EN中文

Journal of Geo-information Science >

2016 , Vol. 18 >Issue 10: 1374 - 1383

DOI: https://doi.org/10.3724/SP.J.1047.2016.01374

Orginal Article

Passengers' OD Temporal-spatial Distribution Characteristics of the External Traffic Hubs in Beijing

  • YANG Gege , 1, 2 ,
  • SONG Ci 1, 2 ,
  • PEI Tao , 1, 2, 3, * ,
  • ZHOU Chenghu 1, 2 ,
  • SHU Hua 1, 2 ,
  • ZHANG Jia 1, 2
Expand
  • 1. State Key Lab of Resources and Environmental Information System, IGSNRR, CAS, Beijing 100101, China
  • 2. University of Chinese Academy of Sciences, Beijing 100049, China
  • 3. Jiangsu Center for Collaborative Innovation in Geographical Information Resource Development and Application Nanjing, 210023, China
*Corresponding author: PEI Tao, E-mail:

Received date: 2016-02-24

  Request revised date: 2016-04-15

  Online published: 2016-10-25

Copyright

《地球信息科学学报》编辑部 所有
Fold

Abstract

External traffic hub has a major impact on inner-city traffic, hence it is of great significance to study its passengers' OD distribution within the city for designing ground connection lines and stops along the route. Based on the Taxi GPS data in Beijing, this paper selected three typical types of external traffic hubs (airport, train station, bus passenger station) and studied the passengers' OD temporal-spatial distribution characteristics of external traffic hubs in Beijing by using methods of standard deviational ellipse, kernel density estimation and statistical analysis. The results showed that: (1) passenger traffic in the airport and the train station is much larger than the bus passenger station. Beijing Capital International Airport and Beijing West Railway Station have the largest outbound passenger capacity, while Beijing Nanyuan Airport and Beijing North Railway Station have fewer outbound passengers. (2) airport passengers are mainly distributed within most parts of the 4th Ring Road region and some parts of the 5th Ring Road region. The passenger traffic in the airport covers all the time periods except a period between 1 am and 4 am. Passengers of the train station are mainly distributed within most parts of the 4th Ring Road region and their traffic time mainly occures between 6 am and 9 pm. Passengers of each bus passenger station are mainly distributed in the peripheral area of itself and their traffic time mainly occures between 6 am and 5 pm. (3) Beijing South Railway Station has a strong connection with Beijing West Railway station and Beijing Railway station, so it is worth opening special connection lines between Beijing South Railway Station and the other two stations. In addition, the distribution areas for passengers of Beijing Capital International Airport and Beijing Nanyuan Airport are in accordance with certain new airport bus lines opened recently, which demonstrated that passengers' OD analysis based on taxi GPS data may indeed provide a good basis for the decision-making departments to conduct proper transportation planning.

Key words： external traffic hub; kernel density estimation; standard deviational ellipse; taxi GPS; Beijing

Cite this article

YANG Gege , SONG Ci , PEI Tao , ZHOU Chenghu , SHU Hua , ZHANG Jia . Passengers' OD Temporal-spatial Distribution Characteristics of the External Traffic Hubs in Beijing[J]. Journal of Geo-information Science, 2016 , 18(10) : 1374 -1383 . DOI: 10.3724/SP.J.1047.2016.01374

1 引言

对外交通枢纽是城市交通枢纽系统中非常重要的组成部分,承担着民航、铁路、公路、水路等多种交通方式的相互衔接与转换[1],不仅是城际交流最关键的运输节点,同时,因机场、火车站等大量客流的到发集散和中转换乘[2],对外交通枢纽对城市内部的客流交通也有重大影响,在城市内部交通规划中占有十分重要的地位[3]。
乘客从城市内部某起点（O）到达对外交通枢纽以及从对外交通枢纽离开去往某终点（D）的过程称为城市内部的对外出行。城市内部对外出行客流的日益加大不但引发了局部道路拥堵,沿途公共交通设施供需不平衡也给乘客对外出行带来了诸多不便[4]。为了缓解上述交通问题,除了进一步优化轨道交通资源配置[5]外,合理规划机场巴士、站间摆渡车等对外交通枢纽地面接驳线至关重要[6-8]。研究城市对外交通枢纽乘客的OD时空分布规律,可以了解乘客分布的热点与相应交通设施的配套关系,揭示城市对外出行中的交通“弱点”、“盲点”,从而为交管部门优化设计地面接驳线路、设置沿线站点等提供理论依据与决策支持。
目前,已有学者开展了对外交通枢纽乘客市内OD时空特征的相关研究,包括各枢纽乘客在市内各区域的空间分布比例[9]和方向性分布情况[10],以及乘客出行时间点分布[11]和抵离各枢纽市内出行时耗[12-13],并对其与市内交通接驳配套[14]、枢纽规划布局[10]等提出了相关建议。还有学者通过OD数据对客流分布进行预测[15-16]及对外交通枢纽对周边交通的影响评价[17]。上述研究大多基于问卷调查数据辅以票务数据进行资料收集,样本量较小,数据更新慢且耗费较大成本,尤其因地理尺度问题在涉及乘客空间分布等内容时无法直观进行特征表达。
出租车是城市出行的重要交通工具,其车载GPS按一定规律记录下出租车的时间、地点及载客状态,能较好地表征乘客乘车出行的起点（O）与目的地（D）[18-20]。因此,出租车GPS数据逐渐成为近年来研究者对于居民出行特征研究的热点数据 源[21-22],很多学者利用其研究乘客OD的时空分布规律,主要分为3类：① 研究出租车载客点的分布为司机寻找客源提供揽客策略[23],预测乘客打车热点区域[24];② 研究出租车的上、下客点分布来识别城市热点区域[25-27];③ 研究出租车乘客出行轨迹以提高公共交通服务水平,如夜间巴士线路规划[28]、优化公交车站点布设等[29]。本文将使用出租车GPS数据刻画北京对外交通枢纽乘客的对外出行特征,并比较北京不同位置、类型对外交通枢纽乘客OD时空分布的差异性,为交管部门合理规划对外交通枢纽地面接驳线等提供依据。

