基于多源数据的通勤高峰期出行方式分担率预测方法研究

宋永朝，杨 培

(重庆交通大学 交通运输学院，重庆 400074)

0 引 言

居民出行方式选择行为一直是出行行为研究领域的重要课题，在很大程度上决定了城市交通出行方式的结构，并直接影响到TDM(travel demand management)和TCM(travel control measurement)的有效实施[1-2]。通勤高峰期指通勤交通的早高峰(7:00—9:00)和晚高峰(17:00—19:00)，相对其他出行在时间和空间上具有更大的恒定性和聚集性，使得早、晚高峰常态性拥堵，成为城市最为突出的问题之一。通勤高峰期出行在城市居民日常出行中占比较大，其交通结构合理性直接影响城市交通结构合理性，影响着城市交通的可持续发展。

国内外学者在交通方式划分预测方法上的研究成果主要分为两大类：以统计学为基础的集计模型和概率学为基础的非集计模型[3]。集计模型在预测时，因忽略了出行个体特性，预测可靠性不高。相比，非集计模型具有所需样本容量小、数据统计处理简单、数据可拓展和再利用、对个体行为分析充分等优点，且预测精度较高，逐渐取代了集计模型[4]。非集计模型经过30余年发展已经形成完整理论体系，基于不同理论假设形成了多元logit模型、分层logit模型、混合logit模型、组队logit模型等，在城市交通需求研究中得到广泛应用[5]。现有研究主要集中在居民全日出行，而对于通勤高峰期居民出行研究相对缺乏。由于SP和RP调查难度和数据误差性较大，数据获取成本高且样本数量相对有限，往往预测结果可靠性低。

显然，传统预测模型已很难适应目前预测需求。笔者提出了一种基于多源基础数据的出行方式划分预测方法，旨在高效获取各交通方式在通勤高峰期出行分担率，探讨通勤高峰期出行分布规律，为城市交通结构布局、交通发展规划、交通政策等提供技术支持。

1 参数标定

城市交通出行方式主要包括步行、私家车、公共交通(轨道交通和常规公交)和其他方式，如图1，通过分析不同交通方式的服务范围，尤其是公共交通站点的吸引范围，为通勤高峰期出行方式的预测提供合理依据。

图1 交通方式划分Fig. 1 Division of traffic mode

1.1 不同交通方式服务范围

交通方式服务范围即为各种交通方式适宜的出行距离,是人们选择交通方式一个重要影响因素。出行距离是影响人们选择步行最主要的因素，步行出行比例随出行距离变化的规律非常明显，距离增加其出行比例会明显减少，而机动车出行比例逐渐增加[6]。文献[7]通过对北京市居民出行方式选择行为进行研究得出：各种交通方式优势出行距离：步行为0.84 km，地面常规公交为8.42 km，小汽车为11.49 km，地铁为13.15 km。山地城市与平原城市之间存在着一定差异性，但在影响交通选择的要素相似情况下，其出行特征也具有相似性，孟思梦[8]在对山地大城市出行方式的有关研究得出：短距离出行中，步行更占优势，中远距离出行中，私家车更占优势，远距离出行中，公共交通更占优势。

笔者对主城区中的南岸区和九龙坡区发放了共948份调查问卷，问卷内容包括通勤出行距离、出行方式、出行时间期望值等，收回556份有效问卷。通过对调查数据进行统计分析后得出：在2 km以内的通勤高峰期出行中，步行分担率最高，且随着出行距离的增加而骤减；在2～5 km的出行中，私家车出行分担率较常规公交和轨道交通上升幅度大；在6～15 km的出行中，私家车出行分担率逐渐下降，公共交通分担率继续上升，但私家车分担率仍然较高；在11～15 km的出行中，常规公交分担率达到峰值，在15 km以上出行中，轨道交通逐渐占据优势。变化趋势如图2。

图2 出行方式分担率随出行距离变化折线Fig. 2 Polygonal line of travel mode share rate changing with travel distance

重庆属于山地城市，城市地形复杂、道路坡度大、非机动车出行环境差，短距离出行时交通出行者选择非机动车出行方式较少，选择步行出行方式较多，所以暂不考虑非机动车(自行车、助力车)出行方式。依据相关文献[6-8]并结合调查数据分析结果，给出不同交通方式出行距离阈值推荐值，如表1。

表1 不同交通方式出行距离阈值推荐值Table 1 Recommended value of travel distance thresholdwith different traffic modes

1.2 公共交通站点的吸引范围

1.2.1 轨道交通站点的吸引范围

站点步行吸引范围是指乘客步行到达或离开站点可接受耗时或距离所构成的区域圈。它决定了公共交通的可达性与满意度水平，直接影响乘客对公共交通的使用程度。距离目的地和交通站点的距离不同，其选择的交通出行方式也存在差异。轨道交通合理步行吸引范围可划分为中心区合理步行范围和城市外围区合理步行范围，由于城市中心区其它交通方式出行较为方便，步行到达轨道交通车站的距离相对较短，最适合的步行距离为500～600 m，城市外围区和郊区则相对较长，最适合的步行距离为800～1 000 m[9]。考虑多种接驳方式下，将轨道站点的吸引范围分为合理吸引范围与非合理吸引范围，其中合理吸引范围包括合理步行区与合理交通区，半径分别为800 m和3 000 m[10]。

通过对重庆市主城区轻轨3号线二塘站发放200份调查问卷，内容主要涉及从居住地到轨道交通站点的耗时，到达交通站点的方式等，收回有效问卷127份，其中步行到达站点的有106份，轨道交通的使用者主要是直接步行到站的站点周边居民，对耗时进行分类统计后如表2。

表2 步行到轨道交通站点的时间Table 2 Time of walking to the rail transit station

对步行到达轨道站点的样本进行分析，居民通过步行到达轨道站点的平均时耗为9.5 min，普遍时耗为10 min。国外TOD理论根据适宜的步行距离为标准，划定的站点影响区范围为:步行5～15 min的距离，约1/4英里(400～500 m)至1/2英里(600～800 m)的半径范围。根据对二塘轻轨站调查，可将重庆市主城区轨道站点的影响区范围确定为步行10 min的距离，约650 m的半径距离。

1.2.2 常规公交站点的吸引范围

根据GB 50220—95《城市道路交通规划设计规范》[11]，公共交通车站服务面积，以300 m半径计算，不得小于城市用地而积的50%;以500 m半径计算，不得小于90%。用类似于轨道交通站点吸引范围的调查方式，对重庆市南岸区学府大道69号公交站发放200份调查问卷，收回有效问卷145份，其中步行到达站点的有122份，耗时分类统计后如表3。

表3 步行到常规公交站点的时间Table 3 Time of walking to the bus stop station

对步行到达常规公交站点的样本进行分析，可见居民通过步行到达常规公交站点的平均时耗为7.5 min，普遍时耗为8 min。根据以上对学府大道69号站的调查，可将重庆市主城区常规公交站点的影响区范围确定为步行8 min的距离，约400 m的半径距离。

2 预测方法介绍

交通方式分担率(modal split)是出行者出行时所选交通工具的比例，以居民出行调查数据为基础，研究人们出行时的交通方式选择行为，建立模型从而预测基础设施或服务等条件变化时，交通方式间交通需求的变化[12]。根据交通方式分担率的计算公式，可以类推到通勤高峰期出行方式分担率计算公式，如式(1)。

(1)

式中：F为通勤高峰期交通方式分担率；M为通勤高峰期使用某交通方式出行的人数；N为通勤高峰期出行的总人数。

通勤高峰期使用某交通方式出行人数的准确获取,是预测分担率的关键，通勤高峰期各种交通方式的出行人数分析流程如图3。具体包括：加载多源数据并对数据进行处理和关联；采用最短路径算法计算通勤距离，根据通勤出行距离和步行出行距离阈值，筛选出步行出行数据；根据户籍数据中的私家车信息，结合通勤出行距离和私家车出行距离阈值，筛选出私家车出行数据；根据轨道交通站点和常规公交站点的吸引范围，利用公共交通选择算法筛选出公共交通出行的数据；剩下数据默认为其他出行方式。根据以上预测结果，计算得出不同交通方式分担率，总结出居民通勤高峰期出行规律。

图3 交通出行人数分析流程Fig. 3 The analysis process of the number of travelers

3 算法介绍

3.1 最短路径算法

最短路径问题一直是地理信息科学、计算机科学、运筹学、交通运输等领域一个研究热点，许多实际问题可抽象为网络最短路径计算问题，比如出行路径规划，管线优化等[13]。通勤距离由最短路径算法计算得到，最短路径分析是GIS中最基本的功能，适用计算两点之间的最短距离。针对大批量的多源数据，常用GIS软件模块提供的最短路径分析功能无法有效批量处理大范围数据，因此基于AE网络分析2次开发模块，设计了一种对大范围数据的批量处理算法，将数据预处理得到的优化关联数据加载到该算法中计算居民的通勤距离，算法流程如图4。

