基于GPS数据的公交线路规划与影响因素可视分析方法

本发明属于公共交通线路规划，具体涉及一种基于gps数据的公交线路规划与影响因素可视分析方法。

背景技术：

1、公共交通对城市可持续发展起到支撑与引领作用，推动公共交通优先发展是解决环境污染、交通拥堵和提升城市交通运行效率的有效途径。但随着社会发展以及出行规律的变化，城市公交线路不能切实满足乘客日常出行需求，在运营效能方面仍有待提升。公交线路规划需从全局出发，考虑多重因素的共同影响，寻求城市发展和实际需求的契合点，平衡出行者和运营方的成本与利益。然而，如何精准感知乘客出行需求、制定满足多目标的公交线路规划方案并量化分析影响因素及其权重是一个巨大的挑战。

2、传统的公交站点挖掘和线路设计方法依赖于人口普查或者出行意愿调查，这类方法收集的样本内容相对主观、规模较小，基于这种受限的样本进行公交线路规划无法真正满足乘客出行需求且费时费力。基于轨迹数据感知乘客出行需求、布设公交站点的方法缺少对城市公交站点整体分布等方面的考量，候选公交站点挖掘的精准性仍有待提高。同时，可能的公交路线规划方案构成了庞大的解空间，提高最优线路集合求解效率和准确性的难度极大，需要以有效性和高效性为前提，实现多目标相互制约的均衡最优公交线路集合求解。此外，量化分析线路影响因素及其权重对于比较候选线路之间的差异并制定合理的线路规划方案极为重要，可以提高最优线路推荐的精准性与可信度。

技术实现思路

1、为解决上述问题，本发明提出一个可感知乘客出行需求的公交线路规划可视分析框架，将城市交通数据智能处理、视觉表征与交互分析有机融合，识别乘客出行的热点区域，提高公交站点挖掘和线路设计的精准性；量化分析线路属性权重对制定线路规划方案的影响，为交通部门进行公交线路规划提供科学的决策依据和实践手段，助力智慧城市发展。

2、本发明采用的技术方案如下：

3、本发明提供了基于gps数据的公交线路规划与影响因素可视分析方法，其特征在于，所述方法包括以下步骤：

4、步骤1：收集城市出租车订单数据和城市兴趣点数据；

5、步骤2：对收集到的数据进行预处理，得到乘客出行起始地-目的地od数据和poi类别数据；

6、步骤3：基于步骤2所得数据进行城市热点上下车网格提取以及网格聚类，根据聚类结果来确定候选公交站点位置，并统计候选站点间客流转移量和车辆行驶时间；

7、步骤4：构建公交线路规划多目标模型，基于nsga-ⅱ算法对模型进行求解，得到最优公交线路集；

8、步骤5：使用ranking svm对最优公交线路集合中的线路进行属性权重量化、排序以及贡献值的计算，用以修正公交线路规划多目标模型的输出结果；

9、步骤6：对最优公交线路集合中的线路进行可视分析，旨在得到最优公交线路规划方案。

10、在某实施方式中，所述步骤2中：数据预处理包括数据脱敏、过滤重复数据，去除主要字段缺失数据、去除位置信息无效数据、或坐标系转换及时间戳计算其中至少一种。

11、在某实施方式中所述步骤3中，基于步骤2所得数据进行城市热点上下车网格提取的步骤包括：

12、步骤s1：输入上下客位置点集合p＝<p1,p2,...,pn>，pi＝(loni,lati)，pi表示上下客位置点，n表示上下车总次数，loni与lati表示对应点的经纬度；

13、步骤s2：初始化网格集合步长step＝0.0001，基准点经纬度lon、lat，使得loni≤lon，lati≥lat均成立；

14、步骤s3：遍历集合p中的点pi，计算其所属网格经纬度long、latg：

15、long＝floor((loni-lon)/step)*step+lon

16、latg＝floor((lati-lat)/step)*step+lat

17、式中，floor表示向下取整函数，即根据步长向下取整计算所属网格；

18、步骤s4：判断网格gi＝(long,latg)∈g是否成立：

19、如果不成立，将gi加入集合g中，并初始化该网格连通度网格内上下车次数否则，并执行下一步；

20、步骤s5：计算得到(long±step,latg±step)、(long±step,latg)、(long,latg±step)，判断它们是否在集合g中，得到存在个数w，使得

21、步骤s6：所有上下车点遍历完成，输出上下车热点网格集合g。

22、进一步的，所述步骤3中网格聚类的方法包括：

23、步骤s1：输入：g＝<g1,g2,...,gn>，n为网格个数，其中每个网格gi＝(loni,lati,cdi,pdri)；

24、步骤s2：设定一个可步行的距离阈值max_raduis，默认取500m，簇中心集合

25、步骤s3：将g1作为簇中心加入到集合c中；

26、步骤s4：遍历g中所有网格，对于网格gi，计算其与簇中心的距离sd(gi,cj)，找到与其距离最小的簇中心网格c；如果sd(gi,c)≤max_radius，则该网格属于这一簇，加入到该簇中，并执行下一步；否则将网格gi加入到c中；

27、步骤s5：通过如下公式计算簇中心网格c所属簇中所有网格的值，取值最大的网格cnew作为簇中心网格加入到c中，同时删除c：

28、

29、式中,w1是网格连通度的权重,w2是网格客流量的权重，n是簇中心网格c所属簇的网格数量，是最大值函数；

30、步骤s6：所有网格遍历完成，输出候选公交站点集合c＝<c1,c2,...,cm>，m为公交站点个数。

31、进一步的，gps轨迹点间的真实空间距离sd的计算方法为：

32、sd＝δσ*r           (3-1)

33、

34、其中，r代表地球平均半径，公式3-2中的δlat和δlon分别表示两gps点之间的经、纬度差。

35、在某实施方式中所述步骤4中公交线路规划多目标模型包括：最小化线路运行时间函数以及最大化线路累计客流量函数，

36、其中所述最小化线路运行时间函数包括：

37、δtr＝h+t(sr|r|,sn)        (4-1)

38、

39、式中；δtr为每两站之间的公交车总运行时间，h为每站停车等待时间，|r|表示线路r中当前的站点数量，si表示第i站公交站点，t为两站之间的车辆行驶时间，从traveltime矩阵中可以得到，r＝(r1,r2,...,rk)表示已加入到线路中的站点集合、未到达目的地sd，sn为新加入到线路中的站点、整条线路的运行时间为相邻两公交站点间的行驶时间以及整条线路上的所有停车等待时间之和；

40、其中所述最大化线路累计客流量函数包括：

41、

42、    （4-4）

43、式中：δdr为线路中所有站点的累计客流量，f为两站之间的转移客流量，可从passenger矩阵中得到。。

44、进一步的，所述最小化线路运行时间函数以及最大化线路累计客流量函数还具备如下约束条件：

45、(1)充足的站点间距；

46、dist(si+1,si)＜δ,(i＝1,2,...,n-1)     (4-5）

47、式中：δ为两站点最大间距，设定δ＝1.5km，dist为任意两站点之间的距离；

48、(2)车辆行驶方向一直沿着目的地方向；

49、

50、

51、式中：(x(i),y(i))为站点si与始发地s1的经纬度之差，即方向向量，(x(n),y(n))为终点站sn与始发地s1的经纬度之差，即方向向量，该约束可以保证公交车始终沿目的地方向前进，约束公式如4-6所示。

52、(3)远离起始点，在进行站点选择时要保证每新增一站都远离始发地s1，约束公式如4-7所示：

53、dist(si+1,s1)＞dist(si,s1),(i＝1,2,...,n-1)      (4-7）

54、(4)接近目的地，在进行站点选择时要保证每新增一站都更接近目的地sn，公式如4-8所示：

55、dist(si+1,sn)＜dist(si,sn),(i＝1,2,...,n-1)     (4-8）

56、(5)无曲折路线，此条件为了保证生成线路的畅通，无“z”字形路线产生，约束公式如4-9所示：

57、   （4-9）

58、式中：dist为两站点之间的距离、是最小值函数。

59、在某实施方式中所述步骤4基于nsga-ⅱ算法对模型进行求解，得到最优公交线路集，具体方法过程如下：

60、步骤s1：输入候选公交站点集合s＝{s1,s2,s3...}，其中si＝(loni,lati)；

61、客流矩阵passenger、行驶时间矩阵traveltime；

62、始发地so和目的地sd，so,sd∈s；

63、步骤s2：初始化定制公交线路总数，即设定种群最大规模n，最大迭代次数gmax,设置迭代次数g＝1；

64、步骤s3：生成初始种群，即生成规模为n的可行公交线路集合；

65、步骤s4：计算每条线路的目标函数值，公式4-2和公式4-4；

66、步骤s5：对当前种群进行遗传交叉操作，针对每一条线路，随机选择一个站点与另一个个体进行交换并需同时满足约束条件，从而产生新的线路；

67、步骤s6：对当前种群进行遗传变异操作，针对每一条线路，随机在其中的一条线路中选取两个站点，用这两个站点之间一条新线路替换原始线路并需同时满足约束条件，产生新线路；

68、步骤s7：计算新线路的目标函数值合并新旧线路，根据两个目标函数对所有个体进行快速非支配排序、计算个体拥挤距离、精英保留策略操作，形成下一代线路集合，另g＝g+1；

69、步骤s8：当g≤gmax时，循环步骤s4至s7；当g＞gmax时，算法结束，此时的线路集合即为pod。

70、进一步的，所述步骤s3中采用轮盘赌概率选择法，步骤如下：

71、用以表示每个站点被选择的概率，式中，s*中包含线路中sj可能连接的所有站点

72、allowsize＝length(p)//候选站点的个数；

73、selectp＝random(0,1)//预先产生一个[0，1]之间均匀分布的伪随机数；

74、selectnode＝0//初始化被选中的站点个数为第0个(站点序号从0开始)；

75、sump＝0//初始化累计概率为0；

76、startindex＝random(allowedsize)+1//随机产生轮盘转动的起始位置；

77、while sump＜selectp do：

78、sump＝sump+p[(startindex-1)％allowedsize]//计算累计概率；

79、startindex＝startindex+1；

80、end while；

81、selectnode＝(startindex-2)％allowedsize//选择加入到线路中的站点索引；

82、从始发站点开始结合约束条件进行站点选择selectnode，到目的地为止，则产生一条公交线路，迭代直至规模为n。

83、在某实施方式中，针对最优公交线路集的5个属性实现权重量化，分别为：线路累计客流量、线路运行时间、线路长度、站点个数以及可达poi数量，线路累计客流量和线路运行时间为公交线路规划研究中的重要属性，线路长度和站点个数可以反应线路运营的投入成本，可达poi数量从可达性的角度衡量线路可达的范围以及poi数量。

84、由于采用了上述技术方案，本发明的有益效果是：

85、在候选公交站点挖掘部分，本技术方案从数据驱动的角度分析乘客日常出行数据，提出基于网格聚类的乘客出行需求感知方法，综合考虑热点网格的连通度、网格内上下车次数、乘客可接受的步行范围等因素对网格进行聚类，从而提高候选公交站点挖掘的准确性。本技术方案构建了线路规划多目标模型，将非支配排序遗传算法(non-dominatedsorting genetic algorithm-ii，nsga-ⅱ)多目标优化的关键思想引入最优公交线路集合的求解问题中，注重线路规划的协同效应，得到出行者和运营方之间的均衡解集，即最大化线路累计客流量的同时最小化线路运营时间。结合公交线路规划设计原则，提出基于nsga-ⅱ的多目标优化方法求解得出线路规划候选方案，提高生成线路的精准性和最优集合求解效率。通过ranking svm方法实现线路属性权重量化，支持规划人员更改权重以及主观排序操作，提高线路排序推荐的精准性与可信度。本发明提出感知乘客出行需求的公交线路规划可视分析框架，提高了公交站点挖掘和线路设计的精准性，量化分析线路属性权重对制定线路规划方案的影响，为交通部门进行公交线路规划提供有价值的决策依据。