基于IC卡的公交枢纽客流特征分析

王颜萍，宗玉志，杨昭阳

(交运集团有限公司 青岛都市公共交通研究院有限公司，山东 青岛 266000)

城市公交枢纽是城市公交网络的重要节点，城市公交枢纽对于组织城市公交客流的顺畅以及流动起着关键作用，对于城市公交网络来说，只有公交枢纽这个节点通畅，整个城市公交网络才能够有效运行，居民在选择公交出行的过程中才能获得便捷性以及舒适性。

随着公交IC卡在城市公共交通上的大力推广，国内外学者对公交IC卡数据的研究也越来越多，主要包括上车站点判断、下车站点判断、换乘站点判断、客流规律等方面。尹长勇[1]、于勇[2]、陈绍辉[3]等通过公交IC卡数据和公交车辆运行调度信息相结合的方法，对乘客上车站点进行了判断；Cui[4]、Barry[5]、胡郁葱[6]、胡继华[7]等利用通勤客流的刷卡数据，对乘客的下车站点进行判断；Markus[8]、章玉[9]、高永[10]等提出对乘客连续两次的刷卡时间间隔与换乘阈值进行比较，从而对乘客的换乘站点进行判断；耿学贵[11]在研究基于IC卡的公交客流时间规律中提出公交日刷卡量、公交周刷卡量、公交小时刷卡量以及公交高峰小时刷卡量等客流分析指标，左快乐[12]提出在年、月、周、日、短时间这些不同的时间层次下，选择公交系统、BRT系统、单条线路、重要站点等其它维度为次要划分依据，分别进行客流统计规律分析；夏胜国[13]在对公交枢纽客流特征分析时，首先从宏观以及微观层面对枢纽行人交通流特性进行分析，其次对公交枢纽客流时间变化特性进行了分析。本文基于IC卡数据，对公交枢纽客流特征进行分析。

1 公交枢纽客流的判定分析

交通枢纽是由若干条运输线路所连接的具有运输、中转等功能的综合性设施，按照交通方式可分为城市对外交通枢纽和城市内部的公共交通枢纽两类[14]。城市对外交通枢纽是多种运输方式交通运输线路的交汇点，是多种交通方式集中换乘的客流聚焦点，而城市内部的公共交通枢纽是以各种城市公共交通方式到达的乘客，疏散到期望的公共交通线路上的场所，是不同公共交通方式、不同方向客流的转换点，如轨道交通站、常规公交站、快速公交站等。本文研究的城市公交枢纽，是城市内部公交线路与居民出行的集聚地。

城市公交枢纽客流主要分为上客客流和落客客流两种类型，客流构成如图1所示。

图1 城市公交枢纽客流构成Fig. 1 The composition of passenger flow in urban transit hub

设Z表示城市公交枢纽总体客流，X表示城市公交枢纽上客客流，Y表示城市公交枢纽落客客流，W表示城市公交枢纽换乘客流，X1表示城市公交枢纽周边产生客流，Y1表示城市公交枢纽吸引客流，则

Z=X1+Y1+W

(1)

X1=X-W

(2)

Y1=Y-W

(3)

将式(2)和式(3)代入式(1)可得

Z=X+Y-W

(4)

因而，在获得城市公交枢纽上客客流、落客客流及换乘客流人数的基础上，利用式(4)可求得城市公交枢纽总客流。

1.1 上客客流的判定

绝大部分城市采用的是上车刷卡、下车不刷卡的方式，因而对公交枢纽上客客流的判断就是对刷卡乘客的上车站点进行判断。对刷卡乘客上车站点的判断采用连续两个刷卡时间间隔t与站和站之间车辆的最小运行时间Tmin比较的方法，若t≤Tmin，则说明是在同一个站点刷卡上车，否则就是在不同的站点刷卡上车，具体的判断流程如图2所示。

图2 确定刷卡乘客上车站点的流程图Fig.2 Flowchart of boarding stations determination for IC card data

站与站之间车辆的最小运行时间Tmin可根据公交车的平均行驶速度和站点间距推算，故而本文站与站之间车辆的最小运行时间Tmin取180 s。

在实际生活中，乘坐公交车时既有人刷卡，又有人投币，因而仅依靠IC卡统计的城市公交枢纽上客客流量与实际上客客流量不符，且同一城市不同线路IC卡的刷卡率亦有差异。因此需要结合不同线路的IC卡刷卡率，并结合基于IC卡推算的城市公交枢纽上客客流数据，才能获得较为准确的城市公交枢纽上客客流数据。

