轨道交通网络中乘客的出行受网络结构和运营状况变化的影响,个体出行偏好对这些变化的响应也各异。为分析轨道交通远郊区段计划性停运对常乘客的出行转移影响,本文提出考虑转移类型和转移比例的乘客出行特征刻画方法,结合时段属性生成...轨道交通网络中乘客的出行受网络结构和运营状况变化的影响,个体出行偏好对这些变化的响应也各异。为分析轨道交通远郊区段计划性停运对常乘客的出行转移影响,本文提出考虑转移类型和转移比例的乘客出行特征刻画方法,结合时段属性生成乘客特征—时序(FeatureTemporal,F-T)矩阵;通过改进的欧氏距离计算F-T矩阵间的相似性,实现F-T矩阵的相似性度量;提出一种基于相似度矩阵的K-Means聚类和层次聚类相结合的两步聚类方法(Two-step Clustering of K-Means Clustering and Hierarchical Clustering,KMHC)划分乘客影响群体,分析影响乘客出行转移的因素;以新冠肺炎疫情期间上海轨道交通11号线昆山段停运作为实例,对本文方法进行验证。研究结果表明:昆山段停运后,常乘客呈现出5种主要的出行转移影响群体,占常乘客总数的94.4%;各影响群体的转移距离、通勤时间和出行频率差异明显,是影响区段停运后常乘客出行选择的重要因素。本文方法可为其他计划性停运场景提供借鉴和参考,也可为区段停运后的网络客流变化预测,行车和客运组织方案优化提供支撑。展开更多
文摘轨道交通网络中乘客的出行受网络结构和运营状况变化的影响,个体出行偏好对这些变化的响应也各异。为分析轨道交通远郊区段计划性停运对常乘客的出行转移影响,本文提出考虑转移类型和转移比例的乘客出行特征刻画方法,结合时段属性生成乘客特征—时序(FeatureTemporal,F-T)矩阵;通过改进的欧氏距离计算F-T矩阵间的相似性,实现F-T矩阵的相似性度量;提出一种基于相似度矩阵的K-Means聚类和层次聚类相结合的两步聚类方法(Two-step Clustering of K-Means Clustering and Hierarchical Clustering,KMHC)划分乘客影响群体,分析影响乘客出行转移的因素;以新冠肺炎疫情期间上海轨道交通11号线昆山段停运作为实例,对本文方法进行验证。研究结果表明:昆山段停运后,常乘客呈现出5种主要的出行转移影响群体,占常乘客总数的94.4%;各影响群体的转移距离、通勤时间和出行频率差异明显,是影响区段停运后常乘客出行选择的重要因素。本文方法可为其他计划性停运场景提供借鉴和参考,也可为区段停运后的网络客流变化预测,行车和客运组织方案优化提供支撑。