集時空聚類和指標篩選的公共交通通勤者識別

周 航，陳學武

（1.杭州市規(guī)劃設計研究院，杭州 310020；2.東南大學,a.江蘇省城市智能交通重點實驗室，b.現(xiàn)代城市交通技術江蘇高校協(xié)同創(chuàng)新中心，c.交通學院，南京 211189）

0 引 言

通勤出行在城市出行總量中仍占據(jù)絕對多數(shù)，同時存在明顯的時空規(guī)律性，較為適合公共交通方式通過線路布設、班線運營等方面的高效組織來提升城市交通資源的使用效率。公共交通通勤者識別作為后續(xù)此類群體出行特征分析的基礎工作，在公共交通規(guī)劃與管理研究中至關重要。

早期由于技術限制，國內(nèi)外文獻多通過傳統(tǒng)通勤調(diào)查或居民出行調(diào)查研究公共交通通勤特征[1]，直接從被調(diào)查的通勤乘客來分析使用公共交通工具出行的乘客特征；后期隨著信息技術的發(fā)展，學者大多基于公共交通刷卡數(shù)據(jù)，輔以其他數(shù)據(jù)或者機器學習等新技術手段，來開展公共交通通勤人群的識別研究。目前較為常見的依托公共交通刷卡數(shù)據(jù)的通勤者識別方法大致分為三種：一是利用刷卡數(shù)據(jù)中的“卡類型”字段來識別，部分國家如日本會發(fā)行針對通勤（學）人群的“通勤票”[2]；二是融合公共交通刷卡數(shù)據(jù)、空間數(shù)據(jù)、出行調(diào)查數(shù)據(jù)等數(shù)據(jù)來識別，如識別職住地后再提取公交通勤者出行信息[3]；三是僅使用公共交通刷卡數(shù)據(jù)，從時間的重復性和穩(wěn)定性角度設置識別規(guī)則，包括一周首次刷卡總次數(shù)和首次刷卡時間差[4]、高頻OD 對的出行頻次[5]和出發(fā)時間標準差[6]等指標，或是利用聚類[7-9]、分類[10]、神經(jīng)網(wǎng)絡[11]等機器學習算法進行判別。

目前研究多為直接對指標設定篩選規(guī)則來識別公共交通通勤者，選取指標時主觀性較強，閾值設定單一，無法較完整和準確地表征通勤者出行規(guī)律；當僅使用機器學習算法識別時，仍存在指標計算復雜、對通勤者表征程度不足的問題；同時，識別方法較少考慮實際數(shù)據(jù)質(zhì)量，實用性較弱。因此，本文基于南京市公共交通系統(tǒng)刷卡和設施數(shù)據(jù)，提出一種集時空聚類和指標篩選的公共交通通勤者識別方法，以時空密度聚類算法（Densitybased Spatial Clustering of Applications with Noise,ST-DBSCAN）為基礎算法，根據(jù)數(shù)據(jù)條件提出兩步聚類法和線路相似性整合法，為基于職住地與指標識別的篩選操作縮小了識別范圍，可操作性和通用性強，能夠為公共交通通勤乘客的相關分析提供數(shù)據(jù)基礎，同時對公共交通設施與服務優(yōu)化提供一定的參考依據(jù)。

1 研究數(shù)據(jù)

1.1 數(shù)據(jù)描述

本文以南京為例，研究的公共交通系統(tǒng)數(shù)據(jù)分為刷卡和設施數(shù)據(jù)兩類，時間為2019 年3 月，如表1所示。刷卡數(shù)據(jù)包括公交、軌道交通和公共自行車刷卡數(shù)據(jù)，包括乘客個人和乘車時空信息（其中公交刷卡數(shù)據(jù)受一票制計費和設備記錄影響，下車均無位置信息，部分上車無位置信息），匿名乘客編號項為公共交通系統(tǒng)乘客的唯一標識。設施數(shù)據(jù)為這三類公共交通方式的線路和站點信息，包括站點線路編號和空間信息。

表1 公共交通系統(tǒng)基礎數(shù)據(jù)示意

1.2 數(shù)據(jù)處理

通勤者的通勤出行具有時空和模式上的穩(wěn)定性，可以作為通勤者識別的依據(jù)。乘客每次公共交通出行（如圖1所示）的信息提取是基礎，需要對數(shù)據(jù)進行預處理、換乘識別和出行信息整合操作。

圖1 一次公共交通出行示意

數(shù)據(jù)處理具體步驟為：

Step1 數(shù)據(jù)清洗。剔除錯誤和重復數(shù)據(jù)，統(tǒng)一字段格式，并將刷卡表整合為一份公共交通系統(tǒng)刷卡數(shù)據(jù)，共2 239 532條數(shù)據(jù)。

Step2 換乘識別。由于存在同一次出行對應多條數(shù)據(jù)的情況，故需要識別乘客的換乘行為，將不同出行階段的記錄整合為一條出行記錄（見圖1）。本文采用經(jīng)緯度空間距離計算與公交線路可換乘站點提取并行的方法，判別空間層面方式間換乘的可行性，閾值設為500 m[12]。將相鄰出行階段記錄的時間差與95%分位時間閾值比較[13]，得出最終的換乘行為識別記錄。

Step3 出行信息整合。將每位乘客每日每次出行的第一階段出發(fā)地信息作為該次出行的出發(fā)地信息，最后一階段的到達地信息作為該次出行的到達地信息（見圖1），整理后得到1 562 668條公共交通出行數(shù)據(jù)。

本文基于出行時空規(guī)律性來識別通勤者，故需要提取出部分關鍵的出行字段（如表2所示），包括乘客編號USERID、出發(fā)時間ONTIME、出發(fā)地經(jīng)度ON_LNG、出發(fā)地緯度ON_LAT、到達地經(jīng)度OFF_LNG、到達地緯度OFF_LAT以及乘坐線路名稱TRIPROUTE。

表2 通勤者識別所需出行字段示意

2 通勤者識別方法

2.1 識別思路

本文所提識別方法分為相似性出行整合和兩步篩選兩個步驟：首先，依據(jù)乘客在研究周期的出行集合中是否存在相似性出行，對乘客進行初步篩選，以獲得具有規(guī)律性出行特征的候選通勤者；然后，通過識別候選通勤者的職住地并完成對應的通勤出行初步提取操作，再利用識別指標進行篩選，以得到最終的通勤者識別結(jié)果。方法流程如圖2所示。

圖2 城市公共交通通勤者識別流程

2.2 相似性出行整合法

本文中的相似性出行是指具有相似起訖點位置和出發(fā)時間的出行集合，每位乘客在研究周期內(nèi)的出行都將被分為不同的組別，同一組別的出行即為同一類出行。類似地，時空聚類指的是根據(jù)一定的相似性準則將時空實體劃分成一系列較為均勻的子類（即時空簇）[8]，其中相似性的判定依據(jù)為時空聚類中的聚類參數(shù)，時空實體在本研究中即為公共交通出行，聚類結(jié)果即為相似性出行，每次出行記錄均被賦予對應的組別號。考慮到公交刷卡記錄存在信息缺失問題，故將相似性出行整合法分為兩類：數(shù)據(jù)完備時，采用基于ST-DBSCAN 算法的兩步聚類法；數(shù)據(jù)不完備時，對缺失數(shù)據(jù)采用線路相似性整合法，與完整數(shù)據(jù)的兩步聚類結(jié)果進行整合。

2.2.1 基于密度的時空聚類算法（ST-DBSCAN）

本文將ST-DBSCAN 算法作為基礎算法的原因在于：（1）該算法考慮時間和空間雙重要素、可識別高密度的簇和低密度的噪聲、無需確定初始核和簇數(shù)量等優(yōu)勢，常被用于出行模式劃分領域[9]；（2）本文所獲取的出行數(shù)據(jù)位置為經(jīng)緯度信息，相比其他算法研究使用的站點編號[10]更為精確，適用于空間聚類算法。算法是將時空實體STi的時空鄰近域的空間形狀定義為一個圓柱體，底面半徑為R，高為2ΔT，該鄰近域內(nèi)的實體數(shù)目即為STi的密度，當密度大于等于設定的最小密度值MinPts時，該實體STi即為核心對象。若STi+1位于核心對象STi的時空鄰近域，則STi+1從STi直接密度可達。密度可達是直接密度可達的傳遞閉包，密度相連是密度可達的傳遞，且為對稱關系，水平視角下時空密度連接示意如圖3 所示。時空鄰近域的劃定和最小密度的取值為算法關鍵參數(shù)，即空間半徑R、時間窗口ΔT和密度閾值MinPts。

圖3 水平視角下的時空密度連接示意[14]

本文基于一整月的研究數(shù)據(jù)進行聚類操作，通過多參數(shù)組合比選，將輪廓系數(shù)和CH值作為聚類效果評價指標，并依據(jù)肘部法則，最終選定參數(shù)R=1 200 m，ΔT=30 min，MinPts=5。R和ΔT分別代表本研究中位置和出發(fā)時間相似的判定范圍，即相似出發(fā)時間差距應≤60min（2ΔT），相似位置差距應≤1 200 m（R）；而MinPts=5 則代表位于相似判定范圍的出行記錄數(shù)應≥5 個，即同類時空出行的次數(shù)不小于5次/月。

2.2.2 數(shù)據(jù)完備條件下的兩步聚類法

當每次出行的出發(fā)地經(jīng)緯度、到達地經(jīng)緯度和出發(fā)時間3個要素齊全時，經(jīng)以下步驟可完成對每位乘客多次出行的聚類操作（流程見圖4虛線框內(nèi)部分）。

圖4 兩步聚類法（虛線框內(nèi)）與線路相似性整合法（整體）流程

Step1 對每次出行的出發(fā)地經(jīng)度、緯度和出發(fā)時間進行ST-DBSCAN 算法聚類，得到Cluster1。以USERID=42 的乘客出行為例，此步聚類結(jié)果如圖5(a)所示，分為噪聲點、Cluster1=1 和Cluster1=2三類。噪聲點（圓圈）的位置和出發(fā)時間較分散，而Cluster1=1（三角）和Cluster1=2（方塊）的位置和出發(fā)時間相對集中。

Step2 對每次出行的到達地經(jīng)度和緯度進行DBSCAN 算法聚類，得到Cluster2。乘客42 在此步的聚類結(jié)果如圖5(b)所示，分為噪聲點、Cluster2=1和Cluster2=2三類。

Step3 對每次出行，將對應的Cluster1 和Cluster2 直接組合為最終聚類結(jié)果Cluster3（如Cluster1=1 且Cluster2=1 時，Cluster3=1）。只有Cluster1 和Cluster2 取值均非噪聲時，Cluster3 按類別順序取值。乘客42 的最終聚類結(jié)果如圖5(c)所示，分為噪聲點、Cluster3=1和Cluster3=2三類。噪聲點（細實線）代表無規(guī)律的出行；Cluster3=1（粗實線）的出發(fā)地、到達地位置和出發(fā)時間均集中，代表一類具有時空相似性的出行集合；Cluste3=2（粗虛線）代表另一類相似出行集合。

圖5 兩步聚類法各步驟聚類結(jié)果示意（USERID=42）

2.2.3 數(shù)據(jù)不完備條件下的線路相似性整合法

當部分出行的起終點位置存在缺失時，無法按上述數(shù)據(jù)完備條件下的方法完成聚類，因此將出發(fā)時間和乘坐線路名稱兩個字段作為判別屬性，即考慮出行時間和線路選擇的穩(wěn)定性，將符合要求的出行加入到數(shù)據(jù)完備條件下的聚類結(jié)果中，得到最終整合結(jié)果（流程如圖4所示）。

整合步驟如下：

Step1 對出行數(shù)據(jù)按乘坐線路名稱字段分組為Class1，提取頻次≥2 的Class1，并對每個Class1分組進行出發(fā)時間的聚類，提取其中頻次≥2 的子類為Class2。

Step2 將每個Class2 子類中出行數(shù)據(jù)的出發(fā)時間與數(shù)據(jù)完備條件下聚類結(jié)果的各分組Cluster3 出發(fā)時間均值相比較，若低于30 min 則將此Class2 子類的類別號更新為Cluster3 分組的類別號，另外若Class2 子類中超過60%的出行未加入Cluster3分組，該子類自成一類。

Step3 將處理后的Cluster3 和自成一類的Class2 進行整合，得到最終的聚類結(jié)果CLUSTER_FINAL。

以USERID=9 的乘客出行為例，該乘客一月內(nèi)共56 次公共交通出行，其中信息完整和不完整的出行均為28 次。對信息完整的28 次出行進行兩步聚類法，得到聚類結(jié)果如圖6 所示，得到噪聲和Cluster3=1兩組（圖中未標注噪聲數(shù)據(jù)）。然后，對信息不完整的28 次出行進行操作，得到的13 條非噪聲數(shù)據(jù)結(jié)果如表3 所示。其中Class2=1 分組的出發(fā)時間與Cluster3=1的出發(fā)時間相近，故將其加入Cluster3=1 分組，而Class2=2 分組自成一類。經(jīng)過兩步聚類法和線路相似性整合法操作后，得到最終聚類結(jié)果為噪聲、CLUSTER_FINAL=1 和CLUSTER_FINAL=2三組。

表3 不完備出行數(shù)據(jù)的線路相似性整合結(jié)果

圖6 完備出行數(shù)據(jù)的兩步聚類結(jié)果

2.3 基于職住地與指標識別的兩步篩選法

2.3.1 基于職住地識別的通勤出行標識

在提取通勤出行前，需要先對每位乘客的職住地進行判別。一般假設乘客每日首次出行的出發(fā)地是居住地[8]，通過對乘客的長期出行數(shù)據(jù)進行空間密度聚類可較易得到，點數(shù)最多的簇的空間位置即為居住地所在區(qū)域。而工作活動僅為日常活動中的一類，難以直接識別工作地。考慮到通勤出行的規(guī)律性特征，統(tǒng)計處理乘客的相似性出行可識別出工作地，步驟如下：

Step1 基于上文得出的相似性出行數(shù)據(jù)，分別對從居住地出發(fā)前往的到達地和回到居住地的出發(fā)地進行空間密度聚類，空間閾值R仍取1 200 m，密度閾值為5個；

Step2 統(tǒng)計聚類結(jié)果中各簇的點數(shù)，點數(shù)最多的簇所在空間位置即為工作地所在區(qū)域。

將從居住地出發(fā)和到達工作地頻次最高的組別內(nèi)出行標記為上班，反之為下班。對于公交出行記錄位置缺失導致的部分出行起訖點所屬類別無法識別問題，可根據(jù)同類別相似性出行的標識結(jié)果或根據(jù)出發(fā)時間來確定。

2.3.2 通勤識別指標提取與閾值設定

城市公共交通通勤者出行的規(guī)律性強，在時間和空間上較為固定，采用的線路方案具有多樣性，使用的出行方式較為穩(wěn)定。高峰出行次數(shù)、出行天數(shù)、首次刷卡時間差、出發(fā)時間標準差、出行鏈重復次數(shù)、出行往返次數(shù)、相似出發(fā)站點頻次等指標[3,5,6]常被用于進行通勤識別研究。

上文的相似性出行整合操作，已將時間和空間的相似性以及線路方案的多樣性等考慮在內(nèi)，并且經(jīng)過候選通勤者篩選和通勤出行標識后，出行信息已融合職住信息。由于密度聚類算法中密度連接特性可能導致出發(fā)時間域的擴展，出發(fā)時間差仍需進一步考慮。由于居民活動多樣、個人習慣差異、可選方式多樣等原因，出行往返次數(shù)較難表征通勤者的特性。因此，在對候選通勤者進行二次篩選時，選擇出行天數(shù)、單次出發(fā)時間差和工作往返出發(fā)時間差作為識別指標。單次出發(fā)時間差是指研究周期內(nèi)多次特定類型出行的出發(fā)時間標準差，需對去程（出發(fā)至工作地）和返程（從工作地返回）兩類出行分別計算；工作往返時間差是指去程出發(fā)時間與返程出發(fā)時間的差值。若部分通勤者只有單程（即去程或返程），則無需計算工作往返出發(fā)時間差。

在出行天數(shù)指標的閾值設定方面，大多數(shù)通勤者識別研究采用類似指標頻次的閾值一般為2～4 次/周（約8～16 次/月）[5,6,15]，Ma[8]等人通過TOPSIS評價方法和ISODATA 算法完成人群分類后，統(tǒng)計發(fā)現(xiàn)通勤者與非通勤者的月出行天數(shù)分布曲線交點為11，故本文將出行天數(shù)閾值定為11。在單次出發(fā)時間差指標的閾值設定方面，研究多將其設定為1 小時[6]，然而考慮到工作去程與返程出行的出發(fā)時間特征存在差異性，下班回家的出發(fā)時間往往較為不穩(wěn)定，故此處將上班去程以及返程單程的出發(fā)時間差閾值分別定為1 小時和3 小時。在工作往返出發(fā)時間差指標的閾值設定方面，大部分研究均采用6 小時作為類似指標停留時長的閾值[3]，此處也定為6小時。

3 參數(shù)驗證和方法有效性比較

通勤者識別過程中的相似性出行整合和指標篩選操作需要確定多項閾值，其對識別效果具有重要影響。考慮到數(shù)據(jù)獲取滯后性及匿名性，本文結(jié)合參數(shù)驗證和方法有效性比較驗證結(jié)果。通過問卷調(diào)查獲取公共交通通勤者在通勤出行頻次、時間等方面的真實特征，以驗證本文所提方法中的指標取值合理性，問題設置如表4 所示。

表4 驗證指標與調(diào)查問題設置

調(diào)查采用網(wǎng)絡問卷形式，獲得有效樣本152份。調(diào)查中通勤者上班出發(fā)時間差均低于1h，下班出發(fā)時間差低于3 h的人數(shù)占比為96.4%（見圖7(a)），即處于單次出發(fā)時間差（工作去程和返程的閾值分別為1 h 和3 h）和算法時間閾值（ΔT為30 min（2ΔT=1 h））設定范圍的比例較高。站點步行距離是實際居住地與公共交通出行出發(fā)站點間的距離，與算法空間閾值的物理意義相近，低于空間閾值（1 200 m）的人數(shù)占比≥82.2%（見圖7(b)）。調(diào)查中公共交通通勤與非通勤人群平均一周采用公共交通上班或下班的天數(shù)分別為4.7和0.7，通勤人群相應值均高于出行天數(shù)指標閾值（11 天/月）。被調(diào)查者的工作往返出發(fā)時間差均超過工作往返出發(fā)時間差指標閾值（6 h）。本文中相似性出行整合和指標篩選步驟中的閾值設定較合理。

圖7 樣本通勤出行出發(fā)時間差和站點步行距離分布

本文采用與已有方法對比的方式驗證結(jié)果是否有效，選取的是根據(jù)一周內(nèi)早、晚高峰出行頻率來判斷通勤乘客的方法，早高峰（6:30～9:30）首次乘車次數(shù)=2，晚高峰（16:30～19:30）首次乘車次數(shù)=2 和早晚高峰首次乘車總次數(shù)=6 時，準確率達98.34%[15]。基于研究數(shù)據(jù)，本文方法共識別6 787人，對比方法共識別5 982 人，識別重合率僅37.0%。其余35.8% 的人數(shù)被對比方法排除，27.2%的人數(shù)被本文方法排除。本文識別結(jié)果在滿足對比方法要求的基礎上，在非早晚高峰時段和職住地出行空間規(guī)律的通勤者判別上表現(xiàn)出色，兩者識別結(jié)果滿足指標要求的比例如表4 所示。由于評判通勤乘客的量化標準暫未統(tǒng)一，此處僅能通過與其他方法結(jié)果的對比，來分析本文方法的應用優(yōu)勢。

