基于多源數據的通勤高峰期出行方式分擔率預測方法研究

宋永朝，楊 培

(重慶交通大學 交通運輸學院，重慶 400074)

0 引 言

居民出行方式選擇行為一直是出行行為研究領域的重要課題，在很大程度上決定了城市交通出行方式的結構，并直接影響到TDM(travel demand management)和TCM(travel control measurement)的有效實施[1-2]。通勤高峰期指通勤交通的早高峰(7:00—9:00)和晚高峰(17:00—19:00)，相對其他出行在時間和空間上具有更大的恒定性和聚集性，使得早、晚高峰常態性擁堵，成為城市最為突出的問題之一。通勤高峰期出行在城市居民日常出行中占比較大，其交通結構合理性直接影響城市交通結構合理性，影響著城市交通的可持續發展。

國內外學者在交通方式劃分預測方法上的研究成果主要分為兩大類：以統計學為基礎的集計模型和概率學為基礎的非集計模型[3]。集計模型在預測時，因忽略了出行個體特性，預測可靠性不高。相比，非集計模型具有所需樣本容量小、數據統計處理簡單、數據可拓展和再利用、對個體行為分析充分等優點，且預測精度較高，逐漸取代了集計模型[4]。非集計模型經過30余年發展已經形成完整理論體系，基于不同理論假設形成了多元logit模型、分層logit模型、混合logit模型、組隊logit模型等，在城市交通需求研究中得到廣泛應用[5]。現有研究主要集中在居民全日出行，而對于通勤高峰期居民出行研究相對缺乏。由于SP和RP調查難度和數據誤差性較大，數據獲取成本高且樣本數量相對有限，往往預測結果可靠性低。

顯然，傳統預測模型已很難適應目前預測需求。筆者提出了一種基于多源基礎數據的出行方式劃分預測方法，旨在高效獲取各交通方式在通勤高峰期出行分擔率，探討通勤高峰期出行分布規律，為城市交通結構布局、交通發展規劃、交通政策等提供技術支持。

1 參數標定

城市交通出行方式主要包括步行、私家車、公共交通(軌道交通和常規公交)和其他方式，如圖1，通過分析不同交通方式的服務范圍，尤其是公共交通站點的吸引范圍，為通勤高峰期出行方式的預測提供合理依據。

圖1 交通方式劃分Fig. 1 Division of traffic mode

1.1 不同交通方式服務范圍

交通方式服務范圍即為各種交通方式適宜的出行距離,是人們選擇交通方式一個重要影響因素。出行距離是影響人們選擇步行最主要的因素，步行出行比例隨出行距離變化的規律非常明顯，距離增加其出行比例會明顯減少，而機動車出行比例逐漸增加[6]。文獻[7]通過對北京市居民出行方式選擇行為進行研究得出：各種交通方式優勢出行距離：步行為0.84 km，地面常規公交為8.42 km，小汽車為11.49 km，地鐵為13.15 km。山地城市與平原城市之間存在著一定差異性，但在影響交通選擇的要素相似情況下，其出行特征也具有相似性，孟思夢[8]在對山地大城市出行方式的有關研究得出：短距離出行中，步行更占優勢，中遠距離出行中，私家車更占優勢，遠距離出行中，公共交通更占優勢。

筆者對主城區中的南岸區和九龍坡區發放了共948份調查問卷，問卷內容包括通勤出行距離、出行方式、出行時間期望值等，收回556份有效問卷。通過對調查數據進行統計分析后得出：在2 km以內的通勤高峰期出行中，步行分擔率最高，且隨著出行距離的增加而驟減；在2～5 km的出行中，私家車出行分擔率較常規公交和軌道交通上升幅度大；在6～15 km的出行中，私家車出行分擔率逐漸下降，公共交通分擔率繼續上升，但私家車分擔率仍然較高；在11～15 km的出行中，常規公交分擔率達到峰值，在15 km以上出行中，軌道交通逐漸占據優勢。變化趨勢如圖2。