图4 最短路径算法示意Fig. 4 Shortest path algorithm

3.2 公共交通选择算法

发展公共交通是城市交通建设最重要的1个工作，许多大城市很早就提出了“公交优先”的原则，也一直在发展公交线路[14]。目前，公共交通出行模式以“起讫点+步行+公共交通+步行+起讫点”为主[15]。根据杨新苗[16]等人的调查，大部分公交乘客在选择出行路径时首要考虑的因素是“换乘次数”，且直达、1次换乘、2次换乘的比例分别是30.70%，31.40%，26.98%。

在此，笔者提出的公共交通选择方法考虑居民乘坐公共交通直达、1次换乘、2次换乘多种情况。针对居住地和工作单位之间直达、1次换乘、2次换乘3种情况，分别采取直达搜索算法，1次换乘搜索算法，2次换乘搜索算法。算法流程如图5。

图5 公共交通选择算法示意Fig. 5 Public transportation selection algorithm

假设常规公交站点合理步行吸引范围是Db，轨道交通站点合理步行吸引范围是Du，对常规公交站点和轨道交通站点的合理步行吸引范围分别做缓冲区，半径分别是Db，Du，遍历每1条公交线路的每1个站点，查找记录下居住地点A和工作地点B落在的具体缓冲区。

3.2.1 公共交通直达算法

比较A点和B点记录，若A点和B点同时落在同公交线路不同站点缓冲区内，表示经过A点和B点的公交线路存在相同。针对某一区域的人口数量，也就可以遍历每1个人的A点和B点，找出是否有相同公交线路即可。公共交通直达如图6。

图6 公共交通直达示意Fig. 6 Nonstop public transport

3.2.2 公共交通1次换乘算法

1次换乘搜索算法可分为纯常规公交(或纯轨道交通)1次换乘、常规公交和轨道交通之间的1次换乘。

纯常规公交(或纯轨道交通)1次换乘，以纯常规公交1次换乘为例，比较A点和B点的记录。若A点落在公交线路Lb1，B点落在公交线路Lb2，Lb1和Lb2有相同的常规公交站点Sb，表示可以1次换乘。这样只要首先遍历找出经过A点和B点的公交线路，再分别遍历经过两者的公交线路站点，判断是否有相同即可。针对某一区域的人口数量，遍历每个人的A点和B点，找出是否有相同公交站点即可。纯常规公交1次换乘示意如图7，纯轨道交通1次换乘示意图类似。

图7 纯常规公交1次换乘示意Fig. 7 One-transfer between the conventional buses

常规公交和轨道交通之间的1次换乘，比较A点和B点的记录。假设居住地A点落入轨道交通某站点的缓冲区内，工作单位B点落入常规公交某站点的缓冲区内，对A点落入的某轨道线路Lu的所有站点做缓冲区，以距离最短为目标，查找B点落入的某常规公交站点对应的常规公交线路Lb的所有站点是否有落在Lu站点的缓冲区内，若有某常规公交站点Sb落在Su轨道站点的缓冲区内，表示A点可以先乘坐轨道交通Lu，再在Su轨道站点下车，步行到Sb常规公交站点，最后乘坐常规公交Lb到达B点。针对某一区域的人口数量，遍历每个人的A点和B点，按照上述方法判断即可。常规公交和轨道交通1次换乘如图8。

图8 常规公交和轨道交通1次换乘示意Fig. 8 One-transfer between the conventional bus and rail transit

3.2.3 公共交通2次换乘算法

2次换乘搜索算法主要分为两大类：纯常规公交(或纯轨道交通)之间的2次换乘、常规公交和轨道交通之间的2次换乘。

纯常规公交或纯轨道交通之间的2次换乘，以纯常规公交间2次换乘为例，比较A点和B点的记录。若A点落在公交线路Lb1，B点落在公交线路Lb2，分别搜索与Lb1、Lb2相交的公交线路，判断两者相交线路是否相同，相同则表示可以2次换乘。遍历找出经过A点和B点的公交线路，再分别遍历与经过两者的公交线路相交的公交线路，判断是否有相同即可，针对某一区域的人口数量，遍历每个人的A点和B点，找出是否有相同相交公交线路即可。纯常规公交2次换乘如图9，纯轨道交通公交2次换乘亦类似。

图9 纯常规公交2次换乘Fig. 9 Two-transfer between the conventional buses

对于常规公交和轨道交通之间的2次换乘，2次换乘搜索算法是基于1次换乘搜索算法的再1次换乘，基本原理同上述1次换乘搜索算法，常规公交和轨道交通之间的2次换乘如图10。

