基于紧密社会关系的地铁规律结伴乘客出行模式研究

doi:10.3969/j.issn.1674-0696.2024.12.06

重庆交通大学学报（自然科学版） ›› 2024, Vol. 43 ›› Issue (12): 47-54.DOI: 10.3969/j.issn.1674-0696.2024.12.06

• 交通+大数据人工智能 • 上一篇

基于紧密社会关系的地铁规律结伴乘客出行模式研究

杨静1，饶海洋1，张红亮2, 3，喻言1，周浪雅4

(1. 北京建筑大学土木与交通工程学院，北京 100044； 2. 北京交通大学交通运输学院，北京 100044； 3. 北京交通大学智能铁路研究院，北京 100044； 4. 中国铁道科学研究院集团有限公司运输及经济研究所，北京 100081)

收稿日期:2024-04-18 修回日期:2024-08-08 发布日期:2024-12-24
作者简介:杨静（1980—），女，河北张家口人，副教授，博士，主要从事交通枢纽与交通行为方面的研究。E-mail：yangj@bucea.edu.cn 通信作者：饶海洋（2000—），男，贵州铜仁人，硕士研究生，主要从事交通行为方面的研究。E-mail：2108590022150@stu.bucea.edu.cn
基金资助:
中央高校基本科研业务费专项资金项目(2023JBZX003)；中国铁道科学研究院集团有限公司科研项目(2022YJ008)；北京市属高等学校高水平科研创新团队建设支持计划项目(BPHR20220109)

Metro Regular Companion Passenger Travel Patterns Based on Close Social Relation

YANG Jing1, RAO Haiyang1, ZHANG Hongliang2,3, YU Yan1, ZHOU Langya4

(1. School of Civil and Transportation Engineering, Beijing University of Civil Engineering and Architecture, Beijing 100044, China; 2. School of Traffic and Transportation, Beijing Jiaotong University, Beijing 100044, China; 3. Academy of Intelligent Railway, Beijing Jiaotong University, Beijing 100044, China; 4. Transportation & Economics Research Institute, China Academy of Railway Sciences Co., Ltd., Beijing 100081, China)

Received:2024-04-18 Revised:2024-08-08 Published:2024-12-24

摘要/Abstract

摘要： 结伴乘客的行为模式是组内各成员交通需求的综合体现，特别是基于紧密社会关系的规律结伴行为，对于交通组织和规划部门了解结伴乘客需求并提供针对性服务、管理至关重要。基于北京市公共交通智能卡数据(smart card data, SCD)的地铁刷卡数据，通过分析出行过程中的人际距离及结伴行为发生频率，提出了规律结伴乘客的识别规则；为了探究不同类型结伴乘客的出行规律，从时间和空间维度出发，选取首次出发时间均值、末次出发时间均值、首次出发时间变异系数、末次出发时间变异系数、结伴OD重复率作为聚类指标，通过这些指标将结伴乘客出行模式分为3种主要类型，并根据出行特征将其命名为：娱乐早出行结伴模式、娱乐晚归结伴模式和通勤结伴模式；针对不同类型的结伴乘客，提出了个性化的票务政策，这些个性化的票务政策旨在满足不同类型结伴乘客的需求，提高公共交通的吸引力和竞争力。

关键词: 交通工程；城市轨道交通；紧密社会关系；规律结伴乘客；乘客出行模式；K-means

Abstract: The behavior pattern of companion passengers is a comprehensive embodiment of the transportation needs of each member of the group, especially the regular companion behavior based on close social relations, which is very important for the transportation organization and planning department to understand the needs of companion passengers and provide targeted services and management. Based on the subway card data of smart card data (SCD) of public transportation in Beijing, the identification rules of regular companion passengers were proposed by analyzing the interpersonal distance and the frequency of companion behavior during travel. In order to explore the travel patterns of different types of companion passengers, starting from the dimensions of time and space, the mean value of first departure time, the mean value of last departure time, the coefficient of variation of the first departure time, the coefficient of variation of the last departure time, and the OD repetition rate of the companion passengers were selected as the clustering indicators. Based on these indicators, companion passenger travel patterns were classified into three main types and named according to their travel characteristics: entertainment early travel companion mode, entertainment late return companion mode and commuting companion mode. For different types of companion passengers, the personalized ticketing policies were proposed. These personalized ticketing policies aim to meet the needs of different types of companion passengers and improve the attractiveness and competitiveness of public transport.

