戢小輝, 安栓莊, 俞懿宸, 謝禹磊

(1. 中鐵第四勘察設計院集團有限公司， 武漢 430063；2. 中國地鐵工程咨詢有限責任公司， 北京 100037； 3. 武漢地鐵運營有限公司， 武漢 430063)

城市軌道交通客流預測宏觀指標統(tǒng)計分析

戢小輝1, 安栓莊2, 俞懿宸2, 謝禹磊3

(1. 中鐵第四勘察設計院集團有限公司， 武漢 430063；2. 中國地鐵工程咨詢有限責任公司， 北京 100037； 3. 武漢地鐵運營有限公司， 武漢 430063)

城市軌道交通客流預測作為需求分析的有效技術手段，其預測結果的可信度和有效性將直接影響決策的精準度，重要性不言而喻。通過對北京、上海、廣州、深圳、成都、南京等20余座城市的軌道交通現狀運營數據進行全面整理與歸納，系統(tǒng)闡述網絡客流、線路客流、車站客流的諸多特征，從負荷強度、網絡平均乘距、線路平均運距、換乘系數、斷面高峰小時系數、斷面不均衡性、換乘客流量級分布、車站超高峰系數等客流預測關鍵技術指標進行特征探討與規(guī)律總結，以期協助模型工作者更好地把握預測結果的合理性。

城市軌道交通； 客流預測； 客流特征； 成長規(guī)律

客流預測是貫穿城市軌道交通規(guī)劃、建設、運營全過程的環(huán)節(jié)，是各項工作開展的基礎?？土黝A測是系統(tǒng)網絡效益評價、近期項目建設時序選擇、系統(tǒng)規(guī)模與制式等重大工作決策的依據，在城市軌道交通規(guī)劃設計體系中占據極其重要的地位。目前，我國城市軌道交通發(fā)展迅猛，網絡規(guī)模不斷擴大，軌道交通網絡化客流特征逐漸顯現，分析、總結相關客流指標的運營特征規(guī)律，對于指導后續(xù)的客流預測工作具有重要作用，筆者通過剖析20余座國內典型城市的重 要 客 流 指 標 特征[1-12]，以期協助模型工作者更好地把握預測結果的合理性。

1 國內客流預測現狀分析

1.1 客流預測值與實際運營值比較

目前，國內客流預測結果與實際運行情況均存在不同程度的誤差，本文列舉部分誤差較大和預測比較精準的線路，其中上海5號線預測誤差甚至高達422.39%，見表1。

1.2 客流預測誤差產生的原因

城市軌道交通客流預測模型構建十分復雜，影響其預測精度的因素繁多，結合項目實際操作情況，本文主要從技術層面分析相關參數取值的局限性。

表1 部分線路實際運營結果與預測結果比較

1) 對遠期或遠景的用地把握缺乏彈性。結合用地性質對遠期或遠景人口崗位進行預測時，容積率與入住率是很難把握的參數。1 hm2居住用地是承載300人、400人抑或更多，1 hm2商業(yè)用地承載500或者800個崗位等都是難以預測的。

2) 居民出行強度取值理想化。由于各地交通調查對于出行的定義自主性，以及傳統(tǒng)交通調查對于沉默出行的不可避免性，導致各地出行強度取值差異化，或者根本就沒法進行校核與橫向比較。但本文仍對部分城市的出行強度做了相關統(tǒng)計，從圖1中大致可以發(fā)現：北方城市的出行強度略低于中南部城市；大城市出行強度略低于小城市；隨著時間的推移，部分城市出行強度開始逐漸下降。

圖1 部分城市調查居民出行強度Fig.1 Residential trip intensity from city survey

3) 戰(zhàn)略交通結構與現實交通結構的矛盾。目前客流預測中采用的交通結構通常為目標導向，是一種需求結構或者稱之為理想的交通結構，與實際的交通結構一般都存在差距。從表2、3可以看出現狀交通調查數據因城市區(qū)位、經濟發(fā)展狀況、交通需求特征等因素的不同，現狀交通結構也呈現出多樣化的特征；但預測數據卻由于政策或者綜合交通規(guī)劃的要求等，整個公共交通結構占比卻呈現出相同態(tài)勢，這也是導致客流預測偏差的重要原因。

