CN113361885B - 一种基于多源数据的双目标城市公交效益评价方法 - Google Patents
一种基于多源数据的双目标城市公交效益评价方法 Download PDFInfo
- Publication number
- CN113361885B CN113361885B CN202110589274.9A CN202110589274A CN113361885B CN 113361885 B CN113361885 B CN 113361885B CN 202110589274 A CN202110589274 A CN 202110589274A CN 113361885 B CN113361885 B CN 113361885B
- Authority
- CN
- China
- Prior art keywords
- bus
- station
- data
- time
- demand
- 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
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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
- G06Q10/0631—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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于多源数据的双目标城市公交效益评价方法，包括以下步骤：1)定义供需匹配程度与时空资源占用指数两个评价指标；2)通过公交站点经纬度数据、公交GPS轨迹数据和IC卡刷卡数据提取乘客出行需求并获取车辆到站时刻表；3)根据乘客出行需求与车辆到站时刻表分别计算得到供需匹配程度与时空资源占用指数；4)构建双目标公交效益评价体系结合供需与时空资源角度评价公交效益。与现有技术相比，本发明具有同时考虑时空维度和供需平衡，将公交系统和道路系统有效联系起来等优点。
Description
技术领域
本发明涉及公交运营评价领域，尤其是涉及一种基于多源数据的双目标城市公交效益评价方法。
背景技术
随着国民经济的快速增长、人均生活水平不断提高，居民出行需求也不断增加，现有的道路资源难以满足快速增长的交通出行需求，交通供需矛盾逐渐加剧，造成道路交通压力剧增，交通污染加重，为了实现可持续发展，优先发展公共交通成为了世界各国的共识，其中地面公交成为了城市居民基本出行的基础支撑。
现有的地面公交系统大多采用固定发车间隔、单一车型、站站停的运营模式，相对固定的运能供给难以满足随机波动时变的居民出行需求，这样就带来了一系列的问题：
高峰时段公交超载严重，部分公交线路高峰时段车辆满载率高于180％，乘客出行体验差、出行安全系数低；平峰时段车辆大量空驶，造成车辆运力和道路时空资源的严重浪费。对这一现象进行准确量化，发现运营方案存在的问题，是对其进行改善和优化的基础，也是城市公交系统建设和升级的决策依据。
现有的评价指标体系大多采用系统服务水平评价指标，如车辆延误、行驶速度、站点换乘系数、行程时间、满载率等，缺乏对供需平衡的度量，且大多评价指标仅局限于时间维度，难以衡量城市路网的时空资源占用情况，在体系构建方面，评价系统指标繁多，指标间权重的确定受到人主观因素的影响较大，缺乏基于客观有效的评价系统，因此针对供需匹配和时空资源利用的精准、可用的评价体系急需建立。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于多源数据的双目标城市公交效益评价方法。
本发明的目的可以通过以下技术方案来实现：
一种基于多源数据的双目标城市公交效益评价方法，包括以下步骤：
1)定义供需匹配程度与时空资源占用指数两个评价指标；
2)通过公交站点经纬度数据、公交GPS轨迹数据和IC卡刷卡数据提取乘客出行需求并获取车辆到站时刻表；
3)根据乘客出行需求与车辆到站时刻表分别计算得到供需匹配程度与时空资源占用指数；
4)构建双目标公交效益评价体系结合供需与时空资源角度评价公交效益。
所述的供需匹配程度用以描述出行需求与公交运力的匹配程度，所述的时空资源占用指数用以描述公交系统对于设施资源的占用程度。
所述的供需匹配程度指标SDMI的计算式为：
SDGap＝Demand-Supply
其中，Demand为运力供给，即单位时间通过区段的公交车载客量，Supply表示运力需求，即单位时间内区段的需求人次，SDGap为供需匹配差值。
所述的时空资源占用指数STOI的计算式为：
其中，D为路段长度，W为车道宽度，l为车长，n为实际载客人数，v为平均行驶车速。
对于公交车，考虑到公交车具有进出站和停站的驾驶行为，公交车的时空占用指数STOIbus计算式为：
其中，vbus为公交车平均行驶车速，lbus为公交车车长，nbus为公交车实际载客人数，γ为平均站间距，tdwell为公交车每次停站的平均停站时间。
