一种基于出行大数据的城市公交微循环线路计算方法与流程

1.本发明涉及城市公交线路规划技术领域，具体为一种基于出行大数据的城市公交微循环线路计算方法。


背景技术：

2.目前公交运营企业所采取的公交微循环线路规划设计方法，往往是在收到较多市民反映出行困难问题、或经媒体报道后，才能够发现局部区域存在公交覆盖薄弱问题，然后组织人力前往实地调研，通过人工统计客流、调查问卷等方式获得出行需求数据，再人为根据宽泛规则设计微循环公交线路行驶路径、途径站点。
3.上述技术的缺陷是：
4.(1)通过人工实地调研方式获得出行需求数据，过程中耗费较多人力物力、所采集数据存在一定误差。
5.(2)人为根据宽泛规则设计微循环公交线路行驶路径、途径站点，设计过程存在较大主观性。
6.(3)公共交通覆盖薄弱区域往往需要等到较多市民投诉、或通过新闻媒体反映才会被发现，因此存在一定的滞后性。
7.进一步的通过对相关现有技术的检索：
8.现有专利1提出一种基于出租车od挖掘公交微循环线路的方法。
9.专利2提出一种公交微循环线路确定方法，综合考虑了公交刷卡情况、共享单车需求、网约车需求，通过绘制接驳期望线得到公交微循环线。
10.论文3提出通过出租车gps数据得到区域乘客出租车上下车点，结合公交数据得到微循环公交线路布设区域，利用遗传算法求解双层规划模型。
11.论文4提出通过实地问卷调查获取当地共享单车出行情况，构建考虑共享单车影响的微循环公交线路优化模型，采用遗传算法求解所构建的双层规划模型。
12.针对上述专利1、论文3所述方法只考虑出租车出行，而没有考虑共享单车/共享电动车出行此二接驳地铁的主要出行方式，难以挖掘出所有存在公交微循环线路需求的局部区域。
13.而专利2所述方法对一个事先划定的局部区域进行公交微循环线路设计，不涉及公交覆盖薄弱区域挖掘，且未说明如何根据出行期望线得到微循环线路集。
14.论文3、4所述方法采用遗传算法求解所构建的双层规划模型，模型收敛需时较长且容易陷入局部最优。


技术实现要素：

15.本发明的目的在于提供一种基于出行大数据的城市公交微循环线路计算方法，以解决上述背景技术中提出的问题。
16.为实现上述目的，本发明提供如下技术方案：
17.一种基于出行大数据的城市公交微循环线路计算方法，包括以下步骤：
18.s1：基于公交站点分级聚类的交通小区划分，具体包括：
19.s101：公交站点初次聚类，使用dbscan算法将距离近的、客流覆盖范围高度重合的公交站聚为一组；
20.s102：站点基于空间分布密度进行分级；
21.s103：对各级站点，搜索使得分组数最多的最大邻域半径参数，各组使用不同的最大邻域半径进行dbscan聚类；
22.s104：依公交站点聚类结果划分交通小区，将同组站点的覆盖区域合并得到一个交通小区；
23.s2：公共交通覆盖薄弱局部区域挖掘，得到待优化局部区域范围，具体包括：
24.s201：筛选得到公共交通覆盖薄弱的起讫交通小区od对；
25.s202：对公共交通覆盖薄弱的od对进行空间聚类、确定公共交通覆盖薄弱局部待优化区域；
26.s3：获取公交站点车内行程时间邻接矩阵以及候选公交微循环线路集，具体包括：
27.s301：获取局部待优化区域内公交站点车内行程时间邻接矩阵；
28.s302：公交环线搜索，得到候选公交微循环线路集；
29.s4：候选公交线路客流估计，选取客流估计值最大的线路作为建议公交微循环线路，具体包括：
30.s401：建立线路中单个od客流估计模型；
31.s402：候选微循环公交环线总客流估计，得到最大客流线路。
32.更进一步地，s102中的具体方法如下：使用核密度估计-kde方法，对公交站点空间分布密度进行量化，得到概率密度最大值k_max，根据等距原则将公交站点划分为三级：第一级站点概率密度位于区间[2/3*k_max,k_max)，第二级站点概率密度位于区间[1/3*k_max,2/3*k_max)，第三级站点概率密度位于区间[0,1/3*k_max)。
[0033]
更进一步地，s103中的参数搜索步骤如下：
[0034]
a)人工设定参数搜索区间范围；
[0035]
b)在参数搜索区间范围内等距抽取候选值；
[0036]
c)遍历所有候选值，计算该候选值下的dbscan聚类类别数；
[0037]
d)选取类别数最多的候选值作为最优值，得到该级站点的最大邻域半径参数值；
[0038]
各级使用d)所得最大邻域半径参数进行dbscan聚类，得到二次聚类结果。
[0039]
