城市轨道交通客流预测宏观指标统计分析

戢小辉, 安栓庄, 俞懿宸, 谢禹磊

(1. 中铁第四勘察设计院集团有限公司， 武汉 430063；2. 中国地铁工程咨询有限责任公司， 北京 100037； 3. 武汉地铁运营有限公司， 武汉 430063)

城市轨道交通客流预测宏观指标统计分析

戢小辉1, 安栓庄2, 俞懿宸2, 谢禹磊3

(1. 中铁第四勘察设计院集团有限公司， 武汉 430063；2. 中国地铁工程咨询有限责任公司， 北京 100037； 3. 武汉地铁运营有限公司， 武汉 430063)

城市轨道交通客流预测作为需求分析的有效技术手段，其预测结果的可信度和有效性将直接影响决策的精准度，重要性不言而喻。通过对北京、上海、广州、深圳、成都、南京等20余座城市的轨道交通现状运营数据进行全面整理与归纳，系统阐述网络客流、线路客流、车站客流的诸多特征，从负荷强度、网络平均乘距、线路平均运距、换乘系数、断面高峰小时系数、断面不均衡性、换乘客流量级分布、车站超高峰系数等客流预测关键技术指标进行特征探讨与规律总结，以期协助模型工作者更好地把握预测结果的合理性。

城市轨道交通； 客流预测； 客流特征； 成长规律

客流预测是贯穿城市轨道交通规划、建设、运营全过程的环节，是各项工作开展的基础。客流预测是系统网络效益评价、近期项目建设时序选择、系统规模与制式等重大工作决策的依据，在城市轨道交通规划设计体系中占据极其重要的地位。目前，我国城市轨道交通发展迅猛，网络规模不断扩大，轨道交通网络化客流特征逐渐显现，分析、总结相关客流指标的运营特征规律，对于指导后续的客流预测工作具有重要作用，笔者通过剖析20余座国内典型城市的重 要 客 流 指 标 特征[1-12]，以期协助模型工作者更好地把握预测结果的合理性。

1 国内客流预测现状分析

1.1 客流预测值与实际运营值比较

目前，国内客流预测结果与实际运行情况均存在不同程度的误差，本文列举部分误差较大和预测比较精准的线路，其中上海5号线预测误差甚至高达422.39%，见表1。

1.2 客流预测误差产生的原因

城市轨道交通客流预测模型构建十分复杂，影响其预测精度的因素繁多，结合项目实际操作情况，本文主要从技术层面分析相关参数取值的局限性。

表1 部分线路实际运营结果与预测结果比较

1) 对远期或远景的用地把握缺乏弹性。结合用地性质对远期或远景人口岗位进行预测时，容积率与入住率是很难把握的参数。1 hm2居住用地是承载300人、400人抑或更多，1 hm2商业用地承载500或者800个岗位等都是难以预测的。

2) 居民出行强度取值理想化。由于各地交通调查对于出行的定义自主性，以及传统交通调查对于沉默出行的不可避免性，导致各地出行强度取值差异化，或者根本就没法进行校核与横向比较。但本文仍对部分城市的出行强度做了相关统计，从图1中大致可以发现：北方城市的出行强度略低于中南部城市；大城市出行强度略低于小城市；随着时间的推移，部分城市出行强度开始逐渐下降。

图1 部分城市调查居民出行强度Fig.1 Residential trip intensity from city survey

3) 战略交通结构与现实交通结构的矛盾。目前客流预测中采用的交通结构通常为目标导向，是一种需求结构或者称之为理想的交通结构，与实际的交通结构一般都存在差距。从表2、3可以看出现状交通调查数据因城市区位、经济发展状况、交通需求特征等因素的不同，现状交通结构也呈现出多样化的特征；但预测数据却由于政策或者综合交通规划的要求等，整个公共交通结构占比却呈现出相同态势，这也是导致客流预测偏差的重要原因。

