基于智能公交卡數(shù)據(jù)的出行行為的時(shí)空間分析及規(guī)劃啟示
——以布里斯班為例

陶 遂 TAO Sui

基于智能公交卡數(shù)據(jù)的出行行為的時(shí)空間分析及規(guī)劃啟示
——以布里斯班為例

陶 遂 TAO Sui

智能公交卡作為越來(lái)越普遍的城市公共交通付費(fèi)方式產(chǎn)生了大量詳細(xì)的出行數(shù)據(jù)。這種大數(shù)據(jù)的出現(xiàn)為出行行為研究特別在時(shí)空間方面帶來(lái)新的機(jī)會(huì)和挑戰(zhàn)。以布里斯班為例，展示了一種地理可視化方法——條件流量圖及其在分析智能公交卡數(shù)據(jù)方面的應(yīng)用。對(duì)該數(shù)據(jù)進(jìn)行可視化后，揭示了基于巴士公交的出行在一個(gè)城市尺度下相對(duì)精細(xì)的時(shí)空間分布和特征，以及在不同因素（包括快速巴士公交道、乘客組群和天氣）作用下的變化。這些發(fā)現(xiàn)對(duì)建立城市公交系統(tǒng)更有針對(duì)性地規(guī)劃和運(yùn)營(yíng)以更好滿足乘客出行需求有一定的啟示作用。同時(shí)，未來(lái)研究需要進(jìn)一步完善和補(bǔ)充智能公交卡數(shù)據(jù)，并發(fā)展更成熟的分析方法。

智能公交卡 | 大數(shù)據(jù) | 出行行為 | 時(shí)空間分析 | 交通規(guī)劃

0 引言

如今，采用智能公交卡（Transit smart card）作為公交票費(fèi)收取方式的做法已經(jīng)變得相當(dāng)普遍。相對(duì)于傳統(tǒng)的紙票售票方式，智能公交卡繳費(fèi)更為方便快捷。世界上一些知名度較高的公交卡包括倫敦的牡蠣卡（Oyster card），東京的企鵝卡（Suica）以及香港的八達(dá)通卡（Octopus card）。相對(duì)于傳統(tǒng)的交通出行調(diào)研方法（如問(wèn)卷調(diào)查），通過(guò)智能公交卡系統(tǒng)所收集的數(shù)據(jù)通常在時(shí)間空間上的覆蓋面更廣，信息也更準(zhǔn)確。越來(lái)越多的城市和交通研究者意識(shí)到，智能公交卡數(shù)據(jù)（Transit Smart Card Data或TSCD）可以作為用于研究出行行為方面更強(qiáng)大的數(shù)據(jù)源[1]。隨著智能公交卡的日益普及，很多國(guó)內(nèi)外學(xué)者應(yīng)用其衍生數(shù)據(jù)來(lái)研究公交出行在城市中的分布和特征[2-5]。這些研究的成果為城市公共交通和用地系統(tǒng)的規(guī)劃和管理提供了更具體的依據(jù)。以澳大利亞的布里斯班為例，本文旨在集中總結(jié)和討論作者在上述領(lǐng)域的研究成果，以及從中提取的規(guī)劃啟示。

1 研究背景

1.1 出行行為的時(shí)空間研究

一個(gè)城市的交通及用地系統(tǒng)的規(guī)劃需要以人們的出行規(guī)律作為主要依據(jù)之一。因此，如何更好地了解人們?nèi)粘３鲂行袨?，尤其在時(shí)間空間上的分布和特征是城市交通研究長(zhǎng)期以來(lái)的一個(gè)核心課題。在該領(lǐng)域，早期研究致力于應(yīng)用數(shù)學(xué)或統(tǒng)計(jì)方法捕捉人們的日常出行規(guī)律（如出行頻率、距離及時(shí)間等）[6-7]。這些研究的成果很大程度上構(gòu)成了今天對(duì)出行行為認(rèn)知的基礎(chǔ)。例如，相對(duì)于工作日，人們?cè)谥苣┗蚣偃盏某鲂行袨樵跁r(shí)間和空間分布上呈現(xiàn)出更多的隨機(jī)性，體現(xiàn)了工作日和周末的不同活動(dòng)規(guī)律。同時(shí)，社會(huì)經(jīng)濟(jì)屬性如性別、年齡、收入和家庭結(jié)構(gòu)等也在人們組織每天的出行中扮演重要的角色[6,8]。值得注意的是，上述研究很大程度上并沒有捕捉到一些出行行為的重要空間特征，如活動(dòng)范圍、出行路線等[9]?？紤]到這些局限性，另一些研究則發(fā)展和應(yīng)用基于時(shí)間地理學(xué)的概念和方法，例如活動(dòng)空間（Activity space）。活動(dòng)空間代表了一個(gè)人在日常生活和出行中所能覆蓋的空間范圍，以及所能觸及的各種社會(huì)和經(jīng)濟(jì)活動(dòng)機(jī)會(huì)[10]。基于這樣的概念，出行行為的時(shí)空間特征被重新探索[9,11-12]。這些研究的結(jié)果表明在其他因素被控制的情況下，具體的居住位置對(duì)活動(dòng)范圍的大小和出行強(qiáng)度也有很大的影響。

