基于改進(jìn)Apriori算法的乘客公共交通依賴(lài)性層級(jí)轉(zhuǎn)移分析

胡 松 林鵬飛 翁劍成 梁 泉 周 偉

(1北京工業(yè)大學(xué)北京市交通工程重點(diǎn)實(shí)驗(yàn)室, 北京 100124)(2交通運(yùn)輸部管理干部學(xué)院道路教研部, 北京 101601)(3中華人民共和國(guó)交通運(yùn)輸部, 北京 100736)

公共交通作為現(xiàn)代城市綜合交通運(yùn)輸體系的重要組成部分，具有集約化、高效化和節(jié)能化等特征,是推進(jìn)交通強(qiáng)國(guó)和城市可持續(xù)交通建設(shè)的關(guān)鍵環(huán)節(jié).公共交通依賴(lài)性反映了乘客在一定交通網(wǎng)絡(luò)、建成環(huán)境和出行政策等條件下,在日?；顒?dòng)區(qū)域內(nèi)長(zhǎng)期動(dòng)態(tài)的公共交通使用特征,對(duì)公共交通系統(tǒng)的供需平衡具有持續(xù)性的影響.但不同時(shí)空條件、重大疫情條件[1]等場(chǎng)景下乘客對(duì)公共交通的使用情況與依賴(lài)性程度并不一致,這將對(duì)出行需求預(yù)測(cè)與規(guī)劃設(shè)計(jì)的結(jié)果產(chǎn)生不良影響.因此,在識(shí)別不同乘客公共交通依賴(lài)性水平的基礎(chǔ)上,利用關(guān)聯(lián)規(guī)則算法挖掘多維度影響因素與乘客依賴(lài)性間的強(qiáng)關(guān)聯(lián)規(guī)則,并定量化分析不同交通政策對(duì)乘客的影響作用,有助于準(zhǔn)確把握公共交通乘客出行規(guī)律,從而為公共交通出行需求預(yù)測(cè)及服務(wù)質(zhì)量改善提供支持.

當(dāng)前,許多國(guó)內(nèi)外學(xué)者已經(jīng)開(kāi)展了乘客出行行為轉(zhuǎn)移相關(guān)的研究，主要從出行穩(wěn)定性[2]、忠誠(chéng)度[3]、可靠性[4]和滿(mǎn)意度[5]等方面分析了出行者的公共交通表現(xiàn)行為,進(jìn)而提出刺激政策改善出行者的公共交通使用行為,然而缺乏從蘊(yùn)含心理和行為層面的公共交通依賴(lài)性[6]視角開(kāi)展相關(guān)研究.在交通轉(zhuǎn)移行為影響方面,研究表明乘客的出行轉(zhuǎn)移行為受個(gè)體屬性[7]、設(shè)施環(huán)境[3]、服務(wù)感知[8]和企業(yè)形象[9]等因素影響,但相關(guān)研究主要采用出行調(diào)查數(shù)據(jù)或刷卡數(shù)據(jù)等單一類(lèi)型的數(shù)據(jù),且主要考慮主觀心理或客觀環(huán)境單一維度因素,缺乏從綜合分析視角開(kāi)展研究.而在出行行為轉(zhuǎn)移處理方法方面,主要采用扎根理論[10]、二元Logit回歸模型[11]、決策樹(shù)[12]和混合選擇模型[13]等傳統(tǒng)研究方法,未從經(jīng)濟(jì)學(xué)和行為致因角度利用多因素關(guān)聯(lián)規(guī)則算法挖掘乘客的出行轉(zhuǎn)移機(jī)理.另一方面,關(guān)聯(lián)規(guī)則挖掘算法在交通領(lǐng)域的應(yīng)用主要聚焦在交通事故風(fēng)險(xiǎn)[14]分析方面,而在公共交通出行行為表現(xiàn)及其影響方面的研究不足.

