Transport Research >

2022 , Vol. 8 >Issue 1: 79 - 88

DOI: https://doi.org/10.16503/j.cnki.2095-9931.2022.01.009

Estimation Method of Bus Passengers′ Boarding and Alighting Stops in Small and Medium-Sized Cities Based on IC Card and Sparse GPS Data

  • CHEN Xian ,
  • GONG Xiao-lin ,
  • WU Lan
Expand
  • College of Automobile and Traffic Engineering, Nanjing Forestry University, Nanjing 210037, China

Received date: 2021-08-30

  Online published: 2022-03-28

Copyright

Copyright reserved © 2022
Fold

Abstract

In order to effectively obtain the travel information of bus passengers in small and medium-sized cities and mine their travel characteristics, a calculation method of bus passengers′ boarding and alighting stops was proposed based on IC card data, sparse GPS data and location information of bus station. Firstly, the sparse GPS data was supplemented by interpolation method and matched with the longitude and latitude of bus stops to obtain the bus arrival time, and then matched with the IC card swiping time to identify passengers′ boarding stops. Secondly, according to the travel chain theory, different bus travel chains were divided. The calculation process was simplified by combining passengers′ travel hypothesis and the characteristics of bus stops, and passengers′ alighting stops of different types of bus travel chains were obtained. Finally, two lines with different station characteristics in Rudong county bus system were selected to verify the method. The results show that the method could correct 11.3% and 16.9% of the matching results of the passengers′ boarding stops of the two lines respectively, and successfully calculate 84.2% and 87.5% of the passengers′ alighting stops. In addition, the method could improve the time matching accuracy effectively and identify passengers′ daily bus travel information completely. The method is universal for the calculation of bus passengers' boarding and alighting stops in small and medium-sized cities with sparse GPS data.

Key words： IC card data; sparse GPS data; small and medium-sized cities; boarding stops; alighting stops; travel chain theory

Cite this article

CHEN Xian , GONG Xiao-lin , WU Lan . Estimation Method of Bus Passengers′ Boarding and Alighting Stops in Small and Medium-Sized Cities Based on IC Card and Sparse GPS Data[J]. Transport Research, 2022 , 8(1) : 79 -88 . DOI: 10.16503/j.cnki.2095-9931.2022.01.009

0 引言

近年来,我国公交系统的大数据技术在信息化进程不断加快的背景下得到显著发展,同时也为城市公共交通规划提供了新的思路和方法。公交系统IC卡数据和车辆GPS数据中蕴含了丰富的乘客出行信息,可作为公交客流预测的基础数据源。目前,我国城市公交大多采用一票制即上车刷卡模式,IC卡刷卡信息中并不包含乘客上下车站点信息[1],但可将公交IC卡刷卡数据同车辆GPS数据进行匹配与融合,再辅以站点位置信息来判断乘客上下车站点。通过推算城市公交乘客上下车站点从而挖掘乘客出行特征,对改善公交运营服务水平、提高居民出行效率具有重要作用。
国内外学者对公交乘客上下车站点推算进行了大量研究。在上车站点识别方面,学者们主要基于公交IC卡数据展开研究。早期在缺少公交车辆GPS数据的情况下,通过建立ACCESS数据库对刷卡记录进行聚类分析[2]或结合公交运营时刻表及发车时间估计车辆到站时间[3]来识别乘客上车站点。此类方法在数据缺失的情况下准确率较低,因此有学者结合GPS数据对这类方法进行改进[4,5]或通过GPS数据获得车辆实时到站时刻表并与刷卡时间匹配[1, 6-8]推出上车站点,这类方法也是目前应用较为广泛的上车站点识别方法。在下车站点推算方面,通常采用集计和非集计两大类方法。集计方法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[9],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。非集计方法通过分析乘客公交出行链及换乘行为,考虑站点上客量、换乘便利性等因素建立下车站点概率模型推算乘客下车站点[10,11,12,13],弥补了集计方法的缺陷。此外,随着大数据技术的发展,深度学习[1, 14]、随机森林[15]等机器学习方法也被用于推算下车站点,此类方法对于数据量要求较高,因此仅适用于数据较为全面的大城市公交系统。
上述研究较少考虑中小城市的公交系统,所提方法应用于定时返回稀疏GPS数据的公交系统具有局限性。因此本文针对中小城市GPS数据稀疏和公交出行数据量小的情形,结合数据内插法和公交出行链理论,提出基于IC卡和稀疏GPS数据的公交乘客上下车站点推算方法,并结合实例对方法进行对比验证。