表2 部分城市調查交通結構占比

4) 常規(guī)公交網絡布設主觀性太強。盡管目前通過API接口可以抓取谷歌、百度地圖中的現狀地面公交網絡，但是遠期或遠景地面公交網絡設置往往存在說不清道不明的狀態(tài)，特別是在城市新區(qū)。常規(guī)公交與軌道交通競爭與合作關系的界定，什么時候是喂給關系，什么時候是競爭關系，網絡布設的密度、線路的換乘關系等都需要模型工程師人為設定，這就不可避免地引入了相關誤差。

5) 相關人為及其他因素。為了配合既定工程的車輛選型與編組，人為設置容量限制；為了滿足網絡資源共享，適當干預客流結果；為了滿足其他相關行政要求、規(guī)劃目標，盲目擴大站點吸引范圍等人為及其他因素也影響著客流預測的精度。

表3 部分城市預測交通結構

針對以上諸多不可明確或無法避免的誤差因素，本文從分析現狀運營數據的角度，探尋相關客流指標的內在聯系與規(guī)律特征，以期幫助模型師更好地理解模型結果，把握客流特征，更有針對性地對模型參數進行調教，提高客流預測工作的信度與效度。

2 網絡客流指標特征

2.1 客運量及負荷強度

截至2016年末，國內21座城市擁有2條及以上城軌交通線路，城軌交通網絡化運營已成趨勢。城軌交通全年完成客運量總計160.9億人次，同比增長16.6%。圖2為2015年相關運營統(tǒng)計數據，從圖中可以發(fā)現廣州是負荷強度最高的城市，一度達到2.6萬人次/km，除了幾個已經實現網絡化運營的城市，諸如上海、北京、西安、武漢等大城市在1.5萬人次/km左右，其他城市的負荷強度多集中在0.5萬～1.0萬人次/km，還有很大的客流增長空間。

圖2 2015年城市客運量及負荷強度Fig.2 Passenger volume and load intensity of cities

2.2 平均乘距

通常在軌道交通客流預測報告中，平均乘距主要針對網絡，平均運距則是針對單條線路。網絡平均乘距反應的是乘客在軌道交通網絡內一次出行的乘車行程距離。從國內運營數據(見圖3)可以發(fā)現： 1) 城市建成區(qū)面積越大即城市規(guī)模越大，通常網絡平均乘距越大，但基本都超過10 km，這可能與本次的數據樣本有關，樣本偏向大城市； 2) 同一城市，隨著網絡規(guī)模的增長以及線路層次功能的豐富，整個網絡的平均乘距也是呈現逐步上漲的趨勢，但是增長的趨勢在逐步放緩，這主要是由于居民平均出行距離和平均出行時耗的約束，一個城市長大距離的出行占比是非常低的，主要還是集中在中距離出行上，核心區(qū)軌道網密度和外圍市域線的增加，并不會帶來長距離出行需求本質的增加，因而網絡的平均乘距增速逐步放緩。

圖3 城市網絡平均乘距統(tǒng)計Fig.3 Statistics of average trip distance of urban network

2.3 換乘系數

換乘系數的大小反應網絡中換乘客流占全網客流的比例，通過相關性分析，發(fā)現其與線網規(guī)模、線網平均乘距都存在顯著相關，其中網絡規(guī)模的相關性略大于線網平均乘距。線性回歸得到網絡規(guī)模與換乘系數的關系式y(tǒng)=0.001 7x2-0.001 3x+1.270 1(R2=0.902 1)，在客流分析的時候，可以利用該公式大致匡算一下換乘系數。當然，換乘系數還與網絡結構，網絡中環(huán)線、半徑線的數量等因素相關，應具體問題具體分析(見圖4)。

圖4 網絡規(guī)模與換乘系數的關系Fig.4 Relationship between network scale and transfer coefficient

