陶 遂 TAO Sui

基于智能公交卡數據的出行行為的時空間分析及規(guī)劃啟示
——以布里斯班為例

陶 遂 TAO Sui

智能公交卡作為越來越普遍的城市公共交通付費方式產生了大量詳細的出行數據。這種大數據的出現(xiàn)為出行行為研究特別在時空間方面帶來新的機會和挑戰(zhàn)。以布里斯班為例，展示了一種地理可視化方法——條件流量圖及其在分析智能公交卡數據方面的應用。對該數據進行可視化后，揭示了基于巴士公交的出行在一個城市尺度下相對精細的時空間分布和特征，以及在不同因素（包括快速巴士公交道、乘客組群和天氣）作用下的變化。這些發(fā)現(xiàn)對建立城市公交系統(tǒng)更有針對性地規(guī)劃和運營以更好滿足乘客出行需求有一定的啟示作用。同時，未來研究需要進一步完善和補充智能公交卡數據，并發(fā)展更成熟的分析方法。

智能公交卡 | 大數據 | 出行行為 | 時空間分析 | 交通規(guī)劃

0 引言

如今，采用智能公交卡（Transit smart card）作為公交票費收取方式的做法已經變得相當普遍。相對于傳統(tǒng)的紙票售票方式，智能公交卡繳費更為方便快捷。世界上一些知名度較高的公交卡包括倫敦的牡蠣卡（Oyster card），東京的企鵝卡（Suica）以及香港的八達通卡（Octopus card）。相對于傳統(tǒng)的交通出行調研方法（如問卷調查），通過智能公交卡系統(tǒng)所收集的數據通常在時間空間上的覆蓋面更廣，信息也更準確。越來越多的城市和交通研究者意識到，智能公交卡數據（Transit Smart Card Data或TSCD）可以作為用于研究出行行為方面更強大的數據源[1]。隨著智能公交卡的日益普及，很多國內外學者應用其衍生數據來研究公交出行在城市中的分布和特征[2-5]。這些研究的成果為城市公共交通和用地系統(tǒng)的規(guī)劃和管理提供了更具體的依據。以澳大利亞的布里斯班為例，本文旨在集中總結和討論作者在上述領域的研究成果，以及從中提取的規(guī)劃啟示。

1 研究背景

1.1 出行行為的時空間研究

一個城市的交通及用地系統(tǒng)的規(guī)劃需要以人們的出行規(guī)律作為主要依據之一。因此，如何更好地了解人們日常出行行為，尤其在時間空間上的分布和特征是城市交通研究長期以來的一個核心課題。在該領域，早期研究致力于應用數學或統(tǒng)計方法捕捉人們的日常出行規(guī)律（如出行頻率、距離及時間等）[6-7]。這些研究的成果很大程度上構成了今天對出行行為認知的基礎。例如，相對于工作日，人們在周末或假日的出行行為在時間和空間分布上呈現(xiàn)出更多的隨機性，體現(xiàn)了工作日和周末的不同活動規(guī)律。同時，社會經濟屬性如性別、年齡、收入和家庭結構等也在人們組織每天的出行中扮演重要的角色[6,8]。值得注意的是，上述研究很大程度上并沒有捕捉到一些出行行為的重要空間特征，如活動范圍、出行路線等[9]?？紤]到這些局限性，另一些研究則發(fā)展和應用基于時間地理學的概念和方法，例如活動空間（Activity space）?；顒涌臻g代表了一個人在日常生活和出行中所能覆蓋的空間范圍，以及所能觸及的各種社會和經濟活動機會[10]?；谶@樣的概念，出行行為的時空間特征被重新探索[9,11-12]。這些研究的結果表明在其他因素被控制的情況下，具體的居住位置對活動范圍的大小和出行強度也有很大的影響。

1.2 智能公交卡數據和出行行為研究

對于出行行為研究這一領域，獲取可靠的數據源一直是個挑戰(zhàn)。傳統(tǒng)上，問卷和電話等調研方式主導了出行研究的數據獲取。然而這些數據采集方式的缺陷，例如高費用、小樣本等也相對突出。同時，采集的時空間信息的準確和完整性也往往不能保證，這體現(xiàn)在調研參與者遺忘某些出行，或者粗略地記錄出行時間和地點。這些缺陷都有可能造成對出行行為時空間規(guī)律的不準確掌握[13]。智能公交卡數據（TSCD）的出現(xiàn)一定程度上彌補了上述傳統(tǒng)調研數據的不足。通常，公交乘客在使用智能公交卡時會留下具體的公交服務使用信息，如卡的ID、上下車車站、上下車時間、線路、方向等（圖1）。在一個城市的尺度上，每天則可以產生數以萬計的公交出行記錄。鑒于這些特性（自動、大量和快速的數據收集），TSCD在提供準確的時空出行信息和數據量方面均優(yōu)于傳統(tǒng)調研數據。

現(xiàn)已有相當數量的研究致力于發(fā)掘TSCD在研究出行行為時空間特征方面的潛力[1,14]。這些研究可以大致分為3個主要類別。第一類研究主要探索公交站點（如乘客上車）的使用及其在時間空間上的變化，從而揭示公交出行發(fā)生在時空間上的變化[2]。這類研究關注對TSCD中包含的時空間信息的提取和展示，因此在對TSCD的應用上還處于相對探索的階段。第二類研究關注對TSCD的擴充和出行起訖（OD）矩陣的推算。在很多公交系統(tǒng)中，TSCD只記錄上車點和時間而忽略下車點。不少研究者針對TSCD的這一缺陷提出了估算下車信息的算法，并由此建立公交出行的OD矩陣[4,15]。這類研究則為TSCD的應用提供了行為理論基礎（例如多數人會以上一段的出行終點作為下一段出行的起點等）。第三類研究嘗試將社會和活動屬性與TSCD相結合以挖掘出更復雜的出行行為特征。例如Devillaine等[16]針對不同的出行活動（如上班，上學）提出基于時長的判斷標準（如工作時間最短為2 h，學習時間最短為5 h）。將這些標準運用到TSCD上可以大致提取出公交使用者不同出行活動的時空間規(guī)律。

圖1 TSCD示意

2 條件流量圖

TSCD很大程度上使出行行為研究達到更高的時空間精度和廣度。同時，TSCD及其他形式的大數據（如信用卡消費和手機定位數據等）也對出行行為的時空間分析方法提出了新挑戰(zhàn)[17]。由于龐大的數據量，應用傳統(tǒng)的多元統(tǒng)計分析方法在TSCD上可能會產生統(tǒng)計意義上重要、但實際意義甚微的結果。針對這種可能性，一些學者提出在建立統(tǒng)計模型前，地理可視化（Geo-visualization）可以作為分析包括TSCD在內的大數據的有效方法，并為前者提供必要的依據[18-19]。針對TSCD的大數據特性，作者提出了一個以軌跡導向、空間為中心的（Trajectory-oriented space centered）可視化方法，即條件流量圖（Conditional flow-map或flow-comap）[20-21]。該方法的核心目標是可視化TSCD來揭示一個城市中，公交乘客集體出行的起訖點和線路選擇在公交網絡中的時空間分布特征和規(guī)律?；谶@樣的目標，條件流量圖可以看作是兩個常用的空間可視化方法，即條件圖（Conditional plot）和流量圖（Flow-map）的結合。條件圖是一種將空間數據（如車輛行進位置）按某種條件變量（如時間）進行分組，并對分組后的數據進行空間分析（如空間熱點分析）及可視化的方法[22]（圖2）。而在流量圖中[23]，個體移動數據經常按相同的起訖點進行聚類并用直線和箭頭表達，不同的直線寬度則表達移動流量的大?。▓D3）。探索出行流量在不同時間下的空間分布則形成條件流量圖。

由于TSCD所包含的出行信息量巨大，僅用起訖點的直線表達移動線路，在一個密度較高的城市公交網絡內可能會導致辨識度較低的可視化結果?？紤]到這點，TSCD的出行記錄則需要進行出行線路的還原，并以此為基礎繪制條件流量圖[20]。針對這個問題，作者發(fā)展出通過利用通用運輸咨詢規(guī)則（General Transit Feed Specification或GTFS）對TSCD進行出行線路還原的方法。GTFS是一種提供在谷歌（Google）平臺上的開源數據，一般包含某個城市詳細的公共交通網絡和服務數據，如公交線路，公交站及兩者的對應關系（如某公交站服務于某條公交線路）?；贕TFS，公交線路上所有經過的站點及它們的排列順序可以被提取出來。通過找到對應的公交線路和站點，TSCD中的出行記錄則可以被還原成更詳細的出行軌跡。圖4直觀示意了對一條TSCD記錄的線路還原的過程。對擴展后的TSCD進行基于起訖點和出行線路的聚集和分類并可視化，便生成可識別度較高的流量圖，作為繪制條件流量圖的基礎（圖5）。

圖2 條件圖案例（以撞車事故為例）

圖3 交通流量圖案例

圖4 TSCD出行線路還原示意

3 案例分析：布里斯班

3.1 布里斯班概況

布里斯班是澳大利亞第三大城市，昆士蘭州的首府?；赥SCD的條件流量圖的成果展示和討論將以該市市區(qū)作為背景（包括市中心，內環(huán)區(qū)和外環(huán)區(qū)）（圖6）。該區(qū)域內有將近100萬的常住人口。布里斯班河由西南到東北將市區(qū)一分為二，在關鍵的位置則有橋梁連接。與很多西方城市類似，布里斯班的交通出行以汽車為主導，汽車承擔了大約85%的日常出行量，公共交通吸收了大約8%的出行量，余下的則由其他交通方式（如自行車）承擔[25]。公共交通系統(tǒng)由巴士公交、軌道公交和渡輪組成。2000年以前，巴士和軌道公交的乘客量基本持平。而在10—15年中，布里斯班市政府對公共交通系統(tǒng)的投資則主要集中在巴士公交的擴展和改進上。在2000年，市政府投資建設了一系列圖4所示的快速巴士專用道，以緩解通向市中心的交通壓力。該巴士專用道，采用了開放式設計，即允許巴士在某些交叉口進出。在總共400余條巴士線路中，現(xiàn)有超過170條線路使用該公交專用道，承擔了布里斯班大約2/3的對巴士公交的需求量[26]。相較其他公交模式（包括軌道公交），巴士公交也吸引了更多的公交乘客量，可以說是現(xiàn)在布里斯班公交系統(tǒng)的中樞角色。

布里斯班的智能公交卡系統(tǒng)（Go card）基本涵蓋了該市的所有公交模式。本文所展示的成果基于2012年11月初至2013年4月底間生成的TSCD。在該數據中，軌道公交和渡輪的出行記錄不包含一些重要的公交服務信息（如線路ID、方向等），對它們的線路重建難以實施。因此，本文只關注基于巴士公交的出行。一個工作日的TSCD包含大約25萬條巴士出行記錄，在周末則有平均6萬—7萬條出行記錄。

3.2 成果及規(guī)劃啟示

該節(jié)將報告和討論條件流量圖的3個應用案例：（1）基于快速巴士專用道和普通巴士出行的時空間分布；（2）不同巴士乘客組出行的時空間差異；（3）天氣因素對巴士乘客出行的影響。圖7展示的是第一個案例，即一個工作日內快速巴士和普通巴士出行的時空間分析。如果一次巴士出行中的全部或一段使用了快速巴士專用道，那么這次出行便被劃為基于快速巴士的出行；如果一個巴士出行中任何一部分都沒有使用快速巴士專用道，那么該出行則被視為普通巴士出行。在水平方向，流量圖按4個時間段排列，即早上（6:00—10:30），中午（10:00—14:30），下午（14:00—18:30）和晚上（18:00—22:30）。在垂直方向上，流量圖則按不同巴士模式（即快速和普通）和方向（即入城和出城）區(qū)分。根據TSCD，入城指代朝向市中心方向的出行；而出城則指代朝向市區(qū)外圍的出行。自然斷裂法（Natural Breaks）用來劃分不同等級的客流量，在圖中以不同寬度的線表示。最后，依據Bell等[27]的方法，變異系數（CV）也被計算以量化流量圖中的出行分布特征。高的CV值代表空間中相對分散的出行分布，而低的CV值代表更集中的出行分布。

從圖7可以看出，基于快速和普通巴士的出行都表現(xiàn)出比較明顯的通勤特征，即相對于其他時段，早上時段的出行呈現(xiàn)出更多客流量高的線路（客流量＞1400）；而出城出行在下午時段表現(xiàn)出類似的特征。同時，兩種巴士出行也表現(xiàn)出不同的空間分布特征?；诳焖侔褪康某鲂行纬闪巳舾煽土髁扛叩木€路。這些線路主要連接了市中心與布里斯班外環(huán)區(qū)的北部、南部和西部。相對的，普通巴士出行的高客流量線路數量較少，并主要分布在布里斯班河以北。值得注意的是，工作日的大部分時段內，普通巴士出行的CV值卻比快速巴士出行高，意味著前者在空間上的分布較后者更分散。另外，通過比較乘客出行線路和快速巴士專用道的空間布局可以看到，很多位于布里斯班北部的高流量線路只用到小段的快速專用道，意味著北部快速專用道的使用效率較南部更低。這些出行特征有以下啟示。第一，對于客流量較高的線路，定期評估和保證它們的服務質量，如發(fā)車頻率、準時程度等，以及乘客出行需求（特別是通勤需求）的滿意程度，值得公交運營者特別關注。第二，對于乘客量較低、但分布相對分散的線路（特別是普通公交線路），運營者需要進行成本效益分析，并考慮對乘客量低但成本高的線路進行調整，例如采用更靈活、性價比更高的公交模式，如小型巴士。第三，運營者可以考慮將一些高客流量線路調整到布里斯班北部的快速專用道上，以提高后者的使用效率，并借此提升北部的出行效率（例如更短的公交出行時間）。

圖5 基于線路還原的流量圖示意

圖8展示了第二個案例分析，即不同乘客組出行的時空間差異。布里斯班的智能公交卡主要分為4類：成人卡、老年卡、大學生卡（包括高級技術類學校學生）及中小學生卡，涵蓋不同的公交使用人群。這里作者以成人組（大部分為工作人群）和老年組（即60歲及以上的人群）在工作日的巴士出行為例。同樣的，流量圖在水平方向按時間段排列，在垂直方向按乘客組和出行方向排列?？梢钥吹剑扇私M的出行分布很大程度上和圖7所示的快速巴士出行的分布類似，意味著該組有相當一部分乘客乘坐基于快速巴士專用道的公交通勤。而老年組的出行，由于整體較低的客流量，其空間分布及隨時間的變化并不明顯。為了更好挖掘出該組出行的時空間特征，作者進一步發(fā)展了加權條件流量圖（Weighted flow-comap）。加權條件流量圖的核心是直接計算不同條件下各條線路上的乘客流量差，并進行可視化。例如，一條線路在中午的客流量減去該條線路在早上的客流量，再將該計算用于全部線路?？紤]到出行需求在不同時段會有較大的變化，乘客流量差再被標準化。正標準流量差值代表某條線路的乘客量相對于其他線路有增加；而負值則代表乘客量相對減少。標準流量差的絕對值越大意味著乘客量變化越大。

圖7 快速和普通巴士出行的時空間分布圖

圖8 成人和老年組出行的時空間分布圖

圖9展示了在圖8基礎上繪制的加權條件流量圖。成人和老年乘客組在早上的乘客出行量分別作為各組的比較基線，即標準客流差是其他時段（中午、下午和晚上）的客流量減去早上的客流量再標準化后的結果。對于成人組，沿著若干（尤其在南部的）線路，入城出行的客流量在其他時段相對于早上有所減少；而出城出行的客流量，尤其在中午和下午，在這些線路上有所增加。這些差異均符合通勤特征。老年組的出行表現(xiàn)出大致類似的時空間差異。不同的是，在早上以外的其他時段，老年乘客組的出城出行流量比成人乘客組在更多的線路上（尤其在布里斯班北部和西南部）有所增加。這些結果為公交運營滿足不同乘客組的出行需求提供了啟示。除了關注主要乘客組（特別是成人組）的通勤需求外，其他乘客組的在空間上不同的出行需求也應該在設計公交線路中有所考慮。在本案例中，是否應該針對老年乘客在工作日的出城出行提供更多相應的公交線路，值得運營者結合其他數據（如調研數據）進一步調查和考慮。

圖9 成人和老年組出行的時空間分布比較圖

圖10 不同降雨量下巴士出行的時空間差異圖

天氣對人的出行行為有著不可忽視的影響[28-29]。例如在不好的天氣狀況下（如降雨、高溫天氣等），人們可能會減少室外活動及出行。本節(jié)討論的最后一個案例則關注天氣因素，特別是降雨，對巴士出行在時空間分布上的影響。以2012年11月至2013年2月工作日作為主要樣本。結合澳大利亞氣象局的數據，作者將上述的工作日樣本劃分為兩大類，即沒有降雨日和有降雨日。有降雨的樣本根據降雨量的大小進行排序，并根據排序再被等分為3個次樣本（分別以T1、T2和T3標注）?；?個次樣本（無降雨日和3個從小到大分級的降雨日），TSCD也被分為相應的4組，作為不同降雨量天氣下巴士出行時空間分布的可視化數據。上文提到的加權流量圖則作為這個案例的主要分析手段。

圖10展示了早上（6:00—10:30）和下午（12:00—18:30）時段的加權條件流量圖。為了捕捉不同雨量間的客流量差異，低一級的雨量樣本作為高一級雨量樣本的比較基線。例如T1降雨量下乘客流量減去零降雨量時的乘客流量（T1-0）；T2降雨量下乘客流量減去T1降雨量的乘客流量（T2-T1）。對于早上時段，一些線路的客流量在小降雨量（T1）時有所減少。而達到較高降雨量時（如從T1到T2，再到T3），有些線路（尤其是與快速巴士專用道相連接的線路）的客流量卻有增加。下午時段的巴士出行時空間變化與早上時段的變化類似。這些出行變化表明，雨量較大時，有更多人選擇乘坐基于快速專用道的巴士線路通勤。其中可能有兩個原因：一是降雨量變大時，道路狀況也變得相對不安全，促使一部分駕車的通勤者使用公交出行；二是快速巴士專用道上的車站相對于普通巴士站有更好的遮擋設計，從而可能吸引其他巴士線路的乘客乘坐快速巴士服務。根據這些結果，公交運營者可以根據不同的天氣狀況（如降雨）對巴士公交做出調整。例如，對于降雨時乘客量減少的線路，車次可以相應地減少；同時，這些減少的車次可以調到那些乘客量相對增加的線路。當資金相對充沛時，運營者也可以考慮加強普通巴士線路上車站的遮蓋設計以改善天氣不好時乘坐巴士的體驗，從而提升乘客的滿意度。

4 結論

TSCD作為一種新型的交通大數據，為出行行為的時空間研究帶來新的機遇。同時，該數據巨大的信息量也對傳統(tǒng)的、依賴于數理統(tǒng)計的分析方法提出了挑戰(zhàn)。以布里斯班為背景，本文集中展示并討論了針對TSCD而發(fā)展的地理可視化方法——條件流量圖及其應用?？梢暬慕Y果揭示了基于巴士公交的出行在一個城市尺度下相對精細的時空間分布和特征，以及在不同因素（包括快速巴士公交道、乘客組群和天氣）作用下的變化。基于這些發(fā)現(xiàn)，公交運營者可以對巴士公交系統(tǒng)做出更有針對性的規(guī)劃和調整，如在不同情況下，根據出行量的變化對公交服務系統(tǒng)進行實時監(jiān)控和調整。值得注意的是，由于城市結構、人口等方面的不同，本文展示的結果及規(guī)劃啟示很大程度上并不能直接遷移到國內，尤其是規(guī)模較大的城市。例如，北京的公交通勤出行表現(xiàn)出相對分散的、多中心的空間結構[5]；而布里斯班的公交通勤出行則表現(xiàn)出較強的單中心結構（即以市中心及周邊區(qū)域為主要目的地）。盡管有這樣的差異，通過本文的案例分析可以看到，TSCD結合地理可視化方法（如條件流量圖）仍然可以應用在空間結構更加復雜的城市背景下，以支持公交系統(tǒng)更好地滿足當地的出行需求。鑒于當下愈加復雜的出行行為和持續(xù)的城市化進程，掌握這樣的出行信息和分析工具也顯得越來越重要。

