孙雨婷 成洪博 林绵峰 赵净洁 李静

北京北大千方科技有限公司 北京市交通运行监测调度中心

摘 要： 提出了一种构建出行链走行时间模型的方法，该方法首先明确了机场陆侧抵港旅客出行链的定义，选取出行链走行时间进行研究；其次分析了性别、年龄、出行目的及是否携带行李对旅客出行链走行速度的影响，结合路径距离构建出行链走行时间模型；最后在大兴机场选取下客廊桥至行李提取区出口这一区域进行现场实验，验证了该模型的有效性。通过单因素方差分析对模型预测结果和实际统计数据进行对比分析，由P-value值可以看出在0.05的置信水平下，两组数据服从同一分布，得出此模型可以准确的预测旅客出行链走行时间。可作为机场陆侧抵港旅客时间分布的基础，对机场陆侧接续运输进行指导，提升机场旅客出行品质。

关键词： 交通管理;机场陆侧;个体出行链;走行时间;

作者简介： 孙雨婷(1994—),女，陕西渭南人，硕士，助理工程师;

基金： 交通运输部交通运输行业重点科技项目(2019-MS6-113);北京市交通行业科技项目(201902-ZHJC2);

0引 言

随着国民经济的快速发展，我国航空运输行业在过去十几年中取得了长足的发展。2019年，全行业完成旅客运输量65 993.42万人次，比上年增长7.9%。国内航线完成旅客运输量58 567.99万人次，比上年增长6.9%;国际航线完成旅客运输量7 425.43万人次，比上年增长16.6%[1]。通过合理的获取机场陆侧旅客出行链信息，可对机场陆侧旅客出行服务管理提出更精细化、人性化的保障，是提升机场服务品质的重要研究方向。[2,3,4]

现阶段国内外对出行链的研究情况如下：叶玉玲[5]提出城际出行链的概念，构建城际出行链概念模型，建立了引入心理潜变量的SEM-Logit模型，并通过路径选择法建立了基于城际出行链的SEM-Logit模型。王媛[6]基于旅游包车GPS数据，利用基于DBSCAN算法识别旅客出行停留点还原旅客日维度旅游出行链。戴露[7]通过设计不同出行目的类型(通勤、非通勤从及上下学)的出行试验，采集了个体完整的出行链GPS数据。Qian[8]比较通勤与非通勤出行链之间的交通方式选择决策，使用logit模型来估计因素对出行方式选择的影响，包括步行，自行车，公共交通和汽车，运用熵理论对出行者的交通方式选择决策的不确定性进行评价。Cong等[9]利用GPS数据和智能卡数据，提出了进一步提高学生群体下车站识别成功率的改进算法，从而更好的获得学生的行程链和出发地—目的地矩阵。Calabrese[10]从手机数据中提取了出行距离和出行强度等信息，用于研究居民出行需求和特征，并将研究结果用于交通运输中。从以上综述可以得知，目前对出行链的研究主要集中于城市间或城市内部等较大范围区域，而对于机场陆侧这一较小范围区域还鲜有涉及。

1机场陆侧抵港旅客出行链定义及构建方法

出行链是描述行人个体在一段时间内的途经地点(区域)的顺序集合，反映了旅客在空间和时间维度上的活动，则定义机场陆侧旅客出行链为旅客个体从旅客抵港区至多种运输方式接续区所经过路径在空间维度及所对应时间维度的集合。

机场陆侧旅客出行链在空间维度上体现为旅客的出行路径，[11]结合机场内部物理结构，机场陆侧旅客普遍个体出行路径为：当航班抵港机位为靠桥机位时，旅客可以通过廊桥步行至行李提取区；当航班抵港机位为远机位时，旅客可以通过摆渡车到达摆渡车停靠点后步行至行李提取区。旅客经过行李提取区后到达机场到达出口后，可以通过直梯、扶梯或者步行等多种途径到达多种运输方式接续区。

在不考虑抵港旅客存在购物或者其他行为，旅客到达后通过廊桥进入到达大厅，经过行李提取区后到达各个接续运输区。

在不考虑抵港旅客存在购物或者其他行为，旅客到达后通过廊桥进入到达大厅，经过海关测温、边防检查、行李提取、海关检查后到达各个接续运输区。

2出行链走行时间模型建立

在考虑到国内外抵港旅客实际出行链共性的前提下，先选取大兴机场国内抵港旅客出行链中下客廊桥至行李提取区出口这一段链路作为研究对象，分析个人特征对旅客步速的影响，进一步结合出行路径的距离来构建出行链走行时间模型。

2.1 数据采集方案与统计

首先在大兴机场下客廊桥至行李提取区出口这一区域内的旅客步行通道放置录像设备，提前测量所监测通道的直线距离，其次通过视频分析获得旅客步行所花费时间、性别信息以及是否携带行李信息，最后在录像区域外通过问询调查的方式获得年龄段信息及旅客出行目的信息。

经过统计，在对大兴机场航站楼步行通道旅客步行速度的调查中，共采集3 500个旅客样本。对总数据集进行筛选、清洗操作，删除无效样本97个，有效数据共3 403个旅客样本，选取2 903个样本用于分析与建立模型，500个样本用于验证模型有效性。旅客步速的总体情况如表1所示。

表1 旅客步速总体情况 导出到EXCEL

从表1中可以看出，在大兴机场陆侧航站楼步行通道内整体旅客的平均步速为1.41 m/s, 旅客步速直方图如图1所示，可以看出旅客步行基本参数大致符合正态分布。

图1 旅客步速直方图 *载下**原图

使用柯尔莫戈洛夫-斯米诺夫检验与夏皮罗-威尔克W检验对旅客步速样本进行验证，其检验结果表示，在95%的置信水平下， Sig 值大于0.05,说明该样本显著地服从正态分布。

为了分析旅客步速影响因素，将该样本数据与生活性街道行人运动特征[12]进行对比，对比结果如表2所示。

表2 行人运动特征对比 导出到EXCEL

可以发现该数据样本代表的航站楼步行通道内旅客步速平均值、最小值以及最大值均大于生活性街道上对应统计指标，为了建立反映旅客个人特征的步行速度模型，接下来的研究影响旅客步行时间的因素。

2.2 影响因素分析

通过采集数据统计可知，机场旅客的步行速度快慢差异较大，为了探究各类影响因素对旅客步行速度长短的影响，首先建立旅客步行速度推算模型，分析可能对旅客步速造成影响的影响因素，最后根据步行距离与步行速度的比值得到旅客出行链走行时间。

旅客的步行运动受到个人特征的明显影响，影响因素涉及性别、年龄、出行目的、周边环境、道路设施等多方面[13]。考虑到航站楼走行区域与城市交通道路构造以及对应的步行者存在明显的特征差异，首先航站楼内走行区域环境以及设施较为单一，没有机动车辆，对步行者更为友好；其次飞机旅客出行时通常会携带一定量的行李，对于步行速度会造成一定的影响。因此选定的步行速度影响因素包括：性别、年龄、出行目的以及携带行李四个维度，将四种影响因素分为Ⅰ、Ⅱ两类，其中Ⅰ类包括性别、年龄以及出行目的三种因素；Ⅱ类包括携带行李一种因素。

综上，以大兴机场陆侧旅客平均步速为基准的旅客步行速度推算模型表达式如公式(1)所示。

V=∏i=1kθi⋅v+φ         (1)V=∏i=1kθi⋅v+φ         (1)

式中： V 为旅客实际步行速度； θi 为第 i 项Ⅰ类影响因素折算系数； v 为大兴机场陆侧旅客平均步行速度； φ 为Ⅱ类影响因素折减值。

(1)性别

在航站楼内采集的样本中，男性占42%,女性占58%,旅客微观参数统计结果如表3所示，结果显示男性平均步速高于女性平均步速，同时男性步速可达到的最大值高于女性步速可达到的最大值，其步速标准差也高于女性步速标准差，说明男性的步速离散程度高于女性。通过 t 双样本检验，可以得出结论，在 α =0.05水平下，男性和女性的步行速度差异显著。形成这样的差异的主要原因在于不同性别旅客之间的生理与心理差异导致的。

表3 不同性别旅客步速情况 *载下**原图

性别对大兴机场陆侧旅客平均步行速度造成影响的折减系数用 θ 1表示。采用最小二乘法标定性别影响因素折算系数 θ 1,可以计算得到 θ 1的建议取值范围，如表4所示。

表4 性别折算系数 θ 1取值范围 导出到EXCEL

(2)年龄

对采样的人员按照青年(30岁以下)、中年(30～55岁)、老年(55岁以上)这三类进行划分，在航站楼内采集的数据中，老年人占31%,中年人占51%,青年人占18%,其统计结果如表5所示。通过 t 双样本检验，可以得出结论，在 α =0.05水平下，老年人、中年人以及青年人三者之间步速数据有显著差异，形成这些差异的原因是不同年龄段旅客身体素质与心态的差别[14]。

表5 不同年龄旅客步速情况 *载下**原图

年龄对大兴机场陆侧旅客平均步行速度造成影响的折减系数用 θ 2表示。标定年龄影响因素折算系数 θ 2,可以计算得到 θ 2的建议取值范围，如表6所示。

表6 年龄折算系数 θ 2取值范围 导出到EXCEL

(3)出行目的

根据对中国航空市场行为偏好调研可知，商务和旅行仍然是现阶段飞机旅客出行的主要目的[15],两者占比在调查样本中达到了79%,其次是休闲。根据调查可以发现，调查结果如表7所示，出行目的为商务出行的出行者平均步速指标明显高于旅行出行者与休闲出行者相关指标。通过 t 双样本检验，可以得出结论，商务出行旅客与旅行、休闲出行旅客步速相关指标存在显著差异，其中休闲出行的旅客样本数量较少，数据支撑相对不足，可能存在无法正确的反应该类人群总体分布的问题。

表7 不同出行目旅客步速情况 *载下**原图

出行目的对大兴机场陆侧旅客平均步行速度造成影响的折减系数用 θ 3表示。标定出行目的影响因素折算系数 θ 3,可以计算得到 θ 3的建议取值范围，如表8所示。

表8 出行目的折算系数 θ 3取值范围 导出到EXCEL

(4)携带行李

在航站楼内采集的总数据样本中， 不携带行李的旅客占比52%;按照行李体积划分，携带小中大型行李的旅客占比分别为32%、11%以及5%。其中小型行李指背包或18 inch及以下尺寸行李；中型行李指20～24 inch拉杆箱；大型行李指26 inch及以上拉杆箱。旅客步速统计指标如表9所示，通过 t 双样本检验，可以得出结论，无行李旅客、携带小型行李旅客、携带中型行李旅客以及携带大型行李旅客四者之间存在显著差异。从表9中可看出，携带行李对旅客步速造成了明显的影响，且随着行李体积变大旅客的步速逐渐下降。

表9 携带不同种类行李旅客步速情况 *载下**原图

携带行李对大兴机场陆侧旅客平均步行速度的折减值用 φ 表示。对行李的尺寸以及行李引起的旅客步速折减值 φ 进行拟合，可以得到以大兴机场陆侧旅客评价步速为基准的步速折减函数如公式(2)所示。

φ =-4·10-6 x 3-7·10-4 x 2-1.7·10-3 x +0.12 (2)

式中： φ 为携带行李折减值； x 为携带行李尺寸。

拟合结果如图2所示。

图2 行李尺寸折减值 φ 映射关系示意图 *载下**原图

综上，基于步速推算模型的旅客走行时间模型表达式可以用公式(3)表示。

t=Lj∏ki=1θi⋅v+(−4⋅10−6x3−7⋅10−4x2−1.7⋅10−3x+0.12)t=Lj∏i=1kθi⋅v+(-4⋅10-6x3-7⋅10-4x2-1.7⋅10-3x+0.12) (3)

式中： t 为旅客到达时间； Lj 为第 j 架飞机旅客步行通道长度； θi 为第 i 项 I 类影响因素折算系数； v 为平均步行速度； x 为旅客携带行李尺寸； θi 的取值由表10所示。

表10 影响因素 θi 取值 *载下**原图

3出行链走行时间模型验证

选取大兴机场从下客廊桥至行李提取区出口这一区域内的旅客步行通道进行测试，测试人员分别从三条通道汇聚至行李提取区出口，对应的通道长度分别为500 m、550 m以及450 m, 模型验证环境示意图如图3所示。试验共选取500位旅客的步行时间样本数据对旅客步速模型进行验证，三种验证环境分别对应的旅客人数分别为124人、207人以及169人。

图3 实验环境 *载下**原图

首先以旅客个人特征为根据，输入旅客步速模型计算旅客步速，将其与旅客实际步速数据进行对比，结果如表11、图4所示。

表11 旅客步速预测值 导出到EXCEL

其次通过旅客出行链走行时间预测模型得出的走行时间并与旅客实际走行时间数据进行对比，结果如表12、图5所示。

表12 旅客步行时间预测值 导出到EXCEL

通过单因素方差分析对模型预测结果和实际统计数据进行对比分析，分析结果如表13所示。

图4 旅客步速预测直方图 *载下**原图

图5 旅客走行时间预测直方图 *载下**原图

表13 方差分析 导出到EXCEL

根据分析结果可以看到，由P-value值可以看出在0.05的置信水平下，两组数据服从同一分布，预测值可以正确反映实际数据样本的情况。经实验证明，出行链时间模型可以准确的预测大兴抵港旅客在行李提取区至多种运输方式接续区这一区域的出行链走行时间。

4结 语

首先提出了机场陆侧抵港旅客出行链定义并介绍了国内外抵港旅客在陆侧区域走行路径；其次在考虑机场陆侧旅客实际出行链共性的前提下，选取抵港旅客出行链中下客廊桥至行李提取区出口这一段链路作为研究对象，分析旅客性别、年龄、出行目的及携带行李情况对其走行时间的影响，构建走行时间模型；最后在大兴机场实地验证该模型的有效性。

研究成果可作为机场陆侧抵港旅客时间分布的基础，下一步将对行李提取区至多种运输方式接续区这一出行链路的走行时间进行研究，为机场接续运输的运力进行指导，对提升机场旅客出行品质具有重要意义。

参考文献

[1] 中国民航局.2019年民航行业发展统计公报[EB/OL].http://www.caac.gov.cn/XXGK/XXGK/TJSJ/202006/t20200605_202977.html,2020-06-05.

[2] 龙俊仁，周溶伟，邵源.轨道旅客全出行链体验及服务提升策略分析[J].交通与运输，2019,32(S1):132-136+147.

[3] 马雪松.大城市公路客运枢纽客流特征及换乘衔接协调性研究[D].北京交通大学，2016.

[4] 路尧.大型机场旅客城市空间分布预测与交通方式选择行为研究[D].北京工业大学，2019.

[5] 叶玉玲，韩明初，陈俊晶.基于出行链的城际旅客出行方式选择行为[J].同济大学学报(自然科学版),2018,46(09):1234-1240.

[6] 王媛，翁剑成，刘哲，等.基于定位数据的旅游出行链提取方法及客流时空特征分析[J].交通工程，2019,19(01):30-36.

[7] 戴露.基于手机GPS数据的出行端点识别方法研究[D].西南交通大学，2017.

[8] WAN Q,LI Z B,QI Y,et al.Comparing uncertainties in travel mode choice decisions for various trip chains[J].Advances in Mechanical Engineering,2019,11(4).

[9] CONG J M,GAO L J,JUAN Z C.Improved algorithms for trip-chain estimation using massive student behaviour data from urban transit systems[J].IET Intelligent Transport Systems,2019,13(3).

[10] FRANCESCO CALABRESE,MI DIAO,GIUSY DI LORENZO,et al.Understanding individual mobility patterns from urban sensing data:A mobile phone trace example[J].Transportation Research Part C,2013,26.

[11] 褚浩然，郑猛，杨晓光，等.出行链特征指标的提出及应用研究[J].城市交通，2006(02):64-67.

[12] 孙宏亮.生活性街道上的行人微观交通及仿真研究[D].长安大学，2019.

[13] 裴文杰.基于动态博弈论的无信号控制路段行人过街冲突研究[D].长安大学，2018.

[14] 吴江玲，张生瑞，王秋平，等.信号交叉口行人步行速度特性分析[J].武汉理工大学学报(交通科学与工程版),2014,38(06):1295-1299.

[15] 杨静，代盛旭，李思涵，等.机场APM系统步行通道服务水平研究[J].北京建筑大学学报，2019,35(04):1-6.

声明： 我们尊重原创，也注重分享。有部分内容来自互联网，版权归原作者所有，仅供学习参考之用，禁止用于商业用途，如无意中侵犯了哪个媒体、公司、企业或个人等的知识产权，请联系删除，另本头条号推送内容仅代表作者观点，与头条号运营方无关，内容真伪请读者自行鉴别，本头条号不承担任何责任。