一种新的公交数据模型与公交查询系统实现

针对目前大多数城市公交查询系统存在的问题,提出了一种新的公交数据模型,在对经典A*算法进行改进的基础上,提出了一种新的公交网络最短路径算法,实现了昆明市公交数据建模及公交查询系统。给出了公交网络最短路径算法流程图,将该算法与传统的Dijkstra算法应用于昆明市公交网络,并对其结果进行比较分析。结果表明,该系统操作直观,响应速度快,通过该系统,出行者可方便地获取出行所需的公交路线信息及其乘换地点,并可获取所经每一个站点的所有公交线路。

基于公交数据挖掘的时刻表排班协同换乘优化

为实现公交换乘协同排班,减少乘客出行换乘时间,本文对公交信息系统的IC卡数据及车辆GPS数据进行数据挖掘,提取换乘信息并对现有的发车排班进行优化.首先,构建了公交运行状态信息提取模型,提取现有的公交运行状态信息.在此基础上,设计了邻域搜索的公交时刻排班优化算法,得到最佳发车排班时刻表.为验证所提出方法的有效性,选取了成都市的56路和3路公交线路的实际数据进行案例验证.结果表明:通过优化排班的方法,在不改变现有的公交供需条件的前提下,可以有效实现协同换乘;与原有的公交服务相比,优化之后的公交服务能够更加贴近出行需求,提升线路之间的换乘衔接效率,从而提高公交服务质量.

城市公交数据大脑建设及应用

“公交数据大脑”是“城市大脑”城市数字化基础设施建设的有机组成部分,将全面整合汇集政府、企业和社会数据,在城市治理、公共交通信息化领域进行数据融合计算,实现城市运行的生命体征感知、公共交通资源配置、宏观决策指挥、事件预测预警、“城市病”治理、公交线网规划、智能调度决策、智慧出行服务等功能。

基于公交数据的公交乘客上客特征分析

城市公共交通是城市交通的重要组成部分,具有缓解交通拥堵、降低能源消耗、改善生态环境等优势,一直是政府大力支持与提倡优先的出行方式。基于公交的运营数据,提取了每次刷卡数据的上客站点数据,进一步分析出公交网络层面站点上客特征,最后,结合居住人口、工作人口分布,分析出公交乘客上客与空间人口分布的关联性。

公交GPS大数据预处理方法研究——以呼和浩特公交数据为例

基于机器学习及Python软件平台,创建了一种Hanning+Symlet4小波的去噪平滑算法,在去噪的基础上实现了数据规约及清洗的一体化,节省了数据清理所用的时间.经过仿真实验,处理后的数据在均方误差、信噪比、平滑度上的表现得到提升,为进一步的研究提供有力的数据支撑.

公交GPS历史轨迹数据挖掘方法研究与应用

通过分析公交数据更新的基本要素和挖掘类型,利用大数据挖掘原理,结合公交GPS历史数据的特点,提出了适用于公交GPS历史数据挖掘和更新的专用方法和算法,并引入机器学习模型提升挖掘算法能力,在此基础上设计了挖掘作业流程,通过结果对比,可得出在数据优化周期内,可作业率由15%提升至50%,线上数据更新频率由周级更新变为天级更新。以上数据挖掘方法和算法有效提高了更新效率,改进了更新准确率,在公交数据更新作业中发挥了重要作用,方便了公交用户出行,并助力绿色出行。

考虑轨迹数据的公交运行状态识别

运用公交GPS数据并采取地图匹配算法对公交实际运行状况进行刻画,统计车辆的单程耗时、到站时间间隔,量化分析公交行程时间可靠性,评价公交线路的运行效果,提出了基于行程时间增加率识别线路拥堵高发路段的方法。以哈尔滨市公交车轨迹数据为例分析了84路公交运行情况,结果表明:该线路单程准时度为88.33%,单程准时稳定度为61.55%,基于行程时间增加率的拥堵模型能够有效识别线路常发性拥堵路段,在热力图可视拥堵高发路段的空间分布情况。通过轨迹数据分析发掘公交运行变化特征,可为解决城市交通拥堵问题、提高公交服务水平及可靠性提供参考依据。

使用AVL数据的公交到站时间CEEMD-LSTM预测模型

针对现实中公交运行受突发路况影响,运行速度呈现非平稳性的问题,平稳化处理运行速度具有重要意义.结合时序特征处理技术和深度学习,建立一种使用自动车辆定位数据预测公交到站时间的互补集合经验模态分解(CEEMD)-长短期记忆(LSTM)神经网络模型.该模型收集公交自动车辆定位数据(AVL),经预处理后引入互补集合经验模态分解平稳化公交运行速度,再借助Adam参数寻优后的长短期记忆神经网络,对福州市303路公交某日早高峰公交到站时间进行预测.结果表明:优化的公交到站时间预测模型平均绝对误差比单一模型低了1.69 min,预测精度高于长短期记忆神经网络模型和经验模态分解的到站时间预测模型,可有效地为安装车载自动车辆定位系统的公交线路预测公交到站时间提供参考.

基于公交浮动车数据的城市主干道交通拥堵预测

交通拥堵预测是解决交通拥堵问题的前提。针对速度特性分析不全面的问题,基于公交浮动车数据,在速度时间相关性和空间相关性分析的基础上,加入了公交流量和时间占有率两个特征,提出了考虑时空特性和公交车流特性的改进粒子群优化的径向基函数神经网络(particle swarm optimization-radial basis function,PSO-RBF)速度预测模型。通过比较预测结果与速度阈值,得到城市主干道的交通拥堵情况。结果表明,与只考虑时空特性的预测结果相比,所提出的基于时空特性和公交车流特性的预测方法,可使模型预测的均方根误差(root mean square error,RMSE)、平均绝对误差(mean absolute error,MAE)分别降低13.58%、12.63%,决定系数达92.39%。同时,实例验证了改进的PSO-RBF神经网络模型的预测精度要优于标准的PSO-RBF神经网络。

大数据环境下基于职住地识别的公交通勤行为判断与特征分析

在大量的关于公交通勤行为特征的研究中存在乘客下车站点推算准确度不高、通勤出行行为识别率较低等问题。为此,对交通小区级别的公交大数据进行挖掘,构建基于乘客职住地识别的公交通勤行为分析方法,并展开相应的实证研究。结果表明:与基于出行链的研究方法相比,本文方法识别和提取出的通勤出行链更具完整性;识别出的通勤乘客与非通勤乘客的出行时空特征差异显著。研究为交通规划部门提供了一种大数据环境下精度较高的公交通勤行为分析方法。

基于多源公交数据和车时成本优化的公交运营时段划分方法

现有公交运营时段划分方法均基于单一参数(乘客需求或行程时间)的相似性,忽略了乘客需求与行程时间对时段划分方案的协同作用。针对传统方法的缺陷,利用多源公交数据,提出一种新的基于最小化车队运营时间成本的时段划分方法。首先,利用逆差函数模型计算时间窗内完成班次任务所需要的最小车队规模,进而利用滑动时间窗模型,计算全天各时间窗所需的理论最小车队规模。然后,以时段划分方案的时间分割点为决策变量,以最小化全天累计车队运营时间成本为目标建立优化模型,采用遗传算法对运营时段划分方案进行寻优。最后,以广州市87路公交线路实际数据为例进行验证,并对模型参数进行敏感性分析。研究结果表明:与传统方法相比,所提方法能更好地实现运力与运量相匹配,并有效降低车时成本;与以往基于断面客流和基于行程时间的划分方案相比,所提方案的车时成本分别降低25 veh·h和45.33 veh·h。

基于公交时空数据的宁波城市商业潜力研究

公共交通信息化是直接和间接支撑全社会“双碳”目标的重要方面。本文基于公交大数据提升决策精准性的出发点,利用公交大数据对宁波城市土地利用的商业潜力进行了分析。以宁波市轨道交通1—4号线和公交车刷卡数据为例,分别从总体特征和时空分布特征的角度对宁波市公交数据进行运营时空特征分析;在公交时空运营特征的基础上利用社区发现的算法构建了基于公交OD的宁波城市社区发现模型,并以该模型进行了分人群的社区发现特征分析和商业站点潜力分析。研究成果可为宁波市公交客流结构优化调整和商业站点分析提供参考依据,为构建公交大数据应用的产业化提供基础。

公交数据更新机制研究

智能公交系统的应用在一定程度上极大的方便了公交管理的工作,与此同时公交数据入库难、更新慢的问题又大大降低了公交管理的工作效率。本文在综合分析了深圳、广州、佛山等地的智能公交系统的基础上,提出了一种新的公交数据入库方法。该方法对现有公交数据处理流程进行了优化,同时实现了公交数据录入与更新的智能化。

