多源大數(shù)據(jù)視角下匹配居民出行需求的城市公交系統(tǒng)設(shè)計

摘 要：本文以多源大數(shù)據(jù)為基礎(chǔ)，設(shè)計一種匹配居民出行需求的城市公交系統(tǒng)，有效改善城市居民的出行體驗。該系統(tǒng)結(jié)合多種大數(shù)據(jù)技術(shù)，對居民出行數(shù)據(jù)、交通狀況數(shù)據(jù)、現(xiàn)有車輛信息、天氣信息進行了綜合分析。通過數(shù)據(jù)采集模塊、數(shù)據(jù)處理模塊、需求分析模塊、線網(wǎng)規(guī)劃模塊等模塊，為公交線路規(guī)劃、車輛智能化調(diào)度、乘客信息服務(wù)提供科學(xué)依據(jù)。通過系統(tǒng)測試表明，該系統(tǒng)性能較佳，具有實際應(yīng)用價值。

關(guān)鍵詞：大數(shù)據(jù)；出行需求；城市公交

中圖分類號：TP 391" " 文獻標(biāo)志碼：A

基于大數(shù)據(jù)技術(shù)可以獲取大范圍、多源的城市交通信息，為城市交通管理提供豐富的數(shù)據(jù)資源。為了使城市交通智能化，充分利用數(shù)據(jù)并將其應(yīng)用于城市交通，需要一個高效的系統(tǒng)來采集、處理、分析基礎(chǔ)數(shù)據(jù)，并針對性地進行線網(wǎng)規(guī)劃。本文將探究多源大數(shù)據(jù)視角下匹配居民出行需求的城市公交系統(tǒng)設(shè)計方法，搭建城市公交系統(tǒng)總架構(gòu)。從而使城市公交系統(tǒng)能更好地適應(yīng)不斷變化的城市出行需求，并為城市居民提供更便捷、可持續(xù)和舒適的出行選擇，推動城市交通領(lǐng)域的進步。

1 匹配居民出行需求的城市公交系統(tǒng)架構(gòu)設(shè)計

多源大數(shù)據(jù)視角下，匹配居民出行需求的城市公交系統(tǒng)主要包括數(shù)據(jù)采集模塊、數(shù)據(jù)處理模塊、需求分析模塊和線網(wǎng)規(guī)劃模塊。匹配居民出行需求的城市公交系統(tǒng)架構(gòu)，如圖1所示。

該系統(tǒng)通過數(shù)據(jù)采集模塊設(shè)計，獲取了居民出行數(shù)據(jù)、交通狀況數(shù)據(jù)、現(xiàn)有車輛信息、天氣信息等和居民出行需求相關(guān)的數(shù)據(jù)。通過數(shù)據(jù)處理模塊設(shè)計，對采集的數(shù)據(jù)進行處理和清洗，便于后續(xù)簡潔、高效地進行需求分析和線網(wǎng)規(guī)劃[1]。通過需求分析模塊設(shè)計，對居民出行時間的高峰及低谷、熱門出行區(qū)域、居民常用出行路徑、用戶偏好等需求信息進行分析。通過線網(wǎng)規(guī)劃模塊設(shè)計，實現(xiàn)城市公交線路的最優(yōu)規(guī)劃以及公交車輛運行的自動監(jiān)控，同時為居民提供實時的公交信息，有效提高城市公共交通的服務(wù)水平。

2 系統(tǒng)各模塊設(shè)計

2.1 數(shù)據(jù)采集模塊

在數(shù)據(jù)采集模塊的搭建過程中，收集與居民出行需求相關(guān)的數(shù)據(jù)，需要明確數(shù)據(jù)來源，例如居民出行數(shù)據(jù)（用戶出行習(xí)慣、常用線路、上下車點等）、交通狀況數(shù)據(jù)（實時交通流量、道路狀況、擁堵情況等）、現(xiàn)有車輛信息（公交車輛位置、狀態(tài)、運行情況等）和天氣數(shù)據(jù)等。分渠道對多來源數(shù)據(jù)進行采集，如圖2所示。

