基于多模式交通網絡建模的居民出行特征探測
——以深圳市為例

楊 夢 勤,王 艷 慧,羅 霄 月,蔡 鑫 雨,劉 佳 皓

(首都師范大學資源環境與旅游學院,北京 100048;首都師范大學三維信息獲取與應用教育部重點實驗室,北京 100048)

0 引言

隨著城市規模、交通需求總量和出行距離不斷增加[1],僅靠單一道路網絡無法準確刻畫日益嚴重的交通問題[2],需探索多模式交通網絡集成的復雜網絡模型,以更準確地模擬城市實際交通狀況,從而緩解交通壓力[3]。有學者將多模式交通網絡應用于智慧交通領域[4,5],例如:Soh等[6]利用新加坡智能交通卡刷卡數據,以公交客流量為權重構建城市公交網絡模型;陳曉明等[7]在構建地鐵—公交雙層網絡模型時,引入復雜網絡識別和篩選網絡拓撲關系中的節點,實現網絡中車站節點布局和銜接關系的優化;吳韜等[8]基于復雜理論對交通網絡結構和功能進行探索,分析了交通擁堵現象的時空分布與演化規律。為融合不同交通模式的異質性[9],有學者利用交通小區的相似性和強關聯性簡化復雜網絡[10]并合理劃分交通區域。交通小區可被視作城市交通的相對獨立單元,有助于更全面地理解和有效管理城市交通。近年來,交通小區劃分方法呈現出多樣化趨勢[11],例如:李明[12]根據交通小區劃分準則,利用智能交通刷卡數據和路網數據構建交通小區劃分模型;孫超[13]探究了尺度效應對交通小區劃分的影響,并通過理論分析、數據挖掘等方法對交通小區進行劃分。然而,如何構建一種既能充分考慮各交通網絡特點,又能有效集成不同交通小區劃分結果的方法,仍亟待解決。

城市居民出行特征可為交通需求分析和交通擁堵治理提供重要依據[14],學者們通常使用交通站點和出行數據構建網絡模型[15],或運用二維傾向得分匹配法[16]、熱點探測模型[17]以及FCD(Floating Car Data)軌跡挖掘技術[18]探究居民出行特征,然而,現有研究通常局限于單一數據源,難以系統全面地刻畫居民出行特征。鑒于此,本文以深圳市為例,兼顧多源異質交通數據可用性和研究區城市建設規劃實際需求,提出一種基于交通小區劃分的多模式交通網絡建模方法,借助移動軌跡挖掘和特征融合方法實現多源交通數據的整合分析,以期更客觀、準確地揭示城市居民出行情況和真實交通需求,為城市公共交通政策制定等提供決策支持。

1 研究區域與數據

深圳市(圖1)作為沿海特大城市,毗鄰大亞灣、大鵬灣、珠江口和伶仃洋,與香港特別行政區、中山市、珠海市、東莞市、惠州市等多個城市接壤,形成一個經濟發達且高度互聯的城市群,然而,獨特的地理區位優勢和高速發展的經濟體量使深圳面臨不斷增加的交通需求和挑戰。在此背景下,深圳市政府致力于構建“三橫四縱”的綜合交通網絡格局[19],旨在實現1 h通勤圈。因此,需要不斷優化交通規劃和管理,以適應日益增長的出行需求,為居民提供更好的出行體驗,促進城市可持續發展。

圖1 深圳市公共交通空間分布Fig.1 Spatial distribution of public transportation in Shenzhen

研究數據包括:城市公共交通站點和線路數據集、智能交通刷卡數據(來源于深圳市政府數據開放平臺,https://opendata.sz.gov.cn)以及深圳出租車服務提供商所儲存的運營出租車車載GPS數據,時間范圍為2018年6月22日至12月23日全天時段。首先,對數據集進行數據清洗、坐標轉換等預處理,保留城市公交站點數據唯一值,去除重復或空間鄰近站點;在此基礎上,提取智能刷卡數據及GPS軌跡數據的起始站點、乘車類型、乘車時間、交通卡標識等信息;最后將數據集統一至國家大地坐標系(CGCS2000),并根據數據集的屬性信息得到對應的出行行為記錄。

