張鐵巖 高洪振 禚保玲 胡 倩

（青島市城市規(guī)劃設計研究院，青島 266071）

引言

公交客流出行調查難度較大，隨著公交IC卡收費系統(tǒng)和車輛運行調度管理系統(tǒng)的發(fā)展普及，產(chǎn)生了大量公交客流和車輛運行數(shù)據(jù)，基于IC卡數(shù)據(jù)的公交非集計分析手段在國內外各城市中得到廣泛研究和應用[1-3]，通過采用公交IC卡數(shù)據(jù)融合技術，推算整個公交系統(tǒng)乘客出行起訖點，可以更加準確掌握公交客流的時空分布特征及公交運力供需關系，同時也將節(jié)省大量人工調查時間和成本。

由于各城市在公交刷卡收費模式和車輛運行調度管理系統(tǒng)完善程度上存在差異，造成了IC卡數(shù)據(jù)分析方法差別較大。對于分段計價線路，乘客上下車均需要刷卡，通過關聯(lián)車輛GPS數(shù)據(jù)和簡單的聚類排序則可以得到完整公交出行鏈信息。而目前國內公交運行系統(tǒng)主要采用的是單一票制，乘客僅在上車時刷卡，且刷卡記錄本身不包含上、下車站點位置信息。

在公交系統(tǒng)的IC卡分析技術研究中，CHUKKA[1]提出前期數(shù)據(jù)處理質量對融合結果有重要影響；PAEZ[2]、TREPANIER[3]從公交底層數(shù)據(jù)存儲、IC卡數(shù)據(jù)深度應用角度對公交數(shù)據(jù)提出規(guī)范化要求；Chu[4]、LEE[5]、Barry[6]等人分布利用GPS數(shù)據(jù)和IC卡數(shù)據(jù)，提出融合分析方法；吳子嘯[7]以鄭州為例詳細闡述了公交數(shù)據(jù)與交通模型之間關系和應用；Takahiko[8]、馬曉磊[9]在公交IC卡分析中提出貝葉斯算法，以彌補信息缺失問題；陳紹輝等[10]利用禁忌搜索算法對系統(tǒng)偏差數(shù)據(jù)進行二次匹配，提升了匹配精度；劉文芳[11]、胡郁蔥[12]、吳祥國[13]、楊萬波[14]等人分別針對成都、廣州、重慶、佛山數(shù)據(jù)特點進行了針對性的分析研究；陳學武及其合作者[15-17]針對不同的數(shù)據(jù)場景，分別闡述了公交IC卡數(shù)據(jù)融合方法。

青島公交收費系統(tǒng)采用的是單一票制，同時擁有較為完善的GPS數(shù)據(jù)和運營調度數(shù)據(jù)，本文結合青島公交系統(tǒng)數(shù)據(jù)特點，上車站點識別方法采用IC卡數(shù)據(jù)與GPS數(shù)據(jù)關聯(lián)推算，下車站點識別方法采用出行鏈算法。并利用交通宏觀需求分析軟件EMME，對模型參數(shù)進行標定和交通分配，將分析結果與手機信令數(shù)據(jù)和建筑數(shù)據(jù)進行相關性分析，證明了結果有效性。

1 數(shù)據(jù)特征及分析流程

青島市公交IC數(shù)據(jù)主要字段包括線路名稱、卡號、刷卡時間、POS機編號、卡類型等，GPS數(shù)據(jù)主要字段包括線路名稱、車輛編號、到站時間、離站時間、站點編號。結合站點、車次信息表，將公交IC卡數(shù)據(jù)與GPS數(shù)據(jù)進行時間匹配，從而確定每位乘客上車刷卡線路和站點。本次采集公交數(shù)據(jù)為青島市2015年9月14日-20日一個完整周的IC卡和GPS數(shù)據(jù)，其中IC卡數(shù)據(jù)共計1361萬條記錄，日均記錄194萬條，平均每秒約22.5次刷卡記錄，共包含334條公交線路刷卡數(shù)據(jù)。GPS數(shù)據(jù)共計1396萬條記錄，日均記錄199萬條。公交IC卡刷卡數(shù)據(jù)樣表、公交GPS數(shù)據(jù)樣表分別見表1、表2。

為方便管理各類數(shù)據(jù)表，基礎數(shù)據(jù)存儲采用SQL Server、算法處理采用Python語言編程、交通分配采用EMME4中5.11模塊（Prepare for standard traffic or transit assignment）和5.31模塊（Standard transit assignment）。數(shù)據(jù)處理總流程如圖1所示。

上車站點推算流程如圖2所示，首先對GPS數(shù)據(jù)進行預處理，主要包括剔除重復報站、統(tǒng)一線路編號、規(guī)范時間格式及空值記錄清洗等工作，將處理好的公交車輛到離站位置信息表同IC卡數(shù)據(jù)按照車次和時間進行匹配，并記錄各線路原始刷卡量，進而對上車站點初始匹配數(shù)據(jù)再次進行數(shù)據(jù)清洗，包括剔除一次刷卡記錄數(shù)據(jù)，將數(shù)據(jù)按照卡號、時間排序，形成預處理后上車站點數(shù)據(jù)。

表1 公交IC卡刷卡數(shù)據(jù)樣表

表2 公交GPS數(shù)據(jù)樣表

圖1 數(shù)據(jù)處理流程

圖2 公交IC卡數(shù)據(jù)上車站點處理流程

下車站點推算采用的出行鏈算法，并且基于以下兩個假設條件：假設1：公交出行者第一次刷卡站點也是其當日出行終點；假設2：上一次刷卡線路中，離下一次刷卡上車站點最近的站即為上一次公交乘車下車點。

另外，對于換乘乘客來說，上一次公交乘車距離或路況不同會導致前后兩次刷卡時間差存在較大差異，單純采用兩次刷卡時間差或換乘距離作為判別換乘的約束參數(shù)，勢必會造成對部分長距離出行者誤判?；谝陨峡紤]，本文采用換乘距離和速度兩個約束參數(shù)作為換乘點判別參數(shù)。即作為換乘點需滿足兩個條件：上一次乘車的下車點和下一次乘車上車點距離應在一定閾值范圍內，用Δl表示；上一次乘車出行距離和前后兩次乘車刷卡時間差比值應在合理范圍內，公式表示為：

l/(T-Δt）≤v臨界

式中，l為上一次乘車距離，T為兩次乘車刷卡時間差，Δt為換乘等待時間，v臨界為速度閾值。

下車站點推算具體步驟如下：

（1）基于以上假設，將上車站點數(shù)據(jù)按卡號、時間排序后，每次提取同一卡號相鄰兩條刷卡記錄。

（2）根據(jù)下一條記錄上車點B，搜索上一條記錄中對應線路的最近站點A2，作為上一次乘車下車點，并計算上一條記錄中上車站點A1和站點B站點間距離lA1B。

（3）若lA1B＞Δl則無法判斷下車點，轉（5）。

（4）若lA1B≤Δl則計算上一次出行距離l，若l/(T-Δt）≤v臨界則標記為一次出行，否則標記為換乘點。

（5）重復上述操作，直至最后一條記錄。

公交IC卡數(shù)據(jù)下車站點處理流程如圖3所示。

圖3 公交IC卡數(shù)據(jù)下車站點處理流程

2 多源數(shù)據(jù)校驗

眾所周知，公交出行量與公交站點和線路布設關系密切，而在便捷公交出行條件下，則與該區(qū)域的建筑規(guī)模及人口、崗位數(shù)量有直接關系，基于以上理解，選取中心城區(qū)范圍內有公交站點的1平方公里網(wǎng)格聚合數(shù)據(jù)，與相同網(wǎng)格范圍內手機信令數(shù)據(jù)、建筑地塊數(shù)據(jù)進行相關性分析，對公交IC卡分析結果開展多源數(shù)據(jù)校驗。

青島市手機信令數(shù)據(jù)基于2015年9月數(shù)據(jù)分析結果[18]（與公交IC卡數(shù)據(jù)時間一致），信令數(shù)據(jù)字段包括手機號偽碼、手機號前七位、信息采集時間、LAC區(qū)號、基站編號、基站經(jīng)緯度；建筑數(shù)據(jù)為2015年青島市中心城區(qū)建筑地塊集合，共計14.9萬個建筑物，附帶建筑基底面積、層數(shù)、用地性質等屬性。

將青島市中心城區(qū)按照1km×1km網(wǎng)格劃分，分別統(tǒng)計各網(wǎng)格單元內公交IC卡乘降量、手機信令人口崗位數(shù)、建筑面積，并基于ArcGIS，采用自然斷點分級法（Natural Breaks），對比各指標整體空間分布特征，如圖4所示，各指標均總體呈現(xiàn)由南部沿海核心區(qū)向外圍遞減趨勢。

采用SPSS對上述網(wǎng)格數(shù)據(jù)指標進行Pearson 相關性分析，每類指標均包含576個有效樣本。結果表明：手機信令人口崗位數(shù)、建筑面積均與公交IC卡乘降量在0.01水平（雙側）上顯著相關，相關系數(shù)分別為0.778、0.736，屬于強正相關關系（表3），即手機信令人口崗位數(shù)或建筑面積越高，公交乘降量越高；反之，手機信令人口崗位數(shù)或建筑面積越低，公交乘降量越低（圖5）。通過對多源數(shù)據(jù)校驗表明：公交IC卡數(shù)據(jù)分析結果具有較高可信度，可以清晰反映城市人口分布、用地開發(fā)強度與公交客流規(guī)模關系，為精細化城市公交規(guī)劃、建設、管理提供科學決策依據(jù)。

圖4 青島中心城區(qū)1km網(wǎng)格公交乘降量、手機信令人口崗位、建筑面積空間分布

圖5 公交乘降量與手機信令人口崗位、建筑面積相關關系散點圖

表3 公交乘降量與手機信令人口崗位、建筑面積相關系數(shù)

表4 客流指標匯總

3 結果分析

工作日公交總體客流早高峰集中在7:20-8:20時段，占全日客流的12.3%；晚高峰集中在17:10-18:10，占全日客流的10.2%，晚高峰低于早高峰。學生卡和普通卡有明顯早晚高峰，符合通勤、通學的出行特點。普通卡刷卡量約占全部樣本的66%，決定了全部刷卡人口的總體趨勢。學生公交客運量占比最低，僅占總客運量的5%，受學生上下課時間制約，學生卡早高峰出現(xiàn)在6:30-7:30，明顯早于其他兩種卡類型，晚高峰出行時段在17:20-18:20，與普通卡時間疊加，且學生出行高度集中，早晚高峰兩個小時出行量占學生總出行量的50%，早晚高峰之間幾乎沒有出行。老年卡持有者出行時間聚集度低，且早高峰較滯后，晚高峰提前，說明老年人對出行時間要求較低，體現(xiàn)出老年人退休生活特點?？土髦笜藚R總見表4；工作日不同卡類型客運量變化如圖6所示。

圖6 工作日不同卡類型客運量變化

從公交客流集散量空間分布上看，東岸城區(qū)李村商圈、臺東商圈、火車站周邊、香港路沿線、四流路-人民路-威海路沿線、延安路沿線都是客流集散量比較大的區(qū)域；北岸城區(qū)集散量較大的區(qū)域集中在正陽路沿線和汽車北站周邊，但單個站點集散量明顯低于東岸城區(qū)。排名前十位公交站點日集散量均在3萬人次以上，其中最大的客流集散點為臺東，日集散量達5.2萬人次；其次是維客廣場，日集散量為5萬人次（圖7），公交客流集散點前十位見表5。

圖7 公交客流集散點空間分布（單位：次/日）

表5 排名前十位公交客流集散點

基于交通宏觀需求分析軟件EMME對公交OD進行交通流量分配，得到公交流量分布圖（圖8），東岸老城區(qū)內客流十分密集，由南向北客流量逐步減少，客流總體分布呈偏心輻射式。其中，遼陽路以北客流以南北向運動為主，遼陽路及以南客流東西向運動也很明顯；北岸城區(qū)內部公交客流以正陽路為中軸向外輻射；西岸城區(qū)受地理因素的影響，公交客流總體呈現(xiàn)側“U”型分布特點。

青島中心城區(qū)圍繞膠州灣分別形成東岸城區(qū)、北岸城區(qū)、西岸城區(qū)三大組團，同青島城市空間發(fā)展格局一致，常規(guī)公交在三大組團中自成體系。結合線網(wǎng)和站點布局發(fā)現(xiàn)：北岸城區(qū)建成區(qū)范圍線網(wǎng)密度為1.9 km/km2，高于西岸城區(qū)的1.5 km/km2，同時北岸城區(qū)300m半徑站點覆蓋率為50.8%，高于西岸城區(qū)的46.8%，可見北岸城區(qū)公交覆蓋水平高于西岸城區(qū)，且兩城區(qū)人口規(guī)模接近，但北岸城區(qū)公交客運量遠低于西岸城區(qū)，表明北岸城區(qū)公交出行比例仍處于較低水平（2015年公交方式結構僅為12.08%），公共交通在城市交通中的重要作用尚未得到很好的發(fā)揮。隨著機動化水平的快速提升，北岸城區(qū)要使城市交通可持續(xù)發(fā)展，需要進一步加強引導，強化居民公交出行理念，增強公交對居民出行的吸引力。

4 結束語

本文以青島市為例，介紹了公交IC卡數(shù)據(jù)融合分析方法，并對結果進行了校驗和展示。公交IC卡收費系統(tǒng)已經(jīng)在國內得到普及和應用，相對于傳統(tǒng)公交調查，基于該系統(tǒng)的數(shù)據(jù)融合分析技術，具有樣本量大、低成本見效快、長期持續(xù)檢測等優(yōu)勢。在對公交需求深入分析的基礎上，通過整合公共交通系統(tǒng)的路網(wǎng)、線路、站點及各類運營信息，對公共交通系統(tǒng)供需關系進行建模和仿真，尋找公交服務在時空上的薄弱環(huán)節(jié)，可以為線網(wǎng)規(guī)劃和優(yōu)化等實際工作提供決策支持。

圖8 公交客流分布圖