基于IC卡數(shù)據(jù)的公交乘客上下站點(diǎn)預(yù)測(cè)研究

遲劍 李秀云 劉艷飛

摘要：當(dāng)前一票制的公交IC卡收費(fèi)系統(tǒng)無法獲取乘客的上車站點(diǎn)和下車站點(diǎn)，為公交線路客流量分析造成了一定困難。本文通過充分研究IC卡數(shù)據(jù)以及GPS數(shù)據(jù)，構(gòu)建了以IC卡數(shù)據(jù)為基礎(chǔ)的乘客上下車站點(diǎn)匹配模型，挖掘數(shù)據(jù)中包含的公交運(yùn)行特征以及乘客出行特征。模型同時(shí)考慮封閉式公交出行鏈以及非封閉式公交出行鏈，并采用二分算法以及多概率融合的方法在乘客乘車特征基礎(chǔ)上推測(cè)乘客的上下車站點(diǎn)，可有效提升公交的高效化運(yùn)行管理。以承德市7號(hào)線路為例進(jìn)行驗(yàn)證，采用線性回歸方程對(duì)上下車站點(diǎn)匹配結(jié)果進(jìn)行分析，相關(guān)系數(shù)高達(dá)0.977，校驗(yàn)回歸方程系數(shù)值為0.978 5。結(jié)果表明該模型可實(shí)現(xiàn)對(duì)公交車乘客上下車站點(diǎn)的有效匹配，具有較好的可靠性。

關(guān)鍵詞：上下車站點(diǎn)；IC卡數(shù)據(jù)；GPS數(shù)據(jù)；數(shù)據(jù)挖掘；數(shù)據(jù)分析

中圖分類號(hào)： TP31；U491文獻(xiàn)標(biāo)識(shí)碼： ADOI：10.3969/j.issn.1007-791X.2024.01.0090

引言

目前，隨著公交出行人口流量的增大以及智能公交的快速發(fā)展，IC卡成為乘客公交出行的主要方式。因此，通過IC卡統(tǒng)計(jì)乘客上下車相關(guān)數(shù)據(jù)變得可行。公交車IC智能系統(tǒng)具有交易數(shù)據(jù)量大、數(shù)據(jù)采集方便、樣本量大以及數(shù)據(jù)連續(xù)性強(qiáng)等優(yōu)點(diǎn)。通過對(duì)IC卡數(shù)據(jù)以及公交車行車GPS數(shù)據(jù)分析，可以較為精準(zhǔn)地判斷乘客的上下車站點(diǎn)，對(duì)于城市的公交系統(tǒng)規(guī)劃和管理具有重要意義[1-2]。但由于目前大多數(shù)公交采用單一票制，乘客僅在上車時(shí)刷卡，因此難以獲取乘客下車站點(diǎn)的位置信息。吳祥國(guó)等[3]針對(duì)IC卡數(shù)據(jù)和公交GPS數(shù)據(jù)，提出可以根據(jù)乘客連續(xù)多日的出行數(shù)據(jù)構(gòu)建出行鏈進(jìn)行下車站點(diǎn)推斷的思想。Yuan 等[4]通過IC卡數(shù)據(jù)以及車輛位置信息獲得乘客下車站點(diǎn)的相關(guān)約束條件，隨后采用隨機(jī)場(chǎng)模型和協(xié)同濾波算法提取乘客出行鏈并推薦乘客下車站點(diǎn)。Wang等[5]通過 IC 卡數(shù)據(jù)以及公交車輛GPS 定位數(shù)據(jù)，采用不間斷出行的方法，推斷乘客的乘車規(guī)律從而獲得相匹配的下車站點(diǎn)。劉瑋軒等[6]在IC卡數(shù)據(jù)的基礎(chǔ)上，通過建立時(shí)間偏移模型和客流量偏移模型對(duì)上車站點(diǎn)進(jìn)行匹配，通過將乘客進(jìn)行精準(zhǔn)分類，提出不同的下車站點(diǎn)匹配算法。Zhou等[7]通過IC卡數(shù)據(jù)以及客流量對(duì)北京的通勤出行時(shí)間和分時(shí)段的客流分布進(jìn)行了深入分析。翁劍成等[8]通過融合IC卡數(shù)據(jù)和公交GPS等數(shù)據(jù)，分析公共交通的行車路線信息，并建立了基于乘客單體的通勤出行鏈提取模型，從而挖掘乘客上下車站點(diǎn)信息。Zhang等[9]同樣利用 IC卡數(shù)據(jù)與GPS 技術(shù)分析乘客的上車站點(diǎn)位置，并在Transcad模型中采用最短路徑算法推導(dǎo)出原站和站間距離矩陣，以出行鏈為基本原理推導(dǎo)出中轉(zhuǎn)站與目的地。陳君等[10]根據(jù)公交乘客出行的時(shí)空規(guī)律性，提出了基于通勤出行模式和關(guān)聯(lián)出行模式判斷下車站點(diǎn)的算法。胡繼華等[11]將乘客的出行特征與下車站點(diǎn)吸引權(quán)重相融合，然后根據(jù)乘客出行鏈的完整程度建立概率模型來判斷乘客的下車站點(diǎn)。Li等[12]全面回顧了使用IC卡數(shù)據(jù)的論文研究，分析出大多數(shù)研究沒有引入土地利用因素以及應(yīng)用敏感性分析，從而提出未來的研究方向。Yap M等[13]針對(duì)公共交通擁擠可能會(huì)對(duì)乘客的出行體驗(yàn)產(chǎn)生重大影響，從而做出對(duì)路線和交通方式的選擇進(jìn)行了研究。Bai等[14]通過開發(fā)基于人工智能的深度學(xué)習(xí)模型來預(yù)測(cè)公交車站點(diǎn)的客流量，該模型基于廣州的一條公交線路IC卡售票系統(tǒng)獲得的實(shí)際乘客數(shù)據(jù)來預(yù)測(cè)客流量的大小。文獻(xiàn)[15-17]同樣在IC卡數(shù)據(jù)和GPS數(shù)據(jù)融合的基礎(chǔ)上引入時(shí)空特性對(duì)乘客上下車站點(diǎn)進(jìn)行推斷。

