城市轨道换乘站客流拥塞风险识别方法

涂 强，翁剑成，林鹏飞，王 媛

(1.北京市城市规划设计研究院，北京 100045； 2.北京工业大学 交通工程北京市重点实验室，北京 100124)

1 研究背景

大力发展公共交通是解决大城市交通拥堵问题的主要手段. 伴随着职住分离现象的加剧，轨道交通作为承担城市中、长距离大规模客运的主要出行方式，逐渐成为人们通勤出行的首选. 统计数据显示，2012—2014年，北京的轨道交通年平均日客运量从672.56万人次上升到927.86万人次.

表1 北京历年轨道交通日均客运量变化 万人次

在众多轨道站点中，轨道换乘站的重要性更加突出，承担着提高换乘效率的职能. 2015年轨道交通路网日均进站量大于4万人次的17个车站中，有12个站点存在换乘的轨道线路. 在工作日高峰时段，轨道换乘站内客流密度很大，部分瓶颈位置极易发生客流拥塞现象，为换乘站的客运管理带来了不可忽视的安全隐患.

以往对于轨道换乘站客流拥塞风险的研究，主要包括对客流特性的研究和对轨道站点拥堵状况的评价. Hoogendoom等[1]研究了轨道站内双向客流与交织客流的运动规律. Helbin[2]分析了轨道站内各类通行设施对客流的影响.

在对轨道站内客流运动规律进行观察与分析的基础上，国内外学者对于轨道站点评价展开了丰富而全面的研究. 文献[3]根据轨道客流等指标的定量变化，对各类通行设施的服务水平进行等级划分. Tsukaguchi[4]和Mori[5]基于客流特征变化对轨道站点内的通行设施进行评价，Sarker[6]主要从轨道站内出行者的便利快捷、舒适安全等角度，对通行设施的服务水平进行划分.

国内学者也对轨道站点评价展开了多层次的研究. 黄洪超[7]基于对轨道换乘站内客流密度和速度的分析，对客流安全状态进行等级划分. 陈艳艳等[8]基于交通仿真和调查，以客流量和客流密度对轨道站内拥堵程度进行评价. 孙宇星等[9]提出了轨道交通换乘客流检测与信息管理的系统解决方案. 刘浩然[10]提出客流密集度指数，用于衡量轨道交通客流分布的拥挤程度. 王雪梅等[11]采用三层指标体系和层次分析法评价轨道客流状态.

针对轨道站点安全评价的研究，大多属于静态评价，难以根据具有时变特征的客流数据进行有效更新. 同时，对于客流拥塞机理的研究，往往能部分反映客流运动规律，却很难真正意义上对客流进行高精度的仿真和模拟. 这是由于交通安全系统的灰色性，即“部分信息已知，部分信息未知”，因此尽管很多评价方法试图从多角度综合评价轨道站点的安全水平，却仍然具有一定的局限性. 对于此类灰色系统的问题，灰色理论是一种行而有效的方法.

因此，本文通过轨道AFC数据提取换乘站客流信息，并提出基于灰色聚类的轨道换乘站客流拥塞风险识别方法，为换乘站客流拥塞预警提供支撑.

2 客流拥塞风险评价指标提取

2.1 评价指标选取

基于轨道AFC系统刷卡数据，可实现对轨道换乘站客流的实时监测. 根据轨道换乘站内部不同的客流走向，可将客流划分为3大类：进站客流、出站客流、换乘客流. 在通行设施供给能力保持不变的条件下，三类客流随时间的变化特征会对轨道内的客流拥塞风险产生主要影响.

2.2 换乘客流识别

基于轨道AFC系统刷卡数据，可直接实现对轨道换乘站点进、出站客流的提取. 由于轨道内部换乘不需要进、出站，因此无法直接根据刷卡数据获取换乘客流信息. 本文提出了一种基于轨迹判断的换乘客流识别方法，可较为准确地提取轨道换乘客流信息，为拥塞风险评价奠定基础.

