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 PDFInfo
- Publication number
- CN105702035B CN105702035B CN201610167906.1A CN201610167906A CN105702035B CN 105702035 B CN105702035 B CN 105702035B CN 201610167906 A CN201610167906 A CN 201610167906A CN 105702035 B CN105702035 B CN 105702035B
- Authority
- CN
- China
- Prior art keywords
- bus
- station
- passenger
- time
- trip
- Prior art date
- Legal status (The legal status 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 status listed.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Chemical & Material Sciences (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
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
技术领域
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
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
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。
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:
步骤1,建立出行乘车难易评价模型如下式,
式中,φvalue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(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_arrival即为此时公交车的GPS时间,用于计算等车时间ft;
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;
步骤4,计算乘客上车时间与公交车轨迹时间的时间差Δt,并设置Δt阈值为n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,n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NBoarding_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上的某个刷卡较频繁(刷卡次数至少为p)的公交站n上车,且待估计的出行行为位于路线R上:
(1.1)如果该出行行为的上车位置不在公交站n处,那么估计该上车行为对应的下车位置在n处;
(1.2)如果该出行行为的上车位置在公交站n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上的某个刷卡不频繁(刷卡次数至少为1)的公交站n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NAlighting_stops,用于计算车上人数fn;
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
计算出行难易指数,若该出行计划有多个可达方案时,φvalue值最小的方案为最优。
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
图1为本发明方法的流程图。
具体实施方式
下面通过实施例,并结合附图对本发明作进一步说明。
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。
一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:
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;
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Tbus_arrival。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;
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=Tbus_arrival-T。当Tw>=0时,实际等车时间为Tw;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Tspan(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。
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Δt,并设置Δt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;
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NBoarding_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上的某个刷卡较频繁(刷卡次数至少为2)的公交站n上车,且待估计的出行行为位于路线R上:
(1)如果该出行行为的上车位置不在公交站n处,那么估计该上车行为对应的下车位置在n处;
(2)如果该出行行为的上车位置在公交站n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上的某个刷卡不频繁(刷卡次数至少为1)的公交站n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NAlighting_stops,用于计算车上人数fn;
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
计算出行难易指数,若该出行计划有多个可达方案时,φvalue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,
式中,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Tbus_arrival即为此时公交车的GPS时间,用于计算等车时间ft;
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Δt,并设置Δt阈值为n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,n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NBoarding_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n上车,且待估计的出行行为位于路线R上,其中p>1;
(1.1)如果该出行行为的上车位置不在公交站n处,那么估计该上车行为对应的下车位置在n处;
(1.2)如果该出行行为的上车位置在公交站n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n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NAlighting_stops,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
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610167906.1A 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 |
---|---|---|---|
CN201610167906.1A 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 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 |
---|---|---|---|
CN201610167906.1A Expired - Fee Related 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) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563537B (zh) * | 2016-06-30 | 2020-12-04 | 阿里巴巴(中国)有限公司 | 一种候车时间的确定方法及装置 |
CN106652535A (zh) * | 2016-12-15 | 2017-05-10 | 英业达科技有限公司 | 公车拥挤程度查询系统及其方法 |
CN107545730B (zh) * | 2017-09-08 | 2020-04-07 | 哈尔滨工业大学 | 一种基于公交ic卡数据的站点上下车乘客数估计方法 |
WO2019109198A1 (en) | 2017-12-04 | 2019-06-13 | Beijing Didi Infinity Technology And Development Co., Ltd. | System and method for determining and recommending vehicle pick-up location |
CN108802776B (zh) * | 2018-07-02 | 2021-03-02 | 武汉蓝泰源信息技术有限公司 | 基于异常点剔除及轨迹压缩算法的公交gps纠偏方法 |
CN109242181A (zh) * | 2018-09-04 | 2019-01-18 | 中国联合网络通信集团有限公司 | 乘车等候时间预测方法、装置及系统 |
CN110245377B (zh) * | 2019-05-08 | 2023-08-04 | 暨南大学 | 一种出行方案推荐方法及推荐系统 |
CN110718089A (zh) * | 2019-10-15 | 2020-01-21 | Oppo(重庆)智能科技有限公司 | 一种出行服务方法、装置及计算机可读存储介质 |
CN113780608A (zh) * | 2020-11-18 | 2021-12-10 | 京东城市(北京)数字科技有限公司 | 基于车辆数据的排队时长预估方法、装置及相关设备 |
CN115034622B (zh) * | 2022-06-14 | 2024-04-05 | 浙江大学 | 一种公交系统输入输出风险量化评估方法 |
Family Cites Families (7)
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 |
CN105160427B (zh) * | 2015-08-20 | 2019-05-14 | 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 |
CN105390013B (zh) * | 2015-11-18 | 2018-12-18 | 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 |
-
2016
- 2016-03-23 CN CN201610167906.1A patent/CN105702035B/zh not_active Expired - Fee Related
Non-Patent Citations (2)
Title |
---|
可靠性理论在公交网络分析中的应用;刘锐 等;《公路交通科技》;20080430;第25卷(第4期);第122-126页 * |
基于蒙特卡罗的城市公交时空可达性模拟研究;胡继华 等;《交通信息与安全》;20140331;第32卷;第6-11页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105702035A (zh) | 2016-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105702035B (zh) | 一种利用历史公交数据评估乘车难易程度的方法 | |
CN108162771B (zh) | 一种电动汽车智能充电导航方法 | |
CN111091720B (zh) | 基于信令数据和浮动车数据的拥堵路段识别方法及装置 | |
WO2019091108A1 (zh) | 一种交通出行调查数据处理方法 | |
CN104766473B (zh) | 基于多模式公交数据匹配的公共交通出行特征提取方法 | |
CN103325245B (zh) | 一种黑名单车辆的时空行驶轨迹预测方法 | |
CN107919014B (zh) | 面向多载客里程的出租车运行线路优化方法 | |
CN103106702B (zh) | 基于云计算的公交出行服务系统 | |
JP6046944B2 (ja) | 移動支援装置及び移動支援方法 | |
CN103514737B (zh) | 智能拼车控制系统及智能拼车控制方法 | |
US10373494B1 (en) | Method and apparatus for estimating a parking event based on device signal observations | |
CN109598372A (zh) | 基于绿色共享交通的出行方案规划方法和共享交通系统 | |
CN109410568B (zh) | 基于用户画像和换乘规律的下车站点推测方法及系统 | |
CN109102114B (zh) | 一种基于数据融合的公交出行下车站点估计方法 | |
CN103712630A (zh) | 一种车辆导航系统及车辆导航方法 | |
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 | |
CN102324128A (zh) | 基于ic卡记录的公交站间od客流预测方法及装置 | |
CN108960539B (zh) | 一种需求响应式接驳公交路径优化方法 | |
Fiori et al. | Optimum routing of battery electric vehicles: Insights using empirical data and microsimulation | |
CN106897955A (zh) | 一种基于公交od数据的公交换乘识别方法 | |
CN110118567A (zh) | 出行方式推荐方法及装置 | |
CN107085620A (zh) | 一种出租车和地铁接驳出行线路的查询方法及系统 | |
CN111397620A (zh) | 快充/慢充模式下的电动汽车充电导航方法及系统 | |
CN108364464A (zh) | 一种基于概率模型的公交车辆旅行时间建模方法 | |
CN103748432B (zh) | 图像处理装置、图像处理管理装置、终端、处理装置以及图像处理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180209 Termination date: 20200323 |
|
CF01 | Termination of patent right due to non-payment of annual fee |