2 研究方法

綜合考慮多源交通數據的時空分異性,本文提出基于交通小區劃分和站點路徑匹配的多模式交通網絡建模方法和居民出行特征分析的多特征融合算法,具體實現流程(圖2)為:首先,對刷卡數據和軌跡數據進行清洗、軌跡提取等預處理,采用網格-OD點密度聚類算法和GPS軌跡覆蓋算法分別在Zone尺度、Link尺度和行政區尺度劃分交通小區;基于此,構建公交—地鐵網絡和出租車網絡,利用換乘識別和復合加權法集成構建多模式交通網絡;最后,利用樸素貝葉斯算法進行公交—地鐵和出租車出行特征分類,基于泰森多邊形法和層次分析法實現空間軌跡聚類和多模式特征融合分析,以更準確地刻畫居民出行特征。

圖2 整體技術流程Fig.2 Overall technical process

2.1 交通小區劃分算法

現有交通小區劃分方法通常以行政區為單元,只考慮數據收集管理的便捷性,未考慮交通動態性和空間劃分的可伸縮性。因此,本文提出一種可以量化不同交通網絡間時空差異的交通小區劃分方法,即通過網格-OD點密度聚類算法劃分交通域,利用GPS軌跡Link覆蓋算法優化出租車服務覆蓋范圍,并對劃分結果進行修正,以提高網絡模型的準確性、靈活性和實用性。

2.1.1 網格-OD點密度聚類算法 根據網格內OD點的密度自適應劃分網格面積,并通過多尺度聚類指數調整區域劃分形狀,實現區域劃分[20]。算法分為兩個階段:①區域網格劃分階段:首先根據各區域的屬性維度劃分為Gi(式(1))(i=1,2,3,…,M)個網格區域;然后,統計每個Gi中的OD點數量并進行歸一化處理,利用模糊算法思想創建字段屬性表,計算所有網格區域內和節點處的密度值,即相鄰區域疊加后的平均值;最后,根據相鄰網格的公共邊數量對網格進行分組,并在待擴展區域(灰色區域)內的相鄰網格之間建立聯系,網格的相鄰關系及結果密度分布如圖3所示。②區域合并階段:在區域面積不超過上限的前提下,將下一個網格加入前一個網格中。對相鄰網格數據,將其所有鄰邊網格加入待合并區域;對跨網格數據,選取最大密度的網格加入待合并網格隊列,依此規則將區域內所有網格加入待合并隊列中進行網格合并。

圖3 網格相鄰關系圖及節點密度分布Fig.3 Grid adjacency diagram and node density distribution

(1)

式中:rm為各維度聚類指數,d為維度的種類數,r為各維度聚類指數乘積值,n0為出行鏈的總和。

2.1.2 GPS軌跡覆蓋算法 本文采用GPS軌跡覆蓋算法進行軌跡聚類并確定區域劃分邊界。首先,將出租車軌跡數據映射至各道路網并統計道路行駛覆蓋頻次;其次,將涉及的所有道路抽象為Link,以其連通性和Link長度作為計算參數,計算各Link之間的空間權重矩陣,并基于貪心策略計算局部最優解,按照覆蓋頻次和權重進行疊加使其不斷接近局部最優解;最后通過道路覆蓋頻次進行線聚類,調整區域劃分的邊界Kj(j=1,2,…,ncov),并將區域的ncov個頂點看做ncov個孤立的連通分支Tj(j=1,2,…,ncov),結合聚類結果調整區域劃分邊界。對于區域連通部分,統計行駛軌跡對應線路所覆蓋的Link,并對Link間傳播情況進行空間權重計算,根據行駛軌跡覆蓋Link的流動情況,確定十字路口等存在Link多對多連接區域間的關聯性。通過對軌跡Link覆蓋道路的關聯性進行測算,獲得更符合實際交通情況的軌跡覆蓋聚類,從而確定交通小區劃分邊界。

2.1.3 多尺度交通小區劃分修正 受同名站點不同方向、GPS定位誤差和車輛運動特性的影響,獲取的居民完整軌跡鏈位置可能存在偏差,因此需要對劃分的交通小區位置進行修正,修正策略如下:①針對不同交通區域內出現相同站點的問題,利用OD點密度聚類合并相鄰網格,以修正出行鏈(Link)尺度交通小區劃分結果,從而解決同名站點引發的位置混淆問題,確保出行鏈的劃分更符合實際情況;②針對軌跡聚類中移動軌跡交叉重疊問題,根據交通域(Zone)與居民出行始末點區域屬性間的關聯關系,通過分析軌跡數據中的區域屬性確定交通域邊界,以修正交通域(Zone)尺度交通小區的劃分結果,確保交通小區空間劃分的精確性。

2.2 城市公共交通網絡建模

為更全面且深入地研究城市居民的出行模式和行為特征,本文在單一數據源交通網絡模型構建的基礎上,利用復合加權法集成多個網絡,設計了復合多模式網絡獨立特征的城市交通網絡建模方法。

