英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料
高铁车站换乘时间:时空可达性分析
摘要：
高速铁路的可达性不仅取决于站到站的运行时间，还取决于进站和接驳的时间，这是决定总行程时间的因素。以往，对换乘车站的通行时间的可行性分析的研究较少，主要集中在高铁站点区域范围内进站和出站所需时间对高铁可达性水平的影响。本文旨在评估在城市背景下，高铁车站换乘时间的重要性。我们进行了时空可达性分析，考虑了出租车和公共交通出行时间的时空变化。用于公共交通的通用运输进料规范(GTFS)文件和用于汽车的TomTom速度剖面数据用于测量换乘时间。这些数据可以通过网络分析GIS工具计算出一天中不同时段两个站点的换乘时间，从而获得时空可达性大量因素的补充，这些因素在工作日中再现了被访问城市的活动“热点”，这是从Twitter数据中得出的，同时考虑了居住城市的人口。该方法适用于西班牙两个最大的都市地区:马德里和巴塞罗那，在这两个地区，换乘时间的影响对于铁路旅行具有更高的相关性。研究结果显示，的士在日间的进出时间有显著差异，主要受交通挤塞程度及公共交通服务的频率所影响，而这些因素对的士来说总是较为有利。此外，由于人口比活动更倾向于表现出分散的空间格局，因此家庭端加权平均换乘时间和换乘时间要高于活动端。另一个有趣的发现是，高铁旅程的头一英里和最后一英里通常在旅行时间上占很高的百分比(出租车和公共交通分别占其中的35%和55%)。这些结果具有重要的政策含义。建议通过改善地方交通服务、调度协调和土地利用政策，提高高铁的可达性。
1. 引言
高铁(HSR)网络正在成为覆盖大量城市的全面发展的交通系统，并根据旅行目的的不同提供配套的服务。然而，系统中不同城市的服务质量存在不平衡。除了服务相关方面的差异，如速度、频率或票价(Moyano和Coronado, 2018)，车站的位置及其在城市的公共交通网络中的综合性的可达度被确定为与全球铁路连接质量相关的关键因素(Brons et al.， 2009;Givoni和Rietveld, 2007)。
许多研究都集中在站点的地理位置上。位于城市外高速线路上的车站使得往返市中心变得困难，而中央和边缘车站与城市的结合可能更好，特别是在非机动车模式和公共交通方面(Moyano et al.，2018;Troin, 2010)。然而，在大城市地区，即使是得益于一个中央和良好的综合高铁车站，由于仅仅是城市的紧张或在某些城市地区的城市交通系统质量较低，进出的时间可能非常高。
旅行时间是选择高铁作为旅行选择的决定因素(Keijer和Rietveld, 2000;里特维德,2000)。因此，在一些最关键的时间路线中，人们非常关注减少站内旅行时间，以获得一些时间来与航空运输竞争(Vickerman, 2015)。与此同时，人们对高铁车站外部交通时间和车站内部通行的质量的关注要少得多(Tapiador et al.， 2009)。然而，通行时间可能会改变出行模式，有利于选择一种或另一种交通方式，在某些情况下(Martin et al.， 2014)，做出努力(和投资)来改善到达交通或接驳交通的可达性，要比将这种努力用于改善高铁车内旅程(从而减少车内旅行时间)更有效。事实上，在评估高铁出行时间时，不仅要考虑车内出行时间，更重要的是要考虑到“门到门”的出行时间及其在时间上的变化(白天的时间变化)和空间上的变化(取决于整个高铁出行的起点和终点)。然而，在文献中没有分析的例子。
本文旨在对京城地区高铁车站出入时间进行时空分析，进而评估出入时间对整个高铁门到门行程的影响。首次，作者对往返于高铁车站的出租车和公共交通进行了时空可达性分析，并利用新的大数据源精确计算了高铁出行的第一英里和最后一英里的影响对其影响。所得结果对当地的交通及土地使用政策有重要的影响。城市间可达性可通过地方一级的政府行为得到决定性的改善。
本文其余部分的结构如下。第二部分对已有的高铁可达性研究文献进行总结，特别是从高铁站点出入时间、大数据来源在可达性研究中的应用等方面进行综述。第三部分描述了数据和方法。第四部分给出了高速铁路车站进出时间的时空分析的主要结果，以及它们对马德里至巴塞罗那之间总旅行时间的影响。其次，本节讨论车站进出时间的动态，比较不同的交通方式。最后，第五部分是本研究的主要结论。
2. 文献综述
2.1 高铁可达性:进出车站时间的重要性
文献中对高铁可达性的研究得到了广泛的扩展，主要关注的是该基础设施(在提供足够服务的同时)能够显著缩短旅行时间。这些研究对于理解由其服务的城市的新基础设施所产生的区域可达性变化非常有用(Cao et al.， 2013;Chang and Lee, 2008;Gutierrez, 2001; Gutierrez et al.， 1996)，甚至用于评估网络发展的不同场景(Jiao et al.， 2014;这些研究通过使用不同的指标来评估可达性的改善，所有这些指标都基于对旅行时间阻抗的“站到站”测量。其中一些分析倾向于假设高铁系统对可达性的影响远远超出了每个站点，因为这些指标应用于广泛的表面，这可以被认为是对空间可达性的高估(Martinez SanchezMateos和Givoni, 2012)。然而，高铁带来的可达性影响不仅取决于站到站的交通时间，还取决于高铁站点之间的换乘时间。事实上，第一英里和最后一英里的影响可能是“门到门”高铁旅行的决定因素(Monzon et al.， 2016)，但在高铁可达性研究中通常被忽略。Monzon等人(2016)的论文将这一问题放在了前台，但他们以一种相对简单的方式计算了从市政中心到火车站的静态访问旅行时间。
在高铁和航空运输模式选择的研究中，进出站的路程时间尤为重要。这些研究的主要目的并不在研究进出站所需时间，而是分析航空和高速铁路的竞争(Dobruszkes, 2011; Roman et al.， 2007)，其中起始站/终点站的互模性将是一个决定因素。在这些研究中，到达起点站离开终点站被认为是一种平均静态度量条件下用户的模式选择:从出行起点(居住地)到从活动终点(访问城市)离开的时间越短，使用一种交通模式的概率就越高。 一个例外是Martin等人(2014)的一项研究，该研究考虑了不同的概率，根据路程时间从起始点和到目的地大都会区的空间变异性。除了本研究之外，还有许多其他的研究评估用户对传统火车站出行方式的选择。大多数这些研究关注不同运输方式确定局部模态的分析,分析这个概要文件的到达或离开模式在旅行和从火车站(Givoni和里特维德,2007)和评估倾向使用铁路服务(Keijer和里特维德,2000),并有多重要通道进出车站的铁路旅程的一部分乘客(Brons et al ., 2009)。其他更具体的研究评估了自行车作为火车站补给方式的作用，作为多模式旅行的有趣选择(Martens, 2004;里特维德,2000)。
尽管高铁站点的局部可达性的重要性及其融入城市交通网络的是评价高铁出行的决定因素，但文献中对高铁站点之间的通行时间分析的例子较少。事实上，即使受益于良好的区域可达性，进入高铁车站的通道和离开出口时间也可能非常多，尤其是在大都市地区。他们可能会经历很大的变化，这取决于一天的出行时间和选择到达或离开车站的交通方式。大数据资源为高铁乘客的出行时间提供了时空分析的新机会，也为评估其在总出行时间中的重要性提供了新机会。
2.2 可访问性研究中的大数据源
动态可达性分析的重点是评估交通出行时间的时间变化，主要是由于私家车的交通拥堵，以及由于公共交通的频率和时间表的适应性。在这些分析中，新的数据源(所谓的大数据源)扮演着重要的角色。关于交通可达性和可移动性的新研究已开始在其分析中引入这类数据。例如,谷歌Maps Traffic Overlay和TomTom Live Traffic等应用程序允许收集诸如交通量、平均交通速度和实际旅程时间等信息(Bartosiewicz和Wisniewski,2015)。此外, TomTom的历史信息提供了关于汽车速度曲线每日变化的实际观测数据，可以评估拥堵对可达性的影响(Moya-Gomez和Garcia-Palomares, 2015和2017)，甚至可以分析交通网络中的风险真实性。也被定义为链路或网络故障对整个系统的影响(Cui和Levinson, 2017)。在公共交通方面，公交服务频率的变化是动态可达性分析的关键因素。从这个意义上讲，“通用运输规范”提供了公共交通时间表和相关地理信息(路线、站点等)的通用格式，这是非常有用的数据，可用于旅行者的路线分析。自2008年谷歌推出开放平台以来，这些数据已被用于近期的交通研究。研究使用这些数据来评估不同城市或地区的交通可达性(Bok和Kwon, 2016;(Farber et al.， 2014)，并将其与汽车提供的数据进行比较(Salonen and Toivonen, 2013)。其他研究的重点是分析换乘和时刻表对交通可达性的影响(Hadas和Ranjitkar, 2012)，甚至是对公交线路的影响(Huang和Levinson, 2015)，以更好地理解公共交通系统的性能。
除了网络性能之外，每日可达性的分析还应考虑目的地的质量(吸引力)的影响。大多数可达性研究都将人口或就业作为质量因素(例如，Boisjoly和ElGeneidy, 2016;Merlin和Hu, 2017;但是最近新的数据源(Twitter)也被用来反映目的地的吸引力(Garcia-Palomares et al.， 2018)。与这些论文相比，我们的研究集中在高铁的第一英里和最后一英里。公共交通和的士的时空可达性分别采用GTFS文件和TomTom车速资料进行测量。活动结束(被访问城市)的吸引力是通过使用一种新方法的Twitter数据估计的，该方法允许我们识别被访问城市中的旅行者访问的地区。
与传统数据源相比，Twitter等新数据源具有一定的优势。首先，此类信息应反映相关城市主要活动区域(工作人员、游客和/或居民集中的区域)的位置，并允许测量这些日常活动热点的时间变化。这些社交媒体数据提供了大量的时空数字足迹，是关于物理环境和社会现象的宝贵知识来源(Li et al.，2013)[1]。Twitter数据对于理解和量化移动模式的意义已经在之前的论文中得到了证明(Hawelka et al.，2014;罗等，2016;Salas-Olmedo and Quezada, 2016)。相比之下,传统的数据源(例如人口普查和/或就业,)是静态的城市活动:人口普查数据提供的信息空间分布的人口在晚上(居住地),但不是在一天中自己的位置,尽管就业数据是用于衡量白天人口分布,忽视了一个事实:许多人白天在家里。其次，使用这些新信息来源(Twitter或类似的)的一个重要优势是，所提供的数据与同期城市的数据具有可比性;但是，有时很难为所分析的不同个案研究取得最新的就业数据。Twitter数据的主要缺点是它的偏见，考虑到这个社交网络的渗透率因社交群体的不同而不同。[2]比较准确的衡量目的地吸引力的数据源是手机记录;然而，由于它的潜力，获得这类数据是非常困难的。此外，即使有手机数据，也有许多潜在的偏见和不确定性，因为整个人口(因此所有的移动模式)没有被完全覆盖(见Bonnel et al.，2015;王等，2018)。无论如何，下一节中提出的方法允许获得一致的结果，并且可以以类似的方式应用于Twitter和移动电话数据。
3.数据和方法
3.1 研究区域划定
我们的时空方法应用于西班牙最大的两个大都市地区:马德里和巴塞罗那，在这两个地区，出入时间的影响与基于铁路的旅行高度相关。我们考虑了马德里的普埃尔塔德阿托查(Puerta de Atocha)和巴塞罗那的桑特(Sants)的高铁车站。本研究之所以选择这些站点，是因为马德里和巴塞罗那之间的所有高铁连接都是从这些站点出发的。
本文所使用的定界是指在距离主城2公里的500个居民/公里的密度等值线内所占领土面积超过50%的所有城市(MoyaGomez和Garcia-Palomares, 2015)。该等值线是使用密度核ArcGIS工具，使用欧洲联盟欧洲环境局(EEA)参考网格和欧盟统计局人口数据生成的。由于对大都市区的扩展没有独特的定义，本文所采用的界定标准与MUAs定义(城市形态区、IGEAT、ESPON数据库项目)的界定标准相似，但在本例中，人口密度较低的区域被纳入，弱化了“边界效应”的影响。
因此，以马德里为例，研究区包括5 801 809名居民、2 2312公里和39个直辖市，而巴塞罗那市区有4 462 615名居民、2 1420公里和88个直辖市(图1)
3.2数据收集:旅行时间和重量
本文所用的旅行时间数据来自不同的来源。公共交通数据(时刻表、路线、行程、站等)来源于2016年11月23日由不同城市和地区运输机构和运营商[3]提供的GTFS文件。这些公共交通数据与行人网络相辅相成，这将使模拟真实的行人进入公共交通车站和车站。行人网络由开放的交通地图数据得到。本文以70m/min为平均步行速度(Salonen and Toivonen, 2013)。最后，通过GIS软件ArcGIS 10.3的路由计算扩展“network analyst”，将行人数据和GTFS数据结合起来，开发整个公交网络。
在路网中，这项研究使用了TomTom的速度分布数据，这些数据来自用户导航设备报告的平均行驶时间。历史速度曲线定义为每5分钟相对于所观察到的弧线的自由流动速度的百分比。这个数据结构已经准备好在ArcGIS 10.3中使用。得到私家车出行时
全文共18149字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[1282]
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
