城市轨道交通车站接驳客流组合预测模型

2024-02-22戴骏晨凌小静彭艳梅

城市轨道交通研究 2024年2期

戴骏晨李萍崔莹凌小静彭艳梅

(1.中咨城建设计有限公司江苏分公司,210012,南京;2.南京市规划和自然资源局,210005,南京)

接驳设施的合理配套是充分发挥城市轨道交通功能的重要保障,然而在实际规划设计过程中,对于直接影响城市轨道交通(以下简称“城轨”)车站接驳设施规模的指标——接驳分担率的确定通常采用类比、经验等主观判断方式,对于城轨车站接驳设施的布局设计也不以空间分布数据作为依据。对于不具备建立精细化四阶段模型条件的城市,实际中一般先建立模型获得车站级客流,然后估计接驳客流在车站各方向(如四个象限)的分布比例和接驳方式分担率,所获得的结果通常较为主观且精度不足。

为更合理地估计接驳客流分布和接驳方式分担率,本文提出一种城轨车站接驳客流组合预测模型。将所提模型用于接驳设施规模测算时,需要输入四阶段模型或车站级客流回归模型的车站客运量结果,即用所提模型获得的是各接驳方式的分担率及其对应接驳方式的客流相对分布,故本文所提模型是对城轨客流预测模型的一种补充。本文研究可为城轨车站接驳设施的合理配套提供更为合理的基础数据。

1 国内外研究现状

对于接驳客流分布方面的研究,现有文献多聚焦于划定轨道交通车站客源区及建立车站选择模型。

1) 客源区划定方面的研究。文献[1]通过调查数据描述了加拿大多伦多地铁车站客源区,指出在中心城区的乘客往往并不选择最近的车站,且不同车站客源区会重叠。文献[2]通过调查数据得出了分方式接驳路径距离,并建立了车站各接驳方式的服务区域。文献[3]基于韩国首尔公共交通IC(集成电路)卡数据分析了轨道交通站分时段的公交客源区特征。文献[4]通过引入距离衰减函数得到了比全有全无函数(超过客源区即无影响)具有更好解释能力的车站客流模型。由此可知,客源区的划定多根据调查数据而确定,客源区内部的分布特征通常被忽略,而接驳客流分布规模是随着出行距离而衰减的,因此更为量化的模型描述能更好地反映接驳客流的分布情况。

2) 车站选择模型方面的研究。车站选择模型通过离散的选择概率间接量化描述车站的接驳分布情况。文献[5]指出仅53%的荷兰铁路乘客通过最近的火车站出行,并建立了考虑接驳距离、发车频率、车站区位、P+R(停车换乘)设施等车站选择Logit模型。文献[6]使用Huff模型计算车站选择概率,并获得了客源区边界。文献[7]的研究发现,在英国威尔士和苏格兰市域铁路(站间距约为2 km)的乘客中,约有60%～70%的乘客选择最近车站出行,并将多个接驳方式的接驳成本作为变量引入车站选择Logit模型,获得了较好的解释效果。但既有车站选择模型仅能获得各地点在选择轨道交通出行时选择各站的概率,是否选择轨道交通出行本身未被模型解释,故依然不能获得较完整的接驳客流的分布情况。

3) 接驳方式选择方面的研究。Logit模型在交通出行方式选择上的应用已较为成熟。文献[8]在假设四阶段模型已经确定接驳乘客分布的条件下,构建Logit模型来确定各接驳方式分担率。文献[9]结合四阶段模型,建立了上海轨道交通出行方式链模型。文献[10]采用对应分析方法优化群体分类,以便提高Logit模型的解释能力。文献[11]构建潜在分类NL(嵌套式Logit)模型,直接在模型内部分段以适应不同群体。由于实践中对四阶段法进行简化建模,导致接驳客流分布的预测精度不高,而将四阶段模型细化以达到可预测接驳设施布局的精度所需成本较高,故宜对此模块单独进行建模。

既有研究中将接驳方式选择及车站选择两方面研究结合起来的较少,但在实际中,这两者是紧密相连的:各接驳方式分担率直接决定了接驳成本,而接驳成本又影响着车站的选择。因此,有必要对同时考虑接驳方式选择及车站选择两方面的接驳客流组合预测模型进行研究。

2 建立接驳客流组合预测模型

2.1 接驳方式选择

采用NL模型,将非机动车细分为一般自行车、电动自行车和共享单车,其他接驳方式包括步行、小汽车、公交车、出租/网约车。接驳方式选择模型分层结构示意图如图1所示。

注:ROOT层表示根层。

Logit模型中的Logsum(各子选择枝效用函数的指数函数求和再取对数)在数学上等于其子选择枝最大效用的期望值,可表征综合出行竞争力。非机动车的效用函数Vnon-motor及ROOT层的Logsum值Lroot可以表示为:

(1)

(2)

式中:

Vbike、Vebike、Vshared-bike——非机动车的子选择枝,即一般自行车、电动自行车、共享单车的效用函数;

Vwalk、Vcar、Vbus、Vtaxi——步行、小汽车、公交车、出租/网约车的效用函数;

θ——非机动车的Logsum系数,各子选择枝的效用函数通过θ进行缩放,取值范围为(0,1]。

各接驳方式的效用函数是其组成变量的线性函数(具体公式参考文献[12]),其中,组成变量包括:车内时间、车外时间、费用、停放难易程度,以及出行者家庭拥有的小汽车数。接驳方式选择模型效用函数的组成变量如表1所示。

表1 接驳方式选择模型效用函数的组成变量

当接驳方式选择模型构建完成后,即可获得各空间点至各城轨车站的Lroot,其值越大表示出行阻抗(出行成本)越小,而出行阻抗又直接影响接驳空间分布,因此Lroot成为了接驳方式选择与车站选择模型的桥梁。与传统的仅通过接驳方式分担率加权的出行时耗相比,Lroot包括出行时间、出行费用、个人社会经济因素、接驳设施空间因素的综合影响,能更全面地反映出行综合成本。

2.2 城轨车站选择

要获得接驳空间分布,除获得每个点选择各车站的概率外,还应对不同地点是否选择城轨出行建模。车站选择模型分层结构示意图如图2所示。通过车站选择模型获得的概率与当地人口数相乘即可获得接驳空间分布。其中,选择城市轨道交通出行方式(以下简称“城轨出行”)的子选择枝为可选车站集合,应包含大多数选择情况。通常,想要乘坐轨道交通出行的乘客会在最近及周边的车站中选择进站乘车,而对于距离更远的车站,则选择的可能性较小。

图2 车站选择模型分层结构示意图

不选择城市轨道交通出行方式(以下简称“未城轨出行”)的效用函数,其组成变量应反映乘客出行的意愿及乘坐城轨出行的意愿、出行的便捷程度。组成变量包括家庭拥有小汽车数、用地混合度及最近城轨车站的Lroot。各可选车站的效用函数为Lroot及“是否为最近车站”(0-1变量),后者用于增加对最近车站偏好现象的解释能力(如:厌恶步行,即使去最近的车站需反向行走一段却依然选择该种出行方式)。车站选择模型效用函数的组成变量如表2所示。

表2 车站选择模型效用函数的组成变量

3 实例应用

3.1 实例数据

以南京地铁为例构建模型,实际数据来源包括问询调查与手机信令数据。问询调查以线上、线下相结合的方式在2019年末开展,调查范围覆盖南京市域,调查对象为工作日早高峰城轨出行的乘客。手机信令数据为2019年下旬的电信数据,包括城轨接驳空间分布、人口与岗位分布等。

本文取主城区范围内城轨车站工作日早高峰进站数据进行分析。该范围是以长江、秦淮河及绕城路包围的区域,主要进站量数据来源于主城区内部。该范围共包括1 795份有效问询调查数据,用于接驳方式选择模型的标定。由于标定需要每位被调查者所有可选方式的出行信息,而调查仅能获取其所选方式,故根据出行起终点位置通过电子地图导航补充数据,以此进行接驳方式选择模型标定。

车站选择模型标定首先要确定每个位置的可选车站集合。通常,乘客会在最近及其附近车站中选择车站进站,本次调查中该比例为65.1%。一般而言,城轨车站越密集,步行接驳比例越高,乘客避免体力出行的倾向使得选择最近车站的比例更高。

进一步统计本次调查选择周边车站的比例。首先,使用最短路径泰森多边形(每个车站划分一个多边形,且该车站是其多边形内部任一点考虑路径距离的最近车站,即将传统的泰森多边形考虑的直线距离改为路径距离)划定每个车站的影响范围。然后,统计选择邻接车站的比例,邻接车站指与最近车站的影响范围存在共享边的车站。调查结果显示,选择邻接车站的比例为23.5%,即在最近车站和邻接车站中选择的比例为88.6%。此外,选择比邻接车站更远的车站的主要原因是由于公交部分区段与地铁存在竞争关系,而公交出行的价格优势使部分乘客倾向于先乘坐公交后再乘坐地铁,或因地铁线网不完善使得最近车站需要绕行、换乘等。但未来随着地铁线网的进一步完善,以及公交与地铁间的充分配合,该出行现象的选择比例将有所降低。综上所述,将可选车站集合定量描述为最近车站及其邻接车站。

实例研究对象为主城区车站的进站接驳客流。为便于分析和描述,将主城区车站的影响范围作为实例研究范围,同时用500 m网格表示影响范围内各空间位置。南京市主城区车站影响范围示意图如图3所示。

图3 南京市主城区车站影响范围示意图

3.2 接驳方式选择模型标定

利用问询调查数据标定方式选择模型,接驳方式选择模型效用函数变量系数标定结果如表3所示。大多数变量系数的T检验值的绝对值均大于2,可见各变量基本能在5%的显著性水平下通过T检验。校正伪R2可用于表征模型的拟合优度,取值范围为[0,1],R2越大表示模型拟合越好。所提接驳方式选择模型的R2为0.32(对于Logit模型而言,R2为0.20～0.40已较好[12])。

表3 接驳方式选择模型效用函数变量系数标定结果

3.3 车站选择模型标定

用大样本、广覆盖的手机信令数据作为标定输入。但由于Logit模型的标定不能使用集计数据,只能使用离散数据,故需要将集计的手机信令数据(通常为OD(起讫点)表)转换为离散数据,即每个个体一条记录(包括出行起点、出行终点、出行量等):将各网格人口数作为该位置样本总体数,重复多条以该网格作为出行起点、各地铁站作为出行终点的个体出行记录,其重复数为出行量;出行起点的网格不出行人数则为样本总体数减去出行量。

由于本文主要关注接驳客流的相对分布量而非绝对分布量,为减少标定计算量,对未城轨出行样本以更低的抽样率进行抽样:实例研究范围常住人口为412.2万人,工作日高峰小时平均进站量为14.6万人次/h,则认为未城轨出行人口为397.6万人(早高峰多为单次出行,此处不完全严谨但基本能够反映实际情况,但对于交通枢纽站等流动人口较多的车站应予以单独考虑);标定数据样本为51 489人,其中城轨出行人口为7 074人,未城轨出行人口为44 415人,即城轨出行的样本抽样率为4.8%,未城轨出行的样本抽样率为1.1%。

车站选择模型效用函数变量系数标定结果如表4所示。以网格为单元进行计算,其中用地混合度以用地熵表征,其取值范围为0～1,其值越大表示用地越混合,反之则表示用地越单一。为便于统一标定,将可选车站设置为主城区内所有地铁站,但非最近且非邻接车站的Lroot值设置为-99(极小值),以排除选择非最近且非邻接车站的可能。

表4 车站选择模型效用函数变量标定结果

标定结果的校正伪R2为0.872,本次标定的实质是将离散数据匀质化,忽略了网格的内部差异,进而使得该离散数据更易拟合。同时,校正伪R2为0.872也反映出所提车站选择模型的解释效果较好。各变量系数的T检验值的绝对值均大于2,可见各变量都在5%的显著性水平下通过T检验。其中,最近车站Lroot系数为负,表示最近的城轨车站接驳越方便,乘客越倾向于城轨出行;家庭私家车数基本对应家庭的收入水平,其系数为负表示出行频率与收入水平正相关,同时由于实例研究范围为南京市主城区,其车站设置较密集、小汽车停车费高,使得选择小汽车出行不如选择地铁出行方便,故拥有小汽车的乘客选择未城轨出行的倾向未能体现;用地混合度系数为正表示该位置用地功能较为复合,外出需求较少;Lroot和“是否为最近车站的系数为正”,分别表示Lroot越大越容易选择该车站,以及倾向于选择最近的车站。

由于此时每个网格已包含人口规模数的记录,集计结果即为接驳空间的相对分布(按四阶段或回归模型得到的各车站预测客运量调整后才可得到绝对分布)。结合接驳方式选择模型可得到的网格-车站接驳方式比例,南京地铁3号线上元门站分方式接驳相对分布示意图如图4所示。

注:为便于分辨,图中仅显示主要接驳方式并忽略较小值。

3.4 模型应用说明与效果检验

在模型标定好后即可输入变量数据,以测算分接驳方式的空间相对分布结果。接驳方式选择模型的输入为各效用函数的变量值;接驳方式选择模型的输出包括:各点对(网格-车站)的接驳方式分担率矩阵A;各点对(网格-车站)的Lroot矩阵B。车站选择模型的输入为各效用函数的变量值、各网格人口及B;车站选择模型的输出为各网格选择各车站的概率矩阵C。将C乘以各网格人口即可得到各车站的接驳客流空间相对分布矩阵,再将其乘以A即可得到分接驳方式的空间相对分布矩阵。

将模型计算结果(利用手机信令数据标定/训练)与实例研究范围内的问询调查数据进行对比,模型计算结果与问询调查数据的接驳客流空间分布热度图对比,如图5所示。问询调查数据因样本相对少,分布较为离散,但整体轮廓与模型结果一致,验证了所提模型的合理性与准确性。

模型计算结果与问卷调查数据指标对比如表5所示。平均接驳距离的模型计算结果与问询调查数据较为接近,公交车分担率的模型计算结果与问询调查数据相差最大,这与被调查人员中乘公交群体占比偏高有关。从整体来看,模型结果与问询调查结果较为接近,基本符合实际情况,说明所提模型能较好地模拟城轨车站的接驳客流情况,可在规划设计实践中更合理地预测接驳客流分布和接驳方式分担率,进而为相关规划设计提供数据支撑。