基于公交IC卡和AVL数据的公交客流OD推算

针对国内城市公交乘客下车不用刷卡,无法获知下车站点的问题,利用公交IC刷卡数据、AVL数据和公交站点数据,提出公交站点吸引强度与公交出行链结合的公交客流OD推算方法.基于时间匹配方法融合IC刷卡数据和AVL数据,设立时间匹配弹性因子,提高乘客上车站点识别率;针对不同乘客公交出行行为,采用多时段公交站点吸引强度与公交出行...     

基于前车与经验数据的车辆到站时间预测模型

公交车辆运行经验数据体现了到站时间的一般性规律,前车数据反映了到站时间的实时性。提出一种基于前车与经验数据的公交车辆到站时间预测模型。在该模型中对站点间路段行驶时间及站点停留时间区分了高峰期和非高峰期,站点间的延时时间考虑了不同方向红灯等待时间的区别以及斑马线的影响。用杭州公交104路公交车的数据对预测模型进行了验证,结果表明,该预测模型具有较高的预测精度,能够较为准确地预测公交车辆到站时间。     

基于GPS轨迹数据的公交到站时间预测方法研究

公交到站时间预测作为智能公交的核心内容之一,不仅可以极大地提高公交服务满意度进而提高公交出行率,而且可为智能公交调度系统的优化提供数据依据。本文将公交GPS数据和公交站点与线路等GIS数据进行融合、处理与分析,基于公交车轨迹数据和路段在空间关系和时空分布上的分析和处理,设置一定的离站距离阈值对当前公交站点进行缓冲区分析,搜索在最近一段时间内停靠该站点的公交车轨迹数据,获取不同车辆的轨迹信息,进行公交到站时间预测研究,建立预测模型,推算出公交到站时间,并以经过广州市体育中心公交站的多条公交线路为例验证预测方法的准确性。研究表明:通过模型预测所得多条公交线路的公交到站时间与实际调查记录时间误差较小。     

基于公交刷卡数据的城市通勤时空分析

目前大部分公交卡仅用于收费,刷卡记录中不包含乘客的出行站点信息,无法研究乘客的空间出行特征.为了获取乘客的上车站点,将公交刷卡数据和GPS定位数据相匹配,增加到离站弹性阈值,改进传统的上车站点推导算法;通过对公交刷卡行为进行分析,将乘客个体融入到公交乘客整体中,提出下车站点推导算法;在此基础上提出出行时间链的概念,结合PTD模型来识别通勤乘客.以青岛市西海岸新区的公交大数据为例验证了该算法的可行性,并对其进行了通勤时空分析.     

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Spark与粒子滤波算法的公交到站时间预测系统

针对公交车到站时间预测准确性不高的问题，选用具有流式计算特点的粒子滤波（PF）算法，建立了一个公交到站时间预测模型。为更好地解决使用PF算法过程中存在的预测误差及粒子优化选择问题，通过引入上一趟公交车的行驶速度和构造观测值的方法对预测模型进行改进，使之具有更贴近实际路况的公交到站时间预测精度，并且能同时预测多个公交到达时间。基于该模型和Spark平台实现了一套公交到站时间实时预测软件系统，所有到站时间预测结果与实际相比，平峰的最大绝对误差为207 s，平均绝对误差为71.67 s；高峰的最大绝对误差为270 s，平均绝对误差为87.61 s，而预测结果的平均绝对误差在2 min以内是公认的理想结果。实验结果表明，所提模型及实现系统能准确预测公交到站时间，满足乘客实际需求。     

基于路段行程时间的公交到站预测方法

对公交到站时间预报技术进行了研究和探索。建立公交线网道路模型，根据GPS车载终端采集的公交车辆运行动态数据，推测路段交通状况及对应的路段行程时间，预测公交到站时间，并分析各种误差。实验数据表明，在2min误差内的预测时间准确率大于80%，基本可满足公交时间预报要求。     

基于GPS的公交行程时间预测模型

基于公交车辆的GPS定位信息,利用公交站点间行程时间的实时数据与短期历史数据相结合的方法,设计权重动态分配的公交到站时间预测模型,利用ARIMA模型动态确定前几辆车的行程时间对当前车辆的不同影响权重,来预测当前车辆的行程时间,能够有效的消除公交串行事件对预测的干扰。该预测模型通过北京市某路公交线路实时数据接入测试验证平均准确度达到88.4%,表明该预测模型有较高的准确性与可靠性。     

