基于直接乘客模型的大规模快速运输乘车量预测：中国武汉的案例研究

抽象的

许多大城市依靠大规模快速运输（MRT）来增加乘客的活动能力。为了效率，应安排捷运站以吸引最大数量的旅行者。因此，重要的是要开发估计MRT乘车预测模型的方法，这对于土地利用开发或新的捷运线的政策很重要。车站级别的直接乘车模型（DRMS）在估计面向运输的发展政策的好处方面优越。在本文中，提出了主成分回归（PCR），以克服多重共线性问题，该问题在多元回归分析中广泛发生在DRM建模的多元回归分析中，尤其是普通的最小二乘回归。基于对中国武汉的72个捷运站的分析，获得了四个主要组成部分，以解释与MRT乘客的潜在联系，其中包括建立环境相关因素，工作空间的空间结构相关因素，站点属性和大型大院。已经确定了19个重要决定因素，其中有四个因素，土地利用组合，餐馆数量和金融机构是最具影响力的因素。与其他因素相比，与其他环境相关的因素对捷运乘车的影响更大。到市中心的距离和车站周围的公交线路数量与MRT需求有负相关。拟议的基于PCR的DRM为新的地铁线路带来的预测过境需求提供了见解，并预测了土地利用开发的后果。

1.简介

中国规划师和政府特工实际上意识到，大规模快速运输（MRT）在城市运输系统中占有重要地位。MRT对于人口稠密且经济发展的城市具有宝贵的好处，例如高容量，低碳排放和准时绩效。捷运，尤其是地铁运输，在中国变得越来越受欢迎。从2012年到2015年，一条地铁线，尤其是在武汉（Wuhan）开放（图1）。并在2016年同时建造了14条地铁线。到2021年底，武汉的铁路运输线总长度将达到400公里。MRT的引入吸引了数百万的通勤者骑行。地铁运输造成了武汉的25％的公共交通途径，然后该比率在2017年7月增加到35％，而上海同时在上海占53％。地铁在塑造旅行模态结构和鼓励车站周围的土地开发方面发挥着重要作用。它被认为是在大城市运输问题的主要解决方案。

这issue of urban public transport is concerned with a balance between transit supply and demand, both with complex influencing factors. From the supply side, there are such factors as transit infrastructure, fleet size, timetable, reliability or robustness, and quality of service [1]。这些特征决定了向公众服务能力。为了应付需求，已经建立了容量优化和分配模型，乘客流量，前进，负载因子和可用火车的限制[2]。许多大型地铁系统都会刺激过境旅行，并可能在部署后短时间内达到其设计能力。提高服务能力，主要是通过增加服务频率，这可能是对需求不断增长的解决方案。但是，较高的频率操作受到许多因素的限制，包括信号和火车控制，车站和火车拥挤，车队，终端周转以及服务复杂性[3]。在许多情况下，时间表应系统地设计用于拥挤车站的时变乘客需求[4]。运输服务的质量对运输需求有很大的影响，需要在需求建模中考虑。

MRT demand models must be established to estimate transit patronage for the development of new MRT lines and adjustments to the overall land use arrangement. The methods of land use planning and development for areas around MRT lines and stations represent a hot spot in global research [5-7]。许多研究人员通过建造面向土地利用开发（TOD政策）的MRT系统来促进城市的明智增长。Cervero和Kockelman提出的“ 3D”校长（即密度，多样性和设计）[8]代表土地使用和过境需求之间关系的基本考虑分析。传统的基于区域的旅行需求模型，该模型被称为四步模型，最初是在1950年代后期开发的，是公路规划的工具。在四步模型系统中，研究区域分为交通分析区（TAZ），范围从街道街区到人口普查轨道。在许多情况下，基于TAZ的模型太粗糙了，无法估算邻里级别发展的旅行影响以及由过境站周围的自我选择活动产生的旅行[9]。其次，这些模型的分辨率通常指导区域高速公路和运输投资。最后，四步模型导致过境乘客的差异与MRT站不同[10]。

直接乘车模型（DRM）与传统的基于区域的模型不同，它估计了特定站或停止的乘车量，而不是线路或走廊。DRM建立在车站环境和运输服务上[11，，，，12]。这些替代模型可以预测特定站的需求，并且通常具有较小的样品，因为观察结果通常来自MRT站。因此，DRM是一种精确，快速响应和经济的方法，用于估计草图规划阶段的潜在乘客。然而，DRM并不能替代传统的基于区域的旅行模型[13]。

在这种情况下，本文旨在建立一个框架，以预测MRT乘客量，以探索车站环境的决定因素与过境乘客量之间的休闲关系。首先，对DRM进行了审查，并检查了影响MRT乘客的因素。其次，介绍了DRM的分析框架，其中包含候选变量列表。第三，描述了在中国武汉的案例研究。在GIS数据库中，已经收集并管理了对MRT乘客的潜在影响的31个因素。主成分回归（PCR）用于减少解释变量的维度和估算站级过境乘客量。该模型在本节中进行评估，然后是讨论和结论的部分。

2.直接乘客预测

2.1。直接乘车模型

DRM可以分为两类：传统计量经济学模型和空间计量经济学模型（表1）。这ordinary least squares (OLS) regression method, as a basic approach of traditional econometric models, has been widely applied in recent studies. However, the OLS regression model cannot account for collinearity and may result in certain issues, such as independent variables with the wrong sign and certain vital variables with statistically insignificant results. Therefore, other modified models have been developed, such as variable subset selection (VSS), ridge regression (RR), partial least squares regression (PLSR), and PCR. VSS was realized by OLS, although the variable selection procedure should be conducted with empirical evidence and professional knowledge in advance. RR may miss certain vital predictors required for better results, e.g., dummy variables and other continuous variables [28]。楚[19]与使用线性回归模型的模型相比，使用Poisson回归模型获得了更准确的结果。Chakour和Eluru [20]提出了一天中有4个时期的复合边缘可能性（CML）方法。此外，构建了地理加权回归（GWR），并引用了“空间调整”回归的家族，以解决空间自相关问题，这在空间数据中很常见[10]。Chow等。[[29]在佛罗里达州布劳沃德国家（Broward Country）的215个TAZ地区开发了具有2000个TAZ的地区的GWR模型，有555和215个TAZ。Chow发现GWR模型的性能比OLS方法更好，并且次区域GWR模型比区域GWR模型更好。Yu等。[[30]使用空间关联统计的局部指标分析了工业聚集的空间模式，并证明工业集聚与铁路运输的通道有着密切的关系，但是工业部门和与飞镖站的不同距离之间有所不同。然而，GWR的性能在很大程度上取决于选定的量表，这是主观的。同时，GWR方法的数据样本量应足够大（通常超过100个独立样本），因为小型数据样本不适合这种方法。

In addition to the abovementioned models, transit demand is also estimated with other methods. Huang et al. [31]提出了一种基于GIS的加权可访问方法，以估计轻轨运输峰值小时登机，考虑到车站周围的潜在旅行需求和目标站的吸引力。乘客估计的自然思路是利用智能卡，自动票价收集（AFC）和兴趣点（POI）之类的数据。铁路运输智能卡数据以精确的位置（原点和目的地）和滑动时间收集。有两种方法：一种方法是根据前几周记录的同一时间段预测工作日需求；另一个是在预测的时间插槽之前使用连续的时间序列数据进行预测[32]。AFC data may serve as a proxy for land use type and help to build station-level ridership growth model [33]。还开发了具有AFC数据聚类的单变量状态空间模型，以估算车站级别的短期乘客[34]。POI数据可能有助于确定建筑环境的特征，以实施乘客预测[35]。随着时间传输数据的可用性，还探索了与智能相关的技术。伊万诺夫和奥斯特罗夫[36]建立了基于人工神经网络（ANN）的乘客流量预测模型。与七种不同的统计方法梳理，该模型达到了合理的精度。用其他智能方法（例如遗传算法）梳理ANN也证明了有希望的[37，，，，38]。以上许多方法可能有效地响应短期预测要求。一些指标也可以纳入回归模型中，以探索建筑环境或土地利用开发与捷运乘车之间的因果关系。

2。2。Factors Influencing MRT Ridership

2.2.1。行人集水区的定义

According to the description by Cervero [13这是给予的，，，，station-level transit ridership was a function of the station environment and transit service; thus, defining the catchment area of the station was critical. According to the surveys of traffic modes connecting to metro stations conducted by transport department in China, more than 60% of passengers accessed the metro stations by walking, and the percent was 80% in Madrid [39]。步行是车站周围人口访问地铁网络的主要模式。因此，集水区总是被称为行人集水区（PCA），通常由最大步行距离或主要用户到达的区域[17]。However, the value of the walking distance varied according to different studies, e.g., 300 m [23]，400 m [13，，，，14]，500 m [16这是给予的，，，，和800 m [10，，，，17]。

通常，假定影响乘客的大多数变量是在PCA中计算出来的。土地使用对车站级别的乘客量产生了强烈的影响，并且需要对每个车站的互斥PCA进行准确的估计。因此，相关距离应该是最短的网络路径，而不是欧几里得距离[10，，，，14]。

2.2.2。影响因素

影响公共交通的乘客的因素对于学者，政策制定者，工程师和规划师至关重要，并且代表了运输和城市规划领域的研究主题。楚[19]解决了六种因素以估算乘车量：车站周围集水区的社会人口统计学，服务供应，街头环境，可访问性，与其他模式的互动以及其他车站的竞争。cervero [13]将这些因素描述为前瞻性站点内的建筑环境和过境服务。Gutiérrez等。[[40]基于两种变量：服务区域特征和站点特征，建立了乘车量预测模型。考虑到以前的文献中描述的这些因素，可以将影响因素分为4个类：（1）构建环境，（2）外部连通性，（3）联运连接和（4）站的运输特性。

（1）建筑环境。许多研究检查了建筑环境的影响，例如土地使用变量，对交通乘车率[14-17，，，，19，，，，23，，，，40]。Jun等。[[23]发现，车站周围的人口密度和就业密度显示出梯度下降，这意味着更高的人口和就业密度更接近车站。但是，无法获取极其精确的地理信息，并且数据总是以一定的规模汇总。土地利用类型和多样性也对地铁的使用有重大影响。通常，住宅，办公室和商业土地使用对乘客有可靠的影响[16，，，，17，，，，22，，，，23]。

（2）外部连接。研究已使用道路长度，与中心的距离和中心性作为描述站点与外部网络之间互连的预测指标[8，，，，13，，，，16，，，，17]。cervero [13这是给予的showed that the station distance to CBD was negative with transit ridership in Charlotte and significant at the 0.001 level. Sohn and Shim [16]设计了三种类型的中心性指数，紧密度，中间和直率中心，尽管发现这三个变量与过境乘客量无关紧要。此外，Sohn和Shim [16这是给予的assumed that the automobile-dominated road length had a negative influence on station-level ridership.

（3）联运连接。With the development of multi-modal transit, travel demand forecasts are needed to consider the impacts of other trip choices. Many researchers have introduced variables, e.g., bus services, Park and Ride spaces (P&R), and the walking cost around stations [8，，，，13-19，，，，40，，，，41]。这些先前的研究表明，公交线的数量对运输光顾有重大影响[8，，，，16]。除了Cervero和Chu [13，，，，19]因为PCA表示最大的步行距离。Zhao等。[[17]在中文中选择自行车的P＆R空间，而不是自动P＆R空间。

（（4）Transit characteristics of stations。站点的特征包括用于终端站，互换站，联运站和车站间距的虚拟变量[8，，，，13，，，，17，，，，18，，，，40]。CBD虚拟变量已与DRMS相关。Usvyat等人。[[15]指出，根据该地点，就业和土地利用是完全不同的。因此，将电台分为CBD和非CBD站，并用于相应地测试DRM。Kuby等。[[14]从LRT和地下站的角度讨论了影响因素。结果是，在LRT站中，CBD虚拟变量微不足道，而地下车站则相反。Zhao等。[[17]还选择了CBD虚拟变量来说明与过境乘客的有力关系，而Sohn和Shim [16这是给予的did not consider this variable. Chu [19]注意到，还应测试相邻站点之间的距离，因为可能发生邻近车站之间的竞争乘车关系。