表2 部分城市调查交通结构占比

4) 常规公交网络布设主观性太强。尽管目前通过API接口可以抓取谷歌、百度地图中的现状地面公交网络，但是远期或远景地面公交网络设置往往存在说不清道不明的状态，特别是在城市新区。常规公交与轨道交通竞争与合作关系的界定，什么时候是喂给关系，什么时候是竞争关系，网络布设的密度、线路的换乘关系等都需要模型工程师人为设定，这就不可避免地引入了相关误差。

5) 相关人为及其他因素。为了配合既定工程的车辆选型与编组，人为设置容量限制；为了满足网络资源共享，适当干预客流结果；为了满足其他相关行政要求、规划目标，盲目扩大站点吸引范围等人为及其他因素也影响着客流预测的精度。

表3 部分城市预测交通结构

针对以上诸多不可明确或无法避免的误差因素，本文从分析现状运营数据的角度，探寻相关客流指标的内在联系与规律特征，以期帮助模型师更好地理解模型结果，把握客流特征，更有针对性地对模型参数进行调教，提高客流预测工作的信度与效度。

2 网络客流指标特征

2.1 客运量及负荷强度

截至2016年末，国内21座城市拥有2条及以上城轨交通线路，城轨交通网络化运营已成趋势。城轨交通全年完成客运量总计160.9亿人次，同比增长16.6%。图2为2015年相关运营统计数据，从图中可以发现广州是负荷强度最高的城市，一度达到2.6万人次/km，除了几个已经实现网络化运营的城市，诸如上海、北京、西安、武汉等大城市在1.5万人次/km左右，其他城市的负荷强度多集中在0.5万～1.0万人次/km，还有很大的客流增长空间。

图2 2015年城市客运量及负荷强度Fig.2 Passenger volume and load intensity of cities

2.2 平均乘距

通常在轨道交通客流预测报告中，平均乘距主要针对网络，平均运距则是针对单条线路。网络平均乘距反应的是乘客在轨道交通网络内一次出行的乘车行程距离。从国内运营数据(见图3)可以发现： 1) 城市建成区面积越大即城市规模越大，通常网络平均乘距越大，但基本都超过10 km，这可能与本次的数据样本有关，样本偏向大城市； 2) 同一城市，随着网络规模的增长以及线路层次功能的丰富，整个网络的平均乘距也是呈现逐步上涨的趋势，但是增长的趋势在逐步放缓，这主要是由于居民平均出行距离和平均出行时耗的约束，一个城市长大距离的出行占比是非常低的，主要还是集中在中距离出行上，核心区轨道网密度和外围市域线的增加，并不会带来长距离出行需求本质的增加，因而网络的平均乘距增速逐步放缓。

图3 城市网络平均乘距统计Fig.3 Statistics of average trip distance of urban network

2.3 换乘系数

换乘系数的大小反应网络中换乘客流占全网客流的比例，通过相关性分析，发现其与线网规模、线网平均乘距都存在显著相关，其中网络规模的相关性略大于线网平均乘距。线性回归得到网络规模与换乘系数的关系式y=0.001 7x2-0.001 3x+1.270 1(R2=0.902 1)，在客流分析的时候，可以利用该公式大致匡算一下换乘系数。当然，换乘系数还与网络结构，网络中环线、半径线的数量等因素相关，应具体问题具体分析(见图4)。