所述的步骤2)具体包括以下步骤：
21)通过公交站点经纬度数据计算站点间距；
22)基于公交站点经纬度数据，根据公交轨迹GPS数据获得车辆到离站时刻表和车辆行驶速度，所述的车辆到离站时刻表包含车辆到站时刻、车辆离站时刻和车辆停车时长数据；
23)基于公交站点经纬度数据和公交到离站时刻表，通过公交IC卡数据获得居民公交出行需求分布，进而获得车辆的实际载客人数。
所述的步骤22)中，公交轨迹GPS数据分别经过原始数据清洗、ArcGIS路网轨迹纠偏、公交行驶方向匹配和轨迹站点匹配后，获得车辆到离站时刻表。
所述的步骤23)中，对于公交IC卡数据处理具体包括上车站点匹配和下车站点匹配，对于上车站点匹配，具体为：
根据车辆到站时刻表，利用时间序列相似性，将车辆到站时刻表与POS机刷卡时刻表进行匹配，获取车牌号与POS机的对应关系，并以时间戳为依据，将乘客的IC卡刷卡记录与到站时刻表进行对应，获取乘客的上车站点；
对于下车站点匹配，采用基于乘客出行特性和基于出行概率分布的下车站点识别。
基于乘客出行特性的下车站点识别具体包括以下步骤：
2301)站点配对：根据站点经纬度获得每条线路在不同方向站点在其他线路上的最近站点；
2302)IC卡分组排序：提取乘客在一天或多天内有多条刷卡记录的数据，按卡号分组后依时间排序；
2303)下车站点识别：对于有多于2条数据的乘客，提取其刷卡数据，并依次读取相邻两行数据，获取第一行和最后一行出行数据的下车站点；
对于存在多条刷卡记录且无法通过出行链规律判断的数据，采用基于出行概率分布进行下车站点识别，具体包括以下步骤：
2311)统计线路全天各站点上车人数与线路上车总人数，根据全天上车站点推算结果，计算站点i的下车吸引率αi，则有：
2312)根据线路各站点的下车吸引率αi，计算全天在该站点的总下车概率βj，则有：
2313)针对所有在站点i上车的乘客，依概率随机分配下车站点j，在站点j下车的概率为γij，则有：
其中，Ci′为距站点i最近的另一方向站点i′全天上车的乘客人数，m为该线路方向站点总数，m′为该线路另一方向站点总数。
所述的步骤3)中，在双目标公交效益评价体系中，SDMI指标值越小表明舒适度越高，STOI指标值越大表明资源利用效率越高，分别取SDMI指标值升序及 STOI指标值降序的15％、35％、65％及85％分位数作为单一指标的评级阈值，对应的双目标评价阈值表具体为：
与现有技术相比，本发明具有以下优点：
(1)提出了新指标，即供需匹配指数、时空资源占用指数：
本发明提出了供需匹配指数这一新指标，创造性地从供需平衡角度对公交系统运能供给进行评价，从根源上对公交系统中最根本的供需矛盾进行直接量化，并且还提出了时空资源占用指数这一新指标，创造性地把现有的时间维度评价扩展到了时空维度，能够准确量化道路时空资源的浪费，将公交系统和道路系统有效联系在一起，同时基于对指标公式的理论分析和推导，能够证明本发明提出的新指标满足不同空间粒度与时间粒度下指标的可加性，具有理论和实际意义。
(2)提出了新体系，即双目标公交效益评价体系：
本发明基于两个指标之间的内在关系，建立了双目标帕累托评价体系，首先，本发明利用帕累托理论，探究Gap与STOI的本质关系，得出二者的最优解应落在帕累托曲线内，并结合实际情况确定其解集，其次，通过理论分析，发现本发明提出的两个指标与公交效率评价的常用指标——系统总行程时间，有着深层次的联系，其中Gap和候车时间基本呈正相关，STOI在某些假设条件下也与行驶时间呈正相关，由此可知，本发明所提出的双目标评价体系能够在直接反映供需匹配和时空资源占用情况的同时，还能间接反映出总行程时间，对现有的公交效益评价体系实现了有效提炼与升级。
附图说明
图1为供需匹配指数指标定义概念图。
图2为Gap-STOI关系曲线(G-S曲线)。
图3为Gap与STOI的帕累托最优情况。
图4为公交GPS数据处理流程。
图5为上车站点识别流程。
图6为下车站点识别流程。
图7为GPS轨迹纠偏流程。
图8为站点匹配流程。
图9为该线路全天SDMI分布情况。
图10为该线路全天STOI分布情况。
图11为案例线路SDMI及STOI真实分布。
图12为案例公交线路SDMI及STOI累积频率。
图13为双目标评价阈值划分图。
图14为时空占用指数计算示意图。
图15为本发明实施例的方法流程图。
具体实施方式
下面结合实施例与说明书附图对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
本发明提供一种基于多源数据的双目标城市公交效益评价方法，首先，定义供需匹配程度与时空资源占用指数两个指标，并构建供需匹配差值与时空资源占用指数的帕累托关系曲线；其次，通过公交GPS轨迹数据、IC卡刷卡数据提取乘客出行需求并计算车辆停站时刻表获取行程时间、停车时间等数据；之后，利用乘客出行需求与车辆停站时刻表计算供需匹配程度与时空资源占用指数；最后，利用指标帕累托曲线与指标阈值对公交效益进行评价。
本发明的具体步骤如下：
一、建立双目标公交效益体系
(1)指标定义
首先，本发明定义供需匹配差值(Supply-Demand Gap，SD-Gap)为一定时间范围内供给与需求之差，则有：
SDGap＝Demand-Supply
其中，Demand为运力供给，即单位时间通过区段的公交车载客量；Supply表示运力需求，即单位时间内区段的需求人次。为了便于表述，供需匹配差值以下简记为Gap。
为了进一步排除需求绝对数值的影响，并计算定义了供需匹配指数 (Supply-Demand Matching Index，SDMI)，则有：
对于计算线路整体匹配情况，定义线路整体在全时段的供需匹配指数，则有：
其中，i表示区段编号，T为时段。
其次，定义时空占用指数(Space-Time Occupancy Index，STOI)为乘客每次乘车出行过程中对于道路时空资源的占用，用于描述每位乘客单次出行对于道路时空资源的占用量，综合评价时间资源和空间资源的利用程度。
如图14所示，图中的参数符号解释如下，指数定义如下：
表1符号参数说明
则时空占用指数的定义如下：
考虑到公交车具有进出站、停站等驾驶行为，公交车时空占用指数需要将这部分的占用的时空资源纳入计算，则公交车的时空占用指数计算如下：
其中，tdwell为车辆每次停站的平均停站时间，γ为平均站间距，当计算一个时空范围内的所有车辆人均时空占有指数，公式如下：
其中，下标i表示车辆序号，Ncar为时空范围内的车辆总数。
(2)帕累托曲线
本发明提出了双目标公交效益评价体系，用以描述公交系统不同运营状态下供需匹配差值与时空占用资源指数的关系。
图2为Gap-STOI关系图(以下简称“G-S曲线”)，图中纵轴为Gap，横轴为 STOI，经过理论推导，可知Gap与STOI呈负相关关系，Gap随STOI的增大而减小。
图2中Gap大于0的部分表示出行需求大于出行供给，车辆处于超载状态，由其需求特征与供需匹配差值决定了该状态对应的公交时空资源占用指数小，对应实际运营情况案例为高峰时段出行需求大，但具有固定发车间隔、固定运行线路及固定车型等特点的公交系统运能供给相对较少，车辆处于超载状态，公交系统服务水平较低。
图2中Gap等于0表示出行需求等于出行供给，车辆处于满载状态，由其需求特征与供需匹配差值决定了该状态对应的公交时空资源占用指数适中。
图2中Gap小于0的部分表示出行需求小于出行供给，车辆处于空驶状态，由其需求特征与供需匹配差值决定了该状态对应的公交时空资源占用指数大，对应实际运营情况案例为平峰时段出行需求量小，但具有固定发车间隔、固定运行线路及固定车型等特点的公交系统运能供给相对较多，造成车辆空载率较高、运能浪费。
综上所述，Gap小于0时中公交系统通过调整发车间隔，使用不同车型车辆等方式灵活调整运能供给，使得供给与出行需求相匹配，且运能浪费少，而Gap大于0和Gap小于0状态中公交系统发车间隔固定、运行线路固定及车型固定造成调度僵化，总体供给无法随乘客出行需求灵活变化，导致资源浪费与公交服务水平较低等问题。
根据G-S曲线可知，Gap和STOI变化趋势相反，难以同时取得最优，因此该双目标评价体系存在帕累托最优解。
图3中的G-S曲线反映了Gap与STOI的帕累托最优情况，由帕累托最优理论定义，该曲线上所有点均为双目标模型下的帕累托最优解。但考虑到本发明中Gap 的定义，其绝对值趋近于0时在Gap维度上取得最优，所以针对STOI轴及以下部分曲线即Gap≤0时，其支配解为曲线与STOI轴的交点，即Gap＝0的点；针对STOI 轴及以上部分曲线即Gap≥0时，其含义与普通帕累托曲线相同，均为帕累托最优解，因此，在本发明中，G-S曲线的理论最优解为Gap≥0的部分曲线。
但在实际场景中，运能供给受车型限制只能离散变化，因此该双目标问题的可行解空间为离散点的集合，所以在实际解集中，针对Gap≤0的部分曲线，可能无法取得Gap＝0的解，所以这部分曲线的支配解为最靠近STOI轴的点。因此，在实际问题中，G-S曲线的帕累托最优解为Gap≥0的所有解与Gap<0时的最优点。
本发明中，乘客出行需求与车辆时刻表的获取方法介绍如下：
本发明使用公交站点经纬度数据、公交轨迹GPS数据和IC卡刷卡数据，计算 SDMI和STOI指标。首先，通过公交站点经纬度数据计算站点间距，基于公交站点经纬度数据，通过公交轨迹GPS数据获得车辆到离站时刻表(车辆到站时刻、车辆离站时刻和车辆停车时长)、车辆行驶速度。基于公交站点经纬度数据和公交到离站时刻表，通过IC卡数据获得居民公交出行OD分布，进而获得车辆的实际载客人数。
(1)车辆到站时刻表推算
本方法通过公交站点经纬度数据计算站点间距。基于公交站点经纬度数据，通过公交轨迹GPS数据，分别经过原始数据清洗、ArcGIS路网轨迹纠偏、公交行驶方向匹配、轨迹站点匹配和到离站时刻表计算等步骤，获得车辆到离站时刻表(表中数据包括车辆到站时刻、车辆离站时刻和车辆停车时长)、线路平均行程时间表、站点平均停站时长表和站间平均行驶时间表，其具体流程如图4所示。
(2)公交出行需求提取
本发明首先利用公交GPS轨迹数据获取车辆到站时刻表，进而获取乘客上车站点。在此基础上，依据出行链的原理对换乘行为进行识别，通过分析换乘过程，对乘客下车站点进行识别，对于无换乘行为的居民出行，利用概率推断的方式，判断乘客下车站点。
对于上车站点匹配，本发明采用了基于GPS轨迹数据与IC卡数据融合的方法，该方法的核心思想是：首先利用GPS数据推算车辆到站时刻表，并利用时间序列相似性，将车辆到站时刻表与POS机刷卡时刻表进行匹配，获取车牌号与POS机的对应关系。最后，以时间戳为依据，将乘客的IC卡刷卡记录与到站时刻表进行对应，获取乘客的上车站点。
针对下车站点的识别，居民的通勤出行具有很强的规律性，每日的主要出行为在居住地和工作地之间往返，同一天第一次出行的终点往往是当天最后一次出行的起点，因此可以根据这一特性进行下车站点的推算。相关研究表明，公交出行距离服从一定的概率分布。因此，目前公交出行下车站点识别主要采用基于乘客出行特性和基于出行概率分布的下车站点识别两种方法。
本发明的SDMI和STOI指标的计算方法如下：
根据公式分析参与计算的参数，如表2所示。两个指标计算的核心在于行车时刻表(由GPS数据推算)、乘客OD数据(由IC数据推算)以及站点经纬度数据的整合。通过时刻表获得线路供给量、平均停站时间以及平均行驶车速，通过乘客OD数据计算各个时刻的车辆载客数以及各段的需求量。车长、额定载客人数、车道宽度等参数可根据规范和实际情况进行取值。
表2指标计算
本发明的公交效益评价方法具体为：
对于每条公交线路，以各个小时各个区段(公交线路相邻两站点之间称为一个线路区段)的SDMI和STOI进行计算，并将SDMI和STOI分别按升序、降序排列，绘制频数分布直方图与累积频率曲线。
本发明采用百分位法确定分级阈值。在双目标评价体系中，SDMI越小表明舒适度越高，STOI越大表明资源利用效率更高，基于累积频率曲线，分别取SDMI(升序)及STOI(降序)的15％、35％、65％及85％分位数作为单一指标的评级阈值，结合散点分布趋势，取单一指标的阈值交集作为双目标评价体系的评级划分标准，将双目标体系的评价结果划分为“高效/拥挤”、“较高效 /较拥挤”、“正常/一般”、“较低效/较舒适”及“低效/舒适”五个等级，决策者可自行对舒适度和时空资源利用效率进行权衡。
实施例
如图15所示，在本例中，本发明的一种双目标公交效益评价方法，从供需角度入手，综合考虑时间与空间两个维度，提出了供需匹配程度与时空资源占用指数两个核心指标，用以直观表示出行需求与公交运力的匹配程度以及公交系统对于设施资源的占用程度，并提出供需匹配差值与时空资源占用指数的帕累托关系曲线；其次，通过公交GPS数据与IC卡数据进行出行需求的提取与车辆到站时刻表的计算；然后根据居民公交出行需求与车辆到站时刻表对两个指标进行计算；最后，利用上海市已有公交数据对供需匹配程度与时空资源占用指数进行阈值标定，并与计算结果进行比较，从时空资源的角度对公交系统进行评价，确定当前状态下公交系统效益最佳的优化目标，能够供需与时空资源角度评价公交效益，具有广阔的应用前景，由此，本发明具体步骤如下：
一、公交GPS数据处理
第一步：数据清洗
公交GPS异常数据主要包括错误数据和重复数据两类，其中，错误数据进行删除，重复数据需要进行去重。
第二步：轨迹纠偏
由于环境遮挡等外界干扰，GPS定位可能会偏离路网，为了提高数据精度与准确性，本发明使用ArcGIS对GPS数据进行轨迹纠偏，流程如图7所示。
第三步：方向匹配
由于部分城市公交GPS数据不区分上下行，因此首先应进行方向匹配，而后再确定每个方向的公交运行班次，为后续的站点匹配、公交到离站时刻表计算做准备。
第四步：站点匹配
本发明按照最近距离匹配的原则对GPS数据进行站点匹配，用于确定公交车在各个站点的到站和离站时间，为了提升算法的匹配效率，首先采用预匹配算法剔除站点间的GPS数据，然后再进行精确的站点匹配，如图8所示。
第五步：到离站时刻表
根据步骤四可以初步得到公交GPS数据的到站、离站时间表。当轨迹的部分站点信息丢失时，需要估计车辆在该站点的到站和离站时间。当缺失站点数过多时，直接删除该条轨迹；反之则进行平均停站时间和平均行驶时间进行数据填补。
二、公交IC卡数据处理
2.1上车站点匹配
本例中，假设所选公交线路中，乘客均在上车时刷卡，获取上车站点的主要流程有以下三步：
第一步：获取车辆到站时刻表；
第二步：车牌号与POS机号匹配；
由于数据传输可能存在一定的延迟，会导致时间序列存在一定的形变，因此本发明采用动态时间规整(Dynamic Time Warping,DTW)的方法计算时间序列相似性；DTW把两个不同长度的序列进行时间上的“对齐”，用满足一定条件的时间规整函数描述测试模板和参考模板的时间对应关系，求解两模板匹配时累积距离最小所对应的规整函数；
第三步：IC卡记录与到站时刻表匹配
完成POS机与车牌号匹配后，将同一线路同一车辆的IC卡刷卡记录时间与车辆到站离站时刻表进行匹配，匹配规则为IC卡刷卡时间与车辆某一站点的到站时间最近，该站点即为持有该刷卡记录的上车站点。
2.2下车站点匹配
居民的通勤出行具有很强的规律性，每日的主要出行为在居住地和工作地之间往返，同一天第一次出行的终点往往是当天最后一次出行的起点，因此，可以根据这一特性进行下车站点的推算，相关研究表明，公交出行距离服从一定的概率分布。因此，目前公交出行下车站点识别主要采用基于乘客出行特性和基于出行概率分布的下车站点识别两种方法。
方法I：基于乘客出行特性的下车站点识别
第一步：站点配对，根据站点经纬度寻找每条线路不同方向站点在其他线路上的最近站点；
第二步：IC卡分组排序，提取乘客在一天或多天内有多条刷卡记录的数据，按卡号分组后依时间排序；
第三步：下车站点识别，对于有多于2条数据的乘客，提取其刷卡数据，并依次读取相邻两行数据，推算第一行和最后一行出行数据的下车站点；对于有多条刷卡记录但仍无法使用出行链规律判断的数据，则使用方法II，基于出行概率分布进行下车站点识别。
方法II：基于出行概率分布的下车站点识别
首先，统计线路全天各站点上车人数与线路上车总人数，之后根据全天上车站点推算结果，计算站点i的下车吸引率αi：
第二步：下车概率计算
根据线路各站点的下车吸引率αi，计算全天在该站点的总下车概率βj：
针对所有在站点i上车的乘客，依概率随机分配下车站点j，在站点j下车的概率为γij：
三、指标计算：
3.1供需匹配指数
根据公交GPS数据、IC卡刷卡数据处理得到的结果，计算供需匹配差值：
SDGap＝Demand-Supply
其中，Demand为运力供给，即单位时间通过区段的公交车载客量；Supply表示运力需求，即单位时间内区段的需求人次。
为了进一步排除需求绝对数值的影响，计算供需匹配指数(Supply-DemandMatching Index，SDMI)：
计算线路整体匹配情况：
3.2时空资源占用指数
用于描述每位乘客单次出行对于道路时空资源的占用量，其定义为：
公交车时空占用指数计算：
其中，tdwell为车辆每次停站的平均停站时间，γ为平均站间距。
计算一个时空范围内的所有车辆人均时空占有指数：
四、阈值评价：
在实例分析中，使用某市某线路一周的公交运行数据进行验证。通过开源地图OpenStreetMap网站获取城市路网信息，在ArcGIS中使用Python进行地理分析。分别通过建立缓冲区、面域相交分析、去除不在路网上的点、几何更新等操作，完成GPS数据的轨迹纠偏。
分别通过GPS数据处理、IC卡数据处理，得到了所有班次的公交到离站时刻表(表3)，所有班次的车辆总行程时间(表4)、IC卡数据上车站点匹配结果表 (表5)、乘客下车站点推算结果表(表6)等结果。
表3所有班次的公交到离站时刻表
| lineId | vehicleId | dir | tripId | stopId | arriveTime | depaTime | stopTime | travelTime |
| 线路编号 | 车辆编号 | 方向 | 行程编号 | 站点编号 | 到站时间 | 离站时间 | 停站时长 | 站间行驶时间 |
| 56100 | D90121 | 0 | 1 | 1 | 05:52:50 | 05:57:00 | 0:04:10 | 00:07:46 |
| 56100 | D90121 | 0 | 1 | 2 | 06:04:46 | 06:06:07 | 0:01:21 | 00:01:01 |
| 56100 | D90121 | 0 | 1 | 3 | 06:07:08 | 06:07:19 | 0:00:11 | 00:01:12 |
| 56100 | D90121 | 0 | 1 | 4 | 06:08:31 | 06:08:41 | 0:00:10 | 00:02:05 |
| 56100 | D90121 | 0 | 1 | 5 | 06:10:46 | 06:10:56 | 0:00:10 | 00:02:38 |
表4所有班次的车辆总行程时间
| lineId | vehicleId | dir | tripId | startTime | endTime | triptravelTime |
| 线路编号 | 车辆编号 | 方向 | 行程编号 | 开始时间 | 结束时间 | 行程时间 |
| 56100 | D90121 | 0 | 1 | 05:57:00 | 06:56:47 | 00:59:47 |
| 56100 | D96412 | 0 | 2 | 08:19:31 | 09:46:29 | 01:26:58 |
| 56100 | D96412 | 0 | 3 | 10:58:52 | 12:09:49 | 01:10:57 |
| 56100 | D96412 | 0 | 4 | 13:33:28 | 14:38:44 | 01:05:16 |
| 56100 | D96412 | 0 | 5 | 16:04:06 | 17:19:23 | 01:15:17 |
表5公交IC卡数据上车站点匹配结果表
| ic_card_id | pos_id | time | line_id | veh_id | dir | station_index | station_name |
| IC卡号 | POS机编号 | 时间 | 线路ID | 车辆ID | 方向 | 站点索引 | 站点名 |
| 1207413184 | 11507773 | 70601 | 10561 | D90121 | 1 | (1,5) | 561-1-5 |
| 3606526444 | 11507773 | 71146 | 10561 | D90121 | 1 | (1,8) | 561-1-8 |
| 3280153136 | 11507773 | 71144 | 10561 | D90121 | 1 | (1,8) | 561-1-8 |
| 2872849824 | 11507773 | 71149 | 10561 | D90121 | 1 | (1,8) | 561-1-8 |
表6下车站点推算结果表
| ic_card_id | pos_id | time | line_id | veh_id | transtype | dir | O_station | D_station |
| IC卡号 | POS机编号 | 时间 | 线路ID | 车辆ID | 换乘类型 | 方向 | 上车站点 | 下车站点 |
| 137047 | 11503577 | 80744 | 561 | D97540 | 0 | 1 | 561-1-11 | 561-1-20 |
| 2758048 | 11507807 | 160404 | 561 | D97557 | 0 | 1 | 561-1-15 | 561-1-17 |
| 3716744 | 11503142 | 73429 | 561 | D97505 | 0 | 1 | 561-1-11 | 561-1-18 |
| 3716744 | 11502262 | 182400 | 561 | D96447 | 1 | 0 | 561-0-4 | 561-0-13 |
| 4221607 | 11505779 | 83144 | 561 | D98171 | 0 | 1 | 561-1-11 | 561-1-22 |
基于GPS数据推算的时刻表计算公交系统供应量，基于IC卡数据推测的乘客 OD数据计算各个站点的需求量，以1小时为单位集计数据，基于公式计算每小时的SDMI，基于GPS数据推算的时刻表以及线路数据计算平均行驶速度以及平均等待时间等参数，基于IC卡数据推测的乘客OD数据计算公交车各个站间的实际载客数，以1小时为观测单位，基于公式计算各个站间的STOI，其结果如图9、图10所示。
对每条线路各个小时各个区段的SDMI和STOI进行计算，为了便于展示，本发明截取了SDMI∈[-9,1]及STOI∈[0,9000]的部分散点绘制如图11所示，其中，“×”点表示实际取值空间中的帕累托最优取值。
将SDMI和STOI分别按升序排列，并绘制频数分布直方图与累积频率曲线，结果如图12所示。
本发明采用百分位法确定分级阈值，在双目标评价体系中，SDMI越小意味着舒适度越高，STOI越大意味着资源利用效率更高。基于图12中的累积频率曲线，分别取SDMI(升序)及STOI(降序)的15％、35％、65％及85％分位数作为单一指标的评级阈值，如表7所示。
表7双目标评价阈值表
结合图11图所示的散点分布趋势，取单一指标的阈值交集作为双目标评价体系的评级划分标准，将双目标体系的评价结果划分为“高效/拥挤”“较高效/较拥挤”“正常/一般”“较低效/较舒适”及“低效/舒适”五个等级，如图13所示，决策者可自行对舒适度和时空资源利用效率进行权衡。
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，还可以做出若干可以预期的改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (2)
1.一种基于多源数据的双目标城市公交效益评价方法，其特征在于，包括以下步骤：
1)定义供需匹配程度与时空资源占用指数两个评价指标，所述的供需匹配程度用以描述出行需求与公交运力的匹配程度，所述的时空资源占用指数用以描述公交系统对于设施资源的占用程度；
所述的供需匹配程度指标SDMI的计算式为：
SDGap＝Demand-Supply
其中，Demand为运力供给，即单位时间通过区段的公交车载客量，Supply表示运力需求，即单位时间内区段的需求人次，SDGap为供需匹配差值；
所述的时空资源占用指数STOI的计算式为：
其中，D为路段长度，W为车道宽度，l为车长，n为实际载客人数，v为平均行驶车速；
2)通过公交站点经纬度数据、公交GPS轨迹数据和IC卡刷卡数据提取乘客出行需求并获取车辆到站时刻表，具体包括以下步骤：
21)通过公交站点经纬度数据计算站点间距；
22)基于公交站点经纬度数据，根据公交轨迹GPS数据获得车辆到离站时刻表和车辆行驶速度，所述的车辆到离站时刻表包含车辆到站时刻、车辆离站时刻和车辆停车时长数据，公交轨迹GPS数据分别经过原始数据清洗、ArcGIS路网轨迹纠偏、公交行驶方向匹配和轨迹站点匹配后，获得车辆到离站时刻表；
23)基于公交站点经纬度数据和公交到离站时刻表，通过公交IC卡数据获得居民公交出行需求分布，进而获得车辆的实际载客人数，对于公交IC卡数据处理具体包括上车站点匹配和下车站点匹配，对于上车站点匹配，具体为：
根据车辆到站时刻表，利用时间序列相似性，将车辆到站时刻表与POS机刷卡时刻表进行匹配，获取车牌号与POS机的对应关系，并以时间戳为依据，将乘客的IC卡刷卡记录与到站时刻表进行对应，获取乘客的上车站点；
对于下车站点匹配，采用基于乘客出行特性和基于出行概率分布的下车站点识别；
基于乘客出行特性的下车站点识别具体包括以下步骤：
2301)站点配对：根据站点经纬度获得每条线路在不同方向站点在其他线路上的最近站点；
2302)IC卡分组排序：提取乘客在一天或多天内有多条刷卡记录的数据，按卡号分组后依时间排序；
2303)下车站点识别：对于有多于2条数据的乘客，提取其刷卡数据，并依次读取相邻两行数据，获取第一行和最后一行出行数据的下车站点；
对于存在多条刷卡记录且无法通过出行链规律判断的数据，采用基于出行概率分布进行下车站点识别，具体包括以下步骤：
2311)统计线路全天各站点上车人数与线路上车总人数，根据全天上车站点推算结果，计算站点i的下车吸引率αi，则有：
2312)根据线路各站点的下车吸引率αi，计算全天在该站点的总下车概率βj，则有：
2313)针对所有在站点i上车的乘客，依概率随机分配下车站点j，在站点j下车的概率为γij，则有：
其中，Ci′为距站点i最近的另一方向站点i′全天上车的乘客人数，m为该线路方向站点总数，m′为该线路另一方向站点总数；
3)根据乘客出行需求与车辆到站时刻表分别计算得到供需匹配程度与时空资源占用指数；
4)构建双目标公交效益评价体系结合供需与时空资源角度评价公交效益，在双目标公交效益评价体系中，SDMI指标值越小表明舒适度越高，STOI指标值越大表明资源利用效率越高，分别取SDMI指标值升序及STOI指标值降序的15％、35％、65％及85％分位数作为单一指标的评级阈值，对应的双目标评价阈值表具体为：
2.根据权利要求1所述的一种基于多源数据的双目标城市公交效益评价方法，其特征在于，对于公交车，考虑到公交车具有进出站和停站的驾驶行为，公交车的时空占用指数STOIbus计算式为：
其中，vbus为公交车平均行驶车速，lbus为公交车车长，nbus为公交车实际载客人数，γ为平均站间距，tdwell为公交车每次停站的平均停站时间。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110589274.9A CN113361885B (zh) | 2021-05-28 | 2021-05-28 | 一种基于多源数据的双目标城市公交效益评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110589274.9A CN113361885B (zh) | 2021-05-28 | 2021-05-28 | 一种基于多源数据的双目标城市公交效益评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113361885A CN113361885A (zh) | 2021-09-07 |
| CN113361885B true CN113361885B (zh) | 2022-09-20 |
Family
ID=77527978
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110589274.9A Active CN113361885B (zh) | 2021-05-28 | 2021-05-28 | 一种基于多源数据的双目标城市公交效益评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113361885B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116013065A (zh) * | 2022-12-22 | 2023-04-25 | 常熟理工学院 | 基于交通工具时空轨迹的交通系统通行效率的评估方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105788260A (zh) * | 2016-04-13 | 2016-07-20 | 西南交通大学 | 一种基于智能公交系统数据的公交乘客od推算方法 |
| CN106448233A (zh) * | 2016-08-19 | 2017-02-22 | 大连理工大学 | 基于大数据的公交线路时刻表协同优化方法 |
| WO2017045294A1 (zh) * | 2015-09-17 | 2017-03-23 | 华南理工大学 | 一种城市常规公交线网设计方法 |
| CN111552913A (zh) * | 2020-04-24 | 2020-08-18 | 东南大学 | 一种新线接入条件下城市轨道交通运能匹配性评价方法 |
-
2021
- 2021-05-28 CN CN202110589274.9A patent/CN113361885B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017045294A1 (zh) * | 2015-09-17 | 2017-03-23 | 华南理工大学 | 一种城市常规公交线网设计方法 |
| CN105788260A (zh) * | 2016-04-13 | 2016-07-20 | 西南交通大学 | 一种基于智能公交系统数据的公交乘客od推算方法 |
| CN106448233A (zh) * | 2016-08-19 | 2017-02-22 | 大连理工大学 | 基于大数据的公交线路时刻表协同优化方法 |
| EP3503069A1 (en) * | 2016-08-19 | 2019-06-26 | Dalian University Of Technology | Big data based bus line schedule collaborative optimization method |
| CN111552913A (zh) * | 2020-04-24 | 2020-08-18 | 东南大学 | 一种新线接入条件下城市轨道交通运能匹配性评价方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113361885A (zh) | 2021-09-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109308546B (zh) | 乘客公交出行下车站点预测方法及系统 | |
| CN105788260B (zh) | 一种基于智能公交系统数据的公交乘客od推算方法 | |
| CN111653096B (zh) | 一种基于手机信令数据的城市出行方式识别方法 | |
| CN110348614B (zh) | 一种获取乘客od的方法及公交客流的预测方法 | |
| CN103279534A (zh) | 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 | |
| CN107564270A (zh) | 一种智能公交调度运营方法 | |
| CN109637134B (zh) | 一种公交设备匹配方法 | |
| CN111932925A (zh) | 一种公共交通站点的出行客流的确定方法、装置及系统 | |
| CN112036757B (zh) | 基于手机信令和浮动车数据的停车换乘停车场的选址方法 | |
| CN109272168A (zh) | 一种城市轨道交通客流变化趋势预测方法 | |
| CN111047858A (zh) | 一种融合算法的公交客流出行od确定方法及装置 | |
| CN113361885B (zh) | 一种基于多源数据的双目标城市公交效益评价方法 | |
| CN102324111B (zh) | 基于公交ic卡数据的车辆运行方向判断方法 | |
| Guo et al. | Exploring potential travel demand of customized bus using smartcard data | |
| CN112150802A (zh) | 基于地面公交运行状态可靠性的城市道路等级划分方法 | |
| CN106570182B (zh) | 公交车辆下车站点识别方法与系统 | |
| 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 | |
| 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 | |
| CN108197078B (zh) | 一种基于公交ic卡数据计算公交断面客流量的方法 | |
| CN116341926A (zh) | 基于多模式交通网络的都市圈或城市群实质边界识别方法 | |
| CN112885094B (zh) | 一种多类型运营车辆协调发展区域识别方法 | |
| CN112509357B (zh) | 一种基于遗传算法的公交发车时间间隔优化方法 | |
| CN115186920A (zh) | 基于数据挖掘的线路可偏移公交服务区及站点设置方法 | |
| Wang et al. | Spatiotemporal analysis of competition between subways and taxis based on multi-source data |
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 |