CN115796337A - 一种基于多源数据的公交运行状态预测方法 - Google Patents
一种基于多源数据的公交运行状态预测方法 Download PDFInfo
- Publication number
- CN115796337A CN115796337A CN202211402481.XA CN202211402481A CN115796337A CN 115796337 A CN115796337 A CN 115796337A CN 202211402481 A CN202211402481 A CN 202211402481A CN 115796337 A CN115796337 A CN 115796337A
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- bus
- data
- running state
- total distance
- 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.)
- Pending
Links
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
一种基于多源数据的公交运行状态预测方法,属于智能交通技术领域,包括如下步骤:步骤1,获取线路上正在行驶的公交车辆IC卡刷卡数据,得到客流量数据;步骤2,根据公交车辆途径的城市道路,获取道路拥堵总距离数据;步骤3,将获取的客流量数据和道路拥堵总距离数据作为历史数据储存至数据库,使用ARIMA预测模型分别进行客流量预测和道路拥堵总距离预测;步骤4,利用模糊综合评价法进行公交运行状态预测,得到公交运行状态预测等级;本发明结合公交车辆IC卡刷卡数据和路况数据,综合分析客流量和道路交通状态两个方面进行公交运行状态预测,来反映公交运行状态变化趋势,为公交调度优化提供参考依据。
Description
技术领域
本发明属于智能交通技术领域,具体涉及一种基于多源数据的公交运行状态预测方法。
背景技术
发展城市公共交通能有效缓解城市道路交通拥堵,减少环境污染,但公交运行状态易受多种因素影响,导致区间运行时间波动较大,公交车辆串车或大间隔现象频发,不利于公交调度管理及客流吸引,因此,进行公交运行状态预测,能够帮助公交运营管理部门提前了解公交运行状态变化趋势,为公交调度优化提供参考依据,提高公交运行效率和服务质量,为城市居民提供更加稳定高效的公交出行服务,然而现有方法只单方面进行了公交客流量预测或道路交通状态预测,实际上公交运行状态同时受到客流量和道路交通状态的影响,目前缺少相关的方法综合考虑客流量和道路交通状态进行公交运行状态预测。
发明内容
为解决上述问题,本发明提出了一种基于多源数据的公交运行状态预测方法,结合公交车辆IC卡刷卡数据和路况数据,综合分析客流量和道路交通状态两个方面进行公交运行状态预测;公交运行状态预测结果可以反映公交运行状态变化趋势,为公交调度优化提供参考依据。
本发明通过如下的技术方案实现:
一种基于多源数据的公交运行状态预测方法,包括如下步骤:
步骤1,获取线路上正在行驶的公交车辆IC卡刷卡数据,得到客流量数据;
步骤2,根据公交车辆途径的城市道路,获取道路拥堵总距离数据;
步骤3,将获取的客流量数据和道路拥堵总距离数据作为历史数据储存至数据库,使用ARIMA预测模型分别进行客流量预测和道路拥堵总距离预测;
步骤4,利用模糊综合评价法进行公交运行状态预测,得到公交运行状态预测等级。
所述步骤1中,所述客流量数据统计的是线路上所有正在行驶的公交车辆的上车客流量,具体统计方法为:确定客流量数据的统计时段长度H(5min≤H≤30min),得到不同时段的客流量数据其中Bnk表示线路上第n辆公交车在第k个统计时段中的上车客流量,n为在线运行的公交车辆编号(n=1,2,3,…,N,N为线路上正在行驶的公交车辆总数),k为统计时段编号(k=1,2,3,…,K,K为统计时段的总数)。
所述步骤2中,所述道路拥堵总距离数据统计的是公交车辆途径的所有城市道路的拥堵距离之和,具体统计方法为:在每段客流量统计时段结束时刻,定时统计道路拥堵总距离其中Dsk为在第k 个客流量统计时段结束时刻公交车辆途径的第s条道路的拥堵距离,s为公交车辆途径的城市道路编号 (s=1,2,3,…,S,S为公交车辆途径的城市道路总数)。
所述步骤3中,使用ARIMA预测模型分别进行客流量和道路拥堵总距离预测具体步骤为:
