Exploring Bus Rapid Transit passenger travel behaviour using big data
Sui Tao*, Jonathan Corcoran, Iderlina Mateo-Babiano, David Rohde
School of Geography, Planning and Environmental Management, The University of Queensland, Brisbane, QLD 4072, Australia
In order to address the research questions, a geo-visualisation-based method is applied in this paper. First, passengers#39; travel trajectories (i.e., continuous lines that depict travel pathways of passengers by connecting a series of spatial nodes) are recon-structed at a spatial resolution of the bus stop. Next, using flow-comaps, a geo-visualisation technique that integrates flow-mapping with conditional plot, we visualised the aggregated travel trajectories of BRT and non-BRT trips within a bus transit network. In doing so, the differing roles of BRT and the remainder bus service are revealed and visualised.
The remainder of the paper is structured as follows: Section 2 introduces Brisbane (Australia) as the case study area. Section 3 outlines the database and the method utilised to investigate BRT and non-BRT trip dynamics, followed by the results presented in Section 4. Section 5 discusses the implications for BRT policies based on the key findings, as well as the avenues for future research. Finally, Section 6 draws a set of tentative conclusions and highlights the progress made in this research.
Study area
Brisbane, the capital city of the state of Queensland (Australia), is the case study area, comprising the Central Business District (CBD), inner and outer rings (Fig. 1). Brisbane is the third largest Australian city in terms of population size with in excess of 1 million people within the city area (i.e., Brisbane City Council area) (ABS., 2012).
Similar to other major Australian cities (such as Sydney and Melbourne), Brisbane is a car-oriented city in terms of people#39;s travel patterns (BITRE, 2013). The 2011 census data (ABS, 2013) shows that in Brisbane, mode shares for commute trips by private cars and UPT (i.e., commute trips by bus, railway and ferry) were 64.5% and 12.8% respectively, while the two indicators at the na-tional level were 65.8% and 10.4% respectively. Among the three transit modes, Brisbane#39;s bus transit has become an increasingly important component over the past decade. It consists of over 400 bus routes and 10,000 bus stations with a service area covering the majority of Brisbane (Translink, 2012). In contrast, the railway network has less than 300 stations, and 26 terminals for the ferry service. According to the 2011 census, Brisbane#39;s bus transitaccounted for 5.1% of all commute trips, compared to the 3.9% mode share by railway (ABS, 2013).
Through an examination of passengers#39; boarding and alighting counts using a kernel density approach, 18 key locales and suburbs were highlighted as important locations to focus the interpretation of spatial-temporal dynamics (Fig. 1). These included the CBD and the nearby area (i.e., New Farm Park), 5 shopping centres, 3 uni-versities, 2 local transfer/park-and-ride hubs (i.e., Buranda and Eight Mile Plains) and the remaining 6 residential suburbs. As is shown in Section 4, major travel pathways of BRT and non-BRT trips can be identified among these locations.
As identified in previous studies, e.g., Bagchi and White (2005), Pelletier et al. (2011), the socio-demographic characteristics (e.g., income, gender, household) of smart card users are not provided in smart card data. To further contextualise the findings of this paper, the Index of Relative Socio-Economic Advantage and Disadvantage (IRSAD) of the latest Australia Census data (ABS, 2011a) was also mapped across the study area (Fig. 2).
The IRSAD is one of four Socio-Economic Indexes for Areas (SEIFA) produced by the Australian Bureau of Statistics, which are calculated as composite scores at a range of different geographies based on a multivariate analysis of numerous disaggregate census variables. Of the four indexes, the IRSAD is the one that accounts for the socio-economic continuum capturing the socio-economic conditions ranging from the most advantage to the most disad-vantaged. In this paper we draw on the smallest available 2011 census unit, namely Statistical Level 1 (SA1) to map the spatial distribution of IRSAD (ABS, 2011b). Due to the low resident pop-ulations in some areas (e.g., in locales with industrial and commercially dominated land uses), a small proportion of SA1s (approximately 4.1 per cent of all SA1s in the study area) do not have IRSAD values. For the remaining SA1s, IRSAD values were binned into deciles, with 10 indicating the most socio-economic advantaged areas, and 1 being the most disadvantaged areas (Fig. 2).
Data and method
Datasets
Six months of smart card data provided by Translink (the transit agency which operates the Brisbane BRT) served as the core data source for this study. The smart card (known as Go Card) is the major mechanism for UPT passengers to pay fares in Brisbane, comprising nearly 80% of all tickets sales. Instead of using the records for all UPT trips (i.e., bus, railway and ferry trips), this paper only used bus trip records for the following two reasons: (1) Brisbane#39;s BRT busway primarily serves as an inte-grated component of the bus transit network, with most of its patronage coming from the rest of the bus service (Currie, 2006; Currie amp; Delbosc, 2010); (2) the route information for train and ferry trips are not recorded in the current smart card data, which renders the reconstruction of travel trajectories of these modes infeasible. The key information stored in the smart card data included the name of operator, route ID, date, direction (i.e., in-bound trips moving into the CBD or outbound trips moving away from the CBD), boarding and alighting stop and time, trip ID and smart card ID.
Given that the geographic coordinates of the boarding and alighti
全文共26811字，剩余内容已隐藏，支付完成后下载完整资料
利用大数据探索快速公交乘客出行行为
隋涛 ; 乔纳森科克伦 ; Iderlina Mateo-Babiano ; 大卫罗德
地理学院规划及环境管理昆士兰大学布里斯班QLD 4072 澳大利亚
为了解决研究问题，本文采用了基于地理可视化的方法。首先，将乘客的旅行轨迹（即通过连接一系列空间节点描绘乘客旅行路线的连续线）以公共汽车站的空间分辨率重建。接下来，我们使用流量映射技术（一种将流量映射与条件图集成在一起的地理可视化技术），可视化公交网络中BRT和非BRT行程的总体出行轨迹。在此过程中，BRT和其余巴士服务的不同角色将被揭示和可视化。
本文的其余部分结构如下：第2部分介绍布里斯班（澳大利亚）作为案例研究领域。第3节概述了用于调查BRT和非BRT出行动态的数据库和方法，其次是第4节中的结果。第5节讨论了基于主要调查结果对BRT政策的影响以及未来研究的途径。最后，第6节提出了一系列试探性结论，并强调了本研究取得的进展。
研究区
案例研究区布里斯班是昆士兰州首府（澳大利亚），包括中央商务区（CBD）、内环和外圈（图1）。布里斯班是澳大利亚第三大城市，人口规模超过城市地区的100万人（即布里斯班市议会区）（ABS，2012）。
与其他澳大利亚其他主要城市（如悉尼和墨尔本）相似，布里斯班是一个以汽车出行模式为主导的城市（BITRE，2013）。 2011年人口普查数据（ABS，2013年）显示，在布里斯班，私家车和UPT通勤出行的模式份额分别是64.5％和12.8％，而两项指标全国水平分别为分别是65.8％和10.4％。 在三种交通方式中，布里斯班的公共汽车运输在过去十年中已成为越来越重要的组成部分。 它由400多条巴士路线和10,000个巴士站组成，服务区覆盖布里斯班的大部分地区（Translink，2012）。 相比之下，铁路网络拥有不到300个客运站，轮渡服务的码头有26个。根据2011年的人口普查数据显示，布里斯班的公共汽车运输量占所有通勤量的5.1％，而铁路的份额为同比3.9％（ABS，2013）。
通过使用核密度方法检查乘客的登机和下车次数，18个重要场所和郊区被突出显示为重点地点，以便重点解释时空动态（图1）。其中包括CBD和附近地区（即新农场公园），5个购物中心，3个大学，2个本地转移/公园和乘坐中心（即Buranda和Eight Mile Plains）以及其余6个住宅区。如第4部分所示，BRT和非BRT旅行的主要旅行路径可以在这些位置中确定。
正如以前的研究所指出的，例如Bagchi和White（2005），Pelletier等人（2011年）：智能卡用户的社会人口统计特征（如收入，性别，家庭）不提供智能卡数据。为了进一步阐述本文的研究结果，澳大利亚最新人口普查数据（澳大利亚统计局，2011a）的相对社会经济优势和劣势指数（IRSAD）也包含在整个研究领域（图2）。
IRSAD是澳大利亚统计局编制的四个社会经济指标（SEIFA）之一，根据对多个分类普查变量的多变量分析，这些指标是根据不同地理区域的综合评分计算的。在这四个指标中，IRSAD是反映社会经济状况的社会经济连续统一体的指标，从最有利到最不利的社会经济条件。在本文中，我们利用2011年最小的人口普查单位即统计级别1（SA1）来绘制IRSAD的空间分布（ABS，2011b）。由于某些地区的居民人口偏少（例如，在工业和商业占主导的土地用途的地区），一小部分SA1s（约占研究区域所有SA1s的4.1％）没有IRSAD值。对于其余的SA1s，IRSAD值被分为十等分，其中10个表示最具社会经济优势的地区，1个是最弱势地区（图2）。
数据和方法
数据集
由Translink（运营布里斯班BRT的运输机构）提供的6个月智能卡数据是本研究的核心数据源。智能卡（被称为Go Card）是UPT乘客在布里斯班支付票价的主要机制，占所有票销售额的近80％。 ，本文只使用巴士旅行记录而非所有UPT旅行记录(即巴士、铁路和轮渡旅行)，原因有以下两个：（1）布里斯班的BRT公交车道主要作为公交车的一个组成部分，其大部分乘客来自巴士服务的其余部分（Currie，2006; Currie＆Delbosc，2010）; （2）火车和轮渡旅行的路线信息未记录在当前的智能卡数据中，这使得这些模式的行程轨迹的重构是不可行的。存储在智能卡数据中的关键信息包括运营商名称，路线ID，日期，方向（即，进入CBD的入境行程或离开CBD的出境行程），登机和下车停止和时间，行程ID和智能卡ID。
考虑到登机和下车站点的地理坐标未记录在智能卡数据中，使用通用交通工具规范（GTFS）数据提供这些信息。 GTFS数据集结合一系列服务模式（例如，公交线路的服务旅程的数量和ID，公交站点的公交站点的数量和ID）来指定地理信息（例如公交车站的坐标） 在布里斯班的巴士服务。根据昆士兰州政府（2013年）提供的GTFS数据，我们能够添加地理信息并根据智能卡数据重建巴士乘客的旅行轨迹。 解决后一问题的方法在下一节中详细阐述。
以前的研究表明，人们的出行行为（例如行程安排，空间重复）可能每天都有所不同。[参见Pas和Sundar（1995），Schlich和Axhausen（2003），Buliung，Roorda和 Remmel（2008）]。 在提供UPT服务时，捕捉这种多样化的旅行模式至关重要。本文特别关注不同日期事件（即工作日，周末和公众假期）下的旅行模式。 基于现有的证据表明，参见Susilo和Kitamura（2005），Buliung等人 （2008），Nishiuchi等人（2013年）：不同日历事件下的人们的旅行模式的变化与相同日期事件的对应者相比更加明显（特别是在工作日到工作日的基础上）。
利用昆士兰的公共日历（DETA，2013年），进一步从半年的数据中提取4月中五天的智能卡数据。除了捕捉日历事件的影响外，在提取数据时还考虑了以下两个问题。首先，自2012年10月以来，六个月的数据存储智能卡重新连线，4月是最近一个月。考虑到GTFS数据是在2013年7月创建的，为了在数据预处理中尽可能多地保留智能卡记录，最好使用智能卡数据的最新月份。其次，就天气条件而言（如温度，降雨量）而言，4月是一个温和的月份，没有极端的天气，如高温（如35℃以上）或暴雨（Buearu of Meteorology，2013）。因此，使用4月份的数据将排除极端天气条件的影响。表1总结了提取数据的日期，相应日历事件，温度，降雨量，行程记录数量和乘客人数。
方法
所开发的基于地理可视化的方法被应用于揭示BRT行程与非BRT行程的时空动态关系。它包括四个主要阶段，以下是每个阶段的详细描述：
1）利用GTFS数据馈送（即路线，服务，停靠时间和形状文件）内组合的四个文件，提取布里斯班公共汽车服务的服务模式，以指定所有公交站点的顺序和ID巴士路线。使用这个扩展的GTFS数据，五天的智能卡数据的巴士旅行被扩展为小型旅行，指定在登机和下车站之间通过的巴士站。这是通过发现与GTFS数据和智能卡数据结合的路线ID，方向和上下车的匹配信息来实现的（图3）。在这样做的时候，巴士乘客的旅行轨迹以小型旅行的形式重建。由于GTFS数据和智能卡数据之间存在一些小的不一致，所以并不是所有的巴士旅行都成功地扩展到小型旅行，如表2所示。
2）五次日历事件中公交乘客的重建旅行轨迹被分为两组，即BRT旅行和非BRT旅行。这里的“旅行”是指考虑智能卡记录之间的转移的链接旅行，其可以基于智能卡数据中的“旅程-ID”条目来识别，即链接的记录被给予连续的旅行ID，例如1 ，2，3。根据这个定义，只要巴士之旅的一部分在BRT公交车道上运行，它就被认为是BRT之旅;否则，它被分类为非BRT旅行。这使得能够根据旅行需求（例如，从公交网络的其余部分馈送到公交车道的行程）检测BRT公交专用道和公交网络的其余部分之间的空间连接。
3）在BRT和非BRT旅行的识别之后，实现了智能卡数据的十个子集（即BRT，五个日历事件中的每个的非BRT旅程）。描绘所有公共汽车站之间的流量的流量矩阵然后为十个子集中的每一个构建。根据智能卡数据的#39;方向#39;输入（即，入境系列反射流向CBD移动，以及出站系列反射流离开CBD），每个流动矩阵被进一步分解为两个方向序列。为了捕捉旅行模式的时间变化，每个系列都被分割成四个连续的时间段（即早上，中午，下午和晚上）的子矩阵。这给了我们总共80个流量矩阵（即，每天有16个矩阵）。
4）基于流矩阵建立flow-comaps。流动图是一种结合两种广泛应用的可视化技术的优势的地理可视化技术（Andrienko＆Andrienko，2008; Thompson＆Lavin，1996; Tobler，1987）和comap（或条件地图）（Brunsdon，2001）。通过基于条件变量（例如，不同的日历事件）对运动数据进行分类和可视化，流动共同映射允许观察在不同条件下（例如，干燥日与雨天）的运动流的空间变化。因此，这种强度使流量 - 协同映射成为检查和比较与不同日历事件（例如，工作日，周末或公众假期）相关的BRT和非BRT行程模式的合适方法。
结果
结果分为两部分：第一部分包括对集成智能卡数据的描述性分析; 第二个利用flow-comaps来研究BRT和非BRT行程的时空动态。
描述性分析
图4和图5描述了不同日历事件中BRT和非BRT旅程的时空模式。一般来说，快速公交和非快速公交的出行方式非常相似，都显示在工作日和学校放假期间，上下班繁忙时段都有明显的上下班高峰时段，周六，周日和公众假期期间没有明显的高峰时段。
