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.     

基于IC卡与GPS数据的公交通勤出行特征分析

公交通勤人群是公交客流的重要组成部分,公交通勤出行特征是制定公交优先发展战略、公交规划、优化与运营管理的数据基础.针对传统以"车"为研究对象的碎片化公交通勤出行特征分析方法,基于公交IC卡与GPS数据,从公交乘客"人"角度出发,系统分析提出了公交出行链特征、区间客流不均衡系数、职住平衡水平及线路黏性系数4个维度指标参数计算方法.以重庆市主城区连续5个工作日47条代表性线路的公交乘客为例,对通勤出行特征进行分析,结果表明:重庆市主城区通勤客流换乘次数较少、长线公交客流需求较大、职住平衡水平较高、约1/4的通勤出行者对线路选择具有较强黏性.     

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。     

上海市中心城区公共交通典型通勤出行链特征分析

基于居民调查与爬取的数据,梳理上海市中心城公共交通为主体的通勤出行链,并分析其主要出行时空区间,从中提取以公共交通为主的4类典型通勤出行链,探究不同公交出行链服务的通勤出行距离分布、出行耗时差异及起讫点在中心城的圈层分布特征。而后采用公交小汽车行程时间比指标,对不同距离区间内典型公交出行链的服务效率及服务竞争力进行评估,为公共交通在新业态重组后的城市交通系统中的重新定位及精准优化提供参考。     

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。     

考虑乘客情感价值影响的公交忠诚度评价方法

构建考虑乘客“情感价值”变量影响的公交忠诚度结构方程模型，分析乘客公交使用意愿的内在作用机理并提取相关影响因素，用于把握乘客的需求心理和公交服务改善诉求.依托厦门市公交意愿调查数据，模型结果证实，除商品消费本身产生的效用价值外，乘客在长期使用公交方式出行时产生的情感依赖同样会对公交服务价值的感知产生影响.模型指标得分结果表明，乘客对公交服务总体水平的满意度较低，但受制于其他因素，乘客不得不继续依赖公交出行的意愿依旧强烈.相关显变量得分显示，“站台设施和候车环境”“车辆运行平稳性”“车辆行驶速度”“行车安全与司机驾驶习惯”等服务内容是公交服务改善的重点.     

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。     

����APTS���ݵĹ������˿�ͨ��OD�ֲ����Ʒ���

为提高通勤者使用公交出行的比例,有效缓解城市交通拥堵,对应用智能公交系统数据(Advanced Public Transportation Systems,APTS)获得公交通勤出行需求的方法进行研究.采集APTS数据,通过对公交IC卡数据和智能调度系统数据的关联获得公交乘客的上车站点信息.根据早、晚高峰的出行频率判断公交通勤乘客,利用通勤出行的时间和空间特征确定居住地点和工作地点.以此基本思路,提出公交卡乘客通勤OD分布估计算法,并应用海量APTS系统数据对算法进行了试验和分析.最后,通过与基于"出行链"的方法进行比较,分析了算法的精度.本文提出的方法具有精度高、可操作性强的优点,为快速、经济地获取公交通勤OD分布提供了一种新的途径.     

基于公交IC卡数据的乘客出行分类研究

为得到体现公交乘客出行时空规律的数据,采用基于出行链方法推导出公共汽车乘客的下车站点;建立了描述单个乘客多天出行的完整数据框架;根据乘客参加不同活动所产生的出行时空特征定义了3类出行:通勤类出行、普通类出行和随机类出行,将出行频次与出发时间的标准差作为分类标准对公交乘客出行进行分类。研究表明:39.1%的乘客具有普通类或通勤类出行,生成总客流的76.4%;60.9%的乘客只具有随机类出行,生成总客流的23.6%。通过对乘客出行的分类研究可以更好地掌握乘客公交出行的规律和需求。     

一种基于手机信令的通勤OD 训练方法

针对基站定位精度低、信令采样间隔长、轨迹不连续的手机信令,提出一种职 住及通勤OD(origin-destination)计算框架.对用户单日手机轨迹按时间排序,标识每个轨 迹点的进出时间及停留时间,剔除长距离漂移轨迹点,对邻近轨迹点进行空间聚合.将全 天划分为多个时窗,叠加用户多日轨迹,计算稳定指数并识别用户在各时窗内的多日稳 定点.综合工作日与节假日稳定点判断用户居住地、工作地.采用基于常住人口的扩样方 法,对街道通勤OD矩阵进行扩样.模型结果与重庆主城常住人口分布、2014 年居民出行 调查结果吻合.     

基于手机信令数据的城市通勤出行特征研究

通勤交通出行特征是研究城市交通规划的重要数据基础,如何有效提取通勤出行特征成为研究城市居民通勤出行的关键。文章通过分析手机信令数据特性和通勤出行特征,利用手机信令数据挖掘的相关技术,建立通勤出行特征提取模型并进行实例研究,与传统的居民出行调查分析进行对比,验证利用手机信令数据进行通勤出行特征研究的可行性。     

基于通勤模式的都市圈中心结构判别研究

面对日益严重的城市交通问题，城市管理者尝试从城市空间规划层面引导交通出行模式的转型，调节供需关系，缓解交通问题，而中心结构识别作为城市空间规划的重要步骤，在分析方法与数据应用等方面仍然受限。本文利用百度位置数据挖掘出的都市圈通勤数据，采用基于网格的DBSCAN(Density-Based Spatial Clustering of Applications with Noise)密度聚类算法，识别出我国35个主要都市圈的中心布局，并根据5种通勤模式的理论模型和相应的量化指标对都市圈中心结构进行判别，最后对主要中心结构下影响通勤效率的因素进行回归分析。研究发现，虽然不同都市圈的中心布局差异明显，但大部分都市圈表现为非均衡多中心结构。不同中心结构的 分布呈现出一定的地域特征，单中心结构都市圈主要位于中西部城市，而约束扩散结构和均衡多中心结构都市圈大多是由东部沿海开放城市发展形成。城市规模与通勤时耗的相关性最为显著，职住平衡度对通勤时耗也有较大影响。上述研究结果为针对性地制定不同都市圈的资源配 置策略和通勤效率优化策略提供了有效支撑，对都市圈空间规划和交通可持续发展具有一定的理论价值和现实指导意义。     

基于地铁刷卡数据的通学模式影响机理研究

长距离的通学出行是导致中小学生被家长用小汽车接送的关键因素,鼓励中长距离通学学生使用地铁出行可以减少他们对小汽车的依赖.本文在考虑潜在接送行为的基础上,利用地铁IC卡刷卡数据研究了南京市中小学生的地铁通学模式.通过识别出地铁通学人群及对应的通学记录,把学生地铁通学行为分为只去不回 (HTSO)、只回不去 (STHO)、往返 (SHUTTLE)和其他(OTHERS)模式,并建立多元Logistic模型分析了学生出行特征、所在区位、居住地及学校周边建成环境特征对其地铁通学模式的影响.模型结果显示,学生的出发时刻、出行频率、居住地区位、学校区位及建成环境对地铁通学模式有显著影响,且居住地和学校周边建成环境对学生通学模式的影响不同.     

广州市水上巴士乘客出行特征分析

通过收集广州市水上巴士客流量数据并对乘客进行问卷调查,分析乘客出行次数、时空分布、出行目的、换乘方式和服务反馈等,探讨广州市水上巴士乘客出行的特征及成因,针对水上巴士乘客出行频率低、出行观念多元化和对水上客运服务质量有新要求等问题,提出提高服务质量、合理调整路线、做好宣传工作并寻求多元化经营方式等建议．对于完善“立体化”城市交通体系具有积极的意义。     

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。      

小学生上下学出行特征分析与管理策略

小学生上下学交通是城市居民出行的重要组成部分,由于家长接送学生时私人小汽车的停放以及机非混合,严重影响了学校门口的交通运行。以小学生上下学出行为研究对象,结合某小学的分层抽样OD调查数据,研究小学生上下学出行方式,并与美国小学生的出行方式进行对比;采集学校所在路段的交通量,绘制12 h交通量时变曲线,与无学校影响的、类似路段的交通量时变曲线进行对比,揭示学校所在路段交通量波动特征和上下学出行结构特征。在出行结构分析和交通量分析基础上,从出行结构和供需关系两方面提出改善小学生上下学交通的管理策略。     

双职工家庭通勤出行长度选择研究

以双职工家庭中夫妇俩通勤出行长度选择为研究对象,建立双变量有序Probit模型,分析了影响通勤出行长度选择的主要因素,揭示了夫妇俩通勤出行选择之间的相互影响模式．模型结果表明年龄、性别、家庭收入、居住环境等因素对双方通勤出行选择的影响方向相同,互补效应在双方的通勤出行长度选择中占主导地位．     

面向城市轨道交通的启发式疫情密接人群追溯方法

在复杂轨道交通网络中，某些乘客的出行行程是确定的。这些乘客可以作为启发式的“证人”，为其他乘客证明某个行程的可能性，从而在保证查全率的前提下，准确地找出潜在的密接乘客。本文的目的是开发一套适用于城市轨道交通的疫情密接人群追溯方法，利用有限的确定行程乘客作为虚拟的目击者，采用启发式的树搜索生成目标乘客可能的出行链，通过验证目标出行链与感染者行程是否有交集，判断目标乘客是否为密接乘客。以北京城市轨道交通为例，招募志愿者在特定线路乘车，并假定感染者乘车信息，通过提取有关自动售检票(Automatic Fare Collection, AFC)数据识别密接乘客，以验证方法的有效性。在实验场景下，本文提出的方法对密接乘客的识别查全率达到100%，查准率达到92.7%，表明方法具备一定的可行性。识别结果有助于有关部门针对性采取措施，更高效率地防范疫情蔓延和传播。