基于出行特征的汽車客運站最高聚集人數(shù)測算研究

唐秋生,許 浩,張永輝,熊 洋,孫齡波

(重慶交通大學 交通運輸學院,重慶 400074)

0 引 言

汽車客運站設計初期,因缺乏原始客流、數(shù)據(jù)獲取難度高、測算方法主觀性較強,測算出的最高聚集人數(shù)存在偏差,導致在客運站后續(xù)運營中出現(xiàn)資源浪費或緊缺的問題。為此需確定一套在最高聚集人數(shù)定義上,避免使用在設計初期無法獲取的數(shù)據(jù)進行人數(shù)測算的方法。

汽車客運站最高聚集人數(shù)是指按照設計年度平均日旅客發(fā)送量乘以固定百分比得出,何宇強等[1]在分析相關因素后提出概率法、最壞情景法、模擬法3種方法進行人數(shù)預測,其中概率法是一種根據(jù)發(fā)車時刻表,假定到達旅客分布從而計算的客觀方法,也是后續(xù)相關問題研究中所使用的主流方法;葉玉玲等[2]對概率計算法進行補充,綜合分析發(fā)車頻率與聚集人數(shù)的關系;張?zhí)靷サ萚3]指出規(guī)范中定義所存在的歧義,并在實地調研分析問卷結果后指出,旅客到站時間基本服從正態(tài)分布,在考慮列車晚點和旅客出行習慣的基礎上,采用概率法進行人數(shù)預測;C.DING等[4]在此基礎上,繼續(xù)構建客流預測模型,在考慮動態(tài)波動性后將其納入ARIMA模型進行區(qū)間預測;王愛麗等[5]則繼續(xù)前人在行車時刻表上入手預測的基礎上認為旅客到站時間服從一種復合負指數(shù)分布,根據(jù)北京南站的客流時空特征和行車時刻表完成仿真;陳喜春等[6]提出了一種基于改進圖解法的方法,將傳統(tǒng)計算方法的圖表法結合旅客聚集過程完成測算;姚加林等[7]認為同一車站因發(fā)車方向不同也將導致聚集人數(shù)產(chǎn)生差異。

從最高聚集人數(shù)研究中總結得出:概率法是一種比較科學的計算方法,但其中涉及旅客到達時間的概率分布函數(shù)以及參數(shù)等受其他因素影響。在此基礎上,李兆豐等[8]認為日期和天氣特征對旅客到站時間存在影響,并以LSTM神經(jīng)網(wǎng)絡為框架進行短時客流預測;狄智瑋等[9]認為乘坐頻率、行李量、流程熟悉度、出行目的等特征對旅客出行時間選擇有較大影響;崔敘等[10]認為區(qū)域路網(wǎng)密度、容積率、辦公設施、交通設施數(shù)量等環(huán)境因素與旅客出行時間存在非線性作用機制;J.LU等[11]認為旅客在車站內(nèi)的聚集時間(到站時間)與站內(nèi)的設施服務水平有重要關系,并定義了一種基于AFC數(shù)據(jù)和關鍵設施旅客步行時間的SSDC概念,進行旅客到站時間預測;T.STASKO等[12]認為旅客的到站時間偏好受列車擁擠程度影響作用明顯,并嘗試采用FW方法將旅客按照最短路徑的思路分配至列車以此來計算旅客在站的逗留時間;V.CANTILLO等[13]認為航空旅客主要考慮時間的主觀值、機票成本的彈性、旅行時間等因素進行出發(fā)時間的選擇;LIU Yang等[14]在前人基礎上,綜合各方面因素,包括外部環(huán)境、時間相關性、空間特征和運營特性構建一種名為DEEPPF的深度學習模型進行旅客流量預測。

綜上所述,針對最高聚集人數(shù)以及旅客出發(fā)時間(到站時間)的研究已存在較多成果,但在人數(shù)測算過程中可進一步綜合考慮旅客到站時間對最高聚集人數(shù)產(chǎn)生的微觀影響。為此,筆者提出一種結合旅客出行特征的最高聚集人數(shù)計算方法,以重慶市陳家坪汽車站為例進行計算。

1 最高聚集人數(shù)影響因素

采用概率法進行最高聚集人數(shù)測算時,主要考慮旅客在候車廳內(nèi)的聚集和消散過程:其中旅客聚集過程主要與到站時間、概率分布、發(fā)車時刻相關;消散過程主要與站內(nèi)設置的閘機數(shù)量、預留隊列空間等客觀因素有關。

