城市軌道換乘站客流擁塞風(fēng)險(xiǎn)識(shí)別方法

涂 強(qiáng)，翁劍成，林鵬飛，王 媛

(1.北京市城市規(guī)劃設(shè)計(jì)研究院，北京 100045； 2.北京工業(yè)大學(xué) 交通工程北京市重點(diǎn)實(shí)驗(yàn)室，北京 100124)

1 研究背景

大力發(fā)展公共交通是解決大城市交通擁堵問題的主要手段. 伴隨著職住分離現(xiàn)象的加劇，軌道交通作為承擔(dān)城市中、長距離大規(guī)?？瓦\(yùn)的主要出行方式，逐漸成為人們通勤出行的首選. 統(tǒng)計(jì)數(shù)據(jù)顯示，2012—2014年，北京的軌道交通年平均日客運(yùn)量從672.56萬人次上升到927.86萬人次.

表1 北京歷年軌道交通日均客運(yùn)量變化 萬人次

在眾多軌道站點(diǎn)中，軌道換乘站的重要性更加突出，承擔(dān)著提高換乘效率的職能. 2015年軌道交通路網(wǎng)日均進(jìn)站量大于4萬人次的17個(gè)車站中，有12個(gè)站點(diǎn)存在換乘的軌道線路. 在工作日高峰時(shí)段，軌道換乘站內(nèi)客流密度很大，部分瓶頸位置極易發(fā)生客流擁塞現(xiàn)象，為換乘站的客運(yùn)管理帶來了不可忽視的安全隱患.

以往對(duì)于軌道換乘站客流擁塞風(fēng)險(xiǎn)的研究，主要包括對(duì)客流特性的研究和對(duì)軌道站點(diǎn)擁堵狀況的評(píng)價(jià). Hoogendoom等[1]研究了軌道站內(nèi)雙向客流與交織客流的運(yùn)動(dòng)規(guī)律. Helbin[2]分析了軌道站內(nèi)各類通行設(shè)施對(duì)客流的影響.

在對(duì)軌道站內(nèi)客流運(yùn)動(dòng)規(guī)律進(jìn)行觀察與分析的基礎(chǔ)上，國內(nèi)外學(xué)者對(duì)于軌道站點(diǎn)評(píng)價(jià)展開了豐富而全面的研究. 文獻(xiàn)[3]根據(jù)軌道客流等指標(biāo)的定量變化，對(duì)各類通行設(shè)施的服務(wù)水平進(jìn)行等級(jí)劃分. Tsukaguchi[4]和Mori[5]基于客流特征變化對(duì)軌道站點(diǎn)內(nèi)的通行設(shè)施進(jìn)行評(píng)價(jià)，Sarker[6]主要從軌道站內(nèi)出行者的便利快捷、舒適安全等角度，對(duì)通行設(shè)施的服務(wù)水平進(jìn)行劃分.

國內(nèi)學(xué)者也對(duì)軌道站點(diǎn)評(píng)價(jià)展開了多層次的研究. 黃洪超[7]基于對(duì)軌道換乘站內(nèi)客流密度和速度的分析，對(duì)客流安全狀態(tài)進(jìn)行等級(jí)劃分. 陳艷艷等[8]基于交通仿真和調(diào)查，以客流量和客流密度對(duì)軌道站內(nèi)擁堵程度進(jìn)行評(píng)價(jià). 孫宇星等[9]提出了軌道交通換乘客流檢測(cè)與信息管理的系統(tǒng)解決方案. 劉浩然[10]提出客流密集度指數(shù)，用于衡量軌道交通客流分布的擁擠程度. 王雪梅等[11]采用三層指標(biāo)體系和層次分析法評(píng)價(jià)軌道客流狀態(tài).

針對(duì)軌道站點(diǎn)安全評(píng)價(jià)的研究，大多屬于靜態(tài)評(píng)價(jià)，難以根據(jù)具有時(shí)變特征的客流數(shù)據(jù)進(jìn)行有效更新. 同時(shí)，對(duì)于客流擁塞機(jī)理的研究，往往能部分反映客流運(yùn)動(dòng)規(guī)律，卻很難真正意義上對(duì)客流進(jìn)行高精度的仿真和模擬. 這是由于交通安全系統(tǒng)的灰色性，即“部分信息已知，部分信息未知”，因此盡管很多評(píng)價(jià)方法試圖從多角度綜合評(píng)價(jià)軌道站點(diǎn)的安全水平，卻仍然具有一定的局限性. 對(duì)于此類灰色系統(tǒng)的問題，灰色理論是一種行而有效的方法.

因此，本文通過軌道AFC數(shù)據(jù)提取換乘站客流信息，并提出基于灰色聚類的軌道換乘站客流擁塞風(fēng)險(xiǎn)識(shí)別方法，為換乘站客流擁塞預(yù)警提供支撐.

