鄧一凌1，嚴(yán)亞丹2，韓 兵34

(1.浙江工業(yè)大學(xué) 建筑工程學(xué)院，浙江 杭州 310023；2.鄭州大學(xué) 土木工程學(xué)院，河南 鄭州 450001；3.南京大學(xué)建筑與城市規(guī)劃學(xué)院，江蘇 南京 210093；4.蘇州規(guī)劃設(shè)計(jì)研究院股份有限公司，江蘇 蘇州 215006)

優(yōu)先發(fā)展公共交通是緩解交通擁堵、改善民生和促進(jìn)社會(huì)公平的有效途徑?；诳煽康墓粩?shù)據(jù)，開(kāi)展公交規(guī)劃設(shè)計(jì)和運(yùn)營(yíng)管理對(duì)構(gòu)建便捷、可靠、舒適的公共交通系統(tǒng)至關(guān)重要。以往公交數(shù)據(jù)的獲取需要通過(guò)跟車調(diào)查、駐站調(diào)查等人工調(diào)查方法，存在耗時(shí)耗力、樣本量小、難以更新的問(wèn)題。信息技術(shù)的發(fā)展使得自動(dòng)收費(fèi)(AFC)、自動(dòng)車輛定位(AVL)、自動(dòng)乘客計(jì)數(shù)(APC)等自動(dòng)數(shù)據(jù)采集系統(tǒng)(ADCS)在公共交通中應(yīng)用越來(lái)越多，也使得公交數(shù)據(jù)變得非常豐富且容易獲取。目前已有一些研究將這些數(shù)據(jù)用于分析乘客的出行行為、優(yōu)化公交服務(wù)、制定更加精細(xì)的運(yùn)行時(shí)刻表等[1-3]。

利用ADCS產(chǎn)生的公交數(shù)據(jù)估計(jì)公交客流OD是開(kāi)展上述工作的前提。國(guó)內(nèi)外的研究通常以AFC數(shù)據(jù)為基礎(chǔ)，融合AVL數(shù)據(jù)、APC數(shù)據(jù)、公交車運(yùn)行時(shí)刻表數(shù)據(jù)、公交線路和站點(diǎn)的位置信息，使用基于規(guī)則的方法來(lái)估計(jì)上下車站點(diǎn)，生成公交客流OD。AFC數(shù)據(jù)通常包含卡ID、卡類型、刷卡時(shí)間、刷卡車輛ID、消費(fèi)金額，部分還會(huì)記錄司機(jī)ID、線路ID、上車站點(diǎn)ID、下車站點(diǎn)ID。估計(jì)公交客流OD時(shí)，根據(jù)AFC數(shù)據(jù)中是否記錄上下車站點(diǎn)，分為3種情況：第1種是記錄上車站點(diǎn)和下車站點(diǎn)的情況，這時(shí)可以直接得到公交客流OD，比如Jang對(duì)韓國(guó)首爾公交系統(tǒng)的研究[4]；第2種是記錄上車站點(diǎn)、不記錄下車站點(diǎn)的情況，通常采用公交出行鏈規(guī)則估計(jì)下車站點(diǎn)，進(jìn)而得到公交客流OD，比如Trépanier等對(duì)加拿大加蒂諾公交系統(tǒng)的研究中就使用公交出行鏈規(guī)則推斷出了66%的公交出行的下車站點(diǎn)[5]，國(guó)內(nèi)的研究和應(yīng)用也多為這種情況[6]；第3種是不記錄上車站點(diǎn)和下車站點(diǎn)的情況，這時(shí)就需要用到公交車運(yùn)行時(shí)刻表數(shù)據(jù)，比如Cui等利用公交車運(yùn)行時(shí)刻表中記錄的首末站到離站時(shí)間，結(jié)合公交站點(diǎn)的地理位置來(lái)估計(jì)公交車經(jīng)過(guò)每一個(gè)中途站的時(shí)間，并利用從AFC數(shù)據(jù)中提取出的換乘信息進(jìn)行修正，通過(guò)匹配車輛到站時(shí)間和乘客刷卡時(shí)間推斷上車站點(diǎn)，再利用公交出行鏈規(guī)則估計(jì)下車站點(diǎn)[7]，國(guó)內(nèi)的一些研究也采用了類似的方法，并對(duì)局部進(jìn)行了優(yōu)化[8-10]。在上述國(guó)內(nèi)外研究中，公交站點(diǎn)位置信息是必不可少的輸入條件，然而在國(guó)內(nèi)實(shí)際的項(xiàng)目實(shí)踐中，往往存在公交站點(diǎn)位置信息缺失的情況。中小城市的公交企業(yè)和政府主管部門(mén)普遍沒(méi)有現(xiàn)成的較高精度的公交站點(diǎn)位置數(shù)據(jù)。一些大城市盡管建立了包含公交系統(tǒng)在內(nèi)的城市地理信息平臺(tái)，但也存在部分公交線路缺失的問(wèn)題，特別是城鄉(xiāng)公交線路。另外，客流變化、極端天氣、道路施工等造成的公交線路和站點(diǎn)的調(diào)整也無(wú)法在城市地理信息平臺(tái)中得到及時(shí)的反饋。這對(duì)公交客流OD分析帶來(lái)了很大的困難。針對(duì)公交站點(diǎn)位置信息缺失的情況，筆者提出利用AFC和AVL數(shù)據(jù)自動(dòng)識(shí)別公交站點(diǎn)位置進(jìn)而估計(jì)公交客流OD的方法，并在深圳市公交系統(tǒng)中進(jìn)行應(yīng)用。最后利用深圳市公交客流OD數(shù)據(jù)，設(shè)計(jì)并開(kāi)發(fā)了公交規(guī)劃支持系統(tǒng)。

