CN115497326A - 一种多模式公交出行路径规划方法 - Google Patents

一种多模式公交出行路径规划方法 Download PDF

Info

Publication number
CN115497326A
CN115497326A CN202211454933.9A CN202211454933A CN115497326A CN 115497326 A CN115497326 A CN 115497326A CN 202211454933 A CN202211454933 A CN 202211454933A CN 115497326 A CN115497326 A CN 115497326A
Authority
CN
China
Prior art keywords
subway
bus
station
time
transfer
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202211454933.9A
Other languages
English (en)
Other versions
CN115497326B (zh
Inventor
郑乐
陈学武
高良鹏
宋波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202211454933.9A priority Critical patent/CN115497326B/zh
Publication of CN115497326A publication Critical patent/CN115497326A/zh
Application granted granted Critical
Publication of CN115497326B publication Critical patent/CN115497326B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Analytical Chemistry (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种多模式公交出行路径的规划方法，基于公交和地铁站点及线路数据分别构建公交及地铁的无权有向网络；运用空间连接方法以及智能地图API搜索地铁站点一定范围内的公交站点，建立地铁‑公交复合无权有向网络；基于公交地铁历史进出站数据以及发车间隔数据，计算各站段边以及各换乘边的平均行驶时间和平均换乘时间作为网络权重，构建建立地铁‑公交复合加权有向网络。以乘客的出行时间、出行OD以及出行偏好作为输入，建立出行路径规划模型，并运用改进的Dijkstra算法求解乘客的最优出行路径。本发明基于乘客的偏好特性，快速的规划出行者的多模式出行路径，缩短出行时间，提高乘客的整体公交出行体验。

