CN110084442A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN110084442A
CN110084442A CN201910407280.0A CN201910407280A CN110084442A CN 110084442 A CN110084442 A CN 110084442A CN 201910407280 A CN201910407280 A CN 201910407280A CN 110084442 A CN110084442 A CN 110084442A
Authority
CN
China
Prior art keywords
website
passenger
time
getting
bus
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
Application number
CN201910407280.0A
Other languages
English (en)
Inventor
李学明
曹宝奎
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.)
Chongqing University
Original Assignee
Chongqing University
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 Chongqing University filed Critical Chongqing University
Priority to CN201910407280.0A priority Critical patent/CN110084442A/zh
Publication of CN110084442A publication Critical patent/CN110084442A/zh
Pending legal-status Critical Current

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"
    • 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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Navigation (AREA)

Abstract

本发明公开了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，所述方法包括以下步骤：步骤1：获取上车站点；步骤2：推算下车站点；步骤3：推断乘客下车时间；步骤4：生成客流OD矩阵；步骤5：站点乘客客流统计。本发明将公交与轨道交通数据联合进行客流OD推断，考虑了公交与轨道交通之间的换乘行为，提高了客流OD推断的准确性；结合出行链法和两种站点吸引权法进行客流OD推断，有效的改善了仅根据站点吸引概率预测乘客下车站点的不确定性；本发明还将模型部署在Spark平台运行，对重庆市全部公交和轨道交通线路的客流OD进行推断只需3小时，大大提高了计算效率。

