CN111915200B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN111915200B CN111915200B CN202010794900.3A CN202010794900A CN111915200B CN 111915200 B CN111915200 B CN 111915200B CN 202010794900 A CN202010794900 A CN 202010794900A CN 111915200 B CN111915200 B CN 111915200B
- Authority
- CN
- China
- Prior art keywords
- bus
- commuter
- potential
- point
- trip
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012546 transfer Methods 0.000 claims description 39
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000000611 regression analysis Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (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)
Abstract
本发明公开了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,包括如下步骤,S1、从公交刷卡数据中提取公交通勤人流数据;S2、根据公交通勤人流数据和总通勤人流数据,线性规划计算公交分担率;S3、基于公交分担率,对公交供需状态进行划分。优点是:基于公交刷卡数据提取的公交通勤人流和基于手机定位数据提取的总通勤人流,用线性规划将公交人流与总通勤人流匹配,计算出精细空间尺度的公交分担率;并基于公交分担率和公交出行效率的直接反映,将公交供需状态划分为严重的供不应求、潜在的供不应求、潜在的供过于求和理想状态;利用回归残差对潜在的供不应求和潜在的供过于求进行更精确的定位。
Description
技术领域
本发明涉及公交供需分析和城市交通规划技术领域,尤其涉及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。
背景技术
现有的公交供需分析方法可分为三个视角:公交线网视角、可达性视角和城市整体公交分担率视角。公交线网视角侧重衡量公交线网的供应情况,包括对公交车运载力的衡量,以图的方式分析线网的度、介数中心性等特征。公交线网视角相较于出行时长等以出行者视角的指标,对公交供应的反映不直接,并且缺乏对需求的捕捉。可达性视角关注单个研究区域的公交供应情况,但未涉及两个区域之间交互时的公交供应情况,而一个起点向不同方向和距离的终点采用公交出行的便利程度差异巨大。城市整体公交分担率视角着重于城市整体公交分担率的影响因素分析和面向未来的城市整体公交分担率规划,尚未见到城市内部精细空间尺度的公交分担率分析。
发明内容
本发明的目的在于提供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,从而解决现有技术中存在的前述问题。
为了实现上述目的,本发明采用的技术方案如下:
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,包括如下步骤,
S1、从公交刷卡数据中提取公交通勤人流数据;
S2、根据公交通勤人流数据和总通勤人流数据,线性规划计算公交分担率;
S3、基于公交分担率,对公交供需状态进行划分。
优选的,步骤S1包括如下内容,
S11、剔除公交刷卡数据中的异常数据,获取潜在通勤者;
S12、将出现换乘情况的潜在通勤者的换乘数据进行合并,以获取出现换乘情况的潜在通勤者的完整出行数据;
S13、根据各个潜在通勤者的完整出行数据,提取每个潜在通勤者的职住地;并根据每个潜在通勤者的职住地,获取目标通勤者及其最终的职住地,即公交通勤人流数据。
优选的,步骤S11具体为,剔除公交刷卡数据中下车时间早于上车时间的数据,并将剩余的公交刷卡数据中每周工作日出行次数至少为预设次数的数据剔除,即可获取潜在通勤者。
优选的,步骤S12具体包括如下情况,
A、将换乘中转时长小于预设时长,中转距离小于第一预设距离的潜在通勤者的换乘数据进行合并,获取该潜在通勤者的完整出行数据;
B、将换乘中转时长小于前后两次乘车时间之和的潜在通勤者的换乘数据进行合并,获取该潜在通勤者的完整出行数据;
C、若起终点的距离小于第二预设距离,视为往返程,不作合并。
优选的,步骤S13具体包括,
S131、提取各通勤者早上10:00前和下午16:00后的所有出行;
S132、确定居住地候选点;判断某潜在通勤者该天的出行为单次出行或多次出行,若为单次出行,且乘车时间在早上10:00前,则认为该出行是从居住地出发,把上车点作为居住地候选点;若改天为多次出行,则取早上10:00前出行的上车点和下午16:00后最后一次出行的下车点作为居住地候选点;
S133、确定工作地候选点;判断某潜在通勤者该天的出行为单次出行或多次出行,若为单次出行,且乘车时间在早上10:00前,则认为该出行为通勤出行,取下车点作为工作地候选点;若为单次出行且乘车时间在下午16:00后,则认为该出行从工作地出发,取上车点作为工作地候选点;若为多次出行,则认为早上10:00前最后一次出行J1和下午16:00后第一次出行J2均是通勤出行;若J1的下车点和J2的上车点相距超过第三预设距离,则仅取J2的上车点作为工作地候选点;否则,选取J1的下车点和J2的上车点作为工作地候选点;
S134、重复步骤S131至S132,直到每个潜在通勤者都判断完毕;
S135、对于每个潜在通勤者,选取上车点和下车点均在居住地候选点和工作地候选点中的出行路线,并从中选取频率最高的出行路线,判断频率最高的出行路线的频率是否超过频次阈值,若是,则该潜在通勤者即为目标通勤者,其频率最高的出行路线即为通勤路线,该出行路线对应的上下车点即为其最终的居住地和工作地;若否,则该潜在通勤者不是目标通勤者;将所有目标通勤者的出行数据综合起来,即可获取公交通勤人流数据。
优选的,步骤S2具体为,
S21、根据手机定位数据,获取总通勤人数,并提取各个通勤者的职住地;
S22、将各个通勤者的职住地作为公交通勤者职住地的候选集,对总通勤者的职住地做公交路径规划,得到公交出行候选路径;
S22、将公交出行候选路径与目标通勤者的公交通勤路径做匹配,根据匹配结果确定公交通勤人流的潜在网格来源;
S23、采用线性规划的方式,进行公交通勤人流在潜在网格对之间的分配,并计算公交分担率。
优选的,步骤S21具体为,将城市空间划分成100mX100m的网格,落在同一对网格中的职住点,被认为与网格中心点对具有相同的公交出行路径;选取各个通勤者的出行时长最短的前三条路径作为各通勤者的候选路径;针对每个通勤者的三条候选路径,以其中最快路径的出行时长为基准,剔除超过最快路径的出行时长T分钟的路径;剩余路径即为公交出行候选路径;具体为,记总通勤人数为N,网格对表示为GridPair={GP1,GP2,…,GPG},G为网格对总数,第j个网格对表示为其中total_flowj分别表示第j个网格对的起点网格、终点网格和总人流数,则则记网格对之间的公交出行候选路径集合为Route={r1,r2,…,rG},其中第j个网格对的公交出行候选路径为集合内公交出行候选路径至多3条,分别表示第j个网格对的公交出行候选路径的上车站点和下车站点。
优选的,步骤S22具体为,比较公交出行候选路径中各个候选路径的上车点和下车点与公交通勤路径中各个路径的上车点和下车点是否对应相同,则可获取公交通勤路径中各个路径上的目标通勤者所来自的网格对;具体为,记公交通勤人流总数为M,公交通勤路径PublicTransport={PT1,PT2,…,PTH},H为公交通勤路径总数,第i条路径表示为其中pt_flow_stai分别表示第i条路径的上车站点、下车站点和公交人流,则由于两条上下车点相同的路径被认为是相同的,因此,比较与是否相同,即可判断公交出行候选路径与公交通勤路径是否匹配,根据匹配结果确定公交通勤人流所属的潜在网格对。
优选的,步骤S23具体为,记ptij为第i条公交通勤路径分配到第j个网格对的公交通勤人流,在满足约束条件的情况下,为了实现公交通勤人流的分配,假设个体出行时选择最快路径,那么公交通勤人流的分配问题即转化为在网格人流和公交人流约束下,以整体出行时间最短为目标的线性规划问题,计算公式如下:
ptij∈[0,min(pt_flow_stai,total_flowj)],且为整数
则公交通勤人流与总通勤人数的比值即为公交分担率:
优选的,步骤S3具体为,
S31、基于Beta-binomial回归模型的公交分担率回归分析;具体为,选取公交分担率的影响因素,包括公交自驾时长差、步行距离、换乘次数、工作地停车场密度、居住地停车场密度、房价和出行距离,将这些影响因素输入到Beta-binomial回归模型中,对公交分担率进行回归分析,得到残差,计算公式如下,
其中Yi是响应变量,Yi~Binomial(ni,pi),i=1,…,m,pi是随机变量,pi~Beta(αi,βi)
记
则似然函数为:
似然函数最大化即可得到各影响因素的系数和正态化分位数残差;
S32、公交供需状态划分;具体为,以公交分担率和公交自驾时长差为两个维度,把网格对的公交供需状态划分成四类,包括严重的供不应求、潜在的供不应求、潜在的供过于求和理想状态,记公交分担率高低的分界线是a,公交自驾时长差高低的分界线是b,则当公交分担率≥a且公交自驾时长差≥b,为严重的供不应求;公交分担率≥a且公交自驾时长差≤b,为理想状态;公交分担率≤a且公交自驾时长差≥b,为潜在的供不应求;当公交分担率≤a且公交自驾时长差≤b,为潜在的供过于求;
利用正态化分位数残差对潜在的供不应求和潜在的供过于求进行精确的定位;记残差高低的分界线是c,对于潜在的供过于求,优先关注残差≥c的网格对;对于潜在的供不应求,优先关注回归残差≤c的网格对。
本发明的有益效果是:1、相比与现有技术,本发明中计算的公交分担率对公交供需分析极有帮助,本发明利用时空大数据覆盖范围广、获取成本低、时效性高的特点,基于公交刷卡数据提取的公交通勤人流和基于手机定位数据提取的总通勤人流,用线性规划将公交人流与总通勤人流匹配,计算出500m尺度的公交分担率。2、本发明基于公交分担率和公交出行效率的直接反映,即公交自驾时长差,将公交供需状态划分为四类:严重的供不应求、潜在的供不应求、潜在的供过于求和理想状态;并利用回归残差对潜在的供不应求和潜在的供过于求进行更精确的定位,基于公交分担率和公交出行效率的供需状态划分策略为供需分析提供了新的视角。
