基于活動識別的公交出行行為重構與分析

魏廣奇，蘇躍江，余 暢

(廣州市交通運輸研究所廣州510635)

0 引 言

掌握城市居民公交出行行為規(guī)律，對于優(yōu)化公交資源配置和提升公交服務水平具有重要意義.IC卡數(shù)據(jù)中蘊藏著海量公交出行信息，能為公交出行研究提供豐富的數(shù)據(jù)支撐.近年來，基于IC卡數(shù)據(jù)的公交出行研究主要包括上下車站點估計、換乘識別、生成OD、出行特征分析等內(nèi)容.Trepanier 等[1]基于居民通勤出行規(guī)律提出兩站點模型，估計下車站點；Munizaga 等[2]利用IC 數(shù)據(jù)，基于出行鏈的思想對公交出行的起訖站點進行推斷，通過模型生成公交OD 矩陣；Chen 等[3]基于IC數(shù)據(jù)以及公交運營數(shù)據(jù)，根據(jù)出行者的出行頻率和時空特征對出行區(qū)域的屬性進行鑒定，估計出行者的OD分布；Trepanier等[4]基于每日IC卡出行記錄，提出利用離散時間風險模型來衡量IC卡用戶的出行規(guī)律性.上述研究主要集中在出行信息層面，研究重心在合理估計公交出行起訖點以及出行信息統(tǒng)計，較少對公交出行行為活動進行分析.隨著精細化公交服務的需求日益提升，關于公交出行規(guī)律的研究從出行信息宏觀層面向活動目的微觀層面發(fā)展.

本文基于IC卡數(shù)據(jù)獲取公交出行信息，提出以活動區(qū)域識別以及活動區(qū)域?qū)傩耘袆e為核心的公交出行重構分析方法，以廣州市居民為實例，對廣州市公交出行規(guī)律特點展開實證分析.

1 研究方法

本文提出以活動理論為基礎的公交出行行為重構分析方法.首先，基于出行鏈思想將公交出行信息進行重組，轉(zhuǎn)換為居民的每一次出行行為；通過對每次出行的起訖站點進行空間上的聚合，獲得居民的日常活動區(qū)域.其次，在活動區(qū)域的主要活動屬性識別上，以歷史出行信息統(tǒng)計分析為導向，分別以日首次出行率、日均到達次數(shù)及日均停留時間作為標準，對居民的居住及工作區(qū)域進行判別；根據(jù)出行目的地區(qū)域的主要活動屬性不同，對居民的公交出行行為進行重構.最后，基于上述出行重構結果，研究居民的公交出行規(guī)律特點.

1.1 公交出行信息重組

基礎數(shù)據(jù)包含IC卡數(shù)據(jù)和公交運營數(shù)據(jù).IC卡數(shù)據(jù)包含每次出行的刷卡時間和乘坐車輛及線路信息，結合公交報站數(shù)據(jù)獲知刷卡出行的上車站點；對于下車站點，需要根據(jù)出行者的下次上車站點信息對本次下車站點進行合理推斷.公交運營數(shù)據(jù)包括：報站數(shù)據(jù)、發(fā)班數(shù)據(jù)和線網(wǎng)靜態(tài)數(shù)據(jù).采用文獻[5]上下車站點估計模型，對基礎數(shù)據(jù)進行處理，生成公交出行OD信息.

為便于出行目的判別，將基于一次出行活動的出行信息關聯(lián)合并，將基于刷卡的出行信息轉(zhuǎn)化為基于活動的出行信息.若相鄰刷卡出行的地點滿足步行距離的空間約束，并且出行間隔不超過某個時間間隔閾值，認為該出行者在此期間進行換乘行為，這兩次刷卡可合并為一次出行行為.

