CN105809292B - 公交ic卡乘客下车站点推算方法 - Google Patents

公交ic卡乘客下车站点推算方法 Download PDF

Info

Publication number
CN105809292B
CN105809292B CN201610166142.4A CN201610166142A CN105809292B CN 105809292 B CN105809292 B CN 105809292B CN 201610166142 A CN201610166142 A CN 201610166142A CN 105809292 B CN105809292 B CN 105809292B
Authority
CN
China
Prior art keywords
bus
website
stop
working
card
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.)
Active
Application number
CN201610166142.4A
Other languages
English (en)
Other versions
CN105809292A (zh
Inventor
李勇
周捍东
杨骥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Institute of Geography of GDAS
Original Assignee
Guangzhou Institute of Geography of GDAS
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
Application filed by Guangzhou Institute of Geography of GDAS filed Critical Guangzhou Institute of Geography of GDAS
Priority to CN201610166142.4A priority Critical patent/CN105809292B/zh
Publication of CN105809292A publication Critical patent/CN105809292A/zh
Application granted granted Critical
Publication of CN105809292B publication Critical patent/CN105809292B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Remote Sensing (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种公交IC卡乘客下车站点推算方法，其包括以下步骤：步骤1、确定乘客上车站点以及乘车线路；步骤2、将所述乘客上车站点以及乘车线路通过GPS空间信息中呈现，如果所述上班乘车线路和下班乘车线路的路径一致，则执行步骤3，反之，则执行步骤4；步骤3、将下班上车站点确定为上班下车站点，将上班上车站点确定为下班下车站点；步骤4、以上班上车站点和下班上车站点分别做500米缓冲，分别搜索周边站点；步骤5、通过历史匹配率、附近关键兴趣点的平均距离和最小距离因子确定下车站点。本发明通过对乘客的出行进行时空模拟，从而推导出其下车站点为利用公交IC卡数据进行居民出行OD矩阵推导提供支撑。

Description

公交IC卡乘客下车站点推算方法
技术领域
本发明专利属于一种通过公交IC卡乘客的上车站点及其出行时空特征来推算其下车站点的方法，本发明涉及公交出行特征分析、公交IC卡出行OD推导算法等。
背景技术
公交客流OD(“O”来源于英文ORIGIN，指出行的出发地点，“D”来源于英文DESTINATION，指出行的目的地)是城市交通管理、规划部门对公交线路调整、线网优化、站点布局进行优化配置的基础性资料，其准确度对于公交的相关调整具有极其重要的意义。而过去使用传统的人工观测调查等方式进行公交客流OD的获取耗时长，同时消耗大量的人力物力，并且很难保证数据精度。随着GPS、GIS技术的发展以及公交IC卡的逐步普及，可以获得更准确的公交客流OD分布数据，为公交站点、公交线路的规划和调整、公交车辆的实时调度等提供更为科学和准确的决策依据，对解决城市公共交通问题具有重要的现实意义。
目前大城市的公交车基本都安装了GPS定位系统，并且公交IC卡的普及率不断升高，这解决了利用公交IC卡和GPS定位信息来推导公交出行OD的数据基础。但是，目前存在最大问题是乘客只在上车时刷卡、下车不刷卡，造成了乘客下车信息(下车时间、下车站点)无法获取的难题。没有乘客的下车信息，就无法确定乘客的出行OD。因此，需要一种能够通过乘客上车站点和时间推导出其下车站点的方法。目前利用公交IC卡数据来进行居民公交出行OD矩阵推导的研究比较多，如周涛从IC卡统计数据中得到公交出行的其他信息，提出了由IC卡统计数据推算公交线路站点OD和区间出行OD的方法，但是该方法主要适用于宏观层面，准确度不高；师富民提出了一种基于IC卡数据的公交调查方法和数据处理算法，其采用光电传感器信号进行乘客上下车客流数据检测，仍然没有解决通过IC卡数据获取下车信息的问题；戴维基于“居民公交出行分析两站点模型”进行分析，对公交OD矩阵进行推算，是一种宏观的推算方法，不能精确到每一名IC卡乘客；闫磊基于公交衔接理论利用公交IC卡数据推算乘客的出行时空信息，但实用性不强；赵晖基于公交IC卡信息提出了一种站间客流OD计算方法；吴祥国基于公交IC卡和GPS数据，从上车站点推导出IC卡乘客的下车站点，进而推算出居民的公交出行OD矩阵；胡继华提出了一种结合出行链的公交IC卡乘客下车站点判断概率模型，将乘客个体出行特征融入到站点吸引权重计算的概率模型。
由于乘客只在上车时刷卡、下车不刷卡，造成了乘客下车站点无法获取的问题。没有乘客的下车信息，就无法确定乘客的出行OD。因此，需要一种能够通过乘客上车站点和时间推导出其下车站点的方法。国内外利用公交IC卡数据来进行居民公交出行OD矩阵推导的研究比较多，但是目前绝大多数的研究都未能从微观层面(即针对具体的公交IC卡乘客)解决通过公交IC卡乘客的上车站点准确推导出其下车站点的难题。
总体来说，目前绝大多数的研究都未能解决通过公交IC卡乘客的上车站点准确推导出其下车站点的难题。本发明专利是对公交IC卡刷卡数据、公交GPS数据和公交站点与线路等GIS数据进行融合、处理与分析，通过对公交IC卡乘客的出行特征进行时空模拟，实现在规律出行(工作日上、下班出行)、闭合公交出行链(乘客当日全部出行均以公交作为基本出行工具完成)条件下的下车站点推算方法。本发明可以解决公交IC卡乘客下车信息无法获取的难题，为利用公交IC卡数据进行居民出行OD矩阵推导提供支撑。
发明内容
针对以上的问题，本发明提出一种基于时空模拟的公交IC卡乘客规律出行下车站点推算方法。其前提是建立在公交IC卡乘客规律出行(即工作日上、下班出行)和闭合公交出行链(即乘客当日全部出行均以公交作为基本出行工具完成)的条件下，通过对乘客的出行进行时空模拟，从而推导出其下车站点。本发明可以为利用公交IC卡数据进行居民出行OD矩阵推导提供支撑，对公交站点、公交线路的规划和调整、公交车辆的实时调度等具有重要意义。
为实现以上目的，本发明采取的技术方案是：
一种公交IC卡乘客下车站点推算方法，其包括以下步骤：
步骤1、确定乘客上车站点以及乘车线路，所述上车站点包括上班上车站点和下班上车站点，所述乘车线路包括上班乘车线路和下班乘车线路；
步骤2、将所述乘客上车站点以及乘车线路通过GPS空间信息中呈现，如果所述上班乘车线路和下班乘车线路的路径一致，则执行步骤3，反之，则执行步骤4；
步骤3、将下班上车站点确定为上班下车站点，将上班上车站点确定为下班下车站点；
步骤4、以上班上车站点和下班上车站点分别做500米缓冲，分别搜索周边站点，所述周边站点分别定义为疑似下班下车站点和疑似上班下车站点；
步骤5、通过历史匹配率、附近关键兴趣点以及距离和换乘次数确定下车站点，所述步骤5包括以下步骤：
步骤51、确定上班下车站点：
计算上班上车站点与第i个疑似上班下车站点的距离因子Di：
其中，Ri和Qi为第i个疑似上班下车站点与上班上车站点之间的上班路网距离和上班空间距离，所述上班路网距离为第i个疑似上班下车站点与上班上车站点之间的乘车线路覆盖的距离，通过车载GPS定位数据获取；所述上班空间距离为第i个疑似上班下车站点与上班上车站点之间的欧氏距离，通过站点空间信息获取；Ti为第i个疑似上班下车站点与上班上车站点之间的换乘次数，通过乘客公交IC卡的刷卡次数获得；Hi(t)和Li(b)分别为历史匹配率和附近关键兴趣点的平均距离，所述历史匹配率Hi(t)和附近关键兴趣点的平均距离Li(b)的计算方法分别为公式(2)和公式(3)：
其中，Fi(t)为时间段t内乘客公交IC卡与第i个疑似上班下车站点以及上班上车站点之间匹配的次数总和，Ci(t)时间段t内乘客公交IC卡与上班上车站点之间匹配的次数，所述匹配的次数为乘客公交IC卡在第i个疑似上班下车站点或上班上车站点刷卡的次数，Fi(t)和Ci(t)均通过数据统计完成；
其中，m为第i个疑似上班下车站点附近500米范围内的大厦个数，Wic为第i个疑似上班下车站点到第c个大厦的直线距离，1≤c≤m；
遍历所有的疑似上班下车站点，选取距离因子Di最小的疑似上班下车站点作为最终的上班下车站点；
步骤52、确定下班下车站点：
计算下班上车站点与第i个疑似下班下车站点的距离因子Dj：
其中，Rj和Qj为第j个疑似下班下车站点与下班上车站点之间的下班路网距离和下班空间距离，所述下班路网距离为第j个疑似下班下车站点与下班上车站点之间的乘车线路覆盖的距离，通过车载GPS定位数据获取；所述下班空间距离为第j个疑似下班下车站点与下班上车站点之间的欧氏距离，通过站点空间信息获取；Tj为第j个疑似下班下车站点与下班上车站点之间的换乘次数，通过乘客公交IC卡的刷卡次数获得；Hj(t)和Lj(b)分别为历史匹配率和附近关键兴趣点的平均距离，所述历史匹配率Hj(t)和附近关键兴趣点的平均距离Lj(b)的计算方法分别为公式(5)和公式(6)：
其中，Fj(t)为时间段t内乘客公交IC卡与第j个疑似下班下车站点以及下班上车站点之间匹配的次数总和，Cj(t)时间段t内乘客公交IC卡与下班上车站点之间匹配的次数，所述匹配的次数为乘客公交IC卡在第j个疑似下班下车站点或下班上车站点刷卡的次数，Fj(t)和Cj(t)均通过数据统计完成；
其中，n为第j个疑似下班下车站点附近500米范围内的住宅小区个数，Wjd为第j个疑似下班下车站点到第d个住宅小区的直线距离，1≤d≤n；
遍历所有的疑似下班下车站点，选取距离因子Dj最小的疑似下班下车站点作为最终的下班下车站点。
以上获得某个乘客的上车站点和下车站点，依此方法将获得的多个乘客的上车站点和下车站点组成OD矩阵即可实现对公交站点、公交线路的规划和调整、公交车辆的实时调度等操作。
确定上车站点的方法是：
取一次公交IC卡刷卡记录中的刷卡时间和刷卡终端号；
通过刷卡终端号关联公交车辆表获得车辆编码，通过所述车辆编码获取该车辆当天行驶到第k个站点的进站时间和出站时间；
将刷卡时间与第k个站点的进站时间和出站时间进行比对，当刷卡时间大于等于第k个站点的进站时间且小于等于第k个站点的出站时间时，则该第k个站点即为上车站点。
