一种基于出租车GPS数据挖掘的公交网络规划方法

一种基于出租车gps数据挖掘的公交网络规划方法
技术领域
1.本发明涉及公交网络规划领域，特别是涉及一种基于出租车gps数据挖掘的公交网络规划方法。


背景技术：

2.传统的公交网络规划和设计通常是基于人力调查的，需要花费大量的时间成本和人力资源。此外，传统的方式会很大程度依赖于设计师的经验，因此人力调查得到的信息有时候也不够准确。
3.如今，快速发展的城市的道路网络在不断的建设和优化，基于调查的规划无法适应大城市道路网络的快速变化，但是这些变化则会在城市居民移动模式中得到反映，因此，急需一种基于大量真实世界中人类移动的数据的公交网络规划方法。


技术实现要素：

4.本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于出租车gps数据挖掘的公交网络规划方法。
5.为了实现本发明的上述目的，本发明提供了一种基于出租车gps数据挖掘的公交网络规划方法，包括以下步骤：
6.s1，划分网格单元：将研究区域划分成大小相等的网格单元，并且将包含出租车乘客上下车记录的网格单元称为热点网格单元；
7.s2，利用s1得到的热点网格单元及其半径为r的范围内的pdr确定候选公交站点，pdr表示出租车乘客上下车记录；
8.s3，建立乘客流矩阵和时间矩阵：根据s2得到的候选公交站点以及出租车gps数据，建立候选公交站点间的乘客流矩阵fm和时间矩阵tm；
9.s4，利用生物启发式算法形成公交网络。
10.在本发明的一种优选实施方式中，所述s2包括以下步骤：
11.s2-1，计算每个热点网格单元的pdr值；
12.s2-2，根据pdr值降序排列，选择pdr值最大的热点网格单元作为一个候选站点；将候选站点放入候选站点集合中；
13.s2-3，以步骤s2-2生成的候选站点为中心，r为半径，删除在该范围内的pdr；
14.s2-4，更新剩余热点网格单元的pdr值；
15.s2-5，判断是否还存在热点网格单元的pdr值大于设定的pdr阈值，若存在，则跳转执行步骤s2-2；若没有，执行下一步骤；
16.s2-6，得到最终的候选站点集合；
17.其中pdr表示出租车乘客上下车记录；
18.r表示一个公交站的服务半径；
19.pdr表示一个热点网格单元在半径为r的范围内的pdr数量。
20.在本发明的一种优选实施方式中，所述s3包括：
21.在乘客流矩阵fm中，每个元素f
ij
代表候选站点i到候选站点j的乘客流；
22.在时间矩阵tm中，每个元素t
ij
代表候选站点i到候选站点j的平均时间；
23.矩阵中的每个元素值根据出租车gps数据决定。
24.在本发明的一种优选实施方式中，所述s4包括以下步骤：
25.s4-1，将乘客流矩阵和时间矩阵作为输入，利用生物启发式算法得到一条最优路线r
best
；
26.s4-2，更新乘客流矩阵：在乘客流矩阵fm中将r
best
中各个站点之间的乘客流设置为0；
27.s4-3，判断生成的公交路线数量是否足够，若不够则继续执行步骤s4-1；
28.s4-4，生成的所有路线形成公交网络。
29.在本发明的一种优选实施方式中，所述生物启发式算法包括以下步骤：
30.s-a，将乘客流矩阵和时间矩阵作为输入，初始化蚁群算法参数；
31.s-b，若迭代次数≤iter
max
，执行下一步骤，否则结束；其中iter
max
表示蚁群算法迭代次数；
32.s-c，每只蚂蚁生成一条路线：对于第l只蚂蚁根据转移概率随机选择下一个站点，并将该站点加入当前路线；计算当前路线的总时间t，如果t＜t
max
，当前蚂蚁继续搜索寻找下一个站点，否则，当前蚂蚁停止搜索，并且保存当前路线，切换到下一只蚂蚁进行路线搜索，直至m只蚂蚁生成m条路线；其中t
max
为公交车路线时间约束，m表示蚂蚁总只数；
33.s-d，对于生成的m条路线，计算每条路线的总乘客流，并更新最优路线；
34.s-e，更新候选站点间的信息素，迭代次数加1，执行步骤s-b。
35.在本发明的一种优选实施方式中，所述s-c中转移概率的公式为：
[0036][0037]
其中，表示第l只蚂蚁从候选站点i转移到候选站点j的概率；
[0038]
τ
ij
表示侯选站点i到候选站点j的信息素；
[0039]
τ
ik
表示侯选站点i到候选站点k的信息素；
[0040]
η
ij
表示候选站点i和候选站点j之间的乘客流；
[0041]
η
ik
表示候选站点i和候选站点k之间的乘客流；
[0042]
α代表信息素权重值；
[0043]
β代表可见度权重值；
[0044]
allowed代表下一站可选站点的集合。
[0045]
在本发明的一种优选实施方式中，所述s-c中的计算当前路线的总时间的公式为：
[0046][0047]
其中，t表示当前路线在两个方向的总时间；
[0048]
n表示路线的总站点数；
[0049]
tm(si,s
i+1
)表示从si到s
i+1
的平均时间；
[0050]
tm(s
i+1
,si)表示从s
i+1
到si的平均时间；
[0051]
si表示路线上的第i个站点；
[0052]si+1
表示路线上的第i+1个站点；
[0053]
t0表示公交车在每个站点停靠的时间。
[0054]
在本发明的一种优选实施方式中，所述s-d中的计算每条路线的总乘客流的公式为：
[0055][0056]
其中，num表示路线在两个方向上的总乘客流；
[0057]
n表示路线的总站点数；
[0058]
fm(si,sj)表示从si到sj的乘客流；
[0059]
fm(sj,si)表示从sj到si的乘客流；
[0060]
si表示路线上的第i个站点；
[0061]
sj表示路线上的第j个站点。
[0062]
在本发明的一种优选实施方式中，所述s-e中的更新候选站点间的信息素的公式为：
[0063]
τ
ij
(t+1)＝(1-ρ)
·
τ
ij
(t)+δτ
ij
[0064][0065][0066]
其中，τ
ij
(t+1)表示t+1时刻侯选站点i到候选站点j的信息素；
[0067]
ρ表示信息素挥发系数；
[0068]
τ
ij
(t)表示t时刻侯选站点i到候选站点j的信息素；
[0069]
δτ
ij
侯选站点i到候选站点j的信息素增量；
[0070]
m表示蚂蚁总只数；
[0071]
就表示第l只蚂蚁释放的信息素；
[0072]
q是信息素常量；
[0073]
num表示路线在两个方向上的乘客流。
[0074]
综上所述，由于采用了上述技术方案，本发明与基于人力调查信息而产生的公交网络规划相比，本发明能够在成本更低，获取信息更加全面且准确的情况下，得到真实世界中人类移动数据，并基于此生成公交网络规划。
[0075]
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
[0076]
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得
明显和容易理解，其中：
[0077]
图1是本发明的流程示意图。
具体实施方式
[0078]
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
[0079]
本发明提出一种基于出租车gps数据挖掘的公交网络规划方法，包括以下步骤：
[0080]
s1，划分网格单元：将研究区域划分成大小相等的网格单元，例如：25m
×
25m的网格单元，并且将包含出租车乘客上下车记录的网格单元称为热点网格单元；
[0081]
s2，利用s1得到的热点网格单元及其半径为r的范围内的pdr确定候选公交站点即乘客上下车热点区域，pdr表示出租车乘客上下车记录；
[0082]
s3，建立乘客流矩阵和时间矩阵：根据s2得到的候选公交站点以及出租车gps数据，建立候选公交站点间的乘客流矩阵fm和时间矩阵tm；
[0083]
出租车gps数据包括乘客上下车时间，地点经纬度等。
[0084]
s4，利用生物启发式算法形成公交网络。
[0085]
本文中候选站点即候选公交站点。
[0086]
在本发明的一种优选实施方式中，所述s2包括以下步骤：
[0087]
s2-1，计算每个热点网格单元的pdr值；
[0088]
s2-2，根据pdr值降序排列，选择pdr值最大的热点网格单元作为一个候选站点；将候选站点放入候选站点集合中；
[0089]
s2-3，以步骤s2-2生成的候选站点为中心，r为半径，删除在该范围内的pdr；
[0090]
s2-4，更新剩余热点网格单元的pdr值；
[0091]
s2-5，判断是否还存在热点网格单元的pdr值大于设定的pdr阈值，若存在，则跳转执行步骤s2-2；若没有，执行下一步骤；
[0092]
s2-6，得到最终的候选站点集合；
[0093]
其中pdr表示出租车乘客上下车记录；
[0094]
r表示一个公交站的服务半径，一般为300m到500m；
[0095]
pdr表示一个热点网格单元在半径为r的范围内的pdr数量。
[0096]
在本发明的一种优选实施方式中，所述s3包括：
[0097]
在乘客流矩阵fm中，每个元素f
ij
代表候选站点i到候选站点j的乘客流；如果一条出租车行程记录的起点在候选站点i半径为r的范围内，终点在候选站点j半径为r的范围内，那么它就代表从候选站点i到候选站点j的乘客流。
[0098]
在时间矩阵tm中，每个元素t
ij
