城市軌道交通網絡客流大數據可視化

江志彬，劉 偉，韓彥釗，陳菁菁

(1.同濟大學交通運輸工程學院，道路與交通工程教育部重點實驗室，上海201804；2.上海申通地鐵集團有限公司技術中心，上海201103)

0 引言

客流分析是城市軌道交通安全、可靠運營的基礎，對網絡客流特征以及演變規律的精確把握可以為制定科學的行車與客運組織方案提供決策依據，也可以為網絡客流特征分析與趨勢預警預測提供參考。對于城市軌道交通網絡而言，客流是指單位時間內軌道交通線路上乘客流動人數和流動方向的綜合，軌道交通網絡客流是一種動態流，分布與變化隨時間和空間的不同而各異。根據客流時間分布特征，軌道交通客流分為5 min客流、1 h客流、日客流、月客流和年客流等[1]?？土鞯目臻g分布主要分為車站客流、換乘客流、斷面客流、站間OD客流、線路和網絡客流等[2]。

隨著城市軌道交通網絡客流規?？焖僭鲩L，網絡層面的客流分析難度越來越大。以上海市為例，截至2015年10月，其軌道交通網絡運營里程已達548 km，車站數達337座，每日自動售檢票(AFC)系統采集的原始交易OD對數據近500萬條，其存儲容量接近1 GB。每日運營結束后，AFC系統會根據清分模型對客流數據進行計算，并得到最小單位為5 min的網絡分時斷面、進出站、換乘等客流數據，然后通過Excel報表的形式輸出。同時AFC系統會借助餅圖、柱狀圖、折線圖等較為簡單的二維圖形對客流進行輔助分析[3-4]。既有的客流分析對乘客在時間與空間上出行規律的宏觀與微觀結合不足，也很少從客流信息多源性、多維度性和時變性等特征進行綜合考慮，因此分析結果對于日常運營決策支持有限。

事實上，城市軌道交通網絡客流信息隱含豐富的乘客出行規律和特征，如何從海量乘客歷史出行大數據中提取與挖掘有價值的信息，為運營者提供決策是值得研究的課題。當前，大數據已成為新興學術研究熱點，并被認為是繼云計算和物聯網之后又一個革命性信息技術[5]。大數據可視化分析是從人作為分析主體和需求主體的角度出發，強調基于人機交互、符合人認知規律的分析方法，意圖將人所具備、機器并不擅長的認知能力融入分析過程中[6]。通過對客流大數據以直觀可視化圖形形式展示，將人的知識引入數據分析中，讓用戶能夠根據自身認知去分析客流數據，在分析過程中實現人機之間交互，以獲得洞察大規模復雜客流數據的能力[7-8]。

本文基于城市軌道交通網絡實際運營需求，從客流認知、可視化、人機交互的綜合視角出發，基于GIS地圖、網絡遷徙圖、日歷圖、散點圖、弦圖等可視化圖形，研究大規模復雜網絡OD客流，斷面、進出站和換乘客流大數據可視化的運營需求關鍵技術與實現方法，并以上海市城市軌道交通網絡為實例進行分析。

1 城市軌道交通網絡OD客流可視化

OD客流是客流指標計算的基礎，也是制定開行方案的主要依據[9]。OD客流帶有空間(起訖點)和時間(出發時刻和到達時刻)雙重特征，空間上分為車站間OD、線路間OD、車站至線路之間匯總的OD，以及區域間OD等類型，其數據量可用絕對量或相對比例來描述。OD數據具有多種屬性，結構復雜且數據量龐大。網絡OD客流可視化的主要目的是基于OD客流的復雜性、多樣性特點，從宏觀與微觀兩個層面掌握網絡OD的時空分布(如最大OD發生在哪些車站之間、客流在時間上的流向)以及主要出行OD與時間分布(最大OD發生在哪些車站、哪個時段以及客流來源與去向等)。

