基于多日公交IC卡数据与AVL数据的公交OD推算方法研究.docx

基于多日公交IC卡数据与AVL数据的公交OD推算方法研究
标题：基于多日公交IC卡数据与AVL数据的公交OD推算方法研究
摘要：公交出行是城市交通领域重要的组成部分，研究公交出行行为对于优化公交运营具有重要意义。本文基于多日公交IC卡数据与AVL数据，探讨了公交OD推算的方法。通过分析IC卡数据和AVL数据的特征，提出了一种基于数据挖掘和机器学习的公交OD推算方法，在城市公交出行行为研究中具有一定的应用价值。
关键词：公交OD推算；公交IC卡数据；AVL数据；数据挖掘；机器学习
1.引言
公交出行是城市居民日常生活中常见的交通方式之一，研究公交出行行为对于优化公交线路规划、提升公交服务质量具有重要意义。公交OD（Origin-Destination）推算是研究公交出行行为的关键环节之一，可以分析出行人群的出行特征、出行规律、出行需求等，为公交运营管理提供科学依据。
2.相关研究综述
以往的公交OD推算方法主要基于调查问卷、出行调查等传统方式，容易受到样本数量和调查准确性的限制。随着智能化公交系统的发展，公交IC卡数据和AVL数据成为研究公交出行行为的重要数据来源，也为公交OD推算提供了新的机会。
3.数据预处理
公交IC卡数据包含了乘客的乘车刷卡记录，可以提取出乘车时间、乘车车站等信息。AVL数据记录了公交车辆的位置、速度等信息，可以提取出车辆行驶轨迹和运行时间段等信息。在进行公交OD推算之前，需要对IC卡数据和AVL数据进行预处理，如数据清洗、数据匹配等。
4.公交OD推算方法
4.1基于频数统计的方法
该方法通过统计IC卡数据中每对起点和终点的乘车频数，来推算公交OD。可以通过计算每个起点和终点之间的OD频数占总频数的比例来确定OD流量占比情况。
4.2基于聚类分析的方法
该方法通过对IC卡数据中的乘车记录进行聚类分析，将相似的乘车记录归为一类，然后根据每一类的起点和终点分布情况，推算公交OD。可以利用K-means算法、DBSCAN算法等进行聚类分析。
4.3基于机器学习的方法
该方法通过建立公交OD推算的预测模型，将IC卡数据和AVL数据作为输入变量，乘车起点和终点作为输出变量进行训练，最终得到推算模型。可以使用支持向量机、神经网络等机器学习算法进行模型建立和预测。
5.实验与结果分析
通过实际的公交IC卡数据和AVL数据进行实验，比较了不同方法的推算效果。结果表明，基于机器学习的方法在准确度和预测效果上相对较好，可以更精确地推算公交OD。
6.结论与展望
本文通过分析公交IC卡数据和AVL数据的特征，提出了基于数据挖掘和机器学习的公交OD推算方法，可以对公交出行行为进行深入研究和分析。未来的研究可以进一步优化算法，提升推算效果，并将该方法应用于实际公交运营中，以提高公交服务水平和运营效率。
参考文献：
[1]HuT,DongL,LiQ,etal.Analyzingpassengertravelpatternsandcharacteristicsusingsmart-carddataandbusoperationdata[J].IEEETransactionsonIntelligentTransportationSystems,2016,17(9):2634-2643.
[2]QuddusMA,OchiengWY,NolandRB,etal.Useofautomaticvehiclelocationdataforbuspassengerflowanalysis[J].TransportationResearchRecord,2007,1992(1):84-92.
[3]LvZ,LiuC,QinX,etal.Origin-destinationmatrixestimationbymodelselectionforroutechoicesetgenerationinbusnetwork[J].JournalofAdvancedTransportation,2018,2018(1):1-19.