Description

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
技术领域
本发明涉及公共交通出行规划领域，特别涉及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。
背景技术
乘客的公共交通出行数据在交通规划中占据着重要地位，对乘客出行OD(出发地和目的地)进行推断和分析，有利于公共交通线路站点的调整和优化。
目前，计算OD矩阵的一个重要方法是基于均衡理论的计算方法，基于均衡理论的公交客流OD估计可以归纳为线性或非线性优化问题，它基于数理统计理论，受到上下车乘客人数的约束。目前主要的均衡方法包括最大似然模型、广义最小二乘模型、最大熵模型和双层规划方法。
随着研究的深入，Y Ji等人提出了MCMC模型，该模型结合采样器来模拟OD客流的后验分布；YAO等建立了一个结构状态空间模型来估计城市轨道交通网络的OD矩阵；Wang Y提出了一种两阶段算法，在拥挤的网络中使用部分流量计数同时估计OD矩阵、链路选择比例和分散参数；Zhang J建立了一个模型，用于融合GPS跟踪数据和公交IC卡支付记录，来推导乘客的OD并进行乘客流量估计，然后建立一个两步实时预测模型，使用历史数据和近期客流数据预测未来客流量；Luis Carvalho将OD矩阵估计作为统计推断问题，并采用贝叶斯方法，假设乘客出行模式是随机的；Leng B提出了一种新的面向城域网的方法-----基于概率树的客流模型，利用乘客历史OD数据进行客流推断。
上述现有技术的模型存在以下缺陷：
1)上述模型大部分是基于公交或轨道交通的某几条线路进行OD矩阵的计算，而公交路网相互交错，一个站点可能与多条公交和轨道交通线路相关，计算某几条线路的OD客流对整体公交和轨道交通网络的意义不大；
2)上述模型一般是对乘客在公交站点的上下车概率进行推算，进而得出站点OD客流，但通过这种方法只能对OD客流进行估算，不能得出实时准确的客流；另一方面，站点的客流数据受环境、天气、时间(早高峰和晚高峰)的影响较大，因而得出的上下车概率的准确性有待验证；
3)随着公共交通的发展，轨道交通在乘客的日常出行中占据着越来越重要的地位，乘客在公交与轨道交通之间的换乘也越来越普遍，目前的模型一般对公交或者轨道交通的OD客流进行单独计算，忽略了公交与轨道交通之间的换乘行为。
4)乘客的下车时间是乘客OD中的重要属性，但是乘客在乘坐公交时只在上车时刷卡，下车不刷卡，因此需要对乘客的下车时间进行推断，但现有的模型只对乘客的下车站点进行推断，客流估计时利用乘客的上车时间近似替代乘客的下车时间，导致计算的准确率较低。
5)下车站点推断效率较低，例如对于重庆市，有600条公交和轨道交通线路，每天的乘客刷卡数据有600～700万条，上述模型很难应用于全部线路进行OD计算。
发明内容
有鉴于此，本发明的目的是提供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，能够克服现有技术存在的缺陷。
本发明的目的是通过以下技术方案实现的：
本发明的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，包括以下步骤：
步骤1：获取上车站点；
步骤2：推算下车站点；
步骤3：推断乘客下车时间；
步骤4：生成客流OD矩阵；
步骤5：站点乘客客流统计。
进一步，所述步骤1中，根据IC卡数据和线路站点数据进行匹配，获得乘客的上车站点。
进一步，所述步骤2中，利用出行链法进行下车站点的推断，对于出行链法不能推断出下车站点的数据，首先利用第一种吸引权法进行推断，如果还不能得到乘客的下车站点，则采用第二种吸引权法进行下车站点的推断。
进一步，采用出行链法推断乘客下车站点的步骤如下：
步骤A：将一天中所有IC卡数据按用户进行分组，并在组内按照刷卡时间进行排序；
步骤B：对于刷卡记录大于2的用户组，利用经纬度坐标计算用户前次刷卡上车站点的后续各个站点(线路相同)与后次刷卡上车站点i之间的距离，并得出距离后次上车站点i最近的后续站点j，如果二者的距离小于1000米，则后续站点j为前次乘车的下车站点；
步骤C：对于乘客的最后一次出行，使用乘客当天的第一次出行记录进行计算；
步骤D：对于不能推断出的下车站点的刷卡记录，首先利用前10天通过B和C两步已经推测出下车站点的OD数据，得到此用户在同一条线路，同一个站点上车，在后续站点下车的概率进行推断；
