CN112183891B - 一种基于复杂网络的公交大站快车站点推荐方法 - Google Patents

Abstract

本发明涉及一种基于复杂网络的公交大站快车站点推荐方法，步骤S1：提取公交线路每个站点的上行和下行公交客流集散量；步骤S2：构建有向加权的公交网络模型；采用带权重的PageRank算法计算每个公交站点的重要性程度值；步骤S3：计算每个站点的潜在上车客流及潜在下车客流；将上车客流和下车客流相加，作为每个站点的潜在客流集散量；步骤S4：将站点的客流集散量、重要性程度值及潜在客流集散量分别标准化，利用层次分析法计算各指标的权重，将标准化后的指标加权求和得到综合评分；步骤S5：基于综合评分，结合大站快车站点设置的理念，得到最终的大站快车线路的站点组合。本发明能提高公交对潜在乘客的吸引力。

Description

一种基于复杂网络的公交大站快车站点推荐方法

技术领域

本发明涉及城市公共交通技术领域，具体涉及一种基于复杂网络的公交大站快车站点推荐方法。

背景技术

交通问题一直是影响城市发展的主要瓶颈之一，交通研究者意识到公共交通出行、公交优先是缓解城市拥堵，解决大城市交通问题的重要的手段。公交大站快车是一种越站运行的辅助公交调度形式，能有效地疏散重要站点的乘客，提升公交出行水平，从而缓解城市交通拥堵。公交采用的基本调度形式一般为全程车，即车辆按固定线路从起点发车，沿线每个车站均停靠，并驶完全程。大站快车车辆按计划从线路起点站行驶至终点站，中途有选择性地在部分重要站点进行停靠。设计和研究一种合理的大站快车站点推荐方法具有重要意义。

针对大站快车站点选择，一是许多研究将大站快车的站点设置在客流集散量大、站点不均衡系数较高的全程车站点处。这种方式未考虑公交站点在整个公交网络中的重要性，可能导致一些客流较低但通达性更高的站点被忽略。这不仅会导致城市公交网络的鲁棒性下降，也会降低该线路对换乘客流的吸引力。二是设计大站快车线路时仅考虑单一的公交客流数据，未考虑大站快车运行对出租车客流等潜在客流的影响。

发明内容

有鉴于此，本发明的目的是提供一种基于复杂网络的公交大站快车站点推荐方法，该方法融合公交车、出租车两种客流数据，从全程车线路的站点中挖掘部分重要站点作为大站快车线路的推荐站点，从而在保证城市公交网络鲁棒性的前提下，提高公交对潜在乘客的吸引力。

本发明采用以下方案实现：一种基于复杂网络的公交大站快车站点推荐方法，包括以下步骤：

步骤S1：基于公交客流OD数据和公交线网数据提取出公交线路每个站点的上行和下行公交客流集散量；

步骤S2：基于公交乘客OD数据，构建有向加权的公交网络模型；采用带权重的PageRank算法计算每个公交站点的重要性程度值；

步骤S3：基于出租车客流OD数据和公交线网数据，计算每个站点的潜在上车客流及潜在下车客流；将上车客流和下车客流相加，作为每个站点的潜在客流集散量；

步骤S4：将站点的客流集散量、重要性程度值及潜在客流集散量分别标准化，利用层次分析法计算各指标的权重，将标准化后的指标加权求和得到综合评分；

步骤S5：基于综合评分，结合大站快车站点设置的理念，得到最终的大站快车线路的站点组合。

进一步地，步骤S1中所述提取出公交线路每个站点的上行和下行公交客流集散量的具体内容为：

步骤S11：按照公交线路数据，分别提取上行或下行的公交站点集{s₁,s₂,...,s_i,...,s_n}，s_i为上行或下行方向的第i个公交站点；

步骤S12：结合公交客流数据，计算出每条客流OD的出行方向

上行或下行；

DRCT_OD＝index(s_D)-index(s_O)

其中，index(s_O)为公交线路站点上行方向顺序表的乘客出发站点O点的索引值，index(s_D)为公交线路站点上行方向顺序表的乘客目的站点D点的索引值；DRCT_OD为客流OD的出行方向，DRCT_OD大于0为上行，DRCT_OD小于0为下行；

步骤S13：根据计算得到的客流OD方向进一步将客流OD分为上行OD和下行OD，基于客流上行和下行OD计算每个站点s_i在上行或下行方向的上车和下车人次之和，即为各公交站点的客流集散量；

其中，

为上行或下行站点s_i的客流集散量，

为上行或下行站点s_i上车人数总和，

为上行或下行站点s_i下车人数总和；

进一步地，所述步骤S2具体包括以下步骤：

步骤S21：设公交站点数为N，构建一个N行N列的公交复杂网络客流矩阵M；遍历公交客流数据，统计每个站点对s_i与s_j之间是否存在公交客流，若有，将其客流数量赋值给公交复杂网络客流矩阵M中的S(i,j)；无客流则S(i,j)为0；

其中，N的取值为城市所有公交站点的总和；i,j的取值范围为[1,N]；

步骤S22：计算公交复杂网络客流矩阵M的概率转移矩阵T，即公交复杂网络客流矩阵M的每一个元素除以该元素所在行的所有非零元素的和；将无客流流出的站点所对应行的所有元素赋值为1/N；

其中，

步骤S23：为每个公交站点s_i赋予初始的PageRank值V_i(0)，并满足

迭代计算每个公交站点s_i的PageRank值V_i，计算公式为:

迭代的停止条件为：

最终即得到所有公交站点的重要性程度值，其中公交站点s_i的重要性程度值为V_i；

其中V_i(k)为第k次迭代公交站点s_i的PageRank值；c为阻尼系数，取0.85；公交站点s_j为公交站点s_i的链入站点，即乘客能够通过乘坐公交从s_j到达s_i。

进一步地，所述步骤S3具体包括以下步骤：

步骤S31：基于步骤S1中提取的上行或下行的公交线路站点集{s₁,s₂,...,s_i,...,s_n}，遍历所有出租车客流OD对，若出租车客流OD的上车点到公交线路上行或下行站点集中站点s_i的距离在设置的阈值内，阈值范围为100m—500m，则该出租车OD对的上车点则标记为s_i的公交站点名称，删除其余未标记的出租车OD对；

步骤S32：遍历所有出租车客流OD对，若出租车客流OD的下车点到公交线路上行或下行站点集中站点s_i的距离在阈值内，则该出租车OD对的下车点则标记为s_i的公交站点名称，删除其余未标记的出租车客流OD对；

步骤S33：删除潜在客流中上车和下车所对应的公交站点对为相邻公交站点对；

步骤S34：基于公交线路上行的站点顺序，结合出租车客流OD对上车点和下车点所标记的公交站点名称，计算每对出租车客流OD对的出行方向，其中上行方向的出租车客流OD对为第i路公交上行方向的潜在客流，下行方向的出租车客流OD对为第i路公交下行方向的潜在客流；

步骤S35：基于得到上行或下行的潜在客流，统计上行或下行每个公交站点s_i的潜在上车客流及潜在下车客流，求和得到上行或下行每个公交站点s_i的潜在客流集散量。

进一步地，所述步骤S4具体包括以下步骤：

步骤S41：对步骤S1、S2、S3中得到的公交站点客流集散量、重要性程度值及潜在客流集散量分别进行离差标准化，第i个公交站点的第e个标准化后的指标值为q_e(i)，使结果值均映射到[0,1]之间，公式如下：

其中，x_n为x标准化后的值；Min和Max分别为所有公交站点单个指标中的最小值和最大值；

步骤S42：采用层次分析法(AHP)确定各指标的权重；

构建多因素大站快车站点推荐的层次结构模型；所述模型分为三层，分别为目标层、准则层、方案层；首先确定目标层的总目标为推荐合适的大站快车站点组合，确定准则层的因素为步骤S1、S2、S3中得到的公交站点客流集散量、重要性程度值及潜在客流集散量三个指标，确定方案层为所有公交站点的组合。

多因素大站快车站点推荐的层次结构模型的准则层有3个因素，根据各个指标之间的相互关系按照9段标度法构造成对比较矩阵；

矩阵元素a_ij，i＝1…3，j＝1…3表示第i个因素相对于第j个因素的比较结果；对成对比较矩阵计算最大特征值及对应的特征向量进行一致性检验；若不满足一致性检验，判断成对比较矩阵中的值是否存在错误，若存在错误，修正后再次进行一致性检验；若不存在错误，则对成对比较矩阵中的值进行微调，使成对比较矩阵满足一致性，如果一次修正仍不能通过一致性检验，再次执行这个过程，直到成对比较矩阵满足一致性检验条件；在成对比较矩阵满足一致性检验的条件下，最大特征值对应的特征向量即为各因素的权重，至此得到各指标的权重为W＝{w₁,w₂,w₃}；

步骤S43：每个站点的综合评分G＝{g₁，g₂，...，g_n}

由标准化后的指标加权求和得到，公式如下：

式中g_i表示i个公交站点的综合评分；n表示指标的个数；

w_e表示第e个指标的权重；q_e(i)表示第i个公交站点的第e个标准化后的指标值。

进一步地，所述步骤S5具体包括以下步骤：

步骤S51：初始化大站快车站点组合RBS_i(d)＝{}加入第i条公交线路的首末站；其中i表示线路编号；d为上下行方向，0表示上行，1表示下行；

步骤S52：计算第i条公交线路上行或下行方向需要推荐的大站快车站点个数除首末站，公式如下：

其中，Num_i(d)要向上取整，表示第i条公交线路上行或下行方向需要推荐的大站快车站点个数，L_i(d)为第i条公交线路上行/下行方向的线路长度，单位km；

步骤S53：将第i条公交线路上行或下行方向所有公交站点除首末站按照综合评分排序，取排名前Num_i(d)个公交站点加入RBS_i(d)，当前的RBS_i(d)即为第i条公交线路上行或下行方向的推荐大站快车站点组合。

与现有技术相比，本发明具有以下有益效果：

1、本发明在推荐大站快车站点时考虑了每个站点在城市公交网络的重要性，能够在运行大站快车的情况下尽可能保证城市公交网络的鲁棒性。

2、本发明在推荐大站快车站点时，综合考虑了公交车和出租车两种数据，能够挖掘公交站点附近的潜在客流，尽可能让出行者乘坐公交出行，缓解现有的交通问题。

附图说明

图1为本发明实施例的方法流程图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

如图1所示，本实施例提供一种基于复杂网络的公交大站快车站点推荐方法，包括以下步骤：

步骤S1：基于公交客流OD数据和公交线网数据提取出公交线路每个站点的上行和下行公交客流集散量；

步骤S2：基于公交乘客OD数据，构建有向加权的公交网络模型；采用带权重的PageRank算法计算每个公交站点的重要性程度值；

步骤S3：基于出租车客流OD数据和公交线网数据，计算每个站点的潜在上车客流及潜在下车客流；将上车客流和下车客流相加，作为每个站点的潜在客流集散量；

步骤S4：将站点的客流集散量、重要性程度值及潜在客流集散量分别标准化，利用层次分析法计算各指标的权重，将标准化后的指标加权求和得到综合评分；

步骤S5：基于综合评分，结合大站快车站点设置的理念，得到最终的大站快车线路的站点组合。

在本实施例中，步骤S1中所述提取出公交线路每个站点的上行和下行公交客流集散量的具体内容为：

步骤S11：按照公交线路数据，分别提取上行或下行的公交站点集{s₁,s₂,...,s_i,...,s_n}，s_i为上行或下行方向的第i个公交站点；

步骤S12：结合公交客流数据，计算出每条客流OD的出行方向

上行或下行；

DRCT_OD＝index(s_D)-index(s_O)

其中，index(s_O)为公交线路站点上行方向顺序表的乘客出发站点O点的索引值，index(s_D)为公交线路站点上行方向顺序表的乘客目的站点D点的索引值；DRCT_OD为客流OD的出行方向，DRCT_OD大于0为上行，DRCT_OD小于0为下行；

步骤S13：根据计算得到的客流OD方向进一步将客流OD分为上行OD和下行OD，基于客流上行和下行OD计算每个站点s_i在上行或下行方向的上车和下车人次之和，即为各公交站点的客流集散量；

