CN105702035B - 一种利用历史公交数据评估乘车难易程度的方法 - Google Patents

一种利用历史公交数据评估乘车难易程度的方法 Download PDF

Info

Publication number
CN105702035B
CN105702035B CN 201610167906 CN201610167906A CN105702035B CN 105702035 B CN105702035 B CN 105702035B CN 201610167906 CN201610167906 CN 201610167906 CN 201610167906 A CN201610167906 A CN 201610167906A CN 105702035 B CN105702035 B CN 105702035B
Authority
CN
Grant status
Grant
Patent type
Prior art keywords
bus
travel
station
number
vehicle
Prior art date
Application number
CN 201610167906
Other languages
English (en)
Other versions
CN105702035A (zh )
Inventor
岳梦雪
张晔
康朝贵
秦昆
Original Assignee
武汉大学
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Grant date

Links

Abstract

针对居民公交出行等车久、乘车难的问题,通过建立“出行乘车难易评价模型”计算乘客出行的难易指数,帮助乘客预先了解出行状况并做出乘车选择。本发明公开了一种利用历史公交数据评估乘车难易程度的方法,借助公交车轨迹数据和乘客公交出行刷卡的AFC数据,计算出行难易指数,预测出行难易程度,推荐出行路线方案,并估计乘客在车站等车时间、车站等车人数以及车辆到站后车上人数情况,辅助乘客做出优化的公交出行方案。

Description

一种利用历史公交数据评估乘车难易程度的方法

技术领域

[0001] 本发明涉及地理信息科学,具体地说是一种利用历史公交数据评估乘车难易程度 的方法。

背景技术

[0002] 1819年巴黎市街出现了为公众租乘服务的公共马车,这是建立城市公共交通的里 程碑。近百余年来,工业发展为城市提供的交通工具和技术装备不断更新,加速了城市公共 交通现代化的进程,性能落后的交通工具逐渐被淘汰,公共汽车逐步发展成为城市公共交 通结构中的主体。改革开放以来,我国城市公共交通有了较快发展,但随着经济的发展和城 市的扩大,一些城市交通拥堵、出行不便等问题日益突出,交通堵塞已成为城市居民最热门 的话题之一,严重影响了人民群众的正常生活和城市的发展。如何为社会提供方便、快捷、 经济、安全的出行环境,改善交通堵塞和道路拥挤,成为一个重要的研究热点。现有的智能 手机软件和相关应用,主要为乘客提供公交路线及站点的查询、车辆离站位置等一些以公 交车为主体的位置信息,缺乏以公交车上乘客为主体的乘车体验信息,如车站等车人数、公 交车内乘客数量,不能帮助乘客对乘车出行的体验预先了解。

发明内容

[0003] 本发明的目的是克服现有技术存在的不足,提供一种利用历史公交数据评估乘车 难易程度的方法。

[0004] 本发明一种利用历史公交数据评估乘车难易程度的方法,包括以下步骤:

[0005] 步骤1,建立出行乘车难易评价模型如下式,

[0006]

Figure CN105702035BD00031

[0007] 式中,Ovalue3为出行难易指数,表示出行难易程度,数值低表示易,数值高表示难; ft为等车时间,为等车人数,fn为车上人数;

[0008] 步骤2,对已有的公交车行驶轨迹数据(GPS点数据)进行数据清洗和数据整理;首 先校正偏移的坐标到目标地图底图坐标系中,然后计算每辆行驶车辆与公交车站的距离, 当距离最小时,认为公交车的到站时间Tbus_arrivai即为此时公交车的GPS时间,用于计算等车 时间ft;

[0009] 步骤3,把乘客出行自动售检票系统(Automatic Fare Collection,简称AFC)数据 与公交车行驶路线信息进行匹配,并按刷卡时间进行排序,得到乘客按先后顺序上车的时 间;

[0010] 步骤4,计算乘客上车时间与公交车轨迹时间的时间差Δ t,并设置Δ t阈值为η秒, 满足阈值条件的刷卡行为将获得与公交车相同的坐标,得到的结果反映了所有乘客上车记 录中,η秒内能同车辆轨迹匹配的乘客上车点位置;

[0011] 步骤5,把步骤4中乘客的上车点位置与公交车站进行匹配,计算二者的距离,当距 离最近时,认为乘客在此车站上车,这样,每一次刷卡上车行为都有对应的车站信息,再以 车站为单位,统计出每个车站上所经过的公交车上车人数NBc^d^stops,用于计算等车人数 fw和车上人数fn;

[0012] 步骤6,根据步骤5中已经得到的车站上车人数情况,参考居民出行的习惯,总结出 居民下车行为规则如下:

[0013] (1)假设,居民在某条公交线R上的某个刷卡较频繁(刷卡次数至少为p)的公交站η 上车,且待估计的出行行为位于路线R上:

[0014] (1.1)如果该出行行为的上车位置不在公交站η处,那么估计该上车行为对应的下 车位置在η处;

[0015] (1.2)如果该出行行为的上车位置在公交站η处,那么估计该上车行为对应的下车 位置为上车刷卡次数第二频繁的公交站m处;

[0016] (2)假设,居民在某公交线R上的某个刷卡不频繁(刷卡次数至少为1)的公交站η上 车,那么估计该上车行为对应的下车位置为下一次刷卡上车的m处;

[0017] 根据下车行为规则来预测每一次刷卡上车所对相应的下车位置,再以车站为单 位,统计公交车路过每个车站时的下车人数NMlghtlr^stCips,用于计算车上人数fn;

[0018] 步骤7,通过以上计算,得到等车时间ft、等车人数fw和车上人数fn,把三个因素代 入出行乘车难易评价模型

[0019]

Figure CN105702035BD00041

[0020] 计算出行难易指数,若该出行计划有多个可达方案时,Ovalue3值最小的方案为最 优。

[0021] 与现有技术相比,本发明的有益效果在于:利用居民公交出行的历史数据,发现居 民出行规律,从而预测单次出行的难易程度。当等车时间过久、车站等车人数较多以及车上 人员拥挤的时候,就可以认为此次出行比较困难,体验较差。在这种情况下,根据出行评价 模型计算出的出行指数数值偏高,可以直观反映本次出行较难,让居民不必亲自到车站就 能知道当前的乘车状况,为居民的出行决策提供指导性参考。

附图说明

[0022] 图1为本发明方法的流程图。

具体实施方式

[0023] 下面通过实施例,并结合附图对本发明作进一步说明。

[0024] 本发明主要基于地理信息科学,结合居民出行行为习惯和心理需求,提出的一种 量化评估出行难易程度的方法。本方法根据居民出行的历史数据和心理行为习惯,来预测 未来某次出行的难易程度。

[0025] —种利用历史公交数据评估乘车难易程度的方法的实现思路及流程,参见图1。假 设出行计划为早上7:30从“四季花城”站出发,目的地为“坂田华城百货”站,以该出行计划 为例对本发明的流程进行具体阐述,步骤如下:

[0026] 步骤1:从爱帮网上获取各公交路线中的车站位置,以此为参照,抽取出所有公交 路线中的车站并进行ID编号,然后将进行ID编号的车站匹配到相应的公交路线中;

[0027] 步骤2:对公交车轨迹数据(GPS点数据)进行数据清洗和数据整理。首先将坐标校 正到OSM底图坐标系中;然后根据公交车ID,计算其与公交车站的距离,当距离最小时,将此 时公交车的GPS时间作为公交车的到站时间Tbusarrival。将一天的时间以最大发车间隔时间 Tspan (如20分钟)为间隔划分为时间段并进行编号;

[0028] 步骤3:根据出行计划中的起止车站,找到经过起止站点的所有路线,再把乘客计 划到站的时间(如早上7:30)转换成当天的GPS时间T。根据步骤2中的时间段划分,计算等车 时间所处的时间段编号,依次计算所有可达路线同一时间段编号内的等车时间,则等车时 间 Tw=Tb Us arrival-T 〇 当Tw> = 0时,实际等车时间为Iw;当Tw〈0时,说明该车辆已经在乘客到达 前离站,因此需要等待下一辆公交车,则将等车时间设置为最大等待时间!^_ (如20分钟), 最后根据计算得到的Tw构建等车时间模型ft,即ft = Tw。

[0029] 步骤4:把乘客出行AFC数据与公交车行驶路线进行匹配,并按刷卡时间进行排序, 得到乘客按先后顺序上车的时间;计算乘客上车时间与公交车轨迹时间的差值At,并设置 At阈值为5秒,满足阈值条件的刷卡行为将获得与公交车相同的坐标,因此得到的结果反 映了所有乘客上车记录中,5秒内能同车辆轨迹匹配的乘客上车点位置;

