一种基于天气影响分析的公交客流调查日期确定方法

作者：张毅         

    目前较常用的公交客流采集方法有自动乘客计数技术(APC)、基于图像采集的方法、传统的人工调查方法以及对公交IC卡信息的利用。IC卡信息实时全面，但只能反映持卡乘客信息特征，无法全面反映总体的公交客流信息。因此，笔者提出利用IC卡数据进行人工补充抽样调查，通过数据融合的方法来获得总体客流的信息，然而，其中一个关键问题是怎样进行人工抽样调查日期的选取。根据对公交客流数据的分析，发现不同时间所获得的客流数据具有很大的差异，因此有必要研究何时进行公交调查才能获得具有整体代表性的客流数据。

1  公交客流影响因素分析及模型建立

  目前关于公交客流影响因素的研究，偏重于影响客流生成量的确定性因素分析，即城市发展等宏观因素和公交服务水平等微观因素，这些因素会从整体上影响公交客流量的水平，但不会对公交日客流量的波动产生显著影响。假设城市生活在一定时期内是稳定的，因此公交出行也是稳定的，那么在一定时期（如1年）内影响公交客流波动性的主要因素是天气状况和节假日等不确定因素。为探究各不确定因素对公交客流量波动的影响程度，拟选用多元线性回归分析来建立“公交日客流量”模型对这些随机变量进行显著性分析。  

天气状况中温度、湿度、降雨量和风速在不同季节对公交客流量会有不同程度的显著性影响。本文的研究区域上海市奉贤区1年内的温度变化很大，并存在较多大降雨量的天气，且还受到潮湿的亚热带气候和西南向盛行风的影响，因此，在天气状况中选择温度deptemp(℃)、降雨量rainfall(mm)、空气湿度humidity(%)和风速windspeed(km/h)4个变量。对于温度变量而言，在建模过程中采用相对温差，即实际温度与人体感受到的最适体感温度差值作为温度变量值。根据对公交客流量数据的分析，同1条线路在不同季节的流量有很大差别，基于此，需要按照不同季节分别建立模型。

如果需要对某一区域内多条公交线路进行客流调查，由于对于不同性质的线路而言，一般其客流量受天气因素的影响程度也不相同，则需要先对公交线路进行分类，一般可以运用层次聚类法进行分析。因为线路长度和站点数会直接影响整条线路的客流量级，线路类型是公交规划者对线路属性的划分，不同类型线路的客流量从规划之初即有相应定位，而平均发车间隔的大小和线路的拥挤程度则会影响乘客是否乘坐本线路，因此选用线路长度( LoR)、站点数(NoBS)、线路类型(RT)（区内线路、市郊线路和跨区线路）以及平均发车间隔( ADI)和线路，拥挤程度(CD)等5个指标作为公交线路的聚类属性，即可对区域内的公交线路进行聚类。根据不同季节和线路类型对不同类型的公交线路分别建模，模型具体形式为

2调查日期选择方法

  选择调查日期应遵循一个基本原则，即所调查日期的公交客流量应该尽可能代表该公交线路的基本日客流量。将公交IC卡客流量按月份进行统计，可以清晰地观察到公交客流在不同季节、不同月份的变化情况，此外，由于人的活动是以周为循环的，公交日客流量在时间上也以周为单位呈现周期性变化。由此，在确定调查日期时按照调查月份、星期几调查和具体调查日期逐步确定。

  首先，确定调查月份，根据上述多元线性回归模型，可以得到各季节各类型线路相应模型的拟合优度R2，调整R2值可以解释公交客流量受天气因素的影响，该数值越小说明客流量受天气因素的影响程度越低，选取调整R2值较低的季节作为调查季节。计算全年公交IC卡日客流量平均值，再绘制公交线路各月份刷卡量变化曲线图，从而找到月均IC卡日客流量与年均IC卡日客流量最接近的月份，作为公交客流调查日期的月份选择。

  其次，确定星期几调查，应选择在周一到周日中公交客流量波动最小的1d。根据IC卡数据提取一定时期内所有周一到周日的公交客流刷卡量，再利用箱线图法，得到公交线路的刷卡量周变箱线图，从中选出刷卡量最集中，波动最小的日期。

  通过前面2个步骤，调查日期的选择范围已缩小至4～5 d内。在此基础上，再考虑节假日和天气的影响。如果其中包含法定节假日，则先把节假日剔除。根据前述多元回归模型的拟合结果，可以得到各个变量每变动一个单位时对应的公交客流量的变化程度。以客流量变动的百分比为判定依据，变动百分比越大，说明该天气因素对客流量的影响程度越高，在确定调查日期时应该优先考虑该因素的影响，顺次排列4个天气变量的重要程度作为调查日期选择的参考指标，根据备选日期的天气预报情况来具体确定调查日期。

  如果由于调查工作时间和进度的限制等，得到的调查日期在实际工作开展中无法实现时，则可以使用同样的分析方法选择次优结果作为实际公交客流的调查日期。

调查日期选择方法的流程见图1。

3实例分析

  以2013年上海市奉贤区公交线路客流量调查为例，对调查日期选择进行详细分析。奉贤区现有公交运营线路56条，包括市通郊线路14条、跨区线路10条、区内线路32条。通过数据采集，得到了奉贤区56条公交线路2011年10月1日至2012年9月30日的全部公交IC卡数据。将全部IC卡数据导人SQL Server数据库中进行初步筛选，得到有33条公交线路数据（包括11条市通郊线路、6条跨区线路及16条区内线路）满足分析要求，确定这33条公交线路为研究对象不失一般性。