其中，

为上行或下行站点s_i的客流集散量，

为上行或下行站点s_i上车人数总和，

为上行或下行站点s_i下车人数总和；

在本实施例中，所述步骤S2具体包括以下步骤：

步骤S21：令公交站点数为N，构建一个N行N列的公交复杂网络客流矩阵M；遍历公交客流数据，统计每个站点对s_i与s_j之间是否存在公交客流，若有，将其客流数量赋值给公交复杂网络客流矩阵M中的S(i,j)；无客流则S(i,j)为0；

其中，N的取值为城市所有公交站点的总和；i,j的取值范围为[1,N]；网络客流矩阵M的概率转移矩阵T，即公交复杂网络客流矩阵M的每一个元素除以该元素所在行的所有非零元素的和；将无客流流出的站点所对应行的所有元素赋值为1/N；

其中，

步骤S23：为每个公交站点s_i赋予初始的PageRank值V_i(0)，并满足

迭代计算每个公交站点s_i的PageRank值V_i，计算公式为:

迭代的停止条件为：

最终即得到所有公交站点的重要性程度值，其中公交站点s_i的重要性程度值为V_i；

其中V_i(k)为第k次迭代公交站点s_i的PageRank值；c为阻尼系数，取0.85；公交站点s_j为公交站点s_i的链入站点，即乘客能够通过乘坐公交从s_j到达s_i。

在本实施例中，所述步骤S3具体包括以下步骤：

步骤S31：基于步骤S1中提取的上行或下行的公交线路站点集{s₁,s₂,...,s_i,...,s_n}，遍历所有出租车客流OD对，若出租车客流OD的上车点到公交线路上行或下行站点集中站点s_i s_i的距离在设置的阈值内，阈值可根据不同需求在100m—500m内选取，则该出租车OD对的上车点则标记为s_i的公交站点名称，删除其余未标记的出租车OD对；

步骤S32：遍历所有出租车客流OD对，若出租车客流OD的下车点位于公交线路上行或下行站点集中任意站点s_i s_i的距离在设置的阈值内，(阈值同步骤S31)，该出租车OD对的下车点则标记为s_i的公交站点名称，删除其余未标记的出租车客流OD对；

步骤S33：删除潜在客流中上车和下车所对应的公交站点对为相邻公交站点对；

步骤S34：基于公交线路上行的站点顺序，结合出租车客流OD对上车点和下车点所标记的公交站点名称，计算每对出租车客流OD对的出行方向，出行方向的计算方法已在S1中给出。其中上行方向的出租车客流OD对为第i路公交上行方向的潜在客流，下行方向的出租车客流OD对为第i路公交下行方向的潜在客流；

步骤S35：基于得到上行或下行的潜在客流，统计

步骤S22：计算公交复杂上行或下行每个公交站点s_i的潜在上车客流及潜在下车客流，求和得到上行或下行每个公交站点s_i的潜在客流集散量。

在本实施例中，所述步骤S4具体包括以下步骤：

步骤S41：对步骤S1、S2、S3中得到的公交站点客流集散量、重要性程度值及潜在客流集散量分别进行离差标准化，第i个公交站点的第e个标准化后的指标值为q_e(i)，使结果值均映射到[0,1]之间，公式如下：

其中，x_n为x标准化后的值；Min和Max分别为所有公交站点单个指标中的最小值和最大值；

步骤S42：采用层次分析法(AHP)确定各指标的权重；

构建多因素大站快车站点推荐的层次结构模型；模型分为三层，分别为目标层、准则层、方案层。首先确定目标层的总目标为推荐合适的大站快车站点组合，确定准则层的因素为步骤S1、S2、S3中得到的公交站点客流集散量、重要性程度值及潜在客流集散量三个指标，确定方案层为所有公交站点的组合。

多因素大站快车站点推荐的层次结构模型的准则层有3个因素，根据各个指标之间的相互关系按照9段标度法构造成对比较矩阵；

矩阵元素a_ij，i＝1…3，j＝1…3表示第i个因素相对于第j个因素的比较结果；对成对比较矩阵计算最大特征值及对应的特征向量进行一致性检验；若不满足一致性检验，判断成对比较矩阵中的值是否存在错误，若存在错误，修正后再次进行一致性检验；若不存在错误，则对成对比较矩阵中的值进行微调，使成对比较矩阵满足一致性，如果一次修正仍不能通过一致性检验，再次执行这个过程，直到成对比较矩阵满足一致性检验条件；在成对比较矩阵满足一致性检验的条件下，最大特征值对应的特征向量即为各因素的权重，至此得到各指标的权重为W＝{w₁,w₂,w₃},w_e表示第e个指标的权重；

步骤S43：每个站点的综合评分G＝{g₁，g₂，...，g_n}

由标准化后的指标加权求和得到，公式如下：

式中g_i表示i个公交站点的综合评分；n表示指标的个数；

w_e表示第e个指标的权重；q_e(i)表示第i个公交站点的第e个标准化后的指标值。

在本实施例中，所述步骤S5具体包括以下步骤：

步骤S51：初始化大站快车站点组合RBS_i(d)＝{}加入第i条公交线路的首末站；其中i表示线路编号；d为上下行方向，0表示上行，1表示下行；

步骤S52：计算第i条公交线路上行或下行方向需要推荐的大站快车站点个数除首末站，公式如下：

其中，Num_i(d)要向上取整，表示第i条公交线路上行或下行方向需要推荐的大站快车站点个数，L_i(d)为第i条公交线路上行/下行方向的线路长度，单位km；

步骤S53：将第i条公交线路上行或下行方向所有公交站点除首末站按照综合评分排序，取排名前Num_i(d)个公交站点加入RBS_i(d)，当前的RBS_i(d)即为第i条公交线路上行或下行方向的推荐大站快车站点组合。

较佳的，在本实施例中，

实例以厦门市为研究区域，使用的实验数据包括：厦门市公交客流数据、出租车客流数据以及公交线网数据。大站快车站点推荐以厦门市118路公交(红星美凯龙总站到轮渡公交场站方向)为例，共39个公交站点，轮渡公交场站到红星美凯龙总站方向的实施方法以及其他公交线路的方法均与本实施例一致。

实例使用的公交车客流数据和出租车客流数据的时间范围均为2015年6月13日至2015年6月26日。公交客流数据为公交客流OD(起讫点)数据，由公交IC卡数据和公交车GPS轨迹数据经过预处理、公交乘客上车点推算、下车点推算等流程得到。出租车客流数据为出租车客流OD(起讫点)数据，由出租车GPS轨迹数据通过载客状态的变化推算得到。公交线网数据包括公交线路与公交站点的关系以及站点的位置等。

在本实施例中，步骤S2：基于公交线网数据提取118路公交(红星美凯龙总站到轮渡公交场站方向)的公交站点集{s₁,s₂,...,s_n}，从公交客流数据中筛选出118路的公交客流OD，结合线网数据，计算筛选出来的每条客流OD的出行方向，进一步筛选出红星美凯龙总站到轮渡公交场站方向的公交客流OD，最后计算118路公交(红星美凯龙总站到轮渡公交场站方向)每个公交站点s_i的客流集散量。

在本实施例中，步骤S3：构建有向加权的公交网络模型，计算每个公交站点的重要性程度值。

(1)基于公交站点数N，构建一个N行N列的公交复杂网络客流矩阵M；遍历公交客流数据，统计每个站点对s_i与s_j之间是否存在公交客流，若有，将其客流数量赋值给公交复杂网络客流矩阵M中的S(i,j)；无客流则S(i,j)为0；

其中，N的取值为城市所有公交站点的总和；i,j的取值范围为[1,N]；

(2)计算公交复杂网络客流矩阵M的概率转移矩阵T，即公交复杂网络客流矩阵M的每一个元素除以该元素所在行的所有非零元素的和；将无客流流出的站点所对应行的所有元素赋值为1/N；

其中，

(3)为每个公交站点s_i赋予初始的PageRank值V_i(0)，并满足

迭代计算每个公交站点s_i的PageRank值V_i，计算公式为:

迭代的停止条件为：

最终即得到所有公交站点的重要性程度值，其中公交站点s_i的重要性程度值为V_i；

其中V_i(k)为第k次迭代公交站点s_i的PageRank值；c为阻尼系数，一般取0.85；公交站点s_j为公交站点s_i的链入站点，即乘客可以通过乘坐公交从s_j到达s_i。

在本实施例中，步骤S4：基于118路(红星美凯龙总站到轮渡公交场站方向)线路数据以及出租车客流OD数据，计算每个公交站点的潜在客流集散量。

(1)基于实施例步骤S2中提取的118路公交线路(红星美凯龙总站到轮渡公交场站方向)站点集{s₁,s₂,...,s_i,...,s_n}，遍历所有出租车客流OD对，若出租车客流OD的上车点到公交线路上行或下行站点集中站点s_i的距离在设置的阈值内，阈值设置为100m—500m，该出租车OD对的上车点则标记为s_i的公交站点名称，删除其余未标记的出租车OD对；(2)在提取的出租车客流OD对中，遍历所有出租车客流OD对，若出租车客流OD的下车点到公交线路站点集中站点s_i的距离在设置的阈值内，该出租车OD对的下车点则标记为s_i的公交站点名称，删除其余未标记的出租车客流OD对；

(3)删除118路公交线路(红星美凯龙总站到轮渡公交场站方向)潜在客流中上车和下车所对应的公交站点对为相邻公交站点对；

(4)按照118路公交线路(红星美凯龙总站到轮渡公交场站方向)的站点顺序，结合出租车客流OD对的出行方向，计算每对出租车客流OD对的出行方向，其中上行方向的出租车客流OD对为118路公交线路(红星美凯龙总站到轮渡公交场站方向)的潜在客流。

(5)基于得到的潜在客流，统计118路公交线路(红星美凯龙总站到轮渡公交场站方向)每个公交站点s_i的潜在上车客流及潜在下车客流，求和得到每个公交站点s_i的潜在客流集散量。

在本实施例中，步骤S5：计算118路公交线路(红星美凯龙总站到轮渡公交场站方向)公交站点加权值。

(1)对各个指标进行离差标准化，第i个公交站点的第e个标准化后的指标值为e，使结果值均映射到[0,1]之间，公式如下：

其中，x_n为x标准化后的值；Min和Max分别为所有公交站点单个指标中的最小值和最大值；

(2)采用层次分析法(AHP)确定各指标的权重

构建多因素大站快车站点推荐的层次结构模型；模型分为三层，分别为目标层、准则层、方案层。首先确定目标层的总目标为推荐合适的大站快车站点组合，确定准则层的因素为步骤S1、S2、S3中得到的公交站点客流集散量、重要性程度值及潜在客流集散量三个指标，确定方案层为所有公交站点的组合。准则层有3个因素，根据各个指标之间的相互关系按照9段标度法构造成对比较矩阵。

矩阵元素a_ij，i＝1…3，j＝1…3表示第i个因素相对于第j个因素的比较结果；取值参考依据如下：

对成对比较矩阵计算最大特征值及对应的特征向量进行一致性检验；若不满足一致性检验，判断成对比较矩阵中的值是否存在错误，若存在错误，修正后再次进行一致性检验；若不存在错误，则对成对比较矩阵中的值进行微调，使成对比较矩阵满足一致性，如果一次修正仍不能通过一致性检验，再次执行这个过程，直到成对比较矩阵满足一致性检验条件；在成对比较矩阵满足一致性检验的条件下，最大特征值对应的特征向量即为各因素的权重，至此得到各指标的权重为W＝{w₁,w₂,w₃}；

(3)每个站点的综合评分G＝{g₁，g₂，...，g_n}由标准化后的指标加权求和得到，公式如下：

式中g_i表示i个公交站点的综合评分；n表示指标的个数；

w_e表示第e个指标的权重；q_e(i)表示第i个公交站点的第e个标准化后的指标值。

在本实施例中，步骤S6：得到最终的大站快车线路的站点组合。

(1)初始化大站快车站点组合RBS_i(d)＝{}加入118路公交线路(红星美凯龙总站到轮渡公交场站方向)的首末站。其中i表示线路编号；d为上下行方向，0表示上行，1表示下行。

(2)计算118路公交线路(红星美凯龙总站到轮渡公交场站方向)需要推荐的大站快车站点个数(除首末站)，公式如下：

其中，Num_i(d)要向上取整，表示第i条公交线路上行或下行方向需要推荐的大站快车站点个数，L_i(d)为第i条公交线路上行/下行方向的线路长度，单位km；

(3)将118路公交线路(红星美凯龙总站到轮渡公交场站方向)所有公交站点(除首末站)按照综合评分排序，取排名前Num_i(d)个公交站点加入RBS_i(d)，当前的RBS_i(d)即为118路公交线路(红星美凯龙总站到轮渡公交场站方向)的推荐大站快车站点组合。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (3)

1.一种基于复杂网络的公交大站快车站点推荐方法，其特征在于，包括以下步骤：

步骤S1：基于公交客流OD数据和公交线网数据提取出公交线路每个站点的上行和下行公交客流集散量；

步骤S2：基于公交客流OD数据，构建有向加权的公交网络模型；采用带权重的PageRank算法计算每个公交站点的重要性程度值；

步骤S3：基于出租车客流OD数据和公交线网数据，计算每个站点的潜在上车客流及潜在下车客流；将上车客流和下车客流相加，作为每个站点的潜在客流集散量；

步骤S4：将站点的公交客流集散量、重要性程度值及潜在客流集散量分别标准化，利用层次分析法计算各指标的权重，将标准化后的指标加权求和得到综合评分；

步骤S5：基于综合评分，结合大站快车站点设置的理念，得到最终的大站快车线路的站点组合；

步骤S1中所述提取出公交线路每个站点的上行和下行公交客流集散量的具体内容为：

步骤S11：按照公交线路数据，提取上行或下行的公交站点集{s₁,s₂,...,s_i,...,s_n}，s_i为上行或下行方向的第i个公交站点；

步骤S12：结合公交客流OD数据，计算出每条公交客流OD数据的出行方向上行或下行；

DRCT_OD＝index(s_D)-index(s_O)

其中，index(s_O)为公交线路站点上行方向顺序表的乘客出发站点O点的索引值，index(s_D)为公交线路站点上行方向顺序表的乘客目的站点D点的索引值；DRCT_OD为客流OD的出行方向，DRCT_OD大于0为上行，DRCT_OD小于0为下行；

步骤S13：根据计算得到的客流OD方向将客流OD分为上行OD和下行OD，基于客流上行OD和下行OD计算每个站点s_i在上行或下行方向的上车和下车人次之和，即为各站点的公交客流集散量；

其中，

为上行或下行站点s_i的客流集散量，

为上行或下行站点s_i上车人数总和，

为上行或下行站点s_i下车人数总和；

所述步骤S2具体包括以下步骤：

步骤S21：设公交站点数为N，构建一个N行N列的公交复杂网络客流矩阵M；遍历公交客流OD数据，统计每个站点对s_i与s_j之间是否存在公交客流，若有，将其客流数量赋值给公交复杂网络客流矩阵M中的S(i,j)；无客流则S(i,j)为0；

其中，i,j的取值范围为[1,N]；

步骤S22：计算公交复杂网络客流矩阵M的概率转移矩阵T，即公交复杂网络客流矩阵M的每一个元素除以该元素所在行的所有非零元素的和；将无客流流出的站点所对应行的所有元素赋值为1/N；

步骤S23：为每个公交站点s_i赋予初始的PageRank值V_i(0)，并满足

迭代计算每个公交站点s_i的PageRank值V_i，计算公式为:

迭代的停止条件为：

最终即得到所有公交站点的重要性程度值，其中公交站点s_i的重要性程度值为V_i；

其中，V_i(k)为第k次迭代公交站点s_i的PageRank值；c为阻尼系数，取0.85；公交站点s_j为公交站点s_i的链入站点，即乘客通过乘坐公交从s_j到达s_i；

所述步骤S4具体包括以下步骤：

步骤S41：对步骤S1、S2、S3中得到的站点公交客流集散量、重要性程度值及潜在客流集散量分别进行离差标准化，值均映射到[0,1]之间，公式如下：

其中，x_n为x标准化后的值；Min和Max依次为所有公交站点单个指标中的最小值和最大值；

步骤S42：采用层次分析法确定各指标的权重；

构建多因素大站快车站点推荐的层次结构模型；所述层次结构模型分为三层，分别为目标层、准则层和方案层；首先确定目标层的总目标为推荐合适的大站快车站点组合，确定准则层的因素为步骤S1、S2、S3中得到的站点公交客流集散量、重要性程度值及潜在客流集散量，确定方案层为所有公交站点的组合；

多因素大站快车站点推荐的准则层有三个指标，根据各个指标之间的相互关系按照9段标度法构造成对比较矩阵；

矩阵元素a_pq表示第p个因素相对于第q个因素的比较结果，p＝1…3，q＝1…3；对成对比较矩阵计算最大特征值及对应的特征向量进行一致性检验；若不满足一致性检验，判断成对比较矩阵中的值是否存在错误，若存在错误，修正后再次进行一致性检验；若不存在错误，则对成对比较矩阵中的值进行微调，使成对比较矩阵满足一致性，如果一次修正仍不能通过一致性检验，再次执行这个过程，直到成对比较矩阵满足一致性检验条件；在成对比较矩阵满足一致性检验的条件下，最大特征值对应的特征向量即为各因素的权重，至此得到各指标的权重为W＝{w₁,w₂,w₃}；

步骤S43：每个站点的综合评分G＝{g₁，g₂，...，g_n}；

由标准化后的指标加权求和得到，公式如下：

式中，g_i表示i个公交站点的综合评分；n表示指标的个数；

w_e表示第e个指标的权重；q_e(i)表示第i个公交站点的第e个标准化后的指标值。

2.根据权利要求1所述的一种基于复杂网络的公交大站快车站点推荐方法，其特征在于，所述步骤S3具体包括以下步骤：

步骤S31：基于步骤S1中提取的上行或下行的公交站点集{s₁,s₂,...,s_i,...,s_n}，遍历所有出租车客流OD数据，若出租车客流OD数据的上车点到公交线路上行或下行站点集中站点s_i的距离在设置的阈值内，阈值范围为100m—500m，则出租车客流OD数据的上车点则标记为s_i的公交站点名称，删除其余未标记的出租车客流OD数据；

步骤S32：遍历所有出租车客流OD数据，若出租车客流OD数据的下车点到公交线路上行或下行站点集中站点s_i的距离在阈值内，则出租车客流OD数据的下车点则标记为s_i的公交站点名称，删除其余未标记的出租车客流OD数据；

步骤S33：删除潜在客流中上车和下车所对应的公交站点对为相邻公交站点对；

步骤S34：基于公交线路上行的站点顺序，结合出租车客流OD数据上车点和下车点所标记的公交站点名称，计算每对出租车客流OD数据的出行方向；其中上行方向的出租车客流OD数据为第i个公交站点上行方向的潜在客流，下行方向的出租车客流OD数据为第i个公交站点下行方向的潜在客流；

步骤S35：基于得到上行或下行的潜在客流，统计上行或下行每个公交站点s_i的潜在上车客流及潜在下车客流，求和得到上行或下行每个公交站点s_i的潜在客流集散量。

3.根据权利要求1所述的一种基于复杂网络的公交大站快车站点推荐方法，其特征在于，所述步骤S5具体包括以下步骤：

步骤S51：初始化大站快车站点组合RBS_m(d)＝{}加入第m条公交线路的首末站；其中m表示线路编号；d为上下行方向，0表示上行，1表示下行；

步骤S52：计算第m条公交线路除首末站外上行或下行方向需要推荐的大站快车站点个数，公式如下：

其中，Num_m(d)要向上取整，表示第m条公交线路上行或下行方向需要推荐的大站快车站点个数，L_m(d)为第m条公交线路上行或下行方向的线路长度，单位km；

步骤S53：将第m条公交线路除首末站外上行或下行方向所有公交站点按照综合评分排序，取排名前Num_m(d)个公交站点加入RBS_m(d)，当前的RBS_m(d)即为第m条公交线路上行或下行方向的推荐大站快车站点组合。

Images