CN105868861A - 一种基于时空数据融合的公交客流演化分析方法 - Google Patents
一种基于时空数据融合的公交客流演化分析方法 Download PDFInfo
- Publication number
- CN105868861A CN105868861A CN201610217959.XA CN201610217959A CN105868861A CN 105868861 A CN105868861 A CN 105868861A CN 201610217959 A CN201610217959 A CN 201610217959A CN 105868861 A CN105868861 A CN 105868861A
- Authority
- CN
- China
- Prior art keywords
- time
- station
- space
- bus
- passenger flow
- 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.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 36
- 230000004927 fusion Effects 0.000 title claims abstract description 23
- 238000009826 distribution Methods 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000011144 upstream manufacturing Methods 0.000 claims description 11
- 230000001174 ascending effect Effects 0.000 claims description 10
- 230000002123 temporal effect Effects 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000002457 bidirectional effect Effects 0.000 claims description 5
- 230000003321 amplification Effects 0.000 claims description 2
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 2
- 230000006399 behavior Effects 0.000 description 18
- 238000007493 shaping process Methods 0.000 description 13
- 230000007547 defect Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- NSILVESQCSUIAJ-UHFFFAOYSA-M hexocyclium methyl sulfate Chemical compound COS([O-])(=O)=O.C1C[N+](C)(C)CCN1CC(O)(C=1C=CC=CC=1)C1CCCCC1 NSILVESQCSUIAJ-UHFFFAOYSA-M 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000013589 supplement Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000005206 flow analysis Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000004080 punching Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- SYRHIZPPCHMRIT-UHFFFAOYSA-N tin(4+) Chemical compound [Sn+4] SYRHIZPPCHMRIT-UHFFFAOYSA-N 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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"
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Biodiversity & Conservation Biology (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (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
本发明公开了一种基于时空数据融合的公交客流演化分析方法,包括以下步骤:(1)、历史时空数据预处理步骤,(2)、计算出行下车概率,(3)、公交客流时空演化分析步骤,(4)、多尺度客流时空分布特征分析步骤,根据所获取的时空网络,以及相应的时空网络弧段的流量,绘制公交时空分布特征图。本发明的分析方法,1、基于大量历史时空数据统计得到出行下车概率,精度较高,方案简单实用,求解效率高,可快速求解整个城市公交系统相关运行指标。2、具有良好的实时性。基于已计算和存储的出行下车概率,可结合公交上车客流实时计算站点OD,进而可实时动态反映线路客流的时空演化规律。
Description
技术领域
本发明属于智能交通技术领域,具体地说,是涉及一种基于时空数据融合的公交客流演化分析方法。
背景技术
城市公共汽、电车是广大城镇居民的重要出行交通方式。公交车辆的载客量与满载率是衡量公交线路运营效率和旅客出行舒适度的重要评价指标。
由于受到地理区位、产业布局、人口就业等众多复杂因素影响,以及公交线路自身在运营区段、发车频率、票制票价和车辆技术状况等方面的差异,公交载客量在公交线网上的时空分布具有明显差异。不同公交线路间,甚至是同一公交线路在不同区间、不同时段以及不同方向上的载客量都可能具有较大差异。例如,许多大城市市郊-中心的公交线路就具有典型的潮汐流特征:在早高峰时段,开往城区的车辆客流爆满,出行舒适性差;开往市郊的车辆则运力空闲,资源严重浪费。在晚高峰时段,公交出行特征则恰好与之相反。
这种公交载客量的时空分布不均衡性带来了运力资源浪费、旅客服务水平差、运营效率低下等弊端。如何动态刻画与推演公交车辆行进过程以及与之相伴的旅客上下车行为,准确识别公交车辆的实时载客量及其时空演化规律,进而为城市公交系统的实时智能调度、车辆人员排班以及公交线网优化等决策分析形成数据支撑,是交通工程的重要研究内容。
近些年来,随着优先发展公共交通,创建公交都市等政策理念的推动,具备先进的电子、通信、控制等信息技术的城市智能公交系统得到快速发展。基于公交IC卡刷卡和车辆到离站数据进行公交客流的统计和分析也取得了丰富研究成果。特别是在计算公交出行OD方面有两类思路,一是基于通勤客流的长期出行规律估算该类旅客的出行OD,二是基于IC卡后一行程的上车站点估算前一行程的下车讫点。这两类研究至少需以天为单位进行数据的清洗和处理,统计分析的颗粒度较粗,实时性较差,不能实时准确地推演公交客流的时空分布及演化规律。
城市轨道交通方面对客流时空分布规律的研究具有一定借鉴价值。例如,申请号为201410655770.X的发明专利《一种基于AFC客票数据的城市轨道交通客流分析方法》提出了在站点、线路和路网三个层面的轨道交通客流的时空演化分析方法。申请号为201410202139.4的发明专利《一种轨道交通客流OD分布实时推测方法》提出了基于OD概率分配矩阵预测客流实时分布的方法。但是,不同于轨道交通自动售检票系统可获取完整的出行OD信息,国内大多数公交系统采用单一票制,旅客上车刷卡,到站自由下车,因而公交IC卡系统仅能记录上车客流及相关信息。这使得轨道交通的客流时空分析方法不能照搬复用于城市公交系统。
随着智能车路协同技术的快速发展,公交智能车载终端、路侧设备以及监控调度中心间将形成互联互通的有机整体。通过一体化车载终端向监控调度中心实时回传公交IC卡与车辆到离站数据成为可能。在此背景下,本发明将克服现有公交客流分析技术中不足,提出一种基于时空数据融合的公交客流演化分析方法。
发明内容
本发明为了解决现有公交客流OD分析方法所统计分析的颗粒度较粗,实时性较差,不能实时准确地推演公交客流的时空分布及演化规律等不足,提出了一种基于时空数据融合的公交客流演化分析方法,可以解决上述问题。
为了解决上述技术问题,本发明采用以下技术方案予以实现:
一种基于时空数据融合的公交客流演化分析方法,包括以下步骤:
(1)、历史时空数据预处理步骤,关联公交线路信息与站点信息,将公交线路经由的双向各站点分别编号,建立线路-站点数据表,所述线路-站点数据表至少包括:线路名称、行进方向、站点名称、站点编号;
建立刷卡信息数据集Q1,所述刷卡信息数据集Q1至少包括刷卡编号、线路名称、车辆名称、行驶方向、乘车日期、乘车时间;
建立到离站记录集Q2,所述到离站记录集Q2至少包括线路名称、车辆名称、站点名称、行驶方向、记录日期、进站时间、离站时间;
建立乘车信息数据集Q3,所述乘车信息数据集Q3至少包括刷卡编号、线路名称、车辆名称、站点名称、站点编号、行驶方向、乘车日期、乘车时间;
(2)、计算出行下车概率,所述出行下车概率是指任一线路上的车辆在下行方向上,第i站点上车客流在本行驶方向的下游第j站点下车的概率,以及在上行方向上,第j站点上车客流在本行驶方向的下游第i站点下车的概率,其中,i,j为正整数,且i<j;
(3)、公交客流时空演化分析步骤,包括:
划分出行时段,将公交系统的全天营运时段以最小推演时间单元τ为单位进行划分;
构建时空网络,将公交站点按时间维度展开,分拆获得若干个虚拟时空节点;
分别对各线路获取实时上车流量,并根据实时上车流量计算该线路的实时出行交通量;
确定时空网络弧段,分别确定下行方向弧段和上行方向弧段;
分别计算各时空网络弧段的流量;
(4)、多尺度客流时空分布特征分析步骤,根据所获取的时空网络,以及相应的时空网络弧段的流量,绘制公交时空分布特征图。
与现有技术相比,本发明的优点和积极效果是:本发明的基于时空数据融合的公交客流演化分析方法,1、基于大量历史时空数据统计得到出行下车概率,精度较高,可预先计算与存储旅客的出行下车概率,当需要进行当前计算时期的公交客流演化分析时,直接调用出行下车概率对计算时期上车流量进行流量分配,方案简单实用,求解效率高,可快速求解整个城市公交系统相关运行指标。2、具有良好的实时性。基于已计算和存储的出行下车概率,可结合公交上车客流实时计算站点OD,进而可实时动态反映线路客流的时空演化规律,为公交实时智能调度、车辆人员排班以及公交线网优化等运营管理工作提供数据支撑。3、灵活性好,可根据实际情形优化出行下车概率,提升统计指标计算准确度。
结合附图阅读本发明实施方式的详细描述后,本发明的其他特点和优点将变得更加清楚。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明所提出的是本发明所提出的基于时空数据融合的公交客流演化分析方法的一种实施例中双向各站点分别编号示意图;