基于公交GPS和IC卡数据的乘客人均候车时间估算方法研究

候车是公交出行的重要组成部分,而候车时间是决定公交系统吸引力的关键因素,也是评价城市公交服务水平的指标之一.目前,获取乘客候车时间的主要途径为问卷调查法和视频采集法.但是这些方法费时费力,仅能实现小范围典型站点的候车时间的调查,无法快速完成线路甚至线网级别的候车时间采集.为解决上述问题,本文基于北京公交GPS和IC卡刷卡数据,采用非时齐泊松过程理论构建了乘客到站模型,并给出了一种离散条件下任意时刻的乘客人均候车时间计算方法,该方法能动态准确的获知不同站点、线路和线网乘客的人均候车时间.基于此方法本文计算了1 d内北京公交606路全线的人均候车时间变化情况,计算结果表明,606路早晚高峰和中午乘客人均候车时间最短大约在200 s左右,下午乘客的候车时间较长.

大数据技术在城市交通管理中的应用研究

随着城市交通的多样化及复杂化,城市交通管理面临着严峻的挑战,传统的管理手段已无法满足需求。大数据技术的发展为城市交通管理提供了新的解决思路和手段。基于对海量交通大数据的采集、挖掘与分析,可以为交通管理提供更精准、更实时的决策支持。因此,本文对现阶段广泛应用于城市交通管理的大数据技术进行了详细介绍,同时对大数据技术在交通管理中的优势及实践应用进行了系统论述,为交通管理的智能化、信息化发展提供了技术支持。

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。

基于公交OD数据的居民公交出行特征研究

已有研究在应用"四阶段法"进行公共交通需求预测时,缺少对居民公交出行分布规律及变化特征的分析。文中通过从潍坊、常州、上虞、蚌埠和湖州五个典型城市居民出行调查数据库中提取出公交OD出行的有效数据,运用图形处理及模型标定等方法进行深入的数据挖掘,研究了居民出行时间消耗特征、出行时间分布特征和出行空间分布特征。指出:①公交出行的可容忍时间与建成区面积及公交分担率密切相关;②由于城市发展状态、经济发展水平及人们出行规律的不同,都会造成出行时间分布的差异;③分析同一城市不同时期居民出行空间分布时,应具体分析各区之间的出行联系强度。居民公交出行时空分布特征的研究,可以为城市公共交通需求预测及公交线网规划提供定量的参考依据及理论支持,该项研究的结论和分析方法可供其他城市借鉴和使用。

基于智能手机应用的公交车数据采集与分析

伴随着我国国民经济的飞速发展和城市化进程的加快,交通问题成为我国城市发展面临的极其严峻的现实问题。发展智能交通系统,是解决城市交通问题一个新的思路和方式。发展智能交通系统,最首要和最基本的问题就是解决交通信息采集问题。相比于传统方式,基于智能手机应用的交通信息采集方式可以大幅度提升交通调查效率和数据精确度。首先对原始数据的处理进行了说明,介绍了原始数据的示例以及如何对数据进行提出分析;接着,详细介绍获得出行轨迹、计算路段平均长度、相关速度、OD矩阵等的方法。

数据挖掘在公交调查数据分析中的应用研究

针对公交调查数据背后信息挖掘的需求,论文首先介绍了公交调查数据挖掘的理论概念及任务方法。概述了公交调查数据挖掘的常规流程,并且在分析了几种公交调查数据挖掘模型建模方法的基础上,得出kmeans模型最适宜对公交调查数据进行聚类分析。最后以达州市公交调查数据为样本实例,采用年龄、职业、每周乘坐公交天数、每月公交花费、偏好付款方式等几种属性,借以SPSS Clementine为软件平台、以k-means为模型对各属性数据进行聚类分析,软件运行后得到相似度较大的几组类别,根据不同样本含量的几组聚类进行图表分析,分别得出优化公共交通服务的相应建议,达到最初挖掘公交调查数据背后信息的目的。

基于公交IC卡和GPS数据的换乘识别方法

为提高公交换乘识别的精度,将IC卡和GPS数据融合推断得到乘客上车站点和下车站点及下车时间,在此基础上根据居民公交出行的特点及过程,从时间角度和空间角度来判断公交换乘行为。时间角度判断是从乘客站台候车时间及乘客站台候车时间段内是否乘坐第一辆目标线路车辆两个方面进行换乘行为识别。空间角度判断通过两个参数即迂回系数和直达系数来进行换乘行为的判断。最后,与只从时间角度识别的方法进行了对比。结果表明:考虑空间因素的识别方法更为合理全面。