一种新的公交乘客上车站点确定方法

公交IC卡是一种新的客流信息采集手段,它的广泛使用为公交管理者进行客流分析提供了新的数据源。充分利用公交IC卡刷卡时间信息,根据相邻两站点间的最短刷卡间隔,通过系统聚类法对IC卡刷卡数据按照时间顺序进行聚类分析。在此基础上,将聚类分析的结果与公交运营资料所推算出的车辆到站时间进行时间匹配,确定持卡乘客的上车站点。最后,通过实例验证了该方法的可行性与实用性。     

基于公交IC卡数据信息的客流预测方法研究

根据大连市公交IC卡的历史数据绘制公交线路客流曲线,采用有序聚类Fisher算法划分公交峰值区间,在具有典型特征的峰值区间内进行有针对性的公交客流调查,可得到实际客流数据样本.通过将公交IC卡客流数据与随车客流调查数据相结合,建立不同峰值条件下预测客流的回归方程,可实现对不同峰值区间内总体客流量的预测.     

多元数据下的公交站点客流不确定性分析

利用长期收集的公交站点IC卡刷卡数据,基于区间不确定性理论,提出公交上下车站点区间不确定性客流推导方法.首先,将公交IC卡数据和GPS数据与公交站点信息相融合,确定IC卡刷卡的上车站点及其区间不确定性客流;然后,对公交刷卡行为进行分析,考虑乘客个体出行特征、乘客出行距离和站点吸引权重,提出下车站点客流推导概率模型及相应算法,通过区间数处理方法,得到下车站点客流区间值.最后,以2015年11月13日~12月25日深圳市21路公交为期6周的IC卡刷卡数据和GPS数据为例进行实例分析.     

基于IC卡和RBF神经网络的短时公交客流量预测

在公交客流量特性分析基础上,通过IC卡获取了实时公交客流量数据;结合GPS数据,利用OD反推法分析了实时客流分布;进而建立了基于IC卡和RBF神经网络的短时公交客流量预测模型并介绍了具体预测过程。对重庆市841公交线路进行了实例分析,得到上下车客流真实值与预测值的平均绝对相对误差均小于1.5%,实例计算结果表明该模型能获取实时客流数据,预测精度高,具有一定的实际应用价值。     

单条公交线路的IC卡数据分析处理方法

及时而准确地掌握城市公共交通运营及客流信息,是进行科学合理的公交运营决策和公交网络规划的前提。随着城市公交IC卡的广泛运用,从IC卡信息中提取城市公交客流信息成为又一种公交数据采集方法。通过公交IC卡数据分析处理方法,可以得到实时准确且连续的公交客流信息数据,较之传统的人工调查方法经济实用,数据结果准确度高。以单条公交线路的IC卡信息为例,提出单条公交线路运营及客流信息的分析处理方法,得到包括站点客流、线路客流、断面客流等主要客流指标的分析计算方法。     

基于公交IC卡与GPS数据的公交客流可视化分析

公交客流特征与规律是公交高效运营与服务提升的主要研究内容,也是城市公交线网规划的重要决策依据。随着城市人口的增长及公交出行需求的增加,产生海量多元的公交IC卡刷卡数据。为实现对公交客流特征与规律的全方位精准分析,并优化展示分析结果,运用海量IC卡刷卡数据,结合公交车辆GPS数据,建立数据之间的关联,消除信息孤岛,对公交客流建立多维度数学分析模型。从客流OD、断面客流、候车时长、客流堆积等方面分析公交客流特征与规律,并将结果可视化,开发出客流可视化分析应用系统,能够为公交运营调度、线网规划提供科学的决策依据。在构建的客流分析系统中导入厦门BRT的实际刷卡数据,运行结果表明,该系统能够准确统计BRT的客流量,并分析客流特征与出行规律。     

基于数据融合的公交客流规模测算方法

公交客流规模测算往往存在调查成本受限和准确度要求较高的矛盾.提出基于公交IC卡历史数据与人工补充调查数据的数据融合测算方法,以准确推算公交客流规模.首先根据公交线路的基本属性,采用聚类分析方法划分线路类型,从每一类中选择具有代表性的线路.基于IC卡数据分析公交客流时变特征,运用有序样本聚类Fisher算法将线路小时刷卡量进行聚类分析.划分刷卡量相似时段,进而采用优化方法确定调查抽样率,确定相应的调查车辆进行人工补充调查,最终经过数据融合计算获得公交客流规模.基于上海市某辖区IC卡数据进行案例分析,测算得到三类公交线路的日均客流量.     

基于公交GPS和IC卡数据的综合交通建模新思路

为给我国交通规划模型的研究和开发提供新的方向和思路,结合郑州市综合交通模型的开发实践,探讨了公交GPS和IC卡数据在其中的应用.主要包括:基于公交GPS和IC卡数据的公交OD生成方法、公交客流量模型、非集计模型与动态公交分配模型以及基于公交GPS数据的需求预测组合模型.重点阐述了公交GPS和IC卡数据在上述几个方面的应...     

基于IC卡历史数据的公交客流统计方法

随着公交IC卡的普遍使用,基于公交IC卡数据的公交客流统计方法逐步成为主流的统计方法。因国内绝大部分城市均采用上车刷卡的方式,所以需根据用户出行规律进行下车站点的推测。为降低运算复杂程度,现有的IC卡分析算法多采用基于后续公交站点吸引权的概率算法,这种算法既不能判断单个乘客的下车站点,对于总体客流又存在数据准确性问题。为此,本文对于能够形成出行闭环的单日多次出行采用传统方法推测其下车地点;对于未形成闭环的单日出行,则分析相关单个乘客历史类似天日的IC卡刷卡数据,统计出其最可能的下车站点,进而得出总体客流。采用本算法对重庆市某段时间的所有IC卡数据进行处理和统计后,经人工计数的数据对比表明:相较于传统的出行闭环算法和站点吸引权算法,本算法对于公交客流的统计更加准确。     

基于公交IC卡数据信息的客流预测方法研究

根据大连市公交IC卡的历史数据绘制公交线路客流曲线,采用有序聚类Fisher算法划分公交峰值区间,在具有典型特征的峰值区间内进行有针对性的公交客流调查,可得到实际客流数据样本。通过将3EIC卡客流数据与随车客流调查数据相结合,建立不同峰值条件下预测客流的回归方程,可实现对不同峰值区间内总体客流量的预测。     

基于改进极限学习机的公交站点短时客流预测方法

以公交车IC 卡和GPS数据为基础，提出了一种基于改进粒子群算法优化极限学习机(IPSO-ELM)的公交站点短时客流预测模型.依托IC 卡和GPS 数据在站点的特征表现和内在联系，定义了站点间距，并分析了站间距和车辆到总站距离间的联系；提出了公交乘客上车站点确定方法，进而得到公交站点上车客流量；通过分析公交客流数据特征，确定ELM输入参数维度，并采用IPSO 算法找到ELM的最优隐含层节点参数；最后依托广州市19 路公交车客流数据仓库进行了方法验证.结果表明：所用优化后的ELM方法预测误差在10%以内，并与应用广泛的SVM、ARIMA和传统ELM模型进行对比分析，发现改进的ELM方法拥有更高的可靠性和泛化性能.     

基于改进极限学习机的公交站点 短时客流预测方法

以公交车IC 卡和GPS数据为基础，提出了一种基于改进粒子群算法优化极限学习机(IPSO-ELM)的公交站点短时客流预测模型.依托IC 卡和GPS 数据在站点的特征表现和内在联系，定义了站点间距，并分析了站间距和车辆到总站距离间的联系；提出了公交乘客上车站点确定方法，进而得到公交站点上车客流量；通过分析公交客流数据特征，确定ELM输入参数维度，并采用IPSO 算法找到ELM的最优隐含层节点参数；最后依托广州市19 路公交车客流数据仓库进行了方法验证.结果表明：所用优化后的ELM方法预测误差在10%以内，并与应用广泛的SVM、ARIMA和传统ELM模型进行对比分析，发现改进的ELM方法拥有更高的可靠性和泛化性能.     

基于站点实时关联度的短时公交客流预测方法

为探究公交站点之间的关联度并对公交客流进行更精准的实时预测，本文提出基于 Attention的交通预测核心算法(Traffic Forecast Model Based Attention，TFMA)，结合数据预处理和 站点信息编码完成基于站点实时关联度的短时公交客流预测方法。该方法首先创新性地提出了 站点实时关联度，可实现对目标站点客流量更精准的预测；其次，在公交站点的编码信息中融入 线路站点信息、客流变化率、天气、日期等关联因素；接着，该方法依靠Attention机制计算站点实 时关联度；核心算法中使用multi-headed机制、增加通道和残差连接进一步提升预测能力；最后， 以苏州市公交数据进行验证。结果显示：在准确率上，对比多元线性回归的53.8%、GRU(Gated Recurrent Unit)的66.9%和LightGBM(Light Gradient Boosting Machine)的81.2%，本文提出的基于 站点实时关联度的短时公交客流预测方法的准确率在90%以上，表明该方法具备优秀的短时公 交客流预测能力。     

出行策略与行程时间不确定下的公交客流分配方法

利用杭州市公交线路站点GIS数据和车辆运行GPS数据进行分析,将公交车到站时间分为站点停靠时间和站间行程时间,得到公交车站点之间运行可能总时间的分布概率.通过实际的公交路网结构,定义扩展的公交网络有效路径.在考虑公交线路联合发车频率和根据乘客路径选择的广义成本下,建立出行策略与行程时间不确定下的公交客流分配模型,并将公交线路发车时刻表引入用户均衡模型中,设计了基于扩展网络最短路的Method of Successive Average(MSA)算法求解,通过对两个交通小区间高峰小时的客流分配结果验证模型和算法的有效性.     

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.     

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.     

基于多指标协同的公交大站快车站点推荐方法

现有公交大站快车站点选择方法存在未考虑站点枢纽作用，以及未融合多源数据等不足。本文引入复杂网络理论，融合公交车和出租车客流数据，提出一种综合考虑站点客流，潜在客流及交通枢纽作用的多指标协同的公交大站快车站点推荐方法。该方法基于公交客流，线路数据和出租车客流数据，分别计算公交线路站点客流集散量和潜在客流集散量；通过构建有向加权的城市公交复杂网络，计算公交站点重要度；在此基础上，综合3个指标，采用层次分析法计算指标权重，统计得到公交站点综合评分，建立大站快车站点组合推荐方法，得到大站快车线路站点组合。以厦门市为例进行大站快车站点推荐实验，结果表明，在传统方法的基础上，加入公交站点重要度及潜在客流集散量两个新指标得到的公交大站快车推荐站点更符合居民出行的实际需要。     

基于电子支付数据的公交车厢满载率实时估算方法

针对公交监测和调度中要求实时掌握车厢满载率，以及“一票制”无法获取乘客下车信息等问题，构建基于数据驱动的组合模型，在乘客上车时即推断其出行OD站点，进而融合多源数据实现车厢满载率的实时估算。提出以K近邻算法为组合模型的核心，针对K近邻推断率过低等问题，研究在更大空间维度分析乘客出行规律并推断下车站点的方法，有效提升历史数据的利用率和下车站点的推断率；此外，针对偶发型乘客缺少历史规律数据的情况，充分利用站点下车客流量先验概率随机分配，实现电子支付乘客OD的全样本推断。利用跟车调查法对不同线路、不同班次的车厢拥挤度进行验证。结果表明，模型计算结果与实际结果相符，能够反映出不同线路、不同站段之间的车厢拥挤水平变化。     

基于均衡载客量的公交时刻表优化方法研究

本文首先介绍发车频率及发车间隔的确定方法,然后结合各公交站点在各时间段的平均观测客流量数据．以均衡载客量为原则．讨论了两种基于均衡载客量的公交时刻表编制方法：均衡最大载客断面载客量的时刻表编制方法与均衡单个车辆最大载客量的时刻表编制方法,并阐述了两种时刻表的编制流程。