史晟 杨超

(同济大学交通运输工程学院,201804,上海∥第一作者,硕士研究生)

基于出行方式链的城市轨道交通客流分析方法

史晟 杨超

(同济大学交通运输工程学院,201804,上海∥第一作者,硕士研究生)

传统“四阶段”法预测流程无法准确预测与轨道交通接驳的交通方式及换乘客流。借鉴基于活动的交通需求模型中利用出行链来解释人的出行行为的方法,提出了基于出行方式链的轨道交通客流分析方法。使用三层的Nested-Logit模型来模拟出行者选择轨道交通为主要出行方式接驳其他交通方式和预测各种方式的客流,建立了轨道交通出行方式链模型;提出了该方法在实际应用中的分析流程。

出行方式链;城市轨道交通;客流预测

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

轨道交通不是一种“门到门”的交通到达方式,因此居民出行选择轨道交通方式的同时,也面临着一个选择从出行起始端到轨道交通站的出行方式,然后换乘轨道交通,到达后选择从轨道交通站使用另一种出行方式到达出行目的端的过程。这是一个以轨道交通为主的多模式出行过程[1]。

传统的“四阶段”法很难对这些多模式出行客流进行建模,一般仅仅使用轨道交通方式作为这些客流从O点到D点之间的出行方式,这就导致了无法准确预测与轨道交通接驳的交通方式及换乘客流。本文借鉴基于活动的交通需求模型中利用出行链来解释人的出行行为的方法,提出了基于出行方式链的轨道交通客流分析方法的模型和分析流程。

1 轨道交通出行方式链

基于活动的模型认为人一天的出行并不是相互独立的,而是由活动所决定的,受时空属性和居民属性的影响,是以链的方式串联起来进行分析的。

Stephan Krygsman和Martin Dijst在基于活动模型的基础上提出了多模式出行方式链的概念[2]。2001年,他们利用1998年的荷兰全国出行调查数据进行分析,基于数据分析的结构,得到在出行中方式链组合情况、出行的次数、出行时间、出行距离等信息,再通过对数据的回归分析,得出个人属性对于多模式出行方式链的影响。例如:图1是某人一天的上班出行,包含4次出行:①从家到单位,出行方式为私人小汽车;②由单位到餐厅,出行方式为步行;③由餐厅到单位,出行方式为步行;④由单位到家,出行方式为私人小汽车。而使用多模式出行方式链来表述的话,这一天的出行方式链为:私人小汽车—步行—步行—私人小汽车。

图1 某人一天出行示意图

因此,以轨道交通为主的多模式出行也可以用链来表示。例如,某个出行者从出行起始端O选择某种出行方式A到达轨道交通站,使用轨道交通出行方式B,到站后选择某种出行方式C并最终到达出行目的端D的过程,并不是相互孤立的3次选择出行方式的过程;出行者在出行之前就决定了所要选择的轨道交通出行方式和换乘方式,因此整个出行方式可用A—B—C的链状结构表示(如图2)。

图2 轨道交通出行方式链结构示意图

这样的链从理论上讲有25种组合。典型的有:步行—轨道交通—步行,自行车—轨道交通—步行,出租车—轨道交通—步行等。因此定义轨道交通出行方式链的形式为:从出行起始端到轨道交通站的出行方式A→轨道交通方式B→从轨道交通站到目的端的出行方式C这样一个A—B—C的链结构。

2 轨道交通出行方式链模型

2.1 Nested-Logit模型

最为基础的 Logit模型称为多项 Logit模型(Multi-Nomial Logit,简为MNL)。该模型具有简便易用的特性,但也存在不足,即各个选择肢之间必须符合独立同分布假设(Independence from Irrelevant Alternative,简为IIA)。为解决此问题,Williams等人提出了改进型的 Logit,又称巢式Logit(Nested-Logit,简为NL)模型[3]。

图3是一个二层NL模型选择树,用数字来表达选择层:Mn为出行者n的第一层选择方案数;Rin为出行者n与节点i相结合的第一层选择方案数。第n个出行者选择第二层上的任意选择方案(ij)的概率Pn(ij)为:在选择了i条件下选择了j的概率Pn(j|i)与选择了i的概率Pn(i)的乘积[4]。即:

其中:

式中:

Uijn——出行者n选择了方案(ij)的效用;

V(j|i)n——在出行者n选择了方案(ij)时的效用中,由于(ij)和i的组合而变化部分的固定项;

Vin——在出行者n选择了方案(ij)时的效用中,与j无关而随着i变化部分的固定项;

ε(j|i)n——在选择了 i条件下选择(ij)的效用的概率项,设其服从均值为0、方差为的二重指数分布;

εin——选择了i的效用的概率项,设其服从均值为0、方差为的二重指数分布。

图3 NL模型结构示意图

人们在选择以轨道交通为主的多模式出行方式时,首先确定的是所选用的轨道交通线路和换乘的站点,其次才考虑与轨道交通接驳的交通方式。因此图2所示的25种轨道交通方式链之间并非相互独立同分布,使用简单的MNL模型无法描述出行者的选择行为过程。NL模型的层式结构可以将轨道交通方式和换乘站点的选择、接驳方式的选择分成几层,这样既可以模拟出行者的选择行为,又可以消除各种轨道交通方式链之间的影响。因此,本文使用NL模型描述轨道交通出行方式链。

