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.     

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.     

基于多项logit模型的老城区通勤出行方式选择研究

探讨了老城区通勤者出行方式的影响因素,依据2013年合肥巢湖市居民出行调查数据,将出行方式划分为自行车、电动车、公共交通和小汽车4种类型。采用多项logit模型分析4种出行方式与通勤者个体特征、家庭特征和出行特征之间的关系。结果表明,老城区通勤者个体特征和家庭特征对出行方式选择的影响与已有研究一致;当出行距离较短,出行时间相对较少,老城区通勤者更加倾向选择电动车出行。     

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.     

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。     

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.     

基于生存分析的小汽车通勤者出发时刻研究

根据生存分析中的加速失效时间模型,对通勤者上班出发时刻选择行为进行研究分析.利用调查数据,建立了小汽车通勤者上班出发时刻选择的Weibull加速失效时间模型,得到了性别、年龄、家庭收入、单位上班时间和出行距离等是影响通勤者上班出发时刻选择的主要因素.结论表明模型的预测误差主要集中在10 min以内,模型的适用性和准确性较好,解决了Cox比例风险模型不能直接预测通勤者出发时刻的问题.     

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％.     

城市公共交通常乘客通勤出行提取方法

为挖掘公共交通通勤出行精准化特征，从追踪出行链的角度出发，利用公交与轨道多源数据研究常乘客通勤出行提取方法。通过选取潜在职住地设置高频职住地集合，提出公共交通常乘客职住地识别算法，结合出行链起讫站点与职住地空间信息匹配提取通勤出行链，并将常乘客出行分为home-work通勤、work-home通勤和非通勤出行。以北京市“回天地区”公交与轨道出行链数据为例，提取常乘客通勤出行。结果表明：常乘客职住地识别率达到85.9%，常乘客通勤出行和非通勤出行在出行时空分布和出行方式上存在明显差异，通勤出行提取可为北京市面向常乘客开展“预约出行”并分析其出行需求动态特征变化提供依据。     

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。