(1)基于客流量历史数据和道路拥堵总距离历史数据分别确定客流量ARIMA预测模型和道路拥堵总距离ARIMA预测模型的模型参数,具体步骤如下:首先通过ADF检验判断历史数据的平稳性,若检验结果为非平稳数据,则使用差分法将数据平稳化,根据差分的阶数确定差分阶数d;然后使用信息准则函数法如最小化信息量准则(AIC)或贝叶斯信息准则(BIC)确定自回归阶数p和移动回归阶数q;最后根据确定的参数d、p、q建立ARIMA预测模型;
(2)根据建立的客流量ARIMA预测模型和道路拥堵总距离ARIMA预测模型进行数据预测,得到未来一个或多个时段的客流量预测值及对应时刻的道路拥堵总距离预测值,其中时段长度均为H。
所述步骤4中,利用模糊综合评价法进行公交运行状态预测具体步骤如下:
首先确定因素集U和评价集V,因素集U={u1,u2}是指公交运行状态预测等级的评价指标,其中u1代表客流量预测值,u2代表道路拥堵总距离预测值,评价集V={v1,v2,v3,v4}是指公交运行状态预测等级的具体分级,其中v1-v4分别代表着优、良、中、差四种公交运行状态预测等级;
其次建立隶属度函数,采用梯形分布函数r作为因素集U={u1,u2}的隶属度函数:
然后建立评价矩阵R=[R1,R2]T,R1=[r11,r12,r13,r14]是根据所述隶属度函数对因素集中u1进行单因素评价得到的一个相对于评价集中vi的模糊向量,其中0≤r1i≤1(i=1,2,3,4)代表因素u1对评价集中vi的隶属度, R2=[r21,r22,r23,r24]是根据所述隶属度函数对因素集中u2进行单因素评价得到的一个相对于评价集中vi的模糊向量,0≤r2i≤1(i=1,2,3,4)代表因素u2对评价集中vi的隶属度;
最后进行综合评价,得到模糊综合判断集B=W·R=[b1,b2,b3,b4],根据最大隶属原则确定公交运行状态预测结果,其中b1-b4对应的评价集V中v1-v4的隶属度,W=[w1,w2]为权重向量,代表因素集U中各因素的权重。
所述步骤4中,公交运行状态预测等级具体是指:使用模糊综合评价法分析所述未来一个或多个时段的客流量预测值及对应时刻的道路拥堵总距离预测值,得到未来一个或多个时刻的公交运行状态预测等级,且各公交运行状态预测等级的含义如下:优(v1):客流量小,道路畅通,公交行驶速度不受影响;良 (v2):客流量中等或偏小,存在小范围的道路拥堵,轻微影响公交行驶速度;中(v3):客流量中等或偏大,存在中等范围的道路拥堵,较为明显的影响公交行驶速度;差(v4):客流量高峰期,存在大范围的道路拥堵,严重影响公交行驶速度。
本发明的有益效果:
本发明结合了公交IC卡刷卡数据和实时路况数据,使用模糊综合评价法对客流量和道路拥堵总距离进行综合分析,得到公交运行状态预测等级,从而更好地反映公交运行状态变化趋势,公交运营管理部门可以根据公交运行状态预测结果,实时主动的调整车辆调度方案,以提高常规公交服务效率和质量,为城市居民提供更加稳定高效的城市公交出行服务。
附图说明
图1是本发明基于多源数据的公交运行状态预测方法的流程图;
图2是客流量数据获取的示意图;
图3是道路拥堵总距离数据获取的示意图;
图4是使用ARIMA预测模型进行客流量和道路拥堵总距离预测的流程图;
图5是使用模糊综合评价法进行公交运行状态预测的流程图。
具体实施方式
下面结合附图及实施例对本发明所述方法作进一步详细说明。
图1为一种基于多源数据的公交运行状态预测方法的流程图,本发明所述方法主要分为三部分:公交运行数据获取与处理,公交运行数据预测,以及公交运行状态预测;下面结合本发明实施例对本发明的具体实施方式进行说明:
步骤1,如图2所示,获取线路上正在行驶的公交车辆IC卡刷卡数据,得到客流量数据:
以哈尔滨市363路公交上行方向为例(由艺体街公交首末站到河梁街),获取的363路公交IC卡刷卡数据展示如表1所示,包含卡号、上车时间、上车站点、线路名称,确定客流量数据的统计时段长度H=15min,得到不同时段的客流量数据其中Bnk表示线路上第n辆公交车在第k个统计时段中的上车客流量,n为在线运行的公交车辆编号(n=1,2,3,…,N,N为线路上正在行驶的公交车辆总数),k为统计时段编号(k=1,2,3,…,K,K为统计时段的总数);
表1公交IC卡刷卡数据表
步骤2,如图3所示,根据公交车辆途径的城市道路,获取道路拥堵总距离数据:
363路公交途径哈双路、哈尔滨大街、中兴大道、学府路、西直大街、和兴路辅路、康安路辅路、民众街、通达街、河鼓街,在每段客流量数据统计时段结束时刻使用Python定时从百度地图提供的WEB服务API调取363路途径路段的实时路况数据,部分数据展示如表2所示,其中包含道路名称、拥堵距离、时间、拥堵详细描述,从该数据中可以获取各条道路的拥堵距离在每段客流量统计时段结束时刻,定时统计道路拥堵总距离其中Dsk为在第k个客流量统计时段结束时刻公交车辆途径的第s条道路的拥堵距离,s为公交车辆途径的城市道路编号(s=1,2,3,…,S,S为公交车辆途径的城市道路总数);
表2实时路况数据
步骤3,如图4所示,使用ARIMA预测模型分别进行客流量和道路拥堵总距离预测:
(1)基于客流量历史数据和道路拥堵总距离历史数据分别确定客流量ARIMA预测模型和道路拥堵总距离ARIMA预测模型的模型参数,具体步骤如下:首先通过ADF检验判断历史数据的平稳性,若检验结果为非平稳数据,则使用差分法将数据平稳化,根据差分的阶数确定差分阶数d;然后使用信息准则函数法如最小化信息量准则(AIC)或贝叶斯信息准则(BIC)确定自回归阶数p和移动回归阶数q;最后根据确定的参数d、p、q建立ARIMA预测模型;
(2)根据建立的客流量ARIMA预测模型和道路拥堵总距离ARIMA预测模型进行数据预测,得到未来一个或多个时段的客流量预测值及对应时刻的道路拥堵总距离预测值,其中时段长度均为H。
记当前时刻为17:45,以预测363路未来15分钟的客流量和18:00的道路拥堵总距离为例,根据数据库中储存的历史数据,具体包含17:45获取的当日和前20日的客流量历史数据和道路拥堵总距离历史数据,确定客流量ARIMA预测模型参数为p1=7,d1=1,q1=3,以及道路拥堵总距离ARIMA预测模型参数为p1=1, d1=0,q1=2,使用模型进行预测得到客流量预测值为128人,道路拥堵总距离预测值为642米。
步骤4,如图5所示,利用模糊综合评价法进行公交运行状态预测,得到公交运行状态预测等级:
首先确定因素集U和评价集V,因素集U={u1,u2}是指公交运行状态预测等级的评价指标,其中u1代表客流量预测值,u2代表道路拥堵总距离预测值,评价集V={v1,v2,v3,v4}是指公交运行状态预测等级的具体分级,其中v1-v4分别代表着优、良、中、差四种公交运行状态预测等级;
其次建立隶属度函数,采用梯形分布函数作为因素集U={u1,u2}的隶属度函数,将363路客流量历史数据根据大小划分4个区段得到u1对应评价集V中优v1、良v2、中v3、差v4的客流量隶属度函数:
将道路拥堵总距离历史数据根据大小划分4个区段得到u2对应评价集V中优v1、良v2、中v3、差v4的道路拥堵总距离隶属度函数:
然后建立评价矩阵R=[R1,R2]T,R1=[r11,r12,r13,r14]是根据所述隶属度函数对因素集中u1进行单因素评价得到的一个相对于评价集中vi的模糊向量,其中0≤r1i≤1(i=1,2,3,4)代表因素u1对评价集中vi的隶属度, R2=[r21,r22,r23,r24]是根据所述隶属度函数对因素集中u2进行单因素评价得到的一个相对于评价集中vi的模糊向量,0≤r2i≤1代表因素u2对评价集中vi的隶属度,根据所述步骤3得到的363路公交在18:00的客流量预测值和道路拥堵总距离预测值,得到评价矩阵R:
最后进行综合评价,得到模糊综合判断集B=W·R=[b1,b2,b3,b4]=[0,0.145,0.72,0.135],其中b1-b4对应的评价集V中v1-v4的隶属度,W=[w1,w2]为权重向量,代表因素集U中各因素的权重,这里取w1=w2=0.5 表示u1和u2同等重要,根据最大隶属原则确定公交运行状态预测等级为v3,即在15分钟之后,363路在 18:00的公交运行状态预测等级为中(v3)。
公交运行状态预测等级具体是指:使用模糊综合评价法分析所述未来一个或多个时段的客流量预测值及对应时刻的道路拥堵总距离预测值,得到未来一个或多个时刻的公交运行状态预测等级,各公交运行状态预测等级的含义为:优(v1):客流量小,道路畅通,公交行驶速度不受影响;良(v2):流量中等或偏小,存在小范围的道路拥堵,轻微影响公交行驶速度;中(v3):客流量中等或偏大,存在中等范围的道路拥堵,较为明显的影响公交行驶速度;差(v4):客流量高峰期,存在大范围的道路拥堵,严重影响公交行驶速度。
本发明并不局限于上述实施例,在本发明公开的技术方案的基础上,其他不需要创造性的劳动对其中的一些技术特征所作出的替换和变形,均在本发明的保护范围内。
Claims (3)
1.一种基于多源数据的公交运行状态预测方法,其特征在于,该方法包括以下步骤:
步骤1,获取线路上正在行驶的公交车辆IC卡刷卡数据,得到客流量数据;
步骤2,根据公交车辆途径的城市道路,获取道路拥堵总距离数据;
步骤3,将获取的客流量数据和道路拥堵总距离数据作为历史数据储存至数据库,使用ARIMA预测模型分别进行客流量预测和道路拥堵总距离预测;
步骤4,利用模糊综合评价法进行公交运行状态预测,得到公交运行状态预测等级;