表5 本文方法與純指標篩選方法[15]識別結(jié)果滿足指標要求的比例

4 相似性出行整合與兩步篩選結(jié)果分析

本文以南京為例，利用Python3.6編程環(huán)境，實現(xiàn)相似性出行整合操作，并通過Oracle11g 數(shù)據(jù)庫軟件統(tǒng)計篩選結(jié)果。操作全過程所處的硬件環(huán)境為3.8 GHz八核CPU、64 GB 內(nèi)存和8 TB 硬盤。基于2 239 532 條公共交通出行數(shù)據(jù)，對46 418 位公共交通乘客分別完成相似性出行整合操作，統(tǒng)計發(fā)現(xiàn)大部分乘客的出行是無規(guī)律的（無相似性出行），其人數(shù)占比為樣本總?cè)藬?shù)的55.6%。

最終識別出的通勤者出行天數(shù)均值在16.78天/月，單次出行出發(fā)時間差均值低于40min，同時標準差的均值低于15min，即出發(fā)時間較穩(wěn)定，工作往返出發(fā)時間差均值為10.16 h。通勤者的人均出行頻次明顯比非通勤者要高，分別為55 次/月和30 次/月。相比非通勤者，通勤者2019 年3 月的日出行量呈現(xiàn)工作日穩(wěn)定在較高水平，周末明顯下降的變化趨勢（見圖8(a)）。同時，以2019 年3 月13 日（周三）為例，通勤者與非通勤者的出行時段分布如圖8(b)所示。通勤者的出行時段明顯集中于6:00～9:00 和16:00～19:00 兩個高峰時段，其他時段的出行量明顯較低，但樣本中66.7%的通勤者不完全在傳統(tǒng)早晚高峰時段進行通勤。通勤者的6:00～19:00間的出行量變化相對平緩，波峰與波谷的差距不大。可以看出，識別出的通勤者出行日和出行時段變化規(guī)律與城市人口通勤或通學習慣一致，同時更貼合實際通勤者的多樣化特征。

圖8 通勤者與非通勤者出行量月變化與日變化分布

5 結(jié)束語

本文融合時空聚類和指標篩選思路進行公共交通通勤者識別，以時空聚類算法中的ST-DBSCAN 算法為基礎算法，進行具有相似出行OD 和出發(fā)時間的出行整合操作，并選取出行天數(shù)、單次出發(fā)時間差和工作往返出發(fā)時間差3 項指標作為通勤識別指標完成二次篩選。基于南京市數(shù)據(jù)，經(jīng)時空聚類，發(fā)現(xiàn)樣本中55.6%的乘客不滿足本文設定的出行時空規(guī)律；經(jīng)指標篩選后得到的公共交通通勤者人均出行頻次為55 次/月，工作日出行明顯集中于6:00～9:00 和16:00～19:00 時段，符合傳統(tǒng)對通勤者特征的認知，但樣本中66.7%的通勤者不完全在傳統(tǒng)早晚高峰時段進行通勤，本文識別結(jié)果較貼合實際通勤者更加多樣化的通勤特征。

區(qū)別于傳統(tǒng)研究的指標篩選思路，本文所提的通勤識別方法存在四點優(yōu)勢：（1）不局限于傳統(tǒng)早晚高峰時段，注重出行的時空規(guī)律性；（2）基于出行起終點的經(jīng)緯度位置進行聚類，相比站點聚類更為精準；（3）針對數(shù)據(jù)完備與不完備條件提出不同的處理方法，更符合實際數(shù)據(jù)狀況；（4）基于相似性整合結(jié)果利用指標二次篩選，補充通勤者其他特征的判別條件。識別結(jié)果可為公共交通通勤者的特征分析以及相應設施布局和服務優(yōu)化提供研究基礎，如多層次通勤公共交通服務體系的構(gòu)建。由于ST-DBSCAN 算法在時空域上具有一定的延展性，以及參數(shù)設置對識別結(jié)果存在影響，后續(xù)研究可考慮增加簇中時空閾值的限制，同時結(jié)合實際數(shù)據(jù)擬合識別指標，分析取值不同時通勤者與非通勤者的特征差異性以改進方法并進一步論證，使結(jié)果更為符合通勤者出行特征規(guī)律。