基于个体出行图谱的公共交通通勤行为辨别方法研究

不同公共交通类型乘客的出行特征存在显著差异,实现公共交通通勤乘客准确辨识,有助于获取精细化的公共交通出行特征,更好地满足不同类型乘客的出行需求.基于北京市公共交通刷卡和线站数据,对公共交通多源数据进行关联匹配并提取出行链.利用北京市连续1个月的公共交通刷卡出行数据,采用多层规划理论构建了个体出行知识图谱,提取了出行天数、出行空间均衡度等7类特征指标.通过RP调查获得乘客出行行为类别.以特征指标为输入,乘客分类为输出,构建了面向公共交通乘客分类的BP神经元网络模型.验证表明,模型平均分类精度为94.5%,Kappa系数为0.879.本文研究有助于准确识别不同类别的公共交通乘客,为优化公共交通运营及公共交通精准化服务提供支撑.     

公共交通乘客个体活动链的日相似性研究

刷卡数据为研究公共交通乘客长期出行规律提供了数据基础.利用北京市2018年 4~5月的刷卡数据，通过提取乘客活动地，推断居住地位置和识别活动类型3个步骤构建乘客个体活动链；基于PrefixSpan算法提取普通卡、老年卡、学生卡乘客活动链的频繁序列模式，采 用Levenshtein距离度量3类乘客活动链日维度的相似性.结果表明：每类用户中约70%乘客的频繁活动序列是对称模式；普通卡和学生卡用户的相似性高于老年卡用户，平均值分别为 0.645、0.649和0.530；3类乘客的工作日与非工作日活动链具有明显差异，而工作日之间或非工作日之间具有较高相似性.本文有助于定量解析公共交通乘客的出行活动规律，为科学优化公共交通服务提供依据.     

轨道新线对公共交通乘客吸引力影响因素研究

研究轨道交通新线对公共交通乘客的吸引力影响因素，有助于理解公共交通乘客的出行方式选择行为，预判新线开通带来的客流变化，以提高公共交通运力投放效率和整体服务水平。本文利用公交智能卡数据构建量化评价轨道新线吸引力影响因素的分类与回归树(Classification and Regression Tree, CART)模型，实证分析轨道新线吸引力与乘客特征间的相关关系。首先，从长时期的刷卡记录中挖掘乘客类型、出行习惯、出行特征和职住地轨道可达性等乘客特征指标；其次，以开通后的乘车次数表征新线吸引力，基于上述特征指标构建整体精度为82.6%的轨道新线吸引力影响因素解析决策树模型；最后，依据决策树结构和指标权重量化解析影响轨道新线对公共交通乘客吸引力的关键因素。分析结果表明，居住地距新线距离是影响新线对其吸引力最重要的因素，其次是居住地的轨道可达性水平及乘客联乘出行比例；而出行时间、出行距离等因素对轨道新线吸引力的影响较小。此外，轨道新线对老年乘客的吸引力与其他群体存在明显差异。本文研究成果对优化公共交通规划与运营组织具有重要指导意义。     

公交通勤个体出行特征图谱构建及相似性判别

从个体角度获取公共交通通勤乘客出行行为特征,有助于更准确地把握公交总体出行规律,更好地满足乘客的出行需求。基于公共交通刷卡数据与线站数据,针对公交通勤出行个体,借助图谱可视化表达优势,研究形成了以横轴为时间序列轴、纵轴为位置轴、节点大小为方向角度的公共交通通勤乘客出行特征图谱构建方法。在此基础上,选用出行方式、方向、时间和线路等属性指标,采用结构相似度与最长公共子序列相结合的分析方法,实现了图谱相似性判定。以个体乘客一周的公共交通出行数据为例,验证了研究结果的合理性和有效性。研究结果能够直观反映个体出行过程,为出行特征表达与提取提供了新思路。     