图4 网络规模与换乘系数的关系Fig.4 Relationship between network scale and transfer coefficient

从北、上、广、深、成都等城市的统计数据(见图5)可以看到如下初步规律：1) 线网规模在200 km左右时，换乘系数一般不会低于1.4；当线网规模达到500 km时，换乘系数一般不会低于1.6；当网络规模继续上涨时，换乘系数则增长缓慢，一般不会超过1.75，但北京这种方格式线网含有2个环线，诸多半径线的网络布局换乘系数会略微高一些； 2) 随着网络规模的扩展，换乘系数在逐渐增加，特别是网络化运营初期增速明显，到网络化运营成熟期，换乘系数增速减缓，可以预见的是成都、深圳、天津、西安等城市随着网络的逐渐完善，换乘需求会呈现进一步增加的态势； 3) 需要特别注意的是常规模型中通常忽略不同公共交通模式间的换乘，未来随着轨道网络的逐渐丰富，常规公交的客流会逐步由承担廊道客流转化为组团内部出行客流和接驳轨道的短距离客流，轨道交通车站也应该规划设置合理的公交首末站，以更好地服务居民出行。

图5 部分城市网络换乘系数变化规律Fig.5 Changing regulation of network transfer coefficient

3 线路客流指标特征

3.1 高峰断面量级分布

高峰断面取值的大小决定系统的选型与编组，网络中各条线路的高峰断面梯度分布明显，诸如北京、上海、广州等城市，单向断面从1.8万人次/h～6.4万人/h不等，说明在一个既有成熟的网络中，线路是具备功能层次性的，这也要求系统选型应该有所侧重(见图6)。而从目前诸多的客流预测报告中发现，网络中线路的层次没有拉开，大城市过多的普线远期高峰小时断面集中在3.0万～4.0万之间，快线在1.5万～2.5万之间，中小城市普线在2.0万～3.0万之间，整个系统断面分布十分均匀，这在现实运营情况中是很难出现的，究其原因可能是对轨道交通沿线的人口、岗位的预判不足，按照摊大饼式、均匀地分摊远期人口及岗位，进而导致线路断面均匀的情况。

图6 国内典型城市单向高峰断面值分布Fig.6 Distribution of one-way peak section of typical cities in China

3.2 断面客流特征

除环线外，全日断面与高峰断面形态差异明显，穿越中心城区的放射性线路全日断面呈现纺锤体形状；进入中心城区的半径线，全日断面通常呈锥形，主要是由于强大的向心客流造成的；环线全日断面形态则较为均匀，一般沿线用地开发较为均衡地呈现矩形，在换乘站有局部波动；沿线土地开发不均衡的线路，断面一般会出现极不均衡的形状，要具体分析。高峰断面分布相较全日断面，形态规律比较难以把握，但是通常会呈现出明显的方向不均衡性,进城方向一般会大于出城方向，不均衡性取值的大小主要取决于沿线职住比，并且需要注意的是，线路的断面形态也绝非一成不变的，通常会随线路的延长、新线的开通、沿线土地利用的变化，带来断面形态、量级分布的变化。

从长沙、北京、南京的高峰断面客流表现出明显的向心性和潮汐性(见图7～9)，同一线路不同方向的断面流量不均衡性明显，放射线不均衡性大于环线，郊区线不均衡性大于市区线，换乘站越少、越集中的线路断面流量不均衡性越明显。部分连接郊区新城的市郊线路方向不均衡系数(双向进站客流量比值)超过1 ∶4。

图7 长沙轨道交通高峰断面不均衡性分布Fig.7 Unbalanced distribution of transit peak section in Chengdu

图8 北京轨道高峰断面不均衡性分布Fig.8 Unbalanced distribution of transit peak section in Beijing

图9 南京轨道高峰断面不均衡性分布Fig.9 Unbalanced distribution of transit peak section in Nanjing

通过以上分析以及相关数据整理，大概可以得出如下规律： 1) 高峰小时断面在空间上多出现在环线相邻区间或相近区间； 2) 早高峰时段最大客流断面在方向上往往为向心型，具备强烈的方向不均衡性； 3) 高峰断面与全日断面除环线外，在形态上都存在显著差异。

3.3 客运量高峰小时系数

客运量高峰小时系数主要集中在12%～16%之间，但是有时会因线路的功能定位而出现小幅差异，诸如机场线通常会低一些，进入中心城区的半径线通常会高一些(见图10)。针对同一条线，从时间层面来看，通常随着时间的推移，客流量高峰小时系数呈现逐渐下降的趋势，主要是由于经济水平的提高带来通勤出行比例的下降所导致的。

