Russian Federation
This study systematizes approaches to big data analysis in transportation. It examines traditional and advanced data collection technologies and proposes a classification by focus: passenger behavior analysis and operational optimization
Big data, passenger behavior analysis, public transport optimization
За последние три десятилетия наблюдается исследовательский интерес в области применения больших данных для систем общественного транспорта с высокой пассажировместимостью и низким воздействием на окружающую среду, что предоставляет возможность полностью раскрыть внутренний механизм работы системы [1]. Транспортная система состоит из спроса (поведение пассажиров) и предложения (услуги транспорта). Транспортные услуги генерируются на основе запросов пассажиров, таких как пункты отправления / назначения, время и выбор маршрута, которые зависят от расписания и сети. Теоретически возможно достичь равновесия между спросом и предложением. Однако любые непредвиденные элементы могут разрушить эту стабильность, особенно в часы пик, когда спрос на поездки превышает предложение транспортной системы. Это приводит к ряду проблем в управлении спросом, оптимизации эксплуатации.
В частности, с точки зрения управления спросом, сначала проводится анализ транспортной системы, который включает в себя процесс перевозки пассажиров: начиная от генерации и распределения поездок, выбора вида транспорта и окончательного определения пункта отправления / назначения, времени, выбора маршрута. Существует структура, основанная на глубоком обучении для перепроектирования традиционной четырехэтапной модели прогнозирования путем построения многоуровневой иерархической сети потоков, сопоставленной с данными обследований, устройствами типа смартфонов, глобальными системами позиционирования и датчиками [1]. Фактически, технология сбора транспортных данных способна предоставить более точную информацию о поездках, такую как данные о посадке и/или высадке для каждого пассажира по смарт-картам, наблюдения за количеством пассажиров из видеосистемы/весовых датчиков на остановках/в транспортных средствах для моделирования поведения пассажиров и оптимизации работы системы [2].
Технологии сбора данных рассматриваются с конца 1990-х годов и классифицируются на две общие группы: традиционные и передовые. Первые в основном относятся к технологиям, разработанным с учетом характеристик транспорта и ориентированным на сбор информации о поездках пользователей и эксплуатационной информации о транспортных средствах, в частности, таких как автоматический сбор оплаты проезда (AFC), автоматическое определение местоположения транспортных средств (AVL), автоматические счетчики пассажиров (APC) и общая спецификация транзитных данных (GTFS). Последние не предназначены специально для транспортных систем, но могут предоставлять информацию о поездках на уровне пассажиров и состоянии системы – запросы местоположения смартфонов, технология Bluetooth, технология Wi-Fi, биометрическое распознавание лиц и обмен информацией в социальных сетях.
К традиционным технологиям сбора данных относят:
1) Автоматический сбор оплаты проезда (AFC): технология смарт-карт была введена в транспортные системы в конце 1990-х годов. При прикладывании карты на остановочном пункте местоположение и время прибытия/отправления пассажира записываются в систему. В некоторых системах, пассажиры должны прикладывать карту при посадке и высадке, что обеспечивает точную информацию о пунктах отправления и назначения (OD) – такие системы называются закрытыми. Однако в некоторых городах пассажиры прикладывают карту только при входе или выходе из системы. Информация о пункте отправления / назначения теряется – это открытая система.
2) Автоматическое определение местоположения транспортных средств (AVL): рост пассажирского спроса требует улучшения надежности эксплуатации. Системы AVL собирают местоположение транспортных средств, передавая значения датчиков с интервалом 10-30 секунд в зависимости от пропускной способности радиоканала. Как правило, системы AVL основаны на измерениях GPS, которые могут производить непрерывные потоки данных с развитием онлайн-технологий. В частности, каждое транспортное средство передает данные с очень короткой (но определенной) периодичностью на главный сервер, а именно в систему AVL реального времени.
3) Автоматические счетчики пассажиров (APC): являются важным дополнением к информации о пассажирах для AVL. Они основаны на методах оценки, использующих подсчеты по дверным петлям или весовым датчикам, установленным в транспортных средствах. Система APC регистрирует активность пассажиров – посадку/ высадку. На основе данных APC и AVL возможно оценить матрицу OD пассажиров, время простоя и распределение пассажиров по маршрутам.
4) Общая спецификация транзитных данных (GTFS): предоставляет стандарт для открытых расписаний работы общественного транспорта и связанной географической информации, особенно охватывая информацию о поездках, маршрутах, времени и местоположении остановок. Версия GTFS-realtime (GTFS-rt), позволяет обновлять информацию о поездках в реальном времени, местоположении транспортных средств и изменениях в обслуживании.