图10 常规公交和轨道交通2次换乘示意Fig. 10 Two-transfer between the conventional bus and rail transit

4 实例分析

4.1 试验区域

以重庆主城九区作为试验区域，探讨交通方式分担率预测方法的准确性。重庆市主城九区，具体包括渝中区、江北区、南岸区、九龙坡区、沙坪坝区、大渡口区、北碚区、渝北区、巴南区，据《2015年重庆市主城区交通发展报告》获悉，重庆主城道路等级分布情况详见表4。

表4 重庆市主城区道路分布情况(2015)Table 4 Road distribution of Chongqing urban area(2015)

重庆轨道交通包括地铁与跨坐式单轨，远期规划有18条轨道交通线路。目前，已开通1号线、2号线、3号线、6号线共4条线路，覆盖主城九区，最高日客运量约达240万乘次。重庆主城区公共交通运营情况详见表5、表6。

表5 重庆市主城区公共交通运营情况(2015)Table 5 Public transport operation condition of Chongqing urbanarea(2015)

表6 重庆市主城区轨道交通线路概况(2015)Table 6 Rail transit lines of Chongqing urban area(2015)

4.2 结果分析

根据笔者提出的预测方法，分别对相关的数据(路网数据、公交线网数据、公交站点数据、户籍数据、工作地数据等)进行处理及分类统计。相关资料[17]研究得出通勤高峰期重庆市主城区交通方式分担率分别为：步行47.5%，公共交通33.4%，私家车11.5%，出租车6.7%，其他0.9%。预测结果如表7。

表7 交通方式分担率Table 7 Share rate of traffic mode %

重庆市主城区为典型的山城格局，出行受地形限制较明显，道路弯多坡陡，道路非直线系数大，机动车出行起讫点的距离增长，绕行增加。道路坡陡不适合非机动车交通出行，而有较为完善的步道、电动扶梯，步行交通出行比例相对较高。对于时间较为敏感的通勤出行者，公共交通的快捷性、准点性以及完善的公共交通设施，人们出行也更加愿意乘坐公共交通。沈颖洁等[18]分析了重庆市主城区私家车通勤比例远低于实际拥有私家车的比例。蔡桦菲等[19]对重庆渝中区、沙坪坝区及南岸区轻轨开通前后的居民出行方式进行了调查，公共交通(尤其是轨道交通)在居民出行方式中占比较大。

综上所述，本预测方法的预测结果与实际情况误差较小，验证了本方法的可靠性及有效性。

5 结 语

结合重庆市主城区多源基础数据，提出了一套快速有效的通勤高峰期出行方式分担率预测方法。依据不同交通方式的服务范围和公共交通站点的吸引范围，提出了利用最短路径算法和公共交通选择算法，分别筛选出不同交通方式在通勤高峰期的客流量，从而得到不同交通方式的分担率，提高了预测效率和预测结果的可靠性，为解决城市交通拥堵问题提供了技术支撑。

参考文献(References)：

[1] UNCLES M D. Discrete choice analysis: theory and application to travel demand [J].JournaloftheOperationalResearchSociety,1987, 38(4):370-371.

[2] 栾琨,隽志才,宗芳.通勤者出行方式与出行链选择行为研究[J].公路交通科技,2010,27(6):107-111.

LUAN Kun, JUAN Zhicai, ZONG Fang. Research on commuter’s choice behavior between travel mode and trip chain [J].JournalofHighwayandTransportationResearchandDevelopment, 2010,27(6):107-111.

[3] 周爱娣.交通方式划分预测模型的研究[J].兰州铁道学院学报(自然科学版),2003,22(3):129-132.

ZHOU Aidi.Study on the method of model-split model [J].JournalofLanzhouRailwayUniversity(NaturalSciences),2003,22(3):129-132.

[4] 王江涛,马驷.预测通道客运分担率的MNL模型特性变量选取[J].重庆交通大学学报(自然科学版),2010,29(6):947-950.

WANG Jiangtao, MA Si. MNL model characteristic variables selection on forecasting corridor mode split [J].JournalofChongqingJiaotongUniversity(NaturalScience), 2010, 29(6): 947-950.

[5] 何明,过秀成,冉江宇,等.基于非集计MNL模型的轨道交通方式预测[J].交通运输系统工程与信息,2010,10(2):136-142.

HE Ming,GUO Xiucheng,RAN Jiangyu,et al.Forecasting rail transit split with disaggregated MNL model[J].JournalofTransportationSystemsEngineeringandInformationTechnology,2010,10(2):136-142.

[6] 牛学勤,王炜,殷志伟.城市客运交通方式分担预测方法研究[J]. 公路交通科技,2004,21(3):75-77+96.

NIU Xueqin,WANG Wei,YIN Zhiwei.Research on method of urban passenger traffic mode split forecast[J].JournalofHighwayandTransportationResearchandDevelopment, 2004,21(3):75-77+96.

[7] 黄树森,宋瑞,陶媛.大城市居民出行方式选择行为及影响因素研究——以北京市为例[J].交通标准化,2008(9):124-128.

HUANG Shusen,SONG Rui,TAO Yuan.Behavior of urban residents influencing travel mode choosing and factors-Taking Beijing as an example [J].CommunicationsStandardization, 2008(9):124-128.

[8] 孟思梦.山地大城市居民出行方式选择研究[D].重庆:重庆交通大学,2015.

MENG Simeng.ResearchontheChoiceofResidentsTravelModeinBigMountainCity[D].Chongqing:Chongqing Jiaotong University,2015.

[9] 李向楠.城市轨道交通站点吸引范围研究[D].成都:西南交通大学,2013.

LI Xiangnan.ResearchonAttractingAreaofUrbanRailTransitStation[D].Chengdu: Southwest Jiaotong University, 2013.

[10] 王淑伟,孙立山,荣建.北京市轨道站点吸引范围研究[J].交通运输系统工程与信息,2013,13(3):183-188.

WANG Shuwei, SUN Lishan, RONG Jian. Attachment area analysis of Beijing transit stations[J].JournalofTransportationSystemsEngineeringandInformationTechnology, 2013,13(3):183-188.

[11] 中华人民共和国建设部.城市道路交通规划设计规范:GB 50220—1995[S].北京:中国计划出版社,1995.

Ministry of Construction of the People’s Republic of China.CodeforTransportPlanningonUrbanRoad:GB50220—1995[S].Beijing: China Planning Press,1995.

[12] 李亚军,杨忠振.城市交通规划中的交通方式结构[J].大连海事大学学报(社会科学版),2005,4(4):38-42.

LI Yajun,YANG Zhongzhen.Traffic model structure in city traffic planning [J].JournalofDalianMaritimeUniversity(SocialScienceEdition), 2005,4(4):38-42.

[13] 孙文彬,谭正龙,王江,等.最短路径算法的并行化策略分析[J].地理与地理信息科学,2013,4(4):17-20.

SUN Wenbin, TAN Zhenglong, WANG Jiang, et al. Parallelization strategy analysis of the shortest path algorithm[J].GeographyandGeo-informationScience, 2013,4(4):17-20.

[14] 赵敏.公交换乘系统的算法研究与应用[D].太原:中北大学,2009.

ZHAO Ming.AlgorithmicResearchandApplicationofBusTransferSystem[D].Taiyuan:North University of China,2009.

[15] 吴祥国,姜洋,张汝华,等.快速公交站点步行吸引范围研究[J]. 交通信息与安全,2011,29(3):36-39.

WU Xiangguo, JIANG Yang, ZHANG Ruhua, et al. Pedestrian catchment area of bus rapid transit stations [J].JournalofTransportInformationandSafety, 2011, 29(3):36-39.

[16] 杨新苗,王炜,马文腾.基于GIS的公交乘客出行路径选择模型[J].东南大学学报(自然科学版),2000,30(6):87-91.

YANG Xinmiao,WANG Wei,MA Wenteng.GIS-based public transit passenger route choice model[J].JournalofSoutheastUniversity(NaturalScience), 2000,30(6):87-91.

[17] 苗壮.基于“公交都市”的山地城市交通方式结构优化研究[D].重庆:重庆交通大学,2014.

MIAO Zhuang.Basedonthe“TransitCity”,StudyontheOptimizingoftheTransportationStructureofMountainCity[D].Chongqing: Chongqing Jiaotong Uniersity,2014.

[18] 沈颖洁,韩宝睿,马健霄.大都市近郊通勤交通需求管理策略[J].重庆交通大学学报(自然科学版),2014,33(6):118-121+141.

SHEN Yingjie,HAN Baorui.MA Jianxiao.Transportation demand management strategies of suburban commuting[J].JournalofChong-

qingJiaotongUniversity(NaturalScience),2014,33(6):118-121+141.

[19] 蔡桦菲,杜梅,银士鹏,等.重庆轻轨时代市民出行方式改变研究[J].经营管理者,2014(32):151-152.

CAI Huafei,DU Mei,YIN Shipeng,et al.Research on citizens travelway change in Chongqing light rail era[J].Manager’sJournal, 2014(32): 151-152.