一种基于居民出行大数据的公交线路优化设计方法与系统与流程

本发明属于公共交通规划与数据挖掘，尤其涉及一种基于居民出行大数据的公交线路优化设计方法与系统。

背景技术：

1、随着城市化进程的加快，尤其是大中型城市的扩展，交通拥堵和环境污染问题日益突出。根据国内外的交通数据和研究分析，随着城市规模的扩大，机动车的数量持续增加，居民出行需求的增长，城市道路的交通流量逐渐接近甚至超出其承载能力。传统的交通管理方式和基础设施建设在短期内难以根本解决这些问题，特别是公交系统在很多城市中未能得到有效的优化和发展，公共交通的使用率相对较低，导致城市交通拥堵、碳排放增加以及居民出行成本上升。

2、当前，城市交通规划面临的一个重要问题是如何在有限的交通资源和不断增加的居民出行需求之间找到平衡。公交系统作为一种绿色、低碳的交通方式，其线路规划和设计对于提高公共交通的吸引力、降低城市交通压力具有重要意义。然而，传统的公交线路设计方法常常忽视了居民出行的时空特点、交通流量的波动性以及公交车运行的复杂性。因此，如何通过科学的规划和优化手段提升公交线路的效率，优化居民的出行体验，成为智慧城市交通规划中的一项关键任务。

3、近年来，随着信息技术的发展，特别是大数据、物联网和云计算等技术的广泛应用，基于时空大数据的交通流量分析和公交线路优化成为研究的热点。大数据技术能够实时采集、处理和分析居民的出行数据，这些数据具有高频次、时效性强等特点，能够反映城市交通的实时状况和居民出行的真实需求。而传统的公交线路规划往往依赖于静态的调查数据，难以及时反映城市交通流量的变化和居民出行需求的动态特性。

4、在此背景下，如何通过计算机技术和先进的优化算法，基于时空大数据对公交线路进行合理规划，成为提升公交服务水平的有效手段。现有的公交线路优化方法多基于某一单一目标，如最短线路、最少换乘等，但忽略了多个优化目标的综合考虑。例如，公交线路的设计不仅需要考虑居民的乘车时间和公交线路的总里程，还需要优化乘车居民的步行距离、公交车的载客率等多个因素，这要求在规划过程中采用多目标优化方法。

5、目前，多目标优化算法，如遗传算法、模拟退火等，已被广泛应用于交通运输领域，尤其是在公交线路优化方面。遗传算法凭借其强大的全局搜索能力和优化性能，成为解决多目标优化问题的重要工具。然而，现有研究中多目标遗传算法的应用尚未充分结合城市实际的时空大数据，并且缺乏针对公交线路设计中的具体需求进行定制化优化的研究。因此，如何通过结合时空大数据和遗传算法，设计出符合实际需求的公交线路规划方法，是当前公交优化领域中的重要挑战。

技术实现思路

1、为解决上述技术问题，本发明基于时空大数据分析和遗传算法，提出一种基于居民出行大数据的公交线路优化设计方法与系统，通过智能优化算法实现公交线路的合理规划，以提高公共交通的服务水平，降低城市交通压力，促进绿色出行，为智慧城市交通管理提供理论支持和技术解决方案。

2、本发明提供的技术方案具体如下：

3、一种基于多目标遗传算法的公交线路优化设计方法，包括步骤：

4、s1、获取目标地区居民的手机信令大数据；

5、s2、基于手机信令数据，获取居民出行轨迹停留点；

6、s3、基于泰森多边形，将目标地区划分为若干交通小区；

7、s4、基于居民出行轨迹停留点和交通小区，获取居民出行od矩阵；

8、s5、构建公交线路规划模型，包括目标函数和约束条件；

9、s6、基于最短路径算法生成若干公交备选线路；

10、s7、基于遗传算法并结合目标函数和居民出行od矩阵，从备选线路中获取目标公交线路。

11、进一步地，步骤s1中还包括对获取到的手机信令大数据进行数据清洗和数据排序，所述手机信令数据包括用户id、基站经纬度、到达基站时间和用户停留时间；所述数据清洗包括：根据坐标范围筛选出目标地区内发生的手机信令数据，删除被两个不同基站同时记录信息的手机信令数据；所述数据排序为：将获取到的手机信令数据按照用户的id进行重新排序。

12、进一步地，步骤s2中，根据设定时间段内的手机信令数据，分别获取各居民的出行轨迹并提取停留点。所述停留点的提取基于dbscan聚类算法，通过遍历各出行轨迹以获取相应的停留点信息，包括：

13、遍历轨迹traj中的轨迹点，若轨迹点pi的ε-邻域内的轨迹点与轨迹点pi的时间间隔均小于△t，则将该轨迹点pi标记为核心点；

14、通过密度可达性将直接密度可达的核心点连接起来，形成若干簇，簇表示停留区域；

15、对同一簇中的核心点的经纬度求取平均值，得出该停留区域的停留点经纬度坐标；

16、根据同一簇中核心点的时间戳的最大值和最小值，计算出停留点的停留时间。

17、进一步地，为提高算法效率，在提取各出行轨迹的停留点信息之前，分别将各出行轨迹分割为若干子轨迹，然后再对各子轨迹进行停留点信息提取；出行轨迹的分割步骤包括：

18、遍历轨迹traj中的轨迹点：若轨迹点pi与其前一轨迹点的时间间隔大于设定阈值，则表明轨迹点pi与其前一轨迹点之间存在数据缺失，删除该轨迹点pi；若轨迹点pi相对于其前一轨迹点的速度大于阈值v1，则表明轨迹点pi为数据漂移点，删除该轨迹点pi；若轨迹点pi相对于其前一轨迹点的速度大于阈值v2且小于阈值v1，则将该轨迹点pi加入判定队列中；

19、若判定队列的长度大于阈值d，则将判定队列中的当前轨迹点构成的轨迹作为一条子轨迹；清空队列，继续进行判定分割。

20、进一步地，步骤s3包括：基于当前的公交站点，根据泰森多边形原理将目标地区划分为若干交通小区；结合目标地区的街道行政区域分划、人口密度情况以及实际道路网络进行交通分区的合并操作；所述交通小区的形状为非环状凸形且内部不存在孤岛，各交通小区之间不存在重叠，每个交通小区内的出行比例不超过设定阈值。

21、进一步地，步骤s4包括：

22、构建nxn的od矩阵并将其元素值初始化为0，n为划分的交通小区个数；

23、将步骤s2中获取到的轨迹停留点映射到步骤s2中划分的各交通小区中；

24、将同一出行轨迹中停留时间先后相邻的两个轨迹停留点作为一对起讫点，在先的为起点，在后的为终点；采用pnpoly算法分别判断各起讫点所在交通小区，若起点和终点无法映射到交通小区，则视为该点超出目标地区范围；

25、对于任意起讫点对，若起点和终点分属于不同交通小区，则该起讫点对形成一次出行过程，将该起讫点对应的od矩阵元素值加一；

26、遍历各出行轨迹，完成od矩阵元素值的更新。

27、进一步地，步骤s5中，所述规划模型的目标函数为：

28、

29、其中，

30、所述约束条件为：

31、其中，t表示出行居民乘车时间，q表示公交运营企业收益率，μ1和μ2为目标函数的权重系数，用于平衡目标函数两部分的量级；n为区域内公交线路总条数，nk表示第k条公交线路经过公交节点的数量，ski表示第k条公交线路上第i个公交节点，d(ski,ski+1)表示第k条公交线路上公交节点i和i+1之间的距离，v表示公交车辆的评价运行速度，ts为公交车辆在每个公交节点的停靠时间，rij表示公交节点i至j之间的客流人次，e1表示乘车票价金额，e2表示选乘公交出行的居民每人次的政府补贴金额，lij表示公交节点i至j之间的路径距离，gij表示公交节点i至j之间的途径公交车辆数，c为每辆上路运营的公交车辆单位里程的运营成本，r′表示允许公交车辆通行的道路，r表示研究范围内的全部道路，lmin表示单条公交线路里程的最小值，lmax表示单条公交线路里程的最大值，lk表示第k条公交线路的里程，dk表示第k条线路起讫点之间的空间直线距离，ηmax表示预设的公交线路的非直线系数最大取值，hij表示居民完成一次从公交节点i至j的出行所需要的换乘次数，hmax表示预设的最大换乘次数最大值，zij表示公交节点i至j之间重复线路的条数，zmax表示预设的两公交节点间重复线路条数最大值。

32、进一步地，步骤s6包括：

33、采用dijkstra算法求解任一对起讫点之间的最短路径并将其作为公交备选线路；

34、利用ksp算法中的删除路径算法计算次短路径来扩大备选线路集合的范围；

35、对备选线路集合中的备选线路进行合规性筛选排序。

36、进一步地，步骤s7中采用遗传算法并结合目标函数，从备选公交线路中优化得到目标公交线路，包括步骤：

37、将备选线路集合中的线路进行编号，同时根据目标解决方案中包含的线路条数确定染色体长度，并采用二进制字符串对每条线路对应的种群个体进行染色体编码，完成遗传算法的种群初始化；开始遗传迭代，在每个迭代轮次进行种群个体的选择操作、交叉操作和变异操作，直至达到设定的迭代轮次或种群个体数或种群个体的染色体不再变化为止；将迭代结束后保留的种群个体所对应的线路作为最终的目标公交线路；

38、所述选择操作中，基于公交线路规划模型的目标函数分别获取种群个体的适应度，目标函数值越小，种群个体的适应度越高，生存几率也就越大；根据生存几率选择保留种群个体，种群个体n的生存几率pn为：其中，fn表示种群个体n的目标函数值，n为参与该轮迭代选择的种群个体数量；计算目标函数值时需将od矩阵中的od量分配到城市道路网络上：计算od矩阵中各起讫点间的最短路径，将各起讫点od量分配到最短路径上，叠加得到每个路段上总的od量；

39、所述交叉操作中，首先随机选择两个种群个体配对成父代个体，然后每组配对的父代个体中生成两个位置不同的交叉点，接着生成一个[0,1]区间的随机数，若这个随机数属于预设的交叉概率范围，则进行交叉操作，交换父代个体交叉点后的染色体基因；

40、所述变异操作中，以一定概率随机选择一个种群个体，将其染色体上随机的某个基因变换为其他等位基因。

41、一种基于上述方法的公交线路优化设计系统，包括：时空大数据存储模块，用于存储采集到的手机信令数据；停留点提取模块，用于对手机信令数据进行数据清洗并提取轨迹停留点信息；地理信息处理模块，用于根据gis数据将目标地区划分为若干交通小区；od矩阵生成模块，用于结合交通小区与轨迹停留点信息生成od矩阵；备选线路生成模块，用于生成若干公交备选线路；公交线路优化模块，用于从备选公交线路中优化得到目标公交线路；可视化模块，用于展示优化得到的目标公交线路。

42、相比于现有技术，本发明至少具备以下有益效果：

43、首先，本发明充分利用了时空大数据和遗传算法的结合。在传统的公交线路规划中，往往依赖于较为简化的模型和人工经验，缺乏对复杂交通流量和居民出行模式的精准分析。而本发明采用了基于手机定位数据的大规模时空大数据，能够实时反映居民出行的具体需求。这些数据来源广泛、更新及时，能够详细刻画居民的出行轨迹、出行时间、频次等信息，确保了数据的高时效性和准确性。相比于传统方法，采用时空大数据分析为公交线路规划提供了更加精确的基础，大大提高了规划的合理性和适应性。

44、其次，遗传算法的引入实现了多目标优化的精准求解。传统的公交线路优化往往侧重于单一目标，如最短路线或最低成本，忽视了多目标的权衡和优化。而本发明采用的多目标遗传算法能够综合考虑多个优化目标，在多个目标之间找到最优的平衡，确保在满足居民出行需求的同时，最大限度地降低公交企业的运营成本和提高资源的利用效率。通过遗传算法的智能搜索，系统能够快速迭代并找到最合适的公交线路方案，避免了传统方法中手动调试和调整的繁琐，极大提升了效率和准确度。

45、此外，本发明在大数据处理和系统架构方面展现了创新性。传统的公交线路规划多依赖于单一来源的数据，数据量小且更新频率较低，导致规划结果的适应性和灵活性较差。而本发明通过搭建一个分布式数据存储和处理平台，能够高效整合来自地理信息系统(gis)、移动通信数据和城市居民信息库的多源数据，形成全面的城市出行数据基础。大数据存储和处理平台基于hadoop框架，能够应对海量数据的存储和实时分析需求。这种系统架构不仅提高了数据处理的能力，还确保了数据更新的时效性，为后续的公交线路规划提供了持续、可靠的数据支撑。

46、在数据分析方面，本发明采用了先进的轨迹数据处理算法。通过改进的密度聚类算法(dbscan)进行轨迹停留点的提取和分析，相比传统的基于热点分析或静态调查的交通需求预测方法，本发明能够基于用户的实时手机定位数据动态追踪居民的出行轨迹，从而精准提取出交通流量的关键节点。这种方法能更加准确地反映居民的实际出行需求，避免了传统方法中可能出现的数据失真或抽样偏差，使得公交线路规划的效果更加符合实际情况。

47、进一步地，本发明能够为公交线路的优化提供可视化的展示。通过将优化后的线路规划以可视化的方式呈现，相关部门和运营方可以更加直观地查看和分析优化结果。这种可视化展示不仅提升了规划结果的理解度，还为后期的决策和调整提供了便利，特别是在多个方案选择之间，能够通过可视化手段帮助决策者迅速对比不同方案的优劣，提高了决策效率。

48、最后，本发明具备高度的适应性和扩展性。由于系统基于大数据和智能算法，其具有较强的适应能力，可以根据不同城市、不同规模、不同人口密度的特点调整和优化公交线路规划。在未来，随着城市化进程的推进和居民出行需求的不断变化，本发明的系统能够根据新的数据持续优化和调整公交线路，为智慧城市的建设和城市交通的可持续发展提供强有力的支持。同时，由于系统架构灵活，未来可根据需求对其进行模块化扩展，增加更多的功能，如结合天气数据、交通事故信息等进行实时调度和优化。

49、总体而言，相比现有技术，本发明不仅在技术手段上创新性地结合了时空大数据和遗传算法，提升了公交线路规划的精确度和效率，同时在系统架构、数据处理能力和智能化水平上也展示了强大的优势，能够为城市公交系统提供更加科学、动态、精细的优化方案，为城市交通的高效运营和智慧城市的建设贡献力量。