1 基于GPS数据补齐的上车站点识别

与大城市相比,我国部分中小城市公交车辆的发车频率较低且系统定位数据采集时间间隔较大,呈现出采样稀疏性特点,基础数据精度较低。考虑到城市公交系统中GPS定位时间的最小单位为s,因此本文将系统中记录的公交车辆相邻GPS定位时间间隔大于1s的数据定义为稀疏GPS数据,并将此类数据补齐以符合上车站点识别的数据要求。根据公交站点位置信息,以时间作为主要连接字段,将IC卡数据和补齐后的GPS数据进行匹配,从而识别公交上车站点。乘客上车站点识别基本流程如图1所示,具体步骤如下。
图1 乘客上车站点识别流程图
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 i （ 1 ≤ i ≤ I , I 为当前线路的沿线站点数）的经纬度 ( x i , y i ) ,选取该线路上某辆运营车辆 b 某次运营车次 w b 的GPS数据和乘坐该车辆任一乘客 p 的IC卡数据。
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 I T p , k （ 1 ≤ k ≤ K , K 为乘客 p 当日刷卡次数）,若 0 < I T p , k < L ΔS / v b （ L ΔS 为当前上车站点与上下游相邻站点之间的距离,使用半正矢公式[16]进行计算; v b 为公交运营速度）,则说明刷卡时间间隔较短,可认为乘客 p 有随行者且与随行者共用一张IC卡,这两次刷卡视作一次出行,并取其中记录时间在前的为本次刷卡时刻。
步骤3:补齐GPS数据。因公交车辆GPS数据是低频返回的稀疏样本且与车辆到离站无关联,故通过内插法[17]补齐GPS数据。已知在步骤1所选取GPS数据中,任意两个相邻GPS记录的经纬度分别为 ( x b , w , j , y b , w , j ) 、 ( x b , w , j + 1 , y b , w , j + 1 ) （ 1 ≤ j ≤ J , J 为选定GPS记录的数量）,记录时刻分别为 R T b , w , j , R T b , w , j + 1 ,间隔时间为 Λ （单位:s）,以1s为插值间隔在两条GPS记录之间插入 Λ 个数据,其中被插入的第 λ 个GPS数据的经纬度分别通过式（1）、式（2）求得,对应的记录时刻为 R T b , w , j + λ 。
x b , w , j λ = x b , w , j + ( x b , w , j + 1 - x b , w , j ) · λ / Λ 1 ≤ λ ≤ Λ
y b , w , j λ = y b , w , j + ( y b , w , j + 1 - y b , w , j ) · λ / Λ 1 ≤ λ ≤ Λ
步骤4:确定车辆到站位置和到站时刻。对于线路 r 上的任意站点 s i ,采用半正矢公式[16]计算由步骤2补齐的车次 w b 中所有GPS数据与该站点的距离,选取与该站点距离最近的GPS数据的经纬度 ( x b , w , i * , y b , w , i * ) 作为车辆到站位置,相应的记录时刻 R T b , w , j * 作为到站时刻 A T b , w , j 。
步骤5:识别乘客上车站点。将与车次 w b 关联的IC卡刷卡记录按照刷卡时刻进行排序,已知乘客 p 第 k 次刷卡时刻为 T T p , k ,将任意一条刷卡记录的刷卡时刻与该车次在任一站点的到站时刻进行比较,当 A T b , w , i ≤ T T p , k < A T b , w , i + 1 时,则 A T b , w , i 对应的站点 s i 为乘客该次刷卡的上车站点 B S p , k 。