1.2 智能公交卡數(shù)據(jù)和出行行為研究

對(duì)于出行行為研究這一領(lǐng)域，獲取可靠的數(shù)據(jù)源一直是個(gè)挑戰(zhàn)。傳統(tǒng)上，問(wèn)卷和電話等調(diào)研方式主導(dǎo)了出行研究的數(shù)據(jù)獲取。然而這些數(shù)據(jù)采集方式的缺陷，例如高費(fèi)用、小樣本等也相對(duì)突出。同時(shí)，采集的時(shí)空間信息的準(zhǔn)確和完整性也往往不能保證，這體現(xiàn)在調(diào)研參與者遺忘某些出行，或者粗略地記錄出行時(shí)間和地點(diǎn)。這些缺陷都有可能造成對(duì)出行行為時(shí)空間規(guī)律的不準(zhǔn)確掌握[13]。智能公交卡數(shù)據(jù)（TSCD）的出現(xiàn)一定程度上彌補(bǔ)了上述傳統(tǒng)調(diào)研數(shù)據(jù)的不足。通常，公交乘客在使用智能公交卡時(shí)會(huì)留下具體的公交服務(wù)使用信息，如卡的ID、上下車車站、上下車時(shí)間、線路、方向等（圖1）。在一個(gè)城市的尺度上，每天則可以產(chǎn)生數(shù)以萬(wàn)計(jì)的公交出行記錄。鑒于這些特性（自動(dòng)、大量和快速的數(shù)據(jù)收集），TSCD在提供準(zhǔn)確的時(shí)空出行信息和數(shù)據(jù)量方面均優(yōu)于傳統(tǒng)調(diào)研數(shù)據(jù)。

現(xiàn)已有相當(dāng)數(shù)量的研究致力于發(fā)掘TSCD在研究出行行為時(shí)空間特征方面的潛力[1,14]。這些研究可以大致分為3個(gè)主要類別。第一類研究主要探索公交站點(diǎn)（如乘客上車）的使用及其在時(shí)間空間上的變化，從而揭示公交出行發(fā)生在時(shí)空間上的變化[2]。這類研究關(guān)注對(duì)TSCD中包含的時(shí)空間信息的提取和展示，因此在對(duì)TSCD的應(yīng)用上還處于相對(duì)探索的階段。第二類研究關(guān)注對(duì)TSCD的擴(kuò)充和出行起訖（OD）矩陣的推算。在很多公交系統(tǒng)中，TSCD只記錄上車點(diǎn)和時(shí)間而忽略下車點(diǎn)。不少研究者針對(duì)TSCD的這一缺陷提出了估算下車信息的算法，并由此建立公交出行的OD矩陣[4,15]。這類研究則為TSCD的應(yīng)用提供了行為理論基礎(chǔ)（例如多數(shù)人會(huì)以上一段的出行終點(diǎn)作為下一段出行的起點(diǎn)等）。第三類研究嘗試將社會(huì)和活動(dòng)屬性與TSCD相結(jié)合以挖掘出更復(fù)雜的出行行為特征。例如Devillaine等[16]針對(duì)不同的出行活動(dòng)（如上班，上學(xué)）提出基于時(shí)長(zhǎng)的判斷標(biāo)準(zhǔn)（如工作時(shí)間最短為2 h，學(xué)習(xí)時(shí)間最短為5 h）。將這些標(biāo)準(zhǔn)運(yùn)用到TSCD上可以大致提取出公交使用者不同出行活動(dòng)的時(shí)空間規(guī)律。

