CN113643538B - Ic卡历史数据和人工调查数据融合的公交客流测算方法 - Google Patents

Abstract

本发明涉及一种IC卡历史数据和人工调查数据融合的公交客流测算方法，该方法包括：考虑公交客流量影响因素及客流变化规律，选取人工调查日期；根据公交线路基本属性，采用聚类分析划分线路类型，选取各线路类型中具有代表性的线路作为调查线路；利用调查数据质量成本的概念计算调查车辆抽样率，确定各调查线路需人工调查的车辆数；进行人工调查，获取人工调查数据；对人工调查数据进行修正与扩样；计算各类型线路各时间段IC卡刷卡比例，与IC卡历史数据经过数据融合计算获得公交客流规模。本发明能够以较低成本的人工补充调查提高IC卡数据推算公交客流规模的精度，测算结果可反映线路客流情况，为公交运营模式选择和补贴方面提供决策依据。

Description

IC卡历史数据和人工调查数据融合的公交客流测算方法

技术领域

本发明涉及城市公共交通规划技术领域，尤其是涉及一种IC卡历史数据和人工调查数据融合的公交客流测算方法。

背景技术

近年来，我国各个城市，尤其是大中城市的公交车数量已有较大增加，质量上有很大提升，但公交运营管理、规划设计却仍然处在一个相对落后的水平。通过公交客流调查，了解公交客流在线路、方向、时间和断面上的动态分布情况，及时准确地掌握公共交通客流需求及变化状况，能够为相关的预测分析、资源配置、规划编制、效率评估以及政策制定和深化研究等提供依据和支持，从而为客观评价公交优先政策实施效果提供科学依据，有效组织运营生产活动，提高社会效益和企业经济效益。

传统的公交客流人工调查方法包括随车客流调查法、站点客流调查法、问询调查法、月票调查法、发票(卡片)调查法、填表调查法。在调查实践当中，经常使用的调查方法主要是随车客流调查法和站点客流调查法。其中随车客流调查法需要安排一定数量的调查员在公交车上进行数据采集，调查内容包括上下客人数、开关门时间、公交车辆速度与延误等，调查后需经过检查、整理、录入等数据整理工作，得到调查结果。随车调查法能够搜集到全面、准确度高的资料，数据用途较广，对内可以掌握客流动态规律的全貌，对外可为城市规划、交通治理提供参考依据，但这种调查所费人力物力较多，人工统计繁琐复杂，调查存在片面性；站点客流调查法是指在公交站点通过目测的形式完成公交基础数据的采集工作，可采集的内容主要包括上下客人数、发车频率、满载率水平等。站点客流调查法操作简单，调查效率高，调查结果直观性强，但是调查同样需要较多人力物力，较适用于局部重点地区的调查，不能用于长时间、大规模的调查。人工调查方法是获取公交客流规模最为直接有效的方法，但是人工调查非常繁琐且耗费人力、财力，调查成本高，并且获得难以获得长时间和大规模的数据，人工记录和数据录入也难免存在误差。因此，在目前条件下，完全依赖人工调查获取公交客流数据是不可行的。

随着信息技术的发展，越来越多的城市开始利用IC卡获取公交客流规模，公交IC卡客流调查可以进行长时间观测记录，数据量大；采集过程受到人为影响因素很小，所采集的数据真实可靠，可准确反映城市公交出行的时间空间分布特征。但是该数据只能反映持卡者的客流信息，无法反映总体公交客流情况，简单地使用IC卡刷卡比例推算总体客流情况也无法精准地反映公共交通的实际服务情况。

