EN中文

地球信息科学学报, 2022, 24(2): 249-262 doi:10.12082/dqxxkx.2022.210373

地球信息技术在国土空间规划中的应用

降雨事件对上海地铁通勤客流时空影响的精细尺度研究

黄盛,1, 李卫江,1,*, 朱梦茹1, 刘振2

1.上海师范大学环境与地理科学学院,上海 200234

2.上海市城乡建设和交通发展研究院,上海 200040

A Fine-scale Study on Spatio-temporal Patterns of Metro Commuter Flows under Rainfall Events in Shanghai

HUANG Sheng,1, LI Weijiang,1,*, ZHU Mengru1, LIU Zhen2

1. College of environmental and Geography Sciences, Shanghai Normal University, Shanghai 200234, China

2. Shanghai Urban- Rural Construction and Transportation Development Research Institute, Shanghai 200040, China

通讯作者: *李卫江(1976—),男,河南灵宝人,博士,副教授,主要从事自然灾害影响评估、GIS开发与应用研究。 E-mail: lwj@shnu.edu.cn

收稿日期: 2021-07-5   修回日期: 2021-07-29  

基金资助: 国家自然科学基金项目(41771540)
国家重点研发计划项目(2017YFC1503001)
国家重点研发计划项目(2019YFB2101600)

Corresponding authors: *LI Weijiang, E-mail: lwj@shnu.edu.cn

Received: 2021-07-5   Revised: 2021-07-29  

Fund supported: National Natural Science Foundation of China(41771540)
National Key Research and Development Program of China(2017YFC1503001)
National Key Research and Development Program of China(2019YFB2101600)

作者简介 About authors

黄 盛(1996— ),男,江苏昆山人,硕士,主要从事极端天气对轨道交通的影响研究。E-mail: 240102989@qq.com

摘要

全球气候变化背景下,降雨事件日益增多,严重影响城市交通和居民的日常出行。本文以上海市为例,基于分时降雨数据和地铁OD客流数据,运用Prophet时序模型拟合降雨事件下的客流常态值,从站点和OD二个维度定量评估降雨造成的地铁通勤客流变化时空格局。研究结果表明：① 通勤客流总体随小时雨量增大而下降,不同类型站点客流的降雨波动性呈现差异;降雨会造成进站客流的时间滞后性和堆积性,通勤出行需求越大的站点类型堆积效应越显著;由于出发时间弹性差异,不同时点客流的降雨敏感性也不同,7:00和17:00敏感性较高,8:00—9:00和18:00—19:00则相对刚性;② 降雨会造成行程时间≤15 min的短距离客流显著上升,总体增加7.3%,中长距离客流变化不明显,总体减少1.3%;在不同功能区之间,早高峰居住型→产业型的客流波动和时间堆积性最为显著,晚高峰商服型→居住型的返程客流波动性较低;早高峰降雨敏感性线路的起始站点多分布在大型居住区,晚高峰则位于大型产业园区和商业中心;晚高峰返程客流的波动性低于早高峰。尽管降雨事件对通勤客流总量影响不明显,但会造成局部空间区域和时点的客流激增。本文的研究方法与结果有助于量化降雨对地铁通勤客流的影响程度,并为空间化的交通运行保障提供决策依据。

关键词： 降雨事件; 地铁通勤; 客流波动; 通勤距离; 通勤弹性; 时空格局; 上海市; Prophet模型

Abstract

In the context of global climate change, extreme precipitation events are becoming more frequent and have an increasing impact on urban commutes. In this study, based on hourly rainfall data and metro OD passenger flow data, we use a prophet time-series model to forecast the regular values of commuting flow under rainfall events, and quantitatively assess the spatial-temporal changes of commuting flow caused by rainfall at station and OD levels. Our results show that (1) the commuting flow generally tends to decrease with increasing hourly rainfall. The fluctuation of commuting flow varies from one type of station to another. Rainfall can delay commuting departure time and lead to surge in metro flow in certain times. The higher the commuting demand for a station, the more its flow fluctuates. Flow fluctuation due to rainfall varies in different time periods. 7:00 and 17:00 show high fluctuation with more flexibility in commuting departure time, while 8:00—9:00 and 18:00—19:00 show high rigidity; (2) Rainfall can induce a significant increase in short commuting flow of less than 15 minutes, averaging to around 7.3%. In contrast, the impact on medium and long commuting flow is modest, with an overall decrease of 1.3%. Of the OD flows across various functional zones, fluctuation from residential to industrial stations is most notable during the morning commute, while less so from commercial to residential stations during the evening commute. Most of the departure stations of rainfall-sensitive metro lines during the morning commute are located around large residential areas, and around large industrial parks and commercial centers during the evening commute. Flow fluctuation in the evening commute is lower than that in the morning commute. Although total commuting flow is not significantly affected by rainfall, its surge in certain local regions and times should be highlighted. Our methodology and results will help to quantify the impact of rainfall on metro commutes and provide a basis for spatialized transport coping strategies.

Keywords： rainfall events; metro commuting; passenger flow fluctuation; commuting distance; commuting elasticity; spatio-temporal patterns; Shanghai; the Prophet model

PDF (14124KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

黄盛, 李卫江, 朱梦茹, 刘振. 降雨事件对上海地铁通勤客流时空影响的精细尺度研究[J]. 地球信息科学学报, 2022, 24(2): 249-262 doi:10.12082/dqxxkx.2022.210373

HUANG Sheng, LI Weijiang, ZHU Mengru, LIU Zhen. A Fine-scale Study on Spatio-temporal Patterns of Metro Commuter Flows under Rainfall Events in Shanghai[J]. Journal of Geo-information Science, 2022, 24(2): 249-262 doi:10.12082/dqxxkx.2022.210373

1 引言

随着全球气候变暖,城市降雨强度呈明显增加趋势[1,2]。降雨事件与城市早晚通勤高峰时段叠加,对公共交通和居民出行影响日益加剧[3]。如何定量评估降雨对城市通勤交通的影响,并进行有效空间应对和保障,提高交通系统的韧性,是亟待解决的关键问题[4,5,6]。地铁是城市交通系统的重要组成部分,是居民通勤出行的主要方式[7]。根据上海交通年报,2020年上海中心城区地铁通勤客流占比达到58%[8]。挖掘降雨事件下城市地铁通勤客流时空变化格局和出行方式变化,能够为交通管理部门合理制定预案并有效应对紧急情况提供依据[9]。

