CN110348614B - 一种获取乘客od的方法及公交客流的预测方法 - Google Patents

一种获取乘客od的方法及公交客流的预测方法 Download PDF

Info

Publication number
CN110348614B
CN110348614B CN201910551077.0A CN201910551077A CN110348614B CN 110348614 B CN110348614 B CN 110348614B CN 201910551077 A CN201910551077 A CN 201910551077A CN 110348614 B CN110348614 B CN 110348614B
Authority
CN
China
Prior art keywords
passenger
station
passenger flow
passengers
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.)
Active
Application number
CN201910551077.0A
Other languages
English (en)
Other versions
CN110348614A (zh
Inventor
田松
李庆林
黄本雄
涂来
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.)
Wuhan Fiberhome Information Integration Technologies Co ltd
Original Assignee
Wuhan Fiberhome Information Integration Technologies 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 Wuhan Fiberhome Information Integration Technologies Co ltd filed Critical Wuhan Fiberhome Information Integration Technologies Co ltd
Priority to CN201910551077.0A priority Critical patent/CN110348614B/zh
Publication of CN110348614A publication Critical patent/CN110348614A/zh
Application granted granted Critical
Publication of CN110348614B publication Critical patent/CN110348614B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Probability & Statistics with Applications (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Algebra (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种获取乘客OD的方法及公交客流的预测方法，涉及智能交通技术领域，所述获取乘客OD的方法包括步骤：当乘客当前上车站点在该乘客的历史乘车记录中出现的次数超过预设的次数时，根据站点基于乘客自身的吸引权重的计算方法，得到该线路上各个站点对该乘客的吸引权重，将吸引权重大的站点作为该乘客的下车站点；当乘客当前上车站点在该乘客的历史乘车记录中出现的次数未超过预设的次数时，根据站点基于其他乘客的吸引权重的计算方法，得到该线路上各个站点对该乘客的吸引权重，将吸引权重大的站点作为该乘客的下车站点。本发明提供的获取乘客OD的方法，可以更加准确地获取到乘客OD，以便准确地预测出客流状况。

Description

一种获取乘客OD的方法及公交客流的预测方法
技术领域
本发明涉及智能交通技术领域，具体涉及一种获取乘客OD的方法及公交客流的预测方法。
背景技术
公交系统的核心在于客流，在对车辆运营状态感知之后，为了全面分析公交系统，我们还需要对客流进行感知、分析和预测。城市的公交客流特征可以反映该城市居民乘坐公交车出行的时间和空间分布状况，能够支撑城镇居民对公交车需求方面的研究，为城镇公共交通系统的实时调度与优化提供依据，是城镇公共交通体系升级的一块基石。对公交客流的探测与预测，有着重大意义，一方面，获取传统公交乘客的客流情况是公交线路优化设计的基础；另一方面，客流分析和预测的结果可以连同电子站牌为乘客提供车内拥挤度信息，引导乘客选择合适的线路出行；再者，客流分析和预测的结果可为公交企业在规划线路、调度车辆方面提供数据支撑。
传统的客流感知，往往采取人工调查的方式，调查员跟车查人或者跟站查人。这种调查方式耗费大量的人力物力，而且只能获得片面的数据，无法从全集了解客流情况，更不能针对客流的实时变化采取相应的应对措施。
现有技术中，随着物联网和大数据技术的发展，利用车辆上安装的刷卡设备回传的数据，结合车辆到站时间数据，通过大数据处理技术，获得乘客上下车站点信息，通过感知出的客流情况分析其分布特点并对站点客流进行预测。但是，由于GPS设备和IC卡刷卡设备起初并不是为客流分析所设计，所以在客流感知时会存在一定的问题，同时由于客流的随机性，很难保证客流预测的准确性。
发明内容
针对现有技术中存在的缺陷，本发明的目的在于提供一种获取乘客OD的方法，可以更加准确地获取到乘客OD，以便准确地预测出客流状况。
为达到以上目的，本发明采取的技术方案是：
一种获取乘客OD的方法，包括步骤：
判断乘客当前上车站点在该乘客的历史乘车记录中出现的次数是否超过预设的次数；
当乘客当前上车站点在该乘客的历史乘车记录中出现的次数超过预设的次数时，根据站点基于乘客自身的吸引权重的计算方法，得到该线路上各个站点对该乘客的吸引权重，将吸引权重大的站点作为该乘客的下车站点；
当乘客当前上车站点在该乘客的历史乘车记录中出现的次数未超过预设的次数时，根据站点基于其他乘客的吸引权重的计算方法，得到该线路上各个站点对该乘客的吸引权重，将吸引权重大的站点作为该乘客的下车站点。
在上述技术方案的基础上，当已知乘客p乘坐线路l(p)在站点SO(p)上车时，所述站点基于乘客自身的吸引权重的计算方法为：
Figure BDA0002105499960000021
式中，P(p,S)为乘客p受站点S吸引的权重，A(p,S)为乘客p近期在站点S上车的次数，SO(p)为乘客p的上车站点，l(p)为乘客p乘坐的线路l，index(S,l(p))为属于线路l的站点s在该线路的次序，index(SO(p),l(p))为属于线路l的上车站点SO(p)在该线路的次序。
在上述技术方案的基础上，当已知乘客p乘坐线路l(p)在站点SO(p)上车时，所述站点基于其他乘客的吸引权重的计算方法为：
Figure BDA0002105499960000031
式中，P(p,S)为乘客p受站点S吸引的权重，A(S)为近期站点S的上车人数，SO(p)为乘客p的上车站点，l(p)为乘客p乘坐的线路l，index(S,l(p))为属于线路l的站点s在该线路的次序，index(SO(p),l(p))为属于线路l的上车站点SO(p)在该线路的次序。
在上述技术方案的基础上，在判断乘客当前上车站点在该乘客的历史乘车记录中出现的次数是否超过预设的次数之前，还包括步骤：
判断是否满足触发条件3，所述触发条件3为：乘客一周工作日内的历史乘车记录不少于10次，每个工作日的乘车次数不少于2次，且每个工作日早高峰的乘车站点为同一站点，晚高峰的乘车站点也为同一站点；
当满足触发条件3时，采用基于乘客规律出行的方法获取乘客OD，具体步骤为：
根据乘客IC卡的刷卡数据，使用DBScan方法对乘客的出行站点做聚类，估算出乘客的住址和工作地；
若乘客乘车的时间段为早高峰，则将乘客的工作地作为下车站点，若乘客乘车的时间段为晚高峰，则将乘客的住址作为下车站点；
当不满足触发条件3时，则判断乘客当前上车站点在该乘客的历史乘车记录中出现的次数是否超过预设的次数。
在上述技术方案的基础上，在判断是否满足触发条件3之前，还包括步骤：
判断是否满足触发条件4，所述触发条件4为：乘客从某一站点上车后，在预设的时间间隔内，从另一站点上车；
当满足触发条件4时，采用基于出行链的乘客下车站点的估算方法获取该乘客的下车站点，将乘客下一次乘车的上车站点作为上一次乘车的下车站点；
当不满足触发条件4时，则判断是否满足触发条件3。
本发明提供了一种公交客流的预测方法，包括步骤：
使用如权利要求1至5任一项所述的获取乘客OD的方法，得到乘客OD；
根据IC卡刷卡数据、车辆到站数据及乘客OD数据，统计出各个站点各个时段的上下车客流量情况；
根据当天前几个时段的客流量找到历史数据中和当天客流量最接近的数据，将历史数据中某站点下一时段的客流量作为当天该站点下一时段的客流量，记为该站点下一时段的客流量的粗略估计值；
采用扩展卡尔曼滤波算法对所述粗略估计值进行纠偏处理，得到该站点下一时段的客流量的预测值。
在上述技术方案的基础上，根据当天前几个时段的客流量找到历史数据中和当天客流量最接近的数据具体包括步骤：
定义用于评价数据相似度的函数，该相似度函数公式为：
Figure BDA0002105499960000041
S代表矩阵N和N的相似度，N是当天实时计算出的站点客流量值，N是历史数据中相应时段的站点客流量值，N和N的每列代表相同站点不同时段的客流值，每行代表相同时段不同站点的客流，<>代表将两个m*n的矩阵变换为两个1*mn的行向量之后做内积；
使用该相似度函数，从历史数据中找到和当天客流量最接近的数据。
在上述技术方案的基础上，所述采用扩展卡尔曼滤波算法对所述粗略估计值进行纠偏处理，得到该站点下一时段的客流量的预测值，具体包括步骤：
将该站点在不同时段的客流量的所有粗略估计值记为序列{z1,z2,z3,...,zn+1}，其中，zn+1表示时间n+1时该站点的客流量的粗略估计值；
在时间n+1时，将当天该站点前n时段的客流量记为序列{x1,x2,x3,...,xn}，其中，xn表示时间n时该站点的客流量；
构建扩展卡尔曼滤波器模型，并将序列{z1,z2,z3,...,zn+1}和序列{x1,x2,x3,...,xn}输入到该扩展卡尔曼滤波器模型中；
计算状态转移函数fk，该状态转移函数公式为：
Figure BDA0002105499960000051
式中，xk表示时间k时该站点的客流量，zn+1表示时间n+1时该站点的客流量的粗略估计值，zn表示时间n时该站点的客流量的粗略估计值，xn表示时间n时该站点的客流量；
计算观测函数hk，该观测函数公式为：
hk(xk)＝zk
式中，zk表示时间k时该站点的客流量的粗略估计值；
计算协方差Pk|k-1，该协方差公式为：
Pk|k-1＝Fk-1*Pk-1|k-1*Fk-1 T+Qk
Pk|k＝(I-KkHk)*Pk|k-1
Figure BDA0002105499960000061
Figure BDA0002105499960000062
计算卡尔曼增益Kk，该卡尔曼增益公式为：
Kk＝Pk|k-1*Hk T*(Hk*Pk|k-1*Hk T+Rk)-1
根据该站点下一时段的客流量的预测值xn+1的计算公式：
xn+1＝fk(xn)+Kn+1(zn+1-hk(fk(xn)))
得到该站点下一时段的客流量的预测值。
本发明还提供了一种获取乘客OD的系统，包括：
第一判断单元，其用于判断乘客当前上车站点在该乘客的历史乘车记录中出现的次数是否超过预设的次数；
第一计算单元，其用于当乘客当前上车站点在该乘客的历史乘车记录中出现的次数超过预设的次数时，根据站点基于乘客自身的吸引权重的计算方法，得到该线路上各个站点对该乘客的吸引权重，将吸引权重大的站点作为该乘客的下车站点；
第二计算单元，其用于当乘客当前上车站点在该乘客的历史乘车记录中出现的次数未超过预设的次数时，根据站点基于其他乘客的吸引权重的计算方法，得到该线路上各个站点对该乘客的吸引权重，将吸引权重大的站点作为该乘客的下车站点。
本发明还提供了一种公交客流的预测系统，包括：
获取模块，其用于获取乘客OD；
统计模块，其用于根据IC卡刷卡数据、车辆到站数据及乘客OD数据，统计出各个站点各个时段的上下车客流量情况；
估算模块，其用于根据当天前几个时段的客流量找到历史数据中和当天客流量最接近的数据，将历史数据中某站点下一时段的客流量作为当天该站点下一时段的客流量，记为该站点下一时段的客流量的粗略估计值；
纠偏模块，其用于采用扩展卡尔曼滤波算法对所述粗略估计值进行纠偏处理，得到该站点下一时段的客流量的预测值。
与现有技术相比，本发明的优点在于：本发明的获取乘客OD的方法，可以更加准确地获取到乘客OD，以便准确地预测出客流状况。
附图说明
图1为本发明实施例中一种公交客流的预测方法的流程图；
图2为本发明实施例中扩展卡尔曼滤波器模型的示意图。
具体实施方式
以下结合附图及实施例对本发明作进一步详细说明。
对本发明实施例的一种获取乘客OD的方法中将会涉及到的参数符号进行统一定义，参见表1。
表1获取乘客OD的方法中涉及到的参数符号的定义
Figure BDA0002105499960000071
Figure BDA0002105499960000081
本发明实施例提供一种获取乘客OD的方法，包括步骤：
判断乘客当前上车站点在该乘客的历史乘车记录中出现的次数是否超过预设的次数；
当乘客当前上车站点在该乘客的历史乘车记录中出现的次数超过预设的次数时，根据站点基于乘客自身的吸引权重的计算方法，得到该线路上各个站点对该乘客的吸引权重，将吸引权重大的站点作为该乘客的下车站点；
当乘客当前上车站点在该乘客的历史乘车记录中出现的次数未超过预设的次数时，根据站点基于其他乘客的吸引权重的计算方法，得到该线路上各个站点对该乘客的吸引权重，将吸引权重大的站点作为该乘客的下车站点。
本发明实施例提供的获取乘客OD的方法，可以更加准确地获取到乘客OD，以便准确地预测出客流状况。
更为具体地，上述预设的次数设定为5次，与之对应的，设置触发条件1为：乘客当前上车站点在该乘客的历史乘车记录中出现的次数超过5次，设置触发条件2为：乘客当前上车站点在该乘客的历史乘车记录中出现的次数小于5次。
当满足触发条件1时，根据站点基于乘客自身的吸引权重的计算方法，得到该线路上各个站点对该乘客的吸引权重，将吸引权重大的站点作为该乘客的下车站点；
当满足触发条件2时，根据站点基于其他乘客的吸引权重的计算方法，得到该线路上各个站点对该乘客的吸引权重，将吸引权重大的站点作为该乘客的下车站点。
更进一步地，在实际使用中，得到该线路上各个站点对该乘客的吸引权重后，对其进行归一化处理，以归一化后的权重为概率，选择下车站点。例如，如果三个可能下车站点归一化后的权重分别为0.2、0.3和0.5，则表示有20％的可能性在第一个站点下，30％的可能性在第二个站点下，50％的可能性在第三个站点下。
具体地，当已知乘客p乘坐线路l(p)在站点SO(p)上车时，所述站点基于乘客自身的吸引权重的计算方法为：
Figure BDA0002105499960000091
式中，P(p,S)为乘客p受站点S吸引的权重，A(p,S)为乘客p近期在站点S上车的次数，SO(p)为乘客p的上车站点，l(p)为乘客p乘坐的线路l，index(S,l(p))为属于线路I的站点s在该线路的次序，index(SO(p),l(p))为属于线路l的上车站点SO(p)在该线路的次序。
对于乘客p上车站点SO(p)的下行站点来讲，基于乘客自身的吸引权重为近期该站点乘客p的上车次数除以乘客p近期在该线路的乘车次数；对于乘客p上车站点SO(p)的上行站点来讲，其对乘客p的吸引权重为0。
在通过站点基于乘客自身的吸引权重的计算方法获得了站点对乘客的吸引权重之后，对该乘客的下车站点进行非随机分配，吸引权重大的站点更有可能被作为该乘客的下车站点，因此，将吸引权重大的站点作为该乘客的下车站点。
对于无法通过个人乘车信息来估计其下车站点的乘客，也可采用站点基于其他乘客的吸引权重的计算方法来进行估计。
当已知乘客p乘坐线路l(p)在站点SO(p)上车时，所述站点基于其他乘客的吸引权重的计算方法为：
Figure BDA0002105499960000101
式中，P(p,S)为乘客p受站点S吸引的权重，A(S)为近期站点S的上车人数，SO(p)为乘客p的上车站点，l(p)为乘客p乘坐的线路l，index(S,l(p))为属于线路I的站点s在该线路的次序，index(SO(p),l(p))为属于线路I的上车站点SO(p)在该线路的次序。
对于乘客p上车站点SO(p)的下行站点来讲，其吸引权重为近期该站点上车总人数除以近期该线路方向的乘车总人数；对于乘客p上车站点SO(p)的上行站点来讲，其对乘客p的吸引权重为0。
在通过站点基于其他乘客的吸引权重的计算方法获得了站点对乘客的吸引权重之后，对该乘客的下车站点进行非随机分配，吸引权重大的站点更有可能被作为该乘客的下车站点，因此，将吸引权重大的站点作为该乘客的下车站点。
在发明实施例中，为了更加快速准确地获得乘客OD，在判断乘客当前上车站点在该乘客的历史乘车记录中出现的次数是否超过预设的次数之前，还包括步骤：
判断是否满足触发条件3，所述触发条件3为：乘客一周工作日内的历史乘车记录不少于10次，每个工作日的乘车次数不少于2次，且每个工作日早高峰的乘车站点为同一站点，晚高峰的乘车站点也为同一站点；
当满足触发条件3时，采用基于乘客规律出行的方法获取乘客OD，具体步骤为：
根据乘客IC卡的刷卡数据，使用DBScan方法对乘客的出行站点做聚类，估算出乘客的住址和工作地；
若乘客乘车的时间段为早高峰，则将乘客的工作地作为下车站点，若乘客乘车的时间段为晚高峰，则将乘客的住址作为下车站点；
当不满足触发条件3时，则判断乘客当前上车站点在该乘客的历史乘车记录中出现的次数是否超过预设的次数；
