基于智能手机调查数据的居民出行活动特征分析*

杨　超　朱荣荣　涂　然

(1.同济大学道路与交通工程教育部重点实验室　上海 201804；

2.弗吉尼亚理工学院暨州立大学土木与环境工程学院　弗吉尼亚 黑堡 美国 24061)



基于智能手机调查数据的居民出行活动特征分析*

杨超1▲朱荣荣1涂然2

(1.同济大学道路与交通工程教育部重点实验室上海 201804；

2.弗吉尼亚理工学院暨州立大学土木与环境工程学院弗吉尼亚 黑堡 美国 24061)

摘要城市居民出行活动信息是城市规划、交通管理和居民行为研究的重要参考依据。采用传统的基于入户访问和纸质问卷的居民出行调查方式存在受访者负担重、调查精度低、调查成本高等问题，设计并实现了一种基于嵌入GPS(Global Positioning System)模块的智能手机的居民出行调查系统。通过高频的手机GPS定位获取居民出行轨迹，设计基于规则的轨迹数据处理算法，自动提取出行信息。以上海市杨浦区同济新村为例，对比传统问卷调查和基于手机的调查所得的出行数据。利用调查结果对基于智能手机调查的出行生成模型进行系数修正，并对传统调查方式的误差进行分析。发现传统调查的总体误差在33%左右，其中非基家出行的误差更是达到近159%。最后，基于手机调查的数据，对区域内居民活动特征进行分析。

关键词交通大数据；居民出行调查；出行特征；智能手机；GPS

0引言

居民活动特征包括出行次数，出行目的，出行方式分布，出行时间分布和出行空间分布等，是城市规划、交通管理和居民行为研究的重要参考依据。居民出行调查起源于20世纪50年代的美国[1]，传统的调查方法一般包括家访法，电话问询法，明信片方法等。目前，国内主要使用基于入户访问和纸质问卷的调查方式。该方法的弊端十分明显，即受访者负担重、调查精度低、调查成本高，已无法满足城市快速发展的需求。GPS技术自20世纪90年代开始被用于出行调查[2]，并体现了其巨大的潜力。近年来，嵌入GPS模块的智能手机开始大量出现和流行。根据Strategy Analytics发布的报告显示，预计2015年全球智能手机用户达25亿，占总人口的35%[3]。这为利用智能手机进行居民出行调查这种新的调查方式的推广提供了可能。该方法既避免了受访者携带手持GPS终端带来的负担，节约调查者额外的采购成本，又能提供同样较为准确的定位数据。

基于定位技术的出行调查方式，能较为准确地获取用户的时空位置信息，但无法直接得到出行起讫点，出行目的，交通方式等具体出行信息。因此，对轨迹数据的后期处理和分析是该调查方式的重点和难点。国内外对出行信息提取的研究基本可分为出行识别、出行方式判断和出行目的判断。在出行识别中，划分停留和出行区段的准则一般有3种：①一段时间内速度低于某个阈值[4-5]；②空间上点的群聚[6]；③相邻定位点的时间差。在具体处理中，一般会参考一种或多种判断方法。目前，对于出行识别的研究较多，行程识别正确率一般可达到80%以上[7]。在完成对轨迹数据的行程识别后，就可以从出行区段和停留区段的轨迹数据中提取用户的出行方式和出行目的具体信息。研究者们在大量数据的基础上，对出行轨迹点的速度、加速度以及停留的开始结束时间和持续时间等特征进行深入分析[8-10]。Schuessler等[9]将交通方式分为5种，采用基于速度和加速度的模糊逻辑方法进行判断。张德欣等[10]利用模糊推理机制，实现机动车、自行车、步行3种出行方式的良好区分。Reumers[8]将出行目的分为6种，根据活动开始和持续时间建立决策树分类模型判断出行目的。然而，在没有其他附加数据的辅助下，很难从轨迹数据中直接获得较为细致的出行目的和交通方式。为了进一步提高判断准确性，用户的个人和家庭信息以及GIS数据，如土地利用性质，兴趣点(point of interest，POI)数据等越来越多地被应用到了出行目的和出行方式判断中[5, 11-12]。

