基于SCD大数据的公交通勤时空特征及城市规划响应

Smart card data (SCD), generated by public transit automated fare collection systems, are one type of “big data” with detailed spatiotemporal tags. SCD with increasing availability for researchers generally record detailed boarding and alighting information of each cardholder. Featuring with rich spatiotemporal information for a large-scale of travelers, SCD are promising for analyzing commuting pattern, which has been extensively explored by using travel surveys with limited samples and high expense. This research aims to use one-week bus and subway SCD of over 10 million cardholders of Beijing in 2010, incorporated with a conventional household travel survey and urban GIS datasets, to identify jobs-housing places of cardholders, based on which commuting pattern could be identified, evaluated and visualized. Driving factors of commuting pattern in terms of distance and time would be analyzed to better understand jobs-housing relationships of Beijing. In addition, commuting trips from typical residential communities and to business zones would attract extra attention as case studies in this research. This research, as a first step toward enriching SCD using conventional data, would provide theoretical and methodological references for urban spatial studies using big data. Moreover, empirical results from this research would propose policy implications related with urban spatial and transportation development.

公共交通刷卡数据（smart card data, SCD）是一种具有时空标签的大数据（big data），记录持卡人详细的上下车时空信息。SCD 可用于分析城市通勤出行，以往研究主要基于出行调查数据开展，但调查成本高且样本有限，而SCD 具有连续性好、覆盖面广、时空信息完整等优点。本研究旨在分别利用北京市2010和2013 年连续一周的超过一千万持卡人上亿次的公交和轨道交通刷卡记录，结合传统的居民出行调查和城市地理信息数据，通过数据挖掘方法识别持卡人的居住地和就业地，对通勤出行进行识别、评价、可视化和对比，并分析通勤出行时间和距离的影响因素，识别典型居住区和就业地的通勤出行特征，进而精细刻画北京市通勤出行的时空形态乃至就业-居住关系。本研究提出的从传统数据建立规则用于SCD 数据挖掘的方法，有望为利用大数据开展城市空间结构研究提供理论方法借鉴，并为城乡空间发展和公共交通发展提供政策建议。

本研究分别利用北京市2010和2013年连续一周的超过一千万持卡人上亿次的公交和轨道交通刷卡记录，结合传统的居民出行调查和城市地理信息数据，对通勤出行进行识别、评价、可视化和对比，并分析通勤出行时间和距离的影响因素，识别典型居住区和就业地的通勤出行特征，进而精细的刻画了北京市通勤出行的时空形态乃至职住关系。研究基本按照计划书的计划进行，完成了计划目标，此外还做了额外研究工作。总体产出国内外有影响力的相关论文14篇，其中标注资助的9篇，参加会议两次并均发表论文。..本研究主要取得如下结论：.（1）.公交卡大数据可作为新型数据来研究城市形态.移动定位服务（Location Based Services）如公交刷卡信息可以有效的分析职住环境：比如，评价公交系统的空间时间动态，识别职住环境和通勤，分析通勤规律、时长和距离等。研究成果显示，公交卡数据作为传统调查问卷的的替代品，对于研究空间时间上的城市结构的可行性。同时研究也测试了这种创新的方式可以在未来研究中得到更广泛的使用。..（2）.公交数据研究发现北京城市居民出行情况的不同特点和社会经济阶层.该研究重点研究了极端出行，学生出行，团体和单独出行的对比。在极端出行研究的过程中，课题组建立了用大数据和传统数据结合来做出行分析的框架。在学生出行研究中，研究显示，虽然这些校园与外界的交往频繁，但校园之间的联系则较为薄弱。在团体和单独出行对比研究中发现，两者的出行规律有很大不同，而且这个不同是受到了地铁站周边城市用地的影响。..（3）.基于出行轨迹推导城市功能区.用公交卡数据(Smart Card Data)通过构建DZoF模型，进行了北京市城市功能区的识别，共得到6个类别的功能区，分别为公共管理及科教文化区、风景名胜区、商业娱乐区、成熟居住区、新兴居住区和尚未分类区域。研究结果显示DZoF模型对于北京市城市功能区特征具有一定的识别能力，更重要的是验证了基于大规模的人类活动数据，利用计算机数据挖掘分析技术并结合传统调查统计而开展城市空间结构研究的可行性。