翁小雄 劉永鑫 盧炬康

關鍵詞： 智慧城市; 公共交通; 數(shù)據(jù)挖掘; 地理興趣點; 生活服務水平; 小世界效應

中圖分類號： TN919?34; S511; S502 ? ? ? ? ? ?文獻標識碼： A ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2019）02?0067?04

Research on big data mining based evaluation method for life service

level of urban public transport stops

WENG Xiaoxiong1， LIU Yongxin1， LU Jukang2

（1. School of Civil Engineering and Transportation， South China University of Technology， Guangzhou 510640， China;

2. Guangdong Planning and Designing Institute of Telecommunications， Guangzhou 510630， China）

Abstract： In allusion to the disadvantage of inability to accurately understand the actual resident life service level of public transport stops in the current urban management， a application platform for full?automatic acquisition of urban geographic points of interests （POIs） and bus line network structure data as well as visualization analysis is researched and developed on the basis of cloud computing architecture in the backgrounds of smart city and big data. A searching algorithm for living districts around public transport stops and an evaluation index based on geographic POI data for life service level of public transport stops are proposed. The verification results show that the method can quantitatively evaluate the life service indexes of public transport stops， accurately recognize the economic activity centers of various administrative regions of a city， and measure the gathering degrees of life resources. The method and application platform can provide an important decision?making basis for life service level evaluation of urban public transport stops and urban planning.

Keywords： smart city; public transport; data mining; geographical POI; life service level; small world effect

公共交通系統(tǒng)是現(xiàn)代智慧城市的重要組成部分：一方面，公交系統(tǒng)提供了城市各功能區(qū)間最廣泛、最廉價的到達服務;另一方面，公共交通作為集約化的出行方式，能有效緩解城市道路交通擁堵，提升通行效率，降低碳排放。因此合理布局公交站點、規(guī)劃線網(wǎng)成為當前城市規(guī)劃尤其是交通規(guī)劃中的熱點課題。其中，公共交通站點的生活服務水平評價一直為該領域的難點。

國內(nèi)外學者在公共交通評價領域開展了大量有關于公交線網(wǎng)服務質(zhì)量尤其是乘客滿意度方面的研究，部分國家或地區(qū)已有較完善的標準化手冊[1]。國外的研究偏重于公交服務水平評價體系指標對服務滿意度的影響[2]。國內(nèi)，多位研究學者從公交線路站點、公交線路區(qū)段、公交線路整體三個方面分層次地對公交服務水平進行評價[3?5]。采用專家打分法建立路段服務水平的加權模型，制定一系列指標系數(shù)，應用層次分析方法和灰色關聯(lián)分析法對公共交通服務水平進行評價研究。

綜上所述，傳統(tǒng)方式多以問卷調(diào)查獲取公交線網(wǎng)服務水平反饋結果，但存在以下缺陷：一方面，問卷題目設置缺乏統(tǒng)一標準、答案受乘客主觀意識影響強烈;另一方面，傳統(tǒng)方法只針對公交系統(tǒng)本身的特征參數(shù)進行建模，忽略了城市公交站點承載的生活服務功能，并未揭示城市公交系統(tǒng)對于居民生活服務的真實水平。

針對以上問題，本文提出一套基于大數(shù)據(jù)的城市公交站點生活服務指數(shù)分析方法及應用系統(tǒng)。所開發(fā)的應用系統(tǒng)基于云計算架構并結合高德地圖API與百度大數(shù)據(jù)可視化框架，實現(xiàn)海量數(shù)據(jù)的抓取、處理與可視化。該系統(tǒng)有效融合了城市地理興趣點（Point of Interest，POI）及城市公交線網(wǎng)結構數(shù)據(jù)，得到了各個站點的生活圈覆蓋范圍以及居民生活服務水平，為智慧城市背景下的城市公共交通系統(tǒng)的居民生活服務水平評估及公交站點布局提供了有益參考。

1 ?系統(tǒng)設計

1.1 ?系統(tǒng)總體架構

本文系統(tǒng)架構如圖1所示，系統(tǒng)軟件部分可分為數(shù)據(jù)抓取、數(shù)據(jù)處理與數(shù)據(jù)可視化三大子系統(tǒng)基于云計算架構組建。其中，數(shù)據(jù)抓取子系統(tǒng)借助高德地圖API[6]提供的公交查詢接口與城市地理興趣點查詢接口，周期性抓取目標城市的公交線網(wǎng)結構軌跡數(shù)據(jù);數(shù)據(jù)處理子系統(tǒng)為本系統(tǒng)核心模塊，基于QT與Python混合框架[7?8]開發(fā);數(shù)據(jù)可視化子系統(tǒng)則基于百度MapV與百度E?Charts實現(xiàn)空間數(shù)據(jù)可視化。

本系統(tǒng)硬件由云服務集群中兩個節(jié)點共同完成。其中，采集與存儲節(jié)點負責原始數(shù)據(jù)抓取、預處理，接收運算服務節(jié)點的處理結果、并向授權用戶提供數(shù)據(jù)集的網(wǎng)絡訪問接口。

1.2 ?關鍵模塊設計與實現(xiàn)

1.2.1 ?地理信息興趣點抓取算法

地理信息興趣點數(shù)據(jù)采集子系統(tǒng)由QT C++框架結合Javascript地圖API開發(fā)，其工作流程如圖2所示。由圖2可知，在某區(qū)域地理興趣點的采集過程開始前，首先根據(jù)目標區(qū)域經(jīng)緯度極大值與極小值，將目標區(qū)域切分為多個50 m×50 m的正方形網(wǎng)格，并為數(shù)據(jù)采集節(jié)點中每一個線程分配均等數(shù)量的待處理網(wǎng)格，形成處理隊列;采集開始后，每個線程均按圖2所示流程遍歷待處理隊列直到采集結束。在此過程中，設定網(wǎng)絡超時時間為10 s，即超過10 s未得到高德服務器的返回結果則暫停采集，并在隨機間隔[tb（tb<10 s）]秒后繼續(xù)采集。高德地圖與百度地圖使用不同的坐標系，因此采集得到的結果還必須進行轉(zhuǎn)換。

1.2.2 ?站點生活圈搜索算法

為評價公交站點的居民生活服務水平，本研究定義公交站點所形成的生活圈為從該站點出發(fā)45 min內(nèi)，經(jīng)最多一次換乘，且步行距離少于600 m，能到達所有公交站點。為簡化計算，車輛的行駛速度定[5]為18 km/h，乘客步行速度[6]為1.2 m/s。

將公交站點生活圈搜索問題按乘客從站點[si]到達站點[sj]附近的地理信息興趣點[pk]方式分為三種情況分別討論：

1） 直達（記為：[si→sj→pk]）;

2） 一次換乘無需步行（記為：[si→t1→sj→pk]）;

3） 一次換乘且需步行（記為：[si→t1t2→sj→pk]）。

第一種情況，搜索算法直接通過線路軌跡以及公交車輛行駛速度搜索滿足45 min內(nèi)可到達的站點，流程如圖3所示。

由圖3可知，為進一步縮短搜索時間，本研究采用倒序法對整條線路的站點進行搜索。該算法由該線路在上下行方向上最后一個站點[slast]開始，計算其與起始站點[si]間的時間距離，若滿足45 min可達的限定條件，則將[si]至[slast]間所有站點加入集合;否則，繼續(xù)從[slast-1]向[si]搜索判斷。

設第一步得到的集合為[Sd]，則對于需換乘到達的站點搜索步驟為：

1） 計算[Sd]中各站點[Sd，k，Sd，k∈Sd]，搜索其600 m步行距離內(nèi)可達的所有站點集合，記為[Sp];

2） 對[Sp]中每個站點[Sp，kSp，k∈Sp]及其隸屬線路，使用倒序法搜索由滿足時間限制條件[tSi-Sd，k+tSd，k-Sp，k+tSp，k-Se，k≤45 ?min]的站點，這些站點記為[Se，k]，又令[Se，k∈Se]

3） 由[si]所形成的生活圈為：[Sil=Sd∪Sp∪Se]。

1.2.3 ?站點生活圈服務指數(shù)

本文借助城市地理興趣點評價站點[si]所形成的生活圈對居民生活的服務水平。首先，將由高德地圖采集抓取的POI類型進行歸并為餐飲、購物、生活服務3類;其次，對每個站點[si]，提取出其生活圈[Sil]中每個站點500 m范圍內(nèi)的地理信息興趣點，并由下式計算出該站點的生活服務指數(shù)[Li]：

[Li=mwmk1Dk，i]

式中：[Dk，i]為第k個POI點與[si]的距離;[wm]為第m類興趣點的權重。在本文中，假設各類興趣點權重相同。

2 ?系統(tǒng)測試與應用案例

本文以南方某城市為例，POI數(shù)據(jù)采集所覆蓋矩形區(qū)域西北角經(jīng)緯度為113.086 666E，22.444 382N;東南角經(jīng)緯度為113.671 344E，21.873 718W;長為60 088.5 m;寬為63 455 m;劃分為1 529 013個采集區(qū)域，分配給20個子線程;采集耗時約8.5 h;平均每個網(wǎng)格采集時間為0.19 s;共得到129 766個地理興趣點。同時本系統(tǒng)提取了目標城市275條公交線路，經(jīng)過處理分析，得到2 795個公交站點與2 794 781條線路軌跡，線路采集平均處理速度為每秒10.67條公交線路。

以目標城市唐家市場站為例，所形成的生活圈中各站點及其評分如圖4所示，由圖4可以看到唐家市場本身產(chǎn)生的生活圈中，評分值最高的站點與該站并不重合，而是偏移到珠海市中心。

主城區(qū)范圍內(nèi)各公交站點生活服務水平評分及其空間分布見圖4b），生活服務水平較高的站點多為公交線路較密集的區(qū)域。其中，主城區(qū)評分值均在4分以上，遠高于其他轄區(qū);另一方面，雖然斗門區(qū)也擁有較為繁密的公共交通線網(wǎng)，但其大部分站點的生活服務質(zhì)量評分均在1～2分，遠低于主城區(qū)。

由圖5可知，大多數(shù)（50.3%）站點評分值處于0～0.5的區(qū)間內(nèi)，且隨著評分值增加，滿足要求的公交站點數(shù)量逐漸減少。表明該城市發(fā)展的“小世界”效應明顯，即大部分資源只集中在少數(shù)基礎設施周圍。

全市范圍內(nèi)公交站點周邊的興趣點數(shù)量及生活服務指數(shù)分布見圖6a），生活服務指數(shù)與穿過站點的線路數(shù)間的關系見圖6b）。由圖6a）可知生活服務指數(shù)隨著地理興趣點數(shù)量增加呈發(fā)散的線性上升趨勢，得到的擬合模型為：y=0.003 58x-0.001 745（[R2=0.94]）。由圖6b）知，某站點的生活服務指數(shù)與穿過該站點的公交線路條數(shù)并無直接關系。原因是該城區(qū)部分樞紐站點周圍并沒有配套足夠的生活設施;而部分生活服務指數(shù)高的站點，如部分學校周邊，經(jīng)過的公交線路卻不足5條。

為進一步驗證本方法的有效性，以站點500 m范圍內(nèi)地理信息興趣點個數(shù)為基準繪制主城區(qū)的公交站點服務水平評價圖如圖7a）所示，在相同數(shù)據(jù)可視化方法（色階從數(shù)字最小值到最大值分7等份均勻分布）下，本方法得到的生活服務水平評價圖如圖7b）所示。假設將紅點（服務等級最高）視為轄區(qū)經(jīng)濟活動的中心區(qū)。僅以興趣點數(shù)量為參數(shù)的評價指標雖然也能識別出中國香洲、拱北與斗門三個轄區(qū)中的經(jīng)濟中心，但錯過了南屏商業(yè)區(qū)（該市最大的購物廣場），該商業(yè)區(qū)雖然600 m內(nèi)興趣點數(shù)量低于其他商業(yè)區(qū)，但所有興趣點集中在公交站點周圍，因此服務水平較高。以上試驗說明本研究所提供的方法較常規(guī)方法具有更合理更高的可信度。

3 ?結 ?論

本文提出一套基于大數(shù)據(jù)的智慧城市公交站點生活服務水平評價方法，并提供了全自動化的數(shù)據(jù)抓取與大數(shù)據(jù)可視化分析平臺構建方案。并利用該平臺針對南方某城市進行了試驗驗證，結果表明，該方法能夠非常有效地識別城市各轄區(qū)內(nèi)的經(jīng)濟活動中心，為城市精準規(guī)劃與公交線網(wǎng)優(yōu)化布局的應用提供參考方向和決策支持。在本文的基礎上，未來可融合其他數(shù)據(jù)，尤其是公共交通客流數(shù)據(jù)研究公交站點及其周圍地理興趣點對居民出行的影響，并探討如何通過交通線網(wǎng)建設與城市規(guī)劃避免資源過度集中，這也是本研究下一步需要做的工作。

參考文獻

[1] TYRINOPOULOS Y， ANTONIOU C. Public transit user satisfaction： variability and policy implications [J]. Transport policy， 2008， 15（4）： 260?272.

[2] EBOLI L， MAZZULLA G. A methodology for evaluating transit service quality based on subjective and objective measures from the passenger′s point of view [J]. Transport policy， 2011， 18（1）： 172?181.

[3] 井國龍.基于多源數(shù)據(jù)的常規(guī)公交分層次服務水平評價模型[D].北京：北京交通大學，2010.

JING Guolong. Stratified measurement model of service levels for public transportation based on multi?source data [D]. Beijing： Beijing Jiaotong University， 2010.

[4] 梁利.基于變異粒子群算法的公交線網(wǎng)分層優(yōu)化研究[D].蘭州：蘭州交通大學，2014.

LIANG Li. Research on hierarchical optimization of public traffic network based on particle swarm optimization algorithm with mutation [D]. Lanzhou： Lanzhou Jiaotong University， 2014.

[5] 周銳.基于IC卡數(shù)據(jù)的公交站點客流推算方法[D].北京：北京交通大學，2012.

ZHOU Rui. Passenger flow calculation for bus stations based on IC card data [D]. Beijing： Beijing Jiaotong University， 2012.

[6] 向玉云，高爽，陳云紅，等.百度、高德及Google地圖API比較研究[J].軟件導刊，2017，16（9）：19?21.

XIANG Yuyun， GAO Shuang， CHEN Yunhong， et al. A comparative study of Baidu map API， Lbs Amap API and Google Maps API [J]. Software guide， 2017， 16（9）： 19?21.

[7] BLANCHETTE J， SUMMERFIELD M. C++ GUI programming with Qt 4 [M]. New Jersey： Prentice Hall， 2008.

[8] SANNER M F. Python： a programming language for software integration and development [J]. Journal of molecular graphics & modelling， 1999， 17（1）： 57?61.

[9] WEI Y， SANTHANA?VANNAN S K， COOK R B. Discover， visualize， and deliver geospatial data through OGC standards?based WebGIS system [C]// Proceedings of 17th International Conference on Geoinformatics. Fairfax： IEEE， 2009： 1?6.

[10] WANG Y， LI Y， TIAN D， et al. A method of visual management platform for connected vehicles data [C]// Proceedings of International Conference on Connected Vehicles and Expo. Shenzhen： IEEE， 2016： 175?179.