所述步骤1中,所述客流量数据统计的是线路上所有正在行驶的公交车辆的上车客流量,具体统计方法为:确定客流量数据的统计时段长度H(5min≤H≤30min),得到不同时段的客流量数据其中Bnk表示线路上第n辆公交车在第k个统计时段中的上车客流量,n为在线运行的公交车辆编号(n=1,2,3,…,N,N为线路上正在行驶的公交车辆总数),k为统计时段编号(k=1,2,3,…,K,K为统计时段的总数);
所述步骤2中,所述道路拥堵总距离数据统计的是公交车辆途径的所有城市道路的拥堵距离之和,具体统计方法为:在每段客流量统计时段结束时刻,定时统计道路拥堵总距离其中Dsk为在第k个客流量统计时段结束时刻公交车辆途径的第s条道路的拥堵距离,s为公交车辆途径的城市道路编号(s=1,2,3,…,S,S为公交车辆途径的城市道路总数);
所述步骤3中,使用ARIMA预测模型分别进行客流量和道路拥堵总距离预测具体步骤为:
(1)基于客流量历史数据和道路拥堵总距离历史数据分别确定客流量ARIMA预测模型和道路拥堵总距离ARIMA预测模型的模型参数,具体步骤如下:首先通过ADF检验判断历史数据的平稳性,若检验结果为非平稳数据,则使用差分法将数据平稳化,根据差分的阶数确定差分阶数d;然后使用信息准则函数法如最小化信息量准则(AIC)或贝叶斯信息准则(BIC)确定自回归阶数p和移动回归阶数q;最后根据确定的参数d、p、q建立ARIMA预测模型;
(2)根据建立的客流量ARIMA预测模型和道路拥堵总距离ARIMA预测模型进行数据预测,得到未来一个或多个时段的客流量预测值及对应时刻的道路拥堵总距离预测值,其中时段长度均为H。
2.根据权利要求1所述的一种基于多源数据的公交运行状态预测方法,其特征在于,所述步骤4中,利用模糊综合评价法进行公交线路运行状态预测具体步骤如下:
首先确定因素集U和评价集V,因素集U={u1,u2}是指公交线路运行状态预测等级的评价指标,其中u1代表客流量预测值,u2代表道路拥堵总距离预测值,评价集V={v1,v2,v3,v4}是指公交线路运行状态预测等级的具体分级,其中v1-v4分别代表着优、良、中、差四种公交运行状态预测等级;
其次建立隶属度函数,采用梯形分布函数r作为因素集U={u1,u2}的隶属度函数:
其中a,b,c,d为常数,是通过将所述客流量和道路拥堵总距离的历史数据按大小进行区段划分确定;
然后建立评价矩阵R=[R1,R2]T,R1=[r11,r12,r13,r14]是根据所述隶属度函数对因素集中u1进行单因素评价得到的一个相对于评价集中vi的模糊向量,其中0≤r1i≤1(i=1,2,3,4)代表因素u1对评价集中vi的隶属度,R2=[r21,r22,r23,r24]是根据所述隶属度函数对因素集中u2进行单因素评价得到的一个相对于评价集中vi的模糊向量,0≤r2i≤1(i=1,2,3,4)代表因素u2对评价集中vi的隶属度;
最后进行综合评价,得到模糊综合判断集B=W·R=[b1,b2,b3,b4],根据最大隶属原则确定公交运行状态预测结果,其中b1-b4对应的评价集V中v1-v4的隶属度,W=[w1,w2]为权重向量,代表因素集U中各因素的权重。
3.根据权利要求1所述的一种基于多源数据的公交运行状态预测方法,其特征在于,所述步骤4中,公交运行状态预测等级具体是指:使用模糊综合评价法分析所述未来一个或多个时段的客流量预测值及对应时刻的道路拥堵总距离预测值,得到未来一个或多个时刻的公交运行状态预测等级,各公交运行状态预测等级的含义为:优(v1):客流量小,道路畅通,公交行驶速度不受影响;良(v2):流量中等或偏小,存在小范围的道路拥堵,轻微影响公交行驶速度;中(v3):客流量中等或偏大,存在中等范围的道路拥堵,较为明显的影响公交行驶速度;差(v4):客流量高峰期,存在大范围的道路拥堵,严重影响公交行驶速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211402481.XA CN115796337A (zh) | 2022-11-10 | 2022-11-10 | 一种基于多源数据的公交运行状态预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211402481.XA CN115796337A (zh) | 2022-11-10 | 2022-11-10 | 一种基于多源数据的公交运行状态预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115796337A true CN115796337A (zh) | 2023-03-14 |
Family
ID=85436528
