向红艳, 袁发涛

(重庆交通大学交通运输学院,重庆 400074)

轨道车站是轨道交通的关键节点,是城市居民出行乘降、换乘的主要场所。车站客流识别是研究站点客流集散规律,挖掘乘客出行行为特征的重要方法。对轨道车站客流进行识别,探讨不同类型客流模式间的差异,有助于充分发挥轨道交通在城市公共交通中的骨干作用,为轨道交通运营策略制定及评价提供理论支撑。

随着大数据技术的发展和完善,充分利用多源数据成为精细化研究交通问题的新趋势[1-4]。中外关于轨道车站的研究主要关注的是从乘客出行行为和站点自身属性角度对乘客和站点进行分类,而鲜有车站客流识别研究。在轨道乘客分类方面, Yin等[5]采用模糊C均值聚类进行了基于行为特征的乘客行为模式划分。邹庆茹等[6]强调研究乘客分类的重要性,利用轨道自动售检票(automatic fare collection,AFC)数据能够较好反映乘客个体特征和出行规律的特点,将出行乘客分为5类并分析其出行特征。Kieu等[7]构建了乘客出发时间和出行起讫点(origin-destination, OD)指标,利用基于密度的DBSCAN(density based spatial clustering of application with noise)算法将乘客分为出发时间稳定型、出行起讫点稳定型、通勤乘客及不规律乘客4类。在轨道车站分类方面,冷彪等[8]从地铁客流数据中提取了乘客出行模式和地铁站客流模式,建立了基于隐含狄利克雷分配(latent Dirichlet allocation,LDA)主题模型的区域功能聚类模型,得到不同客流峰段内的区域功能和相互客流关系。李向楠[9]选取轨道交通站点周边环境和站点的自身特点等相关因素,综合因子分析和聚类算法,对站点相似度做定量计算,得到站点分类结果。……