图2是本发明所提出的是本发明所提出的基于时空数据融合的公交客流演化分析方法的一种实施例中公交出行初始时空网络示意图;
图3是本发明所提出的是本发明所提出的基于时空数据融合的公交客流演化分析方法的一种实施例中公交出行时空网络示意图;
图4是本发明所提出的是本发明所提出的基于时空数据融合的公交客流演化分析方法的一种实施例中单线路两条运行线时空分布示意图;
图5是本发明所提出的是本发明所提出的基于时空数据融合的公交客流演化分析方法的一种实施例中线路全部运行线时空分布规律示意图;
图6是本发明所提出的是本发明所提出的基于时空数据融合的公交客流演化分析方法的一种实施例的流程图。
具体实施方式
由于受到地理区位、产业布局、人口就业等众多复杂因素影响,以及公交线路自身在运营区段、发车频率、票制票价和车辆技术状况等方面的差异,公交载客量在公交线网上的时空分布具有明显差异,这种差异导致公交载客量的时空分布不均衡性,进而带来了运力资源浪费、旅客服务水平差、运营效率低下等弊端。基于以上现状,本发明致力于解决如何动态刻画与推演公交车辆行进过程以及与之相伴的旅客上下车行为,准确识别公交车辆的实时载客量及其时空演化规律的同时,提高求解效率以及实时性,可实时动态反映线路客流的时空演化规律,为公交实时智能调度、车辆人员排班以及公交线网优化等运营管理工作提供数据支撑。本发明基于时空数据融合公交客流演化分析方法,预先处理公交IC卡和车辆到离站的历史数据,获得任意公交站点间的出行下车概率,然后构建公交时空出行网络,动态模拟公交车辆行进过程以及旅客上、下车行为,计算时空出行网络上的弧段流量及相应的车辆载客量,并进行多尺度对比下的旅客时空出行规律分析。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一,本实施例提出了一种基于时空数据融合的公交客流演化分析方法,如图6所示,包括以下步骤:
S1、历史时空数据预处理步骤,关联公交线路信息与站点信息,将公交线路经由的双向各站点分别编号,建立线路-站点数据表,所述线路-站点数据表至少包括:线路名称、行进方向、站点名称、站点编号;
建立刷卡信息数据集Q1,所述刷卡信息数据集Q1至少包括刷卡编号、线路名称、车辆名称、行驶方向、乘车日期、乘车时间;
建立到离站记录集Q2,所述到离站记录集Q2至少包括线路名称、车辆名称、站点名称、行驶方向、记录日期、进站时间、离站时间;
建立乘车信息数据集Q3,所述乘车信息数据集Q3至少包括刷卡编号、线路名称、车辆名称、站点名称、站点编号、行驶方向、乘车日期、乘车时间;
S2、计算出行下车概率,所述出行下车概率是指任一线路上的车辆在下行方向上,第i站点上车客流在本行驶方向的下游第j站点下车的概率,以及在上行方向上,第j站点上车客流在本行驶方向的下游第i站点下车的概率,其中,i,j为正整数,且i<j;
S3、公交客流时空演化分析步骤,包括:
划分出行时段,将公交系统的全天营运时段以最小推演时间单元τ为单位进行划分;
构建时空网络,将公交站点按时间维度展开,分拆获得若干个虚拟时空节点;
分别对各线路获取实时上车流量,并根据实时上车流量计算该线路的实时出行交通量;
确定时空网络弧段,分别确定下行方向弧段和上行方向弧段,所述下行方向弧段的起点为查找出下行方向上离站时间位于推演时段的车辆,根据到离站记录集Q2中的信息,确定与该车辆发车行为相关联的时空节点,
分别计算各时空网络弧段的流量;
S4、多尺度客流时空分布特征分析步骤,根据所获取的时空网络,以及相应的时空网络弧段的流量,绘制公交时空分布特征图。
历史时空数据预处理步骤中,通过对城市公交系统的运营线路、经停站点等基础数据,以及IC卡刷卡、车辆到离站等历史数据的处理,获得统计期限内公交站点的双向上车流量,进而计算任意公交站点间的出行下车概率,为后续公交客流的时空演化分析奠定基础。
记城市公交线路集为L,下面以公交线路l∈L为例阐述具体技术步骤。
1.1、线路-站点信息预处理。关联公交线路信息与站点信息。将公交线路经由的双向各站点分别编号,其中,如图1所示,下行方向站点编号为上行方向站点编号为所述i的取值范围为1~n,所述n为公交线路单向经由总站点数,所述n为大于1的整数,所述下行方向所有站点的编号按照车辆行驶方向递增,所述上行方向所有站点的编号按照车辆行驶方向递减。对线路信息和站点信息进行处理后可形成线路-站点数据表,如表1所示。
表1 线路-站点数据表
1.2、获取有效乘车信息。对智能公交系统的数据中心中涉及线路的相关历史数据进行处理。将刷卡历史数据转化为刷卡信息,如表2所示,并形成刷卡信息数据集Q1,将到离站历史数据转化为到离站信息,如表3所示,并形成到离站记录集Q2。
字段名 | 中文名称 | 字段类型 | 说明 |
ID | 刷卡编号 | 整型 | 唯一、非空 |
TraLine | 线路名称 | 字符型 | 允许中文 |
TraBus | 车辆名称 | 字符型 | 车牌号 |
TraDir | 行驶方向 | 字符型 | 上行为U,下行D |
TraDate | 乘车日期 | 长整型 | YYMMDD |
TraTime | 乘车时间 | 长整型 | hhmmss |
表2 刷卡信息数据集
字段名称 | 中文名称 | 字段类型 | 说明 |
LineName | 线路名称 | 字符型 | 允许中文 |
BusName | 车辆名称 | 字符型 | 车牌号 |
StaName | 站点名称 | 字符型 | 允许中文 |
RunDir | 行驶方向 | 字符型 | 上行为U,下行 |