目前，除了个别研究外[11, 13-14]，尚未有一套完整的、基于智能手机的被动式居民出行调查体系，已有的研究也还未达到大规模使用的要求。在轨迹数据获取方式上，以往对于手机在被动式出行调查中的研究，多集中于手机网络定位[15-17]，其定位精度较低，稳定性差，无法满足出行调查需要的精度。GPS轨迹数据的获取大多采用手持GPS设备的方式，对于使用嵌入GPS的智能手机作为采集设备的研究较少。在轨迹数据处理方面，出行识别作为出行信息提取的第一步，是后续出行方式和目的判断的基础，需要保证更高的精度。对于出行方式和出行目的的判断，复杂的机器学习算法受制于较长的训练过程且并未表现出比基于规则的算法更高的精度[7]。出行目的推测中，通常用距离停留点最近的POI点来表示用户的停留位置，因而在POI较密集区域判断精度较低。最后，现有研究也未对出行信息提取结果在具体交通规划领域的应用及其与传统调查方式结果在同一样本群体中的差异做详细的分析。

笔者提出了一套完整的基于规则的轨迹数据处理算法，使用开发完成的基于智能手机的被动式居民出行调查系统，对调查者同时进行基于手机的出行调查和问卷式的传统调查。使用调查结果，对基于智能手机调查的出行生成模型进行系数修正，并分析传统调查方式的误差。最后利用手机调查的数据，对调查区域内的居民出行现状和特征进行分析，为之后系统的大规模使用提供范例。

1基于智能手机的出行调查系统设计

1.1系统简介

系统采用基于定位技术的被动式调查方式，即受访者只需随身携带定位设备(智能手机)出行而不需做任何操作，在出行结束后上传数据便可完成调查。系统由手机客户端和网络服务器端两部分组成，其结构见图1。用户在手机上安装客户端后，先进行注册，填写家庭和个人信息，并在地图中定位家和工作地点位置。出行时保持GPS功能开启，程序会自动在后台运行并以1 s为间隔采集定位数据，保存于手机本地并可通过手动或自动方式上传至服务器。服务器端通过轨迹数据处理算法，结合POI数据及用户基本信息分析用户的出行信息(出行方式，出行目的，出行次数等)。为了获取用户的真实出行数据来检验算法精度并对算法进行修正，设计基于网页的用户反馈端。用户在出行结束第二天登录网络反馈页面，选择指定出行的日期，页面上的出行信息表中显示算法运算得到的具体出行信息，并且各次出行的起讫点和交通方式转换点均会在页面的地图中显示。用户可以根据地图和表格回忆实际出行，并手动修改表格中的出行信息，拖动地图中的出行端点或进行增加和删除出行的操作。校核后的数据提交并保存于服务器中作为精度判断的对照数据。

图1　系统结构示意图Fig.1　Architecture of the system

1.2数据处理

在基于定位技术的被动式出行调查中，具体的出行信息，即每次出行的起讫点，到发时间，出行目的，交通方式等，需要通过对采集的定位数据的时间序列进行处理和分析获得。因此，时空轨迹数据的后期处理显得尤为重要。

图2　数据处理流程Fig.2　Post processing procedure of GPS data

系统将出行方式分为步行，自行车，地面公交，轨道交通，小汽车5种。通过提取时长满足要求的信号丢失区段(Tgap>120 s)，将两停留点间的行程划分成单一模式区段。提取各区段的平均速度，95%位加速度，出行距离，出行时长特征，利用隶属函数加权判别法[18]判断各区段的出行方式。接着，根据信号丢失区段端点附近的换乘站点信息以及两边区段的交通方式，对方式判断结果进行整理与校核，得到各区段最终的出行方式并对转换点进行检验。

在目的判断中，系统将出行目的分为9类，分别为：上班，上学，业务，社会娱乐，购物餐饮，探亲访友，看病探病，回家和其他。利用起讫点附近的POI信息结合用户的家庭住址和工作地点共同判断用户的出行目的。当起讫点在家庭住址、工作或上学地点100 m范围内时，判断出行目的分别为回家、上班或上学出行。对于其他类型的出行，通过停留位置建筑类型来推断出行目的。利用POI数据建立核密度估计模型[19]，计算起讫点所在位置周围不同POI类型的功能性强度，选取核密度最大的POI类型对应的出行目的作为最终的出行目的。

1.3算法精度检验

选取22位志愿者对系统进行测试。调查收集109 d的出行数据。每位志愿者的调查天数有1～13 d不等。以用户网络反馈的结果作为实际出行信息，对算法运算结果进行检验。应用查全率，查准率以及F1-measure[8]指标对停留点，出行目的，出行方式精度进行评价。