表3比较了BRT和非BRT旅程之间的三个指标（即旅行时间，旅行距离和平均速度）。由于所有三个指标都是正偏态的，所以用指标的中值来反映平均绩效水平，而不是用平均值。对于BRT和非BRT旅行，这三个指标在五个日历事件中有所不同。最值得注意的是，与其他三个日期（即周六，周日和公众假期）相比，工作日和学校假期的旅行时间，距离和平均速度较慢。考虑到不同日历事件的旅行需求可能会有所不同，例如，在工作日上班的人数比周末多，因此这种差异是可以解释的。工作日和学校假期之间的相似性可以用以下事实来解释：学校学生只占所有公共汽车乘客的一小部分，因为他们的出行行为（例如，较少的出行）的变化对总体出行模式的影响很小这两天之间。在BRT和非BRT旅行的表现方面，可以区分出更有趣的区别。对于所有五个日历事件，BRT行程与较长的行程时间，距离和较高的平均速度相比非BRT行程相关，这是一个统计上显着的关系。尽管许多公交线路仅将公交车道作为其服务行程的一部分，但在公交专用道上行驶的公交车的平均车速明显提高（Currie＆Delbosc，2010 ）。
时空动态
我们接下来使用flow-comaps来研究BRT和非BRT行程的时空动态，以解决第1节中详述的问题，即：1）BRT和非BRT行程之间的时空差异; 2）BRT跨网络的空间格局的异质性; 3）未来BRT规定的计划影响。
沿着垂直方向，flow-comaps在四个连续时间段上排列，即早上（上午6点到上午10点30分），中午（上午10点到下午2点30分），下午（下午2点到6点30分）和晚上（下午6点至10点30分）。在水平方向上，每行属于一个非空间类别（例如BRT入站行程，非BRT出站行程）。 工作日平均流量的自然间隔为计算其他日子的基准。flow-comaps不能量化流的空间分布（即空间分散或集中）。为了添加这些信息，并按照Bell等人提出的算法将其计算并添加了变异系数(CV)到流动共图中（2002年）。对CV而言，高值表示较高的空间分散水平，而低值表示更多的空间集中流量模式。
图6和图7分别显示了工作日和学校假期的时空模式。根据描述结果，在BRT和非BRT行程之间观察到类似的时间模式;都显示通勤导向模式。就空间格局而言，虽然两天的流量都显示出一种径向结构，将CBD与周围环境和更远的郊区连接起来，但BRT和非BRT之间的不同模式可以被识别出来。对于快速公交出行而言，北部，南部和西部外环的许多大量通道在这两天内形成并持续存在，这表明BRT公交专用道成为通往外围郊区的主要通道（特别是在北部 - 南方）到布里斯班公交网络内的CBD和周边地区。相比之下，非BRT出行流量较低的主要通道在上午和下午时间更集中在布里斯班东部和西部。检查每个CV值，发现BRT行程在上午和下午高峰时段更加空间分散，而非BRT行程在空间上比BRT行程在当天更加分散。
进一步对比图6和图7发现，与布里斯班河相隔的北部相比，BRT行程在南部的空间格局更为明显。几条高容量通道源于布里斯班南部地区（例如，Inala和Sunnybank Hills，参见图1），并进入东南公交道。在布里斯班北部，可以找到许多强大的途径，即连接Stafford Heights，Everton Parks，Gap和Indooroopilly购物中心（参见图1）与CBD的路径。然而，通过比较北方通道的空间布局与北方公交专用道的空间布局，似乎在这些通道之后的相当多的行程似乎仅使用公交专用道的一小部分，因为两者之间的有限重叠。这表明东南公交专用道（SEB）可能比北道公交专用道（NB）更为强大。这种差异扩展了Currie和Delbosc（2010）此前研究的结果，其中表明布里斯班BRT的大部分乘客都是在SEB上发生的。
除了南部和北部的BRT模式外，从图6和图7可以看出，两条高容量路径起源于内东部（Carindale购物中心，参见图1）和内西部（室内购物中心，参见图1）郊区，并在Coorparoo商店内进入公交专用道网络和CBD。这表明在这两个运营商中，公交服务的需求一直很高。考虑到它们与BRT公交专用道的空间联系，这两个走廊可以被视为未来公交路线扩展的候选地点。
图8e10展示了星期六，星期天和公众假期的时空模式。在BRT和非BRT旅行中，三天中显示的模式彼此相似，但与工作日和学校假期中确
全文共8191字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[15973]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