所述步骤4中，当上班上车站点和下班上车站点均为多个时，以最早刷卡时间的上班上车站点500米范围内搜索获得的周边站点作为疑似下班下车站点；最早刷卡时间的下班上车站点500米范围内搜索获得的周边站点作为疑似上班下车站点。
本发明专利是对公交IC卡刷卡数据、公交GPS数据和公交站点与线路等GIS数据进行融合、处理与分析，通过对公交IC卡乘客的出行特征进行时空模拟，实现在规律出行(工作日上、下班出行)、闭合公交出行链(乘客当日全部出行均以公交作为基本出行工具完成)条件下的下车站点推算方法。本发明可以解决公交IC卡乘客下车信息无法获取的难题，为利用公交IC卡数据进行居民出行OD矩阵推导提供支撑。与现有技术相比，本发明的优点在于：
(1)采用出行调查方式：选择市区若干个公交站，在上、下班时间做公交出行调查，主要调查乘客规律出行(即是常上、下班出行)的上车站点、下车站点、IC卡编号。
(2)通过IC卡编号，可以从IC卡数据库中提取出被调查者的IC卡出行记录(时间要求为连续1个月以上)。
(3)利用本发明提出的方法对提取的IC卡出行记录进行处理、分析，推算出每个IC卡乘客的出行轨迹与上、下车站点。
(4)将推算结果与调查结果进行比对，验证本发明提出的方法。
附图说明
图1为本发明一种公交IC卡乘客下车站点推算方法的流程图；
图2为车辆进站出站信息的获取原理图；
图3为个人O点获取的流程图；
图4为依据车辆进站出站信息获取个人O点的原理图；
图5为在缓冲区中寻找疑似的下车站点的原理图；
图6为基于本发明的个人D点获取与实际调查获取的个人D点的对比图。
具体实施方式
下面结合附图和具体实施方式对本发明的内容做进一步详细说明。
实施例
一种公交IC卡乘客下车站点推算方法，请参照图1所示，以公交出行调查数据、公交IC卡刷卡数据为基础，对本发明的具体实施方式进行说明：
(1)数据融合和空间处理分析
由于公交IC卡刷卡时一般只记录时间、终端号等运营信息，没有准确的刷卡站点信息，因此为了计算站点的乘客信息，首先必须分析刷卡信息和车辆定位信息的关系，推导获得乘客刷卡的站点，继而进一步推导各站点以及交通小区的乘客乘车出行信息。所以首先要进行的数据处理工作是将公交IC卡刷卡数据、车辆GPS定位数据、公交车辆数据、公交线路数据、公交站点数据、公交线路站点关系、运营计划数据等进行融合，通过GPS空间信息和站点空间信息进行空间分析，结合融合后的数据获得车辆进站出站信息。
车辆进站出站信息包含了公交车辆当前运营的公交线路，以及进入站点和离开站点的时间，是重要的客流OD推导数据，具体关联如图2所示。
(2)个人O点时间推导算法
个人O点推导主要是确定个人刷卡的当前站点，根据刷卡交易信息中的刷卡时间、刷卡终端号关联车辆进站出站信息，得到对应车辆的所有进站出站记录。具体流程如下：
流程说明请参照图3和图4所示：
1)取一次刷卡记录中的time和sam分别是刷卡时间和刷卡终端号。需要说明书的是，一次刷卡记录为乘客规律出行(即正常上、下班出行)的上车站点、下车站点、IC卡编号中的一人(乘客)一卡(公交IC卡)，本发明的推算过程均是在同一乘客采用同一公交IC卡在同一上班和下班乘车线路上进行统计和计算完成的。
2)通过刷卡终端号关联公交车辆表获得车辆编码，通过车辆编码获取车辆当天的所有进站和出站记录。
3)通过刷卡时间与进站出站时间进行比对，获得当前刷卡的站点。比对方法如下：
到站时间≤刷卡时间≤离站时间，即为A_time≤time≤D_time，找到符合条件的站点即为上车站点，也就是个人O点。
(3)模拟时空轨迹
个人D点的推导是建立在公交IC卡乘客规律出行(即工作日上、下班出行)和闭合公交出行链(即乘客当日全部出行均以公交作为基本出行工具完成)的条件下。比如早上上班的下车站点应该在下午下班的上车站点附近，下午下班的下车站点应该在早上上班的上车站点附近。取同一张卡在下班时间段和下班时间段的刷卡记录，通过上述步骤(2)的个人O点时间推导算法，可以获取早上上班的上车站点和乘车线路，以及下午下班的上车站点和乘车线路，上班上车站点和下班上车站点均可以是一个或多个，当时一个是，则上班(或下班)乘车线路以乘客在上班(或下班)上车站点为起始，以该乘客乘坐的公交车辆行驶的终点为止构成。而对于多个上班(或下班)上车站点时，则可以划分成多段乘车路线，即第一段乘车路线为第一次上班(或下班)上车站点乘坐的公交车辆的行驶路线，其两个端点分别是第一次上班(或下班)上车站点和第二次上班(或下班)上车站点，以此类推，最后一段乘车路线则是以最后一次上班(或下班)乘车线路以乘客在上班(或下班)上车站点为起始，以该乘客最后一次乘坐的公交车辆行驶的终点为止构成。将推导后到的信息建立空间模型，并在地图上进行模拟展现。然后应用缓冲区分析方法，将下班上车站点和下班下车站点分别进行500米的缓冲，在缓冲区中寻找疑似的下车站点。
如图5中三角形代表上车站点，圆形代表疑似的下车站点。通过缓冲上班的上车站点，搜索疑似的下班下车站点，对于具有多个上班的上车站点时，则以最早的上班上车站点(依据刷卡时间)来搜索疑似的下班下车站点；通过缓冲下班的上车站点，搜索疑似的上班下车站点，同理，对于具有多个下班的上车站点时，则以最早的下班上车站点(依据刷卡时间)来搜索疑似的上班下车站点。
(4)确定下车站点
通过比对疑似的下车站点，并结合历史匹配率、附近POI、距离和换乘次数等因素进行综合分析，计算与可能下车站点的距离。
1)历史匹配率
历史匹配是一个重要的参数，代表了一定时间段内刷卡人在同一对上下车站点的匹配几率。如用Fi(t)代表某时间段t内乘客公交IC卡与第i个疑似上班下车站点以及上班上车站点之间匹配的次数总和，Ci(t)时间段t内乘客公交IC卡与上班上车站点之间匹配的次数，所述匹配的次数为乘客公交IC卡在第i个疑似上班下车站点或上班上车站点刷卡的次数，Fi(t)和Ci(t)均通过数据统计完成，通过IC卡编号，可以从IC卡数据库中提取出被调查者的IC卡出行记录(时间段t要求为连续1个月以上)。则第i个疑似下车站点在某时间段t的历史匹配率Hi(t)的表达形式如下：
t代表某一个时间段
2)附近关键POI(兴趣点，如住宅小区、商业大厦或办公楼)平均距离
下车站点附近的关键POI也是影响判断下车站点的重要参数，下班下车站点去到的目的地一般多是商业大厦或办公区，下班下车站点去到的目的地一般多是住宅小区。如用L代表附近关键POI平均距离，W代表下车站点与周边商业大厦的直线距离，H代表下车站点与周边小区的直线距离。则第i个b类型的疑似下车站点周边关键POI的平均距离Li(b)的表达形式如下：
当b＝w时，代表下班的终点，搜索第i个站点与附近第c个大厦的直线距离Wic；当b＝h时，代表下班的终点，搜索第i个站点与附近第c个住宅小区的直线距离Hic。
3)最小距离因子
分别计算上车站点与可能下车站点i的距离因子Di，取最小值D表示距离最近，且为最疑似的下车站点即为最终的下车站点。Ri代表可能下车站点i与上车站点的路网距离，Qi代表可能下车站点i与上车站点的空间距离，Li(b)代表b类型的可能下车站点i周边关键POI的平均距离，Ti代表上车站点与可能下车站点i的换乘次数，Hi(t)代表t时间段内可能下车站点i的历史匹配率。具体的表达形式如下：
以下以问卷调查中的广州市体育中心站为例，将体育中心站作为O点，通过问卷调查和推算算法计算出相应的D点。针对体育中心站上车的乘客做了1000份问卷调查，得到下车站点368个，公交线路22条；通过推算算法计算出的下车站点384个，公交线路22条，匹配的准确率为95.7％。如图6所示：三角形图标代表O点，圆形图标代表问卷调查得到的D点，五角星图标代表系统计算匹配后得到的D点。可以看出大部分问卷调查的结果与系统推算的结果相匹配。
上列详细说明是针对本发明可行实施例的具体说明，该实施例并非用以限制本发明的专利范围，凡未脱离本发明所为的等效实施或变更，均应包含于本案的专利范围中。

