公共交通乘客的活动模式和规律性研究

doi:10.12141/j.issn.1000-565X.220658

华南理工大学学报(自然科学版) ›› 2023, Vol. 51 ›› Issue (8): 40-50.doi: 10.12141/j.issn.1000-565X.220658

所属专题： 2023年交通运输工程

公共交通乘客的活动模式和规律性研究

陈艳艳王子帆孙浩冬张野

北京工业大学城市建设学部，北京 100124

收稿日期:2022-10-11 出版日期:2023-08-25 发布日期:2023-03-16
通信作者: 陈艳艳（1970-），女，教授，博士生导师，主要从事交通运输规划与管理及大数据挖掘研究。 E-mail:cdyan@bjut.edu.cn
作者简介:陈艳艳（1970-），女，教授，博士生导师，主要从事交通运输规划与管理及大数据挖掘研究。
基金资助:
北京市科技计划项目(K2038001201902)

Stuby on the Activity Patterns and Regularity of Public Transport Passengers

CHEN Yanyan WANG Zifan SUN Haodong ZHANG Ye

Faculty of Architecture，Civil and Transportation Engineering，Beijing University of Technology，Beijing 100124，China

Received:2022-10-11 Online:2023-08-25 Published:2023-03-16
Contact: 陈艳艳（1970-），女，教授，博士生导师，主要从事交通运输规划与管理及大数据挖掘研究。 E-mail:cdyan@bjut.edu.cn
About author:陈艳艳（1970-），女，教授，博士生导师，主要从事交通运输规划与管理及大数据挖掘研究。
Supported by:
the Beijing Science and Technology Planning Program(K2038001201902)

摘要/Abstract

摘要：

为了探究公共交通乘客的活动模式和规律性，文中利用北京市2020年10月份3周的公共交通智能卡数据，构建乘客多天的出行活动序列，利用PrefixSpan算法挖掘乘客的频繁活动模式序列，并基于最长公共子序列的方法定义活动模式相似性度量方法，分别计算了个体乘客日活动序列相似度和不同乘客之间的活动模式相似度，基于乘客间的相似度，利用层次聚类算法对乘客进行分类。结果表明：工作日或非工作日之内的相似度明显高于工作日与非工作日之间的相似度；在工作日中，周五与其他天的活动序列相似度较低；在不同周次的同一天，乘客的活动序列相似度更高。层次聚类结果显示，乘客有4类典型的活动模式导向，分别为娱乐购物导向、生活外出导向、工作通勤导向和个人事务外出导向，并且活动模式为工作通勤导向的乘客个体的日活动序列相似度高于其他活动模式的乘客。文中研究结果可有助于科学制定精准化的公共交通运营管理和服务政策。

关键词: 公共交通, 乘客活动序列, 频繁序列挖掘, 序列相似性, 活动模式

Abstract:

In order to explore the activity pattern and regularity of public transport passengers, this study constructed multi-day passenger travel activity sequences using three weeks smart card data in Beijing in October 2020. The frequent activity pattern sequences of passengers were mined through the PrefixSpan algorithm, and the similarity measure method of activity patterns was defined based on the longest common subsequence. The day-to-day activity sequence similarity of individual and activity pattern similarities among different passengers were calculated respectively, and passengers were classified according to activity pattern similarities among passengers by using the hierarchical clustering algorithm. The results show that the similarity between workdays and weekends is significantly lower than that within workdays or weekends. In workdays, the activity sequence similarity between Friday and the other days is low. Meanwhile, the activity sequence similarity of the same days in different weeks is high. The result of hierarchical clustering shows that there are four typical activity patterns, including entertainment and shopping orientation, life orientation, work orientation and personal affair orientation. Moreover, the day-to-day activity sequence similarity of passenger with work orientation pattern is higher than that of passenger with other activity patterns. The research results in this paper are helpful to scientifically formulate accurate public transport operation management and service policies.

Key words: public transportation, passenger activity sequence, frequent sequence mining, sequence similarity, activity pattern 责任编辑：许花桃

中图分类号:

U491

陈艳艳, 王子帆, 孙浩冬, 等. 公共交通乘客的活动模式和规律性研究[J]. 华南理工大学学报(自然科学版), 2023, 51(8): 40-50.

CHEN Yanyan, WANG Zifan, SUN Haodong, et al. Stuby on the Activity Patterns and Regularity of Public Transport Passengers[J]. Journal of South China University of Technology(Natural Science Edition), 2023, 51(8): 40-50.

图/表 11

表1

图1

表2

图2

图3

图4

图5

图6

图7

表3

图8

参考文献 18

1	ZHOU Y， YUAN Q， YANG C，et al ．Who you are determines how you travel：clustering human activity patterns with a Markov-chain-based mixture model［J］．Travel Behaviour and Society，2021，24：102-112.
2	ZHAI W， BAI X， PENG Z，et al ．From edit distance to augmented space-time-weighted edit distance：detecting and clustering patterns of human activities in Puget Sound region［J］．Journal of Transport Geography，2019，78：41-55.
3	MA X， LIU C， WEN H，et al ．Understanding commuting patterns using transit smart card data［J］．Journal of Transport Geography，2017，58：135-145.
4	KIEU L， BHASKAR A， CHUNG E ．Passenger segmentation using smart card data［J］．IEEE Transactions on Intelligent Transportation Systems，2015，16（3）：1537-1548.
5	MANLEY E， ZHONG C， BATTY M ．Spatiotemporal variation in travel regularity through transit user profiling［J］．Transportation，2018，45（3）：703-732.
6	ZHONG C， BATTY M， MANLEY E，et al ．Variability in regularity：mining temporal mobility patterns in London，Singapore and Beijing using smart-card data［J］．PLoS ONE，2016，11（2）：e0149222/1-17.
7	GOULET-LANGLOIS G， KOUTSOPOULOS H N， ZHAO Z，et al ．Measuring regularity of individual travel patterns［J］．IEEE Transactions on Intelligent Transportation Systems，2018，19（5）：1583-1592.
8	DHARMOWIJOYO D B E， SUSILO Y O， KARLSTRÖM A ．Analysing the complexity of day-to-day individual activity-travel patterns using a multidimensional sequence alignment model：a case study in the Bandung Metropolitan Area，Indonesia［J］．Journal of Transport Geography，2017，64：1-12.
9	林鹏飞，翁剑成，胡松，等．公共交通乘客个体活动链的日相似性研究［J］．交通运输系统工程与信息，2020，20（6）：178-183，204.
	LIN Peng-fei， WENG Jian-cheng， HU Song，et al ．Day-to-day similarity of individual activity chain of public transport passengers［J］．Journal of Transportation Systems Engineering and Information Technology，2020，20（6）：178-183，204.
10	SHOU Z， DI X ．Similarity analysis of frequent sequential activity pattern mining［J］．Transportation Research Part C：Emerging Technologies，2018，96：122-143.
11	翁剑成，王昌，王月玥，等．基于个体出行数据的公共交通出行链提取方法［J］．交通运输系统工程与信息，2017，17（3）：67-73.
	WENG Jian-cheng， WANG Chang， WANG Yue-yue，et al ．Extraction method of public transit trip chains based on the individual riders’ data［J］．Journal of Transportation Systems Engineering and Information Technology，2017，17（3）：67-73.
12	ZHONG N， LI Y， WU S ．Effective pattern discovery for text mining［J］．IEEE Transactions on Knowledge and Data Engineering，2012，24（1）：30-44.
13	ZOU Q， YAO X， ZHAO P，et al ．Detecting home location and trip purposes for cardholders by mining smart card transaction data in Beijing subway［J］．Transportation，2018，45（3）：919-944.
14	PEI J， HAN J， MORTAZAVI-ASL B，et al ．PrefixSpan：mining sequential patterns efficiently by prefix-projected pattern growth［C］∥ Proceedings of the 17th International Conference on Data Engineering．Heidelberg：IEEE，2001：215-224.
15	YING J J-C， LU E H-C， LEE W-C，et al ．Mining user similarity from semantic trajectories［C］∥ Proceedings of the 2nd ACM SIGSPATIAL International Workshop on Location Based Social Networks．New York：ACM，2010：19-26.
16	BOUGUETTAYA A， YU Q， LIU X，et al ．Efficient agglomerative hierarchical clustering［J］．Expert Systems with Applications，2015，42（5）：2785-2797.
17	ROUSSEEUW P J ．Silhouettes：a graphical aid to the interpretation and validation of cluster analysis［J］．Journal of Computational and Applied Mathematics，1987，20（1）：53-65.
18	SCHNEIDER C M， BELIK V， COURONNÉ T，et al ．Unravelling daily human mobility motifs［J］．Journal of the Royal Society Interface，2013，10（84）：20130246/1-8.

