CN107798440A - 一种基于线路候选集的地铁接驳巴士线路规划方法 - Google Patents

Abstract

本发明提供了一种基于线路候选集的地铁接驳巴士线路规划方法，属于智能城市交通技术领域。该方法的具体步骤为：首先根据线路规划目标对原始乘客出行数据进行预处理，随后对预处理后的数据进行时间划分和空间聚合，之后根据站点位置数据和站点时间数据生成线路候选集合，最终从线路候选集合中选择最优的运行线路，该方法从动态规划的思想出发进行从居民区到附近地铁站的地铁接驳巴士的最优线路规划，为改善地铁接驳巴士的运营状态，提高收益，促进其大范围的推广和应用提供建设性意见。

Description

一种基于线路候选集的地铁接驳巴士线路规划方法

技术领域

本发明属于智能城市交通技术领域，尤其涉及一种基于线路候选集的地铁接驳巴士线路规划方法。

背景技术

随着全球经济的快速发展，城市车辆的数量出现爆发式增长，导致了迫在眉睫的交通问题亟需解决，包括交通拥堵，城市规划，环境污染，交通异常检测等。而共乘的出现，包括共享巴士，共享单车以及共享车辆，为缓解空气污染，交通拥堵和碳排放等难题带来了前所未有的机遇。但是和火热的滴滴出行，摩拜单车等相比，共享巴士的发展却显得十分低迷。共享巴士的运营依赖于智能线路动态规划模型平台，致力于提供一种“门到门”的公交体验。为了改善共享巴士的运营状态，提高收益，促进其大范围的推广和应用，我们提出一种基于乘客出行数据的线路规划方法。该方法主要针对于城市“最后一公里”问题中的从居民区到附近地铁站的子问题的线路规划。我们将在居民区到附近地铁站运营的共享巴士细化定义为地铁接驳巴士。

发明内容

本发明的目的主要针对上述线路规划问题，提出一种基于线路候选集的地铁接驳巴士线路规划方法。该方法基于乘客出行数据的时间划分和空间聚合，从动态规划的思想出发进行从居民区到附近地铁站的最优线路规划，为改善地铁接驳巴士运营状况提升效益提供建设性意见。

本发明的技术方案：

一种基于线路候选集的地铁接驳巴士线路规划方法，步骤如下：

S1：对原始乘客出行数据进行预处理

S1.1：数据清洗：对原始乘客出行数据进行清洗，删除异常数据，并将数据规范化；原始乘客出行数据包括订单数据、站点位置数据和站点时间数据；

S1.2：数据筛选：根据线路规划目标，选定研究时间范围，并筛选出研究时间范围内的非现金乘客的订单记录；

S1.3：数据提取：根据线路规划目标，从订单数据中提取线路规划信息；

S2：对预处理后的数据进行时间划分和空间聚合

S2.1：时间划分：根据地铁接驳巴士行车规律，将研究时间范围划分为n个时间片；

S2.2：空间聚合：根据站点位置数据，将研究空间聚合到m个站点；

S2.3：基于时间划分和空间聚合，提取站点在每个时间片的上车人数，并以客流特征矩阵形式存储，该矩阵记为D_n*m，n表示时间片数，m表示站点数，矩阵中的每个元素D_i,j表示第i个时间片第j个站点的上车人数；每个时间片i具有起始时间start_time和终止时间end_time两个属性；

S3：根据站点数据生成线路候选集合

S3.1：基于站点位置数据和站点间相对位置，筛选出适合作为起点的站点，并构建起点候选集Origin_c；

S3.2：根据S3.1构建的起点候选集Origin_c，结合站点位置数据，遵从整体向前的原则，即下一个站点总是离终点更近，对每一个起点递归遍历，生成所有合理的线路，并构建线路候选集Route_c；Route_c中每条线路包括线路上所有站点的信息，每个站点信息包含站点名stop_name和到达时间arrive_time；

S4：从线路候选集合中选择最优的运行线路

S4.1：根据地铁接驳巴士发车规律，从起点候选集Origin_c中选择一个站点作为线路起点，该站点包含站点名stop_name和发车时间arrive_time，将其存入一个列表，记作list_route；构建一个列表，记录本条线路在每个站点的上车人数，记为list_passengers；

S4.2：基于S4.1选择的线路起点，结合线路候选集Route_c和站点时间数据中提取的站点间到达时间，生成下一个站点的候选站点集合和该站点的到达时间，下一个站点候选集合记为Next_c；

S4.3：根据客流特征矩阵D_n*m，从下一个站点候选集合Next_c中选出客流量最多的一个站点信息S_c，作为下一个站点追加到list_route；

S4.4：根据客流特征矩阵D_n*m，和步骤S4.3中选出的站点信息S_c，计算出上车人数num_up，并追加到list_passengers中，num_up计算公式如下：

其中，S_c[arrive_time]表示站点信息S_c的arrive_time属性，i[start_time]表示第i个时间片的start_time属性，i[end_time]表示第i个时间片的end_time属性，rate表示接走的乘客数占该站点总人数的比例；

S4.5：根据步骤S4.1得到的list_passengers和研究目标车辆的最大乘客数seats，对list_passengers中各站点上车人数进行加和，其结果若不大于seats，则对客流特征D_n*m进行如下更新：

D_{n,j(n＝0,1,2…,i-1)}←0

D_i,j←D_i,j*rate

否则，对客流特征D_n*m进行如下更新：

D_{n,j(n＝0,1,2…,i-1)}←0

D_i,j←D_i,j*rate+(∑list_passengers-seats)

加入终点站点信息并结束该条线路；

S4.6：重复步骤S4.2-S4.5，直到选出的站点信息S_c为终点，所得list_route即为最优线路。

本发明的有益效果：本发明的方法从动态规划的思想出发进行从居民区到附近地铁站的地铁接驳巴士的最优线路规划，为改善地铁接驳巴士的运营状态，提高收益，促进其大范围的推广和应用提供建设性意见。

附图说明

图1为一种基于线路候选集的地铁接驳巴士线路规划方法的流程图。

图2(a)为上海市永康城及周边地铁站地铁接驳巴士站点分布图。

图2(b)为上海市永康城路网图。

图3是本发明实施案例从线路候选集合中选择最优的运行线路的算法流程图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将对本发明的具体实施方式作进一步的详细描述。

本发明实施例提供了一种基于线路候选集的地铁接驳巴士线路规划方法，流程如图1所示，该方法包括：

S1：对2017年4月1号到2017年9月6号上海永康城地铁接驳巴士订单数据做预处理,步骤如下：

S1.1：数据清洗：原始乘客出行数据包括：订单数据、站点位置数据、站点时间数据。针对订单数据进行清洗，原始订单数据包括站点信息，订单状态，上车人数及车辆等信息，如表1所示。

根据字段12删除乘客取消订单，将订单时间格式转换为hh:mm:ss；

S1.2：数据筛选：根据线路规划目标，由于研究目标主要针对上午从居民区到地铁站的线路规划，选定研究时间范围为上午6:00-12:00，并将研究时间范围以外的数据删除，同时由于订单中现金乘客的上车时间和上车站点具有极大的偶然性，所以将现金乘客的订单记录删除；

表1

S1.3：数据提取：根据线路规划目标，由于1,2,3,5,6,9,11号字段，对后面线路规划没有帮助，直接删除，预处理后得到的留下有用信息构成的订单数据结构如下表2所示。

表2

编号	字段	说明
			1	上车时间	格式为“hh:mm:ss”
2	上车站点id	上车站点的编号
			3	人数	在该站点上车的人数

S2：根据研究时间范围和如图2(a)所示站点位置数据对预处理数据进行时间划分和空间聚合，步骤如下：

S2.1：时间划分：根据地铁接驳巴士行车规律，人数大多集中在6:40-9:40之间，考虑到乘客的最大等待时间为5分钟，所以将6:40-9:40按5分钟为间隔划分为36个时间片；

S2.2：空间聚合：根据所给的站点位置数据，在研究区域中包含8个巴士站点，6号，21号，22号，24号，25号，26号，27号，以及28号，将研究区域聚合到以上8个站点；