代表候选站点i到候选站点j的平均时间；考虑到出租车和公交车的速度差异，我们用出租车从候选站点i到候选站点j的平均时间乘以λ来表示公交车从候选站点i到候选站点j的平均时间。λ为城市中出租车的平均速度与公交车的平均速度之比，可以取λ＝1.5。
[0099]
矩阵中的每个元素值根据出租车gps数据决定。
[0100]
在本发明的一种优选实施方式中，所述s4包括以下步骤：
[0101]
s4-1，将乘客流矩阵和时间矩阵作为输入，利用生物启发式算法得到一条最优路线r
best
＝[s1,s2,...sn]。
[0102]
s4-2，更新乘客流矩阵：在乘客流矩阵fm中将r
best
中各个站点之间的乘客流设置为0，即：其中表示任意，n表示路线的总站点数，f(si,sj)表示从si到sj的乘客流；si表示路线上的第i个站点，sj表示路线上的第j个站点。
[0103]
s4-3，判断生成的公交路线数量是否足够，若不够则继续执行步骤s4-1；
[0104]
s4-4，生成的所有路线形成公交网络。
[0105]
在本发明的一种优选实施方式中，所述生物启发式算法包括以下步骤：
[0106]
s-a，将乘客流矩阵和时间矩阵作为输入，初始化蚁群算法参数；
[0107]
s-b，若迭代次数≤iter
max
，执行下一步骤，否则结束；
[0108]
其中iter
max
表示蚁群算法迭代次数；
[0109]
s-c，每只蚂蚁生成一条路线：对于第l只蚂蚁根据转移概率随机选择下一个站点，l∈{1,2,3
…
m}，m表示蚂蚁总只数，并将该站点加入当前路线；计算当前路线的总时间t，如果t《t
max
，当前蚂蚁继续搜索寻找下一个站点，否则，当前蚂蚁停止搜索，并且保存当前路线，切换到下一只蚂蚁进行路线搜索，直至m只蚂蚁生成的m条路线；其中t
max
为公交车路线时间约束；
[0110]
s-d，对于生成的m条路线，计算每条路线的总乘客流，并更新最优路线；
[0111]
s-e，更新候选站点间的信息素，迭代次数加1，执行步骤s-b。
[0112]
在本发明的一种优选实施方式中，所述s-c中的转移概率的公式为：
[0113][0114]
其中，表示第l只蚂蚁从候选站点i转移到候选站点j的概率；
[0115]
τ
ij
表示侯选站点i到候选站点j的信息素；
[0116]
τ
ik
表示侯选站点i到候选站点k的信息素；
[0117]
η
ij
表示候选站点i和候选站点j之间的乘客流；
[0118]
η
ik
表示候选站点i和候选站点k之间的乘客流即η
ij
＝fm(i,j)+fm(j,i)；
[0119]
α代表信息素权重值；
[0120]
β代表可见度权重值；
[0121]
allowed代表下一站可选站点的集合。
[0122]
在本发明的一种优选实施方式中，所述s-c中的计算当前路线的总时间的公式为：
[0123][0124]
其中，t表示当前路线在两个方向的总时间；
[0125]
n表示路线的总站点数；
[0126]
tm(si,s
i+1
)表示从si到s
i+1
的平均时间；
[0127]
tm(s
i+1
,si)表示从s
i+1
到si的平均时间；
[0128]
si表示路线上的第i个站点；
[0129]si+1
表示路线上的第i+1个站点；
[0130]
t0表示公交车在每个站点停靠的时间。
[0131]
在本发明的一种优选实施方式中，所述s-d中的计算每条路线的总乘客流的公式为：
[0132][0133]
其中，num表示路线在两个方向上的总乘客流；
[0134]
n表示路线的总站点数；
[0135]
fm(si,sj)表示从si到sj的乘客流；
[0136]
fm(sj,si)表示从sj到si的乘客流；
[0137]
si表示路线上的第i个站点；
[0138]
sj表示路线上的第j个站点。
[0139]
在本发明的一种优选实施方式中，所述s-e中的更新候选站点间的信息素的公式为：
[0140]
τ
ij
(t+1)＝(1-ρ)
·
τ
ij
(t)+δτ
ij
[0141][0142][0143]
其中，τ
ij
(t+1)表示t+1时刻侯选站点i到候选站点j的信息素；
[0144]
ρ表示信息素挥发系数；
[0145]
τ
ij
(t)表示t时刻侯选站点i到候选站点j的信息素；
[0146]
δτ
ij
侯选站点i到候选站点j的信息素增量；
[0147]
m表示蚂蚁总只数；
[0148]
就表示第l只蚂蚁释放的信息素；
[0149]
if the kth ant passes edge(i,j)表示如果第l只蚂蚁经过侯选站点i到候选站点j；
[0150]
q是信息素常量；
[0151]
num表示路线在两个方向上的乘客流。
[0152]
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。