基于多源數(shù)據(jù)的城市群樞紐間多模式交通系統(tǒng)異常狀態(tài)影響研究

馬書紅,楊 濤,岳 敏,陳西芳

(1. 長安大學(xué) 運輸工程學(xué)院,陜西 西安 710064;2. 生態(tài)安全屏障區(qū)交通網(wǎng)設(shè)施管控及循環(huán)修復(fù)技術(shù)交通運輸行業(yè)重點實驗室,陜西 西安 710064)

0 引 言

2019年《交通強國建設(shè)綱要》明確提出“構(gòu)建便捷順暢的城市(群)交通網(wǎng)”、“城市群2小時通達”,2021年《國家綜合立體交通網(wǎng)規(guī)劃綱要》提出,綜合交通網(wǎng)絡(luò)需要增強互聯(lián)互通,推動融合發(fā)展,提升運輸整體效率,為進一步發(fā)展城市群交通指明了方向。隨著城市群一體化多模式交通網(wǎng)絡(luò)的建設(shè),出行者的聯(lián)程出行需求不斷擴大,但多模式交通網(wǎng)絡(luò)在組合效率、換乘銜接、功能協(xié)作等方面還存在短板;同時,突發(fā)異常狀況(如突發(fā)客流、線路故障、自然災(zāi)害等)也會對多模式交通網(wǎng)絡(luò)帶來極大沖擊,需要提出快速應(yīng)對策略和提高網(wǎng)絡(luò)韌性。因此,在異常狀態(tài)發(fā)生時,如何準確判別城市群多模式客運交通系統(tǒng)的異常狀態(tài)、受影響的通道/樞紐和影響范圍,提出應(yīng)急對策,確保城市群樞紐間多模式交通一體化運行效率成為當前亟待解決的重點問題之一。

在樞紐異常事件的識別及影響研究方面,R.SILVA等[1]基于智能卡數(shù)據(jù)提出一種用于量化因軌道線路和車站關(guān)閉產(chǎn)生影響的方法;SUN Huijun等[2]利用貝葉斯方法對突發(fā)事件進行識別并建立城市軌道交通網(wǎng)絡(luò)中斷影響評估模型;楊靈[3]分析了突發(fā)大客流在城市軌道交通網(wǎng)絡(luò)的擴散過程及傳播特性;李臣等[4]利用地鐵AFC數(shù)據(jù)對大客流下時空影響范圍做出識別。上述研究多基于網(wǎng)絡(luò)理論對異常影響范圍進行界定,對乘客的實際出行需求考慮較少。隨著多源大數(shù)據(jù)分析技術(shù)的發(fā)展,利用手機信令數(shù)據(jù)分析城際間乘客出行能夠更加準確地反映實際情況[5]。結(jié)合多源出行數(shù)據(jù),利用關(guān)聯(lián)規(guī)則挖掘方法能夠更好地發(fā)現(xiàn)數(shù)據(jù)集中有意義的聯(lián)系。比如,利用出租車GPS數(shù)據(jù)和關(guān)聯(lián)規(guī)則,李勇[6]分析了城市道路擁堵的關(guān)聯(lián)性和傳播特性;YU Wenhao[7]提出了挖掘一定時段內(nèi)頻繁項集的移動路徑算法;項譯[8]使用手機信令數(shù)據(jù)并基于出行軌跡的關(guān)聯(lián)性,研究了景區(qū)游客的路線分布規(guī)律。基于軌道交通刷卡數(shù)據(jù)、AFC數(shù)據(jù)提取相關(guān)出行信息,褚凡[9]利用關(guān)聯(lián)規(guī)則挖掘方法分析軌道交通客流特征和出行行為;GUO Xin[10]分析了通勤時段內(nèi)強關(guān)聯(lián)性的地鐵站點組合。

基于此,筆者擬在獲取手機信令數(shù)據(jù)的基礎(chǔ)上,結(jié)合意向出行調(diào)查及客票信息等多源數(shù)據(jù)提出城市群樞紐間多模式交通系統(tǒng)異常狀態(tài)影響范圍識別流程與方法,并結(jié)合京津冀城市群樞紐間多模式交通出行典型場景進行分析和驗證,為利用數(shù)據(jù)挖掘方法確定突發(fā)異常狀態(tài)的影響和對策提供借鑒,為進一步完善城市群多模式交通系統(tǒng)應(yīng)急處置、韌性評估和提升等提供理論基礎(chǔ)。在此基礎(chǔ)上,為提高管理部門在面對災(zāi)害和突發(fā)事件等異常狀態(tài)下的快速反應(yīng)能力和主動保障能力,提高城市群樞紐間多模式交通系統(tǒng)銜接協(xié)調(diào)和整體運行效率提供支撐。