1.1 網絡OD時空分布

乘客出行實際上是發生在空間上的一種遷徙行為。結合實際地圖坐標信息的遷徙圖可以很好地描述乘客出行過程，“百度遷徙”就是其中一個最為成功的應用案例?！鞍俣冗w徙”利用百度地圖LBS(基于地理位置的服務)開放平臺、百度天眼，對其擁有的LBS大數據進行計算分析，并采用創新可視化呈現方式，在業界首次實現了全程、動態、即時、直觀地展現中國春節前后人口大遷徙軌跡與特征，從推出開始就受到廣泛關注[10]。目前，百度也開放了模擬遷徙功能的Echarts控件[11]，基于該控件，結合城市軌道交通網絡實際地圖坐標信息，同時基于對海量OD客流數據的加工與處理，最終可以展示客流在網絡上的時空分布。圖1a和圖1b分別展示了上海市軌道交通網絡2015年某日(星期四)早高峰(7:30—9:30)和晚高峰(17:30—19:30)的OD客流分布。圖中藍色線表示OD量大于100的所有OD對，線的粗細與OD量成正比，彩色加粗線為網絡最大的20個OD對，顏色越紅表示OD量越大。圖1可以直觀展現網絡上主要OD位置、OD量以及早高峰向心性和晚高峰離心性等特征。

1.2 網絡中主要出行OD與時間分布

基于圖1的宏觀分析，通過遷徙圖進一步分析主要車站OD客流的來源與去向分布。圖2a和圖2b分別為2015年某日(星期四)上海市地鐵徐家匯站早高峰(7:30—9:30)所有出發與到達OD客流分布。圖中藍色線表示發生OD對，線的粗細對應OD量，彩色加粗為最大的10個OD對，顏色越紅表示OD量越大。圖2直觀展現了徐家匯站在早高峰時段OD主要來向與去向特征。由于徐家匯站是一個商業中心，客流以通勤為主，因此可以明顯看出早高峰時段到達量遠大于出發量。

2 網絡斷面客流可視化

斷面客流是指在單位時間內通過軌道交通線路某一區間的客流量。對于斷面客流特征把握，既需要展現其在不同時段(早晚高峰)、不同時期(工作日、雙休日與節假日)的差異性，又要體現其在發生位置與發生方向(上下行)的差異性[12]?；诜治瞿康牟煌?，斷面客流可視化可以通過斷面絕對量與斷面滿載率兩個指標來展現，斷面絕對量主要反映不同位置與方向上的客流量，而滿載率是結合列車能力的綜合性指標，反映列車擁擠程度。

2.1 基于日期變化的網絡斷面客流可視化分析

對于同一線路，其最大斷面客流量在時間上存在較大差異，這種差異性既體現在一天中不同時段上，還體現在一段時期內不同日期上。傳統的分析方法均把這兩種特征進行獨立分析，很難掌握客流在不同日期和不同時段的變化規律[13]?；诖髷祿姆治鼋Y果，將甘特圖與日歷圖進行綜合展示[7]，可以實現對斷面客流不同時段與不同日期的對比。圖3展示了上海市某軌道交通線2015年5月的分時最大斷面客流量日歷圖。在傳統日歷格式基礎上，圖3融入分時條狀圖，通過條狀元素顏色深淺描述分時最大斷面客流量。該線路工作日最大斷面客流量在時間上具有兩個峰值，分別是7:00—10:00以及17:00—19:00；周末斷面客流比較均衡，起伏不明顯，但在節假日期間斷面較一般周末要大，且有一定的峰期。因此，運營管理者可以通過這類可視化圖表完成對基于時間特性客流的對比分析，從而得出一定的周期性變化規律。

2.2 基于空間差異的斷面客流可視化分析

圖1 基于遷徙圖的軌道交通網絡OD分布Fig.1 OD distribution of rail transit network based on migration map

圖2 基于遷徙圖的軌道交通車站(徐家匯站)出發與到達OD分布Fig.2 OD distribution of entering/departing rail transit stations(Xujiahui Station)based on migration map

斷面客流分析既要展現網絡各斷面在不同空間上的差異性，還要展現同一區間在不同方向的差異性。融合地圖GIS信息與區間動態遷徙的組合圖，將每條線路按方向虛擬成兩條線路，并且將分方向線路的車站映射到GIS地圖上，用車站節點間連接線來表示斷面，動畫遷徙過程表示方向，用連接線的顏色深淺表示斷面絕對量或滿載率。圖4是上海市軌道交通2014年某日(星期五)早高峰(09:00—09:05)、平峰(13:00—13:05)以及晚高峰(19:00—19:05)的網絡5 min分方向(上下行)斷面客流量。可以看出，工作日早高峰向市區方向的斷面客流量較大，離開市區方向的斷面客流量較小，而晚高峰情況則相反，平峰時上下行斷面客流量較小且均衡。這類可視化分析圖充分結合了網絡斷面客流的空間與時間特征，可以輔助運營管理者從宏觀、微觀層面全面了解斷面客流的分布規律。

