轨道交通是城市客运交通极其重要的组成部分，对促进城市健康发展和可持续交通体系形成具有不可替代的作用。从手机信令数据中可以提取手机用户轨道交通出行的信息，在此基础上得到轨道交通车站的客流来源空间分布，对优化完善轨道交通车站交通接驳具有重要意义。

目前已有较多利用手机信令数据研究轨道交通乘客出行的文献。文献[1]选取三个特征：出行信令所在基站服务范围能否覆盖轨道交通线路、信令数据的轨迹与轨道交通线路是否线性相关以及出行速度与轨道交通运营速度是否匹配，构建了基于手机信令数据的轨道交通出行识别模型。文献[2]提出测度地下轨道交通车站客流的原理与技术方法，并通过基站识别软件实测数据来匹配轨道交通各车站及其进出口附近的地上、地下基站。文献[3]在现有上海市轨道交通清分算法基础上，融合移动实时位置信令数据，对换乘行为中的主要换乘路径选择比例进行精细化设置，并对次要换乘路径的换乘比例算法作补充。文献[4]利用手机技术采集的上海市轨道交通南京东路站多天换乘客流结果数据，总结得到该车站的换乘特征与规律。文献[5]借助乘客进出地铁站手机信号需要切换位置区的原理，以北京市地铁二号线车站为例，进一步判断乘客进出站的位置及时间，将乘客进站时间与全日所有出行的出发时间相比较，获取乘客乘坐地铁出行的一次完整出行链，进而得到此次地铁出行的起点。

总体而言，既有研究对从信令数据中提取轨道交通出行的方法与技术已有探索，但受运营商基站数据时效性、信令数据完整性等方面的影响，轨道交通乘客上下车车站的识别准确率不高，轨道交通网络级别的整体分析尚未实现；对车站客流来源分布已有初步探讨，认识到客流在车站周边并非按照理论假设的标准圆形分布，但受限于分析车站数量较少，探讨不够深入全面，且与规划实践缺乏联系。本文以天津市为例，系统总结了提取轨道交通出行信息的计算流程与技术方法，获取天津市轨道交通整体网络客流和所有车站的客流来源分布，对车站客流来源的空间特征进行归纳分类，提出各类车站对应的接驳策略，并在典型车站的接驳公共汽车线路优化中加以应用。

近年来，随着用户手机上网频次的快速增长以及运营商信令捕获与回填日益完善，数据质量已大幅提高，能够相对更完整地记录和还原手机用户的空间活动轨迹。

本文所用手机信令数据在使用前已进行轻度清洗，对连续在同一位置产生的信令记录进行合并，最终的结果主要包含用户唯一识别码、基站唯一编号、开始时间、结束时间四个字段。其中，基站唯一编号，可唯一标识任一运营商、任一基站小区，基本规则为：以短横线连接“MCC国家代码(中国为460)，MNC运营商代码(中国移动、联通、电信分别为00，01，02)，LAC/ENodeB代码(2G为LAC、4G为ENodeB)，cellid/Ci代码(2G为cellid，4G为Ci)”。轻度清洗后的手机信令数据示例为：用户唯一识别码7A9E22112F1487354AB50E1CC539FDC8；基站唯一编号460-00-373731-11；开始时间2019/10/15，7:06:14；结束时间2019/10/15，7:17:16。

本文主要使用天津市2019年10月轻度清洗后的中国移动手机信令数据开展研究。日均活跃用户约980万人，占天津市常住人口的62.7%。日均信令记录14.7亿条，人均日记录数约为150条·d ^-1 。信令记录活跃时段为6:00—23:00，记录时间间隔与用户的手机通信行为及当地核心网络配置相关，短可至毫秒，长可达0.5~1.0 h(取决于周期性位置更新时长或路由更新时长)。为了进一步分析手机信令数据的完整性，将日间活跃时段以30 min间隔划分为34个时段，统计每个手机用户有数据的时段数(见图1)。若某个用户某条记录的开始时间和结束时间跨越多个时段，则认为该用户在这几个时段均有数据，即该用户持续停留在本条记录对应的基站小区内，这些时段内位置未发生变化。统计结果表明，约69.2%的手机用户日间每小时均有记录，主要为本地居民以及部分在津多日的差旅探亲人群；约6.73%的手机用户在津累计逗留时长短于2 h，主要为过境旅客；累计出现时长3~16 h的用户主要为单日差旅办事人群以及较少比例的数据有缺群体(信令捕获失败、回填失败或用户关机、用户退网等原因导致部分时段手机信令数据丢失)。

图1 手机用户总时段数分布

天津市市域范围共包含有效基站7万个，城区基站间隔50~150 m，外围地区150~300 m。移动通信服务在服务空间上分为不同的位置区，跨越位置区时会留下信令记录。在多数情况下，地下轨道交通线路会有专门的位置区提供服务，出入轨道交通车站都会产生信令记录。通过对各轨道交通车站内外基站进行汇总和标记，有助于识别轨道交通乘客上下车车站。通过基站侦测软件以路测方式实现对轨道交通系统相关的基站信息的搜集记录整理，并形成轨道交通基站表，主要字段包括基站编号、所属线路、所属车站、位置等。

获得轨道交通车站客流来源分布需要整合出行OD和乘客乘车信息，计算流程如图2所示。主要过程包括：1)对轨道交通相关基站开展路测工作，得到各车站内外基站数据库，筛选出有轨道交通出行的手机用户；2)对筛选出的用户进行停留点判别和轨道交通出行OD生成；3)将用户乘坐轨道交通的基站序列与轨道交通基站数据库进行比对分析，提取乘客乘坐轨道交通的上下车车站及时间等信息；4)将乘客乘车信息与出行OD配对，得到完整的轨道交通出行链。以车站为单位在一定尺度的网格或基站泰森多边形内集计对应出行OD的总量，即得到不同车站的客流来源分布。计算过程中涉及轨道交通车站基站路测、出行停留点判别和用户乘坐轨道交通信息提取等几项主要技术方法。

图2 轨道交通车站乘客来源计算流程

轨道交通系统内部一般有专门的位置分区(LAC)。乘客进入或离开轨道交通车站时，会产生切换并留下信令记录。车站内外的基站需要进行专门采集和整理，用于提取轨道交通乘坐信息。对轨道交通车站进行基站信息采集有助于提高后续计算的准确度 ^[2] 。本文采用专门的手机应用程序进行轨道交通车站基站采集工作。该应用可实时观察手机接收的基站信号相关信息，记录信号的每一次变换情况，包括网络制式、信号强度、所接收基站的相关配置等，以一定的频率记录被采集者位置或对采集位置进行手动GPS打点标注。

各站需要采集的基站信息包括站外基站、站厅内基站和站台内基站。每个车站在不同采集位置的基站可能不止一个，采集到的轨道交通相关基站如表1所示。

表1 轨道交通基站采集信息示例

为了便于后续流程处理，构建基准轨道交通分析单元(Metro Analysis Zone, MAZ)，将不同车站在不同位置的多个基站归入相应的MAZ中。对于车站 i ，按出入口外、站厅和站台分为不同的MAZ，分别标记为MAZ(1, i )，MAZ(2, i )和MAZ(3, i )。站厅和站台的服务基站可能相同，也可能存在差异，若相同则统一并入站台层，同时站厅层不体现。对轨道交通车站基站进行精细化检测有利于后续乘车信息的提取分析。

按照手机信令数据发生的实际顺序，对每个用户的信令序列进行排序。用 Ri(k) 表示用户i的第 k 条信令记录。则每条信令记录 Ri(k) 中包含了信令发生所对应的基站位置 pi(k) 和时间戳 ti(k) 。用户 i 的信令序列子集为

q 为序列起点， q + n 为序列终点。同时满足式(1)和式(2)则判定此序列为停留状态 ^[6] 。

式中： T 为时间间隔阈值； S 为距离阈值。按照相关研究经验 ^[6-8] 与天津具体情况， T 取30 min， S 取300 m。对于序列内不同基站，按停留时间加权计算得到位置重心并作为停留点的停留位置。 t _i ( q )为停留开始估计时间， t _i ( q + n )为停留结束估计时间。将两次相邻停留点间的基站序列视为出行的轨迹。