2.3。DRM预测的挑战

总而言之，许多较早的研究探讨了车站环境与过境乘车量之间的因果模型。但是，DRM可以观察到某些局限性。首先，传统的计量经济学模型和空间计量经济学模型已经开发了各种DRM表达式。OLS已被广泛使用，但也被批评为无法说明共线性[13-15，，，，17]。近年来，空间计量经济学模型受到了大量样本数据的定义和要求的限制[10，，，，22，，，，23]。尽管PCR具有非参数估计的优势，并且可以解决多重共线性的问题，但它们很少应用于MRT需求预测中。其次，引用的研究仅限于可用数据。尽管这些数据中包含人口和就业，但数据的聚集在一定范围内发生。学者通常通过包括人口和就业均匀分布的假设来管理汇总数据的问题[16，，，，17]或使用Areal插值法[10]。此外，这种治疗方法将减少DRM的影响。土地使用统计数据是由地板面积计算的，而开发强度则被忽略。尽管已积极讨论建筑环境，但交通吸引点的关注点却较少。可访问性作为跨时间或仅作为校准DRM的标准化旅行时间引入[14，，，，40]。但是，地铁站乘车量省略了劳动人民的吸引力。第三，GIS通常通过基于直线距离的缓冲区分析来界定PCA统计单元，该平台距离产生非排定或专有的圆形区域[13，，，，16，，，，17，，，，19]。通过缓冲途径，在产生PCA的过程中忽略了旅行者交叉的障碍（建筑物，水等）。作为修正案，一些研究考虑了路网，并根据网络距离划定了PCA [14，，，，16，，，，18]。

This study details thirty-one of the influencing factors categorized according to the built environment, external connectivity, intermodal connection, and transit characteristics. These data are expected to achieve four main goals. The first is to establish a GIS database based on a road network, transit network, buildings, and land use types. Considering the influence of barriers, the PCA is delimited by the cost distance tool in the GIS. The influencing factors are calculated within the PCA from the 3D perspective. The second goal is to verify the hypothesis that influencing factors have a potential influence on station-level ridership. Multicollinearity is diagnosed with the Pearson correlation coefficient index for all pairwise combinations among the independent variable set. The third goal is to explore the feasibility of modeling station-level transit demand via DRM based on a PCR in terms of method improvement. The principal components are expected to explain the generation mechanism of MRT demand. The last goal is to provide meaningful recommendation for MRT planners and policy-makers based on the causal relation of MRT demand and land use development.

3.方法论

3.1。分析框架

一个概念框架是基于由环境系统研究所（ESRI）建立的ARCGIS软件（位于加利福尼亚州雷德兰兹的ArcGIS软件），是映射软件的市场领导者和先前研究的发现（图）2）。该框架可以分为三个部分。首先，建立了GIS数据库，并计算了PCA的因子统计信息。主要数据类型包括道路网络，运输网络（地铁和公共汽车），土地利用分配，建筑物，人口和就业以及捷运车站的乘车量。其次，候选因素和乘客之间的相关测试用于识别DRM的自变量集。第三，应用PCR方法用于生成几个主要组件。这些主要组成部分是从专业角度引用的，这可能揭示了解释变量与捷运骑士之间的潜在影响。有了这个框架，电台级别的运输需求由基于PCR的DRM估算。

3.2。基于PCR的DRM

PCR的本质是一种回归分析，该分析使用主要组件分析来识别将影响因素与MRT乘客相关的可能组成部分。当解释变量接近共线时，PCR是克服多共线性问题的程序。PCR最引人注目的特征是非参数分析。尺寸还原的方法将复杂的数据集降低到低维，以揭示隐藏和简化的结构。PCR是现代数据分析的主要支柱，它被广泛用于近红外弥漫性反射光谱，人工神经网络等[[42]。但是，PCR很少用作DRMS中的分析方法。因此，必须验证使用此过程的可行性，并且必须提供使用小数据样本预测DRM的替代方法。

这outline of the mathematics underlying the PCR method is illustrated, and it shows that PCR can overcome the disturbance of multicollinearity via orthonormality. A typical multiple regression equation is as follows: 在哪里 在哪里X代表最初的影响因素，这些因素与车站一级与MRT乘客有明显关系，p是系数的列矢量，是正态分布的干扰向量，并且y是MRT站的乘车人。

这eigenvalues and eigenvectors of the covariance matrix are calculated via the Jacobi iteration method. All the eigenvectors create matrix你，正交和正常 ：

这component可以通过算法获得 。矩阵C保留与标准化相同的统计信息Xmatrix: 在哪里是标准化变量，代表主要组件，根据对方差和去相关的贡献，以降顺序排列。以前的k当累积方差贡献比足够大，例如80％以上时，组件将保留。

在下一步中，多个线性回归在y和主要组件矩阵C。自变量是标准化的，标准化值必须转换为原始值。转换可以根据 在哪里是标准化变量；is the original variable;是原始变量的平均值X;和是原始变量的标准偏差X。

获得估计MRT站级每日乘车的最终直接模型，如下所示： 在哪里是对MRT站的乘车量的估计，is the constant, and是最终基于PCR的DRM中解释变量回归系数的估计。

3.3。候选变量

在这项研究中，在GIS数据库中计算了许多候选因素。所有潜在因素均在表中描述2。我们假设候选因素与车站级的捷运乘客有着密切的关系。

3.3.1。可访问性

可访问性被认为是通过特定运输网络从给定来源获得空间分布的机会的易用性[43]。以前的研究人员探索了通过活动与成本比率[8，，，，40，，，，44]，例如，人口间比率和成本的相对价值[14]。最受欢迎的措施之一通常由 ，，，，in which是区域活动的大小i，，，，是区域的成本i到j和是测量区域之间空间分离的阻抗函数i到j。Existing approaches focus on measuring potential jobs to estimate the transit ridership. Less attention has been given to the attractiveness of the working-age population from other stations to the target station. In this research, a supplementary accessibility index is applied to measure the attraction power as indicated in equations (7）和（（8）： 在哪里是站的潜力i到达车站的所有工作j，P_ACCOSSIBLY_i是站的潜力i转移车站的整个工作年龄人口j，，，，表示车站的工作j，，，，是车站的工作年龄人口j，，，，是从电台通过MRT网络的总旅行时间i到j（包括正在等待时间站点之间的地铁行驶持续时间i和j和-transfer time (if there is a transfer)), and是阻抗参数。

通常，运输需求表现出距离衰减的性质。和阻抗功能has three normal forms: gravity function, exponential function, and logistic function [45]。从旅行生产的角度来看，当从原点到目的地的成本超出了痛苦，可能会取消旅行。因此，应在阻抗函数中给出距离的上限。逻辑函数 ，，，，这是一条“ S”曲线，适合解释交通成本和过境需求的机制。逻辑形式用于估计从起源到目的地的阻抗（方程式）9））。Different combination of parameter可能导致各种曲线。通常，需要选择和原点到目标矩阵的数据来校准在可访问性模型中。