圖2 出行方式分擔率隨出行距離變化折線Fig. 2 Polygonal line of travel mode share rate changing with travel distance

重慶屬于山地城市，城市地形復雜、道路坡度大、非機動車出行環境差，短距離出行時交通出行者選擇非機動車出行方式較少，選擇步行出行方式較多，所以暫不考慮非機動車(自行車、助力車)出行方式。依據相關文獻[6-8]并結合調查數據分析結果，給出不同交通方式出行距離閾值推薦值，如表1。

表1 不同交通方式出行距離閾值推薦值Table 1 Recommended value of travel distance thresholdwith different traffic modes

1.2 公共交通站點的吸引范圍

1.2.1 軌道交通站點的吸引范圍

站點步行吸引范圍是指乘客步行到達或離開站點可接受耗時或距離所構成的區域圈。它決定了公共交通的可達性與滿意度水平，直接影響乘客對公共交通的使用程度。距離目的地和交通站點的距離不同，其選擇的交通出行方式也存在差異。軌道交通合理步行吸引范圍可劃分為中心區合理步行范圍和城市外圍區合理步行范圍，由于城市中心區其它交通方式出行較為方便，步行到達軌道交通車站的距離相對較短，最適合的步行距離為500～600 m，城市外圍區和郊區則相對較長，最適合的步行距離為800～1 000 m[9]?？紤]多種接駁方式下，將軌道站點的吸引范圍分為合理吸引范圍與非合理吸引范圍，其中合理吸引范圍包括合理步行區與合理交通區，半徑分別為800 m和3 000 m[10]。

通過對重慶市主城區輕軌3號線二塘站發放200份調查問卷，內容主要涉及從居住地到軌道交通站點的耗時，到達交通站點的方式等，收回有效問卷127份，其中步行到達站點的有106份，軌道交通的使用者主要是直接步行到站的站點周邊居民，對耗時進行分類統計后如表2。

表2 步行到軌道交通站點的時間Table 2 Time of walking to the rail transit station

對步行到達軌道站點的樣本進行分析，居民通過步行到達軌道站點的平均時耗為9.5 min，普遍時耗為10 min。國外TOD理論根據適宜的步行距離為標準，劃定的站點影響區范圍為:步行5～15 min的距離，約1/4英里(400～500 m)至1/2英里(600～800 m)的半徑范圍。根據對二塘輕軌站調查，可將重慶市主城區軌道站點的影響區范圍確定為步行10 min的距離，約650 m的半徑距離。

1.2.2 常規公交站點的吸引范圍

根據GB 50220—95《城市道路交通規劃設計規范》[11]，公共交通車站服務面積，以300 m半徑計算，不得小于城市用地而積的50%;以500 m半徑計算，不得小于90%。用類似于軌道交通站點吸引范圍的調查方式，對重慶市南岸區學府大道69號公交站發放200份調查問卷，收回有效問卷145份，其中步行到達站點的有122份，耗時分類統計后如表3。

表3 步行到常規公交站點的時間Table 3 Time of walking to the bus stop station

對步行到達常規公交站點的樣本進行分析，可見居民通過步行到達常規公交站點的平均時耗為7.5 min，普遍時耗為8 min。根據以上對學府大道69號站的調查，可將重慶市主城區常規公交站點的影響區范圍確定為步行8 min的距離，約400 m的半徑距離。

2 預測方法介紹

交通方式分擔率(modal split)是出行者出行時所選交通工具的比例，以居民出行調查數據為基礎，研究人們出行時的交通方式選擇行為，建立模型從而預測基礎設施或服務等條件變化時，交通方式間交通需求的變化[12]。根據交通方式分擔率的計算公式，可以類推到通勤高峰期出行方式分擔率計算公式，如式(1)。

(1)

