一种出基于出租客流转化的公交线网优化方法与流程

本发明涉及一种出基于出租客流转化的公交线网优化方法，属于智能交通技术领域。

背景技术：

地面公交作为多元化公共交通的重要组成部分，其交通状况的好坏直接影响到居民的生活水平以及发展速度。然而，近年来，地面公交频繁出现出行时间长、换乘次数多、站点覆盖率低和舒适度差等问题暴露出当前公交线网存在的不合理因素。另一方面，出租作为大容量公共交通的补充，已经越来越成为一种普遍性的居民出行方式，出租车运营信息从一个重要的侧面反映出城市居民的交通需求。城市交通移动设备和传感设备采集的大量交通数据为研究群体出行模式和规律提供了可能，如果能够通过基于这些数据服务，并利用大数据相关方法将部分出租客流转换为公交客流，必将大大提高公交出行方式的服务水平和运载能力。

现有技术中，大连海事大学的于滨等公布的专利“一种城市公交线网优化方法”(公开号：cn104217086a)综合考虑了乘客和运营者双方的利益，通过在od对之间搜索直流客流密度最大化的线路进行线网优化。首先建立客流需求矩阵，然后依据单位长度公交线路运送的公交客流量最大为目标，搜索路网中该起终点对之间的所有可能的线路，接着对起终点对之间的所有可能的线路进行评估，并删除路网中非可行线路，重复上述步骤，直到起终点数据库中得到所有起终点对间的直达客流密度最大的线路，并布设线路。该方法主要的几个问题，首先起终点确定预计公交需求矩阵是根据居民出行问卷调查结果得到，覆盖率低且缺乏准确度。其次，该方法只考虑增加线路，而实际优化方案存在截弯取直、撤销线路等多种方式。初次之外，该方法在优化过程中只是考虑了至大客流密度最大，未考虑实际地理环境、线路非直线系数等线路布设标准。

技术实现要素：

本发明技术解决问题：克服现有技术的不足，提供一种出基于出租客流转化的公交线网优化方法，可以准确挖掘公交出行需求，优化地面公交存在的各项问题，有效提高当前公交线网的服务水平。

本发明技术解决方案：一种出基于出租客流转化的公交线网优化方法，包括以下步骤：

步骤1：根据地图数据进行网格划分，得到每个网格编号和坐标；

步骤2：根据公交刷卡数据、出租车gps数据和步骤1的网格编号，进行出行链识别和热门od挖掘，得到两种交通方式的出行需求分布；

步骤3：根据步骤2的需求分布，进行ntrdm模型建立和参数初始化，得到ntrdm模型；

步骤4：根据步骤3所建立ntrdm模型，利用蚁群算法进行求解，得到当前线网中应该调整的网格编号、站点、线路以及具体的调整方案。

所述步骤1具体实现如下：首先，基于公交站点设置标准以及乘客前往公交站点所能接受的最大步行距离，将地图划分为300*300米的网格，保存每个网格的编号、顶点坐标以及中心点坐标。

所述步骤2具体实现如下：

(21)所述公交刷卡数据是指：地铁与公交系统发行的城市一卡通所采集的数据包括卡号、上下车时间、上下车经纬度、乘车线路和方向信息；

(22)所述出租车gps数据和计价器数据是指：提供的出租车运营数据，gps数据每隔1分钟采集一次当前出租车的经纬度和速度，计价器数据记录乘客上下车的时间和经纬度。

(23)所述地图和公交线网数据是指：地图数据主要包括百度地图以及公交都市提供的各项接口，公交线网数据包括各个公交站点的位置信息和所在线路信息；

(24)所述出行链识别是指利用公交刷卡数据，对乘客出行过程中的换乘路径进行识别，当乘客两次出行间隔小于15分钟时，则将两次出行连接成为出行链；

(25)所述热门od挖掘是指通过整合出租gps数据和计价器数据，得到全市出租车的出行od，再通过计算每个od上的客流，筛选出客流大的热门od。

所述步骤3具体实现如下：

(31)所述ntrdm方法是指：将问题抽象为新增出行需求公交线路优化问题(ntrdm，newtransitrequiredesignmodule)，将出租热门od认为是新的公交出行需求，其基本框架为给定新增加的交通需求分布，即新增加的od分布，决策如何进行当前线网的调整优化，其模型建立如下:

two＝lo×vw,twd＝ld×vw,tdrive＝lr×vdrive

s.t.lmin≤l≤lmax

l/d≤1.4

500≤la≤800

e≤3

pold<pnew

o,d∈f

其中，tod表示乘客花费的总时间，表示步行至出发地公交站点的时间，表示驾车时间，表示换乘时间，表示乘客从下车点步行至目的地的时间，vw表示步行平均速度，vdrive表示开车平均速度，lo表示出发地到站点距离，ld表示目的地到站点距离，lr驾车行驶距离，l表示公交线路长度为线路长度，d为线路起终点站点空间直线距离，la表示相邻站点距离，e表示重叠系数，pold、pnew表示线路调整前后客流，o、d分别代表出发地和目的地集合，f表示热门出租od集合。

所述步骤4具体实现如下：

蚁群算法求解ntrdm模型是指：公交线路调整的主要思想是根据od找到最优的站点并对其进行调整，这一特征与蚁群算法十分相似。假设客流为蚁群，o点为蚁巢，d为食物源，将ntrdp看做蚁群根据信息素从蚁巢出发觅食的过程，则可以描述为根据总花费时间从o到d点搜寻最优公交路线的过程，再根据最优公交路线结合three-step方法进行站点和线路调整；

three-step方法是指：首先，逐渐调整同一条线路上的两个站点位置，使得花费时间最小且可以直达；其次，调整任意线路上的两个站点，若调整站点位于不同线路，则可能出现换乘的情况；最后在目的地或者出发地建立新的公交站点，并加入到临近线路中去。

具体为：所述蚁群算法求解ntrdm模型过程为：

(41)确定优化目标，将两种交通方式的出行服务水平差异最小作为ntrdp的优化目标，ntrdp模型的优化目标转化为公交在热门od上的总花费时间最小，即：

其中ttotal表示乘客在所有热门od上花费的总时间，f表示所有od线路集合，为出发地距离公交站点的步行时间，为驾车行驶时间，为换乘时间，为目的地距离公交站点的步行时间；

(42)确定约束条件，所述约束条件包括线路长度、非直线系数、相邻站点长度、重叠系数以及原有公交线路的影响，并对约束条件的相关阈值进行确定；

(43)建立调整方案选择方法，即three_step模型，首先，逐渐调整同一条线路上的两个站点位置，使得花费时间最小且能够直达；其次，调整任意线路上的两个站点，若调整站点位于不同线路，则可能出现换乘的情况；最后在目的地或者出发地建立新的公交站点，并加入到临近线路中去，在对每一个od对进行调整优化时，分别比较这三种方法在约束条件下的总花费时间，并选择时间最小的作为最终的调整方案；

(44)根据步骤(41)、(42)和(43)确定的相关参数，进行蚁群算法的求解，将ntrdp看做蚁群根据信息素从蚁巢出发觅食的过程，则确定为根据总花费时间从o到d点搜寻最优公交路线的过程，再根据最优公交路线进行站点选择，得到需要调整的站点和线路以及具体的调整方案。

本发明与现有技术相比的优点在于：

(1)传统的公交线网优化方案的数据基础大多建立在调查问卷的基础上，如大连海事大学的于滨等公布的专利“一种城市公交线网优化方法”(公开号：cn104217086a)，这种数据收集方法存在覆盖面不足和与实际无法完全相符的问题，本发明利用6个月内用户真实的刷卡数据，可准确发现真实线网中的用户出行需求和问题。

(2)现有的技术方案大多是从公交线网本身出发，从站点分布、线路设置和运营角度对公交线网进行优化，而本发明从多源交通数据的角度出发，利用出租出行方式和公交出行方式对比，来挖掘公交线网存在的问题，考虑了不同交通方式之间的影响，可以避免数据过于静态的问题。

(3)现有的公交优化模型所对应的解决方案较为单一，每个模型往往只针对一种解决方案，本发明中提出的ntrdm模型和three-step方法，综合考虑多种线网优化和调整方案，包括增设站点、调整站点、增设线路、调整线路等。

(4)现有的线网优化方案大多将地面公交网络抽象成图，然后利用图论的相关算法进行研究，往往侧重于“规划”，而不是“优化”，且未考虑实际的地理环境因素影响，本发明通过用户真实乘车记录进行异常点挖掘，且在路径规划步骤中利用百度地图api进行真实路径的获取，因此规划结果将更加符合真实地理环境。

附图说明

图1为本发明实现流程图。

具体实施方式

基于公交一卡通数据、出租车gps数据和地图数据，挖掘公交和出租两种交通方式的热门出行需求；利用大数据相关方法实现将部分出租客流转化为公交客流，并提出具体的公交线网优化与调整方案。

如图1所示，本发明具体实施流程如下：

步骤1：数据收集与预处理。对公交一卡通数据、出租车gps数据以、计价器数据、地图数据、公交线路与站点数据等进行预处理，剔除异常数据。

步骤2：地图网格划分。为了将出租和公交两种不同交通方式的od进行融合和关联，以北京市为例，将北京市区域分别划分为100*100、300*300、500*500以及1000*1000的网格，经过对比发现当网格尺寸在300*300时每个网格中的公交站点分布最为均匀，且300米为乘客前往公交站点所能接受的最大步行距离，因此，选择300米作为网格划分的参数。

步骤3：出租od提取与网格匹配。首先根据计价器数据得到乘客的上车时间和下车时间，然后再集合gps数据得到该时刻的位置，就可以得到其乘客的od以及路径信息，这里我们默认每次的平均乘车人数为2.3人。od提取完成之后，再将经纬度映射到步骤2中划分的网格。

步骤4：公交od提取与网格匹配。根据公交一卡通刷卡数据进行乘客的出行链识别，依照步骤三对其进行地图网格映射。

步骤5：od过滤与聚类。对步骤三和步骤四提取的od，首先进行聚类，将分布接近的od进行合并，同时计算一个月内该od上两种交通方式的客流，得到出租车top200的od作为热门出租od。

步骤6：ntrdm模型建立。将问题抽象为新增出行需求公交线路优化问题(ntrdp，newtransitrequiredesignproblem)，将出租热门od认为是新的公交出行需求。其基本框架为给定新增加的交通需求分布，即新增加的od分布，确定优化目标，在满足约束条件下，决策如何进行当前线网的调整优化

步骤7：确定优化目标。将两种交通方式的出行服务水平差异最小作为ntrdp的优化目标，ntrdp模型的优化目标可以转化为公交在popularod上的总花费时间最小，即：

其中ttotal表示乘客在所有popularod上花费的总时间，f表示所有od线路集合，为出发地距离公交站点的步行时间，为驾车行驶时间，为换乘时间，为目的地距离公交站点的步行时间。

步骤8：确定约束条件。包括线路长度、非直线系数、相邻站点长度、重叠系数、原有公交线路的影响，从而得到模型如下。

two＝lo×vw,twd＝ld×vw,tdrive＝lr×vdrive

s.t.lmin≤l≤lmax

l/d≤1.4

500≤la≤800

e≤3

pold<pnew

o,d∈f

其中，tod表示乘客花费的总时间，表示步行至出发地公交站点的时间，表示驾车时间，表示换乘时间，表示乘客从下车点步行至目的地的时间，vw表示步行平均速度，vdrive表示开车平均速度，lo表示出发地到站点距离，ld表示目的地到站点距离，lr驾车行驶距离，l表示公交线路长度为线路长度，d为线路起终点站点空间直线距离，la表示相邻站点距离，e表示重叠系数，pold、pnew表示线路调整前后客流，o、d分别代表出发地和目的地集合，f表示热门出租od集合。

步骤9：调整方案选择。提出three-stepf(step)方法，逐渐调整同一条线路上的两个站点位置，使得花费时间最小且可以直达；其次，调整任意线路上的两个站点，若调整站点位于不同线路，则可能出现换乘的情况；最后在目的地或者出发地建立新的公交站点，并加入到临近线路中去。在对每一个od对进行调整优化时，我们分别比较这三种方法在约束条件下的总花费时间，并选择时间最小的作为最终的调整方案。

步骤10：蚁群算法求解。交线路调整的主要思想是根据od找到最优的站点对进行调整，不同的策略具有不同的花费时间，这一特征与蚁群算法十分相似。假设客流为蚁群，o点为蚁巢，d为食物源，将ntrdp看做蚁群根据信息素从蚁巢出发觅食的过程，则可以描述为根据总花费时间从o到d点搜寻最优公交路线的过程，再根据最优公交路线进行站点调整。

步骤11：根据步骤9模型计算结果，得到需要调整的站点和线路以及具体的调整方案。

提供以上本发明实施例仅仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。