朱 鯉，張品立，何千羽，賈 振

上海城市交通設計院有限公司

0 研究背景

2019年以來，一場新冠疫情改變了全世界的運行模式。新冠疫情的大流行對全世界都產(chǎn)生了極大的影響。短短幾個月，新冠疫情迅速傳播至數(shù)百個國家。在2020—2021年這兩年中，全世界2億3 000多萬人被感染，472萬人死亡，全球經(jīng)濟也受到了巨大的沖擊。除了這些直觀的影響之外，每個人的生活似乎也在潛移默化中受到了影響。從我國來看，疫情經(jīng)歷了2020年1月、2月嚴格管控時期，3月開始陸續(xù)復工復產(chǎn)時期，4月至9月逐步進入常態(tài)化防疫防控、全面復工復產(chǎn)復市時期。疫情的爆發(fā)及持續(xù)對交通出行產(chǎn)生重大影響，即使到了目前的恢復階段，交通出行仍未恢復至疫情前水平，市民出行習慣也產(chǎn)生了一定的變化。

1 基于AFC等數(shù)據(jù)的出行規(guī)模影響分析

對外交通受到很大影響。2020年2月、3月，鐵路、港口、公路、航空客運總量均僅處于2019年的兩成以下水平。2020年3月至9月，鐵路、航空、公路客運恢復速度相對港口較快，至9月鐵路客運恢復至八成，航空客運恢復至七成，公路客運恢復至六成，但是港口客運仍僅為一至兩成。進入常態(tài)化防疫防控、全面復工復產(chǎn)復市時期后，客運量逐步穩(wěn)定，但交通出行仍未恢復至疫情前水平。2021年6月，與疫情前的2019年同期相比，鐵路客運恢復至九成水平，航空客運仍處于六至七成水平，公路客運仍處于五至六成水平，對外水路運輸依舊基本停擺。

公共交通出行仍未恢復如初。2020年受疫情影響，公共交通所有交通方式出行量從1月開始顯著下降，至2月跌入谷底，公共交通客運總量同比減少81.7%。從軌道交通日客運量來看，1月20日到1月28日之間客運量斷崖式下降，最低客運量出現(xiàn)在2月16日，全日僅62.9萬乘次。公共交通客運量從2020年3月開始逐步恢復，至9月份恢復到2019年同期九成客運量水平。地面公交受影響程度最大，軌道交通其次，輪渡客運受影響程度相對較小。進入常態(tài)化防疫防控、全面復工復產(chǎn)復市時期后，地面公交出行仍未恢復至疫情前水平。2021年6月，與疫情前的2019年同期相比，軌道交通、輪渡基本恢復，地面公交恢復至七成。

2 基于意愿調(diào)查數(shù)據(jù)的出行方式選擇影響分析

出行方式選擇發(fā)生轉(zhuǎn)變。21%的人表示疫情常態(tài)化期間存在刻意避免乘坐公共交通的行為。出行方式面臨向個體化交通方式長期轉(zhuǎn)移風險。在綠色交通出行中，20%的人表示不同程度的從原來的公共交通方式轉(zhuǎn)變?yōu)閭€體機動化出行，包括轉(zhuǎn)向自駕和租賃小汽車、乘坐出租汽車等（見圖1）。

圖1 公共交通方式選擇傾向分析

公共交通出行意愿下降。在疫情的各個階段，人們對于首選的交通出行方式也不盡相同（見圖2）。個體交通出行由于較能保障社交距離，因此在疫情高發(fā)期成為了最讓人感到安全的選擇，其中步行占據(jù)主導地位，小汽車使用意愿較實際使用占比高出一倍。 在疫情穩(wěn)定期，個體化出行意愿明顯下降，公共交通比重開始大幅上升。對疫情過后的期望中，個體化出行意愿進一步下降，軌道交通進一步上升。公共汽電車基本保持不變。在疫情期間，相較軌道交通的封閉地下環(huán)境，通風條件更好的地面公交讓人更有安全感。

圖2 交通工具使用意愿

疫情期間非機動車、步行等慢行交通方式，成為較安全的出行方式，其中非機動車出行距離更長、出行次數(shù)更加頻繁。針對出行習慣的中長期轉(zhuǎn)變，面向未來后疫情時期，應更加注重公共交通和綠色交通吸引力的提升，制定公共交通、綠色交通優(yōu)先的交通政策，鼓勵倡導更加健康、綠色的交通出行方式。

3 基于大數(shù)據(jù)的出行特征分析技術(shù)

