一种公交个体出行决策模型

技术领域

本发明涉及公共交通技术领域，具体为一种公交个体出行决策模型。

背景技术

为缓解道路交通中急剧增加的社会车辆对城市造成的不良影响，尽可能满足城市居民交通出行的需求并确保其出行的公平性，多模式公交系统快速成为了大城市综合交通运输体系的关键组成部分，在承担城市大运量交通运输服务、缓解城市交通压力方面发挥了无可替代的作用；

其中，公交出行OD推算方法研究是公交客流预测的基础性工作，通过计算公交乘客的OD量可以进一步确定各个公交站点的发生和吸引量，对于判断当前城市公交网络设置是否合理，进而对网络进行优化调整具有重要作用。早期城市公交客流OD的推算主要是基于人工调查的方法，通过使用调查问卷；随着IC卡技术在公交领域的普及应用，学者们开始研究IC卡中潜藏的乘客出行信息，用于推算公交乘客的上下车站点，但是主要基于公交站点吸引权，结合站点周边土地利用性质等要素推算站点下车人数，但该方法未考虑乘客个体的出行特征差异，无法获得乘客具体的下车站点，因此亟需一种公交个体出行决策模型解决上述问题。

发明内容

本发明提供一种通过推算个体的公交上下车站点划分出行链从而建立公交个体出行决策模型，实现以个体出行数据驱动的多模式公交近期客流预测，来解决上述现有技术中存在的问题。

为实现上述目的，本发明提供如下技术方案：一种公交个体出行决策模型，包括：

基于对公交个体出行数据的分析获得公交个体的的出行规律，作为模型初始的基础数据输入；

以多模式公交的内涵和功能层级的定义为基础，对初始的基础数据进行优化：根据换乘时间阈值将出行个体的出行链划分为多模式公交出行和单模式公交出行，再根据个体出发或到达站点在道路网中的空间位置属性进行密度聚类，建立相应的虚拟OD对，并识别个体出行链的信息；

根据个体出行链的信息构造不同出行的状态空间和动作空间集合，并根据公交网络的不完全信息环境不断更新动作集合；结合历史个体出行时间成本、出行习惯定义和标定状态动作对的直接回报、未来回报以及状态转移概率，以个体为单位建立包含出发时刻选择、上车站点选择和出行路径选择的个体出行决策模型。

优选的，公交个体出行数据包括IC卡刷卡数据、公交车载GPS数据和公交线路站点位置信息，其中，结合公交线路站点位置信息，以时间作为主要连接字段并辅以公交车辆的GPS数据获得车辆到站时刻表，并通过内插法补齐稀疏GPS数据，将其与站点经纬度匹配获得车辆到站时刻，使用时间匹配方法获得乘客的IC卡刷卡时刻，完成IC卡持卡乘客的上车站点识别过程。

优选的，GPS数据内插法处理：在所选取得GPS数据中，任意两相邻GPS记录的经纬度分别为(x

其中，对应的记录时刻为RT

优选的，根据出行链理论将公交个体出行划分为闭合公交出行链和非闭合公交出行链，并结合上车站点识别结果和公交站点特征，推算不同类型公交出行链的下车站点。

优选的，下车站点推算具体包括：

步骤1、根据上车站点BS

步骤2、判断当前乘坐车次的上车站点BS

步骤3、确定以BS

其中，v

步骤4、判断末次乘坐车次的上车站点BS

步骤5、确定以首次乘坐车次的上车站点BS

优选的，个体出行为还包括非公交出行链，下车站点推算为：

步骤1、确定当前乘坐车次的上车站点BS

步骤2、计算乘客在任意一站点das

PA

其中、f

步骤3、根据乘客在任意一站点das

优选的，根据换乘时间阈值将个体出行链划分，具体为：

步骤1：根据乘客上车站点识别结果判断其前后两次的上车站点BS

步骤2：根据下车站点AS

AT

步骤3：计算某一下车时刻AT

步骤4：当乘客换乘属于同站换乘，即乘客前后两次的上车站点属于同一线路时，根据多模式公交不同功能层级的线路发车间隔，确定乘客在站点的最大等待时间WT

步骤5：将出行时间间隔μ

优选的，虚拟OD对的建立具体为：

步骤1、识别公交个体的全部完整出行链并进行编号，提取每条出行链的起始上车站点，形成集合D

步骤2、根据不同功能层级公交站点辐射的范围设定邻域参数ε，MinPts则根据具体的研究对象进行相应调整设定；根据邻域参数(ε,MinPts)对集合D

步骤3、从集合Ω

步骤4、根据各个簇

步骤5、根据邻域参数(ε,MinPts)对集合

步骤6、计算集合

其中，

优选的，所述状态空间S：

S＝{Destination/Origin,Departure-time,Boarding-stion,En-route,Alighting-station}；

其中，Destination/Origin是个体历史某对虚拟OD点的经纬度坐标；Departure-time是个体选择的具体出发时间信息；Boarding-stion是个体选择的上车站点的经纬度、站点包含的共线线路信息；En-route是个体已选上车站点对应线路的车辆、运营车次等信息；Alighting-station是个体选择的下车站点的线路、车辆、运营车次、经纬度等信息。