2 基于出行链理论和站点特征的下车站点推算

公交出行链是指乘客采用公交作为交通工具,完成至少一次空间位置衔接的公交出行过程[2],可划分为全日出行链起始端和终止端相同的闭合公交出行链,以及起始端和终止端不同的非闭合公交出行链。非公交出行链则指乘客当日未连续乘坐公交而是中途采用其他交通工具完成其全日出行过程。本文基于上述出行链类型划分,分别确定对应的下车站点推算方法。

2.1 闭合公交出行链的下车站点推算

以上班、上学等通勤为出行目的的乘客常形成闭合公交出行链,如图2所示。
图2 闭合公交出行链示意图
本文参考文献[8]的研究成果,提出闭合公交出行链下车站点推算的基本假设:
（1）乘客当日末次出行的下车站点等于或接近当日首次出行的上车站点;
（2）乘客连续两次出行的公交线路相同时,第一次出行的下车站点为第二次出行的上车站点;连续两次出行的公交线路不同,即乘客需要换乘时,第一次出行的下车站点与第二次出行的上车站点站间距离最近;
（3）若乘客连续两次出行为同一公交线路的上下行方向,则这两次出行的起讫点可互换。
基于以上假设条件,确定闭合公交出行链的下车站点推算方法如下:
步骤1:根据上文乘客上车站点识别结果,已知任一乘客 p 第 k 次乘坐公交车次的上车站点 B S p , k ,判断当前刷卡记录（也即当前乘坐车次）是否为当日最后一次,若 k < K ,则执行步骤2,否则执行步骤4。
步骤2:判断乘客当前乘坐车次的上车站点 B S p , k 和下一乘坐车次的上车站点 B S p , k + 1 是否隶属于同一线路,是则将下一乘坐车次的上车站点作为当前乘坐车次的下车站点,即 A S p , k = B S p , k + 1 ,否则执行步骤3。
步骤3:确定以 B S p , k + 1 为圆心、最大步行距离 D （单位:m）为半径的圆形区域内,当前乘坐车次途经的、从上游到下游的站点集合 CA S p , k = ca s m | 0 ≤ m ≤ M 。若该集合为空集,则该乘客出行链属于非公交出行链;若集合中站点数 M = 1 ,则该集合的唯一站点为当前乘坐车次的下车站点 A S p , k ;若 M > 1 ,则由式（3）分别计算以最上游站点 ca s 1 为起点、途经 CA S p , k 中任一站点 ca s m 、以 B S p , k + 1 为终点的出行时间 t m （单位:s）,选择出行时间最短的站点 ca s * = argmin ( t m ) 为当前乘坐车次的下车站点 A S p , k 。
t m = d m / v w d m / v w + L m - 1 , m / v b m = 1 m > 1
式（3）中, v w 为乘客步行速度（m/s）; d m 为站点 ca s m 与 B S p , k + 1 之间的距离（m）; L m - 1 , m 为站点 ca s m - 1 与 ca s m 之间的公交线路长度（m）; v b 为公交运营速度（m/s）。
步骤4:判断末次乘坐车次的上车站点 B S p , k 和首次乘坐车次的上车站点 B S p , 1 是否隶属于同一线路,若是则将首次乘坐车次的上车站点作为末次乘坐车次的下车站点,即 A S p , k = B S p , 1 ,否则执行步骤5。
步骤5:确定以首次乘坐车次的上车站点 B S p , 1 为圆心、最大步行距离 D 为半径的圆形区域内,末次乘坐车次途经的从上游到下游的站点集合,若该集合为空集,则该乘客出行链属于非闭合公交出行链,否则参照步骤3确定末次乘坐车次的下车站点。

2.2 非闭合公交出行链的下车站点推算

以文娱、购物等偶发性活动为目的的出行常形成非闭合公交出行链,如图3所示。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上文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,并通过判断下游站点特征进行推算,参照下文非公交出行链情况进行处理。
图3 非闭合公交出行链示意

2.3 非公交出行链的下车站点推算

非公交出行链最常见的情形为乘客当日仅有1次公交出行,如图4所示。非公交出行链的下车站点无法根据乘客当日刷卡信息推算,但乘客下车即结束乘坐公共交通是为了完成换乘或到达出行目的地,因此在非公交出行链情形下,假设乘客在周边开发强度大、可达性高的站点下车的概率更高,据此定义乘客在当前乘坐车次下游站点的下车概率,完成非公交出行链的下车站点推算,具体推算方法如下。
图4 非公交出行链示意
步骤1:确定当前乘坐车次的上车站点 B S p , k 下游站点集合 DA S p , k = { da s n | 1 ≤ n ≤ N } 。
步骤2:由式（4）~式（6）计算乘客在任意一站点 da s n 处下车的概率 P A p , n ,其中 f n , 1 , f n , 2 分别表示站点周边开发强度、公交可达性特征参数。
P A p , n = f n , 1 f n , 2 / ∑ n = 1 N ( f n , 1 f n , 2 )
f n , 1 = B F n / ∑ n = 1 N B F n
f n , 2 = R n / ∑ n = 1 N R n
式（4）~式（6）中: B F n 为站点 da s n 在一定时段内的平均上客量,间接反映站点周边开发强度; R n 为途经站点 da s n 的公交线路条数;N为该条公交线路所有站点数。
步骤3:根据乘客在任意一个站点 da s n 处下车的概率 P A p , n ,采用轮盘赌法推算当前乘坐车次的下车站点 A S p , k 。
综上所述,基于出行链理论的下车站点推算流程如图5所示。
图5 乘客下车站点推算流程

3 实例应用

3.1 数据来源及处理方法

本文以如东县公交108路和109路为研究对象,基础数据源采用在当地公交系统中获取的公交IC卡数据和车辆GPS数据。两条公交线路周边土地开发强度均较大,但用地布局有所不同。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;109路东西线分别途经35个和33个公交站点,沿线主要为公共管理与公共服务设施用地和少量居住用地。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1 405条（108路）和1 843条（109路）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。

3.2 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。表1所示为车辆编号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路和109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6、图7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路和109路分别有11.3%和16.9%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。
表1 车辆到站时刻表示例
车辆
编号		 站点名称 到站时刻 站点经度 站点纬度
110286 大草港 2018/6/4 06:59:27 121.14564 32.31403
110286 江海西路口 2018/6/4 07:01:20 121.153949 32.313443
图6 2018年6月4日—6月10日公交108路各站点上车人数分布
图7 2018年6月4日—6月10日公交109路各站点上车人数分布