目前主要采用2种方法研究极端天气下的地铁交通出行变化与通勤影响。① 通过调查问卷研究降雨下居民出行需求的变化,如对出行方式、出行时间、出行距离的影响。Wu等[10]调查发现在恶劣天气下,受访者倾向于选择地铁或汽车出行。李梦雅[11]发现暴雨会造成通勤群体的出行时间推移。Jain等[12]发现极端天气下较长距离出行的地铁乘客不太可能改变其已有的出行方式。但是,问卷调查结果存在一些不足,调查结果与居民的实际出行可能存在不一致性。② 利用实时交通智能卡大数据,建立天气因素与客流量之间的统计关系,探究对不同出行目的、不同群体的影响程 度[13,14,15]。Arana等[16]考虑了出行目的差异,发现有规律出行者比无规律出行者受天气影响更小。Tao等[17]运用偏相关等统计分析方法和地理可视化技术,探讨不同空间尺度下客流受天气影响的程度。此外,有学者开始使用时间序列回归模型来评估天气因素造成的客流变化[18,19]。但是,现有研究多数采用长序列的、聚合的日降雨数据和日客流量进行关联分析[20,21]。通勤客流波动（通勤行为）受降雨开始时间、历时、范围和强度,暴露站点所处地理位置和周边建成环境,以及通勤距离等因素共同影响。粗粒度研究结果无法深入揭示和刻画降雨事件对地铁客流影响的时空异质性,并难以应用于关键时段和空间区域的交通出行保障决策。

基于以上分析,本文基于小时尺度的降雨空间分布数据和地铁进出站客流数据,利用Prophet时间序列分析方法,定量评估地铁通勤客流受降雨影响的时空规律,深入挖掘客流波动的站点、距离和行程特征等,预期为交通管理部门有效空间化应对紧急情况提供依据。

2 研究区概况、数据来源与研究方法

2.1 研究区概况

研究区为上海市域范围内（不包括崇明岛及附属岛屿）共15条地铁运营线路,包括L1-13、L16和L17号线,共320个地铁站点（相同站点名已合并）。由于数据限制,不包括2018年末开通的5号线和13号线延长部分（图1）。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   上海地铁分布区域地铁线路和站点分布

Fig. 1   Distribution of metro lines and stations in the Shanghai metro distribution area


2.2 数据来源及预处理

2.2.1 降雨数据

共包括上海市2020年6月5日、2020年7月6日和2020年7月15日降雨日样本数据,降雨量均超过50mm/d,且与早晚高峰叠加。通过编写爬虫程序,从上海防汛公众号（http://bmxx.swj.sh.gov.cn/shfx）抓取全市范围内49个雨量站6:00—22:00的小时降雨量数据,并进行克里格插值。然后,根据小时降雨量划分为小雨（≤2.5 mm）、中雨（2.6~8.0 mm）、大雨（8.1~15.0 mm）和暴雨（≥16.0 mm）不同等 级[22]。图2显示了6月5日、7月6日和7月15日 6:00—22:00的降雨过程和空间分布。最后,叠加降雨空间分布与地铁站点位置,以分析地铁站点客流的降雨敏感性。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   2020年6月5日、7月6日和7月15日上海地铁分布区域小时降雨量以及空间分布

Fig. 2   Hourly rainfall and spatial distribution of Shanghai metro distribution areas on June 5, July 6 and July 15, 2020


2.2.2 地铁客流数据

地铁OD客流数据来源于上海交通信息中心。选取了2020年5月6日至6月5日,以及2020年6月29日至7月29日2个时间段的进出站客流序列数据用于预测降雨日的客流常态值。由于周末双休日地铁出行的一般性规律较工作日有较大差异,因此予以剔除。数据格式为每小时OD对的进出站客流,时段覆盖6:00—22:00,具体形式如表1。

表1   上海市地铁OD客流数据记录

Table 1  Data records for metro passenger flows in Shanghai

日期时间进站站点编号出站站点编号客流量/人
2020-05-0608:000849123910
2020-05-0808:000925011320
2020-06-0508:000921114513

新窗口打开| 下载CSV


首先,进行早晚高峰时段有规律OD通勤流的清洗。以地铁站点对为对象,筛选出工作日早晚高峰时段内具有双向潮汐客流的OD路线,视为有规律出行路线进行保留,其余则剔除。其次,进行站点客流与降雨强度的时空匹配。基于小时尺度将地铁客流数据与降雨数据进行时间匹配,同时将点状地铁站客流数据与空间插值后的降雨量分布数据进行空间匹配,以分析站点客流的降雨敏感性。

2.3 研究方法

2.3.1 研究框架

本文主要探讨降雨对通勤客流的影响,因此研究时段设置为工作日早高峰7:00—10:00和晚高峰17:00—20:00。首先,基于地铁客流逐日、分时、分站点、分OD的客流时序数据,利用Prophet时序分析方法拟合降雨日的常态客流;其次,比较降雨日的实际客流和常态拟合客流,计算降雨因素造成的客流波动量;再次,基于日常进出站客流数据和周边POI数据,对站点功能进行分类;然后,对台站小时降雨量数据进行克里格空间插值,实现降雨强度和客流波动的时空匹配;最后,从地铁站点和OD 2个维度,分析降雨对客流影响的时空格局(图3)。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   地铁和降雨数据匹配和分析研究路线

Fig. 3   Study route for matching and analysis of metro and rainfall data


2.3.2 地铁站点类型识别及OD距离估计

（1）基于K-Means聚类算法的站点类型划分

地铁站点所处的位置和周边的土地利用结构不同,影响居民出行意愿和客流波动[23,24]。因此针对常态下的进出站客流数据,利用无监督的 K-Means算法对站点进行分类。K-Means是一种迭代求解的聚类算法,其基本思想是：预先将样本分为k组,随机选取k个样本作为初始的聚类中心;计算每个样本与各聚类中心之间的距离,并分配给距离最近的聚类中心,生成初始聚类;每分配一个新样本,重新计算聚类中心,不断迭代最终达到标准为止[25]。这里以每个站点6:00—22:00的进站与出站常态客流量为样本,进行归一化处理并组合形成一个32列聚类特征序列,采用K-Means算法对具有相似进站和出站客流特征的站点进行聚类。

