交通大數據背景下的公交問題診斷與優化綜述

劉 驁，鐘紹鵬,2，李茜瑤，姜 宇，王 仲

（1.大連理工大學 交通運輸學院，遼寧 大連 116024；2.杭州國際城市學研究中心浙江省城市治理研究中心，浙江 杭州 311121；3.交通運輸部公路科學研究院 國家智能交通系統工程技術研究中心，北京 100088；4.蘭卡斯特大學管理學院，英國 蘭卡斯特LA1 4YX；5.丹麥技術大學管理學院，丹麥 靈比2800 Kgs.）

0 引言

在過去的幾十年中，人口的快速增長和城市化進程的推進導致全球大城市的出行需求不斷增加，給城市交通系統帶來了巨大挑戰。公共交通作為一種綠色、經濟、高效的出行方式，對滿足未來的出行需求和實現城市的可持續發展至關重要[1-2]。與其他交通方式相比，公共交通在節約出行成本與引導城市規劃等方面也有諸多優勢。但部分地區存在公交線網規劃不合理、公交時刻表不協調等問題，使乘客步行距離和候車時間過長、公交換乘不方便[3]。雖然交通管理部門和公交企業投入了大量人力物力優化公交系統，但效果不理想，部分城市還出現了公交服務水平和公交利用率之間相互制約的問題，使得公交系統運行效率降低[1]。而造成這種現象的主要原因是缺少可以有效識別、分析和優化現狀公交問題的方法。更重要的是，現有方法通常依據公交客流調查數據[4-5]，“被動”服務現有乘客，會造成潛在公交乘客（目前的小汽車用戶）的流失。由此導致公交系統現狀問題無法得到有效解決，進而使現有公交用戶流失，最終形成公交上座率低、企業運營成本高、公交服務水平下降的局面。所以，許多學者認為，若能有針對性地提高公交服務水平，會促使相當一部分小汽車用戶（重新）選擇公交出行[6-7]。

大數據對交通規劃的影響在迅速增大，推進大數據技術在城市公交領域的應用既能滿足區域發展需要，也可有效應對上述問題[8]。為此，許多城市逐步開展大數據分析平臺的建設和應用研究。例如，北京交通發展研究中心構建了交通運行智能化分析平臺，其數據主要來源于路網攝像頭/傳感器、地面公交、軌道交通、出租車等。借助多源異構交通大數據資源分析診斷公交系統現存問題，并優化公交系統服務水平和運行效率，從而“主動”吸引潛在客流轉化為公交客流，已成為學界的研究熱點[9-11]。需要說明的是，本文所探討的公共交通主要包括常規公交、定制公交和地鐵三大類別。多源異構是指數據來源的多樣性和數據結構的差異性；公交問題診斷指利用多源異構數據，從可達性、出行時間、換乘次數等角度分析判斷公交線網和時刻表存在的問題；公交問題主動優化指通過優化現有公交系統，主動吸引更多的潛在用戶（小汽車用戶）轉化為公交用戶[12]。

從既有研究可以看出，目前在公交問題診斷與優化方面仍存在許多難點[13-15]，且對該問題尚缺乏有針對性的綜合分析。鑒于此，本文將對與公交問題診斷與優化相關的交通大數據研究成果進行綜述，系統總結和歸納相關研究的研究方法與主要貢獻，指出已有研究中存在的問題，展望該領域的未來發展方向，以期為進一步深入挖掘現有公交系統存在的問題并提出有效的解決方案提供思路，為政府部門與公共交通運營商提供決策支持，推動城市公共交通系統的良性發展。

1 基于交通大數據的公交問題診斷與優化研究分類

本文全面檢索了與公交問題診斷、公交系統優化相關的交通大數據研究文獻，通過總結歸納，將以往研究的相關問題和研究重點概述為以下4類。

1）第1類研究問題：公共交通從起點到訖點的交通量。這是公交問題診斷的基礎，也是所有優化研究的起點。通過對出發地和目的地的大數據分析，可以獲取公交用戶集中的熱點區域和交通流量等信息，從而對公交線路進行精準規劃，提升公交服務水平。

2）第2類研究問題：公共交通用戶的出發時間與路徑選擇。這是在起訖點交通量的基礎上進一步深化的研究，它關注的是公共交通用戶的出行時間和行進路線。通過深入分析用戶的出發時間和路徑選擇，可以預測交通高峰時段和高頻線路，對線路配置進行動態調整，從而提高公交系統的效率。

3）第3類研究問題：公共交通用戶出行花費的時間。這是公交系統優化研究的重要一環，旨在通過減少乘客的等待和行程時間，提高公交服務的滿意度。該問題的研究不僅有助于公交系統更高效的運營，也可增強公眾對公共交通的信賴和使用意愿。

