杭州地鐵OD 數據客流時空分布特性分析

孟兵兵，周健勇

（上海理工大學 管理學院，上海 200093）

0 引言

近年來，隨著我國城市化進程的不斷加快以及智慧城市的發展，交通領域產生了海量時空數據。由于世界城市規模的日益擴大，各大城市交通壓力也持續增加，各國政府在大力提倡環保出行、增加地面交通工具的同時，也不斷發展地下交通，而地鐵就是最重要的地下交通工具。自1971 年北京地鐵1 號線開通試運營，截至2019 年底，中國大陸地區（不含港澳臺）40 個城市共開通城市軌道交通運營線路208 條，運營線路總長度為6 736.2km，其中地鐵運營線路為5 180.6 km，占比76.9%。據不完全統計，2019 年城市軌道交通完成客運量237.1 億人次，客運進站量149.4億人次。如何基于數據充分挖掘交通的演化規律，提升交通運行效率，是一個亟待研究的課題。

本文基于大量乘客起始點—終止點（Origin-Destina?tion，OD）數據，選取杭州地鐵部分數據，將空間統計與可視分析相結合，以探究城市居民出行規律，并對用戶出行特征進行分析，從而改善杭州公共交通狀況，同時為杭州地鐵站點及線路規劃提供參考。

1 相關工作

目前國內外對城市居民出行數據的研究主要集中在對公交和出租車的OD 數據進行挖掘分析，并對其軌跡進行可視化展現方面。如蒲劍蘇等［1］對軌跡數據可視化研究現狀進行了較詳盡的綜述，為探索軌跡數據中包含的時空規律提供參考；黃文達等［2］結合日歷圖、時鐘圖和群體行為分布地圖等多視圖聯動進行交互分析，引入城市—區域—站點的多尺度群體租車行為交互分析系統，并通過案例證明了該系統在群體行為分析上的有用性和有效性；Wei等［3］設計一種路點約束OD 視圖，提出一種探索城市及交通網絡中與路徑相關OD 模式的新方法——路標約束的OD可視化分析；Pablo 等［4］通過構建大規模出租車軌跡的交通密度模型預測交通狀況，并據此模型估算排放物對空氣質量的影響；姜曉睿等［5］設計一個出租車起止點數據可視化分析系統，并將其應用于杭州市出租車GPS 真實數據分析上，取得了不錯的效果。北大可視化小組自主設計研發的Trip Vista 可視化分析系統從時間、空間、維度3 個方面分析交通路口流量信息，利用流圖和平行坐標展示軌跡流數據的可視化效果，并采用多種交互方式對不同類型的車輛和行人軌跡進行可視化分析，同時提供了密度圖來展示宏觀的交通流量密度等［6］。江志彬等［7］通過可視化方法，從城軌交通運營管理者的實際需求出發，研究了大規模復雜網絡OD 客流、斷面、進出站和換乘客流大數據可視化的關鍵技術與實現方法；李文峰等［8］運用可視化方法分析了廈門市的公交客流特征與規律；張健欽等［9-10］采用GIS 空間插值法對北京市公交客流分布進行可視化展示，并采用直接可視化和聚集可視化兩種方式繪制北京市線路分布圖，最后根據可視化結果對北京市公交線路空間分布情況進行分析。

國內外目前對地鐵客流數據的研究相對于公交、地鐵、共享單車的研究較少，而且對地鐵客流的研究更多地集中在客流預測、分時廣告、站點價值等方面，針對站點客流時空分布特性分析的研究并不多。本文以杭州地鐵客流數據為研究對象，通過構建客流OD 矩陣，與乘客出行數據的可視化展現相結合，從時間、空間兩個維度分析杭州城市居民在工作日、周末及節假日3 種模式下的出行規律。

2 數據來源及處理

OD 數據，即城市居民出行的起訖點數據。從統計學角度來說，移動物體在空間上的移動呈現一種流動性特征，空間位置的遷移即是移動物體的軌跡起止點，其中O 點為軌跡起始點，D 點為軌跡終止點［11］。OD 矩陣也稱為起訖矩陣，其借用了代數學里的矩陣，抽象、直觀、簡潔地度量了不同對象之間的連通性及其強弱。鑒于杭州地鐵各站點具備很好的連通性，可利用抽象的OD 矩陣進行直觀表示。矩陣中的元用來刻畫任意兩站點之間客流的來源和去向，然后把所有這樣的元拼在一起構成一個矩陣，即為OD 矩陣。

