CN112150796A - 基于手机信令数据的定制公交站点布局方法 - Google Patents

Abstract

本发明公开了一种基于手机信令数据的定制公交站点布局方法，针对目标城市全天产生的手机信令数据，识别出枢纽站的到发人口及其以枢纽点为起点和终点的出行OD。然后根据出行距离分布情况，考虑各出行方式的优势出行距离，结合交通枢纽到发人口的出行特征、手机信令基站覆盖范围、根据出行起讫点的坐标调用高德地图规划路径API获取相关指标，考虑公交站点最大距离取值及最短距离对定制公交出行必要性的影响等因素，利用基于密度的DBSCAN聚类算法聚合合乘站点初步确定可能合乘站点，最后结合路网确定合成点的具体位置。这一方法大大提高了定制公交站点选址的精度，使选址更具科学性，该方法在不同城市间具有普遍适用性。

Description

基于手机信令数据的定制公交站点布局方法

技术领域

本发明属于智能交通领域，具体是一种基于手机信令数据的定制公交站点布局方法。

背景技术

随着经济高速增长、城市规划扩大、土地高强度开发、交通机动化水平迅速提升，城市私人小汽车拥有量持续增加。城市交通拥堵现象持续存在，道路建设虽全力以赴但仍捉襟见肘，大力发展公共交通，优化居民出行结构是缓解城市交通拥堵的重要手段之一。而定制公交是在传统公共交通的基础上为了满足多样化、多层次的居民和游客出行需求兴起的一种新型公共交通模式，旨在引导乘客选择定制公交集体出行模式，为减缓城市交通拥堵提供了有效解决方案。

目前，大部分定制公交相关研究都是将乘客们在相应网络平台上录入的出行信息(如出现起终点、出行时间等)作为出行需求数据。由于不同年龄层的人群对网络的接受程度差异较大，而这种方法获取的数据样本偏向于中青年，因此很难全面的反映出整个社会的实际需求。在“互联网+交通”的时代格局下，应用于交通方面的手机信令数据以其较高的覆盖率、良好的时效性以及廉价的获取成本为相关交通规划研究提供了良好的数据支撑。

公共交通系统是任何一个城市不可缺少的重要交通工具。随着人们对城市交通可持续发展的认识深入，国内各大城市逐渐意识到发展以公共交通为核心的综合交通，才能有效地缓解交通压力，提高城市活力。人们对于改善公共运输服务设施和工作效率的重视程度不断提高。定制公交合乘站点的布局是系统运营规划中至关重要的一环，也是制定其他定制公交系统规划的基础。在不过多增加系统运营成本而尽可能满足乘客出行需求的基础上，解决矛盾的关键在于如何合理布设定制公交合乘站点。

随着计算机、通信、网络、传感等高新技术的快速发展，由互联网、移动互联网、移动通信、物联网、车联网等高端设备产生的交互和交易数据共同构成了大数据，具有大体量(Volume)、速度快(Velocity)、多样性(Variety)、价值密度低(Value)的4V特征。虽然这些大数据最初并非为分析城市交通出行规律而产生，同时应用这些大数据面临数据采集、数据格式和数据分析等诸多方面的难题，但通过对多源大数据的深度关联分析挖掘，仍然可以为城市交通模型的构建和升级提供丰富的数据基础。

目前现有技术中，闫学东等人公开了基于聚类中心修正的定制公交合乘站点生成方法(CN201810348137.4),通过采集预约乘客上下车需求点对的位置坐标数据，按照最大距离度量准则进行层次聚类以确定定制公交最佳站点的个数。存在以下缺陷：基础数据采用预约乘客的上下车信息，涉及到乘客仅仅是有公交需求的用户，并未将可能由私家车、普通公交车、出租车交通方式转变为定制公交的用户纳入进来，不能有效的引导公交出行，而且聚类仅考虑公交站点最大距离取值，没有考虑最短距离对定制公交出行必要性的影响。

马晓磊等人公开了基于网约车数据的定制公交站点选址方法(CN201811377219.8)，根据网约车数据提取出行信息，补充了定制公交公司的乘客出行需求收集方式；并将交通出行小区作为链接定制公交站点与网约车数据的桥梁，将体量较大的网约车数据简化为区域间流动与区域内部流动的概念，从而提高定制公交站点的选址精度。存在以下缺陷：利用网约车数据补充定制公交的乘客需求，同样涵盖的用户数并不广泛，且默认所有的需求都为合理的交通需求量，并未考虑到现实中需从运营成本以及运营效率等方面综合考虑。而且聚类方法未考虑路网上的噪音点对聚类中心位置的影响较大。

发明内容

技术方案：

本发明针对现有技术存在的问题，提供一种基于手机信令数据的定制公交站点布局研究方法，针对目标城市全天产生的手机信令数据，识别出枢纽站的到发人口及其以枢纽点为起点和终点的出行OD。然后根据出行距离分布情况，考虑各出行方式的优势出行距离，结合交通枢纽到发人口的出行特征、手机信令基站覆盖范围、根据出行起讫点的坐标调用高德地图规划路径API获取相关指标，考虑公交站点最大距离取值及最短距离对定制公交出行必要性的影响等因素，利用基于密度的DBSCAN聚类算法聚合合乘站点初步确定可能合乘站点，最后结合路网确定合成点的具体位置。这一方法在识别城市合理公交出行需求无需人工参与，且可以根据枢纽站不同时期产生的新数据更新定制公交的站点及线路，大大提高了定制公交站点选址的精度，使选址更具科学性，该方法在不同城市间具有普遍适用性。

一种基于手机信令数据的定制公交站点布局方法，它包括以下步骤：

S1、确定枢纽站到发人口的OD分布；

S2、考虑各出行方式的优势出行距离结合交通枢纽到发人口的出行特征即手机信令数据覆盖范围综合考虑，筛选有定制公交出行需求的基站；

S3、结合研究区域道路网基础设施水平以及现有公交线网配置情况，设置指标行时比、行距比以及公交步行距离等的合理阈值，筛选出有定制公交必要的基站集作为样本数据集；

S4、运用基于密度的DBSCAN聚类算法聚合合乘站点，初步确定可能合乘站点；

S5、结合路网确定可能合乘站点具体位置。

优选的，步骤S1确定枢纽站到发人口的OD分布，包括以下步骤：

S11、根据手机信令数据中基站经纬度坐标字段，将各手机基站投影到研究区域实际路网上，并结合基站信号辐射范围确定出目标交通枢纽站对应的基站集；

S12、将以交通枢纽站为出行终点的人群定义为出发人口，以交通枢纽站为出行起点的人群定义为到达人口；通过研究分析交通枢纽站到发人口的出行特性以运用规则判别法进行目标交通枢纽站到发人群识别，以及到达人口目的地与出发人口出发地识别；

S13、根据基站分时段对到发人口进行时空汇聚，统计不同时段下到发人口的出行OD分布。

优选的，步骤S2包括以下步骤：

S21、根据居民出行距离分布情况，以交通枢纽基站为圆心，3公里为辐射半径，绘制出的区域以非机动车为主要出行方式，将其称为非机动车直达区域；而且考虑到交通枢纽站周边的公交线网密度较大，因此拟不在此区域内设置定制公交站点；

S22、分别以各手机信号基站为圆心，基站定位精度为辐射半径，绘制出基站覆盖区域；根据各基站覆盖区域与非机动车直达区域之间的空间位置情况，结合图18，将基站集划分为三类：内含基站，相交基站以及相离基站；其中基站覆盖区域内含于非机动车直达区域的基站为内含基站；基站覆盖区域与非机动车直达区域相交的基站为相交基站；基站覆盖区域与非机动车直达区域外离的基站为相离基站；

S23、根据基站空间位置示意图确定是否有定制公交的出行需求：

内含基站集覆盖范围内的出行者以非机动车为主要出行方式，无定制公交出行需求；

相交基站与非机动车直达区域重叠部分无定制公交出行需求；

相交基站重叠以外的部分存在定制公交的出行需求，基于出行者在基站覆盖范围内均匀分布的假设，定制公交出行需求量D_i：

其中，S_i为第i个基站覆盖范围与非机动车直达区域非重叠部分面积，单位m²；S为基站覆盖范围面积，单位m²；

相离基站，基本无非机动车出行需求，定制公交出行需求量D_i与基站交通出行量V_i成比例。

具体的：

基站点之间的空间距离用经纬度距离公式计算：

式中，d_i：基站i与基站i+1之间的空间距离，单位m；R：地球半径，单位km；lat_i：基站i的维度坐标；lon_i：基站i的经度坐标；

S_i为第i个基站覆盖范围与非机动车直达区域非重叠部分面积，单位m²；通过下式求解：

基站覆盖范围面积S通过下式求解：

S＝π*r₁ ²

其中：r₁：基站覆盖半径，单位m；r₂：非机动车直达区域半径，单位m；d_i：基站i与基站i+1之间的空间距离，单位m；V_i：第i个基站出行交通量。

优选的，S3包括以下步骤：

S31、确定设置公交合成站点必要的基站条件，筛选出现有公交线路直达性较差及公交车站与OD点之间的总步行距离较长的公交线路；

S32、利用Python通过调用高德地图API，根据输入OD点基站的经纬度坐标，获取其公交车、小汽车以及步行三种不同出行方式的可能出行方案，包括出行距离、出行时长以及出行费用信息，其中公交车出行方案还包括O点到公交车站与公交车站到D点的总步行距离以及相关换乘信息；

S33、计算公交与步行出行路线距离长度比即行距比，以及公交与小汽车出行时间比即行时比，以反映出公交线路的直达性；结合案例实际情况设置合理的行时比、行距比以及公交步行距离阈值进行筛选，然后将筛选出的基站集作为有设置定制公交必要的基站集。

优选的，所述行距比通过下式获得：

式中，

基站i的公交车与步行的行距比；

基站i的公交车出行距离，单位m；

基站i的步行出行距离，单位m；

所述行时比通过下式获得：

式中，

基站i的公交车与小汽车的行时比；

基站i的公交车出行时间，单位s；

基站i的小汽车出行时间，单位s。

优选的，S4包括以下步骤：

S41、设有公交定制需求的基站组成的样本数据集D＝(p₁,p₂,...,p_m)，遍历样本数据集D，预设邻域半径ε以及最小核心对象数MinPts，将所有样本点标记为未访问点；

S42、初始化核心对象集合Ω＝φ，初始化聚类簇数k＝0，初始化为访问样本集合Γ＝D，簇划分C＝φ；

S43、对于j＝1,2,...,m，按照如下方法找出所有的核心对象：

a)通过距离度量方式，找到样本P_j的ε邻域子样本集N_ε(x_j)；

b)若子样本集样本个数满足至少有MinPts个对象，则将样本P_j加入核心样本对象样本集合：Ω＝Ω∪{p_j}；

S44、如果核心对象集合Ω＝φ，则算法结束，否则转入步骤S45；

S45、在核心对象集合Ω中，随机选择一个核心对象O,初始化当前簇核心对象队列Ω_cur＝{O}，初始化类别序号k＝k+1，初始化当前簇样本集合C_k＝{O}，更新未访问样本集合Γ＝Γ-{O}；

S46、如果当前簇核心对象队列Ω_cur＝φ，则当前聚类簇C_k生成完毕，更新簇划分C＝{C₁,C₂,...,C_k}，更新核心对象集合Ω＝Ω-C_k，转入步骤S44，否则更新对象集合Ω＝Ω-C_k；

S47、在当前簇核心对象队列Ω_cur中取出一个核心对象O′，通过邻域半径ε找出所有的邻域子样本集N_ε(O′)，令Δ＝N_ε(O′)∩Γ，更新当前簇样本集合C_k＝C_k∪Δ，更新未访问样本集合Γ＝Γ-Δ，更新Ω_cur＝Ω_cur∪(Δ∩Ω)-O′，输出结果C＝{C₁,C₂,...,C_k}，转入步骤S45；

S48、计算出各聚类簇C_i的重心点位置坐标；

S49、分别遍历各聚类簇C＝{C₁,C₂,...,C_k}，计算簇内各点到其重心点的空间距离，将簇内最大距离大于3km的聚类簇记为待修改聚类簇；

S410、重新设置邻域半径ε及最小核心对象数MinPts的取值，并将待修改聚类簇的所有样本点标记为未访问点；

S411、分别对各待修改聚类簇重复步骤S42-S410，至无待修改聚类簇，然后将各聚类簇的重心点坐标作为可能合乘站点。

优选的，S5包括以下步骤：

S51、从节约建设成本和一体化设计的角度考虑，结合研究区域现有公共交通基础设施建设情况，将得到的可能合乘站点匹配到邻近的公交车站；

S52、若如果可能合乘站点邻近的公交车站较远或者没有，则将其匹配到邻近的路段；

S53、最后根据公交车站设计的原则设计定制公交合乘站点，如《城市道路公共交通站、场、厂工程设计规范CJJ/T15-2011》。

本发明的有益效果

本发明技术方案的关键点在于：

1、本发明基于手机信令数据获取枢纽站的到发人口及其出行特征，综合考虑各出行方式的优势出行距离、交通枢纽到发人口的出行特征、手机信令数据覆盖范围，并调用高德地图API获取相关参数，引入设定定制公交合理性、必要性的指标。

2、结合研究区域道路网基础设施水平以及现有公交线网配置情况，虑公交站点最大距离取值及最短距离对定制公交出行必要性的影响等因素，运用基于密度的DBSCAN聚类算法聚合合乘站点初步确定可能合乘站点，最后结合路网确定定制公交合乘点的具体位置。

基于以上关键点，与现有技术相比，本发明获得以下有益效果：

(1)本发明以枢纽站为例，针对海量用户出行轨迹数据，提取大量的出行信息，获取枢纽站的到发人口及其出行信息，弥补了仅有的调查问卷、开发APP等收集方式的局限性，让乘客的出行需求能够得到合理体现，从而促进乘客选择适合的定制公交线路，让公交公司的出行需求和挖掘需求得到满足，从而发掘出合理的潜在定制公交站点。

(2)充分考虑各出行方式的优势出行距离、交通枢纽到发人口的出行特征及手机信令数据覆盖范围，同时结合研究区域道路网基础设施水平以及现有公交线网配置情况，利用基于密度的DBSCAN聚类算法聚合合乘站点初步确定可能合乘站点，综合现有路网通达性以及现有公交系统服务能力考虑，确定定制公交合乘站点，这一方法从一定程度上弥补了现有路网中公交配置不足的区域，又避免资源浪费，大大提高了定制公交站点选址的精度，使选址更具科学性，该方法在不同城市间具有普遍适用性。

附图说明

图1为本发明的技术方案流程图

图2为昆山站周边基站分布图

图3为出发人口的出发地分布热力图

图4为到达人口的目的地分布热力图

图5为乘车需求分布热力图(出发人口)

图6为乘车需求分布热力图(到达人口)

图7为公交车与步行的行距比折线图

图8为公交车与私家车的行时比折线图

图9为有布设必要基站分布热力图(出发人口)

图10为有布设必要基站分布热力图(到达人口)

图11为DBSCAN聚类结果(出发人口)

图12为DBSCAN聚类结果(到达人口)

图13为可能合乘站点分布(出发人口)

图14为可能合乘站点分布(到达人口)

图15为合乘站点位置修正方法示意图

图16为合乘站点分布(出发人口)

图17为合乘站点分布(到达人口)

图18为三类基站空间位置示意图

具体实施方式

下面结合实施例对本发明作进一步说明，但本发明的保护范围不限于此：

本文通过中国移动通信公司获取昆山市某日的手机信令数据，将昆山站作为所研究的目标交通枢纽站，以其中2020年1月23日的数据为例，具体合乘站点布局设计过程如下：

(1)到发人口识别确定枢纽站到发人口的OD分布

首先，将基站集坐标投影到地图上，结合昆山站的地理位置确定其所对应的基站集。如下图2所示，图中圆点即为投影到地图上的基站，根据基站的定位精度，确定基站A为昆山站对应基站。

然后通过对手机信令数据预处理，获取出行者昆山站的到达时间、离开时间、逗留时长以及在昆山站前后逗留点信息，并运用规则判别法进行到发人口及其枢纽出行的OD点识别。最终共计识别出出发人口为7166人，到达人口为2188人。绘制出的出发人口的出发地以及到达人口的目的地的分布热力图分别如下图3和图4所示。

所述规则判别法可参照以下步骤进行：

S1、获取目标城市的基站信息，以每个基站为中心点，对目标城市的所有基站构建泰森多边形来分割每个基站的服务范围；获取目标枢纽站的地理位置信息，对照构建的城市基站服务范围，提取覆盖目标枢纽站服务范围的所有基站坐标，并定义提取出的基站为枢纽基站；

S2、获取目标城市内所有手机用户在研究时间段内的手机信令数据，对信令数据进行预处理得到每个用户每天的有效轨迹数据；

S3、筛选目标数据，针对S2中得到的每个用户每天的有效移动轨迹进行识别，过滤掉当天轨迹中不曾出现S1中提取出的目标枢纽基站的手机用户，得到枢纽站流通人口的轨迹数据；

S4、针对S3得到的数据中每一个用户在连续时间段内位于枢纽站的轨迹点进行聚类，将用户在连续时间段内位于不同枢纽基站的所有轨迹点合并后构建一个新的虚拟枢纽基站A，定义虚拟基站A的地理位置为S1中提取的所有枢纽基站的重心点，将合并后在虚拟基站A上的轨迹数据的开始时间start_time定义为当前合并的连续枢纽基站轨迹数据的第一条轨迹点的开始时间start_time，结束时间定义end_time为最后一条枢纽基站轨迹点的结束时间end_time；

S5、针对经过S4处理后每一个用户每天的轨迹数据，计算该用户在每个地理位置的逗留时间stay_time，定义逗留时间stay_time为当前轨迹数据的开始时间start_time与下一条轨迹数据的开始时间start_time的时间之差，若当前轨迹点为该用户当天最后一条数据，则定义该用户在当前基站的逗留时间stay_time为该条信令数据的开始时间start_time与结束时间end_time之间的时间差；若逗留时间stay_time大于停留点时间阈值T，则判定此地理位置为该用户的一个停留点，反之则判定此地理位置为该用户的一个位移点；

S6、计算每个用户每天在目标城市内的总逗留时间total_stay_time，定义总逗留时间total_stay_time等于对该用户当天在所有地理位置上的逗留时间stay_time的求和；

S7、针对每个用户在S5中得到的当天轨迹及逗留时间stay_time、以及S6中得到的当天在目标城市内的总逗留时间total_stay_time，识别其人口类型；

S8、自S7中获得出发人口和到达人口，根据S2提取出发人口和到达人口的当日出行轨迹，根据空间速度、空间距离、逗留时间三参数判断出行轨迹的停驻点，并根据OD的概念对停住点进行分析，得到出行OD轨迹；

S9、根据OD轨迹，依据出发人口和到达人口的出发时间到达时间，生成枢纽站人口出行OD。

优选的，S2中所述手机信令数据为运营商提供的经过清洗、集成后的记录手机用户在开机状态下活动的时空等信息的轨迹数据，记同一MSID轨迹数据记作集合P_i＝{p₁,p₂,...,p_n}，表示第i个人有n个位置记录点数目，每一个位置点中的主要字段包括手机识别码ID、时间戳、基站编号base、基站经度lng、基站纬度lat；其中，时间戳包括开始时间start_time以及结束时间end_time。

优选的，S2具体包括以下步骤：

S21、删除重复数据及存在字段缺失的数据；

S22、以手机用户为单位，对每个手机识别码每天的手机信令数据按照信令的开始时间进行排序；

S23、合并漂移数据：针对每个用户每天在相邻时间段内位于不同基站上的移动轨迹点，若两个基站之间的距离小于漂移距离阈值Ds，则认为该用户在这一时间段内在同一地理位置上活动，合并数据；

S24、合并乒乓数据：针对每个用户每天在不连续的时间段上的两条轨迹数据，若这两条轨迹数据对应基站之间的距离小于乒乓距离阈值D_j，且这两条轨迹数据的间隔时间小于乒乓时间阈值T_j，则认为该用户从上述第一条轨迹数据的开始时间到第二条轨迹数据的结束时间之间都在同一地理位置上活动，合并数据。

优选的，S7具体包括以下步骤：

S71、铁路过境人口判断：满足在目标城市内的总逗留时间total_stay_time小于城市总逗留时间阈值ST；

S72、铁路出发人口判断：满足在目标城市内的总逗留时间total_stay_time大于城市总逗留时间阈值ST，在虚拟枢纽基站A的逗留时间stay_time大于枢纽站逗留时间阈值σ，且在A之前的轨迹中存在停留点而在A之后的轨迹中无停留点；

S73、铁路到达人口判断：满足在目标城市内的总逗留时间total_stay_time大于城市总逗留时间阈值ST，在虚拟枢纽基站A的逗留时间stay_time大于枢纽站逗留时间阈值σ，且在A之前的轨迹中无停留点而在A之后的轨迹中存在停留点；

S74、铁路往返人口判断：满足在目标城市内的总逗留时间total_stay_time大于城市总逗留时间阈值ST，至少两次占用虚拟枢纽基站、每次在虚拟枢纽基站的逗留时间stay_time大于枢纽站逗留时间阈值σ、且两次占用虚拟枢纽基站的时间间隔大于2小时、且在第一次虚拟枢纽基站A₁之前的轨迹中和第二次虚拟基站A₂之后的轨迹中无停留点而在虚拟枢纽基站A₁与A₂之间的轨迹中存在其他停留点；或者满足在目标城市内的总逗留时间total_stay_time大于城市总逗留时间阈值ST，至少两次占用虚拟枢纽基站、每次在虚拟枢纽基站的逗留时间大于枢纽站逗留时间阈值σ、且两次占用虚拟枢纽基站的时间间隔大于2小时、且在第一次虚拟枢纽基站A₁之前的轨迹中和第二次虚拟基站A₂之后的轨迹中都存在停留点而在虚拟枢纽基站A₁与A₂之间的轨迹中不存在停留点；

S75、城市途经人口判断：满足在目标城市内的总逗留时间total_stay_time大于城市总逗留时间阈值ST，在虚拟枢纽基站A的逗留时间小于枢纽站逗留时间阈值σ，且在A之前和A之后的轨迹中都存在停留点；

S76、非铁路过境人口判断：满足在目标城市内的总逗留时间total_stay_time大于城市总逗留时间阈值ST，在虚拟枢纽基站A的逗留时间小于枢纽站逗留时间阈值σ，且在A之前和A之后的轨迹中都无停留点。

优选的，S8具体包括以下步骤：

S81、根据步骤S7判断出的出发人口和到达人口，从步骤S2的结果中提取这些用户的日出行轨迹数据P_i，根据相邻位置点的主要字段得到重要字段集合

p_j＝{start_time_j,end-time_j,ID_j,t_j,d_j,v_j}，j＝1,2,...,n，

其中：start-time_jT_i为事件触发开始时刻；

end-time_j为在该基站上的最后时刻(在该时刻后转移到下一基站点)；

ID_i基站点ID；

t_j为在该基站点逗留的时间，单位为min，计算公式为：

t_j＝start_time_j+1-start_time_j，

d_j为从基站点j转移到基站点j+1的空间距离，单位为m，计算公式为：

d_j＝6371.004*ACOS(SIN(lat_j*PI()/180)*SIN(lat_j+1*PI()/180)+

COS(lat_j*PI()/180)*COS(lat_j+1*PI()/180)*COS((lng_j-lng_j+1)*PI()/180))*1000

其中，ACOS是反余弦的符号，PI()是返回经纬度的圆周率值，lat_i为基站点i的纬度，lng_i为基站i的纬度；

v_j为从基站点j转移到基站点j+1的空间速度，单位为km/h，计算公式为：

S82、识别每一条信令数据的运动状态

对每一位置点的t_j、v_j进行判断，若t_j≥40(min)，则当前位置点为确定停留点；若10≤t_j<40(min)，v_j<8(km/h)为可能停留点，否则为位移点；

S83、修正确定停留点。

优选的，步骤S83对S82获得的连续的停留点需进一步判断是否需要合并，而对其中的可能停留点则需进一步判断是否为确定停留点，具体方法如下：

(1)连续停留点是否需要合并的判断

分析S81-S82判断出来的确定停留点及可能停留点组成的集合为

该集合表示第i个人有l个停留点，包括连续的确定停留点及可能停留点；首先对

集合中的连续确定停留点进行判断，

若不存在连续确定停留点集合，跳转至(2)；

若存在连续确定停留点集合，设连续停留点集合为a个，每个集合中的确定停留点个数为b个，

对这a个集合依次进行判断，

①若b＝2，分别设为q_i,q_i+1；

计算这两点间的距离两点

A.若

则合并两确定停留点；合并规则为：a.对两点的逗留时间进行判断；若两逗留时间相等，保留q_i；若逗留时间不等则保留较大的信令记录；b.将两逗留时间加和；c.令B-time_j+1＝B-time_j，L-time_j＝L-time_j+1；即取B-time较小的时间，取L-time较大的时间，d.删除合并点间的记录或标记为3；

B.若

两确定停留点不合并；

②若b>2，则按照①的方法依次判断集合中的连续两个停留点；

依次判断结束后，对

进行更新，得到新的停留点集合

(2)对

中的可能停留点依次判断，

若q_i为可能停留点，则计算与上一确定停留点的距离

若

则认为该点为停留点；若

则认为该点为位移点；得到确定停留点集合S_i＝{s₁,...,s_m}，该集合表示第i个人有m个停留点；

(3)重复步骤(1)，直至所有连续停留点都满足

此时获取用户的所有停驻点，相邻的停驻点组成一对OD对。

优选的，步骤(2)中，可能停留点q_i前没有确定停留点时，计算该点与后确定停留点的距离

作为判断是停留点或位移点的依据。

优选的，S9生成枢纽站人口出行OD具体包括：

S91、针对铁路出发人口，寻找当天OD轨迹中last_time比枢纽站start_time早且时间间隔最短的停留点作为起始点O，枢纽站为终点D；若无法在当天轨迹中找到O点，则取该用户前一天的最后一个停留点作为起始点O；

S92、针对铁路到达人口，寻找当天OD轨迹中start_time比枢纽站last_time晚且时间间隔最短的停留点作为终点D，枢纽站为起始点O；若无法在当天轨迹中找到D点，则取该用户后一天的第一个停留点作为终点D；

S93、若S91中寻找到的起始点O以及S92中寻找到的终点D同时满足下列情况：

a、与枢纽站形成的OD出行距离<＝800m；

b、与枢纽站形成的OD出行时耗<＝6min；

c、起始点O及终点D都为枢纽站；

则向前或向后再寻找下一个停留点为O点/D点，即：针对出发人口，更新起始点O为前一个停留点；针对到达人口，更新终点D为下一个停留点；

S94、以O点的基站为出发基站、last_time为出发时间，以D点的基站为到达基站、start_time为到达时间生成枢纽站人口OD链。

(2)筛选有乘车需求基站

以昆山站为圆心，3公里为辐射半径，标定昆山站的非机动车直达区域，然后遍历样本数据集，计算所有基站与昆山站之间的空间距离，将距离小于2.9km的基站标为内含基站，距离介于2.9km与3.1km之间的基站标为相交基站，距离大于3.1km的基站标为相离基站。经过筛选处理，通过计算得到的各基站定制公交需求量，其中到达人口为4050人，出发人口为1242人，绘制的到发人口乘车需求分布热力图分别如下图5和图6所示。

(3)筛选有布设定制公交必要基站作为样本数据集

经对有乘车需求的基站分别进行公交车与步行的行距比以及公交车与小汽车的行时比计算，得出出发人口和到达人口的公交车与步行行距比均值分别为1.32和1.28，出发人口和到达人口的公交车与小汽车行时比均值分别为2.13和2.41，绘制的行距比和行时比折线图分别如下图7和图8所示。

除到达人口的行时比，其他到发人口的行距比和行时比分布近似呈现偏态分布，因此，将行时比和行距比大于平均值的基站作为有布设定制公交站点必要的基站。经筛选，其中到达人口1159人，出发人口269人，绘制的有布设定制公交站点必要的到达人口和出发人口基站分布热力图分布如下图9和图10所示。

(4)DBSCAN聚类初步确定可能合乘站点

针对筛选出来的基站及乘车需求量，运用DBSCAN聚类算法对其进行空间聚合，通过对参数的调试，最终确定邻域半径ε取0.006，最小核心对象数MinPts取20，二次聚类邻域半径ε取0.003，最小核心对象数MinPts取30。出发人口聚合出30个可能合乘站点，到达人口聚合出12个可能合乘站点，聚类结果分别如下图11和图12所示。

通过计算各聚类簇的重心点坐标以获取可能合乘站点位置，其空间分布如下图13和图14所示。

(5)确定合乘站点具体位置

最后，基于获取的可能合乘站点位置，结合昆山市实际道路网以及公交站点分布，根据就近原则确定合乘站点具体位置，并通过高德地图获取其经纬度坐标，合乘站点位置修正方法示意图如下图15所示。通过对各可能合乘站点进行位置修正，最终确定的合乘站点分布如下图16和图17所示。

本文使用早晨7:00-7:59时间段内到达昆山站乘高铁出行的旅客作为需求，得到该时间段内的合乘点位置及所需要服务人数如下表所示，下车站点均为昆山站，经纬度为120.963039,31.371382。各合乘站点的编号、位置及服务人数信息如下表所示。

表1合乘站点信息表

本文中所描述的具体实施例仅仅是对本发明精神做举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (8)

1.一种基于手机信令数据的定制公交站点布局方法，其特征在于它包括以下步骤：

S1、确定枢纽站到发人口的OD分布；

S2、考虑各出行方式的优势出行距离结合交通枢纽到发人口的出行特征即手机信令数据覆盖范围综合考虑，筛选有定制公交出行需求的基站；

S3、结合研究区域道路网基础设施水平以及现有公交线网配置情况，设置指标行时比、行距比以及公交步行距离等的合理阈值，筛选出有定制公交必要的基站集作为样本数据集；

S4、运用基于密度的DBSCAN聚类算法聚合合乘站点，初步确定可能合乘站点；

S5、结合路网确定可能合乘站点具体位置。

2.如权利要求1所述的方法，其特征在于步骤S1确定枢纽站到发人口的OD分布，包括以下步骤：

S11、根据手机信令数据中基站经纬度坐标字段，将各手机基站投影到研究区域实际路网上，并结合基站信号辐射范围确定出目标交通枢纽站对应的基站集；

S12、将以交通枢纽站为出行终点的人群定义为出发人口，以交通枢纽站为出行起点的人群定义为到达人口；通过研究分析交通枢纽站到发人口的出行特性以运用规则判别法进行目标交通枢纽站到发人群识别，以及到达人口目的地与出发人口出发地识别；

S13、根据基站分时段对到发人口进行时空汇聚，统计不同时段下到发人口的出行OD分布。

3.如权利要求1所述的方法，其特征在于步骤S2包括以下步骤：

S21、根据居民出行距离分布情况，以交通枢纽基站为圆心，3公里为辐射半径，绘制出的区域以非机动车为主要出行方式，将其称为非机动车直达区域；而且考虑到交通枢纽站周边的公交线网密度较大，因此拟不在此区域内设置定制公交站点；

S22、分别以各手机信号基站为圆心，基站定位精度为辐射半径，绘制出基站覆盖区域；根据各基站覆盖区域与非机动车直达区域之间的空间位置情况，将基站集划分为三类：内含基站，相交基站以及相离基站；其中基站覆盖区域内含于非机动车直达区域的基站为内含基站；基站覆盖区域与非机动车直达区域相交的基站为相交基站；基站覆盖区域与非机动车直达区域外离的基站为相离基站；

S23、根据基站空间位置示意图确定是否有定制公交的出行需求：

内含基站集覆盖范围内的出行者以非机动车为主要出行方式，无定制公交出行需求；

相交基站与非机动车直达区域重叠部分无定制公交出行需求；

相交基站重叠以外的部分存在定制公交的出行需求，基于出行者在基站覆盖范围内均匀分布的假设，定制公交出行需求量D_i：

其中，S_i为第i个基站覆盖范围与非机动车直达区域非重叠部分面积，单位m²；S为基站覆盖范围面积，单位m²；

相离基站，基本无非机动车出行需求，定制公交出行需求量D_i与基站交通出行量V_i成比例。

4.如权利要求3所述的方法，其特征在于

基站点之间的空间距离用经纬度距离公式计算：

式中，d_i：基站i与基站i+1之间的空间距离，单位m；R：地球半径，单位km；lat_i：基站i的维度坐标；lon_i：基站i的经度坐标；

S_i为第i个基站覆盖范围与非机动车直达区域非重叠部分面积，单位m²；通过下式求解：

基站覆盖范围面积S通过下式求解：

其中：r₁：基站覆盖半径，单位m；r₂：非机动车直达区域半径，单位m；d_i：基站i与基站i+1之间的空间距离，单位m；V_i：第i个基站出行交通量。

5.如权利要求1所述的方法，其特征在于S3包括以下步骤：

S31、确定设置公交合成站点必要的基站条件，筛选出现有公交线路直达性较差及公交车站与OD点之间的总步行距离较长的公交线路；

S32、利用Python通过调用高德地图API，根据输入OD点基站的经纬度坐标，获取其公交车、小汽车以及步行三种不同出行方式的可能出行方案，包括出行距离、出行时长以及出行费用信息，其中公交车出行方案还包括O点到公交车站与公交车站到D点的总步行距离以及相关换乘信息；

S33、计算公交与步行出行路线距离长度比即行距比，以及公交与小汽车出行时间比即行时比，以反映出公交线路的直达性；结合案例实际情况设置合理的行时比、行距比以及公交步行距离阈值进行筛选，然后将筛选出的基站集作为有设置定制公交必要的基站集。

6.如权利要求5所述的方法，其特征在于所述行距比通过下式获得：

式中，

基站i的公交车与步行的行距比；

基站i的公交车出行距离，单位m；

基站i的步行出行距离，单位m；

所述行时比通过下式获得：

式中，

基站i的公交车与小汽车的行时比；

基站i的公交车出行时间，单位s；

基站i的小汽车出行时间，单位s。

7.如权利要求1所述的方法，其特征在于S4包括以下步骤：

S41、设有公交定制需求的基站组成的样本数据集D＝(p₁,p₂,...,p_m)，遍历样本数据集D，预设邻域半径ε以及最小核心对象数MinPts，将所有样本点标记为未访问点；

S42、初始化核心对象集合Ω＝φ，初始化聚类簇数k＝0，初始化为访问样本集合Γ＝D，簇划分C＝φ；

S43、对于j＝1,2,...,m，按照如下方法找出所有的核心对象：

a)通过距离度量方式，找到样本P_j的ε邻域子样本集N_ε(x_j)；

b)若子样本集样本个数满足至少有MinPts个对象，则将样本P_j加入核心样本对象样本集合：Ω＝Ω∪{p_j}；

S44、如果核心对象集合Ω＝φ，则算法结束，否则转入步骤S45；

S45、在核心对象集合Ω中，随机选择一个核心对象O,初始化当前簇核心对象队列Ω_cur＝{O}，初始化类别序号k＝k+1，初始化当前簇样本集合C_k＝{O}，更新未访问样本集合Γ＝Γ-{O}；

S46、如果当前簇核心对象队列Ω_cur＝φ，则当前聚类簇C_k生成完毕，更新簇划分C＝{C₁,C₂,...,C_k}，更新核心对象集合Ω＝Ω-C_k，转入步骤S44，否则更新对象集合Ω＝Ω-C_k；

S47、在当前簇核心对象队列Ω_cur中取出一个核心对象O′，通过邻域半径ε找出所有的邻域子样本集N_ε(O′)，令Δ＝N_ε(O′)∩Γ，更新当前簇样本集合C_k＝C_k∪Δ，更新未访问样本集合Γ＝Γ-Δ，更新Ω_cur＝Ω_cur∪(Δ∩Ω)-O′，输出结果C＝{C₁,C₂,...,C_k}，转入步骤S45；

S48、计算出各聚类簇C_i的重心点位置坐标；

S49、分别遍历各聚类簇C＝{C₁,C₂,...,C_k}，计算簇内各点到其重心点的空间距离，将簇内最大距离大于3km的聚类簇记为待修改聚类簇；

S410、重新设置邻域半径ε及最小核心对象数MinPts的取值，并将待修改聚类簇的所有样本点标记为未访问点；

S411、分别对各待修改聚类簇重复步骤S42-S410，至无待修改聚类簇，然后将各聚类簇的重心点坐标作为可能合乘站点。

8.如权利要求1所述的方法，其特征在于S5包括以下步骤：

S51、从节约建设成本和一体化设计的角度考虑，结合研究区域现有公共交通基础设施建设情况，将得到的可能合乘站点匹配到邻近的公交车站；

S52、若如果可能合乘站点邻近的公交车站较远或者没有，则将其匹配到邻近的路段；

S53、最后根据公交车站设计的原则设计定制公交合乘站点。

Images