上海市早高峰軌道交通緩擠的時空行為規劃策略研究

摘 要 針對上海市嚴峻的軌道交通高峰客流擁擠問題，在時空行為規劃框架下進行緩擠策略研究。以軌道交通9號線為例，利用智能卡數據模擬乘客出行時空軌跡，基于擁擠形成的時空過程視角識別軌道交通擁擠情況，劃分擁擠類型，并追溯擁擠客流的來源與去向。同時，深入挖掘乘客的出行目的、出行規律和出行約束等出行特征。在此基礎上，針對不同出行特征人群提出信息推薦、預約進站、調整上班時間以及轉移就業崗位等時間、空間和行為策略，并定量評估策略實施的緩擠潛力，為治理城市軌道交通擁擠問題提供可借鑒的視角、方法和策略。

關 鍵 詞 時空行為規劃；時空過程視角；城市軌道交通擁擠；緩擠策略；軌道交通9號線

文章編號 1673-8985（2024）04-0132-08 中圖分類號 TU984 文獻標志碼 A DOI 10.11982/j.supr.20240418

0 引言

城市軌道交通以其高效、經濟、可持續等優勢，成為全球眾多城市緩解地面交通壓力、提升出行品質的重要交通方式。但隨著客流需求的急劇增長，某些站點、區段出現供給與需求極不平衡的狀況，客流擁擠成為當前大城市軌道交通面臨的突出問題。這不僅嚴重降低了公共交通服務水平，增加了個體出行的不確定性，還會促使居民向私人交通方式轉移，不利于低碳交通與可持續發展，甚至可能引發踩踏、墜軌等事故，造成重大人員傷亡和公共安全危機[1]。上海同樣面臨嚴峻的軌道交通高峰客流擁擠問題，1號線北段、9號線西段等區段在工作日高峰時段顯著擁擠，車廂內立席密度最高超過10人/m2[2]。為此，上海市針對局部擁擠站點采取了進站限流策略，但效果有限①。其局限性在于，城市軌道交通站點（車廂）的擁擠并非單純由進站客流集聚所導致，而是受到所有擁擠時段在站乘客的共同影響。對于車內擁擠，車廂內的立席密度顯然與車廂內的途經乘客有關；對于車外擁擠，站臺候車人數同樣取決于車廂內的剩余容量，即途經乘客的數量。

筆者認為，擁擠客流具有不在場的形成原因和復雜的傳導過程，對擁擠的認識與優化難以在擁擠發生的局部時空區段中實現。早在擁擠發生前，客流就已經于不同空間產生，并且將在擁擠發生后的不同時間到達不同空間。究其本源，乘客出發與到達的時間、空間，實際代表了城市中不同的功能與活動，這些功能與活動對乘客的出行行為進行了制約，使其必定在特定時間經過特定空間。不同客流因不同功能活動的制約匯聚于同一時空，當總流量超出最大承載能力時，便發生了擁擠（見圖1）。因此，若要更深入、準確地認識擁擠現象，就必須還原擁擠客流中所有個體完整的出行時間、空間及行為特征信息，對擁擠形成的全過程進行分析。

城市時空行為規劃將影響城市空間問題的時間、空間和行為要素共同納入，作為分析和解決問題的手段，避免“就空間論空間問題”的局限性[3]。日益豐富的城市時空大數據和不斷完善的數據挖掘方法，為時空行為研究及其規劃應用提供了數據支撐和技術基礎。通過對擁擠客流的全過程分析，掌握其時空行為特征與規律，便能從局限于擁擠區段的空間限流策略，拓展出面向全局的空間、時間、行為的多元策略。本文在時空行為規劃框架下，利用記錄乘客出行時空信息的公交智能卡數據，深入認識乘客軌道交通出行中時間、空間與行為特征及其互動關系，從行為引導、時間政策與空間管理3個方面進行軌道交通緩擠策略的探索性研究。

1 文獻綜述

若將完整的城市軌道交通緩擠研究分為擁擠認識分析與策略響應評估兩個步驟，現有多數研究僅局限于其中一個環節，尚未有研究形成完整的問題分析和規劃應用框架。

在對擁擠的認識上，宏觀視角多認為線路沿線與站點周邊的土地利用、開發強度、功能混合度對客流分布的影響較大[4]，微觀視角則關注扶梯、安檢、閘機等相關軌道交通設施的服務水平（通過能力）與站點客流密度的關系[5]。部分研究圍繞個人出行行為的時空特征展開，例如出行目的的識別與描述[6]、特定人群的行為規律和出行偏好分析[7-8]以及不同約束對乘客出行行為的影響分析等[9-10]，但并未進一步探討乘客出行過程、出行行為特征與擁擠客流的關系。

在緩擠策略的響應上，現有實踐內容和手段措施可以歸納為以下5種情況。①客流控制，即直接限制某些擁擠站點在高峰時段的乘客進站流量[11]。②協調時間制度，即以制度化手段調整公共設施開放時間，實現交通流的去同步化[12]。例如法國雷恩時間辦公室對學校各年級上課時間表進行錯峰調整，以緩解地鐵早高峰擁擠問題[13]。③預約進站，即在控制站點總容量的前提下，允許乘客預先選擇特定的進站時段，進而提前對出行需求進行合理分配，減少高峰時段擁擠并優化資源利用。例如疫情期間，北京市選取地鐵大客流車站試點預約進站[14]。④差別定價，即通過調整不同時段的交通出行成本以促進出行需求分散[15]。⑤信息透明化與行為誘導，即通過提供更加精確的列車到站時刻表影響乘客到站時間，或繪制扭曲的地鐵線路圖影響乘客路線選擇等[16-17]。上述研究或實踐證實了時間與行為手段對于解決空間問題的重要性，但多數研究僅關注時間、空間、行為干預的某一方面，尚未形成時間、空間、行為三位一體的聯動方案。此外，還缺乏對策略適用行為特征的認識，無法針對性地判斷不同緩擠策略的潛在作用對象。

2 研究對象、數據與方法

2.1 研究對象與數據

本文選取2016年9月上海市軌道交通9號線早高峰（7：00—10：00）的擁擠站點以及相關出行乘客作為主要的研究對象，部分分析過程涉及全網絡站點及客流信息。2016年9月，9號線建成區段為松江南站至楊高中路段，共包含26個站點，高峰小時最高斷面客流量達5.16萬人次/h，在全市僅次于1號線與2號線[18]。主要使用的數據為2016年9月1日至9月30日的上海公交智能卡數據（SPTCC），數據內容包括卡號、刷卡進站時刻、進站點、刷卡出站時刻、出站點、費用等信息。

2.2 技術路線

本文利用智能卡數據模擬乘客出行時空軌跡，圍繞線路擁擠特征和出行行為特征兩個方面展開。對于前者，首先識別地鐵網絡中的客流分布及擁擠情況，之后根據不同在站乘客占比來判斷擁擠主導類型（進站、換入、途經），并追溯造成擁擠客流的來源及去向，進而明確對線路擁擠造成最大貢獻的客流來源及目的地，分析其與城市功能結構的關系。對于后者，首先對一個月內的個體出行時空信息進行追蹤，以挖掘乘客的出行目的、出行規律與出行約束等出行特征，之后對不同出行特征乘客的時間及空間分布情況進行分析。最后，在深入認識擁擠特征及行為特征的基礎上，明確不同類型的緩擠策略與不同特征的出行行為的對應關系，針對不同作用對象（時間、空間、人群）提出信息推薦、預約進站、調整上班時間、轉移就業崗位等緩擠策略，并定量評估策略實施后的緩擠潛力，以期為緩解地鐵高峰擁擠問題提供新的視角與方法（見圖2）。

2.3 識別客流分布

本文根據2016年上海軌道交通線路構建網絡拓撲模型，利用Dijkstra最短路徑算法，模擬每對站點OD的出行路徑，并與智能卡數據中乘客個人出行OD進行關聯，得到每位乘客的出行路徑。圖3展示了非換乘乘客的一次完整軌道交通出行過程及其時間分配模式。乘客首先在進站閘機處刷卡，之后前往站臺等待上車，等候時間為tw，上車后到達目的站點下車，車內時耗為tv，最終在出站閘機處刷卡結束地鐵出行，前后兩次閘機到站臺的步行時間分別記為t0in和t0out，見式（1）。

智能卡數據集記錄了乘客在檢票閘機處進站和出站的準確時間，從所有具有相同“起點—終點”的非換乘乘客中，找到出行時間最短的乘客，將這些乘客所花費的時間記為t mi min（O，D），即站點間最小出行時耗。由于本文使用了大量的數據，可以認為這些最快的乘客到達站臺后立即上車，即其等候時間為零。同時，由于列車在相同OD區段的運營速度較為穩定，可以認為所有“起點—終點”相同的乘客車內時耗tv近似相同。此外，《城市軌道交通設計規范》（DGJ08-109-2004）要求進出站檢票口與前往站臺的樓梯、自動扶梯的距離分別不小于5 m、7 m，說明一般情況下檢票閘機與站臺都是鄰近布置。這保證了乘客在出發站和到達站的步行時間都在較小的時間范圍內，即使選擇了不同的進出站閘機，從閘機到站臺的步行時間t0in或t0out也相差較小。

據此，通過式（2）計算出所有非換乘乘客的個人等候時間tw，由于非換乘乘客只在出發站臺候車，可以進一步計算各出發站臺的人均等候時間（每30 min的時間間隔）。對于存在換乘行為的乘客，認為其除出發站臺外，每經過一次換乘站點，都會進行一次候車，候車時間為該換入站臺在該時段內的人均等候時間。

基于上述技術方法，可以將任一乘客的出行時耗拆分成車外時間（站臺等候時間）和車內時間兩部分。首先識別其車外時間，之后將乘客的車內時間按站間距離分配到各個途經站點上，最后按30 min的時間間隔進行統計，得到每30 min內不同站點不同方向的客流分布。

2.4 識別行為特征

本文從出行目的、出行規律性和出行約束性3個方面劃分出行特征類型。出行目的反映乘客某次出行終點的活動類型與用地功能，工作出行意味著該出行時間受某一上班時間的制約。若同一乘客在同一天連續兩次軌道交通出行中，首次出行到達站點與下一次出行的出發站點相同，且首次出行到達時間與下一次出行出發時間間隔大于6 h，則將其出行目的識別為工作出行，否則識別為其他出行。出行規律性反映乘客某次出行是否于時空中周期性存在，周期性出現的慣常出行對某一站點的擁擠貢獻及實施策略后的效果都是較為穩健的。若同一乘客于月內每周工作日早高峰相同起訖點出行都超過3 d（工作日中過半的天數，4周總計12 d），則將其這一出行識別為慣常出行，否則識別為隨機出行。出行約束性建立在出行規律性的基礎上②，反映乘客的慣常出行在時間上是否具有自調整的潛力，根據一個月內乘客慣常出行的出發、到達時間標準差將其分為剛性出行和彈性出行。將一個月內工作日早高峰進/出站時間標準差均大于30 min的慣常出行識別為彈性出行，將一個月內工作日早高峰進/出站時間標準差均小于10 min的出行識別為剛性出行。