2 数据与研究方法

2.1 数据概况

目前北京市对外交通枢纽主要分为民用机场、客运火车站以及长途汽车客运站3类,民用机场包括位于北京顺义境内的首都国际机场和地处丰台区的南苑机场;客运火车站包括北京北站、北京南站、北京西站和北京站,基本都分布在城区靠中心二环、三环地带;长途汽车客运站包括北郊、赵公口、六里桥等10个客运站,大多分布在北京城西部和南部。北京市主要对外交通枢纽共16个,其分布如图1所示。
Fig. 1 Spatial distribution of major externaltraffic hubs in Beijing

图1 北京主要对外交通枢纽的空间位置

考虑地理空间上的距离,本文将首都国际机场的T1、T2航站楼与T3航站楼分开讨论,此外,为了减少分析内容的重复冗余,本文选择位于北京城东、南、西、北部的4座代表性汽车客运站（四惠、木樨园、六里桥和北郊客运站）作为样本进行研究。
本文采用北京某出租车公司9000多辆出租车在2011年4月5日、4月15至19日、5月1日的GPS数据,时间上涵盖了节日、工作日以及普通周末。GPS数据记录包含出租车ID、日期、时刻、经度、纬度、运营状态（载客或空驶）等信息。在对数据进行清洗、建库和乘客上下车点（O、D点）提取后,将每个落在对外交通枢纽进站口/出站口一定范围内的出租车下客/上客点进行识别,每个点看做是该对外交通枢纽服务的对外出行乘客,其在GPS轨迹数据库中对应的上客/下客点则代表该乘客的来源地。本文的对外出行是指乘客乘出租车到达或离开对外交通枢纽的出行行为。

2.2 研究方法

本文所用数据基于GPS点,对于点数据的空间分布模式分析常用的方法有标准差椭圆以及核密度估计等,其中标准差椭圆可以揭示出乘客上、下客点在空间分布上的整体特征,并将其离散程度在空间上的各向异性进行直观表达。核密度估计方法考虑了空间邻近相关性,能够直观地反映出乘客上、下客点密度分布的变化趋势。因此,本文结合标准差椭圆和核密度估计2种方法来表达乘客OD的空间分布特征。
2.2.1 标准差椭圆分析
标准差椭圆的原理[30]是：由研究区域中所有要素的x坐标和y坐标求均值得到平均中心,以此作为起点对x坐标和y坐标的标准差进行计算来定义包含所有要素分布的椭圆的轴线。标准差椭圆的计算主要由旋转角θ、长轴方向的标准差和短轴方向的标准差3个变量确定。计算公式如式（1）-（5）所示。
SD E x = ∑ i = 1 n ( x i - X ¯ ) 2 n （1）
SD E y = ∑ i = 1 n ( y i - Y ¯ ) 2 n （2）
tanθ = ∑ i = 1 n x ˜ i 2 - ∑ i = 1 n y ˜ i 2 + ∑ i = 1 n x ˜ i 2 - ∑ i = 1 n y ˜ i 2 2 + 4 ∑ i = 1 n x ˜ i y ˜ i 2 2 ∑ i = 1 n x ˜ i y ˜ i （3）
σ x = ∑ i = 1 n ( x ˜ i cosθ - y ˜ i sinθ ) 2 n （4）
σ y = ∑ i = 1 n ( x ˜ i sinθ - y ˜ i cosθ ) 2 n （5）
式中：SDEx和SDEy分别代表椭圆x和y轴;xi、yi分别代表点要素i的坐标; X ̅ 、 Y ̅ 代表所有要素的平均中心;θ为旋转方向角;n为所有点要素的总数;tanθ为椭圆偏转角度; x ˜ i 、 y ˜ i 是点要素i的坐标与平均中心坐标的偏差;σx、σy分别是x轴和y轴的标准差距离[31]。
本文采用ArcGIS 10.1提供的标准差椭圆工具分别对各对外交通枢纽到达和离开的乘客上、下客点进行了标准差椭圆分析,输出大小选择“一个标准差椭圆面”（覆盖包含68%的点要素集合）[30]。椭圆的长轴为点要素空间分布最多的方向,短轴为点要素空间分布最少的方向。
2.2.2 核密度估计方法
核密度分析法[32]是空间分析中运用广泛的非参数估计方法,用于计算要素在其周围邻域中的密度。该方法以特定要素点的位置为中心,将该点的属性分布在指定阈值范围内（半径为h的圆）,统计圆范围内点要素的的数量并除以圆面积。在中心位置处密度最大,随距离衰减,到极限距离处密度为0,密度表面可以显示出点要素或线要素较为集中的地方。核密度计算公式[33]如式（6）所示。
P ( x ) = 1 n h ∑ i = 1 n K d ( x , x i ) h （6）
式中：n表示距离尺度范围内所包含的点要素数量;K( )表示核密度函数;h为距离阈值;d(x, xi)表示估计点x到样本点xi之间的欧氏距离。为了能够准确地反映乘客上、下出租车点的分布特征而又不过于细节化,本文应用ArcGIS 10.1软件选取输出空间参考中输出范围的宽度或高度的最小值除以30为距离阈值,分别对各对外交通枢纽到达和离开的乘客上、下客点进行核密度分析。

