CN111191817B - 一种基于换乘客流量的公交线网拓扑划分方法 - Google Patents

Abstract

本发明涉及一种基于换乘客流量的公交线网拓扑划分方法，通过对乘客换乘全局客流量时间序列进行相似性聚类，再求解其子序列的相关性，最后根据子序列聚类情况对公交线网的拓扑结构进行划分。本发明能够兼顾全局和局部公交换乘行为，为公交站点设置的优化提供更全面的参考。本发明对城市公交的换乘行为进行分析，并据此得到客流量相关性强和弱站点，有助于改进交通线网的站点设置。本发明方法不依赖于特定场景，更加通用，可用于各大中城市的公交网络。

Description

一种基于换乘客流量的公交线网拓扑划分方法

技术领域

本发明涉及数据分析在交通规划、交通运输管理的应用，更具体地说，涉及一种基于换乘客流量的公交线网拓扑划分方法。

背景技术

目前我国交通设施建设的速度远远跟不上交通需求的增长，交通拥堵已经成为国内很多城市面临的主要问题。一个城市的公交线网设置对解决交通拥堵有直接影响，公交站点设置不断优化十分必要，在很多城市已经成为一种常态。而公交站点的设置优化，除需要事前进行科学的测算，更需要实际客流量的分布情况作为优化的反馈。

对公交站点设置的研究，目前主流方法主要是利用物联网技术和嵌入式技术对城市交通***实现智能查询、利用收集的IC卡数据对乘客上车站点统计和预测、运用各种聚类方法分析定制公交站点的选址和布局。

但是，现有技术中的大部分方法都是运用单一方法进行数据分析，如查询、K-means聚类、层次聚类等方法，其分析结果难以兼顾交通网线的全局乘车行为和局部乘车特性，也很少兼顾实际公交线网的匹配，主观性相对较强，缺乏科学性和有效性。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于换乘客流量的公交线网拓扑划分方法，兼顾全局和局部公交换乘行为，为公交站点设置的优化提供更全面的参考。

本发明的技术方案如下：

一种基于换乘客流量的公交线网拓扑划分方法，步骤如下：

1)基于GPS定位数据获取所有路线的公交站点的经纬度，根据公交站点的经纬度，形成公交换乘集合T，其中，重叠的公交站点与距离小于距离阈值δ的公交站点为换乘站点；

2)建立换乘的客流量时间序列：

取公交首、末班车时间段，对公交换乘集合T中所有换乘的线路L_i及其包括的公交站点S_ik，以固定时间间隔进行划分，按时间段统计换乘人数，建立公交换乘客流量时间序列F(S_ik)＝(f₁,f₂,…,f_n)，得到换乘客流量时间序列集合W；

3)基于DTW方法计算具有换乘关系的两个公交站点客的流量时间序列相似度：

对任意一对存在换乘关系的线路L_i和L_j及其任意两个公交站点S_ik和S_jt，换乘客流量时间序列F(S_ik)＝(f₁,f₂,…,f_n)和F(S_jt)＝(f′₁,f′₂,…,f′_n)，计算累积距离，具体如下γ(u,v)：

γ(u,v)＝d(f_u,f′_v)+min{γ(u-1,v),γ(u,v-1),γ(u-1,v-1)}；

其中，d(f_u,f′_v)为欧氏距离，min{γ(u-1,v),γ(u,v-1),γ(u-1,v-1)}为到达当前公交站点最小的邻近元素的累积距离；

4)根据步骤3)获取的相似度，对换乘客流量时间序列集合W进行K-means聚类，得到聚类中心的集合C，C＝{F_i＝(f_i1,f_i2,…,f_in)}，i＝1,2,…,N，N是聚类中心个数，F_i为换乘行为；

5)对集合C中的客流量时间序列，采用滑动窗口求解所有子序列之间的相关度，得到正相关子序列簇集SubC、负相关子序列簇集SubC^-；

6)在原公交线网G的拓扑结构的基础上，根据正相关子序列簇集SubC、负相关子序列簇集SubC^-剔除不存在换乘关系的公交站点，得到子网集合SubGset，根据子网集合SubGset中的公交站点及其在公交线网中的连线，构造新的公交线网拓扑结构。

作为优选，步骤1)具体为：

1.1)分别获取任意公交线路L_i和L_j，对L_i的任意公交站点S_ik和L_j的任意公交站点S_jt，根据其经纬度计算S_ik和S_jt间的直线距离d，如下：

d＝R×arcos[cos(Y₁)×cos(Y₂)×cos(X₁-X₂)+sin(Y₁)×sin(Y₂)]；

其中，R为地球平均半径，X₁、Y₁分别为公交站点S_ik经度、纬度转化为弧度的值，X₂、Y₂分别为公交站点S_jt经度、纬度转化为弧度的值；

1.2)判断公交站点S_ik和公交站点S_jt间的直线距离d，若满足0≤d≤δ，则保存公交线路L_i和L_j，以及公交站点S_ik和公交站点S_jt至公交换乘集合T，T←(L_i,S_ik,L_j,S_jt)；

1.3)重复步骤1.1)、步骤1.2)，得到公交线网的公交换乘集合T。

作为优选，如果下车无刷卡记录，则步骤1)中，换乘站点还需要满足：换乘的两次刷卡时间不高于换乘周期λ；进而，还包括步骤1.3)从公交换乘集合T中剔除不满足换乘的两次刷卡时间大于换乘周期λ的公交站点，更新公交换乘集合T：T←T-(L_i,S_ik,L_j,S_jt)。

作为优选，步骤5)具体为：

5.1)设置滑动窗口l的初始长度l₀，滑动窗口步长step＝1，提取l₀≤l≤n的F_i∈C的所有子序列Sub(F_i)_u＝(f_1,u,f_1,u+1,…,f_1,u+l-1)，建立子序列集合

SC＝{Sub(F_i)_u|1≤i≤N,1≤u≤n-l+1,l₀≤l≤n}；

5.2)计算子序列集合SC中任意两个序列Sub(F_i)_u和Sub(F_i)_v的相关系数，其中i≠j或者u≠v，分别建立正相关子序列簇集SubC和负相关子序列簇集SubC-，如下：

5.3)对任意序列Sub(F_i)_u∈SC，遍历集合SubC建立与其正相关的子序列集合

遍历集合SubC-建立与其负相关的子序列集合

其中，

为公交站点相关性系数的临界值；

5.4)分别对Fsubset(F_i)_u和Fsubset^-(F_i)_u中的所有序列重复步骤5.2)、步骤5.3)，遍历集合Sub(F_i)_u∈SC，分别求解与之正相关、负相关的序列，直至集合Fsubset(F_i)_u和Fsubset^-(F_i)_u不再增加新序列；

5.5)求Fsubset(F_i)_u的交集，获得正相关子序列簇集SubC，如下：

求Fsubset^-(F_i)_u的交集，获得负相关子序列簇集SubC^-，如下：

本发明的有益效果如下：

本发明所述的基于换乘客流量的公交线网拓扑划分方法，通过对乘客换乘全局客流量时间序列进行相似性聚类，再求解其子序列的相关性，最后根据子序列聚类情况对公交线网的拓扑结构进行划分。本发明能够兼顾全局和局部公交换乘行为，为公交站点设置的优化提供更全面的参考。

本发明对城市公交的换乘行为进行分析，并据此得到客流量相关性强和弱站点，有助于改进交通线网的站点设置。本发明方法不依赖于特定场景，更加通用，可用于各大中城市的公交网络。

附图说明

图1是本发明的流程示意图；

图2是实施例的换乘客流量时间序列示意图；

图3是实施例的聚类中心示意图；

图4是实施例的正相关子序列簇集示意图；

图5是实施例的负相关子序列簇集示意图；

图6是实施例的公交线网的子网示意图。

具体实施方式

以下结合附图及实施例对本发明进行进一步的详细说明。

本发明为了解决现有技术存在的分析结果难以兼顾交通网线的全局乘车行为和局部乘车特性，也很少兼顾实际公交线网的匹配，主观性相对较强，缺乏科学性和有效性等等不足，提供一种基于换乘客流量的公交线网拓扑划分方法，如图1所示，步骤如下：

1)基于GPS定位数据获取所有路线的公交站点的经纬度，根据公交站点的经纬度，形成公交换乘集合T，其中，重叠的公交站点与距离小于距离阈值δ的公交站点为换乘站点。通常情况下，将距离阈值δ设置为200米，具体实施时，可根据城市公交站点设置的特点，调整数值。

本发明将公交站点距离纳入到站点重叠的考虑范围，可提高换乘流量统计的准确度。进而，步骤1)具体为：

1.1)分别获取任意公交线路L_i和L_j，对L_i的任意公交站点S_ik和L_j的任意公交站点S_jt，根据其经纬度计算S_ik和S_jt间的直线距离d，如下：

d＝R×arcos[cos(Y₁)×cos(Y₂)×cos(X₁-X₂)+sin(Y₁)×sin(Y₂)]；

其中，R为地球平均半径，约为6378137米，X₁、Y₁分别为公交站点S_ik经度、纬度转化为弧度的值，X₂、Y₂分别为公交站点S_jt经度、纬度转化为弧度的值；

1.2)判断公交站点S_ik和公交站点S_jt间的直线距离d，若满足0≤d≤δ，则保存公交线路L_i和L_j，以及公交站点S_ik和公交站点S_jt至公交换乘集合T，T←(L_i,S_ik,L_j,S_jt)；

1.3)重复步骤1.1)、步骤1.2)，得到公交线网的公交换乘集合T。

现实情况中，绝大多数城市的公交线网只需换乘1次就可到达目的地，因此，只考虑1次换乘。且由于普通公交车只有上车刷卡记录，下车无记录，换乘站点即为下车站点，因此，需要界定换乘行为。本发明采用换乘周期来鉴别换乘行为。则如果下车无刷卡记录，则步骤1)中，换乘站点还需要满足：换乘的两次刷卡时间不高于换乘周期λ；

进而，步骤1)中还包括步骤1.3)从公交换乘集合T中剔除不满足换乘的两次刷卡时间大于换乘周期λ的公交站点，更新公交换乘集合T：T←T-(L_i,S_ik,L_j,S_jt)。通常情况下，将换乘周期λ设置为40分钟，该值一般通过对交通大数据的分析获得，具体实施时，可根据城市公交站点设置的特点，调整数值。

对于上下车均需要刷卡的公交车，则以搭乘的相邻的公交路线的下车记录与上车记录作为换乘站点。

2)建立换乘的客流量时间序列：

取公交首、末班车时间段，对公交换乘集合T中所有换乘的线路L_i及其包括的公交站点S_ik，以固定时间间隔进行划分，按时间段统计换乘人数，建立公交换乘客流量时间序列F(S_ik)＝(f₁,f₂,…,f_n)，得到换乘客流量时间序列集合W。

例如，选取公交首、末班车时间段为6:00-23:00，以1小时间隔进行划分，建立公交换乘客流量时间序列F(S_ik)＝(f₁,f₂,…,f_n)。

3)基于DTW方法计算具有换乘关系的两个公交站点客的流量时间序列相似度：

对任意一对存在换乘关系的线路L_i和L_j及其任意两个公交站点S_ik和S_jt，换乘客流量时间序列F(S_ik)＝(f₁,f₂,…,f_n)和F(S_jt)＝(f′₁,f′₂,…,f′_n)，计算累积距离，具体如下γ(u,v)：

γ(u,v)＝d(f_u,f′_v)+min{γ(u-1,v),γ(u,v-1),γ(u-1,v-1)}；

其中，d(f_u,f′_v)为欧氏距离，min{γ(u-1,v),γ(u,v-1),γ(u-1,v-1)}为到达当前公交站点最小的邻近元素的累积距离。

4)根据步骤3)获取的相似度，对换乘客流量时间序列集合W进行K-means聚类，得到聚类中心的集合C，C＝{F_i＝(f_i1,f_i2,…,f_in)}，i＝1,2,…,N，N是聚类中心个数，F_i为换乘行为。

5)对集合C中的客流量时间序列，采用滑动窗口求解所有子序列之间的相关度，得到正相关子序列簇集SubC、负相关子序列簇集SubC-。

换乘客流量在公交站点间的相互影响需要一定周期才能体现出来，换乘行为经常跨时段发生，可从不同时段客流量趋势的相关性进行挖掘。进而，步骤5)具体为：

5.1)设置滑动窗口l的初始长度l₀，通常情况下，将初始长度l₀设置为2；滑动窗口步长step＝1，提取l₀≤l≤n的F_i∈C的所有子序列Sub(F_i)_u＝(f_1,u,f_1,u+1,…,f_1,u+l-1)，建立子序列集合SC＝{Sub(F_i)_u|1≤i≤N,1≤u≤n-l+1,l₀≤l≤n}；

5.2)计算子序列集合SC中任意两个序列Sub(F_i)_u和Sub(F_i)_v的相关系数，其中i≠j或者u≠v，分别建立正相关子序列簇集SubC和负相关子序列簇集SubC-，如下：