2.2 轨道交通出行方式链模型的结构

轨道交通出行方式链包含A、B、C 3种出行方式,从发生的时间顺序上来看,是A—B—C的顺序,但使用三层的NL模型来描述轨道交通出行方式链时,应该参照活动日志模型的结构,从逻辑顺序上安排3种方式的层次顺序。出行者选择以轨道交通为主要出行方式从O点到达D点时,首先选择的是轨道交通方式的起始站点和到达站点(轨道交通换乘站)[5],这是轨道交通出行方式链模型的第一层;其次确定的是从O点到达轨道交通起始站点所使用的出行方式,这是模型的第二层;最后确定的是从轨道交通到达站点到D点所使用的出行方式,这是模型的第三层。模型的结构见图4。

图4 轨道交通出行方式链模型结构

预测轨道交通出行方式链时,首先从第一层(选择轨道交通出行方式层)开始,然后再考虑出行端到轨道交通起始站的出行方式层,最后考虑从轨道交通到达站到出行目的端的出行方式层。处于上层的模型通过条件概率约束下层模型,而下层模型的总效用的自然对数log S作为上层模型的一个变量。模型标定按照从下往上的顺序从底层开始。

2.3 模型特性变量的选取和检验

本文选用3层的NL模型来标定轨道交通出行方式链,而其中每一层都是一个MNL模型。每一层模型中各个选择肢被选择的概率与其效用有关。每个选择肢的效用为:

式中:

α——该选择肢的常数项;

xi——该选择肢的一个特性变量;

βi——特性变量的参数;

log S下一层——该选择肢下一层模型总效用的log S;

β′——下一层模型log S的参数。

以图 4为例,在第二层选择步行方式后,log S第三层=ln(exp(V步行)+exp(V自行车)+exp(V道路公交)+exp(V出租车)+exp(V私人小汽车))。

由于本模型讨论的是交通换乘方式,主要涉及到各种交通方式的费用、时间(机动车可包括车内时间和车外等待时间),以及出行者本身的收入和年龄等属性,因此在确定特性变量xk之前要使用样本数据对待定的xk进行t检验。当|tk|＞1.96(2.576),则有95%(99%)的概率确定xk是影响选择肢的主要因素之一。即如果xk的|tk|＞1.96,就选取其作为该选择肢的特性变量。

3 模型应用

为了清楚地描述本方法的应用和分析流程,用一个例子完整地描述从数据采集到模型标定到预测的流程。对于确定的OD,模型应用流程如图5所示。首先进行出行者交通行为调查,取得原始数据;对数据进行处理,得到现状客流情况并进行统计分析;代入NL模型中进行变量的检验和选取;利用数据标定模型,得到轨道交通方式换乘链模型;将预测的未来年客流和各种交通方式的经济特征数据代入模型,得到各种换乘方式链未来年的分担比率和客流量。

图5 轨道交通换乘客流预测流程

假设以上海市同济大学嘉定校区为O点,同济大学四平路校区为D点,对该OD之间的出行方式进行分析。涉及轨道交通的出行方案主要有两种:A方案选择轨道交通3号线。其中从O点到3号线起始站只有北安(跨)线公交车可供选择,从3号线到达站到D点只有115路公交车可选择。B方案选择轨道交通11号线换乘轨道交通3号线。其中从O点到11号线起始站可选择接驳车和自行车两种方式,从3号线到达站到D点只有115路公交车可选择。则本实例可以用图6所示的轨道交通方式链模型来表示。各种交通方式的属性见表1。按照图5所示的预测流程,利用所建立的3层NL模型,代入调查样本的数据进行标定,可以得到每一层模型中各种交通方式的分担率(见表2)。

图6 实例模型结构图

表1 各种交通方式属性表

由上面的例子可以看出,使用轨道交通方式链模型不仅预测出了轨道交通方式的分担比率,同时也预测出了其衔接方式的分担比率,这是传统出行方式选择模型所不具备的。值得注意的是:该模型具有转移性,因此当使用现状数据标定模型以后,模型不仅能预测用于标定模型的数据来源OD未来年的各种轨道交通方式链的客流,对于未来年其他相似情况的OD之间的出行,也可以使用本模型预测其各种轨道交通方式链的客流。

表2 分担率预测结果

4 结语

本文基于活动模型中出行链的思想提出了轨道交通出行方式链的模型,从而解决了传统交通预测过程中对于轨道交通站交通换乘方式无法预测的弊端。该模型采用了三层NL模型,首先选择换乘的轨道交通线路,然后选择从出行起始端到轨道交通起始站的出行方式,最后选择从轨道交通到达站到出行目的端的出行方式;并介绍了该模型的特性变量选取和标定方法。用一个简单的实例说明了该模型的实际应用,即用轨道交通出行方式链来预测某个OD之间未来年各种轨道交通出行方式链的客流量。需要指出的是,要想取得更为精确的预测结果,需要选取合理的特性变量,并在方式分担和交通量分配的组合模型中运用本方法。

[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]关宏志.非集计模型——交通行为分析的工具[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)