图4是基于常态下站点日客流特征进行分类的结果。其中,图4(a)的单峰型站点具有明显的进站早高峰和出站晚高峰,属于典型的居住型站点;图4(b)的单峰型站点具有明显的进站晚高峰和出站早高峰,属于典型的就业型站点;图4(c)的双峰型站点,进站和出站客流都有明显的早晚高峰,是具有居住和就业双重属性的混合型站点;图4(d)的站点客流分布不规律,表现为进站和出站客流具有多个波峰,主要集中在机场、旅游景区、医院等区域,大部分属于不规律出行,且此类站点数量过少,进行剔除。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   上海市不同类型站点的客流模式

Fig. 4   Passenger flow patterns for different types of stations in Shanghai


就业型站点周围用地的建筑结构、产业类型、设施分布存在明显差异。因此,从百度地图抓取POI,结合不同类型POI密度对就业型站点进一步分类。表征商服型用地特征的POI包括商场、超市、银行、写字楼等,表征产业型用地特征的POI包括产业园区、工厂等。其中,处于产业园区和工厂POI集聚区视为产业型站点,处于商场和写字楼POI集聚区视为为商服型站点（图5）。由于不同类型POI的用地面积和建筑面积存在较大差异,因此参考 池娇等[26]方法进行权重赋值,即商服类型为1、产业类型为4。在GIS软件中选取就业型站点800 m缓冲区范围内的POI点,计算其类型比例 Fi进行判别（式（1））。

Fi=niN

式中： Fi为类型比例; ni为第i种类型POI数量;N为所有POI总数。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   上海市各类型POI核密度分布

Fig. 5   Kernel density of different types of POI in Shanghai


为了验证站点功能分类的准确性,基于分层随机抽样思想,根据功能类型和空间分区选择站点样本,并利用百度地图平台对站点800 m范围内的土地利用现状进行对比。总体上,站点功能分类结果与周边土地结构基本一致。分环线区域统计各类型站点分布（图6）。47%居住型站点位于内环区域以外,72%混合型站点位于靠近内环线的中心城区,94%产业型站点位于中外环,86%商服型站点位于内环地区。站点类型分布大致呈现为由内向外的环形分布格局。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6   上海市不同类型站点的区域分布

Fig. 6   Regional distribution of various types of stations in Shanghai


（2）OD行程时间距离估计

出行距离是影响地铁出行意愿的重要因素[27,28]。调用百度地图api路径规划功能（http://lbsyun.baidu.com/index.php?title=webapi/direction-api-v2）,得到各站点之间地铁行程时间距离矩阵,以分析不同OD行程距离对于降雨的敏感性。

2.3.3 客流波动定量分析

（1）基于Prophet时间序列模型的常态值估计

运用Prophet时序模型预测降雨日期的常态客流量,并与实际客流量对比,定量分析暴雨事件对地铁客流的影响。Prophet模型是Facebook开发的一种新型时间序列预测模型[29],擅长处理时间序列中的缺失值和异常值。Prophet模型采用一个广义加法模型来拟合平滑和预测函数。Prophet加法模型构成如下：

y(t)=g(t)+s(t)+h(t)+εt

式中： y(t)表示预测值; g(t)表示非周期性趋势分量; s(t)表示由于每年、每周或每天的周期性而引起的周期性变化; h(t)表示节假日或特殊事件的影响; εt为误差项。地铁客流通常呈现出周期性变化（如一天的高峰时段和非高峰时段）,为了拟合和预测这些效应,Prophet使用傅里叶级数来模拟周期效应。周期效应 s(t)可以表示为：

s(t)=∑n=1N ancos2πntP+bnsin2πntP

式中：P表示时间序列的周期（P=365.25表示以年为周期,P=7表示以周为周期）;t表示日期。N表示傅里叶级数的阶,对于以年为周期的序列,一般设N=10;对于以周为周期的序列,设N=3[29]。

采用MAPE（平均绝对百分比误差）作为衡量时间序列预测模型性能的指标,MAPE越小表明预测模型越有效。

MAPE=100%n∑i=1n yˆi-yiyi

式中： yˆi为预测值; yi为真实值。

（2）客流波动幅度计算

降雨造成的客流波动幅度计算公式如下：

eD(t)=RD(t)-R̅D(t)R̅D(t)×100%

式中： eD(t)表示第D天第t小时的客流波动幅度; RD(t)为第D天第t小时的实际客流; R̅D(t)为第D天第t小时的常态客流。

3 结果与分析

3.1 Prophet模型对客流拟合结果

以2020年6月5日为例,利用Prophet模型分别拟合全网络、站点、OD尺度的常态客流,并与实际客流进行比较（图7）。整体上,上海全市早高峰进站客流常态拟合值为92.85万人,实际值为93.54万人,降雨导致客流总体增加0.75%,MAPE值为2.23%。晚高峰进站客流常态拟合值为75.69万人,实际值为75.83万人,降雨导致客流总体增加0.18%,MAPE值2.12%。同时,在主要站点和OD线路上,早晚高峰时段的常态客流也得到了较好的拟合效果,可用于评估降雨事件造成的客流波动程度。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7   Prophet模型对上海市2020年6月5日客流模拟结果

Fig. 7   Simulation results of passenger flows on 5 June 2020 using the Prophet model in Shanghai


3.2 降雨对不同类型站点的通勤客流影响

3.2.1 不同类型站点的客流波动幅度总体分布

分别针对早高峰和晚高峰时段,统计各类型站点客流波动幅度分布（图8）。从不同降雨等级来看,小雨对早晚高峰各类型站点的通勤客流无显著影响（除晚高峰居住型站点外）,客流波动幅度主要分布在-5.0%~5.0%。中雨至暴雨下,客流呈现随降雨量增大而减少的趋势。

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8   上海市不同降雨等级下各类型站点客流波动幅度

Fig. 8   Flow fluctuations for each type of station at different rainfall levels in Shanghai