就业吸引力的变量也需要工作年龄人群。根据中国惯例，男性的年龄从16至59岁不等，女性的年龄范围为16至54岁。对于普查区单位计算的年龄分布的中国人口普查数据，使用Gutiérrez等人的研究来计算Areal插值方法。[[40]。

3.3.2。建筑区

最近的研究发现，某些土地使用类型的地面面积或密度与车站乘客构成正相关[16，，，，17，，，，46，，，，47]。Additionally, Loo et al. [46]考虑了商业和住宅建筑的混合使用。但是，这些研究中的大多数选择了土地利用的地板面积作为数据源的限制[16，，，，17，，，，20]。在这项研究中，获得了整个城市的详细土地用途和建筑物。选择的土地使用类型是根据沿MRT线的建筑区域的现有分布确定的。建筑区分为四种类型：居民区，商业区，办公区和其他区域。这四种类型是独立的，彼此没有交点。

3.3.3。土地使用多样性

车站集水区内的土地使用类型和多样性在运输中起关键作用。Cervero和Kockelman [8]建立了一种使用熵概念来计算土地使用多样性的方法。bhat和guo [48]提出的功能在以后的许多研究中很受欢迎，尽管如果某些土地使用区域很小，则可以产生负面结果。研究通过使用不同土地使用覆盖区域的变化系数的倒数来计算土地利用多样性[40]。Sung等。[[22]提出了一种用于测量两种不同土地用途的土地利用多样性的公式；但是，功能很难使用。本文提出了一个多样性模型来估计土地使用混合的程度。该函数被修改如下： 在哪里和are the building areas of two different uses of land andnis the total number of land use types.

3.3.4。其他因素

由于本研究中只有三个MRT线，因此不考虑MRT服务的频率，并且各个车队的频率与6分钟，4分钟和4分钟的差异很小。为了指示公交和铁路运输之间的转移，考虑到最大转移距离，收集了MRT站缓冲区中500 m缓冲区区域内的公交线数。计算到市中心的距离的变量。如果有一个以上的市中心，则只记录到最近中心的距离。高级街道的长度是通过PCA内的高速公路和动脉道路计算的，被认为是过境乘客的阻抗。不包括p＆r空间变量，因为它在本案例研究中无关紧要。购物店是指单身和小商店，而不是购物中心或市场。对于大型购物中心，累积了内部商店的数量。这项研究中的医院排除了主要吸引非运动旅行的药店，私人诊所和社区医院。

4.数据和模型结果

4.1。研究环境

沃汉（Wuhan）是湖北省的首都，是中国中部的一个快速增长的大都市。它位于长江的中间，管辖区为8494公里²人口超过1000万。长河和汉河（长江最大的分支）将城市分为三个城镇，并塑造了“三重镇”的空间形态。同时，大湖泊以及两个大河流的存在导致了空间分散的城市形式[49]。

在这项研究中，使用质量快速运输（MRT）和铁路运输可互换，其中包括轻轨运输（LRT）和Metro Transit在Wuhan的情况下。MRT第1行是一条高架轻轨（LRT），该铁路在2004年7月开放。沿线有26个车站，总长度为28.5公里。MRT第2行（Metro），总长度为27.33公里和21个车站，于2012年12月开放。它通过长江河，与汉库火车站相连。这条线有两个车站可以转移到MRT第4号线，该线路将乘客运送到Wuchang火车站和Wuhan高速火车站。MRT第4行（Metro）于2014年12月开放。它的车站有27个站，总长度为32.7公里。

这1000 m walking distance is adopted for the following reasons. First, a survey of traffic modes connecting to the metro station including revealed preference (RP) and stated preference (SP) is conducted in Wuhan. The statistical results show that the walking time in 85% cumulative probability of RP is 9 min (approximately equal to 750 m), and that of SP is 12 min (about 1000 m). Second, with respect to demand, appropriate overestimation of standard threshold of MRT station coverage distance is important [39]。第三，人们愿意走更长的距离，以使用MRT，而MRT在Wuhan中常见。结合各种土地使用类型的不同给定成本值，使用ARCGIS中的空间分析工具的成本距离用于生成PCA（图3）。

4.2。数据源和预处理

车站级别的乘客量，包括2015年4月的MRT线的登机和下班日数据，是从地铁运营商那里获得的。根据Wuhan的总体规划，选择了四个城市中心，包括Wangjiadun-CBD，Hankou商业中心，Shuiguohu行政中心和光谷科学与商业中心。2015年分类的就业和人口数据是从2010年的第6个国家人口普查数据，2015年的第三次武汉经济普查数据以及2016年的社会保险信息中获得的，这些信息是从武汉统计局获取的。在GIS发动机中合并的Microsoft Visual Studio中使用C＃进行的数据分解过程将基于Huang等人的程序将种群和就业数据转化为栅格单元。[[31]。武汉的城市规划和信息部还提供了2014年不同土地用途的数据和建筑的地块比率。通过GIS和Microsoft Excel计算了四个基本土地用途类别的建筑区域和多样性程度。公共汽车，地铁和道路网络已由我们的研究小组积累，并根据武汉政府开发的Baidu Map and Smart City进行了改进。一年积累了一年的数据后，GIS中拥有道路类信息的道路网络已完成。捷运站周围的交通吸引点（大学，商店，医院等）由从百度地图收集的POI（感兴趣的位置）数据确定。各种因素由表中的最大，最小，平均和标准偏差的索引计算3。

从武汉交通部门获得了武汉地铁网络目的地矩阵的公共交通系统和原点的模式选择。这些数据对于定义集成可访问性模型很有用。逻辑函数在这项研究中使用。地铁模式在公共交通系统中共享25％的旅行。和旅行者在9公里的距离（即18分钟的旅行时间）中，选择地铁和其他公共交通模式的概率相等（每个0.5）。这是0.098，IS 1.772，通过基于公共交通旅行数据的回归程序进行校准。在此过程中，等待时间（ ）设置为不同地铁线的间隔时间的一半。地铁的车载时间（ ）由GIS软件通过Metro的原点用途矩阵计算。地铁网络中的转移时间（ ）每个转移站都包括5分钟。铁路运输站的乘车量和可及性如图所示4。