對疫情管理從簡單的封閉阻隔到跟蹤監(jiān)測管理，利用各種大數(shù)據(jù)技術(shù)對居民出行軌跡及擴散特征進行分析變得尤為重要。由于疫情屬于突發(fā)的衛(wèi)生事件，從長遠來看并非常態(tài)化狀態(tài)，如果為了采集出行信息，額外安裝高成本的采集設備，既不經(jīng)濟也不實用，因此基于現(xiàn)有采集設備的大數(shù)據(jù)技術(shù)亟待研究。手機信令、交通卡、GPS、電子標識、ETC、WiFi等大數(shù)據(jù)在疫情期間的應用（見圖3），可對居民的的出行信息進行挖掘分析，可追蹤人員、車輛的來源，行動軌跡和擴散特征，實現(xiàn)對潛在擴散區(qū)域的分析，從而大大降低病毒的傳播與擴散風險。

圖3 基于大數(shù)據(jù)的出行特征分析

傳統(tǒng)人口調(diào)查與出行調(diào)查通常采用問卷的形式，存在組織難度大、成本高，精度受主觀因素影響大，難以開展大規(guī)模調(diào)查等缺點。相比傳統(tǒng)人工調(diào)查，基于信息化技術(shù)的大數(shù)據(jù)具有豐富多樣、動態(tài)客觀，可復制性可擴展性強，可長時間持續(xù)采集等優(yōu)勢，為海量的交通出行數(shù)據(jù)獲取提供了良好的基礎(chǔ)?；谑謾C數(shù)據(jù)，可追蹤大范圍長時期人員的流動、出行總量、時空分布及分方式交通出行特征包括軌道交通、高速公路，對外交通等；基于GPS、電子標識、ETC等數(shù)據(jù)，可追蹤車輛運行軌跡、時空分布的信息；基于交通卡、GPS、AFC等數(shù)據(jù)，可追蹤公共交通出行量、時空分布、出行路徑等信息；基于票務信息、手機數(shù)據(jù)，可追蹤對外交通吞吐量、抵離時空特征信息；基于WiFi等數(shù)據(jù)，可追蹤樞紐/站點人流抵離時空特征、運行軌跡、停留特征等信息；在此基礎(chǔ)上，結(jié)合二維碼跟蹤和多源數(shù)據(jù)融合模式，可考慮實行更加有效的措施，做到人員的精準溯源。

3.1 基于手機數(shù)據(jù)的全方式出行特征分析

原始的手機數(shù)據(jù)需要經(jīng)過預處理完成個人隱私數(shù)據(jù)加密、無效數(shù)據(jù)清洗、基站定位信息采集處理等步驟，從而獲取有效樣本。手機信令數(shù)據(jù)中包含了用戶的出行信息，當用戶處于移動狀態(tài)時，隨所處小區(qū)變化發(fā)生基站切換，當停留在某個位置時，會定時上傳，當通話等事件發(fā)生，也會觸發(fā)上傳用戶位置，利用這種性質(zhì)可區(qū)分用戶所處狀態(tài)，識別出用戶的停留點，從而可以對軌跡進行劃分，利用停留點獲取職住、OD等位置信息，基于移動狀態(tài)下的軌跡得到活動路徑，提取用戶當日完整的出行鏈信息。

如圖4所示，當用戶處于移動狀態(tài)會產(chǎn)生較為分散的軌跡點，這些軌跡點分布在出行路徑周圍[1]，形成移動區(qū)域；當用戶處于停留狀態(tài)或在小范圍內(nèi)移動，通過定時上傳位置數(shù)據(jù)，會生成許多較為密集的軌跡定位信息[1]，形成停留區(qū)域。再采用聚類方法以及設定規(guī)則來進行狀態(tài)判別及劃分。基于手機數(shù)據(jù)，可追蹤大范圍長時期人員的流動、出行總量、時空分布及分方式交通出行特征包括軌道交通、對外交通等。

圖4 軌跡劃分示意圖

3.2 基于交通卡數(shù)據(jù)的公共交通出行特征分析

交通卡的主要用途為乘客計費，一般采用上車刷卡方式，也有個別城市采用上下車分別刷卡的形式。另外，常規(guī)公交線路的刷卡數(shù)據(jù)中一般并不包含乘客上下客站點的信息[2]。針對僅上車刷卡和不包含上下客站點信息的問題，本次研究基于交通卡數(shù)據(jù)，結(jié)合線路運營調(diào)度數(shù)據(jù)和車輛定位數(shù)據(jù)，可計算公共交通出行時間、上下客站點、換乘站點等[3]，從而獲取公共交通的出行鏈和特征信息（見圖5）。

圖5 基于交通卡數(shù)據(jù)的公共交通出行采集技術(shù)

（1）上客站點計算。首先通過刷卡設備信息，獲取線路名稱和車輛編號。進一步，可以通過兩種方式獲取上客站點信息：一是通過報站系統(tǒng)，獲取各站點的報站時間，將報站時間與上車刷卡時間進行匹配，距離上車刷卡時間最近的上一站點則為上客站點；二是通過車輛定位數(shù)據(jù)，獲取車輛的行駛軌跡，計算上車刷卡時刻的車輛位置信息，將車輛的位置信息和線路站點信息進行匹配，計算距離車輛的位置信息最近的線路站點，若滿足距離閾值則為上客站點。

（2）下客站點及換乘站點識別。由于交通卡數(shù)據(jù)一般不包含乘客下車信息，需要結(jié)合本次及后續(xù)上車刷卡數(shù)據(jù)，通過乘客的出行行為特征對其下車站點進行分析。首先計算后續(xù)刷卡數(shù)據(jù)的后續(xù)上客站點，然后計算距離后續(xù)上客站點的最近前序線路站點，判斷后續(xù)上客站點與該站點的距離是否滿足距離閾值（一般取800 m，或者可調(diào)研獲取該數(shù)值）。若滿足，可通過報站系統(tǒng)或車輛定位數(shù)據(jù)計算下客站點的下客時間。若下客時間與后續(xù)上客時間小于時間閾值，則視為一次出行，該下客站點判斷為換乘站。若大于時間閾值，則視為兩次出行，該下客站點判斷為該次出行的最終下客站點。在不改造設備情況下，通過該技術(shù)捕捉持卡乘客的上下客站點、線路，目前數(shù)據(jù)有效率70%（占刷卡數(shù)據(jù)）。通過對比往年人工跟車調(diào)查的平均乘距數(shù)據(jù)，誤差小于10%，能夠反映乘客特征。

3.3 基于電子標識、ETC、GPS等數(shù)據(jù)的個體機動車出行特征分析

電子標識、ETC、GPS等數(shù)據(jù)，一類是安裝在車載終端上，一類是安裝在道路固定地點上，雖然安裝形式有所不同，但都可包含或計算車輛的位置信息?；谝陨蠙z測技術(shù)可實現(xiàn)機動車出行特征分析。將定位數(shù)據(jù)按照車輛唯一標識符進行分組，并按照定位數(shù)據(jù)的記錄時間對車輛的出行鏈進行切割排序。判斷切割后的出行鏈段兩個時間點之間的時間差是否滿足時間閾值條件以及車速是否滿足速度閾值條件。根據(jù)出行的起訖點信息，對出行起訖點的交通區(qū)域中的車輛進行分組統(tǒng)計，獲得每個交通區(qū)域的起訖點信息統(tǒng)計表。提取車輛某次出行起訖點之間的位置坐標記錄，將所有坐標記錄與交通地圖數(shù)據(jù)匹配（見圖6），計算得到某次出行的路徑。

圖6 地圖數(shù)據(jù)匹配技術(shù)路徑

3.4 基于WiFi等數(shù)據(jù)的站點/樞紐出行特征分析

WiFi定位算法通常使用三角定位和指紋定位兩種定位算法。當有設備損毀時，三角定位的適用性更高，但缺點是有效信號合圍區(qū)域存在盲點的可能性。因此，兩種方法結(jié)合使用效果更好。本次研究結(jié)合兩種定位算法并根據(jù)區(qū)域定位需求、區(qū)域現(xiàn)場環(huán)境和實際AP布點間隔靈活選擇算法以實現(xiàn)最佳定位精度。三角定位算法通過三臺以上AP實現(xiàn)定位（見圖7），三臺AP上報的移動終端報文包含了探針檢測到的移動終端信號強度。由于信號強度伴隨傳播距離逐漸衰弱，故利用三遍測距的方式計算出移動終端當前位置。指紋定位算法通過WiFi指紋采集工具對現(xiàn)場每一處人員可到達位置進行WiFi信號特征值采集。定位區(qū)域劃分網(wǎng)格，建立采樣點，使用WiFi接受設備逐個采樣點采樣，記錄該點位置、AP、信號強度，記錄到指紋庫中。在定位過程中，系統(tǒng)將同一定位周期內(nèi)的探針數(shù)據(jù)進行整合分析后與地圖指紋后臺進行對比，并將定位點定在最符合WiFi信號特征值的位置上。通過WiFi定位算法的結(jié)合應用，可獲取站點/樞紐的客流時空分布和軌跡特征（見圖8）。

圖7 檢測設備的布設案例

圖8 靜安寺公交樞紐乘客軌跡分析案例

4 小 結(jié)

疫情期間，大到城市間、部門間的聯(lián)防聯(lián)控，對突發(fā)事件的及時響應，小到車輛、個人的精準定位、精確管理，都運用了相當多的信息化手段。基于多源數(shù)據(jù)的應用分析，是未來需要重點關(guān)注和投入的方面。只有更智慧化的規(guī)劃、運營，更精準的實施管理，才能有效調(diào)配資源，形成交通系統(tǒng)全局的最優(yōu)配置。