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IC卡历史数据和人工调查数据融合的公交客流测算方法。

本发明的目的可以通过以下技术方案来实现：

一种IC卡历史数据和人工调查数据融合的公交客流测算方法，该方法包括如下步骤：

S1、考虑公交客流量影响因素及客流变化规律，选取人工调查日期；

S2、根据公交线路基本属性，采用聚类分析划分线路类型，选取各线路类型中具有代表性的线路作为调查线路；

S3、利用调查数据质量成本的概念计算调查车辆抽样率，确定各调查线路需人工调查的车辆数；

S4、基于步骤S1～S3中确定的结果进行人工调查，获取人工调查数据；

S5、对人工调查数据进行修正与扩样，得到覆盖全部线路类型的车辆、班次的公交上下客数据，包括所有线路类型上的所有运营车辆在全天所有班次中沿途各站点的到站时间、上客人数、下客人数与IC卡使用人数；

S6、对步骤S5的公交上下客数据进行处理获取各线路类型在全天各个时段的IC卡刷卡比例；

S7、对IC卡历史数据进行处理分析，将一条线路每个班次的刷卡数据匹配到各个站点，得到各站点刷卡人数；

S8、基于各线路各班次在相应站点的刷卡人数以及对应线路类型在对应时段的IC卡刷卡比例确定各线路各班次在相应站点的实际上车人数，进而得到公交客流测算数据。

优选地，步骤S1包括：

S11、利用IC卡历史数据分析微观因素对于客流量变化的影响，选取月客流均值与年客流均值的接近程度高的月份作为备选调查月份；

S12、分析客流量的月变规律、周变规律、日变规律、时变规律特征，结合步骤S11的结果，选取客流量最接近年客流量均值的某一月份、日期作为人工调查日期。

优选地，步骤S3包括：

S31、根据调查数据质量成本计算各调查线路的调查车辆理论抽样率，计算公式为：

其中，C_总为调查数据质量成本，C_控为数据质量控制成本，C_损为数据质量损失成本，C₀为线路不随样本量变化的成本，N为线路运营车辆数，C_单控为单位样本量控制成本，f为调查车辆理论抽样率，t为置信度对应的百分位限值，C为变异系数，C_极损为最大相对误差对应的质量损失成本；

S32、获取调查车辆设计抽样率f_d：

其中，k为影响因子；

S33、计算调查线路需人工调查的车辆数N_调：N_调＝f_d·N。

优选地，步骤S5对人工调查数据进行修正包括：

若由于调查员原因、车辆事故、故障或得到的人工调查数据不合格造成调查线路中的一趟或几趟数据不准确，则利用权重法参考同一调查线路其他班次的数据进行修正，计算公式为：

上车人数修正，计算公式为：

式中，

S_ijk为第i调查线路第j班次第k站上车人数修正值，

U_ijk为第i调查线路第j班次第k站上车人数调查值，

T_i为公交公司第i次车上车或下车人数合计，

n为调查线路的车站总数，m为调查线路的班次总数；

下车人数修正，计算公式为：

式中，

X_ijk为第i调查线路第j班次第k站下车人数修正值，

D_ijk为第i调查线路第j班次第k站下车人数调查值。

优选地，步骤S5对人工调查数据进行修正包括：

若由于线路运行时间过早或过晚，无法调查而导致某时间点之前或之后所有线路所有班次数据缺失，则采用趋势外推法补足，计算公式为：

式中，

t₀为统计时间长度，

为第i调查线路第[t_k/t₀]+j时段第k站的上、下车原始人数，上标r＝1时表示上车原始人数，上标r＝2时表示下车原始人数，

为第i调查线路第j时段第k站上、下车修正人数，上标r＝1时表示上车修正人数，上标r＝2时表示下车修正人数，

[t_k/t₀]表示t_k/t₀取整，mod(t_k/t₀)表示t_k/t₀取余。

优选地，步骤S5对人工调查数据进行扩样包括：

按照时间顺序排列全天所有发车班次，然后将调查得到的每班次客运量按该班次运营时间分布填入其中，按对未调查的班次进行插值计算，填入之前的发车班次序列，得出扩样结果。

优选地，步骤S6包括：

将步骤S5中的数据转化为以半小时为单位、线路所有班次分上下行在各个站点的上客人数、下客人数及IC卡使用人数的统计表格，并计算各类型线路各时间段上行方向和下行方向的IC卡刷卡比例；

