本发明涉及地理信息科学，具体地说是一种利用历史公交数据评估乘车难易程度的方法。
背景技术：
1819年巴黎市街出现了为公众租乘服务的公共马车，这是建立城市公共交通的里程碑。近百余年来，工业发展为城市提供的交通工具和技术装备不断更新，加速了城市公共交通现代化的进程，性能落后的交通工具逐渐被淘汰，公共汽车逐步发展成为城市公共交通结构中的主体。改革开放以来，我国城市公共交通有了较快发展，但随着经济的发展和城市的扩大，一些城市交通拥堵、出行不便等问题日益突出，交通堵塞已成为城市居民最热门的话题之一，严重影响了人民群众的正常生活和城市的发展。如何为社会提供方便、快捷、经济、安全的出行环境，改善交通堵塞和道路拥挤，成为一个重要的研究热点。现有的智能手机软件和相关应用，主要为乘客提供公交路线及站点的查询、车辆离站位置等一些以公交车为主体的位置信息，缺乏以公交车上乘客为主体的乘车体验信息，如车站等车人数、公交车内乘客数量，不能帮助乘客对乘车出行的体验预先了解。
技术实现要素：
本发明的目的是克服现有技术存在的不足，提供一种利用历史公交数据评估乘车难易程度的方法。
本发明一种利用历史公交数据评估乘车难易程度的方法，包括以下步骤：
步骤1，建立出行乘车难易评价模型如下式，
式中，φvalue为出行难易指数，表示出行难易程度，数值低表示易，数值高表示难；ft为等车时间，fw为等车人数，fn为车上人数；
步骤2，对已有的公交车行驶轨迹数据(GPS点数据)进行数据清洗和数据整理；首先校正偏移的坐标到目标地图底图坐标系中，然后计算每辆行驶车辆与公交车站的距离，当距离最小时，认为公交车的到站时间Tbus_arrival即为此时公交车的GPS时间，用于计算等车时间ft；
步骤3，把乘客出行自动售检票系统(Automatic Fare Collection，简称AFC)数据与公交车行驶路线信息进行匹配，并按刷卡时间进行排序，得到乘客按先后顺序上车的时间；
步骤4，计算乘客上车时间与公交车轨迹时间的时间差Δt，并设置Δt阈值为n秒，满足阈值条件的刷卡行为将获得与公交车相同的坐标，得到的结果反映了所有乘客上车记录中，n秒内能同车辆轨迹匹配的乘客上车点位置；
步骤5，把步骤4中乘客的上车点位置与公交车站进行匹配，计算二者的距离，当距离最近时，认为乘客在此车站上车，这样，每一次刷卡上车行为都有对应的车站信息，再以车站为单位，统计出每个车站上所经过的公交车上车人数NBoarding_stops，用于计算等车人数fw和车上人数fn；
步骤6，根据步骤5中已经得到的车站上车人数情况，参考居民出行的习惯，总结出居民下车行为规则如下：
(1)假设，居民在某条公交线R上的某个刷卡较频繁(刷卡次数至少为p)的公交站n上车，且待估计的出行行为位于路线R上：
(1.1)如果该出行行为的上车位置不在公交站n处，那么估计该上车行为对应的下车位置在n处；
(1.2)如果该出行行为的上车位置在公交站n处，那么估计该上车行为对应的下车位置为上车刷卡次数第二频繁的公交站m处；
(2)假设，居民在某公交线R上的某个刷卡不频繁(刷卡次数至少为1)的公交站n上车，那么估计该上车行为对应的下车位置为下一次刷卡上车的m处；
根据下车行为规则来预测每一次刷卡上车所对相应的下车位置，再以车站为单位，统计公交车路过每个车站时的下车人数NAlighting_stops，用于计算车上人数fn；
步骤7，通过以上计算，得到等车时间ft、等车人数fw和车上人数fn，把三个因素代入出行乘车难易评价模型
计算出行难易指数，若该出行计划有多个可达方案时，φvalue值最小的方案为最优。
与现有技术相比，本发明的有益效果在于：利用居民公交出行的历史数据，发现居民出行规律，从而预测单次出行的难易程度。当等车时间过久、车站等车人数较多以及车上人员拥挤的时候，就可以认为此次出行比较困难，体验较差。在这种情况下，根据出行评价模型计算出的出行指数数值偏高，可以直观反映本次出行较难，让居民不必亲自到车站就能知道当前的乘车状况，为居民的出行决策提供指导性参考。
附图说明
图1为本发明方法的流程图。
具体实施方式
下面通过实施例，并结合附图对本发明作进一步说明。
本发明主要基于地理信息科学，结合居民出行行为习惯和心理需求，提出的一种量化评估出行难易程度的方法。本方法根据居民出行的历史数据和心理行为习惯，来预测未来某次出行的难易程度。
一种利用历史公交数据评估乘车难易程度的方法的实现思路及流程，参见图1。假设出行计划为早上7:30从“四季花城”站出发，目的地为“坂田华城百货”站，以该出行计划为例对本发明的流程进行具体阐述，步骤如下：
步骤1：从爱帮网上获取各公交路线中的车站位置，以此为参照，抽取出所有公交路线中的车站并进行ID编号，然后将进行ID编号的车站匹配到相应的公交路线中；
步骤2：对公交车轨迹数据(GPS点数据)进行数据清洗和数据整理。首先将坐标校正到OSM底图坐标系中；然后根据公交车ID，计算其与公交车站的距离，当距离最小时，将此时公交车的GPS时间作为公交车的到站时间Tbus_arrival。将一天的时间以最大发车间隔时间Tspan(如20分钟)为间隔划分为时间段并进行编号；
步骤3：根据出行计划中的起止车站，找到经过起止站点的所有路线，再把乘客计划到站的时间(如早上7:30)转换成当天的GPS时间T。根据步骤2中的时间段划分，计算等车时间所处的时间段编号，依次计算所有可达路线同一时间段编号内的等车时间，则等车时间Tw＝Tbus_arrival-T。当Tw>＝0时，实际等车时间为Tw；当Tw<0时，说明该车辆已经在乘客到达前离站，因此需要等待下一辆公交车，则将等车时间设置为最大等待时间Tspan(如20分钟)，最后根据计算得到的Tw构建等车时间模型ft，即ft＝Tw。
步骤4：把乘客出行AFC数据与公交车行驶路线进行匹配，并按刷卡时间进行排序，得到乘客按先后顺序上车的时间；计算乘客上车时间与公交车轨迹时间的差值Δt，并设置Δt阈值为5秒，满足阈值条件的刷卡行为将获得与公交车相同的坐标，因此得到的结果反映了所有乘客上车记录中，5秒内能同车辆轨迹匹配的乘客上车点位置；
步骤5，把步骤4中乘客的上车点位置与公交车站进行匹配，计算二者的距离，当距离最近时，认为乘客在此车站上车，这样，每一次刷卡上车行为都有对应的车站信息，再以车站为单位，统计出每个车站上所经过的公交车上车人数NBoarding_stops，用于计算等车人数fw和车上人数fn；
步骤6，根据步骤5中已经得到的车站上车人数情况，参考居民出行的习惯，总结出居民下车行为规则如下：
1)假设，居民在某条公交线R上的某个刷卡较频繁(刷卡次数至少为2)的公交站n上车，且待估计的出行行为位于路线R上：
(1)如果该出行行为的上车位置不在公交站n处，那么估计该上车行为对应的下车位置在n处；
(2)如果该出行行为的上车位置在公交站n处，那么估计该上车行为对应的下车位置为上车刷卡次数第二频繁的公交站m处；
2)假设，居民在某公交线R上的某个刷卡不频繁(刷卡次数至少为1)的公交站n上车，那么估计该上车行为对应的下车位置为下一次刷卡上车的m处；
根据下车行为规则来预测每一次刷卡上车所对相应的下车位置，再以车站为单位，统计公交车路过每个车站时的下车人数NAlighting_stops，用于计算车上人数fn；
步骤7，通过以上计算，得到等车时间ft、等车人数fw和车上人数fn，把三个因素代入出行乘车难易评价模型
计算出行难易指数，若该出行计划有多个可达方案时，φvalue值最小的方案为最优。若想获得更准确的结果，可把等车时间ft、等车人数fw和车上人数fn三个因素扩展成更为复杂的计算模型以供计算。