雖然TSCD在揭示出行行為的時空間特征和支持交通系統(tǒng)規(guī)劃方面有著不可忽視的潛力，它并不能被作為治理城市交通的萬能藥。這點很大程度上是由于TSCD的一些自身缺陷。例如，TSCD一般并不提供關于持卡人經濟社會屬性和對于不同出行方式和活動的態(tài)度和偏好。而這些因素對人們的日常出行行為也有重要的影響。另外，TSCD一般也不包含除公共交通以外的交通模式和出行信息（如私人汽車、自行車和步行等）。之后的研究可以嘗試將TSCD與其他數據相結合的方法以彌補TSCD的上述缺陷。最后，進一步發(fā)展更成熟的、針對TSCD的分析方法，如在3D環(huán)境下的地理可視化和建立時空間出行模型等，對更好掌握城市人口的出行動態(tài)、為城市交通系統(tǒng)提供支持有著長遠的意義。

References

[1]龍瀛，孫立君，陶遂. 基于公共交通智能卡數據的城市研究綜述[J]. 城市規(guī)劃學刊，2015（3）：71-77.LONG Ying, SUN Lijun, TAO Sui. A review of urban studies based on transit smart card data[J].Urban Planning Forum, 2015 (3):71-77.

[2]MORENCY C, TREPANIER M, AGARD B.Measuring transit use variability with smart-card data[J]. Transport Policy, 2007, 14(3):193-203.

[3]DEVILLAINE F, MUNIZAGA M, TRéPANIER M.Detection of activities of public transport users by analyzing smart card data[J]. Transportation Research Record: Journal of the Transportation Research Board, 2012 (2276):48-55.

[4]MUNIZAGA M A, PALMA C. Estimation of disaggregate multimodal public transport origindestination matrix from passive smartcard data from Santiago, Chile[J]. Transportation Research Part C: Emerging Technologies, 2012 (24):9-18.

[5]龍瀛，張宇，崔承印. 利用公交刷卡數據分析北京職住關系和通勤出行[J]. 地理學報，2012，67（10）：1339-1352.LONG Ying, ZHANG Yu, CUI Chengyin.Identifying commuting pattern of Beijing using bus smart card data[J]. Acta Geographica Sinica,2012, 67(10):1339-1352.

[6]HANSON S, HUFF J. Classification issues in the analysis of complex travel behavior[J].Transportation, 1986, 13(3):271-293.

[7]SCHLICH R, SCH?NFELDER S, HANSON S,et al. Structures of leisure travel: temporal and spatial variability[J]. Transport Reviews, 2004,24(2):219-237.

[8]張萌，孫全欣，陳金川，等. 北京市女性出行行為研究[J]. 交通運輸系統(tǒng)工程與信息，2008，8（2）：19-26.ZHANG Meng, SUN Quanxin, CHEN Jinchuan,et al. Travel behavior of the female in Beijing[J].Journal of Transportation Systems Engineering and Information, 2008, 8(2): 19-26.

[9]BULIUNG R N, ROORDA M J, REMMEL T K.Exploring spatial variety in patterns of activitytravel behaviour: initial results from the Toronto Travel-Activity Panel Survey (TTAPS)[J].Transportation, 2008, 35(6):697-722.

[10]SCH?NFELDER S, AXHAUSEN K W. Activity spaces: measures of social exclusion?[J].Transport policy, 2003, 10(4):273-286.

[11]KAMRUZZAMAN M, HINE J, GUNAY B, et al.Using GIS to visualise and evaluate student travel behaviour[J]. Journal of Transport Geography,2011, 19(1):13-32.

[12]柴彥威，申悅，肖作鵬，等. 時空間行為研究動態(tài)及其實踐應用前景[J]. 地理科學進展，2012，31（6）：667-675.CHAI Yanwei, SHEN Yue, XIAO Zuopeng, et al.Review for space-time behavior research: theory frontiers and application in the future[J]. Progress in Geography, 2012, 31(6): 667-675.

[13]BAGCHI M, WHITE P R. The potential of public transport smart card data[J]. Transport Policy,2005, 12(5):464-474.

[14]PELLETIER M P, TRéPANIER M, Morency C.Smart card data use in public transit: a literature review[J]. Transportation Research Part C:Emerging Technologies, 2011, 19(4):557-568.

[15]NASSIR N, KHANI A, LEE S, et al. Transit stoplevel origin-destination estimation through use of transit schedule and automated data collection system[J]. Transportation Research Record:Journal of the Transportation Research Board,2011 (2263):140-150.

[16]DEVILLAINE F, MUNIZAGA M, TRéPANIER M.Detection of activities of public transport users by analyzing smart card data[J]. Transportation Research Record: Journal of the Transportation Research Board. 2012 (2276):48-55.

[17]KITCHIN R. Big data and human geography:opportunities, challenges and risks[J]. Dialogues in Human Geography, 2013, 3(3):262-267.

[18]KWAN M P. Interactive geovisualization of activity-travel patterns using threedimensional geographical information systems:a methodological exploration with a large data set[J]. Transportation Research Part C: Emerging Technologies, 2000, 8(1):185-203.

[19]ADRIENKO N, ADRIENKO G. Spatial generalization and aggregation of massive movement data[J]. IEEE Transactions on visualization and computer graphics, 2011, 17(2):205-219.

[20]TAO S, ROHDE D, Corcoran J. Examining the spatial-temporal dynamics of bus passenger travel behaviour using smart card data and the flowcomap[J]. Journal of Transport Geography, 2014(41):21-36.

[21]TAO S, CORCORAN J, Mateo-Babiano I, et al. Exploring bus rapid transit passenger travel behaviour using big data[J]. Applied Geography,2014 (53):90-104.

[22]BRUNSDON C. The comap: exploring spatial pattern via conditional distributions[J].Computers, environment and urban systems,2001, 25(1):53-68.

[23]ANDRIENKO G, ANDRIENKO N. A general framework for using aggregation in visual exploration of movement data[J]. The Cartographic Journal, 2010, 47(1):22-40.

[24]PLUG C, XIA J C, CAULFIELD C. Spatial and temporal visualisation techniques for crash analysis[J]. Accident Analysis & Prevention,2011, 43(6):1937-1946.

[25]Australian Bureau of Statistics. 2011 Census QuickStats[EB/OL]. (2013-03-28) [2013-11-18]. http://www.censusdata.abs.gov.au/census_services/getproduct/census/2011/quickstat/0?open document&navpos=220＞.

[26]TAO S. Investigating the travel behaviour dynamics of bus rapid transit passengers[D].Brisbane: University of Queensland, 2015.

[27]BELL M, BLAKE M, BOYLE P, et al. Cross national comparison of internal migration: issues and measures[J]. Journal of the Royal Statistical Society: Series A (Statistics in Society), 2002,165(3):435-64.

[28]B?CKER L, DIJST M, PRILLWITZ J. Impact of everyday weather on individual daily travel behaviours in perspective: a literature review[J].Transport Reviews, 2013, 33(1):71-91.

[29]DIJST M J, B?CKER L, KWAN M P. Exposure to weather and implications for travel behaviour:introducing empirical evidence from Europe and Canada[J]. Journal of Transport Geography, 2013(28):164-166.

[30]TAO S, CORCORAN J, HICKMAN M, et al.The influence of weather on local geographical patterns of bus usage[J]. Journal of Transport Geography, 2016 (54):66-80.

Spatial-temporal Analysis of Travel Behaviour Using Transit Smart Card Data and Its Planning Implications: A Case Study of Brisbane, Australia

The increasing prevalence of transit smart card as a transit fare payment method has helped generate travel behaviour data of huge quantity and rich details. The emergence of such big data has brought new opportunities as well as challenges for travel behavior research, particularly in the arena of spatial and temporal analysis. Drawing on Brisbane as a case study, this paper demonstrates the development of a geo-visualisation technique, namely the flow-comap, and its application in analyzing transit smart card data.Visualizing this data has offered insights into the detailed spatial and temporal patterns and characteristics of trip-making by bus transit, and its variations under the influence of other factors including the presence of exclusive busway, different passenger groups and weather. These findings herald a series of implications that have the potential to help devise more targeted planning and operation measures for an urban public transit system with a view to better meeting the travel demands of transit users. Meanwhile, future research may continue to improve the information quality of transit smart card data, and from there, develop more sophisticated analytical techniques.

Transit smart card | Big data | Travel behaviour | Spatial-temporal analysis | Transport planning

1673-8985（2017）05-0094-06

TU981

A

陶 遂香港中文大學未來城市研究所博士后，博士