0 引言
在过去的几十年中，人口的快速增长和城市化进程的推进导致全球大城市的出行需求不断增加，给城市交通系统带来了巨大挑战。公共交通作为一种绿色、经济、高效的出行方式，对满足未来的出行需求和实现城市的可持续发展至关重要[1-2]。与其他交通方式相比，公共交通在节约出行成本与引导城市规划等方面也有诸多优势。但部分地区存在公交线网规划不合理、公交时刻表不协调等问题，使乘客步行距离和候车时间过长、公交换乘不方便[3]。虽然交通管理部门和公交企业投入了大量人力物力优化公交系统，但效果不理想，部分城市还出现了公交服务水平和公交利用率之间相互制约的问题，使得公交系统运行效率降低[1]。而造成这种现象的主要原因是缺少可以有效识别、分析和优化现状公交问题的方法。更重要的是，现有方法通常依据公交客流调查数据[4-5]，“被动”服务现有乘客，会造成潜在公交乘客（目前的小汽车用户）的流失。由此导致公交系统现状问题无法得到有效解决，进而使现有公交用户流失，最终形成公交上座率低、企业运营成本高、公交服务水平下降的局面。所以，许多学者认为，若能有针对性地提高公交服务水平，会促使相当一部分小汽车用户（重新）选择公交出行[6-7]。
大数据对交通规划的影响在迅速增大，推进大数据技术在城市公交领域的应用既能满足区域发展需要，也可有效应对上述问题[8]。为此，许多城市逐步开展大数据分析平台的建设和应用研究。例如，北京交通发展研究中心构建了交通运行智能化分析平台，其数据主要来源于路网摄像头/传感器、地面公交、轨道交通、出租车等。借助多源异构交通大数据资源分析诊断公交系统现存问题，并优化公交系统服务水平和运行效率，从而“主动”吸引潜在客流转化为公交客流，已成为学界的研究热点[9⇓-11]。需要说明的是，本文所探讨的公共交通主要包括常规公交、定制公交和地铁三大类别。多源异构是指数据来源的多样性和数据结构的差异性；公交问题诊断指利用多源异构数据，从可达性、出行时间、换乘次数等角度分析判断公交线网和时刻表存在的问题；公交问题主动优化指通过优化现有公交系统，主动吸引更多的潜在用户（小汽车用户）转化为公交用户[12]。
1 基于交通大数据的公交问题诊断与优化研究分类
本文全面检索了与公交问题诊断、公交系统优化相关的交通大数据研究文献，通过总结归纳，将以往研究的相关问题和研究重点概述为以下4类。
1）第1类研究问题：公共交通从起点到讫点的交通量。这是公交问题诊断的基础，也是所有优化研究的起点。通过对出发地和目的地的大数据分析，可以获取公交用户集中的热点区域和交通流量等信息，从而对公交线路进行精准规划，提升公交服务水平。
2）第2类研究问题：公共交通用户的出发时间与路径选择。这是在起讫点交通量的基础上进一步深化的研究，它关注的是公共交通用户的出行时间和行进路线。通过深入分析用户的出发时间和路径选择，可以预测交通高峰时段和高频线路，对线路配置进行动态调整，从而提高公交系统的效率。
3）第3类研究问题：公共交通用户出行花费的时间。这是公交系统优化研究的重要一环，旨在通过减少乘客的等待和行程时间，提高公交服务的满意度。该问题的研究不仅有助于公交系统更高效的运营，也可增强公众对公共交通的信赖和使用意愿。
4）第4类研究问题：公交系统存在哪些问题，应该如何进行改善或优化。这是最终的目标，也是所有问题分析的终点。通过对前3类问题的深入研究，可以发现公交系统的不足和改进空间，然后采取有效的优化措施，如改进线路布局与时刻表，优化车辆调度方案，提高服务质量等。
通过上述4类问题的逐步深入，可以形成一个全方位、多层次的公交问题诊断与优化理论框架，有助于更好地挖掘公交系统潜力，提升其服务质量，吸引市民选择公共交通出行，助力城市的可持续发展。图1总结了公交问题诊断与优化的4类研究问题及其之间的递进关系。
表1 城市交通大数据类型及数据描述 |
| 交通方式 | 数据类型 | 数据描述 |
|---|---|---|
| 常规/ 定制公交 | GPS数据 | 记录每辆公交车的实时位置、速度、方向，可用于分析线路运行状态、班次间隔等 |
| 刷卡数据 | 记录乘客上车的线路、车辆、时间与地点，可用于分析乘客出行需求、出行时间等 | |
| 轨道交通 | 刷卡数据 | 记录乘客进出站点的时间与地点，用于分析乘客流量分布、高峰时段、出行时间等 |
| 出租车 | GPS数据 | 记录每辆车的实时位置、速度、方向与载客状态，可用于分析道路交通状况、出租车运营状况等 |
| 私家车 | 手机信令数据 | 记录私家车主的移动轨迹和停留时间，可用于分析道路交通状况、出行路径等 |
| 摄像头数据/无线射频 识别数据 | 采集每辆车的通过时间、方向和设备编号，可用于识别车辆的行驶路径和速度等 |
表2 基于多源交通大数据的公交问题诊断与优化主要研究成果示例 |
| 研究内容 | 作者和发表年份 | 模型或方法 | 主要贡献 | ||
|---|---|---|---|---|---|
| 公交 OD 矩阵 推断 | OD矩阵 推断 | Egu等[4] | 交通调查+对比分析 | 对比了基于公交IC卡、大规模OD调查和家庭出行调查3种数据得到的OD矩阵，发现家庭出行调查数据低估了公交出行量，基于公交IC卡的OD矩阵推断是一种更加方便和准确的解决方案 | |
| Gordon等[16] | 关联行程缩放模型 | 提出了一种基于站点和公交车票箱客流量统计的公交客流量缩放方法，以估计非公交IC卡客流量以及无法推断的公交IC卡客流量 | |||
| Qiu等[17] | 基于密度的配对空间聚类算法 | 提出了一种基于配对空间聚类算法和公交IC卡数据的潜在定制公交乘客识别方法，以有效挖掘潜在定制公交乘客的出行需求特征和OD分布 | |||
| 王子懿等[18] | 宏微观数据嵌套分析方法 | 通过将公交IC卡数据等出行大数据与交通调查数据嵌套，研判定制公交的潜在出行需求 | |||
| 乘客下车 站点推断 | Munizaga等[5]； 吴子啸等[19] | 基于乘客出行链 信息 | 假设一张卡对应一个用户，通过挖掘一张卡的出行链信息，结合该张卡下一次上车的位置和时间信息，识别用户的下车位置 | ||
| 公交 乘客 的 个体 出行 行为 挖掘 分析 | 出行时间 | 龙瀛等[20] | 交通调查+对比分析 | 从通勤时间和距离角度，将公交IC卡数据得到的结果与居民出行调查结果对比，证实利用公交IC卡推断公交出行时间的适用性和可靠性 | |
| 出行 类别 | Ma等[21] | 聚类分析+粗集理论 | 使用基于密度的空间聚类方法分析公交乘客历史出行链信息，以识别公交乘客的出行模式，并进一步使用K-Means++聚类分析算法与粗糙集理论对乘客不同的出行模式进行分类 | ||
| Lei等[22] | 时态模式方法 | 基于时态模式方法，揭示各种出行组合以及活动链间拓扑变化的潜在关联性 | |||
| Guo等[23] | 基于乘客出行链 信息 | 基于公交IC卡数据，提出包含出行链生成、OD识别和出行模式比较的3阶段方法，以分析定制公交乘客出行行为的时空特性 | |||
| 陈君等[24] | 互相关距离算法+空间聚类算法 | 使用互相关距离算法与带噪声基于密度的空间聚类算法挖掘公交乘客的时间与空间规律，并依据时空规律与出行强度对乘客群体进行划分 | |||
| 出行 目的 | Han等[25] | 连续隐马尔可夫 模型 | 使用连续隐马尔可夫模型，将公交IC卡数据与土地利用特征数据结合，来判断用户的出行目的 | ||
| Zhao等[26] | 概率主题模型 | 提出了一种基于潜在狄利克雷分配的概率主题模型，以无监督的方式从个体水平的时空数据中挖掘具有代表性的活动分类 | |||
| 出行 路径 | Tao等[27] | 条件流量图技术 | 利用条件流量图技术，基于公交IC卡数据识别出公交乘客的主要出行路径及其时变特征 | ||
| Qi等[28] | 多层中观分析法 | 提出了一种多层中观分析法，利用公交IC卡数据综合分析交通需求（基于路段的OD）、出行时长以及交通拥堵程度 | |||
| Ren等[29]；Li等[30]； Ma等[31] | 基于密度的聚类 方法 | 使用公交IC卡数据与基于密度的聚类方法，获取公交乘客的出行时空特征，并提取潜在定制公交路线 | |||
| 公交 线网 和 时刻 表优化 | 线网 优化 | Pternea等[32]；Yao等[33]； An等[34]；Bertsimas等[35]； 田秀珠等[36]；马昌喜等[37]； 王健等[38]；Wang等[39] | 单层或双层 规划模型 | 以公交系统的运行效率与服务水平为基础，从环境友好、运行时间可靠度、公交网络鲁棒性、公交乘客量、公交总运行时间等不同角度提出了相应的数学优化模型，达到降低尾气排放、提高公交系统可靠度、降低乘客和公交企业成本等目标 | |
| 时刻 表优化 | Sun等[40] | 混合整数 规划模型 | 研究了3种时刻表优化方法，发现能力受限模型在固定容量限制下的时刻表性能最优，而无容量模型可能提供最佳的时间车辆配置方案 | ||
| Wu等[41] | 双层规划模型 | 分析了将出行前和出行中的路径选择相结合的随机公交调度协调优化问题 | |||
| 时刻表 协调性 | Wu等[42] | 单层优化模型 | 提出了一种时刻表协同优化模型，以缩短城市地铁换乘站的乘客等待时间 | ||
| Xiong等[43] | 单层优化模型 | 基于实时乘客到达分布，提出了一种时刻表协同优化方法，解决社区班车与地铁服务衔接问题 | |||
| Chen等[44] | 单层优化模型 | 通过时空网络视角，以最大化乘客可达性和最小化运营成本为目标，建立了定制公交站点选择、线路设计与时刻表编制的一体化优化模型 | |||
| Ma等[45] | 混合整数 规划模型 | 通过建立混合整数规划模型，研究了定制公交服务设计问题，并将车辆路线设计、时刻表制定和乘客分配问题整合到模型中 | |||
| Yang等[46] | 单层优化模型 | 为提高地铁网络在夜间运营时的可达性，提出了轨道交通线网末班车时刻表协同优化模型 | |||
2 公交OD矩阵推断的方法与应用
本章将详细探讨第1类研究问题，着重于公交OD矩阵推断的相关文献梳理与总结。既有研究通常使用公交IC卡数据推断公交出行OD矩阵；在下车不刷卡的情况下，需先进行下车站点推断。
2.1 基于公交IC卡数据推断OD矩阵研究总结
高质量的OD矩阵是进行交通系统分析的先决条件。然而，由于调查成本高且难以实现，OD矩阵并不容易得到。特别是交通拥堵严重的大城市，其交通分区和调查时段的区分更为详细，对调查样本量和调查方法都有更高的要求。使用公交IC卡数据获得OD矩阵与采用传统OD调查方法有本质的区别。传统的OD调查法受调查费用限制，仅能随机选择很小的样本进行调查（5%左右），并且调查数据生命周期短，不能充分、及时地反映出行分布的时空效应[5,47 -48]。同时，小样本调查数据只能揭示特定群体对于不同公共交通选择（如定制公交）的倾向性，无法全面反映所有群体的交通需求和偏好[49-50]。与之相比，基于公交IC卡数据的方法具有调查费用低、调查样本率高，且OD矩阵离散化水平可以根据用户的意愿任意调整（可以表达为车站至车站或小区至小区间的OD）等优点[4]。因此，利用公交IC卡数据推断公交OD矩阵的研究由来已久[16-17,51 -52]。值得一提的是，一些学者已经尝试将大数据挖掘与小样本调查相结合，以期更精确地探析公共交通出行需求，从而更好地适应和满足不同用户群体的多样化需求[18]。
2.2 公交乘客下车站点推断技术研究总结
3 公交乘客个体出行行为的挖掘与分析
4 公交系统优化的策略与方法
4.1 公交线网优化研究总结
4.2 公交时刻表优化研究总结
4.3 公交时刻表协调性研究总结
不同公交线路间以及不同出行方式间的时刻表不协调所导致的公交换乘不方便，大幅降低了公交的吸引力[60⇓-62]。为减少乘客的换乘等待时间，Wu等[42]提出了一个公交时刻表协同优化模型，使所有换乘站点的换乘等待时长相同。基于乘客需求的时变性并考虑车辆容量和车队规模限制，Xiong等[43]提出了常规公交与地铁时刻表优化模型，以解决社区班车与地铁服务衔接问题；Chen等[44]从时空网络视角建立了定制公交站点选择、线路设计与时刻表编制的集成优化模型；Ma等[45]通过构建混合整数线性规划模型，研究了车辆路线设计、时刻表制定和乘客分配的协同优化问题；Yang等[46]研究了末班车时刻表协同优化问题。
5 讨论与展望
为吸引更多的潜在客流转化为公交客流，提高公交系统服务水平和运行效率，许多学者利用交通大数据资源对公交问题诊断与优化进行了广泛的研究，但是已有研究受各方面限制，在关注视角、研究方法、优化方向、模型和算法等方面仍存在不足之处，未来需要进一步改进。图3总结了研究现状与未来研究趋势。本文对公交问题诊断与优化研究的展望如下。
1）研究视角
近年来，交通大数据研究逐渐成为热点，国内外学者开展了大量有建设性的研究工作。但是现有的研究主要关注前3类问题，均侧重对某一出行方式下居民个体出行行为的刻画。此类研究无法分析现有道路或公交系统存在的问题。因此，为推动公交系统的持续发展并提高其效率，建议未来研究将重心从个体行为刻画向系统分析和优化转变，更加聚焦于如何利用多源异构数据深度诊断现有公交系统的问题，并形成针对性的优化策略[63]。这包括开发更为先进的数据处理和分析方法，如数据融合技术、机器学习和深度学习算法，从海量的数据中提炼出有价值的信息，从中发现并诊断现有公交系统存在的问题；构建适用于公交系统的优化模型和策略，针对性地解决公交系统存在的问题，如调度问题等；关注新技术（如人工智能、物联网等）在公交系统中的应用，这些新技术有可能进一步提升公交系统的运行效率，使乘客获得更好的出行体验。
2）研究方法
虽然一些学者已经开始尝试使用公交IC卡数据和GPS数据评价公交线路运行状态[64]，并取得了一些进展，但是这类研究有一定局限性。由于仅使用单一的公交IC卡和GPS数据，缺少其他运输方式信息，现有方法很难全面、准确揭示现状公交系统存在的问题，也无法分析公共交通和其他出行方式间的联系。因此，有必要在未来的研究中利用多源异构交通大数据资源，如公交IC卡数据、GPS数据、手机信令数据以及无线射频识别数据等，对公交乘客和私家车用户的出行OD、出行路径以及时空特征进行深入分析，并借助多源异构数据关联与融合分析技术研究OD对间公交车和小汽车交通需求量的相对关系，从而更准确地确定公交系统存在的问题和改进的方向。例如，如果某OD对间公交客流量小而小汽车流量大，那么可能意味着该区域的公交服务存在缺陷，如服务频率低、线路设计不合理等，需优化改进；如果某OD对间公交客流量小且小汽车流量也小，那么可能是该区域人口密度低、需求量小等因素造成的，此类情况则不作为重点考察对象。通过这种方法可以更精准地识别公交服务存在的问题，并据此进行有针对性的优化。
3）优化方向
现有公交线网和时刻表优化研究的依据是公交客流调查数据。公交客流调查数据面向的对象是现有公交乘客，由此得到的公交线网和时刻表优化方案侧重服务现有公交乘客。对于现状采用其他方式出行，将来有可能采用公交出行的潜在的公交乘客而言，现有的公交系统往往展现出步行距离和等车时间过长、换乘不便等弊端，因此他们对现有公交系统“敬而远之”。鉴于此，未来研究有必要通过交通调查，获取公交与小汽车用户的社会经济特征、空间特征和行程特征，并利用交通调查数据分析小汽车用户向公交系统转移的阻力、动力及其作用机理。在此基础上，可以进一步探讨如何通过优化公交服务的各要素，如可达性、出行时间、换乘次数等，将更多的潜在客流（小汽车用户）转化为公交客流，提升公交出行比例[65]。
4）模型和算法
现有研究往往将公交线网设计和时刻表制定分开讨论。同时，在实践中，受实时客流数据获取困难、道路交通运行状况动态变化等因素的影响，公交线路和时刻表也常被单独分析。尽管如此，考虑到两者之间的相互依赖性和重要的交互作用，以及单独的优化模型无法找到全局最优解[35,66]，未来的研究应从理论和实践的角度探索如何开展更加合理、有效的公交线路设计和时刻表制定，并将二者进行组合优化。具体而言，在理论层面，可以综合运用运筹学和交通网络分析方法，构建公交线网和时刻表协同优化模型，并在优化模型中考虑更多的实际约束，如道路运行情况、公交客流等。在实践层面，也需要进一步探索如何将理论研究成果有效地应用于公交系统的实际优化，包括：①探索如何将时刻表数据与公交线网设计的各方面（如线路布局、站点设置等）相结合，以评估网络设计的合理性并提高公交服务的质量；②开发新的评估方法和优化策略，以加强公交线路的规划，包括识别线路的功能和重要性、根据客流和网络特性优化线路、评估线路调整对客流的影响，使得线路的优化能在满足功能需求的前提下，最大化客流效益。
6 结束语
发展高效的公交系统是减少交通拥堵的基础，也是解决城市交通问题的首选对策[68]。在此背景下，许多学者开始利用多源异构交通大数据资源，对公交系统问题的诊断与优化展开深入研究。本文从出行需求估计、出行路径选择、出行时间测算与公交问题优化4个角度出发，对当前公交问题诊断与优化的研究现状进行了深入的剖析和总结。由于以往研究在研究视角、研究方法、优化方向与模型算法方面存在缺陷与不足，建议未来从用户出行规律分析、多源数据融合、用户转移机理解析与协同优化模型开发等多个方面发掘新的研究方法和方向，以更全面地解决公交系统的问题，推动公交系统的优化和发展。