1.2 落客客流的判定

城市公交枢纽落客客流的计算公式为

(5)

式中:Bj为城市公交枢纽j落客客流人数；Si为城市公交枢纽i上客客流人数；Pij为在城市公交枢纽站i上车、在城市公交枢纽站j下车的概率。

影响乘客在某城市公交枢纽下车概率Pij的主要因素有乘客乘坐公交出行的距离、公交枢纽的换乘能力、公交枢纽的吸引强度和公交枢纽周围的土地利用性质。

1)乘客出行距离

城市居民公交出行大多是中长距离出行，且居民公交出行途径的站点数能反映居民出行距离的特征，故而在只考虑途径站点数因素时求得的城市公交枢纽下车概率为

(6)

式中：Fij为乘客在i公交枢纽上车和j公交枢纽下车的概率；λ为居民乘坐公交出行的平均站点数量，当i公交枢纽以后站点数量小于λ时，λ=n-i。

2)公交枢纽换乘能力

设Dj表示第j公交枢纽的换乘系数，Lj表示第j公交枢纽能够换乘的公交线路数量，则

(7)

3)公交枢纽吸引强度

通常情况下，如果一个城市公交枢纽产生的客流量越大，那么其吸引的客流量也会越大，即乘客在该公交枢纽下车的概率就会越大。因而可以依据城市公交枢纽的上客客流量推断该公交枢纽的吸引强度系数Wj。设Bj表示第j公交枢纽上客客流人数，则

(8)

4)公交枢纽附近土地利用性质

设j表示城市公交枢纽周围共有h种土地利用性质，而Gjh表示在j公交枢纽周围第h种土地利用性质的占地比，Ch表示第h种土地利用性质的吸引系数(见表1[3,15])。设Tj为第j公交枢纽站的土地吸引力大小，即

表1 各种土地利用性质吸引系数表
Tab.1 Land use attraction coefficients

编号土地利用性质系数1居住用地12工业用地13公共设施用地0.84商业金融用地1.25交通用地1.36广场用地0.77其它用地0.6

(9)

由于乘客在公交枢纽站下车的概率Pij与Fij、Dj、Wj和Tj正相关，所以可得到Pij公式为

(10)

将式(10)代入到式(5)中，即可求得城市公交枢纽落客客流。

1.3 换乘客流的判定

城市公交枢纽换乘客流依据乘客连续两次上车刷卡的时间间隔与换乘时间阈值Th进行判断识别。

定义的换乘阈值Th、出行时间特征如图3所示。图3中，Tc1为乘车到达公交枢纽站所需的时间，Tc2为从公交枢纽站离开到达下一目的地所需的时间，Tw为换乘等待时间(包括步行至另一条线路的时间Tok和换乘等待时间Tos)。

图3 出行时间特征示意图Fig. 3 Sketch of trip time

可得换乘阈值Th的计算公式为

Th=Tc1+Tw=Tc1+Tok+Tos

(11)

1)乘车到达枢纽站所需的时间Tc1

由于枢纽站有多条公交线路，且每条公交线路到达该枢纽站所需的时间不同，高峰期和平峰期到达该枢纽站的时间亦不同，因而本文取每条公交线路各点到达该枢纽站的平均运行时间进行分析，如图4所示。

(a)往行

(b)复行图4 各路往行、复行方向各站点到枢纽站的平均运行时间Fig. 4 Averege operating time from stop to hub

2)换乘等待时间Tw

(1)站点等待时间Tos。由于该城市不同线路的公交车平均行车间隔不同，例如有些公交车所有时期的运行间隔都是5 min，只有在早晚高峰期的时候会有额外的加车；有些公交车高峰期的平均行车间隔为5～10 min，平峰期的平均行车间隔为10～20 min。因此，本文中的站点等待时间Tos取均值8 min计算。

