基于多源大数据与个体活动的城市轨道交通客流预测理论研究

With the rapid development of urban rail transit and the broad application of transportation demand management (TDM), it is necessary to predict the impact of demand management policies and optimize them before implementation, but conventional demand forecasting models are planning orientated and cannot well satisfy this needs. In the immerging era of smart city, massive individual data provide the chance to establish urban rail transit demand forecast models specifically for demand management appraisal. In this regard, this project will be dedicated to this topic based on multi-source urban data including smart card data (SCD), cellular phone data, and sharing bike trajectory data, etc. At first, a model is formulated to investigate the relationship between activity patterns, individual attributes and location characteristics for inferring including passengers’ individual attributes and peripheral built environments of rail stations. Besides, a quantitative method for analytical unit zone partition is proposed based on travel pattern similarity. These results provide basic data for model construction. Then, a model is built to disentangle the relationship of travel decision with individual attributes, station characteristics and transportation policies based on machine learning methods. Thus, the stations which will be visited can be forecasted at individual level. Finally, individual travel behavior mechanism is addressed from both temporal and spatial perspectives, and an urban rail transit demand forecast model based on individual activity is developed. The methods can be used to give ex ante evaluation for demand management policies. This study can enrich urban rail transit demand forecast theory, and provide decision support for transportation management department.

城市轨道交通的快速发展和需求管理措施的广泛应用，要求事先有效评估相关需求管理措施对轨道交通客流的影响，提高需求管理水平，而服务于规划设计的传统客流预测模型难以满足需要。智慧城市中海量的城市个体数据为构建适用于需求管理的轨道交通客流预测理论提供了契机。因此，本研究将基于包括交通智能卡数据、手机信令数据、消费数据等多源城市数据，首先构建模型解析个体出行特征、个体属性和活动地点特征的耦合关系，挖掘乘客个人属性、站点周边特征等基础数据，并基于出行相似性提出集计单元划分方法；然后，基于机器学习方法构建模型解析个体属性、站点特征以及交通政策三者与个体出行决策之间的关系，预测个体的访问站点集；最后，分别从时间和空间维度阐明个体的出行行为机理，构建基于个体活动的轨道交通客流预测模型，基于集计单元进行客流需求管理措施的评估。本研究可以丰富轨道交通客流预测理论，为交通管理部门提供决策支持。

以个体出行行为理论为基础的非集计预测模型可以很好地考虑个体异质性以及其他多种因素对出行行为的影响。本项目基于包括交通智能卡数据在内的多源城市数据，从个体出行角度构建轨道交通站点客流预测模型，以充分利用城市大数据，改善基于个体活动的客流预测模型用于工程实践的可能性。.首先，基于非监督式算法构建多源数据关系解析以及信息融合模型，得到个体职住地及经济水平等个体属性信息，带出行目的的出行链数据，站点周边环境特征数据等模型基础数据。综合考虑个体出行相似性以及由可塑性面积单元问题，构建了空间分析区域划分模型，得到更加合理的分析区域划分方案。.然后，基于居民出行决策框架，系统地构建了居民近远期出行决策模型和每日出行时空规划模型。以推荐系统为基础构建模型解析个体属性、站点周边城市建成环境与个体出行决策之间的关系，并预测个体近远期出行决策方案。.同时，基于智能卡数据，分别从时间和空间维度阐明个体的出行行为机理。时间维度，以非齐次半马尔可夫过程描述乘客每天不同时刻活动状态的转移以及活动时长的分布。空间维度，利用探索及偏好性返回(EPR)模型，分析乘客对空间站点选择机理。从而构建个体出行预测模型，按站点集计即可得到轨道交通站点客流预测结果。.然后，基于北京市的相关数据验证模型框架。结果表明，站点客流量的预测相对误差维持在0.25-0.38之间，全网工作日的站间客流量的预测绝对误差维持在每一百万名乘客20人次左右；并且模型结果误差稳定，具有较强的鲁棒性。.最后，针对个体长期出行模式变化进行了专题研究。基于智能卡出行记录依次从频率、时间和空间三维度来序列化表征个体的出行活动，并通过引入贝叶斯变更点检测模型以实现对用户长期出行模式是否会发生改变的统计估算，分析乘客出行模式发生变更的相关影响因素。基于以上理论模型利用西安市轨道交通实际运营数据进行了以乘客个体为对象的轨道交通客流需求分析。