测试不同的Lstay和Tstay组合下的判断精度，最终选择100 m和210 s作为参数。此时，精度的综合评价值F1-measure达到最大值95.2%。出行方式判断的总体精度达84%，其中步行判断精度达97.7%，小汽车判断精度为78.7%，其余方式的精度都在85%以上。出行目的判断的总体精度达86%。由于家庭、工作和上学地点的位置已知，通勤和回家的判断精度较高，均在95%以上。因此，系统对于基家出行和通勤出行有较高辨识度。另外，对于业务和购物餐饮出行，判断精度在60%左右。而其他类型的出行目的，由于样本缺失，或较少较难分析其精度。

2传统调查与基于智能手机调查结果对比

选取上海市杨浦区同济新村作为调查区域，同时进行传统方式和基于智能手机的居民出行调查。被调查者需事先在手机中安装系统客户端并完成注册，在预先告知的调查日(2014年4月16日或23日，均为星期三)当天保持客户端开启。在1 d出行结束后上传客户端本地数据，同时填写一份纸质的传统居民出行调查问卷。同济新村共有居民2 184名，本次调查共获得17位居民共17个工作日的出行数据，抽样率为0.77%。受访者均为40周岁以下的上班、上学通勤者。

2.1调查结果初步分析

根据所收集的数据，对两种调查方式的结果从出行时间、出行方式、出行目的3个方面进行对比，见图3。

由图3(a)可见，无论是手机调查还是传统调查，出行均开始于07:00～08:00时以后，结束于22:00时。在趋势方面，手机调查的数据变化趋势较为平缓，几乎在每个时间段均有出行，而传统调查的数据变化较大，并且普遍集中在早晚高峰2个时间段。图3(b)显示，2种调查方式之间步行的差别最大。出现上述情况的原因，很可能是由于被调查者对于出行的概念不甚清楚，对自己某1 d内的出行记忆有所偏差，在填写调查问卷时容易遗漏一些，例如，午餐、晚餐、购物等目的的非通勤的其他出行。通常，步行的适用距离范围有限，除了家和工作单位距离较近这一情况之外，主要步行出行则发生于散步、购物和就餐等以休闲娱乐为目的的出行中。因此可以推断，传统调查所获得的出行次数之所以比手机调查的出行次数少，主要是由于被调查者未填写部分的步行出行造成的。

图3　两种调查方式出行特征对比Fig.3　Trip characteristics derived from different survey methods

在出行目的方面，图3(c)，3(d)显示购物餐饮，社会娱乐，业务出行的在传统调查中的漏报数量较高，也很好地印证了上面的推断。同时，由于被调查者未填写部分中午和晚上就餐的出行，而就餐之后回单位会产生一次非基家的上班出行，从而导致相应的上班目的的出行误差随之增大。基家的通勤出行较为规律，被出行者漏报的可能性比较小，而基家其他出行和非基家出行则漏报率较大。

2.2出行生成模型参数修正

在交通需求预测时，出行生成是四步骤模型的第一步，通常采用回归分析法或交叉分类法，建立交通产生与吸引的各主要影响因素与交通量之间的关系。传统调查的出行生成模型可以通过对调查数据进行分析来建立。由于基于手机的调查方式在原理上与传统调查方式不同，对样本进行建模得到的出行生成率公式也不相同。使用2009年上海市杨浦区四平路街道部分社区的出行调查结果进行参数标定，得到传统调查的出行产生模型。利用本文中传统调查和基于智能手机调查的结果，对传统调查的出行产生模型参数进行修正，得到手机调查的出行产生模型。

对出行产生量预测采用交叉分类法中的产生率法。将出行对象按照社会经济、家庭情况分成不同的类型、不同的出行目的进行分析，确定各交叉类别的出行率，具体公式如下。

(1)

式中：Pi为i区的出行产生量；Rik为i区第k种出行目的的出行率[次/(人·d)]，Tik为i区第k种出行目的人口数。模型中的将出行目的共分为4种：基家工作(HBW)、基家上学(HBS)、基家其他(HBO)、非基家出行(NHB)。