大多數(shù)依據(jù)IC卡數(shù)據(jù)進(jìn)行上下車站點(diǎn)匹配的模型都是針對(duì)封閉式公交出行鏈進(jìn)行推斷，然而乘客出行仍存在一定量的非封閉式公交出行鏈。本模型通過多概率融合的方式對(duì)于非封閉式公交出行鏈的下車站點(diǎn)判斷，并取得了較好的效果。

1數(shù)據(jù)預(yù)處理

1.1數(shù)據(jù)介紹

由于承德公交集團(tuán)GPS數(shù)據(jù)僅在服務(wù)器保存三天，我們針對(duì)該數(shù)據(jù)進(jìn)行了實(shí)時(shí)采集并保存到本地。本文所使用的數(shù)據(jù)是承德7號(hào)線路2018年采集的GPS數(shù)據(jù)以及IC卡數(shù)據(jù)，并篩選出5月1日至5月7日的數(shù)據(jù)作為研究數(shù)據(jù)。首先，承德市公交IC卡數(shù)據(jù)主要包括乘客卡號(hào)數(shù)據(jù)、IC卡類別、公交線路編號(hào)、車牌號(hào)、刷卡時(shí)間、處置時(shí)間，如表1所示。其中，IC卡類別可分為儲(chǔ)值卡、成人月票卡、老年卡、殘疾卡等13種類型；公交線路編號(hào)中100500007表示7號(hào)線路；刷卡時(shí)間為乘客上車刷卡的即時(shí)時(shí)間；處置時(shí)間則為POS機(jī)的處理時(shí)間。其次，GPS數(shù)據(jù)主要包括GPS運(yùn)行時(shí)間、車輛編號(hào)（車牌號(hào)）、實(shí)時(shí)速度、站點(diǎn)名稱、站點(diǎn)坐標(biāo)等，其中站點(diǎn)坐標(biāo)采用經(jīng)緯度顯示，如表2所示。