2 客流擁塞風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)提取

2.1 評(píng)價(jià)指標(biāo)選取

基于軌道AFC系統(tǒng)刷卡數(shù)據(jù)，可實(shí)現(xiàn)對(duì)軌道換乘站客流的實(shí)時(shí)監(jiān)測(cè). 根據(jù)軌道換乘站內(nèi)部不同的客流走向，可將客流劃分為3大類：進(jìn)站客流、出站客流、換乘客流. 在通行設(shè)施供給能力保持不變的條件下，三類客流隨時(shí)間的變化特征會(huì)對(duì)軌道內(nèi)的客流擁塞風(fēng)險(xiǎn)產(chǎn)生主要影響.

2.2 換乘客流識(shí)別

基于軌道AFC系統(tǒng)刷卡數(shù)據(jù)，可直接實(shí)現(xiàn)對(duì)軌道換乘站點(diǎn)進(jìn)、出站客流的提取. 由于軌道內(nèi)部換乘不需要進(jìn)、出站，因此無法直接根據(jù)刷卡數(shù)據(jù)獲取換乘客流信息. 本文提出了一種基于軌跡判斷的換乘客流識(shí)別方法，可較為準(zhǔn)確地提取軌道換乘客流信息，為擁塞風(fēng)險(xiǎn)評(píng)價(jià)奠定基礎(chǔ).

2.2.1 軌道AFC原始交易數(shù)據(jù)預(yù)處理

AFC原始交易數(shù)據(jù)表共有42個(gè)字段，提取主要字段包括：用戶卡號(hào)、進(jìn)站線路及車站編碼、進(jìn)站時(shí)間、出站線路及車站編碼、出站時(shí)間、交易狀態(tài)(見表2).

剔除錯(cuò)誤數(shù)據(jù)和篩選有效數(shù)據(jù)的規(guī)則如下：

1)剔除進(jìn)、出站時(shí)間不在同一天的交易數(shù)據(jù)；

2)剔除出站時(shí)間早于進(jìn)站時(shí)間的交易數(shù)據(jù)；

3)剔除刷卡數(shù)據(jù)記錄中進(jìn)、出站車站編碼相同的記錄；

4)篩選出“交易狀態(tài)”字段為“2”(2代表此記錄處于交易已完成狀態(tài))的數(shù)據(jù).

表2 AFC原始交易數(shù)據(jù)

2.2.2 軌道交通出行站點(diǎn)軌跡判斷及換乘識(shí)別

為識(shí)別軌道交通內(nèi)部換乘客流，需要根據(jù)AFC數(shù)據(jù)對(duì)出行者的換乘站點(diǎn)進(jìn)行判斷，并推測(cè)換乘時(shí)間.

步驟1：軌道交通任意站點(diǎn)間路徑及距離確定

為推測(cè)換乘時(shí)間，需要獲取出發(fā)站點(diǎn)到換乘站點(diǎn)的距離. 利用A*最短路徑算法，搜索出軌道任意站點(diǎn)OD之間的最短路徑和距離(表3)，將該路徑作為乘客出行路徑，添加TRACE字段以記錄該路徑.

表3 軌道交通任意站點(diǎn)間行程距離搜索結(jié)果

步驟2：軌道交通換乘客流識(shí)別

基于TRACE字段，可識(shí)別軌道交通內(nèi)部換乘站點(diǎn)，根據(jù)出行軌跡中進(jìn)站車站到換乘車站的距離(dbefore)和換乘車站到出站車站的距離(dafter)以及進(jìn)站時(shí)間(ton)和出站時(shí)間(toff)，可以推算換乘時(shí)刻(ttranfer)。換乘時(shí)刻計(jì)算方法如式(1)：

(1)

2.3 客流擁塞風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)選取

基于北京東直門軌道客運(yùn)換乘站3月5日、7日全天的AFC刷卡數(shù)據(jù)，以15 min為最小時(shí)間單元提取進(jìn)站、出站和換乘客流. 結(jié)果如圖1、圖2所示.

圖1 東直門軌道換乘站(周六)客流量時(shí)變特征

圖2 東直門軌道換乘站(周一)客流量時(shí)變特征

對(duì)比圖1、圖2可以發(fā)現(xiàn)，軌道換乘站周末與工作日的客流時(shí)變特征差異很大，工作日早晚雙峰特征明顯，周末早晚高峰時(shí)段則與平峰時(shí)客流量差異不大. 因此基于客流的時(shí)變規(guī)律可以對(duì)周末與工作日的客流擁塞風(fēng)險(xiǎn)進(jìn)行有效區(qū)分.