3 上海軌道交通9號線的擁擠特征

3.1 擁擠時空特征

根據上述研究方法，識別早高峰（7：00—10：00）期間9號線在站乘客量（見圖4），以反映該時段站點的擁擠程度。從時間變化上來看，全線在站乘客量從7：30開始迅速提升，于 8：00—8：30期間達到最高峰，峰值約為前一時段的兩倍，此時9號線的擁擠程度最高，8：30—9：00的在站乘客數量仍保持與峰值相近的水平，9：00后人數大幅下降。從線路方向上來看，受早高峰向心通勤的影響，往中心城區方向（松江南站—楊高中路站）的在站乘客量顯著高于往郊區方向（楊高中路站—松江南站），但往郊區方向徐家匯站—漕河涇開發區站在8：00—9：00同樣保持較高的在站乘客數量。從空間分布上來看，在站乘客量高值區段主要集中在佘山站—徐家匯站，進入內環后在站乘客量明顯下降。九亭站—漕河涇開發區站的高值持續時間最長，是9號線最擁擠的區段。

3.2 擁擠主導乘客類型

在站乘客包含進站、途經、換入3種類型，3類乘客共同造成了擁擠。選取9號線早高峰最擁擠時段（8：00—8：30）對在站乘客類型進一步分析（見圖5）。進站乘客主導站點主要為兩個方向的首發站（松江南站、楊高中路站），其進站乘客占比均超過80%，但在隨后站點迅速下降，全線多數區段不足20%。其中，往市中心方向的進站乘客影響明顯強于往郊區方向，該方向除松江南站—松江新城站外，松江大學城站、佘山站—九亭站的在站乘客中進站乘客占比也相對較多（41%—60%）。換入乘客主要集中在世紀大道站（61%—80%）、徐家匯站（21%—40%）、陸家浜路站（21%—40%）等軌道交通換乘樞紐站點。途經乘客是全線占比最高的在站乘客類型。往郊區方向除首發站外，途經乘客占比均超過80%，往市中心方向的途經乘客占比也大多超過60%，對于擁擠程度最高的九亭站—漕河涇開發區站，途經乘客占比高達80%。說明9號線絕大多數站點的擁擠，尤其是高度擁擠站點的擁擠，都是由途經乘客導致的。

3.3 擁擠貢獻溯源

選取9號線早高峰最擁擠時段（8：00—8：30）對在站乘客的出發地與到達地進行溯源，統計各站點進站乘客與出站乘客在全體在站乘客中的占比，記為該站點的出發或到達擁擠貢獻（見圖6）。本文提出的溯源分析與按起訖點統計某一出發時間或到達時間出行量的OD分析不同。OD分析僅局限于出行的兩個端點，不僅無法說明該OD造成了哪些時空區段的擁擠，更不能明確該OD對擁擠產生的貢獻程度。而溯源分析針對某一擁擠時空區段的在站乘客，追溯其各自的出發地、出發時間以及到達地、到達時間，能夠回答某處擁擠是經由哪些時間空間產生并傳導至此發生疊加的，進而明確哪些時間空間對系統性的擁擠做出了最大貢獻，是一種從中間追溯兩端的過程性的視角與方法。

從出發側來看，外環外站點的出發擁擠貢獻總體高于外環內站點。其中，外環外松江大學城站、佘山站、泗涇站、九亭站為主要的出發擁擠貢獻站點，出發擁擠貢獻均在6%—12%，4個站點的出發擁擠貢獻總和為36%。外環內站點的出發擁擠貢獻基本在1%及以下。從到達側來看，外環內站點的到達擁擠貢獻總體高于外環外站點，且漕河涇開發區附近站點是最主要的到達擁擠貢獻區段，漕河涇開發區站、合川路站、桂林路站的到達擁擠貢獻總和為22%。此外，打浦橋站、商城路站的擁擠貢獻也較高。外環外站點的到達擁擠貢獻基本在1%及以下。

這一擁擠貢獻特征與軌道交通9號線沿線職住功能的空間分布基本一致。松江大學城是上海市發展較早、較為成熟的大學城，承擔重要的校園居住功能，佘山站、泗涇站、九亭站附近均為典型的大型居住社區，居住人口眾多；漕河涇開發區是9號線沿線規模最大、就業崗位最多的產業園區，打浦橋站、商城路站位于城市中心，設施服務與就業崗位都較為豐富。因此，早高峰期間大量的通勤、尋求其他城市服務的人群從郊區站點出發，往中心城區方向涌入，途徑中途數個站點，導致九亭站—漕河涇開發區站區段高度擁擠。在經過漕河涇開發區站等集中就業地后，大量乘客下車出站，在站乘客量迅速下降，擁擠程度減弱。

4 多情景的時空行為緩擠策略

4.1 行為特征與緩擠策略的對應關系

不同的緩擠策略作用于不同出行行為特征的乘客（見圖7）。彈性出行乘客所受的時間約束較弱，具有自發調整出行時間的可能性，可以通過信息誘導、推薦出行計劃等方式在一定的時間范圍內引導其錯峰出行。剛性出行乘客受時間制度的強約束，雖然難以自我調節出行時間，但當相關時間約束變更時，其出行行為的變化響應也是最為敏感的。例如剛性工作出行乘客的到達站點、到達時間與其就業地點和上班時間綁定，可以通過調整上班時間制度改變其出行時間，以避開高度擁擠的時段與區段。

4.2 軌道交通9號線出行行為特征

對軌道交通9號線早高峰各時段在站乘客的出行行為特征進行識別與分析（見圖8）。在出行目的上，工作出行占比較高，呈先上升后下降的趨勢，最高時段（8：00—8：30）約占77%。在出行規律性上，慣常出行與隨機出行比例相近，7：00—9：00慣常出行占比較高，最高時段（8：00—8：30）約占58%，隨后隨機出行占比上升，最高時段（9：30—10：00）約占76%。在慣常出行中，彈性出行與剛性出行之和約占50%，7：00—8：00彈性出行與剛性出行的比例相近，隨后彈性出行占比高于剛性出行。總的來說，擁擠最高峰時段（8：00—8：30）的出行主要為工作出行，慣常出行略高于隨機出行，慣常出行中的彈性出行略高于剛性出行。

選取9號線早高峰最擁擠時段（8：00—8：30）進一步分析不同出行特征人群的空間分布特征（見圖9）。在出行目的上，往市中心方向的工作出行占比高于往郊區方向，占比最高區段為佘山站—漕河涇開發區站（約80%）。在出行規律性上，慣常出行的空間分布特征與工作出行相似，往市中心方向的佘山站—漕河涇開發區站和陸家浜路站—楊高中路站占比較高（約60%）。在出行約束性上，往市中心方向內環以外的彈性出行占比（約20%）略高于剛性出行（約10%），往郊區方向外環以內的剛性出行占比（約20%）略高于彈性出行（約15%）。總的來說，不同出行特征乘客的數量變化與總出行量的變化相似，其占比構成也未表現出明顯的空間分異性。

4.3 緩擠策略情景及潛力評估

本文選取9號線早高峰最擁擠時段（8：00—8：30），結合該時段乘客的出行行為特征，針對性地提出多個場景下的緩擠策略，包括信息推薦策略、預約進站策略、就業地上班時間調整和沿線就業崗位轉移的策略（見圖10）。

（1）信息推薦

信息推薦的策略作用于軌道交通網絡特定時段的全體彈性出行乘客，假設其均能在自己的彈性范圍內調整出行時間、避開高度擁擠時段。根據前文所述彈性出行的識別規則，本文中彈性出行乘客的出行時間自調整范圍至少為30 min。由于9號線早高峰7：30—8：00時段的在站乘客量明顯低于8：00—8：30時段，認為彈性出行乘客自發將出行時間向前調整30 min是較為合理的。模擬策略實施后，9號線總在站乘客減少量約17%，往城市中心方向的減少量明顯多于往郊區方向，且往城市中心方向內環外區段的減少量高于內環內區段，與往郊區方向相反。擁擠緩解程度最高的區段為松江體育中心站—漕河涇開發區站，在站乘客均減少約20%。