步骤E：对于还不能计算出下车站点的数据，采用站点吸引权法进行推断。
进一步，所述第一种吸引权法是基于出行链OD的吸引权，包括以下步骤：
步骤A：对于最后一天中未推断出下车站点的每一条数据M，获得所有乘客前10天利用出行链法推断出上下车站点，并且与M的上车线路和上车站点i相同的OD数据；
步骤B：统计在这些数据中乘客在站点i上车，在后续各个站点j下车的人数Sij；
步骤C：后续各个站点j的吸引度为
步骤D：以各个后续站点的下车概率为权重，进行下车站点的计算。
进一步，所述第二种吸引权法是基于换乘和站点周边环境的吸引权
包括以下步骤：
步骤A：对于最后一天中利用出行链法和吸引权1未推断出下车站点的每一条数据M,获得所有乘客前10天的上车刷卡数据；
步骤B：分别统计乘客在上车站点i的后续各个站点j的上车人数Fj，各个后续站点的可换乘的公交线路数量lj和可换乘轨道交通数量Rj；
步骤C：计算乘客在后续各个站点j的下车概率其中
步骤D：以各个后续站点的下车概率为权重，进行下车站点的计算。
进一步，所述下车时间的推断采用以下方式的一种或多种联合进行推断：
方式一：与GPS数据进行匹配
GPS数据中记录着公交车进出站的时间，根据公交车号和下车站点编号推断离乘客上车时间最近，且大于乘客上车时间的公交车进入乘客下车站点的时间即为乘客的下车时间；
方式二：基于换乘和出行链推断乘客的下车时间
对于乘客从轨道交通换乘到公交，公交的换乘时间即为轨道交通的下车时间；另外对于乘客前后两次出行，如果这两次出行的上车时间差不大于1小时，那么可以根据出行链法计算乘客的下车时间，两次出行时间之间包括乘客前次出行的乘车时间和后次出行的等待时间，根据相关统计，我们将二者的时间比设为4:1，这样就可以近似估算乘客前次出行的下车时间，前次下车时间＝前次上车时间+(后次上车时间-前次上车时间)×4/5；
方式三：利用平均行驶时间进行下车时间的推断
对于某一条线路相邻两个站点的车辆行驶时间，我们可以近似用车辆在整条线路的行驶时间除以总的站点数近似求得，然后根据上车站点号，下车站点号和乘客上车时间求得乘客的下车时间：
本发明的有益效果是：
1)本发明将公交与轨道交通数据联合进行客流OD推断，考虑了公交与轨道之间的换乘行为，提高了客流OD推断的准确性；
2)本发明结合出行链法和两种站点吸引权法进行客流OD推断，有效的改善了仅根据站点吸引概率预测的不确定性；
3)本发明将模型部署在Spark平台运行，对重庆市全部公交和轨道交通线路的客流OD进行推断只需3小时，大大提高了计算效率。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：
图1为本发明的方法模型流程图；
图2为通勤出行方式的拓扑示意图；
图3为不存在换乘行为的拓扑示意图；
图4为存在换乘行为的拓扑示意图；
图5为2018年6月29日龙湖西苑站上行客流时间分布示意图；
图6为2018年6月29日龙湖西苑站下行客流时间分布示意图；
图7为轨道交通线路拥挤度和站点客流分析图片；
图8为公交站点客流分析图片；
图9为换乘客流分析图片。
具体实施方式
以下将参照附图，对本发明的优选实施例进行详细的描述。应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。
现有数据说明：(1)本发明中，收集了重庆市IC卡数据，线路站点数据和GPS数据，以这些数据为基础对模型进行设计，3种数据包含的字段如下：
IC卡数据：卡号，换乘线路号，换乘时间，上车时间，公交车号，上车线路号，上车站点号，下车线路号，下车站点号；
线路站点数据：线路号，上下行方向，站点号，站点经度，站点纬度，站点名称；
GPS数据：公交车号，到站时间，出站时间，上下行方向，站点号
(2)换乘线路和换乘时间：如果乘客没有换乘行为，那么换乘线路和换乘时间为“0”，如果乘客从公交换乘到轨道交通或者从公交换乘到公交，那么乘客后次乘车记录中的换乘线路和换乘时间为前次乘车记录的上车线路和上车时间；如果乘客从轨道交通换乘到公交，那么乘客后次乘车记录中的换乘线路和换乘时间为前次乘车记录的下车站号和下车时间。
下车线路和下车站点：公交实行一次性刷卡，因此无下车线路和下车站点，轨道交通上车和下车均需要刷卡，因此具有下车线路和下车站点。
上下行方向：“0”代表公交车上行，“1”代表公交车下行，“2”代表轨道交通(不区分上下行方向)。
如图1所示，本发明的方法首先根据IC卡数据和线路站点数据进行匹配，获得乘客的上车站点，然后利用出行链法进行下车站点的推断，对于出行链法不能推断出下车站点的数据，首先利用吸引权法1进行推断，如果还不能得到乘客的下车站点，则采用吸引权法2进行下车站点的推断。最后结合GPS数据对乘客的下车时间进行推断。具体而言包括以下步骤：
步骤1：获取上车站点；
步骤2：推算下车站店；
步骤3：推断乘客下车时间；
步骤4：生成客流OD矩阵；
步骤5：站点乘客客流统计。
其中步骤1中，主要根据IC卡数据和线路站点数据进行匹配，获得乘客的上车站点。因为线路站点数据记录了各个站点的线路编号和站点编号，只需让IC卡数据的上车线路号和上车站点号与线路站点数据的线路号和站点号在相等的情况下进行join操作，即可求得乘客的上车站点名称，站点经纬度和上下行方向；
所述步骤2中，乘客公交出行在一天中大概率会形成环形轨迹，开始于第一条出行记录的上车站点，结束于最后一条出行记录的下车站点，如图2所示。因此我们可以利用出行链法对具有通勤特征的数据进行推断，对于出行链法不能推断出下车站点的数据，首先利用第一种吸引权法进行推断，如果还不能得到乘客的下车站点，则采用第二种吸引权法进行下车站点的推断。
利用出行链法推断乘客的下车站点分为两种情况，不存在换乘行为和存在换乘行为，如图3和图4所示，不存在换乘行为：乘客的前次乘车记录为从站点A到站点B，某一时刻，乘客再从站点B返回站点A，那么就可以推断乘客前次出行记录的下车站点为站点B，后次出行记录的下车站点为站点A。
存在换乘行为：通过以上分析可知，乘客前次出行记录的下车站点在后次出行记录的上车站点附近，对于乘客相邻的两条出行记录，只需求得乘客前次上车站点的后续站点中(相同线路)与乘客后次上车站点距离最近的站点，如果此站点与乘客的后次上车站点的距离在一定范围内，那么此站点大概率是乘客前次乘车的下车站点。对于乘客当天的最后一次出行数据，我们可以利用乘客当天第一次的出行数据进行下车站点的推断。
在实际生活中，乘客的出行方式是多样化的，例如除了采用公交和轨道交通出行，乘客还可以采用共享单车和出租车等方式，这样会导致乘客出行链的断裂。为此，可以利用出行链法得到乘客前面多天相同属性天日(分为工作日，节假日等)的出行OD，然后推断乘客的下车站点，例如某乘客前10天工作日中的上车站点与最后一天相同，其中8天在A站点下车，那么我们可以推断乘客最后一天的下车站点为A站点。
采用出行链法求乘客下车站点的步骤如下：
步骤A：将一天中所有IC卡数据按用户进行分组，并在组内按照刷卡时间进行排序；
步骤B：对于刷卡记录大于2的用户组，利用经纬度坐标计算用户前次刷卡上车站点的后续各个站点(线路相同)与后次刷卡上车站点i之间的距离，并得出距离后次上车站点i最近的后续站点j，如果二者的距离小于1000米，则后续站点j为前次乘车的下车站点；
步骤C：对于乘客的最后一次出行，使用乘客当天的第一次出行记录进行计算；
步骤D：对于不能推测出的下车站点的刷卡记录，首先利用前10天通过B和C两步已经推测出下车站点的OD数据，得到此用户在同一条线路，同一个站点上车，在后续站点下车的概率进行推断；
步骤E：对于还不能计算出下车站点的数据，采用站点吸引权法进行推断。
因为乘客出行行为具有随机性，很多情况下不能形成通勤出行方式，很难用出行链方法进行解决，因此提出两种站点吸引权方法进行下车站点的补充推断。
第一种吸引权法是基于出行链OD的吸引权，包括以下步骤：
步骤A：对于最后一天中未推断出下车站点的每一条数据M，获得所有乘客前10天利用出行链法推断出上下车站点，并且与M的上车线路和上车站点i相同的OD数据；
步骤B：统计在这些数据中乘客在站点i上车，在后续各个站点j下车的人数Sij；
步骤C：后续各个站点j的吸引度为
步骤D：以各个后续站点的下车概率为权重，进行下车站点的计算。
第二种吸引权法是基于换乘和站点周边环境的吸引权，站点周边的环境对站点的吸引权有很大影响，例如如果一个站点周围有大型商场或者娱乐场所，那么站点的吸引度相对较大。另一方面根据均衡理论和客流的往返性特征，站点的上车人数和下车人数总处于平衡状态，一个站点的上车人数越多，那么此站点的下车人数也比较多，因此可以利用此站点的上车人数除以线路总的上车人数近似计算此站点的吸引度，公式如下：
除了受到周边环境的影响，站点吸引度还受到站点换乘能力的影响，一个站点的可换乘线路越多，站点的吸引度越大：
在上述公式中，lj和Rj分别代表站点j可换乘的公交线路和轨道交通线路数量，对(1)和(2)合并后站点吸引度为：
第二种吸引权法的算法包括以下步骤：
步骤A：对于最后一天中利用出行链法和吸引权1未推断出下车站点的每一条数据M,获得所有乘客前10天的上车刷卡数据；
步骤B：分别统计乘客在上车站点i的后续各个站点j的上车人数Fj，各个后续站点的可换乘的公交线路数量lj和可换乘轨道交通数量Rj；
步骤C：利用公式(3)计算乘客在后续各个站点j的下车概率；
步骤D：以各个后续站点的下车概率为权重，进行下车站点的计算。
所述步骤3中，下站时间的推断采用以下方式的一种或多种联合进行推断：
方式一：与GPS数据进行匹配
GPS数据中记录着公交车进出站的时间，根据公交车号和下车站点编号推断离乘客上车时间最近，且大于乘客上车时间的公交车进入乘客下车站点的时间即为乘客的下车时间；
方式二：基于换乘和出行链推断乘客的下车时间
对于乘客从轨道交通换乘到公交，公交的换乘时间即为轨道交通的下车时间；另外对于乘客前后两次出行，如果这两次出行的上车时间差不大于1小时，那么可以根据出行链法计算乘客的下车时间，两次出行时间之间包括乘客前次出行的乘车时间和后次出行的等待时间，根据相关统计，我们将二者的时间比设为4:1，这样就可以近似估算乘客前次出行的下车时间，前次下车时间＝前次上车时间+(后次上车时间-前次上车时间)×4/5；
方式三：利用平均行驶时间进行下车时间的推断
对于某一条线路相邻两个站点的车辆行驶时间，我们可以近似用车辆在整条线路的行驶时间除以总的站点数近似求得，然后根据上车站点号，下车站点号和乘客上车时间求得乘客的下车时间：
利用重庆市2018年6月的IC卡数据，线路站点数据和GPS数据进行模型的验证，并对2018年6月29日的客流OD进行推算，对全部刷卡数据按用户分组，在Spark平台进行并行计算，完成上车站点，下车站点和下车时间的推断只需3小时，推算结果如表1，最后将计算结果与多个站点的实际调查客流量进行对比，发现本模型推算的准确率达到了90％。
表1计算结果
实施例一公交和轨道交通站点客流统计与拥挤度
图5和图6显示了重庆市龙湖西苑站2018年6月29日的站点客流分布(采用EXCEL进行可视化统计得到相关视图)，从图中可以发现客流有明显的早高峰(7:30～9:00)和晚高峰(17:30～19:00)特征。
以10分钟为间隔，分别统计每个站点在10分钟内的站点上车客流和下车客流，并进行拥挤度分析。图7和图8是2018年6月29日7:40轨道交通和公交的客流和拥挤度分析，采用Unity对统计的数据进行建模和可视化，实践当中，采用颜色进行区分，其中红色代表严重拥堵，橙色代表中度拥堵，黄色代表轻度拥堵，浅绿色代表基本畅通，绿色代表畅通。轨道交通和公交采用不同的标准，对于轨道交通分隔标准为严重拥堵(>＝320)，中度拥堵(180～320)，轻度拥堵(100～180)，基本畅通(40～100)，畅通(<＝40)；对于公交分隔标准为严重拥堵(>＝150)，中度拥堵(110～150)，轻度拥堵(70～110)，基本畅通(30～70)，畅通(<＝30)，其中时间间隔为10分钟。图9为公交与轨道交通在7:40的换乘客流，根据换乘人数分成5挡(>＝30,15～30,10～15,5～10,<＝5)，在正常显示状态下，红色代表换乘人数大于或等于30人，橙色代表换乘人数在15～30之间，黄色代表换乘人数在10～15之间，浅绿色代表换乘人数在5～10之间，绿色代表换乘人数小于等于5人，从而可以直观地了解现实客流情况。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.一种联合公交和轨道交通刷卡数据进行客流OD计算的方法，其特征在于：所述方法包括以下步骤：
步骤1：获取上车站点；
步骤2：推算下车站点；
步骤3：推断乘客下车时间；
步骤4：生成客流OD矩阵；
步骤5：站点乘客客流统计。
2.根据权利要求1所述的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，其特征在于：所述步骤1中，根据IC卡数据和线路站点数据进行匹配，获得乘客的上车站点。
3.根据权利要求1或2所述的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，其特征在于：所述步骤2中，利用出行链法进行下车站点的推断，对于出行链法不能推断出下车站点的数据，首先利用第一种吸引权法进行推断，如果还不能得到乘客的下车站点，则采用第二种吸引权法进行下车站点的推断。
4.根据权利要求3所述的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，其特征在于：采用出行链法推断乘客下车站点的步骤如下：
步骤A：将一天中所有IC卡数据按用户进行分组，并在组内按照刷卡时间进行排序；
步骤B：对于刷卡记录大于2的用户组，利用经纬度坐标计算用户前次刷卡上车站点的后续各个站点(线路相同)与后次刷卡上车站点i之间的距离，并得出距离后次上车站点i最近的后续站点j，如果二者的距离小于1000米，则后续站点j为前次乘车的下车站点；
步骤C：对于乘客的最后一次出行，使用乘客当天的第一次出行记录进行计算；
步骤D：对于不能推测出下车站点的刷卡记录，首先利用前10天通过B和C两步已经推测出下车站点的OD数据，得到此用户在同一条线路，同一个站点上车，在后续各个站点下车的概率进行推断；
步骤E：对于还不能计算出下车站点的数据，采用站点吸引权法进行推断。
5.根据权利要求3所述的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，其特征在于：所述第一种吸引权法是基于出行链OD的吸引权，包括以下步骤：
步骤A：对于最后一天中未推断出下车站点的每一条数据M，获得所有乘客前10天利用出行链法推断出上下车站点，并且与M的上车线路和上车站点i相同的OD数据；
步骤B：统计在这些数据中乘客在站点i上车，在后续各个站点j下车的人数Sij；
步骤C：则后续各个站点j的吸引度为
步骤D：以各个后续站点的下车概率为权重，进行下车站点的计算。
6.根据权利要求3所述的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，其特征在于：所述第二种吸引权法是基于换乘和站点周边环境的吸引权
包括以下步骤：
步骤A：对于最后一天中利用出行链法和吸引权1未推断出下车站点的每一条数据M,获得所有乘客前10天的上车刷卡数据；
步骤B：分别统计乘客在上车站点i的后续各个站点j的上车人数Fj，各个后续站点的可换乘的公交线路数量lj和可换乘轨道交通数量Rj；
步骤C：计算乘客在后续各个站点j的下车概率其中
步骤D：以各个后续站点的下车概率为权重，进行下车站点的计算。
7.根据权利要求1所述的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，其特征在于：所述下车时间的推断采用以下方式的一种或多种联合进行推断：
方式一：与GPS数据进行匹配
GPS数据中记录着公交车进出站的时间，根据公交车号和下车站点编号推断离乘客上车时间最近，且大于乘客上车时间的公交车进入乘客下车站点的时间即为乘客的下车时间；
方式二：基于换乘和出行链推断乘客的下车时间
对于乘客从轨道交通换乘到公交，公交的换乘时间即为轨道交通的下车时间；另外对于乘客前后两次出行，如果这两次出行的上车时间差不大于1小时，那么可以根据出行链法计算乘客的下车时间，两次出行时间之间包括乘客前次出行的乘车时间和后次出行的等待时间，根据相关统计，我们将二者的时间比设为4:1，这样就可以近似估算乘客前次出行的下车时间，前次下车时间＝前次上车时间+(后次上车时间-前次上车时间)×4/5；
方式三：利用平均行驶时间进行下车时间的推断
对于某一条线路相邻两个站点的车辆行驶时间，我们可以近似用车辆在整条线路的行驶时间除以总的站点数近似求得，然后根据上车站点号，下车站点号和乘客上车时间求得乘客的下车时间：
CN201910407280.0A 2019-05-16 2019-05-16 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 Pending CN110084442A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910407280.0A CN110084442A (zh) 2019-05-16 2019-05-16 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910407280.0A CN110084442A (zh) 2019-05-16 2019-05-16 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

Publications (1)

Publication Number Publication Date
CN110084442A true CN110084442A (zh) 2019-08-02

Family

ID=67420379

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910407280.0A Pending CN110084442A (zh) 2019-05-16 2019-05-16 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

Country Status (1)

Country Link
CN (1) CN110084442A (zh)

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110428508A (zh) * 2019-08-05 2019-11-08 北京交通大学 一种基于卡数据的公交车逃票乘客甄别技术
CN110459056A (zh) * 2019-08-26 2019-11-15 南通大学 一种基于lstm神经网络的公交到站时间预测方法
CN110766237A (zh) * 2019-10-31 2020-02-07 内蒙古工业大学 基于spgapso-svm算法的公交客流量预测方法及系统
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
CN111179589A (zh) * 2019-12-06 2020-05-19 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
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
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
CN111491261A (zh) * 2020-04-24 2020-08-04 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
CN111723871A (zh) * 2020-07-09 2020-09-29 广州市公共交通数据管理中心 一种公交车实时车厢满载率的估算方法
CN111932867A (zh) * 2020-06-18 2020-11-13 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
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
CN113393012A (zh) * 2021-01-15 2021-09-14 中山大学南方学院 一种基于云平台的短时公交客流预测系统及预测方法
CN113705903A (zh) * 2021-08-31 2021-11-26 重庆市凤筑科技有限公司 基于城市公共交通综合模型的od推导方法
CN114091757A (zh) * 2021-11-23 2022-02-25 成都智元汇信息技术股份有限公司 基于客流分析预测的公交、地铁智能调度方法
CN114118766A (zh) * 2021-11-23 2022-03-01 安徽富煌科技股份有限公司 一种基于公交乘客出行多重匹配的客流od算法
CN114169619A (zh) * 2021-12-10 2022-03-11 重庆市交通规划研究院 轨道线路客流的测算方法
CN114691708A (zh) * 2020-12-31 2022-07-01 南京行者易智能交通科技有限公司 一种基于客流od明细的可视化方法与装置
CN115691128A (zh) * 2022-10-27 2023-02-03 大连海事大学 一种基于多源公交数据联合挖掘的公交站点客流推算方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103714391A (zh) * 2012-09-29 2014-04-09 国际商业机器公司 用于推算公交系统中乘行路径的方法和装置
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
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
CN105788260A (zh) * 2016-04-13 2016-07-20 西南交通大学 一种基于智能公交系统数据的公交乘客od推算方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103714391A (zh) * 2012-09-29 2014-04-09 国际商业机器公司 用于推算公交系统中乘行路径的方法和装置
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
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
CN105788260A (zh) * 2016-04-13 2016-07-20 西南交通大学 一种基于智能公交系统数据的公交乘客od推算方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
BAOKUI CAO等: "An Original-Destination Matrices Calculation Method for Public Traffic and Rail Transit Data", 《2019 THE 4TH IEEE INTERNATIONAL CONFERENCE ON BIG DATA ANALYTICS》 *

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110428508A (zh) * 2019-08-05 2019-11-08 北京交通大学 一种基于卡数据的公交车逃票乘客甄别技术
CN110459056A (zh) * 2019-08-26 2019-11-15 南通大学 一种基于lstm神经网络的公交到站时间预测方法
CN110766237A (zh) * 2019-10-31 2020-02-07 内蒙古工业大学 基于spgapso-svm算法的公交客流量预测方法及系统
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
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
CN111179589A (zh) * 2019-12-06 2020-05-19 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
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
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
CN111491261A (zh) * 2020-04-24 2020-08-04 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
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
CN111932867A (zh) * 2020-06-18 2020-11-13 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
CN111723871A (zh) * 2020-07-09 2020-09-29 广州市公共交通数据管理中心 一种公交车实时车厢满载率的估算方法
CN111723871B (zh) * 2020-07-09 2022-05-27 广州市公共交通数据管理中心有限公司 一种公交车实时车厢满载率的估算方法
CN114691708B (zh) * 2020-12-31 2023-05-23 南京行者易智能交通科技有限公司 一种基于客流od明细的可视化方法与装置
CN114691708A (zh) * 2020-12-31 2022-07-01 南京行者易智能交通科技有限公司 一种基于客流od明细的可视化方法与装置
CN113393012A (zh) * 2021-01-15 2021-09-14 中山大学南方学院 一种基于云平台的短时公交客流预测系统及预测方法
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
CN113705903A (zh) * 2021-08-31 2021-11-26 重庆市凤筑科技有限公司 基于城市公共交通综合模型的od推导方法
CN114118766A (zh) * 2021-11-23 2022-03-01 安徽富煌科技股份有限公司 一种基于公交乘客出行多重匹配的客流od算法
CN114091757A (zh) * 2021-11-23 2022-02-25 成都智元汇信息技术股份有限公司 基于客流分析预测的公交、地铁智能调度方法
CN114091757B (zh) * 2021-11-23 2022-11-08 成都智元汇信息技术股份有限公司 基于客流分析预测的公交、地铁智能调度方法
CN114169619A (zh) * 2021-12-10 2022-03-11 重庆市交通规划研究院 轨道线路客流的测算方法
CN115691128A (zh) * 2022-10-27 2023-02-03 大连海事大学 一种基于多源公交数据联合挖掘的公交站点客流推算方法

Similar Documents

Publication Publication Date Title
CN110084442A (zh) 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
Zwick et al. Agent-based simulation of city-wide autonomous ride-pooling and the impact on traffic noise
WO2021212866A1 (zh) 一种车辆出行量预测模型构建方法及预测方法和系统
CN104778834B (zh) 一种基于车辆gps数据的城市道路交通拥堵判别方法
CN104715610B (zh) 一种面向城市交通的交通指数计算方法
CN107038886B (zh) 一种基于轨迹数据的出租车巡游路径推荐方法和系统
CN109285376A (zh) 一种基于深度学习的公交车客流统计分析系统
Dandl et al. Microsimulation of an autonomous taxi-system in Munich
CN109034566A (zh) 一种基于公交站点上下客流的智能调度方法及装置
CN112071062B (zh) 一种基于图卷积网络和图注意力网络的行车时间估计方法
Liu et al. Development of a large-scale transport model with focus on cycling
CN107195177A (zh) 基于分布式内存计算框架对城市交通路况的预测方法
Ding et al. Role of exposure in bicycle safety analysis: Effect of cycle path choice
Abenoza et al. What is the role of weather, built-environment and accessibility geographical characteristics in influencing travelers’ experience?
Zhu Passenger-to-train assignment model based on automated data
Schlenther et al. Simulation-based investigation of transport scenarios for Hamburg
Chiariotti et al. Bike sharing as a key smart city service: State of the art and future developments
CN106295868A (zh) 交通出行数据处理方法及装置
Salih et al. Measuring transit accessibility: A dispersion factor to recognise the spatial distribution of accessible opportunities
Baptista et al. Towards building an uncertainty-aware personal journey planner
Zhou et al. Assessing the effects of the built environment and microclimate on cycling volume
Papoutsis et al. Relaxing door-to-door matching reduces passenger waiting times: A workflow for the analysis of driver GPS traces in a stochastic carpooling service
Tu et al. Exploring time varying shortest path of urban OD pairs based on floating car data
CN110276949A (zh) 基于机器学习的交通流短时预测方法
Cokyasar et al. Analyzing energy and mobility impacts of privately-owned autonomous vehicles

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190802