公交通勤个体出行特征图谱构建及相似性判别

doi:10.3969/j.issn.1674-0696.2020.08.02

重庆交通大学学报（自然科学版） ›› 2020, Vol. 39 ›› Issue (08): 6-13.DOI: 10.3969/j.issn.1674-0696.2020.08.02

• 交通+大数据人工智能 • 上一篇下一篇

公交通勤个体出行特征图谱构建及相似性判别

梁泉1，翁剑成1，周伟2，荣建1

(1. 交通运输部管理干部学院道路教研部，北京 101601； 2. 北京工业大学城市交通学院，北京100124； 3. 中华人民共和国交通运输部，北京100736)

收稿日期:2018-07-22 修回日期:2019-01-03 出版日期:2020-08-18 发布日期:2020-08-25
作者简介:梁泉（1989—），女，山东潍坊人，博士研究生，主要从事智能交通、交通运行监测方面的研究。E-mail: lquan0730@163.com 通信作者：翁剑成（1981—），男，浙江金华人，副教授，博士，主要从事智能交通、交通运行监测方面的研究。E-mail: youthweng@bjut.edu.cn
基金资助:
国家自然科学基金项目（51578028）；北京市“科技新星”计划项目（Z171100001117100）

Specific Chromatogram Construction and Similarity Identification of Individual Travel of Public Transport Commuters

LIANG Quan1, WENG Jiancheng2, ZHOU Wei3, RONG Jian2

(1. Road Teaching and Research Department, Transport Management Institute Ministry of Transport of the Peoples Republic of China; Beijing 101601, China; 2. College of Metropolitan Transportation, Beijing University of Technology, Beijing 100124, China; 3. Ministry of Transport of the Peoples Republic of China, Beijing 100736, China)

Received:2018-07-22 Revised:2019-01-03 Online:2020-08-18 Published:2020-08-25

摘要/Abstract

摘要： 从个体角度获取公共交通通勤乘客出行行为特征，有助于更准确地把握公交总体出行规律，更好地满足乘客的出行需求。基于公共交通刷卡数据与线站数据，针对公交通勤出行个体，借助图谱可视化表达优势，研究形成了以横轴为时间序列轴、纵轴为位置轴、节点大小为方向角度的公共交通通勤乘客出行特征图谱构建方法。在此基础上，选用出行方式、方向、时间和线路等属性指标，采用结构相似度与最长公共子序列相结合的分析方法，实现了图谱相似性判定。以个体乘客一周的公共交通出行数据为例，验证了研究结果的合理性和有效性。研究结果能够直观反映个体出行过程，为出行特征表达与提取提供了新思路。

关键词: 交通工程, 通勤乘客, 特征图谱, 相似性判别, 个体特征

Abstract: It is helpful to grasp the overall travel rules of public transport more accurately and better meet the travel needs of passengers to obtain the travel behavior characteristics of public transport commuters from the perspective of individuals. Based on the public transport card swiping data and line station data, by use of the representation advantage of graph visualization of public transport commuters, the travel graph construction method of public transport commuting trip was studied, which took the horizontal axis as the time series axis, the vertical axis as the position axis, and the node size as the direction angle. On this basis, the method of structure similarity combined with the longest common subsequence was used to realize the similarity identification of graph, which selected attribute indicators such as travel mode, direction, time and route. Taking the one-week public transport travel data of individual passengers as an example, the rationality and validity of the research results were verified. The research results can intuitively reflect the individual travel process, which provides a new idea for the expression and extraction of trip characteristics.

Key words: traffic engineering, commute passenger, travel graph, similarity identification, individual characteristics

中图分类号:

U491.1

梁泉1，翁剑成1，周伟2，荣建1. 公交通勤个体出行特征图谱构建及相似性判别[J]. 重庆交通大学学报（自然科学版）, 2020, 39(08): 6-13.

LIANG Quan1, WENG Jiancheng2, ZHOU Wei3, RONG Jian2. Specific Chromatogram Construction and Similarity Identification of Individual Travel of Public Transport Commuters[J]. Journal of Chongqing Jiaotong University(Natural Science), 2020, 39(08): 6-13.

参考文献

［1］张乐典.公共交通通勤出行时间影响模型研究［D］.北京：北京工业大学，2015.
ZHANG Ledian.Research on Time Impact Model of Public Transportation Commuting Trip ［D］. Beijing: Beijing University of Technology, 2015.
［2］翁剑成，张乐典，陈智宏，等.基于多模式公交数据匹配的公共交通出行特征提取方法：CN 201510068077.7［P］.2015-07-08.
WENG Jiancheng, ZHANG Ledian, CHEN Zhihong, et al. Public Transport Travel Feature Extraction Method Based on Multi-mode Public Transport Data Matching: CN
201510068077.7［P］. 2015-07-08.
［3］周钱，李一，孟超，等.基于结构方程模型的交通需求分析［J］.清华大学学报(自然科学版)，2008，48(5)：879-882.
ZHOU Qian, LI Yi, MENG Chao, et al. Analysis of travel demand based on a structural equation model ［J］. Journal of Tsinghua University (Science and Technology),
2008, 48(5): 879-882.
［4］ WALLE V S, STEENBERGHEN T. Space and time related determinants of public transport use in trip chains ［J］. Transportation Research Part A: Policy and
Practice, 2006, 40(2): 151-162.
［5］王珂.北京市轨道交通对居民职住地选择及通勤出行的影响研究［D］.北京：北京交通大学，2010.
WANG Ke.Research on the Influence of Urban Rail Transit on Residents Choice of Residence, Workplace and Commuting Travel Mode ［D］. Beijing: Beijing Jiaotong
University, 2010.
［6］杨敏，陈学武，王炜，等.通勤出行简单链和复杂链的选择行为研究［J］.武汉理工大学学报(交通科学与工程版)，2008，32(2)：191-194.
YANG Min, CHEN Xuewu, WANG Wei, et al. Behavioranalysis of simple/complex trip chaining ［J］. Journal of Wuhan University of Technology (Transportation Science &
Engineering), 2008, 32(2): 191-194.
［7］ JANG W. Traveltime and transfer analysis using transit smart card data ［J］. Journal of the Transportation Research Board, 2010, 2144(1): 1-2.
［8］ BOWMAN J L, BEN-AKIVA M E. Activity based disaggregate travel demand model system with activity schedules ［J］. Transportation Research Part A: Policy and
Practice, 2001, 35(1): 1-28.
［9］ SHEN Yue, KWAN M P, CHAI Yanwei. Investigating commuting flexibility with GPS data and 3D geo-visualization: A case study of Beijing, China ［J］. Journal of
Transport Geography, 2013, 32: 1-11.
［10］戴霄，陈学武，李文勇.公交IC卡信息处理的数据挖掘技术研究［J］.交通与计算机，20016，24(1)：40-42.
DAI Xiao, CHEN Xuewu, Li Wenyong.Study of data mining technique for bus intelligent card data processing ［J］. Computer and Communications, 2006, 24(1): 40-42.
［11］ BARRY J J, FREIMER R, SLAVIN H L. Use of entry-only automatic fare collection data to estimate linked transit trips in New York city ［J］. Journal of the
Transportation Research Board, 2009, 2112: 53-61.
［12］ ZHAO Jinhua, RAHBEE A, WILSON N H M. Estimating a rail passenger trip origin-destination matrix using automatic data collection systems ［J］. Computer-
Aided Civil and Infrastructure Engineering, 2007, 22(1): 376-387.
［13］ KARASMAA N. Evaluation of transfer methods for spatial travel demand models ［J］. Transportation Research Part A: Policy and Practice, 2007, 41(5): 411-
427.
［14］刘峤，李杨，段宏，等.知识图谱构建技术综述［J］.计算机研究与发展，2016，53(3)：582-600.
LIU Qiao, LI Yang, DUAN Hong, et al. Knowledge graph construction techniques ［J］. Journal of Computer Research and Development, 2016, 53(3): 582-600.
［15］袁凯琦，邓扬，陈道源，等.医学知识图谱构建技术与研究进展［J］.计算机应用研究，2017，35(7)：1-12.
YUAN Kaiqi, DENG Yang, CHEN Daoyuan, et al. Construction techniques and research development of medical knowledge graph ［J］. Application Research of Computers,
2017, 35(7): 1-12.
［16］焦晓静，王兰成，韩锋.知识图谱在科技情报研究中的应用模型构建［J］.图书情报知识，2017(3)：118-128.
JIAO Xiaojing, WANG Lancheng, HAN Feng. Applicationmodel construction of mapping knowledge domains in the science and technology intelligence research ［J］.
Knowledge, Learning & Management, 2017(3): 118-128.
［17］ CHEN Sei-wang, FANG Chiung-yao, TIEN Chih-ting. Driving behavior modelling system based on graph construction ［J］. Transportation Research Part C:
Emerging Technologies, 2013, 26: 314-330.
［18］王月玥.基于多源数据的公共交通通勤出行特征提取方法研究［D］.北京：北京工业大学，2014.
WANG Yueyue.Research on Methods of Extracting Commuting Trip Characteristic Based on Public Transportation Multi-Source Data ［D］. Beijing: Beijing University of
Technology, 2014.
［19］张弘弢.基于活动方法的个体出行行为分析与出行需求预测模型系统研究［D］.南京：南京师范大学，2011.
ZHANG Hongtao.Research on Individual Travel Behavior and Travel Demand Forecasting Model ［D］. Nanjing: Nanjing Normal University, 2011.
［20］ CHANG Cheng, ZHOU Baoyao. Multi-granularity visualization of trajec-tory clusters using sub-trajectory clustering ［C］∥ Proceedings of the 7th IEEE
International Conference on Data Mining Workshops. Miami, Florida, USA, 2009: 577-582.
［21］陈红，章渺，王龙飞，等.高等级公路路段交通状态融合识别模型［J］.重庆交通大学学报(自然科学版)，2010，29(5)：772-775.
CHEN Hong, ZHANG Miao, WANG Longfei, et al. Fusion and recognition model of traffic state on high-grade highway segment ［J］. Journal of Chongqing Jiaotong
University (Natural Science), 2010, 29 (5): 772-775.
［22］ TAN P N, STEINBACH M, KUMAR V. Introduction to Data Mining ［M］. Boston: Pearson Addison-Wesley, 2006: 60-65.
［23］吕振华.移动对象轨迹数据挖掘研究——以上海市出租车轨迹数据为例［D］.上海：华东师范大学，2016.
LYU Zhenhua. A Study on Data Mining of Moving Object Trajectories-A Case of Shanghai Taxi Trajectories ［D］. Shanghai: East China Normal University, 2016.

[1]	唐继强1, 2，钟鑫伟2，刘健1，李天瑞3. 基于时间序列季节分类模型的轨道交通客流短期预测[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 31-38.
[2]	戚春华，王笑男，朱守林，李航天. 基于驾驶员视觉兴趣区域的交通工程设施信息量阈值研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 53-60.
[3]	邓天民1，朱杰2，朱凯家1，屈治华3. 基于iForest+Biscting K-means的驾驶风格辨识方法研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 1-6.
[4]	许茂增,张莉. 基于双射软决策理论的路段拥堵影响力识别[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 7-11.
[5]	王涛1，谢思红1，黎文皓1,2，李文勇1. 基于FFOS-ELM和PF的短时交通流自适应预测模型[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 21-27.
[6]	张诚1，汪成银1，陈志伟2，张正向3，张子磊3. 基于空间流量度的城市路网关键节点挖掘方法[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 28-35.
[7]	王永岗，张衡，彭志鹏，周琬琦. 基于结构方程模型的出租车事故影响因素分析[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 36-42.
[8]	朱顺应，李维吉，林小媛，肖文彬，王红. 特色小镇游客车辆无复检管控点布设研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 52-58.
[9]	潘兵宏1,2，胡炜1，任卉1,单慧敏1. 基于TruckSim仿真下弯道货车侧滑速度模型研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 38-45.
[10]	吴文静，孙刃超，宗芳，贾洪飞. 居民低碳通勤出行的主观态度识别及影响分析[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 53-58.
[11]	李军，邓育新. 基于非负矩阵分解的出租车时空行为聚类分析[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 59-65.
[12]	成卫1，刘翔1，雷建明2. 基于RBF神经网络预测的交叉口信号周期时长优化[J]. 重庆交通大学学报（自然科学版）, 2021, 40(04): 13-18.
[13]	史天亮，王文光. 信息观和粒子群算法在城市交通拥堵中的研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(04): 19-25.
[14]	贺玉龙1,2，刘磊1,2，迟佳欣1,2. 高速公路车辆换道行为风险研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(04): 26-33.
[15]	王露1，陈肖欣2，李华恩1. 大风雨雪气象条件下高速公路车辆稳定行驶的临界车速研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(04): 34-40.

公交通勤个体出行特征图谱构建及相似性判别

Specific Chromatogram Construction and Similarity Identification of Individual Travel of Public Transport Commuters

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics