北京與倫敦地鐵基于自動售檢票數據的客流出行規律對比分析*

王 挺 陳 峰 ，2 王子甲，2 鐘 晨 黃建玲

（1.北京交通大學土木建筑工程學院城市軌道交通研究中心，100044，北京；2.北京市軌道交通線路安全與防災工程技術研究中心，100044，北京；3.倫敦國王學院地理系，WC2R 2LS，倫敦；4.倫敦大學學院高級空間分析中心，W1T 4TJ，倫敦；5.北京交通信息中心，100073，北京∥第一作者，碩士研究生）

自動售檢票（AFC）系統和智能卡技術廣泛應用于公共交通運輸領域。其產生的海量數據成為目前國內外研究的熱點。文獻［1］使用香港中心區8個地鐵站連續一周的智能卡數據，通過聚類和回歸分析，建立了站點客流的時空特征與其周邊用地性質之間的關系，最終確定了影響乘客出行模式的決定因素。文獻［2］使用新加坡一周的公交和地鐵AFC系統數據，利用相關性分析和Pagerank算法度量了出行規律的變化性，并基于社團挖掘得出城市功能分區。文獻［3］使用日本高知縣公交和有軌電車連續一個月的的智能卡數據，揭示了不同卡類型的持卡人出行時空規律和出行頻率的差異，基于此提出了公交線路優化建議。文獻［4］使用北京公交智能卡數據，對比分析了5種數據挖掘算法；結果表明基于粗糙集算法的出行模式挖掘在精確性和有效性方面更勝一籌。文獻［5］將北京市公交智能卡數據和出行調查數據相結合，通過數據挖掘技術識別用戶的工作區、居住區和通勤出行，并以此評估職住關系，證實了智能卡數據替代傳統出行調查在城市結構時空分析中的可行性。

以往研究所使用的智能卡數據都具有基本的時空屬性，且在集計和非集計層面均作了充分研究。然而這些研究都針對單個城市展開，缺乏對多個具有可比性的國際大都市進行基于卡數據的對比分析。本研究選擇北京和倫敦進行分析。

1 數據來源

本研究所用數據為倫敦和北京一周（周一到周日）的智能卡數據。對比分析的主要內容有出行頻率、出行空間規律和時間規律。

2014年，倫敦地鐵直接服務于860萬常住人口?！秱惗亟煌ㄐ枨笳{查報告》（見文獻［6］）顯示：大倫敦區有30%左右的人口使用公共交通用于日常通勤，其中有80%的地鐵乘客和90%的道路公交乘客使用智能卡；每天有900萬條智能卡交易記錄。截至2014年2月，倫敦地鐵共有13條線路，400座車站。根據文獻［7］，2014年底，北京雖常住人口達2 151萬，但大部分位于偏遠的郊區。北京地鐵網覆蓋區域主要在六環路以內，地鐵服務的人口只有500萬左右。在中心城居民各種交通方式（不含步行）構成中，城市軌道交通比例僅為19.4%；其中有85%的地鐵乘客使用智能卡（一卡通）。截至2014年10月，北京地鐵共有17條線路，233座車站。北京與倫敦的智能卡數據概括性統計如表1所示。

表1 北京與倫敦智能卡數據概括性統計

2 出行頻率

出行頻率指標包括乘客在一周工作日中使用地鐵出行的天數（以下簡為“周出行天數”），以及乘客每天使用地鐵的次數（以下簡為“日出行次數”）。出行頻率可根據每次出行的唯一標識（卡號ID）分別統計得出。

2.1 周出行天數

周出行天數反映了乘客對地鐵的需求穩定性。周出行天數越大，則需求穩定性越高。令周出行天數為 n（n=1，2，3，4，5）,則一周工作日的 AFC 數據集用Dn表示，IDn為Dn中表示卡號的字段，是每次出行的唯一標識；Tn表示周出行天數為n的人數，Pn表示周出行天數為n的乘客所占比例。定義集合運算A（∩）B返回結果為A、B中均存在元素的個數；A（∩）返回結果為A中存在但B中不存在的元素個數。則工作日出行頻率計算流程為：

（1）輸入工作日 AFC 數據集 Dn（n=1，2，3，4，5）。

（2）分別提取數據集Dn中的字段IDn（n=1，2，3，4，5）。

（3）匯總IDn并統計獨立ID的個數，即工作日出行總人數T=COUNT（Distinct（IDn））；

（4）用定義的集合運算分別求出Tn，并得Pn=Tn/T。例如：T4=ID1（∩+）ID2（∩+）ID3（∩+）ID4（∩-）ID5+ID1（∩+）ID2（∩+）ID3（∩+）ID5（∩-）ID4+ID1（∩+）ID2（∩+）ID4（∩+）ID5(η-)ID3+ID1（∩+）ID3（∩+）ID4（∩+）ID5（∩-）ID2+ID1（∩+）ID3（∩+）ID4（∩+）ID5（∩-）ID1

圖1為北京與倫敦地鐵乘客的周出行天數統計。由圖1可見，北京與倫敦均P1最大，P5次之。就P1而言，北京P1達45%，遠高于倫敦?？梢姡本┑罔F45%的乘客由低頻使用者組成，而倫敦地鐵只有35%左右。倫敦的P5約比北京高6個百分點，即倫敦地鐵的高頻乘客占比較多。結合每日地鐵客流量分析還可以發現，工作日地鐵客流量變動較小。因此，北京與倫敦地鐵的乘客組成均處于動態穩定，但倫敦地鐵的高頻乘客較多，而北京地鐵的低頻乘客更多，故倫敦地鐵乘客的需求穩定性較高。

圖1 北京與倫敦地鐵乘客的周出行天數統計

2.2 日出行次數

日出行次數反映乘客日常使用地鐵的頻率。可通過構建每位乘客在一天內使用地鐵的出行鏈來計算其日出行次數。

圖2為北京及倫敦地鐵乘客日出行次數統計分析。由圖2可見，無論是北京還是倫敦，日出行次數k=2時的乘客所占比例最高，均超過50%且基本持平。這在一定程度上反映了乘客在工作日往返出行的通勤特點。北京與倫敦周末日出行次數為2的乘客比例均低于工作日，且北京降低的幅度較大。日出行次數為1時，北京與倫敦的乘客比例差異顯著。北京日出行次數為1時乘客比例接近倫敦的2倍。

為了進一步分析，結合同日公交卡數據甄別出每天只使用1次地鐵出行的乘客還使用了道路公交車出行的比例（見圖3）。由圖3可見，北京地鐵日出行次數為1的乘客還使用道路公交車的比例顯著大于倫敦。這反映出北京地鐵與道路公交車的互補程度高于倫敦，也從側面表明倫敦地鐵對地面交通的可替代性顯著優于北京。

圖2 北京及倫敦地鐵乘客日出行次數統計分析

圖3 地鐵日出行次數為1的乘客使用其它交通方式情況

此外，無論是工作日還是周末，倫敦日出行次數大于2的乘客比例均遠大于北京，即倫敦地鐵日常高頻使用者居多。

3 出行空間規律

乘客的空間出行特性指標主要包括換乘次數和出行距離。根據地鐵AFC系統中的某乘客OD（起訖點）數據可確定該乘客的路徑，相應的出行距離即為該路徑的長度。若該路徑包含不同線路，則發生換乘行為。于是可計算地鐵乘客的換乘次數。

圖4 單個工作日地鐵換乘次數分布

3.1 換乘次數

乘客換乘次數反映其OD點之間的交通便捷程度。圖4為北京與倫敦地鐵乘客單個工作日換乘次數分布。由圖4可知，倫敦地鐵無需換乘的乘客比例達55%，遠高于北京，而北京地鐵需換乘1次的乘客比例約為倫敦的2倍；由累計曲線可以看出：北京與倫敦均有80%的乘客至多換乘一次即可達到，倫敦多次換乘（換乘次數＞2次）的乘客比例略高于北京，北京地鐵工作日的乘客平均換乘次數為0.883次，倫敦的則為0.805次。

綜合結果表明，倫敦地鐵便捷性略高于北京。這是由于倫敦地鐵線網包含多條放射線，可從郊區直達中心區，而北京地鐵網絡基本保持道路網的結構，呈棋盤狀，外圍前往中心區一般需一次以上的換乘。

3.2 出行距離

北京與倫敦的空間尺度和線網規模差異較大。為分析北京與倫敦地鐵乘客的出行距離，定義北京相對于倫敦的比例系數α1-2為：

q1=q0（1+ α1-2）

式中：

S1——北京地鐵覆蓋面積，為2 267 km2；

S2——倫敦地鐵線網絡覆蓋面積，為1 572 km2；

L1——北京地鐵線網絡長度，465 km；

L2——倫敦地鐵線網長度，402 km；

ρ1——北京地鐵線網密度，0.205 km/km2；

ρ2——倫敦地鐵線網密度，0.255 km/km2；

q1——北京根據比例系數修正后的累積百分率；

q0——北京初始計算的累積百分率。

代入數據得 α1-2=0.16，則 q1=1.16 q0。

圖5為北京與倫敦地鐵工作日和周末的出行距離差異。倫敦短距離出行（＜10 km）量遠大于北京。從圖5累計曲線可以看出：倫敦地鐵超過91%的乘客是短距離和中短距離（10～20 km）出行，而在北京此類乘客僅占81%（修正前為70%）。其原因在于倫敦的職住關系更加平衡，倫敦的中短距離出行比例遠高于北京。此外，由累計曲線可以看出：工作日與周末出行距離略有變化，且兩個城市變化規律相反。其中，北京工作日中短距離和中長距離（20～30 km）出行比例稍大于周末，而倫敦工作日的短距離和中短距離出行比例稍小于周末。

圖5 工作日與周末出行距離分布

4 出行時間規律

出行時間規律研究基于AFC數據進出站的時間字段，主要包括對一周全網客流時間分布、出行時間、站外停留時間和多次出行乘客進站時間的研究。出行時間為乘客每一次出行進出站的間隔時間。例如，乘客從A站進站的時間為tA，從B站出站的時間為tB，則乘客的出行時間為tB-tA。當乘客一天之內，先由M站進站，由B站出站，再由B站進站，由N站出站，則從B站出站與從B站再次進站之間的間隔時間為站外停留時間。

4.1 時間分布規律

將客流量按照一周的時間序列每10min間隔統計，得到北京與倫敦連續一周的地鐵客流量時間分布（見圖 6）。

圖6 一周客流時間分布

由圖6可見：①兩個城市的工作日晚高峰客流均呈現出多峰特征。這表明兩個城市的通勤乘客下班時間均具有一定彈性。②兩個城市周末客流量的高峰規律存在較大的差異，其中北京的周末客流量具有較為明顯的雙峰特征。說明北京地鐵乘客中周末工作出行的仍較多。③倫敦周五24∶00處出現客流截斷，且在周六與周日也存在這一現象，而北京周末夜間客流量變化較平緩。這表明倫敦地鐵乘客在周五至周末晚上的活動強度較大。④倫敦客流量周六與周日峰值有明顯的落差。周末的出行一般與購物、休閑、娛樂目的相關，而倫敦市的部分商戶會在周日歇業，故周日客流量顯著減少；⑤倫敦工作日午間（11∶00—13∶00）的客流量波動性較大，說明倫敦午間乘客出行時間較為分散。

4.2 出行時間

對乘客的出行時間進行統計分析，結果表明兩個城市均有超過99%的地鐵乘客單次出行時間在120 min內。分析單次出行時間在120 min以內的客流量比例統計見圖7。

由圖7可以看出，倫敦超過60%的地鐵乘客單次出行時間在30 min內，而北京地鐵單次出行時間在30 min內的乘客比例僅僅略高于40%；此外，北京地鐵多數乘客單次出行時間位于30 min到90 min，約占乘客總量的55%,。圖7還可看出，北京地鐵工作日與周末的乘客單次出行時間的差異較明顯，且工作日的乘客出行時間較短。這與圖5的出行距離規律一致。

4.3 站外停留時間

站外停留時間的統計時間間隔為1 h。根據單個乘客站外停留時間長短可識別通勤客流。如圖8所示，北京與倫敦工作日乘客的最大站外停留時間均為9～10 h，周末乘客的最大站外停留時間均為1～2 h。這表明北京與倫敦的工作日客流均以通勤出行為主，周末客流均以休閑、購物、娛樂出行為主。從累計曲線可以看出，北京與倫敦工作日變化趨勢趨同，周末差異較大，但倫敦工作日站外停留時間少于6 h的客流量比例約占50%，北京則接近40%。可見，工作日倫敦地鐵非通勤乘客比例相對較高，而周末北京地鐵站外停留時間為7～11 h的客流量比例更高。這與圖6中北京乘客周末加班出行比例大的規律一致。

圖7 出行時間客流量比例

4.4 進站時間分布

一天中多次出行（出行次數＞1次）乘客的進站時間分布矩陣見圖9。統計時間段為05∶00—24∶00，統計時間間隔為1 h。矩陣下三角單元顏色越深表示客流量越大。從工作日進站時間分布矩陣可以看出北京客流最多的兩次進站時間段分別為7∶00—8∶00和17∶00—18∶00，而倫敦客流最多的兩次進站時間段分別為 9∶00—10∶00 點和 18∶00—19∶00。究其原因，2月份的倫敦一般早上8∶30天亮，故其乘客首次進站時間較晚；而且倫敦工作時間普遍較北京短。北京與倫敦周末客流進站時間分布矩陣差異較大。北京周末以工作為目的的出行較多，倫敦周末購物娛樂出行較多。從北京工作日與周末的多次出行乘客進站時間分布矩陣可以發現，11∶00—12∶00 是一天出行強度的分界線。

5 結語

本研究利用一周的AFC數據，多粒度、多層次、多角度地分析了北京與倫敦地鐵乘客的出行頻率、出行空間規律和時間規律，主要得到以下結論：

（1）工作日出行天數的對比表明，倫敦地鐵乘客的需求穩定性較高；出行次數對比結果表明，倫敦地鐵日常高頻使用者居多。

（2）倫敦地鐵的便捷性略較北京高，且倫敦的短距離出行比例遠高于北京。

圖8 工作日與周末停留時間分布

圖10 多次出行進站時間分布矩陣

（3）北京與倫敦通勤乘客下班時間均有一定彈性。在客流組成中，北京地鐵工作日的通勤客流比例較高。

地鐵乘客出行規律不僅與城市結構、居民的生活和工作狀態有關，與城市軌道交通網絡互聯互通程度及運營管理模式的關系更是密不可分。基于AFC數據的進一步研究應著重挖掘出行規律與城市軌道交通線網結構和運營管理間的內在聯系，從而對區域軌道交通線網規劃和運營管理提供更加科學合理的指導。

［1］ WANG WL，LOSM LIUSB.Aggregated metro trip patterns in urban areas of Hong Kong：Evidence from automatic fare collection Records［J］.Journal of Urban Planning and Development，2015，141（3）：1.

［2］ ZHONG C，ED M，STEFAN M，et al.Measuring variability of mobility patterns from multiday smart-card data［J］.Journal of Computational Science，2015，9：125.

［3］ NISHIUCHI，KING J.TODOROKI T.Spatial-temporal daily frequent trip pattern of public transport passengers using Ssmart card data［J］.International Journal of Intelligent Transportation Systems Research，2012，11（1）：1.

［4］ MA X.Mining smart card data for transit riders′travel patterns［J］.Transportation Research Part C：Emerging Technologies，2013，36：1.

［5］ LONG Y，THILL J-C.Combining smart card data and household travel survey to analyze jobs housing relationships in Beijing ［J］.Computers，Environmentand Urban Systems，2015，53：19.

［6］ TRANSPORT FOR LONDON.Travel in London，Supplementary Report ［R］.London：London Travel Demand Survey（LTDS），2011：15

［7］ 北京交通發展研究中心.北京交通發展年度報告［R］.北京：北京交通發展研究中心，2015：4.