公交通勤個(gè)體出行特征圖譜構(gòu)建及相似性判別

梁 泉，翁劍成，周 偉，榮 建

(1.交通運(yùn)輸部管理干部學(xué)院 道路教研部，北京 101601；2.北京工業(yè)大學(xué) 城市交通學(xué)院，北京100124；3.中華人民共和國(guó)交通運(yùn)輸部，北京100736)

0 引 言

公共交通作為受眾最廣、影響最大的出行方式，已成為通勤乘客出行的主體[1]。目前北京市公共交通通勤乘客日均客流300 萬(wàn)人，日均出行時(shí)間54 min，日均出行距離19.4 km，通勤交通在城市交通系統(tǒng)中舉足輕重[2]。

為進(jìn)一步提高公共交通服務(wù)水平，滿足公共交通乘客出行需求，精確掌握乘客出行特征尤為重要。以往的公交出行特征提取主要通過(guò)抽樣問(wèn)卷、走訪調(diào)研、網(wǎng)絡(luò)調(diào)查等手段完成。周錢等[3]應(yīng)用結(jié)構(gòu)方程模型等提煉出行特征參數(shù)；V.S.WALLE等[4]結(jié)合調(diào)查數(shù)據(jù)分析了公交出行的時(shí)空特征；王珂[5]通過(guò)調(diào)查軌道沿線家庭居住和通勤情況，分析了居民的通勤方式、時(shí)耗和費(fèi)用等特征；楊敏等[6]通過(guò)出行者空間特征分析，提出了出行者家庭和工作因素是出行模式選取的重要因素。但由于調(diào)查成本高，調(diào)查樣本往往偏少且覆蓋面窄，故小樣本居民出行調(diào)查對(duì)出行總體特征描述精確度不夠，無(wú)法實(shí)現(xiàn)公共交通出行特征的精細(xì)化提取[7]。同時(shí)，以往研究集中反映宏觀交通運(yùn)行狀態(tài)，缺乏對(duì)個(gè)體出行特征的描述[8-9]。事實(shí)上，個(gè)人屬性存在較大差異，從個(gè)體交通出行特征入手則能更科學(xué)地獲取乘客出行規(guī)律。

伴隨云計(jì)算、互聯(lián)網(wǎng)+等新興技術(shù)快速發(fā)展，公交系統(tǒng)智能化水平極大提升，可實(shí)現(xiàn)每位公共交通出行者出行交易過(guò)程和車輛運(yùn)行狀態(tài)信息記錄，綜合網(wǎng)絡(luò)通信、地理信息、GPS定位及電子控制等，形成了個(gè)體交通出行多源數(shù)據(jù)，為更加準(zhǔn)確和精細(xì)化的公交出行特征提取奠定了數(shù)據(jù)支撐。戴霄等[10]分別提出了基于線路與公交IC卡數(shù)據(jù)的出行特征分析方法；J.J.BARRY等[11]融合公交IC卡與車輛GPS數(shù)據(jù)，得到公交車行駛軌跡，并利用數(shù)據(jù)挖掘算法分析了乘客上下車站點(diǎn)特征；ZHAO Jinhua等[12]結(jié)合 AFC(automatic fare collection)及AVC(automatic vehicle collection)系統(tǒng)，對(duì)軌道交通出行的 OD 矩陣進(jìn)行估算；N.KARASMAA[13]通過(guò)將公交IC卡刷卡數(shù)據(jù)與GPS定位數(shù)據(jù)聯(lián)合分析，實(shí)現(xiàn)了車輛運(yùn)行指標(biāo)計(jì)算及乘客出行起終點(diǎn)、換乘點(diǎn)判別。更重要的是，基于智能公交大數(shù)據(jù)時(shí)代的多源數(shù)據(jù)為從個(gè)體角度分析公共交通出行特征提供了可能。

圖譜作為特征可視化表達(dá)方式，以符號(hào)形式描述對(duì)象間的概念及相互關(guān)系，構(gòu)成聯(lián)結(jié)的知識(shí)結(jié)構(gòu)，能實(shí)現(xiàn)特征的直觀表達(dá)[14]。通過(guò)醫(yī)學(xué)數(shù)據(jù)提取實(shí)體、關(guān)系、屬性等知識(shí)圖譜的組成元素，對(duì)醫(yī)學(xué)知識(shí)進(jìn)行表示、抽取、融合、推理及質(zhì)量評(píng)估，醫(yī)療圖譜形成了最佳知識(shí)表征框架：一方面便于醫(yī)生通過(guò)圖譜動(dòng)態(tài)推理制定合適的診療方案；另一方面圖譜可視化表達(dá)可幫助病人了解診療過(guò)程[15]。利用大樣本學(xué)術(shù)信息(如期刊論文、專利報(bào)告等)對(duì)科學(xué)知識(shí)結(jié)構(gòu)、關(guān)系與演化過(guò)程進(jìn)行可視化，圖書(shū)情報(bào)領(lǐng)域的引證圖譜能自動(dòng)展示文獻(xiàn)與作者關(guān)系，并進(jìn)一步分析科學(xué)知識(shí)演化過(guò)程與結(jié)果[16]。同樣，基于行車過(guò)程中駕駛員操作行為和車輛運(yùn)行狀態(tài)的時(shí)序變化特征和編碼組合，駕駛行為圖譜能形象化地描述駕駛操作過(guò)程，辨別不同駕駛員的駕駛習(xí)慣[17]?？傮w而言，通過(guò)對(duì)原始數(shù)據(jù)進(jìn)行加工和處理，圖譜能對(duì)數(shù)據(jù)特征進(jìn)行有效地組織與表達(dá)，刻畫(huà)其過(guò)程變化特征。

因此，筆者基于公共交通多源數(shù)據(jù)，借助圖譜對(duì)復(fù)雜信息可視化表達(dá)的優(yōu)勢(shì)，從個(gè)體角度構(gòu)建了表征乘客時(shí)空軌跡特性的特征圖譜，準(zhǔn)確反映個(gè)體乘客時(shí)間分布與空間位置波動(dòng)；并選取多子區(qū)間相似性判別方法，度量個(gè)體特征圖譜相似性；為個(gè)體出行特征提取提供新思路，為不同類型公共交通通勤乘客出行行為準(zhǔn)確辨識(shí)提供借鑒，為精細(xì)化公共交通出行服務(wù)提供支撐。

1 數(shù)據(jù)基礎(chǔ)

筆者依托北京城市交通協(xié)同創(chuàng)新中心和綜合交通協(xié)同運(yùn)行與超級(jí)計(jì)算應(yīng)用技術(shù)協(xié)同創(chuàng)新平臺(tái)，以公共交通刷卡與線站數(shù)據(jù)為數(shù)據(jù)基礎(chǔ)進(jìn)行分析。公共交通刷卡數(shù)據(jù)包括地面公交IC卡刷卡和軌道AFC系統(tǒng)刷卡數(shù)據(jù)；公共交通線站數(shù)據(jù)包括地面公交和軌道交通線站數(shù)據(jù)。結(jié)合前期研究成果，已完成了基于多源數(shù)據(jù)的預(yù)處理及公交出行過(guò)程匹配，進(jìn)而提取獲得出行階段數(shù)據(jù)[18]，為出行特征圖譜構(gòu)建奠定數(shù)據(jù)支撐。

筆者以某乘客4 d的出行數(shù)據(jù)為例，獲得該乘客出行階段數(shù)據(jù)示意，如表1。

表1 某乘客連續(xù)4 d出行階段數(shù)據(jù)

2 圖譜構(gòu)建與相似性判別

筆者選用北京市全體公交乘客連續(xù)一周的出行數(shù)據(jù)，針對(duì)公共交通通勤出行者，通過(guò)個(gè)體出行特征圖譜構(gòu)建及圖譜相似性判別，提取公共交通通勤乘客時(shí)空特性，并實(shí)現(xiàn)相同個(gè)體出行行為分類與不同個(gè)體出行行為相似性判別。

定義公交常乘客為一周工作日中至少有4 d采用公共交通出行的乘客。針對(duì)通勤乘客刷卡時(shí)間間隔及往返情況的閾值分析，研究規(guī)定公交常乘客在一周中，刷卡最大時(shí)間間隔大于7 h且往返地點(diǎn)為閉合的情況出現(xiàn)次數(shù)不少于3次，則判定其為公共交通通勤出行者。

2.1 個(gè)體出行特征圖譜繪制

考慮周一相比其它工作日客流量激增，隨機(jī)因素較多，出行特征可能存在較大差異，故暫不考慮。筆者以個(gè)體乘客為分析單元，同一乘客相鄰出行階段數(shù)據(jù)為分析基礎(chǔ)，制定出行特征圖譜繪制步驟。

2.1.1 步驟1

公共交通出行階段數(shù)據(jù)排序。選取乘客連續(xù)4 d的出行階段數(shù)據(jù)，并按刷卡時(shí)間進(jìn)行排序。

2.1.2 步驟2

繪制圖譜位置坐標(biāo)點(diǎn)。以時(shí)間序列(min)為橫坐標(biāo)，以位置點(diǎn)(km)為縱坐標(biāo)。

1)橫坐標(biāo)設(shè)置

假定某乘客第1天出行的第1個(gè)刷卡時(shí)間點(diǎn)為1(即橫坐標(biāo))，相鄰位置點(diǎn)橫坐標(biāo)差表示前后刷卡的時(shí)間點(diǎn)分鐘差值；同時(shí)，假定第2天首個(gè)刷卡橫坐標(biāo)比前一天的末橫坐標(biāo)大100 min，即連續(xù)4 d橫坐標(biāo)值持續(xù)增大。

2)縱坐標(biāo)計(jì)算

選取北京天安門為出行位置對(duì)比點(diǎn)，假定每天第1個(gè)縱坐標(biāo)值P1為當(dāng)天的首個(gè)出行階段上車站點(diǎn)與天安門的曼哈頓距離，如式(1)：

(1)

式中：P1為每天首個(gè)縱坐標(biāo)；N1為每天首個(gè)刷卡站點(diǎn)的經(jīng)度；N0為天安門經(jīng)度(116.388°)；T1為每天首個(gè)刷卡站點(diǎn)的緯度；T0為天安門緯度(39.9075°)。

縱坐標(biāo)依次為前一位置點(diǎn)的縱坐標(biāo)值加或減兩點(diǎn)間路徑距離，差值體現(xiàn)相鄰位置點(diǎn)實(shí)際路徑距離。定義規(guī)則如式(2)：

(2)

式中：Di+1為從i個(gè)站點(diǎn)到第i+1個(gè)站點(diǎn)的實(shí)際路徑距離，km。

2.1.3 步驟3

確定圖譜元素。由節(jié)點(diǎn)大小表示出行方向，線型和線寬體現(xiàn)出行方式。

出行方向由出行階段上下車站點(diǎn)經(jīng)緯度通過(guò)反正切函數(shù)計(jì)算得到，為實(shí)際角度值。為了區(qū)分出行方向唯一性，利用實(shí)心節(jié)點(diǎn)表示角度值為0°～180°，空心節(jié)點(diǎn)為-180°～0°；每日首個(gè)出行方向以天安門為基準(zhǔn)。對(duì)出行方式，粗實(shí)線代表軌道交通，細(xì)實(shí)線表示地面公交，虛線表示無(wú)公共交通出行。

2.2 通勤個(gè)體出行特征圖譜相似性分析

基于個(gè)體出行特征圖譜，通過(guò)相似性分析，可以實(shí)現(xiàn)相同乘客出行行為分類與不同乘客行為相似性識(shí)別。

2.2.1 相似性判定指標(biāo)確定

圖譜相似性判定從表征個(gè)體乘客出行行為特征的角度選取判定指標(biāo)，根據(jù)文獻(xiàn)[19]，乘客出行特征主要體現(xiàn)為出行路徑、出行時(shí)間、出行位置等方面。故筆者提出了圖譜相似性判別方法，分別從出行路徑、出行時(shí)間、出行位置這3個(gè)層面選取判定指標(biāo)。其中，采用出行方式和出行方向共同表征出行路徑，采用出行時(shí)間表征乘客時(shí)間特性，采用乘坐線路表征位置波動(dòng)特性。個(gè)體出行特征指標(biāo)與圖譜元素屬性關(guān)聯(lián)如表2。

表2 個(gè)體出行特征指標(biāo)與圖譜元素屬性關(guān)聯(lián)

1)出行方式

由線型、線寬體現(xiàn)不同出行方式。

2)出行方向

采用節(jié)點(diǎn)大小表示出行方向。

3)出行時(shí)間

考慮到通勤者下班后可能存在娛樂(lè)、購(gòu)物等活動(dòng)，晚上到家時(shí)間跨度較大。故采用乘客每日首個(gè)上車時(shí)間，及當(dāng)日出行階段平均耗時(shí)體現(xiàn)出行時(shí)間。

4)乘坐線路

定義波動(dòng)系數(shù)體現(xiàn)所乘線路的動(dòng)態(tài)性，波動(dòng)系數(shù)越小，表示各天出行位置點(diǎn)的變化程度越小。計(jì)算方法如式(3)、(4)。

M=[E(l1),E(l2),…,E(ln)]

(3)

(4)

式中：M為各天的位置點(diǎn)均值；E(ln)為第ln天位置點(diǎn)均值；T為波動(dòng)系數(shù)；D(M)為M方差；E(M)為M均值。

2.2.2 圖譜相似性判定

在個(gè)體出行圖譜的相似性判別中，筆者采用非連續(xù)性與連續(xù)性相結(jié)合進(jìn)行綜合判別。首先，由非連續(xù)性角度度量圖譜各組成元素間的相似程度，通過(guò)計(jì)算結(jié)構(gòu)相似度進(jìn)行判別[20-21]；其次，選用公共子序列度量方法尋找不重疊的多個(gè)公共子區(qū)間，從時(shí)間先后角度判別子區(qū)間連續(xù)相似性，采用最長(zhǎng)公共子序列衡量連續(xù)相似性，即兩個(gè)或多個(gè)序列中存在最長(zhǎng)的共同子序列[21]；最后，實(shí)現(xiàn)相同個(gè)體出行行為分類與不同個(gè)體圖譜相似性判定。

1)非連續(xù)性判定

為獲取圖譜間的結(jié)構(gòu)相似度，研究首先計(jì)算結(jié)構(gòu)距離(SD)。SD包括不同個(gè)體或相同個(gè)體不同天的特征屬性比較。圖譜結(jié)構(gòu)距離計(jì)算如式(5)：

SD(Ci,Cj)=MD×WM+DD×WS+TD×WT+

LD×WL

(5)

式中：SD(Ci,Cj)為i與j天的結(jié)構(gòu)距離；MD為方式距離；DD為方向距離；TD為時(shí)間距離；LD為線路距離；W={WM,WS,WT,WL}為特征權(quán)重向量，分別表示軌跡的方式權(quán)重、方向權(quán)重、時(shí)間權(quán)重和線路權(quán)重，其中：各權(quán)重應(yīng)滿足權(quán)重取值非負(fù)且WM+WS+WT+WL=1，由于筆者未對(duì)各權(quán)重的重要程度進(jìn)行研究，因此假定各權(quán)重不分主次，取WM=WS=WT=WL=0.25。

(1)方式距離

方式距離主要表征乘客采用不同出行方式的差異性，不考慮出行方式的乘坐順序，為各方式占比的公共差值絕對(duì)值。例如，某乘客i天的出行方式為4次軌道，j天為3次軌道1次公交，則i天與j天的方式距離計(jì)為1/4。

(2)方向距離

方向距離從最大、平均和最小角度的層面表示結(jié)構(gòu)距離。計(jì)算方法如式(6)：

Dmin(Li,Lj)]

(6)

式中：Dmax(Li,Lj)即|Dmax(Li)-Dmax(Lj)|，反映了i天與j天最大斜率差異絕對(duì)程度；類似地，Davg為平均斜率差異絕對(duì)值；Dmin為最小斜率差異絕對(duì)值。

(3)時(shí)間距離

時(shí)間距離從最長(zhǎng)、平均和最短出行時(shí)間的層面表示結(jié)構(gòu)距離。計(jì)算如式(7)：

Tmin(Li,Lj)]

(7)

式中：Tmax(Li,Lj)即|Tmax(Li)-Tmax(Lj)|，反映了i與j天最長(zhǎng)出行時(shí)間差異絕對(duì)程度；Tavg為平均出行時(shí)間絕對(duì)差異程度；Tmin為最小出行時(shí)間絕對(duì)差異程度。

(4)線路距離

采用波動(dòng)系數(shù)表征i與j天的線路距離LD(Ci,Cj)，其波動(dòng)系數(shù)計(jì)算如式(4)。

綜上，由于不同特征值值域不同，需將每個(gè)特征距離值做歸一化處理。引入結(jié)構(gòu)距離的歸一化函數(shù)N(SD)。則結(jié)構(gòu)相似度(GS)計(jì)算如式(8)：

GS(Ci,Cj)=1-N[SD(Ci,Cj)]

(8)

GS(Ci,Cj)體現(xiàn)了不同個(gè)體或相同個(gè)體不同天的特征圖譜結(jié)構(gòu)相似程度；其值越大，則相似性程度高。若結(jié)構(gòu)相似度超過(guò)一半，需進(jìn)一步判定連續(xù)相似性，否則，直接判定為不相似。

2)連續(xù)相似性判定

筆者采用最長(zhǎng)公共子序列(longest common sub-sequence, LCSS)衡量連續(xù)相似性。通過(guò)計(jì)算最長(zhǎng)公共子序列并轉(zhuǎn)化為L(zhǎng)CSS距離衡量軌跡間連續(xù)性相似程度[22]，如式(9)：

(9)

式中：LC(i,j)為圖譜i與j之間的LCSS長(zhǎng)度；m為圖譜i的出行階段數(shù)量；n為圖譜j的出行階段數(shù)量；?為x軸相似閾值；ε為y軸相似閾值；β為方向相似閾值；R(i)、R(j)分別為軌跡i、j去掉首個(gè)記錄點(diǎn)后的軌跡間隔。

當(dāng)軌跡記錄點(diǎn)數(shù)j均為0時(shí)，LC(i,j)=0；若記錄點(diǎn)個(gè)數(shù)不為0，則用遞歸方式判斷共有子序列長(zhǎng)度最大值。當(dāng)同時(shí)滿足橫坐標(biāo)差小于?、縱坐標(biāo)差小于ε、方向角度小于β時(shí)，該對(duì)記錄點(diǎn)相似，LCSS距離值加1。考慮到北京公共交通通勤乘客從家出發(fā)時(shí)刻常集中在07:00—09:00，且不同天可能存在娛樂(lè)、餐飲、購(gòu)物等活動(dòng)的差異，取?=1 h；ε取相鄰兩個(gè)軌道站點(diǎn)間距，按均值1.7 km計(jì)算；參照利用乘客軌跡行程統(tǒng)計(jì)居民出行方向分布的方向劃分間隔[23]，設(shè)定β=30°。

通過(guò)歸一化處理，將LCSS距離轉(zhuǎn)換為[0, 1]的距離，如式(10)：

(10)

式中：DLCSS(i,j)為特征圖譜i與j間的LCSS距離；min(m,n)為i與j記錄點(diǎn)個(gè)數(shù)的較小值。

3 案例分析

為方便數(shù)據(jù)驗(yàn)證與核對(duì)，筆者選取北京工業(yè)大學(xué)附近居民區(qū)為研究區(qū)域。經(jīng)計(jì)算統(tǒng)計(jì)，90%以上公共交通通勤乘客一天內(nèi)出行時(shí)間跨度在14 h內(nèi)，故x軸值域最大不超過(guò)3 500(14×60×4=3 360 min)；85%以上通勤乘客的位置波動(dòng)在16 km內(nèi)，故y軸采用統(tǒng)一性值域范圍，即[0, 16]。隨機(jī)選取5名典型乘客，構(gòu)建個(gè)體出行圖譜如圖1。

由圖1可獲得公共交通個(gè)體乘客的出行特征包括：① 通勤乘客的主要出行方式。由圖譜線型可知乘客A在連續(xù)4 d的公共交通出行中以地鐵為主，尤其高峰期間常乘坐地鐵，平峰期間較多乘坐公交；乘客B則以公交出行為主，早高峰主要乘坐公交，平峰乘坐地鐵。② 乘客路徑距離分布。由圖譜縱軸可知乘客A路徑距離在4 km內(nèi)，而乘客D則集中在2 km左右。③ 乘客出行目的地。乘客B日均有3個(gè)公共交通目的地，除去工作地與家，平峰出行1次；而乘客C日均4～5個(gè)目的地，無(wú)明顯出行規(guī)律。④ 不同天的出行相似性。由圖1可明顯看出：乘客A后兩天出行存在明顯相似性，乘客E前兩天與后兩天出行也顯著相似。

筆者以乘客A為例，計(jì)算相似性指標(biāo)值如表3。計(jì)算乘客A不同天的結(jié)構(gòu)距離與LCSS距離，得到特征圖譜相似性判別結(jié)果如表4，其中：rij指該乘客不同日期對(duì)比。由表4可知：乘客A后兩天的出行相似性較大，而第1、3天出行幾乎不存在相似性。

表3 乘客A相似性指標(biāo)值

表4 乘客A個(gè)體出行圖譜相似性判別結(jié)果

對(duì)于不同個(gè)體，通過(guò)非連續(xù)性與連續(xù)相似性判別可以得到乘客A和B的出行相似性，如表5。其中：ri指兩名乘客在同日期對(duì)比。由表5知：乘客A和B在該周的出行行為不存在明顯的相似性。

表5 乘客A和B出行特征圖譜相似性判別結(jié)果

根據(jù)上述方法，分析這5名乘客出行特征圖譜綜合相似性判別結(jié)果如表6。由表6可知：乘客B和E在該周出行行為明顯相似，其他乘客則不存在明顯相似性。

表6 5名乘客出行特征圖譜綜合相似性判別

4 結(jié) 論

筆者針對(duì)公共交通通勤乘客，構(gòu)建了個(gè)體出行特征圖譜，并提出了圖譜相似性判別方法，為分析公共交通出行特征提供了新思路。

1)通過(guò)設(shè)定公交常乘客刷卡最大間隔與往返地點(diǎn)閉合次數(shù)等規(guī)則鑒別通勤乘客，進(jìn)而基于圖譜可視化優(yōu)勢(shì)，以時(shí)間序列為橫坐標(biāo)，位置點(diǎn)為縱坐標(biāo)，節(jié)點(diǎn)大小為出行方向，從個(gè)體的角度構(gòu)建了通勤出行特征圖譜，直觀化地展示乘客乘坐公共交通的出行過(guò)程。

2)從非連續(xù)性與連續(xù)性判別的角度，通過(guò)結(jié)構(gòu)相似度與最長(zhǎng)公共子序列計(jì)算相結(jié)合，提出圖譜相似性綜合判別方法，實(shí)現(xiàn)相同乘客出行行為分類與不同乘客行為相似性判別。

3)筆者以北京5名公交常乘客一周的公共交通數(shù)據(jù)為例進(jìn)行示例分析，為利用圖譜進(jìn)行乘客出行行為特征分析進(jìn)行了探索。未來(lái)將采用計(jì)算機(jī)語(yǔ)言進(jìn)行大樣本研究與測(cè)試，進(jìn)一步驗(yàn)證該方法的可靠性與穩(wěn)定性，對(duì)相同個(gè)體通勤乘客，可實(shí)現(xiàn)其出行穩(wěn)定性分類，比如將出行者劃分為高穩(wěn)定、中穩(wěn)定、低穩(wěn)定通勤乘客，為更加準(zhǔn)確地掌握不同穩(wěn)定性乘客的出行需求奠定支撐。同時(shí)，對(duì)于不同個(gè)體，出行者相似度判別可分析不同個(gè)體乘客間出行行為的差異性和一致性，進(jìn)而實(shí)現(xiàn)公共交通總體出行人群細(xì)化分類。