Impacts of long-term service disruptions on passenger travel behaviour

这是最近发在part c上的一篇论文，与我们最近做的一个研究颇为相似，但是两者侧重点不同，且方法论完全不同。

1.论文概述

文章主要是提出了一种分析长期服务中断对出行者出行行为影响的方法论。作者基于地铁刷卡数据分析了某条线路服务中断对出行者出行行为的影响。文章的创新是作者提出设置reference group，借助reference group来消除出行者本身的行为改变、季度、年度趋势改变等其他因素所带来的出行者行为改变，因此可以更科学的分析服务中断对出行者行为改变的影响。

2.方法论

2.1Choice of reference group

上面提到本文的创新便是设置了reference group，因此毫无疑问文章的一个重点便是如何选择reference group。文章给出了四种设置reference group的思路，分别是：

显而易见，第四种方式是最好最科学的，作者也毫无疑问选择了第四种方式去设置reference group，因此接下来作者又给出了如何去挑选reference lines，接着文章便给出了挑选 a group of comparable lines 的标准如下所示：

这些标准也都是很容易理解的，在挑选得到reference line之后，作者便提取了一些指标，比如trips的数量、乘客数量随着时间的改变等指标，分析这些指标随着时间的变化是如何发生变化的，同时给出affected line和reference line上的变化趋势结果，一比较就可以给出一个宏观结论了，下面放一张分析的图，大家一看就知道是什么意思了。其中Frederikssund便是affected line。

2.2服务中断前后行为改变聚类分析

该部分分析思路为首先提取出若干反应出行行为特征的feature，组成feature vector，选择了哪些feature最后来说，先说下整个方法论的思路。此处需要注意的是同一个出行者可能不止一个feature vector，而是两个，因为pre-affected以及post-affected的feature vector是分开的。The observations to cluster is the set of all feature vectors $V_{c,p}$ where c is a smart card and p ∈ {pre, post} a period. 这样一来聚类结果中某个cluster中包含着一类出行行为相似的出行者，然后将这个cluster的出行者按照pre以及post进行划分，得到在服务中断前的出行者行为模式簇以及服务中断后的出行者行为模式簇，如果服务中断前后同一个出行者都在这个簇中，说明出行者的行为模式受到中断后恢复了，若出行者在这个簇中只出现一次说明行为发生了改变。最后说下文章中所使用的feature vector，这个相对不大重要了，分析的时候可以根据数据和所关注的行为特征自己来定feature。

这边也给出一个结果的图，方便理解这个方法论，下面这个图就是pre和post第7,8个簇的转变情况。

2.3每日出行行为聚类分析

这部分是文章中对出行行为分析最为精细的一小节了。具体思路为，构造一个the boolean vector$X_k=[x_{k1},...x_{kd},...,x_{kn}]$，其中，如果乘客k在day d天出行的话，$x_{kd}=1$，否则就为0.有了每个乘客的boolean vector后，通过下式计算相似性：

该相似性是[0,1]的一个数，1代表一点都不相似，0代表完全相同。使用层次聚类对出行者进行聚类。这样一种方式就得到了出行者出行行为相似的群体，而且是精细到了每日的出行行为。这部分分析是2.2节分析的一个补充，2.2节已经分析出了出行者在服务中断前后的行为改变的模式，文章提取出在服务中断前是通勤行为的出行者，对这部分出行者进行了2.3节方法论的分析，然后更为精细化的分析了服务中断对这部分出行者出行行为改变的影响。下面给出一张结果分析的图，便可以很好对这部分方法论有所理解l了。

参考文献

[1] Me A , Nb B , Jbi A , et al. Impacts of long-term service disruptions on passenger travel behaviour: A smart card analysis from the Greater Copenhagen area - ScienceDirect[J]. Transportation Research Part C: Emerging Technologies, 131.