楊湖平

(中鐵第四勘察設(shè)計院集團(tuán)有限公司道路交通設(shè)計研究院， 武漢 430063)

常規(guī)公交是中小城市主要的公共交通出行方式，但受制于交通用地、站點布置等，常規(guī)公交難以提供“點-點”的服務(wù)，其吸引力也會因覆蓋率不夠高而降低。綠色環(huán)保、機(jī)動靈活的公共自行車可有效解決公交出行“最后一公里”問題。自行車換乘常規(guī)公交的組合出行方式兼具了機(jī)動性和可達(dá)性的雙重優(yōu)勢，可以擴(kuò)大公交的服務(wù)范圍，緩解城市內(nèi)部的交通壓力、降低能源消耗。

隨著信息技術(shù)的飛速發(fā)展，城市智能交通卡和自動車輛定位系統(tǒng)的大規(guī)模應(yīng)用為研究乘客出行規(guī)律提供了契機(jī)。然而由于中國公共自行車與常規(guī)公交通通常由不同運(yùn)營公司進(jìn)行管理，且同一個用戶的公共自行車卡號與公交卡號往往不一致，致使乘客公共自行車換乘公交的研究主要通過問卷調(diào)查的數(shù)據(jù)，并未能發(fā)揮大數(shù)據(jù)的優(yōu)點。因此，建立一套基于數(shù)據(jù)挖掘算法的公共自行車接駁公交換乘識別方法對于理解換乘行為、推進(jìn)公交-公共自行車出行方式極為重要。

目前圍繞公共自行車接駁地鐵或公交(B+T)識別算法的研究較少，研究成果主要集中于自行車與公共交通換乘的需求預(yù)測[1-2]、出行特性分析[3-6]、可達(dá)性分析[7-8]、站點布設(shè)與規(guī)劃[9-10]等。

基于IC卡刷卡數(shù)據(jù)研究換乘算法的研究主要可以分為兩類。一類是地鐵與公共自行車兩套系統(tǒng)中同一用戶的卡號相同，可以直接通過卡號得知用戶的地鐵與公共自行車出行記錄， Ma等[11]提出兩條識別接駁的規(guī)則：最大換乘時間10 min和最長換乘距離300 m，并基于南京市地鐵刷卡數(shù)據(jù)和公共自行車刷卡數(shù)據(jù)，建立了公共自行車接駁軌道交通的識別方法；基于上述研究，針對部分用戶卡號不匹配的情形，Ji等[12]依據(jù)換乘時間、換乘距離、換乘時的轉(zhuǎn)移速度、換乘時轉(zhuǎn)移速度的方差、卡號這五個特征進(jìn)行換乘識別，最后基于識別結(jié)果定義三類出行鏈“還車進(jìn)站” “出站借車”以及“還車進(jìn)站-出站借車”。針對同一用戶公共自行車與地鐵卡號完全不一致的情形，Zhao等[13]提出基于關(guān)聯(lián)規(guī)則來識別接駁行為。首先將公共自行車站點300 m半徑范圍內(nèi)的地鐵刷卡數(shù)據(jù)與公共自行車IC卡數(shù)據(jù)整合，然后基于三個假設(shè)：①還車進(jìn)站或出站借車兩次刷卡時間在10 min以內(nèi)；②是地鐵站的與公共自行車站點的距離在步行可達(dá)范圍內(nèi)(300 m)；③同一個用戶地鐵系統(tǒng)與公共自行車系統(tǒng)刷卡時間不會存在時間上的重疊，研究人員對20 d的地鐵與公共自行車數(shù)據(jù)進(jìn)行訓(xùn)練，最終再以4 d測試數(shù)據(jù)進(jìn)行檢驗。

對B+T換乘特性的研究根據(jù)數(shù)據(jù)來源主要可以分為以下兩個方面：①通過問卷調(diào)查數(shù)據(jù)來研究接駁用戶的出行特性。周強(qiáng)等[14]以蘇州公共自行車為研究對象，利用刷卡數(shù)據(jù)及問卷調(diào)查數(shù)據(jù)分析了公共自行車作為地鐵接駁手段的使用特性。②通過挖掘IC卡數(shù)據(jù)來研究接駁用戶的出行特性。Liu[15]基于南京市地鐵與公共自行車的IC卡數(shù)據(jù)提取公共自行車接駁地鐵的年輕通勤者出行信息，探索了組合出行模式使用頻率的決定因素，從而針對性地提出接駁換乘政策建議。

