CN105868861A

CN105868861A - 一种基于时空数据融合的公交客流演化分析方法

Info

Publication number: CN105868861A
Application number: CN201610217959.XA
Authority: CN
Inventors: 周钊; 杨金东; 罗静; 穆尚涛
Original assignee: Qingdao Hisense Network Technology Co Ltd
Current assignee: Hisense TransTech Co Ltd; Qingdao Hisense Network Technology Co Ltd
Priority date: 2016-04-08
Filing date: 2016-04-08
Publication date: 2016-08-17

Abstract

本发明公开了一种基于时空数据融合的公交客流演化分析方法，包括以下步骤：（1）、历史时空数据预处理步骤，（2）、计算出行下车概率，（3）、公交客流时空演化分析步骤，（4）、多尺度客流时空分布特征分析步骤，根据所获取的时空网络，以及相应的时空网络弧段的流量，绘制公交时空分布特征图。本发明的分析方法，1、基于大量历史时空数据统计得到出行下车概率，精度较高，方案简单实用，求解效率高，可快速求解整个城市公交***相关运行指标。2、具有良好的实时性。基于已计算和存储的出行下车概率，可结合公交上车客流实时计算站点OD，进而可实时动态反映线路客流的时空演化规律。

Description

一种基于时空数据融合的公交客流演化分析方法

技术领域

本发明属于智能交通技术领域，具体地说，是涉及一种基于时空数据融合的公交客流演化分析方法。

背景技术

城市公共汽、电车是广大城镇居民的重要出行交通方式。公交车辆的载客量与满载率是衡量公交线路运营效率和旅客出行舒适度的重要评价指标。

由于受到地理区位、产业布局、人口就业等众多复杂因素影响，以及公交线路自身在运营区段、发车频率、票制票价和车辆技术状况等方面的差异，公交载客量在公交线网上的时空分布具有明显差异。不同公交线路间，甚至是同一公交线路在不同区间、不同时段以及不同方向上的载客量都可能具有较大差异。例如，许多大城市市郊-中心的公交线路就具有典型的潮汐流特征：在早高峰时段，开往城区的车辆客流爆满，出行舒适性差；开往市郊的车辆则运力空闲，资源严重浪费。在晚高峰时段，公交出行特征则恰好与之相反。

这种公交载客量的时空分布不均衡性带来了运力资源浪费、旅客服务水平差、运营效率低下等弊端。如何动态刻画与推演公交车辆行进过程以及与之相伴的旅客上下车行为，准确识别公交车辆的实时载客量及其时空演化规律，进而为城市公交***的实时智能调度、车辆人员排班以及公交线网优化等决策分析形成数据支撑，是交通工程的重要研究内容。

近些年来，随着优先发展公共交通，创建公交都市等政策理念的推动，具备先进的电子、通信、控制等信息技术的城市智能公交***得到快速发展。基于公交IC卡刷卡和车辆到离站数据进行公交客流的统计和分析也取得了丰富研究成果。特别是在计算公交出行OD方面有两类思路，一是基于通勤客流的长期出行规律估算该类旅客的出行OD，二是基于IC卡后一行程的上车站点估算前一行程的下车讫点。这两类研究至少需以天为单位进行数据的清洗和处理，统计分析的颗粒度较粗，实时性较差，不能实时准确地推演公交客流的时空分布及演化规律。

城市轨道交通方面对客流时空分布规律的研究具有一定借鉴价值。例如，申请号为201410655770.X的发明专利《一种基于AFC客票数据的城市轨道交通客流分析方法》提出了在站点、线路和路网三个层面的轨道交通客流的时空演化分析方法。申请号为201410202139.4的发明专利《一种轨道交通客流OD分布实时推测方法》提出了基于OD概率分配矩阵预测客流实时分布的方法。但是，不同于轨道交通自动售检票***可获取完整的出行OD信息，国内大多数公交***采用单一票制，旅客上车刷卡，到站自由下车，因而公交IC卡***仅能记录上车客流及相关信息。这使得轨道交通的客流时空分析方法不能照搬复用于城市公交***。

随着智能车路协同技术的快速发展，公交智能车载终端、路侧设备以及监控调度中心间将形成互联互通的有机整体。通过一体化车载终端向监控调度中心实时回传公交IC卡与车辆到离站数据成为可能。在此背景下，本发明将克服现有公交客流分析技术中不足，提出一种基于时空数据融合的公交客流演化分析方法。

发明内容

本发明为了解决现有公交客流OD分析方法所统计分析的颗粒度较粗，实时性较差，不能实时准确地推演公交客流的时空分布及演化规律等不足，提出了一种基于时空数据融合的公交客流演化分析方法，可以解决上述问题。

为了解决上述技术问题，本发明采用以下技术方案予以实现：

一种基于时空数据融合的公交客流演化分析方法，包括以下步骤：

(1)、历史时空数据预处理步骤，关联公交线路信息与站点信息，将公交线路经由的双向各站点分别编号，建立线路-站点数据表，所述线路-站点数据表至少包括：线路名称、行进方向、站点名称、站点编号；

建立刷卡信息数据集Q1，所述刷卡信息数据集Q1至少包括刷卡编号、线路名称、车辆名称、行驶方向、乘车日期、乘车时间；

建立到离站记录集Q2，所述到离站记录集Q2至少包括线路名称、车辆名称、站点名称、行驶方向、记录日期、进站时间、离站时间；

建立乘车信息数据集Q3，所述乘车信息数据集Q3至少包括刷卡编号、线路名称、车辆名称、站点名称、站点编号、行驶方向、乘车日期、乘车时间；

(2)、计算出行下车概率，所述出行下车概率是指任一线路上的车辆在下行方向上，第i站点上车客流在本行驶方向的下游第j站点下车的概率，以及在上行方向上，第j站点上车客流在本行驶方向的下游第i站点下车的概率，其中，i，j为正整数，且i＜j；

(3)、公交客流时空演化分析步骤，包括：

划分出行时段，将公交***的全天营运时段以最小推演时间单元τ为单位进行划分；

构建时空网络，将公交站点按时间维度展开，分拆获得若干个虚拟时空节点；

分别对各线路获取实时上车流量，并根据实时上车流量计算该线路的实时出行交通量；

确定时空网络弧段，分别确定下行方向弧段和上行方向弧段；

分别计算各时空网络弧段的流量；

(4)、多尺度客流时空分布特征分析步骤，根据所获取的时空网络，以及相应的时空网络弧段的流量，绘制公交时空分布特征图。

与现有技术相比，本发明的优点和积极效果是：本发明的基于时空数据融合的公交客流演化分析方法，1、基于大量历史时空数据统计得到出行下车概率，精度较高，可预先计算与存储旅客的出行下车概率，当需要进行当前计算时期的公交客流演化分析时，直接调用出行下车概率对计算时期上车流量进行流量分配，方案简单实用，求解效率高，可快速求解整个城市公交***相关运行指标。2、具有良好的实时性。基于已计算和存储的出行下车概率，可结合公交上车客流实时计算站点OD，进而可实时动态反映线路客流的时空演化规律，为公交实时智能调度、车辆人员排班以及公交线网优化等运营管理工作提供数据支撑。3、灵活性好，可根据实际情形优化出行下车概率，提升统计指标计算准确度。

结合附图阅读本发明实施方式的详细描述后，本发明的其他特点和优点将变得更加清楚。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明所提出的是本发明所提出的基于时空数据融合的公交客流演化分析方法的一种实施例中双向各站点分别编号示意图；

图2是本发明所提出的是本发明所提出的基于时空数据融合的公交客流演化分析方法的一种实施例中公交出行初始时空网络示意图；

图3是本发明所提出的是本发明所提出的基于时空数据融合的公交客流演化分析方法的一种实施例中公交出行时空网络示意图；

图4是本发明所提出的是本发明所提出的基于时空数据融合的公交客流演化分析方法的一种实施例中单线路两条运行线时空分布示意图；

图5是本发明所提出的是本发明所提出的基于时空数据融合的公交客流演化分析方法的一种实施例中线路全部运行线时空分布规律示意图；

图6是本发明所提出的是本发明所提出的基于时空数据融合的公交客流演化分析方法的一种实施例的流程图。

具体实施方式

由于受到地理区位、产业布局、人口就业等众多复杂因素影响，以及公交线路自身在运营区段、发车频率、票制票价和车辆技术状况等方面的差异，公交载客量在公交线网上的时空分布具有明显差异，这种差异导致公交载客量的时空分布不均衡性，进而带来了运力资源浪费、旅客服务水平差、运营效率低下等弊端。基于以上现状，本发明致力于解决如何动态刻画与推演公交车辆行进过程以及与之相伴的旅客上下车行为，准确识别公交车辆的实时载客量及其时空演化规律的同时，提高求解效率以及实时性，可实时动态反映线路客流的时空演化规律，为公交实时智能调度、车辆人员排班以及公交线网优化等运营管理工作提供数据支撑。本发明基于时空数据融合公交客流演化分析方法，预先处理公交IC卡和车辆到离站的历史数据，获得任意公交站点间的出行下车概率，然后构建公交时空出行网络，动态模拟公交车辆行进过程以及旅客上、下车行为，计算时空出行网络上的弧段流量及相应的车辆载客量，并进行多尺度对比下的旅客时空出行规律分析。

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。

实施例一，本实施例提出了一种基于时空数据融合的公交客流演化分析方法，如图6所示，包括以下步骤：

S1、历史时空数据预处理步骤，关联公交线路信息与站点信息，将公交线路经由的双向各站点分别编号，建立线路-站点数据表，所述线路-站点数据表至少包括：线路名称、行进方向、站点名称、站点编号；

S2、计算出行下车概率，所述出行下车概率是指任一线路上的车辆在下行方向上，第i站点上车客流在本行驶方向的下游第j站点下车的概率，以及在上行方向上，第j站点上车客流在本行驶方向的下游第i站点下车的概率，其中，i，j为正整数，且i＜j；

S3、公交客流时空演化分析步骤，包括：

确定时空网络弧段，分别确定下行方向弧段和上行方向弧段，所述下行方向弧段的起点为查找出下行方向上离站时间位于推演时段的车辆，根据到离站记录集Q2中的信息，确定与该车辆发车行为相关联的时空节点，

分别计算各时空网络弧段的流量；

S4、多尺度客流时空分布特征分析步骤，根据所获取的时空网络，以及相应的时空网络弧段的流量，绘制公交时空分布特征图。

历史时空数据预处理步骤中，通过对城市公交***的运营线路、经停站点等基础数据，以及IC卡刷卡、车辆到离站等历史数据的处理，获得统计期限内公交站点的双向上车流量，进而计算任意公交站点间的出行下车概率，为后续公交客流的时空演化分析奠定基础。

记城市公交线路集为L，下面以公交线路l∈L为例阐述具体技术步骤。

1.1、线路-站点信息预处理。关联公交线路信息与站点信息。将公交线路经由的双向各站点分别编号，其中，如图1所示，下行方向站点编号为上行方向站点编号为所述i的取值范围为1～n，所述n为公交线路单向经由总站点数，所述n为大于1的整数，所述下行方向所有站点的编号按照车辆行驶方向递增，所述上行方向所有站点的编号按照车辆行驶方向递减。对线路信息和站点信息进行处理后可形成线路-站点数据表，如表1所示。

表1 线路-站点数据表

1.2、获取有效乘车信息。对智能公交***的数据中心中涉及线路的相关历史数据进行处理。将刷卡历史数据转化为刷卡信息，如表2所示，并形成刷卡信息数据集Q1，将到离站历史数据转化为到离站信息,如表3所示，并形成到离站记录集Q2。

字段名	中文名称	字段类型	说明
				ID	刷卡编号	整型	唯一、非空
TraLine	线路名称	字符型	允许中文
				TraBus	车辆名称	字符型	车牌号
TraDir	行驶方向	字符型	上行为U，下行D
				TraDate	乘车日期	长整型	YYMMDD
TraTime	乘车时间	长整型	hhmmss

