基于多源数据的公交乘客出行模式挖掘关键技术及应用研究

本研究提出了一系列方法来挖掘公交乘客出行模式与行为偏好，并利用这些知识调整和优化公交系统。贡献如下：1）提升数据有效性：a）提出一种新方法以校正 AFC（自动售检票）系统与 AVL（自动车辆定位）系统间的数据时间偏差，该方法将数据事件转换为信号并应用时域相关来检测并校正其相对偏差。b）通过结合历史数据与乘客购票时间戳，归纳并补偿 AVL 数据集中的缺失信息。2）为推断乘客下车站点，引入融合乘客居住地的最大概率模型，从半完整上车记录中恢复其完整公交轨迹。随后提出一种增强的活动识别算法，能够从普通换乘中辨识乘客短期活动。最后分析公交客流的时空特征。3）为发现乘客出行需求，整合多日每位乘客轨迹数据并构建混合出行图（HTG），然后使用深度搜索算法推导空间闭合的公交出行链；最后利用乘客的闭合公交出行链从多视角研究其出行模式。进而通过聚合乘客关键出行链分析城市公交走廊。4）提炼八个影响因素，构建不同情景下乘客选择模型；随后通过客流重分布仿真验证模型；最后对乘客时间选择偏好进行综合分析，并据此优化城市公交系统。