2.2.1 轨道AFC原始交易数据预处理

AFC原始交易数据表共有42个字段，提取主要字段包括：用户卡号、进站线路及车站编码、进站时间、出站线路及车站编码、出站时间、交易状态(见表2).

剔除错误数据和筛选有效数据的规则如下：

1)剔除进、出站时间不在同一天的交易数据；

2)剔除出站时间早于进站时间的交易数据；

3)剔除刷卡数据记录中进、出站车站编码相同的记录；

4)筛选出“交易状态”字段为“2”(2代表此记录处于交易已完成状态)的数据.

表2 AFC原始交易数据

2.2.2 轨道交通出行站点轨迹判断及换乘识别

为识别轨道交通内部换乘客流，需要根据AFC数据对出行者的换乘站点进行判断，并推测换乘时间.

步骤1：轨道交通任意站点间路径及距离确定

为推测换乘时间，需要获取出发站点到换乘站点的距离. 利用A*最短路径算法，搜索出轨道任意站点OD之间的最短路径和距离(表3)，将该路径作为乘客出行路径，添加TRACE字段以记录该路径.

表3 轨道交通任意站点间行程距离搜索结果

步骤2：轨道交通换乘客流识别

基于TRACE字段，可识别轨道交通内部换乘站点，根据出行轨迹中进站车站到换乘车站的距离(dbefore)和换乘车站到出站车站的距离(dafter)以及进站时间(ton)和出站时间(toff)，可以推算换乘时刻(ttranfer)。换乘时刻计算方法如式(1)：

(1)

2.3 客流拥塞风险评价指标选取

基于北京东直门轨道客运换乘站3月5日、7日全天的AFC刷卡数据，以15 min为最小时间单元提取进站、出站和换乘客流. 结果如图1、图2所示.

图1 东直门轨道换乘站(周六)客流量时变特征

图2 东直门轨道换乘站(周一)客流量时变特征

对比图1、图2可以发现，轨道换乘站周末与工作日的客流时变特征差异很大，工作日早晚双峰特征明显，周末早晚高峰时段则与平峰时客流量差异不大. 因此基于客流的时变规律可以对周末与工作日的客流拥塞风险进行有效区分.

进一步观察图2不难发现，进、出站及换乘客流时变特征存在差异. 以东直门站为例，3月5日早高峰出站、换乘客流均大于晚高峰，且换乘客流峰值均大于出站客流；早高峰进站客流小于晚高峰. 此差异与客流潮汐现象有关，东直门站附近用地类型以商业区为主，属于就业型区域，住宅区较少. 因此在早高峰，东直门是主要的出行吸引点，发生量明显小于吸引量.

通过以上分析可知，利用较小时间粒度的客流监测数据可以对轨道换乘站客流拥塞风险进行评价，且由于不同换乘站的进、出站及换乘客流时变特征存在差异，不同走向的客流可能对客流拥塞风险造成不同的影响，因此需要将它们作为3个相对独立的指标.

在上述分析中发现，轨道换乘站客流拥塞风险具有明显的时变特征，因此可将1 d内的各时段作为不同的评价对象，每个时段分别以进站、出站、换乘客流作为评价指标，从而识别1 d内客流拥塞风险较高的时段. 根据北京市地铁运营时间，确定全天的数据采集时段为05:00—23:00，以15 min为最小时间单元，分别基于轨道AFC刷卡数据提取进站、出站和换乘客流.

3 灰色聚类方法

3.1 构建样本矩阵

令聚类评价对象个数为i，在文中对应于运营时间内的不同的评价时段(共18 h，最小时间单元为15 min)，i∈{1,2,…，n}，n=72. 聚类评价指标为j，其中i∈{1,2,3}. 记dij为被评估的样本矩阵式(2).

(2)

3.2 灰类及白化函数值的确定

基于概率统计方法确定评价标准,对评价指标的实际数据进行量纲为一化处理,分析数据的累积百分频率,绘制累积百分频率曲线,将不同累积百分频率所对应的数值作为灰类的白化值. 将轨道换乘站点的客流拥塞风险划分为低风险(1类)、较低风险(2类)、较高风险(3类)、高风险(4类)4个灰类级别. 选取15%、85%累积百分频率的对应点来确定1类和2类的值,选取40%和60%累积百分频率的对应点来确定B和C的值. 4个累积百分频率点对应的特征值为θ1、θ2、θ3、θ4. 由于轨道换乘站点的客流拥塞主要发生在工作日早、晚高峰，因此通过工作日的客流数据计算各指标的特征值. 基于2016年3月7日至11日的轨道AFC刷卡数据，计算统计各时段出站、进站和换乘客流，并进行频率分析.θ1、θ2、θ3、θ4分别为各项指标对应于4类客流拥塞风险水平的白化值.

3.3 构建白化权函数

4种灰类对应的白化权函数如式(3)～(6)：

(3)

(4)

(5)

(6)

图3 白化权函数

式中fA(x)、fB(x)、fC(x)、fD(x)表示各客流拥塞评价指标对应于第A、B、C、D类客流拥塞风险水平的白化权函数.

3.4 计算聚类权重

(7)

式中，ηjk为第j个拥塞评价指标归入第k类客流拥塞风险水平的聚类权；θjk为第j个拥塞评价指标属于第k类客流拥塞风险水平的白化值；n为聚类拥塞评价指标个数，本文中取3.

3.5 灰色聚类分析

根据式(8)求出第i个评价时段对应于第k类客流拥塞风险水平的聚类评估值式(8):

(8)

评价时段i的灰色聚类评估序列σi=(σi1,σi2,σi3,σi4)，评价时段所属客流拥塞风险水平为k*,根据下式确定第i个评价时段的客流拥塞风险水平式(9)：

σik*=max{σi1,σi2,σi3,σi4}

(9)

则称时段i属于第k*个客流拥塞风险水平.

4 案例分析

应用上述评价方法识别北京市东直门轨道换乘站在2016-03-09客流拥塞高风险时段:

步骤1：基于刷卡数据提取计算东直门换乘站3月9日各时段的进站、出站、换乘客流量. 如表4所示：

步骤2：对原始评价数据进行归一化处理，分别绘制各项指标的累积频率分布曲线，确定各风险水平灰类的白化值.

表4 东直门换乘站3种流向的客流提取结果

步骤3：计算聚类权重和聚类评估值.

计算结果显示，3月9日东直门换乘站客流拥塞高风险时段为07:15—10:00及17:15—19:30，基本上与早晚高峰时段重合，说明该换乘站在高峰时段内承受了较大的客流负荷. 在21:00—21:15时段，拥塞风险呈现小高峰状态(3类，较高风险)，与基于实地调查确认的部分下班时间相对滞后的出行人群有关，证明风险评价模型具有较高的敏感度. 计算结果与前文的客流时变特征分析结果相吻合，同时有效地基于3类不同走向的客流数据，实现了15 min时间粒度的客流拥塞风险识别.

图4 东直门换乘站客流拥塞风险灰色聚类评价结果

5 结束语

基于AFC刷卡数据提取了轨道换乘站的客流信息，并将客流走向划分为3类：进站客流、出站客流、换乘客流；在对3类客流时变特征规律的差异性分析中，明确了轨道换乘的评价指标. 鉴于交通安全系统的灰色性，构建基于AFC数据和灰色聚类的轨道换乘站客流拥塞风险识别模型.

在对北京东直门轨道换乘站的案例分析中，该方法有效鉴别出了1 d内客流拥塞风险处于不同等级的时段. 在轨道刷卡数据回传条件相对较好的大城市，该方法有助于实现城市轨道换乘站客流拥塞风险监测，在客流拥塞风险较高时，采取相应的客流管控措施，进而提升轨道换乘站的运营服务水平.