当乘客当前上车站点在该乘客的历史乘车记录中出现的次数超过预设的次数时，根据站点基于乘客自身的吸引权重的计算方法，得到该线路上各个站点对该乘客的吸引权重，将吸引权重大的站点作为该乘客的下车站点；
当乘客当前上车站点在该乘客的历史乘车记录中出现的次数未超过预设的次数时，根据站点基于其他乘客的吸引权重的计算方法，得到该线路上各个站点对该乘客的吸引权重，将吸引权重大的站点作为该乘客的下车站点。
更进一步地，基于乘客规律出行的方法获取乘客OD的具体过程为：
根据公交乘客一个月的刷卡记录，对乘客的出行站点做一聚类，聚类公式表示为：
DBScan{Sl(p,d)|d∈M}
DBScan{Sf(p,d)|d∈M}
DBScan是一种基于密度的空间聚类算法，核心思想是将空间上紧密的点组合在一起，不紧密的点自动分为另一类。经过此聚类公式，可以找到乘客一个或多个已经聚好类的住址，并对每个类都标识出该乘客从此站点类中出发的次数，即可能性，在实际使用中，根据实际情况，选取出行次数超过全月总出行次数70％以上的类作为该乘客可能的住址。以此类推，获取到该乘客可能的工作地；
获得了乘客的住址和工作地之后，根据乘客乘车的时间段来计算其下车站点：若乘客在工作日早高峰出行，则其终点可能是其工作地，若乘客在晚高峰出行，则其终点可能是其住址。
若乘客在早高峰出行，则其下车站点的计算表达式为：
Figure BDA0002105499960000121
式中，SD(p,n)表示当Dis(Sw(p),S)求得最小值时，站点S的取值，S∈l(p,n),index(S,l(p,n))＞index(SO(p,n),l(p,n))。
若乘客在晚高峰出行，则其下车站点的计算表达式为：
Figure BDA0002105499960000122
式中，SD(p,n)表示当Dis(Sh(p),S)求得最小值时，站点S的取值，S∈l(p,n),index(S,l(p,n))＞index(SO(p,n),l(p,n))。
更进一步地，为了更加快速准确地获得乘客OD，在判断是否满足触发条件3之前，还包括步骤：
判断是否满足触发条件4，所述触发条件4为：乘客从某一站点上车后，在预设的时间间隔内，从另一站点上车；
当满足触发条件4时，采用基于出行链的乘客下车站点的估算方法获取该乘客的下车站点，将乘客下一次乘车的上车站点作为上一次乘车的下车站点；
当不满足触发条件4时，则判断是否满足触发条件3。
在本发明实施例中，预设的时间间隔优选为2小时，即当乘客从某一站点上车后出现一次乘车记录后，2小时内又出现一次乘车记录，则可认为乘客第二次的上车站点是第一次乘车的下车站点。
具体地，采用基于出行链的乘客下车站点的估算方法获取该乘客的下车站点，具体步骤为：
根据乘客IC卡的刷卡数据，选取距离该乘客下次乘车的上车站点最近的站点，作为乘客此次的下车站点。
基于出行链的乘客下车站点的估算公式为：
Figure BDA0002105499960000131
其中，SD(p,n)为当Dis(SO(p,n+1),S)求得最小值时，站点S的取值，S站点需满足S∈l(p,n),index(S,l(p,n))＞index(SO(p,n),l(p,n))。
在实际使用中，选取的距离该乘客下次乘车的上车站点最近的站点必须是和上车站点同线路同方向，并且必须在上车站点的下行。
通常，采用基于出行链的乘客下车站点的估算方法可以获取到大部分乘客OD，但是对于一天乘坐一次公交的乘客和多次乘坐公交的乘客最后一次行程的下车站点无法判断。
基于大量历史时间对这些乘客的出行进行分析，往往会发现这些乘客的出行也是有规律可循的。公交乘客在工作日出行呈现明显的潮汐特性，早高峰由住址至工作地，晚高峰由工作地至住址。因此可以通过乘客上车站点数据可以分析出乘客的大体住址、工作地位置。
本发明实施例提供的获取乘客OD的方法，可以更加准确地获取到乘客OD，以便准确地预测出客流状况。
参见图1所示，本发明实施例还提供了一种公交客流的预测方法，包括步骤：
S1：使用上述获取乘客OD的方法，得到乘客OD；
S2：根据IC卡刷卡数据、车辆到站数据及乘客OD数据，统计出各个站点各个时段的上下车客流量情况；
S3：根据当天前几个时段的客流量找到历史数据中和当天客流量最接近的数据，将历史数据中某站点下一时段的客流量作为当天该站点下一时段的客流量，记为该站点下一时段的客流量的粗略估计值；
S4：采用扩展卡尔曼滤波算法对所述粗略估计值进行纠偏处理，得到该站点下一时段的客流量的预测值。
本发明实施例提供的公交客流的预测方法，先获取到乘客OD，再准确地预测出客流状况，更加准确可靠。
具体地，根据当天前几个时段的客流量找到历史数据中和当天客流量最接近的数据具体包括步骤：
S301：定义用于评价数据相似度的函数，该相似度函数公式为：
Figure BDA0002105499960000141
S代表矩阵N和N的相似度，N是当天实时计算出的站点客流量值，N是历史数据中相应时段的站点客流量值，N和N的每列代表相同站点不同时段的客流值，每行代表相同时段不同站点的客流，<>代表将两个m*n的矩阵变换为两个1*mn的行向量之后做内积；
S302：使用该相似度函数，从历史数据中找到和当天客流量最接近的数据。
更进一步地，所述采用扩展卡尔曼滤波算法对所述粗略估计值进行纠偏处理，得到该站点下一时段的客流量的预测值，具体包括步骤：
S401：将该站点在不同时段的客流量的所有粗略估计值记为序列{z1,z2,z3,...,zn+1}，其中，zn+1表示时间n+1时该站点的客流量的粗略估计值；在时间n+1时，将当天该站点前n时段的客流量记为序列{x1,x2,x3,...,xn}，其中，xn表示时间n时该站点的客流量；
S402：构建如图2所示的扩展卡尔曼滤波器模型，并将序列{z1,z2,z3,...,zn+1}和序列{x1,x2,x3,...,xn}输入到该扩展卡尔曼滤波器模型中；
S403：计算状态转移函数fk，该状态转移函数公式为：
Figure BDA0002105499960000151
式中，xk表示时间k时该站点的客流量，zn+1表示时间n+1时该站点的客流量的粗略估计值，zn表示时间n时该站点的客流量的粗略估计值，xn表示时间n时该站点的客流量；
S404：计算观测函数hk，该观测函数公式为：
hk(xk)＝zk
式中，zk表示时间k时该站点的客流量的粗略估计值；
S405：计算协方差Pk|k-1，该协方差公式为：
Pk|k-1＝Fk-1*Pk-1|k-1*Fk-1 T+Qk
Pk|k＝(I-KkHk)*Pk|k-1
Figure BDA0002105499960000152
Figure BDA0002105499960000153
S406：计算卡尔曼增益Kk，该卡尔曼增益公式为：
Kk＝Pk|k-1*Hk T*(Hk*Pk|k-1*Hk T+Rk)-1
S407：根据该站点下一时段的客流量的预测值xn+1的计算公式：
xn+1＝fk(xn)+Kn+1(zn+1-hk(fk(xn)))
得到该站点下一时段的客流量的预测值。
参见图2所示的扩展卡尔曼滤波器模型，在k-1时段获得站点客流量xk-1，其k时段的客流量是通过转移函数fk转移得到，但是，其观测到的值并非是xk，而是经过观测函数hk获得的观测值。需要预测的站点当天客流为虚线下方的hidden部分，步骤S3中获得的粗略估计值为虚线上方visible部分。假设需要纠偏某站点k时刻的粗略估计值，那么粗略估计值应被认为是zk，纠偏后的值应为xk。计算xk为经典的扩展卡尔曼滤波算法，详细步骤参见上述步骤B1至B7。
对本发明实施例的公交客流的预测方法中涉及到的参数表示说明，参见下表2。
表2公交客流的预测方法中涉及到的参数说明
Figure BDA0002105499960000161
Figure BDA0002105499960000171
本发明实施例还提供了一种获取乘客OD的系统，包括：
第一判断单元，其用于判断乘客当前上车站点在该乘客的历史乘车记录中出现的次数是否超过预设的次数；
第一计算单元，其用于当乘客当前上车站点在该乘客的历史乘车记录中出现的次数超过预设的次数时，根据站点基于乘客自身的吸引权重的计算方法，得到该线路上各个站点对该乘客的吸引权重，将吸引权重大的站点作为该乘客的下车站点；
第二计算单元，其用于当乘客当前上车站点在该乘客的历史乘车记录中出现的次数未超过预设的次数时，根据站点基于其他乘客的吸引权重的计算方法，得到该线路上各个站点对该乘客的吸引权重，将吸引权重大的站点作为该乘客的下车站点。
本发明实施例还提供了一种公交客流的预测系统，包括：
获取模块，其用于获取乘客OD；
统计模块，其用于根据IC卡刷卡数据、车辆到站数据及乘客OD数据，统计出各个站点各个时段的上下车客流量情况；
估算模块，其用于根据当天前几个时段的客流量找到历史数据中和当天客流量最接近的数据，将历史数据中某站点下一时段的客流量作为当天该站点下一时段的客流量，记为该站点下一时段的客流量的粗略估计值；
纠偏模块，其用于采用扩展卡尔曼滤波算法对所述粗略估计值进行纠偏处理，得到该站点下一时段的客流量的预测值。
本发明不局限于上述实施方式，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围之内。本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (8)

1.一种获取乘客OD的方法，其特征在于，包括步骤：
判断乘客当前上车站点在该乘客的历史乘车记录中出现的次数是否超过预设的次数；
当乘客当前上车站点在该乘客的历史乘车记录中出现的次数超过预设的次数时，根据站点基于乘客自身的吸引权重的计算方法，得到线路上各个站点对该乘客的吸引权重，将吸引权重大的站点作为该乘客的下车站点；
当乘客当前上车站点在该乘客的历史乘车记录中出现的次数未超过预设的次数时，根据站点基于其他乘客的吸引权重的计算方法，得到线路上各个站点对该乘客的吸引权重，将吸引权重大的站点作为该乘客的下车站点；
当已知乘客p乘坐线路l(p)在站点SO(p)上车时，所述站点基于乘客自身的吸引权重的计算方法为：
Figure FDA0003507074670000011
式中，P(p，S)为乘客p受站点S吸引的权重，A(p，S)为乘客p近期在站点S上车的次数，SO(p)为乘客p的上车站点，l(p)为乘客p乘坐的线路l，index(S，l(p))为属于线路1的站点s在该线路的次序，index(SO(p)，l(p))为属于线路1的上车站点SO(p)在该线路的次序；
当已知乘客p乘坐线路l(p)在站点SO(p)上车时，所述站点基于其他乘客的吸引权重的计算方法为：
Figure FDA0003507074670000021
式中，P(p，S)为乘客p受站点S吸引的权重，A(S)为近期站点S的上车人数，SO(p)为乘客p的上车站点，l(p)为乘客p乘坐的线路1，index(S，l(p))为属于线路1的站点s在该线路的次序，index(SO(p)，l(p))为属于线路1的上车站点SO(p)在该线路的次序。
2.如权利要求1所述的获取乘客OD的方法，其特征在于，在判断乘客当前上车站点在该乘客的历史乘车记录中出现的次数是否超过预设的次数之前，还包括步骤：
判断是否满足触发条件3，所述触发条件3为：乘客一周工作日内的历史乘车记录不少于10次，每个工作日的乘车次数不少于2次，且每个工作日早高峰的乘车站点为同一站点，晚高峰的乘车站点也为同一站点；
当满足触发条件3时，采用基于乘客规律出行的方法获取乘客OD，具体步骤为：
根据乘客IC卡的刷卡数据，使用DBScan方法对乘客的出行站点做聚类，估算出乘客的住址和工作地；
若乘客乘车的时间段为早高峰，则将乘客的工作地作为下车站点，若乘客乘车的时间段为晚高峰，则将乘客的住址作为下车站点；
当不满足触发条件3时，则判断乘客当前上车站点在该乘客的历史乘车记录中出现的次数是否超过预设的次数。
3.如权利要求2所述的获取乘客OD的方法，其特征在于，在判断是否满足触发条件3之前，还包括步骤：
判断是否满足触发条件4，所述触发条件4为：乘客从某一站点上车后，在预设的时间间隔内，从另一站点上车；
当满足触发条件4时，采用基于出行链的乘客下车站点的估算方法获取该乘客的下车站点，将乘客下一次乘车的上车站点作为上一次乘车的下车站点；
当不满足触发条件4时，则判断是否满足触发条件3。
4.一种公交客流的预测方法，其特征在于，包括步骤：
使用如权利要求1至3任一项所述的获取乘客OD的方法，得到乘客OD；
根据IC卡刷卡数据、车辆到站数据及乘客OD数据，统计出各个站点各个时段的上下车客流量情况；
根据当天前几个时段的客流量找到历史数据中和当天客流量最接近的数据，将历史数据中某站点下一时段的客流量作为当天该站点下一时段的客流量，记为该站点下一时段的客流量的粗略估计值；
采用扩展卡尔曼滤波算法对所述粗略估计值进行纠偏处理，得到该站点下一时段的客流量的预测值。
5.如权利要求4所述的公交客流的预测方法，其特征在于，根据当天前几个时段的客流量找到历史数据中和当天客流量最接近的数据具体包括步骤：
定义用于评价数据相似度的相似度函数，该相似度函数公式为：
Figure FDA0003507074670000031
S代表矩阵N和
Figure FDA0003507074670000032
的相似度，
Figure FDA0003507074670000033
是当天实时计算出的站点客流量值，N是历史数据中相应时段的站点客流量值，
Figure FDA0003507074670000034
和N的每列代表相同站点不同时段的客流值，每行代表相同时段不同站点的客流，<>代表将两个m*n的矩阵变换为两个1*mn的行向量之后做内积；
使用该相似度函数，从历史数据中找到和当天客流量最接近的数据。
6.如权利要求4所述的公交客流的预测方法，其特征在于，
所述采用扩展卡尔曼滤波算法对所述粗略估计值进行纠偏处理，得到该站点下一时段的客流量的预测值，具体包括步骤：
将该站点在不同时段的客流量的所有粗略估计值记为序列{z1,z2,z3,...,zn+1}，其中，zn+1表示时间n+1时该站点的客流量的粗略估计值；
在时间n+1时，将当天该站点前n时段的客流量记为序列{x1,x2,x3,...,xn}，其中，xn表示时间n时该站点的客流量；
构建扩展卡尔曼滤波器模型，并将序列{z1,z2,z3,...,zn+1}和序列{x1,x2,x3,...,xn}输入到该扩展卡尔曼滤波器模型中；
计算状态转移函数fk，该状态转移函数公式为：
Figure FDA0003507074670000041
式中，xk表示时间k时该站点的客流量，zn+1表示时间n+1时该站点的客流量的粗略估计值，zn表示时间n时该站点的客流量的粗略估计值，xn表示时间n时该站点的客流量；
计算观测函数hk，该观测函数公式为：
hk(xk)＝zk
式中，zk表示时间k时该站点的客流量的粗略估计值；
计算协方差Pk|k-1，该协方差公式为：
Pk|k-1＝Fk-1*Pk-1|k-1*Fk-1 T+Qk
Pk|k＝(I-KkHk)*Pk|k-1
Figure FDA0003507074670000051
Figure FDA0003507074670000052
计算卡尔曼增益Kk，该卡尔曼增益公式为：
Kk＝Pk|k-1*Hk T*(Hk*Pk|k-1*Hk T+Rk)-1
根据该站点下一时段的客流量的预测值xn+1的计算公式：
xn+1＝fk(xn)+Kn+1(zn+1-hk(fk(xn)))
得到该站点下一时段的客流量的预测值。
7.一种使用如权利要求1所述获取乘客OD的方法的获取乘客OD的系统，其特征在于，包括：
第一判断单元，其用于判断乘客当前上车站点在该乘客的历史乘车记录中出现的次数是否超过预设的次数；
第一计算单元，其用于当乘客当前上车站点在该乘客的历史乘车记录中出现的次数超过预设的次数时，根据站点基于乘客自身的吸引权重的计算方法，得到线路上各个站点对该乘客的吸引权重，将吸引权重大的站点作为该乘客的下车站点；
第二计算单元，其用于当乘客当前上车站点在该乘客的历史乘车记录中出现的次数未超过预设的次数时，根据站点基于其他乘客的吸引权重的计算方法，得到线路上各个站点对该乘客的吸引权重，将吸引权重大的站点作为该乘客的下车站点。
8.一种公交客流的预测系统，其特征在于，包括：
获取模块，其用于使用如权利要求1至3任一项所述的获取乘客OD的方法，获取乘客OD；
统计模块，其用于根据IC卡刷卡数据、车辆到站数据及乘客OD数据，统计出各个站点各个时段的上下车客流量情况；
估算模块，其用于根据当天前几个时段的客流量找到历史数据中和当天客流量最接近的数据，将历史数据中某站点下一时段的客流量作为当天该站点下一时段的客流量，记为该站点下一时段的客流量的粗略估计值；
纠偏模块，其用于采用扩展卡尔曼滤波算法对所述粗略估计值进行纠偏处理，得到该站点下一时段的客流量的预测值。
CN201910551077.0A 2019-06-24 2019-06-24 一种获取乘客od的方法及公交客流的预测方法 Active CN110348614B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910551077.0A CN110348614B (zh) 2019-06-24 2019-06-24 一种获取乘客od的方法及公交客流的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910551077.0A CN110348614B (zh) 2019-06-24 2019-06-24 一种获取乘客od的方法及公交客流的预测方法

Publications (2)

Publication Number Publication Date
CN110348614A CN110348614A (zh) 2019-10-18
CN110348614B true CN110348614B (zh) 2022-04-01

Family

ID=68182910

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910551077.0A Active CN110348614B (zh) 2019-06-24 2019-06-24 一种获取乘客od的方法及公交客流的预测方法

Country Status (1)

Country Link
CN (1) CN110348614B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN111598333B (zh) * 2020-05-14 2024-05-31 北京轨道交通路网管理有限公司 客流数据的预测方法及装置
CN112598182B (zh) * 2020-12-25 2022-11-29 卡斯柯信号有限公司 一种轨道交通智能调度方法及系统
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
CN113657725A (zh) * 2021-07-29 2021-11-16 华南理工大学 一种公交线路和调度优化方法、系统、装置及介质
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 (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103279534A (zh) * 2013-05-31 2013-09-04 西安建筑科技大学 基于智能公交系统数据的公交卡乘客通勤od分布估计方法
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
CN104217129A (zh) * 2014-09-22 2014-12-17 北京交通大学 一种城轨路网客流估算方法
CN105427597A (zh) * 2015-12-09 2016-03-23 江苏风云科技服务有限公司 一种公交车站点乘客信息采集方法
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
CN106295868A (zh) * 2016-08-03 2017-01-04 重庆市索美智能交通通讯服务有限公司 交通出行数据处理方法及装置
WO2018140505A1 (en) * 2017-01-25 2018-08-02 Daniel Ramot Systems and methods for vehicle ridesharing
CN109102114A (zh) * 2018-08-02 2018-12-28 中南大学 一种基于数据融合的公交出行下车站点估计方法
CN109308546A (zh) * 2018-08-31 2019-02-05 江苏智通交通科技有限公司 乘客公交出行下车站点预测方法及系统
CN109858681A (zh) * 2019-01-04 2019-06-07 深圳北斗应用技术研究院有限公司 一种基于ic卡的交通短时客流预测方法和相关装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10572847B2 (en) * 2014-10-10 2020-02-25 Conduent Business Services, Llc Dynamic space-time diagram for visualization of transportation schedule adherence
US10168167B2 (en) * 2017-01-25 2019-01-01 Via Transportation, Inc. Purposefully selecting longer routes to improve user satisfaction

Patent Citations (10)

* 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
CN103279534A (zh) * 2013-05-31 2013-09-04 西安建筑科技大学 基于智能公交系统数据的公交卡乘客通勤od分布估计方法
CN104217129A (zh) * 2014-09-22 2014-12-17 北京交通大学 一种城轨路网客流估算方法
CN105427597A (zh) * 2015-12-09 2016-03-23 江苏风云科技服务有限公司 一种公交车站点乘客信息采集方法
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
CN106295868A (zh) * 2016-08-03 2017-01-04 重庆市索美智能交通通讯服务有限公司 交通出行数据处理方法及装置
WO2018140505A1 (en) * 2017-01-25 2018-08-02 Daniel Ramot Systems and methods for vehicle ridesharing
CN109102114A (zh) * 2018-08-02 2018-12-28 中南大学 一种基于数据融合的公交出行下车站点估计方法
CN109308546A (zh) * 2018-08-31 2019-02-05 江苏智通交通科技有限公司 乘客公交出行下车站点预测方法及系统
CN109858681A (zh) * 2019-01-04 2019-06-07 深圳北斗应用技术研究院有限公司 一种基于ic卡的交通短时客流预测方法和相关装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于成都公交IC卡数据的乘客上下车站点推算方法研究;赵鹏;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20160115(第01期);全文 *
结合出行链的公交IC卡乘客下车站点判断概率模型;胡继华，邓俊，黄泽;《交通运输系统工程与信息》;20140415;第14卷(第2期);第62-67,86页 *

Also Published As

Publication number Publication date
CN110348614A (zh) 2019-10-18

Similar Documents

Publication Publication Date Title
CN110348614B (zh) 一种获取乘客od的方法及公交客流的预测方法
CN109308546B (zh) 乘客公交出行下车站点预测方法及系统
CN107103383B (zh) 一种基于打车热点的动态拼车调度方法
US10417585B2 (en) Method and system for rebalancing a facility for shared use of vehicles, and facility implementing such a method and/or system
CN106022541B (zh) 一种到站时间预测方法
CN109166337B (zh) 公交到站时间生成方法、装置及公交乘客出行od获取方法
CN102324128A (zh) 基于ic卡记录的公交站间od客流预测方法及装置
CN109410568B (zh) 基于用户画像和换乘规律的下车站点推测方法及系统
CN108151756A (zh) 一种城市公共交通系统的行程时间计算方法和装置
CN104424812B (zh) 一种公交到站时间预测系统和方法
CN109255972B (zh) 一种基于大数据的地面公交固定线路时刻表的优化方法
CN104809344A (zh) 一种基于ic卡数据的公交站点区间客流估计方法
CN109102114B (zh) 一种基于数据融合的公交出行下车站点估计方法
CN110245377B (zh) 一种出行方案推荐方法及推荐系统
JP2006188150A (ja) 乗車率予測システム
CN109903555B (zh) 一种基于大数据的公交乘客下车数据预测方法及系统
CN111915200B (zh) 一种基于公交分担率的精细空间尺度的城市公共交通供需状态划分方法
CN112669595B (zh) 一种基于深度学习的网约车流量预测方法
CN113408833A (zh) 一种公共交通重点区域识别方法、装置及电子设备
CN113592272A (zh) 一种公交及巡游小巴的调度方法
CN113361885B (zh) 一种基于多源数据的双目标城市公交效益评价方法
CN114923497B (zh) 一种铁路出行的路径规划方法、装置、设备及存储介质
CN116090785A (zh) 针对大型活动散场场景两阶段的定制公交规划方法
CN111754760B (zh) 一种确定公交下车站点的方法、装置及上位机
CN113962434A (zh) 一种基于鲁棒路径的动态大规模合乘路线规划方法

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
GR01 Patent grant
GR01 Patent grant