李季倬，夏 婷，朱 敏

(四川大學 計算機學院，成都 610065)

1 引 言

伴隨著城市的快速發(fā)展，交通問題日漸突出，交通擁堵日益嚴重[1].居民出行需求的增加與出行時空分布規(guī)律的變化，加劇了城市道路擁堵.公交站點設(shè)置是公共交通規(guī)劃的重要組成部分，優(yōu)化不合時宜的公交站點設(shè)置，可以縮短乘客候車時間、提高公交利用率[2]從而緩解城市交通擁堵.

政府相關(guān)報告[3]顯示，“公交+共享單車”出行方式比“公交+步行”出行方式出行效率提高大概18.6%.共享單車在一定程度上填補了城市交通方式，且對于覆蓋公交盲區(qū)、強化軌道交通優(yōu)勢、解決“最后一千米”問題、完善城市微循環(huán)中發(fā)揮了積極的作用[4].共享單車GPS設(shè)備記錄了單車在某個時刻的地理信息，能間接反映人們出行情況.共享單車數(shù)據(jù)、城市POI(Point of Interest)數(shù)據(jù)、衛(wèi)星光強度數(shù)據(jù)、公交站點位置數(shù)據(jù)等構(gòu)成的多源數(shù)據(jù)集，可以反映出公交線路周邊的人口分布情況、土地利用性質(zhì)等信息，為調(diào)整與優(yōu)化公交站點提供決策依據(jù).

數(shù)據(jù)可視化指的是采用視覺通道的方式來展現(xiàn)數(shù)據(jù)，數(shù)據(jù)的屬性用視覺元素形式呈現(xiàn)出來，使得用戶可以高效地理解數(shù)據(jù)[5].本文構(gòu)建了基于多源數(shù)據(jù)集的公交站點優(yōu)化可視分析模型，并設(shè)計了有效的可視化組件用于展示公交站點各維度屬性，提出了一種新穎的可視化設(shè)計來顯示不同地圖縮放級別下站點附近的POI分布和共享單車分布，設(shè)計了環(huán)形雷達熱力圖來分析公交站點附近人流的時間序列，設(shè)計并實現(xiàn)了可視分析原型系統(tǒng)VisB4B，用于輔助交通規(guī)劃者探索、分析與比較公交站點環(huán)境，通過真實數(shù)據(jù)案例與相關(guān)領(lǐng)域的專家反饋，驗證了VisB4B系統(tǒng)的有效性和實用性.

2 相關(guān)工作

2.1 公交站點優(yōu)化

城市道路交通規(guī)劃中，公交車站點選址通常受土地利用性質(zhì)、沿線客流集散點分布、路網(wǎng)信息等因素影響[6].Alejandro[7]分析了高需求市場中公交站點大小、運行速度、間距和擁堵之間的相互影響，對公交站點位置和間距的理論和實踐進行了全面的回顧.Avishai等[8]提出了一種公交站點布置的數(shù)學模型方法，首次將不均勻地形的影響納入考慮.Cui等[9]主要研究處于交叉路口的公交站點設(shè)置問題，采用CA(Cell automaton)模型建立混合交通流模型，然后根據(jù)交通模擬器的模擬確定最佳公交車站設(shè)置計劃.Saeid等[10]研究了乘客總出行時間成本對于環(huán)線公交建設(shè)可行性的影響.Liu等[11]提出了基于理想布局模塊的公交站點遷移建議.Wu等[12]以出行成本最低為目標，將共享單車服務(wù)融入公交系統(tǒng)規(guī)劃，不僅降低了用戶成本，而且降低了公交運營成本.柳祖鵬等[13]提出了基于時間距離軌跡的公交站點布設(shè)優(yōu)化方法，以降低公交車流的延誤率.

現(xiàn)有的研究從多個方面對公交站點優(yōu)化進行了分析，但并沒有充分利用交通規(guī)劃人員的固有知識、經(jīng)驗和直觀判斷，對交通數(shù)據(jù)進行交互和迭代分析.

2.2 交通可視化

Chen等[14]介紹了交通數(shù)據(jù)可視化的基本概念和流程，概述了相關(guān)數(shù)據(jù)處理技術(shù)，并總結(jié)了用于描述交通數(shù)據(jù)的時間、空間、數(shù)值和分類屬性的現(xiàn)有方法.Zhu等[15]總結(jié)了不同時空數(shù)據(jù)熱點分析的可視化方法框架，并闡述了各類方法的研究現(xiàn)狀和優(yōu)缺點.Li等[16]提取了POI文本中的關(guān)鍵詞，嵌入地理視圖中，用于探索文本分布與空間特征.Pei等[17]利用改進式節(jié)點重要性評價算法、速度矩陣視圖、流圖等對城市交通和公交擁堵模式進行研究.Chen等[18，19]研究了如何探索城市區(qū)域的情感感知以及多時空約束下的城市結(jié)構(gòu)動態(tài)可達性問題.Lee等[20]使用LSTM模型預(yù)測交通擁塞，通過可視化手段輔助用戶探索交通擁堵原因.Zhou等[21，22]致力于城市OD(Origin-Destination)流數(shù)據(jù)的可視分析與研究.Yan等[23]基于共享單車的空間，時間和用戶信息構(gòu)造張量，并使用張量分解來提取并可視化潛在的用戶活動模式.Jin等[24]使用主題模型提取文本化的出租車軌跡，通過多視圖聯(lián)動輔助用戶探索軌跡主題.

現(xiàn)有研究主要集中在交通熱點分析、城市布局分析、交通擁堵分析等領(lǐng)域，對于輔助交通規(guī)劃的研究較少.而且數(shù)據(jù)源較為單一，無法全方位、多角度地呈現(xiàn)環(huán)境復(fù)雜的屬性.

3 數(shù)據(jù)描述與任務(wù)定義

3.1 數(shù)據(jù)描述

本文使用的數(shù)據(jù)包括上海市共享單車數(shù)據(jù)、公交站點數(shù)據(jù)、POI數(shù)據(jù)、衛(wèi)星光數(shù)據(jù)以及市政數(shù)據(jù)，格式如表1所示.

表1 數(shù)據(jù)格式Table 1 Data format

共享單車b中，t為時間戳，id為單車編號，lat與lng為在當前時間戳下的經(jīng)緯度，時間跨度為2017/6/7-2017/6/25與2017/7/16-2017/7/25.在公交站點s中，no為公交線路編號，name為公交站點名稱，lat與lng為公交站點經(jīng)緯度.衛(wèi)星光sl中，light為地點衛(wèi)星光強度，lat與lng為地點經(jīng)緯度.市政數(shù)據(jù)g包括稅率tr、人均年收入in，人均年支出ex，與公交需求運載率q等.城市POIp中，name為城市POI名稱，c為POI類別，共有6類，lat與lng為POI經(jīng)緯度.

3.2 設(shè)計目標與任務(wù)

與交通規(guī)劃領(lǐng)域的專家交流后發(fā)現(xiàn)，對公交站點進行選址及位置優(yōu)化需要考慮多種因素.針對專家們的需求，制訂了以下可視分析任務(wù).

T1 站點環(huán)境分析

交通規(guī)劃者需要建立對站點周圍環(huán)境的整體理解，并對環(huán)境屬性進行分析，找出可能蘊含的潛在模式，以制定站點優(yōu)化策略.因此，提出以下站點環(huán)境分析的底層目標細節(jié)：

G1 土地利用性質(zhì)：該站點附近的土地用途與分布情況如何？如，該位置是屬于生活區(qū)還是商業(yè)區(qū)?

G2 人口分布情況：該站點附近的人口分布情況如何？如，該位置是位于人口密集區(qū)域還是人口稀疏區(qū)域?

G3 人流量時序分析：該站點附近的人流量時序變化情況如何？如，該位置在什么時候人流量最高？為什么?

T2 備選站點分析

交通規(guī)劃者需要在系統(tǒng)推薦的備選站點和自己標注的備選站點間進行對比分析，以確定更合適的備選站點，因此，確定以下兩個分析目標：

G4 備選站點生成：如何生成備選站點?

G5 備選站點比較：對于生成的備選站點，哪一個備選站點是比較好的?

4 公交站點優(yōu)化可視分析模型

4.1 共享單車聚類

隨著國內(nèi)無樁共享單車投放量和覆蓋率的增大，共享單車產(chǎn)生的海量GPS數(shù)據(jù)能反映出人們的活動行為.本文采用共享單車數(shù)據(jù)表示人流量，使用模糊C-均值聚類[25]對共享單車GPS數(shù)據(jù)進行聚類分析，通過聚類發(fā)現(xiàn)單車停放點的簇中心，結(jié)合公交線路/站點、地圖路網(wǎng)信息用于輔助用戶發(fā)現(xiàn)疑似不合理的站點.為了提高計算效率，把整個上海市劃分為88個矩形區(qū)域，對該區(qū)域內(nèi)單車GPS地理經(jīng)緯度進行聚類.考慮到站點覆蓋范圍，將聚簇數(shù)目定為區(qū)域內(nèi)公交站點數(shù)量的一半，以便于觀察站點附近的人流量集中分布點.

4.2 站距優(yōu)化模型

針對公交站點的優(yōu)化，本文使用基于乘客出行時間費用最小的站距優(yōu)化模型[26]，結(jié)合稅率、人均年收入、人均年支出、公交需求運載率等市政數(shù)據(jù)與公交線路數(shù)據(jù)，計算出上海每條公交路線的理想站距，站點理想站距范圍內(nèi)的區(qū)域作為該站點的輻射區(qū)域.本文通過站點的前后站點輻射區(qū)域來定位預(yù)期優(yōu)化位置(G4)，若該站點位于前后站點輻射區(qū)域交集外，則可認其為待優(yōu)化站點，需要在前后站點間公交道路上選擇合適的位置作為備選優(yōu)化站點.

4.3 可視分析模型構(gòu)建

基于上文提及的多源數(shù)據(jù)集、可視分析任務(wù)、單車聚類算法與站距優(yōu)化模型，本文構(gòu)建了基于多源數(shù)據(jù)集的公交站點優(yōu)化可視分析模型.

圖1 可視分析模型Fig.1 Visualization analysis model

如圖1所示，收集上海市共享單車數(shù)據(jù)、公交站點數(shù)據(jù)、POI數(shù)據(jù)、衛(wèi)星光數(shù)據(jù)、市政數(shù)據(jù)，清洗并構(gòu)建結(jié)構(gòu)化多源數(shù)據(jù)集，通過經(jīng)緯度映射、站距優(yōu)化模型、地圖劃分、衛(wèi)星光強度映射、模糊C均值聚類與時空信息統(tǒng)計等操作，實現(xiàn)可視分析目標G1-G5.最后，結(jié)合多視圖可視化與交互聯(lián)動，展示公交站點的各維度信息，實現(xiàn)公交站點環(huán)境分析(T1)與備選站點分析(T2)兩個可視分析任務(wù)，從而幫助城市交通規(guī)劃部門工作人員更好地管理城市公共交通，提高居民出行效率.

5 視覺設(shè)計

VisB4B系統(tǒng)的主界面如圖2所示，圖2(a)為系統(tǒng)的控制面板，用于輸入待查詢的公交線路、選擇需探索的數(shù)據(jù)集、設(shè)置站點優(yōu)化模型參數(shù)、生成備選站點等；圖2(b)-圖2(d)為地圖主視圖，在用戶的交互下，顯示不同的可視化視圖，如POI空間分布視圖、公交線路信息、共享單車聚簇等；圖2(e)為人流量日歷圖，用于分析站點周圍以天為粒度的人流量時序變化情況；圖2(f)為人流量時序分析環(huán)狀熱力圖，用于分析公交站點附近人流量時序演化情況；

5.1 POI空間分布視圖

POI空間視圖用于分析公交站點周圍的土地利用性質(zhì)(G1).為了避免直接使用POI數(shù)據(jù)映射導致的視覺混淆，突出數(shù)據(jù)在數(shù)量上和類別上的差異性，本文利用蜂窩狀六邊形對地圖進行劃分，通過調(diào)整縮放等級，分析不同粒度下的POI類別與數(shù)量.如圖2所示，圖2(b)，圖2(c)，圖2(d)分別大粒度、中粒度與小粒度下的POI空間分布視圖.

圖2 系統(tǒng)主界面Fig.2 Diagram of system main interface

在大粒度下，每個六邊形表示地圖上的一個區(qū)域，主要由兩部分構(gòu)成：外側(cè)環(huán)狀區(qū)域與內(nèi)側(cè)六邊形區(qū)域.外側(cè)環(huán)狀區(qū)域表示該六邊形區(qū)域內(nèi)共享單車的數(shù)量，使用灰度值映射其數(shù)量.內(nèi)側(cè)六邊形區(qū)域在不同縮放等級下顯示不同的POI信息.在中粒度下，六邊形被劃分為6個三角形，同樣使用灰度值映射POI數(shù)量.在小粒度下，每個三角形進一步被劃分為6個等面積的區(qū)域，6個等面積的區(qū)域映射6類不同的POI數(shù)據(jù)，區(qū)域灰色越深表明POI數(shù)目越多.從六邊形中心點往外，6個等面積區(qū)域依次表示醫(yī)療機構(gòu)、居民住房、教育區(qū)域、政府機構(gòu)、旅游景點、公司建筑.

5.2 人流量時序分析環(huán)狀熱力圖

本文針對用于交通數(shù)據(jù)的環(huán)狀熱力圖[27]進行了改進，在圓環(huán)內(nèi)圈嵌入了雷達圖，用于分析公交站點附近人流量時序演化情況(G3，G5).改進的視圖增加了可展示的數(shù)據(jù)維度，還可以通過對比雷達圖的形狀，發(fā)現(xiàn)站點在人流量演化模式上的相似性.本文使用?？抗蚕韱诬嚁?shù)量表示人流量.

如圖2(f)所示，本文將環(huán)狀熱力圖中環(huán)狀部分等比劃分為7圈24列，每圈時間粒度為天，代表一周7天，每列時間粒度為小時，代表一天24小時.劃分之后的每個單元格用灰度值映射某個公交站點附近的人流量.為了發(fā)現(xiàn)在一周中，同一時刻上人流量變化情況，在環(huán)狀視圖內(nèi)部嵌入了雷達視圖.雷達圖使用灰度值表示單車總量，灰色越深則該公交站點附近的人流量越多.雷達圖中也有24個軸，對應(yīng)每天24小時，離圓心越遠，表示該時刻人流量越大.即，雷達圖越接近圓，表示不同日期相同時刻，在站點理想站距范圍內(nèi)的人流量越大.

5.3 輔助視圖

本文使用日歷圖與熱力圖輔助分析區(qū)域人流量變化與人口分布情況.人流量日歷圖用于分析站點周圍以天為粒度的人流量時序變化情況(G3).本文使用日歷圖表示相鄰月份的人流量演化情況.人流量日歷圖有7行9列，每個格子表示一天，從上往下，日期遞增，格子的灰度值編碼人流量數(shù)值.格子所處的行號表示是周幾，這種設(shè)計有助于發(fā)現(xiàn)周期性的演化規(guī)律.人口分布熱力圖用于分析不同區(qū)域的人口密度(G2).本文使用衛(wèi)星光數(shù)據(jù)表示人口密度與繁華程度，將衛(wèi)星光數(shù)值映射到地圖上的熱力圖.

6 案例研究

本文邀請了兩位交通規(guī)劃部門的工作人員與兩位交通可視化領(lǐng)域的研究人員使用了本系統(tǒng)，并收集了4位專家在系統(tǒng)使用過程中的反饋意見.本文通過兩個案例研究和專家反饋驗證系統(tǒng)VisB4B的有效性.

6.1 案例1.站點環(huán)境理解

專家在控制欄輸入框輸入“705”，點擊查詢按鈕，在地圖視圖上顯示705線路的所有站點.為了了解705線路沿途的POI分布情況，專家點擊左側(cè)“Data Sets”中的“POI Data”，地圖視圖被分割為相同大小的六邊形圖.隨著專家調(diào)整地圖縮放級別，地圖上顯示不同粒度下705線路公交站點所在區(qū)域的POI分布情況，發(fā)現(xiàn)沿線大部分區(qū)域都具有較多POI或共享單車.

直觀印象中，公交線路中各個站點之間的站距長度應(yīng)該接近.專家觀察到，相較其他站點，站點A(“楊泰路寶楊路”)距離上一站點B(“松蘭路鎮(zhèn)泰路”)和下一站點C(“楊鑫路楊泰路”)距離較長，故專家對站點A進行詳細分析.

為了進一步探索站點A，專家將POI縮放等級調(diào)至最大，以展示站點A附近POI分布情況.專家點擊“FCM Clustering”按鈕，在地圖上呈現(xiàn)共享單車聚類中心點，以了解站點A附近的人流量大致情況.如圖3(a)所示，在六邊形圖中，專家觀察到站點A所處的5號區(qū)域內(nèi)最內(nèi)側(cè)區(qū)域灰色較深，說明該區(qū)域主要POI為醫(yī)療機構(gòu).此外，站點A離六邊形圖中的單車聚類中心(F1-F4)較遠，表示該區(qū)域人流量較少.而站點C所處的4號區(qū)域內(nèi)，由內(nèi)向外第2層區(qū)域灰色較深，即該區(qū)域主要POI為居民住房，且該區(qū)域存在單車聚類中心(F1，F(xiàn)4)，表明該區(qū)域人流量較大.站點A上方的6號區(qū)域中，由內(nèi)而外的第3層區(qū)域灰色較深，表明該區(qū)域主要POI為教育機構(gòu).如圖3(b)所示，在實際地圖中也可驗證站點A左下方有醫(yī)院H(“楊行地段醫(yī)院”)，站點C上方為居民住宅區(qū)R(“楊泰二村”)，站點A右上方存在中學S(“華東師范大學附屬楊行中學”).

圖3 站點區(qū)域POI分布詳情Fig.3 Stop area POI distribution details

在建立起對站點A附近的POI分布理解之后，為了進一步了解站點附近的人流量變化情況，專家選中站點A，觀察人流量日歷圖，如圖2(e)所示.

專家觀察到在6月7日-6月25日之間，站點A附近人流量較為穩(wěn)定，但在6月10-6月13日期間，站點A附近人流量明顯提高.專家對此很意外，由上文可知，站點A附近主要POI為醫(yī)院、中學與居民區(qū)，專家推測突然提高的人流量可能是由高考結(jié)束后的考生們帶來的.此外，7月人流量明顯小于6月，專家推測可能是因為氣溫升高，人們減少了外出.

上述對公交站點周圍環(huán)境的理解，可以用作調(diào)整公交站點發(fā)車頻率或新增站點的依據(jù)，本文使用2020年3月705公交線路的數(shù)據(jù)對實驗結(jié)果進行驗證.在最新的705公交線路中，站點A與站點B之間新增了站點N1(“楊行鎮(zhèn)”)(經(jīng)緯度：121.447552，31.383228)和站點N2(“鎮(zhèn)泰路富楊路”)(經(jīng)緯度：121.44611，31.388052)，其中新站點N1與圖3中站點A上側(cè)的單車聚類中心F2(經(jīng)緯度：121.446102，31.38362)相對應(yīng)，間隔距離在150米內(nèi).

6.2 案例2.備選站點選擇

專家在控制欄輸入框中輸入“143”，然后點擊查詢按鈕，地圖視圖上顯示出143線路所有公交站點.如圖4所示.圖4(a)中，專家直觀發(fā)現(xiàn)站點E(“都市路向陽路”)與其前后站點相隔較遠，故對站點E進行分析.專家點擊左側(cè)“Data Sets”中的“Satellite Light Data”，在地圖視圖上顯示人口分布熱力圖.圖4(b)中，專家發(fā)現(xiàn)，相較于143路公交沿線的其他站點，站點E所處區(qū)域人口密度較小，可以考慮將站點向下遷移.

圖4 143公交線路異常站點發(fā)現(xiàn)Fig.4 Finding abnormal bus stop

為了進一步探索如何遷移站點，專家點擊地圖視圖中站點E，然后點擊控制欄中的“Generate Solution”按鈕，展示其相鄰站點所輻射的區(qū)域.如圖5(a)所示，站點E(“solution#0”)位于站點F輻射區(qū)域邊緣，距離站點G較遠.如圖5(b)所示，專家點擊站點F與站點G輻射區(qū)域與道路交點，系統(tǒng)自動生成3個備選站點(“solution#1”-“solution#3”)，此外，專家還手動添加了1個與站點E相對稱的備選站點(“solution#4”).

圖5 系統(tǒng)推薦備選站點生成Fig.5 Generation of alternative stop

為了對比備選站點人流量分布情況，專家分別點擊“solution#0”-“solution#4”，查看各個站點人流量周期分布熱力圖.如圖6所示，專家發(fā)現(xiàn)“solution#0”與“solution#1”的人流量時序分布較為相似，與直觀上“solution#0”與“solution#1”相鄰的印象符合.“solution#2”的環(huán)狀圖比前兩者顏色更深，且中心的24h雷達圖更圓潤，即比前兩個備選站點人流量更大、分布更均勻.比前3個備選站點，“solution#3”與“solution#4”的環(huán)狀圖顏色明顯更深，且“solution#4”比“solution#3”中心的人流量時序分布更均勻，因此專家認為“solution#4”是比較合適的備選站點.

圖6 5種方案人流量時序分析環(huán)狀熱力圖比較Fig.6 Comparison of annular thermal maps for time series analysis of human flow in five schemes

本文使用2020年3月143公交線路的數(shù)據(jù)對實驗結(jié)果進行驗證.在最新的143公交線路中，站點E(經(jīng)緯度：121.415019，31.070501)遷移到了站點E′(經(jīng)緯度：121.415745，31.068777)，新站點E′與專家結(jié)論中“solution #4”(經(jīng)緯度：121.415629，31.069047)相對應(yīng)，間隔距離在35米內(nèi).

6.3 專家評估

本文邀請了上文提到的4位領(lǐng)域?qū)＜沂褂帽鞠到y(tǒng)，并在操作之前，對使用流程進行了簡單的培訓.使用結(jié)束后，本文邀請專家對任務(wù)定義中的5個可視分析目標進行評分.此外，就系統(tǒng)的易用性與有用性設(shè)計了2個問題，請專家進行評價.5個可視分析目標與2個問題的具體細節(jié)如表2所示.

表2 目標任務(wù)與問題Table 2 Goals and problems

如表3所示，專家(E1-E4)對5個可視分析目標(G1-G5)的完成度進行了評分，滿分為5分，4項任務(wù)的得分均超過了4分.同時，針對表中的兩個問題，4位專家均給與了積極的評價.交通規(guī)劃領(lǐng)域的專家表示，此前對于公交站點調(diào)整往往依靠居民建議信與實地調(diào)研考察，不僅處理效率較低，而且缺乏可靠的調(diào)整依據(jù).

表3 專家評分Table 3 Expert rating

根據(jù)專家反饋，本方法對公交站點的人流量和POI分布進行了多粒度展示，而且提供了不同站點的比較概覽，對理解公交站點周圍的環(huán)境與選擇公交站點的調(diào)整位置有較大幫助.專家表示本系統(tǒng)中站點優(yōu)化流程清晰易懂，在使用一次之后能很快熟悉操作.此外，專家建議增加快照功能，將備選站點的視圖快照放在同一區(qū)域，便于使用者進行比較分析.

7 結(jié) 語

本文提出了一種新穎的可視分析方法，將傳統(tǒng)公交站距模型與可視分析手段結(jié)合，融合多源數(shù)據(jù)集，從多個粒度上對公交站點環(huán)境進行分析與理解，輔助交通規(guī)劃人員對公交站點進行優(yōu)化與調(diào)整.本方法為交通規(guī)劃提供了新的思路與解決方案，有助于緩解公交擁堵、提高公交運輸效率.

在未來的工作中，可以考慮與交通部門合作，融入道路車輛流速數(shù)據(jù)來對公交站點周圍環(huán)境進行更全面的分析.此外，根據(jù)領(lǐng)域?qū)＜医ㄗh，可以引入自動化方法檢測疑似異常的站點，提高分析效率.