S2.3：基于S2所述的方法，对订单数据进行时间划分和空间聚合，形成36*8的巴士客流特征矩阵，该矩阵记为D_36*8，矩阵中的每个元素D_i,j表示第i个时间片第j个站点的上车人数。每个时间片i具有start_time和end_time两个属性；

S3：根据站点数据和站点间相对位置，如图2(b)所示，分析并筛选出起点候选集，并根据起点候选集生成线路候选集，步骤如下：

S3.1：基于站点位置数据，根据站点间相对位置，筛选出适合作为起点的站点，选出3个站点作为起点候选集；

S3.2：根据S3.1所述起点候选集，结合站点位置数据，遵从整体向前的原则，即下一个站点总是离终点更近，对每一个始发站点递归遍历，生成所有合理的线路，并构建线路候选集Route_c。Route_c中每条线路包括线路上所有站点的信息，每个站点信息包含属性站点名stop_name和到达时间arrive_time。

S4：根据起点候选集和客流特征矩阵，对每次遍历的一个候选站点，对客流特征进行迭代更新，进而从线路候选集合中选择最优的运行线路，流程如图3所示，步骤如下：

S4.1：根据地铁接驳巴士发车规律，从起点候选集的3个站点中选择1个站点作为线路的起点，该站点包含站点名stop_name和发车时间arrive_time，将其存入一个列表，记作list_route。构建一个列表记录本条线路在每个站点上车人数，记为list_passengers；

S4.2：基于S4.1选择的起点，结合线路候选集Route_c和站点时间数据中提取的站点间到达时间，生成下一个站点的候选站点集合和该站点的到达时间，作为下一个站点候选集合，记为Next_c；

S4.3：根据客流特征矩阵D_n*m，从下一个站点候选集合Next_c中选出客流量最多的一个站点信息S_c，作为下一个站点追加到list_route；

S4.4：根据客流特征矩阵D_n*m，和S4.3中选出的站点信息S_c，计算出上车人数num_up，并追加到list_passengers中，num_up计算公式如下：

其中，方括号内表示该变量所拥有的属性，如S_c[arrive_time]表示站点信息S_c的arrive_time属性，rate表示接走的乘客数占该站点总人数的比例，其公式定义如上；

S4.5：根据S4.1所述list_passengers，且本案例研究的目标车辆的最大乘客数为14，对list_passengers进行加和，其结果若不大于14则对客流特征D_n*m进行如下更新：

D_{n,j(n＝0,1,2…,i-1)}←0

D_i,j←D_i,j*rate

否则，对客流特征D_n*m进行如下更新：

D_{n,j(n＝0,1,2…,i-1)}←0

D_i,j←D_i,j*rate+(∑list_passengers-14)

加入终点站点信息并结束该条线路。

S4.6：重复步骤S4.2-S4.5，直到选出的站点信息S_c为终点，所得list_route即为最优线路。

以上的所述乃是本发明的具体实施例及所运用的技术原理，若依本发明的构想所作的改变，其所产生的功能作用仍未超出说明书及附图所涵盖的精神时，仍应属本发明的保护范围。

Claims (1)

1.一种基于线路候选集的地铁接驳巴士线路规划方法，其特征在于，步骤如下：

S1：对原始乘客出行数据进行预处理

S1.1：数据清洗：对原始乘客出行数据进行清洗，删除异常数据，并将数据规范化；原始乘客出行数据包括订单数据、站点位置数据和站点时间数据；

S1.2：数据筛选：根据线路规划目标，选定研究时间范围，并筛选出研究时间范围内的非现金乘客的订单记录；

S1.3：数据提取：根据线路规划目标，从订单数据中提取线路规划信息；

S2：对预处理后的数据进行时间划分和空间聚合

S2.1：时间划分：根据地铁接驳巴士行车规律，将研究时间范围划分为n个时间片；

S2.2：空间聚合：根据站点位置数据，将研究空间聚合到m个站点；

S2.3：基于时间划分和空间聚合，提取站点在每个时间片的上车人数，并以客流特征矩阵形式存储，该矩阵记为D_n*m，n表示时间片数，m表示站点数，矩阵中的每个元素D_i,j表示第i个时间片第j个站点的上车人数；每个时间片i具有起始时间start_time和终止时间end_time两个属性；

S3：根据站点数据生成线路候选集合

S3.1：基于站点位置数据和站点间相对位置，筛选出适合作为起点的站点，并构建起点候选集Origin_c；

S3.2：根据S3.1构建的起点候选集Origin_c，结合站点位置数据，遵从整体向前的原则，即下一个站点总是离终点更近，对每一个起点递归遍历，生成所有合理的线路，并构建线路候选集Route_c；Route_c中每条线路包括线路上所有站点的信息，每个站点信息包含站点名stop_name和到达时间arrive_time；

S4：从线路候选集合中选择最优的运行线路

S4.1：根据地铁接驳巴士发车规律，从起点候选集Origin_c中选择一个站点作为线路起点，该站点包含站点名stop_name和发车时间arrive_time，将其存入一个列表，记作list_route；构建一个列表，记录本条线路在每个站点的上车人数，记为list_passengers；

S4.2：基于S4.1选择的线路起点，结合线路候选集Route_c和站点时间数据中提取的站点间到达时间，生成下一个站点的候选站点集合和该站点的到达时间，下一个站点候选集合记为Next_c；

S4.3：根据客流特征矩阵D_n*m，从下一个站点候选集合Next_c中选出客流量最多的一个站点信息S_c，作为下一个站点追加到list_route；

S4.4：根据客流特征矩阵D_n*m，和步骤S4.3中选出的站点信息S_c，计算出上车人数num_up，并追加到list_passengers中，num_up计算公式如下：

<mrow> <msub> <mi>num</mi> <mrow> <mi>u</mi> <mi>p</mi> </mrow> </msub> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>n</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <mi>i</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <msub> <mi>D</mi> <mrow> <mi>n</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>D</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>*</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mi>r</mi> <mi>a</mi> <mi>t</mi> <mi>e</mi> <mo>)</mo> </mrow> </mrow>

<mrow> <mi>r</mi> <mi>a</mi> <mi>t</mi> <mi>e</mi> <mo>=</mo> <mfrac> <mrow> <msub> <mi>S</mi> <mi>c</mi> </msub> <mo>&amp;lsqb;</mo> <msub> <mi>arrive</mi> <mrow> <mi>t</mi> <mi>i</mi> <mi>m</mi> <mi>e</mi> </mrow> </msub> <mo>&amp;rsqb;</mo> <mo>-</mo> <mi>i</mi> <mo>&amp;lsqb;</mo> <msub> <mi>start</mi> <mrow> <mi>t</mi> <mi>i</mi> <mi>m</mi> <mi>e</mi> </mrow> </msub> <mo>&amp;rsqb;</mo> </mrow> <mrow> <mi>i</mi> <mo>&amp;lsqb;</mo> <msub> <mi>end</mi> <mrow> <mi>t</mi> <mi>i</mi> <mi>m</mi> <mi>e</mi> </mrow> </msub> <mo>&amp;rsqb;</mo> <mo>-</mo> <mi>i</mi> <mo>&amp;lsqb;</mo> <msub> <mi>start</mi> <mrow> <mi>t</mi> <mi>i</mi> <mi>m</mi> <mi>e</mi> </mrow> </msub> <mo>&amp;rsqb;</mo> </mrow> </mfrac> </mrow>

其中，S_c[arrive_time]表示站点信息S_c的arrive_time属性，i[start_time]表示第i个时间片的start_time属性，i[end_time]表示第i个时间片的end_time属性，rate表示接走的乘客数占该站点总人数的比例；

S4.5：根据步骤S4.1得到的list_passengers和研究目标车辆的最大乘客数seats，对list_passengers中各站点上车人数进行加和，其结果若不大于seats，则对客流特征D_n*m进行如下更新：

D_{n,j(n＝0,1,2…,i-1)}←0

D_i,j←D_i,j*rate

否则，对客流特征D_n*m进行如下更新：

D_{n,j(n＝0,1,2…,i-1)}←0

D_i,j←D_i,j*rate+(∑list_passengers-seats)

加入终点站点信息并结束该条线路；

S4.6：重复步骤S4.2-S4.5，直到选出的站点信息S_c为终点，所得list_route即为最优线路。