Claims (3)

1.一种公交IC卡乘客下车站点推算方法，其特征在于，其包括以下步骤：
步骤1、确定乘客上车站点以及乘车线路，所述上车站点包括上班上车站点和下班上车站点，所述乘车线路包括上班乘车线路和下班乘车线路；
步骤2、将所述乘客上车站点以及乘车线路通过GPS空间信息中呈现，如果所述上班乘车线路和下班乘车线路的路径一致，则执行步骤3，反之，则执行步骤4；
步骤3、将下班上车站点确定为上班下车站点，将上班上车站点确定为下班下车站点；
步骤4、以上班上车站点和下班上车站点分别做500米缓冲，分别搜索周边站点，所述周边站点分别定义为疑似下班下车站点和疑似上班下车站点；
步骤5、通过历史匹配率、附近关键兴趣点的平均距离和最小距离因子确定下车站点，所述步骤5包括以下步骤：
步骤51、确定上班下车站点：
计算上班上车站点与第i个疑似上班下车站点的距离因子Di：
其中，Ri和Qi为第i个疑似上班下车站点与上班上车站点之间的上班路网距离和上班空间距离，所述上班路网距离为第i个疑似上班下车站点与上班上车站点之间的乘车线路覆盖的距离，通过车载GPS定位数据获取；所述上班空间距离为第i个疑似上班下车站点与上班上车站点之间的欧氏距离，通过站点空间信息获取；Ti为第i个疑似上班下车站点与上班上车站点之间的换乘次数，通过乘客公交IC卡的刷卡次数获得；Hi(t)和Li(b)分别为历史匹配率和附近关键兴趣点的平均距离，所述历史匹配率Hi(t)和附近关键兴趣点的平均距离Li(b)的计算方法分别为公式(2)和公式(3)：
其中，Fi(t)为时间段t内乘客公交IC卡与第i个疑似上班下车站点以及上班上车站点之间匹配的次数总和，Ci(t)时间段t内乘客公交IC卡与上班上车站点之间匹配的次数，所述匹配的次数为乘客公交IC卡在第i个疑似上班下车站点或上班上车站点刷卡的次数，Fi(t)和Ci(t)均通过数据统计完成；
其中，m为第i个疑似上班下车站点附近500米范围内的大厦个数，Wic为第i个疑似上班下车站点到第c个大厦的直线距离，1≤c≤m；
遍历所有的疑似上班下车站点，选取距离因子Di最小的疑似上班下车站点作为最终的上班下车站点；
步骤52、确定下班下车站点：
计算下班上车站点与第i个疑似下班下车站点的距离因子Dj：
其中，Rj和Qj为第j个疑似下班下车站点与下班上车站点之间的下班路网距离和下班空间距离，所述下班路网距离为第j个疑似下班下车站点与下班上车站点之间的乘车线路覆盖的距离，通过车载GPS定位数据获取；所述下班空间距离为第j个疑似下班下车站点与下班上车站点之间的欧氏距离，通过站点空间信息获取；Tj为第j个疑似下班下车站点与下班上车站点之间的换乘次数，通过乘客公交IC卡的刷卡次数获得；Hj(t)和Lj(b)分别为历史匹配率和附近关键兴趣点的平均距离，所述历史匹配率Hj(t)和附近关键兴趣点的平均距离Lj(b)的计算方法分别为公式(5)和公式(6)：
其中，Fj(t)为时间段t内乘客公交IC卡与第j个疑似下班下车站点以及下班上车站点之间匹配的次数总和，Cj(t)时间段t内乘客公交IC卡与下班上车站点之间匹配的次数，所述匹配的次数为乘客公交IC卡在第j个疑似下班下车站点或下班上车站点刷卡的次数，Fj(t)和Cj(t)均通过数据统计完成；
其中，n为第j个疑似下班下车站点附近500米范围内的住宅小区个数，Wjd为第j个疑似下班下车站点到第d个住宅小区的直线距离，1≤d≤n；
遍历所有的疑似下班下车站点，选取距离因子Dj最小的疑似下班下车站点作为最终的下班下车站点。
2.根据权利要求1所述的公交IC卡乘客下车站点推算方法，其特征在于，所述步骤1中，确定上车站点的方法是：
取一次公交IC卡刷卡记录中的刷卡时间和刷卡终端号；
通过刷卡终端号关联公交车辆表获得车辆编码，通过所述车辆编码获取该车辆当天行驶到第k个站点的进站时间和出站时间；
将刷卡时间与第k个站点的进站时间和出站时间进行比对，当刷卡时间大于等于第k个站点的进站时间且小于等于第k个站点的出站时间时，则该第k个站点即为上车站点。
3.根据权利要求1所述的公交IC卡乘客下车站点推算方法，其特征在于，所述步骤4中，当上班上车站点和下班上车站点均为多个时，以最早刷卡时间的上班上车站点500米范围内搜索获得的周边站点作为疑似下班下车站点；最早刷卡时间的下班上车站点500米范围内搜索获得的周边站点作为疑似上班下车站点。
CN201610166142.4A 2016-03-21 2016-03-21 公交ic卡乘客下车站点推算方法 Active CN105809292B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610166142.4A CN105809292B (zh) 2016-03-21 2016-03-21 公交ic卡乘客下车站点推算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610166142.4A CN105809292B (zh) 2016-03-21 2016-03-21 公交ic卡乘客下车站点推算方法

