基于公交IC卡数据的乘客出行特征分析与挖掘
发布时间：2021-09-09 08:29
目前,随着国家城镇化进程的加快,城市人口不断的增多,与之带来的城市居民的出行需求不断增加。然而,部分城市公共交通的发展不能满足人们快速增长的出行需求,城市中存在交通堵塞、交通拥挤等状况。公共交通作为城市中大部分居民出行的首选交通方式,大力发展公共交通是解决城市交通拥堵的有效措施之一。在大数据时代的到来,一款能够为公共交通管理者所用的乘客出行特征分析与客流预测系统是非常有意义的。它可以让公共交通管理者掌握乘客出行规律和实时客流状况,有助于其及时调整其运营策略和管理策略,满足乘客出行需求的同时提高城市公共交通的运营效率,进而缓解城市交通拥堵现象。针对公共交通中如何刻画乘客出行特征和预测客流变化,本文基于公交IC卡数据记录,一方面,从时空维度定性分析乘客的出行聚集特征和出行网络中存在的社区结构特性,利用Pearson相关系数量化乘客出行模式的动态变化。另一方面,基于时序序列预测方法和回归预测方法,建立组合预测模型实现对站点客流量的预测。本文的主要贡献如下:（1）针对如何揭示乘客出行特征的时空变化规律,本文利用Pearson相关系数量化乘客出行模式在时空维度的变化特征,构建不同时段的乘客出行网...
【文章来源】：西南大学重庆市 211工程院校 教育部直属院校
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
论文组织架构图
西南大学工程硕士学位论文10图2-2网络中存在的社区示意图[51]本文将以常用的社区检测方法Louvain[52]算法为例，介绍其具体的原理与实现步骤，且在后续的分析过程中用其对乘客出行网络进行社区检测分析。Louvain算法是基于模块度优化的网络聚类算法，该算法能够快速有效地对网络进行社区划分，此外它还能够发现层次性的社区结构。Louvain算法中，用模块度来评价社区划分结果的好坏，模块度表示的是算法划分的社区内部节点的紧密程度，取值范围在[0,1]之间，该值越接近1表示社区划分效果越好[53]，其计算方法如下：=12∑[2],(,)(2-3)(,)={1==0(2-4)其中，表示的是节点i与节点j之间的权重，当网络是无权网络时，将网络中所有的边权重都设置为1；表示的是与节点i相连的所有边的权重之和；c表示社区，表示节点j所在的社区；=12∑表示网络中所有边的权重总和。Louvain算法的主要实现流程如下：1)首先，将网络中的每个节点划分为一个社区，此时网络中社区的数量与节点数量相同；2)对每个节点i，依次将节点i分配到其每个邻居节点所在的社区。然后根据公式(2-5)计算分配前与分配后的模块度变化，标记最大的那个邻居节点，如果这个最大的值大于0，则把节点i分配到最大的邻居节点所在的社区，否则保持不变；3)重复上述步骤2)，直到网络中节点所属的社区没有变化；4)压缩网络中的社区，将处于同一社区的节点压缩为一个新节点，社区内节
西南大学工程硕士学位论文16数据记录，首先从时间维度上分析乘客个人出行行为特征以及其出行模式变化，然后从空间维度对各个站点的乘客聚集模式及其动态变化进行分析，最后从时空维度分析，构建不同时间段的乘客出行网络，利用复杂网络的社区发现方法挖掘乘客出行网络的社团特性及其动态变化特性。基于前述的分析结果，公共交通管理者可以从多方面了解乘客出行行为特征，从而更好地为乘客提供个性化服务，最大化的满足乘客出行需求。图3-1乘客出行行为特征分析流程图3.2.1乘客个人出行行为特征分析在时间维度上的分析始终是时序变化数据分析的第一步，通过在时间维度上的统计分析，可以发现所有乘客的出行行为在时间上的特征及其动态变化特性。本文统计分析了一周不同时段(按照小时划分)的地铁进站人次，其结果如图3-2所示。从图3-2可以看出，不同时刻的进站客流是不相同的，且很明显的可以看出，一天中存在早晚两个出行高峰。这种高峰出行的现象表明，公共交通管理者应该在这两个出行高峰时期适当增加运营列车。显然，周末的乘客人数明显少于
【参考文献】：
期刊论文
[1]基于深度学习的车流量预测方法研究[J]. 史亚星. 计算机与数字工程. 2019(05)
[2]城市道路短时交通流量预测[J]. 李建森,沈齐,范馨月. 数学的实践与认识. 2019(05)
[3]基于LSTM的城市公交车站短时客流量预测研究[J]. 李高盛,彭玲,李祥,吴同. 公路交通科技. 2019(02)
[4]基于海量IC卡数据的公交客流时空分析[J]. 邬群勇,苏克云,邹智杰. 贵州大学学报(自然科学版). 2018(06)
[5]基于Pearson相关系数的货运车辆能耗模型研究[J]. 蔡静,张明辉,朱宇婷,刘宇环. 交通运输系统工程与信息. 2018(05)
[6]基于Louvain算法的铁路旅客社会网络社区划分研究[J]. 徐进,邓乐龄. 山东农业大学学报(自然科学版). 2018(04)
[7]基于IC卡数据的长距离公交客流特征分析[J]. 周雨阳,赵倩阳,陈艳艳,姚琳,赵晋,熊杰. 重庆交通大学学报(自然科学版). 2018(10)
[8]基于时空特征的城市轨道交通客流量预测方法[J]. 袁坚,王鹏,王钺,杨欣. 北京交通大学学报. 2017(06)
[9]公交IC卡数据客流预测模型研究[J]. 谢振东,刘雪琴,吴金成,冷梦甜. 广东工业大学学报. 2018(01)
[10]城市轨道交通客流量实时预测模型[J]. 包磊. 城市轨道交通研究. 2017(05)
硕士论文
[1]基于BP神经网络的重庆市轨道交通客流预测分析[D]. 武创.西南交通大学 2018
[2]上海轨道交通短期客流预测与分析[D]. 程浩.上海交通大学 2017
[3]城市居民公交出行数据分析研究及可视化[D]. 邓晨晨.重庆大学 2016
本文编号：3391767
【文章来源】：西南大学重庆市 211工程院校 教育部直属院校
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
论文组织架构图
西南大学工程硕士学位论文10图2-2网络中存在的社区示意图[51]本文将以常用的社区检测方法Louvain[52]算法为例，介绍其具体的原理与实现步骤，且在后续的分析过程中用其对乘客出行网络进行社区检测分析。Louvain算法是基于模块度优化的网络聚类算法，该算法能够快速有效地对网络进行社区划分，此外它还能够发现层次性的社区结构。Louvain算法中，用模块度来评价社区划分结果的好坏，模块度表示的是算法划分的社区内部节点的紧密程度，取值范围在[0,1]之间，该值越接近1表示社区划分效果越好[53]，其计算方法如下：=12∑[2],(,)(2-3)(,)={1==0(2-4)其中，表示的是节点i与节点j之间的权重，当网络是无权网络时，将网络中所有的边权重都设置为1；表示的是与节点i相连的所有边的权重之和；c表示社区，表示节点j所在的社区；=12∑表示网络中所有边的权重总和。Louvain算法的主要实现流程如下：1)首先，将网络中的每个节点划分为一个社区，此时网络中社区的数量与节点数量相同；2)对每个节点i，依次将节点i分配到其每个邻居节点所在的社区。然后根据公式(2-5)计算分配前与分配后的模块度变化，标记最大的那个邻居节点，如果这个最大的值大于0，则把节点i分配到最大的邻居节点所在的社区，否则保持不变；3)重复上述步骤2)，直到网络中节点所属的社区没有变化；4)压缩网络中的社区，将处于同一社区的节点压缩为一个新节点，社区内节
西南大学工程硕士学位论文16数据记录，首先从时间维度上分析乘客个人出行行为特征以及其出行模式变化，然后从空间维度对各个站点的乘客聚集模式及其动态变化进行分析，最后从时空维度分析，构建不同时间段的乘客出行网络，利用复杂网络的社区发现方法挖掘乘客出行网络的社团特性及其动态变化特性。基于前述的分析结果，公共交通管理者可以从多方面了解乘客出行行为特征，从而更好地为乘客提供个性化服务，最大化的满足乘客出行需求。图3-1乘客出行行为特征分析流程图3.2.1乘客个人出行行为特征分析在时间维度上的分析始终是时序变化数据分析的第一步，通过在时间维度上的统计分析，可以发现所有乘客的出行行为在时间上的特征及其动态变化特性。本文统计分析了一周不同时段(按照小时划分)的地铁进站人次，其结果如图3-2所示。从图3-2可以看出，不同时刻的进站客流是不相同的，且很明显的可以看出，一天中存在早晚两个出行高峰。这种高峰出行的现象表明，公共交通管理者应该在这两个出行高峰时期适当增加运营列车。显然，周末的乘客人数明显少于
【参考文献】：
期刊论文
[1]基于深度学习的车流量预测方法研究[J]. 史亚星. 计算机与数字工程. 2019(05)
[2]城市道路短时交通流量预测[J]. 李建森,沈齐,范馨月. 数学的实践与认识. 2019(05)
[3]基于LSTM的城市公交车站短时客流量预测研究[J]. 李高盛,彭玲,李祥,吴同. 公路交通科技. 2019(02)
[4]基于海量IC卡数据的公交客流时空分析[J]. 邬群勇,苏克云,邹智杰. 贵州大学学报(自然科学版). 2018(06)
[5]基于Pearson相关系数的货运车辆能耗模型研究[J]. 蔡静,张明辉,朱宇婷,刘宇环. 交通运输系统工程与信息. 2018(05)
[6]基于Louvain算法的铁路旅客社会网络社区划分研究[J]. 徐进,邓乐龄. 山东农业大学学报(自然科学版). 2018(04)
[7]基于IC卡数据的长距离公交客流特征分析[J]. 周雨阳,赵倩阳,陈艳艳,姚琳,赵晋,熊杰. 重庆交通大学学报(自然科学版). 2018(10)
[8]基于时空特征的城市轨道交通客流量预测方法[J]. 袁坚,王鹏,王钺,杨欣. 北京交通大学学报. 2017(06)
[9]公交IC卡数据客流预测模型研究[J]. 谢振东,刘雪琴,吴金成,冷梦甜. 广东工业大学学报. 2018(01)
[10]城市轨道交通客流量实时预测模型[J]. 包磊. 城市轨道交通研究. 2017(05)
硕士论文
[1]基于BP神经网络的重庆市轨道交通客流预测分析[D]. 武创.西南交通大学 2018
[2]上海轨道交通短期客流预测与分析[D]. 程浩.上海交通大学 2017
[3]城市居民公交出行数据分析研究及可视化[D]. 邓晨晨.重庆大学 2016
本文编号：3391767
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3391767.html
