Методика определения корреспонденций пассажиров общественным транспортом из операций валидаций электронных проездных билетов

Введение. Существующие методы определения пассажирских потоков вследствие их трудоемкости и ограниченной эффективности не позволяют осуществлять на должном уровне мониторинг транспортного спроса. В настоящее время для создания эффективных решений (в том числе на общественном транспорте) используются технологии, основанные на сборе, интеграции и анализе больших данных (Urban computing, Big data, Internet of things).
Материалы и методы. В рамках данного подхода разработана методика определения корреспонденций пассажиров общественным транспортом из операций валидаций электронных проездных билетов (Electronic Travel Tickets): смарт-карт (smart card), транспортных карт, магнитных карт, мобильных телефонов или других электронных устройств (Electronic Gadgets), реквизиты которых фиксируются в автоматизированной системе оплаты проезда Automated Fare Collection (AFC) при выполнении операции валидации.
Методика, основанная на определении и оценке множества допустимых вариантов связанности последовательности пассажирских поездок, позволяет рассчитывать параметры пассажирских корреспонденций с учетом множества факторов, оказывающих влияние на выбор пассажиром маршрутов поездок. Например, в отличие от ранее выполненных исследований, учтена практика оплаты проезда в любой точке маршрута, не обязательно сразу же после посадки в транспортное средство.
Результаты. Доказано, что пассажирские корреспонденции, рассчитанные посредством разработанной методики, статистически соответствуют генеральному множеству поездок общественным транспортом в пределах допустимых погрешностей, в результате обеспечивается оценка характеристик спроса общественного транспорта.
Обсуждение и заключение. Применение разработанной методики позволяет организовать непрерывный мониторинг пассажирских потоков, технико-эксплуатационных показателей функционирования общественного транспорта и таким образом реализовать концепцию устойчивого развития общественного транспорта посредством проектирования транспортного предложения, соответствующего спросу.

1. Селиверстов Я. А., Селиверстов С. А. Методы и модели построения матриц транспортных корреспонденций // Научно-технические ведомости СПбГПУ. Информатика. Телекоммуникации. Управление. 2015. № 2–3 (217–222). С. 49–70

2. Zheng Y, Capra L, Wolfson O, and Yang H, Urban computing: Concepts, methodologies, and applications. ACM Trans. Intell. Syst. Technol., vol. 5, no. 3.pp. 1-55, Sep. 2014.

3. Barry J.J., Freimer R., Slavin H.L. Use of entryonly automatic fare collection data to estimate linked transit trips in New York City. Transp. Res. Rec. J. Transp. Res. Board. 2009; 2112: 53-61.

4. Alfred Chu K., Chapleau R., 2008. Enriching archived smart card transaction data for transit demand modeling. Transport. Res. Rec.: J. Transport. Res. Board 063, 63–72

5. Munizaga M. A., Palma C., Mora P., 2010. Public transport O–D matrix estimation from smart card payment system data. In: 12th World Conference on Transport Research, Lisbon, Paper No. 2988.

6. Nassir N. Khani A., Lee S.G., Noh H., Hickman M. Transit stop-level origin–destination estimation through use of transit schedule and automated data collection system. Transportation Research Record: Journal of the Transportation Research Board. 2011; 2263: 140-150.

7. Barry J. J. Newhouser R., Rahbee A., Sayeda S. Origin and destination estimation in New York City with automated fare system data. Transportation Research, Record 1817, 2002. Pp.183-187.

8. Zhao J., Rahbee A., Wilson N. Estimating a rail passenger trip origin- destination matrix using automatic data collection systems. Aided Civil and Infrastructure Engineering, vol. 22, 2007. Pp.376-387.

9. Li D., Lin Y., Zhao X., Song H., Zou N. (2011) Estimating a Transit Passenger Trip Origin-Destination Matrix Using Automatic Fare Collection System. In: Xu J., Yu G., Zhou S., Unland R. (eds) Database Systems for Adanced Applications. DASFAA 2011. Lecture Notes in Computer Science, vol 6637. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-20244-5_48

10. Munizaga M., Palma C. Estimation of a disaggregate multimodal public transport OD matrix from passive smartcard data from Santiago, Chile. Transportation Research Part C, Vol. 24, 2012. Pp.9-18.

11. Alsger A., Assemi B., Mesbah M., Ferreira L., Validating and improving public transport origin–destination estimation algorithm using smart card fare data, Transportation Research Part C: Emerging Technologies, Volume 68, 2016, Pages 490-506.

12. Gordon J., Koutsopoulos H., Wilson N., Attanucci J., 2013. Automated inference of linked transit journeys in London using fare-transaction and vehicle location data. Transport. Res. Rec.: J. Transport. Res. Board 2343, 17–24.

13. Farzin J. M., 2008. Constructing an automated bus origin–destination matrix using farecard and global positioning system data in Sгo Paulo, Brazil. Transport. Res. Rec.: J. Transport. Res. Board 2072, 30–37

14. Cui A. Bus passenger origin–destination matrix estimation using automated data collection systems master’s dissertation. Massachusetts Institute of Technology, 2006.

15. Zhao, J. 2004. The planning and analysis implications of automated data collection systems: rail transit OD matrix inference and path choice modeling examples. (MS Thesis, Massachusetts Institute of Technology).

16. Nunes, A. A., Dias, T. G., & e Cunha, J. F. (2015). Passenger journey destination estimation from automated fare collection system data using spatial validation. IEEE transactions on intelligent transportation systems, 17(1), 133-142.

17. Wang W., John P., Nigel H. M., Bus passenger origin–destination estimation and travel behavior using automated data collection systems in London. Journal of Public Transportation. 2011; 14(4).

18. Munizaga M. A., Devillaine F., Navarrete C., Silva D., 2014. Validating travel behaviour estimated from smartcard data. Transport. Res. Part C: Emerg. Technol. 44, 70–79.

19. Hofmann, M., O’Mahony, M., 2005. Transfer journey identification and analyses from electronic fare collection data. In: Intelligent Transportation Systems, Proceedings IEEE, pp. 34–39.

20. Joana H. Estimation of Origin-Destination matrices under Automatic Fare Collection: the case study of Porto transportation system / Joana Horaa, Teresa Galvão Diasa , Ana Camanhoa , Thiago Sobral // Transportation Research Procedia 27 (2017). pp. 664–671.

21. Nunes A. A., Dias, T. G., Cunha, J. F., 2016. Passenger journey destination estimation from automated fare collection system data using spatial validation. IEEE Trans. Intell. Transp. Syst. 17. pp 133–142. doi:10.1109/TITS.2015.2464335

22. Trépanier M., Tranchant N., Chapleau R. Individual trip destination estimation in a transit smart card automated fare collection system. Journal of Intelligent Transportation Systems. 2007. vol. 11. pp.1-14

23. Фадеев А. И., Алхуссейни С. Обследование пассажирских потоков путем анализа валидаций электронных проездных билетов // Вестник СибА-ДИ. 2021; 18 (1) :52–71. https://doi.org/10.26518/2071-7296-2021-18-1-52-71

24. Alsger A. Mesbah M., Ferreira L., Safi H. Use of smart card fare data to estimate public transport origin–destination matrix. Transportation Research Record: Journal of the Transportation Research Board. 2015; 2535: 88-96.

25. Fadeev A. I., Alhusseini S. Passenger trips analysis determined by processing validation data of the electronic tickets in public transport. 2021 IOP Conf. Ser.: Mater. Sci. Eng. 1061 012001. p. 9

26. Подиновский В. В., Потапов М. А. Метод взвешенной суммы критериев в анализе многокритериальных решений: pro et contra // Бизнес-информатика. 2013. № 3 (25). С. 41–48.

27. Фетинина Е. П., Кораблина Т. В., Соловьева Ю. А. Типологические аспекты многокритериального выбора вариантов: монография/СибГИУ. Новокузнецк, 2003. 118 с.