动特征,并有助于在多中心空间活动环境下对城市交通系统未来的发展方向进行判断与分析。

基于智能卡数据的早高峰地铁通勤用户出行偏好建模与实证

现有针对轨道交通早高峰通勤行为的建模研究没有考虑时变的时间效用偏好带来的影响,实证结果也主要源于陈述性偏好调查数据.本文在分析早高峰地铁通勤用户的时间使用决策行为的基础上,考虑常数-阶跃和常数-线性的出行效用偏好假设,建立了可以描述早高峰地铁通勤用户到达时刻离散选择行为的多项Logit、混合Logit和嵌套Logit模型,并利用北京地铁八通线土桥-四惠东通勤走廊的智能卡出行数据和列车时刻表数据进行了模型校验和参数估计.通过区分通勤用户在起点站选择乘坐最临近车次或者为了座位等待下一车次的两种乘车情形,模型可以解决直接使用智能卡的显示性偏好数据进行参数估计带来的自选择偏误问题,即用户偏好拥挤的时段出行.计量结果表明,相比常数-线性的出行效用偏好,常数-阶跃偏好下的模型拟合优度更高,且三种离散选择模型的估计结果基本是一致的,即晚到工作地的单位时间成本大于早到工作地的单位时间成本;当每平方米站立人数为5人时,单位时间的厢内拥挤成本约占单位时间出行成本的11%.最后,进一步讨论了用户通勤特征的异质性对出行效用偏好的影响.