從北、上、廣、深、成都等城市的統(tǒng)計數據(見圖5)可以看到如下初步規(guī)律：1) 線網規(guī)模在200 km左右時，換乘系數一般不會低于1.4；當線網規(guī)模達到500 km時，換乘系數一般不會低于1.6；當網絡規(guī)模繼續(xù)上漲時，換乘系數則增長緩慢，一般不會超過1.75，但北京這種方格式線網含有2個環(huán)線，諸多半徑線的網絡布局換乘系數會略微高一些； 2) 隨著網絡規(guī)模的擴展，換乘系數在逐漸增加，特別是網絡化運營初期增速明顯，到網絡化運營成熟期，換乘系數增速減緩，可以預見的是成都、深圳、天津、西安等城市隨著網絡的逐漸完善，換乘需求會呈現進一步增加的態(tài)勢； 3) 需要特別注意的是常規(guī)模型中通常忽略不同公共交通模式間的換乘，未來隨著軌道網絡的逐漸豐富，常規(guī)公交的客流會逐步由承擔廊道客流轉化為組團內部出行客流和接駁軌道的短距離客流，軌道交通車站也應該規(guī)劃設置合理的公交首末站，以更好地服務居民出行。

圖5 部分城市網絡換乘系數變化規(guī)律Fig.5 Changing regulation of network transfer coefficient

3 線路客流指標特征

3.1 高峰斷面量級分布

高峰斷面取值的大小決定系統(tǒng)的選型與編組，網絡中各條線路的高峰斷面梯度分布明顯，諸如北京、上海、廣州等城市，單向斷面從1.8萬人次/h～6.4萬人/h不等，說明在一個既有成熟的網絡中，線路是具備功能層次性的，這也要求系統(tǒng)選型應該有所側重(見圖6)。而從目前諸多的客流預測報告中發(fā)現，網絡中線路的層次沒有拉開，大城市過多的普線遠期高峰小時斷面集中在3.0萬～4.0萬之間，快線在1.5萬～2.5萬之間，中小城市普線在2.0萬～3.0萬之間，整個系統(tǒng)斷面分布十分均勻，這在現實運營情況中是很難出現的，究其原因可能是對軌道交通沿線的人口、崗位的預判不足，按照攤大餅式、均勻地分攤遠期人口及崗位，進而導致線路斷面均勻的情況。

圖6 國內典型城市單向高峰斷面值分布Fig.6 Distribution of one-way peak section of typical cities in China

3.2 斷面客流特征

除環(huán)線外，全日斷面與高峰斷面形態(tài)差異明顯，穿越中心城區(qū)的放射性線路全日斷面呈現紡錘體形狀；進入中心城區(qū)的半徑線，全日斷面通常呈錐形，主要是由于強大的向心客流造成的；環(huán)線全日斷面形態(tài)則較為均勻，一般沿線用地開發(fā)較為均衡地呈現矩形，在換乘站有局部波動；沿線土地開發(fā)不均衡的線路，斷面一般會出現極不均衡的形狀，要具體分析。高峰斷面分布相較全日斷面，形態(tài)規(guī)律比較難以把握，但是通常會呈現出明顯的方向不均衡性,進城方向一般會大于出城方向，不均衡性取值的大小主要取決于沿線職住比，并且需要注意的是，線路的斷面形態(tài)也絕非一成不變的，通常會隨線路的延長、新線的開通、沿線土地利用的變化，帶來斷面形態(tài)、量級分布的變化。

從長沙、北京、南京的高峰斷面客流表現出明顯的向心性和潮汐性(見圖7～9)，同一線路不同方向的斷面流量不均衡性明顯，放射線不均衡性大于環(huán)線，郊區(qū)線不均衡性大于市區(qū)線，換乘站越少、越集中的線路斷面流量不均衡性越明顯。部分連接郊區(qū)新城的市郊線路方向不均衡系數(雙向進站客流量比值)超過1 ∶4。

圖7 長沙軌道交通高峰斷面不均衡性分布Fig.7 Unbalanced distribution of transit peak section in Chengdu

圖8 北京軌道高峰斷面不均衡性分布Fig.8 Unbalanced distribution of transit peak section in Beijing

圖9 南京軌道高峰斷面不均衡性分布Fig.9 Unbalanced distribution of transit peak section in Nanjing

通過以上分析以及相關數據整理，大概可以得出如下規(guī)律： 1) 高峰小時斷面在空間上多出現在環(huán)線相鄰區(qū)間或相近區(qū)間； 2) 早高峰時段最大客流斷面在方向上往往為向心型，具備強烈的方向不均衡性； 3) 高峰斷面與全日斷面除環(huán)線外，在形態(tài)上都存在顯著差異。

3.3 客運量高峰小時系數

客運量高峰小時系數主要集中在12%～16%之間，但是有時會因線路的功能定位而出現小幅差異，諸如機場線通常會低一些，進入中心城區(qū)的半徑線通常會高一些(見圖10)。針對同一條線，從時間層面來看，通常隨著時間的推移，客流量高峰小時系數呈現逐漸下降的趨勢，主要是由于經濟水平的提高帶來通勤出行比例的下降所導致的。

圖10 部分城市客流量高峰小時系數Fig.10 Passenger peak hour factor in cities

3.4 斷面高峰小時系數

在實際模型應用中，全日模型應用難度遠低于高峰模型，斷面高峰小時系數是指高峰小時單向最大斷面客運量與全日單向最大斷面客運量的比值，該系數可以有效地幫助檢驗高峰模型中去程與回程比例關系選取的合理性。從統(tǒng)計數據中可以發(fā)現： 1) 同一線路的客運量高峰小時系數通常低于斷面高峰小時系數； 2) 對于穩(wěn)定線路，通常斷面高峰小時系數會隨著時間推移逐漸下降，下降原因通常可以理解為隨著經濟發(fā)展，非通勤客流的比例增加的緣故； 3) 市域線線路的斷面高峰小時系數多在25%及以上，市區(qū)線多為20%～25%，部分連接多個商業(yè)中心的線路稍小，為15%左右，諸如武漢2號線等； 4) 類比亞洲同類城市，諸如日本東京、大阪等，發(fā)現國內斷面高峰小時系數遠低于國外,應該注意到未來可能會隨著軌道交通的TOD(以公共交通為導向的開發(fā))特性，出現居住人口沿軌道站點集聚的特征，進而帶來斷面高峰小時系數增加的可能性(見圖11)。

圖11 部分城市斷面高峰小時系數Fig.11 Section peak hour factor in cities

3.5 平均運距

對城市線路的平均運距及其占線路長度的比例關系進行梳理發(fā)現(見圖12)：線路的平均運距與線路的長度、換乘車站數量、線路在線網中的線位等密切相關，通常市區(qū)線路平均運距稍短一些，一般為10 km左右，近郊市域線路平均運距稍長，一般為10～15 km，也有部分線路更長，甚至達到20 km以上，一般這類線路為機場線路、外圍組團搭接中心城環(huán)線的線路或者大站間距的遠郊線路。從圖12數據還可以看出，長度較短線路的平均運距所占線路全長比例較大，一般為25%～35%，長度較長線路的平均運距所占全長比例較小，一般為12%～20%。

圖12 部分城市線路平均運距Fig.12 Average transport distance in cities

從不同線路類別層面以及同一線路時間層面統(tǒng)計還可以發(fā)現：市域線的平均運距一般大于市區(qū)線，市區(qū)放射線路的平均運距一般大于環(huán)線，線路的平均運距一般會隨著換乘客流的增加而出現逐漸下降的趨勢。

4 車站客流指標特征

4.1 普通站客流

軌道交通車站的進出站量受周邊用地性質和土地開發(fā)強度的影響，規(guī)模從5萬人次/d到20萬人次/d不等，從北京、廣州、深圳、成都這四大城市統(tǒng)計數據可知：絕大多數車站(占比超過55%)的進出站量都小于5萬人次/d(見圖13)。

圖13 不同城市軌道站點客運量統(tǒng)計Fig.13 Statistics of passenger traffic volume of urban transit stations in cities

4.2 換乘站客流

4.2.1 換乘站乘降量

對過往預測數據與現狀運營數據實際對比中發(fā)現，換乘站點的客流結果誤差最為突出，且預測結果通常偏小。究其原因無非是模型中換乘懲罰參數取值過小，可是歸咎到最終原因還是對軌道交通網的理解不夠深入，做模型的時候完全按照常規(guī)公交的思路在做。對于城市空間尺度、平均出行距離、城市用地布局等特征研究不夠深入，過于高估了軌道交通網的可達性。圖中數據顯示換乘站點乘降量全日從5萬到40萬不等，多數集中在15萬人次/d左右，換乘量的大小受到城市規(guī)模的影響較大(見圖14)。

圖14 換乘站點乘降量統(tǒng)計Fig.14 Statistics of passenger transit volume of urban transit transfer stations in cities

4.2.2 全日站點換乘

換乘客流是換乘通道設計的基礎，其預測結果準確與否將直接影響通道設置、節(jié)點樓扶梯布設、車站內部流線組織等后續(xù)工作，從統(tǒng)計數據(見圖15)可以看出換乘站換乘客流通常為其主導客流，換乘率通常在60%左右，大城市與特大城市有少許差距，特大城市的換乘率會略微高一些，主要是由于特大城市基本已實現網絡化運營，客流網絡化效應明顯。

圖15 換乘站點換乘率統(tǒng)計Fig.15 Statistics of transfer rate of transfer stations

從全日換乘站的換入換出客流來看基本均衡(見圖16)，局部差距比較大的站點主要集中在換乘站和多路徑站點，因為路徑選擇的多樣性導致部分客流選擇進出站站點的差異性和進出站客流的不均衡性，但是NHB(非基于家的出行)在整個全目的出行中所占比例是極低的，因此整個彈性出行的量不會很大，這就恰好印證了圖中全日換入換出具備良好擬合性的結果。

圖16 換乘站點全日換乘量分析Fig.16 Analysis of passenger flow in transfer station

4.2.3 高峰站點換乘

總體而言，軌道交通早高峰換乘客流占全日客流比例略大于晚高峰，早高峰主要集中在14%～17%，晚高峰主要集中在10%～13%，換乘客流和全日客流一樣也是呈現出明顯的雙峰特性。從換乘量級來看,早高峰大客流換乘站比例也比晚高峰高，絕大部分車站的單向換乘量低于1萬人次/h，早高峰有52.73%的車站換乘量集中在0.5萬～1.0萬人次/h，32.73%的車站換乘量小于0.5萬人次/h，晚高峰對應的比例則為41.82%、49.09%，而大于1.0萬人次/h的車站主要是外圍線路接到中心城區(qū)的換乘站，諸如四惠、四惠東、西直門、宋家莊、國家圖書館等，這也從側面說明了半徑線單點換乘給網絡帶來極大的影響，很多乘客被迫換乘。

北京高峰換乘客流方向不均衡性(高峰換入客流/換出客流，比值取大于1)，呈現出兩級分化特征，一部分車站換乘不均衡性比較穩(wěn)定，基本維持在1.2～1.5，另一部分車站則呈現出大幅波動特征，從2.7到6.5不等，該類車站主要分布在環(huán)線和外圍接入中心城區(qū)的半徑線。據相關統(tǒng)計， 有7座站分布在北京2號線，6座站分布在北京10號線，5座站為外圍半徑線接入中心城區(qū)的站點，且流向多為換入大于換出，這充分說明了北京環(huán)線在線網中中轉換乘的銜接功能與半徑線規(guī)劃存在末端客流大量換乘的特征。

4.3 站點進出站高峰小時系數

軌道交通車站的進出站量與周邊的土地利用性質和容積率、入住率等指標密切相關，直接影響著車站客流的時間分布特性。按照居住、辦公、商業(yè)、樞紐四類用地主導型將車站分類統(tǒng)計后得到：居住高峰小時系數高于辦公和商業(yè)，樞紐、景區(qū)站點高峰小時系數最低。居住類高峰小時系數一般高于20%，個別車站超過30%，居住辦公類為15%～20%，辦公商業(yè)類為10%～15%，樞紐類為10%左右。

4.4 站點超高峰小時系數

站點超高峰系數是用來描述站點高峰小時不同時刻的客流變化特點，為最高時刻的乘降量與平均時刻乘降量的比值。超高峰系數多數車站的取值都在1.2～1.4之間，有部分車站比較高，諸如南京1號線體育中心站的超高峰小時系數為1.33； 2號線嘉禾望崗、公園前2個換乘站超高峰小時系數均超過2，會江、白云文化廣場等車站超高峰小時系數也超過2，市二宮、三元里站超高峰小時系數分別達到1.6 和1.8； 3號線最大的是石牌橋站，超高峰小時系數也超過2。