綜上所述，在公共自行車換乘公交的辨識研究方面存在以下不足。

(1)現(xiàn)有公共自行車與公交換乘的研究中，數(shù)據(jù)主要來自問卷調(diào)查，難以獲得長期持續(xù)和精度較高的出行樣本信息，尚未有利用智能卡數(shù)據(jù)解析居民公共自行車與公交換乘行為的相關(guān)研究。

(2)現(xiàn)有利用IC卡數(shù)據(jù)進(jìn)行換乘的研究中，絕大部分的研究是基于用戶兩種換乘交通方式IC卡的卡號相同，缺乏用戶兩張IC卡卡號不同時的研究，尤其是有公交參與的換乘，針對刷卡數(shù)據(jù)中公交上下車站點數(shù)據(jù)未知的情況，亟需相對可靠和方便的換乘識別方法。

因此基于公交刷卡數(shù)據(jù)和公共自行車刷卡數(shù)據(jù)，提出基于關(guān)聯(lián)規(guī)則挖掘算法的用戶公共自行車IC卡卡號與公交IC卡卡號的匹配方法，得到滿足驗證條件的同一用戶公共自行車與公交卡號對，并挖掘公共自行車接駁常規(guī)公交的換乘客流的時空演變規(guī)律。

1 研究區(qū)域概況與數(shù)據(jù)處理

宜興市于2012年9月正式開設(shè)公共自行車項目，且市內(nèi)不允許引入共享單車，截至2018年全市已有超2 600輛自行車分布于137個公共自行車站點。同時截至2018年年底，宜興市共有城市公交581輛，日發(fā)車5 400車次；公交車載定位系統(tǒng)于2018年10月實現(xiàn)全面聯(lián)網(wǎng)，可根據(jù)北京時間實時調(diào)整，自動實現(xiàn)時間的校核。

本研究使用的數(shù)據(jù)包括由宜興公共自行車公司提供的2018年11月份公共自行車IC卡刷卡數(shù)據(jù)、由宜興市公交公司提供的同時段公交IC卡刷卡記錄、公交車輛定位數(shù)據(jù)。

(1)公共自行車IC卡刷卡數(shù)據(jù)。公共自行車刷卡數(shù)據(jù)的有效信息包含日期、用戶ID、性別、年齡、借出車站位置(經(jīng)緯度)、借出時刻、歸還車站位置(經(jīng)緯度)、歸還時刻。篩除殘缺及異常數(shù)據(jù)后，最終保留154057條公共自行車騎行記錄。

(2)公交IC卡刷卡數(shù)據(jù)。公交刷卡記錄的有效信息包括用戶ID、車輛編號、公交車牌號、線路號、交易金額及刷卡時間。其中，刷卡數(shù)據(jù)記錄中“交易金額”數(shù)值可用于推斷公交用戶年齡區(qū)間。

(3)公交車輛定位數(shù)據(jù)。公交車輛定位數(shù)據(jù)包含線路號、車輛編號、公交車牌號、日期、車輛到站時間、車輛離站時間、到達(dá)站點名稱。該數(shù)據(jù)主要用于IC卡刷卡數(shù)據(jù)的上車站點推算。

(4)公交線路及站點經(jīng)緯度信息。公交線路數(shù)據(jù)中有公交線路編號、公交運(yùn)行方向、該公交線路經(jīng)過的各站點名稱等有效信息，而公交站點經(jīng)緯度數(shù)據(jù)則通過調(diào)用百度API爬蟲從網(wǎng)絡(luò)上獲取，最終一共獲取520個站點的經(jīng)緯度數(shù)據(jù)。

2 研究方法

2.1 關(guān)聯(lián)規(guī)則挖掘算法

關(guān)聯(lián)規(guī)則是數(shù)據(jù)挖掘中的一個重要課題，可以從一件事情的發(fā)生來推測另一件事情是否發(fā)生，用于發(fā)現(xiàn)數(shù)據(jù)背后隱藏的事務(wù)之間可能隱藏的聯(lián)系或者關(guān)系。本文研究的是公交用戶和公共自行車用戶背后的聯(lián)系，即公交卡和公共自行車卡是否是同一個人持有。只要同一個用戶持有兩張卡多次發(fā)生公共自行車和公交的換乘行為，公交刷卡記錄和公共自行車刷卡記錄在時間和空間上便有規(guī)律可循。

假設(shè)I={i1,i2,…,in}是由不同項目組成的集合，每個ik稱為一個項目，所有項目的集合I稱為項目集合，本文中ik是指公交IC卡卡號與公共自行車IC卡卡號，所有存在潛在換乘行為的公交卡號和公共自行車卡號的集合組成項目集合；本文中事務(wù)tk是指，若公共自行車刷卡記錄和公交刷卡記錄滿足時間約束和空間約束，則這兩條刷卡記錄組合成出行鏈，出行鏈中的一對公共自行車卡號和公交卡號為事務(wù)，所有滿足時空約束的出行鏈中的兩個卡號組合為事務(wù)集合，記為T={t1,t2,…,tn}，其中tk是I的真子集。設(shè)X、Y是I的真子集，則稱X、Y是T的項集；若X、Y滿足X∩Y=?，則蘊(yùn)含式X?Y稱為關(guān)聯(lián)規(guī)則，其中X稱為關(guān)聯(lián)規(guī)則X?Y的前件或左部，Y稱為關(guān)聯(lián)規(guī)則X?Y的后件或右部。為了更好地利用關(guān)聯(lián)規(guī)則方法識別同一個用戶公交與公共自行車刷卡記錄，應(yīng)當(dāng)盡可能地將同一用戶公交與公共自行車兩張卡對應(yīng)的兩次刷卡記錄形成一個事務(wù)tk。

2.2 關(guān)聯(lián)規(guī)則評價指標(biāo)

支持度和置信度是評價關(guān)聯(lián)規(guī)則最常用的兩個指標(biāo)。

關(guān)聯(lián)規(guī)則X?Y的支持度即為X∪Y的支持度，是指在事務(wù)集中同時含有X,Y的事務(wù)數(shù)量與所有事務(wù)數(shù)量的比值，支持度表示一組項目關(guān)聯(lián)在一起所需滿足的最低聯(lián)系程度，記為support(X?Y)，表達(dá)式為

(1)

關(guān)聯(lián)規(guī)則X?Y的置信度是指在事務(wù)集中同時含有X,Y的事務(wù)數(shù)量與僅含有X的事務(wù)數(shù)量的比值，置信度反映關(guān)聯(lián)規(guī)則的最低可靠程度，記為confidence(X?Y)，表達(dá)式為

(2)

式(2)中：(X,Y)count表示T中既包括X又包括Y的事務(wù)的個數(shù)。

一般來說，若關(guān)聯(lián)規(guī)則X?Y滿足support(X?Y)≥minsup，則稱該項集為頻繁項集(頻集)，若關(guān)聯(lián)規(guī)則X?Y同時滿足support(X?Y)≥minsup且confidence(X?Y)≥minconf(其中minsup是指最小支持度，minconf是指最小置信度，一般由用戶給定)，則認(rèn)為該關(guān)聯(lián)規(guī)則是有效的，可以稱為強(qiáng)關(guān)聯(lián)規(guī)則，否則為弱關(guān)聯(lián)規(guī)則。

但是僅基于支持度和置信度的單一評價方式判斷事務(wù)之間的關(guān)聯(lián)關(guān)系存在一定的問題，容易產(chǎn)生“數(shù)據(jù)說謊”問題。因此本文對評價體系進(jìn)行改進(jìn)，提出基于“支持度-置信度-提升度”體系的挖掘算法，提升度是已知的關(guān)聯(lián)規(guī)則評價指標(biāo)中最可靠的指標(biāo)之一。關(guān)聯(lián)規(guī)則X?Y的提升度表示在含有X的情況下同時含有Y的概率與僅含有Y的比值，是置信度與支持度的比值，其表達(dá)式為

(3)

式(3)中：P(Y)表示事物集合T中所包含事物Y的百分比。提升度用于表達(dá)X與Y之間的關(guān)聯(lián)關(guān)系，如果提升度大于1，則表示X的出現(xiàn)提高了Y出現(xiàn)的概率，X?Y關(guān)系是有效的強(qiáng)關(guān)聯(lián)規(guī)則；若提升度小于1，則表示X的出現(xiàn)降低了Y出現(xiàn)的概率，X?Y是無效的關(guān)聯(lián)規(guī)則。如果X和Y獨立不存在影響的，則有l(wèi)ift(X?Y)=1。

2.3 Apriori算法

關(guān)聯(lián)規(guī)則常見的算法大約有十種，包括Apriori經(jīng)典算法、基于劃分的算法、FP-Tree方法等。不同的算法適用于不同的研究數(shù)據(jù)類別和頻繁項目集。由于本文要研究的問題只涉及2-頻繁項集問題，關(guān)聯(lián)數(shù)據(jù)對象為用戶公交卡號和公共自行車卡號，屬于布爾型問題，而Apriori算法在研究布爾型問題及低頻繁項目集問題方面較為簡單，因此選用該算法實現(xiàn)公共自行車接駁公交行為辨識。

Apriori算法發(fā)現(xiàn)關(guān)聯(lián)規(guī)則的過程主要可以分為以下兩個步驟。

(1)通過迭代，搜索事務(wù)數(shù)據(jù)庫中所有支持度不小于用戶設(shè)定的最小支持度閾值的頻繁項目集；首先掃描所有公共自行車卡號與公交卡號組成的事務(wù)集，根據(jù)設(shè)定的最小支持度選擇進(jìn)入頻繁1-項集的集合；而后由進(jìn)入頻繁1-項集的項目兩兩結(jié)合，產(chǎn)生2-項集，并掃描事務(wù)集合計算2-項集的支持度與置信度，滿足要求的才被挑選為有效的關(guān)聯(lián)規(guī)則。

(2)利用頻繁項集挖掘滿足最小置信度要求的關(guān)聯(lián)規(guī)則。

3 換乘辨識與驗證

3.1 識別過程

3.1.1 確定公共自行車換乘公交的時空閾值

考慮到不同公交線路發(fā)車間隔時間的不同，而宜興市公交大部分發(fā)車間隔平峰發(fā)車間隔15～30 min，高峰期間10～15 min一趟，為盡可能準(zhǔn)確辨認(rèn)屬于同一用戶的公共自行車接駁公交行為，本文選取25 min作為本次研究的換乘時間閾值。

在確定換乘距離閾值時，首先需要計算公共自行車站點與公交站點距離，再統(tǒng)計距離公交站點不同范圍內(nèi)的公共自行車刷卡次數(shù)。結(jié)果顯示，144個公共自行車站點中共有127個站點(占比88%)與其最近的公交站點的距離在200 m以內(nèi)，且91%的刷卡記錄的還車站點周邊200 m范圍內(nèi)有公交站點。綜合上述統(tǒng)計分析，確定200 m作為公共自行車站點-公交站點匹配對的空間約束距離值。

3.1.2 基于時空閾值構(gòu)建關(guān)聯(lián)規(guī)則事務(wù)集合

如圖1所示，展示的是由公共自行車和公交刷卡記錄生成卡號對的過程。右側(cè)卡號對是由公共自行車和公交卡號組成的，并假設(shè)為同一個用戶所擁有。當(dāng)公共自行車刷卡記錄與公交刷卡記錄同時滿足：①公共自行車還車站點與公交上車站點距離在200 m以內(nèi)；②公交上車刷卡時間與公共自行車還車刷卡時間差在25 min以內(nèi)，則形成一條換乘記錄，如圖1所示。

按照圖1所示判斷過程，循環(huán)判斷與每一條公共自行車刷卡數(shù)據(jù)與其還車站點在換乘距離閾值內(nèi)的公交刷卡記錄是否滿足時間閾值，符合兩個約束條件的刷卡記錄組合成一條匹配記錄。以11月1日為例，部分匹配記錄關(guān)鍵信息如表1所示。將以前23 d的匹配記錄作為訓(xùn)練關(guān)聯(lián)規(guī)則，以后7 d數(shù)據(jù)作為測試數(shù)據(jù)驗證訓(xùn)練結(jié)果。2018年11月1—27日共產(chǎn)生209萬條換乘記錄，將數(shù)據(jù)記為數(shù)據(jù)集1，分類統(tǒng)計公交及公共自行車用戶數(shù)量，其中公交用戶13萬余人，自行車用戶1.5萬余人。

圖1 卡號對構(gòu)建過程示意圖

表1 匹配記錄示例

由于本文的研究對象是相對穩(wěn)定、可挖掘的公共自行車-公交換乘用戶，因此用戶應(yīng)當(dāng)有較為規(guī)律的出行行為。除去11月1—23日宜興市共有9 d有降雨，一共有12個工作日6個雙休日天氣狀況良好，以一天出行2次、50%的概率采用公共交通出行來估計，本文中擬定匹配記錄中公交與公共自行車用戶各低于10次的記錄為低頻出行記錄，予以刪除，其中76 346名公交用戶23 d出行次數(shù)少于20次，2 790名公共自行車用戶出行次數(shù)少于10次，將低頻用戶的匹配記錄進(jìn)行刪除。

3.1.3 挖掘關(guān)聯(lián)規(guī)則

基于準(zhǔn)備好的關(guān)聯(lián)規(guī)則數(shù)據(jù)庫“數(shù)據(jù)集1”，本文在Python平臺運(yùn)行Apriori算法代碼。

代碼塊主要由兩部分組成，第一部分是遍歷數(shù)據(jù)集中所有的項目集合，找出頻繁項集，即頻率大于最小支持度閾值的項集。第二部分是基于第一步遍歷全數(shù)據(jù)集得到的頻繁項集兩兩組合生成關(guān)聯(lián)規(guī)則，并計算各關(guān)聯(lián)規(guī)則的支持度，自行設(shè)定最小支持度和最小置信度閾值，尋找滿足最小支持度和置信度要求的關(guān)聯(lián)規(guī)則。

通過多次調(diào)整，最終設(shè)定最小支持度為0.000 1，最小置信度水平為0.5。最終生成了351對自行車-公交匹配卡號對，共4 500余條公共自行車和公交刷卡記錄。

3.2 識別結(jié)果驗證

為了驗證上述關(guān)聯(lián)規(guī)則識別結(jié)果的準(zhǔn)確性，提出以下驗證方法：利用前23 d的數(shù)據(jù)做關(guān)聯(lián)規(guī)則方法的訓(xùn)練，并用后7 d的數(shù)據(jù)來驗證。Apriori算法匹配出的關(guān)聯(lián)規(guī)則只有當(dāng)滿足以下條件時才認(rèn)為是正確的規(guī)則。

(1)用戶個人信息一致性：公交刷卡記錄中記錄了用戶刷卡金額，可以從刷卡金額中推斷用戶卡類型，包括：學(xué)生卡、老年卡、敬老卡、普通卡等，而公共自行車數(shù)據(jù)中記錄了會員年齡信息，同一用戶的公共自行車信息中記錄的年齡信息不能與公交卡卡種類型出現(xiàn)沖突。

(2)同一用戶不能同時乘坐公交及騎行公共自行車：關(guān)聯(lián)的公共自行車-公交用戶30 d內(nèi)不能出現(xiàn)公交乘車時間與公共自行車騎行時間重合的情況。

(3)換乘記錄同時發(fā)生在訓(xùn)練數(shù)據(jù)集和驗證數(shù)據(jù)集中：關(guān)聯(lián)的公共自行車-公交用戶需要不僅在前23 d中出現(xiàn)過換乘行為，在后7 d的驗證數(shù)據(jù)集中也發(fā)生換乘行為。

(4)一個公共自行車卡號最多和一個公交卡號匹配：本文中假設(shè)同一個人只能同時擁有一張公交卡及一張公共自行車卡，因此不能出現(xiàn)一張公交卡號與多張公共自行車卡號配對或者一張公共自行車卡號與多張公交卡號匹配的情況。

在生成的351對自行車-公交匹配卡號對中，有321對通過了上述驗證條件，識別準(zhǔn)確率達(dá)91.5%。其中未通過驗證的20對卡號對，8對是由于后7天未發(fā)生換乘行為，2對是由于從公交卡類型對應(yīng)的年齡區(qū)間與公共自行車用戶年齡不符，3對是發(fā)生時間沖突，另外7對是由于同一個公交卡號對應(yīng)了多個公共自行車卡號。如表2所示，表中為提取的部分關(guān)聯(lián)規(guī)則示例，一條關(guān)聯(lián)規(guī)則與由左側(cè)公共自行車卡號與右側(cè)公交卡號組成，所有提取的關(guān)聯(lián)規(guī)則都滿足支持度與置信度要求，并且有較高的提升度數(shù)值，說明公共自行車卡號的出現(xiàn)極大的提高了公交卡號出現(xiàn)的概率，也說明提取的關(guān)聯(lián)規(guī)則之間的關(guān)聯(lián)性較強(qiáng)。

表2 提取的關(guān)聯(lián)規(guī)則示例

關(guān)聯(lián)規(guī)則算法中三個關(guān)鍵的指標(biāo)分別為支持度、置信度和提升度，三者共同決定了匹配規(guī)則的數(shù)量以及結(jié)果的準(zhǔn)確度，321對關(guān)聯(lián)規(guī)則的支持度、置信度和提升度散點圖如圖2所示。由圖2可知各個點大多位于0.000 3以內(nèi)，支持度相對較小，說明數(shù)據(jù)集中各關(guān)聯(lián)規(guī)則的頻率較低，也即用戶月自行車換乘公交次數(shù)較少；但從縱坐標(biāo)來看，大多數(shù)點的置信度在0.7左右及以上，具有較高的置信度，反映了關(guān)聯(lián)規(guī)則的可靠程度較高；總體來說，各個點的提升值均較高，說明關(guān)聯(lián)規(guī)則之間的關(guān)聯(lián)性較強(qiáng)，關(guān)聯(lián)規(guī)則前件的出現(xiàn)顯著提高了后件出現(xiàn)的概率，也即公共自行車卡號的出現(xiàn)顯著提高了公交卡號的出現(xiàn)，該關(guān)聯(lián)規(guī)則是有效的強(qiáng)關(guān)聯(lián)關(guān)系。

圖2 關(guān)聯(lián)規(guī)則評價指標(biāo)散點圖

4 公共自行車接駁公交特性分析

4.1 時間特性

1個月內(nèi)各天不同小時的換乘次數(shù)分布熱力如圖3(a)所示，顏色越深代表出行次數(shù)越多。由于換乘記錄中的出現(xiàn)時間分布于5:00 am—23:00 pm，因此橫坐標(biāo)的時間范圍為5～22共18 h，其中5代表換乘出行記錄中公交刷卡時間在5:00—6:00 am的匹配記錄，縱坐標(biāo)代表11月份的30 d。從熱力圖的小時出行分布情況可以看出，換乘出行一天中有兩個時間段的次數(shù)明顯多于其他時間段的，這兩個時間段分別是早上6:00—9:00 am與傍晚16:00—18:00 pm，也即公共自行車接駁公交的出行也存在早晚兩個出行高峰期，其他時間段的出行次數(shù)分布較為均勻，但總體上來說，晚上19:00 pm及以后換乘出行非常少，白天其他時間段較之更多；從熱力圖的日出行分布情況可以看出，換乘出行量在不同日有明顯的差異，比如11月7日、8日、11日、21日等相比相鄰其他日期的顏色更淺，也即換乘出行量更少，通過查找宜興歷史天氣，發(fā)現(xiàn)上述幾天的天氣狀況為中雨或大雨，從而推測天氣因素也是影響換乘出行的關(guān)鍵因素之一；同時，從日分布來看，每隔出行量較多的四五天會有兩天至三天出行量明顯下降，說明出行量一周的分布也有一定規(guī)律，因此接下來對周分布特征進(jìn)行探究。

將一月?lián)Q乘出行記錄按照一周的周期進(jìn)行統(tǒng)計并可視化的結(jié)果如圖3(b)所示，縱坐標(biāo)從上至下為從周一至周日，可以看出，一周內(nèi)，工作日周一至周五的換乘次數(shù)明顯大于周末，工作日中周一和周五的換乘次數(shù)相對其他工作日較多，周末兩天中周六的換乘次數(shù)相比較稍大于周日；從橫坐標(biāo)的小時分布來看，與圖3(a)所示趨勢一致，存在早晚兩個出行高峰。