基于时空相关属性模型的公交到站时间预测算法

公交车辆到站时间的预测是公交调度辅助决策系统的重要依据,可帮助调度员及时发现晚点车辆,并做出合理的调度决策.然而,公交到站时间受交通拥堵、天气、站点停留和站间行驶时长不固定等因素的影响,是一个时空依赖环境下的预测问题,颇具挑战性.提出一种基于深度神经网络的公交到站时间预测算法STPM,算法采用时空组件、属性组件和融合组件预测公交车辆从起点站到终点站的总时长.其中,利用时空组件学习事物的时间依赖性与空间相关性.利用属性组件学习事物外部因素的影响.利用融合组件融合时空组件与属性组件的输出,预测最终结果.实验结果表明,STPM能够很好地结合卷积神经网络与循环神经网络模型的优势,学习关键的时间特征与空间特征,在公交到站时间预测的误差百分比和准确率上的表现均优于已有的预测方法.     

利用梯度提升树预测公交车到站时间

当前我国公交公司普遍采用让具有丰富经验的公交调度人员以人工估计车辆到站的方法来调度车辆的发车.这种方式缺少计算辅助,加上工作量大,经常容易出现错误预估导致无法缓解道路上常发生的同路公交车遇到一起(串车)或者相隔太远(大间隔)的情况.公交到站时间受道路交通、乘客人数、时间、天气等诸多因素影响,具有不确定性.本文基于该现实...     

适用于公交站点聚类的DBSCAN改进算法

提出一种适用于公交站点聚类的DBSCAN改进算法,缩小搜索半径ε,从而提高聚类正确度,同时通过共享对象判定连接簇的合并,防止簇的过分割,减少噪声点,有效地屏蔽了算法对输入参数的敏感性,提高聚类结果的质量,减少密度差距对聚类结果的影响。保持DBSCAN算法的高执行效率,并应用在智能公交换乘查询引擎中公交站点聚类,聚类准确率提高了16%,验证了新算法的有效性。     

基于多源出行数据的居民行为模式分析方法

基于对智能交通卡数据的挖掘与分析能够为城市交通建设和城市管理提供有力支持,但现有研究数据大都仅包含公交或地铁这两方面数据,且主要关注群体性宏观出行规律。针对这一问题,以某城市交通卡数据为例,该数据包含着城市居民日常出行公交、地铁、出租车等多源数据,首先提出行程链的概念对居民出行行为建模,在此基础上给出不同维度的周期性出行特征;然后提出一种基于最长公共子序列的空间周期性特征提取方法,并对城市居民出行规律进行聚类分析;最后通过规则定义5个评价指标对该方法的有效性进行初步验证。结果表明引入该方法的聚类算法对聚类结果有6.8%的效果提升,有利于发现居民的行为模式。     

支持步行换乘的公交出行最优算法设计实现

较少换乘和快速到达是公交换乘算法的目标。本文基于现有的公交站点和公交线路建立换乘查询,以耗时最少为方案选择依据,兼顾换乘次数最少,建立基础通达表,用以支持实时公交步行换乘查询。一对源 目标站点可提供K种换乘方案,为用户提供时间、换乘车次、站点数、乘车距离、花费、步行距离等信息。实践表明,本算法查询结果符合用户期望。     

多重处理的道路拥堵识别可视化融合分析

目的 随着城市交通拥堵问题的日益严重,建立有效的道路拥堵可视化系统,对智慧城市建设起着重要作用。针对目前基于车辆密度分析法、车速判定法、行驶时间判定法等模式单一,可信度低的问题,提出了一种基于DBSCAN+（density-based spatial clustering of applications with noise plus）的道路拥堵识别可视化方法。方法 引入分块并行计算,相较于传统密度算法,可以适应大规模轨迹数据,并行降维聚类速度快。对结果中缓行区类簇判别路段起始点和终止点,通过曲线拟合和拓扑网络纠偏算法,将类簇中轨迹样本点所表征的路段通过地图匹配算法匹配在电子地图中,并结合各类簇中浮动车平均行驶速度判别道路拥堵程度,以颜色深浅程度进行区分可视化。结果 实验结果表明,DBSCAN+算法相较现有改进的DBSCAN算法时间复杂度具有优势,由指数降为线性,可适应海量轨迹点。相较主流地图产品,利用城市出租车车载OBD（on board diagnostics）数据进行城区道路拥堵识别,提取非畅通路段总检出长度相较最优产品提高28.9%,拥堵识别命中率高达91%,较主流产品城区拥堵识别平均命中率提高15%。结论 在城市路网中,基于DBSCAN+密度聚类和缓行区平均移动速度的多表征道路拥堵识别算法与主流地图产品相比,对拥堵识别率、通勤程度划分更具代表性,可信度更高,可以为道路拥堵识别的实时性提供保障。     

