一种基于交通od数据的城市居民群体换乘模式发现系统及方法
【技术领域】
[0001] 本发明属于智能交通技术领域，提出一种基于交通0D数据的城市居民群体换乘 模式发现系统及方法。
【背景技术】
[0002] 公共交通不仅是居民经济、绿色的出行方式，更是缓解城市拥堵的重要手段。据统 计，60%的城市人口每天至少花费1小时在乘坐公共交通工具（多少人乘坐公交，多少人乘 坐地铁）。然而，城市建设的不断发展导致城市功能区和兴趣点分布的动态改变，改变了城 市客流分布规律，例如，新建的购物商场和商业区等都会激发新的出行需求。因此，如何提 高居民公共出行效率，动态发现新的公共出行需求对交通服务者及城市规划都是非常重要 的。
[0003] 当前，市民出行选择的公共交通工具主要包括公交车、地铁以及公租自行车等。公 交车和地铁是用户优先选择的经济便捷的出行方式，这类交通工具的优点是快捷、覆盖面 广且省时省力；另一特点是从出发地到某个目的地经常需要通过换乘，公交与公交的换乘 或者公交与地铁的换乘，这也成为了公共交通规划的难点所在。
[0004] 换乘是多模式交通出行的重要环节，以北京早高峰为例，1/5的人无法依靠单一旅 程直接到达目的地，中间需要换乘。换乘使出行花费提高，步行距离以及出行时间增加，出 行效率明显降低。调查研究，80%的居民在出行时选择直达方案，避免换乘，所以换乘作为 衡量出行效率的关键因素是合理的。另外，通过换乘可以发现现有交通系统的不足之处， 例如，当换乘客流超过一定阈值，并且该情况发生频率较高时，就可以发现公交规划的不合 理，并进一步通过对出行路径的研究，可以提供设置公交直达线路的需求依据；当假节日或 演唱会等特殊事件发生时，会涌现出非规律性的换乘需求，可以为动态车辆调度，缓解交通 拥堵等提供数据支持。从换乘区域角度分析，还可以了解及掌握乘客的出行变化规律，并可 以通过换乘点的记录，推算出行者的真实目的地。
[0005] 然而乘客的换乘行为难以准确采集，调查问卷等传统方法具有区域局限性且代价 昂贵，一卡通供城市居民乘坐主要交通工具，公交和地铁，隐含着公交、地铁换乘的重要信 息，与GPS、手机相比，近似全样本、全时的描述居民公共出行特征，满足需求。本发明采用的 数据基于AFCS的公交和地铁数据，涵盖了城市居民95%的公交换乘出行。
[0006] 另外，城市公共交通中，对个体出行行为的研究对于城市交通政策制定以及管理 都有较大的参考价值，如常用的出行方式、出行距离等。由于个体出行行为是个性化的，并 且在一定程度上具有随机性，所以对个体出行行为的分析并不能体现城市整体出行特征。 由于公共交通站点的规划，采用公共交通进行出行的居民往往会形成客流"群体"。这种"群 体"代表着在某一段时间和空间下具有相似出行目的出行人群。由于群体具有共性，所以较 大的出行群体能够体现出在出行群体中的个体出行不能体现的特征，如站台拥挤度的潮汐 性变化以及城市客流时空密度变化等。因此在分析城市公共交通换乘模式时，有必要对群 体换乘模式进行分析。
[0007] 公交与公交换乘客流、地铁与公交换乘客流一直是出行特征研究的一个重点，对 换乘站的研究在城市规划领域有着重要的意义。
[0008]由于乘客的换乘行为难以准确采集，公共交通网络实际运行的换乘次数难以得 到，传统的换乘次数指标的评价往往是基于线网拓扑结构的网络分析，如邻接矩阵分析法、 Floyd算法等，成为制约公交线网服务水平评价的主要障碍之一。有效的识别换乘是进行公 共交通合理规划的关键。
[0009] 国外对于基于一卡通数据的换乘有一些研究，通过利用乘客上车数据来得到公共 交通的换乘信息并描述了一个迭代分类算法，这个算法把乘客上车数据分为两类：换乘出 行和单次出行。换乘节点识别矩阵的分析，等待时间分布图和空间第一次和第二次站点分 布图。这个算法可以为交通调度人员提供重要的信息：乘客上车，换乘和等待时间等相关信 息。这些信息可以为他们进行交通规划和政策制定提供有力的数据支持。