动作空间A：

A＝{Select-departure-time,Select-boarding-station,Select-bus-route,Select-alighting-station,To-the-destination}每个动作空间都是一个待选数据集合，其中，Select-departure-time待选集合包含个体历史出行的所有出发时间信息；Select-boarding-station待选集合包含个体历史出行的所有上车站点信息；Select-bus-route待选集合包含个体历史出行的所有上车站点对应的共线公交线路信息；Select-alighting-station待选集合包含个体“公交线路选择”对应的所有历史下车站点信息；To-the-destination待选集合包含所有建立的虚拟OD点的经纬度坐标。

优选的，在个体出行决策模型得每个状态的动作选择是根据未来回报确定状态转移概率，从而选择状态转移概率最大的为当前所选择的动作并转移至下一状态，当转移至下一状态时，该次动作选择的直接回报变为已知并对历史经验值集合进行更新。

与现有技术相比，本发明的有益效果：本发明中通过时间匹配方法、出行链理论和公交站点特征识别和推算公交出行个体的上下车站点信息，并结合多模式公交的内涵和功能层级完成个体出行链的识别和划分，为个体的出发或到达站点簇定义虚拟起终点，完成对个体出行数据的分析处理；然后基于通过上述方法获得的个体历史出行信息，以个体为单位并基于马尔可夫决策过程理论建立关于出发时刻选择、上车站点选择和公交线路选择的个体出行决策模型；可以使得个体自身在总成本尽量小的情况下到达出行终点。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

在附图中：

图1是本发明公交个体出行决策模型流程图；

图2是本发明乘客上车站点识别流程图；

图3是本发明乘客下车站点推算流程图；

图4是本发明一具体实施例中108路各站点上车人数分布图；

图5是本发明多模式公交网络中的出行个体状态转移图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

实施例：如图1所示，一种公交个体出行决策模型，包括：

公交个体出行上下车站点的识别与推算，多模式公交个体出行链的识别与虚拟OD对的建立以及多模式公交个体出行决策模型的建立，其中：

基于对公交个体出行数据的分析获得公交个体的的出行规律，作为模型初始的基础数据输入；

以多模式公交的内涵和功能层级的定义为基础，对初始的基础数据进行优化：根据换乘时间阈值将出行个体的出行链划分为多模式公交出行和单模式公交出行，再根据个体出发或到达站点在道路网中的空间位置属性进行密度聚类，建立相应的虚拟OD对，并识别个体出行链的信息；

根据个体出行链的信息构造不同出行的状态空间和动作空间集合，并根据公交网络的不完全信息环境不断更新动作集合；结合历史个体出行时间成本、出行习惯定义和标定状态动作对的直接回报、未来回报以及状态转移概率，以个体为单位建立包含出发时刻选择、上车站点选择和出行路径选择的个体出行决策模型。

公交个体出行数据是公交客流预测的基础性数据，通过对出行数据的分析和挖掘可以获得包含个体上下车站点、上下车时刻等多种要素信息，从而掌握公交出行个体的出行规律，为构建客流预测仿真模型提供初始的基础数据输入；其中，公交个体出行数据包括IC卡刷卡数据、公交车载GPS数据和公交线路站点位置信息；

参考图2所示，上车站点识别具体为：

步骤1：选取研究数据。

选取待研究公交线路r，获取任一途经站点s

步骤2：清除冗余数据：计算每条刷卡记录与前后两次刷卡记录的间隔时间IT

步骤3：GPS数据插值处理：若公交车辆GPS数据属于低频返回的稀疏样本，且与车辆到离站无关联，那么将通过内插法补齐GPS数据在所选取得GPS数据中，任意两相邻GPS记录的经纬度分别为(x

其中，对应的记录时刻为RT

步骤4：确定车辆到站位置、到站时刻和离站时刻：对于线路r上的任意站点s

步骤5：识别乘客上车站点：将与车次w

参考图4所示，根据出行链理论将公交个体出行划分为，闭合公交出行链和非闭合公交出行链，以及非公交出行链，其中，非闭合公交出行链中、除末次以外的乘坐车次的下车站点推算与闭合公交出行链的下车站点推算方法相同；当日末次出行的下车站点需借助历史出行数据、判断下游站点特征进行推算，与非公交出行链处理方法相同

