朋友圈信息交互对个体出行决策行为的影响研究

刘天亮,张 冲,王天歌,吴国寯

(北京航空航天大学经济管理学院,北京100191)

朋友圈信息交互对个体出行决策行为的影响研究

刘天亮*,张 冲,王天歌,吴国寯

(北京航空航天大学经济管理学院,北京100191)

现有关于交通信息对出行决策影响的研究大多基于ATIS提供的交通信息,而探讨通过非正式的社交渠道即朋友圈获得的交通信息对出行决策的影响尚不多见.通过进行可控的交通行为实验,探讨了朋友圈的交通信息交互对个体出行决策行为的影响.实验结果表明:朋友圈交通信息交互率为33.3%时,系统整体达到最优;信息交互率为75%时,达到用户最优;当网络由系统最优移近用户最优时,人均出行时间与成本有所增加;相比用户最优,系统最优时的出发时刻调整情况比较分散,而路径选择情况则相对集中.

城市交通;出行决策;实验研究;朋友圈信息交互;系统最优

通过线路编号、站点编号或车辆编号等在一段时期内保持不变的静态信息,可以实现公交IC卡数据和AVL数据的的关联,如图1所示.

图1 公交系统数据之间的联系Fig.1 Internal connection between public transportation system data

3 公交换乘过程分析

公交换乘行为产生于公交出行过程中.所谓公交出行过程,即乘客利用公交网络从出行起点转移到出行终点的过程.整个公交过程涉及到出发地点O、上车站点、下车站点和到达地点D等空间节点.当出行过程中存在多个上车站点和下车站点时,则说明乘客发生了转换公交线路的行为,即公交换乘行为.公交出行过程示意图如图2所示.

图2 公交出行过程示意图Fig.2 Sketch of a bus trip process

为了研究方便,把乘客在换乘前后乘坐的两条公交线路分别记为线路A和线路B,乘客在线路A和线路B的上车站点分别记为和S,下车站点分别记为和如图2所示.其中,乘客从线路A的站点下车到线路B的站点上车即为一个换乘过程.

根据换乘站点的位置关系,公交换乘可以分为同站换乘(图3)和异站换乘(图4).其中,同站换乘指公交乘客下车后,在同一站点(甚至是同站台)换乘目标公交线路；异站换乘指公交乘客下车后,需步行至其他站点换乘目标公交线路.

图3 常见公交换乘方式——同站换乘Fig.3 Common public transit transfer modes:transfer inside one station

图4 常见公交换乘方式——异站换乘Fig.4 Common public transit transfer modes:transfer between different stations

从空间角度看,公交换乘过程比较复杂,但是从时间角度来分析,公交换乘过程可以用出发时间to、步行到站时间ta、上车时间ton、下车时间toff和到达时间td等时间节点唯一描述:乘客在时刻从线路A的站点下车,时刻步行至线路B的站点,并于时刻乘坐线路B,如图5所示.

图5 公交出行过程中的时间节点Fig.5 Key time nodes of a bus trip process

4 公交换乘行为识别算法和流程

基本思路:以公交IC卡和AVL数据为基础,提取公交乘客的换乘时间链→→B,通过比较换乘前下车时间、换乘上车时间与换乘线路的车辆到站时间,进行公交换乘行为判断.

其主要步骤是:

步骤1 数据清洗.

在分析前应首先对公交IC卡和AVL数据进行清洗,以修正或剔除其中存在问题的数据,如存储格式错误、车辆编号(或车牌号)缺失、数据重复和时间基准不一致等.

步骤2 初步筛选数据.

为了提高算法效率,对公交IC卡数据进行初步筛选,如图6所示,通过连续两次刷卡的时间差与预设换乘时间阀值的比较,剔除明显不是换乘的刷卡记录.此处的阀值可以根据居民出行调查或长期的数据分析基础设置.

图6 IC卡数据的初步筛选Fig.6 Preliminary IC data cleaning

步骤3 判断上车站点.

一般而言,公交IC卡的刷卡时间即可以认为是乘客的上车时间,而上车站点则需要结合AVL数据进行判断.首先,通过车辆编号和刷卡时间在车辆AVL数据中找到对应车辆在当前时刻的位置数据,然后将其与站点位置数据进行匹配,从而判断出上车站点和,如图7所示.

