基于IC卡数据的轨道站点候车时间特征分析

城市轨道在面对高峰时刻大量的通勤客流时,有可能因地铁已满负荷行驶乘客而等待下一车辆,由此产生轨道站点候车时间。基于此,提出了一种基于地铁IC卡数据来计算高峰时期乘客真实候车时间的方法。其特点是针对特定OD,通过高峰时刻乘客出行时间与非高峰时刻乘客的出行时间的关系来计算乘客站内高峰候车时间。基于IC卡数据可计算出真实准确的候车时间,并使用北京市地铁IC卡数据计算了北京市278个轨道站点站内候车时间,并对其候车时间特征进行了分析。     

北京市公共交通模型构建与应用

针对近年来北京市缺乏具体统计数据反映公交服务范围不断增长的问题,突破以交通小区为分析单元的建模方式,以公交和地铁站点、站群为分析单元,建立了北京市公交模型。在建立了公交站群系统和公交网络系统的基础上,采用空间分析、数据融合等技术手段,对多源异构数据进行重组统合。以IC卡数据和调查数据为基础,建立了北京市公交出行OD矩阵,实现了公交网络客流模拟以及与市区交通模型进行数据交换与共享等多种功能,为北京市公交线网、站点的优化调整提供了技术支持。     

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.     

苏州市轨道交通与常规公交换乘特征分析

换乘优惠政策被认为是能够有效提升公共交通系统吸引力的方法,提出基于换乘优惠数据和手机信令数据的轨道交通与常规公交换乘特征分析方法,以了解换乘优惠条件下常规公交与轨道交通的换乘特征.以苏州市为例,分析乘客换乘的时间特征、空间特征,并以实例分析城市外围轨道端点站和中心区站点换乘接驳、换乘服务范围的差异.研究表明,早高峰期间...     

基于公交IC 卡数据的上车站点推算研究

为了分析城市公交乘客的出行特征,本文利用公交IC 卡及GPS数据对公交IC 卡乘客上车站点推算进行研究.针对安装车载GPS设备的车辆,运用GPS数据与IC 卡数据融合算法进行推算;对于无车载GPS设备的情况,为适应一票制IC 卡数据挖掘,对贝叶斯决策树算法进行改进,允许节点跳跃,推算上车站点,并且利用Markov 链特性降低算法的运算复杂度.同时,本文以北京公交数据为例,对提出的两种方法进行验证.结果表明,利用本文提出的方法推算上车站点,3 站之内误差的准确率达到90%以上,算法在兼顾算法精度的同时合理地控制了运算复杂度,可以实际运用于城市公交系统.     

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。     

适用于一票制公交大数据的系统化处理方法及应用 ——以银川市为例

为分析公交乘客出行特征,利用公交IC卡数据、公交GPS数据、车载机数据和单程站点关系表,通过各类数据关联融合,提出适用于一票制公交大数据的系统化处理方法。基于Oracle搭建分析数据库,采用Python语言编写代码,构建了乘客上车站点推断算法、基于出行链的乘客下车站点推断算法、基于概率的乘客下车站点推断算法和乘客换乘站点识别算法4种站点推断算法。基于此,运用银川公交大数据进行客流集散点识别、客流走廊识别,得到公交站点上下客流量分布情况、公交线路客流量分布情况、公交站点的换乘客流量分布情况。研究结果表明,一票制公交大数据系统化处理方法在分析公交乘客出行特征方面具有一定的应用价值。     

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.