基于多源数据的区域公交分担率评估方法以及评估系统与流程

1.本发明属于公共交通优化技术领域，具体来说，涉及一种基于多源数据的区域公交分担率评估方法以及评估系统。


背景技术：

2.公共交通分担率(城市公交出行率)简称公交分担率，指城市居民出行方式中选择公共交通(包括常规公交和轨道交通)的出行量占总出行量的比率，这个指标是衡量公共交通发展、城市交通结构合理性的重要指标。城市公交出行率计算公式为：公共交通出行总人次/出行总人次*100％，参见《城市公共交通出行分担率调查和统计方法》(jt/t1052-2016)。
3.传统公交分担率评估方法大致如下：以本地区为例，通过利用三大运营商的手机信令数据、公共交通乘客出行数据、主城各类车联网数据(视频卡口牌照识别数据、rfid数据、出租车gps数据、公交车gps数据、“两客一危”车辆gps数据、车载诊断系统数据)、公共交通设施等数据，对各类数据进行融合关联，掌握主城大范围人群活动特征，并辅以3～5年开展一次出行交通调查，对出行次数、出行方式等指标进行修正，实现多维度下对个体在城市空间活动全过程的跟踪分析，进而实现主城大范围交通出行感知，即用户出行活动识别和公共交通出行分担率识别。传统公交分担率的计算方法涉及到卡口数据、居住数据、ic卡刷卡数据等多种数据，辅以交通调查、模型反推等方式，最快都需约半年时间才能提供一个城市的公共交通分担率结果。
4.可以明显看出，传统的传统公交分担率评估方法复杂、耗时长、所需数据种类多、不能高频率(如按日、按月)等给出每个交通小区分担率等问题，从而无法更高效地指导公共交通的线网规划、运营组织等优化措施。
5.计算公交分担率的重点是需要获取某个区域出行人群的完整出行链数据，而传统方法主要有两个：(1)基于公交ic卡等公共交通运营企业的数据，这种方法只能获得“站到站”的数据，不能获取出行两端“最后一公里”的非刷卡出行数据(业界常称为“门到门”分析)，且不能得出与小汽车出行的比较数据；(2)基于手机信令的分析方法，这种方法则存在定位偏差较大、多家通信运营商数据整合难度大、不能获取其乘坐何种交通工具、接驳换乘了解不清等问题。


技术实现要素：

6.针对现有技术存在的上述问题，本发明旨在提供一种基于多源数据的区域公交分担率评估方法以及评估系统，该评估方法利用手机等移动终端对用户的地理定位更加精准以及多种移动设备应用程序的使用习惯对于用户画像更加准确的特点，可以在相对较短的时间内得到更加细致的小区域用户出行链以及公交潜在客户信息，从而实现更加细粒度的公交客流分析。
7.为实现上述技术目的，本发明采用的技术方案如下：
8.第一方面，本技术提供一种基于多源数据的区域公交分担率评估方法，包括：
9.将目标区域划分成多个最小地图单元，所述最小地图单元由地图数据供应商决定；
10.获取交通小区内所含多个最小地图单元的出行用户的出行链数据；
11.将交通小区内所有出行用户的出行链数据汇聚形成该交通小区内出行人口的总体出行画像；
12.基于交通小区内出行人口的总体出行画像计算对应交通小区的公交分担数据，所述公交分担数据包括公共交通出行总人数和出行总人数；
13.根据目标区域每个交通小区的公交分担数据汇总得到目标区域的公交分担率。
14.优选地，所述根据目标区域每个交通小区的公交分担数据汇总得到目标区域的公交分担率之前还包括：
15.利用其它能够获取交通出行数据的供应商所提供的公交分担数据对当前地图数据供应商获取的交通小区的公交分担数据进行修正，所述其它能够获取交通出行数据的供应商包括：手机信令数据、人口普查数据和公交轨道刷卡数据。。
16.优选地，所述其它渠道获取的交通小区出行总人数通过如下方式选择：
17.若人口普查数据为一年内，则采用人口普查数据进行修正；
18.若人口普查数据为五年内，则采用公交轨道刷卡数据进行修正；
19.若人口普查数据为超过五年，则采用手机信令数据进行修正。
20.优选地，所述利用其它渠道获取的交通小区出行人口对地图数据供应商获取的交通小区的公交分担数据进行修正，具体包括：
21.利用其它渠道获取的交通小区出行总人数与地图数据供应商获取的出行总人数确定扩样比；
22.通过扩样比对公交分担数据进行扩样修正。
23.优选地，所述根据目标区域每个交通小区的公交分担数据汇总得到目标区域的公交分担率，具体包括：
24.假设第i个交通小区的公共交通出行总人数为pi，出行总人数为qi，其对应的扩样比为αi，则目标区域的公交分担率为：
[0025][0026]
其中，n为目标区域内的交通小区数量。
[0027]
优选地，若第i个交通小区的单位面积出行总人数低于对应的出行人数预设值时，则所述目标区域的公交分担率在计算时排除该交通小区的公交分担数据。
[0028]
优选地，所述交通小区的公交分担数据分为交通小区高峰期分担数据、交通小区通勤日分担数据和交通小区重大节假日分担数据；
[0029]
分别通过上述各个交通小区的公交分担数据计算目标区域的目标区域高峰期分担数据、目标区域通勤日分担数据和目标区域重大节假日分担数据。
[0030]
优选地，所述交通小区高峰期分担数据包括交通小区早高峰期分担数据和交通小区晚高峰期分担数据，所述目标区域高峰期分担数据包括目标区域早高峰期分担数据和目标区域晚高峰期分担数据。
[0031]
第二方面，本技术还提供了一种基于多源数据的区域公交分担率评估评估系统，包括：
[0032]
最小地图单元生成模块，其将目标区域划分成多个最小地图单元，所述最小地图单元由地图数据供应商决定；
[0033]
出行链数据获取模块，其用于获取交通小区内所含多个最小地图单元的出行用户的出行链数据；
[0034]
总体出行画像生成模块，其将交通小区内所有出行用户的出行链数据汇聚形成该交通小区内出行人口的总体出行画像；
[0035]
交通小区分担数据生成模块，其基于交通小区内出行人口的总体出行画像计算对应交通小区的公交分担数据，所述公交分担数据包括公共交通出行总人数和出行总人数；
[0036]
目标区域公交分担率计算模块，根据目标区域每个交通小区的公交分担数据汇总得到目标区域的公交分担率。
[0037]
优选地，所述交通小区分担数据生成模块还包括：
[0038]
交通小区分担数据修正模块，其利用其它能够获取交通出行数据的供应商所提供的公交分担数据对当前地图数据供应商获取的交通小区的公交分担数据进行修正，所述其它能够获取交通出行数据的供应商包括：手机信令数据、人口普查数据和公交轨道刷卡数据。。
[0039]
本发明能够基于互联网厂商、手机信令等外部数据，结合公共交通企业(如公交和轨道等)的ic卡、排班表等数据，能够相对传统方法更高频的方式给出空间粒度更小交通小区或目标区域的公交分担率，通过该公交分担率能够应用到公交轨道新线开通等客流评估过程中，从而用于整个城市公共交通规划运营的服务优化和精细化管理。
附图说明
[0040]
图1为一种基于多源数据的区域公交分担率评估方法的实施例流程图；
[0041]
图2为一种基于多源数据的区域公交分担率评估方法的另一实施例流程图；
[0042]
图3为一种基于多源数据的区域公交分担率评估系统的实施例结构图；
[0043]
图4为一种基于多源数据的区域公交分担率评估系统的另一实施例结构图。
具体实施方式
[0044]
为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。
[0045]
如图1所示，其示出了一种基于多源数据的区域公交分担率评估方法的流程图，包括如下步骤：
[0046]
s100：将目标区域划分成多个最小地图单元，所述最小地图单元由地图数据供应商决定。
[0047]
本步骤相当于对需要计算公交分担率的目标区域进行最小地图单元划分，一般来说，地图数据供应商可以直接采用互联网厂商外部数据的划分方法，比如高德、腾讯地图。
[0048]
以高德来说，其最小地图单元为100m*100m的方格，腾讯地图的最小地图单元为200m*200m的方格。
[0049]
重庆市主城区可以采用高德的划分方法，考虑到腾讯的微信、qq用户很多，数据更加准确，可以融合高德的最小地图单元向腾讯方格靠拢。也就是说四个高德地图的最小地图单元素构成的方形可以刚好放到腾讯地图的最小地图单元中，这样可以在采用高德地图的最小地图单元的情况下，可以获得对应方格中腾讯地图中的出行链数据。
