【技术实现步骤摘要】
本专利技术涉及公交线网优化，特别涉及基于多源数据的公交站点优化方法。
技术介绍
1、随着城市化进程的发展，公共交通系统站点设置不合理，线路不合理，线网覆盖不均匀的现象日益加剧。因此需要考虑公交线网的优化问题。
2、现有技术中，专利公开号为cn113378337a的《一种基于客流分析的城市公交线网优化方法》针对以往公交线网优化模型中公交系统运营效率不是太高的问题，结合客流特性随时间动态变化的特性，提出基于客流的城市公交线网优化模型并且利用传统的遗传算法求解模型。专利公开号为cn109118023a的《一种公共交通线网优化方法》以模拟退火算法为框架，在框架下以最小化运营公司全天总运营成本为目标获得初始线网，然后将初始线网打散后形成线网单元，以此为输入网络，嵌入遗传算法进行优化而求解出的路线和站点。
3、在公交站点的优化过程中，对异常公交站点进行识别，可以缩小站点优化的范围，提高精准度，从而避免优化资源的浪费，然而，上述现有技术均是对线网整体进行较大范围的调整，而未结合具体的异常站点情况，公交站点优化的精准性较差。此外，出租车乘客出行数据可以反映出人们的交通需求，进而为公交站点优化提供参考，上述现有技术也未考虑对出租车乘客出行数据进行分析，数据利用率较差。
技术实现思路
1、本专利技术提供了基于多源数据的公交站点优化方法，用以解决现有技术中没有比较可靠的针对公交站点优化的精准性和数据利用率较差的问题。
2、一方面，本专利技术提供了基于多源数据的公交站点
3、步骤一，收集公交轨迹数据、公交刷卡数据、城市兴趣点数据和出租车订单数据。
4、步骤二，根据所述公交轨迹数据、所述公交刷卡数据得到公交客流数据，根据所述出租车订单数据得到出租车乘客出行数据；所述公交客流数据包括公交站点数据和对应的站点客流数据，所述出租车乘客出行数据包括乘客起始地数据和对应的乘客目的地数据。
5、步骤三，基于nsga-ⅱ算法根据所述公交客流数据、所述城市兴趣点数据构建公交异常站点识别模型并求解，得到异常站点结果集。
6、步骤四，对所述出租车乘客出行数据进行网格划分，得到网格数据，对所述网格数据进行聚类分析，得到拟添加公交站点数据。
7、步骤五，根据所述异常站点结果集和所述拟添加公交站点数据进行公交站点优化。
8、在一种可能的实现方式中，步骤二中，所述根据所述公交轨迹数据、所述公交刷卡数据得到公交客流数据包括：对所述公交轨迹数据、所述公交刷卡数据进行预处理，得到预处理轨迹数据和预处理刷卡数据；对所述预处理轨迹数据和所述预处理刷卡数据进行匹配，得到所述公交客流数据。
9、步骤二中，所述根据所述出租车订单数据得到出租车乘客出行数据包括：对所述出租车订单数据进行预处理，得到预处理订单数据，即所述出租车乘客出行数据。
10、在一种可能的实现方式中，步骤二中，所述对所述预处理轨迹数据和所述预处理刷卡数据进行匹配，得到所述公交客流数据包括：
11、步骤s21，输入所述预处理刷卡数据。
12、步骤s22，输入所述预处理轨迹数据。
13、步骤s23，对所述预处理轨迹数据和所述预处理刷卡数据做线路匹配。
14、步骤s24，对线路匹配后的预处理轨迹数据和预处理刷卡数据做车辆匹配和时间匹配，得到公交乘客出行数据。
15、步骤s25，输出所述公交乘客出行数据，所述公交乘客出行数据的集合即所述公交客流数据。
16、在一种可能的实现方式中，步骤三包括：
17、步骤s31，输入所述公交站点数据和对应的站点客流数据。
18、步骤s32，初始化异常公交站点总数，设定种群最大规模和最大迭代次数，初始化迭代次数。
19、步骤s33，随机生成初始种群，即随机公交站点集合。
20、步骤s34，计算每个公交站点的目标函数值，并将个体分为不同的非支配前沿。
21、步骤s35，对个体按照非支配等级和拥挤度进行排序。
22、步骤s36，根据非支配等级和拥挤度选择个体，构建新的种群。
23、步骤s37，对选择的个体进行交叉操作，生成新的个体。
24、步骤s38，对当前种群进行遗传变异操作，引入新的变化。
25、步骤s39，将初始种群与新的个体合并，生成新一代种群，同时令迭代次数加一，回到步骤s34进行循环，直到迭代次数等于最大迭代次数为止，输出最终种群的非支配个体，即所述异常站点结果集。
26、在一种可能的实现方式中，步骤s33中，所述随机生成初始种群采用轮盘赌概率选择法。
27、在一种可能的实现方式中，步骤s34中，所述目标函数包括：范围内客流差异目标函数、同线路客流差异目标函数、其他线路客流差异目标函数和城市兴趣点目标函数。
28、在一种可能的实现方式中，步骤四中，所述对所述出租车乘客出行数据进行网格划分，得到网格数据包括：
29、步骤s411，输入所述出租车乘客出行数据。
30、步骤s412，初始化一个网格列表。
31、步骤s413，将每一个出租车乘客出行数据添加到网格列表中。
32、步骤s414，计算每一个网格的经纬度和每一个网格中的出租车乘客出行数据个数，去除没有数据的网格。
33、步骤s415，输出网格集合，即所述网格数据。
34、在一种可能的实现方式中，步骤四中，所述对所述网格数据进行聚类分析，得到拟添加公交站点数据包括：
35、步骤s421，输入所述网格数据，初始化簇中心集合。
36、步骤s422，设定最大距离阈值。
37、步骤s423，选择聚类数量。
38、步骤s424，随机选择若干个网格作为初始簇中心集合，对每个出租车乘客出行数据进行分配，并更新簇中心，经过若干次迭代直至收敛，得到最终簇中心集合。
39、步骤s425，输出最终簇中心集合中所有满足预设数量阈值的簇中心，即所述拟添加公交站点数据。
40、在一种可能的实现方式中，步骤五包括：
41、以所述异常站点结果集中的每个异常站点为圆心，预设距离为半径划区域，得到异常站点区域结果集。
42、将所述拟添加公交站点数据中落入所述异常站点区域结果集的站点作为最终添加站点，进行实际公交站点添加。
43、本专利技术中的基于多源数据的公交站点优化方法，具有以下优点：
44、通过对公交轨迹数据、公交刷卡数据、城市兴趣点数据和出租车订单数据进行结合分析，识别出异常站点和拟添加站点，提高了公交站点优化的精准性和数据利用率。
45、通过nsga-ⅱ算法得到异常站点结果集，提高了异常站点识别的准确性。
46、提出的目标函数包括范围内客流差异目标函数、同线路客流差异目标函数、其他线路客流差异目标本文档来自技高网...
【技术保护点】
1.基于多源数据的公交站点优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多源数据的公交站点优化方法，其特征在于，步骤二中，所述根据所述公交轨迹数据、所述公交刷卡数据得到公交客流数据包括：对所述公交轨迹数据、所述公交刷卡数据进行预处理，得到预处理轨迹数据和预处理刷卡数据；对所述预处理轨迹数据和所述预处理刷卡数据进行匹配，得到所述公交客流数据；
3.根据权利要求2所述的基于多源数据的公交站点优化方法，其特征在于，步骤二中，所述对所述预处理轨迹数据和所述预处理刷卡数据进行匹配，得到所述公交客流数据包括：
4.根据权利要求1所述的基于多源数据的公交站点优化方法，其特征在于，步骤三包括：
5.根据权利要求4所述的基于多源数据的公交站点优化方法，其特征在于，步骤S33中，所述随机生成初始种群采用轮盘赌概率选择法。
6.根据权利要求4所述的基于多源数据的公交站点优化方法，其特征在于，步骤S34中，所述目标函数包括：范围内客流差异目标函数、同线路客流差异目标函数、其他线路客流差异目标函数和城市兴趣点目标函数。
...【技术特征摘要】
1.基于多源数据的公交站点优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多源数据的公交站点优化方法，其特征在于，步骤二中，所述根据所述公交轨迹数据、所述公交刷卡数据得到公交客流数据包括：对所述公交轨迹数据、所述公交刷卡数据进行预处理，得到预处理轨迹数据和预处理刷卡数据；对所述预处理轨迹数据和所述预处理刷卡数据进行匹配，得到所述公交客流数据；
3.根据权利要求2所述的基于多源数据的公交站点优化方法，其特征在于，步骤二中，所述对所述预处理轨迹数据和所述预处理刷卡数据进行匹配，得到所述公交客流数据包括：
4.根据权利要求1所述的基于多源数据的公交站点优化方法，其特征在于，步骤三包括：
5.根据权利要求4所述的基于多源数据的...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。