Key words: traffic engineering; urban rail transit; close social relation; metro regular companion passengers; passenger travel patterns; K-means

中图分类号:

U231

杨静1，饶海洋1，张红亮2, 3，喻言1，周浪雅4. 基于紧密社会关系的地铁规律结伴乘客出行模式研究[J]. 重庆交通大学学报（自然科学版）, 2024, 43(12): 47-54.

YANG Jing1, RAO Haiyang1, ZHANG Hongliang2,3, YU Yan1, ZHOU Langya4. Metro Regular Companion Passenger Travel Patterns Based on Close Social Relation[J]. Journal of Chongqing Jiaotong University(Natural Science), 2024, 43(12): 47-54.

参考文献

［1］许伊婷, 张蕊. 基于同伴群行人仿真的通道设置研究［J］. 系统仿真学报, 2019, 31(11): 2477-2484.
XU Yiting, ZHANG Rui. Research on corridor setting based on pedestrian simulation of social groups［J］.Journal of System Simulation, 2019, 31(11): 2477-2484.
［2］陈赛. 地铁车站T字型通道行人通行效率研究［D］. 北京: 北京交通大学, 2018.
CHEN Sai.Study on Pedestrian Traffic Efficiency of T-Shaped Passage in Subway Station［D］. Beijing: Beijing Jiaotong University, 2018.
［3］ BULIUNG R N, KANAROGLOU P S. A GIS toolkit for exploring geographies of household activity/travel behavior［J］.Journal of Transport Geography, 2006, 14(1): 35-51.
［4］ ZHANG Yongping, MARTENS K, LONG Ying. Revealing group travel behavior patterns with public transit smart card data［J］.Travel Behavior and Society, 2018, 10: 42-52.
［5］朱康丽. 大数据视角下城市轨道交通结伴出行识别方法及行为复杂性研究［D］. 北京: 北京交通大学, 2022.
ZHU Kangli.Research on the Identification Method and Behavior Complexity of Urban Rail Transit Group Trips from the Perspective of Big Data［D］. Beijing: Beijing Jiaotong University, 2022.
［6］ SUN Lijun, AXHAUSEN K W, LEE D H, et al. Understanding metropolitan patterns of daily encounters［J］.Proceedings of the National Academy of Sciences of the United States of America, 2013, 110(34): 13774-13779.
［7］ TIAN Xiancai, ZHENG Baihua. Study group travel behavior patterns from large-scale smart card data［C］//2019 IEEE International Conference on Big Data (Big Data). Los Angeles, CA, USA. IEEE, 2019: 1232-1237.
［8］ MA Xiaolei, WU Y J, WANG Yinhai, et al.Mining smart card data for transit riders travel patterns［J］. Transportation Research Part C: Emerging Technologies, 2013, 36: 1-12.
［9］ YE Pengyao, MA Yiqing. Clustering-based travel pattern for individual travel prediction of frequent passengers by using transit smart card［J］.Transportation Research Record: Journal of the Transportation Research Board, 2023, 2677(2): 1278-1287.
［10］ CUI Zhiyong, LONG Ying. Perspectives on stability and mobility of transit passengers travel behavior through smart card data［J］.IET Intelligent Transport Systems, 2019, 13(12): 1761-1769.
［11］周航, 陈学武. 集时空聚类和指标筛选的公共交通通勤者识别［J］. 交通运输工程与信息学报, 2022, 20(1): 89-97.
ZHOU Hang, CHEN Xuewu. Public transportation commuter identification based on spatiotemporal clustering and index screening［J］. Journal of Transportation Engineering and Information, 2022, 20(1): 89-97.
［12］项煜, 陈晓旭, 杨超，等. 基于地铁售检票系统刷卡数据的乘客出行模式分析［J］. 城市轨道交通研究, 2020, 23(6):63-67.
XIANG Yu, CHEN Xiaoxu, YANG Cao, et al. Analysis of passengers travel patterns based on subway automatic fee collection system smart card data［J］. Urban Mass Transit, 2020, 23(6):63-67.
［13］ HALL E T. The Hidden Dimension［M］. New York: Anchor Books, 1988.
［14］常丹. 地铁行人微观行为参数量化研究［D］. 北京: 北京交通大学, 2010.
CHANG Dan.Quantified Study of Microscopic Pedestrian Behavior Parameters in Subway［D］. Beijing: Beijing Jiaotong University, 2010.
［15］李亮，赵星，张海燕，等. 基于时空维度变量的杭州市轨道交通站点聚类研究［J］ . 北京交通大学学报, 2022, 46(4):31-42.
LI Liang, ZHAO Xing, ZHANG Haiyan, et al. Clustering research on Hangzhou metro station based on spatiotemporal variables［J］. Journal of Beijing Jiaotong University, 2022, 46(4):31-42.