[0010] 由于基础数据的限制，当前国内外对公共交通的换乘模式的研究较少，大多数研 究集中在单一交通方式的内部换乘以及对大的换乘枢纽站的建设的改进，更少有对居民在 综合公共交通之间的换乘行为进行建模与分析。
【发明内容】
[0011] 本发明的技术解决问题：克服现有技术的不足，提供一种基于交通0D数据的城市 居民群体换乘模式发现系统及方法，建立在大量的真实居民公交出行一卡通刷卡数据，具 有鲁棒性和普遍适用性，解决了现有城市居民群体换乘需求问题，并为公共交通线路优化 以及动态车辆调度提供了数据支撑。
[0012] 本发明技术解决方案：一种基于交通0D数据的城市居民群体换乘模式发现系统， 包括以下几个模块：数据预处理模块、换乘轨迹识别模块、换乘热点区域发现模块、群体换 乘模式挖掘模块。
[0013] 属于智能交通技术领域。换乘模式代表大客流量频繁发生的换乘轨迹的时空特 征，体现了城市居民换乘需求。该模型包括数据预处理模块、换乘轨迹识别模块、换乘热点 区域发现模块和群体换乘模式挖掘模块。数据预处理模块用于公交、地铁的一卡通刷卡数 据处理得到0D数据；换乘轨迹识别模块从本模型的输入数据0D数据通过时间阈值和空间 阈值判断个人连续出行0D数据是否为换乘，得到个人换乘轨迹数据；热点区域发现模块通 过聚类算法，判断站点及其相邻站点客流聚集程度得到热点区域，在此基础上通过交通小 区数据对热点区域进行二次合并与划分得到热点交通小区，即换乘热点区域；群体换乘模 式挖掘模块通过聚合个人换乘轨迹得到群体换乘轨迹数据，定义群体换乘模式，交通数据 本身具有高维特性，通过建立高维数据描述模型，并利用降维的方法挖掘出热点区域间的 大客流量的群体换乘模式。本模型建立在大量的真实居民公交出行一卡通刷卡数据，模型 具有鲁棒性和普遍适用性，城市范围内换乘模式的发现为公共交通线路优化以及动态车辆 调度提供了数据支撑和合理建议。
[0014] 数据预处理模块：用于处理公交、地铁一卡通刷卡数据，以得到个人完整公交出行 0D数据，作为后续换乘识别模块的基础输入数据；具体实现如下：
[0015] 输入数据为公交一卡通刷卡数据、地铁一卡通刷卡数据等多种数据源，首先提取 有效字段、剔除异常数据，然后通过对上下车时间、位置及相关信息进行填补，并标记出行 方式；最后经过按卡号合并及时间序列化等步骤，得到公交0D数据；
[0016] 将不同数据源的0D数据按卡号合并，并按上车时间排序得到个人完整公交出行 时空0D数据，主要包括上下车时间信息、上下车站点空间位置信息等。
[0017] 换乘轨迹识别模块：通过对于城市居民公交出行的时空0D数据，按照同一卡号提 取，判断连续两条0D数据，设定换乘识别时间阈值Th和空间阈值Td，时间阈值判断连续两 条0D数据前一次下车时间和后一次上车时间间隔是否小于Th，空间阈值判断连续两条0D 数据前一次下车地点和后一次上车地点间距离是否小于Td，符合上述两个条件即判断为一 次换乘轨迹，依次递推，可以判断出连续多次换乘轨迹。
[0018] 换乘热点区域发现模块：定义站点客流密度，将站点客流作为密度和站点间平均 距离作为半径通过密度聚类，以DBSACN方法为例实现，得到热点区域，并通过交通小区数 据对热点区域进行二次合并与划分得到热点交通小区，划分方法：a.若聚类完的热点区域 内的站点中某两个站点的距离（地表距离）大于阈值dis，则需要进行切分。b.若热点区 域的站点一半以上都分布在某交通小区内，则将其划入此交通小区。重复上述步骤直到所 有热点区域全部处理完，得到热点交通小区作为换乘热点区域。
[0019] 群体换乘模式挖掘模块：定义了