Date | 记录日期 | 长整型 | YYMMDD |
TimeIn | 进站时间 | 长整型 | hhmmss |
TimeOut | 离站时间 | 长整型 | hhmmss |
表3 到离站记录集
对于任意刷卡信息q1∈Q1,寻找到离站信息q2∈Q2,使得满足关系
{TraLine=LineName}∩{TraBus=BusName}∩{TraDir=RunDir}∩{TraDate=Date}∩{TimeIn≤TraTime≤TimeOut}
以刷卡信息q1为基础,补充到离站信息q2中字段“StaName”、结合表1推算的字段“StaNum”以及附加定义的关联出行特征,获得乘车信息数据表,如表4所示,并形成乘车记录集Q3。
为了灵活计算适用不同场景的出行下车概率,提高了后续统计指标准确度。可结合计算时期的相关特征,如时期、天气等等,优化提取具有类似情形特征的历史上车客流,所述出行特征P(·)是指影响旅客出行选择行为的外界影响因素,如天气状况、是否节假日、是否工作日等因素。为便于后期统计分析,可将出行特征P(·)的字符串信息转化为数值信息,如将{晴、雨、雪、霾}表述为{1、2、3、4}。
字段名称 | 中文名称 | 字段类型 | 说明 |
ID | 刷卡编号 | 整型 | 唯一、非空 |
TraLine | 线路名称 | 字符型 | 允许中文 |
TraBus | 车辆名称 | 字符型 | 车牌号 |
StaName | 站点名称 | 字符型 | 允许中文 |
StaNum | 站点编号 | 整型 | 取值1~n之间 |
TraDir | 行驶方向 | 字符型 | 上行为U,下行 |
TraDate | 乘车日期 | 长整型 | YYMMDD |
TraTime | 乘车时间 | 长整型 | hhmmss |
IsWorkday | 是否工作 | 整型 | 增补出行特征数 |
IsHoliday | 是否节假 | 整型 | 增补出行特征数 |
Weather | 天气状况 | 整型 | 增补出行特征数 |
表4 乘车信息数据表
步骤S2中计算出行下车概率的方式为:
在下行方向上,出行下车概率为第i站点上车客流在本行驶方向的下游第j站点下车的概率,等于相对方向的第j站点的历史上车客流与相对方向的第j站点上游站点集的历史上车客流之和的比值,
在上行方向上,出行下车概率为第j站点上车客流在本行驶方向的下游第i站点下车的概率,等于相对方向的第i站点的历史上车客流与相对方向的第i站点上游站点集的历史上车客流之和的比值,其中,下行方向第i站点上车客流在第j站点下车的概率为上行方向第j站点上车客流在第i站点下车的概率为i<j≤n,所述上行方向和下行方向互为相对方向。本实施例中出行下车概率的计算方式,基于其中一行驶方向乘客在某一站点下车,往往返程的时候会在与该站点对面线路的同一站点上车,由此得来出行下车概率,解决了客流下车站点难以估算的问题。
计算站点历史上车客流的方式为:检验乘车信息数据集Q3,选取与下行方向D、车站编号i均一致的乘车记录q3∈Q3,累加求和获取下行方向第i站点的历史上车客流类似地选取与上行方向U、车站编号j均一致的乘车记录q3∈Q3,累加求和获取上行方向第j站点的历史上车客流特别地,求解历史上车客流还可根据推演当天的出行特征{P’(·)},仅累加乘车记录q3中出行特征{P(·)}与目标出行特征{P’(·)}一致的乘车记录。例如,进行公交客流演化分析的当天出行特征为{周一、晴},则仅提取出行特征为{周一、晴}的历史乘车记录。
作为一个优选的实施例,步骤S2中计算出行下车概率的方法为:
对于下行方向,第i站点的下游站点集为相对方向第j站点上游站点集下行方向第i站点至第j站点的下车概率等于相对方向的第j站点的历史上车客流与相对方向的第j站点下游站点集的历史上车客流之和的比值,
对于上行方向,第j站点下游站点集为相对方向第i站点上游站点集上行方向第j站点至第i站点的下车概率等于相对方向的第i站点的历史上车客流与相对方向的第i站点上游车站集的历史上车客流之和的比值,
由于公交线路l具有多个公交站点,因此,公交线路l∈L的出行概率矩阵Pl为:
公交客流时空演化分析步骤中,时空网络是进行客流时空演化分析的重要基础。首先基于公交线网的拓扑结构构建初始时空网络,进而结合公交车辆的行进过程信息不断补充和更新时空网络的弧段,并结合上车流量及其出行下车概率更新弧段流量。每一条弧段流量即对应了相应车辆行进过程中的实时载客量。时空网络动态更新的过程,即直观反映了公交客流时空分布状态的实时演化过程。当时空演化分析推演至整个公交系统的营运收班时间,即获得了这一天运营所形成的时空网络及全天的客流时空分布特征。
公交客流时空演化分析首先进行初始化,包括:将公交系统的全天营运时段以最小推演时间单元τ为单位进行划分;
记公交系统的全天营运时段为[T1,T2],最小的状态推演时间单元为τ,则可将整个营运时段划分为(T2-T1)/τ=k个小的时间片段,且第m=1,2,…,k个时间片段代表时段[T1+(m-1)τ,T1+mτ]。所述最小推演时间单元τ可取值为1分钟,2分钟或5分钟,且取值越小时对公交客流演化分析越精细,但相应公交时空网络结构也越复杂。实际应用中,宜结合车载终端数据回传频率、服务器计算能力等因素灵活设置。
构建时空网络,将公交站点按时间维度展开,分拆获得若干个虚拟时空节点。
记城市公交系统的站点集为S则对于物理站点s∈S,将其按时间维度展开,分拆获得k个虚拟时空节点s(m),m=1,2,…,k。根据公交线路-站点数据表相关信息,可将虚拟节点s(m)也记为三元组(l,i,m)。
对于公交线路l,其包含的时空节点个数为kn,且构成了一个多维空间的超平面。由于公交站点可归属于多条公交线路,因而对于同一虚拟时空节点s(m),可表示为多个三元组(l,i,m),即s(m)≡(l1,i1,m)≡(l2,i2,m),如图2所示,线路l1下行方向始发车站在时段1上的时空节点(1,1,1)与线路l2下行方向第n-2车站(也即上行方向第3车站)在时段1上的时空节点(2,n-2,1)重合。
步骤S3中,实时出行交通量的计算方式为:
任意选取公交线路l,选取时段[T1+(m-1)τ,T1+mτ]内实时回传的刷卡信息与车辆到离站信息,形成新增刷卡信息数据集ΔQ1与新增到离站记录集ΔQ2,以及形成新增乘车信息数据集ΔQ3;
根据新增乘车信息数据集ΔQ3中站点编号的差异分别累加计算实时上车流量,获得下行方向第i站点的实时上车客流以及上行方向第j站点的实时上车客流
计算实时出行交通量,对于实时上车客流和可按出行下车概率推算由当前上车站点至所有下游车站的站点出行OD,其中:
其中,为下行方向由车站至车站的实时出行交通量;
为上行方向由车站至车站的实时出行交通量;
γ为将刷卡客流进行折算的放大系数,满足γ≥1,可通过抽样调查或是分析刷卡金额和总票款收入获取。
进一步的,步骤S3中,确定下行方向弧段的方式为:
对于新增到离站记录集ΔQ2中满足行驶方向为下行的所有信息中,求解满足T1+(m-1)τ≤TimeOut<T1+mτ的推演时段m,并根据线路名称、站点编号、车辆名称确定与公交车辆b发车行为相关联的时空节点(l,i,m),并记发车行为{b|(l,i,m)};
求解满足T1+(m1″-1)τ≤TimeIn<T1+m1″τ的推演时段m1″,并根据线路名称、站点编号、车辆名称确定与公交车辆b到站行为相关联的时空节点(l,j,m1″),并记到站行为{b(l,j,m1″)};
确定下行方向弧段,对于到站行为{b|(l,j,m1″)},求解具有相同线路l及车辆b信息的前一发车行为{b|(l,i,m1′)},确定下行时空弧段aD={(l,i,m1′),(l,j,m1″)},并在时空网络上画出相应弧段。如图3所示弧段{(1,1,1),(1,2,2)}即为下行方向弧段。
同样道理的,步骤S3中,确定上行方向弧段的方式为:
对于新增到离站记录集ΔQ2中满足行驶方向为上行的所有信息中,求解满足T1+(m-1)τ≤TimeOut<T1+mτ的推演时段m,并根据线路名称、站点编号、车辆名称确定与公交车辆b发车行为相关联的时空节点(l,j,),并记发车行为{b|(l,j,m)};
求解满足T1+(m2″-1)τ≤TimeIn<T1+m2″τ的推演时段m2″,并根据线路名称、站点编号、车辆名称确定与公交车辆b到站行为相关联的时空节点(l,i,m2″),并记到站行为{b|(l,i,m2″)};
确定上行方向弧段,对于到站行为{b|(l,i,m2″)},求解具有相同线路l及车辆b信息的前一发车行为{b|(l,j,m2″)},确定下行时空弧段aU={(l,j,m2′),(l,i,m2″)},并在时空网络上画出相应弧段。如图3所示弧段{(2,n,2),(2,n-1,m)}即为上行方向弧段。
步骤S3中,计算各时空网络弧段的流量的方法为:
时空网络弧段的流量记为za,
对于下行时空网络弧段aD={(l,i,m1′),(l,j,m1″)};
对于下行时空网络弧段的流量:
对于上行时空网络弧段aU={(l,j,m2′),(l,i,m2″)};
对于上行时空网络弧段的流量:
直至处理完所有线路所有弧段的流量,计算出各时空网络弧段的流量后,进行多尺度客流时空分布特征分析。基于所获取的公交时空网络,以及相应的弧段流量,可依照实际需要从多维度裁剪关联信息,从而直观展示公交客流的时空分布规律。图4及图5分别展示了一条线路不同班次数量下的公交时空分布特征,三维空间的分别是时间、空间和断面客流量。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (7)
1.一种基于时空数据融合的公交客流演化分析方法,其特征在于,包括以下步骤:
(1)、历史时空数据预处理步骤,关联公交线路信息与站点信息,将公交线路经由的双向各站点分别编号,建立线路-站点数据表,所述线路-站点数据表至少包括:线路名称、行进方向、站点名称、站点编号;
建立刷卡信息数据集Q1,所述刷卡信息数据集Q1至少包括刷卡编号、线路名称、车辆名称、行驶方向、乘车日期、乘车时间;
建立到离站记录集Q2,所述到离站记录集Q2至少包括线路名称、车辆名称、站点名称、行驶方向、记录日期、进站时间、离站时间;
建立乘车信息数据集Q3,所述乘车信息数据集Q3至少包括刷卡编号、线路名称、车辆名称、站点名称、站点编号、行驶方向、乘车日期、乘车时间;
(2)、计算出行下车概率,所述出行下车概率是指任一线路上的车辆在下行方向上,第i站点上车客流在本行驶方向的下游第j站点下车的概率,以及在上行方向上,第j站点上车客流在本行驶方向的下游第i站点下车的概率,其中,i,j为正整数,且i<j;
(3)、公交客流时空演化分析步骤,包括:
划分出行时段,将公交系统的全天营运时段以最小推演时间单元τ为单位进行划分;
构建时空网络,将公交站点按时间维度展开,分拆获得若干个虚拟时空节点;
分别对各线路获取实时上车流量,并根据实时上车流量计算该线路的实时出行交通量;
确定时空网络弧段,分别确定下行方向弧段和上行方向弧段;
分别计算各时空网络弧段的流量;
(4)、多尺度客流时空分布特征分析步骤,根据所获取的时空网络,以及相应的时空网络弧弧段的流量,绘制公交时空分布特征图。
