文摘

Dockless bicycle-sharing(下文)是一个近年来新兴小说的运输模式。作为一个新兴起的模式,dockless bicycle-sharing不可避免地影响了现有组件的公共交通系统,特别是地铁系统。大量的学者探讨了集成这两个之间的关系。然而,通过评估和量化dockless bicycle-sharing数据和地铁自动售检票数据,我们发现两者之间的关系并不是唯一的。基于原点的位置和目的地,旅游时间、旅行距离,在dockless bicycle-sharing旅行密切相关地铁就被确定并分为三个不同的时空关系:竞争旅行,连接旅行和互补旅行。提出了三个指标来描述这两个系统之间的关系。在中国上海进行了案例研究。该方法应用于调查时,在那里,和在多大程度上dockless bicycle-sharing旅行与竞争,整合和补充地铁。结果表明,dockless bicycle-sharing主要集成了和补充了地铁。这就是dockless bicycle-sharing旅行发生和旅行大大决定了其与地铁的关系。 The findings provide significant implications regarding the design and management of dockless bicycle-sharing and the metro.

1。介绍

自2000年代末以来,bicycle-sharing系统迅速开发和采用全球(1),已成为公共交通系统的一个重要组成部分在城市短途旅游。基于互联网的dockless bicycle-sharing(下文)系统尤其得到公众和公认的市场2]。下文提高城市流动,促进公共交通的可访问性,减少使用机动交通(3]。作为一个新兴起的模式,下文亦不可避免地影响了公共交通系统,包括公共交通系统和地铁。下文可以积极的还是消极的影响公共交通意味着它可以是公共交通的合作伙伴或竞争对手。(4)作为解决“最后一英里”问题,第一个,和最后一英里连接地铁得到广泛关注。在上海,平均有107万个下文旅行的起源或目的地与地铁站相关联,占大约34%的每日下文之旅(5]。统计在深圳6)也显示,47%的使用下文旅行到达地铁站。然而,下文和地铁之间的关系是复杂的和复杂的。除了协作(连接)等其他关系中,两个系统之间的互补和竞争关系尚未证实和合格。

缺乏数据集成和分析综合技能的缺乏是破译研究差距的两个原因在两个系统之间的关系。两个系统之间的关系的理解需要全程的跟踪与多个运输模式。现有的一些基于传统调查调查研究收集的数据不能完全跟踪整个旅游过程。一些文学应用大规模数据集的两个系统,分别,但缺乏将不同数据源的能力。

在现有文献填补研究空白,本研究介绍了下文数据和地铁自动售检票(AFC)数据评估和量化下文和地铁之间的关系。基于下文原点的位置和目的地的旅行,下文旅行持续时间,和下文旅行距离,五个场景提出了建立下文和地铁之间的联系,使分析两个系统作为一个整体的旅游模式。下文旅行密切相关地铁标识和分为三组:竞争旅行,连接旅行和互补旅行。调查时,和下文旅行在多大程度上与集成,和补充地铁,三个指标提出了描述两个系统之间的关系。最后,该方法进行案例研究的上海,中国。几个重要的意义对于下文的设计和管理,总结了地铁的结果。

本文的贡献如下:(我)提出了一种方法来识别下文和地铁之间的关系基于大规模数据集收集的数据集成两个系统,分别。一组指标提出了集成两个系统的旅游模式和量化两个系统之间的关系。(2)通过上海的例子验证,证实,除了连接,也有重叠(竞争关系)和补充(互补关系)之间dockless bicycle-sharing和地铁。

本文的其余部分组织如下。部分2提供了一个审查的相关工作。部分3介绍了多源数据集。部分4介绍了方法识别这两个系统之间的关系。部分5在中国上海,介绍了案例研究。最后,给出了结论和未来的发展方向。

