基于分布式出行信息的轨道交通出行特征辨识*

李　岩　张凯丽　南斯睿　陈宽民

(1.中交第一公路勘察设计研究院　西安 710075；2.长安大学公路学院　西安 710064；3.河北博汇建筑设计咨询有限公司　石家庄 050000)

0　引　言

城市轨道交通乘客的出行路径、行程时间、换乘时间等出行特征是客流诱导、应急管理及票务清分等工作的基础[1]。在轨道交通网络中不包含圈时，乘客精确的出行特征可应用AFC(automatic fare collection system)数据计算[2]。然而当多条线路相交形成圈时，仅提供乘客起讫点信息的AFC数据[3]无法通过模型精确计算乘客的出行特征[4]，此时一般应用轨道交通客流分配模型[5]计算指定需求下客流的均衡分布情况,或应用logit模型[6]、概率模型[7]等分析乘客的换乘行为，并根据上述结果进一步分析出行特征。上述方法多应用数学规划或概率等模型预测乘客的出行选择行为[8]，但由于乘客的非理性行为[9]，其路径选择时未必选取效用最大化的路径，因此,预测结果常与实际情况存在一定偏差。此时，亟须建立可精确获取乘客出行特征的方法，为轨道交通制定精准化运营管理措施提供依据。

现代交通信息技术可准确获取乘客的位置、时间等标签[10]，为精准识别乘客的出行特征提供了新途径。同识别道路系统出行特征类似，若具备含出行者时空位置信息的GPS[11]、蓝牙[12]、手机信令[13]等信息，可通过抽样数据扩样的方法识别乘客出行特征。然而轨道交通系统所处的地下空间内，乘客的设备无法获取GPS信息，蓝牙设备采样率仅为1%～3%[14]，且定位精度较低，手机信令数据包含隐私信息且获取难度大[15]，均难以应用于轨道交通乘客出行特征的识别。随着具备Wi-Fi功能移动设备的广泛应用，其可作为有效信息源[16-17]识别轨道交通乘客的出行特征。开发可检测Wi-Fi设备独一无二的MAC信息的信息识别设备(简称检测设备)，并在轨道站点布设，可通过其采集的信息识别乘客的出行路径、行程时间、换乘时间等特征。该方法同传统方法相比，具备速度快、安全性高、成本低、精度高、采样率高、兼容性和扩展性强等特点[18]，是理想的轨道交通出行特征识别技术。笔者将从检测Wi-Fi数据的机理出发，探究设备的布设及应用Wi-Fi数据识别轨道交通乘客出行特征的方法，并采用西安市轨道交通的数据对所提出方法进行验证。

1　轨道交通乘客出行特征辨识流程

无线局域网的基本结构是无线设备同网络中继设备间点对点或者点对多点的通信[19]。检测设备应用嵌入式算法编程实现在数据链路层主动扫描周边Wi-Fi设备的请求帧信息，获取其MAC地址及信号强度信息。如图1所示，轨道交通乘客出行特征的辨识流程如下。

1) 结合各轨道交通车站特性合理布设检测设备。

2) 检测设备获取乘客所携带Wi-Fi设备的MAC信息及对应信号强度，并匹配时间戳及信息采集设备序号。

3) 各检测设备将所获取的信息传输至中央数据平台，并将所采集信息于本地存储备用。

4) 中央数据平台分析Wi-Fi设备被识别的时间，并计算乘客出行特征信息。

图1　检测设备的数据传输过程Fig.1　Data transmission process of detection devices

检测设备能采集其检测范围内所有打开Wi-Fi功能的移动设备信息。无干扰场所的测试结果显示，接收信号强度与目标距离相关，信号强度与检测设备距离关系见式(1)。移动设备信号低于-100 dBm时，其检测结果不稳定，故仅采用信号强度高于-100 dBm的样本。单个检测设备的覆盖半径为20～50 m，2台设备可覆盖整个站台。因检测设备效果会受到阻挡建筑物的影响，所以实地应用时宜预先测试及优化。检测设备每30 s将所采集数据上传至中央数据平台，上传信息含日期、时间、接收信号强度、MAC地址及检测设备名称，具体格式见表1。

(1)

式中:d为检测设备与被检测设备间距离,m;p为接收到的信号强度,dBm。

表1　检测设备上传信息示例Tab.1　Example of uploaded information by detection devices

2　乘客出行特征识别

2.1　乘客出行路径识别

如图2所示，传统出行特征识别中仅具有乘客进出站点及对应时间，不具备在轨道交通系统内的出行特征。在网络含有圈时，出行路径需根据交通分配算法计算，出行时间仅能计算平均值，换乘时间则需单独抽样调查。当在轨道交通各站点均布设检测设备时，则可通过在中央数据平台比对在各站点检测到信息的时间戳，来获取乘客的路径选择行为及行程时间。当列车走行时间已知时，更可获取乘客的换乘时间。因检测设备会持续采集信息以致产生信息冗余，在识别出行特征前，需对检测数据预处理。

图2　轨道交通乘客出行特征识别的流程Fig.2　Process on identification of trip characteristics in urban rail transit system

数据预处理的目的在于去除重复检测数据，并避免将不同出行的信息识别为同一次出行。为保证数据有效性，假设乘客在同一站的停留时间不会超过半小时，因此若同一MAC地址对应2相邻检测数据的时间间隔y(t)=(y(t1)-y(t2))>30 min，则应划分至新出行集。设布设检测设备车站数为i(0≤i≤m。i为自然数；m为总车站数)，第i个车站设置j个检测设备 (0≤j≤k。j为自然数；k为单车站布设最大值)。车站i的第j个检测设备在时间t返回信息为xij(t)=(pij,mij,s,t)。pij为信号强度；mij为MAC地址；s为状态位，显示所在车站，即s=i。中央数据平台将缓存各检测设备返回的信息。经特定时间后筛选的有效数据存入检测数据集X={xij|i=1,2,…,m；j=1,2,…,k}。当检测设备在所有车站均有布设时，可将数据集X中MAC地址筛选至出行集Y，采用排序算法将出行集中各元素按时间排序，可根据其状态位s所代表的站点信息顺序判断该设备的出行轨迹。

当检测设备未能在所有车站布设时，其宜设置于换乘站间的一般站[20]。在如图3所示的局部轨道线网中，若乘客从换乘站T23至T14，若在一般站(如1GII。1为线路1，G指一般站，II为车站编号)检测到该乘客的信息，则可直接用于判断乘客的路径选择行为。当部分检测设备未能识别指定设备数据时，宜采用其上下游的数据判断其出行路径。如图3中路径{2GI→T23→2GII→T24→4GII→T14}的出行中，即使{T23→2GII→T24}的信息缺失，仍可根据站点4GII的信息判断路径特征。在当圈内信息全缺失时，则退化为路径选择问题，此时可按照花费最小的原则进行判断。如仅存在站点2GI、T23及T14的检测信息时，路径{2GI→T23→3GII→T13→1GII→T14}和前示路径相比多换乘一次，则不予选择。

图3　设备布设对检测结果的分析Fig.3　Analysis on detection effect of device layout

2.2　乘客行程时间的分析

路径的识别可结合行程时间约束提升检测精度。式(2)中，乘客的总出行时间ta为候车时间tw、乘车时间to和换乘时间tt之和。在不考虑列车通行能力时(即全部乘客均可乘坐第一辆到达列车)，候车时间应小于发车间隔加停靠时间。乘车时间为列车走行时间及中途站点停靠时间之和。换乘时间为换乘走行时间及换乘后的候车时间之和。

ta=tw+to+tt=

(2)

式中:l为2站间车辆走行距离;v为列车平均速度;a为2站间隔车站数;b为乘客换乘次数;td为停靠时间。

根据出行集Y中状态位及时间可确定单次行程的路径及换乘行为，并根据2相邻时间信息判断该行程时间是否合理。根据式(2)所示的出行时间可获取2站间行程时间的最大及最小值，记为tmin，tmax。记发车间隔为τ，换乘时间tt一般介于0～10 min。乘客可能由于车体容量等原因导致未能乘坐当前列车时，0

(3)

式中:μ为换乘时间的均值；σ为换乘时间的方差。

由此可见，当2相邻检测数据所对应站台间存在b次换乘时，其行程时间的最大及最小值计算见式(4)。

(4)

当相邻检测数据对应行程时间介于(tmin,tmax)间时，其行程时间可靠，否则应删除该数据。

3　案例应用

3.1　实验设计及数据描述

西安轨道交通1,2号线在北大街站十字交叉，1号线相邻车站为五路口和洒金桥，2号线相邻车站为安远门和钟楼。选取未开通其他线路的2016年10月15日-29日换乘站4个相邻车站的检测数据识别乘客出行特征，并应用AFC数据进行验证检测结果的有效性。布设检测设备前，均在各布设站点对采集效果进行了测试，最终检测设备布设情况见图4。所测试站点中钟楼站出于文物保护需要采用了特殊设计，因此,在两侧站台各设置2台检测设备，以保证信息质量。

图4　测试车站形式及设备安装位置关系Fig.4　Interactions between installation location of devices and design of selected station

根据工作日AFC数据可获取各站间OD分布(见表2)，将4站点的检测数据进行预处理后与AFC数据量对比(见表3)，可知检测设备获取数据约占总数据的50%～60%，数据采样率较高。

表2　基于AFC数据的各站间ODTab.2　Selected OD based on AFC data　人次

表3　2检测方法所得客流量的对比Tab.3　Comparison of two detection methods on ridership

3.2　乘客出行特征识别及验证

如图5所示，对扩样后的检测数据与AFC数据对比，可发现检测数据获取的客流全日时间分布特性与AFC数据相同。经测算，4站点检测数据与AFC数据每小时的误差均在10%以内，可知检测数据可反映实际客流分布情况。

图5　2种检测方法客流时间分布对比Fig.5　Comparison of two detection methods on distribution of ridership

根据各车站间匹配的数据(见表4)及行程时间约束可获取乘客路径选择特性。检测设备获取出行信息总量占总客流量的28%～37%。测试日由采集设备获取的乘客出行信息同AFC数据的对比见表4。总体数据的匹配度为32.86%，各路径数据匹配度标准差为3.8%。传统对换乘时间研究的样本数一般在500以下，选用Wi-Fi数据可大幅提升抽样率及对应的精度。当检测设备在所有车站均设置且站点布设设备数提升后，可降低缺失数据的影响，提升信息可靠度，但会提升数据预处理的难度。

表4　各路径检测数据匹配度Tab.4　Matching degree of test data on selected route

在所选取的测试日期内，西安轨道交通车辆的平均运行速度为35 km/h，每站停靠时间为20～35 s。1号线发车间隔为4 min 28 s，2号线为3 min 09 s，实地调查获取的北大街站乘客换乘时间为2～10 min，由此可获取各站间最大/最小行程时间见表5。

表5　所测试区间行程时间范围Tab.5　Range of travel time at the tested section　min

经检测设备获取的乘客从换乘站前一站到换乘站后一站的行程时间特性如图6所示，其中，不存在换乘的路径行程时间为4～5 min，存在换乘行为的路径行程时间为5～20 min。因轨道车辆行车时间及发车间隔相对稳定，故行程时间与行车时间差值为换乘时间。假设换乘时间样本服从对数正态分布，置信度为95%，应用SPSS软件对上述假设进行Kolmogorov-Smirnov检验，结果表明假设成立，经检测设备获取的乘客换乘时间与实地调查的换乘时间特性相同，但无需额外的实地调查，测试结果及P-P图(Probability-Probability Plot)见表6及图7。

图6　换乘客流与无换乘客流行程时间的对比Fig.6　Comparisons on Travel time between transferred and non-transferred passengers

测试区间五路口—安远门五路口—钟楼洒金桥—安远门洒金桥—钟楼样本量N14323175261139016391正态分布参数均值 1.824 1.792 1.802 1.809标准差0.4360.4030.4180.422最大差值绝对值0.262 0.251 0.255 0.258正值 0.2620.2510.2550.258负值 -0.157-0.157-0.160-0.158Kolmogorov-SmirnovZ7.7676.9907.2237.419双侧渐进显著性0.7740.7300.7550.772

综上所述，检测设备获取的乘客出行路径、行程时间及换乘时间等出行特征与实际相符，信息在所确定的置信区间内可信。

图7　对换乘时间服从对数正态分布检验的P-P图Fig.7　PP Plot of log-normal distribution test on transfer interval

4　结束语

Wi-Fi信息检测设备可采集移动Wi-Fi设备独一无二的MAC地址，并用以识别携带者的出行特征。基于Wi-Fi信息的乘客出行特征识别过程包括：在轨道交通站点设置检测设备、识别出行特征、处理缺失数据等。在西安轨道交通系统的实地验证表明，该系统可有效获取轨乘客出行路径、行程时间、换乘行为等出行特征，其结果可为轨道交通系统的客票清分、站点优化设计等奠定基础。未来可结合AFC客票数据进一步提升乘客出行特征识别结果的精度，并获取更多出行特征信息。

参考文献References

[1]徐瑞华,罗 钦,高 鹏.基于多路径的城市轨道交通网络客流分布模型及算法研究[J].铁道学报,2009,31(2):110-114.

XU Ruihua, LUO Qin, GAO Peng. Passenger flow distribution model and algorithm for urban rail transit network based on multi-route choice[J]. Journal of the China Railway Society,2009,31(2):110-114.(in Chinese)

[2]石俊刚,周 峰,朱 炜,等.基于AFC数据的城轨乘客出行路径选择比例估计方法[J].东南大学学报(自然科学版),2015,45(1):184-188.

SHI Jungang, ZHOU Feng, ZHU Wei, et al. Estimation method of passenger route choice proportion in urban rail transit based on AFC data[J]. Journal of Southeast University(Natural Science Edition),2015,45(1):184-188.(in Chinese)

[3]MA Xiaolei, WU Yaojan, WANG Yinhai, et al. Mining smart card data for transit riders′ travel patterns[J]. Transportation Research Part C: Emerging Technologies,2013(36):1-12.

[4]豆 飞,潘晓军,张 琦,等.北京市城市轨道交通通勤大客流特征分析[J].交通信息与安全,2016,34(6):37-47.

DOU Fei, PAN Xiaojun, ZHANG Qi, et al. An analysis on characteristics of large passenger flow of commuters in urban rail transit: A case study in Beijing[J]. Journal of Transport Information and Safety,2016,34(6):37-47.(in Chinese)

[5]吴祥云,刘灿齐.轨道交通客流量均衡分配模型与算法[J].同济大学学报(自然科学版),2004,32(9):1158-1162.

WU Xiangyun, LIU Canqi. Traffic equilibrium assignment model specially for urban railway network[J]. Journal of Tongji University (Natural Science Edition),2004,32(9):1158-1162.(in Chinese)

[7]ZHU Wei, XU Ruihua. Generating route choice sets with operation information on metro networks[J]. Journal of Traffic and Transportation Engineering (English Edition),2016,3(3):243-252.

[9]XU Hongli, ZHOU Jing, XU Wei. A decision-making rule for modeling travelers′ route choice behavior based on cumulative prospect theory[J]. Transportation Research Part C: Emerging Technologies,2011,19(2):218-228.

[10]LI Yan, CHEN Kuanmin, GUO Xiucheng. Impact of stretching-segment on saturated flow rate of signalized intersection using cellular automation[J]. Journal of Central South University,2013,20(10):2887-2896.

[11]HOFLEITNER A, HERRING R, BAYEN A. Arterial travel time forecast with streaming data: A hybrid approach of flow modeling and machine learning[J]. Transportation Research Part B: Methodological,2012,46(9):1097-1122.

[12]LI Pengfei, SOULEYRETTE R R. A generic approach to estimate freeway traffic time using vehicle id-matching technologies[J]. Computer-Aided Civil and Infrastructure Engineering,2016,31(5): 1-15.

[13]BAR-GERA H. Evaluation of a cellular phone-based system for measurements of traffic speeds and travel times: A case study from Israel[J]. Transportation Research Part C: Emerging Technologies,2007,15(6):380-391.

[14]BAKULA C, SCHNEIDER W H, ROTH J. Probabilistic model based on the effective range and vehicle speed to determine Bluetooth MAC address matches from roadside traffic monitoring [J]. Journal of Transportation Engineering,2012,138(1):43-49.

[15]张伟伟,陈艳艳,赖见辉,等.基于移动定位信息的地铁站客流来源分析[J].交通信息与安全,2016,34(6):70-76.

ZHANG Weiwei, CHEN Yanyan, LAI Jianhui, et al. An analysis on origins of passenger flow of subway stations based on mobile location data[J]. Journal of Transport Information and Safety,2016,34(6):70-76.(in Chinese)

[16]CAMACHO T, FOTH M, RAKOTONIRAINY A, et al. Understanding urban rail in-vehicle activities: An activity theory approach[J]. Transportation Research Part F: Traffic Psychology and Behaviour,2017,46:70-86.

[17]DUNLAP M, LI Zhibin, HENRICKSON K, et al. Estimation of origin and destination information from Bluetooth and Wi-Fi sensing for transit[J]. Transportation Research Record, 2016(2595):11-17.

[18]BORRIELLO G, CHALMERS M, LAMARCA A, et al. Delivering real-world ubiquitous location systems[J]. Communications of the ACM,2005,48(3):36-41.

[19]SAPIEZYNSKI P, STOPCZYNSKI A, WIND D K, et al. Inferring person-to-person proximity using WiFi signals [J]. Proc ACM Interact Mob Wearable Ubiquitous Technol,2017,1(2):1-20.

[20]余丽洁,李 岩,陈宽民.基于谱聚类的城市轨道站点分类方法[J].交通信息与安全,2014,32 (1):122-125.

YU Lijie, LI Yan, CHEN Kuanmin. Classification method for urban rail stations using spectral clustering[J]. Journal of Transport Information and Safety, 2014,32(1):122-125.(in Chinese)

[21]杜 鹏,刘 超,刘智丽.地铁通道换乘乘客走行时间规律研究[J].交通运输系统工程与信息,2009,9(4):103-109.

DU Peng, LIU Chao, LIU Zhili. Walking time modeling on transfer pedestrians in subway passages[J]. Journal of Transportation Systems Engineering and Information Technology,2009,9(4):103-109.(in Chinese)