1.1 集散規(guī)律

1.1.1 旅客聚集概率分布

旅客聚集概率分布是指旅客在何時到達客運站候車廳并開始候車直到進入發(fā)車程序開始登車的概率分布。為準確獲得其分布密度函數(shù),由陳家坪汽車站信息辦公室通過調取站內(nèi)閘機刷卡數(shù)據(jù)獲得,包含乘客到達時間和所乘坐班車信息。筆者通過MySQL軟件調取所選班次的刷卡數(shù)據(jù)信息,將乘客到達時間和所乘坐班車發(fā)車時間相減換算得出乘客候車時間,終而得到120名乘客的到達時間統(tǒng)計數(shù)據(jù)。同時為保證數(shù)據(jù)時效性,所選班次盡量緊湊,故選擇3趟2021年8月15日由重慶始發(fā)的3趟客運距離大于200 km,定員40人以上,發(fā)車時間分別為12:00、13:00、14:00的班次作為乘客到達時間數(shù)據(jù)收集范圍,如圖1。

圖1 旅客到站時間統(tǒng)計Fig. 1 Statistics of passenger arrival time

據(jù)觀察,原分布逼近正態(tài)分布,針對統(tǒng)計數(shù)據(jù)以標準正態(tài)擬合如圖2,擬合優(yōu)度R2為0.837。

圖2 旅客到站時間擬合Fig. 2 Fitting of passenger arrival time

擬合得到的正態(tài)分布概率密度函數(shù)為:

(1)

參數(shù)為:μ=42.96,σ=10.32。

1.1.2 旅客消散概率分布

旅客消散概率分布是指旅客在發(fā)車時間前,開始檢票后由候車廳向班車內(nèi)消散過程的概率分布,同時還存在部分陪站人員離站過程的概率分布。由于汽車客運班次單趟運輸量較小,站內(nèi)設置的檢票閘機基本充足,近似認為是均勻分布。在汽車站工作人員幫助下對2021年8月15日3趟由重慶始發(fā)的班車旅客離站時間進行統(tǒng)計分析得到,旅客消散過程自檢票時間開始起至發(fā)車時間,基本勻速進行。故認為,旅客消散函數(shù)為:

(2)

參數(shù)為:ε=3

1.2 發(fā)車時刻及上車人數(shù)

發(fā)車時刻表或行車計劃表是客運站內(nèi)反映行車調度計劃的重要表單,其中可以獲得發(fā)車時間、發(fā)車間隔、行車里程,車輛信息的重要數(shù)據(jù),可根據(jù)發(fā)車時間表確定概率法中所需要的時間節(jié)點以此生成對應分布進行聚集人數(shù)的仿真計算;根據(jù)發(fā)車間隔可以粗略判斷站內(nèi)同時間聚集人數(shù)情況;針對車輛定員信息,可以確定到站人數(shù);針對行車里程可以做出近中遠途班車的基本判斷,為后續(xù)確定出行特征提供數(shù)據(jù)基礎。

1.3 旅客到站時間

筆者針對旅客聚集規(guī)律進行了一次實地調研,對3班列車的旅客候車時間進行擬合得出近似標準正態(tài)分布的概率分布密度函數(shù)。但是分別對3趟列車候車數(shù)據(jù)進行擬合發(fā)現(xiàn),其μ取值存在差異,如圖3,表明在不同客觀條件下,旅客到站時間存在明顯差異,該差異將直接導致站內(nèi)聚集人數(shù)變化。

圖3 分班次旅客到站時間擬合Fig. 3 Fitting of passenger arrival time in different shifts

結合相關文獻,進一步探討旅客到站時間與出行特征的影響機制,同時保證所選擇出行特征在客運站設計初期的可獲取性[10-12]。

1.3.1 日內(nèi)時段影響

單日內(nèi)的發(fā)車時間可以被劃分為0:00—08:00區(qū)間的早間時段車輛,08:00—12:00區(qū)間的上午時段車輛,12:00—18:00的下午時段車輛,18:00—0:00的晚間時段車輛。根據(jù)旅客作為自然人的生理特性,在面對不同時段發(fā)車的班車時,會根據(jù)發(fā)車時間所在的具體自然時段調整到站時間。在面對早間時段發(fā)車的班車,因為城市公共交通還未開行,只能選擇網(wǎng)約車或自駕車前往場站,并且早間時段道路交通狀況良好,時間耗費容易掌握,該時段班次的旅客更傾向靠近發(fā)車時間到達場站。

1.3.2 周內(nèi)日期影響

周內(nèi)日期主要劃分為工作日和非工作日。工作日開行的班車除開在通勤時間的早高峰和晚高峰時段,大部分時間交通狀況較好,旅客傾向于靠近發(fā)車時間到站;非工作日開行的班車因節(jié)假日自駕出行比例較高、交通狀況不易估計等原因,更傾向于提前發(fā)車時間到站。并且在工作日與非工作日的同一時段上,旅客到站時間也存在明顯差異。