需要指出的是，在圖4的基礎上，可以將斷面客流數據中的時間變量映射到動畫的時間軸上，實現通過控制時間軸來觀察各個時段內各個斷面客流變化，也可將不同時段的圖形生成動畫或視頻文件。這種動態可視化分析可以直觀地展示網絡斷面客流隨時間演變規律，對于優化列車開行方案與客流組織方案具有重要參考價值。

圖3 基于甘特圖與日歷圖相結合的單月分時最大斷面客流量Fig.3 Hourly largest passenger volume in a month based on Gantt chart and calendar map

圖4 基于空間特性的網絡斷面客流可視化展示Fig.4 Visualized presentation of network passenger volume based on spatial characteristics

3 進出站客流可視化

進出站客流是指單位時間內在軌道交通車站進出的客流總量。對于網絡進出站客流的分析主要是空間與時間特性的展現[14]。散點圖是數據點在坐標系平面上的分布圖，可以將散點圖與地理坐標系相結合，借助散點和地理地圖表達車站及其所處的空間位置。圖5為2014年某日(星期五)上海市軌道交通工作日進出站客流分布，分別為早高峰(7:30—9:30)、晚高峰(17:30—19:30)時的進出站客流情況，點的顏色深淺代表車站客流量大小?？梢钥闯?，早高峰時段郊區車站的進站量較大，市區車站(如人民廣場、陸家嘴等)的出站量最大，而晚高峰恰好相反。通過這類圖表可以分析進出站客流在時間與空間上的分布規律，為制定合理的停站方案與客流組織方案提供決策依據。

另外，在分析進站量和出站量的差異性時，將進出站匯總到同一圖形中更有利于從全局上把握不同空間車站的進出站特征，利用餅圖替換圖5中的各個散點(圓圈大小表示進出站總量)，可以實現進出站量在網絡上的宏觀表現(見圖6)。

圖5 基于散點圖的軌道交通網絡早晚高峰進出站客流量Fig.5 Passenger volume entering/departing rail transit stations during morning and afternoon peak hour based on scatter plot

圖6 軌道交通車站早高峰進出站客流量比例Fig.6 Proportion of passenger volume of entering/departing rail transit stations during morning peak hours

4 換乘客流可視化

換乘站是城市軌道交通網絡中的重要節點，各車站的換乘客流總量也可以采用類似圖5的散點圖表示。但是對于換乘客流分析更為重要的是如何清晰地展現不同換乘方向上的換乘量[15-16]。換乘站在不同線路之間的換乘方向與該站銜接的線路數量有關，如2條線換乘站共有8個方向，3條線換乘站共有24個方向，而4條線換乘多達48個方向。既有的研究成果對換乘方向的表達大多是通過表格的形式進行描述，過于抽象且不直觀。弦圖是以圓和弦為基礎的圖形表達方式，可以將換乘方向映射成弦圖中的弧線，同時借助弧線顏色、粗細來反映換乘方向上的客流量大小。圓外的箭頭方向指代線路的上下行方向，在內部通過弧線連接各線路，從而實現對不同線路、不同方向間的換乘關系表達。

圖7展示了上海市軌道交通南京東路站和人民廣場站2014年某日(星期五)9:00—9:05的換乘客流量。通過弧線的顏色和粗細可以清晰地看出人民廣場站8號線上行換1號線下行、8號線上行換1號線上行、1號線下行換2號線上行方向的換乘客流量較大。該類圖的最大優點是能適應不同的銜接線路數量，且有助于運營管理人員快速掌握各個方向換乘量大小及站內換乘客流分布，為制定合理客流組織方案與設施設備優化方案提供決策依據。

5 結語

可視化分析是大數據分析的重要方法，它利用人對可視化信息的強大認知分析能力，將其與計算機的高效數據處理能力相結合，彌補了傳統統計分析在客流宏觀與微觀多層次綜合展現方面的不足。本文從城市軌道交通運營管理者的實際需求出發，探討了可視化分析在城市軌道交通客流大數據分析與展示的運營需求、關鍵技術以及實現方法，對于運營管理人員輔助分析客流特征、優化行車與客運組織方案提供依據。但是基于大數據的可視化分析在城市軌道交通系統客流分析中的應用仍處于初步探索階段，在數據挖掘、圖形表達，尤其是對于動態多維度客流數據的可視化分析與展示技術還值得進一步深入探討。

圖7 軌道交通多線換乘站換乘關系Fig.7 Transfer relationships among multiple lines of rail transit

參考文獻：

[1]杜世敏，鄭宇，江志彬.客流數據在城市軌道交通網絡化運營組織中的應用[J].城市軌道交通研究，2010，13(6)：71-74.Du Shimin,Zheng Yu,Jiang Zhibin.Application of Passenger Flow Data on Urban Rail Transit Network Operation[J].Urban Mass Transit,2010,13(6):71-74.

