详情

原文传递基于多源数据的城市轨道出行行为分析方法与模型研究

论文题名：	基于多源数据的城市轨道出行行为分析方法与模型研究
关键词：	轨道交通;多源数据;出行行为;路径识别;人群分类;模型研究;客流预测
摘要：	城市居民轨道出行行为特征是城市轨道断面客流预测、制定线网规划方案以及站点TOD开发分析等业务的重要数据支撑。构建优质的城市轨道交通运营体系，需要精准掌握乘客轨道交通出行行为特征，了解轨道交通内部客流的路径，明确换乘站客流分布特征，分析城市轨道客流出行选择行为机理。常规单一数据方法对轨道交通完整出行链信息的采集能力不足，常存在误差或遗漏。传统的交通选择行为预测主要基于问卷数据，模型的精度仅依靠拟合度和命中率评估，缺乏真实数据验证，同时传统的出行选择行为模型由于对出行人群特征没有进行细致的分析，导致模型效用函数的随机参数值选择相对粗略，尚需进一步细化。受制于数据获取困难、数据信息不完整、数据与模型结构不一致、多源数据融合利用困难等原因，目前利用手机信令、轨道AFC、出行行为调查等多源数据研究轨道客流出行行为特征并进行轨道出行选择行为建模仍处于探索阶段，有待进一步研究。因此，本文利用手机信令、轨道AFC、出行日志与GPS、出行行为调查等多源数据研究轨道内部出行路径以及轨道出行站外OD位置点等出行行为，在此基础上构建和优化轨道行为选择混合Logit模型，提出融合多源数据的行为模型研究方法，并基于人群分类分析最优的行为模型参数值。论文主要研究内容及成果如下：　　1.研究了多源数据与轨道出行行为之间的关联性。本文研究了手机信令、轨道AFC、出行日志与GPS、出行行为调查等四种数据各自的特点，所能获得的出行特征，及其与出行选择行为的关联分析。探讨了如何更好发挥多源数据之间的互补性，来识别轨道交通出行行为特征。　　2.研究了多源数据的采集方法、处理方法，设计了出行日志调查实验和出行问卷调查方案，为轨道交通出行行为研究和选择行为模型构建提供了基础数据支撑。论文讨论了不同数据的采集时间、采集范围、采集方法等，以重庆市为例同步采集了手机信令数据、轨道AFC数据等多源数据，对各种数据提出了处理方法，并征集12位志愿者开展了30天的出行日志数据采集实验，通过线上线下共收集1000份问卷开展了出行行为数据采集实验。　　3.提出了基于K短路和尼德曼—翁施算法的轨道内部出行路径识别方法。针对传统对轨道内部出行路径提取多为基于AFC数据的集计样本理论模型推算，识别个体出行特征的准确性有待提升的问题。论文提出了融合手机信令数据、AFC数据、出行日志数据的个体轨道内部出行路径识别算法。在轨道基站库标定中，通过志愿者多次出行，融合DBSCAN密度聚类算法，分别标定轨道站点、轨道线路的基站库以及地面站点、地下站点的轨道基站库。在识别轨道进出站点过程中，基于乘客连接的基站序列识别轨道进站与出站行为，考虑站点相邻关系，提出了K短路算法识别乘客个体出行换乘站点，采用尼德曼-翁施算法将K条基站序列与乘客轨道内部出行连接基站序列进行相似度匹配，避免传统方法的主观设定影响，从而构建个体完整轨道出行路径信息，并分别同志愿者出行日志数据与AFC数据对比。志愿者信令数据进出站识别精度分别为81.93%，80.58%，换乘站点识别精度为80.33%；个体进出站识别结果精度分别为82.23%、80.25%。本文所提出的基于K短路和尼德曼—翁施算法的轨道内部出行路径识别方法能够有效识别个体轨道内部出行信息，满足轨道交通运营管理需要。　　4.构建了基于多源数据和时空密度聚类算法的轨道出行站外OD位置点识别新方法。针对基于手机信令数据的出行OD位置点识别聚类算法存在时间和空间阈值参数设置主观，缺乏对聚类参数的优化选择算法，导致模型普适性和抗干扰性较弱。论文采用志愿者手机信令数据、出行日志数据与GPS数据等多源数据，以时空密度聚类算法为基础，分别采用融合遗传算法和模拟退火算法两种算法优化聚类参数，构建轨道出行站外OD位置点识别新方法。实证结果表明，遗传算法结果优于模拟退火算法，通过对比志愿者实际出行日志、GPS等数据，志愿者出行站外OD位置点识别平均误差为634米。　　5.建立了基于多源数据出行方式选择行为模型研究及优化方法。论文以手机信令数据、轨道AFC数据、出行行为调查数据等多源数据为基础，通过分析变量选取、参数估计抽样方法和异质性参数分布对混合Logit模型预测精度的影响，提出了基于多源数据的轨道分担率计算与人群分类的行为模型研究及优化方法。一方面，构建轨道行为选择混合Logit模型，利用逐步回归法优化出行行为模型解释变量选择过程，并融合手机数据轨道分担率计算结果，量化研究不同行为模型基础理论、建模方法和随机参数分布、抽样方法等的模型预测过程及效果，提出行为模型研究与优化方法，提升轨道分担率预测精度；另一方面，提出融合多源数据的方式选择行为模型参数优化方法，基于人群分类分析最优的模型参数。研究结果表明，随机参数分布和抽样方法的选取对模型预测精度有较大影响，采用正态分布随机参数、变序Halton抽样方法时，模型的预测效果最好，预测误差小于6.38%。基于人群分类优化参数后的方式选择行为模型预测误差仅为3.82%，预测精度提高了2.56%。本文研究成果证明利用多源数据研究与优化出行选择行为模型是可行且有效的。
作者：	刘海洲
专业：	交通运输工程;交通运输规划与管理
导师：	邵毅明
授予学位：	博士
授予学位单位：	重庆交通大学
学位年度：	2022