因此,本文在獲取出行調(diào)查數(shù)據(jù)和公共交通多源數(shù)據(jù)的基礎(chǔ)上,利用關(guān)聯(lián)匹配技術(shù)提取乘客公共交通出行鏈,結(jié)合多層規(guī)劃理論構(gòu)建乘客出行知識(shí)圖譜,在重大疫情條件下從外部致因和心理層面選取7個(gè)依賴(lài)性指標(biāo),采用K-means模型和改進(jìn)的Apriori算法挖掘乘客的公共交通依賴(lài)性關(guān)聯(lián)規(guī)則,并基于不同依賴(lài)性層次等級(jí)(層級(jí))間的關(guān)聯(lián)規(guī)則差異性，提出乘客公共交通依賴(lài)性層級(jí)轉(zhuǎn)移兩階段激勵(lì)政策,為制定公共交通服務(wù)優(yōu)化策略與措施提供重要支撐.

1 數(shù)據(jù)基礎(chǔ)

1.1 出行調(diào)查數(shù)據(jù)

為準(zhǔn)確分析重大疫情條件下乘客公共交通依賴(lài)性及其影響效應(yīng),研究面向北京市設(shè)計(jì)并實(shí)施居民公共交通出行調(diào)查.出行調(diào)查內(nèi)容主要涵蓋居民公共交通智能卡卡號(hào)、個(gè)體屬性、出行特性、出行環(huán)境和心理因素等方面,主要內(nèi)容見(jiàn)表1.其中,心理因素采用Likert五分量表度量.

表1 出行調(diào)查主要內(nèi)容

問(wèn)卷調(diào)查時(shí)期為2020-07-04—2020-07-11,北京處于因新發(fā)地批發(fā)市場(chǎng)疫情引發(fā)的第2波重大疫情時(shí)期.考慮重大疫情條件下北京嚴(yán)控聚集活動(dòng)且出行者具有更明顯的防范心理,故此次出行調(diào)查采用線(xiàn)上形式.調(diào)查數(shù)區(qū)域覆蓋北京16個(gè)區(qū)縣,其中涉及30個(gè)中高風(fēng)險(xiǎn)疫情區(qū)域.經(jīng)問(wèn)卷質(zhì)量檢核、問(wèn)卷IP地址審核及數(shù)據(jù)結(jié)構(gòu)控制,共獲取有效問(wèn)卷298份.利用SPSS statistics軟件進(jìn)行問(wèn)卷數(shù)據(jù)質(zhì)量檢驗(yàn),得出數(shù)據(jù)的Cronbach’s alpha系數(shù)為0.807, KMO(Kaiser-Meyer-Olkin)度量值為0.782,表明問(wèn)卷數(shù)據(jù)的信度和效度較好.

1.2 公共交通出行鏈提取

依托北京公交都市平臺(tái),獲取北京市公共交通智能卡交易數(shù)據(jù)、移動(dòng)定位數(shù)據(jù)和公共交通線(xiàn)站數(shù)據(jù)等多源異構(gòu)數(shù)據(jù).首先,進(jìn)行關(guān)鍵字段提取以剔除與出行特征無(wú)關(guān)的數(shù)據(jù)字段,并以卡號(hào)為關(guān)鍵字將乘客每一出行階段的公交、地鐵刷卡記錄分別標(biāo)記B和R;其次,利用時(shí)空閾值判別、出行鏈結(jié)構(gòu)獲取、出行行為識(shí)別、出行OD融合、出行特征匹配等大數(shù)據(jù)處理步驟,實(shí)現(xiàn)乘客個(gè)體公共交通出行鏈的提取,示例信息如表2所示.

表2 個(gè)體公共交通全量出行鏈信息示例

為了同時(shí)獲取乘客的客觀出行數(shù)據(jù)與主觀調(diào)查數(shù)據(jù)等個(gè)體全量信息,研究基于公共交通智能卡卡號(hào)關(guān)聯(lián)匹配出行鏈與問(wèn)卷調(diào)查數(shù)據(jù),得到乘客公共交通全量出行鏈信息

1.3 乘客個(gè)體出行知識(shí)圖譜構(gòu)建

基于提取的個(gè)體出行鏈全量數(shù)據(jù),借助知識(shí)圖譜高效的數(shù)據(jù)表達(dá)與知識(shí)聚合功能,從個(gè)體零碎、信息不完備的數(shù)據(jù)中實(shí)現(xiàn)基于大規(guī)模出行知識(shí)圖譜構(gòu)建的個(gè)體出行行為表達(dá),并采用圖譜領(lǐng)域中的實(shí)體抽取、關(guān)系抽取和屬性抽取方法對(duì)個(gè)體出行特征進(jìn)行提煉.圖譜的構(gòu)建便于更直觀、全面地理解居民公共交通使用行為,為公共交通依賴(lài)性指標(biāo)提取與行為轉(zhuǎn)移研究奠定基礎(chǔ).通過(guò)個(gè)體出行空間位置聚類(lèi)、出行時(shí)間分類(lèi)和實(shí)際路徑聚類(lèi)分層提取信息,并采用多層規(guī)劃理論分別構(gòu)建圖譜的第1～3層結(jié)構(gòu),進(jìn)而實(shí)現(xiàn)個(gè)體出行知識(shí)圖譜的搭建[15].