圖1 TSCD示意

2 條件流量圖

TSCD很大程度上使出行行為研究達(dá)到更高的時(shí)空間精度和廣度。同時(shí)，TSCD及其他形式的大數(shù)據(jù)（如信用卡消費(fèi)和手機(jī)定位數(shù)據(jù)等）也對(duì)出行行為的時(shí)空間分析方法提出了新挑戰(zhàn)[17]。由于龐大的數(shù)據(jù)量，應(yīng)用傳統(tǒng)的多元統(tǒng)計(jì)分析方法在TSCD上可能會(huì)產(chǎn)生統(tǒng)計(jì)意義上重要、但實(shí)際意義甚微的結(jié)果。針對(duì)這種可能性，一些學(xué)者提出在建立統(tǒng)計(jì)模型前，地理可視化（Geo-visualization）可以作為分析包括TSCD在內(nèi)的大數(shù)據(jù)的有效方法，并為前者提供必要的依據(jù)[18-19]。針對(duì)TSCD的大數(shù)據(jù)特性，作者提出了一個(gè)以軌跡導(dǎo)向、空間為中心的（Trajectory-oriented space centered）可視化方法，即條件流量圖（Conditional flow-map或flow-comap）[20-21]。該方法的核心目標(biāo)是可視化TSCD來(lái)揭示一個(gè)城市中，公交乘客集體出行的起訖點(diǎn)和線路選擇在公交網(wǎng)絡(luò)中的時(shí)空間分布特征和規(guī)律?；谶@樣的目標(biāo)，條件流量圖可以看作是兩個(gè)常用的空間可視化方法，即條件圖（Conditional plot）和流量圖（Flow-map）的結(jié)合。條件圖是一種將空間數(shù)據(jù)（如車輛行進(jìn)位置）按某種條件變量（如時(shí)間）進(jìn)行分組，并對(duì)分組后的數(shù)據(jù)進(jìn)行空間分析（如空間熱點(diǎn)分析）及可視化的方法[22]（圖2）。而在流量圖中[23]，個(gè)體移動(dòng)數(shù)據(jù)經(jīng)常按相同的起訖點(diǎn)進(jìn)行聚類并用直線和箭頭表達(dá)，不同的直線寬度則表達(dá)移動(dòng)流量的大?。▓D3）。探索出行流量在不同時(shí)間下的空間分布則形成條件流量圖。

由于TSCD所包含的出行信息量巨大，僅用起訖點(diǎn)的直線表達(dá)移動(dòng)線路，在一個(gè)密度較高的城市公交網(wǎng)絡(luò)內(nèi)可能會(huì)導(dǎo)致辨識(shí)度較低的可視化結(jié)果?？紤]到這點(diǎn)，TSCD的出行記錄則需要進(jìn)行出行線路的還原，并以此為基礎(chǔ)繪制條件流量圖[20]。針對(duì)這個(gè)問(wèn)題，作者發(fā)展出通過(guò)利用通用運(yùn)輸咨詢規(guī)則（General Transit Feed Specification或GTFS）對(duì)TSCD進(jìn)行出行線路還原的方法。GTFS是一種提供在谷歌（Google）平臺(tái)上的開源數(shù)據(jù)，一般包含某個(gè)城市詳細(xì)的公共交通網(wǎng)絡(luò)和服務(wù)數(shù)據(jù)，如公交線路，公交站及兩者的對(duì)應(yīng)關(guān)系（如某公交站服務(wù)于某條公交線路）?；贕TFS，公交線路上所有經(jīng)過(guò)的站點(diǎn)及它們的排列順序可以被提取出來(lái)。通過(guò)找到對(duì)應(yīng)的公交線路和站點(diǎn)，TSCD中的出行記錄則可以被還原成更詳細(xì)的出行軌跡。圖4直觀示意了對(duì)一條TSCD記錄的線路還原的過(guò)程。對(duì)擴(kuò)展后的TSCD進(jìn)行基于起訖點(diǎn)和出行線路的聚集和分類并可視化，便生成可識(shí)別度較高的流量圖，作為繪制條件流量圖的基礎(chǔ)（圖5）。

