基于完整出行链的公交站点附近区域OD推算

贾曼月

摘 要：出行模式以及数据日益多样化，提出了一种完整出行链的公交站点附近区域OD推算。将与公交有关的出行模式进行划分，分别对每种出行模式进行公交站点附近区域OD推算。然后以深圳市公交以及共享单车数据，用实例验证推算结果有较高的准确性及精度。关键词：GPS;IC卡数据;共享单车;公交OD推算中图分类号：U467  文献标识码：B  文章编号：1671-7988（2019）01-53-03

The area near the bus stop OD estimation based on the complete travel chain*

Jia Manyue

（School of automobile， Changan University， Shaanxi Xian 710064）

Abstract： Travel mode and data are increasingly diversified， and a complete travel chain is proposed for the OD reverse push around the bus stop. The travel modes related to the public transport are divided， and the OD of the vicinity of the bus stop is reversed for each travel mode. Then， using the Shenzhen bus and shared bicycle data， the results of the reverse push are verified with high accuracy and accuracy.Keywords： GPS; IC card data; sharing bicycle; bus OD projectionCLC NO.： U467  Document Code： B  Article ID： 1671-7988（2019）01-53-03

引言

蘇跃江、龙小强等人挖掘IC数据公交站点OD，构建公交站点OD推算小区OD模型^[1]。宋竹、秦志光，提出了一种不关联公交调度信息和GPS数据的OD矩阵推导算法。^[2]。尹长勇，对传统调查方法获取OD矩阵精度不高、数据更新周期长的现状，详细介绍了如何利用GPS数据及IC卡数据推算公交OD矩阵的处理方法^[3]。胡继华、高立晓提出在多模式公交网络的基础上，利用大数据可以较为准确地获得乘客的上下车站点，因此可以得到准确的线路OD，真实地反映公交出行现状^[4]。本文在前人研究的基础上，对基于涉及公交的出行模式进行补充，计算基于完整出行链的公交站点附近区域OD矩阵，提供更详尽的出行起始点，为公共交通规划提供更详细的矢量数据支撑。

1 OD推算准备

1.1 数据准备

要得到具体的站点附近区域出行OD矩阵要先得到公交OD矩阵，需要的基础信息主要有：GPS定位数据、IC卡刷卡数据以及公交站点编号对应的公交站点数据。

1.2 数据处理

利用Excel对GPS数据和IC卡刷卡数据以车牌号以及线路名称为索引进行匹配：首先提取X线Y车GPS数据并按时间排序，再将IC卡数据中X线Y车的交易时间与GPS数据的进出站时间作对比，若卡号为ABC的交易时间介于第M站进站时间和第M+1站进站时间之间，则将ABC认定为在第M站上车，依次确定将所有IC卡卡号上车点。

2 推算方法

2.1 基于通勤出行模式的下车站点判断思路

出行模式划分

● 公交

● 公交→公交

● 公交→非公交交通方式

● 非公交交通方式→公交

● 非公交交通方式→公交→非公交交通方式

对于第一种模式和第二种模式可将上下车站点附近800米范围内工作地点或居住地点判断为出行开始点或结束点。对于第三种、第四种和第五种模式，其公交乘车的下车站点距离工作地与居住地较远，则根据相应时间段内下车站点附近共享单车使用情况进行目的地的判断。

2.2 基于关联出行模式的下车站点判断思路

通勤交通是指居民在居住地和工作地（学校）之间的往返过程。在居民的日常公交出行中，通勤出行占了很大的比重。从居民长期公交出行的上车站点信息可以判断出其早、晚高峰经常性的乘车站点，从而能够确定出乘客的居住地站点和工作地站点。

公交乘客除了在通勤出行上具有高度的规律性以外，在其他目的公交出行上也表现出一定的时空规律。所以在不同日期，公交乘客经常在相近时间的相近站点上车，在相近时间的相近站点下车。对于公交乘客当天的出行，可能从该乘客往日的出行数据中找出具有时空关联性的出行进行匹配来判断当日出行的下车站点。根据对乘客长期公交出行时空规律的观察，提出以下4条假设进行下车站点判断。

假设1：相同线路同方向匹配;

假设2：相同线路反方向匹配;

假设3：不同线路同方向匹配;

假设4：不同线路反方向匹配^[5]。

当刷卡数据不符合以上两种规律性出行时，即根据交通小区的用地性质及乘车习惯分配线路站点吸引力，并根据线路站点吸引力确定。

3 实例研究

以深圳市19路为例，按照前文所述的数据处理及分析方法，依据推算思路得到精确的OD分布图。

这里提供的字段具体为：

根据本文思想得出的公交OD推算结果为：

4 结论

现有研究多为公交OD推算，或将公交OD推算结果应用到交通小区中，模糊了出行起讫点。本文将公交出行前、后的出行行为判断后进行补充，精细化出行模式，更具体的表达出行的首末位置，为社区微循环巴士，共享单车投放以及公交线路规划提供详细的出行需求参考。

参考文献

[1] 苏跃江，龙小强，吴德馨.基于IC卡数据估计交通小区的公交OD 算法[J].科学技术与工程，2017，17（33）：340-343.

[2] 宋竹，秦志光，徐进，吴斗.[4]基于公交IC卡数据的大规模OD矩阵推算法研究[J].计算机应用研究， 2016， 33（7）：2008-2013.

[3] 尹长勇.基于GPS与IC卡数据的公交OD矩阵推算方法[J].山西建筑，2017，43（19）：11-13.

[4] 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.

[5] 陈君，吕玉坤，崔美莉.基于出行模式的公交IC卡乘客下車站点判断方法[J].西安建筑科技大学学报（自然科学版），2018， 50（1）： 23-29.