大数据在轨道交通客流预测中的应用<br/>——以芜湖市交通需求预测为例

大数据在轨道交通客流预测中的应用
——以芜湖市交通需求预测为例

2022-09-21董雪婷

铁道勘察 2022年5期

王洋董雪婷

(中铁工程设计咨询集团有限公司，北京 100055)

在城市轨道交通规划中，客流预测专题必不可少，开展客流预测需要进行交通调查，传统的交通调查方式为现场或入户问卷填写，需要消耗较多人力物力，且在疫情等城市公共安全卫生紧急事件发生时无法展开工作，为解决传统交通调查存在的不足，利用手机信令大数据，调查覆盖面更广，调查时效性更灵活，减少人力成本，对城市轨道交通的发展有一定的意义。

王迎春等基于ACP方法的平行手机信令数据系统，科学实现区域人流监控，从而为用户的出行路线规划提供相关指导[1]；宋璐利用手机信令数据与用户行为的关联，对出行OD做可视化分析[2]；李长春基于手机信令数据对城市规划及交通规划进行了研究[3]；胡永恺研究基于手机信令数据的用户出行以及通道出行的特性分析[4-5]；杨彬彬利用手机信令数据分析了地铁乘客的出行路径及出行行为，为获取更准确的乘客出行特征提供了依据[6]；曹仲等利用手机信令数据研究了区域交通流的可视化[7]；刘铠利用手机信令获取了动态OD分析[8]；倪玲霖分析了利用手机信令研究居民出行特征时应考虑空间效应[9]；陆振波利用手机信令数据以昆山市为例，分析了居民的职住平衡，并提出了优化建议[10]；马春景基于手机信令数据对于流动人口的出行特性进行了分析；苗壮分析了在利用手机信令数据中，数据清洗与挖掘的重点[14]；林培群等研究了手机信令数据在交通枢纽人流测算及城市建成环境的应用[15-18]。

综上所述，基于手机信令数据的分析在居民出行特征以及城市土地利用优化等方面发挥了很好的作用，但在以下轨道交通客流预测中应用较少，本文重点就手机信令数据在交通调查中的作用，以及其对为轨道交通客流预测模型的数据、参数标定提供的支撑和校核进行研究分析。

1 手机信令数据处理

基于手机信令数据的分析，可以全面了解并掌握芜湖市综合交通基础现状。以对交通模型修正校验、轨道交通规划、客流预测等规划工作予以辅助支撑。手机信令数据分析首先对原始手机信令数据进行采集、预处理(清洗、排序、修补)，通过地图匹配技术、出行链分析技术获取较翔实的城市交通现状基础研究数据，进而与其他调查方式获取的调查数据进行校核，以期获得更为完善、高精准的城市交通现状基础数据及分析结果，进而支撑轨道交通客流预测的工作，最终使轨道交通客流预测、建设更科学，分析结果更能反映现状。

1.1 技术路线

在芜湖市轨道交通需求预测中，依托2019年12月的中国电信移动数据进行分析，其中，对2019年第一周(即12月2日至12月8日)的数据进行重点分析。

基于手机数据的出行调查的技术路线见图1。

图1 基于手机数据的出行调查技术路线

1.2 网格处理

手机基站信号与城市地理空间的相互映射关系，是手机技术应用于出行调查数据采集的最为关键的基础性数据。直接利用手机数据，只能得到手机用户在移动通信网络不同的信号覆盖小区间的运动情况，而只有将手机基站信号映射到城市地理空间上，才能得到手机用户在城市地理空间中的运动情况，用于手机用户出行活动参数的计算与分析。手机基站信号与城市地理空间相互映射关系见图2。

图2 手机基站信号与城市地理空间相互映射示意

根据中国电信提供的基站坐标，对基站的服务范围进行500×500的网格化处理，网格分布见图3。其中，被点亮的网格是最靠近基站的网格，可以看出，电信基站的位置在主城区分布较为密集，基本整个建成区，而外围的村镇基站分布较为稀疏。

图3 基站网格分布示意

1.3 交通区域划分

根据芜湖市的行政区划，按照各街道管辖范围进行划分，一共划分了33个交通大区，见图4。并按照街道划分的交通大区基于街道进行网格处理，处理结果见图5。

图4 按照街道划分的交通大区

图5 基于街道的交通大区网格处理

2 职住分析

2.1 职住平衡指数

“职住平衡”是指片区内大部分的居民实在本区内工作就业学习，通勤、通学在本地实现。同时，其他区域的居民也较少比例进入该区域工作，而非单纯的就业机会与住房机会数量上相等。实际上，城市空间结构存在明显的不均匀特征，人口和产业的规模及结构在空间上都具有不同的分布形式，因此“职住比”在不同区位间也必然呈现出差异性，不应在所有的位置上都追求“绝对”意义上的数量平衡，或者说是相同的“职住比”。除了职住比，衡量职住关系的还有居住平衡指数和就业平衡指数。

(1)职住比

一般城市的居住人口是大于就业人口的，城市总就业数和总人口数的比重在0.5～0.6。为便于理解，通常将人口数量进行折减处理，将总人口数转化为就业人口。职住比计算公式为

(1)

其中，JHRi为街道i的职住比；Ji为街道的就业岗位数；Hi为街道的居住人口数(已经过折减处理)。

(2)居住者平衡指数

(2)

其中，JHBRH，i为街道i的居住者就业匹配指数；MATCHi为同时在该街道就业和居住的人数；Hi表示在i街道居住的总人数(不论其在哪个街道j就业)。

(3)就业者平衡指数

(3)

其中，JHBRH，i为街道i的就业者居住匹配指数；MATCHi为同时在该街道就业和居住的人数；Ji表示在i街道就业的总人数(不论其在哪个街道j居住)。

2.2 手机信令识别常住人口分布

基于芜湖市区交通中区，利用2019年12月份每日21:00～7:00的夜间数据训练识别，一个月内居住15 d及以上，位于同一区域内，即可认为该用户常住于此处。基于手机信令数据识别的芜湖市人口分布情况见图6。

图6 基于手机识别的居住人口分布

根据统计数据，芜湖市区常住人口为171.2万，手机识别常住人口53万人，扩样系数为3.229。各交通中区人口密度分布见图7。

图7 街道人口密度分布

从人口分布来看，芜湖市区镜湖区、弋江区、鸠江区三区的常住人口分别为57.7万、50.2万、63.3万，鸠江区、弋江区辖区范围相对较大，芜湖市区核心主要集中在镜湖区。

从人口分布来看，人口密度最大的街道为张家山街道，居住人口密度接近2.5万人/km2；其次为范罗山街道、赭山街道、大砻坊街道，居住人口密度高于1.8万人/km2。

2.3 手机信令识别就业人口分布

利用2019年12月份每日7:00～19:00的白天数据训练识别，存在一半工作日天数及以上，位于同一区域内，即可认为该用户于此处工作。基于手机信令数据识别的芜湖市就业岗位分布情况见图8。

图8 基于手机识别的就业岗位分布

手机识别就业人口数为46万人，根据统计年鉴数据显示，市区范围就业人口在85.6万人左右，扩样系数按照1.861计算，各街道就业岗位密度分布见图9。

图9 街道岗位密度分布

从就业岗位分布来看，芜湖市区镜湖区、弋江区、鸠江区三区的就业人口分别为23.3万、27.3万、35.0万，就业人口/常住人口占比分别为0.40、0.54、0.55；从就业人口总量来看，芜湖居住人口主要集中在老城区范围，而工业岗位主要集中在鸠江区、弋江区，芜湖经济技术开发区位于芜湖市区北部和东部，弋江区峨山东路以南也布局了许多人口密集型产业。

从就业岗位密度分布来看，岗位密度最大的为张家山和范罗山街道，就业密度为1万个/km2以上；其次为南瑞和大砻坊街道，就业密度为7 500个/km2。

从就业岗位分别来看，芜湖为典型的单核城市，赭山—长江—青弋江—宁芜铁路为城市核心区域，人口及岗位高度集中。人口岗位以该区域为核心逐渐向外稀疏。

2.4 手机信令识别职住分析

针对手机识别的居住人口和就业人口，以及在同一街道居住并就业的数据，分别对职住比JHR、居住者就业平衡指数JHBRH，就业者居住平衡指数JHBRJ三组数据对各街道的职住关系进行分析。

