[发明专利]一种基于机器学习的公交干线网生成方法

说明书

本发明涉及一种基于机器学习的公交干线网生成方法，包括：S1、采集选定范围中影响公交线网结构的空间异质性的动静态数据；S2、将公交线网覆盖区域栅格化，并将S1采集的数据整合至栅格层面；S3、将公交线网结构现状的数据和栅格属性数据作为输入层，利用多层卷积神经网络模型，将相邻栅格间联系强度、中长距离栅格间联系强度作为因变量，建立机器学习模型；S4、利用选定范围已有的公交数据训练机器学习模型，生成公交干线网。与现有技术相比，本发明在学习现有公交线网连接规则基础上，依托所学的指标要素，重新生成公交干线网络适用于不同类型城市，对于城市公交线网重构、分层公交网络规划、干线线路优化调整等具备较强的指导意义。

技术领域

本发明涉及交通运输工程领域，尤其是涉及一种基于机器学习的公交干线网生成方法。

背景技术

住房与建设部发布的《城市综合交通体系规划标准》指出，城市公共汽电车线路按其功能、客运能力及运速，可分为干线、普线、支线三个层级，不同城市可根据公交客流特征选择线路层级构成。公交干线网服务于城市主要客运走廊，主要承担中长距离公交出行需求，提供较大运量、快速可靠的公交服务，干线网具有一定的稳定性。

目前国内城市常规地面公交系统，在运营形态及功能定位上均缺乏层次性，无法提供差异化公交服务，难以匹配多元出行需求。公交干线网形态及服务能力不突出，公交线路服务水平趋同，主要客运走廊缺乏高效高运能的干线服务体系，较大限制了公交系统的服务竞争力。由此可见，公交干线网作为公交线网系统的骨干结构，对于城市公交服务优化、公交线网重构及调整、干线运能优化、提高乘客出行效率均具有重要的指导及借鉴意义。

公交干线网生成应以城市活动时空组织与城市空间结构的契合为基本原则，从而保障城市空间使用特征与公交运输服务适配。既有的公交干线网规划技术多基于公交OD分析，通过识别主要客流走廊、重要节点，提取高频线路，确定公交干线网。保障运输形态与城市空间形态的耦合，将主要OD提取分配至城市主要道路或主要交通小区形心连线上，此类方法可操作性强，但客观影响因素仅覆盖了客流和线路，且假设线路本身形态是合理的。然而该假设显然依据不足，因为公交线路的开设与延伸通常是被动适应道路条件、客流需求的结果，线路会结合部分老百姓提出的诉求而进行调整；而筛选出的公交干线往往只有一段途径客流走廊，即客流走廊与干线线路并无良好对应性。因此，既有方法易受人为因素影响，且较难兼顾城市空间结构与现状公交线网形态的耦合性。大数据背景下，机器学习可利用计算机的学习、记忆功能识别现有知识、获取新知识、不断改善性能和实现自身完善,因而为公交干线网生成方法的智能化创新提供了途径，通过机器学习实现多方影响要素的综合考虑，宏观把握城市空间结构、活动时空聚集性、线网空间结构的适配性，同时避免人为因素的影响。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于机器学习的公交干线网生成方法。

本发明的目的可以通过以下技术方案来实现：

一种基于机器学习的公交干线网生成方法，包括以下步骤：

S1、采集选定范围中影响公交线网结构的空间异质性的动静态数据，分析得到选定范围的公交线网结构现状的基本情况；

S2、根据选定范围的公交线网结构的空间异质性特征，将公交线网覆盖区域栅格化，并将步骤S1采集的数据整合至栅格层面，得到栅格属性数据；

S3、将公交线网结构现状的数据和S2中的栅格属性数据作为输入层，利用多层卷积神经网络模型，将相邻栅格间联系强度、中长距离栅格间联系强度作为因变量，建立机器学习模型；

S4、利用选定范围已有的公交数据训练机器学习模型，生成公交干线网。

优选的，所述S1中影响公交线网结构的空间异质性的动静态数据包括：城市空间结构类数据、建成环境类数据、活动需求类数据、道路条件类数据和交通条件类数据。