基于K-means聚类算法的公交运营时段分析

交通运输系统工程与信息 ›› 2014, Vol. 14 ›› Issue (2): 87-93.

基于K-means聚类算法的公交运营时段分析

沈吟东^*，张仝辉，徐甲

华中科技大学自动化学院，图像信息处理与智能控制教育部重点实验室,武汉430074

收稿日期:2013-08-30 修回日期:2013-12-04 出版日期:2014-04-25 发布日期:2014-07-07
作者简介:沈吟东（1965-），女，安徽合肥人，教授，博士.
基金资助:
国家自然科学基金（71171087，70971044）；国家社会科学基金重点项目（13&ZD175）

Homogeneous Bus Running Time Bands Analysis Based onK-means Algorithms

SHEN Yin-dong，ZHANG Tong-hui，Xu Jia

Image Processing and Intelligent Control Key Laboratory of Education Ministry, School of Automation, Huazhong University of Science and Technology, Wuhan430074, China

Received:2013-08-30 Revised:2013-12-04 Online:2014-04-25 Published:2014-07-07

摘要/Abstract

摘要：

公交车辆在高低峰等不同时段的运营时间差异较大，因此，只有对各时段的运营时间分别加以分析才能准确掌握运营时间规律，这对提高公交运营方案的准点率具有重要影响，是公交运营分析和优化调度等工作的不可或缺的重要基础.目前我国公交时段划分主要依据人工经验，简单且粗糙.本文基于大量GPS运营数据，创新性地将K-means 聚类算法应用于运营时段划分，并结合公交样本数据特点，提出一种改进的K-means聚类算法，其中改进了传统的初始簇中心选择方法，并设计了利用三角形不等式减少不必要的距离计算和基于模糊聚类思想的簇中心更新算法.十堰市和海口市公交的案例分析表明，本文的K-means聚类方法可行，改进算法的计算效率更高，划分的时段与实际调研分析结果更加吻合.

关键词: 智能公交, 时段划分, K-means聚类算法, 运营分析, 数据挖掘

Abstract:

Bus running time normally varies significantly by different time period like peack and non-peak hours. Therefore, the running time should be measured for individual time period, which affects the on-time probability of schedules. Setting precise homogeneous running time (HRT) bands is essential for service reliability measurement and scheduling. In China, the HRT bands are manually set based on experiences, and the HRT bands generated lack accuracy. With GPS data, this paper uses theK-means clustering algorithm to divide HRT bands. Then, theK-means algorithm is improved and an enhanced HRT bands division method is developed. Several methods are also addressed: an enhanced cluster initialization method, a cluster center updating method based on triangle inequality, and fuzzy clustering method. The field study on Shiyan Bus and Haikou Bus demonstrates the feasibility of the clustering method.The generated HRT bands match well with real-world situations.

Key words: intelligent transportation, homogeneous running time band, K- means algorithm, bus service measurement, data mining

中图分类号:

U491

沈吟东*，张仝辉，徐甲. 基于K-means聚类算法的公交运营时段分析[J]. 交通运输系统工程与信息, 2014, 14(2): 87-93.

SHEN Yin-dong，ZHANG Tong-hui，Xu Jia. Homogeneous Bus Running Time Bands Analysis Based onK-means Algorithms[J]. Journal of Transportation Systems Engineering and Information Technology, 2014, 14(2): 87-93.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://www.tseit.org.cn/CN/abstract/abstract18752.shtml

http://www.tseit.org.cn/CN/Y2014/V14/I2/87

参考文献

[1] Ceder A. Public-transport vehicle scheduling with multi vehicle- type[J]. Journal of Transportation Research, 2011,19(3),485-497.