式中：F為通勤高峰期交通方式分擔率；M為通勤高峰期使用某交通方式出行的人數；N為通勤高峰期出行的總人數。

通勤高峰期使用某交通方式出行人數的準確獲取,是預測分擔率的關鍵，通勤高峰期各種交通方式的出行人數分析流程如圖3。具體包括：加載多源數據并對數據進行處理和關聯；采用最短路徑算法計算通勤距離，根據通勤出行距離和步行出行距離閾值，篩選出步行出行數據；根據戶籍數據中的私家車信息，結合通勤出行距離和私家車出行距離閾值，篩選出私家車出行數據；根據軌道交通站點和常規公交站點的吸引范圍，利用公共交通選擇算法篩選出公共交通出行的數據；剩下數據默認為其他出行方式。根據以上預測結果，計算得出不同交通方式分擔率，總結出居民通勤高峰期出行規律。

圖3 交通出行人數分析流程Fig. 3 The analysis process of the number of travelers

3 算法介紹

3.1 最短路徑算法

最短路徑問題一直是地理信息科學、計算機科學、運籌學、交通運輸等領域一個研究熱點，許多實際問題可抽象為網絡最短路徑計算問題，比如出行路徑規劃，管線優化等[13]。通勤距離由最短路徑算法計算得到，最短路徑分析是GIS中最基本的功能，適用計算兩點之間的最短距離。針對大批量的多源數據，常用GIS軟件模塊提供的最短路徑分析功能無法有效批量處理大范圍數據，因此基于AE網絡分析2次開發模塊，設計了一種對大范圍數據的批量處理算法，將數據預處理得到的優化關聯數據加載到該算法中計算居民的通勤距離，算法流程如圖4。

圖4 最短路徑算法示意Fig. 4 Shortest path algorithm

3.2 公共交通選擇算法

發展公共交通是城市交通建設最重要的1個工作，許多大城市很早就提出了“公交優先”的原則，也一直在發展公交線路[14]。目前，公共交通出行模式以“起訖點+步行+公共交通+步行+起訖點”為主[15]。根據楊新苗[16]等人的調查，大部分公交乘客在選擇出行路徑時首要考慮的因素是“換乘次數”，且直達、1次換乘、2次換乘的比例分別是30.70%，31.40%，26.98%。

在此，筆者提出的公共交通選擇方法考慮居民乘坐公共交通直達、1次換乘、2次換乘多種情況。針對居住地和工作單位之間直達、1次換乘、2次換乘3種情況，分別采取直達搜索算法，1次換乘搜索算法，2次換乘搜索算法。算法流程如圖5。

圖5 公共交通選擇算法示意Fig. 5 Public transportation selection algorithm

假設常規公交站點合理步行吸引范圍是Db，軌道交通站點合理步行吸引范圍是Du，對常規公交站點和軌道交通站點的合理步行吸引范圍分別做緩沖區，半徑分別是Db，Du，遍歷每1條公交線路的每1個站點，查找記錄下居住地點A和工作地點B落在的具體緩沖區。

3.2.1 公共交通直達算法

比較A點和B點記錄，若A點和B點同時落在同公交線路不同站點緩沖區內，表示經過A點和B點的公交線路存在相同。針對某一區域的人口數量，也就可以遍歷每1個人的A點和B點，找出是否有相同公交線路即可。公共交通直達如圖6。

圖6 公共交通直達示意Fig. 6 Nonstop public transport

3.2.2 公共交通1次換乘算法

1次換乘搜索算法可分為純常規公交(或純軌道交通)1次換乘、常規公交和軌道交通之間的1次換乘。

純常規公交(或純軌道交通)1次換乘，以純常規公交1次換乘為例，比較A點和B點的記錄。若A點落在公交線路Lb1，B點落在公交線路Lb2，Lb1和Lb2有相同的常規公交站點Sb，表示可以1次換乘。這樣只要首先遍歷找出經過A點和B點的公交線路，再分別遍歷經過兩者的公交線路站點，判斷是否有相同即可。針對某一區域的人口數量，遍歷每個人的A點和B點，找出是否有相同公交站點即可。純常規公交1次換乘示意如圖7，純軌道交通1次換乘示意圖類似。