[0050]
需要说明的是，虽然方格是比较常规的划分方法，但是只要能够将目标区域铺满，也可以采用三角形、蜂窝状等多边形最小地图单元。
[0051]
s200：获取交通小区内所含多个最小地图单元的出行用户的出行链数据
[0052]
互联网厂商的大数据(腾讯的微信数据、阿里的高德数据)中可以获得交通小区(可以包含多个小方格最小地图单元)大部分出行人员的出行链数据，其中出行链数据如下类似的数据：小方格内某人在通勤日早上步行约多久到达另一小方格的公交站，等待约10分钟后坐公交车到达另一个小方格的轨道站，然后....，最后在某方格轨道站下车，步行多远到办公地点。
[0053]
s300：将交通小区内所有出行用户的出行链数据汇聚形成该交通小区内出行人口的总体出行画像
[0054]
将步骤s200中交通小区所含的出行用户的出行链数据进行汇聚，得到总体出行画像，这里的总体出行画像包括常态通勤出行人数，这些出行人口的主要出行特征(出行时间段、出行主要od、出行方式选择)。
[0055]
上述步骤最重要的获取交通小区主要出行方式的出行链数据，下面给出一个互联网厂商的出行链数据结构示例：
[0056]
出行链数据表可分为四个：分别是职住表、通勤表、通勤明细表和公交分配表，其结构如下：
[0057]
1、职住表
[0058]
职住表：用于计算网格内居住人数、工作人数；
[0059][0060][0061]
字段说明如下：
[0062]
网格id：网格的编号
[0063]
网格中心点坐标(xy)：网格中心点的坐标
[0064]
网格边长：该网格的边长(目前规格100*100m，也可支持500*500m，1000*1000m)
[0065]
居住人数：居住在网格内的id数
[0066]
工作人数：工作在网格内的id数
[0067]
2通勤表
[0068]
用于整体计算上班下班的起讫点，出行od。
[0069][0070]
字段说明：
[0071]
起点id：起点网格id
[0072]
起点坐标：起点网格中心点坐标
[0073]
终点id：终点网格id
[0074]
终点坐标：终点网格中心点坐标
[0075]
网格边长：该网格的边长(目前规格100*100m，也可支持500*500m，1000*1000m)
[0076]
odid：该od的标签；用于对应od明细表的odid
[0077]
总出行人数：从起点到终点的总出行id数(半年累计去重值且不录入半年内容出行次数小于10天的数据)
[0078]
出行类型：标识该出行是上班还是下班；0表示上班，1表示下班。
[0079]
3通勤明细表
[0080]
将od拆分为各种交通方式的od明细表。
[0081][0082]
字段说明：
[0083]
odid:对应od表中的odid，二表联合使用
[0084]
出发时间：离开出发点的时间。15min一个刻度。如出发时间＝09:00是指出发时间为09:00-09:14:59；出发时间＝09:15是指出发时间为09:15:00-09:29:59。一条od最多有97个15min(96个标准15min和一个未知)
[0085]
驾车人数：该od中该时段下习惯开车出行的id数
[0086]
公交人数：该od中该时段下习惯公交出行的id数
[0087]
地铁人数：该od中该时段下习惯地铁出行的id数
[0088]
骑步人数：该od中该时段下习惯骑步出行的id数
[0089]
未知：出行习惯不明的id数
[0090]
注：-1为未知
[0091]
4公交分配表
[0092]
表达乘客出行路径的表。
[0093][0094][0095]
字段说明：
[0096]
odid:对应od表中的odid和通勤明细表的odid，联合使用；
[0097]
起点坐标：起点网格中心点坐标；
[0098]
终点坐标：终点网格中心点坐标；
[0099]
公交耗时：在本时段出发，公交门到门总耗时(包括步行到站点时间、候车时间、车内时间、下车步行时间)
[0100]
公交距离：在本时段出发，公交门到门的总距离；
[0101]
公交链条：从起点到终点，如果采用公交出发的线路明细，如样例里面(先步行，然后坐公交，再坐公交，最后下车步行)。
[0102]
各段距离：公交链条每一段的道路距离长度。
[0103]
各段时间：每一段的时间花费。(公交段耗时包括候车时间和车内时间)
[0104]
线路站点代码：本od对中采用公交的详情，包括乘坐的线路，上车站点、下车站点。
[0105]
线路站点名称：中文名的线路，上车站点、下车站点。
[0106]
可以看出，出行链数据主要包括有：小区的职住数据(有多少人居住，其中多少人要出行工作)、出行工作人员的出行od、对于主要的出行od需描述其整个出行过程的详情(比如步行到车站的距离、换乘等待时间和最后走到工作地点距离等)。
[0107]
s400：基于交通小区内出行人口的总体出行画像计算对应交通小区的公交分担数据，所述公交分担数据包括公共交通出行总人数和出行总人数。
[0108]
根据步骤s300中的交通小区的总体出行画像，可以得到计算该交通小区的公交分担率的公交分担数据，包括公共交通出行总人数和出行总人数。
[0109]
假设第i个交通小区的公共交通出行总人数和出行总人数分别为pi和qi，则可以计算每个交通小区的公交分担率：
[0110][0111]
相应地，还可以细化计算出该交通小区的交通小区高峰期分担数据、交通小区通勤日分担数据和交通小区重大节假日分担数据。
[0112]
举例来说，第i个交通小区高峰期分担数据＝第i个交通小区的高峰期公共交通出行总人数/第i个交通小区的高峰期出行总人数。
[0113]
同理可以计算出交通小区通勤日分担数据和交通小区重大节假日分担数据。
[0114]
s500：根据目标区域每个交通小区的公交分担数据汇总得到目标区域的公交分担率
[0115]
目标区域的公交分担率需要对每个交通小区的公交分担数据汇总计算，具体为：
[0116][0117]
其中，n为目标区域内交通小区的个数。
[0118]
如图2所示，在另一个优化的实施例中，考虑到地图数据供应商中从出行链数据获得的公交分担数据不一定准确(一般来说数据小于实际数据)，因此需要对其进行扩样修正。
[0119]
扩样修正主要是先通过其它能够获取交通出行数据的供应商提取公交分担数据，然后利用公交分担数据对当前地图数据供应商获取的交通小区的公交分担数据进行修正。
[0120]
其中，能够获取交通出行数据的其它供应商比较常见的有：提供公交分担数据的手机信令数据、提供出行总人数的人口普查数据和提供公共交通出行总人数的公交轨道刷卡数据，当然还可以是其它能够覆盖广泛用户的出行链数据供应商所提供的出行数据，比如微信和facebook的出行数据
[0121]
举例来说，通过手机信令数据可得出该交通小区的总人口和出行总人数，则可对以上出行人数进行修正(比如手机信令发现该交通小区的总出行人数为1000人，而出行链数据获得的出行总人数为800人，则需要将出行链数据获得的公交分担数据进行扩样25％)。若根据人口普查和居委会等数据得出该小区居住人数为1600人，则还需要对出行链数据获得的公交分担数据进行扩样100％。若是根据公交ic卡或移动支付刷卡数据得出实际公交客流，将其与出行链数据获得的出行总人数进行公交客流的比对，也可以对公交分担数据进行扩样从而对相应数据进行修正。
[0122]
根据地图数据供应商中的数据需要进行的扩样比例，可以推算出该交通小区的数据准确率。
[0123]
比如某条公交道线路早高峰实际客流为550人，而出行链数据获得的客流为500人，那么针对此线路出行链数据需扩样10％，那么此线路出行链数据的准确率为90％。
[0124]
在对数据进行扩样修正时，根据如下情况来选择合适的数据进行修正。
[0125]
若人口普查数据为一年内的最新数据，考虑到其数据的权威性，则采用人口普查数据对出行链数据(比如公交分担数据)进行修正；若人口普查数据为1～5年采集的数据，则采用公交轨道刷卡数据进行修正；若人口普查数据采集时间超过5年，则采用占主导地位的手机信令数据进行修正。
[0126]
具体修正过程如下：
[0127]