附图说明
图1是本发明实施例中方法的原理流程图;
图2是本发明实施例中职住地候选点提取示意图;
图3是本发明实施例中基于频次确定职住地示意图;
图4是本发明实施例中线性规划计算公交分担率的流程示意图;
图5是本发明实施例中公交出行候选路径与公交通勤路径匹配流程图;
图6是本发明实施例中供需状态初步划分示意图;
图7是本发明实施例中供需状态最终划分示意图;
图8是本发明实施例中严重供不应求的区域示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不用于限定本发明。
实施例一
如图1至图5所示,本实施例中,提供了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,包括如下步骤,
S1、从公交刷卡数据中提取公交通勤人流数据;
S2、根据公交通勤人流数据和总通勤人流数据,线性规划计算公交分担率;
S3、基于公交分担率,对公交供需状态进行划分。
本实施例中,所述方法具体包括三部分内容,分别为公交通勤人流提取、线性规划计算公交分担率和基于公交分担率的公共交通供需状态划分。
一、公交通勤人流提取,该部分内容为从公交刷卡数据中提取公交通勤人流,具体包括数据预处理、换乘合并和职住地提取。
本实施例中,公交通勤人流提取即对应步骤S1,具体包括如下内容,
S11、剔除公交刷卡数据中的异常数据,获取潜在通勤者;
S12、将出现换乘情况的潜在通勤者的换乘数据进行合并,以获取出现换乘情况的潜在通勤者的完整出行数据;
S13、根据各个潜在通勤者的完整出行数据,提取每个潜在通勤者的职住地;并根据每个潜在通勤者的职住地,获取目标通勤者及其最终的职住地,即公交通勤人流数据。
本实施例中,步骤S11对应数据预处理,具体为,剔除公交刷卡数据中下车时间早于上车时间的数据,并将剩余的公交刷卡数据中每周工作日出行次数至少为预设次数的数据剔除,即可获取潜在通勤者。数据预处理主要包括异常数据去除和潜在通勤者提取,异常数据包括:1、下车时间早于上车时间;2、乘车次数过多;潜在通勤者提取具体为,由于交通勤者应为频繁公交乘车者,其公交出行频次应超过一定次数;此外,通勤者在工作日内的出行需求相对固定。基于此,过滤出每周工作日至少q天乘坐公交的出行者,认为这些出行者是潜在的通勤者。
本实施例中,步骤S12对应换乘合并,在公交出行中存在大量的换乘,为了提取一次完整的出行,需进行换乘合并,换乘合并的原则有三条,具体如下,
A、将换乘中转时长小于预设时长,中转距离小于第一预设距离的潜在通勤者的换乘数据进行合并,获取该潜在通勤者的完整出行数据;预设时长可以设置为30分钟,第一预设距离可以设置为500m;
B、将换乘中转时长小于前后两次乘车时间之和的潜在通勤者的换乘数据进行合并,获取该潜在通勤者的完整出行数据;
C、若起终点的距离小于第二预设距离,视为往返程,不作合并。第二预设距离可以选择为500m。
原则上B的设定是因为可能存在许多乘车时长较短且前后两次乘车时间间隔小于30分钟的情况。正常情况下,对于换乘出行来讲,中转时长大于乘车时长的出行线路一般不被选择。对于中转时间比前后两次乘车总时间还要长的情况,认为前后两次乘车并非换乘,在中间间隔的时间里,出行者进行了有意义的活动,然后进行下一次出行。因此,对这些情况不进行换乘合并。另外,在换乘合并过程中可能会出现:在常规公交的连续两次乘车中,后次上车刷卡时间早于前次下车刷卡时间,其原因可能是各个常规公交车上的刷卡记录器的时间没有完全统一。对于此类数据没有进行换乘合并。值得说明的是,虽然前次下车刷卡时间晚于后次上车刷卡时间,但前次上车刷卡时间是要早于后次上车刷卡时间的,由此可进行出行的前后顺序判断。
本实施例中,步骤S13对应职住地提取的内容,如图2所示,具体包括,
S131、提取各通勤者早上10:00前和下午16:00后的所有出行;认为这些出行是潜在的通勤;
S132、确定居住地候选点;判断某潜在通勤者该天的出行为单次出行或多次出行,若为单次出行,且乘车时间在早上10:00前,则认为该出行是从居住地出发,把上车点作为居住地候选点;若改天为多次出行,则取早上10:00前出行的上车点和下午16:00后最后一次出行的下车点作为居住地候选点;
S133、确定工作地候选点;判断某潜在通勤者该天的出行为单次出行或多次出行,若为单次出行,且乘车时间在早上10:00前,则认为该出行为通勤出行,取下车点作为工作地候选点;若为单次出行且乘车时间在下午16:00后,则认为该出行从工作地出发,取上车点作为工作地候选点;若为多次出行,则认为早上10:00前最后一次出行J1和下午16:00后第一次出行J2均是通勤出行;若J1的下车点和J2的上车点相距超过第三预设距离,则仅取J2的上车点作为工作地候选点;否则,选取J1的下车点和J2的上车点作为工作地候选点。正常情况下,J1的下车点与J2的上车点应该均在工作地附近,两个站点应相距较近。但实际情况中,由于常规公交的刷卡可能存在提取一站刷卡的情况,导致J1的刷卡下车点并非实际的下车点,不应当作为候选点。而上车点不存在位置错误,因此J2的上车点是准确的。为了识别提前刷卡的情况,当J1的下车点与J2的上车点相距超过500m(第三预设距离),只取J2的上车点为工作地候选点,若相距不超过500m(第三预设距离),则J1的下车点与J2的上车点均为工作地候选点。
S134、重复步骤S131至S132,直到每个潜在通勤者都判断完毕;