（2）預約進站

與信息推薦策略不同，預約進站策略只能作用于某一出發站點、某一出發時段的彈性出行乘客，該策略作用人群數量減少，但可行性更高。預約進站策略的重點在于確定適宜的站點與時段，選擇對系統性擁擠產生最大貢獻的出發站點與進站時段實施策略是最為高效、合理的。根據前文所述方法，計算9號線不同進站點與時段的彈性出行乘客對8：00—8：30的擁擠貢獻，其中7：30—8：00的九亭、泗涇、佘山以及松江大學城站的出發擁擠貢獻明顯高于其他站點。選擇上述4個站點及時段模擬策略實施后，9號線總在站乘客減少量約4.4%，往城市中心方向的減少量明顯多于往郊區方向，且主要為內環外的區段，擁擠緩解程度最高約為8%。

（3）調整上班時間

調整集中就業地上班時間的策略針對剛性工作出行，通過調整工作地的上班時間約束改變相應出行人群的出行時間，進而實現客流錯峰。與信息推薦及預約進站的策略相比，調整上班時間的策略強制性更強，策略實施后的作用效果更加穩定。該策略同樣需要明確對系統性擁擠產生最大貢獻的集中就業地與上班時間。其中，8：00—8：30和8：30—9：00的漕河涇開發區站到達擁擠貢獻明顯高于其他站點，因此將漕河涇開發區8：30及9：00的上班時間向前調整30 min，模擬在站客流的變化。9號線總在站乘客減少量約2.3%，兩個方向的客流擁擠程度都得到了緩解，往郊區方向擁擠緩解程度最高約為8%，往城市中心方向的高度擁擠區段緩解程度約為3%。

（4）轉移就業崗位

轉移就業崗位的策略通過改變工作人群的出行路徑優化客流分布。該策略作用于慣常工作出行人群，當就業地的區位變更時，其出行路徑必然發生改變。根據前文分析可知，9號線的擁擠貢獻特征與沿線職住功能的空間分布高度相關，交通服務供需矛盾的主要原因是長距離工作出行擠占了往中心方向的運力，車廂容量無法及時釋放。因此，若在目前主要出發站點與到達站點之間尋找一些就業空間，在控制總就業崗位不變的情況下將部分長距離通勤的就業崗位轉移至此，就能協調客流分布，緩解途經擁擠。洞涇鎮位于松江大學城、佘山、泗涇、九亭等核心出發擁擠貢獻站之間，新一輪總規將其定位為G60科創走廊示范引領的人工智能科創小鎮，以建成松江北部的科創和人才高地為目標。因此，本文假設漕河涇開發區50%的就業崗位轉移至洞涇站，在保持原有上班時間不變的情況下，模擬調整后在站客流的變化。結果顯示，9號線總在站乘客量基本保持不變，但在空間分布上發生了明顯變化。往城市中心方向的在站乘客量減少，高度擁擠區段的擁擠程度緩解約8%，往郊區方向的九亭站—洞涇站區段在站乘客量大幅增加，但其原有客流量相對較少，新增后仍能保持較為合理的客流水平。

5 結語

本文以上海軌道交通9號線為典型案例，全面認識了城市軌道交通擁擠的時空分布特征和擁擠生成過程。研究發現，9號線最擁擠的時空區段為8：00—8：30的九亭站—漕河涇開發區站，擁擠客流主要由途經乘客構成。其中，松江大學城、佘山、泗涇、九亭站的進站乘客和漕河涇開發區站的出站乘客對9號線的系統型擁擠貢獻最大，擁擠貢獻分布明顯與沿線職住空間結構相關。從出行目的、出行規律性、出行約束性3個方面劃分乘客的行為特征類型，發現擁擠高峰時段主要為工作出行，能夠進一步解釋軌道交通9號線的擁擠成因：早高峰期間，大型居住社區的大量慣常工作人群進站上車后，經過長距離出行才能到達集中就業地，途經站點的列車容量幾乎全被擠占，因此發生了高度擁擠。

在此基礎上，本文針對不同出行類型的乘客提出了多情景的時間、空間和行為緩擠策略。其中，行為引導策略作用于全體彈性出行乘客；時間策略包括干預出發時間的預約進站策略和干預到達時間的調整上班時間策略，分別適用于核心進站貢獻站點的彈性出行乘客和核心到達貢獻站點的剛性工作出行乘客；空間策略在控制就業崗位總量不變的前提下，合理轉移部分就業崗位，優化慣常工作出行乘客的客流分布。經過模擬評估，不同策略均能在一定程度上起到緩解擁擠的作用。

總的來說，本文在時空行為規劃框架下提出了針對城市軌道交通擁擠問題的分析方法與緩擠策略。一方面，可以提高傳統緩擠策略的效率與科學性，例如根據擁擠貢獻為現有進站限流策略選擇最適宜的站點和時段；另一方面，可以拓展新的緩擠思路與方法，例如針對集中就業地實施上班時間的錯峰調整、新增就業地轉移崗位等。此外，策略實施后的緩擠潛力評估也為政策制定與實施的成本—效益計算提供了一定依據。但本文在策略評估與數據處理方法等方面仍存在一些問題。一是緩擠策略的評估結果是理想狀態下的最大緩擠潛力，但在實際生活中，個體偏好、行為存在眾多差異性與不確定性，因此策略實際作用效果必定與模擬評估的潛力有較大差距，策略實施所需要的經濟與社會成本也應當進行科學合理的評估，否則將無法判斷策略是否具有可行性。二是緩擠策略的評估針對的是對某一靜態時段切片內的客流變化，并未考慮策略實施后可能引起的復雜系統的動態變化。并且，緩擠策略的評估只考慮了9號線單一線路的變化，未能判斷局部調整優化后對軌道交通全網絡造成的影響，某一區段擁擠的緩解可能會加劇其他區段的擁擠。此外，識別客流分布和各類出行特征的技術方法與指標還可以進行更深入的探討與界定，以上不足將在后續研究中加以完善。

參考文獻 References

[1]鄒慶茹. 城市軌道交通網絡高峰客流擁擠管控研究[D]. 北京：北京交通大學，2020.

ZOU Qingru. Research on peak-congestion control and management for urban rail transit network[D]. Beijing： Beijing Jiaotong University， 2020.

[2]王波. 上海軌道交通早高峰客流擁擠與居民通勤關系分析[J]. 城市軌道交通研究，2016，19（7）：75-78.

WANG Bo. Relationship between the rush hour passenger flow congestion and residents commuting in Shanghai rail transit system[J]. Urban Mass Transit， 2016， 19（7）： 75-78.

[3]王德，胡楊. 城市時空行為規劃：概念、框架與展望[J]. 城市規劃學刊，2022（1）：44-50.

WANG De， HU Yang. Urban spatial-temporal activity planning： concept， framework and prospect[J]. Urban Planning Forum， 2022（1）： 44-50.

[4]王亞潔. 國外城市軌道交通與站域土地利用互動研究進展[J]. 國際城市規劃，2018，33（1）：111-118.

WANG Yajie. International studies on the inter-action between urban rail transit and land use of station areas[J]. Urban Planning International， 2018， 33（1）： 111-118.

[5]楊陶源，吳海燕，楊靜，等. 基于微觀仿真的城市軌道交通車站設施服務水平研究[J]. 交通信息與安全，2016，34（1）：123-129.

YANG Taoyuan， WU Haiyan， YANG Jing， et al. Development of the level of service for the facilities of urban rail transit stations based on microscopic simulation[J]. Journal of Transport Information and Safety， 2016， 34（1）： 123-129.

[6]趙鵬軍，曹毓書. 基于多源地理大數據與機器學習的地鐵乘客出行目的識別方法[J]. 地球信息科學學報，2020，22（9）：1753-1765.

ZHAO Pengjun， CAO Yushu. Identifying metro trip purpose using multi-source geographic big data and machine learning approach[J]. Journal of Geo-information Science， 2020， 22（9）： 1753-1765.

[7]CHU K K A， CHAPLEAU R. Augmenting transit trip characterization and travel behavior compre-hension： multiday location-stamped smart card transactions[J]. Transportation Research Record， 2010， 2183（1）： 29-40.

[8]LONG Y， LIU X， ZHOU J， et al. Early birds， night owls， and tireless/recurring itinerants： an exploratory analysis of extreme transit behaviors in Beijing， China[J]. Habitat International， 2016， 57： 223-232.

[9]WU Y， LU J， CHEN Y. Study of the influencing factors of urban rail transit travel behavior： a case study of Xi'an[J]. Applied Mechanics and Materials， 2015， 744-746： 2049-2052.

[10]DIJST M， VIDAKOVIC V. Travel time ratio： the key factor of spatial reach[J]. Transportation， 2000， 27（2）： 179-199.

[11]史小俊. 地鐵車站應對大客流的組織措施[J]. 城市軌道交通研究，2009，12（10）：70-72.

SHI Xiaojun. Counter measures in passenger flow organization for metro station[J]. Urban Mass Transit， 2009， 12（10）： 70-72.

[12]陳子浩，胡楊，王德，等. 歐洲城市時間政策的主要議題及相應實踐[J]. 城市發展研究，2022，29（11）：89-96.

CHEN Zihao， HU Yang， WANG De， et al. Main topics and corresponding practices of European urban time polices[J]. Urban Development Studies， 2022， 29（11）： 89-96.

[13]胡楊，陳子浩，王德，等. 城市時間政策的西歐經驗與啟示：實踐評述、發展脈絡與行動框架[J/OL]. 國際城市規劃：1-18[2024-02-18]. https：//doi.org/10.19830/j.upi.2022.449.

HU Yang， CHEN Zihao， WANG De， et al. Urban time policies in western Europe： practice review， development context and action framework[J/OL].Urban Planning International： 1-18[2024-02-18]. https：//doi.org/10.19830/j.upi.2022.449.

[14]王倩，郭繼孚，葛昱，等. 北京市軌道交通車站預約出行實踐與思考[J]. 城市交通，2021，19（1）：89-94.

WANG Qian， GUO Jifu， GE Yu， et al. Practice and thoughts on reservation travel in Beijing metro stations[J]. Urban Transport of China， 2021， 19（1）： 89-94.

[15]田貴超，張建同，胡一竑. 基于乘客行為的城市軌道交通分時定價策略研究[J]. 上海管理科學，2013，35（5）：77-83.

TIAN Guichao， ZHANG Jiantong， HU Yihong. Research on urban rail transit's time differential pricing strategy based on passenger behavior[J]. Shanghai Management Science， 2013， 35（5）： 77-83.

[16]INGVARDSON J B， NIELSEN O A， RAVEAU S， et al. Passenger arrival and waiting time distributions dependent on train service frequency and station characteristics： a smart card data analysis[J]. Transportation Research Part C： Emerging Technologies， 2018， 90： 292-306.

[17]GUO Z， ZHAO J， WHONG C， et al. Redesigning subway map to mitigate bottleneck congestion： an experiment in Washington DC using Mechanical Turk[J]. Transportation Research Part A： Policy and Practice， 2017， 106： 158-169.

[18]中國城市軌道交通協會. 城市軌道交通2016年度統計和分析報告[J]. 城市軌道交通，2017（1）：20-36.

China Association of Metros. China metros annual statistical and analysis report， 2016[J]. China Metros， 2017（1）： 20-36.

基金項目：國家自然科學基金課題“時空行為規劃的框架、方法與實證研究”（編號52378069）資助。