北京市轨道交通客流时空分布特征分析

陈兆宁，季 民，任 静

（1.山东科技大学 测绘科学与工程学院，山东 青岛 266590；2.山东科技大学 测绘科学与工程学院，山东 青岛 266590；3.山东科技大学 测绘科学与工程学院，山东 青岛 266590）

近年来，我国城市轨道交通规划与建设处于飞速发展阶段[1]。城市轨道交通因其运量大、准点性高和安全舒适等优势[2]，逐渐形成了长期稳定的客源。然而，城市轨道交通客流高度密集，环境相对封闭，潜在风险较高[3]，在大客流冲击下，易造成车站滞留人数过多、滞留时间过长等现象，降低了乘客的出行质量，危及乘客人身安全。因此，研究分析轨道交通乘客出行特征，为车站工作人员制定限流措施提供定量依据具有十分重要的意义。

针对乘客出行特征，Walle S[4]研究了出行时间和空间相关决定因素对出行方式选择的影响，利用弹性系数和回归技术定量分析了出行时间与公共交通使用之间的关系，并认为候车和步行时间与公共交通的使用有明显关系；杜世敏[5]等提出了网络化运营组织中常用的客流指标，并基于客流数据从客流出行特性和时空特性两个方面分析了城市轨道交通网络化客流特征；蔡昌俊[6]等通过对城市轨道交通AFC刷卡数据的处理，建立了站间客流量分布预测模型，在新线接入改变地铁线网结构的条件下，对全线网站间客流量分布进行了预测；王俊兵[7]根据公交IC卡刷卡数据，提出了在不同出行模式下公交出行链的提取算法，并以此为基础进行了乘客出行特征方面的分析；黄洁[8]等以北京市地铁为例，通过计算431万条智能交通卡数据的出行时间和OD矩阵，研究了客流的时空分布特征。乘客出行是限流策略的控制对象，出行特征是限流策略的参考依据。针对各种交通方式出行特征的研究为不同地区出行特征分析提供了一定的思路。

本文采用大数据分析方法，结合黄洁[8]等对北京市地铁客流出行特征的分析方法，对北京市地铁乘客出行的时空分布特征进行了分析，基于140万条OD出行记录，计算得到乘客的出行时间和出行距离，从而研究了北京市轨道交通乘客出行的时空分布特征，为城市公共交通管理提供了科学依据。

1 研究数据

截至2018年12月31日，北京城市轨道交通共覆盖11个市辖区，运营里程约为716.2 km，共设车站391座，开通里程居我国第二位（图1）。据2017年统计，北京城市轨道交通客流量全年达到45.3亿人次，日均客流量为1 241.1万人次，单日客流量最高值可达1 327.46万人次[9]。可见，城市轨道交通已成为大城市居民出行的主要载体，也是城市发展的重要支撑。本文选取2018年北京市17条地铁线路和328个站点分布的首都功能核心区[8]为研究区域。

图1 北京城市轨道交通线网示意图

本文采用北京城市轨道交通数据，主要包括北京市某时段部分城市轨道交通线网的OD数据、车站表基础数据（车站编号、车站名、所属线路）、线路表基础数据（线路编号、线路名称）、列车运行数据集、北京城市轨道交通线网图和北京地铁智能交通卡数据（乘客编号、始发车站、目的地车站、进站刷卡时刻、出站刷卡时刻）。北京市地铁智能交通卡结构如表1所示，OD数据反映了乘客的出行特征，本文以140万条OD出行记录为研究样本，分析了北京市居民的出行特征。

表1 北京市地铁智能交通卡刷卡数据示例

2 轨道交通乘客出行特征分析

2.1 乘客出行时间和距离分析

在日常生活中，出行时间和距离是乘客选择出行方式的重要参考因素，而不同的出行方式又会在很大程度上影响出行时间和距离。本文对乘客出行特征的分析分为出行时间分析和距离分析，具体包括出行时段分析、出行时长分析、出行距离分析和出行时空范围分析。

2.1.1 乘客出行时间分析

1）出行时段分析。利用地铁乘客进出站刷卡数据统计乘客刷卡的人次在时间上的分布情况，各时段进出站刷卡量如图2所示，图中半日刷卡量为140万条，时间为从上午5点到下午1点，可以看出，数据具有正态分布特征；北京乘坐地铁出行的早高峰特征明显，时间为7：00-9：00，这段时间乘客的刷卡量呈现明显的波峰，经累积统计，北京市早高峰刷卡量占半日刷卡量总人次的近70%，说明北京市早高峰出行特征明显；从进出站刷卡量的波峰来看，出站刷卡高峰约比进站刷卡高峰晚30～60 min，说明乘客的出行时间大部分集中在30～60 min。

图2 进出站刷卡量统计

对于早高峰轨道交通进出站客流量的描述性统计如表2所示，可以看出，早高峰进站客流量均值为30.31万人/h，出站客流量均值为28.6万人/h，进站和出站客流量的最大值相差不大，分析原因为早高峰时期，乘客进出站均较多，因此最大值相差不大；而出站客流量最大值和最小值相差较大，其原因为不同乘客到达目的地不同，出行时间不同，因此出站值相差较大。

表2 早高峰进出站客流量描述性统计/（万人/h）

2）出行时长分析。乘坐地铁出行的总时间是指从进站刷卡到出站刷卡的时间，因此可直接由进站时间与出站时间作差获得[10]。对乘客出行时间进行统计分析，得到乘客出行时间的分布特征（图3），其中出行时间占比最高的是30～60 min，为46.29 %；其次是0～30 min，为38.48%。出行时间在0～60 min的累计占比达到80 %以上，接近总出行时间的4/5；乘客全天的平均出行时间为41 min，与2018年《北京居民通勤大数据研究报告》[11]中的平均通勤时间达56 min相近。

图3 出行时间比例分布/min

2.1.2 乘客出行距离与时空范围分析

1）出行距离分析。出行距离是指居民利用地铁从出发点到目的地的空间距离，即始发车站和目的地车站之间的距离[7]。换乘作为微观出行，其距离不计算在出行距离中[12]。半日出行距离分布如图4所示。

图4 半日出行距离分布图

通过统计分析，半日出行的平均距离为13.0 km，与北京市平均通勤路程（13.2 km）相近。其中，出行距离为5～10 km的占比最高，为28.32%；出行距离为5～20 km的累积占比达到70 %，说明人们主要在5～20 km范围内活动。

2）出行时空范围分析。基于对乘客出行时间和距离的分析，可进一步分析二者之间的关系，用以表征乘客出行的时空范围特征。在上述出行时间和距离分析的基础上，根据不同时段内的数据特点，本文统计了地铁乘客早高峰时刻的出行时空范围，如图5所示。

图5 出行时空范围分布图

通过观察各时段内的时空范围分布发现，出行时间与出行距离存在一定的线性关系，在图5中添加数据的拟合曲线，可得出以下结论：

1）北京市早高峰时段的出行时间大多为100～120 min，出行距离集中在20～35 km，出行距离和出行时间为基本线性关系，但出行时空范围分布图较为发散。

2）由出行时间和出行距离的拟合曲线y=0.31x+0.39可知，地铁乘客出行的平均速度为0.32 km/min，即地铁的平均运行速度约为19.2 km/h，比北京交通发展研究院发布的早高峰路网平均速度（23.5 km/h）低，这主要是由地铁的运行特点所导致的，地铁线路各车站客流量大，有严重的车站拥挤和列车拥挤现象。该数据还可为进行地铁网中地铁整体运行速度和轨道平均运行速度评价提供参考。

2.2 乘客出行的空间特征分析

本文从市辖区尺度分析了北京市地铁乘客出行的空间特征。各区域的客流量如图6所示，可以看出，朝阳区客流量超过总客流量的21 %，约为41万人次，排名第一；海淀区客流量占总客流量的19.6 %，约为38万人次，排名第二；东城区、西城区、丰台区和昌平区的客流量分别为25.4万/h、24.4万/h、24.2万/h和19.9万/h；顺义区、通州区、房山区、平谷区和石景山区的客流量占比均小于3%。

朝阳区是中央商贸区、娱乐中心，各国外交使馆聚集在此，首都机场也属于朝阳区，因此朝阳区客流量排名第一。海淀区以各大院校为中心，因此客流量排名第二。东城区和西城区作为首都功能核心区，是北京乃至我国精华的聚集地，也是市中心区中最强的存在，除了是政治中心外还有故宫周边和金融街，聚集了大量的人口；且由于位于北京市中心地段，路面交通较为拥堵，乘客更愿意选择地铁方式出行，因此这两个区的客流量均约占地铁客流总量的12%。

图6 各市辖区的客流量

本文利用热力图表示早高峰乘客出行的空间分布特征。乘客出行的起始点采用出发点和吸引点表示，利用发生量和吸引量表示站点之间的客流量。出发点和吸引点之间的客流量大小用不同颜色表示，同一区域内用同一种颜色表示；颜色越深，表明该站点的客流量越大。站点客流量热力图不仅能通过颜色的深浅反映乘客出行的聚集和分散特征，还能通过出发点和吸引点之间的颜色比较反映客流的流向。

根据站点的经纬度，将各站点绘制在地图上，乘客早高峰出行的出发点和吸引点热力图如图7所示，可以看出，热力图的出发点和吸引点在空间分布上存在差异，这是由于乘客选择地铁出行的上下车站点存在差异，而早高峰阶段乘客一般仅完成一次出行，很少完成往返出行，因此出发点和吸引点在时间上的累积对于热力图影响较小。由早高峰站点客流量热力图分析可知：①早高峰客流出行的空间分布特征为乘客出发点较分散，但吸引点相对集中，且大多集中在五环以内；②出发点的辐射范围比吸引点的辐射范围更广，且北京城外颜色较浅，北京城内颜色较深，表明在早高峰时段乘客从城外向城内移动；③从出发点和吸引点的总数据来看，进站和出站人数基本一致；④从市辖区尺度来看，出发点分布相对分散，排名第一的是朝阳区，其次是昌平区、海淀区和丰台区，吸引点分布相对集中，排名第一的是海淀区，其次是朝阳区、西城区和东城区，其原因在于早高峰出行大多为上班或上学需要，乘客需乘坐地铁从住宅区向商业区或学校出行，而海淀区集中了北京市众多的企业和学校，朝阳区为北京市中央商务区，东城区、西城区为北京老城区，天安门、故宫等著名景点都聚集于此，因此客流也聚集在此地。

图7 早高峰站点客流量热力图

3 结 语

本文基于北京市地铁智能交通卡数据，利用大数据分析方法，从时间和空间两个方面对北京城市轨道交通乘客出行特征进行了系统分析。

1）对于时间分布特征，本文从出行时段、出行时长、出行距离和出行时空范围4个方面分析了乘客出行的时间分布特征。结果表明，早高峰乘客出行时间集中在100～120 min，出行距离集中在20～35 km，出行时间和出行距离存在一定的线性关系，但出行时空范围分布图较为发散。

2）对于空间分布特征，本文从市辖区尺度统计了各区域的客流量，绘制了早高峰进出站的热力图。受中央商务区、学校和企业集中的影响，朝阳区和海淀区的进出站客流量均占北京市客流总量前两位；受工作、娱乐等因素影响，客流移动方向为从城外向城内移动。

针对上述分析，本文对北京城市轨道交通运营网络提出以下建议：

1）为提高出行效率，建议完善运营机制，根据乘客出行的时空分布特征，通过限流等措施，进一步针对平峰和高峰出行制定不同的运营方案。

2）优化地面交通网络结构，协调轨道交通与其他公共出行方式之间的关系，统筹各公共交通出行方式，提高运行效率，进而提高乘客出行效果。

3）由于早高峰时段客流量较大，建议不同企业可通过调整上下班时间，实行错峰出行，进一步分析其可能性，并制定相关的政策。