编者按：近日，在第十一届（2022）中国智能交通市场年会上，东南大学交通学院刘志远教授以《智慧公交系统运行优化方案与实践》为主题，做了精彩的报告。该报告就城市公共交通现状进行了深入分析。详细介绍了城市公共交通“十三五”、“十四五”发展规划；公交都市；智慧公交系统。分析了公交客流感知和公交智能排班与调度，最后阐述了数据驱动的公交线网诊断与优化。

01、研究背景

城市交通现状

公众在途时间增加：我国多个城市在上下班高峰期都是非常拥堵的，首都北京多年前已经成为“首堵”，并且这种情况在二、三线城市也已经成为常态，堵车问题已经严重增加经济运输成本，影响经济建设。

拥堵严重、事故频发：交通应急响应是交管部门在出现紧急情况时，通过应急方案对于紧急情况时的人员以及车辆作出的规定，保障有序的进行救援，减少损失。交通事件响应缓慢的原因是信息收集的缓慢，决策缓慢以及信息的发布不到位。

停车信息少，停车难：汽车数量的增加，导致的另一个问题就是停车难，在有限的空间内如何解决好停车问题，对于维持好城市交通和谐，优化交通结构，方便市民出行具有重要意义。同时，能在很大程度上缓解交通拥挤状况。

交通管理手段落后：需要在现场部署大量警力、人力对交通现场信息进行采集与处理，浪费大量人力、财力。

公共交通是缓解城市交通拥堵，提升交通系统可持续发展的主要途径。但常规公交客流逐年下降，外部因素是共享单车的兴起导致短途客流流失。内部因素是线网问题、运营问题和服务问题。

城市公共交通“十三五”发展规划

2016年7月21日，交通运输部引发的《城市公共交通“十三五”发展纲要》指出：到2020年，初步建成满足全面建设小康社会需求的现代化城市公共交通体系。同时《纲要》提出了实现该目标的五大发展任务。截止到2022年3月，全国共有5批46个城市被授予“国家公交都市建设示范城市”。

公交都市

“公交都市”是指以城市公共交通运输为主体、多种交通方式协调运作，公共交通与城市发展相互支持、促进并引导城市可持续发展的大城市。

公交都市的建设可以分为近期、中期、远期三个阶段。近期：初步完成交通运输部《公交都市考核评价指标体系》中各项指标；中期：全面提升《公交都市考核评价指标体系》中各项指标值，成为国内一流“公交都市”；远期：进一步以公共交通引导城市发展，全面建成公共交通与城市发展相协调的“公交都市”。

公交都市考核指标：对《公交都市考核评价指标体系》的指标进行分类，可以分为主要由规划实施、经营管理和用户服务三个层次的指标组成，呈“倒金字塔”结构。公交都市有三十项指标，十七项指标是规划实施层次，九项是经营管理层次，四项是用户服务层次。

雄安：一座生态绿色的智慧城市

雄安新区绿色交通出行比率达到90%，公共交通出行比率达到80%；拥有复合型绿色智能交通体系（“慢行”+“公交”+“CEC”）；做到了需求调控与职住平衡。

雄安公交系统构成及功能分担：

租赁车辆：提供节假日或平时出区的电动、燃油租赁车辆。

共享汽车：引入电动共享汽车公司，为市民提供更多选择。

网约公交：满足个性化定制交通出行。

低运量轨道交通：结合城市商业中心布局。

定线公交：主要连接对外交通枢纽，重要商业区等需求密集区。

弹性公交：满足普通交通出行。

步行和非机动车：短距离出行，除就近通勤功能，常有休闲娱乐功能。

各地相继出台城市公共交通“十四五”发展规划

智慧化、一体化的多模式公交出行系统是“十四五”期间的发展重点。上海将打造“立体融合、人本生态、智慧高效”的高质量、现代化综合交通体系；完善中运量及多层次的地面公交系统。构建骨干线、区域线、接驳线三级线网。南京将实现南京公交数字化、网络化、智能化、绿色化发展；打造多模式融合发展的一体化公共出行网络。实现公共出行多样化、出行效率高效化、出行服务品质化。沈阳将着力构建多层次公交网、落实公交场站用地、提升公交配套设施、智慧赋能公交系统、重塑行业治理体系。