Description

一种多模式公交出行路径规划方法
技术领域
本发明涉及一种多模式公交出行路径规划方法，属于公共交通出行路径规划技术领域。
背景技术
随着我国大中型城市的土地开发强度以及人口密度的日益增高，以私人交通为主导的交通模式所带来的交通拥堵以及环境污染问题已无法支撑城市未来的健康可持续发展。降低小汽车使用强度，引导公众出行选择集约化运输方式是我国当前推进绿色出行发展的首要任务。
在此背景下，如何打造多模式的公交出行***，构建相互配合、分工合理的公共交通网络，保证各类公共出行方式之间的快速换乘、无缝衔接对于提升公共交通***的整体服务水平以及公交分担率至关重要。
在多模式公交***中，地铁具有速度快、运量大、准点率高等特性，可以作为城市公共交通的骨架网络服务于居民中长线路的出行；常规公交具有覆盖面广、通达性高、出行成本低等特点，可以作为城市公共交通的主干网络服务于居民的中短距离出行；两者在运行模式上都采用定点定线的服务模式，功能上相辅相成，在实际运营中占据了公共交通出行的绝大部分比例。因此，对这两种出行模式下的复合网络构建以及出行路径组合规划对实际出行者而言具有十分重要的实际应用价值。
现有的多模式公交出行路径规划方法主要存在两点问题：一是在多模式复合网络构建的过程中往往做出的较多不符合实际的假设，包括：（1）不考虑复合网络上下行线路的差异将网络抽象为无向网络；（2）不考虑各线路在实际运行过程中运行速度的时变特性而将网络中边的权重设为恒定值；（3）不考虑实际的步行换乘距离以及车辆发车间隔而假设换乘时间恒定。以上不合理的假设导致在实际路径规划过程中规划结果偏离实际，并且无法及时地针对实际运行过程中发生的变化做出及时的路径方案调整。二是现有的路径规划模型往往只针对单个目标的优化，如：总出行距离最短、总出行时间最少等，无法结合出行者点当前的出行时间和出行偏好给出更加个性化出行方案组合。因此，本领域技术人员亟需解决当前多模式公交出行路径规划中的技术问题。
发明内容
目的：为了克服现有技术中存在的不足，本发明提供一种多模式公交出行路径规划方法，辅助出行者进行多模式出行路径规划，缩短出行时间，提升公交出行体验。
技术方案：为解决上述技术问题，本发明采用的技术方案为：
一种多模式公交出行路径的规划方法，包括以下步骤：
步骤1：获取公交和地铁站点及线路数据，考虑公交、地铁线路上下行线路的差异性，分别构建公交及地铁的无权有向网络。
步骤2：运用空间连接方法以及智能地图API搜索地铁站点一定范围内的公交站点，基于实际路网条件下的步行距离，筛选地铁站点一定范围内的公交站点，建立地铁-公交复合无权有向网络。
步骤3：基于公交、地铁历史进出站数据，考虑各线路在各时段运行速度的时变特性，提取公交、地铁站段间的不同时间区间的平均行驶时间，作为地铁-公交复合无权有向网络中站段边的行驶时间权重。
步骤4：基于公交、地铁各时段的历史发车间隔数据，考虑各线路在各时段发车间隔的时变特性，计算各线路之间的平均换乘时间，作为地铁-公交复合无权有向网络相同交通方式换乘边的换乘时间权重。
步骤5：基于公交、地铁各时段的历史发车间隔数据以及公交与地铁站点之间的步行距离，计算公交、地铁站点之间的平均换乘时间，作为地铁-公交复合无权有向网络中不同交通方式间换乘边的换乘时间的权重。
步骤6：为地铁-公交复合无权有向网络中各连边赋值，建立地铁-公交复合加权有向网络。
步骤7：基于所构建的地铁-公交复合加权有向网络，以乘客的出行时间、出发站点、目的地站点作为输入，综合考虑乘客在出行时间、换乘次数、步行时间以及出行费用方面的偏好，建立出行路径规划模型。
步骤8：采用改进的Dijkstra算法求解出行路径规划模型，输出多模式公交出行路径。
作为优选方案，所述的步骤1中建立的公交以及地铁的无权有向网络可表示为
Figure DEST_PATH_IMAGE002
以及
Figure DEST_PATH_IMAGE004
。
Figure DEST_PATH_IMAGE006
表示公交无权有向网络；
Figure DEST_PATH_IMAGE008
表示所有公交站集合，其中对于同一线路上下 行具有相同名称的站点视为同一站点，对于不同线路具有相同名称的站点视为不同站点；
Figure DEST_PATH_IMAGE010
表示所有公交线路的站段边集合；
Figure DEST_PATH_IMAGE012
表示公交线路的换乘边集合。
Figure DEST_PATH_IMAGE014
表示地铁无权有向网络，
Figure DEST_PATH_IMAGE016
表示所有地铁站集合，
Figure DEST_PATH_IMAGE018
表示所有地铁 线路的站段边集合；
Figure DEST_PATH_IMAGE020
表示所有地铁线路的换乘边集合。
作为优选方案，所述步骤2搜索地铁站点一定范围内的公交站点，具体方法为：
步骤2.1：将包含经纬度信息以及所属线路信息的地铁站点和公交站点数据集导入到python中，文件格式为GeoDataFrame。
步骤2.2：对两个数据集的坐标系进行转换，由原先由经纬度坐标表示的WGS84坐标系转化为墨卡托坐标系。
步骤2.3：以地铁站点为圆心建立半径为r的缓冲区，采用空间连接的方法识别地 铁站点缓冲区范围内的公交站点，建立地铁站点
Figure DEST_PATH_IMAGE022
与缓冲区范围内公交站点集合
Figure DEST_PATH_IMAGE024
的空间映射关系。
步骤2.4：对两个数据集的坐标系进行转换，由墨卡托坐标系示转化为智能地图坐标系。
步骤2.5：调用智能地图API计算
Figure DEST_PATH_IMAGE025
与
Figure DEST_PATH_IMAGE024A
中每一个公交站点的实际步 行距离，若智能地图API计算的站点间步行距离大于半径r，则将相应的公交站点剔除集合
Figure DEST_PATH_IMAGE024AA
。最后仅保留实际站点间步行距离小于r的空间映射关系。从实际站点间步行距离 小于r的空间映射关系中获得地铁站点与公交站点的换乘边集合。
作为优选方案，所述步骤2的地铁-公交复合无权有向网络可表示为
Figure DEST_PATH_IMAGE027
，其中，
Figure DEST_PATH_IMAGE029
表示地铁- 公交复合无权有向网络，
Figure DEST_PATH_IMAGE031
表示地铁站点与公交站点的换乘边集合。
作为优选方案，所述步骤3中公交及地铁站段间的不同时间区间的平均行驶时间提取方法表示为：
对于公交网络，获取各线路历史进出站数据，该数据包含公交车辆在线路上到达 每一站点的时间。按线路提取公交车辆在线路上到达每一站点的到站时间，计算各站点间 的行程时间；建立与公交线路的站段边集合
Figure DEST_PATH_IMAGE033
一一对应的平均行程时间数据集合
Figure DEST_PATH_IMAGE035
；
Figure DEST_PATH_IMAGE035A
用于表征公交网络中各站段之间的时间权重，包含每个时间区间的站点行程时间的平 均值
Figure DEST_PATH_IMAGE037
, t为划分时间区间的标号。
对地铁网络执行同样的操作，得到与地铁线路站段边集合
Figure DEST_PATH_IMAGE039
所对应的各时段 的平均行程时间数据集合
Figure DEST_PATH_IMAGE041
；
Figure DEST_PATH_IMAGE041A
用于表征地铁网络中各站段之间的时间权重，包 含每个时间区间的站点行程时间的平均值
Figure DEST_PATH_IMAGE043
。
作为优选方案，所述步骤4计算相同交通方式换乘边的换乘时间的计算方式表示为：
对于公交网络，获取各线路的历史发车时间数据，针对公交网络中的换乘边集合
Figure DEST_PATH_IMAGE045
，构建对应的平均换乘时间权重集合
Figure DEST_PATH_IMAGE047
；
Figure DEST_PATH_IMAGE047A
用于表征公交网络中具有相同站名的 不同线路之间的换乘时间权重；
Figure DEST_PATH_IMAGE047AA
包含每个时间区间的站点换乘时间的平均值
Figure DEST_PATH_IMAGE049
，t为 划分时间区间的标号；针对t时间区间内任意一条边的平均换乘时间数据
Figure DEST_PATH_IMAGE051
，
Figure DEST_PATH_IMAGE053
表示换乘前的站点，
Figure DEST_PATH_IMAGE055
表示换乘后的站点，计算公式如下：
Figure DEST_PATH_IMAGE057
（1）
式（1）中，
Figure DEST_PATH_IMAGE059
表示
Figure DEST_PATH_IMAGE061
所属的公交线路；
Figure DEST_PATH_IMAGE063
表示在t时间区间内公 交线路
Figure DEST_PATH_IMAGE059A
发车时间间隔实测数据的平均值；
Figure DEST_PATH_IMAGE065
为t时间区间内公交线路
Figure DEST_PATH_IMAGE059AA
发车时间间隔的标准偏差系数，等于在t时间区间内公交线路
Figure DEST_PATH_IMAGE059AAA
发车时间间隔 实测数据的标准差除以发车时间间隔实测数据的平均值。
对地铁网络执行同样的操作，得到与地铁线路换乘边集合
Figure DEST_PATH_IMAGE067
所对应的各时段 的平均换乘时间数据集合
Figure DEST_PATH_IMAGE069
；
Figure DEST_PATH_IMAGE069A
包含每个时间区间的站点换乘时间的平均值
Figure DEST_PATH_IMAGE071
；针对t时间区间内任意一条边的平均换乘时间数据
Figure DEST_PATH_IMAGE073
，
Figure DEST_PATH_IMAGE075
表示换乘前的站点，
Figure DEST_PATH_IMAGE077
表示换乘后的站点，计算公式如下：
Figure DEST_PATH_IMAGE079
（2）
式（2）中，
Figure DEST_PATH_IMAGE081
表示
Figure DEST_PATH_IMAGE083
所属的地铁线路；
Figure DEST_PATH_IMAGE085
表示在t时间区间内 地铁线路
Figure DEST_PATH_IMAGE081A
发车时间间隔实测数据的平均值；
Figure DEST_PATH_IMAGE087
为t时间区间内地铁线路
Figure DEST_PATH_IMAGE081AA
发车时间间隔的标准偏差系数，等于在t时间区间内地铁线路
Figure DEST_PATH_IMAGE081AAA
发车时间间 隔实测数据的标准差除以发车时间间隔实测数据的平均值。
作为优选方案，所述步骤5中不同交通方式间换乘边的换乘时间计算方式表示为：
