基于公交大数据的满载率推算方法——以深圳市为例

doi:10.13474/j.cnki.11-2246.2019.0294

测绘通报 ›› 2019, Vol. 0 ›› Issue (9): 99-103.doi: 10.13474/j.cnki.11-2246.2019.0294

基于公交大数据的满载率推算方法——以深圳市为例

闻帅, 黄正东

深圳大学智慧城市研究院, 广东深圳 518060

收稿日期:2019-03-14 出版日期:2019-09-25 发布日期:2019-09-28
作者简介:闻帅(1991-),男,硕士,主要研究方向为GIS、城市公交。E-mail:oddo2012@163.com
基金资助:
深圳市科技创新委员会基础研究（学科布局）项目（JCYJ20170412105839839）；国家自然科学基金（41271396）

Bus load factor estimation based on transit big data: a case study of Shenzhen

WEN Shuai, HUANG Zhengdong

Research Institute for Smart Cities, Shenzhen University, Shenzhen 518060, China

Received:2019-03-14 Online:2019-09-25 Published:2019-09-28

摘要/Abstract

摘要： 城市可持续发展需要提升公共交通的供给能力。公汽满载率是公交规划、调度和服务评价等方面的重要参数。在公交信息化水平不断提升的背景下，由公交IC卡数据和公共汽车GPS数据等构成的公交大数据为获得相对精确的客流提供了可能。虽然已有相对稳定的OD推算方法，但对于公汽满载率的研究尚不够充分。本文提出基于历史公交大数据的大规模公交出行链搜素算法，在此基础上构建公共汽车满载率数据库，并以深圳市为例揭示了高满载率线路段的时空分布特征。本文研究对于揭示公汽服务整体水平和探测关键公交廊道具有较大价值。

关键词: 公交大数据, 公汽满载率, 公交出行链, IC卡数据, 深圳市

Abstract: Sustainable urban development needs to improve the supply capacity of public transport. The load factor is an important parameter in bus planning, dispatching and service evaluation. The level of public transit information provision has been improved. With the availability of transit IC card data and bus GPS data, it is possible to obtain relatively accurate information of passenger flow. Although relatively stable OD estimation methods have been suggested, there is still research gap on bus load factor. In this paper, a large-scale public transit trip chain search algorithm based on historical public transit big data is proposed, and a bus load factor database is constructed. Taking Shenzhen as an example, this paper reveals the spatial and temporal distribution characteristics of high load factor road sections. The research has great value for revealing the overall level of bus service and detecting key bus corridors.

Key words: transit big data, bus load factor, public transit trip chain, IC card, Shenzhen

中图分类号:

P208

闻帅, 黄正东. 基于公交大数据的满载率推算方法——以深圳市为例[J]. 测绘通报, 2019, 0(9): 99-103.

WEN Shuai, HUANG Zhengdong. Bus load factor estimation based on transit big data: a case study of Shenzhen[J]. 测绘通报, 2019, 0(9): 99-103.

参考文献

[1] SHEN X, FENG S, LI Z, et al. Analysis of bus passenger comfort perception based on passenger load factor and in-vehicle time[J]. SpringerPlus, 2016, 5(1):62.
[2] TONG L C, ZHOU L, LIU J, et al. Customized bus service design for jointly optimizing passenger-to-vehicle assignment and vehicle routing[J]. Transportation Research Part C:Emerging Technologies, 2017, 85(12):451-475.
[3] 张桂芬, 沈伟, 刘杰. 智能公交信息采集系统的设计与实现[J]. 测绘通报, 2017(4):128-131,136.
[4] 刘欢, 李文权. 城市公交调度中满载率问题的研究[J]. 交通运输工程与信息学报, 2008, 6(4):104-109.
[5] 杨薇, 谭英嘉, 葛宏伟. 公交线路规划与服务评价中满载率指标的应用研究[J]. 公路, 2014(3):112-116.
[6] WARDMAN M, WHELAN G. Twenty years of rail crowding valuation studies:evidence and lessons from British experience[J]. Transport reviews, 2011, 31(3):379-398.
[7] TIRACHINI A, HENSHER D A, ROSE J M, et al. Crowding in public transport systems:effects on users, operation and implications for the estimation of demand[J]. Transportation research part A:Policy, 2013, 53(7):36-52.
[8] 蒋盛川, 孙轶凡, 杜豫川. 拥挤度对公共交通方式选择意愿的影响[J]. 同济大学学报(自然科学版), 2012, 40(12):1831-1835.
[9] BAGCHI M, WHITE P R. The potential of public transport smart card data[J]. Transport Policy, 2005, 12(5):464-474.
[10] 邬群勇, 苏克云, 邹智杰. 基于MapReduce的海量公交乘客OD并行推算方法[J]. 地球信息科学学报, 2018, 20(5):647-655.
[11] 杨万波, 王昊, 叶晓飞, 等. 基于GPS和IC卡数据的公交出行OD推算方法[J]. 重庆交通大学学报, 2015, 34(3):117-121.
[12] 胡郁葱, 梁杰荣, 梁枫明. 基于IC卡数据挖掘获取公交OD矩阵的方法[J]. 交通信息与安全, 2012, 30(4):66-70.
[13] 胡继华, 高立晓, 梁嘉贤. 基于交通大数据的公交线路OD矩阵推断方法[J]. 科学技术与工程, 2017, 17(11):309-314.
[14] ZHAO J. The planning and analysis implications of automated data collection systems:rail transit OD matrix inference and path choice modeling examples[J]. Environmental Science & Technology, 2004, 39(23):9309-9316.
[15] 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(6):33-39.
[16] BIRANT D, KUT A. ST-DBSCAN:an algorithm for clustering spatial-temporal data[J]. Data & Knowledge Engineering, 2007, 60(1):208-221.
[17] ESTER M, KRIEGEL H-P, SANDER J, et al. A density-based algorithm for discovering clusters in large spatial databases with noise[C]//SIMOUDIS E, HAN J W, FAYYAD U, et al. Proceedings of the 2nd International Conference on Knowledge Discovery and Data Mining. Portland:AAAI Press, 1996:226-231.

基于公交大数据的满载率推算方法——以深圳市为例

Bus load factor estimation based on transit big data: a case study of Shenzhen

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	葛鹏飞, 刘辉, 陈蜜, 李昱, 丁瑞力, 刘菲. 时序InSAR监测京雄城际铁路河北段地面沉降[J]. 测绘通报, 2022, 0(7): 64-70.
[2]	吕峥, 孙群, 温伯威, 马京振. 一种自身全局最优的道路网Stroke生成方法[J]. 测绘通报, 2022, 0(7): 93-99.
[3]	钟祺康, 王志一, 王娜, 郗富瑞. 陕北干旱区景观生态风险空间分异特征及驱动因素分析[J]. 测绘通报, 2022, 0(7): 100-106.
[4]	强德霞, 马海政, 朱自平, 苟彦梅. 甘肃省积石山县泥石流空间分布及分析[J]. 测绘通报, 2022, 0(7): 107-111,117.
[5]	韩文立, 张继贤, 陈海鹏, 黄海英, 章力博, 葛娟, 沈晶, 卢遥. 新型基础测绘质检技术探讨[J]. 测绘通报, 2022, 0(7): 148-153.
[6]	陶肖静. 基于TEA算法的地理信息数据安全保护技术及验证分析[J]. 测绘通报, 2022, 0(7): 154-157,167.
[7]	蔡柔丹. 一种基于用户异步轨迹的身份识别智能方法[J]. 测绘通报, 2022, 0(7): 158-162,167.
[8]	周烨, 刘云波, 郑丽波, 龙泱君. 多平台点云数据的单木参数提取精度分析[J]. 测绘通报, 2022, 0(7): 168-172.
[9]	贺瑜琦, 曾一笑, 陈光, 陈良超. 新型测绘视角下的山地城市规划实施场景预警模拟技术探索[J]. 测绘通报, 2022, 0(4): 11-15.
[10]	罗国玮, 叶嘉媛, 王金凤. 基于多特征相似性的多源POI匹配方法[J]. 测绘通报, 2022, 0(4): 96-100.
[11]	闫明涛, 乔家君, 瞿萌, 朱乾坤, 韩冬. 黄河流域乡村社会经济与生态环境耦合协调测度及影响因素分析[J]. 测绘通报, 2022, 0(4): 101-105,116.
[12]	张普伟, 付梁, 王国华, 卢嫣楠, 赵海云. 乡村休闲养老项目的选址评价体系分析[J]. 测绘通报, 2022, 0(4): 106-110.
[13]	黄鹤, 孟维明. 基于视觉的大半径圆曲线车道线识别[J]. 测绘通报, 2022, 0(4): 134-137.
[14]	张定祥, 汪秀莲, 刘顺喜, 张嘉, 陈强, 李士江. 第三次全国国土调查土地利用矢量数据栅格化方法[J]. 测绘通报, 2022, 0(4): 138-144.
[15]	曾元武, 史京文, 罗宏明, 程迎轩. 省市县三级联动国土空间规划实施监督信息系统建设研究——以广东省为例[J]. 测绘通报, 2022, 0(4): 145-148.