2.2.1 交通網絡建模 本文綜合考慮多源數據和不同應用場景的差異性,采用不同方法構建交通網絡模型:對于智能交通刷卡數據,考慮到要將完整出行鏈映射到網絡,并與其他交通模式的網絡進行疊加分析,本文選擇Space-L[21]方法構建公交—地鐵無權無向網絡模型,將公交、地鐵站點定義為網絡節點,按照路線拓撲關系模擬實際公共交通路線,將存在彎曲的實際線路抽象為平直線構建網絡邊,并映射到Zone尺度交通小區中。對出租車GPS數據中包含的行程起訖點、路程軌跡信息,采用原始圖和對偶圖的雙層復雜網絡模型[22]構建出租車網絡模型,進而分析交通軌跡特性。首先,對Link尺度交通小區進行網格劃分,將出租車OD點作為原始圖節點P,以軌跡距離作為權重進行邊連接以構建原始圖;進而對原始圖進行對偶化操作,將原始圖的節點轉換為對偶圖中的邊L,將對偶圖中的邊轉換為節點構建對偶圖(圖4);最后,計算區域之間的最優路徑作為連邊最優解,并將節點—連邊關系映射到Link尺度交通小區下實現出租車網絡構建,以反映居民出行活動的覆蓋范圍和頻次。

圖4 原始圖與對偶圖轉換Fig.4 Transformation between original graphs and dual graphs

2.2.2 多模式交通網絡集成建模 為全面反映不同出行模式下的總體趨勢,有效整合多源數據以滿足當前基于行政區劃進行城市交通規劃與管理的需求,本文選擇可以連通不同尺度交通小區的行政區作為網絡交通區,實現多個交通網絡的空間聚類和多模式交通網絡模型集成。具體流程(圖5)如下:首先,基于多尺度交通小區劃分結果,對行政區內部的交通小區進行劃分。對于同一行政區內的多個交通小區,保留原有的最小行政單元,并根據節點密度和節點間距離進行權重設定,在相鄰行政區邊緣構建節點—邊緣連通關系以合并交通小區,重新劃定交通域邊界,提升行政區間的交通關聯性。其次,對換乘行為進行判定。采用換乘識別算法獲取網絡節點及連邊數據,利用時間間隔和距離閾值檢測軌跡點之間的時空關系,若時間間隔和距離均超過閾值,則判定為換乘點并分析換乘行為。最后,構建多模式交通網絡。根據不同站點間的連通關系進行復合加權以構建權重矩陣,從而構建基于公交—地鐵網絡和出租車網絡的復合網絡。通過考慮網絡節點之間的連接關系,將它們映射到網格單元中,即將任意兩個子網絡或3個網絡中的同名或距離較小的站點合并為同一個節點,同時保留交叉口、公交站點和軌道交通站點原有的連接關系,其中網絡節點與連邊類型如表1所示。為減少干擾邊數量,并為復合網絡分配連邊權重,采用復合加權法為復合網絡進行連邊賦權[23]。其中,連邊權重wij(式(2))綜合考慮了路段斷面間客流量及通行時間成本兩個因素。根據權重及節點換乘屬性關系,將復合網絡映射到行政區尺度下的交通小區中進行集成。按照無向網絡模型構建相應的鄰接矩陣,用矩陣元素代替對應邊上的權重值,并對每個交通小區內的屬性定義進行連接,將節點和連線按照實際地理坐標關系進行映射,完成多模式集成建模。

表1 多模式交通網絡中的節點和連邊類型Table 1 Node and edge types in multi-modal transportation network

圖5 多模式網絡集成算法流程Fig.5 Flowchart of multi-modal network integration algorithm

wij=fij/tij

(2)

式中:fij、tij分別為節點i與j之間的斷面客流量和通行時間成本。

2.3 多模式出行特征融合算法

2.3.1 出行特征挖掘 為準確獲取居民出行的時間及完整軌跡信息,本文利用移動軌跡挖掘方法提取居民出行的智能交通刷卡數據和出租車行程數據中全天候的居民出行時間、地點,并根據換乘識別算法獲取居民完整出行軌跡,通過IVMM(Iterative Viterbi Map Matching)[24]算法將軌跡鏈映射到地圖道路網絡上,并分別從時間維度和空間維度分析居民出行行為模式和偏好。①時間維度。分為早高峰、晚高峰、全天工作日和全天節假日探究居民出行的時間趨勢。②空間維度。首先,對居民的軌跡數據進行劃分,并映射到相應的交通小區中;其次,統計交通小區內人均每天乘坐公交、地鐵、出租車出行的頻次(式(3));最后,利用聚類分析對每個交通小區內居民出行的聚集程度、起訖點的空間相關性進行分析,從而獲取居民出行的空間特征。

