CN105788260A - 一种基于智能公交系统数据的公交乘客od推算方法 - Google Patents
一种基于智能公交系统数据的公交乘客od推算方法 Download PDFInfo
- Publication number
- CN105788260A CN105788260A CN201610229224.9A CN201610229224A CN105788260A CN 105788260 A CN105788260 A CN 105788260A CN 201610229224 A CN201610229224 A CN 201610229224A CN 105788260 A CN105788260 A CN 105788260A
- Authority
- CN
- China
- Prior art keywords
- data
- passenger
- website
- bus
- 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.)
- Granted
Links
- 238000004364 calculation method Methods 0.000 title abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000012546 transfer Methods 0.000 claims abstract description 46
- 239000011159 matrix material Substances 0.000 claims abstract description 29
- 230000008569 process Effects 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 9
- 230000001174 ascending effect Effects 0.000 claims description 7
- 238000007619 statistical method Methods 0.000 claims description 6
- 230000001680 brushing effect Effects 0.000 claims description 5
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 claims description 4
- 238000012098 association analyses Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 2
- 238000004220 aggregation Methods 0.000 claims 1
- 230000002776 aggregation Effects 0.000 claims 1
- 238000009826 distribution Methods 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 abstract description 3
- 230000004927 fusion Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 101100100125 Mus musculus Traip gene Proteins 0.000 description 93
- 230000006399 behavior Effects 0.000 description 13
- 238000013439 planning Methods 0.000 description 5
- 241001269238 Data Species 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于智能公交系统数据的公交乘客OD推算方法,通过融合智能公交系统多个数据源,分析公交乘客出行时空特性推算乘客上车、下车、换乘站点,获取已知下车站点的乘客的站点间OD矩阵,并根据同一上车站点乘客的下车站点人数分布对矩阵扩算,得到全IC卡样本的公交站点间OD矩阵。本发明考虑了国内公交拥挤情况下乘客刷卡可能发生在公交车离站之后的情况,明确区分了换乘行为,并利用多日出行数据挖掘乘客出行模式,提高了一日单次出行的下车站点推算成功率,得到更合理可靠的OD矩阵。本发明容易实现,实用性强,并可处理较大数据量,可快速获得城市公交全网络上车、下车、换乘活动时空数据,可较好服务于大城市公交规划运营管理,具有较好的社会经济效益。
Description
技术领域
本发明属于城市智能公交数据挖掘,特别是基于智能公交系统数据获取乘客OD信息领域。
背景技术
随着城市社会经济不断发展,城市人口、用地规模不断增长,机动化水平不断提高,汽车保有量大幅增长,而城市道路容量的增长却相对较慢,伴随城市交通供需失衡的是交通拥堵、环境污染等一系列问题。优先发展公共交通来缓解现状的交通问题、应对未来交通的挑战已经成为各界的共识。公共交通具有道路占用率低、运量大、绿色高效且兼顾公平的特点,在城市缓堵保畅与环境改善方面具有先天优势。系统科学地规划、优化公交网络,提供便捷、快速、舒适的公交服务需要有与公交系统运行相关的数据作为支撑。为提升城市公交系统,为市民提供有竞争力的公交服务,许多大城市都建立了城市智能公交系统,其中包括公交收费系统,车辆定位系统等子系统,并记录了乘客的部分出行信息,如上车时间、线路等。公交乘客OD矩阵,记录乘客出行的起终点信息,矩阵的每一个数值Cij代表公交站i到公交站j的乘客量。公交乘客OD矩阵是公交规划运营管理过程中的重要基础数据,传统的公交乘客OD获取方法主要为人工调查,该方法耗时耗力,调查周期长、抽样率低,已不能适应当前城市交通快速发展的需要。城市智能交通系统中存储的海量数据为利用数据分析手段提取公交乘客OD信息提供了契机。
现有的关于利用IC卡与GPS数据推算公交乘客出行OD的专利与研究主要存在如下几个问题:
一是严格地认为乘客的上车时间介于公交车的进站和出站时间之间,没有考虑到国内公交系统由于车内拥挤可能存在乘客从后门上车,刷卡时公交车已离站的情况,导致部分上车站点推算错误。
二是忽视乘客在线路首末站等特殊站点的出行行为,仅假定通勤乘客“早出晚归”的两点模型,和乘客前后两次换乘行为空间距离最短且对换乘出行的判断过于简单。
三是下车站点推算过程中仅使用乘客当天的出行数据,对乘客多日连续的出行数据利用不足。
四是提出的上下车站点推断算法处理的数据量较小,仅选择少量线路的公交数据作为算例,而现实中乘客的上下车与换乘行为往往涉及全公交网络的范围,因此实用性有待提升。
发明内容
准确、可靠、时效性好的公交乘客OD数据是城市公交系统规划运营管理的基础,是制定合理高效的公交调度优化方案的保证,但一方面传统的人工调查方式具有耗时耗力、调查周期长等诸多缺陷,另一方面海量的城市智能公交系统数据又未被充分利用。为了克服城市公交OD数据获取难的问题,本发明公开了一种基于智能公交系统数据的公交乘客OD推算方法,该方法充分融合城市公交系统多个数据源,在系统分析公交乘客的出行时空特性的基础上,制定合理的规则推算公交乘客上车、下车、换乘站点,得到城市公交网络中站点间的OD矩阵,并根据同一上车站点乘客的下车站点人数分布情况对OD矩阵进行扩算,得到了IC卡全样本的OD矩阵。本发明以车辆当前站点到下一站点的进站时间为乘客上车站点判断的时间区间,考虑了国内公交拥挤情况下乘客刷卡可能发生在公交车离站之后的情况,并详细区分了乘客的换乘出行,提高OD矩阵的合理性,在处理一日只有一次刷卡的乘客时,利用了乘客多日的出行数据,挖掘乘客出行模式,使数据得到充分利用。
为了达到上述目的,本发明采用的技术为:
一种基于智能公交系统数据的公交乘客OD推算方法,该方法主要分为如下几个步骤:
(A)采集城市智能公交系统数据,建立智能公交数据分析数据库,该部分数据包括乘客的IC卡刷卡信息数据、车辆自动定位系统中车载GPS的运行数据、公交站点的GIS数据三个部分。
(B)根据步骤(A)采集得到的数据,根据数据清洗的原则,剔除无用数据,保证IC卡数据、GPS数据、公交站点GIS数据三者在时间和空间上的一致性,并对数据作一定结构化处理。