基于时空行为规律挖掘的公交乘客分类方法

应用智能公交系统(APTS)提取个体乘客出行信息，构造了公交出行链，研究了基于时空行为规律挖掘(STBRM)的公交乘客分类方法；应用时间序列表征乘客出行时间特征，利用互相关距离(CCD)算法计算了个体乘客出行时间规律；应用带噪声基于密度的空间聚类(DBSCAN)算法，挖掘了个体乘客的出行空间规律；依据出行强度和出行时空规律，将乘客划分为极少出行、时间规律、空间规律、时空规律和不规律等5个群体；以出行天数、类似上车时间数量和类似上车站点数量为聚类指标，应用K-Means++算法将乘客划分为高规律、中规律和低规律3类，比较了本文提出的STBRM方法和K-Means++聚类方法的分类结果，揭示了2种方法分类结果之间的关系。研究结果表明: 当时段划分长度取5 min，时间规律性判断阈值取3.0时，利用CCD算法识别时间模式规律乘客的效果最佳，与常用的DBSCAN算法相比，识别率提升了14.64%；增加时间窗长度能够提高时间、空间模式规律判定结果的稳定性；时间窗长度达到3周后，空间模式规律的乘客比例下降趋缓，达到6周后趋于稳定；时间窗长度达到2周后，时间模式规律的乘客比例增长趋缓，达到4周后趋于稳定；时间规律、空间规律和时空规律等3类乘客数量仅占总乘客数量的30.4%，但其出行量占到了总出行量的84.7%，公交依赖度很高，应作为公交机构重点保障的对象；本文提出的STBRM方法与K-Means++聚类方法的分类结果具有较强的关联性，规律性极高或极低的群体高度重合。      

基于智能卡数据的轨道与公交复合网络通勤方式选择行为研究

轨道交通网络和常规公交网络作为公共交通系统的主要组成部分，研究乘客在两网复合网络上的方式选择行为有助于提升公共交通系统的协同运营。然而，以往的研究通常只对单个网络出行进行研究，未考虑到出行完整性。针对此不足，基于多源数据融合、轨道与公交网络拓扑融合，提出乘客在公共交通复合网络上的完整出行提取方法；复杂网络中方式选择的本质是路径选择，因此在构建耦合换乘站点的公共交通复合网络基础上，建立5种考虑多种因素组合的多项Logit选择模型，以分析在复合网络中对乘客出行行为影响最显著的因素组合；最后将模型应用于北京市某工作日的公共交通网络及刷卡数据。研究结果表明，基于完整出行的选择模型优于基于出行阶段的选择模型；通勤者在公共交通复合网络上的方式选择行为与考虑在车时间、候车时间、换乘时间、换乘次数的出行总时间及票价因素显著相关，且出行总时间的影响更大；换乘、候车时间对通勤乘客在公共交通复合网络中方式选择的影响较低，通勤者更加偏好出行总时间短的路径。研究结果可为提升轨道与公交的协同程度提供技术支持。     

公共交通乘客个体活动链的日相似性研究

刷卡数据为研究公共交通乘客长期出行规律提供了数据基础.利用北京市2018年 4~5月的刷卡数据,通过提取乘客活动地,推断居住地位置和识别活动类型3个步骤构建乘客个体活动链;基于PrefixSpan算法提取普通卡、老年卡、学生卡乘客活动链的频繁序列模式,采 用Levenshtein距离度量3类乘客活动链日维度的相似性.结果表明：每类用户中约70%乘客的频繁活动序列是对称模式;普通卡和学生卡用户的相似性高于老年卡用户,平均值分别为 0.645、0.649和0.530;3类乘客的工作日与非工作日活动链具有明显差异,而工作日之间或非工作日之间具有较高相似性.本文有助于定量解析公共交通乘客的出行活动规律,为科学优化公共交通服务提供依据.     

基于机器学习模型的建成环境对小汽车拥有行为的影响

为分析家庭小汽车拥有行为，同时考虑居住地和工作地建成环境的影响，构建梯度提升迭代决策树(GBDT)模型；分析社会经济属性，居住地、工作地建成环境属性对小汽车拥有行为的影响程度，并基于长春市居民出行调查数据进行实证研究.结果表明：3类影响因素中，社会经济属性对小汽车拥有行为的影响最大(58.95%)；职住地建成环境属性均对家庭小汽车拥有行为具有显著影响，且居住地建成环境影响(23.77%)高于工作地建成环境(17.28%)；职住地建成环境属性中，除居住地交叉口密度，工作地到中央商务区(CBD)距离及公共交通站点密度外，其他建成环境属性对小汽车拥有行为的影响均大于5%.因此，有必要同时优化职住地的建成环境来抑制小汽车拥有量的增长.     

基于集成学习和居民属性数据的出行方式预测模型

传统的效用理论模型以整体效用最大化为目标，忽略了影响居民出行方式选择肢间可能存在相关性以及部分效用相互补偿性。基于集成学习的居民出行方式预测模型可以有效表达出行效用的个体偏好、差异性和补偿性，解决了不同出行特征影响因素对于不同人群有不同效用表征问题。本文依托大样本居民属性数据，针对不同个体对不同影响因素的感知差异，结合居民出行调查的个人属性、出行属性及环境属性等相关影响因素进行综合分析，构建个体级居民的出行特征向量；研究构建基于集成学习方法的居民出行方式预测模型；以广州市为例进行实证分析，通过准确率、精确率、召回率和F1值这4个指标，对模型预测结果进行综合评价；针对部分出行属性相似导致细分的出行方式判别精度不高，按照大类方式、慢行交通、公共交通、个体机动化交通这4个类别构建层次化LightGBM (Light Gradient Boosting Machine)模型，并对GBDT (Gradient Boosting Decision Tree)、Random Forest、LightGBM、层次化LightGBM这4个模型预测结果进行综合对比。分析结果表明：LightGBM模型预测慢...     

基于SVM的高原川道型城市通勤者出行方式选择研究

为探究典型高原川道型城市(西宁市)的出行者对交通出行方式选择的行为,以大规模的居民出行调查数据为基础,提取个人、家庭社会经济属性及出行特征指标,将包含小汽车出行和出租车出行的私人交通方式与公共交通方式这2项通勤方式选择作为目标变量,并通过显著性检验得出影响出行方式选择的8项决策变量.针对29960次有效出行样本,合理划分出训练样本集和测试样本集.基于此,分别构建支持向量机(SVM)和传统的二项Binary logistic (BL)模型以识别通勤者的出行方式选择,选取3项定量指标分方式的分类预测精度、总体分类预测精度和平均绝对百分比误差以对比不同模型的分类结果.研究结果表明:相比BL模型,SVM对分类数据具有更好的拟合效果,对出行方式选择的预测适用性良好,具体来说,对私人交通方式的预测,SVM的预测准确率比BL模型的预测准确率高出8.08％,公共交通则高出了2.76％;SVM的总体分类准确率比BL模型的预测准确率高出4.82％.     

航空运输的旅行成本研究

为了提高航空运输产品的竞争力，需要加强对市场需求的分析，特别是要注重研究旅客对出行方式的选择行为。提出了旅行成本模型用以定量描述旅客的选择行为，并对京沪、成渝两条典型航线上不同出行方式的旅行成本进行了对比研究，最后对降低航空运输旅行成本的方法进行了简要探讨。     

���о������ѡ��Ԥ��ģ�ͼ�ʵ֤�о�

城市交通系统是一个开放的复杂巨系统，城市交通管理的政策措施会对居民出行行为造成影响，为使城市交通系统能最大限度地发挥效益，一个城市的规划设计人员经常需要对居民出行需求进行了解，城市居民的出行选择与城市交通系统的服务时间、费用、环境及可选交通工具等诸多因素有关，本文从城市居民出行需求角度出发，考虑出行者的性别和职业属性，建立了基于出行费用、走行时间、出行次数的城市居民出行Multinomial Logit 模型，采用Maximum Likelihood方法进行参数估计，并以中国西北部城市兰州市A区为实例，通过计算机模拟仿真拟合计算得到了该区人员出行行为的分析结果，这一结果可作为兰州市交通管理部门制订相关政策，引导市民出行的依据。     

����SP����ij��й�����ͨ����ʱ���ֵ����

城市公共交通乘客出行成本的量化研究,对于科学合理地评价公共交通系统的社会效益意义重大,而出行时间价值是进行乘客出行成本估计的一个重要环节. 本文以北京市市区居民SP调查数据为依托,通过分析公共交通出行时间价值的影响因素,选取Logit模型为基础模型,引入“出行者收入”作为模型新增变量,并针对工作商务、社会娱乐两种出行目的在不同换乘情况下出行时间价值模型进行参数标定,建立了基于SP调查数据的改进型时间价值求解模型,并计算得到北京市公共交通出行者在不同出行目的和有无换乘情况下的换乘时间价值、候车时间价值以及运行时间价值. 研究发现,工作商务出行目的出行时间价值普遍高于社会娱乐的出行时间价值,出行者在不同出行目的和有无换乘情况下的候车时间价值,大于换乘时间价值以及运行时间价值,并且有换乘情况下的候车时间价值大于无换乘情况下的候车时间价值.     

突发公共卫生事件持续期居民中长距离出行方式选择行为研究

为剖析突发公共事件持续期风险感知属性对居民中长距离出行方式选择行为的影响，基于非集计理论，构建风险感知差异的居民出行方式选择多元Logit模型.在2020年3月新冠肺炎疫情持续期，通过网络采集1 643份有效调查问卷，运用SPSS软件标定模型参数，获取突发公共事件持续期，影响居民出行选择的主要风险感知因素，并进行敏感性分析.结果表明：防控措施和防控措施了解程度对居民出行方式选择有显著影响；以航空运输为参考，途径站点暴露率增加对铁路运输方式的选择概率有负向影响，对公路运输方式的选择概率有正向影响；保持疫情持续期航空的低票价，以及加大航空运输防控措施的宣传可提高居民选择航空出行的概率.     

突发公共卫生事件持续期居民中长距离出行方式选择行为研究

为剖析突发公共事件持续期风险感知属性对居民中长距离出行方式选择行为的影响,基于非集计理论,构建风险感知差异的居民出行方式选择多元Logit模型.在2020年3月新冠肺炎疫情持续期,通过网络采集1 643份有效调查问卷,运用SPSS软件标定模型参数,获取突发公共事件持续期,影响居民出行选择的主要风险感知因素,并进行敏感性分析.结果表明：防控措施和防控措施了解程度对居民出行方式选择有显著影响;以航空运输为参考,途径站点暴露率增加对铁路运输方式的选择概率有负向影响,对公路运输方式的选择概率有正向影响;保持疫情持续期航空的低票价,以及加大航空运输防控措施的宣传可提高居民选择航空出行的概率.     

基于个体出行数据的公共交通出行链提取方法

公共交通个体出行信息的提取对掌握公共交通出行的时空特征,改善居民通勤出行效率具有重要意义.研究从公交刷卡数据、公交定位数据、轨道AFC数据等海量公共交通多源数据的关联匹配与处理方法入手,提出了公共交通出行链信息提取中,换乘关系判断、通勤行为判别及出行起讫点匹配的方法与规则,标定了出行链匹配阈值参数,建立了基于个体出行数据的公共交通通勤出行链提取模型.提取模型的准确度验证表明:出行链结构提取及通勤出行判别的成功率均达到100%,出行阶段起讫点匹配成功率为87.5%,准确性为97.1%,满足了公共交通出行特征提取的需求.该方法为公共交通通勤出行判别及基于个体的微观通勤出行时空特征的深入分析奠定了基础.     

Improved Urban Inhabitant Travel Demand Model and Its Application

Transport planners often need to forecast the influence of the transport policies on travel demand, e.g., construction of a new transport alternative, changing public transit fares, or imposing road pricing schemes. Stated preference (SP) surveys are frequently adopted by transport planners for the analysis of the impact of transport policies on travel demand. However, evidence suggests that preferences derived from SP surveys are contingent on context, which indicates that trip makers may show asymmetric preferences for different levels of services. The objective of this article is to propose an alternative conceptual framework for travel demand analysis. It is expected that travel behavior may be heterogeneous across trip makers; response (or parameter of) to the level of service is defined as a function of the attributes of the trip makers. It is also aimed to propose some urban transportation policies based on a new type of discrete choice model. In an empirical demonstration, the panel data obtained from commuters in Lanzhou, China, are used, and support is obtained for several predictions on why behavioral intentions are, or are not, implemented.     

Estimation of Travel Time Values for Urban Public Transport Passengers Based on SP Survey

Quantitative study on the travel costs of urban transit passengers has great significance for scientifically evaluating social benefits of public transportation system. Analysis of travel time values is one of the most important parts of traveler's travel cost estimation. According to the stated preference (SP) survey data for Beijing residents, factors that influence public transport values of travel time are analyzed and a Logit-based model is used. An improved SP survey based model is proposed, in which traveler's income is introduced as a variable. The parameters estimating the travel time values under the trip purposes of work/business and leisure are calibrated. Then the values of travel time under different conditions in Beijing are obtained (i.e. different trip purposes and with/without transferring). The results indicate that the travel time values for work are generally higher than those for leisure. The waiting time values are higher than transferring time values and in-vehicle time values under any circumstances, and the waiting time values are higher with transferring than those without transferring.