An automatic real-time bus schedule redesign method based on bus arrival time prediction

Bus travel time often fluctuates greatly due to disturbance factors such as traffic conditions and passenger flow, which causes a reduction in the transit service as it cannot be provided as planned. Bus dispatching is necessary to handle this problem. Two crucial factors for real-time bus dispatching have been analysed in this study namely the bus arrival time prediction and timetable redesign. First, a bus arrival time prediction model combining Support Vector Regression (SVR) and Kalman Filter (K-SVR) was proposed. The headway is selected as an intermediate variable to improve the prediction accuracy by limiting the disturbance factors between two adjacent bus stops. Besides, by adjusting the parameters of the Kalman Filter, the predictive results are more suitable for practice to avoid the frequency of unnecessary timetable adjustment. Furthermore, an automatic timetable redesign method is given based on the proposed circle search algorithm, which can minimise the impact on the initial schedule by finding the minimum adjustment range in consideration of the normal working order. A case study in Shenzhen, China was conducted and the results verify that the K-SVR method could improve the prediction accuracy especially in peak hours. On this basis, in comparison with the traditional method, the timetable redesign algorithm could allocate the transit resources appropriately and perform well on indicators such as the headway fluctuation, compliance rate of headways, and schedule completeness. Moreover, it is more operable and valuable as a result of sending the departure instructions appropriately and maintaining the normal working order of drivers realistically.     

基于联合特征和XGBoost的活动语义识别方法

针对以往活动语义识别研究单纯提取时间维度上的序列特征以及周期特征、缺乏对空间信息的深度挖掘等问题,提出一种基于联合特征和极限梯度提升（XGBoost）的活动语义识别方法。首先,挖掘时间信息中的活动周期性特征和空间信息中的经纬度特征;然后,使用经纬度信息通过具有噪声的基于密度的聚类（DBSCAN）算法提取空间区域热度特征,将这些特征组成特征向量来刻画用户活动语义;最后,采用集成学习方法中的XGBoost算法建立活动语义识别模型。在FourSquare的两个公共签到数据集上,基于联合特征的模型比基于时间特征的模型在识别准确率上提高了28个百分点,与上下文感知混合（CAH）方法和时空活动偏好（STAP）方法对比,所提方法的识别准确率分别提高了30个百分点和5个百分点。实验结果表明所提方法与对比方法相比在活动语义识别问题上更加准确有效。     

DBSCAN算法研究及并行化实现

DBSCAN算法是一种基于密度的优秀算法,能够对任意形状的数据进行聚类,且能够识别噪声数据。为了减少人工对输入参数Eps和MinPts的干预,提出了一种新的计算Eps参数的方法;同时,为了解决传统单机DBSCAN算法在大数据环境下的性能问题,基于Spark框架实现了DBSCAN算法的并行化。通过实验表明,提出的DBSCAN改进算法具有很高的准确度和稳定性;并行实现的DBSCAN算法具有很好的并行性能,适合用于处理海量数据聚类。     

基于公共交通智能卡数据的可视化分析

针对现有公共交通数据的可视分析方法很难在不同空间粒度下对乘客时空分布、客流时空分布、区域间客流时序变化进行多任务分析的问题,设计实现了一个多视图融合的可视化分析系统。该系统结合城市公共交通的智能卡数据、车辆GPS数据、地铁和公交线路信息,利用出行链路模型和基于出行时空特征的回归模型完成了乘客起讫点（origin-destination,OD）推断;然后,设计了层次聚类的地图可视化方法,结合了融合方位信息的玫瑰图和动态对比堆叠折线流图来分析各区域间的客流时序特点、关联关系;最后,利用真实的深圳市公共交通数据的可视分析结果验证了系统的有效性。     

基于机器学习的公交站间运行时间幂律分布分析

为了解决城市交通拥挤问题,国家提倡乘坐公共交通出行,使用公交智能卡的出行变的普遍了.目前,对于城际公交智能卡出行产生的数据,很少有研究公交站间运行的时间.因此,提出了基于机器学习技术公交站间运行时间幂律分布的分析;运用分站算法对城市公交进行分站,获得公交车在相邻两站的运行时间;并且对时间间隔数据进行了线性拟合.运用南方某城市和北方某城市的两个数据集,结果表明公交车运行时间间隔符合幂指数分布;公交车运行的时间间隔符合人类行为动力学.