基于多源數(shù)據(jù)的公交出行特征分析

基于多源數(shù)據(jù)的公交出行特征分析

作為城市公共交通的重要組成部分，城市公交對解決城市交通問題、促進(jìn)城市可持續(xù)發(fā)展具有重要意義。在出行鏈方面，Scheiner等在公交數(shù)據(jù)挖掘方面，J.Barry等現(xiàn)有對出行鏈的研究主要集中在出行模式的選擇及影響因素的分析上，較少利用出行鏈對公交乘客出行特征進(jìn)行分析。在公交數(shù)據(jù)挖掘方面，少有將支付寶掃碼數(shù)據(jù)與傳統(tǒng)的IC卡刷卡數(shù)據(jù)進(jìn)行融合分析，這必然會(huì)影響數(shù)據(jù)的準(zhǔn)確性;另外，針對公交靜態(tài)數(shù)據(jù)的修復(fù)與整合處理，缺乏完整的理論方法。本文采用威海市公交IC卡刷卡數(shù)據(jù)、支付寶賬單數(shù)據(jù)及公交車智能調(diào)度信息數(shù)據(jù)，建立多源數(shù)據(jù)關(guān)聯(lián)匹配算法，提取乘客出行鏈并判斷乘客上下車站點(diǎn)，計(jì)算出各站點(diǎn)的上下車人數(shù)，以此為基礎(chǔ)對公交乘客的出行特征進(jìn)行分析總結(jié)。1文數(shù)據(jù)來源以威海市公交消費(fèi)數(shù)據(jù)(IC卡及支付寶)與車輛GPS數(shù)據(jù)為研究對象，選取部分線路對基礎(chǔ)數(shù)據(jù)進(jìn)行處理分析。本文數(shù)據(jù)來源為2019年2月威海市公交IC卡刷卡數(shù)據(jù)、支付寶掃碼數(shù)據(jù)及公交智能調(diào)度數(shù)據(jù)。數(shù)據(jù)包含約864輛公交車、143條公交線路信息(不含重復(fù)線路，包括快線、線路支線等)，涉及常規(guī)公交站點(diǎn)1230個(gè)。以上3種數(shù)據(jù)來自相互獨(dú)立的系統(tǒng)，但均需利用Pandas庫對其進(jìn)行轉(zhuǎn)換為可由SQLServer進(jìn)行關(guān)聯(lián)操作的格式。2數(shù)據(jù)預(yù)處理和初步分析2.1選取關(guān)鍵段作為分析對象公交消費(fèi)數(shù)據(jù)的預(yù)處理包括數(shù)據(jù)清理、時(shí)段分析、字段選擇等，支付寶賬單數(shù)據(jù)與IC卡數(shù)據(jù)預(yù)處理方法基本相同。分析時(shí)段以日為基本單位，以一周5個(gè)工作日作為整體分析對象，選取關(guān)鍵字段包括:消費(fèi)時(shí)間(CONSUMEDATE)、線路編號(LINEID)、卡號(L＿CARDNO)、公交編號(BUSID)等。智能調(diào)度數(shù)據(jù)記錄了公交車輛全天行車記錄的所有GPS數(shù)據(jù)，預(yù)處理步驟包括特征數(shù)據(jù)選取、字段選取及補(bǔ)增丟失數(shù)據(jù)。預(yù)處理后部分公交消費(fèi)數(shù)據(jù)見表1。2.2基于運(yùn)營數(shù)據(jù)的乘客出行時(shí)段特征以威海市公交7路、3路、K2路的消費(fèi)數(shù)據(jù)為例，對2019年2月27日(星期三)消費(fèi)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，取7:00—8:00為早高峰時(shí)段，17:00—18:00為晚高峰時(shí)段，其中各線路刷卡客流基本特征見表2，客流時(shí)段特征見圖1。公交消費(fèi)數(shù)據(jù)中記錄了乘客的乘車線路、乘車車輛等基本信息，通過分析表2數(shù)據(jù)及圖1中不同時(shí)段客流量可以看出:1)公交站點(diǎn)個(gè)數(shù)一般隨線路長度增加而增加，且平均站間距也會(huì)增加;2)乘客量與線路長度無必然聯(lián)系，在評價(jià)該指標(biāo)時(shí)需要結(jié)合線路實(shí)際情況來判斷;3)乘客量在早晚高峰時(shí)段占比最高，均在10%左右。3從公共交通鏈中提取資金3.1基于gps系統(tǒng)美國特征的卡系統(tǒng)差異正常情況下，公交乘客在上車過程中完成刷卡或掃碼動(dòng)作，但由于公交車實(shí)際到站時(shí)間與GPS記錄時(shí)間存在系統(tǒng)時(shí)差，需要通過不斷假設(shè)和判斷進(jìn)行修正。