对比分析上行方向和下行方向的IC卡刷卡比例在各个时段的变化差异，对于上行方向和下行方向的IC卡刷卡比例相同的时段，将任意一个方向的IC卡刷卡比例作为该时段IC卡刷卡比例取值，对于上行方向和下行方向的IC卡刷卡比例不同的时段，将该时段的IC卡刷卡比例取值为对应时段上行方向和下行方向的IC卡刷卡比例均值。

优选地，步骤S7包括：

根据线路代码对照表筛选出调查线路，根据设备代码对照表筛选出调查车辆，根据时间阈值法判断车辆上下行方向，据此划分出各个班次的刷卡数据；

将一条线路每个班次的刷卡数据匹配到各个站点，得到各站点刷卡总人数。

优选地，将刷卡数据匹配到各个站点的具体步骤包括：

设定一个时间阈值，若两条IC卡数据中的刷卡时间间隔小于时间阈值，则将两条数据合并成一个虚拟小组，对所有IC卡信息执行此操作，把数据分为若干个虚拟小组，每个虚拟小组按顺序依次对应线路站点，统计各个站点的IC卡刷卡人数；

若虚拟小组数量等于线路站点总数，则IC卡信息完成匹配，统计得到的各个站点的刷卡人数即为最终的刷卡人数；

若虚拟小组数量大于线路站点总数，则首先计算出虚拟小组数与线路站点总数的差值，然后对第一次划分好的虚拟小组进行二次判断，筛选出虚拟小组间时间间隔最小的两个小组，对其进行二次小组合并，循环此过程，直到合并后的虚拟小组数量与线路站点数量相同时为止，再次统计各个站点的刷卡人数即为各站点最终的IC卡刷卡人数；

若虚拟小组数量小于线路站点总数，则首先计算线路站点数与虚拟小组数的差值，然后依次计算相邻两个虚拟小组边界处的刷卡时间的差值，找出此差值中最大的两个相邻站点，若此差值大于给定的阈值，则判定这两个站点实际中不应该是相邻的站点，在两站间自动添加1个0刷卡数的线路站点，此时继续验证虚拟小组数量加上计数为0的站点数量与线路站点总数之间关系，直到虚拟小组数量加上计数为0的站点数量等于线路站点总数为止，得到线路各站点最终的IC卡刷卡人数。

优选地，步骤S8中公交客流测算数据包括各条线路各个站点在各个时间段内的客流量，以及各线路各站点的全日客流量。

与现有技术相比，本发明具有如下优点：

(1)本发明提出一种人工调查数据与公交IC卡数据融合的方法测算公交客流规模，该方法能够以较低人力物力成本的人工补充调查提高利用IC卡数据推算公交客流量的精度；

(2)本发明方法可以获取公交代表线路包括线路上下客数时间分布、线路典型站点客流时间分布等客流时空特征，了解客流总体状况，还能够给出最能反映全年客流量均值的线路日客流总量；

(3)本发明准确的客流测算结果可为行业管理者在公交运营模式选择和行业补贴方面提供决策依据和支持，所获得的线路日客流总量具有非常客观的代表性，能够稳定的代表该线路的流量负载情况，可以作为线路客流评价的基准值，来反映线路客流的基本运营情况。

附图说明

图1是本发明测算方法流程示意图；

图2是公交IC卡数据处理逻辑流程；

图3是实施例中公交客流与气温相关性分析结果示意图；

图4是实施例中公交日客流量与天气状况相关性分析结果示意图；

图5是实施例中公交月均客流量与天气状况相关性分析结果示意图；

图6是实施例中调查区域内53条线路IC卡客流总量变化趋势示意图；

图7是实施例中调查区域内53条线路公交公司数据中客流总量变化趋势；

图8为实施例中调查区域内公交IC卡数据月变分析结果；

图9为实施例中调查区域内公交IC卡数据周变分析结果；

图10是实施例中类型二某线路上行各时段持卡人数百分比分布结果图；

图11是实施例中类型二某线路下行各时段持卡人数百分比分布结果图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。注意，以下的实施方式的说明只是实质上的例示，本发明并不意在对其适用物或其用途进行限定，且本发明并不限定于以下的实施方式。

实施例

如图1所示，本实施例提供一种IC卡历史数据和人工调查数据融合的公交客流测算方法，使用的IC卡数据为上海市某辖区n年10月1日至n+1年9月31日的全年数据。该方法具体如下：

步骤1：查阅n年10月-n+1年9月该区的历史气象记录，可以得到在此时间范围内该区的气温及天气变化情况，据此分析天气、温度对于客流变化的影响，选取适宜的条件进行客流调查。

1)温度对客流变化影响分析

分析结果如图3所示，在气温较低的1月份及气温过高的7月份居民出行相对较少，线路月均客流量偏低，在温度较适宜的3、4、9月份，居民出行相对多，线路客流量偏高，因此这五个月份均不适合作为客流调查月份。从各月客流均值与年客流均值的接近程度的角度考虑，11月、2月、8月可以作为获取公交线路客流均值的调查月份。

2)天气状况对客流变化影响分析

在进行天气状况对公交客流影响分析时，对该区历史天气状况记录做了分类划分，将晴天、多云、阴划分为晴好天气，将小雨、与雷阵雨、大雨、雪划分为雨雪天气。之后分别做该区公交日客流量、月均客流量与天气状况相关性分析。根据图4、图5的分析结果，2月、8月、11月、12月的流量基本与全年线路客流均值比较一致，因此，从总体来看，调查日期应在这几个月中选取，并根据周变情况进一步在晴好天气中进行选择。

步骤2：结合分析客流量的月变化规律、周变规律、日变化规律、时变规律特征，从宏观角度把握不同月份客流的变化规律及一周内不同工作日、非工作日对于客流变化的影响，选取客流量最接近年客流均值的月份、日期作为最佳的调查时间。

1)公交客流日变化规律

选取n年10月1日至2012年9月31日奉贤区53条公交线路IC卡总公交客流数据，对比公交公司提供的n+1年1月1日至2012年8月5日数据，分析公交客流日变化规律。由图6、图7的分析结果，两种来源的数据体现的客流日变化规律相似，即11-12月客流走势平稳，与全年均值相近，适宜作为反映整体客流的时间区段。

2)公交客流月变化规律

收集该区53条线路一年(n年10月1日—n+1年9月30日)的IC卡客流量信息进行分析，按月份时间序列比较，得出全部客流量在一年12个月中的变化如图8所示，选择波动曲线与全年均值的交点附近日期作为调查日期的调查时间范围，分别有三个典型交点：11月到12月之间、2月、6月到7月之间，将三个典型交点分别与总量作对比分析后，发现11月-12月数据走势平缓，11月中旬到12月中旬波动较小，而且也在均值附近上下浮动，应当选取11月中旬到12月中旬作为调查日期选取的区段。

3)公交客流周变规律确定将11月中旬到12月中旬作为调查最佳时段，选取n年11月8日至n年12月7日的IC卡公交总客流数据做周变规律分析，根据图9所示的分析结果，客流的周变特征明显，周五高峰与周六低峰的客运量相差19.6％。周二至周四以及周日最接近平均值，尽管周日接近公交客流均值，但是周日客流特征与工作日不同，不应将其作为调查日期。因此一周中，首选周三，其次可选周二、周四作为调查日期。

由于本实例实施时间的限制，各类型线路按照以下日期安排各类型线路调查：8月14日(星期二)、8月22日(星期三)调查类型四；其余三类线路于8月22日(星期三)、8月29日(星期三)进行调查。