2.根据权利要求1所述的基于时空数据融合的公交客流演化分析方法,其特征在于,步骤(1)中,下行方向站点编号为上行方向站点编号为所述i的取值范围为1~n,所述n为公交线路单向经由总站点数,所述n为大于1的整数,所述下行方向所有站点的编号按照车辆行驶方向递增,所述上行方向所有站点的编号按照车辆行驶方向递减。
3.根据权利要求2所述的基于时空数据融合的公交客流演化分析方法,其特征在于,步骤(2)中计算出行下车概率的方式为:
在下行方向上,出行下车概率为第i站点上车客流在本行驶方向的下游第j站点下车的概率,等于相对方向的第j站点的历史上车客流与相对方向的第j站点上游站点集的历史上车客流之和的比值,
在上行方向上,出行下车概率为第j站点上车客流在本行驶方向的下游第i站点下车的概率,等于相对方向的第i站点的历史上车客流与相对方向的第i站点上游站点集的历史上车客流之和的比值,其中,下行方向第i站点上车客流在第j站点下车的概率为上行方向第j站点上车客流在第i站点下车的概率为i<j≤n,所述上行方向和下行方向互为相对方向。
4.根据权利要求2所述的基于时空数据融合的公交客流演化分析方法,其特征在于,步骤(3)中,实时出行交通量的计算方式为:
任意选取公交线路l,选取时段[T1+(m-1)τ,T1+mτ]内实时回传的刷卡信息与车辆到离站信息,形成新增刷卡信息数据集ΔQ1与新增到离站记录集ΔQ2,以及形成新增乘车信息数据集ΔQ3;
根据新增乘车信息数据集ΔQ3中站点编号的差异分别累加计算实时上车流量,获得下行方向第i站点的实时上车客流以及上行方向第j站点的实时上车客流
计算实时出行交通量:
其中,为下行方向由车站至车站的实时出行交通量;
为上行方向由车站至车站的实时出行交通量;
γ为将刷卡客流进行折算的放大系数。
5.根据权利要求4所述的基于时空数据融合的公交客流演化分析方法,其特征在于,步骤(3)中,确定下行方向弧段的方式为:
对于新增到离站记录集ΔQ2中满足行驶方向为下行的所有信息中,求解满足T1+(m-1)τ≤TimeOut<T1+mτ的推演时段m,并根据线路名称、站点编号、车辆名称确定与公交车辆b发车行为相关联的时空节点(l,i,m),并记发车行为{b|(l,i,m)};
求解满足T1+(m1″-1)τ≤TimeIn<T1+m1″τ的推演时段m1″,并根据线路名称、站点编号、车辆名称确定与公交车辆b到站行为相关联的时空节点(l,j,m1″),并记到站行为{b|(l,j,m1″)};
确定下行方向弧段,对于到站行为{b|(l,j,m1″)},求解具有相同线路l及车辆b信息的前一发车行为{b|(l,i,m1′)},确定下行时空弧段aD={(l,i,m1′),(l,j,m1″)},并在时空网络上画出相应弧段。
6.根据权利要求5所述的基于时空数据融合的公交客流演化分析方法,其特征在于,步骤(3)中,确定上行方向弧段的方式为:
对于新增到离站记录集ΔQ2中满足行驶方向为上行的所有信息中,求解满足T1+(m-1)τ≤TimeOut<T1+mτ的推演时段m,并根据线路名称、站点编号、车辆名称确定与公交车辆b发车行为相关联的时空节点(l,j,m),并记发车行为{b|(l,j,m)};
求解满足T1+(m2″-1)τ≤TimeIn<T1+m2″τ的推演时段m2″,并根据线路名称、站点编号、车辆名称确定与公交车辆b到站行为相关联的时空节点(l,i,m2″),并记到站行为{b|(l,i,m2″)};
确定上行方向弧段,对于到站行为{b|(l,i,m2″)},求解具有相同线路l及车辆b信息的前一发车行为{b|(l,j,m2′)},确定下行时空弧段aU={(l,j,m2′),(l,i,m2″)},并在时空网络上画出相应弧段。
7.根据权利要求6所述的基于时空数据融合的公交客流演化分析方法,其特征在于,步骤(3)中,计算各时空网络弧段的流量的方法为:
时空网络弧段的流量记为za,
对于下行时空网络弧段aD={(l,i,m1′),(l,j,m1″)};
对于下行时空网络弧段的流量
对于上行时空网络弧段aU={(l,j,m2′),(l,i,m2″)};
对于上行时空网络弧段的流量
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610217959.XA CN105868861A (zh) | 2016-04-08 | 2016-04-08 | 一种基于时空数据融合的公交客流演化分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610217959.XA CN105868861A (zh) | 2016-04-08 | 2016-04-08 | 一种基于时空数据融合的公交客流演化分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105868861A true CN105868861A (zh) | 2016-08-17 |
Family
ID=56637138
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610217959.XA Pending CN105868861A (zh) | 2016-04-08 | 2016-04-08 | 一种基于时空数据融合的公交客流演化分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105868861A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106844736A (zh) * | 2017-02-13 | 2017-06-13 | 北方工业大学 | 基于时空网络的时空同现模式挖掘方法 |
CN109035770A (zh) * | 2018-07-31 | 2018-12-18 | 上海世脉信息科技有限公司 | 一种大数据环境下公交载客量实时分析预测方法 |
CN109409563A (zh) * | 2018-09-07 | 2019-03-01 | 北明软件有限公司 | 一种公交运营车辆实时人数的分析方法、系统和存储介质 |
CN110060471A (zh) * | 2019-04-01 | 2019-07-26 | 长安大学 | 一种车辆od流预测模型构建方法及车辆od流预测方法 |
CN110400177A (zh) * | 2019-07-26 | 2019-11-01 | 厦门卫星定位应用股份有限公司 | 公交乘客出行信息匹配方法、介质、设备及装置 |
CN111063191A (zh) * | 2019-12-12 | 2020-04-24 | 北京航空航天大学 | 用于公交线网设计的发车频率与线网结构联合优化方法 |
CN111079875A (zh) * | 2019-12-17 | 2020-04-28 | 广州交通信息化建设投资营运有限公司 | 基于多源数据的公共交通客流监测方法、装置和存储介质 |
CN111126681A (zh) * | 2019-12-12 | 2020-05-08 | 华侨大学 | 一种基于历史客流量的公交线路调整方法 |
CN111401663A (zh) * | 2020-04-12 | 2020-07-10 | 广州通达汽车电气股份有限公司 | 一种实时进行公交时空od矩阵更新的方法及装置 |
CN112486989A (zh) * | 2020-11-28 | 2021-03-12 | 河北省科学技术情报研究院(河北省科技创新战略研究院) | 一种多源数据颗粒化融合及指标分类分层处理方法 |
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 |
CN113642798A (zh) * | 2021-08-18 | 2021-11-12 | 北京航空航天大学 | 一种基于bs架构的国际机场智慧出租车系统 |
CN113870605A (zh) * | 2021-10-14 | 2021-12-31 | 湖北惠诚共创科技有限公司 | 一种基于车路联合的智慧公交管理系统 |
CN114912233A (zh) * | 2022-04-19 | 2022-08-16 | 华北科技学院(中国煤矿安全技术培训中心) | 路网运力下降的影响范围确定和协同管控的方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105427594A (zh) * | 2015-11-23 | 2016-03-23 | 青岛海信网络科技股份有限公司 | 一种基于双向上车客流的公交断面客流量获取方法及系统 |
CN105550789A (zh) * | 2016-02-19 | 2016-05-04 | 上海果路交通科技有限公司 | 一种公交出行客流的预测方法 |
-
2016
- 2016-04-08 CN CN201610217959.XA patent/CN105868861A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105427594A (zh) * | 2015-11-23 | 2016-03-23 | 青岛海信网络科技股份有限公司 | 一种基于双向上车客流的公交断面客流量获取方法及系统 |
CN105550789A (zh) * | 2016-02-19 | 2016-05-04 | 上海果路交通科技有限公司 | 一种公交出行客流的预测方法 |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106844736A (zh) * | 2017-02-13 | 2017-06-13 | 北方工业大学 | 基于时空网络的时空同现模式挖掘方法 |
CN109035770A (zh) * | 2018-07-31 | 2018-12-18 | 上海世脉信息科技有限公司 | 一种大数据环境下公交载客量实时分析预测方法 |
CN109409563B (zh) * | 2018-09-07 | 2021-11-09 | 北明软件有限公司 | 一种公交运营车辆实时人数的分析方法、系统和存储介质 |
CN109409563A (zh) * | 2018-09-07 | 2019-03-01 | 北明软件有限公司 | 一种公交运营车辆实时人数的分析方法、系统和存储介质 |
CN110060471A (zh) * | 2019-04-01 | 2019-07-26 | 长安大学 | 一种车辆od流预测模型构建方法及车辆od流预测方法 |
CN110400177A (zh) * | 2019-07-26 | 2019-11-01 | 厦门卫星定位应用股份有限公司 | 公交乘客出行信息匹配方法、介质、设备及装置 |
CN111063191B (zh) * | 2019-12-12 | 2020-11-24 | 北京航空航天大学 | 用于公交线网设计的发车频率与线网结构联合优化方法 |
CN111126681A (zh) * | 2019-12-12 | 2020-05-08 | 华侨大学 | 一种基于历史客流量的公交线路调整方法 |
CN111063191A (zh) * | 2019-12-12 | 2020-04-24 | 北京航空航天大学 | 用于公交线网设计的发车频率与线网结构联合优化方法 |
