可視化與公共交通的那些事（3）：乘客去了哪兒？
本文案例中的ODX可視化工具於今年1月獲得了公交績效評估挑戰賽第一名（2019 TRB Innovations in Transit Performance Measurement Challenge）
我們平時乘車上車刷卡，有時下車也刷卡。很多人可能覺得，這只是不同的計費方式：僅在上車刷卡，車資是按乘次算；下車也刷卡，車資是按站數算。
而實際上，這個簡單的刷卡動作意義非凡，因為它為真正實現公共交通能按需規劃提供了數據。然而與此同時，也帶了新的挑戰。
在面對這海量數據時，除了運算能力和算法的挑戰外，在實際業務中，規劃人員更面臨著認知、應用和溝通的挑戰。而這正是可視化對症下藥之處。
First Prize — 2019 TRB Innovations in Transit Performance Measurement Challenge
本文將介紹可視化案例，是我當時在MBTA參與的ODX可視化工具。 MBTA是位於美國波士頓的馬薩諸塞州交通局（Massachusetts Bay Transportation Authority，下稱MBTA）。
2019年初，美國運輸研究委員會舉辦了公共交通績效測量創新大賽。該挑戰賽由美國運輸研究委員會舉辦，旨在推動數據分析和傳達的方式創新，並邀請了各地運輸機構，如MBTA。MBTA的ODX可視化工具獲得了第一名。
這個工具是我在MBTA工作時負責設計和前端開發的。參賽時我已不在MBTA工作了，儘管”被”第一作者了，可惜沒能親臨大賽會議現場。
今天，以該這個項目為案例，來最後聊一聊可視化與公共交通的那些事。這也是這個系列的最後一篇文章，該系列其他文章請見文末。
刷卡與ODX數據
什麼是ODX數據？
在乘公交或地鐵時，我們每一次刷卡都會產生一條數據。以上車或進站刷卡為起點，以下車或出站刷卡為終點。在一定條件下，比如在刷卡下車後的車站接著又刷卡上車，則視為轉乘。
因此，ODX表示乘客一次出行中的起點、終點和轉乘點。
起點：Origin，簡稱O；
終點：Destination，簡稱D；
轉乘：Transfer，簡稱X。
下圖是我當時給MBTA規劃員做的一個快速可視化，用於研究迂迴行程（Circuitous Journey）的發生情況。其中所用的就是ODX數據。
ODX數據有何用處？
ODX分析是根據乘客的實際乘車行為來分析實際的出行需求，主要是回答的是乘客從哪裡上車、下車、和轉乘的問題。
在這個基礎上，其分析的問題可以具體到特定的出行行為，比如上面提到的迂迴行程分析，也可以衍生到車資定價、臨時服務等優化。
比如，對於MBTA來說，當因站點因施工關閉、增添新路線等時候，ODX分析不僅用於評估而受影響的乘客數，還用於評估因此需要投放的擺渡車輛數。
可見，刷卡這個動作，不單單是付錢。它提供了可供分析的數據，讓規劃員能按需做出最優決策，最終是能給乘客自己帶來更好的服務。
不刷卡就沒有ODX數據…吧？
和很多地方一樣，波士頓也沒有實行下車刷卡，所以其實下車刷卡的點是通過數據模型推算出來的。
這個模型是MBTA與MIT（MIT’s Transit Lab）合作的，專門用來推算出下車和轉乘的行為數據。下車或轉乘的數據是通過下次刷卡的數據來推算，當然其中涉及的算法和參數是非常複雜的。
我們也可以想像這種模型再精確，也是不如實際的下車刷卡數據來得真實。這也是為何MBTA的規劃員花了很多時間來檢驗ODX數據的合理性。
ODX分析令專家也頭疼？
數據驅動轉型不是想轉就能轉
正如MBTA的例子，不再局限於以人口統計或問卷採集等數據來推測需求，服務規劃開始向以分析乘客實際行為數據為驅動轉型。
然而面對海量數據，光是數據查詢就讓不少規劃員頭疼。尤其面對MBTA上千個站點和上百條線路，需要分析的場景非常多。能有一個數據查詢、分析兼可視化為一體的工具，將大大提高工作效率。
在MBTA的規劃員說：
“我已經使用ODX數據一年多了，主要是通過PostgreSQL（數據庫軟件）查詢數據。在服務規劃部門，我經常扮演’數據員（the data guy）’的角色，所以我也成了唯一一個能熟練從數據庫裡查詢ODX數據的人。
為了更了解我們ODX數據如何在復雜行為上的表現，我當初需要很多規劃員幫我測試。可是因為涉及到數據庫知識，我還是得自己來寫查詢語句。
現在我們有了這個ODX可視化工具，測試進度大大提高，因為更多人能自己探索ODX數據了。 ”
分析難，交流更難
ODX數據不僅有時間性，還有空間性，單靠抽象的語言和一行行的表格很難把問題討論清楚。所以很多實際的業務場景討論都離不開地圖。
“如果是看數據表格，以站點來統計該站的上下車次數，由於每個站點佔一行，我們很容易被誤導認為站點之前是等距的。但一旦你把這個數據放在地圖上，就會發現不是那麼回事。我相信我們開始理解如何使用這個可視化工具了。”
— — MBTA的規劃員說。
市場現成的可視化工具也不一定能救
其實在做ODX可視化工具之前，項目也考慮過直接用其他可視化工具，比如Tableau、R Shiny。而且市面上不乏成熟的、針對公共交通規劃的可視化軟件，比如Remix。
我曾經問過ODX項目的項目經理，為什麼要自己開發。她說，對於小的公交企業，比如只有十幾條線路，可能可以使用那些軟件。但對於MBTA來說，不僅有上百條線路，數據本身也很複雜。
比如，現實中有綜合性站台（公交和地鐵的混合站台），對於乘客來說是同一個車站，但公交站點和地鐵站台分別有各自的站台編號。並且綜合站臺本身還有一個自己的編號，與公交地鐵站台為層級關係的。
在概念溝通上，通常使用的是母編號（綜合站台的編號），但車輛出行計劃的數據只與子編號關聯（公交站台，或地鐵站台）。
目前市面上的軟件，還不能處理這類複雜或極端的情況。所以這個項目不是為了做而做，市場現成工具始終有其局限性，自主開發有其必要性。
MBTA案例：ODX可視化工具
ODX可視化工具是對ODX數據進行可視化的網頁工具。服務規劃員可以選擇站點、路線或區域，獲知任意時間段或支付方式下的乘客在此上車、下車和轉乘的情況。
並且由於起點終點數據成對，用戶還可以深入了解在此上車的乘客去了哪兒、在此下車的乘客又是從哪兒來。
由於刷卡數據是以站點為記錄，所以本質上，選擇路線則是選擇路線上的所有站點，選擇區域是選擇該區域所有站點。
在結果分析上，首先是提供了所選站點的基本使用情況。以下圖為例，條形圖分別顯示了有多少乘客使用所選站點為起點、終點、轉乘點。
用戶可以點擊使用情況旁的下載按鈕來下載對應的數據報告，也可以點擊乘客去向按鈕（”where people go”, “where people come from”）做深入的OD分析。
OD分析不僅提供站點或路線的分析，比如在這些站點上車的乘客有多少是在哪些站點下車、有多少是在哪裡上車、又是從哪條線路轉乘到哪條線路等。
同時，OD分析也提供區域分析，比如乘客是從哪一塊區域乘車到哪一區域。
區域的劃分有多種，比如大家熟悉的行政區域劃分，也有現在用於傳統交通規劃模型的交通分析區（Traffic analysis zone，簡稱TAZ）。當然，也可以像MBTA一樣，根據站點使用頻率來做聚類分區，MBTA在工具裡簡稱其為“Cluster”。在ODX數據的表現上，再以迂迴行程為例：
“在我們現在這個時代，所擁有的數據量已超過20年前的想像，大多數分析已不再使用細粒度數據（granular data）。這就是為什麼聚類（cluster）對我來說通常比站點級別的信息更有用，因為有可能涉及到無數個站點。”
— — MBTA規劃員
最後
ODX工具主要解決的是複雜數據的理解和溝通，比如準確理解數據模型、打破數據查詢和獲取的技術屏障、發現數據模型本身的應用局限等。
在我做可視化畢設和畢業論文時曾討論過這個工具，大賽后我也跟MBTA的經理再次探討過這個工具的優勢。總之，這個工具之所以能在實際應用中受歡迎，尤其是在大賽中脫穎而出，我總結為以下優勢：
1. 在交通規劃行業內，實際開始運用乘客行為數據來發現和解決業務問題。
2. 研發了ODX數據模型，通過算法解決了沒有下車刷卡記錄的數據問題。
3. 用可視化的方式解決了複雜數據的理解和溝通的難題，比如準確理解數據模型、打破數據查詢和獲取的技術屏障、發現數據模型本身的應用局限等。
ODX可視化工具所運用的是可視化都是常有的條形圖、主題圖，這些圖式都是傳統的信息圖。
很多人覺得數據可視化是個新技術，而信息圖是個舊東西，不能相提並論，甚至好像可以跳過信息圖的學習，直接上手數據可視化。
由於技術的發展，尤其是物聯技術的發展，我們能收集到越來越精細和大量的數據。在此基礎上，數據建模、機器學習等一系列大數據分析手段應運而生。
並且，可視化的數碼化也大大促進了數據處理、前端技術與性能優化的發展。這些確實是新需求、新技術、新東西。
但從視覺傳達上來講，現在絕大多數的數據可視化設計，不管是地圖還是圖表，都是以信息圖設計範式和規範為依據。
綠線地鐵可視化工具，見：《可視化與公共交通的那些事（1）：我的車到哪兒了？ 》
公交路況可視化工具，見：《可視化與公共交通的那些事（2）：堵車了麼？》