  根据前述的5个聚类指标对33条公交线路采用Q型聚类，利用SPSS18.0软件实现聚类过程。聚类结果为3类，其中类型一中的线路发车间隔较小，线路相对拥挤；类型二中的线路均属于长距离线路，部分线路较拥挤，发车间隔处于中等水平；类型三中的线路均属于短距离、不拥挤线路，但平均发车间隔较长。

  将33条公交线路IC卡刷卡数据按照聚类分析得到的3种线路类型按4个季节（春季：3～5月；夏季：6～8月；秋季：9～11月；冬季：12月—2月）进行分组，得到12组数据，与天气数据（从上海市气象中心获得）相结合，建立12个多元线性回归模型。春夏秋冬4个季节的最适体感温度取值依次为20，25，22及20 0C。

  利用SPSS18.0进行分析，可以剔除对模型贡献不大却引起多重共线性的解释变量，最后得到3种线路类型不同季节的回归模型。类型一公交线路在不同季节回归模型的调整R2值见表1，从中可以看出秋季的调整R2值最小，可以理解为秋季（9～11月）公交客流量波动受天气因素的影响最小。结合公交客流量月变特征分析结果（见表2），发现9月份客流量与年客流量均值最为接近，因此选取9月为客流调查的最佳月份。对类型一线路公交客流量周变特征进行分析，需要先剔除异常值。设定异常值的识别标准为低于下限或高于上限的数值，下限通常取值为Q1-1. 5IQR，上限取值为Q3 +1. 5IQR，其中IQR为四分位数差，即上四分位数Q3和下四分位数Q1之间的差值。剔除异常值后，得到公交线路刷卡量周变箱线图，见图2。

  由图2可见，类型一线路公交IC卡客流量在周二的离散程度及波动程度最小，因此最佳调查日期应该9月份的4个周二中选取，其次则在周三、周一或周四中选取，具体日期的确定需要结合天气预报和法定节假日情况进行。

  天气因素中包含温度、湿度、风速和降雨量4个变量，通过比较各变量单位变化对公交客流量的变动百分比，得到4个变量的影响重要程度。其中类型一线路分季节模型的各变量系数见表1。根据各变量单位变化对公交客流量变动百分比的比较，得到对类型一线路按影响重要程度排列各变量的顺序依次为：湿度、温度、是否降雨、风速。2013年9月的4个最佳备选日期的天气预报情况如表3所示，通过综合比较，确定2013年9月17日为线路类型一公交客流的最佳调查日期。

三的最佳客流调查日期应在11月份的4个周三中选取，其次则在周二、周一或周四中选取。在实际工作开展时若认为3种线路类型的调查日期跨越2个月的时长无法满足需要，可以根据实际需求对某些线路的调查日期做出次优选择。在本项目中，考虑实际的进展需要和天气预报情况，类型一选择9月17日（周二）进行公交客流调查，类型二和类型三选择9月18日（周三）进行调查。

  以上客流调查日期的选取是基于已有IC卡数据的分析，这个结果在城市社会经济环境稳定的情况下是比较稳定的，因此，能够为今后奉贤区各线路公交客流人工调查日的基本选择提供重要参考，具体选择则根据线路类型及天气预报来进行。另外，如果所调查的城市缺乏基本的IC卡数据来进行分析，则可以参考近似城市的调查日期分析结果进行人工调查日期的选择也不失一般意义。

4结语

在城市社会经济环境基本稳定的情况下，公交客流需求也呈现出相对稳定的特点，这为公交抽样调查的代表性提供了重要的基础。为进一步科学地确定公交客流抽样的调查日期，本文根据公交客流需求的影响因素特征，对客流随机波动性的天气影响因素进行分析，并结合已有的公交IC卡客流数据来确定公交客流人工补充抽样调查的日期，且在工程实际中得到良好应用。其基本步骤是：通过建立公交客流量的多元线性回归模型和分析公交客流月变特征，确定调查月份；再根据公交客流量周变箱线图确定在星期几调查；最后根据天气状况得到具体调查日期。研究成果能避免调查日期选择的经验性与随机性，提高调查日期所获得数据的代表性，从而提高调查的质量，对公交规划和运营决策的改善具有理论与实用价值，特别是在公交管理部门需要根据实际客流规模给予公交公司补贴的决策中，如何根据已有IC卡数据，通过公交客流补充抽样调查分析来获得公交客流总体规模显得尤为重要。

5摘要  目前公交客流调查日期的确定往往过于经验性和随机性，不利于调查数据质量的把握。文中通过建立多元回归模型，定量研究了公交日常客流随机波动的天气影响因素，并结合IC卡数据样本特征分析，提出了确定公交客流辅助调查日期的具体方法。该方法在工程实践中得到良好应用，且为相应区域公交规划的调查日期确定提供了参考依据。