Россия
Разработка матрицы корреспонденций «отправление-назначение» имеет решающее значение для планирования работы общественного транспорта. Процесс упрощается благодаря автоматизированным данным с транспортных смарт-карт, что позволяет получать информацию о по-садке и высадке на уровне отдельного пассажира. В исследовании рассматривается метод, который использует данные автоматической системы сбора оплаты проезда (AFC) и общих спецификаций транспортных потоков (GTFS) для вывода наиболее вероятной траектории движения каждого пассажира
автоматическая система сбора оплаты проезда (AFC), общие спецификации транспортных по-токов (GTFS), матрица корреспонденций «отправление-назначение» (OD), общественный транс-порт, алгоритм оценки поездок, данные смарт-карт
Для повышения качества обслуживания и планирования эффективной работы транспортным организациям необходимо понимание поведения пассажиров. Поэтому проводятся бортовые обследования, которые осуществляют сбор данных о местах посадки и высадки пассажиров, цели поездки, а затем используются коэффициенты экстраполяции данных для подобных задач. Для внедрения такого метода существуют различные ограничения, такие как стоимость, малый размер выборки, смещение, ошибки отчетности. И наоборот, автоматизированные системы сбора данных, предназначенные для аналогичных целей, предоставляют источник информации о маршрутах передвижения пассажиров на индивидуальной основе. Автоматизированные данные имеют ряд преимуществ по сравнению с традиционными обследованиями:
- обеспечивают связь с поездками пассажира в течение длительного периода времени;
- предоставляют информацию о доле различных категорий пассажиров (студенты, пенсионеры, инвалиды, работающие);
- хранят информацию в системах баз данных SQL и позволяют эффективно ее использовать;
- предоставляют возможности для анализа маршрутов передвижения пассажиров.
В последние годы наблюдается рост интереса к использованию автоматизированных данных смарт-карт для исследований поведения пассажиров в транспортных системах. Системы автоматического сбора оплаты проезда (AFC) накапливают информацию о платежных действиях пассажиров, фиксируя на борту остановку посадки, дату и время транзакции, а также сведения о маршруте. Данные полезны не только для улучшения повседневной работы транспорта, но и для долгосрочного стратегического планирования функционирования маршрутной сети. Они используются для различных целей, таких как:
- оценка матрицы корреспонденций на уровне остановок;
- определение цели поездки;
- моделирование выбора маршрута;
- прогнозирование поездок пассажиров;
- выявление пространственно-временных кластеров схожих маршрутов передвижения;
- оценка времени ожидания пассажиров.
Исследование фокусируется на входных данных для анализа системы общественного транспорта – потоке пассажиров между различными остановками, известном как матрица корреспонденций «отправление-назначение» (OD). Оценка OD с использованием автоматизированных данных смарт-карт требует последовательности поездок, совершенных пассажиром в течение дня, которые записываются системой AFC. Но информация, доступная из этих данных, ограничена, а полная последовательность поездок недоступна. Это связано с типом системы сбора оплаты (открытая или закрытая), используемой перевозчиком. В закрытых транспортных системах отправление и назначение поездок известны, поскольку пассажиры прикладывают карту, как при посадке, так и при высадке, тогда как в открытых транспортных системах посадка пассажиров обычно известна, а высадка неизвестна, так как пассажиры прикладывают карту только при посадке в транспортное средство. Место высадки пассажира затем может быть выведено на основе места следующей посадки с использованием алгоритма связывания поездок. Разработанные алгоритмы связывания поездок, используют допущения о различных параметрах: радиус буфера для поиска ближайшей остановки к месту посадки, порог расстояния пешего подхода после высадки для пересадки на следующий маршрут, временной порог для различия между посадкой и пересадкой. Эти параметры могут разниться в транспортных системах и влиять на результаты связывания поездок и, следовательно, на матрицу корреспонденций.
Поскольку большинство систем сбора оплаты проезда регистрируют только информацию о посадке пассажиров, информация о высадке должна быть выведена с использованием последовательности прикладываний (или меток), сделанных пассажиром в течение дня. Таким образом, необходим алгоритм определения места высадки, использующий предположение, что структуры посадки и высадки обратной поездки симметричны в течение всего дня, то есть пассажиры снова садятся в автобус с той же остановки, где они вышли во время предыдущей поездки. Основываясь на этом предположении, рассмотрим метод связывания поездок для вывода отправления и назначения со следующими допущениями:
- пассажиры возвращаются на то же место, чтобы сесть на автобус, где они вышли во время предыдущей поездки;
- между поездками не используется индивидуальный транспорт;
- пассажиры не проходят пешком большое (более определённого порога) расстояние, чтобы сесть на автобус;
- пассажиры заканчивают свою последнюю поездку в том же месте, где они начали маршрут.