不同类型站点的进站客流降雨波动性呈现差异（图8）。在早高峰,商服型站点外的其他类型站点下降明显,通勤客流比例最大的居住型站点在中大雨平均降幅（中值）达2.5%,暴雨达5.9%;混合型站点在中大雨平均降幅达1.7%,暴雨达6.1%;产业型站点在中大雨平均降幅达2.4%,暴雨达7.4%。在晚高峰,通勤客流比例最大的返程站点是商服型站点和产业型站点。商服型站点降幅最小,中大雨平均降幅为1.4%,暴雨为3.4%,可能的原因是商服型站点位于高可达性的内环地区,轨道线网和站点密度大,居民前往地铁站途中受降雨影响较小导致客流波动较小;产业型站点在中大雨平均降幅为3.1%,暴雨为6.9%,较商服型站点整体降幅更大,可能的原因是产业园区周边用地类型单一,前往地铁站点步行衔接设施不完善,导致居民前往地铁站的接驳途中受降雨影响较大;通勤弹性最大的居住型站点降幅最明显,小雨平均降幅达6.3%,暴雨达15.3%;其次是混合型站点,中大雨平均降幅达3.8%,暴雨达10.7%。

部分类型站点在小雨下客流波动幅度为正,一方面是因为小雨对于地铁客流的抑制作用不明显,另一方面与降雨过程及强度分布有关。部分样本日的降雨在早晚高峰存在明显的由强转弱过程,即在通勤出发时间弹性较大的时点（如早高峰7:00,晚高峰17:00）雨强较大,出发时间弹性较小的时点雨强减弱。因此,表现出推迟出行和堆积客流在小雨下的正向波动性。由于降雨时间和过程的不确定性,造成客流波动规律的不稳定。今后需要利用更多降雨事件数据进行深入研究。

3.2.2 不同类型站点客流的时间堆积性

相关问卷调查表明[11,30],降雨会提前或推迟居民通勤出行时间。6月5日和7月6日高峰时期的降雨特征为由强减弱,且客流波动特征近似,因此仅选取6月5日;7月15日的降雨特征为早晚高峰持续性强降雨。对2020年6月5日和7月15日2个特征日期的早晚高峰客流时间分布进行分析,其降雨过程与早晚高峰通勤时段高度叠加（图9）。

图9

新窗口打开| 下载原图ZIP| 生成PPT

图9   上海市分小时客流波动量随降雨强度变化

Fig. 9   Variation in hourly flow fluctuations with rainfall intensity in Shanghai


从总体特征来看,降雨会造成出行客流时间滞后性,进站客流呈现先减后增的趋势。2个日期早高峰7:00强降雨,导致进站客流大幅减少,随后客流在8:00—9:00出现反弹;晚高峰17:00强降雨导致客流减少,在后续时段也出现客流反弹现象。

各类型站点客流时间堆积性呈现差异。通勤出行需求越大的站点类型,时间堆积效应越显著。早高峰,居住型和混合型站点的堆积效应要高于其他类型站点,产业型最低;晚高峰,商服型站点的堆积效应最高,其次是产业型和混合型。

不同雨强导致的堆积效应呈现差异。小时雨量越大对于瞬时客流的抑制作用越明显,造成后续客流堆积效应越强。降雨较弱或停止情况下,由于通勤出行的刚性,客流会快速回升,甚至超过正常水平。

3.2.3 不同时点客流的降雨敏感性

以小时为间隔尺度,建立客流波动幅度（y）与降雨量（x）的拟合方程,以探测不同时点客流的降雨敏感性（表2）。其中,在早高峰时段,居住型站点较为显著;在晚高峰时段,商服型站点较为显著。

表2   上海市不同通勤时点客流波动幅度与降雨量关系

Table 2  Relationship between flow fluctuations and rainfall at various commuting times in Shanghai

通勤时点站点类型
居住型混合型产业型商服型
7:00y=-0.0045x-0.0118
R²=0.286		y=0.0035x+0.0010
R²=0.231		-y=-0.0021x+0.0220
R²=0.201
8:00y=-0.0021x+0.0408
R²=0.205		y=-0.0088x+0.0312
R²=0.151		y=-0.0072x+0.0185
R²=0.151		-
9:00y=-0.0011x-0.0129
R²=0.155		-y=-0.0101x+0.0490
R²=0.142		-
17:00y=-0.0052x-0.0531
R²=0.212		y=-0.0280x-0.0272
R²=0.181		y=-0.0072x+0.0101
R²=0.194		y=-0.0039x+0.0076
R²=0.274
18:00---y=-0.0007x+0.0145
R²=0.164
19:00---y=0.0012x-0.0139
R²=0.155

注：“-”表示拟合方程P>0.05,不显著;公式中y代表客流波动幅度,x代表降雨量。

新窗口打开| 下载CSV


图10反映了居住型站点在早高峰不同时点的客流敏感性差异。其中,由于7:00的出发时间弹性大,客流呈现出了较高的降雨敏感性;而由于8:00—9:00出发时间弹性小,呈现出较低的敏感性。图11反映了商服型站点在晚高峰不同时点的客流敏感性差异。在17:00敏感性较高,而在18:00—19:00较低。

图10

新窗口打开| 下载原图ZIP| 生成PPT

图10   上海市早高峰居住型站点客流波动幅度与雨强关系

Fig. 10   Relationship between flow fluctuations and rainfall during the morning commute at residential metro stations in Shanghai


图11

新窗口打开| 下载原图ZIP| 生成PPT

图11   上海市晚高峰商服型站点客流波动幅度与雨强关系

Fig. 11   Relationship between flow fluctuations and rainfall during the evening commute at commercial and service metro stations in Shanghai


3.3 降雨对通勤OD流的影响

3.3.1 不同行程距离的客流波动

以5 min行程为间隔,统计常态下的早晚高峰出行时间分布（图12）。鉴于行程大于100 min的OD客流比重仅占0.02%,不予考虑。按照客流分布并参考黄洁等[31,32]划分标准,将行程时间划分为短（≤15 min）、中（15~45 min）、长（45~60 min）和极长（≥60 min） 4种类型。图12表明,常态下早晚高峰的地铁短距离客流占8.3%,中距离占65.5%,长距离占18.3%,极长距离占7.9%。