(3)

式中:Si為交通小區內不同模式的出行頻次,N為交通小區內起訖點數量,Ok、Dk分別為在交通小區內k個起點和終點的乘客數量,pi為交通小區內的總人數。

PMLE(X1=x1,…,Xn=xn│Y=Ck)=PMLE(X1=x1│Y=Ck)×
PMLE(X2=x2│Y=Ck)×…×PMLE(Xn=xn│Y=Ck)

(4)

式中:PMLE(Xn=xn│Y=Ck)為提取特征出現的概率。

3 結果分析

3.1 交通小區劃分及多模式網絡建模結果

如圖6所示,在交通域尺度下,將交通小區劃分密集的區域與公共交通樞紐位置相對統一,保持了劃分區間與交通線路自西向東延伸的一致性;在出行鏈尺度下,更細致地劃分了商業、辦公等人群聚集的交通小區,構建了基于出行鏈尺度的出租車網絡,保證了節點分布和走勢與交通小區劃分結構的相似性;采用復合加權法在傳統行政區范圍內重新劃分交通小區,打破了交通域尺度和出行鏈尺度內部劃分的差異性,使構建的公交—地鐵網絡和出租車網絡能有效集成,同時保留所有網絡和節點的特性,為出行特征融合分析提供了可靠的網絡模型依據。

圖6 交通小區劃分與多模式交通網絡建模Fig.6 Subdivision of transportation zones and modeling of multi-modal transportation networks

3.2 居民出行特征分析

3.2.1 多模式出行特征 ①時間分布特征。如圖7所示,選擇公交、地鐵出行的人數接近,大約為選擇出租車出行人數的10倍。統計居民出行里程發現,6 km以內占71.37%,6～10 km內占18.62%,超過10 km占10.01%,深圳便捷的公共交通系統滿足圍繞住宅的短距離日常出行需求。居民出行在時間上表現為明顯的早晚高峰,高峰期通常出現在7:00—8:00和18:00—19:00,低谷期出現在23:00到翌日8:00之間,表明居民出行時間較規律,出行模式主要受日常工作和學習活動的影響。②空間分布特征。根據OD點聚類結果,發現公交—地鐵出行(圖8a)和出租車出行(圖8b)的熱點區域與交通小區的劃分基本一致。以公交—地鐵為主導的居民出行熱點區域主要出現在商業、住宅、教育的高聚集區(圖8a),囊括深圳北站、福田口岸等多個重要交通樞紐,其公交和地鐵站點承載著大量的進出城交通流量;以出租車出行為主導的出行熱點地區集中在公共交通覆蓋范圍較小且出行密度較大的區域(圖8b),主要是由于深圳城市結構和發展布局呈東西向分布,寶安區、光明區、龍華區、福田區等核心工商住宅區的居民出行構成明顯的東西向連接,且在寶安區與光明區的過渡尤為明顯(圖8b)。

圖7 單一模式下居民出行時間分布特征Fig.7 Characteristics of resident travel time distribution for single-modal transportation

圖8 單一模式下居民出行熱力圖Fig.8 Heat map of resident travel for single-modal transportation

3.2.2 多模式交通融合下居民出行特征 ①時間分布特征。通過同時段疊加分析獲得融合后的居民出行時間分布特征,與單一模式下的出行時間走勢相一致(圖9a)。除明顯的早晚高峰現象外,還出現明顯的午間小高峰(13:00—15:00),主要緣于部分居民午休時間較長,可選擇活動較多,呈現較強的規律性。此外,居民的出行時間基本集中在1 h以內,公交和地鐵出行時間接近,出租車出行時間較短(圖9b),說明居民更傾向選擇短途出行,源于城市內商業和社交設施的密集分布保持了動態的職住平衡并滿足日常需求。②空間分布特征。在深圳市整體范圍內(圖10),商業中心、住宅、學校、綠地和交通樞紐區域的居民出行頻率較高,以職場、工業園區為主導功能區的出行行為較規律。其中,福田區作為深圳的中心行政區、商業中心,居民出行熱度高于其他區域,在交通樞紐區域與羅湖區、南山區等出行熱度較高的區域過渡平滑,交通連接緊密,這與各行政區的人口密度、城市發展規劃、交通建設等存在較強聯系。在交通小區范圍內(圖10),居民的出行起訖點通常距離公共交通站點不超過500 m,出行頻次較高;當站點距離超出1 km且出行范圍在5 km以內時,居民傾向選擇出租車出行,少部分選擇混合交通模式,表明站點可達性對居民的出行模式具有顯著影響。

圖9 多模式融合下居民出行時間分布特征Fig.9 Characteristics of resident travel time distribution for multi-modal transportation

圖10 多模式融合下居民出行熱力圖Fig.10 Heat map of resident travel for multi-modal transportation

3.3 單一模式與多模式出行特征對比

通過比較單一模式與多模式融合下的居民出行特征可以發現:多模式特征融合分析機制消除了單一數據源中存在的偏差和不完整性,有效整合異質數據,從精細化尺度探究居民出行的時空分布特征,更全面、準確地反映居民的出行行為和偏好。居民出行的時間分布特征在單一模式和多模式交通呈現出較強的相似性,主要表現為短時出行、明顯的早晚高峰及午間小高峰。然而,單一模式僅能反映居民出行偏好的時間點,無法全面呈現居民的出行情況,多模式交通則可以更全面地解釋居民出行時間的分布特征,更靈活地反映居民在不同模式下的出行需求。如在7:00—8:00和18:00—19:00,選擇公交、地鐵出行的人數達到高峰,接近選擇出租車出行人數的4倍,表明早晚高峰期居民多選擇公交、地鐵出行以應對交通擁堵,而在較短距離內則更多地選擇出租車以提高出行的便捷性。

參考表2和圖10,多模式交通出行網絡中的交通小區具有更強的連通性,使居民的出行可達性高于單一模式交通出行。單一模式出行受限于特定交通網絡的覆蓋范圍、交通擁擠程度及出行距離,無法充分反映交通網絡之間的連通性和出行區域的密集性;多模式特征融合分析機制能全面展示居民出行的整體特征,更好地描述出行與周圍環境之間的關系,在交通小區之間連通性強的區域(如市中心和近中心區域)換乘行為更常見,跨區出行也更頻繁。

表2 網絡連通性與可達性計算結果Table 2 Calculation results of network connectivity and accessibility

基于以上分析,本文綜合考慮單一模式和多模式下居民出行的時空分布特征,結合“深圳都市圈”的交通規劃政策,對深圳市公共交通發展政策的制定提出以下建議:①升級改造交通站場。對于深圳北站、布吉站等乘客密度高、換乘較多的站場,可擴寬和延長站臺以容納更多乘客。在高峰時段增加發車頻率、縮短列車間隔,確保準時到站,避免延誤;此外,設立優先通道和刷卡通道等快速通道,以便乘客快速進出站臺,減少擁堵。②增設公共交通站點及出租停靠點。在以工商業和住宅為主的區域(如高新園站、深大站區域),根據居民的出行需求和站點可達性,增設公共交通站點和出租車停靠點;對于軌道交通覆蓋不足的地區(如深南大街沿線區域),增加公交運力并積極推動循環公交支線的發展,以擴展軌道交通的覆蓋范圍,提高居民出行效率和便利性。③重點建設路網。改造并擴建在高峰時段擁堵超過30 min的高速公路、快速路,如寶鵬通道、羅沙路復合通道改造、東部過境通道及連接線、龍坪鹽通道等,增強道路通行能力,同時加快深大城際、深惠城際、大鵬支線建設,滿足長距離出行需求。

4 結束語

本文提出基于交通小區劃分和站點路徑匹配的多模式交通網絡建模方法和居民出行特征分析的多特征融合算法,在多尺度劃分交通小區的基礎上,將單一交通網絡根據站點路徑屬性的關聯關系進行集成,利用軌跡挖掘方法提取居民出行特征并進行融合分析。相較于單一數據源,多模式交通網絡模型能有效整合多源數據并消除數據偏差,更準確地揭示區域間的交通緊密程度,更精細地刻畫居民出行的時空分布特征。但本研究仍存在如下局限性:首先,構建的多模式交通網絡無法準確區分混合多種交通工具間的換乘行為,需要融合更多數據以提高精確度;其次,模型參數主要基于深圳市,未來需要改進以適應不同城市的交通特點;此外,若能對交通出行數據的變化進行實時監測與流量預測,并與居民出行特征協同分析,則能進一步實現交通管理部門對城市交通的監控和調度,提高交通運行效率,促進城市交通的綠色化和可持續發展。