(2)步行时间Tok。根据实际调查分析，本文的步行时间Tok取均值2 min计算。

2 公交枢纽客流特征分析

本文选取国内某城市公交枢纽作为研究对象，并收集了该城市2017年3月份的公交IC卡数据。

通过公交枢纽上客客流、落客客流、换乘客流的判定方法，利用收集到的公交IC卡数据，获得公交枢纽上客客流、落客客流、换乘客流的人数，依据式(4)可求得城市公交枢纽总体客流量。

2.1 时间特征分析

1)日客流变化特征

公交枢纽客流的日变化规律如图5所示，该图是依据2017年3月1日到3月31日共31天的公交枢纽客流数据绘制的。

图5 公交枢纽2017年3月份总体客流量分布图Fig.5 Total passenger flow at public transport hub in March 2017

通过观察图5可以发现，公交枢纽2017年3月份的日总体客流量以7天为循环周期进行周期性变化，且呈现出类似“M”图形，亦可发现公交枢纽非工作日的总体客流量明显低于工作日的总体客流量。从图5可以看出，公交枢纽2017年3月份总体日客流量的最大值出现在3月8日，为58 500人次左右，最小值出现在3月5日，为46 000人次左右；公交枢纽2017年3月份总体日客流量在46 000～58 500人次中波动。

2)小时客流变化特征

公交枢纽客流的小时变化规律如图6所示，该图是依据公交枢纽2017年3月8日(星期三)、3月4日(星期六)、3月5日(星期日)客流数据绘制的。

图6 公交枢纽总体客流量时间分布图Fig.6 Total passenger flow at public transport hub

通过观察图6可以发现，公交枢纽工作日(3月8日，星期三)总体客流早高峰出现在8:00-9:00，其客流量是6 398人次，占当日客流量的比重为10.95%；晚高峰出现在17:00-18:00，其客流量是5 907人次，占当日客流量的比重为10.11%，且公交枢纽总体客流晚高峰的峰值明显高于早高峰的峰值。公交枢纽非工作日(3月4日，星期六)总体客流早高峰出现在9:00-10:00，其客流量是4 560人次，占当日客流量的比重为8.56%；晚高峰出现在18:00-19:00，其客流量是4 829人次，占当日客流量的比重为9.06%。公交枢纽非工作日(3月5日，星期日)总体客流早高峰出现在10:00-11:00，其客流量是4 055人次，占当日客流量的比重为8.76%；晚高峰出现在18:00-19:00，其客流量4 021人次，占当日客流量的比重为8.69%。

3)高峰小时客流变化特征

在查阅大量研究文献的基础上，本文选取使用连续10分钟的客流量推断出高峰小时客流量[11,16]。公交枢纽客流连续10分钟变化特征如图7所示，该图是依据2017年3月8日(星期三)、3月4日(星期六)、3月5日(星期日)全天5:00-24:00的连续10分钟客流数据绘制的。

图7 连续10分钟总体客流量统计图Fig.7 Total passenger flow for 10 consecutive minutes

观察图7可以发现，在公交枢纽工作日(3月8日，星期三)当天的总体客流中，公交枢纽连续10分钟总体客流早高峰出现在8:00-8:10，其客流量是1 260人次，占当日客流量的比重为2.16%；晚高峰出现在18:00-18:10，其客流量是1 164人次，占当日客流量的比重为1.99%。在公交枢纽非工作日(3月4日，星期六)当天的总体客流中，公交枢纽总体客流连续10分钟早高峰出现在10:00-10:10，其客流量是908人次，占当日客流量的比重为1.70%；晚高峰出现在18:00-18:10，其客流量是979人次，占当日客流量的比重为1.84%。在公交枢纽非工作日(3月5日，星期日)当天的总体客流中，公交枢纽总体客流连续10分钟早高峰出现在10:00-10:10，其客流量是792人次，占当日客流量的比重为1.71%；晚高峰出现在18:00-18:10，其客流量是835人次，占当日客流量的比重为1.80%。

通过上述统计的公交枢纽连续10分钟的客流量，可以推断出公交枢纽连续一个小时的客流量，即可获得公交枢纽高峰小时客流量。具体推断方法为：首先，将上述统计的公交枢纽每隔10分钟的客流量为一组，从第6组开始对其前面6组进行计算合并，并且将每6个小组合并为一个大组；然后，统计每个大组记录数值，分别记为N1,N2,N3,...,Ni-5，其中：

(12)

通过比较每个大组记录的数值，找出最大数值，该最大数值所对应的时间段就是高峰小时，具体统计结果如图8所示。

图8 连续1小时总体客流量统计图Fig.8 Total passenger flow for one consecutive hour

通过观察图8可以发现，在公交枢纽工作日(3月8日，星期三) 当天的总体客流中，公交枢纽总体客流早高峰小时出现在7:40-8:40，其早高峰小时客流量是6 587人次，早高峰小时客流量比为11.27%； 晚高峰小时出现在17:30-18:30， 其晚高峰小时客流量是6 422人次，晚高峰小时客流量比为10.99%。在公交枢纽非工作日(3月4日，星期六)当天的总体客流中，公交枢纽总体客流早高峰小时出现在9:30-10:30，其早高峰小时客流量是4 925人次，早高峰小时客流量比为9.24%；晚高峰小时出现在17:30-18:30，其晚高峰小时客流量是5 233人次，晚高峰小时客流量比为9.82%。在公交枢纽非工作日(3月5日，星期六)当天的总体客流中，公交枢纽总体客流早高峰小时出现在9:40-10:40，其早高峰小时客流量是4 214人次，早高峰小时客流量比为9.11%；晚高峰小时出现在17:30-18:30，其晚高峰小时客流量是4 387人次，晚高峰小时客流量比为9.48%。

2.2 动态特征分析

1)客流日变动特征

公交枢纽客流的日变动系数γi表征某公交枢纽总体客流的周期变化特性，它是在一个月中相同星期编号i的公交枢纽日客流量的平均值与一个月内公交枢纽日平均客流量之比(见表2)，即

(13)

式中：i为星期序号，其中星期一至星期天的序号分别记为1，2，3，4，5，6，7；n为在一个月内星期序号为i的数目；j为月份；dj为j月的天数；Qjx为j月中第x天的客流量。

从表2中可以发现，星期五的总体客流量日变动系数最大，为1.039，且工作日的日变动系数大于非工作日的日变动系数。3月份星期内客流量日变动系数按照从大到小的顺序排列为星期五>星期三>星期四>星期一>星期六>星期日。

表2 3月份公交枢纽客流日变动系数
Tab.2 Variation coefficient of daily passenger flow in March

星期序号星期一星期二星期三星期四星期五星期六星期日总体客流1.0131.0131.0311.0221.0390.9750.884

2)客流小时不均匀特征

小时不均匀系数Kt指一天内公交枢纽客流小时不均匀性，是各时段的公交枢纽客流量与营运时间内平均时段公交枢纽客流量的比值。客流小时不均匀系数见表3。

表3 客流小时不均匀系数
Tab.3 Non-uniform coefficient of hourly passenger flow

时间段公交枢纽总体客流小时不均匀系数工作日非工作日(星期六)非工作日(星期日)5:00-6:000.1610.1420.1496:00-7:001.1400.7060.5417:00-8:002.6171.4631.3338:00-9:003.3942.0892.0509:00-10:001.9382.6262.45910:00-11:001.4862.5342.71711:00-12:001.6071.7801.91912:00-13:001.5631.8772.00513:00-14:001.5291.9132.03914:00-15:001.6132.0742.22715:00-16:001.7502.0742.29016:00-17:002.3232.2172.33217:00-18:003.1332.7202.59818:00-19:003.0492.7812.69419:00-20:001.7711.7681.64620:00-21:000.9530.9821.00621:00-22:000.6380.6330.71422:00-23:000.2320.2170.20023:00-24:000.0720.0590.042

由表3可知，工作日和非工作日早高峰和晚高峰时段在该公交枢纽总体客流的小时不均匀系数都会比其它平峰时段大，表明此刻的公交枢纽客流较为集中，公交枢纽客流量较大。

3)客流高峰小时变化特征

公交枢纽高峰小时客流量会对公交枢纽的运力产生一定的影响，常用公交枢纽高峰小时客流量比来描述公交枢纽高峰小时客流量的变化特征。公交枢纽高峰小时客流量比是公交枢纽高峰小时客流量与公交枢纽全天客流量的比值，反映的是公交枢纽高峰小时客流量的集中程度，统计值见表4。

表4 高峰小时客流量比统计表
Tab.4 Peak hour passenger flow ratio of public transport hub

时间高峰小时高峰小时客流量比/%早高峰晚高峰早高峰晚高峰3月8日7:40-8:4017:30-18:3011.2710.993月4日9:30-10:3017:30-18:309.249.823月5日9:40-10:4017:30-18:309.119.48

公交枢纽高峰小时内客流量的分布也并不均匀，为了能够显示高峰小时内每个时间段内客流量的变化特征，可以将高峰小时划分为更短的时间段(比如5 min、10 min或者是15 min)。公交枢纽高峰小时客流量与高峰小时内某一较短时间段推算得到的公交枢纽高峰小时客流量的比值称之为公交枢纽客流量高峰小时系数，简称PHF。本文采用10 min计算公交枢纽客流量的高峰小时系数(见表5)。

PHF10=高峰小时客流量/(6*高峰10 min

客流量)

(14)

表5 高峰小时系数统计表
Tab.5 Peak hour coefficient of passenger flow in public transport hub

时间高峰时段高峰小时系数早高峰晚高峰早高峰晚高峰3月8日8:00-8:1018:00-18:100.8710.9203月4日10:00-10:1018:00-18:100.9040.8913月5日10:00-10:1018:00-18:100.8870.876

公交枢纽客流量高峰小时系数较低，则表示在高峰小时中公交枢纽客流量有较大的可变性;公交枢纽客流量高峰小时系数较高，则表示在高峰小时中公交枢纽客流量变化不大。

通过对比工作日和非工作日的公交枢纽客流早晚高峰小时系数发现，公交枢纽总体客流的工作日早高峰小时系数均小于非工作日的早高峰小时系数，而工作日的晚高峰小时系数均大于非工作日的晚高峰小时系数，这说明非工作日的早高峰小时客流变化较小，而非工作日的晚高峰小时客流变化较大。

2.3 短时特征分析

1)相邻天同时段客流特征分析

在相同的日期类型中，公交枢纽客流量在早、晚以及平峰时段内具有一定的相似性。图9是根据2017年3月1日到3月31日之间的工作日及非工作日早、平以及晚高峰的公交枢纽客流数据整理绘制的。

通过观察工作日和非工作日公交枢纽总体客流在早、平和晚高峰的客流量直方图可以发现，相邻天同一时段的公交枢纽客流在数量上相差不大，因而某一个时间段的公交枢纽客流会与相邻几天的同一个时间段的公交枢纽客流在数量上具有一定的联系。

2)相邻周同时段客流特征分析

通过对公交枢纽客流的时间特征分析可以发现，公交枢纽客流具有以7天为周期的周期性变化特征，因而可以推断出某一个时间段的公交枢纽客流量与相邻几周的同一天、同一时间段的公交枢纽客流量相类似。

图10从左至右分别描绘的是2017年3月份中所有星期三的早高峰8:00-8:10、平峰12:30-12:40以及晚高峰17：50-18：00的公交枢纽客流的分布情况， 星期六、 星期日的早高峰10:00-10:10、平峰14:30-14:40以及晚高峰18：00-18：10的公交枢纽客流的分布情况。

(a)工作日

(b)非工作日图9 早高峰、平峰、晚高峰客流量直方图Fig.9 Passenger flow of peak/off-peak times

(a)星期三 (b)星期六 (c)星期日图10 相邻周早高峰、平峰、晚高峰时间段内客流量直方图Fig10 Passenger flow of peak/off-peak times on Wednesday、Saturday and Sunday in consecutive weeks

从图10中可以发现，公交枢纽客流量在一定范围内波动，且以7天为周期循环变化，某一个时间段的公交枢纽客流会与相邻几周的同一天、同一个时间段的公交枢纽客流具有相似性。

3 结束语

本文基于公交IC卡数据，提出公交枢纽上客客流、落客客流、换乘客流的判定方法，通过刷卡数据的关键字段信息，实现了公交枢纽客流构成的识别和统计。结合国内某城市的实际IC卡数据，对公交枢纽客流的时间特征、动态特征以及短时特征进行了分析，揭示了公交枢纽客流的时间以及动态变化规律，为城市行业主管部门提升公众出行服务水平提供了决策依据。