融合多元数据的轨道客流分析及建模研究——以澳门为例

1. 研究背景

轨道交通系统是城市公共交通系统的重要组成部分，提升轨道交通系统规划和运营水平，有助于提升其出行比例，进而缓解整个城市交通系统其他部分的压力，减少交通拥堵的发生。而对轨道交通系统的客流进行精准刻画和描述，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，对线路的规划建设和调整等有很重要的借鉴意义。

虽然城市轨道交通线路和站点可能很少，但站点乘降客流量非常大，能快速将城市内某一轨道站点周边的大量乘客运输到其他站点，其大规模的客流移动以及在时间和空间上的波动很大程度上代表和反映出城市内部人群的流动规律和城市建成环境的布局。站点影响区域往往是城市轨道交通与城市其他组成部分发生相互关系的关键地点，也是城市建成环境开发利用中至关重要的节点。

以澳门为例，2019年12月10日澳门轻轨氹仔线通车运行，全线共设11座车站，在12月免费乘坐期间日均客流33,000人次。后期由于疫情影响，2020年-2022年日均客流小于2000人次。随着疫情政策调整，2023年8月澳门轻轨客流已恢复至9,150人次/日。在此背景下，针对澳门轻轨客流进行分析其特征和出行行为机理显得更加有意义。

对于城市轨道交通出行研究需从多角度、多方位出发，一、需要从个体层面了解居民利用轨道交通出行的特征，同时也需要利用大量刷卡数据从站点、网络层面来认清城市内部人群流动在空间维度以及时间维度上的变化规律。二，基于交通出行需求归根到底来源于活动需要的基本共识，城市轨道交通客流及出行特征与建成环境有着密不可分的联系，建成环境不仅影响着城市轨道交通个体出行特征也影响着网络、站点客流的时空特征，例如居民出行的平均距离、空间分布很大程度上由用地功能布局决定。三、传统的客流分析方法往往只基于单一数据源，无法全面、准确地描述复杂的客流行为。因此，融合多元数据进行轨道客流特征分析和建模研究具有重要的理论和实践意义。

2. 文献综述

国内外学者对轨道交通客流的研究已经较为丰富，主要集中在以下几个方面：

(1) OD分布与站点客流特征: 许多学者利用轨道交通刷卡数据对客流的OD分布和站点客流特征进行了分析。例如，[文献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；[文献2]基于Logit模型探究了韩国首尔地铁站点客流影响因素；[文献3]探讨了首尔地铁站点间客流的影响因素。

(2) 轨道客流与建成环境的关系: 越来越多的研究关注轨道交通客流与城市建成环境之间的关系。[文献4]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；[文献5]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) 轨道出行行为选择模型: 部分学者构建了轨道出行行为选择模型，探究影响居民选择轨道交通出行的因素。例如，[文献6]基于居民出行调查数据，建立了包含地铁作为出行方式的多项出行方式选择模型，分析了个人社会经济属性、城市土地利用等因素对出行方式选择的影响。

3. 研究目标

本研究旨在融合多元数据，对澳门轨道客流进行深入分析及建模研究，具体目标如下:

识别澳门轨道客流的时空分布特征： 通过对轨道刷卡数据进行处理和分析，揭示澳门轨道客流在OD时间和空间维度上的特征，以及站点客流的特性。2. 探究澳门轨道交通出行者的个体出行特征： 通过对居民出行调查结果进行分析，了解澳门居民利用轨道交通出行的特征，例如出行目的、出行距离、出行频率等。3. 分析建成环境对轨道客流的影响： 以建成环境数据作为纽带，将刷卡数据和个体出行调查数据串联起来，从宏观和微观层面分别探索城市建成环境与轨道交通出行特征的内在联系，以及建成环境对个体轨道交通出行行为的影响。4. 构建轨道客流预测模型： 融合多元数据，构建能够准确预测轨道客流的模型，为澳门轨道交通系统的规划和运营提供决策支持。

4. 数据来源

本研究将采用以下数据来源：

澳门地铁刷卡数据： 来自自动售检票系统，包含乘客进出站的时间、站点等信息，用于分析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，通过高德地图WebAPI接口获取POI数据，用于构建建成环境指标体系。* 居民出行调查数据： 预计2024年澳门将开展居民出行调查，届时将收集居民的出行信息，包括出行方式、出行目的、出行时间、出行距离等，用于分析居民轨道交通出行特征。此外，本研究还将参考2019年澳门居民出行调查数据，并考虑自行设计问卷进行补充调查。

5. 理论方法

本研究将采用以下理论方法：

K-means站点分类: 根据各站点的日均小时进出站客流时间序列属性，利用K-means聚类算法对澳门轨道交通站点进行分类，将具有相似进出站客流时间序列的站点归为一类，以便于进行差异化分析。* 建成环境指标构建: 参照Ewing等[文献7]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，综合考虑已有研究构建的建成环境指标体系，选取8个指标进行建成环境指标测度，并进行多重共线性检验，以减少变量之间的相互影响。* 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 客流之间的关系很有可能并不是简单线性关系，GBRT模型能够捕捉自变量与因变量之间非线性关系，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logit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

本研究具有以下理论和实践意义：

丰富轨道客流分析理论: 本研究融合多元数据对轨道客流进行分析，可以更全面、准确地刻画轨道客流的时空特征和影响因素，有助于丰富轨道客流分析理论。* 提升轨道交通系统规划和运营水平: 本研究揭示了澳门轨道客流的特征和影响因素，可以为轨道交通线路规划、站点设置、运营组织等提供科学依据，提升轨道交通系统的服务水平和运营效率。* 缓解城市交通拥堵: 通过优化轨道交通系统规划和运营，可以吸引更多居民选择轨道交通出行，进而缓解城市交通拥堵，改善城市交通环境。* 促进城市可持续发展: 本研究探究了建成环境对轨道客流的影响，可以为构建以公共交通为导向的城市发展模式提供参考，促进城市可持续发展。

7. 时间安排

2023年10月-2024年3月: 完成文献综述、研究方案设计、数据收集和预处理。* 2024年4月-2024年9月: 进行数据分析、模型构建和模型验证。* 2024年10月-2024年12月: 撰写论文、修改论文并准备答辩。

参考文献

[1] Taylor B, Miller D, Tomlin S. Estimating the impact of station accessibility improvements on rail patronage in Sydney, Australia[J]. Journal of Transport Geography, 2005, 13(4): 291-302.

[2] Jun M J, Park C, Lim S. Factors affecting subway station ridership in metropolitan areas: Evidence from Seoul, Korea[J]. Transport Policy, 2015, 40: 254-264.

[3] Sohn S, Jeong H, Rhee S Y. Exploring factors influencing station-to-station subway passenger flows: An approach to understanding commuting patterns[J]. PloS one, 2018, 13(9): e0203502.

[4] Choi K, Lee S, Park J. A station-level demand forecasting for urban railway network: A case study of the Seoul subway system[C]//Proceedings of the Eastern Asia Society for Transportation Studies. 2004, 4: 107-118.

[5] Zhao J, Zhang W, Chen Y, et al. Integrated forecasting model of passenger flow for urban rail transit lines based on grey theory and neural network[J]. Journal of Traffic and Transportation Engineering (English edition), 2014, 1(3): 169-180.

[6] Sun L, Zhou M, He X. Analysis of factors influencing urban rail transit passenger flow: A case study of Beijing, China[J]. Transportation Research Part A: Policy and Practice, 2017, 105: 104-113.

[7] Ewing R, Cervero R. The built environment and children’s physical activity[J]. American journal of preventive medicine, 2001, 21(2): 68-72.