2 乘客公共交通依賴(lài)性辨識(shí)與關(guān)聯(lián)規(guī)則挖掘建模

2.1 依賴(lài)性刻畫(huà)指標(biāo)及辨識(shí)模型

通過(guò)觀察個(gè)體出行知識(shí)圖譜的多維結(jié)構(gòu)和特征,利用乘客出行表現(xiàn)維度提取出行天數(shù)占比、出行次數(shù)占比和公共交通往返性3個(gè)特征指標(biāo)刻畫(huà)公共交通依賴(lài)性.其中,出行天數(shù)/次數(shù)占比為一定時(shí)期內(nèi),居民采用公共交通出行的天數(shù)/次數(shù)占總出行天數(shù)/次數(shù)的比例;公共交通往返性指在一定時(shí)期內(nèi),居民采用公共交通方式出行并返回的次數(shù)占總出行次數(shù)的比例[16].不同乘客的依賴(lài)性刻畫(huà)指標(biāo)關(guān)系示例如表3所示.由表可知,乘客公共交通依賴(lài)性刻畫(huà)指標(biāo)的數(shù)據(jù)形態(tài)具有異質(zhì)性特征,尤其是公共交通往返性與其余2個(gè)指標(biāo)值的分布特征具有更為顯著的差異性,這可能與限號(hào)政策以及公共交通往返使用特征有關(guān).

表3 乘客出行特征指標(biāo)關(guān)系示例 %

為了基于以上指標(biāo)準(zhǔn)確辨識(shí)乘客的公共交通依賴(lài)性,采用可有效處理連續(xù)型變量的K-means無(wú)監(jiān)督聚類(lèi)算法,為關(guān)聯(lián)規(guī)則的挖掘提供關(guān)鍵事務(wù)項(xiàng)集.K-means算法基于樣本間距離差異將樣本集C劃分為k個(gè)簇(C1,C2,…,Ck),則算法目標(biāo)的最小化平方誤差E計(jì)算公式如下:

(1)

式中,k為簇類(lèi)數(shù);Ci為第i類(lèi)指標(biāo)數(shù)據(jù)集;μi為Ci的均值向量;x為Ci的樣本數(shù)據(jù)向量.

2.2 依賴(lài)性影響指標(biāo)及關(guān)聯(lián)規(guī)則算法改進(jìn)

基于出行鏈數(shù)據(jù)，從公共交通依賴(lài)性(PT_dependence)外部致因角度，選取了家和目的地到站點(diǎn)總距離(Distance_to_transit)、是否途徑中高風(fēng)險(xiǎn)區(qū)域(OD_areas)、收入(Income)、小汽車(chē)可用性(Car_availability)4個(gè)易于改變的指標(biāo).此外,當(dāng)前交通領(lǐng)域中關(guān)聯(lián)規(guī)則算法的事務(wù)項(xiàng)通常忽略了乘客心理層面因素.考慮到乘客心理因素對(duì)其出行依賴(lài)性具有顯著影響,本文從計(jì)劃行為理論(TPB)的態(tài)度、感知控制和主觀規(guī)范角度，分別選取公共交通總體滿(mǎn)意度(Overall_satisfaction)、公共交通疫情防控政策了解度(Acquaintance_degree)與疫情期親友對(duì)使用公共交通支持度(Support_degree)3個(gè)代表性指標(biāo),作為關(guān)聯(lián)規(guī)則挖掘的基礎(chǔ)項(xiàng)集.