图10 部分城市客流量高峰小时系数Fig.10 Passenger peak hour factor in cities

3.4 断面高峰小时系数

在实际模型应用中，全日模型应用难度远低于高峰模型，断面高峰小时系数是指高峰小时单向最大断面客运量与全日单向最大断面客运量的比值，该系数可以有效地帮助检验高峰模型中去程与回程比例关系选取的合理性。从统计数据中可以发现： 1) 同一线路的客运量高峰小时系数通常低于断面高峰小时系数； 2) 对于稳定线路，通常断面高峰小时系数会随着时间推移逐渐下降，下降原因通常可以理解为随着经济发展，非通勤客流的比例增加的缘故； 3) 市域线线路的断面高峰小时系数多在25%及以上，市区线多为20%～25%，部分连接多个商业中心的线路稍小，为15%左右，诸如武汉2号线等； 4) 类比亚洲同类城市，诸如日本东京、大阪等，发现国内断面高峰小时系数远低于国外,应该注意到未来可能会随着轨道交通的TOD(以公共交通为导向的开发)特性，出现居住人口沿轨道站点集聚的特征，进而带来断面高峰小时系数增加的可能性(见图11)。

图11 部分城市断面高峰小时系数Fig.11 Section peak hour factor in cities

3.5 平均运距

对城市线路的平均运距及其占线路长度的比例关系进行梳理发现(见图12)：线路的平均运距与线路的长度、换乘车站数量、线路在线网中的线位等密切相关，通常市区线路平均运距稍短一些，一般为10 km左右，近郊市域线路平均运距稍长，一般为10～15 km，也有部分线路更长，甚至达到20 km以上，一般这类线路为机场线路、外围组团搭接中心城环线的线路或者大站间距的远郊线路。从图12数据还可以看出，长度较短线路的平均运距所占线路全长比例较大，一般为25%～35%，长度较长线路的平均运距所占全长比例较小，一般为12%～20%。

图12 部分城市线路平均运距Fig.12 Average transport distance in cities

从不同线路类别层面以及同一线路时间层面统计还可以发现：市域线的平均运距一般大于市区线，市区放射线路的平均运距一般大于环线，线路的平均运距一般会随着换乘客流的增加而出现逐渐下降的趋势。

4 车站客流指标特征

4.1 普通站客流

轨道交通车站的进出站量受周边用地性质和土地开发强度的影响，规模从5万人次/d到20万人次/d不等，从北京、广州、深圳、成都这四大城市统计数据可知：绝大多数车站(占比超过55%)的进出站量都小于5万人次/d(见图13)。

图13 不同城市轨道站点客运量统计Fig.13 Statistics of passenger traffic volume of urban transit stations in cities

4.2 换乘站客流

4.2.1 换乘站乘降量

对过往预测数据与现状运营数据实际对比中发现，换乘站点的客流结果误差最为突出，且预测结果通常偏小。究其原因无非是模型中换乘惩罚参数取值过小，可是归咎到最终原因还是对轨道交通网的理解不够深入，做模型的时候完全按照常规公交的思路在做。对于城市空间尺度、平均出行距离、城市用地布局等特征研究不够深入，过于高估了轨道交通网的可达性。图中数据显示换乘站点乘降量全日从5万到40万不等，多数集中在15万人次/d左右，换乘量的大小受到城市规模的影响较大(见图14)。

图14 换乘站点乘降量统计Fig.14 Statistics of passenger transit volume of urban transit transfer stations in cities

4.2.2 全日站点换乘

换乘客流是换乘通道设计的基础，其预测结果准确与否将直接影响通道设置、节点楼扶梯布设、车站内部流线组织等后续工作，从统计数据(见图15)可以看出换乘站换乘客流通常为其主导客流，换乘率通常在60%左右，大城市与特大城市有少许差距，特大城市的换乘率会略微高一些，主要是由于特大城市基本已实现网络化运营，客流网络化效应明显。

图15 换乘站点换乘率统计Fig.15 Statistics of transfer rate of transfer stations

从全日换乘站的换入换出客流来看基本均衡(见图16)，局部差距比较大的站点主要集中在换乘站和多路径站点，因为路径选择的多样性导致部分客流选择进出站站点的差异性和进出站客流的不均衡性，但是NHB(非基于家的出行)在整个全目的出行中所占比例是极低的，因此整个弹性出行的量不会很大，这就恰好印证了图中全日换入换出具备良好拟合性的结果。

图16 换乘站点全日换乘量分析Fig.16 Analysis of passenger flow in transfer station

4.2.3 高峰站点换乘

总体而言，轨道交通早高峰换乘客流占全日客流比例略大于晚高峰，早高峰主要集中在14%～17%，晚高峰主要集中在10%～13%，换乘客流和全日客流一样也是呈现出明显的双峰特性。从换乘量级来看,早高峰大客流换乘站比例也比晚高峰高，绝大部分车站的单向换乘量低于1万人次/h，早高峰有52.73%的车站换乘量集中在0.5万～1.0万人次/h，32.73%的车站换乘量小于0.5万人次/h，晚高峰对应的比例则为41.82%、49.09%，而大于1.0万人次/h的车站主要是外围线路接到中心城区的换乘站，诸如四惠、四惠东、西直门、宋家庄、国家图书馆等，这也从侧面说明了半径线单点换乘给网络带来极大的影响，很多乘客被迫换乘。

北京高峰换乘客流方向不均衡性(高峰换入客流/换出客流，比值取大于1)，呈现出两级分化特征，一部分车站换乘不均衡性比较稳定，基本维持在1.2～1.5，另一部分车站则呈现出大幅波动特征，从2.7到6.5不等，该类车站主要分布在环线和外围接入中心城区的半径线。据相关统计， 有7座站分布在北京2号线，6座站分布在北京10号线，5座站为外围半径线接入中心城区的站点，且流向多为换入大于换出，这充分说明了北京环线在线网中中转换乘的衔接功能与半径线规划存在末端客流大量换乘的特征。

4.3 站点进出站高峰小时系数

轨道交通车站的进出站量与周边的土地利用性质和容积率、入住率等指标密切相关，直接影响着车站客流的时间分布特性。按照居住、办公、商业、枢纽四类用地主导型将车站分类统计后得到：居住高峰小时系数高于办公和商业，枢纽、景区站点高峰小时系数最低。居住类高峰小时系数一般高于20%，个别车站超过30%，居住办公类为15%～20%，办公商业类为10%～15%，枢纽类为10%左右。

4.4 站点超高峰小时系数

站点超高峰系数是用来描述站点高峰小时不同时刻的客流变化特点，为最高时刻的乘降量与平均时刻乘降量的比值。超高峰系数多数车站的取值都在1.2～1.4之间，有部分车站比较高，诸如南京1号线体育中心站的超高峰小时系数为1.33； 2号线嘉禾望岗、公园前2个换乘站超高峰小时系数均超过2，会江、白云文化广场等车站超高峰小时系数也超过2，市二宫、三元里站超高峰小时系数分别达到1.6 和1.8； 3号线最大的是石牌桥站，超高峰小时系数也超过2。