圖3 換乘次數(shù)時間分布圖

4.2 空間特性

公共自行車接駁公交的出行記錄中，分別按照工作日與周末分別統(tǒng)計各公交站點換乘出行人次的結(jié)果如圖4所示。由圖4可知，公交換乘站點集中分布在團(tuán)氿和東氿之間的宜城街道，其次是新城街道與新莊街道，也即城市中心區(qū)域，部分分布在城南地區(qū)的丁蜀鎮(zhèn)；從具體的站點分布來看，換乘人次最多的站點分別是金三角車站(站點1，上車總?cè)舜螢?24)、勸業(yè)廣場車站(站點2，上車總?cè)舜螢?16)、太滆菜場車站(站點3，上車總?cè)舜螢?1)，其次分別為人民劇場(上車總?cè)舜螢?8)、瑞德康城(上車總?cè)舜螢?6)等站點；從工作日、周末各站點上車人次來看，左圖工作日的熱力圖的圖例數(shù)值明顯大于周末熱力圖的比例，說明工作日換乘出行人次明顯多于周末，這也與前面的出行時間分布的規(guī)律吻合，其次，從左右兩圖的相對比較來看，除部分站點外，兩圖中各站點的換乘量的規(guī)律總體相似，團(tuán)氿和東氿之間的宜城街道換乘人次最多，其次分別是新莊街道與新街街道，最南邊的丁蜀鎮(zhèn)有3個公交站點，但換乘出行次數(shù)較少；工作日和周末換乘出行次數(shù)相差較大的站點主要有金三角車站、勸業(yè)廣場站、人民劇院站、亞細(xì)亞站、綠園新村站和公交南站等站點。

圖4 公交站點換乘人次空間分布

將換乘記錄按照工作日與周末分別統(tǒng)計公共自行車各站點換乘出行人次，結(jié)果如圖5所示，換乘公共自行車站點主要分布于城市中心區(qū)域的宜城街道，新莊街道與新城街道，因為換乘是發(fā)生在相鄰的自行車與公交站點，因此換乘出行人次的分布與公交站點的總體趨勢一致，兩湖之間的宜城街道的公交站點換乘出行人次最多；從具體各站點的分布來看，周末換乘出行人次最多的站點為汽車客運(yùn)總站(站點1，換乘總次數(shù)124次)，該站點與公交上車人次最多的金三角車站為匹配站點，其次分別為南虹橋(站點2，與公交站點老干部大學(xué)站、王府站相鄰，換乘總次數(shù)76次)，太鬲新村(站點3，與公交站點太滆菜場站、宜北橋站相鄰，換乘總次數(shù)76次)；同樣地，工作日換乘出行的次數(shù)明顯多于周末，工作日與周末換乘出行量有明顯區(qū)別的站點主要有汽車客運(yùn)總站、城北工商分所、太鬲廣場、南虹橋和君越天溪花園等站點，總的來說，工作日和周末的差別主要是由于工作日站點換乘次數(shù)顯著多于周末。

圖5 公共自行車站點換乘人次空間分布

5 結(jié)論

本文通過融合公交IC卡數(shù)據(jù)、公交GPS數(shù)據(jù)和公共自行車IC卡數(shù)據(jù)，構(gòu)建基于關(guān)聯(lián)規(guī)則的算法匹配公共自行車接駁公交用戶。在提取用戶換乘刷卡記錄后，解析公共自行車接駁常規(guī)公交的換乘客流時空演變規(guī)律，得到以下結(jié)論。

(1) 驗證結(jié)果顯示識別準(zhǔn)確率達(dá)到91.5%。

(2) 公共自行車接駁公交的出行也存在早晚兩個出行高峰期，且工作日的換乘次數(shù)明顯大于周末。

(3) 公共自行車接駁公交的出行主要分布在城市中心區(qū)域、客運(yùn)站與商圈。

今后的研究將從以下兩個方面進(jìn)行完善：

(1)由于公交下車時間未被記錄，現(xiàn)有研究中依據(jù)乘客出行規(guī)律推導(dǎo)下車站點及下車時間的方法準(zhǔn)確率有待提高，為了不影響公共自行車IC卡匹配公交IC卡的精度，因此本文并未探討用戶乘坐公交之后騎行公共自行車的換乘行為。

(2)由于本研究中公共自行車接駁公交辨識方法是基于宜興市IC卡數(shù)據(jù)驗證的，而宜興市主城區(qū)面積較小，因此獲取的換乘用戶和換乘記錄相對較少，若是能同時得到大城市的公共自行車IC卡和公交IC卡數(shù)據(jù)進(jìn)行研究，則可與本次研究的中小城市自行車接駁公交行為進(jìn)行對比分析，從而更全面地了解自行車與公交的換乘行為。