城市居民活动韧性——新冠肺炎疫情期间轨道客流恢复的实证

居民活动韧性是社会韧性的重要体现。文中从社会韧性概念出发，定性验证新冠肺炎疫情期间居民活动韧性的存在性，定量分析其演进机制。首先，收集了我国境内28个城市在新冠肺炎疫情发生前后近两年的轨道交通逐日客流数据，定义并测度了居民活动韧性，引入逻辑函数对客流恢复过程进行建模分析；其次，从政策调整与行为适应角度建构并分析政府、公众等多元主体的行动调节和学习适应过程。结果显示，轨道交通网络规模越大的城市，居民活动韧性越高；相较于人口小于500万的城市，人口超过1 000万的超大城市工作日客流恢复到50%、80%、90%和100%水平的时间分别提前7、15、47和95 d，越到恢复后期二者差异越大，周末也呈现出相似的规律。同时，工作日刚性出行相比周末弹性出行具有更强的活动韧性，工作日和周末客流恢复的逻辑函数拟合参数α分别为0.019和0.016,H分别为77.07和106.82 d。在首轮疫情之后的疫情再爆发期间，轨道交通客流下降幅度减小，客流日均恢复率是首轮疫情时的1～3倍，居民活动韧性显著提升。研究认为，科学防控所塑造的公信力提升了公众对管控政策的遵守，公众对风险的认知和学习能显著改善活动韧性。...     

不同类型的城市轨道交通车站客流时空分布特征

为明晰轨道交通车站功能类型，防范大客流风险和精细化城市管理，探究不同类型车站客流的时空分布特征，采用高斯混合模型(GMM)建立轨道交通车站类型识别方法，运用期望最大化(EM)算法进行求解，选择南京市轨道交通系统进行验证；从进出站时间分布和出行时间分布2个维度，探讨不同类型车站的客流时间分布规律；从车站间的客流起讫点(OD)分布，分析不同类型车站的客流空间分布规律。研究结果表明：南京市128个轨道交通车站可以划分为居住导向型、就业导向型、职住错位型、错位偏居住型、错位偏就业型和枢纽综合型6类；不同类型车站的客流进出站时间分布差异显著，居住导向型和就业导向型车站呈现出典型的单峰形态，进出站客流比介于[0.23,5.59],具有明显的“早进晚出”或“早出晚进”客流高峰；职住错位型车站呈现出典型的双峰形态，进出站客流比分别为1.19和1.07,早晚高峰时段的进出客流较为均衡；错位偏居住型和错位偏就业型车站也呈现出双峰形态，但2个峰值大小不同；枢纽综合型车站没有显著的进出站客流早晚高峰，客流波动没有明显的规律性；不同类型车站的进出站早晚高峰时段不一致，其中早高峰时段出站时间的高峰比进站时间晚15...     

基于SSA-LSTM组合模型的城市轨道交通短时客流预测

随着我国经济的快速增长及城市化水平的不断提高，轨道交通在居民出行中发挥着越来越重要的作用。作为影响城市轨道交通运营效益和服务水平的关键因素，客流精准预测受到运营管理者和研究者的日益重视。为提高城市轨道交通客流预测精度，提出了基于麻雀搜索算法(SSA)和长短期记忆网络(LSTM)的SSA-LSTM组合模型。本文以杭州地铁一号线客流量数据为例，在选取轨道交通客流相关影响因素的基础上，利用建立的SSA-LSTM模型对相关站点进行短时客流预测，并与LSTM模型、遗传算法(GA)优化的LSTM模型(GA-LSTM)以及粒子群算法(PSO)优化的LSTM模型(PSO-LSTM)预测结果进行对比分析。结果表明，相比于前述参照模型，SSA-LSTM模型的预测精度分别提升了19.1%、9.7%和2.4%,并在均方根误差指标方面有更优异的表现。SSA-LSTM组合模型在城市轨道交通客流预测中具有一定的应用价值，具有协助运营管理者提高城市轨道交通运营管理效益和提高服务水平的潜力。