基于大数据的地铁乘客画像分析及应用

一、画像分析的基本原理：从“匿名数据”到“有温度的人”

所谓“画像”，不是给某个人拍照，而是把一群人还原成一个个可理解的群体特征——他们大概多大体量、以谁为主、过着怎样的生活。对城市规划者而言，画像比冷冰冰的“客流数字”有用得多：它让数据有了面孔。

1. 数据从哪来：手机信令大数据+地铁AFC刷卡数据

一种数据是手机信令大数据。当你的手机与基站交互时，会留下位置轨迹。运营商在严格脱敏、聚合后，可以提供“某区域在某时段大约有多少人、具有怎样特征”的群体级数据——注意，是群体，不是你个人，分析环境里不存在手机号、设备号与真实身份之间的对应关系。海量轨迹汇聚起来，就成了城市人口的“全景底图”。

手机信令大数据的优势非常明显：

·维度丰富：在群体层面给出性别结构、年龄段、消费水平、居住地与就业地，乃至 APP 使用偏好等统计特征。

·覆盖全域：不只地铁站，还覆盖站点周边与全城网格，并分别刻画昼间就业与夜间居住人口。

但是，手机信令大数据也有短板：位置是基站/网格级的，精度略粗；是抽样数据，不是全样本。

另一种数据是地铁AFC刷卡数据，不足是缺少人群属性信息，但其优势恰好可以弥补手机信令大数据的短板：

·全样本：每一笔刷卡都被记录，没有抽样、没有扩样，是真正的全量观测。

·高精度：精确到进出站与分钟，换乘、路径、时间窗都能还原。

表1 地铁AFC刷卡数据 与手机信令大数据的互补关系

小贴士：画像≠ 监控个人。所有数据均经脱敏与聚合处理，我们看到的是“一类人”，而不是“某个人”。

2. 都画些什么：五大基础维度 + 一个“核心特征”

·性别构成：不同性别所占比例；

·年龄结构：属于哪个年龄段；

·消费水平：用通信资费间接刻画消费力分层；

·通勤特征：通勤乘客比例、职住关系、通勤路线；

·流动人口：外来访客、游客等；

·核心特征（APP 使用画像）：基于APP 使用时长占比，刻画不同生活方式群体。

3. 怎么算出来的：给城市做一次“人群 CT”

两种大数据的数据挖掘技术存在一定差异。手机信令大数据是系统先把每个类目的占比与全市均值做“偏离”比较，提炼出 12 个生活方式维度；再用 PCA 降维、Ward 层次聚类把相似的人群聚到一起，通过“双向信号”为每一类命名，并生成特征签名、细分画像与复合标签。就像医生用 CT 把模糊的影像变成清晰的剖面——画像分析，就是给城市做“人群 CT”。而 AFC数据通勤识别是利用时空聚类算法（ST-DBSCAN）挖掘海量地铁乘客的时间和空间出行特征，是对这张 CT 的进一步校准。

二、系统功能：一个会“读人”的分析平台

“地铁乘客画像特征分析系统”正是把上述原理变成“看得见、点得动”的工具。它采用浏览器/服务器架构，服务端基于 Python 与地理计算库，前端用地图与图表做交互式可视化，既能读懂“坐地铁的人”，也能读懂“住在这座城的人”，几大功能模块各司其职：

1. 地铁乘客画像分析：读懂坐地铁的人

这是系统最贴近运营的一端，核心是按“站点”做精细化刻画：

·多城市数据管理：内置示例城市，也支持上传标准数据包一键解析入库。

·站点画像查询：在地图上点一个站，右侧立刻呈现该站乘客的性别、年龄、资费，周边到访人群画像，以及通勤比例、流动人口比例，还有前面说的 APP 核心特征。

2. 城市居住画像分析：读懂住在这座城的人

系统并不只盯着地铁——它同样覆盖整座城市的居住与就业人口，核心是按“网格 / 区域”做刻画，这也是它与一般客流系统最大的不同。

·区域人口画像（居住 + 就业）：对任意区域——既可以是系统预置的网格，也可以是用户在地图上随手画出的圈——都能聚合出两类人群画像：

·居住人口画像：某片区夜间常驻居民的性别、年龄、资费（消费力）结构，回答“谁住在这里”。

·就业人口画像：同片区日间在此工作人群的同样维度结构，回答“谁在这里上班”。

·职住关系透视：把居住与就业两张画像叠在一起，立刻看出片区是“睡城”、是“就业高地”，还是职住均衡的成熟社区——一句话说清片区的真实气质。

·人口密度热力图：基于网格人口做反距离加权插值，哪里人多、哪里人少，一眼看穿。

·区域圈选分析：在地图上画个圈（多边形或圆形），系统自动聚合圈内居住与就业人口的画像，把“随手一圈”变成“量化结论”。

图1 地铁站点乘客画像分析

图2 区域人口画像分析

图3 地铁线网、线路画像特征统计看板

图4 地铁通勤乘客空间分布特征

图5 不同人群出行时间分布特征

三、应用场景：画像不只是好看，更要“好用”

场景1：票制票价与运营组织优化

通勤乘客、非通勤乘客、外地游客等不同乘客群体比例及出行特征是票制票价和运营组织优化的核心依据。比如针对规律往返、占比较高的通勤乘客，可设计阶梯式通勤月票与计次票，锚定基础客群，再向“准通勤族”扩容；针对周末集中到访的外地游客，可推出多日票、景区联程旅游联票，把“一张票”变成“一段行程”；针对错峰意愿强的非通勤乘客，则用分时优惠引导避峰。

场景2：地铁客流提升——唤醒“沉睡”的客流

通过区分通勤与流动人口、识别出行目的，运营方可以精准施策。比如某站周边以年轻通勤族为主，就增开接驳快巴、优化换乘指引；某景区站周末游客陡增，则弹性限流、联动周边停车与公交。客流不是靠“喊”上来的，而是靠“读懂”人之后，把每一次出行都安排得更顺。

场景3：地铁商业空间开发——让“站城融合”更聪明

地铁站是天然的“人流富矿”，而站外更大范围的居住人口画像，则告诉我们这片街区“到底住着谁、消费力多强”。结合站点周边人群的消费力（资费）与生活方式（APP 画像），就能精准定位商业业态：数码型人群聚集的站，适合数码体验店与潮玩；资讯阅读型偏多的站，书店、咖啡、文化空间更对味；差旅型占比高的枢纽站，便利零售与商务服务才是刚需。

场景4：城市更新——以地铁为锚点，补齐生活圈

地铁站点往往是一座老城更新的锚点。画像分析能帮我们看清片区真实的居住与就业结构、发现公共服务的缺口：老年人口集中却缺养老设施？职住失衡导致通勤过长？以地铁为锚点，补齐“15 分钟生活圈”的菜场、绿地、医疗与养老，城市更新便有了科学的“施工图”。

四、从“数”到“人”：让城市更懂生活

技术的意义，不在于堆出多少图表，而在于让一座城市更懂得生活其中的人。当每一座地铁站都能“读懂”它服务的人群，当每一片街区都能被看见“谁在住、谁在上班”，规划更准、运营更暖、生活更顺——这，就是乘客与居民画像分析想要抵达的地方。

客流提升系列之三：苏州篇--从“凭经验”到“看指数”：专业方法让苏州5号线客流“可诊可治”

客流提升系列之二：无锡篇--从0.34到0.61：无锡地铁客流数据背后的规律与努力

客流提升系列之一：从“凭经验”到“看指数”，地铁客流健康指数赋能客流提升新范式

运营成本太高？真相是内地轨道交通运营成本比香港、东京的成本低

【换乘贴士】的幕后故事

从城市轨道交通补贴说开去

苏州地铁“广济南大食堂”火爆的技术逻辑