崔洪軍， 張曉陽(yáng)， 朱敏清

(1.河北工業(yè)大學(xué)土木與交通學(xué)院，天津 300401; 2.河北工業(yè)大學(xué)建筑與藝術(shù)學(xué)院，天津 300401)

IC卡的廣泛應(yīng)用在各大城市中產(chǎn)生了海量的乘客出行信息數(shù)據(jù)，基于IC卡數(shù)據(jù)樣本量大、信息儲(chǔ)存量高、更新速度快、較手工收集數(shù)據(jù)方法更為準(zhǔn)確且成本低廉等特點(diǎn)，可用其對(duì)乘客的出行特征、交通運(yùn)營(yíng)情況等進(jìn)行描述及刻畫(huà)。通過(guò)對(duì)IC卡和GPS數(shù)據(jù)進(jìn)行識(shí)別分析可獲得更為完整的公交乘客出行信息，同時(shí)對(duì)于公共系統(tǒng)的規(guī)劃發(fā)展有著重要的意義。

目前在中國(guó)運(yùn)營(yíng)的公交車(chē)輛存在著兩種計(jì)費(fèi)方式：一票制上車(chē)打卡方式(如天津公交)及分段計(jì)價(jià)上下車(chē)均打卡方式(如北京公交)；而一票制的計(jì)費(fèi)方式在中國(guó)被大多城市所采用。一票制計(jì)費(fèi)缺少乘客的下車(chē)站點(diǎn)具體信息，因而無(wú)法直接利用所得數(shù)據(jù)推算乘客出行信息。如何高效、準(zhǔn)確地補(bǔ)全乘客的下車(chē)站點(diǎn)信息成了研究的熱點(diǎn)及難點(diǎn)。國(guó)外對(duì)基于IC卡數(shù)據(jù)的乘客出行研究相對(duì)較早：Zhao[1]基于出行鏈思想，結(jié)合自動(dòng)收費(fèi)系統(tǒng)(AFC)、自動(dòng)定位系統(tǒng)(AVL)，實(shí)現(xiàn)了公交-地鐵、地鐵-地鐵兩種出行方式的下車(chē)站點(diǎn)的推導(dǎo)。Alex[2]基于出行鏈模型對(duì)公交乘客下車(chē)站點(diǎn)進(jìn)行了判斷，并生成了種子矩陣以實(shí)現(xiàn)對(duì)不同規(guī)模OD矩陣的預(yù)測(cè)。Farzin[3]基于巴西圣保羅的公交乘客出行數(shù)據(jù)，以總數(shù)據(jù)量的5%為數(shù)據(jù)樣本，推算了乘客的下客站點(diǎn)。Barry等[4]提出經(jīng)典出行鏈假說(shuō)，并以此推斷了紐約市公交乘客的下客站點(diǎn)。較之國(guó)外，中國(guó)對(duì)此方面的研究起步稍晚。胡郁蔥等[5]通過(guò)數(shù)據(jù)挖掘技術(shù)獲取公交OD矩陣。陳崢嶸[6]利用智能公交數(shù)據(jù)處理方法對(duì)公交客流OD進(jìn)行研究。胡繼華等[7]結(jié)合出行鏈模型對(duì)公交乘客的下車(chē)站點(diǎn)進(jìn)行概率推算。吳祥國(guó)[8]提出可根據(jù)乘客多日出行鏈進(jìn)行下車(chē)站點(diǎn)判斷，但并未提出相應(yīng)的算法，只能通過(guò)人工識(shí)別。

由以上研究成果可知，國(guó)外研究人員由于研究數(shù)據(jù)較為豐富、全面，故利用出行鏈方法得到的推算結(jié)果其準(zhǔn)確性較高；中國(guó)因行政區(qū)劃、數(shù)據(jù)兼容性等原因，可用于研究的數(shù)據(jù)通常不夠完整。因此，完全搬用國(guó)外對(duì)于乘客完整出行信息的獲取方法不切合實(shí)際。本研究將根據(jù)公交乘客IC卡信息對(duì)乘客出行目的進(jìn)行識(shí)別，進(jìn)而提取公交乘客的完整出行鏈。

1 乘客出行鏈提取

提取出行鏈，需對(duì)乘客的出行目的進(jìn)行完善。翁劍成等[9]通過(guò)整合多源數(shù)據(jù)，提出了出行鏈提取的四階段法，朱亞迪等[10]基于概率圖模型對(duì)乘客的出行鏈進(jìn)行了提取，并分析了乘客的出行特征。本研究基于廣義出行鏈思想構(gòu)建連續(xù)隱馬爾可夫模型(CHMM)，進(jìn)而對(duì)乘客的出行鏈進(jìn)行提取并分析其出行目的。

1.1 模型構(gòu)建

隱馬爾可夫模型由馬爾可夫模型及高斯混合分布共同構(gòu)成，用五個(gè)元素來(lái)描述，其中包括隱藏狀態(tài)集合0、可觀測(cè)狀態(tài)集合、初始狀態(tài)概率矩陣π、隱含狀態(tài)轉(zhuǎn)移概率矩陣A、觀測(cè)狀態(tài)轉(zhuǎn)移概率矩陣B。其轉(zhuǎn)化機(jī)理如圖1所示。

