留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于LightGBM模型的公交线路串车状态识别方法

刘倩 肖梅 黄洪滔 明秀玲 边浩毅

刘倩, 肖梅, 黄洪滔, 明秀玲, 边浩毅. 基于LightGBM模型的公交线路串车状态识别方法[J]. 交通信息与安全, 2022, 40(5): 102-111. doi: 10.3963/j.jssn.1674-4861.2022.05.011
引用本文: 刘倩, 肖梅, 黄洪滔, 明秀玲, 边浩毅. 基于LightGBM模型的公交线路串车状态识别方法[J]. 交通信息与安全, 2022, 40(5): 102-111. doi: 10.3963/j.jssn.1674-4861.2022.05.011
LIU Qian, XIAO Mei, HUANG Hongtao, MING Xiuling, BIAN Haoyi. Identification of Bunching State of Bus Lines Based on a LightGBM Model[J]. Journal of Transport Information and Safety, 2022, 40(5): 102-111. doi: 10.3963/j.jssn.1674-4861.2022.05.011
Citation: LIU Qian, XIAO Mei, HUANG Hongtao, MING Xiuling, BIAN Haoyi. Identification of Bunching State of Bus Lines Based on a LightGBM Model[J]. Journal of Transport Information and Safety, 2022, 40(5): 102-111. doi: 10.3963/j.jssn.1674-4861.2022.05.011

基于LightGBM模型的公交线路串车状态识别方法

doi: 10.3963/j.jssn.1674-4861.2022.05.011
基金项目: 

浙江省‘尖兵’‘领雁’研发攻关计划项目 2022C01105

陕西省社会科学基金项目 2022F021

详细信息
    作者简介:

    刘倩(1999—),硕士研究生. 研究方向:交通运输规划与管理. E-mail: liuq0223@163.com

    通讯作者:

    肖梅(1977—),博士,教授. 研究方向:交通规划与管理、智能运输系统等. E-mail:xiaomei@chd.edu.cn

  • 中图分类号: U491.1

Identification of Bunching State of Bus Lines Based on a LightGBM Model

  • 摘要: 同1条线路上相邻公交车辆由于受到道路等因素的影响,其实际车头时距与发车间隔相比显著缩短,导致相邻车辆在较短的时间内到达同1个公交站点即引发公交线路“串车运行”问题(即相邻公交车辆在实际运行中的车头时距与发车间隔相比显著缩短的现象)。辨识线路的串车状态(串车运行和非串车运行)是进一步提升城市公交车辆运营的稳定性的关键。提出了基于贝叶斯参数优化的LightGBM模型,并将其用以识别公交线路串车状态。从站点、运行、乘客、时间和天气这5个角度初步选取20个影响线路串车状态的关键因素,并采用Spearman相关性检验和方差膨胀因子诊断多重共线性。建立二元Logit模型进行影响因素分析。提取显著的影响因子,构建LightGBM模型用以识别线路串车状态,并分别采用贝叶斯优化与随机搜索优化对模型中用以确定模型属性和训练过程的超参数进行寻优。以西安市公交车辆行车数据为例进行模型的应用验证,对比2种参数寻优方法(贝叶斯优化与随机搜索优化)的效率,并将提出的LightGBM模型与XGBoost、随机森林(RF)、决策树模型(DT)和AdaBoost模型的识别精度进行对比。研究表明:上车乘客数、信号灯数量、近距商业区数量、近距内主路上行驶的距离(即车辆在近距离范围内在主道路上行驶过的距离)和拥堵延时指数对线路串车状态有显著影响。LightGBM模型的参数采用贝叶斯优化比采用随机搜索优化的准确率提高了1.31%。采用贝叶斯算法优化参数的LightGBM模型比采用随机搜索算法优化的准确率提高了1.31%。所提出的经贝叶斯优化的LightGBM模型正确识别公交线路串车状态(包括串车运行和非串车运行)的比率为82.89%,识别性能优于对比模型。

     

  • 图  1  参数寻优过程

    Figure  1.  Process of parameter optimization

    图  2  不同预测模型ROC曲线

    Figure  2.  ROC curves of different prediction models

    表  1  影响因素的描述

    Table  1.   Description of influencing factors

    符号 因素 选取角度 因素特征 因素描述 相关文献支撑
    F 上车乘客数/人 乘客 累计 观测时段内本线路所有车辆从始发站至观测站点的前1站累计上乘人数 文献[8-10]
    f 近距上车乘客数/人 乘客 即时 上1个观测站点至本观测站点间,本观测站点前50%的站点处至前1站范围内在观测时段本线路所有车辆累计上乘人数 文献[8-10]
    T 时段 时间 0=平峰; 1=高峰 文献[10]
    L 公交专用道长度/km 运行 累计 车辆从始发站行驶到观测站点累计经过的公交专用道长度 文献[6]
    lP 近距公交专用道占比 运行 即时 上1个观测站点至本观测站点间,本观测站点前50%的站点范围内公交专用道线路长度占该范围总长度的比值 文献[6]
    R 主路行驶距离/km 运行 累计 车辆从始发站行驶到观测站点累计在主路上行驶的长度 结合专家知识和经验,通过访谈选取
    r 近距主路行驶距离/km 运行 即时 上1个观测站点至本观测站点间,本观测站点前50%的站点范围内车辆在主路上行驶的长度 结合专家知识和经验,通过访谈选取
    TL 左转弯数量/次 运行 累计 车辆从始发站行驶到观测站点累计操纵左转弯的次数 文献[6]
    tl 近距左转弯数量/次 运行 即时 上1个观测站点至本观测站点间,本观测站点前50%的站点范围内车辆操纵左转弯的次数 文献[6]
    S 信号灯数量/个 运行 累计 车辆从始发站行驶到观测站点累计途径的信号灯个数 文献[7-8]
    s 近距信号灯数量/个 运行 即时 上1个观测站点至本观测站点间,本观测站点前50%的站点范围内途径的信号灯个数 文献[7-8]
    M 行驶里程/km 运行 累计 车辆从始发站行驶到观测站点途径的线路长度 文献[7]
    m 近距行驶里程/km 运行 即时 上1个观测站点至本观测站点间,本观测站点前50%的站点范围内途径的线路长度 文献[7]
    B 商业区数量/个 运行 累计 车辆从始发站行驶到观测站点经过的商业规模大于3万m2的商业区的数量 结合专家知识和经验,通过访谈选取
    b 近距商业区数量/个 运行 即时 上1个观测站点至本观测站点间,本观测站点前50%的站点范围内经过的商业规模大于3万m2的商业区的数量 结合专家知识和经验,通过访谈选取
    c 拥堵延时指数 运行 即时 上1个观测站点至本观测站点间,本观测站点前50%的站点处至前1站范围内路段的拥堵延时指数的平均值 文献[8]
    D 距离始发站的站数/个 站点 累计 车辆从始发站至观测站点经过的站点数量 文献[7]
    U 换乘地铁数量/个 站点 累计 车辆从始发站行驶到观测站点经过的500 m范围内有地铁换乘点的公交站点的数量 结合专家知识和经验,通过访谈选取
    u 近距换乘地铁数量/个 站点 即时 上1个观测站点至本观测站点间,本观测站点前50%的站点范围内,在500 m范围内有地铁换乘点的公交站点的数量 结合专家知识和经验,通过访谈选取
    W 天气 天气 0=晴天;1=雨天 结合专家知识和经验,通过访谈选取
    下载: 导出CSV

    表  2  公交IC卡数据说明

    Table  2.   Bus IC card data description

    字段英文名 字段中文名 说明 示例
    BUSID 车ID号 用于描述公交车辆的ID号 5083
    TRADEDATETIME 交易日期 用于描述乘客上车刷卡的时间 2017/7/5 08:04:45
    LINENAME 线路名 用于描述公交车运行的线路信息 38路
    STATIONNAME 站点名 用于描述公交站点的名称 朝阳门
    STATIONID 线路号 用于描述公交站点的ID号 66
    USERTYPE 优惠类型 用于描述乘客使用的公交卡类型 1
    BUSNAME 车号 用于描述公交车的车辆信息 陕AK7160
    下载: 导出CSV

    表  3  Spearman相关性检验

    Table  3.   Spearman correlation test results

    r b S F tl lp s u c W T f L R TL M m B D U
    r 1.000 0.476 0.136 -0.217 0.296 -0.474 0.367 0.412 0.233 -0.023 -0.117 0.217 0.393 0.380 -0.003 0.098 0.856 0.292 0.005 0.485
    b 1.000 -0.291 -0.329 0.172 -0.379 0.471 0.340 0.139 0.005 -0.010 0.270 -0.285 -0.285 0.003 -0.386 0.859 -0.153 -0.380 -0.079
    S 1.000 0.374 0.398 -0.453 0.059 -0.412 0.225 -0.004 -0.038 -0.158 0.479 0.933 0.490 0.572 -0.150 0.955 0.944 0.356
    F 1.000 0.028 -0.178 -0.158 -0.397 0.173 0.252 0.297 0.604 0.329 0.461 0.413 0.538 -0.216 0.493 0.567 0.655
    tl 1.000 -0.384 0.217 -0.340 0.025 -0.009 0.019 -0.030 0.336 0.396 0.786 0.396 0.301 0.408 0.339 0.082
    lp 1.000 -0.178 0.395 0.044 0.163 -0.026 -0.077 -0.323 -0.355 -0.485 -0.392 -0.360 -0.620 -0.348 -0.203
    s 1.000 0.303 -0.082 -0.142 -0.024 0.031 -0.069 -0.015 0.250 -0.010 0.635 0.035 -0.074 -0.010
    u 1.000 0.254 0.001 -0.113 -0.062 -0.193 -0.193 -0.483 -0.400 0.412 -0.469 -0.400 0.215
    c 1.000 0.034 0.011 -0.096 0.461 0.468 -0.034 0.353 -0.043 0.245 0.244 0.350
    W 1.000 0.078 0.330 0.042 0.007 -0.008 0.008 -0.018 -0.008 0.008 -0.007
    T 1.000 0.302 -0.109 -0.090 0.101 -0.058 -0.086 -0.007 0.004 -0.195
    f 1.000 0.287 0.259 0.143 0.227 0.069 0.054 0.084 -0.398
    L 1.000 0.986 0.361 0.950 -0.068 0.844 0.846 0.813
    R 1.000 0.457 0.964 -0.082 0.871 0.895 0.758
    TL 1.000 0.554 0.003 0.665 0.649 0.151
    M 1.000 0.192 0.927 0.931 0.628
    m 1.000 -0.086 -0.325 0.210
    B 1.000 0.930 0.462
    D 1.000 0.415
    U 1.000
    注:有底色标出的为显著强相关。
    下载: 导出CSV

    表  4  方差膨胀因子检验结果

    Table  4.   Variance inflation factor test results

    变量符号 容差 VIF 变量符号 容差 VIF
    r 0.103 9.671 s 0.360 2.779
    b 0.202 4.952 u 0.103 9.750
    S 0.185 5.413 c 0.596 1.677
    F 0.387 2.583 W 0.773 1.294
    tl 0.350 2.857 T 0.753 1.328
    lp 0.122 8.171
    下载: 导出CSV

    表  5  HL检验结果

    Table  5.   Theresultsof HL test

    检验指标 检验值
    卡方 10.461
    自由度 8
    显著性 0.234
    下载: 导出CSV

    表  6  Logit模型回归结果

    Table  6.   Logit model regression results

    变量符号 β Sig
    F 0.006 < 0.001
    T(1) 0.303 0.362
    lp -1.261 0.511
    r -1.644 0.007
    tl 0.063 0.834
    S 0.093 0.037
    s 0.114 0.269
    b 1.107 0.001
    c 0.449 0.004
    u 0.823 0.447
    W(1) 0.102 0.716
    常量 -2.669 0.150
    下载: 导出CSV

    表  7  最优参数组合

    Table  7.   Optimal parameter combination

    参数名称 参数范围 随机搜索优化 贝叶斯优化
    max_depth (3, 10) 7 8
    num_leaves (10, 200) 109 150
    learning_rate (0.01, 0.3) 0.06 0.05
    subsample (0.7, 1) 0.85 0.85
    colsample_bytree (0.7, 1) 0.95 0.95
    min_data_in_leaf (20, 25) 24 21
    下载: 导出CSV

    表  8  对比模型的最优参数组合

    Table  8.   Optimal parameter combination of comparison model

    参数 模型
    XGBoost RF DT AdaBoost
    分类器个数 45 41 37
    最大特征数 5 4 5
    随机数种子 13 8 6 1
    最大深度 5 5
    叶子节点最少样本数 6 1
    学习率 0.01 0.8
    注: 表中空项表示模型不设置此项参数或此参数采用默认值。
    下载: 导出CSV

    表  9  识别结果对比分析

    Table  9.   Comparative analysis of recognition results 单位: %

    模型 准确率 精确率 召回率 F1分数
    训练集 测试集 训练集 测试集 训练集 测试集 训练集 测试集
    贝叶斯优化LightGBM 85.11 82.89 84.17 79.31 81.45 76.67 82.79 77.97
    随机参数优化LightGBM 84.40 81.58 83.90 76.67 79.84 76.67 81.82 76.67
    XGBoost 81.56 76.32 82.69 75 71.67 70.59 76.79 72.73
    RF 80.77 73.61 80.73 70.97 72.13 68.75 76.19 69.84
    DT 79.37 72.22 77.12 65.71 73.98 74.19 75.52 69.70
    AdaBoost 76.22 72.22 72.36 66.67 72.36 70.97 72.36 68.75
    下载: 导出CSV

    表  10  每类串车状态的识别准确率

    Table  10.   Recognition accuracy of each type of bus bunching state 单位: %

    实际线路串车状态 贝叶斯优化
    LightGBM识别
    随机搜索优化
    LightGBM识别
    XGBoost识别 RF识别 DT识别 AdaBoost识别
    非串车运行 串车运行 非串车运行 串车运行 非串车运行 串车运行 非串车运行 串车运行 非串车运行 串车运行 非串车运行 串车运行
    非串车运行 0.87 0.13 0.85 0.15 0.81 0.19 0.76 0.24 0.71 0.29 0.73 0.27
    串车运行 0.24 0.76 0.24 0.76 0.29 0.71 0.31 0.69 0.26 0.74 0.29 0.71
    下载: 导出CSV
  • [1] NEWELL G F. Control of pairing of vehicles on a public transportation route: Two vehicles, one control point[J]. Construction and Building Materials, 1974, 8(3): 248-264.
    [2] MOREIRA-MATIAS L, GAMA J, MENDES-MOREIRA J, et al. An incremental probabilistic model to predict bus bunching in real-time[J]. Advances in Intelligent Data Analysis XIII, 2014(8819): 227-238.
    [3] 焦道通. 基于智能公交数据的多条线路站点串车机理研究[D]. 成都: 西南交通大学, 2019.

    JIAO D T. Study on the mechanism of multi-line bus bunching based on intelligent bus data[D]. Chengdu: Southwest Jiaotong University, 2019. (in Chinese)
    [4] SCHMOCKER J D, SUN W, FONZONE A, et al. Bus bunching along a corridor served by two lines[J]. Transportation Research Part B: Methodological, 2016(93): 300-317.
    [5] ZHANG H, CUI H, SHI B. A data-driven analysis for operational vehicle performance of public transport network[J]. IEEE Access, 2019(7): 96404-96413.
    [6] RASHIDI S, RANJITKAR P, CSABA O, et al. Using automatic vehicle location data to model and identify determinants of bus bunching[J]. Transportation Research Procedia, 2017(25): 1444-1456.
    [7] ARRIAGADA J, GSCHWENDER A, MUNIZAGA M A. Modeling bus bunnching using massive location and fare collection data[J]. Journal of Intelligent Transportation Systems, 2019, 23(4): 332-344. doi: 10.1080/15472450.2018.1494596
    [8] DENG Y J, LIU X H, HU X B, et al. Reduce bus bunching with a real-time speed control algorithm considering heterogeneous roadway conditions and intersection delays[J]. Journal of Transportation Engineering Part A-Systems, 2020, 146(7): 04020048. doi: 10.1061/JTEPBS.0000358
    [9] ZHANG H, LIU Y J, SHI B Y, et al. Analysis of spatial-temporal characteristics of operations in public transport networks based on multisource data[J]. Journal of Advanced Transportation, 2021(11): 1-15.
    [10] MOOSAVI, SEYED M H, WAH Y C. Measuring bus running time variation during high-frequency operation using automatic data collection systems[J]. ITE Journal-Institute of Transportation Engineers, 2020, 90(1): 45-49.
    [11] 张建, 丁建勋, 龙建成, 等. 公交线路车头时距特征分析及运行状态研究[J]. 交通运输系统工程与信息, 2015, 15(6): 220-226. doi: 10.3969/j.issn.1009-6744.2015.06.033

    ZHANG J, DING J X, LONG J C, et al. The exploration of time-headway characteristic and operation status on the bus route[J]. Journal of Transportation Systems Engineering and Information Technology, 2015, 15(6): 220-226. (in Chinese) doi: 10.3969/j.issn.1009-6744.2015.06.033
    [12] HANS E, CHIABAUT N, LECLERCQ L, et al. Real-time bus route state forecasting using particle filter and mesoscopic modeling[J]. Transportation Research Part C: Emerging-Technologies, 2015(61): 121-140.
    [13] DENG Y J, LUO X, HU X B, et al. Modeling and prediction of bus operation states for bunching analysis[J]. Transportation Engineering Journal of ASCE, 2020, 146(9): 04020106.
    [14] SUN W Z, SCHMOCKER J D, NAKAMURA T. On the tradeoff between sensitivity and specificity in bus bunching prediction[J]. Journal of Intelligent Transportation Systems, 2021, 25(4): 384-400.
    [15] YU H Y, CHEN D W, WU Z H, et al. Headway-based bus bunching prediction using transit smart card data[J]. Transportation Research Part C: Emerging Technologies, 2016(72): 45-59.
    [16] 赵君豪, 李志恒, 于海洋, 等. 基于遗传算与LS-SVM的公交串车预测[C]. 第十三届中国智能交通年会, 天津: 中国智能交通协会, 2018.

    ZHAO J H, LI Z H, YU H Y, et al. Bus bunching prediction based on genetic algorithm and LS-SVM[C]. 13th Annual Conference of ITS China, Tianjin: ITS China, 2018. (in Chinese)
    [17] 张健, 李梦甜, 冉斌, 等. 常规公交车辆串车形成及预测建模[J]. 东南大学学报(自然科学版), 2017, 47(6): 1269-1273. https://www.cnki.com.cn/Article/CJFDTOTAL-DNDX201706029.htm

    ZHANG J, LI M T, RAN B, et al. Causes and forecast modeling of conventional bus bunching[J]. Journal of Southeast University(Natural Science Edition), 2017, 47(6): 1269-1273. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-DNDX201706029.htm
    [18] ANDRES M, NAIR R. A predictive-control framework to address bus bunching[J]. Transportation Research Part B: Methodological, 2017(104): 123-148.
    [19] YU H Y, WU Z H, CHEN D W. Probabilistic prediction of bus headway using relevance vector machine regression[J]. IEEE Transactions on Intelligent Transportation Systems, 2017, 18(7): 1772-1781.
    [20] 张晓峰. 基于数据驱动的公交串车预测及控制策略研究[D]. 北京: 北京交通大学, 2021.

    ZHANG X F. Data driven prediction of bus bunching and the control strategies[D]. Beijing: Beijing Jiaotong University, 2021. (in Chinese)
    [21] 美国交通运输研究委员会, 杨佩昆. 公共交通通行能力和服务质量手册[M]. 北京: 中国建筑工业出版社, 2010.

    Transportation Research Board, YANG P K. Transit capacity and quality of service manual[M]. Beijing: China Architecture & Building Press, 2010. (in Chinese)
    [22] 马新卫, 季彦婕, 金雪, 等. 租赁自行车用户出行特征及方式的影响因素分析[J]. 浙江大学学报(工学版), 2020, 54(6): 1202-1209. https://www.cnki.com.cn/Article/CJFDTOTAL-ZDZC202006018.htm

    MA X W, JI Y J, JIN X, et al. Analysis on travel characteristics of bike-sharing users andinfluence factors on way to travel[J]. Journal of Zhejiang University(Engineering Science), 2020, 54(6): 1202-1209. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-ZDZC202006018.htm
    [23] 余强, 黄晓林. 基于LightGBM的心音信号分类研究[J]. 陕西师范大学学报(自然科学版), 2020, 48(6): 47-55. https://www.cnki.com.cn/Article/CJFDTOTAL-SXSZ202006008.htm

    YU Q, HUANG X L. Classification of heart sound signals based on LightGBM[J]. Journal of Shaanxi Normal University(Natural Science Edition), 2020, 48(6): 47-55. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-SXSZ202006008.htm
  • 加载中
图(2) / 表(10)
计量
  • 文章访问数:  462
  • HTML全文浏览量:  194
  • PDF下载量:  21
  • 被引次数: 0
出版历程
  • 收稿日期:  2022-04-02
  • 网络出版日期:  2022-12-05

目录

    /

    返回文章
    返回