理论上可通过用户位置区切换对乘客进出轨道交通车站的行为进行判别，但实际中存在各种情况会影响判别。首先，车站内基站设置情况很复杂，导致非轨道交通乘客在车站周边出现或乘客在乘坐的过程中也可能产生切换。其次，手机信令数据的采集传输涉及环节较多，数据丢失较为常见。此外，位于地上的轨道交通车站没有专门的基站，使用位置区切换直接辨识进出车站存在困难。通过将用户乘坐轨道交通全过程产生的基站序列与各车站间路测获得的基准基站序列进行比较判别，可最大限度利用当前数据推断乘客乘车信息，克服上述问题带来的影响。

本文参考借鉴生物学中DNA序列对比的思路 ^[9] ，设计了一种对用户乘坐轨道交通过程中产生的序列进行综合打分的新方法，以此确定轨道交通乘客的上下车车站及时间，具体包含3个步骤。

1）生成乘坐轨道交通的MAZ基准序列。

首先构建相邻MAZ的连通性关系，连通性关系包括站外与站厅、站厅与站台、相邻车站的站台间三类。串联全网车站，得到全体MAZ的有向图拓扑关系(见图3)。

图3 MAZ连通拓扑网络

生成拓扑图后，可基于Dijkstra算法搜索路径，得到从某个车站站外MAZ至另一车站站外MAZ的所有可能路径，即这两车站之间的基准序列。例如，从车站 i 到车站 u 对应的基准序列为：MAZ(1, i )→MAZ(2, i )→MAZ(3, i )→MAZ(3, i +1)→?→MAZ(3, x )→?→MAZ(3, u )→MAZ(2, u )→MAZ(1, u )。

2）生成实际乘坐轨道交通的信令序列。

获取某个手机用户以时间排序的手机信令数据，根据基站编号映射至对应的MAZ，去除重复MAZ记录(保留首条)，得到时间排序的MAZ信令序列。对得到的序列作截断预处理，筛选出符合比对要求的MAZ信令序列。筛选条件包括：MAZ信令序列的总时长须小于最长时长阈值，即乘坐轨道交通单程最长时长，本文设为3 h；MAZ信令序列的总时长须大于最短时长阈值，即乘坐轨道交通的最短时长，本文设为10 min；MAZ信令序列需要至少包含2个站外MAZ和一个站台MAZ，且首尾均须为站外MAZ；MAZ信令序列中间允许出现站外MAZ或与轨道交通无关的MAZ(0, 0)(由于基站信号漂移或信号重叠导致，实际未出站)，但逗留时长须<10 min，如果某个MAZ(0, 0)逗留时长超过10 min，则将序列截断为前后2个信令序列。

3）实际序列与基准序列对比打分。

截断后的乘车段序列分别与各车站间的基准序列做全局比对并打分，找到最一致、最相似的序列。根据实测信令序列与基准序列比对训练确定序列比对评分参数。结合天津市轨道交通线网现状，设定评分标准为：相同+3分，不同-1分，空格0分(由于手机信令数据非连续采样，即未必在所有MAZ均有信令轨迹，会导致大量空格，因此空格不减分)。最终，挑选比对序列总分≥11分，且分值最高的基准序列作为最优匹配序列，从而确定乘客上下车车站。此外，为提高匹配准确率，提高轨道交通外头MAZ(进入轨道交通前的最相邻MAZ)、轨道交通内头MAZ(进入轨道交通后的第一个MAZ)和轨道交通外尾MAZ(即离开轨道交通后首个MAZ)的权重，具体规则为：若比对序列总分≥11分，且实测信令序列中三类MAZ均存在，则三类MAZ各加1分。

本方法的主要优势在于采用打分制，无须对应所有基站，降低了路测基站不全对识别结果的影响。无数据时，比对结果为空格不扣分，提高了信令数据稀疏采样时的识别精度；序列中允许出现非轨道交通基站，降低了信号泄漏或乒乓效应等异常数据对匹配结果的干扰。与直接通过进出站的基站变化识别轨道交通进出站的方法相比具有更高的可靠性，更有利于在数据不完整的情况下开展识别工作，能够将识别车站由地下站扩展到地上站。

完成上述工作后，分别识别本序列的进出车站和进出站时刻，并进一步与轨道交通出行的信息相匹配，得到进站前的O点与出站后的D点，获得完整轨道交通出行链。

通过轨道交通闸机数据可精确统计各站的实际进站量，将手机数据计算结果与闸机数据得出的准确进站量进行对比，可验证其准确性(见图4)。二者呈现出强相关关系，相关系数为0.88。识别进站量为实际进站量的58%，略低于天津移动的市场占有率，表明计算结果基本合理，可用于交通规划相关的分析。

图4 识别进站量与实际进站量对比

从轨道交通出行的起讫点到达或离开轨道交通车站的过程一般称为接驳，接驳距离远近是衡量轨道交通服务方便程度的重要方面，也可以衡量客流来源空间范围大小。《城市综合交通体系规划标准》(GB/T51328—2018)取800 m作为轨道交通车站直接服务范围的半径，在这个范围内的接驳采用步行较方便，超出该距离则须使用接驳工具。天津市轨道交通出行接驳直线距离达910 m，大于规范标准。

以400 m为间隔统计不同接驳距离区间内轨道交通出行的频率分布与累计频率(见图5)。频率分布曲线呈现距轨道交通车站越远频率越低的总体形态。其中≤400 m的出行比例为37%，>400~800 m的出行比例为32%，二者差距不大；而接驳距离>800 m后，出行频率呈现加速衰减的态势，>0.8~1.2 km的出行比例仅为14%，不足前一区间的一半。总体来看，轨道交通车站800 m直接服务范围内出行端点占总量的比例不足70%，仍有超过30%的接驳需要配置接驳交通工具。其中>2 km需要机动交通接驳工具的出行比例为10%，>5 km的长距离接驳比例仍有3%。

图5 出行端点与对应轨道交通车站间的距离分布

将出行端点映射到按基站位置制作的泰森多边形空间面域单元上，得到天津市轨道交通车站客流来源总体分布图(见图6)。由M5线和M6线形成的组合环线内部区域为中心城区的核心区域，出行OD点集聚在车站周边的态势明显。而环线以外区域，出行OD点密度虽大体也呈现自车站向外由近及远逐步下降的趋势，但不如环线内部区域显著，存在一些远离轨道交通车站但客流量较大的区域，且在空间分布上不连续，呈多点散布形态。这主要是由于车站周边开发滞后于轨道交通建设，客流来源分布反映了轨道交通车站周边开发建设的实际状况。这些远离车站的高客流地区应当是提供公共汽车等接驳服务的重点地区。

图6 轨道交通车站客流来源总体分布

对每一个存在轨道交通出行量的空间单元，分别统计该单元到不同车站接驳数量的多少，以接驳数最多的车站作为该单元的主要接驳车站。将所有空间单元按主要接驳车站的不同以不同颜色显示，可以得到全网各车站的客流吸引范围。与上述方法类似，可挑选出不同空间单元到某线路的最大接驳量车站，消除其他线路车站影响，制作分线路车站吸引范围图。

注：不同颜色对应唯一车站的吸引范围。

图7 轨道交通车站吸引范围

图8为M3线的分车站吸引范围。从图中可看出，车站吸引范围整体呈现从中间到外围逐渐增大的哑铃状分布，城市核心区域车站的辐射范围偏小，主要与车站密度高、车站间吸引范围相互挤压有关。城市外围区域客流吸引范围较大，尤其是线路尽端车站，呈现扇面状的发散态势，显示出外围地区应当在较大范围内提供较好的接驳服务。中环线以内车站客流吸引范围一般仅为0.8~1.5 km 2 。中环线以外地区，轨道交通线路放射性外延，车站吸引范围逐渐增大，且一般呈现与线路走向垂直方向放射的态势，最远范围距车站3~5 km；线路末端车站的吸引范围一般最大，最远可延伸至距车站10~15 km处。值得注意的是，当车站周边存在线路转折，且垂直于线路走向存在高等级的放射性主干路时，该车站吸引范围可沿道路放射方向延伸5~10 km。例如M3线在天塔站附近发生方向转折，车站紧邻由中心城区向外环线外大寺方向放射的卫津南路快速路。该站客流吸引范围明显呈现沿卫津南路方向向环外辐射态势。

图8 M3线各车站客流吸引范围

通过对全网140多个车站客流来源吸引空间分布的分析、比较和总结，可以得到四种主要的轨道交通车站类型，分别是周边服务型(52个)、两侧拓展型(62个)、轴向延伸型(24个)和发散放射型(10个)(见图9)。根据各类型车站客流来源分布形态的差异性，推荐采用不同的接驳策略。各类型车站的客流来源分布特征和推荐接驳策略如表2所示。

注： 以天津市中心城区为例

图9 轨道交通车站类型划分

表2 轨道交通车站分类及接驳策略

天津市轨道交通和公共汽车的运营部门积极开通接驳服务专线，但部分线路与周边客流匹配程度低，服务效果并不理想，甚至发生开通后又取消的情况。选取典型车站，以周边客流来源为基础对接驳线路进行优化，可实现线路与客流的精准匹配。

以地铁2号线的终点站曹庄站为例，车站辐射范围覆盖外环线外的中北镇地区，接驳服务范围内除居住区外，还有宜家、热带植物园等购物娱乐场所，接驳需求较大。现状公共汽车线路沿主干路设置，与客流吸引点契合度不高。根据实际接驳需求的分布位置，调整公共汽车线路(见图10)，利用次干路和支路适当绕行并增加车站，对需求较大的居住小区进行门到门服务，改善接驳体验。

图10 曹庄站辐射范围和接驳线路调整

空港经济区站为地铁2号线东段外环线外车站，服务空港经济区组团、华明组团等区域。其中华明组团主要为居住功能，空港经济区组团北部为就业岗位集中地区，中部有部分居住区。图11a和11b为空港经济区站早高峰时段上下车客流的来源分布。可以看出华明组团、空港经济区组团中部为早高峰上客的主要来源地，空港经济区组团北部为下客的主要目的地。这两类区域的接驳需求在时间上存在明显差异。现状公共汽车接驳线路分别往返于轨道交通车站和空港经济区组团、华明组团之间，潮汐现象严重，单程满载或空载的情况较为普遍。

通过分析客流特征，可设置区分主次方向的环线运营线路，调整方案如图11c所示。早高峰时段的主要方向先经过空港经济区组团北部，完成下客客流的接驳，然后经过空港经济区组团的中部和华明组团，接驳上车客流，最终返回地铁站。晚高峰时段的主要方向与早高峰相反。通过高峰时段差异化设置主要方向和次要方向的发车间隔和行车计划，可有效提升运营效率，提升乘客的乘车体验。通过网络预约、定制化等方式可进一步明确乘车需求，方便车辆在运行中合理变更路线和确定停车车站。

图11 空港经济区站辐射范围和接驳线路调整

本文提出的算法流程和关键技术实现了对天津市轨道交通全网车站的客流来源分析，并总结轨道交通车站类型。针对不同类型车站设计接驳策略，并选取典型车站对接驳公共汽车线路进行优化，显示出手机信令数据具有支撑“一站一策”精准化接驳规划设计的潜力。下阶段将进一步探索手机信令数据与公共汽车刷卡数据、共享单车数据等融合，提供更加全面的轨道交通乘客出行画像和更加丰富的轨道交通车站接驳客流信息。

感谢天津市城市规划设计研究总院有限公司邹哲总工程师在研究过程中给予的悉心指导和点拨。