其中，非闭合公交出行链下车站点推算具体包括：

步骤1、根据上车站点BS

步骤2、判断当前乘坐车次的上车站点BS

步骤3、确定以BS

其中，v

步骤4、判断末次乘坐车次的上车站点BS

步骤5、确定以首次乘坐车次的上车站点BS

非公交出行链下车站点推算为：

步骤1、确定当前乘坐车次的上车站点BS

步骤2、计算乘客在任意一站点das

PA

其中、f

步骤3、根据乘客在任意一站点das

在一具体实施例中，以如东县公交108路为研究对象，基础数据源采用从当地公交系统中获取的公交IC卡数据和车辆GPS数据；108路东西线分别途经30个和28个公交站点，沿线主要为居住用地和工业用地。考虑到如东县居民公交需求量与大城市相比较小、乘客一天的出行次数可能无法满足本文分析需要，因此选取2018年6月4日-6月10日完整一周的数据进行研究；使用MySQL程序搭建数据库完成关键字段筛选、缺失和冗余数据清理等预处理工作，分别获得一周内共1405条待分析IC卡刷卡记录；同时使用Python语言编程完成后续上下车站点推算过程的计算；

上车站点识别：如东县公交系统中的GPS数据时间间隔为1-3min不等，属稀疏GPS数据，根据上文方法确定研究时段内各车次到站时刻；下表是车辆编号为110286某一车次在部分站点的到站时刻；根据2018年6月4日—6月10日108路各车次的到站时刻识别当日所有乘客的上车站点，统计获得各站点的上车人数分布，如图4所示；将原始GPS数据和补齐后的GPS数据分别与IC卡数据匹配可发现108路有11.3％的上车站点匹配结果不同，说明原始GPS数据匹配结果存在误差，而补齐后的GPS数据可修正误差并有效提高时间匹配精度；

下车站点推算：根据上述方法，采用Python语言编写代码进行计算；108路有1405条待分析IC卡刷卡记录，最后成功推算出1183个下车站点，识别成功率为84.2％。

其中，城市公交出行个体的换乘行为可依据换乘交通方式和换乘空间距离两种方式进行划分，根据换乘时间阈值将个体出行链划分，具体为：

步骤1：根据乘客上车站点识别结果判断其前后两次的上车站点BS

步骤2：根据下车站点AS

AT

步骤3：计算某一下车时刻AT

步骤4：当乘客换乘属于同站换乘，即乘客前后两次的上车站点属于同一线路时，根据多模式公交不同功能层级的线路发车间隔，确定乘客在站点的最大等待时间WT

步骤5：将出行时间间隔μ

在完成个体出行链的识别与划分后，需按照历史出行习惯为每个个体定义其在多模式公交网络中出行的虚拟O点和D点，考虑根据个体出发站点(到达站点)在道路网中的空间位置属性，计算不同出发站点(到达站点)之间的曼哈顿距离并进行出发站点(到达站点)聚类，为每个出发站点簇(到达站点簇)定义一个虚拟O点(D点)；DBSCAN(Density-BasedSpatial Clustering of Applications with Noise)是最为经典的密度聚类算法，可以根据样本数据分布的紧密程度来确定研究对象的聚类结构，通过设定一组“邻域”参数来获得一组样本中的一个或多个核心对象，而且在聚类的同时可以发现部分异常点，并对数据集中的异常点不敏感，最终确定的核心对象(可确定出行个体)的虚拟OD对；

虚拟OD对的建立具体为：

步骤1、识别公交个体的全部完整出行链并进行编号，提取每条出行链的起始上车站点，形成集合D

步骤2、根据不同功能层级公交站点辐射的范围设定邻域参数ε，MinPts则根据具体的研究对象进行相应调整设定；根据邻域参数(ε,MinPts)对集合D

步骤3、从集合Ω

步骤4、根据各个簇

步骤5、根据邻域参数(ε,MinPts)对集合

步骤6、计算集合

其中，

在完成个体出行链的识别和划分以及虚拟OD对的建立后，个体形成了完整的出行链。考虑到出行习惯的延续性，个体在同一出行链上会有多次出行记录，这些出行记录数据形成了多模式公交近期客流预测模型的基础数据来源。为使个体出行决策模型具有准确的数据输入，需要对个体出行链的关键信息进行识别，这些信息包含了个体出行起终点、前往上车站点时间、上车站点、站点等候时间、车辆停靠时间、上车时刻、下车站点、下车时刻、换乘时间、前往终点时间。