S135、对于每个潜在通勤者,选取上车点和下车点均在居住地候选点和工作地候选点中的出行路线,并从中选取频率最高的出行路线,判断频率最高的出行路线的频率是否超过频次阈值,若是,则该潜在通勤者即为目标通勤者,其频率最高的出行路线即为通勤路线,该出行路线对应的上下车点即为其最终的居住地和工作地;若否,则该潜在通勤者不是目标通勤者;将所有目标通勤者的出行数据综合起来,即可获取公交通勤人流数据。
本实施例中,步骤S135,按照通勤行为的规律性,居住地站点和工作地站点不仅独立出现频次较高,而且其作为通勤线路上下车点成对出现的频次也应较高。基于此,对每个出行者,首先取其上下车点均在上述候选点中的出行,然后取最频繁出现的出行路线。若该出行路线频次过低,则认为该出行者不是通勤者;反之,若最频繁出现的出行路线超过某个频次阈值x,认为该出行者是通勤者,最频繁出现的路线是通勤路线,该路线对应的上下车点是最终的居住地和工作地。比如,设定频次阈值x为4,即某出行者职住地候选点之间最频繁的出行路线至少出现4次,才被认为是通勤者,低于4次的出行者会被过滤掉。以图3为例,某个出行者有2个居住地候选点和2个工作地候选点,职住候选点之间的出行次数分别为:2次,5次,2次,其最频繁出行路线为5次,超过阈值,认为该出行者是通勤者,H1和W2分别为其居住地和工作地。假如为3次,那么该出行者不是通勤者,不加入到后续的公交分担率计算中
二、线性规划计算公交分担率。
本实施例中,步骤S2对应线性规划计算公交分担率的内容,参见图4,具体为,
S21、根据手机定位数据,获取总通勤人数,并提取各个通勤者的职住地;
S22、将各个通勤者的职住地作为公交通勤者职住地的候选集,对总通勤者的职住地做公交路径规划,得到公交出行候选路径;
S22、将公交出行候选路径与目标通勤者的公交通勤路径做匹配,根据匹配结果确定公交通勤人流的潜在网格来源;
S23、采用线性规划的方式,进行公交通勤人流在潜在网格对之间的分配,并计算公交分担率。
本实施例中,步骤S21具体为,以总通勤的职住地作为公交通勤职住地的候选集,对总通勤职住地做公交路径规划,得到公交出行候选路径。在本实施例中,两条具有相同上下车站点的公交路径被认为是相同的,不考虑上下车站点之间具体的线路,比如站点S1与站点S2之间有512路与910路两条公交线,只要两个出行者均在S1上车和S2下车,即使两人分别乘坐了512路和910路,他们的出行路径仍被认为是相同的。考虑到距离非常接近的起终点对之间的公交出行路径是一致的,比如两对起终点,起点之间与终点之间相距10m,这两对起终点的公交出行路径应相同。路径规划调用高德地图路线规划API实现。为了节省计算量,将城市空间划分成100mX100m的网格,落在同一对网格中的职住点,被认为与网格中心点对具有相同的公交出行路径;选取各个通勤者的出行时长最短的前三条路径作为各通勤者的候选路径。
针对每个通勤者的三条候选路径,考虑到一对起终点之间的公交出行路径可能有多条,在进行路径规划时,首先取出行时长最短的前三条路径作为候选路径。进一步,尽管不同出行者的公交路径选择偏好有所不同,但应该是在出行时长相差不大的范围内,而在三条候选路径中,可能出现最慢路径的出行时长远远大于最快路径的出行时长,该情况下的最慢路径不会被选择。为了筛除过慢路径;以其中最快路径的出行时长为基准,剔除超过最快路径的出行时长T分钟的路径;剩余路径即为公交出行候选路径;具体为,记总通勤人数为N,网格对表示为GridPair={GP1,GP2,…,GPG},G为网格对总数,第j个网格对表示为其中total_flowj分别表示第j个网格对的起点网格、终点网格和总人流数,则则记网格对之间的公交出行候选路径集合为Route={r1,r2,…,rG},其中第j个网格对的公交出行候选路径为集合内公交出行候选路径至多3条,分别表示第j个网格对的公交出行候选路径的上车站点和下车站点。以图5为例,网格对GP1有2条规划路线:r11和r12,网格对GP2有三条规划路线:r21、r22和r23。由于 则r11与PT1匹配,r12、r21与PT2共同匹配,r22与PT3匹配,r23与PT4匹配。因此,PT1的人流来自GP1,PT2的人流可能同时来自GP1和GP2,PT3与PT4的人流都来自GP2。T的取值可以是15分钟,也可以根据具体情况具体选择。
本实施例中,步骤S22具体为,比较公交出行候选路径中各个候选路径的上车点和下车点与公交通勤路径中各个路径的上车点和下车点是否对应相同,则可获取公交通勤路径中各个路径上的目标通勤者所来自的网格对;具体为,记公交通勤人流总数为M,公交通勤路径PublicTransport={PT1,PT2,…,PTH},H为公交通勤路径总数,第i条路径表示为其中pt_flow_stai分别表示第i条路径的上车站点、下车站点和公交人流,则由于两条上下车点相同的路径被认为是相同的,因此,比较与是否相同,即可判断公交出行候选路径与公交通勤路径是否匹配,根据匹配结果确定公交通勤人流所属的潜在网格对。
本实施例中,步骤S23具体为,记ptij为第i条公交通勤路径分配到第j个网格对的公交通勤人流,在满足约束条件的情况下;仍以图5为例,有pt11=pt1,pt12=0,pt31=0,pt32=pt3,pt41=0,pt42=pt4,由于PT2的人流可能同时来自GP1和GP2,则pt21+pt22=pt2,且网格对被分配的公交人流应不超过网格对本身的人流,即满足约束1≤j≤2。在满足上述约束的条件下,pt21与pt22的值并不唯一。为了实现公交通勤人流的分配,假设个体出行时选择最快路径,那么公交通勤人流的分配问题即转化为在网格人流和公交人流约束下,以整体出行时间最短为目标的线性规划问题,计算公式如下:
ptij∈[0,min(pt_flow_stai,total_flowj)],且为整数
将结果聚合,得到500m尺度的公交分担率。经过线性规划求解出ptij,可得到网格对GPj被分配的公交人流由于优化目标是出行时间最小化,又由于100m网格对内人流较少,使得出行时间较短的100m网格对首先被分配完,而较长的网格对没有被分配公交人流,导致100m网格对的公交分担率向0和1聚集。但实际上,出行时间较长的网格对也可能存在公交人流出行。为了解决这一矛盾,把100m网格对的分配结果聚合到500m网格对上。将空间划分为500m*500m的网格对,分别计算其内100m网格对的总人流和分配的公交人流之和,记为total_flowk和pt_flow_gridk
则公交通勤人流与总通勤人数的比值即为公交分担率:
三、基于公交分担率的公共交通供需状态划分
本实施例中,步骤S3具体为,
S31、基于Beta-binomial回归模型的公交分担率回归分析;具体为,选取公交分担率的影响因素,包括公交自驾时长差、步行距离、换乘次数、工作地停车场密度、居住地停车场密度、房价和出行距离,将这些影响因素输入到Beta-binomial回归模型中,对公交分担率进行回归分析,得到残差,计算公式如下,
其中Yi是响应变量,Yi~Binomial(ni,pi),i=1,…,m,pi是随机变量,pi~Beta(αi,βi)
记
则似然函数为:
似然函数最大化即可得到各影响因素的系数和正态化分位数残差;
S32、公交供需状态划分;具体为,以公交分担率和公交自驾时长差为两个维度,把网格对的公交供需状态划分成四类,包括严重的供不应求、潜在的供不应求、潜在的供过于求和理想状态,记公交分担率高低的分界线是a,公交自驾时长差高低的分界线是b,则当公交分担率≥a且公交自驾时长差≥b,为严重的供不应求;公交分担率≥a且公交自驾时长差≤b,为理想状态;公交分担率≤a且公交自驾时长差≥b,为潜在的供不应求;当公交分担率≤a且公交自驾时长差≤b,为潜在的供过于求;严重的供不应求表示时长差大分担率高,说明这些网格对内的通勤者忍受着低下的公交出行效率但仍然以公交为通勤方式,是公交的强依赖者。虽然公交分担率很高,但公交出行效率很低下,是严重的供不应求的状态。如果公交分担率很高,公交出行效率也很高,这是最理想的状态。潜在的供过于求表示公交出行效率很高,但公交分担率很低,可能原因是该部分通勤者选择公交出行的意愿较。潜在的供不应求表示公交出行效率低,公交分担率也低,公交出行效率的提升可能会带来公交分担率的提升;
进一步,利用正态化分位数残差对潜在的供不应求和潜在的供过于求进行更精确的定位;记残差高低的分界线是c,对于潜在的供过于求,优先关注残差≥c的网格对;对于潜在的供不应求,优先关注回归残差≤c的网格对。对于潜在的供过于求,其残差较大的部分,公交分担率的实际值未达到拟合值,但公交出行效率又比较高,说明该部分通勤者的公交出行意愿较低,较大可能存在供过于求。对于潜在的供不应求,其残差较小的部分,说明其拟合的分担率与实际的分担率接近,而由于其公交出行效率低下,若提升公交出行效率,有较大可能带来公交分担率的提升。
实施例二
本实施例中,以北京市望京区域为例,详细说明本发明提供的方法的具体内容。
数据输入:北京市望京区域公交刷卡数据和总通勤数据。
输入北京市望京区域公交刷卡数据,包括公交卡ID、上下车交通模式、上下车站点名称、上下车线路名称、上下车线路方向、上下车站点经纬度、上下车刷卡时间。数据时间长度为1个月。输入北京市望京区域总通勤数据,包括个体标识ID、职住经纬度。数据时段应与公交刷卡时间段接近。
依次执行公交通勤人流提取(数据预处理;设定天数阈值q=2;换乘合并;职住地提取,设定频次阈值x=4)、线性规划计算公交分担率和基于公交分担率的公共交通供需状态划分(基于Beta-binomial回归模型的公交分担率回归分析和公交供需状态划分,公交分担率高低的分界线a=0.45,公交自驾时长差高低的分界线b=20min。正态化分位数残差高低的分界线c=2个标准差)等步骤。如图6和图7所示,最终,严重的供不应求有115个网格对,处于理想状态的有968个网格对,潜在的供过于求有117个网格对,潜在的供不应求有2648个网格对。严重的供不应求区域如图8所示。
通过采用本发明公开的上述技术方案,得到了如下有益的效果:
本发明提供了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,相比与现有技术,本发明中计算的公交分担率对公交供需分析极有帮助,本发明利用时空大数据覆盖范围广、获取成本低、时效性高的特点,基于公交刷卡数据提取的公交通勤人流和基于手机定位数据提取的总通勤人流,用线性规划将公交人流与总通勤人流匹配,计算出500m尺度的公交分担率。本发明基于公交分担率和公交出行效率的直接反映,即公交自驾时长差,将公交供需状态划分为四类:严重的供不应求、潜在的供不应求、潜在的供过于求和理想状态;并利用回归残差对潜在的供不应求和潜在的供过于求进行更精确的定位,基于公交分担率和公交出行效率的供需状态划分策略为供需分析提供了新的视角。
以上所述仅是本发明的优选实施方式,应当指出,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,这些改进和润饰也应视本发明的保护范围。
Claims (5)
1.一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,其特征在于:包括如下步骤,
S1、从公交刷卡数据中提取公交通勤人流数据;
S2、根据公交通勤人流数据和总通勤人流数据,线性规划计算公交分担率;
S3、基于公交分担率,对公交供需状态进行划分;
步骤S2具体为,
S21、根据手机定位数据,获取总通勤人数,并提取各个通勤者的职住地;
S22、将各个通勤者的职住地作为公交通勤者职住地的候选集,对总通勤者的职住地做公交路径规划,得到公交出行候选路径;
S22、将公交出行候选路径与目标通勤者的公交通勤路径做匹配,根据匹配结果确定公交通勤人流的潜在网格来源;
S23、采用线性规划的方式,进行公交通勤人流在潜在网格对之间的分配,并计算公交分担率;
步骤S21具体为,将城市空间划分成100mX100m的网格,落在同一对网格中的职住点,被认为与网格中心点对具有相同的公交出行路径;选取各个通勤者的出行时长最短的前三条路径作为各通勤者的候选路径;针对每个通勤者的三条候选路径,以其中最快路径的出行时长为基准,剔除超过最快路径的出行时长T分钟的路径;剩余路径即为公交出行候选路径;具体为,记总通勤人数为N,网格对表示为GridPair={GP1,GP2,…,GPG},G为网格对总数,第j个网格对表示为其中total_flowj分别表示第j个网格对的起点网格、终点网格和总人流数,则则记网格对之间的公交出行候选路径集合为Route={r1,r2,…,rG},其中第j个网格对的公交出行候选路径为集合内公交出行候选路径至多3条,分别表示第j个网格对的公交出行候选路径的上车站点和下车站点;
步骤S22具体为,比较公交出行候选路径中各个候选路径的上车点和下车点与公交通勤路径中各个路径的上车点和下车点是否对应相同,则获取公交通勤路径中各个路径上的目标通勤者所来自的网格对;具体为,记公交通勤人流总数为M,公交通勤路径PublicTransport={PT1,PT2,…,PTH},H为公交通勤路径总数,第i条路径表示为其中pt_flow_stai分别表示第i条路径的上车站点、下车站点和公交人流,则由于两条上下车点相同的路径被认为是相同的,因此,比较与是否相同,即判断公交出行候选路径与公交通勤路径是否匹配,根据匹配结果确定公交通勤人流所属的潜在网格对;
步骤S23具体为,记ptij为第i条公交通勤路径分配到第j个网格对的公交通勤人流,在满足约束条件的情况下,为了实现公交通勤人流的分配,假设个体出行时选择最快路径,那么公交通勤人流的分配问题即转化为在网格人流和公交人流约束下,以整体出行时间最短为目标的线性规划问题,计算公式如下:
ptij∈[0,min(pt_flow_stai,total_flowj)],且为整数
将空间划分为500m*500m的网格对,分别计算其内100m网格对的总人流和分配的公交人流之和,记为total_flowk和pt_flow_gridk;
则公交通勤人流与总通勤人数的比值即为公交分担率:
步骤S3具体为,
S31、基于Beta-binomial回归模型的公交分担率回归分析;具体为,选取公交分担率的影响因素,包括公交自驾时长差、步行距离、换乘次数、工作地停车场密度、居住地停车场密度、房价和出行距离,将这些影响因素输入到Beta-binomial回归模型中,对公交分担率进行回归分析,得到残差,计算公式如下,
其中Yi是响应变量,Yi~Binomial(ni,pi),i=1,…,m,pi是随机变量,pi~Beta(αi,βi)
记
则似然函数为:
似然函数最大化即得到各影响因素的系数和正态化分位数残差;
S32、公交供需状态划分;具体为,以公交分担率和公交自驾时长差为两个维度,把网格对的公交供需状态划分成四类,包括严重的供不应求、潜在的供不应求、潜在的供过于求和理想状态,记公交分担率高低的分界线是a,公交自驾时长差高低的分界线是b,则当公交分担率≥a且公交自驾时长差≥b,为严重的供不应求;公交分担率≥a且公交自驾时长差≤b,为理想状态;公交分担率≤a且公交自驾时长差≥b,为潜在的供不应求;当公交分担率≤a且公交自驾时长差≤b,为潜在的供过于求;
利用正态化分位数残差对潜在的供不应求和潜在的供过于求进行精确的定位;记残差高低的分界线是c,对于潜在的供过于求,优先关注残差≥c的网格对;对于潜在的供不应求,优先关注回归残差≤c的网格对。
2.根据权利要求1所述的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,其特征在于:步骤S1包括如下内容,
S11、剔除公交刷卡数据中的异常数据,获取潜在通勤者;
S12、将出现换乘情况的潜在通勤者的换乘数据进行合并,以获取出现换乘情况的潜在通勤者的完整出行数据;
S13、根据各个潜在通勤者的完整出行数据,提取每个潜在通勤者的职住地;并根据每个潜在通勤者的职住地,获取目标通勤者及其最终的职住地,即公交通勤人流数据。
3.根据权利要求2所述的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,其特征在于:步骤S11具体为,剔除公交刷卡数据中下车时间早于上车时间的数据,并将剩余的公交刷卡数据中每周工作日出行次数至少为预设次数的数据剔除,即可获取潜在通勤者。
4.根据权利要求2所述的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,其特征在于:步骤S12具体包括如下情况,
A、将换乘中转时长小于预设时长,中转距离小于第一预设距离的潜在通勤者的换乘数据进行合并,获取该潜在通勤者的完整出行数据;
B、将换乘中转时长小于前后两次乘车时间之和的潜在通勤者的换乘数据进行合并,获取该潜在通勤者的完整出行数据;
C、若起终点的距离小于第二预设距离,视为往返程,不作合并。
5.根据权利要求2所述的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,其特征在于:步骤S13具体包括,
S131、提取各通勤者早上10:00前和下午16:00后的所有出行;
S132、确定居住地候选点;判断某潜在通勤者该天的出行为单次出行或多次出行,若为单次出行,且乘车时间在早上10:00前,则认为该出行是从居住地出发,把上车点作为居住地候选点;若该天为多次出行,则取早上10:00前出行的上车点和下午16:00后最后一次出行的下车点作为居住地候选点;
S133、确定工作地候选点;判断某潜在通勤者该天的出行为单次出行或多次出行,若为单次出行,且乘车时间在早上10:00前,则认为该出行为通勤出行,取下车点作为工作地候选点;若为单次出行且乘车时间在下午16:00后,则认为该出行从工作地出发,取上车点作为工作地候选点;若为多次出行,则认为早上10:00前最后一次出行J1和下午16:00后第一次出行J2均是通勤出行;若J1的下车点和J2的上车点相距超过第三预设距离,则仅取J2的上车点作为工作地候选点;否则,选取J1的下车点和J2的上车点作为工作地候选点;
S134、重复步骤S131至S133,直到每个潜在通勤者都判断完毕;
S135、对于每个潜在通勤者,选取上车点和下车点均在居住地候选点和工作地候选点中的出行路线,并从中选取频率最高的出行路线,判断频率最高的出行路线的频率是否超过频次阈值,若是,则该潜在通勤者即为目标通勤者,其频率最高的出行路线即为通勤路线,该出行路线对应的上下车点即为其最终的居住地和工作地;若否,则该潜在通勤者不是目标通勤者;将所有目标通勤者的出行数据综合起来,即可获取公交通勤人流数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010794900.3A CN111915200B (zh) | 2020-08-10 | 2020-08-10 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010794900.3A CN111915200B (zh) | 2020-08-10 | 2020-08-10 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111915200A CN111915200A (zh) | 2020-11-10 |
CN111915200B true CN111915200B (zh) | 2022-05-06 |
Family
ID=73284754
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010794900.3A Active CN111915200B (zh) | 2020-08-10 | 2020-08-10 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111915200B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113191622B (zh) * | 2021-04-27 | 2022-09-27 | 北京交通发展研究院 | 公交干线走廊新增方法、装置、计算机设备及存储介质 |
CN113128899B (zh) * | 2021-04-30 | 2023-03-24 | 中国城市规划设计研究院 | 一种基于移动位置数据的城市通勤特征解析系统 |
CN116341944B (zh) * | 2023-01-09 | 2023-11-17 | 南京大学 | 一种城市公交可持续适宜发展区评估方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930914A (zh) * | 2016-04-01 | 2016-09-07 | 东南大学 | 基于起讫点距离的城市公交最优收费结构的收费确定方法 |
CN109409599A (zh) * | 2018-10-24 | 2019-03-01 | 天津市市政工程设计研究院 | 基于实时需求的定制公交线路开通优化方法 |
CN109509351A (zh) * | 2019-01-04 | 2019-03-22 | 江苏省城市规划设计研究院 | 一种公交站点周边地区公交分担率的计算方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6584401B2 (en) * | 2001-11-27 | 2003-06-24 | Hewlett-Packard Development Company, Lp. | Automatic gathering and analysis of data on commute paths |
-
2020
- 2020-08-10 CN CN202010794900.3A patent/CN111915200B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930914A (zh) * | 2016-04-01 | 2016-09-07 | 东南大学 | 基于起讫点距离的城市公交最优收费结构的收费确定方法 |
CN109409599A (zh) * | 2018-10-24 | 2019-03-01 | 天津市市政工程设计研究院 | 基于实时需求的定制公交线路开通优化方法 |
CN109509351A (zh) * | 2019-01-04 | 2019-03-22 | 江苏省城市规划设计研究院 | 一种公交站点周边地区公交分担率的计算方法 |
Non-Patent Citations (1)
Title |
---|
基于交通供需条件的公交分担率计算方法;蔡赫等;《交通运输研究》;20200116;第5卷(第5期);第63-69页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111915200A (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109035770B (zh) | 一种大数据环境下公交载客量实时分析预测方法 | |
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 | |
Munizaga et al. | Validating travel behavior estimated from smartcard data | |
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 | |
US20140365250A1 (en) | Transportation service reservation method and apparatus | |
CN108922178B (zh) | 基于公交多源数据的公交车辆实时满载率计算方法 | |
US20150286936A1 (en) | Transportation analysis system | |
Frumin et al. | Analyzing passenger incidence behavior in heterogeneous transit services using smartcard data and schedule-based assignment | |
CN110599767A (zh) | 一种基于网约车出行需求的长短期预测方法 | |
Hora et al. | Estimation of Origin-Destination matrices under Automatic Fare Collection: the case study of Porto transportation system | |
CN114331234B (zh) | 基于乘客出行信息的轨道交通客流预测方法和系统 | |
Pi et al. | Understanding transit system performance using avl-apc data: An analytics platform with case studies for the pittsburgh region | |
CN110348614B (zh) | 一种获取乘客od的方法及公交客流的预测方法 | |
CN110853156B (zh) | 融合公交gps轨迹与ic卡数据的乘客od识别方法 | |
CN114358808A (zh) | 基于多源数据融合的公交od估计及分配方法 | |
Li et al. | Using smart card data trimmed by train schedule to analyze metro passenger route choice with synchronous clustering | |
JP6307376B2 (ja) | 交通分析システム、交通分析プログラムおよび交通分析方法 | |
CN108681741B (zh) | 基于ic卡和居民调查数据的地铁通勤人群信息融合方法 | |
CN116090785B (zh) | 针对大型活动散场场景两阶段的定制公交规划方法 | |
CN110223514B (zh) | 城市交通运行状态分析方法、装置及电子设备 | |
Dandl et al. | Design and simulation of a public-transportation-complimentary autonomous commuter shuttle | |
JP3452191B2 (ja) | 車両配置計画立案支援システム、該システムとしての機能をコンピュータに実行させるためのプログラムを記録した該コンピュータに読み取り可能な記録媒体及び車両配置計画立案支援方法 | |
CN110969299A (zh) | 交通路线生成的方法、装置、计算机设备及存储介质 | |
CN111339159B (zh) | 一种一票制公交数据的分析挖掘方法 | |
CN111639973B (zh) | 基于多元融合大数据的公交客流od推导方法及装置 |
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 |