每月平均工作日登机被选为因变量。登机和下车被认为彼此之间有着牢固的关系[19，，，，20]。不考虑下车，因为它与登机高度相关，并且相关系数为0.938。具有摘要统计数据的潜在变量列在表中3。

4.3。独立变量选择

To test for the correlation between each candidate variable and metro ridership, a bivariate correlation analysis is conducted (the second column in Table4）。结果表明，有19个预测因子显然在解释5％的显着性水平的乘客量显然是显着的，而距离市中心的距离的预测因子是唯一具有负相关系数的变量。相关系数范围为0.316至0.788。商业区，办公区，土地使用混合物，PCA的餐厅数量以及转移中心的19个因素之间的相关性最高。餐馆的价值（0.788）是最大的，其办公区排名第二（价值为0.777）。与PCA中的商业和办公地用途相比，与MRT乘客的关联与MRT乘车的关联较弱。土地使用混合变量是影响乘客排名的第三高因素，仅次于金融机构数量的变量。人口和就业的相关系数具有适度的影响，尽管人口与乘客的关系比就业更牢固。但是，从公交网络的角度来看，在铁路运输网络走廊中表达就业吸引力程度的工作可访问性的相关系数高于工作年龄人口可访问性。

在19个变量中进行了另一个双变量相关分析（表4）。结果表明，许多变量对具有中等和高相关性，并且分析了这些结果的可能原因。在中国的大城市中，在显示商业和办公室活动聚集的地点中观察到许多大型社区，这将有助于吸收大量的人，工作场所和基本设施。因此，当我们使用双变量相关分析时，出现了较高的正相关或负相关。这种情况降低了线性回归方法的适用性。采用基于PCR的模型来解决多重共线性问题。

皮尔逊（Pearson）与±0.1，±0.3和±0.5值的相关系数分别代表低，中和高相关的边界点[50]。

4.4。结果和解释

PCR程序通过SPSS 17.0处理。根据Kaiser-Meyer-Olkin的采样充分度（0.873）和Bartlett的球形测试（SIG = 0.000）的结果，该因子分析适用于PCR程序。通过提取值大于1的特征值来生成四个组成部分，可以使用四个主要成分来解释总方差的75％以上。

A rotation using the max-variance method is used to label every component properly and professionally. From the perspective of the mechanism of travel behavior, eleven variables are combined into four components (Table5）。第一个组件是与建筑环境相关的因素，它解释了原始变量的差异的31％。第二个组件是与工作空间空间结构有关的因素，它解释了24％的方差。第三个组件称为与站点属性有关的因素，它解释了10％的方差。最后一个组件称为与大化合物有关的因素，它占据了差异的10％。结果表明，应根据建筑环境和工作居住分配认真考虑站点的地铁乘车量，该分配占差异的50％以上。传输中心属性也是许多先前的研究指示的重要因素[14，，，，16，，，，18，，，，23]。大型化合物对捷运乘客有重要影响。大型化合物（例如大学校园和医院）具有各种形式，但它们通常在城市中央地区具有相似的共同点，覆盖了一个相对较大的面积，并且是外国海豹和物理空间内的内部开口。因此，大型化合物会产生或吸引大量旅行，并对过境需求产生明显的影响。由于四个组件是正交的，因此它们是相互独立的。因此，根据这些组件制定的过境乘车需求的估计可以防止多重共线性。

这四个组件在数据视图和SPSS的变量视图中用作变量。进行乘客和组件1-4之间的线性回归。最初的回归结果集总结在表中6。该模型有一个r²价值of 0.885 (adjustedr²0.878）和F统计值为126.988，在0.000级别显然很重要。这四个组件在0.000级别都很重要，并且T统计值均大于6。要测试多重共线性的严重性，在模型中计算了方差通胀因子（VIF）指数。VIF接近1的值，这表明与事实值相比，由PCR估计的回归系数几乎没有偏差。

表中描述7。

4。5。Model Evaluation

实际值和预测值之间的拟合分析在图的左侧进行5。2021年的价值因被大大低估而被放弃。带有一个r²0.881的值表明，实际和预测值之间的关系很强，并且达到了更高的依从性。标准化残差表现出随机特征，并且在-2至2的范围内保持稳定，这表明基于PCR的DRM具有均匀方差。

相对错误的指标（RE）是预测的乘客减去实际乘客与实际乘客量的比率，并且用于评估各个MRT站的结果（图6）。RE的范围在-0.78和1.13之间。它表明，80％的电站的绝对值低于0.5。转移站，即12010、24014和24015，分别略微低估了3％，10％和19％。这一发现表明，转移枢纽的属性具有更重要和未发现的影响。同时，位于光排效业务和科学中心的当地CBD地区的2021号站的登机被低估了39％。造成这种情况的主要原因可能在于这个终端站的服务区域更大。对于各种捷运线，第1行和第2行的车站乘车量估计要比第4行的乘车量更好。2014年12月，在汉阳（第4001–4011台）进行了运营。第二阶段地铁站仍在客运时期。总共有61％的第4行电台被高估了，差异的百分比在3％和113％之间。

To validate the direct ridership model based on PCR, a new MRT line (Line 3) is utilized (Figure7）。第3行于2015年12月开放，有24个站，总长度为30公里。地铁线是第一个经过汉河并将汉库（位于汉河北岸）和汉阳（位于汉河南岸）的捷运地铁。车站的平均工作日乘车量基于2016年4月的数据。有三个连接第1、2和4行的转移站，分别由13015、23011和34016编码。3024从北到南。需要注意的是，由于其出色的结果，该站3008被从统计数据中删除。相对错误（RE）显示在图的右侧7。这range of RE for all stations of Line 3 is between -0.57 and 0.94. Results show that 70% of stations come up with absolute values of RE less than 0.5. About 65% of stations have been overestimated and the mean value of RE is 0.15. The analysis carried out indicates that PCR-based DRM has better explanatory power to estimate the rail transit demand.

5.讨论

双变量相关分析确定了与MRT需求有密切关系的19个影响因素。PCA中餐馆，办公室建筑区和土地用途混合物的因素具有最高的相关系数。但是，公交车站的数量与地铁站一级的乘客量无关。它可能与车站的位置有关，这些地点都在中央城市地区，那里的公交车站在捷运车站周围停止更为普遍。Jun等。[[23]还指出，公交车站的当地乘车效应在市中心统计上微不足道，但在郊区很重要。同时，大多数活动吸引者，例如餐馆，购物商店和医院，对于武汉的地铁乘车而言都是重要的。该结果是出乎意料的，但可能反映了将特殊发电机集中在车站周围的分配将增加站点级别的MRT乘客的重要性。PCA内的道路长度和以汽车为主的道路的长度对MRT乘客的影响很小。

这pCrmethod is acceptable for the conceptual process of excavating potential components to draw latent links between influencing factors and the ridership target. Four components are obtained, and they are properly and professionally named based on the mechanisms of trip generation. Each component has several subfactors. There are nine factors related to the built environment. The variables (the number of restaurants, shopping stores, financial institutions, parking spaces, recreational spots, hotels, the building area of commercial land and office land, and the mixed land use) are relatively more highly related to component 1. The correlation coefficient of restaurants is 0.837, and it is higher than that of other special generators. The commercial building area has a larger correlation value (0.768) than that of the office building area and land use mix. The related jobs-housing spatial structure includes seven subfactors (i.e., working-age population accessibility, job accessibility, distance to city centers, number of connected bus lines, population, employment, and dummy CBD). The integrated accessibility has the highest correlation coefficients (0.889 and 0.859), which indicates the balance level of jobs and housing in the measure of metro system. The population and employment have a little less correlation values (0.613 and 0.510, respectively) because they are also subordinate to component 1, built environment to some extent. The initial characteristics of MRT stations are also crucial for the contribution of ridership. The correlation coefficient between the number of transfer lines and component 3 is 0.804. The attribute of the transfer station plays more of a key role than other station characteristics, e.g., terminal stations and the distance between adjacent stations. The component of large compound has two subfactors, colleges and hospitals. The number of colleges has a higher correlation with the Large Compound component, although a station located close to a general hospital can attract a large number of riders.

这regression coefficients from the PCR-based DRM indicate the elasticity degree of the predictors (Table7）。基于标准化系数（表格中的β7），办公大楼，土地使用混合物，医院的数量和虚拟转移枢纽是最具影响力的四个变量。就业变量在其背后排名。与人口相比，该就业对交通乘车的影响更高，这与综合可访问性一致，即工作可访问性的弹性比工作年龄的人口可及性更大。这一发现表明，武汉中现有的捷运线主要是通勤目的，而企业密集型分配在MRT乘车率中起着至关重要的作用。连接的公交线路的数量和到城市中心的距离是对火车站需求产生负面影响的两个变量。MRT车站周围的公交路线数量是影响铁路运输乘车率的强大而强大的因素。这种负回归系数表明，公交运输在武汉中与MRT有潜在的竞争。为了更好地集成两种运输模式，应在引入地铁系统时正确调整公交线路的布局。一方面，短距离的馈线巴士线将使人们从MRT站收集或分配，并将改善地铁运输的乘客。另一方面，应调整沿着地铁线的走廊部署的长距离巴士线，并应采取参考措施，以鼓励巴士和地铁转移，以减少竞争。 For example, the transport agency has stopped bus line 519 for its patronage drop due to overlapping with Metro Line 2.

将基于PCR的DRM的结果与先前研究的发现进行了比较。在PCR的结果中，人口的系数（0.086）和就业（0.154）低于先前的研究。可能还有其他变量涉及建筑环境和地铁站周围的土地利用开发。Kuby等。[[14]研究了九个美国城市，从布法罗到圣路易斯再到圣地亚哥，那里的人口密度相对稀疏。该分析中的研究背景涉及分布不均的人群。本文中的人口系数为0.086，库比（Kuby）发现的略小于0.092。因此，研究区域的尺度对估计模型的结构有轻微的影响。在本文中，人口系数远低于就业的系数（0.154）。这一发现也得到了综合可访问性结果的支持，即工作年龄人口可及性（P-访问性）的效果​​弱于工作可及性（J-访问性）。此外，此结果与库比的研究相反。相反的主要原因是，在我们的分析中，人口比就业更集中在站点，这与库比的研究结果不一致。相反，其他研究认为，就业对乘客的影响比人口更强[14，，，，17，，，，22，，，，23]。

在武汉，CBD紧密连接到地铁站的入口或出口。因此，CBD虚拟变量具有正系数（1396），并且在0.000级别具有显着意义。如果地铁站靠近CBD，则将大约1396个骑手添加到车站。此外，在车站上再增加一条传输线，每天平均产生14960个骑手。“转移枢纽”变量上的高积极系数表明，捷运站的乘客量往往比其他因素高得多。同时，转移特性的影响大于Sohn和Shim的研究中的影响（10092）[16]和库比的研究（5735）[14]。这种差异的可能原因是，武汉尚未完全开发地铁网络，这可能会产生更多的传输。这些发现对于政策制定者改善了向MRT的进料运输服务很有价值。

许多研究人员没有分析混合土地使用与铁路运输使用程度之间的可能因果关系[14，，，，17，，，，18，，，，20]。Cervero et al. [13这是给予的pointed out that the mixed land use would generate almost 3750 more weekly ridership than single-use in the DRM of the St. Louis Metrolink. The different expression of land use mix might result in various estimated elasticity. Sung et al. [22这是给予的found that land use diversity was obviously associated with rail transit ridership (13545). In this study, the mixed land use has much stronger impact (with the coefficient of 16941) on rail transit demand from the result of the regression model. Therefore, a more diverse built environment around metro stations corresponds to a greater number of MRT passengers.

6。结论

This research aims to build a DRM to estimate newly built MRT demand in megacities. The case study of Wuhan, China, has demonstrated the effectiveness of the framework. Nineteen influencing factors are shown to have a significant relationship with transit ridership, in which the development of land uses and employment play stronger roles. The PCR method has been proposed to descend dimension of explanation variables and manage multicollinearity. Prior to the DRM results, four principal components are obtained and reveal the inherent links between the influencing factors and transit demand. Four independent principal components, namely, factors related to trip generation, factors related station-area built environment, jobs-housing spatial structure, station attributes, and the large compound, explain 31%, 24%, 10%, and 10% of the variance, respectively. The DRM based on the PCR method is able to evaluate the actual ridership with a high degree of fitting (0.878). The results show that variables of the office building area, the land use mix, the number of hospitals, and dummy transfer hub have the strongest relation with metro station-level ridership. Employment has a more significant impact on transit demand than population. These findings are meaningful for policies on development of metro lines and land use. The DRM framework requires observations of features at or around MRT stations and may be rigorously calibrated with real MRT ridership data.

Certain limitations were observed in this study. First, the influence of socioeconomic variables (e.g., the ownership of family cars and household incomes) is scarcely considered due to the lack of data. Second, all MRT stations are addressed independently based on their individual PCAs, which ignores potential influence from adjacent stations. The logical next step of further studies is to take more consideration on spatial effect and additional MRT data.

数据可用性

可根据要求提供了用于支持本研究发现的数据。

Conflicts of Interest

作者宣称他们没有利益冲突。

作者的贡献

RL Guo进行了文学搜索和评论，荟萃分析和手稿写作。ZD Huang执行了内容计划，荟萃分析以及手稿写作和编辑。

致谢

非常感谢Wuhan土地资源和规划信息中心（WLRPIC）的数据支持。这项工作得到了深圳S＆T创新委员会研究计划（项目编号JCYJ20170412105839839）和中国国家自然科学基金会（第41271396号）。

补充材料

PCA内的居住区。（（补充材料）

参考

1. M. Abril，F。Barber，L。Ingolotti，M。A。Salido，P。Tormos和A. Lova，“铁路容量的评估”，运输研究部分E：物流和运输评论，卷。44，不。5，第774–806页，2008年。查看：发布者网站|谷歌学术
2. b。Wang, J. Huang, and J. Xu, “Capacity optimization and allocation of an urban rail transit network based on multi-source data,”杂志《环境智能和人性化计算》，卷。10，否。1，，，，pp. 373–383, 2019.查看：发布者网站|谷歌学术
3. S. Canavan，A。Barron，J。Cohen，D。J。Graham和R. J. Anderson，“运营高频都会服务的最佳实践”，运输研究记录：运输研究委员会杂志，卷。2673，没有。9，第491–501页，2019年。查看：发布者网站|谷歌学术
4. K. P. Li，H。Huang和P. Schonfeld，“在车站的时空需求和拥堵的地铁时间”，”高级运输杂志，卷。2018年，文章ID 3690603，26页，2018年。查看：发布者网站|谷歌学术
5. J. B. Ingvardson和O. A. Nielsen，“城市密度，网络拓扑和社会经济如何影响公共交通骑士：来自48个欧洲大都市地区的经验证据”Journal of Transport Geography，卷。72，不。1，第50–63页，2018年。查看：发布者网站|谷歌学术
6. M. Zhang，“土地使用在旅行模式选择中的作用：来自波士顿和香港的证据”，美国规划协会杂志，卷。70，，，，no. 3, pp. 344–360, 2004.查看：发布者网站|谷歌学术
7. P. W. G. Newman和J. R. Kenworthy，“可持续性与城市：扩展新陈代谢模型，”景观和城市规划，卷。44，不。4，第219–226页，1999年。查看：发布者网站|谷歌学术
8. R. Cervero和K. Kockelman，“旅行需求与3DS：密度，多样性和设计”，”运输研究D部分：运输和环境，卷。2，不。3，第199–219页，1997年。查看：发布者网站|谷歌学术
9. R. Cervero和J. Landis，“湾区快速运输系统的二十年：土地使用和开发影响”，运输研究部分A：政策和实践，卷。31，否。4，第309–333页，1997年。查看：发布者网站|谷歌学术
10. O. D. Cardozo，J。C。García-Palomares和J.Gutiérrez，“地理加权回归的应用到车站级别的过境乘客直接预测，”应用地理，卷。34，不。1，第548–558页，2012年。查看：发布者网站|谷歌学术
11. R. Cervero，J。Murakami和M. Miller，“加利福尼亚州洛杉矶县的公共汽车快速运输的直接乘车模型”，运输研究记录：运输研究委员会杂志，卷。2145，没有。1，第1-7页，2010年。查看：发布者网站|谷歌学术
12. Z. Shi，N。Zhang，Y。Liu和W. Xu，“探索车站级别的小时地铁乘车量的时空变化：建筑环境和拓扑结构的影响，”可持续性，卷。10，否。12，第12页。4564，2018。查看：发布者网站|谷歌学术
13. R. Cervero，“建模智能增长的旅行需求影响的替代方法”，美国规划协会杂志，卷。72，不。3，第285–295页，2006年。查看：发布者网站|谷歌学术
14. M. Kuby，A。Barranda和C. Upchurch，“影响美国轻轨站登机的因素”，运输研究部分A：政策和实践，卷。38，不。3，第223–247页，2004年。查看：发布者网站|谷歌学术
15. L. Usvyat，L。Meckel，M。Dicarlantonio和C. Lane，“素描模型预测重型巡回率”，in在运输研究委员会第88届年会上介绍的会议记录，，，，运输research Board, Washington, DC, USA, January 2009.查看：谷歌学术
16. K. Sohn和H. Shim，“在首尔大都市地区的地铁站产生寄宿的因素，”城市，卷。27，，，，no. 5, pp. 358–368, 2010.查看：发布者网站|谷歌学术
17. J. Zhao，W。Deng，Y。Song和Y.Nanjing的见解，”城市，卷。35，不。1，第114–124页，2013年。查看：发布者网站|谷歌学术
18. L. E. Ramos-Santiago和J. Brown，“对美国车站级别的有轨电车与轻轨运输乘车率相关的因素的比较评估，”城市研究，卷。53，不。5，，，，pp. 915–935, 2016.查看：发布者网站|谷歌学术
19. X. Chu，“停止级别的乘车模型”，inNational Center for Transit Research，南佛罗里达大学，华盛顿特区，美国，​​2004年。查看：谷歌学术
20. V. Chakour和N. Eluru，“检查停止级别基础设施的影响和建立环境对蒙特利尔公交车乘车的影响，”Journal of Transport Geography，卷。51，不。1，第205–217页，2016年。查看：发布者网站|谷歌学术
21. S. Pulugurtha和M. Agurla，“使用空间建模方法估算公交车间过境乘车率的模型的评估”，”公共交通杂志，卷。15，不。1，第33-52页，2012年。查看：发布者网站|谷歌学术
22. H. Sung，K。Choi，S。Lee和S. Cheon，“探索通过服务覆盖范围和车站级别可访问性对铁路运输乘车率的土地使用的影响，”Journal of Transport Geography，卷。36，，，，no. 1, pp. 134–140, 2014.查看：发布者网站|谷歌学术