1.2數(shù)據(jù)處理及標(biāo)準(zhǔn)化

本文采用承德公交7號(hào)線路2018年5月1日-2018年5月7日的一周數(shù)據(jù)作為數(shù)據(jù)集。首先，對(duì)于GPS數(shù)據(jù)，采用上述規(guī)定時(shí)間段內(nèi)的數(shù)據(jù)，由于公交在停靠主站期間，車輛處于停滯狀態(tài)即速度為0時(shí)表示車輛未運(yùn)行，此類數(shù)據(jù)過多會(huì)導(dǎo)致數(shù)據(jù)檢索時(shí)時(shí)間復(fù)雜度的過高且屬于無效數(shù)據(jù)，因此將該類數(shù)據(jù)作為冗余數(shù)據(jù)進(jìn)行清洗；公交在行駛過程中會(huì)存在違規(guī)行為，忽略違規(guī)行為導(dǎo)致的公交車的“滯站”行為數(shù)據(jù)；為方便時(shí)間比較，將GPS運(yùn)行時(shí)間換算為時(shí)間戳表示，處理后數(shù)據(jù)如表3所示。其次，對(duì)于IC卡數(shù)據(jù)，篩選刷卡時(shí)間位于2018年5月1日至2018年5月7日的數(shù)據(jù)并將刷卡時(shí)間換算為相應(yīng)的時(shí)間戳表示，處理后數(shù)據(jù)如表4所示。

經(jīng)數(shù)據(jù)處理，承德市7號(hào)線路2018年5月1日-7日IC卡數(shù)據(jù)和GPS數(shù)據(jù)中，IC卡數(shù)據(jù)共65 084條，其中共有25 727名乘客乘坐該線路公交車。GPS數(shù)據(jù)共40 805條，包含公交車共22輛，經(jīng)歷公交站點(diǎn)25個(gè)。

2乘客公交出行分析

公交出行鏈作為交通出行鏈定義的延伸，通常認(rèn)為乘客在一天內(nèi)至少連續(xù)兩次乘坐公交并按照順序排序從而構(gòu)成公交出行鏈。公交出行鏈可分為封閉式公交出行鏈和非封閉式公交出行鏈。

封閉式公交出行鏈具體定義為：乘客在一天之內(nèi)存在多次乘坐公交出行，且首次出行站點(diǎn)與末次出行站點(diǎn)屬于同一個(gè)站點(diǎn)。廣義的封閉式公交出行鏈存在中間非換乘和換乘兩種情況。非換乘公交出行鏈表明乘客在首次出行和末次出行期間不存在換乘行為，即乘坐一輛公交便可到達(dá)目的地，如圖1（a）所示，乘客首次出行在站點(diǎn)A乘坐L1線路公交車到達(dá)目的站點(diǎn)E下車到達(dá)目的地且在末次出行中乘坐同一路線公交車于出發(fā)站點(diǎn)E返回目的站點(diǎn)A；換乘公交出行表明乘客乘坐一輛公交無法到達(dá)目的地，乘坐期間需換乘其他公交或線路才可到達(dá)，如圖1（b）所示，乘客首次出行在站點(diǎn)A乘坐L1線路公交車并在站點(diǎn)D換乘L2線路公交車到達(dá)目的站點(diǎn)E，并且在末次出行乘坐相同線路返回站點(diǎn)A，該乘坐方式中間存在換乘行為，但仍屬于封閉式公交出行鏈。現(xiàn)實(shí)生活中，封閉式公交出行鏈可表現(xiàn)為上下班通勤、上下學(xué)等日常行為。

非封閉式公交出行鏈具體定義為：乘客在一天內(nèi)僅從某出發(fā)站點(diǎn)搭乘一次公交，或乘客搭乘多次公交但從未未返回出發(fā)站點(diǎn)等行為，這些行為導(dǎo)致公交出行鏈無法閉合。日常行為舉例為，某乘客早上首次出行乘坐公交車到達(dá)目的地，并在下一次出行中采用非公共交通方式返回首次出行的出發(fā)站點(diǎn)，或者在首次出行后不再返回。

因此，在構(gòu)成封閉式公交出行鏈時(shí)，應(yīng)符合以下約束條件。

1）組成約束：乘客每日出行至少存在兩次由出發(fā)站點(diǎn)至目的站點(diǎn)的公交乘坐行為。

2）時(shí)空約束：前一次乘坐公交車的下車時(shí)間戳需小于后一次乘坐公交的上車時(shí)間戳；前一次乘坐公交車的下車站點(diǎn)距離后一次乘坐公交車站點(diǎn)應(yīng)小于某距離閾值，如圖2所示。

3）換乘約束：真實(shí)生活中，乘坐公交車外出時(shí)的換乘次數(shù)應(yīng)小于某換乘閾值d，即在可接受的換乘次數(shù)之內(nèi)。

3乘客上車站點(diǎn)推斷

針對(duì)處理后的IC卡數(shù)據(jù)和GPS數(shù)據(jù)，采用二分時(shí)間匹配算法推斷乘客的上車站點(diǎn)。具體來說，由于IC卡數(shù)據(jù)中存在車牌號(hào)和刷卡時(shí)間，GPS數(shù)據(jù)中存在車牌號(hào)以及每個(gè)站點(diǎn)公交車的到站時(shí)間和離站時(shí)間。以IC卡數(shù)據(jù)中某乘客刷卡信息進(jìn)行說明，IC卡記錄乘客編號(hào)為p1所乘公交車的車牌號(hào)為c1，刷卡時(shí)間為t1。首先，篩選GPS數(shù)據(jù)中車牌號(hào)為c1的數(shù)據(jù)，然后順序查找ts1

經(jīng)過對(duì)IC卡65 084條乘客數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，可得到5月1日-5月7日各個(gè)站點(diǎn)上車人數(shù)如圖4所示。經(jīng)觀察可知，7號(hào)線首站輕小型修理廠上車人數(shù)最多，于承德市中醫(yī)院站點(diǎn)站上車人數(shù)最少。綜合分析，上車人數(shù)最多的車站位于公交行車線路中部。將公交車完整線路運(yùn)行時(shí)間進(jìn)行序列化，并進(jìn)行以下定義：“輕小型修理廠”—“下營(yíng)房”記作路段A;“下營(yíng)房”—“頭道樓牌”記作路段B……。統(tǒng)計(jì)各路段7日內(nèi)雙向公交車?yán)塾?jì)運(yùn)行時(shí)間，如圖5所示，該運(yùn)行時(shí)間柱狀圖表示在中部站點(diǎn)相對(duì)運(yùn)行時(shí)間最長(zhǎng)。綜合各站點(diǎn)上車人數(shù)和公交線路運(yùn)行時(shí)間可知，在公交車完整行車時(shí)間中，中段時(shí)間上車人數(shù)相對(duì)最多，因此采用二分查找推斷策略可有效降低算法的時(shí)間復(fù)雜度，提高匹配效率。

4乘客下車站點(diǎn)推斷

乘客公交出行鏈存在封閉式出行鏈和非封閉式出行鏈兩種情況，因此做出以下分類對(duì)下車站點(diǎn)進(jìn)行推斷：

1） 封閉式公交出行鏈，即一天內(nèi)至少存在兩次出行，且出行的出發(fā)站點(diǎn)非同一站點(diǎn)，包含乘客換乘線路和不換乘線路兩種情況。

2） 非封閉式公交出行鏈，存在以下幾種情況：乘客單向出行，即一天內(nèi)僅存在一次出行情況，記作情況1；乘客多次出行，且每次出行站點(diǎn)屬于同一站點(diǎn)，記作情況2。

4.1封閉式公交出行鏈

日常中的上班通勤和上下學(xué)等行為大多是往返出行的形式。假設(shè)乘客p1第i次刷卡記錄顯示在線路L1上的A站點(diǎn)上車，且第i+1次刷卡記錄顯示在線路L1上的E站點(diǎn)上車，則表示E為乘客p1第i次乘車的下車站點(diǎn)。值得注意的是，乘客在E站點(diǎn)下車后可能存在換乘情況，由于本文采用數(shù)據(jù)集為7號(hào)線單線路數(shù)據(jù)集，因此對(duì)下車站點(diǎn)與目的站點(diǎn)不做區(qū)分，統(tǒng)稱為下車站點(diǎn)。

4.2非封閉式公交出行鏈

針對(duì)非封閉式公交出行鏈，采用多概率融合的方式對(duì)下車站點(diǎn)進(jìn)行推斷。首先計(jì)算乘客在某時(shí)間段內(nèi)于每個(gè)站點(diǎn)刷卡上車的頻率，由此計(jì)算在每個(gè)站點(diǎn)下車的概率；其次采用車站距離泊松分布計(jì)算每個(gè)站點(diǎn)的下車頻率；最后根據(jù)每個(gè)站點(diǎn)當(dāng)日刷卡人數(shù)即上車人數(shù)計(jì)算各站點(diǎn)下車概率，通過將三種概率按一定權(quán)重比例融合的方式推斷乘客最有可能的下車站點(diǎn)。

假設(shè)某線路L1共有站點(diǎn)m個(gè)，記作車站集合M={s1，s2，…，sm}，根據(jù)乘客在某時(shí)間段內(nèi)的刷卡記錄統(tǒng)計(jì)在每個(gè)站點(diǎn)的上車頻率Ni。并計(jì)算每個(gè)站點(diǎn)可能下車的概率f1i，即

最終各站點(diǎn)下車概率集合表示為D1={f11，f12，…，f1m}。

根據(jù)現(xiàn)有研究[18-19]，乘客在某站點(diǎn)下車的概率與已乘坐過站的站點(diǎn)數(shù)之間呈泊松分布，即

由于由泊松分布獲取的各站點(diǎn)下車概率之和不為1，因此將該概率分布進(jìn)行歸一化處理：

其中，f2ij表示乘客在站點(diǎn)i上車且在站點(diǎn)j下車的概率。λ為該線路乘客在一段時(shí)間內(nèi)平均出行經(jīng)過的站點(diǎn)的數(shù)量。若乘客上車站點(diǎn)i的下游站點(diǎn)小于λ，即m-i<λ，此時(shí)令λ=m-i。由此可得乘客在每個(gè)站點(diǎn)下車的概率矩陣D2=［f2ij］m×m。

乘客有較大概率在日常乘客流量最大的站點(diǎn)下車，即某站點(diǎn)上車人數(shù)越多表示吸引行人的概率越大。因此可根據(jù)上述上車站點(diǎn)的推斷計(jì)算每個(gè)站點(diǎn)的乘客流量。具體計(jì)算公式為

其中，vi表示在站點(diǎn)i上車的人數(shù)。則乘客在各個(gè)站點(diǎn)下車的概率可記作集合D3={f31，f32，…，f3m}。

綜合考慮乘客高頻上車站點(diǎn)，站點(diǎn)泊松分布以及站點(diǎn)乘客流量，并賦予不同權(quán)重，可以得到乘客在某站點(diǎn)i下車概率模型為

其中，ρ1和ρ2為可調(diào)參數(shù)，并滿足ρ1+ρ2<1。

4.3實(shí)例模擬結(jié)果分析

本文對(duì)承德市7號(hào)線路2018年5月1日整天的IC卡數(shù)據(jù)刷卡記錄進(jìn)行下車站點(diǎn)預(yù)測(cè)。其中，參數(shù)為該線路站點(diǎn)數(shù)量即m=25，公交出行屬于中長(zhǎng)距離出行， 因此出行距離過長(zhǎng)或過短的居民較少采用這種交通方式[20]，所以采取λ=Round（m/2）=12。并將5月1日封閉式公交出行鏈和非封閉式公交出行鏈乘客進(jìn)行統(tǒng)計(jì)，滿足封閉出行鏈的乘客數(shù)量為798人，滿足非封閉出行鏈的乘客數(shù)量共3 254人，其中符合情況1的乘客數(shù)量為2 713人，符合情況2的乘客數(shù)量為541人。

由以上數(shù)據(jù)統(tǒng)計(jì)可知，一天內(nèi)僅一次乘坐公交車出行的乘客占絕大多數(shù)，因此非封閉式公交出行鏈的下車站點(diǎn)推斷的準(zhǔn)確性尤為重要。首先，對(duì)于封閉式出行鏈下車站點(diǎn)推斷舉例如表5所示。

其次，對(duì)于非封閉式出行鏈下車站點(diǎn)推斷進(jìn)行了廣泛的參數(shù)敏感度實(shí)驗(yàn)。從日常生活經(jīng)驗(yàn)出發(fā)，本文采用的概率融合的模型實(shí)際包含了主客觀概率。具體來說，乘客日常刷卡最多的站點(diǎn)作為本次出行所推斷的下車站點(diǎn)應(yīng)屬于主觀推斷，即該通過乘客本身的行為做出的推斷，因此f1i值應(yīng)賦予更高的權(quán)重，稱作主觀概率。然而在乘客日常出行次數(shù)較少甚至為0，或者多個(gè)站點(diǎn)刷卡次數(shù)相等時(shí)，主觀推斷則會(huì)失去效果，此時(shí)，由下行站點(diǎn)數(shù)和站點(diǎn)吸引權(quán)進(jìn)行的客觀推斷則會(huì)發(fā)揮重要作用，稱f2fi和f2i為客觀概率。根據(jù)文獻(xiàn)[3]，我們將一周內(nèi)乘車次數(shù)不超過兩次的乘客定義為弱主觀推斷；將一周內(nèi)乘車次數(shù)超過兩次的乘客定義為強(qiáng)主觀推斷。

對(duì)IC卡號(hào)為670021090942982的乘客在5月1日出行記錄進(jìn)行下車站點(diǎn)推斷。該乘客于下營(yíng)房站點(diǎn)上車，且在5月1日-5月7日一周內(nèi)乘車次數(shù)僅為2次，屬于弱主觀推斷。推斷該乘客在下游各站點(diǎn)下車概率如圖6所示。可知，該乘客在（ρ1，ρ2）=（0.1，0.2），（0.1，0.6），（0.3，0.3），（0.5，0.3）時(shí)均在新居宅選擇下車的概率最大。而在（ρ1，ρ2）=（0.1，0.9）選擇在溫州批發(fā)市場(chǎng)下車的概率最大。但在不同參數(shù)下概率分布的整體趨勢(shì)大體相同。根據(jù)對(duì)乘客在前5站點(diǎn)下車的概率進(jìn)行分析，選取（ρ1，ρ2）=（0.1，0.6）時(shí)概率分布更為均勻平滑，因此在弱主觀推斷情況下選取參數(shù)ρ1=0.1，ρ2=0.6。

對(duì)IC卡號(hào)為670021150203916的乘客在5月1日出行記錄進(jìn)行下車站點(diǎn)推斷。該乘客于市中心醫(yī)院站點(diǎn)上車且在5月1日-5月7日一周內(nèi)乘車次數(shù)為6次，屬于強(qiáng)主觀推斷。因此應(yīng)該賦予f1i更高的權(quán)重，經(jīng)計(jì)算，該乘客在下游站點(diǎn)下車的概率如圖7所示。該乘客在（ρ1，ρ2）=（0.2，0.2），（0.2，0.4），（0.5，0.2），（0.8，0.1）時(shí)均在二仙居選擇下車的概率最大。而在（ρ1，ρ2）=（0.2，0.7）選擇在世紀(jì)城2期下車的概率最大。在不同權(quán)重參數(shù)下，折線圖整體走勢(shì)大致一致，但在ρ1較小的情況下，容易產(chǎn)生多個(gè)站點(diǎn)下車概率十分接近的情況，無法突出主觀意愿的重要性。綜合分析，在乘客一周內(nèi)乘車次數(shù)超過2次（包含2）的情況下，設(shè)定可調(diào)參數(shù)ρ1>0.5，ρ2可采用隨機(jī)大小（0<ρ2<0.5）。最終對(duì)非封閉式出行乘客上下車站點(diǎn)舉例，如表6所示。

通過對(duì)2018年5月1日IC卡全天刷卡記錄進(jìn)行上車站點(diǎn)和下車站點(diǎn)推斷并統(tǒng)計(jì)各站點(diǎn)的上車人數(shù)和下車人數(shù)，結(jié)果如表7所示。

從公交出行鏈的角度出發(fā)，乘客每天的首次出行和末次出行會(huì)形成一個(gè)閉環(huán)結(jié)構(gòu)。因此，各個(gè)站點(diǎn)的出行量和下車量在理論上應(yīng)該基本一致[3]。根據(jù)皮爾遜相關(guān)系數(shù)式

計(jì)算相關(guān)系數(shù) 為0.977，并進(jìn)行線性回歸分析如圖8所示。校驗(yàn)回歸方程y=0.978 5x+1.815 4，說明該算法結(jié)果在機(jī)理分析層面較穩(wěn)定，并且推斷的承德市7號(hào)線路各站點(diǎn)上下車人數(shù)在很大程度上處于平衡狀態(tài)，可以取得較高的推斷精度。

5結(jié)論

本文通過對(duì)乘客公交上下車站點(diǎn)進(jìn)行預(yù)測(cè)，提出了融合多因素和出行特征的乘客上下車站點(diǎn)預(yù)測(cè)模型并利用實(shí)際數(shù)據(jù)進(jìn)行實(shí)例分析。結(jié)果表明，本文提出的算法模型能夠針對(duì)不同的出行鏈的公交乘客進(jìn)行有效的上下車站點(diǎn)預(yù)測(cè)。通過本算法預(yù)測(cè)得出的上下車人數(shù)符合生活中上下車站點(diǎn)人數(shù)很大程度上處于平衡狀態(tài)的實(shí)際情況，本算法可以取得較高的預(yù)測(cè)精度，并具有較高的有效性和可靠性。

參考文獻(xiàn)

[1] BAGCHI M， WHITE P R. The potential of public transport smart card data [J]. Transport Policy， 2005， 12（5）： 464-474.

[2] PELLETIER M P， TR?PANIER M， MORENCY C. Smart card data use in public transit： a literature review [J]. Transportation Research Part C： Emerging Technologies， 2011， 19（4）： 557-568.

[3] 吳祥國(guó). 基于公交IC卡和GPS數(shù)據(jù)的居民公交出行OD矩陣推導(dǎo)與應(yīng)用 [D]. 濟(jì)南： 山東大學(xué)， 2011.

WU X G. Derivation and application of OD matrix of residents′ bus trip based on bus IC card and GPS data [D]. Jinan： Shandong University， 2011.

[4] YUAN N J， WANG Y， ZHANG F， et al. Reconstructing individual mobility from smart card transactions： a space alignment approach [C]//IEEE 13th International Conference on Data Mining， Dallas， USA， 2013： 877-886.

[5] WANG W， ATTANUCCI J P， WILSON N. Bus passenger origin-destination estimation and related analyses using automated data collection systems [J]. Journal of Public Transportation， 2011， 14（4）： 131-150.

[6] 劉瑋軒. 基于IC卡數(shù)據(jù)的站點(diǎn)關(guān)聯(lián)度解析及公交調(diào)度方法研究 [D].淄博： 山東理工大學(xué)， 2019.

LIU W X. Research on site correlation degree analysis and bus scheduling method based on IC card data [D]. Zibo： Shandong University of Technology， 2019.

[7] ZHOU Y， YAO L， JIANG Y， et al. GIS-based commute analysis using smart card data： a case study of multi-mode public transport for smart city [M]//Geo-Informatics in Resource Management and Sustainable Ecosystem. Berlin/Heidelberg：Springer，2015： 83-94.

[8] 翁劍成， 王昌， 王月玥， 等. 基于個(gè)體出行數(shù)據(jù)的公共交通出行鏈提取方法 [J]. 交通運(yùn)輸系統(tǒng)工程與信息， 2017， 17（3）： 67-73.

WENG J C， WANG C， WANG Y Y， et al. Extraction method of public transportation travel chain based on individual travel data [J]. Transportation System Engineering and Information， 2017， 17（3）： 67-73.

[9] ZHANG R H， WU X G， CHEN S P. Public transportation trip OD matrix inference using IC card data and GPS information [C]// 11th International Conference of Chinese Transportation Professionals， Nanjing， China， 2011： 587-597.

[10] 陳君， 呂玉坤， 崔美莉. 基于出行模式的公交IC卡乘客下車站點(diǎn)判斷方法 [J]. 西安建筑科技大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2018， 50（1）： 23-29.

CHEN J， LV Y K， CUI M L. Judgment method of bus IC card passenger alighting station based on travel mode [J]. Journal of Xi′an University of Architecture and Technology（Natural Science Edition）， 2018， 50（1）： 23-29.

[11] 胡繼華， 鄧俊， 黃澤. 結(jié)合出行鏈的公交IC卡乘客下車站點(diǎn)判斷概率模型 [J]. 交通運(yùn)輸系統(tǒng)工程與信息， 2014， 14（2）： 62-67.

HU J H， DENG J， HUANG Z. Probabilistic model of bus IC card alighting station judgment combined with travel chain [J]. Transportation Systems Engineering and Information， 2014， 14（2）： 62-67.

[12] LI T， SUN D， JING P， et al. Smart card data mining of public transport destination： a literature review [J]. Information， 2018， 9（1）： 18-23.

[13] YAP M， CATS O， VAN AREM B. Crowding valuation in urban tram and bus transportation based on smart card data [J]. Transportmetrica A： Transport Science， 2020， 16（1）： 23-42.

[14] BAI Y， SUN Z， ZENG B， et al. A multi-pattern deep fusion model for short-term bus passenger flow forecasting [J]. Applied Soft Computing， 2017， 58： 669-680.

[15] 左精力， 王秋平， 陳君. 城市公交GPS數(shù)據(jù)與IC卡數(shù)據(jù)時(shí)空特性融合算法 [J]. 交通信息與安全， 2021， 39（2）： 101-108.

ZUO J J， WANG Q P， CHEN J. Fusion algorithm of urban bus GPS data and IC card data spatiotemporal characteristics [J]. Traffic Information and Security， 2021， 39（2）： 101-108.

[16] 陳嫻，龔小林，鄔嵐.基于IC卡和稀疏GPS數(shù)據(jù)的中小城市公交乘客上下車站點(diǎn)推算方法 [J]. 交通運(yùn)輸研究， 2022， 8（1）： 79-88.

CHEN X， GONG X L， WU L. Calculation method of bus passengers getting on and off in small and medium-sized cities based on IC card and sparse GPS data[J]. Transportation Research， 2022， 8（1）： 79-88.

[17] 李淑慶， 劉耀鴻， 邱豪基. 基于IC卡與GPS數(shù)據(jù)的公交通勤出行特征分析[J]. 重慶交通大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2021， 40（10）： 171-177.

LI S Q， LIU Y H， QIU H J. Analysis of the characteristics of public transportation based on IC card and GPS data [J]. Journal of Chongqing Jiaotong University （Natural Science Edition）， 2021， 40（10）： 171-177.

[18] 趙錦煥， 李文權(quán)， 張健， 等. 公交客流OD矩陣推算[J]．交通運(yùn)輸工程與信息學(xué)報(bào)， 2009， 7（4）： 124-128.

ZHAO J H， LI W Q， ZHANG J， et al. Calculation of bus passenger flow OD matrix [J]. Journal of Transportation Engineering and Information， 2009， 7（4）： 124-128.

[19] 孫凱， 鄭長(zhǎng)江. 基于公交IC卡刷卡數(shù)據(jù)的站點(diǎn)客流推算 [J]. 貴州大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2021， 38（2）： 104-110.

SUN K， ZHENG C J. Calculation of station passenger flow based on bus IC card swiping data [J]. Journal of Guizhou University （Natural Science Edition）， 2021， 38（2）： 104-110.

[20] CASCETTA E. Estimation of trip matrices from traffic counts and survey data： a generalized least squares estimator [J]. Transportation Research Part B Methodological， 1984， 18（4/5）： 289-299.

Boarding and alighting stop inference based on transit IC card data

CHI Jian1，2， LI Xiuyun1，2， LIU Yanfei1，2

（1.College of Mathematics and Computer Science， Hebei Normal University for Nationalities，Chengde， Hebei 067000， China

2.The Technology Innovation Center of Cultural Tourism Big Data of Hebei Province， Chengde， Hebei 067000， China）

Abstract：At present， IC card charging system cannot obtain the passengers′ boarding and alighting stop points， which has caused certain difficulties for the analysis of the passenger flow of bus lines. By fully studying the IC card data and GPS data， a passenger boarding and alighting station matching model based on IC card data is constructed to excavate the bus operation characteristics and passenger travel characteristics contained in the data. The model considers both the closed bus travel chain and the non-closed bus travel chain and uses the binary algorithm and multi-probability fusion method to speculate on the passenger′s boarding and alighting station based on the passenger′s riding characteristics， which can effectively improve the efficient operation and management of the bus. Taking Chengde No.7 Line as an example for verification， the matching results of the boarding and alighting stations are analyzed by using a linear regression equation， and the correlation coefficient is as high as 0.977 and the regression equation coefficient value is 0.978 5. The results show that the model can achieve effective matching of bus passengers boarding and alighting stops and have good reliability.

Keywords：boarding and alighting stops; IC card data; GPS data; data mining; data analysis