圖2 條件圖案例（以撞車事故為例）

圖3 交通流量圖案例

圖4 TSCD出行線路還原示意

3 案例分析：布里斯班

3.1 布里斯班概況

布里斯班是澳大利亞第三大城市，昆士蘭州的首府?；赥SCD的條件流量圖的成果展示和討論將以該市市區(qū)作為背景（包括市中心，內(nèi)環(huán)區(qū)和外環(huán)區(qū)）（圖6）。該區(qū)域內(nèi)有將近100萬(wàn)的常住人口。布里斯班河由西南到東北將市區(qū)一分為二，在關(guān)鍵的位置則有橋梁連接。與很多西方城市類似，布里斯班的交通出行以汽車為主導(dǎo)，汽車承擔(dān)了大約85%的日常出行量，公共交通吸收了大約8%的出行量，余下的則由其他交通方式（如自行車）承擔(dān)[25]。公共交通系統(tǒng)由巴士公交、軌道公交和渡輪組成。2000年以前，巴士和軌道公交的乘客量基本持平。而在10—15年中，布里斯班市政府對(duì)公共交通系統(tǒng)的投資則主要集中在巴士公交的擴(kuò)展和改進(jìn)上。在2000年，市政府投資建設(shè)了一系列圖4所示的快速巴士專用道，以緩解通向市中心的交通壓力。該巴士專用道，采用了開放式設(shè)計(jì)，即允許巴士在某些交叉口進(jìn)出。在總共400余條巴士線路中，現(xiàn)有超過(guò)170條線路使用該公交專用道，承擔(dān)了布里斯班大約2/3的對(duì)巴士公交的需求量[26]。相較其他公交模式（包括軌道公交），巴士公交也吸引了更多的公交乘客量，可以說(shuō)是現(xiàn)在布里斯班公交系統(tǒng)的中樞角色。

布里斯班的智能公交卡系統(tǒng)（Go card）基本涵蓋了該市的所有公交模式。本文所展示的成果基于2012年11月初至2013年4月底間生成的TSCD。在該數(shù)據(jù)中，軌道公交和渡輪的出行記錄不包含一些重要的公交服務(wù)信息（如線路ID、方向等），對(duì)它們的線路重建難以實(shí)施。因此，本文只關(guān)注基于巴士公交的出行。一個(gè)工作日的TSCD包含大約25萬(wàn)條巴士出行記錄，在周末則有平均6萬(wàn)—7萬(wàn)條出行記錄。

3.2 成果及規(guī)劃啟示

該節(jié)將報(bào)告和討論條件流量圖的3個(gè)應(yīng)用案例：（1）基于快速巴士專用道和普通巴士出行的時(shí)空間分布；（2）不同巴士乘客組出行的時(shí)空間差異；（3）天氣因素對(duì)巴士乘客出行的影響。圖7展示的是第一個(gè)案例，即一個(gè)工作日內(nèi)快速巴士和普通巴士出行的時(shí)空間分析。如果一次巴士出行中的全部或一段使用了快速巴士專用道，那么這次出行便被劃為基于快速巴士的出行；如果一個(gè)巴士出行中任何一部分都沒有使用快速巴士專用道，那么該出行則被視為普通巴士出行。在水平方向，流量圖按4個(gè)時(shí)間段排列，即早上（6:00—10:30），中午（10:00—14:30），下午（14:00—18:30）和晚上（18:00—22:30）。在垂直方向上，流量圖則按不同巴士模式（即快速和普通）和方向（即入城和出城）區(qū)分。根據(jù)TSCD，入城指代朝向市中心方向的出行；而出城則指代朝向市區(qū)外圍的出行。自然斷裂法（Natural Breaks）用來(lái)劃分不同等級(jí)的客流量，在圖中以不同寬度的線表示。最后，依據(jù)Bell等[27]的方法，變異系數(shù)（CV）也被計(jì)算以量化流量圖中的出行分布特征。高的CV值代表空間中相對(duì)分散的出行分布，而低的CV值代表更集中的出行分布。

從圖7可以看出，基于快速和普通巴士的出行都表現(xiàn)出比較明顯的通勤特征，即相對(duì)于其他時(shí)段，早上時(shí)段的出行呈現(xiàn)出更多客流量高的線路（客流量＞1400）；而出城出行在下午時(shí)段表現(xiàn)出類似的特征。同時(shí)，兩種巴士出行也表現(xiàn)出不同的空間分布特征?；诳焖侔褪康某鲂行纬闪巳舾煽土髁扛叩木€路。這些線路主要連接了市中心與布里斯班外環(huán)區(qū)的北部、南部和西部。相對(duì)的，普通巴士出行的高客流量線路數(shù)量較少，并主要分布在布里斯班河以北。值得注意的是，工作日的大部分時(shí)段內(nèi)，普通巴士出行的CV值卻比快速巴士出行高，意味著前者在空間上的分布較后者更分散。另外，通過(guò)比較乘客出行線路和快速巴士專用道的空間布局可以看到，很多位于布里斯班北部的高流量線路只用到小段的快速專用道，意味著北部快速專用道的使用效率較南部更低。這些出行特征有以下啟示。第一，對(duì)于客流量較高的線路，定期評(píng)估和保證它們的服務(wù)質(zhì)量，如發(fā)車頻率、準(zhǔn)時(shí)程度等，以及乘客出行需求（特別是通勤需求）的滿意程度，值得公交運(yùn)營(yíng)者特別關(guān)注。第二，對(duì)于乘客量較低、但分布相對(duì)分散的線路（特別是普通公交線路），運(yùn)營(yíng)者需要進(jìn)行成本效益分析，并考慮對(duì)乘客量低但成本高的線路進(jìn)行調(diào)整，例如采用更靈活、性價(jià)比更高的公交模式，如小型巴士。第三，運(yùn)營(yíng)者可以考慮將一些高客流量線路調(diào)整到布里斯班北部的快速專用道上，以提高后者的使用效率，并借此提升北部的出行效率（例如更短的公交出行時(shí)間）。

