公交客流实时分析与短时预测研究
硕士学位论文
公交客流实时分析与短时预测研究Ｒｅａｌ－ｔｉｍｅＡｎａｌｙｓｉｓａｎｄＳｈｏｒｔ－ｔｅｒｍＦｏｒｅｃａｓｔ
ｏｆＢｕｓＰａｓｓｅｎｇｅｒＦｌｏｗ
学号：２１００６２３２
指导教师：迥红．媚
完成日期：２Ｑ！兰生墨旦垒旦
大连理工大学
ＤａｌｉａｎＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ
大连理工大学学位论文独创性声明
作者郑重声明：所呈交的学位论文，是本人在导师的指导下进行研究工作所取得的成果。尽我所知，除文中已经注明引用内容和致谢的地方外，本论文不包含其他个人或集体已经发表的研究成果，也不包含其他已申请学位或其他用途使用过的成果。与我一同工作的同志对本研究所做的贡献均已在论文中做了明确的说明并表示了谢意。
若有不实之处，本人愿意承担相关法律责任。
学位论文题目：金塞奎速．塞盟金盘生．短吐亟测盟壅
作者签名：重盗叠日期：型§年—￡月－二Ｌ日
大连理工大学硕士学位论文
摘要
优先发展公共交通是解决大、中城市交通问题的有效措施之一。面对严峻的城市交通问题，交通运输部启动了公交都市建设示范工程，确定北京、济南等十五个城市为公交都市建设示范工程第一批创建城市。在这一大的背景下，为实现公交系统的高效运行，需要做许多方面的努力，其中关键之一是提高公交线路运营管理水平。公交客流分析与预测，尤其是动态公交客流分析与预测是实现公交调度优化的基础。只有对短时公交客流做出全面的分析与准确的预测，才能够掌握公交线路的实时运行状况，使得管理者能针对客流短期的波动情况做出快速响应，有效调整运营调度方案，做到真正意义上的实时调度，从而最大化企业的经济效益与社会效益。
传统的公交客流数据采集方法己经无法满足当前系统对数据实时性的要求，因此本研究设计构架了一种公交客流实时采集系统，将ＩＣ卡系统实时采集的客流数据以及投币检测数据与ＧＰＳ数据相融合，利用ＧＰＳ数据的实时上传特性，将客流数据与定位数据实时上传到调度中心，并结合人工调查得到的刷卡比例，可实时推算获得站点、线路和线网的上车客流数据。
在客流实时采集的基础上，通过对已有Ｉｃ卡数据和ＧＰＳ数据的挖掘分析，对公交客流的出行特征进行分析。分别研究了在完全数据环境下和部分数据环境下公交客流上下车站点的确定方法，又进一步对换乘判断、公交客流的时间、动态分布特性以及短时公交客流特性进行研究，分析公交客流在工作日、周末以及一月内的变化规律，并对公交客流的一天内时间分布不均匀性、方向不均匀性以及星期变动特性进行了定量分析。
研究确定了采用传统ＢＰ神经网络模型、改进的ＢＰ神经网络模型和ＲＢＦ神经网络模型分别对短时公交客流进行预测并做出评价。在短时公交客流特性分析的基础上确定了相邻时段客流数据、相邻天相同时段客流数据和相邻周相同时段客流数据作为模型的输入，并研究确定了ＢＰ神经网络模型输入层和隐藏层的神经元数目。利用已有的且整理好的ＩＣ卡数据分别对三种网络模型进行训练和预测，对各模型的预测结果进行分析和评价，预测结果表明，改进的ＢＰ模型和ＲＢＦ模型的预测精度都要比传统的ＢＰ模型有所提高。
关键词：智能公交；ＩＣ卡数据；客流分析；短时客流预测；神经网络
公交客流实时分析与短时预测研究
Ｒｅａｌ．．ｔｉｍｅＡｎａｌｙｓｉｓａｎｄＳｈｏｒｔ－?ｔｅｒｍＦｏｒｅｃａｓｔｏｆＢｕｓＰａｓｓｅｎｇｅｒｆｌｏｗ
Ａｂｓｔｒａｃｔ
Ｇｉｖｉｎｇｐｒｉｏｒｉｔｙｔｏｔｈｅｄｅｖｅｌｏｐｍｅｎｔｏｆｔｈｅｐｕｂｌｉｃｔｒａｎｓｐｏｒｔａｔｉｏｎｉｓｏｎｅｏｆｔｈｅｅｆｆｅｃｔｉｖｅｍｅａｓｕｒｅｓｔｏｓｏｌｖｅｔｒａｆｆｉｃｐｒｏｂｌｅｍｓｉｎｌａｒｇｅ－ａｎｄｍｉｄｄｌｅ—ｓｉｚｅｃｉｔｉｅｓ．Ｆａｃｉｎｇｗｉｔｈｔｈｅｓｅｖｅｒｅｕｒｂａｎｔｒａｆｆｉｃｐｒｏｂｌｅｍｓ，ｔｈｅＭｉｎｉｓｔｒｙｏｆＴｒａｎｓｐｏｒｔａｔｉｏｎｈａｓｌａｕｎｃｈｅｄｔｈｅｄｅｍｏｎｓｔｒａｔｉｏｎｐｒｏｊｅｃｔｏｆｐｕｂｌｉｃｔｒａｎｓｐｏｒｔｏｒｉｅｎｔｅｄｃｉｔｉｅｓ，ａｎｄｃｈｏｓｅｎ１５ｃｉｔｉｅｓｉｎｃｌｕｄｉｎｇＢｅｉｊｉｎｇ，Ｊｉｎａｎａｎｄｏｔｈｅｒｓｔｏｂｅｔｈｅｆｉｒｓｔｂａｔｃｈｏｆｃｉｔｉｅｓｏｆｔｈｉｓｐｒｏｊｅｃｔ．Ｉｎｏｒｄｅｒｔｏｒｅａｌｉｚｅｔｈｅｅｆｆｉｃｉｅｎｔｏｐｅｒａｔｉｏｎｏｆｔｈｅｐｕｂｌｉｃｔｒａｎｓｐｏｒｔｓｙｓｔｅｍ，ｍｏｒｅｅｆｆｏｒｔｓｎｅｅｄｔｏｂｅｄｏｎｅ，ａｎｄｉｍｐｒｏｖｉｎｇｔｈｅｍａｎａｇｅｍｅｎｔｌｅｖｅｌｏｆｂｕｓｌｉｎｅｏｐｅｒａｔｉｏｎｉｓｏｎｅｏｆｔｈｅｋｅｙｍｅａｓｕｒｅｓ．Ｔｈｅｂｕｓｐａｓｓｅｎｇｅｒｆｌｏｗａｎａｌｙｓｉｓａｎｄｐｒｅｄｉｃｔｉｏｎ，ｅｓｐｅｃｉａｌｌｙｔｈｅｄｙｎａｍｉｃｂｕｓｐａｓｓｅｎｇｅｒｆｌｏｗａｎａｌｙｓｉｓａｎｄｐｒｅｄｉｃｔｉｏｎｉｓｔｈｅｂａｓｅｔｏｒｅａｌｉｚｅｔｈｅｏｐｔｉｍｉｚａｔｉｏｎｏｆｔｈｅｂｕｓｄｉｓｐａｔｃｈ．Ｏｎｌｙａｃｏｍｐｒｅｈｅｎｓｉｖｅａｎａｌｙｓｉｓａｎｄａｃｃｕｒａｔｅｐｒｅｄｉｃｔｉｏｎｏｆｔｈｅｓｈｏｒｔ—ｔｅｒｍｂｕｓｐａｓｓｅｎｇｅｒｆｌｏｗＣａｎｈｅｌｐｍａｎａｇｅｒｓｇｒａｓｐｔｈｅｒｅａｌ—ｔｉｍｅｒｕｎｎｉｎｇｓｔａｔｕｓｏｆｂｕｓｌｉｎｅｓ，ａｎｄｍａｋｅｑｕｉｃｋｒｅｓｐｏｎｓｅｔｏｔｈｅｆｌｕｃｔｕａｔｉｏｎｓｏｆｓｈｏｒｔ－ｔｅｒｍｐａｓｓｅｎｇｅｒｆｌｏｗａｎｄａｄｊｕｓｔｔｈｅ
ｏｐｅｒａｔｉｏｎｓｃｈｅｄｕｌｉｎｇｓｃｈｅｍｅ
ｅｆｆｅｃｔｉｖｅｌｙ．Ｔｈｅｎｉｔｃａｌｌａｃｔｕａｌｌｙｒｅａｌｉｚｅ
ｔｈｅｒｅａｌ－ｔｉｍｅｓｃｈｅｄｕｌｉｎｇ
ａｎｄｍａｘｉｍｉｚｅｔｈｅｅｃｏｎｏｍｉｃｂｅｎｅｆｉｔｏｆｔｈｅｅｎｔｅｒｐｒｉｓｅａｓｗｅｌｌａｓｔｈｅｓｏｃｉａｌｂｅｎｅｆｉｔ．Ｓｉｎｃｅｔｈｅｔｒａｄｉｔｉｏｎａｌｄａｔａｃｏｌｌｅｃｔｉｎｇｍｅｔｈｏｄｆｏｒｂｕｓｐａｓｓｅｎｇｅｒｆｌｏｗｉｓｕｎａｂｌｅｔｏｍｅｅｔｔｈｅｒｅａｌ—ｔｉｍｅｄａｔａｄｅｍａｎｄｏｆｔｈｅｓｙｓｔｅｍ，ｔｈｉｓｓｔｕｄｙｄｅｓｉｇｎｅｄａｒｅａｌ—ｔｉｍｅｄａｔａｃｏｌｌｅｃｔｉｎｇｓｙｓｔｅｍｆｏｒｂｕｓｐａｓｓｅｎｇｅｒｆｌｏｗ．ＴｈｉｓｓｙｓｔｅｍｃｏｍｂｉｎｅｄｔｈｅｐａｓｓｅｎｇｅｒｆｌｏｗｄａｔａｗｈｉｃｈｃｏｌｌｅｃｔｅｄｂｙＩＣｓｙｓｔｅｍａｎｄｃｏｉｎｄｅｔｅｃｔｉｏｎｓｙｓｔｅｍｗｉ廿ｌｔｈｅＧＰＳｄａｔａ．Ｕｓｉｎｇｔｈｅｒｅａｌ—ｔｉｍｅｕｐｌｏａｄｆｅａｔｕｒｅｏｆｔｈｅＧＰＳｄａｔａ，ｉｔｕｐｌｏａｄｅｄｔｈｅｄａｔａｏｆｐａｓｓｅｎｇｅｒｆｌｏｗａｎｄｂｕｓｌｏｃａｔｉｏｎｓｔｏｔｈｅｓｃｈｅｄｕｌｉｎｇｃｅｎｔｅｒ．ＣｏｍｂｉｎｅｄｗｉｔｈｔｈｅｕｔｉｌｉｚａｔｉｏｎｒａｔｅｏｆＩＣｃａｒｄｏｂｔａｉｎｅｄｆｒｏｍｔｈｅｓｕｒｖｅｙ，ｉｔｃａｒｌｃａｌｃｕｌａｔｅｔｈｅａｂｏａｒｄｆｌｏｗｄａｔａｏｆｔｈｅｂｕｓｓｔｏｐ，ｂｕｓｌｉｎｅａｎｄｎｅｔｗｏｒｋｉｎａｒｅａｌ－ｔｉｍｅｍａｎｎｅｒ．Ｏｎｔｈｅｂａｓｉｓｏｆｒｅａｌ—ｔｉｍｅｐａｓｓｅｎｇｅｒｆｌｏｗｓｄａｔａ，ｔｈｅｐａｐｅｒｆｕｒｔｈｅｒｃｏｎｄｕｃｔｅｄｄａｔａｍｉｎｉｎｇｏｆｔｈｅＩＣｄａｔａａｎｄＧＰＳｄａｔａｔｏａｎａｌｙｚｅｐａｓｓｅｎｇｅｒｆｌｏｗｃｈａｒａｃｔｅｒｉｓｔｉｃｓ．Ｉｔｓｔｕｄｉｅｄｔｈｅｍｅｔｈｏｄｓｏｆｒｅｃｏｇｎｉｚｉｎｇｔｈｅｓｔｏｐｓｆｏｒｐａｓｓｅｎｇｅｒｂｏａｒｄｉｎｇ／ａｌｉｇｈｔｉｎｇｕｎｄｅｒｔｈｅｅｎｖｉｒｏｎｍｅｎｔｏｆｃｏｍｐｌｅｔｅｄａｔａａｎｄｐａｒｔｉａｌｄａｔａ．Ｔｈｅｐａｐｅｒａｌｓｏｓｔｕｄｉｅｄｔｈｅｐａｓｓｅｎｇｅｒｔｒａｎｓｆｅｒ，ａｎｄｔｈｅｔｉｍｅｄｉｓｔｒｉｂｕｔｉｏｎｆｅａｔｕｒｅ，ｄｙｎａｍｉｃｆｅａｔｕｒｅａｎｄｔｈｅｓｈｏｒｔ—ｔｅｒｍｆｅａｔｕｒｅｏｆｐａｓｓｅｎｇｅｒｆｌｏｗ．Ｉｔａｎａｌｙｚｅｄｔｈｅｐａｓｓｅｎｇｅｒｆｌｏｗｆｌｕｃｔｕａｔｉｏｎｏｎｗｅｅｋｄａｙｓ，ｗｅｅｋｅｎｄｓａｎｄｗｉｔｈｉｎａｍｏｎｔｈ，ａｎｄｑｕａｎｔｉｔａｔｉｖｅｌｙａｎａｌｙｚｅｄｔｈｅｔｉｍｅｄｉｓｔｒｉｂｕｔｉｏｎａｎｄｄｉｒｅｃｔｉｏｎａｌｆｅａｔｕｒｅｏｆｔｈｅｐａｓｓｅｎｇｅｒｆｌｏｗｗｉｔｈｉｎａｄａｙ奈ｗｅｌｌａｓｔｈｅｗｅｅｋｌｙｆｌｕｃｔｕｍｉｏｎｆｅａｔｕｒｅ．
Ｔｈｅｓｔｕｄｙｉｄｅｎｔｉｆｉｅｄｔｈｒｅｅｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｓ，ｎａｍｅｌｙｔｈｅｔｒａｄｉｔｉｏｎａｌＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌ．ｔｈｅｉｍｐｒｏｖｅｄＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌａｎｄｔｈｅＲＢＦｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌｔｏｐｒｅｄｉｃｔ
大连理工大学硕士学位论文
ｔｈｅｓｈｏｒｔ．．ｔｅｒｍｐａｓｓｅｎｇｅｒｆｌｏｗａｎｄｅｖａｌｕａｔｅｄｔｈｅｍｏｄｅｌｉｎｇｒｅｓｕｌｔ．Ｂａｓｅｄｏｎｔｈｅｐａｓｓｅｎｇｅｒｆｌｏｗ
ｔｈｅｍａｉｎｉｎｐｕｔｓｏｆｔｈｅａｎａｌｙｓｉｓ，ｔｈｒｅｅｃａｔｅｇｏｒｉｅｓｏｆｉｎｆｌｕｅｎｃｅｆａｃｔｏｒｓｗｅｒｅｄｅｔｅｒｍｉｎｅｄｔｏｂｅ
ｎｅｕｒａｌｎｅｔｗｏｒｋ，ｐａｓｓｅｎｇｅｒｆｌｏｗｉｎａｄｊａｃｅｎｔｔｉｍｅｉｎｔｅｒｖａｌｓｂｅｆｏｒｅｔｈｅｐｒｅｄｉｃｔｉｏｎｔｉｍｅ，ｐａｓｓｅｎｇｅｒ
ｆｌｏｗｏｆｔｈｅｓａｍｅｔｉｍｅｉｎｔｅｒｖａｌｉｎａｄｊａｃｅｎｔｗｅｅｋｄａｙｓｂｅｆｏｒｅｔｈｅｐｒｅｄｉｃｔｉｏｎｄａｙ，ａｎｄｐａｓｓｅｎｇｅｒｆｌｏｗｏｆｔｈｅｓａｍｅｔｉｍｅｉｎｔｅｒｖａｌｉｎａｄｊａｃｅｎｔｗｅｅｋｓｂｅｆｏｒｅｔｈｅｐｒｅｄｉｃｔｉｏｎｗｅｅｋ，ａｎｄｃｏｎｆｉｒｍｅｄｔｈｅｎｅｕｒｏｎｎｕｍｂｅｒｏｆｔｈｅｉｎｐｕｔｌａｙｅｒａｎｄｈｉｄｄｅｎｌａｙｅｒａｂｏｕｔｔｈｅＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌ．ＴｈｅｃｏｌｌａｔｅｄＩＣｃａｒｄｄａｔａＷＳｕｓｅｄｔｏｔｒａｉｎｔｈｅｎｅｔｗｏｒｋａｎｄｍａｋｅｐｒｅｄｉｃｔｉｏｎ，Ｔｈｅｐａｐｅｒａｎａｌｙｚｅｄａｎｄｅｖａｌｕａｔｅｄｔｈｅｐｒｅｄｉｃｔｅｄｒｅｓｕｌｔｓｏｆｅａｃｈｍｏｄｅｌ，ａｎｄｔｈｅｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔｔｈｅｐｒｅｄｉｃｔｉｏｎ
ｏｆｔｈｅｉｍｐｒｏｖｅｄＢＰｍｏｄｅｌａｎｄＲＢＦｍｏｄｅｌｗｅｒｅｂｅｔｔｅｒｔｈａｎｔｈｅｔｒａｄｉｔｉｏｎａｌＢＰａｃｃＨｒａｃｖ
ｍｏｄｅｌ．
ＫｅｙＷｏｒｄｓ：ＩｎｔｅｌｌｉｇｅｎｔＰｕｂｌｉｃＴｒａｎｓｐｏｒｔ；ＩＣＣａｒｄＤａｔａ；ＰａｓｓｅｎｇｅｒＦｌｏｗＡｎａｌｙｓｉｓ；Ｓｈｏｒｔ．ｔｅｒｍＰａｓｓｅｎｇｅｒＦｌｏｗＦｏｒｅｃａｓｔ；ＮｅｕｒａｌＮｅｔｗｏｒｋ
．ＩＩＩ—
公交客流实时分析与短时预测研究
目录
摘要…………………………………………………………………………………．ＩＡｂｓ仃ａｃｔ．…………………．………．…………．…．………．……．………．………．………．………．………………ＩＩ１绪论……………………．．………………………………………………………………………………………．１１．１研究背景及意义………………………………………………………………１１．１．１研究背景………………………………………………………………１
１．１．２研究意义．………………………………………………………………２１．２国内外研究概况………………………………………………………………３１．２．１国外研究概况……………………．……………………………………３
１．２．２国内研究概况…………………………………………………………５
１．２．３国内外研究概况总结分析……………………………………………７１．３论文主要研究内容与结构……………………………………………………７１．３．１主要研究内容…………………………………………………………７
１．３．２论文结构………………………………………………………………．８１．４技术路线……………………………．………………………………………．．８２公交客流数据实时采集系统构架设计……………………………………………１０２．１传统公交客流数据采集方法研究…………………………………………．１０２．１．１人工调查方法………………．…………………一．…………………．．１０
２．１．２图像识别方法………………………………………………………一１０
２．１－３自动乘客计数系统…………………………………………………．．１ｌ
２．１．４公交Ｉｃ卡采集方式…………………………………………………１１
２．１．５各种方法优缺点总结………………………………………………一１１２．２实时客流数据采集系统设计………………………………………………．１２２．２．１系统构架设计………………………………………………………一１２
２．２．２刷卡客流数据和投币检测器数据实时采集与传输系统…………．．１３
２．２．３结合刷卡、投币和刷卡比例的上车客流数据综合统计…………一１６
２．２．４公交线路和线网上车客流数据实时统计方法……………………．．１７３公交客流出行特征分析……………………………………………………………１８３．１数据描述与预处理…………………………………………………………．１８３．１．１公交Ｉｃ卡数据………………………………………………………１８
３．１．２公交ＧＰＳ数据………………………………………………………．１９
大连理工大学硕士学位ｉ，硷ｒ３ｃ
３．２公交客流的上下车站点判断分析…………………………………………．２１３．２．１上下车站点确定方法研究………………………………．…………．２ｌ
３．２．２换乘判断问题研究…………………………………………………一２８３．３公交客流的时间分布特性分析……………………………………………．２９３．３．１工作日客流时间分布………………………………………………．．２９
３．３．２周末客流时间分布…………………………………………………．．３１
３．３．３月客流时间分布……………………………………………………一３２３．４公交客流的动态特性分析…………………………………………．………．３２３．４．１一天内客流时间分布不均匀性……………………………………一３２
３．４．２客流方向的不均匀性………………………………………………一３３
３．４．３客流的星期变动特性………………………………………………．．３４３．５短时公交客流特性分析……………………………………………………．３４３．５．１分析所用Ｉｃ卡数据…………………………………………………３４
３．５．２短时公交客流影响因素分析………………………………………一３５
３．５．３影响因素总结…………………………………………………………３９４短时公交客流预测…………………………………………………………………４０４．１神经网络模型分析…………．………………………………………………４０４．１．１神经元的数学模型…………………………………………………一４０
４．１．２神经网络结构模型及其特性………………………………………．．４ｌ４．２ＢＰ神经网络模型预测………………………………………………………４２４．２．１输入因素确定………………………………………………………一４３
４．２．２输入神经元数目确定………………………………………………．．４３
４．２．３隐藏层神经元数目确定……………………………………………一４４
４１２．４预测模型的实现……………………………………………………一４５４－３ＢＰ神经网络改进模型预测…………………………………………………４７４．３．１改进思路……………………………………………………………一４７
４．３．２改进模型的建立……………………………………………………一４８
４．３．３改进模型预测结果…………………………………………………．．４９４．４基于径向基神经网络模型预测……………………………………………．５０４．４．１ＲＢＦ神经网络基本原理……………………………………………．５０
４．４．２ＲＢＦ神经网络模型建立……………………………………………．５１
４．４．３ＲＢＦ神经网络的预测结果…………………………………………．５２
公交客流实时分析与短时预测研究
４．５三种模型预测结果评价………………………………………………………５３结论…………………………………………………………………………………………………………．．５７参考文献……………………………………………………………………………５９攻读硕士学位期间发表学术论文情况………………………………………………一６２致谢…………………………………………………………………………………………………………．．６３大连理工大学学位论文版权使用授权书……………………………………………．．６４
ＶＩ
大连理工大学硕士学位论文
１绪论
１．１研究背景及意义
１．１．１研究背景
（１）“公交优先”战略是解决城市交通问题的有效措施
白改革开放以来，我国社会经济发生了巨大的变化，城市居民物质、文化生活水平得到不断提高，城市交通的发展也取得了很大的进步，同时人们对交通需求的增长也在不断增加。然而，由于交通需求的增长速度远大于交通供给的增长，导致城市交通环境变得越来越恶劣，交通形势曰益严峻。交通拥堵、交通事故、交通环境已经成为困扰我国城市发展的三大难题，严重影响了城市居民的生活。城市交通问题已经成为了一个人人关心的社会问题，解决城市交通问题显得必要而紧迫。
为从根源上解决城市交通问题，近年来人们开始采用交通需求管理（ＴｒａｆｆｉｃＤｅｍａｎｄＭａｎａｇｅｍｅｎｔ，ＴＤＭ）的方式，通过政策来影响出行者的行为，达到对出行空间和时间需求减少或重新分配的目的。我国采用交通需求管理的措施手段主要包括限制小汽车购买、道路拥挤收费以及优先发展公共交通等。我国城市人口多，交通问题复杂，大力优先发展公共交通符合我国基本国情。公共交通是指居民可以共同享用、经济方便的各种交通方式的总称，交通工具主要包括公共汽（电）车、出租车、地铁、轮渡、轻轨等客运交通方式。公共交通具有许多优点，例如客运量大、低价环保、经济效用高。因此，为有效解决城市交通问题，应把优先发展城市公共交通放在首位［１】。
（２）传统客流采集分析方法难以满足公共交通的发展需求
公交管理者和规划者要做出科学合理的规划与决策，必须要及时准确、全面真实地掌握公交客流的出行信息与特征规律。公交客流采集与分析方法能够为公交企业运营管理和规划部门规划设计提供可靠、准确的公交客流数据信息，它对构建高效的城市智能公交系统具有重要的数据支持作用。
传统的公交客流采集分析，依赖于大规模的人工调查方法，通过“四阶段模型”得到或者进行公交客流调查来完成。这两种方法都会耗费大量的人力、物力和财力，而且还受调查员水平、调查表回收率等多方面外因影响，且不能经常进行，数据质量无法保证。因此，仅靠传统的客流采集分析方法无法满足进行科学的公交规划和运营决策的需求，必须采用更加先进的客流采集与分析技术，能够更加准确、及时地采集到公交线路客流信息，以便为公交规划者与运营者做出正确的公交规划和运营决策［２】。
（３）ＡＰＴＳ数据为公交客流分析方法变革提供了可能
公交客流实时分析与短时预测研究
智能公交系统（ＡｄｖａｎｃｅｄＰｕｂｌｉｃＴｒａｎｓｐｏｒｔａｔｉｏｎＳｙｓｔｅｍｓ，ＡＰＴＳ）基于全球定位技术、无线通信技术、地理信息技术等技术的综合应用，实现公交车辆运营调度的智能化，公交车辆运行的信息化和可视化，实现面向公众乘客的完善信息服务。为有效解决我国城市交通所面临的问题，当前国内很多城市都已经建成或正在建设智能公交系统，并且取得了良好的效果。
智能公交系统除提供公共交通系统的控制管理与交通信息服务外，还将会产生大量的系统数据，如公交ＧＰＳ数据、公交ＩＣ卡数据等。当前这些数据并没有被充分地利用，数据资源被浪费，甚是可惜。如果能够有效地挖掘这些数据背后的信息，将为公交客流实时分析提供可能。
（４）短时公交客流预测对公交企业运营调度致关重要
公交企业工作的重点是公交车辆运营调度，而运营调度的效率高低直接影响着公交企业的生产效率、经济效率和服务质量的好坏，并进一步影响居民公交出行的比例乃至城市交通运输整体的效率［３］。虽然当前智能公交调度系统得到广泛实施应用，但在实际操作中，调度措施仍然由调度人员依据经验进行决定，系统无法最大限度发挥作用，导致调度效率并未能取得较大提高，究其原因，是缺乏有效的方法对公交客流短时发展趋势进行准确预测。公交客流量是进行公交调度、安排公交车辆发车时刻表的重要依据。但调度人员只根据经验预测下一时段客流发展变化情况，进而做出运力安排，这并不是一种科学的方法，会使得公交车辆得不到最大化有效配置利用。短时公交客流预测技术的不足，已经成为公交发展的瓶颈，有必要进行研究。
１．１．２研究意义
（１）理论意义
客流资料是公交运营生产中最基础、最关键的资料。以往获取公交客流的方法是采用人工调查的方法，主要包括随车公交客流调查和站点公交客流调查。这种方法投入大，调查结果“覆盖度、准确性、及时性”远远不能满足客流变化和企业及时适度投入的要求。随着公交智能化的发展，ＩＣ卡技术、ＧＰＳ技术已经曰趋成熟，通过对这些系统数据的实时分析挖掘得到客流数据，弥补了人工调查的缺点，而且具有大样本量、费用低、能够动态更新等传统方法不具备的优势，还为城市公交调度提供了一个新的依据。
目前短时公交客流预测模型的研究相对较少，模型预测的精度也无法保证，针对这一问题，为提高预测精度，本论文研究合适的模型算法对短时公交客流进行预测，以期进一步完善短时公交客流预测的理论和方法。
（２）应用价值
大连理工大学硕士学位论文
通过公交客流的实时分析与短时预测，可以实时监测城市公共交通的需求变化，据此对公交系统的服务水平进行动态的调控；掌握客流实时数据及短时预测流量，对制定公交调度计划、优化城市公交系统、辅助公交运营决策具有重要的指导意义；对公交行业监管、公交企业智能调度和公众出行信息服务具有支撑作用；通过对智能公交系统的深入分析，有利于系统本身功能的完善。
在现实公交企业运营当中，公交系统的运营方案主要依靠个人经验及主观判断，对短期客流预测能力不足，由公交客流影响因素的随机性及复杂性使得判断结果与实际客流状况存在较大的偏差，导致调度管理实时性较差，不能及时采取有效地临时调度措施，导致公交车辆资源配置不够合理，乘客公交出行需求无法有效满足，直接影响公交系统的有效运营及服务水平。因此采用合适的模型算法对短时客流进行准确的预测显得极为重要，在此基础上根据短时预测客流合理地进行运行计划编排、公交线路规划与车辆配置规划。
１．２国内外研究概况
１．２．１国外研究概况
（１）公交数据采集分析方面
国外发达国家由于智能公交发展建设起步较早，公交数据采集已经形成了比较完整的系统体系，从数据采集、传输、存储、挖掘分析以及应用这一流程已经变得非常成熟。ＩＣ卡的使用首先出现在法国，可以在公共汽车、地铁、火车等交通方式问通用。日本正在筹划实施公共服务行业间的ＩＣ卡合作，采用非接触ＩＣ卡，可以实现行政、医疗、交通及金融等方面的功能。韩国在１９９８年就建立了基于非接触Ｉｃ卡的城市公交系统，并在２００４年推广使用装有ＧＰＳ的分段计价Ｉｃ卡系统，在２００７年，其公交和地铁乘客中分别有９０％齐Ｈ７５％的乘客使用Ｉｃ卡。新加坡也在大力推行Ｉｃ卡跨行业、跨部门的多领域应用［４］。美国从２０世纪６０年代末期就开始了智能公交系统方面的研究，２００１年开始建设了５１１交通信息系统，其交通信息中心利用安装在车辆、道路、站点、停车场以及气象中心的传感器和传输设备来采集各种交通信息。随着时间推移和交通管理需求的发展，日本分别开发和使用了公共汽车定位系统．公共汽车接近显示系统、公共交通管理系统和道路交通信息通信系统【５Ｊ。
对于数据分析方法，传统的数学统计方法已经无法满足数据分析要求，近年来，随着数据挖掘技术的快速发展及广泛应用，数据挖掘技术越来越多地用于公交数据地挖掘分析当中。Ｊｉ等人（２０１２）使用客流自动计数系统（ＡＰＣ）统计客流数据，并采用均匀ＯＤ周期方法对公交线路较短时间内的０Ｄ客流分布情况进行分析估计［６１。Ｐｅｌｌｅｔｉｅｒ等）ｋ（２０１１１
公交客流实时分析与短时预测研究
表明在公交系统使用的ＩＣ卡，不仅是一种快捷高效的收费方式，同时也富含大量数据信息，其中涉及大量与客流相关的数据信息，研究分析这些信息有助于公交系统的长期、短期和实时的规划与管理［７１。Ｍａｒｋ等人（２０１０）在利用先进的自动乘客计数技术的基础上，针对统计出的站点上下客流数，采用迭代均衡算法对公交线路客流进行分析预测，结果表明这种方法提高了客流预测的准确程度【８】。Ｂａｇｃｈｉ等人（２００５）对公交Ｉｃ卡中的信息进行全面深入分析，其中包括乘客周转率、乘客使用费用、线路使用比例等信息，进而对客流出行行为进行分析［９］。综合分析，国外在公交Ｉｃ卡客流数据方面的研究主要用于以下三个方面：战略的制定（如公交长期规划）、策略的制定（公交服务评价及线网规划）和经营管理（客流量统计及其它性能指标分析）。
（２）短时客流预测方面
发达国家对短时预测的研究起步较早，但是其研究主要集中在预测的技术及设备上，而对预测方法的研究较少，预测的对象也主要集中在车流上，而专门对短时公交客流预测的研究也不是很多。但发达国家在短时预测领域取得的一些研究成果，对本研究具有一定的参考价值。
Ｙｕ等人（２０１２）采用经验模态分离法（ＥＭＤ）与神经网络法相结合的混合预测模型对台北的地铁客流进行短时预测，第一步是利用模态分解方法先将原始客流信号分解为有限个本征函数（ＩＭＦ），第二步是识别有效的ＩＭＦ分量并作为神经网络的输入，第三步是利用ＢＰＮ模型进行预测［１们。Ｚｈａｏ等人（２０１１）采用小波分析法将全天的客流分解成不同的频率，并采用神经网络算法对各分解序列分别进行预测，最后将各预测结果重构得到最终预测结剽１１】。Ｍａｎｏｅｌ等人（２００９）提出采用在线支持向量机（Ｏｎｌｉｎｅ—ＳＶＲ）模型来对高速公路短时交通流进行预测，其最大的创新点就是把事故、恶劣天气等～些复杂条件、异常情况考虑到模型的应用中，使得模型的应用范围更加广阔［１２１。Ｔｓａｉ等人（２００９）提出了两种改进的神经网络模型，ｍｕｌｔｉｐｌｅｔｅｍｐｏｒａｌｕｎｉｔｓｎｅｕｒａｌｎｅｔｗｏｒｋ（ＭＴＵＮＮ）模型与ｐａｒａｌｌｅｌｅｎｓｅｍｂｌｅｎｅｕｒａｌｎｅｔｗｏｒｋ（ＰＥＮＮ）模型，分别用来对铁路短时客流需求进行预测，这两种方法的预测精度都要比传统的ｍｕｌｔｉ．１ａｙｅｒｐｅｒｃｅｐｔｒｏｎ（ＭＬＰ）模型有所提高［１３］。Ｚｈｅｎｇ等人（２００６）基于条件概率和贝叶斯规则构建了～种神经网络模型，对短时高速车流进行预Ｎｔｌ４】。ＥｌｅｎｉＩ等人（２００５）采用一种遗传方法对神经网络进行优化，并用此优化的网络来对短时交通流进行预测［１５｜。Ｓｍｉｔｈ等人（２００２）利用参数模型（ＡＲＩＭＡ）与非参数回归模型对单点短时交通流进行预测，并做了比较与分析［１６｜。Ｄｉａ（２００１）采用一种面向对象的神经网络模型来对短时交通流进行预测，预测了２０秒到１５分钟之间９个时间间隔水平的车速状态，在间隔为１５分钟时预测精度达到
大连理工大学硕士学位论文
９３％－９５％【１７］ｏＹｉｎ等人（２０００）构建了一种模糊神经网络（ＦＮＭ）来预测城市道路网的车流，ＦＮＭ模型包括两个部分，分别是门网络（ＧＮ）和专家网络（ＥＮ），ＧＮ用来对输入信息归类，ＥＮ用来对构建输入输出之间的关系［１８１。ＨｏｗａｒｄＲ等人（１９９７）采用神经网络模型和时问序列模型对法国短时机动车流进行了预测，对比分析了两种方法的优缺点并总结了一些新发现【ｌ引。Ｈｅａｄ（１９９５）构建了一种基于事件的短时交通流预测模型，根据交通流理论能够获知传统线圈采集器采集的各时段数据的相互关系，利用一个微观交通仿真模型验证了此预测模型能够为实时交通白适应信号控制提供所需的信息【２０１。１．２．２国内研究概况
（１）公交数据采集分析方面
当前我国的智能公交与发达国家相比还比较落后。然而，国内许多城市正面临着严重的交通发展瓶颈问题，如交通拥挤、能源紧张、环境污染等问题，因此公共交通的发展也越来越受到各有关部门的高度重视。我国智能公交虽然起步晚，但是发展较快。国内从１９９４年开始使用公交Ｉｃ卡收费系统。目前许多国内大中城市都在推广公交ＩＣ卡的使用，并且有些地方都己经实现了ＩＣ卡的一卡多用功能。针对公交数据采集分析的研究也有了一些进展。陈绍辉等人（２０１１）通过对ＩＣ卡数据进行聚类分析确定了上车站点确定方法，并建立一些公交车辆运行指标计算模型［２１１。吴祥国（２０１１）在硕士论文中利用公交ＩＣ卡和ＧＰＳ数据对城市居民公交出行ＯＤ矩阵进行推导与应用［２］。吴美娥（２０１０）在对比分析了５种客流数据采集方法的基础上，对ＩＣ卡收费系统构架进行了设计，提出了外部数据源预处理的过程，并对一票制公交乘客上下车站点判断和换乘判断进行了初步研耕２２１。陈君（２００９）研究了基于Ｉｃ卡数据的城市公共交通需求分析技术与方法，对公交Ｉｃ卡乘客的上车站点确定、换乘总量计算、换乘站点确定、出行ＯＤ推算等问题进行了深入研科１１。王卓（２００８）在硕士论文中提出并设计了基于蓝牙技术的自动收费机数据无线自动采集新方法和方案［２３１。戴霄等人（２００６）通过构建数据挖掘系统和Ｉｃ卡数据仓库研究了公交ＩＣ卡数据挖掘方法，介绍了数据的预处理与数据挖掘、挖掘工具的选择与挖掘算法的选择等方法Ｂ４］。戴霄等人（２００５）利用单条公交线路的ＩＣ卡信息，提出了单条公交线路的站点客流、线路客流、断面客流等主要客流指标的计算方法【２５｜。姚宝珍等人（２００５）设计了一种对客流等数据采集的Ｉｃ卡自动收费系统，并提出了利用它来进行客流采集、处理的新方案【２６１。杨兆升（２００４）对公交信息采集和分析方法做了比较多的研究，对公交系统基础数据采集、处理、传输技术和客流分析预测方面都进行了深入研究∞Ｊ。
（２）短时客流预测方面
公交客流实时分析与短时预测研究
目前，国内对于短时公交客流预测的研究比较少，由于研究起步较晚，所以取得的研究成果相对较少，大多数学者主要把精力集中于长期客流、中期客流的预测。短时公交客流预测的相关研究主要有：邓浒楠等（２０１２）提出一种基于多核最小二乘支持向量机的公交客流预测方法，并对长春市短期公交客流进行了预测【２引。梁雪玲（２０１２）采用灰色预测模型ＧＭ（１，１）对公交线路沿途各站点的乘客到达率进行短时动态预测［２９１。任崇岭等（２０１１）采用小波神经网络对北京地铁短时客流量进行预测，数据为周一至周五每天早５点到晚２３点（１８ｈ）且每隔１５ｒａｉｎ记录一次的数据集，其中利用前４天数据进行网络训练，利用第５天的数据进行预测［３０】。张春辉（２０１１）等提出了以卡尔曼滤波作为公交站点短时客流的预测模型，并给出了模型的求解过程【３１｜。顾杨等（２０１１）提出时间序列模型进行短期预测的方法，建立自同归滑动平均ＡＲＭＡ（２，１）模型，预测枢纽站点短期总客流量［３２１。刘凯（２０１０）提出了以小波分析原理为基础的组合预测方法。采用信号分析原理与小波分解方法，将短期客流序列分为多个平稳性较好的单支信号，对各单支信号分别采用ＡＲＭＡ方法预测后再将预测结果合成即得到整体信号预测结果【３３１。杨智伟等（２００９）提｛＿＝Ｈ采用有序样本聚类Ｆｉｓｈｅｒ算法划分城市公交峰值区间，利用公交Ｉｃ卡数据信息并结合随车和问询客流调查，建立不同峰值区间下客流预测的回归方程，但预测时段相对较长［３４１。刘翠等（２００８）通过分析公交线路站点时段上下车人数影响因素，提出将预测时段前三周和前三天的同一时刻客流以及同一天前三个时刻的客流作为ＢＰ神经网络的输入进行客流预测，但其预测时间间隔为一个小时，时间间隔也较长［３５１。
虽然国内对于公交客流的短时研究相对较少，但对于交通流的短时预测研究则相对较多，可以借鉴车流的短时预测来寻找短时公交客流预测的思路。短时交通流的研究主要有：孟杰等（２０１２）采用小波神经网络对短时交通流进行预测，运用小波神经网络建立了非线性回归预测模型，对苏州市某交叉口交通流量进行了预测，预测结果可靠【３６｜。Ｚｈａｎｇ等人（２００７）采用主成分分析法（ＰＣＡ）与组合神经网络（ＣＮＮ）相结合的方法对短时交通流进行预测，先将数据利用ＰＣＡ分析得到ＣＮＮ的输入，并且减少输入变量的个数与变量问的相关性，其预测结果要比ＢＰ神经网络较好【ｊ，Ｊ；２００２年又提出了一种基于多分辨率小波分解与重构的交通流短时预测方法，先利用尺度函数和小波函数将交通流数据分解为多个分辨率的时问序列，再利用已有的ＡＲＭＡ方法进行分别预测，最后将预测结果合并为对应原始序列的预测结果【３８１。贺国光等人（２００１）先提出了基于数学模型的短时交通流预测方法，分别采用ＡＲＭＡ时间序列分析法、白适应权重联合模型和卡尔曼滤波三种方法进行预测ｐ圳。
大连理工大学硕士学位论文
１．２．３国内外研究概况总结分析
通过总结分析，目前各城市公交数据采集的方法多种多样，为城市公交系统的发展建设提供了有力的支持，但随着当前公交智能化的发展以及人们对出行信息多样化、实时性需求的不断增多，公交客流分析也多以静态的历史数据分析为主，历史数据已经无法满足实际应用的要求，实时客流数据的获取就显得越发重要，因此有必要对实时客流数据采集系统进行研究。
对于客流预测方面，各国研究学者已经将很多方法用于短时交通量预测中，例如ＡＲＭＡ模型、卡尔曼滤波、灰色预测模型、支持向量机、神经网络模型等，研究方法及形成的理论已经较为成熟，而对短时公交客流预测方面的研究则相对较少，在实际中的应用更是较少，近年来，一些学者采用小波分析、支持向量机、灰色预测模型以及ＢＰ神经网络等方法对短时客流进行ｒ初步研究，但由于这些模型算法的自身特性及适用条件，模型的预测精度、实时性、以及可移植性等都很难得到保证，有必要结合车流预测的一些理论方法对短时客流预测进一步深入地研究。
现将各种短时客流或交通流预测方法及其优缺点对比分析，如表１，１所示。
表１．１短时预测方法优缺点对比分析表
Ｔａｂ．１．１Ｃｏｍｐａｒｉｓｏｎｏｆｓｈｏｒｔ—ｔｅｒｍｆｏｒｅｃａｓｔｉｎｇｍｅｔｈｏｄｏｌｏｇｉｅｓ
１．３论文主要研究内容与结构
１．３．１主要研究内容
（１）实时数据采集系统的构架设计
本文旨在设计一种公交客流实时采集系统，每当公交车辆离开公交站点后，本系统能够及时将上一站点的打卡客流信息实时上传到后台统计分析系统中，存储在后台数据
公交客流实时分析与短时预测研究
库中用于下一步的分析挖掘。
（２）公交客流出行特征分析
将智能公交系统采集到的各种实时系统数据，如Ｉｃ卡数据、ＧＰＳ数据等，进行数据融合和挖掘分析，分别对公交客流的上下车站点判断、换乘判断、时问分布特性、动态分布特性以及短时客流特性进行分析。
（３）短时公交客流预测
采用ＢＰ神经网络模型、改进ＢＰ神经网络模型和ＲＢＦ神经网络模型分别对短时公交客流进行预测，将采集到的Ｉｃ卡客流数据样本整理后作为预测模型的输入，通过误差控制得到合理的预测结果，并将ｊ三种预测结果同实际客流进行对比分析，检验各模型预测的精确程度。
１．３．２论文结构
论文章节安排如下：
第一章为绪论。主要分析公交客流实时分析与短时预测的研究背景及意义，总结国内外智能公交数据采集分析、短时预测方法的现状，介绍论文结构与主要内容，并提出研究的技术路线。
第二章为公交客流数据实时采集系统构架设计。在传统公交客流数据采集方法及其优缺点总结分析的基础上，设计了一种实时公交客流数据采集系统，并对系统构架进行了设计，并给出了客流统计算法。
第三章为公交客流出行特征分析。主要分析了公交客流上下车站点及换乘判断问题，结合采集数据对客流的时间分布特性、动态特性进行了分析，最后对短时客流特性及其影响因素进行了研究。
第四章为短时公交客流预测研究。采用传统ＢＰ神经网络模型、ＢＰ改进模型和ＲＢＦ神经网络模型分别对短时客流进行预测，并对预测结果评价分析，最终的预测精度满足实际应用的要求。
最后为结论。总结论文取得的研究成果和未来进一步研究方向。
１．４技术路线
结合已有的智能公交调度系统，在公交ＩＣ卡数据实时采集系统设计的基础上，实现对客流数据、ＧＰＳ数据、车辆调度运行等系统数据的实时采集与后台系统之间的及时传输；通过数据挖掘与融合，对公交客流进行实时分析，获得公交客流的时间分布特性、动态特性等；利用已有的ＩＣ卡客流数据，对公交客流进行短时预测，并对预测结果进
大连理工大学硕士学位论文一
行检验分析和模型调整。
研究的技术路线如图１．１所示。
图１．１研究技术路线
Ｆｉｇ，１．１Ｔｈｅｔｅｃｈｎｉｃａｌｓｔｕｄｙｒｏｕｔｅ
９一
公交客流实时分析与短时预测研究
２公交客流数据实时采集系统构架设计
公交客流数据作为公交企业生产运营所产生的重要基础数据，能够为公交调度、公交线网规划乃至城市交通综合规划等工作提供决策支持，其数据的准确性直接影响着公交调度效率和服务水平，甚至对城市交通的整体发展都会产生深远影响。在此背景下，公交客流数据的采集显得至关重要。当前，随着信息技术与自动化技术等多种技术手段的发展，公交客流数据采集技术也在不断得到发展，采集方式逐步由人工转向智能化，数据准确率也在得到不断的提高。本文通过将客流数据采集技术与车载ＧＰＳ定位、无线通信等技术相结合，实现公交站点、线路和线网的上车客流数据实时统计功能，可将客流数据以及其它公交数据实时准确地传输到公交调度中心，从而为科学合理的安排发车时间、制定调度计划等提供第一手资料。
本章主要从以下两个方面进行阐述和分析：
（１）分析传统公交客流数据采集方法，并对各方法的优缺点进行总结；
（２）实时客流数据采集系统设计，并分析其实现的技术方案。
２．１传统公交客流数据采集方法研究
２．１．１人工调查方法
在国内的公交规划中，人工调查方法是使用最普遍的公交数据采集方法。这种调查方式主要包括跟车调查、驻站调查、问询调查、月票调查和填表调查。其中跟车调查和驻站调查可以获得公交车辆和公交站点的客流信息，而另外三种调查方法可以获取乘客的出行动态及其规律。
人工调查具有灵活、易操作等优点，可以根据公交规划的重点内容设计调查问卷，针对性比较强；其缺点是人力、物力、时间耗费较大，调查结果受客观因素的影响较大，且无法经常进行，数据不具有时效性，数据不能反映客流的长期变化，调查结果的“覆盖度、准确性、及时性”远远不能满足公交运营调度和线网规划工作的要求［４０１。２．１．２图像识别方法
图像识别法的基本原理是在公交车辆的上下车门口安装视频检测器，利用视频检测器获取乘客上车或下车行为的视频或图像，再利用视频识别软件处理分析视频或图像资料，进而获得上下车乘客人数。
图像识别方法的检测精度受很多影响因素的影响，其中视频识别软件的识别精度和
大连理工大学硕士学位论文
视频检测器所拍摄的图像清晰度是主要的影响因素，同时还受外部环境因素的影响较大，如气温，振动等。为了保证检测结果的准确性，必须要求视频检测器和视频识别软件的性能较高，这就使得系统成本较高，维护较难，其应用范围受到一定限制［４¨。２．１．３自动乘客计数系统
自动乘客计数系统（ＡｕｔｏｍａｔｉｃＰａｓｓｅｎｇｅｒＣｏｕｎｔｅｒＳｙｓｔｅｍ，ＡＰＣＳ）是通过压力、红外等探测方式自动采集乘客上下车时间和地点的客流采集系统。自动乘客计数系统采用的技术主要包括压力板检测、光电检测、气胎重量检测等。
虽然这一系统与人工调查相比可以更经济、更准确地获取大量的客流数据，而且还能够与其它信息系统相结合生成一些有用的报表文件。但由于该系统涉及到多个系统的对接使用，其运营环境与成本要求势必更高，此外系统采集的数据信息较为单一，如乘客出行起讫点分布、出行时间、出行距离、乘客属性、换乘时间及地点等，则无法提供相应数据参考，因此在使用过程中，应考虑与其它采集方式相结合使用［４¨。
２．１．４公交ｌＣ卡采集方式
公交Ｉｃ卡系统在国内各大城市应用非常普遍，其不仅是简化乘客乘车付费的主要方式，还成为客流统计的重要方法。乘客上车后打卡，Ｉｃ卡数据信息存储在车载ＰＯＳ机中，再由ＰＯＳ机上传到数据采集分中心，最后汇总到公交ＩＣ卡数据中心。
对于公交ＩＣ卡，它是一种非接触式ＩＣ卡，由ＩＣ卡芯片、感应天线组成，与读写器之间通过无线电波来完成读写，具有存储容量大、传递速度快、读写寿命长等特点。公交１ｃ卡收费系统记录了公交Ｉｃ卡乘客的乘车信息，Ｉｃ卡系统数据字段主要包括卡号、卡类型、刷卡时间、公交线路号、车辆编号和消费金额等，国内各城市采用的Ｉｃ卡系统的数据字段及属性大致相同。乘客每次公交刷卡上车，ＩＣ卡系统就会自动生成一条记录，利用全天的刷卡记录就可以知道每一个公交刷卡乘客的全天公交出行信息。
国内大部分城市都是采用的一次刷卡方式（上车刷卡、下车不刷卡），这样就无法获得下车站点、下车人数等信息，还需针对居民出行特征分析获得。但总体而言，这种客流采集方法简单可靠、成本较低，与其他技术手段联合使用数据更全面。
２．１．５各种方法优缺点总结
针对不同的规划设计应用要求以及所具备的技术条件，在实际的公交客流采集过程中，各采集方式各有其优缺点。通过以上分析，现将以上４种公交客流采集方式的优缺点进行总结如下表２．１所示：
公交客流实时分析与短时预测研究
表２．１四种客流采集方式优缺点总结表
Ｔａｂ．２．１Ｓｕｍｍａｒｙｏｆｆｏｕｒｐａｓｓｅｎｇｅｒｆｌｏｗａｃｑｕｉｓｉｔｉｏｎｍｅｌｈｏｄｓ
通过表２．１分析可以知道，与其它客流数据采集方式相比，Ｉｃ卡数据采集方法最为高效便捷，其应用也最为广泛。
２．２实时客流数据采集系统设计
公交调度、公交线网规划乃至城市交通规划工作都需要公交客流数据做决策支持。通常公交客流数据是采用上面所分析的客流采集方式获得，但这些方法所采集的客流数据并不能及时传递到调度控制中心，而且在客流高峰时段有些采集方法所采集客流数据的精度并不高，其应用受到很大的限制。由于公交企业不能及时获得、更新客流数据，无法根据客流实时分布变化情况对公交运营计划和调度计划做出迅速地调整。
当前许多城市已建成或正在建设智能公交系统，而ＩＣ卡票务系统和ＧＰＳ调度系统是智能公交系统的重要组成部分。为提高公交客流数据采集的准确性、实时性、科学性和全面性，并降低客流调查工作成本，可以将ＩＣ卡系统实时采集的客流数据以及投币检测数据与ＧＰＳ数据相融合，利用ＧＰＳ数据的实时上传特性，将客流数据与定位数据实时上传到调度中心，并结合人工调查得到的刷卡比例，可实时推算获得站点、线路和线网的上车客流数据，弥补了人工调查和其它调查技术与方法无法得到实时客流的缺点。这一技术方法为进一步分析城市公交ＯＤ客流数据奠定基础，为公交车辆调度安排和线网设施规划提供决策支持。
２．２．１系统构架设计
作为一种城市公共交通站点、线路和线网上车客流数据实时采集、传输与统计系统，系统的设计思路主要包括三个部分：ＩＣ卡ＰＯＳ机刷卡数据和投币检测器数据通过车载