為便于關(guān)聯(lián)規(guī)則挖掘和激勵(lì)政策定量化制定,需將依賴(lài)性特征指標(biāo)進(jìn)行離散化處理.除類(lèi)別變量A外,利用K-means算法將其余連續(xù)變量分別劃分為3類(lèi)子集.聚類(lèi)得到的各特征指標(biāo)的分類(lèi)結(jié)果如表4所示.

表4 乘客公共交通依賴(lài)性指標(biāo)離散化結(jié)果

關(guān)聯(lián)規(guī)則算法從致因角度發(fā)掘大規(guī)模數(shù)據(jù)中不同特征或事務(wù)間的隱含關(guān)系,可有效挖掘多因素間的共現(xiàn)性與相關(guān)性,刻畫(huà)不同公共交通依賴(lài)性層級(jí)群體間的出行影響差異.本文借助經(jīng)典的Apriori算法進(jìn)行公共交通依賴(lài)性關(guān)聯(lián)規(guī)則挖掘,將乘客公共交通依賴(lài)性視為事務(wù),而7個(gè)公共交通依賴(lài)性指標(biāo)為事務(wù)的項(xiàng),h個(gè)項(xiàng)的集合稱(chēng)為h項(xiàng)集,h=0,1,2,…,7.

Apriori算法的思想為:通過(guò)單遍掃描數(shù)據(jù)集C1確定各項(xiàng)的最小支持度閾值Smin,基于閾值對(duì)候選集Lh進(jìn)行剪枝,提取不同項(xiàng)集長(zhǎng)度候選集Lh中的頻繁項(xiàng)集Ch,并結(jié)合最小置信度Cmin和最小提升度Lmin進(jìn)一步挖掘Ch中的強(qiáng)關(guān)聯(lián)規(guī)則.算法迭代過(guò)程如圖1所示,圖中A～D為關(guān)聯(lián)規(guī)則的項(xiàng)集.

圖1 Apriori算法迭代示意圖

其中,關(guān)聯(lián)規(guī)則的蘊(yùn)涵表達(dá)式為A?B,A為關(guān)聯(lián)規(guī)則前件LHS,B為后件RHS.支持度support可衡量各項(xiàng)集在數(shù)據(jù)集中的頻繁共現(xiàn)程度,計(jì)算公式如下:

(2)

式中,η(A∪B)為數(shù)據(jù)集中A與B同時(shí)出現(xiàn)的事務(wù)數(shù);N為數(shù)據(jù)集中事務(wù)總數(shù).支持度越高,表明某一關(guān)聯(lián)規(guī)則的適用性與可靠性越大.

置信度confidence為B在包含A的事務(wù)集中出現(xiàn)的頻率,可度量關(guān)聯(lián)規(guī)則推測(cè)的可信度,計(jì)算公式如下:

(3)

式中,η(A)為數(shù)據(jù)庫(kù)中涵蓋A的事務(wù)數(shù).置信度越高,表示由B推測(cè)A出現(xiàn)的可信度越大.

提升度lift(l)反映A的出現(xiàn)對(duì)B出現(xiàn)的影響程度,為相關(guān)性度量指標(biāo).提升度計(jì)算公式如下:

(4)

若提升度l>1,則A和B呈正相關(guān);若l=1,A和B相互獨(dú)立,不存在相關(guān)性;若l<1,則A和B呈負(fù)相關(guān).

考慮Apriori算法在頻繁模式提取時(shí)會(huì)隨機(jī)選定關(guān)聯(lián)規(guī)則的前后件,即規(guī)則前件會(huì)涵蓋群體依賴(lài)性層級(jí)項(xiàng),而后件包含7個(gè)依賴(lài)性影響指標(biāo)項(xiàng),從而產(chǎn)生大量不符合預(yù)期結(jié)果的關(guān)聯(lián)規(guī)則.為了避免以上情況進(jìn)而挖掘有效的關(guān)聯(lián)規(guī)則,研究采用R語(yǔ)言的subset函數(shù)對(duì)Apriori算法的關(guān)聯(lián)規(guī)則挖掘邏輯進(jìn)行改進(jìn).subset函數(shù)可限定關(guān)聯(lián)規(guī)則前件LHS包含7個(gè)公共交通依賴(lài)性影響指標(biāo)項(xiàng),而后件RHS僅涵蓋依賴(lài)性層級(jí)項(xiàng),剔除不具現(xiàn)實(shí)意義的無(wú)效規(guī)則.