(C)根据步骤(B)处理后的数据,通过关联分析,针对每一条IC卡刷卡数据推算公交乘客的上车站点。
(D)根据步骤(C)得到的数据,首先仅利用乘客当日的上车数据,制定推算规则,推算乘客下车站点,在匹配完成后再结合乘客多日的出行数据,对下车站点尚未匹配成功的部分再次匹配。
(E)根据步骤(D)得到的数据,针对每一条IC卡数据,通过时空约束判断当前的出行是一次独立的出行还是一次换乘行为。
(F)根据步骤(E)得到的数据,统计分析得到城市公交站点间的OD矩阵,OD矩阵的任一元素cij代表公交网络中公交站i到公交站j的乘客量,并根据步骤(A)采集的IC卡数据对步骤(F)得到的数据进行扩算。
(B1)删除IC卡数据、GPS数据中的重复数据,针对GPS数据保证一辆车在一个时刻只有一条GPS数据,针对IC卡数据,保证一张卡没有重复数据。
(B2)对IC卡数据、GPS数据作结构化处理,数据在数据库中以一条记录的形式存储,结构化之后的IC卡数据应包括IC卡号、线路编号、车辆编号、刷卡时间等信息,结构化之后的GPS数据应包括车辆编号、线路编号、方向、进站时间、站点编号下一站进站时间、线路当日最早的进站时间、当日最晚的进站时间、站点编号等信息,站点GIS数据应包括站点编号、线路编号、站点名称、站点经纬度等信息。
(C1)关联GPS数据与IC卡数据,比较IC卡数据中的线路编号LineNo,车辆编号BusNo,刷卡时间ConsumeTime与GPS数据的线路编号LineId,车辆编号BusId,进站时间InTime,下一站进站时间NextInTime,当日最早进站时间FirstTime,当日最晚进站时间LastTime。如果LineId=LineNo且BusNo=BusId且InTime≤FisrtTime,则乘客的上车站点为该车辆当日首次发车起点站;如果LineId=LineNo且BusNo=BusId且InTime≥LastTime,则乘客的上车站点未知;如果LineId=LineNo且BusNo=BusId且InTime≤ConsumeTime≤NextInTime时,当前的站点即为乘客当前的上车站点,此处以车辆当前站的进站时间(InTime)到下一站的进站时间(NextInTime)为上车站点推算的时间约束,以应对车内拥挤时乘客刷卡发生在公交车离站之后的情况。
(C2)关联站点GIS数据与步骤(C1)得到的数据,比较步骤(C1)数据中的站点编号StopNo与站点GIS数据中的站点编号Station,步骤(C1)数据中的线路编号LineNo与GIS数据中的线路编号Line,当满足LineNo=Line且StopNo=Station,则可得到乘客上车的站点名称,上车位置。
(D1)根据步骤(C)处理后的数据,将乘客一天的出行数据按时间升序排列,若乘客上车站点未匹配成功,则该乘客当前出行、上一次出行下车站点均未知;或只有一条IC记录,对应出行的下车站点未知;若乘客前后两次出行上车站点一致,则该两次出行中前一次出行下车站点未知;若乘客当日最后一次出行与当日首次出行线路、方向均相同,则下车站点未知;
(D2)针对不属于步骤(D1)中的情况,设定乘客前后两次乘车可能的最大步行距离MaxDistance,若当前出行为乘客当日最后一次出行,则在乘客当前出行的线路及方向上搜索距离当日首次上车站点最近的站点,如搜索得到的站点距离首次上车站点之间的距离Distance<MaxDistance,则搜索到的站点为当前出行的下车站点,否则下车站点未知;若当前出行不为最后一次出行,则在当前出行的线路与方向上搜索距离该乘客下一次出行上车站点最近的站点,如搜索得到的站点距离下一次出行上车站点之间的距离Distance<MaxDistance,则搜索到的站点为当前出行的下车站点,否则下车站点未知。
(E1)统计分析乘客在多日出行中已经成功匹配上下车站点的出行数据,将上车时间相近且上下车站点相同的出行定义为该乘客的一个出行模式,并统计各出行模式出现的频次,建立乘客出行模式数据库。
(E2)针对步骤(D2)处理后一天中只有一条IC卡记录的乘客,搜索该乘客的出行模式,选择上车站点和上车时间与当前出行相近,上车站点与当前出行相同,且出现频次最高的出行模式的下车站点作为该出行的下车站点。
(E3)针对步骤(E2)处理之后的数据,若乘客在一天中的最后一次出行下车站点未匹配成功,则在该乘客当前的线路方向上搜索距离该乘客次日首次上车站点最近的站点,如搜索得到的站点距离首次上车站点之间的距离Distance<MaxDistance,则搜索到的站点为当前出行的下车站点,否则下车站点未知。
(E4)根据步骤(E3)得到的下车站点数据,并结合公交车量运行的GPS数据,推算出乘客的下车时间AlightTime,并添加到步骤(E3)处理后的数据中。
(E5)将出行次数大于1的乘客一天的出行数据按照时间升序排列,设定乘客的最大步行速度MaxSpeed,如果不是该乘客一天的最后一次出行,则计算该次出行的下车站点与下一次出行的上车站点之间的距离TransferDistance,并利用TransferDistance/MaxSpeed计算出乘客的步行时间WalkTime,则乘客到达下一次出行的上车站点的时间ArrivalTime=AlightTime+WalkTime,乘客的等车时间WaitTime为下一次乘车的上车时间ConsumeTime2与到达时间ArrivalTime之差,即WaitTime=ConsumeTime2-ArrivalTime。
(E6)跟据步骤(E5)处理后的数据,设定乘客的最大换乘时间MaxTransTime,最大换乘距离MaxTransDistance,最大等车时间MaxWaitTime,如果ConsumeTime2-AlightTime<MaxTransTime,且TransferDistance<MaxTransDistance,且WaitTime<MaxWaitTime则乘客的当前出行为一次换乘行为,并用标识符予以标识。
(F1)将乘客一天的出行数据按照刷卡时间升序排列,并将出行数据按照换乘与否分为两类,分别予以处理。
(F2)处理非换乘的出行数据,若乘客一次出行上车站点为i,下车站点为j,且不是换乘出行,则i为出行起点,j为出行终点,对应公交站点间OD矩阵的单元格Cij处的值增加1。
(F3)处理换乘的出行数据,若乘客一次出行上车站点为i,且为换乘行为,则依次判断其下一次出行是否为换乘,若下一次出行不为换乘,则下一次出行的下车站点j为乘客的出行终点,对应公交站点间OD矩阵的单元格Cij处的值增加1,若乘客下一次出行仍为换乘,则继续搜索再下一次出行数据,直到搜索到的出行数据不为换乘为止,再将搜索到的出行的下车站点k作为出行终点,对应公交站点间OD矩阵的单元格Cik处的值增加1。
(F4)统计步骤(73)处理后OD矩阵中各个站点的上车人数Ci,并计算由该站点i上车站点j下车的人数Cij占站点i上车人数Ci的比例Rij=Cij/Ci。
(F5)统计各个站点上车站点推算成功但下车站点推算不成功的乘客数Ci0,并按Rij分配到各个下车站点j。
本发明的有益效果主要体现在:
本发明所述的基于智能公交系统数据的公交乘客OD推算方法通过数据融合的手段,综合考虑城市公交乘客的出行特征,推算乘客的上车站点、下车站点、换乘站点并提取城市公交网络站点间的OD矩阵,最终可获得公交乘客的出行时空分布。该方法在上车站点推算时考虑了国内公交拥挤情况下乘客刷卡可能发生在公交车离站之后的情况,明确区分了乘客的换乘出行行为,并充分利用了乘客多日出行数据。本发明实用性强、精度较高能在短时间内获取公交线网的客流信息,能较好地服务于城市公共交通的规划、运营、管理,有利于提高城市公交系统的效率,缓解城市拥堵。
附图说明
图1为本发明方法的总体流程图。
具体实施方式
以下结合实例,进一步阐明本发明,应该理解该实例仅用于说明本发明而不用于限制本发明的范围,在阅读本发明之后,相关技术人员对本发明所做的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
利用成都市智能公交系统为例,以数据库为数据处理工具,利用地面公交近400条线路一周的IC卡数据、GPS数据、站点GIS数据来对本发明的具体实施方式进行说明。
1.数据收集与预处理
首先提取智能公交系统中相应时段的数据,下表为采集到的数据样本。
IC卡数据样本表
字段 | 字段意义 | 数据样本 |
CardNo | 卡号 | 000103293340 |