针对地铁站点与公交站点的换乘边集合
Figure DEST_PATH_IMAGE089
，构建对应的平均换乘时间权重 集合
Figure DEST_PATH_IMAGE091
；
Figure DEST_PATH_IMAGE091A
用于表征地铁-公交复合网络中公交站点换乘步行半径范围内地 铁站点或者地铁站点换乘步行半径范围内公交站点的换乘时间权重；
Figure DEST_PATH_IMAGE093
包含每个时 间区间的站点换乘时间的平均值
Figure DEST_PATH_IMAGE095
, t为划分时间区间的标号；针对t时间区间内任 意一条边的平均换乘时间数据
Figure DEST_PATH_IMAGE097
，
Figure DEST_PATH_IMAGE099
表示换乘前的公交站 点，
Figure DEST_PATH_IMAGE101
表示换乘后地铁站点，计算公式如下：
Figure DEST_PATH_IMAGE103
（3）
式（3）中，
Figure DEST_PATH_IMAGE105
表示在t时间区间内地铁线路
Figure DEST_PATH_IMAGE107
发车时间间隔实测数 据的平均值；
Figure DEST_PATH_IMAGE109
为t时间区间内地铁线路
Figure DEST_PATH_IMAGE107A
发车时间间隔的标准偏差系数；
Figure DEST_PATH_IMAGE111
为通过智能地图API计算得到的站点间的实际步行距离；
Figure DEST_PATH_IMAGE113
为乘客 的平均步行速度。
同理，对于地铁站点换乘公交站点的时间的平均值,
Figure DEST_PATH_IMAGE115
通过下式进行求解：
Figure DEST_PATH_IMAGE117
（4）
式（4）中，
Figure DEST_PATH_IMAGE119
表示在t时间区间内公交线路
Figure DEST_PATH_IMAGE121
发车时间间隔实测数据 的平均值；
Figure DEST_PATH_IMAGE123
为t时间区间内公交线路
Figure DEST_PATH_IMAGE121A
发车时间间隔的标准偏差系数；
Figure DEST_PATH_IMAGE125
为通过智能地图API计算得到的站点间的实际步行距离。
作为优选方案，所述步骤6地铁-公交复合加权有向网络表示为：
Figure DEST_PATH_IMAGE127
,其中
Figure DEST_PATH_IMAGE129
，表征所有的公交和地铁站点集 合；
Figure DEST_PATH_IMAGE131
，表征所有的公交及地铁的站段边集 合以及换乘边集合；
Figure DEST_PATH_IMAGE133
，表征边集E中每 条边的时间权重；
Figure DEST_PATH_IMAGE135
表示所有公交站集合，
Figure DEST_PATH_IMAGE137
表示所有地铁站集合，
Figure DEST_PATH_IMAGE139
表示所有公 交线路的站段边集合，
Figure DEST_PATH_IMAGE141
表示公交线路的换乘边集合，
Figure DEST_PATH_IMAGE143
表示所有地铁线路的站段 边集合，
Figure DEST_PATH_IMAGE145
表示所有地铁线路的换乘边集合，
Figure DEST_PATH_IMAGE147
表示地铁站点与公交站点的换 乘边集合，
Figure DEST_PATH_IMAGE149
表示公交网络中各站段之间的时间权重，
Figure DEST_PATH_IMAGE151
表示地铁网络中各站段之 间的时间权重，
Figure DEST_PATH_IMAGE153
表示公交网络中具有相同站名的不同线路之间的换乘时间权重，
Figure DEST_PATH_IMAGE155
表示地铁网络中具有相同站名的不同线路之间的换乘时间权重，
Figure DEST_PATH_IMAGE157
用于表 征地铁-公交复合网络中公交站点换乘步行半径范围内地铁站点或者地铁站点换乘步行半 径范围内公交站点的换乘时间权重。
所述步骤7出行路径规划模型可以表示为：
Figure DEST_PATH_IMAGE159
（5）
s.t.
Figure DEST_PATH_IMAGE161
（6）
Figure DEST_PATH_IMAGE163
（7）
Figure DEST_PATH_IMAGE165
（8）
Figure DEST_PATH_IMAGE167
（9）
在式（5）中，优化目标为出行效用最低，出行效用由四部分构成，包括：乘客的总出 行时间、乘客的换乘成本、乘客的步行时间成本、以及乘客的出行费用成本。
Figure DEST_PATH_IMAGE169
、
Figure DEST_PATH_IMAGE171
、
Figure DEST_PATH_IMAGE173
分别 对应换乘成本权重、步行时间权重、出行费用权重；
Figure DEST_PATH_IMAGE175
表示最优出行路径中是否包含边(i,j)，若包含边(i,j)，则
Figure DEST_PATH_IMAGE175A
的值为1，否则
Figure DEST_PATH_IMAGE175AA
的值为0；
Figure DEST_PATH_IMAGE177
表示边(i,j)在t时间区间内时间 权重；
Figure DEST_PATH_IMAGE179
表示公交与地铁换乘过程中的步行距离；
Figure DEST_PATH_IMAGE181
为步行速度；
Figure DEST_PATH_IMAGE183
为地铁的 票价计算函数；
Figure DEST_PATH_IMAGE185
为公交的票价计算函数；式（6）表示出行路径的首站必须是乘客的 出发站点（
Figure DEST_PATH_IMAGE187
）；式（7）表示出行路径的末站必须是乘客的出目的地站点（
Figure DEST_PATH_IMAGE189
）；式 （8）表示，若出行路径包含站点j，则其入度和出度均为1，否则，均为0；式（9）表示
Figure DEST_PATH_IMAGE175AAA
的取值 范围为0或者1。
作为优选方案，所述步骤8采用改进的Dijkstra 算法对出行路径规划模型进行求解，包括如下步骤：
步骤8.1：算法初始，将乘客的出发站点
Figure DEST_PATH_IMAGE187A
放进集合S中。
步骤8.2：对于
Figure DEST_PATH_IMAGE191
，计算出发站点到所有站点的出行效用
Figure DEST_PATH_IMAGE193
，
Figure DEST_PATH_IMAGE195
的计算与出行路径规划模型中的出行效用计算方式相同；若出发站点无法直接到 达站点
Figure DEST_PATH_IMAGE197
，
Figure DEST_PATH_IMAGE199
。
步骤8.3：选择
Figure DEST_PATH_IMAGE201
，并将这个
Figure DEST_PATH_IMAGE203
放入集合S中，更新
Figure DEST_PATH_IMAGE205
到
Figure DEST_PATH_IMAGE207
中的站点的
Figure DEST_PATH_IMAGE195A
值。
步骤8.4：重复步骤3，直到
Figure DEST_PATH_IMAGE209
。
步骤8.5：输出乘客的出发站点（
Figure DEST_PATH_IMAGE187AA
）和目的地站点（
Figure DEST_PATH_IMAGE189A
）的最优出行路径。
有益效果：本发明提供的一种多模式公交出行路径规划方法，本发明针对当前路径规划方法对出行时间时变特性以及出行者个性化需求考虑的不足，通过对公共交通历史数据的深入挖掘，基于超级网络理论构建了地铁-公交复合加权有向网络，并在此基础上建立了多模式公交出行路径的规模模型和求解算法。
本发明可以基于出行者当前的出行时间和个性化需求给出最优公交出行路径，从而快速的规划出行者的多模式公交出行路径，提高乘客的整体公交出行体验并使得整体网络出行分布更加均衡。
这种基于历史数据的路径规划方法的相比于当前基于实时数据的地图软件服务所需要的数据资源更少，无需车辆的实时定位数据以及路况数据，可作为一种离线的出行导航方式对实际出行导航进行补充，也可用于与公交出行路径规划相关软件与仿真***当中，同时也可以用于验证新线路开设、原有线路调整以及公交时刻表调整等对乘客出行选择以及整体多模式公交出行客流分布的影响。
附图说明
图1是本发明方法流程图。
图2是本发明实施例中的公交及地铁无权有向网络示意图。
图3是本发明中的地铁站点一定范围内的公交站点识别方法图。
图4是本发明实施例中的地铁-公交复合无权有向网络示意图。
图5是本发明实施例中模型输入输出示意图。
具体实施方式
下面结合具体实施例对本发明作更进一步的说明。
一种多模式公交出行路径的规划方法，包括以下步骤：
步骤1：获取公交和地铁站点及线路数据，考虑公交、地铁线路上下行线路的差异性，分别构建公交及地铁的无权有向网络。
步骤2：运用空间连接方法以及智能地图API搜索地铁站点一定范围内的公交站点，基于实际路网条件下的步行距离，筛选地铁站点一定范围内的公交站点，建立地铁-公交复合无权有向网络。
步骤3：基于公交、地铁历史进出站数据，考虑各线路在各时段运行速度的时变特性，提取公交、地铁站段间的不同时间区间的平均行驶时间，作为地铁-公交复合无权有向网络中站段边的行驶时间权重。
步骤4：基于公交、地铁各时段的历史发车间隔数据，考虑各线路在各时段发车间隔的时变特性，计算各线路之间的平均换乘时间，作为地铁-公交复合无权有向网络相同交通方式换乘边的换乘时间权重。
步骤5：基于公交、地铁各时段的历史发车间隔数据以及公交与地铁站点之间的步行距离，计算公交、地铁站点之间的平均换乘时间，作为地铁-公交复合无权有向网络中不同交通方式间换乘边的换乘时间的权重。
步骤6：为地铁-公交复合无权有向网络中各连边赋值，建立地铁-公交复合加权有向网络。
步骤7：基于所构建的地铁-公交复合加权有向网络，以乘客的出行时间、出发站点、目的地站点作为输入，综合考虑乘客在出行时间、换乘次数、步行时间以及出行费用方面的偏好，建立出行路径规划模型。
步骤8：采用改进的Dijkstra算法求解出行路径规划模型，输出多模式公交出行路径。
所述的步骤1中建立的公交以及地铁的无权有向网络可表示为
Figure DEST_PATH_IMAGE002A
以及
Figure DEST_PATH_IMAGE004A
。
Figure DEST_PATH_IMAGE210
表示公交无权有向网络；
Figure DEST_PATH_IMAGE211
表示所有公交站集合，其中对于同一线路上下 行具有相同名称的站点视为同一站点，对于不同线路具有相同名称的站点视为不同站点；
Figure DEST_PATH_IMAGE212