4.5 站点进出站客流接驳

在主要特征城市轨道进出站衔接方式构成中，步行占据绝对主导地位(见表4)，一般有超过50%的乘客步行到达或离开轨道站点，表明轨道交通对站点周边客流吸引力最大。其次，为常规公交和自行车接驳比例也相对较高，达到35%左右，并且随站点所在区域、站点类型等要素不同而稍有不同，位于核心区的站点步行接驳比例逐步提高，北京部分核心区站点步行接驳比例甚至达到70%，外围的站点公交和自行车比例升高到40%，说明外围站点间接影响范围相较中心城区更大，这也从侧面表明做轨道模型的时候外围站点应该适当调整相关公交路由，以便更好地为轨道提供客流支撑。对应交通模型来讲，因为进行分配是在轨道交通网和常规公交的复合网络中进行分配，故需要校核由常规公交模式换乘轨道交通模式的量，通常根据城市规模和区位的不同，模式间换乘量占到轨道客运量的25%～35%。

表4 北京、上海交通衔接方式构成比例

5 结语

尽管目前城市轨道交通模型发展迅速，但是作为模型从业者也应该看到，模型还有很多不足，很多客流特征还需要进一步去把握，精细化模型一定是未来的发展方向。基于此，本文从网络、线路、车站等角度总结了部分城市轨道交通现状运营特征，希望对有关人员有所启示，结合本次研究，对进一步提高客流预测水平提出几点看法：

1) 在交通生成模型中，相关数据的模拟极其复杂，应该从城市发展的规律、人口的年龄结构等去研究未来大致的人口分布，不能盲目相信总体规划，模型师应有自己的判断；交通分布模型是四阶段模型中最危险的模型，其山川河流、城市结构、建成区是否连片等因素会导致阻抗的标定非常困难，因此模型师对于模型结果需要用出行距离分布曲线进行宏观把控，并且对于多组团城市应校核组团职住比、组团区内出行比例、跨组团的廊道出行交通结构和截面交通量，多进行横向同类别城市对比分析；方式划分模型通常也存在战略结构与模型结构的事与愿违，或者说概率选择模型在中国积重难返的出行行为中的无能为力，当然，模型师也不能盲目悲观，而应该辩证地来看，轨道交通作为一种公共服务的供给，用高战略作为目标导向，可以更好地指导人们去进行供给侧的革新；目前交通分配算法多采用tc、emme、cube、vissum等宏观模型中的内置算法，模型师可操作的程度不多，但是可以多研究迭代关系、算法收敛等内容，进而更好地帮助人们理解模型。

2) 从预测结果与实际运营结果综合对比来看：过往预测对于客流量的把握过于乐观，对于换乘客流的把握又过于保守，究其原因主要是交通结构多采用的战略结构是一种目标导向，不能盲目借用欧美等城市的交通结构，应该根据不同的城市具体分析，换乘则主要是受制于模型师经验，随着运营数据特征的逐步积累，相信这一方面会得到逐步改善。

3) 高峰模型的研究难度远大于全日模型，因此研究断面高峰小时系数的规律尤为重要，可以宏观把握高峰客流断面量级，当然高峰模型也应摒弃传统采用同一高峰小时系数的做法，应该按出行目的分类别研究，严格标定模型中分目的的去程与回程比例关系。

4) 行车及相关设计人员在对客流数据使用时，不能盲从，需要思考相关指标的合理性，及时对客流预测结果进行反馈。

[1] 王周全,张桐,戢小辉,等.城市轨道交通全网列车衔接优化模型研究[J].西华大学学报(自然科学版),2016(1):62-66.

WANG Zhouquan, ZHANG Tong, JI Xiaohui, et al.Optimization model and algorithm for train convergence of urban rail transit network[J].Journal of Xihua University(natural science edition)，2016(1):62-66.

[2] 凌小静,杨涛,施泉.公交出行分担率指标探讨[J].城市交通,2014(5):26-33.

LING Xiaojing, YANG Tao, SHI Quan.Discussion on public transit mode share[J]. Urban transport of China，2014(5): 26-33.

[3] 刘剑锋,陈必壮,马小毅,等.城市轨道交通网络化客流特征及成长规律：基于京沪穗深城市轨道交通网络客流数据分析[J].城市交通,2013(6):6-17.

LIU Jianfeng, CHEN Bizhuang, MA Xiaoyi, et al.Characteristics and increasing trend of passenger flow over urban rail transit network: analysis on passenger flow data of rail transit network in Beijing, Shanghai, Guangzhou and Shenzhen[J].Urban transport of China，2013(6):6-17.

[4] 吕利民,李吴,温辛妍,等.城市轨道交通短期客流预测方法研究[J].都市快轨交通, 2015,28(2):21-25.

LV Limin,LI Wu,WEN Xinyan,et al.Methods for forecasting short-term urban mass transit passenger flow [J].Urban rapid rail transit, 2015, 28(2): 21-25.

[5] 李勇伶.基于客流预测成果控制地铁设计规模[J].都市快轨交通,2015,28(3):3-6.

LI Yongling.How to control the design scale of metro based on passenger flow forecast results[J].Urban rapid rail transit,2015,28(3):3-6.

[6] 全永燊.城市交通客流预测的若干问题[J].城市交通,2008(6):5-8.

QUAN Yongshen.Comments on issues regarding urban travel forecasting[J].Urban transport of China, 2008(6):5-8.

[7] 叶霞飞,明瑞利,李忍相.东京、首尔轨道交通客流成长规律与特征分析[J].城市交通,2008(6):16-20.

YE Xiafei, MING Ruili, LI Renxiang.Rail transit in Tokyo and Seoul: development trends & characteristics of passenger flow[J].Urban transport of China，2008(6):16-20.

[8] 中国城市轨道交通协会.城市轨道交通 2015年统计和分析[J].都市快轨交通，2016，29(4): 6-11.

China Association of Metros.Statistics and analysis of urban rail transit in 2015[J].Urban rapid rail transit，2016，29(4): 6-11.

[9] 杨军.地铁客流短期预测及客流疏散模拟研究[D].北京: 北京交通大学，2013.

YANG Jun.Research on metro passenger flow short-time prediction and evacuation simulation[D].Beijing: Beijing Jiaotong University, 2013.

[10] 四兵锋，何九冉，任华玲，等.基于时序特征的城市轨道交通客流预测[J].北京交通大学学报(自然科学版)，2014，38(3):1-6.

SI Binfeng， HE Jiuran， REN Hualing，et al.Urban railway traffic passenger flow forecast based on the timing characteristics [J].Journal of Beijing Jiaotong University(natural science edition), 2014, 38(3): 1-6.

MacroscopicIndexforRailTransitPassengerVolumeForecasting

JIXiaohui1,ANShuanzhuang2,YUYichen2,XIEYulei3

(1. China Railway Siyuan Survey and Design Group Co., Ltd.，Wuhan 430063; 2. China Metro Engineering Consulting Corporation, Beijing 100037; 3. Wuhan Metro Operation Co., Ltd., Wuhan 430063)

Passenger flow forecasting is an effective means for demand analysis of urban rail transit since the reliability and validity of passenger volume forecasting results will exert influences on the accuracy of decisions. This article states the characteristics of passenger flows in term of network, lines and stations through sorting out the operational data of urban rail transit systems in over 20 cities, including Beijing, Shanghai, etc., in China. The key indicators of load intensity, average network ridership distance, average line ridership distance, transfer coefficient, section peak hour factor, section non-equilibrium factor, magnitude distribution of transfer flow, station era peak hour factor are analyzed. The characteristics of these indicators are discussed and rules are summarized to help transport modelers understand the rationality of the forecasting results.

urban rail transit; passenger flow forecast; passenger flow characteristics; rules of growth

10.3969/j.issn.1672-6073.2017.06.007

U231

A

1672-6073(2017)06-0039-08

2017-04-05

2017-04-28

戢小辉，男，工学硕士，助理工程师，主要研究方向为城市轨道交通线网规划与客流预测，947683336@qq.com

国家自然科学基金项目(71103148)

(编辑：郝京红)