实时信息下公交枢纽内乘客乘车选择行为预测

间和站台乘客排队长度为关键因素，挖掘乘客乘车方案决策规则.然后，针对乘客乘车决策的不确定性，

引入云模型完成自然语言与定量信息之间的转化从而进行预测.最后，以大连市华南广场公交枢纽的数 据对该方法进行了检验，结果显示,该方法具有较好的预测效果，表明在实时公交信息下引入云模型进

行乘客乘车方案选择预测是一种可行方法.关键词：综合交通运输;乘车选择行为;云模型;实时公交信息文献标识码：A

DOI： 10. 13291/j. cnki. djdxac. 2020. 01. 004为解决城市发展带来的交通拥堵问题，国内 选择是不同的；即使是同一名乘客,也可能在不同

许多城市着力发展城市公交系统，以减轻交通系

统的压力•例如，随着ITS技术的成熟，很多城市

情况下做出不同决策.因此，实时公交信息下的乘

车方案决策是一种不确定性问题•云模型是可以

搭建智能公交系统及乘客信息服务系统以提升公 融合定性、定量因素，处理不确定性问题，因此适

交服务水平.Yu等人的研究表明，公交预测信息 会帮助乘客进行乘车方案选择，并降低乘客等车 的焦虑感⑴.公交信息化发展有利于提高公交服务质量，

合于表达乘客行为中的不确定性.本文将二维云模型理论同乘客乘车选择行为

相结合，利用了云模型云滴的稳定倾向性与随机 性的特点，完成了自然语言的定量转化后,相对准

但目前的公交调度方案都是在静态环境下设计的 （即不考虑实时公交信息对乘客出行行为的影

响），因此，在当前背景下，为乘客提供公交信息，

确地预测了各线路的乘车人数，从而为实时信息

下的城市公交调度提供了更加可靠的参考数据.能否发挥其应有的作用是值得怀疑的，甚至可能 会干扰正常的运营调度计划•因此，研究公交信息 下的乘客选择行为，是实现公交信息化、智能化的

关键组件之一 •从九十年代末起，很多学者开始研

1问题描述在大型的公交枢纽内，乘客有更多选择，有多

条线路可到达目的地•在没有实时公交信息的情

况下，乘客会根据以往经验、习惯等因素选择公交

究交通信息对出行者行为的影响.Gao & Huang 的研究表明实时交通信息会使出行者做出更优出 行决策⑵.而对于公交枢纽内乘客来说,提供实 时公交信息将可能给乘客出行带来更多的便 利\"⑷•乘客的选择行为非常复杂，受到很多定性

和定量因素的影响I\"】.而且，乘客出行决策也具

线路和方案•如果乘客能够获取实时的公交信息， 其线路选择可能会发生变化图1为实时信息 下的乘客乘车线路选择示意图，表示岀行者在收

到实时公交信息后进行乘车方案的考虑和改变. 乘客在公交枢纽等待车辆到达，有不同的线路可

到达其目的地，根据实时信息,乘客获知线路1站

台有5人排队且下一辆车将于5 min后到达，线

有一定的不确定性:相同信息下，不同乘客的方案

* 收稿日期:2019-02-23基金项目：辽宁省高等学校优秀科技人才支持计划资助项目（LRG015008）

作者简介:王怀著（1993-），男，硕士研究生；蒋永雷（1984-）男,副教授，博士，主要从事交通运输规划与管理的研究E・mail: jiangyonglei@ dlmu. edu. cn.第1期王怀著，等：实时信息下公交枢纽内乘客乘车选择行为预测19路2站台有2人排队且车辆将于3 min后到达，此

时乘客的线路选择受到排队人数和车辆到达时间 在一个随机数“43 ,%2),称为(X1 >x2)对A的隶

的共同作用•由此可知，不确定性是乘客在实时公

属度•如果x中的元素是简单有序的,则认为X为 交信息下进行选择行为的一大特点，本文选取适 基础变量;如果元素不是简单有序的，按照法则

于解决这一类型问题的多维云模型，来解决此类

将X映射到另一个有序的论域X中，仅有唯一的

复杂的不确定性问题.(“2)和(叭',%2‘)对应，则X'为基础变量.隶属

度在基础变量上的分布称为云，例如“到达时间、排 A公交枢纽线路I莎 jd•…，卢甲

队人数”就是一组合定性语言值⑼.二维逆向正态云发生器(CG-1):线路2注;乳？］

目的和输入:drop(T,,Z,)为一定数量某时刻公交 ........ J |I

线路2 ...........A:枢纽实时信息样本•输出：(E%, EnTj, Hejj) , (Ey^ ,EnQ ,HeQ)

为第j条线路到达时间和排队人数定性概念的数

图1实时信息下的乘车线路选择示意图字特征.j = 1,2,…，m.2云模型基本原理二维正向云发生器(CG)；输入：(E⑰,E⑰，He巧)，(Eyq,Eriq ,HeJ

云模型是李德毅提出的一种处理自然事物或 j = 1,2,---. ,m.人类认知的不确定性的方法⑷•二维云的定义:设

输出:drop ( T’L肿 为第j条线路第i个乘 x是一个普通集x= {3,%2)I，称为论域•对于x

客所对应的隶属度.i= 1,2, •••,“；)=中的模糊集合4,是指于任意的元素(X.,x2)，存

整个过程如图2所示.图2二维云发生器多规则生成器则是由众多的二维云单规则生

成器共同组成的,它可以反映多条复杂规则：“IF

X.and K, THEN ，11 IF X,and Y2 THEN C2\".3乘客选择行为预测乘客对乘车方案的决策分为两个过程，首先

理解实时信息，之后根据实时信息做出决策•这两

个过程中都存在不确定性,前者采用云模型计算， 图后者根据调研数据所得的乘车选择规则实现.3乘客对实时信息的理解3.1乘客对实时信息的理解本文以前述的二维云模型刻画乘客对所获取

一般说来，乘客对于获得概念会产生模糊理

的信息理解的模糊性.解，例如，乘客喜欢以“5 min左右”、“15 min上 (1)“等待时间”模型下”，“排队人数很多”、“排队不长”等来理解当前

首先调查乘客对不同等车时间(3,5 J0和15

公交信息如图3所示，乘客i在公交枢纽获

min)的感觉(理解)，通过云图的方式刻画乘客的

知下一辆公交车将于5 min后到达且有7人等

信息理解，每个云滴代表等车时间与自然语言值 待,经过理解乘客认为“下一辆车将于5 min左右

的对应概率并以四种级别划分：3、5、10、15 min左

到达，排队人数很多”，乘客对当前状态的理解往

右，如图4所示.往是通过自然语言的形式对外表达的，是模糊的.大概率情况下等车时间一般会被理解为某一

20大连交通大学学报第41卷级别，但3.5-4,7-8,12-13 min区间是比较模糊

表1乘客选择次选公交的情境地带,在两个时间区域范围内存在交叉.因此，预

序号 次选早到时间 And

排队人数报的间隔时间值属于这些区间时,乘客的理解不

确定度较高.1同时间到达And首选\"人数很多”，

次选“人数很少”27 min左右And首选排队程度髙或

排队程度相同37 min左右And首选“人数不多”，次选“人数很多”45 min左右And首选车辆“人数很多”，0

2

4

6 8 10 12 14 16 18 20次选“人数很多”等车时间/min55 min左右And次选“人数很少”图4等车时间理解分布图65 min左右And首选“人数很少”，次选“人数不多”(2) “排队长度”模型75 min左右And首选“人数很多”通过二维云模型，可求得岀行者对任何等车 83 min左右And车辆排队程度相同时间和排队人数(二维)的定性理解结果：自然语

92 min左右And车辆排队程度相同言值•本文中给定的排队长度级别为:排队人数很

102 min左右And首选公交排队程度严重多，排队人数不多,排队人数很少，如图5所示.3.3实时公交信息下的乘车方案预测模型乘车方案预测的大致步骤为:公交信息输入 预测模型，通过云模型得到信息的理解结果，理解

结果继而输入乘车方案选择规则集，得到最终的

乘车方案•具体过程如图6所示，假设线路1与线 路2是都可以到达目的地的线路，候车站点很近

(例如枢纽)•乘客到站后，会先获得两条线路的

信息，再选择候车站点.本文预测模型的目标是根

据实时信息(排队人数,车辆到达时间)预测岀乘

图5表示，乘客对排队人数的理解更离散，即 客的乘车方案•具体步骤如下：不确定程度更高•这是因为乘客对等车时间的理

(1) 通过统计并分析乘客在不同情况下的乘

解“5 min左右”是含有定量信息的定性概念，而

车选择行为,提炼出信息通常被理解成的m个定 对排队人数的理解“等车人数很少”是一个纯定 性概念(自然语言值)并通过逆向云算法分别得

性概念，而定量信息的精确性比定性概念更高，因

到描述m个定性概念的数字特征.此对排队人数的理解没有一个相对统一的标准， (2) 由数字特征可以标定各个自然语言值的 不同人的理解有较大差异.正向云算法，将到站乘客数量，线路1与线路2的 3-2乘客对乘车方案的选择信息作为输入，可以得到每一位乘客信息对m个

等车时间和排队人数是影响乘客乘车方案选

定性概念的隶属度•择的两个重要因素.对数据进行聚类分析并归纳

(3) 选择隶属度最大的定性概念组作为某乘

后，发现等车时间与排队人数同乘车选择之间存

客对信息最有可能的理解.在定性规则.而乘客在通常情况下不会改变习惯 (4) 从调研数据中提炼出乘车方案选择规

乘车线路，即一般选择首选公交.但在特殊情境

则，并将信息的理解结果作为输入,得到一位乘客

下，乘客选择次选公交，具体情境如表1所示.的站台选择结果.第1期王怀著，等：实时信息下公交枢纽内乘客乘车选择行为预测21(5) 将第4步所选车辆的车站排队人数加1, 信息预告情境下的等车人数，以及云模型预测的

作为后续候车乘客的信息输入.等车人数结果.(6) 重复2~5步，直到得到所有候车乘客的

表2公交枢纽乘车方案选择及预测结果乘车选择方案.姚家-兴工街泉水-长兴市场图6显示了实时信息下的预测流程：序号无信息有信息预测

有信息预测

•7min, 2A-结果|二维云模型|1 1结果无信息16437811线路1Or J 4! •f 线路i 丫线

21418161287将于4min4min, 8人・[10富牟只魏狄簣车人数露分钟左右到达|15砲I施到込.8人零待381113141214线路241281091210|线路选择结果|57651214166141012696图6乘车方案预测流程7102221288781656916134实例分析9122624656本文在大连华南广场公交枢纽，如图7所示,

10445121613以姚家-兴工街和泉水-长兴市场两条公交线路

11101418843为实例•两条线路在华南广场站点的站台设置相

12264823隔很近，这意味着，实施公交信息服务后,到站乘

13131215161816客可以方便的获取两线路的信息.在高峰时刻短

14268874时间内有大量乘客到站，即乘客在一个站台排队 1584361517过程中，若放弃已选择站台转移到其他站台，重新

16161816141214排队的位置会更靠后•因此，乘客通常不会轻易更 1724181991312改排队站台⑴L182030311611124.2结果分析由于对公交信息的掌握程度不同，从表2中 时可见两站台的不同候车人数，公交信息影响了

候车人数.对比云模型的预测结果和实际调查结

果人数可知,本文所构建的云模型在某种程度上

能较好地预测实时公交信息下乘客的乘车选择方

案•图8显示模型的预测性能.605040' \\\\•姚家-黒工街30\\・♦泉水T哄市场2010+图7华南广场公交枢纽及两条实例线路走向•4.1选择方案与预测结果T~-----

在大连市华南广场站点向500人发放了问卷,

10 20 30 40 50有效问卷率有88%.通过向等车乘客预报公交信 到达公交枢纽乘客数/人息的方式,观察排队人数•有无公交信息下的调研

图8预测结果结果和云模型的预测结果如表2.从06： 30 - 08：

00共1.5h内，以5 min等分的连续18个时间段 从图中8中可发现，云模型对泉水-长兴市场 内公交站台的等车人数，分为无信息提示下和有

线路的预测精度要优于姚家-兴工街线路，这主要

22大连交通大学学报第41卷是由于姚家-兴工街线路的发车频率更高,高峰期

间更容易出现串车的现象，从而导致乘客对实时信

optimal adaptive routing in stochastic time-dependent

networks[ J]. Transportation Research Part C： Emerging Technologies, 2012, 21(1)： 196-213.息的理解出现偏差，也致使云模型预测精度下降.

此外，随着枢纽候车人数的增加，偶然行为的影响 就会放大，模型对乘客的乘车方案的预测误差大体

[3] 汪磊,左忠义.基于MLR的公交车行程时间预测模型

[J]•大连交通大学学报,2015,36(2):1-5.[4] 李昌宇，张晓东，李季涛.大连北站旅客换乘常规公交

呈下降趋势•而当到站乘客数量多时，这种影响就

变得微不足道了,误差也会逐渐降低.等候时间分析[J]•大连交通大学学报,2014,35(sl)： 8-12.5结论公交智能调度依赖于实时公交信息下的乘车

[5] DE PALMA A, UNDSEY R, PICARD N. Risk Aver­

sion, the Value of Information, and Traffic Equilibrium [J]. Transportation Science, 2012, 46( 1): 1-26.方案预测•结果表明,实时的公交信息会导致乘客

选择行为的变动，但当前的公交调度技术不能及

[6] 潘驰,郭志达.考虑公交服务水平的通勤出行方式选

择行为分析[J]•大连交通大学学报,2017,38(4) ：19-

24.时响应乘客行为的动态变化•本文对实时公交信 息下的乘客选择行为进行预测•从乘客选择行为

具有不确定性的角度出发,选择不确定问题研究

[7] 李婷.公交动态调度与站点信息发布策略协同优化

[D].大连:大连海事大学,2017.方法:二维云模型，对乘客行为中的不确定性进行

[8] 李德毅，刘常昱.论正态云模型的普适性[J].中国

了深入分析,并将预测过程划分为:信息理解阶段 和方案决策阶段•最后，以大连华南广场公交枢纽

工程科学，2004, 6(8)： 28-34.[9] CHU C M, LIN Y L. Effects of orography on the genera­

tion and propagation of mesoscale convective systems in a

为例应用预测模型进行了预测•结果表明,预测模

型的精度较好，能为实时公交信息下的公交调度 提供决策基础.two-dimensional conditionally unstable flow [ J ]. Journal of the atmospheric sciences, 2000, 57 ( 23 ) ： 3817-

3837.[10] 李德毅.知识表示中的不确定性[J].中国工程科

参考文献：[1 ] YU B, WANG H, SHAN W, et al. Prediction of bus

学，2000 , 2(10)： 73-79.[11] LIANG Y, WU Z, LI J, et al. Shockwave-Based Queue

travel time using random forests based on near neighbors

Length Estimation Method for Presignals for Bus Priority

[J]. Computer Aided Civil and Infrastructure Engineer­ing, 2018, 33(4)： 333-350.[2] GAO S, HUANG H. Real-time traveler information for

[J]. Journal of Transportation Engineering Part A: Sys­tems, 2018, 144(9)： 0401-8057.Passenger Boarding Choice Behavior with Real-Time Information in a Transit HubWANG Huaizhu, YANG Yunong, JIANG Yonglei(College of Transportation Engineering , Dalian Maritime University, Dalian 116026, China)Abstract: A prediction model of passenger boarding choice behavior under bus real-time information in public

transit hub is presented. Passenger waiting time and queue length are considered as the key factors, which are

used to explore the decision rules of route selection. Aiming at the uncertainty of passenger route selection be­havior ,thebehavior forecast is completedby the conversion between natural language and quantitative informa­

tion with the cloud model. Finally, the model is tested based on the data of Huanan Square hub in Dalian cit-

y. The results show that the forecasting model has good simulation and prediction effects, and it is feasible to

use the cloud model to predict the passenger boarding choice behavior under bus real-time information.

Keywords: integrated transportation ； boarding choice behavior ； cloud method ； bus real-time information