(1)街道职住比

职住比在一定程度上反映了该街道人口与就业之间的供需关系，其中居住人口按照就业总量同比例折减。当职住比越大时，说明该区域就业机会更多，更有能力吸引其他区域到该区域就业；当职住比越小时，说明该区域以居住为主，就业机会少于居住机会，该区域人口倾向于跨区域实现就业。

从职住比在空间上分布来看，芜湖中心城区整体呈现南弱北强的格局，由于芜湖经济技术开发区集中在主城区北侧和东侧，工业用地占比较大，劳动密集型产业较多。

从各街道的职住比来看，职住比最大的街道为范罗山街道和清水街道，职住比大于1.30，范罗山街道为芜湖中心城区核心区域，为芜湖商业金融中心，经济活动最为活跃。清水街道为芜湖经济技术开发区，该区域以工业用地为主，而住宅小区较少，造成就业岗位明显大于居住人口。

职住比较小的街道为汀棠街道、镜湖新城街道、龙湖街道，职住比在0.6～0.7，3个区域用地性质较为单一，主要以居住为主，就业机会较少，大部分居民需要去其他区域实现就业。由于城市规划中功能区划分，一般将产业集中起来发挥产业集聚效益，某些功能区定位以居住功能为主，从用地性质可以看出，这3个街道以居住用地为主。例如，龙湖街道与三山街道紧邻，三山街道布置大量工业用地，而龙湖街道以居住为主，龙湖街道居民将跨街道至三山街道实现就业。

外围乡镇职住比相对均衡，职住比在1.0左右。外围乡镇街道零星布局了工厂，在本地即可实现就业，职住相对平衡，例如白茆镇、汤沟镇、峨桥镇等外围乡镇，相对独立，跨区通勤出行需求较少。街道职住比分布见图10。

图10 街道职住比分布

(2)居住者平衡指数

居住者平衡指数是在该区内居住并就业的人口数量与该区域居住人口总量的比值。居住者平衡指数越小，说明该区域的街道跨区实现就业的比例越大。芜湖市区街道居住者平衡指数平均值为58.7%，即平均有58.7%的居住者选择在本街道就业。

城市中心范罗山街道经济实力活跃，就业机会较多，该街道居住者平衡指数为67.63%，大于周边街道居住者平衡系数，即居住在范罗山街道的居民在本街道实现就业比例为67.63%，位于城市中心的居民只有约1/3的人员跨区工作。

居住者平衡指数最低的街道为马塘街道，为43%，即仅有43%的居民在本地工作，而57%将去其他街道就业；白茆镇、汤沟镇外围乡镇在本地居住就业比例最高，区域相对独立。居住者平衡指数见图11。

图11 居住者平衡指数

(3)就业者平衡指数

就业者平衡指数是在该区内居住并就业的人口数量与该区域就业人口总量的比值。就业者平衡指数越小，说明该区域的街道跨区实现就业的比例越大。芜湖市区街道居住者平衡指数平均值为63.07%，即平均有63.07%的就业者选择在本街道就业。

就业者平衡指数最小的街道为清水街道，就业者平衡系数为58.84%，该区域大多为工业用地，区域居住人群较少，该街道本身人口难以满足岗位需求，就业人口大多来自其他区域。

龙山街道也属于芜湖经济技术开发区，但区内居住人口与就业岗位数量基本相当，就业者平衡系数为66.67%，约有2/3的人在本区内部就业，内部就能实现部分平衡。就业者平衡指数见图12。

图12 就业者平衡指数

3 活动空间分析

根据手机信令数据，能够识别出居住对应的街道以及就业所对应的街道，将两者联系起来，即可看出街道之间的职住关系，见图13。

图13 街道间职住关系

通勤职住距离是用户居住地和工作地基站对照表，根据基站坐标，计算出网格中心直线距离。在基站相对密集的主城区，基站服务范围大致在500×500网格内，职住在同一基站内比例约为60%，剔除这部分出行，其他跨基站通勤出行将被捕捉。芜湖市区通勤出行的距离分布呈现递远递减的曲线形态(见图14)。

图14 通勤职住出行距离

按照出行距离和出行占比计算，芜湖市区平均通勤出行距离为4.49 km。

4 交通出行OD特征分析

4.1 手机信令识别出行情况

利用时间序列的手机信令数据，分析各移动用户的出行链信息，根据他们在不同地理空间(管理单元)的逗留时长情况，判定是否为一次出行，进行扩样统计，得到中心城区居民出行OD。

截取2019年12月2日～2019年12月8日的手机信令数据，计算得到各基站间出行量，工作日日均出行量为276.86万人次，周末日均出行量280.48万人次，一周出行量比例见图15。

图15 基于手机信令识别的一周出行量比例

芜湖中心城区常住人口171.2万人，推算出行次数为1.617人次/d。根据2020年芜湖中心城区居民出行调查结果，芜湖中心城区平均出行次数为2.36人次/d。两者之间差异主要是因为手机信令数据对出行的判别基于服务基站发生了变化，难以捕捉近距离的出行。但是用于研究大区之间的出行、长距离的出行，因为手机准确定位及数据量级，手机信令数据有无法取代的优势。

本次研究的出行OD主要为跨片区、跨街道的出行需求量，因此无需考虑服务基站不发生变化下的短距离出行行为。

4.2 客流OD分布

根据基站出行OD，合并为街道出行OD矩阵。街道间工作日及周末出行OD期望线见图16、图17。

图16 芜湖中心城区工作日出行OD期望线

图17 芜湖中心城区周末OD期望线

芜湖主城区存在大客流走廊，湾里街道-官陡街道、官陡街道-镜湖新城街道、官陡街道-清水街道、澛港街道-南瑞街道之间客流量级较大，双向客流达到6万人次/d以上。

外围区域除了沈巷镇与二坝镇之间联系比较外，其他跨区出行量相对较小。

由于芜湖市拥江发展，江南江北间通道较少，江南南北向走廊较为集聚，为反映至客流走廊，将街道OD分配泰森三角形网络中，根据现状沟通江南、江北实际通道，删除实际并不存在的通道。

5 核心区校核线客流分析

按照芜湖市城市空间布局特点，长江—青弋江—商合杭铁路围合的区域为城市核心区域。核心区进出客流OD是交通需求预测模型的关键校核参数。

核心区与城东区域的联系最为紧密，两区之间联系客流量为24.15万人次/d；商合杭铁路以西存在大量居住和工业用地，芜湖高铁站、芜湖市行政中心均位于东侧，基本可以判定商合杭铁路为全市最大的客流断面。

其次为核心区与城北、城南联系量，核心区—城南区域联系量为14.79万人次/d，核心区—城北区域联系量为12.97万人次/d；江北区域与核心区之间联系量非常薄弱，整个江北区域进出核心区的全日客流量仅为0.53万人次。目前，江北产业集中区处于建设初期，且沟通通道较少，江北区域长久以来职住相对平衡。

6 数据融合与校核

6.1 手机信令与传统居民出行调查的对比

相较于传统的居民出行调查，手机数据的主要优点是能够连续记录交通出行活动轨迹，并且样本规模大、采集天数不受限制、调查范围大。主要的不足是数据格式和标准不是按照交通规划术语进行定义的，需要进行转换处理，并且大数据算法上尚无法获取交通出行的目的、交通方式等信息。

6.2 本次数据融合方法

本次数据校核是通过手机信令大数据得到的交通分析单元的OD矩阵对居民出行调查出行扩样后的全方式出行OD进行校核。由于交通分析单元按照街道和乡镇共分为33个小区，对交通调查的OD校核需通过迭代计算得到。

数据融合思路主要由以下几点考虑：①大数据在获取区内出行数据时，往往不准确，主要是因为位于同一基站服务范围内的出行往往存在漏报的可能，而跨组团的出行量一般比较准确。因此，本次校核主要针对居民出行调查的全方式OD的跨区出行量；②居民出行调查中，部分小区之间联系较弱的，在未调查到足够样本时，往往出现空值的现场，需按照大数据OD对居民出行调查的空值的OD对进行补零；③在控制分析单元内部出行量总量保持不变的情况下，对外部小区之间联系量与大数据跨区OD进行比对，以对外出行OD对与总出行量比值作为系数，对居民出行调查OD的外部联系进行重复迭代计算，最终得到居民出行调查OD表。