5.3)对任意序列Sub(F_i)_u∈SC，遍历集合SubC建立与其正相关的子序列集合

遍历集合SubC^-建立与其负相关的子序列集合

其中，

为公交站点相关性系数的临界值；

5.4)分别对Fsubset(F_i)_u和Fsubset^-(F_i)_u中的所有序列重复步骤5.2)、步骤5.3)，遍历集合Sub(F_i)_u∈SC，分别求解与之正相关、负相关的序列，直至集合Fsubset(F_i)_u和Fsubset^-(F_i)_u不再增加新序列；

5.5)求Fsubset(F_i)_u的交集，获得正相关子序列簇集SubC，如下：

求Fsubset^-(F_i)_u的交集，获得负相关子序列簇集SubC^-，如下：

6)在原公交线网G的拓扑结构的基础上，根据正相关子序列簇集SubC、负相关子序列簇集SubC^-剔除不存在换乘关系的公交站点，得到子网集合SubGset，根据子网集合SubGset中的公交站点及其在公交线网中的连线，构造新的公交线网拓扑结构。

实施例

以厦门公交为例，根据公交线路的站点卫星定位数据和刷卡数据，求出空间上存在换乘可能的所有线路和站点，计算方法：线路之间完全重合站点或者最近直线距离小于200米以内。站点的卫星定位数据字段包括：线路编号、线路名称、站点编号、站点名称、站点经度、站点纬度、上下行，如表1所示。

表1：站点定位数据

线路编号	线路名称	站点编号	站点名称	站点经度	站点纬度	上下行
							163	101路	18	莲坂北站	118.11627522	24.48184107	0
163	101路	19	莲花路口站	118.11493692	24.48674263	0

根据乘客每天的刷卡数据，剔除掉时间上不存在换乘可能的线路、站点，满足条件：同一张卡的两次刷卡间隔大于40分钟，即不认定为换乘行为。刷卡数据的字段包括：线路名称、站点名称、交易日期、交易时间、IC卡编号，刷卡数据如表2所示。

表2：刷卡数据

线路名称	站点名称	交易日期	交易时间	IC卡编号
					87路	厦门宾馆站	20181008	29570	3623421134
101路	莲花路口站	20181008	73983	3623446984

以厦门15路公交为例，满足换乘条件的线路、站点如表3所示。

表3：15路公交满足换乘条件的线路、站点

线路1	站点1	线路2	站点2
				15路	第一码头站	22路	岳阳小区站
15路	建兴路站	1路	眼科医院站

以厦门15路公交为例，满足换乘条件的线路、站点如表3所示。

对于满足换乘条件的刷卡数据，按第一次上车刷卡的站点，记录一次换乘。以40分钟为间隔，统计6:00-23:20每个时间段的换乘客流量，得到换乘客流量时间序列。例如“厦大艺术学院站”，“五缘湾消防站”2018年10至12月的换乘客流量时间序列，如图2所示。

采用DTW方法计算任意两条换乘客流量时间序列的相似度，例如“厦大艺术学院站”，“五缘湾消防站”两个站点2018年10月至12月换乘客流量时间序列的相似度，如表4所示。

表4：换乘客流量时间序列相似度

用DTW计算的相似度，经过变换后，对换乘客流量时间序列进行K-means聚类，得到所有聚类中心，每个聚类中心就是一个客流量时间序列，代表了一类换乘行为，如图3所示。

对每个聚类中心代表的客流量时间序列，截取所有长度的子序列，用相关度进行聚类，得到正相关子序列簇集和负相关子序列簇集，分别代表聚类中心正相关的时段和负相关的时段，如图4、图5所示。

根据公交线网的拓扑结构，剔除簇集中不存在联系的站点，根据簇集剩余节点，及其在整个城市公交线网中的连线，构造出公交线网的子网。以厦门公交为例，其中一个子网如图6所示。

上述实施例仅是用来说明本发明，而并非用作对本发明的限定。只要是依据本发明的技术实质，对上述实施例进行变化、变型等都将落在本发明的权利要求的范围内。

Claims (4)

1.一种基于换乘客流量的公交线网拓扑划分方法，其特征在于，步骤如下：

1)基于GPS定位数据获取所有路线的公交站点的经纬度，根据公交站点的经纬度，形成公交换乘集合T，其中，重叠的公交站点与距离小于距离阈值δ的公交站点为换乘站点；

2)建立换乘的客流量时间序列：

取公交首、末班车时间段，对公交换乘集合T中所有换乘的线路L_i及其包括的公交站点S_ik，以固定时间间隔进行划分，按时间段统计换乘人数，建立公交换乘客流量时间序列F(S_ik)＝(f₁,f₂,…,f_n)，得到换乘客流量时间序列集合W；

