基于出行方式鏈的城市軌道交通客流分析方法

史晟 楊超

(同濟大學(xué)交通運輸工程學(xué)院,201804,上?！蔚谝蛔髡?碩士研究生)

基于出行方式鏈的城市軌道交通客流分析方法

史晟 楊超

(同濟大學(xué)交通運輸工程學(xué)院,201804,上?！蔚谝蛔髡?碩士研究生)

傳統(tǒng)“四階段”法預(yù)測流程無法準確預(yù)測與軌道交通接駁的交通方式及換乘客流。借鑒基于活動的交通需求模型中利用出行鏈來解釋人的出行行為的方法,提出了基于出行方式鏈的軌道交通客流分析方法。使用三層的Nested-Logit模型來模擬出行者選擇軌道交通為主要出行方式接駁其他交通方式和預(yù)測各種方式的客流,建立了軌道交通出行方式鏈模型;提出了該方法在實際應(yīng)用中的分析流程。

出行方式鏈;城市軌道交通;客流預(yù)測

First-author's addressSchool of Transportation Engineering,Tongji University,201804,Shanghai,China

軌道交通不是一種“門到門”的交通到達方式,因此居民出行選擇軌道交通方式的同時,也面臨著一個選擇從出行起始端到軌道交通站的出行方式,然后換乘軌道交通,到達后選擇從軌道交通站使用另一種出行方式到達出行目的端的過程。這是一個以軌道交通為主的多模式出行過程[1]。

傳統(tǒng)的“四階段”法很難對這些多模式出行客流進行建模,一般僅僅使用軌道交通方式作為這些客流從O點到D點之間的出行方式,這就導(dǎo)致了無法準確預(yù)測與軌道交通接駁的交通方式及換乘客流。本文借鑒基于活動的交通需求模型中利用出行鏈來解釋人的出行行為的方法,提出了基于出行方式鏈的軌道交通客流分析方法的模型和分析流程。

1 軌道交通出行方式鏈

基于活動的模型認為人一天的出行并不是相互獨立的,而是由活動所決定的,受時空屬性和居民屬性的影響,是以鏈的方式串聯(lián)起來進行分析的。

Stephan Krygsman和Martin Dijst在基于活動模型的基礎(chǔ)上提出了多模式出行方式鏈的概念[2]。2001年,他們利用1998年的荷蘭全國出行調(diào)查數(shù)據(jù)進行分析,基于數(shù)據(jù)分析的結(jié)構(gòu),得到在出行中方式鏈組合情況、出行的次數(shù)、出行時間、出行距離等信息,再通過對數(shù)據(jù)的回歸分析,得出個人屬性對于多模式出行方式鏈的影響。例如:圖1是某人一天的上班出行,包含4次出行:①從家到單位,出行方式為私人小汽車;②由單位到餐廳,出行方式為步行;③由餐廳到單位,出行方式為步行;④由單位到家,出行方式為私人小汽車。而使用多模式出行方式鏈來表述的話,這一天的出行方式鏈為:私人小汽車—步行—步行—私人小汽車。

圖1 某人一天出行示意圖

因此,以軌道交通為主的多模式出行也可以用鏈來表示。例如,某個出行者從出行起始端O選擇某種出行方式A到達軌道交通站,使用軌道交通出行方式B,到站后選擇某種出行方式C并最終到達出行目的端D的過程,并不是相互孤立的3次選擇出行方式的過程;出行者在出行之前就決定了所要選擇的軌道交通出行方式和換乘方式,因此整個出行方式可用A—B—C的鏈狀結(jié)構(gòu)表示(如圖2)。

圖2 軌道交通出行方式鏈結(jié)構(gòu)示意圖

這樣的鏈從理論上講有25種組合。典型的有:步行—軌道交通—步行,自行車—軌道交通—步行,出租車—軌道交通—步行等。因此定義軌道交通出行方式鏈的形式為:從出行起始端到軌道交通站的出行方式A→軌道交通方式B→從軌道交通站到目的端的出行方式C這樣一個A—B—C的鏈結(jié)構(gòu)。

2 軌道交通出行方式鏈模型

2.1 Nested-Logit模型

最為基礎(chǔ)的 Logit模型稱為多項 Logit模型(Multi-Nomial Logit,簡為MNL)。該模型具有簡便易用的特性,但也存在不足,即各個選擇肢之間必須符合獨立同分布假設(shè)(Independence from Irrelevant Alternative,簡為IIA)。為解決此問題,Williams等人提出了改進型的 Logit,又稱巢式Logit(Nested-Logit,簡為NL)模型[3]。

圖3是一個二層NL模型選擇樹,用數(shù)字來表達選擇層:Mn為出行者n的第一層選擇方案數(shù);Rin為出行者n與節(jié)點i相結(jié)合的第一層選擇方案數(shù)。第n個出行者選擇第二層上的任意選擇方案(ij)的概率Pn(ij)為:在選擇了i條件下選擇了j的概率Pn(j|i)與選擇了i的概率Pn(i)的乘積[4]。即:

其中:

式中:

Uijn——出行者n選擇了方案(ij)的效用;

V(j|i)n——在出行者n選擇了方案(ij)時的效用中,由于(ij)和i的組合而變化部分的固定項;

Vin——在出行者n選擇了方案(ij)時的效用中,與j無關(guān)而隨著i變化部分的固定項;

ε(j|i)n——在選擇了 i條件下選擇(ij)的效用的概率項,設(shè)其服從均值為0、方差為的二重指數(shù)分布;

εin——選擇了i的效用的概率項,設(shè)其服從均值為0、方差為的二重指數(shù)分布。

圖3 NL模型結(jié)構(gòu)示意圖

人們在選擇以軌道交通為主的多模式出行方式時,首先確定的是所選用的軌道交通線路和換乘的站點,其次才考慮與軌道交通接駁的交通方式。因此圖2所示的25種軌道交通方式鏈之間并非相互獨立同分布,使用簡單的MNL模型無法描述出行者的選擇行為過程。NL模型的層式結(jié)構(gòu)可以將軌道交通方式和換乘站點的選擇、接駁方式的選擇分成幾層,這樣既可以模擬出行者的選擇行為,又可以消除各種軌道交通方式鏈之間的影響。因此,本文使用NL模型描述軌道交通出行方式鏈。

2.2 軌道交通出行方式鏈模型的結(jié)構(gòu)

軌道交通出行方式鏈包含A、B、C 3種出行方式,從發(fā)生的時間順序上來看,是A—B—C的順序,但使用三層的NL模型來描述軌道交通出行方式鏈時,應(yīng)該參照活動日志模型的結(jié)構(gòu),從邏輯順序上安排3種方式的層次順序。出行者選擇以軌道交通為主要出行方式從O點到達D點時,首先選擇的是軌道交通方式的起始站點和到達站點(軌道交通換乘站)[5],這是軌道交通出行方式鏈模型的第一層;其次確定的是從O點到達軌道交通起始站點所使用的出行方式,這是模型的第二層;最后確定的是從軌道交通到達站點到D點所使用的出行方式,這是模型的第三層。模型的結(jié)構(gòu)見圖4。

圖4 軌道交通出行方式鏈模型結(jié)構(gòu)

預(yù)測軌道交通出行方式鏈時,首先從第一層(選擇軌道交通出行方式層)開始,然后再考慮出行端到軌道交通起始站的出行方式層,最后考慮從軌道交通到達站到出行目的端的出行方式層。處于上層的模型通過條件概率約束下層模型,而下層模型的總效用的自然對數(shù)log S作為上層模型的一個變量。模型標定按照從下往上的順序從底層開始。

2.3 模型特性變量的選取和檢驗

本文選用3層的NL模型來標定軌道交通出行方式鏈,而其中每一層都是一個MNL模型。每一層模型中各個選擇肢被選擇的概率與其效用有關(guān)。每個選擇肢的效用為:

式中:

α——該選擇肢的常數(shù)項;

xi——該選擇肢的一個特性變量;

βi——特性變量的參數(shù);

log S下一層——該選擇肢下一層模型總效用的log S;

β′——下一層模型log S的參數(shù)。

以圖 4為例,在第二層選擇步行方式后,log S第三層=ln(exp(V步行)+exp(V自行車)+exp(V道路公交)+exp(V出租車)+exp(V私人小汽車))。

由于本模型討論的是交通換乘方式,主要涉及到各種交通方式的費用、時間(機動車可包括車內(nèi)時間和車外等待時間),以及出行者本身的收入和年齡等屬性,因此在確定特性變量xk之前要使用樣本數(shù)據(jù)對待定的xk進行t檢驗。當|tk|＞1.96(2.576),則有95%(99%)的概率確定xk是影響選擇肢的主要因素之一。即如果xk的|tk|＞1.96,就選取其作為該選擇肢的特性變量。

3 模型應(yīng)用

為了清楚地描述本方法的應(yīng)用和分析流程,用一個例子完整地描述從數(shù)據(jù)采集到模型標定到預(yù)測的流程。對于確定的OD,模型應(yīng)用流程如圖5所示。首先進行出行者交通行為調(diào)查,取得原始數(shù)據(jù);對數(shù)據(jù)進行處理,得到現(xiàn)狀客流情況并進行統(tǒng)計分析;代入NL模型中進行變量的檢驗和選取;利用數(shù)據(jù)標定模型,得到軌道交通方式換乘鏈模型;將預(yù)測的未來年客流和各種交通方式的經(jīng)濟特征數(shù)據(jù)代入模型,得到各種換乘方式鏈未來年的分擔比率和客流量。

圖5 軌道交通換乘客流預(yù)測流程

假設(shè)以上海市同濟大學(xué)嘉定校區(qū)為O點,同濟大學(xué)四平路校區(qū)為D點,對該OD之間的出行方式進行分析。涉及軌道交通的出行方案主要有兩種:A方案選擇軌道交通3號線。其中從O點到3號線起始站只有北安(跨)線公交車可供選擇,從3號線到達站到D點只有115路公交車可選擇。B方案選擇軌道交通11號線換乘軌道交通3號線。其中從O點到11號線起始站可選擇接駁車和自行車兩種方式,從3號線到達站到D點只有115路公交車可選擇。則本實例可以用圖6所示的軌道交通方式鏈模型來表示。各種交通方式的屬性見表1。按照圖5所示的預(yù)測流程,利用所建立的3層NL模型,代入調(diào)查樣本的數(shù)據(jù)進行標定,可以得到每一層模型中各種交通方式的分擔率(見表2)。

圖6 實例模型結(jié)構(gòu)圖

表1 各種交通方式屬性表

由上面的例子可以看出,使用軌道交通方式鏈模型不僅預(yù)測出了軌道交通方式的分擔比率,同時也預(yù)測出了其銜接方式的分擔比率,這是傳統(tǒng)出行方式選擇模型所不具備的。值得注意的是:該模型具有轉(zhuǎn)移性,因此當使用現(xiàn)狀數(shù)據(jù)標定模型以后,模型不僅能預(yù)測用于標定模型的數(shù)據(jù)來源OD未來年的各種軌道交通方式鏈的客流,對于未來年其他相似情況的OD之間的出行,也可以使用本模型預(yù)測其各種軌道交通方式鏈的客流。

表2 分擔率預(yù)測結(jié)果

4 結(jié)語

本文基于活動模型中出行鏈的思想提出了軌道交通出行方式鏈的模型,從而解決了傳統(tǒng)交通預(yù)測過程中對于軌道交通站交通換乘方式無法預(yù)測的弊端。該模型采用了三層NL模型,首先選擇換乘的軌道交通線路,然后選擇從出行起始端到軌道交通起始站的出行方式,最后選擇從軌道交通到達站到出行目的端的出行方式;并介紹了該模型的特性變量選取和標定方法。用一個簡單的實例說明了該模型的實際應(yīng)用,即用軌道交通出行方式鏈來預(yù)測某個OD之間未來年各種軌道交通出行方式鏈的客流量。需要指出的是,要想取得更為精確的預(yù)測結(jié)果,需要選取合理的特性變量,并在方式分擔和交通量分配的組合模型中運用本方法。

[1]Feng Xie,Soi Hoi Lan.T ransit path choice models using RP and SP data[J].T rans Research Record,2002(1799):58.

[2]Stephan Krygsman,Martin Dijst.Multimodal trips in the Netherlands:Conceptual clarification Micro-level individual attributes and residential context[J].T rans Research Record,2001(1753):11.

[3]Kenneth E T rain.Discrete Choice Methods with Simulation[M].Cambridge:Cambridge University Press,2003.

[4]關(guān)宏志.非集計模型——交通行為分析的工具[M].北京:人民交通出版社,2004.

[5]Yao Enjian,Morikawa T.A study on Nested-Logit Mode choice model for intercity high-speed rail system with combined RP/SP data[C]∥Traffic and Transportation Studies Proceedings of ICTT S,2002:612-619.

Urban Rail Transit Passenger Volume Forecasting Method Based on Trip Mode Chain

Shi Sheng,Yang Chao

The traditional 4-step forecasting model can't forecast rail transfer modes and the volume of passengers precisely.Enlightened by an activity-based model which uses trip-chain to explain people's behavior,this paper puts forward an urban rail transit passenger volume forecasting method based on trip mode chain,and provides a 3-step Nested-Logit Model to forecast the transfer modes and the volume of passengers.At last,this paper introduces the application procedure of this model.

trip mode chain;urban rail transit;passenger volume forecasting

U 293.1+3:U 231

2009-11-30)