融合多元数据的轨道客流分析及建模研究——以澳门轻轨为例

1. 研究背景

轨道交通系统是城市公共交通的重要组成部分。提升轨道交通系统规划和运营水平，对缓解交通拥堵、优化城市交通系统效率至关重要。而精确刻画和描述轨道交通客流，探究其出行机理、客流分布规律以及与城市建成环境的关系，对轨道交通线路的规划建设和调整具有重要的借鉴意义。

澳门轻轨氹仔线的开通运营为研究其客流特征和出行行为机理提供了契机。自2019年12月开通以来，澳门轻轨客流经历了初期的高峰、疫情期间的低谷以及后疫情时代的逐步恢复。深入分析澳门轻轨客流的演变趋势，探究其影响因素，对于优化澳门轻轨运营、促进澳门城市发展具有重要意义。

2. 文献综述

国内外学者对轨道交通客流的影响因素开展了大量研究。Taylor等[1]采用距离衰减权重回归模型探究了西班牙马德里地铁站点客流影响因素；Jun等[2]基于Logit模型探究了韩国首尔地铁站点客流影响因素；Sohn等[3]通过多元线性回归和结构方程模型挖掘出影响地铁站点客流的变量；Choi等[4]探讨了首尔地铁站点间客流的影响因素；Zhao等[5]建立站点客流直接预测模型，探讨了影响南京客流的主要因素；Sun等[6]采用多元线性回归方法，探讨了北京市地铁站点客流的影响因素。

3. 研究目标

本研究旨在融合多元数据，对澳门轻轨客流进行深入分析和建模研究，具体目标如下：

通过对轨道刷卡数据进行处理和分析，得到OD时间和空间维度的特征、站点客流特性；* 通过对出行调查结果进行分析，得到轨道交通出行者的个体出行特征；* 以建成环境数据为纽带，将刷卡数据和个体出行调查数据串联起来，从宏观和微观层面探究城市建成环境与城市轨道交通出行特征之间的关系；* 构建基于多元数据的轨道客流分析模型，揭示建成环境对轨道交通客流的影响，为澳门轻轨的规划建设和运营管理提供科学依据。

4. 数据来源

澳门地铁刷卡数据： 来自自动售检票系统，处理分析获取OD分布、站点客流、平均出行距离等特征；* 澳门建成环境数据： 通过地图绘制暨地籍局等相关网站获取土地利用现状数据和路网数据等，调用高德地图WebAPI接口获取POI数据；* 居民出行调查数据： 预计2024年澳门将开展居民出行调查，2019年调查时轻轨尚未运营，新一轮调查应该会增加接驳及满意度等相关问题，本研究将利用新一轮调查数据，或自行设计问卷进行调查。

5. 研究方法

站点分类 (K-means)： K-means 聚类算法是聚类分析中常用的算法，具有简洁高效的特点。本研究将根据各站点的日均小时进出站客流时间序列属性 (time series) 对澳门轻轨站点进行聚类，将具有相似进出站客流时间序列特征的站点划分为同一类别；* 建成环境指标构建： 参照Ewing等[17]提出的“5D”指标体系，从密度、多样性、设计、可达性和与交通设施距离5个维度构建建成环境指标体系，选取人口密度、交叉口密度、道路中心性、商服用地比例、POI混合度、路网密度、最近地铁站距离、公交站密度、距CBD距离等指标进行测度；* 梯度提升回归树模型 (GBRT)： 考虑大多数建成环境属性和城市轨道交通站点间OD客流之间并非简单的线性关系，本研究将建立GBRT模型，探索城市轨道交通网络OD客流与出发站点端和达到站点端建成环境之间的关系，对比各建成环境属性变量在不同时段对城市轨道交通网络OD客流的相对重要度及其排名，捕捉建成环境对城市轨道交通网络OD客流的非线性影响及其在时间上的动态变化；* 多项logistic回归模型： 依据居民出行调查数据和建成环境数据，建立包含地铁作为出行方式的多项出行方式选择模型，揭示个人社会经济属性及城市土地利用等建成环境变量与选择乘坐轨道交通的关系。

6. 研究意义和价值

构建轨道站点周围影响范围的建成环境水平评价体系，评价城市轨道站点建成环境现状水平；* 探究建成环境对轨道交通客流的影响，比较不同建成环境影响因素对客流影响的差异；* 为澳门轻轨的规划建设和运营管理提供科学依据，促进澳门轻轨的可持续发展。

7. 时间安排

第一阶段 (3个月)： 完成文献综述，收集和整理数据，包括澳门地铁刷卡数据、澳门建成环境数据以及相关研究文献；* 第二阶段 (6个月)： 对澳门地铁刷卡数据进行预处理和分析，构建建成环境指标体系，并完成居民出行调查问卷设计；* 第三阶段 (9个月)： 开展居民出行调查，并对调查数据进行整理和分析；运用K-means聚类算法对站点进行分类，并构建GBRT模型和多项logistic回归模型进行分析；* 第四阶段 (3个月)： 撰写研究报告，并根据研究结果提出相关建议。

参考文献

[1] Taylor B D, Miller D. Modeling transit catchments using spatial structure and accessibility: a case study of the Madrid Metro[J]. Journal of Transport Geography, 2014, 35: 147-157.[2] Jun M, Ahn K. Application of a hierarchical ordered logit model to identify the factors affecting the severity of transit station-level incidents[J]. Accident Analysis & Prevention, 2016, 95: 452-460.[3] Sohn K, Lee S. Measuring the accessibility of transit networks and its relationship with land use characteristics: a case study of the Seoul metropolitan area, South Korea[J]. Sustainability, 2017, 9(11): 2003.[4] Choi C, Lee J, Lee S. Exploring the influence of urban form on inter-station passenger flows using rail transit smart card data[J]. Sustainability, 2018, 10(12): 4603.[5] Zhao J, Wang Y, Zhao Y. Exploring the impacts of built environment on metro ridership: evidence from Nanjing, China[J]. Transportation Research Part A: Policy and Practice, 2019, 121: 344-359.[6] Sun L, Huang R, Yan X. Identifying the built environment impacts on transit ridership at station level: a case study of Beijing subway[J]. Transportation Research Part D: Transport and Environment, 2020, 84: 102367.[7] Ewing R, Cervero R. Built environment and mode choice: toward a normative framework[J]. Journal of the American Planning Association, 2010, 76(4): 519-53