4）第4 類研究問題：公交系統存在哪些問題，應該如何進行改善或優化。這是最終的目標，也是所有問題分析的終點。通過對前3 類問題的深入研究，可以發現公交系統的不足和改進空間，然后采取有效的優化措施，如改進線路布局與時刻表，優化車輛調度方案，提高服務質量等。

通過上述4 類問題的逐步深入，可以形成一個全方位、多層次的公交問題診斷與優化理論框架，有助于更好地挖掘公交系統潛力，提升其服務質量，吸引市民選擇公共交通出行，助力城市的可持續發展。圖1 總結了公交問題診斷與優化的4類研究問題及其之間的遞進關系。

圖1 公交問題診斷與優化研究的分類及其遞進關系

接下來，本文將圍繞上述4 類研究重點對基于交通大數據的公交問題診斷與優化相關研究進行總結分析。表1 匯總了相關研究中通常采用的城市交通大數據資源。表2 總結了相關典型研究采用的模型、方法和主要貢獻。

表1 城市交通大數據類型及數據描述

2 公交OD矩陣推斷的方法與應用

本章將詳細探討第1 類研究問題，著重于公交OD 矩陣推斷的相關文獻梳理與總結。既有研究通常使用公交IC卡數據推斷公交出行OD矩陣；在下車不刷卡的情況下，需先進行下車站點推斷。

2.1 基于公交IC卡數據推斷OD矩陣研究總結

高質量的OD 矩陣是進行交通系統分析的先決條件。然而，由于調查成本高且難以實現，OD矩陣并不容易得到。特別是交通擁堵嚴重的大城市，其交通分區和調查時段的區分更為詳細，對調查樣本量和調查方法都有更高的要求。使用公交IC卡數據獲得OD矩陣與采用傳統OD調查方法有本質的區別。傳統的OD 調查法受調查費用限制，僅能隨機選擇很小的樣本進行調查（5%左右），并且調查數據生命周期短，不能充分、及時地反映出行分布的時空效應[5,47-48]。同時，小樣本調查數據只能揭示特定群體對于不同公共交通選擇（如定制公交）的傾向性，無法全面反映所有群體的交通需求和偏好[49-50]。與之相比，基于公交IC 卡數據的方法具有調查費用低、調查樣本率高，且OD 矩陣離散化水平可以根據用戶的意愿任意調整（可以表達為車站至車站或小區至小區間的OD）等優點[4]。因此，利用公交IC 卡數據推斷公交OD 矩陣的研究由來已久[16-17,51-52]。值得一提的是，一些學者已經嘗試將大數據挖掘與小樣本調查相結合，以期更精確地探析公共交通出行需求，從而更好地適應和滿足不同用戶群體的多樣化需求[18]。

2.2 公交乘客下車站點推斷技術研究總結

部分常規公交僅需上車刷卡，下車不刷卡。為推斷公交OD 矩陣，首先需判斷公交IC 卡用戶的下車站點。學者們開發了基于出行鏈的方法來估計下車站點，并推斷公交OD 矩陣。該類方法通常假設一張卡對應一個用戶，通過挖掘出行鏈信息，結合該張卡下一次上車的位置和時間信息，識別出用戶的下車位置[5,19,53-54]。不同學者使用當地的數據對比該方法得到的OD矩陣與手工調查得到的OD矩陣，證實了使用公交IC卡數據與GPS數據確定公交乘客OD矩陣的有效性和實用性[4-5,16,52]。

3 公交乘客個體出行行為的挖掘與分析

本章將進一步探討關于公交乘客出行行為的研究，即第2 和第3 類研究問題。以往公交OD 矩陣推斷研究是從宏觀角度提取公交乘客出行信息，沒有分析公交乘客個體出行行為。近年來，學者們開始從微觀個體的角度挖掘公交乘客的出行時間[20]、出行類別[21-24]、出行目的[25-26]和出行路徑[27-31]等，具體如下。

1）關于出行時間，龍瀛等[20]利用公交IC 卡數據分析了北京市通勤出行的時間和距離，并識別出主要交通流方向。

2）關于出行類別，Ma 等[21]使用基于密度的空間聚類方法分析公交乘客的歷史出行鏈信息，以識別公交乘客的出行模式，并進一步使用K-Means++聚類分析算法與粗糙集理論對乘客不同出行模式進行了分類；Lei等[22]提出了一種基于時態模式的公交乘客出行模式識別方法；Guo等[23]基于公交IC卡數據，使用出行鏈生成、OD識別和出行模式比較的方法，分析了定制公交乘客出行行為的時空特性與出行模式；陳君等[24]結合互相關距離算法與帶噪聲基于密度的空間聚類算法，提出了基于時空行為規律挖掘的公交乘客分類方法。

3）關于出行目的，考慮到傳統公交IC 卡數據無法判斷乘客的出行目的，Han 等[25]使用連續隱馬爾可夫模型，將公交IC 卡數據與土地使用特征數據相結合，來判斷用戶的出行目的。Zhao等[26]提出了一種基于潛在狄利克雷分配的概率主題模型，以無監督的方式從個體水平的時空數據中挖掘具有代表性的活動分類。

4）關于出行路徑，使用流量條件圖法，Tao等[27]基于公交IC 卡數據識別出公交乘客的主要出行路徑及其時變特征；Qi 等[28]采用多層中觀分析法對公交OD 對的移動模式進行了有效的提取和可視化；Ren 等[29]、Li 等[30]與Ma 等[31]基于公交IC卡數據，使用基于密度的聚類算法提取了定制公交的運行路徑。

4 公交系統優化的策略與方法

本章將對公交系統改善或優化的相關研究文獻進行全面總結?，F有研究主要結合單層或雙層規劃模型，從線路設計與時刻表制定（含車輛間隔設置）兩個方面對公交系統進行優化[55]。需要指出的是，為簡化問題，學者們通常將公交線網設計和時刻表制定分開研究。圖2 展示了既有研究采用的公交線網與時刻表優化模型框架。

圖2 既有研究中的公交線網與時刻表優化模型框架

4.1 公交線網優化研究總結

公交線網直接決定了公交系統的運行效率與服務水平[56-58]。學者們分別從環境友好[32]、運行時間可靠度[33]、公交網絡魯棒性[34]、公交乘客量[35-36]、公交總運行時間[37-39]等不同角度提出了相應的數學優化模型，以達到降低尾氣排放、提高公交系統的可靠度以及降低乘客和公交企業的成本等目標。需強調的是，由于缺少詳細的乘客需求數據，現有的大多數關于公交線網設計的研究主要基于理想的公交系統，無法考慮公交乘客需求的時空動態性。

4.2 公交時刻表優化研究總結

對于時刻表制定而言，由于缺少詳細的乘客需求的時空變化數據，運營商往往使用高峰和平峰兩種時刻表應對乘客的時變需求。這種方法在公交供給充分時有效，但當公交供給有限時，效果則不甚理想，導致高峰期有些乘客需要等待很多輛車才能最終上車。公交IC 卡系統推出后，可以方便地收集公交需求的動態特征，為制定需求響應的時刻表提供了基礎。如，Sun 等[40]基于刷卡數據提出了需求響應式公交時刻表優化模型；鄭亞晶等[59]提出了基于IC 卡數據的地鐵開行方案的精細化編制方法；Wu等[41]提出了一種將出行前和出行中的路徑選擇相結合的隨機公交調度協調模型。

4.3 公交時刻表協調性研究總結

不同公交線路間以及不同出行方式間的時刻表不協調所導致的公交換乘不方便，大幅降低了公交的吸引力[60-62]。為減少乘客的換乘等待時間，Wu等[42]提出了一個公交時刻表協同優化模型，使所有換乘站點的換乘等待時長相同?；诔丝托枨蟮臅r變性并考慮車輛容量和車隊規模限制，Xiong 等[43]提出了常規公交與地鐵時刻表優化模型，以解決社區班車與地鐵服務銜接問題；Chen等[44]從時空網絡視角建立了定制公交站點選擇、線路設計與時刻表編制的集成優化模型；Ma 等[45]通過構建混合整數線性規劃模型，研究了車輛路線設計、時刻表制定和乘客分配的協同優化問題；Yang等[46]研究了末班車時刻表協同優化問題。

5 討論與展望

為吸引更多的潛在客流轉化為公交客流，提高公交系統服務水平和運行效率，許多學者利用交通大數據資源對公交問題診斷與優化進行了廣泛的研究，但是已有研究受各方面限制，在關注視角、研究方法、優化方向、模型和算法等方面仍存在不足之處，未來需要進一步改進。圖3 總結了研究現狀與未來研究趨勢。本文對公交問題診斷與優化研究的展望如下。

圖3 研究現狀與未來研究趨勢對比圖

1）研究視角

近年來，交通大數據研究逐漸成為熱點，國內外學者開展了大量有建設性的研究工作。但是現有的研究主要關注前3 類問題，均側重對某一出行方式下居民個體出行行為的刻畫。此類研究無法分析現有道路或公交系統存在的問題。因此，為推動公交系統的持續發展并提高其效率，建議未來研究將重心從個體行為刻畫向系統分析和優化轉變，更加聚焦于如何利用多源異構數據深度診斷現有公交系統的問題，并形成針對性的優化策略[63]。這包括開發更為先進的數據處理和分析方法，如數據融合技術、機器學習和深度學習算法，從海量的數據中提煉出有價值的信息，從中發現并診斷現有公交系統存在的問題；構建適用于公交系統的優化模型和策略，針對性地解決公交系統存在的問題，如調度問題等；關注新技術（如人工智能、物聯網等）在公交系統中的應用，這些新技術有可能進一步提升公交系統的運行效率，使乘客獲得更好的出行體驗。

2）研究方法

雖然一些學者已經開始嘗試使用公交IC 卡數據和GPS 數據評價公交線路運行狀態[64]，并取得了一些進展，但是這類研究有一定局限性。由于僅使用單一的公交IC 卡和GPS 數據，缺少其他運輸方式信息，現有方法很難全面、準確揭示現狀公交系統存在的問題，也無法分析公共交通和其他出行方式間的聯系。因此，有必要在未來的研究中利用多源異構交通大數據資源，如公交IC 卡數據、GPS 數據、手機信令數據以及無線射頻識別數據等，對公交乘客和私家車用戶的出行OD、出行路徑以及時空特征進行深入分析，并借助多源異構數據關聯與融合分析技術研究OD 對間公交車和小汽車交通需求量的相對關系，從而更準確地確定公交系統存在的問題和改進的方向。例如，如果某OD 對間公交客流量小而小汽車流量大，那么可能意味著該區域的公交服務存在缺陷，如服務頻率低、線路設計不合理等，需優化改進；如果某OD 對間公交客流量小且小汽車流量也小，那么可能是該區域人口密度低、需求量小等因素造成的，此類情況則不作為重點考察對象。通過這種方法可以更精準地識別公交服務存在的問題，并據此進行有針對性的優化。

3）優化方向

現有公交線網和時刻表優化研究的依據是公交客流調查數據。公交客流調查數據面向的對象是現有公交乘客，由此得到的公交線網和時刻表優化方案側重服務現有公交乘客。對于現狀采用其他方式出行，將來有可能采用公交出行的潛在的公交乘客而言，現有的公交系統往往展現出步行距離和等車時間過長、換乘不便等弊端，因此他們對現有公交系統“敬而遠之”。鑒于此，未來研究有必要通過交通調查，獲取公交與小汽車用戶的社會經濟特征、空間特征和行程特征，并利用交通調查數據分析小汽車用戶向公交系統轉移的阻力、動力及其作用機理。在此基礎上，可以進一步探討如何通過優化公交服務的各要素，如可達性、出行時間、換乘次數等，將更多的潛在客流（小汽車用戶）轉化為公交客流，提升公交出行比例[65]。

4）模型和算法

現有研究往往將公交線網設計和時刻表制定分開討論。同時，在實踐中，受實時客流數據獲取困難、道路交通運行狀況動態變化等因素的影響，公交線路和時刻表也常被單獨分析。盡管如此，考慮到兩者之間的相互依賴性和重要的交互作用，以及單獨的優化模型無法找到全局最優解[35,66]，未來的研究應從理論和實踐的角度探索如何開展更加合理、有效的公交線路設計和時刻表制定，并將二者進行組合優化。具體而言，在理論層面，可以綜合運用運籌學和交通網絡分析方法，構建公交線網和時刻表協同優化模型，并在優化模型中考慮更多的實際約束，如道路運行情況、公交客流等。在實踐層面，也需要進一步探索如何將理論研究成果有效地應用于公交系統的實際優化，包括：①探索如何將時刻表數據與公交線網設計的各方面（如線路布局、站點設置等）相結合，以評估網絡設計的合理性并提高公交服務的質量；②開發新的評估方法和優化策略，以加強公交線路的規劃，包括識別線路的功能和重要性、根據客流和網絡特性優化線路、評估線路調整對客流的影響，使得線路的優化能在滿足功能需求的前提下，最大化客流效益。

此外，隨著公交網絡規模的不斷增大，受求解速度和解的質量的影響，一般的精確解算法和啟發式算法無法解決公交線網和時刻表組合優化問題[67]。因此，基于元啟發式算法、深度學習算法、強化學習算法等開發適用于大規模實際公交網絡的求解算法，以提高求解效率和解的質量，也是亟須解決的問題[67]。

6 結束語

發展高效的公交系統是減少交通擁堵的基礎，也是解決城市交通問題的首選對策[68]。在此背景下，許多學者開始利用多源異構交通大數據資源，對公交系統問題的診斷與優化展開深入研究。本文從出行需求估計、出行路徑選擇、出行時間測算與公交問題優化4 個角度出發，對當前公交問題診斷與優化的研究現狀進行了深入的剖析和總結。由于以往研究在研究視角、研究方法、優化方向與模型算法方面存在缺陷與不足，建議未來從用戶出行規律分析、多源數據融合、用戶轉移機理解析與協同優化模型開發等多個方面發掘新的研究方法和方向，以更全面地解決公交系統的問題，推動公交系統的優化和發展。