[1]	杨冀琴1，田秦2，徐占东2，雷莉3. 市轨道交通网络首班车时段时刻表优化研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(08): 50-56.
[2]	曹力桥1，王志斌2，周丁恒3. PBA车站扣拱施工顺序对上部跨河桥沉降影响分析[J]. 重庆交通大学学报（自然科学版）, 2021, 40(01): 79-86.
[3]	李霄辉. 紧邻铁路线路地铁站基坑施工过程变形分析[J]. 重庆交通大学学报（自然科学版）, 2020, 39(02): 95-102.
[4]	颜猛. 基于区间直觉模糊集的城市轨道交通施工风险评价[J]. 重庆交通大学学报（自然科学版）, 2019, 38(10): 68-73.
[5]	谌微微1，张富贵2，赵晓波2. 轨道交通线网拓扑结构模型及节点重要度分析[J]. 重庆交通大学学报（自然科学版）, 2019, 38(07): 107-113.
[6]	张洋1，张志刚1，钱栋1，田林亚2，毕继鑫2. 基于C#与SQL Server的隧道洞门钢环检测系统[J]. 重庆交通大学学报（自然科学版）, 2017, 36(12): 18-21.
[7]	陈俊. 列车荷载作用下地基动力及沉降特性分析[J]. 重庆交通大学学报（自然科学版）, 2017, 36(9): 32-38.
[8]	黎钜宏，吴明辉，李俊尧，陶熹. 梁板（柱）刚度比对地铁车站结构内力的影响研究[J]. 重庆交通大学学报（自然科学版）, 2016, 35(5): 74-78.
[9]	吴贤国，黄艳华，刘惠涛，张立茂，吴克宝. 基于复杂网络理论的地铁线网脆弱性分析[J]. 重庆交通大学学报（自然科学版）, 2016, 35(4): 93-99.
[10]	朱顺应，吴俣，王红，陈菲菲. 轨道交通乘客满意度不确定性预测与分析[J]. 重庆交通大学学报（自然科学版）, 2015, 34(6): 150-155.
[11]	矫丽丽，徐永能，于世军. 城市轨道交通乘客满意度测评模型[J]. 重庆交通大学学报（自然科学版）, 2012, 31(增1): 638-640.
[12]	王飞. 城市轨道交通敞开式TBM 过站方案及关键技术[J]. 重庆交通大学学报（自然科学版）, 2012, 31(2): 228-235.
[13]	周丰峻，郑磊，周丽，王培涛. 城市大跨度地下空间工程技术研究[J]. 重庆交通大学学报（自然科学版）, 2011, 30(S2): 1146-1151.
[14]	王希旺. 地铁车站防水施工技术探讨[J]. 重庆交通大学学报（自然科学版）, 2008, 27(S1): 967-971.
[15]	李毅. 膨润土防水毯在地铁车站的应用[J]. 重庆交通大学学报（自然科学版）, 2008, 27(S1): 972-975.

基于紧密社会关系的地铁规律结伴乘客出行模式研究

Metro Regular Companion Passenger Travel Patterns Based on Close Social Relation

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics