Abstract：Some researches with the four-stage method lacked characteristic analysis of resident bus trip OD data. In this paper, through investigating the bus OD data distilled from the resident’s OD trip database of Weifang, Changzhou, Shangyu, Bengbu and Huzhou 收稿日期：2009-06-19. 作者简介：芦方强（1983-），男，黑龙江人，东南大学在读博士研究生，研究方向为交通运输规划与管理，主要从事城市交通系统规划与管理方面的研究。 31 交通运输工程与信息学报 2010年 第2期
cities, the time consuming, time distributing and space distributing characteristics of the resident’s bus trip were studied. The results showed that :① The tolerance of bus travel time is closely related to the built up area, public transport rates of the city,and the state of urban development; ② The economic development and people of different travel customs resulted in the different distribution of resident’s travel time;③ The trip distribution analysis in different periods should be concreted on the travel link strength between the districts. The study on the characteristics of bus trip’s time and space distributing made a large contribution to forecasting the public transportation demand and public network planning by offering theoretical support, and these methods could be used for reference by other cities. Key words：Bus OD data，bus trip，time consuming，time distributing，space distributing 0 引 言 城市公交网络的科学规划是提高居民公交出行的快捷性，提升公共交通竞争力和吸引力的关键[1]，而公共交通需求预测是公交网络规划的基础和前提。目前，城市公共交通需求预测的思路是从全方式居民出行生成预测着手，至居民出行分布预测，再至居民的交通方式划分，从而得出规划年公交出行分布OD矩阵。其中，在居民出行生成及分布两阶段缺少对居民公交出行规律及变化特征的分析。陆建深入分析居民一次出行时耗与城市规模的关系，分析了居民全日出行总时耗以及分方式的居民全日出行总时耗；毛海虓在其博士论文中对我国城市居民出行的基本特征进行相关研究，然而，缺少针对公交出行OD数据的研究[4]。因此，本文从居民出行调查数据库中提取公交OD数据，进行深入的数据挖掘，对居民公交出行时空分布特征进行研究，研究结果有利于结合“四阶段法”进行公共交通需求的预测，同时，也为公交规划部门及公交运营管理部门进行公交线网规划、站点设置和车辆调度等提供定量的参考依据和理论支持。 文中介绍了公交OD数据分析的一般方法，通过典型城市居民出行调查数据，对居民公交出行的时间消耗特征、出行时间分布特征和空间分布特征进行了深入的分析，探讨公交出行时空分布的一般规律，分析方法可供其他城市借鉴。 1.3 出行的空间分布特征分析 每次出行都有位于市区特定地理位置的一个起点和一个终点，并相应产生了连接起点和终点的出行路线、出行方向以及出行的距离等对空间进行描述的一系列特性，这些特性称为出行的空间分布特性。