更进一步地，s201中分别针对共享单车/共享电动车/网约车/出租车出行方式进行筛选，筛选条件如下：
[0040]
(1)本出行方式早高峰总客流大于设定下限阈值；
[0041]
(2)平均行程距离处于本出行方式与微循环公交竞争距离范围；
[0042]
(3)起讫点处于不同的交通小区。
[0043]
更进一步地，s202中获取集聚分布在局部区域范围内的多个公共交通覆盖薄弱od对方法如下：
[0044]
(1)计算od对中点坐标，用于表示od对位置；
[0045]
(2)使用dbscan对od对中点进行空间聚类；
[0046]
(3)遍历聚类得到的od对簇，对各od对簇进行如下条件筛选：
[0047]
a.簇中包含的交通小区数量不超过设定上限阈值num_zones_thres；
[0048]
b.簇中任意两个交通小区质心最远距离不超过设定上限阈值max_zone_dist；
[0049]
(4)提取满足筛选条件的od对簇，将其涉及区域范围确定为公共交通覆盖薄弱局部待优化区域。
[0050]
更进一步地，s301中具体方法如下：
[0051]
(1)识别邻接交通小区：当两个交通小区的50米缓冲区域存在空间交集，即两个交通小区为邻接交通小区；认定邻接交通小区之间的所有公交站点组合为邻接公交站点；
[0052]
(2)使用dijkstra算法、floyd算法的最短路径搜索算法，遍历查询所有邻接公交站点之间的最短路行程时间，其路径搜索过程限制条件如下：
[0053]
a)路径中调头不超过1次；
[0054]
b)路径中左转不超过2次；
[0055]
c)路径中右转不超过2次；
[0056]
d)行经道路宽度不得小于公交车最小允许行驶道路宽度min_bus_lane_width；
[0057]
e)路径非直线系数超过下限阈值non_linear_ratio_thres，其中非直线系数指路径长度除以路径起终点直线距离；
[0058]
f)站间行程时间大于设定阈值bustime_thres；
[0059]
(3)根据上一步搜索结果，得到邻接公交站点表和公交站点车内行程时间邻接矩阵。
[0060]
更进一步地，s302中具体方法如下：
[0061]
(1)确定搜索起点交通小区：选取区域范围内节点度最大的交通小区节点作为路径搜索的起点交通小区；其中，节点度＝出度+入度；
[0062]
(2)基于深度优先搜索的公交环线搜索算法：以s301所得邻接公交站点表为邻接节点表，以起点交通小区内公交站点为起始站点，采用深度优先搜索算法搜索所有可能的环线，且在原始深度优先搜索算法基础上加入如下搜索中断条件：
[0063]
a)除起点站所在交通小区外的其它交通小区被经过两次；
[0064]
b)除起点站外的其它站点被第二次经过；
[0065]
c)路径站点数超过待优化区域内交通小区数；
[0066]
d)起点站与终点站相同，但路径站点数未达待优化区域交通小区数；
[0067]
当搜索所得路径的起点站与终点站相同，即得到一条符合条件的线路，所有符合条件线路组成候选公交微循环线路集。
[0068]
更进一步地，s401中模型建立方法如下：
[0069]
确定客流分配方法：当公交线路经过某od所需公交出行时间成本不大于共享单车/共享电动车出行时间成本时，将该od的共享单车/共享电动车客流全部分配到公交出行；而当公交线路经过某od所需公交出行时间成本为共享单车/共享电动车出行时间成本的两倍及以上时，则将该od客流全部分配到共享单车/共享电动车出行；当公交线路经过某od所需公交出行时间成本大于共享单车/共享电动车出行时间成本、且不超过共享单车/共享电动车出行时间成本的两倍时，将该od客流依公交出行时间与共享单车/共享电动车出行时间之比进行等比例分配；
[0070]
其中，单个od对的公交出行时间成本，是公交车内行程时间、从起点交通小区出发地到达起点公交站的步行时间、从终点公交站到终点交通小区目的地的步行时间之和，计算式为：
[0071][0072]
式(1)中，cbus
ij
表示从站点i到站点j的公交出行时间成本，cwalkbusi表示从站点i所在交通小区步行到达站点i的平均行程时间，cwalkbusj表示从站点j步行达到站点j所在交通小区的平均行程时间；
[0073]
线路中单个od客流计算式为：
[0074]
dbus
ij
＝d
ij
*r
ij
ꢀꢀ
(2)
[0075][0076]
其中，dbus
ij
表示从线路站点i到站点j的od客流估计值，d
ij
表示从站点i所在交通小区到站点j所在交通小区的现有共享单车/共享电动车客流，r
ij
表示从站点i所在交通小区到站点j所在交通小区的公交客流占比系数，csbike
ij
表示从站点i所在交通小区到站点j所在交通小区的共享单车/共享电动车出行时间成本。
[0077]
更进一步地，s402中具体方法如下：
[0078]
一条公交环线的总客流估计量，是该线路中服务到的所有od的公交客流估计量之和，用n表示某候选公交循环线路站点数，线路中服务到的所有od，包括以线路所有站点为起点、以起点站之后的n-1个站点为终点，共n*(n-1)个od对，其公交循环线路的预估总客流计算公式为：
[0079][0080]
其中，d表示一条公交微循环线路的总客流估计量，d
ij
表示从第i个公交站点对应交通小区到第j个公交站点对应交通小区的客流需求估计量；
[0081]
按照所述线路总客流估计模型，计算所有候选公交微循环线路的总客流估计值，选取客流估计值最大的线路得到所述公交微循环线路。
[0082]
与现有技术相比，本发明的有益效果是：
[0083]
1、本发明提供的一种基于出行大数据的城市公交微循环线路计算方法，充分利用现有公交、共享单车、共享电动车、网约车、出租车出行数据资源，节省了实地调研的大量人力成本，且大大提升基础数据的准确性。
[0084]
2、本发明提供的一种基于出行大数据的城市公交微循环线路计算方法，依托出行大数据、设计了客流估计模型、遍历评价所有候选线路集客流情况后得到客流最大线路，线路生成过程更为科学合理，摆脱人为主观性。
[0085]
3、本发明提供的一种基于出行大数据的城市公交微循环线路计算方法，通过公共交通覆盖薄弱区域挖掘方法，可以自动发现所有存在微循环线路需求的待优化局部区域，快速生成合理的微循环公交路径建议方案，而无需等到市民反映出行不便问题。
[0086]
4、本发明提供的一种基于出行大数据的城市公交微循环线路计算方法，综合考虑
现有共享单车、共享电动车、网约车、出租车出行情况，筛选出公共交通覆盖薄弱起讫点，全面覆盖除公交、地铁出行外的所有主要出行方式，可避免遗漏公共交通出行不便起讫点，进而能够挖掘出真正具有公交微循环线路需求的局部区域。
[0087]
5、本发明提供的一种基于出行大数据的城市公交微循环线路计算方法，通过生成候选线路集
‑‑‑
逐个估计线路客流
‑‑‑
选取客流最大线路的三阶段求解方法，在公交微循环线路优化问题场景下，求解速度相较于遗传算法等启发式算法，计算耗时大大缩减，且能够保证得到最优线路。
附图说明
[0088]
图1为本发明的计算方法流程图；
[0089]
图2为本发明实施例中从站点1出发的所有od示意图；
[0090]
图3为本发明实施例中从站点n出发的所有od示意图。
具体实施方式
[0091]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0092]
请参阅图1，本发明实施例中提供一种基于出行大数据的城市公交微循环线路计算方法，包括以下步骤：
[0093]
s1：基于公交站点分级聚类的交通小区划分，具体包括：
[0094]
s101：公交站点初次聚类，使用dbscan算法将距离近的、客流覆盖范围高度重合的公交站聚为一组；某些公交站点距离非常近，这些站可能为同一站名的上下行站点、或是不同站名但距离非常近的站点，由于这些站的客流覆盖范围高度重合，因此在初次聚类步骤中，首先使用dbscan将这些站进行聚合。
[0095]
s102：站点基于空间分布密度进行分级；由于城市不同区域的公交站点分布密度存在较大差异，如中心城区最为密集，越远离市中心或区中心，公交站点分布会越稀疏，交通小区的范围也应随之扩大，因此城市中不同的区域应当采用不同的最大邻域半径epsilon进行dbscan聚类；
[0096]
使用核密度估计(kde)方法，对公交站点空间分布密度进行量化，得到概率密度最大值k_max，根据等距原则将公交站点划分为三级：第一级站点概率密度位于区间[2/3*k_max,k_max)，第二级站点概率密度位于区间[1/3*k_max,2/3*k_max)，第三级站点概率密度位于区间[0,1/3*k_max)。
[0097]
s103：对各级站点，搜索使得分组数最多的最大邻域半径(epsilon)参数，各组使用不同的最大邻域半径epsilon进行dbscan聚类：
[0098]
参数搜索步骤如下：
[0099]
a)人工设定参数搜索区间范围；
[0100]
b)在参数搜索区间范围内等距抽取候选值；
[0101]
c)遍历所有候选值，计算该候选值下的dbscan聚类类别数；
[0102]
d)选取类别数最多的候选值作为最优值，得到该级站点的最大邻域半径参数值；
[0103]
各级使用d)所得最大邻域半径参数进行dbscan聚类，得到二次聚类结果。
[0104]
s104：依公交站点聚类结果划分交通小区，将同组站点的覆盖区域(若某公交站b是从某点a出发所能到达的最近站点，则认为点a是公交站b的覆盖区域)合并得到一个交通小区。
[0105]
s2：公共交通覆盖薄弱局部区域挖掘，得到待优化局部区域范围，具体包括：
[0106]
s201：筛选得到公共交通覆盖薄弱的起讫交通小区od对：当某起讫交通小区之间的共享单车/共享电动车/网约车/出租车出行od量较大，则认为该起讫点没有被公共交通(包括公交和地铁)较好覆盖；
[0107]
分别针对共享单车/共享电动车/网约车/出租车出行方式进行筛选，筛选条件如下：
[0108]
(1)本出行方式早高峰总客流大于设定下限阈值；
[0109]
(2)平均行程距离处于本出行方式与微循环公交竞争距离范围；
[0110]
(3)起讫点处于不同的交通小区。
[0111]
s202：对公共交通覆盖薄弱的od对进行空间聚类、确定公共交通覆盖薄弱局部待优化区域：
[0112]
只有当局部区域内多个od对都未能被公共交通方式较好覆盖时，才有开设微循环公交的必要性，获取集聚分布在局部区域范围内的多个公共交通覆盖薄弱od对方法如下：
[0113]
(1)计算od对中点坐标，用于表示od对位置；
[0114]
(2)使用dbscan对od对中点进行空间聚类；
[0115]
(3)遍历聚类得到的od对簇，对各od对簇进行如下条件筛选：
[0116]
a.簇中包含的交通小区数量不超过设定上限阈值num_zones_thres；
[0117]
b.簇中任意两个交通小区质心最远距离不超过设定上限阈值max_zone_dist；
[0118]
(4)提取满足筛选条件的od对簇，将其涉及区域范围确定为公共交通覆盖薄弱局部待优化区域。
[0119]
s3：获取公交站点车内行程时间邻接矩阵以及候选公交微循环线路集，具体包括：
[0120]
s301：获取局部待优化区域内公交站点车内行程时间邻接矩阵：
[0121]
(1)识别邻接交通小区。当两个交通小区的50米缓冲区域存在空间交集，那么认定这两个交通小区为邻接交通小区；进一步地，认定邻接交通小区之间的所有公交站点组合为邻接公交站点；
[0122]
(2)使用dijkstra算法、floyd算法等最短路径搜索算法，遍历查询所有邻接公交站点之间的最短路行程时间；
[0123]
为保证公交行驶路径的合理性，在路径搜索过程加入以下限制条件：：
[0124]
a)路径中调头不超过1次；
[0125]
b)路径中左转不超过2次；
[0126]
c)路径中右转不超过2次；
[0127]
d)行经道路宽度不得小于公交车最小允许行驶道路宽度min_bus_lane_width；
[0128]
e)路径非直线系数超过下限阈值non_linear_ratio_thres，其中非直线系数指路径长度除以路径起终点直线距离；
[0129]
f)站间行程时间大于设定阈值bustime_thres；
[0130]
(3)根据上一步搜索结果，得到邻接公交站点表和公交站点车内行程时间邻接矩阵。
[0131]
s302：公交环线搜索，得到候选公交微循环线路集：
[0132]
(1)确定搜索起点交通小区：选取区域范围内节点度(节点度＝出度+入度)最大的交通小区节点作为路径搜索的起点交通小区，因为度值较大的节点更有可能在待优化区域中发挥着交通枢纽的作用，且有更大概率被微循环线路经过；
[0133]
(2)基于深度优先搜索的公交环线搜索算法：以s301所得邻接公交站点表为邻接节点表，以起点交通小区内公交站点为起始站点，采用深度优先搜索算法(dfs)搜索所有可能的环线，为适应实际线路的需要，在原始深度优先搜索算法基础上加入如下搜索中断条件：
[0134]
a)除起点站所在交通小区外的其它交通小区被经过两次；
[0135]
b)除起点站外的其它站点被第二次经过；
[0136]
c)路径站点数超过待优化区域内交通小区数；
[0137]
d)起点站与终点站相同，但路径站点数未达待优化区域交通小区数；
[0138]
当搜索所得路径的起点站与终点站相同，即得到一条符合条件的线路，所有符合条件线路组成候选公交微循环线路集。
[0139]
