沈云樟 | 上海公共交通模型发展及关键技术

上海市公共交通系统由公共汽电车、城市轨道交通、出租汽车、轮渡交通共同组成。20世纪80年代，公共汽电车系统规模最为庞大，功能相对独立，是公共交通的主体。相应的，公共汽电车乘车难也是当时最突出的交通问题之一。为缓解供需矛盾，把握公共交通客流特征和规律，上海市借助美国技术援助建立了初步的公共交通模型，并在此后多次更新，为当时一系列的公共交通规划和政府决策提供了支持。

21世纪以来，上海市进入到机动化和城镇化快速发展的时期，特别是城市轨道交通网络加快形成，逐渐取代公共汽电车系统成为公共交通的主体网络。为了适应公共交通转型的需要，再次提升公共交通规划决策领域的技术水平，上海公共交通模型进行技术更新，完善目标功能和框架结构，为世博会交通组织、虹桥枢纽规划等重大研究提供了帮助。

近10年，随着中心城区城市轨道交通基本网络的建成，轨道交通的发展开始转向城际铁路、市域(郊)铁路和中运量城市轨道交通等多种方式，运营管理的难度和压力也不断变大。多层次网络规划、精细化管理要求等目标对模型提出新的挑战，如何结合当前的信息化大数据，进一步完善和提高公共交通模型水平，成为这一阶段模型发展的重要课题。

回顾总结上海公共交通模型在各个阶段的研究背景、功能、技术和应用情况，既能指导未来模型的发展方向，更好地为相关研究和决策服务，也能为其他城市提供经验借鉴，是十分必要的工作。

改革开放以来，上海市社会经济得到快速发展，城市交通基础设施面临的需求增长压力也日趋突出。当时最突出的问题就是公共汽电车乘车难，供求矛盾十分突出。与此同时，城市交通规划的重心也逐渐由道路网络规划转向公共交通规划。要统筹解决公共交通的问题，做出合理科学的决策，就必须以定量分析为前提，建立能够反映供需矛盾特征、预测未来客流趋势并对规划方案进行测试评价的公共交通模型。

1981年，上海市公用事业研究所与原上海市公共交通公司合作开展包括7万居民和2 600名外来旅客的出行调查，并在调查数据的基础上，借助国外技术援助，建立了最早期的市区公共交通规划模型。该模型以城市轨道交通和公共汽电车乘客为研究对象，研究范围约为200 km²(当时市区范围)，划分交通小区约200个。此后，在1986年、1995年和2004年，上海市分别开展了三次综合交通调查，逐步将模型的范围从市区拓展到中心城区再到全市域，交通小区规模从约200个增加到约500个再增加到1 000个左右；公共交通线网也在早期市区范围的100多条基础上不断增加，最终形成覆盖全市范围由4条城市轨道交通线路和1 000多条公共汽电车线路构成的网络；交通体系从公共交通延伸至道路交通、对外交通枢纽等综合交通系统^[1]。经过20多年的发展，市区公共交通规划模型升级成为综合交通规划模型，为上海市第一、第二次综合交通规划，城市轨道交通基本网络规划，交通白皮书，综合交通战略等规划类项目和地铁1，2，3，4号线工程可行性研究等重大工程类项目提供了定量分析的依据。

上海公共交通规划模型构建主要解决的是OD在交通网络中的客流分配问题，关键技术包括分配算法和分配参数。

模型采用的客流分配算法是世界上较为流行的最优策略分配算法，核心思想是乘客会选择成本最低的路径，目标函数涵义为寻求线路上的总人小时和节点站台上的总候车人小时之和最小的路径选择方案。具体函数形式为

式中：t₁为路段上公共汽电车的运行时间/min，v₁为路段上断面客流量/乘次，W(L_i)为线路在节点i的乘客等待综合时间/min，V_i为线路在节点i的上客量/乘次。

分配参数是指影响公共汽电车客流分配的各种交通阻抗成本和相关的权重因子。在当时的技术条件下主要以出行时耗作为阻抗度量，通过公共汽电车网络参数(车速、发车间隔等)在模型中予以体现；权重因子是车内时间、等车时间、步行时间等各种不同时间的权重(反映乘客感受的系数)，按照当时的月票OD调查和客流统计数据反复标定得到。

上海公共交通规划模型从上层的综合交通规划模型而来，具有较为简单的客流模拟与分析功能，适用于远期网络及骨干走廊和线路的客流预测分析，典型应用项目包括20世纪80年代的“公交线网优化评价”、90年代的“地铁1、2号线工可客流预测”和2000年以后的“上海轨道交通基本网络规划”等。下文以上海城市轨道交通基本网络规划为例进行说明。

一方面，上海公共交通规划模型结合传统的四阶段法对不同网络方案的客流规模和效益进行了预测评价，为最终推荐方案提供了各类客流指标。另一方面，在基本网络构建和线路选取的过程中，上海公共交通规划模型还为识别既有和潜在的客流走廊发挥了重要作用。客流主流向的识别是网络构建和线路选取的关键，过去主要通过定性判断，在地图上勾画出客流流向。而上海公共交通规划模型模拟了现状、近期和中远期的客流分布，识别出远期网络中既有和潜在的客流走廊(见图1)，使用了“期望线判断法”“蜘蛛网分配法”“道路网分配法”和“轨道网分配法”四种模型测算方法。其中，前三种方法主要用于规划网络构建，确定城市轨道交通网络的主骨架；第四种方法则用于具体线路选取，识别既有和潜在的线路及相应的量级规模^[2]。

图1 2003 年绘制的上海城市轨道交通既有和远期潜在客流走廊

资料来源：文献[2]。

2007年11月29日，上海市领导及相关部门提出：对于上海这样巨型城市，建立模型体系是很有必要的，能够有效地帮助政府进行科学的交通决策和管理；模型研制要紧紧把握可信、实用、时效三个要点，统筹兼顾，将长远发展与解决实际热点问题密切结合起来，要注重对既有交通动态信息数据的采集和利用，保持模型的持续更新^[3]。

随后，经过充分调研和前期准备，由原上海市城乡建设和交通委员会牵头、原上海市城市综合交通规划研究所具体承担了建设上海综合交通模型体系的任务。其总体目标是：面向上海国际特大城市的交通规划、建设和运行等顶层决策和综合管理要求，将既有综合交通规划模型扩建为上海综合交通模型体系，覆盖公共交通、道路交通、对外交通三大交通系统，具有现状分析、中长期预测和近期预测三大功能(见图2)。作为综合交通模型体系的重要组成部分，公共交通系统模型由公共交通规划模型升级而来。

图2 上海综合交通模型体系框架

资料来源：文献[3]。

既有公共交通规划模型的研究对象是中长期城市轨道交通及公共汽电车规划，预测和分析的重点是宏观层面总体网络规划和评价以及中观层面城市轨道交通线路客流特征。而公共交通系统模型的功能目标是：

1)继续完善既有模型在线网规划层面的功能，提高模型精度和可靠性，并重点提升公共汽电车系统在区域、走廊等中观层面的分析和评价功能；

2)面向城市轨道交通运营管理，重点提高模型对高峰时段城市轨道交通线网、线路和车站层面的分析功能；

3)基于历史运营数据规律，拓展模型对短期客流发展趋势的预报功能。

根据上海综合交通模型体系的流程结构(见图3)设计，公共交通系统模型作为其中一个子模型，输入来自上位市域交通出行需求模型输出或基于现状调查的城市轨道交通主方式OD表和公共汽电车主方式OD表；输出既包括城市轨道交通和公共汽电车在线网、线路、走廊、车站等不同层面的客流分布特征及供需评价指标，还包括上位模型中计算人员出行阻抗和效用函数所需要的出行时耗、距离、费用、换乘次数等特殊矩阵(skim matrix)。

图3 上海综合交通模型流程结构

资料来源：文献[3]。

为实现上述功能目标，在既有公共交通规划模型分配参数的基础上，公共交通系统模型一方面梳理和细化了既有以出行时耗为主要阻抗度量的参数，另一方面增加了其他相关影响因素，使模型分配与实际情况更为接近。具体包括三个方面：

1）提高时间阻抗的准确性

模型中的时间阻抗包括路段时间和节点时间。

① 路段时间

路段时间是指乘客通过路段所花费的时间，主要受运送速度影响。按照交通方式可以分为城市轨道交通车速、公共汽电车车速和辅助方式速度(在不考虑接驳方式链模型的前提下，以人员步行速度为依据)。

公共交通规划模型构建时城市轨道交通尚处于规划设计阶段，没有相关运营经验和资料，城市轨道交通车速主要参照设计速度；公共交通系统模型则按照实际运营的城市轨道交通运送速度，构建车站间距与旅行速度的函数，依据城市轨道交通线路经过的不同区域分别设置路段时间。

公共交通规划模型中，公共汽电车车速按照线路首末站之间的全线旅行速度设定，从实际来看，由于运行线路经过区域的道路拥挤情况各不相同，线路旅行速度难以反映车辆在不同区域的实际运行效率；公共交通系统模型则以同路段道路车速为依据，按照道路模型(经校核后)输出的分区域分道路等级的平均车速设定，并基于车辆GPS车速考虑公共汽电车与道路车速在不同区域的折减情况。

② 节点时间

节点时间包括上车时间和等车时间。

上车时间在不考虑拥挤无法上车的前提下，按照车辆的停站时间设定，通常城市轨道交通上车时间大于公共汽电车。

等车时间与乘客的到达方式和车辆的发车间隔相关。在不考虑乘客因为车辆容量限制而无法上车的情况下，模型中假定乘客到达车站时间均匀分布，车辆到达服从负指数分布，则等车时间通常为该车站线路发车间隔的一半。

2）增加费用阻抗

① 时间价值

费用成本的单位是元，模型中折算为时间需要确定时间价值。时间价值根据居民调查和当年上海居民可支配收入确定。

② 城市轨道交通费用

根据等级票价制度，建立票价与里程的近似函数Fare=k*Len+C，其中，Fare为城市轨道交通票价/元；Len为乘车里程/km；C为常数项/元，计入上车费用中，作为使用城市轨道交通的“起步价”；k为一次项系数/(元·km^-1)，标定在路段延误函数中，按照每个乘客乘坐的里程计算费用(见图4)。

③ 公共汽电车费用

公共汽电车票价包括单一票价和多级票价，单一票价基本为城区线路，按照线路统一设置；多级票价通常为市通郊的长距离线路，与城市轨道交通类似，按照票价与里程关系得到成本函数。

④ 换乘优惠费用

为提高公共交通吸引力，鼓励市民多乘公共交通，从2008年开始，上海市实行公交换乘优惠政策，即在90 min内持交通卡刷卡换乘可优惠1元。换乘优惠政策适用于公共汽电车相互换乘和公共汽电车与城市轨道交通之间的换乘(城市轨道交通内部换乘成本为0)。为解决换乘优惠的费用设置问题，模型引入“旅程等级”概念，将一次公共交通出行按照其所使用过的交通工具进行分类，对于不同旅程等级设定不同的上车费用。乘客的一次出行分为三个旅程等级：0级，尚未使用任何交通工具；1级，使用过公共汽电车以后；2级，使用过城市轨道交通以后^[4]。

每个乘客均从0级开始，当其使用交通工具后晋级至相应等级。需要注意的是，等级只能上升不能下降(使用城市轨道交通后再使用公共汽电车依然是2级)，并由此设定不同等级下的上车费用。0级为初始设定的上车费用，城市轨道交通和公共汽电车分别为r₀和b₀，各等级费用设定如表1所示。

3）还原权重因子实际含义。

乘客采用不同交通方式产生的时间效用不同，如相同时间的乘车和步行人的感受不相同。因此，需要设定各类交通方式的时间成本权重，作为综合成本的一个内部因子。由于这种权重因子属于主观判定，无法通过客观调查获得，公共交通规划模型根据实际拟合效果来标定，缺乏物理含义的依据；公共交通系统模型在其他参数(时间和费用)细化后，将权重因子按照其含义的国际经验值来考虑，并做了与实际客流的精度对比，保证其准确性。

为了提高模型对高峰时段城市轨道交通系统的客流分析功能，公共交通系统模型构建了专门的城市轨道交通高峰拥挤模型。

1）高峰时段分配参数

高峰时段分配参数除了与全天模型一致的时间成本、费用成本外，由于高峰客流的积聚性、方向性和拥挤性等特点，还包括乘客在选择路径时考虑的车厢舒适度和站台拥挤影响。

① 车厢舒适度阻抗函数

车厢舒适度是指由于车厢内乘客数量多寡产生的乘车环境给乘客带来的感受。拥挤造成的乘客舒适度低的情况在模型中作为路段运行时间的额外开销。车厢舒适度阻抗函数

式中：t为考虑乘客舒适度和运行时间的综合成本/min；t_α为路段运行时间/min；voltr为车厢断面客流量/乘次，Capacity为车厢容量/乘次；α，β为标定参数。

② 车站拥挤阻抗

车站拥挤阻抗由乘客等车时间和因车厢拥挤无法上车所引起的延迟时间综合而成。在非拥挤状态下，乘客平均等车时间为发车间隔的一半；而高峰时段部分乘客存在等两班车甚至更多的情况，等效于线路的发车频率降低，借鉴国外的“有效频率”概念，得到站台拥挤阻抗函数为

式中：f(v)为考虑站台拥挤的有效频率/辆；f为单位时间实际发车频率/辆；c为一辆车的载客能力/(乘次·辆^-1)；v_α为当前车站上车乘客量/乘次；v_α’为当前车站出发的公共汽电车路径段(Segment)的流量/乘次；fc-v_α’-v_α为上车前路径段剩余容量/乘次；β为待定系数。

2）高峰拥挤分配算法。

相比于全天，高峰时段存在由于拥挤延误而造成客流重新选择路线的情况，单一路径分配的最优策略算法无法体现拥挤状态下乘客的多路径选择行为。因此，需要在最优策略算法的基础上进行相应改进以适应客流动态迭代的要求。借鉴道路平衡分配法的原理，出行者会通过向整个路网寻找出行成本最小的路径这一目标来实现路网系统的总出行时间最小，即出行者成本与路网系统成本之间达到了平衡。计算公式为

式中：G(v)为网络总综合成本/min；a，A分别为路段编号和集合；i，d分别为出发地和到达地编号；t_a(v)为路段a上对应流量v的综合成本/min；为路段a上到目的地d的流量/人；f_a(v)为路段a上对应流量v的公共汽电车最大等车频率/(车次·h^-1)；为出发地i到目的地d的需求/人；为出发地i到目的地d对应流量v的出行综合成本/min。其数学含义为各路段总人小时与路径总人小时恒等，各OD对之间没有一个能再找到一条更小成本的路径来降低成本了，即达到网络平衡的状态^[1]。

上海综合交通模型体系要求模型具有现状模拟、长期预测和短期预报功能。其中，现状模拟和长期预测功能在既有上海公共交通规划模型中就已经实现，因此，短期预报功能就成为公共交通系统模型改进的又一关键技术。考虑基础资料和应用需求，公共交通系统模型重点构建面向城市轨道交通的短期预报模型。

短期预报和长期预测是按预测期与现状年的远近来区分的^[5]。长期预测一般针对城市规划年或远景年的日均或工作日日均交通特征预测，短期预报则主要针对未来1~2年的年、季度、月、日甚至时段的交通特征预报。两者在预测目的、依据和精度要求上有着明显的差别(见表2)。基于上述差异，短期预报的技术路线不同于一般长期预测，具体技术流程如图5所示。

1）客流总量预报

基于历年的客流变化规律进行客流总量预报，得到反映客流变化规律的稳定参数。这些规律包括：①年变规律，即城市轨道交通客流年变化系数，反映客流与网络及用地变化的情况；②月变规律，即一年内12个月的客流变化系数，反映季节、长假等因素对客流的影响；③周变规律，即每个月内各周的客流变化系数；④周日变规律，即一周七天内的变化系数，反映工作日和节假日的差异性；⑤时变规律，即一天24 h的客流变化系数，反映高峰时段和平峰时段的差异。

2）空间分布预报

基于现状城市轨道交通的站间OD进行空间分布预报。主要存在两种情况：

① 预报期城市轨道交通网络与现状相比无变化，城市轨道交通客流分布预测主要依据现状城市轨道交通站间OD进行统计。采集多日OD数据并平均化以形成稳定的空间分布特征，再按照客流总量预报的变化，假定空间特征在网络不变的情况下与现状类似，将总量变化分摊到各OD对中，从而完成对城市轨道交通站间OD的直接调整。

② 预报期城市轨道交通网络与现状相比发生了改变，网络客流会产生新的需求和特征的改变，这时仅仅依靠现状城市轨道交通站间OD已经无法反映这些新变化，需要借助该年份上海综合交通模型体系输出的城市轨道交通主方式OD表。该OD能够有效反映线网与用地之间的相对变化关系，但不能直接用于客流特征预报。这是因为：一方面，上海综合交通模型体系输出的OD表是基于交通小区而非城市轨道交通车站，无法与现状统计OD进行直接比较；另一方面，上海综合交通模型体系是宏观模型，预测精度达不到短期预报要求。因此，还需对OD进行一定处理：基于客流分配技术获得交通小区OD与城市轨道交通站间OD的对应关系，将小区OD转换为城市轨道交通站间OD，再依据客流总量预报的变化，对OD表进行平衡控制并调整得到最终成果。

3）客流特征预报

根据空间分布预报获得的城市轨道交通站间OD和预报期城市轨道交通网络，基于客流分配模型，预报各线路日均及工作日日均客运量、高峰小时断面客流量和拥挤度等客流特征指标。

上海市综合交通模型体系历时三期，于2013年通过国内外专家评审正式结题。这也标志着作为重要子模型的上海市公共交通系统模型进入了成熟阶段。公共交通系统模型的框架结构趋于稳定，能够对公共交通发展历程中遇到的各类交通问题开展定量分析，在规划、建设、政策和运营管理等不同类型项目中发挥重要作用。

对于规划类项目，公共交通系统模型延续了公共交通规划模型面向网络层面的客流预测和方案评价功能，并经过参数更新和技术升级，使模型的精度更高，满足相关规范对规划层面客流特征指标的预测要求(见图6)。典型应用项目包括“上海市轨道交通第三期建设规划(2018—2023年)客流预测”“上海市松江区有轨电车近期建设规划(2021—2025年)客流预测专题报告”等。

资料来源：文献[6]。

对于建设类项目，在网络和走廊客流分析预测功能的基础上，公共交通系统模型结合具体项目资料对小区、设施和主要参数进行细化，使模型精度满足相关规范对于工程可行性研究和初步设计中客流预测指标的要求。典型应用项目是各条城市轨道交通线路或市域铁路线路工程可行性研究和初步设计的客流预测。

对于运营类项目，基于城市轨道交通高峰拥挤模型和短期预报模型功能，公共交通系统模型输出面向运营管理所需要的网络和线路客流规模及主要特征指标。典型应用项目是“路网周期性客流预测与综合评估”和城市轨道交通线路开通初期的客流预测等。

对于政策类项目，经过参数优化，考虑了时间、费用、舒适性等综合因素对客流的影响，公共交通系统模型能够满足不同政策条件的预测分析要求。近年主要应用于票价政策方面，典型应用项目包括“世博专线票价研究”“上海轨道交通市域线票价机制比较研究”等。

近10年，手机信令、GPS、遥感、牌照识别等信息化技术在交通领域的应用范围越来越广。新技术为上海市公共交通模型补充了新的数据基础，使模型在既有框架下可以继续优化参数和关键技术，提高模拟和预测的精度，进一步完善功能。

上海市公共交通客流的分配算法一直采用最优策略算法，其在宏观层面的应用有较强的适用性，但中微观层面就与实际存在差异，究其原因还是在策略寻找方面的算法理论与实际不符。根据最优策略算法理论，同一个节点出发的无穷频率路段(无穷边)中(如步行边、形心连杆等)只有总成本最短的那条才能进入策略集^[7]。就理论本身而言，由于路径信息都是明确的，因此，乘客选择最短路径是合理的。但现实中，并非所有乘客都能掌握路径信息，存在多路径的选择。城市轨道交通及公共汽电车构建的超级网络线路多、OD量大，上述问题所产生的影响并不显著，但对于城市轨道交通系统内部，尤其是模型换乘站的换乘边都为无穷边时，这一问题对路径选择就会产生显著影响，进而影响城市轨道交通系统的客流量、换乘量(率)等相关特征指标。

针对上述问题，公共交通系统模型开展了对最优策略算法的优化，将无穷边所在的路径也加入策略集中，并将无穷边的成本按照Logit模型更新至总成本中^[8]。

改进后的最优策略算法可以实现多路径选择，但在过去的实践中，由于调查数据只能反映城市轨道交通站间OD层面，无法获得每个OD对之间各条路径的比例关系，因此无法标定不同路径情况下的参数值。

而随着交通大数据应用的普及，很多过去无法获得的调查数据可以通过信息化手段获取，为模型改进、参数标定提供了数据基础。上海市第五次综合交通大调查开展了基于手机用户在城市轨道交通系统内乘行路径轨迹的挖掘，从而获得了各站间OD的路径比例。

从手机调查的数据结果看，当前网络中的非最短路多路径并不多。因此，实践中采用枚举法对存在多路径的OD对进行路径参数标定，并逐步确定各换乘站的系数值。以“杨高南路—枫桥路”OD对为例，手机调查路径共有3条，涉及6个换乘站，其中存在Logit选择的换乘站包括高科西路站和肇嘉浜路站(见表3和图7)。

图7 “杨高南路—枫桥路”最优策略算法测试

资料来源：文献[4]。

当采用最优策略算法时，分配结果为路径3，即最短路径。采用改进算法后，可以增加路径1，通过参数调整使得路径2进入策略集，并经过多轮测试后确定参数值，使得各路径分配比例与调查保持一致。

在公共交通模型发展过程中，公共交通OD表的每年更新和维护是保证模型精度的一项重要工作。其中，城市轨道交通系统统计数据和站间OD的采集相对容易，模型精度随着基础数据的壮大而不断提高；公共汽电车系统日常采集的数据主要以线路客运量等统计数据为主，反映客流特征的断面客流量、车站上下客流量数据需要通过人工跟车调查才能获取。对于上海这样一个拥有1 000多条公共汽电车线路的城市，很难做到所有线路、所有班次的全样调查。因此，模型特征的校核主要是依据大调查年的抽样跟车调查数据，其余年份只能在线路层面把控，很难达到类似城市轨道交通系统在车站和断面层面的精度要求。

在新技术新模式快速更迭的背景下，公共交通行业中引入越来越多的大数据为行业运营管理提供服务，也为公共汽电车OD表的更新校核提供了数据基础。

公共汽电车多源数据融合技术立足于公交IC卡刷卡数据和公共汽电车GPS数据。首先，对这两类不同标准体系下的大数据进行跨系统的数据整合；再按照“特征挖掘—归一化—相似性度量”的技术路线，动态建立跨刷卡系统、车辆轨迹系统的车辆关联，实现乘客上车站点定位和下车站点逻辑追溯；最终实现公共汽电车站点上下客量、线路断面客流量、站间OD分布及接驳量等客流特征指标的量化(见图8)。

资料来源：文献[9]。

一是大调查年的现状公共汽电车OD表标定。在居民出行调查扩样OD表的基础上，根据系统统计数据、校核线断面调查数据以及线路跟车调查数据等相关资料，对OD表的各类特征进行修正，得到能够反映现状实际情况的OD表。二是每年公共汽电车OD表的维护更新。在非大调查年，一般不会进行跟车调查，校核线调查的样本量也不像大调查年那么多。因此，每年公共汽电车OD表的维护更新主要是依据当年线路客运量统计以及部分小样本断面客流量调查来控制OD表的宏观分布变化，而对于车站和断面层面的特征校核则因为基础数据缺乏往往无法进行。

基于公共汽电车多源数据融合技术，在非调查年也可以获得不同线路的客运量、各车站上客量、下客量以及断面客流量等特征数据，而且几乎覆盖所有线路，比大调查年跟车调查的样本量大得多，从而优化了公共汽电车OD表调整的技术路线(见图9)。

图9 基于多源数据融合的公共汽电车OD表调整技术路线

基于上述技术路线得到的OD表精度更高，更符合上海市公共汽电车的实际特征。以线路客运量来看，全部线路(1469条)的拟合度R²从0.628提高到0.913(见图10)，日客流规模4000人以上线路的平均运量误差为10%。对于以前无法进行校核调整的车站客流分布，利用多源数据融合技术，按照功能区层面进行控制和检验，拟合度也达到了0.984(见图11)。

图10 使用多源数据前后线路客运量拟合情况比较

图11 功能区上下客量检验

上海市公共交通模型经过近40年的发展，功能目标已基本实现，应用范围涉及公共交通研究的各个领域。在公共交通模型理论不发生革命性变化的前提下，模型的框架结构在未来很长时间内仍可继续沿用。上海市公共交通模型在今后的发展主要是结合大数据对模型局部模块新技术的开发，例如“基于列车时刻表的公交分配技术”“公共交通客流仿真研究”“轨道交通接驳方式链研究”等相关课题。

《城市交通》自选图库

拍摄：李玮峰

点击“阅读原文”查看

“案例研究”栏目更多内容