(广州市岭南建筑研究中心有限公司,广东 广州 510000)
【摘要】新时代人民群众对公交出行体验和服务水平的要求更高,公平公正、包容共享必然是未来公共交通的发展方向,公交线网体系也需要不断的与时俱进、优化重构。随着科技的不断进步,信息化是当今时代发展的趋势,大数据逐步渗透至人们的生活当中,在各个领域当中都发挥出不可或缺的作用。文章以东莞市松山湖功能区公交专项规划为例,通过运用手机信令数据、IC卡数据及GPS数据等公交大数据,分析居民出行特征、公交盲区覆盖、公站点登降量、城市公交走廊等,评估公交线网存在问题,提出优化策略,作为后续公交线网规划优化的依据及支撑。
【关键词】公交线网优化;大数据;手机信令数据;IC卡数据。
随着时代的发展,城市空间形态日新月异,城市规模发展扩大,人类的活动变迁与城市发展密不可分,居民的出行方式、出行方向、出行距离都因城市形态的更新而产生变化。常规公交作为公共交通的主要方式之一,承载着通勤、生活等交通需求的重要任务。公交线网是常规公交的“血管”,新时代随着人民出行习惯和出行需求的改变,线网应与时俱进的动态更新和优化调整,以体现“共享、畅达、绿色、公平”的理念,更为贴合居民出行特征,满足城市中大多数人的公共交通出行需求。
传统的公交线网规划主要以人工经验为主,可靠性偏低、理论依据偏弱,往往很难完全准确的掌握公共交通的出行规律和基础数据。大数据分析的出现打破了传统方法,作为新兴技术,其在生活中的各个领域都发挥出了不可磨灭的作用,公交线网优化当中也不例外。
在新时代当中,大数据作为底层基础数据,提供了更为全面、定量的公交线网优化手段。如万君[1]提出了手机信令与刷卡数据相结合,分析城市居民出行特征;费瑞阳等[2]提出了基于手机信令数据,获取交通OD,进而针对中小城市进行线网优化研究;龚航等[3]利用手机数据挖掘用户位置信息,并应用于城市居民出行OD分布估计;于泳波等[4]提出了基于手机信令数据的常规公交站间OD识别方法;崔紫薇[5]利用公交IC卡进行乘客下车站点的识别及应用;马伯浩等[6]利用多维数据融合技术,揭示了公交客流出行的时空规律及换乘规律;张临辉等[7]利用多维大数据叠合的方式,分析筛选出骨干公交走廊。上述研究在线网优化过程中,均使用了大量的公交数据,例如手机信令数据、GPS数据、公交IC卡数据等,并归纳总结了如何统筹多源大数据,并在公交线网优化当中发挥各种数据的用途。
本文结合东莞松山湖项目,梳理大数据在公交线网优化中的应用途径,确保了数据与公交相结合的可靠性、稳定性与实用性。因此,公交大数据、人工经验相结合的分析方法,是未来公交线网规划优化的主要趋势。
2.1.1手机信令数据
手机信令数据是由手机用户在发生通话、发短信或移动位置等事件时,被运营商的通信基站捕获并记录同一用户信令轨迹所产生,最后经过脱密、脱敏、扩样等处理后可用于居民行为偏好、移动轨迹分析、城镇空间布局等研究。手机信令数据字段中包含时间和空间位置属性,对手机信令数据进行处理及分析,可以获得居民职住分布、全方式出行量、出行OD、出行特征等数据。
2.1.2公交IC卡数据
公交IC卡收费系统在各个城市均被广泛应用,乘客均能使用IC卡进行乘车缴费,除此之外,公交IC卡数据还可以用来进行客流推导。公交IC卡是反映客流情况最有效的数据,也是最可靠的数据。该数据量庞大,采集技术成熟简单,是分析处理客流的必需品。通过公交IC卡数据,可以获得公交出行时间、线路客流量等数据。
2.1.3公交GPS数据
公交GPS数据记录了车辆的实时运行信息,记录了公交车的移动轨迹。每条GPS数据都包含了完整的GPS基本参数,例如时间、经纬度等。通过GPS数据,可以获得每辆公交车每5秒钟的具体位置及行驶轨迹。
2.1.4基于GIS的公交站点数据
GIS即地理信息系统数据,是一种用于采集、存储、管理、分析、显示地理信息应用的计算机系统。在公交GIS数据中,占据较大比重的是空间数据,用来反应网络上各类实体的空间位置关系。其中在公交线网优化的底层基础数据当中,较为重要的是公交站点数据,用以记录各个公交站点的具体经纬度位置。
1.2数据应用方法
1.2.1手机信令数据
手机信令数据通过处理后,保留有效信息,进一步整理可得居住人口分布、工作人口分布、居民出行方向、出行距离等详细数据,并可进一步分析居民出行特征,为公交线网优化提供依据。
1.2.2上车站点推算
公交IC卡数据当中,记录了上车乘客刷卡时间的详细数据,公交GPS数据则是记录了车辆每5s所在的位置经纬度,以及当时的具体时间,而公交站点GIS数据则是记录了范围内每个公交站点的具体经纬度。通过公交IC卡的刷卡时间和GPS当中的时间进行匹配可得乘客上车经纬度,再通过经纬度与站点GIS数据进行匹配,可得乘客上车的具体站点信息,通过三个数据互相匹配推算,可以获得IC卡乘客的具体上车站点。在匹配过程当中会遇到公交GPS数据和IC卡数据无直接联系的问题,参考左精力[8]等提出的城市公交GPS数据与IC卡数据的时空特性融合算法,通过位置匹配、时间最大相似度、时间平均偏差等算法,关联GPS数据及IC卡数据,提高匹配准确性。