小区i中第k种出行目的的出行产生量为Pik=RikTik。选取2009年出行调查结果中，与本文志愿者年龄段相符的用户的出行数据，共计6个位于同济新村周边的居民小区中，230个用户(抽样率为0.61%)，497条出行记录。根据扩样系数统计各个小区不同出行目的的出行量和出行人数，用最小二乘法标定参数Rik，得到不同出行目的的出行生成率如表1第1列，p值和R2分别为第2，3列。除了非基家出行外，R2均大于0.6，参数拟合效果较好。非基家出行的出行率拟合效果较差，可能是由于不同小区非基家出行有较大差异性。对于基于手机的调查方法，模型参数通过如下的差值比例法获得，并假设各出行目的的人口数是一致的。

ΔPik=ΔRik×Tik

(2)

式中：ΔPi为2种调查方式出行产生量的差值，ΔRik为两者的产生率差值。

根据2种方式调查得到的分目的出行量(见图3(d))，由式(2)可计算得基于手机调查数据的出行产生率如表1第4列。在基家通勤出行方面，2种调查方式的差别并不是很大。根据式(1)分别计算得2种方式的出行产生量如表1的5，6列。可以发现，若以手机调查数据作为基准，在基家的其他出行及非基家出行中，传统调查的误差分别达到了73%和159%。传统调查的总体误差约为33%。

表1　分目的的出行产生率和产生量计算结果

3基于手机调查的出行特征分析

基于手机的出行调查方法虽然存在定位误差，算法精度等方面的问题，但其总体调查精度相比传统问卷调查有一定提升。利用手机调查数据，对同济新村小区内的居民进行出行特征分析。由于样本量的限制，分析结果并不一定能完全反映同济新村全体居民的真实出行情况。基于此，下文的分析只是作为本次研究的拓展和后续研究的范例。

3.1出行时间分布

小区的出行早晚高峰明显，且晚高峰持续时间比早高峰长很多，如图4。早高峰出行相对集中，主要在07：00～09：00时，而晚高峰持续时间较长，主要在17：00～21：00时。由图5得，小区居民出行早高峰主要由基家出行构成，其中基家工作出行量占早高峰总出行量比重很大，超过63%，这与本次调查选取的样本有关。午间出行量主要由基家其他出行构成，占午间高峰总量的50%。晚高峰的构成比较丰富，17：00～18：00时非基家出行占较大比例，接下来几个小时直到20：00时都以基家其他出行为主，占该时段总出行量76.4%，非基家出行和基家工作出行比例分别为17.6%和5.9%。

图4　出行时间分布比例图Fig.4　Travel time distribution

图5　分目的的出行时间分布比例图Fig.5　Travel time distribution of different purposes

3.2出行方式

根据上海市第4次综合交通调查的报告显示，上海市中心城个体机动方式占总量的14.1%，步行占28.9%，轨道交通占4.3%，与本次调查所显示的结果出入较大。由于本次调查的范围较小，样本量较少且集中在20～40岁年龄段，因此调查结果并不能反映上海市总体情况，但在该年龄段的居民中具有一定的代表性。根据统计，该小区居民的出行多以地铁和步行为主，分别占41.07%和33.93%，自行车、公交车和小汽车的比例则很小。由于本次调查的抽样样本皆为青年人，收入不高，且一部分居民的家庭住址和工作地址较为接近，因此调查结果中步行和地铁的分担率略高于上海市综合交通调查的结果。

将出行目的划分为通勤和非通勤两部分，分别进行方式统计，见图6。通勤出行中，地铁所占比例非常大，占总通勤交通量的50%，机动化出行方式中，小汽车比例也较高，为12.5%。而非通勤交通中，地铁也占有绝对优势，占总非通勤出行量的46.88%，其次为步行，比例为40.63%。通勤出行由于其规律性和时间的限制性，对于交通方式的便捷度和价格要求很高，因此一般而言，通勤出行对于机动化方式尤其是公共交通的依赖程度较高。而非通勤出行中，出行者对交通方式的便捷程度、舒适度和灵活性最为关注，因此慢行交通的比例相对较高。而在本次调查中，通勤交通中步行的比例也较高，这主要由2个原因造成：①工作日午餐晚餐结束后的回单位出行；②一部分被调查者的工作单位位于同济大学周边如联合广场等商圈内，处于步行可达范围内，因此即使是通勤交通，步行也完全可以满足要求。

