基于交通綜合體客流加權的分合換乘路徑研究

陳 剛，覃云章，楊 睿

（西南交通大學，四川成都 611756）

1 背景

行人作為交通綜合體中的核心主體，其行為具有地域性、非線性動力特性等特點[1]，而交通綜合體中大量個體行人形成的客流組織則極具復雜性，且面臨與多元空間配置相互協同的問題，因此有必要對交通綜合體客流的換乘路徑進行定量刻畫，加強對乘客活動特征的認識。

國外比較關注微觀行人行為特性研究，Molnar等研究指出，行人交通行為主要有路徑選擇、到達離去、碰撞規避、徘徊等行為[2-3]。Hoogendoorn等將行人的個體行為分為戰略層、戰術層以及操作層3個層面，并且高層次行為決定低層次行為的選擇集合[4]。Cheung等調查了香港地鐵站高峰時段行人選擇樓梯與自動扶梯的行為，并以此構建了兩者的路徑選擇模型[5]。國內對乘客換乘也有一定研究，呂慎等通過尋找樞紐內任意2種交通方式之間換乘的關鍵路徑，建立了樞紐內不同設施布局方案的效用損失模型[6]。嚴海等分析路徑過程中不同設施對乘客路徑選擇的影響，建立了改進的多項Logit模型和路徑效用函數[7]。閆凱等提出地鐵站大客流承載能力的測算方式，并給出提高大客流承載能力的建議[8]。

國內外對換乘路徑的研究一方面針對微觀的行人行為，另一方面構建相關的模型對客流進行預測。本研究對換乘路徑選擇概率進行預測，并構建了客流加權的分合換乘路徑，定量地刻畫交通綜合體各空間的客流分配情況。

2 研究對象

成都西站為客運三等站，是集鐵路、地鐵、有軌電車、公交、出租車以及共享單車等交通方式為一體的交通綜合體。借助規劃云網站（http://guihuayun.com）中的等時圈功能，得到以成都西站進站口為中心的步行5 min等時圈，再以5 min步行等時圈范圍為基礎，結合周邊用地與設施情況，綜合考慮后將研究范圍劃定為西貨站路以東、高鐵軌道以西、清水路苑以北、公交中心站以南的區域，面積約為15 hm2。

結合實際情況對研究范圍內除道路以外的空間進行分類，劃分為站廳空間、廣場空間、接駁空間、商業空間、綠化空間、未利用空間以及待開發空間7類，其中站廳空間、廣場空間、接駁空間以及商業空間是乘客活動的主要場所，綠化空間是乘客活動的次要場所，而未利用空間以及待開發空間與乘客的活動關聯性低，如圖 1所示。

3 多項 Logit 模型

多項Logit模型（MNL）屬于非集計模型，其在行人路徑選擇行為中也有很多應用[9-10]。在選擇換乘路徑時由每個行人自身做出決策，而影響決策的是各條路徑的效用，效用是時間、距離、滿意度、需求等指標綜合衡量的產物，并且行人會選擇對其而言最大效用的換乘路徑。即若在行人i面前有N條路徑，其中一條路徑n對行人i而言的效用可表示為Uin，其中n∈（1，2，3，…，N），行人會判定各條路徑的效用，然后選擇效用最大路徑Uik，即滿足Uik＞Uin，其中n≠k。

根據效用理論的相關定義，效用可表示為固定效用與隨機效用的加和，其中固定效用是可以確切計算的，而隨機效用是一個隨機改變的不定項，因此行人i選擇路徑n的效用可以用下式表達：

式（1）中，Vin為行人i選擇換乘路徑n的固定效用，考慮到結果分析和系數標定時的便利性，假設Vin與其影響因素之間呈線性關系（式（2））；ξin為行人i選擇換乘路徑n的隨機效用，是決策者特有的不可觀測的或不可確定的偏好或需求造成的效用概率變動項。

式（2）中，k為影響因素的個數；xk為第k個影響因素的水平值；βk為第k個影響因素的系數。

上述的隨機效用是不可觀測的，但若假設效用中隨機項的分布已知，各換乘路徑的隨機項相互獨立，并且服從同一的耿貝爾（Gumbel）分布，此時可推導出多項Logit模型函數為：

式（3）中，N為換乘路徑選擇集合；xin=（xin1，xin2，…，xink），為影響換乘路徑選擇的影響因素；β=（β1，β2，…，βk），為影響因素的待估參數。

4 換乘路徑選擇模型構建

4.1 影響乘客選擇換乘路徑的因素

交通綜合體中的乘客可分為進站乘客以及出站乘客，2種人群的換乘路徑起訖點（OD）不相同，在路徑決策時心理、需求等也不相同，從而造成活動特征具有較大差異，因此需將二者分開分析闡述。

影響乘客路徑選擇的因素很多，包括路徑特性、行人特性、出行特性、接駁換乘特性以及其他因素等。選取路徑總長度、路徑耗費時間、到達時刻、攜帶行李重量、路徑重復度、年齡、可活動時間作為進站乘客路徑選擇的影響因素；而選取路徑總長度、路徑耗費時間、到達時刻、攜帶行李重量、等車時間、乘車時間、乘車費用作為出站乘客路徑選擇的影響因素。活動路徑選擇模型變量命名如表1所示。

表1 活動路徑選擇模型變量命名表

4.2 換乘路徑遴選

4.2.1 進站乘客換乘路徑

進站人群換乘路徑集是以各接駁空間為起點，以候車廳為訖點，是起點向訖點集聚的“收斂型路徑集合”，乘客在選擇換乘路徑時，并不受進站的交通工具影響，因此同一地點的接駁換乘方式不同對路徑選擇并無影響，根據這個特性將相鄰下客點的不同接駁方式進行合并，合并后的區域作為進站人群的起點，如圖2、表2所示。

表2 進站路徑起點統計表

將O1至O66處接駁空間作為起點，廣場空間（主要活動內容為休憩、散步）、商業空間（主要活動內容為餐飲、購物）、售票廳（主要活動內容為售票）為中間活動點，候車廳為終點，描述所有理論可能的路徑，需要說明的是售票廳作為最后順序的中間活動點。

在描述活動鏈路徑過程中遵循2點原則：不重復，即單條路徑中每個活動空間不重復出現；有次序，即路徑遵循先后次序，先到達A點后到達B點與先到達B點后到達A點視為2條不同路徑。根據不同的排列組合，每個起點進站所有路徑為10條，其中直接進站路徑有1條，經過1個中間活動點的路徑有3條，經過2 個中間活動點的路徑有4條，經過3個中間活動點的路徑有2條，如圖3所示。

4.2.2 出進站乘客換乘路徑

出站人群活動鏈路徑集是以高鐵出站口為起點，以各處接駁空間為訖點，是起點向訖點分散的“發散型路徑集合”。出站路徑的訖點有6處，與進站路徑的起點相對應，如圖4、表3所示。

表3 進站路徑起點統計表

出站路徑以高鐵出站口為起點，廣場空間、商業空間為中間活動點，各處接駁空間為訖點，描述所有可能路徑，描述原則與進站路徑相同。如圖5所示，出站路徑理論上共有30條，其中不經過中間活動點的路徑有6 條，經過1處或2處活動點的路徑各有12條。

從乘客心理分析，上述有些路徑不符合實際，因此需要對其進行刪除：將路徑 17 18 23 24 刪除，原因為雖然D5、D6兩處接駁空間存在小汽車、共享單車及地鐵3種交通方式，但乘客在商業空間活動后如若乘坐上述3種交通工具，可選擇距離更近的接駁空間，乘客無理由舍近求遠；將路徑25 26 27 28 29 30 刪除，原因為高鐵出站口離廣場空間非常近，而距離商業空間較遠，乘客在商業空間活動后無理由折返到廣場空間活動，而且廣場空間的活動內容在商業空間中也能進行。調整過后共有20 條出站活動鏈路徑，其中不經過活動點的路徑有6 條，經過1 處活動點的路徑有10條，經過2處活動點的有4條。

4.3 數據調查

遴選出理論存在的路徑后，應用行為軌跡調查法追蹤進站人群的活動路徑，并詢問記錄相關屬性，經篩選整理后，總共得到148條有效進站換乘路徑。其中路徑①最多，有60條，路徑②有30條，路徑③有45條，路徑④有8條，路徑⑦有5條，路徑⑤、⑥、⑧、⑨、⑩未觀察到數據。總共得到149條有效出站換乘路徑，其中路徑①最多，有60條，路徑②有6條，路徑③有7條，路徑④有19條，路徑⑤有5條，路徑⑦有8 條，路徑⑧有2條，路徑⑩有35條，路徑 21 有7條，路徑⑥、⑨、11、12、13、14、15、16、19、20、22 未觀察到數據。

4.4 換乘路徑選擇模型構建

4.4.1 進站換乘路徑選擇模型構建

將影響進站路徑選擇的7個因素作為解釋變量，路徑選擇作為被解釋變量，應用Stata 17軟件構建多項Logit路徑選擇模型，發現模型未實現收斂。通過多次試驗可知，變量“Weight行李”“Repeatability”“Length總”對所有路徑解釋力度都弱，應當剔除。

經過調整后，以“Time耗”“Time活”“Time達”及“Age”作為解釋變量，路徑選擇作為被解釋變量，路徑①作為基礎類型，構建進站換乘路徑選擇模型。模型的偽R2為0.429 3，偽R2相當于線性回歸模型中的R2，其值越大表明模型擬合優度越好，在離散選擇模型實踐中偽R2一般較小，在0.2～0.4區間內可滿足模型的精度要求[10]，說明模型的擬合優度較好，滿足精度要求。似然比檢驗值為168.21，表明模型的解釋力度在零模型上有顯著的提高。

對樣本數據進行概率預測，再與觀測值進行對照，對照方法為：如果選擇某條路徑的預測概率大于50%，則認為選擇該路徑。對照后發現有101條數據預測準確，準確率為68.24%，表明模型的擬合優度較好。