圖1 連續(xù)隱馬爾可夫鏈轉(zhuǎn)化機(jī)理Fig.1 The mechanics of determining states and observations behind a CHMM

選定的出行活動(dòng)序列在其初始狀態(tài)時(shí)的概率集如式(1)所示：

π={πi}={P(xi=i)}， i=1，2，…，N

(1)

式(1)中：在初始狀態(tài)下，xi為出行鏈活動(dòng)序列的初始狀態(tài)變量，為出行活動(dòng)次數(shù)，i表示總數(shù)N中的第i個(gè)出行活動(dòng)；πi為第i個(gè)出行活動(dòng)在初始狀態(tài)下的概率，π是初始概率的一個(gè)向量；兩個(gè)連續(xù)馬爾可夫過(guò)程間的轉(zhuǎn)移概率矩陣如式(2)所示：

A={aij}={P(xt=j|xt-1=i)}，

i，j=1,2，…,N

(2)

式(2)中：xt為出行鏈活動(dòng)序列中的第t個(gè)狀態(tài)，aij為在第t-1個(gè)狀態(tài)下活動(dòng)i變?yōu)榈趖個(gè)狀態(tài)下活動(dòng)j的轉(zhuǎn)移概率。在出行鏈中，出行目的mt為隱藏狀態(tài)，從隱藏狀態(tài)變?yōu)榭捎^察狀態(tài)的輸出概率為gxik。因可觀察變量ot為連續(xù)變量，將其分成K類(lèi)可觀察狀態(tài)。在此，假設(shè)狀態(tài)k對(duì)應(yīng)的可觀察參數(shù)服從均值、方差分別為μk、σk的高斯分布，其分布矩陣見(jiàn)式(3)：

G={gik}={P(mt=k|xt=i)}， i=1,2，…,N, k=1,2，…,K

(3)

對(duì)于活動(dòng)序列中出行目的為i的第t個(gè)出行，其觀察參數(shù)為ot的概率可由式(4)表示：

(4)

式(4)中：μik=μk，σik=σk，i=1,2，…,N，k=1,2，…,K，由以上向量集合組成的可觀測(cè)狀態(tài)參數(shù)集合由式(5)表示：

P(o1,o2，…，ot|[π,A,G,{μk},{σk}])=

(5)

1.2 模型求解

采用前向后向算法可對(duì)可觀測(cè)狀態(tài)對(duì)應(yīng)的出行鏈概率進(jìn)行計(jì)算，在得到概率后，可采用Baum-Welch算法對(duì)隱馬爾可夫模型進(jìn)行參數(shù)估計(jì)，繼而通過(guò)Viterbi算法根據(jù)參數(shù)估計(jì)結(jié)果完成出行鏈提取。具體推導(dǎo)過(guò)程參見(jiàn)參考文獻(xiàn)[11]。

2 數(shù)據(jù)處理

2.1 數(shù)據(jù)結(jié)構(gòu)

研究數(shù)據(jù)來(lái)源為石家莊市公交IC卡及公交GPS數(shù)據(jù)，其中IC卡基礎(chǔ)數(shù)據(jù)為數(shù)據(jù)卡ID編號(hào)、刷卡時(shí)間、車(chē)輛號(hào)、車(chē)輛線(xiàn)路號(hào)等，GPS數(shù)據(jù)包括車(chē)輛終端號(hào)(車(chē)輛號(hào))、GPS系統(tǒng)時(shí)間、經(jīng)緯度數(shù)據(jù)、GPS接收時(shí)間等；同時(shí)IC卡基礎(chǔ)數(shù)據(jù)中的車(chē)輛號(hào)對(duì)應(yīng)GPS數(shù)據(jù)中的車(chē)輛終端號(hào)。只選取研究所需數(shù)據(jù)，數(shù)據(jù)結(jié)構(gòu)如表1所示。

表1 研究數(shù)據(jù)描述

2.2 基于時(shí)間數(shù)據(jù)匹配的上車(chē)站點(diǎn)識(shí)別

對(duì)于上車(chē)站點(diǎn)的識(shí)別，中國(guó)學(xué)者有較多的研究[12-13]。利用基于時(shí)間數(shù)據(jù)匹配的識(shí)別方法：將IC卡刷卡數(shù)據(jù)中的交易時(shí)間與GPS系統(tǒng)中的進(jìn)出站時(shí)間相比對(duì)，若打卡交易時(shí)間在車(chē)輛進(jìn)出站的時(shí)間范圍內(nèi)，則認(rèn)為該時(shí)刻車(chē)輛所處站點(diǎn)為乘客的上車(chē)站點(diǎn)。即對(duì)于任意刷卡記錄，其交易時(shí)間tri與車(chē)輛的進(jìn)出站時(shí)間taj、tdj滿(mǎn)足

taj≤tri≤tdj

(6)

則在此進(jìn)出站時(shí)間時(shí)車(chē)輛所對(duì)應(yīng)的站點(diǎn)為乘客的上車(chē)站點(diǎn)。

3 模型驗(yàn)證與分析

3.1 模型驗(yàn)證

采用2018年某一周工作日石家莊智能公交卡數(shù)據(jù)對(duì)模型進(jìn)行實(shí)現(xiàn)，并在同一時(shí)期同區(qū)域公交站點(diǎn)附近進(jìn)行了居民出行調(diào)查，調(diào)查所得數(shù)據(jù)用以與模型識(shí)別結(jié)果進(jìn)行對(duì)比分析。

按照前述模型，根據(jù)乘車(chē)時(shí)間，結(jié)合乘車(chē)站點(diǎn)周邊土地利用情況進(jìn)行算法優(yōu)化，對(duì)可觀測(cè)狀態(tài)進(jìn)行聚類(lèi)，聚類(lèi)結(jié)果如表2所示?？捎^測(cè)狀態(tài)的六個(gè)狀態(tài)類(lèi)分別對(duì)應(yīng)五個(gè)不同的活動(dòng)類(lèi)，分別為通勤(W)、外出辦公(B)、購(gòu)物(S)、回家(H)、其他(O)，對(duì)應(yīng)關(guān)系見(jiàn)表3?？梢钥闯鲆酝ㄇ诤突丶覟槟康牡某鲂谢顒?dòng)具有很強(qiáng)的時(shí)效性，而其他類(lèi)型的活動(dòng)出行時(shí)間分布則較為廣泛。

表3 可觀測(cè)狀態(tài)與出行目的對(duì)應(yīng)結(jié)果

將模型識(shí)別結(jié)果對(duì)乘客出行目的進(jìn)行統(tǒng)計(jì)，并與實(shí)際調(diào)查結(jié)果進(jìn)行對(duì)比，對(duì)比情況見(jiàn)表4。

表4 模型識(shí)別結(jié)果與調(diào)查結(jié)果對(duì)比

根據(jù)對(duì)比結(jié)果，模型對(duì)以通勤和回家為目的的活動(dòng)識(shí)別結(jié)果與調(diào)查結(jié)果吻合度較高，誤差率分別為12%、6%，而對(duì)其他類(lèi)型的活動(dòng)識(shí)別結(jié)果則偏差略大，這也表明在石家莊公交車(chē)出行是居民較為主要的通勤方式，而在進(jìn)行其他活動(dòng)時(shí)人們往往更傾向于選擇其他更為便捷交通方式，而這可能也是導(dǎo)致模型對(duì)其他類(lèi)型出行活動(dòng)識(shí)別結(jié)果不夠準(zhǔn)確的因素之一。

3.2 結(jié)果分析

根據(jù)模型識(shí)別結(jié)果，各活動(dòng)之間的轉(zhuǎn)移概率如表5所示。活動(dòng)間的轉(zhuǎn)移概率可在一定程度上反映居民出行鏈中活動(dòng)與活動(dòng)間的相互關(guān)系?？梢钥闯觯丝屯ㄇ谥笞羁赡艿男谐淌腔丶?；外出辦公之后行程為回家的居多，返回工作地的次之；購(gòu)物之后回家的可能性最高，而在基于家的活動(dòng)之后通勤出行概率最大；在進(jìn)行其他類(lèi)型的活動(dòng)之后往往會(huì)繼續(xù)進(jìn)行該類(lèi)活動(dòng)。各類(lèi)型出行鏈占比如表6所示。由表6可知，通勤活動(dòng)是公交出行鏈中最主要的部分。

表5 活動(dòng)間轉(zhuǎn)移概率

表6 各類(lèi)出行鏈占比

4 結(jié)論

利用公交IC卡數(shù)據(jù)，基于乘客乘車(chē)時(shí)間及乘車(chē)站點(diǎn)周邊土地類(lèi)型，構(gòu)造隱馬爾可夫模型對(duì)其出行目的進(jìn)行識(shí)別，進(jìn)而提取公交車(chē)乘客出行鏈，從出行鏈角度對(duì)乘客出行特征進(jìn)行研究。得出如下結(jié)論。

(1)利用乘客公交IC卡數(shù)據(jù)，結(jié)合站點(diǎn)周邊土地類(lèi)型構(gòu)建隱馬爾可夫模型，對(duì)乘客出行目的進(jìn)行識(shí)別，進(jìn)而提取完整出行鏈以研究出行特征。模型識(shí)別結(jié)果與實(shí)際調(diào)查結(jié)果相比吻合度較好。

(2)在工作日，公交車(chē)乘客以通勤為目的的出行最多，其他類(lèi)型的活動(dòng)選擇公交以外的出行方式的可能性更大。

(3)公交車(chē)乘客的通勤出行具有很強(qiáng)的時(shí)效性，其他類(lèi)型的活動(dòng)出行時(shí)間分布則無(wú)固定時(shí)間。