表示所有公交线路的站段边集合，站段边集合考虑了各线路上下行站段之间的差异 性，用于表征各条线路相邻站点的联系；
Figure DEST_PATH_IMAGE213
表示公交线路的换乘边集合，表征不同线路 具有相同名称站点的换乘关系。
同理，
Figure DEST_PATH_IMAGE014A
表示地铁无权有向网络，
Figure DEST_PATH_IMAGE016A
表示所有地铁站集合，
Figure DEST_PATH_IMAGE018A
表示所有 地铁线路的站段边集合；
Figure DEST_PATH_IMAGE020A
表示所有地铁线路的换乘边集合。
所述步骤2搜索地铁站点一定范围内的公交站点，具体方法为：
步骤2.1：将包含经纬度信息以及所属线路信息的地铁站点和公交站点数据集导入到python中，文件格式为GeoDataFrame。
步骤2.2：对两个数据集的坐标系进行转换，由原先由经纬度坐标表示的WGS84坐标系转化为墨卡托坐标系。
步骤2.3：以地铁站点为圆心建立半径为r（r取值500米）的缓冲区，采用空间连接 的方法识别地铁站点缓冲区范围内的公交站点，建立地铁站点
Figure DEST_PATH_IMAGE025A
与缓冲区范围内公 交站点集合
Figure DEST_PATH_IMAGE024AAA
的空间映射关系。
步骤2.4：对两个数据集的坐标系进行转换，由墨卡托坐标系示转化为bd09ll坐标系（智能地图经纬度坐标系）。
步骤2.5：调用智能地图API计算
Figure DEST_PATH_IMAGE025AA
与
Figure DEST_PATH_IMAGE024AAAA
中每一个公交站点的实际步 行距离，若智能地图API计算的站点间步行距离（考虑实际路网结构）大于半径r，则将相应 的公交站点剔除集合
Figure DEST_PATH_IMAGE024_5A
。最后仅保留实际站点间步行距离小于r的空间映射关系。从 实际站点间步行距离小于r的空间映射关系中获得地铁站点与公交站点的换乘边集合。
所述步骤2的地铁-公交复合无权有向网络可表示为
Figure DEST_PATH_IMAGE027A
，其中，
Figure DEST_PATH_IMAGE029A
表示地铁- 公交复合无权有向网络，
Figure DEST_PATH_IMAGE031A
表示地铁站点与公交站点的换乘边集合。
所述步骤3中公交及地铁站段间的不同时间区间的平均行驶时间提取方法可以表示为：
对于公交网络，获取各线路历史进出站数据，该数据包含公交车辆在线路上到达 每一站点的时间。按线路（分上下行）提取公交车辆在线路上到达每一站点的到站时间，计 算各站点间的行程时间；建立与公交线路的站段边集合
Figure DEST_PATH_IMAGE033A
一一对应的平均行程时间数 据集合
Figure DEST_PATH_IMAGE035AA
；
Figure DEST_PATH_IMAGE035AAA
用于表征公交网络中各站段之间的时间权重，包含每个时间区间的站点 行程时间的平均值
Figure DEST_PATH_IMAGE037A
, t为划分时间区间的标号；针对t时间区间内任意一条边的平均 行程时间数据
Figure DEST_PATH_IMAGE215
，
Figure DEST_PATH_IMAGE217
，
Figure DEST_PATH_IMAGE219
表示该站段的起始站点和终点 站点，其值可根据据t时间区间内站段
Figure DEST_PATH_IMAGE221
行程时间所有实测数据求取平均 值获得。
同理，对地铁网络执行同样的操作，得到与地铁线路站段边集合
Figure DEST_PATH_IMAGE223
所对应的各 时段的平均行程时间数据集合
Figure DEST_PATH_IMAGE225
。
Figure DEST_PATH_IMAGE225A
用于表征地铁网络中各站段之间的时间权 重，包含每个时间区间的站点行程时间的平均值
Figure DEST_PATH_IMAGE227
。针对t时间区间内任意一条边的平 均行程时间数据
Figure DEST_PATH_IMAGE229
，
Figure DEST_PATH_IMAGE231
，
Figure DEST_PATH_IMAGE233
表示该站段的起始站点和 终点站点，其值可根据据t时间区间内站段
Figure DEST_PATH_IMAGE235
行程时间所有实测数据求 取平均值获得。
所述步骤4计算相同交通方式换乘边的换乘时间的计算方式可以表示为：
对于公交网络，获取各线路的历史发车时间数据，针对公交网络中的换乘边集合
Figure DEST_PATH_IMAGE237
，构建对应的平均换乘时间权重集合
Figure DEST_PATH_IMAGE239
；
Figure DEST_PATH_IMAGE239A
用于表征公交网络中具有相同站名 的不同线路之间的换乘时间权重，该权重与换乘边中换乘后站点所属的线路的发车时间间 隔相关；
Figure DEST_PATH_IMAGE239AA
包含每个时间区间的站点换乘时间的平均值
Figure DEST_PATH_IMAGE241
，t为划分时间区间的标 号；针对t时间区间内任意一条边的平均换乘时间数据
Figure DEST_PATH_IMAGE243
，
Figure DEST_PATH_IMAGE245
表示换乘前的站点，
Figure DEST_PATH_IMAGE247
表示换乘后的站点，
Figure DEST_PATH_IMAGE245A
和
Figure DEST_PATH_IMAGE247A
具有相同的站名，但分 属不同线路。
Figure DEST_PATH_IMAGE243A
可根据据t时间区间内换乘后站点
Figure DEST_PATH_IMAGE247AA
所属公交 线路
Figure DEST_PATH_IMAGE249
的发车时间间隔实测数据计算得出，计算公式如下：
Figure DEST_PATH_IMAGE251
（1）
式（1）中，
Figure DEST_PATH_IMAGE063A
表示在t时间区间内公交线路
Figure DEST_PATH_IMAGE059AAAA
发车时间间隔实测数据 的平均值；
Figure DEST_PATH_IMAGE065A
为t时间区间内公交线路
Figure DEST_PATH_IMAGE059_5A
发车时间间隔的标准偏差系数，等 于在t时间区间内公交线路
Figure DEST_PATH_IMAGE059_6A
发车时间间隔实测数据的标准差除以发车时间间隔实 测数据的平均值。
同理，对地铁网络执行同样的操作，得到与地铁线路换乘边集合
Figure DEST_PATH_IMAGE067A
所对应的 各时段的平均换乘时间数据集合
Figure DEST_PATH_IMAGE069AA
。
Figure DEST_PATH_IMAGE069AAA
包含每个时间区间的站点换乘时间的平 均值
Figure DEST_PATH_IMAGE071A
。针对t时间区间内任意一条边的平均换乘时间数据
Figure DEST_PATH_IMAGE073A
，
Figure DEST_PATH_IMAGE075A
表示换乘前的站点，
Figure DEST_PATH_IMAGE077A
表示换乘后的站点，
Figure DEST_PATH_IMAGE075AA
和
Figure DEST_PATH_IMAGE077AA
具有相同的 站名，但分属不同线路。
Figure DEST_PATH_IMAGE253
可根据据t时间区间内换乘后站点
Figure DEST_PATH_IMAGE077AAA
所属地铁线路
Figure DEST_PATH_IMAGE255
的发车时间间隔实测数据计算得出，计算公式如下：
Figure DEST_PATH_IMAGE257
（2）
式（2）中，
Figure DEST_PATH_IMAGE085A
表示在t时间区间内地铁线路
Figure DEST_PATH_IMAGE081AAAA
发车时间间隔实测数 据的平均值；
Figure DEST_PATH_IMAGE087A
为t时间区间内地铁线路
Figure DEST_PATH_IMAGE081_5A
发车时间间隔的标准偏差系 数，等于在t时间区间内地铁线路
Figure DEST_PATH_IMAGE081_6A
发车时间间隔实测数据的标准差除以发车时间间 隔实测数据的平均值。
所述步骤5中不同交通方式间换乘边的换乘时间计算方式可以表示为：
针对地铁站点与公交站点的换乘边集合
Figure DEST_PATH_IMAGE089A
，构建对应的平均换乘时间权重 集合
Figure DEST_PATH_IMAGE091AA
。
Figure DEST_PATH_IMAGE091AAA
用于表征地铁-公交复合网络中公交站点换乘步行半径范围内地 铁站点（或者地铁站点换乘步行半径范围内公交站点）的换乘时间权重，该权重与两个站点 之间的步行距离以及换乘后站点所属的线路的发车时间间隔相关；
Figure DEST_PATH_IMAGE091AAAA
包含每个时间 区间的站点换乘时间的平均值
Figure DEST_PATH_IMAGE095A
, t为划分时间区间的标号；针对t时间区间内任意 一条边的平均换乘时间数据
Figure DEST_PATH_IMAGE097A
，
Figure DEST_PATH_IMAGE099A
表示换乘前的公交站 点，
Figure DEST_PATH_IMAGE101A
表示换乘后地铁站点。
Figure DEST_PATH_IMAGE097AA
可根据据站点之间的步行 距离以及t时间区间内换乘后站点
Figure DEST_PATH_IMAGE259
所属线路
Figure DEST_PATH_IMAGE261
的发车时间间隔实测数据计 算得出，计算公式如下：
Figure DEST_PATH_IMAGE263
（3）
式（3）中，
Figure DEST_PATH_IMAGE105A
表示在t时间区间内地铁线路
Figure DEST_PATH_IMAGE107AA
发车时间间隔实测数 据的平均值；
Figure DEST_PATH_IMAGE109A
为t时间区间内地铁线路
Figure DEST_PATH_IMAGE107AAA
发车时间间隔的标准偏差系数；
Figure DEST_PATH_IMAGE111A
为通过智能地图API计算得到的站点间的实际步行距离；
Figure DEST_PATH_IMAGE113A
为乘客 的平均步行速度。
同理，对于地铁站点换乘公交站点的情形,
Figure DEST_PATH_IMAGE115A
可以通过 下式进行求解：
Figure DEST_PATH_IMAGE264
（4）
式（4）中，
Figure DEST_PATH_IMAGE119A
表示在t时间区间内公交线路
Figure DEST_PATH_IMAGE121AA
发车时间间隔实测数据 的平均值；
