基于交通综合体客流加权的分合换乘路径研究

陈 刚，覃云章，杨 睿

（西南交通大学，四川成都 611756）

1 背景

行人作为交通综合体中的核心主体，其行为具有地域性、非线性动力特性等特点[1]，而交通综合体中大量个体行人形成的客流组织则极具复杂性，且面临与多元空间配置相互协同的问题，因此有必要对交通综合体客流的换乘路径进行定量刻画，加强对乘客活动特征的认识。

国外比较关注微观行人行为特性研究，Molnar等研究指出，行人交通行为主要有路径选择、到达离去、碰撞规避、徘徊等行为[2-3]。Hoogendoorn等将行人的个体行为分为战略层、战术层以及操作层3个层面，并且高层次行为决定低层次行为的选择集合[4]。Cheung等调查了香港地铁站高峰时段行人选择楼梯与自动扶梯的行为，并以此构建了两者的路径选择模型[5]。国内对乘客换乘也有一定研究，吕慎等通过寻找枢纽内任意2种交通方式之间换乘的关键路径，建立了枢纽内不同设施布局方案的效用损失模型[6]。严海等分析路径过程中不同设施对乘客路径选择的影响，建立了改进的多项Logit模型和路径效用函数[7]。闫凯等提出地铁站大客流承载能力的测算方式，并给出提高大客流承载能力的建议[8]。

国内外对换乘路径的研究一方面针对微观的行人行为，另一方面构建相关的模型对客流进行预测。本研究对换乘路径选择概率进行预测，并构建了客流加权的分合换乘路径，定量地刻画交通综合体各空间的客流分配情况。

2 研究对象

成都西站为客运三等站，是集铁路、地铁、有轨电车、公交、出租车以及共享单车等交通方式为一体的交通综合体。借助规划云网站（http://guihuayun.com）中的等时圈功能，得到以成都西站进站口为中心的步行5 min等时圈，再以5 min步行等时圈范围为基础，结合周边用地与设施情况，综合考虑后将研究范围划定为西货站路以东、高铁轨道以西、清水路苑以北、公交中心站以南的区域，面积约为15 hm2。

结合实际情况对研究范围内除道路以外的空间进行分类，划分为站厅空间、广场空间、接驳空间、商业空间、绿化空间、未利用空间以及待开发空间7类，其中站厅空间、广场空间、接驳空间以及商业空间是乘客活动的主要场所，绿化空间是乘客活动的次要场所，而未利用空间以及待开发空间与乘客的活动关联性低，如图 1所示。

3 多项 Logit 模型

多项Logit模型（MNL）属于非集计模型，其在行人路径选择行为中也有很多应用[9-10]。在选择换乘路径时由每个行人自身做出决策，而影响决策的是各条路径的效用，效用是时间、距离、满意度、需求等指标综合衡量的产物，并且行人会选择对其而言最大效用的换乘路径。即若在行人i面前有N条路径，其中一条路径n对行人i而言的效用可表示为Uin，其中n∈（1，2，3，…，N），行人会判定各条路径的效用，然后选择效用最大路径Uik，即满足Uik＞Uin，其中n≠k。

根据效用理论的相关定义，效用可表示为固定效用与随机效用的加和，其中固定效用是可以确切计算的，而随机效用是一个随机改变的不定项，因此行人i选择路径n的效用可以用下式表达：

式（1）中，Vin为行人i选择换乘路径n的固定效用，考虑到结果分析和系数标定时的便利性，假设Vin与其影响因素之间呈线性关系（式（2））；ξin为行人i选择换乘路径n的随机效用，是决策者特有的不可观测的或不可确定的偏好或需求造成的效用概率变动项。

式（2）中，k为影响因素的个数；xk为第k个影响因素的水平值；βk为第k个影响因素的系数。

上述的随机效用是不可观测的，但若假设效用中随机项的分布已知，各换乘路径的随机项相互独立，并且服从同一的耿贝尔（Gumbel）分布，此时可推导出多项Logit模型函数为：

式（3）中，N为换乘路径选择集合；xin=（xin1，xin2，…，xink），为影响换乘路径选择的影响因素；β=（β1，β2，…，βk），为影响因素的待估参数。

4 换乘路径选择模型构建

4.1 影响乘客选择换乘路径的因素

交通综合体中的乘客可分为进站乘客以及出站乘客，2种人群的换乘路径起讫点（OD）不相同，在路径决策时心理、需求等也不相同，从而造成活动特征具有较大差异，因此需将二者分开分析阐述。

影响乘客路径选择的因素很多，包括路径特性、行人特性、出行特性、接驳换乘特性以及其他因素等。选取路径总长度、路径耗费时间、到达时刻、携带行李重量、路径重复度、年龄、可活动时间作为进站乘客路径选择的影响因素；而选取路径总长度、路径耗费时间、到达时刻、携带行李重量、等车时间、乘车时间、乘车费用作为出站乘客路径选择的影响因素。活动路径选择模型变量命名如表1所示。

表1 活动路径选择模型变量命名表

4.2 换乘路径遴选

4.2.1 进站乘客换乘路径

进站人群换乘路径集是以各接驳空间为起点，以候车厅为讫点，是起点向讫点集聚的“收敛型路径集合”，乘客在选择换乘路径时，并不受进站的交通工具影响，因此同一地点的接驳换乘方式不同对路径选择并无影响，根据这个特性将相邻下客点的不同接驳方式进行合并，合并后的区域作为进站人群的起点，如图2、表2所示。

表2 进站路径起点统计表

将O1至O66处接驳空间作为起点，广场空间（主要活动内容为休憩、散步）、商业空间（主要活动内容为餐饮、购物）、售票厅（主要活动内容为售票）为中间活动点，候车厅为终点，描述所有理论可能的路径，需要说明的是售票厅作为最后顺序的中间活动点。

在描述活动链路径过程中遵循2点原则：不重复，即单条路径中每个活动空间不重复出现；有次序，即路径遵循先后次序，先到达A点后到达B点与先到达B点后到达A点视为2条不同路径。根据不同的排列组合，每个起点进站所有路径为10条，其中直接进站路径有1条，经过1个中间活动点的路径有3条，经过2 个中间活动点的路径有4条，经过3个中间活动点的路径有2条，如图3所示。

4.2.2 出进站乘客换乘路径

出站人群活动链路径集是以高铁出站口为起点，以各处接驳空间为讫点，是起点向讫点分散的“发散型路径集合”。出站路径的讫点有6处，与进站路径的起点相对应，如图4、表3所示。

表3 进站路径起点统计表

出站路径以高铁出站口为起点，广场空间、商业空间为中间活动点，各处接驳空间为讫点，描述所有可能路径，描述原则与进站路径相同。如图5所示，出站路径理论上共有30条，其中不经过中间活动点的路径有6 条，经过1处或2处活动点的路径各有12条。

从乘客心理分析，上述有些路径不符合实际，因此需要对其进行删除：将路径 17 18 23 24 删除，原因为虽然D5、D6两处接驳空间存在小汽车、共享单车及地铁3种交通方式，但乘客在商业空间活动后如若乘坐上述3种交通工具，可选择距离更近的接驳空间，乘客无理由舍近求远；将路径25 26 27 28 29 30 删除，原因为高铁出站口离广场空间非常近，而距离商业空间较远，乘客在商业空间活动后无理由折返到广场空间活动，而且广场空间的活动内容在商业空间中也能进行。调整过后共有20 条出站活动链路径，其中不经过活动点的路径有6 条，经过1 处活动点的路径有10条，经过2处活动点的有4条。

4.3 数据调查

遴选出理论存在的路径后，应用行为轨迹调查法追踪进站人群的活动路径，并询问记录相关属性，经筛选整理后，总共得到148条有效进站换乘路径。其中路径①最多，有60条，路径②有30条，路径③有45条，路径④有8条，路径⑦有5条，路径⑤、⑥、⑧、⑨、⑩未观察到数据。总共得到149条有效出站换乘路径，其中路径①最多，有60条，路径②有6条，路径③有7条，路径④有19条，路径⑤有5条，路径⑦有8 条，路径⑧有2条，路径⑩有35条，路径 21 有7条，路径⑥、⑨、11、12、13、14、15、16、19、20、22 未观察到数据。

4.4 换乘路径选择模型构建

4.4.1 进站换乘路径选择模型构建

将影响进站路径选择的7个因素作为解释变量，路径选择作为被解释变量，应用Stata 17软件构建多项Logit路径选择模型，发现模型未实现收敛。通过多次试验可知，变量“Weight行李”“Repeatability”“Length总”对所有路径解释力度都弱，应当剔除。

经过调整后，以“Time耗”“Time活”“Time达”及“Age”作为解释变量，路径选择作为被解释变量，路径①作为基础类型，构建进站换乘路径选择模型。模型的伪R2为0.429 3，伪R2相当于线性回归模型中的R2，其值越大表明模型拟合优度越好，在离散选择模型实践中伪R2一般较小，在0.2～0.4区间内可满足模型的精度要求[10]，说明模型的拟合优度较好，满足精度要求。似然比检验值为168.21，表明模型的解释力度在零模型上有显著的提高。

对样本数据进行概率预测，再与观测值进行对照，对照方法为：如果选择某条路径的预测概率大于50%，则认为选择该路径。对照后发现有101条数据预测准确，准确率为68.24%，表明模型的拟合优度较好。

由于最终目的不是求得个体选择概率，而是群体对各选择枝的选择概率，故利用概率预测法对各路径的选择概率进行计算，其公式如下：

式（4）中，Pi为路径i的选择概率；N为个体数量；Pni为乘客n选择路径i的概率。

利用式（4）求得路径①的选择概率为40.54%，路径②的选择概率为20.27%，路径③的选择概率为30.40%，路径④的选择概率为5.41%，路径⑦的选择概率为3.38%。

4.4.2 出站换乘路径选择模型构建

将影响出站路径选择的7个因素作为解释变量，路径选择作为被解释变量，构建多项Logit路径选择模型，发现模型未实现收敛。通过多次试验可知，变量“Length总”“Time等”“Time达”对所有路径解释力度都弱，应当剔除。

改进后的出站路径选择模型是以“Time耗”“Money”“Time乘”及“Weight行李”作为解释变量，路径选择作为被解释变量，路径①作为基础类型，样本数量为149，似然比检验值为338.03，模型整体较为显著，伪R2为0.661 6，拟合优度较好，满足精度要求。

对样本数据进行概率预测，再与观测值进行对照，对照方法同上。对照后发现有103条数据预测准确，准确率为69.13%，表明模型的拟合优度较好。

对于出站路径，同样需要求解群体对各选择枝的选择概率，利用式（4）求得路径①的选择概率为40.26%，路径②的选择概率为4.03%，路径③的选择概率为4.70%，路径④的选择概率为12.75%，路径⑤的选择概率为3.36%，路径⑦的选择概率为5.37%，路径⑧的选择概率为1.34%，路径⑩的选择概率为23.49%，路径21的选择概率为4.70%。

5 客流加权分合换乘路径构建

5.1 进站客流加权分合换乘路径构建

由于进站路径共有10种，路径⑤、⑥、⑧、⑨、⑩虽说观测样本数极少或无观测值，但并不代表这些路径没有人选择，故将上述5种路径的选择概率均定为0.1%，调整过后进站所有路径的选择概率如表4所示。

表4 进站路径客流量分配表

此外，由于每种进站路径并不是只有1个起点，故在构建整体的具有流量加权的分合进站路径之前需对各起点的流量进行分配。分配的依据为路径调查数据，计算结果如图6、表5所示，情况与现实相符。

?

表5 进站OD客流量分配表

根据表4与表5可以计算出每种路径不同起点的客流分配，如表6所示。由表可知，客流量占比在10%以上的只有3条，且均是以O1为起点的路径，说明O1是进站的主要入口；客流量占比少的有以O6为起点的路径⑤、⑥、⑧、⑨、⑩，这些路径的客流量为0，表明几乎无乘客选择。

表6 进站路径客流量详细分配表

应用表6对各路径进行客流量加权，从而构建流量加权的分合路径，定量描述进站路径各路段的流量情况以及分合情况。由图7可知，进站路径分布呈现中心密集，南北稀疏的格局，尤其是北部，几乎无路径分布；大多数路径分合点位于广场空间中，且各类空间中广场空间的路径最为复杂多样，说明广场空间是交通综合体中的重要空间，起到分合客流的作用。

5.2 出站客流加权分合换乘路径构建

由于出站路径共有20条，虽然路径⑥、⑨、11、12、13、14、15、16、19、20、22 无观测值，但并不代表这些路径没有人选择。故将无观测值的路径的选择概率定为0.1%，调整过后出站所有路径的选择概率如表7所示。

应用表7对各路径进行客流量加权，从而构建流量加权的分合路径，定量描述出站路径各路段的流量情况以及分合情况。图8为出站路径客流量加权总图，由图可知，出站路径分布呈现中心密集，南北稀疏的格局，尤其是北部，几乎无路径分布；客流量较多的路径基本位于广场空间中，说明出站乘客对广场空间使用较为频繁；相较进站路径客流来说，商业空间路段的客流量较低，说明出站乘客比进站乘客更少地使用商业空间。

表7 出站路径客流量分配表

6 结语

本研究以交通综合体的各类空间作为换乘路径的基本单元，构建了进、出站路径选择枝的预测概率集，并以此为依据构建了客流加权的分合换乘路径。

其中，进站乘客与出站乘客对换乘路径的选择存在一定的差异：对于进站乘客而言，路径耗费时间、可活动时间、到达时刻以及年龄4个因素对路径选择有较大影响；而对于出站乘客而言，路径耗费时间、乘车时间、乘车费用以及携带的行李重量4个因素对路径的选择有较大影响。

从客流加权的分合换乘路径的结果来看，进站路径比出站路径复杂，分合处较多，但二者在空间上客流分配结构却相差不大，且都是以广场空间为中心向南北两侧减弱，体现了站前广场的对各空间连接的重要性。客流加权的分合换乘路径的构建为设施的布局、空间优化及客流组织等提供了定量的参考依据。