Основываясь на приведенных выше допущениях, рассмотрим модель, которая определяет остановки высадки, минимизируя расстояние между остановкой высадки текущей поездки и посадкой следующей поездки, используя данные бортового опроса пассажиров автобусов (BODS).
Для вывода отправлений и назначений используются данные AFC с данными общих спецификаций транспортных потоков (GTFS) вместо данных AVL. Ближайшая остановка, найденная в пределах предельного расстояния от местоположения метки смарт-карты, отмечается в качестве места посадки. Используя информацию о маршруте, указанную в транзакции, выполняется поиск рейса, ближайшего по времени. Анализируя этот рейс, остановка, найденная как ближайшая к следующей посадке, выводится как остановка высадки при условии, что расстояние между выведенной высадкой и следующей посадкой составляет менее 800 метров. Параметр расстояния может различаться для транспортных систем.
Место высадки может быть неправильно определено, если пассажир осуществляет посадку на маршрут, который следует в двух направлениях, поэтому чтобы проехать несколько кварталов, пассажир осуществляет пересадку на автобус, следующий в обратном направлении. Чтобы решить эту проблему, предложена функция стоимости, которая представляет собой сумму времени текущей транзакции и времени пешего подхода, умноженную на некоторый штрафной коэффициент, полученный из дискретной модели выбора.
Алгоритм избегает таких ситуаций, отбрасывая поездку, которая с меньшей вероятностью будет использована пассажиром. Для вывода посадки и высадки несвязанных поездок умножаются временные и пространственные вероятности, рассчитанные с использованием местоположения и времени меток, для вывода потенциальной высадки.
Качество результатов связывания поездок зависит от того, правильно ли система сбора оплаты записывает информацию о метке. Это предположение может привести к неправильному выводу посадки, высадки или определению пересадок, если системы не корректно записывают информацию. Возможные причины – отказ: системы AVL, считывателя карт, программного обеспечения.
Кратко изложим алгоритм связывания поездок:
- Прочитать данные и выбрать текущую и следующую метки (транзакции).
- Извлечь расписание маршрута и местоположение текущей метки, чтобы найти ближайшую остановку.
- Перейти к шагу 4, если расстояние между текущей меткой и найденной ближайшей остановкой менее 200 метров, в противном случае исключить метку и вернуться к шагу 1.
- Найти рейс в пределах TrT-a и TrT+ β, ближайший ко времени текущей метки. TrT– время текущей метки, а и β — параметры соблюдения расписания, определяемые с использованием данных автоматического подсчёта пассажиров-местоположения транспортных средств (APC-VL).
- Определить ближайшую остановку к местоположению следующей метки на рейсе, найденном на шаге 4, для последовательности остановок, большей, чем остановка, найденная на шаге 2.
- Перейти к шагу 7, если расстояние между выведенным местом высадки текущей метки и местоположением следующей метки менее 800 матров, в противном случае исключить метку.
- Перейти к шагу 8, если время посадки следующей метки больше времени высадки предыдущей метки, в противном случае исключить метку и перейти к шагу 2.
- Определить, является ли текущая метка первой в рассматриваемый период. Если да, пометить её как «посадка», в противном случае определить, является ли она пересадкой.
Хотя метод работает в большинстве случаев, он может привести к неправильному выводу или отсутствию вывода в некоторых случаях.
Метод связывания поездок генерирует набор для каждой метки AFC для достижения следующей, вычисляя вероятность траектории и выбирая наиболее вероятную для вывода остановок посадки и высадки. Это исследование предлагает надёжный метод связывания поездок для данных смарт-карт общественного транспорта, который пытается ослабить влияние различных параметров, используемых в алгоритмах связывания поездок. Параметры могут варьироваться в зависимости от качества данных и поведения пользователей в разных транспортных системах, поэтому фиксированное значение не может быть принято для разных транспортных систем.
1. Kumar, P. A robust method for estimating transit passenger trajectories using automated data / P. Kumar, A. Khani, Q. He // Transportation Research Part C: Emerging Technologies. – Volume 95. – 2018. – p. 731-747.
2. Лебедева, О.А. Проектирование транспортной сети городской территории путем применения эвристических и генетических алгоритмов / О. А. Лебедева // Сборник научных трудов Ангарского государственного технического университета. – 2019. – Т. 1, № 16. – С. 167-172.
3. Лебедева, О.А. Эмпирическая оценка времени ожидания городского общественного транспорта с целью обеспечения оптимального функционирования маршрутной сети / О. А. Лебедева, Ю. О. Полтавская // Сборник научных трудов Ангарского государственного технического университета. – 2019. – Т. 1, № 16. – С. 179-183.
4. Лебедева, О.А. Планирование и проектирование устойчивой городской мобильности / О. А. Лебедева // Современные технологии и научно-технический прогресс. – 2019. – Т. 1. – С. 186-187.