3 北京市对外交通枢纽乘客OD时空分布特征

3.1 乘客对外出行整体特征分析

本文按节日（4月5日、5月1日）、工作日（4月15日、4月18至19日）以及普通周末（4月16至17日）3种类型分别统计了北京乘客日均对外出行客流量,如图2所示。整体来说,机场、火车站的对外出行客流量远大于汽车客运站,占乘客对外出行的主体。其中,首都国际机场与北京西站的对外出行客流量相对最大,北京南站与北京站次之,南苑机场和北京北站的对外出行客流量相对较少,日均在200人次以下。
工作日乘客对外出行的客流量相对较大,节日相对较少,且乘客到达交通枢纽的客流量一般大于从交通枢纽离开的客流量。从不同类型对外交通枢纽来看,3个机场的客流量特征均为节日客流量最少,且乘客到达机场的客流量小于其乘车从机场离开,而在工作日与普通周末时,情况反之。这一现象在首都国际机场中更明显。4个火车站的客流特征差异较大,其中乘客整体流量较小的北京北站在不同时日到达和离开的客流量分布较平均;北京南站和北京西站的特征均为节日客流量明显小于工作日与普通周末,工作日与普通周末相差不大,而总体上乘客到达的日均客流量明显大于乘客日均离开;北京站乘客到达与离开客流量分布较均衡,但不同的是,其离开的客流量都明显大于该日到达的客流量。汽车客运站客流量分布也普遍呈现出乘客到达的客流量大于离开的特点,因整体客流量较少,不同类型时日的客流差别也较小。

3.2 北京市对外出行乘客OD时空分布特征

根据对外交通枢纽的类型,本文分别从机场、火车站、客运站3个方面对北京对外交通枢纽的乘客OD进行了标准差椭圆分析、核密度估计分布制图（图3）以及分时点客流统计雷达图（图4）,并且基于乘客离开对外交通枢纽的下车点（D）和乘客到达的上车点（O）2个角度分别刻画了不同类型对外交通枢纽乘客OD的时空分布特征。
（1）机场
通过标准差椭圆分析可知（图3）,T1、T2航站楼与T3航站楼的标准差椭圆范围基本包括五环内偏东北部分地区以及东北五环外小部分区域,空间上东北偏向性明显。南苑机场的标准差椭圆范围包括四环内大部分区域和南四环外部分地区,具有明显的向心性。机场乘客对外出行空间分布核密度分析结果表明（图3）,首都机场T1、T2航站楼格局与T3航站楼相似,核密度高值区主要集中在三元桥、北京站和国贸地区,同时,西二环复兴门地区核密度值也较高。整体来看,乘客到达机场上客点分布核密度值更高,集中趋势更明显。南苑机场的核密度值整体相对较小,聚集程度不如T1、T2航站楼与T3航站楼明显,其出租车乘客上、下客点主要分布在北京南站以及北京站附近地区。乘客到达机场与乘客离开机场的上、下客点间核密度分布空间趋势大体一致。
机场对外出行乘客上、下客流量的时间分布如图4所示,外圈为各个时点（0-23时）,内环网格线对应不同OD客流,值大小对应0点线旁刻度（雷达图含义下同）。对于T1、T2航站楼与T3航站楼来说,乘客在清晨5-6时打车去上述2个交通枢纽的人数最多,其余时间段分布较均衡,从傍晚17时之后打车人数逐渐减少直到22-23时降到最低。此时乘客从机场打车回市区的流量较高,之后逐渐降低,凌晨2-清晨7时鲜有乘客从机场打车,9时之后从机场打车回市区的客流增多,各时间段分布均衡。南苑机场规律与上述二者大体类似,只是在早高峰、中午时分、晚高峰时间段打车去南苑机场的客流明显减少。
（2）火车站
从火车站乘客上、下客点标准差椭圆分析结果可以看出（图3）,北京北站覆盖范围在四环内偏西北部分地区以及北四环外部分区域,北京南站和北京西站标准差椭圆基本覆盖四环内区域。而北京站标准差椭圆偏向东北四环,乘客离开北京站下客点标准差椭圆面积更大。大部分标准差椭圆的分布趋向性在空间上不明显。核密度分析结果显示（图3）,北京南站、北京西站和北京站出租车对外出行乘客分布具有明显的聚集特征,而且出现了多个集聚中心。北京北站的乘客上、下客点分布主要在北京北站周边地区,北部或西部;北京南站除了周边地区上、下客点较集聚外,主要分布在北京西站、北京站附近,其下客点的核密度高值区从北京南站到国贸地区呈条带状分布;北京西站除了其邻近区域呈现十分明显的集聚特征外,也在北京北站、北京南站和北京站所在地区出现了核密度高值区;北京站核密度高值区主要集中在北京西站以及西南二环间。乘客到达火车站与乘客离开火车站的上、下客点间核密度分布空间趋势大体一致。
从火车站对外出行乘客客流量时间分布图（图4）可知,除了客流量大小有区别,乘客打车去各个火车站的时间多集中在早上5时到晚上19-20时,北京站稍晚,到21时,乘客从各个火车站打车往城区的时间多集中在早上6时到晚上23时,北京站稍早,5时开始,北京南站稍晚,7时开始。4个火车站时点分布规律大体相似。
（3）汽车客运站
由图3可知,汽车客运站的对外出行空间分布相对机场与火车站来说差异较为明显。首先是客运站本身乘客离开下客点与到达上客点之间存在差异,如北郊客运站,其乘客离开下客点标准差椭圆主要覆盖北二环到北五环之间的区域,乘客到达上客点标准差椭圆空间上相对下移,形状也发生了变化;其次,客运站之间标准差椭圆的空间格局存在较大差异。例如,北郊客运站与木樨园客运站,一个位置偏北,一个位置偏南。汽车客运站的核密度分析（图3）表明,4个客运站的对外出行乘客上下客点核密度值都不高,集聚程度均不明显,只是在空间上有差异。北郊客运站与六里桥客运站乘客上、下客点间的核密度分布趋势大体相似,高值区都分布在客运站附近地区。木樨园客运站下客点主要分布在其东面的刘家窑地区,上客点聚集区较分散,包括北京站、前门、和平门以及刘家窑地区。四惠客运站下客点主要分布在其附近的京通快速公路沿线,上客点主要分布在其周边地区。
汽车客运站对外出行客流时点分布图（图4）表明,乘客打车去客运站的时间多为清晨5-6时到下午16-17时,乘客从客运站打车往城区也都在此时间段之间。北郊客运站客流时间分布波动较强,其它客运站客流时点分布相对平稳,总体特征是在每个时刻乘客到达的客流量基本上大于乘客离开的客流量,其中六里桥和四惠客运站这种差异更明显。
Fig. 2 Comparison of daily OD traffic for the external traffic hubs in Beijing