1.2.3下车站点推导
利用IC卡数据,基于马尔科夫链的贝叶斯决策树可对下车站点进行推导。利用粗糙集算法和空间聚类筛选分析乘客出行行为规律,推断乘客下车站点,精度可达80%以上。
参考邓红星等人提出的公交OD推算方法,基于乘客出行行为概率、站点附近土地利用性质、站点吸引权以及换乘能力对乘客下车站点进行推算[9],再经过数据拓样后,可得出所有乘客的上下车站点、每个站点的登降量,以及公交站间OD,进而进行乘客出行特征分析。
松山湖功能区面积589km2(占全市24%),2019年常住人口约202.5万人(占全市24%),未来将重点打造东莞科技创新高地、高精尖产业发展高地、科技城市副中心。
现状松山湖功能区公交机动化分担率仅7.5%(中心城区11.4%),公交线网结构及服务组织模式限制了公交服务水平的有效提升,无法满足城市副中心高标准、高品质发展要求。2019年东莞市第二轮公交资源整合完毕,松山湖功能区完成“一区九镇”公交资源整合工作,功能区“以镇内为主”的常规公交体系转变为“以片区公交为主体”的一体化公交模式,亟需开展公交发展专项规划工作,系统优化线网结构、盘活公交运力资源、谋划公交设施布局。
2.2分析居民出行特征,打造服务网络
通过手机信令获得居民通勤出行OD,通过分析可知松山湖出行主要以镇内通勤出行为主,为33万人,平均出行距离6.2km;市内跨区域通勤出行15万人,平均出行距离8.5km;跨市通勤出行12万人次,平均出行距离80km。
表1 各街镇出行比例
街镇 | 内部出行占比 | 往市区出行占比 | 镇间出行占比 | 其他 |
茶山 | 88.22% | 3.10% | 7.93% | 0.75% |
大朗 | 86.1% | 0.52% | 10.67% | 2.71% |
大岭山 | 89.4% | 1.29% | 6.29% | 3.02% |
东坑 | 84.1% | 0.63% | 11.18% | 4.09% |
横沥 | 89.1% | 0.46% | 5.81% | 4.63% |
寮步 | 80.9% | 6.61% | 11.06% | 1.43% |
企石 | 91.9% | 0.52% | 4.49% | 3.09% |
石龙 | 77.5% | 12.00% | 9.68% | 0.82% |
石排 | 92.8% | 0.68% | 5.60% | 0.92% |
松山湖管委会 | 72.5% | 1.62% | 23.59% | 2.29% |
松山湖生态园 | 51.1% | 1.34% | 46.57% | 0.99% |
通过分析居民的出行特征,了解出行方向、出行长度、出行时间,提出打造内畅外联的公交服务网络。空间上,构建轨道、公交快线、干线、支线、微循环多层次、一体化内畅外联公交服务网络,明确常规公交主体地位,对外以轨道、公交快干线连接主要客流源点,提供长距离、快速公交服务;镇间以公交干线为主,提供中长距离、畅达公交服务;镇内以支线和微循环为主,提供短距离、通达公交服务。功能上,“快、干、支、微”的多层次常规公交网络各层次线路功能明确、相互衔接,满足市民不同层次的出行需求。
图1 公交服务网络
2.3分析公交盲区覆盖,新增公交站点
通过公交站点GIS数据,得到公交站点图层,并基于公交站点500米覆盖范围与手机信令数据进行叠加分析,得出公交覆盖服务盲区,并针对新修通道路、公交薄弱区覆盖,新增公交中途停靠站。
2.4分析公站点登降量,提出优化策略
通过对松山湖功能区公交走廊分布情况以及公交站点登降量分布特征进行分析,例如市级走廊1沿途公交站点登降量较低,登降量大的站点主要集中在东莞火车站、汽车东站、大朗汽车客运站,初步判定走廊1通过性客流相对较大,沿途公交站点集散客流相对较小;区级走廊沿途站点登降量存在部分区段大、部分区段小的现象,基于此,提出不同区域的优化策略。
2.5识别城市交通走廊,划分客流走廊
通过手机信令数据的居民出行OD得出全方式流量分配数据,通过公交出行OD得出公交流量分配数据,并结合分析现状公交及机动化出行通道需求分布,存在部分通道客流需求较大,公交客流却明显不足的情况。因此可根据公交客流分配结果识别出“四横四纵”公交走廊,并结合走廊功能定位,将走廊类型划分为市级走廊和区级走廊两级。
将规划调整线路按照长度分为4类(小于10公里、10公里-20公里、20公里-30公里、大于30公里)。通过缩短高峰发车间隔,拉大平峰发车间隔,降低高峰期乘客候车时间,对于平峰期客流强度较低、发车间隔较大的线路,通过发布到站时刻表方式提供可靠服务,提高乘客候车体验提高市民公交出行便利性。
表2 发车间隔改善表
序号 | 线路分类 | 占比(%) | 高峰平均发车间隔(分钟) | 改善效果 | 平峰平均发车间隔(分钟) | 改善效果 | ||
优化前 | 优化后 | 优化前 | 优化后 | |||||
1 | 线路长度<10公里 | 17.1% | 17.6 | 21.6 | 延长22.8% | 20.3 | 25.7 | 延长26.7% |
2 | 10公里≤线路长度≤20公里 | 41.9% | 20.9 | 18.0 | 缩短 14.1% | 25.1 | 25.9 | 延长3.3% |
3 | 20公里<线路长度≤30公里 | 18.6% | 18.3 | 15.6 | 缩短 14.7% | 21.8 | 20.5 | 缩短5.8% |
4 | 线路长度>30公里 | 22.4% | 16.2 | 14.5 | 缩短10.6% | 18.9 | 20.6 | 延长 9.2% |
3.2出行时间评估
针对骨干线路,提供高频服务,针对发车间隔大于30分钟的低频线路或低频服务时段,提出沿线各站需发布线路车辆到站时刻表,让市民“有预期”的候车,降低市民候车时间;走廊建设公交专用道提升公交运速,降低在途时间。
优化后公交全过程出行时间为43.8分钟,对比优化前(54.3分钟),缩短19.3%,居民公交出行更加便捷。
表3 发车间隔改善表
序号 | 指标分类 | 平均出行时间(分钟) | 改善效果 | |
优化前 | 优化后 | |||
1 | 步行到/离站时间 | 7.1 | 6.8 | 缩短4.2% |
2 | 候车时间 | 21.7 | 15.70 | 缩短27.7% |
3 | 在途时间 | 25.5 | 21.3 | 缩短 16.5% |
4 | 公交全过程出行时间 | 54.3 | 43.8 | 缩短 19.3% |
3.3线网密度评估
经优化后,线网密度为2.4,对比优化前(值为2.3),提升了0.4,增加了江南大道、东平大道、西正路、南一路、外环路、大进路、太和路等道路公交线路服务覆盖。
3.4线路非直线系数评估
经优化后,线路单车日均客运量≥100人次非直线系数为1.9,对比优化前(2.0),降低了0.05;线路单车日均客运量<100人次非直线系数为2.4,对比优化前(2.5),降低了0.04,减少线路绕行里程,提升车辆运营周转效率。
3.5站点500米覆盖率评估
经优化,增加覆盖了蚬金工业区、莫屋工业区等15个公交服务薄弱区,功能区500米覆盖率由90.5%提升至92.9%,提升2.7%。
本文主要讨论了在公交线网优化当中,如何利用大数据获取乘客出行信息,进而分析居民出行特征、公交盲区及城市走廊,并在东莞松山湖公交线网优化项目中进行具体应用,确认了数据的可使用性、技术方法可行性,为未来的公交线网优化项目中的大数据使用方法提供了参考。
参考文献
[1]万君. 大数据在公交线网优化中的应用探讨——以佛山为例[C]//.交通治理与空间重塑——2020年中国城市交通规划年会论文集.,2020:967-975.DOI:10.26914/c.cnkihy.2020.032153.
[2]费瑞阳,邬岚,栾开元,简玉成.基于信令数据的中小城市公交线网优化方法[J].物流科技,2021,44(03):75-81.DOI:10.13714/j.cnki.1002-3100.2021.03.020.
[3]龚航,孙黎,王璞.基于手机数据的城市交通大区OD分布估计——以旧金山市为例[J].城市交通,2016,14(01):37-42+50.DOI:10.13813/j.cn11-5141/u.2016.0106.
[4]于泳波,侯佳.基于手机信令数据的常规公交站间OD识别[J].交通运输系统工程与信息,2021,21(02):65-72.DOI:10.16097/j.cnki.1009-6744.2021.02.010.
[5]崔紫薇. 基于多源数据挖掘的公交IC卡乘客下车站点识别及应用[D].华侨大学,2020.DOI:10.27155/d.cnki.ghqiu.2020.001160.
[6]马伯浩,布少聪,夏非凡,桑丽.基于多维数据的常规公交时空客流分析[J].中国高新科技,2021(10):125-127.DOI:10.13535/j.cnki.10-1507/n.2021.10.54.
[7]张临辉,陈龙,刘杰.基于大数据的张江科学城公交走廊和骨干线路规划[J].交通运输部管理干部学院学报,2021,31(01):10-15.
[8]左精力,王秋平,陈君.城市公交GPS数据与IC卡数据时空特性融合算法[J].交通信息与安全,2021,39(02):101-108.
[9]邓红星,赵志恒,王玮琦.基于公交IC卡和GPS数据的公交OD量推算研究[J].重庆理工大学学报(自然科学),2019,33(06):220-226.
1