CN110135475A - 一种基于一票制公交车刷卡数据的上车站点推算方法 - Google Patents
一种基于一票制公交车刷卡数据的上车站点推算方法 Download PDFInfo
- Publication number
- CN110135475A CN110135475A CN201910345406.6A CN201910345406A CN110135475A CN 110135475 A CN110135475 A CN 110135475A CN 201910345406 A CN201910345406 A CN 201910345406A CN 110135475 A CN110135475 A CN 110135475A
- Authority
- CN
- China
- Prior art keywords
- website
- bus
- group
- undetermined
- cluster
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000001680 brushing effect Effects 0.000 title claims abstract description 15
- 238000011160 research Methods 0.000 claims abstract description 23
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012546 transfer Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 6
- 238000005192 partition Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000007717 exclusion Effects 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 2
- 238000003825 pressing Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于一票制公交车刷卡数据的上车站点推算方法,包括如下步骤:S1、从在营公交车序列中选择一辆公交车busi作为研究车辆;S2、将busi一天的乘车记录划分行程,选择一单次行程shiftj;S3、将shiftj划分为多个站点簇,每个站点簇关联一个上车站点;S4、确定站点簇中的基准组及其对应基准站;S5、判断车辆在该单次行程内的行进方向;S6、发现候选组,并利用前后近距基准组匹配约束法推算关联站点;S7、根据最小偏差规则匹配待定组;S8、对研究车辆一天内所有行程重复步骤S3到步骤S7操作;S9、对研究区域所有公交车重复步骤S2到步骤S8操作。本发明能够有效解决使用一票制AFC系统的公交车上车站点计算问题,覆盖范围广,数据要求低,计算成本低廉。
Description
技术领域
本发明涉及一种基于一票制公交车刷卡数据的上车站点推算方法,属于智能交通领域。
背景技术
推算OD矩阵(Origin-Destination Matrix,起讫矩阵)是交通规划和管理的重要基础。但传统获取OD矩阵的方法是通过出行乘客交通行为调查问卷,这种形式往往需要耗费大量的资金和人力,并且常会出现因调查组织的不力以及调查人员的不负责导致调查数据不可信。这个问题随着城市公共交通数据的引入而得到了很大程度的解决,其中包含的大量时空信息可以构建更准确、更详细的乘客出行起讫矩阵。城市公共交通数据是AFC系统(Automatic Fare Collection System,公共交通自动售检票系统)的产物,故为计费方便,数据往往不会记录完整的出行行为,这也增加了推算OD矩阵的难度。按照计费方式,AFC系统可分为“一票制”和“分段计价”。一票制仅仅要求在上车或者下车的时候刷卡,所有行程计费相同;分段计价按照乘客乘车距离计算费用。因此,一票制收费方式只需要记录城市公共交通智能卡卡号、车辆线路、车辆编号、上车时间、费用即可;相对地,分段计价收费方式需要记录城市公共交通智能卡卡号、车辆线路、车辆编号、上车站点、下车站点、下车时间、费用。
正因一票制收费方式不记录公交车乘客上车站点,这给乘客出行行为分析造成了极大的困难。当前,针对一票制公交车乘客上车站点的推算方法主要分为两类,一类是基于刷卡数据和公交车GPS数据的时间匹配法,这种方法需要使用同一时间段公交车的GPS数据;另一类是基于刷卡数据的聚类分析法。但基于公交车GPS的上车站点推算方法不能有效应用于未装配GPS设备的公交车或同时间段GPS数据缺失的场景。而基于刷卡数据的聚类分析法推算上车站点存在聚类边界模糊和聚集类别对应站点确定两方面的问题。
