基于公交IC卡和GPS數據的公交OD量推算研究

鄧紅星，趙志恒，王瑋琦

(東北林業大學 交通學院， 哈爾濱 150040)

近年來，隨著科技的進步，公交客流量調查的方法也趨于多樣，研究人員開始利用IC卡與傳感器來進行公交乘客上下車的調查[1]。隨著公交IC卡技術的成熟與公交車輛GPS安裝的普及，通過對二者數據的融合可以得到公交乘客的上車位置與出行軌跡[2-5]。Tu等[6]利用IC卡與GPS技術來推斷旅客出行的原始車站，在此基礎上利用回歸預測法對客流進行預測，結果表明精度可以達到80%以上。Zhang等[7]同樣利用IC卡與GPS技術來獲得乘客的上車位置，并在Transcad模型中用最短路徑法推導出原站和站間距離矩陣的基礎上，以出行鏈為基本原理推導出中轉站與目的地。李瑩等[8]在判斷出乘客上下車站點的基礎上,從空間和時間的角度綜合識別公交換乘行為。秦政[9]以成都公交為例，對乘客刷卡滯后等情況進行判斷，利用相鄰站點匹配的方法識別上車位置。陳學武等[10]通過對公交IC卡數據與AVL數據的融合得到乘客的上車站點位置，分別建立多種下車站點的推導模型，并優化下車站點的推導流程。通過上述研究，發現公交乘客的上車位置由之前單純地通過對公交IC卡進行聚類分析逐步過渡為通過IC卡數據與GPS數據相結合的辦法來判斷，但下車模型建立的修正因素過于單一，只通過站點的吸引強度來進行約束。本文以哈爾濱市102路公交車為例，通過其IC卡與GPS數據的時間匹配來判斷乘客上車位置，并通過算法得到該線路乘客的OD量。

1 IC卡與GPS的基礎數據分析

1.1 公交GPS基礎數據分析

在進行數據匹配前，需要對數據進行處理分析。將公交車輛的GPS數據與公交站點編號結合可知公交車具體的到、離站時間， 102路公交車GPS到、離站時間數據如表1所示。

表1 GPS到、離站時間

站號站名到站時間離站時間11大發市場7∶43∶257∶44∶1412康安路7∶47∶287∶47∶5313中心醫院7∶55∶037∶55∶4814安紅街7∶57∶267∶57∶5815安升街8∶03∶428∶04∶1916北安街8∶10∶028∶10∶4717經緯街8∶13∶068∶13∶5218哈一百8∶15∶528∶16∶5019中國人壽保險8∶17∶158∶17∶5620防洪紀念塔8∶19∶338∶20∶58

1.2 公交IC卡基礎數據分析

公交IC卡是集成電路卡，具有信息儲存量大、數據全面等優點。公交IC卡主要信息的格式與類型如表2所示。

2 上、下車站點的判斷

2.1 車站點的判斷

本文先對乘客刷卡數據進行聚類分析[11-13]，聚類的關鍵要素是時間Tmin，其具體的步驟如下：

步驟1收集某輛公交車從起點到終點的所有刷卡數據，按照時間先后排列一排。

步驟2分析相鄰兩個刷卡記錄的時間間隔Ti,將時間間隔小的若干類合成一類。

步驟3以此類推，直到Ti>Tmin停止，Tmin為該公交線路相鄰站點的刷卡時間最小間隔。

IC卡刷卡數據聚類分析的關鍵是Tmin的取值，根據哈爾濱市公交IC卡的使用情況調查可以得到Tmin為60 s。

以上步驟可用聚類樹來分析，如圖1所示。

表2 公交IC卡數據結構

圖1 公交IC卡時間聚類分析過程

當聚類到C4時，Ti>Tmin，停止聚類，形成C3分類，即T1、T2、T3三類，分別包含3、2、1個元素。

將聚類好的IC卡數據與GPS數據進行時間匹配即可得到各站點的上車人數。具體流程如圖2所示。

圖2 基于公交乘客刷卡數據的上車站點判斷流程

2.2 下車站點的判斷

通過實際調查發現乘客的乘車距離服從一定的泊松分布，以此可以判斷公交乘客的下車位置[14]。但是各個站點的客流量不只受這一種因素的影響，還受到土地利用性質和公交站點的換乘系數等多種因素的影響。比如，早上學校、醫院、大型寫字樓等辦公場所的站點會有大量的學生和上班族下車，如果是周末，大型商業中心和娛樂場所的站點會有大量的客流。還有火車站、汽車站、大學城這樣的站點會有許多的乘客進行換乘，換乘系數會很高。

以某條公交線路某輛公交車的單程線路為例，假設經過n個站點，各站點上車人數Bi已知，設站點i的下車人數為Ai，在始發站無人下車，A1=0；在站點2下車的乘客來自站點1的上車乘客，A2=B1×p12；在站點3下車的乘客來自站點1和站點2的上車乘客，A3=B1×p13+B2×p23。因此，可得站點j的下車人數為

(1)

因為始發站與終點站無人上下車，可得：

A1=0,Bn=0

因為在站點i上車的乘客一定在站點i后下車，所以可得：

(2)

在站點j下車的乘客一定在站點j前上車，可得：

(3)

通過對公交客流的調查數據分析，發現決定乘客在某個站點下車概率的因素主要有4個，乘客的出行行為、站點的土地利用性質、站點的吸引強度和換乘系數。

1) 基于乘客出行行為的概率分析

乘客的公交出行大致服從一定的規律，即出行距離大多為中長距離。根據調查研究發現， 乘客公交出行的乘車站點數大致聚集在一定的范圍內，當乘坐一定站數時，在此站點下車概率最大；當乘坐距離過長或過短時，則下車概率越小，此概率符合泊松分布。因此，可以得到乘客站點下車概率Fij為

(4)

其中參數λ為公交平均出行途徑站點數。結合實地情況，居民平均出行站點數量為10，當到達10站點數量以后，居民乘坐站點數量為λ=20-i。

2) 基于站點土地利用性質的概率分析

站點附近的土地利用性質也會對乘客的下車概率產生影響，像商業中心、火車站等站點的客流吸引量會比普通站點的客流吸引量多，故類似站點的土地利用性質會比普通站點的土地利用性質高，本文把土地利用性質分為7類，如表3所示。

表3 各種土地利用性質吸引系數

根據《城市道路交通設計規范》，本文將站點500 m范圍內的土地利用性質作為研究范圍。設Gjh為公交站點j的500 m范圍內第h種土地性質的土地面積占總用地面積的比例，設Kh為各種用地的吸引系數。因此，公交站點j的吸引權Tj為

(5)

3) 基于站點吸引強度的概率分析

基于公交站點本身的吸引強度考慮可以得知，某一公交站點的發生量與吸引量大體均衡，即站點客流發生量越大，則此站點下車概率越大，反之，當站點客流發生量越小，則下車概率越小。由此可推算各站點吸引權Wj。Wj為各站點的吸引權，Bj為在第j站點上車人數，即

(6)

4) 基于公交站點換乘能力的概率分析

對于公交乘客的出行，有時需要進行相應換乘才能到達目的地。因此，當多條公交線路經過某個站點時，乘客在這個站點選擇下車進行換乘的概率就越大，類似汽車站、火車站經過多條公交線路的站點，其換乘系數相對較高[15]。因此，本文設Dj為第j站點的換乘系數，Lj為第j站點能夠換乘的線路數，可以得到：

(7)

在這里，除了經過這個站點的所有公交線路外，乘客還有可能選擇離這個站點較近的其他公交站點進行換乘，因此，還需考慮異站換乘。若選擇異站換乘，居民可接受的換乘距離一般為100 m，所以只考慮離站點100 m范圍內的其他換乘站點。以102路為例，可查看102路20個站點中每個站點100 m范圍內可以進行換乘的站點。由此得到102路所有站點的換乘系數。

由以上4種因素導致的公交乘客選擇下車的概率可以得到Pij公式：

(8)

將Pij代入式(1)得到公交OD矩陣，如表4所示。

表4 公交OD矩陣

3 實例分析

3.1 情況介紹

本文以哈爾濱市102路公交車為例進行分析，線路方向如圖3所示。線路全長12.116 km，共經過20個公交站點。本文數據由公交一卡通公司與公交處獲得，包括公交IC卡數據與公交車輛GPS數據。針對2017年10月10日早高峰7∶00—9∶00的公交客流進行分析，在該時間段內的上行方向經過16條公交車輛，得到刷卡記錄866條。

圖3 公交線路示意

3.2 上、下車站點的判斷

首先對每輛公交車的IC卡數據進行聚類分析，然后與整理的公交車輛GPS數據進行時間匹配。IC卡數據的刷卡時間落在公交車輛GPS數據的到、離站時間之間，則可以確定該名乘客的上車站點位置。由此得到早高峰時段各站點上車人數，如表5所示。

其次，進行下車站點的判斷。先進行基于乘客出行距離的概率計算，再通過站點的吸引權、土地利用性質、可換乘系數等對模型進行修正，得到具體的出行概率矩陣，然后通過各站點上車人數，得到該線路的OD量，如表6所示。

由此得知各站點的上下車人數，如表7所示。同時可以得到線路上各站點上下車人數的表現圖，如圖4所示。由圖6可以看出各站點上下車人數的總數以及比例情況。站點1與站點2的上車人數較多，站點18、19、20的下車人數較多，站點11的上下車人數總量較大，故可以在早高峰期間為這些站點設置大站快車來減輕站點的負擔。

圖4 各站點上下車人數表現圖

表5 早高峰時段各站點的上車人數

表6 早高峰時段各站點間OD量

表7 各站點上下車人數

4 結束語

本文利用公交IC卡與GPS數據進行時間匹配判斷乘客上車位置，基于實際調查結果發現乘客的出行距離大致服從泊松分布。通過站點土地利用性質、站點吸引強度、站點公交線路換乘系數對其進行修正，得到乘客的下車概率。最后通過哈爾濱市102路公交車進行實際計算得到該線路OD量。本文通過概率模型的方法中乘客的下車站點進行判斷，隨著城市公交對乘客下車刷卡的普及，可以更準確地獲得乘客的下車位置。