2017年9月12 日廣州市全天450萬刷卡數(shù)據(jù)中，刷卡出行間隔在1 h以內(nèi)的頻數(shù)統(tǒng)計分布，如圖1所示.頻數(shù)在間隔0～20 min 區(qū)間內(nèi)呈現(xiàn)先增后減的趨勢，在大于20 min的區(qū)間，間隔的頻數(shù)變化幅度較小，說明大多數(shù)相鄰刷卡出行的間隔在20 min之內(nèi)；根據(jù)對公交發(fā)班記錄的統(tǒng)計，廣州市87%的公交線路發(fā)車間隔在10～20 min區(qū)間內(nèi).因此，以20 min作為時間間隔閾值，將滿足條件的前后兩次刷卡出行合并為一次出行行為，將公交出行信息轉(zhuǎn)換成基于活動判別的出行行為.

1.2 活動區(qū)域判別

實現(xiàn)居民出行行為判別后，根據(jù)每次出行的時空分布特征推斷出行目的.由于目的地公交可達性的影響，對于相同的出行起點，若出行終點不同，乘客會根據(jù)可達線路選擇在不同的車站上車；而對于相同的出行終點，根據(jù)不同的出行起點，乘客會在出行終點周邊不同的車站下車，如圖2所示.直接對出行的起終站點進行統(tǒng)計會導致統(tǒng)計特征指標的離散，不利于出行規(guī)律分析和出行目的識別，因此需要對可能屬于同一個活動區(qū)域的站點進行聚合.

圖2 某居民活動區(qū)域站點分布示意圖Fig.2 Distribution of bus stations and activity areas

系統(tǒng)聚類法根據(jù)類間距離對距離近的類不斷進行合并，適用于分類規(guī)則明確的聚類問題.居民通常會選擇在出行地周邊的步行可達范圍內(nèi)乘坐公交，因此，通過對居民日常使用的公交站點進行空間聚類，實現(xiàn)居民日?；顒訁^(qū)域的識別.

一方面，在當前共享單車有序發(fā)展的背景下，“最后一公里”的出行服務相應提升公交站點的接駁范圍；另一方面，按照步行速度4 km/h和城市規(guī)劃提出的15 min 生活圈，計算公交站點的服務范圍為1 km.因此，以1 km 作為最大類內(nèi)距離，即最大接駁范圍，采用系統(tǒng)聚類重心法對每位居民出行的公交站點進行聚類，聚類的結果即為每位居民的日?；顒訁^(qū)域.

類定義為

式中：i為第i類；n為聚類合并次數(shù)；Sm為該類中第m個公交站點.

類重心定義為

式中：x(Si)為站點Si的橫坐標；y(Si)代表站點Si的縱坐標.

類間距離是兩個類的類重心之間的歐氏距離.

站點聚類步驟如下：

Step 1將某居民所有出行的起訖站點分別作為一類.即建立N類，以各個類間的距離(初始時即為各樣本間的距離)，生成一個N×N的距離矩陣D(0)，其中元素記為

Step 2選取使用次數(shù)最多的站點K作為聚類的起點開始本次聚類合并.

Step 3對于得到的距離矩陣D(n)，求第K行中最小的元素，將和兩類進行合并，從而生成新類并計算的類重心重新計算類重心到類內(nèi)最遠的兩個元素之間的距離，若距離小于1 km，則新類有效，重新計算類間距離，得到；并繼續(xù)Step 3；若距離大于1 km，則執(zhí)行Step 2，直到所有站點都曾經(jīng)作為聚類起點并完成聚類過程.

通過上述步驟將每位居民出行記錄中距離相近的公交站點進行聚合，有效劃分出若干個活動區(qū)域，每個活動區(qū)域的出行特征得到聚合保留，便于對各區(qū)域的活動屬性進行判別.

1.3 活動區(qū)域主要活動屬性判別

城市居民公交出行的出行目的類型，可以分為通勤出行和非通勤出行.通勤出行在時空上具有較強的規(guī)律性，因此將活動區(qū)域的主要活動屬性劃分為三類：居住地(H)、工作地(W)和非職住地(O)，根據(jù)區(qū)域主要活動屬性的分類，居民的出行定義為3種：回家出行、工作出行(包括上班和上學)以及其他出行.

(1)居住地(H)的判別.

對于大部分城市居民來說，至少擁有一個常用居住地.根據(jù)日常的出行規(guī)律，居民每天首次出行通常都以居住地為出發(fā)地.因此，日首次出行率可以作為居民居住地的判定指標.

日首次出行率指對于居民的某個活動區(qū)域，該區(qū)域作為出行日(有公交出行的某天)首次出行的出發(fā)區(qū)域次數(shù)占出行日總數(shù)的比例.對于活動區(qū)域的日首次出行率計算公式為

式中：Si是指該居民在活動區(qū)域i進行當日首次出行的總次數(shù)；di是指該居民乘坐公交出行的總天數(shù).

為合理確定用于居住地判定的日首次出行率r的閾值，統(tǒng)計全部出行者樣本各活動區(qū)域的日首次出行率，其中所有樣本的最高首次出行比例區(qū)域的首次出行率分布及累計曲線如圖3所示.

圖3 最高首次出行比例區(qū)域的首次出行率分布—累計圖Fig.3 Proportion of first trip rate in the area with highest rate

由圖3可知，超過95%的出行者均具有一個日首次出行率超過40%的活動區(qū)域，對于出行者來說，每日第一次出行大概率發(fā)生在該區(qū)域，具有明顯的居住地特征.因此，以40%作為指標閾值，將每日首次出行比例大于40%的活動區(qū)域判別為該居民的居住地.

(2)工作地(W)的判別.

工作地指城市居民每日上班(或上學)的地方.對于絕大多數(shù)居民，在工作地區(qū)域的日均停留時間明顯大于其它活動區(qū)域，可將日均停留時間作為工作地的主要判別標準.對所有樣本各活動區(qū)域的日均停留時間進行統(tǒng)計，停留時間根據(jù)IC卡前后次出行時間差進行估算，剔除出行者的居住地區(qū)域，選取日均停留時間最長的區(qū)域，各出行者日均停留最久的區(qū)域停留時間頻次分布如圖4所示.

圖4 日均停留最久區(qū)域的日均停留時長分布圖Fig.4 Proportion of average retention tine in area with highest arriving time

由圖4可知，超過95%的出行者停留時間最長的活動區(qū)域日均停留時間超過4 h，與城市居民的日常工作時長相符(全日制工作為8 h、半日制工作為4 h).因此，將各活動區(qū)域中停留時間最長且大于4 h的區(qū)域判別為該出行者的工作地.針對普通卡持有者，工作地為上班地點；針對學生卡持有者，工作地為上學地點.

(3)非職住地(O)的判別.

對于既不滿足居住地判別條件，又不滿足工作地判別條件的區(qū)域，判定為非職住地區(qū)域.

2 出行活動特征分析

采集廣州市2017年9月的IC卡數(shù)據(jù)及相關公交運營數(shù)據(jù).由于不同IC卡類型(普通卡、老人卡、學生卡等)具有不同的出行規(guī)律特征，在保持各類型卡占比與總體一致的前提下，抽樣選取26677張IC卡的刷卡出行樣本作為分析對象，出行記錄總數(shù)為110萬條.分析廣州市居民公交出行規(guī)律特征，獲取居民每日的出行鏈構成，對公交出行行為進行重構.對樣本出行者在分析時段內(nèi)所有出行日的出行鏈進行統(tǒng)計，提取出現(xiàn)次數(shù)最多的前十種出行鏈類型，如表1所示.出行鏈接活動數(shù)量越多，出行鏈數(shù)量所占比例則越低.

根據(jù)IC卡的票卡類型，對4類出行者群體的出行活動特征進行分析.表2為不同類型出行者的活動區(qū)域數(shù)量及平均停留時間情況.4類IC卡群體在一個月內(nèi)的平均活動區(qū)域個數(shù)在7、8個左右.從停留時間來看，普通卡和學生卡群體在活動區(qū)域的平均停留時間更長.

表1 出行鏈構成Table1 Composition of trip chains

表2 各類出行群體的活動區(qū)域數(shù)量與平均停留時間Table2 Number of activity areas and average retention time among different card types

由表1可知，無其他出行行為的簡單出行鏈“H-W-H”(家—工作地—家)和“H-O-H”(家—其他—家)所占的比例最高，占出行鏈組成比例74%；

圖5為4類IC卡群體月活動區(qū)域數(shù)量的頻數(shù)分布圖，各類型活動區(qū)域在6～8個之間的人數(shù)均接近人群總數(shù)的1/2，老人免費卡群體的活動區(qū)域數(shù)量相比其他群體顯著多，出行活動較為豐富.

圖5 4類IC 群體的活動區(qū)域數(shù)量分布Fig.5 Proportion of activity area in four types of smart card group

對于普通卡群體和學生卡群體這兩類通勤比例較高的群體，對其出行活動構成比例進行統(tǒng)計分析.圖6和圖7分別為學生卡群體和普通卡群體的工作出行(W 出行)、回家出行(H 出行)和其他出行(O出行)3種出行類型的占比分布.可以得到，學生卡群體出行基本以上學出行和回家出行為主，大多數(shù)學生的上學和回家出行總占比達到80%～90%；普通卡群體3種不同目的出行中，回家出行比例較大，與學生卡群體不同，工作出行與其他出行占日常出行比例比較相近，表明隨著城市的發(fā)展，居民非工作出行活動越來越多，出行更加豐富多元化.

圖6 學生卡群體各活動類型的出行比例分布Fig.6 Proportion of different activity type in student group

圖7 普通卡群體各活動類型的出行比例分布Fig.7 Proportion of different activity type in normal card group

對比工作日和非工作日的出行活動構成分布.圖8和圖9分別統(tǒng)計工作日(以周五為例)和非工作日(以周六為例)一天內(nèi)不同時段3種出行類型的出行量分布.

圖8 工作日(周五)不同時段不同類型出行需求堆積圖Fig.8 Accumulative diagram of travel demand with different period and activity type in working day

圖9 非工作日(周六)不同時段不同類型出行需求堆積圖Fig.9 Accumulative diagram of travel demand with different period and activity type in non-working day

由圖8和圖9可知，工作日工作出行需求主要發(fā)生在早高峰；回家出行需求從10:00開始逐漸增多，主要發(fā)生在晚高峰時段和夜間；其他出行的出行需求在全天分布比較均勻.非工作日3種類型出行的出行需求相比于工作日均有所下降；早高峰出行需求從工作出行為主變?yōu)楣ぷ鞒鲂小⑵渌鲂行枨笙喈數(shù)那樾?；而平峰時段其他出行和回家出行需求均有所增加.

3 結 論

通過對IC卡數(shù)據(jù)和公交運營數(shù)據(jù)的挖掘，實現(xiàn)居民主要活動區(qū)域及出行行為類型判別，并以實例數(shù)據(jù)分析廣州市居民公交出行行為的規(guī)律特征.結果表明：學生卡群體、普通卡群體工作日早晚通勤特征明顯，工作日、非工作日出行需求變化較大；老人卡群體工作日出行集中在早高峰后至平峰時段，工作日、非工作日出行需求變化較??；工作日早、晚高峰出行需求以工作出行和回家出行為主，非工作日不同類型出行需求均有所下降，時間分布更為均勻.本文的公交出行行為重構分析方法，對于站點聚類以及活動屬性判別等相關參數(shù)的設定主要基于統(tǒng)計結果，后繼研究將進一步開展相關參數(shù)的敏感性分析，形成更科學可靠的分析結果.