多源城市大数据支持的公交出行时空模式在线发现与大规模公交网络布局综合分析

Public transit is an important travel mode of city residents. Transit trips usually exhibit specific patterns over space and time. It is desirable to extract and analyze these travel patterns because they are useful for the analysis of transit networks and the evaluation of transit performance, which are the basis for public transit planning and service improvement. This study will leverage rich and ever-increasing multi-source urban spatio-temporal data and account for spatio-temporal heterogeneity and constraints of geographical environments and passengers. The proposed study will first develop personalized transit trip chain reconstruction algorithms before online discovery and mining of various transit travel spatio-temporal patterns. These discovered patterns will then be used to support the dynamic analysis of transit networks and the evaluation of transit services from the perspectives of efficiency and equity. The study will build a comprehensive theoretical and technical framework for transit big data processing and analysis. Shenzhen City is selected as a case study to validate the proposed methods and techniques based on its large-scale multi-modal transit network and realistic spatio-temporal data. Research deliverables will directly serve transit planning and management as well as public or commercial service siting. They are also beneficial for efficient analysis of spatio-temporal big data and human mobility modeling, and may boost the development of some cutting-edge research domains in GIScience such as spatio-temporal big data analytics and urban computing.

公共交通作为大城市居民出行的重要方式，其出行行为在时空上往往呈现出特定的规律和模式。提取和分析这些出行时空模式可以更好地分析公交网络的空间布局和服务水平，为公交规划和服务改善提供科学的决策基础。本研究利用日益丰富的多源城市时空数据，充分考虑地理环境和出行乘客的时空异质性和约束，研究公交出行链的个性化重建算法，建立各种公交出行时空模式的在线提取和挖掘方法，进而从供需匹配的角度探索公交网络的空间布局的动态分析方法，提出兼顾效率与公平的公交服务水平评价方法，形成支持公交大数据处理分析的综合理论与技术框架。本研究拟选取深圳市作为实际案例，面向其大规模多模式综合公交网络和真实采集的时空数据验证提出的方法与技术。研究成果将服务于公交规划与管理、公共服务与商业布局等实际应用，还可为时空大数据的高效处理分析和人类出行行为建模提供关键技术支持，促进时空大数据、城市计算等地理信息科学前沿的理论与方法发展。

在多源城市大数据支持下开展公共交通出行的时空模式分析与布局分析可为公交规划和服务改善提供科学的决策基础。面向我国大城市公共交通管理和规划的应用需求，本项目依托各种前沿的机器学习和时空大数据分析技术，融合人口、道路网络、公交智能卡等多源城市时空大数据，建立了公交出行链的精确重建算法，提出了各种公交出行时空模式的高时空分辨率在线挖掘和可视分析方法。 提出了以实际公交可达量度为中心的公交服务布局分析以及城市公交出行活动结构发现驱动的公交网络评价方法，实现了数据驱动的公交出行时空模式动态发现和细粒度的公交服务水平分析，显著改善了城市公交出行大数据的处理和分析水平与利用效率。在乘客个体层面，提出了基于图自编码的乘客出行综合表征和画像分析方法，建立了基于逆强化深度学习的公交出行行为选择模型。本项目还探索了数据驱动的交通大数据补全和短期预测方法，提出了多种集成时空先验的深度图神经网络模型并应用于各种时空预测任务。结合研究成果，研发了融合机器学习和交互可视化方法的公交时空大数据综合分析原型系统。项目整体上建立了多源城市时空数据驱动的大规模公交数据预处理、模式挖掘、可视分析与评价的完整方法体系与技术流程。基于以深圳为例的实际大规模多模态公交网络以及海量的公交智能卡真实数据，针对公交规划管理的实际需求，广泛验证和完善了所提出的各种方法和关键技术。研究成果的关键技术可支持地理信息科学领域中人类出行活动建模和分析的研究。应用方面可为公交管理和规划人员提供了实用化的分析工具，从技术角度加强数据驱动的公共交通信息综合分析能力，提升多源城市数据在大城市复杂公共交通网络管理的支撑能力，为智慧公交建设、促进绿色出行提供科学的决策依据，产生良好的经济和社会效益。