以IC卡系統(tǒng)為例，無論IC卡系統(tǒng)時(shí)間是早于或遲于GPS系統(tǒng)時(shí)間，都會(huì)使統(tǒng)計(jì)結(jié)果出現(xiàn)誤差，具體影響見圖2。因此，應(yīng)以智能調(diào)度系統(tǒng)的時(shí)間為基準(zhǔn)，通過不斷假設(shè)計(jì)算確定刷卡(掃碼)系統(tǒng)時(shí)間差，當(dāng)車站識別率最高時(shí)，認(rèn)為該時(shí)差即為系統(tǒng)實(shí)際時(shí)差;再通過消費(fèi)記錄時(shí)間以車輛時(shí)間進(jìn)行匹配從而判斷出站點(diǎn)，進(jìn)而統(tǒng)計(jì)出站點(diǎn)識別率。假設(shè)系統(tǒng)時(shí)差為:式中:Δt為系統(tǒng)時(shí)間差，s;T由式(1)可得修正后的系統(tǒng)記錄時(shí)間，其公式為:式中:ΔT上車站點(diǎn)判斷可利用時(shí)間匹配原理3.2乘客兩組乘客通過出行鏈匹配乘客公共交通出行鏈?zhǔn)且怨步煌ǚ绞綖橹饕鲂蟹绞酵瓿?次或多個(gè)連續(xù)的出行過程，強(qiáng)調(diào)出行的連接性。因此，本文采用公交出行鏈的定義為:按一定時(shí)間序列，居民乘車在時(shí)間和空間上前后銜接的公共交通線路出行過程。其特點(diǎn)為:居民在1d的出行過程中，至少乘坐了2次及以上的公共交通，乘客前1次乘車的下車時(shí)間一定早于后1次乘車的上車時(shí)間。當(dāng)乘客在1d的出行過程中有多個(gè)目的地，若按原路返回路線不再是抵達(dá)最終目的地后的最短路線，乘客將選擇其他距離短、行程簡單路線回家，即環(huán)形閉合式出行鏈，見圖3。對大部分公交出行者而言，其上車站點(diǎn)和下車站點(diǎn)總能相互轉(zhuǎn)換。若同一乘客連續(xù)2次乘坐方向相反的同一線路，則可認(rèn)為2次出行站點(diǎn)互為起始點(diǎn)。由已經(jīng)得到乘客上車站點(diǎn)為基礎(chǔ)，根據(jù)出行鏈理論對于乘客下車站點(diǎn)進(jìn)行判斷以得到完整的乘客公交出行鏈。2次及以下刷卡乘客占乘客總數(shù)的84.1%，基本能夠代表公交乘客的出行需求，在Pandas庫中進(jìn)行下車站點(diǎn)匹配，47821條數(shù)據(jù)中有35196條數(shù)據(jù)成功匹配，識別率達(dá)73.6%。而對于1次刷卡的乘客，分析其最近一段時(shí)間內(nèi)的乘車記錄可發(fā)現(xiàn):乘客在本次乘車線路下游方向的某一站點(diǎn)下車概率與乘客近期在該站點(diǎn)乘車次數(shù)成正比。42326條1次刷卡數(shù)據(jù)中有5738條數(shù)據(jù)得到匹配，部分乘客公交出行鏈見表4，計(jì)算可得當(dāng)前數(shù)據(jù)對下車站點(diǎn)識別成功的貢獻(xiàn)率為85.98%。4威海公共交通的特點(diǎn)分析4.1乘客出行時(shí)間和頻率威海市常規(guī)公交線路143條，常規(guī)公交站點(diǎn)1230個(gè)，基本上覆蓋全市主要區(qū)域、重要主次干道以及社區(qū)街道。選取2019年2月24日(周日)及2月25日(周一)威海市公交刷卡及掃碼記錄，按1h為1個(gè)時(shí)段進(jìn)行全體消費(fèi)次數(shù)統(tǒng)計(jì)分析。工作日消費(fèi)次數(shù)共計(jì)約206761次，其中7:00—8:00、17:00—18:00消費(fèi)次數(shù)均超過25000次，約占全天公交出行次數(shù)的23%，且出行目的較為單一，多為居民區(qū)到商業(yè)辦公區(qū);日間平峰時(shí)段消費(fèi)次數(shù)均在12000次/h左右，總體較為平穩(wěn)。非工作日消費(fèi)次數(shù)共計(jì)約183045次，客流總量明顯低于工作日，彈性出行較多且總體幅度平穩(wěn)，日間消費(fèi)次數(shù)均在14000次/h左右，具體分布見圖4。統(tǒng)計(jì)數(shù)據(jù)顯示，25日共有46719張公交IC卡和64833名手機(jī)支付寶賬戶被使用，刷卡和掃碼總次數(shù)分別為86351次與120410次，平均消費(fèi)次數(shù)為1.85次/人和1.86次/人。說明2種公交支付方式的公交乘客出行需求近似相等，且偏向于使用手機(jī)支付寶掃碼的乘客數(shù)居多，該日刷卡次數(shù)分布見表5。從表5可以看出，出行次數(shù)2次及其以下乘客占比約84%，出行次數(shù)4次及以上乘客總數(shù)量較低，不到10%，出行次數(shù)6次及以上的乘客比例極低，合計(jì)不到1%，說明威海市乘客出行過程中換乘需求較少，大部分乘客1次公交出行即可到達(dá)目的地。4.2乘客出行特征分析公交線路OD能夠反映該條線路各站點(diǎn)間的乘客出行需求，能夠作為單條公交線路運(yùn)營優(yōu)化調(diào)整的重要依據(jù)。公交線路OD是由消費(fèi)數(shù)據(jù)和GPS數(shù)據(jù)等信息相互匹配推導(dǎo)得出，但由于少量數(shù)據(jù)的不完整以及部分乘客使用現(xiàn)金，導(dǎo)致一些乘客的消費(fèi)記錄無法匹配。因此公交站點(diǎn)OD矩陣需進(jìn)行公交原始消費(fèi)數(shù)據(jù)和現(xiàn)金乘客2個(gè)方面的擴(kuò)樣，2類擴(kuò)樣系數(shù)推導(dǎo)見式(3)、式(4):式中:以1路公交車2月27日數(shù)據(jù)為例，通過實(shí)際調(diào)查，隨車記錄并統(tǒng)計(jì)各種支付方式所占比例，得到3次發(fā)車各站點(diǎn)上車總?cè)藬?shù)共287人，其中支付寶掃碼人數(shù)為166人，約占58%;刷卡人數(shù)為104人，約占36%;使用現(xiàn)金人數(shù)為17人，約占6%。在假設(shè)投幣乘客出行與刷卡及掃碼乘客出行完全一致的狀況下可計(jì)算得第1類擴(kuò)樣系數(shù)為1.367、第2類擴(kuò)樣系數(shù)為1.064。對數(shù)據(jù)進(jìn)行提取、轉(zhuǎn)換和擴(kuò)樣可獲取各公交站點(diǎn)的發(fā)生量和吸引量，線路見圖5，部分站點(diǎn)客流量見表6，站點(diǎn)上下車人數(shù)相關(guān)性見圖6。由圖6可知，站點(diǎn)全日上車人數(shù)與下車人數(shù)的相關(guān)系數(shù)為0.8101，擬合效果良好，各公交站點(diǎn)的發(fā)生量和吸引量呈正相關(guān)。證明本文所采用的方法推導(dǎo)出公交站間OD在各個(gè)站點(diǎn)的上下車人數(shù)基本達(dá)到平衡，與乘客出行特征相符。乘客出行的起訖點(diǎn)用發(fā)生點(diǎn)與吸引點(diǎn)表示，在發(fā)生點(diǎn)和吸引點(diǎn)產(chǎn)生的客流量為該站點(diǎn)的發(fā)生量和吸引量，即構(gòu)成站間OD矩陣。它既能在時(shí)間范圍內(nèi)反映乘客分散與聚集的分布特征，也能在空間范圍內(nèi)反映客流的流向，1路公交部分站間OD見表7。將高峰時(shí)段及全日的公交矩陣分別做出三維圖，從宏觀角度對不同出行模式和出行時(shí)間下的居民出行鏈進(jìn)行分析，還原公交乘客的出行行為，分析公交乘客的出行選擇，各時(shí)段的公交OD矩陣三維圖見圖7、圖8。對應(yīng)站間OD矩陣和三維圖分析可以得出，1路公交高峰期間區(qū)政府—北竹島、骨科醫(yī)院—實(shí)驗(yàn)中學(xué)、威高廣場—北竹島、威高廣場—藍(lán)灣怡庭、區(qū)政府—藍(lán)灣怡庭站間客流量較大，分別達(dá)29、25、32、25、29人次，符合高峰期車乘客出行特征，起訖點(diǎn)基本集中在居民區(qū)與商業(yè)辦公區(qū)之間;全日OD陣三維圖則表現(xiàn)為柱狀體高度分布較為平均，各個(gè)站點(diǎn)的客流量較為相似，符合全日內(nèi)公交出行目的較為多樣、起訖點(diǎn)相對分散的情況。5乘客出行目的出行規(guī)律分析本文將時(shí)下熱門的支付寶掃碼支付賬單納入數(shù)據(jù)樣本范圍進(jìn)行多源數(shù)據(jù)融合分析，以威海市1路車公交為例，分析其部分消費(fèi)數(shù)據(jù)，得出如下結(jié)論:1)在2種公交支付方式中，偏向于使用支付寶掃碼的乘客數(shù)量較多，但2種支付方式的公交乘客出行需求近似相等，且乘客出行過程中換乘需求較少，大部分乘客1