圖7 純常規公交1次換乘示意Fig. 7 One-transfer between the conventional buses

常規公交和軌道交通之間的1次換乘，比較A點和B點的記錄。假設居住地A點落入軌道交通某站點的緩沖區內，工作單位B點落入常規公交某站點的緩沖區內，對A點落入的某軌道線路Lu的所有站點做緩沖區，以距離最短為目標，查找B點落入的某常規公交站點對應的常規公交線路Lb的所有站點是否有落在Lu站點的緩沖區內，若有某常規公交站點Sb落在Su軌道站點的緩沖區內，表示A點可以先乘坐軌道交通Lu，再在Su軌道站點下車，步行到Sb常規公交站點，最后乘坐常規公交Lb到達B點。針對某一區域的人口數量，遍歷每個人的A點和B點，按照上述方法判斷即可。常規公交和軌道交通1次換乘如圖8。

圖8 常規公交和軌道交通1次換乘示意Fig. 8 One-transfer between the conventional bus and rail transit

3.2.3 公共交通2次換乘算法

2次換乘搜索算法主要分為兩大類：純常規公交(或純軌道交通)之間的2次換乘、常規公交和軌道交通之間的2次換乘。

純常規公交或純軌道交通之間的2次換乘，以純常規公交間2次換乘為例，比較A點和B點的記錄。若A點落在公交線路Lb1，B點落在公交線路Lb2，分別搜索與Lb1、Lb2相交的公交線路，判斷兩者相交線路是否相同，相同則表示可以2次換乘。遍歷找出經過A點和B點的公交線路，再分別遍歷與經過兩者的公交線路相交的公交線路，判斷是否有相同即可，針對某一區域的人口數量，遍歷每個人的A點和B點，找出是否有相同相交公交線路即可。純常規公交2次換乘如圖9，純軌道交通公交2次換乘亦類似。

圖9 純常規公交2次換乘Fig. 9 Two-transfer between the conventional buses

對于常規公交和軌道交通之間的2次換乘，2次換乘搜索算法是基于1次換乘搜索算法的再1次換乘，基本原理同上述1次換乘搜索算法，常規公交和軌道交通之間的2次換乘如圖10。

圖10 常規公交和軌道交通2次換乘示意Fig. 10 Two-transfer between the conventional bus and rail transit

4 實例分析

4.1 試驗區域

以重慶主城九區作為試驗區域，探討交通方式分擔率預測方法的準確性。重慶市主城九區，具體包括渝中區、江北區、南岸區、九龍坡區、沙坪壩區、大渡口區、北碚區、渝北區、巴南區，據《2015年重慶市主城區交通發展報告》獲悉，重慶主城道路等級分布情況詳見表4。

表4 重慶市主城區道路分布情況(2015)Table 4 Road distribution of Chongqing urban area(2015)

重慶軌道交通包括地鐵與跨坐式單軌，遠期規劃有18條軌道交通線路。目前，已開通1號線、2號線、3號線、6號線共4條線路，覆蓋主城九區，最高日客運量約達240萬乘次。重慶主城區公共交通運營情況詳見表5、表6。

表5 重慶市主城區公共交通運營情況(2015)Table 5 Public transport operation condition of Chongqing urbanarea(2015)

表6 重慶市主城區軌道交通線路概況(2015)Table 6 Rail transit lines of Chongqing urban area(2015)

4.2 結果分析

根據筆者提出的預測方法，分別對相關的數據(路網數據、公交線網數據、公交站點數據、戶籍數據、工作地數據等)進行處理及分類統計。相關資料[17]研究得出通勤高峰期重慶市主城區交通方式分擔率分別為：步行47.5%，公共交通33.4%，私家車11.5%，出租車6.7%，其他0.9%。預測結果如表7。