图2 北京市对外交通枢纽日均OD客流特征比较

Fig. 3 Spatial distribution of outbound passengers' OD

图3 对外出行乘客OD空间分布

Fig. 4 Time distribution of outbound passengers' OD traffic

图4 对外出行乘客OD客流时点分布

3.3 北京对外交通枢纽间客流分析

通过对北京市对外交通枢纽乘客OD进行核密度分析发现,其分布有集聚区位于其它对外交通枢纽区域的显著特点,其中绝大多数为中转换乘旅客。因此,为了探究北京对外交通枢纽中转换乘的客流特征,本文将从同类型对外交通枢纽以及不同类型对外交通枢纽之间2个层面进行换乘客流量分析。由于汽车客运站之间以及汽车客运站与机场、火车站间客流量整体较少,不具典型代表性,故本文着重讨论机场与火车站之间的换乘客流。
北京市机场与火车站间换乘客流如表1所示,同类型对外交通枢纽间换乘客流较多的有首都机场T1、T2航站楼与首都机场T3航站楼,以及北京南站、北京西站、北京站三者之间。从上述3个火车站任意一个站到其他2个火车站换乘的需求都较大,其中北京南站与北京西站间的换乘联系最多。换乘客流较少的有北京北站与其他3个火车站,及南苑机场与首都机场3个航站楼。不同类型对外交通枢纽间的客流联系主要发生在北京南站、北京西站、北京站到首都机场T1、T2航站楼和首都机场T3航站楼之间,其中换乘联系最为紧密的属北京南站与首都机场T3航站楼,其次为北京西站与首都机场T3航站楼以及北京南站与首都机场T1、T2航站楼,而北京站与首都机场3个航站楼再次。此外,南苑机场与火车站以及北京北站与机场间的换乘客流相对较少。
Tab. 1 Transfer traffic between two external traffic hubs in Beijing (the airport and the railway station)

表1 北京对外交通枢纽间换乘客流（机场与火车站）

对外交通
枢纽1		 对外交通
枢纽2		 客流量
/次
同类型对外交通枢纽 首都机场T1、T2航站楼 首都机场T3航站楼 156
首都机场T1、T2航站楼 南苑机场 21
首都机场T3航站楼 南苑机场 22
北京北站 北京南站 1
北京北站 北京西站 17
北京北站 北京站 3
北京南站 北京西站 357
北京南站 北京站 113
北京西站 北京站 270
不同类型对外交通枢纽 北京北站 首都机场T1、T2航站楼 7
北京南站 首都机场T1、T2航站楼 87
北京西站 首都机场T1、T2航站楼 76
北京站 首都机场T1、T2航站楼 70
北京北站 首都机场T3航站楼 5
北京南站 首都机场T3航站楼 129
北京西站 首都机场T3航站楼 88
北京站 首都机场T3航站楼 74
北京北站 南苑机场 1
北京南站 南苑机场 41
北京西站 南苑机场 14
北京站 南苑机场 16

4 讨论

北京首都国际机场旅客年吞吐量达到8600多万人次,远超南苑机场（年吞吐量500万人次）。因此前者对外出行客流远大于后者。2011年首都国际机场已开通9条通往市区的机场巴士线路,沿途各点主要分布在二环全线、东、北三环、四环上,总体覆盖面与乘客主要分布所在的标准差椭圆区域相似,但从线路设置来说尚有欠妥之处。从图3可知,部分站点周边2~3 km范围依然有乘客OD热点区域分布,如离北京站较近的王府井、国贸站附近的四惠等地,但上述地区却无设站。位于东北四环与东北五环间的望京大部分地区都有乘客OD分布,而望京地区机场巴士线路设站较少,以及与首都机场换乘较多的北京南站并没有开通机场巴士线等问题。据2016年最新机场大巴线路安排可知,目前首都国际机场已开通包括燕郊在内的17条往返市区的机场巴士线路,站点已进行了较大幅度的完善,新增的线路包括了上述线路设置不合理的“盲点”区以及六里桥、石景山等地[34]。南苑机场在2011年时仅一条机场大巴专线,途经福海公园、天坛、前门到达西单,从西单开往南苑机场则是直达,沿途不设站点。乘出租车对外出行到达南苑机场乘客主要分布在北京南站、公益西桥、大红门、北京站周边的东四、灯市口区域以及北京西站、西单等地,离开南苑机场乘客主要分布在公益西桥、北京南站、国贸商务区、北京西站等地,这与2015年新开的南苑机场通往市区的机场巴士线路站点大多一致[35]。
对外交通枢纽间的中转换乘方面,首都机场各航站楼之间有客满即走的免费摆渡车解决航空旅客的转机需求,此外,首都国际机场已开通了往返于4个火车站的机场巴士线路,方便乘客进行换乘。北京西站、北京南站、北京站之间的客流量较大,乘客在这3站之间的中转换乘较为集中。北京西站主要始发终到中国南部与西北等地区的旅客列车,北京南站主要包括京沪高铁、京津高铁的到发线,以及少量到东南、东北地区的高铁线路,北京站主要承担东北地区大部分列车,西北、南方地区少数列车,以及少数国际线路。2011年北京西站地铁站尚未开通运营,其它3个火车站所在地均设有地铁站,再加上北京西站是北京客流量最大的火车站,因此北京西站出租车对外出行客流相对较大。目前北京西站已开通了2条地铁线路,与北京站之间存在直达的地面接驳线以及地下直径线（列车）,这给中转换乘旅客,尤其是东北方向的乘客带来了极大便利。但北京南站与北京西站、北京南站与北京站之间尚未开通地面接驳车,附近公交站点步行在1 km以上,乘坐地铁通行也需要进行换乘,为了给中转换乘旅客提供便利,未来可以考虑适时开通北京南站与此二站的接驳专线。

5 结论

作为表征乘客出行OD的重要数据源,本文采用出租车GPS数据并基于标准差椭圆和核密度估计方法对北京对外交通枢纽乘客的客流特征、乘客OD时空分布等进行了刻画分析,主要结论如下：
（1）城市对外出行客流量在不同对外交通枢纽之间的差异性较明显,同类型交通枢纽间的差异也较大,主要表现在机场、火车站的客流量远大于汽车客运站,其中首都国际机场与北京西站的对外出行客流量相对最大,南苑机场和北京北站的对外出行客流量相对较少。
（2）机场乘客空间上主要分布在四环以里大部分地区以及五环以里部分地区,时间上主要分布在除凌晨1-4时的各个时间段;火车站乘客空间上主要分布在四环以里区域,时间上主要分布在6-21时;汽车客运站乘客在空间上主要分布在各客运站周边区域,时间上主要集中在白天6-17时。
（3）北京南站、北京西站、北京站间的客流联系较多,针对目前现状,可考虑开通北京南站与北京西站、北京站间的地面接驳专线。此外,抵离首都国际机场、南苑机场的乘客分布与最新开通的机场往返市区的巴士线路站点较为一致,说明本文研究思路在一定程度上与目前配套交通运营大体匹配,采用出租车数据进行乘客OD分析可为决策部门进行相关交通规划提供依据。

The authors have declared that no competing interests exist.

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
吴海俊,郭淑霞,聂大华,等.城市对外客运交通枢纽客流分析[C].城市道桥与防洪全国技术论坛, 2013:49-57.

[ Wu H J, Guo S X, Nie D H, et al. Passenger flow analysis of urban external traffic hub[C]. Urban Roads Bridges & Flood Control National Technical Forum, 2013:49-57. ]

[2]
晏启鹏,王忠强.城市对外交通枢纽站客流交通特性分析[J].重庆交通大学学报:自然科学版, 2001,20(4):92-95.分析城市对外交通枢纽站客流需求 ,采用生成、分布、方式与经路选择 ,确定道路及公交网络的流量及交通工具需求数量 .为停车场规划、交通管理、内外交通衔接规划提供参考 .

DOI

[ Yan Q P, Wang Z Q. Analysis for passenger traffic characteristics of external traffic hub in urban[J]. Journal of Chongqing Jiaotong University, 2001,20(4):92-95. ]

[3]
陈大伟,李旭宏.大城市对外客运枢纽与公共交通衔接规划研究[J].交通运输工程与信息学报, 2008,6(4):21-28.

[ Chen D W, Li X H. Research on transfer facilityplanning between urban outwardpassenger transport terminal and public transit[J]. Journal of Transportation Engineering and Information, 2008,6(4):21-28. ]

[4]
袁建. 大型机场公交集疏运系统改进评价方法研究[D].上海:同济大学,2008.

[ Yuan J.Research on evaluation method for improvement of large airport ground transit access systems [D]. Shanghai: Tongji University, 2008. ]

[5]
杨群. 轨道交通接入机场的时间与方式研究[D].成都:西南交通大学,2012.

[ Yang Q.The timing and manner of study of rail transit access to the airport[D]. Chengdu: Southwest Jiaotong University, 2012. ]

[6]
陆婧,杨忠振,刘瑞菊.考虑发车间隔与乘客人数关系的机场长途巴士时刻表优化设计[J].系统工程理论与实践,2013,33(8):2097-2104.<p>本文在考虑发车间隔与乘客人数间关系的基础上研究机场长途巴士时刻表的优化设计问题. 首先证明机场长途巴士时刻表是影响乘车人数和巴士运营成本的重要因素, 其次利用厂商均衡理论分析巴士时刻表与乘车人数之间的关系, 然后针对巴士发车间隔与乘车需求的关系, 建立使机场长途巴士利润最大的不固定发车间隔的时刻表优化模型, 并利用矩阵编码的遗传算法进行求解. 最终得到机场长途巴士各线路上应有的发车数和发车时刻.</p>

[ Lu J, Yang Z Z, Liu R J.Timetable design of the airport coach based on the relationshipbetween the headway and the passenger volume[J]. Systems Engineering-Theory & Practice, 2013,33(8):2097-2104. ]

[7]
杨永平,宗传苓.深圳北站综合交通枢纽出租车接驳方案研究[J].城市轨道交通研究,2010(1):41-45.深圳北站是深圳市在建的大型综合交通枢纽,出租车接驳设施的规划设计是该枢纽的难点之一.依据现有建设条件及出租车场站与国铁、城市轨道交通、道路公交、 广场及周边道路等的接驳关系及出租车场站方案布局难点,提出出租车接驳设施规划的理念与思路.在对枢纽出租车场站相关的各类人流与车流特点分析的基础上, 通过两层及三层方案的比选,提出出租车场站三层立体布局的接驳方案.同时对出租车上客区的布局方式进行4个不同方案的比选.推荐采用矩阵式出租车上客布局 方案.

DOI

[ Yang Y P, Zong C L.On taxi connection scheme in Shenzhen North Station comprehensive hub[J]. Urban Mass Transit, 2010,1:41-45. ]

[8]
董洁霜,李任涵,陈文明.小城镇对外交通组织方法初探——以苍南火车站场区为例[J].城市规划,2011(S1):108-112.伴随着小城镇社会经济发展,交通需求增长迅速.尤其在机动化率较 高的东部沿海地区,小城镇内外交通衔接点的用地布局和交通组织的矛盾愈加突出.本文通过分析小城镇对外交通特性和内外交通衔接点的形式,提出适用于小城镇 的对外交通组织的步骤和方法,并以浙江省苍南县火车站站前区为例,进行实证分析.

[ Dong J S, Li R H, Chen W M.Organization method of outbound traffic in small towns: a case study on Cangnan railway station area[J]. City Planning Review, 2011,S1:108-112. ]

[9]
郭莉,徐旭晖.深圳市铁路对外枢纽乘客出行特征分析[C].协同发展与交通实践——2015年中国城市交通规划年会暨第28次学术研讨会,2015:218.

[ Guo L, Xu X Analysis on passenger trip characteristics of Shenzhen railway external hub[C]. Annual Meeting of Chinese Urban Transportation Planning, 2015 & 28th Academic Symposium, 2015:218. ]

[10]
易斌. 大城市中心城区公路客运枢纽客流特征分析与布局优化对策探讨——以广州市为例[C].新型城镇化与交通发展——2013年中国城市交通规划年会暨第27次学术研讨会,2014:1455-1466.

[ Yi B.Passenger flow character analysis and discussion on layout optimization strategy: a case study of Guangzhou[C]. Annual Meeting of Chinese Urban Transportation Planning, 2013 & 27th Academic Symposium, 2014:1455-1466. ]

[11]
邹歆. 基于铁路乘客出行特征的枢纽集散交通研究[D].北京:中国城市规划设计研究院,2010.

[ Zou X.Research on aggregating and evacuating transportation in railway station based on characteristic of the passengers' trips[D]. Beijing: China Academy of Urban Planning Design, 2010. ]

[12]
官盛飞. 虹桥机场旅客特性调查分析[C].上海空港(第20辑),2015:30-36.

[ Guan S F.Investigation and analysis on passenger’s character of Hongqiao Airport[C]. Shanghai airport (20thseries), 2015:30-36. ]

[13]
叶嵩. 基于乘客出行特征分析的郊区型高铁站选址研究[C].城乡治理与规划改革——2014中国城市规划年会,2014:831-844.

[ Ye S.Study on the location of suburban high speed railway station based on analysis of characteristic of the passengers’ trips[C]. 2014 Annual Meeting of Chinese Urban Transportation Planning, 2014:831-844. ]

[14]
张戎,孙小兴.上海高速铁路旅客市内交通出行方式调查[J].铁道运输与经济,2011(12):71-75.以上海市的上海站和虹桥站高速铁路旅客为研究对象,在进行问卷调查的基础上,对高速铁路旅客的个人特征、市内交通出行特征、市内交通出行意愿和高速铁路车站的交通配套意见进行统计分析,并且对市内交通方式与出行距离、旅客收入、费用来源、出行目的等的关系进行分析论述,并根据研究结果提出改善和加强高速铁路车站与市内交通衔接的有关建议.

DOI

[ Zhang R, Sun X X.Investigation on the urban traffic trip mode of Shanghai high speed railway passenger[J]. Railway Transport and Economy, 2011,12:71-75. ]

[15]
张宇,阮金梅.基于市场竞争的多机场城市航空客流需求预测[C].城乡治理与规划改革——2014中国城市规划年会,2014:280-292.

[ Zhang Y, Ruan J M.Forecast of air passenger demand in multi airports based on market competition[C]. 2014 Annual Meeting of Chinese Urban Transportation Planning, 2014:280-292. ]

[16]
张昕,胡金星,尹凌,等.基于实时数据的交通枢纽客流态势研究[C].第七届中国智能交通年会, 2012:253-260. ]

[ Zhang X, Hu J X, Yin L, et al. Research on traffic hub passenger flow situation based on real-time data[C]. The 7th annual meeting of China's Intelligent Transportation, 2012:253-260. ]

[17]
王燕. 城市对外客运枢纽交通影响分析研究[D].西安:长安大学,2008.