3 實(shí)證研究

3.1 依賴(lài)性水平辨識(shí)

將2.1節(jié)3個(gè)公共交通依賴(lài)性特征指標(biāo)輸入到K-means聚類(lèi)模型中,基于多次迭代計(jì)算所得的最終聚類(lèi)中心結(jié)果的方差值,確定最佳聚類(lèi)數(shù)為4,即將乘客的公共交通依賴(lài)性水平劃分為低、較低、較高和高4類(lèi),人群占比分別為26%、16%、26%、32%.最終聚類(lèi)中心結(jié)果如圖2所示.各聚類(lèi)中心值間具有顯著的差異且聚類(lèi)中心值隨著群體依賴(lài)性的增大而增加,側(cè)面表明K-means聚類(lèi)算法對(duì)于樣本數(shù)據(jù)處理的有效性.

圖2 最終聚類(lèi)中心結(jié)果

3.2 頻繁模式提取

為了挖掘不同項(xiàng)集長(zhǎng)度下依賴(lài)性屬性指標(biāo)間的關(guān)聯(lián)規(guī)則,需要首先明確不同頻繁項(xiàng)集支持度與生成的關(guān)聯(lián)規(guī)則數(shù)量間的非線(xiàn)性關(guān)系.本文使用R語(yǔ)言軟件RStudio進(jìn)行數(shù)據(jù)的處理與算法實(shí)現(xiàn),將初始數(shù)據(jù)集輸入到構(gòu)建的Apriori算法中,可得到共86 143條初始關(guān)聯(lián)規(guī)則.分別計(jì)算初始關(guān)聯(lián)規(guī)則的支持度、置信度和提升度,其中提升度值由低到高自動(dòng)聚為8類(lèi),則三者間的散點(diǎn)關(guān)系如圖3所示.

由圖3可知,關(guān)聯(lián)規(guī)則的支持度多數(shù)分布在0.2以?xún)?nèi),而置信度分布較廣泛.為確定不同項(xiàng)集的支持度閾值,在控制置信度和支持度分別為0.01的情況下,計(jì)算h項(xiàng)集在不同支持度與置信度條件下生成的關(guān)聯(lián)規(guī)則數(shù)量,結(jié)果如圖4所示.

圖3 初始關(guān)聯(lián)規(guī)則散點(diǎn)圖

(a)支持度

由圖4(a)可知,當(dāng)候選頻繁1項(xiàng)集～6項(xiàng)集的支持度分別大于5%、5%、4%、4%、2%、1%時(shí),關(guān)聯(lián)規(guī)則數(shù)量顯著減少,故將其分別作為不同長(zhǎng)度項(xiàng)集的支持度閾值Smin;同理,基于圖4(b)將1項(xiàng)集～6項(xiàng)集的置信度閾值Cmin分別取值為40%、40%、40%、50%、50%、50%.此外,為全面分析各類(lèi)群體公共交通依賴(lài)性指標(biāo)間的差異,經(jīng)多次迭代計(jì)算將7項(xiàng)集的Smin和Cmin分別設(shè)定為1%和40%;提升度閾值lmin取最小正相關(guān)關(guān)系閾值1.

將初始數(shù)據(jù)集輸入到改進(jìn)的Apriori算法中,基于閾值限制與迭代計(jì)算可得1項(xiàng)集的頻繁模式規(guī)則,如圖5所示.圖中,圓形大小表示支持度高低,顏色深淺表示提升度高低.

圖5 1項(xiàng)集頻繁模式規(guī)則

由圖5可知,1項(xiàng)集的頻繁模式規(guī)則共有7條.其中,公共交通低依賴(lài)性(PT_dependence=low)對(duì)應(yīng)的頻繁項(xiàng)集分別為家和目的地到站點(diǎn)短距離(D1)、公共交通低滿(mǎn)意度(S1)和公共交通疫情防控政策低了解度(P1);公共交通較高依賴(lài)性(PT_dependence=relatively high)對(duì)應(yīng)的頻繁項(xiàng)集為家和目的地到站點(diǎn)的中距離(D2);公共交通高依賴(lài)性(PT_dependence=high)對(duì)應(yīng)的頻繁項(xiàng)集分別為小汽車(chē)低可用性(C1)、家和目的地到站點(diǎn)的長(zhǎng)距離(D3)和親友對(duì)使用公共交通支持度(R2).

3.3 關(guān)聯(lián)規(guī)則挖掘

為挖掘乘客公共交通依賴(lài)性不同長(zhǎng)度項(xiàng)集的強(qiáng)關(guān)聯(lián)規(guī)則,分別設(shè)定不同長(zhǎng)度項(xiàng)集的算法參數(shù)閾值后,可逐步計(jì)算獲得2項(xiàng)集～7項(xiàng)集的公共交通依賴(lài)性強(qiáng)關(guān)聯(lián)規(guī)則.本文共選取7個(gè)乘客公共交通依賴(lài)性影響指標(biāo),故頻繁7項(xiàng)集結(jié)果為最終挖掘的公共交通依賴(lài)性強(qiáng)關(guān)聯(lián)規(guī)則,如圖6所示.其中,強(qiáng)關(guān)聯(lián)規(guī)則的前件LHS分行列出,后件RHS分列列出,圓的位置關(guān)聯(lián)前件與后件,而圓的大小、顏色深淺表示不同關(guān)聯(lián)規(guī)則支持度和提升度的大小.結(jié)果表明,不同公共交通依賴(lài)性關(guān)聯(lián)規(guī)則對(duì)應(yīng)的共現(xiàn)項(xiàng)集具有顯著差異,且較低依賴(lài)性群體因公共交通使用特征的隨機(jī)性與動(dòng)態(tài)性導(dǎo)致相關(guān)的項(xiàng)集共現(xiàn)性較低.參數(shù)值越大,表明關(guān)聯(lián)規(guī)則的共線(xiàn)性與關(guān)聯(lián)性越高.從不同依賴(lài)性層級(jí)對(duì)應(yīng)的強(qiáng)關(guān)聯(lián)規(guī)則中提取支持度最高的前2條強(qiáng)關(guān)聯(lián)規(guī)則進(jìn)行具體分析,如表5所示.

圖6 不同項(xiàng)集長(zhǎng)度的關(guān)聯(lián)規(guī)則結(jié)果

表5 不同公共交通依賴(lài)性典型關(guān)聯(lián)規(guī)則

重大疫情條件下隨著公共交通依賴(lài)性降低,依賴(lài)性影響指標(biāo)呈現(xiàn)出的規(guī)律性以及不同依賴(lài)性層級(jí)間指標(biāo)的差異性也隨之減弱,且多維指標(biāo)的共現(xiàn)度與關(guān)聯(lián)規(guī)則發(fā)生概率也相對(duì)較低.關(guān)聯(lián)規(guī)則3、6、8的置信度為最高值1,表明符合此類(lèi)規(guī)則條件的乘客可直接判定為對(duì)應(yīng)的公共交通依賴(lài)性層級(jí).

家和目的地到站點(diǎn)總距離、是否途徑中高風(fēng)險(xiǎn)區(qū)域和收入3個(gè)指標(biāo)在不同依賴(lài)性層級(jí)間未呈現(xiàn)出明顯的規(guī)律特征,表明此三者并非決定乘客公共交通依賴(lài)性的重要因素.而是否途徑中高風(fēng)險(xiǎn)區(qū)域指標(biāo)僅在較高公共交通依賴(lài)性層級(jí)中出現(xiàn),表明重大疫情對(duì)此類(lèi)乘客的公共交通使用行為影響更大.對(duì)于包含低收入屬性的2類(lèi)典型群體中,公共交通較低依賴(lài)性層級(jí)中81.3%為大學(xué)生群體,其出行主要為步行或騎行等中短途非公共交通出行活動(dòng);而高依賴(lài)性層級(jí)中主要為無(wú)車(chē)的上班族與離退休人員,公共交通為其最優(yōu)出行方式.公共交通高依賴(lài)度層級(jí)中親友對(duì)使用公共交通支持度指標(biāo)與其他層級(jí)具有較為明顯的異質(zhì)性，且整體水平偏低,均具有一定的提升空間.

3.4 依賴(lài)性層級(jí)轉(zhuǎn)移策略分析

為提升重大疫情條件下不同層級(jí)出行群體的公共交通依賴(lài)性以及公共交通分擔(dān)率,結(jié)合問(wèn)卷調(diào)查信息，采用兩階段法促進(jìn)乘客逐步向更高公共交通依賴(lài)性層級(jí)轉(zhuǎn)移.