利用其它渠道获取的交通小区出行总人数与地图数据供应商获取的出行总人数计算扩样比(大于等于1)；通过扩样比对公交分担数据进行扩样修正，这样可以计算出每个交通小区的扩样比。
[0128]
公式(1)中没有考虑到扩样比，本实施例中引入修正计算的扩样比后，假设第i个交通小区对应的扩样比为αi，则目标区域的公交分担率为：
[0129][0130]
其中，n为目标区域内的交通小区数量。
[0131]
考虑到某些交通小区的出行总人数较少，比如该交通小区主要是公园、森林、湖泊等居住人口明显较少的地方，那么在计算目标区域的公交分担率时，需要排除这些地方的公交分担数据，明显地，这种交通小区的扩样比也可以省略计算。
[0132]
具体来说，交通小区设有对应的出行人数预设值m，当第i个交通小区的单位面积出行总人数小于该出行人数预设值m时，则所述目标区域的公交分担率在计算时需要删除该交通小区的公交分担数据。
[0133]
这里的单位面积出行人数单位可以是：m人/平方公里，也可以m人/最小地图单元，而m并非采用恒定值，对于人口密度较高的区域，可以把m设置较高一些，对于人口密度稀少的区域，可以把m设置较低一些。
[0134]
同理，我们根据计算的扩样比，也能够计算目标区域的目标区域高峰期分担数据、目标区域通勤日分担数据和目标区域重大节假日分担数据。
[0135]
其中，所述交通小区高峰期分担数据还可以细分有交通小区早高峰期分担数据和交通小区晚高峰期分担数据，目标区域高峰期分担数据相应也有目标区域早高峰期分担数据和目标区域晚高峰期分担数据。
[0136]
经过修正的数据除了可以重新计算公交分担率外，还可用于产出其它公交运营相关的指标(比如：公共交通机动化出行分担率、不同交通小区及区域的主要出行od、过江通道公交出行分析、与小汽车相比主要出行通道高峰期出行时间对比等)。
[0137]
需要补充的是，如果与传统的公交分担率计算方法进行对比，其计算数值偏差较大，则基于较准确的数据进行溯源比对分析，比如以某期间某小区交通调查数据结合模型反推的传统方法来获得某区域的公交分担率，从而据此来确定本方法的准确率；如果公交分担率相比传统方法计算的结果波动偏差达到一定百分比(比如公交分担率波动超过传统方法的10％)，则需更换外部厂商数据或给出综合其它多源数据的多权值表决机制。
[0138]
如图3所示，其示出了一种基于多源数据的区域公交分担率评估评估系统，包括最小地图单元生成模块、出行链数据获取模块、总体出行画像生成模块、交通小区分担数据生成模块和目标区域公交分担率计算模块。
[0139]
其中，最小地图单元生成模块将目标区域划分成多个最小地图单元，所述最小地
图单元由地图数据供应商决定；出行链数据获取模块用于获取交通小区内所含多个最小地图单元的出行用户的出行链数据；总体出行画像生成模块将交通小区内所有出行用户的出行链数据汇聚形成该交通小区内出行人口的总体出行画像；交通小区分担数据生成模块基于交通小区内出行人口的总体出行画像计算对应交通小区的公交分担数据，所述公交分担数据包括公共交通出行总人数和出行总人数；目标区域公交分担率计算模块根据目标区域每个交通小区的公交分担数据汇总得到目标区域的公交分担率。
[0140]
如图4所示，考虑到出行链数据中的误差，还考虑在区域公交分担率评估系统中的交通小区分担数据生成模块之后引入交通小区分担数据修正模块，其利用其它能够获取交通出行数据的供应商所提供的公交分担数据对当前地图数据供应商获取的交通小区的公交分担数据进行修正，所述其它能够获取交通出行数据的供应商比较常见的有：提供公交分担数据的手机信令数据、提供出行总人数的人口普查数据和提供公共交通出行总人数的公交轨道刷卡数据，当然还可以是其它能够覆盖广泛用户的出行链数据供应商所提供的出行数据，比如微信和facebook的出行数据。
[0141]
以上对本技术提供的基于多源数据的区域公交分担率评估方法以及评估系统进行了详细介绍。具体实施例的说明只是用于帮助理解本技术的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以对本技术进行若干改进和修饰，这些改进和修饰也落入本技术权利要求的保护范围内。