圖5 基于線路還原的流量圖示意

圖8展示了第二個(gè)案例分析，即不同乘客組出行的時(shí)空間差異。布里斯班的智能公交卡主要分為4類：成人卡、老年卡、大學(xué)生卡（包括高級(jí)技術(shù)類學(xué)校學(xué)生）及中小學(xué)生卡，涵蓋不同的公交使用人群。這里作者以成人組（大部分為工作人群）和老年組（即60歲及以上的人群）在工作日的巴士出行為例。同樣的，流量圖在水平方向按時(shí)間段排列，在垂直方向按乘客組和出行方向排列?？梢钥吹剑扇私M的出行分布很大程度上和圖7所示的快速巴士出行的分布類似，意味著該組有相當(dāng)一部分乘客乘坐基于快速巴士專用道的公交通勤。而老年組的出行，由于整體較低的客流量，其空間分布及隨時(shí)間的變化并不明顯。為了更好挖掘出該組出行的時(shí)空間特征，作者進(jìn)一步發(fā)展了加權(quán)條件流量圖（Weighted flow-comap）。加權(quán)條件流量圖的核心是直接計(jì)算不同條件下各條線路上的乘客流量差，并進(jìn)行可視化。例如，一條線路在中午的客流量減去該條線路在早上的客流量，再將該計(jì)算用于全部線路?？紤]到出行需求在不同時(shí)段會(huì)有較大的變化，乘客流量差再被標(biāo)準(zhǔn)化。正標(biāo)準(zhǔn)流量差值代表某條線路的乘客量相對(duì)于其他線路有增加；而負(fù)值則代表乘客量相對(duì)減少。標(biāo)準(zhǔn)流量差的絕對(duì)值越大意味著乘客量變化越大。

圖7 快速和普通巴士出行的時(shí)空間分布圖

圖8 成人和老年組出行的時(shí)空間分布圖

圖9展示了在圖8基礎(chǔ)上繪制的加權(quán)條件流量圖。成人和老年乘客組在早上的乘客出行量分別作為各組的比較基線，即標(biāo)準(zhǔn)客流差是其他時(shí)段（中午、下午和晚上）的客流量減去早上的客流量再標(biāo)準(zhǔn)化后的結(jié)果。對(duì)于成人組，沿著若干（尤其在南部的）線路，入城出行的客流量在其他時(shí)段相對(duì)于早上有所減少；而出城出行的客流量，尤其在中午和下午，在這些線路上有所增加。這些差異均符合通勤特征。老年組的出行表現(xiàn)出大致類似的時(shí)空間差異。不同的是，在早上以外的其他時(shí)段，老年乘客組的出城出行流量比成人乘客組在更多的線路上（尤其在布里斯班北部和西南部）有所增加。這些結(jié)果為公交運(yùn)營(yíng)滿足不同乘客組的出行需求提供了啟示。除了關(guān)注主要乘客組（特別是成人組）的通勤需求外，其他乘客組的在空間上不同的出行需求也應(yīng)該在設(shè)計(jì)公交線路中有所考慮。在本案例中，是否應(yīng)該針對(duì)老年乘客在工作日的出城出行提供更多相應(yīng)的公交線路，值得運(yùn)營(yíng)者結(jié)合其他數(shù)據(jù)（如調(diào)研數(shù)據(jù)）進(jìn)一步調(diào)查和考慮。

圖9 成人和老年組出行的時(shí)空間分布比較圖

圖10 不同降雨量下巴士出行的時(shí)空間差異圖

天氣對(duì)人的出行行為有著不可忽視的影響[28-29]。例如在不好的天氣狀況下（如降雨、高溫天氣等），人們可能會(huì)減少室外活動(dòng)及出行。本節(jié)討論的最后一個(gè)案例則關(guān)注天氣因素，特別是降雨，對(duì)巴士出行在時(shí)空間分布上的影響。以2012年11月至2013年2月工作日作為主要樣本。結(jié)合澳大利亞氣象局的數(shù)據(jù)，作者將上述的工作日樣本劃分為兩大類，即沒有降雨日和有降雨日。有降雨的樣本根據(jù)降雨量的大小進(jìn)行排序，并根據(jù)排序再被等分為3個(gè)次樣本（分別以T1、T2和T3標(biāo)注）?；?個(gè)次樣本（無(wú)降雨日和3個(gè)從小到大分級(jí)的降雨日），TSCD也被分為相應(yīng)的4組，作為不同降雨量天氣下巴士出行時(shí)空間分布的可視化數(shù)據(jù)。上文提到的加權(quán)流量圖則作為這個(gè)案例的主要分析手段。

圖10展示了早上（6:00—10:30）和下午（12:00—18:30）時(shí)段的加權(quán)條件流量圖。為了捕捉不同雨量間的客流量差異，低一級(jí)的雨量樣本作為高一級(jí)雨量樣本的比較基線。例如T1降雨量下乘客流量減去零降雨量時(shí)的乘客流量（T1-0）；T2降雨量下乘客流量減去T1降雨量的乘客流量（T2-T1）。對(duì)于早上時(shí)段，一些線路的客流量在小降雨量（T1）時(shí)有所減少。而達(dá)到較高降雨量時(shí)（如從T1到T2，再到T3），有些線路（尤其是與快速巴士專用道相連接的線路）的客流量卻有增加。下午時(shí)段的巴士出行時(shí)空間變化與早上時(shí)段的變化類似。這些出行變化表明，雨量較大時(shí)，有更多人選擇乘坐基于快速專用道的巴士線路通勤。其中可能有兩個(gè)原因：一是降雨量變大時(shí)，道路狀況也變得相對(duì)不安全，促使一部分駕車的通勤者使用公交出行；二是快速巴士專用道上的車站相對(duì)于普通巴士站有更好的遮擋設(shè)計(jì)，從而可能吸引其他巴士線路的乘客乘坐快速巴士服務(wù)。根據(jù)這些結(jié)果，公交運(yùn)營(yíng)者可以根據(jù)不同的天氣狀況（如降雨）對(duì)巴士公交做出調(diào)整。例如，對(duì)于降雨時(shí)乘客量減少的線路，車次可以相應(yīng)地減少；同時(shí)，這些減少的車次可以調(diào)到那些乘客量相對(duì)增加的線路。當(dāng)資金相對(duì)充沛時(shí)，運(yùn)營(yíng)者也可以考慮加強(qiáng)普通巴士線路上車站的遮蓋設(shè)計(jì)以改善天氣不好時(shí)乘坐巴士的體驗(yàn)，從而提升乘客的滿意度。

4 結(jié)論

TSCD作為一種新型的交通大數(shù)據(jù)，為出行行為的時(shí)空間研究帶來(lái)新的機(jī)遇。同時(shí)，該數(shù)據(jù)巨大的信息量也對(duì)傳統(tǒng)的、依賴于數(shù)理統(tǒng)計(jì)的分析方法提出了挑戰(zhàn)。以布里斯班為背景，本文集中展示并討論了針對(duì)TSCD而發(fā)展的地理可視化方法——條件流量圖及其應(yīng)用?？梢暬慕Y(jié)果揭示了基于巴士公交的出行在一個(gè)城市尺度下相對(duì)精細(xì)的時(shí)空間分布和特征，以及在不同因素（包括快速巴士公交道、乘客組群和天氣）作用下的變化?；谶@些發(fā)現(xiàn)，公交運(yùn)營(yíng)者可以對(duì)巴士公交系統(tǒng)做出更有針對(duì)性的規(guī)劃和調(diào)整，如在不同情況下，根據(jù)出行量的變化對(duì)公交服務(wù)系統(tǒng)進(jìn)行實(shí)時(shí)監(jiān)控和調(diào)整。值得注意的是，由于城市結(jié)構(gòu)、人口等方面的不同，本文展示的結(jié)果及規(guī)劃啟示很大程度上并不能直接遷移到國(guó)內(nèi)，尤其是規(guī)模較大的城市。例如，北京的公交通勤出行表現(xiàn)出相對(duì)分散的、多中心的空間結(jié)構(gòu)[5]；而布里斯班的公交通勤出行則表現(xiàn)出較強(qiáng)的單中心結(jié)構(gòu)（即以市中心及周邊區(qū)域?yàn)橹饕康牡兀?。盡管有這樣的差異，通過(guò)本文的案例分析可以看到，TSCD結(jié)合地理可視化方法（如條件流量圖）仍然可以應(yīng)用在空間結(jié)構(gòu)更加復(fù)雜的城市背景下，以支持公交系統(tǒng)更好地滿足當(dāng)?shù)氐某鲂行枨蟆ｈb于當(dāng)下愈加復(fù)雜的出行行為和持續(xù)的城市化進(jìn)程，掌握這樣的出行信息和分析工具也顯得越來(lái)越重要。

雖然TSCD在揭示出行行為的時(shí)空間特征和支持交通系統(tǒng)規(guī)劃方面有著不可忽視的潛力，它并不能被作為治理城市交通的萬(wàn)能藥。這點(diǎn)很大程度上是由于TSCD的一些自身缺陷。例如，TSCD一般并不提供關(guān)于持卡人經(jīng)濟(jì)社會(huì)屬性和對(duì)于不同出行方式和活動(dòng)的態(tài)度和偏好。而這些因素對(duì)人們的日常出行行為也有重要的影響。另外，TSCD一般也不包含除公共交通以外的交通模式和出行信息（如私人汽車、自行車和步行等）。之后的研究可以嘗試將TSCD與其他數(shù)據(jù)相結(jié)合的方法以彌補(bǔ)TSCD的上述缺陷。最后，進(jìn)一步發(fā)展更成熟的、針對(duì)TSCD的分析方法，如在3D環(huán)境下的地理可視化和建立時(shí)空間出行模型等，對(duì)更好掌握城市人口的出行動(dòng)態(tài)、為城市交通系統(tǒng)提供支持有著長(zhǎng)遠(yuǎn)的意義。

References

[1]龍瀛，孫立君，陶遂. 基于公共交通智能卡數(shù)據(jù)的城市研究綜述[J]. 城市規(guī)劃學(xué)刊，2015（3）：71-77.LONG Ying, SUN Lijun, TAO Sui. A review of urban studies based on transit smart card data[J].Urban Planning Forum, 2015 (3):71-77.

[2]MORENCY C, TREPANIER M, AGARD B.Measuring transit use variability with smart-card data[J]. Transport Policy, 2007, 14(3):193-203.

[3]DEVILLAINE F, MUNIZAGA M, TRéPANIER M.Detection of activities of public transport users by analyzing smart card data[J]. Transportation Research Record: Journal of the Transportation Research Board, 2012 (2276):48-55.

[4]MUNIZAGA M A, PALMA C. Estimation of disaggregate multimodal public transport origindestination matrix from passive smartcard data from Santiago, Chile[J]. Transportation Research Part C: Emerging Technologies, 2012 (24):9-18.

[5]龍瀛，張宇，崔承印. 利用公交刷卡數(shù)據(jù)分析北京職住關(guān)系和通勤出行[J]. 地理學(xué)報(bào)，2012，67（10）：1339-1352.LONG Ying, ZHANG Yu, CUI Chengyin.Identifying commuting pattern of Beijing using bus smart card data[J]. Acta Geographica Sinica,2012, 67(10):1339-1352.

[6]HANSON S, HUFF J. Classification issues in the analysis of complex travel behavior[J].Transportation, 1986, 13(3):271-293.

[7]SCHLICH R, SCH?NFELDER S, HANSON S,et al. Structures of leisure travel: temporal and spatial variability[J]. Transport Reviews, 2004,24(2):219-237.

[8]張萌，孫全欣，陳金川，等. 北京市女性出行行為研究[J]. 交通運(yùn)輸系統(tǒng)工程與信息，2008，8（2）：19-26.ZHANG Meng, SUN Quanxin, CHEN Jinchuan,et al. Travel behavior of the female in Beijing[J].Journal of Transportation Systems Engineering and Information, 2008, 8(2): 19-26.

[9]BULIUNG R N, ROORDA M J, REMMEL T K.Exploring spatial variety in patterns of activitytravel behaviour: initial results from the Toronto Travel-Activity Panel Survey (TTAPS)[J].Transportation, 2008, 35(6):697-722.

[10]SCH?NFELDER S, AXHAUSEN K W. Activity spaces: measures of social exclusion?[J].Transport policy, 2003, 10(4):273-286.

[11]KAMRUZZAMAN M, HINE J, GUNAY B, et al.Using GIS to visualise and evaluate student travel behaviour[J]. Journal of Transport Geography,2011, 19(1):13-32.

[12]柴彥威，申悅，肖作鵬，等. 時(shí)空間行為研究動(dòng)態(tài)及其實(shí)踐應(yīng)用前景[J]. 地理科學(xué)進(jìn)展，2012，31（6）：667-675.CHAI Yanwei, SHEN Yue, XIAO Zuopeng, et al.Review for space-time behavior research: theory frontiers and application in the future[J]. Progress in Geography, 2012, 31(6): 667-675.

[13]BAGCHI M, WHITE P R. The potential of public transport smart card data[J]. Transport Policy,2005, 12(5):464-474.

