CN111985687B - 公交地铁乘客绕行行为的识别方法 - Google Patents

公交地铁乘客绕行行为的识别方法 Download PDF

Info

Publication number
CN111985687B
CN111985687B CN202010686366.4A CN202010686366A CN111985687B CN 111985687 B CN111985687 B CN 111985687B CN 202010686366 A CN202010686366 A CN 202010686366A CN 111985687 B CN111985687 B CN 111985687B
Authority
CN
China
Prior art keywords
route
detour
travel
passenger
time
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
CN202010686366.4A
Other languages
English (en)
Other versions
CN111985687A (zh
Inventor
孙会君
于文涛
吴建军
屈云超
吕莹
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.)
Beijing Jiaotong University
Original Assignee
Beijing Jiaotong 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 Beijing Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN202010686366.4A priority Critical patent/CN111985687B/zh
Publication of CN111985687A publication Critical patent/CN111985687A/zh
Application granted granted Critical
Publication of CN111985687B publication Critical patent/CN111985687B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Abstract

本发明提供了一种公交地铁乘客绕行行为的识别方法。该方法包括：根据公交地铁线路的规划信息获取乘客的出行路线的起讫车站之间的所有线路信息；根据一定周期内的所述所有线路的出行时间信息通过路线绕行识别算法将所述线路信息划分为正常线路和绕行路线；从乘客在指定时间段内的刷卡数据中提取出乘客的一次出行路线，判断一定周期内所述乘客的一次出行路线属于正常线路或者绕行路线，当存在绕行路线时确定乘客的绕行行为性质。本发明基于刷卡数据利用出行时间可以识别公交地铁乘客的绕行行为。识别出无意绕行之后，交通规划部门可以通过标志诱导、线路优化的方式减少该类绕行，提高人的出行效率，为公共交通管理与决策提供方法依据。