Publications (2)

Publication Number Publication Date
CN105809292A CN105809292A (zh) 2016-07-27
CN105809292B true CN105809292B (zh) 2019-11-26

Family

ID=56453502

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610166142.4A Active CN105809292B (zh) 2016-03-21 2016-03-21 公交ic卡乘客下车站点推算方法

Country Status (1)

Country Link
CN (1) CN105809292B (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106295868A (zh) * 2016-08-03 2017-01-04 重庆市索美智能交通通讯服务有限公司 交通出行数据处理方法及装置
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
CN106781451A (zh) * 2016-11-23 2017-05-31 李雅琪 一种公交客流od数据采集装置及方法
CN106781467B (zh) * 2016-12-07 2019-05-14 华南理工大学 一种基于协同过滤的公交乘客刷卡站点信息提取方法
CN108288321A (zh) * 2018-01-24 2018-07-17 哈尔滨工业大学 基于ic卡数据与车辆gps信息的公交站点上下客流量确定方法
CN109308546B (zh) * 2018-08-31 2021-09-17 江苏智通交通科技有限公司 乘客公交出行下车站点预测方法及系统
CN109215341B (zh) * 2018-09-05 2021-07-27 中山大学 一种包含下车信息的公交出行数据生成方法
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
CN110111560A (zh) * 2018-11-21 2019-08-09 青岛大学 一种公交大站快车线路筛选与设计方法
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
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
CN110348614B (zh) * 2019-06-24 2022-04-01 武汉烽火信息集成技术有限公司 一种获取乘客od的方法及公交客流的预测方法
CN110276977B (zh) * 2019-07-29 2021-01-26 广东工业大学 一种公交站点匹配方法、装置、设备及可读存储介质
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
CN111491261B (zh) * 2020-04-24 2022-03-01 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种基于智能刷卡数据的个体移动轨迹提取方法
CN111932867B (zh) * 2020-06-18 2022-04-29 东南大学 一种基于多源数据的公交ic卡乘客下车站点推导方法
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
CN115061995A (zh) * 2022-06-10 2022-09-16 吉林云帆智能工程有限公司 一种轨道车辆在途监测数据规则库模型
CN116994435B (zh) * 2023-08-09 2024-05-03 广州地铁设计研究院股份有限公司 一种公交od采集方法和装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102156732A (zh) * 2011-04-11 2011-08-17 北京工业大学 基于特征站点的公交ic卡数据站点匹配方法
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
CN105185105A (zh) * 2015-06-26 2015-12-23 东南大学 基于车辆gps和公交ic卡数据的公交换乘识别方法
JP2016076141A (ja) * 2014-10-08 2016-05-12 株式会社コロプラ 路線バス運行分析評価システム、分析評価方法、および、プログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102156732A (zh) * 2011-04-11 2011-08-17 北京工业大学 基于特征站点的公交ic卡数据站点匹配方法
JP2016076141A (ja) * 2014-10-08 2016-05-12 株式会社コロプラ 路線バス運行分析評価システム、分析評価方法、および、プログラム
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
CN105185105A (zh) * 2015-06-26 2015-12-23 东南大学 基于车辆gps和公交ic卡数据的公交换乘识别方法

Also Published As

Publication number Publication date
CN105809292A (zh) 2016-07-27

Similar Documents

Publication Publication Date Title
CN105809292B (zh) 公交ic卡乘客下车站点推算方法
CN106096631B (zh) 一种基于手机大数据的流动人口分类识别分析方法
CN104167092B (zh) 一种确定出租车上下客热点区域中心的方法以及装置
CN102682041B (zh) 用户行为识别设备及方法
CN107045673B (zh) 基于堆模型融合的公共自行车流量变化量预测方法
CN102607553B (zh) 一种基于出行轨迹数据的行程识别方法
CN107818412B (zh) 一种基于MapReduce的大规模公交乘客OD并行计算方法
CN111985710A (zh) 一种公交乘客出行站点预测方法、存储介质及服务器
CN105632222B (zh) 预报到站时间的方法及其系统
CN103065205A (zh) 三维智能交通枢纽客流时空分析与预测系统
CN106997666B (zh) 一种利用手机信令数据位置切换获取交通流速度的方法
CN106448233A (zh) 基于大数据的公交线路时刻表协同优化方法
CN105550789A (zh) 一种公交出行客流的预测方法
CN102667404A (zh) 用探测数据来分析兴趣点的方法
CN105390013A (zh) 一种利用公交ic卡预测公交到站时间的方法
CN108922178A (zh) 基于公交多源数据的公交车辆实时满载率计算方法
CN109637134A (zh) 一种公交设备匹配方法
CN110110243A (zh) 一种基于回声状态网络的历史轨迹目的地预测方法
JP6307376B2 (ja) 交通分析システム、交通分析プログラムおよび交通分析方法
CN111932341A (zh) 一种确定拼车订单的方法和系统
CN112556717A (zh) 出行方式筛选方法和出行路线推荐方法和装置
CN110059849A (zh) 路径确定方法和装置
CN110223514B (zh) 城市交通运行状态分析方法、装置及电子设备
CN106295868A (zh) 交通出行数据处理方法及装置
Cui et al. Usage demand forecast and quantity recommendation for urban shared bicycles

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
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: No. 100, Xianlie Middle Road, Guangzhou, Guangdong 510070

Patentee after: Guangzhou Institute of geography, Guangdong Academy of Sciences

Address before: 510070 courtyard, No. 100, Xianlie Middle Road, Yuexiu District, Guangzhou City, Guangdong Province

Patentee before: GUANGZHOU INSTITUTE OF GEOGRAPHY