表2 刷卡信息数据集

字段名称	中文名称	字段类型	说明
				LineName	线路名称	字符型	允许中文
BusName	车辆名称	字符型	车牌号
				StaName	站点名称	字符型	允许中文
RunDir	行驶方向	字符型	上行为U，下行
				Date	记录日期	长整型	YYMMDD
TimeIn	进站时间	长整型	hhmmss
				TimeOut	离站时间	长整型	hhmmss

表3 到离站记录集

对于任意刷卡信息q1∈Q1，寻找到离站信息q2∈Q2，使得满足关系

{TraLine＝LineName}∩{TraBus＝BusName}∩{TraDir＝RunDir}∩{TraDate＝Date}∩{TimeIn≤TraTime≤TimeOut}

以刷卡信息q1为基础，补充到离站信息q2中字段“StaName”、结合表1推算的字段“StaNum”以及附加定义的关联出行特征，获得乘车信息数据表，如表4所示，并形成乘车记录集Q3。

为了灵活计算适用不同场景的出行下车概率，提高了后续统计指标准确度。可结合计算时期的相关特征，如时期、天气等等，优化提取具有类似情形特征的历史上车客流，所述出行特征P(·)是指影响旅客出行选择行为的外界影响因素，如天气状况、是否节假日、是否工作日等因素。为便于后期统计分析，可将出行特征P(·)的字符串信息转化为数值信息，如将{晴、雨、雪、霾}表述为{1、2、3、4}。

字段名称	中文名称	字段类型	说明
				ID	刷卡编号	整型	唯一、非空
TraLine	线路名称	字符型	允许中文
				TraBus	车辆名称	字符型	车牌号
StaName	站点名称	字符型	允许中文
				StaNum	站点编号	整型	取值1～n之间
TraDir	行驶方向	字符型	上行为U，下行
				TraDate	乘车日期	长整型	YYMMDD
TraTime	乘车时间	长整型	hhmmss
				IsWorkday	是否工作	整型	增补出行特征数
IsHoliday	是否节假	整型	增补出行特征数
				Weather	天气状况	整型	增补出行特征数

表4 乘车信息数据表

步骤S2中计算出行下车概率的方式为：

在下行方向上，出行下车概率为第i站点上车客流在本行驶方向的下游第j站点下车的概率，等于相对方向的第j站点的历史上车客流与相对方向的第j站点上游站点集的历史上车客流之和的比值，

在上行方向上，出行下车概率为第j站点上车客流在本行驶方向的下游第i站点下车的概率，等于相对方向的第i站点的历史上车客流与相对方向的第i站点上游站点集的历史上车客流之和的比值，其中，下行方向第i站点上车客流在第j站点下车的概率为上行方向第j站点上车客流在第i站点下车的概率为i＜j≤n，所述上行方向和下行方向互为相对方向。本实施例中出行下车概率的计算方式，基于其中一行驶方向乘客在某一站点下车，往往返程的时候会在与该站点对面线路的同一站点上车，由此得来出行下车概率，解决了客流下车站点难以估算的问题。

计算站点历史上车客流的方式为：检验乘车信息数据集Q3，选取与下行方向D、车站编号i均一致的乘车记录q3∈Q3，累加求和获取下行方向第i站点的历史上车客流类似地选取与上行方向U、车站编号j均一致的乘车记录q3∈Q3，累加求和获取上行方向第j站点的历史上车客流特别地，求解历史上车客流还可根据推演当天的出行特征{P’(·)}，仅累加乘车记录q3中出行特征{P(·)}与目标出行特征{P’(·)}一致的乘车记录。例如，进行公交客流演化分析的当天出行特征为{周一、晴}，则仅提取出行特征为{周一、晴}的历史乘车记录。

作为一个优选的实施例，步骤S2中计算出行下车概率的方法为：

对于下行方向，第i站点的下游站点集为相对方向第j站点上游站点集下行方向第i站点至第j站点的下车概率等于相对方向的第j站点的历史上车客流与相对方向的第j站点下游站点集的历史上车客流之和的比值，

对于上行方向，第j站点下游站点集为相对方向第i站点上游站点集上行方向第j站点至第i站点的下车概率等于相对方向的第i站点的历史上车客流与相对方向的第i站点上游车站集的历史上车客流之和的比值，

由于公交线路l具有多个公交站点，因此，公交线路l∈L的出行概率矩阵P_l为：

公交客流时空演化分析步骤中，时空网络是进行客流时空演化分析的重要基础。首先基于公交线网的拓扑结构构建初始时空网络，进而结合公交车辆的行进过程信息不断补充和更新时空网络的弧段，并结合上车流量及其出行下车概率更新弧段流量。每一条弧段流量即对应了相应车辆行进过程中的实时载客量。时空网络动态更新的过程，即直观反映了公交客流时空分布状态的实时演化过程。当时空演化分析推演至整个公交***的营运收班时间，即获得了这一天运营所形成的时空网络及全天的客流时空分布特征。

公交客流时空演化分析首先进行初始化，包括:将公交***的全天营运时段以最小推演时间单元τ为单位进行划分；

记公交***的全天营运时段为[T₁,T₂]，最小的状态推演时间单元为τ，则可将整个营运时段划分为(T₂-T₁)/τ＝k个小的时间片段，且第m＝1,2,…,k个时间片段代表时段[T₁+(m-1)τ,T₁+mτ]。所述最小推演时间单元τ可取值为1分钟，2分钟或5分钟，且取值越小时对公交客流演化分析越精细，但相应公交时空网络结构也越复杂。实际应用中，宜结合车载终端数据回传频率、服务器计算能力等因素灵活设置。

构建时空网络，将公交站点按时间维度展开，分拆获得若干个虚拟时空节点。

记城市公交***的站点集为S则对于物理站点s∈S，将其按时间维度展开，分拆获得k个虚拟时空节点s(m),m＝1,2,…,k。根据公交线路-站点数据表相关信息，可将虚拟节点s(m)也记为三元组(l,i,m)。

对于公交线路l，其包含的时空节点个数为kn，且构成了一个多维空间的超平面。由于公交站点可归属于多条公交线路，因而对于同一虚拟时空节点s(m)，可表示为多个三元组(l,i,m)，即s(m)≡(l1,i1,m)≡(l2,i2,m)，如图2所示，线路l₁下行方向始发车站在时段1上的时空节点(1,1,1)与线路l₂下行方向第n-2车站(也即上行方向第3车站)在时段1上的时空节点(2,n-2,1)重合。

步骤S3中，实时出行交通量的计算方式为：

任意选取公交线路l，选取时段[T₁+(m-1)τ,T₁+mτ]内实时回传的刷卡信息与车辆到离站信息，形成新增刷卡信息数据集ΔQ1与新增到离站记录集ΔQ2，以及形成新增乘车信息数据集ΔQ3；

根据新增乘车信息数据集ΔQ3中站点编号的差异分别累加计算实时上车流量，获得下行方向第i站点的实时上车客流以及上行方向第j站点的实时上车客流

计算实时出行交通量，对于实时上车客流和可按出行下车概率推算由当前上车站点至所有下游车站的站点出行OD,其中：

q_{D}^{i j m} = Q_{D}^{i m} p_{D}^{i j} γ = \frac{Q_{D}^{i m} {\overset{&OverBar;}{Q}}_{U}^{j} γ}{Σ_{i < j^{'} \leq n} {\overset{&OverBar;}{Q}}_{U}^{j^{'}}}

q_{U}^{j i m} = Q_{U}^{j m} p_{U}^{j i} γ = \frac{Q_{U}^{j m} {\overset{&OverBar;}{Q}}_{D}^{i} γ}{Σ_{1 \leq i^{'} < j} {\overset{&OverBar;}{Q}}_{D}^{i^{'}}}