23. M.-J.Jun，K。Choi，J.-E。钟，K.-H。权和H.-J.Kim，“地铁集水区的土地利用特征及其对首尔的地铁乘客的影响”Journal of Transport Geography，卷。48，，，，no. 1, pp. 30–40, 2015.查看：发布者网站|谷歌学术
24. X. Ma，J。Zhang，C。Ding和Y. Wang，“在地理和时间加权的回归模型，探索建筑环境对过境乘客量的时空影响”，”计算机，环境和城市系统，卷。70，，，，no. 1, pp. 113–124, 2018.查看：发布者网站|谷歌学术
25. Y. He，Y。Zhao和K.-L。TSUI，“地理建模和理解影响过境乘车率的因素：深圳地铁的经验研究”，”Applied Sciences，卷。9，不。20，p。4217，2019。查看：发布者网站|谷歌学术
26. Y.运输，卷。46，不。6，第2269–2289页，2019年。查看：发布者网站|谷歌学术
27. J. J. Tang，F。Gao，F。Liu，W。Zhang和Y.可持续性，卷。11，不。19，p。5525，2019。查看：发布者网站|谷歌学术
28. L. E. Frank和J. H. Friedman，“某些化学计量学回归工具的统计观点”，Technometrics，卷。35，不。2，第109–135页，1993年。查看：发布者网站|谷歌学术
29. L. F. Chow，F。Zhao，H。Chi和Z. Chen，“基于地理位置重量回归的次区域过境乘车模型”，运输研究委员会论文集第89届年会，美国华盛顿特区的运输研究委员会，2010年1月。查看：谷歌学术
30. H. Yu，J。Jiao，E。Houston和Z.-R。Peng，“评估铁路运输与工业聚集之间的关系：来自达克萨斯州达拉斯 - 沃思堡地区的观察”Journal of Transport Geography，卷。67，不。1，第33-52页，2018年。查看：发布者网站|谷歌学术
31. Z. Huang, M. Zhang, and X. Liu, “Estimating light-rail transit peak-hour boarding based on accessibility at station and route levels in Wuhan, China,”运输计划与技术，卷。40，不。2，第624–639页，2017年。查看：发布者网站|谷歌学术
32. Z.-J. Wang, H.-X. Liu, S. Qiu, J.-P. Fang, and T. Wang, “The predictability of short-term urban rail demand: choice of time resolution and methodology,”可持续性，卷。11，不。21，第2页。6173，2019。查看：发布者网站|谷歌学术
33. S. Liu，E。Yao和B. Li，“通过网络扩张探索城市铁路运输站级的乘客增长”，运输研究D部分：运输和环境，卷。73，不。1，第391–402页，2019年。查看：发布者网站|谷歌学术
34. P. Noursalehi，H。N。Koutsopoulos和J. Zhao，“实时运输需求预测捕获站相互作用和特殊事件的影响”，”运输研究C部分：新兴技术，卷。97，不。1，第277–300页，2018年。查看：发布者网站|谷歌学术
35. D。城市，卷。93，不。1，第177–187页，2019年。查看：发布者网站|谷歌学术
36. V. V. Ivanov和E. S. Osetrov，“预测莫斯科地铁的每日客运量”，”粒子和核字母的物理学，卷。15，不。1，，，，pp. 107–120, 2018.查看：发布者网站|谷歌学术
37. N. Glisovic，M。Milenković，N。Bojović，L。švadlenka和Z.Avramović，“一种预测塞尔维亚铁路上乘客流量的混合模型，”运营研究，卷。16，不。2，第271–285页，2016年。查看：发布者网站|谷歌学术
38. E. Pekel和S. S. Kara，“基于新通过的算法的乘客流量预测”，应用人工智能，卷。31，否。1，第64-79页，2017年。查看：谷歌学术
39. J. C. García-Palomares, J. Gutiérrez, and O. D. Cardozo, “Walking accessibility to public transport: an analysis based on microdata and GIS,”环境与计划B：计划与设计，卷。40，不。6，第1087–1102页，2013年。查看：发布者网站|谷歌学术
40. J.Gutiérrez，O。D。卡多佐（O.Journal of Transport Geography，卷。19，不。6，第1081–1092页，2011年。查看：发布者网站|谷歌学术
41. S. Mavoa，K。Witten，T。McCreanor和D. O’Sullivan，“基于GIS的目的地可访问性，可通过公共交通和在新西兰奥克兰行走，”Journal of Transport Geography，卷。20，否。1，第15–22页，2012年。查看：发布者网站|谷歌学术
42. S. Alalawi，S。Abdulwahab和C. Bakheit，“将主成分回归和人工神经网络相结合，以更准确地预测地面臭氧，”环境建模和软件，卷。23，不。4，第396–403页，2008年。查看：发布者网站|谷歌学术
43. J. M. Morris，P。L。Dumble和M. R. Wigan，“运输计划的可访问性指标”，运输研究部分A：一般，卷。13，不。2，第91-109页，1979年。查看：发布者网站|谷歌学术
44. W. G. Hansen，“可及性如何塑造土地利用”，美国规划师学会杂志，卷。25，不。2，，，，pp. 73–76, 1959.查看：发布者网站|谷歌学术
45. 问：Shen，“城市内社区的位置特征和低薪工人的就业可及性”，环境与计划B：计划与设计，卷。25，不。3，环境与计划B规划与设计，1998年。查看：发布者网站|谷歌学术
46. B. P. Y.景观和城市规划，卷。97，不。3，第202–212页，2010年。查看：发布者网站|谷歌学术
47. H. Sung和J.-T。哦，“高密度城市中面向过境的发展：确定其与韩国首尔的过境乘客的联系，”城市，卷。28，不。1，第70-82页，2011年。查看：发布者网站|谷歌学术
48. C. R. Bhat和J. Y. Guo，“对家庭住宅选择和汽车所有权水平的建筑环境特征的全面分析”，运输研究B：方法论，卷。41，不。5，第506–526页，2007年。查看：发布者网站|谷歌学术
49. Z. Huang和X. Liu，“一种优化大型且快速发展的城市中的公共汽车停止分布的层次结构方法，”ISPRS国际地理信息杂志，卷。3，不。2，第554–564页，2014年。查看：发布者网站|谷歌学术
50. R. D. Yockey，SPSS神秘：成功数据分析的逐步指南，Prentice Hall PTR，美国新泽西州Englewood Cliffs，2007年。

版权

版权所有©2020 Ruili Guo和Zhengdong Huang。这是根据创意共享归因许可证，只要适当地引用了原始作品，允许在任何媒介中不受限制地使用，分发和繁殖。