多模式網絡公交OD矩陣的一種推算方法

作者簡介： 張毅（1978-），男，高級工程師，博士研究生，研究方向為交通規劃管理，E-mail：zhangyi@shenhua.cc

文章編號： 0258-2724（2013）03-0520-05DOI： 10.3969/j.issn.0258-2724.2013.03.020

摘要：

為了分析軌道交通對常規公交乘客選擇出行方式的影響，用Dijkstra算法尋找出行時間最短的路徑，在此基礎上，以出行時間最短作為出行方式選擇的規劃目標，使用MATLAB軟件，設計了軌道交通影響下的常規公交客流量OD矩陣的算法.與傳統的重力模型相比，避免了估計阻抗系數的復雜過程.算例結果表明：為了換乘軌道交通， 43.7%的公交站客流量增至軌道交通出現前的2.73倍； 56.3%的公交客流量被軌道交通替代.

關鍵詞：

OD矩陣；常規公交；城市軌道交通；出行時間

中圖分類號： U491文獻標志碼： A

目前常規公共交通客流的預測主要基于以下思路：首先是出行發生預測；其次是出行分布預測；然后是出行方式劃分預測；最后是出行分配預測.文獻[1]認為公交客流預測是公共交通規劃的基礎工作.文獻[2]研究了多路徑概率分配與容量限制分配相結合的公交客流分配算法.文獻[3]參考路段斷面車流量推算方法來推算公交客流的OD分布.文獻[4]在城市道路交通均衡配流模型的基礎上，探討了公交網絡的均衡原則，提出了一種較為簡單的城市公共交通網絡設計方法，并給出公交網絡配流問題的均衡模型及求解算法.文獻[5]利用雙層規劃模型分析了公交網絡連續平衡配流模型及算法.文獻[6]在超級路徑概念的基礎上，描述了城市公交網絡的系統特征，分析擁擠條件下乘客選擇路線的原則和不確定因素的影響，提出了阻抗函數，給出一個隨機用戶平衡配流模型，并用遺傳算法求解.

文獻[7]提出了一種基于四階段法的軌道交通客流預測方法.文獻[8]提出了一種綜合BP網絡與灰色系統的公交客流量預測模型.

神經網絡方法也在公交客流預測方面得到了廣泛應用[9-11].應用神經網絡方法，將歷史客流數據作為時間序列數據，進行網絡訓練并得到相應的模型.但如同神經網絡自身的黑箱缺陷一樣，無法刻畫公交網絡環境的改變和乘客的出行特征.另一種廣泛使用的方法是通過研究OD矩陣的性質，進而推算公交客流OD矩陣[12-14].但這類方法主要是建立在數據統計模型基礎上，也無法解釋乘客的出行決策行為.

近期一些高科技技術也應用于公交客流預測.文獻[15]提出了利用移動定位技術獲取公交客流OD矩陣的思路，闡述了基于手機定位技術的公交客流OD矩陣數據的獲取方法及步驟.文獻[16]針對現有公交客流OD矩陣數據調查成本高、數據不可靠、影響因素考慮不全等問題，通過對公交IC卡信息的處理獲得公交站上下乘客人數，并對公交乘客的出行特征進行分析，結合站點吸引率，提出了單條公交線路站點之間OD矩陣反推結構化算法.

綜上所述，當前對公交客流OD數據的研究，主要是基于單一的公交線網路，而目前我國很多城市都已開通或正在建設軌道交通.由于軌道交通的出現，必須重新對常規公交在城市公共交通系統中的功能進行定位，尤其是那些直接受到軌道交通影響的區域.因此，必須重新規劃調整常規公交線網，充分發揮整個城市公共交通系統的效能.公交線網優化調整的基礎工作就是對公交客流OD數據進行科學可靠的預測.目前，關于考慮軌道交通對常規公交客流分布的影響尚未得到足夠的重視，本文以最短出行時間為目標，研究軌道交通對常規公交客流OD數據變化的影響，以便為常規公交線網的優化調整提供科學的依據.

1

軌道交通對常規公交客流的影響

公交客流預測及分配技術是公交線網優化的重要組成部分，也是對公交網絡進行優化配置的基礎.軌道交通與常規公交線網的關系有3種情況： （1） 常規公交與軌道交通基本共線；（2） 常規公交與軌道交通基本平行；（3） 軌道交通與常規公交存在交叉關系.在上述情況下，軌道交通都會對選擇常規公交的客流產生重要影響.

情況（1）可能會導致直接選擇軌道交通作為常規公交的替代出行方式.對情況（2）可考慮常規公交-軌道交通-常規公交換乘方式，為減少總出行時間，也可能考慮選擇軌道交通.對情況（3），可能同樣為了選擇軌道交通，而不得不選擇一個到達軌道交通且與之相交的公交線路.作為有財政補貼的城市公交系統，其費用較低，因此，本文在分析人們選擇出行交通方式時，暫不考慮費用因素，主要考慮出行時間.

軌道交通的出現，除了改變以前常規公交客流的分配外，還可能吸引新的客流選擇常規公交.例如，原先選擇自駕車（或自行車）出行的人，可能選擇乘公交車，然后換乘軌道交通到達目的地，或者選擇軌道交通再換乘常規公交方式.甚至原來出行次數較少的人，可能會增加出行次數等.這些都會影響常規公交和軌道交通客流數據的變化.

軌道交通的快捷性促使人們對原來的出行方式（公交、自駕車或自行車等交通方式）和出行線路重新進行選擇和規劃，規劃目標是出行時間最短.

2

公交客流變化預測

可以通過傳統的調查統計方法獲取新的公交客流量OD矩陣，但是這樣既費時，也未必能獲得準確的結果.尤其是在軌道交通尚未開始營運前，不能通過調查得到相關數據.所以，本文提出基于原公交客流OD矩陣數據，結合軌道交通對出行特征的改變（出行時間的減少、換乘次數的減少），以縮短出行時間為決策目標重新規劃最優出行線路，得到新的公交客流OD矩陣.

3

算法與算例

對圖1所示公交線路進行了算例分析.先設定沒有出現軌道交通之前的公交OD矩陣，通過上述算法可以得到軌道交通出現后的公交OD矩陣.最終的計算結果顯示，一些站點的OD客流量值大幅度增加，說明該站點是重要的換乘站點，計算結果表明， 43.7%的公交站點客流量增至軌道交通出現前的2.73倍.而一些站點的OD客流量大幅度減少，甚至為0，有56.3%公交客流量被軌道交通代替，所以公交公司應該減少相應站點的運營車輛，對那些換乘軌道交通客流量較大的公交站點增加運營車輛.

軌道交通出現前，已通過客流調查獲得了常規公交的客流OD矩陣數據.當軌道交通出現后，對公共交通出行的OD客流預測，目前比較通用的方法是四階段法[17]，其步驟如下：（1） 預測客流發生量和吸引量；（2） 建立客流分布模型；（3） 預測各交通方式分擔客流量；（4） 建立軌道交通與常規公交換乘客流預測模型.

4

結束語

在考慮軌道交通出現后，基于最小出行時間的目標調整，對常規公交客流的變化進行了分析.通過算例分析結果顯示，在軌道交通的一些重要換乘點，通過公交到達的出行人數會大幅度增加.同時，在軌道交通可以到達的一些站點，選擇公交到達的出行人數會大幅度減少.根據此變化趨勢調整公交線路和發車頻率，以便進一步配合軌道交通對常規公交線路進行規劃調整.

為了簡化問題，本文未考慮換乘花費時間帶來的影響.實際上，出行時間最短未必是乘車人的唯一決策目標.因此，在后續研究中可結合個人的換乘偏好和效用感受，對文中提出的算法進行修正，并進行實證檢驗.

參考文獻：

[1]王煒. 城市交通工程應用技術研究[M]. 南京：東南大學出版社，1996： 117-119.

[2]孫愛充. 公交客流預測方法研究[J]. 城市交通，1996（6）： 32-33.

SUN Aichong. Research on forecasting methods of bus passenger flow[J]. Urban Transportation， 1996（6）： 32-33.

[3]四兵鋒，高自友. 城市公交網路均衡配流模型及算法的研究[J]. 公路交通科技，1998，15（3）： 41-44.

SI Bingfeng， GAO Ziyou. A study on the equilibrium assignment model and algorithm for urban transit network[J]. Journal of Highway and Transportation Research and Development， 1998， 15（3）： 41-44.

[4]宋一凡，高自友. 連續平衡網絡設計問題的雙層規劃模型及其求解算法[J]. 公路交通科技，1999，16（1）： 40-43.

SONG Yifan， GAO Ziyou. A bi-level programming model and solution algorithm for the continuous equilibrium network design problem[J]. Journal of Highway and Transportation Research and Development， 1999， 16（1）： 40-43.

[5]姜虹，高自友. 用遺傳算法求解擁擠條件下的公共交通隨機用戶平衡配流模型[J]. 公路交通科技，2000，17（2）： 37-41.

JIANG Hon， GAO Ziyou. Genetic algorithm for solving a stochastic user equilibrium assignment model of congested transit network[J]. Journal of Highway and Transportation Research and Development， 2000， 17（2）： 37-41.

[6]過秀成，王煒，呂慎. 基于合作競爭類OD的軌道客流預測方法研究[J]. 公路交通科技，2000，17（4）： 57-63.

GUO Xiucheng， WANG Wei， L Shen. Study on URTs forecast model on co-operant and competitive OD matrix[J]. Journal of Highway and Transportation Research and Development， 2000， 17（4）： 57-63.

[7]呂慎，過秀成. 軌道線網客流預測方法研究[J]. 系統工程理論與實踐，2001（8）： 106-110.

L Shen， GUO Xiucheng. Method of the URTs passenger flow forecast[J]. Systems Engineering： Theory and Practice， 2001（8）： 106-110.

[8]范海雁，范炳全，張林峰. 灰色BP網絡預測方法在公交客流預測中的應用[J]. 上海理工大學學報，2003，25（1）： 25-28.

FAN Haiyan， FAN Bingquan， ZHANG Linfeng. The application of gray-BP networks method in the passenger volume forecast[J]. Journal of University of Shanghai for Science and Technology， 2003， 25（1）： 25-28.

[9]劉靜，李亮，關偉，等. 基于神經網絡的北京環路交通流短期預測研究[J]. 交通運輸系統工程與信息學報，2005，5（6）： 110-115.

LIU Jing， LI Liang， GUAN Wei， et al. Short term prediction of traffic flow in Beijing ring road based on neural network[J]. Communication and Transportation Systems Engineering and Information， 2005， 5（6）： 110-115.

[10]姜平，石琴，陳無畏，等. 基于Elman型回歸神經網絡的公交客流預測[J]. 合肥工業大學學報，2008，31（3）： 340-342.

JIANG Ping， SHI Qin， CHEN Wuwei， et al. Prediction of passenger volume based on Elman type recurrent neural network[J]. Journal of Hefei University of Technology， 2008， 31（3）： 340-342.

[11]夏志浩，王勝奎. 用公交車站上下客數推算公交OD分布的方法[J]. 四川聯合大學學報：工程科學版，1997，1（2）： 42-48.

XIA Zhihao， WANG Shengkui. Estimating OD matrices of public transport system from observed passenger flows[J]. Journal of Sichuan Union University： Engineering Science Edition， 1997， 1（2）： 42-48.

[12]劉翠，陳洪仁. 公交線路客流OD矩陣推算方法研究[J]. 城市交通，2007，15（4）： 81-84.

LIU Cui， CHEN Hongren. Study on OD matrix estimation of transit passenger flows[J]. Urban Transportation， 2007， 15（4）： 81-84.

[13]任其亮，彭其源，謝小凇，等. 公交客流OD矩陣反推法[J]. 交通運輸工程與信息學報，2006，4（3）： 75-79.

REN Qiliang， PENG Qiyuan， XIE Xiaosong， et al. A reversal reckon method of OD matrix of public traffic passenger flow[J]. Communication and Transportation Systems Engineering and Information， 2006， 4（3）： 75-79.

[14]陳素平，陳學武，楊敏. 基于小票法的公交線路客流OD分析方法[J]. 交通信息與安全，2009，27（1）： 11-14.

CHEN Suping， CHEN Xuewu， YANG Min. OD matrix of transit passenger flow based on note survey[J]. Journal of Transport Information and Safety， 2009， 27（1）： 11-14.

[15]鄒亮，張孜，朱玲湘. 基于手機定位的公交OD獲取方法研究[J]. 交通信息與安全，2011，29（5）： 122-126.

ZOU Liang， ZHANG Zi， ZHU Lingxiang. Public transportation OD data collection based on mobile location technology[J]. Journal of Transport Information and Safety， 2011， 29（5）： 122-126.

[16]劉穎杰，靳文舟，康凱. 基于IC信息和概率理論的公交OD反推方法[J]. 公路與汽運，2010（3）： 31-33.

LIU Yingjie， JIN Wenzhou， KANG Kai. Transport OD matrix approach based IC information and probability theory[J]. Highways and Automotive Applications， 2010（3）： 31-33.

[17]吳友梅. 城市軌道交通與地面常規公交換乘客流預測模型研究[J]. 城市公共交通，2005（11）： 30-33.

WU Youmei. Study of forecast modeling for transit passenger how between urban rail transport and conventional public transit[J]. Urban Public Transport， 2005（11）： 30-33.