其中，为下行方向由车站至车站的实时出行交通量；

为上行方向由车站至车站的实时出行交通量；

γ为将刷卡客流进行折算的放大系数，满足γ≥1，可通过抽样调查或是分析刷卡金额和总票款收入获取。

进一步的，步骤S3中，确定下行方向弧段的方式为：

对于新增到离站记录集ΔQ2中满足行驶方向为下行的所有信息中，求解满足T₁+(m-1)τ≤TimeOut＜T₁+mτ的推演时段m，并根据线路名称、站点编号、车辆名称确定与公交车辆b发车行为相关联的时空节点(l,i,m)，并记发车行为{b|(l,i,m)}；

求解满足T₁+(m1″-1)τ≤TimeIn＜T₁+m1″τ的推演时段m1″，并根据线路名称、站点编号、车辆名称确定与公交车辆b到站行为相关联的时空节点(l,j,m1″)，并记到站行为{b(l,j,m1″)}；

确定下行方向弧段，对于到站行为{b|(l,j,m1″)}，求解具有相同线路l及车辆b信息的前一发车行为{b|(l,i,m1′)}，确定下行时空弧段a_D＝{(l,i,m1′),(l,j,m1″)}，并在时空网络上画出相应弧段。如图3所示弧段{(1,1,1),(1,2,2)}即为下行方向弧段。

同样道理的，步骤S3中，确定上行方向弧段的方式为：

对于新增到离站记录集ΔQ2中满足行驶方向为上行的所有信息中，求解满足T₁+(m-1)τ≤TimeOut＜T₁+mτ的推演时段m，并根据线路名称、站点编号、车辆名称确定与公交车辆b发车行为相关联的时空节点(l,j,)，并记发车行为{b|(l,j,m)}；

求解满足T₁+(m2″-1)τ≤TimeIn＜T₁+m2″τ的推演时段m2″，并根据线路名称、站点编号、车辆名称确定与公交车辆b到站行为相关联的时空节点(l,i,m2″)，并记到站行为{b|(l,i,m2″)}；

确定上行方向弧段，对于到站行为{b|(l,i,m2″)}，求解具有相同线路l及车辆b信息的前一发车行为{b|(l,j,m2″)}，确定下行时空弧段a_U＝{(l,j,m2′),(l,i,m2″)}，并在时空网络上画出相应弧段。如图3所示弧段{(2,n,2),(2,n-1,m)}即为上行方向弧段。

步骤S3中，计算各时空网络弧段的流量的方法为：

时空网络弧段的流量记为z_a，

对于下行时空网络弧段a_D＝{(l,i,m1′),(l,j,m1″)}；

对于下行时空网络弧段的流量：

z_{a} = Σ_{1 \leq m \leq m 1^{'}} Σ_{1 \leq i^{'} \leq i} Σ_{j \leq j^{'} \leq n} q_{D}^{i^{'} j^{'} m};

对于上行时空网络弧段a_U＝{(l,j,m2′),(l,i,m2″)}；

对于上行时空网络弧段的流量：

z_{a} = Σ_{1 \leq m \leq m 2^{'}} Σ_{1 \leq j^{'} \leq j} Σ_{i \leq i^{'} \leq n} q_{U}^{j^{'} i^{'} m} .

直至处理完所有线路所有弧段的流量，计算出各时空网络弧段的流量后，进行多尺度客流时空分布特征分析。基于所获取的公交时空网络，以及相应的弧段流量，可依照实际需要从多维度裁剪关联信息，从而直观展示公交客流的时空分布规律。图4及图5分别展示了一条线路不同班次数量下的公交时空分布特征，三维空间的分别是时间、空间和断面客流量。

当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims

1.一种基于时空数据融合的公交客流演化分析方法，其特征在于，包括以下步骤：

(3)、公交客流时空演化分析步骤，包括：

分别计算各时空网络弧段的流量；

(4)、多尺度客流时空分布特征分析步骤，根据所获取的时空网络，以及相应的时空网络弧弧段的流量，绘制公交时空分布特征图。

2.根据权利要求1所述的基于时空数据融合的公交客流演化分析方法，其特征在于，步骤(1)中，下行方向站点编号为上行方向站点编号为所述i的取值范围为1～n，所述n为公交线路单向经由总站点数，所述n为大于1的整数，所述下行方向所有站点的编号按照车辆行驶方向递增，所述上行方向所有站点的编号按照车辆行驶方向递减。