[2] Hickman M, Mirchandani P, Voß S (Eds). Computer-aided systems in public transport[C]// Lecture Notes in Economics and Mathematical Systems, Volume600. Berlin:Springer,2008.
[3] Salicrú M, Fleurent C, Armengol J M. Timetable-based operation in urban transport: Run-time optimisation and improvements in the operating process[J]. Transportation Research Part A,2011,45(8):721-740.
[4] Carey M. Reliability of interconnected scheduled services[J]. European Journal of Operational Research,1994,79(1):51-72.
[5] 杨新苗，王炜，尹红亮，等. 基于公交调度峰值曲线的优化方法[J].东南大学学报，2001，31(3):31-35.[YANGX M, WANG W, YIN H L,et al. A new method for transit peak value curve optimization[J]. Journal of Southeast University,2011,31(3):31-35.]
[6] 徐甲，沈吟东.基于AVL数据的单程时间参数设置方法[J].交通运输系统工程与信息，2012, 12(5): 39-45.[XU J, SHEN Y D. Setting scheduled trip time based on AVL data[J]. Jo urnal of Transportation Systems Engineering and Information Technology2012,12(5):39-45.]
[7] 张景，沈吟东.基于定位数据的公交时间站点自动选择方法[J]. 交通运输系统工程与信息，2012,12(6):60-65. [ZHANG J, SHEN Y D. Automatic selection of time points based on AVL data[J].Journal of Transportation Systems Engineering and Information Technology2012,12(6):60-65.]
[8] Shen Y, Xia J. Integrated bus transit scheduling for the Beijing bus group based on a unified mode of operation[J]. International Transactions in Operational Research,2009,16(2):227-242.
[9] 黄震华，向阳，张波.一种进行K-Means聚类的有效方法[J].模式识别与人工智能，2010,23(4):516-521.[HUANG Z H, XIANG Y, ZHANG B. An effecient method for K- means clustering[J]. Pattem Recognition and Aitificial Intelligence ,2010,23(4):516-521.]
[10] Ceder A. Optimal multi-vehicle type transit timetabling and vehicle scheduling[J]. Procedia Social and Behavioral Sciences,2011,20(0)：19-30.
[11] Elkan C. Using the trangle inequality to accelerate Kmeans[C]// Proceedings of Twentieth International Conference on Machine Learning. Washington,DC,USA,2003:1-7.
[12] 刘健，张宁.基于模糊聚类的城际高铁乘客出行行为实证研究[J].交通运输系统工程与信息，2012,12(6):100-105.[LIU J, ZHANG N.Empirical research of intercity high- speed rail passengers’travel behavior based on fuzzy clustering model[J].2012,12(6):100-105.]

[1]	韩印, 李媛媛, 李文翔, 刘向龙, 祁昊, 万东奇. 基于轨迹数据的网约车排放时空特征分析[J]. 交通运输系统工程与信息, 2022, 22(1): 234-242.
[2]	张名芳, 马艳华, 吴初娜, 王力. 公交驾驶员心理状况影响因素分析与疾病判别模型[J]. 交通运输系统工程与信息, 2021, 21(6): 96-104.
[3]	张晓春，高永，于壮，王玉焕，安健. 基于公交GPS 和IC 卡数据的乘客人均候车时间估算方法研究[J]. 交通运输系统工程与信息, 2019, 19(5): 236-241.
[4]	张晓春，于壮，段冰若，高永，安健. 面向城市交通规划的多源手机信令数据相关性研究[J]. 交通运输系统工程与信息, 2019, 19(4): 239-245.
[5]	寇俊，顾保南. 大城市客运铁路枢纽客流分配模型[J]. 交通运输系统工程与信息, 2018, 18(1): 44-49.
[6]	毕军，张文艳，赵小梅，张廷. 基于数据驱动的物流电动汽车充电行为分析[J]. 交通运输系统工程与信息, 2017, 17(1): 106-111.
[7]	姚向明，赵鹏，韩宝明，邹庆茹. 基于售检票数据挖掘的轨道交通乘客居住区辨识[J]. 交通运输系统工程与信息, 2016, 16(5): 233-240.
[8]	朱广宇，赵蕾，黄达，张彭，边历嵚. 基于决策树方法的车辆油耗估计模型[J]. 交通运输系统工程与信息, 2016, 16(3): 200-206.
[9]	杜瑾，郝珺，樊海玮. 基于簇形均衡评估的高速公路收费数据聚类[J]. 交通运输系统工程与信息, 2016, 16(2): 98-103.
[10]	钱超，代亮，林杉，李雪. 基于随机重复爬山法的交通状态预测[J]. 交通运输系统工程与信息, 2016, 16(1): 162-168.
[11]	孙川，吴超仲，褚端峰，杜志刚，田飞. 基于车联网数据挖掘的营运车辆驾驶速度行为聚类研究[J]. 交通运输系统工程与信息, 2015, 15(6): 82-87.
[12]	骆泳吉，刘军，马敏书. 客票数据“受限”条件下旅客选择偏好估计[J]. 交通运输系统工程与信息, 2015, 15(2): 189-194.
[13]	张健钦，仇培元，杜明义，. 基于时空轨迹数据的出行特征挖掘方法[J]. 交通运输系统工程与信息, 2014, 14(6): 72-78.
[14]	周洋帆，贾顺平，关伟，刘爽. 可变信息屏对北京市交通拥堵缓解的评价研究[J]. 交通运输系统工程与信息, 2014, 14(6): 201-206.
[15]	钱超，徐娜，许宏科，代亮，李雪. 基于蒙特卡罗模拟的交通状态辨识[J]. 交通运输系统工程与信息, 2014, 14(3): 43-50.