内容导读

  社会感知为“由人及地”的城市地理环境理解提供了一套分析框架。通过分析不同空间位置上的公共交通工具混合使用情况，可以推断该位置及其周边的社会、经济和建成环境。本期，我们将与康朝贵老师一同探寻城市内部公共交通出行混合利用度的时空分布模式及其与背景社会、经济、地理因素之间的关联关系，理解社会感知的基本理念和分析方法。

 

康朝贵

武汉大学遥感信息工程学院讲师      

 

研究方向：轨迹计算 | 城市信息学 | 人类移动性分析与建模 | 时空统计

个人主页：http://urbancolab.org

工作邮箱：cgkang@whu.edu.cn

康朝贵，武汉大学遥感信息工程学院地理信息工程系讲师。本科毕业于南京大学地理与海洋科学学院，获地理信息科学理学学士；博士毕业于北京大学地球与空间科学学院，获地图学与地理信息系统理学博士。2012年9月至2013年9月，任麻省理工学院感知城市实验室（MIT SENSEable City Lab）访问博士研究生（合作导师：Carlo Ratti）；2017年7月至2017年10月，任香港理工大学土地测量及地理资讯学系Research Associate（合作导师：史文中）。在IJGIS、CEUS、Transactions in GIS等国际知名学术期刊发表论文10余篇。曾获北京市/北京大学优秀博士毕业生、美国地理学家学会GIScience奖学金、全国高校GIS新秀、全国十大城市数据数据师等荣誉与奖励。

数据准备

  数据集为深圳市2013年10月22日居民利用公交车、出租车和地铁出行的数据。包括812条公交线路中13084辆公交车的GPS轨迹数据、1244253位乘客的公交车及刷卡记录及15000辆出租车的轨迹数据。基于城市行政经济数据及居民出行习惯，以1km为半径划分的缓冲区与城市交通分析小区（TAZ）求交集获取本研究的分析单元，空间分析小区（SAU）。

 

Fig 1. 时空分析小区划分

 

研究步骤

1  出行空间信息分布

  公共交通出行模式中，出行者的起讫位置含有较多信息，对原始数据进行处理，获取出行位置空间分布图。图中，光圈的位置代表公交/地铁站点的位置，光圈的大小表示出行量的多少，黄色表示上车/进站信息，白色表示下车/出站信息。

 

Fig 2. 公共交通工具出行的空间分布

 

2  出行时间信息统计

  每一个出行的空间位置处，在时间上也存在出行的差异，图中每条曲线代表一个区域在时间维度上的出行量和比例。

 

Fig 3. 公共交通工具出行的时间分布

 

3  时空相似性及谱聚类

  将基于自相关的相似性分析方法进行时空扩展，对每个研究区域的时间序列进行相似性分析。在考虑空间关系时，由于距离的大小会影响相邻区域间的相似性大小，若根据相邻区域间的距离大小来确定区域间的空间权重，则时空相似性度量的方法可表示为：

 

  类比Y’UV的色彩空间系数{α1,α2,α3}={0.3,0.59,0.11},将三种公共交通出行方式的时空相似性矩阵进行融合

Fig 4. 时空相似性度量及矩阵融合示意

  根据已经成功构建的多源轨迹时空相似性矩阵，可利用聚类的方法来获取研究区域内各空间分析单元内的居民出行模式，而本研究采用谱聚类方法进行处理并获取结果。如图5所示，5c中时空相似性矩阵的聚类结果共划分为5个类簇，表现出较好的类内相似性。

 

Fig 5. 基于3种相似性度量方法的SAU相似性矩阵

结果分析

1  特征描述

 

Fig 6. 公共交通出行模式聚类结果

 

  Cluster1，地铁为居民出行的主要方式，而地铁和出租车在居民的出行中表现出竞争关系，但公交车在人们出行的使用比例不会因此受影响。

  Cluster2，公交车和地铁在居民出行时的使用比例水平相当，并且二者均高于出租车的使用比例，由此表明该区域的居民出行主要依靠地铁和公交车。通过时间的对比发现，该区域的居民出行并且表现出通勤时段的峰值特征，地铁和公交车是该区域居民通勤的主导交通工具，出租车不受二者的影响，作为辅助交通工具来平衡居民出行量。

  Cluster3，地铁出行比例表现出较强的通勤特征，分别在早高峰时段和晚高峰时段出现比例峰值，且该区域同时具备居住和工作环境，区域整体处于职住平衡状态。

  Cluster4，地铁和公交车作为区域内居民出行的主要交通方式，与第2种模式类似，但不完全相同。首先，本模式早上表现出一定的通勤特征，但在傍晚并未表现出下班出行特征，因此，可推断此区域内主要为居民住宅小区；其次，在[19:00,21:00]时段内，由于时段的特殊性，此时人们的出行距离较短，因此人们更多地利用公交车出行。

  Cluster5，地铁和公交车分时段交替成为区域内居民出行的主要交通工具，并且早高峰时段，地铁为主导交通方式，而晚高峰时段公交车成为主导交通方式，而出租车则表现为全天低使用比例状态。

 

2  通行效率及区域功能

  为了更好的理解各出行模式下的通行效率，依据地铁站的客流量、是否为换乘站、集控站分布、地理位置、商业位置等方面因素，把各地铁站按由高到低划分为S、A++、A+、A和B五个等级，通过统计各Cluster中主导站点的级别，来定级该Cluster的通行效率级别，再结合城市区域属性来分析各Cluster的功能特性。结果表明，各个Cluster的混合交通使用模式与对应区域的通行效率和用地功能具有强关联关系。例如，Cluster1主要为商业区，通行效率最高；Cluster 3主要为职住混合区，通行效率次之；Cluster 4主要为居住小区，通行效率较低。

 

Fig 7. 深圳地铁等级示意图

 

Fig 8. 深圳市地铁周边功能区分布图

 

3  出行流向

  通过对居民出行模式的归纳，已经了解深圳市居民在三种不同交通工具共同作用下的出行行为规律。为更加深入的分析个模式状态下居民移动趋势，可根据各类区域内乘客的出行点和目的地的情况，来探寻不同类区域间居民借助不同交通工具出行的移动规律。图9中每个模式的扇形区域均由两部分构成，左侧表示该模式下区域内部居民的出行量，右侧表示该模式所在区域的居民流入量，为了便于观测，右侧略低于左侧。每个模式左侧延伸出来的条带粗细代表出行量，条带的终点表示出行目的地所属区域。结果表明，同类型地块之间的公交车出行量远大于不同类型地块之间的公交车出行量；各类型地块之间的地铁出行量则相对均衡，且中远距离出行比例较大；出租车出行介于公交车和地铁出行流分布模式之间。

 

Fig 9. 不同交通工具的居民出行流向流量图

 

结论

  理解不同时空条件下的公共交通出行模式有助于我们对城市居民移动模式的感知，对城市环境规划及建设提供参考。本研究以深圳市的出租车轨迹数据和公交车及地铁刷卡数据为实验数据，通过构造不同区域内三种公共交通工具使用数量的时间序列及时空相似性矩阵，利用基于邻接关系的谱聚类方法来挖掘具体的居民出行模式，并从交通工具的使用关系、通行效率、区域功能和出行移动四个方面来理解和分析居民出行模式。

 

参考文献：

Mengxue Yue, Chaogui Kang, Clio Andris, Kun Qin, Yu Liu, Qingxiang Meng. 2018. Understanding the interplay between bus, metro and cab ridership dynamics in Shenzhen, China. Transactions in GIS, DOI:10.1111/tgis.12340.

 

素材来源：康朝贵

材料整理：杨柳  岳梦雪

内容排版：邢潇月