结合出行链的公交IC卡乘客下车站点判断概率模型

综述了一票制公交IC卡乘客下车站点推断的研究现状.为充分利用乘客出行链和站点上车客流量等信息,分析了公交出行的特征,提出了公交出行若干假设条件.在此基础上,定义了相关集合变量来描述单个乘客的出行链,将乘客个体出行特征融入到站点吸引权重的计算中.然后根据乘客出行链信息的完整程度,综合集计分析和非集计分析方法建立了结合出行链的概率模型,并提出了应用模型判断乘客下车站点的算法,以及模型检验方法.最后,以广州公交448路为例,对比了本文模型和单纯非集计分析方法的下车站点判断结果.结果表明,本文提出的模型适用性更广,在集计分析层面具有更高的可靠性.

基于出行模式的公交IC卡乘客下车站点判断方法

对智能公交系统数据进行分析和挖掘,能够为城市公共交通系统的规划和管理提供科学的决策依据.一票制的公交IC卡收费系统仅在上车时刷卡,乘客下车站点的信息无法直接得到,而现有方法只能判断出部分乘车记录的下车站点,这成为公交IC卡数据应用的制约因素.根据公交乘客出行的时空规律性,提出基于通勤出行模式和关联出行模式判断下车站点的思路.利用通勤出行规律判断公交乘客的通勤OD,再根据其居住地和工作地站点信息对通勤出行的下车站点进行估计.依据公交乘客长期出行具有一定时空关联性的规律,通过将当日出行与他日的关联出行数据进行匹配来判断下车站点.对提出的方法进行算法实现,并应用大规模实际数据对算法进行了实验和精度分析.研究结果表明:该方法能够有效提高下车站点的判断比例,准确率达到87.90%,能够应用于实际的公交系统规划和管理工作.

基于IC卡数据的公交下车站点区间不确定性客流推导方法

在交通大数据背景下,针对现有公交客流推导研究中站点客流皆为固定单一值与实际波动区间值不符的问题,利用区间不确定性理论,以及公交IC卡数据与GPS数据相结合,得到上车站点的公交区间客流。对公交刷卡行为进行分析,考虑乘客个体出行特征和乘客出行距离于站点吸引权重中,得到下车站点客流推导概率模型,结合区间不确定性理论,得到下车站点客流区间值。以深圳市的21路公交IC卡数据和GPS数据为例进行实例分析。通过对推导结果的合理性分析,表明得到的公交区间不确定性客流,更符合实际,算法流程清晰,具有更好的可靠性。

基于公交IC卡和GPS数据的乘客上下车站点研究

文章通过对公交IC卡和GPS数据的分析,给出了利用IC卡和GPS数据推导乘客上下车站点的判别方法。通过充分挖掘两类公交数据中的信息,考虑乘客刷卡滞后的情况,采用相邻站点进站时间与刷卡时间匹配的方法识别上车站点;同时考虑到同行人员代刷卡行为,改进了下车站点的判断机理;最后结合成都市公交IC卡和GPS数据进行实例分析,结果表明所采用的判别方法上车站点识别率较高,下车站点的判断结果符合实际情况,具有较高的准确性。

基于阶梯收费刷卡数据的公交下车站点算法优化与实证评估

以某市连续5日全天公交阶梯收费刷卡数据、公交出行GPS(global positioningsystem)数据及公交站点数据为基础,结合出行链算法与随机森林网络,构建了一套公交下车站点融合分析模型。在模型中,首先匹配GPS数据与公交站点数据,确定不同时刻的公交到站信息,再以乘客上车站点位置、出行频率、活动空间、下车点用地类型分布、下车概率为输入,识别乘客下车站点,最终下车站点推算率提升至100%,全样本有效率达76.2%,相比现有基于出行链的方法,识别有效率提升37%。

基于历史出行记录扩充的公交乘客下车站点推算方法

用出行链方法推算的下车站点的记录可作为历史出行数据集,而现有的研究在对出行链断裂的记录进行下车站点推算时使用的历史数据集较小,造成可推算下车站点数据量少、准确率低的缺点.提出基于历史出行记录扩充的公交乘客下车站点推算方法 .首先,使用多源数据集成的出行链方法进行下车站点推算,将已确定下车站点的数据作为历史数据集;其次,基于个人历史相似出行的方法对于未确定下车站点的记录进行推算;最后,选择同线路同站点上车的其他乘客的IC卡记录作为每条未识别下车站点记录的群体历史出行记录,并基于相似出行行为规律进行下车站点的推算.该方法增加了可推算下车站点记录的数据量、提高了推算的准确率.以厦门市为例的实验结果表明:在历史出行记录生成时,使用多源数据可比单源数据多生成3. 48%历史出行记录,推算准确率提高1. 99%;在历史出行记录选择时,选择群体历史出行记录分析得到的历史相似出行行为规律,可对前两种方法无法确定下车站点的所有记录进行推算,占全部待推算记录的21. 81%,其中5. 37%记录的下车站点推算正确.

基于IC卡和稀疏GPS数据的中小城市公交乘客上下车站点推算方法

为有效获取中小城市公交乘客出行信息,挖掘其出行特征,基于公交乘客IC卡数据、稀疏GPS数据和公交站点位置信息等数据,提出一种公交乘客上下车站点推算方法。首先,通过内插法补齐稀疏GPS数据并与公交站点经纬度匹配获得车辆到站时刻,进而匹配乘客的IC卡刷卡时刻,识别乘客上车站点;然后,根据出行链理论划分不同公交出行链,结合乘客出行假设和公交站点特征简化推算过程,获得不同乘客类型公交出行链的下车站点;最后,选取如东县公交系统中沿线站点特征不同的两条线路对推算方法进行验证。结果表明,该方法可分别修正两条线路11.3%和16.9%的乘客上车站点匹配结果并成功推算出84.2%和87.5%的乘客下车站点,有效提高了时间匹配精度,可完整识别出乘客一天的公交出行信息,对于GPS数据稀疏的中小城市公交乘客上下车站点推算具有普适性。

基于Mean Shift的公交下车站点判定方法

为了解城市公共交通出行的时空特征,改善城市公交的运营服务,提升居民公共交通出行效率,对居民使用公共交通出行下车站点及下车时间的计算方法进行研究。利用出行链的思想,对连续出行的乘客采用阈值内最近邻算法判定公交下车站点信息。针对一些出行链头部或尾部断裂的情况,通过分析乘客中长期历史乘车记录,利用Mean Shift聚类算法得出每个乘客的居住地中心点O与工作地中心点D,采用阈值内最近邻算法计算离工作地中心或居住地中心最近的距离,从而对下车站点进行补充。实验结果表明,该方法能补充居民行程中85%的下车站点及时间,且准确率较高。

基于出行链路的乘客下车站点推算方法

由于大部分城市公交实行“一票制”,乘客在上车时拍卡,下车时无需刷卡,因此乘客的下车站点很难被公交系统采集。文章提出一种基于出行链路的方法推算公交乘客下车站点,首先获取乘客的上车站点,然后构建并识别乘客的出行链路,最后基于出行规律或站点吸引强度推断乘客的下车站点。以一个真实的大规模数据集验证了该方法,实验结果表明该方法能推算出80%以上乘客的下车站点。

基于IC卡数据的公交乘客上下站点预测研究

当前一票制的公交IC卡收费系统无法获取乘客的上车站点和下车站点,为公交线路客流量分析造成了一定困难。本文通过充分研究IC卡数据以及GPS数据,构建了以IC卡数据为基础的乘客上下车站点匹配模型,挖掘数据中包含的公交运行特征以及乘客出行特征。模型同时考虑封闭式公交出行链以及非封闭式公交出行链,并采用二分算法以及多概率融合的方法在乘客乘车特征基础上推测乘客的上下车站点,可有效提升公交的高效化运行管理。以承德市7号线路为例进行验证,采用线性回归方程对上下车站点匹配结果进行分析,相关系数高达0.977,校验回归方程系数值为0.9785。结果表明该模型可实现对公交车乘客上下车站点的有效匹配,具有较好的可靠性。

城市公交乘客下车站点推算方法和有效性评价

特大型城市的公交车上普遍安装了自动售票（auto fare collection,AFC）系统和车载GPS导航定位设备,记录了乘客出行与行车轨迹、时间等数据,连续运行的公交车和众多的出行乘客形成了城市公共交通运行和出行大数据。如何高效、准确地从公交大数据中识别公交乘客下车站点,对于提高交通运行效率、科学布局组织交通具有重要的意义和作用。基于深圳市公交车AFC和GPS数据,利用时间匹配和基于带噪声空间密度聚类的方法判别上车站点;在仅有的公交数据基础上,通过分析乘客出行行为,根据乘客多天的出行以及各站点的上车频率,利用乘客高频站点和下游站点吸引权,提出一种推算方法,实现乘客下车站点的推断。算法模型的检验和实例分析表明该方法的有效性。

基于IC卡数据的公交乘客下车站点推算模型

对智能公交系统IC卡数据、GPS数据挖掘与应用问题进行了研究,构建了基于公交站点下车概率的乘客下车站点推算模型.该模型提取公交乘客通勤、随机出行等行为链,考虑站点吸引权及当次乘车方向下游站点数等影响因素,判断随机出行下车站点.针对该模型提出了乘客下车站点判断算法,并设计了模型的检验方法.以青岛市11路公交为例验证算法,检验回归方程系数值为1.0211.结果表明,该算法能实现乘客下车站点有效推算,具有良好可靠性.

公交持卡乘客下车站点推导方法研究及验证

本文通过分析公交持卡乘客的出行数据,挖掘乘客的出行规律,改进基于出行链理论的下车站点推导方法,并建立、检索站点邻域集以提升下车站点的推导效率。借助攀枝花市特殊的自动收费系统,利用分段计费线路的下车数据验证了方法的有效性,结果表明下车站点的推导结果具有较高的精度。同时探究了最大步行距离阈值对推导结果的影响,给出不同场景下的应用建议。此外研究分析了不同线路、不同群体的推导效果,对其内在原因做出解释,提供了模型方法的改进方向。研究结果有助于分析乘客的公交出行行为,支撑辅助型公交的需求分析和布设,提升公交服务水平。

站点位置缺失的公交客流OD估计方法及应用

利用公交自动收费(AFC)和自动车辆定位(AVL)系统产生的数据估计公交客流OD,可用于优化公交系统的规划设计和运营管理。针对公交站点位置缺失的情景,提出公交站点识别和上下车站点推断方法。首先通过时间匹配获得刷卡记录的位置信息,进而结合时间聚类方法和空间聚类方法DBSCAN识别公交站点并获得上车站点,接着依次采用个人公交出行链规则、个人公交出行规律性规则和公交线路客流分布规律性规则估计下车站点。应用上述方法估计深圳市公交客流OD,并开发包含线路、站点、客流和可达性4个模块的公交规划支持系统,用以支持公交系统的优化调整。

基于公交IC卡和GPS数据的乘客上下站点模型研究

提升城市公交系统的运行效率和管理水平,改善城市交通状况,一直是交通管理部门和公交企业的发展目标,同时也是创建“公交都市”的根本要求。如今公交IC卡系统和车载GPS技术已经成熟,在我国多数城市得到应用,本文通过时间关联匹配,构建公交IC卡刷卡数据和GPS数据的融合模型,实现了对乘客上下车情况动态掌握和实时分析,最后应用所收集到的深圳市的公交出行数据进行误差分析。

面向海量公交刷卡数据的站点客流分析方法

公交行业的发展,产生了海量多元的公交IC卡刷卡数据,为行业应用提供快速、准确的站点客流量统计一直是智能公交建设的重点。以往对客流量的研究只是进行了简单的数据统计,准确度不高,提出的并行算法在海量数据规模下不具备水平扩展能力。针对此问题,论文通过分析海量多元数据的特征,面向公交刷卡数据提出了一种刷卡时间的聚类方法,不仅可在分钟级完成一周数据的计算,并根据换乘的时间差和距离规则约束提高了计算的准确性。论文工作在Hadoop MapReduce上进行了实现,分时客流量的计算方面随数据规模增大具有可扩展性,单位数据规模的计算执行时间保持相对稳定,并且分析结果具有较高的准确性。

基于在线支付数据的公交客流特征分析方法——以三明市清流县为例

为了给公交系统规划方案提供数据支撑,以公交在线支付数据为基础,通过数据收集、代刷数据剔除、换乘数据判断、下车站点判断等步骤,结合统计方法,得到了公交分担比例、时间分布、距离分布、线站分布、特定群体公交服务情况等公交运行特征,并以三明市清流县为例,验证了数据分析方法在公交客流特征分析中的适应性。

一种基于乘客出行轨迹的公交断面客流估算方法

为充分利用公交车GPS数据和IC卡数据来估算公交断面客流,提出一种对刷卡乘客分类推断上、下车站点并扩样叠加轨迹的方法。首先通过融合公交车GPS数据和IC卡数据来推断不同类别刷卡乘客的上、下车站点;然后,结合投币乘客的出行特征,用低出行频次刷卡乘客的出行轨迹拟合投币乘客的出行轨迹,并对全部乘客的出行轨迹进行叠加;最后以广州公交为例进行了实验。实验结果表明提出的方法可以免交通调查近似得到单条公交线路的断面客流。

基于公交IC卡和AVL数据的客流OD推导方法

公交IC卡收费系统和车辆定位系统的广泛应用,为获取公交客流OD提供了新的途径。针对现有公交客流OD推导算法的不足,从上车站点识别和下车站点推导两方面入手,对公交客流OD推导算法进行了改进。为了修正公交IC卡数据时间偏差,提高上车站点识别的准确性,在分析公交乘客上车刷卡行为的基础上,提出了基于AVL数据的公交IC卡数据时间修正方法。根据公交出行链的特性差异,将公交出行链划分为连续链和非连续链两大类,在此基础上,建立了不同公交出行链的下车站点推导模型,优化了下车站点推导流程。以苏州市的公交IC卡和AVL数据为例进行实例研究,通过对推导结果合理性的讨论分析,论证了改进算法的可行性和有效性。实践表明,改进后的公交客流OD推导算法流程清晰,易于程序实现,可以用于公交客流的自动分析。

基于公交IC卡信息的公交客流推算

武汉市常规公交采用单一票制收费模式,刷卡字段中缺少下车的相关信息,无法直接得到公交乘客的出行路径.本文重点基于公交GPS数据和IC卡刷卡数据,建立公交刷卡乘客上、下车站点识别模型.其中上车站点识别包含基于GPS时间和IC卡刷卡时间识别2个模型,下车站点识别包含基于出行连续性和出行链识别2个模型.分别对比分析2个模型的优劣,并以实际数据试算得到的识别率为判别标准,选取较高者为最终识别模型.最终上车站点识别模型选取基于GPS时间识别,因为基于IC卡刷卡时间识别,站点序号基本对应不上,而基于GPS时间识别,站点识别率高达98. 31%;下车站点识别模型选取基于出行链识别,因为基于出行链识别的识别率为70%左右,基于乘客出行连续性识别为50%左右.