基于多源城市交通出行数据的定制公交需求辨识方法研究

doi:10.11959/j.issn.2096-0271.2020057

大数据 ›› 2020, Vol. 6 ›› Issue (6): 105-118.doi: 10.11959/j.issn.2096-0271.2020057

• 研究 • 上一篇

基于多源城市交通出行数据的定制公交需求辨识方法研究

陈汐¹,王印海²,代壮³,马晓磊^4,⁴()

¹ 北京航空航天大学交通科学与工程学院，北京 100191
² 美国华盛顿大学土木和环境工程系，美国西雅图 98195
³ 西南交通大学交通运输与物流学院，四川成都 610031
⁴ 北京航空航天大学大数据科学与脑机智能高精尖创新中心，北京 100191

出版日期:2020-11-15 发布日期:2020-12-12
作者简介:陈汐（1988- ），男，北京航空航天大学交通科学与工程学院博士生，主要研究方向为公共交通运营与规划|王印海（1965- ），男，博士，华盛顿大学土木和环境工程系终身教授、博士生导师，主要研究方向为交通检测、e交通学与大数据应用、交通控制、交通建模、智能交通系统、交通安全及交通仿真等|代壮（1989- ），男，博士，西南交通大学交通运输与物流学院助理教授，主要研究方向为交通数据分析和公共交通系统建模|马晓磊（1985- ），男，博士，北京航空航天大学交通科学与工程学院交通运输工程系副教授、博士生导师，主要研究方向为城市公交系统优化、交通数据挖掘与人工智能以及大规模交通网络建模与分析等
基金资助:
国家自然科学基金资助项目(61773036)

Research on demand identification for customized bus based on multi-source mobility data

Xi CHEN¹,Yinhai WANG²,Zhuang DAI³,Xiaolei MA^4,⁴()

¹ School of Transportation Science and Engineering,Beihang University,Beijing 100191,China
² Department of Civil and Environmental Engineering,University of Washington,Seattle 98195,United States
³ School of Transportation and Logistics,Southwest Jiaotong University,Chengdu 610031,China
⁴ Beijing Advanced Innovation Center for Big Data and Brain Computing,Beihang University,Beijing 100191,China

Online:2020-11-15 Published:2020-12-12
Supported by:
The National Natural Science Foundation of China(61773036)

摘要/Abstract

摘要：

定制公交作为一种新的公交服务模式，对其需求的辨识具有重要实践意义，也是后续线路设计流程的基础。在大数据背景下，通过对海量出行数据中时空信息的挖掘分析，提出一个基于多源数据的定制公交需求分析框架，包括从公交和互联网用户中辨识通勤用户、出行需求的融合及站点选址方法。最后将该方法应用到成都市的出行数据中以验证其有效性，其需求分析结果可为定制公交的线路设计提供依据。

关键词: 定制公交, 多源数据, 数据挖掘, 需求辨识

Abstract:

As a new type of public transit services,the demand identification of customized bus (CB) has great practical significance,as well as the basis of route design of CB.Under the context of big data,a methodology framework of CB demand identification based on multi-source data was proposed by mining spatial-temporal characteristics from large scale mobility data.The proposed framework includes several phases,which are the identification of commuters from transit and Internet users,data fusion of travel demands and stop deployment method.This study takes Chengdu city as an example to verify the effectiveness of the proposed methods.The results can provide a theoretical support of CB route design.

Key words: customized bus, multi-source data, data mining, demand identification

中图分类号:

U491.1+7

陈汐, 王印海, 代壮, 马晓磊. 基于多源城市交通出行数据的定制公交需求辨识方法研究[J]. 大数据, 2020, 6(6): 105-118.

Xi CHEN, Yinhai WANG, Zhuang DAI, Xiaolei MA. Research on demand identification for customized bus based on multi-source mobility data[J]. Big Data Research, 2020, 6(6): 105-118.

图/表 19

表1

图1

表2

表3

表4

表5

表6

图2

表7

表8

图3

图4

图5

表9

表10

表11

图6

图7

图8

参考文献 21

[1]	LIU T , CEDER A . Analysis of a new public-transport-service concept:customized bus in China[J]. Transport Policy, 2015,39: 63-76.
[2]	陈栩 . 考虑多样化运营模式的定制公交线网规划研究[D]. 广州:华南理工大学, 2017.
	CHEN X . The study of customized bus network design in diversified operation modal[D]. Guangzhou:South China University of Technology, 2017.
[3]	MA J , YANG Y , GUAN W ,et al. Large scale demand driven design of a customized bus network:a methodological framework and Beijing case study[J]. Journal of Advanced Transportation, 2017(3).
[4]	LYU Y , CHOW C , LEE V ,et al. CBPlanner:a bus line planning framework for customized bus systems[J]. Transportation Research Part C, 2019,101: 233-253.
[5]	马晓磊, 丁川, 于海洋 ,等. 公共交通大数据挖掘与分析[M]. 北京: 人民交通出版社, 2017.
	MA X L , DING C , YU H Y ,et al. Public transportation big data mining and analysis[M]. Beijing: China Communications PressPress, 2017.
[6]	项连城, 桑基韬, 徐常胜 . 跨社交媒体网络大数据下的用户建模[J]. 大数据, 2016,2(5): 32-42.
	XIANG L C , SANG J T , XU C S . CrossOSN user modeling in big data[J]. Big Data Research, 2016,2(5): 32-42.
[7]	王周全 . 基于IC卡数据与GPS数据的公交客流时空分布研究[D]. 成都:西南交通大学, 2016.
	WANG Z Q . Research on bus passenger flow space-time distribution based on IC card data and GPS data[D]. Chengdu:Southwest Jiaotong University, 2016.
[8]	ZHANG S , LIU X , TANG J ,et al. Urban spatial structure and travel patterns:analysis of workday and holiday travel using inhomogeneous Poisson point process models[J]. Computers Environment and Urban Systems, 2019,73: 68-84.
[9]	MA X , WANG Y , CHEN F ,et al. Transit smart card data mining for passenger origin information extraction[J]. Journal of Zhejiang University Science C, 2012,13(10): 750-760.
[10]	MA X , WU Y , WANG Y ,et al. Mining smart card data for transit riders’ travel patterns[J]. Transportation Research Part C:Emerging Technologies, 2013,36: 1-12.
[11]	马晓磊, 刘从从, 刘剑锋 ,等. 基于公交IC卡数据的上车站点推算研究[J]. 交通运输系统工程与信息, 2015,15(4): 78-84.
	MA X L , LIU C C , LIU J F ,et al. Boarding stop inference based on transit IC card data[J]. Journal of Transportation Systems Engineering and Information Technology, 2015,15(4): 78-84.
[12]	HUANG D , YU J , SHEN S ,et al. A method for bus OD matrix estimation using multisource data[J]. Journal of Advanced Transportation, 2020(1): 1-13.
[13]	BARRY J , NEWHOUSER R , RAHBEE A ,et al. Origin and destination estimation in New York city with automated fare system data[J]. Transportation Research Record, 2002,1817(1): 183-187.
[14]	游婷, 范桂莲, 马兴慧 . 基于公交IC卡信息的公交客流推算[J]. 交通工程, 2018,18(6): 51-56.
	YOU T , FAN G L , MA X H . Bus passenger flow calculation based on IC card information[J]. Journal of Transportation Engineering, 2018,18(6): 51-56.
[15]	MA X , LIU C , WANG Y ,et al. Understanding commuting patterns using transit smart card data[J]. Journal of Transport Geography, 2017,58: 135-145.
[16]	SHOU Z , DI X . Similarity analysis of frequent sequential activity pattern mining[J]. Transportation Research Part C, 2018,96: 122-143.
[17]	涂文苑 . 定制公交的线网规划研究[D]. 北京:北京交通大学, 2016.
	TU W Y . The study of the customized bus network design[D]. Beijing:Beijing Jiaotong University, 2016.
[18]	LI J , LYU Y , MA J ,et al. Methodology for extracting potential customized bus routes based on bus smart card data[J]. Energies, 2018,11: 22-24.
[19]	TONG L , ZHOU L , LIU J ,et al. Customized bus service design for jointly optimizing passenger-to-vehicle assignment and vehicle routing[J]. Transportation Research Part C, 2017,85: 451-475.
[20]	张敏捷, 冯偲, 吕晨曦 ,等. 定制公交线路优化模型及求解算法[C]// 2014第九届中国智能交通年会大会论文集. 北京:电子工业出版社, 2014: 347-354.
	ZHANG M J , FENG S , LYU C X ,et al. Custom bus routes optimization model and its algorithm[C]// The 9th China Intelligent Transportation Annual Meeting. Beijing:Publishing House of Electronics Industry, 2014: 347-354.
[21]	CHEN X , WANG Y , MA X . Customized bus line design model based on multi-source data[C]// International Conference on Transportation and Development 2018:Traffic and Freight Operations and Rail and Public Transit. Virginia:American Society of Civil Engineers, 2018: 218-228.

对比项	常规公交	定制公交
服务范围与运行长度	无特殊要求	通勤线路长度长，微循环线路长度较短
站点布设	常规站点布设方法	从需求出发（优先利用现有站点）
站点数量	无特殊要求	较少
道路条件	无特殊要求	灵活选择主干通道
速度	15~30 km/h	一般高于常规公交
起终点	需布设公交场站	可在居住区与工作区设置
服务时间段	全天候	高峰期居多（通勤）
舒适度	无固定座位	一人一座

字段	名称	说明
ID	刷卡记录编号	每次使用记录的唯一标识
CARD_ID	卡编号/用户编号	每张卡的唯一标识
TIME	刷卡时刻	例如，2016-11-07 7:09:09
LINE_ID	线路编号	刷卡所对应的线路编号
CAR_ID	车辆编号	刷卡所对应的车辆编号
CONSUM	消费金额	每次刷卡的消费金额
BALANCE	剩余金额	刷卡后的余额

字段	名称	说明
ID	GPS记录编号	每条GPS记录的唯一标识
TIME	记录时间	例如，2016-11-07 7:10:06
LINE_ID	线路编号	GPS数据对应的线路编号
CAR_ID	车辆编号	GPS数据对应的车辆编号
LON	经度	地理信息经度
LAT	纬度	地理信息纬度
SPEED	速度	定位速度
DATATYPE	数据类型	GPS状态，如运行、到离站

用户ID	起点经度	起点纬度	终点经度	终点纬度	导航开始时间	导航结束时间
8e65**c9	104.0704°E	30.75361°N	104.0684°E	30.71848°N	2016-11-12 14:16:33	2016-11-12 14:25:08

用户ID	起点经度	起点纬度	终点经度	终点纬度	查询时间	出行方式
5370**d5	103.920741°E	30.572845°N	103.920722°E	30.573240°N	2016-11-17 13:58:33	驾车

基于多源城市交通出行数据的定制公交需求辨识方法研究

Research on demand identification for customized bus based on multi-source mobility data

在线阅读

PDF下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 19

参考文献 21

相关文章 13

Metrics

推荐阅读 0

线路编号	上下行	车辆编号	站点编号	到站时间	下一站到站时间
97	1	21119006	42357	2016-11-16 10:17:33	2016-11-16 10:29:42

卡号	刷卡时间	线路号	车辆号	上车站台
161075411	2016-11-07 7:34:33	98	21018422	30223

卡号	出发时段	刷卡站台	频次	返程时段	刷卡站台	频次
161075411	7:00-8:00	40675	3	19:0020:00	30807	2

用户ID	早高峰出发时段	AOI编号	频次	晚高峰返程时段	AOI编号	频次
b4f***42a	7:00-8:00	10403	11	16:00-17:00	20577	15

站点	1	2	3	4	5	站点名称
1	-	300	648	704	226	星河路
2	-	-	-	321	161	沙湾路
3	-	-	-	195	4	马家花园
4	-	-	-	-	52	文殊院
5	-	-	-	-	-	春熙购物广场

出行方式		预计出行时间/min
出行方式	早高峰	平峰	晚高峰
定制公交	25	22	27
常规公交	35	33	38

[1]	李德仁, 张过, 蒋永华, 沈欣, 刘伟玲. 论大数据视角下的地球空间信息学的机遇与挑战[J]. 大数据, 2022, 8(2): 3-14.
[2]	任帅, 陈丹丹, 储根深, 白鹤, 李慧昭, 何远杰, 胡长军. 基于材料数值计算大数据的材料辐照机理发现[J]. 大数据, 2021, 7(6): 3-18.
[3]	汪岸, 任帅, 苗雪, 董玲玉, 朱迎, 陈丹丹, 胡长军. 数值核反应堆大数据及其应用[J]. 大数据, 2021, 7(5): 40-56.
[4]	徐良辰, 郭崇慧. 智慧医院建设背景下的电子病历分析利用框架[J]. 大数据, 2021, 7(4): 141-156.
[5]	姚宇航, 欧俊杰, 李洋, 傅洛伊, 王新兵, 陈贵海. 图灵指数——学术大数据下的跨领域跨年代学者影响力评估[J]. 大数据, 2019, 5(5): 25-37.
[6]	张平文, 鄂维南, 袁晓如, 傅毅明. 大数据分析与应用技术创新平台[J]. 大数据, 2018, 4(4): 86-93.
[7]	石勇, 孟凡. 信用评分基本理论及其应用[J]. 大数据, 2017, 3(1): 19-26.
[8]	梁吉业, 钱宇华, 李德玉, 胡清华. 面向大数据的粒计算理论与方法研究进展[J]. 大数据, 2016, 2(4): 13-23.
[9]	姚前, 谢华美, 景志刚, 胡青青, 司恩哲. 基于数据挖掘的个人征信系统异常查询实时监测模型及其应用[J]. 大数据, 2016, 2(4): 83-92.
[10]	方滨兴, 贾焰, 李爱平, 江荣. 大数据隐私保护技术综述[J]. 大数据, 2016, 2(1): 1-18.
[11]	杨丽彬, 李海林, 张飞波. 大数据环境下的管理信息系统发展研究[J]. 大数据, 2016, 2(1): 86-98.
[12]	李涛, 曾春秋, 周武柏, 周绮凤, 郑理. 大数据时代的数据挖掘——从应用的角度看大数据挖掘[J]. 大数据, 2015, 1(4): 57-80.
[13]	熊赟, 朱扬勇. 特异群组挖掘：框架与应用[J]. 大数据, 2015, 1(2): 66-77.