Figure DEST_PATH_IMAGE123A
为t时间区间内公交线路
Figure DEST_PATH_IMAGE121AAA
发车时间间隔的标准偏差系数；
Figure DEST_PATH_IMAGE125A
为通过智能地图API计算得到的站点间的实际步行距离。
所述步骤6地铁-公交复合加权有向网络可以表示为：
Figure DEST_PATH_IMAGE127A
,其中
Figure DEST_PATH_IMAGE129A
，表征所有的公交和地铁站点集 合；
Figure DEST_PATH_IMAGE131A
，表征所有的公交及地铁的站段边集 合以及换乘边集合（包括相同交通方式换乘以及不同交通方式换乘）；
Figure DEST_PATH_IMAGE133A
，表征边集E中每条边的时间权重。
所述步骤7出行路径规划模型可以表示为：
Figure DEST_PATH_IMAGE265
（5）
s.t.
Figure DEST_PATH_IMAGE161A
（6）
Figure DEST_PATH_IMAGE163A
（7）
Figure DEST_PATH_IMAGE165A
（8）
Figure DEST_PATH_IMAGE167A
（9）
在式（5）中，优化目标为出行效用最低，出行效用由四部分构成，包括：乘客的总出 行时间、乘客的换乘成本、乘客的步行时间成本、以及乘客的出行费用成本。
Figure DEST_PATH_IMAGE169A
、
Figure DEST_PATH_IMAGE171A
、
Figure DEST_PATH_IMAGE173A
分别 对应换乘成本权重、步行时间权重、出行费用权重，其取值与乘客的出行选择偏好相关；
Figure DEST_PATH_IMAGE175AAAA
表示最优出行路径中是否包含边(i,j)，若包含边(i,j)，则
Figure DEST_PATH_IMAGE175_5A
的值为1，否则
Figure DEST_PATH_IMAGE175_6A
的值为0；
Figure DEST_PATH_IMAGE177A
表示边(i,j)在t时间区间内时间权重，t的取值与乘客出行规划的时间相关；
Figure DEST_PATH_IMAGE179A
表示 公交与地铁换乘过程中的步行距离；
Figure DEST_PATH_IMAGE179AA
为步行速度；
Figure DEST_PATH_IMAGE183A
为地铁的票价计算函数， 与乘客乘坐的站数相关；
Figure DEST_PATH_IMAGE185A
为公交的票价计算函数，与乘客公交乘坐线路次数相关； 式（6）表示出行路径的首站必须是乘客的出发站点（
Figure DEST_PATH_IMAGE187AAA
）；式（7）表示出行路径的末站必 须是乘客的出目的地站点（
Figure DEST_PATH_IMAGE189AA
）；式（8）表示，若出行路径包含站点j，则其入度和出度均 为1，否则，均为0；式（9）表示
Figure DEST_PATH_IMAGE175_7A
的取值范围为0或者1。
所述步骤8采用改进的Dijkstra 算法对出行路径规划模型进行求解，包括如下步骤：
步骤8.1：算法初始，将乘客的出发站点
Figure DEST_PATH_IMAGE187AAAA
放进集合S中。
步骤8.2：对于
Figure DEST_PATH_IMAGE191A
，计算出发站点到所有站点的出行效用
Figure DEST_PATH_IMAGE193A
，
Figure DEST_PATH_IMAGE195AA
的计算与出行路径规划模型中的出行效用计算方式相同；若出发站点无法直接到 达站点
Figure DEST_PATH_IMAGE197A
，
Figure DEST_PATH_IMAGE199A
。
步骤8.3：选择
Figure DEST_PATH_IMAGE201A
，并将这个
Figure DEST_PATH_IMAGE203A
放入集合S中，更新
Figure DEST_PATH_IMAGE205A
到
Figure DEST_PATH_IMAGE207A
中的站点的
Figure DEST_PATH_IMAGE195AAA
值。
步骤8.4：重复步骤3，直到
Figure DEST_PATH_IMAGE209A
。
步骤8.5：输出乘客的出发站点（
Figure DEST_PATH_IMAGE187_5A
）和目的地站点（
Figure DEST_PATH_IMAGE189AAA
）的最优出行路径。
实施例：
以下将结合南京的多模型公交具体实施例与说明书附图，对本发明方法做进一步详细说明。
1：获取公交和地铁站点及线路数据，考虑公交地铁线路上下行线路的差异性，分别构建公交及地铁的无权有向网络。
其中，公交/地铁站点及线路数据包括如下属性：站点编号、站点名称、线路名称（起终站点）、站点经度、站点纬度、线路名称、几何属性等七项，具体数据形式如表1、表2所示。
表1 公交站点及线路数据示例
Figure DEST_PATH_IMAGE267
表2 地铁站点及线路数据示例
Figure DEST_PATH_IMAGE269
基于上述数据，如图2所示，建立公交无权有向网络以及地铁无权有向网络
Figure DEST_PATH_IMAGE002AA
、
Figure DEST_PATH_IMAGE004AA
。其中，
Figure DEST_PATH_IMAGE008A
，
Figure DEST_PATH_IMAGE270
表示 公交及地铁站点集合；
Figure DEST_PATH_IMAGE212A
，
Figure DEST_PATH_IMAGE018AA
表示公交及地铁所有线路的站段边集合，表征各条线 路相邻站点的联系；
Figure DEST_PATH_IMAGE213A
，
Figure DEST_PATH_IMAGE271
表示公交及地铁所有线路的换乘边集合，表征不同线路 具有相同名称站点的换乘关系
2：运用空间连接方法以及智能地图API搜索地铁站点一定范围内的公交站点，基于实际路网条件下的步行距离，筛选地铁站点一定范围内的公交站点，建立地铁-公交复合无权有向网络。
如图3所示，建立地铁站点的周边半径为r（r取值500米）的缓冲区，运用空间连接方法识别缓冲区范围内公交站点，建立地铁站点与公交站点的映射关系。由于识别站点的实际步行距离可能超过r，因此通过调用智能地图API计算范围内公交站点到地铁站点的实际步行距离，此时的步行距离考虑了实际的道路网络结构，结果更加贴合实际。更新地铁站点与公交站点之间的实际步行距离，若步行距离小于r，则保留该映射关系，若步行距离大于r，则删除该映射关系。最终输出所有的地铁站点与公交站点的映射关系表。
基于上述周边站点识别方法，建立如图4所示的地铁-公交复合无权有向网络
Figure DEST_PATH_IMAGE027AA
，其中，
Figure DEST_PATH_IMAGE031AA
表示地铁 站点与公交站点的换乘边集合，可通过图3中输出的映射关系表获得。
3：基于公交、地铁历史进出站数据，考虑各线路在各时段运行速度的时变特性，提取公交、地铁站段间的不同时间区间的平均行驶时间，作为地铁-公交复合无权有向网络中站段边的行驶时间权重。
其中，历史进出站数据示例如表3所示，相邻站点进站时间差即为站点间的行程时 间。考虑到公交站段间的行驶时间与实际路网状况以及客流量紧密相关，因此将全天的运 行时间分为四个时间区间,分别为：（1）早高峰：6：00-8：30；（2）早平峰：8：30-14：30；（3）晚 高峰：16：30-18：30；（4）晚平峰：18：30-23：00。基于公交及地铁一个月的历史进出站数据求 取不同时间区间各站段间的平均行程时间，示例结果如表4所示。其中，公交各站段在不同 时间区间的平均行驶时间数据集合记为
Figure DEST_PATH_IMAGE035AAAA
，与边集合
Figure DEST_PATH_IMAGE033AA
一一对应；地铁各站段在不同 时间区间的平均行驶时间数据集合记为
Figure DEST_PATH_IMAGE041AA
，与边集合
Figure DEST_PATH_IMAGE039A
一一对应。
表3 历史进出站数据示例
Figure DEST_PATH_IMAGE273
表4 公交各站段不同时间区间的平均行驶时间示例（单位：min）
Figure DEST_PATH_IMAGE275
4：基于公交、地铁各时段的历史发车间隔数据，考虑各线路在各时段发车间隔的时变特性，计算各线路间的平均换乘时间，作为地铁-公交复合无权有向网络同交通方式之间换乘时间的权重。
其中，历史发车时间数据示例如表5所示，发车间隔为同一线路同一方向的发车时 间差。基于公交及地铁一个月的历史发车时间数据，通过公式（1）、式（2）求取不同时间区段 各换乘边的平均换乘时间，示例结果如表6所示。其中，公交换乘边在不同时间区间的平均 换乘时间数据集合记为
Figure DEST_PATH_IMAGE047AAA
，与边集合
Figure DEST_PATH_IMAGE045A
一一对应；地铁换乘边在不同时间区间的平 均换乘时间数据集合记为
Figure DEST_PATH_IMAGE069AAAA
，与边集合
Figure DEST_PATH_IMAGE067AA
一一对应。
表5 历史发车时间示例
Figure DEST_PATH_IMAGE277
表6 公交各换乘边不同时间区间的平均换乘时间示例（单位：min）
Figure DEST_PATH_IMAGE279
5：基于公交、地铁各时段的发车间隔数据以及公交与地铁之间的步行距离，计算公交、地铁站点之间的平均换乘时间，作为地铁-公交复合无权有向网络不同交通方式之间换乘时间的权重。
其中，各时段的发车间隔数据可由表5所示历史发车时间计算得到，公交地铁之间 的步行距离可由图3最终的输出结果得到。在此基础上，通过式(3)、式（4） 求取不同时间区 段公交与地铁换乘边的平均换乘时间，步行速度
Figure DEST_PATH_IMAGE113AA
取5公里/小时，得到的示例结果如表7 所示。公交与地铁换乘边在不同时间区间的平均换乘时间数据集合记为
Figure DEST_PATH_IMAGE093A
，与边集 合
Figure DEST_PATH_IMAGE089AA
一一对应。
表7 公交与地铁各换乘边不同时间区间的平均换乘时间示例（单位：min）
Figure DEST_PATH_IMAGE281
6：基于上述边权的计算，为地铁-公交复合无权有向网络中各连边赋值，建立地 铁-公交复合加权有向网络。地铁-公交复合加权有向网络可以表示为：
Figure DEST_PATH_IMAGE127AA
,其中
Figure DEST_PATH_IMAGE129AA
，表征所有的公交和站点集合；
Figure DEST_PATH_IMAGE131AA
表 征所有的公交及地铁的站段边集合以及换乘边集合（包括同交通方式换乘以及不同交通方 式换乘）；