基于交通大数据的智慧公交系统

公交IC卡和车载GPS的广泛应用，为采集公交运营数据提供了新的途径；大数据、移动互联网等信息技术为多模式公交调度与线网优化提供了新的契机；大数据技术的应用推动了信息采集从单一数据来源向多源数据整合发展、向大数据深度挖掘发展；面对繁多且高维的数据，必须建立新的数据处理与应用模式，挖掘多源数据在公共交通领域的应用潜力。

瓶颈问题

瓶颈问题一：各信息系统未能深入耦合、交叉关联，形成了数据孤岛；缺乏“数据底座”，难以做到各系统之间数据、信息的完全互联互通。

瓶颈问题二：传统时刻表设计、排班、调度方法依赖经验、人力成本高；在智慧城市和公交都市建设背景下，如何实现公交运营方案的自动化设计和智能化管理。

瓶颈问题三：传统线网调整方法无法实现多模式公交系统间的匹配、耦合，不能从网络角度对多模式公交系统进行优化设计；在多元数据融合、多模式公交共同发展的背景下，如何对公交线网进行健康诊断和优化。

02、公交客流感知与分析

基于多源数据融合的公交客流感知与分析：利用多源数据融合的上车站点推断与需求分析，构建公交大数据底座，打通各信息源之间壁垒，实现各类公交数据的交互使用。

基于多源数据融合的公交人物画像：面向公交系统多源大数据，构建公交人物画像体系，着重刻画梳理层次化出行偏好，兼顾结构化与非结构化出行特征，为MaaS等私人定制化出行服务奠定基础，为个人需求导向的公交规划提供指导。

基于公交人物画像的知识图谱：依据先验经验，经过公交大数据的检验，对公交出行者、出行行为等公交出行关键要素知识的总结，以图谱的形式将出行者（实体）与标签（属性）之间的关系进行表达；含有丰富的语义信息，可作为知识背景供下游应用（出行行为分析、MaaS等）。

公交车载机GPS轨迹-线路匹配：由于公交定位设备的故障或后台数据库的延迟更新，车载机记录的车辆GPS轨迹信息可能丢失或错误；精准还原公交实际运行轨迹，为客流分析提供数据基础。关键步骤：轨迹分割，包括上下行区分、有效轨迹提取；运用DTW算法找到相似轨迹中属于同位置的轨迹点。

融合历史出行规律的公交出行下车站点推断：多模式出行导致公交出行链中断，满足出行链模型假设的行程比例极少；基于出行链模型获取规律出行模式，提取个体历史出行规律，将中断行程与历史规律行程匹配，推断中断行程下车站点可能性。增强传统出行链模型的覆盖面，实现了90%以上公交行程的下车站点推断。

考虑个人偏好与外部环境的公交出行下车站点推断：出行链模型对于偶然出行仍然无法界定，且未考虑其他因素对出行决策的扰动；基于决策树模型，考虑个人出行偏好与外部环境因素，实现对所有公交出行行程的推断。实现了个体出行层次的OD推断，有助于公交系统精细化管理方案的制定。

公交出行需求综合预测：客流预测模型仅考虑其自身的时空特性，忽略了其动态性和随机性；基于多变量LSTM模型，提取客流历史数据中的时间特征，融合用地性质、环境因素等外部影响变量。

公交客流全网络OD矩阵预测：现有方法预测对象大多为站点、线路，工作量大、训练成本高，且少有研究网络OD矩阵；基于时空异构图的模型，结合GCN与GRU模型，预测全网络的OD矩阵。

03、公交智能排班与调度

数据驱动的公交智能排班与调度：利用大数据、人工智能等技术与交通深度融合，聚焦公交智能排班调度算法研发，根据客流情况进行车辆运行方案智能化、自动化编制。主要技术创新为：公交时刻表最优时段划分；基于深度学习的到站时间预测；自动化时刻表与排班优化设计；公交异常状态监测；突发情况三级调度框架。