发明内容
针对上述问题,本发明提出一种基于一票制公交车刷卡数据的上车站点推算方法,能够有效解决一票制公交车上车站点计算问题,适用于所有装配使用一票制AFC系统的城市公交车,覆盖范围广,计算成本低廉。
本发明的技术方案第一方面为一种基于一票制公交车刷卡数据的上车站点推算方法,包括如下步骤:
S1、选取一辆在营公交车busi作为研究车辆,对目标线路按行车方向对上行线路和下行线路分别进行编号;
S2、区分研究车辆busi的行程:对研究车辆一天的乘车数据按层次聚类算法划分行程簇,将一天的乘车数据分布到多个行程簇上,每一个行程簇对应一次行程;
S3、划分研究车辆单次行程内乘客分组:对研究车辆单次行程内的乘车数按层次聚类算法划分站点簇,将单次行程内的乘车数据分布到多个站点簇上,每一个站点簇对应一个上车站点;
S4、确定单个行程内站点簇集合中的基准组及其对应基准站,所述基准组是已确定与其关联的唯一上车站点的站点簇,若该站点簇内拥有换乘记录,且换乘前后公交车间只有一个站点用于换乘,则称该站点簇为基准组,其对应的上车站点为基准站;
S5、确定研究车辆busi在单个非环线的行程内的行进方向:对比单次行程内2个不同基准组刷卡记录的上车时间以及上车站点对应的上行编号、下行编号,识别研究车辆busi的行进方向;
S6、发现单个行程内站点簇集合中的候选组,其中,候选组表示站点簇得到一个与其关联的可能上车站点序列:利用前后近距基准组匹配约束法推算候选组上车站点,并将可确定上车站点的候选组标记为基准组,其对应的站点标记为基准站,无法确定的候选组标记为待定组;
S7、匹配待定组:待定组是目标车辆单次行程无法成功匹配上车站点的站点簇,确定待定组的上车站点可对比待定组与相邻基准组刷卡时间间隔与站点间标准行程时间的偏差,利用最小偏差规则将偏差最小的站点匹配到待定组;
S8、对研究车辆一天内所有行程重复步骤S3到步骤S7操作;
S9、对研究区域所有公交车重复步骤S2到步骤S8操作。
进一步,所述步骤S3具体包括如下步骤:
S31、按上车时间顺序排列的单次行程上车刷卡记录集合{u1,u2,…,um},刷卡记录中上车时间分别为{Tu1,Tu2,…,Tum},单次行程内停靠站点总数Nmax;
S32、初始化划分评价参数λ1=0,类数n=1,划分标记集合g={};
S33、将刷卡记录集合{u1,u2,…,um}视为一个类cluster1,并计算两个相邻刷卡记录的时间间隔{ti=Tui-Tui-1|i=2,3,…,m};
S34、发现最大相邻时间间隔ti对应的刷卡记录ui,从
{ti=Tui-Tui-1|i=2,3,…,m}中删除ti,并将ui添加到标记集合g中,n自增1,计算平均轮廓系数λn;
S35、重复步骤S34,直到λn>λn-1并且n≤Nmax;
S36、将n减1,并删除集合g中的最后一个标记并排序;
S37、集合g即为划分站点簇的公交车刷卡记录。
3.根据权利要求1所述的基于一票制公交车刷卡数据的上车站点推算方法,其特征在于,所述步骤S6具体包括如下步骤:
S61、确定距候选组前后最近的基准组,若前后没有基准组,则使用线路第一个站点与最后一个站点作为基准站;
S62、排除行程内换乘站点序列中与前近距基准站间序号距离小于候选组站点簇与前近距基准组间编号距离的站点,以及换乘站点序列中与后近距基准站间序号距离小于候选组站点簇与后近距基准组间编号距离的站点;
S63、若换乘站点序列剩余的站点有且仅有一个,则该站点为候选组关联站点,该站点为基准站,该站点簇为基准组。
进一步,所述步骤S7具体包括如下步骤:
S71、确定组群内待定组数量,并计算待定组p与两侧基准组R、L(其关联的基准站分别记为r、l,第一组群和最后组群只计算与单侧基准组的刷卡时间间隔)的时间间隔TL,p和Tp,R,Tp,q表示站点簇p的最后一个乘客的上车时间与站点簇q的第一个乘客上车时间的时间间隔;
S72、计算行程内各站点间的标准行驶时间ta,b=la,b/v,其中la,b表示站点a和站点b之间的站距,v表示公交车的标准行车平均速度;
S73、若待定组g位于第一个组群且组群内有n1个待定站,计算dk=|Tg,R-tk,r|,k=1,2,…,n1,取最小的dk所对应的待定站k为待定组g的关联站点;
S74、若待定组g位于中间组群x中且组群内有nx个待定站,计算dk=|TL,g-tl,k|+|Tg,R-tk,r|,k=1,2,…,nx,取最小的dk所对应的待定站k为待定组g的关联站点;
S75、若待定组g位于最后一个组群m且组群内有nm个待定站,计算dk=|TL,g-tl,k|,k=1,2,…,nm,取最小的dk所对应的待定站k为待定组g的关联站点。
本发明的技术方案第二方面为一种计算机装置,包括存储器、处理器及储存在存储器上并能够在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面的方法。
本发明的技术方案第三方面为一种计算机可读存储介质,其上储存有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面的方法。
本发明的有益效果为:
本发明仅利用一票制公交车数卡数据推算乘客上车站点,提出了一种新型聚类和确定聚集类别对应站点的方法,能够有效解决一票制公交车乘客上车站点计算问题。本发明适用于所有装配使用一票制AFC系统的城市公交车,覆盖范围广,数据要求低,计算成本低廉。
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来实现和获得。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中,类似的元件或部分一般由类似的附图标记标识。附图中,各元件或部分并不一定按照实际的比例绘制。
图1所示为根据本发明实施例的方法流程图;
图2所示为根据本发明基于层次聚类划分站点簇的流程图;
图3所示为根据本发明基于前后近距基准组匹配约束确定上车站点的示意;
图4所示为根据本发明基于最小偏差规则匹配待定组关联站点的示意。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案,因此只作为示例,而不能以此来限制本发明的保护范围。
需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
参考图1,一种基于一票制公交车刷卡数据的乘客上车站点推算方法,包括以下步骤:
S1、选取一辆在营公交车busi作为研究车辆,对目标线路按行车方向对上行线路和下行线路分别进行编号;
S2、区分研究车辆busi的行程:对研究车辆一天的乘车数据按层次聚类算法划分行程簇,将一天的乘车数据分布到多个行程簇上,每一个行程簇对应一次行程;
S3、划分研究车辆单次行程内乘客分组:对研究车辆的一个单次行程shiftj内的乘车数按层次聚类算法划分站点簇,将单次行程内的乘车数据分布到多个站点簇上,每一个站点簇对应一个上车站点;
其中,步骤S2和步骤S3中使用层次聚类算法确定行程簇和站点簇的方法思想相同,本实施例以划分站点簇为例结合图2进行进一步说明,步骤S3包括如下子步骤:
S31、按上车时间顺序排列的单次行程上车刷卡记录集合{u1,u2,…,um},刷卡记录中上车时间分别为{Tu1,Tu2,…,Tum},单次行程内停靠站点总数Nmax;
S32、初始化划分评价参数λ1=0,类数n=1,划分标记集合g={};
S33、将刷卡记录集合{u1,u2,…,um}视为一个类cluster1,并计算两个相邻刷卡记录的时间间隔{ti=Tui-Tui-1|i=2,3,…,m};
S34、发现最大相邻时间间隔ti对应的刷卡记录ui,从
{ti=Tui-Tui-1|i=2,3,…,m}中删除ti,并将ui添加到标记集合g中,n自增1,计算平均轮廓系数λn;
划分的优劣通过平均轮廓系数λn来度量,平均轮廓系数是单次行程划分为n个类时,m条刷卡记录轮廓系数的平均值,当达到极大值时划分达到最优,原乘客集合被划分为n个站点簇。其中,属于clusteri的刷卡记录um的轮廓系数s(um)与站点簇内其他记录平均时间间隔tinternal与其他站点簇所有记录平均时间间隔的最小值tinterval相关,其中,tinternal反映um所属站点簇的紧凑性,相似的,tinterval用于捕获um与其他站点簇的分离程度,轮廓系数s(um)的值应该在1和-1之间。因此,当um的轮廓系数s(um)接近1时,包含um的站点簇是紧凑的,并且远离其他站点簇。进一步的,即可利用m条刷卡记录的轮廓系数的平均值度量层次聚类划分优劣。
S35、重复步骤S34,直到λn>λn-1并且n≤Nmax;
S36、将n减1,并删除集合g中的最后一个标记并排序;
S37、集合g即为划分站点簇的公交车刷卡记录。
S4、确定该单次行程内站点簇集合中的基准组及其对应基准站,所述基准组是已确定与其关联的唯一上车站点的站点簇,若该站点簇内拥有换乘记录,且换乘前后公交车间只有一个站点用于换乘,则称该站点簇为基准组,其对应的上车站点为基准站;
S5、确定研究车辆busi在单个非环线的行程内的行进方向:对比单次行程内2个不同基准组刷卡记录的上车时间以及上车站点对应的上行编号、下行编号,识别研究车辆busi的行进方向;
S6、发现单个行程内站点簇集合中的候选组,其中,候选组表示站点簇得到一个与其关联的可能上车站点序列:利用前后近距基准组匹配约束法推算候选组上车站点,并将可确定上车站点的候选组标记为基准组,其对应的站点标记为基准站,无法确定的候选组标记为待定组;如图3所示的是一种典型的确定候选组情况的示意图,可通过前后近距基准组匹配约束法确定其对应的基准站,具体的包括如下步骤:
S61、确定距离候选组前后最近的基准组,若前后没有基准组,则使用线路第一个站点与最后一个站点作为基准站;
S62、排除行程内换乘站点序列中与前近距基准站间序号距离小于候选组站点簇与前近距基准组间编号距离的站点,以及换乘站点序列中与后近距基准站间序号距离小于候选组站点簇与后近距基准组间编号距离的站点;其约束为:
S63、若换乘站点序列剩余的站点有且仅有一个,则该站点为候选组关联站点,该站点为基准站,该站点簇为基准组。
S7、匹配待定组:待定组是目标车辆单次行程无法成功匹配上车站点的站点簇,确定待定组的上车站点可对比待定组与相邻基准组刷卡时间间隔与站点间标准行程时间的偏差,利用最小偏差规则将偏差最小的站点匹配到待定组;如图4所示,具体的包括如下子步骤:
S71、确定组群内待定组数量,并计算待定组p与两侧基准组R、L(其关联的基准站分别记为r、l,第一组群和最后组群只计算与单侧基准组的刷卡时间间隔)的时间间隔TL,p和Tp,R,Tp,q表示站点簇p的最后一个乘客的上车时间与站点簇q的第一个乘客上车时间的时间间隔;
S72、计算行程内各站点间的标准行驶时间ta,b=la,b/v,其中la,b表示站点a和站点b之间的站距,v表示公交车的标准行车平均速度;
S73、若待定组g位于第一个组群且组群内有n1个待定站,计算dk=|Tg,R-tk,r|,k=1,2,…,n1,取最小的dk所对应的待定站k为待定组g的关联站点;
S74、若待定组g位于中间组群x中且组群内有nx个待定站,计算dk=|TL,g-tl,k|+|Tg,R-tk,r|,k=1,2,…,nx,取最小的dk所对应的待定站k为待定组g的关联站点;
S75、若待定组g位于最后一个组群m且组群内有nm个待定站,计算dk=|TL,g-tl,k|,k=1,2,…,nm,取最小的dk所对应的待定站k为待定组g的关联站点。
S8、对研究车辆一天内所有行程重复步骤S3到步骤S7操作;
S9、对研究区域所有公交车重复步骤S2到步骤S8操作。
应当认识到,本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现,其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而,若需要,该程序可以以汇编或机器语言实现。在任何情况下,该语言可以是编译或解释的语言。此外,为此目的该程序能够在编程的专用集成电路上运行。
此外,可按任何合适的顺序来执行本文描述的过程的操作,除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行,并且可作为共同地在一个或多个处理器上执行的代码(例如,可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步,所述方法可以在可操作地连接至合适的任何类型的计算平台中实现,包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现,无论是可移动的还是集成至计算平台,如硬盘、光学读取和/或写入存储介质、RAM、ROM等,使得其可由可编程计算机读取,当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外,机器可读代码,或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时,本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的动态配置基于城市公共交通出行数据的社交推荐技术时,本发明还包括计算机本身。
计算机程序能够应用于输入数据以执行本文所述的功能,从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中,转换的数据表示物理和有形的对象,包括显示器上产生的物理和有形对象的特定视觉描绘。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (6)
1.一种基于一票制公交车刷卡数据的上车站点推算方法,其特征在于,包括如下步骤:
S1、选取一辆在营公交车busi作为研究车辆,对目标线路按行车方向对上行线路和下行线路分别进行编号;
S2、区分研究车辆busi的行程,对研究车辆一天的乘车数据按层次聚类算法划分行程簇,将一天的乘车数据分布到多个行程簇上,每一个行程簇对应一次行程;
S3、划分研究车辆单次行程内乘客分组:对研究车辆单次行程内的乘车数按层次聚类算法划分站点簇,将单次行程内的乘车数据分布到多个站点簇上,每一个站点簇对应一个上车站点;
S4、确定单个行程内站点簇集合中的基准组及其对应基准站,所述基准组是已确定与其关联的唯一上车站点的站点簇,若该站点簇内拥有换乘记录,且换乘前后公交车间只有一个站点用于换乘,则称该站点簇为基准组,其对应的上车站点为基准站;
S5、确定研究车辆busi在单个非环线的行程内的行进方向:对比单次行程内2个不同基准组刷卡记录的上车时间以及上车站点对应的上行编号、下行编号,识别研究车辆busi的行进方向;
S6、发现单个行程内站点簇集合中的候选组,其中,候选组表示站点簇得到一个与其关联的可能上车站点序列:利用前后近距基准组匹配约束法推算候选组上车站点,并将可确定上车站点的候选组标记为基准组,其对应的站点标记为基准站,无法确定的候选组标记为待定组;
S7、匹配待定组:待定组是目标车辆单次行程无法成功匹配上车站点的站点簇,确定待定组的上车站点可对比待定组与相邻基准组刷卡时间间隔与站点间标准行程时间的偏差,利用最小偏差规则将偏差最小的站点匹配到待定组;
S8、对研究车辆一天内所有行程重复步骤S3到步骤S7操作;
S9、对研究区域所有公交车重复步骤S2到步骤S8操作。
2.根据权利要求1所述的基于一票制公交车刷卡数据的上车站点推算方法,其特征在于,所述步骤S3具体包括如下步骤:
S31、按上车时间顺序排列的单次行程上车刷卡记录集合{u1,u2,...,um},刷卡记录中上车时间分别为{Tu1,Tu2,...,Tum},单次行程内停靠站点总数Nmax;
S32、初始化划分评价参数λ1=0,类数n=1,划分标记集合g={};
S33、将刷卡记录集合{u1,u2,...,um}视为一个类cluster1,并计算两个相邻刷卡记录的时间间隔{ti=Tui-Tui-1|i=2,3,...,m};
S34、发现最大相邻时间间隔ti对应的刷卡记录ui,从{ti=Tui-Tui-1|i=2,3,...,m}中删除ti,并将ui添加到标记集合g中,n自增1,计算平均轮廓系数λn;
S35、重复步骤S34,直到λn>λn-1并且n≤Nmax;
S36、将n减1,并删除集合g中的最后一个标记并排序;
S37、集合g即为划分站点簇的公交车刷卡记录。
3.根据权利要求1所述的一种基于一票制公交车刷卡数据的上车站点推算方法,其特征在于,所述步骤S6具体包括如下步骤:
S61、确定距候选组前后最近的基准组,若前后没有基准组,则使用线路第一个站点与最后一个站点作为基准站;
S62、排除行程内换乘站点序列中与前近距基准站间序号距离小于候选组站点簇与前近距基准组间编号距离的站点,以及换乘站点序列中与后近距基准站间序号距离小于候选组站点簇与后近距基准组间编号距离的站点;
S63、若换乘站点序列剩余的站点有且仅有一个,则该站点为候选组关联站点,该站点为基准站,该站点簇为基准组。
4.根据权利要求1所述的一种基于一票制公交车刷卡数据的上车站点推算方法,其特征在于,所述步骤S7具体包括如下步骤:
S71、确定组群内待定组数量,并计算待定组p与两侧基准组R、L(其关联的基准站分别记为r、l,第一组群和最后组群只计算与单侧基准组的刷卡时间间隔)的时间间隔TL,p和Tp,R,Tp,q表示站点簇p的最后一个乘客的上车时间与站点簇q的第一个乘客上车时间的时间间隔;
S72、计算行程内各站点间的标准行驶时间ta,b=la,b/v,其中la,b表示站点a和站点b之间的站距,v表示公交车的标准行车平均速度;
S73、若待定组g位于第一个组群且组群内有n1个待定站,计算dk=|Tg,R-tk,r|,k=1,2,...,n1,取最小的dk所对应的待定站k为待定组g的关联站点;
S74、若待定组g位于中间组群x中且组群内有nx个待定站,计算dk=|TL,g-tl,k|+|Tg,R-tk,r|,k=1,2,...,nx,取最小的dk所对应的待定站k为待定组g的关联站点;
S75、若待定组g位于最后一个组群m且组群内有nm个待定站,计算dk=|TL,g-tl,k|,k=1,2,...,nm,取最小的dk所对应的待定站k为待定组g的关联站点。
5.一种计算机装置,包括存储器、处理器及储存在存储器上并能够在处理器上运行的计算机程序,其特征在于:所述处理器执行所述计算机程序时实现如权利要求1-4任一项所述的方法。
6.一种计算机可读存储介质,其上储存有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求1-4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910345406.6A CN110135475A (zh) | 2019-04-26 | 2019-04-26 | 一种基于一票制公交车刷卡数据的上车站点推算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910345406.6A CN110135475A (zh) | 2019-04-26 | 2019-04-26 | 一种基于一票制公交车刷卡数据的上车站点推算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110135475A true CN110135475A (zh) | 2019-08-16 |
Family
ID=67575191
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910345406.6A Pending CN110135475A (zh) | 2019-04-26 | 2019-04-26 | 一种基于一票制公交车刷卡数据的上车站点推算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110135475A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111402618A (zh) * | 2020-03-27 | 2020-07-10 | 北京嘀嘀无限科技发展有限公司 | 一种上车站点的确定方法、装置、存储介质和电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102044146A (zh) * | 2010-12-02 | 2011-05-04 | 北京交通发展研究中心 | 基于一票制公交ic卡数据推算上车站点的方法 |
CN102097002A (zh) * | 2010-11-22 | 2011-06-15 | 东南大学 | 一种基于ic卡数据获取公交站点od的方法及系统 |
CN103177575A (zh) * | 2013-03-07 | 2013-06-26 | 上海交通大学 | 城区出租车动态在线调度优化系统及其方法 |
US20140095423A1 (en) * | 2012-09-29 | 2014-04-03 | International Business Machines Corporation | Infering travel path in public transportation system |
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 |
-
2019
- 2019-04-26 CN CN201910345406.6A patent/CN110135475A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102097002A (zh) * | 2010-11-22 | 2011-06-15 | 东南大学 | 一种基于ic卡数据获取公交站点od的方法及系统 |
CN102044146A (zh) * | 2010-12-02 | 2011-05-04 | 北京交通发展研究中心 | 基于一票制公交ic卡数据推算上车站点的方法 |
US20140095423A1 (en) * | 2012-09-29 | 2014-04-03 | International Business Machines Corporation | Infering travel path in public transportation system |
CN103177575A (zh) * | 2013-03-07 | 2013-06-26 | 上海交通大学 | 城区出租车动态在线调度优化系统及其方法 |
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 (3)
Title |
---|
LINJIANG ZHENG 等: "Urban Road Traffic Congestion Detection Using RFID Data of Vehicles", 《2018 IEEE SMARTWORLD, UBIQUITOUS INTELLIGENCE & COMPUTING, ADVANCED & TRUSTED COMPUTING, SCALABLE COMPUTING & COMMUNICATIONS, CLOUD & BIG DATA COMPUTING, INTERNET OF PEOPLE AND SMART CITY INNOVATION (SMARTWORLD/SCALCOM/UIC/ATC/CBDCOM/IOP/SCI)》 * |
张颂 等: "基于公交IC卡数据的公交站点OD矩阵推导方法", 《武汉理工大学学报(交通科学与工程版)》 * |
赵鹏: "基于成都公交IC卡数据的乘客上下车站点推算方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111402618A (zh) * | 2020-03-27 | 2020-07-10 | 北京嘀嘀无限科技发展有限公司 | 一种上车站点的确定方法、装置、存储介质和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
De Chardon et al. | Bike-share rebalancing strategies, patterns, and purpose | |
Lathia et al. | Measuring the impact of opening the London shared bicycle scheme to casual users | |
US10354147B2 (en) | Method of data visualization and data sorting | |
CN110390409A (zh) | 配送方案的确定方法、装置以及计算机可读存储介质 | |
CN108229879A (zh) | 一种行程时长预估方法、装置及存储介质 | |
CN109345091B (zh) | 基于蚁群算法的整车物流调度方法及装置、存储介质、终端 | |
CN111582559B (zh) | 一种到达时间的预估方法及装置 | |
CN102324128A (zh) | 基于ic卡记录的公交站间od客流预测方法及装置 | |
CN109974735A (zh) | 到达时间的预估方法、装置及计算机设备 | |
CN110400015A (zh) | 一种时间估计方法及其装置、设备 | |
CN106504534B (zh) | 一种预测道路路况的方法、装置及用户设备 | |
CN110598917B (zh) | 一种基于路径轨迹的目的地预测方法、系统及存储介质 | |
EP4138051A1 (en) | Method of collecting data from fleet of vehicles | |
Wu et al. | Predicting peak load of bus routes with supply optimization and scaled Shepard interpolation: A newsvendor model | |
US20200082313A1 (en) | Efficiency of a transportation matching system using geocoded provider models | |
CN111680382A (zh) | 等级预测模型训练方法、等级预测方法、装置及电子设备 | |
WO2015177858A1 (ja) | トリップ属性推定システム、トリップ属性推定方法、トリップ属性推定プログラム、及び交通行動調査システム | |
CN111161545B (zh) | 基于视频的交叉口区域交通参数统计方法 | |
CN107886717A (zh) | 一种停车诱导方法、装置、计算设备及存储介质 | |
US20210233393A1 (en) | Systems and Methods for Improved Traffic Conditions Visualization | |
Tao et al. | The value of personalized dispatch in O2O on-demand delivery services | |
van der Hagen et al. | Machine learning–based feasibility checks for dynamic time slot management | |
CN110135475A (zh) | 一种基于一票制公交车刷卡数据的上车站点推算方法 | |
CN110986992A (zh) | 无人售卖车辆的导航方法、装置、电子设备和存储介质 | |
JP2021190094A (ja) | 配送計画作成方法、装置、システムおよびコンピュータ読み取り可能な記憶媒体 |
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: 20190816 |