基于AFC数据的轨道交通线路乘客通勤聚类方法及分析

摘要

本研究致力于分析城市轨道交通通勤乘客的模式特征，并对不同类型通勤乘客的特征及规律进行深入探讨。文章设计了基于时空表征学习的通勤特征提取方法，使用层次密度噪声应用空间聚类(hierarchical density-based spatial clustering of applications with noise, HDBSCAN)构建二分类器提取通勤乘客，采用高斯混合模型(Gaussian mixture model, GMM)方法并基于地铁自动售检票(automated fare collection, AFC)数据将通勤乘客做概率聚类分析。研究结果表明聚类模型在模型对比和泛化表现出良好的聚类性能，HDBSCAN最佳参数设置为min＿cluster＿size=100,min＿samples=10,根据肘部法原则在贝叶斯信息准则取值(BIC值)为599 344.51处将通勤乘客分为错峰远程通勤者、弹性远程通勤者、标准远程通勤者、错峰弹性中程通勤者、标准远程通勤者5类，5类乘客在时空维度上呈现出显著差异化通勤模式。鉴于现有差异化通勤模式，地铁运营公司亟待制定差异化运力与站区管理措施，并将分群结果纳入日常调度与应急预案，以实现更精准的客流控制与服务保障。

关键词

城市轨道交通 / 通勤客流 / 聚类分析 / 高斯混合模型 / 降噪算法 / AFC数据