第1階段對(duì)比分析公共交通低、較低依賴(lài)性層級(jí)與較高依賴(lài)性層級(jí)強(qiáng)關(guān)聯(lián)規(guī)則間的差異,并剔除面向大學(xué)生群體的關(guān)聯(lián)規(guī)則4,提出以下依賴(lài)性改善策略建議:① 家和目的地到站點(diǎn)總距離雖未在各層級(jí)間呈現(xiàn)明顯差異,但整體層面上數(shù)值偏大,而公共交通線(xiàn)網(wǎng)優(yōu)化、公交站點(diǎn)位置優(yōu)化、城市居住區(qū)規(guī)劃與TOD(transit-oriented development)模式引導(dǎo)等有利于減少乘客家和目的地到站點(diǎn)總距離的重要措施,預(yù)期可減少公共交通乘客約10 min的末端出行距離.② 該階段乘客的小汽車(chē)可用性整體較高,若采用車(chē)輛限行和增加停車(chē)費(fèi)等小汽車(chē)限制措施預(yù)期可改善約36.4%出行者的公共交通使用行為.

第2階段聚焦較高公共交通依賴(lài)性群體,通過(guò)對(duì)比分析第5～8條強(qiáng)關(guān)聯(lián)規(guī)則可知,第1階段相關(guān)的政策措施仍為此階段重要的保障.此外,33.3%的乘客因途徑中高風(fēng)險(xiǎn)區(qū)域而對(duì)公共交通選擇帶來(lái)負(fù)面影響,調(diào)查表明車(chē)廂內(nèi)乘客間隔管控、車(chē)站與車(chē)廂環(huán)境清潔消毒與站臺(tái)排隊(duì)間隔管控是出行群體認(rèn)為應(yīng)亟須加強(qiáng)的3個(gè)措施;而科學(xué)有效地傳播公共交通疫情防控政策、健康預(yù)約出行等也為可實(shí)施的重要策略.此外,重大疫情時(shí)期親友對(duì)使用公共交通支持度較低,為減弱該指標(biāo)對(duì)乘客公共交通出行產(chǎn)生的負(fù)面心理效應(yīng),可加大公共交通優(yōu)惠貼補(bǔ)、增加發(fā)車(chē)頻率、與共享單車(chē)等模式整合以及開(kāi)通多模式公交等,預(yù)期進(jìn)一步提升約37.2%乘客的親友對(duì)使用公共交通的支持度,并有利于乘客公共交通總體滿(mǎn)意度的提升.開(kāi)展以上相關(guān)組合策略可針對(duì)性激勵(lì)不同依賴(lài)性層級(jí)群體改善公共交通使用行為.

4 結(jié)論

1)從外部致因和TPB理論視角更準(zhǔn)確全面地提取7個(gè)乘客公共交通依賴(lài)性影響指標(biāo),避免了因考慮維度不足所造成的影響關(guān)系刻畫(huà)片面性.

2)改進(jìn)的Apriori算法可有效實(shí)現(xiàn)不同項(xiàng)集長(zhǎng)度下公共交通依賴(lài)性的強(qiáng)關(guān)聯(lián)規(guī)則挖掘,且關(guān)聯(lián)規(guī)則前件涵蓋的項(xiàng)集數(shù)與其對(duì)應(yīng)的支持度呈負(fù)相關(guān)關(guān)系,即公共交通依賴(lài)性越低,則層級(jí)對(duì)應(yīng)的關(guān)聯(lián)規(guī)則共現(xiàn)度與發(fā)生概率也越低.其中,關(guān)聯(lián)規(guī)則3、6、8的置信度為最高值1,可將其作為公共交通依賴(lài)性層級(jí)判定依據(jù).

3)家和目的地到站點(diǎn)總距離、小汽車(chē)可用性和疫情期親友對(duì)使用公共交通的支持度為乘客公共交通依賴(lài)性層級(jí)轉(zhuǎn)移所需持續(xù)提升的指標(biāo);而是否途徑中高風(fēng)險(xiǎn)區(qū)域指標(biāo)為較高公共交通依賴(lài)性群體需要重點(diǎn)改善的指標(biāo).