法律状态公告日
法律状态信息
法律状态
2020-04-07
授权
授权
2018-01-30
实质审查的生效 IPC(主分类):G08G1/01 申请日:20170908
实质审查的生效
2018-01-05
公开
公开
技术领域
本发明涉及站点上下车乘客数估计方法。
背景技术
目前,大部分的公交政策制定的数据来源都是来自人工数据采集的方式,但是该方式 需耗费大量的人力、财力。因此开始有学者将目光聚焦于IC卡数据,试图通过IC卡信息 来获取乘客的出行数据,但是通过该方式获取的下车乘客人数,目前常用的公交出行链以 及站点吸引权重法存在着明显的缺陷,公交出行链法估计站点下车乘客数需要的工作量太 大,而站点吸引权重法估计站点下车乘客数准确度低。
发明内容
本发明的目的是为了解决现有公交出行链法估计站点下车乘客数需要的工作量大,而 站点吸引权重法估计站点下车乘客数准确度低的问题,而提出一种基于公交IC卡数据的 乘客上下车站点估计方法。
一种基于公交IC卡数据的站点上下车乘客数估计方法具体过程为:
步骤一:根据乘客上车时的刷卡记录时间,求解公交线路的刷卡时间阈值tmin;
步骤二:根据公交线路的刷卡时间阈值tmin,确定公交车未知对应站点时的每个站点>
步骤三:根据公交车未知对应站点时的每个站点上车人数、IC卡信息、公交调度信息中的每一站到站时间、公交线路编号以及公交车辆编号,确定公交车每个对应站点的上车人数;
步骤四:根据步骤三确定公交车每个对应站点的下车人数。
本发明的有益效果为:
本发明提供了一种基于乘客公交IC卡刷卡时间和公交调度信息,推导乘客上车站点 人数的方法,将公交出行链与站点吸引权重法相结合,通过建立假设条件和相关集合,分 析乘客下一次上车站点满足集合的情况,来推导乘客的下车站点人数,若无法构成闭合的 公交出行链,其高频上车站点,作为本次可参考的下车站点。而若是公交出行链既不闭合, 而又无法获取乘客的高频上车站点,则通过站点的吸引权重确定乘客的下车站点;降低了 推导站点下车乘客数的工作量,提高了准确度,解决了现有公交出行链法推导站点下车乘 客数需要的工作量大,而站点吸引权重法推导站点下车乘客数准确度低的问题。
结合实施例一本发明案例优化10:00~11:00时段37路东山口站发车时刻,因此需分析 10:00~11:00时段从东山口站往赤沙总站的客流需求,从数据库中提取出该时段此运行方向 的公交车辆刷卡记录,其中在该时段共有端号为02560303、09500496、03760206的三趟公 交车辆,发车时刻分别为10:20、10:40、11:00,其中截取端号为02560303的公交车辆部分 刷卡数据,如表3所示,以此为例阐述时间阈值的推导过程,将该部分数据导入上车站点 推导算法的程序中,得到刷卡时间阈值为89s,并且与表1中的公交站点信息相匹配,得到 各站点上车乘客数。
而对于乘客选择何站下车则分下面两种情况进行讨论。
(1)第一种情况
当乘客下一次上车站点位于本线路下游站点或位于下游站点附近站点时,则下一次上 车站点为本次下车站点,而在本案例中02560303端号车辆10:00~11:00的刷卡记录符合该 情况的占42%,以表3中乘客的刷卡记录为例,通过该方法求得乘客下车站点部分刷卡记 录如表4所示。
(2)第二种情况
当不满足第一种情况时,寻找乘客的近日多次上车站点,其作为参考站点的发生时间 为2015.01.02~2015.01.07,其中频次大于等于2次,根据站点近日上车次数求算出乘客在 各站点的下车概率,02560303端号车辆10:00~11:00的刷卡记录符合该情况的占22%,以 表3中乘客的刷卡记录为例,得到部分乘客近日多次上车站点集,见表5,其中/X表示该 站点的上车次数。
而剩余的乘客,其上车站点则根据高站点的客流量作为权重进行分配,高客流量站点 分别为五羊新村、客村立交、珠影、大塘,下车吸引率根据其对应上车人数得到,分别为 0.252、0.260、0.244、0.244。因此,可根据高客流站点的下车吸引率计算得到所对应的下 车人数。
最后得到在10:00~11:00期间,端号为02560303的公交车辆在各公交站点的上下车乘 客数,通过实地调查,各站点刷卡率保持在77%~81%,与城市总体80%的刷卡率接近,忽 略各站点自身刷卡率的浮动情况,将各公交站点按城市总体刷卡率80%的比例换算成站点 实际上下车人数。
附图说明
图1为本发明流程图;
图2为本发明刷卡时间差临界值推导流程图;
图3为本发明确定公交车未知对应站点时的每个站点上车人数流程图;
图4为本发明闭合的公交出行链示意图;
图5为本发明微闭合的公交出行链示意图;
图6为本发明断裂的公交出行链示意图。
具体实施方式
具体实施方式一:结合图1说明本实施方式,本实施方式的一种基于公交IC卡数据的站点上下车乘客数估计方法具体过程为:
步骤一:根据乘客上车时的刷卡记录时间,求解公交线路的刷卡时间阈值tmin;
步骤二:根据公交线路的刷卡时间阈值tmin,确定公交车未知对应站点时的每个站点>
步骤三:根据公交车未知对应站点时的每个站点上车人数、IC卡信息、公交调度信息 中的每一站到站时间、公交线路编号、公交车辆编号,确定公交车每个对应站点的上车人>
步骤四:根据步骤三确定公交车每个对应站点的下车人数。
具体实施方式二:结合图2说明本实施方式,本实施方式与具体实施方式一不同的是: 所述步骤一中根据乘客上车时的刷卡记录时间,求解公交线路的刷卡时间阈值tmin;具体>
1):将乘客上车时的刷卡记录按刷卡时间从早到晚排列,计算相邻刷卡记录的刷卡时 间差,并将刷卡时间的差值从小到大排序;
2):选取最小的刷卡时间差值作为刷卡时间阈值,根据公交调度信息确定公交车的停 靠站数N;
3):判断相邻两乘客的刷卡时间差值T是否在刷卡时间阈值范围内,若在刷卡时间阈 值tmin范围内,则判断相邻两乘客为同站上车,并记录该站点为Ps;
若不在刷卡时间阈值范围内,则判断相邻两乘客不为同站上车,并记录站点;
直至记下所有乘客的刷卡上车站点,判断出不同站刷卡上车的站点总数Psn;
4):在确定不同站刷卡上车的站点总数之后,进行不同站刷卡上车的相邻两乘客之间 的投币站点数的计算;
不同站刷卡上车的相邻两乘客之间的投币站点计算公式为:Pt=[T/2tmin],直至记下>tn;
5):由步骤3)和步骤4)得出上车总站数为p=psn+ptn,而已知判断p与N的关系,>min;N为根据公交调度信息确定>
流程图见图2。
其它步骤及参数与具体实施方式一相同。
具体实施方式三:结合图3说明本实施方式,本实施方式与具体实施方式一或二不同 的是:所述步骤二中根据公交线路的刷卡时间阈值tmin,确定公交车未知对应站点时的每>
以tmin为界,判断乘客同站或异站上车,确定了如下各站点上车人数的步骤,用Pathon>
站点上车乘客数计算模型:
乘客上车的刷卡记录按刷卡时间早晚进行排序,记kn为刷卡记录。
(1)设初始刷卡记录次数n=0;初始第m个站点m=0;初始第m个站点的上车人 数Nm=0;
n为刷卡记录次数,m为第m个站点,Nm为第m个站点的上车人数;n、m、Nm取>
(2)令刷卡记录次数n=n+1;
(3)将第n次刷卡记录对应的站点记为m站点;
(4)计算第n次刷卡记录与第n-1次刷卡记录的刷卡时间差值为Tn-1;
(5)当Tn-1≤tmin时,则第n次刷卡记录与第n-1次刷卡记录的相邻两乘客为同站上车,则记第n次刷卡记录对应的站点为m=m+0站点;转至(2);
当Tn-1>tmin时,则第n次刷卡记录与第n-1次刷卡记录的相邻两乘客为异站上车,则>记录下m,Nm;
(6)判断第n次刷卡记录是否为最后一条记录,若不是,转至(2);若是则结束。
求解过程如图3。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是:所述步骤三中根 据公交车未知对应站点时的每个站点上车人数、IC卡信息、公交调度信息中的每一站到 站时间、公交线路编号以及公交车辆编号,确定公交车每个对应站点的上车人数;具体过 程为:
将公交车未知对应站点时的每个站点上车人数、IC卡信息、公交调度信息中的到站时 间、公交线路编号以及公交车辆编号进行匹配,若满足公式(1),则站点匹配成功,将步 骤二得到的未知对应站点时的每个站点上车人数按前后顺序依次与匹配成功站点对应,得 到公交车每个对应站点的上车人数;若不满足公式(1),则站点匹配失败;
其中,tmid为每一个站点的第一个人和最后一个人的IC卡刷卡时刻平均值(比如第一>mid为11点5>为每个站点的时间误差,tp为由公>p为9点30分,其中一站>为9点20分,
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是:所述步骤四中根 据步骤三确定公交车每个对应站点的下车人数;具体过程为:
结合集计层面和非集计层面两方面进行下车站点的推导,联系乘客自身的上下车站点 规律,综合考虑站点本身的吸引率推导乘客的下车站点,并建立假设条件与集合:
假设一:若乘客下一次的上车站点位于本次乘坐公交线路的下游站点,则下一次的上 车站点为本次的下车站点;
假设二:若乘客下一次的上车站点位于本次乘坐公交线路的下游站点100米范围内的 站点,则本次下车站点即为离该上车站点最近的下游站点;
假设三:若乘客下一次的上车站点不是本次乘坐公交线路的下游站点,则乘客会选择 D日内出行的高频上车站点下车;
并且在该高频站点上车的概率与在该高频站点上车的次数成正比。
假设四:若乘客下一次的上车站点不是本次乘坐公交线路的下游站点且无法获取D日 内出行最高频站点时,则乘客会选择下游站点的高客流量站点下车;
并且在该高客流量站点上车的概率与在站点上车的客流量成正比。
集合C1={i+1,i+2…,N},即沿k路公交线路,位于站点i下游方向的公交站点组成的集合;
集合C2={(i+1)',(i+2)',…N'},集合C2为距离集合C1100米范围内的周边公交站点>
集合C3:参照乘客D日公交出行链,获得最高频上车站点集;D取值为正整数;
为避免将错误的上车站点归到高频站点集,高频站点集中的站点上车次数应大于一定 的值。
集合C4:参照乘客D日公交出行链,获得下游站点的最高客流量站点;D取值为正整数;若站点
若站点
若站点
其中,Mj为乘客D日出行在站点j上车的次数,Vj为站点j的一天上车人数,d为>1∩C3中的站点个数,a为下游站点个数,l为第l个站点,Ml为乘客D日出行在站>l为站点l的一天上车人数;D取值为正整数;b为集合C4中的站点个>
根据下车概率得出公交车每个对应站点的下车人数。
根据权利要求1所述的刷客时间阈值的求解,其特征在刷卡时间阈值用于判断刷卡时 间对应的上车站点是否为同站。当公交上两乘客之间上车刷卡时间差值大于该阈值时,表 示两者刷卡时间对应的刷卡站点为异站。
而当上车刷卡时间差值小于该阈值时,其停靠站数目偏小;当该阈值选取过小时,使 其停靠站数目偏大。
其它步骤及参数与具体实施方式一至四之一相同。
采用以下实施例验证本发明的有益效果:
实施例一:
本实施例一种基于公交IC卡数据的乘客上下车站点推导方法具体是按照以下步骤制 备的:
广州市居民出行使用公交IC卡已相当普及,据最新的资料显示,目前广州市公交IC 卡的使用率已达到80%,以广州市37路为案例对时刻表的优化进行具体分析,37路的起点为东山口总站,终点为赤沙总站,一共16个站点,在研究时段10:00~11:00内,原发车 时间为10:20、10:40、11:00,全程运行时间为50分钟。以2015.01.01当天为例,37路公 交的IC卡刷卡条数已到达1.5万条,刷卡数量非常大。
本发明案例优化10:00~11:00时段37路东山口站发车时刻,因此需分析10:00~11:00 时段从东山口站往赤沙总站的客流需求,从数据库中提取出该时段此运行方向的公交车辆 刷卡记录,其中在该时段共有端号为02560303、09500496、03760206的三趟公交车辆,发 车时刻分别为10:20、10:40、11:00,其中截取端号为02560303的公交车辆部分刷卡数据, 如表3所示,以此为例阐述时间阈值的推导过程,将该部分数据导入上车站点推导算法的 程序中,得到刷卡时间阈值为89s,并且与表1中的公交站点信息相匹配,得到各站点上车 乘客数。
而对于乘客选择何站下车则分下面两种情况进行讨论。
(1)第一种情况 当乘客下一次上车站点位于本线路下游站点或位于下游站点附近站点时,则下一次上车站点为本次下车站点,而在本案例中02560303端号车辆 10:00~11:00的刷卡记录符合该情况的占42%,以表3中乘客的刷卡记录为例,通过该方法 求得乘客下车站点部分刷卡记录如表4所示。
(2)第二种情况 当不满足第一种情况时,寻找乘客的近日多次上车站点,其作为参考站点的发生时间为2015.01.02~2015.01.07,其中频次大于等于2次,根据站点近日上车次数求算出乘客在各站点的下车概率,02560303端号车辆10:00~11:00的刷卡记录符合该情况的占22%,以表3中乘客的刷卡记录为例,得到部分乘客近日多次上车站点集,见 表5,其中/X表示该站点的上车次数。
而剩余的乘客,其上车站点则根据高站点的客流量作为权重进行分配,高客流量站点 分别为五羊新村、客村立交、珠影、大塘,下车吸引率根据其对应上车人数得到,分别为 0.252、0.260、0.244、0.244。因此,可根据高客流站点的下车吸引率计算得到所对应的下 车人数。
最后得到在10:00~11:00期间,端号为02560303的公交车辆在各公交站点的上下车乘 客数,通过实地调查,各站点刷卡率保持在77%~81%,与城市总体80%的刷卡率接近,忽 略各站点自身刷卡率的浮动情况,将各公交站点按城市总体刷卡率80%的比例换算成站点 实际上下车人数,见表2。
表1 37路公交站点信息
表2各站点上下车乘客数(人)
表2(续表)
表3端号02560206车辆刷卡数据
表4 满足情况一的部分乘客站点信息
表5 部分乘客的近日多次上车站点信息
本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,本领域技术 人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发 明所附的权利要求的保护范围。
机译: 一种基于卫星网络的海洋船舶监控系统,该系统基于从卫星和乘客社交媒体数据中获得的船舶识别数据,在陆地旅客名单的地面站点进行确定。
机译: 一种基于卫星网络的海洋船舶监控系统,该系统基于从卫星和乘客社交媒体数据中获得的船舶识别数据,在陆地旅客名单的地面站点进行确定。
机译: 一种基于模态识别的稀疏分量估计模式数估计方法