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211402481.XA Pending CN115796337A (zh) | 2022-11-10 | 2022-11-10 | 一种基于多源数据的公交运行状态预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115796337A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117495204A (zh) * | 2023-12-29 | 2024-02-02 | 济南市城市交通研究中心有限公司 | 基于数据分析的城市公交运行效率评估方法及系统 |
-
2022
- 2022-11-10 CN CN202211402481.XA patent/CN115796337A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117495204A (zh) * | 2023-12-29 | 2024-02-02 | 济南市城市交通研究中心有限公司 | 基于数据分析的城市公交运行效率评估方法及系统 |
CN117495204B (zh) * | 2023-12-29 | 2024-04-16 | 济南市城市交通研究中心有限公司 | 基于数据分析的城市公交运行效率评估方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Assessing the influence of urban transportation infrastructure construction on haze pollution in China: A case study of Beijing-Tianjin-Hebei region | |
CN108564226B (zh) | 一种基于出租车gps及手机信令数据的公交线路优化方法 | |
CN111260221A (zh) | 一种面向城市全局基于动态模型的交通设施承载力评估方法 | |
CN101706996A (zh) | 一种基于信息融合的高速公路交通状态识别方法 | |
CN103366224B (zh) | 一种基于公交网络的乘客需求预测系统和方法 | |
CN102081859A (zh) | 一种公交车到站时间预测模型控制方法 | |
CN107609677A (zh) | 一种基于出租车gps大数据的定制公交线路规划方法 | |
CN113506013B (zh) | 基于多源数据的中运量公共交通系统综合效益评价方法 | |
CN112561304A (zh) | 城市常规公交线网的评价方法 | |
CN109300326B (zh) | 一种基于实时gps的公交短时动态调度方法 | |
CN109344991B (zh) | 一种公交线路最高断面客流预测方法 | |
CN111341095A (zh) | 一种基于边缘侧在线计算的交通信号控制系统及方法 | |
CN107833459A (zh) | 一种基于gps数据的城市公交运行状况评价方法 | |
CN115796337A (zh) | 一种基于多源数据的公交运行状态预测方法 | |
Liu et al. | Understanding urban bus travel time: Statistical analysis and a deep learning prediction | |
CN112116124B (zh) | 一种基于出行者视角的公交线网优化方案的审计方法 | |
CN112669595B (zh) | 一种基于深度学习的网约车流量预测方法 | |
CN113345259B (zh) | 一种基于数据驱动的地面公交线路调整的方法 | |
CN113888387A (zh) | 一种基于客流需求的多目标运行优化方法 | |
CN114078322B (zh) | 一种公交运行状态评价方法、装置、设备及存储介质 | |
CN115130868A (zh) | 基于手机信令的城市土地利用与交通一体化互动反馈模型 | |
CN115713184A (zh) | 一种公交线路运营服务评估方法 | |
CN113095670B (zh) | 共享单车调蓄点规划选址方法 | |
CN114819633A (zh) | 一种应用于国土空间规划的交通设施布局评价方法 | |
Kouwenhoven et al. | Development of a tool to assess the reliability of Dutch road networks |
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 |