Description

公交地铁乘客绕行行为的识别方法
技术领域
本发明涉及公共交通管理技术领域，尤其涉及一种公交地铁乘客绕行行为的识别方法。
背景技术
公交、地铁作为公共交通导向发展战略的重要交通方式，所占的运输份额较大，其线路一般较为固定，相比于私家车而言，公交、地铁的运载量大、能耗少、污染性和价格低，是各国大力推动发展的交通方式。同时，中国各大城市也在积极推动地铁的发展，提高用户的出行效率，公交地铁出行已经成为居民生活不可或缺的主要交通方式之一。
公交、地铁的大力发展，其营运车辆激增，相同OD(Origin to Destination，起讫)车站之间的路线也越来越多，公交、地铁换乘的公共交通出行已经成为公共交通主流的交通方式，各大城市的地铁车站均具有较多的公交换乘车站。公交、地铁运输方式因其价格相对较低以及地铁的准时性成为人们选择该类方式的主要原因，良好的公交、地铁服务水平能够吸引更多的人选择该类方式出行。
城市中OD车站中一般会包括多条路线，特别是在大城市中心区域。由于路线多，人们可能不能完全知道所有路线准确的出行时间，在选择路线时，可能会选择出行时间较长的路线，出现绕行行为。由于公交、地铁的费用差距并不大，对于已经建设了地铁的城市中的居民而言，居民收入一般较高，因此，可以忽略公交地铁费用差异的影响。如果一个人一直选择出行时间较长的路线时，那么该出行者的出行行为属于无意绕行，因为这个人很可能不知道较短路线，一直选择较长的路线。如果一个人既选择较长的路线又选择较短的路线，则认为该出行者在选择较长路线时，是因为二次活动等原因，故意选择较长路线。在实际出行中，人们更喜欢较短路线出行。如何识别绕行行为，减少无意绕行，对缩短人们的出行时间，提高公交、地铁的服务水平具有重要意义。
现有技术中还没有一种有效的识别公交地铁乘客绕行行为的识别方法。
发明内容
本发明的实施例提供了一种公交地铁乘客绕行行为的识别方法，以克服现有技术的问题。
为了实现上述目的，本发明采取了如下技术方案。
一种公交地铁乘客绕行行为的识别方法，包括：
根据公交地铁线路的规划信息获取乘客的出行路线的起讫车站之间的所有线路信息；
根据一定周期内的所述所有线路的出行时间信息通过路线绕行识别算法将所述线路信息划分为正常线路和绕行路线；
从乘客在指定时间段内的刷卡数据中提取出乘客的一次出行路线，判断一定周期内所述乘客的一次出行路线属于正常线路或者绕行路线，当存在绕行路线时确定乘客的绕行行为性质。
优选地，所述的根据一定周期内的所述所有线路的出行时间信息通过路线绕行识别算法将所述线路信息划分为正常线路和绕行路线，包括：
从已知的一定周期内的乘客出行数据集中获取所述起讫车站之间的所有线路的出行数据，计算每条路线的总出行时间T的均值Te和中位数Tm，计算所有路线的总出行时间Ttotal的均值和中位数/>计算出线路i的绕行指数Mi；
其中α称为偏差系数，取值为[0.05,0.2]，如果路线i的绕行指数Mi为1，则认为路线 i为绕行路线，否则；认为路线i为正常路线；
将所有的正常路线组成正常路线集合，将所有的绕行路线组成绕行路线集合。
优选地，所述的指定时间段内包括：早高峰期时间段7:00-9：00、平峰期时间段9:00- 17：00和晚高峰期时间段17:00-19：00。
优选地，所述的从乘客在指定时间段内的刷卡数据中提取出乘客的一次出行路线，包括：
从乘客在指定时间段内的刷卡数据中提取乘客的出行路线，当出行路线中存在公交和地铁的换乘行为时，若公交换乘公交的换乘时间小于第一时间阈值，则认为两次公交乘车属于一次出行；若地铁换乘公交的换乘时间小于第一时间阈值，则认为地铁和公交两次乘车属于一次出行；若公交换乘地铁的换乘时间小于第二时间阈值，则认为公交和地铁两次乘车属于一次出行；一次出行中包括多次换乘，根据上述条件判断出行路线中每次换乘是否属于同一次出行；
依次记录乘客在一次出行中每次乘车的OD车站，得到乘客的一次出行路线，保留属于一次出行的刷卡数据中的序号、用户ID、起点车站、起点车站上车刷卡时间、终点车站、终点车站刷卡时间、乘车路线和总出行时间。
优选地，所述的判断一定周期内所述乘客的一次出行路线属于正常线路或者绕行路线，当存在绕行路线时确定乘客的绕行行为性质，包括：
从乘客在指定时间段内的刷卡数据中提取出乘客的所有一次出行路线，判断每条一次出行路线属于正常路线集合或者绕行路线集合，当乘客的所有一次出行路线属于正常路线集合，则确定该乘客出行正常，没有绕行行为；当乘客的所有一次出行路线属于绕行路线集合，则确定该乘客出行时选择绕行路线的出行属于无意绕行；当乘客的所有一次出行路线有属于正常路线集合的，也有属于绕行路线集合的，则确定该乘客出行时选择绕行路线的出行属于有意绕行。
由上述本发明的实施例提供的技术方案可以看出，本发明实施例基于刷卡数据，利用出行时间可以识别公交地铁乘客的绕行行为，并通过分析用户出行经历，识别该绕行行为是有意绕行还是无意绕行。识别出无意绕行之后，交通规划部门可以通过标志诱导、线路优化的方式减少该类绕行，提高人的出行效率，为公共交通管理与决策提供方法依据。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种路线绕行性质识别示意图；
图2为本发明实施例提供的一种百度地图优先推荐的路线示意图；
图3为本发明实施例提供的一种百度地图次优路线截图示意图；
图4为本发明实施例提供的一种次推荐的路线的示意图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。
本发明提供一种公交地铁乘客绕行行为的识别方法，该方法能够有效识别出行者的一次出行是否属于绕行，并判断该出行属于有意绕行还是无意绕行。本发明对能够公共交通管理与决策提供方法依据，对推行公共交通导向发展战略具有重要意义。
如何准确识别公交地铁网络中的任意一对起讫车站(简称OD车站)间的绕行行为，并识别该用户的绕行属于有意绕行还是无意绕行。
首先将出行分为正常出行和绕行出行，当出行者选择公交地铁的公共交通方式出行时，OD车站一般存在多条路线，当路线之间出行时间差异较大时，如果出行者选择较短路线出行，该路线称为正常路线；如果选择出行时间较长的路线出行，则称为绕行出行，该路线称为绕行路线。绕行出行根据出行者对路线的熟悉程度，又分为两种，一种是有意绕行和无意绕行。当出行者清楚地知道较短路线，但因为二次活动等原因故意选择绕行路线的出行，则称该出行者的绕行为有意绕行；另一种是出行者不清楚较短路，一直选择绕行路线的出行，则称该出行者的绕行行为无意绕行。如何识别绕行，并判别该用户的绕行属于有意绕行还是无意绕行，是本发明所要解决的核心问题。
方法主要基于刷卡数据，通过出行时间和出行经历进行判断出行者是否绕行以及绕行性质。首先根据路线出行时间辨识正常路线和绕行路线，之后，对绕行用户的历次出行路线进行分析，据此辨识用户的出行为无意绕行还是有意绕行。此外，由于公交、地铁的费用差距并不是很大，忽略公交地铁费用差异的影响。
本发明实施例提供的一种公交地铁乘客绕行行为的识别方法的处理流程如图1所示，包括如下的处理流程：
步骤S10、根据公交地铁线路的规划信息获取乘客的出行路线的起讫车站之间的所有线路信息。
步骤S20、根据一定周期内的所述所有线路的出行时间信息通过路线绕行识别算法将所述线路信息划分为正常线路和绕行路线。
从已知的一定周期内的乘客出行数据集中获取所述起讫车站之间的所有线路的出行数据。首先选定乘客的出行路线的OD车站，从一定周期内的数据集A中筛选出该OD车站的所有出行数据集AOD，按照乘车路线进行归类，计算每条路线的总出行时间T的均值Te和中位数Tm，计算所有路线的总出行时间Ttotal的均值和中位数/>
其中α称为偏差系数，取值为[0.05,0.2]，用于确保绕行路线比正常路线的出行时间要显著的长，如果路线i的绕行指数Mi为1，则认为该路线为绕行路线，否则认为正常路线。
将所有的正常路线组成正常路线集合，将所有的绕行路线组成绕行路线集合。
步骤S30、从乘客在指定时间段内的刷卡数据中提取出乘客的一次出行路线，判断一定周期内所述乘客的一次出行路线属于正常线路或者绕行路线，当存在绕行路线时确定乘客的绕行行为性质。
划分时间段。根据出行时间的不同，将出行划分为早高峰期出行、平峰期出行、晚高峰期出行三种类型，时间段分别为7:00-9：00，9:00-17：00，17:00-19：00。其他时间段的出行可能存在无公交地铁出行的情况，不在本发明范围内。
从乘客在指定时间段内的刷卡数据中提取出乘客的所有的一次出行路线，判断每条一次出行路线属于正常路线集合或者绕行路线集合。基于刷卡数据提取出行路线。公交地铁存在换乘行为，同时考虑刷卡数据中存在公交提前刷卡的行为，所有数据的下车刷卡的时间不是全部准确。因此，公交换乘公交以第一时间阈值为判断条件，上述第一时间阈值可以为30分钟，若两次乘车换乘时间小于第一时间阈值，则认为两次乘车属于一次出行；地铁换乘公交以第一时间阈值为判断条件，若两次乘车换乘时间小于第一时间阈值，则认为两次乘车属于一次出行；公交换乘地铁以第二时间阈值为判断条件，上述第二时间阈值可以为20分钟阈值，若两次乘车换乘时间小于第二时间阈值，则认为两次乘车属于一次出行。一次出行中包括多次换乘，根据上述条件依次判定每次换乘是否属于同一次出行。
上述基于刷卡数据提取出行路线方法包括了同站换乘和异站换乘，均通过时间进行判断，同时考虑刷卡数据一般包括地铁内部换乘，因此，本发明不考虑地铁换乘地铁的情况。通过换乘时间阈值判定每次出行之后，依次记录每次乘车的OD车站，如一次出行n个车站，依次为O1-D1*O2-D2*O3-D3*...*On-Dn，但是考虑到公交提前下车刷卡的行为，只保留准确的上车刷卡站和最终的刷卡站，故路线记录格式为O1*O2*O3*...*On-Dn，每一条记录称为乘车路线。特别说明的是该方法适用于最后下车车站时间准确的车站的出行，如最后下车车站为时间准确的地铁车站的出行，如果数据中不存在提前刷卡信息，则该方法也适用于最后下车车站为时间准确公交车站的出行。将刷卡数据进行整理，将属于一次出行的刷卡数据，保留序号、用户ID、起点车站、起点车站上车刷卡时间、终点车站、终点车站刷卡时间、乘车路线、总出行时间。
4、图2为本发明实施例提供的一种路线绕行性质识别示意图。判断绕行性质，判断出行是有意绕行还是无意绕行。从乘客在指定时间段内的刷卡数据中提取出乘客的所有的一次出行路线，判断每条一次出行路线属于正常路线集合或者绕行路线集合，当乘客的所有一次出行路线属于正常路线集合，则确定该乘客出行正常，没有绕行行为；当乘客的所有一次出行路线属于绕行路线集合，则确定该乘客出行时选择绕行路线的出行属于无意绕行；当乘客的所有一次出行路线有属于正常路线集合的，也有属于绕行路线集合的，则确定该乘客出行时选择绕行路线的出行属于有意绕行。
筛选AOD中一直选用正常路线的ID，这类ID用户属于非绕行用户，其出行时选择正常路线的出行属于正常出行。筛选AOD中一直选用绕行路线ID，这类ID用户属于无意绕行用户，其出行时选择绕行路线的出行属于无意绕行，该乘客可能不知道正常路线。筛选AOD中既选择过绕行路线又选择过正常路线ID，这类ID用户属于有意绕行用户，其出行时选择绕行路线的出行属于有意绕行。
实施例二
1，划分时间段
划分时间段。根据出行时间的不同，将出行划分为早高峰期出行、平峰期出行、晚高峰期出行三种类型，时间段分别为7:00-9：00，9:00-17：00，17:00-19：00。其他时间段的出行可能存在无公交地铁出行的情况，不在本发明范围内。本实施例采用北京市2015年8月3日至2015年8月30日(共计28天)7:00-9：00车站龙锦苑四区(公交站)到车站西二旗 (地铁站)的公交地铁刷卡数据进行说明。
2基于刷卡数据提取出行路线。
基于刷卡数据提取出行路线。公交地铁存在换乘行为，同时考虑刷卡数据中存在公交提前刷卡的行为，所有数据的下车刷卡的时间不是全部准确。因此，公交换乘公交以30分钟阈值为判断条件，若两次乘车换乘时间小于阈值，则认为两次乘车属于一次出行；地铁换乘公交以30分钟阈值为判断条件，若两次乘车换乘时间小于阈值，则认为两次乘车属于一次出行；公交换乘地铁以20分钟阈值为判断条件，若两次乘车换乘时间小于阈值，则认为两次乘车属于一次出行。一次出行中包括多次换乘，根据上述条件依次判定每次换乘，若每次乘车换乘时间小于阈值，则认为两次乘车属于一次出行。该方法包括了同站换乘和异站换乘，均通过时间进行判断，同时考虑刷卡数据一般包括地铁内部换乘，因此，本发明不考虑地铁换乘地铁的情况。通过换乘时间阈值判定每次出行之后，依次记录每次乘车的OD车站，如一次出行n个车站，依次为O1-D1*O2-D2*O3-D3*...*On-Dn，但是考虑到公交提前下车刷卡的行为，只保留准确的上车刷卡站和最终的刷卡站，故路线记录格式为O1*O2*O3*...*On-Dn，每一条记录称为一次出行路线。特别说明的是该方法适用于最后下车车站时间准确的车站的出行，如最后下车车站为时间准确的地铁车站的出行，如果数据中不存在提前刷卡信息，则该方法也适用于最后下车车站为时间准确公交车站的出行。
将刷卡数据进行整理，保留属于一次出行的刷卡数据中的序号、用户ID、起点车站、起点车站上车刷卡时间、终点车站、终点车站刷卡时间、乘车路线和总出行时间数据。
通过换乘时间阈值，可知28天内两车站间共有1949人次出行，共计用户496人。数据整理后格式如表1所示，时间为24小时制。数据中提取的路线共计9条，每条路线的流量如表2 所示。
3相同起讫站之间的路线进行分类，识别绕行路线。首先选定OD车站，从一定周期内的数据集A中筛选出该OD车站的所有出行数据集AOD，按照乘车路线进行归类，计算每条路线的总出行时间T的均值Te和中位数Tm，计算所有路线的总出行时间Ttotal的均值和中位数/>
其中α称为偏差系数，取值为[0.05,0.2]，用于确保绕行路线比正常路线的出行时间要显著的长，如果路线i的绕行指数为1，则认为该路线为绕行路线，否则认为正常路线。本实施例α值取0.1。路线绕行性质识别结果如表3所示。
将所有的正常路线组成正常路线集合，将所有的绕行路线组成绕行路线集合。
4判断绕行性质，判断出行是有意绕行还是无意绕行。筛选AOD中一直选用正常路线ID，这类ID用户属于非绕行用户，其出行时选择正常路线的出行属于正常出行。筛选AOD中一直选用绕行路线ID，这类ID用户属于无意绕行用户，其出行时选择绕行路线的出行属于无意绕行。筛选AOD中既选择过绕行路线又选择过正常路线ID，这类ID用户属于有意绕行用户，其出行时选择绕行路线的出行属于有意绕行。各类用户的人数如图1所示，选取用户1 (非绕行用户)、用户2(无意绕行用户)、用户3(有意绕行用户)进行绕行路线性质说明，绕行性质判定结果分别如表4，表5，表6所示。
同时，为了说明该专利的实用性，本文辅助以2020年6月1日百度地图的查询结果进行作证，从百度地图中两个车站之间的截图可以看出，本发明提取的流量最大的路线“龙锦苑四区(公交站)*回龙观(地铁站)-西二旗(地铁站)”是百度地图优先推荐的路线 (如图3所示)，流量次之的路线“龙锦苑四区(公交站)*龙泽(地铁站)-西二旗(地铁站)”为次推荐的路线(如图4所示)。当然由于出行时间计算方法的不同以及数据来源于不同(百度地图为2020年6月1日查询的结果，本实施例为2015年8月的刷卡数据根据本发明方法计算的结果)，本实施例基于刷卡数据得出的时间和百度地图上显示的时间存在差异，但路线优劣一致，可以说明本文的研究方法与实际投入应用的软件在诱导路线从结果上讲具有一定的一致性。在此基础上，本发明可以识别有意绕行用户和无意绕行用户，对于无意绕行用户可以采用交通标志提醒用户选择最优路线，从而提高用户的出行效率。如表4中的用户2，其28天中13次选择次优路线，从未选择最优路线，从总体上讲，该用户很可能不知道最优路线，所以花费了更多的时间在路上，交通规划部门可以通过标志诱导、线路优化的方式减少该类绕行，提高人的出行效率，吸引更多的人选择公共交通出行，促进社会的可持续发展。
表1数据统计格式示例
表2路线流量统计表
表3路线绕行性质识别
表4非绕行用户举例(用户1，共10次出行)
表5无意绕行用户举例(用户2，共13次出行)
/>
表6有意绕行用户举例(用户3，共5次出行)
综上所述，本发明实施例基于刷卡数据，利用出行时间可以识别公交地铁乘客的绕行行为，并通过分析用户出行经历，识别该绕行行为是有意绕行还是无意绕行。对于无意绕行用户其很可能不知道最优路线，一直选择出行时间较长的路线，所以花费了更多的乘车时间，利用本发明识别出无意绕行之后，交通规划部门可以通过标志诱导、线路优化的方式减少该类绕行，提高人的出行效率，为公共交通管理与决策提供方法依据，对推行公共交通导向发展具有重要意义，从而吸引更多的人选择公共交通出行。此外，结合交通拥堵情况，按照早高峰期、平峰期、晚高峰期对出行进行分类，能够提高方法的精度，同时该方法内容操作简单，易于实施。
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (3)

1.一种公交地铁乘客绕行行为的识别方法，其特征在于，包括：
根据公交地铁线路的规划信息获取乘客的出行路线的起讫车站之间的所有线路信息；
根据一定周期内的所述所有线路的出行时间信息通过路线绕行识别算法将所述线路信息划分为正常线路和绕行路线；
从乘客在指定时间段内的刷卡数据中提取出乘客的一次出行路线，判断一定周期内所述乘客的一次出行路线属于正常线路或者绕行路线，当存在绕行路线时确定乘客的绕行行为性质；
所述的根据一定周期内的所述所有线路的出行时间信息通过路线绕行识别算法将所述线路信息划分为正常线路和绕行路线，包括：
从已知的一定周期内的乘客出行数据集中获取所述起讫车站之间的所有线路的出行数据，计算每条路线的总出行时间T的均值Te和中位数Tm，计算所有路线的总出行时间Ttotal的均值和中位数/>计算出线路i的绕行指数Mi；
其中α称为偏差系数，取值为[0.05,0.2]，如果路线i的绕行指数Mi为1，则认为路线i为绕行路线，否则；认为路线i为正常路线；
将所有的正常路线组成正常路线集合，将所有的绕行路线组成绕行路线集合；
所述的从乘客在指定时间段内的刷卡数据中提取出乘客的一次出行路线，包括：
从乘客在指定时间段内的刷卡数据中提取乘客的出行路线，当出行路线中存在公交和地铁的换乘行为时，若公交换乘公交的换乘时间小于第一时间阈值，则认为两次公交乘车属于一次出行；若地铁换乘公交的换乘时间小于第一时间阈值，则认为地铁和公交两次乘车属于一次出行；若公交换乘地铁的换乘时间小于第二时间阈值，则认为公交和地铁两次乘车属于一次出行；一次出行中包括多次换乘，根据上述条件判断出行路线中每次换乘是否属于同一次出行；
依次记录乘客在一次出行中每次乘车的OD车站，得到乘客的一次出行路线，保留属于一次出行的刷卡数据中的序号、用户ID、起点车站、起点车站上车刷卡时间、终点车站、终点车站刷卡时间、乘车路线和总出行时间。
2.根据权利要求1所述的方法，其特征在于，所述的指定时间段内包括：早高峰期时间段7:00-9：00、平峰期时间段9:00-17：00和晚高峰期时间段17:00-19：00。
3.根据权利要求1所述的方法，其特征在于，所述的判断一定周期内所述乘客的一次出行路线属于正常线路或者绕行路线，当存在绕行路线时确定乘客的绕行行为性质，包括：
从乘客在指定时间段内的刷卡数据中提取出乘客的所有一次出行路线，判断每条一次出行路线属于正常路线集合或者绕行路线集合，当乘客的所有一次出行路线属于正常路线集合，则确定该乘客出行正常，没有绕行行为；当乘客的所有一次出行路线属于绕行路线集合，则确定该乘客出行时选择绕行路线的出行属于无意绕行；当乘客的所有一次出行路线有属于正常路线集合的，也有属于绕行路线集合的，则确定该乘客出行时选择绕行路线的出行属于有意绕行。
CN202010686366.4A 2020-07-16 2020-07-16 公交地铁乘客绕行行为的识别方法 Active CN111985687B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010686366.4A CN111985687B (zh) 2020-07-16 2020-07-16 公交地铁乘客绕行行为的识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010686366.4A CN111985687B (zh) 2020-07-16 2020-07-16 公交地铁乘客绕行行为的识别方法

Publications (2)

Publication Number Publication Date
CN111985687A CN111985687A (zh) 2020-11-24
CN111985687B true CN111985687B (zh) 2024-03-05

Family

ID=73438301

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010686366.4A Active CN111985687B (zh) 2020-07-16 2020-07-16 公交地铁乘客绕行行为的识别方法

Country Status (1)

Country Link
CN (1) CN111985687B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015049801A1 (ja) * 2013-10-04 2015-04-09 株式会社日立製作所 乗客誘導システム、および乗客誘導方法
CN104766134A (zh) * 2015-03-16 2015-07-08 北京交通大学 在运营中断下进行城市轨道交通乘客出行诱导系统及其应用
CN107403235A (zh) * 2017-06-30 2017-11-28 东南大学 轨道交通站台乘客候车位置诱导系统及方法
CN110222884A (zh) * 2019-05-23 2019-09-10 北京交通大学 基于poi数据和客流量的车站可达性评估方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015049801A1 (ja) * 2013-10-04 2015-04-09 株式会社日立製作所 乗客誘導システム、および乗客誘導方法
CN104766134A (zh) * 2015-03-16 2015-07-08 北京交通大学 在运营中断下进行城市轨道交通乘客出行诱导系统及其应用
CN107403235A (zh) * 2017-06-30 2017-11-28 东南大学 轨道交通站台乘客候车位置诱导系统及方法
CN110222884A (zh) * 2019-05-23 2019-09-10 北京交通大学 基于poi数据和客流量的车站可达性评估方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于公交IC卡和GPS数据的换乘识别方法;李莹;翁小雄;;广西大学学报(自然科学版);20170425(第02期);第185-192页 *

Also Published As

Publication number Publication date
CN111985687A (zh) 2020-11-24

Similar Documents

Publication Publication Date Title
CN110704993B (zh) 一种疏解地铁客流压力的定制公交线路设计方法
Cao et al. The gaps in satisfaction with transit services among BRT, metro, and bus riders: Evidence from Guangzhou
CN107766969B (zh) 一种基于地铁服务能力瓶颈区段识别的大站快线布设方法
CN105788260A (zh) 一种基于智能公交系统数据的公交乘客od推算方法
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
Xiong et al. Understanding operation patterns of urban online ride-hailing services: A case study of Xiamen
CN109035768B (zh) 一种出租车绕路行为的识别方法
Naqvi et al. Mode shift behavior of commuters toward Islamabad metro bus service
CN111047858A (zh) 一种融合算法的公交客流出行od确定方法及装置
Li et al. Passenger travel behavior in public transport corridor after the operation of urban rail transit: a random forest algorithm approach
CN109523064B (zh) 一种基于多网融合的智能微枢纽
CN111985687B (zh) 公交地铁乘客绕行行为的识别方法
CN112004191B (zh) 基于手机信令和公交车gps数据的公交专用道设置方法
CN111508220B (zh) 基于公交人口分布精准进行末端接驳的方法
CN113468243A (zh) 地铁客流分析与预测方法及分析与预测系统
Song et al. Public transportation service evaluations utilizing seoul transportation card data
CN113096429A (zh) 基于公交调度站点集散的弹性公交区域灵活性线路生成方法
CN116562574A (zh) 城际定制客运的协同优化方法、装置、设备和存储介质
CN116562581A (zh) 一种基于共享自行车出行影响的轨道交通接驳公交路径与调度优化方法
Nwaogbe Obioma et al. The Quality Of Mass Transit Service In Abuja, Nigeria: An Analysis Of Customers Opinions.
Scheurer et al. Spatial network analysis of public transport systems: Developing a strategic planning tool to assess the congruence of movement and urban structure in Australian cities
Wang et al. Spatiotemporal analysis of competition between subways and taxis based on multi-source data
Shi et al. Reform Beijing to a public transit oriented city–from the view of transportation equity
KR102433434B1 (ko) 대중교통 하차 정보 추정 시스템 및 그 방법
Wang et al. Travel patterns analysis of urban residents using automated fare collection system

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