4.5 站點進出站客流接駁

在主要特征城市軌道進出站銜接方式構成中，步行占據絕對主導地位(見表4)，一般有超過50%的乘客步行到達或離開軌道站點，表明軌道交通對站點周邊客流吸引力最大。其次，為常規(guī)公交和自行車接駁比例也相對較高，達到35%左右，并且隨站點所在區(qū)域、站點類型等要素不同而稍有不同，位于核心區(qū)的站點步行接駁比例逐步提高，北京部分核心區(qū)站點步行接駁比例甚至達到70%，外圍的站點公交和自行車比例升高到40%，說明外圍站點間接影響范圍相較中心城區(qū)更大，這也從側面表明做軌道模型的時候外圍站點應該適當調整相關公交路由，以便更好地為軌道提供客流支撐。對應交通模型來講，因為進行分配是在軌道交通網和常規(guī)公交的復合網絡中進行分配，故需要校核由常規(guī)公交模式換乘軌道交通模式的量，通常根據城市規(guī)模和區(qū)位的不同，模式間換乘量占到軌道客運量的25%～35%。

表4 北京、上海交通銜接方式構成比例

5 結語

盡管目前城市軌道交通模型發(fā)展迅速，但是作為模型從業(yè)者也應該看到，模型還有很多不足，很多客流特征還需要進一步去把握，精細化模型一定是未來的發(fā)展方向?；诖?，本文從網絡、線路、車站等角度總結了部分城市軌道交通現狀運營特征，希望對有關人員有所啟示，結合本次研究，對進一步提高客流預測水平提出幾點看法：

1) 在交通生成模型中，相關數據的模擬極其復雜，應該從城市發(fā)展的規(guī)律、人口的年齡結構等去研究未來大致的人口分布，不能盲目相信總體規(guī)劃，模型師應有自己的判斷；交通分布模型是四階段模型中最危險的模型，其山川河流、城市結構、建成區(qū)是否連片等因素會導致阻抗的標定非常困難，因此模型師對于模型結果需要用出行距離分布曲線進行宏觀把控，并且對于多組團城市應校核組團職住比、組團區(qū)內出行比例、跨組團的廊道出行交通結構和截面交通量，多進行橫向同類別城市對比分析；方式劃分模型通常也存在戰(zhàn)略結構與模型結構的事與愿違，或者說概率選擇模型在中國積重難返的出行行為中的無能為力，當然，模型師也不能盲目悲觀，而應該辯證地來看，軌道交通作為一種公共服務的供給，用高戰(zhàn)略作為目標導向，可以更好地指導人們去進行供給側的革新；目前交通分配算法多采用tc、emme、cube、vissum等宏觀模型中的內置算法，模型師可操作的程度不多，但是可以多研究迭代關系、算法收斂等內容，進而更好地幫助人們理解模型。

2) 從預測結果與實際運營結果綜合對比來看：過往預測對于客流量的把握過于樂觀，對于換乘客流的把握又過于保守，究其原因主要是交通結構多采用的戰(zhàn)略結構是一種目標導向，不能盲目借用歐美等城市的交通結構，應該根據不同的城市具體分析，換乘則主要是受制于模型師經驗，隨著運營數據特征的逐步積累，相信這一方面會得到逐步改善。

3) 高峰模型的研究難度遠大于全日模型，因此研究斷面高峰小時系數的規(guī)律尤為重要，可以宏觀把握高峰客流斷面量級，當然高峰模型也應摒棄傳統(tǒng)采用同一高峰小時系數的做法，應該按出行目的分類別研究，嚴格標定模型中分目的的去程與回程比例關系。

4) 行車及相關設計人員在對客流數據使用時，不能盲從，需要思考相關指標的合理性，及時對客流預測結果進行反饋。

[1] 王周全,張桐,戢小輝,等.城市軌道交通全網列車銜接優(yōu)化模型研究[J].西華大學學報(自然科學版),2016(1):62-66.

WANG Zhouquan, ZHANG Tong, JI Xiaohui, et al.Optimization model and algorithm for train convergence of urban rail transit network[J].Journal of Xihua University(natural science edition)，2016(1):62-66.

[2] 凌小靜,楊濤,施泉.公交出行分擔率指標探討[J].城市交通,2014(5):26-33.

LING Xiaojing, YANG Tao, SHI Quan.Discussion on public transit mode share[J]. Urban transport of China，2014(5): 26-33.

[3] 劉劍鋒,陳必壯,馬小毅,等.城市軌道交通網絡化客流特征及成長規(guī)律：基于京滬穗深城市軌道交通網絡客流數據分析[J].城市交通,2013(6):6-17.

LIU Jianfeng, CHEN Bizhuang, MA Xiaoyi, et al.Characteristics and increasing trend of passenger flow over urban rail transit network: analysis on passenger flow data of rail transit network in Beijing, Shanghai, Guangzhou and Shenzhen[J].Urban transport of China，2013(6):6-17.

[4] 呂利民,李吳,溫辛妍,等.城市軌道交通短期客流預測方法研究[J].都市快軌交通, 2015,28(2):21-25.

LV Limin,LI Wu,WEN Xinyan,et al.Methods for forecasting short-term urban mass transit passenger flow [J].Urban rapid rail transit, 2015, 28(2): 21-25.

[5] 李勇伶.基于客流預測成果控制地鐵設計規(guī)模[J].都市快軌交通,2015,28(3):3-6.

LI Yongling.How to control the design scale of metro based on passenger flow forecast results[J].Urban rapid rail transit,2015,28(3):3-6.

[6] 全永燊.城市交通客流預測的若干問題[J].城市交通,2008(6):5-8.

QUAN Yongshen.Comments on issues regarding urban travel forecasting[J].Urban transport of China, 2008(6):5-8.

[7] 葉霞飛,明瑞利,李忍相.東京、首爾軌道交通客流成長規(guī)律與特征分析[J].城市交通,2008(6):16-20.

YE Xiafei, MING Ruili, LI Renxiang.Rail transit in Tokyo and Seoul: development trends & characteristics of passenger flow[J].Urban transport of China，2008(6):16-20.

[8] 中國城市軌道交通協會.城市軌道交通 2015年統(tǒng)計和分析[J].都市快軌交通，2016，29(4): 6-11.

China Association of Metros.Statistics and analysis of urban rail transit in 2015[J].Urban rapid rail transit，2016，29(4): 6-11.

[9] 楊軍.地鐵客流短期預測及客流疏散模擬研究[D].北京: 北京交通大學，2013.

YANG Jun.Research on metro passenger flow short-time prediction and evacuation simulation[D].Beijing: Beijing Jiaotong University, 2013.

[10] 四兵鋒，何九冉，任華玲，等.基于時序特征的城市軌道交通客流預測[J].北京交通大學學報(自然科學版)，2014，38(3):1-6.

SI Binfeng， HE Jiuran， REN Hualing，et al.Urban railway traffic passenger flow forecast based on the timing characteristics [J].Journal of Beijing Jiaotong University(natural science edition), 2014, 38(3): 1-6.

MacroscopicIndexforRailTransitPassengerVolumeForecasting

JIXiaohui1,ANShuanzhuang2,YUYichen2,XIEYulei3

(1. China Railway Siyuan Survey and Design Group Co., Ltd.，Wuhan 430063; 2. China Metro Engineering Consulting Corporation, Beijing 100037; 3. Wuhan Metro Operation Co., Ltd., Wuhan 430063)

Passenger flow forecasting is an effective means for demand analysis of urban rail transit since the reliability and validity of passenger volume forecasting results will exert influences on the accuracy of decisions. This article states the characteristics of passenger flows in term of network, lines and stations through sorting out the operational data of urban rail transit systems in over 20 cities, including Beijing, Shanghai, etc., in China. The key indicators of load intensity, average network ridership distance, average line ridership distance, transfer coefficient, section peak hour factor, section non-equilibrium factor, magnitude distribution of transfer flow, station era peak hour factor are analyzed. The characteristics of these indicators are discussed and rules are summarized to help transport modelers understand the rationality of the forecasting results.

urban rail transit; passenger flow forecast; passenger flow characteristics; rules of growth

10.3969/j.issn.1672-6073.2017.06.007

U231

A

1672-6073(2017)06-0039-08

2017-04-05

2017-04-28

戢小輝，男，工學碩士，助理工程師，主要研究方向為城市軌道交通線網規(guī)劃與客流預測，947683336@qq.com

國家自然科學基金項目(71103148)

(編輯：郝京紅)