[0030] 步骤5,把步骤4中乘客的上车点位置与公交车站进行匹配,计算二者的距离,当距 离最近时,认为乘客在此车站上车,这样,每一次刷卡上车行为都有对应的车站信息,再以 车站为单位,统计出每个车站上所经过的公交车上车人数NBc^d^stops,用于计算等车人数 fw和车上人数fn;

[0031] 步骤6,根据步骤5中已经得到的车站上车人数情况,参考居民出行的习惯,总结出 居民下车行为规则如下:

[0032] 1)假设,居民在某条公交线R上的某个刷卡较频繁(刷卡次数至少为2)的公交站η 上车,且待估计的出行行为位于路线R上:

[0033] (1)如果该出行行为的上车位置不在公交站η处,那么估计该上车行为对应的下车 位置在η处;

[0034] (2)如果该出行行为的上车位置在公交站η处,那么估计该上车行为对应的下车位 置为上车刷卡次数第二频繁的公交站m处;

[0035] 2)假设,居民在某公交线R上的某个刷卡不频繁(刷卡次数至少为1)的公交站η上 车,那么估计该上车行为对应的下车位置为下一次刷卡上车的m处;

[0036] 根据下车行为规则来预测每一次刷卡上车所对相应的下车位置,再以车站为单 位,统计公交车路过每个车站时的下车人数NMlghtlr^stCips,用于计算车上人数fn;

[0037] 步骤7,通过以上计算,得到等车时间ft、等车人数fw和车上人数fn,把三个因素代 入出行乘车难易评价模型

[0038]

Figure CN105702035BD00051

[0039] 计算出行难易指数,若该出行计划有多个可达方案时,Ovalue3值最小的方案为最 优。若想获得更准确的结果,可把等车时间ft、等车人数fW和车上人数fn三个因素扩展成更 为复杂的计算模型以供计算。

Claims (1)

1. 一种利用历史公交数据评估乘车难易程度的方法,其特征在于包括以下步骤: 步骤1,建立出行乘车难易评价模型如下式,
Figure CN105702035BC00021
式中肩*为出行难易指数,表示出行难易程度,数值低表示易,数值高表示难;ft为等 车时间,fw为等车人数,fn为车上人数; 步骤2,对已有的公交车行驶轨迹数据进行数据清洗和数据整理;首先校正偏移的坐标 到目标地图底图坐标系中,然后计算每辆行驶车辆与公交车站的距离,当距离最小时,认为 公交车的到站时间Tbusarrival即为此时公交车的GPS时间,用于计算等车时间f t; 步骤3,把乘客出行自动售检票系统数据与公交车行驶路线信息进行匹配,并按刷卡时 间进行排序,得到乘客按先后顺序上车的时间; 步骤4,计算乘客上车时间与公交车轨迹时间的时间差At,并设置At阈值为η秒,满足 阈值条件的刷卡行为将获得与公交车相同的坐标,得到的结果反映了所有乘客上车记录 中,η秒内能同车辆轨迹匹配的乘客上车点位置; 步骤5,把步骤4中乘客的上车点位置与公交车站进行匹配,计算二者的距离,当距离最 近时,认为乘客在此车站上车,这样,每一次刷卡上车行为都有对应的车站信息,再以车站 为单位,统计出每个车站上所经过的公交车上车人数NBc^d^+stops,用于计算等车人数fw和 车上人数fn; 步骤6,根据步骤5中已经得到的车站上车人数情况,参考居民出行的习惯,总结出居民 下车行为规则如下: (1) 假设,居民在某条公交线R上的某个刷卡次数至少为P的公交站η上车,且待估计的 出行行为位于路线R上,其中Ρ>1; (1.1) 如果该出行行为的上车位置不在公交站η处,那么估计该上车行为对应的下车位 置在η处; (1.2) 如果该出行行为的上车位置在公交站η处,那么估计该上车行为对应的下车位置 为上车刷卡次数第二频繁的公交站m处; (2) 假设,居民在某公交线R上的某个刷卡次数至多为1的公交站η上车,那么估计该上 车行为对应的下车位置为下一次刷卡上车的m处; 根据下车行为规则来预测每一次刷卡上车所对相应的下车位置,再以车站为单位,统 计公交车路过每个车站时的下车人数NMlghtlr^stCips,用于计算车上人数fn; 步骤7,通过以上步骤计算得到的等车时间ft、等车人数fw和车上人数fn,把三个因素代 入出行乘车难易评价模型
Figure CN105702035BC00022
计算出行难易指数,若出行计划有多个可达方案时«值最小的方案为最优。
CN 201610167906 2016-03-23 2016-03-23 一种利用历史公交数据评估乘车难易程度的方法 CN105702035B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN 201610167906 CN105702035B (zh) 2016-03-23 2016-03-23 一种利用历史公交数据评估乘车难易程度的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN 201610167906 CN105702035B (zh) 2016-03-23 2016-03-23 一种利用历史公交数据评估乘车难易程度的方法

Publications (2)

Publication Number Publication Date
CN105702035A true CN105702035A (zh) 2016-06-22
CN105702035B true CN105702035B (zh) 2018-02-09

Family

ID=56232383

Family Applications (1)

Application Number Title Priority Date Filing Date
CN 201610167906 CN105702035B (zh) 2016-03-23 2016-03-23 一种利用历史公交数据评估乘车难易程度的方法

Country Status (1)

Country Link
CN (1) CN105702035B (zh)

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10163127B4 (de) * 2001-12-20 2009-02-26 Klaus Posner Erfassung und Verarbeitung von Daten in einem Verkehrsnetz
CN101615207A (zh) * 2009-07-10 2009-12-30 重庆大学 一种获取公交ic卡持卡乘客上车站点的方法
CN104064028B (zh) * 2014-06-23 2016-04-06 银江股份有限公司 基于多元信息数据的公交到站时间预测方法及系统
CN104809344B (zh) * 2015-04-23 2017-11-07 中山大学 一种基于ic卡数据的公交站点区间客流估计方法
CN104899947A (zh) * 2015-05-25 2015-09-09 郑州天迈科技股份有限公司 公交客流统计方法
CN105160427A (zh) * 2015-08-20 2015-12-16 华南理工大学 一种基于乘车诱导的公交站点od数据快速采集方法
CN105390013A (zh) * 2015-11-18 2016-03-09 北京工业大学 一种利用公交ic卡预测公交到站时间的方法

Also Published As

Publication number Publication date Type
CN105702035A (zh) 2016-06-22 application

Similar Documents

Publication Publication Date Title
Deng et al. Recent developments in bus rapid transit: a review of the literature
US20040158483A1 (en) Business and technological method for a flexible automobile sharing transit on demand
US20100280884A1 (en) Automated carpool matching
US20110037619A1 (en) Traffic Routing Using Intelligent Traffic Signals, GPS and Mobile Data Devices
US20120306446A1 (en) Power supply control device and information provision device
US20140278029A1 (en) Methods And Software For Managing Vehicle Priority In A Self-Organizing Traffic Control System
JP2011185785A (ja) 経路計画装置及び経路計画システム
CN101063616A (zh) 行车路线规划系统及方法
CN101388143A (zh) 基于浮动车数据的公交到站时间预测方法及系统
CN102622877A (zh) 利用路况信息及行驶速度的公交到站判断系统及判断方法
Han Managing motorization in sustainable transport planning: the Singapore experience
CN102005129A (zh) 一种可实时进行路径诱导的中心导航方法
JP2008146248A (ja) プローブデータ解析システム
Nourbakhsh et al. A structured flexible transit system for low demand areas
CN102837697A (zh) 一种电动汽车续航里程管理系统及工作方法
CN101136140A (zh) 道路交通的通行速度计算和匹配的方法和系统
CN1710624A (zh) 城市路网交通流区间平均速度的获取方法
CN101964148A (zh) 道路交通信息记录服务器和gps用户终端
CN101620781A (zh) 预测乘客信息的系统和搜索乘客信息的系统及其方法
CN101661668A (zh) 一种公共交通电子导航方法
CN101451853A (zh) 导航装置根据实时交通信息进行导航的方法
CN103279534A (zh) 基于智能公交系统数据的公交卡乘客通勤od分布估计方法
CN103557870A (zh) 一种动态轨迹导航方法及云平台
CN103258438A (zh) 智能出行与最佳车位导航系统及其导航方法
CN103295074A (zh) 具有最佳定位的充电站的电动车辆(ev)充电基础设施的方法和系统

Legal Events

Date Code Title Description
C06 Publication
C10 Entry into substantive examination
GR01