1 城市群多模式交通系統(tǒng)異常狀態(tài)分類

筆者將異常狀態(tài)定義為“由于突發(fā)事件所導(dǎo)致的樞紐(間)客流的非正常狀態(tài)”。突發(fā)事件指突然發(fā)生、造成或可能造成嚴重社會危害、需要進行緊急處理的事件,包括突發(fā)事故、自然災(zāi)害、恐怖主義行為、重大群體性事件等。筆者從需求端非常態(tài)客流變化和供給端運輸能力下降 2 個方面對城市群多模式交通系統(tǒng)異常狀態(tài)進行分類總結(jié),如表1。

表1 城市群多模式交通系統(tǒng)異常狀態(tài)分類

2 基于多源數(shù)據(jù)的異常狀態(tài)影響范圍識別流程及方法

2.1 異常狀態(tài)影響范圍識別流程

筆者基于獲取的手機信令數(shù)據(jù)、乘客意向出行調(diào)查數(shù)據(jù)、客票數(shù)據(jù)及地圖信息等提出針對某些異常狀態(tài)影響范圍的識別流程,如圖1。

圖1 基于多源數(shù)據(jù)的異常狀態(tài)影響范圍識別流程 Fig. 1 Recognition process of the influence range of abnormal state based on multi-source data

異常狀態(tài)影響范圍識別的關(guān)鍵是樞紐間通道客流異常聚集檢測和樞紐群強關(guān)聯(lián)規(guī)則挖掘。前者是借助手機數(shù)據(jù)獲取惡劣天氣、節(jié)假日活動期間乘客的出行鏈信息,得到樞紐間通道客流量,利用貝葉斯預(yù)測方法就實際客流量給出動態(tài)安全閾值,進而識別通道客流的異常聚集狀態(tài);后者是在獲得與實際和假定異常情況相關(guān)的乘客出行鏈基礎(chǔ)上,利用Apriori算法挖掘乘客出行經(jīng)由的樞紐群頻繁項集,并應(yīng)用關(guān)聯(lián)規(guī)則特性指標對關(guān)聯(lián)規(guī)則有效性進行判別,得到樞紐組合的強關(guān)聯(lián)規(guī)則,識別異常條件下受影響的樞紐群。

2.2 樞紐間通道客流異常聚集檢測

樞紐間通道客流異常聚集檢測主要基于統(tǒng)計學(xué)方法,首先根據(jù)歷史的通道客流數(shù)據(jù)構(gòu)建一般化模型,之后結(jié)合研究時段內(nèi)的通道客流數(shù)據(jù),利用貝葉斯預(yù)測得到動態(tài)模型參數(shù),同時確定客流人數(shù)θ的異常檢測閾值。主要建模步驟如下:

1)利用歷史手機信令數(shù)據(jù)獲取所研究的樞紐間客流量,分析并確定合適的通道客流分布類型。

2)確定先驗分布模型參數(shù),得到分布密度π(θ)。

3)根據(jù)貝葉斯公式確定θ的后驗分布密度,如式(1):

(1)

式中:h(θ|x′)為后驗分布密度;π(θ)為先驗分布密度;P(x′|θ)為樣本x′在給定θ條件下的聯(lián)合分布密度;Θ為參數(shù)空間。

4)以滿足99.7%的概率條件確定客流人數(shù)閾值范圍。

2.3 樞紐群強關(guān)聯(lián)規(guī)則挖掘

關(guān)聯(lián)規(guī)則表示不同數(shù)據(jù)項目在同一事件中出現(xiàn)的相關(guān)性,能夠利用有效算法對大量數(shù)據(jù)集進行數(shù)據(jù)挖掘。Apriori算法是一種關(guān)聯(lián)規(guī)則發(fā)現(xiàn)方法,可從大量數(shù)據(jù)集中尋找項集之間的隱含關(guān)系。筆者選擇利用這種算法做初步的樞紐關(guān)聯(lián)性挖掘,獲得頻繁項集,并基于大量的頻繁項集通過設(shè)定條件獲取關(guān)聯(lián)規(guī)則,從而得到關(guān)聯(lián)性高的樞紐群。