1 站點(diǎn)位置缺失的公交客流OD估計(jì)方法

1.1 公交站點(diǎn)識(shí)別與上車站點(diǎn)推斷

由于AFC數(shù)據(jù)是公交車停靠站點(diǎn)時(shí)乘客上車刷卡產(chǎn)生的，因此乘客每一次刷卡時(shí)公交車所在的位置就是對(duì)公交站點(diǎn)的一次推斷。公交站點(diǎn)識(shí)別分為兩步：首先計(jì)算每次乘客上車刷卡時(shí)公交車的位置，其次分公交線路將公交車的位置進(jìn)行時(shí)間和空間聚類得到公交站點(diǎn)。識(shí)別出公交站點(diǎn)后，乘客的上車站點(diǎn)也隨之產(chǎn)生。

AFC數(shù)據(jù)包含以下字段(card_id，route_id，bus_id，time)，其中card_id為卡ID，route_id為公交線路ID，bus_id為公交車輛ID，time為刷卡時(shí)間。AVL數(shù)據(jù)包含以下字段(route_id，bus_id，gps_time，gps_loc)，其中g(shù)ps_time為gps記錄時(shí)間，gps_loc為gps坐標(biāo)。首先計(jì)算每次乘客上車刷卡時(shí)公交車所處的位置。

步驟1逐條遍歷AFC數(shù)據(jù)，對(duì)每一條AFC數(shù)據(jù)，以刷卡時(shí)間time為基準(zhǔn)，從對(duì)應(yīng)公交車輛的AVL數(shù)據(jù)中選擇gps_time分別早于和晚于刷卡時(shí)間且均最接近刷卡時(shí)間的兩條記錄。以相差時(shí)間的絕對(duì)值|gps_time-time|為權(quán)重，對(duì)篩選出的兩條AVL數(shù)據(jù)中g(shù)ps_loc進(jìn)行加權(quán)平均得到乘客上車刷卡時(shí)公交車所處位置坐標(biāo)board_loc。將兩個(gè)相差時(shí)間絕對(duì)值的調(diào)和平均作為board_loc的置信度p，p越大，board_loc的可靠性越高。