[ Wang Y.Study on traffic impact analysis of urban external passenger transport hub[D]. Xi' an: Chang'an University, 2008. ]

[18]
Si Y, Weng J C, Chen Z H, et al.Taxi travel purpose estimation and characteristic analysis based on multi-source data and semantic reasoning - a case study of Beijing[J]. Web Information Systems Engineering - Wise 2013 Workshops, 2014,8182:474-492.

[19]
Peng C B, Jin X G, Wong K C, et al.Correction: collective human mobility pattern from taxi trips in urban area[J]. Plos One, 2012,7(4):e34487.Correction: Collective Human Mobility Pattern from Taxi Trips in Urban Areaarticlehttp://www.plosone.org/article/info%3Adoi%2F10.1371%2Fannotation%2Ff0d48839-ed4b-4cb2-822a-d449a6b4fa5d

DOI PMID

[20]
Castro P S, Zhang D Q, Chen C, et al.From taxi GPS traces to social and community dynamics: a survey[J]. ACM Computing Surveys, 2013,46(2):1167-1182.

[21]
Scholz R W, Lu Y M.Detection of dynamic activity patterns at a collective level from large-volume trajectory data[J]. International Journal of Geographical Information Science, 2014,28(5):946-963.Recent developments in pervasive location acquisition technologies provide the technical support for massive collection of trajectory data. Activity locations identified from trajectory data can be used to evaluate space-time activity patterns. However, the studies that explore activity patterns at collective levels often fail to address the temporal aspect. The traditional spatial statistics, which are commonly used for spatial pattern analysis, are limited in describing space-time interactions. This paper proposes a method to detect the dynamics of space-time development of urban activity patterns that are embedded in large volume trajectory data. Taxi cabs' trajectory data in the city of San Francisco were analyzed to identify activity instances, activity hot spots, and space-time dynamics of activity hot spots. The urban activity hot spots, evolving through different stages and across the city, provide a comprehensive depiction of the space-time activity patterns in the urban landscape. The dynamic patterns of the activity hot spots can be used to retrieve historical events and to predict future activity hot spots, which may be valuable for transportation and public safety management.

DOI

[22]
Liu Y, Kang C G, Gao S, et al.Understanding intra-urban trip patterns from taxi trajectory data[J]. Journal of Geographical Systems, 2012,14(4):463-483.Intra-urban human mobility is investigated by means of taxi trajectory data that are collected in Shanghai, China, where taxis play an important role in urban transportation. From the taxi trajectories, approximately 1.5 million trips of anonymous customers are extracted on seven consecutive days. The globally spatio-temporal patterns of trips exhibit a significant daily regularity. Since each trip can be viewed as a displacement in the random walk model, the distributions of the distance and direction of the extracted trips are investigated in this research. The direction distribution shows an NEE-SWW-dominant direction, and the distance distribution can be well fitted by an exponentially truncated power law, with the scaling exponent beta = 1.2 +/- A 0.15. The observed patterns are attributed to the geographical heterogeneity of the study area, which makes the spatial distribution of trajectory stops to be non-uniform. We thus construct a model that integrates both the geographical heterogeneity and distance decay effect, to interpret the observed patterns. Our Monte Carlo simulation results closely match to the observed patterns and thus validate the proposed model. According to the proposed model, in a single-core urban area, the geographical heterogeneity and distance decay effect improve each other when influencing human mobility patterns. Geographical heterogeneity leads to a faster observed decay, and the distance decay effect makes the spatial distribution of trips more concentrated.

DOI

[23]
Ge Y, Xiong H, Tuzhilin A, et al.An energy-efficient mobile recommender system[C]. Proceedings of the 16th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 2010:899-908.

[24]
Chang H W, Tai Y C, Hsu Y J.Context-aware taxi demand hotspots prediction[J]. International Journal of Business Intelligence & Data Mining, 2010,5(1):3-18.Abstract: In an urban area, the demand for taxis is not always matched up with the supply. This paper proposes mining historical data to predict demand distributions with respect to contexts of time, weather, and taxi location. The four-step process consists of data filtering, clustering, semantic annotation, and hotness calculation. The results of three clustering algorithms are compared and demonstrated in a web mash-up application to show that context-aware demand prediction can help improve the management of taxi fleets.

DOI

[25]
Wang H D, Zou H X, Yue Y, et al.Visualizing hot spot analysis result based on mashup[C]. GIS Proceedings of the ACM International Symposium on Advances in Geographic Information Systems, 2009:45-48.

[26]
马云飞. 基于出租车轨迹点的居民出行热点区域与时空特征研究[D].南京:南京师范大学,2014.

[ Ma Y F.Research on residents’ behavior of attractive areas and spatio-temporal feature based on taxi trajectory data: a case of Kunshan city[D]. Nanjing: Nanjing Normal University, 2014. ]

[27]
童晓君. 基于出租车GPS数据的居民出行行为分析[D].长沙:中南大学,2012.

[ Tong X J.Analysis of residents' behavior based on the taxi GPS data[D]. Changsha: Central South University, 2012. ]

[28]
Chen C, Zhang D Q, Zhou Z H, et al.B-Planner: night bus route planning using large-scale taxi GPS traces[C]. IEEE International Conference on Pervasive Computing and Communications, 2013:225-233.

[29]
巴兴强,姜博瀚,朱海涛,等.基于出租车运营GPS数据的城市公交线路优化方法研究[J].森林工程,2015(3):124-127.城市公交线路优化是在现有城市公交资源的条件下通过修改公交路 径、公交站点位置、公交发车频率等可控条件,以提高公交运行效率,提升公交吸引力出行分担率的主要方法.目前公交线路优化方法一般存在耗时长、工作量大、 理论性强而实际应用困难等问题.随着GPS、移动互联网等技术的成熟及应用设备成本的下降,越来越多的城市运营出租车都安装了GPS监控设备.由于出租汽 车与公交车在运送目的、运行道路等方面的高度关联性,出租车运营数据可以侧面反映出居民出行需求及公交服务水平,可以通过出租车运营GPS数据设计一种城 市公交线路优化方法.这种公交线路优化方法获取的参数数据具有时效性强,准确反映出近期(甚至即时)的城市交通运行状况和局面交通需求状况;效果可视性 好,由GIS地图反映出的出租车位置点、起讫点、公交车站点布设、途径路径等数据直观可靠.同时,具有调查成本低,获取数据范围广,数据量大,方便快捷等 特点,利用这种方法为未来建立实用性强的公交线路优化方法,为建立公交线路优化指标体系提出新的思路.

[ Ba X Q, Jiang B H, Zhu H T, et al.A new method for the optimization of city buslines based on the taxi operating GPS data[J]. Forest Engineering, 2015,3:124-127. ]

[30]
Mitchel A.The ESRI guide to GIS analysis, volume 2: spatial measurements and statistics [M]. Redlands, CA: ESRI Press, 2005.

[31]
张珣,钟耳顺,张小虎,等.2004-2008年北京城区商业网点空间分布与集聚特征[J].地理科学进展,2013,32(8):1207-1215.本文以北京城区内的8 个行政区作为研究对象,选取批发和零售业、住宿和餐饮业、居民服务与其他服务业作为具体的商业类别,利用北京第一次、第二次全国经济普查数据,采用核密度(Kernel)、标准差椭圆、Ripley's <i>K(r)</i>函数相结合的GIS 点模式分析方法,对比研究了2004 年和2008 年北京市商业网点分布与空间集聚特征。研究结果表明:① 北京商业网点呈现相对集中分布态势,具有向心性并形成明显的集聚区,集聚中心主要分布在五环内,且在两次普查期间有所改变,商业网点空间偏向性差异明显;② 以CBD、金融街、王府井、中关村、亚运村和奥运村等为代表的典型商圈对北京商业网点的布局影响十分显著,商业网点在典型商圈周围分布密度较高,呈现集聚中心状态;③ 北京商业网点Ripley's <i>K(r)</i>曲线随距离的变化总体呈现“先增后减”态势,其中受居民小区影响较大的居民服务与其他服务业网点两次普查期间变化剧烈,反映了居民由市中心向外扩散的过程。

DOI

[ Zhang X, Zhong E S, Zhang X H, et al.Spatial distribution and clustering of commercial network in Beijing during 2004-2008[J]. Progress in Geography, 2013,32(8):1207-1215. ]

[32]
Silverman B W.Density estimation for statistics and data analysis[M]. London, UK: Chapman & Hall, 1986.

[33]
董丞妍,罗明良,昌小莉,等.汶川及芦山地震余震分布的空间尺度效应[J].地震学报,2015,37(1):113-124.基于GIS点格局方法,从余震点分布的不确定性以及烈度区与点空间距离格局的关系角度研究了汶川及芦山余震点格局.结果表明：余震在较小尺度内接近随机分布且关联效应明显;在较大尺度内余震聚集分布,空间距离关联仍呈幂律关系,无标度区间的上下限与不同烈度区的长短轴间存在关联.汶川、芦山余震形成东北西南向矩形的热点、次热点分布区,区域内最邻近指数为0.99,0.76;映秀Ⅺ度、芦山Ⅸ度烈度区内最邻近指数分别为1.02和0.95,显示余震点在强烈度、高聚集区内趋向随机分布.余震点距离关联特征表明：汶川余震在13.5-20 km和30-43 km区间,芦山余震在7-14.5 km区间内关联程度显著;汶川余震在66-82 km、225-236 km、317-321.5 km区间以及芦山余震在15.5-22 km、23-32.5 km、33.5-43.5 km区间仍呈幂律关系.该结果与汶川地震Ⅺ-Ⅸ度、芦山地震Ⅸ Ⅶ度烈度分布区域的长短轴存在一定关联,321.5 km和40 km与两次地震主破裂面长度也较为吻合.对比核密度估计与地震烈度图可以看出：带宽越小,核密度面积与较高烈度区域的一致性越大;随着带宽的扩大,核密度面积与烈度区的差异也越大.

DOI

[ Dong C Y, Luo M L, Chang X L, et al.Spatial location behavior of aftershocks of Wenchuan Ms8.0 and Lushan Ms7.0 earthquakes[J]. Acta Seismologica Sinica, 2015,37(1):113-124. ]

[34]
北京首都国际机场有限公司网站[EB/OL]..

[ Beijing Capital International Airport Co]

[35]
余梦洁. 低油耗低故障低污染民航安乐:上海日野发动机有“三低”[J].商用汽车新闻,2015(27):12.正7月16日,北京民航安乐出 租汽车有限责任公司(以下简称"民航安乐")开通南苑机场至公主坟的巴士线路,改变了多年来南苑机场与市区之间仅有一条机场巴士线路的情况。此前,出港旅 客只能选择其他交通方式到达西单后再乘坐机场巴士前往南苑机场。而到港旅客也仅能选择位于南中轴线附近的大红门、天坛、前门等为数不多的站点就近下车换乘 其他交通方式。而新开线路将北京西站、北京南站与南苑机场紧

[ Yu M J.Low fuel consumption, low troublefrequency, low pollution: Shanghai Hino engine has "three low"[J]. Commercial Vehicle News, 2015,27:12. ]

Options
Outlines

/

〈 〉