基于afc数据的公交客流od实时估计方法
【技术领域】
[0001] 本发明涉及智能交通的公交运营管理领域，具体涉及基于AFC数据的公交客流OD 实时估计算法。
【背景技术】
[0002] 作为公交客流需求和动态特性的有效表征，公交客流实时OD是对公交线路运营 调度进行实时优化的关键依据。因此，实时估计公交客流0D，准确描述公交客流需求分布规 律，对实现公交线路运营调度实时优化具有重要意义。
[0003] 现有的关于公交客流OD估计的方法主要可分为基于平衡理论的估计方法和基于 乘客出行行为特性的估计方法。前一种方法大多是从公交线网层面出发，需要考虑公交乘 客的出行路径选择等问题，情况较为复杂，且该类方法单纯从数学角度出发，忽视了公交客 流的随机性和波动性，适用性受到影响且部分输入数据需要人工采集，实时性受到限制；后 一种方法是从公交线路层面出发，依据公交乘客出行行为特性对公交客流OD进行估计，该 方法的基本原理是已知线路上各站点上车客流量，根据乘客的出行分布特性，对乘客出行 概率分布进行归纳总结，生成概率转移矩阵，进而实现公交客流OD估计。但传统的基于乘 客出行行为特性的客流估计方法仅考虑了乘客出行行为的空间分布特性，未考虑到公交客 流数据的时间关联性的影响，应用时存在一定的局限性。
[0004] 公交AFC系统的应用及普及为公交客流OD估计提供了一种实时、可靠的数据来 源。因此，利用AFC数据进行公交线路客流OD实时估计成为当前研究的热点。基于收费方 式的不同，公交线路主要可分为一票制公交线路和分段计费式公交线路。针对两种票制的 不同特点，AFC系统采用了不同的刷卡和数据存储方式。对于多段式计费公交线路，乘客上 下车均需要刷卡，可直接通过AFC刷卡数据获得公交客流OD ;-票制公交线路仅上车刷卡， 刷卡记录中不包含任何有关下车站点的信息，无法直接获得公交客流OD信息。目前我国公 交线路大多以一票制计费方式为主，通过AFC系统只能直接获取公交站点的上车客流，这 就要求能够对公交线路站点的下车客流进行估计，进而得到公交客流0D。
[0005] 总结目前国内外在公交客流OD实时估计方法的研究和实践，还存在着如下几个 问题：
[0006] (1)公交客流OD估计所需的样本量大，较难获取大量的公交客流数据。
[0007] (2)传统的基于乘客出行行为特性的客流OD估计方法仅考虑了空间特性，如站点 吸引系数、乘客出行站数等因素，没有考虑乘客出行行为的时间特性，忽略了公交客流数据 的时间关联性的影响。
[0008] (3)公交客流OD估计的方法欠缺。目前国内外高速公路及城市道路交通流OD实 时估计方法已有很多，例如经研究证明估计效果优良并得到广泛应用的状态空间模型一一 卡尔曼滤波模型。然而，专门针对公交客流OD实时估计的方法还不多，并且不具有实时性。
【发明内容】
[0009] 针对当前公交客流OD实时估计方法的缺乏，以及公交客流数据样本获取困难、公 交客流估计实时性不强差等问题，本发明提出了基于AFC数据的公交客流OD实时估计方 法。其目的在于：充分利用公交AFC系统的刷卡数据，规整获取公交站点客流；挖掘公交客 流OD与公交站点客流量之间的映射关系，构建基于卡尔曼滤波的公交客流OD实时估计模 型，实现公交客流OD的实时估计。
[0010] 为了实现上述目的，本发明采取以下技术方案：
[0011] -种基于AFC数据的公交客流OD实时估计方法，包括如下步骤：
[0012] 1)根据公交自动售检票系统（AFC)中的上车刷卡记录和人工调查补录等方式，整 理获取一定时期内某公交线路在一定时间间隔内各个站点的历史客流量。
[0013] 2)分析公交客流OD估计问题，构建卡尔曼滤波公交客流OD估计模型。
[0014] 2-1)在依据公交AFC数据能够有效获取公交上车客流量数据的前提下，把公交客 流OD估计问题转化为客流分配概率问题。
[0015] 2-2)构建卡尔曼滤波公交客流OD估计模型的观测方程。
[0016] 2-3)构建卡尔曼滤波公交客流OD估计模型的状态转移方程。
[0017] 3)考虑公交乘客出行时间分布特性对客流分配概率转移矩阵的影响，对公交客流 分配概率模型进行重新标定。
[0018] 3-1)公交乘客出行的时间分布特性分析。
[0019] 3-2)根据公交乘客出行时间分布特性，划分公交乘客出行模式。
[0020] 3-3)对乘客出行站数概率曲线进行拟合，得到不同模式下的乘客出行概率模型。
[0021] 3-4)计算不同模式下的公交站点吸引系数。
[0022] 3-5)考虑公交客流分配概率Pl]与乘客出行站数概率及公交站点两影响因素，构 建公交客流分配概率模型。
[0023] 4)根据客流分配概率模型，计算得到不同时间间隔内的客流分配概率矩阵，即滤 波模型中状态变量X的样本。
[0024] 5)利用足够量的公交客流数据和计算得到的客流分配概率对滤波模型参数进行 标定。
[0025] 6)根据标定好参数的卡尔曼滤波OD估计模型，进行客流分配概率\的估计。
[0026] 7)根据已得到的客流分配概率实时估计值，进一步推算出公交客流OD实时估计 值。
[0027] 7-1)根据公交线路站点经炜度信息，公交车辆运行实时GPS数据，公交AFC数据， 通过时间匹配分析法整理得出公交线路各站点的实时上车客流量。
[0028] 7-2)在准确获取公交站点实时上车客流的基础上，利用公交客流分配概率的估计 值，计算得到公交客流OD实时估计值。
[0029] 步骤2)中，公交客流实时OD估计的针对对象是单向公交线路。由于公交线路运 行的特殊性，设有η个站点的单向公交线路客流OD呈现以下几个特性：
[0030] (a)在公交车始发站（i = 1)无乘客下车，即：
[0031] A1= 0
[0032] (b)在站点i上车的乘客均在站点i以后才能下车，即：
[0034] (c)在公交车终点站（i = η)无乘客上车，即：
[0035] Bn= 0
[0036] (d)在站点j下车的乘客均在站点j以前上车，即：
[0038] (e)在单向公交线路客流OD矩阵中，Xlj= 0, i彡j。
[0039] 上述公式中，B1S i站点上车客流量；A ^为j站点下车客流量；X ^为在i站点上 车、在j站点下车的人数。
[0040] 步骤2-1)中，对于一条特定的公交线路，假设设有η个站点，按车辆某一运行方向 对站点进行编号i(i = 1，…，η)。假设在一个时间间隔内，乘客可以完成一次出行，即在不 考虑公交客流的时滞性的前提下，在第t个时间间隔内，OD量与站点客流量之间的关系式 如下：
[0041] Zljt= hltxljt
[0042] 其中，Zljt为第t个时间间隔内从第i个站点上车第j个站点下车的客流量；hit 为第t个时间间隔内第i个站点的上车客流量；X ljt为第t个时间间隔内在第i个站点上车 的乘客，在第j个站点下车的概率，即客流分配概率。
[0043] 步骤2-2)中，构建卡尔曼滤波模型的观测方程
[0044] Zt= HtXt+Vt
[0045] 式中，客流分配概率Xt为卡尔曼滤波模型的状态变量；线路站点下车客流量Z ,为 卡尔曼滤波模型的观测变量；Ht为线路站点上车课流量；VtS系统观测噪声，服从均值为零 的正态白噪声序列。
[0046] 步骤2-3)中，由于客流分配概率具有短期波动连续性特征，在此假设在前后两个 时间间隔内，客流分配概率服从随机漫步分布，即采用做随机偏移的方法得到。构建卡尔曼 滤波模型的状态转移方程
[0047] Xt= X t !+Wt
[0048] 式中，Xt为前时间间隔t内的客流分配概率；X t 前一时间间隔t_l内的客流分 配概率；随机误差项1为系统策动噪声，服从均值为零的正态白噪声序列。
[0049] 步骤3-1)中，根据采集整体的公交客流数据，利用数学统计工具得到乘客出行时 间分布特性图。
[0050] 步骤3-2)中，分析乘客出行分布图，把公交乘客出行的模式划分为：工作日高峰 时段、工作日平峰时段、周末高峰时段、周末平峰时段。
[0051] 步骤3-3)中，公交乘客出行站数概率曲线的拟合采用双高斯函数。
[0052] 步骤3-4)中，由于公交出行大多数为通勤出行，一般情况下公交线路的乘客OD是 基本稳定的。这样同一站点的客流