表7 交通方式分擔率Table 7 Share rate of traffic mode %

重慶市主城區為典型的山城格局，出行受地形限制較明顯，道路彎多坡陡，道路非直線系數大，機動車出行起訖點的距離增長，繞行增加。道路坡陡不適合非機動車交通出行，而有較為完善的步道、電動扶梯，步行交通出行比例相對較高。對于時間較為敏感的通勤出行者，公共交通的快捷性、準點性以及完善的公共交通設施，人們出行也更加愿意乘坐公共交通。沈穎潔等[18]分析了重慶市主城區私家車通勤比例遠低于實際擁有私家車的比例。蔡樺菲等[19]對重慶渝中區、沙坪壩區及南岸區輕軌開通前后的居民出行方式進行了調查，公共交通(尤其是軌道交通)在居民出行方式中占比較大。

綜上所述，本預測方法的預測結果與實際情況誤差較小，驗證了本方法的可靠性及有效性。

5 結 語

結合重慶市主城區多源基礎數據，提出了一套快速有效的通勤高峰期出行方式分擔率預測方法。依據不同交通方式的服務范圍和公共交通站點的吸引范圍，提出了利用最短路徑算法和公共交通選擇算法，分別篩選出不同交通方式在通勤高峰期的客流量，從而得到不同交通方式的分擔率，提高了預測效率和預測結果的可靠性，為解決城市交通擁堵問題提供了技術支撐。

參考文獻(References)：

[1] UNCLES M D. Discrete choice analysis: theory and application to travel demand [J].JournaloftheOperationalResearchSociety,1987, 38(4):370-371.

[2] 欒琨,雋志才,宗芳.通勤者出行方式與出行鏈選擇行為研究[J].公路交通科技,2010,27(6):107-111.

LUAN Kun, JUAN Zhicai, ZONG Fang. Research on commuter’s choice behavior between travel mode and trip chain [J].JournalofHighwayandTransportationResearchandDevelopment, 2010,27(6):107-111.

[3] 周愛娣.交通方式劃分預測模型的研究[J].蘭州鐵道學院學報(自然科學版),2003,22(3):129-132.

ZHOU Aidi.Study on the method of model-split model [J].JournalofLanzhouRailwayUniversity(NaturalSciences),2003,22(3):129-132.

[4] 王江濤,馬駟.預測通道客運分擔率的MNL模型特性變量選取[J].重慶交通大學學報(自然科學版),2010,29(6):947-950.

WANG Jiangtao, MA Si. MNL model characteristic variables selection on forecasting corridor mode split [J].JournalofChongqingJiaotongUniversity(NaturalScience), 2010, 29(6): 947-950.

[5] 何明,過秀成,冉江宇,等.基于非集計MNL模型的軌道交通方式預測[J].交通運輸系統工程與信息,2010,10(2):136-142.

HE Ming,GUO Xiucheng,RAN Jiangyu,et al.Forecasting rail transit split with disaggregated MNL model[J].JournalofTransportationSystemsEngineeringandInformationTechnology,2010,10(2):136-142.

[6] 牛學勤,王煒,殷志偉.城市客運交通方式分擔預測方法研究[J]. 公路交通科技,2004,21(3):75-77+96.

NIU Xueqin,WANG Wei,YIN Zhiwei.Research on method of urban passenger traffic mode split forecast[J].JournalofHighwayandTransportationResearchandDevelopment, 2004,21(3):75-77+96.

[7] 黃樹森,宋瑞,陶媛.大城市居民出行方式選擇行為及影響因素研究——以北京市為例[J].交通標準化,2008(9):124-128.

HUANG Shusen,SONG Rui,TAO Yuan.Behavior of urban residents influencing travel mode choosing and factors-Taking Beijing as an example [J].CommunicationsStandardization, 2008(9):124-128.

[8] 孟思夢.山地大城市居民出行方式選擇研究[D].重慶:重慶交通大學,2015.

MENG Simeng.ResearchontheChoiceofResidentsTravelModeinBigMountainCity[D].Chongqing:Chongqing Jiaotong University,2015.

[9] 李向楠.城市軌道交通站點吸引范圍研究[D].成都:西南交通大學,2013.

LI Xiangnan.ResearchonAttractingAreaofUrbanRailTransitStation[D].Chengdu: Southwest Jiaotong University, 2013.

[10] 王淑偉,孫立山,榮建.北京市軌道站點吸引范圍研究[J].交通運輸系統工程與信息,2013,13(3):183-188.

WANG Shuwei, SUN Lishan, RONG Jian. Attachment area analysis of Beijing transit stations[J].JournalofTransportationSystemsEngineeringandInformationTechnology, 2013,13(3):183-188.

[11] 中華人民共和國建設部.城市道路交通規劃設計規范:GB 50220—1995[S].北京:中國計劃出版社,1995.

Ministry of Construction of the People’s Republic of China.CodeforTransportPlanningonUrbanRoad:GB50220—1995[S].Beijing: China Planning Press,1995.

[12] 李亞軍,楊忠振.城市交通規劃中的交通方式結構[J].大連海事大學學報(社會科學版),2005,4(4):38-42.

LI Yajun,YANG Zhongzhen.Traffic model structure in city traffic planning [J].JournalofDalianMaritimeUniversity(SocialScienceEdition), 2005,4(4):38-42.

[13] 孫文彬,譚正龍,王江,等.最短路徑算法的并行化策略分析[J].地理與地理信息科學,2013,4(4):17-20.

SUN Wenbin, TAN Zhenglong, WANG Jiang, et al. Parallelization strategy analysis of the shortest path algorithm[J].GeographyandGeo-informationScience, 2013,4(4):17-20.

[14] 趙敏.公交換乘系統的算法研究與應用[D].太原:中北大學,2009.

ZHAO Ming.AlgorithmicResearchandApplicationofBusTransferSystem[D].Taiyuan:North University of China,2009.

[15] 吳祥國,姜洋,張汝華,等.快速公交站點步行吸引范圍研究[J]. 交通信息與安全,2011,29(3):36-39.

WU Xiangguo, JIANG Yang, ZHANG Ruhua, et al. Pedestrian catchment area of bus rapid transit stations [J].JournalofTransportInformationandSafety, 2011, 29(3):36-39.

[16] 楊新苗,王煒,馬文騰.基于GIS的公交乘客出行路徑選擇模型[J].東南大學學報(自然科學版),2000,30(6):87-91.

YANG Xinmiao,WANG Wei,MA Wenteng.GIS-based public transit passenger route choice model[J].JournalofSoutheastUniversity(NaturalScience), 2000,30(6):87-91.

[17] 苗壯.基于“公交都市”的山地城市交通方式結構優化研究[D].重慶:重慶交通大學,2014.

MIAO Zhuang.Basedonthe“TransitCity”,StudyontheOptimizingoftheTransportationStructureofMountainCity[D].Chongqing: Chongqing Jiaotong Uniersity,2014.

[18] 沈穎潔,韓寶睿,馬健霄.大都市近郊通勤交通需求管理策略[J].重慶交通大學學報(自然科學版),2014,33(6):118-121+141.

SHEN Yingjie,HAN Baorui.MA Jianxiao.Transportation demand management strategies of suburban commuting[J].JournalofChong-

qingJiaotongUniversity(NaturalScience),2014,33(6):118-121+141.

[19] 蔡樺菲,杜梅,銀士鵬,等.重慶輕軌時代市民出行方式改變研究[J].經營管理者,2014(32):151-152.

CAI Huafei,DU Mei,YIN Shipeng,et al.Research on citizens travelway change in Chongqing light rail era[J].Manager’sJournal, 2014(32): 151-152.