如图5所示，在多模式公交网络中，出行个体作为决策者在“出行终点(即下一次出行的起点)”状态首先进行出发时刻选择决策，确定出发时刻后将转移至“出发时刻已选”状态。随后将根据自身出行原则选择上车站点并转移至“上车站点已选”状态。个体在上车站点将对出行起终点间的公交线路进行选择，选择完成后将到达“车内在途”状态；在“公交线路选择”状态个体已确定是乘坐该车辆直接到达终点还是在某些站点下车换乘至其他线路到达终点，若无需换乘，则个体从“车内在途”状态转移至“下车站点已选”状态，并前往终点，回到“出行终点”状态；若需要换乘，则将在“下车站点已选”状态进行上车站点选择，开始新一轮的动作选择决策和状态转移；出行个体在公交网络中的出行过程状态转移；

其中，状态空间S：

S＝{Destination/Origin,Departure-time,Boarding-stion,En-route,Alighting-station}；

其中，Destination/Origin是个体历史某对虚拟OD点的经纬度坐标；Departure-time是个体选择的具体出发时间信息；Boarding-stion是个体选择的上车站点的经纬度、站点包含的共线线路信息；En-route是个体已选上车站点对应线路的车辆、运营车次等信息；Alighting-station是个体选择的下车站点的线路、车辆、运营车次、经纬度等信息。

动作空间A：

A＝{Select-departure-time,Select-boarding-station,Select-bus-route,Select-alighting-station,To-the-destination}每个动作空间都是一个待选数据集合，其中，Select-departure-time待选集合包含个体历史出行的所有出发时间信息；Select-boarding-station待选集合包含个体历史出行的所有上车站点信息；Select-bus-route待选集合包含个体历史出行的所有上车站点对应的共线公交线路信息；Select-alighting-station待选集合包含个体“公交线路选择”对应的所有历史下车站点信息；To-the-destination待选集合包含所有建立的虚拟OD点的经纬度坐标。

体出行决策模型中包含了直接回报R、未来回报F和状态转移概率P，每个状态的动作选择是根据未来回报F确定状态转移概率P，从而选择P最大的为当前所选择的动作并转移至下一状态，当转移至下一状态时，该次动作选择的直接回报R变为已知并对历史经验值集合进行更新；首先对状态和动作空间中对应的各个R、F和P进行定义，如下表所示：

其中，用出行时间成本表示直接回报值,但是个体在出行过程中的时间成本实际为惩罚值，这与回报值的定义相悖，因此用时间成本的负数表示每个动作对应的直接回报；

(1)R

由于个体在实际出行过程中以准时作为自己的出行目标，因此为符合生活实际，在定义直接回报时令早到和延误均为正数，使得准时的回报最小；R

(2)R

个体到达上车站点的方式有步行、自行车、汽车等，一般为步行；当个体在某下车站点需要换乘到另一站点候车时，R

(3)R

当个体需中途换乘到达终点站时，R

(4)R

2.未来回报F

未来回报F是状态转移概率计算的依据；个体在动态公交信息环境中进行动作选择时的直接回报值是未知的，只有当个体在实际完成该动作后才能准确获知其直接回报值；因此，根据个体出行习惯的延续性，可通过历史经验值对未来回报进行估计；出行个体的每一次动作选择都有对应的动作选择集合，而集合中的每个动作在历史出行中会有多次记录，这些记录值均为当时个体在完成动作后对应的直接回报值R，未来回报F依据每个动作历史记录的直接回报值R的平均数进行计算。

(1)F

其中，

(2)F

(3)F

同时，根据出行时间成本最小的原则，个体还需考虑到候车过程中首次到达的车辆或许并非是预登乘线路车辆，此时需重新计算未来回报F

那么，个体在上车站点等候一段时间后，当第一辆到达的公交车为个体的预登乘线路车辆时，个体上车并完成公交线路动作选择；若该公交车非个体的预登乘线路车辆，则个体需根据当前到站车辆所在路径与其余路径的F

需要说明的是，由于个体已在公交线路选择时考虑了整体出行过程，并在此处确定了各个动作的转移概率，因此下车站点选择和前往终点无需定义未来回报计算状态转移概率，可将“公交线路选择”至“前往终点”过程中涉及的动作决策看作一个整体考虑。

3.状态转移概率P

个体在进行每一次动作选择时，均需计算状态转移概率的大小用以确定最终执行的动作选择。本文状态转移概率P的计算采用逻辑回归表达式，P最大的即为当前动作决策的最优选择，个体优先考虑该动作；各个状态转移概率P分别表示为：

出行个体在多模式公交网络中共有5种状态，那么，状态转移概率矩阵M

最后应说明的是：以上所述仅为本发明的优选实例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。