本文以杭州市某日地鐵刷卡數據為原始數據，利用集合論［12］等知識構造出一種簡單的OD 矩陣［13］。杭州市地鐵乘客原始OD 數據中包含的字段很多，其中本文研究所需的字段如表1 所示。為方便對地鐵OD 數據的存儲與管理，將所有OD 數據存儲到MySQL 數據庫中，從而有利于數據統計、查詢等操作。此外，本文按照以下幾個規則運用Py?thon 對OD 數據進行預處理：

（1）除表1 所列之外的字段全部刪除。

（2）action 為2 或3 時屬于異常訂單數據，為確保數據的準確性，將相關數據刪除，即數據庫最終只保存action 為0 或1 的數據。

（3）對訂單信息進行字符串切片，變成線路和車站兩個字段，由于只研究各地鐵站的OD 數據，所以在哪個設備刷卡進站并不重要，故刪除設備編號信息。

（4）把乘客過閘機的時間，也即訂單產生時間分割成日期和時間兩個字段。

修改后的OD 數據字段如表2 所示。

Table 1 Passenger OD data field表1 乘客OD 數據字段

Table 2 Pre-processed passenger OD data field表2 預處理后乘客OD 數據字段

對數據進行以上預處理后，將某用戶乘坐地鐵action為0 和1 的兩條訂單數據按訂單創建時間整合為一條訂單數據。此外，定義A=(aij)為杭州市地鐵OD 矩陣，矩陣中的元aij定義為該時段內從i站到j站的刷卡人次，例如令i為人民廣場站，j為南星橋站，則表示該時段內從人民廣場進站，之后從南星橋出站的客流量。當i取不同值時，即可知道其他站點到南星橋站的過閘人數。同理也可令j為其他站點，當i和j取遍所有可能值時，即能知道不同站點的進出和流向情況。以杭州市五號線2020 年10 月1 日的OD數據為例，構建OD 矩陣如表3 所示。

表3 中杭州地鐵四號線各地鐵站間一天的OD 客流量在某種程度上反映了城市居民出行規律。從表中可以看出，相比于其它站點，火車東站和市民中心兩個地鐵站客流量較大。由于本文選取的統計時段恰好位于國慶假期，而杭州又是一個旅游勝地，除本地居民的出行量外，其它地區的居民也有來杭州旅游的可能性。此外，市民中心的音樂噴泉和燈光秀等也吸引了大批游客到此打卡，因而造成了火車東站和市民中心客流量較大的現象。在這兩個地鐵站點上下地鐵時也可以發現，地鐵站會安排更多工作人員進行游客疏導，以確保人們順利出行。

Table3 OD data of Hangzhou metro line 4 during October 1，2020 00：00：00-23：59：59表3 杭州地鐵四號線2020 年10 月1 日00：00：00-23：59：59 的OD 數據

3 杭州地鐵客流時空特性分析

客流OD 矩陣是進行客流分布特征分析的基礎，本文選取2020 年9 月30 日-2020 年10 月18 日期間各地鐵站點的客流OD 數據作為研究對象，在構建好杭州地鐵各站點的OD 矩陣后，從時間和空間兩個維度對杭州地鐵運營客流分布特征進行研究。

3.1 全日OD 客流量時段分布

截至目前，杭州市地鐵有1、2、4、5 和16 號線共5 條線路運行，開通站點122 個（換乘站不重復計算），運營里程共計206km。2020 年9 月30 日，杭州地鐵線路網單日總客流再次刷新歷史記錄，突破261 萬人次。通過對杭州地鐵2020 年10 月13 日OD 客流數據的分析，可得到其全日客流量時段分布如圖1 所示。根據杭州地鐵運營時間以及對全日客流量時段分布圖的綜合分析，把研究范圍設定為6：00-23：00。考核客流量時段分布的主要指標是客運時段系數P，該值是各時段客流量與全日客流量之比。經計算得到各客運時段系數值如表4 所示。

Fig.1 Passenger flow time distribution of Hangzhou metro in October 13圖1 杭州地鐵10 月13 日客流時段分布

Table 4 Passenger flow coefficient of Hangzhou metro in October 13表4 杭州地鐵10 月13 日客流量系數

假設G 代表高峰時段均值系數，H 代表平峰時段均值系數，一般情況下，7：00-10：00 與17：00-19：00 為高峰時段，其余為平峰時段。交通需求時段分布的均衡性定義為：時，較均衡；時，一般不均衡；2.0 時，很不均衡。