3.3 下车站点推算

根据本文提出的下车站点推算方法,采用Python语言编写代码进行实例计算。108路和109路分别有1 405条和1 843条待分析IC卡刷卡记录,最后分别成功推算出1 183个和1 612条个下车站点,识别成功率为84.2%和87.5%。本节将以卡号为“41150022534”和“60820031774”的乘客为例对方法的应用进行说明。
“41150022534”乘客一周内共有13条公交出行记录,根据刷卡间隔时间清除冗余数据后,该乘客一周内实际共有9次出行,基本集中在108路公交线路上。6月4日的4次出行均在同一线路,可认为该乘客当天形成了闭合公交出行链,则根据闭合公交出行链的下车站点推算方法,当天乘客第1次到第3次乘车的下车站点即为随后乘车的上车站点,最后1次下车站点为当天第1次乘车的上车站点。该乘客6月5日的2次出行分别乘坐公交108路和101路,其路线走向和站点分布如图8所示,第1次乘车根据闭合公交出行链推算方法,确定下车站点为当前公交线路上与第2次上车站点距离最近的站点;当天第2次乘车的下车站点根据非公交出行链推算方法确定为“汽车站（东门）”。该乘客6月10日共有3次出行,由于后2次出行位于无GPS记录的乡镇公交线路215路和218路,无法进行上下车站点推导,所以乘客当天的第一次出行形成了非公交出行链,根据非公交出行链推算方法确定本次下车站点为“立交桥”。该乘客下车站点推算结果见表2。
图8 101路和108路公交线路走向和站点分布示意图
表2 卡号为41150022534的乘客下车站点推算结果
线路编号 汽车编号 卡号 交易日期 刷卡时刻 上车站点 下车站点
110108 110298 41150022534 2018/6/4 8:53:44 立交桥 海事处
110108 110028 41150022534 2018/6/4 9:18:03 海事处 永泰驾校
110108 110678 41150022534 2018/6/4 15:35:08 永泰驾校 汽车站（东门）
110108 110678 41150022534 2018/6/4 16:48:50 汽车站（东门） 立交桥
110108 110298 41150022534 2018/6/5 14:14:47 立交桥 华润苏果
110101 110451 41150022534 2018/6/5 15:04:10 财政局 汽车站（东门）
110108 110678 41150022534 2018/6/10 14:55:07 健桥医药 立交桥
110215 110255 41150022534 2018/6/10 15:17:40 — —
110218 110016 41150022534 2018/6/10 18:22:06 — —
“60820031774”乘客一周内共有16条公交出行记录,该乘客的出行较规律且集中在109路公交线路上。
6月4日—6月8日乘客每天均在同一公交线路上生成2条出行记录,视作闭合公交出行链,则乘客每日第1次乘车的下车站点即为第2次乘车的上车站点,第2次乘车的下车站点即为次日第1次乘车的上车站点。6月10日共有6条出行记录,形成闭合公交出行链。在此期间,乘客除乘坐109路外,还换乘103路和108路完成其出行目的,103路和109路路线走向和站点分布如图9所示;6月10日最后1条乘车记录可根据6月11日当天第1条乘车记录推算出下车站点。
图9 103路和109路公交线路走向和站点分布示意图
该乘客下车站点推算结果见表3。
表3 卡号为60820031774的乘客下车站点推算结果
线路编号 汽车编号 卡号 交易日期 刷卡时刻 上车站点 下车站点
110109 111999 60820031774 2018/6/4 11:01:01 烟墩桥市场 中医院
110109 111880 60820031774 2018/6/4 17:37:36 中医院 烟墩桥市场
110109 111999 60820031774 2018/6/5 11:20:26 烟墩桥市场 中医院
110109 111968 60820031774 2018/6/5 17:34:56 中医院 文体中心
110109 111920 60820031774 2018/6/6 07:07:24 文体中心 烟墩桥市场
110109 111999 60820031774 2018/6/6 07:49:21 烟墩桥市场 文体中心
110109 111999 60820031774 2018/6/7 07:03:02 烟墩桥市场 阳光家园
110109 111880 60820031774 2018/6/7 07:56:26 阳光家园 文体中心
110109 111950 60820031774 2018/6/8 06:55:56 文体中心 阳光家园
110109 111980 60820031774 2018/6/8 08:34:26 阳光家园 文体中心
110109 110880 60820031774 2018/6/10 07:40:13 文体中心 爱民路区间路口
110109 110990 60820031774 2018/6/10 09:53:42 爱民路区间路口 范堤路解放路口
110109 111912 60820031774 2018/6/10 13:48:03 文体中心 华润苏果
110103 111019 60820031774 2018/6/10 15:16:18 华润苏果 大草港
110108 111678 60820031774 2018/6/10 15:50:28 大草港 华润苏果
110109 111999 60820031774 2018/6/10 16:05:27 华润苏果 范堤路解放路口
从上述下车站点推算过程及表2、表3推算结果可看出,本文提出的方法适用于中小城市周边土地用地布局和开发强度不同的公交线路乘客下车站点推算,可完整识别出乘客一天的公交出行信息。

4 结语

本文提出一种基于IC卡数据和稀疏GPS数据的中小城市公交乘客上下车站点推算方法。针对中小城市公交系统中部分车辆GPS数据稀疏的情形,使用内插法补齐GPS数据以满足上车站点识别的数据要求;并针对中小城市公交乘客出行数据量小的特点,选择影响乘客下车概率的关键因素简化推算过程以完成下车站点推算;最后将以上方法应用于如东县公交系统数据中,结果表明本文提出的方法可有效提高时间匹配精度,完成乘客当日公交出行信息的识别。
本文提出的方法仅考虑了乘客采用城市常规公交出行,未融合轨道交通等其他公共交通方式进行研究,这与乘客实际出行情况存在出入,使得下车站点推算结果的准确性降低。下一步的研究重点是基于本文研究方法,对多模式公共交通乘客的公交下车站点进行研究,进一步提高模型的准确性和适用性。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
刘少韦华. 基于多源数据融合的城市公交客流OD需求推断方法研究[D]. 南京:东南大学, 2019.

[2]
郭婕, 陈学武. 公交IC卡乘客上车站点确定方法及其应用[C]// 第一届中国智能交通年会论文集, 上: 同济大学出版社 2005: 766-770.

[3]
于勇, 邓天民, 肖裕民. 一种新的公交乘客上车站点确定方法[J]. 重庆交通大学学报(自然科学版), 2009,28(1):121-125.

[4]
邓红星, 赵志恒, 王玮琦. 基于公交IC卡和GPS数据的公交OD量推算研究[J]. 重庆理工大学学报(自然科学), 2019,33(6):220-226.

[5]
马晓磊, 刘从从, 刘剑锋, 等. 基于公交IC卡数据的上车站点推算研究[J]. 交通运输系统工程与信息, 2015,15(4):78-84.

[6]
李海波, 陈学武, 陈峥嵘. 基于公交IC卡和AVL数据的客流OD推导方法[J]. 交通信息与安全, 2015,33(6):33-39,95.

[7]
张懿木, 陈田, 王俊, 等. 基于多源数据的多模式公共交通出行链构建[J]. 城市交通, 2021,19(4):120-126.

[8]
BARRY J J, NEWHOUSER R, RAHBEE A, et al. Origin and destination estimation in New York City with automated fare system data[J]. Transportation Research Record: Journal of the Transportation Research Board, 2002,1817:183-187.

[9]
王超. 基于IC卡信息的公交客流OD推算方法研究[D]. 北京:北京交通大学, 2012.

[10]
尹安藤. 基于公交GPS和IC卡数据的公交OD推算[D]. 哈尔滨:哈尔滨工业大学, 2017.

[11]
张文胜, 卢梦, 朱冀军, 等. 基于公交IC卡和AVL数据的公交客流OD推算[J]. 计算机应用与软件, 2021,38(7):100-105.

[12]
胡继华, 邓俊, 黄泽. 结合出行链的公交IC卡乘客下车站点判断概率模型[J]. 交通运输系统工程与信息, 2014,14(2):62-67,86.

[13]
赵海宾, 郭忠, 吴洪洋, 等. 适用于一票制公交大数据的系统化处理方法及应用——以银川市为例[J]. 交通运输研究, 2020,6(4):109-116.

[14]
JUNG J, SOHN K. Deep-learning architecture to forecast destinations of bus passengers from entry-only smart-card data[J]. IET Intelligent Transport Systems, 2017,11(6):334-339.

[15]
YAN F, YANG C, UKKUSURI S V. Alighting stop determination using two-step algorithms in bus transit systems[J]. Transportmetrica A: Transport Science, 2019,15(2):1522-1542.

[16]
樊东卫, 何勃亮, 李长华, 等. 球面距离计算方法及精度比较[J]. 天文研究与技术, 2019,16(1):69-76.

[17]
张瑜. 基于城市公交轨迹数据的车辆到站时间预测算法研究[D]. 大连:大连海事大学, 2020.

Options
Outlines

/

〈 〉