Передовые технологии сбора данных
1) Данные смартфонов (SPD): представляет интеграцию GPS, Wi-Fi и акселерометров – новый способ отслеживания долгосрочных данных о поездках отдельных лиц, что позволит определить мобильность и поведение пассажиров в транспортных системах. Как правило, данные мобильных телефонов – это анонимные потоки, использующиеся для выполнения анализа и оптимизации транзита [3]. Для регистрации данных о поездках пользователей разработаны специальные приложения для мобильных телефонов. После активации приложений телефон будет отправлять периодические и анонимные обновления местоположения на центральный сервер отслеживания. Эти данные позволят определить, находится ли пассажир в транспортном средстве. Данные GPS-треков используются в качестве входных данных для алгоритма сопоставления маршрутов.
2) Технология Bluetooth: это стандарт беспроводной технологии для обмена данными на коротких расстояниях, который предоставляет новый способ анализа поведения пассажиров. Технологии Bluetooth в качестве приложения для сбора информации на смартфоне под управлением Android выполнили обширный анализ различных статистических данных о количестве пассажиров, скорости пассажиропотока. Это показывает, что Bluetooth – идеальная технология для построения относительно небольшой многоскачковой беспроводной сети с размером сети из четырех узлов, и она применима и может способствовать новым приложениям в условиях часов пик.
3) Технология Wi-Fi: Wi-Fi – это технология для беспроводных локальных сетей с информацией о местоположении. Информация о пунктах отправления и назначения пассажиров может быть обнаружена путем обратного отслеживания сигналов Wi-Fi мобильных устройств. Потоки OD, определенные непосредственно из данных Wi-Fi для конкретной автобусной поездки, не вполне соответствуют наземным истинным потокам, но результаты демонстрируют перспективность использования данных сигналов Wi-Fi для определения потоков OD при агрегировании данных по нескольким автобусным поездкам за период времени, особенно при использовании совместно с данными APC.
4) Биометрическое распознавание лиц: крайне важно обнаруживать распределение пассажиров в крупномасштабных транспортных системах. Одна из главных трудностей при отслеживании пассажиров – отсутствие детальной индивидуальной информации в транзитной системе. Технологии позволяют получить индивидуальное положение каждого пользователя и содержит автоматизированные методы проверки или идентификации личности на основе изображения лица. Базовая структура автоматизированной системы распознавания лиц состоит из четырех фундаментальных блоков: детектор лица, экстрактор признаков, база данных и классификатор. Матрицы пересадок пассажиров, полученные из оптического анализа и традиционного опроса, доказывают эффективность и потенциал методов анализа изображений. В дополнение к получению распределения пешеходов эта технология использовалась для обеспечения безопасности в метрополитене и железнодорожных кассах.
5) Данные социальных сетей – используемые приложения социальных сетей. Они собирают социальные взаимодействия большого числа людей, поэтому являются ценным ресурсом для прогнозирования различных крупномасштабных тенденций. В рамках исследований [2, 3] оценивалось общественное мнение о транзитных агентствах на основе комментариев и сообщений пользователей.
В таблице 1 обобщены аспекты применения различных технологий сбора данных по направлениям, таким как оценка времени в пути пассажиров, распределение поездок пассажиров, прогноз спроса и перепланирование расписания.
Диапазон применения технологий достаточно широк и простирается от анализа поведения пассажиров до оптимальной эксплуатации транспортной системы. Как видно из таблицы 1, конкретная исследовательская задача может быть проанализирована или оптимизирована с использованием различных методик. Поэтому то, как эти данные могут быть объединены и оценены, важно для валидации модели, оптимизации производительности системы и долгосрочного планирования транспортной системы.
Таблица 1 – Применение технологий сбора данных в транспортных исследованиях [3]
|
Источники |
AFC |
AVL |
APC |
SPD |
Bluetooth |
Wi-Fi |
Социальные сети |
GTFS |
|
время в пути пассажира |
+ |
|
|
+ |
|
|
+ |
|
|
пространственное и временное распределение пассажиров |
+ |
|
+ |
|
|
+ |
|
|
|
цепочка поездок |
+ |
|
|
|
|
|
|
|
|
проверка данных |
+ |
|
+ |
|
+ |
|
|
+ |
|
прогноз спроса |
+ |
|
+ |
|
|
+ |
+ |
|
|
плотность пользователей |
|
|
|
|
+ |
+ |
|
|
|
время пребывания |
|
+ |
+ |
|
|
|
|
+ |
|
планирование в режиме реального времени |
|
+ |
|
+ |
|
|
+ |
+ |
За последние три десятилетия наблюдается исследовательский интерес в области применения больших данных для систем общественного транспорта с высокой пассажировместимостью и низким воздействием на окружающую среду, что предоставляет возможность полностью раскрыть внутренний механизм работы системы [1]. Транспортная система состоит из спроса (поведение пассажиров) и предложения (услуги транспорта). Транспортные услуги генерируются на основе запросов пассажиров, таких как пункты отправления / назначения, время и выбор маршрута, которые зависят от расписания и сети. Теоретически возможно достичь равновесия между спросом и предложением. Однако любые непредвиденные элементы могут разрушить эту стабильность, особенно в часы пик, когда спрос на поездки превышает предложение транспортной системы. Это приводит к ряду проблем в управлении спросом, оптимизации эксплуатации.
В частности, с точки зрения управления спросом, сначала проводится анализ транспортной системы, который включает в себя процесс перевозки пассажиров: начиная от генерации и распределения поездок, выбора вида транспорта и окончательного определения пункта отправления / назначения, времени, выбора маршрута. Существует структура, основанная на глубоком обучении для перепроектирования традиционной четырехэтапной модели прогнозирования путем построения многоуровневой иерархической сети потоков, сопоставленной с данными обследований, устройствами типа смартфонов, глобальными системами позиционирования и датчиками [1]. Фактически, технология сбора транспортных данных способна предоставить более точную информацию о поездках, такую как данные о посадке и/или высадке для каждого пассажира по смарт-картам, наблюдения за количеством пассажиров из видеосистемы/весовых датчиков на остановках/в транспортных средствах для моделирования поведения пассажиров и оптимизации работы системы [2].
Технологии сбора данных рассматриваются с конца 1990-х годов и классифицируются на две общие группы: традиционные и передовые. Первые в основном относятся к технологиям, разработанным с учетом характеристик транспорта и ориентированным на сбор информации о поездках пользователей и эксплуатационной информации о транспортных средствах, в частности, таких как автоматический сбор оплаты проезда (AFC), автоматическое определение местоположения транспортных средств (AVL), автоматические счетчики пассажиров (APC) и общая спецификация транзитных данных (GTFS). Последние не предназначены специально для транспортных систем, но могут предоставлять информацию о поездках на уровне пассажиров и состоянии системы – запросы местоположения смартфонов, технология Bluetooth, технология Wi-Fi, биометрическое распознавание лиц и обмен информацией в социальных сетях.
К традиционным технологиям сбора данных относят:
1) Автоматический сбор оплаты проезда (AFC): технология смарт-карт была введена в транспортные системы в конце 1990-х годов. При прикладывании карты на остановочном пункте местоположение и время прибытия/отправления пассажира записываются в систему. В некоторых системах, пассажиры должны прикладывать карту при посадке и высадке, что обеспечивает точную информацию о пунктах отправления и назначения (OD) – такие системы называются закрытыми. Однако в некоторых городах пассажиры прикладывают карту только при входе или выходе из системы. Информация о пункте отправления / назначения теряется – это открытая система.
2) Автоматическое определение местоположения транспортных средств (AVL): рост пассажирского спроса требует улучшения надежности эксплуатации. Системы AVL собирают местоположение транспортных средств, передавая значения датчиков с интервалом 10-30 секунд в зависимости от пропускной способности радиоканала. Как правило, системы AVL основаны на измерениях GPS, которые могут производить непрерывные потоки данных с развитием онлайн-технологий. В частности, каждое транспортное средство передает данные с очень короткой (но определенной) периодичностью на главный сервер, а именно в систему AVL реального времени.
3) Автоматические счетчики пассажиров (APC): являются важным дополнением к информации о пассажирах для AVL. Они основаны на методах оценки, использующих подсчеты по дверным петлям или весовым датчикам, установленным в транспортных средствах. Система APC регистрирует активность пассажиров – посадку/ высадку. На основе данных APC и AVL возможно оценить матрицу OD пассажиров, время простоя и распределение пассажиров по маршрутам.
4) Общая спецификация транзитных данных (GTFS): предоставляет стандарт для открытых расписаний работы общественного транспорта и связанной географической информации, особенно охватывая информацию о поездках, маршрутах, времени и местоположении остановок. Версия GTFS-realtime (GTFS-rt), позволяет обновлять информацию о поездках в реальном времени, местоположении транспортных средств и изменениях в обслуживании.
Передовые технологии сбора данных
1) Данные смартфонов (SPD): представляет интеграцию GPS, Wi-Fi и акселерометров – новый способ отслеживания долгосрочных данных о поездках отдельных лиц, что позволит определить мобильность и поведение пассажиров в транспортных системах. Как правило, данные мобильных телефонов – это анонимные потоки, использующиеся для выполнения анализа и оптимизации транзита [3]. Для регистрации данных о поездках пользователей разработаны специальные приложения для мобильных телефонов. После активации приложений телефон будет отправлять периодические и анонимные обновления местоположения на центральный сервер отслеживания. Эти данные позволят определить, находится ли пассажир в транспортном средстве. Данные GPS-треков используются в качестве входных данных для алгоритма сопоставления маршрутов.
2) Технология Bluetooth: это стандарт беспроводной технологии для обмена данными на коротких расстояниях, который предоставляет новый способ анализа поведения пассажиров. Технологии Bluetooth в качестве приложения для сбора информации на смартфоне под управлением Android выполнили обширный анализ различных статистических данных о количестве пассажиров, скорости пассажиропотока. Это показывает, что Bluetooth – идеальная технология для построения относительно небольшой многоскачковой беспроводной сети с размером сети из четырех узлов, и она применима и может способствовать новым приложениям в условиях часов пик.
3) Технология Wi-Fi: Wi-Fi – это технология для беспроводных локальных сетей с информацией о местоположении. Информация о пунктах отправления и назначения пассажиров может быть обнаружена путем обратного отслеживания сигналов Wi-Fi мобильных устройств. Потоки OD, определенные непосредственно из данных Wi-Fi для конкретной автобусной поездки, не вполне соответствуют наземным истинным потокам, но результаты демонстрируют перспективность использования данных сигналов Wi-Fi для определения потоков OD при агрегировании данных по нескольким автобусным поездкам за период времени, особенно при использовании совместно с данными APC.
4) Биометрическое распознавание лиц: крайне важно обнаруживать распределение пассажиров в крупномасштабных транспортных системах. Одна из главных трудностей при отслеживании пассажиров – отсутствие детальной индивидуальной информации в транзитной системе. Технологии позволяют получить индивидуальное положение каждого пользователя и содержит автоматизированные методы проверки или идентификации личности на основе изображения лица. Базовая структура автоматизированной системы распознавания лиц состоит из четырех фундаментальных блоков: детектор лица, экстрактор признаков, база данных и классификатор. Матрицы пересадок пассажиров, полученные из оптического анализа и традиционного опроса, доказывают эффективность и потенциал методов анализа изображений. В дополнение к получению распределения пешеходов эта технология использовалась для обеспечения безопасности в метрополитене и железнодорожных кассах.
5) Данные социальных сетей – используемые приложения социальных сетей. Они собирают социальные взаимодействия большого числа людей, поэтому являются ценным ресурсом для прогнозирования различных крупномасштабных тенденций. В рамках исследований [2, 3] оценивалось общественное мнение о транзитных агентствах на основе комментариев и сообщений пользователей.
В таблице 1 обобщены аспекты применения различных технологий сбора данных по направлениям, таким как оценка времени в пути пассажиров, распределение поездок пассажиров, прогноз спроса и перепланирование расписания.
Диапазон применения технологий достаточно широк и простирается от анализа поведения пассажиров до оптимальной эксплуатации транспортной системы. Как видно из таблицы 1, конкретная исследовательская задача может быть проанализирована или оптимизирована с использованием различных методик. Поэтому то, как эти данные могут быть объединены и оценены, важно для валидации модели, оптимизации производительности системы и долгосрочного планирования транспортной системы.
Таблица 1 – Применение технологий сбора данных в транспортных исследованиях [3]
|
Источники |
AFC |
AVL |
APC |
SPD |
Bluetooth |
Wi-Fi |
Социальные сети |
GTFS |
|
время в пути пассажира |
+ |
|
|
+ |
|
|
+ |
|
|
пространственное и временное распределение пассажиров |
+ |
|
+ |
|
|
+ |
|
|
|
цепочка поездок |
+ |
|
|
|
|
|
|
|
|
проверка данных |
+ |
|
+ |
|
+ |
|
|
+ |
|
прогноз спроса |
+ |
|
+ |
|
|
+ |
+ |
|
|
плотность пользователей |
|
|
|
|
+ |
+ |
|
|
|
время пребывания |
|
+ |
+ |
|
|
|
|
+ |
|
планирование в режиме реального времени |
|
+ |
|
+ |
|
|
+ |
+ |
1. Lebedeva, O.A. Osnovnye pokazateli ocenki tochnosti izmereniy passazhiropotoka s primeneniem detektorov vhoda - vyhoda / O. A. Lebedeva, A. Yu. Mihaylov // Vestnik Irkutskogo gosudarstvennogo tehnicheskogo universiteta. – 2012. – № 8(67). – S. 115-118.
2. Lu, K. A review of Big Data applications in urban transit system / K., Lu, J. Liu, X. Zhou, B. Han // IEEE Transactions on Intelligent Transportation Systems. – vol. 22, no. 5. – 2021. – pp. 2535-2552.
3. Lebedeva, O.A. Optimizaciya transportnoy seti s uchetom ocenki kachestva uslug obschestvennogo transporta / O. A. Lebedeva, V. E. Gozbenko, S. K. Kargapol'cev // Sovremennye tehnologii. Sistemnyy analiz. Modelirovanie. – 2019. – № 1(61). – S. 112-118. – DOIhttps://doi.org/10.26731/1813-9108.2019.1(61).112-118.