3.根据权利要求2所述的基于时空数据融合的公交客流演化分析方法，其特征在于，步骤(2)中计算出行下车概率的方式为：

在上行方向上，出行下车概率为第j站点上车客流在本行驶方向的下游第i站点下车的概率，等于相对方向的第i站点的历史上车客流与相对方向的第i站点上游站点集的历史上车客流之和的比值，其中，下行方向第i站点上车客流在第j站点下车的概率为上行方向第j站点上车客流在第i站点下车的概率为i＜j≤n，所述上行方向和下行方向互为相对方向。

4.根据权利要求2所述的基于时空数据融合的公交客流演化分析方法，其特征在于，步骤(3)中，实时出行交通量的计算方式为：

计算实时出行交通量：

q_{D}^{i j m} = Q_{D}^{i m} p_{D}^{i j} γ = \frac{Q_{D}^{i m} {\overset{&OverBar;}{Q}}_{U}^{j} γ}{Σ_{i < j^{'} \leq n} {\overset{&OverBar;}{Q}}_{U}^{j^{'}}}

q_{U}^{j i m} = Q_{U}^{j m} p_{U}^{j i} γ = \frac{Q_{U}^{j m} {\overset{&OverBar;}{Q}}_{D}^{i} γ}{Σ_{1 \leq i^{'} < j} {\overset{&OverBar;}{Q}}_{D}^{i^{'}}}

其中，为下行方向由车站至车站的实时出行交通量；

为上行方向由车站至车站的实时出行交通量；

γ为将刷卡客流进行折算的放大系数。

5.根据权利要求4所述的基于时空数据融合的公交客流演化分析方法，其特征在于，步骤(3)中，确定下行方向弧段的方式为：

求解满足T₁+(m1″-1)τ≤TimeIn＜T₁+m1″τ的推演时段m1″，并根据线路名称、站点编号、车辆名称确定与公交车辆b到站行为相关联的时空节点(l,j,m1″)，并记到站行为{b|(l,j,m1″)}；

确定下行方向弧段，对于到站行为{b|(l,j,m1″)}，求解具有相同线路l及车辆b信息的前一发车行为{b|(l,i,m1′)}，确定下行时空弧段a_D＝{(l,i,m1′),(l,j,m1″)}，并在时空网络上画出相应弧段。

6.根据权利要求5所述的基于时空数据融合的公交客流演化分析方法，其特征在于，步骤(3)中，确定上行方向弧段的方式为：

对于新增到离站记录集ΔQ2中满足行驶方向为上行的所有信息中，求解满足T₁+(m-1)τ≤TimeOut＜T₁+mτ的推演时段m，并根据线路名称、站点编号、车辆名称确定与公交车辆b发车行为相关联的时空节点(l,j,m)，并记发车行为{b|(l,j,m)}；

确定上行方向弧段，对于到站行为{b|(l,i,m2″)}，求解具有相同线路l及车辆b信息的前一发车行为{b|(l,j,m2′)}，确定下行时空弧段a_U＝{(l,j,m2′),(l,i,m2″)}，并在时空网络上画出相应弧段。

7.根据权利要求6所述的基于时空数据融合的公交客流演化分析方法，其特征在于，步骤(3)中，计算各时空网络弧段的流量的方法为：

时空网络弧段的流量记为z_a，

对于下行时空网络弧段a_D＝{(l,i,m1′),(l,j,m1″)}；

对于下行时空网络弧段的流量

z_{a} = Σ_{1 \leq m \leq m 2^{'}} Σ_{1 \leq j^{'} \leq j} Σ_{i \leq i^{'} \leq n} q_{U}^{j^{'} i^{'} m};

对于上行时空网络弧段a_U＝{(l,j,m2′),(l,i,m2″)}；

对于上行时空网络弧段的流量

z_{a} = Σ_{1 \leq m \leq m 2^{'}} Σ_{1 \leq j^{'} \leq j} Σ_{i \leq i^{'} \leq n} q_{U}^{j^{'} i^{'} m} .