ConsumeTime | 刷卡时间 | 2014-11-09 07:38:33 |
LineNo | 线路编号 | 20 |
BusNo | 车辆编号 | 011060 |
GPS数据中原本只包含车辆在当前站点的进站时间,不包含车辆下一站的进站时间,车辆在当天最早的进站时间、车辆在当天最晚的进站时间,此处需要对数据进行一定处理,这一过程可以在数据库中实现。
GPS数据样本表
字段 | 字段意义 | 数据样本 |
BusId | 车辆 | 046006 |
LineId | 线路 | 1 |
InTime | 进站时间 | 2014-11-03 06:52:14 |
NextInTime | 下一站进站时间 | 2014-11-03 06:55:12 |
MinInTime | 该车辆当日最早进站时间 | 2014-11-03 06:32:10 |
MaxInTime | 该车辆当日最晚进站时间 | 2014-11-03 22:28:19 |
StopNo | 站点编号 | 20061 |
站点GIS数据中,根据线路的往返不同方向分别用不同标识符标识,如0,1等。
GIS数据样本表
字段 | 字段意义 | 数据样本 |
Route | 线路编号 | 1 |
Stop | 站点编号 | 30966 |
StopName | 站点名称 | 昭觉寺公交站 |
Lot | 经度 | 104.10078 |
Lat | 纬度 | 30.707539 |
Dir | 方向 | 1 |
处理IC卡数据,GPS数据,GIS数据中重复数据,异常数据,使三个部分的数据能够相互对应。
2.上车站点推算
首先关联GPS数据与站点GIS数据,关联的规则为通过关联分析,可以得到GPS数据中站点编号所对应的站点名称与位置,以及站点对应的方向。
然后关联IC卡数据与GPS数据,这一过程可以在数据库中实现。比较IC卡数据中的线路编号LineNo、车辆编号BusNo、刷卡时间ConsumeTime与GPS数据中的线路编号LineId、车辆编号BusId、进站时间InTime、下一站进站时间NextInTime、最早进站时间FirstTime、最晚进站时间LastTime。
如果则当前的站点为乘客上车站点,
如果则车辆首次发车的线路方向的起点站为乘客的上车站点,
如果则乘客的上车站点未知。
3.下车站点推算
首先将上车站点推算之后的数据按照乘客的刷卡时间升序排列,并从数据中统计得出乘客的一些出行序列的信息,包括乘客在当天总计刷卡次数、乘客一天中使用的站点数量(不同的上车站点的个数),乘客每次出行对应的下一次出行的上车站点、上车线路,乘客最早出行的线路及站点。这些信息可以通过数据库统计得出,然后创建为新表,一样通过关联的方式添加到上车站点推算完成后的数据表中。
(1)如果乘客只有一条IC记录,则对应出行的下车站点未知;
(2)如果乘客上车站点未匹配成功,则该乘客当前出行、上一次出行下车站点均未知;
(3)如果乘客前后两次出行上车站点一致,则该两次出行中前一次出行下车站点未知;
(4)如果乘客当日最后一次出行与当日首次出行线路、方向均相同,则下车站点未知;
在排除以上4种情况后,设定乘客前后两次乘车可能的最大步行距离MaxDistance,针对其余出行数据:
(5)如果为最后一次出行,则在出行的线路及方向上搜索距离该乘客当日首次上车站点最近的站点,若两者的距离Distance<MaxDistance,则搜索到的站点为乘客的下车站点。
(6)如果不为最后一次出行,则在当前的线路及方向上搜索距离该乘客下一次出行上车站点最近的站点,若两者的距离Distance<MaxDistance,则搜索到的站点为乘客的下车站点。
(7)在上述步骤完成后,对于一天中只有一次刷卡的乘客,通过统计该乘客的在一定时间段内(这里为一周)的出行时空特点,发现乘客的出行模式,再将乘客一日一次的出行与其各个出行模式相比较,选择时空特性匹配且出现频次高的出行模式的下车站点作为单次出行的下车站点。
关于乘客出行模式,主要考虑出行起终点和上车时间,如果某乘客在一周内多次从站点A上车,从站点B下车,且出行时间相差不大,则这些出行就定义了该乘客的一个出行模式。多次出行的时间差异大小,以及类似出行的频次才被定义为一个出行模式,当视情况而定。
(8)在步骤(7)完成后,对于最后一次出行,在乘客当前出行的线路及方向上搜索距该乘客次日首次出行上车站点距离最近的站点,若两者之间的距离Distance<MaxDistance,则搜索得到的站点为乘客的下车站点。
由于大城市的公交线网庞大,线路站点数量均较多,在上述步骤(5)、(6)中需要对站点间的距离进行计算以搜索下车站点。在实际实施过程中为克服运算量过大的情况,可以考虑预先对城市公交线网间站点的距离信息进行计算并在数据库中创建表来存储,以下为站点间距离的表信息:
站点间距离信息表
搜索起点站在步骤(5),(6)中分别对应乘客当日首次乘车的上车站点、乘客下一次出行的上车站点,目的站即对应搜索的下车站点,目的站所在线路和目的站所在方向分别对应乘客当前出行的线路和方向。在实际实施过程中,距离大于乘客最大步行距离时,搜索到的目的站不满足要求,所以可以根据距离来剔除不需要的数据,控制表的规模。
4.换乘站点推算
换乘站点的推算其目标在于明确区分乘客的一次刷卡是一次单独的出行还是换乘行为,换乘行为即乘客在某站下车完全是出于换乘其他车辆的需要,分以下3个步骤:
(1)在下车站点推算完成后,需要再次对乘客每次出行的信息进行扩充,扩充的内容包括:乘客当前出行的下车时间,下一次出行的上车站点、下一次出行的上车时间、本次出行下车站点与下一次出行上车站点之间的距离,即实际步行距离WalkDistance。
(2)确定乘客最大换乘时间MaxTransTime,最大等车时间MaxWaitTime,最大步行速度MaxSpeed。计算乘客从下车到第二次出行上车之间的时间(ConsumeTime2-AlightTime)。利用乘客前后两次乘车实际步行距离和最大步行速度计算出乘客的步行时间WalkTime,再根据乘客的下车时间AlightTime计算出乘客到达下一次乘车的上车站点的时间ArrivalTime,即最后计算乘客的等车时间WaitTime,计算方法为WaitTime=ConsumeTime2-AlightTime。
(3)当满足WalkDistance<MaxTransDistance
且(ConsumeTime2-AlightTime)<MaxTransTime且WaitTime<MaxWaitTime时,该出行为换乘行为。
5.OD获取与扩算
OD获取建立在换乘判断完成的基础上,由于本实例在数据库中完成,OD信息以表的形式存储,也可以结合其他编程语言对OD信息作形式上的变换或者可视化表达,表格式如下:
OD信息表
字段 | 字段意义 | 数据样本 |
O | 起点 | 31332 |
D | 终点 | 30229 |
Volume_OD | 乘客量 | 454 |
针对乘客的每一条出行数据,如果不为换乘行为,则上车站点i和下车站点j分别对应OD信息的O点和D点,相应的Volume_OD自增1;如果当前出行为换乘行为,则该出行的上车站点i对应OD信息的O点,然后继续判断该乘客的下一次出行,如果不为换乘,则对应下车站点j为该乘客整个出行链的最终目的地,即对应OD信息的D点,相应的Volume_OD自增1,如果下一次仍为换乘,则继续判断下一次出行,直到搜索到不为换乘的出行为止,并取其下车站点j为该乘客整个出行链的最终目的地,即对应OD信息的D点,相应的Volume_OD自增1。
6.算例说明
以成都市2014-11-03到2014-11-09一周的IC卡数据、GPS数据以及站点的GIS数据对以本发明方法作了实际算例,其中共计IC卡数据24044425条,涉及354条公交线路近8000量公交车。算例运行的硬件环境为:四核3.30GHzCPU,8G内存。软件环境为Windows7操作系统,Oracle11g数据库。最终上车站点推算成功率达到97.5%,下车站点推算成功率达到76.14%,通过统计分析,可以得到乘客的上下车站点时空分布特性。以下是具体的实施过程:
6.1数据收集与预处理
在Oracle数据库中,创建三张表分别用于存储IC卡数据、GPS数据、站点GIS数据,删除各个数据源中存在的重复数据、异常数据,对各部分数据各个字段的格式、精度统一控制,确保IC卡数据与GPS数据的正确对应。
6.2上车站点推算
在数据清洗完成的基础上,首先通过车辆编号、线路编号、时间来关联IC卡数据与GPS数据,获取GPS数据中车辆进出站点的编号,再将关联后的数据与站点GIS数据关联,获取站点GIS数据中的站点名称、站点经纬度等信息。在上车站点推算的过程中,GPS数据缺失、IC卡数据本身的异常可能导致上车站点推算不成功。2014-09-03到2014-09-09一周共24044425条IC卡刷卡数据在上车站点推算完成后,其结果如下:
6.3下车站点推算
在上车站点推算完成的基础上,在oracle数据库中统计出每一个乘客一天中最早出行的线路、站点、最晚出行的线路、站点、全天的刷卡次数、全天使用的站点数、以及每次出行所对应的下一次出行的线路、站点、上车时间、方向等信息并添加到每一条IC卡刷卡数据之后,通过比较乘客当前出行的线路、方向与该乘客下一次出行的线路、方向、上车站点,推算得到乘客的下车站点。针对最后一次出行的情况,通过对比该次出行的线路、方向与该乘客在当天的首次出行的线路、方向、上车站点,推算得到乘客的下车站点,在此基础上,针对下车站点仍未推算成功的IC卡数据,以乘客次日首次出行的上车站点为起点,在当前线路、方向上搜索距离满足最大步行距离约束的站点为下车站点。针对当天只有一次刷卡的乘客,在已经成功推算上车站点、下车站点的数据中,按照上车站点和上车时间分析统计出乘客的出行模式,再与乘客当日的单次出行进行对比,并选取对应出行模式的下车站点作为乘客该次出行的下车站点。在将2014-09-03至2016-09-09一周的刷卡数据进行下车站点推算后,得到结果如下:
6.4换乘站点推算
换乘站点推算在下车站点推算的基础上完成,在最大换乘间隔、最大等车时间与最大换乘距离的约束下,通过比较乘客任一连续的两次出行的换乘距离、等车时间可以逐一判断乘客的当前出行是一次独立的出行还是一次换乘出行,在2014-09-03到2014-09-09一周的时间内,76.23%的出行是一个完整的出行活动,剩余的23.77%的出行是换乘出行,即周公交出行换乘率约为1.23。
6.5OD获取与扩算
在换乘站点推算完成的基础上,针对一次独立的出行,则上车站点为出行起点,下车站点为出行终点,针对包含至少一次换乘的出行,则最早一次乘车的上车站点为本次出行的起点,最后一次换乘的下车站点为该乘客最终的出行终点。提取出来的OD矩阵还不是全样本的OD矩阵,将下车站点未推算成功的出行数据,按照已推算成功的数据中各个OD点对的出行量所占的比例分配到各个OD点对之间,最终得到的OD矩阵局部如下:
本发明对应用城市智能公交系统数据推算公交乘客OD的方法进行研究,本发明提出的方法通过数据融合的手段,在分析公交乘客出行特性的基础上制定算法,推算乘客出行OD信息。该方法具有以下特点:
(1)可准确知道乘客出行的上车站点、下车站点,能提取出乘客一天中的完整出行链,并通过统计分析获得站点间OD。(2)明确区分了乘客的换乘行为,可有效服务于城市公交线路的优化。(3)在推算乘客下车站点的过程中,充分考虑了乘客在多日出行中的出行特性,提高了下车站点的推算成功率。(4)本方法可操作性强,并能处理大量的数据,不仅能获得单线的客流信息,也能在较短时间内获得整个公交网络的站点间OD矩阵,相比于传统的人工调查,本发明所提出的方法数据量样本全,时效性好,相对于交通小区的OD,站点OD精度也更高,能更好地服务于城市公交系统的规划运营管理。由于数据资源的限制,本发明主要针对城市地面公交系统,如果在推算过程中加入其他公交子系统的运营数据,如自行车、BRT、轻轨、地铁等,有望进一步提高公交站点间OD数据的精度。
Claims (7)
1.一种基于智能公交系统数据的公交乘客OD推算方法,该方法主要分为如下几个步骤:
(A)采集城市智能公交系统数据,建立智能公交数据分析数据库,该部分数据包括乘客的IC卡刷卡信息数据、车辆自动定位系统中车载GPS的运行数据、公交站点的GIS数据三个部分;
(B)根据步骤(A)采集得到的数据,根据数据清洗的原则,剔除无用数据,保证IC卡数据、GPS数据、公交站点GIS数据三者在时间和空间上的一致性,并对数据作一定结构化处理;
(C)根据步骤(B)处理后的数据,通过关联分析,针对每一条IC卡刷卡数据推算公交乘客的上车站点;
(D)根据步骤(C)得到的数据,首先仅利用乘客当日的上车数据,采用推算规则,推算乘客下车站点,在匹配完成后再结合乘客多日的出行数据,对下车站点尚未匹配成功的部分再次匹配;
(E)根据步骤(D)得到的数据,针对每一条IC卡数据,通过时空约束判断当前的出行是一次独立的出行还是一次换乘行为;
(F)根据步骤(E)得到的数据,集合处理得到城市公交站点间的OD矩阵,OD矩阵的任一个元素cij代表公交网络中公交站i到公交站j的乘客量,并根据步骤(A)采集的IC卡数据对步骤(F)得到的数据进行扩算。
2.根据权利要求1中所述的一种基于智能公交系统数据的公交乘客OD推算方法,其特征在于,所述步骤(B)中制定数据清洗规则,剔除无用数据,包括以下步骤:
(21)删除IC卡数据、GPS数据中的重复数据,针对GPS数据保证一辆车在一个时刻只有一条GPS数据,针对IC卡数据,保证一张卡没有重复数据;
(22)对IC卡数据、GPS数据作结构化处理,数据在数据库中以一条记录的形式存储,结构化之后的IC卡数据包括IC卡号、线路编号、车辆编号、刷卡时间信息;结构化之后的GPS数据包括车辆编号、线路编号、方向、进站时间、站点编号、下一站进站时间、线路当日最早的进站时间、当日最晚的进站时间、站点编号信息,站点GIS数据包括站点编号、线路编号、站点名称、站点经纬度信息。
3.根据权利要求1中所述一种基于智能公交系统数据的公交乘客OD推算方法,其特征在于,所述步骤(C)中通过关联分析推算公交乘客上车站点,包括以下步骤:
(31)关联GPS数据与IC卡数据,比较IC卡数据中的线路编号LineNo,车辆编号BusNo,刷卡时间ConsumeTime与GPS数据的线路编号LineId,车辆编号BusId,进站时间InTime,下一站进站时间NextInTime,当日最早进站时间FirstTime,当日最晚进站时间LastTime;如果LineId=LineNo且BusNo=BusId且InTime≤FisrtTime,则乘客的上车站点为该车辆当日首次发车起点站;如果LineId=LineNo且BusNo=BusId且InTime≥LastTime,则乘客的上车站点未知;如果LineId=LineNo且BusNo=BusId且InTime≤ConsumeTime≤NextInTime时,当前的站点即为乘客当前的上车站点;
(32)关联站点GIS数据与步骤(31)得到的数据,比较步骤(31)数据中的站点编号StopNo与站点GIS数据中的站点编号Station,步骤(31)数据中的线路编号LineNo与GIS数据中的线路编号Line,当满足LineNo=Line且StopNo=Station,则可得到乘客上车的站点名称,上车位置。
4.根据权利要求1中所述一种基于智能公交系统数据的公交乘客OD推算方法,其特征在于,所述步骤(D)中仅利用乘客当日上车数据,制定下车站点推算规则,推算其下车站点,包括以下步骤:
(41)根据步骤(C)处理后的数据,将乘客一天的出行数据按时间升序排列,若乘客上车站点未匹配成功,则该乘客当前出行、上一次出行下车站点均未知;或只有一条IC记录,对应出行的下车站点未知;若乘客前后两次出行上车站点一致,则该两次出行中前一次出行下车站点未知;若乘客当日最后一次出行与当日首次出行线路、方向均相同,则下车站点未知;
(42)针对不属于步骤(41)中的情况,设定乘客前后两次乘车可能的最大步行距离MaxDistance,若当前出行为乘客当日最后一次出行,则在乘客当前出行的线路及方向上搜索距离当日首次上车站点最近的站点,如搜索得到的站点距离首次上车站点之间的距离Distance<MaxDistance,则搜索到的站点为当前出行的下车站点,否则下车站点未知;若当前出行不为最后一次出行,则在当前出行的线路与方向上搜索距离该乘客下一次出行上车站点最近的站点,如搜索得到的站点距离下一次出行上车站点之间的距离Distance<MaxDistance,则搜索到的站点为当前出行的下车站点,否则下车站点未知。
5.根据权利要求1中所述一种基于智能公交系统数据的公交乘客OD推算方法,其特征在于,所述步骤(D)中在仅利用乘客当日上车数据推算其下车站点完成后,再结合乘客多日的出行数据,对下车站点尚未匹配成功的部分再次匹配包括以下步骤:
(51)统计分析乘客在多日出行中已经成功匹配上下车站点的出行数据,将上车时间相近且上下车站点相同的出行定义为该乘客的一个出行模式,并统计各出行模式出现的频次,建立乘客出行模式数据库;
(52)针对步骤(42)处理后一天中只有一条IC卡记录的乘客,搜索该乘客的出行模式,选择上车站点和上车时间与当前出行相近,上车站点与当前出行相同,且出现频次最高的出行模式的下车站点作为该出行的下车站点;
(53)针对步骤(52)处理之后的数据,若乘客在一天中的最后一次出行下车站点未匹配成功,则在该乘客当前的线路方向上搜索距离该乘客次日首次上车站点最近的站点,如搜索得到的站点距离首次上车站点之间的距离Distance<MaxDistance,则搜索到的站点为当前出行的下车站点,否则下车站点未知。
6.根据权利要求1中所述的一种基于智能公交系统数据的公交乘客OD推算方法,其特征在于,所述步骤(E)中,通过时空约束判断当前的出行是一次独立的出行还是一次换乘行为,包括以下步骤:
(61)根据步骤(53)得到的下车站点数据,并结合公交车辆运行的GPS数据,推算出乘客的下车时间AlightTime,并添加到步骤(53)处理后的数据中;
(62)将IC卡数据条数大于1的乘客一天的出行数据按照时间升序排列,设定乘客的最大步行速度MaxSpeed,如果不是该乘客一天的最后一次出行,则计算该次出行的下车站点与下一次出行的上车站点之间的距离TransferDistance,并利用TransferDistance/MaxSpeed计算出乘客的步行时间WalkTime,则乘客到达下一次出行的上车站点的时间ArrivalTime=AlightTime+WalkTime,乘客的等车时间WaitTime为下一次乘车的上车时间ConsumeTime2与到达时间ArrivalTime之差,即WaitTime=ConsumeTime2-ArrivalTime;
(63)跟据步骤(62)处理后的数据,设定乘客的最大换乘时间MaxTransTime、最大换乘距离MaxTransDistance,最大等车时间MaxWaitTime,如果ConsumeTime2-AlightTime<MaxTransTime,且TransferDistance<MaxTransDistance,且WaitTime<MaxWaitTime,则乘客的当前出行为一次换乘行为,并用标识符予以标识。
7.根据权利要求1中所述的一种基于智能公交系统数据的公交乘客OD推算方法,其特征在于,所述步骤(F)中,根据步骤(E)得到的数据,统计分析得到城市公交站点间的OD矩阵,并根据步骤(A)采集的IC卡数据对步骤(F)得到的数据进行扩算,包括以下步骤:(71)将乘客一天的出行数据按照刷卡时间升序排列,并将出行数据按照换乘与否分为两类,分别予以处理;
(72)处理非换乘的出行数据,若乘客一次出行上车站点为i,下车站点为j,且不是换乘出行,则i为出行起点,j为出行终点,对应公交站点间OD矩阵的单元格Cij处的值增加1;(73)处理换乘的出行数据,若乘客一次出行上车站点为i,且为换乘行为,则依次判断其下一次出行是否为换乘,若下一次出行不为换乘,则下一次出行的下车站点j为乘客的出行终点,对应公交站点间OD矩阵的单元格Cij处的值增加1,若乘客下一次出行仍为换乘,则继续搜索再下一次出行数据,直到搜索到的出行数据不为换乘为止,再将搜索到的出行的下车站点k作为出行终点,对应公交站点间OD矩阵的单元格Cik处的值增加1;
(74)统计步骤(73)处理后OD矩阵中各个站点的上车人数Ci,并计算由该站点i上车站点j下车的人数Cij占站点i上车人数Ci的比例Rij=Cij/Ci;
(75)统计各个站点上车站点推算成功但下车站点推算不成功的乘客数Ci0,并按Rij分配到各个下车站点j。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610229224.9A CN105788260B (zh) | 2016-04-13 | 2016-04-13 | 一种基于智能公交系统数据的公交乘客od推算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610229224.9A CN105788260B (zh) | 2016-04-13 | 2016-04-13 | 一种基于智能公交系统数据的公交乘客od推算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105788260A true CN105788260A (zh) | 2016-07-20 |
CN105788260B CN105788260B (zh) | 2018-10-30 |
Family
ID=56397280
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610229224.9A Expired - Fee Related CN105788260B (zh) | 2016-04-13 | 2016-04-13 | 一种基于智能公交系统数据的公交乘客od推算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105788260B (zh) |
Cited By (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106504525A (zh) * | 2016-10-12 | 2017-03-15 | 电子科技大学 | 基于ic卡数据的od矩阵生成技术及其应用研究 |
CN106530190A (zh) * | 2016-10-28 | 2017-03-22 | 西安建筑科技大学 | 基于历史出行模式判断公交ic卡乘客下车站点的方法 |
CN106570182A (zh) * | 2016-11-12 | 2017-04-19 | 中兴软创科技股份有限公司 | 公交车辆下车站点识别方法与系统 |
CN106683404A (zh) * | 2016-12-06 | 2017-05-17 | 华南理工大学 | 一种通过手机定位技术获取公交客流od的方法 |
CN106875686A (zh) * | 2017-04-16 | 2017-06-20 | 北京工业大学 | 一种基于信令和浮动车数据的小汽车od提取方法 |
CN107818412A (zh) * | 2017-10-18 | 2018-03-20 | 福州大学 | 一种基于MapReduce的大规模公交乘客OD并行计算方法 |
CN107886723A (zh) * | 2017-11-13 | 2018-04-06 | 深圳大学 | 一种交通出行调查数据处理方法 |
CN108133592A (zh) * | 2018-01-27 | 2018-06-08 | 内蒙古大学 | 一种基于站点采集设备的公交od调查系统 |
CN108205894A (zh) * | 2018-01-02 | 2018-06-26 | 苏州桠鑫电子科技有限公司 | 基于过往车辆速度判断公交路线拥挤度的方法 |
CN108242146A (zh) * | 2016-12-27 | 2018-07-03 | 北京亿阳信通科技有限公司 | 基于公交卡数据分析乘客乘车站点及时间的方法和系统 |
CN108256101A (zh) * | 2018-01-31 | 2018-07-06 | 东南大学 | 一种基于公共自行车刷卡数据和poi数据识别租赁者通勤od的方法 |
CN108389420A (zh) * | 2018-03-13 | 2018-08-10 | 重庆邮电大学 | 一种基于历史出行特征的公交乘客下车站点实时识别方法 |
CN108831182A (zh) * | 2018-05-07 | 2018-11-16 | 佛山科学技术学院 | 一种城市公交网络od矩阵构建方法 |
CN109166337A (zh) * | 2018-09-04 | 2019-01-08 | 深圳市东部公共交通有限公司 | 公交到站时间生成方法、装置及公交乘客出行od获取方法 |
CN109307512A (zh) * | 2017-07-27 | 2019-02-05 | 杭州海康威视数字技术股份有限公司 | 一种车辆定位方法、装置及设备 |
CN109410568A (zh) * | 2018-09-18 | 2019-03-01 | 广东中标数据科技股份有限公司 | 基于用户画像和换乘规律的下车站点推测方法及系统 |
CN109524116A (zh) * | 2018-11-30 | 2019-03-26 | 深圳大学 | 公汽出行个体可吸入细颗粒物暴露风险评估方法 |
CN109523064A (zh) * | 2018-10-26 | 2019-03-26 | 上海城市交通设计院有限公司 | 一种基于多网融合的智能微枢纽 |
CN109615179A (zh) * | 2018-11-16 | 2019-04-12 | 浩鲸云计算科技股份有限公司 | 一种单条公交线路与轨道之间换乘量的计算方法 |
CN109636120A (zh) * | 2018-11-16 | 2019-04-16 | 浩鲸云计算科技股份有限公司 | 一种公交过需站点的真实od的分析方法 |
CN110084442A (zh) * | 2019-05-16 | 2019-08-02 | 重庆大学 | 一种联合公交和轨道交通刷卡数据进行客流od计算的方法 |
CN110135475A (zh) * | 2019-04-26 | 2019-08-16 | 重庆大学 | 一种基于一票制公交车刷卡数据的上车站点推算方法 |
CN110188923A (zh) * | 2019-05-06 | 2019-08-30 | 西南交通大学 | 一种基于大数据技术的多模式公交客流推算方法 |
CN110929982A (zh) * | 2019-10-15 | 2020-03-27 | 江苏纬信工程咨询有限公司 | 基于融合数据的公交线网客流检测方法与系统 |
CN111046937A (zh) * | 2019-12-05 | 2020-04-21 | 南京智慧交通信息有限公司 | 一种融合公交数据和poi数据的两段式乘客人群出行目的分析方法 |
CN111191816A (zh) * | 2019-12-05 | 2020-05-22 | 东南大学 | 城市轨道交通乘客出行时间链辨识系统 |
CN111275241A (zh) * | 2020-01-08 | 2020-06-12 | 天津大学 | 基于机器学习决策树的公交车乘客下车站点推断方法 |
CN111339159A (zh) * | 2020-02-24 | 2020-06-26 | 交通运输部科学研究院 | 一种一票制公交数据的分析挖掘方法 |
CN111639973A (zh) * | 2020-06-02 | 2020-09-08 | 广州交通信息化建设投资营运有限公司 | 基于多元融合大数据的公交客流od推导方法及装置 |
CN111754760A (zh) * | 2019-03-28 | 2020-10-09 | 北京交研智慧科技有限公司 | 一种确定公交下车站点的方法、装置及上位机 |
CN111858806A (zh) * | 2020-07-09 | 2020-10-30 | 武汉译码当先科技有限公司 | 乘客出行轨迹检测方法、装置、设备及存储介质 |
CN111932411A (zh) * | 2020-09-30 | 2020-11-13 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种确定城市用地功能的方法、装置及终端设备 |
CN112767685A (zh) * | 2020-12-22 | 2021-05-07 | 荆门汇易佳信息科技有限公司 | 基于定位和刷卡信息的公交客流分析系统 |
CN112783945A (zh) * | 2021-01-21 | 2021-05-11 | 广州羊城通有限公司 | 公交下车站点的判定方法及装置 |
CN112927547A (zh) * | 2021-01-21 | 2021-06-08 | 广州羊城通有限公司 | 下车时间的补充方法及装置 |
CN112950943A (zh) * | 2021-02-18 | 2021-06-11 | 重庆交通开投科技发展有限公司 | 基于多元数据的换乘站点推算方法 |
CN113159416A (zh) * | 2021-04-19 | 2021-07-23 | 深圳大学 | 一种公交单次刷卡下车站点的推算方法及智能终端 |
CN113255552A (zh) * | 2021-06-04 | 2021-08-13 | 深圳市城市交通规划设计研究中心股份有限公司 | 公交车载视频乘客od分析系统、方法、装置及存储介质 |
CN113361885A (zh) * | 2021-05-28 | 2021-09-07 | 同济大学 | 一种基于多源数据的双目标城市公交效益评价方法 |
CN114882693A (zh) * | 2022-03-23 | 2022-08-09 | 昆明理工大学 | 一种基于刷卡数据深度挖掘的公交乘客下车站点预测方法 |
CN115376325A (zh) * | 2022-10-25 | 2022-11-22 | 中咨数据有限公司 | 基于出行链的公共交通换乘数据筛选系统、方法及应用 |
CN115630938A (zh) * | 2022-12-08 | 2023-01-20 | 智慧足迹数据科技有限公司 | 通勤行程识别方法、装置、计算机设备及可读存储介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563651B (zh) * | 2017-09-07 | 2021-06-08 | 深圳市蓝泰源信息技术股份有限公司 | 一种公交系统的基于大数据客流分析方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102324128A (zh) * | 2011-05-24 | 2012-01-18 | 北京交通大学 | 基于ic卡记录的公交站间od客流预测方法及装置 |
CN104766473A (zh) * | 2015-02-09 | 2015-07-08 | 北京工业大学 | 基于多模式公交数据匹配的公共交通出行特征提取方法 |
CN104809344A (zh) * | 2015-04-23 | 2015-07-29 | 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 |
CN105405292A (zh) * | 2015-12-13 | 2016-03-16 | 北京工业大学 | 一种利用公交双次刷卡数据计算乘客上车时间的方法 |
-
2016
- 2016-04-13 CN CN201610229224.9A patent/CN105788260B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102324128A (zh) * | 2011-05-24 | 2012-01-18 | 北京交通大学 | 基于ic卡记录的公交站间od客流预测方法及装置 |
CN104766473A (zh) * | 2015-02-09 | 2015-07-08 | 北京工业大学 | 基于多模式公交数据匹配的公共交通出行特征提取方法 |
CN104809344A (zh) * | 2015-04-23 | 2015-07-29 | 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 |
CN105405292A (zh) * | 2015-12-13 | 2016-03-16 | 北京工业大学 | 一种利用公交双次刷卡数据计算乘客上车时间的方法 |
Non-Patent Citations (9)
Title |
---|
WANG SHI-WEI等: "Research on the model and algorithm of origin-destination matrix estimation for urban rail transit", 《TRANSPORTATION, MECHANICAL, AND ELECTRICAL ENGINEERING (TMEE), 2011 INTERNATIONAL CONFERENCE ON》 * |
丘建栋等: "智能公交技术在交通模型中的应用研究", 《城市交通规划》 * |
吴子啸: "基于公交GIS和IC卡数据的综合交通建模新思路", 《城市交通》 * |
吴祥国: "基于公交IC卡和GPS数据的居民公交出行OD矩阵推导与应用", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
杨盛华: "基于现代信息技术的公交客流数据采集方法及应用研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
章威等: "基于GPS与IC卡的公交OD量采集方法", 《交通与计算机》 * |
章玉: "基于数据挖掘的动态公交客流OD获取方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
董海洋: "公交客流实时分析与短时预测研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
赵鹏: "基于成都公交IC卡数据的乘客上下车站点推算方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (63)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106504525A (zh) * | 2016-10-12 | 2017-03-15 | 电子科技大学 | 基于ic卡数据的od矩阵生成技术及其应用研究 |
CN106530190A (zh) * | 2016-10-28 | 2017-03-22 | 西安建筑科技大学 | 基于历史出行模式判断公交ic卡乘客下车站点的方法 |
CN106570182A (zh) * | 2016-11-12 | 2017-04-19 | 中兴软创科技股份有限公司 | 公交车辆下车站点识别方法与系统 |
CN106683404B (zh) * | 2016-12-06 | 2019-10-18 | 华南理工大学 | 一种通过手机定位技术获取公交客流od的方法 |
CN106683404A (zh) * | 2016-12-06 | 2017-05-17 | 华南理工大学 | 一种通过手机定位技术获取公交客流od的方法 |
CN108242146A (zh) * | 2016-12-27 | 2018-07-03 | 北京亿阳信通科技有限公司 | 基于公交卡数据分析乘客乘车站点及时间的方法和系统 |
CN108242146B (zh) * | 2016-12-27 | 2020-10-16 | 北京亿阳信通科技有限公司 | 基于公交卡数据分析乘客乘车站点及时间的方法和系统 |
CN106875686B (zh) * | 2017-04-16 | 2020-05-08 | 北京工业大学 | 一种基于信令和浮动车数据的小汽车od提取方法 |
CN106875686A (zh) * | 2017-04-16 | 2017-06-20 | 北京工业大学 | 一种基于信令和浮动车数据的小汽车od提取方法 |
CN109307512A (zh) * | 2017-07-27 | 2019-02-05 | 杭州海康威视数字技术股份有限公司 | 一种车辆定位方法、装置及设备 |
CN109307512B (zh) * | 2017-07-27 | 2021-05-14 | 杭州海康威视数字技术股份有限公司 | 一种车辆定位方法、装置及设备 |
CN107818412A (zh) * | 2017-10-18 | 2018-03-20 | 福州大学 | 一种基于MapReduce的大规模公交乘客OD并行计算方法 |
CN107886723A (zh) * | 2017-11-13 | 2018-04-06 | 深圳大学 | 一种交通出行调查数据处理方法 |
CN107886723B (zh) * | 2017-11-13 | 2021-07-20 | 深圳大学 | 一种交通出行调查数据处理方法 |
CN108205894A (zh) * | 2018-01-02 | 2018-06-26 | 苏州桠鑫电子科技有限公司 | 基于过往车辆速度判断公交路线拥挤度的方法 |
CN108205894B (zh) * | 2018-01-02 | 2020-10-09 | 苏州桠鑫电子科技有限公司 | 基于过往车辆速度判断公交路线拥挤度的方法 |
CN108133592A (zh) * | 2018-01-27 | 2018-06-08 | 内蒙古大学 | 一种基于站点采集设备的公交od调查系统 |
CN108256101B (zh) * | 2018-01-31 | 2020-07-28 | 东南大学 | 基于公共自行车刷卡数据和poi识别通勤od的方法 |
CN108256101A (zh) * | 2018-01-31 | 2018-07-06 | 东南大学 | 一种基于公共自行车刷卡数据和poi数据识别租赁者通勤od的方法 |
CN108389420A (zh) * | 2018-03-13 | 2018-08-10 | 重庆邮电大学 | 一种基于历史出行特征的公交乘客下车站点实时识别方法 |
CN108831182A (zh) * | 2018-05-07 | 2018-11-16 | 佛山科学技术学院 | 一种城市公交网络od矩阵构建方法 |
CN109166337A (zh) * | 2018-09-04 | 2019-01-08 | 深圳市东部公共交通有限公司 | 公交到站时间生成方法、装置及公交乘客出行od获取方法 |
CN109410568A (zh) * | 2018-09-18 | 2019-03-01 | 广东中标数据科技股份有限公司 | 基于用户画像和换乘规律的下车站点推测方法及系统 |
CN109410568B (zh) * | 2018-09-18 | 2022-04-22 | 广东中标数据科技股份有限公司 | 基于用户画像和换乘规律的下车站点推测方法及系统 |
CN109523064B (zh) * | 2018-10-26 | 2022-02-18 | 上海城市交通设计院有限公司 | 一种基于多网融合的智能微枢纽 |
CN109523064A (zh) * | 2018-10-26 | 2019-03-26 | 上海城市交通设计院有限公司 | 一种基于多网融合的智能微枢纽 |
CN109636120A (zh) * | 2018-11-16 | 2019-04-16 | 浩鲸云计算科技股份有限公司 | 一种公交过需站点的真实od的分析方法 |
CN109615179A (zh) * | 2018-11-16 | 2019-04-12 | 浩鲸云计算科技股份有限公司 | 一种单条公交线路与轨道之间换乘量的计算方法 |
CN109524116A (zh) * | 2018-11-30 | 2019-03-26 | 深圳大学 | 公汽出行个体可吸入细颗粒物暴露风险评估方法 |
CN111754760A (zh) * | 2019-03-28 | 2020-10-09 | 北京交研智慧科技有限公司 | 一种确定公交下车站点的方法、装置及上位机 |
CN111754760B (zh) * | 2019-03-28 | 2021-12-21 | 北京交研智慧科技有限公司 | 一种确定公交下车站点的方法、装置及上位机 |
CN110135475A (zh) * | 2019-04-26 | 2019-08-16 | 重庆大学 | 一种基于一票制公交车刷卡数据的上车站点推算方法 |
CN110188923A (zh) * | 2019-05-06 | 2019-08-30 | 西南交通大学 | 一种基于大数据技术的多模式公交客流推算方法 |
CN110188923B (zh) * | 2019-05-06 | 2022-01-07 | 西南交通大学 | 一种基于大数据技术的多模式公交客流推算方法 |
CN110084442A (zh) * | 2019-05-16 | 2019-08-02 | 重庆大学 | 一种联合公交和轨道交通刷卡数据进行客流od计算的方法 |
CN110929982B (zh) * | 2019-10-15 | 2023-11-24 | 江苏纬信工程咨询有限公司 | 基于融合数据的公交线网客流检测方法与系统 |
CN110929982A (zh) * | 2019-10-15 | 2020-03-27 | 江苏纬信工程咨询有限公司 | 基于融合数据的公交线网客流检测方法与系统 |
CN111191816A (zh) * | 2019-12-05 | 2020-05-22 | 东南大学 | 城市轨道交通乘客出行时间链辨识系统 |
CN111046937A (zh) * | 2019-12-05 | 2020-04-21 | 南京智慧交通信息有限公司 | 一种融合公交数据和poi数据的两段式乘客人群出行目的分析方法 |
CN111191816B (zh) * | 2019-12-05 | 2022-03-04 | 东南大学 | 城市轨道交通乘客出行时间链辨识系统 |
CN111275241A (zh) * | 2020-01-08 | 2020-06-12 | 天津大学 | 基于机器学习决策树的公交车乘客下车站点推断方法 |
CN111339159A (zh) * | 2020-02-24 | 2020-06-26 | 交通运输部科学研究院 | 一种一票制公交数据的分析挖掘方法 |
CN111339159B (zh) * | 2020-02-24 | 2023-08-18 | 交通运输部科学研究院 | 一种一票制公交数据的分析挖掘方法 |
CN111639973B (zh) * | 2020-06-02 | 2023-01-17 | 广州交信投科技股份有限公司 | 基于多元融合大数据的公交客流od推导方法及装置 |
CN111639973A (zh) * | 2020-06-02 | 2020-09-08 | 广州交通信息化建设投资营运有限公司 | 基于多元融合大数据的公交客流od推导方法及装置 |
CN111858806A (zh) * | 2020-07-09 | 2020-10-30 | 武汉译码当先科技有限公司 | 乘客出行轨迹检测方法、装置、设备及存储介质 |
CN111932411A (zh) * | 2020-09-30 | 2020-11-13 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种确定城市用地功能的方法、装置及终端设备 |
CN112767685A (zh) * | 2020-12-22 | 2021-05-07 | 荆门汇易佳信息科技有限公司 | 基于定位和刷卡信息的公交客流分析系统 |
CN112783945B (zh) * | 2021-01-21 | 2023-09-08 | 广州羊城通有限公司 | 公交下车站点的判定方法及装置 |
CN112927547A (zh) * | 2021-01-21 | 2021-06-08 | 广州羊城通有限公司 | 下车时间的补充方法及装置 |
CN112783945A (zh) * | 2021-01-21 | 2021-05-11 | 广州羊城通有限公司 | 公交下车站点的判定方法及装置 |
CN112950943A (zh) * | 2021-02-18 | 2021-06-11 | 重庆交通开投科技发展有限公司 | 基于多元数据的换乘站点推算方法 |
CN113159416B (zh) * | 2021-04-19 | 2022-04-15 | 深圳大学 | 一种公交单次刷卡下车站点的推算方法及智能终端 |
CN113159416A (zh) * | 2021-04-19 | 2021-07-23 | 深圳大学 | 一种公交单次刷卡下车站点的推算方法及智能终端 |
CN113361885B (zh) * | 2021-05-28 | 2022-09-20 | 同济大学 | 一种基于多源数据的双目标城市公交效益评价方法 |
CN113361885A (zh) * | 2021-05-28 | 2021-09-07 | 同济大学 | 一种基于多源数据的双目标城市公交效益评价方法 |
CN113255552B (zh) * | 2021-06-04 | 2024-03-26 | 深圳市城市交通规划设计研究中心股份有限公司 | 公交车载视频乘客od分析方法、装置及存储介质 |
CN113255552A (zh) * | 2021-06-04 | 2021-08-13 | 深圳市城市交通规划设计研究中心股份有限公司 | 公交车载视频乘客od分析系统、方法、装置及存储介质 |
CN114882693A (zh) * | 2022-03-23 | 2022-08-09 | 昆明理工大学 | 一种基于刷卡数据深度挖掘的公交乘客下车站点预测方法 |
CN114882693B (zh) * | 2022-03-23 | 2022-11-18 | 昆明理工大学 | 一种基于刷卡数据深度挖掘的公交乘客下车站点预测方法 |
CN115376325B (zh) * | 2022-10-25 | 2023-01-17 | 中咨数据有限公司 | 基于出行链的公共交通换乘数据筛选系统、方法及应用 |
CN115376325A (zh) * | 2022-10-25 | 2022-11-22 | 中咨数据有限公司 | 基于出行链的公共交通换乘数据筛选系统、方法及应用 |
CN115630938A (zh) * | 2022-12-08 | 2023-01-20 | 智慧足迹数据科技有限公司 | 通勤行程识别方法、装置、计算机设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105788260B (zh) | 2018-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105788260A (zh) | 一种基于智能公交系统数据的公交乘客od推算方法 | |
CN111653099B (zh) | 基于手机信令数据的公交客流od获取方法 | |
CN103177575B (zh) | 城区出租车动态在线调度优化系统及其方法 | |
CN102324128B (zh) | 基于ic卡记录的公交站间od客流预测方法及装置 | |
CN103198104B (zh) | 一种基于城市智能公交系统的公交站点od获取方法 | |
CN104064028B (zh) | 基于多元信息数据的公交到站时间预测方法及系统 | |
CN107919014B (zh) | 面向多载客里程的出租车运行线路优化方法 | |
CN104766473A (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 | |
CN111191816B (zh) | 城市轨道交通乘客出行时间链辨识系统 | |
CN109102114B (zh) | 一种基于数据融合的公交出行下车站点估计方法 | |
CN102097002A (zh) | 一种基于ic卡数据获取公交站点od的方法及系统 | |
CN105632173A (zh) | 利用出租车gps数据进行城市公交系统的优化识别方法 | |
CN110472999B (zh) | 基于地铁和共享单车数据的客流模式分析方法及装置 | |
CN110309962A (zh) | 基于时间扩展模型的铁路行程路线规划方法及装置 | |
CN105390013A (zh) | 一种利用公交ic卡预测公交到站时间的方法 | |
CN108062857A (zh) | 用于出租车乘客出行目的的预测方法 | |
CN110836675A (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
CN112036757A (zh) | 基于手机信令和浮动车数据的停车换乘停车场的选址方法 | |
CN108364464A (zh) | 一种基于概率模型的公交车辆旅行时间建模方法 | |
CN110675646B (zh) | 公交站点位置获取方法及装置 | |
CN106373384A (zh) | 边远地区客运班车线路实时生成方法 | |
CN109489679A (zh) | 一种导航路径中的到达时间计算方法 | |
CN108681741B (zh) | 基于ic卡和居民调查数据的地铁通勤人群信息融合方法 | |
CN113361885B (zh) | 一种基于多源数据的双目标城市公交效益评价方法 | |
CN111339159B (zh) | 一种一票制公交数据的分析挖掘方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181030 |