進(jìn)一步觀察圖2不難發(fā)現(xiàn)，進(jìn)、出站及換乘客流時(shí)變特征存在差異. 以東直門站為例，3月5日早高峰出站、換乘客流均大于晚高峰，且換乘客流峰值均大于出站客流；早高峰進(jìn)站客流小于晚高峰. 此差異與客流潮汐現(xiàn)象有關(guān)，東直門站附近用地類型以商業(yè)區(qū)為主，屬于就業(yè)型區(qū)域，住宅區(qū)較少. 因此在早高峰，東直門是主要的出行吸引點(diǎn)，發(fā)生量明顯小于吸引量.

通過以上分析可知，利用較小時(shí)間粒度的客流監(jiān)測(cè)數(shù)據(jù)可以對(duì)軌道換乘站客流擁塞風(fēng)險(xiǎn)進(jìn)行評(píng)價(jià)，且由于不同換乘站的進(jìn)、出站及換乘客流時(shí)變特征存在差異，不同走向的客流可能對(duì)客流擁塞風(fēng)險(xiǎn)造成不同的影響，因此需要將它們作為3個(gè)相對(duì)獨(dú)立的指標(biāo).

在上述分析中發(fā)現(xiàn)，軌道換乘站客流擁塞風(fēng)險(xiǎn)具有明顯的時(shí)變特征，因此可將1 d內(nèi)的各時(shí)段作為不同的評(píng)價(jià)對(duì)象，每個(gè)時(shí)段分別以進(jìn)站、出站、換乘客流作為評(píng)價(jià)指標(biāo)，從而識(shí)別1 d內(nèi)客流擁塞風(fēng)險(xiǎn)較高的時(shí)段. 根據(jù)北京市地鐵運(yùn)營時(shí)間，確定全天的數(shù)據(jù)采集時(shí)段為05:00—23:00，以15 min為最小時(shí)間單元，分別基于軌道AFC刷卡數(shù)據(jù)提取進(jìn)站、出站和換乘客流.

3 灰色聚類方法

3.1 構(gòu)建樣本矩陣

令聚類評(píng)價(jià)對(duì)象個(gè)數(shù)為i，在文中對(duì)應(yīng)于運(yùn)營時(shí)間內(nèi)的不同的評(píng)價(jià)時(shí)段(共18 h，最小時(shí)間單元為15 min)，i∈{1,2,…，n}，n=72. 聚類評(píng)價(jià)指標(biāo)為j，其中i∈{1,2,3}. 記dij為被評(píng)估的樣本矩陣式(2).

(2)

3.2 灰類及白化函數(shù)值的確定

基于概率統(tǒng)計(jì)方法確定評(píng)價(jià)標(biāo)準(zhǔn),對(duì)評(píng)價(jià)指標(biāo)的實(shí)際數(shù)據(jù)進(jìn)行量綱為一化處理,分析數(shù)據(jù)的累積百分頻率,繪制累積百分頻率曲線,將不同累積百分頻率所對(duì)應(yīng)的數(shù)值作為灰類的白化值. 將軌道換乘站點(diǎn)的客流擁塞風(fēng)險(xiǎn)劃分為低風(fēng)險(xiǎn)(1類)、較低風(fēng)險(xiǎn)(2類)、較高風(fēng)險(xiǎn)(3類)、高風(fēng)險(xiǎn)(4類)4個(gè)灰類級(jí)別. 選取15%、85%累積百分頻率的對(duì)應(yīng)點(diǎn)來確定1類和2類的值,選取40%和60%累積百分頻率的對(duì)應(yīng)點(diǎn)來確定B和C的值. 4個(gè)累積百分頻率點(diǎn)對(duì)應(yīng)的特征值為θ1、θ2、θ3、θ4. 由于軌道換乘站點(diǎn)的客流擁塞主要發(fā)生在工作日早、晚高峰，因此通過工作日的客流數(shù)據(jù)計(jì)算各指標(biāo)的特征值. 基于2016年3月7日至11日的軌道AFC刷卡數(shù)據(jù)，計(jì)算統(tǒng)計(jì)各時(shí)段出站、進(jìn)站和換乘客流，并進(jìn)行頻率分析.θ1、θ2、θ3、θ4分別為各項(xiàng)指標(biāo)對(duì)應(yīng)于4類客流擁塞風(fēng)險(xiǎn)水平的白化值.

3.3 構(gòu)建白化權(quán)函數(shù)

4種灰類對(duì)應(yīng)的白化權(quán)函數(shù)如式(3)～(6)：

(3)

(4)

(5)

(6)

圖3 白化權(quán)函數(shù)

式中fA(x)、fB(x)、fC(x)、fD(x)表示各客流擁塞評(píng)價(jià)指標(biāo)對(duì)應(yīng)于第A、B、C、D類客流擁塞風(fēng)險(xiǎn)水平的白化權(quán)函數(shù).

3.4 計(jì)算聚類權(quán)重

(7)

式中，ηjk為第j個(gè)擁塞評(píng)價(jià)指標(biāo)歸入第k類客流擁塞風(fēng)險(xiǎn)水平的聚類權(quán)；θjk為第j個(gè)擁塞評(píng)價(jià)指標(biāo)屬于第k類客流擁塞風(fēng)險(xiǎn)水平的白化值；n為聚類擁塞評(píng)價(jià)指標(biāo)個(gè)數(shù)，本文中取3.

3.5 灰色聚類分析

根據(jù)式(8)求出第i個(gè)評(píng)價(jià)時(shí)段對(duì)應(yīng)于第k類客流擁塞風(fēng)險(xiǎn)水平的聚類評(píng)估值式(8):

(8)

評(píng)價(jià)時(shí)段i的灰色聚類評(píng)估序列σi=(σi1,σi2,σi3,σi4)，評(píng)價(jià)時(shí)段所屬客流擁塞風(fēng)險(xiǎn)水平為k*,根據(jù)下式確定第i個(gè)評(píng)價(jià)時(shí)段的客流擁塞風(fēng)險(xiǎn)水平式(9)：

σik*=max{σi1,σi2,σi3,σi4}

(9)

則稱時(shí)段i屬于第k*個(gè)客流擁塞風(fēng)險(xiǎn)水平.

4 案例分析

應(yīng)用上述評(píng)價(jià)方法識(shí)別北京市東直門軌道換乘站在2016-03-09客流擁塞高風(fēng)險(xiǎn)時(shí)段:

步驟1：基于刷卡數(shù)據(jù)提取計(jì)算東直門換乘站3月9日各時(shí)段的進(jìn)站、出站、換乘客流量. 如表4所示：

步驟2：對(duì)原始評(píng)價(jià)數(shù)據(jù)進(jìn)行歸一化處理，分別繪制各項(xiàng)指標(biāo)的累積頻率分布曲線，確定各風(fēng)險(xiǎn)水平灰類的白化值.

表4 東直門換乘站3種流向的客流提取結(jié)果

步驟3：計(jì)算聚類權(quán)重和聚類評(píng)估值.

計(jì)算結(jié)果顯示，3月9日東直門換乘站客流擁塞高風(fēng)險(xiǎn)時(shí)段為07:15—10:00及17:15—19:30，基本上與早晚高峰時(shí)段重合，說明該換乘站在高峰時(shí)段內(nèi)承受了較大的客流負(fù)荷. 在21:00—21:15時(shí)段，擁塞風(fēng)險(xiǎn)呈現(xiàn)小高峰狀態(tài)(3類，較高風(fēng)險(xiǎn))，與基于實(shí)地調(diào)查確認(rèn)的部分下班時(shí)間相對(duì)滯后的出行人群有關(guān)，證明風(fēng)險(xiǎn)評(píng)價(jià)模型具有較高的敏感度. 計(jì)算結(jié)果與前文的客流時(shí)變特征分析結(jié)果相吻合，同時(shí)有效地基于3類不同走向的客流數(shù)據(jù)，實(shí)現(xiàn)了15 min時(shí)間粒度的客流擁塞風(fēng)險(xiǎn)識(shí)別.

圖4 東直門換乘站客流擁塞風(fēng)險(xiǎn)灰色聚類評(píng)價(jià)結(jié)果

5 結(jié)束語

基于AFC刷卡數(shù)據(jù)提取了軌道換乘站的客流信息，并將客流走向劃分為3類：進(jìn)站客流、出站客流、換乘客流；在對(duì)3類客流時(shí)變特征規(guī)律的差異性分析中，明確了軌道換乘的評(píng)價(jià)指標(biāo). 鑒于交通安全系統(tǒng)的灰色性，構(gòu)建基于AFC數(shù)據(jù)和灰色聚類的軌道換乘站客流擁塞風(fēng)險(xiǎn)識(shí)別模型.

在對(duì)北京東直門軌道換乘站的案例分析中，該方法有效鑒別出了1 d內(nèi)客流擁塞風(fēng)險(xiǎn)處于不同等級(jí)的時(shí)段. 在軌道刷卡數(shù)據(jù)回傳條件相對(duì)較好的大城市，該方法有助于實(shí)現(xiàn)城市軌道換乘站客流擁塞風(fēng)險(xiǎn)監(jiān)測(cè)，在客流擁塞風(fēng)險(xiǎn)較高時(shí)，采取相應(yīng)的客流管控措施，進(jìn)而提升軌道換乘站的運(yùn)營服務(wù)水平.