如果將同一公交線路的全部AFC數(shù)據(jù)按照board_loc直接進(jìn)行空間聚類，一方面很多p較小的board_loc會(huì)對(duì)聚類結(jié)果產(chǎn)生干擾；另一方面AFC數(shù)據(jù)較多，聚類效率很低。因此，采用兩步聚類的方法，先基于刷卡時(shí)間歸并AFC數(shù)據(jù)形成AFC數(shù)據(jù)組，再對(duì)AFC數(shù)據(jù)組進(jìn)行空間聚類。

步驟2根據(jù)規(guī)范，同一公交線路相鄰站點(diǎn)間距一般不小于300 m，公交車輛平均運(yùn)行速度一般在12～15 km/h，因而兩相鄰公交站點(diǎn)間的運(yùn)行時(shí)間極少小于60 s。將每輛公交車的AFC數(shù)據(jù)按照刷卡時(shí)間進(jìn)行排序后，如果前后兩條AFC數(shù)據(jù)的時(shí)間間隔小于60 s，將后一條與前一條標(biāo)記為同一組；反之，則標(biāo)記為新的一組。對(duì)于每一組AFC數(shù)據(jù)，從中選取p最大的board_loc作為該組AFC數(shù)據(jù)的board_loc。時(shí)間聚類后，每組AFC數(shù)據(jù)僅用1 條記錄表示，包含以下字段(route_id，bus_id，board_loc，p)。

空間聚類主要有5 類方法，分別為基于分層、劃分、密度、網(wǎng)格或模型的聚類。由于AVL數(shù)據(jù)中錯(cuò)誤的gps_loc會(huì)造成由此計(jì)算的board_loc錯(cuò)誤，影響聚類結(jié)果，因此選取的空間聚類方法需要能夠區(qū)分噪聲數(shù)據(jù)。由于事先并不知道公交線路有多少站點(diǎn)，因此一些需要提供期望的類簇個(gè)數(shù)作為聚類參數(shù)的方法并不適用。從噪聲數(shù)據(jù)和參數(shù)需求兩方面考慮，選擇基于密度的聚類方法。常見(jiàn)的基于密度的聚類算法有DBSCAN，OPTICS，DENCLUE，考慮到計(jì)算量較大，選擇最為高效的DBSCAN算法。DBSCAN算法包含兩個(gè)全局參數(shù)，分別是半徑ε和最小點(diǎn)數(shù)MinPts。如果一個(gè)點(diǎn)在以該點(diǎn)為中心、ε為半徑的圓形鄰域范圍內(nèi)被不少于MinPts個(gè)點(diǎn)圍繞，則該點(diǎn)被稱為中心點(diǎn)。如果一個(gè)點(diǎn)少于MinPts個(gè)點(diǎn)圍繞但該點(diǎn)在某一中心點(diǎn)的圓形鄰域范圍內(nèi)，則該點(diǎn)被稱為邊緣點(diǎn)。如果一個(gè)點(diǎn)既非中心點(diǎn)，也非邊緣點(diǎn)，則被稱為噪聲點(diǎn)。一系列距離不超過(guò)ε的中心點(diǎn)和與它們相關(guān)聯(lián)的邊緣點(diǎn)組合成的高密度區(qū)域被定義為類簇，其中點(diǎn)與點(diǎn)之間的距離采用歐式距離[11]。DBSCAN算法本質(zhì)是尋找類簇并擴(kuò)展類簇。對(duì)任意點(diǎn)p，若其是核心點(diǎn)，則以p為中心，ε為半徑的鄰域內(nèi)的點(diǎn)可以形成一個(gè)類簇；遍歷類簇中的其他點(diǎn)，若有點(diǎn)q是核心點(diǎn)，則以q為中心，ε為半徑的鄰域內(nèi)的點(diǎn)也劃入類簇，遞歸直到類簇不能再擴(kuò)展。

步驟3以同一公交線路所含公交車輛的全部AFC數(shù)據(jù)組的board_loc為輸入變量，采用DBSCAN算法進(jìn)行空間聚類，得到的類簇即為該公交線路的全部公交站點(diǎn)。生成的公交站點(diǎn)位置數(shù)據(jù)包含以下字段(route_id，stop_id，stop_loc)，其中stop_id為站點(diǎn)編號(hào)，stop_loc為站點(diǎn)坐標(biāo)。在公交站點(diǎn)識(shí)別完成后，全部AFC數(shù)據(jù)的上車站點(diǎn)坐標(biāo)board_loc也隨之更新為相應(yīng)的stop_loc。

1.2 下車站點(diǎn)推斷

下車站點(diǎn)的估計(jì)首先采用個(gè)人公交出行鏈規(guī)則。即當(dāng)個(gè)人一天有兩次或以上的公交出行時(shí)，其公交出行具有連續(xù)特征：即前一次出行的下車站點(diǎn)臨近后一次出行的上車站點(diǎn)，最后一次出行的下車站點(diǎn)臨近第一次出行的上車站點(diǎn)。也就是說(shuō)，個(gè)人在兩次公交出行之間很少夾雜步行外的出行方式。Barry等使用紐約市居民出行調(diào)查數(shù)據(jù)對(duì)公交出行鏈規(guī)則進(jìn)行了檢驗(yàn)，發(fā)現(xiàn)該規(guī)則對(duì)于90%的公交出行都是成立的[12]。

步驟4將包含上車站點(diǎn)的AFC數(shù)據(jù)(card_id，route_id，bus_id，time，board_loc)，依次按照card_id和time進(jìn)行排序。以每張card_id每天的刷卡記錄為一組進(jìn)行計(jì)算。如果該卡該天刷卡記錄為2 次及以上，從前一次出行(或最后一次出行)所乘坐的公交線路的公交站點(diǎn)集中找出距離后一次出行(或第一次出行)上車站點(diǎn)最近的公交站點(diǎn)。如果兩站點(diǎn)直線距離小于1 km(預(yù)計(jì)步行約12 min)，則個(gè)人出行鏈規(guī)則成立，將該公交站點(diǎn)作為前一次出行(或最后一次出行)的下車站點(diǎn)alight_loc，增加到AFC數(shù)據(jù)中。如果個(gè)人出行鏈規(guī)則不成立，則alight_loc為空值。

對(duì)于工作日alight_loc為空值的AFC數(shù)據(jù)，接著采用個(gè)人公交出行規(guī)律性規(guī)則。通常個(gè)人在不同工作日的出行存在規(guī)律性。即如果個(gè)人在不同工作日的相近時(shí)間在相同站點(diǎn)乘坐相同公交線路，則認(rèn)為其下車站點(diǎn)也相同。因此可以用某一工作日已知下車站點(diǎn)的刷卡記錄估計(jì)另一工作日出行特征相似的但未知下車站點(diǎn)刷卡記錄。

步驟5逐一遍歷所有alight_loc為空值的AFC數(shù)據(jù)，從個(gè)人其他工作日alight_loc值非空的刷卡記錄中尋找乘坐相同公交線路、在相同公交站點(diǎn)上車且出行時(shí)間相差1 h內(nèi)的刷卡記錄，將其下車站點(diǎn)作為alight_loc為空值的出行記錄的下車站點(diǎn)。

對(duì)于alight_loc仍然為空值的AFC數(shù)據(jù)，采用公交線路客流分布規(guī)律性規(guī)則。即總體上認(rèn)為這些alight_loc仍然為空值的刷卡記錄所呈現(xiàn)的所有公交線路客流分布特征應(yīng)與之前alight_loc已知的刷卡記錄所呈現(xiàn)的客流分布特征一致。

步驟6基于所有alight_loc已知的AFC數(shù)據(jù)，獲取乘客在任一公交線路的任一站點(diǎn)上車后，在該公交線路剩余站點(diǎn)下車的概率，針對(duì)每一條公交線路分別生成一個(gè)站點(diǎn)OD分布的概率矩陣POD?；谶@一矩陣，逐一遍歷所有alight_loc為空值的AFC數(shù)據(jù)，根據(jù)公交線路選擇想應(yīng)的概率矩陣，根據(jù)上車站點(diǎn)選擇相應(yīng)的行，基于該行中下車站點(diǎn)的概率分布，采用蒙特卡洛方法預(yù)測(cè)下車站點(diǎn)alight_loc。

2 深圳市公交客流OD估計(jì)及規(guī)劃應(yīng)用

2.1 深圳市公交客流OD估計(jì)

將上述方法應(yīng)用于深圳市公交客流OD的估計(jì)。深圳市公交系統(tǒng)數(shù)據(jù)包含2014年9月1日—9日間500 條公交線路共8 471 輛公交車產(chǎn)生的57 901 062 條AVL數(shù)據(jù)，4 028 595 張公交卡產(chǎn)生的20 036 593 條AFC數(shù)據(jù)。AFC數(shù)據(jù)包括卡ID、交易時(shí)間、車輛ID。AVL數(shù)據(jù)包括車輛ID、線路ID、記錄時(shí)間、經(jīng)緯度。公交卡日均刷卡次數(shù)為0.55 次。在當(dāng)天有刷卡記錄的公交卡中，1 次刷卡的占52.3%，2 次刷卡的占35.5%，3 次刷卡的占7.5%，4 次及以上刷卡的占4.7%。公交車位置記錄的時(shí)間間隔均值為57 s，中位數(shù)為20 s。由于有公交車長(zhǎng)時(shí)間休息或停運(yùn)等情況，均值接近中位數(shù)的3 倍。對(duì)AFC數(shù)據(jù)進(jìn)行清理。從AFC數(shù)據(jù)中篩選出個(gè)人連續(xù)兩次刷卡時(shí)間不足10 min且公交車輛ID相同的刷卡數(shù)據(jù)，這些數(shù)據(jù)可能是AFC系統(tǒng)錯(cuò)誤或者是持卡人的代刷行為導(dǎo)致的數(shù)據(jù)重復(fù)，僅保留前一次的刷卡記錄。

使用R語(yǔ)言對(duì)論文提出的方法進(jìn)行編程實(shí)現(xiàn)。深圳市公交系統(tǒng)無(wú)論是線網(wǎng)規(guī)模還是客運(yùn)量都要遠(yuǎn)高于絕大多數(shù)的國(guó)外城市，因此在程序設(shè)計(jì)中需要優(yōu)化程序和算法以減少計(jì)算資源并縮短計(jì)算時(shí)間。首先采用R語(yǔ)言中的向量化計(jì)算代替循環(huán)，向量化計(jì)算作為特殊的并行計(jì)算方式，運(yùn)算效率更高。其次使用data.table，dplyr等R語(yǔ)言包進(jìn)行數(shù)據(jù)的清理、排序、連接、變形、統(tǒng)計(jì)等，這些包中的函數(shù)一般采用C或C++實(shí)現(xiàn)，運(yùn)算效率更高。

使用DBSCAN算法識(shí)別公交站點(diǎn)時(shí)需要確定參數(shù)ε和MinPts的取值。從實(shí)際意義上來(lái)說(shuō)，ε為能標(biāo)記為同一公交站點(diǎn)的相鄰AFC數(shù)據(jù)組之間的最大距離，MinPts為標(biāo)記為中心點(diǎn)的AFC數(shù)據(jù)組的圓形鄰域范圍內(nèi)最少的AFC數(shù)據(jù)組數(shù)。ε越大、MinPts越小，公交站點(diǎn)個(gè)數(shù)越少，同一公交站點(diǎn)的AFC數(shù)據(jù)組越多。參數(shù)的取值首先根據(jù)經(jīng)驗(yàn)確定范圍，ε在70～130 m范圍內(nèi)以10 m為步長(zhǎng)取值，MinPts在40～100 個(gè)范圍內(nèi)以10為步長(zhǎng)取值，在500 條公交線路中選擇10 條已知公交站點(diǎn)數(shù)量的線路，分別計(jì)算相應(yīng)參數(shù)取值下DBSCAN算法計(jì)算出的公交站點(diǎn)數(shù)量。采用K-S檢驗(yàn)的方法對(duì)公交站點(diǎn)數(shù)量的真實(shí)值和預(yù)測(cè)值進(jìn)行比較，檢驗(yàn)結(jié)果D值如表1所示。D值越小，預(yù)測(cè)值和真實(shí)值的分布越類似。因此從中選擇ε=90 m，MinPts=80 個(gè)作為最優(yōu)的參數(shù)取值，將10 條公交線路的公交站點(diǎn)的預(yù)測(cè)值和真實(shí)值的對(duì)比，如圖1所示，平均誤差為8%。采用上述參數(shù)取值對(duì)500 條公交線路的AFC數(shù)據(jù)組進(jìn)行DBSCAN空間聚類得到公交站點(diǎn)。