图7 上车站点判断流程Fig.7 Process of recognizing boarding station

步骤4 查找线路间可换乘的站点.

步骤5 下车时间判断.

步骤6 步行时间估算.

步骤7 换乘线路车辆到站时间查询.

步骤8 换乘判断.

这里根据公交乘客的出行特点假设一个“随到随走”原则,即公交乘客在站台候车过程中,总是乘坐目标线路到达站台的第一辆公交车.基于该假设,如果在时刻与时刻之间没有其他公交车辆(除以外)到达站点,则认为连续两次刷卡记录为换乘；如果有其他车辆(如图8中的)到达站点,则认为不是换乘.换乘判断如图8所示.

图8 换乘判断示意图Fig.8 Sketch of the rule to identify transfer

5 算法应用与验证

本文以苏州市某乘客的公交IC卡刷卡记录为例来验证算法的合理性.

(1)数据清洗.

目前,苏州市的公交IC卡时间以车载POS机的系统时间为基准,AVL数据中的时间则是以GPS系统时间为基准.而车载POS机时间存在“漂移”现象,因此需要对公交IC卡时间进行校正.校正结果如表3所示.

表3 校正后的公交IC卡数据Table 3 Time-adjusted IC data

通过计算,可得表中连续两次刷卡记录的时间间隔Δt为28 min 20 s.而依据经验,换乘时间阀值ΔT一般设定为30 min[6].因此,根据连续两次刷卡的时间间隔可判断这两次刷卡记录属于换乘出行.

(2)上车站点判断.

根据车辆进出站数据,可以判断出两次刷卡分别是在4路公交线(往太平山方向)的解放新村站和319路公交线(往解放西路方向)的象牙新村站.

(3)下车时间判断.

根据站点位置数据可知,4路公交线(往太平山方向)上的象牙新村站(N)可以与319路公交线(往解放西路方向)的象牙新村站(S)换乘.因此假设该乘客是通过象牙新村站的上下行两个站台实现4路到319路的换乘,则乘客换乘前的下车的时间即为换乘前所乘公交车(苏E-4E723)到达象牙新村站的时间18:16:19.如图9所示.

(4)步行时间估算.

根据计算,象牙新村站上下行两站点之间的步行长度约为110 m.根据卡类型,可知该乘客为老年人.相关研究[9]表明,老年人的步行速度的变化范围是0.58 m/s～1.55 m/s.取老年人步行速度为v=0.9 m/s,则步行时间Twalk=110/0.9=120 s,乘客步行到站时间为=+=18:18:21.

图9 上车站点和下车时间判断结果Fig.9 Results of boarding station and previous alighting time recognition

(5)换乘判断.

图10 换乘时间节点示意图Fig.10 Point-in-time map for identifying transfer

(6)判断结果验证.

通过研究4路和319路公交线的走向后发现,如果该乘客在4路和319路上的两次刷卡为一次出行的话,应该在图9所示的站点1至站点3进行换乘,这样可以大大减少在公交车内乘坐的时间,更早地到达目的地.同时通过站点间距离的计算还发现,在站点1至站点3换乘的步行距离更短.以上分析表明,表3所示的连续两次刷卡记录应该属于两次独立的公交出行,并没有换乘关系.通过大量数据的分析显示,在数据清洗良好(尤其是系统时间差修正正确)的前提之下,本文所介绍的换乘行为识别算法具有较高的识别正确率.

6 研究结论

本文从公交出行过程的特点出发,在公交换乘行为识别算法中引入AVL数据,弥补了IC卡数据信息不足的问题.本算法通过公交IC卡数据与AVL数据的有效整合,挖掘出了公交乘客准确的下车时间信息,并根据站点间的距离对换乘步行时间进行了估算.据此通过比较乘客的步行到达换乘站点的时间与换乘线路的车辆到站时间,来进行换乘行为判断.由于下车时间的推断是准确的,因此本算法比直接通过刷卡时间间隔判断更加合理和准确.本算法流程能适应不同时段、海量数据的自动化运算,可以为城市公交枢纽的规划建设和运营管理提供大量翔实可靠的数据.

受数据条件限制,本算法也存在一定的不足:

①本算法假设公交乘客随到随走,而实际上当车辆满载或过载时,公交乘客会主动或被动地选择下一辆公交车.由于目前的公交系统数据尚不能提供准确的车内载客量数据,还无法对车辆是否满载或过载进行有效判断.