Figure DEST_PATH_IMAGE133AA
，表征边集E中每条边的时间 权重。
7：基于所构建的地铁-公交复合加权有向网络以及乘客的出行输入，建立出行路径规划模型。
其中，乘客的出行输入包括乘客出行的起点站点、终点站点、当前的出行时间、以及出行的偏好（包括：时间最短、换乘最少、步行最少、费用最少）。基于乘客的出行输入，对模型的参数进行设置。首先，根据乘客当前的出行时间，判断所属的时间区间（早高峰、早平峰、晚高峰、晚平峰），基于时间区间设置各边的权重值。其次，基于乘客的出行偏好，设置模型目标函数的权重值，权重值与出行偏好的关系如表8所示。最后，根据公式（5）-（9），构建出行路径规划模型。
表8 模型权重与出行偏好对应关系
Figure DEST_PATH_IMAGE283
8：采用改进的Dijkstra 算法求解路径规划模型，输出多模式出行路径。其中，改进的Dijkstra 算法的伪代码如下。
Figure DEST_PATH_IMAGE285
如图5所示，以乘客出发站站点为水关桥公交站，目的地站点为北外滩水城总站公交站，出行时间为11:45，出行偏好为时间最短为例，运用所提出模型及求解算法，最终输出的最优出行路径为：307路水关桥→307路金陵村→307路金陵小区→307路燕江路南→307路上元门→三号线上元门→三号线柳洲东路→635路北外滩水城五街区西→635路北外滩水城五街区北→635路北外滩水城九街区北→635路北外滩水城十二街区西→635路北外滩水城十六街区西→635路北外滩水城二十街区西→635路北外滩水城总站，出行总时长为34.87分钟，换乘次数为2次，步行距离为245米，出行费用为6元。
本发明公开了一种多模式公交出行路径的规划方法，首先基于公交和地铁站点及线路数据分别构建公交及地铁的无权有向网络；其次，运用空间连接方法以及智能地图API搜索地铁站点一定范围内的公交站点，建立地铁-公交复合无权有向网络；然后基于公交地铁历史进出站数据以及发车间隔数据，计算各站段边以及各换乘边的平均行驶时间和平均换乘时间作为网络权重，构建建立地铁-公交复合加权有向网络。最后，以乘客的出行时间、出行OD(出发站点和目的地站点)以及出行偏好作为输入，建立出行路径规划模型，并运用改进的Dijkstra 算法求解乘客的最优出行路径。本发明可以基于乘客的偏好特性，快速的规划出行者的多模式出行路径，缩短出行时间，提高乘客的整体公交出行体验。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种多模式公交出行路径规划方法，其特征在于：包括以下步骤：
步骤1：获取公交和地铁站点及线路数据，考虑公交、地铁线路上下行线路的差异性，分别构建公交及地铁的无权有向网络；
步骤2：运用空间连接方法以及智能地图API搜索地铁站点一定范围内的公交站点，基于实际路网条件下的步行距离，筛选地铁站点一定范围内的公交站点，建立地铁-公交复合无权有向网络；
步骤3：基于公交、地铁历史进出站数据，考虑各线路在各时段运行速度的时变特性，提取公交、地铁站段间的不同时间区间的平均行驶时间，作为地铁-公交复合无权有向网络中站段边的行驶时间权重；
步骤4：基于公交、地铁各时段的历史发车间隔数据，考虑各线路在各时段发车间隔的时变特性，计算各线路之间的平均换乘时间，作为地铁-公交复合无权有向网络相同交通方式换乘边的换乘时间权重；
步骤5：基于公交、地铁各时段的历史发车间隔数据以及公交与地铁站点之间的步行距离，计算公交、地铁站点之间的平均换乘时间，作为地铁-公交复合无权有向网络中不同交通方式间换乘边的换乘时间的权重；
步骤6：为地铁-公交复合无权有向网络中各连边赋值，建立地铁-公交复合加权有向网络；
步骤7：基于所构建的地铁-公交复合加权有向网络，以乘客的出行时间、出发站点、目的地站点作为输入，综合考虑乘客在出行时间、换乘次数、步行时间以及出行费用方面的偏好，建立出行路径规划模型；
步骤8：采用改进的Dijkstra算法求解出行路径规划模型，输出多模式公交出行路径。
2.根据权利要求1所述的一种多模式公交出行路径规划方法，其特征在于：所述的步骤 1中建立的公交以及地铁的无权有向网络可表示为
Figure 934933DEST_PATH_IMAGE001
以及
Figure 320915DEST_PATH_IMAGE002
；
Figure 569494DEST_PATH_IMAGE003
表示公交无权有向网络；
Figure 167965DEST_PATH_IMAGE004
表示所有公交站集合，其中对于同一线路上下行具 有相同名称的站点视为同一站点，对于不同线路具有相同名称的站点视为不同站点；
Figure 451179DEST_PATH_IMAGE005
表示所有公交线路的站段边集合；
Figure 539221DEST_PATH_IMAGE006
表示公交线路的换乘边集合；
Figure 215708DEST_PATH_IMAGE007
表示地铁无权有向网络，
Figure 617871DEST_PATH_IMAGE008
表示所有地铁站集合，
Figure 755591DEST_PATH_IMAGE009
表示所有地铁线路 的站段边集合；
Figure 14534DEST_PATH_IMAGE010
表示所有地铁线路的换乘边集合。
3.根据权利要求2所述的一种多模式公交出行路径规划方法，其特征在于：所述步骤2搜索地铁站点一定范围内的公交站点，具体方法为：
步骤2.1：将包含经纬度信息以及所属线路信息的地铁站点和公交站点数据集导入到python中，文件格式为GeoDataFrame；
步骤2.2：对两个数据集的坐标系进行转换，由原先由经纬度坐标表示的WGS84坐标系转化为墨卡托坐标系；
步骤2.3：以地铁站点为圆心建立半径为r的缓冲区，采用空间连接的方法识别地铁站 点缓冲区范围内的公交站点，建立地铁站点
Figure 237705DEST_PATH_IMAGE011
与缓冲区范围内公交站点集合
Figure 177979DEST_PATH_IMAGE012
的空间映射关系；
步骤2.4：对两个数据集的坐标系进行转换，由墨卡托坐标系示转化为智能地图坐标系；
步骤2.5：调用智能地图API计算
Figure 170206DEST_PATH_IMAGE011
与
Figure 865630DEST_PATH_IMAGE012
中每一个公交站点的实际步行距 离，若智能地图API计算的站点间步行距离大于半径r，则将相应的公交站点剔除集合
Figure 576097DEST_PATH_IMAGE012
；最后仅保留实际站点间步行距离小于r的空间映射关系；从实际站点间步行距离 小于r的空间映射关系中获得地铁站点与公交站点的换乘边集合。
4.根据权利要求3所述的一种多模式公交出行路径规划方法，其特征在于：所述步骤2 的地铁-公交复合无权有向网络可表示为
Figure 320062DEST_PATH_IMAGE013
， 其中，
Figure 166795DEST_PATH_IMAGE014
表示地铁-公交复合无权有向网络，
Figure 970803DEST_PATH_IMAGE015
表示地铁站点与公交站点的换乘 边集合。
5.根据权利要求1所述的一种多模式公交出行路径规划方法，其特征在于：所述步骤3中公交及地铁站段间的不同时间区间的平均行驶时间提取方法表示为：
对于公交网络，获取各线路历史进出站数据，该数据包含公交车辆在线路上到达每一 站点的时间；按线路提取公交车辆在线路上到达每一站点的到站时间，计算各站点间的行 程时间；建立与公交线路的站段边集合
Figure 168566DEST_PATH_IMAGE016
一一对应的平均行程时间数据集合
Figure 512960DEST_PATH_IMAGE017
；
Figure 479779DEST_PATH_IMAGE017
用于表征公交网络中各站段之间的时间权重，包含每个时间区间的站点行程时间的平均值
Figure 454688DEST_PATH_IMAGE018
, t为划分时间区间的标号；
对地铁网络执行同样的操作，得到与地铁线路站段边集合
Figure 874168DEST_PATH_IMAGE019
所对应的各时段的平 均行程时间数据集合
Figure 22253DEST_PATH_IMAGE020
；
Figure 843578DEST_PATH_IMAGE020
用于表征地铁网络中各站段之间的时间权重，包含每 个时间区间的站点行程时间的平均值
Figure 254968DEST_PATH_IMAGE021
。
6.根据权利要求1所述的一种多模式公交出行路径规划方法，其特征在于：所述步骤4计算相同交通方式换乘边的换乘时间的计算方式表示为：
对于公交网络，获取各线路的历史发车时间数据，针对公交网络中的换乘边集合
Figure 158814DEST_PATH_IMAGE022
，构建对应的平均换乘时间权重集合
Figure 782694DEST_PATH_IMAGE023
；
Figure 520842DEST_PATH_IMAGE023
用于表征公交网络中具有相同站名的不同线 路之间的换乘时间权重；
Figure 103134DEST_PATH_IMAGE023
包含每个时间区间的站点换乘时间的平均值
Figure 497206DEST_PATH_IMAGE024
，t为划分时 间区间的标号；针对t时间区间内任意一条边的平均换乘时间数据
Figure 924776DEST_PATH_IMAGE025
，
Figure 455115DEST_PATH_IMAGE026
表示换乘前的站点，
Figure 5045DEST_PATH_IMAGE027
表示换乘后的站点，计算公式如下：
Figure 886413DEST_PATH_IMAGE028
（1）
式（1）中，
Figure 383253DEST_PATH_IMAGE029
表示
Figure 768098DEST_PATH_IMAGE030
所属的公交线路；
Figure 426613DEST_PATH_IMAGE031
表示在t时间区间内公交线 路
Figure 592015DEST_PATH_IMAGE029
发车时间间隔实测数据的平均值；
Figure 626967DEST_PATH_IMAGE032
为t时间区间内公交线路
Figure 397477DEST_PATH_IMAGE029
发车时间间隔的标准偏差系数，等于在t时间区间内公交线路
Figure 961313DEST_PATH_IMAGE029
发车时间间隔实测数 据的标准差除以发车时间间隔实测数据的平均值；
对地铁网络执行同样的操作，得到与地铁线路换乘边集合
Figure 817274DEST_PATH_IMAGE033
所对应的各时段的平 均换乘时间数据集合
Figure 452655DEST_PATH_IMAGE034
；
Figure 812092DEST_PATH_IMAGE034
包含每个时间区间的站点换乘时间的平均值
Figure 77988DEST_PATH_IMAGE035
； 针对t时间区间内任意一条边的平均换乘时间数据
Figure 881297DEST_PATH_IMAGE036
，
Figure 523631DEST_PATH_IMAGE037
表示换乘前的站点，
Figure 799892DEST_PATH_IMAGE038
表示换乘后的站点，计算公式如下：
Figure 236689DEST_PATH_IMAGE039
（2）
式（2）中，
Figure 801663DEST_PATH_IMAGE040
表示
Figure 716529DEST_PATH_IMAGE041
所属的地铁线路；
Figure 50559DEST_PATH_IMAGE042
表示在t时间区间内地铁 线路
Figure 454995DEST_PATH_IMAGE040
发车时间间隔实测数据的平均值；
Figure 507265DEST_PATH_IMAGE043
为t时间区间内地铁线路
Figure 225822DEST_PATH_IMAGE040
发车时间间隔的标准偏差系数，等于在t时间区间内地铁线路
Figure 414358DEST_PATH_IMAGE040
发车时间间 隔实测数据的标准差除以发车时间间隔实测数据的平均值。
7.根据权利要求1所述的一种多模式公交出行路径规划方法，其特征在于：所述步骤5中不同交通方式间换乘边的换乘时间计算方式表示为：
针对地铁站点与公交站点的换乘边集合
Figure 192958DEST_PATH_IMAGE044
，构建对应的平均换乘时间权重集合
Figure 529261DEST_PATH_IMAGE045
；
Figure 51510DEST_PATH_IMAGE045
用于表征地铁-公交复合网络中公交站点换乘步行半径范围内地铁站 点或者地铁站点换乘步行半径范围内公交站点的换乘时间权重；
Figure 360131DEST_PATH_IMAGE046
包含每个时间区 间的站点换乘时间的平均值
Figure 44053DEST_PATH_IMAGE047
, t为划分时间区间的标号；针对t时间区间内任意一 条边的平均换乘时间数据
Figure 805336DEST_PATH_IMAGE048
，
Figure 131275DEST_PATH_IMAGE049
表示换乘前的公交站点，
Figure 91141DEST_PATH_IMAGE050
表示换乘后地铁站点，计算公式如下：
Figure 349559DEST_PATH_IMAGE051
（3）
式（3）中，
Figure 863717DEST_PATH_IMAGE052
表示在t时间区间内地铁线路
Figure 524506DEST_PATH_IMAGE053
发车时间间隔实测数据的平 均值；
Figure 10982DEST_PATH_IMAGE054
为t时间区间内地铁线路
Figure 567865DEST_PATH_IMAGE053
发车时间间隔的标准偏差系数；
Figure 303740DEST_PATH_IMAGE055
为通过智能地图API计算得到的站点间的实际步行距离；
Figure 971482DEST_PATH_IMAGE056
为乘客 的平均步行速度；
同理，对于地铁站点换乘公交站点的时间的平均值,
Figure 843623DEST_PATH_IMAGE057
通过下 式进行求解：
Figure 571407DEST_PATH_IMAGE058
（4）
式（4）中，
Figure 528999DEST_PATH_IMAGE059
表示在t时间区间内公交线路
Figure 734853DEST_PATH_IMAGE060
发车时间间隔实测数据的平 均值；
Figure 523817DEST_PATH_IMAGE061
为t时间区间内公交线路
Figure 422503DEST_PATH_IMAGE060
发车时间间隔的标准偏差系数；
Figure 867391DEST_PATH_IMAGE062
为通过智能地图API计算得到的站点间的实际步行距离。
8.根据权利要求1所述的一种多模式公交出行路径规划方法，其特征在于：所述步骤6地铁-公交复合加权有向网络表示为：
Figure 611356DEST_PATH_IMAGE063
,其中
Figure 726598DEST_PATH_IMAGE064
，表征所有的公交和地铁站点集合；
Figure 530606DEST_PATH_IMAGE065
，表征所有的公交及地铁的站段边集合以 及换乘边集合；
Figure 525107DEST_PATH_IMAGE066
，表征边集E中每条边 的时间权重；
Figure 72763DEST_PATH_IMAGE067
表示所有公交站集合，
Figure 774002DEST_PATH_IMAGE068
表示所有地铁站集合，
Figure 748912DEST_PATH_IMAGE069
表示所有公交线 路的站段边集合，
Figure 230709DEST_PATH_IMAGE070
表示公交线路的换乘边集合，
Figure 582056DEST_PATH_IMAGE071
表示所有地铁线路的站段边集 合，
Figure 403381DEST_PATH_IMAGE072
表示所有地铁线路的换乘边集合，
Figure 549192DEST_PATH_IMAGE073
表示地铁站点与公交站点的换乘边 集合，
Figure 455968DEST_PATH_IMAGE074
表示公交网络中各站段之间的时间权重，
Figure 814268DEST_PATH_IMAGE075
表示地铁网络中各站段之间的 时间权重，
Figure 755679DEST_PATH_IMAGE076
表示公交网络中具有相同站名的不同线路之间的换乘时间权重，
Figure 869129DEST_PATH_IMAGE077
表示地铁网络中具有相同站名的不同线路之间的换乘时间权重，
Figure 263201DEST_PATH_IMAGE078
用于表征地铁- 公交复合网络中公交站点换乘步行半径范围内地铁站点或者地铁站点换乘步行半径范围 内公交站点的换乘时间权重。
9.根据权利要求8所述的一种多模式公交出行路径规划方法，其特征在于：所述步骤7出行路径规划模型可以表示为：
Figure 956350DEST_PATH_IMAGE079
（5）
s.t.
Figure 486689DEST_PATH_IMAGE080
（6）
Figure 239881DEST_PATH_IMAGE081
（7）
Figure 917987DEST_PATH_IMAGE082
（8）
Figure 146319DEST_PATH_IMAGE083
（9）
在式（5）中，优化目标为出行效用最低，出行效用由四部分构成，包括：乘客的总出行时间、乘客的换乘成本、乘客的步行时间成本、以及乘客的出行费用成本；
Figure 796743DEST_PATH_IMAGE084
、
Figure 720837DEST_PATH_IMAGE085
、
Figure 823922DEST_PATH_IMAGE086
分别对应换乘成本权重、步行时间权重、出行费用权重；
Figure 858874DEST_PATH_IMAGE087
表示最优出行路 径中是否包含边(i,j)，若包含边(i,j)，则
Figure 160542DEST_PATH_IMAGE087
的值为1，否则
Figure 255537DEST_PATH_IMAGE087
的值为0；
Figure 252443DEST_PATH_IMAGE088
表示边(i,j) 在t时间区间内时间权重；
Figure 622245DEST_PATH_IMAGE089
表示公交与地铁换乘过程中的步行距离；
Figure 450523DEST_PATH_IMAGE090
为步行速 度；
Figure 513157DEST_PATH_IMAGE091
为地铁的票价计算函数；
Figure 590835DEST_PATH_IMAGE092
为公交的票价计算函数；式（6）表示出行路径 的首站必须是乘客的出发站点（
Figure 233169DEST_PATH_IMAGE093
）；式（7）表示出行路径的末站必须是乘客的出目的 地站点（
Figure 712691DEST_PATH_IMAGE094
）；式（8）表示，若出行路径包含站点j，则其入度和出度均为1，否则，均为0； 式（9）表示
Figure 883910DEST_PATH_IMAGE087
的取值范围为0或者1。
10.根据权利要求9所述的一种多模式公交出行路径规划方法，其特征在于：所述步骤8采用改进的Dijkstra 算法对出行路径规划模型进行求解，包括如下步骤：
步骤8.1：算法初始，将乘客的出发站点
Figure 463532DEST_PATH_IMAGE093
放进集合S中；
步骤8.2：对于
Figure 378398DEST_PATH_IMAGE095
，计算出发站点到所有站点的出行效用
Figure 774744DEST_PATH_IMAGE096
，
Figure 382443DEST_PATH_IMAGE097
的计算与出行路径规划模型中的出行效用计算方式相同；若出发站点无法直接到 达站点
Figure 169134DEST_PATH_IMAGE098
，
Figure 887691DEST_PATH_IMAGE099
；
步骤8.3：选择
Figure 341806DEST_PATH_IMAGE100
，并将这个
Figure 917144DEST_PATH_IMAGE101
放入集合S中，更新
Figure 456710DEST_PATH_IMAGE102
到
Figure 713379DEST_PATH_IMAGE103
中的站点的
Figure 22000DEST_PATH_IMAGE097
值；
步骤8.4：重复步骤3，直到
Figure 971502DEST_PATH_IMAGE104
；
步骤8.5：输出乘客的出发站点（
Figure 529522DEST_PATH_IMAGE093
）和目的地站点（
Figure 855461DEST_PATH_IMAGE094
）的最优出行路径。
CN202211454933.9A 2022-11-21 2022-11-21 一种多模式公交出行路径规划方法 Active CN115497326B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211454933.9A CN115497326B (zh) 2022-11-21 2022-11-21 一种多模式公交出行路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211454933.9A CN115497326B (zh) 2022-11-21 2022-11-21 一种多模式公交出行路径规划方法