置信度和支持度是廣泛用于獲取簡單關(guān)聯(lián)規(guī)則的有效指標。筆者將置信度表示為C(X→Y),反映樞紐X出現(xiàn)條件下樞紐Y出現(xiàn)的可能性;同時將支持度表示為S(X→Y),反映項集(X,Y)在乘客出行事務(wù)集中出現(xiàn)的概率。

在獲得滿足一定支持度和置信度的頻繁項集的基礎(chǔ)上,利用興趣度指標(規(guī)則提升度、余弦相似度等)來分析樞紐關(guān)聯(lián)規(guī)則的有效性。規(guī)則提升度為規(guī)則置信度與樞紐Y的支持度之比,反映乘客在出行過程中,樞紐X的出現(xiàn)對樞紐Y出現(xiàn)的影響程度,其計算公式如式(2):

(2)

式中:S(X)為樞紐X的支持度;S(Y)為樞紐Y的支持度。

當兩個規(guī)則具有相同提升度時,可利用提升度的標準化值來區(qū)別其重要性順序。標準化的提升度作為興趣度比原值更加有效[11],其計算公式如式(3):

(3)

式中:υ和λ為標定參數(shù),分別為最小支持度閾值σ和最小置信度閾值κ的函數(shù)。標定原則如式(4)、式(5):

(4)

(5)

余弦相似度作為興趣度也可以對樞紐關(guān)聯(lián)規(guī)則的有效性進行判別,余弦相似度值越大表示樞紐之間的關(guān)聯(lián)性越強,其計算公式如式(6):

(6)

同樣地,可以利用標準化的余弦相似度來區(qū)別樞紐關(guān)聯(lián)規(guī)則的重要性順序,其計算公式如式(7):

(7)

與標準提升度一樣,υ′和λ′為標定參數(shù)。標定原則如式(8)、式(9):

(8)

(9)

3 乘客出行鏈信息獲取

利用多源數(shù)據(jù)獲取乘客的出行鏈信息(手機數(shù)據(jù)、意向調(diào)查數(shù)據(jù))和出行相關(guān)地理信息(高德地圖),確定樞紐間通道客流量和乘客出行經(jīng)由的樞紐情況,為分析客流安全閾值和樞紐頻繁項集挖掘提供基礎(chǔ)[12]。針對“城市群地域范圍廣、樞紐數(shù)量多、城際和城內(nèi)交通方式多、管理主體多、異常狀態(tài)類型多”這一現(xiàn)狀,選取典型場景開展研究。以京津冀城市群為例,重點針對城市群內(nèi)部城際間的旅客出行需求。

3.1 基于手機信令數(shù)據(jù)的乘客出行信息獲取

3.1.1 手機信令數(shù)據(jù)內(nèi)容

極智數(shù)據(jù)庫平臺開放了基于聯(lián)通全量手機用戶信令數(shù)據(jù)的用戶駐留和出行位置數(shù)據(jù),輔以用戶入網(wǎng)基礎(chǔ)屬性、通信相關(guān)偏好屬性和消費等多源數(shù)據(jù)。以此為基礎(chǔ),利用Hive SQL語句從數(shù)據(jù)庫平臺提取的乘客出行數(shù)據(jù)示例結(jié)果如表2。

表2 乘客出行數(shù)據(jù)示例

3.1.2 數(shù)據(jù)范圍選取

根據(jù)在線平臺數(shù)據(jù)情況和對異常狀態(tài)的分類結(jié)果,結(jié)合示范場景信息來確定研究的樞紐范圍。筆者對2019年5月京津冀城市群內(nèi)發(fā)生的 2 種異常狀況進行研究:節(jié)日期間大規(guī)模乘客出行(2019年5月2日)和突發(fā)雷雨大風(fēng)天氣(北京,2019年5月19日),提取的數(shù)據(jù)量分別為480 983條和414 162條。同時提取2019年5月5日至5月18日的出行數(shù)據(jù)作為正常日出行參考,數(shù)據(jù)總量為614萬余條。

最終確定基于手機數(shù)據(jù)研究的交通樞紐(表3),其包括航空樞紐3個(因數(shù)據(jù)時間范圍限制, 不含北京大興國際機場)、鐵路樞紐10個、公路樞紐24個,共37個。

表3 京津冀城市群內(nèi)研究的樞紐范圍

3.2 基于意向調(diào)查數(shù)據(jù)的乘客出行信息獲取

由于手機數(shù)據(jù)獲取的異常出行數(shù)據(jù)比較有限,為擴展異常狀態(tài)研究范圍,筆者以京津冀城市群為研究對象,對出行者在一定異常狀態(tài)下對單程和聯(lián)程出行方案的意向選擇/調(diào)整情況進行問卷調(diào)查。問卷假定的異常場景包括北京西站突發(fā)大客流(Q1)、強降雨天氣導(dǎo)致保定東至石家莊鐵路段關(guān)閉(Q2)、保定東至石家莊段高鐵線路事故(Q3),結(jié)合出行時間、出行目的、出行起訖點,最終設(shè)定異常狀態(tài)下的出行場景共12種,如圖2。

圖2 假定異常狀態(tài)下的出行場景Fig. 2 Travel scenarios in assumed abnormal state

調(diào)查共獲得問卷1 667份,有效問卷1 336份。其中,男性和女性受訪者分別占47.53%和52.47%;年齡在21～40歲區(qū)間內(nèi)的受訪對象為研究的核心人群(比例為62.20%);從職業(yè)和月收入情況看,政府工作人員、企業(yè)上班族和學(xué)生共占88%,57%的受訪者月收入位于3 000～15 000元之間。

4 異常狀態(tài)影響范圍確定

4.1 通道客流分析及檢測結(jié)果

考慮到數(shù)據(jù)采集的精度,筆者針對一定樞紐范圍獲取樞紐間的通道客流量。共獲取2019年5月2日10的613位乘客信息,2019年5月19日的8 275位乘客信息。

通過處理部分手機數(shù)據(jù)得到強鏈接樞紐間的客流量,在此基礎(chǔ)上應(yīng)用2周的客流數(shù)據(jù)并采用正態(tài)性檢驗方法進行驗證。表4中各通道的顯著性均大于0.05(95%置信度),表明各強鏈接樞紐間客流量服從正態(tài)分布假設(shè)。

表4 強鏈接樞紐間客流量的正態(tài)性檢驗結(jié)果

應(yīng)用極大似然估計初步估算各樞紐通道客流先驗分布參數(shù),利用貝葉斯方法求得后驗信息,并不斷對先驗信息進行修正。在獲得分布參數(shù)之后,利用拉依達準則(準則)作為人數(shù)異常檢測的依據(jù)。最終得到2019年5月2日和2019年5月19日的樞紐間通道客流量及其安全閾值,如圖3。由圖3(a)可以看出,2019年5月2日,通道2、通道3的客流均超過了閾值上限,說明這兩個通道客流已經(jīng)達到異常聚集狀態(tài),應(yīng)設(shè)計疏散方案及時進行客流疏散;通道1、通道5、通道6、通道8的客流接近安全閾值上限,應(yīng)急管理部門應(yīng)針對此通道提前設(shè)計預(yù)案,以防客流溢出。由圖3(b)可以看出,2019年5月19日,通道4、通道7的客流超出了安全閾值,達到異常聚集狀態(tài);通道6的客流超出閾值下限,說明在大風(fēng)影響下,可能部分采用航空出行的客流轉(zhuǎn)而采用高鐵出行,并導(dǎo)致通道7客流達到異常聚集的狀態(tài)。

圖3 各樞紐間通道客流量及安全閾值Fig. 3 Passenger flow and safety threshold of channels between hubs

4.2 基于關(guān)聯(lián)規(guī)則的異常狀態(tài)影響范圍研究

為進一步確定受影響的樞紐(群),基本思路是利用Apriori算法挖掘樞紐群的頻繁項集,應(yīng)用關(guān)聯(lián)規(guī)則挖掘正常和異常情況下關(guān)聯(lián)性高的樞紐群,結(jié)合發(fā)生異常情況的位置確定該異常狀態(tài)的影響范圍。

4.2.1 基于手機數(shù)據(jù)的樞紐關(guān)聯(lián)規(guī)則挖掘及影響范圍確定

設(shè)定最小條件支持度閾值為0.5%,最小置信度閾值為10%,得到基于手機數(shù)據(jù)的關(guān)聯(lián)規(guī)則挖掘結(jié)果如表5。

表5 基于手機數(shù)據(jù)的乘客出行經(jīng)由樞紐的關(guān)聯(lián)規(guī)則

分別計算每條規(guī)則在工作日、非工作日、節(jié)假日和突發(fā)大風(fēng)天氣時的提升度及其標準化值(圖4)、余弦相似度及其標準化值(圖5)。

圖4 各時段下基于手機數(shù)據(jù)挖掘的規(guī)則提升度標準化值Fig. 4 Standardized value of rule enhancement based on mobile data mining at different time periods

圖5 各時段下基于手機數(shù)據(jù)挖掘的規(guī)則余弦相似度標準化值Fig. 5 Standardized values of rule cosine similarity based on mobile data mining at different time periods

結(jié)合正常日和兩種異常狀態(tài)下的樞紐群關(guān)聯(lián)結(jié)果,同時分析相關(guān)的關(guān)聯(lián)規(guī)則興趣度指標,確定受不同影響情況的樞紐站點。得到兩種異常狀態(tài)下受影響的樞紐范圍如表6。

表6 異常狀態(tài)下的樞紐影響范圍

4.2.2 基于調(diào)查數(shù)據(jù)的樞紐關(guān)聯(lián)規(guī)則挖掘及影響范圍確定

3種假定異常情況下意向出行的2-頻繁項集分析結(jié)果如圖6,不同粗細的線條反映了樞紐之間關(guān)系的緊密程度。

圖6 強鏈接樞紐的2-頻繁項集Fig. 6 Frequent itemset of strongly linked hubs

由圖6可以看出,在Q1這一突發(fā)事件下,北京西站和石家莊站、保定東站和石家莊站、保定站和徐水站容易被出行者選擇;在Q2這一突發(fā)事件下,保定東站和石家莊站、北京西站和石家莊站、保定東站和北京西站、保定站和徐水站容易同時被出行者選擇;在Q3這一突發(fā)事件下,保定東站和石家莊站、北京西站和石家莊站、保定東站和北京西站容易被出行者選擇。在進行相應(yīng)狀態(tài)下的通道客流異常識別時,可重點考慮這些強鏈接的鐵路樞紐間通道。

針對假定的3種異常情況,分別設(shè)定最小條件支持度閾值為13%、21%、15%,設(shè)定最小置信度閾值為80%,得到基于意向調(diào)查數(shù)據(jù)的關(guān)聯(lián)規(guī)則挖掘結(jié)果,如表7。分別計算每條規(guī)則在不同異常情景下的提升度和余弦相似度,同時結(jié)合假定異常事故發(fā)生位置和樞紐關(guān)聯(lián)性挖掘結(jié)果,最終確定假定異常狀態(tài)下的樞紐影響范圍,如表8。

表7 基于意向調(diào)查數(shù)據(jù)的乘客出行經(jīng)由樞紐的關(guān)聯(lián)規(guī)則

表8 假定異常狀態(tài)下的樞紐影響范圍

4.2.3 結(jié)果分析

實際異常狀態(tài)下受影響的樞紐類型比較齊全,包括航空、鐵路和公路樞紐,說明基于手機數(shù)據(jù)獲取的實際出行數(shù)據(jù)能夠很好地反映多種類型樞紐間通道的客流分布情況。假定異常場景下受影響的樞紐均為鐵路站點,其一方面與意向調(diào)查假定的場景有關(guān),假定的異常狀態(tài)均發(fā)生在鐵路站點或站間線路上;另一方面,在意向調(diào)查中,不同出行方案之間相互交叉的樞紐較少,僅能反映同一類型樞紐站點的關(guān)聯(lián)程度。因而在實際應(yīng)用過程中,利用相對客觀、較大樣本的手機數(shù)據(jù)能夠更好地反映樞紐組合的關(guān)聯(lián)性,進而確定受影響的樞紐群。

5 結(jié) 語

筆者基于手機信令數(shù)據(jù)、意向出行調(diào)查及客票信息等多源數(shù)據(jù),提出了城市群樞紐間多模式交通系統(tǒng)客流異常狀態(tài)的確定及影響范圍識別方法,針對節(jié)假日和突發(fā)大風(fēng)天氣情況,分析和檢測了京津冀城市群內(nèi)部樞紐間客流的異常聚集通道;就異常檢測結(jié)果與假定情況,結(jié)合樞紐群關(guān)聯(lián)分析得到所研究異常狀態(tài)的樞紐影響范圍。在實際發(fā)生相同異常情況時,影響范圍分析結(jié)果能夠有助于進行客流疏散方案決策和交通方式運營調(diào)度。筆者在對異常情況下乘客相關(guān)出行信息進行獲取時,由于手機數(shù)據(jù)時間范圍的限制,異常狀態(tài)類別較少,而利用多種異常時段下的手機數(shù)據(jù)能夠更真實地反映乘客選擇樞紐的關(guān)聯(lián)情況。