图6　通勤/非通勤出行方式分布比例图Fig.6　Travel mode distribution ofcommuter/non-commuter

3.3换乘分析

在手机调查中，停留点判断的距离阈值为100 m，因此较近距离的步行和其他交通方式换乘时，步行出行段无法被单独判别出来，而是被合并到下一出行段或者停留点中。除了涉及到较近距离步行的换乘之外，其他方式的换乘可以较好地识别。据统计，小区居民更倾向于公共交通方式内的换乘，即公交车和地铁、地铁和地铁及公交车和公交车之间的换乘，该种换乘方式占总换乘方式的70.97%。小汽车-公交之间的换乘占总换乘方式的12.9%，这种换乘包括公交-出租车、公交-单位用车和公交-小汽车等方式，在本次调查中，主要指公交-单位用车这一种换乘。在同济新村居民全天的出行中，需要换乘的出行占总出行量的52%。其中，1次换乘占主要部分，占80.77%，2次换乘的比例较少，为19.23%。因此，同济新村居民出行较为便捷，公交换乘也较为便利。

4 结束语

本文设计并实现了一种基于智能手机的居民出行调查系统。在小范围内对同一样本人群分别进行传统问卷调查和基于智能手机的出行调查。利用调查结果，参考上海交通需求预测模型，对基于智能手机出行调查的出行生成模型进行参数修正，并计算传统调查的误差水平，得到传统调查整体误差约为33%，其中基家的其他出行和非基家出行的误差较大，分别为73%和159%。最后利用基于手机调查的数据，对调查区域内的居民进行出行量、出行目的、出行方式、出行时间、换乘情况等方面的特征分析，为基于手机的出行调查在今后的大规模使用提供了一定的研究示例。

由于调查条件的限制，在算法精度分析以及2种调查方式对比时使用的样本量均较小，且受访者大多为年轻的通勤者。增加测试的样本量和人群多样性，进一步优化轨迹数据处理算法和手机调查的出行生成模型，是下一步的研究方向。

参考文献

[1]WOLF J. Using GPS data loggers to replace travel diaries in the collection of travel data[D]. Ann Arbor: Georgia Institute of Technology, 2000.

[2]MURAKAMI E, WAGNER D P. Can using global positioning system (GPS) improve trip reporting?[J]. Transportation Research Part C: Emerging Technologies, 1999, 7(2): 149-165.

[3]OH W. Global smartphone user penetration forecast by 88 countries 2007 to 2020[EB/OL].(2014-07-23)[2015-09-28] https://www.strategyanalytics.com/access-services/devices/mobile-phones/smartphone/smartphones/reports/report-detail/global-smartphone-user-penetration-forecast-by-88-countries-2007-to-2020#.VgjuAvmSzXk.

[4]仇培元. 城市出行者轨迹数据时空挖掘方法研究[D]. 北京: 北京建筑工程学院, 2012.

QIU Peiyuan. Research on spatio-temporal mining method for trajectory data of urban travelers[D]. Beijing: Beijing University of Civil Engineering and Architecture, 2012. (in Chinese)

[5]WOLF J, GUENSLER R, BACHMAN W. Elimination of the travel diary: experiment to derive trip purpose from global positioning system travel data[J]. Transportation Research Record: Journal of the Transportation Research Board, 2001, 1768(1): 125-134.

[6]张 波. 用于交通出行调查的 GPS 时空轨迹数据简化与语义增强研究[D]. 上海: 华东师范大学, 2011.

ZHANG Bo, Research onsimplification and aemantics enhancement of apatio-temporal GPS trajectory from travel survey[D]. Shanghai: East China Normal University, 2011. (in Chinese)

[7]SHEN L, STOPHER P R. Review of GPS travel survey and GPS data-processing methods[J]. Transport Reviews, 2014, 34(3): 316-334.

[8]REUMERS S, LIU F, JANSSENS D, et al. Semantic annotation of GPS traces: activity type inference[C]. 92thAnnual Meeting of the Transportation Research Board, Washington D. C.: TRB, 2013.

[9]SCHUESSLER N, AXHAUSEN K W. Processing raw data from global positioning systems without additional information[J]. Transportation Research Record: Journal of the Transportation Research Board, 2009, 2105(1): 28-36.

[10]张德欣，刘小明，孙立光，等. 基于大规模定位数据的出行方式模糊判别研究[J]. 交通信息与安全, 2011, 29(2): 1-4.

ZHANG Dexin, LIU Xiaoming, SUN Liguang, et al. Fuzzy classification of trip mode based on large scale location data[J]. Journal of Transport Information and Safety, 2011, 29(2): 1-4. (in Chinese)

[11]STOPHER P, CLIFFORD E, ZHANG J, et al. Deducing mode and purpose from GPS data[R]. Sydney: Institute of Transport and Logistics Studies, 2008.

[12]MCGOWENP T. Predicting activity types from GPS and GIS data[D]. Irvine: University of California, 2006.

[13]BOHTE W, MAAT K. Deriving and validating trip purposes and travel modes for multi-day GPS-based travel surveys: a large-scale application in the Netherlands[J]. Transportation Research Part C: Emerging Technologies, 2009, 17(3): 285-297.

[14]WINTERS P L, BARBEAU S J, GEORGGI N L. Smart phone application to influence travel behavior (TRAC-IT phase 3)[R]. Florida: National Center for Transit Research (NCTR), 2008.

[15]黄美灵，陆百川. 基于手机定位的交通OD数据获取技术[J]. 重庆交通大学学报：自然科学版, 2010, 29(1): 162-166.

HUANG Meiling, LU Baichuan.Traffic OD data collection technology based on mobile phone location[J]. Journal of Chongqing Jiaotong University：Natural Science Edition, 2010, 29(1): 162-166. (in Chinese)

[16]罗 勇，王晏民，张健钦. 基于手机位置数据的居民出行信息挖掘和分析方法研究[J]. 北京建筑工程学院学报, 2012, 28(1): 40-44.

LUO Yong, WANG Yanmin, ZHANG Jianqin. Research of residents’ travel information mining and analysis methods based on mobile phone location data[J]. Journal of Beijing University of Civil Engineering and Architecture, 2012, 28(1): 40-44.

[17]张 博. 基于手机网络定位的 OD 调查的出行方式划分研究[D]. 北京: 北京交通大学, 2010.

ZHANG Bo. Research on trip modal split of OD survey based on the cellular positioning system[D]. Beijing: Beijing Jiaotong University, 2010. (in Chinese)

[18]XU C, JI M, CHEN W, et al. Identifying travel mode from GPS trajectories through fuzzy pattern recognition[C]. 7thInternational Conference on Fuzzy Systems and Knowledge Discovery (FSKD), Yantai: IEEE, 2010.

[19]YUAN J, ZHENG Y, XIE X. Discovering regions of different functions in a city using human mobility and POIs[C]. 18thACM SIGKDD international conference on Knowledge discovery and data mining, Beijing, China: ACM, 2012：186-194.

Analysis of the Travel Characteristics of Residents in Shanghai

Using the Itinerary Data Collected from Smartphones

YANG Chao1▲ZHU Rongrong1TU Ran2

(1.KeyLaboratoryofRoadandTrafficEngineeringoftheMinistryofEducation,

TongjiUniversity,Shanghai201804,China;

2.DepartmentofCivilandEnvironmentalEngineering,VirginiaPolytechnicInstituteand

StateUniversity,Blacksburg24061,Virginia,UnitedStates)

Abstract：Travel data of urban residents is an important base for urban planning, traffic management and behavior research. Traditional methods such as face-to-face interview and paper-based questionnaire are of high cost and low accuracy. This study develops a travel survey system based on GPS-enabled smartphones. A rule-based algorithm is proposed to extract travel information automatically from high-frequency GPS data collected by smartphones. A case study is carried out at New Tongji Village, a residential area in Shanghai. A comparison of travel data obtained from traditional questionnaire-based surveys and smartphone-based surveys is also made. The results from the questionnaire survey are used to improve the parameters of the trip generation model based on the data from the smartphone-based survey, and the inaccuracy in traditional questionnaire-based survey is also studied. It is shown that the overall error of the traditional survey is about 33%, and the error for non-home-based travel is as high as 159%. Finally, travel behavior of urban residents is also analyzed based on the data from smartphone-based survey.

Key words：big data; household travel survey; trip characteristics; smartphone; GPS

通信作者▲第一作者()简介：杨超(1974-)，博士，教授.研究方向：交通运输规划与管理.E-mail: tongjiyc@tongji.edu.cn

基金项目*国家自然科学(批准号：71171147)资助

收稿日期：2015-10-08修回日期：2015-11-29

中图分类号：U491.1

文献标志码：A

doi：10.3963/j.issn 1674-4861.2015.06.004