图12

新窗口打开| 下载原图ZIP| 生成PPT

图12   常态行程距离及客流分布

Fig. 12   Normal metro commuting distances and flows


同时,根据每个时间区间内实际客流与拟合 的常态客流差异,计算三日平均客流波动幅度（图13）。其中,降雨会造成行程时间≤15 min的短距离OD客流显著上升,最大增幅接近35%,短距离OD客流总体增加7.3%,中长距离OD客流总体减少1.3%。随着行程时间增加,OD客流变化不明显。结果表明,降雨会造成短距离出行客流增大,中长距离出行相对刚性,这与有关调查问卷结果基本一致[12]。

图13

新窗口打开| 下载原图ZIP| 生成PPT

图13   不同行程距离的客流波动幅度

Fig. 13   Flow fluctuations at various metro commuting distances


根据OD行程时间距离以及起止站点的位置,统计客流波动幅度的空间分布（图14）。高峰时段短距离增加客流主要位于外环内的中心城区。主要是由于中心城区通勤出行方式多样,助动车、自行车、步行等短距离通勤方式会在降雨天切换到地铁等公共交通,导致短距离客流急剧上升。相关通勤出行需求调查研究也表明,降雨天气下,由于地铁在准时性方面有较高保障,步行和自行车/电动车等通勤出行会优先转为地铁出行[30]。而位于外环外的长距离通勤出行,由于出行方式的单一性和对地铁的高度依赖性,客流受降雨影响不显著。

图14

新窗口打开| 下载原图ZIP| 生成PPT

图14   不同距离客流波动幅度的区域分布

Fig. 14   Regional distribution of flows with different metro commuting distances


3.3.2 主要功能区之间的客流波动

根据OD起止站点所处的功能区,设置4种典型通勤OD模式,探讨降雨影响的空间格局。其中,早高峰为居住型→产业型,居住型→商服型;晚高峰为产业型→居住型,商服型→居住型。计算三日功能区之间的平均客流波动幅度,如图15所示,早高峰7:00,居住型→产业型和居住型→商服型的客流均呈现较大幅度的减少;早高峰8:00和9:00,客流则显著增加,居住型→产业型的客流增幅更大。主要原因是早高峰前往产业区的OD出行准时性要求较高,时间弹性较小。晚高峰从产业区、商业服务区返回居住区的客流也呈现先减后增的趋势。由于商服型地铁站点多分布于可达性高的内环地区,接驳站点途中受降雨影响较小,从而导致返程通勤客流波动幅度较低。

图15

新窗口打开| 下载原图ZIP| 生成PPT

图15   上海市早晚高峰主要功能区之间的客流波动幅度

Fig. 15   Flow fluctuations between major functional areas in the morning and evening peaks in Shanghai


3.3.3 主要敏感线路的客流波动

从百度地图爬取每条OD经过的站点并进行分段,然后把降雨造成的OD客流变化量匹配到毗邻站点之间的分段线路,以专题图示降雨对主要地铁线路的通勤客流影响,如图16所示。每条线路包含双向OD客流变化量（如泗泾→九亭,九亭→泗泾）。在早高峰7:00,地铁客流整体显著减少;在8:00和9:00,客流则显著增加。主要线路的起始站点多位于大型居住区,如佘山、莘庄、共富新村等。地铁是这些地区居民通勤出行的主要方式,降雨造成的进站客流时点不平衡和瞬时激增,极易导致运力不足而客流积压。在晚高峰17:00,地铁客流整体减少;在18:00和19:00则明显增加。主要线路的起始站点多处于大型的产业园区和商业中心（如漕河泾开发区、人民广场、徐家汇、陆家嘴等）。相较于早高峰,晚高峰的客流变化幅度较小。

图16

新窗口打开| 下载原图ZIP| 生成PPT

图16   上海市2020年6月5日早晚高峰主要线路的通勤客流变化

Fig. 16   Flow fluctuations on major routes in Shanghai in the morning and evening peaks on June 5, 2020


4 结论与讨论

本文以上海市为例,基于分时地铁刷卡数据和降雨数据,利用Prophet时间序列模型拟合常态地铁通勤客流,并从站点和OD这2个维度定量评估降雨事件造成的通勤客流变化时空格局。研究结果表明：

（1）降雨对各类型站点进站客流的影响不同。早高峰,商服型站点外的其他类型站点下降明显,受降雨影响最大的居住型站点在中大雨平均降幅（中值）达2.5%,暴雨达5.9%。晚高峰,由于商服型站点所处内环地区可达性高,接驳地铁站途中受风险较小,导致商服型站点降雨下的降幅最小。降雨会造成通勤客流的时间滞后性和堆积性,进站客流呈现先减后增的趋势,早高峰堆积效应最显著的是居住型站点,晚高峰则是商服型和产业型站点。由于出发时间弹性不同,各时点客流的降雨敏感性也呈现差异,表现为7:00和17:00敏感性较高,8:00—9:00和18:00—19:00则相对刚性。

（2）降雨对OD客流的影响呈现差异性。在行程距离上,降雨会造成行程时间≤15 min的短距离客流显著上升,最大增幅接近35%。随着行程时间增加,客流变化不明显。在不同功能区之间,早高峰居住型→产业型和商服型的客流均呈现出时间堆积性,由于出行准时性要求较高,居住型→产业型的客流波动性和堆积性更为显著。晚高峰产业型和商服型→居住型的客流波动性低于早高峰。在地铁线路上,降雨会导致出行客流在部分时点的急剧上升,早高峰降雨敏感性线路的起始站点多数分布在大型居住区,晚高峰则位于大型产业园区和商业中心,晚高峰客流变化幅度小于早高峰。

本研究有助于深入理解降雨事件下地铁通勤客流波动的时空格局以及居民出行变化特征,对于极端天气下的客流预判与预案制定具有一定的参考价值。一方面,交通管理部门可根据降雨发生的时间、强度和空间分布特征,快速识别影响显著的敏感性区域、站点或线路,有重点进行空间应对和应急保障。另一方面,针对常发性的降雨敏感性区域和站点,通过合理的城市空间规划和综合性交通配套,减少降雨对通勤客流的影响。

由于降雨事件发生时点、持续过程和强度分布的随机性,地铁站点周边地理建成环境的空间异质性,以及地铁通勤出行决策的复杂性[33,34],需要对研究结果的稳定性进一步验证。今后,拟基于大样本降雨事件序列,构建更为自动化的模型方法,以提高研究结果的可靠性。同时,居住地/工作地与地铁站的接驳行程也是影响地铁通勤的重要因素[35,36],需要纳入更为细化的地铁站周边建成环境指标,以深入分析降雨与建成环境对地铁客流的协同影响机制,使得研究结果更具有针对性。

参考文献

Sillmann J, Kharin V V, Zhang X, et al.

Climate extremes indices in the CMIP5 multimodel ensemble: Part 1. Model evaluation in the present climate

[J]. Journal of Geophysical Research: Atmospheres, 2013, 118(4):1716-1733. DOI: 10.1002/jgrd.50188

URL     [本文引用: 1]

Pendergrass A G, Hartmann D L.

Changes in the distribution of rain frequency and intensity in response to global warming

[J]. Journal of Climate, 2014, 27(22):8372-8383. DOI: 10.1175/JCLI-D-14-00183.1

URL     [本文引用: 1]

Yang S N, Yin G F, Shi X W, et al.

Modeling the adverse impact of rainstorms on a regional transport network

[J]. International Journal of Disaster Risk Science, 2016, 7(1):77-87. DOI: 10.1007/s13753-016-0082-9

URL     [本文引用: 1]

Böcker L, Dijst M, Prillwitz J.

Impact of everyday weather on individual daily travel behaviours in perspective: A literature review

[J]. Transport Reviews, 2013, 33(1):71-91. DOI: 10.1080/01441647.2012.747114

URL     [本文引用: 1]

Kashfi S A, Bunker J M, Yigitcanlar T.

Modelling and analysing effects of complex seasonality and weather on an area's daily transit ridership rate

[J]. Journal of Transport Geography, 2016, 54:310-324. DOI: 10.1016/j.jtrangeo.2016.06.018

URL     [本文引用: 1]

易嘉伟, 王楠, 千家乐, 等.

基于大数据的极端暴雨事件下城市道路交通及人群活动时空响应

[J]. 地理学报, 2020, 75(3):497-508.

DOI:10.11821/dlxb202003005      [本文引用: 1]

随着全球气候变化加剧,极端降雨增多,暴雨内涝灾害频发,严重威胁城市的可持续发展。快速掌握暴雨给城市交通及人群的影响,有助于提高灾害应急管理水平和事件响应能力。利用实时动态的交通路况信息和手机定位请求数据,通过一种融合STL时序分解技术与极端学生化偏差统计检验的时间序列异常探测方法,监测和分析暴雨内涝灾害事件中,城市道路交通和人群活动的时空响应特征,并以2018年7月16日发生在北京的极端暴雨事件为例开展实证研究。研究结果显示,在降雨集中的早、晚高峰两个时段（8—9时、18—19时）,市区的拥堵道路数量超出往常水平最高可达150%,异常检测分析显示拥堵道路数量和交通拥堵指数均达到异常甚至极端水平。人群活动的异常响应分析结果显示,暴雨事件引起定位请求量异常升高、异常点增多,且异常点的空间分布与1 h前的降雨量分布存在较高相关性。以上结果不仅证明了大数据及异常检测方法对于快速洞察暴雨事件对城市交通及人群影响的有效性,也为城市暴雨内涝灾害的应急响应与管理提供了新的技术手段。

[ Yi J W, Wang N, Qian J L, et al.

Spatio-temporal responses of urban road traffic and human activities in an extreme rainfall event using big data

[J]. Acta Geographica Sinica, 2020, 75(3):497-508. ] DOI: 10.11821/dlxb202003005

[本文引用: 1]

Su S, Tang T, Wang Y H.

Evaluation of strategies to reducing traction energy consumption of metro systems using an optimal train control simulation model

[J]. Energies, 2016, 9(2):105. DOI: 10.3390/en9020105

URL     [本文引用: 1]

2020年上海市综合交通运行年报

[R]. 上海:上海市城乡建设和交通发展研究院, 2020.

[本文引用: 1]

[

Annual report of Shanghai comprehensive transportation operation in 2020

[R]. Shanghai: Shanghai Urban-Rural Construction and Transportation Development Research Institute, 2020. ]

[本文引用: 1]

Tang H, Zhang Y, Liu H, et al.

Impact analysis of rainfall on Beijing subway transit ridership with heterogeneous characteristics

[C]// 17th COTA International Conference of Transportation Professionals. Reston, VA, USA: American Society of Civil Engineers, 2017:236-247. DOI: 10.1061/9780784480915.024

[本文引用: 1]

Wu J W, Liao H.

Weather, travel mode choice, and impacts on subway ridership in Beijing

[J]. Transportation Research Part A: Policy and Practice, 2020, 135:264-279. DOI: 10.1016/j.tra.2020.03.020

URL     [本文引用: 1]

李梦雅.

暴雨内涝情景下城市通勤出行的暴露度与交通特征研究——以上海中心城区为例

[D]. 上海:华东师范大学, 2019.

[本文引用: 2]

[ Li M Y.

Research on commuters' exposure to pluvial flash flooding and its impacts on the peak traffic features: A case study in central Shanghai

[D]. Shanghai: East China Normal University, 2019. ]

[本文引用: 2]

Jain D, Singh S.

Adaptation of trips by metro rail users at two stations in extreme weather conditions: Delhi

[J]. Urban Climate, 2021, 36:100766. DOI: 10.1016/j.uclim.2020.100766

URL     [本文引用: 2]

Zhou M, Wang D G, Li Q Q, et al.

Impacts of weather on public transport ridership: Results from mining data from different sources

[J]. Transportation Research Part C: Emerging Technologies, 2017, 75:17-29. DOI: 10.1016/j.trc.2016.12.001

URL     [本文引用: 1]

Wei M, Liu Y, Sigler T, et al. Unpacking the weather-transit ridership relationship using big data in Brisbane and beyond[M]// Big Data Applications in Geography and Planning. Edward Elgar Publishing, 2021:245-255. DOI: 10.4337/9781789909791

[本文引用: 1]

Zhou Y F, Li Z H, Meng Y Y, et al.

Analyzing spatio-temporal impacts of extreme rainfall events on metro ridership characteristics

[J]. Physica A: Statistical Mechanics and Its Applications, 2021, 577:126053. DOI: 10.1016/j.physa.2021.126053

URL     [本文引用: 1]

Arana P, Cabezudo S, Peñalba M.

Influence of weather conditions on transit ridership: A statistical study using data from Smartcards

[J]. Transportation Research Part A: Policy and Practice, 2014, 59:1-12. DOI: 10.1016/j.tra.2013.10.019

URL     [本文引用: 1]

Tao S, Corcoran J, Hickman M, et al.

The influence of weather on local geographical patterns of bus usage

[J]. Journal of Transport Geography, 2016, 54:66-80. DOI: 10.1016/j.jtrangeo.2016.05

URL     [本文引用: 1]

Tao S, Corcoran J, Rowe F, et al.

To travel or not to travel: ‘Weather’ is the question. Modelling the effect of local weather conditions on bus ridership

[J]. Transportation Research Part C: Emerging Technologies, 2018, 86:147-167.DOI: 10.1016/j.trc.2017.11.005

URL     [本文引用: 1]

许熳灵, 付晓, 汤君友, 等.

天气因素对城市地铁客流时空分布的影响——基于智能交通卡数据的实证研究

[J]. 地理科学进展, 2020, 39(1):45-55.

DOI:10.18306/dlkxjz.2020.01.005      [本文引用: 1]

城市地理空间、气候环境及交通系统间存在复杂的相互联系、相互制约的关系,交通及地理时空数据为理解三者间关系带来了新的机遇。城市轨道交通是居民绿色出行、缓解中国大城市交通拥堵的重要交通方式。深入研究影响城市地铁客流时间和空间分布变化的因素,有利于制定合理的土地利用及交通需求管理政策,也可为实时响应特定天气条件下旅客出行需求的变化和优化公交服务运营提供理论依据。论文使用智能交通卡数据,以南京市为例,通过建立一种季节性差分自回归移动平均(seasonal autoregressive integrated moving average with explanatory variables, SARIMAX)模型,解释不同种类的天气因素(如降雨、气温、相对湿度、风速等)对地铁客流量时空分布的影响程度。研究发现：降雨类因素在高峰和周末时段对地铁客流量的影响较大;各天气因素对各地铁站点客流量的影响大致呈现出从城市中心区域向外围区域逐渐变小的渐变式规律,且地铁无规律出行者比有规律出行者更易受恶劣天气因素的影响。

[ Xu M L, Fu X A, Tang J Y, et al.

Effects of weather factors on the spatial and temporal distributions of metro passenger flows: An empirical study based on smart card data

[J]. Progress in Geography, 2020, 39(1):45-55. ] DOI: 0.18306/dlkxjz.2020.01.005

[本文引用: 1]

Kalkstein A J, Kuby M, Gerrity D, et al.

An analysis of air mass effects on rail ridership in three US cities

[J]. Journal of Transport Geography, 2009, 17(3):198-207. DOI: 10.1016/j.jtrangeo.2008.07

URL     [本文引用: 1]

Li J L, Li X H, Chen D W, et al.

Assessment of metro ridership fluctuation caused by weather conditions in Asian context: Using archived weather and ridership data in Nanjing

[J]. Journal of Transport Geography, 2018, 66:356-368. DOI: 10.1016/j.jtrangeo.2017.10

URL     [本文引用: 1]

王梦江. 上海市防汛工作手册[M].复旦大学出版社, 2018.

[本文引用: 1]

[ Wang M J. Shanghai flood control manual[M]. Fudan University Press, 2018. ]

[本文引用: 1]

金昱.

城市轨道交通站点客流时变特征及其影响因素研究——以上海为例

[J]. 现代城市研究, 2015, 30(6):13-19.

[本文引用: 1]

[ Jin Y.

The influence of land use on diurnal pattern of urban mass transit station boardings: A case study of Shanghai city

[J]. Modern Urban Research, 2015, 30(6):13-19. ] DOI: 10.3969/j.issn.1009-6000.2015.06.003

[本文引用: 1]

吕帝江, 李少英, 谭章智, 等.

地铁站点多时间维度客流影响因素的精细建模——以广州市中心城区为例

[J]. 地理与地理信息科学, 2019, 35(3):58-65.

[本文引用: 1]

[ Lv D J, Li S Y, Tan Z Z, et al.

Fine-scale modeling of multi-time dimensional influencing factors in transit ridership at metro stations: A case study of Guangzhou city

[J]. Geography and Geo-Information Science, 2019, 35(3):58-65. ] DOI: 10.3969/j.issn.1672-0504.2019.03.009

[本文引用: 1]

张文彤, 董伟. SPSS 统计分析高级教程(2版)[M]. 北京: 高等教育出版社, 2013.

[本文引用: 1]

[ Zhang W T, Dong W. SPSS tongji fenxi gaoji jiaocheng (2nd ed)[M]. Beijing: Higher Education Press, 2013 ]

[本文引用: 1]

池娇, 焦利民, 董婷, 等.

基于POI数据的城市功能区定量识别及其可视化

[J]. 测绘地理信息, 2016, 41(2):68-73.

[本文引用: 1]

[ Chi J A, Jiao L M, Dong T, et al.

Quantitative identification and visualization of urban functional area based on POI data

[J]. Journal of Geomatics, 2016, 41(2):68-73. ] DOI: 10.14188/j.2095-6045.2016.02.017

[本文引用: 1]

龙瀛, 张宇, 崔承印.

利用公交刷卡数据分析北京职住关系和通勤出行

[J]. 地理学报, 2012, 67(10):1339-1352.

[本文引用: 1]

[ Long Y, Zhang Y, Cui C Y.

Identifying commuting pattern of Beijing using bus smart card data

[J]. Acta Geographica Sinica, 2012, 67(10):1339-1352. ] DOI: 10.11821/xb201210005

[本文引用: 1]

Chen E H, Ye Z R, Bi H.

Incorporating smart card data in spatio-temporal analysis of metro travel distances

[J]. Sustainability, 2019, 11(24):7069. DOI: 10.3390/su11247069

URL     [本文引用: 1]

Taylor S J, Letham B.

Forecasting at scale

[J]. The American Statistician, 2018, 72(1):37-45. DOI: 10.1080/00031305.2017.1380080

URL     [本文引用: 2]

李军龙.

雨雪天气下居民轨道交通出行生成机理研究

[D]. 南京:东南大学, 2018.

[本文引用: 2]

[ Li J L.

Research on mechanism of residents' rail transit trip generation under rainy or snowy weather conditions

[D]. Nanjing: Southeast University, 2018. ]

[本文引用: 2]

黄洁, 王姣娥, 靳海涛, 等.

北京市地铁客流的时空分布格局及特征——基于智能交通卡数据

[J]. 地理科学进展, 2018, 37(3):397-406.

DOI:10.18306/dlkxjz.2018.03.010      [本文引用: 1]

城市轨道交通是居民绿色出行、缓解大城市交通拥堵的重要交通方式。研究大城市地铁客流时间和空间的分布特征,有利于深入了解大城市公共交通的需求,进而制定合理的交通需求管理政策。本文以北京市地铁为例,计算了431万条智能交通卡数据的出行时间和OD矩阵(Origin-Destination Matrix),研究其客流的时间和空间分布特征。研究发现：①全天、早高峰和晚高峰的出行时间分布符合Gamma分布,总体上离城市中心越远,平均出行时间越长;②从市辖区尺度和环路尺度分析,乘客流向和流量均呈现对称性;③从街道尺度来看,居民地铁出行强度的空间不均等性很强。

[ Huang J E, Wang J E, Jin H T, et al.

Investigating spatiotemporal patterns of passenger flows in the Beijing metro system from smart card data

[J]. Progress in Geography, 2018, 37(3):397-406. ] DOI: 10.18306/dlkxjz.2018.03.010

[本文引用: 1]

Huang J E, Levinson D, Wang J E, et al.

Tracking job and housing dynamics with smartcard data

[J]. Proceedings of the National Academy of Sciences of the United States of America, 2018, 115(50):12710-12715. DOI: 10.1073/pnas.1815928115

PMID:30455293      [本文引用: 1]

Residential locations, the jobs-housing relationship, and commuting patterns are key elements to understand urban spatial structure and how city dwellers live. Their successive interaction is important for various fields including urban planning, transport, intraurban migration studies, and social science. However, understanding of the long-term trajectories of workplace and home location, and the resulting commuting patterns, is still limited due to lack of year-to-year data tracking individual behavior. With a 7-y transit smartcard dataset, this paper traces individual trajectories of residences and workplaces. Based on in-metro travel times before and after job and/or home moves, we find that 45 min is an inflection point where the behavioral preference changes. Commuters whose travel time exceeds the point prefer to shorten commutes via moves, while others with shorter commutes tend to increase travel time for better jobs and/or residences. Moreover, we capture four mobility groups: home mover, job hopper, job-and-residence switcher, and stayer. This paper studies how these groups trade off travel time and housing expenditure with their job and housing patterns. Stayers with high job and housing stability tend to be home (apartment unit) owners subject to middle- to high-income groups. Home movers work at places similar to stayers, while they may upgrade from tenancy to ownership. Switchers increase commute time as well as housing expenditure via job and home moves, as they pay for better residences and work farther from home. Job hoppers mainly reside in the suburbs, suffer from long commutes, change jobs frequently, and are likely to be low-income migrants.Copyright © 2018 the Author(s). Published by PNAS.

Thorhauge M, Cherchi E, Rich J.

How flexible is flexible? Accounting for the effect of rescheduling possibilities in choice of departure time for work trips

[J]. Transportation Research Part A: Policy and Practice, 2016, 86:177-193. DOI: 10.1016/j.tra.2016.02.006

URL     [本文引用: 1]

孟斌, 黄松, 尹芹.

北京市居民地铁出行出发时间弹性时空分布特征研究

[J]. 地球信息科学学报, 2019, 21(1):107-117.

DOI:10.12082/dqxxkx.2019.180216      [本文引用: 1]

伴随城市转型进程的加快,交通需求不断膨胀,导致大城市交通拥堵日趋严重,以调节出行者的选择行为为核心要素的交通需求管理理念成为相关政策的重要理论基础,但现有研究也表明,交通需求管理对出行弹性较高的出行具有显著调节作用,而对出行弹性较低的出行调节作用并不明显。因此,加强出行弹性等居民出行行为研究日益迫切,而公交刷卡数据等新的时空数据为居民复杂出行行为的挖掘提供了新的契机。本文利用北京市2014年3月地铁刷卡数据,以出行者出发时刻的可变性来测度出发时间选择的可改变程度,对居民地铁出行出发时间选择弹性进行测度,并结合GIS空间分析技术对其时空分布特征进行分析。研究表明：① 北京市地铁出行的居民出行弹性平均值为0.521,出发时间选择弹性整体上较大,表明北京居民出发时间选择相对较为灵活;② 北京市居民地铁出行弹性存在时空差异,居民个体休息日出行弹性高于工作日,一天中高峰时段出行弹性高于非高峰时段;③ 居民出行弹性存在空间自相关,倾向于在空间上发生集聚,存在明显的冷热点区域;内城居民的出行弹性明显高于城市外围居民。

[ Meng B, Huang S, Yin Q.

Spatial and temporal distribution characteristics of residents' depart times elasticity in Beijing

[J]. Journal of Geo-information Science, 2019, 21(1):107-117. ] DOI: 10.12082/dqxxkx.2019.180216

[本文引用: 1]

Griffin G P, Sener I N.

Planning for bike share connectivity to rail transit

[J]. Journal of Public Transportation, 2016, 19(2):1-22. DOI: 10.5038/2375-0901.19.2.1

[本文引用: 1]

杜彩军, 蒋玉琨.

城市轨道交通与其他交通方式接驳规律的探讨

[J]. 都市快轨交通, 2005, 18(3):45-49.

[本文引用: 1]

[ Du C J, Jiang Y K.

Connection of urban rail transit with other public transportations

[J]. Urban Rapin Rail Transit, 2005, 18(3):45-49. ] DOI: 10.3969/j.issn.1672-6073.2005.03.012

[本文引用: 1]

/

〈 〉