[2]李偉，周峰，朱煒，等.軌道交通網絡客流大數據可視化研究[J].中國鐵路，2015(2)：94-98.

[3]Jiang Zhibin,Hsu C H,Zhang Daqiang,et al.Evaluating Rail Transit Timetable Using Big Passengers'Data[J].Journal of Computer and System Sciences,2016,82(1,Part B):144-155.

[4]Jiang Zhibin,Xie Chao,Ji Tingting,et al.Dwell Time Modeling and Optimized Simulations for Crowded Rail Transit Lines Based on Train Capacity[J].PROMET:Traffic&Transportation,2015,27(2):125-135.

[5]程學旗，靳小龍，王元卓，等.大數據系統和分析技術綜述[J].軟件學報，2014，25(9)：1889-1908.Cheng Xueqi,Jin Xiaolong,Wang Yuanzhuo,et al.Survey on Big Data System and Analytic Technology[J].Journal of Software,2014,25(9):1889-1908.

[6]任磊，杜一，馬帥，等.大數據可視分析綜述[J].軟件學報，2014，25(9)：1909-1936.Ren Lei,Du Yi,Ma Shuai,et al.VisualAnalytics Towards Big Data[J].Journal of Software,2014,25(9):1909-1936.

[7]Jiang Xiaorui,Zheng Chunyi,Tian Ya,et al.Large-Scale Taxi O/D Visual Analytics for Understanding Metropolitan Human Movement Patterns[J].Journal of Visualization,2015,18(2):185-200.

[8]Zeng Wei,Fu Chiwing,Mueller A S,et al.Visualizing Mobility of Public Transportation System[J].IEEE Transactions on Visualization and Computer Graphics,2014,20(12):1833-1842.

[9]江志彬，季婷婷.基于客流影響的城市軌道交通列車運行調整策略[J].城市軌道交通研究，2014，17(1)：39-42.Jiang Zhibin,Ji Tingting.URT Train Regulation Strategy Based on Passenger Flow Influence[J].Urban Mass Transit,2014,17(1):39-42.

[10]百度.百度地圖遷徙人氣[EB/OL].2015[2015-12-01].http://qianxi.baidu.com/.

[11]百度.百度Echarts[EB/OL].2015[2015-12-01].http://echarts.baidu.com//index.html.

[12]馬毅林，溫慧敏，劉劍鋒，等.城市軌道交通環線客流特征分析及啟示[J].城市交通，2013，11(6)：49-56+27.Ma Yilin,Wen Huimin,Liu Jianfeng,et al.Passenger Flow Characteristics Analysis of Urban Rail Transit Loop Lines[J].Urban Transport of China,2013,11(6):49-56+27.

[13]沈麗萍，馬瑩，高世廉.城市軌道交通客流分析[J].城市交通，2007，5(3)：14-19.Shen Liping,Ma Ying,Gao Shilian.Passenger Flow Analysis of Urban Rail Transit Systems[J].Urban Transport of China,2007,5(3):14-19.

[14]王靜，劉劍鋒，馬毅林，等.北京市軌道交通車站客流時空分布特征[J].城市交通，2013，11(6)：18-27.Wang Jing,Liu Jianfeng,Ma Yilin,et al.Temporal and Spatial Passenger Flow Distribution Characteristics at Rail Transit Stations in Beijing[J].Urban Transport of China,2013,11(6):18-27.

[15]李偉，徐瑞華，朱煒.運行延誤下地鐵換乘站多線協同客流處置方法[J].同濟大學學報(自然科學版)，2015，43(2)：239-244.Li Wei,Xu Ruihua,Zhu Wei,et al.Multiline Cooperation Method for Passenger Flow Disposal in Metro Transfer Station Under Train Delay[J].Journal of Tongji University(Natural Science),2015,43(2):239-244.

[16]楊梅，徐瑞華.城市軌道交通換乘站大客流組織的仿真[J].城市軌道交通研究，2011，14(9)：48-51+78.Yang Mei,Xu Ruihua.Simulation of Large-Scale Pedestrian Organization at Urban Rail Transfer Station[J].Urban Mass Transit,2011,14(9):48-51+78.