Publications (2)

Publication Number Publication Date
CN115497326A true CN115497326A (zh) 2022-12-20
CN115497326B CN115497326B (zh) 2023-03-24

Family

ID=85114814

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211454933.9A Active CN115497326B (zh) 2022-11-21 2022-11-21 一种多模式公交出行路径规划方法

Country Status (1)

Country Link
CN (1) CN115497326B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116911510A (zh) * 2023-09-13 2023-10-20 北京交通发展研究院 一种多模式公共交通一体化网络的生成方法及装置
CN117252323A (zh) * 2023-11-17 2023-12-19 西华大学 一种基于用户偏好的多模式出行路径规划方法
CN117273380A (zh) * 2023-10-25 2023-12-22 交通运输部公路科学研究所 一种面向不同出行场景的出行方案规划及推荐方法和***

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106897791A (zh) * 2017-01-06 2017-06-27 南京邮电大学 一种公交地铁复合网络模型构建方法
CN107545320A (zh) * 2017-07-03 2018-01-05 北京交通大学 一种基于图论的城市轨道交通乘客路径规划方法及***
CN107563028A (zh) * 2017-08-22 2018-01-09 南京邮电大学 一种基于空间网络的公交‑地铁耦合网络构建方法
CN110598942A (zh) * 2019-09-18 2019-12-20 北京工业大学 一种考虑区域全覆盖的接驳地铁的社区公交线网与发车频率同步优化方法
CN112765753A (zh) * 2020-11-27 2021-05-07 武汉理工大学 一种新型的公共交通超级网络构建方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106897791A (zh) * 2017-01-06 2017-06-27 南京邮电大学 一种公交地铁复合网络模型构建方法
CN107545320A (zh) * 2017-07-03 2018-01-05 北京交通大学 一种基于图论的城市轨道交通乘客路径规划方法及***
CN107563028A (zh) * 2017-08-22 2018-01-09 南京邮电大学 一种基于空间网络的公交‑地铁耦合网络构建方法
CN110598942A (zh) * 2019-09-18 2019-12-20 北京工业大学 一种考虑区域全覆盖的接驳地铁的社区公交线网与发车频率同步优化方法
CN112765753A (zh) * 2020-11-27 2021-05-07 武汉理工大学 一种新型的公共交通超级网络构建方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
尹方平等: "基于道路繁忙程度下的城市交通路径选择算法", 《科学技术与工程》 *
郑乐等: "可变线路式公交运行服务能力优化策略", 《哈尔滨工业大学学报》 *
陈晓明等: "基于双层复杂网络的城市交通网络协同优化方法", 《计算机应用》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116911510A (zh) * 2023-09-13 2023-10-20 北京交通发展研究院 一种多模式公共交通一体化网络的生成方法及装置
CN117273380A (zh) * 2023-10-25 2023-12-22 交通运输部公路科学研究所 一种面向不同出行场景的出行方案规划及推荐方法和***
CN117252323A (zh) * 2023-11-17 2023-12-19 西华大学 一种基于用户偏好的多模式出行路径规划方法
CN117252323B (zh) * 2023-11-17 2024-01-30 西华大学 一种基于用户偏好的多模式出行路径规划方法

Also Published As

Publication number Publication date
CN115497326B (zh) 2023-03-24

Similar Documents

Publication Publication Date Title
CN115497326B (zh) 一种多模式公交出行路径规划方法
CN107036617B (zh) 一种出租车与地铁组合的出行路线规划方法及***
Saidi et al. Long-term planning for ring-radial urban rail transit networks
CN107316098B (zh) 一种基于用户行为分析的汽车租赁点选址方法
Eom et al. Exploring the catchment area of an urban railway station by using transit card data: Case study in Seoul
Hashi et al. GIS based heuristic solution of the vehicle routing problem to optimize the school bus routing and scheduling
Lantseva et al. Modeling transport accessibility with open data: Case study of St. Petersburg
Wolny Are suburban commuters confined to private transport? A case study of a medium-sized functional urban area (FUA) in Poland
Round et al. Future ride: Adapting new technologies to paratransit in the United States
Maretić et al. Integrated passenger transport system in rural areas–a literature review
Trembošová et al. Chosen aspects of a spatially functional accessibility by public transport: the case of Trnava self-governing region (Slovakia)
CN115936330A (zh) 一种基于拉格朗日原理的需求响应式brt车辆调度算法
Incırcı et al. Determining the location of the urban transport interchanges based on the geographic information system: The case study for Istanbul
Iordanopoulos et al. Prerequisites for further deploying ITS systems: the case of Greece
Nakashima et al. Design of the smart access vehicle system with large scale MA simulation
Hyshchuk et al. Transport accessibility as factor of excursion tourism development (case of Chernivtsi, Ukraine)
Hou et al. Optimal routing design of demand-responsive feeder transit in the era of mobility as a service
Lee et al. Ensemble-based methodology to identify optimal personal mobility service areas using public data
Tang Designing a personal rapid transit system for the University of Delaware based on student schedule data
Variyam et al. Trip assignment modelling for an Indian city to assess the benefits of proposing ring roads
Passmore et al. Assessing bike-transit accessibility with OpenStreetMap
Ikeh et al. First-Mile Transport Mode Study to Mass Rapid Transit (MRT) System in Klang Valley
Hubbell et al. Mode succession in a public transit corridor
Chen et al. The Application of Scenarios and Service Mode of Demand Response Bus
Jayawardane Bus Service Improvement Plan for Battaramulla along with Location Analysis for a Transport Hub

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant