CN109308546B - 乘客公交出行下车站点预测方法及系统 - Google Patents

乘客公交出行下车站点预测方法及系统 Download PDF

Info

Publication number
CN109308546B
CN109308546B CN201811017044.XA CN201811017044A CN109308546B CN 109308546 B CN109308546 B CN 109308546B CN 201811017044 A CN201811017044 A CN 201811017044A CN 109308546 B CN109308546 B CN 109308546B
Authority
CN
China
Prior art keywords
bus
passenger
station
trip
getting
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
CN201811017044.XA
Other languages
English (en)
Other versions
CN109308546A (zh
Inventor
潘阳阳
周东
陈凝
吕伟韬
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.)
Jiangsu Zhitong Transportation Technology Co ltd
Original Assignee
Jiangsu Zhitong Transportation Technology Co ltd
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 Jiangsu Zhitong Transportation Technology Co ltd filed Critical Jiangsu Zhitong Transportation Technology Co ltd
Priority to CN201811017044.XA priority Critical patent/CN109308546B/zh
Publication of CN109308546A publication Critical patent/CN109308546A/zh
Application granted granted Critical
Publication of CN109308546B publication Critical patent/CN109308546B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)
  • Devices For Checking Fares Or Tickets At Control Points (AREA)

Abstract

本发明提供一种乘客公交出行下车站点预测方法及系统，基于乘客历史AFC数据计算出行行为指标，进一步分析刷卡乘客出行特征、提取公交出行模式，在此基础上根据实时的上车站点信息预测乘客下车站点，从而为出行者提供定制化、智能化的公交出行服务。该种乘客公交出行下车站点预测方法及系统，能够为乘客提供更为针对性且智能化的站点预测服务，显著提升信息服务系统的用户体验。

Description

乘客公交出行下车站点预测方法及系统
技术领域
本发明涉及一种乘客公交出行下车站点预测方法及系统。
背景技术
地面公交在我国大部分城市的分担率平均不足20％，基础设施不足、线网 布局不够合理、运营管理智能化水平有限等因素都直接影响了公交运营服务水 平，但究其根本，客流信息基础薄弱是主要原因之一。
目前在乘客下车行为分析方面，主要以站点为分析单位，对站点下车客流 量或站点间的出行OD进行估计。由此获得的指标结果能够满足管理方的宏观 监管与规划需求，却难以应用到出行者的信息服务中。就出行者而言，定制化 且有针对性的信息是提升其服务体验的关键。如何对个体的公交出行行为进行 智能化地分析与描述，是当前优化公交服务质量的重难点。目前的公交服务系 统(APP)可进行站点查询时需要乘客自行输入站点或线路名称，或需手动设 置常用站点，或直接通过定位查询附近站点。若能够智能化地预测乘客的下车 站点并进行自动地信息推送，则能显著提升用户体验，提高公交信息服务质量。
通过AFC刷卡数据与车载GPS定位数据或公交行程单的时间匹配是当前 公交上下车站点识别的主要手段；在缺少刷卡数据时，专利CN201611002208.2 《基于IC卡的公交车辆当日下车站点识别方法与系统》通过换乘分析进行下车 站点识别，CN201610229224.9《一种基于智能公交系统数据的公交乘客OD推 算方法》通过相邻刷卡记录间的关联性进行站点估计。但此类方法都是对已结 束的公交出行行程进行的数据分析，下车站点的估计依赖于后续的公交出行行 为，无法满足即时预测的应用需求。
针对这一缺陷，本发明提出了一种公交下车站点预测方法和系统，在行程 开始前或行程中即可完成对下车站点的估计、预测，从而为乘客提供更为智能 化且有针对性的公交信息服务。
发明内容
本发明的目的是提供一种乘客公交出行下车站点预测方法及系统解决现有 技术中存在的均是对已结束的公交出行行程进行的数据分析，下车站点的估计 依赖于后续的公交出行行为，无法满足即时预测的应用需求的问题。
本发明的技术解决方案是：
一种乘客公交出行下车站点预测方法，基于乘客历史AFC数据计算出行行 为指标，进一步分析刷卡乘客出行特征、提取公交出行模式，在此基础上根据 实时的上车站点信息预测乘客下车站点，包括以下步骤，
S1、获取时刻t公交上车刷卡卡号与上车站点a；将全天公交运营时间划分 为若干时段，时刻t∈[Ti,Ti+1]，Ti为时段i的开始时刻；
S2、根据AFC卡号，对乘客历史公交上下车刷卡记录进行汇集处理，计算 出行行为指标；
S3、基于步骤S2所得的出行行为指标，采用高斯混合模型划分高强度群体 及一般出行群体，进一步分析刷卡乘客出行特征；
S4、根据步骤S3得出的乘客出行特征进行下车站点进行预测；对于高强度 出行乘客，采用贝叶斯估计模型对其下车站点进行预测；对于一般出行乘客， 采用历史数据统计进行预测下车站点。
进一步地，步骤S2中，出行行为指标包括乘客公交出行线路重复系数R、 乘客公交出行频次N、乘客每日首次公交出行的起始站点位置差异系数SF和乘 客每日末次公交出行的终点站点位置差异系数SL，
乘客公交出行线路重复系数R，其计算公式为R＝C/LN，其中C为选定时 间范围内该乘客的公交出行总次数，LN为该时间范围内的该乘客所有公交出行 中选择的公交线路数量；
乘客公交出行频次N，即统计在该时间范围内乘客公交出行的天数；
乘客每日首次公交出行的起始站点位置差异系数SF，其计算公式为 SF＝TF/NF，其中TF为选定时间范围内存在该乘客上车刷卡记录的天数，NF表 示在该时间范围内的任一天存在该乘客当日首次公交出行的上车刷卡记录的站 点数；
乘客每日末次公交出行的终点站点位置差异系数SL，其计算公式为 SL＝TL/NL，其中TL为选定时间范围内存在该乘客下车刷卡记录的天数，NL表 示在该时间范围内的任一天存在乘客当日末次公交出行的下车刷卡记录的站点 数。
进一步地，步骤S3中，历史公交上下车刷卡记录的时间范围不低于1个月。
进一步地，步骤S3具体为，
S31、基于贝叶斯信息准则BIC值，确定聚类模型，即确定聚类数目以及 聚类所采用的协方差模式；其中BIC＝Kln(n)-2ln(L)，K为聚类数目，n为样 本数量，L为似然函数；
S32、根据步骤S31选定的聚类模型，对步骤S2的出行行为指标进行聚类 处理；
S33、根据步骤S32的聚类结果，对每一聚类群体的人均天出行次数进行统 计，若群体的统计值超过阈值，则对应群体具有高强度出行属性，将其判定为 高强度出行群体；否则为一般出行群体；
S34、根据乘客AFC卡号，从高强度出行群体、一般出行群体中识别该乘 客群体归属，从而分析乘客的出行特征，在高强度出行与一般出行中选其一。
进一步地，步骤S4中，高强度出行乘客的下车站点预测方法具体为：
在历史公交上下车刷卡记录中筛选出[Ti,Ti+1]时段内存在的a站上车刷卡数 据，生成历史下车站点集合B＝{b1,b2,...,bm}，其中b为下车站点；在某一站点 bk下车的概率为：
Figure BDA0001784857280000031
其中，X＝(Ti,a)表示在[Ti,Ti+1]时段内在a站上车，该乘客在站点bj下车 的先验概率p(B＝bj)＝βjM，M为该乘客历史公交出行总次数，βj为站点bj下车的公交出行次数；p(X|B＝bj)＝p(Ti，a|B＝bj)＝p(Ti|B＝bj)p(a|B＝bj)， 其中p(Ti|B＝bj)为以站点bj为目标下车站点前提下在[Ti,Ti+1]时段内上车的概 率，依据该乘客公交出行的历史记录，拟合出其相应的先验概率分布函数； p(a|B＝bj)为以站点bj为目标下车站点前提下在a站上车的概率，直接根据历 史记录统计得到其先验概率；计算在B＝{b1,b2,...,bm}各站点的下车概率，并将 概率值最大的站点作为该乘客在时刻t上车后的预测下车站点bp。
进一步地，步骤S4中，一般出行乘客的下车站点预测方法具体为：
在历史公交上下车刷卡记录中筛选出[Ti,Ti+1]时段内存在a站上车刷卡数据 的记录，生成历史下车站点集合B＝{b1,b2,...,bm}，统计在各站点的下车次数β， 将β最大的站点作为该乘客在时刻t上车后的预测下车站点。
一种乘客公交出行下车站点预测系统，公交乘客提供依托于智能移动设备的 应用功能，自动实时定位，预测乘客的公交出行上、下车站点以及公交行程时 间，包括定位模块、地图模块、特征分析模块、站点预测模块和出行预测模块；
定位模块：根据乘客实时定位坐标，进行地图匹配，并根据公交站点的坐 标，识别出乘客附近站点，将距离最近的站点预测为上车站点；同时，获取公 交车实时GPS定位数据，与站点坐标进行匹配，确定公交车在每一站点的到站 时间；
地图模块：基于离线地图数据构建电子地图底图，实现图层叠加以及基础 地图操作功能；定位模块将定位坐标传输至地图模块，通过叠加图层实现乘客 的地图定位；
特征分析模块：根据输入的公交卡号，从数据库中提取该卡号的历史公交 上下车刷卡记录，采用刷卡乘客出行特征分析方法，判断乘客的出行类型；
站点预测模块：根据上车站点以及特征分析模块输出的乘客出行类型，采 用上述任一项所述乘客公交出行下车站点预测方法预测乘客下车站点bp；
出行预测模块：获取站点预测模块输出的上车站点a与下车站点bp，并从 定位模块获取公交车在各站点的到站时间，预测从上车站点a行驶至下车站点 bp的公交出行时间。
进一步地，特征分析模块中，公交卡号输入方式包括乘客自行输入、AFC 刷卡系统对接。
进一步地，特征分析模块中，上车站点a的确定方式为：若乘客向系统输 入了明确的站点名称，则根据输入数据确定上车站点；若系统接收到公交AFC 刷卡数据，则通过账号匹配检索出该乘客的动态刷卡记录，读取上车站点；若 乘客未向系统输入上车站点，同时也无法获取乘客的刷卡数据，则从地图模块 获取预测的上车站点。
本发明的有益效果是：
一、该种乘客公交出行下车站点预测方法及系统，基于乘客历史AFC数据 计算出行行为指标，进一步分析刷卡乘客出行特征、提取公交出行模式，在此 基础上根据实时的上车站点信息预测乘客下车站点，从而为出行者提供定制化、 智能化的公交出行服务。
二、本发明基于AFC历史数据计算公交乘客出行行为指标，采用高斯混合 模型分析群体出行特征。对于高出行强度乘客，采用贝叶斯估计模型对其下车 站点进行预测。本发明的乘客公交出行预测系统能够根据估计或预测的上车站 点信息进行智能化的下车站点以及行程时间预测。
三、在公交服务中，该种乘客公交出行下车站点预测方法及系统，能够为 乘客提供更为针对性且智能化的站点预测服务，显著提升信息服务系统的用户 体验。
附图说明
图1是本发明实施例乘客公交出行下车站点预测方法的流程示意图。
图2是实施例中聚类模型BIC结果示意图。
具体实施方式
下面结合附图详细说明本发明的优选实施例。
实施例
一种乘客公交出行下车站点预测方法，如图1，基于乘客历史AFC数据计 算出行行为指标，进一步分析刷卡乘客出行特征、提取公交出行模式，在此基 础上根据实时的上车站点信息预测乘客下车站点，具体步骤为：
S1、获取时刻t公交上车刷卡卡号与上车站点a；将全天公交运营时间划分 为若干时段，时刻t∈[Ti,Ti+1]，Ti为时段i的开始时刻。
S2、根据AFC卡号，对乘客历史公交上下车刷卡记录进行汇集处理，计算 出行行为指标；其中历史公交上下车刷卡记录的时间范围不低于1个月；出行 行为指标包括：
(1)乘客公交出行线路重复系数R，其计算公式为R＝C/LN，其中C为选 定时间范围内该乘客的公交出行总次数，LN为该时间范围内的该乘客所有公交 出行中选择的公交线路数量。
(2)乘客公交出行频次N，即统计在该时间范围内乘客公交出行的天数。
(3)乘客每日首次公交出行的起始站点位置差异系数SF，其计算公式为SF＝TF/NF，其中TF为选定时间范围内存在该乘客上车刷卡记录的天数，NF表 示在该时间范围内的任一天存在该乘客当日首次公交出行的上车刷卡记录的站 点数。
(4)乘客每日末次公交出行的终点站点位置差异系数SL，其计算公式为 SL＝TL/NL，其中TL为选定时间范围内存在该乘客下车刷卡记录的天数，NL表 示在该时间范围内的任一天存在乘客当日末次公交出行的下车刷卡记录的站点 数。
S3、基于出行行为指标，采用高斯混合模型划分高强度群体及一般出行群 体，进一步分析刷卡乘客出行特征；具体步骤为：
S31、基于贝叶斯信息准则BIC值，确定聚类模型，即确定聚类数目以及 聚类所采用的协方差模式；其中BIC＝Kln(n)-2ln(L)，K为聚类数目，n为样 本数量，L为似然函数。
实施例中选用了四种备选协方差模式，分别为：(1)每种聚类类别采用各 自的协方差矩阵；(2)所有聚类类别均采用统一的协方差矩阵；(3)每种聚类 类别采用各自的对角协方差矩阵；(4)每种聚类类别采用各自的常数值协方差； BIC结果如图2所示；根据BIC值选择的聚类数为5，协方差模式为(1)。
S32、根据步骤S31选定的聚类模型，对步骤S2的出行行为指标进行聚类 处理。
S33、根据聚类结果，对每一聚类群体的人均天出行次数进行统计，若群体 的统计值超过阈值，则对应群体具有高强度出行属性，将其判定为高强度出行 群体；否则为一般出行群体。
S34、根据乘客AFC卡号，从高强度出行群体、一般出行群体中识别该乘 客群体归属，从而分析乘客的出行特征，在高强度出行与一般出行中选其一。
S4、根据乘客出行特征进行下车站点进行预测；对于高强度出行乘客，采 用贝叶斯估计模型对其下车站点进行预测；对于一般出行乘客，采用历史数据 统计对其下车站点进行预测。
步骤S4中，高强度出行乘客的下车站点预测方法具体为：
在历史公交上下车刷卡记录中筛选出[Ti,Ti+1]时段内存在的a站上车刷卡数 据，生成历史下车站点集合B＝{b1,b2,...,bm}，其中b为下车站点；在某一站点bk下车的概率为：
Figure BDA0001784857280000071
其中，X＝(Ti,a)表示在[Ti,Ti+1]时段内在a站上车，该乘客在站点bj下车 的先验概率p(B＝bj)＝βjM，M为该乘客历史公交出行总次数，βj为站点bj下车的公交出行次数；p(X|B＝bj)＝p(Ti，a|B＝bj)＝p(Ti|B＝bj)p(a|B＝bj)， 其中p(Ti|B＝bj)为以站点bj为目标下车站点前提下在[Ti,Ti+1]时段内上车的概率， 依据该乘客公交出行的历史记录，拟合出其相应的先验概率分布函数； p(a|B＝bj)为以站点bj为目标下车站点前提下在a站上车的概率，直接根据历 史记录统计得到其先验概率；计算在B＝{b1,b2,...,bm}各站点的下车概率，并将 概率值最大的站点作为该乘客在时刻t上车后的预测下车站点bp。
步骤S4中，一般出行乘客的下车站点预测方法具体为：
在历史公交上下车刷卡记录中筛选出[Ti,Ti+1]时段内存在a站上车刷卡数据 的记录，生成历史下车站点集合B＝{b1,b2,...,bm}，统计在各站点的下车次数β， 将β最大的站点作为该乘客在时刻t上车后的预测下车站点。
实施例中的下车站点预测结果示例如下表：
卡号 上车站点ID 上车刷卡时间 下车站点ID
215301* 8101000D 18:12:13 81010021
215300* 81011313 19:00:03 81011318
215300* 81012505 16:04:13 81012512
215300* 81001809 5:38:51 81001812
215301* 81012614 12:14:16 81012610
215301* 8101000F 13:07:27 81010004
310483* 8101021E 19:46:39 81010217
215301* 81010219 9:29:28 81010210
310483* 81010811 14:09:09 8101081A
310483* 8101121D 10:34:20 81011205
实施例还提供一种采用上述乘客公交出行预测方法的乘客公交出行预测系 统，该系统为公交乘客提供依托于智能移动设备的应用功能，自动实时定位， 预测乘客的公交出行上、下车站点以及公交行程时间，包括定位模块、地图模 块、特征分析模块、站点预测模块和出行预测模块。
定位模块根据乘客实时定位坐标，进行地图匹配，并根据公交站点的坐标， 识别出乘客附近站点，将距离最近的站点预测为上车站点；同时，定位模块获 取公交车实时GPS定位数据，与站点坐标进行匹配，确定公交车在每一站点的 到站时间。
地图模块：基于离线地图数据构建电子地图底图，实现图层叠加以及基础 地图操作功能；定位模块将定位坐标传输至地图模块，通过叠加图层实现乘客 的地图定位。
特征分析模块根据输入系统的公交卡号，从数据库中提取该卡号的历史公 交上下车刷卡记录，采用刷卡乘客出行特征分析方法，判断乘客的出行类型； 公交卡号输入方式包括乘客自行输入、AFC刷卡系统对接。
站点预测模块根据上车站点以及特征分析模块输出的乘客出行类型，采用 下车站点预测方法，预测乘客下车站点bp；其中上车站点a的确定方式为：若 乘客向系统输入了明确的站点名称，则根据输入数据确定上车站点；若系统接 收到公交AFC刷卡数据，则通过账号匹配检索出该乘客的动态刷卡记录，读取 上车站点；若乘客未向系统输入上车站点，同时也无法获取乘客的刷卡数据， 则从地图模块获取预测的上车站点。
出行预测模块获取站点预测模块输出的上车站点a与下车站点bp，并从定 位模块获取公交车在各站点的到站时间，预测从上车站点a行驶至下车站点bp 的公交出行时间。
该种乘客公交出行下车站点预测方法及系统，基于乘客历史AFC数据计算 出行行为指标，进一步分析刷卡乘客出行特征、提取公交出行模式，在此基础 上根据实时的上车站点信息预测乘客下车站点，从而为出行者提供定制化、智 能化的公交出行服务。
本发明基于AFC历史数据计算公交乘客出行行为指标，采用高斯混合模型 分析群体出行特征。对于高出行强度乘客，采用贝叶斯估计模型对其下车站点 进行预测。本发明的乘客公交出行预测系统能够根据估计或预测的上车站点信 息进行智能化的下车站点以及行程时间预测。
在公交服务中，该种乘客公交出行下车站点预测方法及系统，能够为乘客 提供更为针对性且智能化的站点预测服务，显著提升信息服务系统的用户体验。

Claims (7)

1.一种乘客公交出行下车站点预测方法，基于乘客历史AFC数据计算出行行为指标，进一步分析刷卡乘客出行特征、提取公交出行模式，在此基础上根据实时的上车站点信息预测乘客下车站点，其特征在于：包括以下步骤，
S1、获取时刻t公交上车刷卡卡号与上车站点a；将全天公交运营时间划分为若干时段，时刻t∈[Ti,Ti+1]，Ti为时段i的开始时刻；
S2、根据AFC卡号，对乘客历史公交上下车刷卡记录进行汇集处理，计算出行行为指标；步骤S2中，出行行为指标包括乘客公交出行线路重复系数R、乘客公交出行频次N、乘客每日首次公交出行的起始站点位置差异系数SF和乘客每日末次公交出行的终点站点位置差异系数SL，
乘客公交出行线路重复系数R，其计算公式为R＝C/LN，其中C为选定时间范围内该乘客的公交出行总次数，LN为该时间范围内的该乘客所有公交出行中选择的公交线路数量；
乘客公交出行频次N，即统计在该时间范围内乘客公交出行的天数；
乘客每日首次公交出行的起始站点位置差异系数SF，其计算公式为SF＝TF/NF，其中TF为选定时间范围内存在该乘客上车刷卡记录的天数，NF表示在该时间范围内的任一天存在该乘客当日首次公交出行的上车刷卡记录的站点数；
乘客每日末次公交出行的终点站点位置差异系数SL，其计算公式为SL＝TL/NL，其中TL为选定时间范围内存在该乘客下车刷卡记录的天数，NL表示在该时间范围内的任一天存在乘客当日末次公交出行的下车刷卡记录的站点数；
S3、基于步骤S2所得的出行行为指标，采用高斯混合模型划分高强度群体及一般出行群体，进一步分析刷卡乘客出行特征；步骤S3具体为，
S31、基于贝叶斯信息准则BIC值，确定聚类模型，即确定聚类数目以及聚类所采用的协方差模式；其中BIC＝K ln(n)-2ln(L)，K为聚类数目，n为样本数量，L为似然函数；
S32、根据步骤S31选定的聚类模型，对步骤S2的出行行为指标进行聚类处理；
S33、根据步骤S32的聚类结果，对每一聚类群体的人均天出行次数进行统计，若群体的统计值超过阈值，则对应群体具有高强度出行属性，将其判定为高强度出行群体；否则为一般出行群体；
S34、根据乘客AFC卡号，从高强度出行群体、一般出行群体中识别该乘客群体归属，从而分析乘客的出行特征，在高强度出行与一般出行中选其一；
S4、根据步骤S3得出的乘客出行特征进行下车站点进行预测；对于高强度出行乘客，采用贝叶斯估计模型对其下车站点进行预测；对于一般出行乘客，采用历史数据统计进行预测下车站点。
2.如权利要求1所述的乘客公交出行下车站点预测方法，其特征在于：步骤S3中，历史公交上下车刷卡记录的时间范围不低于1个月。
3.如权利要求1所述的乘客公交出行下车站点预测方法，其特征在于：步骤S4中，高强度出行乘客的下车站点预测方法具体为：
在历史公交上下车刷卡记录中筛选出[Ti,Ti+1]时段内存在的a站上车刷卡数据，生成历史下车站点集合B＝{b1,b2,...,bm}，其中b为下车站点；在某一站点bk下车的概率为：
Figure FDA0003126364020000021
其中，X＝(Ti,a)表示在[Ti,Ti+1]时段内在a站上车，该乘客在站点bj下车的先验概率p(B＝bj)＝βj/M，M为该乘客历史公交出行总次数，βj为站点bj下车的公交出行次数；p(X|B＝bj)＝p(Ti，a|B＝bj)＝p(Ti|B＝bj)p(a|B＝bj)，其中p(Ti|B＝bj)为以站点bj为目标下车站点前提下在[Ti,Ti+1]时段内上车的概率，依据该乘客公交出行的历史记录，拟合出其相应的先验概率分布函数；p(a|B＝bj)为以站点bj为目标下车站点前提下在a站上车的概率，直接根据历史记录统计得到其先验概率；计算在B＝{b1,b2,...,bm}各站点的下车概率，并将概率值最大的站点作为该乘客在时刻t上车后的预测下车站点bp。
4.如权利要求3所述的乘客公交出行下车站点预测方法，其特征在于：步骤S4中，一般出行乘客的下车站点预测方法具体为：
在历史公交上下车刷卡记录中筛选出[Ti,Ti+1]时段内存在a站上车刷卡数据的记录，生成历史下车站点集合B＝{b1,b2,...,bm}，统计在各站点的下车次数β，将β最大的站点作为该乘客在时刻t上车后的预测下车站点。
5.一种乘客公交出行下车站点预测系统，其特征在于：公交乘客提供依托于智能移动设备的应用功能，自动实时定位，预测乘客的公交出行上、下车站点以及公交行程时间，包括定位模块、地图模块、特征分析模块、站点预测模块和出行预测模块；
定位模块：根据乘客实时定位坐标，进行地图匹配，并根据公交站点的坐标，识别出乘客附近站点，将距离最近的站点预测为上车站点；同时，获取公交车实时GPS定位数据，与站点坐标进行匹配，确定公交车在每一站点的到站时间；
地图模块：基于离线地图数据构建电子地图底图，实现图层叠加以及基础地图操作功能；定位模块将定位坐标传输至地图模块，通过叠加图层实现乘客的地图定位；
特征分析模块：根据输入的公交卡号，从数据库中提取该卡号的历史公交上下车刷卡记录，采用刷卡乘客出行特征分析方法，判断乘客的出行类型；
站点预测模块：根据上车站点以及特征分析模块输出的乘客出行类型，采用权利要求1-4任一项所述乘客公交出行下车站点预测方法预测乘客下车站点bp；
出行预测模块：获取站点预测模块输出的上车站点a与下车站点bp，并从定位模块获取公交车在各站点的到站时间，预测从上车站点a行驶至下车站点bp的公交出行时间。
6.如权利要求5所述的乘客公交出行下车站点预测系统，其特征在于：特征分析模块中，公交卡号输入方式包括乘客自行输入、AFC刷卡系统对接。
7.如权利要求5所述的乘客公交出行下车站点预测系统，其特征在于：特征分析模块中，上车站点a的确定方式为：若乘客向系统输入了明确的站点名称，则根据输入数据确定上车站点；若系统接收到公交AFC刷卡数据，则通过账号匹配检索出该乘客的动态刷卡记录，读取上车站点；若乘客未向系统输入上车站点，同时也无法获取乘客的刷卡数据，则从地图模块获取预测的上车站点。
CN201811017044.XA 2018-08-31 2018-08-31 乘客公交出行下车站点预测方法及系统 Active CN109308546B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811017044.XA CN109308546B (zh) 2018-08-31 2018-08-31 乘客公交出行下车站点预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811017044.XA CN109308546B (zh) 2018-08-31 2018-08-31 乘客公交出行下车站点预测方法及系统

Publications (2)

Publication Number Publication Date
CN109308546A CN109308546A (zh) 2019-02-05
CN109308546B true CN109308546B (zh) 2021-09-17

Family

ID=65224205

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811017044.XA Active CN109308546B (zh) 2018-08-31 2018-08-31 乘客公交出行下车站点预测方法及系统

Country Status (1)

Country Link
CN (1) CN109308546B (zh)

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109903555B (zh) * 2019-02-22 2021-01-05 北京理工新源信息科技有限公司 一种基于大数据的公交乘客下车数据预测方法及系统
CN109798912B (zh) * 2019-03-12 2021-02-09 京东方科技集团股份有限公司 车辆路线确定方法、车辆系统和车辆路线确定装置
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
CN110097233A (zh) * 2019-05-10 2019-08-06 佛山市木记信息技术有限公司 一种班车运作体系
CN110255309B (zh) * 2019-05-28 2021-07-30 上海三菱电梯有限公司 电梯乘客乘梯习惯的识别方法
CN110222892B (zh) * 2019-06-06 2021-07-06 武汉元光科技有限公司 乘客的下车站点预测方法及装置
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
CN110472813B (zh) * 2019-06-24 2023-12-22 广东浤鑫信息科技有限公司 一种校车站点自适应调整方法及系统
CN110334435B (zh) * 2019-07-03 2021-06-15 北京交通大学 城市轨道交通乘客出行路径选择估计方法
CN110570127B (zh) * 2019-09-12 2022-10-04 启迪数华科技有限公司 一种智能公交系统、车辆运行调度方法及装置
CN110647929B (zh) * 2019-09-19 2021-05-04 北京京东智能城市大数据研究院 用于预测出行目的地的方法、及用于训练分类器的方法
CN111047858A (zh) * 2019-11-20 2020-04-21 青岛海信网络科技股份有限公司 一种融合算法的公交客流出行od确定方法及装置
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
CN111179589B (zh) * 2019-12-06 2021-06-29 北京中交兴路信息科技有限公司 车辆od预测的方法、装置、设备及存储介质
CN111046288B (zh) * 2019-12-11 2024-04-19 Oppo广东移动通信有限公司 内容推荐方法、装置、终端及存储介质
CN113010507A (zh) * 2021-03-23 2021-06-22 浩鲸云计算科技股份有限公司 基于时间校准和遗传算法的公交od计算方法及系统
CN114202955A (zh) * 2021-12-30 2022-03-18 昆山市交通场站管理有限公司 公交车站台停车预测方法及停车提示系统
CN114363842B (zh) * 2021-12-31 2023-04-28 中山大学 基于手机信令数据的公交乘客下车站点预测方法及装置
CN115810287A (zh) * 2022-01-27 2023-03-17 中电信用服务有限公司 一种乘客下车提示系统及提示方法
CN115331470B (zh) * 2022-10-11 2023-01-17 山东恒宇电子有限公司 基于ic和出行链的单票制公交乘客下车站点推算方法
CN116187585B (zh) * 2023-04-19 2023-07-14 杭州数知梦科技有限公司 对乘客的brt公交路线进行预测的方法、装置及应用

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105809292A (zh) * 2016-03-21 2016-07-27 广州地理研究所 公交ic卡乘客下车站点推算方法
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
CN106874432A (zh) * 2017-01-24 2017-06-20 华南理工大学 一种公共交通乘客出行时空轨迹提取方法
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105809292A (zh) * 2016-03-21 2016-07-27 广州地理研究所 公交ic卡乘客下车站点推算方法
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
CN106874432A (zh) * 2017-01-24 2017-06-20 华南理工大学 一种公共交通乘客出行时空轨迹提取方法
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

Also Published As

Publication number Publication date
CN109308546A (zh) 2019-02-05

Similar Documents

Publication Publication Date Title
CN109308546B (zh) 乘客公交出行下车站点预测方法及系统
CN103632212B (zh) 一种时变用户均衡动态网络演化客流预测系统和方法
CN111653096B (zh) 一种基于手机信令数据的城市出行方式识别方法
CN109886491A (zh) 一种海量运行数据驱动的地面公交两阶段优化调度方法
CN110348614B (zh) 一种获取乘客od的方法及公交客流的预测方法
CN109637134B (zh) 一种公交设备匹配方法
CN110390349A (zh) 基于XGBoost模型的公交车客流量预测建模方法
CN105390013A (zh) 一种利用公交ic卡预测公交到站时间的方法
CN109903553B (zh) 多源数据挖掘的公交车上下车站点识别和检验方法
CN102324128A (zh) 基于ic卡记录的公交站间od客流预测方法及装置
CN111311467A (zh) 一种基于人脸识别的公交路线预测方法及系统
CN107545730B (zh) 一种基于公交ic卡数据的站点上下车乘客数估计方法
CN108364464B (zh) 一种基于概率模型的公交车辆旅行时间建模方法
CN109102114B (zh) 一种基于数据融合的公交出行下车站点估计方法
CN110188923B (zh) 一种基于大数据技术的多模式公交客流推算方法
Jun et al. Estimating smart card commuters origin-destination distribution based on APTS data
CN111598333B (zh) 客流数据的预测方法及装置
CN106650976A (zh) 出行分析预测方法及系统、基于ic卡的出行分析预测方法及系统
CN113658433B (zh) 一种基于公交刷卡扫码数据提取客流特征的方法
CN110084402B (zh) 一种基于站点优选和蚂蚁寻迹的公交自适应调度方法
CN112669595B (zh) 一种基于深度学习的网约车流量预测方法
CN109409563B (zh) 一种公交运营车辆实时人数的分析方法、系统和存储介质
CN114118766A (zh) 一种基于公交乘客出行多重匹配的客流od算法
CN116090785B (zh) 针对大型活动散场场景两阶段的定制公交规划方法
CN113361885B (zh) 一种基于多源数据的双目标城市公交效益评价方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information

Address after: 211106 19 Su Yuan Avenue, Jiangning economic and Technological Development Zone, Nanjing, Jiangsu

Applicant after: JIANGSU ZHITONG TRAFFIC TECHNOLOGY Co.,Ltd.

Address before: 210006, Qinhuai District, Jiangsu, Nanjing should be 388 days street, Chenguang 1865 Technology Creative Industry Park E10 building on the third floor

Applicant before: JIANGSU ZHITONG TRAFFIC TECHNOLOGY Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant