IC卡數據驅動下的公交客流分布及線路優化策略研究

肖志良　汪麗娟　鄭雁予

摘 要：為提升公交車的運營效率，研究以某市公交IC數據為基礎，對公交客流進行分析，并提出基于遺傳算法改進的公交線路優化模型。研究發現，該市全天公交客流出現早晚兩個峰值段。工作日到節假日，客流集中地從市中心附近轉變為旅游景點、公園和購物中心等地區。公交線路優化模型將某公交線路的利用率提高了15%，將乘客的平均等待時間降低了21%，有效提高了公交系統的運營效率和乘客滿意度。此次研究為提升公交運營效率、改善乘客體驗、優化城市交通結構、促進城市可持續發展提供重要依據和方法。

關鍵詞：IC卡 數據驅動 公交客流 分布特征 優化策略

1 引言

公交客流分布及線路優化是城市公共交通系統中的重要問題。隨著城市人口的增長和交通需求的不斷增加，公交運輸系統面臨著日益嚴峻的挑戰[1]。傳統的公交線路規劃方法往往基于統計數據和經驗判斷，缺乏對實際客流需求的準確把握，導致了許多問題，如客流不均衡、擁擠和低效等[2]。因此，需要尋找一種新的方法來提高公交系統的效率和服務質量[3]。近年來，隨著信息技術的快速發展，IC卡數據成為公交客流分析的重要數據源[4]。IC卡數據能夠記錄乘客在公交車上的上下車時間、地點和數量等信息，通過對這些數據的深入分析，可以了解乘客的出行行為和乘車需求，從而為公交線路優化提供有力的支撐[5]。此次研究旨在通過基于IC卡數據驅動的方法，對公交客流分布進行研究，并提出相應的線路優化策略。研究的意義在于為城市公交運輸系統的規劃和管理提供科學的決策支持，同時也有助于提升城市交通的可持續發展。通過深入分析公交客流分布和提出線路優化策略，能夠減少交通擁堵、提高通行效率、改善乘客出行體驗，進而推動城市交通的智能化和綠色化發展。

2 IC卡數據驅動下的公交客流分布及線路優化策略

2.1 公交客流分布特征分析方法

研究對公交IC數據進行深入分析，以揭示某城市公交客流在時空上的分布規律。首先，需要對原始公交IC數據進行清洗和處理[6]。由于公交IC數據量龐大且分散，傳統的數據處理方法無法滿足要求。因此，研究采用Hadoop分布式計算框架對數據進行處理。將原始數據分割成多個小塊，每個小塊由不同的計算節點處理。在每個計算節點上，研究利用Hadoop的MapReduce模型進行數據清洗，去除無效數據、異常數據和重復數據，同時將數據格式化為統一的數據結構。清洗和處理完的數據將被存儲在Hadoop分布式文件系統中，方便后續的分析和挖掘[7]。

然后，研究使用疊置分析方法對公交客流進行分析，將不同的數據圖層疊置在一起，觀察它們之間的交叉關系。此處，將公交站點、線路、行政區域和時間段作為不同的數據圖層，通過疊置分析來研究它們之間的關系。例如，可以通過疊置分析來觀察在不同時間段和行政區域內，某些公交站點的客流量變化情況，以及不同線路之間的客流互動[8]。

疊置分析完成后，研究利用信息可視化技術將分析結果進行可視化展示。信息可視化是將數據轉化為圖形或圖像的過程，可以幫助研究更直觀地理解數據?？梢岳弥鶢顖D、折線圖、熱力圖等不同的可視化方式來展示公交客流的時空特征分布規律。通過可視化分析發現一些隱藏在數據中的規律和趨勢，進一步加深對公交客流的理解。

最后，研究將進行空間相關性分析，通過空間自相關性分析來檢測公交客流的空間集聚效應。通過計算公交站點之間的空間相關性指標，判斷客流是否呈現出空間聚集或分散的特征。

2.2 公交線路優化策略研究

為提高公共交通系統的效率和便利性，減少乘客等待時間和乘坐時間，同時減少交通擁堵和空氣污染，研究提出基于遺傳算法改進的公交線路優化模型。遺傳算法優化過程如圖1所示。

首先，將乘客、公交和環境三者的總成本定義為目標函數，目標是使總成本最小化。乘客成本包括等待時間和乘車時間；公交成本包括車輛運營成本和線路長度成本；環境成本包括排放和噪音成本。然后，創建初始種群，通過隨機生成一組符合線路規劃要求的個體來初始化種群。每個個體代表一條公交線路，包含了經過的站點和車輛的行駛路徑。接下來，根據目標函數，計算每個個體的適應度值。適應度值越高，表示個體對于目標函數的優化效果越好。然后，采用選擇算子，如輪盤賭選擇或競爭選擇，根據個體的適應度值選擇一定數量的個體作為父代。接著，采用交叉算子，如單點交叉或多點交叉，將選出的父代個體進行交叉操作，生成新的子代個體。然后，采用變異算子，對子代個體進行變異操作，引入隨機因素，增加種群的多樣性。接下來，將新的子代個體與原來的父代個體合并，形成新的種群。最后，重復上述步驟，直到達到終止條件（如達到最大迭代次數或滿足一定的收斂條件）。約束條件方面需要考慮以下幾個角度：

（1）線路約束：確保每條線路覆蓋所有的目標站點，并且線路之間不能有重疊部分。這樣可以保證線路的完整性和有效性。

（2）站點約束：每個站點應該有足夠的乘客需求，以確保公交線路的經濟性和實用性。這樣可以避免低利用率的線路和站點。

（3）車輛約束：根據車輛的容量和運營成本等因素，確定每條線路的車輛數量。這樣可以平衡運營成本和服務質量。

3 公交客流分布及線路優化結果分析

3.1 公交客流分布特征分析結果

研究以某市公交IC數據為基礎，分析該市的公交客流的時空特征分布規律。2023年9月的工作日和節假日的全天公交客流分布如圖2所示。

圖2中，該市公交車運營時間為早上6點到晚上11點，平均每5-10分鐘一班車，高峰時段每2-3分鐘一班車。該市工作日和節日的公交車客流量均出現兩個高峰期，且變化趨勢基本相同。工作日的客流高峰期出現在早上7點到10點時間段內，高峰期持續時間約為3個小時，IC刷卡次數最高可達8.9×105人次；11點到17點的公交客流較少，約為高峰期客流人次的0.4倍；18點到20點時間段為公交車客流的晚高峰時段，晚高峰期持續時間約為2個小時，IC刷卡次數最高可達8.3×105人次。節假日的公交車客流量約為工作日的0.5倍。由此可見，該市的工作日和節假日全天公交客流分布情況呈現出明顯的早晚高峰特征，其中工作日的早晚高峰客流量較大，節假日則相對較少，與大部分經濟型城市的狀況相同。

該市的公交車客流空間分布特征在工作日和節假日有一定的差異。在工作日，公交車客流主要集中在市中心附近地區。這是因為市中心是商業、辦公和交通樞紐集中的地方，許多市民在這里工作、上學或購物。因此，工作日的公交車客流量較大且分布較為集中。相比之下，在節假日，公交車客流的空間分布特征有所不同。由于許多市民會選擇外出旅游或者休閑娛樂，市中心的客流量相對較少。相反，遠離市中心的旅游景點、公園和購物中心等地區成為公交車客流的熱點。例如，公園、度假區等景區在節假日時吸引大量游客，公交車客流量也相應增加。

3.2 公交線路優化策略應用分析

研究以該市某區域公交車乘車區間為試驗對象，通過基于遺傳算法改進的公交線路優化模型，在考慮乘客、企業和環境等多方面因素的基礎上，對公交線路進行優化，以得到更加有效的優化路徑集合，從而提高公交系統的運營效率和乘客滿意度。具體應用效果如下：

（1）提高線路利用率：通過對公交線路進行優化，將該線路的利用率提高了15%，從而減少了公交車的空載率，降低了公交企業的運營成本，提高了企業的經濟效益。

（2）縮短乘客等待時間：通過對公交線路進行優化，使得公交車的運行效率得到提高，將乘客的平均等待時間降低了21%，提高乘客的出行效率和滿意度。

（3）減少交通擁堵：通過對公交線路進行優化，使得公交車的行駛路線更加合理，從而能夠減少交通擁堵，降低車輛尾氣排放和噪音污染，提高城市環境質量。

（4）靈活適應市場需求：基于遺傳算法改進的公交線路優化模型，可以根據不同的市場需求和實際情況進行調整和優化，從而滿足不同乘客的出行需求，提高公交系統的靈活性和適應性。

（5）自動化程度高：基于遺傳算法改進的公交線路優化模型，可以實現自動化運行，減少人工干預的成本和時間，提高公交線路規劃的效率和準確性。

綜上所述，基于遺傳算法改進的公交線路優化模型，在提高線路利用率、縮短乘客等待時間、減少交通擁堵、靈活適應市場需求、自動化程度等方面，都具有顯著的應用效果，可以有效地提高公交系統的運營效率和乘客滿意度，促進城市交通的可持續發展。

4 結論

此次研究以某市公交IC數據為基礎，運用分布式計算平臺Hadoop和空間分析方法疊置分析，對公交客流的時空特征分布規律進行了深入研究。通過數據清洗、處理和可視化展示，發現了公交客流在時間和空間上的分布特征，并提出基于遺傳算法改進的公交線路優化模型。分析結果表明，該市的工作日和節假日全天公交客流分布情況呈現出明顯的早晚高峰特征，其中工作日的早晚高峰客流量較大，節假日則相對較少。工作日的公交車客流主要集中在市中心，節假日的市民多選擇外出旅游或休閑娛樂，使得遠離市中心的旅游景點、公園和購物中心等地區的公交車客流量增加。實驗結果顯示，優化后的線路利用率提高了15%，乘客等待時間降低了21%，交通擁堵得到緩解，適應市場需求的能力增強，自動化程度提高。此次研究對于優化公共交通系統，提高公共交通運營效率，減少乘客等待時間和乘坐時間，同時減少交通擁堵和空氣污染具有重要的理論和實踐意義。

廣東省教育廳2021年度普通高校重點科研平臺項目，項目名稱：物聯網應用技術創新團隊，項目負責人：肖志良，項目編號：2021KCXTD074。

參考文獻：

[1]張文勝，盧夢，朱冀軍，等.基于公交IC卡和AVL數據的公交客流OD推算[J].計算機應用與軟件，2021，38（7）：100-105.

[2]王顏萍，宗玉志，楊昭陽.基于IC卡的公交樞紐客流特征分析[J].山東理工大學學報：自然科學版，2020，34（3）：49-65.

[3]林浩，李雷孝，王慧.SPGAPSO-SVM：一種城市公交客流量預測算法[J].小型微型計算機系統，2020，41（11）：2458-2464.

[4]趙海賓，郭忠，吳洪洋，劉海旭，王子甲.適用于一票制公交大數據的系統化處理方法及應用——以銀川市為例[J].交通運輸研究，2020，6（4）：109-116.

[5]龔蘭蘭，凌興宏.CNN+GRU公交短時客流預測研究[J].現代電子技術，2021，44（14）：70-74.

[6]黃益紹，韓磊.基于RS-IPSOSVM的公交客流量預測方法[J].重慶交通大學學報：自然科學版，2020，39（11）：11-19.

[7]Kumar A，Jain S，Yadav D.A novel simulation-annealing enabled ranking and scaling statistical simulation constrained optimization algorithm for Internet-of-things （IoTs）[J].Smart and Sustainable Built Environment，2020，9（4）：675-693.

[8]馬伯浩，布少聰，夏非凡，等.基于多維數據的常規公交時空客流分析[J].中國高新科技，2021（10）：123-127.