3)基于DTW方法计算具有换乘关系的两个公交站点客的流量时间序列相似度：

对任意一对存在换乘关系的线路L_i和L_j及其任意两个公交站点S_ik和S_jt，换乘客流量时间序列F(S_ik)＝(f₁,f₂,…,f_n)和F(S_jt)＝(f′₁,f′₂,…,f′_n)，计算累积距离，具体如下γ(u,v)：

γ(u,v)＝d(f_u,f′_v)+min{γ(u-1,v),γ(u,v-1),γ(u-1,v-1)}；

其中，d(f_u,f′_v)为欧氏距离，min{γ(u-1,v),γ(u,v-1),γ(u-1,v-1)}为到达当前公交站点最小的邻近元素的累积距离；

4)根据步骤3)获取的相似度，对换乘客流量时间序列集合W进行K-means聚类，得到聚类中心的集合C，C＝{F_i＝(f_i1,f_i2,…,f_in)}，i＝1,2,…,N，N是聚类中心个数，F_i为换乘行为；

5)对集合C中的客流量时间序列，采用滑动窗口求解所有子序列之间的相关度，得到正相关子序列簇集SubC、负相关子序列簇集SubC^-；

6)在原公交线网G的拓扑结构的基础上，根据正相关子序列簇集SubC、负相关子序列簇集SubC^-剔除不存在换乘关系的公交站点，得到子网集合SubGset，根据子网集合SubGset中的公交站点及其在公交线网中的连线，构造新的公交线网拓扑结构。

2.根据权利要求1所述的基于换乘客流量的公交线网拓扑划分方法，其特征在于，步骤1)具体为：

1.1)分别获取任意公交线路L_i和L_j，对L_i的任意公交站点S_ik和L_j的任意公交站点S_jt，根据其经纬度计算S_ik和S_jt间的直线距离d，如下：

d＝R×arcos[cos(Y₁)×cos(Y₂)×cos(X₁-X₂)+sin(Y₁)×sin(Y₂)]；

其中，R为地球平均半径，X₁、Y₁分别为公交站点S_ik经度、纬度转化为弧度的值，X₂、Y₂分别为公交站点S_jt经度、纬度转化为弧度的值；

1.2)判断公交站点S_ik和公交站点S_jt间的直线距离d，若满足0≤d≤δ，则保存公交线路L_i和L_j，以及公交站点S_ik和公交站点S_jt至公交换乘集合T，T←(L_i,S_ik,L_j,S_jt)；

1.3)重复步骤1.1)、步骤1.2)，得到公交线网的公交换乘集合T。

3.根据权利要求2所述的基于换乘客流量的公交线网拓扑划分方法，其特征在于，如果下车无刷卡记录，则步骤1)中，换乘站点还需要满足：换乘的两次刷卡时间不高于换乘周期λ；进而，还包括步骤1.3)从公交换乘集合T中剔除不满足换乘的两次刷卡时间大于换乘周期λ的公交站点，更新公交换乘集合T：T←T-(L_i,S_ik,L_j,S_jt)。

4.根据权利要求1至3任一项所述的基于换乘客流量的公交线网拓扑划分方法，其特征在于，步骤5)具体为：

5.1)设置滑动窗口l的初始长度l₀，滑动窗口步长step＝1，提取l₀≤l≤n的F_i∈C的所有子序列Sub(F_i)_u＝(f_1,u,f_1,u+1,…,f_1,u+l-1)，建立子序列集合SC＝{Sub(F_i)_u|1≤i≤N,1≤u≤n-l+1,l₀≤l≤n}；

5.2)计算子序列集合SC中任意两个序列Sub(F_i)_u和Sub(F_i)_v的相关系数，其中i≠j或者u≠v，分别建立正相关子序列簇集SubC和负相关子序列簇集SubC^-，如下：

5.3)对任意序列Sub(F_i)_u∈SC，遍历集合SubC建立与其正相关的子序列集合

遍历集合SubC^-建立与其负相关的子序列集合

其中，

为公交站点相关性系数的临界值；

5.4)分别对Fsubset(F_i)_u和Fsubset^-(F_i)_u中的所有序列重复步骤5.2)、步骤5.3)，遍历集合Sub(F_i)_u∈SC，分别求解与之正相关、负相关的序列，直至集合Fsubset(F_i)_u和Fsubset^-(F_i)_u不再增加新序列；

5.5)求Fsubset(F_i)_u的交集，获得正相关子序列簇集SubC，如下：

求Fsubset^-(F_i)_u的交集，获得负相关子序列簇集SubC^-，如下：

Images