表1 站點(diǎn)個(gè)數(shù)預(yù)測(cè)值和真實(shí)值的K-S檢驗(yàn)Table 1 K-S tests between estimated and real numbers of stops

圖1 ε=90, MinPts=80時(shí)站點(diǎn)個(gè)數(shù)預(yù)測(cè)值和真實(shí)值Fig.1 Estimated and real numbers of stops when ε=90 and MinPts=80

對(duì)500 條公交線路所包含的公交站點(diǎn)進(jìn)行識(shí)別后，可以得到所有公交出行的上車站點(diǎn)。接著再估計(jì)公交出行的下車站點(diǎn)，其中39.1%的公交出行可以用個(gè)人公交出行鏈規(guī)則估計(jì)下車站點(diǎn)，23.7%的公交出行需要使用個(gè)人公交出行規(guī)律性規(guī)則估計(jì)下車站點(diǎn)，剩余37.2%的公交出行則需要使用公交線路客流分布規(guī)律性規(guī)則估計(jì)下車站點(diǎn)。由于AFC數(shù)據(jù)中并不包含地鐵刷卡的記錄，因此個(gè)人公交出行鏈規(guī)則適用的概率降低，更多的公交出行需要用公交線路客流分布規(guī)律性規(guī)則估計(jì)下車站點(diǎn)。

2.2 基于公交客流OD的深圳市公交規(guī)劃支持系統(tǒng)

傳統(tǒng)的公交線路規(guī)劃與運(yùn)營(yíng)管理依賴管理者的個(gè)人經(jīng)驗(yàn)，在線路較少的發(fā)展初期能夠起到良好的效果。隨著城市規(guī)模的日益增大，公交線路、站點(diǎn)不斷擴(kuò)張，公交系統(tǒng)結(jié)構(gòu)日趨復(fù)雜，經(jīng)驗(yàn)型的規(guī)劃與管理很難滿足現(xiàn)階段大多數(shù)城市公交發(fā)展的要求。基于公交客流OD，AVL，AFC等數(shù)據(jù)，開(kāi)發(fā)了公交規(guī)劃支持系統(tǒng)，輔助公交企業(yè)對(duì)公交線路的規(guī)劃與公交運(yùn)營(yíng)的管理，以提升公交服務(wù)水平，改善企業(yè)運(yùn)營(yíng)效益，促進(jìn)城市交通的可持續(xù)發(fā)展。該系統(tǒng)為web應(yīng)用程序，使用R與shiny開(kāi)發(fā)，部署于linux服務(wù)器上，可以使用瀏覽器直接訪問(wèn)，也支持跨平臺(tái)應(yīng)用。系統(tǒng)包括4 個(gè)模塊。公交線路模塊實(shí)現(xiàn)了站點(diǎn)數(shù)量、客運(yùn)量、線路長(zhǎng)度、線路非直線系數(shù)、配車數(shù)、發(fā)車間隔、車公里載客量、平均運(yùn)距、行程時(shí)間、高峰小時(shí)系數(shù)等核心指標(biāo)呈現(xiàn)，線路走向、站點(diǎn)上下客量、車輛運(yùn)行圖的動(dòng)態(tài)展示，如圖2(a)所示。可以從中發(fā)現(xiàn)重疊嚴(yán)重、繞行過(guò)多、效益不佳、運(yùn)速低的問(wèn)題線路，延誤大、不準(zhǔn)點(diǎn)的問(wèn)題站點(diǎn)，在進(jìn)行公交線路優(yōu)化時(shí)可以重點(diǎn)關(guān)注。公交站點(diǎn)模塊展示了公交站點(diǎn)和上下車人數(shù)的空間分布狀況，如圖2(b)所示?？梢詮闹邪l(fā)現(xiàn)缺乏公交覆蓋、公交需求與供給錯(cuò)配等區(qū)域，在進(jìn)行公交線路的新增、刪除時(shí)可以重點(diǎn)關(guān)注。公交客流OD模塊呈現(xiàn)了公交客流OD的空間分布狀況，并且可以根據(jù)聯(lián)系強(qiáng)度進(jìn)行篩選，如圖2(c)所示。可用于判識(shí)公交客流走廊，設(shè)計(jì)公交骨干線或定制公交線，優(yōu)化公交線網(wǎng)組織。公交可達(dá)性模塊可以基于用戶選擇的分析地點(diǎn)和緩沖區(qū)半徑，動(dòng)態(tài)展示從該地點(diǎn)出發(fā)，公交系統(tǒng)能夠覆蓋的區(qū)域，如圖2(d)所示?？捎糜谥攸c(diǎn)區(qū)域的分析，比如新建的商業(yè)區(qū)、低收入的居住區(qū)等需要公交重點(diǎn)服務(wù)的區(qū)域。通過(guò)綜合運(yùn)用這些模塊，可以找出常規(guī)公交運(yùn)行效率低、可靠性差等問(wèn)題的癥結(jié)所在，應(yīng)對(duì)城市空間結(jié)構(gòu)調(diào)整、地鐵引入等對(duì)常規(guī)公交帶來(lái)的機(jī)遇和挑戰(zhàn)。

圖2 公交規(guī)劃支持系統(tǒng)截圖Fig.2 Snapshot of bus planning support system

3 結(jié) 論

高質(zhì)量的公交客流OD數(shù)據(jù)是開(kāi)展公交系統(tǒng)分析的基礎(chǔ)。筆者對(duì)公交站點(diǎn)位置信息缺失情景下的公交客流OD估計(jì)方法進(jìn)行了研究，并在深圳市進(jìn)行了應(yīng)用。開(kāi)發(fā)了公交規(guī)劃化支持系統(tǒng)，能用于輔助公交規(guī)劃師進(jìn)行公交系統(tǒng)的優(yōu)化，促進(jìn)公交規(guī)劃與管理從經(jīng)驗(yàn)為主的決策向數(shù)據(jù)為主的決策轉(zhuǎn)變。論文使用的代碼和開(kāi)發(fā)的系統(tǒng)都已開(kāi)源，可以較為容易地移植到其他城市。受到數(shù)據(jù)的制約，目前公交規(guī)劃支持系統(tǒng)所使用的數(shù)據(jù)以公交客流OD等公交系統(tǒng)內(nèi)部數(shù)據(jù)為主，未來(lái)可以更多地考慮公交系統(tǒng)以外的數(shù)據(jù)，比如街區(qū)或交通小區(qū)等微觀尺度的居住人口、就業(yè)崗位、人口發(fā)展趨勢(shì)、貧困人口分布等。結(jié)合內(nèi)外部數(shù)據(jù)對(duì)公交進(jìn)行分析，使公交規(guī)劃師能夠從公交所處的背景環(huán)境來(lái)思考公交系統(tǒng)的發(fā)展，更好地優(yōu)化資源配置、改善運(yùn)營(yíng)效益、提升公交服務(wù)水平。

本文得到浙江工業(yè)大學(xué)校級(jí)教學(xué)改革項(xiàng)目(JG201816)和浙江工業(yè)大學(xué)研究生教學(xué)改革項(xiàng)目(2018105)的資助。

致謝：論文所使用的數(shù)據(jù)來(lái)源于2015年國(guó)際攝影測(cè)量與遙感學(xué)會(huì)(ISPRS)科學(xué)倡議數(shù)據(jù)公開(kāi)大賽，在此表示感謝！