[14]PELLETIER M P, TRéPANIER M, Morency C.Smart card data use in public transit: a literature review[J]. Transportation Research Part C:Emerging Technologies, 2011, 19(4):557-568.

[15]NASSIR N, KHANI A, LEE S, et al. Transit stoplevel origin-destination estimation through use of transit schedule and automated data collection system[J]. Transportation Research Record:Journal of the Transportation Research Board,2011 (2263):140-150.

[16]DEVILLAINE F, MUNIZAGA M, TRéPANIER M.Detection of activities of public transport users by analyzing smart card data[J]. Transportation Research Record: Journal of the Transportation Research Board. 2012 (2276):48-55.

[17]KITCHIN R. Big data and human geography:opportunities, challenges and risks[J]. Dialogues in Human Geography, 2013, 3(3):262-267.

[18]KWAN M P. Interactive geovisualization of activity-travel patterns using threedimensional geographical information systems:a methodological exploration with a large data set[J]. Transportation Research Part C: Emerging Technologies, 2000, 8(1):185-203.

[19]ADRIENKO N, ADRIENKO G. Spatial generalization and aggregation of massive movement data[J]. IEEE Transactions on visualization and computer graphics, 2011, 17(2):205-219.

[20]TAO S, ROHDE D, Corcoran J. Examining the spatial-temporal dynamics of bus passenger travel behaviour using smart card data and the flowcomap[J]. Journal of Transport Geography, 2014(41):21-36.

[21]TAO S, CORCORAN J, Mateo-Babiano I, et al. Exploring bus rapid transit passenger travel behaviour using big data[J]. Applied Geography,2014 (53):90-104.

[22]BRUNSDON C. The comap: exploring spatial pattern via conditional distributions[J].Computers, environment and urban systems,2001, 25(1):53-68.

[23]ANDRIENKO G, ANDRIENKO N. A general framework for using aggregation in visual exploration of movement data[J]. The Cartographic Journal, 2010, 47(1):22-40.

[24]PLUG C, XIA J C, CAULFIELD C. Spatial and temporal visualisation techniques for crash analysis[J]. Accident Analysis & Prevention,2011, 43(6):1937-1946.

[25]Australian Bureau of Statistics. 2011 Census QuickStats[EB/OL]. (2013-03-28) [2013-11-18]. http://www.censusdata.abs.gov.au/census_services/getproduct/census/2011/quickstat/0?open document&navpos=220＞.

[26]TAO S. Investigating the travel behaviour dynamics of bus rapid transit passengers[D].Brisbane: University of Queensland, 2015.

[27]BELL M, BLAKE M, BOYLE P, et al. Cross national comparison of internal migration: issues and measures[J]. Journal of the Royal Statistical Society: Series A (Statistics in Society), 2002,165(3):435-64.

[28]B?CKER L, DIJST M, PRILLWITZ J. Impact of everyday weather on individual daily travel behaviours in perspective: a literature review[J].Transport Reviews, 2013, 33(1):71-91.

[29]DIJST M J, B?CKER L, KWAN M P. Exposure to weather and implications for travel behaviour:introducing empirical evidence from Europe and Canada[J]. Journal of Transport Geography, 2013(28):164-166.

[30]TAO S, CORCORAN J, HICKMAN M, et al.The influence of weather on local geographical patterns of bus usage[J]. Journal of Transport Geography, 2016 (54):66-80.

Spatial-temporal Analysis of Travel Behaviour Using Transit Smart Card Data and Its Planning Implications: A Case Study of Brisbane, Australia

The increasing prevalence of transit smart card as a transit fare payment method has helped generate travel behaviour data of huge quantity and rich details. The emergence of such big data has brought new opportunities as well as challenges for travel behavior research, particularly in the arena of spatial and temporal analysis. Drawing on Brisbane as a case study, this paper demonstrates the development of a geo-visualisation technique, namely the flow-comap, and its application in analyzing transit smart card data.Visualizing this data has offered insights into the detailed spatial and temporal patterns and characteristics of trip-making by bus transit, and its variations under the influence of other factors including the presence of exclusive busway, different passenger groups and weather. These findings herald a series of implications that have the potential to help devise more targeted planning and operation measures for an urban public transit system with a view to better meeting the travel demands of transit users. Meanwhile, future research may continue to improve the information quality of transit smart card data, and from there, develop more sophisticated analytical techniques.

Transit smart card | Big data | Travel behaviour | Spatial-temporal analysis | Transport planning

1673-8985（2017）05-0094-06

TU981

A

陶 遂香港中文大學(xué)未來(lái)城市研究所博士后，博士