根據(jù)API接口的要求，使用Apache Kafka流式數(shù)據(jù)處理框架，設(shè)置數(shù)據(jù)輸入管道，以接收來自不同數(shù)據(jù)源的實時數(shù)據(jù)流，并使用Kafka Connect連接不同的數(shù)據(jù)源和目標(biāo)節(jié)點。配置輕量級的MQTT數(shù)據(jù)傳輸協(xié)議，用于多個數(shù)據(jù)源同時傳輸給多個數(shù)據(jù)接收端，通過TLS/SSL加密保護數(shù)據(jù)在傳輸過程中的機密性，確保數(shù)據(jù)可以安全地傳輸?shù)街醒胂到y(tǒng)。在采集節(jié)點上設(shè)置QoS容錯機制，并允許消息重新傳輸（直到確認(rèn)接收），以應(yīng)對網(wǎng)絡(luò)中斷或采集節(jié)點故障。使用AWS Elastic Load Balancer負(fù)載均衡器，以均衡數(shù)據(jù)流量并將請求分發(fā)給多個采集節(jié)點。使用Amazon SQS消息隊列系統(tǒng)，作為數(shù)據(jù)緩沖和分發(fā)層，根據(jù)負(fù)載自動增加或減少采集節(jié)點。當(dāng)數(shù)據(jù)流量增加時，系統(tǒng)自動啟動新的采集節(jié)點以處理更多數(shù)據(jù)，從而提高系統(tǒng)的可用性，減少管理系統(tǒng)資源的復(fù)雜性。

2.2 數(shù)據(jù)處理模塊

數(shù)據(jù)處理是城市公交系統(tǒng)的重要子模塊，可對采集的數(shù)據(jù)進行處理和清洗，其設(shè)計確保數(shù)據(jù)的質(zhì)量、一致性和可用性，便于后續(xù)模塊使用。使用Pandas數(shù)據(jù)處理庫，加載采集的原始GPS定位數(shù)據(jù)，將數(shù)據(jù)轉(zhuǎn)化為DataFrame格式[2]。通過設(shè)定閾值來識別和處理異常值，利用Z-Score方法計算每個GPS坐標(biāo)的偏差程度，如公式（1）所示。

Z=（X-μ）/σ （1）

式中：Z為統(tǒng)計量，用于衡量數(shù)據(jù)點相對數(shù)據(jù)集均值的偏離程度；X為數(shù)據(jù)點的數(shù)值；μ為數(shù)據(jù)集的均值；σ為數(shù)據(jù)集的標(biāo)準(zhǔn)差。將偏差超過2標(biāo)準(zhǔn)差的數(shù)據(jù)標(biāo)記為異常值，對異常值進行刪除或填充操作。使用多元線性回歸插補進行缺失值處理，將完整的觀測數(shù)據(jù)作為自變量，而待插補的變量作為因變量，計算過程如公式（2）所示。

Yi=β0+β1x1+β2x2+…+βpxp+εi （2）

式中：Yi為缺失值，即需要插補的變量；x1，x2，…，xp為其他已知特征，用作自變量；β0，β1，β2，…，βp為回歸系數(shù)，即每個自變量對Yi的影響；εi 為誤差項。多次重復(fù)迭代，最終整合多次估算的結(jié)果，以獲得更準(zhǔn)確的插補值，為后續(xù)的數(shù)據(jù)分析提供高質(zhì)量的數(shù)據(jù)基礎(chǔ)。根據(jù)分析需求選擇和提取與公交系統(tǒng)性能和需求相關(guān)的特征，例如載客量、車輛狀態(tài)、擁堵情況、線路信息、乘客流量等，將需求特征縮放到[0，1]，計算過程如公式（3）所示。

（3）

式中：為歸一化后的需求特征值；y為原始需求特征值；ymin為需求特征最小值；ymax為需求特征最大值。通過歸一化處理，更好地處理特征間的差異，確保不同特征具有相似的尺度和格式。使用Apache Kafka實時捕捉和處理數(shù)據(jù)流，確保數(shù)據(jù)的準(zhǔn)確性與即時性。將整合后的數(shù)據(jù)導(dǎo)入MySQL數(shù)據(jù)庫，并建立索引結(jié)構(gòu)，以便于數(shù)據(jù)管理和訪問，為后續(xù)的需求分析模塊提供高質(zhì)量的數(shù)據(jù)基礎(chǔ)。

2.3 需求分析模塊

為提高需求分析的精細(xì)度，使用ArcGIS創(chuàng)建城市柵格網(wǎng)格，每個柵格單元的邊長為500m，并依照不同的行和列，為每個柵格單元分配唯一的編碼。通過ArcGIS的空間疊加工具，對出行需求數(shù)據(jù)中的起點和目的地坐標(biāo)與柵格單元進行空間疊加，以便統(tǒng)計每個柵格單元內(nèi)的OD需求數(shù)量，即起點和目的地都在同一個柵格內(nèi)的需求[3]。調(diào)用居民移動軌跡數(shù)據(jù)，對每個居民個體在工作時間段和休息時間段內(nèi)的活躍度進行分析，將閾值比例設(shè)定為0.7，若工作活躍比例＞70%，則將該柵格定義為工作空間。反之，則將該柵格定義為居住空間。需求分析的具體流程，如圖3所示。

為精確地獲取出行需求，使用公開數(shù)據(jù)源（天氣、節(jié)假日安排等數(shù)據(jù)）與手機信令（早高峰和晚高峰時段）進行輔助論證，實時描繪城市居民的出行變化活動，以獲得城市居民的OD導(dǎo)向需求。利用Pearson相關(guān)系數(shù)計算，與公交GPS數(shù)據(jù)進行耦合性分析，如公式（4）所示。

（4）

式中：R為兩個變量間的線性關(guān)系程度；mi、gi分別為兩個變量的數(shù)據(jù)點；m、g分別為兩個變量的均值。通過計算Pearson相關(guān)系數(shù)，評估兩個變量間的線性相關(guān)性。如果R值接近1或-1，就表示變量間存在強烈的關(guān)聯(lián)。如果R值接近0，就表示兩個變量間關(guān)聯(lián)較弱或沒有線性關(guān)系。根據(jù)數(shù)據(jù)關(guān)聯(lián)性分析，獲取數(shù)據(jù)的高重合比例，以評估居民的通勤方式。疊加分析城市居民OD出行需求與公交線網(wǎng)可達性，判斷不同柵格間的匹配情況，從而更準(zhǔn)確地理解城市居民的出行需求，為公交系統(tǒng)的規(guī)劃和優(yōu)化提供有力支持。

2.4 線網(wǎng)規(guī)劃模塊

2.4.1 公交路線規(guī)劃

在公交線路設(shè)計的過程中，利用GPS數(shù)據(jù)和地圖信息構(gòu)建城市路網(wǎng)模型，其中節(jié)點為交叉口或公交站點，邊為道路，邊的權(quán)重為距離、行駛時間或其他成本指標(biāo)。根據(jù)需求分析模塊的結(jié)果，確定起始點和終點，將其作為算法的輸入。考慮交通擁堵、速度限制等實時信息，運用Dijkstra算法計算從起始點到終點的最優(yōu)路徑，計算過程如公式（5）所示。

Dv=min（Dv，Du+w（u，v）） " （5）

式中：Dv為從起始節(jié)點到節(jié)點v的當(dāng)前最短距離；Du為從起始節(jié)點到節(jié)點u的當(dāng)前最短距離；w（u，v）為從節(jié)點u到節(jié)點v的邊的權(quán)重。重復(fù)迭代，根據(jù)算法的輸出，確定經(jīng)過點和站點位置，獲取優(yōu)化后的線路，以提供高效便利的出行服務(wù)。同時，使用地理信息系統(tǒng)（GIS）工具對地圖數(shù)據(jù)進行處理，以輔助線路設(shè)計的可視化展示。當(dāng)設(shè)計換乘點時，根據(jù)城市出行需求，調(diào)取城市GIS數(shù)據(jù)，將不同交通模式（公共交通、自行車、步行、共享出行等）整合在一起，以便居民能夠方便地?fù)Q乘不同的交通方式，減少等待和換乘時間。利用TransCAD交通模擬工具，對線路進行模擬和評估，計算過程如公式（6）所示。

Q=f（G，H，J，K，L，O） " （6）

式中：Q為線路的綜合性能評分；G為等待時間，反映了乘客在車站等待公交車的時間；H為換乘時間，表示乘客在不同線路間的平均換乘時間；J為行程時間，包括等待時間、行駛時間和換乘時間；K為成本，包括運營成本、車輛成本等；L為能源消耗和排放，反映線路的環(huán)保程度；O為其他因素，例如乘客滿意度、社會影響等。對多項指標(biāo)進行綜合評估，得到線路的綜合性能評分Q，從而確保線路的有效性和效率。

2.4.2 車輛智能化調(diào)度

自動輸入動態(tài)數(shù)據(jù)的分析結(jié)果，預(yù)測未來乘客集散的高低階段、公交站點乘客量、車輛運行時長，運用粒子群算法自動生成相應(yīng)的調(diào)度形式，分別計算粒子的位置和速度，如公式（7）、公式（8）所示。

Vi（t+1）=ω·Vi（t）+b1·c1·（Bi-Ni（t））+b2·c2·（Ai-Ni（t）） （7）

Ni（t+1）=Ni（t）+Vi（t+1） " （8）

式中：Vi（t+1）為粒子i在下一代的速度；ω為慣性權(quán)重，控制了上一代速度對當(dāng)前速度的影響；b1和b2為加速因子，分別為個體和社會影響的權(quán)重；c1和c2為[0，1]的隨機數(shù)；Bi為粒子i歷史上的最佳位置，即之前迭代中找到的最佳調(diào)度方案；Ai為整個粒子群中的最佳位置，即之前迭代中找到的最佳調(diào)度方案；Ni（t）為粒子i在當(dāng)前代的位置；Ni（t+1）為粒子i在下一代的位置。通過不斷迭代，更新粒子的位置和速度，獲取使目標(biāo)函數(shù)最小化的最佳調(diào)度方案，并自動生成優(yōu)化的車輛發(fā)車時刻表。基于IoT實時數(shù)據(jù)，以1h作為時間間隔，調(diào)整車輛分配和發(fā)車間隔，將額外的車輛分配給高需求或擁擠線路，以更好地匹配乘客流量，減少居民等待時間和改善道路擁擠度。根據(jù)車輛故障反饋、未按計劃到站、極端惡劣天氣等不同情況的緊急性，設(shè)置不同的警報級別，分配警報級別為緊急警報、一般警報、信息性警報，將警報機制與監(jiān)控系統(tǒng)集成，以實現(xiàn)自動觸發(fā)。基于警報級別，建立明確的警報鏈，如圖4所示。

當(dāng)出現(xiàn)異常情況時，警報機制能夠以高度敏感、精準(zhǔn)的方式迅速響應(yīng)，實時通知相關(guān)人員，以便及時采取必要的措施，以保障公共交通系統(tǒng)的安全性。通過建立自動化觸發(fā)機制，可以有效減少人為操作錯誤，并顯著提升應(yīng)急響應(yīng)速度。通過合理設(shè)置警報級別，優(yōu)先處理最緊急的問題，從而最大程度地保證公共交通系統(tǒng)的正常運行。

2.4.3 乘客信息服務(wù)

在乘客信息服務(wù)中，使用Bootstrap框架，并配置Webpack開發(fā)環(huán)境，創(chuàng)建項目文件和文件夾結(jié)構(gòu)。使用HTML創(chuàng)建頁面結(jié)構(gòu)，包括標(biāo)頭、導(dǎo)航、主內(nèi)容區(qū)域、側(cè)邊欄等，使用語義標(biāo)簽和元素來增強可訪問性。編寫CSS頁面樣式，包括布局、顏色、字體（支持多語言）、動畫等，同時遵循響應(yīng)式設(shè)計原則，以保證界面適應(yīng)不同屏幕尺寸。使用JavaScript添加表單驗證、按鈕點擊事件、動畫效果等交互功能，確保用戶界面及時響應(yīng)用戶操作。基于前端界面的基本框架設(shè)計，乘客信息服務(wù)模塊的主要功能包括個人中心、公交查詢、用戶反饋等，其功能架構(gòu)如圖5所示。

通過個人中心（交通管理通告、天氣查詢、周邊興趣點查詢、歷史記錄）、公交查詢（公交換乘查詢、周邊公交查詢、實時公交查詢）、用戶反饋（錯誤報告、體驗反饋）等子模塊的運行，使居民更便捷、清晰地獲取有關(guān)交通、天氣和公交的準(zhǔn)確信息，從而提高居民的出行體驗。

3 系統(tǒng)測試

3.1 測試準(zhǔn)備

本系統(tǒng)使用Intel Core i9-12900K處理器，內(nèi)存頻率為DDR6-6000MT/s，主頻為3.8GHz。配置1臺Vmware 15 Pro虛擬機，應(yīng)用Windows 10操作系統(tǒng)，操作系統(tǒng)為Ubuntu 22.04。測試數(shù)據(jù)集由多源數(shù)據(jù)構(gòu)成，包括實時交通數(shù)據(jù)、用戶出行歷史數(shù)據(jù)、城市地理信息數(shù)據(jù)等，以模擬真實出行需求情況。在測試過程中，須確保虛擬機和外部網(wǎng)絡(luò)間的連接穩(wěn)定，以確保數(shù)據(jù)的實時傳輸和系統(tǒng)的正常運行。

3.2 測試結(jié)果

使用1000bit、2000bit、5000bit、10000bit和50000bit等5組不同大小的數(shù)據(jù)集，測試該系統(tǒng)的大批量數(shù)據(jù)處理能力，系統(tǒng)性能表現(xiàn)見表1。

由表1可知，在不同規(guī)模的數(shù)據(jù)條件下，該系統(tǒng)的數(shù)據(jù)采集時間、數(shù)據(jù)處理時間、需求分析時間和線網(wǎng)規(guī)劃時間較短，在不同模塊的運行過程中均表現(xiàn)較佳。測試結(jié)果顯示，匹配居民出行需求的城市公交系統(tǒng)具有較高的性能，能夠有效提高居民出行體驗和城市公共交通的服務(wù)水平。

4 結(jié)語

通過充分利用多來源的大數(shù)據(jù)，能夠更好地分析和滿足城市居民的出行需求，有針對性地優(yōu)化公交線路規(guī)劃，提高公交車輛的調(diào)度效率，并進行個性化的出行服務(wù)設(shè)計，從而為城市居民提供更便捷、高效的公共交通系統(tǒng)。通過測試，該系統(tǒng)具備較高的可靠性，在實際應(yīng)用中能為城市公交領(lǐng)域的改進與優(yōu)化工作提供支持，具有較為廣泛的應(yīng)用前景。在未來，相關(guān)技術(shù)人員須進一步改進大數(shù)據(jù)分析模塊的技術(shù)流程，使城市公交系統(tǒng)更貼近居民的實際需求。

參考文獻

[1]張震，孔令濤，郭向海，等.智能公交系統(tǒng)的大數(shù)據(jù)平臺信息資源規(guī)劃[J].河南科技，2023，42（5）：26-31.

[2]何東，馬曉輝，劉國印.大數(shù)據(jù)技術(shù)在智能公交系統(tǒng)的應(yīng)用[J].智能建筑與智慧城市，2022（7）：177-179.

[3]徐猛，劉濤，鐘紹鵬，等.城市智慧公交研究綜述與展望[J].交通運輸系統(tǒng)工程與信息，2022，22（2）：91-108.