CN111126681B (zh) * | 2019-12-12 | 2022-06-07 | 华侨大学 | 一种基于历史客流量的公交线路调整方法 |
CN111079875A (zh) * | 2019-12-17 | 2020-04-28 | 广州交通信息化建设投资营运有限公司 | 基于多源数据的公共交通客流监测方法、装置和存储介质 |
CN111401663A (zh) * | 2020-04-12 | 2020-07-10 | 广州通达汽车电气股份有限公司 | 一种实时进行公交时空od矩阵更新的方法及装置 |
CN111401663B (zh) * | 2020-04-12 | 2021-04-27 | 广州通达汽车电气股份有限公司 | 一种实时进行公交时空od矩阵更新的方法及装置 |
CN112486989A (zh) * | 2020-11-28 | 2021-03-12 | 河北省科学技术情报研究院(河北省科技创新战略研究院) | 一种多源数据颗粒化融合及指标分类分层处理方法 |
CN112486989B (zh) * | 2020-11-28 | 2021-08-27 | 河北省科学技术情报研究院(河北省科技创新战略研究院) | 一种多源数据颗粒化融合及指标分类分层处理方法 |
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 |
CN113642798A (zh) * | 2021-08-18 | 2021-11-12 | 北京航空航天大学 | 一种基于bs架构的国际机场智慧出租车系统 |
CN113870605A (zh) * | 2021-10-14 | 2021-12-31 | 湖北惠诚共创科技有限公司 | 一种基于车路联合的智慧公交管理系统 |
CN114912233A (zh) * | 2022-04-19 | 2022-08-16 | 华北科技学院(中国煤矿安全技术培训中心) | 路网运力下降的影响范围确定和协同管控的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105868861A (zh) | 一种基于时空数据融合的公交客流演化分析方法 | |
CN104064028B (zh) | 基于多元信息数据的公交到站时间预测方法及系统 | |
US20190266891A1 (en) | A method to quantitatively analyze the effects of urban built environment on road travel time | |
CN102819955B (zh) | 基于车辆行程数据的道路网运行评价方法 | |
CN102521965B (zh) | 基于车牌识别数据的交通需求管理措施效果评价方法 | |
CN109191849B (zh) | 一种基于多源数据特征提取的交通拥堵持续时间预测方法 | |
CN110458589B (zh) | 基于轨迹大数据的路侧式出租车停靠站选址优选方法 | |
CN105825310A (zh) | 基于信息熵的出租车寻客路线推荐方法 | |
CN105809962A (zh) | 一种基于手机数据的交通出行方式划分的方法 | |
CN102044149A (zh) | 一种基于时变客流的城市公交运营协调方法与装置 | |
CN104809112A (zh) | 一种基于多源数据的城市公交发展水平综合评价方法 | |
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 | |
CN103366224B (zh) | 一种基于公交网络的乘客需求预测系统和方法 | |
CN104766475A (zh) | 一种城市交通瓶颈挖掘方法 | |
Zhou et al. | Research on traffic situation analysis for urban road network through spatiotemporal data mining: a case study of Xi’an, China | |
CN107833459A (zh) | 一种基于gps数据的城市公交运行状况评价方法 | |
CN111667114A (zh) | 一种基于时空大数据融合的智能路线规划推荐方法 | |
CN106327867B (zh) | 一种基于gps数据的公交准点预测方法 | |
CN104464280B (zh) | 车辆行进开销的预测方法及系统 | |
CN113177742A (zh) | 基于智能交通的公交服务方法、系统、终端及存储介质 | |
CN112686417A (zh) | 一种地铁大客流预测方法、系统及电子设备 | |
CN104361543B (zh) | 一种基于时空链模型的公交线路评价方法 | |
Kong et al. | The method and application of big data mining for mobile trajectory of taxi based on MapReduce | |
CN111915920A (zh) | 一种基于云计算的智慧城市公共交通系统建设协调管理系统 | |
CN109754606B (zh) | 一种基于出租车定位预测道路拥堵情况的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160817 |