②国内大部分城市的公交IC卡系统与车辆定位系统是相互独立的,这直接导致目前公交IC卡数据和车辆定位数据的时间不一致,既增加了数据处理的难度,同时也降低了算法精度.

目前,部分城市已经着手将公交IC卡系统和车辆定位系统进行对接,这样就可以彻底解决数据时间不一致的问题,避免了时间修正的步骤和时间修正不正确导致的误差.如果能将车辆站点信息直接存储到公交IC卡数据中,可以进一步简化算法的步骤.

[1] 汪江洪.公交换乘系统研究及其评价[D].西南交通大学,2006.[WANG J H.Study on transfer system of urban passenger transportation and It's evaluation[D]. Southwest Jiaotong University,2006.]

[2] Marie-Pier Pelletier,Martin Trépanier,Catherine Morency. Smart card data use in public transit:A literature review [J].Transportation Research Part C,2011,19(4): 557-568.

[3] Markus Hofmann,Simon P Wilson,Peter White.Automated identification of linked trips at trip level using electronic fare collection data[C]//Transportation Research Board 88th Annual Meeting,2009.

[4] Catherine Seaborn,Nigel H M Wilson,John Attanucci. Using smart card fare payment data to analyze multimodal public transport journeys(London,UK)[C]// TransportationResearchBoard88thAnnual Meeting,2009.

[5] 高永,邓小勇.基于IC卡数据的公交换乘识别方法[C].第三届中国智能交通年会论文汇编.2007. [GAO Y,DENG X Y.Recognition method of transit transfer based on intelligent card record data[C]// Proceedings of the 3rd China Annual Conference on ITS,2007.]

[6] 吴祥国.基于公交IC卡和GPS数据的居民公交出行OD矩阵推导与应用[D].山东大学,2011.[WU X G.Urban public transportation trip OD matrix inference and application based on bus IC card data and GPS data [D].Shandong University.2011.]

[7] 张孜,邹亮,朱玲湘.基于公交IC卡的公交换乘数据获取方法研究[J].交通信息与安全,2011,29 (164).[ZHANG Z,ZOU L,ZHU L X.Method to collect public transportation transfer data based on IC card[J].Journal of Transportation Information and Safety,2011,29(164).]

[8] 翟长旭,周涛,高志刚.基于公交IC卡数据的公交OD推算技术研究[C].中国城市交通规划2006年年会暨第22次学术研讨会.2006.[DI C X,ZHOU T,GAO Z G.The research of the technology of deducing the public transit OD matrix base on the data of bus intelligent card[C].2006 Annual Meeting of China Urban Traffic Planning,2006.]

[9] 孔令铮,徐若瀛,许逸伦,等.信号交叉口行人过街步行速度的调查与研究[J].交通标准化,2010 (24):86-89.[KONG L Z,XU R Y,XU Y L,et al. Investigation and study on pedestrian crossing speed at signalized intersection[J].Transport Standardization, 2010(24):86-89.]

Effects of Friends'Information Interaction on Travel Decisions

LIU Tian-liang,ZHANG Chong,WANG Tian-ge,WU Guo-jun
(School of Economics and Management,Beihang University,Beijing 100191,China)

Many existing studies focus on the effects of traffic information from ATIS on travel choices. Research on the effect of friends'travel information on people's travel choice is uncommon,yet needed.In this paper,behavioral experiments are conducted to discuss what the effects of information interaction with friends can bring on individual travel decision behavior.The experimental results concluded that when the rate of friends'information interaction reaches 33.3%,the whole system is at an optimal level. Furthermore,users reach an optimum when the rate of friends'travel information interaction is 75%.The average time and cost per person is increasing when the whole system optimum transfers to the user optimum. Moreover,adjustments of departure time at the system optimum are more dispersed than at the user optimum,while travel choice changes are more concentrated.

urban traffic；travel decision；experimental study；information interaction with friends；system optimum

U491

A

U491

A

1009-6744(2013)06-0086-08

2013-06-07

2013-08-26录用日期:2013-09-23

国家自然科学基金项目(71271001,70901046)；国家重点基础研究发展计划项目(2012CB725401)；中央高校基本科研业务费(YWF-13-A02-005).

刘天亮(1981-),男,山东济宁人,博士,副教授.

*通讯作者:liutianliang@buaa.edu.cn