由于最終目的不是求得個體選擇概率，而是群體對各選擇枝的選擇概率，故利用概率預測法對各路徑的選擇概率進行計算，其公式如下：

式（4）中，Pi為路徑i的選擇概率；N為個體數量；Pni為乘客n選擇路徑i的概率。

利用式（4）求得路徑①的選擇概率為40.54%，路徑②的選擇概率為20.27%，路徑③的選擇概率為30.40%，路徑④的選擇概率為5.41%，路徑⑦的選擇概率為3.38%。

4.4.2 出站換乘路徑選擇模型構建

將影響出站路徑選擇的7個因素作為解釋變量，路徑選擇作為被解釋變量，構建多項Logit路徑選擇模型，發現模型未實現收斂。通過多次試驗可知，變量“Length總”“Time等”“Time達”對所有路徑解釋力度都弱，應當剔除。

改進后的出站路徑選擇模型是以“Time耗”“Money”“Time乘”及“Weight行李”作為解釋變量，路徑選擇作為被解釋變量，路徑①作為基礎類型，樣本數量為149，似然比檢驗值為338.03，模型整體較為顯著，偽R2為0.661 6，擬合優度較好，滿足精度要求。

對樣本數據進行概率預測，再與觀測值進行對照，對照方法同上。對照后發現有103條數據預測準確，準確率為69.13%，表明模型的擬合優度較好。

對于出站路徑，同樣需要求解群體對各選擇枝的選擇概率，利用式（4）求得路徑①的選擇概率為40.26%，路徑②的選擇概率為4.03%，路徑③的選擇概率為4.70%，路徑④的選擇概率為12.75%，路徑⑤的選擇概率為3.36%，路徑⑦的選擇概率為5.37%，路徑⑧的選擇概率為1.34%，路徑⑩的選擇概率為23.49%，路徑21的選擇概率為4.70%。

5 客流加權分合換乘路徑構建

5.1 進站客流加權分合換乘路徑構建

由于進站路徑共有10種，路徑⑤、⑥、⑧、⑨、⑩雖說觀測樣本數極少或無觀測值，但并不代表這些路徑沒有人選擇，故將上述5種路徑的選擇概率均定為0.1%，調整過后進站所有路徑的選擇概率如表4所示。

表4 進站路徑客流量分配表

此外，由于每種進站路徑并不是只有1個起點，故在構建整體的具有流量加權的分合進站路徑之前需對各起點的流量進行分配。分配的依據為路徑調查數據，計算結果如圖6、表5所示，情況與現實相符。

?

表5 進站OD客流量分配表

根據表4與表5可以計算出每種路徑不同起點的客流分配，如表6所示。由表可知，客流量占比在10%以上的只有3條，且均是以O1為起點的路徑，說明O1是進站的主要入口；客流量占比少的有以O6為起點的路徑⑤、⑥、⑧、⑨、⑩，這些路徑的客流量為0，表明幾乎無乘客選擇。

表6 進站路徑客流量詳細分配表

應用表6對各路徑進行客流量加權，從而構建流量加權的分合路徑，定量描述進站路徑各路段的流量情況以及分合情況。由圖7可知，進站路徑分布呈現中心密集，南北稀疏的格局，尤其是北部，幾乎無路徑分布；大多數路徑分合點位于廣場空間中，且各類空間中廣場空間的路徑最為復雜多樣，說明廣場空間是交通綜合體中的重要空間，起到分合客流的作用。

5.2 出站客流加權分合換乘路徑構建

由于出站路徑共有20條，雖然路徑⑥、⑨、11、12、13、14、15、16、19、20、22 無觀測值，但并不代表這些路徑沒有人選擇。故將無觀測值的路徑的選擇概率定為0.1%，調整過后出站所有路徑的選擇概率如表7所示。

應用表7對各路徑進行客流量加權，從而構建流量加權的分合路徑，定量描述出站路徑各路段的流量情況以及分合情況。圖8為出站路徑客流量加權總圖，由圖可知，出站路徑分布呈現中心密集，南北稀疏的格局，尤其是北部，幾乎無路徑分布；客流量較多的路徑基本位于廣場空間中，說明出站乘客對廣場空間使用較為頻繁；相較進站路徑客流來說，商業空間路段的客流量較低，說明出站乘客比進站乘客更少地使用商業空間。

表7 出站路徑客流量分配表

6 結語

本研究以交通綜合體的各類空間作為換乘路徑的基本單元，構建了進、出站路徑選擇枝的預測概率集，并以此為依據構建了客流加權的分合換乘路徑。

其中，進站乘客與出站乘客對換乘路徑的選擇存在一定的差異：對于進站乘客而言，路徑耗費時間、可活動時間、到達時刻以及年齡4個因素對路徑選擇有較大影響；而對于出站乘客而言，路徑耗費時間、乘車時間、乘車費用以及攜帶的行李重量4個因素對路徑的選擇有較大影響。

從客流加權的分合換乘路徑的結果來看，進站路徑比出站路徑復雜，分合處較多，但二者在空間上客流分配結構卻相差不大，且都是以廣場空間為中心向南北兩側減弱，體現了站前廣場的對各空間連接的重要性。客流加權的分合換乘路徑的構建為設施的布局、空間優化及客流組織等提供了定量的參考依據。