1.3.3 客運距離影響

客運距離可作為出行目的判斷依據(jù)之一,同樣也可作為隨身行李量多少的判斷指標。客運距離較短的班車主要服務于城市近郊,多為本地乘客周末出行度假、商務目的,其服務對象均對乘車流程以及時間掌握度較高,傾向于靠近發(fā)車時刻到站;客運距離較長的班車多為外地游客返鄉(xiāng),本地游客出遠門目的,其服務對象從行李量、乘車時間等方面來說均長于普通旅客,更傾向于提前發(fā)車時間到站。

1.3.4 季節(jié)氣候影響

季節(jié)氣候主要與當?shù)丶竟?jié)溫度相關,以重慶亞熱帶季風性濕潤氣候為例,全年平均氣溫較高,單日溫差變化大。當旅客在氣溫較高或較低的時刻出發(fā)時,更傾向于靠近發(fā)車時刻到達場站,以減少候車時刻。同理,在不同季節(jié)時,因溫度原因導致旅客做出的出發(fā)選擇不盡相同。

綜上所述,筆者選取日內(nèi)時段,周內(nèi)日期,客運距離,季節(jié),溫度5個出行特征作為旅客到達時間預測依據(jù),如表1。

表1 特征選取Table 1 Feature selection

為進一步探求該5個特征與旅客到站時間的影響機制,考慮到預測模型需要,于重慶市陳家坪汽車客運站開展4次實地調研,具體調研內(nèi)容為旅客到站時間與所乘坐班次信息,在獲取每一位受訪旅客的車次信息后,通過到站時間與發(fā)車時間換算求得提前到站時間,同時記錄每位旅客受訪時當前時段、日期、季節(jié)以及當前氣溫,以完成樣本數(shù)據(jù)收集。實際獲得318份問卷,篩選部分缺失信息的問卷得到280份有效問卷。將各項特征數(shù)據(jù)按照表1進行嚴格數(shù)值轉換,得到最終調研數(shù)據(jù)如表2。

表2 樣本節(jié)選Table 2 Sample excerpt

根據(jù)有效樣本進行Pearson相關性檢驗。由表3可得,日內(nèi)時段對旅客到站時間影響最大,其次為客運距離、季節(jié)、溫度等,周內(nèi)日期相關程度最小但相關系數(shù)也達到0.882 5。結果表明筆者所選擇的5個出行特征與旅客到站時間存在影響機制,為后文預測模型的建立提供理論基礎。

表3 Pearson相關性分析Table 3 Pearson correlation analysis

2 考慮出行特征的最高聚集人數(shù)測算

2.1 符號定義

根據(jù)模型中出現(xiàn)的符號,現(xiàn)定義如表4。

表4 符號定義Table 4 Symbol definition

2.2 旅客到站時間預測模型

針對前文所述5個出行特征,其與旅客到站時間的具體影響機制難以直接描述,筆者選用BP神經(jīng)網(wǎng)絡預測模型進行建模。BP神經(jīng)網(wǎng)絡模型具有良好的分類識別能力,在足夠的樣本量支撐下也具有一定自適應能力,訓練完成后的神經(jīng)網(wǎng)絡可認為是特征與結論的一個函數(shù)映射關系。因此,將日內(nèi)時段、周內(nèi)時期等5個特征作為輸入,旅客到站時間作為輸出,進行神經(jīng)網(wǎng)絡訓練。

輸入層:

(3)

隱含層:

(4)

其中,f(x)是激發(fā)函數(shù),一般采用Sigmoid函數(shù)為:

f(x)=1/(1+e-x)

(5)

輸出層:

(6)

2.3 聚集旅客量

根據(jù)旅客集散規(guī)律和行車時刻表,旅客到達分布為:

(7)

參數(shù)為:μ=Ti,σ=Ti/3

式中:σ=Ti/3是為了控制大部分旅客在此時間段內(nèi)到達候車廳。因正態(tài)分布密度函數(shù)在無窮大時間軸上積分時總和為1的特性,故無法保證所有旅客按規(guī)定時間范圍內(nèi)到達。引入修正因子將原概率密度函數(shù)修正至指定時間范圍總和為1,有修正過程為:

(8)

(9)

經(jīng)修正后概率密度函數(shù)則有k時刻內(nèi)進站人數(shù)為:

(10)

2.4 消散旅客量

按照旅客消散規(guī)律,乘坐i趟列車的旅客以及陪站人員消散函數(shù)為:

(11)

可分別獲得旅客以及陪站人員在k時刻乘坐i趟列車消散人數(shù)為:

(12)

(13)

2.5 聚集人數(shù)測算

根據(jù)k時刻聚集旅客量和消散旅客量,可得:

(14)

H=max(Hk)

(15)

3 模型求解及算例

3.1 模型求解

Step1樣本數(shù)據(jù)處理。在進行BP神經(jīng)網(wǎng)絡模型訓練之前,需指定模型輸出變量以及輸入變量,本研究中該模型考慮出行特征對乘客到站時間的具體作用機制,故將樣本數(shù)據(jù)的第1列定義為因變量,第2列～6列定義為自變量。

Step2訓練網(wǎng)絡。使用測試集數(shù)據(jù)訓練神經(jīng)網(wǎng)絡,設置參數(shù)如下:訓練方法為“Trainlm”,神經(jīng)元個數(shù)3,訓練集70%,驗證和測試集各15%,驗證方法選擇均方差法,輸出訓練完成的網(wǎng)絡以及訓練情況。檢驗集擬合優(yōu)度為0.930 6,訓練結果較好,保留該網(wǎng)絡。

Step3旅客到站時間預測。根據(jù)訓練好的神經(jīng)網(wǎng)絡進行旅客到站時間預測,根據(jù)單日內(nèi)行車時刻表,確定每班列車的5個特征取值,輸入網(wǎng)絡進行預測,得到每趟班車旅客傾向的到站時間。

Step4建立仿真模型。根據(jù)列車發(fā)車時刻以及旅客到站時間,生成若干符合發(fā)車條件的聚集正態(tài)分布和消散分布,以此模擬旅客到站的數(shù)量變化。

Step5計算聚集人數(shù)。導入班車定員、陪站人員系數(shù)、滿載率等系數(shù),最終計算得出日內(nèi)人數(shù)變化。

3.2 算 例

結合筆者提出的聚集人數(shù)計算模型,針對陳家坪汽車客運站現(xiàn)有運行情況,選取年內(nèi)發(fā)車班次較多的單日行車計劃表進行仿真計算,共計發(fā)車215輛均由站內(nèi)始發(fā)。根據(jù)車型統(tǒng)計和經(jīng)驗公式,滿載率在運營高峰時取1,陪站系數(shù)取1.3,車次定員取值如表5。

表5 車型定員Table 5 Vehicle model seating capacity

根據(jù)模型計算得出12:57時刻出現(xiàn)旅客聚集最大值,旅客數(shù)量為867人,按定義計算得最高聚集人數(shù)788人,陳家坪汽車客運站單位時間旅客人數(shù)變化如圖4,一日內(nèi)旅客聚集數(shù)量變化如圖5。

圖4 旅客人數(shù)變化時刻統(tǒng)計Fig. 4 Statistics of changes in passenger numbers at different times

圖5 聚集人數(shù)變化Fig. 5 Change in the number of the gathered people

圖5中,08:00至11:00出現(xiàn)第1波高峰聚集,主因該時段有較多班次發(fā)車,于12:00至16:00出現(xiàn)日內(nèi)第2波高峰,該時段發(fā)車班列車型多為大高一級和大高二級,單車輛乘坐旅客數(shù)較多且大部分為長途出行,導致站內(nèi)人數(shù)保持在較高聚集水平。

如圖6為根據(jù)站內(nèi)刷卡數(shù)據(jù)繪制而成的人數(shù)變化圖。實際情況中,最高聚集人數(shù)出現(xiàn)在14:00為766人,與測算結果相差約1 h;出現(xiàn)該情況主要考慮因測算模型中針對旅客的消散過程設定為勻速消散,而實際情況中旅客的消散多為非線性消散,由此而產(chǎn)生滯后作用的干擾;在整體趨勢上,將原始數(shù)據(jù)列與測算數(shù)據(jù)列進行相關性分析,求得復相關系數(shù)為0.761 3,說明測算模型結果較準確,適用于汽車客運站最高聚集人數(shù)測算。

圖6 實測人數(shù)變化Fig. 6 Changes in the measured number of people

4 結 論

1) 陳家坪汽車站旅客平均到站時間為29.7 min,提前15～20 min的旅客占21.07%,21～30 min的旅客占33.93%,31～40 min的旅客占30.71%,40 min以上的旅客占14.29%。

2) 汽車客運站的旅客到站時間與出發(fā)環(huán)境的不同存在一定影響機制。根據(jù)出行特征的差異從而確定旅客到站概率密度分布,構建適用于汽車客運站的最高聚集人數(shù)測算模型,以此來避免設計前期基礎客流資料主觀性較強等問題。在新建客運站無法確定行車時刻表時,同樣也可利用規(guī)劃發(fā)車線路、間隔等資料進行聚集人數(shù)測算。

3) 以陳家坪汽車客運站作為算例分析。陳家坪汽車站內(nèi)聚集人數(shù)最大值在12:57出現(xiàn),人數(shù)為867人,最高聚集人數(shù)為788人,考慮遠景汽車客運站轉型升級為旅游集散中心或是商務中心等因素帶來的客流量上浮,可能出現(xiàn)的最高聚集人數(shù)為1 024人。