步骤3：利用SPPS软件的Q型聚类方法，以线路长度、车站数量、线路类型、平均发车间隔以及客流量5个指标作为公交线路的聚类属性，将具有相似特征的线路进行聚类，将53条公交线路分为四类：类型一客流量小、运距短；类型二客流量中等、运距中等；类型三客流量大、运距长；类型四客流量大、运距超长。根据聚类结果对公交线路进行分类，每类线路各选取一条典型线路作为人工调查对象。

步骤4，确定调查线路后，利用调查数据质量成本的概念计算调查车辆理论抽样率，计算公式为：

其中，C_总为调查数据质量成本，C_控为数据质量控制成本，C_损为数据质量损失成本，C₀为线路不随样本量变化的成本，N为线路运营车辆数，因为按类型分析线路，N可取配车均值,f为调查车辆理论抽样率，C_单控为单位样本量控制成本，单位样本量控制成本包括人工报酬、调查材料的制作成本等,t为置信度对应的百分位限值，一般选择95％的置信度，对应t＝1.96，C为变异系数，C根据实际研究对象的公交客流数据计算，取平均值为0.25，C_极损为最大相对误差对应的质量损失成本。

本实例中C₀取值1000，C_单控为1000，选择95％的置信度，置信度对应的百分位限值t＝1.96，根据该区n+1年上半年公交客流数据计算，取变异系数C为0.25，各类型典型线路的抽样率与相对误差计算结果如表1所示。

表1各类型线路指标选取、抽样率及相对误差

步骤5：对理论抽样率进行修正，获取调查车辆设计抽样率f_d：

其中，k为影响因子。

在本实例中影响因子取值为0.95，计算得到各类型线路设计抽样率如表2所示。

表2各类型线路设计抽样率

线路类型	类型一	类型二	类型三	类型四
					<![CDATA[f<sub>d</sub>]]>	33.3％	28.6％	26.6％	100％

步骤6：根据公交公司提供的线路运营车辆数，通过设计抽样率计算各类型线路需人工调查的车辆数，计算调查线路需人工调查的车辆数N_调：N_调＝f_d·N。

步骤7，根据步骤2选定的日期，和步骤4中抽样得到的线路、步骤6确定的车辆对各类线路进行人工跟车调查，记录线路名称、车号、调查员姓名、调查日期、出发时间、方向(终点站)、到达终点站时间、到达各站名称、到达各站时间、到达各站上客数、下客数、刷卡人数信息，作为人工调查数据；

步骤8，对由于调查员个人原因或车辆原因可能造成的数据缺失做补充修复处理。包括：

A、若由于调查员原因、车辆事故、故障或得到的人工调查数据不合格造成调查线路中的一趟或几趟数据不准确，则利用权重法参考同一调查线路其他班次的数据进行修正，计算公式为：

上车人数修正，计算公式为：

式中，

S_ijk为第i调查线路第j班次第k站上车人数修正值，

U_ijk为第i调查线路第j班次第k站上车人数调查值，

T_i为公交公司第i次车上车或下车人数合计，

n为调查线路的车站总数，m为调查线路的班次总数；

下车人数修正，计算公式为：

式中，

X_ijk为第i调查线路第j班次第k站下车人数修正值，

D_ijk为第i调查线路第j班次第k站下车人数调查值。

B、若由于线路运行时间过早或过晚，无法调查而导致某时间点之前或之后所有线路所有班次数据缺失，则采用趋势外推法补足，计算公式为：

式中，

t₀为统计时间长度，

为第i调查线路第[t_k/t₀]+j时段第k站的上、下车原始人数，上标r＝1时表示上车原始人数，上标r＝2时表示下车原始人数，

为第i调查线路第j时段第k站上、下车修正人数，上标r＝1时表示上车修正人数，上标r＝2时表示下车修正人数，

[t_k/t₀]表示t_k/t₀取整，mod(t_k/t₀)表示t_k/t₀取余。

步骤9：按班次与发车时间结合的插值扩样方法对人工调查数据进行扩样，具体地：先按照时间顺序排列全天所有发车班次，然后将调查得到的每班次客运量按该班次运营时间分布填入其中，按照一定的插值规则对未调查的班次进行插值计算，填入之前的发车班次序列，得到扩样结果。

步骤10：经过数据修正与数据扩样，得到覆盖全部线路类型的车辆、班次的公交上下客数据。数据具体形式为：所有类型线路上的所有运营车辆在全天所有班次中沿途各站的到站时间上客人数、下客人数与IC卡使用人数。

步骤11：将步骤10的得到的按发车班次各站点的上下客数及刷卡人数记录转化为以半小时为单位、线路所有班次分上下行在各个站点的上客人数及刷卡人数的统计表格。

本实施例以类型二某一线为例，由调查数据分析，可以分别得到上行方向和下行方向各时段公交IC卡刷卡比例的分布如图10、图11所示。

步骤12：综合分析上行和下行各时段公交IC卡比例，得到该线路各时段公交IC卡比例取值。具体地：对比分析上行方向和下行方向的IC卡刷卡比例在各个时段的变化差异，对于上行方向和下行方向的IC卡刷卡比例相同的时段，将任意一个方向的IC卡刷卡比例作为该时段IC卡刷卡比例取值，对于上行方向和下行方向的IC卡刷卡比例不同的时段，将该时段的IC卡刷卡比例取值为对应时段上行方向和下行方向的IC卡刷卡比例均值。

本实施例中得到的某一条线路各时段IC卡比例取值如表3所示：

表3莘海专线各时段IC卡比例取值

步骤13：利用MySQL软件对IC卡历史数据进行处理分析。利用IC卡数据中的“线路代码”字段筛选出所要分析的线路，根据“设备代码”得到一条线路各辆车的刷卡数据。若给定的时间阈值内刷卡间隔超过给定的数值且此间隔后的第一次刷卡人数超过15人，则判定车辆行驶方向发生改变，据此划分出各个班次的刷卡数据。

步骤14，将每个班次的刷卡数据匹配到各个站点，得到各站点刷卡总人数，具体步骤如图2所示：

设定一个时间阈值，若两条IC卡数据中的刷卡时间间隔小于时间阈值，则将两条数据合并成一个虚拟小组，对所有IC卡信息执行此操作，把数据分为若干个虚拟小组，每个虚拟小组按顺序依次对应线路站点，统计各个站点的IC卡刷卡人数；

若虚拟小组数量等于线路站点总数，则IC卡信息完成匹配，统计得到的各个站点的刷卡人数即为最终的刷卡人数；

若虚拟小组数量大于线路站点总数，则首先计算出虚拟小组数与线路站点总数的差值，然后对第一次划分好的虚拟小组进行二次判断，筛选出虚拟小组间时间间隔最小的两个小组，对其进行二次小组合并，循环此过程，直到合并后的虚拟小组数量与线路站点数量相同时为止，再次统计各个站点的刷卡人数即为各站点最终的IC卡刷卡人数；

若虚拟小组数量小于线路站点总数，则首先计算线路站点数与虚拟小组数的差值，然后依次计算相邻两个虚拟小组边界处的刷卡时间的差值，找出此差值中最大的两个相邻站点，若此差值大于给定的阈值，则判定这两个站点实际中不应该是相邻的站点，在两站间自动添加1个0刷卡数的线路站点，此时继续验证虚拟小组数量加上计数为0的站点数量与线路站点总数之间关系，直到虚拟小组数量加上计数为0的站点数量等于线路站点总数为止，得到线路各站点最终的IC卡刷卡人数。

步骤15：将步骤12中得到的各个时段所有类型的IC卡的比例输入MySQL软件中，利用数据库进行编程计算，得到公交客流测算数据，公交客流测算数据包括各条线路各个站点在各个时间段内的客流量，以及各线路各站点的全日客流量。本实施例中区公交线路分类型统计的日客流总量的结果如表4所示。

表4该区n+1年53条公交线路分类型日基准客流量单位：人次/日

上述实施方式仅为例举，不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施，且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。

Claims (9)

1.一种IC卡历史数据和人工调查数据融合的公交客流测算方法，其特征在于，该方法包括如下步骤：

S1、考虑公交客流量影响因素及客流变化规律，选取人工调查日期；

S2、根据公交线路基本属性，采用聚类分析划分线路类型，选取各线路类型中具有代表性的线路作为调查线路；

S3、利用调查数据质量成本的概念计算调查车辆抽样率，确定各调查线路需人工调查的车辆数；

S4、基于步骤S1～S3中确定的结果进行人工调查，获取人工调查数据；

S5、对人工调查数据进行修正与扩样，得到覆盖全部线路类型的车辆、班次的公交上下客数据，包括所有线路类型上的所有运营车辆在全天所有班次中沿途各站点的到站时间、上客人数、下客人数与IC卡使用人数；

步骤S5对人工调查数据进行修正包括：

若由于线路运行时间过早或过晚，无法调查而导致某时间点之前或之后所有线路所有班次数据缺失，则采用趋势外推法补足，计算公式为：

式中，

t₀为统计时间长度，t_k为到从始发站到站点k的时间长度，

为第i调查线路第[t_k/t₀]+j时段第k站的上、下车原始人数，上标r＝1时表示上车原始人数，上标r＝2时表示下车原始人数，

为第i调查线路第j时段第k站上、下车修正人数，上标r＝1时表示上车修正人数，上标r＝2时表示下车修正人数，

[t_k/t₀]表示t_k/t₀取整，mod(t_k/t₀)表示t_k/t₀取余；

S6、对步骤S5的公交上下客数据进行处理获取各线路类型在全天各个时段的IC卡刷卡比例；

S7、对IC卡历史数据进行处理分析，将一条线路每个班次的刷卡数据匹配到各个站点，得到各站点刷卡人数；

S8、基于各线路各班次在相应站点的刷卡人数以及对应线路类型在对应时段的IC卡刷卡比例确定各线路各班次在相应站点的实际上车人数，进而得到公交客流测算数据。

2.根据权利要求1所述的一种IC卡历史数据和人工调查数据融合的公交客流测算方法，其特征在于，步骤S1包括：

S11、利用IC卡历史数据分析微观因素对于客流量变化的影响，选取月客流均值与年客流均值的接近程度高的月份作为备选调查月份；

S12、分析客流量的月变规律、周变规律、日变规律、时变规律特征，结合步骤S11的结果，选取客流量最接近年客流量均值的某一月份、日期作为人工调查日期。

3.根据权利要求1所述的一种IC卡历史数据和人工调查数据融合的公交客流测算方法，其特征在于，步骤S3包括：

S31、根据调查数据质量成本计算各调查线路的调查车辆理论抽样率，计算公式为：

其中，C_总为调查数据质量成本，C_控为数据质量控制成本，C_损为数据质量损失成本，C₀为线路不随样本量变化的成本，N为线路运营车辆数，C_单控为单位样本量控制成本，f为调查车辆理论抽样率，t为置信度对应的百分位限值，C为变异系数，C_极损为最大相对误差对应的质量损失成本；

S32、获取调查车辆设计抽样率f_d：

其中，k为影响因子；

S33、计算调查线路需人工调查的车辆数N_调：N_调＝f_d·N。

4.根据权利要求1所述的一种IC卡历史数据和人工调查数据融合的公交客流测算方法，其特征在于，步骤S5对人工调查数据进行修正包括：

若由于调查员原因、车辆事故、故障或得到的人工调查数据不合格造成调查线路中的一趟或几趟数据不准确，则利用权重法参考同一调查线路其他班次的数据进行修正，计算公式为：

上车人数修正，计算公式为：

式中，

S_ijk为第i调查线路第j班次第k站上车人数修正值，

U_ijk为第i调查线路第j班次第k站上车人数调查值，

T_i为公交公司第i次车上车或下车人数合计，

n为调查线路的车站总数，m为调查线路的班次总数；

下车人数修正，计算公式为：

式中，

X_ijk为第i调查线路第j班次第k站下车人数修正值，

D_ijk为第i调查线路第j班次第k站下车人数调查值。

5.根据权利要求1所述的一种IC卡历史数据和人工调查数据融合的公交客流测算方法，其特征在于，步骤S5对人工调查数据进行扩样包括：

按照时间顺序排列全天所有发车班次，然后将调查得到的每班次客运量按该班次运营时间分布填入其中，按对未调查的班次进行插值计算，填入之前的发车班次序列，得出扩样结果。

6.根据权利要求1所述的一种IC卡历史数据和人工调查数据融合的公交客流测算方法，其特征在于，步骤S6包括：

将步骤S5中的数据转化为以半小时为单位、线路所有班次分上下行在各个站点的上客人数、下客人数及IC卡使用人数的统计表格，并计算各类型线路各时间段上行方向和下行方向的IC卡刷卡比例；

对比分析上行方向和下行方向的IC卡刷卡比例在各个时段的变化差异，对于上行方向和下行方向的IC卡刷卡比例相同的时段，将任意一个方向的IC卡刷卡比例作为该时段IC卡刷卡比例取值，对于上行方向和下行方向的IC卡刷卡比例不同的时段，将该时段的IC卡刷卡比例取值为对应时段上行方向和下行方向的IC卡刷卡比例均值。

7.根据权利要求1所述的一种IC卡历史数据和人工调查数据融合的公交客流测算方法，其特征在于，步骤S7包括：

根据线路代码对照表筛选出调查线路，根据设备代码对照表筛选出调查车辆，根据时间阈值法判断车辆上下行方向，据此划分出各个班次的刷卡数据；

将一条线路每个班次的刷卡数据匹配到各个站点，得到各站点刷卡总人数。

8.根据权利要求7所述的一种IC卡历史数据和人工调查数据融合的公交客流测算方法，其特征在于，将刷卡数据匹配到各个站点的具体步骤包括：

设定一个时间阈值，若两条IC卡数据中的刷卡时间间隔小于时间阈值，则将两条数据合并成一个虚拟小组，对所有IC卡信息执行此操作，把数据分为若干个虚拟小组，每个虚拟小组按顺序依次对应线路站点，统计各个站点的IC卡刷卡人数；

若虚拟小组数量等于线路站点总数，则IC卡信息完成匹配，统计得到的各个站点的刷卡人数即为最终的刷卡人数；

若虚拟小组数量大于线路站点总数，则首先计算出虚拟小组数与线路站点总数的差值，然后对第一次划分好的虚拟小组进行二次判断，筛选出虚拟小组间时间间隔最小的两个小组，对其进行二次小组合并，循环此过程，直到合并后的虚拟小组数量与线路站点数量相同时为止，再次统计各个站点的刷卡人数即为各站点最终的IC卡刷卡人数；

若虚拟小组数量小于线路站点总数，则首先计算线路站点数与虚拟小组数的差值，然后依次计算相邻两个虚拟小组边界处的刷卡时间的差值，找出此差值中最大的两个相邻站点，若此差值大于给定的阈值，则判定这两个站点实际中不应该是相邻的站点，在两站间自动添加1个0刷卡数的线路站点，此时继续验证虚拟小组数量加上计数为0的站点数量与线路站点总数之间关系，直到虚拟小组数量加上计数为0的站点数量等于线路站点总数为止，得到线路各站点最终的IC卡刷卡人数。

9.根据权利要求1所述的一种IC卡历史数据和人工调查数据融合的公交客流测算方法，其特征在于，步骤S8中公交客流测算数据包括各条线路各个站点在各个时间段内的客流量，以及各线路各站点的全日客流量。

Images