Analysis of Network Classification and Optimization Based on Comprehensive Evaluation of Public Transportation Network – A Case Study of Guangzhou

Technische Samenvatting: Analyse van Netwerkclassificatie en Optimalisatie op basis van een Uitgebreide Evaluatie van het Openbaar Vervoersnetwerk – Een Casestudy van Guangzhou

Probleemstelling
Stedelijke busnetwerken in megasteden worden geconfronteerd met een drievoudige uitdaging: dalende passagiersaantallen, structurele inefficiënties en ruimtelijke ongelijkheid. Bestaande evaluatiekaders behandelen topologische rationaliteit, diversiteit in dienstverlening en sociale rechtvaardigheid vaak geïsoleerd. Bovendien is er een gebrek aan kwantificeerbare optimalisatiestrategieën die specifiek zijn afgestemd op "functioneel ambigue" busroutes—routes die geen duidelijk operationeel doel hebben, maar wel aanzienlijke netwerkbronnen verbruiken. Deze studie adresseert deze hiaten door een geïntegreerd evaluatie- en optimalisatiekader voor te stellen, toegepast op Guangzhou, China, waar het aantal busreizigers met 52% is gedaald ten opzichte van het niveau vóór de pandemie, en de passagiersaantallen per kilometer in de buitenwijken kritiek laag blijven.

Methodologie
De studie hanteert een methodologische aanpak in drie fasen:

1. Topologische Evaluatie: Een systeem van zes indicatoren beoordeelt de structurele rationaliteit van het netwerk. De indicatoren omvatmen netwerkdichtheid ($P_1$), dekkingsgraad ($P_2$), haltedekking ($P_3$), routelengte ($P_4$), de herhalingscoëfficiënt ($P_5$) en de niet-lineaire coëfficiënt ($P_6$). Deze worden getoetst aan standaarden zoals TCRP Rapport 165 en de Chinese technische specificaties voor stedelijke wegverkeersplanning.
2. Functionele Classificatie via Machine Learning: Een tweefasige pijplijn classificeert 3.214 busroutes op basis van vijf functionele indicatoren: de aanbodindex, bevolkingsdekking, de Gini-coëfficiënt (gelijkheid), passagiersstroom en de metro-overlapcoëfficiënt.
   • Fase 1 (Ongesuperviseerd): K-means clustering bepaalt het optimale aantal functionele typen, waarbij $k=4$ wordt geïdentificeerd via de elleboogmethode.
   • Fase 2 (Gesuperviseerd Validatie): Een Random Forest-classificator valideert de clusters, met een cross-validated nauwkeurigheid van 92,3%. De analyse van feature-belangrijkheid benadrukt de metro-overlap en passagiersstroom als primaire discriminatoren.
3. Bi-objectieve Optimalisatie: Voor de geïdentificeerde "functioneel ambigue" routes wordt een multi-objectief optimalisatiemodel geformuleerd met behulp van het NSGA-II algoritme. Het model minimaliseert gelijktijdig redundantie (overlapstraf) en maximaliseert de verbetering van de gelijkheid (reductie in de Gini-coëfficiënt), onderworpen aan beperkingen op routelineariteit, frequentie en de totale reductie van de netwerklengte.

Belangrijkste Bijdragen
Het artikel levert vier specifieke bijdragen aan het vakgebied van openbaar vervoerplanning:

1. Geïntegreerd Kader: De ontwikkeling van een nieuw "structuur–functie–gelijkheid" evaluatie-indexsysteem dat topologische metrieken verenigt met functionele en distributieve rechtvaardigheidsmetrieken.
2. ML-gebaseerde Classificatie: Een gevalideerd machine learning-kader dat busroutes categoriseert in vier onderscheidende servicetypes, wat gerichte optimalisatie mogelijk maakt in plaats van een "one-size-fits-all" benadering.
3. Empirische Diagnose: Een uitgebreide analyse van het netwerk van Guangzhou die ernstige structurele tekortkomingen aan het licht brengt, waaronder een netwerkbrede herhalingscoëfficiënt van 4,9 (ver boven de aanbevolen 2,5) en een prevalentie van 27% bij functioneel ambigue routes.
4. Actiegerichte Optimalisatie: Een bi-objectief model dat concrete strategieën genereert voor ambigue routes, waardoor men verder gaat dan theoretische diagnose naar specifieke, kwantificeerbare interventies.

Resultaten
De toepassing van het kader op het netwerk van Guangzhou (3.214 routes, 6.968 haltes, 54.000 km) leverde de volgende bevindingen op:

• Topologische Inefficiënties: Hoewel de netwerkdichtheid voldoet aan de nationale standaarden, bestaan er aanzienlijke verschillen. Landelijke gebieden zijn verantwoordelijk voor 59% van de netwerkbreedte, maar slechts 17% van de passagiersstroom (200 ritten/km/dag). De gemiddelde routelengte (16,7 km) is meer dan het dubbele van de gemiddelde werkelijke reisafstand (7,5 km). Het centrale gebied vertoont extreme route-overlap, met een herhalingscoëfficiënt die hoger is dan 10.
• Functionele Classificatie: De K-means clustering identificeerde vier routetypes:
  • Sociale Zekerheid-georiënteerd (30,8%): Lage stroom, maar gelijkwaardige service voor kwetsbare groepen.
  • Voordeel-georiënteerd (6,1%): Hoge passagiersstroom (45,6% van de totale stroom) maar hoge ongelijkheid, geconcentreerd in de kern.
  • Metro-geïntegreerd (36,4%): Hoge overlap met metrolijnen, dienend als overstapverbindingen.
  • Functioneel Ambigue (27,0%): Laag aanbod, lage stroom en matige overlap, wat het primaire doelwit vormt voor optimalisatie.
• Optimalisatiestrategieën: Het NSGA-II model produceerde drie actiegerichte strategieën voor de 868 ambigue routes:
  1. Inkorten van routes met hoge overlap: Het verkorten van 17 routes met >50% metro-overlap met gemiddeld 4,2 km, wat de overlapstraf met 38% verlaagt en de geschatte druk op het grondverkeer met 12% vermindert.
  2. Conversie naar Voedingsdiensten: Het omzetten van 112 routes die naar verwachting zullen overlappen met geplande metro-uitbreidingen (lijnen 10, 11, 12) naar hoogfrequente voedingsdiensten, wat de verbinding voor de laatste mijl verbetert voor 340.000 inwoners.
  3. Herallocatie in Landelijke Gebieden: Het verhogen van de frequentie en het introduceren van vraaggestuurde zones voor 22 landelijke routes, wat de Gini-coëfficiënt voor ouderen verlaagt van 0,42 naar 0,35 en een verwachte stijging van 15% in passagiersaantallen projecteert.

Betekenis en Beperkingen
Het artikel stelt dat dit kader transitplanners een overdraagbare, datagestuurde aanpak biedt om netwerkinefficiënties te diagnosticeren en gelijkheid-bewuste interventies te ontwerpen. Het demonstreert dat machine learning effectief routes kan identificeren die een duidelijk operationeel doel missen, waardoor middelen kunnen worden geheralloceerd om een balans te vinden tussen efficiëntie en sociale rechtvaardigheid.

De auteurs erkennen echter bescheiden enkele beperkingen:

• Temporaliteit van Data: De analyse is gebaseerd op IC-kaartgegevens van oktober 2023; reisgedrag na de pandemie is mogelijk niet stationair.
• Statische Gelijkheid-aanname: De Gini-coëfficiënt wordt berekend met statische populatiegrids, waardoor temporele variaties in gelijkheid (bijv. drukte tijdens piekuren versus daluren) niet worden gevangen.
• Validatie in één Stad: Het classificatiemodel is uitsluitend getraind en gevalideerd op de gegevens van Guangzhou; de overdraagbaarheid naar andere megasteden met verschillende stedelijke vormen vereist verdere toetsing.

Toekomstig werk voorgesteld door de auteurs omvat het integreren van realtime data voor dynamische evaluatie, het ontwikkelen van cross-city transfer learning-frameworks en het integreren van het optimalisatiemodel in digital twin-platforms voor interactieve scenario-analyse.