通過對表4 中的數據計算可知：G=0.095，H=0.044，=2.16>2.0，因此杭州地鐵現有線路的交通時段分布很不均衡。

3.2 OD 客流分布特性分析

利用Python 對杭州地鐵某日各站點客流量進行統計，并采用百度的可視化框架Echarts 繪制杭州地鐵各站點某日客流分布熱力圖，如圖2 所示。圖中紅色代表客流量較大，綠色代表客流量較小，黃色為過渡色，表明大部分客流集中在景區、商業區、居民區以及具有辦公性質的大樓附近，部分客流分布在學校周邊及郊區等地。

Fig.2 Heat map of passenger flow distribution in a certain day at each station of Hangzhou metro圖2 杭州地鐵各站點某日客流分布熱力圖

為更直觀地呈現各地鐵站在各時段的OD 客流分布特性，本文設計了一個以橫軸表示時間段、縱軸表示地鐵站點、橫軸與縱軸交叉所形成的方格顏色深淺表示客流量大小的熱力圖。選取部分站點，利用Echarts 為輔助工具，分別繪制了工作日、周末以及國慶假期3 種模式下的各時段OD 客流分布熱力圖，如圖3-圖5 所示。在該熱力圖中，以顏色深淺代表客流量大小，顏色越深，表明該地鐵站在該時段內客流量越大，反之則越小。

Fig.3 Passenger flow at some stations of Hangzhou metro during working hours圖3 杭州地鐵部分站點工作日各時段客流量

Fig.4 Passenger flow at some stations of Hangzhou metro during weekends圖4 杭州地鐵部分站點周末各時段客流量

Fig.5 Passenger flow at some stations of Hangzhou metro during holidays圖5 杭州地鐵部分站點節假日各時間段客流量

從圖3 中可以了解到，工作日期間杭州地鐵各站點客流清晰呈現了早晚高峰的特性，早高峰是7：00-10：00，晚高峰是17：00-20：00，在這兩個時間段內客流量比其它時段大。通過3 幅圖的對比可以明顯看出，無論是工作日還是節假日，火車東站（杭州東站）的客流量始終是最大的，而城站（杭州站）和火車南站（杭州南站）的客流量相對較小，表明杭州東站作為杭州交通的主要樞紐承載了杭州大部分客運量，甚至有可能會出現“過載”現象，杭州站和杭州南站則無法充分發揮該站點的效能，可能存在運營“過剩”現象。相關部門也應當留意這些問題，并適當采取措施，對杭州南站和杭州站進行引流，以充分發揮該站點的作用，緩解杭州東站的運營壓力。此外，對于正在建設中的杭州西站更要注意這些問題，盡可能避免運營“過?！爆F象。

除火車東站外，龍翔橋和鳳起路兩個地鐵站點的客流量也較為突出。通過結合地圖觀察得知，該站點位于西湖邊上，而西湖是國家5A 級旅游景區，無論是工作日還是節假日，都會吸引大批游客到此游玩觀賞。此外，該地鐵站附近不僅有一個匯集吃喝玩樂于一體的大型商場，還存在各式各樣的網紅打卡點，無疑又增加了兩個站點的客流量，加大了站點運營壓力。相關部門也正是考慮到這些問題，在該站點安排了更多工作人員輔助疏散人流，以保證人們出行暢通，避免交通擁堵現象及踩踏事故的發生。

通過對比工作日、周末和國慶假期3 種模式下杭州地鐵部分地鐵站各時段的OD 客流分布特性，發現無論是工作日還是節假日，人流量最大的地方主要集中在火車東站和西湖景區附近。

4 結語

地鐵OD 客流量的可視化研究可實時監測人群流動狀況，讓交通部門能夠更合理地規劃交通資源，從而為市政交通建設與管理提供參考。另外，杭州城市框架拉開需要豐富地鐵層次，且杭州市在2022 年亞運會開幕之前，除原有線路及站點外，需要陸續開通地鐵線路近10 條，站點近200 個，而對地鐵OD 客流的可視化分析能幫助杭州對在建地鐵線路進行合理規劃，優化地鐵站點選址，構建更快速的地鐵快線網，以滿足快捷、高效的長距離出行要求，提升杭州的空間組織效率。這不僅可使本地城市居民出行更加便捷，而且能改善外來游客的游玩體驗，提升其滿意度。

本文僅用可視化方法對杭州市地鐵客流進行分析，而對于影響客流量大小的因素并未深入挖掘。因此，未來可充分挖掘這些影響因素，并對其進行建模分析，以進行更深入的研究。