s4：候选公交线路客流估计，选取客流估计值最大的线路作为建议公交微循环线路，具体包括：
[0140]
s401：建立线路中单个od客流估计模型：
[0141]
微循环公交线路主要服务的是待优化区域内现有共享单车和共享电动车出行客流，通过估计公交环线新开通后所能得到原共享单车和共享电动车客流量，可以评价候选公交线路的大致客流规模。
[0142]
客流分配方法：当公交线路经过某od所需公交出行时间成本不大于共享单车/共享电动车出行时间成本时，将该od的共享单车/共享电动车客流全部分配到公交出行；而当公交线路经过某od所需公交出行时间成本为共享单车/共享电动车出行时间成本的两倍及以上时，则将该od客流全部分配到共享单车/共享电动车出行；当公交线路经过某od所需公交出行时间成本大于共享单车/共享电动车出行时间成本、且不超过共享单车/共享电动车出行时间成本的两倍时，将该od客流依公交出行时间与共享单车/共享电动车出行时间之比进行等比例分配。
[0143]
其中，单个od对的公交出行时间成本，是公交车内行程时间、从起点交通小区出发地到达起点公交站的步行时间、从终点公交站到终点交通小区目的地的步行时间之和，计算式为：
[0144][0145]
式(1)中，cbus
ij
表示从站点i到站点j的公交出行时间成本，cwalkbusi表示从站点i所在交通小区步行到达站点i的平均行程时间，cwalkbusj表示从站点j步行达到站点j所在交通小区的平均行程时间。
[0146]
线路中单个od客流计算式为：
[0147]
dbus
ij
＝d
ij
*r
ij
ꢀꢀ
(2)
[0148][0149]
其中，dbus
ij
表示从线路站点i到站点j的od客流估计值，d
ij
表示从站点i所在交通小区到站点j所在交通小区的现有共享单车/共享电动车客流，r
ij
表示从站点i所在交通小区到站点j所在交通小区的公交客流占比系数，csbike
ij
表示从站点i所在交通小区到站点j所在交通小区的共享单车/共享电动车出行时间成本。
[0150]
s402：候选微循环公交环线总客流估计，得到最大客流线路：
[0151]
一条公交环线的总客流估计量，是该线路中服务到的所有od的公交客流估计量之和。用n表示某候选公交循环线路站点数，那么线路中服务到的所有od，包括以线路所有站点为起点、以起点站之后的n-1个站点为终点，共n*(n-1)个od对，其中从第1个站点出发的所有od，从第n个站点出发的所有od分别如图2、3所示：
[0152]
某条公交循环线路的预估总客流计算公式为：
[0153][0154]
其中，d表示一条公交微循环线路的总客流估计量，d
ij
表示从第i个公交站点对应交通小区到第j个公交站点对应交通小区的客流需求估计量；
[0155]
按照所述线路总客流估计模型，计算所有候选公交微循环线路的总客流估计值，选取客流估计值最大的线路得到所述公交微循环线路。
[0156]
综上所述：本发明提供的一种基于出行大数据的城市公交微循环线路计算方法，充分利用现有公交、共享单车、共享电动车、网约车、出租车出行数据资源，节省了实地调研的大量人力成本，且大大提升基础数据的准确性。
[0157]
其次，本发明公交微循环线路计算方法依托出行大数据、设计了客流估计模型、遍历评价所有候选线路集客流情况后得到客流最大线路，线路生成过程更为科学合理，摆脱人为主观性；其中，公共交通覆盖薄弱区域挖掘方法，可以自动发现所有存在微循环线路需求的待优化局部区域，快速生成合理的微循环公交路径建议方案，如新建成的大型住宅区、产业园区所产生的出行需求也会在出行数据中体现，并通过本发明方法及时将其挖掘、对其进行微循环公交优化，而无需等到市民反映出行不便问题。
[0158]
另外，本发明方法综合考虑现有共享单车、共享电动车、网约车、出租车出行情况，筛选出公共交通覆盖薄弱起讫点，全面覆盖除公交、地铁出行外的所有主要出行方式，可避免遗漏公共交通出行不便起讫点，进而能够挖掘出真正具有公交微循环线路需求的局部区域。
[0159]
本发明通过生成候选线路集
‑‑‑
逐个估计线路客流
‑‑‑
选取客流最大线路的三阶段求解方法，在公交微循环线路优化问题场景下，求解速度相较于遗传算法等启发式算法，计算耗时大大缩减，且能够保证得到最优线路。
[0160]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其
发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。