公交时刻表最优时段划分

应用最优分割方法进行时段划分，使类内数据特征接近，类间数据特征差异最大；对发车间隔等参数进行统一调整，确保一定的服务水平。

基于深度学习的公交到站时间预测方法

公交到站时间易受外部因素干扰（路况、天气等），呈现非平稳特征；实现对于公交到站时间的精准实时预测，为智能排班与调度提供依据。基于LSTM的静态预测+基于卡尔曼滤波的动态修正，首先提取历史数据实施静态预测，然后根据运行状态实时调整，最后精准预测到站时间。

考虑服务水平与运营成本的常态化时刻表设计与排班优化

基于数据挖掘和人工智能技术对公交运营实际情况进行获取；基于客流、天气与日期时段特征实现服务水平与运营成本平衡的多目标优化；自动化编制公交发车时刻表和排班表，包括首末班时间、发车间隔、配车数等，提升高峰期公交车载客能力、缩短乘客候车时间。根据各时段发车频率，初步估算所需驾驶员和车辆数，构建多目标优化模型，优化细化排班方案。

公交异常状态检测

公交运行状态监测是基于智能调度平台数据，实时掌握公交线网运行各类运营指标的情况，针对发车班次、运行速度、准点率、拥挤度等指标进行监测。公交异常运行状态（客流异常，道路拥堵，天气异常，线路异常，车辆故障等）具有未知性、异构性、类别不均衡性等特点。未知性指异常状态与多种未知因素有关，具有未知的数据结构和分布；异构性指一类异常可能表现出与另一类异常完全不同的特征；类别不均衡指异常数据罕见，正常数据占据绝大多数。采用人工智能算法，从海量异构数据中寻找异常状态。

基于多源数据融合的公交异常运行状态本质是一个半/弱监督下的不平衡样本的多分类问题。传统机器学习算法：样本不平衡下模型预测精度低；特征需要人为选择与构建；多异常场景判断困难。深度学习算法：在样本不平衡下模型预测精度高；特征自动选择；支持判断多异常场景。

突发异常情况的智能化调度

公交典型异常状态：客流异常，道路拥堵，天气异常，线路异常，车辆故障等。调度目标需兼顾提高服务水平、降低运营成本，是典型的多目标优化问题。目标是动态更新+快速响应。

三级调整动态框架：

一级调整（当日）：针对突发的状况，例如暴雨、高温等恶劣天气，进行全天的排班计划调整。

二级调整（间隔2小时）：监测车辆到站时间，对突发大客流、拥堵等情况，进行实时调度。

三级调整（间隔半小时）：针对车辆到站延误，对发车和到站时刻表进行实时调整。

04、公交线网诊断与优化

诊断与优化思路由传统公交的投诉驱动（被动响应问题）转化为新一代公交的数据驱动（主动响应问题）；由人工调查+软件转化为智能交互式优化平台。

多模式公交网络优化设计问题中首先基于多源数据的公交需求分析，得出优化目标为：社会福利、运营成本、出行成本、公平性等；优化对象为：线网布局、发车频率、站点位置、站距、车队规模、人员排班、时刻表、票制票价、运营方案等。

基于辐射网络骨架(Hub-and-spoke，HnS)多模式公交网络设计：骨架网是地铁；主干网是常规公交；支撑网是社区公交（微公交）；枢纽站点是客流量较大的地铁站点；非枢纽站点是一般地铁站点和常规公交站点。HnS网络特征：枢纽站点之间保持相对距离；公交主线必须经过枢纽站点；相比于传统完全连通型网络，可以大幅度减少网络直接相连的路线数。

大规模公交客流分配：基于模型分解的交通分配分布式求解体系，实现对于大规模现实公交网络的快速配流计算。特点是：车辆容量限制；随机决策过程；支持分布式计算。

公交系统运行状态实时监测与优化调整：建设多模式智慧公交平台，对公交线网进行实时监控、实现动态优化决策。实现“实时调整线路、实时线路指标计算”。