公交1.2 出行的时间分布特征分析 居民公交出行量在不同时段上的分布，客观上反映了城市居民的生活节奏和交通需求在时间上的分布，是分析解决高峰小时交通问题的重要参考依据。公交出行时间分布分析即是以出行时间为横轴，从纵向上分析公交出行量随时间的变化，通过绘制趋势线可以直观的看出公交出行的时间分布规律。 [3][2]1 公交OD数据分析内容 1.1 出行的时间消耗特征分析 出行时耗是城市居民出行特征中的一项重要指标，在城市交通系统研究和居民出行调查中，出行时耗特征都是重要内容之一。公交出行的时间消耗特征分析即是从宏观层面上分析居民公交出行的时间消耗特性。基于居民公交OD出行中出行时间的统计数据，分析公交的理想出行时间及容忍时间，这些指标的分析为公共交通的规划和调度提供必要的指导，同时也为规划者从宏观上把握公交出行的规律奠定了基础。 32
基于公交OD数据的居民公交出行特征研究 芦方强 等
出行的空间分布特征分析即是以整个规划区域为研究对象，分析每次出行的O点和D点在其中的分布。 间[3]，则可得出居民公交出行可忍受的出行时间。 表1给出了典型城市居民出行理想的出行时间及可忍受的出行时间，可以看出理想出行时间及可容忍出2 公交出行时空分布特征分析 在城市交通系统研究和居民出行调查中，出行的时间和空间分布特征都是重要的内容之一。笔者选择潍坊、常州、湖州、蚌埠和上虞五个典型城市的居民出行调查资料，对城市居民的公交出行时空特征进行深入分析，发现不同城市的居民公交出行时空分布特征存在一定的规律性。 2.1 公交出行的时间消耗特征分析 （1）公交出行容忍时间特征分析 出行时耗是居民一次出行从起点到终点所花费的时间，通过绘制出行时耗累计曲线图可以反映出居民公交出行时间消耗的构成。由图1可以看出，居民出行对时间的容忍度自左向右逐渐增强，这表明出行容忍时间与城市规模密切相关。同时，由于上虞市公交发展状况较差，造成了人们公交出行容忍时间的增加，可以看出出行容忍时间也与城市的公交发展状况相关。 100%100行时间会随着城市规模的增大而增加。 表1 典型城市居民公交出行容忍时间 Tab.1 Resident’s tolerance bus trip time of the representative cities 城市 （调查年份）潍坊(2005)常州(2005)蚌埠(2006)上虞(2006)湖州(2004)建成区面积/ km2274.4225.0人口 / 万人 公交 理想出可容忍分担 行时间出行时率 / (%) / min间 / min55 50 45 35 25 114.0 8.1 20~5291.0 8.4 18~5090.0 94.0 29.8 15~4018.2 19.95 5.0 10~3049.5 49.1 6.8 8~20注：表中数据为交通调查范围内的建成区面积及人口数，城市规模指标的选取参见文献[4]。 依据居民出行调查结果，选取建成区面积、人口数及公交分担率与公交出行可容忍时间进行多元线性回归，回归模型如下： T=33.111+2.725A−2.043P+1.313r （1） 式中：T为居民公交出行可容忍时间，min；A为调查范围内建成区面积，km2；P为调查范围内人湖州常州潍坊 口数，万人；r为公交分担率。 蚌埠 Cumu分lat比ive （Pe%rcen累计百/） 8080%6060%4040%2020%00%51020304050 湖州上虞蚌埠常州潍坊参数标定及模型优度检验见表2。 表2 参数标定及模型优度检验汇总 Tab.2 Parameter calibrating and optimization degree of the model 系数 33.111t R2 5.265 0.962 0.847 8.362 F 上虞t(min)6080100120150t / min 图1 公交出行时间累积曲线 Fig.1 Cumulative curves of bus trip time 2.725 2.627 -2.043-1.8011.313 2.214 由于体力、心理、生活就业等方面的原因，城市居民对出行时间的容忍是有一定限度的，若将居民90%出行时间定义为居民公交出行可忍受的出行时 从表2中看出，R2为0.962，表明单变量回归的相关性高；R2反映了多变量回归方程的拟合程度， 33
交通运输工程与信息学报 2010年 第2期
在本模型中R2为0.847，表明该模型整体相关性也较高。依据t检验的要求，当t的绝对值大于1.65时，可知有90%的把握判断该变量是主要影响因素之一，模型中变量符合标准。F统计量为8.362，统计量非常显著，证明回归方程的拟合优度较高。 公交出行的可容忍时间除了与建成区面积、人口数及公交分担率相关外，一般还与城市布局结构和交通方式结构等指标相关，因为这些指标难以量化，故在模型中没有考虑。该模型的相关性及优度较高，利用该模型可以对未来城市居民公交出行容忍时间进行估计，使用过程中应注意出行容忍时间不可能随着建成区面积的增大而无限增加。 （2）不同出行目的的公交出行容忍时间特征分析 实践证明不同出行目的下居民可容忍的出行时耗存在明显差异，因此，文中研究了基于不同出行目的的公交出行时间消耗的构成，并且由表3给出了典型城市不同出行目的公交出行的容忍时间。 表3 典型城市不同出行目的下公交出行容忍时间（min） Tab.3 Tolerance bus trip time for different trip destinations of the representative cities（min） 城市 上班 上学 公务 潍坊 常州 蚌埠 上虞 湖州 生活 文娱 探亲 回程其他购物 体育 访友 35 60 6530 65 6030 55 6025 45 4015 20 3550交出行时间超过了能容忍的最大出行时耗，就会对公交系统不满意，从而转向其他交通方式。生活购物、文娱体育及公务的容忍时间相对较小，是因为居民在进行休憩和购物时一般选择离居住地较近或者交通方便的地点，若往返时间过长，则影响了居民游玩的乐趣。公务出行对时间的要求较高，在进行交通方式选择时一般以时间消耗小为选择标准。 （3）不同出行目的的公交出行平均时耗特征分析 居民公交出行的平均时耗代表了居民用于公交出行的平均时间。出行时耗与出行目的的关系反映了交通设施的空间分布及出行的方便程度[6]。根据对典型城市居民出行调查的结果分析，发现不同城市居民不同出行目的的公交出行平均时耗特征具有明显的相近性，表4给出了典型城市不同出行目的的公交出行平均时耗。 表4 典型城市不同出行目的的公交出行平均时耗（min） Tab.4 Average bus trip time for different trip destinations of the representative cities（min） 城市潍坊常州城市平均生活 文娱 探亲上班上学公务 回程其他性质总时耗购物 体育 访友大大37.436.632.716.427.138.636.528.6 32.2 30 39403338.835.132.2 31.5 26 38.737.829.732.930.532.8 31.6 30.3 38.13332.855 52 40 4555 50 45 4450 50 35 4540 40 25 3035 30 15 20蚌埠中等45502035湖州中等上虞小16.316.114.8 14.2 14.7 17.216.115.328.625.727.1 25.2 24.8 30.427.628.9 将典型城市中不同公交出行目的下的出行平均时耗与居民公交出行平均时耗进行比较，发现不同城市中不同出行目的的公交出行时耗特征的一些规律，见表5。 由表5可以看出，同类型城市不同出行目的的公交出行平均时耗与总平均时耗之比具有很强的相似性。不同城市间上班、上学及回程的平均出行时耗与总平均出行时耗最相近；公务、生活购物及文娱体育的平均出行时耗要小于总平均出行时耗，公务出行的平均时耗差别较大，不存在一定的规律性，这与城市 通过表3可以看出，生存出行（上班、上学和回程）容忍时间普遍高于其他出行的容忍时间，特大城市及大城市的生存出行容忍时间在50 min以上，中等城市生存出行容忍时间在40 min左右。主要原因是这三种出行发生在早晚高峰时间，出行时间较长，但是居民为了工作和学习还是能接受，并且随着城市化进程的不断加快，居民生存出行的容忍时间有增长的趋势[5]。从居民出行心理角度考虑，居民可接受的最大出行时耗不可能无限增加。因此，城市居民的公 34
基于公交OD数据的居民公交出行特征研究 芦方强 等
发展水平及经济发展状况相关；探亲访友平均出行时耗大于平均出行总时耗。 表5 不同出行目的的公交出行平均时耗与平均总时耗之比 Tab.5 Ratio between average bus trip time for different trip destinations and general trip time 城市 上班 上学 公务 生活购物文娱 探亲 回程体育 访友 0.80 1.04 1.070.71 1.06 1.030.93 1.17 1.010.90 1.05 0.980.92 1.12 1.02其他0.880.811.000.931.07行总量有较大的差别，因而有必要对早晚高峰发车频率进行区别对待，即适当在早高峰增加发车班次。除了早晚高峰，午间11点左右客流也有较高的分布，但持续时间短，12点回落到全日最低，这种情况反映出这些城市存在较多的午间回家用餐及休息的出行。目前，城市公交调度中一般只在早晚高峰增加发车班次，而未考虑午间同样存在客流集中的时段。因此，应引起足够的重视，可以在深入分析线路客流时间分布的基础上，适当增加部分线路午间公交车的发车频率以满足该时间的居民出行需求，提高公交服务质量。 趋势线2：以常州和上虞为代表，趋势线上存在两个高峰时间段，分别为7：00~9：00、16：00~18：00。趋势线以中午12点为轴线，两边呈现出很明显的对称性，可以看出这些城市早晚公交出行的潮汐现象比较明显。对于这些城市而言，对部分线路在早晚高峰时段进行上下行方向公交车的动态调度有利于提高公交车的运营效率及服务质量。 文中根据典型城市出行时间分布趋势线进行了两种典型分布特征的分析，由于城市发展状态、经济发展水平及人们出行规律的不同，都会造成出行时间分布的差异，因此，在应用时间分布趋势线进行不同潍坊 1.03 0.98 0.76 0.86常州 1.06 0.96 0.88 0.86蚌埠 1.01 0.93 1.00 0.97湖州 0.99 0.98 0.90 0.87上虞 1.06 0.95 1.00 0.93 2.2 公交出行的时间分布特征 由于不同城市人口总量及调查抽样率的不同，从这五个典型城市居民出行数据库中提取出来的公交OD数据总量有差别。为了分析的可比性，文中计算不同时段公交出行量占总出行量的百分比，绘制不同时段公交出行量变化曲线。通过绘制出行时间分布趋势线，发现两种典型分布。图2给出了两个代表城市不同时段公交出行量分布的趋势线。 25%20%15%10%5%0%5678910111213141516171819202122潍坊常州 时段公交出行量分布特征研究时，应注意具体问题具体分析。 2.3 公交出行的空间分布特征 出行的空间分布与城市的土地利用布局、人口密度、交通系统的布置有密切关系。城市中心区汇集了大量的就业岗位和各种公共服务以及娱乐设施，往往成为城市出行的主要目的区域，所以，出行端点的密度一般最大，而随着距中心区距离的增加，出行端点 的密度则逐渐减少。在分析同一城市不同时期居民出行空间分布时，除整体分析外，还应具体分析各区之间的出行联系强度，才能较好地把握居民出行空间分布的变化[7]。 文中依据湖州市2006年居民出行调查数据，进图2 不同时段公交出行量所占比例分布 Fig.2 Distribution of bus trip volumes in different time periods 趋势线1：以潍坊、蚌埠和湖州为代表，从该趋势线可以看出三个明显的公交出行高峰。早晚高峰出行中远期湖州市中心城区各分区间的公共交通需求预测，图3给出了各分区之间公共交通的联系强度。 35
交通运输工程与信息学报 2010年 第2期
进行公交出行分布特征研究时，通常采用OD期小梅口分区 望线来表示。交通区之间线条的粗细代表两个交通区之间出行量的多少，从各个交通区之间的线条粗细来仁皇山 分区 市北分区判断居民出行的区间联系强度。在实际工作中，更需要依据各分区间具体的出行量来进行公交线路的布局。文中以湖州市为实例，给出了湖州城区各分区之老城区间公交双向出行量的大小，对比两幅图可以看出规划布设的公交线路数较好地吻合了公交客流量。 凤凰分区 西塞分区 湖东分区八里店分区应用“四阶段法”进行公交交通需求预测时，一般通过全方式出行OD量乘以公共方式分担的百分比来得出公共交通的OD量。文中指出在进行公共交西南分区 通预测时，可以进行公共交通OD的空间分布分析，之后结合城市发展和土地利用变化进行公共交通需 图3 湖州市主城区各分区间公交出行量 Fig.3 Interdistrict bus trip amounts in the main zone of Huzhou city 求预测，而不是从全方式入手进行公交需求划分，该思路在进行湖州市公共交通规划时得到较好的应用。 3 结束语 小梅分区本文给出了进行居民公交出行时空分布特征分析的一般方法，并且利用潍坊、常州、蚌埠、湖州和上虞五个典型城市公交OD出行数据，进行居民出行时间消耗特征、出行时间及空间分布特征的研究。对出行时耗特征研究方面，建立了居民出行可容忍时间模型，可以进行城市居民出行容忍时间的预测，同时八里店7 分区2 仁皇山分区 西赛 7 5 7 1 市北分区 5 湖东 分区 5凤凰分区 14 分区 4 8 西南分区 1 1研究了不同出行目的的公交出行容忍特征及不同出行目的的公交平均时耗特征。出行时间分布方面探讨了两种不同时段公交出行量分布趋势线，分析方法和注：图中数字表示 连接的公交线路数 结果有一定的借鉴意义。空间分布特征方面指出在进 行公共交通预测时，可以进行公共交通OD的空间分布分析，之后结合城市发展和土地利用变化进行公共 图4 公交线路布局示意 Fig.4 Layout of bus lines in Huzhou city 交通需求预测的方法。这些结论可以直接用于类似的城市，研究方法可以供其他城市借鉴。 参考文献 [1] 王 炜，杨新苗，陈学武．城市公共交通系统规划方法与管理技术[M]．北京：科学出版社，2002． [2] 陆化普，黄海军．交通规划理论研究前沿[M]．北京：清华大学出版社，2007． [3] 陆建，王 炜．城市居民出行时耗特征分析研 究[J]．公路交通科技，2004，21（10）：102-104． 下转第47页 36
事故黑点安全改善决策优化模型 游克思 等
参考文献 [1] 邵祖峰．交通事故黑点鉴别方法研究综述[J]．道路交通与安全，2008，8(2)：44-49． [2] 肖 慎，过秀成，宋俊敏．公路交通事故黑点诊断技术研究[J]．公路交通科技，2003，20(4)：95-97． [3] 裴玉龙．道路交通事故多发点质量控制鉴别法的改进[J]．哈尔滨工业大学学报，2006，38(1)：97-100． [4] Tarck Sayed, Walid Abdelwahab, Frank Navin. Identifying accident-prone locations using fuzzy pattern recogntion [J]. Journal of Transportation Engineering, 1996,121(4)：352-353． [5] 肖 慎，过秀成，徐建东．模糊聚类法在公路交通事故黑点成因分析中的应用[J]．交通运输系统工程与信息，2002，2(3)：40-43． [6] 何松柏，袁晓洁 等．高速公路交通事故成因分析与关联因素研究[J]．计算机工程与应用，2008，44(5)：218-220． [7] 潘晓东，蒋 宏，杨 轸．山区公路小半径曲线事故黑点案例分析[J]．同济大学学报（自然科学版），2007，35(12)：1642-1645． [8] 潘晓东，隋永芹 等．山区公路小半径曲线事故黑点改善效果评价[J]．同济大学学报（自然科学版），2009，37(2)：220-223． [9] Lynn B. Meuleners, Delia Hendrie,et.al. Effectiveness of the black spot programs in western australia[J]. Accident Analysis and Prevention，2008(40)，1211-1216． [10] Rune Elvik. Cost–benefit analysis of road safety measures： applicability and controversies[J]. Accident Analysis and Prevention, 2001 (33)：9-17． [11] 陆林军，陆 键 等．事故折减系数及其在交通安全中的运用[J]．交通运输工程与信息学报，2006，4(1)：84-89． [12] Agent K., Stamatiadis N., Jones S. Development of accident reduction factors[R]. Kentucky Transportation Center, University of Kentucky, Lexington, KY. Report KTC-96-13. （中文编辑：刘娉婷） 上接第36页 [4] 毛海虓．中国城市居民出行特征研究[D]．北京：北京工业大学，2005． [5] 李 强，李晓林．北京市近郊大型居住地居民上班出行特征分析[J]．城市问题，2007（7）：55-59． [6] 刘 强，陆化普，邹博等．基于居民出行特征分析 的大连市客运需求特征研究[J]．中南公路工程，2007，32（2）：162-166． [7] 李海峰．城市形态、交通模式和居民出行方式研究[D]．南京：东南大学交通学院，2006． （中文编辑：刘娉婷） 47
因篇幅问题不能全部显示，请点此查看更多更全内容