2。相关的工作

在本节中,相关的工作总结了三个方面,即下文使用特点分析,BSS和公共交通系统之间的关系,下文和地铁之间的关系。

2.1。下文的使用特点分析

充分研究分析使用bicycle-sharing的特点。停靠bicycle-sharing相比,下文没有固定站和通常是私人的,创业和风险投资项目。大多数下文用户移动互联网用户和下文单位配备GPS设备,便于分配和维护。(7许多研究[8- - - - - -12)提出了一系列的方法来分析下文使用的时间和空间异质性特征。例如,壮族et al。8)聚类分析应用于下文数据集自动识别典型循环模式的时空维度。歌等。9]分析了BSs的需求和使用全局和本地莫兰我指数和社区检测模型的时空动态循环流动。包等。11)应用聚类方法和文本具有潜在狄利克雷赋值方法确定下文旅行分布和旅行目的。Zhang et al。13]研究了时间和空间异质性的角度渗透理论,结果显示自行车在城市中心的过剩和供给和需求之间的不平衡,规模更大。此外,一系列的研究分析了影响因素的使用特点,表明条件,如土地使用版,人口密度、道路设计、交通设施、自行车基础设施、天气(包括温度、湿度、空气质量)3,14- - - - - -18),和人类流动由于COVID-19大流行的变化(19- - - - - -21)会影响自行车的流动特征(DBS或下文)。

2.2。的废话和公共交通之间的关系

逐渐增加的研究bicycle-sharing运动的规律性,bicycle-sharing之间的关系和公共交通的进一步探索。富勒D指出bicycle-sharing与交通方式转移他的研究在加拿大BS对碰撞事故的影响(22]。张(23]研究了公共交通的使用频率之间的关系和BS的概率和频率使用使用调查数据来自美国。结果表明,每个单元的增加公共交通的使用频率,使用b的概率增加4.0%,使用b的频率增加了1.4%。朱et al。24)在上海公共自行车用户调查,发现大多数用户共享使用自行车来代替原来的公共交通。马丁et al。25)集中在华盛顿特区和明尼阿波利斯bicycle-sharing用户的旅游行为。他们发现,在低密度的城市地区,自行车用户使用它更连接到公共交通服务;在高密度城市中心,更多的自行车旅行是用来取代公共交通。菲什曼(26例如调查用户在5个城市,墨尔本,布里斯班,华盛顿特区,London, and Minneapolis, and ultimately found a substitution relationship between bikeshare, walking, and public transportation. Fuller et al. [27)用电话调查数据例如使用在蒙特利尔和调查发现,例如公共交通替代效应。坎贝尔(28)开发了一种使用数据从交通差异模型,例如系统测试替代BS和交通之间的关系在纽约市。香港et al。29日]破译bicycle-sharing和公共交通之间的关系,并把他们分成三类:模态替换,整合、互补,有很大的参考价值。

2.3。的废话和地铁之间的关系

在实际应用中,bicycle-sharing最重要的方法之一解决公共交通的“最后一英里”问题;因此,近年来,大量的自行车和地铁系统之间的关系的研究都集中在这两个之间的集成。薄满乐等。30.)发现,当其他因素,如距离、高度、旅行时间,和城市形式是一致的,公共自行车交通将明显高于如果出发地和目的地旅行相关轨道交通车站。部分文献[10,18)开采的影响既在轨道交通车站,用层次聚类集群轨道交通站在早晚高峰bike-gathering站,早晨高峰bike-gathering站,和晚上高峰bike-gathering站。Yu et al。31日)使用自行车和地铁旅行数据提取指标,用信心椭圆方法进行分析服务区的自行车共享在地铁站附近。燕et al。32]提取自行车共享操作订单数据与上海轨道交通9号线可视化和分析dockless共享自行车的使用模式的差异在地铁在工作日和节假日,和显示的特点,服务面积dockless地铁周围的自行车共享。此外,一些研究调查了影响因素之间的集成自行车和地铁。例如,穆罕默德et al。33)研究和分析用户偏好使用混合选择模型,发现最后一英里馈线metro-BS集成用户偏好的影响。胡锦涛et al。(34)安装一组广义可加模型考虑边际检查非线性相互作用和外部环境之间的关系(包括土地利用、社会人口、道路设计、交通设施、地铁站的特性,和下文算子特性)和metro-integrated自行车的活动特点。一些自行车分享系统,主要服务于城市中心(例如,公共自行车系统在都柏林市中心)或郊区服务(例如,系统在江宁区,南京,中国)显示集成与地铁的关系用户需要中央和郊区之间通勤。(35- - - - - -37]。

除了集成、其他公共自行车和地铁之间的关系研究较少。马Knaap [38)相比,使用bicycle-sharing和地铁在华盛顿特区2010年和2015年,发现市中心的地铁站,有bicycle-sharing站在1/4英里(约402米)的范围内,从而降低地铁旅行的数量,和地铁站的边缘区域,与bicycle-sharing增加地铁车站客流。这说明地铁的替代和互补的自行车。

2.4。文献总结

总之,研究自行车分享系统之间的关系和公共交通工具:自行车和公共交通(公共汽车)可以概括为替换,集成和互补。相比之下,研究之间的关系dockless bicycle-sharing系统(下文)和地铁关注集成,和有一个差距在其他研究两者之间的关系。此外,它可以从先前的研究,大多数的研究都是基于问卷调查,研究bicycle-sharing和公共交通之间的关系,试图找出影响因素。然而,传统的调查方法有许多缺点。随着信息和通信技术的发展,多源海量数据包含大量的人群运动信息和大样本和低成本的特点39),它可以为bicycle-sharing-related研究提供更有效的工具。因此,为了填补研究空白,本研究旨在融合旅游两个系统的数据,量化下文系统和地铁之间的关系,并研究了时空的下文旅行模式取代,集成和补充地铁。

3所示。数据集

3.1。的Dockless Bicycle-Sharing数据

在这项研究中,下文的上海交通委员会提供的数据,包括dockless自行车注册通过所有正规渠道从5月1日在上海^圣到5月12日^th,2019年。它由超过170万辆自行车,产生107万日均旅行。每个数据的信息包括自行车ID,锁定状态,时间戳,经度和纬度坐标。此外,大部分的数据处理支持本文TransBigData Python包。(40]。

之前几个过滤器被应用于数据进一步的数据处理。首先,OD信息提取。生成的数据锁的开启和关闭的时候,所以的记录每一个自行车旅行的开始和结束位置。每个自行车的锁状态的变化与相同的ID可以对应于骑订单的开始和结束。因此,每个订单的OD信息可以提取。通过计算和排序,自行车ID、持续时间和距离的旅行,出发和到达时间,出发和到达的位置是显式地记录在数据集。因此,通过监测下文数据,下文可以变成一个虚拟的传感器网络系统感应移动。第二,存在一些异常值太短或长时间旅行。在这项研究中,旅行时间小于1分钟或大于120分钟被确认为异常值下降。第三,为了反映下文的实际需求,5月6日^th(周一)和12^th(周日)被选为典型的两天代表旅游需求在工作日和周末。1,数据清洗和数据过滤后,086277年和853237年下文旅行了5月6日^th和12^th分别(图1)。

3.2。地铁自动售检票数据

地铁自动售检票(AFC)数据收集从5月1日从上海的地铁系统^圣到5月12日^th,2019年。上海地铁网络由17线和387台,平均每日客流量为1060万。地铁自动售检票系统的存储入站和出站记录,和地铁客流量叫号电话的水平。地铁自动售检票数据使用本文提供的信息每小时387年乘客流地铁站,包括地铁ID,地铁站的名称,一天几个小时,每小时每小时入站客流,出站客流。

图2显示了地铁网络的时间每小时客流量的变化在5月6日^th和12^th。每小时客流量的时间变化显示工作日和周末之间有着显著的不同。在工作日,早上和晚上的时间变化呈现明显的特征峰在一天内。而在周末,客流量的时间分布往往是相对均匀。

4所示。方法

4.1。方法框架

图3显示了本研究的方法框架。下文数据,地铁自动售检票数据地铁GIS数据,被用来评估和分析之间的关系下文系统和地铁系统。方法可以简述如下:(1)空间匹配。每个下文的来源和目的地旅行从下文中提取数据。的帮助下地铁GIS数据、空间匹配进行搜索和匹配的来源和目的地最近的地铁站。(2)缓冲区域分割。区分下文地铁站周围的需求,提出了一种数据驱动的方法来段地铁站的覆盖范围。(3)下文之分类。下文之间建立连接和地铁,下文旅行密切相关地铁标识基于下文原点的位置和目的地,下文旅行持续时间,和下文的旅行距离。根据与地铁的关系,确定旅行分为三组:竞争旅行,连接旅行和互补旅行。(4)DLBS-metro特性的关系。分析旅游模式的两个系统作为一个整体,提出了三项指标来描述这两个系统之间的关系,包括连接在地铁站的份额,竞争的强度沿地铁路线,地铁覆盖范围外的需求互补。

4.2。下文和地铁之间的关系的识别

下文旅行的大规模数据集应用于本研究使收集旅游信息的下文旅行小偏差,减少劳动强度。通过比较和融合这两种类型的数据,他们的旅游需求之间的关系在空间和时间的水平,因此可以找到他们的关系可以探索。

首先,旅行与地铁标识的关系,下文的起源/目的地和地铁站之间的距离是需要考虑的主要因素。在先前的研究中,大多数学者常常采取一个明确的方法来识别交换旅行:一次自行车旅行的定义是一个交换旅行如果其来源或目的地是位于一个地铁站周围排水区。一些文学定义集水区域的半径300米(41,42)或500 (5,31日,43,44],半径越小,越高的百分比交换旅行在排水区(45]。在面对面的问卷调查等。46)在地铁旅行自行车分享用户的目的,大多数受访者(> 75%)表示,他们的自行车旅行相关地铁出发地或目的地时位于一个500米的缓冲区的上海地铁车站。赵et al。47)提出了一个基于关联规则的数据匹配方法并验证。结果表明,573对智能卡中匹配在地铁站300米,和准确性为100%。因此,我们可以假设通过判断下文原点之间的距离/目的地和地铁站,我们可以判断大多数旅行的关系。

然后,下文旅行的时候发生和下文旅行距离被认为使它更接近实际情况,从而提高准确性。最后,旅行分为三种模式,它们定义如下:(1)竞争:竞争是指下文的情况作为地铁的替代品。服务时间内的地铁系统,如果原点和下文旅行的目的地都是靠近地铁站,用户应该采取地铁完成这次旅行没有太多步行、等待、转移等。在这种情况下,下文亦被认为是替代地铁。(2)连接:连接指的是地铁的情况是整个过程的核心,和下文进入地铁。在这种情况下,空间关系和时间应考虑下文和地铁之间的关系。两个系统之间的空间关系要求下文的来源或目的地旅行应该接近地铁站。时间关系,下文旅行应该到达之前不久的离职时间地铁旅行或者离开后不久到达地铁的时间旅行。此外,下文旅行的持续时间不应太长。(3)互补:互补是指情况下文使用地区的地铁覆盖不足。换句话说,如果来源或目的地,或者两者兼有,下文的旅行是远离地铁站,地铁下文亦被认为是一个互补的模式。

基于两个系统之间的关系的定义,提出一个三步法区分下文和地铁之间的关系。

4.2.1。准备空间匹配

第一步是空间匹配。确定下文和地铁之间的关系,重要的是要理解空间每个下文行程的出发地和目的地之间的关系和地铁站。为了提高匹配速度,本文使用KDtree算法搜索的来源和目的地下文旅行,和匹配他们最近的地铁站。(1)提取每个下文的出发和到达的信息从下文数据,并确定出发地和目的地的地理坐标。(2)地铁站的空间划分,建立空间索引,执行一个二叉树搜索每个下文的起源和目的去寻找最近的地铁站。(3)计算最接近原点之间的距离或目的地和地铁站。 在哪里 表示下文旅行的经度和纬度来源或目的地, 表示最近的地铁站的经度和纬度表示衡量公里的距离。

4.2.2。缓冲区域分割

缓冲区域分割是用于把地铁系统的覆盖范围。以往的研究大多是公共交通的缓冲区生成基于问卷调查和实证经验,不能准确反映缓冲bicycle-sharing和公共交通之间的关系。hawa et al。48]提出,一个地方可以被认为是由公共交通,如果它被访问公共交通站在一个舒适的步行距离。吴(49)确定这舒适的步行距离是400米。金等。50]介绍了100米作为另一个阈值来帮助分析乳房之间的关系和公共交通。香港et al。29日)提出了“交通报道”来衡量公共交通服务的空间分布,并把城市空间分成三个区域阈值的基础上100米和400米。,胡锦涛等。43)提出了一种空间网络density-based方法确定最优停车场环的大小(缓冲区)基于大量的自行车旅行数据确定bike-and-ride(方向)旅行,在那里停车戒指的大小是衡量网络距离及其边界从凹表面获得的访问节点,可以更好地反映真正的骑自行车的场景。(图3)

本研究提出了一种数据驱动的方法,基于大规模下文数据缓冲区分割。考虑到下文的来源和目的地旅行,出发地或目的地之间的距离和最近的地铁站。应用核密度估计的概率密度函数估计的距离、空间下文和地铁之间的关系可以可视化图4。

大多数下文旅行开始或结束在两公里离地铁站。从图可以看出4有两个峰值的概率密度函数。第一个高峰是在80 - 100米,第二个高峰是在400 - 600米,和一个槽可以找到约240 - 280米。第一个高峰可能会联想到地铁站周围的自行车停车设施。第二个峰值是起源的结果或用户的第一英里或最后一英里旅行目的地。两座山峰之间的槽代表了下文的空间集聚削弱需求。它表明,260米可以作为阈值来区分地铁站周围的下文需求。

此外,区分下文旅行是否与地铁相关,第二阈值设置。不考虑连接交通、地铁车站的服务范围是,人们可以走(750米)的入口和出口站在10分钟内,它应该合理的叠加可及范围内的多个单起点(51]。因此,考虑到多个地铁站出入口的分布及周边道路,设置为1000。这两个阈值一个地铁站周围的覆盖范围划分为三个部分:(1)地铁站附近区域(区域):缓冲区域离地铁站260米范围内。区域内从地铁站走几分钟的路程。如果下文旅行开始或结束在区域,用户很可能会拿起自行车下车火车或下降后登机前的自行车。21.20%的工作日下文旅行和23.23%的周末下文旅行开始或结束在地铁站周围的区域。(2)地铁辐射区域(B区):缓冲区域260 - 1000米的范围内离地铁站。区B是过渡区;它的覆盖范围外的地铁站,但舒适的步行距离这表明服务覆盖的地铁系统。53.45%的工作日下文旅行和59.78%的周末下文旅行开始或结束在地铁站B区。(3)到地铁站区域(C区):缓冲区域以外的地区,离地铁站1000米以上。旅行在这些领域将与地铁系统无关,这意味着当OD的旅行都是远离地铁,自行车成为交通选择。

4.2.3。下文之分类

分配每个下文的来源和目的地旅行的地区如前所述,这些病例表所示1提出了代表下文和地铁之间的关系,它可以包含所有有效的下文旅行订单数据集。

根据获得的七ODs的空间分布在上面的表中,以进一步提高分类的准确性关系,要注意旅行的时候发生,订单超过上海地铁的运行时间(5:25 - 23:00)应该被排除在潜在的连接和替代关系和分类的补充关系。最后,结合下文旅行距离,提出了五个关键场景代表的下文和地铁之间的关系如图所示5。

场景1。短途旅行下文区域之间和区域B / C
在场景1,考虑到下文旅行的距离连接不应太长(4),我们主要关注下文行程短于或等于2公里。下文旅行开始或结束非常靠近地铁站。下文是地铁的第一英里/最后一英里连接。在这种情况下,下文旅行旅行分为连接。

场景2。下文旅行周围区域之间不同的地铁站
在场景2,下文的来源和目的地旅行都位于地铁站很近。场景2的下文旅行可能会取代旅行以前由地铁。在这种情况下,下文旅行分为竞争旅行。

场景3。下文旅行B大约在同一地铁站之间的区域
在场景3之间,有一段距离地铁站和下文的来源和目的地旅行。位于地铁站很近。在这种情况下,自出发地和目的地都在该地区B大约在同一地铁站,下文是地铁互补模式。因此,下文旅行贴上互补旅行。

场景4。下文旅行地区B之间在不同的地铁站
在场景4,用户更喜欢使用下文来完成整个旅程周围地区B之间不同的地铁站。下文的来源和目的地旅行一定距离地铁站。与地铁相比,下文亦提供了一种方便、廉价、上门服务。在这种情况下,下文更可能被视为替代地铁。因此,下文旅行分为竞争旅行。

场景5。下文旅行B和C区之间的区域
在场景5,下文的来源或目的地旅行超出了地铁的报道。这些下文旅行不能取代或结合轨道交通。在这种情况下,下文作为互补模式,加强城市流动的地区地铁覆盖不足。在这种情况下,下文旅行是贴上互补旅行。

4.2.4。DLBS-Metro关系描述

上述五个场景建立下文和地铁之间的连接,使分析两个系统作为一个整体的旅游模式。提出了三项指标描述下文和地铁之间的关系。三项指标对应于三种类型的下文旅行的旅游模式,分别包括共享的连接在地铁站,地铁沿线的竞争强度,地铁覆盖范围外的需求互补。

(1)的连接。的连接是指下文的份额连接在地铁站的乘客。这个指标来分析提出了下文连接地铁乘客在车站水平的需求。给定一个时间窗口 ,让表示地铁站周围的区域 ,在下文的数据,有下文旅行离开和旅行到达 。与此同时,有登机的乘客在地铁站和在这站下车的乘客。然后,在地铁站共享的连接可以计算为:

(2)竞争的强度。竞争的强度是指地铁客流转向下文。这个指标提出了恢复转地铁客流的分布从下文的O-D需求竞争旅行。给定一个时间窗口 ,让和分别表示该地区A, B,在地铁站 ,在下文的数据,有下文竞争旅行从来和旅行从竞争来 。假设所有下文竞争旅行以前由地铁,转地铁O-D站的需求到车站可以计算(3):

基于地铁O-D转移矩阵 ,交通分配是进行分配地铁站地铁网络之间的旅行。两个相邻的地铁站 ,竞争的强度是指从车站客流分配的部分来 ,即细分客流转移下文。

(3)互补的需求。互补是指下文的数量的需求互补旅行在地铁覆盖不足。这个指标来分析提出了下文的需求互补旅行在区域层面。给定一个时间窗口和500 m×500 m网格覆盖研究区下文竞争旅行离开网格单元和旅行抵达这个细胞。然后,在网格单元互补旅行的需求可以计算为:

5。结果与讨论

5.1。旅游的特点,下文

下文的旅游特点的基础上,分析了旅游时间,旅游距离和流动率从下文中获得数据。

至于旅游时间,5月6日平均旅行时间是13.12分钟^th5月12日和11.05分钟^th。工作日的平均旅行时间稍长周末。

至于旅行的距离,于5月6日平均出行距离是1250.9米^th5月12日和1199.3米^th。下文旅行距离的估计概率密度函数图所示6。没有伟大的工作日和周末旅行距离的差异。旅行距离的分布具有明显的峰值和脂肪的尾巴。下文旅行距离主要是小于5000米,达到一个峰值在600 - 700米(图7)。

每日周转率自行车可以反映自行车的全局资源的使用。活跃的自行车的平均周转率为5.68 5月6日^th5月12日和4.97^th。然而,政府公布的统计数据显示,所有共享的平均流动率自行车在上海是2019年的1.1。戏剧性的差异表明,有大量的闲置的自行车。水平轴的条形图7代表《每日周转率,纵轴是频率,显示频率分布不同的日常活动自行车的流动率数据集。的图中显示,大多数自行车自行车每天不到10完成订单。在周末与周转率相比,有更多的自行车用于平时三倍多。

5.2。对下文和地铁之间的关系的分析

5.2.1。一般模式

考虑到预处理下文数据5月6日^th和12^th,2019年,下文和地铁之间的关系被确认,和不同种类的的比例关系见图8。三种旅行的比例是周末旅行和工作日旅行之间明显不同。图8(一个)显示连接旅游主导工作日旅行,其次是互补的旅行和旅游的竞争。图8 (b)表明互补旅行的份额是最大的在周末旅行,其次是连接旅游和旅行的竞争。连接旅行和旅行互补都是相当大的份额在工作日和周末,约占75%的下文旅行。结果表明,下文主要集成了和补充了地铁。

5.2.2。时间模式

除了周末和工作日的区别旅行,下文旅行在一天中不同时段也可能不同。图9说明了连接的数量、互补和竞争旅行在一天中不同时段,和图10说明了时间变化的比例不同的旅行。几个观测可以由这两个数字。首先,下文的计时模式明显不同工作日和周末。下文的所有三种旅行展示在工作日早晚高峰,而周末模式具有相对光滑的峰会。这些结果表明,三种下文旅行有很大比例的通勤旅行,而周末旅行的目的是更加多样化。第二,时间模式见图8和9表明交通中发挥着重要作用的复合下文旅行。连接旅游主导下文旅行在工作日早晚高峰期间,范围从40%到48%的份额。下文亦已被广泛接受为无缝访问地铁站和广泛应用于上下班的高峰时间。互补旅行占据了绝大多数的下文旅行在工作日的非高峰时段,整个周末。连接旅行的比例的差异和互补旅行高峰时段和非高峰时段表明通勤之间旅行的目的可能是一个重要的决定因素在下文和地铁之间的关系。

5.2.3。空间模式

图11显示了下文连接股票在上海地铁站,使用颜色和大小的点来表示乘客进入和退出的比例站在那个地铁站选择下文的连接。结果与我们之前发现产生共鸣连接在工作日旅行要大得多。连接的比例的平均值是7.5%在5月6日^th和5.4%的5月12日^th。

的空间分布的连接图11,可以观察到明显的空间异质性。的价值共享的连接市中心和郊区更小。城市中心覆盖着密集的公共交通网络和发达的地铁网络。那里几乎不存在介质的需求——在城市中心或远程连接。至于郊区,下文供给不能满足所有的需求不足与地铁的联系。

复兴岛站同济大学站,划圈路站,三门路站,武威路站最高的五个地铁站共享的连接。五台及其它站高份额的连接之间有一些共同的特征,他们位于市中心和郊区和周围居民区和工业区。

这些发现暗示连接旅行,公共交通网络,下文的供应服务,和地铁站周围的建筑环境决定因素(图11)。

沿着地铁段竞争的强度计算,见图12。颜色和线条的宽度代表与下文竞争的强度,即细分客流转移下文。

竞争强度的空间分布在工作日恰逢周末。大部分的地铁部分有一个很大的竞争强度之前的部分第一传输电台从郊区到城市中心。这些部分通常是最大的地铁线路的客流。

这些结果表明,竞争的旅行,重要的不是多远的地方是远离城市中心,而是有多拥挤的地铁。下文亦被视为另一种解决办法逃离拥挤的地铁。

城市的快速发展和不断扩大的城市土地,下文亦可以是一个有用的工具来补充公共交通网络在地铁覆盖不足的地区。互补的需求计算和绘制在图13。

从图可以看出,互补旅行更广泛分布在周末,这可能是因为周末更多元化的旅游需求。互补的巨大需求的地区旅行主要是在终端站位于郊区的地铁1号线,5、9岁和12岁。在这些领域,公共交通不发达的供应和短。已经优先考虑下文完成中期或长途旅行。作为公共交通的补充服务,下文提高该地区流动,促进公共交通网络的可访问性。

6。结论和未来的发展方向

近年来,下文亦逐渐被公众的热烈欢迎。在城市交通系统中,作为一种环境友好型短途旅行模式共享,下文亦增强了城市的流动,促进交通网络的可访问性。新的运输模式的发展将不可避免地影响到现有的模式,尤其是地铁系统。本研究应用下文地铁自动售检票数据来量化数据和内部关系,两个系统之间的交互。使用两个系统的大规模数据集收集,分别提出了一种方法来识别两个系统之间的关系。三个指标,提出了集成两个系统的旅游模式和量化两个系统之间的关系。(我)下文和地铁之间的关系可以被定义为竞争,连接,和互补。下文地铁旅行主要是整合和补充。(2)三种对应关系,两个系统之间的关系可以表现为共享的连接在地铁站,地铁沿线的竞争强度,地铁覆盖范围外的需求互补。上海的案例研究的结果表明,这两个地方dockless bicycle-sharing旅行和旅行时发生显著确定其发生与地铁之间的关系。通勤旅行的目的可能是一个重要的决定因素在下文和地铁之间的关系。

我们的研究提供了一个框架分析下文和其他运输方式之间的关系。根据研究结论,两个系统的准确性可以推荐站的建设和管理,线,和地区提高两个系统的运行效率和服务水平,促进两个系统之间的集成和开发,合理、有效地促进城市交通系统的整体优化。我们相信不仅提出的方法也解决问题的思想和管理框架适用于其他城市不同的条件。

然而,本文只使用经度和纬度坐标,这可能不能反映街道布局或地形,在共享单一的汽车旅行的距离计算,具有一定的局限性。此外,它不知道更多关于下文公司和规划实体之间的关系。它在未来的研究应该继续讨论。

与此同时,基于时空异质性,我们发现为不同类别的双旅行,可以继续深入研究,例如,现在这些时空模式的潜在的潜在机制。胡锦涛et al。(43]安装一组广义可加模型考虑边际非线性交互metro-related旅行和外部环境之间的关系在他们的研究中,包括土地利用、社会人口、道路设计、交通设施,地铁车站的特点,和DBS算子特征,这是后续研究的相关性。然而,由于现有研究数据不包含信息组合城市环境和个人属性,非常准确的建模回归和意愿的模型不能在这个阶段执行。

在未来的研究中,我们将努力获得城市建筑环境数据,如芋泥,进行空间回归模型根据已知的空间异质性。其次,我们已经着手调查的设计旅行自行车分享用户的意图,将探索天气环境的影响程度,个人因素,循环环境,地铁环境,旅游特点、环境保护理念,以及流行人们愿意使用公共自行车连接,替代和补充地铁。

数据可用性

dockless分享自行车和地铁自动售检票数据用于支持本研究的发现没有可用,因为隐私政策。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作得到了国家自然科学基金(71734004)和中国国家重点研发项目(2018号yfb1601100)。