活动类型	POI类别
个人事务	公司企业、科教文化服务、金融保险服务、政府机构及社会团体、医疗保健服务
其他生活外出	商务住宅、生活服务
购物	购物服务
休闲娱乐	餐饮服务、体育休闲服务、风景名胜

日期	活动序列
2020-10-12	〈H-W-H〉
2020-10-13	〈H-W-A-H〉
2020-10-14	〈H-W-H〉
2020-10-15	〈H-W-S-H〉
2020-10-17	〈H-R-S-H〉

类别1（娱乐购物导向）		类别2（生活外出导向）		类别3（工作通勤导向）		类别4（个人事务外出导向）
频繁活动模式序列	占比/%	频繁活动模式序列	占比/%	频繁活动模式序列	占比/%	频繁活动模式序列	占比/%
H-R-H	50.7	H-L-H	65.6	H-W-H	74.2	H-A-H	65.4
H-S-H	17.3	H-R-H	8.3	H-R-H	10.6	H-S-H	12.6
H-O-H	12.4	H-A-H	7.1	H-A-H	4.0	H-O-H	11.0
H-A-H	11.1	H-S-H	4.6	H-S-H	2.9	H-R-H	5.3
H-L-H	3.2	H-L-R-H	4.6	H-W-R-H	2.8	H-R-A-H	1.2
H-A-R-H	1.3	H-O-H	3.7	H-O-H	2.2	H-L-H	1.0
H-R-S-H	1.1	H-R-L-H	2.5	H-W-A-H	1.1	H-A-R-H	1.0
H-R-A-H	1.1	H-L-H-L-H	1.2	H-R-W-H	1.0	H-A-S-H	0.9
H-S-R-H	1.0	H-L-S-H	1.2	H-W-H-W-H	0.7	H-O-A-H	0.9
H-R-O-H	0.8	H-W-H	1.2	H-L-H	0.7	H-A-O-H	0.7

[1]	别一鸣, 朱奥泽, 从远. 电池健康程度差异下的电动公交线路车辆调度方法[J]. 华南理工大学学报(自然科学版), 2023, 51(10): 11-21.
[2]	翁剑成, 王茂林, 林鹏飞, 等. 基于客流特征鉴别的公交跨线组合调度优化方法[J]. 华南理工大学学报(自然科学版), 2022, 50(9): 39-48.
[3]	龙雪琴, 李景涛, 王建军, 等. 实时信息下共线公交线路发车时刻表的协同优化[J]. 华南理工大学学报(自然科学版), 2022, 50(2): 23-32.
[4]	姚树申翁小雄李飞羽. 基于时间特征行为动力学的通勤模式分析[J]. 华南理工大学学报（自然科学版）, 2019, 47(9): 53-60.
[5]	刘建荣刘志伟. 基于出行者潜在类别的公交出行行为研究[J]. 华南理工大学学报（自然科学版）, 2019, 47(6): 119-126.
[6]	裴明阳陈海华林培群庞崇浩. 基于站点动态分级和差异定价的灵活公交调度模型[J]. 华南理工大学学报（自然科学版）, 2018, 46(11): 150-156.
[7]	卢小林潘述亮邹难. 考虑时间维的城市公交专用道布局优化模型[J]. 华南理工大学学报（自然科学版）, 2017, 45(4): 124-131,144.
[8]	巫威眺靳文舟魏明孙德强. 配合区间车的单线公交组合调度模型[J]. 华南理工大学学报(自然科学版), 2012, 40(11): 147-154.
[9]	邹亮徐建闽. 公共交通路网描述方法及诱导模型设计[J]. 华南理工大学学报（自然科学版）, 2005, 33(9): 41-44.

公共交通乘客的活动模式和规律性研究

Stuby on the Activity Patterns and Regularity of Public Transport Passengers

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 11

参考文献 18

相关文章 9

编辑推荐

Metrics

本文评价